改进A^(*)算法和人工势场法的路径规划

A^(*)算法存在折线路径多和搜索节点多的问题,人工势场(artificial potential field,APF)法存在局部最优和不可到达的问题,针对两种算法存在的问题进行了研究。利用欧氏距离与投影距离提出一种新的混合式启发函数,依据该函数对A^(*)算法的流程进行改进,减少A^(*)算法的搜索节点,提高搜索效率。利用新A^(*)算法生成的最优节点作为APF算法的局部目标点,辅助机器人摆脱局部最优点;通过加入机器人和目标点的位置关系改进势场函数,修改斥力的增益,优化斥力的生成方向。在改进的基础上将两种算法融合提出一种新的算法,利用APF法的势场函数引导A^(*)算法的搜索。从路径长度、避障效果、迭代次数对改进算法进行对比分析,仿真结果表明,提出的改进算法搜索效率高,实现避障的同时保证计算的路径最优。

基于人工势场算法和RRT算法的多无人机路径规划

为了解决在城市和山区复杂环境中的多无人机任务分配及路径规划问题,提出了一种基于人工势场算法和RRT融合算法的多无人机协同路径规划方法。基于人工势场算法基础优化斥力函数,加入机间斥力因子,实现了协同避撞。引入RRT算法进行拓展搜索,解决了无人机陷入局部极值点时单一人工势场算法目标不可达的问题。通过三维路径规划仿真实验和算法对比实验验证该方法的可行性,结果表明,融合路径规划算法可以在约束条件下找到全局最优路径。

融合人工势场法的动态快速行进树路径规划算法

针对快速行进树算法(FMT*)由于随机采样导致的冗余探索问题以及不适用于动态环境的问题,提出一种融合人工势场法的动态快速行进树路径规划算法(APF-Dynamic FMT*),该算法设计了一种基于人工势场法的采样点引导函数,该函数根据环境信息动态的调整采样点生成范围,减少冗余探索。同时,该算法设计了一种路径树动态调整机制,当现有路径受到环境改变的影响时,能在未受影响的剩余路径树的基础上重新规划出新的优秀路径,适用于解决动态环境下的路径规划问题。仿真实验结果表明,APF-Dynamic FMT*算法在消耗相同计算资源的同时,显著提高了路径规划的成功率与路径质量,且当现有路径受动态环境影响后,能够高效地重新规划出可通行的优秀路径。

融合灰狼算法和人工势场法的搜救机器人路径规划研究

针对传统人工势场法应用于搜救机器人路径规划存在的路径规划耗时过长、平滑性差、易陷入局部最小值等问题,通过调整斥力场函数,改善障碍物与搜救机器人之间因斥力较大而造成路径规划时间长的问题。结合灰狼算法机制简单、全局搜索能力强等特点,提出一种灰狼算法优化人工势场法的双层路径规划算法。建立搜救机器人二维(2D)空间模型;通过灰狼算法进行全局路径规划,当搜救机器人检测到正前方一定距离内有障碍物时,运行改进的人工势场法完成机器人避障过程;针对规划路径进行角度约束,进一步保证路径光滑性。不同搜救环境下,与传统人工势场法、灰狼算法以及遗传算法优化人工势场法进行仿真结果对比,验证了所提方法的有效性和优越性,对于提升搜救机器人搜救效率具有重要意义。

蚁群算法引导人工势场法的机器人路径规划

提出了一种将改进蚁群算法和人工势场法相融合的算法。使用改进蚁群算法规划出一条全局最优路径,在全局最优路径的引导下采用人工势场法进行局部路径规划,规划出机器人的实时最优路径。仿真实验证明,所提算法规划出的路径不仅具有全局最优路径的信息,同时还具备规避未知障碍物和动态障碍物的能力。

融合TangentBug算法和人工势场法的移动机器人路径规划

针对应用人工势场法进行路径规划时会遭遇的局部极小值问题,提出的解决方案是融合TangentBug算法应对,融合算法在应用TangentBug算法翻越障碍物后再次应用人工势场法进行路径规划,使得融合算法较传统的虚拟目标点法和传统的TangentBug算法在避障上更有效。经过仿真验证,融合算法较传统的TangentBug算法在时间和路径平滑度上分别提升了至少77.68%和10.79%的效率,较传统虚拟目标点法路径规划更有效。

融合Q学习算法和人工势场算法的无人机航迹规划方法

针对基于Q学习算法规划出的航线存在与静态障碍物发生碰撞危险的问题,提出融合Q学习算法和人工势场算法的航迹规划方法。该方法首先利用Q学习算法规划出一条航线,其次根据地图统计该航线每个航段内包含的障碍物,最后对每个包含障碍物的航段采用改进的人工势场法进行重新规划。实验结果显示,提出的融合方法能够在牺牲少量轨迹长度和时间的情况下,得到与静态障碍物避免发生碰撞的最短路径。

