具有避障功能的农机自动作业全覆盖路径规划方法

针对不同尺寸和类型障碍物条件下的农机车辆自动作业全覆盖路径规划问题,提出了静态全覆盖路径规划方法和路径优化方案。根据矩形田块信息、障碍物信息、农机最小转弯半径和机具宽度,自动选定作业方向、作业行距、地头转弯区域和转弯模式等参数;根据障碍物形状、高覆盖率高作业路径比的需求,对算法进行优化调整,以达到更好的作业效果。软件仿真测试结果表明:对有小矩形障碍物的田块,改进后的算法覆盖率提升了0.11%,重复率降低了0.71%;对大矩形障碍物的田块,两种分区路径的覆盖率分别为89.24%和98.08%,重复率分别为3.53%和2.84%。研究结果表明:算法提高了田块的利用率,降低了作业成本,能够有效避开大小障碍物,同时满足高覆盖率和低重复率的田间作业要求。

融合改进A^(*)算法与动态窗口法的煤矿足式机器人路径规划

为提高煤矿足式机器人路径规划算法的运行效率、搜索精度及避障灵活性,提出了一种融合改进A^(*)算法与动态窗口法(DWA)的煤矿足式机器人路径规划方法。首先对A^(*)算法进行改进,通过去冗余节点策略减短规划路径的长度,通过改进邻域搜索方式和代价函数提高路径规划速度,采用分段二阶贝塞尔曲线进行路径平滑。将改进A^(*)算法规划出的路径节点依次作为局部路径规划DWA的局部目标点进行算法融合,筛选邻近的障碍物节点,从而再次缩短路径长度,并通过调整DWA代价函数中的权值比例提升避障性能。针对机器人遇到无法避开的障碍物而陷入“假死”状态的问题,以当前初始点为起点,重新调用融合算法,即重新进行全局路径规划,将得到的新节点代替原有的局部目标点,按照新路径进行后续工作。仿真结果表明:在保证机器人行走安全稳定的基础上,改进A^(*)算法较传统A^(*)算法的计算时间缩短了65%,路径长度缩短了24.1%,路径节点数量减少了27.65%,最终得出的路径更为平滑;融合算法进一步提升了全局路径规划能力,在多障碍物环境下能够绕开新增的动态和静态障碍物;机器人遇到“L”型障碍物进入“假死”状态时,在“假死”位置重新进行全局路径规划,更新行走路径,成功到达了最终目标点。基于融合算法的JetHexa六足机器人路径规划实验结果验证了融合算法的有效性和优越性。

近海复杂环境下UUV动态路径规划方法研究

为解决近海环境下水下无人航行器(unmanned underwater vehicle,UUV)的动态路径规划问题,本文提出一种结合全局和局部动态路径规划的算法。首先,本文提出一种基于自适应目标引导的快速拓展随机树算法,以增加随机树生长的方向性,并通过转向和重选策略减少无效拓展加快算法的收敛速度。接着,获得全局路径之后使用自适应子节点选取策略获取动态窗口法的子目标点,将复杂的全局动态任务规划分解为多个简单的动态路劲规划,从而防止动态窗口法陷入局部极小值。最后,通过UUV出港任务仿真实验验证了算法的有效性和实用性。

温室植保机器人覆盖式路径规划方法研究

针对温室环境植保作业的特点,提出了一种针对温室植保机器人的覆盖式路径规划方法。首先通过UWB-IMU对机器人位姿进行估计,解决了激光里程计在温室行间失效的问题,并利用位姿估计结果与激光雷达数据融合建立温室地图。设计了作业点和可通行区域识别方法,完成了基于A∗算法的温室植保作业区域全覆盖路径生成方法和基于贝塞尔曲线法的作业路径平滑方法,最终得到了满足温室植保作业要求的全局路径。基于DWA算法对机器人实际作业过程中进行动态规划。最后基于仿真平台CoppeliaSim对上述方法进行了验证,实验结果表明,机器人能有效跟随全局路径,完成覆盖作业任务。

