基于A-star算法与DWA算法的小型农用运输车智能避障系统研究

已有的小型农用运输车智能化程度不高,在矮化密植果园难以实现自主导航及避障,也可能对果树或他人造成伤害。从小型农用运输车路径规划与避障系统方面进行研究,在小型农用运输车的基础上加上路径规划与自动避障模块,根据指令在路径中检测环境中障碍物,做出相应的避障动作,完成路径规划并实现最优策略,到达目的地,帮助使用者在矮化密植果园更安全、快捷运输。

基于改进A-Star算法的无人机航迹规划算法研究

针对传统A-Star算法在无人机航迹规划问题应用中的局限性,提出了一种结合飞行器简化运动学方程的改进A-Star算法,并将该算法应用于解决无人机在未知危险环境中的威胁规避问题;研究了综合考虑各路径代价影响因素情形下的航迹规划方法。最后对无人机参考航迹规划的数字仿真证明了改进算法的有效性。

贪婪和A-Star算法在物流配送中的应用及仿真

在物流的各项成本中,配送成本占了相当高的比例。因此,物流配送中最优路径选择对物流企业增加利润起着关键作用。采用科学、合理的方法来进行物流配送路径的优化,是物流配送领域的重要研究内容。本文深入研究A-Star算法,结合贪婪算法的思想,在QTCreator平台上,采用VisualC++编程对物流配送中路径的选择问题进行模拟仿真。通过再现交通运输环境,模拟物流运输中的突发事件,优化物流配送的路线。根据需求,设计出最短路径和最少时间的配送方式,并在地图上显示其对应的路径。通过本软件模拟解决物流配送中各种情况,从而降低运输成本。这对于提高物流配送决策效率以及降低物流配送成本具有重要的意义。

Dijkstra和A-star算法在智能导航中的应用分析

Dijkstra算法是最经典的最短路径算法,A-star算法是最有前景的启发式搜索算法。深入分析和比较两种算法,在复杂的交通地形图中,通过改进估价函数,证实了A-star算法在智能导航中更加高效。

基于A-Star算法警用地图查询系统的设计与实现

介绍了一种基于A-Star算法的警用地图查询系统的设计与实现。系统采用了面向对象技术进行程序设计思想,运用A-Star算法实现了对警用地图的数据进行检索和路径分析,为人民警察工作及时出警、精确打击、高效抓捕提供了技术保证。

基于A-star算法控制的井下搬运系统研究

根据A-star算法原理,采用寻迹方法将井下搬运机车的运动轨迹问题转化为广义坐标系下的运动学方程,通过对运动学模型的推算及离散化,得出系统位置控制参数,基于Matlab对位置误差进行了数值模拟,验证了计算方法的可行性。依据算法控制特点,完成了搬运控制系统的硬件及软件设计,实现了搬运系统的高效率避障,位置准确定位。

A-Star算法在三维物流模拟中的应用研究

采用科学、合理的方法进行物流配送路径的优化,是物流配送领域的重要研究内容。笔者以3ds文件作为数据源,在此基础之上,深入研究A-Star算法,结合OpenGL进行三维物流模拟。通过模拟物流配送场景,优化物流配送路径,结合最短配送时间、最快响应速度模拟现实物流配送问题,同时,借助三维可视化技术实现物流配送的三维表达,这对于提高物流配送决策效率以及降低物流配送成本具有重要的意义。

基于A-star算法的航路规划算法设计与仿真研究

本文通过分析和研究内河通航环境的特点,根据无人艇对全局路径规划的需要,建立了基于电子航道图的环境模型,并设计了一种基于自适应栅格环境模型的A-star算法。通过MATLAB仿真结果表明,采用自适应栅格的A-star算法能够满足无人艇在内河水域复杂环境下的全局路径规划需要。

一种改进的A-Star算法

本文提出了一种改进的算法。该算法优点在于快速判断路径节点是否在开启/关闭列表中、快速查找最小f值的节点以及优化路径节点频繁分配内存的问题。在处理大数据的问题中有很好的优势。

