CN111103801B - 基于遗传算法的移动机器人重定位方法及移动机器人 - Google Patents
基于遗传算法的移动机器人重定位方法及移动机器人 Download PDFInfo
- Publication number
- CN111103801B CN111103801B CN201911404486.4A CN201911404486A CN111103801B CN 111103801 B CN111103801 B CN 111103801B CN 201911404486 A CN201911404486 A CN 201911404486A CN 111103801 B CN111103801 B CN 111103801B
- Authority
- CN
- China
- Prior art keywords
- individual
- mobile robot
- optimal
- probability
- fitness
- 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
Images
Classifications
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明适用于重定位技术领域,提供了一种基于遗传算法的移动机器人定位方法及移动机器人,包括如下步骤:S1、加载全局地图,将空闲区域作为有效区域;S2、初始化种群;S3、基于最近障碍物距离的似然值来计算初始个体的适应度;S4、选择初始化个体中的最优个体;S5、迭代次数加一,进行迭代操作,即依次进行选择、交叉、变异以及更新最优粒子操作;S6、检测迭代次数是否达到了设定的迭代次数,若检测结果为是,则输出当前的最优个体,对最优个体的浮点数编码进行解码,获取的位姿即最优位姿,基于最优位姿来获取移动机器人在全局地图中的位姿,若检测结果为否,则执行步骤S5。通过遗传算法优越的全局搜索能力,提高重定位***的鲁棒性、高效性。
Description
技术领域
本发明属于机器人定位技术领域,提供了一种基于遗传算法的移动机器人重定位方法及移动机器人。
背景技术
定位是移动机器人研究领域最基本的问题之一,已成为移动机器人实现导航、运动规划等自主能力的基础,它是移动机器人借助于传感器确定自身在环境中的位姿。在自动化工厂、智能仓储物流和家用服务等领域,当移动机器人重启或突然被“绑架”到其他位置,机器人会无法定位其位姿,此时需要重新定位机器人当前位置。在现有解决机器人重定位的方案中,有的是在环境中布置辅助设备来实现机器人定位,增加成本的同时也存在较多局限性;有的是采用粒子滤波的定位方法,在解决全局定位和机器人“绑架”问题有较好的表现,但是该方法也存在收敛速度慢,算法容易退化的问题。
发明内容
本发明实施例提供一种基于遗传算法的移动机器人重定位方法,通过遗传算法优越的全局搜索能力,提高定位***的鲁棒性、高效性,且无需在环境中布置辅助设备。
本发明是这样实现的,一种基于遗传算法的移动机器人定位方法,所述方法具体包括如下步骤:
S1、加载全局地图,将空闲区域作为有效区域;
S2、初始化种群,即设置种群大小、迭代次数、交叉概率、变异概率;
S3、基于最近障碍物距离的似然值来计算初始个体的适应度;
S4、将初适应度最大值的初始个体作为初始化个体中的最优个体;
S5、迭代次数加一,进行迭代操作,即依次进行选择、交叉、变异以及更新最优粒子;
S6、选择:计算个体的选择概率,采用轮盘赌的选择法进行概率选择,从种群中选择两个个体作为父方和母方;
S7、交叉:检测随机生成概率值是否大于交叉概率,若检测结果为是,则随机把父方和母方的浮点数编码在交叉点进行交换,产生新的个体;
S8、变异:检测较随机生成概率是否小于变异概率,若检测结果为是,则进行变异操作,变异操作具体如下:随机选择变异个体,将变异个体的浮点数编码增加或者减少一个小随机数,产生新的个体;
S9、更新最优个体:计算各个体的适应度值,将本次迭代中的最大适应度值与上次迭代的最优个体的适应度值进行比较,将适应度值大的个体作为当前的最优个体;
S10、检测当前的迭代次数是否达到了设定的迭代次数,若检测结果为是,则输出当前最优个体,对最优个体的浮点数编码进行解码,获取的位姿即最优位姿,基于最优位姿来获取移动机器人在全局地图中的位姿,若检测结果为否,则执行步骤S5。
进一步的,个体适应度的计算公式具体如下:
式中,F(n)表示第n个个体在当前激光雷达帧中的适应度,dist表示个体与最近障碍物距离,M表示当前激光雷达帧数据中各个体的数量,(x,y)表示最近障碍物在地图中的坐标,(xk,yk)表示个体在地图中的坐标,q(n)表示第n个个体的个体适应度值,zhit、zranddom及zmax分别代表测距误差混合权重的不同部分,分别代表测量噪声、无法解释的随机测量及测量失败,σhit为测量噪声的标准差。
本发明是这样实现的,一种移动机器人,所述移动机器人包括:激光雷达,激光雷达与处理器连接,处理器与存储器连接,
激光雷达扫描环境信息,将扫描到的环境信息发送至处理器,处理器基于权利要求1或权利要求2所述基于遗传算法的移动机器人重定位方法来进行移动机器人的重定位,存储器中存储有全局地图。
本发明基于遗传算法的来实现移动机器人的重定位,通过遗传算法优越的全局搜索能力,提高定位***的鲁棒性、高效性,此外,无需在定位区域布置辅助设备,即可实现移动机器人的重定位。
