一种动态不确定环境中机器人路径规划方法

针对动态不确定环境下的机器人路径规划问题,将部分可观察马尔可夫决策过程（POMDP）与人工势场法（APF）的优点相结合,提出一种新的机器人路径规划方法。该方法充分考虑了实际环境中信息的部分可观测性,并且利用APF无需大量计算的优点指导POMDP算法的奖赏值设定,以提高POMDP算法的决策效率。仿真实验表明,所提出的算法拥有较高的搜索效率,能够快速地到达目标点。     

复杂环境下改进APF的机器人路径规划

针对移动机器人在有大型障碍物和运动空间相对狭窄的复杂环境中,人工势场法（APF）容易出现反复震荡、路径规划时间较长以及大型障碍物附近避障困难的问题,提出了在结合边缘探测法的APF路径规划基础上,加入自适应动态步长调整算法来克服APF的上述缺陷,实现移动机器人在复杂环境下的平滑路径规划,在确保路径近似最优的同时提高APF算法的收敛速度和路经规划的避障性能。实验结果证明了上述方法的有效性。     

基于滚动速度障碍法的无人机山地航测避障路径规划研究

无人机在进行山地航测时,经常遭遇鸟类等动态障碍,若不能及时规避掉障碍,极容易发生坠机事故。为此,研究一种基于滚动速度障碍法的无人机山地航测避障路径规划方法。基于山地环境模型,结合飞行路径长度、路径平滑度建立一个综合目标函数并利用改进布谷鸟搜索算法求解,得到无人机山地航测的初始路径。对图像进行预处理后,识别无人机初始路径飞行过程中遇到的障碍物,并通过超声波测量无人机与障碍物之间的距离,以此建立速度障碍模型,实现速度障碍碰撞分析,通过滚动窗口的方式确定无人机与障碍物是否存在飞行冲突。基于滚动速度障碍避障方法实现滚动角度避障和速度避障,获取最终的优化路径,完成基于滚动速度障碍法的无人机山地航测避障路径规划。测试结果表明:航测避障路径长度为571.45m,平滑度为165.52,规划的方案更具合理性。     

面向智慧观光农业的无人机路径规划策略

为提高无人机在观光农业混合型无线传感器网络中的数据采集效率,提出一种基于深度强化学习的无人机路径规划策略。基于社会力模型引入人流参量,结合Semi-Markov-Option分层强化学习方法以降低模型复杂度,基于Rainbow算法提出SMO-Rainbow(Semi-Markov-Option-Rainbow)路径规划策略。在ε-greedy探索策略中引入Tanh函数,提出AT-ε-greedy(adaptive-Tanh-greedy)策略,进一步平衡深度强化学习模型训练中的探索与利用阶段。实验结果表明,在观光农业场景中,所提路径规划策略与其它深度强化学习无人机路径规划策略相比,数据采集效率与训练稳定性均更优,有效降低了模型训练难度。     

基于APF的AGV局部路径规划改进算法研究

针对原有人工势场法（artificial potential field,APF）在局部路径规划时的避障效果不良问题,提出一种APF-PSO的改进算法改善原算法优化路径规划的效果。将速度势场引入位置势场中使AGV（automated guided vehicle）动态避开不同速度的移动障碍物;当算法陷入局部最小值时,采取PSO（particle swarm optimization）算法,并对其惯性权重因子和学习因子做出调整,通过三次样条曲线插值来平滑路径,使得AGV找到最短路径。结果表明APF-PSO改进算法可根据障碍物速度不同动态避障,解决了APF算法运算中避障效果不良问题。     

基于稀疏A*搜索和改进人工势场的无人机动态航迹规划

针对不同属性的障碍物所构成的威胁分布模型, 本文提出了一种基于稀疏A*搜索算法预规划和改进人工势场相结合的无人机动态避障算法. 该算法首先对威胁分布建立栅格化模型; 然后根据静态威胁, 基于稀疏A*搜索算法进行全局航迹规划; 最后结合预规划路径和动态威胁分布, 利用改进人工势场法完成无人机的动态避障. 仿真结果表明, 该方法能够规划出给定威胁指标下的全局最优路径并达到良好的动态规避性能.     

基于贝叶斯决策的无人机飞行路径自动规划方法

传统无人机飞行路径自动规划方法无法获取全部障碍物信号,使无人机飞行不能达到避障效果,导致飞行路线规划效果较差;为此提出基于贝叶斯决策的无人机飞行路径自动规划方法;无人机飞行路径自动规划硬件模块包含自动规划模块、动画演示模块、地图导航模块和数据导出模块,自动规划模块负责控制无人机飞行;动画演示模块使用240PRO型号的LEWITT声卡,为展示飞机飞行路线提供声音;LS-TM8N地图导航模块通过串口将射频信号发送到天线的输入端,再由数据导出模块导出并保存相关数据;基于贝叶斯决策原理,结合贝叶斯元胞蚁群算法,计算贝叶斯先验概率和后验概率,规划无人机飞行路径,获取最优路径;实验结果表明,该方法遇到静态障碍物捕获的避障信号在-28～30mV范围内波动,动态障碍物捕获的避障信号在-27～30 mV范围内波动,与实际障碍物信号波动范围一致,避障效果较优.     

