预规划最优快速探索随机树

移动机器人的路径规划在应急救援、自主开采、仓库管理等各个领域起到了重要的作用。提出一种基于预规划抽样的路径规划方法,对于多障碍物环境下进行路径规划有良好的表现。该算法由预先路径生成过程和路径重规划过程组成。使用最优快速探索随机树(RRT^(*))算法获得初始路径作为先验知识,然后在此基础上通过蚁群算法重新优化规划得出最优路径。相比直接使用RRT^(*)算法路径长度更短,路径平滑度更好。

用Bang-Bang控制策略实现快速定位最优系统

提出了一种基于Bang Bang控制策略、采用廉价编码盘所实现的高性能快速定位最优系统。同时给出了完整的实验波形分析和基本算法。

基于改进渐进最优的双向快速扩展随机树的移动机器人路径规划算法

针对带启发式的快速扩展随机树(RRT-Connect)算法路径生成的随机性以及渐进最优的双向快速扩展随机树(B-RRT~*)算法收敛速度的缓慢性,提出了一种基于B-RRT~*改进的高效路径规划算法(EB-RRT~*)。首先引入一种智能采样函数,使随机树的扩展更具方向性,从而减少寻路时间,并提高路径的平滑性;其次在B-RRT~*算法的基础上,在EB-RRT~*算法中加入了一种快速扩展策略,使改进后的算法在自由空间中使用RRT-Connect算法的扩展方式进行快速扩展,而在障碍物空间则使用改进的渐进最优的快速扩展随机树(RRT~*)算法进行扩展,在提高扩展效率的同时避免算法陷入局部最优。将EB-RRT~*算法分别与快速扩展随机树(RRT)、RRT-Connect、RRT~*和B-RRT~*算法进行仿真对比,仿真结果表明,改进后的算法在路径规划效率及路径平滑性方面均明显优于其他算法;且相对于B-RRT~*算法,其在路径规划时间上降低了68.3%,在迭代次数上减少了48.6%。

某装备天线伺服系统算法研究

论文根据某装备伺服系统实际应用情况,考虑其实时跟踪目标特点,采用了快速最优算法+模糊PID算法相结合的控制策略,有效确保了天线的实时稳定运转。通过实验测试,采用快速最优算法+模糊PID算法的控制策略,天线稳定运行,全系统具有良好的动静态特性。

不确定参数快估反演自适应最优L_2增益控制

为了加快参数自适应律微分方程求解速度和状态变量的稳定收敛速度,通过改进常规反演自适应L_2增益控制算法和引入线性矩阵不等式(linear matrix inequality,LMI),实现了参数自适应律微分方程只需一步积分运算即可求解,简化了不确定参数自适应律计算求解,并保证了L_2增益系数最小,给出了不确定参数快估反演自适应最优L_2增益控制(rapid back-stepping adaptive optimal L_2control,OP-L_2-RBAC)的通式。军用电站谐波励磁系统的控制仿真结果表明,相对于传统反演自适应L_2增益控制,该方法可加强军用电站励磁系统的动态稳定性。

基于人工势场法和启发式采样的最优路径收敛方法

具有渐进最优性的快速搜索随机树(RRT)算法在路径规划过程中确保了其概率完备性和渐进最优性,然而仍存在收敛速度慢且产生大而密集的采样空间等问题。为了加快算法的收敛速度,提出了一种基于人工势场法和启发集合采样来快速获取最优路径的方法。首先,利用人工势场法构建出一条由起点到目标点的初始路径;然后,以起点和目标点的位置和之间的距离以及初始路径的路径代价作为参数来构建初始启发采样集合;最后,限定在启发集合内进行采样,并且在算法进行的过程中调整启发采样集合的范围,进而加快路径收敛速度。仿真实验中,获取相同路径代价的路径时,所提人工势场结合启发式采样的方法为基础的结合人工势场法和启发采样策略的快速获取最优路径的RRT(PI-RRT)算法相较于RRT算法,采样点数减少了约67%,算法运行时间平均缩短了约74.5%;相较于启发式RRT(Informed-RRT)算法,采样点数减少了约40~50%,算法运行时间平均缩短了约62.5%。所提出的最优路径收敛方法大量减少了冗余采样次数并缩短了算法运行时间,具有更高的算法效率,收敛到最优路径的速度更快。

