CN112650229B - 一种基于改进蚁群算法的移动机器人路径规划方法 - Google Patents
一种基于改进蚁群算法的移动机器人路径规划方法 Download PDFInfo
- Publication number
- CN112650229B CN112650229B CN202011477455.4A CN202011477455A CN112650229B CN 112650229 B CN112650229 B CN 112650229B CN 202011477455 A CN202011477455 A CN 202011477455A CN 112650229 B CN112650229 B CN 112650229B
- Authority
- CN
- China
- Prior art keywords
- pheromone
- algorithm
- mobile robot
- path
- concentration
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000003016 pheromone Substances 0.000 claims abstract description 76
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 241000282461 Canis lupus Species 0.000 claims abstract description 7
- 241000257303 Hymenoptera Species 0.000 claims description 17
- 230000033001 locomotion Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 241000254158 Lampyridae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种基于改进蚁群算法的移动机器人路径规划方法,包括重置初始信息素浓度、启发函数的改进以及信息素浓度更新,其中重置初始信息素浓度即为每个栅格设置不同的信息素浓度;在启发函数中加入了A*算法估价函数和转角约束因子,利用A*估价函数寻找全局最优解,同时用转角约束因子进行角度约束;在蚁群算法的信息素更新部分,加入狼群算法的分配原则,利用该原则进行信息素的分配,同时利用MMAS算法中的最大‑最小原则进行信息素浓度的限制;本发明能够增强算法的全局搜索能力、缩短路径长度,为移动机器人规划出一条更为平滑的运行轨迹,不仅仅局限于计算机、人工智能领域,对于交通、物流、管理等领域的类似问题也同样适用。
Description
技术领域
本发明涉及人工智能领域,特别涉及一种基于改进蚁群算法的移动机器人路径规划方法。
背景技术
随着人工智能技术的高速发展,机器人被广泛应用于仓储物流、制造工厂、智慧医疗等领域。而路径规划是移动机器人研究的一个重要分支。路径规划是指移动机器人从起点寻找一条避开所有障碍物的无碰撞路径,从而顺利抵达目标点。传统的路径规划方法有人工势场法、Dijstra算法、可视图法等。随着障碍物增多,问题规模复杂度不断增加,传统算法存在一定局限性,因此一些仿生智能优化算法应运而生,如蚁群算法、粒子群算法、萤火虫算法等。
栅格环境建模多被用于此处,蚂蚁的搜索方式有四邻域搜索和八邻域搜索两种,随着环境的复杂化程度提高,八邻域搜索便于寻找到一条长度更短的路径,因此其逐渐代替了传统的四邻域搜索方式。
在移动机器人路径规划方面,多数学者仅考虑到路径的长度,忽略了路径中的转角次数对机器人运动的影响。
发明内容
本发明的目的是克服现有技术缺陷,提供一种基于改进蚁群算法的移动机器人路径规划方法,解决基本蚁群算法易陷入局部最优、运行时间过长、难以找到全局最优路径以及累计转弯角度大的问题。
本发明的目的是这样实现的:一种基于改进蚁群算法的移动机器人路径规划方法,包括以下步骤:
步骤1)使用栅格法对工作环境进行建模,为移动机器人设定好运动的起始点和目标点;
步骤2)初始化参数,蚂蚁数量m,信息素重要程度因子α,启发函数重要程度因子β,信息素挥发系数ρ,信息素强度系数Q、迭代次数N;
步骤3)更新禁忌表,将蚂蚁k(k=1、2,…,m)放在当前节点上,将当前节点添加到禁忌表中;
步骤4)选择下一步的网格,计算蚁群算法改进之后的启发式函数值,利用轮盘赌法选出下一步将要到达的栅格,若蚂蚁抵达目标位置,则转到步骤5),反之转到步骤3);
步骤5)如果蚂蚁到达目标位置,重复步骤3),直到每个蚂蚁在其迭代过程中完成整个搜索过程,之后转到步骤6);
