利用改进人工势场法的智能车避障路径规划

为解决智能车避障路径规划中采用人工势场法易陷入局部极小值的问题,采用改进的人工势场法进行智能车避障规划方法,通过调整势力场范围、改进斥力势函数和动态调整斥力场系数对人工势场法进行改进,解决陷入局部极小值的情况.研究结果表明:改进后的方法大大减小了智能车陷入局部极小值的概率,增加了避障的准确性.研究结论对提高复杂环境中智能车避障路径选择的准确性和实时性有重要意义.     

基于模糊自适应PI控制的智能车的设计与研究

为实现智能车自动寻迹,研制一种基于汽车模型为硬件平台的智能车系统.传统PI控制的参数固定,难满足模型沿指定路径行驶的智能化要求;而模糊自适应PI控制具有控制精度高,控制灵活且适应性强的优点,可以精确、稳定的控制车速.路径信息采集模块将摄像头采集的道路信息传送至微处理器,微处理器输出合适控制量对舵机进行方向控制,同时综合编码器将测得的速度反馈给微处理器,采用模糊PI控制对智能车直流电机进行速度控制,该方案可以使智能车快速稳定的沿指定路径行驶.     

基于模糊神经控制的移动机器人避障研究

机器人路径规划技术是机器人研究的一个重要领域,其主要任务是在机器人工作空间中寻求一条从起始点到达目标点的无碰撞路径,并且满足路径最短或时间最短等条件。由于精确的系统模型参数和传感器数据的获取比较困难,传统的路径规划方法具有很大的局限性。模糊逻辑算法不依赖精确的数学模型和环境信息,对于机器人路径规划问题具有明显优势。本文基于模糊控制方法研究了未知环境下的机器人局部路径规划问题。     

基于增强拓扑神经演化强化学习的水面无人艇局部路径规划

针对水面无人艇(unmanned surface vessel, USV)在复杂环境下的局部路径规划问题,对USV路径规划问题进行了数学建模,提出了基于增强拓扑神经演化(neuroevolution of augmenting topologies, NEAT)算法的局部路径规划方法;设计了神经网络初始结构和演化参数,对初始神经网络结构进行演化实现避障及到达指定目标的路径规划任务;通过设计适应度函数,实现路径点数目的优化。仿真结果表明:利用NEAT算法演化神经网络的方法能够使USV在复杂的环境中准确避开障碍物并到达目标点,且在路径点数目和鲁棒性方面优于传统的模糊逻辑算法与人工势场算法。     

基于改进A*算法的一种智能车路径规划方法

轨迹规划是智能车安全行驶的关键技术。本文基于A*算法在复杂地图轨迹规划耗时长,拐点多等问题,提出了一种基于图论及几何方法的改进A*算法的避障与导航方法。该方法在传统A*算法的基础上结合图论进行路径规划,同时剔除路径中冗余节点,并采用Labview进行具体的仿真实验来验证轨迹规划算法的性能。结果表明：该算法在复杂环境中仍能有效找到距离短且平滑路径,提高了智能车的运行效率降低了能耗,可用于实际的智能车安全行驶管理中。     

基于模糊人工势场的移动机器人路径规划

针对在传统的人工势场法中对机器人进行路径规划时,容易产生局部极小点问题,提出了一种模糊人工势场方法.对排斥力函数作了改进,引入了障碍物对机器人影响大小的斥力增益系数,通过构建的模糊系统,动态地调节斥力增益系数,从而有效地克服了局部极小点问题.仿真结果表明,该方法具有较强的环境适应能力,能够快速有效地规划出一条光滑的路径.     

基于CCD的自平衡智能车循迹系统的设计

介绍了一种基于线阵CCD两轮自平衡的智能车循迹系统。基于第八届飞思卡尔智能车大赛准则,该系统以飞思卡尔16位单片机MC9S12XS128作为核心控制器,以CCD作为路径识别装置检测路径信息,通过陀螺仪与加速度计测量智能车姿态,单片机获得传感器采集的路面信息及智能车姿态信息,经过分析后控制智能车的舵机转向,同时对直流电机进行调速,从而实现智能车自平衡和速度调节。在控制算法上采用模糊设定速度和PID调整速度相结合的算法,使智能车能够在自平衡状态下快速平稳的行驶。     

基于智能技术的移动机器人路径规划方法概述

移动机器人路径规划是环境模型和搜索算法相结合的一种技术,规划过程既是搜索的过程,也是推理的过程。近几年人工智能中的很多优化推理技术也被运用到移动机器人路径规划中来,主要有模糊逻辑、神经网络、遗传算法和混合方法。     

基于自学习可见图的机器人路径规划

针对未知环境下的机器人路径规划问题 ,提出了一种基于自学习可见图与局部最优的路径规划算法 .在这种算法中 ,采用自学习可见图来表示环境 ,并在路径规划的过程中逐步建立自学习可见图 .在避障上设计一个局部最优算法并提出了一种局部路径规划算法 .实验表明 :该方法规划速度快 ,并且能规划出局部最优的路径 ,满足未知环境下机器人路径规划的要求 .     

基于OV7620智能车的路径识别及控制策略

智能车是可以自动识别道路并以最短时间行驶全程的一种无人驾驶汽车.路径识别跟踪技术和快速、稳定的控制策略是智能车发展的重要标志.给出以OV7620作为智能车的主传感器,以红外对管作为辅助传感器对赛道的信息进行采集.OV7620把赛道的亮暗程度转化成像素的灰度值,采用边沿跟踪检测图像处理算法.采用PID与bang-bang算法相结合的算法对智能车进行速度控制.实验表明智能车可以实现任意路径识别与智能快速行驶.