CN105511457A - 机器人静态路径规划方法 - Google Patents

Abstract

一种机器人静态路径规划方法，包括：设定目标点，以目标点为终点，在地图范围内建立人工势场；引入粒子群算法，在机器人的起点设有数量为m的粒子群，第i个粒子在第t步的飞行速度为按照人工势场并结合粒子群算法对每个粒子从起点到终点的路径进行模拟行走，在模拟行走的过程中，每个粒子形成各自的运动轨迹；大部分粒子逐渐向多条轨迹中的一条轨迹聚拢收敛，进而在地图范围内得到从起点到终点的最优行走路径；机器人最终按照最优行走路径，完成从起点到终点的运动过程。本发明将势场法、栅格法和粒子群法结合起来，直接求取栅格地图上的势场分布，由势场目标点开始沿势场下降最快方向得到预规划路径，安全有效且路径规划准确可靠。

Description

机器人静态路径规划方法

技术领域

本发明涉及一种机器人静态路径规划方法，属于机器人路径规划技术领域。

背景技术

自移动机器人的路径规划问题是机器人领域的核心问题之一，根据机器人对空间环境的已知程度，路径规划问题可以被分为静态路径规划和动态路径规划。针对路径规划问题，曾经提出了许多算法，主要包括势场法、栅格法和粒子群法。以传统的人工势场法为例，它采用的是基于矢量合成的方法，通过直观的规则即在源于障碍物的排斥力与源于目标点的吸引力的合力作用下规划机器人的运动路径。在只有局部信息的情况下，它的避障策略是十分有效的。但由于机器人运动的速度以及方向取决于力矢量和的大小和方向，当合力为零时，机器人就无法运动了，从而陷入局部极小点的困境。另外，传统的人工势场法是根据机器人周围障碍物以及目标点对机器人的作用求出对机器人当前位置的合力，然后根据合力给出机器人的运动方向，调整机器人位置。根据行进过程中传感器不断返回来的数据，求出地图中每个节点相对于起点的势场值。势场值由起始点依相邻节点的代价值依次递减，直到目标点。障碍物处的势场值为无穷大，表明障碍物不可达。离散势场构造完毕后，由势场目标点开始沿势场下降最快方向得到预规划路径。机器人沿预规划路径运动，直到环境信息改变或到达目标点。由于传统的人工势场法采用的是基于矢量合成的方法，它通过直观的规则即在源于障碍物的排斥力与源于目标点的吸引力的合力作用下规划机器人的运动。在只有局部信息的情况下，它的避障策略是十分有效的。但由于机器人运动的速度以及方向取决于力矢量和的大小和方向，当合力为零时，机器人就无法运动了，这就是采用人工势场法易陷入局部极小点的原因。对于粒子群算法，在初始阶段，粒子的行走路径较分散，路径的收敛速度较慢，影响路径规划的效率。因此，不同的算法都具有各自的优势，但也有其方法上的局限性。

发明内容

本发明所要解决的技术问题在于针对现有技术的不足，提供一种机器人静态路径规划方法，将势场法、栅格法和粒子群法结合起来，直接求取栅格地图上的势场分布，势场值由起始点依相邻节点的代价值依次递增，直到目标点，由势场目标点开始沿势场下降最快方向得到预规划路径，安全有效且路径规划准确可靠。

本发明所要解决的技术问题是通过如下技术方案实现的：

一种机器人静态路径规划方法，该方法包括如下步骤：

步骤100：设定目标点，以目标点为终点，在地图范围内建立人工势场；

步骤200：引入粒子群算法，在机器人的起点设有数量为m的粒子群，第i个粒子在第t步的飞行速度为按照人工势场并结合粒子群算法对每个粒子从起点到终点的路径进行模拟行走，在模拟行走的过程中，每个粒子形成各自的运动轨迹；

