启发点引导D*算法扩展的无人机航迹规划策略

为了实现无人机从特定方向接近和打击目标点,同时实现航迹最短、规划时间最少,提出了基于启发点引导D*算法扩展的航迹规划方法。分析了航迹规划的约束条件,建立了无人机各威胁因素的区域模型和概率模型,将威胁因素模型叠加至三维环境中,得到了无人机工作的等效三维环境模型;分析了D*算法在具有方向约束航迹规划中遍历搜索和回退扩展的缺陷,提出了启发点引导D*算法扩展方法;给出了启发点的产生方法、启发方案的选择方法、启发点的切换策略等。经过仿真验证,同时使用D*算法、蚁群算法、启发点D*算法进行航迹规划,启发点D*算法规划的航迹最短,算法耗时最少,证明了启发点D*算法在有方向约束航迹规划问题中的有效性。

D^(*)算法在喷浆机器人路径规划中的应用研究

路径规划是喷浆机器人自主行走过程中的重要环节,针对传统A^(*)算法在路径规划中的不足,研究采用实时性更强且可以躲避动态障碍的D^(*)算法。利用MATLAB建立栅格地图并进行仿真,结果表明:D^(*)算法路径规划的时间短、效率高,适用于喷浆机器人在陌生环境或有动态障碍的场景中规划路径。

基于D*与DWA融合算法的机器人路径规划研究

传统路径规划方案中大多数以A*及其变种算法作全局导航的规划器,但其存在一定的缺陷,如只能根据完整的静态地图进行全局路径规划,在场景变动的情况下需要再建图来完成规划等。本文提出一种基于D*和DWA融合的路径规划算法,可以在地图动态调整的情况下完成全局路径规划,并在局部路径规划中使用DWA算法规避动态障碍物。通过Python仿真进行验证,改进算法D*在计算时间上比A*节省7.7%,且在动态性能上优于A*。通过实物机器人验证,D*所规划的路径可以尽可能保证路径平滑,且具有较短的行驶路径和较强的动态规划能力,能很好地完成避障等任务。

移动机器人多目标搜寻的D*-蚁群融合算法

针对在中小范围内移动机器人以最短遍历找到所有目标,同时也要使得两两目标之间的路径最优的问题,提出一种基于改进D*算法融合蚁群算法的方案.尽管蚁群算法相对于其他优化算法或启发式算法在解决TSP问题上有较好表现,但其在路径规划上耗时长、路径质量较差;而对于原始D*算法路径转角大、转角次数多、较复杂地图下规划量大、生成路径贴近障碍物且多目标搜寻中无法实现最短遍历等缺点,通过改进原始D*算法的启发函数和子节点扩展方式,将蚁群算法的评价函数用改进D*算法来计算.基于格栅法建立地图模型,在不同复杂度的地图选取多个目标进行对比仿真实验,结果证明了该融合算法的高效性和针对不同环境的适应性.

移动机器人路径动态规划有向D~*算法

针对传统D~*路径规划算法搜索效率低、成本较高的问题,提出有向D~*算法.该算法考虑目标点与障碍物信息,引入关键节点概念,逐级扩展确定可行路径,并且引入导向函数以控制单次搜索的节点搜索范围来提高搜索效率;在原欧几里得评价指标的基础上引入路径平滑度函数对偏移路径进行惩罚,避免机器人无效转弯而增加移动成本;通过路径平滑度函数中的"转弯因子"协调路径长度与平滑度之间的关系,给出路径平滑度函数的分段原理与转弯因子的确定方法,并对算法收敛性进行证明.在不同环境下的仿真实验表明,该算法较传统算法能更好地兼顾局部搜索与全局最优性,尤其适用于障碍物较多的复杂环境.

基于D~*算法的农用履带机器人路径规划研究

针对传统A~*算法在路径规划中的不足,采用了一种实时性更强的D~*算法,与A~*算法不同的是,D~*算法的OPEN列表中包含了弧长代价递增的RAISE和弧长代价递减的LOWE两种状态类型。将传统A~*算法和D~*算法进行仿真试验对比,试验结果表明,D~*算法缩短了搜索长度和搜索时间且收敛速度快、计算量小。同时,在真实环境下进行了导航试验,结果表明机器人能稳定安全的按照规划路径到达目的点,验证了D~*算法的高效率性。

