基于CA-RL的堆石坝填筑仓面碾压作业动态路径规划

碾压作业是堆石坝填筑仓面施工的关键工序,科学合理规划碾压路径能够在保障碾压质量的前提下提高碾压效率。在当前路径规划研究基础上进一步考虑碾压机数量变化、压实质量感知等动态要素可以提高路径规划模型面对复杂动态的仓面施工环境的适应性。本文通过建立基于元胞自动机的填筑仓面信息模型、提出条带整体压实质量评价方法,解决压实质量等仓面信息的储存更新的问题;通过建立基于强化学习的碾压作业路径规划模型、构建碾压机状态集和动作集、设计奖励函数和探索利用策略,解决碾压机数量变化的路径分配的问题;耦合上述两种模型,实现堆石坝填筑仓面碾压作业动态路径规划。结合国内某堆石坝工程开展了工程应用,结果表明:本方法可动态考虑碾压机数量变化、压实质量感知等要素,路径规划结果在保障碾压质量的前提下路径长度相较现场施工实际路径平均缩短22.3%,能够有效提升碾压效率。

基于A^(*)-动态窗口法的无人船动态路径规划算法

为使无人船在复杂的海上环境具备自主路径规划能力,保证其能够在未知环境中避开障碍物并准确到达目的地,结合A^(*)算法的全局最优特性和动态窗口法的实时性,提出了一种新的无人船动态路径规划算法。将A^(*)算法规划的路径点作为动态窗口法的局部目标点,并在中间路径点不可达时及时重新规划全局路径,形成了A^(*)-动态窗口法。动态环境下的仿真结果表明:该融合算法能引导无人船通过平滑的路径顺利到达目标点,证明了该算法的合理性和有效性,而与多种传统算法的对比结果,验证了所提A^(*)-动态窗口法的优越性。

近海复杂环境下UUV动态路径规划方法研究

为解决近海环境下水下无人航行器(unmanned underwater vehicle,UUV)的动态路径规划问题,本文提出一种结合全局和局部动态路径规划的算法。首先,本文提出一种基于自适应目标引导的快速拓展随机树算法,以增加随机树生长的方向性,并通过转向和重选策略减少无效拓展加快算法的收敛速度。接着,获得全局路径之后使用自适应子节点选取策略获取动态窗口法的子目标点,将复杂的全局动态任务规划分解为多个简单的动态路劲规划,从而防止动态窗口法陷入局部极小值。最后,通过UUV出港任务仿真实验验证了算法的有效性和实用性。

质心动态路径规划的变转速齿轮箱时频脊线索引算法

针对强噪声下难以估计信号瞬时频率的问题,提出了基于质心动态路径规划(DPPB)的变转速齿轮箱时频脊线索引算法。该算法在剖析多路径匹配追踪(MMP)脊线索引算法及其在强噪声下失效原因的基础上,通过对MMP算法得到的脊线集加窗求质心,构建信号的脊线质心稀疏矩阵,并针对质心稀疏矩阵设计动态路径规划函数索引脊线上的质心点,根据脊线代价函数值计算最优时频脊线。将相似度系数Ra和置信度σRa作为脊线提取效果的衡量指标,通过仿真和试验验证了DPPB算法可有效提取强噪声信号的时频脊线,且不同程度噪声下的可靠性和鲁棒性均优于峰值索引算法和MMP脊线索引算法。

基于自主作业的农业机械动态路径规划方法研究

针对无人农场中农机从下田点到初始作业位置以及从终止作业位置到下田点的自主行驶需求,提出了基于自主作业的农业机械动态路径规划方法。该方法将农机行驶路径明确划分为工作路径和非工作路径,并深入阐述了非工作路径中进入路径和退出路径的生成原理。为验证该方法的可行性,选取了4个典型的凸多边形地块进行了实际测试。实验结果表明,所规划的路径完全满足农机自主进入和退出地块的要求,确保了农机在无人农场中的高效、自主作业。

面向智能交通的动态路径规划分析

目的动态路径规划能够根据实时交通状况和用户需求,选择最优路径,文章构建了基于深度Q网络(DQN)算法的动态路径规划模型。方法阐述了智能交通与动态路径规划问题,对传统路径规划算法和深度学习算法进行了对比分析,强调了DQN在动态路径规划中的优势。使用收集的交通数据,进一步构建了基于DQN算法的动态路径规划模型。结果仿真实验结果表明,与传统Dijkstra算法对比,基于DQN算法的动态路径规划设计方案,车辆平均速度提高了13.65%,旅程时间缩短了16.1%,行驶距离增加了7.9%,等待时间减少了7.5%。结论DQN算法在路径规划中能够更好地优化目标车辆的行驶路径。DQN算法能够自主地学习和优化路径规划策略,结合交通状况、道路拥堵情况和其他因素,动态地选择最优路径,以最大程度地提高目标车辆的行驶速度。DQN算法在智能交通中具有优势,能够更好地优化路径规划,提高目标车辆的行驶速度和效率。

