融合改进蚁群算法和动态窗口法的AGV路径规划

针对传统蚁群算法中初期路径搜寻盲目、启发式函数作用较小、信息素更新规则单一、动态窗口法缺少全局性指导等问题,提出了基于改进蚁群算法的全局路径规划,通过改进初始信息素,提高了算法初期的寻径效率;通过改进启发式函数,减少了算法收敛的时间;通过改进信息素更新规则,同时考虑了路径长度和能耗,增加了路径的优越性。之后将改进后的蚁群算法与动态窗口法相融合,增加了动态窗口法中的评价函数,使动态窗口法沿改进蚁群算法最优路径进行实时的局部路径规划,令路径的静态全局最优和动态实时规划得到了兼容。仿真实验表明,改进后的蚁群算法相较传统算法迭代速度更快,转弯次数更少,融合后的算法在复杂环境中可以精确地实时路径规划,充分证明了该融合算法的可行性。

融合改进A^(*)算法与动态窗口法的移动机器人路径规划

为解决移动机器人在随机障碍物环境的导航过程中,使用A星(简称A^(*))算法出现碰撞导致路径规划失败的问题,设计了一种融合改进A_(*)算法和动态窗口法(dynamic window approach,DWA)的全局动态路径规划方法。首先,从以下两方面改进传统A^(*)算法:混合使用4邻域和8邻域A^(*)搜索算法,与通过删除冗余路径点和转折点来提高路径的平滑性;接着将改进A^(*)算法与DWA融合,利用融合算法使移动机器人进行全局实时动态路径规划。Matlab仿真试验结果表明,改进后的A^(*)算法较传统A^(*)算法不会使机器人穿越障碍物及其顶点,这有效减少了碰撞,从而提高了安全性;融合DWA后,在获得全局最优路径的基础上,能避开静态随机障碍物和动态障碍物,这证明了融合算法有良好的路径规划能力。

融合改进A^(*)算法和优化动态窗口法的路径规划

针对传统A^(*)算法在栅格数量较多时存在折点多、耗时长,以及动态窗口法在复杂环境下灵活性差的问题,提出一种融合改进A^(*)算法和优化动态窗口法的路径规划算法。首先,在传统栅格地图上建立一层粒度值更大的拓扑层地图,接着将拓扑层规划出的路径在栅格地图上进行优化,删除冗余节点、提高路径平滑度。通过增加机器人在不同场景下的运动状态来优化动态窗口法。最后,将全局规划的关键点作为局部规划的临时目标点,实现两种算法的融合。通过对比试验,证明融合算法不仅保证了全局路径较优而且减少了折点数、耗费时间,还提高了机器人在动态环境下路径的平滑度和灵活性。

基于改进DWA的四轮差速移动底盘模型算法研究

针对四轮差速移动底盘在路径规划中遇到的局部最优问题以及目标不可达到的问题,提出了一种改进的动态窗口法(dynamic window approach,DWA)。在传统DWA算法的基础上对评价函数进行了改进,针对局部最优问题,引入预碰撞评价函数,能够使移动底盘在移动过程中提前避开位于移动底盘和目标点之间的障碍物以及凹型障碍物;针对目标不可达问题,改进航向评价函数的权重系数,将航向角评价函数权重系数设为随移动底盘与目标距离减小而增大的权重函数,能够有效解决目标不可达问题。改进后的DWA算法可通过新的评价函数规划出更为合理高效的移动路径。通过对改进DWA算法进行MATLAB仿真实验验证表明,改进后的DWA算法具有良好的效果,保证了四轮差速移动底盘良好的避障性能。

基于改进哈里斯鹰优化算法的动态路径规划研究

针对传统栅格地图下的路径规划算法存在多峰值优化、无法实时避障等问题,提出了一种基于改进哈里斯鹰优化算法的动态路径规划方法。首先,提出方形邻格邻近扩散方法初始化哈里斯鹰种群位置,在路径规划问题模型下增加种群多样性;然后,提出一种非线性能量因子优化算法在搜索和开发之间的更新比例,提高全局搜索性能;最后,引入动态窗口法提高机器人实际运行路径的平滑程度,构造结合全局路径的动态窗口评价函数以改善动态窗口法前瞻性不足的问题。实验结果表明,所提方法可以兼顾实时避障和路径最优的需求。

