基于鱼群算法的智能机器人全覆盖路径规划

为保证机器人的行驶轨迹可以全方位地的覆盖地图的全部坐标点,并降低路径重复率,基于鱼群算法设计智能机器人全覆盖路径规划方法。建立智能机器人死区脱困模型,计算栅格地图模型中的目标活性值,获取整体栅格数量,描述地图中栅格状态,得到脱困时的行驶角度差。基于鱼群算法设计全路径覆盖判定方法,描述不同目标鱼个体之间的距离,在三重移动目标坐标系下,获取元素坐标向量,建立每个目标点的求解代价和,计算下一个目标点行驶的最小距离。设计机器人全覆盖路径规划算法,判断当前位置是否为死区,获取路径规划的全局最优解,实现智能机器人的全覆盖路径规划。利用Matlab仿真软件完成智能机器人全覆盖路径规划实验。结果表明,在简单环境下,该路径规划方法覆盖率为100%,重复率为5.23%,路径长度为15.36m；在复杂环境下,该路径规划方法的覆盖率为100%,重复率则为10.24%,路径长度为20.34m。由此证明,该方法具有较好地规划效果较好。     

改进海洋捕食者算法和插值平滑的机器人路径规划

鉴于传统的智能优化算法（intelligent optimization algorithm,IOA）不能很好解决插值平滑的机器人路径规划（robot path planning,RPP）问题,以及最近提出的海洋捕食者算法（marine predators algorithm,MPA）的优势和不足,提出了一种改进的MPA,即提升信息交流的MPA（interchange enhanced MPA,IEMPA）,用于解决RPP。首先提出一种融合趋向全局最优的反向学习策略用于随机选择的一个捕食者的位置更新,以便降低陷于局部最优的概率;然后提出了一种三阶段最优引导最差策略来强化最差个体以便提升整个群体和提高搜索能力;随后,提出一种信息共享策略用于捕食前期以进一步提高算法的搜索能力;最后将IEMPA用于插值平滑的RPP中。大量的多场景RPP问题的优化实验结果表明,与MPA等优秀算法相比,IEMPA搜索能力更强、精度更高、收敛速度更快,能更好地处理RPP,可应用到在其他复杂优化问题上。     

智能机械全覆盖路径规划算法综述

全覆盖路径规划算法是智能移动机械的核心内容之一,涉及军事、农业、生产制造和民用等多个应用领域,而应用环境包含了空中、地面和水下,因此关于全覆盖路径规划算法的研究具有很高的科研价值。从全覆盖路径规划算法的基本概念、工作条件、应用背景、国内外研究现状等方面对目前主流的规划算法进行了综述。根据工作环境信息是否已知,将其归类为“离线式”和“在线式”两种工作方式,并从覆盖完整程度、工作效率、能耗成本和实现难易程度等方面分析讨论了各种算法的优势与不足之处,并对全覆盖路径规划算法的研究趋势进行了展望。     

基于回溯法的全覆盖路径规划算法

随着扫地机器人的快速发展,作为其核心技术的全覆盖路径规划技术也变得日益重要。目前已经提出的许多算法,如人工势场法、模板法、单元分解法等,都存在一些问题,如覆盖率低、重复率高、运行效率低等等。针对目前已有算法存在的问题,提出了一种基于回溯法的全覆盖路径规划算法。首先利用West-Move First算法实现局部区域覆盖,然后为了解决扫地机器人局部区域覆盖过程中存在遗漏区域未覆盖的问题,建立了完善的回溯机制,并采用改进的A~*算法规划出一条从死点到回溯点的光滑无障碍路径。通过与BA~*算法进行仿真对比分析,表明了该算法具有更高的运行效率和更低的重叠率。     

基于蚁群算法的机器人路径规划

用栅格模型表示工作环境,确定机器人运动起始结点和目标结点后,对工作环境进行分析,选取起始点与目标点之间连线附近的若干栅格,以被选取栅格为关键点,采用蚁群算法分别计算关键点与起始点和目标节点之间的最短路径,求取全局最短路径。仿真验证,该方法简单有效。     

