生物激励神经网络路径规划仿真研究与改进

生物激励神经网络移动机器人路径规划方法是一种新颖的方法,可用于在动态不确定环境下生成实时的避障轨迹.本文的仿真结果表明当该方法被应用于点对点路径规划时,生成路径可能不满足路径长度要尽可能短的约束条件;当该方法被应用于全覆盖路径规划时,生成路径可能不满足覆盖过程应有规律和重复覆盖应尽可能少的约束条件.本文对上述出现的不合理现象进行了理论分析并分别提出了在点对点路径规划中引进目标制导和在全覆盖路径规划中引进规则制导的改进方法.仿真结果表明改进方法是有效的.

改进型生物激励神经网络的路径规划方法

针对生物激励神经网络在一些情况下存在的路径非最优问题，通过分析其产生机理，做出了相应的改进：对边界附近和障碍物之间的路径点引入了假想的非障碍物相邻点，增大了激励输入，使得这些路径点的活性值增大，解决了路径错判问题；同时，在下一个位置的决策中加入了转角最小因素，减少了路径的转折次数。仿真结果表明，改进后的生物激励神经网络方法适用于实时动态环境下的移动机器人路径规划，且全面地提升了路径质量。

基于生物激励神经网络的清洁机器人遍历路径规划算法的改进

针对基于生物激励神经网络的清洁机器人遍历路径规划算法的遍历面积重复率和遍历路径总长度均较大的问题,对该算法进行了改进:在脱困算法中,采用实时监测机器人邻域神经元状态的方法,使机器人脱困路径缩短;引入邻域神经元状态准则,使机器人在遇到孤岛障碍物避障时,先沿障碍物边沿遍历.仿真结果表明,改进算法可以有效降低遍历面积重复率、遍历路径总长度和转弯次数.

基于威胁评估与生物激励神经网络的机器人路径规划研究

针对未知动态环境下移动机器人的路径规划问题,考虑传感器检测范围的有限性与动态障碍物运动的不确定性,提出一种基于动态威胁评估的改进生物激励神经网络算法。采用栅格法与基于虚拟目标点的滚动优化方式进行路径寻优。进一步地,提出一种基于直觉模糊集的动态属性决策方法,评估动态障碍物对机器人的威胁程度,并根据生物激励神经网络(BINN)的特点,在动态威胁模型中引入导向传递方式建立子激励模型,引入神经元“亲近值”改进神经元动态变化方程。最后,通过仿真实验验证了该改进算法的有效性。

基于改进的生物激励神经网络机器人路径规划算法

针对传统生物激励神经网络(BINN)在点对点全局路径规划中存在的路径偏离和路径非最优问题,提出了基于路径修正和无障碍理想路径制导的生物激励神经网络算法;路径规划的初始阶段,通过判断起始单元外部激励输入和起始单元活性值大小决定是否触发路径生成策略,从而实现初始路径修正;在生成下一位置单元的算法中结合无障碍理想路径的导向,引入实际路径单元与无障碍理想路径单元间的理想路径接近率,使路径神经元活性值增大,从而实现路径优化;在静态复杂环境下,分别以3种算法进行了对比实验;实验结果表明,改进后的路径规划算法相比传统生物激励神经网络算法和基于目标制导的生物激励算法,不仅解决了路径规划初始阶段的路径偏离问题,而且使路径长度和路径转折次数更低,效率更高。

基于改进生物激励神经网络算法的多移动机器人协同变电站巡检作业

针对大型变电站巡检作业效率低的问题,利用改进的生物激励神经网络算法和优先级启发式算法,结合基于变切线长的无障碍物区域分割法,提出一种多移动机器人协同全区域覆盖巡检以及多任务点协同巡检的方法.首先,分析生物激励神经网络算法的不足,如规划的路径曲折、转角大等问题,并提出一种改进方法,利用改进的算法和Hungarian算法实现对多任务点的巡检;然后,设计一种变切线法将电站区域分解成若干不含障碍物的子区域,各移动机器人分别在子区域内利用优先级启发式算法选择路径,利用改进的生物激励神经网络算法跳出死区,从而完成多机器人的协同全区域巡检任务;最后,通过仿真实验表明,改进的神经网络算法相比于原始算法与A*算法在路径长度和转向次数等方面具有明显的优化作用,仿真实验验证了所提出多机器人协同巡检方案的可行性.

