消毒机器人全覆盖路径算法设计

针对消毒机器人全覆盖消毒的算法,传统的消毒机器人重复率高、消耗大,容易进入死区,导致机器人无法进行工作,机器人利用二维的激光雷达旋转扫描到室内的三维立体空间,建立格栅地图,通过SPDF算法与改善A*算法得到的Theta*算法相结合的算法,使得消毒机人能够正常地完成室内的消毒工作,并且保证消毒面积尽可能的重复率在较低的情况下,完成全面消毒。     

基于物流机器人的路径规划研究

本文描绘了物流机器人的路径规划问题。针对标准A*算法的路径规划时间长、计算节点多的问题,提出了在标准A*算法的基础山,使用改进的双向搜索的A*算法。通过使用MATLAB进行仿真和实验平台进行实验对标准A*算法和优化后的A*算法进行了对比,结果表明:改进的A*算法比标准的A*算法进行路径规划的时间更短,并且使用的节点更少。     

机器人全覆盖最优路径规划的改进遗传算法

全区域覆盖是一种特殊的路径规划,要求遍历环境中所有的可达区域。目前已经提的许多算法,如模板算法、分块算法等,都只能保证覆盖所有的区域,对于寻找全局最优解却无能为力。提出了一种基于遗传算法的全区域覆盖算法,结合分块算法和模板算法的优点。先采用矩形分解法将环境划分成若干个相邻的子模块,并为每一个子模块选用相应的模板,从而生成覆盖路径,然后采用遗传算法找出最优的路径。算法在虚拟环境中进行了实验,实验结果证明了其可行性和有效性。     

基于回溯法的全覆盖路径规划算法

随着扫地机器人的快速发展,作为其核心技术的全覆盖路径规划技术也变得日益重要。目前已经提出的许多算法,如人工势场法、模板法、单元分解法等,都存在一些问题,如覆盖率低、重复率高、运行效率低等等。针对目前已有算法存在的问题,提出了一种基于回溯法的全覆盖路径规划算法。首先利用West-Move First算法实现局部区域覆盖,然后为了解决扫地机器人局部区域覆盖过程中存在遗漏区域未覆盖的问题,建立了完善的回溯机制,并采用改进的A~*算法规划出一条从死点到回溯点的光滑无障碍路径。通过与BA~*算法进行仿真对比分析,表明了该算法具有更高的运行效率和更低的重叠率。     

一种基于改进Theta *的机器人路径规划算法

对Theta *算法进行改进,并用于解决机器人路径规划问题.首先,将障碍物对机器人产生的斥力作为一种惩罚函数加入到启发函数中,并合理地选择惩罚函数权重以确定启发函数.在此基础上,改进A *算法的变种——Theta *算法,提出对路径进行平滑处理的PS_Theta *算法.最后在二维仿真环境中进行验证及数据统计,并推广至三维复杂环境中,实验结果证明了算法的合理性与有效性     

基于改进A*算法的分拣搬运机器人路径规划

为了解决分拣搬运机器人在路径规划过程中,遇到目标点众多的情况时存在路径寻优效率低、容易出错等问题。针对A*算法存在多个最小值时,无法实现路径最优化的问题进行研究,提出一种将蚁群算法与A*算法相结合的改进A*算法。首先使用A*算法筛选出一条最优化的路线来分布信息素,从而简化A*算法在路径规划上的运算。其次以筛选出的路线为基础,针对不同情况结合蚁群算法设计了三种通用方案,以此为基础进行具体的路径规划,从而解决A*算法本身存在的容易带入大量重复数据的问题。通过仿真与实际实验验证了本文提出的改进的A*算法能够满足自动分拣搬运的需求,值得推广与使用。     

面向荒漠复杂地形的机器人在线全覆盖路径规划方法

对于地形复杂、范围广阔的荒漠环境,当前的地图模型存在占用存储空间过大的问题;同时在复杂地形下,当前的全覆盖路径规划算法能量消耗大,无法适用于在线条件.对此,提出一种在线的全覆盖路径规划算法及相应的地图模型.首先,介绍一种变分辨率的三维栅格地图模型.其次,分析机器人在非平面环境下进行全覆盖任务的能量消耗问题,得出最节约能量的覆盖方式.在对平坦地形的覆盖中,基于优先级覆盖的思想,对传统的牛耕法覆盖做出改进,拓展为8个方向.然后,针对非平坦地形提出一种在线的面向地形的区域分解方法,在全覆盖过程中根据高度将特殊地形区域分解出来单独覆盖.在子区域内部,对特殊地形抽象得到斜面模型,引入地形变化函数,形成新的优先级遍历方法,并设计一种针对性的避障策略以进一步减少能量消耗.最后,对所提出的算法进行仿真验证以及机器人实验.仿真验证和实验结果表明,相比于其他算法,所提出算法能显著减少全覆盖过程中的重复率以及机器人总能量消耗.     

