Resumen

El objetivo de la planificación de trayectorias de robots móviles es producir la trayectoria óptima y segura. Sin embargo, los robots móviles tienen una pobre evasión de obstáculos en tiempo real en la planificación de la trayectoria local y trayectorias más largas en la planificación de la trayectoria global. Para mejorar la precisión de la predicción de la evasión de obstáculos en tiempo real de la planificación de la trayectoria local, acortar la longitud de la trayectoria de la planificación de la trayectoria global, reducir el tiempo de planificación de la trayectoria y obtener una mejor trayectoria segura, proponemos un modelo de decisión de evasión de obstáculos en tiempo real basado en algoritmos de aprendizaje automático (ML), un algoritmo mejorado de árbol aleatorio de exploración rápida y suave (S-RRT) y un algoritmo genético mejorado de optimización de colonias de hormigas (HGA-ACO). En primer lugar, en la planificación local de la trayectoria, se utilizan los algoritmos de aprendizaje automático para entrenar los conjuntos de datos, se establece el modelo de decisión de evitación de obstáculos en tiempo real y se realiza una validación cruzada. En segundo lugar, en la planificación global de la trayectoria, se introduce la idea del algoritmo codicioso y la curva B-spline en el algoritmo RRT, se eliminan los nodos redundantes y se realiza la iteración inversa para generar una trayectoria suave. A continuación, en la planificación de la trayectoria, se optimizan la función de aptitud y el método de operación genética del algoritmo genético, la estrategia de actualización de feromonas y la estrategia de eliminación de bloqueos del algoritmo de colonias de hormigas, y se utiliza la estrategia de fusión genético-colonia de hormigas para fusionar los dos algoritmos. Por último, el algoritmo de planificación de rutas optimizado se utiliza para el experimento de simulación. Los experimentos de simulación comparativa muestran que el bosque aleatorio tiene la mayor precisión de predicción de evasión de obstáculos en tiempo real en la planificación de la trayectoria local, y el algoritmo S-RRT puede acortar eficazmente la longitud total de la trayectoria generada por el algoritmo RRT en la planificación de la trayectoria global. El algoritmo HGA-ACO puede reducir el número de iteraciones de forma razonable, reducir el tiempo de búsqueda de forma efectiva y obtener la solución óptima en la planificación de rutas.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:evasión de obstáculos en el tiempo, planificación de la trayectoria local, planificación de la trayectoria global, algoritmo rrt, modelo de decisión de evasión, algoritmo, estrategia de actualización de feromonas, planificación de la trayectoria del robot, predicción de evasión de obstáculos, optimización de colonias de hormigas
• Keywords:time obstacles avoidance, local path planning, global path planning, rrt algorithm, avoidance decision model, algorithm, pheromone update strategy, robot path planning, obstacles avoidance prediction, ant colony optimization