附图说明
图1为基于遗传算法的移动机器人重定位方法的流程图。
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,以下结合附图及实施例,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。
本发明要解决的是机器人出现打滑漂移、人为移动、重启或关机导致的定位失败问题,实现移动机器人的高精度定位。
图1为基于遗传算法的移动机器人重定位方法的流程图,该方法具体包括如下步骤:
S1、初始化地图:加载全局地图,将空闲区域作为有效区域;
全局地图由空闲区域,占用区域及未知区域组成,占用区域即为激光雷达探测存在障碍物的区域,空闲区域即为激光雷达探测不存在障碍物的区域,未知区域即为激光雷达无法探测的区域;
S2、初始化种群:设置种群大小、迭代次数、交叉概率、变异概率;
S3、计算个体适应度:选择与最近障碍物距离的似然值作为个体的适应度函数,适应度函数表示具体如下:
式中,F(n)表示第n个个体在当前激光雷达帧中的适应度,dist表示个体与最近障碍物距离,M表示当前激光雷达帧数据中各个体的数量,(x,y)表示最近障碍物在地图中的坐标,(xk,yk)表示个体在地图中的坐标,q(n)表示第n个个体的个体适应度值,zhit、zranddom及zmax分别代表测距误差混合权重的不同部分,分别代表测量噪声、无法解释的随机测量及测量失败,σhit为测量噪声的标准差。
S4、选择粒子中最优个体:将适应度最大值的初始个体作为初始化个体中的最优个体。
S5、迭代次数加一,进行迭代计算,即进行选择、交叉、变异以及更新最优粒子操作。
S6、选择:计算各个体的选择概率,遵照适应度越高,选择概率越大的原则,采用轮盘赌的选择法进行概率选择,从种群中选择两个个体作为父方和母方,父方和母方用来繁殖后代,每个个体被选择的概率为:
式中,n表示种群大小,fi表示第i个个体的适应度。
S7、交叉:检测随机生成概率值是否大于交叉概率,若检测结果为是,则随机把父方和母方的浮点数编码在交叉点进行交换,产生新的个体,若检测结果为否,则不进行交叉操作,对个***姿进行编码,即形成个体的浮点数编码;
在本发明实施例中,基于随机函数来随机生成的概率称为随机生成概率,浮点编码数值相同数据位即为两浮点编码的交叉点。
S8、变异:检测较随机生成概率是否小于变异概率,若检测结果为是,则进行变异操作,若检测结果为否,则比进行变异操作,变异操作具体如下:随机选择变异个体,将变异个体的浮点数编码增加或者减少一个小随机数,产生新的个体。
S9、更新最优个体:计算各个体的个体适应度,将本次迭代中的最大适应度值与上次迭代的最优个体的适应度值进行比较,将适应度值大的个体作为当前的最;
S10、检测迭代次数是否达到了设定的迭代次数,若检测结果为是,则输出当前最优个体,对最优个体的浮点数编码进行解码,获取的位姿即最优位姿,基于最优位姿来获取移动机器人在全局地图中的位姿,若检测结果为否,则执行步骤S5。
本发明还提供了一种移动机器人,该移动机器人包括:激光雷达,激光雷达与处理器连接,处理器与存储器连接,激光雷达扫描环境信息,将扫描到的环境信息发送至处理器,处理器基于权利要求1或权利要求2所述基于遗传算法的移动机器人重定位方法来进行移动机器人的重定位,存储器中存储有全局地图。
本发明基于遗传算法的来实现移动机器人的重定位,通过遗传算法优越的全局搜索能力,提高定位***的鲁棒性、高效性,此外,无需在定位区域布置辅助设备,即可实现移动机器人的重定位。
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 (2)
1.一种基于遗传算法的移动机器人重定位方法,其特征在于,所述方法具体包括如下步骤:
S1、加载全局地图,将空闲区域作为有效区域;
S2、初始化种群,即设置种群大小、迭代次数、交叉概率、变异概率;
S3、基于最近障碍物距离的似然值来计算初始个体的适应度;
S4、将初适应度最大值的初始个体作为初始化个体中的最优个体;
S5、迭代次数加一,进行迭代操作,即依次进行选择、交叉、变异以及更新最优粒子;
S6、选择:计算个体的选择概率,采用轮盘赌的选择法进行概率选择,从种群中选择两个个体作为父方和母方;
S7、交叉:检测随机生成概率值是否大于交叉概率,若检测结果为是,则随机把父方和母方的浮点数编码在交叉点进行交换,产生新的个体;
S8、变异:检测较随机生成概率是否小于变异概率,若检测结果为是,则进行变异操作,变异操作具体如下:随机选择变异个体,将变异个体的浮点数编码增加或者减少一个小随机数,产生新的个体;
S9、更新最优个体:计算各个体的适应度值,将本次迭代中的最大适应度值与上次迭代的最优个体的适应度值进行比较,将适应度值大的个体作为当前的最优个体;
S10、检测迭代次数是否达到了设定的迭代次数,若检测结果为是,则输出当前的最优个体,对最优个体的浮点数编码进行解码,获取的位姿即最优位姿,基于最优位姿来获取移动机器人在全局地图中的位姿,若检测结果为否,则执行步骤S5;
个体适应度的计算公式具体如下:
式中,F(n)表示第n个个体在当前激光雷达帧中的适应度,dist表示个体与最近障碍物距离,M表示当前激光雷达帧数据中各个体的数量,(x,y)表示最近障碍物在地图中的坐标,(xk,yk)表示个体在地图中的坐标,q(n)表示第n个个体的个体适应度值,zhit、zranddom及zmax分别代表测距误差混合权重的不同部分,分别代表测量噪声、无法解释的随机测量及测量失败,σhit为测量噪声的标准差。
