移动机器人遍历多目标点避障行走路径规划
发布时间：2021-04-19 19:57
近些年来,移动机器人已广泛应用于日常生活、农业、工业、国防和科研等领域,成为科技发展中最有潜力的研究方向之一。在移动机器人技术中,机器人路径规划是一个极其重要的研究领域,其目的是为机器人规划出一条由起始点到目标点的安全、无碰的避障行走路径。规划出的路径越优,机器人在行走过程中产生的损耗就越少。对于遍历多目标点的移动机器人的避障行走路径规划,有两个关键点:一是为机器人规划出最优的目标点执行顺序,二是为机器人规划出目标点间的避障行走路径。针对遍历多目标点的移动机器人在简单和复杂障碍物环境下的路径规划问题,论文主要完成以下工作:（1）针对PSO-GA算法在优化过程中存在迭代次数较多且规划时间较长的问题,提出分级粒子群-遗传算法（Classification of PSO-GA,CPSO-GA）。CPSO-GA算法将粒子群分为精英粒子、优等粒子群、中等粒子群和劣等粒子群。在迭代过程中,精英粒子直接保留至下一代,优等粒子在同种群间采取交叉操作,中等粒子采取交叉和变异操作,劣等粒子采取淘汰操作。仿真实验表明,CPSO-GA算法相较于PSO-GA算法,在规划时间上降低约8%,在迭代次数上降低约12%...
【文章来源】：河北工业大学天津市 211工程院校
【文章页数】：82 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景及意义
1.2 机器人路径规划
1.3 国内外研究现状
1.3.1 最优目标点执行顺序规划研究现状
1.3.2 目标点间避障行走路径规划研究现状
1.4 研究内容和组织结构
第二章 机器人最优目标点执行顺序规划
2.1 PSO算法
2.1.1 PSO算法数学描述
2.1.2 PSO算法规划步骤
2.1.3 PSO算法规划流程
2.2 GA算法
2.2.1 GA算法编码
2.2.2 适应度函数
2.2.3 遗传算子
2.2.4 GA算法规划流程
2.3 PSO-GA算法
2.3.1 PSO-GA算法规划步骤
2.3.2 PSO-GA算法规划流程
2.4 CPSO-GA算法
2.4.1 粒子适应度值计算
2.4.2 CPSO-GA算法规划步骤
2.4.3 CPSO-GA算法规划流程
2.4.4 CPSO-GA算法参数设置
2.5 四种算法对比仿真实验
2.5.1 目标点数为5 时规划对比
2.5.2 目标点数为15 时规划对比
2.5.3 目标点数为30 时规划对比
2.5.4 目标点数为50 时规划对比
2.6 总结
第三章 相邻两目标点避障行走路径规划
3.1 栅格法构建环境地图模型
3.2 A*算法
3.2.1 Dijsktra算法和BFS算法
3.2.2 A*算法原理
3.2.3 8邻域A*算法规划路径
3.3 B样条曲线
3.3.1 B样条曲线基函数
3.3.2 弦长参数化
3.4 A*TPD-B算法规划避障行走路径
3.4.1 三次均匀B样条曲线基函数推导
3.4.2 B样条曲线优化A*算法路径仿真实验
3.4.3 TPD-B样条曲线
3.4.4 A*TPD-B算法规划步骤及平移因子取值推导
3.5 总结
第四章 遍历多目标点避障行走路径规划
4.1 CPSO-GA&A*TPD-B算法
4.1.1 CPSO-GA&A*TPD-B算法路径规划步骤
4.1.2 CPSO-GA&A*TPD-B算法流程
4.2 无“优先执行目标点”时CPSO-GA&A*TPD-B仿真实验
4.2.1 遍历5个目标点路径规划仿真实验
4.2.2 遍历10个目标点路径规划仿真实验
4.2.3 遍历16个目标点路径规划仿真实验
4.2.4 仿真实验结果对比分析
4.3 存在“优先执行目标点”时CPSO-GA&A*TPD-B仿真实验
