基于辐射扫描算法的机器人路径规划与仿真

doi:10.16182/j.issn1004731x.joss.20-0279

系统仿真学报 ›› 2021, Vol. 33 ›› Issue (1): 84-90.doi: 10.16182/j.issn1004731x.joss.20-0279

• 物理效应/模拟器仿真技术 • 上一篇下一篇

基于辐射扫描算法的机器人路径规划与仿真

林彬, 韩光辉, 宋晨晨, 张雅静

大连海事大学信息科学技术学院,辽宁大连 116026

收稿日期:2020-05-09 修回日期:2020-08-11 发布日期:2021-01-18
作者简介:林彬(1977-),女,博士,教授,博导,研究方向为海上无线宽带通信与网络技术,网络规划,边缘计算,系统优化仿真。E-mail：binlin@dlmu.edu.cn
基金资助:
国家自然科学基金(61971083,51939001),大连市科技创新基金重点学科重大课题(2019J11CY015),教育部产学合作协同育人项目(201802330004,201801225040,201902136002),大连海事大学校级教改项目(2020Y105)

Traversal Path Planning and Simulation of Robot based on Radiation Scanning

Lin Bin, Han Guanghui, Song Chenchen, Zhang Yajing

College of Information Science and Technology, Dalian Maritime University, Dalian 116026, China

Received:2020-05-09 Revised:2020-08-11 Published:2021-01-18

摘要/Abstract

摘要： 针对基于生物激励神经网络(Biologically Inspired Neural Network,BINN)算法的机器人路径存在重复率高、转弯次数多的问题,提出一种将模板模型与辐射扫描(Radiation Scanning,RS)算法相融合的改进遍历路径规划算法(Improved Traversal Path Planning Algorithm,ITPPA)。利用BINN算法制定无障碍物行走策略;设计多个避障路径模板,保证机器人有序的避开障碍物;利用RS算法引导机器人迅速逃离死区。仿真结果表明：与BINN算法相比,ITPPA能够有效降低路径重复率和转弯次数,同时帮助机器人快速逃离死区,降低机器人能耗,提高了工作效率。

关键词: 机器人, 遍历路径规划, 生物激励神经网络, 模板模型, 辐射扫描

Abstract: Aiming at the high repetition rate and many turns of robot paths based on BINN algorithm, an ITPPA combining the template model and the RS algorithm is proposed. The BINN algorithm is used to formulate the non-obstacle walking strategy. Multiple obstacle avoidance path templates are designed to ensure that the robot could avoid obstacles in an orderly manner. RS algorithm is used to guide the robot to escape the dead zone quickly. Simulation results show that, compared with BINN algorithm, ITPPA could not only effectively reduce the path repetition rate and the number of turning and energy consumption while helping the robot to quickly escape from the dead zone, but also improve the efficiency.

Key words: robot, traversal path planning, biologically inspired neural network, template model, radiation scanning

中图分类号:

TP242

林彬, 韩光辉, 宋晨晨, 张雅静. 基于辐射扫描算法的机器人路径规划与仿真[J]. 系统仿真学报, 2021, 33(1): 84-90.

Lin Bin, Han Guanghui, Song Chenchen, Zhang Yajing. Traversal Path Planning and Simulation of Robot based on Radiation Scanning[J]. Journal of System Simulation, 2021, 33(1): 84-90.

