Path Planning of UAV by Combing Improved Ant Colony System and Dynamic Window Algorithm

A fusion algorithm is proposed to enhance the search speed of an ant colony system(ACS)for the global path planning and overcome the challenges of the local path planning in an unmanned aerial vehicle(UAV).The ACS search efficiency is enhanced by adopting a 16-direction 24-neighborhood search way,a safety grid search way,and an elite hybrid strategy to accelerate global convergence.Quadratic planning is performed using the moving average(MA)method.The fusion algorithm incorporates a dynamic window approach(DWA)to deal with the local path planning,sets a retracement mechanism,and adjusts the evaluation function accordingly.Experimental results in two environments demonstrate that the improved ant colony system(IACS)achieves superior planning efficiency.Additionally,the optimized dynamic window approach(ODWA)demonstrates its ability to handle multiple dynamic situations.Overall,the fusion optimization algorithm can accomplish the mixed path planning effectively.

改进RRT-Connect与DWA算法的巡检机器人路径规划研究

针对传统RRT-Connect算法在密集复杂环境中路径规划效率低、动态避障效果差等问题,提出一种改进RRT-Connect与DWA融合算法。该算法通过改进采样策略、动态步长优化和碰撞检测引导随机树生长;在随机树中采用贪心策略和角度约束优化路径。基于巡检机器人建立运动学模型,通过速度采样空间生成轨迹簇;建立模糊逻辑系统自适应调整DWA算法评价函数的权重系数,将全局最优路径点融入DWA算法中实现全局最优路径和实时避障。仿真结果表明,在油气站场密集复杂环境中,改进RRT-Connect算法较传统算法路径缩短约27.09%,平滑度提高约84.6%,碰撞距离提高约18.75%;改进融合算法路径减少约2.97%,平滑度提高约78.8%,碰撞距离提高约30.6%,验证了提出算法的有效性。

基于改进DWA的四轮差速移动底盘模型算法研究

针对四轮差速移动底盘在路径规划中遇到的局部最优问题以及目标不可达到的问题,提出了一种改进的动态窗口法(dynamic window approach,DWA)。在传统DWA算法的基础上对评价函数进行了改进,针对局部最优问题,引入预碰撞评价函数,能够使移动底盘在移动过程中提前避开位于移动底盘和目标点之间的障碍物以及凹型障碍物;针对目标不可达问题,改进航向评价函数的权重系数,将航向角评价函数权重系数设为随移动底盘与目标距离减小而增大的权重函数,能够有效解决目标不可达问题。改进后的DWA算法可通过新的评价函数规划出更为合理高效的移动路径。通过对改进DWA算法进行MATLAB仿真实验验证表明,改进后的DWA算法具有良好的效果,保证了四轮差速移动底盘良好的避障性能。

融合RRT^(*)与DWA算法的移动机器人动态路径规划

为实现移动机器人在复杂动态障碍物环境中的避障,提出一种改进的快速随机扩展树(rapidly-exploring random tree,RRT^(*))与动态窗口法(dynamic window approach,DWA)相融合的动态路径规划方法。基于已知环境信息,利用改进RRT^(*)算法生成全局最优安全路径。通过消除RRT^(*)算法产生的危险节点,来确保全局路径的安全性;使用贪婪算法去除路径中的冗余节点,以缩短全局路径的长度。利用DWA算法跟踪改进RRT^(*)算法规划的最优路径。当全局路径上出现静态障碍物时,通过二次调整DWA算法评价函数的权重来避开障碍物并及时回归原路线;当环境中出现移动障碍物时,通过提前检测危险距离并转向加速的方式安全驶离该区域。仿真结果表明:该算法在复杂动态环境中运行时间短、路径成本小,与障碍物始终保持安全距离,确保在安全避开动态障碍物的同时,跟踪最优路径。

改进A^(*)与ROA-DWA融合的机器人路径规划

为了解决机器人路径规划中传统A^(*)算法和动态窗口法(DWA)存在的遍历节点较多、冗余点较多以及路径不平滑,缺乏全局引导,易陷入局部最优以及安全性低等问题,提出融合改进A^(*)算法和随机避障动态窗口法(ROA-DWA)的路径规划算法.该算法通过启发式函数的权重调整、Floyd算法、冗余点删除策略、静态和动态障碍物分类处理和速度自适应因子等方式来提高搜索效率,减少路径长度和拐点数量,将已知障碍物对路径的影响最小化,大幅提高动态避障效率,使得机器人在平稳到达目标点的同时还提升了机器人的安全性,更好地适应复杂的动态和静态环境.实验结果表明,该算法具有较好的全局最优性和局部避障能力,在大型地图中展现出更好的优势.

