CN108241375B - 一种自适应蚁群算法在移动机器人路径规划中的应用方法 - Google Patents
一种自适应蚁群算法在移动机器人路径规划中的应用方法 Download PDFInfo
- Publication number
- CN108241375B CN108241375B CN201810110763.XA CN201810110763A CN108241375B CN 108241375 B CN108241375 B CN 108241375B CN 201810110763 A CN201810110763 A CN 201810110763A CN 108241375 B CN108241375 B CN 108241375B
- Authority
- CN
- China
- Prior art keywords
- path
- point
- deadlock
- points
- robot
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 168
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 99
- 230000008569 process Effects 0.000 claims abstract description 47
- 241000257303 Hymenoptera Species 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 40
- 230000003044 adaptive effect Effects 0.000 claims abstract description 38
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 230000004888 barrier function Effects 0.000 claims abstract description 17
- 239000003016 pheromone Substances 0.000 claims description 43
- 230000003068 static effect Effects 0.000 claims description 42
- 230000007704 transition Effects 0.000 claims description 20
- 238000004088 simulation Methods 0.000 claims description 15
- 230000005584 early death Effects 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 238000013461 design Methods 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000002245 particle Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000002431 foraging effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 239000010432 diamond Substances 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 241000282461 Canis lupus Species 0.000 description 1
- 241000282376 Panthera tigris Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009024 positive feedback mechanism Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明属于机器人导航﹑自动化控制﹑模式识别技术领域,公开了一种自适应蚁群算法(AACO)在移动机器人路径规划中的应用方法,构建点对点自适应路径选择策略,以分段组合的状态转移优化方式来择优选择路径点;采用避障规划策略识别出障碍物的性质,并选择不同的局部避障点躲避障碍物;混合死锁处理策略应用于死锁环境中,通过统计死锁点及其回退路径点的分布式信息来指导蚂蚁跳出死锁环境。实施例中数据显示:本发明描述的AACO相比基本蚁群算法(ACO),具有更好的寻优能力,整体性能优于ACO,能有效应用于机器人路径规划全局过程。
Description
技术领域
本发明属于机器人导航﹑自动化控制﹑模式识别技术领域,尤其涉及一种自适应蚁群算法在移动机器人路径规划中的应用方法。具体涉及动态环境下自适应蚁群算法在移动机器人路径规划中的应用方法与***。
背景技术
目前,业内常用的现有技术是这样的:
路径规划技术是移动机器人技术发展的关键技术。长期以来,一直是航空航天﹑深海勘测﹑地矿勘探﹑工业生产及民用等领域关注的技术焦点。路径规划技术的主要目的是研究人工智能技术在各种环境下某***的自主推理﹑规划和决策控制的能力(杨俊成,李淑霞,蔡增玉.路径规划算法的研究与发展[J].控制工程,2017,24(7):1473-1480.)。例如,在智能交通的有关技术研究中,路径规划技术是车辆定位与导航***的重要组成部分,其主要任务是为驾驶者提供一条从起始点至目标终点的一条或多条路线。而在机器人技术发展中,路径规划技术的目标是指在有限时间内,机器人由起始点绕开障碍物移动至目标终点的全局最优路径规划。从理论上来说,路径规划技术可归纳为计算科学技术中的具有最小代价的最短路径问题,常使用的方法主要有(王哲,孙树栋,曹飞祥.动态环境下移动机器人路径规划的改进蚁群算法[J].机械科学与技术,2013,32(1):48-52.):传统路径规划方法和智能路径规划方法。前者包括栅格解耦法﹑可视图法﹑自由空间法﹑人工势场法等;而智能规划算法包括遗传算法﹑模糊控制﹑神经网络﹑粒子群优化﹑蚁群算法及它们的组合算法。传统路径规划可在某一特定环境下或工作条件下实现较好的路径规划过程,但是算法在不同层面也存着缺陷。如:机器人移动过程中,栅格解耦法的栅格划分大小需依赖机器人形状大小,直接影响着路径规划的效果;自由空间法不适合障碍物较多的复杂环境,且不一定能获得最短的路径;可视图法的缺陷在于算法复杂度随着障碍物数量的增长呈正比线性增长趋势,缺乏相应的灵活性。人工势场法具有较好的实时操作性,在局部路径规划中有一定的实用性,但机器人容易陷入局部最优解,难以到正确的优化路径。
近年来,以蚁群算法为代表的人工智能技术在路径规划问题求解过程中得到了广泛应用,凭借蚁群觅食和路径规划具有的天然相似性,出现了各种改进蚁群算法应用于路径规划过程,但遗憾的是不同方法间在改善ACO本身固有性能的同时,也存在着其它不同层次的缺陷。
例如,邓高峰等提出一种障碍环境下机器人路径规划的蚁群粒子群算法(邓高峰,张雪萍,刘彦萍.一种障碍环境下机器人路径规划的蚁群粒子群算法[J].控制理论与应用,2009,26(8):879-883.)。该路径规划方法利用粒子群算法快速简洁特点得到蚁群算法初始信息素分布,同时利用蚁群算法的并行性,使用分布式技术实现蚂蚁之间的并行搜索。该方法随着栅格数的增加,其运行时间呈线性增长趋势,缺乏对蚂蚁陷入死锁情况的分析处理。
