基于优化跳点搜索和车道采样的巡检机器人路径规划方法

为实现巡检机器人的快速全局路径规划,并精确跟随路径和实时避障,提出了一种基于优化跳点搜索和平行采样的巡检机器人路径规划方法。在全局规划中,通过滑动窗优化和共轭梯度法对传统的跳点搜索方法进行优化,平滑全局路径的中转角,消除因搜索方向约束而产生的非必要转弯。在局部规划中,采用了一种基于车道线采样的局部规划方法,以巡检路径为参考,平行于巡检路径采样生成局部路径簇,在局部规划中加入了有限状态机。为了使机器人精确跟随局部路径,采用了一种基于李雅普诺夫函数的路径跟随方法。最后,在机器人操作系统(robot operating system,ROS)中建立室外仿真环境,针对所提出的路径规划方法进行测试,验证了所规划方法的有效性和鲁棒性。

具有光滑-直行功能的Q-Learning路径优化算法

移动机器人作业路径的合理规划是其安全高效完成作业任务的关键。现有的路径规划算法大部分是基于已知全局环境信息后,再进行路径规划。因此,针对移动机器人在静态未知环境中的路径规划问题,提出了一种具有光滑-直行功能的Q-Learning(SSQL)算法并将其用于移动机器人的路径规划中。该算法在提高Agent学习效率的同时可确保路径为光滑连续的最短曲线,以改善其行走动力学性能及效率。SSQL算法包括三个主要新方案:首先,基于Q-Learning算法对未知环境进行预探索,在Agent首次找到目标点后,依据预探索信息,构建虚拟矩形环境,并在其内部增加引导Q值,以提高Agent学习效率。同时,将Agent找到的路径进行跳点优化,以达到消除冗余路径、减少路径转折点和缩短路径长度的目的。进而,在路径转折位置采用贝塞尔曲线进行路径平滑处理,并使最终路径能满足移动机器人动力学约束。将该算法与Q-Learning算法在不同环境下进行对比试验,研究结果表明,SSQL路径规划算法对大型未知环境的探索表现出优异的优化效果,具有收敛速度快,规划的路径短、转折点少等优点,且能确保移动机器人沿规划路径作业的平滑性和安全性。