基于模糊滚动RRT算法的移动机器人路径规划

研究了环境未知情况下的移动机器人路径规划问题,将快速扩展随机树(RRT)算法与基于滚动窗口的路径规划相结合,提出一种新的移动机器人路径规划算法,克服了RRT算法通常只能在已知环境中进行移动机器人路径规划的限制。规划时只考虑窗口环境地图,提高了RRT算法规划效率,保证了算法的实时性。针对RRT算法路径规划缺乏确定性的问题,结合人类经验及模糊控制理论,以概率来随机取点,并引入启发式估价函数,使随机树易于朝目标点方向生长。同时运用回归分析生成新节点,增强了算法搜索未知空间的能力,避免了可能产生的局部极小。最后仿真实验验证了该算法的有效性。     

基于改进快速扩展随机树算法的移动机器人路径规划

针对快速扩展随机树(RRT)算法为移动机器人规划的路径存在曲折冗长,且容易与障碍接触过近的问题,提出了一种改进的RRT算法;设计了新的临时目标点选取规则以及自适应步长调整策略;考虑到移动机器人的自身约束条件,设置了最小转弯半径和最小安全距离约束,并对规划出的路径进行平滑处理。仿真实验结果表明,改进的RRT算法能够有效地生成移动机器人的可行路径,与传统的RRT算法相比,在宽敞环境和狭窄环境中的平均路径长度分别减小了77.41和20.09,规划所得路径较为平滑,能够与障碍物保持一定的距离。     

基于改进蚁群算法的二维码移动机器人路径规划方法

针对在结构化栅格工作环境下,基于蚁群算法的路径规划存在停滞和收敛速度慢的问题,提出了一种基于改进蚁群算法的二维码移动机器人路径规划方法.通过限制蚂蚁的搜索方向,即将机器人置于结构化栅格工作环境下,使其只能在水平和垂直方向上移动,进而提高算法的搜索效率.引入自适应期望函数和启发因子,动态调整状态转移概率,避免算法陷入停滞状态,提高算法的收敛速度.针对机器人在转弯过程中耗费时间较长的问题,通过引入转弯影响因子得到扩展路径长度,进而根据扩展路径长度选取最优路径.实验结果表明,提出的方法可以为二维码移动机器人规划出最优路径.     

基于改进萤火虫算法与动态窗口法融合的移动机器人动态路径规划

针对传统萤火虫算法无法有效躲避未知障碍物、收敛速度慢、易陷入局部最优等问题,对其进行了改进,并将其与动态窗口法相结合,从而提出了一种移动机器人动态路径规划新算法。通过三种策略对萤火虫算法进行了改进：首先,采用Skew Tent混沌映射产生混沌序列对萤火虫种群进行初始化,提高萤火虫算法的全局收敛速度;其次,引入自适应步长平衡萤火虫算法全局和局部最优;最后采用差分进化算法通过变异、交叉和选择操作加强萤火虫算法的搜索能力。然后将改进萤火虫算法与动态窗口法相结合,使移动机器人在全局最优路径的基础上进行实时动态路径规划,在能保证全局最优路径的基础上有效躲避未知障碍物。本文基于MATLAB进行了仿真,仿真结果验证了所提算法的有效性。     

基于改进蚁群算法的移动机器人路径规划

针对蚁群算法应用于移动机器人路径规划时存在易于陷入局部最优解、收敛速度慢的问题,提出了一种适用于静态障碍环境下基于改进蚁群算法的移动机器人路径规划方法。该方法改进了节点间的状态转移规则,增加了得到最优路径的概率;自适应调整启发函数,提高了算法的搜索效率;基于狼群法则对信息素进行更新,有效避免了算法陷入局部最优解;动态调整了衰减系数,在后期增加了蚂蚁对最优路径的选择概率,加快了算法的收敛速度。仿真实验表明,与其他算法在相同环境下比较,该改进算法在路径规划结果相同的情况下具有较快的收敛速度;且改进算法在不同复杂程度环境中均得到了最优路径,也表明了该算法的有效性和可靠性。该算法具有良好的寻优能力,可以适用于不同复杂环境中的移动机器人路径规划。     

一种基于RRT-ConCon改进的路径规划算法

针对RRT算法缺乏稳定性和收敛速度慢的问题,基于RRT-ConCon算法和朝向目标搜索的策略,提出了一种改进的双向搜索路径规划算法.该算法通过改变两条搜索路径的临时扩展目标点,使搜索路径不仅易于朝着目标点方向生长,而且提高了算法的稳定性,同时可以保证规划的路径接近最优解.改进的RRT-ConCon算法利用随机节点生成函数,使朝着目标点生长的搜索路径避免陷入局部极小值.同时,为了测试各种仿真实验环境,还设计了一种仿真实验环境平台,实验结果验证了本算法的有效性和稳定性.     