移动机器人全覆盖信度函数路径规划算法

针对移动机器人全覆盖路径规划问题,给出一种基于栅格信度函数的全覆盖路径规划算法。目的是为了控制移动机器人能够遍历工作区域中所有的可到达点,同时保证能够自动避开障碍物。首先,根据环境的信息对栅格地图进行赋值,使用不同的函数值表示障碍物、已覆盖栅格和未覆盖栅格;其次,判断机器人是否陷入死区引入不同方向信度函数,对栅格函数值进行调整;最后,机器人根据栅格信度函数值规划覆盖路径。本文所提及的算法不仅能够引导移动机器人实现工作区域的全覆盖而且能够快速逃离死区,实现覆盖路径的低重复率。仿真实验中,通过与生物启发神经网络算法的比较,证明本文提及算法有更高的覆盖效率。     

消毒机器人全覆盖路径算法设计

针对消毒机器人全覆盖消毒的算法,传统的消毒机器人重复率高、消耗大,容易进入死区,导致机器人无法进行工作,机器人利用二维的激光雷达旋转扫描到室内的三维立体空间,建立格栅地图,通过SPDF算法与改善A*算法得到的Theta*算法相结合的算法,使得消毒机人能够正常地完成室内的消毒工作,并且保证消毒面积尽可能的重复率在较低的情况下,完成全面消毒。     

移动机器人全覆盖路径规划研究

移动机器人的全局路径规划基本上可分为起点到终点寻优和全覆盖寻优两种。所谓全覆盖寻优路径规划,是指移动机器人快速而高效率地走遍一个区域内除障碍物以外的全部地方。对全覆盖路径规划方法的研究现状加以分析、比较和归纳,对全覆盖路径规划方法的发展趋势和研究方向进行探讨,也介绍作者自己的研究工作,同时对国内外刚开始不久的多机器人协作在全覆盖路径规划领域的研究工作也予以介绍,最后归纳出全覆盖寻优路径规划的发展方向及待解决的问题。     

一种多移动机器人的分布式滚动路径规划算法

本文研究了全局未知静态环境下多机器人路径规划问题，使用基于滚动窗口的机器人路径规划方法对机器人进行局部路径规划．并根据一定的规则在机器人之间进行路径的协调。仿真结果验证了算法的有效性。     

基于改进蚁群算法的机器人全局路径规划研究

针对蚁群算法在机器人路径规划过程中出现的收敛速度慢的缺陷,提出了基于改进蚁群算法规划机器人全局路径,在栅格地图中划定优选区域,并建立新的初始信息素浓度设置模型,对各点初始信息素浓度进行差异化设置,避免寻优的盲目性,提高了算法的收敛速度。实验结果表明,改进后的蚁群算法的收敛速度明显加快,优于传统算法,表明了该算法的有效性。     

移动机器人全局覆盖路径规划算法研究进展与展望

首先通过势场栅格法、单元分解法、全局与局部转换法等三大方法介绍了单移动机器人各种不同的全覆盖算法,分析了各种不同算法的性能,指出了它们的优缺点,并对每种方法的改进方法进行了探讨分析;另外,针对多机器人协作全覆盖路径规划的研究,探讨了基于单机器人全覆盖路径规划算法和任务分配算法等结合得到的多机器人协作路径规划算法;最后探讨移动机器人全覆盖路径规划算法的研究方向。分析结果表明,对于移动机器人全覆盖算法的研究,可充分利用现有算法的优势互补,或借助多学科交叉的优势,寻找更有效的算法。     

基于云模型的粒子群优化算法在路径规划中的应用

利用罚函数将机器人路径规划有约束优化问题转换为无约束优化问题。利用云模型既有随机性又有稳定倾向性的特性,引入基于云模型理论的自适应参数策略,构造出一种改进的粒子群（PSO）算法,并应用于机器人路径规划问题。在不同的子群采用不同的惯性权重生成方法,有效地平衡了算法的局部和全局搜索能力,提高了种群的多样性和算法的收敛速度。仿真结果对比验证了该算法的可行性和有效性,且实现简单、收敛速度快。     

基于变迁的完全路径覆盖测试

为解决基于状态节点搜索的完全路径覆盖所产生的测试用例数过多和难以实现连续测试的问题,提出了一种基于变迁的完全路径覆盖测试准则,并设计和实现了一种深度优先搜索与宽度优先搜索相结合的基于变迁完全路径覆盖测试用例自动生成算法。实验结果表明,基于变迁的完全路径覆盖准则比基于状态的完全路径覆盖准则更为严格,相应的算法可以产生更优的测试用例集,能更方便地完成软件的连续动态测试。     

