一、基于禁忌搜索的启发式任务路径规划算法（论文文献综述）
韩慧轩,周顺,周海波[1]（2021）在《障碍条件下串联机械手运动规划设计》文中指出障碍条件下机械手运动规划问题是机器人技术的研究热点,可分为路径规划、轨迹规划和轨迹优化等三部分,运动规划的优劣影响着机械手的工作质量和效率。基于障碍条件下系统设计了机械手运动规划算法框架,即路径规划用于有效避障,轨迹规划保证运动连续平滑,轨迹优化达到高效运行,以此来满足不同工况需求。同时阐述了运动规划涉及到的相关算法,针对其优缺点、适用场景、研究进展进行对比分析,为机械手运动规划设计提供参考依据。
牛鹏飞,王晓峰,芦磊,张九龙[2]（2022）在《强化学习在车辆路径问题中的研究综述》文中指出车辆路径问题是物流运输优化中的核心问题,目的是在满足顾客需求下得到一条最低成本的车辆路径规划。但随着物流运输规模的不断增大,车辆路径问题求解难度增加,并且对实时性要求也不断提高,已有的常规算法不再适应实际要求。近年来,基于强化学习算法开始成为求解车辆路径问题的重要方法,在简要回顾常规方法求解车辆路径问题的基础上,重点总结基于强化学习求解车辆路径问题的算法,并将算法按照基于动态规划、基于价值、基于策略的方式进行了分类;最后对该问题未来的研究进行了展望。
唐灿,宗望远,黄小毛,罗承铭,李文成,王绍帅[3]（2021）在《农用无人机多机多田块作业路径规划算法》文中进行了进一步梳理针对含障碍物多田块条件下的多台农用无人机路径规划问题,研究提出一套完整的多无人机协同作业路径优化算法解决方案。以最小转移路径长度为作业优化目标,先基于多边形扫描填充算法计算出水平航向条件的初始覆盖作业航线,对航线间危险转移过程进行安全边界相交性测试,每单一田块分别采用凸多边形"最小跨度法"和非凸多边形"步进旋转法"优化作业航向。然后建立航线调度及航次规划数学模型,并基于Google OR-Tools开源优化软件套件进行求解。对比不同航线组合调度策略下的作业效果,以及考虑消耗品补给时的OR-Tools 5种优化搜索策略算法与无人机沿航向方向等面积划分算法的作业优化效果。针对4组假想田块和真实田块的算例仿真试验表明,该算法能够有效地实现多田块在满足各种约束条件下的多机协同路径规划,算法耗时70～552 s,相比于等面积划分算法,航线间转移路径总长度下降24.86%～47.10%。
殷承铭[4]（2021）在《AGV系统的路径规划算法研究》文中指出
褚俊娴[5]（2021）在《智能包装车间AGV路径规划与动态调度研究》文中认为
孙丽君,周雅娴,滕玥,胡祥培[6]（2021）在《多车舱车辆路径问题的研究现状与发展》文中进行了进一步梳理多车舱车辆路径问题（multi-compartment vehicle routing problem,MCVRP）的研究是油品配送、零售店商品配送、冷链物流、垃圾回收等多个领域关注的焦点问题之一,其研究具有重要的理论和实践意义.本研究从问题结构和研究领域两个视角对多车舱车辆路径问题的国内外文献进行梳理、归纳和总结,把握问题的研究方向、研究方法及主要应用领域,指出研究空白和潜在的研究热点,分析相关领域研究的必要性和迫切性,并对未来研究方向进行展望,旨在推进多车舱车辆路径问题的理论研究和实际应用领域的发展.
