多障碍环境中基于增强式学习的势场优化和机器人路径规划

该文把增强式学习方法应用于多障碍环境中机器人路径规划,并将增强式学习和路径规划结合,通过工作空间势场的自适应优化学习,实现机器人的全局路径规划,即得到从任何初始位置开始的最优路径。与传统的人工势场方法相比,该方法避免了势场中局部极小点所引起的陷阱区域,并且所得到的路径具有最优特性,计算机仿真实验结果表明,这种学习方法能有效的解决多障碍环境中的机器人路径规划问题。     

基于改进人工势场法的智能车辆避撞路径规划

针对传统人工势场法存在道路边界势场不完善和局部最优问题，文章提出一种改进人工势场法的智能车辆避撞路径规划。引入道路势场函数来描述道路边界，设立虚拟目标点来摆脱局部最优，建立道路环境模型；为了根据周边环境和车辆状态进行实时规划，设计分层避撞路径规划控制器，将道路环境模型引入上层路径规划器的目标函数中，利用模型预测控制(model predictive control, MPC)的优化算法规划出局部避撞路径，再将路径信息输入到下层跟踪控制器进行跟踪。MATLAB/Simulink与CarSim联合仿真实验结果表明，该避撞路径规划对于静态障碍物和动态障碍物都可以规划出平滑无碰撞的路径，保证车辆行驶的稳定性和安全性。     

基于混沌人工势场法的机器人路径规划

本文以人工势场法为基础,提出了一种基于混沌人工势场法的机器人路径规划方法,该方法解决了传统人工势场法存在局部最优点问题、在相近障碍物间不能发现路径、在障碍物前震荡、在狭窄通道中摆动等缺陷。仿真试验表明,该方法能有效的实现机器人路径规划。     

多机器人路径规划中的一种混合算法

针对动态环境中多移动机器人路径规划问题,将协同进化算法和改进人工势场法相结合,提出了一种全局路径规划和局部路径规划有效结合的新方法。仿真结果验证了该算法在多移动机器人路径规划中的可行性和有效性。     

基于人工势场法的移动机器人路径规划研究

人工势场法是移动机器人路径规划的一种常用方法,是势场法思想的起源,是最基础的方法。笔者利用人工势场法原理对移动机器人路径规划进行了研究,并通过MATLAB进行仿真。     

多机器人路径规划中的一种混合算法

针对动态环境中多移动机器人路径规划问题,将协同进化算法和改进人工势场法相结合,提出了一种全局路径规划和局部路径规划有效结合的新方法.仿真结果验证了该算法在多移动机器人路径规划中的可行性和有效性.     

基于A星算法与人工势场法的无人机路径规划

为简化无人机飞行路径规划算法并提高其避障效果,本文提出一种人工势场法和A星算法相结合的路径规划算法:以人工势场法指导全局路径规划,通过引力场控制无人机的飞行方向;以A星算法指导局部路径规划,避让大型障碍物.仿真试验证明,该算法与人工势场法和A星算法相比,提高了避障效果,缩短了搜索时间.     

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.     

基于改进人工势场法的移动机器入路径规划

在移动机器人路径规划任务中,针对传统人工势场法中存在的目标不可达问题,提出了一种新的斥力改进函数的设计方法。在原来的斥力函数中加入一个调节因子,并对障碍物的作用范围采用人为分段的方式,有效解决了目标不可达问题,使机器人能够顺利到达目标点。将改进后的人工势场法应用于移动机器人路径规划,并利用M atlab软件进行了仿真实验。实验结果表明,基于改进人工势场法的移动机器人路径规划算法简单、有效。     

基于遗传势场法的足球机器人路径规划

以足球机器人系统为研究背景,采用了人工势场法和遗传算法相结合的方法,实现了足球机器人路径规划.首先根据势场原理设计可调参数的势场函数,再规划出已知环境下可调参数的势场函数,然后设计遗传算法中的相关适应值函数,最后用遗传算法优化势场函数中的参数,得到遗传势场法.同时利用C++编程实现遗传势场法的仿真平台,并在该平台上进行仿真实验,结果表明,遗传势场法具有避障以及适于在实时环境中使用的优点,在解决实际路径规划问题中是行之有效的.     

基于改进遗传算法和改进人工势场法的复杂环境下移动机器人路径规划

为了提高移动机器人在复杂环境下的路径规划能力,通过双层路径规划思想研究了移动机器人路径规划问题。用栅格法对机器人工作环境进行建模,首先采用改进的遗传算法进行全局路径规划,解决了由于交叉概率和变异概率选择不当导致最优个体丢失的问题;然后在规划好的全局路径的基础上利用改进的人工势场法进行局部动态避障,解决了局部极小点问题。结果表明:静态环境下,采用改进遗传算法规划出的最优路径,与传统遗传算法相比其长度缩短了1. 47 m,收敛速度加快;动态环境下,采用改进人工势场法进行路径规划,所用时间与基本人工势场法相比缩短了7. 24 s;复杂环境下,移动机器人采用双层路径规划思想能够规划出一条优化路径。可见改进后的算法是有效的。     

