基于改进RRT*FN算法的机械臂多场景运动规划

针对固定节点数的渐进最优快速扩展随机树(RRT*FN)算法精度低、对环境缺乏适应性等问题,提出了一种改进RRT*FN的机械臂运动规划算法。在迭代过程中,结合目标偏向随机采样和椭球子集采样的优势,构造新的启发式方法对采样区域进行约束,从而保证搜索路径更优。在扩展节点时,配置树中总节点数的预设值,并通过加权方法对树中叶子节点进行删减,避免了树规模的无限增长。在动态环境下,采用对节点剪枝与连接的启发式重规划方法,有效提高了对动态环境的适应能力。实验结果表明,该算法在规划过程中收敛速度更快,效率更高,具有较强的环境适应性。     

蝴蝶优化算法的移动机器人全局路径规划研究

针对移动机器人路径规划问题提出了一种改进的蝴蝶优化算法。将蝴蝶优化算法与栅格法相结合,并对两种方法结合后的算法进行了具体说明;引入了禁忌表和回溯法,解决了算法在路径寻优中无后续扩展节点的问题;结合三次B样条曲线将路径规划中的最优节点作为控制点进行平滑输出,使移动机器人实际运动路径更加平滑。通过仿真实验,将改进算法与蚁群算法、遗传算法进行比较,证实了改进算法能够有效解决路径规划问题。将改进算法应用到实际的基于ROS的移动机器人上,实验结果证明了改进算法的有效性和可行性。     

基于改进RRT算法的冗余机械臂路径规划研究

针对RRT算法在机械臂路径规划的过程中无方向性,在无障碍物处产生过多无用节点的问题,采用目标偏置、双向分段搜索的策略对RRT算法进行改进,提出了具有导向性的双向分段搜索的改进RRT算法并应用于七自由度冗余机械臂的路径规划上,通过Matlab进行了三维环境路径规划仿真实验,并通过ROS平台进行冗余机械臂在简单环境与狭窄环境的避障仿真实验。实验结果表明,改进的RRT算法能够有效地减少路径的节点数量与搜索时间,并提高路径规划的成功率。     

改进RRT算法的无人驾驶车辆路径规划研究

针对基础快速扩展随机树（Rapidly-exploring Random Trees,RRT）应用于无人驾驶车辆路径规划时缺乏导向性,收敛速度慢,路径平滑性差及规划结果并非最优解等问题,提出了一种基于RRT的路径规划改进算法。首先,设计了启发式采样策略：提出基于权重分配的目标指向的局部扩展方式,解决了节点盲目扩展的问题,避免了因目标偏向而出现路径陷入局部最小值的情况,并通过设置转角阈值约束节点转角范围,同时采用变步长采样策略,提高了算法局部避障能力;其次,对已得路径进行后处理：提出了节点优化策略,并用B样条曲线进行路径拟合,实现了路径长度的优化并满足平滑性要求,路径末端与目标点采用Reeds-Shepp曲线连接,解决了车辆抵达目标点时的航向问题。最后利用Matlab软件,将改进算法与基础RRT及其衍生算法进行了对比分析,验证了所提算法的有效性和优越性。     

一种面向室内 AGV 路径规划的改进蚁群算法

针对传统蚁群算法在大规模和复杂环境中,全局搜索效率差,收敛速度慢,路径转弯次数过多且不够平滑等问题,本文提出一种改进蚁群算法。该方法通过动态更新不同等级蚂蚁路径上的信息素,加快算法的收敛速度;通过引入距离函数和方向函数作为启发因子,改善路径搜索质量;采用一种改进自适应伪随机转移策略,减小陷入局部最优解的概率;在最优路径的基础上引入三次均匀B样条曲线进行优化,提高路径的平滑性。通过在2种不同规模环境下的路径规划实验表明,本文算法相比传统算法在分别减少55.6%和59.4%转弯次数的基础上,提升87.5%和100%的收敛速度,验证了本文算法的优越性。最后,以QBot2e为平台,将本算法应用到室内自动导引车(AGV)路径规划中,进一步验证了算法的实用性。     

基于智能路径规划算法的移动机器人设计

介绍了一种基于智能路径规划算法的移动机器人。该机器人以TMS320LF2407A作为主控制芯片,控制机器人左右轮电机运转．驱动机器人按照预定路径行走。其设计算法首先采用了改进的栅格和Distbug的组合进行全局和局部路径规划。详细阐述了该算法的基本原理及采用该算法的移动机器人控制系统硬软件设计。最后,介绍了该移动机器人自学习路径跟踪PID算法。实践表明,采用该算法的移动机器人行走速度快,实时性强,稳定性好,控制精度高。     

基于改进RRT*算法的机械臂路径规划研究

针对机械臂避障的难题,采用圆柱体包络法进行碰撞检测和RRT~*的改进算法进行路径搜索,规划出一条能够避免与已知障碍物碰撞,并且路径长度和规划时间较为优化的路径。RRT~*在原有RRT(快速随机树)基础上改进了父节点选择的方式,加入代价函数保证解的渐进最优性。在RRT~*基础上引入目标引力,减少路径搜索的随机性。同时,提出自适应步长避免陷入局部最优。在MATLAB平台上进行了RRT~*、RRT-connect及改进的RRT~*搜索算法的比较研究。结果表明,改进后的RRT~*算法在规划时间上和RRT-connect相近,在规划路径的长度上和RRT~*相近,同时具备时间和路径上的优势。以某品牌型号为WY700-1的机械臂进行了实验验证,结果表明,改进后的RRT~*搜索算法具备有效性和优越性。     

