CN113110520A - 一种多智能优化并行算法的机器人路径规划方法 - Google Patents

Abstract

本发明涉及一种多智能优化并行算法的机器人路径规划方法，属于机器人技术领域。该方法包括步骤：S1，利用粒子群优化算法的全局搜索能力实现移动机器人的路径规划；S2，以粒子群优化算法为主干，嵌入遗传算法(GA)中的选择、交叉、变异算子以及细菌觅食算法(BFO)中的趋化操作加强局部搜索能力；S3，利用并行策略优化路径，提高机器人的路径规划效率；S4，设计栅格环境地图，用于评定算法的优越性。本发明在复杂多障碍物的环境下，相较于其他算法，多智能优化并行算法弥补了PSO算法的缺陷，局部和整体的搜索能力大幅度提高，路径规划速度快且路径距离短，同时具备更强的鲁棒性。

Description

一种多智能优化并行算法的机器人路径规划方法

技术领域

本发明属于机器人技术领域，涉及一种多智能优化并行算法的机器人路径规划方法。

背景技术

路径规划一直是智能化移动机器人研究领域中的关键问题，其目的是确保机器人从指定的起始位置到达预定目标的路径最短，同时在行进过程中可避开环境障碍。路径搜索的问题现已存在许多解决方法，可以在不同程度上解决普遍存在的研究问题。路径规划根据智能化程度可分为分传统路径规划算法和智能路径规划算法。传统路径规划算法包含模拟退火(Simulated Annealing Algorithm,SA)、人工势场法(Artificial PotentialField,APF)、模糊逻辑(Fuzzy Logic Algorithm,FLA)、禁忌搜索等方法，但是此类方法存在收敛速度慢，路径冗余等问题。常用的智能路径规划算法有粒子群优化算法(ParticleSwarm Optimization,PSO)、遗传算法(Genetic Algorithm,GA)、细菌觅食算法(BacterialForaging Algorithm,BFO)、蚁群算法(Ant Colony Optimization,ACO)等。智能算法通常具优秀的搜索的能力，且结构简单，易于相互融合，达到提高算法的性能，因此被广泛应用于移动机器人的路径规划。

现有的智能化路径规划算法，大多都只是利用单一的智能优化算法进行改进用于路径规划，或者通过堆叠的方式融合两种智能算法用于路径规划。单一的智能算法存在搜索能力弱，简单的融合又造成时间消耗大，不稳定的问题。目前鲜少有人将多种智能算法通过全新的方式结合起来，不仅可以增强搜索能力，而且还可以加快搜索速度，提高算法的稳定性。

发明内容

有鉴于此，本发明的目的在于提供一种多智能优化并行算法的机器人路径规划方法。

为达到上述目的，本发明提供如下技术方案：

一种多智能优化并行算法的机器人路径规划方法，其包括以下步骤：

S1，建立环境栅格地图，利用环境模型来对路径规划算法进行评估；

S2，为解决粒子群优化算法应用于路径规划时存在易陷入局部极值的问题，提出多智能优化并行算法的机器人路径规划方法，利用多个算法互补获取路径；

S3，为解决多智能算法单纯堆叠存在的时间消耗较大的问题，提出并行策略，通过嵌入并行的遗传算法中的选择、交叉、变异算子以及细菌觅食算法中的趋化操作加强局部搜索能力；

S4，将粒子分为两类，分别进行局部搜索，增强局部搜索能力的同时，缩短时间；

S5，为验证算法的有效性，在栅格地图上测试了该算法，并以不同的智能优化算法的测试结果作为对照。

进一步的，所述步骤S1通过RGB-D传感器获取环境信息，降维处理为栅格地图，栅格地图就是将实际工作环境等价为由相同大小格子构成的一个栅格矩阵，对每个栅格以0-1进行编码，将实际障碍物对应的栅格以1填充，在地图中以黑色表示，对可行区域以0填充，白色表示。根据栅格法，即可有效的将机器人的工作环境映射到平面上，便于路径的规划。

栅格地图中使用智能算法进行路径规划得到路线实际是由连续的小栅格组成，在规划路径的过程中，智能算法根据设定的搜索维度空间会得到组成路径的多个栅格点，将点与点之间通过线段连接即可构成规划路径。但是在实际环境中存在路障，因此在构建路径时需要求解线段经过的栅格，实现直线的栅格化，用于判断是否经过障碍，以此更新算法的适应度函数。直线栅格化的步骤如下：

