基于改进A^(*)算法+LM-BZS算法的农业机器人路径规划

针对目前农业机器人在全局路径规划过程中存在规划效率低、规划路径折线段多、折线角度大、作业不稳定等问题,以果园履带机器人为运动学模型,提出一种基于改进A^(*)算法+低阶多段贝塞尔曲线拼接(Low-order multi-segment Bezier curve splicing,LM-BZS)算法的路径规划方法。首先,根据先验地图获取果园环境信息,将果树和障碍物视作不可通行区域,并结合机器人本体尺寸,对不可通行区域进行膨胀拟合处理;然后,利用改进A^(*)算法搜索路径,对初步生成路径进行树行节点调整;最后,采用LM-BZS算法对调整后的路径点进行优化处理,生成符合果园履带机器人作业要求的行驶路径。仿真试验结果表明,相较于传统A^(*)算法,本文所提出的改进算法在无障碍和有障碍环境中,路径规划时间分别减少76.75%、86.40%,节点评估数量分别减少36.68%、39.37%;经LM-BZS算法优化所得路径在无障碍环境中,相较于传统A^(*)算法和高阶贝塞尔算法,平均曲率分别降低45.81%、18.94%;在有障碍环境中平均曲率分别降低56.98%、27.81%。场地试验结果表明,果园履带机器人在对本文算法生成路径进行跟踪行驶时,在无障碍和有障碍环境中,最大横向误差分别为0.428、0.491 m,平均横向误差分别为0.232、0.276 m,平均航向偏差分别为11.06°、13.76°,符合果园履带机器人自主行驶条件。

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^(*)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.

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^(*)和改进DWA相融合的AGV路径规划

为解决A^(*)算法对无人导引车(AGV)路径规划时存在的寻路时间长、路径不平滑等问题,提出一种改进A^(*)算法与改进DWA相融合的算法。将对数衰减函数同幂函数结合作为动态权重系数引入A^(*)算法,以此调节搜索的偏向性;设计了一种路径节点平滑处理算法以减少路径中的转折点。在DWA算法的评价函数中引入全局距离评价函数,使局部路径贴合全局路径;在加权系数的调控中引入双曲正切函数,使其自动调节分配权重因子。对融合改进后的两种算法进行仿真实验,结果表明,优化后的算法在平滑度、路径长度、搜索效率等方面都有明显改善。

旋翼无人机导航系统改进A^(*)搜索算法研究

为解决四旋翼无人机导航系统路径规划问题,提出了改进A^(*)搜索算法。该算法融合跳点搜索思想对地图进行剪枝操作,减少搜索空间;通过改变搜索方向判断机制、判别方向夹角与设定阈值的大小,限定搜索方向,减少搜索节点;引入碰撞检测机制,计算障碍物到无人机飞行路径的最小距离,提高其自主避障的可靠性。通过数据仿真对比改进A^(*)算法与传统A^(*)算法,验证改进A^(*)算法的可行性。搭建由T265双目相机和D435i深度相机作为视觉传感器的试验飞行平台,依据所构建出的障碍物地图进行实验验证,并对改进A^(*)算法与传统A^(*)算法路径规划结果进行对比分析。

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。

改进A^(*)算法路径规划的机翼快速建模

针对飞机机翼装配复杂、装配调试周期长等问题,提出了改进A^(*)算法结合位姿矩阵算法的飞机机翼快速建模装配方法。在MBD环境下与装配特征自动识别过程相结合,将装配模型标准化,并利用轮廓识别算法进行特征识别,采用A^(*)算法获取最优装配路径。当正确获得几何特征、装配特征和约束之间的关系时,以改进A^(*)算法-位姿变换算法为内核开发快速建模装配信息显示系统,将所需的功能集成在快速建模装配信息显示系统界面,进行交互式的快速建模,并显示更多的装配信息。对装配过程进行实验验证,与位姿矩阵算法相比提高了机翼翼盒装配的效率和准确性,从而验证了该方法的有效性。

改进A^(*)算法在ASR移动机器人路径规划中的应用

针对传统A^(*)算法在ASR移动机器人路径规划中无用节点多、耗时长的问题,提出了基于自适应场景地图改进A^(*)算法,引入转弯惩罚函数策略、扩展方向与优先级搜索、路径平滑策略等,以规避路径的多余转弯问题。经仿真试验,证实改进A^(*)算法能够减少搜索节点次数及缩短路径长度,提高ASR移动机器人的运行效率,实现最优路径。

改进型A^(2)O+MBR工艺在污染地表水处理中的应用

南方某园区受污染地表水存在化学需氧量(Chemical Oxygen Demand,COD)和总氮超标等问题,对下游城市河道水环境质量造成影响。结合受污染水质情况,工程采用改进型厌氧-缺氧-好氧(Anaerobic-Anoxic-Oxic,A^(2)O)与膜生物反应器(Membrane Bio-Reactor,MBR)相结合处理工艺,强化脱氮和难降解有机物处理,出水指标稳定达到《地表水环境质量标准》(GB 3838—2002)Ⅳ类标准,详细介绍了该组合工艺的处理流程、主要构筑物及配套设备设计参数,为修复受损水体工程提供参考。

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。

基于改进A^(*)算法融合角度信息的船舶路径规划

为解决传统A^(*)算法在施工水域对船舶进行路径规划时搜索节点多、拐点多、节点拓展方向范围广等问题,提出一种基于改进A^(*)算法融合角度信息的路径规划方法。首先,定义加权因子,将其引入A^(*)算法的启发函数中,以此提高路径规划的效率;其次,引入角度信息,诱导搜索节点分布在起始点到目标点的连线附近;最后,添加转弯修正代价参数,并对路径进行二次优化,提高路径平滑性。实验结果表明,该方法在简单环境下的搜索时间能缩短45.8%,在复杂环境下的搜索时间能缩短63%,并且能够有效剔除冗余节点,使路径变得更加平滑。