韩岩峰[7]（2021）在《基于深度强化学习的无人物流车队配送路径规划研究》文中研究指明随着自动驾驶和人工智能技术的发展,无人物流车队在城市区域内的配送货物发挥了越来越重要的作用。针对传统算法在求解城市末端区域内无人物流车队配送中面临的时效性差,往往陷入次优解,配送规模扩大时间成本指数增加等亟待解决的问题,本文提出了一种改进的基于注意力机制和深度强化学习算法的方法,并将其应用于带时间窗的无人物流车队的配送路径规划问题和考虑区域拥堵的带时间窗的无人物流车队的配送路径规划问题。本研究面向城市“最后一公里”无人物流车队配送路径规划问题,以带时间窗的无人物流车队配送路径和考虑区域拥堵的带时间窗的无人物流车队配送路径成本最优化,用车数量成本最小化为目标,从人工智能的方向挖掘对城市区域物流车队配送问题的求解方法。通过遵守软时间窗约束和配送车容量约束,满足配送客户随机需求,完成对无人物流车队的配送路线规划。模型代表了一个参数化的策略和一个参数化的价值评判网络,应用强化学习算法基于序列奖励通过回合更新方式来训练优化模型。本文主要工作如下:（1）提出了一种改进的基于深度强化学习算法的注意力机制模型。该模型基于端到端的思想,一端是将带时间窗的物流车队路径问题输入训练好的模型中,另一端可以快速有效率的给出整个车队路线调度。通过设计深度神经网络模型,搭建强化学习状态信息融合模块、注意力机制模块和递归神经网络模块作为策略网络,搭建价值网络,设计奖励函数、状态转移函数、屏蔽函数,构建强化学习算法并应用该算法训练模型。（2）将搭建的基于深度强化学习算法的注意力机制模型应用于城市末端区域内无人物流车队配送的路径规划问题,重点研究了带软时间窗的无人配送车队在城市末端区域内的配送路径问题。为了提高模型收敛速度、求解效率、求解质量,本文通过对奖励函数不断调整改进,在奖励函数中加入相应惩罚;改进顾客节点屏蔽方案;优化强化学习状态转移函数等主要三个方面优化改进模型。（3）在上述研究的基础上,将区域拥堵因素加入带时间窗的无人配送车队配送路径问题,将基于深度强化学习算法的注意力机制模型应用于考虑区域拥堵的无人物流车队配送路径规划问题。通过对模型进一步修改和改进,增加模型对拥堵区域信息（拥堵半径,拥堵中心,拥堵强度）的信息处理,将其作为深度强化学习的状态考虑因素。数值实验表明,模型能够快速解决不同顾客节点规模的带时间窗车辆路径问题,特别是在顾客节点配送规模扩大时能够高效地给出良好的车队规划路线;在小规模问题的求解方面模型在采用贪婪解码策略时和遗传算法的解相差不大,但对于顾客规模扩大时本文模型表现相对较好,在路径成本和用车数量成本方面要优于遗传算法;通过对比顾客节点两种解码策略,分析发现训练阶段顾客节点采用随机解码策略,使得模型尝试探索更多解空间,有效避免陷入局部最优,测试阶段采用贪婪解码方式,可有效提高模型在车队总路径成本,车队数量规模,时间效率等方面的效果。此外,基于深度强化学习算法的改进模型能够快速高效率处理城市区域拥堵的无人车队配送路径规划问题。
陈展[8]（2021）在《AGV调度系统的路径规划优化和通讯适配技术的研究》文中进行了进一步梳理自动导引车（Automated Guided Vehicle,AGV）,是配置相应导航定位功能的自动导引装置,能够沿系统规划的路径行驶,具有安全保护且能完成各种任务作业的自动设备,是现代工业自动化物流系统重要的组成部分,具有环境适应性强、自动化程度高、安全灵活和便于维护的特点。在食品加工、电子电器、机械加工和新能源化工等领域,其产品、技术及解决方案具有日益广泛的应用场景。而AGV调度系统在AGV集群的协同作业中,是决定整体解决方案可行性和效率的关键因素。论文分别对国内外AGV调度系统在路径规划技术,AGV调度系统对不同导航方式、轮系AGV的通用兼容性,两方面的研究现状进行了深入调研。