A*算法在AGV路径规划上的改进与验证

针对单AGV路径规划时,A^*算法的启发函数采用曼哈顿距离时遇到障碍物会出现局部绕行这一问题,将带有障碍物的栅格地图作为环境模型,研究出两种改进A^*算法的路径规划方法。第一种方法是在遇到障碍物时将启发函数中曼哈顿距离换成欧氏距离,利用欧氏距离规划路径代价最小的特性避免绕行;第二种方法通过比较AGV遇到障碍物的位置与障碍物左右两端距离大小,通过规定行驶方向避免绕行。仿真结果表明,两种方法均可以在单AGV遇到障碍物时避免绕行,有效地减少了行驶时间,也使得路径更加平滑,提高了AGV的运行效率。     

基于改进A~*算法的AGV叉车路径规划技术研究

针对车间工作环境下AGV叉车的最优路径快速规划问题,从启发函数和路径平滑策略出发,提出了一种改进型A~*算法。基于欧几里得距离模型,引入余弦相似度作为启发函数,提高搜索方向与目标方向的一致性匹配。进而,结合AGV叉车实际运行情况,提出了基于拐点数优化的路径平滑策略。在相同路径长度下,减少不必要的拐点数,优选拐点数少的路径进行规划,使路径更加平滑。仿真结果表明,改进后的A~*算法提高了AGV叉车的路径规划速度和整体工作效率,并能更加有效地规划出较短且平滑的路径。     

基于双向搜索改进A*算法的自动导引车路径规划

在面积比较大的或划分精细的栅格地图中进行自动导引车(AGV)行驶路径规划时,经典的A*算法搜索得到的路径往往冗余节点和转折点较多,搜索路径时间较长.为了提高A*算法的实时性,提出了一种基于双向搜索路径的A*算法.首先,对于A*算法的启发函数引入父节点和Chebyshev Distance,改进启发函数;其次,引入双向路径搜索的动态窗口,同时从路径的起点和终点搜索路径,得到一条初始路径,并论述了动态窗口的大小对于双向搜索路径的影响;最后,依据关键点搜索原理,剔除初始路径中存在的冗余节点,得到最终的搜索路径.实验证明,相较于单向改进A*算法和改进人工势场算法,双向搜索改进A*算法搜索路径耗费时间分别降低了22.9％和78.4％,路径包含节点数分别降低了82.2％和99.5％,证明了算法的有效性.     

基于双向搜索改进A*算法的自动导引车路径规划

在面积比较大的或划分精细的栅格地图中进行自动导引车(AGV)行驶路径规划时,经典的A*算法搜索得到的路径往往冗余节点和转折点较多,搜索路径时间较长.为了提高A*算法的实时性,提出了一种基于双向搜索路径的A*算法.首先,对于A*算法的启发函数引入父节点和Chebyshev Distance,改进启发函数;其次,引入双向路径搜索的动态窗口,同时从路径的起点和终点搜索路径,得到一条初始路径,并论述了动态窗口的大小对于双向搜索路径的影响;最后,依据关键点搜索原理,剔除初始路径中存在的冗余节点,得到最终的搜索路径.实验证明,相较于单向改进A*算法和改进人工势场算法,双向搜索改进A*算法搜索路径耗费时间分别降低了22.9％和78.4％,路径包含节点数分别降低了82.2％和99.5％,证明了算法的有效性.     

基于IMA的AGV群组路径规划仿真

在大型仓储AGV群组作业任务场景中,路径规划带来的效率和安全是亟待解决的难题。针对传统文化基因算法(MA)容易陷入局部最优、耗时较长、路径不平滑等问题,在满足多约束条件下提出了一种改进的文化基因算法(IMA)。算法采用改进K聚类算法对环境栅格地图进行分区,缩小地图规模降低算法更新时间成本;根据适应度函数值采用自适应技术调整交叉和变异算子概率,增加种群多样性避免全局搜索陷入局部最优;通过概率法进入二次局部搜索,局部采用A*和蚁群混合算法改善规划路径的平滑性。最终提高了路径规划的效率和安全性。经验证IMA算法与传统MA算法相比提高了规划效率和避障性能,任务总时间平均节约4.6%,路径总长度节约4.3%,AGV能耗降低了27.1%,算法优化效果明显,适用于大型仓储AGV群组作业场景下的路径规划。     

