采摘机器人的路径规划系统动态性优化研究

为进一步改善采摘机器人的工作性能,提出以动态调控为主导的理念,针对整机的路径规划系统展开优化研究。以当前果园采摘机器人的通用性结构组成为前提,将云平台数据处理与路径规划核心算法有效融合后搭建动态控制模型,分别针对路径规划系统的硬件配置与软件控制进行合理设计,得到可应用于采摘实践且布局完整的路径规划系统。展开动态性优化下的采摘作业试验,结果表明:优化后采摘机器人路径规划系统的整体路径搜索率与路径平滑性得到明显提升,相对提升度分别为10.93%和9.71%,路径偏离率相对降低了50%左右,很好地优化了机器人的避障能力,满足系统稳定性需求,具有较高的实用价值。

基于改进蚁群算法的移动机器人路径规划

针对传统蚁群算法在移动机器人路径规划中存在搜索盲目性、收敛速度慢及路径转折点多等问题,提出了一种基于改进蚁群算法的移动机器人路径规划算法。首先,利用跳点搜索(Jump Point Search,JPS)算法不均匀分配初始信息素,降低蚁群前期盲目搜索的概率;然后,引入切比雪夫距离加权因子和转弯代价改进启发函数,提高算法的收敛速度、全局路径寻优能力和搜索路径的平滑程度;最后,提出一种新的信息素更新策略,引入自适应奖惩因子,自适应调整迭代前、后期的信息素奖惩因子,保证了算法全局最优收敛。实验仿真结果表明,在不同地图环境下,与现有文献结果对比,该算法可以有效地缩短路径搜索的迭代次数和最优路径长度,并提高路径的平滑程度。

复杂城市低空无人机安全风险评估与三维路径规划

针对复杂城市环境内低空无人机飞行安全与效率亟待提升的问题,提出了复杂城市低空无人机安全风险评估与三维路径规划方法。首先,设计了无人机越界冲突率、缓冲空域占比指标,建立了无人机地理围栏安全缓冲间距优化模型,对最佳缓冲间距和栅格粒度进行了标定;然后,构建了由人口密度层、遮蔽层和障碍层构成的无人机风险地图,建立了弹道下降和失控滑行两种模式下的无人机对地风险评估模型,生成了精细化、组合化的城市低空概率风险地图;最后,综合利用地理围栏、概率风险地图和跳点搜索算法,对无人机三维路径进行了初始规划和优化重构。结果表明:弹道下降模式的伤亡风险是失控滑行下降模式的5~75倍;与A*算法相比,跳点搜索算法有效减少了飞行路径的转弯数量,缩短了求解时长,更适合规划无人机飞行路径;与不采用风险地图的方法相比,基于风险地图的无人机路径规划减少了50%的较高风险节点,相应的路径长度仅增加了7.2%和11.4%,整体路径节点的伤亡风险明显降低。研究成果可为复杂城市低空无人机飞行计划制定及安全运行监管提供理论依据和方法支撑。

自适应搜索距离的改进A*算法研究

为了更好解决全局路径规划中扩展搜索范围大、路径容易发生碰撞的问题,提出一种自适应搜索距离的改进A*算法。首先,在路径扩展搜索时采用8个方向上自适应调整搜索距离机制代替原有固定搜索距离,以减少扩展搜索节点数量,减少搜索时间。然后,在障碍物周围容易发生碰撞的节点处,设置防碰距离函数,使规划路径与障碍物间具有适当安全距离。最后,在Robot Operating System(ROS)中,对自适应搜索距离的改进A*算法进行仿真并进行了实验室环境验证。结果表明:在静态结构化场景下实行全局路径规划,对照传统A*算法,所提算法可以显著提高搜索效率、减少碰撞概率。