喷涂机器人矩形喷枪建模分析与迷彩图案全覆盖路径规划

针对喷涂机器人迷彩涂装作业过程中边缘混色、圆弧过渡和无法实现多色精细化喷涂的问题,设计了一种具有直角边界、可防过喷的矩形喷枪,建立其涂料沉积模型。喷枪性能实验结果表明,改进后的矩形喷枪涂层厚度均匀,满足数码迷彩喷涂工艺需求。其次,采用角点检测算法提取数码迷彩图案角点坐标,同时以角点坐标为基础,建立数码迷彩图案的平面栅格地图。然后,提出改进的生物激励神经网络（BINN）方法,引入融合数码迷彩喷涂工艺的机器人移动规则,将神经元活性传播方向限定为互相正交的4个方向,以缩小神经元动态激励场景范围,降低其计算复杂度。最后,采用基于矩阵变换的方法,将2维路径映射至车辆模型表面,生成3维迷彩喷涂路径。通过仿真与数码迷彩喷涂实验验证了所提方法的有效性,降低了生物激励神经网络的计算复杂度,解决了机器人喷涂过程中油漆过喷与数码迷彩喷涂路径难以规划的问题。     

基于改进A*算法的AGV路径规划

相对于传统的物流仓库来说, 现在很多的自动化仓库不再使用工人去分拣货物, 而是使用自动引导车完成货物的分拣, 将“从人到货”的工作模式变为“从货到人”, 这种工作模式的转变, 不仅解放了工人的劳动力, 同时还实现了自动化仓库的机械化与自动化的结合, 大幅度地提升工作效率. 自动引导车在自动化仓库分拣货物的过程中一个重要的环节就是路径规划问题. 针对仓库中自动引导车的路径规划问题, 对传统的A*算法提出改进. 传统A*算法规划出来的路线具有路径过长、转折角度较大、路径不够平滑的缺陷. 针对以上缺陷, 提出动态加权以及改变搜索邻域的方法对传统A*算法进行改进, 因此减少了搜索节点, 提高了搜索速度. 同时多次使用高阶贝塞尔曲线对改进后的A*算法规划出来的路线进行平滑处理, 减少了转折点. 最后进行3组仿真实验对比, 证实本文提出的改进是有参考价值的.     

移动机器人全覆盖路径规划研究

移动机器人的全局路径规划基本上可分为起点到终点寻优和全覆盖寻优两种。所谓全覆盖寻优路径规划,是指移动机器人快速而高效率地走遍一个区域内除障碍物以外的全部地方。对全覆盖路径规划方法的研究现状加以分析、比较和归纳,对全覆盖路径规划方法的发展趋势和研究方向进行探讨,也介绍作者自己的研究工作,同时对国内外刚开始不久的多机器人协作在全覆盖路径规划领域的研究工作也予以介绍,最后归纳出全覆盖寻优路径规划的发展方向及待解决的问题。     

基于鱼群算法的智能机器人全覆盖路径规划

为保证机器人的行驶轨迹可以全方位地的覆盖地图的全部坐标点,并降低路径重复率,基于鱼群算法设计智能机器人全覆盖路径规划方法。建立智能机器人死区脱困模型,计算栅格地图模型中的目标活性值,获取整体栅格数量,描述地图中栅格状态,得到脱困时的行驶角度差。基于鱼群算法设计全路径覆盖判定方法,描述不同目标鱼个体之间的距离,在三重移动目标坐标系下,获取元素坐标向量,建立每个目标点的求解代价和,计算下一个目标点行驶的最小距离。设计机器人全覆盖路径规划算法,判断当前位置是否为死区,获取路径规划的全局最优解,实现智能机器人的全覆盖路径规划。利用Matlab仿真软件完成智能机器人全覆盖路径规划实验。结果表明,在简单环境下,该路径规划方法覆盖率为100%,重复率为5.23%,路径长度为15.36m；在复杂环境下,该路径规划方法的覆盖率为100%,重复率则为10.24%,路径长度为20.34m。由此证明,该方法具有较好地规划效果较好。     

应用于机器人路径规划的双向时效A*算法

针对时效A*算法为了大幅减少算法时间,导致路径规划长度增加和路径锯齿过多的问题,提出一种改进的双向时效A*算法,该方法将从起点和终点同时运行时效A*算法寻找路径,并采用多近邻栅格距离计算方案;同时,根据不同环境地图对传统A*算法、时效A*算法和双向时效A*算法运行结果进行对比研究及分析;最后,制定算法时间、路径长度两个指标来评判算法的优劣。实验结果显示,双向时效A*算法相对于传统A*算法,算法时间最大减少76.8%,相对于时效A*算法,时间最大减少55.4%,并解决了时效A*算法规划路径距离增加、路径不够平滑的问题。     

