融合强化学习的多目标路径规划

移动机器人路径规划问题的节点数量大、搜索空间广,且对安全性和实时性有要求等因素,针对移动机器人多目标路径规划问题,提出一种新颖的融合强化学习的多目标智能优化算法.首先,该算法采用NSGA-II为基础框架,利用强化学习的赋予个体学习能力,设计一种SARSA算子提高算法的全局搜索效率.其次,为了加速算法的收敛速度和保证种群多样性,增加自适应模拟二进制交叉算子(tanh-SBX)作为辅助算子,并将种群分为两种性质不同的子种群:精英种群和非精英种群.最后,设计了4种不同的策略,通过模拟退火算法的Metropolis准则计算更新策略的概率,让最合适的策略引导种群的优化方向,以平衡探索和利用.仿真实验表明,该算法在不同复杂度的环境下均能找到最佳路径.相比传统智能仿生算法,在更加复杂的环境中,所提出的算法能有效平衡优化目标,找到更优的安全路径.

动态不确定环境下多目标路径规划方法

提出一种在动态不确定环境下求解多目标问题时快速调整移动路径的方法.首先提出采用逆向多目标启发式搜索进行全局规划,求解问题的最优路径集合;然后提出动态多目标路径规划方法,先根据当前观测进行全局规划,在移动过程中探测到不一致的环境信息时,通过对先前搜索中部分信息的重用,在全局规划的基础上进行增量重规划,调整当前状态与目标状态之间的移动路径.研究结果表明:采用增量重规划的求解方法通过搜索信息的重用提高求解效率,能够有效地处理动态不确定环境下的多目标路径规划问题.

一种改进蚁群算法在捡球机器人多目标路径规划中的应用

在静态环境下,针对蚁群算法在进行多目标路径规划时存在搜索时间长以及容易陷入局部最优的特点,介绍一种可对捡球机器人进行多目标路径规划的改进蚁群算法.首先采用栅格法将捡球机器人的网球场环境划分建模;然后自适应调整算法中与信息素相关的系数以及种群规模,提高算法搜索速度;并引入交叉操作,改善算法停滞问题,增强算法的逃逸能力;最后实现改进蚁群算法在捡球机器人多目标路径规划中的应用.仿真实验结果证明,所提算法可以加快搜索速度,找到全局最优路径.

基于多目标路径规划的应急资源配置模型

面对日益增加的突发事件,应急资源调度对于快速开展救援工作以及降低社会财产损失具有重要意义.文中建立了一种基于多目标路径规划的应急资源配置模型,可解决应急路径搜索与资源配置两个问题.考虑到突发事件会对道路网络造成较大影响,模型首先以基于BPR(美国联邦公路局)路阻函数的路径行程时间与基于大量历史交通量数据的可靠性为优化目标进行路径规划,综合禁忌搜索与非支配排序获取应急救援路径的Pareto解集,并且通过指标权重确定最优路径;然后在获得最优路径的基础上,基于突发事件级别引入效用系数进行资源配置,最大化总资源利用效益,并基于Lingo软件进行求解;最后在无锡市公路网的历史数据基础上进行了案例分析,验证了所提出模型与解决方法的有效性.

一种实时多目标路径规划方法

提出一种利用实时搜索思想的多目标路径规划方法。首先设计并实现局部路径规划算法,在有限的局部空间内执行启发式搜索,求解所有局部非支配路径;在此基础上,提出实时多目标路径规划方法,设计并实现相应的启发式搜索算法,在线交替执行局部搜索过程、学习过程与移动过程,分别用于求解局部空间内的最优移动路径,完成状态的转移和更新状态的启发信息,最终到达目标状态。研究表明,实时多目标启发式搜索算法通过限制局部搜索空间,避免了大量不必要的计算,提高了搜索效率,能够高效地求解多目标路径规划问题。

自主轮式移动机器人纵横向目标路径规划仿真

对自主轮式移动机器人纵横两个方向路径进行规划,能够解决机器人单向路径规划弊端,提高执行搜索任务效率。对移动机器人纵横向目标路径的规划,需要对移动机器人基本行为进行融合,获取纵横向移动行为权值,完成机器人目标路径规划。传统方法将该问题转换为曲线有限个点生成位置优化问题,对问题进行求解,但忽略了对移动行为权值的获取,导致规划精度偏低。提出一种基于粒子群优化的自主轮式移动机器人纵横向目标路径规划方法。构建自主轮式移动机器人运动模型和障碍物拓展模型,利用二维笛卡尔栅格描述当前机器人所处环境,对移动机器人纵横向目标路径规划过程中的基本行为进行融合,依据传感器采集的实时环境信息获取移动行为的权值。实验结果表明,所提方法可以快速解决障碍物环境下自主轮式移动机器人横纵两个方向目标路径规划问题,且有效缩短了目标路径规划时间。