基于改进混合A^(*)的智能汽车时空联合规划方法

运动规划是自动驾驶系统生成轨迹的关键模块,现有运动规划多采用路径和速度解耦的方法,但解耦的规划方法在复杂动态场景下易陷入轨迹次优。本文提出了一种基于搜索和数值优化结合的时空联合运动规划方法,直接求解可行驶轨迹。首先使用改进混合A^(*)在时空范围内进行轨迹粗搜索获得初始轨迹,然后以初始轨迹为参考构建可行驶时空走廊,并综合考虑车辆动力学和轨迹连续性约束等条件,使用数值优化的方法进一步平滑初始轨迹。选取换道超车和旁车切入两类典型复杂动态场景进行仿真测试,结果表明,所提时空联合规划方法相较于传统时空解耦规划方法更加灵活、规划结果更加合理,同时具有较好的计算实时性。

基于改进Hybrid A^(*)算法的阿克曼移动机器人路径规划

针对移动机器人路径规划的效率和所规划路径的安全性问题,基于阿克曼六轮转向模型,提出了一种基于改进Hybrid A^(*)算法的路径规划方法。通过改进Hybrid A^(*)算法中的启发式函数,引入距离惩罚函数,减少了节点搜索数量;通过构建安全走廊,引导移动机器人尽可能远离障碍物;在代价函数中加入了节点向前、换向和向后扩展的惩罚项,确保所规划路径的可执行性与安全性。通过仿真表明,基于改进Hybrid A^(*)算法的路径规划方法适用于阿克曼六轮移动机器人,提高了路径规划的效率,规划的路径更具安全保障。

基于改进A^(*)算法和DFS算法的割草机器人遍历路径规划

针对割草机器人大面积作业时遍历路径规划覆盖率低、重复率高、普适性弱的问题,提出一种改进A^(*)算法与DFS算法相结合的遍历路径规划算法。首先,根据已知环境全局信息,通过牛耕式分解法将目标区域划分成多个不含障碍物的子区域;然后,根据子区域的邻接关系构建无向图,使用DFS算法规划子区域的遍历顺序;最后,采用改进A^(*)算法进行跨区域路径转移并且往复式遍历各子区域的内部。仿真试验结果表明:该遍历算法的覆盖率达到100%,遍历重复率为0,改进A^(*)算法所规划的跨区域转移路径长度和转向次数比A^(*)算法分别减少3.26%和62.5%。所提出的遍历算法具有覆盖率高、重复率低、普适性强的特点,改进A^(*)算法通过路径平滑性优化和添加防碰撞安全间距对A^(*)算法进行改进,使之规划的路径更平滑、更安全,路径长度更短。该研究结果旨在为割草机器人遍历路径规划提供理论参考。

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。

基于改进A^(*)算法和系统短期状态预测的仓储AGV路径规划方法

针对目前仓储自动导引车(AGV)路径规划中存在的转弯次数多、冲突节点多的问题,首先针对单AGV提出一种基于障碍预测的改进A^(*)算法,引入“AGV方向感”概念,通过判断和比较目标位置和AGV所在位置,同时结合障碍矩阵,在传统A^(*)算法中的启发函数中加入“方向函数”,使AGV可以提前预知障碍而另寻最佳路径;其次在单AGV路径规划基础上考虑减少路径中冲突节点数量,提出一种基于系统短期状态预测的多AGV路径规划方法;最后搭建仿真实验平台验证改进A^(*)算法和路径规划方法的有效性。实验结果表明,改进的A^(*)算法和基于短期状态预测多AGV路径规划方法可以有效减少转弯次数和路径中冲突节点数量,降低任务总完成时间。

基于改进A^(*)算法的无人机避障航线规划

采用常规A^(*)算法进行无人机避障航线规划存在搜索节点多、区域大、时间长、效率低,生成的航线拐角多且含有大量非必要航线冗余点,以及未考虑无人机自身体积与尺寸导致在飞行中与障碍物边界碰撞等问题。为此,文中设计一种改进的A^(*)算法。首先考虑无人机自身体积与尺寸,提出一种消除边界碰撞事故的子节点扩展方法;其次,改进评价函数以减少往复搜索次数,减少搜索节点数量,提高搜索效率;然后,根据Floyd思想对生成的航线进行简化处理,消除航线中的冗余航路点,减少航线转角数量,达到简化航线并改善航线平滑度的效果;最后,基于改进的A^(*)算法对无人机避障航线进行非线性仿真。结果表明,改进的A^(*)算法生成的航线合理、安全,使无人机的飞行更加连续和顺畅。

基于强化学习的改进三维A^(*)算法在线航迹规划

针对飞行器在线航迹规划对算法实时性与结果最优性要求高的问题,基于强化学习方法改进三维A^(*)算法。首先,引入收缩因子改进代价函数的启发信息加权方法提升算法时间性能;其次,建立算法实时性与结果最优性的性能变化度量模型,结合深度确定性策略梯度方法设计动作-状态与奖励函数,对收缩因子进行优化训练;最后,在多场景下对改进后的三维A^(*)算法进行仿真验证。仿真结果表明,改进算法能够在保证航迹结果最优性的同时有效提升算法时间性能。