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。

改进A^(*)算法的安全高效室内全局路径规划

针对A^(*)算法生成路径存在斜穿障碍物、转折点多及不平滑的情况,本文提出一种改进的A^(*)算法。首先通过排除所有强迫邻居节点来优化搜索邻域,避免生成斜穿障碍物的路径,提升路径的安全性和可靠性;其次设置安全距离,提取优化邻域后生成路径的必经转折点,减少路径冗余,简化路径结构;最后使用贝塞尔曲线对必经转折点进行插值,根据相邻两必经转折点的位置和连线斜率确定每段贝塞尔曲线控制点的数量和位置,进行分段平滑。仿真实验表明,改进的A^(*)算法较原A^(*)算法生成的路径安全性平均提升了33.68%,转折点个数平均减少了37.00%,同时机器人转向角和路径曲率连续,保证了路径的平滑。改进的A^(*)算法最终生成的路径与障碍物均保持在安全距离内,转折点少且平滑,可应用到移动机器人室内路径规划中。

基于A^(*)-动态窗口法的无人船动态路径规划算法

为使无人船在复杂的海上环境具备自主路径规划能力,保证其能够在未知环境中避开障碍物并准确到达目的地,结合A^(*)算法的全局最优特性和动态窗口法的实时性,提出了一种新的无人船动态路径规划算法。将A^(*)算法规划的路径点作为动态窗口法的局部目标点,并在中间路径点不可达时及时重新规划全局路径,形成了A^(*)-动态窗口法。动态环境下的仿真结果表明:该融合算法能引导无人船通过平滑的路径顺利到达目标点,证明了该算法的合理性和有效性,而与多种传统算法的对比结果,验证了所提A^(*)-动态窗口法的优越性。

改进A^(*)算法的移动机器人全局路径规划

针对A^(*)算法在移动机器人路径规划存在搜索效率低,路径斜穿障碍物顶点,路径拐弯多等问题。提出一种改进的A^(*)算法,首先在A^(*)算法的邻域扩展中采用避免斜穿障碍物顶点的策略;再引入障碍物因素对评价函数进行指数加权,减少不必要的搜索,提高A^(*)算法的效率和灵活性,使算法偏向于选择障碍物较少的路径;最后使用三次优化折线的策略,加入障碍物安全距离,减少路径上的冗余节点和拐弯。使用MATLAB进行实验仿真,结果表明,在20 m×20 m、40 m×40 m、60 m×60 m栅格地图环境下,改进A^(*)算法较传统A^(*)算法,搜索时间分别减少70.12%、84.31%、91.44%,扩展节点分别减少53.77%、71.20%、74.30%,路径累计拐弯角度分别减少70.48%、76.31%、82.18%,改进A^(*)算法能够有效的提高移动机器人路径规划的效率,路径更为平滑和安全,且在复杂环境中优势更为明显。

基于改进A^(*)算法的AGV全局路径规划

采用八邻域搜索策略的传统A^(*)算法对AGV(自动导引车)进行全局路径规划时,存在搜索邻域过多、实时性差和生成路径拐点多等问题,本研究采用三邻域与八邻域混合搜索策略对传统A^(*)算法的搜索策略进行改进,改进后的A^(*)算法在当前搜索点周围不存在障碍物时,选取指向终点的三个栅格作为搜索邻域,当搜索点周围出现障碍物,则转换为传统的八邻域搜索,并在完成搜索后,对搜索路径进行拉直处理,消除多余拐点,减少路径长度。仿真实验结果表明,改进A^(*)搜索算法能有效缩短搜索时间、减少路径拐点数量并缩短路径长度,提高AGV运行效率。

基于改进A^(*)算法的多AGV路径规划及避障研究

针对多自动导引运输车(automated guided vehicle,AGV)路径规划与避障问题,考虑AGV行驶中启、制动速度与转弯角度对行驶时间的影响,根据不同冲突类型制定避障策略,以所有AGV行驶总时间最短为目标,建立多AGV路径规划与避障模型,并设计改进A^(*)算法进行求解。对两组数量不同的多AGV进行路径规划与避障仿真,结果表明:相较于一般A^(*)算法,基于改进A^(*)算法的多AGV路径规划及避障总时间优化率分别为10.0%和10.5%,总路径长度优化率分别为7.1%和7.8%。与其他改进智能算法的进一步比较证实,改进A^(*)算法在缩短路径规划用时和路径长度方面具有明显优势。本文提出的改进A^(*)算法可高效地规划出多AGV运行的无碰撞路径,其改进思路也贴切反映了AGV的实际运行工况。

