改进A^(*)算法和人工势场法的路径规划

A^(*)算法存在折线路径多和搜索节点多的问题,人工势场(artificial potential field,APF)法存在局部最优和不可到达的问题,针对两种算法存在的问题进行了研究。利用欧氏距离与投影距离提出一种新的混合式启发函数,依据该函数对A^(*)算法的流程进行改进,减少A^(*)算法的搜索节点,提高搜索效率。利用新A^(*)算法生成的最优节点作为APF算法的局部目标点,辅助机器人摆脱局部最优点;通过加入机器人和目标点的位置关系改进势场函数,修改斥力的增益,优化斥力的生成方向。在改进的基础上将两种算法融合提出一种新的算法,利用APF法的势场函数引导A^(*)算法的搜索。从路径长度、避障效果、迭代次数对改进算法进行对比分析,仿真结果表明,提出的改进算法搜索效率高,实现避障的同时保证计算的路径最优。

基于改进A^(*)蚁群融合算法的路径规划研究

随着智能化技术的发展,无人车路径规划技术在未来无人战场上将发挥重要的作用。针对A^(*)算法易发生碰撞障碍物的问题,提出通过改进转弯机制进行避碰。针对路径较长和不够平滑的问题,提出一种改进A^(*)蚁群融合算法。仿真结果表明,使用改进A^(*)蚁群融合算法得到的路径长度和平滑度更优,简单地图中路径长度减少2.34%,总转弯角度减小5.62%;复杂地图中路径长度减少2.62%,总转弯角度减小26.3%。因此,该算法在保证无人车避障的基础上,有利于其快速完成相应任务。

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。

改进A^(*)算法的移动机器人全局路径规划

针对A^(*)算法在移动机器人路径规划存在搜索效率低,路径斜穿障碍物顶点,路径拐弯多等问题。提出一种改进的A^(*)算法,首先在A^(*)算法的邻域扩展中采用避免斜穿障碍物顶点的策略;再引入障碍物因素对评价函数进行指数加权,减少不必要的搜索,提高A^(*)算法的效率和灵活性,使算法偏向于选择障碍物较少的路径;最后使用三次优化折线的策略,加入障碍物安全距离,减少路径上的冗余节点和拐弯。使用MATLAB进行实验仿真,结果表明,在20 m×20 m、40 m×40 m、60 m×60 m栅格地图环境下,改进A^(*)算法较传统A^(*)算法,搜索时间分别减少70.12%、84.31%、91.44%,扩展节点分别减少53.77%、71.20%、74.30%,路径累计拐弯角度分别减少70.48%、76.31%、82.18%,改进A^(*)算法能够有效的提高移动机器人路径规划的效率,路径更为平滑和安全,且在复杂环境中优势更为明显。

基于改进A^(*)算法的AGV全局路径规划

采用八邻域搜索策略的传统A^(*)算法对AGV(自动导引车)进行全局路径规划时,存在搜索邻域过多、实时性差和生成路径拐点多等问题,本研究采用三邻域与八邻域混合搜索策略对传统A^(*)算法的搜索策略进行改进,改进后的A^(*)算法在当前搜索点周围不存在障碍物时,选取指向终点的三个栅格作为搜索邻域,当搜索点周围出现障碍物,则转换为传统的八邻域搜索,并在完成搜索后,对搜索路径进行拉直处理,消除多余拐点,减少路径长度。仿真实验结果表明,改进A^(*)搜索算法能有效缩短搜索时间、减少路径拐点数量并缩短路径长度,提高AGV运行效率。

基于AIXM数据集和改进A^(*)算法的直升机路径规划

针对AIXM数据集(aeronautical information exchange model dataset)在通航应用研究缺乏,以及经典A^(*)算法在直升机路径规划问题中转弯节点多等问题,提出了一种基于AIXM数据集的改进A^(*)算法直升机路径规划方法。首先,分析了AIXM数据集的时空属性,设计了基于时空属性搜索的AIXM障碍物数据查询方法,为进行直升机路径规划奠定了数据环境基础;然后结合直升机性能限制构建了碰撞判断包围盒,基于碰撞包围盒改进经典A^(*)算法,利用AIXM数据障碍物数据与航线数据,提出了一种直升机路径规划方法;通过python与Luaid AIXM 5 Viewer对该方法进行了仿真实验表明,所提方法规划的直升机路径转弯节点少,降低了直升机转弯的频率,规划路径短且符合路径与障碍物之间的安全距离要求。本文研究是将AIXM数据集利用于通航航空情报服务的创新尝试。