基于遗传算法的仓储机器人多目标路径规划方法

为提高智能仓库中多机器人协同拣选作业效率,提出基于遗传算法的仓储机器人多目标路径规划算法。首先建立仓库环境模型,利用A*算法规划出各机器人的多目标节点路径矩阵。然后以最短行驶时间为目标,提出符号矩阵编码法对多目标点编码,在遗传过程中判断机器人之间的路径冲突,利用改进优先级法化解局部动态冲突,从而确定目标节点遍历序列,得到最优路径规划。仿真结果表明,该路径规划方法能够有效缩短路径长度及行驶时间。

航站楼内多目标路径规划方法设计与实现

针对航站楼多楼层的室内导航和多目标的路径优化问题,提出一种基于改进遗传算法的航站楼内交通换乘导航路径规划方法:依据航站楼内的空间特征和环境变化建立以路径为权值和以人流密度为权值的双路网,并权衡路径的距离成本、客流拥挤度和时间成本3种因素,建立了航站楼内的多目标路径优化模型.最后使用融合广度优先搜索策略(Breadth First Search,BFS)的遗传算法在本文构建的多层路网中实现航站楼内多目标路径优化,生成考虑路径距离、拥挤度、时间成本的单目标最优路径和多目标优化路径.研究结果表明,使用融合BFS的遗传算法在本文构建的多层路网中可实现航站楼内多目标路径优化,生成考虑路径距离、拥挤度、时间成本的单目标最优路径和多目标优化路径.

基于改进萤火虫算法的移动机器人多目标路径规划

针对复杂室内环境下移动机器人的路径规划问题,提出一种面向多目标同时优化的改进萤火虫算法;该算法利用栅格地图对机器人作业环境进行建模,将Pareto支配关系引入到萤火虫个体的亮度评价过程,构建精英库保留算法迭代过程中的Pareto非支配解,采用自适应网格划分策略维护种群的多样性;以路径长度、路径安全性和路径平滑度为目标进行运动路径的搜索与优化。仿真结果表明,与经典的带精英策略的非支配排序遗传算法相比,面向多目标同时优化的改进萤火虫算法求得Pareto非支配解集更优越。

基于A*和蚁群算法的移动机器人多目标路径规划方法

针对二维栅格地图下,移动机器人以最短路径遍历所有目标点的路径规划问题,提出一种基于启发信息扩展节点的A*算法与混合蚁群算法相结合的路径规划方法。通过基于启发信息的节点扩展函数,解决A*算法扩展节点时,会造成无用计算的问题,提升规划效率。为改善蚁群算法易陷入局部最优解的缺点,提出一种混合蚁群算法,将粒子群算法思想融入蚁群算法加以优化,通过自适应方法调整蚁群算法信息素挥发因子,与最优解交叉变异,增强全局搜索能力。仿真实验表明:基于启发信息扩展节点的A*算法相较于A*算法,搜索节点减少13.18%;混合蚁群算法求解的最优路径和平均路径均好于蚁群算法,并且在迭代过程中,不易陷入局部最优解。现实环境下,采用仿真参数进行实验,实验的结果也证明了该方法的有效性。

地下矿用车辆无人驾驶目标路径规划方法研究

针对井下巷道复杂多变的路面条件,将地下矿用车辆无人驾驶目标路径划分为主目标路径和局部避障目标路径,在主目标路径规划时不必考虑局部避障问题,在主目标路径规划完成后,再进行局部避障目标路径规划。建立车辆轨迹跟踪偏差控制模型及动力转向控制模型,通过对模型的仿真计算,可对地下矿用车辆无人驾驶目标路径进行规划及优化。该目标路径规划方法具有简单方便和灵活可靠的优点。

基于目标路径规划无人驾驶设备导航控制分析

目标路径规划是无人驾驶设备导航与控制的基础。利用三偏差导航控制器具备的轨迹精确推算模型,研究地下无人驾驶设备在巷道内轨迹规划问题和避障问题;根据巷道导航的特点,定义了包括偏离角、偏离角偏差、横向位置偏差、目标路径等轨迹参数;建立各轨迹参数的关系模型和轨迹推算模型,在轨迹推算模型的基础上进行了轨迹跟踪研究。结果可知:沿着巷道中心线行走不能保证在障碍点和弯道处设备与巷道壁保持最大相对距离;在弯道处应根据弯道特性和车辆结构,在弯道中心线内侧以不同圆弧曲线作为目标路径,在障碍物处以简单的阶跃函数作为避障规则,同时由于无人驾驶设备的结构特点,正反向行驶时轨迹曲线不相同,在弯道处应分别规划正反向目标路径。

地下无人矿车运行轨迹偏差模型及其目标路径规划

针对地下无人矿车运行避目问题,根据巷道内的地下矿车主目标路径、轨迹跟踪偏差图,修正主目标路径,建立地下矿车运行轨迹偏差模型。仿真结果得到:当矿车对目标路径进行跟踪行驶时,车身的外廓点可以和巷道的侧壁及其内部的障碍物之间始终可以维持比较稳定距离。并对主目标路径进行了局部修正,并将得到的曲线作为局部避障目标路径,使大车身和外侧巷道的边壁间距明显增加。并以实例仿真显示车辆的左侧与右侧外廓特征点、巷道内部障碍物与边壁间距均匀,获得了较为理想的规划结果。