依据AGV系统的项目需求,优化开发AGV调度系统框架,通过上位机的Kernel控制台应用程序、Kernel Control Center配置程序、Plant Overview控制程序和i Cloudy的Web页面程序,实现路径规划优化和AGV的通讯适配驱动,并模块化设计完成:地图模型构建、交通管理和运维监控的功能。针对路径规划模块,在求解多源最短路径时,采用基于禁忌搜索的多AGV系统路径优化算法,改善传统经典路径搜索算法的收敛速度限制和运算空间瓶颈,并引入路径能耗属性、时间属性和路径负载均衡目标参数的优化效果。模块化开发集成到Kernel运算内核,通过分组仿真实验证明该方法的优越性和必要性。然后为AGV系统设计一种高效稳定的通讯方案,通过对比常用无线通讯传输技术基于通讯覆盖范围、传输速率、实时性以及AGV系统工作环境要求,确定合理的WLAN网络拓扑结构,定义了上位机调度系统与AGV的通讯协议内容,开发兼容导航方式和轮系的AGV通讯适配驱动,测试其稳定性和可靠性。最后对AGV调度系统实验联调,通过对某工厂物流搬运系统的真实物理环境地图建模,配置AGV状态属性,分组派发不同规模的任务订单,跟踪系统运行流程和任务作业执行全过程。对调度系统框架及算法实现进行验证,实验结果满足预期设计目标,具备一定的可行性,稳定性和优越性,具有重要的学术研究和工程应用意义。
Bolatov Nurbol（杰克）[9]（2021）在《移动机器人的路径规划与跟踪方法研究》文中研究指明机器人学是一个涵盖范围非常广的领域,移动机器人学被认为是其中的一个重要分支,是国际信息学科研究的热点问题。移动机器人物理位置不固定,其具有在其环境中移动的能力,可以是自主的,也可以依靠引导装置在相对受控的空间中导航。路径规划技术是智能化移动机器人领域的重要研究方向。随着科技的不断进步与发展,单方向移动机器人难以完成复杂的工作,而多方向移动机器人在工作效率上具有很强大的优势。因此成为广大学者研究的热点。移动机器人要完成特定的任务,需要从起始地点沿着规划好的轨迹移动到目标地点,涉及到对路径的跟踪。首先,移动机器人的工作环境复杂多样,为了能够使移动机器人在多种环境下工作,路径规划不可或缺;其次,由于不同的环境对移动机器人的要求不同,比如有的环境下要求机器人安全性第一,对速度要求不高,有的场合则对速度要求高,稳定性次之,因此如何在复杂多变的环境中以尽量小的偏差跟踪己经规划好的路径,并且能够躲避静态、动态的障碍,成为移动机器人研究的重要课题。本论文主要研究面向环境的机器人自主规划方法,建立机器人认知与规划系统,提升机器人的任务认知和规划能力,研究机器人动态轨迹规划和导航方法,提升机器人导航的安全性和效率。本文开展的工作为移动机器人最优轨路径的研究,其主要组织结构如下:（1）介绍了对路径规划问题研究的背景及意义,剖析了当前移动机器人在国内及国际上的研究现状,并且对移动机器人下一步的发展方向做出了合理有效的分析。（2）对移动机器人路径规划进行概述。详尽的介绍了目前应用于路径规划上的算法、路径规划分类方法,对路径规划发展趋势作了合理的分析。（3）为势场蚁群算法在移动机器人路径规划上的应用。首先对基本蚁群算法进行概述,从蚁群算法基本原理到环境建模、目标函数建立、路径搜索机制。分析了蚁群相关参数对算法性能的影响并选择出合理的蚁群参数。（4）从路径的局部重新规划、机器人建模、以及MPC跟踪器的设置等方面设计机器人路径跟踪方法。（5）对前文所探索的方向进行概括,对以后进行的研究方向进行选择。
