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。     

基于模糊神经网络算法的机器人路径规划研究

路径规划是移动机器人研究的关键技术之一。在研究模糊理论和神经网络的基础上,提出了一种新的算法,即模糊神经网络。模糊神经网络既可以像神经网络那样并行处理、自行学习,又可以像模糊理论处理模糊信息、完成模糊推理功能。采用模糊神经网络来对移动机器人的路径进行规划,充分发挥模糊理论和神经网络的各自优势,从而获得从起始点到目标点的最优路径。在环境信息完全未知且静态的情况下进行了仿真实验,结果表明:该算法效率高、收敛速度快,有效提高了移动机器人的智能化水平。     

基于模糊控制器的移动机器人路径规划仿真

借鉴模糊控制的思想来解决移动机器人路径规划中的避碰问题，介绍了模糊控制的理论基础，对路径规划算法进行了推导，在总结经验建立模糊规则的基础上，运用模糊推理，构造出一张实践效果较好的控制响应表．仿真结果表明，该算法应用于移动机器人路径规划具有正确性、实用性和智能性等，该方法计算量小，运算速度快，提高了机器人控制的速度．     

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。     

移动机器人路径规划算法的研究

路径规划技术作为机器人研究领域中的一个重要分支,是依据某些优化准则,在其工作空间中找到一条从起始状态到目标状态的最优无碰路径.本文针对机器人路径规划技术进行了深入地研究,阐述了机器人路径规划问题的三个子问题等内容,讨论了传统路径规划方法 和基于智能算法的路径规划方法 .本文运用传统Dijkstra算法的贪心策略,针对静态环境下移动机器人路径规划的寻路径子问题,提出了一种改进的Dijkstra路径规划算法.该算法借助具有先进先出特点的队列,采用广度优先遍历二维网络结点.该算法在选择邻接结点进行遍历的时候,采用的禁忌策略是禁止访问已经访问的结点,以及被标识为障碍物的结点.实验及分析表明,该算法能准确并快速地寻找到最优路径,且时间复杂度为O(4*n).     

基于改进A~*算法的室内移动机器人路径规划

针对移动机器人在室内定位的特点,在结构化环境下,开发了机器人路径规划系统。在阐述了全局地图构建方法基础上,根据移动机器人的实际运行环境采用栅格法构建了环境地图。利用A*算法进行初步路径规划,其不足之处是路径规划数据中包含了所有规划点的坐标,冗余点较多,且移动机器人无法在拐点处调整自身姿态。针对这些不足,提出了能够计算出拐点、旋转方向及旋转最小角度的A*路径规划改进算法并进行了实验。移动机器人定位实验结果表明:利用改进后的A*路径规划算法不仅简化了路径,而且在拐点处移动机器人能够调整自身姿态,可以较好地满足室内移动机器人全自主运动的要求。     

基于蚁群算法的移动机器人全局路径规划

移动机器人路径规划是机器人学的一个重要研究领域,蚁群算法是一种模拟蚂蚁群体觅食行为的仿生优化算法。结合机器人路径规划的特点,将确定性选择和蚁群算法的随机性选择相结合进行节点转移,每次循环后只对较优蚂蚁路径进行信息素更新,提高了算法收敛的速度;在寻找路径过程中蚂蚁无后继转移节点时,采用蚂蚁回退策略,增强了算法在复杂障碍物环境中寻找路径的健壮性。仿真试验表明,该算法能在障碍物较复杂的情况下迅速规划出较优的全局路径。     

生物激励神经网络路径规划仿真研究与改进

生物激励神经网络移动机器人路径规划方法是一种新颖的方法,可用于在动态不确定环境下生成实时的避障轨迹.本文的仿真结果表明当该方法被应用于点对点路径规划时,生成路径可能不满足路径长度要尽可能短的约束条件;当该方法被应用于全覆盖路径规划时,生成路径可能不满足覆盖过程应有规律和重复覆盖应尽可能少的约束条件.本文对上述出现的不合理现象进行了理论分析并分别提出了在点对点路径规划中引进目标制导和在全覆盖路径规划中引进规则制导的改进方法.仿真结果表明改进方法是有效的.     

基于遗传模拟退火算法的移动机器人静态路径规划

采用多边形法描述了机器人的工作环境模型,应用简化编码长度的技术简化了工作路径编码方式.对于基于遗传算法产生初始路径种群后的各路径的适应值进行评价.经过多次交叉、变异,并借助模拟退火中Metropolis算法的随机移动准则制定了高效的温度更新函数,获得了从起始点到目标点的一条全局最优路径.最后在Visual C++环境中通过仿真验证了此算法的可行性和高效性.     

