路徑規劃算法
關注創建者：匿名 創建時間：2022-01-17
路徑規劃算法的視頻教程
1-39基于matlab的全局路徑規劃算法中的快速擴展隨機樹RRT路徑規劃算法及其改進方法RRT Star
基于matlab的全局路徑規劃算法中的快速擴展隨機樹RRT路徑規劃算法及其改進方法RRT Star、RRT_Conncet是一種具有狀態約束的非線性系統生成開環軌跡的技術，相比于其他算法可以輕松處理障礙物的問題。程序中的各參數已進行詳細說明，起點坐標，終點坐標，步長，迭代數等均可根據需求進行更改，程序已調通。 購買后可下載視頻中的源程序文件。
￥25.9 3分鐘 8播放
查看
1-89基于matlab的人工蜂群和粒子群混合優化的路徑規劃算法
基于matlab的人工蜂群和粒子群混合優化的路徑規劃算法，起點和終點確定的前提下，在障礙物中尋找最佳路徑。數據可更換自己的，程序已調通，可直接運行。 購買后可下載視頻中的源程序文件。
￥25.9 1分鐘 4播放
查看
路徑規劃算法的實例教程
基于matlab的全局路徑規劃算法中的快速擴展隨機樹RRT路徑規劃算法及其改進方法RRT Star、RRT_Conncet是一種具有狀態約束的非線性系統生成開環軌跡的技術，相比于其他算法可以輕松處理障礙物的問題。程序中的各參數已進行詳細說明，起點坐標，終點坐標，步長，迭代數等均可根據需求進行更改，程序已調通。
Taheri等［15］基于RRT算法提出了模糊貪婪快速探索隨機樹算法，減少了節點的數量，降低了算法的計算復雜度；宋曉琳等［16］利用高斯分布函數結合期望路徑模型，在RRT算法中引入啟發式搜索機制尋找合適的避障路徑，最后用B樣條曲線插值的方法進行光滑化處理，解決了RRT算法規劃的路徑不平滑的問題；杜明博等［17］在RRT算法基礎上結合了環境約束和車輛自身的約束，實現了復雜的低速環境的路徑規劃。基于離散優化的路徑規劃方法是用數值積分和微分等方程來描述車輛的運動，從而產生數量有限的候選路徑，并通過設計代價函數，從候選路徑中選擇最優路徑［18-19］。該方法計算量小，實時性好，在近年來得到了廣泛應用［20］。Chu等［18］提出了一種基于此方法的算法，但未考慮城市中多車道的情況。周惠子等［21］提出了一種加權碰撞檢測的方法，在路徑規劃中考慮了多車道的工況，該方法可滿足車輛對靜止障礙的避障要求，但未考慮車輛對移動障礙的避障要求。Hu等［20］在此基礎上考慮了移動障礙，并提出了一種新的移動障礙安全性代價函數，但是該方法僅考慮了同向行駛的動態車輛，未考慮行人等移動隨機性較大的障礙，具有一定的局限性。陳成等［22］提出了一種基于4階貝塞爾曲線的軌跡規劃方法，采用優化方法求解最優軌跡。張琳等［23］引入了滾動窗口優化策略，根據最優指標決策出當前規劃窗口的局部最優路徑。Li等［24］基于離散優化的方法提出了一種實時的軌跡規劃框架，并在實際道路環境中驗證了算法的可行性。Lim等［25］提出了一種基于采樣和優化方法相結合的分層軌跡規劃方法，仿真表明該算法適用于多種城市場景。Zhang等［26］結合多種方法提出了一種混合軌跡規劃算法，該方法考慮了車輛的幾何約束及非完整約束，規劃路徑較為平滑。
