Intelligent learning technique based-on fuzzy logic for multi-robot path planning

Soccer robot system is a tremendously challenging intelligent system developed to mimic human soccer competition based on the multi discipline research: robotics, intelligent control, computer vision, etc. robot path planning strategy is a very important subject concerning to the performance and intelligence degree of the multi robot system. Therefore, this paper studies the path planning strategy of soccer system by using fuzzy logic. After setting up two fuzziers and two sorts of fuzzy rules for soccer system, fuzzy logic is applied to workspace partition and path revision. The experiment results show that this technique can well enhance the performance and intelligence degree of the system.

Adaptive genetic algorithm for path planning of loosely coordinated multi-robot manipulators

Adaptive genetic algorithm A SA GA, a novel algorithm, which can dynamically modify the parameters of Genetic Algorithms in terms of simulated annealing mechanism, is proposed for path planning of loosely coordinated multi robot manipulators. Over the task space of a multi robot, a strategy of decoupled planning is also applied to the evolutionary process, which enables a multi robot to avoid falling into deadlock and calculating of composite C space. Finally, two representative tests are given to validate A SA GA and the strategy of decoupled planning.

COLLISION-FREE OF MULTI-ROBOT SYSTEMS IN VIRTUAL ENVIRONMENT

This paper described a new method to plan out welding paths for multiple robots in virtual manufacturing environment. We first distribute welding tasks and priority for multi robots, and then apply corresponding behavior rules to help to plan out welding paths for robots collision free, which is a base fixed problem. Finally, we testify the algorithm to be practical in virtual environment, and output robot programs to direct production process. This new way will help us to find a new development method for multiple robots path planning.

多障碍环境下巡检机器人路径规划优化研究

针对大规模、密集的障碍物分布,高效地搜索最佳路径是一个挑战,为规划出更短的巡检路线,并实现多障碍环境下的灵活避障,文中提出一种多障碍环境下巡检机器人路径规划优化方法。使用二维矩阵构建巡检环境模型,应用D*算法在巡检环境模型中进行巡检机器人路径规划,并将传统D*算法中的扩展步长方式改变为自适应扩展步长,使机器人在面积较大的巡检场地能够更快地完成巡检;将代价函数由欧氏距离替换为切比雪夫诺距离和曼哈顿距离融合的代价函数,并引入了平滑度函数优化线路规划结果,使规划的路径更为平滑,在遇到由于多种原因产生的新障碍物时可以重新规划路径。通过实验结果可知,无论是静态地图还是动态地图,该方法均可以快速准确地规划出一条最佳路线,并且在多种环境中应用该方法能够高效获取路径规划结果。

改进哈里斯鹰算法的仓储机器人路径规划研究

为提高静态环境下仓储移动机器人路径规划效率,解决传统哈里斯鹰(Harris Hawks optimization, HHO)算法在路径规划中存在收敛速度慢且易陷入局部最优的问题,提出了一种基于Tent混沌映射融合柯西反学习变异的哈里斯鹰优化算法(HHO algorithmbasedon Tentchaotic mapping hybrid Cauchy mutation and inverse learning, TCLHHO)。通过Tent混沌映射增加种群多样性,以提高算法的收敛速度;提出指数型的猎物逃逸能量更新策略,以平衡算法的全局搜索和局部开发能力;通过柯西反学习变异策略对最优个体进行扰动,扩大算法的搜索范围,增强全局搜索能力。根据真实仓储环境搭建二维栅格环境模型,并在Matlab中进行仿真对比实验。结果表明:该算法的规划速度、最优路径长度以及最优路径转折次数较对比算法具有较好的效果,验证了应用于智能仓储环境下改进的HHO路径规划问题的可行性和鲁棒性。

汽车白车身点焊作业多机器人路径规划研究

针对白车身焊装生产线多机器人焊接工作量大、焊接工作复杂的问题,提出了一种自适应精英蚁群算法的多机器人焊接路径规划方法。在蚁群算法的基础上,对算法核心参数进行调整,再将自适应更新策略和精英蚂蚁系统加入到蚁群算法中,增强算法全局搜索能力,提高算法收敛速度,并通过TSP模型检验了算法的性能;最后,以白车身焊装生产线某车型主拼工位的焊接作业为例,对方法的有效性进行了验证。结果表明,改进后的蚁群算法具有较好的搜索效率和搜索能力,多机器人焊接路径间不相交,符合焊接的工艺要求,为多机器人焊接路径规划问题提供了一种新的方法。