柳长安等提出了基于改进蚁群算法的移动机器人动态路径规划方法(柳长安,鄢小虎,刘春阳,等.基于改进蚁群算法的移动机器人动态路径规划方法[J].电子学报,2011,39(5):1220-1224.)。该规划方法中设计了根据目标点自适应调整启发函数,从而提高算法的收敛速度;借鉴狼群分配原则对信息素进行更新,避免搜索陷入局部最优解。其次为了优化改进蚁群算法的性能,提出用粒子群算法对改进蚁群算法的重要参数进行优化选择。该规划方法缺乏对死锁环境的分析处理,易于陷入局部极值解。
周东健等基于栅格地图工作环境,提出一种基于栅格地图-蚁群算法的机器人最优路径规划(周东健,张兴国,马海波,等。基于栅格地图-蚁群算法的机器人最优路径规划[J].制造业自动化,2014,12(5):1-3)。该规划方法使用蚁群算法作为机器人路径搜索的规则,将所有机器人放置于初始位置。经过NC次无碰撞迭代运动找到最优路径,到达目标位置。同时通过对各路径上信息素进行增减来使机器人路径搜索跳出当前值继续搜索,直到迭代完毕,获得最优路径。
房德君等提出一种均匀粒子群蚁群融合算法的机器人路径规划(房德君.均匀粒子群蚁群融合算法的机器人路径规划[J].机械设计与制造,2017(7):237-240.)。该路径规划方法首先使用均匀粒子群算法搜索次优路径,并在此路径上撒播信息素,然后使用蚁群算法寻找最优路径。虽迭达率高﹑容错力强﹑但存在计算复杂度高,容易陷入局部极值等缺陷。
可见,以蚁群算法为代表的人工智能技术应用于路径规划过程存在的主要问题:计算复杂度较高,易于陷入局部最优解。而影响这一问题的直接因素在于许多改进蚁群算法并没有从全局角度规划好路径点的选择方式。比如,蚂蚁路径点选择策略仅从路径点间信息素浓度及距离来择优选择下一步要移动的路径点,这种选择方式忽略了待选择路径点与目标终点的距离,以及待选择路径点周边的分布式信息。
特别是在机器人移动后期,倘若随机出现静态或动态的障碍物,则标准蚁群算法使用的蚂蚁路径点选择策略难以适用新环境的快速变化。此外,在移动过程中机器人遇到随机出现的静态或动态障碍物,选择何种有效的避障策略也是影响路径规划效率的重要因素,且当机器人移动至某个死锁环境中,选择何种死锁处理策略也是全局路径规划技术需要面对的重要问题。
时至今日,在各种改的蚁群算法中,对死锁方法的处理策略并没有绝对优劣的技术。常用的技术有:文献[9](Wang D S,Yu H F.Path planning of mobile robot indynamic environments[C]//International Conference on Intelligent Control andInformation Processing.IEEE,2011:691-696.)和文献[10](屈鸿,黄利伟,柯星.动态环境下基于改进蚁群算法的机器人路径规划研究[J].电子科技大学学报,2015,44(2):260-265.)分别提出“早期死亡”方法和“路径回退”策略。其中,“早期死亡”方法的主要思想令陷于死锁状态的蚂蚁死亡,且不对其已走路径的信息素进行更新。
综上所述,现有技术存在的问题是:
(1)路径点选择方式:并没有从全局角度规划好路径点的选择方式,ACO中蚂蚁路径点选择策略仅从路径点间信息素浓度及距离来选择下一步要移动到的路径点,这种选择方式忽略了待选择路径点与目标终点的距离,以及待选择路径点被累计访问的次数。由于路径点的选择方式单一,易出现局部最优问题。
(2)障碍物避障过程:移动过程中机器人遇到随机出现的静态或动态障碍物,往往根据机器人与障碍物两端点距离选择对应的局部避障点。此种选择方式缺乏从全局角度考虑局部避障点离目标终点的距离,也没有根据障碍物的属性来有效地选择局部避障点。因此,选择何种有效的避障策略是影响路径规划效率的重要因素,
(3)死锁处理策略:当有较多蚂蚁陷入死锁状态时,该方法不利于全局最路优路径的搜索且会降低解的多样性,特别是在蚂蚁即将到达终点时,“早期死亡”方法不利于全局最优路径的搜索;反之,“路径回退”策略允许蚂蚁在陷入死锁状态时,回退一步,不令其死亡,然后更新禁忌表信息,并对死锁边上信息素进行惩罚,在当前路径上蚂蚁重新选择移动点;不利之处在于会增加机器人移动搜索最优路径的时间。
解决上述技术问题的难度和意义:
由于蚁群算法实施路径过程主要使用基于群体行为的信息素循环测量方法,在寻优到目标点后释放信息素,从而实现全局路径的规划和控制。由于信息素挥发系数大多时候根据设计者主观经验设定,这一过程随着信息素的不断挥发将会导致路径出现偏移,致使路径规划效果不好。因此,如何设计合理的路径规划策略将是影响蚁群算法实施路径效果的重要因素之一。本发明设计的AACO方法与传统的人工势场及地图构建路径规划技术相比,对全局或部分信息未知的路径环境无特定要求,路径点的选择采用一种新颖的点对点自适应路径选择策略,将ACO中单一的状态转移方式与另一自适应状态转移规划进行分段组合。所设计的避障规划策略将根据障碍物的静态或动态属性,分别采用不同的局部避障处理方法,且局部避障点的处理综合考虑了其对全局路径规划的影响。此外,采用的混合死锁处理策略能够指导蚂蚁陷入死锁环境时更好的跳出受困的局部环境,以此增强蚂蚁的全局路径规划能力。本发明的设计思路结合了具体实施案例进行测试,其实例测试结果验证了AACO方法的有效性,能够较好的规划从起点至终点的全局搜索路径。本发明除应用于移动机器人路径规划过程,还可应用于其它诸如车辆导航***﹑应急物质输送等路径规划优化问题,可为工业及国民生产等实际问题优化资源配置﹑提高效率提供有益的建设性指导方法。
本发明设计了一种自适应蚁群算法(AACO)在移动机器人路径规划中的应用方法与***,所设计的自适应蚁群算法围绕路径规划中的路径点选择方式﹑障碍物避障过程﹑死锁处理策略三个核心问题分别设计了点对点自适应路径选择策略﹑避障规划策略﹑混合式死锁处理策略。其中,点对点自适应路径选择策略能有效根据路径点的分布式信息及与目标终点的距离来择优选择路径点,而不再简单的依赖路径点间距离及信息素浓度等因素。避障规划策略根据障碍物的性质合理选择局部避障点躲避障碍物。混合死锁处理策略结合“早期死亡”方法根据死锁点周边分布式信息状况确定回退方式。由实施例中实验数据显示出:本发明描述的AACO方法相比基本ACO方法,具有较好的整体寻优效能,在机器人寻优过程中能够规划得到较好的全局路径效果。本发明除了可应用机器人路径规规问题,还可应用于诸如,网络路径规划问题﹑城市交通网络路径寻优问题﹑物流配送路径规划问题﹑GIS路径寻优问题﹑车辆导航路径寻优等一系列路径寻优的实际问题。此外,将本发明与具体优化问题进行结合,还可应用于诸如多模态与单模态等优化问题。
发明内容
移动机器人路径规划问题是一种在特定环境下最短路径搜索问题,其目标是由起始点至目标终点间找出一条全局最优路径。蚁群算法是根据自然界蚂蚁觅食行为而提出的一种仿生计算优化方法,其较强的鲁棒性及分布式计算能力,使得蚁群算法易于与其他方法结合应用于路径规划问题。但标准蚁群优化方法也存在着一些诸如:易陷入死锁环境﹑路径点的搜索时间过长且选择方法缺乏全局度量信息等问题。
