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.     

改进人工势场算法的路径规划

人工势场法是一种适用于局部路径规划的算法,针对人工势场法存在的目标不可达、局部极小值等固有缺陷,提出了一种改进后的人工势场法。首先针对目标不可达问题,将引力影响因子添加到斥力场的生成中,改进斥力场函数,从而避免引力与斥力合力为零的情况。针对局部极小值问题,通过设立虚拟目标点来引入额外外力,打破机器人的平衡问题。通过与其他算法的对比实验,仿真结果显示,改进人工势场法规划的路径长度和消耗时间都更短,稳定性更强。     

基于势场法的无人车局部动态避障路径规划算法

根据无人车动态实时避障的需求,提出一种基于人工势场法的局部避障路径规划算法,通过改进势场环境及势场力来解决传统势场法局部极小值和目标不可达的问题. 考虑车辆碰撞安全性,对侧向动态障碍物和同向动态障碍物工况进行分析,采用动态窗口法进行实时动态避障规划. 同时为保证规划路径的平滑性和可跟踪性,采用贝塞尔曲线对轨迹进行平滑处理. 最后,在CarSim和Matlab/Simulink 联合仿真平台下,对所提出的控制算法进行验证. 仿真结果表明了规划算法的避障有效性、安全性以及可跟踪性.      

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。     

一种基于遗传算法参数优化的改进人工势场法

人工势场法是一种简单有效的移动机器人路径规划算法.针对传统人工势场法在路径规划中的一类目标点不可达问题,提出了一种在局部最小点改变斥力角度和设定虚拟最小局部区域的解决方案,同时采用遗传算法对改进算法中斥力改变角度以及虚拟最小局部区域的半径两个参数进行优化.仿真实验说明本文所提算法能在起点和终点之间规划出一条简捷、光滑和安全的路径.     

基于改进人工势场法的机织机器人避障路径规划

针对机织机器人自动化作业时的避障问题,提出基于改进人工势场法的三维避障路径规划算法。利用改进人工势场法中斥力势场函数,引入修正系数,在机织机器人陷入局部极小值点时增加虚拟障碍物,破坏其在虚拟力下的平衡状态,解决了人工势场法无法到达目标位置和局部极小值点的问题。通过体素化网格方法和快速凸包算法处理障碍物点云数据,重建实际障碍物模型,提高了碰撞检测效率。仿真结果表明,以点云数据重建障碍物模型并采用改进人工势场算法规划出的避障路径使机织机器人成功到达目标位置,末端位置精度平均提高37%,并避免陷入局部极小值点。     

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.     

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.     

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.     

基于改进势场蚁群算法的AGV路径规划

针对传统蚁群算法用于路径规划问题时易出现初期搜索盲目性以及易陷入局部最优的问题,本文提出一种改进的势场蚁群算法.首先将人工势场算法融合到蚁群算法中,通过障碍物和目标点产生的势场合力作为部分启发信息,减小路径搜索初期的盲目性,从而加快算法的收敛性;然后对算法中的路径选择策略进行了分析和优化,通过设置临时禁忌表排除部分栅格...     

动态环境下利用Kinect的移动机器人增强路径规划

将最新的体感器Kinect用于实时感知动态环境中的障碍物和地形,辅助机器人在复杂动态环境中实现有效的路径规划任务。通过Kinect体感器产生的RGB图像和3D图像,来实时探测获取移动机器人的周边动态环境;同时利用基于遗传信赖域算法优化的改进人工势场的路径规划算法,解决了传统人工势场法中局部极小点以及目标不可达问题,并能有效提高算法的实时性,实现机器人在动态环境下优化的实时路径规划任务。最后建立实验系统,验证了所研究方法的有效性。     

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。     

基于改进人工势场法的移动机器人局部路径规划

为解决传统人工势场法在移动机器人局部路径规划中存在的缺陷,提高其路径规划的性能,提出了改进的人工势场法。将引力作用阈值引入引力势场函数,解决引力过大问题;在斥力势场函数中引入目标点与移动机器人之间的距离,解决目标不可达问题;根据环境复杂度,提出了自适应速度调节机制;针对局部极小值问题,分别提出了APF-v1和APF-v2两种构建虚拟目标点的方法,引导移动机器人走出陷阱区域。最后在ROS机器人操作系统中对改进的算法进行了对比实验,结果表明,改进的算法可以克服目标不可达、局部极小值等问题,并且在计算量、路径规划时间和步数等方面具有一定的优越性。     

船舶自动避碰仿真研究

针对海上交通环境复杂、内河航道易于碰撞的问题,研究可辅助船舶操纵的自动避碰系统.分析了船舶避碰的影响因素、船舶受力对船舶航行的影响,并对人工势场法进行改进,优化了船舶行驶路径.基于改进的人工势场法设计船舶路径规划流程,以长江水域为例进行弯曲航道的模拟.结果表明,采用人工势场法可以辅助船舶自动航行,在安全的情况下获得较短的避障路径.通过增加转向点可以减小人工势场法局部极小点的发生概率.     

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.     

基于改进人工势场-模糊算法的路径规划算法研究

针对传统人工势场法解决移动机器人路径规划问题时存在局部最优和目标不可达的问题,提出了一种改进斥力的人工势场法与模糊算法相结合的路径规划算法。在斥力场中加入机器人与目标点欧几里德距离的对数函数,形成新的人工势场,并加入机器人、障碍物和目标位置坐标判据式。分别将人工势场引力与斥力的角度差、合力差作为模糊输入,借助专家经验进行决策,得到输出模糊力,进而调整机器人各时刻合力大小和方向。解决了传统人工势场法中出现的局部最优和目标不可达问题,减小了路径轨迹波动幅度,且在凹型槽障碍物中无徘徊。为了验证该方法的有效性,通过MATLAB软件进行仿真实验,结果表明机器人运动轨迹平滑,能较好避开障碍物到达目标点。     

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.     

改进的DDPG算法在机器人路径规划中的应用

深度强化学习(DRL)在连续控制问题中具有优异的性能,被广泛用于路径规划等领域.为了实现移动机器人在未知环境中的智能路径规划,提出了一个路径规划的模型,基于深度确定性策略梯度算法(Deep Deterministic Policy Gradient,DDPG)的自主路径规划模型.针对DDPG算法前期对环境没有先验知识,收敛速度慢和移动时会出现局部最优情况,提出了一种改进的DDPG算法.通过在DDPG算法中添加人工势场的引力场和斥力场,以加快收敛速度和移动机器人到达目标点的时间.对奖赏函数进行改进,增加直走奖励,以提高规划路径的稳定性.