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。

一维大地电磁测深几种反演算法的比较研究

大地电磁反演算法主要分为线性与非线性两类。马奎特法、遗传算法以及模拟退火是其中具有代表性的算法。本文将三种方法的反演过程、结果及理论进行了对比研究 ,指出各自的优点与局限性 ,以及使用时应注意的相应条件。研究表明 ,马奎特法寻找目标函数全局最优的能力较差 ,只能局部寻优 ,但运算速度快 ;模拟退火法和遗传算法寻找目标函数全局最优的能力较强 ,但运算速度较慢。当对地下地电参数预先有一定程度了解 ,又可以选取比较合理的初始解时 ,可选择马奎特法 ,否则宜选用其他非线性全局寻优能力强的反演方法。

一种改进的模糊C-均值(FCM)聚类算法

模糊C-均值(FCM)聚类算法受初始化影响较大,在迭代时容易陷入局部极小,鉴于遗传算法(GA)的并行全局搜索能力,文章将遗传算法引入进来对FCM聚类算法加以改进,并对所提出的新算法与经典算法的迭代步数和运行时间进行比较。实验结果表明:该算法与FCM聚类算法相比收敛速度更快,迭代步数更少。

胸部CT图像肺区域边界凹陷自动修补

提出用边界曲线局部极小值点连线法修补阈值分割后的CT横断面图像肺区域边界处血管和胸膜结节型凹陷。设置不同的匹配模板,实现在不同坐标系下寻找边界曲线的局部极小值点,从而确定需要修补的位置。将肺区域边界线上的点分为局部极小值点和非局部极小值点两类,连接凹陷缺口处两边的两个邻近局部极小值点,修补肺边界凹陷部分。实验表明,与通过计算边界点的曲率找边界凸点方法相比,该方法不仅有效地降低了肺实质分割的计算量,而且减少了由于过度分割造成的分割错误。

基于改进人工势场法的移动机器人路径规划

基于传统人工势场法的机器人路径规划存在障碍物附近目标不可达和局部极小点的问题。在研究该问题产生原因的基础上,提出了一种基于改进人工势场法的移动机器人路径规划算法。该算法在斥力函数中引入了机器人和目标点之间的距离,在极小点附近自主建立虚拟目标牵引点并隔离原有目标点,解决了传统人工势场法的局部极小点问题,使机器人到达了目标点。仿真结果说明了改进后算法的有效性。

基于改进人工势场法的无人船路径规划算法

提出了一种改进的人工势场法,用指数函数代替二次函数构造势场函数,降低了势场强度的变化幅度,并在斥力势场函数中增加无人船与目标点的相对位置的一个因子,解决目标不可达问题;同时设置势场系数调整因子,引入2个判断条件确定无人船是否陷入局部最小值,在此基础上选择相应的势场系数,从而跳出局部极小值点.仿真结果证明了该方法的有效性.

基于改进人工势场法的水面无人艇路径规划研究

路径规划是海面无人艇导航系统中最重要的任务之一,在实现海面高速无人艇路径规划时,如果使用人工势场路径规划,一般均会产生最小点问题,尤其在路径规划目标点位置附近存在有障碍物的情况下。针对基于人工势场法的无人艇路径规划算法中存在的这一缺陷,提出了基于改进人工势场法来解决这个问题,通过建立新的引力和斥力势场函数来避免局部最小点问题的出现,并通过仿真最终验证了该方法的有效性。

人工势场法目标不可达的研究

针对传统人工势场法的缺陷,提出了一种新的改进方法来实现路径规划,更快的规划出一条平滑可行的路径,通过把人工势场法的斥力场函数作用域大小进行动态修改,成功抵达目标点,在目标点附近有障碍物时也能规划出可行路径,通过增加子目标点的方式来解决局部极小点问题,利用增加的子目标点的牵引力使移动机器人成功逃脱局部极小点,抵达目标点。最后仿真验证了改进的人工势场法可以更快的规划出路径,而且路径更加平滑。所提出的改进算法,在移动机器人自主路径规划中,能有效缩短路径长度,提高到达目标点的效率,高效完成路径规划。

基于人工势场的潜艇搭载AUV回收路径规划

紧密结合未来无人作战侦察对潜艇搭载自主水下航行器(AUV)水下自主回收的需求,对水平面内基于水声定位的AUV的自主回收对接技术进行了研究。运用了基于人工势场的导引方法规划了AUV的回坞路径,然后基于AUV的运动方程设计了滑模跟踪控制律来解决AUV在复杂的回收环境下的避障问题,并通过引入"填平势场"来引导AUV走出局部极小点。最后采用了REMUS AUV的模型参数对水下回收进行了仿真试验研究,仿真结果验证了方法的有效性。

基于改进人工势场法的移动机器人路径规划

为解决传统人工势场法用于机器人路径规划时出现的各种问题,提出相应的改进方法。针对障碍物距目标点太近导致的目标不可达问题,采用缩小障碍物影响范围的方法来解决;针对局部极小点导致的陷阱问题,提出障碍物影响范围分层的思想,使机器人能够顺利到达目标点。改进后的势场法适用于各种复杂环境下的移动机器人路径规划,且可以进行优化路径选择,仿真结果表明了该方法的有效性。