针对现有技术存在的问题,本发明提供了一种自适应蚁群算法在移动机器人路径规划中的应用方法。发明中引入了点对点自适应路径选择策略,采用分段组合的优化方法平衡各路径信息来择优选择路径点,并针对动态环境边界障碍提出了避障规划策略,所设计的死锁处理策略能引导蚂蚁跳出局部障碍困境。
本发明是这样实现的,一种自适应蚁群算法在移动机器人路径规划中的应用方法,包括:
构建点对点自适应路径选择策略,将两种不同的状态概率转移式方式进行分段组合,这两种方式分别由标准蚁群算法中状态概率规则和新设计的自适应状态转移规划组合而成,自适应状态转移规划根据路径点的分布式信息(即,被访问次数及与目标终点的距离)择优选择路径点;
采用避障规划策略识别出障碍物的性质,将局部避障点与机器人位置﹑局部避障点与目标终点间的距离进行分析并构建代价系数,根据障碍物的动态或静态性质采用不同的局部避障点躲避障碍物;相比于ACO,本发明中避障规划策略可以减少发现最优路径所需循环次数,减少算法收敛时间。
采用混合死锁处理策略,通过融合“早期死亡”和“回退策略”两种常用方法的各自优点,当机器人陷入死锁环境时,基于栅格环境下机器人死锁点及周边路径点分布式信息来指导蚂蚁跳出死锁环境,从而有效提高最优路径的搜索效率。
进一步,通过栅格法的仿真环境建模,本发明所描述的AACO方法在不同环境下的仿真实验结果均验证了该算法在复杂环境下全局路径规划的有效性和适应性。在此,所述自适应蚁群算法在移动机器人路径规划中的应用方法具体包括:
步骤一,初始化***参数,设置运行环境并通过栅格法对仿真环境建模;
步骤二,蚁群算法参数初始化;
步骤三,将m只蚂蚁分置于起点位置,每只蚂蚁视为一个机器人;
步骤四,机器人移动过程中根据传感器探测的栅格环境进行路径点选择操作,若探测范围内路径点无障物,则采取自适应选择策略操作;否则,根据障碍物的静态或动态性质,分别采用静态或动态避障规划处理策略;
步骤五,若机器人移动过程中有死锁现象出现,使用混合死锁处理策略跳出死锁环境;
步骤六,若机器人未到达终点位置,转步骤四;否则转步骤七;
步骤七,计算出每只蚂蚁k走过的搜索路径Lk(k=1,2,...,m),计算出路径的长度,并保存最优路径Llocal;
步骤八,仅对本次循环内的最优路径Llocal进行信息素更新,并对信息素最小值进行重置;
步骤九,将本次Llocal与全局规划路径Lglobal比较,Llocal<Lglobal,则更新全局最优路径;
步骤十,若循环次数Ncmax达到指定值或所有蚂蚁的路径都收敛于同一条路径,则算法结束;否则转到步骤三。
进一步,点对点自适应路径选择策略组合了两种状态概率选择方式,在路径规划初期,自适应状态路径选择方式占据优势,但随着迭达的进行,后期选择中ACO中标准状态转移规划逐渐占据优势。该策略综合考查了局部信息与全局优势路径的分布信息,能加快算法的搜索速度,增强搜索后期的全局路径寻优能力。所述点对点自适应路径选择策略中,蚂蚁k在路径点i选择其它路径点j时,按以下方式进行:
第一步,设置随机数ro∈(0,1)﹑多样性调节参数r=min{doj/djG,djG/doj},排除有障碍物节点和已走节点,确立待选择路径点集合allowed(k);其中,doj是初始位置o和目标终点G间的距离,djG是路径点j和目标终点G间的距离;
式(1)中,ΨjG(t)是待选择路径点j和目标终点G间的距离倒数,即ΨjG=1/djG,Sj(t)是路径点j被累计访问的次数;γ和θ分别是Sj(t)和ΨjG(t)的权重系数;
公式(1)在蚁群算法原有选择策略基础上,采用待选择路径点被访问次数和距离目标终点G之间的距离来择优选择路径点j;当Sj(t)越大,djG越小,则路径点j被选择作为下一待选择路径点的概率越大;
公式(2)中,a为路径i和j上信息素强度τij的相对重要性;ηij为先验知识,是路径i转移到路径j的启发式信息,取ηij=1/dij,其中,dij为路径i和j之间的距离,β为启发示信息的重要程度。
进一步,有效的避障规划过程能够保留局部与全局优秀路径的优势信息,缩短机器人与目标终点间的距离,缩减局部避障点的搜索时间,并由此加快算法的收敛速度。在此,所述避障规划策略包括:
机器人移动过程中,每走一步使用测距无线传感器探测视野范畴内的空间环境信息;若在指定Δt时间内,障碍物的位置坐标没有发生变化,则属于静态类型;否则,障碍物为动态类型;在机器人识别出动态或静态类型障碍物后,避障规划策略分静态障碍物避障策略和动态障碍物避障策略两种情况进行处理;
所述静态障碍物避障策略包括:
观察图2,设置指定避障参数q,其中,1>q>0.9,机器人遇到障碍物时,生成随机数p,若p<q,机器人将根据代价系数来选择局部避障点,机器人将优先选择具有较小代价系数对应的局部避障点;反之,比较机器人所处位置与其它局部避障点间的距离,选择较短距离对应的局部避障点;
所述动态障碍物避障策略包括:
观察图3,当探测到动态障碍物时,若障碍物在时间Δt内沿着方向h移动到一个新的位置;假定障碍物的中心C的坐标位置最初为Pc(xi(ti),yi(ti)),移动到新的坐标位置为:Pc(xi(ti+Δt),yi(ti+Δt)),则用公式(3)确定障碍物的速度大小;
类似于静态障碍物避障策略,确定障碍物左右两端点A和B的坐标,根据障碍物移动的方向,优先选择速度趋向于中心坐标C的端点作为局部避障点;中心点C沿着方向h移动,doA+dAE会越来越小于doB+dBE,并且随着障碍物的移动,路径OAE也会逐渐趋近于理想最短路径OFGE,而路径OBE逐渐远离路径OFGE;选择A点作为局部避障点。
进一步,混合死锁处理策略通过统计死锁点及其周边环境的信息分布,有利于保留优势路径的局部信息,引导蚂蚁有效跳出局部死锁环境。所述混合死锁处理策略包括:
B'为死锁点,A'和C'为B'的回退路径点,令SA'﹑SB'﹑Sc'分别为A'﹑B'﹑C'路径点被累计访问的次数;
当蚂蚁陷入死锁时,若SB'<SA',采取回退策略,即B'返回A',同时设置路径A'B'间的信息素为最小值τ0;否则,比较B'和邻近点C',C'是机器人经历过的路径点;
若SB'<Sc',则由B'回退至C';
若SB'<SA'或SB'<Sc'都不成立时,采取早期死亡方法,令处于死锁状态的蚂蚁死亡,对应路径上的信息素不再进行更新。
本发明的另一目的在于提供一种实现所述自适应蚁群算法在移动机器人路径规划中的应用方法的计算机程序。
本发明的另一目的在于提供一种实现所述自适应蚁群算法在移动机器人路径规划中的应用方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的自适应蚁群算法在移动机器人路径规划中的应用方法。
本发明的另一目的在于提供一种自适应蚁群算法在移动机器人路径规划中的应用***包括:
点对点自适应路径选择策略单元,用于根据路径点的分布式信息及与目标终点的距离择优选择路径点;
避障规划策略单元,用于识别出障碍物的性质,并根据障碍物的性质选择不同的局部避障点躲避障碍物;
混合死锁处理策略单元,用于蚂蚁陷入死锁环境时,通过统计死锁点及回退路径点分布式信息来指导蚂蚁跳出死锁环境。
本发明的另一目的在于提供一种搭载有所述自适应蚁群算法在移动机器人路径规划中的应用***的信息数据处理终端。
综上所述,本发明的优点及积极效果为:
本发明描述的AACO方法相比基本ACO方法,具有较好的整体寻优效能,在机器人寻优过程中能够规划得到较好的全局路径效果。