融合改进A^(∗)算法与动态窗口法的机器人避障研究

针对机器人在全局未知环境的路径规划中无法进行实时动态避障的问题,提出一种将改进的A^(*)算法与动态窗口法融合的机器人避障方法。首先将传统A^(*)算法3×3搜索领域扩展至5×5搜索领域,并将16个搜索方向进行取舍至9个,同时优化启发函数,通过优化时间复杂度来提升A^(*)算法搜索效率;然后进行冗余节点移除操作,剔除机器人路径中的多余拐点和共线的点;改进后的A^(*)算法较传统A^(*)算法平均减少了65.805%的路径规划时间和4.967%的路径长度。最后将改进的A^(*)算法与动态窗口算法进行结合,使得机器人具有动态避障能力,且保证机器人在局部避障的过程中得到全局路径规划的最优解。

融合RRT^(*)与DWA算法的移动机器人动态路径规划

为实现移动机器人在复杂动态障碍物环境中的避障,提出一种改进的快速随机扩展树(rapidly-exploring random tree,RRT^(*))与动态窗口法(dynamic window approach,DWA)相融合的动态路径规划方法。基于已知环境信息,利用改进RRT^(*)算法生成全局最优安全路径。通过消除RRT^(*)算法产生的危险节点,来确保全局路径的安全性;使用贪婪算法去除路径中的冗余节点,以缩短全局路径的长度。利用DWA算法跟踪改进RRT^(*)算法规划的最优路径。当全局路径上出现静态障碍物时,通过二次调整DWA算法评价函数的权重来避开障碍物并及时回归原路线;当环境中出现移动障碍物时,通过提前检测危险距离并转向加速的方式安全驶离该区域。仿真结果表明:该算法在复杂动态环境中运行时间短、路径成本小,与障碍物始终保持安全距离,确保在安全避开动态障碍物的同时,跟踪最优路径。

基于改进动态窗口法的内河无人水面艇避碰算法设计

针对内河拥挤水域无人水面艇(USV)多船自主避碰问题,提出一种基于改进动态窗口算法的USV动态避碰方法。简化障碍物预测轨迹,提升算法的避碰效率;结合《中华人民共和国内河避碰规则》,引入新的规则评价函数,并建立USV的避碰动作、避让角度和复航时机模型。通过机器人操作系统(ROS)和Gazebo仿真试验验证该方法的可行性和有效性。仿真结果表明,该避碰方法具有一定的实用意义。

融合改进A^(*)算法和动态窗口法的AGV路径规划

为了使AGV能够在变化的环境中快速响应新的任务,设计了一种融合改进A*算法和动态窗口法的路径规划算法。首先,将对数衰减因子作为权重引入启发函数改进A^(*)算法,避免搜索过多的节点;其次,提出一种策略提取改进A*算法求解路径中的关键节点,减少路径中的转折点;然后,重新设计动态窗口法的评价函数,使AGV与障碍物保持一定距离的同时,可以快速到达目标点。最后,通过仿真实验与传统A*算法和动态窗口法进行对比,实验结果显示,该融合算法规划的求解速度更快,路径质量更高。

基于改进动态窗口法的带有侧向推进器AUV避障方法研究

海洋是人类赖以生存的资源宝库之一。而人类对海洋的探索与开发离不开自主水下航行器(Autonomous Underwater Vehicle,AUV)。因AUV具有较高的自主性,可以脱离人类的操控独立完成探测等任务,引起了学者们的巨大研究热情。安全可靠、实时性强的路径规划算法是AUV完成任务的前提条件,动态窗口法(Dynamic Window Approach,DWA)是一种成熟的算法,然而各种新型AUV的出现,譬如带有侧向推进器的AUV,使适用于尾部推进型AUV的经典DWA方法失效。针对这一问题,提出了改进DWA方法。首先建立了带有侧向推进器的AUV三自由度平面运动模型,扩充了经典DWA所使用的两自由度平面运动模型。在此基础上,完善了DWA的速度搜索空间,从二维扩充至三维,修改了速度约束条件,改进了经典DWA的速度评价函数,使AUV可以按照巡航速度前进,新增了侧向速度评价函数,使AUV在避障的同时尽可能减小侧向速度,减小侧向推进器浪费的能量;增加了对应的权值系数,完善了总评价函数;通过仿真实验验证提出的方法。最后仿真结果表明提出的改进DWA方法达到了预期效果。

基于RRT*算法和DWA算法的分层结构路径规划策略

为优化复杂动态环境下路径规划问题,提高路径搜索效率,缩短路径规划时间,提出一种基于改进RRT*算法和DWA算法的分层结构路径规划策略;该路径规划分层结构由全局路径规划层和局部路径规划层组成,全局路径规划层根据已知静态障碍物信息利用改进RRT*算法进行全局路径规划;当路径中出现未知动态障碍物时,根据规划策略将启用局部路径规划层,基于获取的动态障碍物信息,利用DWA算法进行局部路径规划;最终通过全局与局部路径规划策略相结合得到最终的可行路径;仿真实验结果表明:文章提出的分层结构路径规划策略在复杂动态环境中可以高效地完成路径规划任务。

基于改进A^(*)算法和DWA融合的机器人路径规划研究

传统的A^(*)算法存在未考虑移动机器人实际行驶时间,路径规划转折点多,且无法处理复杂环境中出现随机障碍物等问题。针对上述问题,提出了一种将移动机器人行驶时间作为代价且能根据障碍物信息调整启发函数权重的改进A^(*)算法,有效地减少了路径规划时的转弯次数和转弯角度。使用Floyd算法进一步进行优化,删除冗余转折点,减少转弯次数以及提升路径的平滑度。改进后的A^(*)算法规划的路径相较于传统A^(*)算法平均转弯次数减少49.0%,转弯角度减少50.8%,路径长度减少1.7%。融合DWA算法后,能够在改进A^(*)算法规划的全局路径基础上进行局部路径修正,实现动态避障,最后经过仿真验证了算法的可行性和有效性。

改进A^(*)与ROA-DWA融合的机器人路径规划

为了解决机器人路径规划中传统A^(*)算法和动态窗口法(DWA)存在的遍历节点较多、冗余点较多以及路径不平滑,缺乏全局引导,易陷入局部最优以及安全性低等问题,提出融合改进A^(*)算法和随机避障动态窗口法(ROA-DWA)的路径规划算法.该算法通过启发式函数的权重调整、Floyd算法、冗余点删除策略、静态和动态障碍物分类处理和速度自适应因子等方式来提高搜索效率,减少路径长度和拐点数量,将已知障碍物对路径的影响最小化,大幅提高动态避障效率,使得机器人在平稳到达目标点的同时还提升了机器人的安全性,更好地适应复杂的动态和静态环境.实验结果表明,该算法具有较好的全局最优性和局部避障能力,在大型地图中展现出更好的优势.

基于改进PSO算法的移动机器人最优路径规划

针对机器人全局移动路径上出现动态障碍物,影响其安全运动问题,提出了一种随机障碍物环境下的改进粒子群(PSO)最优路径规划方法。目的是保证机器人沿全局路径移动,并能躲避随机障碍物。通过Dijkstra算法规划全局路径,并利用改进的PSO算法进行全局路径优化,获得最短运动路径;进一步,利用动态窗口方法避开随机障碍物,并使机器人返回规划的全局路径,降低重新规划路径的计算成本;仿真对比分析和实验研究结果表明,所提出的路径规划方法能保障移动机器人避开随机障碍物并在规划的全局路径上安全运动。

融合改进RRT和Dijkstra算法的机器人动态路径规划

针对传统RRT算法在规划中随机性过大,节点利用率低且得出的路径并非最优等问题,从3个方面进行改进。首先,针对RRT在随机点采样过程中无方向性的问题,设置目标节点采样率,每次采样时目标点有几率成为采样点,使路径可以快速接近目标点;其次,动态设置步长使机器人能根据周围障碍物数量动态调整步长,减少迭代步数;最后,在得到RRT算法规划出的一条可行路径后,向周围扩展可行区域,将可行区域栅格化,通过Dijkstra算法找出可行区域中的最短路线,优化RRT算法得出的路线。最后将所获得的全局路径分段采用动态窗口算法。将RRT-Dijkstra融合算法与RRT算法、Dijkstra算法以及动态窗口算法在路径拐点数量以及路径长度等方面进行对比。实验表明,RRT-Dijkstra融合算法更高效,得到的路径更优。结合动态窗口算法后且能实现动态避障。

基于改进A^(*)算法的石化巡检机器人路径规划

针对石化厂区环境复杂、路径规划困难问题,提出一种基于改进A^(*)算法的石化巡检机器人的路径规划算法。在传统的A^(*)算法上进行了优化并与动态窗口法融合,提高了巡检机器人的路径搜索效率和规划能力。首先,对传统A^(*)算法的启发式函数进行改进,采用动态权重系数对启发函数进行控制,减少全局路径规划节点数量,提高算法效率;其次,优化邻域搜索,减少节点访问量,使路径规划目的性更强;再次,使用B样条曲线对路径进行平滑处理;最后,选取路径规划线路中动态变化点作为动态窗口法的节点进行动态避障。实验结果表明,与传统A^(*)算法相比,改进A^(*)算法在路径长度和计算时长上均有提升;融合动态窗口后,在保证全局最优的前提下,实现动态避障,兼顾安全性和高效性。

