基于改进双向RRT*的果园机器人运动规划算法

为提高果园机器人在果园中作业的自主性、安全性和效率,需要进行有效合理的运动规划。针对传统RRT*(Rapidly exploring random tree star)全局路径规划算法在连续走廊式环境下存在搜索效率低、采样点利用率低、生成路径折线多转角大等问题,以阿克曼底盘果园喷雾机器人为运动模型,提出一种改进双向RRT*的果园喷雾机器人运动规划算法。首先,根据激光雷达建立果园二维平面地图,将果树和障碍物均视为障碍物区域,并结合喷雾机器人本体尺寸,对障碍物进行膨胀化处理;然后,通过改进双向RRT*算法搜索路径,搜索路径过程中结合动态末梢节点导向和势场导向进行偏置采样,并对初步生成的路径进行路径点去冗余以及相邻折线段转角约束处理;最后,采用三阶准均匀B样条曲线对处理后的路径点进行轨迹优化,在优化过程中主要考虑轨迹的碰撞检测和喷雾机器人底盘曲率约束。试验结果表明,相较于传统双向RRT*算法,本文所提出的改进算法规划时间平均减少57.5%,采样点利用率平均提高28.55个百分点,最终路径长度平均缩短7.14%;经三阶准均匀B样条曲线优化后所得轨迹在有、无障碍物两种环境下均满足喷雾机器人最大曲率约束,且仅在换行以及障碍物处存在转弯行为,符合喷雾机器人作业轨迹条件,提高了喷雾机器人的工作效率和自主性。     

基于双向迪杰斯特拉算法移栽机补栽路径规划及仿真

为提高移栽机补栽作业的自动化水平,对移栽机补栽路径规划进行研究。首先,对移栽机补栽进行分析并建立路径规划仿真地图;然后,提出一种双向迪杰斯特拉算法,并进行二次优化实现节点排序,配合A*算法的避障功能实现路径;最后,基于C++编程及OpenCV实现算法功能并进行图像绘制实现算法仿真。仿真结果表明：采用改进后的双向迪杰斯特拉算法规划路径,路径移动距离平均下降14.74%,转向次数平均减少8%,移动时间平均减少13.41%。双向迪杰斯特拉算法,相比迪杰斯特拉算法规划的目标节点顺序更优。因此,改进后的算法能实现移栽机补栽更优的路径规划,提升移栽机补栽效率,为补栽路径规划问题的研究提供重要参考。     

基于改进A*算法的地下无人铲运机导航路径规划

提出一种基于改进A*算法的铰接式地下铲运机导航路径规划方法。针对地下铲运机的铰接结构,采用按铰接角扩展节点的方法,使扩展节点符合铲运机的轨迹特性;针对巷道狭窄,易于发生碰撞的问题,在估价函数中引入了碰撞威胁代价,避免铲运机与巷道壁发生碰撞。通过仿真试验分析比较了传统A*算法和所提出的改进A*算法的搜索性能,验证了改进A*算法可提高搜索效率。通过多组试验参数比较表明,当碰撞代价加权系数为0.2时,可以得到在避免碰撞情况下的最短路径。最后在实验室环境下实现了无人铲运机的路径规划及轨迹跟踪。跟踪结果表明,采用所提出的算法规划的导航路径,符合铲运机的结构特性,使跟踪误差保持在0.2 m之内,同时也可使铲运机不与巷道发生碰撞,实现安全行驶,验证了所提方法的可行性和实用性。     

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。     

改进A*算法的采摘机器人路径规划与跟踪控制

为提高采摘机器人的工作效率和控制精准度,提出一种基于改进A*算法的路径规划与跟踪控制方法.首先建立移动采摘机器人的动力学模型,然后通过引入人工势场法改进了A*算法的效率,实现了对采摘机器人运动路径的快速规划,最后利用状态观测器估计出系统状态,并设计终端滑模控制律来准确跟踪路径指令,大大提高了控制精度.仿真结果表明:设计...     

基于改进A*算法和DFS算法的割草机器人遍历路径规划

针对割草机器人大面积作业时遍历路径规划覆盖率低、重复率高、普适性弱的问题,提出一种改进A*算法与DFS算法相结合的遍历路径规划算法。首先,根据已知环境全局信息,通过牛耕式分解法将目标区域划分成多个不含障碍物的子区域;然后,根据子区域的邻接关系构建无向图,使用DFS算法规划子区域的遍历顺序;最后,采用改进A*算法进行跨区域路径转移并且往复式遍历各子区域的内部。仿真试验结果表明：该遍历算法的覆盖率达到100%,遍历重复率为0,改进A*算法所规划的跨区域转移路径长度和转向次数比A*算法分别减少3.26%和62.5%。所提出的遍历算法具有覆盖率高、重复率低、普适性强的特点,改进A*算法通过路径平滑性优化和添加防碰撞安全间距对A*算法进行改进,使之规划的路径更平滑、更安全,路径长度更短。该研究结果旨在为割草机器人遍历路径规划提供理论参考。     