改进A^(*)算法融合自适应DWA的移动机器人动态路径规划

为解决传统A^(*)算法和传统动态窗口法(Dynamic window approach,DWA)在移动机器人路径规划中存在的问题,提出一种改进A^(*)算法和改进DWA相结合的动态路径规划方法。首先,采用16邻域16方向的路径搜索方式扩大路径搜索视野,减少节点访问量和转角度数;其次,对启发函数进行优化,增强路径搜索的目的性;接着,采用冗余点删除策略,减少转折点数目,路径平滑度进一步提高,再使用B样条曲线对路径拐角进行处理,得到的路径较为平滑;然后,在DWA的评价函数中对障碍物进行分类并区别对待以及添加速度自适应因子,能够提高避障灵敏度;最后,通过与其他算法进行三部分仿真实验以及优先级策略仿真实验,验证改进A^(*)算法的有效性和融合方法避障的优越性。

基于深度强化学习的移动机器人动态路径规划算法

为了在复杂舞台环境下使用移动机器人实现物品搬运或者载人演出,提出了一种基于深度强化学习的动态路径规划算法;首先通过构建全局地图获取移动机器人周围的障碍物信息,将演员和舞台道具分别分类成动态障碍物和静态障碍物;然后建立局部地图,通过LSTM网络编码动态障碍物信息,使用社会注意力机制计算每个动态障碍物的重要性来实现更好的避障效果;通过构建新的奖励函数来实现对动静态障碍物的不同躲避动作;最后通过模仿学习和优先级经验回放技术来提高网络的收敛速度,从而实现在舞台复杂环境下的移动机器人的动态路径规划;实验结果表明,该网络的收敛速度明显提高,在不同障碍物环境下都能够表现出好的动态避障效果。

融合A^(*)算法与人工势场法的动态路径规划

为了提升移动机器人全局路径规划及动态避障的能力,提出了一种融合A^(*)算法与人工势场法的混合算法(IA^(*)-APF)。首先,基于角度定义指数加权改进估价函数,利用障碍物的安全阈值优化子节点的选择以及对路径进行二次优化来提升A^(*)算法路径规划效率和安全性;同时,在人工势场法的斥力函数中加入了相对速度斥力,提升机器人在动态路径规划中的求解效率。最后融合改进的A^(*)算法和人工势场法,选取改进A^(*)算法得到的全局路径的拐点作为子目标点,引导人工势场法进行局部路径规划。在陷阱区域和动态环境下进行实验仿真的结果表明,IA^(*)-APF能够有效地避开局部陷阱区域,且能在提高实时避障的效率的基础上保证全局最优,是一种有效求解机器人动态路径规划的方法。

基于改进人工势场法的无人船动态路径规划算法研究

针对无人船在复杂障碍物环境中难以及时、有效避碰的问题,提出一种基于改进人工势场法的无人船动态路径规划算法。在传统人工势场法的基础上,结合碰撞危险程度和船舶动力学约束进行算法改进,通过虚拟引力和偏航引力的引入,避免了局部振荡和目标不可达现象的发生,并通过仿真实验对其进行了验证,该算法具备路径平滑、计算速度快、动态避让距离短、船舶安全航行等特点。

基于视野域的快速动态路径规划

针对目前蚁群算法在路径规划策略中存在的易陷入凹陷、迭代时间长、转角多、避碰时等待时间长等缺点,提出了一种基于视野域的动态快速路径规划的蚁群算法。首先,采用栅格填充法对建立的栅格图中复杂形状障碍物存在的过多凹陷进行填充;其次,采用改进的负反馈的蚁群算法来减少蚁群在无法找到有效终点方向的后续搜索;再次,模拟给蚂蚁加上视觉以便在特定区域搜索而减少过多的转折点,从而更快速地找出最优路径。同时,在行走过程中若存在障碍物动态变化,则结合动态窗口算法重新规划局部的最优路径。实验表明采用该规划算法可使路径长度减少11%,转角和行走时间减少45.4%和32.3%。所以该智能算法能够为机器在动态环境的自主规划与导航中提供一种可行的解决方法。

基于状态-空间-时间网络的电动汽车节能动态路径规划策略研究

随着电动汽车的普及和智能交通系统的发展,EV动态路径规划成为了一个重要的研究领域。本研究提出了一种基于状态-空间-时间网络的电动汽车节能动态路径规划策略。首先定义了状态-空间-时间网络的模型结构,并利用该网络捕获电动汽车在不同时间和空间状态下的行驶路径,同时还设计了相应的机器学习算法进行路径的优化和规划。通过模拟实验,证明了该方法在规划节能和时间高效路径方面的有效性。研究不仅为电动汽车提供了一种新的节能动态路径规划策略,同时也为未来的智能交通系统研究提供了新的方向和思路。

