✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导，毕业论文、期刊论文经验交流。
✅ 专业定制毕设、代码
✅如需沟通交流，可以私信，或者点击《获取方式》
（1）SOM竞争机制引导信息素分配的改进蚁群全局规划：
针对传统蚁群算法在复杂栅格地图上初期收敛慢和易陷入局部最优的问题，提出SOM-ACO算法。首先，采用基于人工势场的非均匀初始化信息素策略，在目标点周围30格范围内，信息素浓度依照距离平方的倒数递增，减少前期盲目搜索。转移概率中加入方向因子cos(θ)，θ为当前节点至目标点的方向与可选邻域方向的夹角，加强目标引导。在每轮迭代结束后，利用自组织映射网络的竞争机制动态调整信息素：将路径长度作为SOM输入，路径节点作为权值向量，优胜路径（最短路径）邻域内的节点信息素获得额外增量Δτ=Q/L_best，而失败路径对应的节点信息素衰减25%。该奖惩机制加速了收敛。在40×40随机障碍物地图上，SOM-ACO在迭代48次后收敛，传统ACO需要112次；规划路径长度平均缩短10.8%，转折点数减少32%。全局最优路径被存储为路点序列，供局部规划器使用。
（2）基于模拟退火安全评价的动态窗口局部避障：
针对动态窗口法在高速下避障保守导致绕行和低速振荡问题，提出SA-DWA算法。首先，优化初始航向角，利用全局路径上的下一个路点投影到当前机器人坐标系确定期望方向，避免原地旋转。速度搜索空间的高斯自适应系数σ按与最近障碍物距离d_obs动态调整：当d_obs<0.5m时，σ=0.2限制最大速度；当d_obs>2.0m时，σ=1.0允许全速。此外，障碍物搜索角由常规的180°缩减为120°，减少了无效碰撞检测。评价函数在原有方位角、障碍物距离、速度三项基础上，加入基于Metropolis准则的安全评价项：若当前模拟轨迹的最近障碍物距离小于安全阈值，降低其评价值，但以概率exp(-ΔE/T)保留，温度T从1000线性退火至10。该策略允许在复杂环境中短时靠近障碍物，避免过度保守。在动态行人障碍物环境中，SA-DWA的平均运行时间比传统DWA减少28%，路径长度缩短14.2%，且未发生碰撞。
（3）ROS环境下的混合规划器实现与Ackermann Mini_omni实验：
在ROS中实现混合规划器节点/global_planner和/local_planner。全局规划器订阅栅格地图话题/map，采用SOM-ACO输出全局路点序列；局部规划器订阅激光雷达/scan和里程计/odom，执行SA-DWA。两个规划器通过TF坐标变换统一到/map坐标系。全局重规划阈值为偏离路径超过2.5m或检测到新增静态障碍物。在实际阿克曼转向机器人Mini_omni上部署，底盘采用Jetson Nano控制器，配备RPLidar A3。在包含动态移动纸箱和静止桌椅的实验室环境中，机器人从起点(0,0)成功自主导航至目标(8,6)，中途遭遇突然出现的行人，SA-DWA及时减速并绕行，全局重规划触发一次，最终路径长度10.34m，用时48秒。对比纯全局规划+简单避障，混合方法路径平滑度（平均曲率）改善19.7%，使用者感受到的晃动明显减少。
import numpy as np import matplotlib.pyplot as plt from heapq import heappush, heappop # 1. SOM-ACO 全局规划 class SOM_ACO: def __init__(self, grid, n_ants=50, alpha=1, beta=5, rho=0.1, Q=100): self.grid = grid; self.rows, self.cols = grid.shape self.pheromone = np.ones_like(grid, dtype=float) * 0.1 self.alpha, self.beta, self.rho, self.Q = alpha, beta, rho, Q self.n_ants = n_ants def plan(self, start, goal): best_path = None; best_len = np.inf for gen in range(100): paths, lens = [], [] for _ in range(self.n_ants): path = self._construct_path(start, goal) if path is not None: paths.append(path); lens.append(len(path)) self._update_pheromone(paths, lens) # SOM竞争机制 if lens: min_idx = np.argmin(lens); best_len = lens[min_idx]; best_path = paths[min_idx] return best_path def _construct_path(self, start, goal): path = [start]; visited = set() cur = start while cur != goal: neighbors = self._get_neighbors(cur) if not neighbors: return None probs = [] for n in neighbors: tau = self.pheromone[n] ** self.alpha eta = (1.0 / (np.linalg.norm(np.array(n)-np.array(goal)) + 1)) ** self.beta # 方向因子 vec_n = np.array(n) - np.array(cur) vec_g = np.array(goal) - np.array(cur) cos_theta = np.dot(vec_n, vec_g) / (np.linalg.norm(vec_n) * np.linalg.norm(vec_g) + 1e-5) direction_factor = (cos_theta + 1) / 2 probs.append(tau * eta * direction_factor) probs = np.array(probs) / sum(probs) next_node = neighbors[np.random.choice(len(neighbors), p=probs)] if next_node in visited: continue visited.add(next_node); path.append(next_node); cur = next_node return path def _update_pheromone(self, paths, lens): self.pheromone *= (1 - self.rho) if lens: best_idx = np.argmin(lens) for i, path in enumerate(paths): delta = self.Q / lens[i] for r, c in path: self.pheromone[r, c] += delta # SOM奖惩：失败路径衰减 for i, path in enumerate(paths): if i != best_idx: for r, c in path: self.pheromone[r, c] *= 0.75 def _get_neighbors(self, node): r, c = node; dirs = [(0,1),(1,0),(0,-1),(-1,0),(1,1),(1,-1),(-1,1),(-1,-1)] neighbors = [] for dr, dc in dirs: nr, nc = r+dr, c+dc if 0 <= nr < self.rows and 0 <= nc < self.cols and self.grid[nr, nc] == 0: neighbors.append((nr, nc)) return neighbors # 2. SA-DWA 局部规划（简化） def sa_dwa(current_pose, laser_scan, global_path, target): # 动态窗口 v_samples = np.linspace(0.1, 0.8, 7) w_samples = np.linspace(-0.5, 0.5, 10) best_traj = None; best_cost = -np.inf T = 1000; cooling_rate = 0.95 for v in v_samples: for w in w_samples: traj = simulate_trajectory(v, w) # 常规评价 heading_cost = evaluate_heading(traj, global_path) dist_cost = evaluate_obstacle_distance(traj, laser_scan) speed_cost = v cost = 0.3*heading_cost + 0.4*dist_cost + 0.3*speed_cost # 模拟退火安全项 min_dist = min_obstacle_dist(traj, laser_scan) if min_dist < 0.3: delta_e = -cost if np.random.rand() > np.exp(delta_e / T): continue # 不选该轨迹 if cost > best_cost: best_cost = cost; best_traj = (v, w) T *= cooling_rate return best_traj def simulate_trajectory(v, w): return [] # 占位 def evaluate_heading(traj, path): return 1.0 def evaluate_obstacle_distance(traj, scan): return 1.0 def min_obstacle_dist(traj, scan): return 0.5⛳️ 关注我，持续更新科研干货！
👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇
