CN104503453A - 基于细菌觅食势场法的移动机器人路径规划方法 - Google Patents

Abstract

本发明涉及一种基于细菌觅食势场法的移动机器人路径规划方法，属于人工智能(AI)仿生控制技术领域。本方法在仿照细菌觅食环境建立相似机器人工作势场环境模型的基础上，通过模仿细菌在觅食过程中的趋化行为，构建了移动机器人的感知和决策行为控制策略，从而驱使单移动机器人完成路径规划任务。本发明提供的基于细菌觅食势场法的移动机器人路径规划方法顺应了机器人路径规划技术朝向仿生智能化的发展趋势，丰富了移动机器人路径规划方法，促进了群集智能在机器人领域的应用。

Description

基于细菌觅食势场法的移动机器人路径规划方法

技术领域

本发明属于人工智能(AI)仿生控制技术领域，涉及一种基于细菌觅食势场法的移动机器人路径规划方法。

背景技术

当今世界，机器人技术的应用和发展程度已经成为衡量一个国家科技和工业化水平的标准之一。因此，国内外政府和企业纷纷瞄准了机器人行业，并加快了机器人技术的研发和制造步伐。机器人路径规划技术起始于二十世纪七十年代，它是机器人导航的重要环节。路径规划指的是机器人按照某一性能指标(如行走路径最短，耗费时间最短或消耗能量最少等)，在工作空间中搜索一条从起始位置到达目标位置的最优或近似最优的无碰撞路径。近年来，随着人工智能技术的兴起和不断发展，机器人路径规划技术正由传统方法走向智能仿生化方向发展。

移动机器人在执行装配运输、抢险救灾以及助老助残等任务时，已经广泛地运用到了路径规划技术。采用良好的路径规划技术不仅可以大量减少机器人的作业时间、降低机器人磨损，同时也可以节约不少人力和物力成本。因此，开展移动机器人路径规划技术的研究工作是十分有意义和有价值的。①一方面，随着现代人生活节奏的加快和全球人口老龄化的加剧，残障人士和老年人士的生活起居因年轻一辈的工作繁忙而无法得到周到照料，他们开始对信息社会的无障碍辅助产生了新的需求。这些残疾人或者老年人一般都生活在结构化的居室中，而居室里的家具布置一般在短期内不会发生太大变化。因此，为满足他们行动不便的需要，往往可以利用群集智能路径规划方法在这样的环境中规划出一条或多条从不同位置出发，到达不同目标点的机器人移动路径来，从而为残疾人和老年人的行动导航。这样一来，不仅满足了残疾人和老年人的需要，而且还减轻了年轻人的烦恼。②另一方面，在大型工厂生产车间中往往需要利用多机器人之间的共同作用来搬运货物到指定位置，如果引进群集智能中的智能行为特性来解决多机器人的协调和协作问题，亦可大力节约人力和物力成本，方便工厂车间内的批量化生产和运输操作。

因此，对移动机器人技术的研究，特别是对路径规划技术的研究，无论针对单个机器人还是多个机器人，利用群集智能方法来解决这些问题，都有着非常可观的应用前景和影响深远的意义。细菌觅食的行为过程便是群集智能方法中的一种，在某种程度上，将其用于移动机器人路径规划研究，这将促进群集智能的应用和发展，推动人工智能学科的开拓和创新。

发明内容

有鉴于此，本发明的目的在于提供一种基于细菌觅食势场法的移动机器人路径规划方法，该方法在仿照细菌觅食场景建立相似的机器人工作环境模型的基础上，通过模仿细菌在觅食过程中的趋化行为，构建了移动机器人的感知模型和运动控制策略，从而驱使单个移动机器人完成了路径规划任务。

为达到上述目的，本发明提供如下技术方案：

一种基于细菌觅食势场法的移动机器人路径规划方法，该方法在仿照细菌觅食场景建立相似的机器人工作环境模型的基础上，通过模仿细菌在觅食过程中的趋化行为，构建了移动机器人的感知模型和运动控制策略，通过适应度函数值来评判机器人的运动方式：前进或者转向，从而驱使单个移动机器人完成路径规划任务。

进一步，该方法具体包括以下步骤：

Step 1：初始化：

1)初始化移动人的各类参数：起始点坐标[X_o,Y_o]和目标点坐标[X_g,Y_g]，机器人感知半径R，机器人移动步长λ，最大趋化步数Step_max，机器人四周传感器总个数S_n，避障权重ω₁和趋向目标权重ω₂；2)初始化环境信息：工作空间界限[X_min,X_max]和[Y_min,Y_max]，各个障碍物的中心位置[x_oi,y_oi]，边界形状C_o以及它们在X方向的作用范围δ_xi和Y方向的作用范围δ_yi；3)初始化机器人起始点处的适应度值F＝0，并设置Step＝1；

Step 2：适应度函数值更新：

按照公式F＝ω₁F_g+ω₂F_o，计算机器人当前位置(x,y)处以R为半径的感知区域上第i个传感器方向处的适应度函数F(x_i,y_i),i＝1,2,...,S_n；

Step 3：极小值点探索：

按照公式 $F(x^{*},y^{*})=\underset{n=1}{\overset{S_n}{\min }}\left(F\right),$ 寻找一个子目标点并使得 $F(x_i^{*},y_i^{*})\≤F(x_i,y_i);$

Step 4：机器人位姿更新：

如果机器人的子目标点位置的总适应度值好于机器人当前位置的适应度值，那么机器人按照公式：进行方向调整；反之，机器人则继续向前一个方向移动一个步长，此时，机器人位置按照公式 $\left[\begin{array}{c}x(t+1)\\ y(t+1)\end{array}\right]=\left[\begin{array}{c}x\left(t\right)\\ y\left(t\right)\end{array}\right]+\mathrm{\λ}\left[\begin{array}{c}\cos \mathrm{\θ}\left(t\right)\\ \sin \mathrm{\θ}\left(t\right)\end{array}\right]$ 更新；

Step5：判断结束条件：

如果机器人当前趋化步数已经达到了最大预设步数Step_max，则算法停止，输出最优位置；否则Step＝Step+1，转到Step 2；重复Step2到Step5，直到算法停止。

本发明的有益效果在于：本发明所述的方法顺应了机器人路径规划技术朝向仿生智能化的发展趋势，丰富了移动机器人路径规划方法，促进了群集智能在机器人领域的应用。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为环境信息模型示意图；

图2为机器人运动模型图；

图3为机器人的可能运动方向图；

图4为机器人感知模型图；

图5为基于细菌觅食势场法的移动机器人路径规划方法流程图；

图6为示意模型环境下基于细菌觅食势场法的机器人路径规划图；

图7为四个圆形障碍环境下基于细菌觅食势场法的机器人路径规划图；

图8为十二个圆形障碍环境下基于细菌觅食势场法的机器人路径规划图；

图9为八个圆形障碍环境下基于细菌觅食势场法的机器人路径规划图；

图10为改变起始点和目标点，八个圆形障碍环境下的机器人路径规划图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

本发明实现移动机器人路径规划的方法是：在仿照细菌觅食场景建立相似的机器人工作环境模型的基础上，通过模仿细菌在觅食过程中的趋化行为，构建了移动机器人的感知模型和运动控制策略，从而驱使单个移动机器人完成了路径规划任务。具体来说，首先，对机器人工作环境进行了仿细菌觅食场景建模，用圆形或椭圆形高斯势场轮廓模型以及它们的组合图形来表示障碍物；然后设计了一种具有环形感知环境势场的机器人感知***模型；最后模仿菌群的趋化行为策略，从而实现移动机器人的路径搜索和规划。

下面通具体实施例对本发明技术方案进行详细说明。

(1)环境建模

假设障碍物均为圆形障碍物，其半径已经按照机器人半径尺寸进行膨胀，这样移动机器人便可以视为一个质点。定义目标点的高斯轮廓信息为：

$U_{\mathrm{goal}}\left(X\right)=-\frac{k_g}{2}\exp (-\left(\frac{{(X-X_g)}^2}{r^2}\right))---\left(1\right)$

障碍物的高斯轮廓信息为：

$U_{\mathrm{obstacle}}(x,y)=\frac{k_o}{2}\exp (-{(\frac{{(x-x_o)}^2}{{\mathrm{\δ}}_x^2}+\frac{{(y-y_o)}^2}{{\mathrm{\δ}}_y^2})}^{C_o})---\left(2\right)$

以上两式中：k_g＞0，k_o＞0分别表示目标轮廓信息的吸引强度调节因子和障碍物轮廓信息的排斥强度调节因子；r＞0表示目标的作用范围，δ_x＞0,δ_y＞0，表示障碍物在工作空间X和Y方向的作用半径；X＝(x,y)，表示机器人的当前坐标位置；X_g＝(x_g,y_g)，表示目标的中心位置坐标；X_o＝(x_o,y_o)，表示障碍物的中心位置坐标，C_o是一个正常数，反映的是障碍物势场轮廓边界处的形状。环境建模如图1所示。

(2)机器人运动模型

细菌在觅食时，如果某一处的营养物质丰富，那么细菌会继续停留在这个区域内觅食，它将朝着先前的觅食方向进行一次游动；如果细菌在这一处的营养物质匮乏或者发现了有威胁自身生存的有害物质，那么细菌会在原地发生一次翻转，并开始远离这个区域。式(3)描述了细菌这一行为的位置更新过程：

