改进A^(*)算法的安全高效室内全局路径规划

针对A^(*)算法生成路径存在斜穿障碍物、转折点多及不平滑的情况,本文提出一种改进的A^(*)算法。首先通过排除所有强迫邻居节点来优化搜索邻域,避免生成斜穿障碍物的路径,提升路径的安全性和可靠性;其次设置安全距离,提取优化邻域后生成路径的必经转折点,减少路径冗余,简化路径结构;最后使用贝塞尔曲线对必经转折点进行插值,根据相邻两必经转折点的位置和连线斜率确定每段贝塞尔曲线控制点的数量和位置,进行分段平滑。仿真实验表明,改进的A^(*)算法较原A^(*)算法生成的路径安全性平均提升了33.68%,转折点个数平均减少了37.00%,同时机器人转向角和路径曲率连续,保证了路径的平滑。改进的A^(*)算法最终生成的路径与障碍物均保持在安全距离内,转折点少且平滑,可应用到移动机器人室内路径规划中。

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。

面向多到一任务交接的多机器人协作路径规划算法

针对传统的多机器人路径规划算法处理任务形式单一、非必要损耗大等问题,本文提出一种多组多到一任务处理方式的协作动态优先级安全间隔路径规划算法(Co-DPSIPP)。首先,该算法以最小化路径总长度为目标,采用模拟退火、扩散搜索等方法确定各组机器人的任务交接点;然后,采用改进的安全间隔路径规划算法为所有机器人进行分段路径规划;进一步针对部分不合理任务交接点会造成区域性拥塞并导致求解失败的问题,设计群组优先级与中间点动态调整规划策略。最后,在4种基准地图上的测试结果显示,相较于协作基于冲突搜索算法(Co-CBS),本文提出的算法在求解成功率上平均可提升73%,在运行时间和路径总长度上平均分别可减少56%和5%。实验结果证明,本文算法为多组多到一任务场景下的多机器人协作路径规划问题提供了更为灵活且扩展性更强的解决方案。

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。

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。

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。

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。

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.

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。

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.

船舶航迹舵的路径规划算法研究

随着全球船舶运输业的快速发展和海洋环境的日益复杂,船舶操舵控制问题是百余年来业界关注的研究热点。船舶自动舵系统作为船舶航行控制的核心技术,其路径规划算法的研究显得尤为重要。本文回顾了自动舵的沿革历程,综述了基于控制理论、信息技术、人工智能等技术的新一代自适应航迹舵,研究了场景感知、路径规划、算法框架等关键技术,分析了自适应航迹舵的主要功能,既能应对复杂多变的外部环境,又能提供自主避碰和智能决策,为船舶自动化和智能化发展提供了有力支持。本文的研究对于提高船舶操纵性、航行安全性、营运经济性具有现实意义。

融合安全A*算法与动态窗口法的机器人路径规划

A*算法通过启发信息指引搜索方向,被广泛应用于移动机器人的路径规划,但其规划出的搜索路径存在冗余节点且与障碍物相近,无法满足动态避障需求。对标准A*算法进行改进,设计安全A*算法并融合动态窗口法进行路径规划。定义安全距离因子引入A*算法的启发函数中,提高算法规划路径的安全性,同时采用平面结构法对算法规划得到的路径进行优化,根据相邻节点与障碍物之间的位置关系判断该相邻节点间是否存在障碍物,由此减少路径拐点数,提高路径平滑度。由于当移动机器人处于未知环境时,仅靠A*算法不能避开障碍物到达目标点,因此借助动态窗口法的局部避障功能。通过安全A*算法规划全局最优路径节点坐标,设计融合子函数改进动态窗口法的评价函数,解决动态窗口法易陷入局部最优的问题。实验结果表明,在复杂环境中,该方法通过融合安全A*算法和动态窗口法,能够确保在安全路径基础上实时随机避障,使机器人安全到达终点。

融合安全A^(*)算法和改进人工势场法的巡检机器人路径规划

大型仓储中心等货物密集的地方,安全性要求也更高。随着机器人技术的成熟,巡检机器人逐渐代替人工巡检,机器人路径规划算法也逐渐出现。本文针对巡检机器人,采取全局路径规划和局部路径规划相结合的方法,提出了一种融合安全A^(*)和人工势场法的算法,在A^(*)代价函数中添加安全距离,并选取安全A^(*)的关键节点加入到人工势场法中作为引力,引导巡检机器人前进。经过MATLAB仿真及障碍物实验,该方法规划出的路径较短且具有良好的避障能力,具有良好的性能。

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。

基于改进遗传算法的狭窄空间路径规划

针对室内或地下等狭窄而复杂环境下的移动机器人全局路径规划,提出了一种基于Dijkstra算法的改进遗传算法路径规划策略,以解决传统遗传算法在狭窄环境下难以有效初始化的问题。首先借助Dijkstra算法得出基准路径,然后以此基准路径为基础,通过改进的编码方式与搜索空间进行初始种群的编码,最后通过遗传算法获得最优路径。提出了全局通行度和路径安全度的概念,用来评估当机器人不可视为质点时的环境状态与路径优劣。仿真实验结果表明,与传统遗传算法和人工势场法相比,本方法在保证路径距离较短的情况下,能使路径安全度提高50%以上,或者将时间复杂度降低一半以上,表明了所提方法的实用性和有效性。

基于改进人工势场法的路径规划决策一体化算法研究

车辆路径规划与决策算法是无人驾驶汽车的重要研究方向之一。现有的路径规划与路径跟踪决策算法中规划层与决策层存在时滞现象,往往会引起检测信息与真实行驶环境信息的偏差,使得规划的局部路径不能反映当前真实状态,是无人驾驶汽车安全行驶的不稳定因素。本文综合考虑了环境交通参与者与车辆自身运动学特征,建立了横纵向安全模型,对车辆目前行驶环境的风险特征进行了综合评估。在行驶环境特征与车辆动力学特征的基础上对传统人工势场法进行了改进,设计了基于虚拟力的局部路径规划与控制决策一体化算法,提升了算法在复杂动态环境下控制的可靠性。最后,利用Carsim/Simulink建立了联合仿真环境,分别对传统路径规划算法、路径跟踪算法与本文提出的路径决策规划一体化算法在典型工况下进行仿真。仿真结果表明,该算法能减小路径规划决策环节的时滞影响,为复杂动态环境下的无人驾驶车辆提供更加合理的控制方法。

融合动态窗与改进RRT的全位置机器人路径规划算法研究

针对传统RRT算法在无人车、无人船等自适应路径规划中的随机性导致树枝生长缺乏目标方向性问题,提出一种改进RRT算法与动态窗口相结合的混合算法,考虑其随机树生长过程中存在大量的冗余点,使得路径曲折、不平滑,基于子目标点选取策略研究一种过滤多余节点的算法;为了满足无人车、无人船行驶的安全性,建立安全阈值距离模型,避免与障碍物发生碰撞。对所提出的方法进行仿真实验,结果表明:改进的RRT算法能够在复杂的动态环境下生成有效的可行路径,与传统RRT算法相比较,它使搜索效率提高了43%,规划路径平滑度明显提升,能够实现动态环境中无人车、无人船在线实时路径规划。