融合TangentBug算法和人工势场法的移动机器人路径规划

针对应用人工势场法进行路径规划时会遭遇的局部极小值问题,提出的解决方案是融合TangentBug算法应对,融合算法在应用TangentBug算法翻越障碍物后再次应用人工势场法进行路径规划,使得融合算法较传统的虚拟目标点法和传统的TangentBug算法在避障上更有效。经过仿真验证,融合算法较传统的TangentBug算法在时间和路径平滑度上分别提升了至少77.68%和10.79%的效率,较传统虚拟目标点法路径规划更有效。

融合TangentBug与Dubins曲线的智能轮式车辆局部路径规划算法

由于环境条件限制,某些采用Ackermann转向的智能轮式车辆仅能获取局部地图和定位信息,给路径规划造成了困难。针对这一问题,本文中提出了一种融合TangentBug和Dubins曲线的局部路径规划算法。首先通过采样的方法构建了规划参考点集合,然后以Dubins曲线作为规划路径,旨在满足车辆最小转向半径的运动约束和目标点处的航向要求,并加入了沿规划路径的碰撞检测和考虑定位误差的状态转换规则。最后通过实车实验证明:本文算法能使车辆按规定位姿到达目标点,并可保证规划路径的安全性和实时性;本文算法可有效避免定位误差对车辆状态的影响;相对于使用圆弧曲线,本文算法规划出的路径更有利于路径跟随控制。

记忆运动方向的机器人避障算法

在一般的避障环境中,Tangentbug算法表现的非常鲁棒,但当避障环境中有对称障碍物的时候,Tangentbug算法容易产生路径的死循环,从而导致终点不可到达.然而在机器人避障过程中,对称障碍物是非常常见的.针对这个问题,提出了基于记忆机器人运动方向的Tangentbug算法.该算法中,机器人每经过一个位置点,就把当前位置点和选择的运动方向记录下来,为后面的更新运动方向做好准备.首先,机器人扫描到障碍物时计算出机器人与障碍物的相遇方向;其次,根据障碍物的边缘,统计局部地图信息,得到局部切线图,找到离终点和当前点距离和最近的点作为机器人的下一个目标点,得到机器人的运动方向;然后,在机器人绕行障碍物时结合记忆的运动方向和局部切线图产生的最小距离和更新下一步运动方向.在整个避障过程中,不停的更新相遇方向和运动方向,最终实现机器人的直行和绕行,从而到达终点.通过大量实验验证,实验结果表明该算法不仅可以实现机器人在对称障碍物环境中顺利到达终点,也可以在非对称障碍物环境中达到终点,验证了该算法的有效性和鲁棒性.