加速度空间中基于线性规划的移动机器人路径规划方法

针对动态不确定环境下移动机器人的路径规划问题, 提出了加速度空间中一种基于线性规划 (Linear programming, LP) 的方法. 在机器人的加速度空间中利用相对信息, 把机器人路径规划这一非线性问题, 描述成满足一组线性约束同时使目标函数极小的线性规划问题, 嵌入基于线性规划方法的规划器, 得到一条满足性能要求的最优路径. 仿真试验验证了算法的实用性及有效性, 与势场引导进化计算的方法 (Artificial potential guided evolution algorithm, APEA) 相比更优化, 更实时.     

移动机器人智能路径规划方法研究

路径规划是移动机器人导航技术研究中一个重要环节和课题。规划的方法可以分为传统的路径规划方法和智能化的路径规划方法。本文对于当前普遍采用的遗传算法、模糊逻辑算法、神经网络、蚁群优化算法、粒子群算法、启发式搜索法等智能路径规划方法进行了较为详细的介绍和分析,并展望了机器人路径规划技术的未来与发展趋势。     

车型移动机器人的SPRM路径规划方法

研究车型移动机器人的路径规划问题,提出一种用局部规则路图结合随机路图,辅助建立全局复合路图的环境建模方法. 在此基础上进行路径规划,提高了在障碍物附近产生的局部路径的质量,减少了由于频繁地执行避碰校验所造成的时间消耗,并解决了可行空间丢失的问题. 仿真实验验证了这种方法在车形移动机器人路径规划应用中的有效性.     

部分未知环境中移动机器人动态路径规划方法

针对部分未知环境,提出一种基于粒子滤波的动态路径规划方法.将全局最优路径视为受机器人运动及环境影响的变化量,采用粒子滤波算法,利用机器人运动信息预测路径,并利用实时环境信息更新路径,通过在线跟踪全局最优路径获得不断更新的全局优化路径.将传统全局路径规划先规划后执行的模式改为边规划边执行的模式,既减少了等待时间,又为机器人的移动误差及部分未知环境提供了较强的适应能力.仿真及实验验证,该方法的有效性.     

一种移动机器人在三维动态环境下的路径规划方法

提出一种基于遗传算法的三维动态环境下的路径规划方法,通过对机器人的运动行为进行编码,将各种约束条件融入到遗传算法当中,规划出可实际应用的避障路径,仿真研究表明该方法是简单有效的.     

基于向量场的移动机器人动态路径规划

由于简洁、高效等优点,人工势场法已应用于自主移动机器人的在线实时路径规划,并受到广泛关注.目前,人工势场法在处理静态环境、动态匀速环境下的路径规划方面已有许多成果,但是,机器人在全变速环境下进行在线实时路径规划时,会出现路径冗余、避碰不及等现象.为此,将目标关于机器人的相对加速度因素引入引力势场函数中;在斥力势场函数的基础上融合避碰预测、减速避障策略;最终,机器人能够避免大量无谓避障,当与障碍物相对速度较大时能提前避障,且快速跟踪到目标.仿真结果验证了所提方法的有效性.     

基于遗传算法的移动机器人动态避障路径规划方法

本文提出了一种基于遗传算法的简单、有效的移动机器人实时动态避障路径规划方法.为利用遗传算法实时、稳定地进行动态路径规划,本文将复杂的二维路径编码问题简化为一维编码问题,并把路边约束、动态避障要求和最短路径要求融合成一个简单的适度函数.仿真实验表明,本文提出的动态路径规划方法可实时、稳定地产生移动机器人运动的最佳局部规划路径,且具有良好的动态避障性能.该方法也可用于智能车辆的自动导航.     

一种移动机器人路径规划方法的研究

该文主要是设计了一种可扩展式移动机器人,提出了基于Levenberg-Marquardt方法优化的EKF-SLAM算法、基于势场蚁群算法的移动机器人全局路径规划,并探索了一种新的最优路径搜索方法,即有机地将移动机器人局部路径规划融入全局路径规划中,并且通过机器人仿真实验完成室内移动机器人的自主导航,相比传统方法能够提高...     

改进动态规划算法的移动机器人路径规划

针对静态栅格环境下的移动机器人全局路径规划问题,通过分析移动机器人到达目标的搜索方向和路径变化的动态特征,分别建立下降路径搜索动态规划模型和上升路径搜索动态规划模型,并依据整列元素路径值变化特点设计了两种模型交互使用的改进动态规划算法。仿真实验结果表明算法具有较好的路径规划效率,可以同时完成多个目标路径规划,且覆盖率越大的环境求解越快速。实验也表明改进动态规划算法同蚁群算法对比能够更快速有效地给出移动机器人较优通行路径。     

基于改进遗传算法的移动机器人路径规划方法研究

路径规划是机器人技术研究领域中的核心问题。本文针对机器人路径规划问题,提出了基于遗传算法的解决方案。在遗传算子的设计中,通过加入自适应调整方法使得算法更加完善,解决进化过程中因陷入局部极小值而不能到达目标点的问题。最后,在模拟环境下进行路径规划仿真,验证了算法的有效性。     

