基于离散灰狼算法的喷涂机器人路径规划方法

针对目前用于复杂结构实体喷涂的机器人路径规划方法存在的效率低、未考虑碰撞以及适用性差等问题，提出一种用于求解多层决策问题的离散灰狼算法，并把该算法用于该路径规划问题的求解。为了将连续域灰狼算法改为用于求解多层决策问题的离散灰狼算法，采用矩阵编码方法解决多层决策问题的编码问题，提出基于先验知识与随机选择的混合初始化方法提高算法求解效率和精度，运用交叉算子与两级变异算子定义离散域灰狼算法的种群更新策略。另外，运用图论将喷涂机器人路径规划问题简化为广义旅行商问题，并建立了该问题的最短路径模型和路径碰撞模型。在路径规划实验中，相较于粒子群算法、遗传算法和蚁群算法，提出的算法规划的平均路径长度分别减小了5.0%、5.5%和6.6%，碰撞次数降低为0，且路径更平滑。实验结果表明，提出的算法能够有效提高喷涂机器人的喷涂效率，以及喷涂路径的安全性和适用性。     

基于离散灰狼算法的喷涂机器人路径规划方法

针对目前用于复杂结构实体喷涂的机器人路径规划方法存在的效率低、未考虑碰撞以及适用性差等问题,提出一种用于求解多层决策问题的离散灰狼算法,并把该算法用于该路径规划问题的求解。为了将连续域灰狼算法改为用于求解多层决策问题的离散灰狼算法,采用矩阵编码方法解决多层决策问题的编码问题,提出基于先验知识与随机选择的混合初始化方法提高算法求解效率和精度,运用交叉算子与两级变异算子定义离散域灰狼算法的种群更新策略。另外,运用图论将喷涂机器人路径规划问题简化为广义旅行商问题,并建立了该问题的最短路径模型和路径碰撞模型。在路径规划实验中,相较于粒子群算法、遗传算法和蚁群算法,提出的算法规划的平均路径长度分别减小了5.0%、5.5%和6.6%,碰撞次数降低为0,且路径更平滑。实验结果表明,提出的算法能够有效提高喷涂机器人的喷涂效率,以及喷涂路径的安全性和适用性。     

基于鱼群算法的智能机器人全覆盖路径规划

为保证机器人的行驶轨迹可以全方位地的覆盖地图的全部坐标点,并降低路径重复率,基于鱼群算法设计智能机器人全覆盖路径规划方法。建立智能机器人死区脱困模型,计算栅格地图模型中的目标活性值,获取整体栅格数量,描述地图中栅格状态,得到脱困时的行驶角度差。基于鱼群算法设计全路径覆盖判定方法,描述不同目标鱼个体之间的距离,在三重移动目标坐标系下,获取元素坐标向量,建立每个目标点的求解代价和,计算下一个目标点行驶的最小距离。设计机器人全覆盖路径规划算法,判断当前位置是否为死区,获取路径规划的全局最优解,实现智能机器人的全覆盖路径规划。利用Matlab仿真软件完成智能机器人全覆盖路径规划实验。结果表明,在简单环境下,该路径规划方法覆盖率为100%,重复率为5.23%,路径长度为15.36m；在复杂环境下,该路径规划方法的覆盖率为100%,重复率则为10.24%,路径长度为20.34m。由此证明,该方法具有较好地规划效果较好。     

一种人机交互的大区域路径规划方法

提出了一种在大面积规划区域内为运动物体规划一条从起始点到终点的满意路径的方法。首先通过地形分析，把整个规划区域分成不同类型的子区域；其次在规划区域内选择候选点；最后给出了一种带有运动约束和规划规则的Ａ算法获得所需要的满意路径。     

一种改进的全覆盖路径规划算法

全覆盖路径规划在现实生活中具有很广泛的应用,本文针对已存在的全覆盖路径规划算法中的内螺旋算法进行改进,提出带有优先级的内螺旋算法PISC算法。在算法中加入行走优先级,并采用回溯法解决清扫机器人进入的死角问题,优化机器人的清扫路径,最后在Visual C+〖KG-*3〗+6.0编程环境下进行算法仿真。实验结果表明,清扫机器人能有效地避开障碍物,在自由区域顺利行走,提高了清扫机器人的清扫效率,减少了机器人清扫的重复路径。     

