CN105045260A - 一种未知动态环境下的移动机器人路径规划方法 - Google Patents

Abstract

本发明公开了一种未知动态环境下的移动机器人路径规划方法，该方法将每个位置转化为一个神经元，利用神经元的活性值来表征环境变化，巧妙的利用生物激励神经网络模型来模拟动态环境；生物激励神经网络模型保证了正的神经元活性值能够向外传播并影响整个状态空间，而负的神经元活性值只作用在局部。在下一个位置点的决策中同时包含了神经元活性值最大和机器人转角最小因素，得到的路径不仅最短或接近最短，且路径平滑，转弯较少。本方法没有局部最小点问题，计算量小，实现简单，在动态未知环境下有很好的适应性。

Description

一种未知动态环境下的移动机器人路径规划方法

技术领域

本发明涉及一种移动机器人的路径规划方法，尤其涉及一种在动态未知复杂环境下的移动机器人路径规划方法。

背景技术

随着技术的发展，移动机器人的应用范围越来越广泛。移动机器人开始逐渐从规则的室内环境拓展到更复杂、特征不规则的室外非结构环境。路径规划是机器人导航技术的重要环节，它是按照某一性能指标搜索一条从初始状态到目标状态的最优或近似最优的无碰路径。

常见的路径规划方法主要有人工势场法、A*算法、神经网络等。但这些方法对于不同的实际问题总存在一定的缺陷。人工势场法存在局部最小点问题，会导致机器人无法到达目标点。A*算法需要对环境的先验知识，当环境信息改变时，需要重新规划，计算量大。一些神经网络模型仅能够处理静态环境，BP神经网络模型能够产生避障轨迹，但是需要学***滑。

发明内容

针对上述问题，本发明提出了一种新的动态未知环境下的路径规划方法，该方法不需要实时动态环境的任何先验知识，计算量小，适用于未知动态环境下的路径规划。

一种未知动态环境下的移动机器人路径规划方法，包括以下几个步骤：

步骤1：构建栅格地图；

以移动机器人的几何中心点为移动坐标系原点，移动机器人的指向为X轴的正方向，建立移动坐标系；

以移动机器人开始移动前所在位置为全局坐标系原点，移动机器人开始移动前的指向为X轴的正方向，建立全局坐标系；

将全局坐标系按照设定的规划精度p转化为栅格地图，所述栅格地图中每个栅格的长和宽分别为Δx＝p和Δy＝p；

p取值范围为0.1m到0.3m；

将移动机器人所在工作环境中的已知的静态障碍物、目标点以及移动机器人当前位置在全局坐标系中的坐标转化为栅格地图坐标表示：

其中，(x*,y*)表示在物体在全局坐标系中的坐标；

步骤2：将栅格地图中的每个坐标点作为一个神经元，并初始化每个神经元的活性值为0；

步骤3：判断移动机器人当前所在位置是否与目标点位置相同，若相同，则当前路径规划结束；否则，进入步骤4；

步骤4：读取声纳测距数据，并更新神经元活性值；

间隔时间T读取一次移动机器人上的声纳传感器所采集的工作环境中障碍物的测距数据，并依据测距数据获取障碍物的全局坐标系坐标，并将全局坐标系中每个坐标对应的神经元的活性值x_i按照以下公式更新：

$\frac{d{x}_i}{\mathrm{dt}}=-A{x}_i+(B-x_i)S_i^e-(D+x_i){\left[I_i\right]}^{-}$

其中，x_i是第i个神经元的活性值；A表示衰减率，取值范围为[8,15]；B和D分别为神经元活性值的上界和下界，取值分别为1和-1；

间隔时间T的取值范围为(0,1s]；

I_i表示第i个神经元的外部输入：

如果第i个神经元对应的坐标位置为目标点位置，则I_i＝E；

如果第i个神经元对应的坐标位置为障碍物位置，则I_i＝-E；

其他情况下，I_i＝0；

E为外部输入常数，取大于或等于80的整数；

S_i表示第i个神经元的激励输入，其取值依据第i个神经元是否处于障碍物之间确定：

当第i个神经元对应的坐标位置处于障碍物之间时：

$S_i={\left[I_i\right]}^{+}+\frac{{\mathrm{\Σ}}_{j=1}^{n^i}{\mathrm{\ω}}_{\mathrm{ij}}{\left[x_j^i\right]}^{+}}{n_{\mathrm{pos}}^i}{n}^i$

