复杂环境下基于目标指引的RRT*路径规划算法

机器人路径规划算法需应对运动过程中遇到的各种复杂环境。针对快速扩展随机树(RRT)算法规划时间长、产生新节点随机性大、盲目性强的缺点,提出基于目标指引的RRT*路径规划算法。该算法在障碍物和目标点处分别产生虚拟势场,引入引力函数和斥力函数使得生成的随机点具有目标性,随机点朝向目标点方向产生,降低盲目性和随机性;回归策略和动态自适应步长策略减少规划时间和产生冗余点的数量。当环境复杂时,提出带有预测机制的模糊推理策略,以解决机器人在U型陷阱下易产生的局部死锁现象。在动态环境下,提出重规划策略使机器人拥有动态避障能力。最后,在树莓派智能小车上进行了实验测试,结果验证了该算法的有效性。     

移动机器人运动规划研究综述

机器人运动规划是移动机器人导航的核心技术之一。40多年来，运动规划技术发展迅速，涌现出了许多规划算法，但因为环境描述方式差异巨大，技术差别大，实验比较难度较大。在总结机器人发展史上具有典型意义的规划算法的基础上，提出了路径规划算法的评价标准和形式化描述方式，介绍了每种算法的原理或技术，从搜索策略和环境建模的角度将它们分为四大类，分别是基于自由空间几何构造的规划算法、前向图搜索算法、基于随机采样的运动规划算法以及智能化规划算法，并按照提出的标准比较它们的性能。     

动态环境下基于自适应步长Informed-RRT*和人工势场法的机器人混合路径规划

为解决移动机器人在动态环境下的路径规划问题,将Informed-RRT*和人工势场法相融合,提出全局与局部规划算法相融合的路径规划方法。首先,针对Informed-RRT*算法采样效率低,以及得到路径不满足机器人运动学约束的问题,采用目标偏置法与自适应步长法,减少冗余搜索与不必要树的生长;同时,引入走廊优化与时间重分配法,优化路径节点,使路径更加平滑。其次,针对人工势场法易陷入局部极小值和目标点附近不可达的问题,采用平滑窗格策略,增设全局路径子目标点,使机器人能够逃离局部极小值,完成规划任务。仿真结果表明,静态环境中自适应步长Informed-RRT*算法相比于Informed-RRT*算法求解时间缩短了71.98%;动态环境中,混合算法相比于人工势场法,搜索时间缩短了15.4%,路径长度缩短了11.1%。     

基于动态运动基元的移动机器人路径规划

针对二维环境下移动机器人路径规划问题,提出一种基于动态运动基元(DMPs)的路径规划方法。该方法首先用手柄来控制机器人,记录机器人的运动轨迹,然后将记录的轨迹作为DMPs算法的学习样本,利用轨迹样本进行训练获得DMPs算法的模型参!,从而实现机器人的路径规划。当运动环境中有障碍物时,在已有学习基础上通过设计耦合因子规划出避障路径,在此基础上,改变机器人运动的目标位置,可以完成对新目标的泛化推广。仿真和实验结果表明,DMPs算法在移动机器人路径规划上具有可行性。     

随机圆检测算法的采样约束和参数校准策略

随机Hough变换和随机圆检测算法是图像中检测圆轮廓的快速方法,但在实际应用中分别在速度和精度上有不足.将上述算法中的随机采样分布、采样累积分布和采样次数阈值归为采样约束问题,将代理点计算出的参数与真实参数的偏差归为参数校准问题.经分析上述问题,将改进的随机圆检测算法作为快速识别方法,将随机圆Hough变换作为校准方法,结合两者的优点提出一种基于识别-校准框架的高效圆检测算法.实验数据证明,在噪声和不理想圆轮廓条件下,该框架能够很好地平衡检测速度与精度,从而体现出算法的高效性.     

随机圆检测快速算法

针对随机圆检测算法每随机采样4点约需计算4次圆参数,本文提出一种快速的随机圆检测算法.该算法在判断随机采样的4点是否能确定一个候选圆的过程中,若其中1点到其余3点所确定的圆边界的距离大于某一阈值,则重新随机采样四点进行计算.通过该阈值大量减少了圆参数的计算次数,同时结合快速证据积累方法确认候选圆是否为真圆.合成图像和实际图像的实验结果表明:该算法较随机圆检测算法的计算速度有了较大提高,具有对局部信息缺损不敏感和噪声鲁棒性强等特点.     

