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。     

基于人工势场法的移动机器人路径规划研究现状与展望

路径规划是移动机器人领域的热点研究方向,人工势场法已在工业机器人路径规划中得到广泛应用,近年来正逐步应用于农业工程的路径规划问题中.首先对路径规划中人工势场法的原理及传统人工势场法存在的缺陷进行分析,针对人工势场法中的局部极小值和目标不可达问题的多重改进方法进行原理分析和方法总结,并根据人工势场法在工业机器人中的应用对...     

基于改进人工势场法的多目标点路径规划

为实现智能小车移动时需到达多个目标点的目的,提出一种基于改进人工势场法的多目标点路径规划。首先,通过模拟退火算法解决了传统人工势场法中机器人移动时陷入局部势能最小点振荡的问题;随后,通过碰撞预测算法以及无效障碍物概念解决了人工势场中目标点不可达的问题;最后建立多目标点智能小车移动模型,将改进的人工势场法运用其中进行MATLAB仿真。结果表明,改进的人工势场法很好地规避了路径中的障碍物,到达各目标点。     

基于蚁群算法和遗传算法融合的移动机器人路径规划问题研究

移动机器人的路径规划问题一直都是机器人研究中比较热门的话题,也是非常关键的技术,但是,比较传统的路径规划算法都存在自己的缺陷,所以说,寻找一种最佳的算法是机器人路径规划问题领域研究的热点,蚁群算法是最近十几年来发展起来的一种模拟生物的进化算法,这个算法在解决很多比较复杂的问题上表现出了非常好的性能。本文在分析了当前的各种路径规划算法的优缺点的基础之上,选择了蚁群算法来解决移动机器人的路径规划问题。     

基于改进人工势场法的路径规划决策一体化算法研究

车辆路径规划与决策算法是无人驾驶汽车的重要研究方向之一。现有的路径规划与路径跟踪决策算法中规划层与决策层存在时滞现象,往往会引起检测信息与真实行驶环境信息的偏差,使得规划的局部路径不能反映当前真实状态,是无人驾驶汽车安全行驶的不稳定因素。本文综合考虑了环境交通参与者与车辆自身运动学特征,建立了横纵向安全模型,对车辆目前行驶环境的风险特征进行了综合评估。在行驶环境特征与车辆动力学特征的基础上对传统人工势场法进行了改进,设计了基于虚拟力的局部路径规划与控制决策一体化算法,提升了算法在复杂动态环境下控制的可靠性。最后,利用Carsim/Simulink建立了联合仿真环境,分别对传统路径规划算法、路径跟踪算法与本文提出的路径决策规划一体化算法在典型工况下进行仿真。仿真结果表明,该算法能减小路径规划决策环节的时滞影响,为复杂动态环境下的无人驾驶车辆提供更加合理的控制方法。     

远程控制采摘机器人手势识别研究——基于势场蚁群算法

采摘机器人在作业时遇到通过自主导航无法越过的障碍物时,或者在危险的地带无法进行人工采摘作业时,需要借助远程方式进行实时控制,使其成功越过障碍物,并在高危环境中有效地展开采摘作业。为了优化采摘机器人远程控制系统,提出了一种基于手势识别的远程控制方案,并引入了势场蚁群算法,提高了机器人的控制的准确性和高效性。在远程控制方案中,将基于视觉的手势识别与远程控制机械手相结合,通过深度相机采集手势图像并提取手势特征,转换为机械手舵机的控制命令,并通过无线网络发送至采摘机器人控制单元,实现视觉手势对机器人的远程控制。对采摘机器人进行了测试,通过测试发现:基于蚁群算法的手势识别系统可以有效地追踪得到不同的动态手势,且可以准确地识别手势所代表的意义,成功实现了机器人远程控制的手势识别。该方法不仅可以远程实现机器人避障功能,还可以将其应用在山谷、沼泽等危险地带进行采摘作业,实现其非凡的使用价值。     

基于蚁群算法与参数迁移的机器人三维路径规划方法

为解决机器人进行三维路径规划时路径规划效率受算法影响较大的问题,以最短距离为目的,提出了一种基于蚁群算法参数迁移的机器人三维路径规划方法。在使用栅格法建立的机器人三维环境模型中,使用蚁群算法寻找最短路径。针对蚁群算法的参数选择问题,使用参数迁移算法得到最优参数。将已知的环境模型和其对应的蚁群最优参数作为源任务,将源任务映射到高维空间,通过迁移参数连接不同源任务,根据图论的知识建立参数迁移图,将参数迁移图扩展,使其包含目标任务,为随机未知环境模型分配一组蚁群最优参数。仿真实验表明,基于参数迁移的蚁群算法可以快速有效地完成机器人三维路径规划。相比传统的参数选择方法和其他智能优化方法,蚁群参数迁移算法可以大幅减少路径规划所需时间,提高了路径规划效率。     

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。     

割草机器人路径规划研究 ——基于改进蚁群算法和计算机视觉

首先,从设计需求、结构体系和控制系统设计了割草机器人总体方案;然后,设计了草坪边界提取算法和割草机器人路径规划系统,实现了一套基于改进蚁群算法和计算机视觉的割草机器人路径规划系统.试验结果表明:割草机器人能够实现草坪边界提取和规划出最优路径,割草机器人路径规划具有一定的可行性.     

基于改进人工势场法的足球机器人路径规划研究

在分析足球机器人局部路径规划的特点和传统人工势场理论存在不足的基础上,对足球机器人在信息不确定情况下的局部路径规划方法进行了探讨。实验证明该方法使路径规划满足了机器人足球准确性、快速性和攻守兼备性的要求。     

基于含避障角人工势场法的机器人路径规划

针对基于距离的人工势场法(Artificial potential field,APF)存在的局部极小值问题,提出了一种含避障角的人工势场法的避障路径规划方法。在平面环境中,采用斜率判定路径规划过程中的位置关系,通过机器人当前点到障碍物的距离与障碍物的影响半径二者之差得出人工势场法中的排斥力,并对排斥力的偏转角进行调整;另外,在空间环境中利用圆弧插补理论将机器人平面避障问题转换为空间避障问题;基于机器人构型配置对改进人工势场法进一步完善以满足实际避障要求。仿真和实验研究结果表明,含避障角的人工势场法,在单个或多个障碍物环境中进行避障路径规划时解决了局部极小值的问题,同时实现了6自由度机器人末端在避障时的轨迹曲线平滑无振荡,验证了所提出避障路径规划方法的可行性。     

基于改进避障策略和双优化蚁群算法的机器人路径规划

针对传统蚁群算法在移动机器人路径规划中存在的收敛速度慢、收敛路径质量低、死锁以及动态避障能力差的问题,本文提出基于改进避障策略和双优化蚁群算法（Double optimization ant colony algorithm,DOACO）的路径规划方法。首先,设计新的概率转移函数并对函数中的各分量权重进行自适应调整,以优化算法的收敛速度;然后,利用碰撞检测策略对路径进行再优化,进一步提高算法的性能;最后,针对常规避障策略避障能力差、实时性不足等问题,提出避障行为与局部路径重规划相结合的避障策略。实验结果表明,DOACO算法相对于传统的蚁群算法,不仅能规划出更优的路径,收敛速度也更快,而且新的避障策略也可以有效地应对多种碰撞情况。