Neural network and genetic algorithm based global path planning in a static environment

Mobile robot global path planning in a static environment is an important problem. The paper proposes a method of global path planning based on neural network and genetic algorithm. We constructed the neural network model of environmental information in the workspace for a robot and used this model to establish the relationship between a collision avoidance path and the output of the model. Then the two-dimensional coding for the path via-points was converted to one-dimensional one and the fitness of both the collision avoidance path and the shortest distance are integrated into a fitness function. The simulation results showed that the proposed method is correct and effective.

Robot path planning using genetic algorithms

Presents a strategy for soccer robot path planning using genetic algorithms for which, real number coding method is used, to overcome the defects of binary coding method, and the double crossover operation adopted, to avoid the common defect of early convergence and converge faster than the standard genetic algorithms concludes from simulation results that the method is effective for robot path planning.

改进RBF神经网络在智能机器人轨迹规划中的研究

针对工业生产中对智能机器人轨迹规划的要求越来越高,在工业机器人运动模型的基础上,提出了一种将RBF神经网络和遗传算法相结合的工业机器人轨迹规划方法。通过遗传算法对RBF神经网络的网络结构、连接权值和阈值进行优化,精确跟踪机器人的轨迹。通过仿真将与未改进前的轨迹规划算法进行比较,验证该方法的优越性。结果表明,与改进前的规划算法相比,文中规划方法误差小,适应性强,能够满足工业机器人轨迹规划的预期要求。为工业机器人轨迹规划方法的发展提供了一定的参考。

冗余机械臂逆运动学分析与迷彩喷涂路径规划

文中基于改进智能算法开展冗余机械臂逆运动学分析与三维数码迷彩喷涂路径规划。首先,基于冗余机械臂的初始和极限角度获得测试数据集,同时在网络模型中添加嵌套循环,通过新的遗传算法–逆向传播(Genetic Algorithm-Back Propagation, GA-BP)神经网络模型得到各关节角的最大绝对值误差,完成逆运动学分析;其次,在上述逆运动学求解的基础上,开展迷彩喷涂路径规划,建立迷彩图案模型,并进行Harris角点检测,实现迷彩图案局部分块,利用四邻域搜索完成分块图案的局部路径规划;然后,搭建旅行商模型,改进遗传算法的种群初始化和变异方式,进而获得二维空间的最优路径;最后,结合快速搜索随机树(Rapidly-exploring Random Trees, RRT)算法,生成三维空间数码迷彩的喷涂路径。仿真和数码迷彩喷涂实验结果验证了该方法的可行性和有效性。

基于改进PPO算法的机器人局部路径规划

利用强化学习训练机器人局部路径规划模型存在算法收敛速度慢、易陷入死锁区域导致目标不可达等问题。对传统近端策略优化(PPO)算法进行改进,引入长短期记忆(LSTM)神经网络并设计虚拟目标点法,提出LSTM-PPO算法。将PPO神经网络结构中的全连接层替换为LSTM记忆单元,控制样本信息的记忆和遗忘程度,优先学习奖励值高的样本,从而更快地累积奖励优化模型。在此基础上,加入虚拟目标点,通过雷达传感器收集的环境信息判断机器人陷入死锁区域时弃用目标点给予机器人的引导,使机器人走出陷阱区域并趋向目标点,减少在死锁区域不必要的训练。分别在特殊障碍物场景和混合障碍物场景中对LSTM-PPO算法进行仿真验证,结果表明,与传统PPO算法和改进算法SDAS-PPO相比,该算法在两种场景训练中均能最快到达奖励峰值,可加快模型收敛速度,减少冗余路段,优化路径平滑度并缩短路径长度。

基于小波神经网络与遗传算法的机器人全局路径和局部路径优化

全局与局部路径的优化可以实现对机器人路径的全局统筹和实时性控制,从而提高其自动化使用的效率。为了提高机器人自动化路径选取的准确性,在该研究中选择遗传算法优化小波神经网络和人工势场法,实现全局和局部路径的优化。结果表明,优化的小波神经网络和人工势场法的最终损失函数值分别为0.26和0.31。改进小波神经网络的准确率为95.8%,相对于改进的人工势场法、小波神经网络和人工势场法分别有2.3%,3.4%和3.8%的提升。路径优化仿真实验结果表明,新建方法可以实现较好的全局和局部路径优化,且规划路径平滑、无障碍。

