基于混合人工势场-蚁群算法的机器人避障

针对移动机器人避障的路径规划问题,提出一种基于混合人工势场-蚁群算法的方法。在栅格环境中,以人工势场法的规划信息作为蚁群算法寻优的基础,引入势场合力作为蚂蚁搜索路径点的部分启发信息。Matlab7.6仿真表明,该方法解决了人工势场法的目标不可达、易陷入极值点等弊端,提高了经典蚁群算法的寻优效果和收敛速率,具有更强的稳定性和环境适应力。

蚁群算法引导人工势场法的机器人路径规划

提出了一种将改进蚁群算法和人工势场法相融合的算法。使用改进蚁群算法规划出一条全局最优路径,在全局最优路径的引导下采用人工势场法进行局部路径规划,规划出机器人的实时最优路径。仿真实验证明,所提算法规划出的路径不仅具有全局最优路径的信息,同时还具备规避未知障碍物和动态障碍物的能力。

基于混合人工势场与蚁群算法的多飞行器冲突解脱方法

复杂低空空域环境下多飞行器冲突解脱方法可以有效地提供冲突解脱策略,避免飞行器之间发生危险接近事故或者碰撞,从而保障空域运行安全.目前飞行器冲突解脱方法主要可以分为集中式和分布式.然而基于人工势场法等分布式方法虽然计算速度快,但可能会产生不切实际的解;基于进化算法等集中式方法可靠性高,但是计算量大,响应速度较慢,实时性差.本文结合人工势场法与蚁群算法的优点提出改进混合冲突解脱方法,首先利用人工势场法迅速得到近似可行的冲突解脱路径,然后将方案调整、编码得到“权威蚂蚁”,由“权威蚂蚁”衍生“权威蚁群”,利用“权威蚁群”始化信息素矩阵,基于蚁群算法,求得含有飞行规划约束的解脱方案.并通过与传统的人工势场法与蚁群算法进行比较,验证了改进算法在时效性和可行性上的优点.

基于蚁群混合人工势场法的多机器人编队运动

针对多机器人路径规划问题提出了一种基于蚁群混合人工势场法的集成编队路径规划方法,该方法基于领航者跟随法构造多机器人的编队队形,利用改进蚁群优化(ACO)算法为领航者提供复杂障碍物环境下的全局路径,结合改进人工势场(APF)法决策避障。在全局路径规划阶段,通过改进ACO算法提高了路径的最优性和安全性;在局部路径规划阶段,通过优化APF法的引力、斥力系数以及避障函数解决了标准APF法下机器人易陷入局部最优、易受复杂环境干扰等问题;为提高多机器人的编队运动能力,领航者采取自适应导航策略以提高路径追踪能力,跟随者自适应修正运动速度以较好地维持编队队形。实验结果表明,所提方法成功地协调了多机器人的路径规划和编队问题。

基于蚁群优化算法和人工势场的无人机航迹规划

针对复杂环境下的无人机航迹规划问题,建立栅格化环境模型,提出了结合蚁群算法与人工势场的航迹规划方法.在航迹搜索过程中,蚂蚁不仅受到信息素和启发信息作用,还受到势场力的影响.根据节点位置的势场力分布,提出了确定性选择和概率性选择相结合的状态转移规则,并设计环境感知因子,动态调整确定性选择的比例.将节点的势场方向、节点与目标间的距离构造蚂蚁的综合启发信息,以充分利用对已知环境的认知,指引蚂蚁的搜索.仿真结果表明所提方法能有效得到无人机的最优航迹,优化效果优于单一的蚁群算法和人工势场法,具有更好的收敛速度和优化精度.

