Ant Colony Optimization with Potential Field Based on Grid Map for Mobile Robot Path Planning

For the mobile robot path planning under the complex environment,ant colony optimization with artificial potential field based on grid map is proposed to avoid traditional ant colony algorithm's poor convergence and local optimum.Firstly,the pheromone updating mechanism of ant colony is designed by a hybrid strategy of global map updating and local grids updating.Then,some angles between the vectors of artificial potential field and the orientations of current grid are introduced to calculate the visibility of eight-neighbor cells of cellular automata,which are adopted as ant colony's inspiring factor to calculate the transition probability based on the pseudo-random transition rule cellular automata.Finally,mobile robot dynamic path planning and the simulation experiments are completed by this algorithm,and the experimental results show that the method is feasible and effective.

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。

基于避障寻优改进蚁群算法的机器人路径规划

针对蚁群算法在处理路径规划过程中存在收敛速度慢,规划路径冗余等问题,提出了一种基于避障信息和快速寻优策略的改进蚁群算法。为了改善蚁群的首次搜索效率和精度,引入切比雪夫距离改进距离启发函数,在转移概率中增加目标点对机器人的引导作用;采用自适应转移概率调整路径规划过程中节点的选择方式,并根据节点周围的障碍物分布设置初始信息素,使得蚂蚁首次生成有效路径的比率从60%提高至92%;同时删除生成路径的垃圾信息,提高最优路径节点的信息素浓度,平衡了蚁群的局部和全局搜索能力,加快了最优路径的速度;通过平滑生成的路径,减少机器人转弯次数,缩短了路径距离。选择SSA、ACO、IACO、I-ACO等算法在3种栅格环境上进行性能测试。结果表明,改进的蚁群算法路径寻优上优于其他算法。

基于改进人工鱼群算法的蠕虫机器人路径规划

针对人工鱼群算法在机器人路径规划中存在路径长、精度不高、易陷入局部最优等问题,提出了一种改进的人工鱼群算法,旨在提高算法效率及精度。首先,在算法觅食行为中加入寻优循环,减少算法在路径规划中选取位置点的随机性,使机器人能够更快地走向目标点;其次,融合禁忌搜索算法,通过引入禁忌表来记录算法陷入局部最优的路径,使算法在选取新位置点时能够避开局部最优区域,避免算法在局部过度循环,同时对规划出的路径进行优化处理,删去重复栅格点之间的路径,保证路径中没有重复的栅格点;最后,将改进后的人工鱼群算法应用在一种新型的三维栅格地图中。实验结果表明:相较于其他对比算法,在地图1、2、3中改进人工鱼群算法所取得的平均路径长度分别减少了10%、15%、30%,在复杂地图中路径规划的成功率提高了75%。

基于改进蚁群算法的AGV路径规划研究

针对蚁群算法的不足,以提高算法收敛速度和减少路径拐点数量为目标,提出了改进方法:首先设计转角启发函数和改进距离启发函数,增强目标节点对寻路蚂蚁的指向性,并减少路径不必要的转角;其次在概率转移公式基础上增加自适应动态变量,增大算法前期搜索空间,提高算法后期的收敛速度;最后对不同蚂蚁进行分区奖惩,扩大信息素的启发作用。实验结果表明,在两种不同复杂程度环境下,与传统蚁群算法相比,路径转角数量分别减少了58.8%和38.1%,效率提高了90%,并且计算效率不易受环境复杂度的影响,验证了算法的优越性。

基于改进麻雀搜索算法的搬运机器人路径规划

针对基本麻雀搜索算法用于搬运机器人进行路径规划问题,提出一种改进的麻雀搜索算法。建立反向学习机制,优化麻雀的初始群体;引入动态搜索因子,扩大种群搜索范围;引入柯西变异,避免出现局部最优。采用栅格法构建工作环境地图,利用Matlab仿真软件,将改进算法与基本算法在不同的栅格地图下进行仿真实验,实验结果表明,改进后的算法在路径规划方面拥有更好的效果,证明了改进算法的优势和可行性。

环境信息实时感知的装配式建筑机器人施工路径自动优化

针对建筑机器人施工过程中的安全与效率等问题,提出环境信息实时感知的装配式建筑机器人施工路径自动优化方法。实时采集建筑机器人施工环境三维点云数据,并在处理后转换为八叉树数据结构的三维栅格地图。采用简化的D*算法规划出多条装配式建筑机器人施工路径。采用基于混合式算法的施工路径优化算法,将遗传算法与蚁群算法相结合,利用遗传算法中的信息素精确选择影响蚂蚁群体的信息素,通过若干次迭代过程确定最优装配式建筑机器人施工路径。实验结果显示,该方法具有较高的施工环境感知精度,可准确生成装配式建筑机器人施工环境地图,最终优化后的施工路径可有效躲避不同类型的障碍物,降低施工路径长度。