改进人工人群搜索算法在基于LBS物流配送中的应用

以基于LBS物流系统的物流车辆路径规划为研究对象,将一种改进人工势场法与人群搜索算法相结合,对LBS系统中物流车辆的路径规划进行优化.该算法首先利用LBS系统获取环境信息,包括车辆、目标和障碍物的位置和速度信息,其次在基本人工势场法的基础上加入速度因子,使配送车辆初步形成能躲避障碍物并追踪动态物流对象的可行性路径,随后利用人群搜索算法,在可行性路径中搜索最短路径,进而生成物流车辆至动态物流对象的最优路径.该算法有效的将改进式人工势场法和人群搜索算法紧密结合在一起,通过仿真实验证明了该算法在基于LBS的物流系统中物流配送路径规划的有效性,同时将该算法与传统路径规划A*算法进行对比,证明该算法有效的提高了系统中的整体搜索效率.     

基于改进人工势场法的移动机器人路径规划

在移动机器人路径规划任务中,针对传统人工势场法中存在的目标不可达问题,提出了一种新的斥力改进函数的设计方法.在原来的斥力函数中加入一个调节因子,并对障碍物的作用范围采用人为分段的方式,有效解决了目标不可达问题,使机器人能够顺利到达目标点.将改进后的人工势场法应用于移动机器人路径规划,并利用Matlab软件进行了仿真实验.实验结果表明,基于改进人工势场法的移动机器人路径规划算法简单、有效.     

基于改进人工势场法的移动机器人路径规划

为解决传统人工势场法存在局部极小值问题而导致路径规划失败问题,提出了基于改进人工势场的角度偏移法,使机器人迅速逃离局部极小值点,成功规划出一条平滑无碰撞路径。仿真实验证明了该方法规划的有效性。     

多因素改进势场蚁群算法的路径规划

针对路径规划算法中蚁群算法对目标点盲目性较大且无法应对多路况等问题,提出了一种多因素改进势场蚁群算法.首先,算法引入人工势场法重新构造路径长度启发函数并加入势场力递减系数,从而解决蚁群算法迭代时间长且易陷入局部最优解的问题;然后,综合考虑了势场路径长度因子,路径平缓性因子以及平滑性因子,构建新的多因子启发式函数,以适应复杂多变的路面环境;最后,运用动态切点法对路径进行平滑处理,提高路径整体质量.仿真实验表明,该算法在复杂颠簸路面情况下具有较好的适应力,能够有效解决机器人路径规划问题.     

基于人工势场的机器人动态路径规划新方法

针对传统机器人路径规划方法仅考虑静态环境的问题,建立了一种基于人工势场的移动机器人动态路径规划新方法.移动机器人运动环境通常是复杂多变的,在动态环境下,目标点、障碍物可能都是运动的,另外,存在运动轨迹未知的随机障碍物等,针对移动环境的动态情况,在传统人工势场法相对位置势场的基础上引入相对速度势场,充分利用量子粒子群算法,对引力势场和斥力势场的增益系数进行一定的优化.以量子粒子群的优化算法进行快速全局搜索,结合人工势场操作,对引力场和斥力场增益系数进行优化,该方法易于实时快速地对机器人进行控制.仿真结果表明,基于量子粒子群算法的人工势场法的路径规划模型能够得到平滑、安全的路径,具有较高的性能.该方法可以有效地实现机器人的动态路径规划.     

复杂环境下移动机器人路径规划算法

对复杂环境下移动机器人全局和局部路径规划问题进行研究,提出一种全局-局部混合模式的路径规划方法.首先,对全局运动空间进行建模,运用全局模式规划一条从起点到终点的全局路径;然后,针对空间中影响机器人运动的移动物体,通过位置、速度分析碰撞的可能性,从而进行局部路径规划;最后,基于MATLAB仿真平台,将文中方法与经典人工势场法、改进人工势场法进行对比实验.实验结果表明:文中方法在机器人路径规划任务中的总时长和总长度均优于其他两种方法.     

改进的足球机器人局部极小值的研究

针对传统人工势场法在足球机器人路径规划中的局限,提出通过改造斥力模型,从而解决算法在静态路径规划中存在的局部极小值问题.通过引入速度势场产生速度斥力,从而解决算法不适应动态环境和动态环境存在的局部极小值问题.仿真验证了算法的有效性.     

基于混合人工势场-蚁群算法的机器人避障

针对移动机器人避障的路径规划问题,提出一种基于混合人工势场-蚁群算法的方法。在栅格环境中,以人工势场法的规划信息作为蚁群算法寻优的基础,引入势场合力作为蚂蚁搜索路径点的部分启发信息。Mat-lab7.6仿真表明,该方法解决了人工势场法的目标不可达、易陷入极值点等弊端,提高了经典蚁群算法的寻优效果和收敛速率,具有更强的稳定性和环境适应力。     

基于改进人工势场法的移动机器人路径规划

为解决传统人工势场法存在局部极小值问题而导致路径规划失败问题,提出了基于改进人工势场的角度偏移法,使机器人迅速逃离局部极小值点,成功规划出一条平滑无碰撞路径.仿真实验证明了该方法规划的有效性.