基于改进粒子群算法的水下机器人路径规划研究

针对水下机器人在路径规划中遇到的约束条件复杂、寻优算法性能不稳定、路径不平滑等问题,文章提出了一种基于改进粒子群算法的水下机器人路径规划方法。首先,基于函数模拟法构建水下地形及障碍物环境;其次,在优化目标设计方面,从减少能耗的角度出发,文章在传统路径长度最短的基础上,又增加了对水下机器人姿态角度变化以及转向节点位置分布均匀性的优化,以进一步适应实际情况;然后,分析了粒子群算法中惯性权重对算法性能的影响,引入了改进措施,以提高算法的寻优性能;最后,将计算出的初始路径采用B样条曲线进行平滑处理,得到最终的机器人运动规划轨迹。仿真实验结果表明,文章所提路径寻优方法相较于传统蚁群算法和粒子群算法,综合能耗分别降低了56.6%和19.3%,在求解能力和收敛性上也表现出了更优的性能。     

基于改进蚁群算法的越野路径规划

针对车辆的越野路径规划问题,研究并分析了地形坡度和地表属性对于车辆路径规划的综合影响。引入了“窗口移动法”对地形进行先期的坡度计算和通行性分析,就轮式车辆和履带式车辆分别建立了地表属性的粗糙度评价指标,并采用“面积占优法”将地表属性栅格化。通过建立禁忌表,叠加了坡度与粗糙度的约束影响以减少搜索范围,提高搜索效率。构造了改进蚁群算法的估价函数,并结合路径表设计了考虑坡度和粗糙度约束的路径优化算法。仿真结果表明,该算法能够快速有效地实现符合真实地形环境的越野路径规划。     

基于改进A*算法的越野路径规划研究

针对车辆的越野路径规划问题, 研究并分析了地形坡度和地表属性对于车辆路径规划的综合影响。引入了窗口移动法对地形进行先期的坡度计算和通行性分析, 就轮式车辆和履带式车辆分别建立了地表属性的粗糙度评价指标, 并采用面积占优法将地表属性栅格化。通过建立禁忌表, 叠加了坡度与粗糙度的约束影响以减少搜索范围, 提高搜索效率。构造了改进A*算法的估价函数, 并结合expand表、open表、closed表以及path表设计了考虑坡度和粗糙度约束的路径优化算法。仿真结果表明, 该算法能够快速有效地实现符合真实地形环境的越野路径规划。     

基于改进蚁群算法的机器人路径规划研究

机器人自主移动导航是近年来研究的热点.针对蚁群优化(ACO)算法存在收敛速度慢以及易陷入局部最优的问题,提出了一种改进的ACO算法来解决机器人路径规划问题.上述算法将改进的人工势场(APF)算法和蚁群算法相结合,采用改进APF算法进行初始地图规划,减少了ACO算法初始规划的盲目性.算法利用A*算法的评估函数以及路径转折角度来改进启发函数,引入启发信息递增函数,免于局部最优的同时保证收敛速度.改进算法的信息素更新机制和路径评价函数,提高了算法的全局最优性,使得到的路径更符合实际需求.通过改进该算法的信息素更新机制和路径评价函数,提高了算法的全局最优性,得到的路径更符合实际需求.仿真结果表明,改进算法能提升收敛速度和最优解.     

基于改进的樽海鞘群算法求解机器人路径规划问题

为了探索出更好解决机器人路径规划问题的方法,提出一种差异演化的寄生樽海鞘群算法.首先在领导者位置更新公式中加入对应的上一代领导者位置信息,加强全局搜索的充分性,同时引入自适应惯性权重,更好平衡领导者在不同进化阶段对于广度和深度搜索的不同需求,提高寻优精度.然后在算法结构中引入具有不同演化策略和寄生行为机制的寄生-宿主双种群及宿主群劣汰思想,增加种群的多样性,提高算法跳出局部极值的能力.理论分析证明了改进算法的时间复杂度与基本算法相同,6种对比算法在10个不同特征的标准测试函数上进行仿真对比测试,实验结果表明：该算法的寻优精度、收敛性能均有显著提高和改善.最后将改进算法与三次埃尔米特插值相结合,以路径上的节点组合为基础定义算法中个体位置的编码方式,以绕开障碍、最短路径为目标构造了适应度函数和约束条件,求解机器人路径规划问题.在不同复杂程度的障碍物场景和不同插值方法下进行的算例求解结果显示,该算法寻优结果的最佳值、平均值和方差整体上明显优于其他5种性能优越的代表性对比算法,也验证了融合埃尔米特插值方法对于求解机器人路径规划问题的优越性和有效性.     

