融合改进Dijkstra算法和动态窗口法的移动机器人路径规划

为解决移动机器人在智能制造车间的全局路径规划和局部动态避障问题,提出一种融合改进的Dijkstra算法和改进的DWA算法,对传统Dijkstra算法的路径进行平滑优化,使得路径轨迹更加平滑,动态改变DWA算法中速度评价权重函数,提高避障效率。仿真结果表明,改进Dijkstra算法路径平滑优化后,平均路程缩短比例为0.65%,平均偏航角震荡次数减少了67.70%,改进后的DWA算法运行路程缩小9.68%,路径转折次数降低了33%,运行时间缩短3.88%。基于改进的Dijkstra算法和改进的DWA算法提出一种融合算法,仿真和样机实验结果表明：面对静态、动态障碍物,机器人运行线速度平缓,轨迹光滑,角速度波动明显,证明机器人运动稳定,实时调整方位,具有良好的避障能力。并且多次机器人循环定点实验中机器人纵向(X轴方向)平均误差≤30 mm,横向(Y轴)平均误差≤30 mm,定位精度满足工业需求。     

一种移动机器人路径规划方法

本文提出了一种新的移动机器人路径规划方法。采用链接图法，对工作空间进行建模，得出从起始点到目标点的网络有权图，再利用Dijkstra算法决策出初始全局优化路径，并提出了一种简单的几何方法对其进行优化；局部规划采用基于行为和模糊规则库的方法，采用基于模糊规则的避障行为来实时避障，当无障碍威胁时又寻找全局路径上最近节点回到全局路径上，实验结果证明该方法节省系统计算时间，是一种简单的、较优的路径规划方法。     

一种室内自主清扫机器人的路径规划算法

为了降低室内自主清扫机器人的成本,同时达到实用性强、可靠性高的要求,使清扫机器人真正走进家庭,提出一种基于红外传感器的清扫路径规划算法。首先,分析目前现有清扫机器人设计的关键技术和存在的问题;给出本文机器人软硬件结构、传感器布置;详细描述清扫路径规划算法,该算法弥补了少量传感器采集环境信息的不足,使机器人有效判断障碍,进行环境识别,很好地适应未知环境,并且提高了清扫效率和面积。     

基于改进蚁群算法的移动机器人路径规划

针对动态未知环境下机器人路径规划中存在的不足,提出一种全局规划和局部规划相结合的混合型规划方法。全局规划中,针对基本蚁群算法易陷入局部最优以及易陷入U型或V型障碍物的缺陷,提出采用夭折策略对基本蚁群算法进行改进,并采用改进的蚁群算法离线规划出一条粗略的全局优化路径,将该"粗"路径分解为局部规划各个阶段的子目标。局部规划中,机器人实时探测局部环境信息,应用滚动优化原理,不断修正运动路线,使机器人在每一时刻的滚动窗口内都避开障碍物向子目标点运动,把整体的寻优分解为各个滚动窗口内的局部寻优,克服了全局规划不能追踪动态信息的缺点。仿真结果表明,该方法可行且具有良好的稳定性。     

有限信息条件下的机器人路径规划

在移动机器人的相关技术研究中,路径规划技术是其核心技术,也是其实现真正智能化和完全自主移动的关键技术。传统方法多要求预知全局信息,然而实际中机器人多数只能获得有限的环境信息。因此,有限信息条件下移动机器人路径规划贴近现实,是当前研究的热点与难点。根据所依赖信息层次的不同,将路径规划算法分成3类:依赖全局信息的全局路径规划、仅依赖局部信息的局部路径规划以及同时利用全局与局部信息的混合式路径规划,并分别介绍3类方法在有限信息环境下的特点。     

融合动态窗与改进RRT的全位置机器人路径规划算法研究

针对传统RRT算法在无人车、无人船等自适应路径规划中的随机性导致树枝生长缺乏目标方向性问题,提出一种改进RRT算法与动态窗口相结合的混合算法,考虑其随机树生长过程中存在大量的冗余点,使得路径曲折、不平滑,基于子目标点选取策略研究一种过滤多余节点的算法;为了满足无人车、无人船行驶的安全性,建立安全阈值距离模型,避免与障碍物发生碰撞。对所提出的方法进行仿真实验,结果表明:改进的RRT算法能够在复杂的动态环境下生成有效的可行路径,与传统RRT算法相比较,它使搜索效率提高了43%,规划路径平滑度明显提升,能够实现动态环境中无人车、无人船在线实时路径规划。     

基于改进多步长蚁群算法的机器人路径规划

针对移动机器人路径规划时蚁群算法稳定性不足且易陷入局部极值的问题,提出一种改进多步长蚁群算法,改进了基本蚁群算法中只能单步位移且方向固定的移动模式,从而减少路径的转向次数且缩短路径长度。针对移动机器人实际工作时可能遇到的环境坡度大的情形,在启发函数中加入高度因素,提升算法环境适应能力。采用自适应挥发机制,加快算法收敛速度及效率。结果表明：在具有变化高度的环境中,与基本蚁群算法相比,改进多步长蚁群算法规划出的路径更平缓且距离更短,更适合移动机器人工作情景。     

基于量子风驱动优化算法的机器人路径规划

针对传统的算法在移动机器人路径规划中容易产生早熟现象和安全性差的问题,提出了量子风驱动优化算法。该算法将量子计算与风驱动算法相结合,在风驱动算法的基础上使用量子行为来解决优化问题,提高机器人运动路径的安全性。最后通过实验与仿真分析证明:与蚁群算法和免疫遗传算法相比,量子风驱动优化算法减少了机器人在运动中不必要的转弯,缩短了路径长度,提高了安全性,可以快速找出最优路径。     

粒子群-蚁群融合算法的机器人路径规划

为了提升移动机器人在全局静态环境下搜寻到达指定目标点的最优路径的能力,提出一种粒子群算法和蚁群算法改进求解路径规划问题的融合算法。改进算法针对粒子群算法易陷入局部极值,利用蚁群算法获得全局最优路径;设置标识栅格,提升路径安全度;同时引入活跃因子增加粒子速度的多样性,根据粒子群算法最优解调整路径上信息素分布,解决蚁群算法中初始信息素缺乏的问题。融入简化算子,对路径做进一步处理,优化路径长度。仿真结果表明,融合算法具有较强的安全性以及改善了算法寻找最优解的能力。     

一种基于量子风驱动优化算法的移动机器人路径规划

针对移动机器人路径规划过程中算法效率低、在复杂环境中自适应能力差、容易陷入局部最优的问题,将风驱动优化算法应用到路径规划中。首先使用包围点算法确定围绕关键障碍物的一组栅格点,在基于包围点算法生成初始路径后,使用量子风驱动算法对生成的路径进行优化。将风驱动优化算法与量子蝙蝠算法和量子粒子群算法分别在10张地图中进行测试,由测试数据可以看出量子风驱动算法在路径长度和算法效率上都优于其他两种算法。最后将3种算法应用到移动机器人中,风驱动优化算法的优势性与地图测试结果一致。