不确定车数的随机车辆路径问题模型及算法

研究了一类有时间约束、车辆数量不确定的随机车辆路径问题;建立了该类问题的随机规划数学模型;设计了模型求解的遗传算法、禁忌搜索算法和遗传-禁忌混合算法.禁忌算法采用了对当前解的车辆-顾客分配结构和解的路径顺序分别禁忌的双层禁忌算法,使算法全局性更好,同时也降低了搜索时间.把禁忌算法作为变异算子应用于遗传算法形成了混合算法.最后给出了计算示例,对算法进行了比较分析.     

RRT与人工势场法结合的机械臂避障规划

针对人工势场法在工业机械臂避障路径规划中容易陷入局部极小值的缺陷,利用改进的快速扩展随机树(rapidly-exploring random tree,RRT)算法与人工势场法结合进行避障路径规划。首先,利用人工势场法进行局部路径规划,当陷入局部极小值时,使用改进的快速扩展随机算法自适应地选择临时目标点,使搜索过程跳出局部极小值点;当机械臂逃离局部极小值点时,切换回人工势场法进行规划。该算法不仅能够实现工业机械臂末端执行器的避障,同时能够防止杆端与障碍物产生碰撞,最终到达目标点。仿真实验表明,该方法实现简单,能够适应环境的变化,在复杂的环境下依然有效,满足机械臂避障的要求。最后,通过进行实际实验表明了实际与仿真实验的一致性。     

一种基于神经网络的移动机器人路径规划算法

针对结构化环境下移动机器人的路径规划问题，提出了一种基于神经网络的路径规划算法。该算法利用神经网络描述环境约束并计算碰撞能量 函数。采用了一种离散化的方法逼近能量的负梯度方向，从而确定路径点集的运动趋向。最后利用计算机仿真分析了该算法的性能和效率。     

一种工业机器人连续轨迹规划过渡算法

提出一种用于工业机器人操作空间连续轨迹规划的平滑曲线过渡算法,以提高工业机器人在连续轨迹过渡时的运动速度.该算法的主要目的是在保证连续轨迹过渡精度和工业机器人物理约束的条件下充分发挥工业机器人的能力,尽量提高过渡区域的速度,减少过渡所需时间,同时尽可能地使计算过程简便,以便用于在线规划,提高算法的通用性.该算法以给定速度为零的路径衔接点为基准,根据过渡半径参数得到2个速度不为零的过渡节点,在过渡节点之间采用一种有限项的正弦级数进行曲线拟合.而在非过渡区域只需采取经典的起止速度及加速度满足约束值的直线轨迹规划算法或圆弧轨迹规划算法.通过MATLAB仿真和一种两自由度高速并联机械手的实验验证了该算法的效果.该算法可以实现典型路径的在线轨迹规划,且轨迹通常不随速度参数的更改而变化,计算过程简便,故具有较大的应用价值和发展空间.     

基于组合非线性反馈技术的机器人控制方法

为解决机器人跟踪控制中响应速度和超调量之间的矛盾,实现快速的响应和较小的超调,研究了机器人非线性动力学与组合非线性反馈技术相结合的控制策略,提出了一种基于组合非线性反馈的机器人控制器.该控制器由两部分组成,一部分由完全的机器人非线性动力学补偿来实现反馈线性化,另一部分由组合非线性反馈技术实现镇定.通过反馈线性化技术与Lyapunov理论,证明了闭环系统的渐近稳定性.同时,把组合非线性反馈理论拓展到多输入多输出(MIMO)饱和线性系统的时变轨迹跟踪控制,利用非线性项的变阻尼特性,使得系统的动态响应快速且没有超调.仿真结果证实了此方法的有效性.     