基于A-star算法的地图查询系统的设计与实现

在对A-star算法展开分析的基础上,本文采用该算法设计了一种地图查询系统。从系统实现效果来看,路径查找准确率可以达到100%,能够满足实际应用需求。

基于改进A-star与DWA相融合的移动机器人动态路径规划算法

A-star算法常用于移动机器人的全局路径规划,但在复杂场景中A-star算法存在耗时长、搜索节点过多、路径不平滑、不能避开环境中未知的障碍物等问题。针对于此,本文提出一种融合路径规划算法。首先,在A-star算法的基础上引入环境中的障碍物信息和搜索节点到起始位置的距离信息动态调节启发函数的权重,减少搜索节点数,提升A-star算法的性能;然后,利用自适应分段步长的高阶贝塞尔曲线对路径进行优化,减少转折点提升路径的平滑性;最后,将改进A-star算法规划的全局路径作为引导,将路径节点作为DWA算法的中间目标,实现全局路径规划和局部规划的融合,使移动机器人在找到全局最优路径的同时,能够避开环境中的未知障碍物,实现移动机器人的动态路径规划。仿真结果验证了该算法的有效性。

基于图论节点的改进A-star栅格路径规划算法

提出了一种将图论最短问题中的路径节点及栅格地图中的栅格节点位置信息结合的路径规划算法。依据图论最短问题思想,提取室内具有特殊信息的位置节点,并判断节点间可视性,加入到先决地图信息中。在此基础上改进的A-star算法在扩展节点时,根据启发函数,只在特殊节点位置进行扩展,避免计算大量不必要栅格点的启发函数,从而提高算法效率。实验结果表明,改进后的A-star算法较之前时间缩短了79.2%,所遍历栅格节点减少了99.4%,且栅格分辨率大小不影响路径规划效率。最后总结改进方法的优缺点,期望改进算法可用于室内多目标同时导航。

室内环境下改进的混合路径规划算法

为了解决室内非结构化复杂环境下的机器人在路径规划时常常出现目标点不可达、规划过程产生折角偏移、规划过程无法及时规避动态障碍物等问题,提出一种改进的混合室内路径规划算法。该算法将改进的全局路径规划与改进的局部路径规划算法相融合。首先,优化传统A-Star算法的启发因子,减少搜索范围和节点,再通过角平分线切点法对传统A-Star算法进行平滑处理。其次,综合路径与环境信息,采用改进的人工势场算法进行局部路径规划,通过修正斥力场参数来解决目标点不可达问题,同时构造了动态的势力场函数,使其具备决解决动态障碍物的能力。最后,对混合算法进行实际环境的路径规划实验,比起传统的混合算法文中提出的混合算法在路径规划长度上减少11.4%,运行时间减少11.1%,少经过34个冗余节点,结果表明该融合算法可以有效解决室内非结构化复杂的路径规划问题。

融合A-Star与DWA双优化算法的自动引导车路径规划

自动引导车的应用越来越广泛,为了达到自动引导车在路径规划中要达到全局最优,实时避障的要求,提出了一种优化A-Star算法与优化DWA算法相融合的自动引导车路径规划方案。A-Star算法能找到全局最优路径,根据A-Star算法进行优化,引入自适应启发函数,并进行路径关键点选取,删除冗余路径点。优化后的A-Star算法解决了传统算法规划效率低,路径不平滑的问题。动态障碍物躲避采用DWA算法,优化评价函数,提升了规划效率。仿真结果表明,融合优化后的A-Star算法与优化后的DWA算法,减小了搜索范围,提高了路径规划效率且能实现避障的效果。该融合算法相较其他融合算法在路径规划效率上有很大提升,最终实现全局最优路径规划和局部动态实时避障。

基于半边数据结构的A-star路径规划算法及实现

针对3D游戏地形的路径搜索问题,提出基于半边数据结构的具有避障能力的A-star最短路径搜索算法。算法利用三角面与邻接边的拓扑关系建立半边数据结构,并以三角面邻接边中点作为路径节点,对比传统的以欧氏距离为预估代价计算模型,提出一种新的预估代价计算模型的A-star算法(HEAS),算法可有效规避障碍并找到最优路径。实验表明,HEAS算法可适用于不同三维地形,并可确保在较短的时间内找到最优路径。实际上,HEAS算法不仅可应用于3D游戏场景下的最优路径搜索,亦可应用于实际三维地形图的最优路径规划问题。

