CN110928295B - 一种融合人工势场与对数蚁群算法的机器人路径规划方法 - Google Patents

一种融合人工势场与对数蚁群算法的机器人路径规划方法 Download PDF

Info

Publication number
CN110928295B
CN110928295B CN201910983177.0A CN201910983177A CN110928295B CN 110928295 B CN110928295 B CN 110928295B CN 201910983177 A CN201910983177 A CN 201910983177A CN 110928295 B CN110928295 B CN 110928295B
Authority
CN
China
Prior art keywords
potential field
robot
ants
artificial potential
ant colony
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910983177.0A
Other languages
English (en)
Other versions
CN110928295A (zh
Inventor
胡章芳
罗磊
罗元
张毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201910983177.0A priority Critical patent/CN110928295B/zh
Publication of CN110928295A publication Critical patent/CN110928295A/zh
Application granted granted Critical
Publication of CN110928295B publication Critical patent/CN110928295B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

Abstract

本发明请求保护一种融合人工势场与对数蚁群算法的机器人路径规划方法。包含如下步骤，S1：初始化；S2：建立包含障碍物信息的栅格地图；S3：根据当前蚂蚁所处位置，建立蚂蚁可移动的栅格表；S4：计算当前蚂蚁所在位置在人工势场中收到的引力，斥力，并建立人工势场的影响函数q(t)，计算蚂蚁在人工势场中所受合力与相邻栅格方向的最小夹角；S5：改进蚁群算法启发函数ηij与信息素跟新策略；S6：计算改进后的蚁群算法转移概率密度，并对禁忌表进行更新；S7：判断路径规划探索是否完成，未完成则进入S3，完成则进入S8；S8：根据判别条件进行重新迭代或者结束。本发明方法有效的提高了蚁群算法在路径规划中的收敛速度，并且很大程度上降低了人工势场算法易陷入局部最优的情况。

Description

一种融合人工势场与对数蚁群算法的机器人路径规划方法
技术领域
本发明属于机器人路径规划技术领域，涉及一种融合人工势场与对数蚁群算法的机器人路径规划方法。
背景技术
路径规划是指按照特定的路径评价指标，在具有复杂多变的障碍物环境中，搜索出一条连接移动机器人起始位姿和目标位姿的无碰撞最优或次优路径。路径规划是自主移动机器人导航的关键技术之一，是移动机器人研究的热点和难点，它与移动机器人的运动控制、地图构建、机器人定位等紧密相连。蚁群算法是一种典型的全局路径规划算法。由于，蚁群算法路径规划是边探索边前进的过程，所以该路径规划算法计算上既复杂又缓慢。柳长安等人提出了一种借鉴狼群分配原则对蚁群信息素进行更新的算法，避免搜索陷入局部最优，但是不可避免地出现计算量庞大的问题。Yogita等人提出了一种结合粒子群算法的改进蚁群算法，通过粒子群算法(Particle Swarm Optimization，PSO)对蚁群算法(AntColony Optimization,ACO)关键参数的启发，使得机器人在运动过程中选择避免与障碍物碰撞的最优路径，但是，在路径规划的过程中，会陷入局部最优，使得算法失败。
最常用的局部路径规划方法之一是人工势场(Artificial Potential Field,APF)方法。但人工势场算法存在局部最优问题。当局部最优问题发生时，机器人可能被困在与目标无关的另一个位置。T.Weerakoon等人提出了一种基于APF的移动机器人导航方法。在该方法中，新的排斥力被应用于解决局部最优问题。当机器人感知范围内存在障碍物时，除了原本有的力外，还会产生一种新的排斥力，这个力可以使机器人能平滑的避开障碍物。但是该方法会使得机器人的最短路径增加，变得费时。李丽娜等人提出了一种结合人工势场算法的萤火虫算法，利用人工势场法作为初始化引导因子对萤火虫算法参数进行初始化，加快算法在初期的搜索时间，但是，该算法引入了过多的节点，使得整个算法的运算变得复杂，浪费了过多的时间。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种有效提高路径搜索效率的融合人工势场算法和蚁群算法的移动机器人路径规划方法。本发明的技术方案如下：
一种融合人工势场与对数蚁群算法的机器人路径规划方法，其包括以下步骤：
S1：初始化蚁群算法以及人工势场算法中的各个参数，人工势场是障碍物与目标点对机器人的影响，规划出来的路径是机器人后面要走的路径；
并且初始化路径规划任务；
S2：根据机器人传感器提取的环境信息，建立包含障碍物信息的栅格地图；
S3：根据当前蚂蚁所处位置，建立蚂蚁可移动的栅格表，并更新路径上的信息素；
S4：计算当前蚂蚁所在位置在人工势场中受到的引力和斥力，并得到人工势场的影响函数q(t)，计算蚂蚁在人工势场中所受合力与相邻栅格方向的最小夹角，其中将蚂蚁所在栅格附近8个栅格每45°划分一个方向；
S5：将人工势场中待转移节点到目标点的欧式距离djg引入到蚁群算法的启发函数中对蚁群算法的启发函数ηij进行改进，并利用对数函数对信息素跟新策略进行改进；
S6：计算改进后的蚁群算法转移概率密度，并对禁忌表进行更新；禁忌表用于后续的路径规划，就是告诉蚂蚁哪里是能走的，哪里是有障碍物的；
S7：判断路径规划探索是否完成，未完成则进入S3，完成则进入S8；
S8：判断是否达到最大迭代次数，未完成则进入S9，完成则进入S10；
S9：判断机器人是否到达预定目标位置。未完成则机器人路径规划失败，完成则结束机器人路径规划；
S10：判断机器人是否到达预定目标位置。未完成则调整各个参数后进入S3，完成则结束机器人路径规划。
进一步的，所述步骤S1初始化蚁群算法以及人工势场算法中的各个参数，具体包括：蚂蚁的个数M，迭代的最大次数N，以及蚁群算法信息启发因子α，期望启发因子β，以及势场影响因子γ在内的各项影响因子，并且初始化路径规划任务。
进一步的，所述步骤S2建立包含障碍物信息的栅格地图，具体包括：
Figure BDA0002235865240000031
c为障碍物的覆盖率，当覆盖率大于0.5时，就假设当前栅格内全被障碍物覆盖；当障碍物的覆盖率小于0.5时，就假设当前栅格未被占用，栅格全占用时，就用黑色表示，当未被占用时，就用白色栅格表示。
进一步的，所述步骤S3根据当前蚂蚁所处位置，建立蚂蚁可移动的栅格表，并更新路径上的信息素，具体包括：
