移动机器人全覆盖路径的BINN-元胞自动机规划

为了实现机器人对工作区域的全覆盖,提出了基于生物激励神经网络-元胞自动机系统的全覆盖路径规划方法。介绍了生物激励神经网络算法的基本原理,分析了该算法在机器人陷入死区时无法逃逸的问题。基于元胞自动机系统设计了机器人逃逸机制,包括逃逸点的确定和逃逸路径的规划方法。在仿真环境下,将元胞系统逃逸机制与基本RRT、文献[10]的BINN-RRT逃逸机制进行对比,结果表明元胞系统逃逸机制的规划时间比基本RRT小2个数量级,比BINN-RRT小1个数量级,且逃逸路径短于另外两种方法,验证了元胞系统逃逸机制的有效性和优越性。基于BINN和元胞系统的全覆盖路径比BINN-RRT规划路径更加平滑,验证了全覆盖方法的优越性和有效性。

多无人机覆盖路径算法的设计

为了解决在野外和受灾地区中多无人机路径规划后任务负载不平衡问题提出一种基于覆盖路径生成算法STC和生成树覆盖算法的负载平衡多无人机覆盖路径算法,基于STC算法优化路径分区过程设计平衡切割算法迭代的优化路径分区负载权值,解决了多无人机在完成目标区域覆盖时工作负载不均的问题,通过对比仿真实验验证了方法的可行性。结果表明,此算法可以在有限资源限制条件下找到多无人机最优路径分区并有效平衡多无人机负载。

基于电子海图的无人艇集群区域覆盖路径规划

[目的]针对无人艇(ASV)集群区域覆盖问题,设计一种基于电子海图信息系统(ECDIS)的多无人艇区域覆盖路径规划方法。[方法]首先,通过提取ECDIS中的海陆和水深信息,建立基于栅格化方法的无人艇集群覆盖区域环境模型。其次,提出一种基于轮盘选择法的区域划分方法,解决基于初始位置的区域划分方法区域划分不规则的问题,实现在栅格地图中对无人艇集群覆盖子区域的合理划分。最后,构建一种基于模板法的区域覆盖路径规划方法,解决生成树覆盖方法路径转弯数量较多的问题。[结果]搭建基于ECDIS的无人艇集群人机交互仿真平台,验证所提基于轮盘法和模板法的区域覆盖路径规划方法对优化规划路径转弯数量的有效性。[结论]采用所提基ECDIS的无人艇集群区域覆盖路径规划方法,实现多无人艇对海上目标任务区域的覆盖路径规划。

基于改进RRT的清扫机器人全覆盖路径规划

针对钢筋轧制车间中大型非结构化环境下清扫机器人在全覆盖路径规划时所面临的算法运行成本高、避障性能差和区域覆盖率低等问题,提出了一种利用单元分解法分区覆盖和融合跳点搜索法的RRT区域转移的全覆盖路径规划算法。利用MCD(movement cell decomposition)算法实现自由区域覆盖,为了解决区域间路径规划时的避障问题,引入融合跳点搜索策略的RRT算法,通过增加节点扩展的导向性,使其更偏向目标区域进行搜索,并利用贪婪算法裁剪冗余点修正路径以及三次B样条曲线法平滑处理。通过仿真与实验验证了算法在不同环境下的可行性和有效性,相比于其他方法所规划的路径更短且大大降低了路径重复率,提高了机器人避障效率的同时实现了全区域路径覆盖。

基于生物启发神经网络的核辐射场区全覆盖路径规划

核辐射场区全覆盖路径规划对于辐射环境下区域作业者的辐射安全有重要意义。本研究基于生物启发神经网络算法,提出一种进行辐射剂量最优控制的全覆盖路径规划算法。首先,利用福岛核电站部分地形以及蒙特卡罗粒子输运程序分别构建模拟核辐射场区的障碍物分布和辐射剂量场,然后,采用Python语言进行算法仿真试验,模拟核辐射场区的每一个栅格定义为一个神经元,建立起生物启发神经网络,将栅格剂量率与神经元活性耦合实现路径规划的辐射剂量最优控制,分别采用单个、4个和8个移动单元进行仿真试验。结果表明:单个移动单元的规划路径在实现100%覆盖率,4%覆盖重复率的同时,能够优先覆盖低剂量区,延后覆盖高剂量区,实现了过程剂量和累积剂量的最优控制。为提高全覆盖的时间效率和获得更低的单体累积剂量,对算法进行多单元协同搜索的改进,结果表明:4单元和8单元仿真的覆盖重复率分别为5.72%和6.29%,1单元、4单元和8单元仿真完成全覆盖时间分别为30 min、9 min和4 min,时间效率成倍提高;最大单体累积剂量分别为4.11×10^(-3)mSv、1.28×10^(-3)mSv和0.85×10^(-3)mSv,也在显著降低。本文提出的算法能实现过程剂量和累积剂量最优控制的全覆盖路径规划,另外算法可以协同规划多单元路径,显著降低单体累积剂量,对辐射环境下区域作业的辐射防护有重要意义。

多机协同作业全覆盖路径规划

多机协同作业能够提升作业效率,节约作业时间,减少了农作物因收获不及时导致的粮食浪费。为此,以总的非工作距离和最长单车行驶距离为目标函数,建立虚拟的农田模型,将多机协同作业全覆盖路径规划问题转化为VRP问题,并使用改进的蚁群算法求解。仿真结果表明:改进后的算法有效;对比遗传算法和传统的蚁群算法,改进后的算法平均目标函数值分别降低了25.0%和11.25%;对比模拟退火算法,改进后的算法平均目标函数值降低了1.5%,算法稳定性更好,适用于更大规模农田的多机协同作业全覆盖路径规划问题求解。

车辆支持的多无人机多区域覆盖路径规划算法

针对无人机在区域侦察中的应用研究,提出车辆支持的多无人机覆盖侦察的车机协同模式与协同路径规划算法。以最小化任务完成时间为目标,考虑车辆路径所受的道路约束以及无人机的能量约束,建立混合整数规划模型,并设计基于迭代松弛思想的启发式算法。在构建的60 km^(2)的测试场景中随机设置16个目标区域,算法实现了车辆与无人机的覆盖路径规划,全部侦察任务完成用时为1.593 h,验证了车辆支持多无人机模式的可行性以及算法的有效性。

基于改进灰狼优化的桥梁检测爬壁机器人全覆盖路径规划

基于爬壁机器人对混凝土桥梁健康进行自动巡检是推动桥梁管养智能化的有效途径,而合理的路径规划对机器人全面获取检测数据尤为重要。针对爬壁机器人电源重量限制与巡检时能源补充困难这一工程实际问题,充分考虑主梁、高墩等桥梁构件巡检场景,将能量消耗指标作为性能评价优化目标函数并建立相应约束条件,进而提出全覆盖路径规划评价模型。针对传统灰狼优化(GWO)算法易陷入局部最优的不足,提出一种改进的灰狼优化(IGWO)算法。IGWO算法通过K-means聚类改善了灰狼初始种群在搜索空间难以保持相对均匀分布的特性;以非线性收敛因子提高算法局部开发能力和全局搜索性能;结合粒子群算法个体优越性的思想对位置更新公式进行改进,提升算法的模型求解能力。仿真对比实验结果表明,IGWO算法相较于GWO、差分进化(DE)与遗传算法(GA)等全局优化算法,稳定性更好,能耗降低了10.2%~16.7%,迭代次数与求解时间分别减少了19.3%~36.9%和12.8%~32.3%,路径重复率降低了0.23~1.91个百分点,同时路径长度缩短1.6%~11.0%。

不确定检测环境下强化学习覆盖路径规划研究

机器人扫描测量系统在汽车质量检测领域获得广泛应用,尤其数模环境下基于仿生优化算法的视点采样与路径规划研究取得较大进展。然而,基于名义数模环境的路径规划结果难以适用实际不确定性检测环境。为此,本文提出基于改进的蒙特卡洛树搜索的视点自适应采样方法,在线生成工业机器人运动轨迹。通过车门内板案例的对比分析,验证本文方法的有效性,为实现不确定制造环境下工艺路径的在线规划提供理论依据。

考虑子单元数量与起始位置的全覆盖路径规划

移动机器人的覆盖作业任务正朝着大面积和智能化方向发展,对全覆盖路径规划的覆盖效率与环境适应性提出迫切需求。为解决传统的牛耕单元分解法在复杂地图中适应性不足的问题,并提高覆盖效率,给出一种全覆盖路径规划方法。首先,在牛耕单元分解法的基础上,提出面积降序遍历与单调多边形判断的策略对子单元进行合并,减少约一半的子单元数量。最后,通过建立子单元起始位置与终止位置的映射关系,采用遗传算法优化子单元起始位置的选择和全局访问顺序。研究结果表明:1)文中算法在处理长宽为1300像素的地图时,能够在10 s内得到计算结果,并且相较于牛耕法、神经网络法和等高线法,计算时间随地图面积的增长率更小;2)相较于牛耕法、等高线法、神经网络法和能量最优法,文中算法的机器人总作业时间减少5.4%~47.0%,无效作业时间减少5.8%~29.2%;3)文中算法在1800张测试地图的平均覆盖率达到99.91%;4)统计检验进一步验证文中算法具有显著覆盖效率优势。

基于深度强化学习的无人机覆盖路径规划

为了提高覆盖路径规划任务的性能,提出了一种基于深度强化学习的多尺度地图无人机覆盖路径规划方法。首先对地图进行中心化和不同尺寸映射的处理,其次加入了Luong注意力机制,最后设计不同权重的奖励函数。实验表明改进后的无人机覆盖路径规划方法可以提高无人机对目标区域的覆盖范围以及成功着陆率。

自动翻晒谷物机器人的全覆盖路径规划研究

针对谷物机器人在场地进行翻晒作业时,由于场地中存在电线杆或其他限定因素,可形成机器人不可达区域,造成谷物机器人翻晒效率低等问题,提出改进A*算法的全覆盖路径规划方案。首先利用牛耕分解法、就近原则法、往返式弓子型遍历方法和A*算法完成整个翻晒场地的全覆盖路径规划。其次通过对传统A*算法进行研究分析,对其估价函数进行优化,较传统A*算法相比减少无用节点的搜索,节约搜索时间。另外针对改进A*算法规划出的路径转折点多等问题,本文利用贝塞尔(Bezier)曲线对路径拐点进行平滑处理,同时通过增加控制点的方式对Bezier曲线进行改进,使优化的路径更加安全。最后,实验结果表明,本文提出的方法可完成100%覆盖,说明了该方案的有效性,具有一定的应用价值。

基于BSO-GA算法的机器人子区域覆盖路径规划

为解决传统子区域覆盖路径规划方法的环境普适性不足等问题,课题组设计了专门的头脑风暴-遗传算法BSO-GA。对原始头脑风暴算法个体更新方式进行了改进,单个个体更新采用遗传算法移位、倒位和换位算子的思想,混合个体更新采用贪心交叉算子。实验结果表明:BSO-GA在距离、运行时间上均优于头脑风暴算法、遗传算法、模拟退火算法和遗传-模拟退火算法;无论在普通作业环境还是特殊作业环境,该算法覆盖率均能达到100%,且没有路径交叉及重复现象,能够较好地完成覆盖任务。

已知环境下一种高效全覆盖路径规划算法

提出一种基于栅格表示的非结构化环境下移动机器人的高效全覆盖路径规划算法.移动机器人采取内螺旋算法从起始点进行覆盖,当陷入覆盖死角时,采用野火法搜索周边离它最近的未覆盖点,找到后按A*算法规划出一条路径到达新的覆盖起点,直到全部覆盖为止.仿真结果表明该算法的覆盖率达到100%,重复率较其他算法低.而且从理论上进一步证明了该算法的有效性.

基于改进神经网络的多AUV全覆盖路径规划

针对三维环境下的多自主水下机器人(AutonomousUnderwaterVehicle,AUV)全覆盖路径规划问题,提出一种基于改进神经网络—Glasius生物启发神经网络(GlasiusBio-inspiredNeural Network,GBNN)的全覆盖路径规划算法。对AUV的水下工作环境构建离散的三维栅格地图;根据栅格地图,建立相对应的三维GBNN模型;根据GBNN活性值的动态变化,AUV规划各自的搜索路径,对水下任务区域进行全覆盖搜索。仿真结果表示,多AUV可以协同完成覆盖搜索任务,能够自动避开各类静态和动态的障碍物,自动逃离路径的死锁区。

无人机覆盖路径规划中转弯机动的运动学分析

针对无人机覆盖路径规划过程与机器人的不同,对无人机转弯机动的运动学特性进行了分析。建立了无人机转弯机动的数学模型;证明了转弯过程比直线平飞需要耗费更多的燃油;推导出了转弯过程中,给定巡航速度下最省油的法向过载计算公式;分析了转弯过程中探测区域移动路线与无人机移动路线之间的关系,并分三种情况给出了转弯过程中转弯路程和转弯时间的计算公式。

智能机械全覆盖路径规划算法综述

全覆盖路径规划算法是智能移动机械的核心内容之一,涉及军事、农业、生产制造和民用等多个应用领域,而应用环境包含了空中、地面和水下,因此关于全覆盖路径规划算法的研究具有很高的科研价值;从全覆盖路径规划算法的基本概念、工作条件、应用背景、国内外研究现状等方面对目前主流的规划算法进行了综述;根据工作环境信息是否已知,将其归类为"离线式"和"在线式"两种工作方式,并从覆盖完整程度、工作效率、能耗成本和实现难易程度等方面分析讨论了各种算法的优势与不足之处,并对全覆盖路径规划算法的研究趋势进行了展望。

园艺电动拖拉机作业全覆盖路径规划算法研究

提出了一种园艺电动拖拉机作业全覆盖路径规划算法,通过栅格法建立2.5D作业环境空间模型,结合改进遗传算法研究了电动拖拉机全覆盖路径规划算法,建立了基于遗传算法平面行驶路径长度、转向次数和行驶总高程差的多目标适应度函数;改进交叉、变异算子,以提高算法执行效率与降低行驶重复率。仿真实验表明:对比传统全覆盖路径规划算法,基于改进遗传算法的全覆盖路径规划算法平均转向次数减少9.3个,平均行驶栅格总数减少13.2个,重复栅格减少11.7个,行驶总高程差的均值小14.01m,重复率降低3.72%。因此,文中的全覆盖路径规划算法效率更优。

质心Power图下覆盖路径规划算法

覆盖路径规划算法广泛应用于移动传感网络、群机器人系统等领域。研究基于质心容量限制Power图下的覆盖算法,对经典Lloyd方法进行扩展,在生成质心Power图的Lloyd算法基础上,改进后得到可用于路径规划的PD-Lloyd算法,考虑实际场景中个体移动的物理特性,给出两种优化策略,以增强算法效果和可信性。实验证明:该算法稳定性好,具有内在避碰特性,能产生较优的运动路径。

移动机器人全覆盖路径规划算法综述

各种应用型移动机器人的设计是目前研究的焦点,它具有广阔的科研价值和市场前景,而路径规划技术是其中关键技术之一。本文系统总结了当前全覆盖路径规划算法的主要研究成果,并在覆盖效率、算法实现难易等指标方面进行比较剖析,探讨了各种算法的优势和不足。最后,提出进一步研究的方向。