改进蚁群优化算法求解移动机器人路径规划问题

针对蚂蚁双向并行搜索策略会丢失蚂蚁间的部分可行路径甚至最优路径的问题,该文采用栅格法建立移动机器人环境模型,提出了根据信息素判断蚂蚁是否相遇的新的蚂蚁相遇判别法。为避免算法陷入局部最优,提出了综合考虑多种因素的新的路径选择策略和全局信息素更新策略。二维环境下的仿真研究表明,只要路径客观存在,算法就能快速地规划出相应的安全路径。     

基于改进蚁群算法的移动机器人路径规划

针对蚁群算法中收敛速度和局部最优的矛盾,提出一种适用于静态环境的基于改进蚁群算法的移动机器人路径规划方法.在环境建模方面,利用机器人起点和终点的位置建立环境的可视图.改进的蚁群算法将环境中局部的路径信息加入到信息素的初始化和路径选择概率中,提高了算法收敛速度的同时尽可能地避免算法早熟.当算法陷入停滞时,引入交叉操作并调整α,β和ρ的值,增加了算法的逃逸能力.仿真结果证明了所提方法提高了最优路径的搜索效率,整体性能优于标准蚁群算法.     

基于改进ACS算法的移动机器人路径规划研究

针对蚁群系统(Ant Colony System,ACS)算法存在收敛速度慢、路径不平滑、易陷入局部最优等缺点,提出了一种基于万有引力搜索策略的ACS算法.为了解决算法初期由于地图信息匮乏,导致蚁群寻路盲目性较大的问题,提出了简化ACS算法对初始信息素浓度进行更新.引入万有引力算法搜索策略,提升了算法收敛速度,且有效解决了局部最优问题.对每次迭代获取到的最优路径进行优化,减少了路径的转折点数量、提升了路径平滑性.仿真试验表明,改进算法能够有效提升算法的收敛速度、路径平滑性.将改进算法应用到实际的移动机器人导航试验中,试验结果表明,改进算法能够有效解决移动机器人的路径规划问题,且有效提升移动机器人的导航效率.     

基于改进混合遗传算法的无人车路径规划

针对无人车路径规划算法普遍存在收敛速度慢、陷入局部最优解、忽略了环境建模技术与路径规划算法的相互适用性等问题,提出了一种基于自由空间法的融合Bellman-Ford算法和精英交叉机制遗传算法的改进混合遗传算法,通过Bellman-Ford算法搜索出连通图中的最短路径,并运用精英交叉机制遗传算法优化粗路径点,从而搜索出环境中从初始点到目标点的最短安全路径。MATLAB仿真结果表明,该算法搜索性能好,收敛速度快,稳定性高。     

基于双层协调体系的多移动机器人路径规划方法

针对多移动机器人系统中路径规划全局最优与局部协调的兼容性需求,提出了一种基于双层协调体系的路径规划方法。结合路径组亲和度评价提出改进的免疫协同进化算法并完成全局路径规划,提高了规划效率和全局路径质量;根据初始条件和全局路径信息,判断系统中各机器人可能出现碰撞的位置,提出基于优先级机制的动态窗口法在相应位置附近完成路径的局部协调;最终在全局最优路径基础上实现机器人的局部路径协调避碰。试验结果表明,该路径规划方法使机器人沿全局最优路径行驶时,仍能进行灵活有序的局部路径协调,有效提高了系统的路径规划性能。     

基于边界约束RRT的未知环境探索方法

针对移动机器人未知环境探索有效性问题,对传统快速扩展随机树( RRT)算法进行改进,降低了探索盲目性.提出一种未知环境探索的路径规划方法,该方法借助环境局部知识,对目标进行包围式搜索,同时制定了环境动态因素分割策略,完成环境的全过程探索.仿真验证表明:该方法提高了环境探索的有效性和主动性.     

基于改进狼群算法的移动机器人路径规划

为了获取机器人全局最优路径,文章提出一种基于改进的狼群算法移动机器人路径规划。首先运用栅格法对机器人环境进行建模;然后提出一种改进的狼群算法,该算法提出并行游走机制,进一步提高探狼的局部搜索能力;构建智能奔袭行为,提高猛狼自适应调节能力;提出向心围攻策略,使得算法收敛到全局最优。6类测试函数的仿真结果表明,改进的算法在局部搜索能力和自适应调节能力更强、收敛精度更高、收敛速度更快。移动机器人路径规划的仿真实验所涉及到的参数较多,文章利用Taguchi方法的三因素三水平正交试验法选取了最佳的参数组合。最后将改进的狼群算法和狼群算法都进行路径规划的仿真实验,结果表明,改进的算法在解决机器人路径规划问题上更有效。     