灌溉机器人全覆盖路径规划方法

灌溉机器人全覆盖行动的各个任务具有较为明显的空间并行性,随着全覆盖范围扩大,在对覆盖区域进行分解阶段,需要充分考虑将整个区域空间分解为哪些区域。但是,灌溉机器人受到视觉感知区域限制,准确匹配和衔接路块间最近端点的难度较大,导致局部路点的连通和线路衔接出现差错,难以有效全覆盖。为了有效解决这一问题,提出一种灌溉机器人全覆盖路径规划方法。通过快速搜索随机算法展开需要覆盖区域的边界检测,考虑视觉传感器的感知范围受限因素,采用灰度质心法展开区域视图边界提取,根据提取结果建立地图。在地图上建立线段序列,通过曼哈顿最小距离原则连接地图上的部分路径线段,形成多个弓形线路块。使用分治算法匹配和衔接各个弓形线路块间最近端点对,引入改进A*算法对全局以及局部路点的连通和线路衔接,实现灌溉机器人的全覆盖路径规划。实验结果表明:针对简单灌溉区域,该方法的路径重复率为0.041%,灌溉覆盖率为98.90%;针对复杂灌溉区域,该方法的路径重复率为0.017%,灌溉覆盖率为99.87%。这说明针对不同的灌溉环境,该方法均可以实现理想的路径规划,不仅可以最大限度地实现全覆盖,并有效地减少路径冗余程度,可以获取理想的灌溉机器人全覆盖路径规划方案。

公交辅助无人机的城市物流配送模式研究

电子商务迅猛发展倒逼物流行业不断转型升级,针对各地政府鼓励公共交通发展,倡导绿色低碳的物流配送方式,研究了一种公交辅助无人机的配送模式。对问题做出说明后,构建了以配送成本最小的数学模型,并设计了智能通用变邻域搜索算法对问题求解,同时为提高算法求解效率,引入K-means分簇与贪婪算法生成初始解。针对不同规模算例,进行多种局部搜索策略、多种算法对比实验,验证了算法有效性;选取标准CVRP算例,将单卡车配送、卡车无人机协同配送与公交辅助无人机配送模式进行对比,证明其成本、时间优势;选取北京快速公交2号线及周边客户点,通过改变公交站点间距、发车间隔做出敏感度分析,实验结果证明增大站点间距的影响大于发车间隔的改变。

基于改进A^(*)算法的AGV全局路径规划

采用八邻域搜索策略的传统A^(*)算法对AGV(自动导引车)进行全局路径规划时,存在搜索邻域过多、实时性差和生成路径拐点多等问题,本研究采用三邻域与八邻域混合搜索策略对传统A^(*)算法的搜索策略进行改进,改进后的A^(*)算法在当前搜索点周围不存在障碍物时,选取指向终点的三个栅格作为搜索邻域,当搜索点周围出现障碍物,则转换为传统的八邻域搜索,并在完成搜索后,对搜索路径进行拉直处理,消除多余拐点,减少路径长度。仿真实验结果表明,改进A^(*)搜索算法能有效缩短搜索时间、减少路径拐点数量并缩短路径长度,提高AGV运行效率。

一种基于改进的布谷鸟搜索算法的无人机三维航路规划算法

针对布谷鸟搜索算法收敛速度慢且易陷入局部最优等缺点,对标准布谷鸟搜索算法进行改进,提出一种改进的布谷鸟搜索算法。受其他群智能算法启发,在获取新鸟巢的过程中,通过轮盘赌选择某个鸟巢并在最优解附近进行搜索;以一定概率执行类似狼群算法奔向最优解的操作,较好地平衡了局部和全局搜索能力;最后在弃巢的过程中保留了最优解,提高了算法的搜索效率。四个标准测试函数及无人机三维航路规划的实验结果表明,改进布谷鸟搜索算法在求解精度和鲁棒性方面效果显著,航路规划用时少且更优。

新零售背景下企业的物流配送路径优化研究

在新零售背景下,为了提高企业的物流配送效率,增强顾客的满意度,通过分析盒马鲜生的物流配送路径优化问题,研究企业的物流配送路径优化问题。基于新零售运用的区块链技术,选取盒马鲜生为研究对象,针对盒马鲜生的物流配送特征,构建物流配送路径优化模型,设计禁忌搜索算法求解该模型,并通过实例分析验证模型的可行性和求解算法的有效性。结果表明,构建的模型和设计的求解算法能够有效的优化盒马鲜生的物流配送路径,对于优化企业的物流配送路径具有一定的参考借鉴作用。