Multi-Bug全局路径规划算法研究

提出一种基于Multi-Bug思想的非搜索全局路径规划算法。在Multi-Bug算法中,借用传统Bug算法的寻路逻辑,加入遇到障碍物时的爬虫分裂规则及爬虫死亡条件判断规则,直至其中一只爬虫以相对最优路径抵达终点,从而实现多路径并行运算的局部最优寻路策略。利用栅格法对多类障碍物、迷宫类地图等环境进行建模,并与Dist-Bug算法、RRT*和A*算法进行路径长度及运算时间的对比仿真实验,结果表明,采用Multi-Bug算法获得的路径长度和用时都表现得更加稳定;与获得最短路径的A*算法相比,Multi-Bug算法获得的平均路径长度仅增加了16. 8%,平均用时减少了86. 5%。经理论分析及仿真验证,Multi-Bug算法时间复杂度为O(n),具有路径较短、时效性强、算法通用性和稳定性好的路径规划性能。     

复杂环境下农业机器人路径规划优化方法

针对在室外复杂环境下作业的农业机器人存在因能量受限导致工作完成率降低的问题,提出了一种基于改进的启发式搜索的ECA~*路径规划算法,该算法可以在资源受限的情况下完成能量损耗最优路径的规划。首先,通过建立机器人距离-能量损耗模型,计算机器人移动行进的路程和损耗的能量,并对未来的路径和能耗趋势进行评估。然后,在传统A~*算法的基础上,将距离-能量损耗模型代入启发代价函数,通过搜索扩展子节点寻找最优路径。在每次迭代过程中,通过对比剔除处于劣势的路径,以保证算法的高效性。最后,通过设计仿真实验,将改进的ECA~*算法与传统的A~*算法搜索到路径的能量损耗进行对比,并在之后的改进算法中添加相应的能量约束进行计算。仿真结果表明,改进算法减少14. 87%能量消耗,验证了ECA~*算法的有效性。     

基于CTB-RRT*的果蔬采摘机械臂运动路径规划

针对多自由度果蔬采摘机械臂运动路径规划速度慢、效率低、路径成本高的问题,提出了柯西目标引力双向RRT*（Cauchy target gravitational bidirectional RRT*,CTB-RRT*）算法,通过柯西分布的方法进行启发式采样,降低采样的盲目性;引入目标引力,并动态调节随机生长方向和目标方向的步长,提高局部搜索速度;引入节点拒绝策略,剔除不必要的采样节点,提高计算效率。通过二维和三维算法模拟实验,6自由度机械臂的避障采摘模拟实验验证了提出算法的有效性。仿真实验结果表明：相比于RRT*-connect算法,改进算法的路径成本缩短了5.5%,运行时间降低了71.8%,采样节点数下降了64.2%。在机器人操作系统（Robot operating system, ROS）中控制6自由度机械臂执行避障采摘运动,运动成功率达到99%,运行时间为0.33s,相比于RRT*-connect算法,路径成本降低了12.6%,运行时间减少了69.2%,扩展节点数减少了76.3%。     

基于改进A*与DWA算法融合的温室机器人路径规划

根据温室环境下移动机器人作业的实时路径规划要求,提出一种基于改进A*算法与动态窗口法相结合的温室机器人路径规划算法.针对传统A*算法搜索算法拐点过多的问题,对关键点选取策略进行改进,融合动态窗口法,构建全局最优路径评价函数,采用超声传感器进行局部避障,实现实时最优的路径规划.仿真实验结果证明,与传统A*、Dijkstr...     

基于启发式搜索算法的自动采摘机器人路径规划研究

对启发式搜索算法进行了分析和介绍,并选择采用A*算法进行自动采摘机器人路径规划研究。研究了采摘机器人路径规划的二维空间环境的模型,并采用栅格法建立了采摘机器人路径规划空间模型。利用MatLab软件对模型进行了仿真实验,结果表明:改进的A*算法可以明显改善采摘机器人移动路径,使规划的路径更加平滑,证实了改进算法的可行性和优越性。     

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ROS的室内自主导航移动机器人的研制

【目的】解决传统AGV机器人体积大、成本高、受限于固定路径等问题。【方法】本研究提出了一种以低成本、轻量化和结构简单为设计理念的室内移动机器人。为了降低制造成本确定了机器人的整体结构,双驱动电机与福来轮组成三轮结构。机器人采用基于ROS系统的控制方案、上位机与下位机结合的控制方式,使用激光雷达作为SLAM的传感器并用磁编码器作为里程计。本研究深入分析了A*全局规划算法,并提出了改进的A*算法。同时采用DMA（动态窗口法）作为局部路径规划算法,通过搭建实际移动机器人,进行SLAM建图实验、自主导航实验和避障实验。【结果】实验结果表明,该机器人能够进行室内的自主导航并且在全局路径规划速度方面有较大的提升,使用改进后的A*算法后,平均路径规划效率提升了31.1%。【结论】本研究为我国移动机器人技术的发展和产业化提出了一种性能优越、成本低、结构简单的移动机器人设计方案。     