2.一种移动机器人,其特征在于,所述移动机器人包括:激光雷达,激光雷达与处理器连接,处理器与存储器连接,
激光雷达扫描环境信息,将扫描到的环境信息发送至处理器,处理器基于权利要求1所述基于遗传算法的移动机器人重定位方法来进行移动机器人的重定位,存储器中存储有全局地图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911404486.4A CN111103801B (zh) | 2019-12-31 | 2019-12-31 | 基于遗传算法的移动机器人重定位方法及移动机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911404486.4A CN111103801B (zh) | 2019-12-31 | 2019-12-31 | 基于遗传算法的移动机器人重定位方法及移动机器人 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111103801A CN111103801A (zh) | 2020-05-05 |
CN111103801B true CN111103801B (zh) | 2022-05-17 |
Family
ID=70424707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911404486.4A Active CN111103801B (zh) | 2019-12-31 | 2019-12-31 | 基于遗传算法的移动机器人重定位方法及移动机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111103801B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914068A (zh) * | 2013-01-07 | 2014-07-09 | 中国人民解放军第二炮兵工程大学 | 一种基于栅格地图的服务机器人自主导航方法 |
CN105737820A (zh) * | 2016-04-05 | 2016-07-06 | 芜湖哈特机器人产业技术研究院有限公司 | 一种室内机器人定位导航方法 |
CN107246873A (zh) * | 2017-07-03 | 2017-10-13 | 哈尔滨工程大学 | 一种基于改进的粒子滤波的移动机器人同时定位与地图构建的方法 |
CN107368076A (zh) * | 2017-07-31 | 2017-11-21 | 中南大学 | 一种智能环境下机器人运动路径深度学习控制规划方法 |
CN107436604A (zh) * | 2017-07-31 | 2017-12-05 | 中南大学 | 一种智能环境下运载机器人路径智能分解控制规划方法 |
CN107609650A (zh) * | 2017-09-20 | 2018-01-19 | 河南理工大学 | 基于时间负载均衡的粒子遗传算法优化方法、装置及*** |
CN108180912A (zh) * | 2017-12-31 | 2018-06-19 | 芜湖哈特机器人产业技术研究院有限公司 | 基于混合导航带的移动机器人定位***及方法 |
CN109084777A (zh) * | 2018-09-13 | 2018-12-25 | 黎建军 | 基于自适应遗传算法的粒子滤波定位与地图构建方法 |
CN110221604A (zh) * | 2019-05-16 | 2019-09-10 | 浙江工业大学 | 一种基于遗传算法的快速全局路径规划方法 |
CN110598832A (zh) * | 2019-08-22 | 2019-12-20 | 西安理工大学 | 一种基于遗传优化算法的文字透视矫正方法 |
-
2019
- 2019-12-31 CN CN201911404486.4A patent/CN111103801B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914068A (zh) * | 2013-01-07 | 2014-07-09 | 中国人民解放军第二炮兵工程大学 | 一种基于栅格地图的服务机器人自主导航方法 |
CN105737820A (zh) * | 2016-04-05 | 2016-07-06 | 芜湖哈特机器人产业技术研究院有限公司 | 一种室内机器人定位导航方法 |
CN107246873A (zh) * | 2017-07-03 | 2017-10-13 | 哈尔滨工程大学 | 一种基于改进的粒子滤波的移动机器人同时定位与地图构建的方法 |
CN107368076A (zh) * | 2017-07-31 | 2017-11-21 | 中南大学 | 一种智能环境下机器人运动路径深度学习控制规划方法 |
CN107436604A (zh) * | 2017-07-31 | 2017-12-05 | 中南大学 | 一种智能环境下运载机器人路径智能分解控制规划方法 |
CN107609650A (zh) * | 2017-09-20 | 2018-01-19 | 河南理工大学 | 基于时间负载均衡的粒子遗传算法优化方法、装置及*** |