约束空间工业机器人姿态搜索及避障研究

为解决约束空间下机器人无碰撞目标姿态求解问题,提出一种机器人姿态快速搜索算法,并结合4种不同的路径规划算法实现工业机器人的多目标路径规划。首先,对机器人运动框架初步配置完成后,通过计算位姿矩阵得到了场景内物体坐标的动态相对关系,并在ROS中搭建规划场景;其次,提出一种基于模型和机器人逆解的机器人姿态快速搜索算法RFP,并在RoboDK中对其进行验证,验证结果表明该算法有效;最后,根据任务需求设计了路径规划流程并引入二次规划减少算法随机性的影响,提高规划成功率,应用了RRT等算法进行对比分析,仿真结果表明RRT-connect算法的规划速度与成功率高于其它算法,为样机的实现奠定了基础。

非冷链商品配送路径优化研究--以京东配送为例

如何有效降低商品配送成本是物流企业的关注重点,学界已就带时间窗的商品配送路径优化算法展开了相关研究,但相关算法还存在着过早陷入局部最优或无法收敛的问题。由此提出一种改进的变邻域遗传搜索算法(VNS-GA),以非冷链商品配送为研究对象,构造起求解物流配送车辆路径规划的数学模型。首先,以配送成本和缺货惩罚成本的最小化作为实现目标,构建了包括车辆使用成本、配送运输成本和时间窗口惩罚成本的配送路径优化模型;其次,运用变邻域遗传优化算法来实现多目标物流配送路径的优化;最后,以京东某北京配送中心的物流配送为例,运用MATLAB软件对VNS-GA算法模型的科学性及有效性进行仿真验证。经实证,VNS-GA算法与传统算法相比具有更好的全局和局部搜索能力。研究期望为配送车辆调度与配送路径规划提供更优的路径选择模型,从而降低物流配送成本和减少便利店因缺货造成的损失。

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。

基于改进蚁群-麻雀算法的建筑火灾疏散路径规划研究

结合改进蚁群算法(IACO)和改进麻雀搜索算法(ISSA),提出一种考虑火灾实时蔓延的动态疏散路径规划模型。采用火灾动力学软件(FDS)得到火灾环境参数,以表示火灾实时蔓延的危险程度。基于IACO强大的全局搜索能力得到初始疏散路径。采用收敛速度快的ISSA对初始路径进行优化,以提高路径的稳定性。以某综合建筑为例进行2组不同火灾环境下的仿真实验,结果表明:IACO-ISSA模型相比ACO能够根据火灾发展情况实时调整疏散路径,从而有效躲避火灾危险区域,避免了忽略火灾动态蔓延而引导疏散人员至危险区域的现象,进一步提高了疏散路径的安全性。

基于遗传算法的UUV应召搜潜路径规划

针对应召搜潜中的两种常见情况,即目标随机机动和已知目标概略航向,建立了目标位置分布模型。针对无人航行器(UUV)对潜应召搜索中目标运动状态难以准确描述的问题,基于隐马尔可夫模型(HMM)建立了目标运动模型,能够在已知目标起始概率分布、转移概率和探测结果时实时更新目标概率分布。针对传统搜索方法难以保证有限搜索时间内发现概率最大的问题,设计了一种基于改进遗传算法的UUV应召搜潜路径规划方法,在常规遗传算法基础上增加删除和增添等操作,保证搜索路径的连通性;设计保留精英基因操作,使算法快速收敛。通过与扩方搜索、巡逻线搜索、随机搜索等常用搜索方法的对比,验证了该方法的有效性。

基于改进跳点搜索和蚁群算法的机器人多目标点巡检规划

针对移动机器人的多目标点巡检规划问题,本文提出了一种融合改进跳点搜索算法(JPS)与蚁群算法(ACO)的路径规划算法.首先,在JPS算法的评估函数中引入角度引导因子,使路径具有更强的导向性;然后,综合考虑路径距离、平滑度、安全性对评估函数的影响,以获得综合性能更优的路径;其次,提出了双向的逆向跳点剔除规则,筛除了多余节点,从而进一步降低路径长度并提高路径平滑度;最后,将多目标优化得到的路径综合性能替代传统旅行商问题(TSP)中的距离因子,并使用自适应蚁群算法来实现多巡检点的路径规划问题.仿真结果表明,改进JPS算法与传统JPS算法相比,具有更好的综合性能;同时应用于多巡检点规划时,具有更强的有效性和实用性.