改进A*算法在路径规划中的应用

针对大规模多AGV路径规划的应用场景,为解决多个AGV在路径规划时因抢占节点,导致该节点负载过高,造成局部拥塞,致使整个系统的运行效率降低的问题。提出了一种结合节点负载情况的改进A*算法。各个节点的负载从初始值开始,根据相应的动态负载计算公式,动态更新该节点的负载。在A*算法的启发函数中引入负载,使节点负载影响AGV路径选择,避开高负载节点。通过相应的仿真模拟实验,证明了该算法能够有效地均衡各节点的负载,提高系统运行效率。     

紧致密集Auto Store系统AGV路径规划与避碰策略

针对新兴紧致密集仓储系统Auto Store具有短途挪库作业多、顶层AGV冲突多、货架结构性角落多等特点,提出一种离线-在线两阶段AGV优化调度方法。离线路径规划阶段,给出改进双层A*算法,在拓扑图建模划分搜索区域基础上,上层通过考虑冲突的启发式函数和考虑转弯的代价函数寻求可行区域,下层在此区域基础上搜索最优路径。在线AGV运行阶段,针对两AGV冲突,扩充了回退策略和路线重规划策略;针对多AGV冲突,提出一种基于贪心算法的区域避碰决策策略,以控制问题规模。最后利用Flexsim仿真进行了验证,结果表明,较于标准A*算法,改进A*算法能在保证搜索效率的同时获得冲突较少的初始路径方案;较于优先级策略,区域避碰策略能减少AGV等待时间;将二者相结合,能缩短整体作业完成时间,且随着AGV数量和作业任务增多,优势越明显。     

基于改进A*算法的移动机器人路径规划

针对A*算法在路径规划中存在遍历节点数过多、转折角度较大的问题,提出一种能自适应场景地图的改进A*算法。通过量化地图场景信息和障碍物分布情况,引入父节点对当前节点的影响力,增加障碍物分布率的启发函数权重,减少遍历节点数量、提高搜索速度;加入转弯惩罚函数、扩展邻域优先级搜索和冗余节点平滑策略对路径进一步优化,避免路径出现多余转弯,降低路径出现局部最优解的可能。在相同地图场景中进行测试对比,所提算法能有效减少遍历节点数量,降低总转折角度,提高搜索速度,缩短路径距离,获得最优路径。     

融合环境信息和运动约束的改进A*算法研究

标准A*算法存在着无法考虑移动机器人运动特性及处理后的路径不利于移动机器人运动等问题。针对这一问题提出了一种新改进A*算法,通过环境信息引入障碍物权重系数来改进算法的启发函数并进行全局路径规划;优化搜索节点的选取方式和设定障碍物与路径之间的安全距离;基于对移动机器人的运动特性的考虑优化其路径,并在不同环境地图中与其他算法进行仿真实验对比分析。相关实验表明：基于新改进A*算法规划的路径始终与障碍物保持一定的安全距离;改进A*算法在时间上相比标准A*算法平均减少了80%,路径长度平均减少了2%,路径转角平均降低了82%。改进后算法相比其他算法在时间、搜索节点以及平滑度上有很大的改进,融合机器人环境信息和运动特性的规划路径算法可为移动机器人的路径规划提供一种新的方法。     

煤矿履带式定向钻机路径规划算法

煤矿履带式定向钻机路径规划过程中存在机身体积约束和实际场景下的行驶效率需求,而常用的A*算法搜索速度慢、冗余节点多,且规划路径贴近障碍物、平滑性较差。提出一种以改进A*算法规划全局路径、融合动态窗口法（DWA）规划局部路径的煤矿履带式定向钻机路径规划算法。考虑定向钻机尺寸影响,在传统A*算法中引入安全扩展策略,即在定向钻机和巷道壁、障碍物之间加入安全距离约束,以提高规划路径的安全性;对传统A*算法的启发函数进行自适应权重优化,同时将父节点的影响加入到启发函数中,以提高全局路径搜索效率;利用障碍物检测原理对经上述改进后的A*算法规划路径剔除冗余节点,并使用分段三次Hermite插值进行二次平滑处理,得到全局最优路径。将改进A*算法与DWA融合,进行煤矿井下定向钻机路径规划。利用Matlab对不同工况环境下定向钻机路径规划算法进行仿真对比分析,结果表明：与Dijkstra算法和传统A*算法相比,改进A*算法在保证安全距离的前提下,加快了搜索速度,搜索时间分别平均减少88.5%和63.2%,且在一定程度上缩短了规划路径的长度,路径更加平滑;改进A*算法与DWA融合算法可有效躲避改进A*算法规...     

