室内复杂环境下多旋翼无人机动态路径规划

针对多旋翼无人机在室内复杂环境下的动态路径规划问题,提出了一种基于高度降维空间环境模型的无记忆回归A~*算法。首先,提出了一种高度降维的空间环境建模方法,将三维空间降到二维,降低了环境模型的复杂度,提高了规划效率。在环境建模的基础上,提出了以全局路径规划结果为基础进行局部动态搜索的思路,并设计了无记忆回归A~*算法,即首先使用传统A~*算法进行全局路径规划,参考全局规划结果,利用无记忆回归A~*算法对动态障碍物进行避障,避障完成后回归到全局规划路径上。最后利用仿真实验验证了所提方法的有效性。仿真结果表明,在指定环境下所提方法的路径规划时间和路径规划长度较无记忆A~*算法更短,两项指标分别提升了13.8%和41.6%。     

基于栅格法的室内指示路径规划算法

随着导航的应用场景日趋复杂,对利用室内地图的全局路径规划提出更高的要求。为提高全局路径规划算法效率,提出一种指示路径规划算法。首先运用栅格法对已知地图进行建模,然后在算法中引入方向向量引导路径方向,接着多次执行并通过奖励与惩罚措施来将关联矩阵与路径质量形成正反馈机制,并采用路径优化策略,最终得到一条较好质量的结果路径。仿真结果表明,较A*算法而言,指示路径规划算法在时间上减少49%,并且在较复杂的栅格地图中,其路径长度缩短了17%。     

基于骨架提取和启发式算法的路径规划方法

针对农业机器人在大棚中执行搬运任务时的高效率且尽可能沿地图中心行驶的需求,提出一种基于骨架提取和启发式算法的路径规划方法。首先设计了自适应阈值的地图骨架路径关键点提取步骤,用关键点指导启发式搜索树的构建。然后采用膨胀RS曲线代替直线进行树的生长,保证机器人的运动学约束和防碰撞,同时提出一种混合碰撞检测方法,进一步提高算法效率。最后设计关键点扩展步骤,提高算法的鲁棒性。仿真结果表明,简单地图下,本算法效率约是RRT*-Connect算法的5倍、Hybrid A*算法的7倍,复杂地图下约是RRT*-Connect算法的300倍、Hybrid A*算法的9倍,能够满足机器人的运动学约束。     

基于改进A*算法的多基地多无人机分阶段任务规划方法

针对多无人机疏散配置在多个基地、协同执行多目标侦察任务的应用需求,提出了一种基于改进A*算法的多基地多无人机分阶段任务规划方法,包括区域设置、航程估算、多基地多无人机任务分配、基地内单无人机时序分配、航迹搜索、航迹平滑和局部动态规划等多阶段层次化的处理流程。基于改进A*算法预估航程矩阵,基于改进K-means算法和深度遍历方法求解多基地多无人机任务分配,基于旅行商（TSP）模型求解单无人机时序任务分配,基于改进A*算法和三次B样条曲线规划并优化航迹,依据态势变化执行局部动态任务规划。开发了多无人机任务规划软件,验证了所提出的分阶段任务规划处理流程。实验结果表明,改进A*算法可剔除冗余节点,缩短4%以上航程,应用改进A*预估航程的任务分配能够满足威胁规避约束,进而可有效实现复杂威胁条件下多基地多无人机的航迹规划。     

基于海洋遥感图像的无人艇路径覆盖规划算法

遥感技术和无人艇的结合在海洋覆盖应用中具有巨大的潜力，提出了一种基于海洋遥感图像的无人艇路径覆盖方法。首先，为了建立精确的地图模型，提出了一种基于改进YOLO V3的旋转目标检测算法，在YOLO V3的基础上，细化障碍物的轴向、长度、宽度和坐标信息，在不增加计算量的情况下提高复杂场景下障碍物检测的召回率。然后，为了获得高效的覆盖路径，提出了一种基于旋转光束和贪心算法的路径覆盖算法。该算法将完整路径分为直行路径和转弯路径，分别基于长度与避障目标优化覆盖路径。仿真结果表明，较基于栅格地图的神经元激励算法，所提出算法在长度上平均减少了9.3%，并且在2种极端海洋环境中实现路径覆盖率为100%，重复率小于2.1%。     