一种移动机器人的路径规划算法

本文提出一种移动机器人路径规划最短切线路径算法。依据此算法，机器人能顺利地避开障碍物到达目标位置，其原理简单，计算快捷，容易实现。仿真结果验证了它的有效性和实用性。     

一种基于罚函数的机器人路径规划方法

给出了一种基于罚函数的机器人路径规划方法;这种方法将机器人的路径规划由一系列带约束非线形规划问题转化为一系列无约束非线形规划问题来求解,仿真结果表明,罚函数方法是一种富有效率的解决机器人路径规划问题的方法,能够大幅度降低运算时间的复杂性,提高移动机器人的实时性。     

移动机器人全覆盖信度函数路径规划算法

针对移动机器人全覆盖路径规划问题,给出一种基于栅格信度函数的全覆盖路径规划算法。目的是为了控制移动机器人能够遍历工作区域中所有的可到达点,同时保证能够自动避开障碍物。首先,根据环境的信息对栅格地图进行赋值,使用不同的函数值表示障碍物、已覆盖栅格和未覆盖栅格;其次,判断机器人是否陷入死区引入不同方向信度函数,对栅格函数值进行调整;最后,机器人根据栅格信度函数值规划覆盖路径。本文所提及的算法不仅能够引导移动机器人实现工作区域的全覆盖而且能够快速逃离死区,实现覆盖路径的低重复率。仿真实验中,通过与生物启发神经网络算法的比较,证明本文提及算法有更高的覆盖效率。     

移动机器人全覆盖路径规划优化方法

从全局优化的角度出发,提出一种基于子区域分割的环境建模方法,将各个子区域缩成节点、子区域重心间距离缩成节点间连线,建立起含障区域的全连通图——广义距离矩阵模型,对Hopfield神经网络求解旅行商问题的动态规划方法进行改进后,将其用于求该模型的最优有向连通图。机器人沿最短路径完成覆盖,就是按最优顺序走过连通图中所有节点并依次覆盖各节点所代表的子区域,从而完成移动机器人在含障区域内的全覆盖路径规划问题的优化解决方案。     

一种车型机器人路径规划方法

在自主移动机器人的许多应用中,路径规划技术顺序地设置一套分散的路径点来引导机器人以最短的时间从起始位置到达目标点。针对移动机器人路径规划问题,提出了一种非完整型机器人路径规划技术,该技术采用基本原子操纵方法来解决车型机器人路径规划问题,并采用平滑路径规划方法来产生更多的连续路径用以解决基本原子操纵技术在做路径规划时具有很不连续的缺点从而为机器人获得最优路径。仿真结果证明了该方法的有效性和实用性。     

一种改进的机器人路径规划蚂蚁算法

传统蚂蚁算法存在路径点转移方向未能快速确保为收敛方向，所有路径点同时转移容易导致各点配合不好而使总距离产生振荡的缺陷。根据蚂蚁嗅觉引导行为的原理．使蚂蚁路径点位置转移方向在迭代计算中能保证为收敛方向，减少概率选择公式的求和项数，加快了收敛速度：对迭代算法进行改进，按需要转移的迫切程度来选择路径点．避免了总距离出现振荡。     

一种遗传蚁群算法的机器人路径规划方法

研究遗传算法和蚁群算法可作为新兴的智能优化算法,在解决多目标、非线性的组合优化问题上表现出了传统优化算法无可比拟的优越性。基于将两种智能优化算法动态融合的思想提出了一种新的遗传蚁群算法(GA-ACO)。与已有的将遗传算子引入蚁群算法的结合方式不同之处在于,GA-ACO算法第一阶段采用了遗传算法生成初始信息素分布,在第二阶段采用蚁群算法求出最优解,从而有效地结合了遗传算法的快速收敛性和蚁群算法的信息正反馈机制。仿真结果表明,在具有深度陷阱的特殊障碍物环境下,应用GA-ACO算法求解机器人路径规划问题可以得到较好的的结果。     