改进A~*算法在桥式起重机中的应用

传统A~*路径规划算法应用于桥式起重机路径规划任务时,规划所得路径拐点多,容易造成电机启停次数增多、转载效率下降、负载摆幅增大等问题。针对上述问题,对A~*算法的改进方法进行了研究。在改进过程中,综合考虑路径最优、智能避障、电机启停次数等约束条件后,新增节点方向信息启发函数,将其融入传统A~*算法的估价函数之中以减少路径拐点。同时,考虑到负载摆动问题,通过优化栅格地图模型,提高路径安全性。数字仿真与应用案例证明了基于改进A~*算法的智能路径规划方法的有效性。     

改进A~*蚁群算法求解机器人路径规划问题

针对蚁群算法收敛速度慢、效率低以及易陷入局部最优的一系列问题,提出改进的A~*蚁群算法。为降低蚁群死锁、停滞的概率,先将栅格地图进行处理。其次为了提高蚁群的效率,引进A~*算法确定蚁群的初始信息素,同时改进蚁群信息素更新方式,从而提高算法的收敛速度;针对局部最优的问题,提出将蚁群中的启发函数进行改进,不仅考虑到可行栅格中的最短距离,还考虑到目标点的位置,并且引入简化算子对蚁群的路径进行优化。通过4组仿真对比,改进的A~*蚁群算法效果显著。     

双向搜索机制的改进A*算法研究

针对大规模环境下传统A*算法路径寻优存在的内存占有率高、计算效率低下的问题,提出了一种改进A*算法。引入了双向搜索机制,以原始起点、终点和对向搜索所处的当前节点作为目标点进行搜索操作,使AGV的路径寻优具备更加合理的方向性;优化评价函数,改进了评价函数的传统计算方式,通过测试为评价函数选择了合适的权重系数,减少路径寻优过程中的冗余点,提升路径寻优的计算效率,节约内存占有率。为了验证改进A*算法的有效性,在Matlab平台中进行编程,在不同尺寸的含障碍栅格地图中进行了仿真。仿真结果表明：改进A*算法在路径寻优过程中所遍历的节点数量较少,搜索过程中的计算效率更高,并且可获得到达目标点的最短路径。     

融合JPS和改进A*算法的移动机器人路径规划

针对传统A*算法在场景较大的栅格地图路径规划时,很多冗余节点的遍历导致寻路算法内存消耗大、计算速度慢等问题,提出了一种对A*算法的改进策略.首先,改进启发函数的具体计算方式,利用切比雪夫距离替代欧氏距离使启发式函数精确地等于实际最佳路径,减少A*节点的拓展数量;其次,使用跳点搜索(JPS)策略筛选出跳点添加到OpenList和ClosedList代替A*算法中大量不必要的邻节点,通过跳点实现较长距离的跳跃,从而减少内存占用以及对节点的评估,直到生成最终路径.为了验证A*算法改进后的效果,在五种尺寸的二维栅格地图中进行仿真测试,结果表明,改进后的A*算法减少了大量寻路过程评估的节点,提高了寻路速度,并且随着地图尺寸的增加,改进后的A*算法能将寻路速度提高一个数量级以上.最后,将改进后的算法应用在移动机器人路径规划器上进行实验,在同一规划任务下,JPS策略下改进的A*算法较传统A*算法,路径搜索耗费时间减少了92.2％,拓展的节点减少了97.37％,能够满足大场景下移动机器人快速路径规划的要求.     