步骤300：大部分粒子逐渐向多条轨迹中的一条轨迹聚拢收敛，进而在地图范围内得到从起点到终点的最优行走路径；

步骤400：机器人最终按照最优行走路径，完成从起点到终点的运动过程。

更具体地，所述步骤200中人工势场并结合粒子群算法对每个粒子从起点到终点的路径进行模拟行走，具体包括：

当第i个粒子行走到第t步时，根据人工势场法，由该势场生成的对粒子i的作用力F_i(t)，取F_i(t)的单位方向向量为

根据粒子群算法得到此时粒子i的飞行速度取的单位方向向量为

结合人工势场和粒子群算法，对粒子i的飞行速度进行调整，定义调整后飞行速度其中m和n为常数系数；

在粒子群算法中以调整后的飞行速度替代飞行速度

所述地图为栅格地图，所述步骤200中人工势场并结合粒子群算法对每个粒子从起点到终点的路径进行模拟行走，还包括：将调整后的飞行速度的方向修正为朝向与其最接近的栅格中心的方向，定义修正后飞行速度为在粒子群算法中以修正后飞行速度替代调整后的飞行速度

所述步骤200中人工势场并结合粒子群算法对每个粒子从起点到终点的路径进行模拟行走，具体包括：

当第i个粒子行走到第t步时，根据人工势场法，由该势场生成的对粒子i的作用力F_i(t)，取F_i(t)的单位方向向量为

根据粒子群算法得到此时粒子i的飞行速度取的单位方向向量为

结合人工势场和粒子群算法，对粒子i的飞行速度进行调整，定义调整后飞行速度其中m和n为常数系数；

所述地图为栅格地图，所述步骤200中人工势场并结合粒子群算法对每个粒子从起点到终点的路径进行模拟行走，还包括：将调整后的飞行速度的方向修正为朝向与其最接近的栅格中心的方向，定义修正后飞行速度为在粒子群算法中以修正后飞行速度替代飞行速度

所述栅格地图的创建方法，具体包括：

步骤A：将地图划分为许多单元格形成初始栅格地图，把含有障碍物的单元格定义为在先障碍物区域X；

步骤B：以初始栅格地图中栅格的顶点为中心辐射至单元格大小，形成新的栅格地图，其中所述顶点成为新的栅格地图单元格的中心点；

步骤C：在新的栅格地图中，把含有在先障碍物区域X的单元格定义为最终障碍物区域Z。

所述步骤A具体为：

所述的栅格化地图具体包括，将地图划分为许多单元格形成初始栅格地图，并定义自移动机器人在初始栅格地图中的起始位置，自移动机器人在行走的同时检测行走区域内是否存在障碍物，若判断存在障碍物，则在初始栅格地图中把障碍物所对应的单元格定义为在先障碍物区域X。

所述步骤100中的人工势场具体包括：

引力势函数为：

$U_g\left(X\right)=\frac{1}{2}{k}_g{(X-X_g)}^2$

其中，k_g为位置增益系数，X-X_g为粒子X与目标点X_g之间的距离；

斥力势函数为：

其中，k₀为位置增益系数，ρ为粒子X与障碍物之间的最短距离，ρ₀为一常数，代表障碍物的影响距离；

总势场函数为：

当粒子距离障碍物越远时，U_rep(X)越小，当距离目标点越近时，U_g(X)越小，因此，在启发函数下，粒子寻找U(X)下降最快的方向，逐渐的远离障碍物而趋近目标点。

所述步骤200中的粒子群算法具体包括：

假设在一个D维的目标搜索空间中，有m个粒子组成一个群落，其中第i个粒子表示为一个D维的向量即：第i个粒子在D维的搜索空间中的位置是

将带入目标函数计算出其适应值，根据适应值的大小衡量的优劣；

第i个粒子的飞行速度也是一个D维的向量，记为记第i个粒子迄今为止搜索到的最优位置为由此可以得出整个粒子群迄今为止搜索到的最优位置为

到第t步时，粒子根据下面的公式更新自己的速度和位置：

${\stackrel{\→}{v}}_i\left(t\right)={\stackrel{\→}{v}}_i(t-1)+c_1{r}_1({\stackrel{\→}{p}}_i-{\stackrel{\→}{x}}_i(t-1))+c_2{r}_2({\stackrel{\→}{p}}_g-{\stackrel{\→}{x}}_i(t-1));---\left(1\right)$