基于AIXM数据集和改进A^(*)算法的直升机路径规划

针对AIXM数据集(aeronautical information exchange model dataset)在通航应用研究缺乏,以及经典A^(*)算法在直升机路径规划问题中转弯节点多等问题,提出了一种基于AIXM数据集的改进A^(*)算法直升机路径规划方法。首先,分析了AIXM数据集的时空属性,设计了基于时空属性搜索的AIXM障碍物数据查询方法,为进行直升机路径规划奠定了数据环境基础;然后结合直升机性能限制构建了碰撞判断包围盒,基于碰撞包围盒改进经典A^(*)算法,利用AIXM数据障碍物数据与航线数据,提出了一种直升机路径规划方法;通过python与Luaid AIXM 5 Viewer对该方法进行了仿真实验表明,所提方法规划的直升机路径转弯节点少,降低了直升机转弯的频率,规划路径短且符合路径与障碍物之间的安全距离要求。本文研究是将AIXM数据集利用于通航航空情报服务的创新尝试。

融合改进A^(*)算法与动态窗口法的移动机器人路径规划

为解决移动机器人在随机障碍物环境的导航过程中,使用A星(简称A^(*))算法出现碰撞导致路径规划失败的问题,设计了一种融合改进A_(*)算法和动态窗口法(dynamic window approach,DWA)的全局动态路径规划方法。首先,从以下两方面改进传统A^(*)算法:混合使用4邻域和8邻域A^(*)搜索算法,与通过删除冗余路径点和转折点来提高路径的平滑性;接着将改进A^(*)算法与DWA融合,利用融合算法使移动机器人进行全局实时动态路径规划。Matlab仿真试验结果表明,改进后的A^(*)算法较传统A^(*)算法不会使机器人穿越障碍物及其顶点,这有效减少了碰撞,从而提高了安全性;融合DWA后,在获得全局最优路径的基础上,能避开静态随机障碍物和动态障碍物,这证明了融合算法有良好的路径规划能力。

基于改进A^(*)算法+LM-BZS算法的农业机器人路径规划

针对目前农业机器人在全局路径规划过程中存在规划效率低、规划路径折线段多、折线角度大、作业不稳定等问题,以果园履带机器人为运动学模型,提出一种基于改进A^(*)算法+低阶多段贝塞尔曲线拼接(Low-order multi-segment Bezier curve splicing,LM-BZS)算法的路径规划方法。首先,根据先验地图获取果园环境信息,将果树和障碍物视作不可通行区域,并结合机器人本体尺寸,对不可通行区域进行膨胀拟合处理;然后,利用改进A^(*)算法搜索路径,对初步生成路径进行树行节点调整;最后,采用LM-BZS算法对调整后的路径点进行优化处理,生成符合果园履带机器人作业要求的行驶路径。仿真试验结果表明,相较于传统A^(*)算法,本文所提出的改进算法在无障碍和有障碍环境中,路径规划时间分别减少76.75%、86.40%,节点评估数量分别减少36.68%、39.37%;经LM-BZS算法优化所得路径在无障碍环境中,相较于传统A^(*)算法和高阶贝塞尔算法,平均曲率分别降低45.81%、18.94%;在有障碍环境中平均曲率分别降低56.98%、27.81%。场地试验结果表明,果园履带机器人在对本文算法生成路径进行跟踪行驶时,在无障碍和有障碍环境中,最大横向误差分别为0.428、0.491 m,平均横向误差分别为0.232、0.276 m,平均航向偏差分别为11.06°、13.76°,符合果园履带机器人自主行驶条件。

融合改进A^(*)算法和动态窗口法的自动驾驶路径规划

针对自动驾驶汽车路径规划全局最优、耗时最优和避障的需求,提出一种改进A^(*)算法和动态窗口法的融合算法。A^(*)算法主要从启发函数、权重系数、搜索邻域和搜索策略4个方面进行改进,动态窗口法主要改进评价函数。利用改进后的A^(*)算法和双向A^(*)算法完成栅格地图上的全局路径规划,去除冗余节点并平滑处理优化全局路径,利用融合动态窗口算法进行局部路径规划,完成避障。与传统的A^(*)算法相比,改进的A^(*)算法和双向A^(*)算法搜索全局路径耗时和节点显著减少,优化的A^(*)算法与动态窗口法的融合算法具有更高的效率、更好的路径规划能力和避障能力。