一种基于时间窗的自动导引车动态路径规划方法

针对多自动引导车(Automatic Guided Vehicle,AGV)在柔性制造系统中的路径规划问题,提出一种基于时间窗的动态路径规划算法,能有效地避免车—车冲突、碰撞等问题,并且得到的路径是时间最优的.在备选路径上,通过时间窗的初始化、时间窗的更新、以及时间窗的排布,可以实现多辆车同时运行,相互之间不产生冲突碰撞.仿真实验和真车实验表明,该算法用在AGV路径规划上,能实现多车之间的无冲突、时间最优的路径规划功能.

自适应搜索半径蚁群动态路径规划算法

针对用于路径规划的蚁群算法收敛速度慢、计算量大、对环境变化适应性低的局限性,提出了一种新型的自适应搜索半径蚁群路径规划算法。该算法可以根据环境复杂程度自动改变寻优半径,进行最优局部目标点的获取,然后调用改进蚁群算法获取局部区域内的最优路径,再重复循环获取新的最优局部目标点,直到找到全局目标点。仿真结果表明,提出的算法能够根据障碍分布情况自动选择合适的搜索半径,完成路径的动态规划,体现出良好的环境适应能力和较好的综合路径优化性能。

基于改进遗传算法的机器人动态路径规划

针对基本遗传算法解决移动机器人路径规划的不足,提出了一种改进的遗传算法。首先,采用栅格法对机器人路径规划进行建模。然后,提出一种生成初始种群的方法和精英策略,设计出自适应变异概率,提高了算法的求解质量。同时,在规划过程中,将全局路径规划与局部路径规划相结合,并且根据机器人与动态障碍物碰撞类型的不同,提出了相应的避碰策略。仿真实验表明:该算法优于基本遗传算法,能够有效地指导机器人在动态环境中实现避障,获得无碰最优或次优路径。

动态路径规划中的改进蚁群算法

针对传统蚁群算法收敛速度慢、易陷入局部最优解的缺点,提出了改进距离启发因子以增加目标节点对下一节点的影响,从而提高全局搜索能力,避免陷于局部最优解,提高收敛速度;考虑真实环境的复杂多样性,引入多个路径质量约束来改进信息素更新规则。仿真实验结果显示,改进蚁群算法在动态路径规划中具有良好的效果。

基于蚁群优化算法的云数据库动态路径规划

云计算是下一代计算网络模型的发展趋势。云中的存储资源如何快速地路由,更是研究的难点。蚁群算法是基于群体的仿生优化算法,具有智能搜索、全局优化、鲁棒性、分布式计算和容易与其他算法相结合等优点。根据这两种事物的特点,提出了合理的结合算法,该算法能够在云中快速、合理地找到所需访问的数据库,减少云数据库数路由的动态负荷,从而很大程度上提高云计算的效率。

多AGV调度系统中的两阶段动态路径规划

为缩短AGV系统的研发周期、降低研发成本,寻求能适应不同地图的通用调度策略以及增强对实际调度任务和故障的鲁棒性,提出了一种两阶段动态路径规划策略.对多AGV调度系统应用两阶段控制策略采用动态路径规划进行路径生成,实时对多个AGV同时规划其路径,并通过启发式算法实现路径优化.通过系统仿真证明,该策略很好地提高了AGV调度系统的柔性,是一种能适用于不同地图的通用调度策略.

基于改进遗传算法的自动导引小车动态路径规划及其实现

针对传统遗传算法求解自动导引小车动态路径规划易早熟的缺点,提出一种改进遗传算法的自动导引小车动态路径规划算法,针对传统变异算子缺少启发式规则导致变异产生优质解的概率较低和算法早熟的缺陷,基于相连的路径片段组成的三角形建立使路径缩短的启发式变异规则,并提出路径微调算法;为了提高路径的光滑程度便于自动导引小车行驶,提出路径光滑处理算法;为了增加改进遗传算法的局部寻优能力,对每一代的最优解进行模拟退火操作;并且基于MATLAB GUI开发工具开发出自动导引小车动态路径规划仿真平台,以证明所改进遗传算法求解自动导引小车动态路径规划问题的有效性。

基于优化蚁群算法的动态路径规划问题研究

为解决传统的交通流分配模型在处理突发的交通事故、交通拥堵等实时交通信息时,无法对其作出合理及时的处理的问题。将动态交通网中实时变化的交通信息加入到路径规划模型当中,构建了基于优化蚁群算法的动态路径规划模型,通过与传统动态路径规划模型的比较,证明该模型收敛速度更快,且能有效避免局部收敛现象,实现了交通网络中车流量的合理分配,在大规模动态交通网络中表现更为明显。