一种机器人规划系统的改进研究

机器人规划是人工智能和机器人学研究的重要领域,目前的研究已经转向动态不确定环境下的规划。通过分析一种机器人规划系统,针对其信念更新时间消耗过大的问题,提出新的HPOMDPRS系统,给出新系统的基本模型和运行机制。

基于避障寻优改进蚁群算法的机器人路径规划

针对蚁群算法在处理路径规划过程中存在收敛速度慢,规划路径冗余等问题,提出了一种基于避障信息和快速寻优策略的改进蚁群算法。为了改善蚁群的首次搜索效率和精度,引入切比雪夫距离改进距离启发函数,在转移概率中增加目标点对机器人的引导作用;采用自适应转移概率调整路径规划过程中节点的选择方式,并根据节点周围的障碍物分布设置初始信息素,使得蚂蚁首次生成有效路径的比率从60%提高至92%;同时删除生成路径的垃圾信息,提高最优路径节点的信息素浓度,平衡了蚁群的局部和全局搜索能力,加快了最优路径的速度;通过平滑生成的路径,减少机器人转弯次数,缩短了路径距离。选择SSA、ACO、IACO、I-ACO等算法在3种栅格环境上进行性能测试。结果表明,改进的蚁群算法路径寻优上优于其他算法。

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.

基于视觉的工业机器人路径规划探析

近些年来,随着时代的进步、科技的发展,工业机器人在自动化生产线中的应用愈发广泛,其已经成为标准化生产线的标配。为了能够提升工业机器人智能化控制水平,以视觉技术为基础来对工业机器人的路径进行规划,对于工业机器人作业水平的提升非常有利。本文主要从视觉技术出发,强化对工业机器人路径的规划与优化,使其控制精度以及作业效率得到有效提升,同时也能够推动工业机器人环境适应能力以及智能化水平的提高,拓宽工业机器人应用的范围,增强机器人应用效果。

三维环境中机器人路径规划算法改进

为解决快速扩展随机树算法(rapid-exploration random tree,RRT*)在三维环境中盲目搜索路径以及缺乏节点扩展记忆性等问题,提出一种融合蚁群算法的双向搜索算法ACO-RRT*。为适应精细化三维建模环境和解决地面起伏不平坦等问题,对RRT*算法进行改进优化。采用双向搜索策略,在起点和终点同时运行改进后的RRT算法和蚁群算法,相向而行,对路径长度和运行时间进行优化。针对生成路径不够平滑等问题,引入B样条曲线平滑策略优化路径。仿真结果表明,所提算法能够有效用于机器人三维路径规划。

基于冲突优先级变次优因子的EECBS多机器人路径规划

在多机器人路径规划(multi robot path planning,MRPP)过程中,最优路径之间无法规避的关键冲突对路径求解效率具有较大影响。为解决这一问题,提出一种基于冲突优先级变次优因子的多机器人路径规划方法。在融合显式估计的冲突搜索(explicit estimation conflict-based search,EECBS)算法下层执行路径搜索;在EECBS算法框架的上层对冲突优先级进行判断,并自适应增加关键冲突机器人的次优因子;通过分析关键冲突周围邻域的障碍物分布影响路径节点自由度情况,进一步调整关键冲突机器人的次优因子。在多个标准地图下的实验结果表明,相较于EECBS算法,本文方法的求解时间改善了8.35%~49.14%,上层冲突节点的二叉约束树(constraint tree,CT)拓展量改善了3.79%~55.22%,验证了本文方法的有效性。