基于圆弧样条参考路径的改进混合A^(*)泊车路径规划算法

在泊车空间狭窄的条件下,现有的基于混合A^(*)算法的泊车路径规划存在成功率低或规划速度慢等问题,为了解决这一问题,设计了一种改进混合A^(*)路径规划算法。通过将圆弧样条曲线作为参考路径,并以参考路径上的点作为混合A^(*)算法的目标点,进而搜索出成功泊入车库的路径。根据不同车位宽度进行了基于MATLAB的批量仿真测试,结果表明:改进后的混合A^(*)算法能够显著提高车辆在特定区域泊入车库的成功率,同时具有一定的规划效率。最后基于Prescan、Carsim和Simulink进行了联合仿真实验,验证了所设计算法规划的路径满足实车实验的跟踪要求。

基于改进A^(*)算法的桥式起重机吊装路径规划

针对传统A^(*)算法规划路径拐点多而造成桥式起重机运行时间长、稳定性差的问题,提出了相关改进方法。首先找出A^(*)算法规划路径中所有可以相连的2个路径节点,然后通过迪杰斯特拉算法搜索得出最少拐点数量的路径。针对桥式起重机在复杂三维环境下无法得到适合工程应用的吊装路径问题,采用将三维环境信息降维至二维环境信息处理的方法,结合改进后的A^(*)算法提出了规划三维吊装路径的方法。根据实际工程应用下桥式起重机的运行特性,将z轴路径长度、二维平面路径长度和路径拐点数量作为评判吊装路径优劣的影响因子。最后引入B样条曲线对平面路径平滑处理,得到了光滑无拐点的平面运行路径,提高了起重机运行时的稳定性和作业效率,Matlab路径仿真结果证明了本文方法的可行性。

基于改进A^(*)算法的车间物料配送路径规划

针对传统避障搜索算法在车间物料配送中仅能解决单点配送且未充分考虑多点配送及往返取货需求的问题,提出一种结合遗传算法优化的A^(*)算法.该方法利用A^(*)算法的成本计算方式完成有障碍物条件下各配送点之间的成本计算,并融合遗传算法的迭代寻优特性,实现了对多点配送及往返取货需求的高效稳定全局搜索.通过某车间物料配送的实际算例验证,该改进算法能有效规划障碍环境下的配送路径,显著提升配送效率.

融合简化可视图和A^(*)算法的矿用车辆全局路径规划算法

针对矿用车辆在狭窄、弯曲及有未知障碍物的井下巷道中的路径规划效率低的问题,提出了一种融合简化可视图(SVG)和A^(*)算法的全局路径规划算法DVGA^(*)。在构建真实环境点云地图基础上,连接车辆在不同视点下的可视切点,动态生成SVG;将可视切点依次存入OPEN表作为节点,根据A^(*)算法估价函数选取路径最短情况下的节点加入CLOSED表,得到最优路径点并存储路径,同时删除OPEN表中的其余节点,循环此过程,直到OPEN表中出现终点;最后利用路径平滑算法进一步减少路径节点数量,从而提高路径规划效率。实验结果表明,与完整可视图+A^(*)算法、SVG+A^(*)算法及SVGCA^(*)算法对比,DVGA^(*)算法对复杂长距离路径的规划时间最短,平均路径长度分别缩短了10.79%,6.26%和2.86%,具有更强的适应性和更高的规划成功率。井下试验结果表明:在巷道宽度变换区域和躲避静态障碍物时,相比SVGCA^(*)算法,DVGA^(*)算法规划的路径更加平滑;躲避动态障碍物时,DVGA^(*)算法能够及时进行路径纠正,保证了路径规划的时效性和稳定性;在复杂多变的巷道环境中,DVGA^(*)算法的规划时间和路径长度相比SVGCA^(*)算法分别减少了11.51%和1.54%,具有更高的环境适应性和稳定性。

基于改进A^(*)算法的西北航道多目标航路规划

全球气候变暖导致北极海冰消融,西北航道进行商业运输活动的船舶数量越来越多。针对北极西北航道复杂冰情下船舶航行安全及经济性的需求,充分考虑了海冰特性、船舶破冰能力以及实际航行风险,以船舶燃油消耗和航时为优化目标,构建了基于动态加权A^(*)算法的多目标冰区航路规划模型。提出了一种考虑安全距离的动态加权A^(*)算法,引入指数衰减因子调整A^(*)算法的搜索策略,减少不必要的搜索空间,并将其应用于冰区航路规划模型,进行西北航道航路规划仿真分析。仿真实验结果表明:该方法能够在确保船舶航行安全的基础上规划出燃油消耗及航时较优的航路,有效解决了船舶与海岸线、恶劣冰区边缘之间的安全距离问题,确保冰区航行的安全性。

