基于神经网络的移动机器人路径规划算法的仿真

研究一种基于神经网络的移动机器人路径规划算法，充分利用神经网络的融合性和并行性提高移动机器人路径规划算法的运算速度．此算法也可以解决机器人的全局路径规划和局部路径规划问题．仿真结果表明这种算法可以快速可行地实现无碰撞优化路径规划，并且对动态环境具有较好的适应性．     

基于加速度信息的移动机器人动态实时避碰

提出了一种移动机器人对动、静态障碍物实时动态避碰的新方法.相对坐标系中,采用包含相对加速度信息的避碰算法,通过动态实时地调整机器人加速度的大小和方向,使其避开障碍物.仿真实验证明了此方法的有效性.     

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。     

基于势场法的路径规划

利用障碍物的势场表示提出了三维空间中移动物体的路径规划算法。首先，全局规划器从最小势谷中选择机器人的侯选路径以及沿路径使描述路径长度及碰撞机会的启发函数取最小值的运动姿态。     

用于移动机器人的新型模糊神经元速度控制器

文中提出一种新型的模糊神经元速度控制器,为移动机器人解决位移转换成速度这个逆运动学问题。它把模糊论和预确定策略集成到神经元网络系统中,使得它能利用路径信息去控制机器人达到所希望的运动速度。模拟研究显示了它能控制机器人在静态或者动态的环境中,不通过学习就能沿着动态的避磁路径去捕捉目标。另外,可将其集成到其他的系统中去控制速度,或者作为一个独立的系统使用传感器信息去控制机器人的运动。     

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。     

基于双层模糊控制器的动态路径规划

为解决没有通信情况下的多机器人系统在未知动态环境下的路径规划问题,设计了采用双层模糊控制器方法的危险度模糊控制器和速度模糊控制器.危险度模糊控制器充分考虑了运动障碍物的速度信息,把机器人同障碍物之间的碰撞可能性用基于碰撞时间因子和碰撞距离因子的碰撞危险度来表示,使之更适合于动态的环境.速度模糊控制器的输入充分考虑了目标...     

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。     

基于碰撞危险度和运动预测的多移动机器人避碰规划

针对自主移动机器人决策处理的滞后问题，采用预测算法对其它移动机器人的速度信息进行预测，并把速度信息用到碰撞危险度避碰策略中，机器人便可进行下一步的避碰行动决策，最后给出了这种方法的避碰仿真研究，结果表明该方法可行且有效。     

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.     

动态环境中基于遗传算法的移动机器人路径规划的仿真

动态环境中 ,移动机器人的动态路径规划是一个较难解决的课题 .提出了一种基于遗传算法的移动机器人的路径规划方法 .该方法采用实数编码和有明确物理意义的适应度函数 ,可以加快实时的运算速度和提高运算精度 .同时 ,该方法充分挖掘了可应用遗传算法解决移动机器人动态路径规划的潜力 .计算机仿真表明 ,仿真该控制方法具有良好的动态路径规划能力     

基于分层模糊控制的移动机器人路径规划

针对移动机器人的路径规划中,应用模糊控制算法时模糊控制变量过多以及响应速度较慢等问题,简化模糊控制器与移动机器人本身的关系,设计出一种简单的双层模糊控制器实现算法,第一层模糊控制器以距离和方位角为输入量,转角为输出量;第二层以距离和转角为输入量,步长为输出量。解决了一般模糊控制器中规则库爆炸的问题,提高移动机器人路径规划算法的效率。经MATLAB仿真,证明算法有效性。     

基于自适应模糊神经网络的机器人路径规划方法

为了解决传统反应式导航中的复杂陷阱问题,优化导航控制,减少计算复杂度,提出了基于自适应模糊神经网络的机器人导航控制及改进型虚目标路径规划方法.首先根据移动机器人运动学模型,融合神经网络的自主学习功能与模糊控制的模糊推理能力,提出了基于自适应模糊神经网络的机器人导航控制器,将生成的Takagi-Sugeno型模糊推理系统作为机器人局部反应控制的参考模型.该自适应模糊神经网络控制器实时输出扰动角度,在线调整移动机器人的预瞄准方向,使移动机器人能够无碰撞趋向目标.然后,提出了一种改进型虚目标方法,优先选择机器人可能逃脱陷阱状态的路径,简化了设计难度,改变了虚目标切换方式,避免了大量复杂计算.实验结果表明,提出的方法可以帮助机器人在全局信息未知的复杂环境中导航,在趋近目标点的过程中能有效避障,无冗余路径产生,且轨迹平滑.     

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。     

利用改进的粒子群算法的机器人全局路径规划

针对常规路径规划单纯追求路径最短、路径规划不灵活和实现复杂的缺点,提出了一种改进的移动机器人全局路径规划方法.该方法综合人工势场(APF)与粒子群优化算法(PSO)的优点,利用障碍物的排斥力生成路径的危险度地图(DDM),将路径长度与危险度的加权和作为PSO的适应度函数,获得了一条全局最优路径.该方法具有3个优点:粒子初始化及更新过程中会自动避开有障碍物的危险区域,规划出一条既安全相对长度又较短的路径;通过调整加权因子平衡长度与危险度在适应度函数中的比重,路径规划灵活;算法实现简单,收敛速度快,能满足移动机器人实时路径规划的要求.仿真结果证明了该算法的可行性和有效性.     

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.     

基于改进势场法的移动机器人避障路径规划

分析了机器人路径规划方法中的人工势场法的不足,提出了改进势场法.该方法改进了斥力函数,增加了安全距离并将障碍物的影响距离根据障碍物的密集程度设置成一个动态值,并解决了抖动问题.针对局部极小问题采用虚拟障碍的概念,虚拟障碍是靠近局部极小点,用于把机器人从局部极小点区域驱逐出去,从而脱离局部极小并成功绕过障碍物到达目标点.改进势场法成功地应用于未知复杂环境下移动机器人的路径规划中,仿真实验证明了该方法的正确性和有效性.     

栅格编码新方法在机器人路径规划中的应用

基于遗传算法的移动机器人路径规划技术,提出了一种新的定长十进制路径编码机制.在对移动机器人的环境进行有效栅格剖分后,将障碍物表示为以栅格为基础的多边形,每个障碍物多边形的顶点对应于栅格线交点的惟一编号;随后将移动机器人的路径编码成以栅格地图上所有多边形有效顶点数之和为定长的十进制编码串,串中非零位上的十进制值对应着规划路径中途经障碍物多边形的顶点,各顶点在串中的顺序对应着其在规划路径中的顺序.所提出的编码方式拥有定长十进制编码机制通用性好的优点,并且基于此编码的遗传算法很容易克服路径规划算法中的障碍陷阱,使得路径规划算法更加简单有效,加快了遗传算法的收敛速度.     

基于粒群行为与克隆的移动机器人进化路径规划

针对移动机器人路径规划, 将粒群行为和生命科学中的免疫克隆原理、进化算法相结合, 将过去进化过程中的经验通过粒群行为来体现, 提出了一种结合粒群行为和免疫克隆的移动机器人进化规划, 较快速地规划出性能是全局优化的可行路径. 分析了粒群行为的二种学习方式对路径规划的作用, 研究了通过调整粒群行为操作中的参数实现多路径规划. 通过仿真实验, 对上述算法进行了验证.