多场景下基于IGJO⁃DWA算法的机器人路径规划

为解决传统算法在多场景下存在的搜索效率低、适应力差、动态性不足等问题,提出一种融合改进金豺优化算法(IGJO)和动态窗口法(DWA)的路径规划方法。首先,在GJO算法局部寻优阶段,引入自适应权重策略,从而防止算法陷入局部最优。同时,采用逐维逆向学习机制,解决多维优化过程中各维之间的相互干扰以及全局和局部搜索不平衡问题。其次,在DWA算法中引入一种速度动态调整策略,并对其评价函数进行优化,从而提升路径的安全性。仿真结果表明:在多种不同场景下,IGJO⁃DWA算法在路径长度、规划成功率、行驶时长等方面均优于其他算法。实验结果表明:IGJO⁃DWA算法能够帮助机器人成功绕过各类型障碍物,确保机器人安全到达目的地,验证了算法的有效性。

基于改进ACO和三次B样条曲线的路径规划

目前移动机器人路径规划算法大多只考虑路程长度单一因素,所以出了一种多指标的综合评价启发函数,除考虑路径长度外将转向次数、环境高度两种因素加入启发函数中,引导蚂蚁沿着综合指标最优的路径行进。同时改进初始信息素分布且限制信息素范围,采用自适应挥发系数提升算法全局搜索性能,然后针对路径不平滑的问题,提出了三次B样条曲线对路径进行优化的方法。实验表明,改进算法获得的路径综合性能得到较大提升且更加平滑,因此更适合机器人实际工作。