改进人工势场法的路径规划算法研究

针对基于传统人工势场法的机器人路径规划存在局部极小点的问题,提出了一种修改斥力方向和自主建立虚拟目标牵引点相结合的路径规划算法。该算法在修改斥力方向算法中设置了一个临界值,在机器人行走的过程中,若机器人与障碍物的距离大于临界值,机器人路径规划就采用修改斥力方向的算法,当机器人与障碍物的距离小于临界值时,机器人路径规划算法就从修改斥力方向算法转入自主建立虚拟目标牵引点算法。改进后的算法很好地解决了传统人工势场法的局部极小点问题,仿真结果证明了改进后算法的有效性。

一种基于填充函数的神经网络全局优化算法

针对前向神经网络BP算法由于初始权值选择不当而陷入局部极小点这一缺陷,提出新的全局优化训练算法.首先,提出了一种新的填充函数,并证明该函数的填充性质,进而结合该新填充函数与BP算法,构造出基于填充函数的全局最优化神经网络算法.应用全局优化算法训练神经网络时,如果误差函数陷入局部极小值,该算法可以利用填充函数帮助误差函数不断地跳出局部最优,直到找到全局最优点.该新算法的最大优点是对于初始权值无依赖性,避免了BP算法易陷入局部极小值的缺点.理论分析和仿真试验结果证明了该全局优化神经网络算法的有效性和优越性.

基于改进人工势场-遗传算法的路径规划算法研究

针对传统人工势场法解决移动机器人路径规划路问题时存在目标不可到达问题(GNRON)和局部最优的缺陷,提出一种建立在改进的人工势场模型之上结合遗传算法的并行搜索方法来寻求全局最优解的方法。通过引入填平势场使得势场函数能够跳出局部极小点,再将遗传算法和人工势场法两种方法相结合,利用人工势场法来优化采用遗传算法所得到的全局路径。仿真研究证明了所提出的改进算法的有效性,改进后算法能够在复杂的静态和动态环境中实现避障并找到最佳或接近最佳的移动机器人路径。

基于改进的CautiousBug算法的机器人局部路径规划

CautiousBug算法中机器人在沿障碍物边缘绕行时,基于螺线绕行规则不断地调整绕行方向以逃离局部极值点,但调整模式单一,缺乏灵活性。为使机器人更易快速逃离局部极值点,将目标点作为参考信息,在螺线绕行规则中添加了绕行方向调整条件,提出了改进的CautiousBug算法。每当机器人到达螺线绕行规则中的绕行方向调整点时,都要根据绕行方向调整条件来判定是调整绕行方向还是继续朝原方向递进绕行,最终使机器人向更靠近目标点的方向绕行。根据CautiousBug算法中机器人成功逃离局部极值点的条件,添加的绕行方向调整条件可使机器人更易快速逃离局部极值点。仿真结果验证了该算法的有效性。

改进人工势场法的AGV路径规划算法研究

针对传统人工势场法路径规划中存在的局部极小值和目标不可达问题,提出了一种面向AGV路径规划的改进人工势场法。该算法将道路边界障碍化,对障碍物密集区域的障碍物进行连锁处理,在斥力函数中引入目标点与AGV间的距离因数,在局部极小值点附近合适位置增加虚拟障碍物。仿真结果表明:改进算法可以有效解决局部极小值问题和目标不可达问题,同时使AGV避开障碍物陷阱成功到达目标点。

一种CGA路径规划方法

针对传统人工势场法的不足,提出了一种改进的人工势场法,该方法能够确保CGA快速逃离局部极小点,试验表明该算法是有效的,可以弥补传统人工势场法的缺陷.

人工势场法局部极小值的研究

以人工势场法的局部极小值问题为研究对象,对人工势场法局部极小值进行算法改进。首先,研究了人工势场法的原理,分析了产生局部极小值的原因;其次,对增加障碍物斥力、“绕墙走”方式、自动添加子目标点、手动添加子目标点等4种方法进行了理论分析;最后,使用MATLAB对4种解决方法进行了仿真验证,结果表明手动添加子目标点的改进方式较优。

基于改进人工势场法的移动机器人动态环境避障研究

目前,人工势场法在移动机器人动态环境避障中应用非常广泛,就此提出一种改进的动态人工势场法,并采用"360°扇区划分"策略解决机器人避障过程存在的局部最小点和目标点附近振荡两大难题。

基于改进人工势场法的移动机器人路径规划

针对传统人工势场法在路径规划过程中容易陷入陷阱区域和局部极小点的问题,提出了一种改进人工势场法。首先,提出安全距离概念,避免了不必要的路径,从而解决了路径过长和算法运行时间过长问题;然后,为避免机器人陷入局部极小点和陷阱区域,在算法中引入预测距离,使得算法可以在机器人陷入局部极小点或陷阱区域之前做出反应;最后,通过合理设置虚拟目标点,引导机器人避开局部极小点和陷阱区域。实验结果表明,改进算法可以有效解决传统算法容易陷入局部极小点和陷阱区域的问题;同时,相较于传统人工势场法,所提算法规划出的路径长度减少了5.2%,计算速度提高了405.56%。

基于中心加权的局部核向量机算法

为了解决大规模非线性分类中局部学习的不平衡性问题,提出一种改进的局部支持向量机算法,在高维特征空间中聚类后,为每一个簇构造局部非线性支持向量机。为了克服簇内样本的分布不均衡问题,根据闭合超平面不规则边界的几何特点,经过梯度下降寻找稳定均衡向量,以此构造簇几何中心;再结合簇密度中心共同约束类心形成双重加权中心。然后通过求解加权最小闭球问题实现对大规模样本向量的分类。对照实验显示,除了个别数据集以外,改进的算法在训练时间、测试时间以及测试精度等方面都比另外两种分类算法表现更佳。