将数据融合应用于基于领导者的蝙蝠算法,以改善移动机器人的本地化.

科学领域:

• 机器人技术 机器人技术 机器人技术
• 人工智能的人工智能
• 优化算法 优化算法

背景情况:

• 自主移动机器人需要在复杂的环境中高效地规划路径.
• 生物启发的算法提供了解决方案,但随着粒子数量的增加,它们面临着计算挑战.
• 现有的方法难以处理局部最小值和计算开销.

研究的目的:

• 引入和评估基于领导者的蝙蝠算法 (LBBA) 以提高移动机器人的本地化.
• 为了提高路径准确性和降低自主导航的计算成本.
• 在资源有限的环境中解决传统蝙蝠算法的局限性 (BA).

主要方法:

• 开发了基于领导者的蝙蝠算法 (LBBA),增强了传统的蝙蝠算法 (BA).
• 通过数字指南针获得的机器人定向,被动态集成到小群分布中.
• 实验涉及移动机器人导航充满障碍的环境,比较LBBA与MRFO和BWO.

主要成果:

• 与MRFO和BWO相比,LBBA显示出更高的路径精度和更快的融合.
• 该算法使用更少的粒子实现了这些结果,减少了计算开销.
• 在避免局部最小值方面,LBBA表现出一致的稳定性,这是生物启发方法中常见的问题.

结论:

• LBBA是资源有限的移动机器人实时本地化的一个有希望的解决方案.
• 该算法提高了自主移动机器人的引导精度和效率.
• LBBA的表现表明,它有可能在移动机器人应用中得到更广泛的采用.