Cooperative co-evolution based distributed path planning of multiple mobile robots

This paper proposes novel multiple-mobile-robot collision avoidance path planning based on cooperative co-evolution,which can be executed fully distributed and in parallel. A real valued co-evolutionary algorithm is developed to coordinate the movement of multiple robots in 2D world, avoiding C-space or grid net searching. The collision avoidance is achieved by cooperatively co-evolving segments of paths and the time interval to pass them. Methods for constraint handling, which are developed for evolutionary algorithm, make the path planning easier. The effectiveness of the algorithm is demonstrated on a number of 2Dpath planning problems.

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.

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。

多机器人协同路径的时域协作-势场A*规划

为了减小多机器人协同工作路径长度并提高路径平滑度,提出了基于时域协作-势场A*算法的多机器人协同规划方法。建立了机器人工作环境的栅格模型,分析了传统A*算法辅助信息不充分的问题。为了充分利用环境中的障碍物和目标点位置等先验信息,基于势场法将障碍物和目标点信息引入到A*算法辅助信息中,提出了基于势场A*算法的单机器人路径规划方法。使用三维时空图代替二维平面图,可以有效判断出多机器人碰撞问题,并根据碰撞类型制定了避撞策略。经验证,势场A*算法规划的路径长度和平滑度均优于传统A*算法、文献[11]蚁群算法;在多机器人协同路径规划中,在规划出各机器人最优路径基础上,可以有效解决机器人之间的碰撞问题。实验结果验证了时域协作-势场A*算法在多机器人协同路径规划中的有效性和优越性。

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。

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。

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。

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。

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DMPC的无信控交叉口智能网联车辆多车协同轨迹规划

为了解决智能网联自动驾驶环境下无信控十字交叉口多车协同通行的冲突问题,该文提出了一种基于分布式模型预测控制(DMPC)的多车协同轨迹规划方法。采用分布式模型预测框架实现多车协同轨迹规划的分布式独立计算,利用滚动时域预测周车轨迹实现车-车未来状态交互,基于智能网联环境车-车交互通信功能实现规划结果共享;引入道路边界约束、加速度约束与碰撞约束等车辆安全约束条件,通过二次规划求解可以安全通行十字路口的多车轨迹;基于MATLAB驾驶场景生成模块建立无信控十字交叉口环境,并在2种场景下验证了该方法的有效性。结果表明:在直行工况和左转工况下多车间最小距离分别为2.58 m和2.99 m,均满足避撞的安全距离约束,实现了多车之间的协同避撞并且能够保证通行效率。

APF与A*融合的多目标点路径规划算法

在智能餐厅环境下,针对移动机器人在多目标点路径规划时存在规划效率不高的问题,提出了一种基于A*算法与APF算法相结合的多目标点路径规划的方法。将多目标点路径规划问题转化成类旅行商问题,采用A*算法和人工势场法规划出多目标点的最优遍历顺序。首先,将若干个目标点用一个集合表示并应用在A*算法上面,实现A*算法多个目标点的路径规划;其次,引入人工势场法对多个目标点进行优先级判定,借助人工势场法计算各个目标点的势能值,之后利用人工势场法得到的势能值对目标点集进行排序,完成各个目标点之间的最优顺序;最后,对规划好的目标点集使用A*算法进行全局路径规划。为了验证该方法的有效性和先进性,将该算法进行消融实验,同时也与两种典型的多目标点规划算法进行对比。结果表明,该算法是有效的,能够在缩短路径规划时间和降低路径代价的同时规划出一条有效路径。

基于改善率统计的MAPF-LNS2+算法

MAPF-LNS2是一种基于大邻域搜索的算法,用于解决多智能体路径规划问题。优势在于其速度更快,在大多数情况下提供接近最优解的解决方案。但该算法在分配权重时仅考虑当前邻域搜索策略的近期表现并有可能分配了较高的权重,使其他邻域搜索策略出现短暂的“饥饿”现象,导致增加算法的总运行时间。针对该问题基于MAPF-LNS2算法,通过引入改善率统计和时间窗口提出了一种新的多智能体路径规划算法。结果表明,无论是在运行时长还是成功率方面,MAPF-LNS2+算法均优于MAPF-LNS2算法,运行时间最高降低了65.1%,成功率最大提升了16%。

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.