张友盼[10]（2021）在《具有航向约束的移动机器人路径规划算法研究》文中研究说明如今对于移动机器人路径规划技术的研究不仅仅要完成基本的路径搜索任务,更需要提升移动机器人运动的高效性、安全性、智能性。当机器人的定位信息或环境先验信息无法全部掌握时,随着障碍物与目标点位置的更新,机器人也需要更新规划的路径,使机器人面临突发情况时更加从容。虽然该类型的局部路径规划可以让机器人更好的面对不确定情况,但频繁的路径重规划容易导致机器人的航向出现波动。A*算法自身启发函数容易处理,代价值计算简单,非常适合航向约束算法的路径规划研究。本文就A*算法进行路径重规划时引起航向波动影响机器人安全性的问题,改进提出了一种具有航向约束的路径规划算法,通过引入改进后的zhang-suen算法寻找满足航向约束的路径节点,从而解决机器人航向波动的问题,提高机器人的安全性。本文的主要工作如下:首先,确立了移动机器人路径规划的总体设计方案。以轮式机器人综合系统为研究对象,通过激光雷达传感器进行信息采集,并用栅格法对实际工作环境进行建模,建模过程包括机器人位置栅格化、障碍物膨胀、栅格信息编码等。在航向约束算法找到路径后用B样条曲线对路径进行简单的优化。其次,针对A*算法在进行路径重规划时,只对路径长短选择而忽略机器人航向信息调整从而导致航向波动的问题。本文将图像处理领域的zhang-suen算法引入到基于栅格地图的机器人路径规划中,并对其进行一定的改进,使算法连入机器人的起点与目标点信息,利用zhang-suen算法的全局性搜索特点避免陷入可通行轨迹的局部最优问题,进而由通行骨架寻找满足航向约束的路径节点,并最终生成满足机器人航向约束的最优路径。最后,在仿真软件webots上进行了具有航向约束的移动机器人仿真实验。为了检验航向约束算法的有效性,构建了简单与复杂2种工作环境供机器人实验验证。实验时记录机器人每次产生波动的航向角γ以及改进后的γ′,得出实验数据。由仿真数据的表明,具有航向约束的移动机器人进行路径重规划时,成功改变了航向角γ,解决了应用传统A*算法的移动机器人导致航向波动问题,提高了机器人的安全性。
二、基于禁忌搜索的启发式任务路径规划算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于禁忌搜索的启发式任务路径规划算法（论文提纲范文）
（1）障碍条件下串联机械手运动规划设计（论文提纲范文）
| 1 算法架构 |
| 2 路径规划 |
| 2.1 路径规划算法 |
| 2.1.1 传统算法 |
| 2.1.2 基于图的搜索算法 |
| 2.1.3 基于仿生学算法 |
| 2.2 碰撞检测 |
| 2.2.1 人工示教法 |
| 2.2.2 层次包络盒法 |
| 3 轨迹规划 |
| 3.1 多项式插值算法 |
| 3.1.1 单一多项式插值法 |
| 3.1.2 分段多项式插值法 |
| 3.2 样条曲线插值算法 |
| 4 轨迹优化 |
| 4.1 传统算法 |
| 4.1.1 差分进化算法 |
| 4.1.2 遗传算法 |
| 4.2 基于仿生学算法 |
| 4.2.1 粒子群算法 |
| 4.2.2 模拟退火算法 |
| 5 结论 |
（2）强化学习在车辆路径问题中的研究综述（论文提纲范文）
| 1 基于常规方法求解VRP技术 |
| 2 强化学习概述 |
| 2.1 强化学习基础 |
| 2.2 强化学习算法分类 |
| 3 基于模型的算法 |
| 3.1 动态规划算法 |
| 3.1.1 基于近似动态规划的方法 |
| 3.1.2 基于深度动态规划的方法 |
| 3.1.3 基于动态规划的方法总结 |
| 3.1.4 动态规划算法局限性分析 |
| (1）维数灾难 |
| (2）系统不可知 |
| (3）实时求解效率低 |
| (4）鲁棒性差 |
| 3.1.5 基于动态规划求解VRP分析对比 |
| 4 无模型的算法 |
| 4.1 基于值函数的算法 |
| 4.1.1 时序差分算法 |
| 4.1.2 Q-learning算法 |
| 4.1.3 DQN算法 |
| 4.1.4 DQN算法总结 |
| 4.1.5 DQN算法局限性分析 |
| (1）过拟合问题 |
| (2）样本利用率低 |
| (3）得分不稳定 |
| 4.1.6 Dueling DQN算法 |
| 4.1.7 Dueling DQN算法总结 |
| 4.2 基于策略的方法 |
| 4.2.1 蒙特卡洛REINFORCE方法 |