基于改进蚁群优化算法的AUV三维路径规划

针对蚁群算法在三维路径规划时收敛速度慢且难以收敛至最优的缺点,提出一种新的改进蚁群算法,并将其应用于自主式水下机器人(autonomous underwater vehicle,AUV)三维路径规划。与现有算法相比,改进算法优点主要体现在3个方面:首先,引进伪随机状态转移概率提升算法全局搜索能力;其次,将距离和轨迹限定因子引入启发式函数,距离因子保证搜索不断趋近目标点,在轨迹限定因子约束下,轨迹累计转角更小,以此提升收敛速度和精度;最后,通过扩大信息素增量差距并逐步提高信息素衰减系数,进一步提高路径规划效率。实验结果表明,改进蚁群算法能够获得累计转角更小路径,且路径长度更小,收敛速度更快。

巡查机器人路径规划算法与应用综述

巡查机器人被广泛应用于安防、工业检测、建筑维护、环境监测等领域,能够实现自主运行、任务执行和巡逻勘察。巡查机器人路径规划是一项关键技术,其准确性和高效性对于实现自主操作和任务执行至关重要。为了更好地解决巡查机器人的路径规划问题,分析并总结了当前研究进展,包括全局路径规划算法和局部路径规划算法。同时,还分析了巡查机器人路径规划面临的挑战,如复杂环境、动态障碍物和实时性等方面的要求。重点介绍了智能路径规划方法,并展望了未来巡查机器人发展的趋势。

改进A^(*)算法和人工势场法的路径规划

A^(*)算法存在折线路径多和搜索节点多的问题,人工势场(artificial potential field,APF)法存在局部最优和不可到达的问题,针对两种算法存在的问题进行了研究。利用欧氏距离与投影距离提出一种新的混合式启发函数,依据该函数对A^(*)算法的流程进行改进,减少A^(*)算法的搜索节点,提高搜索效率。利用新A^(*)算法生成的最优节点作为APF算法的局部目标点,辅助机器人摆脱局部最优点;通过加入机器人和目标点的位置关系改进势场函数,修改斥力的增益,优化斥力的生成方向。在改进的基础上将两种算法融合提出一种新的算法,利用APF法的势场函数引导A^(*)算法的搜索。从路径长度、避障效果、迭代次数对改进算法进行对比分析,仿真结果表明,提出的改进算法搜索效率高,实现避障的同时保证计算的路径最优。

基于多策略融合改进粒子群算法的路径规划研究

针对传统粒子群算法(particle swarm optimization,PSO)在路径规划中易陷入局部最优使得规划路径较长以及搜索后期由于种群多样性降低容易陷入停滞等问题,提出一种多策略融合粒子群算法(multi-strategy fusion particle swarm optimization,MFPSO)并将其应用于路径规划中。首先,利用中垂线算法(midperpendicular algorithm)的粒子位置更新方法提升粒子的收敛速度;其次,在最优粒子附近采用生成爆炸粒子的策略使算法跳出局部最优;然后,引入线性动态惯性权重调整方法,增加算法的搜索能力;最后,在路径规划应用中采用全局最优解局部搜索策略,在算法后期得出的最优路径再进行局部搜索得出更优的路径,增加机器人路径规划能力。仿真结果表明,多策略融合粒子群算法在路径规划中具有更高的路径搜索能力。

基于RRT^(*)-DR算法的机械臂避障路径规划

为使机械臂在障碍物环境下快速规划较优路径,提出了一种基于动态区域采样的改进RRT^(*)-DR路径规划算法,将整个规划过程分为快速探索路径和优化初始路径两个步骤。首先利用半目标导向扩展快速探索,找到连接起始点和目标点的路径。随后利用动态区域采样方法,始终在当前最优路径的周边范围内采样,优先密化当前最优路径附近的节点树,节省计算资源,使初始路径经过迭代快速向渐进最优路径收敛。同时,提出一种近障碍节点变步长机制,有选择性地缩短靠近障碍节点的扩展步长,可有效减少碰撞检测失败次数,提高算法效率。最后,在MATLAB和ROS系统下进行路径规划算法仿真,结果表明RRT^(*)-DR算法可在更短时间内实现路径规划,同时有效缩小路径代价。进一步通过实体机器人路径规划避障实验,验证了该算法的实用性和有效性。