基于高斯投影的变电站巡检机器人定位建图技术

保障变电站的安全是电力供应的关键要素,因此变电站的巡检工作是不可或缺的。目前,采用机器人进行自动化巡检是变电站巡检领域的重要趋势。获得变电站的平面地图是实现变电站自动化巡检的关键。目前传统的定位建图方案,如同步定位与建图(Simultaneous Localization and Mapping,SLAM)、离线全球定位系统(Global Positioning System,GPS)定位等,往往存在特征识别困难、建图时间过长或者地图所需存储空间过大等缺点。基于此,提出了一种基于高斯投影的变电站巡检机器人定位建图技术。采集完工作区域内外边界和障碍区域的边界点后,通过高斯投影,将采集到的地理位置坐标转换为平面直角坐标,并通过射线法实现平面栅格地图的建立。再根据已有的栅格地图信息和实时接收的机器人当前位置信息实现定位功能。实验验证了该定位建图技术的可行性,该方法可极大地提升建图速度,减少地图所需的存储空间,建立的地图可用于巡检机器人后续的路径规划和导航。

基于改进蚁群算法的监测机器人路径规划方法设计

监测机器人在工业与制造业中得到大规模的应用,对其展开合理的运动路径规划对于机器人的监测效果具有直接影响。考虑到当前监测机器人路径规划方法的障碍物规避环节较为薄弱,导致机器人对于动态障碍物规避能力较差的问题,设计基于改进蚁群算法的监测机器人路径规划方法。使用栅格法对地理信息系统(GIS)地图进行处理,构建监测机器人活动空间模型。选择路径节点自适应参数,确定蚁群算法的信息素强度以及更新次数。增加引导因子对蚁群算法加以改进,并设定动态障碍物规避算法,完成动态障碍物环境下的监测机器人路径规划。构建仿真实验环节,对此方法的路径规划能力展开验证。实验结果表明:此方法可在获取最短运动路径的同时,实现动态障碍物规避。

一种改进蚁群算法的移动机器人路径规划研究

针对蚁群算法在大型、复杂环境下全局搜索效率差且收敛速度慢的问题,提出一种改进的蚁群路径规划算法。该算法通过引入目标方向函数作为启发因子,构建距离与目标方向的融合启发函数,以提高算法的收敛速度;采用一种基于有效拐点的路径优化策略,以减少规划路径的转弯次数;在输出路径的基础上采用三次B样条曲线进行路径平滑处理,以提高路径平滑性。通过梯度实验和2种不同规模对比实验表明,该算法与传统蚁群算法相比,2种规模下转弯次数分别减少41.67%和70.18%,最短路径迭代次数分别减少72.73%和63.24%,验证了该算法的优越性与可行性。

基于改进Q-learning算法的移动机器人局部路径规划

针对Q-learning算法在移动机器人局部路径规划中存在的学习速度慢、效率低等问题,提出一种改进的IQ-learning算法。首先设计了栅格地图,建立机器人八连通的运行环境。其次基于栅格地图设计了状态、动作、Q值表、奖惩函数和动作选择策略;在Q-learning算法的基础上,IQ-learning在奖惩函数中增加了对角线运动奖励值,鼓励机器人向八个方向探索路径,将平移运动和对角线运动相结合,减少规划路径长度和在初始阶段的盲目搜索,加快算法的收敛速度。最后利用设计的IQ-learning算法学习策略,分别在离散型、一字型、U型和混合型等障碍物环境下,学习移动机器人的局部路径规划任务,并与Q-learning的规划结果相比较,得出IQ-learning算法能够在更少的学习次数中以较少的步数找到最短路径,规划效率有所提高。

基于多重信息增益的移动机器人探索策略

针对移动机器人在未知环境中自主探索及建图存在盲目性的问题,提出了一种基于贝叶斯优化评估多重信息增益的探索策略。在候选点提取方法上采用融合前沿点聚类与可通行区域的方式综合衡量提取,相较于传统的前沿点检测方法有效解决了候选点集合过大及环境信息缺失等问题;在候选点评估方法上利用贝叶斯优化计算多重信息增益,综合考虑地图熵值与距离成本,相较于仅考虑地图熵值选取最佳候选点的方法,有效改进了机器人在环境中的冗余路径。该算法在机器人操作系统(robot operating system,ROS)中采用Gazebo进行仿真实验验证,构建环境地图。结果表明,该方法可以使移动机器人快速有效地探索未知环境,高质量完成建图任务。

