Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Lập kế hoạch đường đi tối ưu cho nhiều rô-bốt trong môi trường động bằng cách kết hợp thuật toán meta-heuristic
Tóm tắt
Bài báo này nghiên cứu một chiến lược đổi mới để tạo ra vị trí tối ưu không va chạm và không chết đứng cho các rô-bốt cá nhân bằng cách thỏa mãn các ràng buộc của môi trường động cho việc lập kế hoạch đường đi của nhiều rô-bốt di động. Nghiên cứu hiện tại nhấn mạnh những thiếu sót của các điều tra trước đây về lập kế hoạch đường đi cho nhiều rô-bốt và cung cấp một phương pháp năng động thông qua việc kết hợp Q-learning đã được điều chỉnh với phiên bản cải tiến của tối ưu hóa bầy hạt (IPSO) và thuật toán tối ưu hóa số học (AOA). Trong kịch bản hiện tại, Q-learning cổ điển được sửa đổi thông qua chính sách thưởng và tạo ra giải pháp tốt nhất cho PSO. PSO cơ bản được nâng cấp thông qua nhận thức về sự phát triển của nền văn minh nhân loại và tạo ra vị trí tối ưu trong các lần lặp kế tiếp bằng cách sử dụng thuật toán tối ưu hóa số học. Thuật toán hybrid được đề xuất chủ yếu tập trung vào việc đánh giá các vị trí sau tối ưu không chết đứng và không đói cho mỗi rô-bốt từ vị trí hiện tại của chúng, tối ưu hóa khoảng cách đường đi cho từng rô-bốt. Sự xác thực của quy trình hybrid được dự đoán đã được xác nhận thông qua các chức năng chuẩn, rô-bốt thực tế qua mô phỏng webbots và mô phỏng. Hơn nữa, hiệu quả của quy trình được đưa ra đã được xác nhận bằng cách so sánh kết quả đạt được từ MQL–IPSO–AOA với Q-learning, AOA và IPSO, cũng như so sánh kết quả của quy trình được đưa ra với các công nghệ tiên tiến nhất.
Từ khóa
#nhiều rô-bốt #lập kế hoạch đường đi #môi trường động #Q-learning #tối ưu hóa bầy hạt #tối ưu hóa số họcTài liệu tham khảo
Anandkumar, R.: Hybrid fuzzy logic and artificial Flora optimization algorithm-based two tier cluster head selection for improving energy efficiency in WSNs. Peer-to-Peer Netw. Appl. 14(4), 2072–2083 (2021)
Ahn, H., Park, J., Bang, H., Kim, Y.: Model Predictive Control-Based Multirotor Three-Dimensional Motion Planning with Point Cloud Obstacle,” Journal of Aerospace Information Systems, pp.1–15 (2021)
Burman, R., Chakrabarti, S., Das, S.: Democracy-inspired particle swarm optimizer with the concept of peer groups. Soft. Comput. 21(12), 3267–3286 (2017)
Chiang, H.T., Malone, N., Lesser, K., Oishi, M., Tapia, L.: Path guided artificial potential fields with stochastic reachable sets for motion planning in highlydynamic environments,” IEEE International Conference on Robotics and Automation (ICRA), Washington, pp. 2347–2354 (2015)
Das, P.K., Behera, H.S., Panigrahi, B.K.: A hybridization of an improved particle swarm optimization and gravitational search algorithm for multi-robot path planning. Swarm Evolut. Comput 28, 14–28 (2016a)
Das, P.K. H. S. Behera, S. Das, H. K.; Tripathy, B. K.; Panigrahi, and S. K. Pradhan: “A hybrid improved PSO-DV algorithm for multirobot path planning in a clutter environment,” Neurocomputing, vol. 207, pp. 735–753 (2016b)
Das, P.K., Jena, P.K.: Multi-robot path planning using improved particle swarm optimization algorithm through novel evolutionary operators. Appl. Soft Comput. 92, 106312 (2020)
Dewangan, R.K., Shukla, A., Wilfred Godfrey, W.: Three dimensional path planning using Grey wolf optimizer for UAVs. Appl. Intell. 49(6), 2201–2217 (2019)
Duan, H., Huang, L.: Imperialist competitive algorithm optimized artificial neural networks for UCAV global path planning. Neurocomputing 125, 166–171 (2014)
Duleba, I., Sasiadek, J.Z.: Nonholonomic motion planning based on newton algorithm with energy optimization. IEEE Trans. Control Syst. Technol. 11(3), 355–363 (2003)
Ghita, N., Kloetzer, M.: Trajectory planning for a car-like robot by environment abstraction. Robot. Auton. Syst. 60(4), 609–619 (2012)
He, W, Qi, X., Liu, L.: A novel hybrid particle swarm optimization for multi-UAV cooperate path planning. Appl. Intell. pp. 1–15 (2021)
Jana, M., Vachhani, L., Sinha, A.: A deep reinforcement learning approach for multi-agent mobile robot patrolling”, Int J Intell Robot Appl (2022).
Jarrah, R.A., Shahzad, A., Roth, H.: Path Planning and Motion Coordination forMulti-Robots System Using Probabilistic Neuro-Fuzzy. IFAC-Papers OnLine 48(10), 46–51 (2015)
Li, G., Xu, H., Lin, Y.: Application of bat algorithm based time optimal control in multi-robots formation reconfiguration. J. Bionic Eng. 15, 126–138 (2018)
Li, B., Li-gang, G., Wen-lun, Y.: "An improved artificial bee colony algorithm based on balance-evolution strategy for unmanned combat aerial vehicle path planning," The Scientific World Journal, (2014)
Liu, X., Gong, D.: A comparative study of a-star algorithms for search and rescue in perfect maze. In: International Conference on Electric Information and Control Engineering (ICEICE), IEEE, pp. 24–27 (2011)
Liu, C., Han, J., An, K.: Dynamic path planning based on an improved RRT algorithm for RoboCup robot. On Robot 39, 8–15 (2017)
Long, P., T. Fan, X. Liao, W. Liu, H. Zhang, and J. Pan, "Towards optimally decentralized multi-robot collision avoidance via deep reinforcement learning," IEEE International Conference on Robotics and Automation (ICRA), pp. 6252–6259 (2018)
Mishra, A., Sankha, D.: Mobile robot path planning using a flower pollination algorithm-based approach. In: Nature-Inspired Computation in Navigation and Routing Problems, pp. 127–147. Springer, Singapore (2020)
Moll, M., Kavraki, L.E.: Path planning for minimal energy curves of constant length," IEEE International Conference on Robotics and Automation, Proceedings. ICRA '04, Vol.3, pp. 2826–2831 (2004)
Mohanty, P.K., Parhi, D.R.: A New Efficient Optimal Path Planner for Mobile Robot Based on Invasive Weed Optimization Algorithm, pp. 50–90. Higher Education Press and Springer-Verlag, Berlin Heidelberg (2014)
Mohanty, P.K., Parhi, D.R.: Optimal path planning for a mobile robot using cuckoo search algorithm. J. Exp. Theor. Artif. Intell. 28(1–2), 35–52 (2016)
Nazarahari, M., Khanmirza, E., Doostie, S.: Multi-objective multi-robot path planning in continuous environment using an enhanced genetic algorithm. Expert Syst. Appl. 115, 106–120 (2019)
Paikray, H.K., Das, P.K., Panda, S.: Optimal Multi-robot Path Planning Using Particle Swarm Optimization Algorithm Improved by Sine and Cosine Algorithms. Arab. J. Sci. Eng. 46(4), 3357–3381 (2021)
Paikray, H.K., Das, P.K., Panda, S., Balabantaray, B.K.: Improved shuffled frog Leaping Algorithm for Path Planning of multiple Mobile-Robot," IEEE International Conference on Innovations in Electronics, Signal Processing and Communication (IESC), pp. 132–137 (2019)
Pamosoaji, A.K., Piao, M., Hong, K.S.: 2019, “PSO-based minimum-time motion planning for multiple vehicles under acceleration and velocity limitations.” Int. J. Control Autom. Syst. 17(10), 2610–2623 (2019)
Pradhan, B., Nandi, A., Hui, N.B., Roy, D.S., Rodrigues, J.J.P.C.: A Novel Hybrid Neural Network-Based Multirobot Path Planning With Motion Coordination. IEEE Trans. Veh. Technol. 69(2), 1319–1327 (2019)
Rakshit, P., Konar, A.: Learning automata and Niching-Induced Noisy Optimization for Multi-robot Path-Planning. In Principles in Noisy Optimization, pp. 171–242. Springer, Singapore (2018)
Rao, D.C., Kabat, M.R., Das, P.K., Jena, P.K.: Cooperative navigation planning of multiple mobile robots using improved krill herd. Arab. J. Sci. Eng. 43(12), 7869–7891 (2018)
Salmanpour, S., Motameni, H.: Optimal path planning for mobile robot using Intelligent Water Drops algorithm. J. Intell. Fuzzy Syst. 27(3), 1519–1531 (2014)
Sahu, B., Das, P.K., Kabat, M.R.: Multi-robot co-operation for stick carrying application using hybridization of meta-heuristic algorithm. Mathematics and Computers in Simulation, 195, pp.197–226 (2022)
Sharma, S., Shukla, A., Tiwari, R.: Multi robot area exploration using nature inspired algorithm. Biol. Inspired Cognit. Architect. 18, 80–94 (2016)
Short, A., Bandyopadhyay, T.: Legged motion planning in complex three-dimensional environments. IEEE Robot Autom. Lett. 3(1), 29–36 (2017)
Singh, N.N., A. Chatterjee, Am. Chatterjee, and A. Rakshit, “A two-layered subgoal based mobile robot navigation algorithm with vision system and IR sensors,” Emerg. Res.Artif. Intell. Comput. Intell. Commun. Comput. Inf. Sci., vol. 44, pp. 325–334 (2011)
Ster, B.: An integrated learning approach to environment modeling in mobile robot navigation. Neurocomputing 57, 215–238 (2004)
Sun, Y., Zhang, C., Liu, C.: Collision-free and dynamically feasible trajectory planning for omnidirectional mobile robots using a novel B-spline based rapidly exploring random tree. Int. J. Adv. Rob. Syst. 18(3), 17298814211016608 (2021)
Tian, S., Li, Y., Kang, Y., Xia, J.: Multi-robot path planning in wireless sensor networks based on jump mechanism PSO and safety gap obstacle avoidance. Futur. Gener. Comput. Syst. 118, 37–47 (2021)
Yi, L.: Study on an improved PSO algorithm and its application for solving function problem. Int. J. Smart Home 10(3), 51–62 (2016)
Zhang, Y., Gong, D., Zhang, J.: Robot path planning in uncertain environment using multi-objective particle swarm optimization. Neurocomputing 103, 172–185 (2013)
Zhang, J.H., Zhang, Y., Zhou, Y.: Path planning of mobile robot based on hybrid multi-objective bare bones particle swarm optimization with differential evolution. IEEE Access 6, 44542–44555 (2018)
Ziadi, S., Njah, M.: PSO optimized F2 based mobile robot motion planning approaches for fixed and mobile targets. Int. J. Intell Robot. Appl. (2022).