针对传统蚁群算法在移动机器人路径规划中存在搜索盲目性、收敛速度慢及路径转折点多等问题,提出了一种基于改进蚁群算法的移动机器人路径规划算法。首先,利用跳点搜索(Jump Point Search,JPS)算法不均匀分配初始信息素,降低蚁群前期盲...针对传统蚁群算法在移动机器人路径规划中存在搜索盲目性、收敛速度慢及路径转折点多等问题,提出了一种基于改进蚁群算法的移动机器人路径规划算法。首先,利用跳点搜索(Jump Point Search,JPS)算法不均匀分配初始信息素,降低蚁群前期盲目搜索的概率;然后,引入切比雪夫距离加权因子和转弯代价改进启发函数,提高算法的收敛速度、全局路径寻优能力和搜索路径的平滑程度;最后,提出一种新的信息素更新策略,引入自适应奖惩因子,自适应调整迭代前、后期的信息素奖惩因子,保证了算法全局最优收敛。实验仿真结果表明,在不同地图环境下,与现有文献结果对比,该算法可以有效地缩短路径搜索的迭代次数和最优路径长度,并提高路径的平滑程度。展开更多
通过构建正六边形栅格地图,并修改传统跳点搜索(jump point search,JPS)算法的邻居剪枝、强制邻居判断的规则和JPS策略,提出一种新的正六边形栅格JPS算法,并且利用该算法解决智能体在环境地图存在障碍物时的路径规划问题。利用Pycharm...通过构建正六边形栅格地图,并修改传统跳点搜索(jump point search,JPS)算法的邻居剪枝、强制邻居判断的规则和JPS策略,提出一种新的正六边形栅格JPS算法,并且利用该算法解决智能体在环境地图存在障碍物时的路径规划问题。利用Pycharm平台进行仿真研究,并与传统正方形栅格A*算法和JPS算法进行路径规划仿真比较,结果表明正六边形栅格JPS算法可更好地实现路径规划,所规划出的路径可避免穿越墙角的不安全行为、减少转向次数,且该算法可减少路径规划时间,提高了路径规划的质量和效率。展开更多
针对传统全局路径规划中扩展节点多、寻路时间长等问题,提出一种基于JPS+(jump point search plus)算法的全局路径规划算法,旨在提高机器人在复杂环境的智能性、高效性的要求。首先引入了一种基于密度的判断障碍物角点规则,实现对于主...针对传统全局路径规划中扩展节点多、寻路时间长等问题,提出一种基于JPS+(jump point search plus)算法的全局路径规划算法,旨在提高机器人在复杂环境的智能性、高效性的要求。首先引入了一种基于密度的判断障碍物角点规则,实现对于主要跳点的识别数目,减少搜索路径过程中的可扩展节点,同时在路径求解过程中对目标跳点的判定规则进行了修改,最终实现了减少计算量、缩短计算时长的目标。为验证所提改进型JPS+算法的有效性,将A、JPS+算法在不同类型地图中与改进型JPS+算法进行了比较。仿真结果表明,改进型JPS+算法与A算法相比,在路径长度、寻路时间和扩展节点数量上都有明显改进;在生成相同路径的基础上,与传统JPS+算法相比,在障碍物占比33.25%的地图中搜索时间降低了7.58%,节点扩展数量减少了9.38%,能够满足移动机器人快速全局路径规划的要求。展开更多
针对跳点搜索(JPS,jump point search)算法在障碍物位置随机的栅格地图中路径规划时间较长的问题,提出了并行-交替式双向跳点搜索(PA-BJPS,parallel alternate bidirectional jump point search)算法;首先,在起始点与目标点间确定一个...针对跳点搜索(JPS,jump point search)算法在障碍物位置随机的栅格地图中路径规划时间较长的问题,提出了并行-交替式双向跳点搜索(PA-BJPS,parallel alternate bidirectional jump point search)算法;首先,在起始点与目标点间确定一个中心热点区域;其次,采用改进了预计代价函数的并行式双向跳点搜索算法,分别规划从起始点抵达中心热点区域以及目标点抵达中心热点区域的路径;然后,采用交替式双向跳点搜索算法,规划中心热点区域内部的路径;最后,提出迭代式路径修正方法来改良危险路径,并采用3次B-样条曲线替代拐角来平滑路径;仿真结果表明,并行-交替式双向跳点搜索算法有效地缩短了路径规划时间,同时提高了路径的安全性和平滑性。展开更多
为了解决采用遗传算法解析最优路径中存在的转折点较多、易陷入局部最优解、迭代次数较多以及寻优时间过长等问题,引入自适应交叉算子和变异算子,将改进后的跳点搜索(jump point search)算法与改进遗传算法融合,得到跳点搜索-遗传(jump ...为了解决采用遗传算法解析最优路径中存在的转折点较多、易陷入局部最优解、迭代次数较多以及寻优时间过长等问题,引入自适应交叉算子和变异算子,将改进后的跳点搜索(jump point search)算法与改进遗传算法融合,得到跳点搜索-遗传(jump point search-genetic,JPSG)算法。JPSG算法利用JPS算法的高效局部搜索能力来提高整体搜索能力,加速算法整体收敛趋势;利用改进遗传算法的全局搜索能力改变JPS算法不能在复杂障碍物状况下解析最优路径的状态,提高算法对动态环境的适应性。在栅格矩阵中的路径规划仿真表明,相比于改进遗传算法、传统遗传算法,JPSG算法可以有效缩短寻优执行时间,提高寻优准确率,减少运算执行次数,在稳定性、准确性、快速性上具有明显的优势。展开更多