Complete coverage path planning for wheeled agricultural robots

In the agricultural industry, an evolutionary effort has been made over the last two decades to achieve precise autonomous systems to perform typical in-field tasks, including harvesting, mowing, and spraying. One of the main objectives of an autonomous system in agriculture is to improve the efficiency while reducing the environmental impact and cost. Due to the nature of these operations, complete coverage path planning (CCPP) approaches play an essential role to find an optimal path which covers the entire field while taking into account land topography, operation requirements, and robot characteristics. The aim of this paper is to propose a CCPP approach defining the optimal movements of mobile robots over an agricultural field. First, a method based on tree exploration is proposed to find all potential solutions satisfying some predefined constraints. Second, a similarity check and selection of optimal solutions method is proposed to eliminate similar solutions and find the best solutions. The optimization goals are to maximize the coverage area and to minimize overlaps, nonworking path length, and overall travel time. To explore a wide range of possible solutions, our approach is able to consider multiple entrances for the robot. For fields with a complex shape, different dividing lines to split them into simple polygons are also considered. Our approach also computes the headland zones and covers them automatically which leads to a high coverage rate of the field.     

基于对比优化的RRT路径规划改进算法

针对动态环境下机器人RRT路径规划算法缺乏稳定性和偏离最优解的问题,提出一种基于对比优化的RRT路径规划改进算法。算法在新一周期的环境下,通过对上一周期路径树进行剪枝和重新规划得到一条稳定的路径,同时利用基本RRT算法规划出一条新路径,通过对比两条路径得到较优解。仿真和真实机器人实验结果均表明,改进的算法提高了动态复杂环境下RRT路径规划的稳定性,并保证了规划的路径逼近最优解。     

基于改进粒子群优化算法的牙齿正畸路径规划方法

针对虚拟口腔正畸治疗系统中牙齿移动路径规划问题,提出了一种基于正态分布的简化均值粒子群的牙齿正畸路径规划方法。首先建立了单颗牙齿及整体牙齿的数学模型,并根据牙齿运动的特性,将牙齿正畸路径规划问题转化为带约束的优化问题;其次,在简化粒子群算法的基础上,引入正态分布及均值粒子群的思想,提出了一种基于正态分布的简化均值粒子群优化（NSMPSO）算法;最后,从平移路径长度、旋转角度、碰撞检测以及牙齿在单阶段的移动量、旋转量这五个方面构造了高安全性的适应度函数,实现了牙齿正畸移动路径的规划。将NSMPSO与基本粒子群优化（PSO）算法、均值粒子群优化（MPSO）算法和动态调整惯性权重的简化均值粒子群优化（DSMPSO）算法进行对比,结果表明,改进的算法在Sphere、Griewank和Ackley这三大基准测试函数上均在50次迭代内趋于稳定收敛,且均具有最快的收敛速度和最高的收敛精度。通过Matlab中的仿真实验,验证了利用该数学模型和改进算法求得的最优路径安全可靠,可以为医生提供辅助诊断。     

基于拓扑栅格建模的AGV路径规划算法优化

为解决不规则布局的智能制造车间中自动导引车(automated guided vehicle,AGV)的路径规划问题,提出一种实现AGV路径规划的双层环境建模方法,在此基础上对其路径规划算法进行有效改进,改进算法附加考虑路径的平滑度,提出模拟退火的种群选择方法。通过仿真实验验证,改进后的算法规划出的路径更加平滑,有效避免了传统遗传算法易陷入局部最优的缺陷。仿真实验还验证了改进算法的有效性区间,当障碍物栅格占全环境比小于等于40%时,改进算法比传统遗传算法有效,在此范围内,障碍物占比越高,算法有效性越好。     

基于滑动窗口和蚁群优化算法的二次路径规划算法

针对蚁群优化(ACO)算法在复杂环境下规划能力较弱的问题,提出了一种基于滑动窗口和蚁群优化算法的二次路径规划(QACO)算法.对回退蚁群优化(ACOFS)算法的回退策略进行改进,通过降低回退路径上的信息素量,减少回退次数.第一次规划中,使用改进后的ACO算法对栅格环境进行全局路径规划;第二次规划中,滑动窗口沿着全局路径滑动,通过ACO算法规划出滑动窗口中的局部路径,并使用局部路径对全局路径进行优化,直至滑动窗口中包含目标位置.仿真实验表明:相比ACO、ACOFS算法,QACO算法的平均规划时间分别下降了26.21%、52.03%,平均路径长度下降了47.82%、42.28%,因此在复杂环境下QACO算法具有将强的路径规划能力.