融合改进人工势场的Informed-RRT^(*)算法的机械臂路径规划

针对Informed-RRT^(*)算法存在目标性差、探索时间过长、迭代效率低、路径质量差的问题,提出了一种融合改进人工势场的Informed-RRT^(*)算法的机械臂路径规划算法。在随机点探索上,提出一种引入新的斥场力函数的改进人工势场法,引导随机点的拓展,限制路径方向的随机性;在路径扩展中,提出一种自适应步长方法,通过由采样点、最优父节点和目标点构成的三角形角度θ进行判断,采用不同步长进行扩展,缩短探索时间;在路径寻优过程中,采用椭球子集采样,提高迭代效率与最终路径质量。结果表明,与Informed-RRT^(*)算法相比,所设计的IAPFIRRT^(*)算法规划时间减少31.56%,路径长度减少9.23%,节点利用率增加24.23%,算法的搜索效率得到显著的提升与优化。将生成的路径导入机械臂模型后,机械臂能够完成避障并平稳运行至目标点。

改进势场蚁群算法优化路径自动规划

针对势场与蚁群联合的自主路径规划存在局部最优解、初始路径选择随机导致效率不高及环境适应性差等问题,提出了基于自适应域和参数自适应设置的改进算法。算法首先基于自适应域改进势场目标不可达问题,并过滤震荡点以平滑路径;其次,通过状态转移函数和信息素更新等相关参数的自适应设置,提高算法在收敛效率和搜索能力上的平衡性,进而提高对障碍环境的适应性。实验结果表明,所提算法能够有效避免局部最优、目标不可达和复杂环境的适应性问题,在路径长度和效率上优于实验采用的已有算法,从而验证了算法的有效性。

基于改进人工势场法的多智能体编队避障

针对随机障碍物环境下的多智能体编队避障问题,提出一种灰狼优化算法与人工势场法相结合的多智能体编队避障方法。首先,使用改进收敛因子的灰狼优化算法进行参数寻优,提升全局寻优能力,解决人工势场法中引力和斥力增益系数的经验取值存在局限性和编队系统避障速度慢的问题。其次,基于领航跟随法的编队结构,采取动态队形变换避障策略,解决编队过程中灵活性较差的问题。最后,设计编队效率函数,用于评估和验证避障过程中队形的稳定性和编队系统对环境的适应性。仿真结果表明,与其他人工势场法相比,使用所提方法进行编队避障后,收敛速度更快,队形更稳定,编队系统对环境的适应性更强。

基于蚁群算法与人工势场法的移动机器人路径规划

针对复杂环境下移动机器人路径规划困难的问题,提出了一种将全局路径规划蚁群算法与局部路径规划人工势场法相融合的混合型算法。首先,采用多因素启发函数和新的蚂蚁行进机制来解决传统蚁群算法路径质量差且易陷入对角障碍的问题;其次,针对传统蚁群算法收敛速度慢的情况,设计了自适应挥发系数和动态权重系数;接着,通过引入虚拟目标点、相对距离和安全距离的概念,解决了传统人工势场法易陷入局部极小值、目标不可达以及过度避障的问题;最后,将改进蚁群算法规划路径的转折点作为局部子目标点来调用改进的人工势场法进行二次规划。仿真表明改进蚁群算法较传统算法以及其他算法在路径长度方面优化了9.9%和2.0%,在路径转折次数方面优化了81.8%和63.6%,在收敛速度方面优化了94.2%和63.6%;改进人工势场法有效解决了自身问题;而以二者为基础的混合型算法则充分地结合了二者的优势,在复杂的静态和动态环境中具有极高的环境适应性和路径规划效率。

智能草坪修剪机器人路径规划研究——基于模糊改进人工势场算法

针对人工势场算法应用于智能草坪修剪机器人路径规划的问题,引入了模糊控制算法,建立了斥力势场的等级,可调节机器人及时有效地避开障碍物,实现路径规划功能。MatLab仿真实验表明:模糊改进人工势场算法可以实时、有效地控制智能草坪修剪机器人及时避开障碍物,准确从起点开始修剪草坪作业,并作业至目标终点,规划的路径也比较平滑,证实了算法的有效性和可行性。

一种改进人工势场的矿车避障路径规划方法

为克服传统人工势场算法以局部最优解为目标造成路径规划中路径偏离过于频繁的问题,提出了基于改进人工势场算法的动态避障路径规划方法。该方法通过格栅图法无人驾驶矿车行进路线和环境进行建模,进而形成连接了起始点和目标点的网格图。针对障碍规避问题,根据矿区路径特点建立引力势场、斥力势场以及综合势场模型,模型中改进了人工势场函数,并对势场作用区域进行优化,构建强化远距点斥力为主的综合势场模型。考虑到矿山的山地场景环境比较单一,改进算法通过仿真实验模拟道路的方式对搜索路径进行限制,使无人驾驶矿车在既定限制空间内搜索最佳路径。仿真结果表明,路径规划算法能较大程度避免轨迹偏离以及局部震荡问题,改善了矿车行进效率。