$\left[\begin{array}{c}x(t+1)\\ y(t+1)\end{array}\right]=\left[\begin{array}{c}x\left(t\right)\\ y\left(t\right)\end{array}\right]+\mathrm{\λ}\left[\begin{array}{c}\cos \mathrm{\θ}\left(t\right)\\ \sin \mathrm{\θ}\left(t\right)\end{array}\right]$

其中：λ表示细菌的一次游动步长，θ表示细菌翻转时的倾向角。

移动机器人在模拟细菌执行路径规划任务时，可以通过前进和转弯两种行为来分别对应细菌的游动和翻转行为。为此，本实施例建立了如图2所示的移动机器人运动模型。实际应用中，它可以是一种由一对驱动轮和一个万向轮构成的轮式机器人。它的位姿可以用(x,y,θ)表示，其运动方程可以表示如下：

$\left[\begin{array}{c}\stackrel{\·}{x}\left(t\right)\\ \stackrel{\·}{y}\left(t\right)\\ \stackrel{\·}{\mathrm{\θ}}\left(t\right)\end{array}\right]=\left[\begin{array}{c}v\left(t\right)\cos \mathrm{\θ}\left(t\right)\\ v\left(t\right)\sin \mathrm{\θ}\left(t\right)\\ \mathrm{\ω}\left(t\right)\end{array}\right]---\left(4\right)$

式中：[x,y]代表Robot的几何中心坐标，θ代表Robot在t时刻的方向角，v(t)和ω(t)分别是Robot在t时刻的线速度和角速度。

(3)机器人运动及感知策略

移动机器人在模拟细菌执行路径规划任务时，可以使用“前进”和“转向”两种行为来与细菌的“游动”和“翻转”行为相对应。在前面介绍的细菌趋化行为中，细菌翻转的方向是随机方向，这样不仅不利于细菌的优化觅食，而且将这种运动策略用于移动机器人路径规划，往往还会导致机器人运动盲目，降低路径规划性能。因此，如果将机器人的转向方向细分为以机器人为中心的几个可能方向(如图3所示)，利用机器人自身传感器来感知并评价这些方向的环境势场信息，那么机器人在转向时将更有方向性，从而避免了因随机选择方向不佳而带来的不灵活性。

综上所述，本实施例构建了如图4所示的机器人感知模型，图中R表示Robot的感知半径，λ表示Robot的运动步长，θ表示机器人t时刻的移动方向角。图4将机器人看成一个质点，机器人利用均匀遍布在自身四周的传感器S₁,S₂,...,S_n，可以获取环境中目标和障碍物的合势场轮廓信息，通过计算机器人在当前各个传感器方向的适应度值大小，从而选择出一个最适宜的方向作为机器人的下一步前进方向。假设机器人在原地转向时，不发生位移变化，那么机器人每执行一次趋向性运动后的位置更新如下：

$\left[\begin{array}{c}x(t+1)\\ y(t+1)\end{array}\right]=\left[\begin{array}{c}x\left(t\right)\\ y\left(t\right)\end{array}\right]+\mathrm{\λ}\left[\begin{array}{c}\cos \mathrm{\θ}\left(t\right)\\ \sin \mathrm{\θ}\left(t\right)\end{array}\right]---\left(5\right)$

(4)适应度函数构建及评价

为了使移动机器人在运动过程中按照人类的寻优经验搜索路径，移动机器人在执行路径规划任务时，不仅要尽量趋向目标位置运动，即趋向性；还要保障机器人自身在行驶过程中的安全，即安全性。因此，在保障了趋向性F_g和安全性F_o的条件下，结合前面的高斯势场环境模型，按照加权求和法的思想，构建移动机器人的路径适应度函数为：

F＝ω₁F_g+ω₂F_o  (6)

其中：

F_g＝(x_g-x)²+(y_g-y)²  (7)

$F_o=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\left(\exp \right[-{(\frac{{(x-x_{\mathrm{oi}})}^2}{{{\mathrm{\δ}}_{\mathrm{ix}}}^2}+\frac{{(y-y_{\mathrm{oi}})}^2}{{{\mathrm{\δ}}_{\mathrm{iy}}}^2})}^{C_o}\left]\right)---\left(8\right)$

ω₁,ω₂分别表示趋向和避障的控制权重，ω₂一般会比ω₁大很多；F_g表示机器人当前路径点距目标点的欧式距离的平方，它保障了机器人的趋向性运动；F_o表示K个障碍物对机器人当前位置的排斥势场之和，它保障了机器人的安全性；[x,y]和[x_oi,y_oi]分别表示机器人当前坐标位置和第i个障碍物的中心坐标；δ_ix,δ_iy表示第i个障碍物在X和Y方向的作用半径。

通过建立式(6)的路径适应度函数，便可以利用机器的人感知模型来评价机器人在S_n个传感器方向的适应度值。这里，选取的是适应度值最小的方向，因此机器人在决定下一步前进方向时，需要寻找到一个子目标点并满足式(9)，从而驱使机器人转向。

$F(x^{*},y^{*})=\underset{n=1}{\overset{S_n}{\min }}\left(F\right)---\left(9\right)$

(5)方法实现步骤

基于细菌觅食势场法的移动机器人路径规划方法执行流程图如图5所示，具体步骤如下：

1)初始化。①初始化移动人的各类参数：起始点坐标[X_o,Y_o]和目标点坐标[X_g,Y_g]，机器人感知半径R，机器人移动步长λ，最大趋化步数Step_max，机器人四周传感器总个数S_n，避障权重ω₁和趋向目标权重ω₂；②初始化环境信息：工作空间界限[X_min,X_max]和[Y_min,Y_max]，各个障碍物的中心位置[x_oi,y_oi]，边界形状C_o以及它们在X方向的作用范围δ_xi和Y方向的作用范围δ_yi；③初始化机器人起始点处的适应度值F＝0，并设置Step＝1。

2)适应度函数值更新。按照式(6)，计算机器人当前位置(x,y)处以R为半径的感知区域上第i个传感器方向处的适应度函数F(x_i,y_i),i＝1,2,...,S_n。

3)极小值点探索。按照式(9)，寻找一个子目标点(x_i ^*,y_i ^*)，并使得F(x_i ^*,y_i ^*)≤F(x_i,y_i)。

4)机器人位姿更新。如果机器人的子目标点位置的总适应度值好于机器人当前位置的适应度值，那么机器人按照式(10)进行方向调整；反之，机器人则继续向前一个方向移动一个步长。此时，机器人位置按照式(5)更新：

$\mathrm{\θ}(t+1)=\mathrm{\θ}\left(t\right)+\frac{2\mathrm{\π}}{S_n}\×(S_{t+1}-S_t)---\left(10\right)$

5)判断结束条件。如果机器人当前趋化步数已经达到了最大预设步数Step_max，则算法停止，输出最优位置；否则趋化步数Step＝Step+1，转到步骤2)。

最终利用该方法，在不同规模大小的环境下的实验结果如图6～图10所示。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (2)

1.一种基于细菌觅食势场法的移动机器人路径规划方法，其特征在于：该方法在仿照细菌觅食场景建立相似的机器人工作环境模型的基础上，通过模仿细菌在觅食过程中的趋化行为，构建了移动机器人的感知模型和运动控制策略，通过适应度函数值来评判机器人的运动方式：前进或者转向，从而驱使单个移动机器人完成路径规划任务。

2.根据权利要求1所述的一种基于细菌觅食势场法的移动机器人路径规划方法，其特征在于：该方法具体包括以下步骤：

Step 1：初始化：

1)初始化移动人的各类参数：起始点坐标[X_o,Y_o]和目标点坐标[X_g,Y_g]，机器人感知半径R，机器人移动步长λ，最大趋化步数Step_max，机器人四周传感器总个数S_n，避障权重ω₁和趋向目标权重ω₂；2)初始化环境信息：工作空间界限[X_min,X_max]和[Y_min,Y_max]，各个障碍物的中心位置[x_oi,y_oi]，边界形状C_o以及它们在X方向的作用范围δ_xi和Y方向的作用范围δ_yi；3)初始化机器人起始点处的适应度值F＝0，并设置Step＝1；

Step 2：适应度函数值更新：

按照公式F＝ω₁F_g+ω₂F_o，计算机器人当前位置(x,y)处以R为半径的感知区域上第i个传感器方向处的适应度函数F(x_i,y_i),i＝1,2,...,S_n；

Step 3：极小值点探索：

按照公式 $F(x^{*},y^{*})=\underset{n=1}{\overset{S_n}{\min }}\left(F\right),$ 寻找一个子目标点并使得 $F(x_i^{*},y_i^{*})\≤F(x_i,y_i);$

Step 4：机器人位姿更新：

如果机器人的子目标点位置的总适应度值好于机器人当前位置的适应度值，那么机器人按照公式：进行方向调整；反之，机器人则继续向前一个方向移动一个步长，此时，机器人位置按照公式 $\left[\begin{array}{c}x(t+1)\\ y(t+1)\end{array}\right]=\left[\begin{array}{c}x\left(t\right)\\ y\left(t\right)\end{array}\right]+\mathrm{\λ}\left[\begin{array}{c}\cos \mathrm{\θ}\left(t\right)\\ \sin \mathrm{\θ}\left(t\right)\end{array}\right]$ 更新；

Step5：判断结束条件：

如果机器人当前趋化步数已经达到了最大预设步数Step_max，则算法停止，输出最优位置；否则Step＝Step+1，转到Step 2；重复Step2到Step5，直到算法停止。