基于改进运动原语生成的陆空两栖机器人Kinodynamic A^(*)算法

针对Kinodynamic A^(*)算法采用统一的运动原语生成,在陆空两栖机器人上应用时存在机动性无法充分发挥等问题,提出了基于改进运动原语生成的陆空两栖机器人Kinodynamic A^(*)算法。该算法从考虑陆、空模态运动能力差异出发,通过以下三个方法改进陆空两栖机器人Kinodynamic A^(*)算法性能。首先是基于动力边界决定状态空间加速度输入,差异化生成陆、空模态运动原语;其次是基于动力学约束剪枝,确保运动原语不超过速度边界;最后是构造轨迹优化代价函数优化轨迹平顺性、安全性及机动性。在仿真场景下的结果表明,所改进的算法在将空中平均速度提高了54.1%,平均路径总时间降低6.7 s,路径总代价降低22.00%,且算法运行时间降低0.069 s,充分发挥陆空两栖机器人上的强机动能力与高续航能力。

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。

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。

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。

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。

基于ISSA和IA^(*)的AGV集成作业调度及其路径规划

针对单一算法在求解车间调度和路径问题时最优性和多样性方面的缺陷,提出了优化飞鼠搜索算法ISSA(improved squirrel search algorithm)和优化A^(*)算法并建立集成作业调度和AGV路径规划的双层模型。首先,采用贪婪策略融合飞鼠搜索算法建立考虑能耗的AGV集成作业调度上层模型;其次,将安全距离因子引入A^(*)算法,构建AGV路径规划下层模型,并通过梯度下降法进行路径平滑;进而,运用6个测试函数和kacem实例验证ISSA的寻优能力,结果表明ISSA的其收敛速度较快,运行效率较高,且不容易陷入局部最优;最后,基于栅格法建模进行对比仿真实验,IA^(*)比A^(*)算法拐点数量降低了22%,同时节约了21%的行驶时间,ISSA和IA^(*)均得到了良好的验证。结果表明,ISSA和IA^(*)能够更有效求解AGV集成作业调度及其路径规划问题。

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。

基于稀疏A^(*)与人工势场算法的EOSID路径规划

为提升起飞一发失效应急程序(EOSID)的制作效率,根据飞机性能限制和民航相关规章要求,提出了基于数字高程模型(DEM)的稀疏A和人工势场算法的ESOID全局路径规划方法,并进行了实例验证。结果表明,应用该方法可提升规划算法的局部避障能力及鲁棒性,生成的起飞一发失效三维路径与传统人工方法相近,为EOSID路径的自动规划提供了一种可行方法。

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。

融合改进A^(*)算法和DWA算法的全局动态路径规划

针对常规A^(*)算法存在的路径规划中冗余节点过多、拐点过多、规划路径与障碍间的距离过短、容易产生碰撞等问题,提出了一种将改进A^(*)算法与动态窗口法相结合的新方法。该算法通过对栅格地图中的障碍栅格进行量化处理,提取环境信息,并根据这些信息对A*算法的启发函数和子节点选择策略进行调整。此外,为了优化路径的平滑度和安全性,设计了一种路径节点平滑处理算法。仿真实验结果表明,融合动态窗口法的融合算法不仅能够保证所规划路径的全局最优性,而且能够有效地避开随机障碍物。

改进A^(*)与ROA-DWA融合的机器人路径规划

为了解决机器人路径规划中传统A^(*)算法和动态窗口法(DWA)存在的遍历节点较多、冗余点较多以及路径不平滑,缺乏全局引导,易陷入局部最优以及安全性低等问题,提出融合改进A^(*)算法和随机避障动态窗口法(ROA-DWA)的路径规划算法.该算法通过启发式函数的权重调整、Floyd算法、冗余点删除策略、静态和动态障碍物分类处理和速度自适应因子等方式来提高搜索效率,减少路径长度和拐点数量,将已知障碍物对路径的影响最小化,大幅提高动态避障效率,使得机器人在平稳到达目标点的同时还提升了机器人的安全性,更好地适应复杂的动态和静态环境.实验结果表明,该算法具有较好的全局最优性和局部避障能力,在大型地图中展现出更好的优势.

基于新型A^(*)算法的田间路径规划研究

针对传统A^(*)算法不能满足喷雾机器人依据作物分布生成作业路径的特定场景需求,提出了基于传统A^(*)算法对其启发函数进行改进和再优化的新型A^(*)算法。首先,在传统A^(*)算法中加入新的启发函数项,改变路径点代价值的计算规则,引导算法更倾向于选取两侧有障碍物的路径点,满足农业机器人需沿着两侧障碍物行进的需求;接着,针对初步改进的新型A^(*)算法在障碍物距离较大时路径规划出现迂回和重复问题,通过引入路径判断函数项,根据相邻障碍物的间距设置不同路径代价函数,计算规则的触发条件,智能选择合适的代价函数公式,引导算法在两侧障碍物间距较大时更倾向于选择中间位置的路径点,进一步提高农业机器人的作业效率。经过仿真实验验证,该算法可以准确地选择最佳路径,达到预期效果。

城镇生活污水处理厂A^(2)O工艺运行状态的快速判别

为解决现有城镇生活污水处理工艺运行状态判别不全面、不及时的问题,以A^(2)O工艺为例,对运行状态的判别方法进行了系统研究。提出了通过末端污染物监控指标、工艺参数、污水处理设施电耗、污泥排放量、设备运转状态判别工艺运行状态的思路,确定了工艺运行状态的常规和间接判别方法。在此基础上,以工艺运行参数、泥水性状指标、设备运行状态为切入点,分析了正常状态、异常现象、异常原因及故障解决措施的关联,设计了一款可以快速识别、分析故障的软件,为A^(2)O工艺运行状态的快速判别提供了一种可行的途径。

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。

基于NSGA-Ⅱ与A^(*)算法的原竹初加工生产线设施布局研究

竹材易栽培、生长快,加工后能替代木材或其他产品。然而,目前的原竹初加工生产线设施布局主要依靠人工经验,存在物料运输距离远、运输路径干涉多等问题,导致生产线的建设和运维成本较高。针对以上问题,本文以降低运输成本和减少路径干涉为目标,建立了原竹初加工生产线数学模型;提出了一种基于NSGA-Ⅱ和A^(*)算法,且能实现最优运输路径规划的生产线设施布局多目标优化方法。相较于传统算法采用的曼哈顿距离,该方法采用A^(*)算法来计算优化目标,可获得更低的物料运输成本,且具备处理运输障碍和路径干涉等问题的能力。结果表明:优化后,物料运输成本平均降低18.1%,物料运输成本最多降低10.5%,交叉干涉点最多减少97.5%,表明本文所提出的方法在原竹初加工生产线布局方面切实有效。

A^(*)蚁群融合的复合启发式路径规划算法

为提高无人机执行巡飞探查任务的效率,规划出一条最优的飞行路径,针对传统蚁群算法应用于路径规划时存在搜索效率低、迭代次数多、路径拐点多的问题,提出一种A^(*)蚁群融合的复合启发式路径规划算法。利用A^(*)算法预搜索差异化初始信息素,减少蚁群算法前期搜索盲目性,提高搜索效率。构造一种复合启发函数,引入A^(*)算法启发思想改进蚁群原本的启发式信息,设计路径平滑启发函数减少路径拐点。改进信息素更新规则,引入路径综合评分指标,使得每次迭代保留综合性能评分最优的路径。仿真实验表明,改进算法提高了搜索效率,一定程度上解决了拐点过多的问题,综合性能指标优于基本算法与对比文献算法,具有一定工程实践与理论研究意义。

优化A^(*)与动态窗口法的移动机器人路径规划

为解决传统A^(*)算法和动态窗口法在移动机器人路径规划中出现的问题,提出了两种算法的优化方案和优化算法的融合方案。首先,针对传统A^(*)算法中路线对称性强、冗余点多的问题,在启发函数中引入父节点信息,重新构建了可动态调节启发函数权重的代价函数,设计了关建点提取策略。其次,针对传统动态窗口法路线冗长的问题,改进了障碍物距离评价子函数,提出了动态窗口法的自适应环境改进策略。然后,针对改进动态窗口法存在目标点不可达和优化A^(*)算法安全性低的问题,融合了优化A^(*)算法和改进动态窗口法,设计了新的全局路径评价子函数。最后,通过仿真和实验结果对比,验证了融合算法在规划效率、安全性和路径平滑性等方面有很大提升,更符合移动机器人的运动特性。

融合A^(*)的改进RRT机械臂路径规划

针对RRT(rapidly-exploring random tree)路径规划算法在高维空间的机械臂避障路径规划时随机产生巨量节点,导致算法运行负担大、避障性能差、容易陷入局部极值的问题,提出一种结合A^(*)判断函数的改进RRT算法。对RRT的采样方式进行更改,每次生成一个包含多个随机采样点的序列,并利用改进的A^(*)判断函数进行排序;对每次生成节点进行距离判断,防止陷入局部搜索;利用重复贪心策略删除冗余节点,利用三次B样条平滑路径。在二维、三维地图及机械臂仿真与样机实验中进行算法性能分析,改进RRT算法能够大量减少到达目标位姿时产生的节点,缓解了局部极值,快速稳定地避开障碍物并到达目标位姿,证明了改进RRT算法的有效性和优越性。