步骤6)更新信息素,每次迭代完成,如果此时迭代次数小于最大迭代次数,将按照狼群算法的猎物分配原则计算路径上的信息素浓度,同时要保证其不超过规定的最大-最小浓度,若满足收敛条件,则退出;若不满足,转到步骤3),反之迭代次数大于最大迭代次数时,则停止计数,输出最终结果。
作为本发明的进一步改进,所述步骤1)具体包括以下步骤:
步骤1.1)在栅格地图中,将环境中的障碍物用黑色栅格表示,可自由通行区域用白色栅格表示,G表示栅格地图,N表示地图中矩阵的维数和列数,i和j表示移动机器人所处位置的横坐标和纵坐标;给定移动机器人一个任务,任务为其指定运行的起点和终点;
步骤1.2)根据应用环境,做如下规定:移动机器人在一项任务未结束前,不得接受其他任务;移动机器人在运行时以同一速度行驶,不存在加速和减速的情况;移动机器人经过节点转弯时的时间与转弯角度呈正相关关系;
作为本发明的进一步改进,所述步骤2)具体包括以下步骤:
步骤2.1)初始阶段为每个栅格设置不同的信息素浓度,首先找到栅格地图的中点,将与起点终点连线在一个方向上的两中点连接起来,将所形成区域中的栅格的初始信息素浓度设置为C,该区域外的栅格初始信息素浓度设置为τ0。
作为本发明的进一步改进,所述步骤4)具体包括以下步骤:
步骤4.1)设置转角约束因子:R=c*γ,其中γ表示转弯角度的大小,c为转弯角度权重系数;
步骤4.2)引入A*算法中的估价函数:
f(n)=g(n)+h(n)
h(n)=((nx-gx)2+(ny-gy)2)1/2
g(n)=((nx-sx)2+(ny-sy)2)1/2
其中g(n)为从起点到当前节点的路径最小成本值;h(n)为从当前节点到终点的路径最小成本估计值,nx和ny是当前节点n的坐标,gx和gy是终点g的坐标,sx和sy是起点s的坐标;
作为本发明的进一步改进,所述步骤6)具体包括以下步骤:
步骤6.1)在蚁群算法的信息素更新中引入狼群算法的分配原则,将到达终点路径最短的蚂蚁所留下的信息素增强,所走路径最长的蚂蚁留下的信息素减弱,信息素更新公式如下:
式中:Δ*τij和Δ**τij分别代表每次迭代中最优和最差路径经过节点i、j的信息素大小,L*和L**分别代表每次蚂蚁到达终点的最短运动轨迹和最长运动轨迹;δ和ω分别表示每次搜索时找到最短路径和最长路径的蚂蚁数量;Q2为增强因子,此处将其设为2,R1为减弱因子,将其值设为0.5;
步骤6.2)为防止路径上的信息素过大或过小,引入MMAS算法中的最大-最小原则进行信息素浓度的限制:
其中,τ表示信息素浓度,τmin表示信息素浓度的最小值,τmax表示信息素浓度的最大值。
本发明采用以上技术方案,与现有技术相比,有益效果在于:(1)改进的蚁群算法可以寻得移动机器人运行时间最短、长度最短、转角次数最少的路径,提高运行效率,在实际应用中更加便捷;
(2)通过改进各栅格的初始信息素浓度分布,避免蚂蚁在初期盲目搜索,缩短算法的运行时间,减少迭代次数;
(3)通过改进启发函数,提高蚂蚁的全局搜索能力,减少路径中的转弯次数,便于搜索到一条长度更短、更平滑的路径;
(4)通过改进信息素更新方式,避免由于某条路径上的信息素浓度过大而陷入局部最优解,或迭代提前结束的情况。
附图说明
图1为本发明的方法流程图。
图2为初始信息素增强区域。
图3为转弯角度示意图。
图4为基本蚁群算法对20×20环境下的路径规划图。
图5为本发明对20×20环境下的路径规划图。
图6为基本蚁群算法对30×30环境下的路径规划图。
图7为本发明对30×30环境下的路径规划图。
具体实施方式
如图1所示的一种基于改进蚁群算法的移动机器人路径规划方法,将A*算法的估价函数加入蚁群算法启发函数中,不仅便于寻得全局最优路径,还能加快寻路速度。另一方面,在蚁群算法中加入转角约束因子,避免寻得的路径转角次数过多、累计转弯角度过大,将其应用于移动机器人的路径规划问题上,使机器人损失的能耗减少、运行时间加快,为移动机器人选择一条综合路径长度和转角次数的最优路径。具体步骤如下:
步骤1)使用栅格法对工作环境进行建模,为移动机器人设定好运动的起始点和目标点;
建立栅格地图,具体模型为:
其中:x为横轴,y为纵轴,在N*N的网格图中,栅格分别用编号i表示,每个栅格的中心点坐标为(xi,yi)。
步骤1.1)在栅格地图中,将环境中的障碍物用黑色栅格表示,可自由通行区域用白色栅格表示,并建立障碍物矩阵,其中0表示可移动空间,1表示障碍物;G表示栅格地图,N表示地图中矩阵的维数和列数,i和j表示移动机器人所处位置的横坐标和纵坐标;给定移动机器人一个任务,任务为其指定运行的起点和终点;
