移动机器人复杂路径规划优化方法研究

本论文针对移动机器人复杂路径的优化问题,提出了基于坐标平移变换的神经网络优化方法。该方法通过对所选择路径的坐标进行平移变换,获得有利于路径优化的样本。根据规划路径的非线性特点,选用神经网络作为路径优化的主要算法,对坐标平移变换后的样本进行训练,使得训练后的曲线较好地逼近已知路径。仿真实验选用了三种路径,并进行优化分析,结果证明了此种方法的有效性。

复杂路径规划的机构分区运动学拓扑构型设计

复杂路径规划的机构拓扑构型设计一直是行业的难题。目前,基于弹簧连接刚性块模型(Spring-connectedrigidblock mode,SBM)的拓扑优化算法,以功传递效率为目标函数,可以实现了多精度点路径拓扑构型设计反求。然而,传统SBM模型进行机构设计时,存在迭代结果构型不清晰、收敛速度低、复杂路径机构合成能力较差等问题。因此,在SBM模型的基础上提出了复杂路径规划的机构分区运动学拓扑构型设计方法。该方法首先对模型的弹簧刚度进行二值化判定,然后根据刚性块的运动情况以及约束度进行浮动块判定和刚度清理,最后再使用邻接矩阵图论的方法获得刚性块组的划分以及机构分区,从而实现大梯度变化复杂路径下对机构拓扑构型设计。通过实际的算例表明,面向复杂路径规划的机构分区运动学拓扑构型设计方法在保证路径精度的前提下,能显著提升计算效率与适应复杂路径规划的能力。