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。

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.

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。

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。

融合粒子群算法与改进灰狼算法的机器人路径规划

针对灰狼算法在处理机器人路径规划问题时存在路径较长、收敛速度较慢等问题,提出一种基于PSO与改进GWO的粒子群-灰狼混合算法(PSO-GWO)。通过多次运行PSO算法来确定初始狼群规模及初始适应度值;引入非线性收敛因子平衡GWO算法的探索和开发能力,提出动态惯性权重因子来保证头狼领导制度及促进种群交流;运用莱维飞行和贪婪策略使算法有效避免局部最优,获得最优解。仿真结果表明:该算法相较于GWO算法在3种地图下平均路径长度缩短17%、16%、16.2%;平均运行时间缩短13%、8%、16%。

智慧校园文化宣传机器人路径规划研究

针对传统人工势场法应用于机器人路径规划存在的机器人在目标点附近往复运动而无法到达的问题,对引力势函数进行改进。引力势函数的改进充分考虑机器人的位置、速度、加速度信息,并采用模糊控制策略对机器人进行避障控制。将改进的路径规划算法应用于机器人路径规划仿真试验中,验证了提出的改进方法与传统方法在路径规划上用时更短。另外,将提出的改进方法应用于智慧校园文化宣传机器人路径规划中,获得了理想的规划路径,验证了改进方法的有效性。

改进海洋捕食者算法和插值平滑的机器人路径规划

鉴于传统的智能优化算法(intelligent optimization algorithm,IOA)不能很好解决插值平滑的机器人路径规划(robot path planning,RPP)问题,以及最近提出的海洋捕食者算法(marine predators algorithm,MPA)的优势和不足,提出了一种改进的MPA,即提升信息交流的MPA(interchange enhanced MPA,IEMPA),用于解决RPP。首先提出一种融合趋向全局最优的反向学习策略用于随机选择一个捕食者的位置更新,以便降低陷于局部最优的概率;然后提出了一种三阶段最优引导最差策略来强化最差个体以便提升整个群体和提高搜索能力;随后,提出一种信息共享策略用于捕食前期以进一步提高算法的搜索能力;最后将IEMPA用于插值平滑的RPP中。大量的多场景RPP问题的优化实验结果表明,与MPA等优秀算法相比,IEMPA搜索能力更强、精度更高、收敛速度更快,能更好地处理RPP,可应用到在其他复杂优化问题上。

改进萤火虫算法求解多机器人路径规划

为解决多机器人在静态环境中的路径规划问题,以路径长度为优化目标模型,并针对此模型设计了多机器人萤火虫算法(MR-FA)。首先,考虑到路径安全性对环境中的障碍物采取扩张操作,设计初始化规则以提高生成初始种群的效率;其次,根据算法的连续性原理及特点,设计个体等长策略将维度不一致的个体转变为等维度个体以便于萤火虫的移动更新,并对移动更新后的不可行解采取路径修正策略;然后对规划出的每个机器人的移动路径进行碰撞检测,同时针对机器人不同的碰撞情况设计相应的避碰策略,即暂停—回退策略(PFS)、局部路径重规划策略(LPRS);最后,为验证MR-FA的有效性,在三组环境中进行仿真实验并与其他三种算法进行对比,综合得出MR-FA在解决多机器人路径规划时更有优势。

避障机器人路径规划算法的研究

结合移动机器人的实际应用场景,针对常规算法规划出的路径存在折点多、转弯角度过大、与障碍物距离较小、搜索的路径较长等问题,对在栅格地图下混合全局路径规划与局部路径规划算法进行了研究,采用人工势场算法与蚁群算法混合,为移动机器人规划出全局最优路径,同时实时躲避局部障碍物。经过仿真测试,移动机器人可以根据全局路径规划的路径得到最优的整体路径,通过局部路径规划算法避开局部区域的障碍物,使移动机器人能够从起点平稳无碰撞地行驶至目标点。

差分变异和领地搜索的平衡优化算法及其机器人路径规划

平衡优化EO算法是最近提出的一种优秀元启发式算法,但在解决复杂优化问题时存在搜索能力不足、可操作性差和搜索效率低等问题。因此,提出了一种改进的EO,即差分变异和领地搜索的EO——DTEO。首先,提出一种融合领地搜索的差分扰动策略用于最优粒子的浓度更新。然后,提出了一种精英与最差粒子差分变异策略来强化最差个体。最后,提出一种信息共享的差分变异策略和简化EO中的新解产生方式,并将二者动态融合用于其它粒子浓度的更新,以提高算法的可操作性和搜索能力,并缩短运行时间。CEC2014复杂函数测试集上的优化实验结果表明,与EO及其他优秀算法相比,DTEO搜索能力更强、效率更高和可操作性更强。DTEO应用机器人路径规划的实验结果也表明,DTEO具有更强的竞争性。