展開 基于滾動窗口的路徑規劃算法依靠實時探測到的局部環境信息，以滾動方式進行在線規劃。在滾動的每一步，根據探測到的局部信息，用啟發式方法生成優化子目標，在當前滾動窗口內進行局部路徑規劃，然后實施當前策略(依局部規劃路徑移動一步)，隨滾動窗口推進，不斷取得新的環境信息，從而在滾動中實現優化與反饋的結合。由于規劃問題壓縮到滾動窗口內，與全局規劃相比其計算量大大下降。
基于滾動窗口的路徑規劃算法的具體步驟如下：
步驟0：對起點、終點、工作環境、機器人的視野半徑、步長進行初始化；
步驟1：如果終點到達，規劃中止；
步驟2：對當前滾動窗口內的環境信息進行刷新；
步驟3：產生局部子目標；
步驟4：根據子目標及已知環境信息，在當前滾動窗口內規劃一條優化的局部可行路徑；
步驟5：依規劃的局部路徑行進一步，步長小于視野半徑；
步驟6：返回步驟1。
2.3.2 滾動在線RRT算法流程
在一個滾動窗口內，隨機樹以當前位置為起始點，構建傳感器范圍內的隨機樹。構建方法與基本RRT算法一致。為了使全局環境中隨機樹具有向目標方向生長的趨勢，在運動規劃時引入啟發信息，減少隨機樹的隨機性，提高搜索效率。
令 代表隨機樹中兩個位姿節點間的路徑代價， 代表隨機樹中兩個位姿節點間的歐幾里德距離。類似于A*算法，本算法為隨機樹中每個節點定義一個估價函數： 。其中 是隨機節點 到樹中節點 所需的路徑代價。 為啟發估價函數，這里取隨機節點 到目標點 的距離為估價值， 。因此 表示從節點 經隨機節點 到目標節點 的路徑估計值。遍歷滾動窗口內隨機樹T，取估價函數最小值的節點 ，有 。
展開 滾動規劃算法的基本原理：
環境信息預測：在滾動的每一步，機器人根據探測到的視野內的信息、或所有已知的環境信息，建立環境模型，包括設置已知區域內的節點類型信息等；
局部滾動優化：將上述環境信息模型看成一個優化的窗口，在此基礎上，根據目標點的位置和特定的優化策略計算出下一步的最優子目標，然后根據子目標和環境信息模型，選擇局部規劃算法，確定向子目標行進的局部路徑，并實施當前策略，即依所規劃的局部路徑行進若干步，窗口相應向前滾動；
反饋信息校正：根據局部最優路徑，驅動機器人行走一段路徑后，機器人會探測到新的未知信息，此時可以根據機器人在行走過程探測到的新信息補充或校正原來的環境模型，用于滾動后下一步的局部規劃。
其中，局部子目標是在滾動窗口中尋找一個全局目標的映射，它必須避開障礙物，且滿足某種優化指標。子目標的選擇方法反映了全局優化的要求與局部有限信息約束的折衷，是在給定信息環境下企圖實現全局優化的自然選擇。
基于滾動窗口的路徑規劃算法依靠實時探測到的局部環境信息，以滾動方式進行在線規劃。在滾動的每一步，根據探測到的局部信息，用啟發式方法生成優化子目標，在當前滾動窗口內進行局部路徑規劃，然后實施當前策略(依局部規劃路徑移動一步)，隨滾動窗口推進，不斷取得新的環境信息，從而在滾動中實現優化與反饋的結合。由于規劃問題壓縮到滾動窗口內，與全局規劃相比其計算量大大下降。