一种人工势场导向的蚁群路径规划算法

针对复杂环境下的机器人路径规划问题,提出一种势场法优化的蚁群路径规划算法。为提高算法收敛速度,将人工势场法的规划结果作为先验知识,对蚁群初始到达的栅格进行邻域信息素的初始化,并通过构建势场导向权改变蚂蚁概率转移函数,使其作用于蚂蚁路径搜索的始终,从而改善蚁群路径搜索的盲目性。仿真结果表明,新算法具有收敛速度快、规划路径短以及环境自适应的优点。

蚁群-势场算法在水下重力辅助导航航迹规划中的应用

水下潜器航迹处于重力特征变化明显的适配区域才能保证重力辅助导航的有效实施,因此在重力匹配导航阶段,潜器的航迹规划至关重要。本文首先依据重力统计特征参数对水下潜器航行区域进行适配性划分,并给出适配、非适配区标签;然后在蚁群算法进行航迹规划的基础上引入人工势场算法,重新构建启发函数,避免了蚁群算法的局部最优问题;同时利用最大-最小蚁群系统改进算法信息素更新规则,防止了“早熟”现象发生。仿真试验结果表明,本文提出的蚁群-势场算法可以有效解决水下潜器在重力辅助导航中的航迹优化问题,提高了问题解的可行性。

基于蚁群算法与人工势场法的移动机器人路径规划

针对复杂环境下移动机器人路径规划困难的问题,提出了一种将全局路径规划蚁群算法与局部路径规划人工势场法相融合的混合型算法。首先,采用多因素启发函数和新的蚂蚁行进机制来解决传统蚁群算法路径质量差且易陷入对角障碍的问题;其次,针对传统蚁群算法收敛速度慢的情况,设计了自适应挥发系数和动态权重系数;接着,通过引入虚拟目标点、相对距离和安全距离的概念,解决了传统人工势场法易陷入局部极小值、目标不可达以及过度避障的问题;最后,将改进蚁群算法规划路径的转折点作为局部子目标点来调用改进的人工势场法进行二次规划。仿真表明改进蚁群算法较传统算法以及其他算法在路径长度方面优化了9.9%和2.0%,在路径转折次数方面优化了81.8%和63.6%,在收敛速度方面优化了94.2%和63.6%;改进人工势场法有效解决了自身问题;而以二者为基础的混合型算法则充分地结合了二者的优势,在复杂的静态和动态环境中具有极高的环境适应性和路径规划效率。

基于势场蚁群算法的仓储搬运机器人避障控制方法

针对现有仓储搬运机器人避障控制算法存在的路径寻优易陷入局部最优解,及多机器人同时作业易发生碰撞等问题,对物流机器人的避障控制进行了研究,并提出一种基于改进势场蚁群的控制算法;对机器人搬运过程中的移动轨迹进行了研究,给出了机器人空间运动学方程;采用了蚁群算法对经典人工势场算法进行优化,提升全局寻优能力并平衡引力和斥力的相互作用关系;在仓储搬运机器人的局部区域避障方面,基于策略梯度算法对人工势场做二次优化,通过分析下一动作指令的发生概率,改善多机器人同时作业时行进路径选择的随机性;经测试,提出控制算法的路径最短,完成单次运输任务耗时仅为12.3 s,而且在复杂路径规划条件下,机器人之间发生碰撞的次数也显著少于传统避障控制算法,经实际应用能够满足提升仓储物流管理效率的需求。

人工势场引导蚁群算法的机器人导航路径规划

蚁群算法应用于路径规划时,算法前期信息素分布均匀,只依赖启发信息搜索最优路径,因此存在盲目搜索和收敛慢的问题;蚁群算法后期由于信息素的正反馈作用,使蚁群算法陷入局部最优时无法跳出。为了解决这些问题,提出了改进人工势场法引导蚁群算法的路径规划方法。介绍了栅格环境建模法;以人工势场法为基础,给出了路径中间点选择方法,取消了障碍物斥力而只保留目标点引力,在目标引力下实现路径规划;以改进人工势场法规划路径启发蚁群算法,减少前期路径规划盲目性,实现加快收敛的目的;改进信息素更新方法,使信息素遗留因子随路径优劣自适应变化。由仿真结果可以看出,相比于蚁群算法和文献[10]势场蚁群算法,这里算法规划路径最短、平均迭代次数最少、算法平均耗时最少。