基于A~*算法的重力辅助导航航迹规划

根据重力辅助导航航迹规划的特点,对经典A*算法启发函数进行了修改,改进A*算法通过重力坡度值表示重力导航启发信息,使用自适应确定对应阈值,增加预处理步骤以解决任意起始点和终止点的航迹规划问题。A*航迹规划算法能够根据重力信息分布情况调整航迹,使得规划的航迹重力导航信息更加丰富。重力相关匹配结果表明:跟随改进A*算法航迹的导航平均定位误差比跟随未规划航迹的小,改进A*航迹规划算法能够提高重力辅助惯性导航精度。     

基于改进强化学习的移动机器人路径规划方法

随着移动机器人在各领域的应用与发展,对移动机器人路径规划能力提出了更高的要求。为了解决现有移动机器人利用强化学习方法进行路径规划时存在的收敛速度慢和规划出路径平滑度较差的问题,提出了一种改进的Q-learning算法。首先,在Q值初始化的过程中引入人工势场法中的引力势场,以加快收敛速度。然后,调整移动机器人动作方向,增加动作步长,并在状态集中增加了方向因素,以提高规划路线的精度。最后,在栅格地图中,对所提出的算法进行了仿真验证。仿真结果表明,改进后的算法较传统的Q-learning算法在路径规划的时间上减少了91%,并且规划出路径的平滑度提高了79%。     

粒子群算法在惯性/地磁组合导航航迹规划中的应用

高效的航迹规划是水下运载器隐蔽航行的关键技术之一。结合水下航行器的地磁导航环境特征约束因素,建立了航迹代价评估模型,采用最短路径算法在约束区域内按路径长度的次序递增、迭代,规划出一条粗选航迹。在此基础上,采用粒子群优化算法将时间信息作为搜索空间的粒子,改进惯性权重值和编码方式,对粗选航迹进行优化,实现全局最优。仿真结果表明,粒子群优化算法缩小了搜索范围,提高了搜索效率,收敛更快,将适应度由49.211提高至43.304,所需代价更小,且所获取的航迹可以有效规避非适配区,保证了全局最优、局部最优。     

基于优化的离散空间轨迹规划算法

针对无人车离散空间轨迹规划时存在路径不平滑、速度不平稳、动态规划运算时间长等问题,提出一种基于优化的离散空间轨迹规划算法。将无人车所需搜索的空间解耦为纵向-横向空间（S-L空间）和纵向-时间空间（S-T空间）,在S-L空间根据静态避障和路径平滑程度的要求设计代价函数进行动态规划,进而利用二次规划对动态规划结果进行优化;在S-T空间提出一种改进的动态规划方法,根据道路速度限制和不可倒车约束优化搜索,并引入启发函数加快对规划终点的搜索速度,减少算法计算量,提高运行效率。仿真实验结果表明,在静态避障和动态避障环境中,所提算法规划出的轨迹曲率更小、速度变化更平滑、运行时间更快,相比于传统动态规划算法单次规划时间减少了77.13%。     

COORDINATED PATH PLANNING BY INTEGRATING IMPROVED RRT$^{\small*}$ AND QUARTIC SPLINE$^{\bf 1)}$

针对空间机器人抓捕空间非合作目标的在轨服务任务,同时考虑机器人运动学约束和动力学约束,提出一种分层式的自由漂浮双臂空间机器人协调路径规划方法. 首先,在路径规划层面上基于 RRT* 算法分别规划双臂末端执行器在笛卡尔空间下的初始可行路径,为双臂设置独立的采样空间,保证路径规划过程中双臂系统不发生自身碰撞. 然后,在轨迹规划层面上利用四次样条曲线平滑 RRT* 算法生成的初始路径,设计满足样条曲线的一阶、二阶及三阶微分连续约束,同时考虑机械臂末端执行器的初末速度约束条件、初始加速度约束条件,得到适合于空间机器人执行的动力学可行的平滑 轨迹.最后,计算所规划路径的最大速度、最大加速度与机械臂末端执行器物理极限值的比值,取最小上限,即为最少路径规划时间. 所提路径规划方法能够设计出满足特定路径点约束的协调路径,且所设计的路径考虑了机械臂的物理限制条件,通过对自由漂浮双臂空间机器人进行仿真试验,验证了所提路径规划算法的有效性.     