基于双向搜索策略的改进蚁群路径规划算法

针对在多障碍物地形中将传统蚁群算法运用在移动机器人路径规划问题上出现收敛速度慢,容易陷入局部最优,易于陷入死锁等一系列问题,提出了一种改进蚁群算法。在传统蚁群算法的基础上,根据蚂蚁周围可行栅格距离目标点的远近,自适应地调整启发函数,加快算法收敛速度;针对传统蚁群所用的回退和死亡策略,提出了一种最优路径保留策略,提高了算法性能;使用两组不同种类的蚂蚁分别从起始点和目标点进行双向搜索的方法来构建最优路径,进一步提升了算法的搜索效率。实验表明该方法与传统的蚁群算法相比减少了搜索时间,降低了迭代次数,明显提高了算法的寻优效率。     

基于改进A *算法的电动车能耗最优路径规划

提出一种基于改进A*算法的电动车能耗最优路径规划方法。根据车辆运行时的能耗,考虑能量损失与回收等因素,建立了运行能耗函数。设计了新的启发式能耗预估代价对A*算法进行改进,证明了所提出的启发式能耗预估代价满足可采纳性和一致性,确保改进的A*算法可获得能耗最优路径。针对电动车的里程焦虑问题,基于改进的A*算法,建立了根据车载电池的剩余电量、充电站位置、终点位置来寻找可达的能耗最小路径方法。仿真实验表明,提出的方法可以找到起点到终点的能耗最小路径,当车载电池能量不足时,可以找到经过充电站的可行最小能耗路径,减少里程焦虑,验证了所提方法的合理性和可行性。     

基于改进AD~*算法的低能耗移动机器人最优路径规划

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。考虑到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~*)算法的低能耗移动机器人最优路径规划方法,该方法可以降低能耗,又兼顾距离约束和时间约束。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。     

基于改进RRT*-Connect算法的机械臂多场景运动规划

针对RRT*-Connect算法在机械臂运动规划过程中存在效率低、精度差等问题,本文提出一种基于自适应步长的启发式RRT*-Connect机械臂运动规划算法。引入目标偏向策略进行椭球子集约束采样,使采样点能够更快地收敛到最优值。在扩展节点时,设计一种自适应步长策略以减少算法的迭代次数,并有效缩短规划路径的长度。当搜索树中总节点数大于预设阈值时,通过搜索树优化剪枝方法对搜索树进行剪枝,删除无效的采样点,进一步降低运行时间。为了验证本文算法的优势,在多种规划场景下分别与RRT*、RRT*-Connect、IRRT*算法进行了Matlab仿真对比。仿真结果表明,本文算法在规划过程中收敛速度更快,精度和效率更高。为了验证本文算法的实用性,构造了不同障碍物实验场景,在Sawyer机械臂实验平台进行实验验证。实验结果表明,本文算法在不同障碍环境下具有较强的适应能力。     

基于动态反馈A*蚁群算法的平滑路径规划方法

针对移动机器人提出了一种基于动态反馈A~*蚁群算法的平滑路径规划方法。首先,为了克服蚁群算法收敛速度慢的缺点,提出了简化A~*算法来优化初始信息素设置以解决初次搜索的盲目性,并借鉴多策略进化机制加强算法的全局搜索能力。其次,为了进一步提高算法在路径规划中的适应能力,解决陷入局部极小和停滞问题,引入闭环反馈思想来实现参数的动态自适应调节。最后,结合三次B样条曲线对所规划的路径进行平滑处理,以满足移动机器人实际运动路径的要求。通过仿真表明:与原蚁群算法相比,动态反馈A~*蚁群算法平均可减少10.4%的路径成本和65.8%的计算时长。同时,该算法在动态和静态环境中,均能快速规划出一条光滑优质路径。     

基于VS-IRRT算法的采摘机械臂路径规划

针对多自由度机械臂在采摘过程中出现的路径规划速度慢、路径成本高以及因视觉定位误差和机械臂关节位置误差引起的采摘失败问题,提出了结合视觉伺服的改进随机快速搜索树算法(Improved rapidly-exploring random trees with visual servoing, VS-IRRT),具体包括改进RRT算法和基于平移控制器的视觉伺服方法。改进的RRT算法通过使用基于超椭球引力偏置的采样方法和密度减小策略,增加树拓展的目的性,减小了树的采样密度,提高路径规划效率;引入贪心思想和B样条曲线,剔除多余节点,对剩下折线进行平滑处理,优化路径在机械臂上的实施效果;结合基于平移控制器的视觉伺服控制,减小了定位误差对采摘过程的影响。使用Matlab分别对改进RRT算法和基于平移控制器的视觉伺服在二维和三维空间中进行仿真模拟试验,结果表明,改进的RRT算法的采样点数较RRT^*-connect算法减少92.9%,规划时间较RRT^*-connect算法减少86.1%,路径成本较RRT算法也减少35.2%。使用六自由度机械臂进行采摘试验,VS-...