基于生物激励神经网络的室内实时激光SLAM控制方法

传统RBPF(Rao-Blackwellised particle filter)-SLAM(simultaneous localization and mapping)在机器人室内导航过程中因里程计读数产生的累计误差使得机器人定位和建图的精度大大降低,且传统的路径规划方法在突发环境中的动态避障效果差、实时性低.针对这一问题,提出了一种基于生物激励神经网络(biological inspired neural network,BINN)的室内实时激光SLAM控制方法,结合了RBPF-SLAM的高计算效率、高精准性与BINN的实时动态避障特性.首先在RBPF-SLAM抽取新粒子的过程中用机器人当前时刻与前一时刻的位姿差代替里程计读数作为建议分布函数的输入.然后使用BINN在动态突发环境中进行实时路径规划及避障.最后,在动态实时路径规划中利用BINN再次定位机器人,校准机器人的位姿.仿真和实际实验结果表明,基于BINN的室内实时激光SLAM控制方法的定位误差小于10%,建图误差小于9%,且规划的路径质量与传统的A;和Dijkstra算法相比,BINN算法规划的路径长度、转折次数及规划时间分别减少了7.09%、14.29%、6.97%,有效地提高了室内导航控制的定位和建图精度及动态规划的实时性.该方法同样适用于无人驾驶和物流运输等领域.

基于内螺旋搜索的生物激励遍历路径规划算法

针对传统生物激励神经网络遍历路径规划的重复覆盖率高和子区域间路径不是最优的问题,提出了基于内螺旋搜索的生物激励遍历路径规划方法。方法在未知水下环境信息的情况下通过生物激励神经网络算法完成水下地图环境建模与路径规划,在分割出子区域后通过内螺旋算法占主导完成子区域遍历,避免神经元活性值相同引起重复覆盖,子区域间通过A*算法实现最优路径规划。仿真结果表明,相较原方法,上述方法生成的路径分别在重复覆盖率、运行时间、路径长度指标上均有较大提升。

基于栅格法与神经元的机器人全区域覆盖算法

为了提高移动机器人在全区域覆盖路径规划中的性能,提出了基于神经元激励神经网络的路径规划算法。介绍了栅格法环境建模原理,使用此方法得到了机器人工作环境的矩阵模型;分析了生物激励神经网络算法,在神经元活性值定义、机器人跳出"死区"两个方面对算法提出了改进,提出了神经元激励神经网络算法。使用此算法对设定的工作环境进行遍历并与生物激励算法进行比较可以看出,在遍历重叠率、路径长度、转弯次数等方面,神经元激励算法都优于生物激励算法,充分说明了改进算法在机器人遍历规划中的优越性。

神经元活性引导机器人脱困的全覆盖路径规划

为了解决生物激励神经网络算法在全覆盖路径规划中陷入死区的问题,提出了脱困点搜索和脱困路径规划组合的脱困机制。建立了工作区域的栅格模型,分析了生物激励神经网络算法原理和缺陷。通过设计元胞演化规则,给出了基于元胞自动机的最佳脱困点搜索方法。对于脱困路径规划问题,传统RRT算法的采样和扩展具有随机性和盲目性,提出了神经元活性引导RRT算法,使RRT算法的随机树扩展具有较强的方向性。经仿真验证,与传统RRT算法相比,神经元活性引导RRT算法的耗时减少了一个数量级,扩展节点数减少了2倍,脱困路径减少了12.96%,是一种非常高效的脱困方法。另外,具有脱困机制的生物激励神经网络算法能够完成工作区域全覆盖,有效解决了死区问题。

