沿全局最优路径滚动避障的车间机器人导航研究

为了减少机器人在车间工作时的路径长度、提高行驶安全性,提出了全局规划和局部滚动避障相结合的机器人导航方法。对车间静态环境进行全局路径规划,在传统蚁群算法基础上,在转移概率中引入节点被访问次数作为新启发因子、同时引进随机选择策略和"回退-惩罚"策略,从而提出了基于改进蚁群算法的全局路径规划方法。对车间动态环境进行局部滚动预测避障,分确定和不确定运动提出了碰撞预测和碰撞避免策略,实现了沿全局最优路径滚动避障行驶。经仿真验证,改进蚁群算法规划出的路径比传统方法缩短了42.3%;在车间动态环境下,机器人使用滚动预测避障策略可以沿着最优路径安全到达目标点,实现了机器人在车间动态环境下安全导航。     

轮式智能车动-静随机障碍物避障研究

针对智能车传统 A ∗ 算法存在拐点较多,不平滑,易发生碰撞问题,提出一种 A ∗ 与 DWA 融合改进随机避障方法。 在 A ∗ 优化算法中通过计算节点间斜率,选择关键节点,剔除冗余节点,改进了评价函数,提高 A ∗ 算法速度和路径平滑性。 针对 A ∗ 优化 算法无法规避随机障碍物及 DWA 算法存在速度与安全不兼顾问题,提出一种兼顾速度与安全性的优化 DWA 自适应算法。 在每 两个优化关键节点间采用自适应动态窗口法进行局部规避随机动-静态障碍物,使智能车自主、平滑、安全、高效规避障碍。 实验 显示:本文算法与 A ∗ 、Dijkstra、改进 A ∗ 与基本 DWA 融合算法相比,在 3 种环境下全局路径长度、拐点数、时间平均降低 2. 9% 、 36. 2% 、24. 7% ;2. 9% 、40. 7% 、30. 9% ;0. 31% 、23. 8% 、13. 6% ,能够实现随机避障且路径平滑,验证了本算法的有效性。     

基于改进蚁群算法的移动机器人路径规划研究

针对传统蚁群算法在移动机器人路径规划中存在收敛速度慢、易陷入局部最优和规划路径不平滑等问题,提出一种用于移动机器人路径规划的改进蚁群算法。首先在状态转移概率中引入平滑函数,使蚂蚁在进行路径节点选择时,考虑路径的平滑性。然后在对路径信息素更新时,引入多目标评价函数;同时提出一种基于熵权的分段信息素更新方式,每次迭代规划路径按多目标评价函数数值进行排序并分段,对不同的分段,引入不同的信息素强度放大系数,提升了算法的收敛速度。最后对规划路径进行二次优化,即先对路径节点进行优化,减少不必要的转弯节点,减小了路径转弯角度以及路径长度;再利用贝塞尔曲线对节点优化后路径的转弯拐点处进行平滑。在20×20的简单和复杂栅格环境中进行仿真实验,结果表明,改进蚁群算法规划出的路径长度更短、转弯角度更小和路径更加平滑,同时改进蚁群算法的迭代收敛速度更快,验证了改进蚁群算法在移动机器人路径规划中的优越性。     

机器人导航路径的动态分级蚁群算法规划策略

为了提高机器人工作路径质量并减少算法运行时间,提出了蜂巢栅格模型与动态分级蚁群算法结合的路径规划方法。建立了工作环境的蜂巢栅格环境模型,在转向角、避障路径比、路径质量等方面均优于传统方形栅格模型;将蜂群算法的分级思想引入到蚁群算法中,根据适应度将蚁群分为寻优蚁和侦查蚁两级;寻优蚁更加注重信息素的引导作用,利于算法收敛,侦查蚁更加注重启发信息的牵引作用,不断探索新的路径而增加路径多样性;提出了兼顾全局信息素更新和局部信息素更新的动态加权信息素更新方法。经仿真验证,动态分级蚁群算法在迭代过程中的路径多样性优于蚁群算法;将动态分级蚁群算法应用于路径规划,路径长度比蚁群算法降低了22.12%,平均运行时间减少了32.33%,充分证明了动态分级蚁群算法在路径规划中的有效性。     

融合 A∗ 与 DWA 算法的水面船艇动态路径规划

为解决水面船艇路径规划同时要求全局最优、实时避障和航迹安全可靠的问题,提出了一种基于融合 A ∗ 算法与动态 窗口算法(DWA)的水面船艇路径规划方法。 首先通过引入启发函数动态加权策略,提高 A ∗ 算法的搜索效率;然后综合考虑水 面船艇的运动特性,采用一种路径转角节点角度削弱策略,减少转角,缩短全局路径长度;最后,基于全局因素影响与航迹安全 约束对 DWA 算法的轨迹评价函数进行改进,并以全局路径提供子目标点引导 DWA 算法进行局部规划的方式完成算法融合。 实验结果表明,融合算法相比于现有算法的总转向角度分别减少了 45. 6% 、46. 0% ,验证了融合算法的有效性与可行性,并且相 较于其他传统算法更具优越性。     

基于改进蚁群算法的巡检机器人避障路径规划方法设计

针对机器人进行避障路径规划时存在收敛速度差、规划路径长、迭代次数多以及规划时间长的问题,提出基于改进蚁群算法的巡检机器人避障路径规划方法。首先使用栅格法划分巡检机器人工作环境,通过对像素矩阵等指标的分析,构建栅格地图模型;基于人工势场法提出蚁群路径规划算法,使蚁群适应子空间的搜索;最后在模型中利用该算法,寻找该模型的最佳路径。实验结果表明,运用该方法进行路径规划时,收敛速度高、规划路径短、迭代次数少以及规划时间短。     

动态环境下蚁群算法的路径规划研究

针对传统蚁群算法在搜索寻优过程中易于陷入局部最优、搜索前期蚂蚁容易陷入死锁,以及收敛速度较慢的缺陷,利用扩展树随机优化原则,创建虚拟路径和蚁群更新域信息更新原则,提出改进信息素的更新方式;采用局部子起点再规划策略解决蚂蚁死锁问题,加快算法收敛速度.随后,针对传统蚁群算法对动态环境下路径规划适应度低的问题,基于预测控制理...     

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。     

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。     

基于改进蚁群算法的移动机器人最优路径规划

针对传统蚁群算法用于移动机器人路径规划时存在初期盲目性搜索、收敛速度慢及转弯次数多等问题,提出了一种改进蚁群算法。该算法将栅格法建立的环境模型划分为3种不同搜索区域,运用数学模型按距离比值方法对初始信息素差异化分配,避免蚂蚁前期盲目性搜索;基于可选孙节点个数的区域安全信息和转角启发信息选择下一子节点,并构造目标性启发函数,有效减少蚂蚁陷入死锁次数,提高路径平滑性和目标导向性。采用"狼群分配策略"更新信息素,加快路径的优化。在动态路径规划中,根据滚动窗口的信息检测与碰撞预测,对不同的碰撞类型实施有效的避障策略。仿真结果表明,改进蚁群算法规划出的路径长度更短、转弯次数更少,能够有效避开静态及动态障碍物,具有较好的全局优化性,验证了改进蚁群算法在静态及动态路径规划下的可行性和优越性。     

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。     

融合改进A^(∗)算法与动态窗口法的机器人避障研究北大核心CSCD

针对机器人在全局未知环境的路径规划中无法进行实时动态避障的问题,提出一种将改进的A^(*)算法与动态窗口法融合的机器人避障方法。首先将传统A^(*)算法3×3搜索领域扩展至5×5搜索领域,并将16个搜索方向进行取舍至9个,同时优化启发函数,通过优化时间复杂度来提升A^(*)算法搜索效率;然后进行冗余节点移除操作,剔除机器人路径中的多余拐点和共线的点;改进后的A^(*)算法较传统A^(*)算法平均减少了65.805%的路径规划时间和4.967%的路径长度。最后将改进的A^(*)算法与动态窗口算法进行结合,使得机器人具有动态避障能力,且保证机器人在局部避障的过程中得到全局路径规划的最优解。     

蜂巢栅格下机器人导航路径的动态分组蚁群规划

为了减少机器人导航路径的长度和算法运行时间,同时提高算法规划稳定性,提出了蜂巢栅格环境下的动态分组蚁群算法规划方法。分析了方形栅格四叉树和八叉树工作模式的弊端,提出了改进蜂巢栅格的环境建模方法,蜂巢栅格避障时的有效路径比、安全性、转弯角大小、对圆形障碍物覆盖的有效面积比等多个角度均优于传统栅格。参考猫群算法的分群思想将蚁群分为跟踪蚁和搜索蚁,提出了动态分组蚁群策略和信息素的自适应扩散策略,从而给出了动态分组蚁群算法的执行步骤。经过算法的多样性和规划性能仿真分析,动态分组蚁群算法的路径多样性在迭代过程中保持较高水平,在相同环境下动态分组蚁群算法规划的最优路径长度比ACS蚁群算法减少了9.99%,搜索到最优路径时的迭代次数远远小于ACS蚁群算法,且从最优路径长度和迭代次数标准差看,动态分组蚁群算法稳定性好于ACS蚁群算法。     

