基于ROS下移动机器人地图构建与路径规划研究

由于传统的算法在机器人地图构建以及路径优化方面效果较差，难以取得较好的效果，因此结合机器人ROS系统实现对移动机器人在地图构建以及路径规划的研究。具体包括对粒子滤波算法进行了改进，提高定位建图的精度；之后对地图进行三值化图像处理，去除地图的噪声和重影等问题，并提高地图构建的精度。在路径规划方面结合蚁群算法进行实现，并提出了一种改进的蚁群算法，该方法融合了A*算法，提高了路径规划的效率；最后利用Matlab进行仿真。实验结果证明，提出的改进算法在路径搜索速度上优于传统的蚁群算法。     

蚁群算法及其在移动机器人路径规划中的应用

蚁群算法是优化领域中新出现并逐渐引起重视的一种仿生进化算法.首先介绍了蚁群算法基本原理和特点;然后回顾近年来国内外学者针对移动机器人路径规划的特点,对蚁群算法的进行改进,将其引入移动机器人中进行障碍规避和寻找最优路径,所提出的各种静态路径规划和动态路径规划方法的基本思想和特点.最后分析了蚁群算法在移动机器人路径规划应用中存在的问题,以及该学科未来研究方向.     

基于改进蚁群算法的改航路径规划

鉴于传统改航路径规划方法目标单一、计算复杂的问题,文中提出了一种基于改进蚁群算法的多目标航班改航路径规划算法。首先在初始化时使信息素与到终点的距离相关联;然后在蚂蚁移动时采用约束规则建立个体解;最后在得到蚁群算法优化的路径后,运用文中介绍的优化算子再次进行优化。最终在块状和离散状飞行限制区下进行仿真实验。结果表明改进的蚁群算法明显优于其他算法,能得到改航点少,偏移量小,路径短的航线。     

双种群改进蚁群算法

基本蚁群优化（Basic Ant Colony Optimization，BACO）算法在进化中容易出现停滞，其根源是蚁群算法中信息的正反馈．在大量蚂蚁选择相同路径后，该路径上的信息素浓度远高于其他路径，算法很难再搜索到邻域空间中的其他优良解．对此，提出一种双种群改进蚁群（Dual Population Ant Colony Optimization，DPACO）算法．借鉴遗传算法中个体多样性特点，将蚁群算法中的蚂蚁分成两个群体分别独立进行进化，并定期进行信息交换．这一方法缓解了因信息素浓度失衡而造成的局部收敛，有效改进算法的搜索性能，实验结果表明该算法有效可行．     

基于改进蚁群算法的钻井救援车辆路径规划

为了解决救援车辆路途时间过长导致钻井事故应急救援不及时的问题, 提出一种基于改进蚁群算法的钻井救援车辆路径规划方法. 首先针对基本蚁群算法易陷入局部最优, 且在求解转移概率时仅依据信息素含量和路径长度, 未考虑实际路网中影响道路通行的外界因素等不足, 通过引入路径权重因子和改进路径选择策略, 对基本蚁群算法进行了改进; 然后利用改进的蚁群算法, 以用时最少为目标建立了救援车辆路径规划模型; 最后进行了救援车路径规划仿真实验和实际应用测试, 结果表明本文提出的方法可以合理规划出一条全局最优的救援路径, 能有效地解决钻井救援车辆路径规划问题.     

精英扩散蚁群优化算法求解运输无人机三维路径规划

针对受灾山区运输物资的三维无人机路径规划问题,提出了一种精英扩散蚁群优化算法EDACO,首先通过极值限定策略限定了信息素浓度的范围,防止算法前期陷入局部最优;然后采用精英策略改进信息素浓度更新公式,加强优质个体对种群的影响力; 再引入信息素扩散策略,加强距离较近个体间的交流协作,以防止蚂蚁个体间联系不紧密造成的算法停滞。最后,将精英扩散蚁群优化算法、传统蚁群算法、遗传算法和萤火虫算法运用于4个山区受灾无人机运输实例中,结果表明了EDACO的优越性和有效性,且该算法对无人机三维路径规划问题有着良好的适应性。     

基于粗糙集和蚁群算法的机器人路径规划研究

针对移动机器人路径规划的难题,提出了一种基于粗糙集理论和蚁群算法混合的机器人路径规划方法,用来提高机器人路径规划的速度和精确度。首先利用粗糙集理论获得机器人路径的决策规则,建立初始决策表,并在其基础上利用粗糙集理论进行化简,获得最小决策表,从中提出最小决策规则,然后利用所得的最小决策规则得出可行路径的集合。最后利用蚁群算法对这个种群进行优化,获得最优行走路径在所建立的栅格环境中进行仿真实验,并与基础蚁群算法进行比较,仿真结果表明,改进后的算法简单、有效,收敛速度快,具有良好的搜索功能,验证了改进算法在机器人路径规划问题中快速有效性。     