动态环境下多移动机器人路径规划的一种新方法

本文提出一种多个移动机器人在动态环境下进行路径规划的新方法．基于栅格类的环境表示和障碍地图,协调同一工作环境中多移动机器人的运动状态,以避免相互之间发生碰撞．该方法的复杂性较低,具有很好的实时性能．结合机器人足球领域,进行了实验,验证了这个方法的正确性和有效性．     

未知动态环境中基于分层强化学习的移动机器人路径规划

提出了一种基于分层强化学习的移动机器人路径规划算法．该算法利用强化学习方法的无环境模型学习能力以及分层强化学习方法的局部策略更新能力,克服了路径规划方法对全局环境的静态信息或动态障碍物的运动信息的依赖性．仿真实验结果表明了算法的可行性,尽管在规划速度上没有明显的优势,但其应对未知动态环境的学习能力是现有其它方法无法比拟的．     

未知环境中小型机器人路径规划策略的研究

针对微小型机器人在进行路径规划时存在系统硬件资源有限,数据处理能力盖及系统感知能力有限,只能获取局部信息,且信息不完备的问题,分析了人在未知环境中路径规划策略,提出了一种微小型机器人的路径规划策略。实验结果表明,该策略可以满足微小型机器人在复杂未知环境中路径规划的要求,为微小型自主机器人的设计提供了新的方法。     

越野环境建模与动态路径规划

针对越野环境下移动机器人的导航与控制问题,提出了一种越野环境下环境建模与动态路径规划方法。该方法能够针对地形的数字高程模型,在综合考虑机器人的性能约束和地形特征等因素的基础上有效地实现越野环境的建模;在此基础上的路径规划采用全局信息与局部信息、前期规划结果与当前规划相结合的方法,满足了越野环境下动态路径规划的要求。实验结果表明,该方法能够很好地适应各种复杂的越野环境。     

动态环境中基于模糊概念的机器人路径搜索方法

本文提出一种基于模糊概念的动态环境模型,以及在此模型基础上的机器人路径搜索方法．这种方法利用动态环境中物体的运动信息进行局部搜索．通过计算机模拟实验,证明这种方法在移动障碍和移动目标的环境中能有效的实现机器人避碰和导航．     

基于通道动态窗口法的避障方法

针对移动机器人在复杂室内环境下的局部路径规划算法会面临躲避动态障碍物效率低、绕路及不能抵达目标点的问题,提出了一种解决室内路径规划的通道动态窗口算法。该方法选用基于密度的应用噪声空间聚类算法（DBSCAN）先对障碍物分割,在相邻障碍物之间建立通道,并将生成的通道离散化生成一系列的通道点。通过设计的通道点评价函数,选择出最优通道点作为动态窗口法的临时通道点,为动态窗口法提供正确的方向。采用通道动态窗口法对真实环境中的ROS机器人进行路径规划,结果表明,通道动态窗口法在路径长度、运行时间和采样次数的性能上均优于态窗口法,表现出更强的适应性和鲁棒性,避免了移动机器人躲避障碍物不及时和陷入局部位置的问题。该算法既能独立执行局部路径规划任务,也能与 A* 算法相结合进行全局路径规划。     

动态环境下基于蚁群算法的实时路径规划方法*

提出了一种实现移动机器人在复杂动态环境下进行实时路径规划的新方法。该方法首先利用模糊逻辑来描述机器人局部环境模型;然后采用改进的蚁群系统算法快速地搜索出局部最优路径,并在此路径的引导下,结合机器人滚动规划方法,实现移动机器人在复杂动态环境下的实时路径规划。该方法不仅能克服传感器测量误差等引起环境信息的模糊性和不确定性的影响,还可以充分发挥蚁群算法的群体智能优势来保证系统规划的实时性。仿真结果表明该算法的有效性和可行性。     

基于路径跟踪的拖车式移动机器人动态窗口法

针对目前局部路径规划算法只适用于单车体机器人的问题,提出了一种针对拖车式移动机器人的动态窗口法。首先,利用多车体结构的路径跟踪方程实现对拖车式移动机器人的运动控制;然后,利用评价函数同时对牵引车和拖车进行评价并根据权重相加;最后,针对拖车结构特性,添加了运动过程中牵引车与拖车的夹角约束,保证运动轨迹的稳定性。仿真实验表明:拖车式移动机器人的运动控制可满足收敛性,同时所提算法实现了拖车式移动机器人局部路径规划的任务,且在运动过程中夹角变化均未超出限制。该研究对拖车式移动机器人的自主导航有极大的参考价值。     

一种动态搜索策略的蚁群算法及其在机器人路径规划中的应用

采用蚁群算法求解复杂环境下移动机器人路径规划问题时,会出现运算时间过长、求解精度不高等问题,对此,定义一种新的动态搜索诱导算子以改进蚁群算法性能.重点设计了动态搜索模型,即:在进化初期设定较大阈值以增加种群的多样性;而伴随进化过程,利用衰减模型动态调整为较小阈值以加快收敛速度.TSP测试实验结果表明,该改进蚁群算法不仅能加快收敛速度,而且有效提高了优化解的质量.复杂环境中机器人路径规划问题的求解验证了所提出算法的实际应用效果.