基于改进A^(*)算法融合DWA算法的机器人路径规划

传统A^(*)路径规划算法代价评级函数的h(n)和g(n)的权重相同,会导致系统遍历许多无效节点;且根据传统算法计算得出的节点路径由于是以栅格为中心,路径只有x和y方向且只有直角转弯行为,会导致原本可以互相直达的两个节点之间存在第三个非必要的直角弯节点,冗余的节点会导致算量增加和结果计算不准确。本文通过优化代价函数和筛选向量角的方法剔除冗余节点;同时引入了动态窗口法(DWA)作局部路径规划用于临时避障和路径平滑化,与全局路径相结合后,可以得出一条符合实际情况的优化路径。经仿真实验分析可知,对本.文所提.出的改进A^(*)算法和混合算法与传统的A^(*)算法进行仿真比较。从结果可以看出,临时障碍环境下,路径轨迹长度和计算时间分别缩短了97%和272%,提高了在复杂环境中规划路径的效率,缩小了规划空间,减少了运行计算时间,增加了可靠性且路径平滑度高,更易于应用在实际中。

基于改进A^(*)算法与动态窗口法融合的机器人随机避障方法研究

针对机器人在存在随机障碍物环境中采用A^(*)算法规划路径会出现碰撞或路径规划失败的问题,提出了一种将改进A^(*)算法与动态窗口法相融合的机器人随机避障方法。在改进A^(*)算法中,首先优化了搜索点选取策略和评价函数,提高了A^(*)算法的搜索效率;然后提出冗余点删除策略,剔除路径中的冗余节点,并在每两个相邻节点间采用动态窗口法进行局部规划,确保在全局最优路径基础之上,实时随机避障,使机器人顺利到达目标点。实验结果表明,改进A^(*)算法较传统A^(*)算法平均可减少4.39%的路径长度和65.56%的计算时长,融合动态窗口法后,能在全局路径基础上修正局部路径,实现随机避障,验证了该算法的有效性。

基于改进A^(*)算法和动态窗口法的机器人路径规划

针对移动机器人在复杂环境下(包含静态和动态环境)的路径规划效率低的问题,提出了一种改进的A^(*)算法与动态窗口法相结合的混合算法。针对传统A^(*)算法安全性不足的问题,采用障碍规避策略,优化节点的选择方式,增加路径的安全性;针对转折点多的问题,采用递归二分法优化策略,去除冗余节点,减少转弯次数;针对静态环境下路径平滑性不足的问题,采用动态内切圆平滑策略将折线角优化成弧度角,以增加路径的平滑性。对于传统动态窗口法的目标点附近存在障碍物时规划效果不好和容易在凹型槽类障碍物中陷入局部最优的问题,在原有的评价函数中引入了距离偏差和轨迹偏差。最后,对所提的改进A^(*)算法和混合算法分别在静态和动态环境下与其他算法进行仿真比较。从结果可以看出,与传统混合算法相比,临时障碍环境下,路径长度和运行时间分别缩短了13.2%和65.8%;移动障碍环境下,路径长度和运行时间分别缩短了13.9%和44.9%,所提的算法提高了在复杂环境中规划路径的效率。

改进A*算法与动态窗口法的机器人动态路径规划

针对传统A*算法自身节点搜索策略存在路径转折点多、转折角度大、可行路径不是理论上的最优路径等缺点,将传统A*算法3×3的搜索邻域扩展为7×7,同时去除扩展邻域同方向的多余子节点,改进为7×7的A*算法,消除了传统A*算法的3×3邻域搜索和节点移动方向仅为0.25π的整数倍的限制,优化了搜索角度。其次,针对移动机器人在复杂环境下动态路径规划问题,将改进7×7的A*算法与动态窗口算法进行融合,设计了一种全局最优路径的动态窗口评价函数,综合考虑移动速度、转角平滑度、安全性等因素,将改进7×7的A*算法与动态窗口法的融合算法与多种算法仿真比较,结果表明:改进7×7的A*算法与动态窗口法的融合算法更具有高效性和可行性。