参考文献

[1] 黄武. 智能机器人让你触摸未来[J]. 计算机与网络, 2020, 46(9): 15.
Huang Wu.Smart Robots Let You Touch the Future[J]. Computer and Network, 2020, 46(9): 15.
[2] 王洪斌, 尹鹏衡, 郑维, 等. 基于改进的A~*算法与动态窗口法的移动机器人路径规划[J]. 机器人, 2020, 42(3): 346-353.
Wang Hongbin, Yin Pengheng, Zheng Wei, et al.Mobile Robot Path Planning Based on Improved A~* Algorithm and Dynamic Window Method[J]. Robot, 2020, 42(3): 346-353.
[3] 张月. 清洁机器人全覆盖路径规划研究[D]. 重庆: 重庆大学, 2015.
Zhang Yue.Research on the Complete Coverage Path Planning of Cleaning Robot[D]. Chongqing: Chongqing University, 2015.
[4] Yang S X, Meng M.Neural Network Approaches to Dynamic Collision-free Trajectory Generation[J]. IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics (S1083-4419), 2001, 31(3): 302-318.
[5] Yang S, Luo C.A Neural Network Approach to Complete Coverage Path Planning[J]. IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics (S1083-4419), 2004, 34(1): 718-724.
[6] 刘晶, 姚维, 章玮. 移动机器人全覆盖路径规划算法研究[J]. 工业控制计算机, 2019, 32(12): 52-54.
Liu Jing, Yao Wei, Zhang Wei.Research on Complete Coverage Path Planning Algorithm of Mobile Robots[J]. Industrial Control Computer, 2019, 32(12): 52-54.
[7] 张志远, 赵幸, 靳晔. 基于生物激励神经网络的清洁机器人遍历路径规划算法的改进[J]. 轻工学报, 2018, 33(4): 73-78, 85.
Zhang Zhiyuan, Zhao Xing, Jin Ye.Improvement of Traversal Path Planning Algorithm of Cleaning Robot Based on Biologically Inspired Neural Network[J]. Journal of Light Industry, 2018, 33(4): 73-78, 85.
[8] 赵江, 王晓博, 郝崇清, 等. 栅格图特征提取下的路径规划建模与应用[J]. 计算机工程与应用, 2020, 56(10): 254-260.
Zhao Jiang, Wang Xiaobo, Hao Chongqing, et al.Path Planning Modeling and Application Based on Feature Extraction of Grid Graph[J]. Computer Engineering and Applications, 2020, 56(10): 254-260.
[9] 程啟忠. 无人船完全遍历路径规划的研究[D]. 重庆: 重庆邮电大学, 2019.
Cheng Qizhong.Research on Complete Coverage Path Planning of Unmanned Surface Vehicle[D]. Chongqing: Chongqing University of Posts and Telecommunications, 2019.
[10] 路春晖, 尹美琳, 付振楷, 等. 辐射扫描算法在无人船航迹规划中的应用[J]. 实验室研究与探索, 2019, 38(11): 34-37, 45.
Lu Chunhui, Yin Meilin, Fu Zhenkai, et al.Application of Radiation Scanning Algorithms in Unmanned Vessel Route Planning[J]. Research and Exploration in Laboratory, 2019, 38(11): 34-37, 45.

[1]	邓向阳, 张立民, 方伟, 汤淼. 基于双向汇聚引导蚁群算法的机器人路径规划[J]. 系统仿真学报, 2022, 34(5): 1101-1108.
[2]	龙艳琴, 乔贵方, 宋光明, 张颖, 程琳琳. 二维变刚度蛇形机器人的运动仿真与性能分析[J]. 系统仿真学报, 2022, 34(4): 759-767.
[3]	王语童, 马世伟, 杨元睿, 陈超宇. 多机器人组合最大覆盖面积寻优及预测方法[J]. 系统仿真学报, 2022, 34(1): 86-92.
[4]	于雅楠, 史敦煌, 华春杰. 特征点法SLAM视觉里程计自适应优化算法[J]. 系统仿真学报, 2022, 34(1): 104-112.
[5]	王伟, 陈志梅, 王贞艳. 直角坐标机器人补偿滑模交叉耦合控制研究[J]. 系统仿真学报, 2021, 33(4): 867-874.
[6]	蒋泽睿, 杨立军, 李俊, 焦晓龙, 郑航. 自动跟踪口腔手术灯的运动学分析与仿真[J]. 系统仿真学报, 2021, 33(12): 2864-2879.
[7]	任福深, 孙雅琪, 胡庆, 李兆亮, 孙鹏宇, 范玉坤. 基于Unity3D的水下机器人半实物仿真系统[J]. 系统仿真学报, 2020, 32(8): 1546-1555.
[8]	吴青青, 张奇志, 周亚丽. 变刚度双足机器人半被动行走控制研究[J]. 系统仿真学报, 2020, 32(8): 1588-1597.
[9]	熊俊峰, 何玉庆, 韩建达, 苑明哲. 基于LPV模型的水面机器人鲁棒航向控制[J]. 系统仿真学报, 2020, 32(8): 1598-1605.
[10]	郭冰菁, 韩建海, 李向攀, 闫琳. 步态康复机器人动力学李群李代数建模及仿真[J]. 系统仿真学报, 2020, 32(6): 1126-1135.
[11]	丁毓峰, 闵新普. 曲面零件抛光机器人的力/位混合控制方法[J]. 系统仿真学报, 2020, 32(5): 817-825.
[12]	吴伟, 李博, 刘娜娜, 马广志. 轮式牵引机器人优化设计及运动特性分析[J]. 系统仿真学报, 2020, 32(5): 918-926.
[13]	尤波, 王明睿, 李智, 丁亮. 基于模型预测控制的轮式移动机器人轨迹规划[J]. 系统仿真学报, 2020, 32(4): 591-600.
[14]	黄小琴, 陈力. 双柔臂空间机器人运动、振动一体化抗死区控制[J]. 系统仿真学报, 2020, 32(3): 430-437.
[15]	杨卫, 曾亮, 康新晨. 基于蚁群算法的群机器人自组织聚集行为建模[J]. 系统仿真学报, 2020, 32(2): 191-200.

基于辐射扫描算法的机器人路径规划与仿真

Traversal Path Planning and Simulation of Robot based on Radiation Scanning

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价