复杂地貌下基于地形坡度的滑移预测路径规划研究与实现

针对松软地形环境下滑移导致的路径规划失效问题,研究一种基于地形坡度进行滑移预测的路径规划算法。设计一种滑移预测算法,利用地形坡度信息进行滑移预测;将预测的滑移信息与地形通过性评价函数相结合,建立适宜度地图,实现滑移预测与路径规划算法集成;该路径规划算法通过滑移预测可以选择更好的路径或者避开高度滑移地区,提高复杂地形环境下尤其松软地形环境下路径规划的有效性,为月球车的自主导航的研究奠定了重要的理论基础。     

四足机器人地形识别与路径规划算法

为了提高四足机器人在复杂环境下的适应性,重点研究了采用飞行时间(TOF)原理相机的四足机器人环境感知策略并改进了地形识别及路径规划算法.首先采用高斯过程回归(GPR)模型对TOF相机的距离数据进行误差校正,解决了采用传统多项式或三角函数模型进行误差修正时模型阶次过高及函数组合复杂的问题.基于得到的环境深度信息,采用数字高程模型(DEM)进行地形描述,并通过计算各栅格的坡度、粗糙度、起伏度对地形进行识别.粗糙度由该栅格所处的坡度平面与其8邻域高程点的离散程度进行计算,避免了采用高程方差计算时对粗糙度的误检测.依靠地形信息,提出了滑动窗+增量式A*(IA*)算法的路径规划方法.IA*算法通过寻找当前路径与目标投影点的最优路径进行增量式路径规划,该方法解决了采用A*算法进行重规划时效率低的问题.仿真和实验结果验证了本文方法的有效性和可靠性.     

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。     

改进蚁群算法在机器人路径规划上的研究

基于蚁群算法在路径规划过程中出现收敛速度慢、易陷入局部最优,且在复杂环境下的寻优能力弱等缺陷,提出了一种适用于机器人路径规划的改进蚁群算法。在预规划路径基础上建立初始信息素矩阵,避免算法前期盲目搜索,提高搜索速度;将改进蚁群算法和A*算法进行有机融合,进一步提高蚁群算法搜索方向性和收敛速度。制定信息素更新规则时引入拐点评价函数,提高搜索路径的光滑性,提高机器人安全性和降低能耗;提出回退策略有效减少蚂蚁死亡数量,提高路径规划方法的鲁棒性。仿真实验表明,在相同的环境下,改进的蚁群算法在机器人路径规划中搜索效率和收敛速度明显优于其他算法。     

面向荒漠复杂地形的机器人在线全覆盖路径规划方法

对于地形复杂、范围广阔的荒漠环境,当前的地图模型存在占用存储空间过大的问题;同时在复杂地形下,当前的全覆盖路径规划算法能量消耗大,无法适用于在线条件.对此,提出一种在线的全覆盖路径规划算法及相应的地图模型.首先,介绍一种变分辨率的三维栅格地图模型.其次,分析机器人在非平面环境下进行全覆盖任务的能量消耗问题,得出最节约能量的覆盖方式.在对平坦地形的覆盖中,基于优先级覆盖的思想,对传统的牛耕法覆盖做出改进,拓展为8个方向.然后,针对非平坦地形提出一种在线的面向地形的区域分解方法,在全覆盖过程中根据高度将特殊地形区域分解出来单独覆盖.在子区域内部,对特殊地形抽象得到斜面模型,引入地形变化函数,形成新的优先级遍历方法,并设计一种针对性的避障策略以进一步减少能量消耗.最后,对所提出的算法进行仿真验证以及机器人实验.仿真验证和实验结果表明,相比于其他算法,所提出算法能显著减少全覆盖过程中的重复率以及机器人总能量消耗.