改进A*算法在机器人室内路径规划中的应用

传统A^*算法在面向机器人室内多U型障碍的特殊场景下规划路径时，容易忽略机器人实际大小，且计算时间较长。针对这个问题，提出一种改进A^*算法。首先引入邻域矩阵进行障碍搜索以提升路径安全性，然后研究不同类型和尺寸的邻域矩阵对算法性能的影响，最后结合角度信息和分区自适应距离信息对启发函数进行改进以提高计算效率。实验结果表明，改进A^*算法可以通过更改障碍搜索矩阵的尺寸来获得不同的安全间距，以保证不同机器人在不同地图环境下的安全性；而且在复杂大环境中与传统A^*算法相比寻路速度提高了28.07%，搜索范围缩小了66.55%，提高了机器人在遇到动态障碍时二次规划的灵敏性。     

基于启发式算法的路径规划

对路径规划中的最优路径选择算法进行了研究.目前广泛采用的A*最优路径规划算法,在实际的执行过程中容易陷入“死循环”,并且其找到的路径并非最优路径.为了提高最优路径规划的准确度和寻优速度,在分析了基本的A *算法的基础上,提出了一种双向A*递归算法,主要通过加入搜索方向因子,充分利用硬件资源和并行编程技术,克服原有A*算法的缺点.最后通过实验和对比证明,双向A *递归算法充分利用双核CPU并行工作的优势,结合并行算法设计,并改进了估价函数模型,大幅提高了算法的性能和运行效率,特别是在大规模路径图搜索的情况下,体现了它的实用性.     

融合改进A*与DWA算法的机器人动态路径规划

传统A*算法是移动机器人全局路径规划的常用算法之一,但是算法搜索效率低、规划路径转折点多、面对复杂环境中随机出现的动态障碍物无法实现动态路径规划。针对这些问题,在考虑全局最优的基础上将改进A*与DWA算法融合,量化环境中的障碍物信息,根据此信息调节A*算法启发函数的权重,提高算法的效率和灵活性。基于Floyd算法思想设计路径节点优化算法,删除冗余节点,减少转折,提高路径平滑度。基于全局最优设计DWA算法的动态窗口评价函数,用于区分已知障碍物和未知动态、静态障碍物,提取改进A*算法规划路径的关键点作为DWA算法的临时目标点,在全局最优的基础上实现了改进A*与DWA算法融合。实验结果表明,在复杂环境中,融合算法规划路径既能保证全局最优,又能及时有效地躲避环境中出现的动静态障碍物,实现复杂环境中的动态路径规划。     

基于双向搜索的改进蚁群路径规划算法

针对移动机器人在复杂地图环境中移动耗时长、易陷入局部最优等问题,设计了一种基于双向搜索的改进蚁群路径规划算法。基于K-means算法对地图预处理,量化地图的局部复杂度程度,并将局部环境信息融合到状态转移概率函数,使机器人优先选择在复杂程度小的区域进行寻优,减少路径拐点。设定双向搜索规则,改进启发函数,提高算法的局部方向搜索精度和全局搜索效率。针对蚁群算法中蚂蚁遇到U障碍物陷入死锁的问题,提出死锁判断系数,增加了有效蚂蚁的数量,进一步提高了算法性能。仿真结果表明所设计的算法在复杂地图环境中相较于传统蚁群算法移动机器人的路径搜索效率更高。     

基于A*改进算法的四向移动机器人路径搜索研究

在由栅格法构建的环境地图中,利用A*算法进行路径搜索时存在搜索范围广、搜索速度慢、路径曲折等问题.针对栅格地图及具有四向移动机器人的特点,从搜索方向、启发函数构建、机器人加减速以及转向成本等几个方面对A*算法进行研究和改进,提出一种基于启发信息的扩展节点算法,降低偏离最佳路径节点的扩展数量.改进后的A*算法平均可降低67.1%的搜索面积、49.2%的计算时长、24.9%的路径成本及减少51.1%的转向次数,提高了路径的搜索速度和平滑度.     

基于人工势场的A*算法的移动机器人路径规划

为了解决传统A*算法规划路径时未考虑到障碍物分布对路径选取的影响,文中提出了一种改进的A*算法.将人工势场的思想与传统的A*算法相结合,对栅格地图中的障碍物赋予斥力场函数并计算周围栅格的斥力大小,进行路径搜索时将栅格的斥力大小引进到A*算法的评价函数当中以改进A*算法的搜索能力.通过MATLAB仿真和Turtlebot机器人的实验结果表明,与传统的A*算法相比,改进后的新算法与人工势场算法相结合,规划出了更优的路径,提高了路径规划效率,且搜索速度提高了 13.40％～29.68％,路径长度缩短了 10.56％～24.38％,路径节点数减少了 6.89％～27.27％,因此,改进的A*算法的优化效果明显,具有有效性和可行性.