改进势场蚁群算法优化路径自动规划

针对势场与蚁群联合的自主路径规划存在局部最优解、初始路径选择随机导致效率不高及环境适应性差等问题,提出了基于自适应域和参数自适应设置的改进算法。算法首先基于自适应域改进势场目标不可达问题,并过滤震荡点以平滑路径;其次,通过状态转移函数和信息素更新等相关参数的自适应设置,提高算法在收敛效率和搜索能力上的平衡性,进而提高对障碍环境的适应性。实验结果表明,所提算法能够有效避免局部最优、目标不可达和复杂环境的适应性问题,在路径长度和效率上优于实验采用的已有算法,从而验证了算法的有效性。

基于改进APF-Informed-RRT^(*)的机械臂避障路径规划

针对Informed-RRT^(*)算法在避障路径规划中缺乏目的性和方向性,存在规划时间长、迭代效率低等问题,提出了结合人工势场法和Informed-RRT^(*)算法的避障规划算法。首先,针对传统人工势场法存在目标点不可达、易与障碍物碰撞的问题,提出了改进后的人工势场法,并将其融入Informed-RRT^(*)算法中,使随机树沿势场下降的方向生长,增强其方向性;其次,依据随机树与障碍物间的距离,提出了一种自适应生长步长策略,提高了对空间的探索能力;最后,引入贪心算法的思想,在生长时直接判断随机树能否直达目标点,提高了路径规划效率。在二维和三维环境下对改进后的算法与传统算法及其衍生算法进行对比实验,仿真结果表明改进后的Informed-RRT^(*)算法相较于原始算法规划的路径长度和规划耗时分别减少了17.42%和36.21%。

复杂环境下基于改进Informed RRT*的无人机路径规划算法

针对无人机在复杂环境中进行路径规划时,快速搜索随机树(RRT)算法易出现规划时间长、路径冗余、狭窄空间中易陷入局部约束导致规划失败的问题,提出一种改进的Informed RRT*算法.首先,引入人工势场法使采样点按照势场下降的方式向目标点移动,以提高RRT树扩展的目的性和方向性.然后,考虑随机树在扩展过程中全局环境的复杂度,引入自适应步长调整策略以增加随机树在无障碍环境下的扩展速度,并在随机树扩展的过程中加入相关约束条件以确保生成路径的可行性.在找到第一条可达路径后,采用变化的椭圆或椭球采样域限制采样点选取和自适应步长的扩展范围,加快算法收敛到渐进最优的速度.最后,在复杂二维和三维环境下进行传统算法和改进算法的对比实验,仿真分析表明:改进算法可以在很少的迭代次数下找到更优的初始路径,更快地锁定椭圆或椭球采样域,从而给路径优化留出更多时间,算法规划效果更好.

不确定非线性系统的自适应滑模区域到达控制

针对一类参数严格反馈型不确定非线性系统,考虑存在外界干扰的情况下,设计一种基于反推方法的自适应滑模区域到达控制器,提高系统对非匹配不确定性及未知干扰的鲁棒性。与传统的设定点控制或位置控制不同,区域到达算法的控制目标是一个以期望点为中心的目标区域。所设计控制器综合了人工势场法、自适应控制、反推技术、滑模控制和Lyapunov方法。利用人工势场法设计目标势能函数,将区域误差引入势能函数中,结合Lyapunov方法,可以实现对目标区域的到达跟踪控制。采用基于反推的区域控制思想,将高阶整体模型分解为低阶子系统,并分别设计相应的滑模面,同时在前n-1步中结合自适应律,能够在线估计非线性系统的不确定参数项,增加所设计控制器的适用性。基于Lyapunov理论证明闭环系统的全局渐近稳定性,仿真结果表明:所设计控制器有效。

