提出了一种基于粒子群优化算法的移动机器人全局路径规划方法. 该方法首先进行环境地图建模, 通过坐
标变换在路径的起点与终点之间建立新地图, 然后利用粒子群优化算法获得一条全局最优路径. 该方法模型简单, 算
法复杂度低, 收敛速度快, 而且模型不依赖于障碍物的形状. 仿真实验证实了该方法的有效性.

在一个移动机器人的路径规划问题中，目标是找到一个最优的碰撞自由路径 将源代码发送到单个或多个目标。基于领域知识的遗传算法已被提出解决有单个和多个独立目标的路径规划问题。四个新的基于域知识的运算符，即“电路去除操作符”、“插入-删除操作符”、本文中引入了“细化算子”和“目标对齐算子”。其中四个操作符，前三个被用于具有单一目标的路径规划问题，而所有这四个算子已被用于具有多个独立目标的路径规划问题。所提出的方法已被部署在几个不同大小的模拟环境中。从实验结果表明，基于领域知识的算子增强了计算性能传统遗传算法的能力。我们提出的移动机器人的路径规划方法单一目标的问题优于先前提出的基于进化算法方法。

针对传统蚁群算法在移动机器人路径规划问题中存在的易陷入局部最优与收敛速度慢等问题，提出 一种改进的蚁群算法。首先根据起点到终点距离和地图参数构建全局优选区域，提高该区域内初始信息素浓 度，避免算法初期盲目搜素；其次利用局部分块优化策略分别对各个子区域进行寻优并更新区域内最优路径 信息素，增强局部搜索能力加快收敛速度；后对全局路径进行寻优，更新全局最优路径信息素。且在信息素 更新公式中引入信息素增强因子，加强最优路径信息素含量。应用反向学习优化信息素，改进状态选择概率， 提高算法寻优能力。实验结果表明，改进后的算法明显提高了收敛速度，同时寻优能力更强。

为了提高蚁群算法的路径寻优效果和搜索效率,提出一种改进的蚁群算法,用于移动机器人在栅格环境下的路径规划. 在标准蚁群算法中,蚂蚁的搜索方式一般是4方向4邻域或者8方向8邻域,在此基础上提出一种16方向24邻域的蚂蚁搜索方式,给出蚂蚁的移动规则;针对启发信息,结合向量夹角的思想设计2种启发信息的计算方法,通过实验分析两种计算方法的使用特点;在转移概率部分引入转移概率控制参数,通过调整转移概率控 制参数可以调控算法的搜索范围. 最后,在不同规模的栅格地图环境下,通过实验仿真验证所提算法的有效性.

针对蚁群算法进行路径规划中出现的运行时间长，搜索效率低和容易出现死锁问题，本文提出了一种 基于达尔文进化论思想的蚁群算法。首先，针对在空白栅格中出现的搜索效率低的问题，提出了一种蚁群算法 简易模式；其次为了提高算法的全局搜索能力，避免陷入死锁，在启发函数中引入目标影响因子和障碍物影响 因子；望 后利用达尔文的进化论改进蚁群算法的信息素更新规则用于加快算法的迭代速度, 缩小运行时间。在 不同规模的栅格地图环境下的实验表明：本文提出的进化蚁群算法加快了迭代速度，提高了搜索效率，实现了 ˆ 优路径并且避免了算法死锁问题。

针对蚁群算法应用于移动机器人路径规划时，出现的死锁、收敛慢、易陷入局部最优以及路径不平滑的问题，提出了一种融合改进 A*蚁群算法与滚动窗口法的平滑路径规划方法。该算法首先用改进的 A*算法初始化蚁群信息素，解决前期蚁群效率低的问题。然后，改进状态转移概率函数，在函数中考虑可行路径“活跃度”以及终点位置，避免死锁现象。同时，基于不平等原则机制更新蚁群的信息素，避免陷入局部最优路径，加快算法的收敛速度。其次，融合滚动窗口法，在全局路径规划的基础上，结合动态避障策略进行局部实时路径规划。最后，使用贝塞尔曲线对所规划出的路径进行平滑度处理，使平滑后的路径更加接近实际运动路径。为确保算法表现出最好的性能，利用带精英策略的遗传算法对该算法中的参数进行自主优化选择。

建立一种通信交流机制改进传统蚁群算法

移动机器人演示

为了提高移动机器人在连续障碍物环境下的避障性能，提出了一种具有速度反馈的模糊避障算法。移动机器人利用超声传感器感知周围环境，在模糊控制的基础上通过障碍物分布情况调整自身速度，进而引入优雅降级并把改进的模糊避障融入其中，增强了移动机器人的鲁棒性。实验结果表明，该方法能通过与环境交互调整机器人移动速度，控制机器人成功避障并优化避障路径，具有良好的有效性。

通过深度学习模型对室内楼道环境的视觉信息进行处理，帮助移动机器人在室内楼道环境下自主行走。为达到这个目的，将楼道环境对象分为路、门、窗户、消防栓、门把手和背景六类，通过图像的语义分割实现对象识别。在对楼道环境的六类对象进行分割的实验中发现，由于门把手比起其他对象小很多，影响了对它的识别效果；将六分类模型改为“5 2”分类模型，解决了这个问题。分类模型的基础是全卷积神经（FCN）网络，可以初步实现图像的分割。为了提高FCN网络的分割效果，从三个方面进行了实验研究：a）取出FCN网络的多个中间特征层，进行多层特征融合；b）考虑到移动机器人行走过程中视觉信息的时间序列特点，将递归神经网络（RNN）的结构纳入到FCN网络中，构成时间递归的t-LSTM网络；c）考虑到二维图像相邻像素之间的依赖关系，构成空间递归的s-LSTM网络。这些措施都有效地提高了图像的分割效果，实验结果表明，多层融合加s-LSTM的结构从分割效果和计算时间方面达到综合指标最佳。