基于蚂蚁算法的移动机器人路径规划

蚂蚁算法是近几年问世并逐步引起重视的一种新的全局优化仿生算法,它模仿昆虫王国中蚂蚁搜索食物的行为特征,是一种通用型随机优化方法。移动机器人在进行工作时,往往要求根据某一准则,在工作空间沿一条最优（或近似最优）的路线行走。因此首先对移动机器人的规划空间进行链接图表示,然后采用Ford算法求出移动机器人的初始路径,最后运用蚂蚁算法对初始路径进行优化,取得了较好的效果。     

未知环境下基于模糊神经网络的机器人路径规划

为提高移动机器人在未知环境下避障行为的成功率,通过对障碍物信息的输入,从控制输出数据中找出避障行为模式,生成相应的模糊逻辑控制规则,并把模糊控制算法引入到神经网络中,使得模糊控制器规则的在线精度和神经网络的学习速度均有较大的提高,使移动机器人具有较为迅速的反应能力,实现机器人连续、快速地避障并最终到达目标.系统仿真证明了模糊神经网络在移动机器人路径选择中的智能性.     

真空气吸附壁面行走机器人动态路径规划

研究用于真空吸附壁面行走机器人的动态路径规划，提出全局范围内已知障碍避碰的膨胀法和局部区域随机故障避撞的人造热场法，该机器人系统根据环境信息对路径实时生成与控制，增加系统的稳定性和环境的适应性，同时针对壁面走行机器人的作业特点，又引入区域充满运行的概念及方法。     

基于圆弧-直线-圆弧理论的移动机器人路径规划研究

为实现移动机器人点到点的平滑运动,需要规划出一条平滑路径使移动机器人到达目标点的位置和目标方向。针对传统Turn-Run-Turn方法规划的路径不连续,效率低等问题,在双圆弧理论的基础上提出圆弧-直线-圆弧路径规划方法并进行了理论推导。在实验室环境下,采用履带式移动平台对本文提出方法进行了实验验证。实验结果表明,通过该方法可使移动平台到达目标点的位置和方向,其横向误差均值为10.5 cm,纵向误差均值为3.7 cm,方向误差值均值为1.5°。     

基于极限环导航方法的移动机器人动态避障路径规划

结合最小二乘法方法,提出一种新的极限环导航方法。它可以在诸如机器人足球比赛等高度动态环境中,为自主移动机器人进行很好地实时路径规划。首先运用最小二乘法方法得到赛球运动的直线轨迹模型,参照此模型构建出描述赛球运动趋势的椭圆极限环,然后从机器人位置向椭圆作切线,机器人以椭圆上的切点作为路径跟踪的目标点奔向椭圆;通过改变椭圆极限环的半径获得动态路径规划,最终完成目标拦截行为。这种方法将机器人直接奔向赛球的走行方式,改变为奔向赛球运动区域的走行方式;使得机器人在快速到达目标的同时具有很平滑的避障能力。仿真和试验都表明了这种方法在机器人足球比赛中的应用价值。     

基于改进粒子群算法的移动机器人全局路径规划

提出了一种新的移动机器人全局路径规划算法．该算法首先建立机器人工作空间障碍物顶点模型,根据障碍物顶点信息构造一个移动机器人从始点到终点的无碰距离函数,然后用改进的粒子群算法对此路径进行优化, 得到全局最优路径．     

基于广义势场的多机器人避碰算法

针对目前多机器人避碰算法存在的计算复杂、缺乏普适性等的局限性,以传统人工势场法为基础,将协商和意愿引入人工势场范畴,提出了多机器人系统运动规划的广义势场算法．该算法以物理空间障碍为基础构造排斥势场,以意愿为基础构造吸引势场,并通过排斥势场与吸引势场的拓扑积构成人工势场．在人工势场中,通过对势场中微团运动趋势的求解就可得出所需的路径规划．实验证明,该算法不仅具有人工势场法系统模型构造简单、能够进行最优路径规划的优势,而且在系统运行过程中有效地避免了系统死锁的发生．     

移动机器人未知环境自主探测的一种高效算法

针对未知环境中移动机器人自主探测的效率问题,提出了一种拓扑结合几何的自主探测算法.以保证机器人安全为前提,在拓扑和几何两个层面上选择机器人的观测点,从而达到提高探测效率的目的.为了对观测点进行评估,提出了一种新颖的路径规划高效算法.仿真实验结果表明,该算法不仅显著提高了未知环境下机器人自主探测的效率,而且具有很高的计算实时性.