为了提高机器人工作路径质量并减少算法运行时间,提出了蜂巢栅格模型与动态分级蚁群算法结合的路径规划方法.建立了工作环境的蜂巢栅格环境模型,在转向角、避障路径比、路径质量等方面均优于传统方形栅格模型;将蜂群算法的分级思想引入到蚁群算法中,根据适应度将蚁群分为寻优蚁和侦查蚁两级;寻优蚁更加注重信息素的引导作用,利于算法收敛,侦查蚁更加注重启发信息的牵引作用,不断探索新的路径而增加路径多样性;提出了兼顾全局信息素更新和局部信息素更新的动态加权信息素更新方法.经仿真验证,动态分级蚁群算法在迭代过程中的路径多样性优于蚁群算法;将动态分级蚁群算法应用于路径规划,路径长度比蚁群算法降低了22.12%,平均运行时间减少了32.33%,充分证明了动态分级蚁群算法在路径规划中的有效性.

针对双向快速扩展随机树(Bidirectional Rapidly-Exploring Random Tree,Bi-RRT)算法中采样随机性大、路线贴合障碍物、生成路径存在大量冗余点等问题,提出了一种适用于自动导引运输车(Automatic Guided Vehicle,AGV)全局路径规划的改进Bi-RRT算法。该算法将基于概率p的目标偏向策略与A*算法中的代价估计思想结合起来,形成双重目标偏向策略以求得更优路径;在路径生成过程中加入安全距离判断机制,消除生成路径与障碍物贴合现象;此外,动态检测新节点与目标点的通路状态,减少不必要的随机采样过程;最后,利用遍历算法对所得路径进行后处理,滤除冗余点,使最终路径干净简洁。在MATLAB平台上对算法进行仿真实验,结果表明,改进算法相较于传统Bi-RRT,搜索时间更短,规划路径更优且可执行。

在移动机器人全局最优路径规划中,提出了一种对地图特征定向采样的改进A*算法,指在确保安全的前提下兼顾算法的效率和最优性。此算法分为三个部分,第一部分地图前处理,为确保路径安全无碰撞先进行障碍物膨胀处理,再借鉴基于采样的方法思想,但对地图特征进行定向采样,避免了基于采样的算法的随机性带来的路径成本过高问题。第二部分邻接矩阵构建,将采样所得特征点与始末点连接,将各点坐标及通断信息以邻接矩阵存储。第三部分路径搜索,用邻接矩阵替代原地图,并使用基于搜索的算法找出最优解,此时邻接矩阵信息量远低于原地图,避免了基于搜索的算法在处理大量节点时效率低下的问题。将改进的A*算法与传统A*路径规划算法在栅格地图中进行仿真对比。结果表明,虑移动机器人外围尺寸的障碍物膨胀处理能够确保规划出的路径是安全无碰撞...

针对移动机器人研发过程中成本高、无硬件条件下无法对机器人运动进行控制的缺点,通过仿真实验的方法对移动机器人的关键技术进行了研究。首先,对移动机器人的定位展开研究,在ROS系统内使用gazebo工具构建室内2D环境及带有传感器的移动机器人模型,使用AMCL算法进行定位仿真实验。其次,对路径规划方法展开了研究,在MATLAB中使用A*算法与DWA(动态窗口法)相结合的方法对移动机器人进行了仿真分析。最后,通过对实验结果的分析验证了AMCL(自适应蒙特卡洛)定位方法、A*算法及DWA算法的有效性。