步骤1.2)根据应用环境,做如下规定:移动机器人在一项任务未结束前,不得接受其他任务;移动机器人在运行时以同一速度行驶,不存在加速和减速的情况;移动机器人经过节点转弯时的时间与转弯角度呈正相关关系;
步骤2)初始化参数,蚂蚁数量m,信息素重要程度因子α,启发函数重要程度因子β,信息素挥发系数ρ,信息素强度系数Q、迭代次数N等,初始阶段为每个栅格设置不同的信息素浓度,首先设置移动机器人运动的起点和终点,分别用S和T标记,接着找到栅格地图四条边的中点,分别设为A、B、C、D,将A点与B点相连、C点与D点相连,得到与起点终点连线方向一致的两条线段,其围成的区域为六边形SABTDC,如图2所示,将AB、CD区域内的栅格初始信息素浓度设为C,将其他区域的初始信息素浓度设置为τ0;
其中:τ0为信息素初始值,C为大于τ0的常数;
步骤3)更新禁忌表,将蚂蚁k(k=1、2,…,m)放在当前节点上,将当前节点添加到禁忌表中。
步骤4)选择下一步的网格,计算加入A*估价函数和转角约束的启发式函数值,求出状态转移概率值。再借鉴轮盘赌法选出下一步将要到达的栅格,若蚂蚁抵达目标位置,则转到步骤5),反之转到步骤3);
步骤4.1)设置转角约束因子:R=c*γ,其中γ表示转弯角度的大小,如图3所示,BC相对于AB的转弯角度为45度,CD相对于BC的转弯角度为90度,c为转弯角度权重系数;
步骤4.2)引入A*算法中的估价函数:
f(n)=g(n)+h(n)
h(n)=((nx-gx)2+(ny-gy)2)1/2
g(n)=((nx-sx)2+(ny-sy)2)1/2
其中g(n)为从起点到当前节点的路径最小成本值;h(n)为从当前节点到终点的路径最小成本估计值,nx和ny是当前节点n的坐标,gx和gy是终点g的坐标,sx和sy是起点s的坐标;
利用轮盘赌法计算当前节点到下一节点的概率:
式中:τij是网格i到网格j的信息素值,而ηij是网格i到网格j的启发式信息。α为信息素激励因子,代表信息素值对路径选择的影响程度,α越大则信息素对于路径选择的影响越大,大多数蚂蚁走过的路径将有更大几率被选中;β是期望启发式因子,代表启发信息对蚂蚁选择路径的影响程度,β与影响程度之间是正相关关系。
步骤5)如果蚂蚁到达目标位置,重复步骤3),直到每个蚂蚁在其迭代过程中完成整个搜索过程,之后转到步骤6)。
步骤6)更新信息素,每次迭代完成,如果此时迭代次数小于最大迭代次数,将按照狼群算法的猎物分配原则计算路径上的信息素浓度,同时要保证其不超过规定的最大-最小浓度,若满足收敛条件,则退出;若不满足,转到步骤3);反之迭代次数大于最大迭代次数时,则停止计数,输出最终结果。
步骤6.1)在蚁群算法的信息素更新中引入狼群算法的分配原则,将到达终点路径最短的蚂蚁所留下的信息素增强,所走路径最长的蚂蚁留下的信息素减弱,信息素更新公式如下:
式中:Δ*τij和Δ**τij分别代表每次迭代中最优和最差路径经过节点i、j的信息素大小,L*和L**分别代表每次蚂蚁到达终点的最短运动轨迹和最长运动轨迹;δ和ω分别表示每次搜索时找到最短路径和最长路径的蚂蚁数量;Q2为增强因子,此处将其设为2,R1为减弱因子,将其值设为0.5;
步骤6.2)为防止路径上的信息素过大或过小,引入MMAS算法中的最大-最小原则进行信息素浓度的限制:
其中,τ表示信息素浓度,τmin表示信息素浓度的最小值,τmax表示信息素浓度的最大值。
通过上述改进蚁群算法,本发明针对基本蚁群算法易陷入局部最优、收敛速度慢、路径转角次数过多等缺点进行改进,将初始信息素浓度不均匀分布,引入改进启发函数的路径转移概率、改进信息素更新方式同时限制信息素浓度。在本实验环节中对基本蚁群算法和本发明公开的改进蚁群算法分别进行在不同的栅格地图中进行验证分析。
首先在20×20的栅格环境中进行实验,实验结果如图4、图5所示。由图4可知,基本蚁群算法规划出的路径长度较长、转弯次数较多,转弯角度总和也较大,且存在不少的直角转弯,移动机器人在进行直角转弯时会损耗更多的能耗,增加运动时间;在图5中,改进的蚁群算法大大减少了路径中的转弯次数、缩短了路径长度,改进后的蚁群算法在搜索初期就避免了盲目性、有良好的正反馈,提高了算法的收敛速度,获得最优解。
为了进一步验证复杂环境中本发明改进蚁群算法的适应性和有效性,采用30×30的栅格地图进行实验,实验结果如图6、图7所示,可以看出,在复杂障碍物环境中,基本蚁群算法的转弯次数大幅度增加,转弯角度总和约是本发明改进蚁群算法的4倍,因此本发明有利于移动机器人的平稳运行、提高了路径的平滑度,减少能耗损失;同时缩短了规划路径的总长度,加强算法的全局搜索能力,提高了算法的运行效率。