S31:根据步骤S2所建立的栅格地图，建立当前蚂蚁可以行进的栅格位置的栅格表；
S32:根据步骤S5利用对数函数进行改进的信息素更新策略τij(t+Δt)对路径上的信息素含量进行跟新。
进一步的，所述步骤S4的计算当前蚂蚁所在位置在人工势场中收到的引力，斥力，并得到人工势场的影响函数q(t)，具体步骤如下：
S41:计算势场的总场强Utot(pm)就是由引力场和斥力场进行矢量叠加；
Utot(pm)＝Uatt(pm)+Urep(pm)
其中，Uatt(pm)表示引力场，Urep(pm)表示斥力场
S42:计算合力Ftot(pm)，如下式表示：
Ftot(pm)＝-▽Utot(pm)
＝Fatt(pm)+Frep(pm)
S43:计算Fatt(pm)和Frep(pm)为引力和斥力，可以用如下式子表示：
Fatt(pm)＝katt·dg
Figure BDA0002235865240000041
其中，katt和krep为引力和斥力的系数因子，dg表示机器人与目标点的距离，d0表示机器人与附近障碍物的最短距离，dt为障碍物势场所能影响到的最大距离；
S44:计算障碍物和目标点到机器人的欧式距离：
Figure BDA0002235865240000042
Figure BDA0002235865240000043
(xm,ym)为当前机器人所在位置坐标，(x0,y0)为障碍物所处位置坐标，(xg,yg)为目标点所处位置坐标；
S45:假设，蚂蚁所受合力方向的角度为θ，蚂蚁向下一个相邻栅格转移的角度为ω，
则：
θ＝∠(Fatt+∑Frep)
Figure BDA0002235865240000044
l＝|sin(ω-θ)|
式中，l∈(0,1]为动态调整权重因子，当蚂蚁转移方向与斥力方向夹角越小时，l也就越小；
S46:计算人工势场影响函数：
Figure BDA0002235865240000045
其中，
Figure BDA0002235865240000046
表示最终的转移角度。
进一步的，所述步骤S5改进蚁群算法启发函数ηij和信息素跟新策略，具体包括：
S51:改进蚁群算法的启发函数
Figure BDA0002235865240000051
Figure BDA0002235865240000052
其中，η’ij表示改进后从i点到j点的启发函数，ζ∈(0,1]为启发调整因子，NCmax为最大迭代次数，NC为当前迭代次数，djg为待转移节点到目标的欧式距离，dij为当前点到目标点的欧式距离；
S52:对信息素跟新策略改进：
Figure BDA0002235865240000053
Figure BDA0002235865240000054
Figure BDA0002235865240000055
其中，τij(t+Δt)表示改进后的信息素更新函数，Δτij(t)表示路径上信息素的改变量，m表示当前出动的蚂蚁数，n表示最大出动蚂蚁素，ρ表示信息素的挥发因子，ρ∈(0,1]；Q表示为常数的信息素强度；；Lm表示此次循环结束时蚂蚁所走过的路径总长度。
进一步的，所述步骤S6计算改进后的蚁群算法转移概率密度，并对禁忌表进行更新，具体内容如下：
Figure BDA0002235865240000056
其中，
Figure BDA0002235865240000057
表示蚂蚁从i点向j点的转移概率函数，α、β分别表示信息启发因子和期望启发因子，η’is(t)表示改进后从i点到目标点的启发函数，qis(t)表示栅格i到目标点的势场影响函数，Aa表示蚂蚁在地图内允许行走的节点，qij(t)为栅格i到栅格j的势场影响函数，γ为势场的影响启发因子。
本发明的优点及有益效果如下：
本发明提出了一种用于已知地图环境下的机器人全局路径规划的融合人工势场算法和对数蚁群算法的机器人路径规划算法。该方法是以蚁群算法作为基本全局规划算法，然后向蚁群算法中引入人工势场的局部牵引作用，从而使算法初期就可朝向目标搜索路径，有效提高了搜索效率，并且利用对数函数对蚁群算法的启发函数和信息素跟新策略进行改进，避免算法陷入局部最优，使整个算法的稳定性有明显的提高。
本发明的创新点在2个方面，1、将人工势场中待转移节点到目标点的欧式距离djg引入到蚁群算法的启发函数中对蚁群算法的启发函数ηij进行改进，并利用对数函数对信息素跟新策略进行改进，2、在改进蚁群算法的基础上引入人工势场对局部路径规划进行修正，减少局部最优情况的出现。
附图说明
图1是本发明提供优选实施例一种融合人工势场和对数蚁群算法的移动机器人路径规划流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
如图1所示，一种融合人工势场算法和蚁群算法的移动机器人路径规划方法，其包括以下步骤：
S1：初始化蚁群算法以及人工势场算法中的各个参数，并且初始化路径规划任务。
S2：建立包含障碍物信息的栅格地图，具体包括：
Figure BDA0002235865240000071
c为障碍物的覆盖率，当覆盖率大于0.5时，就假设当前栅格内全被障碍物覆盖；当障碍物的覆盖率小于0.5时，就假设当前栅格未被占用。栅格全占用时，就用黑色表示，当未被占用时，就用白色栅格表示。
S3：根据当前蚂蚁所处位置，建立蚂蚁可移动的栅格表，并更新路径上的信息素，具体包括：
S31:根据步骤S2所建立的栅格地图，建立当前蚂蚁可以行进的栅格位置的栅格表。
S32:根据步骤S5改进的信息素跟新策略对路径上的信息素进行跟新。
S4：计算当前蚂蚁所在位置在人工势场中收到的引力，斥力，并得到人工势场的影响函数q(t)。具体步骤如下：
S41:计算势场的总场强Utot(pm)就是由引力场和斥力场进行矢量叠加。
Utot(pm)＝Uatt(pm)+Urep(pm)
S42:合力Ftot(pm)是合势场函数的负梯度，如下式表示：
Ftot(pm)＝-▽Utot(pm)
＝Fatt(pm)+Frep(pm)
S43:Fatt(pm)和Frep(pm)为引力和斥力，可以用如下式子表示：
Fatt(pm)＝katt·dg
Figure BDA0002235865240000072
其中，katt和krep为引力和斥力的系数因子，dt为障碍物势场所能影响到的最大距离。
S44:计算障碍物和目标点到机器人的欧式距离。
Figure BDA0002235865240000073
Figure BDA0002235865240000081
S45:假设，蚂蚁所受合力方向的角度为θ，蚂蚁向下一个相邻栅格转移的角度为ω。
则：
θ＝∠(Fatt+∑Frep)
Figure BDA0002235865240000082
式中，l∈(0,1]为动态调整权重因子，当蚂蚁转移方向与斥力方向夹角越小时，l也就越小。
S46:势场影响函数为：
Figure BDA0002235865240000083
S5：改进蚁群算法启发函数ηij和信息素跟新策略，具体包括：
S51:改进蚁群算法的启发函数
Figure BDA0002235865240000084
Figure BDA0002235865240000085
其中，ζ∈(0,1]为启发调整因子，NCmax为最大迭代次数，NC为当前迭代次数，djg为待转移节点到目标的欧式距离，dij为当前点到目标点的欧式距离。算法初期，迭代次数NC较小，整个启发函数的影响作用就较大；相反算法后期，迭代次数接近最大迭代次数，削弱了启发函数对路径探索的影响。
S52:对信息素跟新策略改进：
Figure BDA0002235865240000086
Figure BDA0002235865240000087
Figure BDA0002235865240000088
其中，ρ表示信息素的挥发因子，ρ∈(0,1]；Q表示为常数的信息素强度；；Lm表示此次循环结束时蚂蚁所走过的路径总长度。算法前期，NC较小，路劲上基本没有信息素残留，总的信息素含量受Δτij(t)的影响大；算法后期，在最优路径上残留的信息素含量增加，减弱了蚂蚁前期对无效路径探索所留下的信息素对整个路径规划的影响。使得整个算法的收敛速度更快。
S6：计算改进后的蚁群算法转移概率密度，并对禁忌表进行更新，具体内容如下：
Figure BDA0002235865240000091
其中，Aa表示蚂蚁在地图内允许行走的节点，qij(t)为栅格i到栅格j的势场影响函数，γ为势场的影响启发因子。
S7：判断路径规划探索是否完成，未完成则进入S3，完成则进入S8；
S8：判断算法是否达到最大迭代次数，未完成则进入S9，完成则进入S10；
S9：判断机器人是否到达预定目标位置。未完成则算法失败，完成则结束算法；
S10：判断机器人是否到达预定目标位置。未完成则调整各个参数后进入S3，完成则结束算法。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (4)