考虑极地船舶航行风险的A^(*)路径规划算法

传统A^(*)算法没有考虑海冰带来的航行风险因素,无法直接应用于北极船舶路径规划。针对这一问题,引入极地航行限制评估风险指标系统(POLARIS)风险模型,通过分析网格化的海冰密集度和海冰厚度数据,建立北极通航风险模型,制作航行风险地图,从添加风险损失函数和优化启发函数两个方面改进传统A^(*)算法,提出Risk-A^(*)路径规划算法,实现风险和效率不同偏好下的最优航线规划。仿真结果表明:Risk-A^(*)路径规划算法在航线长度、穿过风险水域的数量等方面与传统算法相比具有较大的优势,可为船舶北极航行提供安全高效的路径。

基于改进A^(*)蚁群融合算法的路径规划研究

随着智能化技术的发展,无人车路径规划技术在未来无人战场上将发挥重要的作用。针对A^(*)算法易发生碰撞障碍物的问题,提出通过改进转弯机制进行避碰。针对路径较长和不够平滑的问题,提出一种改进A^(*)蚁群融合算法。仿真结果表明,使用改进A^(*)蚁群融合算法得到的路径长度和平滑度更优,简单地图中路径长度减少2.34%,总转弯角度减小5.62%;复杂地图中路径长度减少2.62%,总转弯角度减小26.3%。因此,该算法在保证无人车避障的基础上,有利于其快速完成相应任务。

一种融合改进A^(*)算法与改进动态窗口法的文旅服务机器人路径规划

为满足复杂环境下文旅服务机器人路径规划算法搜索的导向性、静态环境下全局路径的最优性和动态环境下实时避障的安全性的需要,提出了一种基于改进A^(*)算法与动态窗口法相融合的算法。首先,在传统A^(*)算法的基础上,采用更精确的搜索邻域选取策略,并引入障碍物占用栅格率来量化地图信息,动态调节启发函数和权重系数;其次,引入安全距离概念,提出一种三次折线优化方法,剔除冗余节点和拐点,以提高路径的平滑性;针对狭窄通道环境,提出一种自适应圆弧优化方法,使路径更符合机器人的运动学约束。通过加入动态障碍物垂直距离代价函数,有效减少机器人与动态障碍物的冲突和碰撞风险;最后,将改进A^(*)算法与动态窗口法相融合,选取关键路径点作为动态窗口法的临时目标点,分段使用动态窗口法进行局部实时路径修正。实验结果表明,该融合算法同时具备搜索导向性、全局路径最优性和动态避障能力,能够安全快速到达目标点,具有一定的应用价值。

融合改进A^(*)算法和优化动态窗口法的路径规划

针对传统A^(*)算法在栅格数量较多时存在折点多、耗时长,以及动态窗口法在复杂环境下灵活性差的问题,提出一种融合改进A^(*)算法和优化动态窗口法的路径规划算法。首先,在传统栅格地图上建立一层粒度值更大的拓扑层地图,接着将拓扑层规划出的路径在栅格地图上进行优化,删除冗余节点、提高路径平滑度。通过增加机器人在不同场景下的运动状态来优化动态窗口法。最后,将全局规划的关键点作为局部规划的临时目标点,实现两种算法的融合。通过对比试验,证明融合算法不仅保证了全局路径较优而且减少了折点数、耗费时间,还提高了机器人在动态环境下路径的平滑度和灵活性。

融合A^(*)与DWA算法的水面船艇动态路径规划

为解决水面船艇路径规划同时要求全局最优、实时避障和航迹安全可靠的问题,提出了一种基于融合A^(*)算法与动态窗口算法(DWA)的水面船艇路径规划方法。首先通过引入启发函数动态加权策略,提高A^(*)算法的搜索效率;然后综合考虑水面船艇的运动特性,采用一种路径转角节点角度削弱策略,减少转角,缩短全局路径长度;最后,基于全局因素影响与航迹安全约束对DWA算法的轨迹评价函数进行改进,并以全局路径提供子目标点引导DWA算法进行局部规划的方式完成算法融合。实验结果表明,融合算法相比于现有算法的总转向角度分别减少了45.6%、46.0%,验证了融合算法的有效性与可行性,并且相较于其他传统算法更具优越性。