CN101387888A - 基于二进制量子粒子群算法的移动机器人路径规划方法 - Google Patents

Abstract

本发明公开了一种基于二进制量子粒子群算法的移动机器人路径规划方法，特征是包含如下步骤：步骤一：把机器人简化成一个点，并在二维空间内运动，通过视觉***能感知自己目前的位姿和障碍物的位置；步骤二：将机器人视觉***感知到的所有障碍物处理成凸多边形；步骤三：将二维空间离散化为一系列的栅格，并对移动机器人在每一个栅格处的八个可能运动方向进行二进制编码；步骤四：定义从起点到目标点的路径的长短为该方法需要求解的目标函数；步骤五：针对机器人路径规划问题的离散特征，利用二进制量子粒子群算法对步骤四中的目标函数进行全局优化以得到最优的移动机器人路径。本发明具有过程简单、容易实现、鲁棒性好、求解效率高等优点。

Description

基于二进制量子粒子群算法的移动机器人路径规划方法

技术领域

本发明公开了一种基于二进制量子粒子群算法的移动机器人路径规划方法。

背景技术

路径规划是指机器人从起始点到目标点之间找到一条安全无碰的路径，是机器人领域的重要课题。按对环境知识的了解，可分为已知环境和未知环境下的路径规划。无论机器人路径规划属于哪种类别，采用何种规划算法，基本上都要遵循以下步骤：1)建立环境模型，即将机器人所处的现实世界进行抽象后建立相关的模型；2)搜索无碰路径，即在某个模型的空间中寻找合乎条件的路径的搜索算法。对于环境信息已知的全局路径规划，目前已有许多解决方法，如人工势场法、可视图法以及由人工势场演变而来的数值势场法。近十年间，随着人工智能研究不断取得进展，许多智能算法也被用到移动机器人的路径规划中，包括模糊逻辑与增强学习算法、神经网络、遗传算法以及蚁群算法等。

移动机器人的运动规划算法是伴随着移动机器人的发展为满足机器人的需要而发展的。当今，无人地面、水下、空中机器人发展迅速，足球机器人比赛如火如荼，并且机器人正朝着微小型化和多机器人协作方向发展。随着星球探测和无人战争的需要，对机器人的研究越来越注重于在崎岖地形和存在着运动障碍的复杂环境中自主导航。为了满足移动机器人发展的需要，运动规划正在并且将会向高维自由度机器人、多机器人协调、动态未知环境中的规划发展。

发明内容

本发明的目的是克服现有技术中存在的不足，提供一种可以解决移动机器人实时生成避障路径的问题、可以解决不确定环境下移动机器人的路径规划、并可实现移动机器人的导航和避障问题的基于二进制量子粒子群算法的移动机器人路径规划方法。

按照本发明提供的技术方案，所述基于二进制量子粒子群算法的移动机器人路径规划方法包含如下步骤：

步骤一：把机器人简化成一个点，并在二维空间内运动，通过视觉***能感知自己目前的位姿和障碍物的位置；

步骤二：将机器人视觉***感知到的所有障碍物处理成凸多边形；

步骤三：将二维空间离散化为一系列的栅格，并对移动机器人在每一个栅格处的八个可能运动方向进行二进制编码；

步骤四：定义从起点到目标点的路径的长短为该方法需要求解的目标函数，即由路径上的栅格累积得到，计算方法具体为：

其中d表示两个栅格间的路径长度；

步骤五：针对机器人路径规划问题的离散特征，利用二进制量子粒子群算法对步骤四中的目标函数进行全局优化以得到最优的移动机器人路径，具体包括：

(5.1)粒子距离的确定：为了表示两个粒子之间的距离，引入了Hamming距离来定义它，定义两个粒子(X，Y)，它们分别有两个决策变量(Xi1，Xi2)、(Yi1，Yi2)，每一个决策变量由五位二进制编码，则两个粒子的距离可有Hamming距离表示得：

|X-Y|＝d_H(X，Y)                     (2)

它的值为两个位串对应位的不同值的数目；

(5.2)最优中值位置(mbest)的确定：mbest的值由粒子群体中每个粒子位串的相同位的值决定，通过统计每个粒子群体中统计粒子二进制编码的每一位出现0、1的概率的大小，出现0的次数多，则mbest对应的为0，反之，则为1；

(5.3)局部吸引子P_i的确定：利用多点交叉操作得到局部吸引子；即先计算出每一代的局部最优和全局最优，通过交叉的方式计算出局部吸引子；

(5.4)粒子位置的确定：

b＝α*d_H(X_id，mbest_d)*ln(1/u)，u＝rand()    (3)

其中d_H(X_id，P_id)是粒子i第d维的X_id和局部吸引子第d维的P_id的Hamming距离。

本发明与已有技术相比，过程简单，容易实现，鲁棒性好、求解效率高等优点。因此，本发明解决了移动机器人实时生成避障路径的问题。本发明解决了不确定环境下移动机器人的路径规划，实现了移动机器人的导航和避障问题，较好的实现了机器人的实时路径规划和控制，为移动机器人路径规划提供了一个有效的方法。

附图说明

图1　栅格法规划搜索区域示意图。

图2  方向编码示意图。

图3  粒子位置的二进制编码图。

图4  二进制编码粒子的多点交叉示意图。

图5  迭代15代后得到的规划路径示意图。

图6  迭代42代后得到的最佳规划路径示意图。

图7  迭代70代后得到的规划路径示意图。

图8  迭代276代后得到的最优规划路径示意图。

图9  迭代180代后得到的规划路径示意图。

图10 迭代227代后得到的最优规划路径示意图。

在所有的图中，所有的星号点“*”表示机器人行走路径，实心点表示自由空间，方块表示障碍物。

具体实施方式

下面结合具体附图和实施例对本发明作进一步说明。

实施例1：本发明基于二进制量子粒子群算法的移动机器人路径规划方法包含如下步骤：

1、把机器人简化成一个能在二维空间中运动的点，它通过视觉***能感知自己目前的位姿和障碍物的位置；而机器人所能感知的障碍物被处理成二维空间中的凸多边形。

2、根据机器人自身的尺寸确定栅格粒度的人小，用栅格法建立机器人的环境模型，即离散状态空间，建立后的样式如图1；

3、确定离散空间上八个方向的编码方式，即采用二进制编码，如图2；

4、确定问题的目标函数，即定义从起点到目标点的路径的长短为该方法需要求解的目标函数，计算方法如公式(1)；二进制量子粒子群算法中粒子位置的目标函数值作为适应值fitness；

5、实施如下二进制量子粒子群算法的步骤对目标函数进行优化以得到最优的移动机器人路径；

6、设定二进制量子粒子群算法的详细参数，即群体规模、二进制串的长度、最大迭代次数及搜索空间；群体规模一般为20～50，二进制串的长度一般取4×4×n(n为及其人工作区的边长)，最大迭代次数及搜索空间视具体情况而定。

7、初始化二进制量子粒子群算法的粒子的位置变量，以及粒子的局部最优值pbest，并求出群体的全局最优值gbest；

8、计算粒子群的中值最优位置mbest；

9、通过图4示意计算局部吸引子P_i；

10、通过公式(3)、(4)计算粒子位置X_id；

11、计算粒子新位置的适应度fitness(x_i(t+1))；

12、更新粒子的当前最优位置，即：如果fitness(x_i(t+1))<fitness(pbest_i(t))，则pbest_i(t+1)＝x_i(t+1)，否则，pbest_i(t+1)＝pbest_i(t)；

13、更新群体的最优位置，即：如果fitness(pbest_i(t+1))<fitness(gbest(t))，则gbest(t+1)＝pbest_i(t+1)；

14、循环步骤8～13，直至是达到最大迭代次数后结束，然后输出群体的全局最优位置gbest，即为移动机器人的最优路径。

如图6、7所示，机器人的工作区域为16×16的无障碍物运动空间，路径的起点为(1，1)，终点为(16，16)，算法中设置粒子群体为30，二进制串的长度为4×4×16＝256，α设为0.6。

实施例2

如图7、8所示，机器人的工作区域为16×16的有障碍物运动空间，路径的起点为(1，1)，终点为(16，16)，算法中设置粒子群体为30，4×4×16＝256，α设为0.6。

实施例3

如图9、10所示，机器人的工作区域为16×16的有障碍物运动空间，路径的起点为(4，12)，终点为(16，16)，算法中设置粒子群体为30，4×4×16＝256，α设为0.6。

Claims (2)

1、一种基于二进制量子粒子群算法的移动机器人路径规划方法，其特征在于该方法包含如下步骤：

步骤一：把机器人简化成一个点，并在二维空间内运动，通过视觉***能感知自己目前的位姿和障碍物的位置；

步骤二：将机器人视觉***感知到的所有障碍物处理成凸多边形；

步骤三：将二维空间离散化为一系列的栅格，并对移动机器人在每一个栅格处的八个可能运动方向进行二进制编码；

步骤四：定义从起点到目标点的路径的长短为该方法需要求解的目标函数，即由路径上的栅格累积得到，计算方法具体为：

其中d表示两个栅格间的路径长度；

步骤五：针对机器人路径规划问题的离散特征，利用二进制量子粒子群算法对步骤四中的目标函数进行全局优化以得到最优的移动机器人路径，具体包括：

(5.1)粒子距离的确定：为了表示两个粒子之间的距离，引入了Hamming距离来定义它，定义两个粒子(X，Y)，它们分别有两个决策变量(Xi1，Xi2)、(Yi1，Yi2)，每一个决策变量由五位二进制编码，则两个粒子的距离可有Hamming距离表示得：

|X-Y|＝d_H(X，Y)(2)

它的值为两个位串对应位的不同值的数目；

(5.2)最优中值位置(mbest)的确定：mbest的值由粒子群体中每个粒子位串的相同位的值决定，通过统计每个粒子群体中统计粒子二进制编码的每一位出现0、1的概率的大小，出现0的次数多，则mbest对应的为0，反之，则为1；

(5.3)局部吸引子P_i的确定：利用多点交叉操作得到局部吸引子；即先计算出每一代的局部最优和全局最优，通过交叉的方式计算出局部吸引子；

(5.4)粒子位置的确定：

b＝α*d_H(X_id，mbest_d)*ln(1/u)，u＝rand()  (3)

其中d_H(X_id，P_id)是粒子i第d维的X_id和局部吸引子第d维的P_id的Hamming距离。

Images