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。

融合改进A^(*)算法和DWA算法的全局动态路径规划

针对常规A^(*)算法存在的路径规划中冗余节点过多、拐点过多、规划路径与障碍间的距离过短、容易产生碰撞等问题,提出了一种将改进A^(*)算法与动态窗口法相结合的新方法。该算法通过对栅格地图中的障碍栅格进行量化处理,提取环境信息,并根据这些信息对A*算法的启发函数和子节点选择策略进行调整。此外,为了优化路径的平滑度和安全性,设计了一种路径节点平滑处理算法。仿真实验结果表明,融合动态窗口法的融合算法不仅能够保证所规划路径的全局最优性,而且能够有效地避开随机障碍物。

基于改进A^(*)算法的矿用机器人救援路径规划及仿真分析

【目的】煤矿井下灾后现场情况复杂,针对传统A^(*)算法的煤矿机器人救援路径规划存在路径不安全、效率低等问题,结合栅格地图及救援机器人可沿任意方向移动的特点,多方面对传统A^(*)算法进行改进。【方法】首先,引入了机器人尺寸叠加到障碍物的概念,以确保路径的安全性。其次,通过优化启发函数,降低偏离最佳路径节点的扩展数量,减少冗余节点与路径转折,降低了计算复杂度。最后,采用动态调整算法将路径转折角圆弧化,对所得路径平滑处理,提高了路径的可操作性。最终获得路径代价更小、耗时更短、转弯次数更少的优化路径。基于改进的A^(*)算法,利用MATLAB开展了不同尺寸及不同障碍物覆盖率下救援机器人路径规划的仿真模拟试验。【结果】结果表明:相较于传统A^(*)算法,在崎岖环境地图中改进的A^(*)算法使搜索节点降低了26.51%、计算时长减少了80.42%、路径长度缩短了31.85%、转向次数减少了44.44%,提高了路径的搜索效率和平滑程度。【结论】改进的A^(*)算法为复杂工况环境下煤矿机器人的救援工作提供了一定的理论基础。

基于改进A^(*)算法的越障平台路径规划研究

针对传统方法构建的栅格地图无法准确体现搜救平台具备越障能力的局限性,将实际环境划分为障碍区、越障通行区和无障碍区,依照通行权重建立了包含3类环境特征的二维栅格地图。考虑到越障平台在越障过程中转向不便的局限,针对性提出了一种改进的A^(*)算法,将路径转弯次数和转弯角度作为代价评估函数的一部分,对算法进行优化。将传统A^(*)算法和改进的A^(*)算法进行对比试验,实验结果表明:与传统算法相比,改进算法规划的路径、寻路代价有所改善,路径长度、转弯次数和转弯角度均大幅减少,更适用于具备越障能力的搜救平台。

基于改进A^(*)算法的安全路径规划

由于传统的A^(*)算法存在搜索角度固定、经过障碍物时过于靠近障碍物、易导致碰撞、转向角度不够平滑的问题,提出一种改进A^(*)算法的安全路径规划方法。对A^(*)算法中的搜索邻域进行扩展,使搜索方向之间的夹角不再局限于45°;基于二维高斯分布设计安全距离矩阵,在启发函数中加入当前节点危险值;采用三次均匀B样条曲线对路径进行平滑处理。经过仿真验证,改进的A^(*)算法能够减少算法迭代次数,提升路径平滑程度,能够有效避免路径存在障碍物,提高了路径的安全性。

基于改进A^(*)算法的机器人导航研究

针对机器人导航在面向复杂环境时A^(*)算法占用内存大、搜索时间长等问题,提出了一种基于改进A^(*)算法的机器人导航方法。改进A^(*)算法抛弃遍历周围点,直接将起点和终点的欧氏距离作为最短路径,若线段上有障碍物,则选取障碍物附近2个点为子起点和子终点,用A^(*)算法寻找路径;采用n阶贝塞尔曲线平滑小范围A^(*)算法所造成的路径曲折,根据A^(*)算法获得的不同曲线判断贝塞尔曲线的阶数。仿真结果表明,本算法只需使用小范围的A^(*)规划且仅需考虑A^(*)算法部分的曲率连续问题,路径实时性得到较大提高。

融合改进安全A^(*)算法和DWA算法的无人车路径规划研究

针对无人车采用传统A^(*)算法规划的路径与周围障碍物距离较近,冗余节点、转折点过多等问题,提出了一种改进安全A^(*)算法和动态窗口法(DWA)结合的路径规划方法。改进搜索机制并优化评价函数,提出安全节点的概念,生成安全路径,并对冗余节点进行剔除;在相邻安全节点间采用动态窗口法进行局部路径规划,生成一条适合无人车随机避障的更优路径。通过仿真结果表明,改进安全A^(*)算法规划出的路径更短,转折点更少,有效解决无人车在复杂环境下的路径规划问题。

未知环境中基于A^(*)算法改进的遍历式路径规划算法

针对如何减少未知环境中因复杂地形造成规划路径中存在无效重复路径段问题,提出APF-A^(*)算法。采用最近邻边界点选择策略保证规划路径对未知环境的高覆盖率,利用人工势场算法改进传统A^(*)算法中估值函数。算法在栅格地图上进行了实验验证。结果表明:APF-A^(*)算法规划出的路径与A^(*)算法相比在路径总长度方面降低了5.3%以上,在平均路径重复率方面降低了5.4%以上,APF-A^(*)算法有效减少了无效重复路径段。

一种AGV路径规划的融合改进A^(*)算法

针对传统的A^(*)算法路径规划出现的搜索效率低下、节点冗余且路径不平滑以及搜索路径无法保证最优等问题,提出了一种改进A^(*)算法与动态窗口法(DynamicWindow Approach,DWA)融合的实时路径规划算法。首先通过调整传统A^(*)算法启发式函数,安全扩展搜索领域,提高了路径规划的安全性和效率。其次通过垂距限制法剔除了扩展领域路径上的冗余节点并利用B曲线对路径进行优化,充分保障了自动导引车(Automated Guided Vehicle,AGV)路径的平滑性。最后将改进A^(*)算法去除冗余节点的关键点作为DWA算法的目标点,融合算法能为AGV作业规划出一条基于全局最优的平滑路径。通过Matlab仿真实验验证了改进后的A^(*)算法和融合算法能够有效地实现动态避障和路径优化功能,改进融合算法相较于文献算法分别从路径规划时间和路径长度等方面减少了5.96%和8.93%,并在动态环境中验证了动态避障能力。

基于改进A^(*)算法的燃气微泄漏四足巡检机器人路径规划

针对四足机器人在城市燃气微泄漏巡检中路径规划的需求,提出了一种基于改进A^(*)算法的四足机器人燃气巡检路径获取方法。首先,采用网格法构建了四足机器人的二维工作地图;其次,改进A^(*)算法的启发函数,引入了自适应调整策略,让搜索节点减少且路径更不易陷入局部最优;最后,从路径长度、平均搜索时间、搜索节点个数3个性能方面进行评估,改进A^(*)算法达到了预期效果。使用MATLAB2016b作为仿真软件,仿真结果显示,改进A^(*)算法完成了寻路任务。与经典A^(*)算法相比,改进算法的平均搜索时间降低了52.13%,搜索节点个数减少了30.23%。该算法在尺寸200×200以下地图的路径规划中具有较高的搜索效率。

融合改进斜四邻域A^(*)与三次B样条曲线的路径规划算法

针对传统A^(*)算法八邻域搜索路径节点多导致搜索及规划路径速度慢的问题,提出1种融合改进斜四邻域A^(*)与三次B样条曲线的路径规划算法。在传统八邻域搜索启发下,删除原本上下左右4个方向上的搜索路径,保留右上、右下、左上及左下4个方向的搜索路径,使算法在搜索时速度更快,搜索路径节点数更少;引入三次B样条曲线,优化路径上的尖锐拐点,使路径更平滑。采用提出的算法与其他2种算法在3种不同分辨率及不同障碍率的地图上进行实验验证。结果表明:相比于传统A^(*)算法,改进斜四邻域A^(*)算法的搜索时间缩短83.4%,路径节点数减少89.7%;引入的三次B样条曲线使斜四邻域A^(*)算法规划出的路径更平滑,提出的算法可极大提高路径搜索及规划的有效性。

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。

改进哈里斯鹰算法的仓储机器人路径规划研究

为提高静态环境下仓储移动机器人路径规划效率,解决传统哈里斯鹰(Harris Hawks optimization, HHO)算法在路径规划中存在收敛速度慢且易陷入局部最优的问题,提出了一种基于Tent混沌映射融合柯西反学习变异的哈里斯鹰优化算法(HHO algorithmbasedon Tentchaotic mapping hybrid Cauchy mutation and inverse learning, TCLHHO)。通过Tent混沌映射增加种群多样性,以提高算法的收敛速度;提出指数型的猎物逃逸能量更新策略,以平衡算法的全局搜索和局部开发能力;通过柯西反学习变异策略对最优个体进行扰动,扩大算法的搜索范围,增强全局搜索能力。根据真实仓储环境搭建二维栅格环境模型,并在Matlab中进行仿真对比实验。结果表明:该算法的规划速度、最优路径长度以及最优路径转折次数较对比算法具有较好的效果,验证了应用于智能仓储环境下改进的HHO路径规划问题的可行性和鲁棒性。

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。