共查询到10条相似文献，搜索用时 15 毫秒
1.
A*算法的规划路径全局最优,但存在拐点多、拐角大的缺点,而人工势场法的规划路径虽然平滑,却无法满足全局最优的要求。为达到机器人快速到达、安全避障的目的,分别对A*算法和人工势场法进行改进,并将两者相结合,提出一种兼顾全局与局部特性的机器人动态路径规划算法。全局路径规划采用剔除冗余节点的A*算法,生成局部目标节点序列;局部路径规划采用改进的人工势场法,提出5方向障碍物探测法替代原有斥力模型,大大减小运算量;设置最小引力场,引导机器人脱离局部最小点;采用扇形区域探测法,有效规避小型动态障碍物。仿真实验结果表明:与传统A*算法与人工势场法相比,该方法不仅生成全局最优平滑路径,而且还能够在顾及机器人移动控制的前提下,及时规避动态障碍物。 相似文献
2.
3.
动态水深环境下的无人艇路径规划 总被引：1，自引：0，他引：1
针对D* Lite算法存在路径转折点多、难以进行轨迹跟踪控制、没有顾及动态水深变化等不足,该文引入水深危险度,进行安全路径的选优,以提高所规划路径的安全性,并采用视线检查算法和懒惰更新改进D*Lite算法进行路径规划,提出了LT-D* Lite算法.该文采用电子海图水深叠加潮汐水位构建动态水深模型,同时建立水深危险度代价函数对最优安全节点进行选择,平衡路径的安全性.算法在拓展节点过程引入视线检查算法,将节点拓展方式从八邻域拓展为任意角度方式并使路径平滑,通过动态水深调整后的浅水区域进行路径调整.仿真实验表明,该文所提出的算法具有规划路径短且路径平滑的特点,同时可引导无人艇避开浅水深区域,显著降低路径危险度. 相似文献
4.
5.
针对启发式算法利用Dijkstra算法求解大型动态网络中疏散路径规划问题时,存在疏散时间长、稳定性差等不足,该文提出了一种改进CCRP的方法,即用蚁群算法替代Dijkstra算法求解最优路径,进而减少疏散时间,增加估算疏散时间的精确性。实验表明,该方法能够在大型动态网络下实现路网容量受限的疏散路径规划有效求解,具有疏散时间短、疏散路径少、线性关系强等特点,相比原有CCRP算法更能满足实际疏散的需要。在寻找最优路径上采用蚁群算法求解,相比贪心算法更能支持全局最优、并行计算、疏散效率更高,在支持路况信息实时更新、大规模人群快速疏散、及时调整疏散路线等方面更具优势。 相似文献
6.
《测绘科学》2020,(7)
针对现有的路径规划算法在应对突发事件人员车辆疏散过程中没有考虑实时交通拥堵路况反馈因素,降低了疏散路径方案的有效性问题,该文提出了一种引入实时路况的动态疏散路径规划算法。首先将动态路网中的实时路况信息建模和量化,构建实时动态的旅行时间矩阵,然后利用交通预测模型改进的动态蚁群算法求解全局疏散时间最小化、道路网利用率最大化的最优路径。采用改进的动态蚁群算法构建的动态路径规划方法,能在交通拥堵区和动态路网阻抗变化后快速更新路线,较好地平衡了疏散过程中的全局疏散时间与局部拥堵间的矛盾。实验结果表明,当交通拥堵级别增加时,相比现有的路径规划算法,本文的方法分别减少18%的平均疏散时间和11%的总旅行时间,增加26%的路网利用率。 相似文献
7.
针对现有路径规划算法受复杂环境信息影响较大的原因,该文通过分析环境信息,综合考虑行车的时效性、安全性要求,提出一种动态路径规划辅助决策方法。该方法通过对实时环境信息进行建模和量化处理,得到不同环境特征下的道路实际权重,为路径动态规划提供先决条件;然后利用基于一阶马尔可夫链的动态路径规划算法对路径进行规划,计算出若干可选路径可供驾驶员根据实际情况进行抉择;并通过与静态权值的路径分析算法相比较得到,它能够更好地满足复杂环境信息下最优路径的规划需求,算法效率受环境因素影响较小。 相似文献
8.
针对狭长空间无人车辆路径规划系统，提出一种基于改进的快速搜索随机树(rapidly-exploring random trees,RRT)路径规划算法，以解决传统RRT算法随机性较大、路径缺乏安全性的问题.该算法通过加入自适应目标概率采样策略、动态步长策略对传统的RRT算法进行改进，同时考虑到实际情况中无人驾驶车辆的动力学约束，该算法加入车辆碰撞约束和路径转角约束，并针对转角约束会导致迭代次数激增的问题提出了一种限制区域内随机转向的策略，最终得到一条安全性较高的路径.采用计算机仿真对所提算法和现有算法的性能进行对比验证.所提算法在狭长空间相较于传统人工势场引导下的RRT算法迭代次数降低了33.09%，规划时间减少了6.44%，路径长度减少了0.06%，并且在简单环境和复杂障碍物环境下规划能力均有提升.所提算法规划效率更高、迭代次数更少. 相似文献
9.
针对传统蚁群算法在进行无人机三维环境路径规划时存在规划速度慢、容易陷入局部最优等问题,本文提出了用引导函数改变状态转移规则、初始信息素先验分配、时变信息素更新方式3个改进策略,充分挖掘路径规划先验信息。通过增加引导函数进行路径增强,增大最优路径的选择概率;同时根据与先验路径的距离赋予信息素不同的初始浓度,使算法在搜索初期具有明确的方向性,基于优胜劣汰的思想进行信息素更新,并将信息素挥发因子设定为服从Laplace分布的波动因子,避免搜索过程陷入局部最优,最大化提升路径搜索效率,实现三维环境下的无人机路径规划。仿真试验结果表明,改进后的蚁群算法在规划最优路径长度和最优路径搜索效率上明显优于传统蚁群算法。 相似文献