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。     

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%。     

基于自适应蚁群算法的农用智能机器人路径规划

针对田间农用智能机器人路径规划问题,结合蚁群算法特点,提出一种基于自适应蚁群算法的路径规划方法,目的是在信息采集、田间巡检、果蔬采摘及作物搬运等操作中,利用所提方法为农用智能机器人搜索出一条距离最短的优化路径,确保其能沿着该优化路径顺利达到指定作物种植区,完成指定工作任务。该方法通过引入自适应调整信息素挥发系数、更改信息素更新机制和限定信息素阈值等策略,对传统蚁群算法进行了优化改进。仿真结果显示,在100 m×100 m作物种植区模型内,改进算法能有效解决农用智能机器人路径规划问题;改进算法规划的最佳路径长度较传统蚁群算法和禁忌搜索算法分别减少3.745 1 m和16.387 6 m;改进算法规划最佳路径所需程序迭代次数较传统蚁群算法和禁忌搜索算法分别减少13代和31代,结果表明,与传统蚁群算法和禁忌搜索算法相比,改进算法具有较强的全局搜索能力和较好的收敛性能。     

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.     

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。     

基于改进蚁群算法的蔬菜大田无人农机路径优化

推进蔬菜机械化与无人化种植能够保障优良的蔬菜规模化种植技术效益,有力保证蔬菜质量与品质,有利于蔬菜规模化生产种植技术产业体系的发展。利用无人拖拉机作业GPS定位点集将实际农业作业区域转化为规则矩形,在此基础上建立以无人拖拉机总转弯距离最短为优化模型,采用蚁群算法对无人拖拉机耕地作业路径序列进行搜索。同时考虑到传统蚁群算法易陷入局部最优、全局搜索能力不足等问题,提出一种基于和声搜索策略的改进蚁群算法,通过引入sigmoid函数与和声搜索机制改善路径搜索能力,得到高质量耕地作业路径序列。将传统蚁群算法(AC)、精英蚁群算法(ELAC)作为对比算法,将传统梭形、回形作业方法作为路径对比作业方法,针对不同耕地作业规模进行无人拖拉机作业路径搜索试验。结果表明,本文算法得到的总转弯距离较梭形耕法降低35.53%～43.08%、较回形耕法降低24.98%～86.88%。精英蚁群算法在小规模作业区域中性能较优,但随着蔬菜大田规模扩大,改进和声蚁群算法优化效果更明显。     

基于贪心—蚁群钵苗自动移栽路径分段优化算法研究

针对由于穴盘孔数增大,蚁群算法收敛速度慢,且难于达到全局最优的问题,综合蚁群算法和贪心算法的优点,提出基于贪心—蚁群钵苗自动移栽路径分段寻优算法(GACS算法)。GACS算法首先将穴盘进行分段,然后利用蚁群算法进行段内最优路径,最后利用贪心算法确定段间最优连接路径,从而实现钵苗自动移栽路径达到全局最优。以运行时间和路径长度为评价指标,将GACS算法与蚁群算法进行对比。结果表明:分段数是算法重要参数,50、72和128规格穴盘,所对应的最佳分段数分别为2、4和6。由于采用分段策略,GACS算法较蚁群算法在性能上有了显著提高,算法时间缩短到蚁群算法的20%以下,最优路径长度比蚁群算法更短,算法收敛速度更快。GACS算法能够有效地解决钵苗自动移栽过程中的路径优化问题,提高移栽效率。     

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。     

基于骨架关键点重规划的Voronoi图法路径规划

针对目前的Voronoi路径规划算法生成的Voronoi图弯曲冗余,依据Voronoi地图规划路径实时性差,规划出的路径弯曲,机器人导航时转折次数多、时间成本高、效率低等问题,提出一种基于骨架关键点重规划的Voronoi图法路径规划算法。首先对机器人构建的二维栅格地图进行预处理,去掉地图中的噪点和毛边,填充边界上细微的裂缝,然后提取地图的骨架,搜索出骨架中的关键点,将关键点按原来的相邻点连接关系重新连接,生成新的笔直的骨架,并采用降梯度采样方法平滑依据骨架规划出的路径。在经过多次仿真实验和实际实验验证后,证明本文算法生成的骨架比目前的Voronoi图和骨架更加简洁,数据量更小,机器人基于优化后的Voronoi地图能够更加快速规划出笔直的路径,具有良好的实时性,规划出的路径更短,转折次数更少,机器人导航过程中能够迅速到达目标点,导航效率高。     

基于改进蚁群算法的农田平地导航三维路径规划方法

为解决农田平地机无人驾驶作业时缺乏局部规划,进而实现平地路径在线调整的问题,以平地作业土方合理运卸且路径最短为目的,提出了一种基于改进蚁群算法的农田平地导航三维路径规划方法。基于农田三维地势模型,采用改进的蚁群算法规划三维路径：以平地作业土方运载为决策方向,建立新的路径搜索节点,对比平地机作业时平地铲运载土方量和经过栅格计算所需的挖填土方量,根据土方运载任务设置信息素更新规则和启发函数,获取农田平地的最佳三维路径;基于平地机的运动学模型,设置农田平地机转向约束条件,根据约束条件对路径进行平滑优化,并建立三维路径规划的效果评价标准。仿真结果表明：相比于原始蚁群算法,该方法的路径规划效果评价指标提高33.3%以上,可以更好地指导农田平地机实现局部平地任务,而且大大缩短了路径生成时间和路径长度,使路径更为平滑,更适用于辅助农田平地的自动导航作业。     

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...     

移动机器人平滑JPS路径规划与轨迹优化方法

针对目前路径规划方法存在的平滑性和效率问题,在JPS算法基础上提出了兼顾平滑性与搜索效率的路径规划方法,并利用多项式进行了轨迹优化。首先,提出2个优化目标对路径序列进行优化处理;然后,对JPS搜索规则进行改进,得到更多有价值的路径,并对每条路径进行平滑处理,再以一定规则进行选择;最后,使用多段高阶多项式对所得路径进行轨迹优化,研究时间分配问题,从而加快迭代效率。通过仿真实验和与其他算法的对比证明了本文方法的可行性和有效性。结果表明,在不同障碍物密度环境下,本文路径规划方法得到了平滑性良好的路径,相对平滑后处理JPS,长度减少了0.48%~1.80%,总转折角减少了16.93%~52.75%,利用余弦函数进行时间分配加快了轨迹优化的迭代效率,通过实验验证得到了良好的效果。     

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。