一种改进 RRT* 结合四次样条的协调路径规划方法

针对空间机器人抓捕空间非合作目标的在轨服务任务,同时考虑机器人运动学约束和动力学约束,提出一种分层式的自由漂浮双臂空间机器人协调路径规划方法. 首先,在路径规划层面上基于 RRT* 算法分别规划双臂末端执行器在笛卡尔空间下的初始可行路径,为双臂设置独立的采样空间,保证路径规划过程中双臂系统不发生自身碰撞. 然后,在轨迹规划层面上利用四次样条曲线平滑 RRT* 算法生成的初始路径,设计满足样条曲线的一阶、二阶及三阶微分连续约束,同时考虑机械臂末端执行器的初末速度约束条件、初始加速度约束条件,得到适合于空间机器人执行的动力学可行的平滑 轨迹.最后,计算所规划路径的最大速度、最大加速度与机械臂末端执行器物理极限值的比值,取最小上限,即为最少路径规划时间. 所提路径规划方法能够设计出满足特定路径点约束的协调路径,且所设计的路径考虑了机械臂的物理限制条件,通过对自由漂浮双臂空间机器人进行仿真试验,验证了所提路径规划算法的有效性.      

基于无网格一图论方法的岩体边坡稳定性分析研究

将无网格伽辽金法应用于岩体边坡稳定性分析,发展了基于无网格模型和有向加权图Bellman—Ford最短路径搜索算法相结合的无网格-图论边坡滑移面搜索方法,以搜寻节理岩体边坡失稳时的临界滑移面并得出其相应的安全系数。区别于传统的滑移面搜索算法,本文方法无需假定滑移面形状,更适用于具有复杂滑移线形状的节理岩体边坡的稳定性分析与计算,具有稳定和高效的算法特点。文中详细论述了无网格-图论最短路径算法的理论、方法和程序实现,并通过算例说明该方法在岩体边坡稳定性分析中的适用性。     

基于无网格—图论方法的岩体边坡稳定性分析研究

将无网格伽辽金法应用于岩体边坡稳定性分析,发展了基于无网格模型和有向加权图Bellman-Ford最短路径搜索算法相结合的无网格-图论边坡滑移面搜索方法,以搜寻节理岩体边坡失稳时的临界滑移面并得出其相应的安全系数.区别于传统的滑移面搜索算法,本文方法无需假定滑移面形状,更适用于具有复杂滑移线形状的节理岩体边坡的稳定性分析与计算,具有稳定和高效的算法特点.文中详细论述了无网格-图论最短路径算法的理论、方法和程序实现,并通过算例说明该方法在岩体边坡稳定性分析中的适用性.     

复杂环境下基于自适应极线约束的AGV视觉SLAM算法

针对传统视觉同步定位与地图构建（SLAM）算法不能有效处理复杂环境中的动态及潜在动态目标而影响定位与建图性能的问题,提出一种基于Mask R-CNN神经网络以及ORB-SLAM3算法改进的视觉SLAM方法。针对动态目标,提出一种基于语义信息的运动一致性检验算法,使用自适应阈值的极线约束方法实现图像中动态特征点的精确剔除;针对潜在动态目标,提出一种改进的长期数据关联方法,通过增大关键帧选取密度及优化关键帧中的潜在动态目标信息,对算法的回环优化和地图融合过程进行改进,提高回环优化效果与地图复用性。在TUM数据集和真实场景中进行验证,实验结果表明与ORB-SLAM3算法相比,采用TUM数据集在低动态场景和高动态场景中的绝对轨迹均方根误差分别减小8.5%和65.6%;在真实场景下测试,所提算法的定位精度提高了62.5%。     

基于Kriging代理模型的两类全局优化算法比较

代理模型在结构优化领域中的应用逐渐增多。相对传统优化方法,代理模型方法在处理带有噪音或仿真模拟十分耗时的问题时有明显优势。加点准则是代理模型技术的一个关键,为了避免陷入局部最优解,加点准则需要同时考虑局部搜索(exploitation)和全局搜索(exploration)两部分并加以平衡。本文在Kriging代理模型基础上提出一种基于几何全局搜索的全局优化算法MSG(Multi-start Local Search with Geometrical Exploration),通过数值算例将其与基于不确定性全局搜索的有效全局优化算法EGO(Efficient Global Optimization)进行比较,研究了MSG算法参数的影响,并讨论了MSG与EGO各自的特点和适用范围。     

基于改进强化学习的移动机器人动态避障方法

针对未知环境下移动机器人动态避障存在规划轨迹长、行驶速度慢和鲁棒性差等问题,提出一种基于改进强化学习的移动机器人动态避障方法。移动机器人根据自身速度、目标位置和激光雷达信息直接得到动作信号,实现端到端的控制。基于距离梯度引导和角度梯度引导促使移动机器人向终点方向优化,加快算法的收敛速度;结合卷积神经网络从多维观测数据中提取高质量特征,提升策略训练效果。仿真试验结果表明,在多动态障碍物环境下,所提方法的训练速度提升40%、轨迹长度缩短2.69%以上、平均线速度增加11.87%以上,与现有主流避障方法相比,具有规划轨迹短、行驶速度快、性能稳定等优点,能够实现移动机器人在多障碍物环境下平稳避障。     

基于道路信息的智能地图匹配算法

针对军用车辆长时间、长距离高精度自主导航需求,提出了一种基于道路信息的智能地图匹配算法。传统地图匹配算法在单独使用时,都会存在一些不足之处。智能地图匹配算法比较不同算法的优缺点,选择三种特点鲜明、互补性强的地图匹配算法作为基础算法,以惯性导航系统提供的导航信息为基础,对车辆正在行驶的道路进行识别和判断,根据道路构成情况自动选择合适的算法,完成地图匹配;并结合车辆行驶的航向和速度信息选择椭圆形道路搜索区域。试验车进行5 h约240 km跑车试验,地图匹配定位精度约为10.33 m(CEP)。试验结果证明该算法能够适应不同的道路状况,有效抑制惯性导航误差发散。     

基于改进飞蛾扑火算法的无人机低空突防路径规划

针对传统群体智能优化算法在复杂环境下求解无人机突防过程中路径搜索能力不足,易陷入局部最优、搜索时间长等问题,提出了一种基于改进的飞蛾扑火优化算法的无人机智能突防方法.首先,建立基本地形模型、威胁源模型,实现三维等效地形;然后,在飞蛾扑火算法中引入交叉算子和高斯变异算子,引起火焰变异,在迭代前期加快寻优速度,增强算法的全...     

基于变分贝叶斯优化的近邻采样 PF-SLAM 算法

针对移动机器人同时定位与地图构建（SLAM）中观测噪声随时间变化及粒子滤波(PF)中粒子多样性易丧失问题,提出基于变分贝叶斯优化的近邻采样PF-SLAM算法。采用高斯混合模型对时变的观测噪声建模,使用变分贝叶斯方法,迭代估算出混合模型中的未知参数;同时根据粒子权重将粒子划分为保留粒子和调整粒子,通过两种粒子间的近邻位置分布关系优化调整粒子位置,在处理时变观测噪声同时,解决粒子多样性丧失问题,使得优化的粒子集更好地表示机器人位置概率分布。实验表明,改进算法与传统PF-SLAM算法相比,定位与建图误差降低76%,较期望最大化算法下的定位与建图误差降低了54%,进一步验证了所提算法的可行性与有效性,为移动机器人同时定位与建图提供一定参考。     

交叉路段背景下改进的D-S证据理论地图匹配算法

针对传统D-S证据理论地图匹配算法中将交叉路段当成普通路段处理所造成的误匹配、不匹配、匹配精度低等问题,提出一种交叉路段背景下改进的D-S证据理论地图匹配算法。利用距离阈值剔除异常定位点,并用插值法补全被剔除异常定位点所产生的空缺,生成网格索引及简化误差椭圆公式确定候选路段以减少匹配时间。针对道路特点结合方向证据确定可信度函数,最后融合方向概率分配函数、距离概率分配函数和可信度函数来改进候选路段概率公式,确定匹配路段,提高匹配精度。实验表明,改进后算法的匹配准确率约97%,与现有地图匹配算法相比较,精度可提高4%左右,单点匹配时间可减少1 ms左右,算法性能得到提升。