改进沙猫群优化算法的机器人路径规划

为了寻找更优的机器人移动路径,将沙猫群优化算法与三次样条插值方法进行融合,对沙猫群优化算法进行改进。在改进的沙猫群优化算法中,利用混沌映射的均匀性初始化种群以提高种群多样性;通过融合互利共生和莱维飞行策略减少局部最优解的消极影响,提高算法的收敛速度和精度。通过两种仿真实验对比6种优化算法的实验数据,结果表明,改进的沙猫群优化算法的最优解、最差解和平均解都优于对比算法,验证了改进沙猫群优化算法对于解决移动机器人路径规划问题的有效性和工程实用性。

用于移动机器人路径规划的增强型蛇优化算法

针对蛇优化(SO)算法在路径规划过程中存在搜索效率比较低、收敛速度慢且寻优精度低等问题,提出了一种改进的蛇优化算法(GLSOA)。在全局勘探阶段采用莱维飞行扰动策略,以扩大算法搜索范围并丰富其种群多样性。同时,使用非线性收敛因子调节环境温度变化,以平衡算法的全局探索和局部开发能力。然后,在局部搜索阶段引入局部混沌搜索策略,以扩大混沌空间的搜索范围,提高算法的局部开发能力。最后,采用黄金正弦机制指引种群位置更新,缩小搜索范围,提高算法收敛精度和速度。仿真结果表明,改进的算法有效缩短了路径规划长度,算法的性能有了显著性的提高。

基于改进金豺优化算法的机器人路径规划

针对传统金豺优化算法GJO求解移动机器人路径规划RPP问题时存在寻优能力差,易陷入局部最优的缺点,本文提出一种改进的金豺优化算法IGJO。IGJO算法引入反向学习机制构建初始金豺种群,以提升初始解的质量;使用改进非线性能量逃逸因子,避免迭代后期过早收敛。同时,算法融合了个体记忆功能的精英反向学习策略搜索当前种群优秀解的反向空间,以增强算法的勘探能力。最后,IGJO对比5种优化算法的实验数据,实验结果表明,IGJO算法均优于其他对比算法。

改进人工大猩猩优化算法的机器人路径规划

为了提高移动机器人的路径规划能力,寻找到更优的移动路径,提出了改进的人工大猩猩算法。在全局探索和局部开发阶段,通过引入惯性加权因子不同的自适应权重,提高了全局搜索能力和局部开发能力。在局部开发阶段,通过融合互利共生策略加强了个体与最优个体间的联系,提高了算法的收敛速度,通过引入黄金正弦算法进一步平衡了全局探索和局部开发能力。通过构造障碍物和基于三次样条插值的路径适应度函数,利用改进的人工大猩猩优化算法寻优求解,获得移动机器人的最优路线。通过简单障碍环境和复杂障碍环境的仿真实验证明了本文提出的改进算法的有效性和实用性。

基于改进RRT算法的移动机器人路径规划研究

路径规划是移动机器人开发的核心技术,而传统RRT算法所规划的路径距离长、拐点多,对RRT算法进行改进,引入A*算法思想,改进待扩展节点的选择。引入人工势力场思想,改进扩展方向的选择。对规划的路径消除冗余点,并采用三次样条函数进行平滑处理。将改进的RRT算法应用于虚拟简单环境地图、虚拟复杂环境地图中,结果表明改进RRT算法所规划的路径平顺性好、路径长度短且所用时间短。最后将改进的RRT算法应用于实际的移动机器人路径规划中,路径规划结果验证了该算法的可行性。

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。

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。

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。

一种遗传蚁群算法的机器人路径规划方法

研究遗传算法和蚁群算法可作为新兴的智能优化算法,在解决多目标、非线性的组合优化问题上表现出了传统优化算法无可比拟的优越性。基于将两种智能优化算法动态融合的思想提出了一种新的遗传蚁群算法(GA-ACO)。与已有的将遗传算子引入蚁群算法的结合方式不同之处在于,GA-ACO算法第一阶段采用了遗传算法生成初始信息素分布,在第二阶段采用蚁群算法求出最优解,从而有效地结合了遗传算法的快速收敛性和蚁群算法的信息正反馈机制。仿真结果表明,在具有深度陷阱的特殊障碍物环境下,应用GA-ACO算法求解机器人路径规划问题可以得到较好的的结果。

动态环境下基于多人工鱼群算法和避碰规则库的机器人路径规划

为了提高机器人路径规划的速度、环境适应能力和高效动态避碰问题,提出了一种基于多人工鱼群的机器人路径规划算法和基于避碰规则库的动态避障算法.该算法中,人工鱼以其与目标点的距离为食物浓度,两个邻近栅格的距离为步长,其觅食行作为默认行为,在一定条件下执行聚群或追尾动作,并采用两鱼群双向搜索机制在静态环境下规划出较优路径.在此基础上,机器人查询动态避障规则库获得避碰方法,从而实现与动态障碍的避碰.大量仿真实验结果表明,该方法具有较高的收敛速度和较强的搜索能力,能在非常复杂的动静态障碍环境中,迅速规划出一条安全避碰的优化路径.