动态环境下移动机器人路径规划的改进蚁群算法

研究动态环境下移动机器人路径规划问题,采用栅格法对机器人工作空间进行建模,在使用蚁群算法进行全局路径搜索过程中引入人工势场的概念,使蚂蚁对最优路径更加敏感;机器人针对动态环境中可能出现的不同类型障碍物分别执行不同的避障策略;同时提出一种最优路径预测模型用于预测在避障过程中是否出现新的最优路径。算法结合人工势场法和蚁群算法的特点,将全局路径规划与局部路径规划相融合以提高路径搜索的效率。仿真结果验证了该算法的有效性。     

基于改进A^*势场法的机器人动态路径规划研究

针对人工势场法在路径规划中出现的目标点不可达、转折次数多及路线较长的问题,提出了一种动态环境下移动机器人全局路径规划的改进A^*势场算法。首先采用A^*算法在已知静态环境中进行全局最优路径规划,当移动机器人进入动态障碍物影响范围ρ0时,引入相对速度势场对人工势场法进行改进,进行局部动态路径规划,追踪沿A*路径运动的虚拟动态目标直至回到原路径,完成到达目标点的路径规划。将该算法与人工势场法通过MATLAB进行路径规划仿真比对,结果验证了该算法的可行性,并且有效减少了路径的震荡和累计转角,同时明显缩短了全局路径距离。     

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.     

基于蚁群算法的移动机器人路径规划研究

针对蚁群算法的特点,把蚁群算法应用到移动机器人的路径规划中,在Matlab中建立移动机器人仿真系统,运用格栅法创建移动机器人的工作环境,设置蚁群算法中的参数,运行程序得出了移动机器人的运动轨迹,得到了蚁群从起始点运动目标点的最优路径。仿真结果表明,蚁群算法能够准确得到移动机器人的最优路径,在移动机器人的路径规划中具有很好的实用性。     

基于A*算法和人工势场法的移动机器人路径规划

针对复杂非结构化环境下移动机器人的路径规划问题,提出了将全局与局部规划算法相融合的路径规划方法。首先,对传统A*方法进行了有效的改进,新的A*算法能够完成机器人的路径规划任务,利用二次A*搜索方法得到了优化后的路径点,缩短了移动机器人的行驶路径。进一步,动态切点法可以有效地对已规划路径进行平滑处理;然后,综合考虑路径和环境的情况,采用改进的人工势场方法对移动机器人进行了局部路径规划,通过增设虚拟子目标的方法解决局部极小值问题,利用自适应步长调节算法对移动机器人的步长进行了动态优化;最后,针对不同场景,利用数值仿真将该算法与传统算法进行比较,结果表明该算法在不同环境路径规划的问题上具有一定的先进性和优越性。     

未知环境的移动机器人路径规划研究

为了提高移动机器人在未知环境中的路径规划的性能,提出了改进人工势场法.首先分析了传统人工势场法的优缺点,据此,提出了一种由模糊智能控制与改进人工势场法相结合算法.由模糊算法对静态障碍物进行避障,并改进引力函数将目标点速度、加速度信息加入其中对目标点进行跟踪,从而实现自动避障和路径规划.通过实验仿真对比可知,此算法在存在障碍物环境中,移动机器人可以寻得较短的路径和较快的时间,安全无碰撞的到达目标点,该算法的准确度可达96％.     

基于弹簧模型的移动机器人路径规划研究

针对传统人工势场法在路径规划中存在局部极小点问题,提出了一种基于虚拟弹簧模型的移动机器人局部路径规划算法。通过模拟弹性小球在有障碍物的斜坡上滚下过程中的受力情况,规划移动机器人从开始位置到目标点位置的移动过程;建立弹簧力学模型完成机器人的避障行为,并结合使用沿障碍物边缘移动和切换目标点位置两种控制策略,解决局部路径规划算法极易出现的局部极小点问题。仿真试验和实际移动机器人的实验表明,该算法能进行实时避障和路径规划,并确保移动机器人在绝大部分环境中能安全、快速地到达目标点。     

基于安全点引导混合算法的启发式机器人动态路径规划

针对机器人在复杂环境下路径规划难以兼顾全局最优和实时避障的问题，将改进的A^*算法和人工势场法结合，提出一种具有启发式动态路径规划的安全点引导(SPG)混合算法。设计了终点逼近策略，解决了传统A^*算法规划路径转折点过多的问题，同时采用平面向量积法避免传统人工势场法路径振荡。设计安全点引导的启发式策略将两种改进算法结合，既保证安全路径，又逃离局部极小值点。分别在静态和动态环境下对SPG混合算法进行仿真并与传统混合算法相比，静态环境和动态环境下的路径长度与运行时间分别缩短了10%,25.6%和9.5%,30.9%,表明SPG混合算法具有良好的全局路径规划与动态避障能力。最后在真实场景中验证了SPG混合算法的有效性。     

基于平滑A*算法的6×6轮式车最优路径规划

针对传统A*算法规划的路径并非最优路径,存在转折次数多、折线多、长度大、不易于移动机器人的运动控制及路径跟踪,本文提出了一种在栅格化环境中,基于平滑A*算法的最优路径规划方法.首先采用A*算法生成目标序列点,除去初始节点,依次屏蔽每个子结点,进行多次搜索比较,选择最短路径序列点,然后循环遍历路径中的所有点,当某一节点前后节点之间的连线不存在障碍物时,删除中间节点,并采用对称极多项式曲线对路径转折处进行平滑处理.该方法生成的路径最短且平滑,易于实现移动机器人运动控制及路径跟踪.仿真结果表明了该算法的有效性.     

基于改进蚁群算法的移动机器人路径规划研究

针对蚁群算法在复杂环境下收敛速度慢且易陷入局部最优值的问题,提出一种改进的蚁群优化算法。该方法依据起始点和目标点位置信息选择全局有利区域增加初始信息素浓度,提高前期蚂蚁搜索效率;增加避障策略,避免蚂蚁盲目搜索产生大量交叉路径并有效减少蚂蚁死锁数量;采用动态参数控制的伪随机转移策略,提出优质蚂蚁信息素更新原则,自适应调整挥发系数,提高算法全局性;进行二次路径规划,优化路径并降低移动机器人能耗的损失。实验结果表明,该算法有较高的全局搜索能力,收敛速度明显加快,并且可以有效提高移动机器人工作效率,验证了该算法的有效性和优越性。