基于改进蚁群算法的全局路径规划研究与仿真

路径规划是指在有障碍物的工作环境中,寻找一条从给定起点到终点的适当路径,使运动过程中能安全、无碰的绕过所有障碍物。目前针对路径规划的算法较多,本文主要针对传统蚁群算法在二维路径规划中易陷于局部最优解,最终导致搜索过早停滞等问题,提出了一种改进的蚁群算法。该改进的算法主要以全局最优为出发点,通过引入终点对启发因子的影响,在邻接点和终点的共同作用下对启发因子函数的重新构建,有效地解决了传统蚁群算法在处理全局路径规划中带来的问题。采用MAKLINK图论理论建立二维空间模型,应用MATLAB作为编码的软件工具来对传统的蚁群算法和改进的蚁群算法在路径规划中进行仿真验证,实验结果表明改进的蚁群算法有更好的性能。     

基于改进蚁群算法的物流配送路径规划算法

针对物流配送的最优路径规划问题,论文在分析蚁群算法原理的基础上,运用MAKLINK图论建立物流配送路径模型,选取Dijkstra算法作为初始规划算法来确定蚁群算法的寻优目标函数,并对蚁群算法的信息素更新和节点选择进行了改进.在确定初始参数后,通过改进的蚁群算法规划出从起始点到结束点的最优路径.利用Matlab作为软件工具进行编码和仿真验证.实验结果表明,改进蚁群算法比传统蚁群算法能更好地规划路径,并且可以提高计算的收敛速度.     

复杂环境路径规划的改进蚁群算法

为了克服传统蚁群算法在路径规划中容易出现早熟收敛、陷入局部最优、算法运行慢等缺点,提高算法在路径规划中的性能,提出了改进蚁群算法的距离启发因子、权值系数动态调整的方法,并且利用模拟退火算法的思想,改进蚁群算法的信息素挥发系数。该算法通过这种改进可以避免出现早熟收敛和陷入局部最优,且可以提高算法的运行速度。利用改进的蚁群算法进行路径规划仿真,仿真结果表明,该算法是一种有效的路径规划算法。     

动态复杂环境下的机器人路径规划蚂蚁预测算法

研究了一种新颖的动态复杂不确定环境下的机器人路径规划方法和动态避障码蚁预测算法.该方法模拟蚂蚁的觅食行为,由多组蚂蚁采用最近邻居搜索策略和趋近导向函数相互协作完成全局最优路径的搜索.在此基础上用虚拟蚂蚁完成与动态障碍物碰撞的预测,并用蚁群算法进行避障局部规划.理论和仿真实验结果均表明,即使在障碍物非常复杂的地理环境,用文中算法也能迅速规划出优化路径,且能安全避碰.     

基于改进粒子群算法的移动机器人多目标点路径规划

针对移动机器人遍历多个目标点的路径规划问题,提出了一种基于改进粒子群算法和蚁群算法相结合的路径规划新方法。该方法将目标点的选择转化为旅行商问题,并利用蚁群算法进行优化,定义了每两个目标点之间的路径规划目标函数,利用粒子群算法对其进行优化。针对粒子群算法存在的早熟现象,将反向学习策略引入粒子群算法,并对粒子群算法的惯性权重和学习因子进行改进。性能测试结果表明,改进的粒子群算法能有效避免粒子早熟现象,提高粒子群算法的寻优能力及稳定性。仿真实验结果验证了新方法能有效地实现机器人的多目标点无碰撞路径规划。真实环境下的实验结果证明了新方法在机器人多目标点路径规划的实际应用中也具有有效性。     

一种障碍环境下机器人路径规划的蚁群粒子群算法

针对机器人在障碍环境下寻找最优路径问题, 提出了一种障碍环境下机器人路径规划的蚁群粒子群算法.该方法有效地结合了粒子群算法和蚁群算法的优点, 采用栅格法进行环境建模, 利用粒子群算法的快速简洁等特点得到蚁群算法初始信息素分布, 以减少迭代次数, 加快算法的收敛速度; 同时利用蚁群算法之间的可并行性, 采用分布式技术实现蚂蚁之间的并行搜索, 求解精度高等优点, 求精确解. 仿真实验结果证明了该方法的有效性, 是机器人路径规划的一种较好的方法.     