基于改进BINN的人机多点巡检问题研究

为提高多变电站巡检的工作效率,在考虑障碍物存在的情况下,提出一种基于改进生物激励神经网络的巡检方法。该方法通过改进生物激励神经网络的激励输入和路径决策,避免了算法在进行路径决策时因依赖神经元活性值分布导致的路径错判问题和转向次数多的问题。仿真结果表明,相较于改进前的算法,改进后的生物激励神经网络算法在多变电站路径规划上具有明显优势,路径长度缩短了50.22 m,转动角度减小了11.65°,转向次数减少了5次,分别为10.11 m、40.23°、15次;相较于常规路径规划算法PRM算法和Dijkstra算法,该方法在路径长度、转动角度和转向次数各项指标上仍具有明显的优势。该方法可实现多变电站的多点协同巡检和区域覆盖巡检,提高多变电站巡检工作效率。

不确定动态环境下移动机器人的完全遍历路径规划

基于生物激励神经网络、滚动窗口和启发式搜索,提出了一种新的完全遍历路径规划方法.该方法用G rossberg的生物神经网络实现移动机器人的局部环境建模,将滚动窗口的概念引入到局部路径规划,由启发式算法决定滚动窗口内的局域路径规划目标.该方法能在不确定动态环境中有效地实现机器人自主避障的完全遍历路径规划.仿真研究证明了该方法的可用性和有效性.

清扫机器人路径规划的研究

定位和全覆盖是清扫机器人路径规划的最基本问题。研究了机器人在环境中的相对定位,并采用卡尔曼滤波进行滤波处理,减小误差。研究了基于生物激励神经网络的路径规划算法,通过仿真,发现在障碍物多的情况下重复率较高的问题。对算法进行了改进,提出了一种基于模板的生物激励神经网络的路径规划算法。通过仿真实验,发现算法在减少重复率方面是有效可行的。

露天矿山开拓运输系统道路选线算法

单斗卡车工艺具有机动灵活、爬坡能力强、便于选采、基建速度快、开采强度大等优点,在我国露天矿山被广泛应用。但近年来,因受到重型卡车设备机修、维护保养、燃油成本高昂等经济因素限制,导致单斗卡车工艺吨公里运输经济性问题一直备受关注,并以此派生出了一系列优化卡车运输经济性的相关课题,如运输系统参数优化、路径优化以及剥离物流向-流量规划等相关研究。这类优化研究普遍以经验化的人工定线方案为基础,以压缩运距、控制道路运输功为优化目标展开,忽略了开拓运输道路对于实际优化问题的影响。常规的露天矿开拓运输系统选线方法主要依赖人工经验试错来制定选线方案,主观性极强、效率低且难以优化控制线路成本,随着剥、采工程发展,易导致卡车运输系统的经济合理性受限。为有效解决这一问题,以JONG提出的城际高速公路选线方法为理论基础,综合分析了运输道路系统的基本组成、结构形态以及线形特点,引入一种分阶段的选线剖面布置形式,并结合线路的几何特性定义了线路桩点位置的代数表达及线形约束检验的计算方法;研究了道路生命周期内的成本核算方法,标定了费用成本指标,建立了基于选线道路费用成本最优化的数值计算模型;最后,为进一步提高遗传算法的收敛能力及求解效率,将生物激励神经网络(Bio-Inspired NN)引入到路径基因编码过程中,以实现对编码的启发式修正。实验结果表明:相比于矿山现有的手工定线方法,优化后的线路费用成本更低,能快速、有效地解决矿山运输系统定线问题,证明文中算法模型对于解决此类矿山选线问题可行且有效。

基于辐射扫描算法的机器人路径规划与仿真

针对基于生物激励神经网络(Biologically Inspired Neural Network,BINN)算法的机器人路径存在重复率高、转弯次数多的问题,提出一种将模板模型与辐射扫描(Radiation Scanning,RS)算法相融合的改进遍历路径规划算法(Improved Traversal Path Planning Algorithm,ITPPA)。利用BINN算法制定无障碍物行走策略;设计多个避障路径模板,保证机器人有序的避开障碍物;利用RS算法引导机器人迅速逃离死区。仿真结果表明:与BINN算法相比,ITPPA能够有效降低路径重复率和转弯次数,同时帮助机器人快速逃离死区,降低机器人能耗,提高了工作效率。