复杂多场景下机械臂避障运动规划方法研究

为提高工业机械臂在狭窄通道、多障碍物等复杂多场景下避障运动规划的成功率和效率,建立了基于圆柱体和球体包围盒机械臂与障碍物之间的碰撞检测模型,并提出了一种基于启发式概率融合人工势场法的改进型RRT^(*)算法(P-artificial potential field-RRT^(*),PAPF-RRT^(*))。采样上引入概率目标偏向与随机采样点优选策略,对采样点进行位置优选约束,增强采样导向性和质量;为改变传统新节点扩展方向和特殊环境下局部最优问题,融合人工势场法的目标引力与障碍物斥力和自适应步长,使算法在APF产生的合力范围下实时引导新节点扩展方向和步长大小,降低过度的探索和碰撞区域扩展;对冗余节点进行删除,并采用三次B样条插值优化,提高机械臂轨迹的柔顺性。仿真结果表明,所提算法较传统RRT^(*)算法在平均路径搜索时间上降低了56.75%,路径长度缩短了17.74%。导入机械臂模型后可视化仿真结果证明,所提算法可使机械臂成功避障且快速平稳运行到目标点。

基于GPF-RRT*的机械臂自主运动规划

为解决融合引力函数的渐进最优快速扩展随机树(P-RRT*)算法在非结构化环境下搜索效率低、适应性差等问题,进一步提高机械臂自主运动规划能力,提出一种基于高斯势场(GPF)自适应的改进RRT*算法(GPF-RRT*)。首先,利用状态感知网络完成非结构化环境感知。其次,利用优化后的采样点选取策略提高采样效率,通过GPF构建力势场改进节点搜索方向及步长,进而提高算法在复杂环境下的避障路径规划能力,并结合可操作度和最小能量指标完成机械臂的姿态优化。最后,基于GPF-RRT*算法在不同环境下进行实验,与P-RRT*算法在搜索效率、路径长度、稳定性3个方面进行对比。结果表明,所提算法的平均搜索效率提高了38.06%,平均路径长度缩短了46.6 mm,在多种环境下均具有较强稳定性,且能有效避免局部极小问题。另外,通过机械臂自主抓取操作进一步验证了算法的有效性。

车载动基座FOAM对准算法

目前对动基座对准问题的解决方案大都基于惯性系,但这些方案需要存储导航期间惯性系矢量信息,且对准结束时定位精度不高。提出一种新的车载动基座快速最优姿态矩阵(fast optimal attitude matrix,FOAM)对准算法,有效提高了车辆动基座定向精度,并能够保证在对准结束时有一定的定位精度以保证后续直接进入组合导航。最后,车载试验验证了车载FOAM对准算法的有效性。

TWS雷达多目标动态跟踪及其实现

通过对点迹和雷达扫描之间相对速度的计算 ,根据目标的运动特性(相对于雷达扫描方向是同向还是反向 ) ,动态地实时计算出航迹应该预测的时间 ,精确估计出航迹下次应该出现的位置 ,从而提高相关的精度。通过仿真发现 ,该动态相关的精度优于固定时间间隔的相关 ,二者的运算量相当 ,易于工程实现 ,适合复杂环境下多目标实时跟踪。

