基于神经网络的移动机器人路径规划研究

利用一种并列连接的神经网络结构对移动机器人路径进行规划,并把神经网络与模拟退火算法相结合,解决了局部极值问题,最终收敛到全局最优解。计算机仿真研究表明:模拟退火算法具有计算简单,初值鲁棒性强以及通用易实现等优点。     

自主移动机器人路径规划方法研究综述

自主移动机器人路径规划问题是智能控制和机器人学研究的核心内容之一。系统分析了当前移动机器人路径规划方法的主要研究成果。对移动机器人路径规划模型进行描述,介绍了人工势场法等传统方法,阐述遗传算法等智能算法,讨论了算法融合问题,对移动机器人路径规划的发展趋势进行了展望。     

基于遗传算法的机器人路径规划

静态环境中的移动机器人全局路径规划是路径规划中的一个重要问题,本文采用遗传算法遗传算法解决移动机器人的路径规划.该方法首先采用栅格法环境建模,采用遗传算法规划机器人路径,最后用MAT-LAB来实现算法,仿真后,观察路径,得出最终结果.     

移动机器人路径规划中的PSO优化算法研究

随着科学信息技术的发展,粒子群优化算法凭借简单的概念与易实现的特点,获得了众多科研人员的青睐,但在粒子群优化算法应用于移动机器人路径规划时,却遇到了经常陷入局部最优值的问题.本次研究提出对PSO算法进行优化以优化该局部最优的问题.在对PSO算法进行优化的过程中,采用混沌算法对PSO算法进行初始化,随后将其早熟粒子进行混...     

融合模拟退火的遗传算法研究与应用——以行程规划问题为例

遗传算法具有较强的全局搜索能力,但容易陷入局部最优.把模拟退火算法的思想融入到遗传算法中,在选择、交叉和变异的过程中加入退火过程,并使用改进后的算法求解行程规划问题,实验结果证明设计的算法是有效的.     

基于神经网络的移动机器人路径规划研究

利用一种并列连接的神经网络结构对移动机器人路径进行规划，并把神经网络与模拟退火算法相结合，解决了局部权值问题，最终收敛到全局最优解。计算机仿真研究表明：模拟退火算法具有计算简单，初值鲁棒性强以及通用易实现等优点。     

基于蚁群改进与尖峰平滑的移动机器人路径规划

近年来,移动机器人路径规划作为机器人自主导航领域的一个重要问题而备受关注,针对传统ACA有易陷入局部最优,以及现阶段在很多机器人路径规划中易被忽略的出现过于尖锐拐点的问题,提出一种改进蚁群算法(ACA-ES)应用于移动机器人路径规划。首先,针对ACA易陷入早熟的问题,引入精英策略,目的是给每次循环结束后找出的最优解增加额外信息素,提高算法收敛速度;其次,为了不使机器人在路径尖峰处失去平衡,引入基于中心点的平滑方法,提高路径平滑性。在栅格环境下进行仿真,得到一条平滑路径,且路径长度比原来缩短了5.90%,证明了该改进算法的有效性和可行性。     

移动机器人路径规划技术现状与展望

移动机器人技术研究中的一个重要分支是路径规划技术。通过对全局路径规划和局部路径规划中各种方法的分析,指出了各种方法的优点和不足以及改进的办法,最后对移动机器人路径规划技术的发展趋势进行了展望。     

一种改进蚁群算法的移动机器人路径规划

路径规划是移动机器人运动控制中的关键问题。针对传统蚁群算法在机器人全局路径规划中存在收敛速度慢、易陷入局部最优等缺点,提出一种改进型蚁群路径规划算法。首先,通过栅格法建立机器人运动环境模型,然后在传统蚁群算法基础上引入A*搜索算法的估价函数思想,改进蚁群算法的启发函数,增加目标节点与可选行进节点数对启发函数的影响。其次,在信息素更新公式中,通过引入Logistic增长函数对信息素挥发因子作自适应调整,提高算法速度与精度。最后,通过Matlab仿真实验证明,改进蚁群算法比传统算法在路径搜索速度和精度上都有较大提升。     

基于改进遗传算法的移动机器人路径规划

经典遗传算法的缺陷在于搜索耗时较长,容易出现局部最优解。为解决该问题,引进适应度函数,并在设计遗传算子时,重新定义适应度函数。为尽量规避出现局部最优解,在不改变种群参数的条件下,通过新算法得到最短路径为31,搜索耗时均值为20.667m/s;与之对比,经典遗传算法两项数据分别是37和24.667m/s。因此,新算法可在更短时间内给出更佳解。     

基于改进蚁群算法的移动机器人路径规划

针对蚁群算法进行机器人路径规划时存在搜索空间大、效率低、容易陷入局部最优解、易出现死锁现象等问题,提出了一种改进的蚁群算法。在蚁群算法基础上,只对较优蚂蚁路径进行信息素浓度更新|针对U型障碍物,提出了蚂蚁回退策略,以及一些仿真实验策略改进。仿真结果表明：改进后蚁群算法能快速搜索到最优路径,有效避免死锁现象,与其它算法相比,具有良好的路径寻优能力与避障性能。     

权值自适应的局部路径规划方法及应用

移动机器人在工业生产和社会生活中逐步得到应用。路径规划是移动机器人完成其任务的前提和基础,也是机器人导航的核心技术。针对移动机器人在现有局部路径规划中无法自适应复杂环境、规划路径不合理等问题,提出基于权值自适应的局部路径规划方法。利用传感器信息自动获取合理的目标函数权值,实现具有较高实时性、安全性和鲁棒性的局部路径规划。实验结果表明,改进的动态窗口法能有效自适应复杂环境,规划的路径安全、合理、平滑,算法效率明显提升,计算量和迭代次数明显减少,总运行时间缩短20%以上。     

基于遗传算法的避空侦察最优路线选择

针对避空侦察最优路径选择问题,根据避空和行军时间限制以及最短路径要求,建立卫星过顶预测模型和约束最优化模型,给出一种求解该优化模型的改进遗传算法,基本思想是：在常规进化算子的基础上,引入进化逆转操作,以改善遗传算法的局部搜索能力。数值实验表明,上述算法具有较强的局部搜索能力,特别适用于避空侦察最优路径选择问题。     

基于极值法的静态路径规划算法

针对传统路径规划算法在求解静态已知环境下的最优或次优路径时存在转折次数过多、路径复杂等问题,提出一种基于极值法的移动机器人静态路径规划算法。在对环境建模时,采用边界点集描述障碍物不可行区域的轮廓信息;在路径规划过程中,首先判断当前出发点到目的点之间是否有障碍物,然后利用极值法获得转折点,进而得到初步路径,同时为后续利用极值法获取新的转折点提供计算与判断依据。仿真结果证明了该算法的有效性。     

改进的模糊控制算法在机器人路径规划中的应用

针对模糊控制算法存在局部最小值问题,提出了基于行为的模糊控制算法。首先将移动机器人的运动规划行为分解为避障行为和目标趋向行为,然后通过设定相关的模糊规则,设计避障行为和目标趋向行为,从而完成路径规划,最后采用MOBOTSIM对算法进行仿真实现,验证了该算法的有效性。     

基于免疫算法和人工势场的移动机器人路径规划

分析了人工势场模型存在的两个问题:目标不可到达问题和由于局部最优解的存在而产生的死锁问题。在人工势场路径规划的基础上,提出了基于免疫算法和人工势场法的最优路径规划方法。通过仿真算例验证了该模型的有效性。     

改进的可视图法在路径规划中的运用

近年来移动机器人路径规划技术得到了迅猛的发展,针对路径规划技术,人们先后提出了多种算法,然而在实际的运用中,它们却显示出不同的局限性,有时人们需要对它们进行适当的改进.可视图法在移动机器人路径规划中占有重要的地位,但随着障碍物增多或遇到复杂多边形障碍物时,其运算的复杂程度就会增加,规划的难度也随之增加,现在采用算法将可视图法中一些"没用"的障碍物删除,通过两点之间直线最短的原理,选出路径规划的方向,从而减少路径规划的复杂程度和运算时间,增加可视图法的适用范围.     

基于改进狼群算法的机器人路径规划研究

路径规划是移动机器人研究的关键技术,针对狼群算法在路径规划中存在收敛速度慢、搜索效率低的问题,提出了一种改进的狼群优化算法。以栅格法构建基于改进狼群算法的机器人路径规划模型,并采用游走机制来改善模型的局部寻优能力;采用智能奔袭方式提高改进狼群算法的自适应调节能力,以使算法收敛到全局最优。仿真实验结果表明:改进后的狼群算法在收敛速度、精度、自适应调节能力上均优于对比算法且在实现机器人路径规划上更有效。     

能耗优化下移动机器人路径规划的变约束仿真平台设计

能耗优化下移动机器人路径规划面临移动机器人数量、作业路况、电源更换等多变化约束条件情形。基于MATLAB-App Designer开发工具,结合团队前期研究成果,设计具有交互界面的能耗优化下移动机器人路径规划变约束仿真平台。该平台根据变约束要求特性,改变具有障碍的不同规模地图、移动机器人数量、移动机器人起始及目标位置等,调用嵌入的不同智能算法,仿真生成移动机器人规划路径,实时显示能量消耗和路径长度等信息,为实际情形下移动机器人路径规划提供可靠的参考价值。     

蚁群算法在机器人路径规划中研究及发展趋势

移动机器人研究中的一个重要领域是机器人路径规划方法。本文对蚁群算法在机器人路径规划方法的研究现状进行了概括与总结,指出了各种改进方法的优点及不足,最后对其发展方向进行了展望。