本发明并不局限于上述实施例,在本发明公开的技术方案的基础上,本领域的技术人员根据所公开的技术内容,不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形,这些替换和变形均在本发明的保护范围内。
Claims (1)
1.一种基于改进蚁群算法的移动机器人路径规划方法,其特征在于,包括以下步骤:
步骤1)使用栅格法对工作环境进行建模,为移动机器人设定好运动的起始点和目标点;
步骤1.1)在栅格地图中,将环境中的障碍物用黑色栅格表示,可自由通行区域用白色栅格表示,G表示栅格地图,N表示地图中矩阵的维数和列数,i和j表示移动机器人所处位置的横坐标和纵坐标;给定移动机器人一个任务,任务为其指定运行的起点和终点;
步骤1.2)根据应用环境,做如下规定:移动机器人在一项任务未结束前,不得接受其他任务;移动机器人在运行时以同一速度行驶,不存在加速和减速的情况;移动机器人经过节点转弯时的时间与转弯角度呈正相关关系;
步骤2)初始化参数,蚂蚁数量m,信息素重要程度因子α,启发函数重要程度因子β,信息素挥发系数ρ,信息素强度系数Q、迭代次数N;
步骤2.1)初始阶段为每个栅格设置不同的信息素浓度,首先设置移动机器人运动的起点和终点,分别用S和T标记,接着找到栅格地图四条边的中点,分别设为A、B、C、D,将A点与B点相连、C点与D点相连,得到与起点终点连线方向一致的两条线段,其围成的区域为六边形SABTDC,将所形成区域中的栅格的初始信息素浓度设置为C,该区域外的栅格初始信息素浓度设置为τ0;
步骤3)更新禁忌表,将蚂蚁k,k=1、2,…,m放在当前节点上,将当前节点添加到禁忌表中;
步骤4)选择下一步的网格,计算蚁群算法改进之后的启发式函数值,利用轮盘赌法选出下一步将要到达的栅格,若蚂蚁抵达目标位置,则转到步骤5),反之转到步骤3);
步骤4.1)设置转角约束因子:R=c*γ,其中γ表示转弯角度的大小,c为转弯角度权重系数;
步骤4.2)引入A*算法中的估价函数:
f(n)=g(n)+h(n)
h(n)=((nx-gx)2+(ny-gy)2)1/2
g(n)=((nx-sx)2+(ny-sy)2)1/2
其中g(n)为从起点到当前节点的路径最小成本值;h(n)为从当前节点到终点的路径最小成本估计值,nx和ny是当前节点n的坐标,gx和gy是终点g的坐标,sx和sy是起点s的坐标;
步骤5)如果蚂蚁到达目标位置,重复步骤3),直到每个蚂蚁在其迭代过程中完成整个搜索过程,之后转到步骤6);
步骤6)更新信息素,每次迭代完成,如果此时迭代次数小于最大迭代次数,将按照狼群算法的猎物分配原则计算路径上的信息素浓度,同时要保证其不超过规定的最大-最小浓度,若满足收敛条件,则退出;若不满足,转到步骤3),反之迭代次数大于最大迭代次数时,则停止计数,输出最终结果;
步骤6.1)在蚁群算法的信息素更新中引入狼群算法的分配原则,将到达终点路径最短的蚂蚁所留下的信息素增强,所走路径最长的蚂蚁留下的信息素减弱,信息素更新公式如下:
式中:Δ*τij和Δ**τij分别代表每次迭代中最优和最差路径经过节点i、j的信息素大小,L*和L**分别代表每次蚂蚁到达终点的最短运动轨迹和最长运动轨迹;δ和ω分别表示每次搜索时找到最短路径和最长路径的蚂蚁数量;Q2为增强因子,此处将其设为2,R1为减弱因子,将其值设为0.5;
步骤6.2)为防止路径上的信息素过大或过小,引入MMAS算法中的最大-最小原则进行信息素浓度的限制:
其中,τ表示信息素浓度,τmin表示信息素浓度的最小值,τmax表示信息素浓度的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011477455.4A CN112650229B (zh) | 2020-12-15 | 2020-12-15 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011477455.4A CN112650229B (zh) | 2020-12-15 | 2020-12-15 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112650229A CN112650229A (zh) | 2021-04-13 |
CN112650229B true CN112650229B (zh) | 2022-07-05 |
Family