基于路径规划特点的语义目标导航方法

为了解决语义目标导航任务中存在的探索效率低、深度不精准等问题,本文构建了一个解决语义目标导航任务的框架,在语义地图构建模块中引入了深度图边缘处理以及地图纠错机制;在探索模块中引入了覆盖范围最大化算法;在路径规划模块中引入了替代点机制。本文在一个3D仿真环境下进行了实验。实验结果表明,本文提出的解决方案明显提升了语义目标导航任务的性能。此外,本文所提方法成功应用到了四足机器人上,从而验证了其在现实场景下的泛化性。

AGV路径规划及避障算法研究综述

自动导向车(Automated Guided Vehicle,AGV)目前被广泛应用于物流、仓储、制造业和仓储等领域.AGV的路径规划和避障算法是实现AGV自主导航的关键技术,决定了AGV在复杂环境中能否高效、安全地完成任务,近年来成为AGV领域的重要研究热点之一.本文根据AGV路径规划及避障算法的原理与特点,将主流AGV路径规划及避障算法划分为局部避障路径规划算法、基于几何模型的路径规划算法、智能路径规划算法和混合算法4类,对算法的原理、工作流程、优缺点进行了深入分析,并介绍了相应的改进算法.最后,本文对AGV路径规划及避障的未来发展趋势进行展望,为AGV路径规划及避障算法的研究指出了方向.

煤矿井下掘进机器人路径规划方法研究

针对煤矿非全断面巷道条件下掘进机器人移机难度大、效率低下等问题,分析了煤矿井下非结构化环境特征及掘进机器人运动特性,提出了基于深度强化学习的掘进机器人机身路径规划方法。利用深度相机将巷道环境实时重建,在虚拟环境中建立掘进机器人与巷道环境的碰撞检测模型,并使用层次包围盒法进行虚拟环境碰撞检测,形成巷道边界受限下的避障策略。考虑到掘进机器人形体大小且路径规划过程目标单一,在传统SAC算法的基础上引入后见经验回放技术,提出HER-SAC算法,该算法通过环境初始目标得到的轨迹扩展目标子集,以增加训练样本、提高训练速度。在此基础上,基于奖惩机制建立智能体,根据掘进机器人运动特性定义其状态空间与动作空间,在同一场景下分别使用3种算法对智能体进行训练,综合平均奖励值、最高奖励值、达到最高奖励值的步数以及鲁棒性4项性能指标进行对比分析。为进一步验证所提方法的可靠性,采用虚实结合的方式,通过调整目标位置设置2种实验场景进行掘进机器人的路径规划,并将传统SAC算法和HER-SAC算法的路径结果进行对比。结果表明:相较于PPO算法和SAC算法,HER-SAC算法收敛速度更快、综合性能达到最优;在2种实验场景下,HER-SAC算法相比传统SAC算法规划出的路径更加平滑、路径长度更短、路径终点与目标位置的误差在3.53 cm以内,能够有效地完成移机路径规划任务。该方法为煤矿掘进机器人的自主移机控制奠定了理论基础,为煤矿掘进设备自动化提供了新方法。

采用社会约束自适应动态窗口法的服务机器人路径规划

针对传统动态窗口法在行人密集环境下动态路径规划存在灵活性差、效率低、安全性缺乏等问题,提出一种社会交互空间下基于社会约束自适应动态窗口法(social_DWA),并采用其解决服务机器人局部路径规划问题。首先,采用非对称高斯公式对单行人以及多人群组交互空间进行模型化描述;其次,在传统动态窗口法的基础上,采用动态行人方位角约束对动态行人进行避让;改进距离评价函数,分类决策与行人、多人群组、一般障碍物的安全距离;最后,提出速度权重自适应调整策略,优化服务机器人在途经不同密集度社会交互区域时的移动速度。为验证算法有效性,在两种模拟社会场景下,先后开展了social_DWA算法与传统DWA算法、FIDWA算法的路径规划仿真对比实验。结果表明:采用social_DWA算法所消耗的运动时间在场景1中较传统DWA和FIDWA算法分别缩短了1.53、0.43 s,在场景2中较传统DWA和FIDWA算法分别缩短了26.3、2.86 s;相较于传统DWA算法和FIDWA算法,social_DWA算法能保持有效的行人安全距离,并使运行轨迹更加合理。social_DWA算法在行人避让、环境适应能力等方面具有一定的优越性。