一种基于动态步长的AAPF-RRT*移动机器人路径规划新算法

针对改进快速搜索随机树(rapidly-exploring random tree,RRT*)算法中节点盲目扩展和收敛速率慢的问题,提出了一种基于RRT*的路径规划新算法。首先,通过改进相对距离势场法,提出了自适应人工势场(adaptive artificial potential field,AAPF)法,既克服了相对距离势场法中引力与斥力过大的问题,又解决了目标点不可达的问题。然后,将RRT*算法与AAPF法相结合,并将固定步长改为动态步长,从而既克服了RRT*算法中节点盲目扩展的问题,又显著提高了移动机器人路径规划效率和避障灵活性,同时兼顾路径平滑性。最后,基于MATLAB进行仿真,验证了所提算法的有效性和实用性。

一种AAPF算法及其在多机器人路径规划中的应用

研究了多移动机器人系统中的路径规划问题,提出一种自适应人工势场算法AAPF.通过引入自适应滑动策略,克服了基本APF算法容易陷入局部极值的问题;通过引入自适应退避策略,解决了多机器系统路径规划中的避碰问题.将AAPF算法应用到多机器人系统的路径规划问题中,仿真实验证明了AAPF算法的有效性.

改进RRT的复杂障碍物环境路径规划算法研究

为解决传统的RRT算法在复杂障碍物环境下时,存在采样随机性大,搜索效率低,规划路径曲折等问题,提出一种改进的RRT算法。将传统RRT算法的随机树扩展引入自适应步长目标偏置策略,加快向目标点的收敛速度;结合人工势场法的概念,在随机树中引入目标点的引力分量和障碍物周围的斥力分量,并限制障碍物附近的搜索区域;对改进RRT算法规划的路径引入局部定向剪枝概念,对路径关键点择优剪枝选取,快速逃离局部振荡阶段;加入三次B样条曲线对路径进行平滑处理,降低路径曲折程度,以保证路径的可行性。通过实验表明,改进的RRT算法在保证对同一路径搜索的同时,显著地减少了68.5%的搜索时间,并且减少了20%的节点迭代次数,更适用于复杂障碍物环境下的路径规划。

一种改进的SA-APF路径规划算法

针对基于模拟退火的人工势场算法存在局部最小值问题,引入一种随机逃逸力,提出一种改进的SA-APF(Simulated Annealing-Artificial Potential Field)算法,可使机器人快速逃离局部最优解。针对算法中仍存在目标不可达问题,根据模糊控制方法提出一种自适应斥力势场增益系数,在机器人遇到目标点附近有对称排列的障碍物时,使机器人能够到达目标点,并采用4次贝赛尔曲线拟合,使路径更光滑。仿真结果表明,在简单和复杂的障碍物的实验条件下,改进后的算法可以准确、高效地完成路径规划。

融合改进人工势场的Informed-RRT^(*)算法的机械臂路径规划

针对Informed-RRT^(*)算法存在目标性差、探索时间过长、迭代效率低、路径质量差的问题,提出了一种融合改进人工势场的Informed-RRT^(*)算法的机械臂路径规划算法。在随机点探索上,提出一种引入新的斥场力函数的改进人工势场法,引导随机点的拓展,限制路径方向的随机性;在路径扩展中,提出一种自适应步长方法,通过由采样点、最优父节点和目标点构成的三角形角度θ进行判断,采用不同步长进行扩展,缩短探索时间;在路径寻优过程中,采用椭球子集采样,提高迭代效率与最终路径质量。结果表明,与Informed-RRT^(*)算法相比,所设计的IAPFIRRT^(*)算法规划时间减少31.56%,路径长度减少9.23%,节点利用率增加24.23%,算法的搜索效率得到显著的提升与优化。将生成的路径导入机械臂模型后,机械臂能够完成避障并平稳运行至目标点。

动态环境下基于自适应步长Informed-RRT*和人工势场法的机器人混合路径规划

为解决移动机器人在动态环境下的路径规划问题,将Informed-RRT*和人工势场法相融合,提出全局与局部规划算法相融合的路径规划方法。首先,针对Informed-RRT*算法采样效率低,以及得到路径不满足机器人运动学约束的问题,采用目标偏置法与自适应步长法,减少冗余搜索与不必要树的生长;同时,引入走廊优化与时间重分配法,优化路径节点,使路径更加平滑。其次,针对人工势场法易陷入局部极小值和目标点附近不可达的问题,采用平滑窗格策略,增设全局路径子目标点,使机器人能够逃离局部极小值,完成规划任务。仿真结果表明,静态环境中自适应步长Informed-RRT*算法相比于Informed-RRT*算法求解时间缩短了71.98%;动态环境中,混合算法相比于人工势场法,搜索时间缩短了15.4%,路径长度缩短了11.1%。