基于优化双向A^(*)与人工势场法的无人机三维航迹规划

针对传统A^(*)算法在无人机航迹规划中面对复杂环境和高动态任务时存在搜索速度慢、冗余节点多等问题,提出了一种基于优化双向A^(*)算法和人工势场相结合的三维无人机航迹规划方法。通过采用双向搜索机制并设置权重系数优化启发函数,引入自适应步长策略,利用调节因子动态调整双向A^(*)搜索步长,综合考虑全局规划与实时避障需求提出了Bi-A^(*)PF算法。仿真实验表明:与传统的航迹规划方法相比,Bi-A^(*)PF算法不仅能够使无人机在三维环境下高效规划出一条期望航迹,还能有效避开突发威胁。

基于蚁群混合人工势场法的多机器人编队运动

针对多机器人路径规划问题提出了一种基于蚁群混合人工势场法的集成编队路径规划方法,该方法基于领航者跟随法构造多机器人的编队队形,利用改进蚁群优化(ACO)算法为领航者提供复杂障碍物环境下的全局路径,结合改进人工势场(APF)法决策避障。在全局路径规划阶段,通过改进ACO算法提高了路径的最优性和安全性;在局部路径规划阶段,通过优化APF法的引力、斥力系数以及避障函数解决了标准APF法下机器人易陷入局部最优、易受复杂环境干扰等问题;为提高多机器人的编队运动能力,领航者采取自适应导航策略以提高路径追踪能力,跟随者自适应修正运动速度以较好地维持编队队形。实验结果表明,所提方法成功地协调了多机器人的路径规划和编队问题。

基于人工势场算法的路径规划研究

人工势场法作为一种经典局部避障算法,被广泛用于自主移动机器人的局部路径规划,具有原理简单、数学模型简洁、规划路径平滑以及计算速度快等优势;但算法本身存在着局部极小值、目标不可达以及复杂环境下路径规划能力不足等问题。因此,文章对局部极小值、目标不可达,以及复杂环境下路径规划能力不足问题进行阐述,并且归纳总结算法固有缺陷问题的改进策略和复杂环境下的规划能力不足问题的改善策略,分析了路径规划所得路径的质量。

基于势场蚁群算法的仓储搬运机器人避障控制方法

针对现有仓储搬运机器人避障控制算法存在的路径寻优易陷入局部最优解,及多机器人同时作业易发生碰撞等问题,对物流机器人的避障控制进行了研究,并提出一种基于改进势场蚁群的控制算法;对机器人搬运过程中的移动轨迹进行了研究,给出了机器人空间运动学方程;采用了蚁群算法对经典人工势场算法进行优化,提升全局寻优能力并平衡引力和斥力的相互作用关系;在仓储搬运机器人的局部区域避障方面,基于策略梯度算法对人工势场做二次优化,通过分析下一动作指令的发生概率,改善多机器人同时作业时行进路径选择的随机性;经测试,提出控制算法的路径最短,完成单次运输任务耗时仅为12.3 s,而且在复杂路径规划条件下,机器人之间发生碰撞的次数也显著少于传统避障控制算法,经实际应用能够满足提升仓储物流管理效率的需求。

基于预添加虚拟力的改进人工势场算法

针对传统人工势场法在路径规划时会因目标点与障碍物的位置原因,出现引力与斥力合力为零而陷入局部最优点无法脱离的现象,提出了引入虚拟力辅助人工势场摆脱局部最优点的方法。改进算法首先将预添加的虚拟力细化等分为8个方向,再根据虚拟力与人工势场的势场力合力重新规划轨迹,在选择合适的时机撤去虚拟力后会获得多条新轨迹,然后根据每条新规划的轨迹情况,去除不合理的轨迹。最后计算出所有可行的预添加虚拟力方向的轨迹长度,选择出最优的轨迹。通过设置的五组仿真实验获得改进算法与传统人工势场法仿真结果的对比,验证了改进算法在面对单个障碍物与多障碍物的复杂环境下都能够解决传统人工势场法的缺陷,规划出合理的路径,可以有效地解决复杂环境下传统人工势场法适应性差等问题,证明了通过预添加虚拟力对传统人工势场法进行改进的可行性与有效性。

人工势场法局部极小值优化方法研究

人工势场法是目前路径规划常用的算法之一,但其存在的局部最小值问题会导致智能移动机器人无法到达目标点。本文针对人工势场法局部最小值优化的三种算法展开研究。文章选择了算法运行平均时间和成功到达目标点的成功率作为研究对象,通过设置三种优化算法在不同障碍物下运行,观察不同设置情景下算法运行时间和成功率的变化,得到这三种优化算法的各自适合的障碍物环境。文章为这三种优化算法的应用提供了参考依据。

优化改进RRT和人工势场法的路径规划算法

针对传统快速搜索随机数(RRT)算法在规划路径中随机性较大,搜索效率较低且规划的路径不利于机器人移动等缺点,从3个方向进行改进。首先,对于随机树扩展时随机性较大的问题,将传统的扩展方向加入改进人工势场法约束,使得随机树偏向目标点生长;其次,将改进RRT算法规划的路径进行关键点提取,并优化路径;最后,将优化后的路径按照关键点分段使用改进评价函数的动态窗口法。实验表明,优化改进RRT算法相较于传统A*算法、传统RRT算法在路径长度、路径规划时间以及拐点等方面效果都更好,融合算法在复杂环境中规划出的路径能够很好地避开障碍物,路径更加平滑且更短。