改进A^(*)与DWA的室内服务机器人路径规划研究

鉴于全局规划无法规避动态障碍以及局部规划可能陷入局部最优的缺陷,提出一种基于服务机器人的改进A^(*)与DWA(dynamic window approach)融合的路径规划算法。针对传统A^(*)算法搜索速度较慢的缺陷,优化了评估函数;根据差速机器人运动模型,对搜索邻域进行了优化;针对传统A^(*)算法路径折线线段多等缺陷,引入新的避障策略,对路径进行折线优化以及曲线平滑;针对全局与局部规划的缺陷,融合改进A^(*)算法与DWA算法,根据全局路径关键节点分段应用动态规划算法,确保机器人能够实时避障。仿真实验证明,改进A^(*)算法的性能更好,其中关键节点减少了75%,转折次数减少了80%,路径长度减少了5.9%,搜索时间减少了46%。融合算法相较于单一的静态算法,能够通过随机障碍物,顺利到达终点。

改进A^(*)和DWA算法的果园喷雾机器人路径规划

在果园喷雾机器人的运行过程中,路径规划作为果园喷雾机器人的核心问题,存在着规划出的路径平滑度低、算法搜索效率低以及靠近障碍物等问题。针对果园喷雾机器人在复杂果园环境中实时躲避动态障碍物并规划出较优的全局作业路径问题,提出了一种改进A^(*)算法和动态窗口法(dynamic window approach,DWA)的果园喷雾机器人路径规划算法。优化A^(*)算法的启发函数,使该算法能够规划出一条位于果树行间中心线的路径;通过对栅格地图中加入多个引导点,引导A^(*)算法完成果园的初步全局路径规划;结合DWA算法对初步全局路径进行追踪并实时躲避动态障碍物,完成果园喷雾机器人的全局路径规划。使用MATLAB进行仿真验证,实验结果表明,改进后的算法在躲避障碍物的同时规划出现果园行间中心线路径,路径平滑较优,能够满足果园喷雾机器人在复杂环境中作业需求。

基于改进Q-learning算法和DWA的路径规划

针对传统Q-learning算法出现的规划路线转折点多,探索效率低,以及无法实现动态环境下的路径规划问题,提出一种基于改进Q-learning算法和动态窗口法(DWA)的融合算法。首先,改变传统Q-learning算法的搜索方式,由原先的8方向变成16方向;利用模拟退火算法对Q-learning进行迭代优化;通过路径节点优化算法进行节点简化,提高路径平滑度。然后,提取改进Q-learning算法规划路径的节点,将其作为DWA算法的临时目标,前进过程中,能够实时躲避环境中出现的动静态障碍物。最终实验结果表明:融合算法具有较好的路径规划能力,实现了全局最优和有效避障的效果。

改进DWA算法的移动机器人避障研究

针对传统动态窗口法(DWA)在稠密障碍物区域存在最优路径难以选取及生成路径不平滑等问题,提出了一种改进的DWA移动机器人避障算法。基于微分流形切向量选取与障碍物不相交的机器人预轨迹,引入障碍物数量因子与方向角变化因子来改进评价函数,提高机器人在障碍物密集区域运行的安全性,使用改进后的评价函数对选取的轨迹进行评价,进而确定最优轨迹对应的速度。通过多组仿真实验对比表明:改进的DWA算法在障碍物密集区域能规划出更合理、平滑的运行路径,在保证了机器人安全性的同时还具有更好的避障效果。

基于改进哈里斯鹰优化算法的动态路径规划研究

针对传统栅格地图下的路径规划算法存在多峰值优化、无法实时避障等问题,提出了一种基于改进哈里斯鹰优化算法的动态路径规划方法。首先,提出方形邻格邻近扩散方法初始化哈里斯鹰种群位置,在路径规划问题模型下增加种群多样性;然后,提出一种非线性能量因子优化算法在搜索和开发之间的更新比例,提高全局搜索性能;最后,引入动态窗口法提高机器人实际运行路径的平滑程度,构造结合全局路径的动态窗口评价函数以改善动态窗口法前瞻性不足的问题。实验结果表明,所提方法可以兼顾实时避障和路径最优的需求。

