基于蚁群算法的移动机器人全局路径规划方法研究

依据蚁群算法的特点,对移动机器人的全局路径规划方法进行了研究。采用栅格法描述移动机器人的环境信息,仿真分析了蚁群算法的主要参数如蚁群数量m、启发因子α、期望启发因子β和信息素挥发系数ρ等对规划路径的长度和路径规划效率的影响。研究结果表明,当算法的参数匹配时,获得的规划路径不仅长度短,且路径规划效率高。通过仿真找到了最佳匹配参数组。基于仿真结果,对工作在不同环境下的移动机器人进行了全局路径规划仿真实验,研究结果验证了蚁群算法最佳匹配参数组的准确性。     

基于势场蚁群算法的移动机器人全局路径规划方法

针对移动机器人路径规划蚁群算法收敛速度慢和人工势场法易陷入局部最优的问题,提出一种以栅格地图为环境模型,在蚁群算法搜索过程中加入针对具体问题的人工势场局部搜索寻优算法,将人工势场法中力因素转换为局部扩散信息素,使蚁群倾向于具有高适应值的子空间搜索,减少了蚁群算法在盲目搜索路径过程中产生的局部交叉路径及蚂蚁迷失数量,提高了蚁群对障碍物的预避障能力。对不同参数组合下2种算法及其它改进算法仿真结果做了比较,验证了基于势场蚁群算法的全局路径规划能够加快寻优过程且具有较强的搜索能力,收敛速度提高近1倍。     

柑橘采摘机器人的连续采摘路径规划

课题组分析了采摘机器人的发展现状与存在的问题,针对柑橘采摘路径最优问题,将柑橘在三维空间中的点作为目标点,柑橘的连续采摘就是遍历目标点,将柑橘采摘问题作为TSP问题进行解决,使用Matlab软件进行建模仿真,利用蚁群算法求出柑橘采摘轨迹的最短路径。仿真结果表明,通过运用Matlab软件建立了柑橘在三维空间中的坐标模型,利用蚁群算法多次迭代和参数优化,计算出了柑橘采摘的最优路径,以期为实现柑橘自动化采摘提供研究基础。     

多移动机器人路径规划研究算法 —基于分布式实时仿真系统

采摘机器人路径规划是采摘机器人研究领域的核心内容之一,具有复杂性、约束性和非线性等特点。蚁群算法是最近发展起来的仿生优化算法,在解决许多复杂问题方面已经展现出优异的性能和巨大的发展潜力。为此,将蚁群算法引入到了多采摘机器人路径规划系统中,并利用分布式实时仿真系统对其可行性进行了仿真计算。结果表明:采用蚁群算法可以实现多采摘机器人的路径规划,且与遗传算法相比计算速度更快、精度更高,将其引入到采摘机器人的路径规划系统中,对于实现采摘机器人群体导航能力具有重要的作用。     

智能采摘机器人路径规划的设计与研究

以四足轮式采摘机器人为研究载体，将采集的果园图像经过灰度化、阈值分割、几何校正、比例尺寸划分等处理，然后进行栅格化；在此基础上，对采摘机器人在作业时的路径进行全局规划，通过蚁群算法寻找出一条无障碍、短距离的行驶路线；同时，结合运动学模型和PID闭环等现代控制理论，将得到的路径信息转化为控制信号，输出占空比变化的PWM波，从而控制电机运转，使得采摘机器人以规定的速度跟踪已规划好的行驶路线；最后，将此理论以嵌入式方式进行软硬件开发，设计出一款路径规划-跟踪控制系统。实验结果表明，利用路径规划-跟踪控制系统的采摘机器人按规划的路径到达目标点的平均概率为94.5%,能够准确、有效地辅助采摘机器人进行采摘作业。     

基于改进势场蚁群算法的移动机器人最优路径规划

首先,针对传统人工势场算法存在死锁及局部路径欠优等问题,对其进行改进。利用障碍物检测算法识别出有效障碍物和有效路径中间点,通过引力场和边界条件规划出起点到中间点的局部路径,将中间点置为新的起点进行反复迭代,直至起点与目标点重合则规划完成。其次,针对蚁群算法容易陷入局部最优以及收敛速度较慢等问题,对其进行改进。以改进人工势场算法规划出的路径启发蚁群进行路径搜索,从而避免算法早期由于盲目搜索而导致的路径交叉及收敛速度慢等问题,同时以收敛次数构建负反馈通道,使全局信息素和局部信息素的更新速率跟随收敛次数的变化自适应调节,从而保证了算法全程中收敛速度与全局搜索能力的协调与统一。最后,在Matlab中对本文算法、基本蚁群算法以及文献[23]所述算法分别进行仿真实验。结果表明:在相同的环境模型下,本文算法的收敛速度和搜索能力均优于另两种算法;在给定的简单环境模型下进行路径规划时,本文算法的迭代次数为3次,运行时间为0. 892 s,最优路径长度为28. 627 m;在给定的复杂环境模型下进行路径规划时,本文算法的迭代次数为8次,运行时间为3. 376 s,最优路径长度为31. 556 m,所寻路径对环境的覆盖率为73. 63%。     