砾石土心墙摊铺CA-BINN动态路径规划模型研究

现有砾石土心墙摊铺作业路径多采用静态规划,未能考虑推土机、自卸汽车等复杂作业环境障碍物的动态变化。针对上述问题,本文提出了一种考虑复杂动态作业环境的砾石土心墙摊铺CA-BINN动态路径规划模型。该模型基于元胞自动机(cellular automata,CA)建模理论,将实时感知的复杂作业环境数据抽象为动态障碍物、摊铺厚度等元胞状态以实时重构动态施工环境;并以元胞状态信息作为生物激励神经网络(biological inspired neural network,BINN)算法的外部输入,同时重构CA框架下BINN算法的神经活性值计算分流方程,实现多料堆整体摊铺作业动态路径规划。其中,单料堆摊铺作业采用以摊铺平整度、无效路径比等指标为目标函数,并结合现场三刀法(三次推移料堆)施工工艺提出的三刀法CA规则实现动态路径规划。工程应用结果表明:所提模型不仅能够在复杂动态作业环境下表现出高安全性、高适应性,而且相较于静态规划模型,路径长度、转折次数和无效路径比分别降低1.9%、42.9%和48%,摊铺平整度提高7%;相较于人工作业,摊铺平整度提高28%,无效路径比降低47%,有效改善了摊铺质量和摊铺效率。

复杂环境下UUV完全遍历路径规划方法

针对复杂环境下无人水下航行器(UUV)完全遍历路径规划方法的不足,文中基于蚁群算法和生物激励神经网络,提出了一种高覆盖率、低重复率的完全遍历路径规划方法。该方法基于栅格法和生物激励神经网络进行环境建模,将神经元活性值引入蚂蚁转移概率公式中,既克服了蚁群算法需要对环境提前扫描学习,运算复杂的不足,又避免了生物激励神经网络随机性强,重复率高的缺陷。仿真试验表明,文中方法不仅有效实现了复杂环境下UUV完全遍历路径规划,而且能够以最短路线跳出死角,具有覆盖率大、重复率小,实用性强的优点。该研究可为进一步开展动态环境中的UUV完全遍历路径规划提供参考。

移动机器人全覆盖路径规划算法研究

生物激励神经网络算法是一种路径规划算法,在用于全覆盖路径规划时,当前点的局部侧连接点,容易出现相同的神经元活性值。导致规划出的路径长度长、重复率高、转弯次数多,在遇到阻塞点时,容易陷入死区,或规划的逃离路线不是最优路径等问题。针对路径重复率高、转弯次数多等问题,提出移动规则法对机器人的移动方向进行引导,针对机器人陷入死区和无法规划最优逃离路线等问题,结合A*搜寻算法,让机器人能以最优的路径逃离死区。仿真实验表明,该改进方法是有效的。

矿区废弃地移动机器人全覆盖路径规划

矿区废弃地为室外大型非结构化环境,包含多种类型的障碍物且存在诸多不确定性因素,给移动机器人全覆盖路径规划造成了极大的困难.本文使用牛耕式单元分解法结合生物激励神经网络算法完成移动机器人对矿区废弃地的全覆盖路径规划.首先,针对矿区废弃地已知环境,采用牛耕式单元分解法对复杂环境做出区域分解,将具有综合复杂性的地图分解为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,采用深度优先搜索算法确定子区域间的转移顺序;最后,采用生物激励神经网络算法确定子区域内部行走方式以及子区域间路径转移.仿真结果表明,生物激励神经网络算法在解决机器人路径转移问题方面比其他路径规划算法更高效,所得的方法能够处理复杂的非结构化环境,完成废弃矿区移动机器人的覆盖路径规划.

改进型BINN算法应用在无人船优先区域覆盖路径规划的研究

对于无人船在复杂海域执行的全区域覆盖任务,用原生物激励神经网络算法规划的路径欠佳,为此提出以下改进措施:为解决两个方向上的活性值相同而导致下一位置决策困难的问题,提出新的最优点决策公式;为解决障碍物毗邻区和海图边界区域活性值较低而导致无法完全覆盖的问题,重新定义生物激励神经网络模型中的输入激励。同时,通过在神经元输入中加入高激励选项,有效地实现了对区域的优先覆盖。仿真结果表明,提出的改进型算法无论在静态还是在动态海况下,都有很好的适应性,可实现对任务海域的100%覆盖,且能有效规避障碍物和快速脱离死区。