4.3.1 遍历5个目标点路径规划仿真实验
4.3.2 遍历10个目标点路径规划仿真实验
4.3.3 遍历16个目标点路径规划仿真实验
4.3.4 仿真实验结果对比分析
4.4 总结
第五章 结论与展望
5.1 本文主要研究成果
5.2 未来研究工作展望
参考文献
攻读学位期间所取得的相关科研成果
致谢
【参考文献】：
期刊论文
[1]改进B样条曲线应用于6R机器人轨迹优化[J]. 董甲甲,王太勇,董靖川,张永宾,陶浩. 中国机械工程. 2018(02)
[2]基于A*与B样条算法的农用机器人路径规划系统[J]. 孟珠李,焦俊,李郑涛,张政云,朱竹芳. 安徽大学学报(自然科学版). 2018(01)
[3]一类适应度函数的遗传算法编码[J]. 朱春媚,莫鸿强. 计算机应用. 2017(07)
[4]基于改进粒子群算法的移动机器人多目标点路径规划[J]. 蒲兴成,李俊杰,吴慧超,张毅. 智能系统学报. 2017(03)
[5]基于A*改进算法的四向移动机器人路径搜索研究[J]. 田华亭,李涛,秦颖. 控制与决策. 2017(06)
[6]自适应多种群回溯群居蜘蛛算法求解TSP问题[J]. 王丽,宫建平,王晓凯. 数学的实践与认识. 2017(02)
[7]单边矩形扩展A*算法[J]. 李冲,张安,毕文豪. 机器人. 2017(01)
[8]A*算法在移动机器人自学习中的使用[J]. 张燕,徐一超,盛洲. 单片机与嵌入式系统应用. 2016(11)
[9]基于改进粒子群算法的足球机器人路径规划[J]. 高田田,张莉,李炳德,高晴. 西安工程大学学报. 2016(05)
[10]求解多旅行商问题的改进分组遗传算法[J]. 王勇臻,陈燕,于莹莹. 电子与信息学报. 2017(01)
博士论文
[1]基于QPSO算法的移动机器人轨迹规划研究[D]. 独孤明哲（Myongchol Tokgo）.华中科技大学 2015
[2]求解广义旅行商问题的若干进化算法研究[D]. 谭阳.华南理工大学 2013
硕士论文
[1]基于PSO-GA混合算法的时间优化的旅行商问题的研究[D]. 陈玲.合肥工业大学 2015
[2]广义Bézier曲线与B样条曲线的研究[D]. 张明星.中南大学 2013
[3]基于非均匀B样条曲面的图像插值算法[D]. 冯杰飞.山东经济学院 2010
[4]用遗传算法求解TSP问题[D]. 任昊南.山东大学 2008
本文编号：3148207
【文章来源】：河北工业大学天津市 211工程院校
【文章页数】：82 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景及意义
1.2 机器人路径规划
1.3 国内外研究现状
1.3.1 最优目标点执行顺序规划研究现状
1.3.2 目标点间避障行走路径规划研究现状
1.4 研究内容和组织结构
第二章 机器人最优目标点执行顺序规划
2.1 PSO算法
2.1.1 PSO算法数学描述
2.1.2 PSO算法规划步骤
2.1.3 PSO算法规划流程
2.2 GA算法
2.2.1 GA算法编码
2.2.2 适应度函数
2.2.3 遗传算子
2.2.4 GA算法规划流程
2.3 PSO-GA算法
2.3.1 PSO-GA算法规划步骤
2.3.2 PSO-GA算法规划流程
2.4 CPSO-GA算法
2.4.1 粒子适应度值计算
2.4.2 CPSO-GA算法规划步骤
2.4.3 CPSO-GA算法规划流程
2.4.4 CPSO-GA算法参数设置
2.5 四种算法对比仿真实验
2.5.1 目标点数为5 时规划对比
2.5.2 目标点数为15 时规划对比
2.5.3 目标点数为30 时规划对比
2.5.4 目标点数为50 时规划对比
2.6 总结