基于改进势场蚁群算法的移动机器人全局路径规划

针对势场蚁群算法路径转折点数量过多、收敛速度过快、容易陷入局部最优等问题,提出了基于势场跳点的蚁群算法.该算法融合了蚁群算法和跳点搜索算法的搜索策略,使规划出的路径更加平滑;引入了势场合力递减系数,减少了势场蚁群算法因势场而陷入的局部最优问题;引入了简化的跳点搜索算法对初始化信息素进行更新,提高了算法前期的搜索效率.为...     

机械臂工作路径的改进蚁群-顺序局部搜索规划

为了减少机械臂末端路径长度和关节转动角度之和，提出了改进蚁群-顺序局部搜索的路径规划策略。建立了机械臂路径规划问题模型，对机械臂关节空间节点进行了离散化。使用顺序局部搜索方法确定下一节点待选集合，依据蚁群算法原理确定优化意义下的下一路径节点。考虑到传统蚁群算法收敛慢、求解质量不高的问题，构造了局部信息素随蚂蚁聚集度自适应更新方法，进而提出了局部信息素自适应蚁群算法。经实验验证，在无障碍物环境下，与传统蚁群算法相比，自适应蚁群算法规划路径长度减少了15.27%，关节转角和减少了0.78%。在障碍物环境下，与传统蚁群算法相比，自适应蚁群算法规划路径长度减少了3.26%，关节转角和减少了2.21%。在实物机械臂上进行验证，实验结果与仿真结果一致，验证了这里提出的路径规划方法的有效性。     

一种改进蚁群算法的移动机器人路径规划研究

针对蚁群算法在大型、复杂环境下全局搜索效率差且收敛速度慢的问题,提出一种改进的蚁群路径规划算法。该算法通过引入目标方向函数作为启发因子,构建距离与目标方向的融合启发函数,以提高算法的收敛速度;采用一种基于有效拐点的路径优化策略,以减少规划路径的转弯次数;在输出路径的基础上采用三次B样条曲线进行路径平滑处理,以提高路径平滑性。通过梯度实验和2种不同规模对比实验表明,该算法与传统蚁群算法相比,2种规模下转弯次数分别减少41.67%和70.18%,最短路径迭代次数分别减少72.73%和63.24%,验证了该算法的优越性与可行性。     

基于改进蚁群算法的桥式起重机路径规划问题研究

通过研究桥式起重机路径规划问题,提出一种改进的蚁群路径规划算法。针对传统蚁群算法收敛速度慢,容易陷入局部最优的缺点,借鉴A*算法和狼群分配原则改进自适应启发函数、信息素更新机制。根据桥式起重机的运行特征,通过运动学动力学分析抽象出两个仿真因子:路径长度和节点数量,提出以路径长度、运行时间和稳定性等性能参数为代价的新的评价标准。栅格环境下的桥式起重机路径规划仿真结果表明,改进的蚁群算法提高算法的收敛速度,避免搜索陷入局部最优,可以得到较优的工程应用路径。     

基于改进 A∗ 算法与动态窗口法融合的 机器人随机避障方法研究

针对机器人在存在随机障碍物环境中采用A~*算法规划路径会出现碰撞或路径规划失败的问题,提出了一种将改进A~*算法与动态窗口法相融合的机器人随机避障方法。在改进A~*算法中,首先优化了搜索点选取策略和评价函数,提高了A~*算法的搜索效率;然后提出冗余点删除策略,剔除路径中的冗余节点,并在每两个相邻节点间采用动态窗口法进行局部规划,确保在全局最优路径基础之上,实时随机避障,使机器人顺利到达目标点。实验结果表明,改进A~*算法较传统A~*算法平均可减少4.39%的路径长度和65.56%的计算时长,融合动态窗口法后,能在全局路径基础上修正局部路径,实现随机避障,验证了该算法的有效性。     

基于改进蚁群算法的斜齿轮传动动态优化研究

针对传统蚁群算法在设计变量较多时收敛速度慢和容易陷入局部最优等缺点,提出了一种改进蚁群优化算法。对两级斜齿圆柱齿轮减速器进行了动态优化设计,优化后的减速器与传统设计相比,获得了较好的动态性能。提出的改进蚁群算法为斜齿轮减速器提供了一种新的优化设计方法。     

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。