复杂环境下基于采样空间自调整的航迹规划算法

针对具有渐进最优性的快速扩展随机树(RRT^(*))算法在面对高维、复杂环境时所表现出的寻路效率低、收敛速度缓慢的问题,在RRT^(*)的基础上,提出一种基于采样空间自调整的渐进最优快速扩展随机树(AS-RRT^(*))无人机(UAV)航迹规划算法。该算法可以自适应调整采样空间,进而引导树更为高效地生长,而这些主要通过有偏采样、节点筛选和节点学习这三种策略来实现。首先,在采样空间中定义向光和背光区域来进行有偏采样,而向光和背光区域的概率权重由当前扩展失败率决定,从而保证算法在搜索初始航迹时同时具有探索性和方向性;然后,在完成初始航迹的搜索后,算法就开始周期性地筛选节点,高质量的节点作为学习样本来产生新的抽样分布,质量最低的节点在算法达到最大节点数量后被新节点替代。在多种不同类型的环境下进行了对比仿真实验,结果表明所提算法在一定程度上改善了采样算法固有的随机性,而且相较于传统的RRT*算法,该算法在相同环境里使用了更少的寻路时间,在相同时间里生成了更低代价的航迹,且在三维空间里的改进更为明显。

基于JPS策略的改进RRT^(*)移动机器人全局路径规划算法

针对渐进最优快速扩展随机树(RRT^(*))算法在移动机器人路径规划中存在的收敛速度慢、消耗资源大、路径平滑度较低等问题,提出一种基于跳点搜索(JPS)策略的RRT^(*)算法。该算法在随机树扩展初期构建新的路径规划区域,查询是否存在一条目标点路径;在随机树扩展过程中,利用JPS搜索策略减少算法寻路过程中计算节点的数量。利用不同规格的栅格地图进行的仿真实验结果表明,相比于RRT^(*)算法,改进的RRT^(*)算法寻路效率更高、路径质量更优。最后,将两种算法在相同环境下进行路径规划实验。结果证明,改进的RRT*算法是一种有效、可行的改进算法,且寻路效率提升20%以上。

基于改进RRT^(*)FN算法的机械臂多场景运动规划

针对固定节点数的渐进最优快速扩展随机树(RRT^(*)FN)算法精度低、对环境缺乏适应性等问题,提出了一种改进RRT^(*)FN的机械臂运动规划算法。在迭代过程中,结合目标偏向随机采样和椭球子集采样的优势,构造新的启发式方法对采样区域进行约束,从而保证搜索路径更优。在扩展节点时,配置树中总节点数的预设值,并通过加权方法对树中叶子节点进行删减,避免了树规模的无限增长。在动态环境下,采用对节点剪枝与连接的启发式重规划方法,有效提高了对动态环境的适应能力。实验结果表明,该算法在规划过程中收敛速度更快,效率更高,具有较强的环境适应性。

基于高斯采样的改进RRT*路径规划算法

针对渐进最优快速扩展随机树(RRT*)算法随机性大,搜索效率低的问题,提出一种结合目标偏置概率策略与缩小相对状态空间的改进算法(G-RRT*)。该算法在保持RRT*原有的优势基础上以一定概率使采样点偏置为目标点,提高路径规划的导向性,并结合高斯分布缩减相对状态空间,限制随机树的扩展方向,从而加快路径规划的速度,保证以较短时间找到渐进最优路径。在MATLAB平台上分别对二维平面路径规划和三维机械臂路径规划测试。结果表明:G-RRT*算法有效减少了路径距离开销和计算时间,具有一定的应用价值。

基于改进RRT^(*)算法的移动机器人路径规划

为解决渐进最优快速扩展随机树(RRT^(*))算法在特殊环境下(如狭窄通道)路径规划存在的内存占用多、规划效率低等问题,提出了一种基于目标约束采样和目标偏置扩展的改进RRT^(*)算法.首先,在采样上引入目标偏置策略,并对每次采样进行位置约束,使采样的目标导向性更强.然后,在新点扩展上摒弃了已有算法单纯朝着采样点扩展的思路,通过给采样点和目标点分配不同权重,使得每一次扩展同时由采样点和目标点共同决定,进而加快搜索速度.接着,采用三次B样条曲线对搜索到的路径进行平滑处理,以保证路径的可行性.最后,分别基于Matlab和V-REP平台对RRT^(*)算法和改进RRT^(*)算法进行了2D和3D的对比实验,实验结果验证了改进RRT^(*)算法的优越性和有效性.