展開 因此，無人機作業的4D路徑規劃是本文研究的重點，提出了基于群的方法來解決這一復雜的優化問題。在“空中矩陣”框架下，該問題分為兩個層次解決，即單個無人機的三維路徑規劃和無人機之間的沖突解決，在多路徑規劃層面，為每架無人機生成多個可供選擇的飛行路徑，以提高飛行請求的接受率，考慮了單一飛行路徑和兩種不同飛行路徑的約束條件。目標是獲得幾種不同的短飛行路徑作為選擇。采用一種改進的聚類蟻群優化算法(CIACO)求解多路徑規劃問題，在聚類中采用了擁擠機制，并對聚類算法進行了改進，增強了迭代早期和后期的全局和局部搜索能力。在任務調度層面，定義了兩種情況下兩架無人機之間的沖突。一種是針對通過同一路徑點的時間間隔，另一種是針對兩架無人機的直角碰撞。根據安全要求，提出了一個三層適應度函數，以最大限度地增加允許飛行次數，同時考慮了空域的利用情況和操作者的要求。提出了一種“交叉”策略來計算適應度值，并應用了一種“分布式-集中式”策略來考慮無人機的任務優先級。基于遺傳算法(GA)的任務調度算法也被開發到所建立模型的特征。
展開 
路徑規劃算法的相關專題、標簽、搜索
路徑規劃算法的最新內容
國產三坐標測量機響應快，聚焦行業定制化能力強
1、對新能源汽車熱管理系統，定制“大行程+長測桿”的解決方案：Mars 8106三坐標測量機的1.2米X軸行程覆蓋散熱器整體，100mm加長測針深入0.3mm寬的散熱片間隙，配合智能路徑規劃算法，避免測針與密集結構碰撞，單件檢測效率大大提高，解決了國內車企“高產能+高精度”的需求。
核心算法全解析9個月前
三坐標測量的微米級精度背后，是精密的路徑規劃算法與實時補償技術在保駕護航。三坐標測量機的智能避撞算法保障了測量的安全與高效；溫度補償技術消除了環境的無形干擾；點云智能處理則讓海量數據蛻變為精準的工程決策依據。
“智能避讓路徑”（如圓弧避撞）的數學建模邏輯解析
面對復雜工件與夾具，傳統直線路徑極易引發碰撞。
需要通過路徑規劃算法計算出一條從起始點到目標點的最短路徑，并且該路徑不與任何障礙物發生碰撞。這種路徑規劃在機器人導航、自動駕駛和工業自動化等領域中具有重要應用。圖1展示了一個典型的三維空間避障路徑規劃問題。
包括蟻量系統、蟻周系統、蟻密系統、蟻群系統、免疫混合算法。11種路徑規劃數據，最多225個規劃點。蟻群和免疫算法的參數可進行設置，使得效果最佳。動態顯示可視化規劃結果。程序已調通，可直接運行。
基于matlab的3D路徑規劃，蟻群算法（ACO）和天牛須（BAS）以及兩種結合的三種優化方式，對3D路徑規劃的最短路徑進行尋優。程序已調通，可直接運行。
基于matlab的Dijkstra算法進行路徑規劃。可根據實際情況輸入障礙物和起止點坐標信息； 輸出避碰最短路徑； 能夠利用切線圖算法對障礙物區域進行環境建模，設置障礙物的位置和區域。利用Dijkstra算法進行路徑規劃。程序已調通，可直接運行。
基于matlab的無人機路徑規劃，包括2D路徑和3D路徑，三種優化算法，分別是蝙蝠算法（BA）、蝙蝠算法融合差分進化算法(DEBA)、結合人工勢場方法的改進混沌蝙蝠算法(CPFIBA)。輸出距離迭代曲線和規劃的路徑。程序已調通，可直接運行。
基于matlab的多目標遺傳算法的無人機航路規劃。在三維航路中進行航路代價估計，綜合考慮路徑長度、隱蔽性、危險度，規劃出最優路徑。輸出3D規劃路徑。程序已調通，可直接運行。
基于matlab的蟻群算法路徑尋優的GUI實例程序代碼，通過MATLAB GUI框架編寫，生動形象逼真， 很好的詮釋了蟻群算法的原理。可主動輸入優化方法的參數，包括地圖和測試數據，可輸出路徑結果。程序已調通，可直接運行。
基于matlab的A星算法和PSO算法實現路徑規劃動畫演示，具有GUI界面，可自主生成障礙物。移動靶路徑規劃。程序已調通，可直接運行。
