改进粒子群算法和动态窗口法的动态路径规划

针对粒子群算法收敛速度慢、精度低以及只适用于静态环境等问题,提出改进粒子群-差分进化和动态窗口法的混合算法.首先利用差分进化算法改进粒子群算法寻优机制,对粒子群算法进行优化,构造新的适应度函数,实现对全局的路径规划;然后,根据生成的路径,提取关键中节点作为动态窗口法的局部目标点,采用动态窗口法进行局部路径规划,使起始航向角继承上一次到达局部目标点的航向角,生成从起始点到目标点的最短且平滑的路径.最后,将所提算法应用于不同试验场景进行路径规划仿真试验,并与现有算法进行对比分析,结果表明所提算法可行性强,具有更高的搜索能力.

改进RRT-人工势场法的机械臂堆垛运动方法

快速拓展随机树算法(RRT)在机械臂路径规划中存在随机性强、搜索效率低、规划路径长等问题,不能在货柜堆垛场景中取得相对最优的光滑路径。对此,该文提出了一种改进RRT-人工势场法混合算法进行货柜堆垛机械臂运动规划。首先,对传统快速拓展随机树算法进行改进,在传统快速拓展随机树算法的全局搜索的基础上引入目标搜索,增强了随机树的搜索效率,并使用改进后的算法进行全局路径规划;其次,对人工势场法进行改进,通过使用斥力势场范围大小作为阈值修正引力函数,使用机械臂末端执行器至末位置点影响修正斥力函数,并使用改进的人工势场法对局部路径进行优化;再次,使用三次非均匀B样条曲线对路径进行平滑处理,并将处理后的光滑路径作为机械臂末端执行器运动的最终路径。最后,在Python模拟场景中对改进算法进行可行性分析,并在ROS系统对机械臂堆垛运动进行应用仿真,验证了该方法的有效性和可行性。

改进的差分进化算法在约束优化问题中的应用

针对差分进化算法求解约束优化问题存在寻优精度差和收敛速度较慢的问题,提出一种改进的差分进化算法来求解约束优化问题。首先在初始化及进化过程中利用广义反向学习(GOBL)策略产生反向种群,提高搜索效率同时加快收敛速度;其次采用自适应权衡模型计算出个体的适应值并作排序处理;最后,改进的变异策略和个体选择机制执行变异操作提高多样性。分析了个体排序及GOBL策略的有效性,并通过与GOBL-ACDE、εRDE和ATMES算法作了比较,实验表明所提算法有较高的收敛精度,而且收敛速度较快。

面向智能仓储的特征融合物品检测算法

针对现有的仓储货柜环境复杂,货柜物品检测效率低的问题,提出一种特征融合的物品检测算法。该算法在RFBNet网络的基础上通过双线性插值操作将语义信息丰富的深层特征融入到细节信息丰富的浅层特征中,以加深特征间的关联提取出更多的目标特征信息;在特征图后添加注意力机制,让网络调整不同通道中重要特征的权重,提高模型性能。实验结果表明,本文所提的网络模型的mAP值为87.47%,比RFBNet提高了8.42%。