改进A^(*)算法的安全高效室内全局路径规划

针对A^(*)算法生成路径存在斜穿障碍物、转折点多及不平滑的情况,本文提出一种改进的A^(*)算法。首先通过排除所有强迫邻居节点来优化搜索邻域,避免生成斜穿障碍物的路径,提升路径的安全性和可靠性;其次设置安全距离,提取优化邻域后生成路径的必经转折点,减少路径冗余,简化路径结构;最后使用贝塞尔曲线对必经转折点进行插值,根据相邻两必经转折点的位置和连线斜率确定每段贝塞尔曲线控制点的数量和位置,进行分段平滑。仿真实验表明,改进的A^(*)算法较原A^(*)算法生成的路径安全性平均提升了33.68%,转折点个数平均减少了37.00%,同时机器人转向角和路径曲率连续,保证了路径的平滑。改进的A^(*)算法最终生成的路径与障碍物均保持在安全距离内,转折点少且平滑,可应用到移动机器人室内路径规划中。

机耕道自动驾驶农机局部路径规划

针对机耕道场景下自动驾驶农机行驶的安全性、平稳性与规划实时性的实际需求,该研究提出了一种基于二次规划的局部路径规划方法。首先基于有限状态机构建农机机耕道行驶模式,其次采用横纵向解耦的方法,通过改进状态栅格法分别对农机速度行为和轨迹行为进行决策,随后利用二次规划方法生成满足多目标、多约束条件的农机轨迹和速度,得到最优路径,最后在多种行驶环境中进行仿真和实车试验,行驶参考速度为2 m/s。实车试验结果表明,在绕行静态障碍物场景中,规划轨迹的平均绝对曲率为0.021 m^(-1),最大绝对曲率为0.056 m^(-1),平均绝对横向误差为3.23 cm,最大绝对横向误差为8.69 cm,农机与障碍物外轮廓的距离大于0.76 m;在规避相向行驶、同向行驶和横穿机耕道的动态障碍物场景中,规划速度的平均绝对速度误差为0.08~0.12 m/s,绝对速度误差小于0.38 m/s,加速度变化范围为-0.38~0.44 m/s^(2)。在规划周期为200 ms的仿真试验中,该文算法平均耗时48 ms,最大耗时75 ms,相比采用静态状态栅格法平均耗时减少38 ms,算法效率提升44%。研究结果可为机耕道场景下的农机局部路径规划提供技术支持。

基于改进人工势场法的AUV全局路径规划

目的为了解决AUV(autonomous underwater vehicle)在传统人工势场法路径规划过程中存在的碰撞、目标不可达和局部极小值等问题,方法提出一种基于改进人工势场法(improved artificial potential field,IAPF)的AUV全局路径规划算法。首先为解决引力过大导致的碰撞问题,引入作用阈限制目标点的吸引力;然后在斥力场添加距离修正因子修正斥力函数,防止目标点离障碍物过近时,由于斥力大于引力引起目标不可达现象,同时考虑到障碍物大小的不等性会影响斥力的作用范围,对障碍物的最小安全距离进行修改;最后在此基础上添加外力,利用外力和势场力的共同作用使AUV沿切线方向行驶,从而摆脱局部极小点或陷阱区域。结果仿真实验结果表明,本文算法能够规划出一条最优路径,与同类算法相比,本文算法运行时间短,成功率高。结论本文提出的基于改进人工势场法的AUV全局路径规划算法,通过引入作用阈、距离修正因子、最小安全距离修正以及外力作用,有效解决了传统人工势场法在AUV路径规划中存在的碰撞、目标不可达和局部极小值等问题。