ID=75355378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011477455.4A Active CN112650229B (zh) | 2020-12-15 | 2020-12-15 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112650229B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113325839B (zh) * | 2021-05-08 | 2023-02-03 | 江苏科技大学 | 一种基于改进蚁群算法的智能仓储机器人路径规划方法 |
CN113219981B (zh) * | 2021-05-14 | 2022-08-30 | 江南大学 | 一种基于蚁群算法的移动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 |
CN113515127B (zh) * | 2021-07-23 | 2022-09-13 | 华北电力大学(保定) | 一种移动机器人路径规划方法及*** |
CN113703450B (zh) * | 2021-08-23 | 2024-03-29 | 皖西学院 | 基于平滑因素改进蚁群算法的移动机器人路径规划方法 |
CN114020045B (zh) * | 2021-10-25 | 2023-09-26 | 南京航空航天大学 | 一种基于改进蚁群算法的无人机航迹规划方法 |
CN114281104B (zh) * | 2021-12-16 | 2024-02-20 | 成都戎星科技有限公司 | 一种基于改进蚁群算法的多无人机协同调控方法 |
CN115202365B (zh) * | 2022-08-10 | 2024-07-26 | 广东工业大学 | 基于构建三维离散点的机器人焊接避障寻优路径规划方法 |
CN115530015A (zh) * | 2022-09-19 | 2022-12-30 | 扬州大学江都高端装备工程技术研究所 | 基于区域蚁群路径规划的褐菇针式间苗***及应用方法 |
CN117091608B (zh) * | 2023-10-17 | 2023-12-29 | 山东怀思人工智能科技有限公司 | 一种教育机器人的路径规划方法、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109460045A (zh) * | 2019-01-14 | 2019-03-12 | 哈尔滨工程大学 | 动态障碍在线感知下usv基于改进蚁群优化的避碰规划方法 |
CN109685286A (zh) * | 2019-01-14 | 2019-04-26 | 哈尔滨工程大学 | 未知静态障碍环境下usv基于改进蚁群优化的避碰规划方法 |
CN111323016A (zh) * | 2019-11-26 | 2020-06-23 | 广东工业大学 | 一种基于自适应蚁群算法的移动机器人路径规划方法 |
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 |
-
2020
- 2020-12-15 CN CN202011477455.4A patent/CN112650229B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109460045A (zh) * | 2019-01-14 | 2019-03-12 | 哈尔滨工程大学 | 动态障碍在线感知下usv基于改进蚁群优化的避碰规划方法 |
CN109685286A (zh) * | 2019-01-14 | 2019-04-26 | 哈尔滨工程大学 | 未知静态障碍环境下usv基于改进蚁群优化的避碰规划方法 |
CN111323016A (zh) * | 2019-11-26 | 2020-06-23 | 广东工业大学 | 一种基于自适应蚁群算法的移动机器人路径规划方法 |
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 |
Non-Patent Citations (5)
Title |
---|
Mobile Robot Path Planning Based on Ant Colony Algorithm With A* Heuristic Method;Xiaolin Dai 等;《Frontiers in Neurorobotics》;20190430;第13卷(第15期);第56-60页 * |