基于机器视觉和A*算法的迷宫机器人路径规划

针对迷宫机器人路径规划问题,以机器视觉和A*算法为基础,提出了一种新的迷宫机器人全局路径规划方法。该方法利用区域阀值分割对迷宫机器人系统采集的图像进行分析,结合A*算法逆向搜索全局最优路径。仿真结果表明,该方法实现简单,在复杂的迷宫环境下能有效地实现迷宫机器人路径规划。     

自动化机器人轨迹跟踪与路径规划技术研究

针对复杂环境自动化机器人的路径规划问题,采用改进的人工势场法与改进的A*算法进行路径规划寻优;同时,针对机器人轨迹跟踪控制问题,提出基于干扰观测器的自适应滑模控制算法。结果显示,与传统算法相比,改进后的A*算法的转弯角度减少了37.43%,路径长度减少了2.21%,为机器人提供了安全且平滑的路径,实现了全局路径优化。与传统人工势场法相比,采用改进后的人工势场法不仅使运行时间降低了59.13%,而且使路径长度减少了52.3%,既避免了在障碍物附近震荡,又绕过局部极小值陷阱区域。而基于干扰观测器构建的自适应滑膜控制算法,既能有效降低跟踪误差,又能有效提升机器人轨迹跟踪的收敛速度。因此,自动化机器人轨迹跟踪与路径规划技术研究的创新性,表现为既有效弥补了传统人工势场法的缺点与不足,又实现了自动化机器人轨迹跟踪在线估算最优增益。     

一种改进的机器人滚动路径规划算法

研究了复杂未知环境下移动机器人的路径规划问题,旨在解决当机器人具有相当大的可视半径时,传统的滚动规划算法在解决路径规划问题时效率不高的问题。提出了一种局部规划中采用改进的A*算法的滚动规划算法。该算法引入一种二叉堆数据结构来存储局部规划待考察的节点,通过减少局部寻优中比较的次数来提高搜索的速度。仿真结果表明,该算法在解决这类路径规划问题时,能显著提高路径规划的效率,对其他的路径规划算法也有重要的借鉴意义。     

基于已知地形信息的海底机器人路径规划

路径规划是实现机器人智能化的重要组成部分,规划路径的优劣在很大程度上决定了机器人执行任务的效果. 传统的路径规划算法,例如基于图搜索的dijkstra算法和其改进后的A^*算法,以及基于采样的RRT （rapidlyexploring random tree） 算法和其改进后的 RRT^*算法,仅仅考虑了避障问题;基于插值曲线的算法可以产生较为光滑的轨迹;基于数值优化的算法可以将机器人速度、加速度等加入损失函数,通过优化求解,产生动力学特性较好的轨迹. 然而,面对当前越来越精确、丰富的先验地形信息,鲜有算法可以充分利用他们. 对此,基于海底数字高程地图（digital elevation map, DEM）,提出扩展A^*算法及FM （fast marching）算法改进算法,能够利用先验地形信息提高路径规划的效果. 通过仿真分析,对比3种算法:扩展A^*算法、TC FM （terrian cared fast marching）和TC FM^*算法,仿真结果表明,扩展A^*     

基于改进蜂群算法的机器人路径规划

针对机器人的路径规划问题,本文提出了采用改进的具有群集智能的蜂群算法（Artificial Bee Colony,ABC）,结合三次贝塞尔曲线来描述路径,共同实现路径优化的方法.为了克服标准ABC容易陷入局部最优和后期收敛速度慢的缺点,对雇佣蜂阶段和守望蜂阶段进行改进,且与其他算法得到的优化曲线相比较,进而得出不同算法在路径优化方面的优劣性.实验结果表明：改进的蜂群算法在路径优化方面具有更好的寻优性能,能够得到更短路径.     

基于改进人工蜂群算法的机器人路径规划北大核心CSCD

为了实现在避障环境空间下移动机器人的平滑最优路径规划,提出了一种基于改进蜂群算法的三次Bezier曲线优化的路径规划方法。借助Bezier曲线描述路径,把路径规划问题转换为生成Bezier曲线有限个点的位置优化问题,并改进人工蜂群优化算法进行最优路径搜索。该改进算法在雇佣蜂的搜索阶段中引入个体当前最优值及随机向量,并选择新的选择概率函数,不仅加快算法的收敛速度,而且在一定程度上有利于保持种群多样性,防止算法陷入局部最优。仿真结果表明,该算法可以有效地进行平滑路径的无碰撞路径规划。