融合能耗指标与安全因子的移动医疗机器人通用路径规划

考虑在突发重大公共卫生事件期间存在的医疗物资搬运工作强度大、交叉传播风险高等问题，提出一种节能、安全且通用的移动医疗机器人无碰撞路径规划方法。首先，通过建立某方舱医院栅格地图环境模型，表征机器人自主移动过程的能量消耗指标，改进A^*算法原始搜索方向，构建了一种计及能量因素的邻接矩阵优化策略。然后提出一种邻接矩阵权值算子，融合权值算子和安全避障惩罚因子到A^*算法的估价函数中。同时，提出一种基于三次连续贝塞尔曲线的路径平滑方法，用于方舱医院栅格地图中生成曲率连续的平滑路径。仿真结果验证了所提方法的适用性，相较于传统路径规划方法，该方法具备节能性、安全性和平滑性特征，有效降低了医疗运输成本。     

基于RTK北斗和激光雷达的巡检机器人导航系统研究

针对传统移动巡检机器人采用磁导轨、固定导轨导航等方式的不足,提出采用带惯导的高精度差分北斗系统和激光雷达导航方式,设计出集全局地图与局部地图相结合的移动巡检机器人导航系统。全局地图导航方式采用预瞄PID算法。局部地图构建采用激光雷达记录障碍物离散数据点,经聚类、曲线拟合等步骤还原障碍物边缘信息得到实时局部栅格地图,采用人工势场路径规划避障方式。最后实验采集数据并仿真,验证cm级避障效果。     

面向复合地图的移动机器人分层路径规划

针对传统路径规划方法在部分未知复杂大场景环境下搜索空间大、效率低、避障成功率不高等问题,提出一种基于拓扑-栅格-度量复合地图的移动机器人分层路径规划方法。首先将机器人作业环境描述为栅格地图并划分为多个栅格化的子区域,以子区域为关键节点进行位置关系抽象从而获得拓扑架构,并对局部栅格区域进行精细化描述,构建拓扑-栅格-度量的复合地图。其次,在不同地图层级上分区域搜索机器人路径,在拓扑地图上采用Floyd算法规划子区域之间的区间路径,面向栅格地图提出搜索子区域内部路径的改进A^*算法,通过引入扩展点筛选策略、双向搜索机制、路径冗余点剔除技术提高路径规划的效率与质量,并拼接各段区间路径和内部路径生成全局优化初始路径。最后,针对部分未知场景中的动态障碍物,在度量地图上提出基于深度强化学习架构的动态避障路径规划方法,利用价值分类经验回放机制提高样本的利用率和模型训练的效率。实验结果表明,所提方法有较高的搜索效率和避障成功率,生成的路径兼具安全性和平滑性。     

移动机器人路径规划的现状与发展

机器人路径规划是移动机器人导航的核心技术之一.移动规划技术近年发展迅速,涌现出了许多规划方法,在环境描述方式和技术的基础上,总结了机器人发展史上具有典型意义的规划方法,探讨了几种路径规划方法,分析了栅格分解法、人工势场法、同步定位与地图构建法,并指出了其各自的性能.     

基于双层A*算法的移动机器人路径规划

移动机器人导航控制理论和方法的研究,是决定智能移动机器人能否真正实现自主化、智能化的关键,一直以来也是机器人技术领域研究的重点和热点。A*算法作为一种比较成功的算法应用在了机器人的路径寻优和规划方面,但由于A*算法本身的计算特点决定,在栅格环境下A*算法规划出的移动机器人路径往往存在着折线多、转折次数多、累计转折角度大等问题。针对A*算法的缺点和不足,在其基础上,提出了一种双层A*算法,该算法将栅格地图分为高层栅格地图和低层栅格地图,对栅格地图进行了"局部合并地图"的构建,在算法中加入了栅格占据概率函数,通过低层与高层算法相结合得到最优路径。仿真结果表明在很大程度上解决了A*算法存在的问题,使移动机器人能够在复杂环境下应用该算法进行路径规划。     

