针对苹果采摘机械臂在非结构化果园环境中路径规划效率低和路径质量差等问题,提出了一种结合树枝密集度参数的粒子群优化算法(Branch density parameter-based particle swarm optimization,BD-PSO)与目标引导快速扩展随机树星算法(Targ...针对苹果采摘机械臂在非结构化果园环境中路径规划效率低和路径质量差等问题,提出了一种结合树枝密集度参数的粒子群优化算法(Branch density parameter-based particle swarm optimization,BD-PSO)与目标引导快速扩展随机树星算法(Target-guided rapidly-exploring random tree star,TG-RRT^(*))的多目标路径规划方法(BD-PSO_TG-RRT^(*))。通过在快速扩展随机树星(RRT^(*))算法中引入自适应步长、设定等边圆锥采样区域、目标偏向策略和直连策略,加速路径生成并增强导向性。对初始路径进行冗余点去除与三次B样条曲线平滑处理,提升路径质量。通过BD-PSO算法确定多目标采摘顺序。实验结果表明,TG-RRT^(*)算法相较于传统快速扩展随机树(RRT)和RRT^(*)算法平均路径长度缩短23.18%、11.67%,平均时间降低12.59%、71.96%,平均迭代次数降低68.07%、31.58%。在多目标连续采摘路径规划仿真实验中,BD-PSO_TG-RRT^(*)算法与原PSO与TG-RRT^(*)结合算法相比,平均规划时间降低8.14%,平均迭代次数降低13.24%,BD-PSO_TG-RRT^(*)算法能够生成适用于机械臂多目标采摘的最优路径,有效缩短了采摘路径总长度,并显著减少了路径规划时间。研究结果为苹果采摘机器人在执行多目标连续采摘任务时提供了技术参考。展开更多
针对复杂城市环境下无人机目标打击问题,引入一种基于电鳗觅食优化算法的无人机目标打击方法。该方法首先设置稀疏环境无敌防守和密集环境有敌防守2种场景并设计相应的约束条件和航迹优化代价函数以符合城市环境飞行需求,然后通过电鳗...针对复杂城市环境下无人机目标打击问题,引入一种基于电鳗觅食优化算法的无人机目标打击方法。该方法首先设置稀疏环境无敌防守和密集环境有敌防守2种场景并设计相应的约束条件和航迹优化代价函数以符合城市环境飞行需求,然后通过电鳗觅食优化算法(electric eel foraging optimization,EEFO)为无人机规划出一条合理的目标打击轨迹,最后得到其飞行轨迹和适应度值,并与SO,SCA,WOA,MFO,HHO 5种算法进行对比。实验结果表明,在稀疏环境无敌防守场景下EEFO算法比其他五种算法具有更高的轨迹规划效率和稳定性,消耗的航迹代价最小且收敛更快;在密集环境有敌防守场景下EEFO算法与其他5种算法相比,所规划出的目标打击轨迹最优且消耗的航迹代价收敛趋势更好,任务完成度最高,具有更好的表现。展开更多
针对复杂输电环境下机械臂多目标点路径规划效率低、路径代价高的问题,提出了基于改进的人工势场引导的知情快速扩展随机树算法(improved artificial potential field-informed rapidly-exploring random trees star,IAPF-IRRT^(*))来...针对复杂输电环境下机械臂多目标点路径规划效率低、路径代价高的问题,提出了基于改进的人工势场引导的知情快速扩展随机树算法(improved artificial potential field-informed rapidly-exploring random trees star,IAPF-IRRT^(*))来提升路径规划的性能。首先引入长方体斥力场模型改进传统人工势场中球形斥力场模型,建立输电环境下复杂障碍物的斥力场。然后采用位置均匀分布的椭球域改进IAPF-IRRT*算法中的椭圆域,避免复杂输电环境下采样点出现局部冗余,提高搜索效率。最后引入三角寻优法优化路径中的冗余节点并结合三次样条插曲线对路径平滑处理。在三维简单、三维复杂和复杂输电环境这三组不同复杂程度的障碍物地图上进行验证,其结果表明:IAPF-IRRT*算法与标准RRT、RRT*算法相比,时间效率分别提升了44.8%~83.8%、68.3%~95.2%、26.5%~71.8%;路径代价分别降低了15.5%~35.0%、14.1%~35.3%、31.5%~43.5%;路径中的节点数量分别减少了75.6%~78.8%、75.0%~78.0%、70.4%~72.0%。展开更多
