基于改进A^(*)算法的安全路径规划

由于传统的A^(*)算法存在搜索角度固定、经过障碍物时过于靠近障碍物、易导致碰撞、转向角度不够平滑的问题,提出一种改进A^(*)算法的安全路径规划方法。对A^(*)算法中的搜索邻域进行扩展,使搜索方向之间的夹角不再局限于45°;基于二维高斯分布设计安全距离矩阵,在启发函数中加入当前节点危险值;采用三次均匀B样条曲线对路径进行平滑处理。经过仿真验证,改进的A^(*)算法能够减少算法迭代次数,提升路径平滑程度,能够有效避免路径存在障碍物,提高了路径的安全性。

复杂城市低空无人机安全风险评估与三维路径规划

针对复杂城市环境内低空无人机飞行安全与效率亟待提升的问题,提出了复杂城市低空无人机安全风险评估与三维路径规划方法。首先,设计了无人机越界冲突率、缓冲空域占比指标,建立了无人机地理围栏安全缓冲间距优化模型,对最佳缓冲间距和栅格粒度进行了标定;然后,构建了由人口密度层、遮蔽层和障碍层构成的无人机风险地图,建立了弹道下降和失控滑行两种模式下的无人机对地风险评估模型,生成了精细化、组合化的城市低空概率风险地图;最后,综合利用地理围栏、概率风险地图和跳点搜索算法,对无人机三维路径进行了初始规划和优化重构。结果表明:弹道下降模式的伤亡风险是失控滑行下降模式的5~75倍;与A*算法相比,跳点搜索算法有效减少了飞行路径的转弯数量,缩短了求解时长,更适合规划无人机飞行路径;与不采用风险地图的方法相比,基于风险地图的无人机路径规划减少了50%的较高风险节点,相应的路径长度仅增加了7.2%和11.4%,整体路径节点的伤亡风险明显降低。研究成果可为复杂城市低空无人机飞行计划制定及安全运行监管提供理论依据和方法支撑。

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RRT算法的移动机器人安全光滑路径生成

在多障碍物复杂工厂环境中,针对快速探索随机树算法(RRT)生成的路径存在冗余点、贴近障碍物且存在锯齿状转折的问题,改进得到了安全-光滑RRT(Safe-SmoothRRT)路径规划算法。首先,引入目标偏置策略;其次,该算法利用融合目标点引力思想的新节点扩展方式以及改进的近邻点度量策略以减少树的盲目扩展,提高生长的目标性;随后,引入节点安全约束,将安全节点加入树中;改进路径简化方法,剔除冗余点的同时兼顾了安全性;最后通过B样条局部平滑来改善路径的平滑性。在MATLAB仿真实验中分别与标准RRT算法、自适应目标偏向性RRT算法和改进RRT算法相比,在平均路径长度方面最大下降了7.1%,在平均有效节点数方面最大下降了64.1%,且所得路径始终与障碍物保持一定的安全距离,结果表明改进算法有效提升了路径的光滑性和安全性。

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。

基于安全点引导混合算法的启发式机器人动态路径规划

针对机器人在复杂环境下路径规划难以兼顾全局最优和实时避障的问题,将改进的A*算法和人工势场法结合,提出一种具有启发式动态路径规划的安全点引导(SPG)混合算法。设计了终点逼近策略,解决了传统A*算法规划路径转折点过多的问题,同时采用平面向量积法避免传统人工势场法路径振荡。设计安全点引导的启发式策略将两种改进算法结合,既保证安全路径,又逃离局部极小值点。分别在静态和动态环境下对SPG混合算法进行仿真并与传统混合算法相比,静态环境和动态环境下的路径长度与运行时间分别缩短了10%,25.6%和9.5%,30.9%,表明SPG混合算法具有良好的全局路径规划与动态避障能力。最后在真实场景中验证了SPG混合算法的有效性。

基于模糊随机森林的山区道路安全路径规划算法

为提高山区道路行驶的安全性,该文将增加不安全区域道路阻抗、减少阻抗较大(即安全性较低)道路的通过率作为基本思路,提出一种基于模糊随机森林的山区道路安全路径规划算法。该算法在采集典型路段的道路等级、坡度、可视域及道路起伏度等安全影响因素的特征值和安全行驶速度的基础上,利用随机森林算法构建安全行驶影响因子与安全行驶速度之间的映射模型,结合模糊推理方法估算未采样路段的安全行驶速度,获得全路网的安全行驶速度进而构建路网阻抗,据此制定山区道路安全路径规划路线。以山西某山区巡检路径规划为例,对山区道路安全路径规划算法的合理性进行验证,结果表明:该算法所规划的巡检路径方案能有效规避陡坡和视域差的路段,得到较合理、安全的线路,可为巡检员山区道路安全出行提供保障。