视觉引导下的自主式捡球机器人多目标路径规划算法

文章首先简要描述了捡球机器人路径规划的目的、视觉处理的工作特点,分析了自主式捡球机器人设计时所面临的问题,然后结合滚动窗口理论提出了一种基于视觉传感器的自主式移动机器人多目标路径规划算法。该算法有效地减少了移动捡球机器人执行任务的时间,提高了其捡球效率。

APF与A*融合的多目标点路径规划算法

在智能餐厅环境下,针对移动机器人在多目标点路径规划时存在规划效率不高的问题,提出了一种基于A*算法与APF算法相结合的多目标点路径规划的方法。将多目标点路径规划问题转化成类旅行商问题,采用A*算法和人工势场法规划出多目标点的最优遍历顺序。首先,将若干个目标点用一个集合表示并应用在A*算法上面,实现A*算法多个目标点的路径规划;其次,引入人工势场法对多个目标点进行优先级判定,借助人工势场法计算各个目标点的势能值,之后利用人工势场法得到的势能值对目标点集进行排序,完成各个目标点之间的最优顺序;最后,对规划好的目标点集使用A*算法进行全局路径规划。为了验证该方法的有效性和先进性,将该算法进行消融实验,同时也与两种典型的多目标点规划算法进行对比。结果表明,该算法是有效的,能够在缩短路径规划时间和降低路径代价的同时规划出一条有效路径。

一种无人巡航船遍历多目标点的路径规划算法研究

针对无人巡航船遍历多目标点的路径规划问题,提出了一种混合的多目标点路径规划算法。首先,将多目标点路径规划问题转化为旅行商问题,并采用改进的灰狼优化算法规划出多目标点的最优巡航顺序。针对传统灰狼优化算法忽略环境因素的缺陷,通过在适应度函数中引入环境影响因子以反映障碍物和未知区域对路径规划的影响。然后,在上述规划好的多目标点巡航顺序的基础上,利用A*算法结合改进的人工势场法完成各个目标点之间的路径规划。针对传统人工势场法的目标不可达问题,通过优化斥力势场函数来解决。最后,分别在普通环境和复杂环境中与另外2种算法进行了仿真实验对比。实验结果分析表明,提出的算法是有效的,能够有效缩短路径规划时间,降低距离成本。

基于改进遗传算法的货箱机器人拣选路径规划

针对智能仓库中新型“货箱到人”拣选模式下多个货箱机器人拣选路径规划问题,给出了一种新的优化模型和改进遗传算法。基于货箱机器人的拣选方式及特点,将其转化为非对称车辆路径问题,以机器人总拣选路径最短和完成时间最少为双目标建立混合整数规划模型,设计改进的混合遗传算法对模型进行求解,并通过大规模算例验证了算法的有效性与稳定性。算例计算结果表明:所建模型及算法提高了货箱机器人的拣选效率,降低了运行成本。

基于多目标快速探索随机树的移动机器人巡检路径优化方法

针对移动机器人需要访问多目标的巡检路径规划问题,该文提出一种多目标快速探索随机树路径优化方法。首先,根据提供的环境地图与巡检目标点,该文采用一种RRT-Connect-ACO算法得到目标点的巡检顺序和可行路径;然后,通过引入信息子集,对路径进行优化,得到最终的最优路径。实验结果表明,与现有的多目标路径规划算法相比,该方法考虑了地形的影响,得到的最优路径更符合实际情况。

基于改进粒子群算法的移动机器人多目标点路径规划

针对移动机器人遍历多个目标点的路径规划问题,提出了一种基于改进粒子群算法和蚁群算法相结合的路径规划新方法。该方法将目标点的选择转化为旅行商问题,并利用蚁群算法进行优化,定义了每两个目标点之间的路径规划目标函数,利用粒子群算法对其进行优化。针对粒子群算法存在的早熟现象,将反向学习策略引入粒子群算法,并对粒子群算法的惯性权重和学习因子进行改进。性能测试结果表明,改进的粒子群算法能有效避免粒子早熟现象,提高粒子群算法的寻优能力及稳定性。仿真实验结果验证了新方法能有效地实现机器人的多目标点无碰撞路径规划。真实环境下的实验结果证明了新方法在机器人多目标点路径规划的实际应用中也具有有效性。

有障碍区域的多无人机多目标点路径规划

主要讨论了有障碍区的多无人机多目标点的路径规划问题.采用Dubins模型满足无人机的曲率约束,建立了含有混合变量的多约束优化问题,通过改进的遗传算法对优化问题进行求解,得到了满足基本约束条件的无人机遍历顺序和航向角,并确定了每个无人机的Dubins路径;给出了确定路径进入障碍区的检测方法,采用Dubins-快速扩展随机树算法对进入障碍区域的路径进行调优,得到了满足障碍约束条件的优化无人机路径.通过仿真算例对比实验,证明了所提算法的有效性.