带障碍物惩罚因子的多机器人路径规划

轻载环境中,复杂障碍物区域将引起机器人之间局部冲突加剧,进而导致路径求解效率下降,针对该问题,提出轻载环境下带障碍物惩罚因子的多机器人路径规划方法。在基于冲突搜索(conflict-based search,CBS)算法框架的下层单机规划过程中,通过对即将拓展机器人位置的周围障碍物分布类型进行判断,赋予与之对应的障碍物惩罚因子;对路径规划过程中的惩罚因子进行累加,作为单机规划的启发值对路径进行选取;结合CBS算法框架的上层冲突消解策略进行多机器人的路径规划与冲突协调。测试结果表明,在10%障碍物分布的轻载环境中,所提算法的求解时间约为CBS算法的81.38%~83.67%,二叉约束树(constraint tree,CT)拓展量为CBS算法的60.14%~71.66%。在Gazebo中仿真表明,所提方法可减小通过复杂障碍物区域的次数。

基于策略融合及Spiking DRL的移动机器人路径规划方法

深度强化学习(DRL)已被成功应用于移动机器人路径规划中,基于DRL的移动机器人路径规划算法适用于高维环境,是实现移动机器人自主学习的重要方法。而训练DRL模型需要大量的环境交互经验,这意味着更高的计算成本。此外,DRL算法的经验池容量有限,无法确保经验的有效利用。作为类脑计算重要工具之一的脉冲神经网络(Spiking Neural Networks,SNNs)以其独有的生物似真性,能同时融入时空信息,适用于机器人环境感知及控制。结合SNNs、卷积神经网络(CNNs)和策略融合,针对基于DRL的移动机器人路径规划算法进行研究,完成了以下工作:1)提出SCDDPG(SCDDP)算法。该算法利用CNNs对输入状态进行多通道特征提取,利用SNNs对提取的特征进行时空学习。2)在SCDDPG的基础上,提出SC2DDPG(SC2DDPG)算法。SC2DDPG通过设计状态约束策略对机器人运行状态进行约束,避免了不必要的环境探索,提升了SC2DDPG中DRL的收敛速度。3)在SCDDPG的基础上,提出了PFTDDPG(Policy Fusion and Transfer SCDDPG,PFTDDPG)算法。该算法采用分阶控制模式与DRL算法融合,针对环境中的楔形障碍物实施沿墙行走策略,并引入迁移学习对先验知识进行策略迁移。PFTDDPG算法不仅完成了单纯依靠RL不能完成的路径规划任务,还可以得到最优无碰路径。此外PFTDDPG提升了模型的收敛速度和路径规划性能。实验结果证明了所提出的3种路径规划算法的有效性,对比实验结果表明:在SpikeDDPG,SCDDPG,SC2DDPG和PFTDDPG算法中,PFTDDPG算法在路径规划成功率、训练收敛速度、规划路径长度等性能指标上表现最佳。本工作为移动机器人路径规划提出了新思路,丰富了DRL在移动机器人路径规划中的解决方案。

基于立体视觉和YOLO深度学习框架的焊缝识别与机器人路径规划算法

为了实现机器人焊接的免示教路径规划,结合深度学习与点云处理技术,开发了一种高效、稳定的焊缝智能识别算法.首先,采用ETH(Eye-to-hand)构型的工业级3D相机获取焊件周围的二维图像和3D点云模型,利用预先训练的YOLOv8目标检测模型识别焊件所在的ROI区域(region of interest,ROI),模型识别精度为99.5%,从而实现快速剔除背景点云,并基于RANSAC平面拟合、欧式聚类等点云处理算法,对ROI区域的三维点云进行焊缝空间位置的精细识别;最后根据手眼标定结果转化为机器人用户坐标系下的焊接轨迹.结果表明,文中所开发的算法可实现随机摆放的焊缝自动识别和焊接机器人路径规划,生成的轨迹与人工示教轨迹效果相当,偏差在0.5 mm以内.