${\stackrel{\→}{x}}_i\left(t\right)={\stackrel{\→}{x}}_i(t-1)+{\stackrel{\→}{v}}_i\left(t\right);---\left(2\right)$

其中，c₁和c₂为学习因子，也称加速常数；

r₁和r₂为(0,1)范围内的均匀随机数；

式(1)右边由三部分组成，第一部分为“惯性”部分，反映了粒子的运动习惯，代表粒子有维持自己先前速度的趋势；第二部分为“认知”部分，反映了粒子对自身历史经验的记忆，代表粒子有向自身历史最佳位置逼近的趋势；第三部分为“社会”部分，反映了粒子间协同合作与知识共享的群体历史经验，代表粒子有向群体或邻域历史最佳位置逼近的趋势。

所述目标函数为粒子X与目标点X_g之间的距离函数，设目标点坐标X_g＝(x_g1,x_g2,...,x_gD)，

则目标函数为： $d=\sqrt{{(x_1-x_{g1})}^2+{(x_2-x_{g2})}^2+...+{(x_D-x_{\mathrm{gD}})}^2}.$

除了上述的距离函数之外，所述目标函数还可以为人工势场中的总势场函数。

在具体实施例中，所述步骤200中的粒子群算法的搜索空间为二维空间，具体包括：

在机器人的二维搜索空间中，设群体规模为m，群体中每个粒子i(1≤i≤m)有如下属性：

到第t步时，粒子i所处的位置为：

飞行速度为： ${\stackrel{\→}{v}}_i\left(t\right)=(v_{i}1,v_{i}2).$

综上所述，本发明将势场法、栅格法和粒子群法结合起来，直接求取栅格地图上的势场分布，势场值由起始点依相邻节点的代价值依次递增，直到目标点，由势场目标点开始沿势场下降最快方向得到预规划路径，安全有效且路径规划准确可靠。

下面结合附图和具体实施例，对本发明的技术方案进行详细地说明。

附图说明

图1至图4为本发明机器人路径规划过程示意图；

图5是现有技术初始栅格地图的示意图；

图6是在图5的基础上结合膨胀算法的示意图；

图7和图8是对图5中初始栅格地图进行更新的栅格地图示意图；

图9是在新的栅格地图中形成的最终障碍物区域示意图。

具体实施方式

图1至图4为本发明机器人路径规划过程示意图。结合图1至图4所示内容，对本发明采用人工势场并结合粒子群算法优化机器人行走路径的过程进行说明，整体来说，包括了如下几个步骤：

步骤一：如图1所示，在地图300的范围内，设定目标点，以目标点为终点，即：机器人需要从起点100运动到目标点，该目标点即为终点200，在地图300范围内的封闭形状均为障碍物400，机器人在运动过程中，需要躲避所有的障碍物400，同时做到路径最优，第一步是在地图300范围内建立人工势场；

步骤二：如图2所示，引入粒子群算法，在机器人的起点100设有数量为m的粒子群，其中每个粒子也就相当于一台虚拟的机器人，其中，第i个粒子在第t步的飞行速度为按照人工势场法并结合粒子群算法对每个粒子从起点100到终点200进行路径规划模拟行走。在模拟行走的过程中，每个粒子形成各自的运动轨迹，例如图2所示出的A、B、C和D等运动轨迹；

步骤三：如图3所示，在上述模拟行走的过程中，大部分粒子的运动轨迹逐渐向C轨迹聚拢收敛，进而认定轨迹C为地图300范围内从起点100到终点200的最优行走路径；

步骤四：如图4所示，机器人最终按照优选规划出来的C轨迹，完成从起点100运动到终点200的运动过程。

所述步骤二中人工势场并结合粒子群算法对每个粒子从起点到终点的路径进行模拟行走，具体包括：

当第i个粒子行走到第t步时，根据人工势场法，由该势场生成的对粒子i的作用力F_i(t)，取F_i(t)的单位方向向量为V_1i(t)；

根据粒子群算法得到此时粒子i的飞行速度取的单位方向向量为

结合人工势场和粒子群算法，对粒子i的飞行速度进行调整，定义调整后飞行速度其中m和n为常数系数，在粒子群算法中以调整后飞行速度替代飞行速度

所述地图为栅格地图，所述步骤二中人工势场并结合粒子群算法对每个粒子从起点到终点的路径进行模拟行走，还包括：将调整后飞行速度的方向修正为朝向与其最接近的栅格中心的方向，定义修正后飞行速度为在粒子群算法中以修正后飞行速度替代调整后的飞行速度

下面分别给出引力函数和斥力函数举例说明势场栅格法的原理。

引力势函数

在机器人的路径规划中，目标点比如：充电座对机器人具有吸引力，距离目标点越远，引力势函数越大，反之越小。目标点为机器人从运动起始点开始运动，需要到达的位置，比如充电座。当距离为零时，机器人的引力势函数为零，此时机器人达到终点。

引力势函数为：

$U_g\left(X\right)=\frac{1}{2}{k}_g{(X-X_g)}^2$

其中，k_g为位置增益系数，X-X_g为粒子X与目标点X_g之间的距离。

斥力势函数

在势场中，障碍物产生的势场对机器人产生排斥作用，且距离越近，排斥作用越大，反之就越小。

通常斥力函数为：

其中，k₀为位置增益系数，ρ为粒子X与障碍物之间的最短距离，ρ₀为一常数，代表障碍物的影响距离。

综上所述，总的势场函数为：

当机器人距离障碍物越远时，U_rep(X)越小，当距离目标点越近时，U_g(X)越小，因此，在启发函数下，机器人寻找U(X)下降最快的方向，逐渐的远离障碍物而趋近目标点。

对于机器人来说，由于运动空间的地图未知，单独采用人工势场法在行走探索过程中有可能误入歧路，尤其是容易产生局部极小点问题，因此本发明在人工势场算法的基础上再结合粒子群算法来优化机器人的探索和规划。

粒子群算法的主要内容如下：

假设在一个D维的目标搜索空间中，有m个粒子组成一个群落，其中第i个粒子表示为一个D维的向量即：第i个粒子在D维的搜索空间中的位置是也就是说，每个粒子的位置就是一个潜在的解。将带入一个目标函数就可以计算出其适应值，根据适应值的大小衡量的优劣。第i个粒子的飞行速度也是一个D维的向量，记为记第i个粒子迄今为止搜索到的最优位置为由此可以得出整个粒子群迄今为止搜索到的最优位置为 ${\stackrel{\→}{p}}_g=(p_{g1},p_{g2},...,p_{\mathrm{gD}});$

到第t步时，粒子根据下面的公式更新自己的速度和位置：

${\stackrel{\→}{v}}_i\left(t\right)={\stackrel{\→}{v}}_i(t-1)+c_1{r}_1({\stackrel{\→}{p}}_i-{\stackrel{\→}{x}}_i(t-1))+c_2{r}_2({\stackrel{\→}{p}}_g-{\stackrel{\→}{x}}_i(t-1));---\left(1\right)$

${\stackrel{\→}{x}}_i\left(t\right)={\stackrel{\→}{x}}_i(t-1)+{\stackrel{\→}{v}}_i\left(t\right);---\left(2\right)$

其中，c₁和c₂为学习因子，也称加速常数；

r₁和r₂为(0,1)范围内的均匀随机数；

式(1)右边由三部分组成，第一部分为“惯性”部分，反映了粒子的运动习惯，代表粒子有维持自己先前速度的趋势；第二部分为“认知”部分，反映了粒子对自身历史经验的记忆，代表粒子有向自身历史最佳位置逼近的趋势；第三部分为“社会”部分，反映了粒子间协同合作与知识共享的群体历史经验，代表粒子有向群体或邻域历史最佳位置逼近的趋势。

对于前述的目标函数，既可以用粒子X与目标点X_g之间的距离函数来表示，也可以利用前文中人工势场中的总势场函数来表示。

具体来说，如果用粒子X与目标点X_g之间的距离函数来表示，设目标点坐标X_g＝(x_g1,x_g2,...,x_gD)，

则目标函数： $d=\sqrt{{(x_{i1}-x_{g1})}^2+{(x_{i2}-x_{g2})}^2+...+{(x_{\mathrm{iD}}-x_{\mathrm{gD}})}^2}.$

在本发明中，机器人的活动范围为二维平面区域，因此，以机器人行走的二维空间举例说明。

在机器人的二维搜索空间中，设群体规模为m，群体中每个粒子i(1≤i≤m)有如下属性：

到第t步时，粒子i所处的位置

飞行速度为： ${\stackrel{\→}{v}}_i\left(t\right)=(v_{i}1,v_{i}2);$

将上述人工势场和粒子群算法相结合的方法具体为：

以第i个粒子行走到第t步为例，根据人工势场法，由该势场生成的对机器人(粒子i)的作用力为势能的负梯度，即取F_i(t)的单位方向向量为具体为，以F_i(t)的方向作为的方向，取单位长度1作为的大小，组成单位方向向量再结合粒子群算法，第t步粒子i的行走方向即为飞行速度的方向，取其单位方向向量为具体为，以的方向作为的方向，取单位长度1作为的大小，组成单位方向向量则此时结合人工势场和粒子群算法的共同影响，对粒子i的飞行速度进行调整，定义调整后的飞行速度其中m和n为常数系数，可以通过调整m和n的大小控制作用力F_i(t)和飞行速度对调整后飞行速度的影响权重，则根据调整后飞行速度确定下一步粒子的位置，即在粒子群算法式(2)中以调整后飞行速度替代飞行速度直到行走至目标点处，将上式(2)调整为：

${\stackrel{\→}{x}}_i\left(t\right)={\stackrel{\→}{x}}_i(t-1)+{\stackrel{\→}{V}}_i\left(t\right);---\left(2^{,}\right)$

也就是说，粒子的行走方向受势场函数和粒子群算法共同影响，每一个粒子都有一条单独的行走路线，机器人根据粒子的行走路线，以大多数粒子的行走路径作为机器人的最终行走路径。

如果不采用栅格地图，上述的方向为0到360°范围；如果采用栅格地图，机器人(粒子i)的行走方向则简化为周围8个栅格的方向，8个栅格的方向是指机器人的前、后、左、右、左前、右前、左后、右后8个方向上的栅格，则根据调整后飞行速度判断粒子i最终朝向哪个栅格行走，即将调整后飞行速度的方向修正为朝向与其最接近的栅格中心的方向，其修正方法具体为：首先，对机器人周围8个栅格的影响角度进行划分，8个栅格在360°的范围内，平均每个栅格的影响角度为45°，例如，划分机器人前侧栅格的影响角度范围为(-22.5°，22.5°)，右前方栅格的影响角度范围为(22.5°，67.5°)等，以此类推，按照顺时针的方向依次将栅格的影响角度进行划分；其次，根据调整后飞行速度的方向所属的角度范围判断行走栅格，例如，当的方向落在(-22.5°，22.5°)范围内时，则控制机器人朝前侧栅格的中心行走，即朝0°方向行走，当的方向落在(22.5°，67.5°)范围内时，则控制机器人朝右前侧栅格的中心行走，即朝45°方向行走，依次类推。因此，人工势场和粒子群算法再结合栅格地图会使运算更加简单。需要说明的是，当采用栅格地图时，粒子实际的飞行速度会再次改变，则需要对调整后飞行速度进行修正，例如，当的方向落在(-22.5°，22.5°)范围内时，粒子实际的飞行速度方向为0°，定义修正后飞行速度为即在粒子群算法式(2)中以调整后飞行速度替代飞行速度将上式(2’)调整为：

${\stackrel{\→}{x}}_i\left(t\right)={\stackrel{\→}{x}}_i(t-1)+{{\stackrel{\→}{V}}^{\′}}_i\left(t\right)---\left(2^{,,}\right)$

该方法不仅避免了局部极小点问题，而且利于机器人选择一条最优的路线行走，提高效率。

以下对前文中提到的栅格地图的创建方法进行详细的说明。

所述栅格地图的创建方法，包括：

步骤A：将地图划分为许多单元格形成初始栅格地图，把含有障碍物的单元格定义为在先障碍物区域X；

步骤B：以初始栅格地图中栅格的顶点为中心辐射至单元格大小，即以初始栅格地图中每个单元格的顶点为中心辐射至单元格大小，形成新的栅格地图，其中所述顶点成为新的栅格地图单元格的中心点；

步骤C：在新的栅格地图中，把含有在先障碍物区域X的单元格定义为最终障碍物区域Z。

所述步骤A具体为：

所述的栅格化地图具体包括，将地图划分为许多单元格形成初始栅格地图，并定义自移动机器人在初始栅格地图中的起始位置，自移动机器人在行走的同时检测行走区域内是否存在障碍物，若判断存在障碍物，则在初始栅格地图中把障碍物所对应的单元格定义为在先障碍物区域X。

具体来说，在栅格地图中，一个节点栅格的行进方向有8个，也就是机器人行进方向的前、后、左、右、左前、右前、左后、右后方向。选取总的势函数作为启发函数。当距离障碍物越远时，U_rep(X)越小，当距离目标点越近时，U_g(X)越小，所以在启发函数下，机器人寻找U(X)下降最快的方向，逐渐的远离障碍物而趋近目标点。

为了方便对上述技术方案的理解，以下对前述的栅格地图的具体建立方法进行进一步的说明。以下在图5、图6和图7至图9中分别示出了三种栅格地图的创建方法，该三种栅格地图均可适用在本发明的技术方案中。

图5是现有技术初始栅格地图的示意图。如图5所示，当需要建立障碍物区域时，其方法为：先栅格化地图，将地图划分成许多单元格形成初始栅格地图，把所有含有障碍物400的单元格定义为在先障碍物区域X。具体来说，把清洁机器人放在未知的环境中先栅格化地图，即将地图划分为许多单元格形成初始栅格地图，这些单元格都是方格，并定义清洁机器人在初始栅格地图中的起始位置。行走过程中，清洁机器人通过码盘记录行走的距离和方向，即时更新清洁机器人在初始栅格地图中的当前位置，且清洁机器人在驱动单元驱动行走单元行走的同时通过检测单元检测行走区域内是否存在障碍物400，若控制单元判断存在障碍物则在初始栅格地图中把障碍物400所对应的单元格定义为在先障碍物区域X。以单元格作为区分障碍物区域和非障碍物区域的最小单位，含有障碍物400的单元格标注为1，不含障碍物400的单元格标注为0，所有标注为1的单元格组成在先障碍物区域X。本实施例中，所述在先障碍物区域X为图5的阴影区域D3-D7。

图6为在图5的基础上结合膨胀算法的示意图。如图6所示，膨胀算法是以在先障碍物区域X的边界向外扩展一圈单元格形成膨胀的障碍物区域Y，本实施例中，膨胀算法形成的障碍物区域是以单元格C2的左下顶点、E8的右上顶点为对角点的矩形区域，如前所述，此方法虽然可以有效解决机器人碰撞障碍物的问题，但是在先障碍物区域膨胀一圈的距离过大，使机器人躲避障碍物时运动不太灵活。

图7和图8为对图5中初始栅格地图进行更新的栅格地图示意图。如图7并结合图8所示，以初始栅格地图中栅格的顶点为中心辐射至单元格大小，形成新的栅格地图。其方法具体为：以图5中初始栅格地图中栅格的顶点为中心辐射至单元格大小，形成虚线所示栅格，虚线所示栅格即新的栅格地图中的单元格，在初始栅格地图中栅格的顶点成为新的栅格地图单元格的中心点，进一步，清除初始栅格地图，在整个地图中仅剩下如图8所示虚线栅格，即完成地图更新，将初始栅格地图更新为新的栅格地图。需要指出的是，在地图更新的过程中，在先障碍物区域X的位置及大小不变，则在新的栅格地图中，在先障碍物区域X如图8所示。

图9是在新的栅格地图中形成的最终障碍物区域示意图。其方法具体为：在图8的基础上，把含有在先障碍物区域的单元格定义为最终障碍物区域Z，完成自移动机器人栅格地图的创建。

将图9中最终障碍物区域Z与图6中通过膨胀算法所得的障碍物区域Y相比，不难看出最终障碍物区域Z小于障碍物区域Y，也就是说本发明在解决机器人膨胀障碍物问题的同时有效控制了在先障碍物区域X扩大的距离，使机器人躲避障碍物时运动更加灵活。

综上所述，本发明提供一种用于机器人静态路径规划的势场栅格结合粒子群算法，将势场法、栅格法和粒子群法结合起来，根据人工势场和粒子群算法的共同作用决定粒子的行走路线，避免了单独采用人工势场法容易陷入局部最优的问题，且首先通过粒子群进行模拟行走寻找到最优路线后，机器人再开始沿最优路线行走，提高了行走效率。以上即为完整的路径规划过程，模拟结果显示了其巨大的优越性。保存了人工势场法局部避障的优势，克服了人工势场法的局部陷阱，并且在未知环境中也可以快速的探索寻找到最优路径。

Claims (11)

1.一种机器人静态路径规划方法，其特征在于，该方法包括如下步骤：

步骤100：设定目标点，以目标点为终点，在地图范围内建立人工势场；

步骤200：引入粒子群算法，在机器人的起点设有数量为m的粒子群，第i个粒子在第t步的飞行速度为按照人工势场并结合粒子群算法对每个粒子从起点到终点的路径进行模拟行走，在模拟行走的过程中，每个粒子形成各自的运动轨迹；

步骤300：大部分粒子逐渐向多条轨迹中的一条轨迹聚拢收敛，进而在地图范围内得到从起点到终点的最优行走路径；

步骤400：机器人最终按照最优行走路径，完成从起点到终点的运动过程。

2.如权利要求1所述的机器人静态路径规划方法，其特征在于，所述步骤200中人工势场并结合粒子群算法对每个粒子从起点到终点的路径进行模拟行走，具体包括：

当第i个粒子行走到第t步时，根据人工势场法，由该势场生成的对粒子i的作用力F_i(t)，取F_i(t)的单位方向向量为

根据粒子群算法得到此时粒子i的飞行速度取的单位方向向量为

结合人工势场和粒子群算法，对粒子i的飞行速度进行调整，定义调整后飞行速度其中m和n为常数系数；

在粒子群算法中以调整后的飞行速度替代飞行速度

3.如权利要求2所述的机器人静态路径规划方法，其特征在于，所述地图为栅格地图，所述步骤200中人工势场并结合粒子群算法对每个粒子从起点到终点的路径进行模拟行走，还包括：将调整后的飞行速度的方向修正为朝向与其最接近的栅格中心的方向，定义修正后飞行速度为在粒子群算法中以修正后飞行速度替代调整后的飞行速度

4.如权利要求1所述的机器人静态路径规划方法，其特征在于，

所述步骤200中人工势场并结合粒子群算法对每个粒子从起点到终点的路径进行模拟行走，具体包括：

当第i个粒子行走到第t步时，根据人工势场法，由该势场生成的对粒子i的作用力F_i(t)，取F_i(t)的单位方向向量为

根据粒子群算法得到此时粒子i的飞行速度取的单位方向向量为

结合人工势场和粒子群算法，对粒子i的飞行速度进行调整，定义调整后飞行速度其中m和n为常数系数；

所述地图为栅格地图，所述步骤200中人工势场并结合粒子群算法对每个粒子从起点到终点的路径进行模拟行走，还包括：将调整后的飞行速度的方向修正为朝向与其最接近的栅格中心的方向，定义修正后飞行速度为在粒子群算法中以修正后飞行速度替代飞行速度

5.如权利要求3或4所述的机器人静态路径规划方法，其特征在于，所述栅格地图的创建方法，具体包括：

步骤A：将地图划分为许多单元格形成初始栅格地图，把含有障碍物的单元格定义为在先障碍物区域(X)；

步骤B：以初始栅格地图中栅格的顶点为中心辐射至单元格大小，形成新的栅格地图，其中所述顶点成为新的栅格地图单元格的中心点；

步骤C：在新的栅格地图中，把含有在先障碍物区域(X)的单元格定义为最终障碍物区域(Z)。

6.如权利要求5所述的机器人静态路径规划方法，其特征在于，所述步骤A具体为：

所述的栅格化地图具体包括，将地图划分为许多单元格形成初始栅格地图，并定义自移动机器人在初始栅格地图中的起始位置，自移动机器人在行走的同时检测行走区域内是否存在障碍物(400)，若判断存在障碍物(400)，则在初始栅格地图中把障碍物(400)所对应的单元格定义为在先障碍物区域(X)。

7.如权利要求1所述的机器人静态路径规划方法，其特征在于，所述步骤100中的人工势场具体包括：

引力势函数为：

$U_g\left(X\right)=\frac{1}{2}{k}_g{(X-X_g)}^2$

其中，k_g为位置增益系数，X-X_g为粒子X与目标点X_g之间的距离；

斥力势函数为：

其中，k₀为位置增益系数，ρ为粒子X与障碍物之间的最短距离，ρ₀为一常数，代表障碍物的影响距离；

总势场函数为：

当粒子距离障碍物越远时，U_rep(X)越小，当距离目标点越近时，U_g(X)越小，因此，在启发函数下，粒子寻找U(X)下降最快的方向，逐渐的远离障碍物而趋近目标点。

8.如权利要求1所述的机器人静态路径规划方法，其特征在于，所述步骤200中的粒子群算法具体包括：

假设在一个D维的目标搜索空间中，有m个粒子组成一个群落，其中第i个粒子表示为一个D维的向量即：第i个粒子在D维的搜索空间中的位置是

将带入目标函数计算出其适应值，根据适应值的大小衡量的优劣；

第i个粒子的飞行速度也是一个D维的向量，记为记第i个粒子迄今为止搜索到的最优位置为由此可以得出整个粒子群迄今为止搜索到的最优位置为

到第t步时，粒子根据下面的公式更新自己的速度和位置：

${\stackrel{\→}{v}}_i\left(t\right)={\stackrel{\→}{v}}_i(t-1)+c_1{r}_1({\stackrel{\→}{p}}_i-{\stackrel{\→}{x}}_i(t-1))+c_2{r}_2({\stackrel{\→}{p}}_g-{\stackrel{\→}{x}}_i(t-1));---\left(1\right)$

${\stackrel{\→}{x}}_i\left(t\right)={\stackrel{\→}{x}}_i(t-1)+{\stackrel{\→}{v}}_i\left(t\right);---\left(2\right)$

其中，c₁和c₂为学习因子，也称加速常数；

r₁和r₂为(0,1)范围内的均匀随机数；

式(1)右边由三部分组成，第一部分为“惯性”部分，反映了粒子的运动习惯，代表粒子有维持自己先前速度的趋势；第二部分为“认知”部分，反映了粒子对自身历史经验的记忆，代表粒子有向自身历史最佳位置逼近的趋势；第三部分为“社会”部分，反映了粒子间协同合作与知识共享的群体历史经验，代表粒子有向群体或邻域历史最佳位置逼近的趋势。

9.如权利要求8所述的机器人静态路径规划方法，其特征在于，所述目标函数为粒子X与目标点X_g之间的距离函数，设目标点坐标X_g＝(x_g1,x_g2,...,x_gD)，

则目标函数为： $d=\sqrt{{(x_1-x_{g1})}^2+{(x_2-x_{g2})}^2+...+{(x_D-x_{\mathrm{gD}})}^2}.$

10.如权利要求8所述的机器人静态路径规划方法，其特征在于，所述目标函数为人工势场中的总势场函数。

11.如权利要求9或10所述的机器人静态路径规划方法，其特征在于，所述步骤200中的粒子群算法的搜索空间为二维空间，具体包括：在机器人的二维搜索空间中，设群体规模为m，群体中每个粒子i(1≤i≤m)有如下属性：

到第t步时，粒子i所处的位置为：

飞行速度为： ${\stackrel{\→}{v}}_i\left(t\right)=(v_{i}1,v_{i}2).$