基于改进蚁群算法的码垛机器人路径规划应用研究

目的为解决蚁群算法在码垛机器人路径规划中存在的收敛速度慢、容易陷入局部最优等问题,提出一种人工势场和蚁群算法相结合的方法。方法首先,根据码垛机器人机械手在人工势场中不同节点所受到的合力,对初始信息素进行不均匀分布,以解决蚁群算法初期由于缺乏信息素导致的无效路径搜索。其次,在启发函数的设计中引入码垛机器人机械手在下一节点所受到的合力,以解决蚁群算法容易陷入局部最优的问题。最后,对信息素的更新策略进行改进。按照寻得路径的长度不同,对每次迭代完成后信息素的增量成比例进行更新,并设置最大、最小值,以解决迭代后期路径上信息素过大而使蚁群算法陷入局部最优的问题。结果改进后的蚁群算法收敛速度提升了约51%,寻找到的最短路径提升了约10%。和其他改进的蚁群算法相比,在综合性能上也有一定程度上的提高。结论改进后的蚁群算法收敛更快,寻找的最优路径更短。     

Pullback and forward attractors for dissipative lattice dynamical systems with additive noises

This work investigates the dissipative dynamical system in the infinite lattice ?. The dynamics of each node depends on itself and nearby nodes by a nonlinear function. When each node is perturbed with weighted Gaussian white noise, a unique pullback attractor and forward attractor exists whose domain of attraction are random tempered sets. Furthermore, we prove that the pullback and forward attractors are equivalent to a random equilibrium which is also tempered. Both convergence to the pullback and forward attractors are exponentially fast.     

一种非高斯随机振动过程数值模拟方法

目的 考虑真实随机振动的非高斯特性,提出一种根据已知信息生成与其相符的非高斯随机振动过程的数值模拟方法。方法 基于均值、方差、偏斜度、峭度及功率谱密度函数（或自相关函数）等约束条件,对非高斯随机振动进行模拟。根据功率谱获取非高斯过程的自相关矩阵;通过Hermite多项式的正交性质和多项式混沌展开方法推导出的公式,构造满足标准正态分布随机过程的协方差矩阵,并对其进行谱分解和主成分分析;最后,利用Karhunen-Loeve展开和多项式混沌展开来表示所模拟的非高斯振动过程。结果 随着采样点个数的增加,实测数据与模拟数据之间的误差越来越小,该方法具有较好的模拟精度。结论 应用多项式混沌展开、Karhunen-Loeve展开以及蒙特卡洛等方法,可生成非高斯随机振动过程,并得到准确有效的各项统计参数模拟值。     

运动学约束情况下的移动机器人导航控制研究

对未知环境下的移动机器人导航与避障进行了研究。在导航的过程中考虑了移动机器人的非完整运动学约束。机器人采用三个距离传感器从三个方向实时探测环境中的障碍,其运动方向根据目标位置和传感器的探测数据进行实时规划。在本文设计的一种新的导航控制作用下,机器人在满足运动学约束的情况下可以实时跟踪奔向目标行为和避悼行为规划的路径,以接近最优的轨迹避开环境中的障碍并到达目标。仿真结果表明了该方法的有效性。     

An optimal procedure for solving the hierarchical network design problem

The hierarchical network design problem consists of finding a minimum cost bilevel network that connects all the nodes in a set, created by a loopless main path and a forest. The main path is formed by primary (higher cost) arcs, providing a path between an origin node and a destination node. The forest, built using secondary (lower cost) arcs, connects all the nodes not on the main path, to the path itself. We state and prove some properties of the problem, which allow finding good upper bounds to the solution in polynomial time when the primary costs are proportional to secondary costs. We also propose an O(n⁴) procedure to improve on these bounds. In turn, these bounds are used to significantly reduce the number of nodes and arcs of the problem. Once the problem is reduced, large instances can be solved to optimality. At this stage, we use one of two linear integer optimization formulations. The first and preferred one is based on multicommodity flows, which avoids the formation of subtours. The second formulation avoids subtours by iteratively adding ad hoc constraints. We show some examples and provide computational experiments performed on networks with sizes up to 600 nodes and 14 000 arcs.     

整群抽样回归估计量

研究了有辅助指标的整群抽样，构造了总体总值的回归估计量，证明了回归估计量是可用的，并且不劣于整群抽样下的简单估计量及整群抽样下的比估计量。