JPS(Jump Point Search)算法规划的路径往往过于靠近障碍物,影响路径的质量。为此,提出基于路径碰撞危险度的改进JPS算法;通过对传统跳点用危险度评估函数评估,将障碍物同一个拐角中危险度高的跳点结合形成新类型的跳点;对障碍物进行膨...JPS(Jump Point Search)算法规划的路径往往过于靠近障碍物,影响路径的质量。为此,提出基于路径碰撞危险度的改进JPS算法;通过对传统跳点用危险度评估函数评估,将障碍物同一个拐角中危险度高的跳点结合形成新类型的跳点;对障碍物进行膨化处理,使跳点与障碍物保持一定距离,提高算法每次迭代的搜索范围;删除不可直达的后继跳点,降低改进JPS算法的路径长度,改善算法的性能。仿真结果表明改进JPS算法在复杂环境中平均搜索速度提升58.9%,平均路径长度缩短2.7%,平均碰撞危险度降低41.3%。展开更多
文摘针对传统蚁群算法在移动机器人路径规划中存在搜索盲目性、收敛速度慢及路径转折点多等问题,提出了一种基于改进蚁群算法的移动机器人路径规划算法。首先,利用跳点搜索(Jump Point Search,JPS)算法不均匀分配初始信息素,降低蚁群前期盲目搜索的概率;然后,引入切比雪夫距离加权因子和转弯代价改进启发函数,提高算法的收敛速度、全局路径寻优能力和搜索路径的平滑程度;最后,提出一种新的信息素更新策略,引入自适应奖惩因子,自适应调整迭代前、后期的信息素奖惩因子,保证了算法全局最优收敛。实验仿真结果表明,在不同地图环境下,与现有文献结果对比,该算法可以有效地缩短路径搜索的迭代次数和最优路径长度,并提高路径的平滑程度。
文摘通过构建正六边形栅格地图,并修改传统跳点搜索(jump point search,JPS)算法的邻居剪枝、强制邻居判断的规则和JPS策略,提出一种新的正六边形栅格JPS算法,并且利用该算法解决智能体在环境地图存在障碍物时的路径规划问题。利用Pycharm平台进行仿真研究,并与传统正方形栅格A*算法和JPS算法进行路径规划仿真比较,结果表明正六边形栅格JPS算法可更好地实现路径规划,所规划出的路径可避免穿越墙角的不安全行为、减少转向次数,且该算法可减少路径规划时间,提高了路径规划的质量和效率。
文摘针对传统全局路径规划中扩展节点多、寻路时间长等问题,提出一种基于JPS+(jump point search plus)算法的全局路径规划算法,旨在提高机器人在复杂环境的智能性、高效性的要求。首先引入了一种基于密度的判断障碍物角点规则,实现对于主要跳点的识别数目,减少搜索路径过程中的可扩展节点,同时在路径求解过程中对目标跳点的判定规则进行了修改,最终实现了减少计算量、缩短计算时长的目标。为验证所提改进型JPS+算法的有效性,将A、JPS+算法在不同类型地图中与改进型JPS+算法进行了比较。仿真结果表明,改进型JPS+算法与A算法相比,在路径长度、寻路时间和扩展节点数量上都有明显改进;在生成相同路径的基础上,与传统JPS+算法相比,在障碍物占比33.25%的地图中搜索时间降低了7.58%,节点扩展数量减少了9.38%,能够满足移动机器人快速全局路径规划的要求。
文摘针对跳点搜索(JPS,jump point search)算法在障碍物位置随机的栅格地图中路径规划时间较长的问题,提出了并行-交替式双向跳点搜索(PA-BJPS,parallel alternate bidirectional jump point search)算法;首先,在起始点与目标点间确定一个中心热点区域;其次,采用改进了预计代价函数的并行式双向跳点搜索算法,分别规划从起始点抵达中心热点区域以及目标点抵达中心热点区域的路径;然后,采用交替式双向跳点搜索算法,规划中心热点区域内部的路径;最后,提出迭代式路径修正方法来改良危险路径,并采用3次B-样条曲线替代拐角来平滑路径;仿真结果表明,并行-交替式双向跳点搜索算法有效地缩短了路径规划时间,同时提高了路径的安全性和平滑性。
文摘为了解决采用遗传算法解析最优路径中存在的转折点较多、易陷入局部最优解、迭代次数较多以及寻优时间过长等问题,引入自适应交叉算子和变异算子,将改进后的跳点搜索(jump point search)算法与改进遗传算法融合,得到跳点搜索-遗传(jump point search-genetic,JPSG)算法。JPSG算法利用JPS算法的高效局部搜索能力来提高整体搜索能力,加速算法整体收敛趋势;利用改进遗传算法的全局搜索能力改变JPS算法不能在复杂障碍物状况下解析最优路径的状态,提高算法对动态环境的适应性。在栅格矩阵中的路径规划仿真表明,相比于改进遗传算法、传统遗传算法,JPSG算法可以有效缩短寻优执行时间,提高寻优准确率,减少运算执行次数,在稳定性、准确性、快速性上具有明显的优势。
文摘JPS(Jump Point Search)算法规划的路径往往过于靠近障碍物,影响路径的质量。为此,提出基于路径碰撞危险度的改进JPS算法;通过对传统跳点用危险度评估函数评估,将障碍物同一个拐角中危险度高的跳点结合形成新类型的跳点;对障碍物进行膨化处理,使跳点与障碍物保持一定距离,提高算法每次迭代的搜索范围;删除不可直达的后继跳点,降低改进JPS算法的路径长度,改善算法的性能。仿真结果表明改进JPS算法在复杂环境中平均搜索速度提升58.9%,平均路径长度缩短2.7%,平均碰撞危险度降低41.3%。