当第i个神经元对应的坐标位置处于障碍物之间时：

$S_i={\left[I_i\right]}^{+}+\frac{{\mathrm{\Σ}}_{j=1}^{n^i}{\mathrm{\ω}}_{\mathrm{ij}}{\left[x_j^i\right]}^{+}}{n_{\mathrm{pos}}^i}(n^i-n_{\mathrm{neg}}^i)$

其中，[a]^-＝max{-a,0}，[a]⁺＝max{a,0}；d_ij表示两个神经元q_i和q_j之间的欧式距离，μ₀表示距离常数，取值范围为(0.2,1.2]；表示第i个神经元对应的坐标位置的第j个相邻点对应的神经元活性值；nⁱ表示第i个神经元对应的坐标位置的相邻点个数，移动机器人所有可能的下一个位置点称为相邻点；为第i个神经元对应的坐标位置的相邻点中对应的神经元活性值大于0的点的个数，为第i个神经元对应的坐标位置的相邻点中对应的神经元活性值小于0的点的个数；

步骤5：依据更新的神经元活性值和最小转角，对移动机器人的下一个移动位置进行决策，得到下一个移动位置；

步骤6：移动机器人按照步骤5获取的位置前进，返回步骤3。

所述步骤5中下一个移动位置决策按照以下公式确定：

$q_n\⇐x_{\mathrm{qn}}=\max \{x_j^i/x_i+c{y}_j^i,j=\mathrm{1,2,3}...n^i\}$

其中，q_n表示机器人可能移动到的下一个位置，即相邻点中的一个，代表相邻点q_n的活性值；

【栅格地图中每个坐标位置对应的神经元活性值为已知，根据已知活性值的神经元，任意选取对应的坐标位置作为下一个移动位置；】

c表示权重因子，取值范围为[0.3,3]，表示转角影响因子，

$\mathrm{\Δ}{\mathrm{\θ}}_j^i=|{\mathrm{\θ}}_j^i-{\mathrm{\θ}}_c^i|=|a\tan 2(y_{\mathrm{qj}}^i-y_{\mathrm{qc}}^i,x_{\mathrm{qj}}^i-x_{\mathrm{qc}}^i)-a\tan 2(y_{\mathrm{qc}}^i-y_{\mathrm{qp}}^i,x_{\mathrm{qc}}^i-x_{\mathrm{qp}}^i)|$

其中，和分别为第i个神经元对应的坐标位置的第j个相邻点q_j的在栅格地图中的横坐标和纵坐标，和分别为第i个神经元对应的坐标位置所在当前位置点q_c在栅格地图中的横坐标和纵坐标，和分别为第i个神经元对应的坐标位置所在上一个位置点q_p在栅格地图中的横坐标和纵坐标。

所述移动机器人上安装的声纳传感器的安装角度为α时，探测到前方距离为d的位置有障碍物时，令移动机器人在全局坐标系中的方向角度为θ_r全局坐标为(x_r,y_r)、，则障碍物在栅格地图中的坐标为： $x_i=\frac{d\sin ({\mathrm{\θ}}_r+\mathrm{\α})}{\mathrm{\Δx}}+x_r,y_t=\frac{d\cos ({\mathrm{\θ}}_r+\mathrm{\α})}{\mathrm{\Δy}}+y_r.$

机器人的指向与全局坐标系X轴正方向的夹角，范围是+180度到-179度；

所述外部输入常数A取值为10。该常数的大小对神经元活性值的分布有着决定性的作用，当A取值过小(小于3)会导致活性值迅速饱和，路径规划效果不好；当A取值过大(大于20)时，会导致机器人跟踪目标运动轨迹的效果不好。

所述权重因子c取值为1。取值为1时，路径规划效果较好，当c取值大于1时，转角因素的比重偏大，导致路径的误决策；当取值小于1时，转角因素所占比重偏小，路径点平滑度比较低。