自适应斥力系数的无人机路径规划

使用人工势场法进行无人机路径规划时,往往存在目标不可达、运动轨迹迂回反复和路径长度过长等问题.传统的人工势场法不能根据环境具体信息对斥力系数进行调整,而现有的改进方法不能在自适应调整斥力系数的同时兼顾规划效果和规划时长.针对以上问题,提出了一种基于深度学习的无人机自适应斥力系数路径规划方法.首先通过融合遗传算法与人工势场法找出在特定环境下最合适的斥力系数样本集,其次利用该样本集训练残差神经网络,最后通过残差神经网络计算适应环境的斥力系数,进而使用人工势场法进行路径规划.仿真实验表明,该方法在一定程度上解决了人工势场法规划中目标不可达、运动轨迹迂回反复和路径长度过长等问题,规划效果和规划时长方面均有优异表现,能很好地满足无人机路径规划中对当前环境的自适应要求和快速规划的要求.

基于神经网络和遗传算法的移动机器人路径规划

提出一种基于神经网络和遗传算法的路径规划算法。采用神经网络模型对机器人的环境信息进行描述,利用神经网络的输出建立遗传算法的适应度函数;然后使用遗传算法优化路径。在该算法中将需规划路径的二维编码简化成一维编码。仿真结果表明提出的路径规划方法是正确和有效的。

基于遗传算法的静态环境全局路径规划

静态环境中移动机器人全局路径规划一直是路径规划中的一个重要问题.作者提出了基于遗传算法的静态环境下机器人全局路径规划方法.该方法首先提出机器人工作空间中环境信息的神经网络模型,并利用该模型建立机器人免碰撞路径与神经网络输出的关系,然后将需规划的路径的二维编码简化成一维编码,并把免碰撞要求和最短路径要求融合成一个适应度函数.通过对算法进行实验仿真表明,提出的全局路径规划方法是正确和有效的.

基于内分泌调节机制的机器人行为规划算法及其应用研究

借鉴内分泌系统对神经系统与遗传系统的高层调节机制 ,提出了一种新的基于内分泌调节机制的机器人行为规划算法 .此算法中机器人通过神经系统接受环境信息并进行行为决策 ,行为决策的效果通过一种情感学习模型进行反馈 .情感学习模型根据机器人的内、外环境状态 ,产生情感因子 (即生物激素 ) ,再由情感因子来调节神经系统的记忆和行为决策 ,最后神经系统的记忆与行为模式又由遗传系统得以继承 .该算法有效避免了神经系统复杂的自学习过程 ,同时也保证机器人有较强的自适应能力 .为了验证算法的有效性 ,本文做了机器人足球队守门员训练的仿真实验 ,结果也表明该算法具有很强的自适应学习能力 .

基于神经网络和PSO的机器人路径规划研究

提出一种神经网络和粒子群算法相结合的移动机器人路径规划方法。采用小波网络和RBF网络相结合的四层神经网络结构,克服了传统神经网络方法进行路径规划时对每个障碍均设计一些特定的隐节点,当障碍较多且环境动态时,网络结构庞大且神经元的阈值随时间的变化而需要不断改变的缺点。利用粒子群对神经网络的参数进行训练,在规定的代数内对网络参数优化,使得机器人在移动过程中能够快速响应环境的变化。通过对移动机器人在动、静态不同环境下的仿真实验,证明了方法的有效性。

基于遗传算法的足球机器人比赛中障碍回避策略的设计

本文介绍了基于遗传算法的足球机器人系统中障碍回避策略的设计 ,使机器人能避开障碍物从给定点到目标点找到一条比较短的路径 ,并阐述了具体算法的设计与实现 。

基于神经网络和遗传算法的机器人动态避障路径规划

文中提出了基于神经网络和遗传算法的动态环境下机器人动态避障路径规划方法 ,机器人工作空间动态环境信息的神经网络模型 ,并利用该模型建立机器人动态避障与神经网络输出的关系 ,然后将需规划路径的二维编码简化成一维编码 ,并把动态避障要求和最短路径要求融合成一个适应度函数。通过对算法进行实验仿真 ,结果表明提出的动态路径规划方法是正确和有效的。