基于回溯法的全覆盖路径规划算法

随着扫地机器人的快速发展,作为其核心技术的全覆盖路径规划技术也变得日益重要。目前已经提出的许多算法,如人工势场法、模板法、单元分解法等,都存在一些问题,如覆盖率低、重复率高、运行效率低等等。针对目前已有算法存在的问题,提出了一种基于回溯法的全覆盖路径规划算法。首先利用West-Move First算法实现局部区域覆盖,然后为了解决扫地机器人局部区域覆盖过程中存在遗漏区域未覆盖的问题,建立了完善的回溯机制,并采用改进的A~*算法规划出一条从死点到回溯点的光滑无障碍路径。通过与BA~*算法进行仿真对比分析,表明了该算法具有更高的运行效率和更低的重叠率。     

机器人全覆盖最优路径规划的改进遗传算法

全区域覆盖是一种特殊的路径规划,要求遍历环境中所有的可达区域。目前已经提的许多算法,如模板算法、分块算法等,都只能保证覆盖所有的区域,对于寻找全局最优解却无能为力。提出了一种基于遗传算法的全区域覆盖算法,结合分块算法和模板算法的优点。先采用矩形分解法将环境划分成若干个相邻的子模块,并为每一个子模块选用相应的模板,从而生成覆盖路径,然后采用遗传算法找出最优的路径。算法在虚拟环境中进行了实验,实验结果证明了其可行性和有效性。     

一种实时多目标路径规划方法

提出一种利用实时搜索思想的多目标路径规划方法.首先设计并实现局部路径规划算法,在有限的局部空间内执行启发式搜索,求解所有局部非支配路径;在此基础上,提出实时多目标路径规划方法,设计并实现相应的启发式搜索算法,在线交替执行局部搜索过程、学习过程与移动过程,分别用于求解局部空间内的最优移动路径,完成状态的转移和更新状态的启发信息,最终到达目标状态.研究表明,实时多目标启发式搜索算法通过限制局部搜索空间,避免了大量不必要的计算,提高了搜索效率,能够高效地求解多目标路径规划问题.     

一种无人巡航船遍历多目标点的路径规划算法研究

针对无人巡航船遍历多目标点的路径规划问题,提出了一种混合的多目标点路径规划算法。首先,将多目标点路径规划问题转化为旅行商问题,并采用改进的灰狼优化算法规划出多目标点的最优巡航顺序。针对传统灰狼优化算法忽略环境因素的缺陷,通过在适应度函数中引入环境影响因子以反映障碍物和未知区域对路径规划的影响。然后,在上述规划好的多目标点巡航顺序的基础上,利用A^*算法结合改进的人工势场法完成各个目标点之间的路径规划。针对传统人工势场法的目标不可达问题,通过优化斥力势场函数来解决。最后,分别在普通环境和复杂环境中与另外2种算法进行了仿真实验对比。实验结果分析表明,提出的算法是有效的,能够有效缩短路径规划时间,降低距离成本。     

一种基于粒子群算法的移动机器人路径规划方法

针对结构化环境中移动机器人路径规划问题,提出一种基于粒子群的路径规划算法.该算法利用适应度函数描述环境约束及路径的距离信息,适应度函数通过神经网络计算;由路径节点构成粒子,通过混合粒子群算法进行寻优.最后,通过计算机仿真验证了该算法是合理的,并且可应用于机器人的实时导航.     

一种基于概率方法的车型机器人路径规划方法

考虑车体外形和前轮方向角限制,车型移动机器人路径的空间维数明显增加,常规的规划方法难以获得理想的速度。论文报告了概率方法在车型机器人路径规划上的研究结果,共研究了机器人约束、全局、局部概率路径规划和启发式结点生成等问题。模拟表明,该方法可获得足够好的适合车型机器人移动的次优路径。