CN108180912A (zh) * | 2017-12-31 | 2018-06-19 | 芜湖哈特机器人产业技术研究院有限公司 | 基于混合导航带的移动机器人定位***及方法 |
CN109084777A (zh) * | 2018-09-13 | 2018-12-25 | 黎建军 | 基于自适应遗传算法的粒子滤波定位与地图构建方法 |
CN110221604A (zh) * | 2019-05-16 | 2019-09-10 | 浙江工业大学 | 一种基于遗传算法的快速全局路径规划方法 |
CN110598832A (zh) * | 2019-08-22 | 2019-12-20 | 西安理工大学 | 一种基于遗传优化算法的文字透视矫正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111103801A (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fox | Markov localization-a probabilistic framework for mobile robot localization and navigation. | |
Manikas et al. | Genetic algorithms for autonomous robot navigation | |
CN106796434A (zh) | 地图生成方法、自身位置推定方法、机器人***和机器人 | |
CN106647744B (zh) | 一种机器人路径规划方法及装置 | |
Meyer-Delius et al. | Using artificial landmarks to reduce the ambiguity in the environment of a mobile robot | |
CN111061276B (zh) | 基于动态区域划分的移动机器人重定位方法 | |
CN112033413A (zh) | 一种结合环境信息的改进a*算法 | |
Chung et al. | Multiscale search using probabilistic quadtrees | |
Ma et al. | Optimized BP neural network algorithm for predicting ship trajectory | |
CN107422326B (zh) | 基于贝叶斯估计的水下目标追踪方法 | |
CN111103801B (zh) | 基于遗传算法的移动机器人重定位方法及移动机器人 | |
Tamizharasi et al. | Bio-inspired algorithm for optimizing the localization of wireless sensor networks | |
CN114594772A (zh) | 机器人、路径规划方法、装置和存储介质 | |
CN113985894A (zh) | 一种自主避障路径规划方法、装置、设备及存储介质 | |
Liu | A faster algorithm for the constrained minimum covering circle problem to expedite solving p‐center problems in an irregularly shaped area with holes | |
CN116805047A (zh) | 多传感器融合定位的不确定性表达方法、装置及电子设备 | |
JP2021135473A (ja) | 捜索支援システム、捜索支援方法 | |
Xie et al. | Weight‐Aware Sensor Deployment in Wireless Sensor Networks for Smart Cities | |
Arndt et al. | Optimized mobile indoor robot navigation through probabilistic tracking of people in a wireless sensor network | |
US20150127302A1 (en) | Method and apparatus for optimized routing | |
Strack et al. | Laser-based localization with sparse landmarks | |
Feng et al. | A global localization system for mobile robot using lidar sensor | |
Chatterjee et al. | Simultaneous Localization and Mapping (SLAM) in mobile robots | |
KR100772654B1 (ko) | 격자기반 지도 작성방법 | |
KR102497874B1 (ko) | 라이다 포인트 데이터의 지면 및 천장 판단 방법 및 시스템 |
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 |