基于改进蚁群算法的巡检机器人避障路径规划方法设计

针对机器人进行避障路径规划时存在收敛速度差、规划路径长、迭代次数多以及规划时间长的问题,提出基于改进蚁群算法的巡检机器人避障路径规划方法。首先使用栅格法划分巡检机器人工作环境,通过对像素矩阵等指标的分析,构建栅格地图模型;基于人工势场法提出蚁群路径规划算法,使蚁群适应子空间的搜索;最后在模型中利用该算法,寻找该模型的最佳路径。实验结果表明,运用该方法进行路径规划时,收敛速度高、规划路径短、迭代次数少以及规划时间短。     

基于栅格地图环境的机器人路径规划算法

研究了基于栅格地图环境的移动机器人路径规划方法。针对基本蚁群算法在路径规划过程中出现的收敛速度慢、容易陷入局部最优解等缺陷,通过对栅格地图环境进行预处理,提取优势路径点,改进信息素浓度更新机制,限制信息素浓度强度的策略对蚁群算法进行了改进。通过仿真实验证明了该算法的可行性和有效性。     

基于典型栅格地图的代价地图改进方法

针对具有多种路况的复杂环境,提出了一种基于栅格地图的代价地图构建方法。改进方法分别从移动机器人可通过安全性和可通过消耗性2方面对普通的布尔栅格地图进行改进。首先,建立以机器人与障碍物距离为变量的递减代价函数和以不同路况能耗占比为变量的代价函数;然后,根据2种代价函数确定每个栅格的代价值;最后,将生成的2种代价地图融合,得到改进地图。以A*算法为例,修改其估值函数以适应新的地图,通过仿真实验对比传统地图和改进地图下的路径规划情况。实验结果表明,相对于传统的栅格地图,改进地图下规划出的路径始终保持着距离障碍物的安全距离,并且对不同价值的道路进行了选择与规避,有效地保证了移动机器人在运动过程中的安全性,并且根据实际情况考虑了能耗代价改变了路径选择,实现了多路况复杂环境下的路径规划,验证了地图改进方法的可行性。     

物流机器人调度系统及其双向同步跳点搜索算法设计

针对物流机器人在物料配送中对路径规划的安全性、实时性与高效性要求逐步提升的问题，本文提出了一种物流机器人调度系统及其双向同步跳点搜索算法。首先，分析物流机器人调度系统的功能需求并设计总体实现方案。其次，采用正六边形栅格地图取代传统栅格地图，并在此基础上提出改进的双向同步跳点搜索算法(JPS)。该算法调整了传统JPS算法的节点拓展规则以适应新地图，并引入灰狼优化算法指导扩展的相对方向，确保两侧搜索能够相遇。通过仿真测试对比所提算法与传统算法，所提算法比正四边形栅格图传统JPS算法快34%,比正六边形栅格图传统JPS算法快23%,结果表明所提算法的规划效率与安全性更高。此外，实物实验显示本文提出的双向同步JPS算法相较对比方法路径长度更优，在调度系统监控下物流机器人行走更加安全。     

轮式机器人路径规划的改进蚁群算法CSCD

针对轮式机器人在多窟障碍地形图中的路径规划问题,为了克服基本蚁群算法的局部最优问题,提高算法的收敛速度,以及节约找寻最优路径的时间,提出了一种基于多维信息素及模糊集的改进蚁群算法。在栅格化地图上,通过模糊集将某一点距离障碍物以及接受目标的信息程度表达出来,重新更新栅格化地图,从而减少地图中搜索空间,节约搜索时间。其次把传统蚁群算法中的一维信息素改进为多维信息素,得到满足多个约束条件下的路径。通过多组仿真实验的结果表明,验证了改进算法的可行性和有效性,提高了基本蚁群算法对最优路径问题的优化性能与收敛速度。与现有算法相比较,迭代次数节约了70%左右,缩小了20%的蚁群数量。     