本发明旨在提高机器人点对点全局路径规划性能,其优点在于通过蚁群觅食与机器人路径规划的天然相似性,改进并应用蚁群算法的路径规划思想,对影响机器人路径规划中三个重要技术问题分别设计了新颖的技术方法:
(1)路径点选择策略,区别于蚁群算法路径选择中依赖于点对点距离和点对点信息素因素,本发明综合考虑了待选择路径点j和目标终点G之间的距离,以及待选择路径点被累计访问的次数,设计了一种新颖的点对点自适应路径选择策略,以此改进蚁群算法的全局搜索能力,增强待选择路径点的多样性。本发明在图5(a)﹑图6(a)和图8(a)的不同栅格环境下的实施效果显示出(见表1):本发明所设计的自适应路径选择策略能够有快速﹑有效﹑即使在复杂环境中,也能够择优选出待选择的路径点,从而更好地找到满足条件的最优路径。
表1 AACO和ACO搜索的最优路径长度
(2)避障规划策略,机器人移动过程中,将根据障碍物的静态或动态性质分分别采用不同的避障处理策略,而避障点的选择将取决于机器人回归原路径的代价系数。使用基于代价系数的避障规划策略使得蚂蚁得到的路径优劣明朗,避免了蚂蚁选择避障点的相对盲目性,有利于加快算法的收敛速度。
(3)针对死锁处理问题,通过对蚁群算法中信息素的正反馈机制分析发现,蚁群陷入死锁的主要原因在于路径搜索过程中,缺乏对死锁点周边环境优劣信息的有效分析,仅凭信息素的路径选择判断使得蚁群易于陷入局部死锁环境。本发明在借鉴“早期死亡”和“回退策略”两种常用方法优点的基础上,通过分析比较死锁点及其回退路径点的分布式信息,设计了一种新颖的混合死锁处理策略,令优秀路径的优势得以保留。该策略有利于蚁群快速跳出死锁环境,加快最优路径的搜索。
本发明应用于四种无障碍或有障碍环境,执行50次独立执行,每次循环200次。仿真过程中,AACO和ACO两种算法的参数设置如下:循环次数Ncmax=100,蚂蚁个数m=20,反映信息素重要程度的参数α=1,反映信发示信息重要程度的参数β=3,表征信息素挥发程度的参数ρ=0.2。AACO中公式(1)中权重系数γ和θ分别设置为3和2。表2统计了本发明AACO相比于ACO搜索最优解的平均循环次数。可见,本发明相对普通的蚁群算法,能够减少搜索最优路径所需的循环次数,从而减少搜寻最优路径的收敛时间。因此,本发明中AACO方法相比ACO方法有更快的收敛速度且能够获得更好的全局最优解。
表2 AACO和ACO搜索的最优解循环次数
附图说明
图1是本发明实施例提供的自适应蚁群算法在移动机器人路径规划中的应用方法流程图。
图2是本发明实施例提供的静态障碍物避障策略图。
图3是本发明实施例提供的动态障碍物避障策略图。
图4是本发明实施例提供的机器人陷入死锁状态图。
图5是本发明实施例提供的AACO和ACO为全局路径规划仿真结果。
图中:(a)、AACO全局路径规划仿真结果;(b)、ACO全局路径规划仿真结果。
图6是本发明实施例提供的AACO和ACO方法躲避静态障碍物环境全局路径规划仿真结果图。
图中:(a)、AACO方法躲避静态障碍物环境全局路径规划仿真结果;(b)、ACO方法躲避静态障碍物环境全局路径规划仿真结果。
图7是本发明实施例提供的躲避静态障碍物最优路径的长度对比图。
图8是本发明实施例提供的AACO和ACO方法躲避动态障碍物环境全局路径规划仿真结果图。
图中:(a)、AACO方法躲避动态障碍物环境全局路径规划仿真结果;(b)、ACO方法躲避动态障碍物环境全局路径规划仿真结果。
图9本发明实施例提供的躲避动态障碍物最优路径的长度对比图。
图10本发明实施例提供的自适应蚁群算法在移动机器人路径规划中的应用***示意图。
图中:1、点对点的自适应选择策略单元;2、避障规划策略单元;3、混合死锁处理策略单元。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明中自适应蚁群算法和标准蚂蚁群算法分别简称AACO和ACO。
本发明提供了一种自适应蚁群算法(AACO)在移动机器人路径规划中的应用方法与***,所设计的自适应蚁群算法围绕路径规划中的路径点选择方式﹑障碍物避障过程﹑死锁处理策略三个核心问题分别设计了点对点自适应路径选择策略﹑避障规划策略﹑混合式死锁处理策略。
其中,点对点自适应路径选择策略能有效根据路径点的被访问次数及与目标终点的距离择优选择路径点,而不再简单的依赖路径点间距离及信息素浓度等因素。
避障规划策略根据障碍物的性质合理选择局部避障点躲避障碍物。
混合死锁处理策略结合“早期死亡”方法,根据死锁点周边路径点被累计访问次数确定回退方式。
由实施例中实验数据显示:本发明描述的AACO方法相比基本ACO方法,具有较好的整体寻优效能,在机器人寻优过程中能够规划得到较好的全局路径效果。
本发明实施例提供的复杂环境下自适应蚁群算法在移动机器人路径规划中的应用方法,包括:
点对点自适应路径选择策略。该策略基于以往的蚁群路径选择策略,增加了待选择路径点对目标终点的距离﹑待选择路径点被累计访问次数等因素。待选择路径点的脱颖而出不再仅凭以往蚁群算法中单一的转移概率选择公式,而是采用一组新的分段组合方式,增加了一定的随机比例规划,在蚁群算法原有选择策略基础上,能过优化信息素的分布,采用新的路径点选择方式来择优选择路径点。
避障规划策略。根据障碍物的静态或动态属性,分别采用不同的避障处理方法,且局部避障点的处理综合考虑了其对全局规划路径的影响,在基于点对局部避障点距离基础上,增加了局部避障点对目标终点距离,根据机器人回归原路径的代价系数来选择局部避障点。
混合死锁处理策略,通过分析蚂蚁“早期死亡”和“回退策略”基础上,统计蚂蚁陷入死锁环境中各路径点被累计访问的次数,从而指导蚂蚁陷入死锁环境时更好的跳出死锁环境,以此增强蚂蚁的全局路径规划能力。
所采用的点对点自适应路径选择策略,能够改进蚁群算法的全局搜索能力,增强待选择路径点的多样性。
所采用的避障规划策略有利于机器人快速识别出障碍物的性质,并根据其性质使用不同的避障处理策略。
所采用的混合死锁处理策略在机器人陷入死锁环境中,通过统计死锁点及回退路径点的分布式信息,从而指导蚂蚁更好的跳出死锁环境,有利于增强蚁群的全局路径规划能力。
本发明描述的复杂环境下自适应蚁群算法在移动机器人路径规划中的应用方法步骤如下:
Step1.初始化***参数,设置运行环境及障碍物栅格化表示。
Step2.蚁群算法参数初始化。
Step3.将m只蚂蚁分置于起点位置,每只蚂蚁视为一个机器人。
Step4.机器人移动过程中根据传感器探测的栅格环境进行路径点选择操作,若探测范围内路径点无障物,则采取自适应选择策略操作。否则,根据障碍物的性质(静态或动态),分别采用静态或动态避障规划处理策略。
Step5.若机器人移动过程中有死锁现象出现,使用死锁处理策略跳出死锁环境。
Step6.机器人未到达终点位置,转Step4;否则转Step7.
Step7.计算出每只蚂蚁k走过的搜索路径Lk(k=1,2,...,m),计算出路径的长度,并保存最优路径Llocal。
Step8.仅对本次循环内的最优路径Llocal进行信息素更新,并对信息素最小值进行重置。
Step9.将本次Llocal与全局规划路径Lglobal比较,Llocal<Lglobal,则更新全局最优路径。
Step10.若循环次数Ncmax达到指定值或所有蚂蚁的路径都收敛于同一条路径,则算法结束。否则转到Step3.