1.一种融合人工势场与对数蚁群算法的机器人路径规划方法，其特征在于，包括以下步骤：
S1：初始化蚁群算法以及人工势场算法中的各个参数，人工势场是障碍物与目标点对机器人的影响，规划出来的路径是机器人后面要走的路径；
并且初始化路径规划任务；
S2：根据机器人传感器提取的环境信息，建立包含障碍物信息的栅格地图；
S3：根据当前蚂蚁所处位置，建立蚂蚁可移动的栅格表，并更新路径上的信息素；
S4：计算当前蚂蚁所在位置在人工势场中受到的引力和斥力，并得到人工势场的影响函数q(t)，计算蚂蚁在人工势场中所受合力与相邻栅格方向的最小夹角，其中将蚂蚁所在栅格附近8个栅格每45°划分一个方向；
S5：将人工势场中待转移节点到目标点的欧式距离djg引入到蚁群算法的启发函数中对蚁群算法的启发函数ηij进行改进，并利用对数函数对信息素跟新策略进行改进；
S6：计算改进后的蚁群算法转移概率密度，并对禁忌表进行更新；禁忌表用于后续的路径规划，就是告诉蚂蚁哪里是能走的，哪里是有障碍物的；
S7：判断路径规划探索是否完成，未完成则进入S3，完成则进入S8；
S8：判断是否达到最大迭代次数，未完成则进入S9，完成则进入S10；
S9：判断机器人是否到达预定目标位置；未完成则机器人路径规划失败，完成则结束机器人路径规划；
S10：判断机器人是否到达预定目标位置；未完成则调整各个参数后进入S3，完成则结束机器人路径规划；
所述步骤S4的计算当前蚂蚁所在位置在人工势场中收到的引力，斥力，并得到人工势场的影响函数q(t)，具体步骤如下：
S41:计算势场的总场强Utot(pm)就是由引力场和斥力场进行矢量叠加；
Utot(pm)＝Uatt(pm)+Urep(pm)
其中，Uatt(pm)表示引力场，Urep(pm)表示斥力场；
S42:计算合力Ftot(pm)，如下式表示：
Ftot(pm)＝-▽Utot(pm)
＝Fatt(pm)+Frep(pm)
S43:计算Fatt(pm)和Frep(pm)为引力和斥力，可以用如下式子表示：
Fatt(pm)＝katt·dg
Figure FDA0003721346530000021
其中，katt和krep为引力和斥力的系数因子，dg表示机器人与目标点的距离，d0表示机器人与附近障碍物的最短距离，dt为障碍物势场所能影响到的最大距离；
S44:计算障碍物和目标点到机器人的欧式距离：
Figure FDA0003721346530000022
Figure FDA0003721346530000023
(xm,ym)为当前机器人所在位置坐标，(x0,y0)为障碍物所处位置坐标，(xg,yg)为目标点所处位置坐标；
S45:假设，蚂蚁所受合力方向的角度为θ，蚂蚁向下一个相邻栅格转移的角度为ω，
则：
θ＝∠(Fatt+∑Frep)
Figure FDA0003721346530000024
l＝|sin(ω-θ)|
式中，l∈(0,1]为动态调整权重因子，当蚂蚁转移方向与斥力方向夹角越小时，l也就越小；
S46:计算人工势场影响函数：
Figure FDA0003721346530000031
其中，
Figure FDA0003721346530000032
表示最终的转移角度；
所述步骤S5改进蚁群算法启发函数ηij和信息素跟新策略，具体包括：
S51:改进蚁群算法的启发函数
Figure FDA0003721346530000033
Figure FDA0003721346530000034
其中，η′ij表示改进后从i点到j点的启发函数，ζ∈(0,1]为启发调整因子，NCmax为最大迭代次数，NC为当前迭代次数，djg为待转移节点到目标的欧式距离，dij为当前点到目标点的欧式距离；
S52:对信息素跟新策略改进：
Figure FDA0003721346530000035
Figure FDA0003721346530000036
Figure FDA0003721346530000037
其中，τij(t+Δt)表示改进后的信息素更新函数，Δτij(t)表示路径上信息素的改变量，m表示当前出动的蚂蚁数，n表示最大出动蚂蚁素，ρ表示信息素的挥发因子，ρ∈(0,1]；Q表示为常数的信息素强度；Lm表示此次循环结束时蚂蚁所走过的路径总长度；
所述步骤S6计算改进后的蚁群算法转移概率密度，并对禁忌表进行更新，具体内容如下：
Figure FDA0003721346530000041
其中，
Figure FDA0003721346530000042
表示蚂蚁从i点向j点的转移概率函数，α、β分别表示信息启发因子和期望启发因子，η′is(t)表示改进后从i点到目标点的启发函数，qis(t)表示栅格i到目标点的势场影响函数，Aa表示蚂蚁在地图内允许行走的节点，qij(t)为栅格i到栅格j的势场影响函数，γ为势场的影响启发因子。
2.根据权利要求1所述的融合人工势场与对数蚁群算法的机器人路径规划方法，其特征在于，所述步骤S1初始化蚁群算法以及人工势场算法中的各个参数，具体包括：蚂蚁的个数M，迭代的最大次数N，以及蚁群算法信息启发因子α，期望启发因子β，以及势场影响因子γ在内的各项影响因子，并且初始化路径规划任务。
3.根据权利要求1或2所述的融合人工势场与对数蚁群算法的机器人路径规划方法，其特征在于，所述步骤S2建立包含障碍物信息的栅格地图，具体包括：
Figure FDA0003721346530000043
c为障碍物的覆盖率，当覆盖率大于0.5时，就假设当前栅格内全被障碍物覆盖；当障碍物的覆盖率小于0.5时，就假设当前栅格未被占用，栅格全占用时，就用黑色表示，当未被占用时，就用白色栅格表示。
4.根据权利要求3所述的融合人工势场与对数蚁群算法的机器人路径规划方法，其特征在于，所述步骤S3根据当前蚂蚁所处位置，建立蚂蚁可移动的栅格表，并更新路径上的信息素，具体包括：
S31:根据步骤S2所建立的栅格地图，建立当前蚂蚁可以行进的栅格位置的栅格表；
S32:根据步骤S5利用对数函数进行改进的信息素更新策略τij(t+Δt)对路径上的信息素含量进行跟新。
CN201910983177.0A 2019-10-16 2019-10-16 一种融合人工势场与对数蚁群算法的机器人路径规划方法 Active CN110928295B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910983177.0A CN110928295B (zh) 2019-10-16 2019-10-16 一种融合人工势场与对数蚁群算法的机器人路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910983177.0A CN110928295B (zh) 2019-10-16 2019-10-16 一种融合人工势场与对数蚁群算法的机器人路径规划方法

