针对无人机在复杂环境下的三维路径规划问题,集成传统的粒子群优化(particle swarm optimization,PSO)算法和灰狼优化(grey wolf optimization,GWO)算法,提出了一种PSO-GWO复合算法。首先,采用了非线性控制参数和加权自适应的个体位置...针对无人机在复杂环境下的三维路径规划问题,集成传统的粒子群优化(particle swarm optimization,PSO)算法和灰狼优化(grey wolf optimization,GWO)算法,提出了一种PSO-GWO复合算法。首先,采用了非线性控制参数和加权自适应的个体位置更新策略来平衡算法的全局搜索能力和局部搜索能力;然后,使用随机指导策略来增加解的多样性;最后,使用B样条曲线平滑所生成的飞行路径,使路径更适用于无人机。实验结果表明,PSO-GWO复合算法可以生成一条安全可行的路径,其性能明显优于GWO算法和其他改进GWO算法。展开更多
基金安徽省高等学校科学研究项目(2022AH050834)安徽理工大学引进人才科研启动基金项目(2022yjrc61)+1 种基金安徽理工大学矿山智能技术与装备省部共建协同创新中心开放基金项目(CICJMITE202206)Open Fund of State Key Laboratory of MiningResponse and Disaster Prevention and Control in Deep Coal Mines(SKLMRDPC22KF24)。
文摘针对无人机在复杂环境下的三维路径规划问题,集成传统的粒子群优化(particle swarm optimization,PSO)算法和灰狼优化(grey wolf optimization,GWO)算法,提出了一种PSO-GWO复合算法。首先,采用了非线性控制参数和加权自适应的个体位置更新策略来平衡算法的全局搜索能力和局部搜索能力;然后,使用随机指导策略来增加解的多样性;最后,使用B样条曲线平滑所生成的飞行路径,使路径更适用于无人机。实验结果表明,PSO-GWO复合算法可以生成一条安全可行的路径,其性能明显优于GWO算法和其他改进GWO算法。
文摘为实现差速驱动机器人在避障环境下的平滑最优路径规划,提出一种基于Bezier曲线的差速驱动机器人混合避障路径规划算法.首先,建立差速驱动机器人运动模型,用于操控左右两个驱动轮线速率,完成机器人转弯及非匀速运动;其次,利用Bezier曲线描述路径状态,将路径规划问题转换为产生Bezier曲线有限点方位优化问题,提升机器人的运动平滑性;最后,引入遗传算法将二维路径编码简化为一维编码问题,将路边约束、动态避障需求及最短路径需求混合成适应度函数,使机器人尽快脱离局部极小解,成功绕过障碍物抵达目标点.仿真实验结果表明,该方法的避障路径规划效果较好,避障路径距离为30.19 m,且避障用时低于对比方法,最长避障用时为5.3 min.