距离常数μ₀取值为1。该常数对神经元活性值的分布有重要作用，当该值取得过小(小于0.2)时，会影响正的活性值的传播，当该值取得过大时(大于1.5)，会导致活性值迅速饱和，有可能使机器人无法抵达目标点。

有益效果

本发明提供了一种未知动态环境下的移动机器人路径规划方法，该方法将每个位置转化为一个神经元，利用神经元的活性值来表征环境变化，巧妙的利用生物激励神经网络模型来模拟动态环境；生物激励神经网络模型保证了正的神经元活性值能够向外传播并影响整个状态空间，而负的神经元活性值只作用在局部。目标点和障碍物的神经元活性值分别处在波峰和波谷处，因此，目标点通过神经元活性值在整个状态空间中的传播吸引机器人，而障碍物只能够在局部排斥机器人，不存在极小点问题。在边界附近和障碍物之间的点进行特殊处理，加入假想的非障碍物临近点，能够有效地解决路径错判问题。同时考虑活性值最大和转角最小因素能够有效地保证路径的长度最短且减小转向次数，大大提高了路径质量。

该方法能够应用在环境信息部分未知或完全未知且存在静态和动态障碍物的情况下，在下一个位置点的决策中同时包含了神经元活性值最大和机器人转角最小因素，得到的路径不仅最短或接近最短，且路径平滑，转弯较少。本方法没有局部最小点问题，计算量小，实现简单，在动态未知环境下有很好的适应性。

附图说明

图1是该方法的流程图；

图2机器人内部坐标系

图3是声纳安装角度示意图；

图4是障碍物之间的临近点示意图，没有边界外的临近点；

图5是障碍物之间的临近点示意图，有边界外的临近点；

图6是非障碍物之间的临近点示意图，没有边界外的临近点；

图7是非障碍物之间的临近点示意图，有边界外的临近点；

图8是该方法在U型障碍物中的生成路径；

图9是该方法在未知动态环境下的生成路径。

具体实施方式

下面将结合附图和实施例对本发明作进一步的说明。

如图1所示，为本发明所述方法的流程图，一种未知动态环境下的移动机器人路径规划方法，包括以下几个步骤：

步骤1：构建栅格地图；

以移动机器人的几何中心点为移动坐标系原点，移动机器人的指向为X轴的正方向，建立移动坐标系，如图2所示；

以移动机器人开始移动前所在位置为全局坐标系原点，移动机器人开始移动前的指向为X轴的正方向，建立全局坐标系；

将全局坐标系按照设定的规划精度p转化为栅格地图，所述栅格地图中每个栅格的长和宽分别为Δx＝p和Δy＝p；

p取值为0.3m；

将移动机器人所在工作环境中的已知的静态障碍物、目标点以及移动机器人当前位置在全局坐标系中的坐标转化为栅格地图坐标表示：

其中，(x*,y*)表示在物体在全局坐标系中的坐标；

步骤2：将栅格地图中的每个坐标点作为一个神经元，并初始化每个神经元的活性值为0；

步骤3：判断移动机器人当前所在位置是否与目标点位置相同，若相同，则当前路径规划结束；否则，进入步骤4；

步骤4：读取声纳测距数据，并更新神经元活性值；

如图3所示，所述移动机器人上安装的声纳传感器的安装角度为α时，探测到前方距离为d的位置有障碍物时，令移动机器人在全局坐标系中的方向角度为θ_r全局坐标为(x_r,y_r)则障碍物在栅格地图中的坐标为： $x_i=\frac{d\sin ({\mathrm{\θ}}_r+\mathrm{\α})}{\mathrm{\Δx}}+x_r,y_t=\frac{d\cos ({\mathrm{\θ}}_r+\mathrm{\α})}{\mathrm{\Δy}}+y_r.$

机器人的指向与全局坐标系X轴正方向的夹角，范围是+180度到-179度；

间隔时间T读取一次移动机器人上的声纳传感器所采集的工作环境中障碍物的测距数据，并依据测距数据获取障碍物的全局坐标系坐标，并将全局坐标系中每个坐标对应的神经元的活性值x_i按照以下公式更新：

$\frac{d{x}_i}{\mathrm{dt}}=-A{x}_i+(B-x_i)S_i-(D+x_i){\left[I_i\right]}^{-}$

其中，x_i是第i个神经元的活性值；A表示衰减率，取值范围为[8,15]，本实例中取值为10；B和D分别为神经元活性值的上界和下界，取值分别为1和-1；

间隔时间T的取值100ms；

I_i表示第i个神经元的外部输入：

如果第i个神经元对应的坐标位置为目标点位置，则I_i＝E；

如果第i个神经元对应的坐标位置为障碍物位置，则I_i＝-E；

其他情况下，I_i＝0；

E为外部输入常数，取大于或等于80的整数；

S_i表示第i个神经元的激励输入，其取值依据第i个神经元是否处于障碍物之间确定：

当第i个神经元对应的坐标位置处于障碍物之间时：

$S_i={\left[I_i\right]}^{+}+\frac{{\mathrm{\Σ}}_{j=1}^{n^i}{\mathrm{\ω}}_{\mathrm{ij}}{\left[x_j^i\right]}^{+}}{n_{\mathrm{pos}}^i}{n}^i$

当第i个神经元对应的坐标位置处于障碍物之间时：

$S_i={\left[I_i\right]}^{+}+\frac{{\mathrm{\Σ}}_{j=1}^{n^i}{\mathrm{\ω}}_{\mathrm{ij}}{\left[x_j^i\right]}^{+}}{n_{\mathrm{pos}}^i}(n^i-n_{\mathrm{neg}}^i)$

其中，[a]^-＝max{-a,0}，[a]⁺＝max{a,0}；d_ij表示两个神经元q_i和q_j之间的欧式距离，μ₀表示距离常数，取值范围为(0.2,1.2]；nⁱ表示第i个神经元对应的坐标位置的相邻点个数，移动机器人所有可能的下一个位置点称为相邻点；如图4、5、6、7所示，标号为5的方格四周的8个方格均为其相邻点；

图4、5、6、7是神经元的九邻域示意图，粗的实线代表边界，细的实线框代表边界内的点，虚线框代表边界外的点。编号为5的方格为当前位置点，阴影方格代表障碍物点，没有阴影的方格代表非障碍物点。当方格5的左右、上下或者对角的两个方格，即方格1和9、3和7、4和6、2和8同时为障碍物点时，即可认为该神经元处于障碍物之间。

图4、5所示的便是神经元处于障碍物之间的情况；

为第i个神经元对应的坐标位置的相邻点中对应的神经元活性值大于0的点的个数，为第i个神经元对应的坐标位置的相邻点中对应的神经元活性值小于0的点的个数；

步骤5：依据更新的神经元活性值和最小转角，对移动机器人的下一个移动位置进行决策，得到下一个移动位置；

步骤6：移动机器人按照步骤5获取的位置前进，返回步骤3。

所述步骤5中下一个移动位置决策按照以下公式确定：

$q_n\⇐x_{\mathrm{qn}}=\max \{x_j^i/x_i+c{y}_j^i,j=\mathrm{1,2,3}...n^i\}$

其中，表示第i个神经元对应的坐标位置的第j个相邻点对应的神经元活性值；q_n表示机器人可能移动到的下一个位置，即相邻点中的一个，代表相邻点q_n的活性值；

【栅格地图中每个坐标位置对应的神经元活性值为已知，根据已知活性值的神经元，任意选取对应的坐标位置作为下一个移动位置；】

c表示权重因子，取值范围为[0.3,3]，本实例中取值为2；表示转角影响因子， $y_j^i=1-\frac{\mathrm{\Δ}{\mathrm{\θ}}_j^i}{\mathrm{\π}},\mathrm{\Δ}{\mathrm{\θ}}_j^i\∈[0,\mathrm{\π}];$

$\mathrm{\Δ}{\mathrm{\θ}}_j^i=|{\mathrm{\θ}}_j^i-{\mathrm{\θ}}_c^i|=|a\tan 2(y_{\mathrm{qj}}^i-y_{\mathrm{qc}}^i,x_{\mathrm{qj}}^i-x_{\mathrm{qc}}^i)-a\tan 2(y_{\mathrm{qc}}^i-y_{\mathrm{qp}}^i,x_{\mathrm{qc}}^i-x_{\mathrm{qp}}^i)|$

其中，和分别为第i个神经元对应的坐标位置的第j个相邻点q_j的在栅格地图中的横坐标和纵坐标，和分别为第i个神经元对应的坐标位置所在当前位置点q_c在栅格地图中的横坐标和纵坐标，和分别为第i个神经元对应的坐标位置所在上一个位置点q_p在栅格地图中的横坐标和纵坐标。

是机器人从当前位置移动到下一个位置的绝对转角，例如，当机器人直线前进时， $\mathrm{\Δ}{\mathrm{\θ}}_j^i=0,$ 当机器人调头时， $\mathrm{\Δ}{\mathrm{\θ}}_j^i=\mathrm{\π}.$

图8是该算法在U型障碍物问题下生成的路径，从图中可以看出，没有局部最小点问题，路径平滑，转弯少。

图9是该方法在动态环境下的生成路径。图中空心点代表实际存在但未被传感器探测到的点，实心点代表被传感器探测到的点，环境中左右两边有钩形的固定障碍物，上方有一个直线的固定障碍物。中间有两个相距5个单位的直线移动障碍物，障碍物1初始位置的纵坐标为20，障碍物2初始位置的纵坐标为14，在机器人开始移动时，两个障碍物同时以恒定的速度开始上下往返移动，移动速度均为机器人移动速度的三分之一。机器人的起始点坐标为(15,1)，目标点坐标为(15,30)。图中的五角星号代表机器人移动到路径，加号代表机器人在移动过程中创建的增量式地图。

Claims (6)

1.一种未知动态环境下的移动机器人路径规划方法，其特征在于，包括以下几个步骤：

步骤1：构建栅格地图；

以移动机器人的几何中心点为移动坐标系原点，移动机器人的指向为X轴的正方向，建立移动坐标系；

以移动机器人开始移动前所在位置为全局坐标系原点，移动机器人开始移动前的指向为X轴的正方向，建立全局坐标系；

将全局坐标系按照设定的规划精度p转化为栅格地图，所述栅格地图中每个栅格的长和宽分别为Δx＝p和Δy＝p；

p取值范围为0.1m到0.3m；

将移动机器人所在工作环境中的已知的静态障碍物、目标点以及移动机器人当前位置在全局坐标系中的坐标转化为栅格地图坐标表示：

其中，(x*,y*)表示在物体在全局坐标系中的坐标；

步骤2：将栅格地图中的每个坐标点作为一个神经元，并初始化每个神经元的活性值为0；

步骤3：判断移动机器人当前所在位置是否与目标点位置相同，若相同，则当前路径规划结束；否则，进入步骤4；

步骤4：读取声纳测距数据，并更新神经元活性值；

间隔时间T读取一次移动机器人上的声纳传感器所采集的工作环境中障碍物的测距数据，并依据测距数据获取障碍物的全局坐标系坐标，并将全局坐标系中每个坐标对应的神经元的活性值x_i按照以下公式更新：

$\frac{d{x}_i}{\mathrm{dt}}=-A{x}_i+(B-x_i)S_i-(D+x_i){\left[I_i\right]}^{-}$

其中，x_i是第i个神经元的活性值；A表示衰减率，取值范围为[3,20]；B和D分别为神经元活性值的上界和下界，取值分别为1和-1；

间隔时间T的取值范围为(0,1s]；

I_i表示第i个神经元的外部输入：

如果第i个神经元对应的坐标位置为目标点位置，则I_i＝E；

如果第i个神经元对应的坐标位置为障碍物位置，则I_i＝-E；

其他情况下，I_i＝0；

E为外部输入常数，取大于或等于80的整数；

S_i表示第i个神经元的激励输入，其取值依据第i个神经元是否处于障碍物之间确定：

当第i个神经元对应的坐标位置处于障碍物之间时：

$S_i={\left[I_i\right]}^{+}+\frac{{\mathrm{\Σ}}_{j=1}^{n^i}{\mathrm{\ω}}_{\mathrm{ij}}{\left[x_j^i\right]}^{+}}{n_{\mathrm{pos}}^i}{n}^i$

当第i个神经元对应的坐标位置处于障碍物之间时：

$S_i={\left[I_i\right]}^{+}+\frac{{\mathrm{\Σ}}_{j=1}^{n^i}{\mathrm{\ω}}_{\mathrm{ij}}{\left[x_j^i\right]}^{+}}{n_{\mathrm{pos}}^i}(n^i-n_{\mathrm{neg}}^i)$

其中，[a]^-＝max{-a,0}，[a]⁺＝max{a,0}；d_ij表示两个神经元q_i和q_j之间的欧式距离，μ₀表示距离常数，取值范围为(0.2,1.2]；nⁱ表示第i个神经元对应的坐标位置的相邻点个数，移动机器人所有可能的下一个位置点称为相邻点；表示第i个神经元对应的坐标位置的第j个相邻点对应的神经元活性值；为第i个神经元对应的坐标位置的相邻点中对应的神经元活性值大于0的点的个数，为第i个神经元对应的坐标位置的相邻点中对应的神经元活性值小于0的点的个数；

步骤5：依据更新的神经元活性值和最小转角，对移动机器人的下一个移动位置进行决策，得到下一个移动位置；

步骤6：移动机器人按照步骤5获取的位置前进，返回步骤3。

2.根据权利要求1所述的一种未知动态环境下的移动机器人路径规划方法，其特征在于，所述步骤5中下一个移动位置决策按照以下公式确定：

$q_n\⇐x_{\mathrm{qn}}=\max \{x_j^i/x_i+{\mathrm{cy}}_j^i,j=\mathrm{1,2,3}...n^i\}$

其中，q_n表示机器人可能移动到的下一个位置，即相邻点中的一个，代表相邻点q_n的活性值；c表示权重因子，取值范围为[0.3,3]，表示转角影响因子，

$\mathrm{\Δ}{\mathrm{\θ}}_j^i=|{{\mathrm{\θ}}_j}^i-{\mathrm{\θ}}_c^i|=|a\tan 2(y_{\mathrm{qj}}^i-y_{\mathrm{qc}}^i,x_{\mathrm{qj}}^i-x_{\mathrm{qc}}^i)-a\tan 2(y_{\mathrm{qc}}^i-y_{\mathrm{qp}}^i,x_{\mathrm{qc}}^i-x_{\mathrm{qp}}^i)|$

其中，和分别为第i个神经元对应的坐标位置的第j个相邻点q_j的在栅格地图中的横坐标和纵坐标，和分别为第i个神经元对应的坐标位置所在当前位置点q_c在栅格地图中的横坐标和纵坐标，和分别为第i个神经元对应的坐标位置所在上一个位置点q_p在栅格地图中的横坐标和纵坐标。

3.根据权利要求2所述的一种未知动态环境下的移动机器人路径规划方法，其特征在于，所述移动机器人上安装的声纳传感器的安装角度为α时，探测到前方距离为d的位置有障碍物时，令移动机器人在全局坐标系中的方向角度为θ_r全局坐标为(x_r,y_r)、，则障碍物在栅格地图中的坐标为： $x_t=\frac{d\sin ({\mathrm{\θ}}_r+\mathrm{\α})}{\mathrm{\Δx}}+x_r,y_t=\frac{d\cos ({\mathrm{\θ}}_r+\mathrm{\α})}{\mathrm{\Δy}}+y_r.$

4.根据权利要求1-3任一项所述的一种未知动态环境下的移动机器人路径规划方法，其特征在于，所述衰减率A取值为10。

5.根据权利要求1-3任一项所述的一种未知动态环境下的移动机器人路径规划方法，其特征在于，所述权重因子c取值为1。

6.根据权利要求1-3任一项所述的一种未知动态环境下的移动机器人路径规划方法，其特征在于，所述距离常数μ₀取值为1。