基于改进粒子群优化算法的移动机器人路径规划

针对机器人在障碍物数目不同的情况下,提出了一种改进的粒子群优化(PSO)算法——EXPSO算法来获得一条最佳路径。首先,基于原始的PSO算法,新增了用于粒子搜索过程中局部信息和全局信息的交流项。该项用于迭代搜索过程中局部与全局信息的实时交流,可以提高深入搜索和避免陷入局部最优的能力,经过多组国际测试函数在不同情况下多次测试确定为递减函数时效果最好。然后,分别在少数障碍物下与多数障碍物下做了路径规划,利用惩罚函数驱使机器人进行路径规划时,能快速避开障碍物。同时用三次样条函数来平滑路径,与标准PSO(SPSO)和遗传算法(GA)比较,最后结果均显示了加入交流项后的PSO算法规划的全局路径更短,收敛精度更高,显示了该算法的有效性和优越性。

多特征关键点的自适应尺度融合特征点云配准

针对点云在噪声、遮挡及相似特征多个干扰条件下容易产生错误配准的问题,提出一种基于多特征的关键点提取算法和自适应尺度的融合特征的点云配准方法。在关键点提取时,同时计算多个特征,使关键点更具描述性和鲁棒性。特征描述时,在自适应尺度的基础上使用FPFH和RoPs特征两种特征分别进行初始配准和错误点对剔除,最终各自得到多个相似的转换矩阵。完成上述求解后,将两者得到的矩阵组成集合进行聚类并对矩阵数最多的类取平均值处理作为最终的结果以完成特征的融合。实验研究表明,在忽略极少数无法具体化的错误配准点的情况下,真实场景下所提算法的RMSE、ATI和ERR分别为0.46 mm,1和0.37;使用数据集测试得到的正确率为99.3%,均表明该算法的精度和鲁棒性较高。

混杂条件下的三维点云目标识别

在复杂场景中的噪声以及相似特征等混杂条件的影响下,点云目标识别算法存在鲁棒性差、大量错误配准以及识别的准确率低等问题。针对上述问题,提出了一种新的关键点提取和点云配准的算法,并设计了一种假设验证方法。关键点提取时,以点的平均曲率作为衡量指标建立差分尺度空间,计算差分值并寻找极值以获取关键点;配准时,通过KD-tree最近邻查询、霍夫投票及聚类取平均3个过程得到最终的转换矩阵。在真实场景的实验中,所提算法的X、ATI、ERR三个指标分别为0.78 mm、1、0.206;在斯坦福数据集上,该算法的正确率为98.6%。实验表明,所提算法的鲁棒性强、剔除错误配准点对的效果好、识别的准确率高。