基于协同作战的无人机航路重规划算法研究

无人机作为信息交互的天然载体,其与人工智能、态势感知、大数据分析进行技术融合,将进一步提升其在未来战争中的作用。有人机与无人机智能协同作战可扩展作战视域,其中无人机航线自主规划能增加无人机的自主控制能力,进而提升作战效率。现有的无人机航路规划算法存在诸多缺点,如算法计算量大、复杂度高、应对障碍与突发威胁的规避能力弱,无法满足现阶段无人机航路规划需求。因此,论文基于协同作战策略,依据无人机集群整体防撞准则改进无人机防撞系统模型,并结合稀疏D*航路重规划算法,提出一种改进式计算算法进行无人机航路重规划。根据理论分析和仿真验证了论文所提出的策略使无人机集群在面对变化的威胁环境时能快速重规划航线、减少在线重规划的计算量、提高航线规划效率、且规划出的航线满足无人机在飞行时间、高度和避障能力等方面的性能要求。

一种改进的EKF-SLAM算法

在AGV同时定位和地图构建(SLAM)时,针对扩展卡尔曼滤波算法在大范围环境等特征数量较大的场合中计算复杂度高,并且生成的特征图准确性不足的问题,提出一种改进的扩展卡尔曼滤波(EKF)方法,其基本思想是将机器人的系统参数附加到EKF SLAM的状态向量中,在执行预测和更新EKF SLAM的状态时,对附加系统参数的状态向量进行估计,从而提高特征图的准确性,我们称之为增强扩展卡尔曼滤波(IEKF),并且提出了一些降低计算复杂度的方法和D*算法用于导航,使AGV即使在动态和非结构化的环境中也能够准确地跟踪路径。并采用Mat lab软件进行仿真,仿真结果表明所提出的增强扩展卡尔曼滤波算法对AGV的SLAM问题有效可行。

室内机器人避碰路径规划

针对室内机器人路径规划问题,研究了一种能够规划出从给定起点到给定终点的最优路径优化方法.将A*与D*的方法相结合并加以改进,实现较快速地规划出较优的全局路径,然后对算法进行优化得到模拟A*算法,保证算法的简捷有效性,实现移动机器人在环境地图未知的情况下,规划出最优的全局路径,即确保路径的快速性和精确性.实验结果表明本文方法能够在仿真和实验方面实现室内环境下机器人的最优路径规划.

突发威胁情况下的无人机航迹重规划

为了提高Voronoi图在航迹规划方面的实用性,提出了一种改进型的Voronoi图构造模型。该模型通过引入威胁源的不可穿越区域边界,利用折中原理,在Delaunay三角网的基础上构建航迹拓扑空间。改进型的Voronoi图模型拓展了传统模型的航迹段数量,提高了航迹段对威胁的敏感性,使规划的航迹更为合理。其次,在分析突发威胁对于航迹拓扑空间影响的基础上,提出了一种基于改进型Voronoi图的航迹重规划模型,并结合D*算法对突发情况下的航迹重规划进行了研究,规划出了理想航迹。

1种机器人工作区域协同搜索避障巡检策略

为解决工作区域搜索待操作目标的不确定性以及单一策略无法解决障碍物区域多搜索目标遍历与避障的问题,提出1种随机与固定搜索相结合的协同巡检策略。该策略在重点监测点通过引入非线性收敛因子及动态权重策略的改进灰狼优化算法遍历多任务点进行固定路线搜索;在非重点监测区域为差速转向移动机器人赋予三视野扫描线,并运用其灵活转动的特点进行随机路线搜索;通过交互式人工标记的方法定位搜索目标点并对其进行标记,运用改进灰狼优化算法对标记出的多目标点进行遍历顺序规划及D^*算法避障到达;通过5个国际通用工程函数仿真测试改进的灰狼优化算法。结果表明:改进的灰狼优化算法能加快收敛速度,增强模型的求解精度,加强算法的稳定性,同时验证随机与固定相结合的区域协同搜索避障巡检策略的有效性。

基于回溯搜索的生物激励完全遍历路径规划

本文基于生物激励神经网络算法、回溯算法、D*(D Star)算法的优点,提出了一种新的完全遍历路径规划方法——基于回溯搜索的生物激励完全遍历路径规划算法,实现机器人在未知环境下的完全遍历路径规划。本算法用生物激励神经网络实现实时地图构建与路径规划,用回溯法结合D*算法实现机器人在分离区域之间的最短路径规划。通过仿真研究,本算法能实现机器人在复杂环境下的完全遍历路径规划,通过对比实验,本算法相比于基于生物激励的神经网络算法,性能上有所改善和提高。