自注意力机制结合DDPG的机器人路径规划研究

为更好解决深度确定性策略梯度算法在路径规划中存在样本利用率低、奖励稀疏、网络模型稳定速度慢等问题,提出了一种改进DDPG的算法。通过对机器人相机传感器获取图片信息加入自注意力机制,利用Dotproduct方法计算图片之间的相关性,能够将较高权重精确聚焦在障碍物信息中。在复杂环境中,由于机器人缺乏经验导致难以获得正反馈的奖励,影响了机器人的探索能力。将DDPG算法与HER结合,提出DDPG-HER算法,有效利用正负反馈使机器人从成功和失败的经历中均可学习到适当奖励。通过Gazebo搭建静态和动态仿真环境进行训练和测试,实验结果表明所提出的算法能显著提高样本利用率,加快网络模型稳定的速度,解决奖励稀疏的问题,使机器人在环境未知的路径规划中能够高效地避开障碍物到达目标点。

融合改进Dijkstra算法和动态窗口法的移动机器人路径规划

为解决移动机器人在智能制造车间的全局路径规划和局部动态避障问题,提出一种融合改进的Dijkstra算法和改进的DWA算法,对传统Dijkstra算法的路径进行平滑优化,使得路径轨迹更加平滑,动态改变DWA算法中速度评价权重函数,提高避障效率。仿真结果表明,改进Dijkstra算法路径平滑优化后,平均路程缩短比例为0.65%,平均偏航角震荡次数减少了67.70%,改进后的DWA算法运行路程缩小9.68%,路径转折次数降低了33%,运行时间缩短3.88%。基于改进的Dijkstra算法和改进的DWA算法提出一种融合算法,仿真和样机实验结果表明:面对静态、动态障碍物,机器人运行线速度平缓,轨迹光滑,角速度波动明显,证明机器人运动稳定,实时调整方位,具有良好的避障能力。并且多次机器人循环定点实验中机器人纵向(X轴方向)平均误差≤30 mm,横向(Y轴)平均误差≤30 mm,定位精度满足工业需求。

新型电缆通道信息探测机器人移动路径自动化规划系统

该文设计新型电缆通道信息探测机器人移动路径自动化规划系统,为机器人规划出一条无碰撞最优路径,确保其在电缆通道环境安全运行。多目摄像机、多种传感器探测电缆通道环境信息,利用栅格法完成电缆通道空间环境建模,采用基于人工势场引导的RRT算法规避电缆通道环境中的障碍物,完成路径规划。实验结果表明,该系统可使信息探测机器人在电缆通道中无碰撞移动,规划后的移动路线平滑度高,路线长度短、节点数少;静态、动态障碍物环境下的避障成功率分别达到97.2%、90%。

基于请求与应答通信机制和局部注意力机制的多机器人强化学习路径规划方法

为降低多机器人在动态环境下路径规划的阻塞率,基于深度强化学习方法框架Actor-Critic,设计一种基于请求与应答通信机制和局部注意力机制的分布式深度强化学习路径规划方法(DCAMAPF)。在Actor网络,基于请求与应答通信机制,每个机器人请求视野内的其他机器人的局部观测信息和动作信息,进而规划出协同的动作策略。在Critic网络,每个机器人基于局部注意力机制将注意力权重动态地分配到在视野内成功应答的其他机器人局部观测和动作信息上。实验结果表明,与传统动态路径规划方法D*Lite、最新的分布式强化学习方法MAPPER和最新的集中式强化学习方法AB-MAPPER相比,DCAMAPF在离散初始化环境,阻塞率均值均约降低了6.91、4.97、3.56个百分点;在集中初始化环境下能更高效地避免发生阻塞,阻塞率均值均约降低了15.86、11.71、5.54个百分点,并减少占用的计算缓存。所提方法确保了路径规划的效率,适用于求解不同动态环境下的多机器人路径规划任务。

基于改进MADDPG的多机器人路径规划方法研究

为完成未知环境下救援物资的运输任务,研究了基于深度强化学习的多机器人路径规划方法。首先选用多智能体深度确定性策略梯度算法MADDPG算法为基础算法,然后针对算法存在的收敛速度慢甚至不收敛问题,引入了碰撞发生区域重点训练、经验池分离机制和优先经验回放等改进措施。最后基于Gazebo三维仿真平台搭建了两种仿真环境,并从训练结果和测试结果两个方面对改进算法与原始算法进行了对比分析。实验结果显示:改进算法相比于原始算法在各仿真环境中的任务成功率分别提高了21%和32%,平均路径长度分别缩短了12%和17%,这证明了改进算法可以有效提高算法的收敛速度以及机器人的避障能力,从而更好地应用于多台物资配送车辆的路径规划。