| (1）基于Ptr-Net的深度强化学习模型总结 |
| (2）基于transformer的深度强化学习模型总结 |
| (3）强化学习与局部搜索算法结合的模型总结 |
| 4.2.2 REINFORCE算法局限性分析 |
| (1）数据利用率低 |
| (2）算法收敛速度慢 |
| (3）算法收敛性差 |
| 4.2.3 Actor-Critic算法 |
| 4.2.4 Actor-Critic算法局限性分析 |
| (1）学习效率低 |
| (2）收敛速度慢 |
| 4.2.5 Advantage Actor-Critic算法 |
| 4.3 基于动态规划求解VRP分析对比 |
| 5 强化学习算法总结分析 |
| 6 结论与展望 |
| (1）建立更小误差的环境模型。 |
| (2）提高数据采样率。 |
| (3）设计更加高效的模型。 |
| (4）选择更加合适模型训练算法。 |
| (5）提升模型稳定性。 |
| (6）提高解决现实工程问题的能力。 |
（3）农用无人机多机多田块作业路径规划算法（论文提纲范文）
| 1 材料与方法 |
| 1.1 算法总体流程 |
| 1.2 航线调度优化 |
| 1.3 按需多次补给 |
| 2 结果与分析 |
| 3 讨 论 |
（7）基于深度强化学习的无人物流车队配送路径规划研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 无人车队城市“最后一公里”配送问题 |
| 1.3 无人车队路径规划问题 |
| 1.3.1 车辆路径问题及其变种问题 |
| 1.3.2 车辆路径问题求解算法 |
| 1.3.3 带时间窗的无人物流车队路径问题 |
| 1.4 国内外研究现状 |
| 1.4.1 无人物流车路径问题研究现状 |
| 1.4.2 带时间窗车辆路径问题国内研究现状 |
| 1.4.3 带时间窗车辆路径问题国外研究现状 |
| 1.5 研究内容 |
| 1.6 技术路线 |
| 2 深度强化学习理论 |
| 2.1 深度学习思想原理概述 |
| 2.1.1 LSTM长短时记忆神经网络 |
| 2.1.2 Encoder Decoder框架 |
| 2.1.3 Attention注意力机制原理 |
| 2.2 强化学习思想 |
| 2.2.1 马尔科夫决策过程 |
| 2.2.2 策略梯度法 |
| 2.2.3 Actor Critic算法框架 |
| 2.3 本章小结 |
| 3 带时间窗无人物流车队路径问题及其求解模型 |
| 3.1 基于深度强化学习的VRPTW问题 |
| 3.2 无人配送车队路径规划模型 |
| 3.2.1 顾客状态信息融合模块 |
| 3.2.2 注意力机制模块 |
| 3.2.3 长短时记忆神经网络模块 |
| 3.2.4 价值网络模型 |
| 3.2.5 顾客屏蔽方案 |
| 3.2.6 解码策略 |
| 3.3 深度强化学习环境设计 |
| 3.3.1 奖励函数设计 |
| 3.3.2 状态转移函数 |
| 3.4 深度强化学习算法的训练 |
| 3.4.1 目标函数 |
| 3.4.2 梯度估计 |
| 3.4.3 强化学习算法 |
| 3.5 本章小结 |
| 4 带时间窗无人车队配送路径规划实验 |
| 4.1 训练准备 |
| 4.1.1 训练验证软硬件 |
| 4.1.2 训练集验证测试集数据集生成 |
| 4.1.3 车辆信息 |
| 4.1.4 模型参数 |
| 4.2 数值实验 |
| 4.2.1 VRPTW-10 训练验证测试分析 |
| 4.2.2 VRPTW-20 训练验证测试分析 |
| 4.2.3 VRPTW-50 训练验证测试分析 |
| 4.2.4 VRPTW-100 训练验证测试分析 |
| 4.3 实验结果对比分析 |
| 4.4 本章小结 |
| 5 考虑区域拥堵的无人配送车队路径规划 |
| 5.1 考虑区域拥堵的车辆路径问题 |
| 5.2 区域拥堵原因及对无人物流车队配送的影响 |
| 5.2.1 区域拥堵原因 |
| 5.2.2 区域拥堵对无人物流车队配送的影响 |
| 5.2.3 区域拥堵相关指标 |
| 5.3 区域拥堵相关设置 |
| 5.4 考虑区域拥堵的无人配送车队行驶时间 |
| 5.5 考虑区域拥堵的无人配送车队路径规划模型 |
| 5.6 考虑区域拥堵的无人配送车队路径规划实验 |
| 5.6.1 训练准备 |
| 5.6.2 数值实验 |
| 5.7 考虑区域拥堵的无人配送车队路径规划汇总分析 |
| 5.8 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
（8）AGV调度系统的路径规划优化和通讯适配技术的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 论文主要研究目标 |
| 1.4 论文内容结构 |
| 第2章 AGV调度系统的架构设计 |
| 2.1 系统架构 |
| 2.2 环境建模 |
| 2.2.1 环境建模方法 |
| 2.2.2 调度系统环境建模 |
| 2.3 任务订单派发 |
| 2.4 交通管理 |
| 2.4.1 路径冲突类型 |
| 2.4.2 路径资源分配机制 |
| 2.4.3 阻塞 |
| 2.5 iCloudy的运维监控系统 |
| 2.5.1 运维监控 |
| 2.5.2 客户端实现 |
| 2.6 本章小结 |
| 第3章 AGV调度系统的路径规划算法 |
| 3.1 路径规划算法介绍 |
| 3.2 禁忌搜索算法 |
| 3.2.1 算法结构设计 |
| 3.2.2 算法步骤实现 |
| 3.3 仿真实验分析 |
| 3.4 本章小结 |
| 第4章 AGV调度通讯系统的设计与实现 |
| 4.1 通讯系统结构 |
| 4.2 通讯适配驱动的设计 |
| 4.3 通讯适配驱动的实现 |
| 4.4 通讯系统实验 |
| 4.5 本章小结 |
| 第5章 AGV调度系统实验 |
| 5.1 实验设计 |
| 5.1.1 工厂环境建模 |
| 5.1.2 任务订单派发 |
| 5.2 实验结果分析 |
| 5.3 小结 |
| 第6章 总结与展望 |
| 6.1 本文的主要工作 |
| 6.2 进一步的工作展望 |
| 参考文献 |
| 攻读硕士学位期间所发表的学术论文 |
| 致谢 |
（9）移动机器人的路径规划与跟踪方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究内容和章节安排 |
| 第二章 移动机器人路径规划概况 |
| 2.1 移动机器人导航技术 |
| 2.2 路径规划问题简述 |
| 2.3 路径规划方法分类、算法 |
| 2.3.1 传统路径规划算法 |
| 2.3.2 智能路径规划算法 |
| 2.4 本章小节 |
| 第三章 基于势场蚁群算法的移动机器人路径规划 |
| 3.1 蚁群算法 |
| 3.1.1 蚁群算法基本概念 |
| 3.1.2 基于栅格法的环境建模 |
| 3.1.3 目标函数的建立 |
| 3.1.4 路径搜索机制 |
| 3.2 势场蚁群算法的路径实现 |
| 3.2.1 设计原理 |
| 3.2.2 势场蚁群算法路径规划实现步骤 |
| 3.3 基于势场蚁群算法路径规划仿真 |
| 3.4 本章小节 |
| 第四章 移动机器人路径跟踪方法 |
| 4.1 路径重规划 |
| 4.2 机器人建模 |
| 4.3 基于MPC的路径跟踪控制器设计 |
| 4.3.1 MPC控制原理 |
| 4.3.2 移动机器人线性化和离散化 |
| 4.3.3 速度自适应调节 |
| 4.3.4 约束条件设置 |
| 4.3.5 最优化求解 |
| 4.4 仿真实验及结果分析 |
| 4.4.1 不包含速度自适应的路径跟踪仿真 |
| 4.4.2 速度自适应路径跟踪仿真 |
| 4.5 本章小节 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
（10）具有航向约束的移动机器人路径规划算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 移动机器人国内外研究现状 |
| 1.3 路径规划国内外研究现状 |
| 1.4 主要研究内容与章节安排 |
| 第2章 移动机器人路径规划总体设计方案 |
| 2.1 移动机器人建模方法分析 |
| 2.2 移动机器人路径规划方法分析 |
| 2.3 移动机器人总体方案设计 |
| 2.3.1 移动机器人的设计选择 |
| 2.3.2 环境建模方案 |
| 2.3.3 路径规划方案 |
| 2.3.4 路径优化方案 |
| 2.4 本章小结 |
| 第3章 移动机器人的环境地图建模 |
| 3.1 地图环境的信息处理 |
| 3.1.1 激光雷达传感器简介 |
| 3.1.2 激光雷达传感器测距原理 |
| 3.1.3 激光雷达传感器的信息处理 |
| 3.2 环境地图建模 |
| 3.3 本章小结 |
| 第4章 具有航向约束的移动机器人算法研究 |
| 4.1 经典A*算法介绍 |
| 4.1.1 Dijkstra算法与BFS算法 |
| 4.1.2 A*算法简介 |
| 4.1.3 A*算法基本思想 |
| 4.1.4 A*算法流程 |
| 4.2 移动机器人在A*算法上的问题 |
| 4.3 具有航向约束的移动机器人路径规划原理与流程 |
| 4.3.1 zhang-suen细化算法介绍 |
| 4.3.2 改进后的zhang-suen算法 |
| 4.3.3 航向约束原理 |
| 4.3.4 航向约束的流程 |
| 4.4 本章小结 |
| 第5章 仿真实验与结果分析 |
| 5.1 仿真实验环境 |
| 5.1.1 webots仿真软件介绍 |
| 5.1.2 移动机器人的搭建 |
| 5.1.3 移动机器人仿真地图的搭建 |
| 5.2 仿真与实验 |
| 5.2.1 仿真环境下的路径规划实验 |
| 5.2.2 仿真实验结果与数据分析 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间主要科研成果 |
| 一、发表学术论文 |
| 二、其他科研成果 |
四、基于禁忌搜索的启发式任务路径规划算法（论文参考文献）
- [1]障碍条件下串联机械手运动规划设计[J]. 韩慧轩,周顺,周海波. 青岛大学学报(自然科学版), 2021(04)
- [2]强化学习在车辆路径问题中的研究综述[J]. 牛鹏飞,王晓峰,芦磊,张九龙. 计算机工程与应用, 2022
- [3]农用无人机多机多田块作业路径规划算法[J]. 唐灿,宗望远,黄小毛,罗承铭,李文成,王绍帅. 华中农业大学学报, 2021(05)
- [4]AGV系统的路径规划算法研究[D]. 殷承铭. 杭州电子科技大学, 2021
- [5]智能包装车间AGV路径规划与动态调度研究[D]. 褚俊娴. 哈尔滨工业大学, 2021
- [6]多车舱车辆路径问题的研究现状与发展[J]. 孙丽君,周雅娴,滕玥,胡祥培. 系统工程理论与实践, 2021(06)
- [7]基于深度强化学习的无人物流车队配送路径规划研究[D]. 韩岩峰. 大连理工大学, 2021(01)
- [8]AGV调度系统的路径规划优化和通讯适配技术的研究[D]. 陈展. 机械科学研究总院, 2021(01)
- [9]移动机器人的路径规划与跟踪方法研究[D]. Bolatov Nurbol（杰克）. 西安石油大学, 2021(09)
- [10]具有航向约束的移动机器人路径规划算法研究[D]. 张友盼. 齐鲁工业大学, 2021(09)