关注
分享
本系列主要介绍机器人路径规划的常用算法，原理以及优缺点和适用场合
Nani_xiao
计算机视觉、感知算法、深度学习爱好者；传说中的“程序媛”；本博客用于记录业余时间的自学习笔记，欢迎交流讨论。
展开
-
机器人路径规划_人工势场法
机器人路径规划_人工势场法原理人工势场法是由Khatib提出的一种虚拟力法。原理是：将机器人在环境中的运动视为一种机器人在虚拟的人工受力场的运动。障碍物对机器人产生斥力，目标点对机器人产生引力，引力和斥力的合力作为机器人的加速力，来控制机器人的运动方向和计算机器人的位置。引力场（attraction）随机器人与目标点的距离增加而单调递增，且方向指向目标点；斥力场（repul原创 2015-12-17 16:22:10 · 31736 阅读 · 2 评论 -
机器人路径规划_蚁群算法
机器人路径规划_蚁群算法原理蚁群算法是模拟自然界中蚂蚁的觅食行为而形成的一种群体智能化算法。蚂蚁个体之间信息的传递是通过一种称为信息素的化学物质进行的。蚂蚁在寻找食物的过程中会释放一定量的信息素，并且蚂蚁在寻找食物的过程中会感知到信息素强度，并以此指导自己下一步的移动方向。当一条路径上信息素浓度越高就表明该路径上通过的蚂蚁的个数也就越多，其它蚂蚁选择该路径的可能性也就越大。蚂蚁原创 2015-12-17 16:24:02 · 12943 阅读 · 0 评论 -
机器人路径规划_A*算法
机器人路径规划_A*算法原理基本思想是：把初始点到达该节点的代价g(n)和从该节点到目标节点的代价h(n)结合起来对节点进行评价： f(n)=g(n)+h(n)其中：g(n)表示从起始节点到节点n的路径代价 h(n)表示从节点n到目标节点的最低代价路径的估计带价值 f(n)就是经过节点...原创 2015-12-17 16:27:41 · 13663 阅读 · 0 评论 -
机器人路径规划_遗传算法
机器人路径规划_遗传算法原理遗传算法（GeneticAlgorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，而一个种群则由经过基因（gene）编码的一定数目的个体(individual)组成。每个个体实际上是染色体(ch...原创 2015-12-17 16:29:32 · 11022 阅读 · 0 评论 -
机器人路径规划_人工蜂群算法
原理ABC(Artificial BeesColony)算法最先由Basturk等人提出并应用于函数优化问题，蜂群采蜜行为与函数优化问题对应关系如表1所示。由表1可知，ABC算法中，蜜源的位置对应函数优化问题的一个可行解，而蜜源的收益度(蜜量)对应问题的适应度(函数值)，寻找并采集蜜源的速度对应问题求解的速度。算法中参数描述为：NE 为采蜜蜂数量；NO 为跟随蜂数量；NS 为蜜蜂总原创 2015-12-17 16:32:35 · 5660 阅读 · 2 评论 -
机器人路径规划_粒子群算法
机器人路径规划_粒子群算法原理 PSO的基本思想是：鸟被抽象成没有质量和体积的“粒子”，解群相当于一个鸟群，“好消息”相当于解群每代进化中的最优解，食源相当于全局最优解，一地到另一地的迁徙相当于解群的计划。在PSO中，每个优化问题的解都是搜索空间中的一只鸟，我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值（fitness value）,每个粒子还有一个速度...原创 2015-12-17 16:37:02 · 12429 阅读 · 4 评论