位姿约束下的双向扩展机械臂路径规划方法

针对机械臂路径规划方法存在的规划效率低、连杆通过性差、路径粗糙等问题,以渐进最优快速随机搜索树RRT*为基础,提出一种位姿约束下的双向扩展机械臂路径规划方法(PCO-BT-RRT*)。首先,设计目标偏置引导的双向扩展RRT*算法(BT-RRT*),改进了RRT*算法的初始化过程,将起始点和目标点分别作为两棵随机树的初始节点,并通过目标偏置策略引导其以一定概率相向生长,加快探索未知区域,在保证路径代价较低的同时提升路径生成速度。其次,提出一种位姿约束路径优化策略(PCO),采用机械臂运动学模型和碰撞检测规则共同约束新节点扩展过程,寻找机械臂可达空间内的避障路径;对生成路径剪枝剔冗,缩短可行路径长度,同时对消冗节点以迭代调整的方式进行平滑优化,提高路径生成质量。通过仿真实验分析,验证了所提方法在路径规划问题上的显著性成效;在自主研发的BIM信息融合下建筑砌筑系统进行真机避障测试,验证了该方法的实用性。

基于改进DQN算法的应召搜潜无人水面艇路径规划方法

针对应召反潜中无人水面艇航向和航速机动的情形,提出一种基于改进深度Q学习(Deep Q-learning,DQN)算法的无人艇路径规划方法。结合应召搜潜模型,引入改进的深度强化学习(Improved-DQN,I-DQN)算法,通过联合调整无人水面艇(Unmanned Surface Vessel,USV)的动作空间、动作选择策略和奖励等,获取一条最优路径。算法采用时变动态贪婪策略,根据环境和神经网络的学习效果自适应调整USV动作选择,提高全局搜索能力并避免陷入局部最优解;结合USV所处的障碍物环境和当前位置设置分段非线性奖惩函数,保证不避碰的同时提升算法收敛速度;增加贝塞尔算法对路径平滑处理。仿真结果表明,在相同环境下新方法规划效果优于DQN算法、A^(*)算法和人工势场算法,具有更好的稳定性、收敛性和安全性。

基于优化快速搜索随机树算法的全局路径规划

为了改善传统快速搜索随机树(RRT)算法在全局路径规划中存在的平滑度差、具有潜在碰撞性等问题,提出了一种双重优化的RRT算法。在传统RRT算法基础上,引入自适应目标偏向策略以缩短采样时间,引入角度约束采样策略以适应车辆极限转角。得到初始路径后,建立二项优化函数(即降低路径曲率和远离障碍物),并将其作为基点进行梯度下降二次优化,生成可供车辆行驶、平滑性良好且碰撞概率低的路径,并进行仿真验证。结果表明:优化RRT算法相比于传统RRT算法、RRT-Connect算法和RRT算法,平均曲率分别降低了38.1%、36.4%和24.7%,曲率均方差分别降低了38.4%、38.4%和27.2%。

基于改进人工势场算法的煤矿井下机器人路径规划

路径规划是煤矿机器人在煤矿井下狭小巷道空间中应用亟待解决的关键技术之一。针对传统人工势场(APF)算法在狭小巷道环境中规划出的路径可能离巷道边界过近,以及在障碍物附近易出现目标不可达和路径振荡等问题,提出了一种基于改进APF算法的煤矿机器人路径规划方法。参考《煤矿安全规程》有关规定建立了巷道两帮边界势场,将机器人行驶路径尽量规划在巷道中间,以提高机器人行驶安全性;在障碍物斥力势场中引入调节因子,以解决目标不可达问题;引入转角限制系数以平滑规划出的路径,减少振荡,提高规划效率,保证规划路径的安全性。仿真结果表明:当目标点离障碍物很近时,改进APF算法可成功规划出能够抵达目标点的路径;改进APF算法规划周期数较传统算法平均减少了14.48%,转向角度变化累计值平均减少了87.41%,曲率绝对值之和平均减少了78.09%,表明改进APF算法规划的路径更加平滑,路径长度更短,规划效率和安全性更高。