基于近端策略优化的两栖无人平台路径规划算法研究

为解决水陆两栖无人平台在复杂环境中的路径规划问题,针对传统方法难以应对动态障碍物和多变环境的局限性,提出了一种基于近端策略优化(PPO)的路径规划算法,包含四种感知信息输入方案以及速度强化奖励函数,适应动态和静态环境.该算法通过批次函数正则化、策略熵引入和自适应裁剪因子,显著提升了算法的收敛速度和稳定性.研究中采用了ROS仿真平台,结合Flatland物理引擎和PedSim插件,模拟了包含动态障碍物的多种复杂场景.实验结果表明,采用BEV+V状态空间输入结构和离散动作空间的两栖无人平台,在路径规划中展现出高成功率和低超时率,优于传统方法和其他方案.仿真和对比实验显示采用鸟瞰图与速度组合的状态空间数据结构配合速度强化奖励函数算法提高了性能,收敛速度提高25.58%,路径规划成功率提升25.54%,超时率下降13.73%.

多障碍环境下巡检机器人路径规划优化研究

针对大规模、密集的障碍物分布,高效地搜索最佳路径是一个挑战,为规划出更短的巡检路线,并实现多障碍环境下的灵活避障,文中提出一种多障碍环境下巡检机器人路径规划优化方法。使用二维矩阵构建巡检环境模型,应用D*算法在巡检环境模型中进行巡检机器人路径规划,并将传统D*算法中的扩展步长方式改变为自适应扩展步长,使机器人在面积较大的巡检场地能够更快地完成巡检;将代价函数由欧氏距离替换为切比雪夫诺距离和曼哈顿距离融合的代价函数,并引入了平滑度函数优化线路规划结果,使规划的路径更为平滑,在遇到由于多种原因产生的新障碍物时可以重新规划路径。通过实验结果可知,无论是静态地图还是动态地图,该方法均可以快速准确地规划出一条最佳路线,并且在多种环境中应用该方法能够高效获取路径规划结果。

基于改进APF-QRRT^(*)策略的移动机器人路径规划

针对Q-RRT^(*)算法在路径规划过程中无法兼顾可达性和安全性的问题,提出一种改进APF-QRRT^(*)(IAPF-QRRT^(*))路径规划策略。IAPF-QRRT^(*)策略通过Q-RRT^(*)算法获得一组连接起点到终点的离散关键路径点,较传统的快速搜索随机树(RRT^(*))算法具备更好的初始解和更快的收敛速度。改进传统人工势场(APF)方法获得一种新的无势正交向量场,在一定条件下使整体排斥向量场与吸引向量场正交,并将其作用于关键路径点,从而提高路径的安全性。将IAPF-QRRT^(*)策略与其他算法比较,通过数值模拟实验证明了所提策略的有效性。

基于改进人工势场法的避障路径规划研究

传统的人工势场法(APF)在路径规划领域因其简单性和高效性而被广泛采用,然而,这种方法往往会遇到局部最小值的问题,并且在动态环境中的适应性有限。为了解决这些问题,文中提出一种基于模拟退火算法(SA)改进的人工势场法。该改进方法结合人工势场法的实时避障能力和模拟退火法的全局优化特性,在所提出的改进方法中,通过在局部极小值附近添加随机目标点,使用模拟退火算法进行优化,从而有助于跳出局部最小值,并逐渐逼近全局最优或近似最优解。通过一系列的仿真实验表明,与传统人工势场法相比,基于模拟退火法的改进方法能够显著减少陷入局部最小值的情况,并在多种动态场景中表现出更强的鲁棒性和更优的路径规划效果。此外,该方法还展现了良好的实时性和适应性,能够满足车辆在复杂动态环境中进行避障和路径规划的需求。

元启发式算法在植保无人机路径规划中的研究进展

随着无人机系统技术、传感器技术和人工智能算法等相关技术的不断发展,植保无人机路径规划技术在农业生产中备受重视,并被广泛应用。作为航空植保的关键技术之一,植保无人机路径规划面临的是一个复杂且多约束的组合优化问题。传统算法往往难以得到理想的结果,而元启发式算法则因其高效率成为解决该类优化问题的有效手段。为此,首先介绍了农业航空中的路径规划,随后总结出了植保无人机路径规划的关键要素,并使用更为合理的分类方式进行归纳;其次,从算法层面对相关研究所采用的元启发式算法进行分类和梳理,并阐述了其在实际应用中的现状,且根据提出的分类方法和研究特点,全面地归纳了当前的研究成果;最后,针对目前植保无人机路径规划研究存在的问题提出了几条可行的发展思路。

大邻域多约束无人机数据收集路径规划

在公网受限的应急环境中,利用无人机辅助物联网能促进传感数据的及时传递。当考虑无线通信距离时,无人机作为移动收集器在有限续航时间内收集尽可能多的传感数据的路径规划可建模为足够近定向问题(CEOP)。现有求解CEOP的算法是逐个计算目标节点的访问顺序及其邻域内的采集点,这在节点邻域较大并覆盖周围多个节点时效率低下,这些方法也没有考虑数据传输时间和无人机遥控距离等约束。为此,建立了大邻域多约束无人机数据收集路径规划的数学模型,提出了基于贪婪随机自适应搜索过程(GRASP)的GRASP-LN算法进行求解。该算法不重复计算重合的采集点,而是维护路径每个航点采集的节点集合,无人机在每个航点悬停一段时间以收集集合内节点的数据。公开的CEOP数据集的实验结果表明,GRASP-LN比GSOA、VNS和GRASP_(opt)具有更好的求解质量和更短的计算时间。与基线算法GRASP_(opt)相比,GRASP-LN的路径奖励平均提高了5.86%,最大提高了14.91%,执行时间平均减少了69%,特别在节点邻域平均覆盖4.67个以上节点时,GRASP-LN的路径奖励和稳定性均优于GRASP_(opt)。考虑数据传输时间和无人机遥控距离约束的实验验证了GRASP-LN算法对考虑这些约束的无人机数据收集路径规划问题的有效性。

具有避障功能的农机自动作业全覆盖路径规划方法

针对不同尺寸和类型障碍物条件下的农机车辆自动作业全覆盖路径规划问题,提出了静态全覆盖路径规划方法和路径优化方案。根据矩形田块信息、障碍物信息、农机最小转弯半径和机具宽度,自动选定作业方向、作业行距、地头转弯区域和转弯模式等参数;根据障碍物形状、高覆盖率高作业路径比的需求,对算法进行优化调整,以达到更好的作业效果。软件仿真测试结果表明:对有小矩形障碍物的田块,改进后的算法覆盖率提升了0.11%,重复率降低了0.71%;对大矩形障碍物的田块,两种分区路径的覆盖率分别为89.24%和98.08%,重复率分别为3.53%和2.84%。研究结果表明:算法提高了田块的利用率,降低了作业成本,能够有效避开大小障碍物,同时满足高覆盖率和低重复率的田间作业要求。

改进Informed-RRT^(*)算法的移动机器人路径规划

针对Informed-RRT^(*)算法初始路径形成缓慢、失败率高及路径质量差的问题,提出基于人工势场法的选点策略。首先,筛选出优质采样点,同时,引入双向直连的贪心策略和动态步长策略,快速获得初始路径并尽快进入遍历寻优阶段;其次,通过新的采样策略及评价函数,保证规划路径更优;最后,对路径优化处理,所得路径更适合移动机器人的行驶。仿真实验结果表明,改进算法相比于Informed-RRT^(*)算法性能更优,其中,改进算法在不同环境中的成功率均为100%,同时也证明了在限定采样次数下改进算法的收敛速度、路径质量均优于原算法。

基于改进卷积神经网络的机器人避障路径规划

由于机器人在运动过程中,无法及时更新机器人位置方向和坐标,使得目标不是全局最小点,导致机器人无法有效避障。为此,提出了基于改进卷积神经网络的机器人避障路径规划方法。使用基于改进卷积神经网络的双线性内插方法,计算目标点坐标。通过动态窗口法评估函数,计算扩展距离。构建极大值损失函数,通过递减学习,使类别内的特征聚合度和类别间差异性达到最大。通过机器人在环境中的运动来估计机器人位置,计算机器人的平移速度、角速度,并更新机器人位置方向和坐标。构建改进后排斥函数,计算神经元中心点到目标神经元中心点的距离,规划避障路径。实验结果表明,该方法能够避过全部障碍物,且规划的起始点和目标点之间距离与实际距离一致。

一种基于物联网动态调度的电梯智慧维保救援路径规划系统研究

针对我国当前电梯维保和救援调度现状进行了分析,并结合国内外相关领域的研究成果,发现现有电梯维保和救援调度技术普遍存在依赖人工判断、缺乏物联网等信息化技术的支撑等问题,难以满足大规模、多样化的维保和救援需求。基于此,开展了基于物联网动态调度的电梯智慧维保救援路径规划系统的研究设计。设计了基于物联网动态调度的电梯智慧维保救援路径规划方法,通过获取故障点的位置信息、维保人员的实时位置、日定额工作时长等数据,并调用Web Service API来实现日常维保路径的规划;设计了电梯智慧维保路径更新模型,可以根据维保人员的实时工况变更维保路径规划,确保各项维保任务能够灵活、高效且高质量地完成;设计了纳入突发应急救援任务的维保路径规划模型,以突发应急或救援任务为起始点,合理调度相关维保人员,确保及时的故障救援响应。该系统可实现维保和救援路径的合理分配和智慧优化,为电梯的安全监管和智慧运维提供有力的技术支撑。

融合改进A^(*)算法与动态窗口法的煤矿足式机器人路径规划

为提高煤矿足式机器人路径规划算法的运行效率、搜索精度及避障灵活性,提出了一种融合改进A^(*)算法与动态窗口法(DWA)的煤矿足式机器人路径规划方法。首先对A^(*)算法进行改进,通过去冗余节点策略减短规划路径的长度,通过改进邻域搜索方式和代价函数提高路径规划速度,采用分段二阶贝塞尔曲线进行路径平滑。将改进A^(*)算法规划出的路径节点依次作为局部路径规划DWA的局部目标点进行算法融合,筛选邻近的障碍物节点,从而再次缩短路径长度,并通过调整DWA代价函数中的权值比例提升避障性能。针对机器人遇到无法避开的障碍物而陷入“假死”状态的问题,以当前初始点为起点,重新调用融合算法,即重新进行全局路径规划,将得到的新节点代替原有的局部目标点,按照新路径进行后续工作。仿真结果表明:在保证机器人行走安全稳定的基础上,改进A^(*)算法较传统A^(*)算法的计算时间缩短了65%,路径长度缩短了24.1%,路径节点数量减少了27.65%,最终得出的路径更为平滑;融合算法进一步提升了全局路径规划能力,在多障碍物环境下能够绕开新增的动态和静态障碍物;机器人遇到“L”型障碍物进入“假死”状态时,在“假死”位置重新进行全局路径规划,更新行走路径,成功到达了最终目标点。基于融合算法的JetHexa六足机器人路径规划实验结果验证了融合算法的有效性和优越性。

近海复杂环境下UUV动态路径规划方法研究

为解决近海环境下水下无人航行器(unmanned underwater vehicle,UUV)的动态路径规划问题,本文提出一种结合全局和局部动态路径规划的算法。首先,本文提出一种基于自适应目标引导的快速拓展随机树算法,以增加随机树生长的方向性,并通过转向和重选策略减少无效拓展加快算法的收敛速度。接着,获得全局路径之后使用自适应子节点选取策略获取动态窗口法的子目标点,将复杂的全局动态任务规划分解为多个简单的动态路劲规划,从而防止动态窗口法陷入局部极小值。最后,通过UUV出港任务仿真实验验证了算法的有效性和实用性。

温室植保机器人覆盖式路径规划方法研究

针对温室环境植保作业的特点,提出了一种针对温室植保机器人的覆盖式路径规划方法。首先通过UWB-IMU对机器人位姿进行估计,解决了激光里程计在温室行间失效的问题,并利用位姿估计结果与激光雷达数据融合建立温室地图。设计了作业点和可通行区域识别方法,完成了基于A∗算法的温室植保作业区域全覆盖路径生成方法和基于贝塞尔曲线法的作业路径平滑方法,最终得到了满足温室植保作业要求的全局路径。基于DWA算法对机器人实际作业过程中进行动态规划。最后基于仿真平台CoppeliaSim对上述方法进行了验证,实验结果表明,机器人能有效跟随全局路径,完成覆盖作业任务。

基于改进蚁群优化算法的AUV三维路径规划

针对蚁群算法在三维路径规划时收敛速度慢且难以收敛至最优的缺点,提出一种新的改进蚁群算法,并将其应用于自主式水下机器人(autonomous underwater vehicle,AUV)三维路径规划。与现有算法相比,改进算法优点主要体现在3个方面:首先,引进伪随机状态转移概率提升算法全局搜索能力;其次,将距离和轨迹限定因子引入启发式函数,距离因子保证搜索不断趋近目标点,在轨迹限定因子约束下,轨迹累计转角更小,以此提升收敛速度和精度;最后,通过扩大信息素增量差距并逐步提高信息素衰减系数,进一步提高路径规划效率。实验结果表明,改进蚁群算法能够获得累计转角更小路径,且路径长度更小,收敛速度更快。

巡查机器人路径规划算法与应用综述

巡查机器人被广泛应用于安防、工业检测、建筑维护、环境监测等领域,能够实现自主运行、任务执行和巡逻勘察。巡查机器人路径规划是一项关键技术,其准确性和高效性对于实现自主操作和任务执行至关重要。为了更好地解决巡查机器人的路径规划问题,分析并总结了当前研究进展,包括全局路径规划算法和局部路径规划算法。同时,还分析了巡查机器人路径规划面临的挑战,如复杂环境、动态障碍物和实时性等方面的要求。重点介绍了智能路径规划方法,并展望了未来巡查机器人发展的趋势。

改进A^(*)算法和人工势场法的路径规划

A^(*)算法存在折线路径多和搜索节点多的问题,人工势场(artificial potential field,APF)法存在局部最优和不可到达的问题,针对两种算法存在的问题进行了研究。利用欧氏距离与投影距离提出一种新的混合式启发函数,依据该函数对A^(*)算法的流程进行改进,减少A^(*)算法的搜索节点,提高搜索效率。利用新A^(*)算法生成的最优节点作为APF算法的局部目标点,辅助机器人摆脱局部最优点;通过加入机器人和目标点的位置关系改进势场函数,修改斥力的增益,优化斥力的生成方向。在改进的基础上将两种算法融合提出一种新的算法,利用APF法的势场函数引导A^(*)算法的搜索。从路径长度、避障效果、迭代次数对改进算法进行对比分析,仿真结果表明,提出的改进算法搜索效率高,实现避障的同时保证计算的路径最优。

基于多策略融合改进粒子群算法的路径规划研究

针对传统粒子群算法(particle swarm optimization,PSO)在路径规划中易陷入局部最优使得规划路径较长以及搜索后期由于种群多样性降低容易陷入停滞等问题,提出一种多策略融合粒子群算法(multi-strategy fusion particle swarm optimization,MFPSO)并将其应用于路径规划中。首先,利用中垂线算法(midperpendicular algorithm)的粒子位置更新方法提升粒子的收敛速度;其次,在最优粒子附近采用生成爆炸粒子的策略使算法跳出局部最优;然后,引入线性动态惯性权重调整方法,增加算法的搜索能力;最后,在路径规划应用中采用全局最优解局部搜索策略,在算法后期得出的最优路径再进行局部搜索得出更优的路径,增加机器人路径规划能力。仿真结果表明,多策略融合粒子群算法在路径规划中具有更高的路径搜索能力。

采用社会约束自适应动态窗口法的服务机器人路径规划

针对传统动态窗口法在行人密集环境下动态路径规划存在灵活性差、效率低、安全性缺乏等问题,提出一种社会交互空间下基于社会约束自适应动态窗口法(social_DWA),并采用其解决服务机器人局部路径规划问题。首先,采用非对称高斯公式对单行人以及多人群组交互空间进行模型化描述;其次,在传统动态窗口法的基础上,采用动态行人方位角约束对动态行人进行避让;改进距离评价函数,分类决策与行人、多人群组、一般障碍物的安全距离;最后,提出速度权重自适应调整策略,优化服务机器人在途经不同密集度社会交互区域时的移动速度。为验证算法有效性,在两种模拟社会场景下,先后开展了social_DWA算法与传统DWA算法、FIDWA算法的路径规划仿真对比实验。结果表明:采用social_DWA算法所消耗的运动时间在场景1中较传统DWA和FIDWA算法分别缩短了1.53、0.43 s,在场景2中较传统DWA和FIDWA算法分别缩短了26.3、2.86 s;相较于传统DWA算法和FIDWA算法,social_DWA算法能保持有效的行人安全距离,并使运行轨迹更加合理。social_DWA算法在行人避让、环境适应能力等方面具有一定的优越性。

AGV路径规划及避障算法研究综述

自动导向车(Automated Guided Vehicle,AGV)目前被广泛应用于物流、仓储、制造业和仓储等领域.AGV的路径规划和避障算法是实现AGV自主导航的关键技术,决定了AGV在复杂环境中能否高效、安全地完成任务,近年来成为AGV领域的重要研究热点之一.本文根据AGV路径规划及避障算法的原理与特点,将主流AGV路径规划及避障算法划分为局部避障路径规划算法、基于几何模型的路径规划算法、智能路径规划算法和混合算法4类,对算法的原理、工作流程、优缺点进行了深入分析,并介绍了相应的改进算法.最后,本文对AGV路径规划及避障的未来发展趋势进行展望,为AGV路径规划及避障算法的研究指出了方向.

基于改进人工势场法的AUV全局路径规划

目的为了解决AUV(autonomous underwater vehicle)在传统人工势场法路径规划过程中存在的碰撞、目标不可达和局部极小值等问题,方法提出一种基于改进人工势场法(improved artificial potential field,IAPF)的AUV全局路径规划算法。首先为解决引力过大导致的碰撞问题,引入作用阈限制目标点的吸引力;然后在斥力场添加距离修正因子修正斥力函数,防止目标点离障碍物过近时,由于斥力大于引力引起目标不可达现象,同时考虑到障碍物大小的不等性会影响斥力的作用范围,对障碍物的最小安全距离进行修改;最后在此基础上添加外力,利用外力和势场力的共同作用使AUV沿切线方向行驶,从而摆脱局部极小点或陷阱区域。结果仿真实验结果表明,本文算法能够规划出一条最优路径,与同类算法相比,本文算法运行时间短,成功率高。结论本文提出的基于改进人工势场法的AUV全局路径规划算法,通过引入作用阈、距离修正因子、最小安全距离修正以及外力作用,有效解决了传统人工势场法在AUV路径规划中存在的碰撞、目标不可达和局部极小值等问题。