文摘针对苹果采摘机械臂在非结构化果园环境中路径规划效率低和路径质量差等问题,提出了一种结合树枝密集度参数的粒子群优化算法(Branch density parameter-based particle swarm optimization,BD-PSO)与目标引导快速扩展随机树星算法(Target-guided rapidly-exploring random tree star,TG-RRT^(*))的多目标路径规划方法(BD-PSO_TG-RRT^(*))。通过在快速扩展随机树星(RRT^(*))算法中引入自适应步长、设定等边圆锥采样区域、目标偏向策略和直连策略,加速路径生成并增强导向性。对初始路径进行冗余点去除与三次B样条曲线平滑处理,提升路径质量。通过BD-PSO算法确定多目标采摘顺序。实验结果表明,TG-RRT^(*)算法相较于传统快速扩展随机树(RRT)和RRT^(*)算法平均路径长度缩短23.18%、11.67%,平均时间降低12.59%、71.96%,平均迭代次数降低68.07%、31.58%。在多目标连续采摘路径规划仿真实验中,BD-PSO_TG-RRT^(*)算法与原PSO与TG-RRT^(*)结合算法相比,平均规划时间降低8.14%,平均迭代次数降低13.24%,BD-PSO_TG-RRT^(*)算法能够生成适用于机械臂多目标采摘的最优路径,有效缩短了采摘路径总长度,并显著减少了路径规划时间。研究结果为苹果采摘机器人在执行多目标连续采摘任务时提供了技术参考。
文摘针对复杂城市环境下无人机目标打击问题,引入一种基于电鳗觅食优化算法的无人机目标打击方法。该方法首先设置稀疏环境无敌防守和密集环境有敌防守2种场景并设计相应的约束条件和航迹优化代价函数以符合城市环境飞行需求,然后通过电鳗觅食优化算法(electric eel foraging optimization,EEFO)为无人机规划出一条合理的目标打击轨迹,最后得到其飞行轨迹和适应度值,并与SO,SCA,WOA,MFO,HHO 5种算法进行对比。实验结果表明,在稀疏环境无敌防守场景下EEFO算法比其他五种算法具有更高的轨迹规划效率和稳定性,消耗的航迹代价最小且收敛更快;在密集环境有敌防守场景下EEFO算法与其他5种算法相比,所规划出的目标打击轨迹最优且消耗的航迹代价收敛趋势更好,任务完成度最高,具有更好的表现。
文摘针对复杂输电环境下机械臂多目标点路径规划效率低、路径代价高的问题,提出了基于改进的人工势场引导的知情快速扩展随机树算法(improved artificial potential field-informed rapidly-exploring random trees star,IAPF-IRRT^(*))来提升路径规划的性能。首先引入长方体斥力场模型改进传统人工势场中球形斥力场模型,建立输电环境下复杂障碍物的斥力场。然后采用位置均匀分布的椭球域改进IAPF-IRRT*算法中的椭圆域,避免复杂输电环境下采样点出现局部冗余,提高搜索效率。最后引入三角寻优法优化路径中的冗余节点并结合三次样条插曲线对路径平滑处理。在三维简单、三维复杂和复杂输电环境这三组不同复杂程度的障碍物地图上进行验证,其结果表明:IAPF-IRRT*算法与标准RRT、RRT*算法相比,时间效率分别提升了44.8%~83.8%、68.3%~95.2%、26.5%~71.8%;路径代价分别降低了15.5%~35.0%、14.1%~35.3%、31.5%~43.5%;路径中的节点数量分别减少了75.6%~78.8%、75.0%~78.0%、70.4%~72.0%。
