基于改进GNG网络的机器人路径规划方法

针对在机器人路径规划中,增长神经气(GNG)算法生成地图映射速度较慢,并且存在个别错误路径,随后的路径搜索中,一次A*算法也不能搜索到最短路径的问题,提出了一种改进的GNG结合两次A*算法的机器人路径规划方法。在地图映射生成阶段,先给GNG一个预设规模的网络再进行神经元生长,这样比原算法减少了在神经元生长时的计算量;在路径搜索阶段,利用两次A*算法首先实现路径粗搜索,然后实现细搜索,并证明了二次搜索的路径更短。对于地图映射中出现的错误路径,也进行了处理。仿真结果表明,改进的地图映射算法与其它地图映射算法相比计算时间少,地图的映射精度高,最终可以找到一条机器人可行走的最短路径。

未知环境中自主机器人环境探索与地图构建

研究了未知环境中自主机器人同时进行环境探索和拓扑地图构建问题.基于实时获得的激光传感器数据,提出了具有避障功能的环境探索策略.在环境探索的基础上,提出了以增长的神经气网络的网络节点作为拓扑网络节点的环境地图模型.该模型利用神经气网络的增长特性,通过不断增加新的拓扑网络节点来对机器人周围未知环境的整体性知识进行抽取与表达,构建出了易于机器人理解的环境地图.仿真试验验证了所提方法的有效性.

未知环境中移动机器人的环境探索与地图构建

研究了未知环境中移动机器人同时进行环境探索和地图构建问题.基于实时获取的激光传感器数据,设计了具有避障功能的环境探索策略,并对候选观测点的产生和评估方法进行了改进,使选择出的候选点能同时兼顾信息增益的最大化与环境信息的完整性,保证了环境探索的连续性和遍历性.在环境探索基础上,提出了以增长神经气网络的网络节点作为拓扑网络节点的环境地图模型,该模型利用神经气网络的增长特性,通过不断增加新的拓扑网络节点来对机器人周围未知环境的整体性知识进行抽取与表达,构建出了易于机器人理解的环境地图.仿真试验验证了本文所提方法的有效性.