复杂多场景下机械臂避障运动规划方法研究

为提高工业机械臂在狭窄通道、多障碍物等复杂多场景下避障运动规划的成功率和效率,建立了基于圆柱体和球体包围盒机械臂与障碍物之间的碰撞检测模型,并提出了一种基于启发式概率融合人工势场法的改进型RRT^(*)算法(P-artificial potential field-RRT^(*),PAPF-RRT^(*))。采样上引入概率目标偏向与随机采样点优选策略,对采样点进行位置优选约束,增强采样导向性和质量;为改变传统新节点扩展方向和特殊环境下局部最优问题,融合人工势场法的目标引力与障碍物斥力和自适应步长,使算法在APF产生的合力范围下实时引导新节点扩展方向和步长大小,降低过度的探索和碰撞区域扩展;对冗余节点进行删除,并采用三次B样条插值优化,提高机械臂轨迹的柔顺性。仿真结果表明,所提算法较传统RRT^(*)算法在平均路径搜索时间上降低了56.75%,路径长度缩短了17.74%。导入机械臂模型后可视化仿真结果证明,所提算法可使机械臂成功避障且快速平稳运行到目标点。

基于改进人工势场法的移动机器人局部路径规划

为解决传统人工势场法在移动机器人局部路径规划中存在的缺陷,提高其路径规划的性能,提出了改进的人工势场法。将引力作用阈值引入引力势场函数,解决引力过大问题;在斥力势场函数中引入目标点与移动机器人之间的距离,解决目标不可达问题;根据环境复杂度,提出了自适应速度调节机制;针对局部极小值问题,分别提出了APF-v1和APF-v2两种构建虚拟目标点的方法,引导移动机器人走出陷阱区域。最后在ROS机器人操作系统中对改进的算法进行了对比实验,结果表明,改进的算法可以克服目标不可达、局部极小值等问题,并且在计算量、路径规划时间和步数等方面具有一定的优越性。

改进人工势场法的机械手关节空间避障规划

针对人工势场(Artificial Potential Field,APF)法对机械手进行路径规划时存在的问题,提出了关节空间APF自适应变步长和目标偏置的快速扩展随机树(Rapidly-exploring Random Tree,RRT)相结合的方法。在关节空间中进行APF法路径规划,减少逆向运动学次数和关节角突变;通过改进斥力和引力势场函数,解决APF法中碰撞和目标不可达问题;采用柯西概率分布,根据末端点与障碍物的距离来改变关节角步长;通过调节RRT算法的目标偏置值,产生合适临时目标点,从而解决APF法局部极小值问题。在APF法存在局部极小值情况下进行机械臂避障仿真,结果表明,自适应变步长路径规划能够生成平滑轨迹并能提高搜索效率,目标偏置RRT选取临时目标点后整体路径长度变短。捡拾机械手在该改进算法下能够有效实现避障拾取任务需求。

改进蚁群与势场融合算法的平滑路径规划

针对不同环境下智能车辆路径搜索问题和传统蚁群算法收敛速度慢、容易陷入局部最优等情况,建立栅格地图模型,设计了一种改进蚁群与势场融合算法的平滑路径规划算法。在传统蚁群算法中引入了势场合力变化系数,与人工势场法相融合,减少了陷入局部最优的情形;引入自适应信息素调整策略和精英蚂蚁增加信息素提高算法收敛速度,保证了算法搜索时的有效性;对规划出的路径进行拐点处理使得路线更加平滑、安全。仿真结果显示:改进算法在稀疏障碍物下比文献[13]算法和基本蚁群算法提升了27.7%、81.1%;密集环境下分别提高36.9%、79.0%,并且路径长度与文献[13]相差很小,拐点数量也要小于其它两种算法,路线更加安全平滑。

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.

考虑前后方车辆行驶状态的ACC系统控制方法

为提高车辆的通行效率和道路利用率,在拥挤工况下,将新型人工势场应用到车辆的智能控制中。把前后两辆车看做两个势场中心,设计了一种车辆控制系统,使车辆在车流中实行车辆跟随时,考虑前后方车辆的位置和速度后,自动寻找最佳跟车距离。通过对人工势场和车辆控制的研究,采用新型人工势场函数和3自由度汽车动力学模型构建基于误差预瞄的车辆控制数学模型,将其应用到单个或多个车辆的控制中,使车辆能在拥挤工况下根据前后车的相对位置和速度自动调节车距。通过仿真得到控制车辆各行驶参数和所受势场合力的时间历程图,验证了所提出ACC控制方法的有效性。

基于道路势场的车道偏离自动校正自适应控制

针对车道偏离自动校正控制中采用传统位置偏差控制方法路径跟踪精度不高以及实时性差等问题,提出了一种基于道路人工势场法的车辆路径跟踪方法,控制车辆能够实时保持沿着目标道路中心线行驶。该方法在车辆所处的环境道路上产生一个势场,该势场包含车辆与道路中心线的偏差信息及前方预瞄信息,对处在势场中的车辆具有阻碍其偏离车道中心线的势场力的作用。将势场产生的控制力加入车辆动力学模型中,实时控制车辆稳定地跟踪车道中心线。仿真及试验结果表明,所提方法比位置偏差法跟踪精度更高且跟踪误差随车辆速度变化波动范围小,具有较强的鲁棒性和实时性。

面向低压电器的CPN协同装配任务建模与优化

针对低压电器自动化装配中所存在的资源无序竞争及交互不平衡问题,提出一种基于着色Petri网(CPN)的协同装配方法;利用人工势场(APF)算法来实现机器人的协同交互控制;并提出了一种基于目标函数梯度的自适应量子遗传算法(AQGA),对装配时间、装配机器人数等关键参数进行平衡优化;构建了一个面向断路控制器的协同装配实例,对所提方法的有效性进行了验证。结果表明,协同装配控制方法能够提高低压电器装配的柔性化程度,确保装配单元间的协同交互,实现低压电器的快速有序装配,提高了装配工作效率。

多障碍环境下机械臂避障路径规划

为提高协作机器人在多障碍环境下的避障路径规划的成功率和效率,针对机械臂和障碍物提出碰撞检测方法,并提出低振荡人工势场—自适应快速扩展随机树(ARRT)混合算法进行路径规划,机械臂先采用低振荡人工势场法进行搜索,当遇到局部极小、碰撞等情况时切换成ARRT进行逃离,直至到达目标点。另外,为了在每个步长都取得最优的逆运动学关节角,保证前后步长对应关节角度值变化的连续性,提出最短行程逆解算法。为了提高规划后的路径质量,提出一种冗余路径节点删除策略,并使用四次贝塞尔曲线对路径进行拟合。经过仿真分析,机械臂在多障碍环境下对于环境复杂度的适应性强,路径搜索成功率高于经典算法,其平均路径搜索时间相比于经典RRT算法从26.1 s下降到3.6 s,算法搜索成功率和效率都得到显著改善。

改进的优化算法用于移动机器人路径规划

针对当前机器人路径规划算法存在局部最优问题,提出了一种改进的移动机器人路径规划算法。该算法采用改进的人工势场算法产生初始化种群,改进的遗传算法引入了新的适应性函数和"翻转变异"算子、进行全局路径优化。适应性函数包括路径点的适应度和路径的适应度,提高了适应性函数的评价性能。"翻转变异"使障碍物路径变为自由路径,使移动机器人顺利绕过障碍物。克服了传统遗传算法的早熟收敛问题,提高了遗传算法的效率。实验结果表明该算法在移动机器人路径规划中的可行性和有效性。