基于改进RRT算法的移动机器人路径规划研究

路径规划是移动机器人开发的核心技术,而传统RRT算法所规划的路径距离长、拐点多,对RRT算法进行改进,引入A~*算法思想,改进待扩展节点的选择。引入人工势力场思想,改进扩展方向的选择。对规划的路径消除冗余点,并采用三次样条函数进行平滑处理。将改进的RRT算法应用于虚拟简单环境地图、虚拟复杂环境地图中,结果表明改进RRT算法所规划的路径平顺性好、路径长度短且所用时间短。最后将改进的RRT算法应用于实际的移动机器人路径规划中,路径规划结果验证了该算法的可行性。     

基于CM-Q学习的自主移动机器人局部路径规划

针对多障碍物未知环境下,自主移动机器人局部路径规划过程中出现的路径冗余和避障问题,提出了基于坐标匹配的Q学习算法(Coordinate Matching-Q learning算法,CM-Q算法)。首先建立自主移动机器人栅格地图运行环境;其次以Q学习算法探索和学习最佳状态-动作对,并利用坐标匹配的CM算法进行避障;最后在未知障碍物环境中进行路径规划,对所提出的算法进行验证。实验结果表明,运用该方法,自主移动机器人能在未知的简单和复杂障碍物环境下规划出一条最优或次优路径,完成避障和路径规划任务。     

改进的DDPG算法在机器人路径规划中的应用

深度强化学习(DRL)在连续控制问题中具有优异的性能,被广泛用于路径规划等领域.为了实现移动机器人在未知环境中的智能路径规划,提出了一个路径规划的模型,基于深度确定性策略梯度算法(Deep Deterministic Policy Gradient,DDPG)的自主路径规划模型.针对DDPG算法前期对环境没有先验知识,收敛速度慢和移动时会出现局部最优情况,提出了一种改进的DDPG算法.通过在DDPG算法中添加人工势场的引力场和斥力场,以加快收敛速度和移动机器人到达目标点的时间.对奖赏函数进行改进,增加直走奖励,以提高规划路径的稳定性.     

基于改进人工势场法的移动机器人局部路径规划

为解决传统人工势场法在移动机器人局部路径规划中存在的缺陷,提高其路径规划的性能,提出了改进的人工势场法。将引力作用阈值引入引力势场函数,解决引力过大问题;在斥力势场函数中引入目标点与移动机器人之间的距离,解决目标不可达问题;根据环境复杂度,提出了自适应速度调节机制;针对局部极小值问题,分别提出了APF-v1和APF-v2两种构建虚拟目标点的方法,引导移动机器人走出陷阱区域。最后在ROS机器人操作系统中对改进的算法进行了对比实验,结果表明,改进的算法可以克服目标不可达、局部极小值等问题,并且在计算量、路径规划时间和步数等方面具有一定的优越性。     

移动机器人路径规划算法综述

为提高机器人路径规划的搜索速度,缩短搜索时间,总结归纳移动机器人在路径规划问题上的算法及其特点。首先回顾移动机器人发展历史,并对路径规划技术进行概述; 其次对移动机器人路径规划进行分类总结,并从移动机器人对环境掌握情况的角度出发,将移动机器人路径规划分成全局规划和局部规划两类,然后对全局规划和局部规划的相关算法进行综述,同时对相关算法发展现状及优缺点进行总结。最后指出机器人路径规划技术在改进算法、混合算法、多机器人协作、复杂环境以及多维环境下进一步深入研究的未来发展趋势。     

基于MMAS的机器人路径规划

文章针对移动机器人系统在复杂环境中搜索目标和寻求最短路径问题,介绍了一种基于MMAS的机器人路径规划新方法;在MMAS算法的信息素更新中,采用了最大-最小蚂蚁系统的思想动态调整信息素,加强了正反馈的效果,同时周游最优蚂蚁和全局最优蚂蚁路径信息的动态更新,在一定程度上增加了解的多样性,也提高了蚂蚁的搜索效率;在搜索过程中,采取随机搜索与重点搜索相结合的方式对路径进行搜索,有利于加快搜索较好的解,而动态调整各项参数后,陷入局部解的可能性大大减少,并且可以找到最优解;最后通过仿真证明了该算法的有效性.     

基于蚁群几何优化算法的全局路径规划

将改进的蚁群算法与路径几何优化相结合,用于解决移动机器人的全局路径规划问题.算法结合机器人的越障性能对移动机器人的环境空间进行建模.通过设置初始信息素加快蚂蚁的搜索速度,同时设置自适应信息素挥发机制,解决特定地图中初始信息素的干扰问题;设置自适应路径长度,筛选规划路径的优劣;提出由路径优劣程度决定的信息素散播策略,并从几何原理出发,对规划路径进行优化处理,加快最优解的收敛速度.仿真结果验证了该算法的有效性和普遍应用性,在随机给定的环境地图中,该算法能够迅速规划出最优路径.