基于改进A*算法的移动机器人路径规划研究

A^*算法广泛应用于移动机器人路径规划中,而传统A^*算法在寻路时,普遍存在搜索时间较长、效率低下等问题,因此,采用双向搜索的方式,对传统A^*算法加以改进,该算法在路径规划过程中,可同时进行正反向路径搜索,同时采用正反向搜索交替机制,保证了最终目标节点搜索在连线中点区域内相遇,从而缩短了寻路计算时间。在MATLAB平台上,针对改进后的A*算法进行仿真实验,结果证明,双向A^*算法减少了规划时间,且可生成最优路径。最后,将该算法应用到基于开源机器人操作系统的Turtlebot2移动平台上,进行现场实验,实验结果表明,双向A^*算法减少了寻路计算时间,从而使得路径搜索效率得到显著提升,且规划路径合理,满足路径规划要求。     

一种基于改进A~*算法的限制搜索区域的路径规划方法

本文根据已有A*算法,给出了一种改进的最优路径规划算法,此算法在根据道路的实际情况对路网进行分层的同时,根据实际路网的拓扑特性对搜索区域进行合理的限制,实验证明此算法在进行路径规划时节省了时间。     

改进BIT*与DWA算法的动态路径规划

传统批通知树（batch informed trees;BIT*）算法结合了RRT*算法和A*算法的优势;但是该算法在复杂环境下无法躲避未知的动态障碍物;无法完成动态路径规划。针对该问题;提出了一种将改进的BIT*算法和改进的DWA算法相融合的算法。在传统BIT*算法的基础上对路径进行拉伸优化;提取关键转折点;减少路径长度;对传统DWA算法的距离评价函数进行改进、引入轨迹点评价函数;避免局部规划过分偏离;也减少了已知障碍物对路径的影响;将改进的BIT*算法与改进的DWA算法相融合;将提取的关键转折点作为DWA的中间目标点;弥补全局规划算法无法躲避动态障碍物的缺点以及局部规划算法全局能力低下的缺点。在动静态地图中对RRT*算法、BIT*算法、DWA算法、改进BIT*算法以及融合算法进行仿真实验;仿真结果表明:在复杂环境中;改进的BIT*算法具有更短的路径和更少的拐点;与传统的DWA算法相比;融合算法规划的路线更平滑;机器人既能实时动态避障抵达终点;又能更加贴近全局路径;保证路线全局最优。     

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。     

基于改进蚁群算法的机器人路径规划方法

根据传统蚁群算法在机器人的路线规划中具有收敛速度慢、容易陷入局部最优解的缺陷,提供了一个经过改进的蚁群算法。使用栅格法建立路径矩阵,建立一种转角启发函数,增加选择指定路径的概率,提高算法的搜索速度;将A^*算法与改进蚁群算法结合,提出一种改进的距离启发函数,避免了陷入局部最优解;并提出一种可根据迭代次数而改变的信息素挥发因子,增强了全域搜寻能力。根据相关数据分析,与Ant Colony Algorithm with Multiple Inspired Factor(ACAM)算法相比,改进的蚁群算法对于解决算法收敛速度慢、防止进入局部最优解等方面效果更好。     

基于复杂度分析的改进A~*算法飞行器航迹规划

采用传统A*算法进行大范围地图航迹搜索过程中,要收敛到最优解可能需要很长的时间和极大的内存需求,而且生产的航迹不能满足飞行器的约束条件。通过对A*算法进行时间复杂度的分析,找出算法中对计算时间影响最大的基本操作,提出了一种改进的A*搜索算法。该算法根据导航精度、数字地图误差等因素对搜索过程中网格的大小做出了确定,结合飞行器自身航迹约束条件和任务约束,在扩展子节点过程中大大缩小了搜索范围。仿真实验结果表明,该算法在大范围复杂地形情况下能规划出满足约束条件的最优航迹,并能大幅度降低搜索时间。     

基于改进D*算法的室内移动机器人路径规划

对于D^*算法,由于其本身存在一定的缺陷,例如,规划阶段的庞大计算量,所得路径转角相对较大、具有多次转弯数,且若目标点更换后,原有规划不宜再用,应再次作出规划等。因此,对此算法进行改进。基于沃罗诺伊路线图法,将目标环境分解为多个局部环境,选取局部路径目标点时,以局部环境关键节点为主,对于无用节点,采取舍弃操作。使D^*算法的改进基于两点,即子节点选定方式、启发函数的改进,同时最大程度确保路径平滑。仿真结果表明,在转角度数、转弯次数上均有优化,规划时间缩短,路径质量提高,适当保持与障碍物的距离,机器人执行任务的安全性得到保障。在目标点变更后,利用沃罗诺伊路径路线图,机器人以更小的计算量抵达新的目标点。     

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。     

基于改进A*算法和lattice算法的路径规划方法

针对A*算法缺乏动态性、不够平滑、计算量大,且不满足具体的非完整约束等问题,提出一种融合改进A*算法和lattice算法的路径规划方法.一方面消除传统A*算法中的冗余点,同时考虑物体的方向属性和实际运动约束,优化启发式函数最终生成全局路径.另一方面lattice根据改进A*算法生成的全局路径作为参考线,采样并结合障碍物信息和其他代价信息选出平滑的、无障碍的包含位置、移动速度、移动加速度等信息的局部轨迹.使用栅格地图进行车辆路径规划的实验仿真,该算法能够兼顾全局与局部,快速规划出一条平滑且满足车辆非完整性约束的运动路径.     