一个基于分层推理的机器人抓取规划系统

本文给出一个基于分层推理的机器人抓取规划系统 KBGS.该系统把对象的知识分成经验知识和精确知识两个层次,并首先使用经验知识进行抓取方案的规划,一旦输出一个适合于环境和任务的用符号形式描述的抓取方案,就使用对象的精确知识进行具体的抓取参数的推理.

机器人的平面曲线轨迹规划方法

提出了一种满足笛卡尔空间与关节空间混合约束的机器人平面曲线轨迹规划方法.在笛卡尔空间讨论了控制节点的选取,节点间运动时间的分配,以及规划轨迹与要求轨迹的位置偏差和姿态偏差的估计方法;在关节空间讨论了三次样条函数插值及满足关节速度、加速度及力矩约束的方法.根据规划轨迹与要求轨迹偏离情况,非均匀地插入控制节点.通过增加有限的控制节点,有效地控制偏差,减少计算量.给出了完整的平面曲线轨迹规划算法.仿真实例验证了算法的有效性和可行性.

精英粒子群优化算法及其在机器人路径规划中的应用

针对标准粒子群优化(PSO)算法容易陷入局部最优的缺点,提出了一种基于标准PSO算法的新算法。该算法通过引入新的更新函数和精英选择策略,可在保持较高收敛速度的同时,降低陷入局部最优的可能性。与标准PSO算法相比较,不仅扩大了搜索空间,并且复杂度也不高。研究结果证明该算法更容易引导,而且具有更高效的全局搜索能力,展示了较高的效率和鲁棒性。将该算法用于解决机器人路径规划问题并进行了仿真实验,结果显示,与传统的方法相比,新算法在机器人路径规划问题上能获得更加准确的路径,而且计算时间可以缩短15%,比其他算法更有效。

基于改进遗传算法的机器人路径规划

标准遗传算法在解决各类优化问题中获得成功,但它在具体的应用中由于缺乏对特定知识的利用,其性能有待提高。针对机器人路径规划的实际应用,通过优化设计标准遗传算法中的交叉算子和变异算子,提出一种应用于机器人路径规划的改进型遗传算法。在把地图特征信息引入遗传算子的操作过程中提高了算法的进化效率。计算机仿真实验结果证明该算法在收敛速度、最优解输出概率方面相对于基本遗传算法有了显著提高。

机器人路径规划的栅格模型构建与蚁群算法求解

针对二维平面上机器人路径规划问题,利用具有二元信息的栅格描述机器人移动环境,再以最短路径为目标,考虑移位约束、避碰约束、运动约束等约束条件,构建机器人路径规划的栅格模型。为降低模型计算复杂度,将其转化为混合整数线性规划模型,并用GAMS/Cplex找到小规模问题的全局最优解,验证模型有效性。为快速求解大规模问题的近优解,利用蚁群算法的进化机制,融合多路径选择和概率选择策略,寻找最短行走路径。实验结果表明,所提出的模型及算法能有效求解机器人路径规划问题。

基于改进模拟退火算法的机器人全局路径规划

针对全局静态移动机器人路径规划问题,给出了一种简单易行的改进模拟退火算法。算法通过引入脱障算子和一致寻优算子,提出了一种新的状态产生方法。前者采用维值定向扰动策略,使碰撞路段的两个端点以一定步长跳离障碍物,这既保证了路径的无碰性,又加快了寻优效率;后者对随机选取的若干个路径点进行变步长地调整,使产生的候选解可以遍布整个解空间,提高了算法的全局寻优能力。最后,通过对一般环境和"陷阱"环境路径规划问题的仿真,验证了该方法的有效性。