激光切割路径的势场-蚁群算法规划

为减少激光切割过程中空行程对切割效率的影响以及切割热对切割质量的影响,研究一种切割起始点选择策略,提出一种改进的势场-蚁群算法,在蚁群算法的启发式因子中加入势场力因子,保证蚁群搜索能力的同时增加蚁群寻迹的方向性。对路径进行规划仿真和切割实验,并使用红外热像仪进行温度监测,与经典蚁群算法等算法对比切割路径的空行程减少12.92%~23.44%,切割时间减少1.43%~2.39%,切割热减少37.92%~62.25%。实验结果表明,该势场-蚁群算法能够显著缩短空行程,减少切割时间,提高切割效率,减少切割热聚集,保证切割质量。

融合人工势场蚁群算法的移动机器人路径规划

通过对人工势场法与蚁群算法进行融合,给出了一种融合人工势场蚁群算法的移动机器人路径规划算法。一方面,引入目标点距离影响因子,改善势场力对移动机器人路径搜索的影响,通过改进斥力场函数,避免移动机器人因受到较大的斥力而无法规划出最优路径;另一方面,构造势场力启发函数,同时考虑距离启发信息和势场启发信息,初始化信息素的差异化分配方式有利于提高算法的收敛速度。实验结果表明,融合人工势场蚁群算法相比于文献[15]算法,在最优路径长度、路径转折次数、收敛速度三方面分别提高了2.6%,25%和66.7%,表明了该算法在路径规划方面的优越性。

基于势场蚁群算法的移动机器人全局路径规划方法

针对移动机器人路径规划蚁群算法收敛速度慢和人工势场法易陷入局部最优的问题,提出一种以栅格地图为环境模型,在蚁群算法搜索过程中加入针对具体问题的人工势场局部搜索寻优算法,将人工势场法中力因素转换为局部扩散信息素,使蚁群倾向于具有高适应值的子空间搜索,减少了蚁群算法在盲目搜索路径过程中产生的局部交叉路径及蚂蚁'迷失'数量,提高了蚁群对障碍物的预避障能力。对不同参数组合下2种算法及其它改进算法仿真结果做了比较,验证了基于势场蚁群算法的全局路径规划能够加快寻优过程且具有较强的搜索能力,收敛速度提高近1倍。

基于蚁群-改进人工势场法的移动机器人路径规划

针对移动机器人在路径规划中使用蚁群算法存在的算法前期效率低、函数收敛速度慢等问题,结合人工势场法提出一种融合算法.首先,根据传统蚁群算法数学模型,分析各个参数的作用,通过栅格地图建模,在MATLB中仿真分析出最优参数,记录各项数据.其次,通过引入中间点和目标相对距离的方法改进经典人工势场法的无法到达终点和局部锁死无法移动的问题.最后,结合两者算法特点,将改进的人工势场法和传统蚁群算法融合,在移动机器人路径规划初期,使得改进后的人工势场法发挥主要作用,后期随着信息素浓度增高,发挥蚁群算法的主要作用.通过仿真分析,验证蚁群算法和改进人工势场法后的融合算法各项结果要优于传统蚁群算法.

改进的势场蚁群算法的移动机器人路径规划

针对蚁群算法路径规划初期信息素浓度差异较小,正反馈作用不明显,路径搜索存在着盲目性、收敛速度相对较慢、易陷入局部最优等情况,人工势场算法的势场力可引导机器人快速朝目标位置前进,提出势场蚁群算法,通过栅格法对机器人的工作环境进行建模,利用人工势场中的势场力、势场力启发信息影响系数及蚁群算法中机器人与目标位置的距离构造综合启发信息,并利用蚁群算法的搜索机制在未知环境中寻找一条最优路径。大量的仿真实验表明势场蚁群算法路径规划能找到更优路径和收敛速度更快。