Three-dimension path planning for UCAV using hybrid meta-heuristic ACO-DE algorithm

Three-dimension path planning of uninhabited combat air vehicle (UCAV) is a complicated optimal problem, which mainly focuses on optimizing the flight route considering the different types of constrains under complicated combating environments. A new hybrid meta-heuristic ant colony optimization (ACO) and differential evolution (DE) algorithm is proposed to solve the UCAV three-dimension path planning problem. DE is applied to optimize the pheromone trail of the improved ACO model during the process of ant pheromone updating. Then, the UCAV can find the safe path by connecting the chosen nodes of the three-dimensional mesh while avoiding the threats area and costing minimum fuel. This new approach can accelerate the global convergence speed while preserving the strong robustness of the basic ACO. The realization procedure for this hybrid meta-heuristic approach is also presented in detail. In order to make the optimized UCAV path more feasible, the к-trajectory is adopted for smoothing the path. Finally, series experimental comparison results demonstrate that this proposed hybrid meta-heuristic method is more effective and feasible in UCAV three-dimension path planning than the basic ACO model.     

基于蚁群粒子群融合的机器人路径规划算法

针对复杂环境下中移动机器人路径规划问题,提出了一种基于蚁群粒子群融合的路径规划算法。该算法首先利用粒子群路径规划的环境建模方法快速规划出起始点到目标点的初始路径。然后根据产生的路径进行信息素的分配,最后经改进的蚁群算法进行进一步寻优,从而找出最优路径。经仿真证明,该方法在寻得最优路径的基础上可大大降低寻优的时间,尤其是对于复杂环境下的路径规划,其效果尤为明显。     

一种自适应分组的蚁群算法

蚁群优化算法是一种能应用于求解旅行商问题（Traveling Salesman Problem,TSP）的智能算法,但蚁群算法在求解TSP路径规划问题中存在收敛速度慢、易陷入局部最优解问题,而将蚂蚁算法的蚁群分组,能增加全局搜索能力,提高求解路径规划性能。通过分析蚁群分组大小与蚁群算法性能的关系,并提出了一种自适应分组蚁群算法,采用一种随迭代分组数减少策略方法,并将其应用于对TSP路径规划问题求解。通过实验结果对比表明,自适应分组蚁群算法在收敛速度和搜索质量方面都有了明显提高。     

改进蚁群与动态Q学习融合的机器人路径规划

基本Q学习算法应用于路径规划时,动作选择的随机性导致算法前期搜索效率较低,规划耗时长,甚至不能找到完整的可行路径,故提出一种改进蚁群与动态Q学习融合的机器人路径规划算法.利用精英蚂蚁模型和排序蚂蚁模型的信息素增量机制,设计了一种新的信息素增量更新方法,以提高机器人的探索效率;利用改进蚁群算法的信息素矩阵为Q表赋值,以减少机器人初期的无效探索;设计了一种动态选择策略,同时提高收敛速度和算法稳定性.在不同障碍物等级的二维静态栅格地图下进行的仿真结果表明,所提方法能够有效减少寻优过程中的迭代次数与寻优耗时.     

基于栅格模型的机器人路径规划快速算法

机器人路径规划算法通常要求是实时的,遗传算法和蚁群算法应用于机器人路径规划时性能并不突出。论文提出的基于栅格的快速算法,简单实用,且计算速度快、占用存贮空间少。实验结果表明,在同等规模下,该算法求解时间仅为蚁群算法求解时间的大约0.025%,算法在更大的数据集上也取得了成功。同时该算法还是一个高效的迷宫最短路的搜索算法。     

Haptic assisted aircraft optimal assembly path planning scheme based on swarming and artificial potential field approach

In this research, a novel near optimum automated rigid aircraft engine parts assembly path planning algorithm based on particle swarm optimization approach is proposed to solve the obstacle free assembly path planning process in a 3d haptic assisted environment. 3d path planning using valid assembly sequence information was optimized by combining particle swarm optimization algorithm enhanced by the potential field path planning concepts. Furthermore, the presented approach was compared with traditional particle swarm optimization algorithm (PSO), ant colony optimization algorithm (ACO) and genetic algorithm (CGA). Simulation results showed that the proposed algorithm has faster convergence rate towards the optimal solution and less computation time when compared with existing algorithms based on genetics and ant colony approach. To confirm the optimality of the proposed algorithm, it was further experimented in a haptic guided environment, where the users were assisted with haptic active guidance feature to perform the process opting the optimized assembly path. It was observed that the haptic guidance feature further reduced the overall task completion time.     

一种改进的机器人路径规划的蚁群算法

针对具有复杂回旋地形结构的机器人路径规划问题, 提出了一种改进的蚁群算法. 该算法引入自适应迁移概率函数实现蚁群具有正、反向运动的能力, 改善了算法的曲折迂回能力; 能见度信息中引入距离启发因素和障碍相交检测机制, 完成路径搜索与避障过程有机结合, 提高算法的搜索效率; 引入贪婪信息素更新策略和节点信息素分布, 降低了数据存储量, 改善了路径规划的效果和算法的收敛速度. 基于不同算法的比较仿真实验, 数值结果证实了该算法的有效性.