轮式机器人路径规划的改进蚁群算法

针对轮式机器人在多窟障碍地形图中的路径规划问题,为了克服基本蚁群算法的局部最优问题,提高算法的收敛速度,以及节约找寻最优路径的时间,提出了一种基于多维信息素及模糊集的改进蚁群算法。在栅格化地图上,通过模糊集将某一点距离障碍物以及接受目标的信息程度表达出来,重新更新栅格化地图,从而减少地图中搜索空间,节约搜索时间。其次把传统蚁群算法中的一维信息素改进为多维信息素,得到满足多个约束条件下的路径。通过多组仿真实验的结果表明,验证了改进算法的可行性和有效性,提高了基本蚁群算法对最优路径问题的优化性能与收敛速度。与现有算法相比较,迭代次数节约了70%左右,缩小了20%的蚁群数量。     

基于改进势场蚁群算法的移动机器人全局路径规划

针对势场蚁群算法路径转折点数量过多、收敛速度过快、容易陷入局部最优等问题,提出了基于势场跳点的蚁群算法.该算法融合了蚁群算法和跳点搜索算法的搜索策略,使规划出的路径更加平滑;引入了势场合力递减系数,减少了势场蚁群算法因势场而陷入的局部最优问题;引入了简化的跳点搜索算法对初始化信息素进行更新,提高了算法前期的搜索效率.为验证该算法的有效性,使用不同规格的栅格地图进行了仿真试验,仿真结果表明,相比于势场蚁群算法,该算法能够有效减少收敛迭代次数,其收敛搜索时间更短,且最终搜索到的路径更优.最后将该算法应用到实际的基于ROS的移动机器人导航试验中,试验结果表明,该算法能有效解决移动机器人全局路径规划问题,且能明显提升机器人全局路径规划的效率.     

基于蚁群算法的机器人路径规划研究

蚁群算法是一种全局智能仿生算法,具有较强的鲁棒性和环境适应性,在栅格化环境下适用于机器人路径规划,但会带来搜索出的路径拐弯过多、运动延时、移动累计误差增大和产生额外机械磨损等问题。为解决上述问题,提出了路径平滑处理策略,对蚁群算法每次迭代出的最短路径进行了平滑处理,针对每次迭代搜索出的最短路径栅格节点集合,在不妨碍机器人运动的前提下,拉直移动路径或减缓拐弯角度,从而避免不必要的急拐弯。仿真结果表明,加入平滑处理策略后的蚁群算法能够达到有效减少移动路径长度、降低转弯次数、缩短运动时间的目的。     

月面探测器路径规划优化算法研究

针对复杂环境下的月面探测器路径搜索困难的问题,建立多约束的栅格地图模型,研究了一种改进的蚁群算法用于全局路径规划方法.在蚁群算法中加入了参数自适应调整和双向搜索并行策略以提高蚂蚁搜索路径的成功性,并对路径进行了拐角处理,使规划的全局路径更加平滑、安全,使探测器有效地在大规模地图里避开障碍物.仿真试验结果表明,该方法结合全局规划的特点,使探测器可以沿着一条尽可能短而平滑的最优路径快速、安全地到达目标点.     

基于人工蜂群-自适应遗传算法的仓储机器人路径规划

为了规划出一条更加节能的拣选路径,针对基本遗传算法的性能依赖于初始种群的质量、遗传算子的选择、交叉和变异操作,提出一种适用于仓储机器人路径规划的人工蜂群-自适应遗传算法。首先通过人工蜂群算法初始化种群以增强种群多样性;将路径长度、转弯次数和机器人运行能耗作为适应度函数的评价指标;然后基于三角函数设计自适应策略调整的交叉、变异算子以提高算法的收敛速度。仿真实验表明,在20×20大小的栅格地图中,本文提出的人工蜂群-自适应遗传算法规划的路径能耗比基本遗传算法减少5.22%;而在40×40大小的栅格地图中,本文提出的人工蜂群-自适应遗传算法规划的路径能耗比基本遗传算法减少9.08%。最后实验表明,采用本文提出的人工蜂群-自适应遗传算法规划的能耗减少7.64%,且规划的路径更平滑,更加适用于仓储机器人的路径规划。     