基于人工免疫-改进粒子群优化算法的机械臂轨迹规划研究

焊接机器人运动轨迹复杂、控制精度要求高。提出了一种满足多目标约束的轨迹规划方法。针对机器人轨迹平滑性要求,以5次非均匀有理B样条(Non-Uniform Rational B-Splines,NURBS)曲线为基础,对笛卡儿空间路径点进行参数化表达;根据工业机器人路径约束及工况需求,选取时间、能耗、跃度3个运动学指标作为目标优化函数,采用人工免疫双态粒子群进行轨迹优化;为了平衡粒子“探索”与“利用”,增加双模态模型,引入人工免疫系统,提升了粒子多样性与后期收敛能力;根据Pareto解集得到满足约束的焊接机器人各关节最优轨迹,通过Matlab仿真证明了方法的有效性;最后,针对空间相贯曲线焊缝进行了焊接试验。结果显示,规划的轨迹符合实际工程需求。

面向多到一任务交接的多机器人协作路径规划算法

针对传统的多机器人路径规划算法处理任务形式单一、非必要损耗大等问题,本文提出一种多组多到一任务处理方式的协作动态优先级安全间隔路径规划算法(Co-DPSIPP)。首先,该算法以最小化路径总长度为目标,采用模拟退火、扩散搜索等方法确定各组机器人的任务交接点;然后,采用改进的安全间隔路径规划算法为所有机器人进行分段路径规划;进一步针对部分不合理任务交接点会造成区域性拥塞并导致求解失败的问题,设计群组优先级与中间点动态调整规划策略。最后,在4种基准地图上的测试结果显示,相较于协作基于冲突搜索算法(Co-CBS),本文提出的算法在求解成功率上平均可提升73%,在运行时间和路径总长度上平均分别可减少56%和5%。实验结果证明,本文算法为多组多到一任务场景下的多机器人协作路径规划问题提供了更为灵活且扩展性更强的解决方案。

基于轻量化Transformer的农作物检测机器人路径规划

为解决农作物检测机器人路径规划算法在复杂农田环境下精度低、速度慢等问题,设计轻量化Transformer模型,将其用于农作物检测机器人的路径规划任务中。采用余弦函数替代softmax计算,使得查询、键、值向量的计算可拆分,时间复杂度由原来的O(N2)降低到O(N)。通过四种不同聚合方式处理特征向量,确定节点权重分配。试验结果表明,基于轻量化Transformer的农作物检测机器人路径规划方法能够显著提高农作物检测机器人的效率和准确性。相比传统的规则化路径规划算法,将100规模农作物检测机器人的路径长度缩短5.91%;相比Transformer模型,推理时间缩短50%,训练时间缩短75%,为农作物检测机器人的路径规划提供一种新颖且有效的解决方案。

基于改进跳点搜索和蚁群算法的机器人多目标点巡检规划

针对移动机器人的多目标点巡检规划问题,本文提出了一种融合改进跳点搜索算法(JPS)与蚁群算法(ACO)的路径规划算法.首先,在JPS算法的评估函数中引入角度引导因子,使路径具有更强的导向性;然后,综合考虑路径距离、平滑度、安全性对评估函数的影响,以获得综合性能更优的路径;其次,提出了双向的逆向跳点剔除规则,筛除了多余节点,从而进一步降低路径长度并提高路径平滑度;最后,将多目标优化得到的路径综合性能替代传统旅行商问题(TSP)中的距离因子,并使用自适应蚁群算法来实现多巡检点的路径规划问题.仿真结果表明,改进JPS算法与传统JPS算法相比,具有更好的综合性能;同时应用于多巡检点规划时,具有更强的有效性和实用性.

基于多邻域蚁群算法的机器人路径规划

针对传统蚁群算法在机器人路径规划中路径不是最短距离、运行时间长以及收敛速度慢等问题,提出多邻域蚁群算法(multi-neighborhood ant colony algorithm,ACO-MN)。为了解决路径不是最短距离的问题,引入多邻域搜索,使得搜索邻域扩大,机器人的路径距离减小;为了解决运行时间长的问题,在快速判断的基础上运用象限概率和象限概率控制参数,使得算法运行加快;为了解决收敛速度慢的问题,结合步长和邻域夹角改进启发函数,使得算法在后期的收敛速度加快。最后,在不同大小、不同复杂程度的栅格地图下,将ACO-MN与传统蚁群算法和其他改进算法进行仿真对比实验。实验表明,在小规模简单环境下ACO-MN的收敛速度相比于传统蚁群算法加快了76.19%,在大规模复杂环境下ACO-MN的运行时间相比于其他改进算法缩短了49.84%,最短路径缩短了5.6%,验证了该算法的有效性和优越性。

基于TSP_RRT算法的柑橘多目标连续采摘路径规划

【目的】柑橘等季节性水果收获约占整个作业量的40%,耗时耗力,研发柑橘采摘机器人已成为提高柑橘生产效率的重要途径。为解决柑橘采摘机械臂在果园非结构化环境下的规划效率低、规划路径长等问题,提出了一种非结构环境下将旅行商问题(TSP)和快速搜索随机树算法(RRT)相结合的柑橘连续采摘最优路径规划方法(TSP_RRT)。【方法】为了在仿真环境中描述真实的柑橘果树,建立了基于几何包络法的柑橘树模型。将柑橘树的树枝树干等障碍物部分采用分段圆柱体包络,无需采摘的柑橘采用包围球包络。采用带先决条件的概率性随机采样策略,通过引入采样阈值与生成的采样随机数进行判断,可以有效降低采样的盲目性。引入目标引力控制节点生长的最短距离,实现扩展树的生长方向总是朝着目标点的方向,引入自适应步长使得扩展树在生长时根据障碍物的密度自动调节步长大小,目标引力和自适应步长策略提高了采摘机器人路径规划的收敛速度和规划效率。为提高柑橘多目标采摘路径的整体最优规划,缩短路径长度。基于遗传算法的旅行商问题,并考虑采摘过程中树枝等障碍物的干扰,引入障碍物因子来获取多目标采摘顺序的最优解。【结果】仿真结果表明,TSP_RRT算法规划所获得的连续采摘路径长度相比于TSP_RRT-connect算法和TSP_RRT*算法的多目标连续采摘路径分别缩短34.52%、10.19%,规划时间分别减少约31%、50%,TSP_RRT算法的路径规划成功率约为98.8%。【结论】与多种机械臂路径规划的RRT算法相比,改进后的TSP_RRT算法可以快速、准确地生成一条机械臂采摘的最优路径,缩短了路径规划的长度,减少了路径规划的时间。该算法可为柑橘采摘机器人在多目标连续采摘中提供参考和技术支持。

蚁群融合动态窗口法的分布式多机器人运动规划研究

为更好地协调分布式多移动机器人在动态环境下的运动,将蚁群算法与动态窗口法相融合构造多机器人系统,并利用优先级策略来化解运动冲突。为提升多机器人全局路径的综合最优性能,提出了多指标寻优的启发式函数和信息素更新策略来提升蚁群的寻优能力,通过冗余点删除策略进一步提升路径质量;融合蚁群与动态窗口法构造机器人运动学模型,通过自适应导航策略来提升未知环境下机器人的局部运动能力;将单机器人避障策略和多移动机器人优先级策略相结合,将多机器人路径规划简化为单个移动机器人的动态路径规划问题。仿真实验结果表明,所提方法能够实现多移动机器人系统在未知环境中的协同避障,具有较高的安全性。

融合强化学习的多目标路径规划

移动机器人路径规划问题的节点数量大、搜索空间广,且对安全性和实时性有要求等因素,针对移动机器人多目标路径规划问题,提出一种新颖的融合强化学习的多目标智能优化算法.首先,该算法采用NSGA-II为基础框架,利用强化学习的赋予个体学习能力,设计一种SARSA算子提高算法的全局搜索效率.其次,为了加速算法的收敛速度和保证种群多样性,增加自适应模拟二进制交叉算子(tanh-SBX)作为辅助算子,并将种群分为两种性质不同的子种群:精英种群和非精英种群.最后,设计了4种不同的策略,通过模拟退火算法的Metropolis准则计算更新策略的概率,让最合适的策略引导种群的优化方向,以平衡探索和利用.仿真实验表明,该算法在不同复杂度的环境下均能找到最佳路径.相比传统智能仿生算法,在更加复杂的环境中,所提出的算法能有效平衡优化目标,找到更优的安全路径.

基于冲突优先级变次优因子的EECBS多机器人路径规划

在多机器人路径规划(multi robot path planning,MRPP)过程中,最优路径之间无法规避的关键冲突对路径求解效率具有较大影响。为解决这一问题,提出一种基于冲突优先级变次优因子的多机器人路径规划方法。在融合显式估计的冲突搜索(explicit estimation conflict-based search,EECBS)算法下层执行路径搜索;在EECBS算法框架的上层对冲突优先级进行判断,并自适应增加关键冲突机器人的次优因子;通过分析关键冲突周围邻域的障碍物分布影响路径节点自由度情况,进一步调整关键冲突机器人的次优因子。在多个标准地图下的实验结果表明,相较于EECBS算法,本文方法的求解时间改善了8.35%~49.14%,上层冲突节点的二叉约束树(constraint tree,CT)拓展量改善了3.79%~55.22%,验证了本文方法的有效性。

面向关隘地形的分层调度多机器人路径规划

针对关隘地形下多机器人路径规划存在的高度耦合性,引入调度次序优化思想构造了分层的多机器人路径求解与优化算法。首先,在优化层采用遗传算法生成所有机器人的调度次序,并根据适应度对调度次序进行迭代和进化。其次,根据优化层制定的调度次序,在规划层采用改进的层级协作A*(IHCA*)算法进行路径求解,并将求解结果返回上层以对该次序的适应度进行更新。最后,通过上下层相互配合,逐步提升问题求解成功率并降低路径耗时。此外,提出搜索熔断机制,避免原始HCA*算法在关隘地形中陷于反复无效搜索的状态,可进一步提升求解效率。研究结果表明,所提算法在高耦合关隘环境下具有较高的求解成功率,且路径总耗时更少。

应用多策略融合改进哈里斯鹰算法的移动 机器人路径规划方法

针对移动机器人在多障碍物室内环境中进行路径规划时存在的折点多、收敛速度慢、易陷入局部最优解等问题,提出一种基于多策略融合改进哈里斯鹰算法的移动机器人路径规划方法。首先,利用Tent混沌映射初始化和自适应正余弦算法,改善初始种群分布多样性并增强全局搜索能力;其次,使用模拟退火能量策略改善哈里斯鹰算法的行为选择,加强算法收敛速度;然后,使用柯西函数和改进莱维飞行优化算法位置更新行为,提升算法的寻优性能和效率;最后,使用消融实验和对比实验对移动机器人在不同复杂程度的地图场景中的路径规划性能进行验证。实验结果表明:多策略融合改进哈里斯鹰算法在移动机器人路径规划问题中,不仅可以有效减少折点数获得较好的路径平滑度,还可达到更快的收敛速度和更短的移动路径。

面向农田环境的农业多机器人协同技术研究进展

单一农业机器人工作效率不足,难以有效解决农业劳动力供应减少、劳动力成本增加等问题,智能化、高精度、低成本、强鲁棒性及高抗干扰能力的多机器人协同技术,可以显著提高整体机器人系统的作业效率,满足精准农业的发展需求。从农业多机器人系统架构的角度出发,梳理近年农业多机器人在定位、任务分配、路径规划和多机通信四种协同技术的代表性研究成果,分析农业多机器人协同的作业效率、通信受损、故障监测、资源冲突等问题,并对其在集中和分布式相结合的协同技术、快速精准的环境感知、合理实时的任务分配、动态可靠的路径规划和多机器人通信技术等重点方向的未来发展进行展望。

面向智能仓储的多机器人任务分配及路径规划

面对当今日益复杂的市场需求,传统的人工仓储系统已力不从心,仓储系统的智能化转型升级成为迫切需求。在这一背景下,针对仓储环境设计了一种仓储多机器人系统的任务分配与路径规划策略,以实现混杂单机与多机编队仓储任务的高效完成。文中提出一种将交通流量影响因子融入拍卖算法的仓储任务分配策略,通过预测环境中各区域机器人密度,实现任务分配的优化。该研究为多机编队任务设计了基于虚拟结构法的三机器人编队模型,并提出一种2层路径规划策略:外层基于Floyd算法进行全局路径规划,内层通过交通规则约束解决各类碰撞问题,实现局部路径规划。在MATLAB平台对设计的仓储多机器人系统进行仿真实验,实验结果表明,该多机器人系统能够灵活处理混杂2种类型的仓储任务,有效减少机器人之间的碰撞风险和机器人在密集区域的停滞现象,从而提高系统的安全性和工作效率。该研究为未来多机器人系统研究和现实应用提供参考。

基于蚁群混合人工势场法的多机器人编队运动

针对多机器人路径规划问题提出了一种基于蚁群混合人工势场法的集成编队路径规划方法,该方法基于领航者跟随法构造多机器人的编队队形,利用改进蚁群优化(ACO)算法为领航者提供复杂障碍物环境下的全局路径,结合改进人工势场(APF)法决策避障。在全局路径规划阶段,通过改进ACO算法提高了路径的最优性和安全性;在局部路径规划阶段,通过优化APF法的引力、斥力系数以及避障函数解决了标准APF法下机器人易陷入局部最优、易受复杂环境干扰等问题;为提高多机器人的编队运动能力,领航者采取自适应导航策略以提高路径追踪能力,跟随者自适应修正运动速度以较好地维持编队队形。实验结果表明,所提方法成功地协调了多机器人的路径规划和编队问题。