基于改进蚁群算法的果蔬采摘机器人三维路径规划

近年来,我国"农民荒"问题越演越烈,大量年轻劳动力外出务工,农村土地荒置越来越多。我国人口高龄化严重,农业人口的减少,劳动力缺口过大,导致对农业机器人的需求极为迫切。随着农业机械和自动化技术的快速发展,农业机器人也在不断发展,其可以更好地适应生物技术种植产业发展,过去传统的采摘方式将会有很大改变,农民种植的侧重点即将改善。为此,基于改进蚁群算法,设计和规划了果蔬采摘机器人行走的三维路径,并增加在前进过程中的自适应调整功能。实验仿真结果表明:基于改进蚁群算法的果蔬采摘移动机器人三维空间路径规划在路径和转弯个数上都做到了最小化,能够很好地满足采摘机器人运行需求。     

基于改进蚁群算法的农业机器人路径规划研究

针对农业机器人路径规划实时性和稳定性差的问题,采用人工势场法,并结合Memetic算法与精英排序法优化基本蚁群算法。该算法用势场法获得路径初始化种群,对每代路径进行Memetic算法中的交叉组合操作,将每代蚂蚁产生的路径分别进行优化排序,根据蚂蚁路径的优劣程度,对信息素进行更新;同时,加入精英小组蚂蚁产生的信息素,从而加快了算法的收敛速度,提高了算法的稳定性。实验表明:改进后算法的平均最优路径长度提高了12.56%,收敛代数提高55.86%,算法用时提高了65.3%,最优解百分比增加了40%。本算法能够快速有效地规划出最优路径,提高了农业机器人的工作效率。     

基于栅格法的机器人路径规划

阐述了基于栅格法的机器人路径规划算法问题.首先通过将不完全可行栅格归于完全可行栅格,在粗略划分整个工作环境的情况下,采用概率搜索方法,先获得一条次优最短路径,然后在此基础上,将不完全可行栅格还原到原工作环境,剔除无效栅格后,通过将栅格长度等比递减的策略,最终获得一条所需精度下的最短无碰撞路径.     

拖拉机自动驾驶路径规划算法研究与系统仿真

拖拉机无人驾驶与自动导航可有效解决人工操作存在的诸多问题,同时推进了作业方式的智能化进程。提出了一种用于拖拉机自动路径规划的算法,分析了算法实现的关键问题,并进行了算法的系统仿真。该算法可针对不同的拖拉机宽幅及转弯半径自动生成作业路径,为拖拉机无人驾驶和自动导航的实现提供了理论支持。     

移动机器人低能耗最优路径规划方法

在移动机器人路径规划中需要考虑距离约束和时间约束,同时,为了使机器人在能量补给不足的情况下更高效地执行更多的任务,降低运动过程中的能耗变得尤为重要。兼顾考虑机器人对降低能耗和路径规划效率两方面的需求,本文提出了一种基于改进AD*(Anytime dynamic A*)算法的移动机器人低能耗最优路径规划方法。首先,通过构建机器人动力学模型及其在运动过程中的能耗模型,实现对路径的能耗计算。结合机器人运动学模型,采用基于采样的模型预测算法(Sample based model predictive optimization,SBMPO)生成优化轨迹簇。然后,改进AD*算法,将距离成本和能耗成本融入搜索节点的评估函数,根据轨迹簇中的节点连接关系和环境地图进行在线规划,以获得能耗最优的路径。最后,通过设计仿真测试场景,将所提出的能耗最优路径规划方法与距离最优规划方法进行规划结果对比,验证了算法的有效性。     

基于动态扩展邻域蚁群算法的移动机器人路径规划

针对蚁群算法易陷入局部最优、路径转折点多、收敛速度慢的问题,提出一种基于动态扩展邻域蚁群算法（Dynamic extended neighbourhoods ant colony optimization,DENACO）。在蚂蚁搜索方式上采用动态扩展邻域方法,并定义新的信息素计算方式和增量规则,在取得更优收敛路径长度的同时,减少路径转折点数量及路径节点数量;引入自适应调整因子改进启发函数,提高算法的全局搜索能力,并设定迭代阈值,提升算法的收敛速度;提出一种路径节点双优化策略,对规划好的路径进一步优化,提高路径综合质量。不同复杂度及不同规模栅格地图中的仿真实验表明,DENACO算法所规划的路径更优,路径转折点数量减少,收敛速度加快,路径节点数量明显减少,表明算法具有更高的可行性和适用性。     

基于蚁群算法与人工势场法的移动机器人路径规划

针对复杂环境下移动机器人路径规划困难的问题,提出了一种将全局路径规划蚁群算法与局部路径规划人工势场法相融合的混合型算法。首先,采用多因素启发函数和新的蚂蚁行进机制来解决传统蚁群算法路径质量差且易陷入对角障碍的问题;其次,针对传统蚁群算法收敛速度慢的情况,设计了自适应挥发系数和动态权重系数;接着,通过引入虚拟目标点、相对距离和安全距离的概念,解决了传统人工势场法易陷入局部极小值、目标不可达以及过度避障的问题;最后,将改进蚁群算法规划路径的转折点作为局部子目标点来调用改进的人工势场法进行二次规划。仿真表明改进蚁群算法较传统算法以及其他算法在路径长度方面优化了9.9%和2.0%,在路径转折次数方面优化了81.8%和63.6%,在收敛速度方面优化了94.2%和63.6%;改进人工势场法有效解决了自身问题;而以二者为基础的混合型算法则充分地结合了二者的优势,在复杂的静态和动态环境中具有极高的环境适应性和路径规划效率。     

