基于改进A^*与DWA算法融合的温室机器人路径规划

根据温室环境下移动机器人作业的实时路径规划要求,提出一种基于改进A^*算法与动态窗口法相结合的温室机器人路径规划算法。针对传统A^*算法搜索算法拐点过多的问题,对关键点选取策略进行改进,融合动态窗口法,构建全局最优路径评价函数,采用超声传感器进行局部避障,实现实时最优的路径规划。仿真实验结果证明,与传统A^*、Dijkstra、RRT算法相比,基于改进A^*算法的路径更为平滑和高效。真实环境下实验表明,移动机器人能够实现自主导航,跟踪误差保持在0.22 m以内、定位误差不大于0.28 m,能够满足实际需求。

基于改进A^*算法的无人机路径规划研究

针对无人机在野外复杂环境下传统的A^*算法在路径规划的过程中存在的内存开销大、运算时间长等问题,提出了一种新的算法。首先运用栅格法对无人机的任务空间环境进行环境建模,利用IDA算法进行路径规划,对传统A^*算法启发函数进行了相应的改进,提高了节点的搜索效率,并且结合双向搜索策略进一步降低了在路径规划过程中的节点搜索个数。通过仿真,对IDA算法、传统A^*算法和双向A^*算法在搜索时间和节点搜索个数等性能指标进行了比较和分析,验证了IDA算法的有效性。

基于改进A^*算法的水面无人船全局路径规划

A^*(A-star)算法是无人船全局路径规划中常用的算法之一,但是其规划的路径是不平滑、局部最优解的问题困扰着研究人员。针对该问题提出一种基于A~*算法改进的路径规划算法。该算法在栅格化的二维环境模型上扩大节点搜索邻域至24和48邻域,在更大的优化空间内得到全局最优解,且路径更加平滑。仿真实验结果表明,该算法在路径最短的基础上能够提高拐点的平滑度和路径的安全性。

基于改进A^*算法的水下重力匹配导航路径规划

水下重力匹配导航作为辅助手段,能够有效克服惯性导航系统在水下长时间航行产生的误差积累.重力场的不规则性,使得不同海域重力场适配性存在差异,重力特征变化显著的海域匹配精度较高,反之精度较低.在适配性评价基础上,对导航路径进行规划有助于提高作业任务可行性,合理规避不利因素.本文采用重力异常标准差、粗糙度等特征参数对海域重力场适配性进行评价,形成重力场适配格网参考图,引入A^*算法规划起始点和目标点间路径,达到了有效规避非适配区、提高航路设计合理性的目的.传统A^*算法存在的问题是,规划路径折线较多、线路总弯曲度大,本文设计了一种改进方法,通过前后向对比分析,对单个路径节点逐个进行筛选过滤,有效减少了冗余航向调整,实现了路径的平滑优化.

基于优化A^*和DWA算法的移动机器人避障路径规划

针对移动机器人在路径规划过程中路径曲率不连续,避障能力差等问题,提出了一种将改进A^*和动态窗口法(DWA)相结合的路径规划方法。首先,在传统的A^*算法基础上,将传统的8个搜索方向改为5个,提高搜索效率;其次,将Floyd算法思想引入A^*算法中,设计了一种新的启发式搜索函数,实现了无斜穿障碍物顶点,增加了路径的平滑度;最后,融合改进算法以及动态窗口法,构造了新的评价函数,在保证规划路径全局最优性的基础上达到避障效果。仿真结果表明:该研究对于移动机器人自主导航的应用具有一定的参考价值。

基于改进A^*算法的无人搜救全局路径规划研究

目的:研究一种改进双向A*算法来减少搜救无人机规划的路径长度和规划路径所需的时间,缩短搜救无人机到达灾害现场的时间,进而提升搜救工作效率。方法:首先对三维城市环境地图进行预处理,在障碍物周围的区域加入缓冲区;然后使用双向A^*算法,在起点和终点同步进行搜索,同时改进真实代价函数和估价函数;最后对双向A^*算法生成的路径进行进一步平滑处理。使用MATLAB软件对改进双向A^*算法和传统A^*算法在不同大小的三维城市环境地图上进行仿真实验,并对规划得到的路径长度、运行时间和转向次数进行对比。结果:与传统A^*算法相比较,改进双向A^*算法运行的时间减少了44%、路径长度减少了5.4%、转向次数减少了51%。结论:改进双向A^*算法与传统A^*算法相比,在三维城市环境地图下能有效提高搜救无人机的工作效率和安全性,具有重要的理论意义和应用价值。

基于改进双向A^*的移动机器人路径规划算法

针对双向A*(B-A*)算法在障碍物空间生成路径的过程中搜索过多无用区间且生成路径存在很多冗余点和拐点的问题,提出了一种基于B-A*算法改进的高效路径规划(EB-A*)算法。首先引入了一种智能采样函数,使区间搜索更具方向性,从而减少无用区间搜索。其次采用了精英搜索策略,使改进后的算法在障碍物空间规划路径时,根据目标点与当前点的相对位置采用不同搜索矩阵,进一步减少了寻路时间。最后采用路径平滑策略,删除路径中的冗余点,平滑生成路径。仿真实验表明:改进后的算法能够提高工作效率,平滑生成路径。

基于改进A^*算法的无人车路径规划

传统的A^*算法在无人车路径规划中存在规划时间较长和搜索范围较大的缺点。综合分析A^*算法的计算流程后,从四个方面对A^*算法进行改进:1)目标性拓展,即根据待扩展节点和目标节点的相对位置来有目标性地选择不同的象限进行节点拓展;2)目标可见性判断,即判断待扩展节点与目标点之间有无障碍物,若无障碍物则跳出A^*算法的探索过程,以此减少多余的搜索;3)改变A^*算法的启发函数,即增加待扩展节点的n辈父节点到目标点的代价估计,以此减少到目标点的代价估计的局部最优情况;4)改变扩展节点的选取方略,即改变传统的最小化启发函数来选择扩展节点的方式,通过引入模拟退火法来优化扩展节点的选择方式,使得搜索过程尽可能向靠近目标点的方向进行。最后通过Matlab仿真实验结果表明,在模拟的地图环境下,提出的改进A^*算法在运行时间上减少67.06%,经历的栅格数减少73.53%,优化路径长度浮动范围在±0.6%。

基于记忆模拟退火和A^*算法的农业机器人遍历路径规划

【目的】解决农业机器人大田作业时遍历路径规划的问题。【方法】提出一种记忆模拟退火与A*算法相结合的遍历算法。首先通过记忆模拟退火算法搜索出任务最优目标点行走顺序,然后使用A^*算法进行跨区域衔接路径规划。【结果】仿真试验结果表明,该算法规划的遍历路径曼哈顿距离比传统模拟退火算法减少了9.4%,遍历路径覆盖率能达到100%,重复率控制为4.2%。【结论】记忆模拟退火通过为传统模拟退火算法增加记忆器,增强了跳出局部最优陷阱的能力,提高了算法所得解的质量。该研究结果可为农业机器人遍历路径规划提供理论基础。

基于改进A^*GBNN算法的AUV路径规划

针对现有的离散生物启发神经网络(GBNN)算法在未知环境下存在的路径规划时间长和易陷入局部最优等问题,提出一种结合A^*和GBNN模型的改进算法。在GBNN活性值栅格网络中,该算法将各栅格的活性值作为A^*的代价函数进行运算,并使用跳点搜索规则优化,实现未知环境下的实时路径规划。仿真试验结果表明,该算法能有效改善自主水下航行器在未知环境下的寻路效率,满足自主水下航行器实时路径规划需求。

基于A^*算法的机器人路径规划与避障研究

针对当前智能机器人应用中传统人工势场法路径规划存在的问题,对传统人工势场法进行改进,同时引入A~*算法进行全局路径优化。具体则是在传统人工势场法中,对斥力函数进行改进,同时建立虚拟目标牵引点,以改进局部极小值和目标不可达的问题;在全局路径规划方面,引入A~*算法,通过改进A~*算法中的估计函数,以解决启发函数信息太弱或太强的问题。最后在Mat-lab2012b对上述混合算法进行编程,得到不同方法下的仿真结果。结果表明,本文构建的改机算法可有效到达终点,并且曲线光滑、平稳。

基于改进的A^*算法集装箱码头自动导引小车路径规划研究

针对传统A^*算法规划出的路径碰撞威胁较大,提出了在原启发式函数基础上增设自动导引小车(AGV)与障碍物间距离和安全距离函数,限制AGV与障碍物距离,从而达到降低碰撞威胁的目的.以上海洋山深水港为例,运用改进的A^*算法,根据实际情况设计仿真实验,验证了引入碰撞因子的A^*算法距离缩短为1 m时,规划时间增加为0.04 s,算法整体效益明显提高.

基于背向障碍物搜索A^*算法的平滑路径规划

提出一种基于背向障碍物搜索方式的改进A^*算法。为了剔除路径中不必要的转折点,同时保证与障碍物的距离,采用提取最优转折点策略。引入三次均匀B样条插值函数,平滑优化转折点之后的路径。仿真实验证明:提出的改进A^*路径规划算法,保证了规划出的路径与障碍物留有一定距离,且总体路径更加平滑,更有利于移动机器人的控制。

基于记忆矩阵A^*引导域的VFH算法改进策略

针对机器人采用VFH算法避障容易陷入局部死区的问题,提出为机器人增加记忆地图的方法.在面对未知环境时,采用了一种新的自适应阈值策略,在一定程度上避开局部死区抵达目标点,同时在首次避障时生成记忆地图.在二次避障过程中通过记忆地图产生低分辨率A*引导域,使用改进的代价函数,使A*引导域与VFH算法有效结合,以较优的路径完成避障过程,同时能实时适应周围环境的变化.最后,在MATLAB上针对不同环境进行算法仿真对比.实验结果表明,使用新的自适应阈值策略能在未知环境下完成避障过程并产生记忆地图;在记忆地图的基础上使用A*域的引导,能使机器人适应周围环境变化的同时以较优的路径顺利到达目标位置.

基于改进A^*算法的无人配送车避障最优路径规划

针对无人配送车在特定应用场景下的全局路径规划问题,提出了一种改进的A^*算法.首先,根据无人配送车的运行环境,建立栅格地图,并使用基于八邻域搜索的A^*算法在栅格地图上规划起始点到目标点的路径;其次,在基于八邻域搜索A^*算法的基础上,融入了一种适应无人配送车运行环境的多启发式搜索方法,使改进后的算法能够快速精确地规划出路径距离最优的初始路径;并进一步优化初始路径的转折线段为圆弧,最大限度地平滑路径;最后,改进A^*算法的路径生成机制,使规划生成的路径不会斜线经过障碍物的边界线,保证无人配送车安全有效地避开障碍物,到达目标点.仿真结果表明,该算法缩短了路径规划时间,同时转折线段优化为圆弧,生成的路径与障碍物始终保持至少半个栅格的最小安全距离,该研究对于无人配送车快速实现安全配送具有重要的理论价值和应用意义.

改进的A^*算法在游戏寻路功能中的应用与研究

在游戏开发中,A^*算法是主要解决地图搜索寻径的方法。为实现算法在不同游戏地图场景中的适用以及更好地节省系统资源的占用,文章提出了精简地图路径点的方法,在路径搜索时对地图路径点个数进行精确缩减,从而减少算法代价函数值的计算次数,进而节省资源消耗。在Unity引擎环境下进行算法模拟,模拟结果表明,该算法可以较好地节省系统资源和提高运行效率,在更大规模地图中,效果尤为明显。

基于改进A^*算法的移动机器人路径规划方法

首先分析了A~*算法在运行过程中存在多条对称性的路径、扩展节点多等问题,指出使用定向搜索的方法减少A*算法生成并扩展的节点数量。通过消除对称路径,大量减少添加进openlist和closedlist中的扩展节点,极大地提高了搜索效率。最后使用不同地图进行实验,以验证改进后的算法性能。实验结果表明提出的定向搜索策略不仅是一个简单的策略,而且还是一个高效的策略。该方法是快速的、最优的,不需要提前处理任何信息,也不需要额外的存储空间,路径结果相较于传统算法更加平滑。

基于IGWO-A^*算法的无人机农田喷洒航迹规划

目前无人机已经在农业领域逐步应用,在精量播种、农药喷洒、植被检测等不同类型的农业航空作业中有着广泛的应用,采用无人机进行农药喷洒已经成为农业植保过程中的一项重要任务。多喷洒点遍历及障碍物避障的航迹规划问题,影响着无人机喷洒作业的效率。如何规划无人机喷洒作业点的顺序及低空作业避障问题在农田喷洒任务中受到了广泛的关注。使用传统灰狼优化算法求解能力强,但这易陷入局部最优解。针对此问题提出了一种改进的灰狼优化算法(IGWO)与A~*算法相结合的无人机农田喷洒航迹规划算法。IGWO算法引入了K-Means算法进行种群初始化以加强种群多样性,引入了非线性收敛因子以平衡算法的全局搜索与局部开发能力,引入了粒子群优化算法个体优越性进行位置更新以避免算法陷入局部最优,从而使得IGWO算法具有更强的模型求解能力。运用IGWO算法无障碍物的求解遍历多喷洒点的最优航迹路径,随后在障碍物阻挡的航迹路径段运用A~*算法避障规划以修正段内航迹。试验仿真结果表明:IGWO算法与GWO算法在随机生成的5个喷洒任务点的遍历航迹规划长度相同,而在随机生成的30个喷洒点遍历航迹规划中IGWO算法是GWO算法寻找最优解所需迭代次数的1/3,且规划路径缩短4.17%,说明IGWO算法对大任务量喷洒任务点更具有优越性,收敛速度更快,模型求解能力更强,规划航迹效率更高,同时验证了基于IGWO-A~*算法的无人机农田喷洒航迹规划的真实有效性。该研究为农业植保提供了一定的理论基础,为无人机自主作业解决了前提条件。

融合改进A^*和动态窗口法的AGV动态路径规划

路径规划对AGV(automated guided vehicle)完成自主导航起着关键性的作用,针对这点出发,提出一种全局采用改进的A*算法,局部在保证全局最优的情况下采用融合A^*(A-star)和动态窗口法(dynamic window approach,DWA)两种算法,首先在传统的评价函数基础上加入AGV的位置信息,设置了包含代价函数和启发函数的权重函数,其次,将传统的8个搜索方向,变成了5个,提高了路径搜索效率,为了进一步增加路径的平顺性,对节点进行优化,删除了多余的转折点,保留下关键的转折点,然后在此基础上又设置了安全域值,进一步删除多余的转折点,从而保证了全局路径最优,为了实现AGV实时动态避障,将A^*和DWA两种算法融合,进行在线实时规划路径,设计了一种基于全局最优路径的圆滑路径曲线,经过仿真,提出的算法在路径长度、机器人平均转折角度、运行时间等都大大减少,最后通过实验进一步验证了算法的可行性。

基于A^*算法的无人机路径规划研究及分析

针对无人机在复杂环境上路径规划问题,提出一种基于A^*算法进行路径规划,规划出最佳路径。首先通过MATLAB对自主设计的陆空无人机进行数据建模,生成三维模型。以杭州师范大学钱江学院地形为例创建栅格模型,模拟飞行环境,通过A^*算法进行路径规划。