改进动态窗口法的阿克曼移动机器人局部路径规划器

局部路径规划是移动机器人的一项关键技术,它的品质密切关系到整个机器人系统的性能。动态窗口法是一种在机器人的速度空间内进行运动规划的自主避障算法。将该算法与阿克曼机器人相结合,提出了一个包含轨迹曲率相似度评价因子的阿克曼移动机器人局部路径规划算法。最后,在机器人操作系统(Robot Operating System,ROS)上对该新算法进行了"S"型路径导航仿真实验。实验结果表明,该算法能在已知栅格地图内实现阿克曼机器人的自主避障功能。     

服务机器人导航与路径规划技术研究

针对在未知的室内环境,其不可预知性或不确定性给家用服务机器人实时环境感知和定位带来了巨大的问题,直接影响到机器人导航的效果。移动机器人不仅要完成避开附近的移动障碍物,而且要进行局部规划或局部路径修正。将自主移动机器人其功能研发分为如下:理解自己的状态和外部环境信息,从而实现实时运动控制决策,避障,找到最优路径;在栅格地图表征环境,采用Wavefront方法进行路径规划自主移动和轨迹跟踪。对服务机器人导航与路径规划技术研究对于提高智能服务机器人的技术水平,促进智能机器人产业的发展是非常重要的。     

基于ROS平台机器人导航避障系统设计与开发

基于ROS工业机器人开源平台,应用C++语言进行了移动机器人导航避障系统的设计与开发。选用激光雷达作为位置传感器,融合视觉里程计、轮式里程计和IMU里程计三大里程计数据,采用传统定位与SLAM算法创建地图,应用AMCL算法准确确定移动机器人位置;对移动机器人使用A~*算法进行全局路径规划、DWA算法进行局部路径规划,并且使用模糊BUG2算法作为核心算法实现局部避障器融入ROS规划系统中,应用C++语言开发程序,在移动机器人Robotino在地图上的两个点进行导航和避障测试。结果表明,只要合理设置机器人和障碍物之间相对运动速度,机器人可以规划出一条躲避缓慢移动障碍物、全局较优路径。     

融合改进蚁群和DWA的移动机器人路径规划

针对传统蚁群算法搜索时间长、易陷入局部最优且动态规划能力弱等缺陷,提出一种融合改进蚁群和动态窗口算法（DWA,Dynamic Window Approach）的路径规划方法,解决移动机器人全局路径优化以及局部动态避障路径规划问题。在分析传统蚁群算法路径规划原理及优缺点的基础上,通过引入初始栅格转移规则、改变信息素更新方式、删除冗余节点、圆切障碍顶点等方法,提高蚁群算法的收敛速度、规划路径的平滑度以及安全可靠度;进一步在改进蚁群算法中引入DWA进行局部路径规划,实现机器人的动态避障。对比仿真结果表明,所提改进算法在路径长度、迭代次数、收敛时间以及路径平滑度、安全可靠度等性能指标上较传统算法均有所提高。     

基于改进Voronoi图的移动机器人在线路径规划

针对移动机器人在部分环境信息已知下的路径规划问题,运用Voronoi图理论及动态路径最优算法(D*算法)理论,研究了一种基于传感器信息的移动机器人在线路径规划的方法.该方法利用现有的已知环境信息离线生成路图,并根据起点与终点的位置规划出一条无碰撞的全局最优路径,然后移动机器人沿着最优路径前进,安装在机器人上的传感器不断地探测环境新信息以在线完成路图的重构及路径的重规划,实时搜索一条全局最优路径.最后,通过在自制的小车平台上的实验证明方法的可行性.