Publications (2)

Publication Number Publication Date
CN110928295A CN110928295A (zh) 2020-03-27
CN110928295B true CN110928295B (zh) 2022-08-23

Family

ID=69849303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910983177.0A Active CN110928295B (zh) 2019-10-16 2019-10-16 一种融合人工势场与对数蚁群算法的机器人路径规划方法

Country Status (1)

Country Link
CN (1) CN110928295B (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111473796B (zh) * 2020-04-14 2023-09-26 重庆邮电大学 基于sps算法的机器人路径规划方法
CN111736611B (zh) * 2020-07-06 2023-03-24 中国计量大学 一种基于a*算法和人工势场算法的移动机器人路径规划方法
CN111897328B (zh) * 2020-07-17 2022-02-15 武汉理工大学 一种基于改进人工势场法的路径规划方法、装置及设备
CN111784079A (zh) * 2020-07-28 2020-10-16 上海海事大学 一种基于人工势场和蚁群算法的无人机路径规划方法
CN111982125A (zh) * 2020-08-31 2020-11-24 长春工业大学 一种基于改进蚁群算法的路径规划方法
CN112148482B (zh) * 2020-09-11 2023-08-22 电子科技大学 一种基于结合负载均衡的边缘计算任务调度方法
CN112327876B (zh) * 2020-11-21 2022-02-01 安徽工程大学 一种基于终距指数的机器人路径规划方法
CN112683278B (zh) * 2021-01-08 2024-01-30 东南大学 一种基于改进a*算法和贝塞尔曲线的全局路径规划方法
CN112857384B (zh) * 2021-01-18 2022-07-26 西安电子科技大学 基于改进启发函数的a*算法的移动机器人路径规划方法
CN113110412B (zh) * 2021-03-09 2022-06-14 浙江工业大学 一种基于Voronoi-APF算法的群组机器人路径规划方法
CN113219991B (zh) * 2021-06-02 2022-07-15 安徽工业大学 一种基于改进acs算法的移动机器人路径规划方法
CN113359756B (zh) * 2021-06-29 2022-06-28 上海工程技术大学 一种基于栅格法实现全向移动机器人避障路径实时规划的方法
CN113547523B (zh) * 2021-08-05 2022-04-15 河北工业大学 基于人工势场法和灰狼算法的冗余机械臂求逆解方法
CN113821029B (zh) * 2021-08-31 2022-05-10 南京天溯自动化控制系统有限公司 一种路径规划方法、装置、设备及存储介质
CN114313878B (zh) * 2021-11-19 2024-04-19 江苏科技大学 一种面向物料传输平台的运动学建模与路径规划方法
CN113985896B (zh) * 2021-12-03 2023-12-08 中国重汽集团济南动力有限公司 一种自动驾驶车辆避障路径规划方法、车辆及可读存储介质
CN114355895B (zh) * 2021-12-14 2023-11-07 南京航空航天大学 一种车辆主动避撞路径规划方法
CN114115301B (zh) * 2022-01-26 2022-04-22 河北工业大学 基于狼群算法和人工势场的移动机器人改进a*算法
CN114967680B (zh) * 2022-05-06 2024-04-12 安徽理工大学 基于蚁群算法和卷积神经网络的移动机器人路径规划方法
CN115493593A (zh) * 2022-08-20 2022-12-20 安徽工程大学 一种基于迭代策略的改进人工势场的移动机器人路径规划方法
CN115562273A (zh) * 2022-10-11 2023-01-03 河北工业大学 基于混合改进蚁群算法的移动机器人路径规划方法及系统
CN115686020B (zh) * 2022-11-10 2024-04-26 安徽工程大学 一种基于iapf-a*融合算法的机器人路径规划