基于改进的A~*算法在三维路径规划中的仿真应用

针对无人机路径规划中全局静态路径优化和局部动态避障的需求,提出一种基于生物神经动力学模型的改进A^*算法实现全局冬天路径规划。建立生物神经动力学模型,并应用该模型实时获取环境中的动态障碍物信息,通过神经元的活性值来引导无人机的局部动态避障。设计了一种A^*算法的优化启发函数,有效地减少A^*算法在全局路径搜索过程中的节点数量,提高A^*算法的全局搜索效率。最后,将生物动力学模型中神经元的活性值融入到A^*算法的实际代价函数中,融合算法保证了A^*算法在全局路径优化的性能,又秉承了生物神经动力学模型的局部实时避障能力。静态路径和动态路径下仿真结果表明:与生物动力学模型相比,该融合算法考虑到实际代花费问题,能够在动态和静态环境下规划出一条低代价的全局路径;与A^*算法相比,该融合算法可提高全局搜索效率,且实现实时动态避障性能。     

农田作业机械路径优化方法

提出了一种面向农田作业机械的地块全区域覆盖路径优化方法。基于农田地块几何形状、作业机具参数、地头转弯模式等先验信息,将田间作业划分为不同区域,根据选择不同的路径优化目标:转弯数最少、作业消耗最小、总作业路径最短或有效作业路径比最大,计算出最优作业方向,生成最优作业路径。基于地块全区域覆盖路径优化算法,设计开发了农田作业机械的路径规划软件,并选取了4块典型的凸四边形农田地块进行作业路径规划测试。测试结果表明,最优作业方向上的路径优化目标量比其他作业方向上有显著减少;对于上述4个地块,按照不同优化目标计算所得的最优作业方向均与地块某个边的方向角相同,对于长宽比较大的地块,最长边方向通常为最优作业方向。     

自动清粪机器人路径规划方法的研究与实现

自动清粪机器人的工作环境复杂,不仅有静态障碍物(如牛栏),且动态障碍物众多(如人和牲畜等)。为此,提出了一种基于行为方法的路径规划法。该方法非常适合于动态环境下机器人的运动规划,其原理简单、计算快捷、容易实现。根据该算法,确立了一套完整的软件系统和设计方案,并在此基础上制造出了样机。经过样机在奶牛养殖场的工作和测试,验证了该方法的实时性、准确性和可操作性。     

农业机械导航路径规划研究进展

导航路径规划是农业机械自动导航的关键技术,近年来被广泛应用于耕种管收自动导航生产作业过程中。本文分别从全局路径规划和局部路径规划两个角度阐述分析了农业机械导航路径规划研究现状和进展。全局路径规划着重阐述了全覆盖路径规划和全局点到点路径规划,并归纳总结了在精准作业、农业运输和农机跨地块调度等方面的研究成果和具体应用。局部路径规划重点阐述了避障路径规划和局部跟踪路径规划,由于农业作业环境的复杂性和时空变异性,局部路径规划研究的重点是算法的实时性、高效性、鲁棒性和安全性。最后指出导航路径规划技术未来的研究重点为:数据资源标准化及规划路径共享;提高环境信息感知和解析能力;增强实时动态规划性能;路径规划与农机特性相结合。     

基于目标导向采样的机器人改进概率路图法研究

鉴于采样的完全随机性,传统PRM算法往往较难适用于具有狭窄通道工作环境下的机器人路径规划。为此,本文提出了一种融合全局目标导向采样、局部节点增强的改进概率路图法(Improved PRM),并将其应用于平面栅格地图场景及六自由度机器人的路径规划。首先将全局目标导向采样与随机采样有机结合,通过混合采样的方式来提高全局采样点落在狭窄通道内的概率,实现启发式地图增强;其次,经由节点权重思想对位于狭窄通道中的节点进行提取,并利用基于高斯分布的局部节点增强策略在狭窄通道中扩展新节点,增强地图连通性,以提高路径规划的成功率;最后,采用冗余节点剔除策略对算法规划的初始路径进行优化。Improved PRM算法在平面栅格地图中的仿真结果表明,该算法对于机器人路径规划的成功率可达89.3%以上,且综合评价指数及路径质量评价指数均高于其他算法;在六自由度机器人的仿真实验中,Improved PRM算法得到的平均路径代价比传统PRM算法降低约42.7%,成功通过狭窄通道概率也比传统PRM提高68个百分点。因此,相比文中所提其他算法,在具有狭窄通道的工作环境中,改进概率路图法在提高路径规划成功率、减少路径节点...