Детальная информация

The purpose of the study is to enhance the autonomous navigation ability of mobile robots in complex underground coal mine environments by addressing dynamic obstacle avoidance, path redundancy optimization, and real-time replanning. The research focuses on integrating the improved A* algorithm with the Dynamic Window Method (DWA) to overcome the limitations of traditional navigation approaches in unstable, obstacle-rich scenarios.The research sets the following objectives: 1. Analyze limitations of traditional algorithms: Quantitatively evaluate the redundant node problem in the A* algorithm and resolve the local optimum trap in DWA, identifying critical gaps in static and dynamic path planning. 2. Propose an integrated innovation framework: (1) Improve the A* algorithm via directional constraint search (5-neighborhood) and redundant node pruning to reduce computational complexity and enhance path smoothness. (2) Optimize DWA with a weighted adaptive evaluation function to balance priorities between path tracking and obstacle avoidance, adapting to real-time environmental changes. 3. Develop real-time obstacle avoidance strategies: Integrate braking distance models with dynamic obstacles to ensure safe proximity thresholds and enable responsive collision avoidance. 4. Implement algorithm engineering deployment: Build a simulation system on the MATLAB platform to validate algorithm performance under realistic coal mine conditions. This paper studies the architecture of the A*-DWA hybrid algorithm, including vehicle parameter modeling, algorithm fusion strategy and simulation map design. Key innovations include adaptive neighborhood search in A* to eliminate redundant nodes and dynamic weight adjustment in DWA to prioritize safety or efficiency based on obstacle density. The MATLAB experimental results show that this method is superior to the traditional algorithms in terms of algorithm complexity, dynamic road force planning and obstacle avoidance success rate. The research concludes that the integrated navigation method exhibits strong adaptability and practicality in underground environments, providing both theoretical support for autonomous navigation of mobile robots in coal mines and an effective solution for real-world path planning challenges. The proposed framework lays a foundation for future developments in dynamic environment adaptability and multi-target trajectory optimization.

Цель исследования заключается в повышении автономного навигационного потенциала мобильных роботов в сложных условиях подземных угольных шахт путем решения проблем, связанных с динамическим предотвращением препятствий, оптимизацией путей резервирования и перепланированием в режиме реального времени. Основное внимание в исследовании уделяется интеграции усовершенствованного алгоритма с методом динамического окна (DWA) для преодоления ограничений традиционных подходов к судоходству в нестабильных и богатых препятствиями сценариях. В исследовании ставятся следующие цели: 1. Проанализировать ограничения традиционных алгоритмов: количественно оценить проблему избыточного узла в алгоритме A* и решить локальную оптимальную ловушку в DWA, выявив критические пробелы в статическом и динамическом планировании пути. 2. Предложить комплексные рамки инновационной деятельности: (1) улучшить алгоритм A* с помощью поиска ограничений по направлению (5- соседний) и обрезки лишних узлов, чтобы уменьшить вычислительную сложность и повысить гладкость пути.(2) оптимизация ДДЖ с использованием функции взвешенной адаптивной оценки для балансирования приоритетов между отслеживанием траекторией и предотвращением препятствий, адаптируясь к изменениям окружающей среды в режиме реального времени. 3. Разработка стратегий избежания препятствий в режиме реального времени: интеграция моделей тормозного пути с динамическими препятствиями для обеспечения пороговых значений безопасной близости и создания возможностей для оперативного предотвращения столкновения. 4.Внедрение алгоритмной инженерии: построение системы моделирования на платформе MATLAB для проверки эффективности алгоритма в реальных условиях эксплуатации угольных шахт. В настоящем документе рассматривается архитектура гибридного алгоритма A*-DWA, включая моделирование параметров транспортного средства, стратегию синтеза алгоритмов и построение карты моделирования. Ключевые нововведения включают адаптивный поиск по окружности в целях устранения избыточных узлов и динамическую корректировку веса в ДДЖ для приоритизации безопасности или эффективности на основе плотности препятствий. Экспериментальные результаты MATLAB показывают, что этот метод превосходит традиционные алгоритмы с точки зрения сложности алгоритмов, динамического планирования дорожных сил и степени успешности предотвращения препятствий. В исследовании делается вывод о том, что интегрированный навигационный метод демонстрирует высокую адаптируемость и практичность в подземных условиях, обеспечивая как теоретическую поддержку автономной навигации мобильных роботов на угольных шахтах, так и эффективное решение задач планирования реальных путей развития. Предлагаемые рамки закладывают основу для будущих разработок в области динамической адаптируемости окружающей среды и многоцелевой оптимизации траектории.

• Abstract
• 70 pages, 10 figures, 3 tables, 3appendices, 25 references
• IntroducTION
• 1 Literature Review
• 2 Research methods
  • 2.1 Structure of the algorithm
  • 2.2 Improved A* algorithm
    • 2.2.1 Remove excess Angle
    • 2.2.2 Redundant point removal strategy
  • 2.3 Dynamic Window Method (DWA)
• 3 Combining track a * and dwa planning methods
  • 3.1 Vehicle parameter settings
  • 3.2 Algorithm fusion
  • 3.3 Simulation map design
• 4 Code modeling
  • 4.1 Braking distance calculation model
  • 4.11 Parameter description
  • 4.12 Experimental verification
  • 4.2 Safety distance evaluation function
    • 4.2.1 Key points of design
    • 4.2.2 Application scenarios
    • 4.2.3 Experiment and parameter sensitivity analysis
    • 4.2.4 Influence of safety distance parameter
  • 4.3 Core code of Dynamic Window Approach (DWA)
    • 4.3.1 Generation of Dynamic Window (CalcDynamicWindow)
    • 4.3.2 Trajectory Evaluation
  • 4.4 Dynamic Window Approach (DWA) Trajectory Evaluation Function Evaluation
    • (1) Velocity Sampling under Dynamic Window Constraints
    • (2) Multi-objective Trajectory Evaluation System
      • 4.4.1 Heading Accuracy
      • 4.2.2 Static Obstacle Distance (Dist_Static)
      • 4.2.3 Velocity Maintenance
      • 4.2.4 Dynamic Obstacle Distance (Dist_Dynamic)
  • 4.5 Determination of weights in the formula
    • 4.5.1 Target Orientation Weight (α)
    • 4.5.2 Obstacle Distance Weight (β)
    • 4.5.3 Speed Weight (γ)
• 2.The optimization of parameters in Formula (7) is based on the trade-off between path tracking accuracy and obstacle avoidance flexibility:
  • 4.5.4 Obstacle distance weight (m,n)
• 5 Experimental verification
  • 5.1 Experimental Comparison of Optimized A* Algorithm
  • 5.2 Analysis of Simulation Results of Hybrid Algorithm
    • (1)Obstacle Avoidance Phase (Time Step 100 - 300):
    • (2)Linear cruise phase (time step 400 - 600):
    • (3)Dynamic smooth transition (time steps 300-400, 600-700):
• Conclusions
• References