基于平滑A*人工势场法的机器人动态路径规划

针对动态环境下移动机器人的路径规划问题,提出了平滑A*人工势场法的路径规划方法。首先采用平滑A*算法在静态障碍物环境中进行全局路径规划|其次,在机器人遇到动态障碍物时采用A*人工势场法进行局部动态路径规划,并以此调整全局路径规划结果|最后对路径规划结果进行平滑处理。将平滑A*人工势场法应用于机器人动态路径规划,并与D*算法进行对比。实验结果表明,该算法能够在动态环境下规划出一条更为优化的路径,有效缩短了路径长度,提高了规划效率。     

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。     

改进型RRT*算法的水下机器人三维全局路径规划

由于传统快速扩展随机树的改进算法(RRT*)在处理自主式水下机器人三维路径规划问题时存在算法收敛速度慢、规划出的路径不平滑等问题,提出一种改进型NT-RRT*算法(正态采样、三角裁剪的快速扩展随机树改进算法),利用正态分布的空间采样策略来代替RRT*算法中的全局均匀随机采样,用来提高算法的收敛速度.此外,引入基于三角不...     

基于改进蚁群算法的AGV全局路径规划

目的:针对传统蚁群算法存在易陷入局部最优值、前期盲目搜索和收敛速度慢等问题,提出一种改进算法并应用于AGV(Automated Guided Vehicles)全局路径规划。方法:通过优化状态转移概率以及信息素更新方法完成对传统蚁群算法的改进;然后建立环境地图模型,并将改进算法应用于AGV路径规划;最后进行对比试验,并分析算法的改进效果。结果:与现有算法比较,改进算法可更快获得更短的规划路径长度,同时可有效减少算法迭代次数。结论:通过优化状态转移概率和信息素更新方法,可有效加快蚁群算法的收敛速度,增强蚁群全局搜索能力。     

改进型蚁群算法在多关节机器人捕捉路径规划上的应用

针对狭窄空间中机械臂的路径规划问题,提出一种改进型蚁群优化算法应用于机械臂的路径规划。通过对传统蚁群算法从概率分布的计算、最优路径二次优化、路径淘汰机制等方面进行改进,并使用Matlab软件进行仿真。对比改进前后算法的收敛效果,发现改进型蚁群算法的自组织性大大增强了系统的鲁棒性,能够明显提高机械臂在矿井等复杂环境下的适应能力。     

面向大型三维场景的优化分层A*寻路算法研究

针对大型三维场景中A*寻路算法存在搜索节点过多、寻路效率低的问题,提出了一种面向三维场景网格的改进分层A*算法。首先将三维场景进行体素划分,根据三维体素的属性生成可行走域的导航网格,并利用多级K划分对导航网格进行抽象分层,形成抽象分层路径,然后使用双向搜索策略对A*算法进行优化。建立了大型三维场景环境下寻路仿真实验平台,将传统A*算法与改进分层A*算法进行性能对比,实验证明改进分层A*算法搜索效率明显高于传统A*算法。     

基于多边形导航网格地图的改进A*算法

针对A*寻路算法在大型地图中搜索路径结点过多、搜索效率过低的问题,提出一种基于多边形导航网格的改进A*算法。首先利用建模工具对地图中障碍物进行剔除,生成可行走域的多边形导航网格;其次对多边形网格进行Delaunay三角剖分,形成三角导航网格,利用二叉堆对A*算法所使用的数据结构进行优化,采用目标范围界限方法对导航网格进行预处理,并将处理A*算法的启发函数进行改进以适用于多边形导航网格,对多边形导航网格生成路径利用漏斗算法进行路径平滑处理,生成实际最优路径;最后利用Unity3d游戏引擎搭建地图寻路实验平台,对比分析算法的性能差距。实验证明,基于多边形导航网格改进A*算法在大型地图中的搜索效率明显高于基于传统方格地图A*算法。     

一种基于A~＊算法的轮式机器人路径规划方法

提出了一种基于A＊算法的轮式机器人路径规划方法。首先,构建了轮式机器人运动模型,分析了圆弧和直线运动的实现;其次,阐述了机器人的环境有效移动空隙,并采用链接图法对环境进行建模;再次,结合A＊算法实现了机器人全局静态路径规划。实验验证了方法的有效性。     

基于改进蚁群算法的 AGV 路径规划研究

近年来,自动导引机器人（AGV）一直是研究的热点问题,其中复杂路径规划为研究重点。为了更好地规划机器人路径,提出一种改进蚁群算法,该算法在传统蚁群算法基础上充分利用了 MMAS 算法的特点。首 先,构建网格环境模型,引入算法概率函数和抑制因子,通过改变算法的启发式信息,加快算法收敛速度|其次,引入回退机制解决死锁问题,再将 MMAS 蚂蚁系统转化为局部扩散信息素,只有迭代试验的最优解才能加入到信息素更新中|最后,有效限制信息素浓度,避免发生搜索路径过早收敛现象。仿真实验结果表明,改进蚁群算法与传统蚁群算法相比,迭代次数减少 45.6%,时间缩短 46.2%,改进蚁群算法收敛速度更快、效率更高。     

基于深度相机的苹果采摘机器人路径规划研究

为了优化苹果采摘机器人采摘路径,在获得苹果树场景三维位置信息的基础上,提出一种具有多种地形损耗的A*算法。结合ToF（Time-of-Flight）深度相机和Hu不变矩获取苹果和不同障碍物的三维位置信息,建立存在果实和多种障碍物的二维地图。在二维地图上,利用具有不同地形损耗函数的A*算法进行仿真实验。改进后的A*算法将障碍物分为可通过的障碍物（树叶）和不可通过的障碍物（树枝）,且障碍物存在位置处的自带移动耗费向周围以线性递减,避免了基本的A*算法中只具有单种障碍物问题,从而增加了不同种类障碍物对路径选择的影响程度,优化了路径质量。对比实验表明：改进后的算法提高了对于复杂地图的处理能力,产生的路径长度更短,转折次数更少。