基于改进人工势场法电力巡检无人机航迹规划

论文中结合无人机在电力巡检中的应用以及无人机巡线的方式,引入了理想巡检路径,提出了一种基于人工势场的无人机航迹规划避障的改进算法;根据电力巡检无人机的应用场景对势函数进行了调整,并且引入无人机在理想航迹投影点的引力场,当无人机陷入U型障碍物时调整无人机对障碍物感知的范围,使无人机摆脱U型障碍物.该改进算法不仅可以提高无人机巡线的效率,也可以解决部分局部极小问题.最后通过二维平面轨迹规划问题的数学仿真,验证了该方法的有效性.     

无人机反应式扰动流体路径规划

针对复杂三维障碍环境,提出一种基于深度强化学习的无人机(Unmanned aerial vehicles, UAV)反应式扰动流体路径规划架构.该架构以一种受约束扰动流体动态系统算法作为路径规划的基本方法,根据无人机与各障碍的相对状态以及障碍物类型,通过经深度确定性策略梯度算法训练得到的动作网络在线生成对应障碍的反应系数和方向系数,继而可计算相应的总和扰动矩阵并以此修正无人机的飞行路径,实现反应式避障.此外,还研究了与所提路径规划方法相适配的深度强化学习训练环境规范性建模方法.仿真结果表明,在路径质量大致相同的情况下,该方法在实时性方面明显优于基于预测控制的在线路径规划方法.     

无人机三维路径规划及避障方法

针对无人机(UAV)在三维环境中如何由起始点到目标点合理地规划路径避开障碍物,提出了一种基于改进粒子群算法与滚动策略相结合的UAV路径规划与避障方法.该方法首先以UAV为中心,通过传感器建立UAV的可视区域模型;其次结合滚动策略滚动探知UAV周围环境信息;最后,利用改进的粒子群算法进行路径搜索,并加入综合转角控制提高路径的平滑性.在传统粒子群算法中加入信息素与启发函数,增强算法的全局搜索能力,并对参数进行特定设计提高算法的收敛速度.仿真结果表明,该方法可以实现实时避障,所规划的路径相对平滑,且改进算法比传统算法具有较高的收敛性.     

基于类三维地图的无人机路径规划

在无人机低空飞行时,障碍物的形状大都不规则,很难建立其准确的解析模型;针对该问题,在栅格法的基础上提出了一种利用类三维地图进行路径规划的方法;首先阐述了类三维地图的创建方法,并提出了下降方向和驻点等概念;分析了在不规则障碍环境下进行路径规划时如何避免死锁以及提高规划效率;给出了算法的具体实现步骤;仿真结果表明,在不规则障碍物环境下此方法能迅速得到较好的规划结果。     

多基地多无人机航迹避障任务规划

在多目标群多基地多无人机协同任务规划环境中,可能存在多个突发威胁。针对该问题,提出一种周期性快速搜索遗传算法(PFSGA)与人工势场法(APF)的联合算法。以侦察任务为背景,将共同分配策略引入任务规划过程中,构建多基地多无人机协同任务规划模型,利用PFSGA算法进行初步的任务规划。在此基础上,考虑基地与目标群之间的突发威胁,应用APF进行航迹避障。仿真结果表明,该算法具有良好的避障功能,与遗传算法和APF的联合算法相比,PFSGA-APF联合算法可避免陷入局部最优且易于求得最优解。     

基于改进RRT算法的无人机三维避障规划

RRT算法由于其在复杂环境中有强大的随机搜索能力,在无人机避障规划中被广泛运用.为了提高无人机避障规划的效率,提出了一种基于预规划路径优化RRT算法的无人机三维避障规划算法.算法首先在障碍物膨胀规则和相交规则下生成预规划路径,然后将预规划路径看做成连续的质点组成,按一定的扩展树步长的比例从连续质点取点来确定搜索树的随机状态点,最后RRT算法在这些随机状态点的引导下进行搜索,生成避障规划路径.仿真结果表明,改进的RRT算法生成的预规划路径降低了障碍物搜索的时间和增强了搜索树扩展的方向性;预先确定的随机状态点使搜索树在扩展中具有方向性,可减少新生节点的个数和路径长度,进而提高了无人机避障路径规划的效率,使得最终生成避障路径的时间更优.     