递归神经网络的进化机器人路径规划方法

针对机器人递归神经网络控制器在进化优化过程中存在的问题,利用改进的进化算法对递归神经网络控制器进行优化设计,提出了一种基于递归神经网络的进化机器人路径规划算法,该算法利用高斯变异和柯西变异相结合的方式进行变异操作,利用个体适应度和种群多样性指标使交叉概率和变异概率进行自适应调整.给出了算法的具体步骤,并与基于标准前馈网络的路径规划方法进行了比较.仿真结果表明递归神经网络控制器对动态未知环境具有更好的适应性.

基于免疫遗传算法的移动机器人全局路径规划

提出了基于免疫遗传算法的静态环境下移动机器人全局路径规划方法。该方法首先建立机器人工作空间中环境信息的神经网络模型,并利用该模型建立机器人免碰撞路径与神经网络输出的关系,将免碰撞要求和路径最优要求融合成免疫遗传算法的一个简单适应度函数。将抗体选择概率表示成一个基于抗体矢量距和抗体浓度的融合函数,同时保证了抗体的多样性和成熟收敛。通过仿真,并与遗传算法相比,性能有很大提高,证明了该全局路径规划方法的正确性和有效性。

计算智能在移动机器人路径规划中的应用综述

移动机器人路径规划是建立在机器人定位与避障研究之上,进一步对机器人行为的深入.在给出人工神经网络(ANN)、模糊逻辑(FL)、遗传算法(GA)等计算智能原理性方法的基础上,从一般意义讨论了各类计算智能方法用于路径规划的切入点,研究了各类算法的实现机理与设计思想.最后结合目前的技术发展趋势,对路径规划问题未来可能的研究发展方向进行了探讨.

未知环境下一种移动机器人实时最优路径规划方法研究

针对未知环境下移动机器人的安全路径规划问题,提出一种基于改进神经网络和模拟退火算法相结合的方法.神经网络表示机器人的工作空间,通过BP反向算法学习外部环境结构特征和信息表示,进而优化障碍物神经网络的连接权值,利用模拟退火算法搜寻代价函数的负梯度方向,采用组合探测器来减小模拟退火算法搜索区域和应用后退策略及设置虚拟目标点的方法处理局部路径规划中出现的陷阱问题.仿真验证此方法有效性和正确性.

基于神经网络租遗传算法的足球机器人路径规划

针对足球机器人在动态环境下的安全路径规划,提出一种将神经网络和遗传算法相结合的路径规划方法。用hopfield神经网络描述存在障碍物的动态环境,然后用遗传算法对代表路径的控制点进行寻优,并把路径安全性和最短路径要求融合为一个适应度函数。通过仿真实验表明该方法具有较高的实时性和有效性。

一种移动机器人全局路径规划新型算法

针对模拟退火算法收敛速度慢这一缺陷,提出了一种基于共轭方向法和模拟退火算法相结合的新型混合优化算法,并成功应用于机器人神经网络路径规划中。该算法可以使优化解不陷入局部极值解而得到全局最优解,仿真实验研究表明:本文提出的这种新型混合优化算法,计算简单,收敛速度快,显著提高了求解移动机器人全局最优化问题的计算效率。

基于进化神经网络的移动机器人路径规划方法

针对进化机器人路径规划的不可移植性进行了研究:在某个环境里进化好的行为对于变化了的环境不能适应,需要重新进化与学习。利用神经网络构建移动机器人传感器输入和执行器输出之间的映射关系,提出了一种基于神经网络的进化机器人的路径规划算法。该算法结合反应行为与行为学习的复合体系结构,将距离传感器信息和决策量作为样本库完成反应式行为,利用改进进化算法优化神经网络权值,在进化过程中,将新出现的样本不断地加入样本库,从而使机器人的高层智能行为逐步转换为低层本能行为。给出了算法的具体步骤,仿真实验结果证明该算法行之有效。