基于改进蚁群算法的移动机器人全局路径规划

为提高机器人全局路径规划的通用性,将机器人的环境地图分为目标点在障碍物内和障碍物外两种情况,采用了伪随机比例规则和随机选择机制,使蚂蚁下一节点的选择在倾向于目标点的同时又不会陷入局部最优解,既提高了蚂蚁的搜索效率又扩展了搜索范围,并采用最大一最小蚂蚁思想来限制信息素的强度以防止早熟收敛现象的发生。为提高算法的实用性,运用几何方法对路径进行了修正处理,实现了机器人的快速全局路径规划。仿真研究表明：该算法具有较强的通用性、实用性和路径较优的特点。     

移动机器人全局路径规划的模拟退火-教与学优化算法

提出一种新的基于模拟退火-教与学优化(SA-TLBO)算法的移动机器人全局路径规划方法。进行环境地图建模,通过坐标变换在路径的起点与目标点之间建立新的环境地图;引入模拟退火思想对基本的教与学优化算法进行改进;利用改进的算法对路径目标函数进行优化得到一条全局最优路径。仿真实验结果表明,该方法具有极快的收敛速度和较高的搜索精度,以及较好的全局寻优能力,能有效解决机器人全局路径规划的优化问题。     

基于改进蚁群算法的智能交通路径规划

社会的快速发展,带来了越来越严重的交通问题,长期以来导致环境污染和能源浪费。专家提出智能交通系统能够有效地改善交通问题,而路径寻优算法又是其中的关键点之一,但是原来研究的算法往往只是针对路径长短,没有考虑实际的路况和当时的情景。该文结合传统蚁群算法,模拟现实的路况和情景改进算法,并进行仿真和数据分析。仿真实验结果显示,改进蚁群算法在动态路径规划中具有良好的效果。     

基于改进蚁群算法的移动机器人路径规划研究

传统的蚁群算法在移动机器人路径规划过程中,在加速算法收敛时易陷入局部最优问题,针对此问题提出了一种新型蚁群算法的移动机器人路径规划方法。首先建立了机器人路径规划数学模型,在此基础上对传统的蚁群算法进行了改进,将环境中局部的机器人路径信息引入到蚁群信息素的初始化和路径选择概率中,提高了蚁群算法的收敛速度并防止算法早熟。通过引入交叉操作并对蚁群算法中参数进行调整,避免了算法陷入局部最优。仿真结果表明,所提方法能够明显提高最佳路径搜索能力,整体性能优于传统蚁群算法。     

基于改进蚁群算法的移动机器人全局路径规划方法研究

针对基本蚁群算法在移动机器人全局路径规划中收敛速度慢,易陷入局部最优解的问题,提出一种改进的蚁群算法。将A*算法的根据目标点自适应调整启发函数的思想应用于蚁群算法中,增加目标点对启发函数的影响;改进状态选择策略,增加解的多样性;混合使用多种信息素分配机制,提高算法的收敛速度。通过布置相同的路径搜索条件,在MATLAB语言环境下进行仿真分析,验证了改进的算法是可行有效的。     

基于改进遗传算法的移动机器人路径规划研究

基于传统遗传算法在移动机器人路径规划中应用的不足,对遗传算法进行了一定的改进.在初始化种群中采用闵科夫斯基和原理扩展障碍物,选择真正可行的区域,在可行区域中去初始化种群,这样提高了进化的速度;在选择算子中引入了相似性的概念,扩大父代的种类,避免快速进入局部最优解;在交叉算子中采用了动态确定变异概率,这样可以提高个体的质量;通过仿真证明了改进的遗传算法能够更快的收敛到全局最优解,方法是正确有效的.     

基于遗传模拟退火算法的机器人全局路径规划

研究了机器人在已知环境下用遗传模拟退火算法进行最优路径搜索的方法，此算法兼备了遗传算法和模拟退火算法的优点，还对路径的转折节点处进行了光滑性的改进，并且通过仿真实验证明了此方法能够快速得到最优路径。     

基于遗传进化算法的机器人全局路径规划

研究了机器人在已知环境下用遗传进化算法进行最优路径搜索的方法。在此方法中，把二维编码简化为一维编码，提高了搜索的速度；把障碍物作为排斥子，提出了简单、确定的适应度函数；最后提出了对路径的转折节点处进行平滑处理的方法。仿真实验证明了该方法能够得到机器人行进的最优化路径。     

基于改进粒子群算法的移动机器人全局路径规划

在标准粒子群算法的基础上加入混沌初始化、变异以及杂交操作。改进算法在保持标准粒子群算法结构简单、收敛速度快等特点的同时增加了种群的多样性,扩大了粒子搜索空间,有效克服了算法的早熟收敛问题,获得了从起点到终点的最优路径,证明了该方法的有效性和实用性。     

基于改进RRT算法的套管柔性针运动规划

运动规划是运动控制的基础,然而套管柔性针穿刺软组织的运动规划问题面临着巨大的挑战:一方面由于套管柔性针的运动是个非完整约束运动,另一方面要求套管柔性针绕过人体的某些生理结构障碍和敏感组织准确穿刺靶点。基于分析现有运动规划算法存在的不足,提出基于改进的快速探索随机树(RRT)的套管柔性针运动规划算法。提出贪婪启发策略并结合可达引导策略来改进传统RRT算法;引入直线段路径,采用直线、曲线结合的路径形式;同时考虑入射姿态的规划。基于套管柔性针的运动学模型,分别在二维和三维有障碍环境下进行仿真研究。结果表明,所提出的运动规划算法不论是在运算速度和收敛性上还是在路径形式和搜索的鲁棒性上都优于目前普遍采用的运动规划算法。这些优势为将来的实时运动规划奠定基础。最后对规划的路径进行了穿刺实验,结果证明实验路径与规划路径十分吻合,验证了所提出的路径规划算法的正确性和规划路径的可行性。