基于改进蚁群算法的工业机器人路径规划研究

针对蚁群算法在机械臂路径规划中存在的问题,如路径过长、收敛速度慢等,文章提出一种改进的蚁群算法。首先将蚁群分为外层蚁群和内层蚁群,分别设计不同的启发函数来提高搜索效率,并引入安全因子提高机械臂运动过程的安全性,利用外层蚁群初始化信息素,引导内层蚁群进行全局寻优;为了加强优质种群的寻优能力,在信息素更新原则中引入狼群的猎物分配机制,同时改善部分路径信息素浓度,防止算法陷入局部最优;得到的机械臂末端有效路径再经过机械臂逆运动学运算和碰撞检测,转化为一条机械臂最优位姿路径。仿真实验表明该算法能为机械臂在不同环境中规划出一条符合运动要求的避障路径。

基于安全场改进RRT^*算法的智能汽车路径规划方法

快速搜索随机树(rapidly-exploring random tree,RRT)算法是智能汽车路径规划的常用方法,但传统RRT和RRT^*算法存在路径抖动大、易陷入局部区域和计算效率低等缺点。针对这些问题,本文中结合实车数据提出了一种基于安全场改进RRT^*算法的智能汽车路径规划方法。首先,建立了基于安全距离模型的安全场,通过驾驶数据采集试验对模型关键参数进行了提取;在此基础上,提出了具备安全场引导和角度约束等策略的改进RRT^*算法;最后,通过仿真对算法进行了验证。结果表明,本文提出的路径规划方法能计算出满足车辆轨迹曲率约束的有效路径,同时具有较快的搜索速度和更高的成功率。

基于轨迹安全性评价的免疫遗传路径规划算法

针对移动机器人栅格路径规划中安全轨迹规划、局部极小点问题,提出了一种基于轨迹安全性评价的免疫遗传路径规划算法。通过将人工势场(APF)模型与轨迹安全性评价相结合,提出利用斥力场强度评估轨迹安全性,建立基于轨迹安全性、行驶代价评估的适应度函数,利用免疫遗传算法对APF模型中的势力场参数进行自适应优化估计。通过将参数变化控制在一个合理的区间,有效避免局部极小情况的发生,同时提高了路径的安全性。算法的有效性通过仿真实验得到了验证。

融合能耗指标与安全因子的移动医疗机器人通用路径规划

考虑在突发重大公共卫生事件期间存在的医疗物资搬运工作强度大、交叉传播风险高等问题,提出一种节能、安全且通用的移动医疗机器人无碰撞路径规划方法。首先,通过建立某方舱医院栅格地图环境模型,表征机器人自主移动过程的能量消耗指标,改进A*算法原始搜索方向,构建了一种计及能量因素的邻接矩阵优化策略。然后提出一种邻接矩阵权值算子,融合权值算子和安全避障惩罚因子到A*算法的估价函数中。同时,提出一种基于三次连续贝塞尔曲线的路径平滑方法,用于方舱医院栅格地图中生成曲率连续的平滑路径。仿真结果验证了所提方法的适用性,相较于传统路径规划方法,该方法具备节能性、安全性和平滑性特征,有效降低了医疗运输成本。

改进A*和DWA的机器人路径规划研究

针对复杂环境中移动机器人路径规划效率低、环境适应能力差等问题,提出一种融合改进A*算法和动态窗口法(DWA)的路径规划算法。首先,在全局规划中采用自适应参数因子和安全半径路径优劣评价函数对冗余节点进行优化,提取关键节点,再使用圆弧处理法对已规划路径进行平滑度优化;然后,采用改进安全距离评价子函数的动态窗口法进行局部规划,提升了移动机器人的避障性能;最后,对融合算法进行仿真和实物实验。结果表明:改进的A*算法在路径长度和转折角度方面均得到优化;融合改进动态窗口法后,移动机器人在复杂环境中能够找到最短无障碍路径,实时避开未知障碍,安全到达目标点位,验证了该算法的有效性和实用性。

用遗传算法实现多移动机器人安全路径规划

针对动态环境中多移动机器人路径规划问题提出了一种遗传算法.该算法的适应值与间隙呈线性关系,计算简单,将协调路径适应值矩阵引入遗传算法,实现了多移动机器人安全路径规划.仿真结果验证了该算法在多移动机器人路径规划中的可行性和有效性.