基于势场蚁群算法的机器人路径规划

提出了一种未知环境下机器人路径规划的势场蚁群算法。该算法利用人工势场力和机器人与目标之间的距离构造机器人避障和移动的综合启发信息,并利用蚁群搜索机制在未知环境中寻找机器人从起始位置至目标位置的全局最优路径。所提出的算法将蚁群算法和人工势场法进行有效的结合,提高了常规蚁群算法对最优路径的搜索效率。通过仿真实验表明了所提出的算法用于机器人路径规划的有效性。

基于势场蚁群算法的温室机器人路径规划

针对工作在温室环境下的机器人需要在垄间穿行的难点,建立栅格化环境模型,提出了基于势场蚁群算法的温室机器人路径规划算法。温室环境下的机器人路径规划是要在温室中长有农作物的情况下,使机器人能够寻找到一条从起始点到目标点的连续、无碰撞的路径,其中,机器人走过的路径要包围农作物的生长区域,以方便机器人对农作物进行施肥、摘取果实等行为。路径规划过程中,蚂蚁根据当前节点与可达点之间是否存在障碍物分为确定性方向转移和概率性方向转移2种转移方式,并且重新构造了启发信息,指引蚂蚁搜索。在不同的环境下进行了仿真试验,结果表明,改进势场蚁群算法能有效解决温室环境的路径规划问题。

基于势场导向的对数蚁群算法的移动机器人路径规划

针对蚁群算法存在收敛速度慢,易陷入局部最优的问题,提出了一种将人工势场和对数蚁群算法相融合的新算法。该算法是在蚁群算法的基础上,将势场的影响因素引入到蚁群算法的状态转移概率函数和启发函数中,并通过对数函数模型对蚁群算法的信息素更新策略进行改进,使得路径算法搜索不再具有盲目性,并加快算法的收敛速度。为了验证改进算法的有效性,分别在不同环境的2维栅格地图中进行仿真。仿真结果表明,相比改进前的蚁群算法,改进后的蚁群算法在路径规划中收敛速度更快,规划效率更高。将基于势场导向的对数蚁群算法应用于Hokuyo激光建图的实际机器人上进行路径规划实验。实验结果表明,改进后的蚁群算法路径搜索效率较改进前提高了约52%。

远程控制采摘机器人手势识别研究——基于势场蚁群算法

采摘机器人在作业时遇到通过自主导航无法越过的障碍物时,或者在危险的地带无法进行人工采摘作业时,需要借助远程方式进行实时控制,使其成功越过障碍物,并在高危环境中有效地展开采摘作业。为了优化采摘机器人远程控制系统,提出了一种基于手势识别的远程控制方案,并引入了势场蚁群算法,提高了机器人的控制的准确性和高效性。在远程控制方案中,将基于视觉的手势识别与远程控制机械手相结合,通过深度相机采集手势图像并提取手势特征,转换为机械手舵机的控制命令,并通过无线网络发送至采摘机器人控制单元,实现视觉手势对机器人的远程控制。对采摘机器人进行了测试,通过测试发现:基于蚁群算法的手势识别系统可以有效地追踪得到不同的动态手势,且可以准确地识别手势所代表的意义,成功实现了机器人远程控制的手势识别。该方法不仅可以远程实现机器人避障功能,还可以将其应用在山谷、沼泽等危险地带进行采摘作业,实现其非凡的使用价值。

基于势场启发蚁群算法的远程水中兵器航路规划

针对航行误差较大的远程水中兵器航路规划问题,采用栅格化方法建立海洋环境模型,为使兵器在航行过程中能有效规避障碍并导向目标,提出一种人工势场力为启发因子的改进蚁群算法,利用该方法搜索远程水中兵器从起始点至目标点的最佳路径,算法解决了经典蚁群算法容易陷入局部最优及收敛速度慢的问题。仿真结果表明该规划算法虽有少量的路径损失,但可以有效避免由于误差引起的航行安全问题,是一种有效的远程水中兵器航路规划方法。