下面结合附图对本发明作进一步描述。
本发明描述的复杂环境下自适应蚁群算法(AACO)在移动机器人路径中的应用方法如图1。
类似于静态环境下,复杂环境下移动机器人路径规划的主要目标:按指定算法寻找一条从初始位置至目标终点位置的全局最优或次优的无碰撞路径。而区别于静态环境,由于动态环境中障碍物的出现具有一定的随机性及形状的不确定性、因此对动态环境下全局信息完全未知或部分未知的局部路径规划的研究更具有实用性。在此,本发明描述的移动机器人运行环境空间采用栅格法建模,机器人能够通过传感器感知有限范围内物体的静态和动态属性(如位置信息﹑运行速度及方向),环境中的障碍物根据形状占用一个或多个栅格,且机器人可在匀速运动与暂停两种状态下进行切换。由于机器人移动过程中需要进行路径点的选择﹑障碍物的避障规划﹑死锁问题等处理。在此,本发明描述的技术方案将围上述三个方面依次展开叙述,并贯穿于图1所描述的AACO在移动机器人路径中的应用方法与***框架。
1)点对点自适应路径选择策略
借鉴蚂蚁觅食过程,在机器人移动过程中,其路径点的选择可采用蚂蚁路径选择策略。即路径点的选择由路径点间距离和信息素浓度决定,机器人选择下一路径点的选择概率为:
式(1)中,a为路径i和j上信息素强度τij的相对重要性;ηij为先验知识,是路径i转移到路径j的启发式信息,一般取ηij=1/dij(dij为路径i和j之间的距离),β为启发示信息的重要程度。由公式(1)可知,标准蚁群算法的路径点评价方式来源于路径点间距离和信息素浓度等因素,蚂蚁的选择倾向于距离较短且信息素浓度较高的路径点。但机器人移动过程中,待选择路径点j与最终目标点G间的距离是机器人全局路径长度的影响因素之一。其次,路径点j被累计访问的次数Sj也对路径点选择方式产生重要影响。为改进蚁群算法的全局搜索能力,增强待选择路径点的多样性,本发明设计了以下点对点自适应路径选择策略,蚂蚁k在路径点i选择其它路径点j时,将按以下方式进行:
Step1.设置随机数ro∈(0,1)﹑多样性调节参数r=min{doj/djG,djG/doj},排除有障碍物节点和已走节点,确立待选择路径点集合allowed(k)。在此,doj是初始位置o和目标终点G间的距离,djG是路径点j和目标终点G间的距离。
公式(2)中,ΨjG(t)是待选择路径点j和目标终点G间的距离倒数,即ΨjG=1/djG,Sj(t)是路径点j被累计访问的次数。γ和θ分别是Sj(t)和ΨjG(t)的权重系数。公式(2)在蚁群算法原有选择策略基础上,采用待选择路径点被访问次数和距离目标终点G之间的距离来择优选择路径点j。由此可见,当Sj(t)越大,djG越小,则路径点j被选择作为下一待选择路径点的概率越大。
分析上述过程,在机器人移动过程中使用点对点自适应路径选择策略,若doj≤djG,自适应状态转移规划占据主导地位。当多样性调节参数r逐渐由小变大,ACO中原有路径状态转移概率规则占据的主导地位将会逐渐增强,待选择路径点的确定取决于路径点间距离大小和信息素浓度强弱等因素。当doj>djG时,多样性调节参数r逐渐由大变小,公式(1)主导的路径点选择方式逐渐增强并占据主导地位。由此可见,本发明中自适应选择策略能有效平衡影响路径点选择的多种因素,增强路径点的多样性选择方式,并加快蚁群算法的全局搜索速度。
2)避障规划策略
机器人移动过程中,随着环境的动态改变,往往会随机性地出现静态或动态移动的障碍物。因此,机器人移动过程中,每走一步都需要用测距无线传感器探测视野范畴内的空间环境信息。若在指定Δt时间内,障碍物的位置坐标没有发生变化,则属于静态类型;否则,障碍物为动态类型。在机器人识别出动态或静态类型障碍物后,避障规划策略可分两种情况设置。
①静态障碍物避障策略
探测到静态障碍物后,假定机器人Rob在位置o处,如图2所示。
图2中doA﹑doB﹑dAE﹑dBE等分别是点o和A﹑o和B﹑A和E﹑B和E之间的端点距离,E为目标终点。在无障碍物Obstacle状况,机器人Rob会由o沿着路径OFGE到达端点E。G点为目标终点。在障碍物Obstacle是静态类型时,根据蚂蚁状态转移概率选择策略,机器人会选择距离o有较短路径的局部端点B作为避障点。然后再由路径BE到达端点E。显然,这种选择过程倾向于路径较短的局部避障端点。就全局路径整体而言,虽然有doA>doB,但是doA+dAE<doB+dBE。因此,对局部避障端点的选择还应综合考虑其对全局路径的影响。
令μi(i=1,2)表示机器人回归原路径OFGE的代价系数,μi公式中分母表示机器人的理想最短路径,分子表示有障碍状况的真实路径。μi越大则代价系数越大,反映了机器人真实路径偏离理想最短路径的代价越大;反之,μi越小说明机器人真实路径与理想最短路径越趋于相似。
静态障碍物避障策略:设置指定避障参数q(1>q>0.9),机器人遇到障碍物时,生成随机数p,若p<q,机器人将根据代价系数来选择局部避障点,即机器人将优先选择具有较小代价系数对应的局部避障点;反之,比较机器人o处与其它局部避障点间的距离,选择较短距离对应的局部避障点。
②动态障碍物避障策略
探测到动态障碍物后,若障碍物在时间Δt内沿着方向h移动到一个新的位置。假定障碍物的中心C的坐标位置最初为Pc(xi(ti),yi(ti)),移动到新的坐标位置为:Pc(xi(ti+Δt),yi(ti+Δt)),如图3所示。则用下式(3)确定障碍物的速度大小。
动态障碍物避障策略:类似于静态障碍物避障策略,确定障碍物左右两端点A和B的坐标,根据障碍物移动的方向,优先选择速度趋向于中心坐标C的端点作为局部避障点。如图3中,中心点C沿着方向h移动,doA+dAE会越来越小于doB+dBE,并且随着障碍物的移动,路径OAE也会逐渐趋近于理想最短路径OFGE,而路径OBE却逐渐远离路径OFGE。此时优先选择A点作为局部避障点。
3)混合死锁处理策略
机器人在环境条件较为复杂状况下,其移动过程有可能陷入死锁状态。如图4所示,当机器人移动至B位置时,机器人再无法向其周围位置进行移动。此时,机器人移动陷入死锁状态。
针对死锁问题,文献(Wang D S,Yu H F.Path planning of mobile robot indynamic environments[C]//International Conference on Intelligent Control andInformation Processing.IEEE,2011:691-696.)和文献(屈鸿,黄利伟,柯星.动态环境下基于改进蚁群算法的机器人路径规划研究[J].电子科技大学学报,2015,44(2):260-265.)分别提出“早期死亡”方法和“路径回退”策略。“早期死亡”方法的主要思想令陷于死锁状态的蚂蚁死亡,且不对其已走路径的信息素进行更新。该方法的缺陷在于:当有较多蚂蚁陷入死锁状态时,该方法不利于全局最路优路径的搜索且会降低解的多样性,特别是在蚂蚁即将到达终点时,“早期死亡”方法不利于全局最优路径的搜索。反之,“路径回退”策略允许蚂蚁在陷入死锁状态时,回退一步,不令其死亡,然后更新禁忌表信息,并对死锁边上信息素进行惩罚,在当前路径上蚂蚁重新选择移动点。该方法的不利之处在于会增加机器人移动搜索最优路径的时间。
对此,本发明设计的混合死锁解决方法如下:
以图4为例,B为死锁点,A和C为B的回退路径点,令SA﹑SB﹑Sc分别为A﹑B﹑C路径点被累计访问的次数。当蚂蚁陷入死锁时,若SB<SA,采取回退策略,即B返回A,同时设置路径AB间的信息素为最小值τ0;否则,比较B和邻近点C,C必须是机器人经历过的路径点。若SB<Sc,则由B回退至C。在上述两种情况都不成立时,采取“早期死亡”方法,令处于死锁状态的蚂蚁死亡,其对应路径上的信息素不再进行更新。
下面结合具体实施例对本发明作进一步描述。
AACO和ACO两种方法实施过程以20×20个正方形栅格的地形作为算法测试使用的地形环境,如图5所示(坐标单位为1)。其中,白色方格为可行栅格,黑色方格为不可行栅格,全局路径规划的起点由左上角栅格至右下角终点栅格。
仿真过程中,AACO和ACO两种算法参数设置如下:循环次数Ncmax=100,蚂蚁个数m=20,反映信息素重要程度的参数α=1,反映信发示信息重要程度的参数β=3,表征信息素挥发程度的参数ρ=0.2。AACO中公式(2)中权重系数γ和θ分别设置为3和2。
测试过程中,将ACO和AACO分别运行50次,对其全局路径的搜索结果和算法执行的性能进行对比分析。性能比较分别采用:(1)两种方法搜索后的全局最优路径,比较其路径长度和所经历的栅格数(简记为CR1);(2)执行50次后的平均路径长度(简记为CR2);图5(a)和图5(b)分别是AACO和ACO在无障碍环境下搜索得到的从起点至终点的全局最优路径。