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105509749A (zh) * 2016-01-04 2016-04-20 江苏理工学院 基于遗传蚁群算法的移动机器人路径规划方法及系统
CN105527965A (zh) * 2016-01-04 2016-04-27 江苏理工学院 基于遗传蚁群算法的路径规划方法及系统
CN106779252A (zh) * 2017-02-10 2017-05-31 泉州装备制造研究所 一种基于改进量子蚁群算法的agv实时路线规划方法
CN107917711A (zh) * 2017-11-14 2018-04-17 重庆邮电大学 一种基于优化混合蚁群算法的机器人路径规划算法
CN109213157A (zh) * 2018-08-28 2019-01-15 北京秦圣机器人科技有限公司 基于改进型蚁群算法的数据中心巡检机器人路径规划方法
CN109282815A (zh) * 2018-09-13 2019-01-29 天津西青区瑞博生物科技有限公司 一种动态环境下基于蚁群算法的移动机器人路径规划方法
CN109740828A (zh) * 2019-02-28 2019-05-10 广州中国科学院沈阳自动化研究所分所 船舶航行路径规划方法、系统、介质和设备
CN109945881A (zh) * 2019-03-01 2019-06-28 北京航空航天大学 一种蚁群算法的移动机器人路径规划方法
CN110160546A (zh) * 2019-05-10 2019-08-23 安徽工程大学 一种移动机器人路径规划方法
CN110220525A (zh) * 2019-05-14 2019-09-10 昆明理工大学 一种基于势场蚁群算法的路径规划方法
CN110333714A (zh) * 2019-04-09 2019-10-15 武汉理工大学 一种无人驾驶汽车路径规划方法和装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG119169A1 (en) * 2003-01-20 2006-02-28 Nanyang Polytechnic Path searching system using multiple groups of cooperating agents and method thereof
CN105723733B (zh) * 2014-07-30 2019-05-14 株式会社小松制作所 作业车辆和作业车辆的控制方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105509749A (zh) * 2016-01-04 2016-04-20 江苏理工学院 基于遗传蚁群算法的移动机器人路径规划方法及系统
CN105527965A (zh) * 2016-01-04 2016-04-27 江苏理工学院 基于遗传蚁群算法的路径规划方法及系统
CN106779252A (zh) * 2017-02-10 2017-05-31 泉州装备制造研究所 一种基于改进量子蚁群算法的agv实时路线规划方法
CN107917711A (zh) * 2017-11-14 2018-04-17 重庆邮电大学 一种基于优化混合蚁群算法的机器人路径规划算法
CN109213157A (zh) * 2018-08-28 2019-01-15 北京秦圣机器人科技有限公司 基于改进型蚁群算法的数据中心巡检机器人路径规划方法
CN109282815A (zh) * 2018-09-13 2019-01-29 天津西青区瑞博生物科技有限公司 一种动态环境下基于蚁群算法的移动机器人路径规划方法
CN109740828A (zh) * 2019-02-28 2019-05-10 广州中国科学院沈阳自动化研究所分所 船舶航行路径规划方法、系统、介质和设备
CN109945881A (zh) * 2019-03-01 2019-06-28 北京航空航天大学 一种蚁群算法的移动机器人路径规划方法
CN110333714A (zh) * 2019-04-09 2019-10-15 武汉理工大学 一种无人驾驶汽车路径规划方法和装置
CN110160546A (zh) * 2019-05-10 2019-08-23 安徽工程大学 一种移动机器人路径规划方法
CN110220525A (zh) * 2019-05-14 2019-09-10 昆明理工大学 一种基于势场蚁群算法的路径规划方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A Hybrid Approach of Path Planning for Mobile Robots based on the Combination of ACO and APF Algorithms;Xin Tan，等;《2009 International Workshop on Intelligent Systems and Applications》;20091231;全文 *
An Improved Ant Colony Optimization Algorithm Using Local Pheromone and Global Pheromone Updating Rule;Liu Lei，等;《2016 International Conference on Intelligent Transportation, Big Data & Smart City (ICITBS)》;20171231;全文 *
一种人工势场导向的蚁群路径规划算法;王芳，等;《计算机科学》;20141130;第41卷(第11A期);全文 *
基于改进势场蚁群算法的移动机器人最优路径规划;张强，等;《农业机械学报》;20190531;第50卷(第5期);全文 *

Also Published As

Publication number Publication date
CN110928295A (zh) 2020-03-27

Similar Documents

Publication Publication Date Title
CN110928295B (zh) 一种融合人工势场与对数蚁群算法的机器人路径规划方法
CN111780777B (zh) 一种基于改进a*算法和深度强化学习的无人车路径规划方法
CN110333714B (zh) 一种无人驾驶汽车路径规划方法和装置
WO2016045615A1 (zh) 机器人静态路径规划方法
WO2018176594A1 (zh) 一种面向无人自行车的人工势场路径规划法
CN106371445B (zh) 一种基于拓扑地图的无人车规划控制方法
CN111694364A (zh) 一种应用于智能车路径规划的基于改进蚁群算法与动态窗口法的混合算法
CN112378408A (zh) 一种实现轮式移动机器人实时避障的路径规划方法
CN110231824B (zh) 基于直线偏离度方法的智能体路径规划方法
CN109491389A (zh) 一种具有速度约束的机器人轨迹跟踪方法
CN114384920A (zh) 一种基于局部栅格地图实时构建的动态避障方法
CN110609557A (zh) 无人车混合路径规划算法
CN113359768A (zh) 一种基于改进的a*算法的路径规划方法
CN113359718B (zh) 移动机器人全局路径规划与局部路径规划融合方法及设备
CN110244733A (zh) 一种基于改进蚁群算法的移动机器人路径规划方法
CN112068588A (zh) 一种基于飞行走廊和贝塞尔曲线的无人飞行器轨迹生成方法
CN106525047A (zh) 一种基于floyd算法的无人机路径规划方法
CN110632932A (zh) 基于膜计算和粒子群优化的局部路径规划算法
CN114166235A (zh) 一种基于优化a-star算法的全局动态平滑路径规划方法
CN115047910A (zh) 一种基于雁形阵的无人机编队巡航控制方法
CN114967680B (zh) 基于蚁群算法和卷积神经网络的移动机器人路径规划方法
CN112857370A (zh) 一种基于时序信息建模的机器人无地图导航方法
CN112965485A (zh) 一种基于二次区域划分的机器人全覆盖路径规划方法
CN113064422B (zh) 基于双神经网络强化学习的自主水下航行器路径规划方法
CN111123953A (zh) 人工智能大数据下粒子化移动机器人组及其控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant