针对机器人局部路径规划的特点和传统人工势场理论存在不足的问题，采用改进的斥力势场函数，将机器人与目标的相对距离和速度考虑在内以解决局部最小值问题。引入神经网络模糊系统，兼顾了系统的鲁棒性和快速性，并在应用实例中得到了有效的验证。

针对多自动导引车（ AutomaTIc guided vehicle，AGV）在柔性制造系统中岀现的路径规划与冲突问题，提出了一种基于时间窗的改进 Dijkstra算法，实现多ΔGⅤ的动态路径规划。首先，利用传统υ ） ijkstra算法为执行调度仼务的多AGV规划路径，并统计被规划路径的使用程度，计算加权系数，然后将加权后的路径长度更新到数据库中;其次，计算AGⅤ通过毎个工位节点的时间，通过时间窗的排布避免碰撞冲突;最后，当产生冲突时，通过计算并设置AGV的优先级，对优先级较低的AGV重新进行路径规划。仿真实验结果表明，该算法能够在最优路径下有效避免冲突与死锁，不仅提高了系统效率，而且使系统具有较好的鲁棒性。

#资源达人分享计划#

拣货路径优化matlab代码这是一个用于 Lynx 机器人（6-DoF 机械手）的动态平滑 RRT 规划器。 主要功能： 模拟函数：runsim.m 静态规划生成函数（主函数）：SRRT.m 动态规划的生成函数：regrow.m 其他功能： 示例函数：sample.m 在空间中选择随机节点：RandomNode.m 邻居查找函数：neighbor.m 节点扩展函数：extend.m 碰撞检测功能：DetCol.m 路径优化函数：path_opt.m Utils：这些是我在以前的实验室中实现的来自 p-code 或 m-code 的辅助函数 为了评估规划器的平滑度，我们在不同的静态地图中进行了模拟： 静态模拟结果： 随机样本和epsilon-greedy样本的比较： 原始路径和修剪路径之间的比较： 为了评估规划器的动态性能，由于在 matlab 中可视化 3d 移动障碍物非常棘手，我们将其实现到在不断变化的环境中导航的规划器点机器人上，得到以下结果： 场景一：随机移动门： 场景2：棘手的迷宫：

用蚁群算法实现点到点的路径规划（可读取txt文件）

netlogo写的D*lite（简化版？）：A*或迪杰斯特拉找到最短路，然后沿最短路行走，同时检测路径成本，若路径成本有变动（增大）则重新搜索路径。不知道以上思路对不对~~敬请指导~有进一步改进的还请上传，相互学习。

A*算法用于动态路径规划，实现功能：静态复杂环境下路径规划；简单地对地图分析并做出处理决策；动态环境下路径规划

研究针对遗传算法（GA）提出了一种新的变异算子，并将其应用于动态环境下移动机器人的路径规划问题。移动机器人的路径规划在障碍物环境中发现从起始节点到目标节点的可行路径。 通过利用其强大的优化能力，遗传算法已被广泛用于生成最优路径。虽然简单遗传算法或其他改进的变异算子中的常规随机变异算子会导致不可行路径，但所提出的变异算子不会并且避免早熟收敛。为了证明所提出的方法的成功，它被应用于两种不同的动态环境，并且与之前在文献中改进的GA研究进行了比较。与所提出的变异算子相比，遗传算法寻找最优路径的次数要多得多，并且比其他方法收敛得更快。

人工势场法由于其简单性和便于数学描述被广泛应用在移动机器人路径规划上,然而多数研究都集中在解决静态路径规划上,即目标和障碍物都是静态的。本文提出了用人工势场法解决移动机器人动态路径规划问题的一个方法,在动态环境中,目标是运动的,障碍物是静止的。因此新的势场函数和相应的势场力被定义。最后仿真结果证明了此方法的有效性。

D*算法又称为动态A*算法，在未知环境或有动态障碍物出现时，采用A*算法需要丢弃初始规划完成的open表和close表，重新进行规划。造成规划时间的增加，D*算法的核心思想是先用dijkstra或A*从目标点向初始点进行反向搜索，然后机器人从起点向目标点移动，当遇到动态障碍物时，只进行局部的更改即可，效率明显提高。本仿真基于matlab进行D*算法的动画演示。