就性能CR1而言,由图5(a)和(b)可见,AACO和ACO两种方法得到的全局路径规划仿真结果均能由起点到达终点。AACO走过了共计27个栅格,其中以直行或水平方向经历15个栅格,以对角方向经历12个栅格,最优路径长度约为31.968。而ACO走过了共计28个栅格,其中直行或水平方向经历17个栅格,以对角方向经历11个栅格,最优路径长度约为32.554。可见,AACO方法得到全局路径要优于ACO搜索得到的结果。
图6(a)和(b)显示出在机器人移动过程中躲避静态障碍物的全局路径规划过程。AACO和ACO两种方法均能由起始点到达终止点。前者经历了共计31个栅格,其中以直行或水平方向经历17个栅格,以对角方向经历14个方格。后者经历了共计38个方格,其中直行或水平方向经历了31个栅格,以对角方向经历了7个栅格。两种方法由起点至终点的路径长度分别为36.796和40.898。显然,就CR1而言,AACO方法得到的全局路径要优于ACO搜索得到的结果。就CR2而言,图7显示出了AACO和ACO方法各执行50次后所得全局路径的路径长度对比效果。图中菱形和圆形分别表示ACO和AACO对应的各次路径长度。
图7显示出AACO方法搜索得到的全局路径规划效果要优于ACO,两种方法得到的平均路径长度分别是40.11和47.22。可见,在躲避静态障碍物环境下,AACO方法要明显优于ACO方法。
图8(a)和(b)显示出机器人移动路径上有静态和动态障物时的全局路径搜索结果,AACO和ACO均能够从起点位置到达终点位置。在机器移动过程中,对动态障碍物的躲避方式:图8(b)中,ACO根据蚂蚁路径选择策略选择距离较好短和信息素浓度较好的局部避障点,机器人选择接近A点作为局部避障点。图8(a)中,AACO根据路径点的自适应选择策略,选择局B点为局部避障点。就性能CR1而言,由图8(a)和(b)可见,AACO指导机器人走过了共计28个方格,其中,以直行或水平方向经历17个栅格,以对角方向经历11个栅格,最优路径长度约为32.554。而ACO走过了共计33个栅格,其中直行或水平方向经历27个栅格,以对角方向经历6个栅格,最优路径长度约为35.484。可见,AACO方法得到全局路径要优于ACO搜索得到的结果。
就性能CR2而言,图9显示出躲避动态障碍物最优路径的长度对比,图中菱形和圆形分别表示ACO和AACO对应的各次路径长度。图9显示出AACO方法每次执行后得到的全局路径规划长度都要优于ACO方法,且两者的平均路径长度分别为34.14和38.16。可见,AACO在动态障碍物环境下得到的全局路径效果要优于ACO方法。
综上所述,本发明设计的AACO方法应用于复杂环境下移动机器人路径规划能够取得有效的路径规划效果。尤其在路径选择中,由于采用了自适应选择策略,机器人移动过程中路径点的选择不再仅凭单一的基于路径点间距离及信息素浓度等因素作为出决择,所设计的分段组合状态转移规则有利于优秀路径的脱颖而出。
在机器人逐渐接近目标终点的后期阶段,公式(2)确定的自适应状态转移选择方式占据主导地位,这是因为后期阶段,路径点的被累计访问次数及与目标终点的距离相比于公式(1)确定的概率选择方式更能加快算法的收敛过程。此外,机器人移动过程的障碍物避障策略的处理能够引导机器人正确选择局部避障点,加快算法的收敛速度,指引机器人朝着具有最短路径方向的目标终点移动。混合死锁处理策略进一步体现了机器人智能化的处理方式,可避免机器人移动过程陷入局部环境死锁状态。
本发明相比ACO方法,在CR1和CR2等整体寻优性能均处于较优状态。
如图10,本发明实施例提供一种自适应蚁群算法在移动机器人路径规划中的应用***包括:
点对点的自适应选择策略单元1,用于根据路径点的被访问次数及与目标终点的距离择优选择路径点;
避障规划策略单元2,用于识别出障碍物的性质,并根据障碍物的性质分别采用不同的局部避障点躲避障碍物;
混合死锁处理策略单元3,用于在陷入死锁环境中,通过统计死锁点及回退路径点的分布式信息,指导蚂蚁跳出死锁环境。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种自适应蚁群算法在移动机器人路径规划中的应用方法,其特征在于,所述自适应蚁群算法在移动机器人路径规划中的应用方法包括:
采用点对点自适应路径选择策略,以分段组合的状态转移优化方式来择优选择下一步移动的路径点;
所述点对点自适应路径选择策略中,蚂蚁k在路径点i选择其它路径点j时,采用以下分段式组合的状态转移优化方式来择优选择路径点:
第一步,生成随机数ro∈(0,1)﹑设置多样性调节参数r=min{doj/djG,djG/doj},排除有障碍物节点和已走节点,确立待选择路径点集合allowed(k);其中,doj是初始位置o到路径点j的距离,djG是路径点j和目标终点G的距离;
第二步,如果doj≤djG,若ro>r,按自适应状态转移公式(2)计算并按概率大小选择下一个可行路径点;若ro≤r,按标准状态转移公式(1)计算每个待选路径点j的选择概率,根据状态转移概率大小确定待选路径点;
公式(1)中,ΨjG(t)是待选择路径点j和目标终点G间的距离倒数,即ΨjG=1/djG,Sj(t)是路径点j被累计访问的次数;γ和θ分别是Sj(t) 和ΨjG(t)的权重系数;
公式(1)在蚁群算法原有路径选择策略基础上,通过统计出待选择路径点的分布式相关信息即待选择路径点j被访问次数Sj(t)和距离目标终点G之间的距离djG来择优选择路径点j; 在此,若Sj(t)越大,djG越小,则路径点j被选择作为下一待选择路径点的概率越大;反之,越小;
公式(2)中,a为路径i和j上信息素强度τij的相对重要性;ηij为先验知识,是路径i转移到路径j的启发式信息,取ηij=1/dij,dij为路径i和j之间的距离,β为启发示信息的重要程度;
采用避障规划策略识别出障碍物的性质,并由此选择不同的局部避障点躲避障碍物;
采用混合死锁处理策略,当机器人陷入死锁环境中,通过统计死锁点及回退路径点的分布式信息来指导蚂蚁跳出死锁环境;
所述混合死锁处理策略包括:
统计死锁点周边分布式信息:假定B'为死锁点,A'和C'为B'的回退路径点,令SA'﹑SB'﹑SC'分别为A'﹑B'﹑C'路径点被累计访问的次数;
当蚂蚁陷入死锁时,若SB'<SA',采取回退策略,即B'返回A',同时设置路径A'B'间的信息素为最小值τ0;否则,比较B'和邻近点C',C' 是机器人经历过的路径点;
若SB'<SC',则由B'回退至C';
若SB'<SA'或SB'<SC'都不成立时,采取早期死亡方法,令处于死锁状态的蚂蚁死亡,对应路径上的信息素不再进行更新。
2.如权利要求1所述的自适应蚁群算法在移动机器人路径规划中的应用方法,其特征在于,所述自适应蚁群算法在移动机器人路径规划中的应用方法具体包括:
步骤一,初始化***参数,设置运行环境并通过栅格法对仿真环境建模;
步骤二,蚁群算法参数初始化;
步骤三,将m只蚂蚁分置于起点位置,每只蚂蚁视为一个独立的机器人;
步骤四,机器人移动过程中根据传感器探测的栅格环境进行路径点选择操作,若探测范围内路径点无障物,则采取自适应选择策略操作;否则,根据障碍物的静态或动态性质,分别采用静态或动态避障规划处理策略;
步骤五,若机器人移动过程中有死锁现象出现,使用混合式死锁处理策略跳出局部死锁环境;
步骤六,机器人未到达终点位置,转步骤四;否则转步骤七;
步骤七,计算出每只蚂蚁k走过的搜索路径Lk(k=1,2,...,m),计算出路径的长度,并保存最优路径Llocal;
步骤八,仅对本次循环内的最优路径Llocal进行信息素更新,并对信息素最小值进行重置;
步骤九,将本次Llocal与全局规划路径Lglobal比较,若Llocal<Lglobal,则更新全局最优路径;
步骤十,若循环次数Ncmax达到指定值或所有蚂蚁的路径都收敛于同一条路径,则算法结束;否则转到步骤三。
3.如权利要求1所述的自适应蚁群算法在移动机器人路径规划中的应用方法,其特征在于,
所述避障规划策略包括:
机器人移动过程中,每走一步使用测距无线传感器探测视野范畴内的空间环境信息;若在指定Δt时间内,障碍物的位置坐标没有发生变化,则属于静态类型;反之,障碍物为动态类型,在机器人识别出动态或静态类型障碍物后,避障规划策略分静态障碍物避障策略和动态障碍物避障策略两种情况进行处理;
所述静态障碍物避障策略包括:
