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。     

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。     

基于改进动态规划算法的果园移动机器人路径规划

首先,根据果园移动机器人自身运行特性和果园环境,建立了环境模型;然后,阐述了改进动态规划算法原理;最后,基于改进动态规划算法实现了果园移动机器人的动态路径规划和避障。仿真实验表明：果园移动机器人顺利实现了从起点到终点的无碰撞移动作业,且行走路径最短、转弯数最少,表明算法系统在复杂的动态环境下仍能实现路径规划功能。     

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。     

一种移动机器人路径规划新方法

路径规划是自主移动机器人导航的基本任务,其精度取决于地图构建和定位。一些路径规划算法已经应用于精确的路劲规划过程,比如Dijkstra算法,A*算法等。如果机器人的体积大于栅格地图的栅格单元,传统A*算法路径规划就会不精确,在这种情况下移动机器人很难安全通过门和狭窄的通道。本文提出的新的路径规划方法在障碍物周围虚拟增加障碍栅格单元,有效降低了发生碰撞的可能性。     

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。     

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。     

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。     

无人驾驶路径规划算法综述

根据静、动状态可以把路径规划分为全局路径规划、局部路径规划2个方面,通过对不同形式路径规划方法的属性进行分析,从时间复杂程度、空间复杂程度以及准确度进行讨论,最后对无人驾驶路径规划的发展前景做了符合实际的展望。     

林区火源探测机器人的路径规划仿真研究

林区防火是关系国家林业安全的重要工作之一。为此,使用栅格法对森林火灾探测机器人的工作空间进行简化,通过蚁群算法对其探测区域内的障碍物及局部目标进行路径规划,并据此进行了大量的仿真实验。实验结果表明,该算法简单、快速、高效,特别适合解决复杂环境下的路径规划问题。此算法为研究森林大空间平面范围内的热源自动搜索与逼近的最优路径规划问题奠定了一个基础。     

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...     

移动机器人自主寻路避障启发式动态规划算法

用启发式动态规划算法解决移动机器人自主寻路、避障问题。提出了传感器检测环境状态的方法,以及对传感器检测信息进行归一化处理的方案。对输入、输出量以及学习系统的强化信号进行定义,设计了机器人自主学习寻路、避障的控制策略。定义了连续型强化信号,使机器人通过学习,对优先寻路还是优先避障做出决策判断。为验证启发式动态规划算法在移动机器人寻路、避障问题上的学习能力,设计了3种不同的寻路、避障仿真实验:同目标、不同起始点,同起始点、不同目标,和移动目标仿真实验。仿真结果表明,对于不同的寻路、避障要求,基于启发式动态规划算法的移动机器人具有良好的学习及适应能力。     

动态未知环境下移动机器人的路径规划新方法

首先提出一种基于极坐标空间的、以机器人期望运动方向角为路径优化指标的未知静态环境下移动机器人的路径规划方法.对于动态未知环境下的路径规划,采用自回归模型预测各障碍物位置,并把预测位置视为障碍物下一时刻的瞬时静态位置,从而将动态障碍物环境转换成瞬时静态障碍物环境,应用静态路径规划方法实现动态未知环境的路径规划.     

基于改进粒子群算法的路径规划

传统粒子群算法存在收敛精度低、搜索停滞等缺点,导致机器人路径规划精度低。为了提高路径规划的精度,对传统的粒子群算法进行改进。首先在算法运行的各阶段对惯性权重因子和加速因子同时使用三角函数的变化方式自适应调整,使算法中的参数在算法运行各阶段的配合达到最佳,提高了算法的搜索能力;其次在算法中引入鸡群算法中的母鸡更新方程和小鸡更新方程对搜索停滞的粒子进行扰动,并在引进的方程中使用全局最优解使扰动后的粒子向全局最优解靠近;最后通过函数优化和路径规划两组对比实验,验证了改进算法在问题优化时具有寻优精度高、鲁棒性好的优点。     

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。     

基于最优控制策略的复杂环境移动机器人轨迹规划

复杂环境下移动机器人轨迹规划由于障碍物放置杂乱且无规律,常常面临避障失败的问题。本文将机器人的轨迹规划归结为优化问题,提出了一种基于优化策略的轨迹规划方法。该方法包括3部分：首先,对优化问题的约束建模,包括机器人的运动学模型、变量极值约束、障碍物避碰模型;然后,建立优化求解策略,通过决策变量区间均分、内置插值点和基于拉格朗日多项式的变量描述方式进行离散化,针对离散化导致的约束失效对变量进行等距时间离散并建立惩罚函数,从而实现有效避障;最后,基于随机分形搜索算法对上述优化模型进行求解。仿真结果表明,本文所述方法可以有效解决移动机器人在复杂环境下的障碍物避碰问题。