基于全局路径规划的相互速度障碍物人群疏散方法

针对相互速度障碍物（RVO）模型缺少全局路径规划,只依靠局部碰撞避免不能很好地模拟复杂的疏散场景问题,提出了一种剩余路径代价尽量小的动态全局路径选择方法。该方法包含路径预处理和路径实时更新两部分:第一部分使用快速最短路径算法（SPFA）求取场景最短路径（SSP）;第二部分根据SSP快速动态地计算每个个体的最优疏散路径,并使用KD树优化障碍物阻挡判断过程。最后将方法扩展到多楼层、多障碍物、多通道、多出口的复杂场景实现了近千人的仿真实验。实验结果表明,该方法在多个场景中都取得了良好的路径规划效果。     

基于观测的POMDP 优化算法及其仿真

在分析马尔可夫决策过程（Markov Decision Process, MDP）性能灵敏度的基础上,讨论了部分可观 测马尔可夫决策过程（Partially Observable Markov Decision Process, POMDP）的性能优化问题．给出了POMDP 性能灵敏度分析公式,并以此为基础提出了两种基于观测的POMDP 优化算法：策略梯度优化算法和策略迭 代优化算法．最后以准许控制问题为仿真实例,验证了这两个算法的有效性．     

基于采样的POMDP近似算法

部分可观察马尔科夫决策过程（POMDP）是一种描述机器人在动态不确定环境下行动选择的问题模型。对于具有稀疏转移矩阵的POMDP问题模型，该文提出了一种求解该问题模型的快速近似算法。该算法首先利用QMDP算法产生的策略进行信念空间采样，并通过点迭代算法快速生成POMDP值函数，从而产生近似的最优行动选择策略。在相同的POMDP试验模型上，执行该算法产生的策略得到的回报值与执行其他近似算法产生的策略得到的回报值相当，但该算法计算速度快，它产生的策略表示向量集合小于现有其他近似算法产生的集合。因此，它比这些近似算法更适应于大规模的稀疏状态转移矩阵POMDP模型求解计算。     

A*初始化的变异灰狼优化的无人机路径规划

无人机（unmanned aerial vehicle,UAV）路径规划问题是无人机任务规划系统的重要组成部分,需要在一个存在威胁区的搜索空间中获得最优路径。为解决灰狼优化算法存在收敛速度慢、容易陷入局部最优等问题,提出了一种基于A*初始化的变异灰狼优化算法。该算法首先将模型离散化,进而使用A*算法进行头狼的初始化,使后续算法有一个较优的起点,随后通过简化后的灰狼优化算法在连续模型上构建和更新种群,在迭代过程中,通过新提出的一种新型修正变异算子优化种群。利用三次B样条平滑后的无人机航迹,符合无人机的性能要求。经实验验证,算法在代价收敛速度、求取的最终路径以及算法稳定性方面均优于粒子群算法（particle swarm optimization,PSO）、灰狼优化算法（gray wolf optimizer,GWO）、共生生物搜索算法（symbiotic organisms search,SOS）算法,在解决无人机路径规划问题上具有较高的应用价值。     

基于双旋Lyapunov矢量场的无人机避障算法

提出一种基于双旋Lyapunov矢量场的无人机避障算法.首先,建立无人机和障碍物的模型,并根据无人机有限时间是否会侵犯障碍物安全圆设计避障判定规则;然后,基于最小侧向偏移量原则选定避障机动中无人机速度旋转方向为最优避障方向,选定其反方向为矢量场旋转方向,定义成功避障的标准并进行证明;最后,通过建立的障碍物合并规则提升避障效率,使得上述方法适用于未知环境下的无人机在线避障.仿真结果表明,在无人机性能约束下,所提出的算法对动态和静态障碍都能有效避障,算法性能优于Dubins路径和人工势场法.     

基于改进RRT-connect的四旋翼无人机避障轨迹规划算法

针对四旋翼无人机在低空复杂环境自主巡航所需的航迹规划问题,提出了一种基于快速搜索随机树(RRT-connect)的改进型算法。根据四旋翼无人机的微分平坦特性,合理设计了规划空间;引入转角约束和路径修剪方法,在保证规划实时性的基础上使所规划路径的平均长度缩短了19%;通过B样条函数对路径进行平滑处理,使生成的轨迹具有二阶几何连续性,同时能避免与障碍物区域发生碰撞。经多次重复对比试验,证实了提出算法的有效性、优越性和稳定性。     

基于部分可观马氏决策的AUV全局路径规划

自治式水下机器人在复杂海洋环境航行时要求寻找一条从给定起始点到终止点的较优的运动路径,安全、无碰撞地绕过所有的障碍物.提出了一种基于部分可观察马尔可夫决策过程,并结合预测障碍物运动的全局路径规划新方法; 给出了部分可观马尔可夫决策的数学模型;建立了树状的分层部分可观马尔可夫决策模型,并在路径规划中应用;提出了短期预测和长期预测两种针对水下障碍物运动轨迹预测的方法;最后通过仿真实验对AUV的全局路径规划能力进行了仿真验证,为今后的实艇试验打下了很好的基础.