当前位置:底盘 >> 行业资讯    

机器人运动规划算法-仿生智能算法

编辑:创泽底盘      发布时间:2022/8/19      来源:混沌无形

与经典算法相比,智能算法能够较好适应复杂动态环境中的不确定、不完整的信息,但需要前期学习阶段和较高计算成本,适用于大型机器人,如无人车等。

神经网络规划算法

利用神经网络对机器人导航任务的输入、输出之间的复杂关系进行建模。如文献[2]提出了一种通过模仿学习过程构建机器人目标导向导航环境内部模型的分层结构。该方法以训练递归神经网络RNN的回声状态网络(Reservoir Computing)为基础。它由两个随机生成的RNN组成,一个用于建模定位,另一个用于学习导航。训练后的系统能够在较大的未知环境中定位,并成功导航至目标点。

模糊逻辑规划算法

除神经网络外,模糊逻辑可模仿人感知能力以适应环境中的不确定性。

Chang和T. Jin提出了一种模糊推理模型来解决移动机器人路径规划问题[6]。通过传感器感知机器人在未知动态环境下的目标/障碍物位置和当前速度。在模型中,三个主要的导航目标:目标取向(寻求目标),避障(避免障碍)和旋转运动(保持航向)都包含在一个成本函数找到最优的转向角θ。移动机器人通过根据环境改变成本函数的权重来实现智能导航

基于仿生的规划算法

受生物行为启发,将仿生算法应用于求解复杂运动规划问题能够得到良好的效果。

遗传算法

遗传算法是一种基于自然遗传学的优化工具,它利用了自然选择、交叉和突变等过程的优点。遗传算法在解决组合优化问题方面具有很大的潜力,如复杂环境下路径规划问题。

文献[8]遗传算法用于路径规划领域,并结合了小规模局部搜索,以适用于动静态环境。

文献[9]提出了一种基于遗传算法的动态路径规划算法(dynamic path planning algorithm, DPPA),可在U形、V形等套状障碍物中,或遇到动态障碍物的情况,生成可行的路径。

粒子群算法

与GA相似,PSO模仿鸟群觅食,通过粒子自我体验与社会经验迭代更新。

文献[11]中,Y. Zhang等人提出了一种不确定环境下基于PSO的多目标机器人路径规划算法,目标函数由风险度和路径距离组成,因此,路径规划问题被认为是一个具有不确定系数的约束双目标优化问题。

极坐标PSO (polar coordination PSO, PPSO)用于动态环境下的机器人路径规划[12],该算法将任务分解为全局规划阶段和局部规划阶段。它可以根据静态障碍物信息寻找全局最优路径。然后,采用在线实时路径规划策略,通过预测障碍物的未来位置来避开移动障碍物。

蚁群算法

蚁群算法与PSO算法均属于通过群体行为实现数据聚类的算法。在[13]中,X. Chen等人提出了两阶段蚁群算法模型,该模型能够克服早熟收敛与最优路径之间的主要不一致性问题。

在文献[14-15]中,提出了一种基于蚁群优化的最优路径规划方法。将机器人视为一个点,使其在离散的工作环境表示中占有一个精确的单元。在模糊逻辑系统评价的代价函数中,考虑了路径的长度和导航的难度。该算法具有环境变化的自适应能力,可以实现具有动态障碍物的机器人全局路径规划。

总体来看,仿生智能算法能够规划出最优或次优的路径,但它们的收敛速度是无法确定的,且其规划的时间一般较长,因此不适用于实时性要求高的应用场景,多数被应用于离线寻优计算,如物流配送规划、新药物结构探索等领域。



推荐信息
»机器人运动规划算法-曲线插值拟合算法
»机器人运动规划算法-空间采样算法
»机器人运动规划算法-图规划算法
»激光雷达的室内廊道建模及定位
»基于2D激光雷达的激光雷达感知建模方案
»创泽轮式机器人底盘
»创泽方形机器人底盘
»创泽圆形机器人底盘
产品中心
 
 
 
 
版权所有 © 北京创泽智慧机器人科技有限公司       地址:北京 清华科技园C座五楼       电话:4006-937-088       京ICP备20010582号-2