基于SURF特征的多机器人栅格地图拼接方法

实现地图拼接是多机器人协作创建地图的一项关键技术。研究了一种基于加速鲁棒特征(SURF)的多机器人栅格地图拼接方法,该方法通过对机器人运动坐标系进行刚体变换,将栅格地图拼接问题用图像配准的最小化问题来表示并建立数学模型。首先利用一种改进的SURF算法从待拼接地图中提取特征,然后利用随机抽样一致性(RANSAC)算法剔除误匹配得到初始拼接参数,并将拼接参数作为ICP算法的初值来求解目标函数。最后分别利用公开数据集和Turletbot2移动机器人进行了实验,结果表明该方法能对多机器人建立的栅格地图实现可靠拼接,鲁棒性好且精度高,拼接速度快适用于较大规模环境栅格地图拼接。

基于图像配准的栅格地图拼接方法

栅格地图拼接是多移动机器人协同创建环境地图中的一项关键技术.本文提出一种图像配准意义下的栅格地图拼接方法.该方法将栅格地图拼接问题视为图像配准问题,建立相应的目标函数,并给出局部收敛的迭代最近点算法求解该目标函数.为获得最优的拼接结果,该方法从待拼接的地图中提取局部不变特征,并借助随机抽样一致性算法分析初始拼接参数,以作为迭代最近点算法的初值.最后,提出了拼接参数已知时的栅格地图融合规则.实验结果表明,该方法能可靠地实现栅格地图拼接,且具有精度高和速度快的优点.

基于栅格-几何混合地图的移动机器人分层路径规划

针对人工势场法中的死锁问题以及栅格地图中的可行空间损失问题,提出了一种基于特征与栅格混合地图的分层路径规划方法。上层使用改进的A*算法在高粒度的栅格地图中找到基本路径,以此克服人工势场中的死锁以及传统A*算法的回溯问题。为减小人工势场的抖振问题,提出了一种惯性人工势场法(I-APF),并用I-APF在底层中对基本路径进行平滑处理。仿真实验结果表明:该路径规划策略可以有效地降低计算消耗,所规划的路径优于单纯的栅格法或惯性人工势场法。

多机器人地图融合方法研究

多机器人建图是实现机器人自主导航,完成复杂智能任务的关键.其中如何将不同机器人采集的数据融合到全局地图中,成了多机器人建图中的一个核心问题.文中采用独立探索、集中建图的探索策略,提出一种基于改进差异进化算法的多机器人概率栅格地图的融合.该算法在地图相似度的概念基础上,建立相异度函数,利用改进的进化算法搜索策略快速地搜索各局部地图之间的最大重叠部分,实现了多机器人系统栅格地图的融合,有效的解决了相对位置未知情况下的地图创建问题.通过实验验证了该方法正确、可行.

室外自主移动机器人AMOR的导航技术

在非结构化环境,移动机器人行驶运动规划和自主导航是非常挑战性的问题。基于实时的动态栅格地图,提出了一个快速的而又实效的轨迹规划算法,实现机器人在室外环境的无碰撞运动导航。AMOR是自主研发的室外运动移动机器人,它在2007年欧洲C-ELROB大赛中赢得了野外自主侦察比赛的冠军。它装备了SICK的激光雷达,用来获取机器人运动前方的障碍物体信息,建立实时动态的环境地图。以A*框架为基础的改造算法,能够在众多的路径中快速地找到最佳的安全行驶路径,实现可靠的自主导航。所有的测试和比赛结果表明所提方案是可行的、有效的。

基于栅格地图的移动机器人完全遍历算法——矩形分解法

提出移动机器人的一种新的完全遍历算法:矩形分解算法。首先通过机器人环境学习建立栅格地图,对环境中的障碍物实行矩形化建模。而后应用矩形化模型中的关键点将环境分解成为矩形块,最后在这个分块环境的拓扑图中寻找到一条Hamilton路径,机器人沿此路径即可实现对环境的完全遍历。为处理复杂的局部情况,又提出基于模板的局部环境处理算法。矩形算法的优点在于机器人可以实现完全自主的复杂环境遍历,并且可以处理未知障碍,从而使算法适合于任意非结构化的工作环境。

使用三维栅格地图的移动机器人路径规划

针对移动机器人使用三维地图进行路径规划的问题,研究了使用三维栅格地图的路径规划算法。该算法将装载三维激光扫描仪的移动机器人得到的三维点云转换成为八叉树结构的三维栅格地图;扩展了D*算法使之考虑机器人的尺寸,检测每种位姿状态下是否与环境发生碰撞,生成多条可行路径可以在栅格地图中直接生成机器人的运动轨迹,保证运动过程中机器人自身及物体的安全。实验结果表明:该算法不需要对地图具有先验认识,并且考虑了机器人的实际尺寸,具有较强的可靠性和实用性,已经在真实环境中进行了实验。