一种基于改进Theta *的机器人路径规划算法

对Theta *算法进行改进,并用于解决机器人路径规划问题.首先,将障碍物对机器人产生的斥力作为一种惩罚函数加入到启发函数中,并合理地选择惩罚函数权重以确定启发函数.在此基础上,改进A *算法的变种——Theta *算法,提出对路径进行平滑处理的PS_Theta *算法.最后在二维仿真环境中进行验证及数据统计,并推广至三维复杂环境中,实验结果证明了算法的合理性与有效性     

基于遗传算法的超市最短导购路径推荐

大型超市里商品数目的繁多、空间布局的复杂往往容易让消费者迷失在室内,花费大量时间进行商品搜寻。提出基于遗传算法的超市导购路径推荐方法,通过对超市的空间布局结构离散化建模,生成分别用节点和无向边表示商品区域和区域之间可行走路线的平面图;结合消费者的采购清单,根据商品所在的货架位置将商品与具体的区域做出匹配,用遗传算法优化生成一条联结超市入口、要采购的商品区域以及结账柜台的最短路线。Matlab的仿真结果显示,该方法简单、高效,能够快速为消费者推荐出最短路线,供其购物参考。     

RFID室内仓储车辆的智能导航与调度技术

针对物联网仓储环节中货物周转效率低、运营成本高的现状,提出一种新的智能管理方案.车载运算终端通过控制RFID模块采集的地面标签信息进行实时定位,由A*算法生成导航路径,并通过无线网络与调度主机交互数据,再利用遗传算法实现车辆的统一调度管理.实验表明,本设计有效节省了货物周转时间,提高了仓储空间利用率.     

智能交通中的高效多准最短路径混合算法*

针对智能交通系统（ITS）中求解多条准最短路径的问题,提出了一种混合算法。该算法以Floyd算法和A*算法为基础,主要运用遗传算法来求解多条准最短路径。实验的结果表明了该混合算法的可行性和比其他算法的高效性。     

一种面向机器人的超市形态建模方法

结合超市经营客观实际,围绕环境、商品、货架形态建模过程遇到的体系结构、关键症结解决对策等展开深入讨论,给出了问题处置策略、指导原则与技术路线。     

小型连锁超市购物卡系统的开发

本系统适用于小型连锁超市进行商品销售或购物卡的管理。其主要功能包括购物卡的制作管理、发行管理、信息查询、系统维护。本系统界面友好、直观,操作简便,系统中的多级权限管理等也可以保证数据的安全可靠。     

一种基于启发式搜索的跨域认证路径构建算法

针对跨域认证中存在域间与域内路径反复交替查找的特点,提出一种基于启发式搜索的AD*跨域认证路径构建算法。结合A*和D* 2种搜索方法,即在静态的域内查找认证路径时使用A*算法,在动态的域间使用D*算法。实验结果表明,该算法能在一定程度上避免路径查找的不确定性,有效提高跨域认证路径构造的速度。     

应用于机器人路径规划的双向时效A*算法

针对时效A*算法为了大幅减少算法时间,导致路径规划长度增加和路径锯齿过多的问题,提出一种改进的双向时效A*算法,该方法将从起点和终点同时运行时效A*算法寻找路径,并采用多近邻栅格距离计算方案;同时,根据不同环境地图对传统A*算法、时效A*算法和双向时效A*算法运行结果进行对比研究及分析;最后,制定算法时间、路径长度两个指标来评判算法的优劣。实验结果显示,双向时效A*算法相对于传统A*算法,算法时间最大减少76.8%,相对于时效A*算法,时间最大减少55.4%,并解决了时效A*算法规划路径距离增加、路径不够平滑的问题。     

基于Android的物流配送最优路径的实现

物流配送是一种现代化的流通方式,是供应商和客户之间的纽带,其最主要的问题是配送路径的优化问题.配送路径的选择是否合理,对加快配送速度、提高服务质量、降低配送成本以及增加经济效益都有较大影响.针对这些情况,此项目基于遗传算法设计了一套软件,模拟物流配送的最优路径,使其按照最短路程、最少时间的策略生成配送路线,并在软件界面上模拟车辆的行进.     

面向机器人全局路径规划的改进蚁群算法研究

针对基本蚁群算法在机器人路径规划过程中路径转弯角度过大、易陷入局部极小值、收敛速度慢等问题,对其进行改进。在分析机器人路径规划环境建模方法基础上,将转角启发函数引入至节点选择概率公式,以增强路径选择指向性,提高算法搜索速度;通过引入当前节点与下一节点之间的距离和下一节点与目标节点距离之和的二次方对启发函数进行改进,使得算法搜索过程更有针对性,并降低陷入局部极小值概率;提出信息素挥发因子自适应更新策略,扩大算法搜索范围,提高收敛速度;利用遗传算法的交叉操作对移动路径进行二次优化,以增强算法的寻优能力,进而以Floyd算法为基础引入路径平滑操作,减少移动路径节点。在MATLAB中与其他算法通过求解多个单模测试函数与多模测试函数进行对比,并在栅格法环境建模中进行机器人全局路径规划仿真对比实验,以验证改进算法在路径寻优速度和质量上更具优越性。仿真结果表明,改进后的蚁群算法具有一定的可行性和有效性。