改进双向动态JPS算法的移动机器人全局路径规划

针对跳点搜索(jump point search,JPS)算法在寻路过程中所存在的路径拐点多、中间搜索跳点数多、寻找跳点的过程中扩展节点数多和寻路时间较长等问题,提出改进双向动态JPS算法。改进算法动态定义正、反扩展方向上的目标点,动态定义启发函数,并利用动态约束椭圆对算法的扩展区域加以限制,以区分椭圆内、外区域的扩展优先级。在算法从起点和目标点两个方向上分别向对方进行扩展的过程中,以寻找到的新的代价最小点为新椭圆的焦点,椭圆的方位和约束区域也随之动态调整。仿真结果表明,经过优化改进的双向动态JPS算法在一般地图中有一定的表现,在障碍物较少且目标点距离起点较近的室内环境地图中表现尤为良好。

智能变电站巡检机器人路径规划的改进ABC算法及其应用研究

为提升智能变电站巡检机器人的路径规划的效率,针对传统人工蜂群算法(ABC)的缺点,通过反向学习策略改进初始种群,利用精英反向学习优化算法的时间滞后性,同时借助差分算法的变异思维改进蜜源更新环节,提高算法的深度挖掘性能和全局寻优性能。实验数据表明,改进的ABC算法能够有效降低73.3%的巡检路径规划时间,巡检准确率可达95.2%,该算法可以提高智能变电站巡检机器人路径规划的效率,对提升智能变电站巡检机器人的智能化水平具有积极影响。

时变指向约束下姿态参数空间离散化路径规划方法

为满足深空探测器在复杂动态环境约束下的姿态机动任务需求,解决时变指向约束下姿态路径规划求解困难、路径优化性能差的问题,提出了一种基于修正罗德里格斯参数(MRP)和动态路径搜索的姿态参数空间离散化路径规划方法。通过MRP空间的笛卡尔网格划分和非奇异空间构建,实现航天器姿态的参数空间离散化和指向约束表征。考虑指向约束的时变动态特性,在三维动态空间中搜索初始到目标姿态的机动路径,并引入路径节点的时间特性,在约束冲突时对路径进行实时修正,设计非奇异空间时变约束路径搜索算法,生成执行路径节点序列。进一步,对生成的路径节点进行插值拟合,基于逆动力学方法计算角速度和控制力矩,完成姿态机动轨迹规划。仿真结果验证了该方法的有效性,可为深空探测器在时变指向约束下规划出姿态机动执行路径。

面向人员岸滩行进的三维路径规划算法研究

针对当前无法为人员岸滩行进提供科学合理的路径规划这一问题,论文基于蚁群算法提出了面向岸滩行进的最优路径规划算法。首先对基本的蚁群算法进行了改良,包括路径搜索方式、信息素更新策略和启发函数的合理设计等,改善了算法的收敛效率;然后定量结合多类岸滩场路径规划影响因子,构建了满足岸滩行进的代价函数;最终实现了面向岸滩行进的算法构建。该算法可为实现复杂地形条件下岸滩行进的最优路径解算和基于蚁群算法的相关三维路径规划分析研究提供参考借鉴。

基于六向搜索A^(*)算法的移动机器人路径规划

针对移动机器人利用传统A^(*)算法在复杂环境中进行路径规划时,存在着扩展节点数多导致的搜索效率低,以及路径平滑性不足等问题,提出了一种基于六向搜索的A^(*)算法。首先,在传统A^(*)算法启发函数的基础上利用曼哈顿距离进行加权,减少了算法的搜索时间和扩展节点数;其次,对传统A^(*)算法搜索策略进行改进,提出一种六向搜索策略,进一步减少算法扩展节点数,并同时提升路径平滑性;最后,利用路径平滑策略来对规划出来的路径进行平滑处理。实验结果表明,基于六向搜索的A^(*)算法在不同地图规模的仿真环境中都能获得较高的搜索效率,且扩展节点数更少、转折角度更小、更有利于移动机器人的路径规划。