设置指定避障参数q,1>q>0.9;当机器人遇到障碍物时,生成随机数p,若p<q,机器人将根据代价系数来选择局部避障点,机器人将优先选择具有较小代价系数对应的局部避障点;反之,比较机器人所处位置与其它局部避障点间的距离,选择较短距离对应的局部避障点;
所述动态障碍物避障策略包括:
探测到动态障碍物后,若障碍物在时间Δt内沿着方向h移动到一个新的位置;假定障碍物的中心C的坐标位置最初为Pc(xi(ti),yi(ti)),移动到新的坐标位置为:Pc(xi(ti+Δt),yi(ti+Δt)),则用公式(3)确定障碍物的速度大小;
类似于静态障碍物避障策略,确定障碍物左右两端点A和B的坐标,根据障碍物的移动方向,优先选择速度趋向于中心坐标C的端点作为局部避障点。
4.一种实现权利要求1~3任意一项所述自适应蚁群算法在移动机器人路径规划中的应用方法的信息数据处理终端。
5.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1~3任意一项所述的自适应蚁群算法在移动机器人路径规划中的应用方法。
6.一种如权利要求1所述的自适应蚁群算法在移动机器人路径规划中的应用方法的应用***,其特征在于,所述应用***包括:
点对点的自适应选择策略单元,组合了两种不同的状态转移规划来择优选择路径点;
避障规划策略单元,用于识别出障碍物的性质,并根据障碍物的性质分别选择不同的局部避障点躲避障碍物;
混合死锁处理策略单元,用于在陷入死锁环境中,通过统计死锁点及回退路径点分布式信息来指导蚂蚁跳出死锁环境。
7.一种搭载有权利要求6所述的应用***的信息数据处理终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810110763.XA CN108241375B (zh) | 2018-02-05 | 2018-02-05 | 一种自适应蚁群算法在移动机器人路径规划中的应用方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810110763.XA CN108241375B (zh) | 2018-02-05 | 2018-02-05 | 一种自适应蚁群算法在移动机器人路径规划中的应用方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108241375A CN108241375A (zh) | 2018-07-03 |
CN108241375B true CN108241375B (zh) | 2020-10-30 |
Family
ID=62699820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810110763.XA Active CN108241375B (zh) | 2018-02-05 | 2018-02-05 | 一种自适应蚁群算法在移动机器人路径规划中的应用方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108241375B (zh) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108983804B (zh) * | 2018-08-27 | 2020-05-22 | 燕山大学 | 一种基于深度强化学习的双足机器人步态规划方法 |
CN109781110B (zh) * | 2019-01-18 | 2022-09-27 | 安徽宏途机器人科技有限公司 | 一种移动机器人路径死锁检测***及方法 |
CN111459152A (zh) * | 2019-01-21 | 2020-07-28 | 珠海格力电器股份有限公司 | 智能设备的控制方法、控制装置和空气净化器 |
CN109828578B (zh) * | 2019-02-22 | 2020-06-16 | 南京天创电子技术有限公司 | 一种基于YOLOv3的仪表巡检机器人最优路线规划方法 |
CN111708356B (zh) * | 2019-03-02 | 2022-08-09 | 周口师范学院 | 一种起重机自动规划路径***与方法 |
CN109996171B (zh) * | 2019-03-11 | 2020-10-23 | 上海电力学院 | 用于无线传感网络的遗传-禁忌搜索优化的Amorphous定位方法 |
CN109871021B (zh) * | 2019-03-18 | 2022-04-15 | 安徽大学 | 一种基于粒子群优化算法的机器人导航方法 |
CN110319829B (zh) * | 2019-07-08 | 2022-11-18 | 河北科技大学 | 基于自适应多态融合蚁群算法的无人机航迹规划方法 |
CN110362081B (zh) * | 2019-07-16 | 2020-04-24 | 武昌理工学院 | 一种移动机器人路径规划方法 |
CN110426044A (zh) * | 2019-08-09 | 2019-11-08 | 华南理工大学 | 一种基于凸集计算和优化蚁群算法的避障路径规划方法 |
CN110672109B (zh) * | 2019-10-25 | 2022-07-12 | 上海交通大学 | 一种物流***的路径规划方法和*** |
CN110727272B (zh) * | 2019-11-11 | 2023-04-18 | 广州赛特智能科技有限公司 | 一种多台机器人的路径规划调度***及方法 |
CN112540602B (zh) * | 2019-11-27 | 2024-06-25 | 深圳优地科技有限公司 | 一种机器人局部路径的优化方法及机器人 |
CN111240326B (zh) * | 2020-01-15 | 2023-05-16 | 重庆邮电大学 | 一种基于异构双种群蚁群算法的移动机器人路径规划方法 |
CN111427378B (zh) * | 2020-04-10 | 2023-04-18 | 南宁师范大学 | 无人机山地优先救援路径规划方法 |
CN111397598B (zh) * | 2020-04-16 | 2022-02-01 | 苏州大学 | 人机共融环境中移动型机器人路径规划采样方法及*** |
CN112486185B (zh) * | 2020-12-11 | 2023-05-09 | 东南大学 | 在未知环境下基于蚁群和vo算法的路径规划方法 |
CN112749207B (zh) * | 2020-12-29 | 2023-06-02 | 大连海事大学 | 一种基于案例推理的深海应急处置辅助决策*** |
CN113671965B (zh) * | 2021-08-24 | 2024-03-12 | 同济大学 | 路径规划方法及装置 |
CN114237252B (zh) * | 2021-12-17 | 2023-05-26 | 河南工业大学 | 一种融合卡尔曼滤波预测思想的适用于移动机器人导航的改进蚁群算法 |
CN114967679B (zh) * | 2022-04-24 | 2024-03-22 | 河北航瑞信科精密机械有限公司 | 一种消防机器人路径自适应控制方法及*** |
CN116540747B (zh) * | 2023-07-06 | 2023-10-20 | 中国科学技术大学 | 一种避停优先的移动机器人运动规划与避障决策方法 |
CN117250965B (zh) * | 2023-11-20 | 2024-02-23 | 广东电网有限责任公司佛山供电局 | 一种机器人避障快速路径重构方法和*** |
CN117406755B (zh) * | 2023-12-01 | 2024-04-19 | 北京极智嘉科技股份有限公司 | 机器人避障方法、装置、设备和可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336526A (zh) * | 2013-06-20 | 2013-10-02 | 苏州经贸职业技术学院 | 基于协同进化粒子群滚动优化的机器人路径规划方法 |
CN103823466A (zh) * | 2013-05-23 | 2014-05-28 | 电子科技大学 | 一种动态环境下移动机器人路径规划方法 |
CN105446339A (zh) * | 2015-12-22 | 2016-03-30 | 安徽工程大学 | 一种移动机器人路径规划方法 |
CN105760954A (zh) * | 2016-02-15 | 2016-07-13 | 南通大学 | 一种基于改进蚁群算法的泊车***路径规划方法 |