第三章 相邻两目标点避障行走路径规划
3.1 栅格法构建环境地图模型
3.2 A*算法
3.2.1 Dijsktra算法和BFS算法
3.2.2 A*算法原理
3.2.3 8邻域A*算法规划路径
3.3 B样条曲线
3.3.1 B样条曲线基函数
3.3.2 弦长参数化
3.4 A*TPD-B算法规划避障行走路径
3.4.1 三次均匀B样条曲线基函数推导
3.4.2 B样条曲线优化A*算法路径仿真实验
3.4.3 TPD-B样条曲线
3.4.4 A*TPD-B算法规划步骤及平移因子取值推导
3.5 总结
第四章 遍历多目标点避障行走路径规划
4.1 CPSO-GA&A*TPD-B算法
4.1.1 CPSO-GA&A*TPD-B算法路径规划步骤
4.1.2 CPSO-GA&A*TPD-B算法流程
4.2 无“优先执行目标点”时CPSO-GA&A*TPD-B仿真实验
4.2.1 遍历5个目标点路径规划仿真实验
4.2.2 遍历10个目标点路径规划仿真实验
4.2.3 遍历16个目标点路径规划仿真实验
4.2.4 仿真实验结果对比分析
4.3 存在“优先执行目标点”时CPSO-GA&A*TPD-B仿真实验
4.3.1 遍历5个目标点路径规划仿真实验
4.3.2 遍历10个目标点路径规划仿真实验
4.3.3 遍历16个目标点路径规划仿真实验
4.3.4 仿真实验结果对比分析
4.4 总结
第五章 结论与展望
5.1 本文主要研究成果
5.2 未来研究工作展望
参考文献
攻读学位期间所取得的相关科研成果
致谢
【参考文献】：
期刊论文
[1]改进B样条曲线应用于6R机器人轨迹优化[J]. 董甲甲,王太勇,董靖川,张永宾,陶浩. 中国机械工程. 2018(02)
[2]基于A*与B样条算法的农用机器人路径规划系统[J]. 孟珠李,焦俊,李郑涛,张政云,朱竹芳. 安徽大学学报(自然科学版). 2018(01)
[3]一类适应度函数的遗传算法编码[J]. 朱春媚,莫鸿强. 计算机应用. 2017(07)
[4]基于改进粒子群算法的移动机器人多目标点路径规划[J]. 蒲兴成,李俊杰,吴慧超,张毅. 智能系统学报. 2017(03)
[5]基于A*改进算法的四向移动机器人路径搜索研究[J]. 田华亭,李涛,秦颖. 控制与决策. 2017(06)
[6]自适应多种群回溯群居蜘蛛算法求解TSP问题[J]. 王丽,宫建平,王晓凯. 数学的实践与认识. 2017(02)
[7]单边矩形扩展A*算法[J]. 李冲,张安,毕文豪. 机器人. 2017(01)
[8]A*算法在移动机器人自学习中的使用[J]. 张燕,徐一超,盛洲. 单片机与嵌入式系统应用. 2016(11)
[9]基于改进粒子群算法的足球机器人路径规划[J]. 高田田,张莉,李炳德,高晴. 西安工程大学学报. 2016(05)
[10]求解多旅行商问题的改进分组遗传算法[J]. 王勇臻,陈燕,于莹莹. 电子与信息学报. 2017(01)
博士论文
[1]基于QPSO算法的移动机器人轨迹规划研究[D]. 独孤明哲（Myongchol Tokgo）.华中科技大学 2015
[2]求解广义旅行商问题的若干进化算法研究[D]. 谭阳.华南理工大学 2013
硕士论文
[1]基于PSO-GA混合算法的时间优化的旅行商问题的研究[D]. 陈玲.合肥工业大学 2015
[2]广义Bézier曲线与B样条曲线的研究[D]. 张明星.中南大学 2013
[3]基于非均匀B样条曲面的图像插值算法[D]. 冯杰飞.山东经济学院 2010
[4]用遗传算法求解TSP问题[D]. 任昊南.山东大学 2008
本文编号：3148207
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3148207.html