Routing optimization of emergency grain distribution vehicles using the immune ant colony optimization algorithm;Q. Zhang 等;《Applied Soft Computing》;20181231;全文 * |
基于改进蚁群算法的移动机器人动态路径规划;梁凯 等;《电子测量技术》;20200430;第43卷(第7期);第56-60页 * |
基于改进蚁群算法的移动机器人路径规划研究;江明 等;《仪器仪表学报》;20190228;第40卷(第2期);第113-119页 * |
多启发因素改进蚁群算法的路径规划;李理 等;《计算机工程与应》;20191231;第55卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112650229A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112650229B (zh) | 一种基于改进蚁群算法的移动机器人路径规划方法 | |
CN109116841B (zh) | 一种基于蚁群算法的路径规划平滑优化方法 | |
Sun et al. | AGV path planning based on improved Dijkstra algorithm | |
CN107272679A (zh) | 基于改进的蚁群算法的路径规划方法 | |
CN109945881A (zh) | 一种蚁群算法的移动机器人路径规划方法 | |
CN112925315A (zh) | 一种基于改进蚁群算法和a*算法的履带车路径规划方法 | |
CN113296520B (zh) | 融合a*与改进灰狼算法的巡检机器人路径规划方法 | |
CN113867368A (zh) | 一种基于改进海鸥算法的机器人路径规划方法 | |
CN114964261A (zh) | 基于改进蚁群算法的移动机器人路径规划方法 | |
Yang et al. | LF-ACO: An effective formation path planning for multi-mobile robot | |
Yan | Research on path planning of auv based on improved ant colony algorithm | |
CN116203965A (zh) | 一种基于agv的改进蚁群算法的路径规划算法 | |
Bai et al. | Design and Simulation of a Collision-free Path Planning Algorithm for Mobile Robots Based on Improved Ant Colony Optimization. | |
CN114815801A (zh) | 一种基于策略-价值网络及mcts的自适应环境路径规划方法 | |
Wei et al. | Path planning of mobile robot based on improved genetic algorithm | |
CN113778090A (zh) | 基于蚁群优化和prm算法的移动机器人路径规划方法 | |
CN116592890B (zh) | 一种采摘机器人路径规划方法、***、电子设备及介质 | |
CN112539751A (zh) | 一种机器人路径规划方法 | |
CN117387619A (zh) | 一种基于融合改进蚁群和遗传算法的路径规划方法 | |
CN117371895A (zh) | 未知环境下多地面无人车路径规划方法、***及介质 | |
CN116820094A (zh) | 基于改进蚁群算法的移动机器人三维路径规划方法及设备 | |
CN116449846A (zh) | 一种蚁群算法的优化方法 | |
Tang et al. | On the use of ant colony algorithm with weighted penalty strategy to optimize path searching | |
Xu et al. | A path planning method of logistics robot based on improved ant colony algorithm | |
Ma et al. | Robot path planning using fusion algorithm of ant colony optimization and genetic algorithm |
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 |