CN107220731A (zh) * | 2017-05-23 | 2017-09-29 | 南京邮电大学 | 一种物流配送路径规划方法 |
CN107272679A (zh) * | 2017-06-15 | 2017-10-20 | 东南大学 | 基于改进的蚁群算法的路径规划方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2353353A1 (en) * | 2010-02-05 | 2011-08-10 | Flander's Mechatronics Technology Centre v.z.w. | In use adaptation of schedule for multi-vehicle ground processing operations |
JP5774361B2 (ja) * | 2011-04-28 | 2015-09-09 | 本田技研工業株式会社 | 軌道計画方法、軌道計画システム及び軌道計画・制御システム |
-
2018
- 2018-02-05 CN CN201810110763.XA patent/CN108241375B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103823466A (zh) * | 2013-05-23 | 2014-05-28 | 电子科技大学 | 一种动态环境下移动机器人路径规划方法 |
CN103336526A (zh) * | 2013-06-20 | 2013-10-02 | 苏州经贸职业技术学院 | 基于协同进化粒子群滚动优化的机器人路径规划方法 |
CN105446339A (zh) * | 2015-12-22 | 2016-03-30 | 安徽工程大学 | 一种移动机器人路径规划方法 |
CN105760954A (zh) * | 2016-02-15 | 2016-07-13 | 南通大学 | 一种基于改进蚁群算法的泊车***路径规划方法 |
CN107220731A (zh) * | 2017-05-23 | 2017-09-29 | 南京邮电大学 | 一种物流配送路径规划方法 |
CN107272679A (zh) * | 2017-06-15 | 2017-10-20 | 东南大学 | 基于改进的蚁群算法的路径规划方法 |
Non-Patent Citations (3)
Title |
---|
Task Allocation and Online Path Planning For AUV Swarm Cooperation;Hongjian Wang,等;《IEEE》;20171231;1-6页 * |
一种改进蚁群算法在机器人路径规划中的应用;郭胜国,等;《科技通报》;20151231;第31卷(第12期);91-93页 * |
动态环境下基于改进蚁群算法的机器人路径规划研究;屈鸿,等;《电子科技大学学报》;20150331;第44卷(第2期);260-265页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108241375A (zh) | 2018-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108241375B (zh) | 一种自适应蚁群算法在移动机器人路径规划中的应用方法 | |
CN110887484B (zh) | 基于改进遗传算法的移动机器人路径规划方法及存储介质 | |
Wang et al. | Reconnaissance mission conducted by UAV swarms based on distributed PSO path planning algorithms | |
CN108801266B (zh) | 一种多无人机对不确定环境搜索的航迹规划方法 | |
Masehian et al. | Multi-objective PSO-and NPSO-based algorithms for robot path planning | |
Liu et al. | An autonomous path planning method for unmanned aerial vehicle based on a tangent intersection and target guidance strategy | |
Wen et al. | UAV online path planning algorithm in a low altitude dangerous environment | |
Albina et al. | Hybrid stochastic exploration using grey wolf optimizer and coordinated multi-robot exploration algorithms | |
US8620510B1 (en) | Adaptive multi-vehicle area coverage optimization system and method | |
CN106647744B (zh) | 一种机器人路径规划方法及装置 | |
Cheng et al. | An improved PSO-GWO algorithm with chaos and adaptive inertial weight for robot path planning | |
CN111024092A (zh) | 一种多约束条件下智能飞行器航迹快速规划方法 | |
CN109597425B (zh) | 基于强化学习的无人机导航和避障方法 | |
CN107450563B (zh) | 基于多子群的自适应信息反馈粒子群机器人路径选择方法 | |
CN108829105A (zh) | 一种基于km算法和人工势场法的仓储物流调度避障优化方法 | |
Undeger et al. | Multi-agent real-time pursuit | |
Zheng et al. | Improved JPS algorithm using new jump point for path planning of mobile robot | |
Yang et al. | A novel path planning algorithm for warehouse robots based on a two-dimensional grid model | |
Li et al. | Simulation analysis of a deep reinforcement learning approach for task selection by autonomous material handling vehicles | |
Ammar et al. | Hybrid metaheuristic approach for robot path planning in dynamic environment | |
CN115454070A (zh) | 一种K-Means蚁群算法多机器人路径规划方法 | |
Yang et al. | Path planning and collision avoidance methods for distributed multi-robot systems in complex dynamic environments | |
Kumar et al. | Rapid A*: a robust path planning scheme for UAVs | |
Tian et al. | Robot global path planning using PSO algorithm based on the interaction mechanism between leaders and individuals | |
Su et al. | Artificial potential field guided JPS algorithm for fast optimal path planning in cluttered environments |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |