基于强化学习的航空器机场智能静态路径规划

随着人工智能迅速发展以及"智慧机场"的提出,研究人工智能在机场如何有效地辅助机场管制人员,驾驶员指挥航空器在地面滑行具有重要意义。本文提出一种基于强化学习的滑行路径规划方法,构建航空器机场地面强化学习移动模型,并以海口美兰机场为案例采用Python内置工具包Tkinter进行场面仿真;在此基础上,考虑机场航空器滑行规则,采用Off-Policy中Q-Learning算法求解贝尔曼方程,实现航空器在Modelbased环境中进行静态路径规划。结果表明:本文所提方法能够实现停机位到跑道出口智能静态路径规划。

基于极值法的静态路径规划算法

针对传统路径规划算法在求解静态已知环境下的最优或次优路径时存在转折次数过多、路径复杂等问题,提出一种基于极值法的移动机器人静态路径规划算法。在对环境建模时,采用边界点集描述障碍物不可行区域的轮廓信息;在路径规划过程中,首先判断当前出发点到目的点之间是否有障碍物,然后利用极值法获得转折点,进而得到初步路径,同时为后续利用极值法获取新的转折点提供计算与判断依据。仿真结果证明了该算法的有效性。

基于A＊算法的车辆最优静态路径规划

经济和技术的高速发展,使车辆更加有可能进入普通家庭的生活中,扩展了人类活动的范围和路径,但是也给出行者提出了新的困难和挑战。车辆的静态最优路径规划策略,是利用存储于车载系统的固有静态地图数据,查询始末道路路口节点的最优道路路径算法。静态最优路径规划策略的研究不仅是自主式车载导航信息系统的主要道路路径搜索方法;也是智能交通系统中,基于实时动态路况信息的中心式车辆导航系统的动态路径规划基础。本文应用启发式的路径规划策略A-star(A*)算法,实现了车辆的静态最优路径规划。

机器人路径规划方法的研究现状与展望

移动机器人研究中的一个重要领域是机器人路径规划方法,它分为环境信息完全已知的路径规划和环境信息完全未知或部分未知的路径规划,通过对机器人路径规划方法研究现状的分析,指出了各种方法的优点及不足,并对其发展方向进行了展望。

基于改进蚁群算法的移动机器人路径规划

为了提高移动机器人在复杂静态环境下快速、精确地实现避障路径规划的能力,在蚁群算法的基础上进行改进,采用最优-最差蚂蚁系统,并且引入最差路径信息素自适应参数以更好地寻找全局最优解。搜索过程中引入起点终点引导函数,优先搜索距离起点远而距终点近的节点。为提高算法的实用性,运用几何方法对路径进行修正处理。从而实现了机器人的快速、精确路径规划。通过计算机仿真研究表明:该算法具有较强的实用性,能明显改善路径规划性能,并且算法简单有效。

基于路由选择的城市道路车辆转向换道区域设置

为了减少因随机换道产生的延误,提出基于路由选择的车辆换道区域设置,即通过设置城市路段固定换道区域及制定车辆可变限速策略,将其转化为基于路由选择的车辆静态路径规划问题.利用VISSIM仿真软件,初建车辆换道场景,设计试验分析换道区域设置对城市道路车辆运行情况的影响;汇总数据并借助MATLAB进行数据拟合,得出在不同速度、流量及转向比例条件下的最佳换道区域设置长度.进行了有、无控制策略对比试验.结果表明:在565 m的仿真路段中,设置车辆换道区域、制定路径引导策略后,车辆换道次数减少了106次,车辆平均行程速度增加了12.13%,平均行程时间减少了10.80%,降低了因随机换道造成的延误,有效提高了区域路网的运行效率.