改进的优化算法用于移动机器人路径规划

针对当前机器人路径规划算法存在局部最优问题,提出了一种改进的移动机器人路径规划算法。该算法采用改进的人工势场算法产生初始化种群,改进的遗传算法引入了新的适应性函数和"翻转变异"算子、进行全局路径优化。适应性函数包括路径点的适应度和路径的适应度,提高了适应性函数的评价性能。"翻转变异"使障碍物路径变为自由路径,使移动机器人顺利绕过障碍物。克服了传统遗传算法的早熟收敛问题,提高了遗传算法的效率。实验结果表明该算法在移动机器人路径规划中的可行性和有效性。     

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PSO的人工势场法在移动机器人路径规划中的应用

针对栅格法环境模型下PSO算法的结果是一组离散的粒子,需要通过某种准则把离散的粒子变换为连续路径的问题,提出了一种利用人工势场法把PSO规划的结果自行变换成连续路径的新方法。为了避免人工势场使机器人在障碍物附近产生震荡,采用均值滤波的方法,规划出一条平滑最优路径。仿真结果表明:该算法能比较容易地得到最优路径,有效地避免路径的震荡现象,同时也可以在变化的环境中寻找一条路径。     

基于粒子群算法的移动机器人全局路径规划策略

提出了一种基于保收敛粒子群优化算法的移动机器人全局路径规划策略,为移动机器人在有限时间内找到一条避开障碍物的最短路径提供了一种解决方案.首先建立环境地图模型,将连接地图中起点和终点的路径编码成粒子,然后根据障碍物位置规划出粒子的可活动区域,在此区域内产生初始种群,使粒子在受限的区域内寻找最优路径.在搜索过程中,粒子群优化算法的加速系数和惯性权重均随迭代次数自适应调节.仿真实验表明算法可在起点与终点之间找到一条简单安全的最优路径.与其他文献所提的方法进行了对比研究,结果表明本文所提算法具有更快的搜索速度和更高的搜索质量.     

一种移动机器人三维路径规划优化算法

对移动机器人在三维工作环境中障碍物位置和形状已知条件下的全局路径规划问题进行研究.机器人的初始路径取为出发点到目标点的直线路径,引入人工神经网络结构和模拟退火温度定义路径能量函数;根据多面体形障碍物的形状特征设定各边界面不等的模拟退火初始温度,并且对路径点位于障碍物内、外的不同情况建立不同的运动方程;提出一种基于神经网络结构能量函数的路径规划算法及其优化算法,对所提路径规划算法进行仿真研究.研究结果表明,该算法是一种有效的移动机器人三维路径规划算法;算法计算简单,不存在组合爆炸问题;可避免路径规划的某些局部极小值问题;优化算法能够规划出移动机器人最短避障路径,并且可加快路径规划收敛速度.     

基于改进粒子群算法的移动机器人路径规划

针对基本粒子群算法在路径规划时易陷入局部最优、规划路径较长等问题,提出了改进粒子群算法对移动机器人进行路径规划。首先使用MAKLINK图建立移动机器人的工作空间模型,然后采用Dijkstra算法搜索从起始位置到目标位置的全局次优无碰撞路径,最后将指数变量权重加入改进的粒子群算法中对次优路径进行优化,找到最短路径。与基本粒子群算法不同,改进粒子群算法中粒子不是向最优的粒子学习,而是向适应度值优于平均适应度值的粒子学习,并对低于平均适应度值的粒子进行变异处理。该方法能够提高粒子的多样性,避免粒子陷入局部最优。仿真结果验证了所提出的改进粒子群算法的有效性。     

基于靠近目标粒子群算法的AGV路径规划

进行移动机器人(automated guided vehicle,AGV)路径规划时,针对传统粒子群算法易陷入局部最优解、搜索效率低等问题,文章提出靠近目标的粒子群算法,更好地解决AGV路径规划问题.在AGV运行环境建模时,将障碍物转化为多边形并进行膨胀处理,利用障碍物顶点划分坐标系;引入Metropolis准则,使算...     

基于椭圆建模和NLP算法的移动机器人路径规划研究

针对移动机器人在未知环境中探测和规避障碍物困难等问题,提出一种基于椭圆建模和自然语言处理(nataral language processing,NLP)算法的移动机器人路径规划方法。首先将激光采集的点信息进行分类和最小椭圆包围,建立障碍物的椭圆模型并估算出障碍物的速度。然后采用NLP算法,把移动机器人在未知环境中的路径规划问题,描述成了满足一组非线性约束和目标函数最小的非线性规划问题,从而实现复杂未知环境下机器人的路径规划。最后进行物理与仿真实验,验证了该方法的有效性。     

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.     

改进蚁群算法用于移动机器人路径规划时的研究

针对蚁群算法(ACO)用于移动机器人路径规划时存在收敛速度慢、对路径的优化能力不强等缺点,提出了一种改进蚁群算法。算法先利用鸟群算法(BSA)对地图进行快速预搜索,生成蚁群算法所需的原始信息素分布,再利用蚁群算法进行全面的路径规划;同时引入自适应期望函数,增加相邻节点被选择概率的差距,进一步提高了算法有效性。该算法融合了鸟群算法简单、收敛速度快和蚁群算法全局搜索能力强的优点。仿真结果表明,在障碍物数量较多且排布较密集的情况下,与基本蚁群算法、鸟群算法、粒子群算法及粒子群-蚁群融合算法相比,本文算法求出的路径更短更平滑,转弯次数更少,并且在迂回道路和存在大型凹陷障碍物的极端问题中具备更强的搜索能力。