融合改进A^(*)算法与动态窗口法的移动机器人路径规划

为解决移动机器人在随机障碍物环境的导航过程中,使用A星(简称A^(*))算法出现碰撞导致路径规划失败的问题,设计了一种融合改进A_(*)算法和动态窗口法(dynamic window approach,DWA)的全局动态路径规划方法。首先,从以下两方面改进传统A^(*)算法:混合使用4邻域和8邻域A^(*)搜索算法,与通过删除冗余路径点和转折点来提高路径的平滑性;接着将改进A^(*)算法与DWA融合,利用融合算法使移动机器人进行全局实时动态路径规划。Matlab仿真试验结果表明,改进后的A^(*)算法较传统A^(*)算法不会使机器人穿越障碍物及其顶点,这有效减少了碰撞,从而提高了安全性;融合DWA后,在获得全局最优路径的基础上,能避开静态随机障碍物和动态障碍物,这证明了融合算法有良好的路径规划能力。

基于动态窗口法的近海水域船舶避障算法研究

[目的]提出一种改进的动态窗口法,以解决近海水域智能船舶在面对夹击及动静混合会遇时无法有效避让的船舶避障问题。[方法]为得到在近海水域航行的船舶约束条件,针对近海水域对船舶避障的影响因素进行分析,同时提出近海水域船舶航行最低避障要求;然后对动态窗口法(DWA)的目标函数进行优化改进,并将其与船舶和障碍物的距离相关联,以提升船舶在航行图中的安全性,同时将目标函数中的航向权值引入船舶会遇态势判断,以使目标船舶可以有效判断船舶的避障责任;最后,通过仿真模拟验证改进算法的有效性。[结果]仿真结果表明,所提的改进算法在分别遭遇夹击以及复杂会遇的情况下,能够清晰地判断船舶的避障责任,降低航行过程中的速度变化陡峭度,且所规划的船舶航行路径可有效提升船舶航行的安全性。[结论]所提避障算法可为解决近海水域智能船舶遭遇复杂会遇情景的避碰失败问题提供参考。

融合改进A^(*)算法和优化动态窗口法的路径规划

针对传统A^(*)算法在栅格数量较多时存在折点多、耗时长,以及动态窗口法在复杂环境下灵活性差的问题,提出一种融合改进A^(*)算法和优化动态窗口法的路径规划算法。首先,在传统栅格地图上建立一层粒度值更大的拓扑层地图,接着将拓扑层规划出的路径在栅格地图上进行优化,删除冗余节点、提高路径平滑度。通过增加机器人在不同场景下的运动状态来优化动态窗口法。最后,将全局规划的关键点作为局部规划的临时目标点,实现两种算法的融合。通过对比试验,证明融合算法不仅保证了全局路径较优而且减少了折点数、耗费时间,还提高了机器人在动态环境下路径的平滑度和灵活性。

改进A*算法融合改进动态窗口法的移动机器人路径规划

针对机器人路径规划对于路径最短、搜索效率以及平滑度的性能要求,提出一种改进A*算法与改进动态窗口法(DWA)相融合的算法。针对传统A*算法在复杂场景下输出非最优路径、寻路效率低等问题,结合曼哈顿距离和对角线距离设计新的启发函数,并对其动态分配权重,实现全局路径最短,减少寻路时间。针对传统8邻域8方向搜索方式搜索效率低、耗时长等问题,提出一种基于8邻域改进的搜索策略,对当前节点实时动态分配最优的搜索方向。针对路径存在多余无用节点的问题,使用Floyd算法去除冗余节点,减少转向次数,缩短路径长度。针对传统动态窗口法规划的路径非全局最优、目标点附近存在障碍物时规划的路径长度增加或者规划失败的问题,加入全局关键节点信息和引入目标点距离评估子函数。针对关键节点距离较长导致融合算法规划的路径偏离全局最优路径的问题,提出关键点密集化策略。最后,将提出的改进A*算法、融合算法和已有的其他改进算法进行比较,仿真结果表明:改进的A*算法能够在复杂环境中生成最短全局路径,平均转向次数减少16.3%,平均寻路时间缩短55.66%;融合算法在临时障碍物环境下,平均路径长度和平均运行时间分别缩短6.1%和14.7%,在移动障碍物环境下,平均路径长度和平均运行时间分别缩短1.6%和39.8%。

番茄温室内移动喷药机器人的路径规划研究

移动喷药机器人在番茄温室内作业时,存在规划路径效率低、平滑性差以及路径存在安全隐患等问题。提出了一种优化A*算法融合DWA算法的番茄温室移动喷药机器人的路径规划算法。充分考虑番茄温室具体环境,定义作业安全距离及对种植区进行膨胀化处理,保证移动喷药机器人安全作业;通过为启发函数添加动态权重因子,采用关键节点提取技术提高全局路径规划效率,同时引入转弯点以及三次B样条曲线确保路径的全面覆盖及平滑性;最后融合DWA算法保证移动喷药机器人对突现障碍物的躲避。使用Matlab构建番茄温室环境进行仿真验证,实验结果表明,优化后的算法比传统算法规划出的路径更安全、平滑,覆盖喷药区域完整,规划效率明显提升,融合算法成功实现了对路径突现障碍物的躲避。该方案满足移动喷药机器人在复杂番茄温室中的作业需求。

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。

基于改进型DWA的移动机器人避障路径规划

针对传统动态窗口法(DWA)中存在的绕行于稠密障碍物区外侧,造成总路程增加,遇见距离相近障碍物构成的“C”形障碍物组合而陷入评价函数失灵等问题,提出了基于改进型DWA的移动机器人避障路径规划。首先,基于本文提出的关键航迹点的概念,提取出A*全局规划路径轨迹中的关键航迹点;然后,以关键航迹点到待评价轨迹的距离作为依据,定义新的评价子函数,获得新型DWA评价函数。仿真结果表明:该基于改进型DWA的移动机器人避障路径规划能够提前规避“C”形障碍物组合,并且提升了传统DWA算法对稠密障碍区的通过性。仿真实验中总迭代次数、运行时间及总路程均缩短了10%以上。

基于安全A^(*)与DWA算法融合的军队车场巡检机器人路径规划

现阶段A^(*)算法所规划路径存在转折点较多、直角弯处距离障碍过近等问题。针对军队车场巡检移动机器人执行任务需具备自主安全性的要求,提出一种基于改进的安全A^(*)与动态窗口法(DWA)融合的路径规划方法。首先,引入用于度量机器人安全性的危险指数(DI)指标,通过结合危险指数重新定义A^(*)算法的估价函数;同时,将搜索邻域扩展并去除同方向冗余子节点,从8邻域搜索优化到16邻域搜索,提高搜索效率,减少转折点个数;最后,扩展动态窗口法的路径融合评价函数,提升机器人局部避障能力。实验结果表明,所提安全A^(*)算法能够有效降低直角弯处碰撞风险,在运行时间、转折点数、规划路径上较传统A^(*)算法和已有方法有较明显优势;通过在仿真环境和真实环境下验证,所提融合方法均保障了机器人自主运行的安全性,符合军队车场巡检机器人作业需求。

动态障碍物环境下的扫地机器人路径规划

针对扫地机器人在清扫过程中因无法提前判断动态障碍物而发生碰撞的问题,提出一种动态障碍物环境下的扫地机器人路径规划方法。通过对激光和地图数据的处理,实现动态障碍物的检测与求解;利用改进的二维高斯分布函数结合动态障碍物信息更新地图栅格代价值;结合动态障碍物分析,改进膨胀方式,并引入新型评价子函数系数计算方法和动态阈值设定方法优化动态窗口法(DWA);在栅格代价值更新的地图上,利用全局和局部路径规划算法实现动态避障。实验结果表明:该方法能较好实现扫地机器人对于动态障碍物的提前避让,具有可行性和有效性。

基于改进A^(*)算法的石化巡检机器人路径规划

针对石化厂区环境复杂、路径规划困难问题,提出一种基于改进A^(*)算法的石化巡检机器人的路径规划算法。在传统的A^(*)算法上进行了优化并与动态窗口法融合,提高了巡检机器人的路径搜索效率和规划能力。首先,对传统A^(*)算法的启发式函数进行改进,采用动态权重系数对启发函数进行控制,减少全局路径规划节点数量,提高算法效率;其次,优化邻域搜索,减少节点访问量,使路径规划目的性更强;再次,使用B样条曲线对路径进行平滑处理;最后,选取路径规划线路中动态变化点作为动态窗口法的节点进行动态避障。实验结果表明,与传统A^(*)算法相比,改进A^(*)算法在路径长度和计算时长上均有提升;融合动态窗口后,在保证全局最优的前提下,实现动态避障,兼顾安全性和高效性。