考虑地面行人安全的无人机低风险路径规划策略

为了提升无人机点到点作业任务的安全性,本文提出了一种低风险路径规划策略。低风险路径规划策略包括风险评估和路径规划两部分。在风险评估部分,以无人机对地面行人的风险作为评估指标,建立风险值评估模型和风险等级评估模型,以风险图作为结果表征无人机作业的安全程度。在路径规划部分,结合风险评估模型的特有背景和特点,提出了一种改进快速探索随机树*算法,这一算法使用了路径冲突检测和优先探索等策略,可以更加有效的探索到低风险路径。最终,案例分析表明,低风险路径规划策略能有效规划出避开风险较高区域的作业路径,其路径风险代价相比于直线飞行降低了13.16%,其路径规划时间相比于对比算法降低了60.63%和12.20%。因此,这一规划策略具有实用价值,可以提升无人机作业的安全性。

改进沙猫群优化算法的无人机三维路径规划

为提高无人机在复杂三维障碍环境中的路径规划效率及准确性,提出一种融合准反向学习策略的沙猫群优化算法.根据实际情况构建适合本场景的数学模型,再通过成本函数将三维路径规划问题转化为目标函数求解问题,同时考虑无人机的安全性、偏航角和俯仰角等相关约束,从而找出最优飞行路径.仿真实验结果表明,在相同障碍环境下进行多次重复实验,沙猫群优化算法只有约40%概率能够寻找到满足相关约束的最优飞行路径,而融合准反向学习策略的沙猫群优化算法能够准确找出最优飞行路径且在不同的障碍环境下也能够高效寻找最优路径.

基于改进遗传算法的工厂AGV安全路径规划

为了避免危害事故的发生,在复杂的加工制造工厂中规划AGV小车安全无碰撞的行驶路径,不能简单地将AGV看成一个质点。首先在传统的障碍物栅格地图中叠加了环境安全信息,构建了融合信息栅格地图,提出了一种改进的遗传路径规划算法,在其适应函数中加入安全信息,并采用A*算法产生的初始路径为基准进行安全优化,减少了算法的搜索空间和复杂度。在MATLAB中对算法进行了验证,并在Gazebo中模拟了制造工厂AGV路径规划过程,验证了该方法具有较快的收敛速度及有效性。

基于遗传算法的航海路径规划优化研究

航海路径规划是一项重要的任务,它需要考虑多种因素,例如海洋环境、船舶性能和安全等。文中基于遗传算法提出了一种航海路径规划优化方法,该方法将问题建模为一个优化问题,通过遗传算法来搜索最优解。我们将该方法应用于实际案例,并与传统方法进行比较,结果表明,基于遗传算法的航海路径规划方法在时间和效率上均具有优势。这种方法可以在实际航行中为船舶提供更安全和更经济的路径选择。

移动机器人路径规划安全A^(*)算法

针对移动机器人路径规划时安全性不高的问题,提出一种路径规划安全A^(*)算法.首先,通过扩展搜索邻域,减小路径转角角度,避免不必要的折角;然后,在启发式函数中引入新的评价指标,增加移动机器人与障碍物的距离.最后,提出安全性指数S,对路径安全性进行量化.通过MATLAB软件进行仿真对比,仿真结果表明:文中算法的路径质量和安全性更佳.

融合随机反向学习蜜獾算法的无人机三维路径规划

提出一种融合随机反向学习的蜜獾算法(random opposition-based learning honey badger algorithm,ROBLHBA)以解决复杂的无人机三维路径规划问题。在原算法的挖掘阶段和采蜜阶段后加入随机反向学习策略,增强算法的全局能力,加快了收敛速度。此外,为了更加真实地模拟复杂的无人机三维路径规划问题,将路径长度和与威胁障碍的碰撞情况作为代价函数,将无人机三维路径规划问题转化为对无人机的安全性和飞行操纵约束下的优化问题,使仿真实验更加具有真实性。实验对比多种群智能优化算法在同一场景下的运行结果,同时也将改进算法在不同场景下运行。实验结果体现改进后的蜜獾算法在无人机三维路径规划问题上有更好的实用性和鲁棒性。

基于深度确定性策略梯度算法的智能水下机器人局部路径规划

路径规划是智能水下机器人技术研究的核心内容之一,是实现其自主航行和作业的关键环节。基于水下机器人的运动学模型,将深度确定性策略梯度(DDPG)算法应用于水下机器人的局部路径规划中,通过构造适当的奖励信号和设置合理的训练评估条件,使算法适用于水下机器人的运动学模型。仿真试验验证了采用DDPG算法训练的水下机器人能够在航道水域环境中安全快速地规划和避开障碍物,实现自主安全航行。