基于Laguerre图的自优化A-Star无人机航路规划算法

为了降低无人机航路规划的运算量,减少规划时间,确保算法对于任意形状威胁区域和地形的适应性以及所规划航路的准确性,提出了一种新颖的LA-Star算法用于无人机航路规划。首先把威胁区域和禁飞区域简化为圆形,利用Laguerre图算法进行航路预规划,在此基础上简化二次规划空间的范围,之后恢复威胁区域和禁飞区域的真实形状,在简化后的规划空间内使用改进A-Star算法实施二次航路规划,最后对生成的航路进行自优化处理。仿真结果证明了LA-Star算法满足航路规划的实时性和准确性要求。

基于改进A-Star算法的AGV全局路径规划

针对智能仓储物流AGV全局路径规划,提出了改进的A-Star算法。该算法在原有估价函数的基础上,引入惩罚函数和奖励因子,以解决传统A-Star算法拐点多的问题,进而提升AGV的全局运输效率。为评估改进算法的有效性,文章基于Visual Studio设计了Windows应用开发程序进行仿真实验。实验结果表明,改进的A-Star算法可显著降低AGV的转弯次数,有效提高AGV的运输效率。

基于遗传算法的管板爬行机器人检修路径规划

为保证核电站蒸汽发生器传热管管板爬行机器人高效安全地进行检修,对管板爬行机器人的检修路径规划方法进行了研究。首先,对管板爬行机器人的工作环境和工作过程进行了分析,明确了路径规划的条件和任务。然后,结合遗传算法与A-Star算法,提出了一种改进的路径规划方法。针对管板爬行机器人的工作特点,设计了改进的A-Star算法。算法中加大了未知路径的代价比重和加入了转向时间的代价影响,有效提高了规划路径的综合效率。通过数值仿真试验和样机测试,验证了采用该算法的管板爬行机器人能够有效地对传热管目标位置进行遍历检查,具有快速构建避障路径的功能,满足了高效可靠地对核电站蒸汽发生器传热管役前和在役进行涡流检查的要求。

移动机器人导航规划的双向平滑A-star算法

针对主流移动机器人导航中蒙特卡罗定位(MCL)算法误差大、传统A-star规划路径实时性差且所得路线为折线的问题,提出了一种基于双向平滑A-star算法的路径规划导航策略.首先提出多传感器融合蒙特卡罗定位的位姿估计定位算法;其次通过优化A-star算法的代价函数,使其整体搜索方向变为双向从而提高算法实时性;最后采取Bézier曲线对所规划路径进行平滑优化,解决A-star算法规划路径折线多、转弯角度过小而无法满足实际物理约束的问题.仿真实验结果展示,相比传统A-star轨迹规划算法,本文算法在路径长度和时间方面分别减少12.1%,37.2%,平均安全距离和路径平滑度分别提升35.2%,69.9%;同时在保证的定位精度下所测试的实际实验证明了本文导航规划算法的正确性和可行性.

基于改进A-Star算法的隐身无人机快速突防航路规划

针对现代战争中隐身无人机(UAV)在高严密的组网雷达防御体系下的生存及突防问题,提出了基于改进A-Star算法的隐身无人机战区突防航路规划技术。首先对隐身无人机突防过程进行了分析建模,分别建立了隐身无人机的运动学模型、动态雷达散射截面特性和组网雷达探测概率的计算模型。然后针对传统算法在解决隐身突防问题时的不足,充分考虑所规划航路时的快速性和安全性要求,设计了改进A-Star算法。在算法中引入了多层变步长搜索策略和无人机的姿态角信息,结合秩K融合准则,通过每段航迹上隐身无人机被组网雷达系统的发现概率来判断新航迹点的可行性。仿真结果表明,改进A-Star算法能够在复杂的组网雷达系统下快速生成更优的战区突防航路,具有一定的应用价值。