1：获取线段两端顶点坐标，计算两点的纵向距离和横向距离；

2：比较横向距离和纵向距离的大小；

1)若横向距离较大，则按照横向栅格的列循环，求出线段与横向栅格列中心线的交点对应的栅格；

2)若纵向距离较大，则按照纵向栅格的行循环，求出线段与纵向栅格行中心线的交点对应的栅格；

3)若线段之间不存在斜率，则按照栅格行循环；

3：输出直线栅格化的栅格点。

进一步的，所述步骤S2的一种多智能优化并行算法的机器人路径规划，以粒子群优化算法为主干，嵌入遗传算法中的选择、交叉、变异算子以及细菌觅食算法中的趋化操作加强局部搜索能力，通过并行策略优化路径，同时提高机器人的路径规划效率。

进一步的，所述步骤S3中将粒子随机分两份进行遗传算法的选择、交叉、变异部分和细菌觅食算法的趋化操作，并分别作为2个分支的多智能优化并行路径规划算法。所设计算法流程步骤包括:

1:采用实数编码，对粒子群进行初始化。定义n个粒子组成粒子群对栅格地图进行空间搜索，粒子具备位置属性x和速度属性v，以及定义适应度函数，作为路径规划的优化目标。

第i个粒子在t时刻的位置表示为：

第i个粒子在t时刻的速度表示为：

式中t指代当前迭代次数，D表示搜索关键点个数。

本文路径主要由搜索出的关键点连成线段构成，因此选用欧式距离作为算法的适应度函数：

其中x，y是关键点实数编码对应的栅格位置，λ代表惩罚因子，T指代当前路径穿过的障碍数量。

2:将现有粒子群复制成两份，一份嵌入遗传算法的选择、交叉、变异操作，另一份嵌入细菌觅食算法的趋化操作，并行训练综合加强粒子群寻优能力，保持粒子搜索速度。经过选择、交叉、变异操作产生新的粒子：

经过细菌觅食算法的趋化操作，产生的新粒子为：

其中C(i)>0表示向前粒子游动的步长，Φ(i)表示旋转后随机选择的单位方向向量。由于在细菌觅食算法中存在群聚效应，所以此时更新粒子的适应度函数值需要加上粒子之间的相互作用力。令J_cc(x，i，t)表示同时考虑粒子间吸引力和排斥力的目标函数，其计算公式如下：

d_atact,d_repellant,w_atact,w_repellant四个参数表示粒子之间的受力因子，是第i个粒子位置属性的第m个元素。

3:将两个分支的粒子群进行融合，获取最优粒子群。判断新的粒子群的最优解是否满足设定的目标阈值，若不满足，则执行粒子群算法的更新公式。位置和速度属性更新公式如下：

式中ω是惯性权重，决定历史速度对当前速度的影响。c₁,c₂为学习因子，r₁,r₂为随机因子，P_best是单个粒子在搜索过程中的历史最优值，G_best是粒子群在搜索过程中的历史最优值。

4:执行粒子群更新之后，再次判断粒子群最优适应度函数值是否满足设定目标阈值，若满足，则结束算法，否则再次执行1-4的步骤。

进一步的，所述步骤S4利用并行策略缩短算法计算时间，同时提高全局和局部的搜索能力。在复杂障碍物的环境使机器人依然可以搜寻出一条适合自身移动的路径。

进一步的，所述步骤S5结合上述权利要求将算法于其他智能优化算法在相同环境下进行测试，并设置同大小的环境障碍物，进行数次实验，以避免偶然误差。

本发明的有益效果在于：本发明提供了一种多智能优化并行算法的机器人路径规划方法，针对单一智能优化算法求解机器人路径规划问题时存在收敛性差、以及易陷入局部误区的问题，提出多智能优化并行算法用于机器人路径规划。该算法以粒子群优化算法为主干，嵌入遗传算法中的选择、交叉、变异算子以及细菌觅食算法中的趋化操作加强局部搜索能力，通过并行策略优化路径，同时提高机器人的路径规划效率。为了验证算法的有效性，在栅格地图上测试了该算法，并以不同的智能优化算法的测试结果作为对照。多智能优化并行算法弥补了PSO算法的缺陷，局部和整体的搜索能力大幅度提高，路径规划速度快且路径距离短，同时具备更强的鲁棒性。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为一种多智能优化并行算法的机器人路径规划流程图；

图2为环境栅格地图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

如图1所示，本发明提供了一种多智能优化并行算法的机器人路径规划方法，其特征在于，包括以下步骤：

S1,通过RGB-D传感器获取环境信息，降维处理为栅格地图，栅格地图就是将实际工作环境等价为由相同大小格子构成的一个栅格矩阵，对每个栅格以0-1进行编码，将实际障碍物对应的栅格以1填充，在地图中以黑色表示，对可行区域以0填充，白色表示。根据栅格法，即可有效的将机器人的工作环境映射到平面上，便于路径的规划。

栅格地图中使用智能算法进行路径规划得到路线实际是由连续的小栅格组成，在规划路径的过程中，智能算法根据设定的搜索维度空间会得到组成路径的多个栅格点，将点与点之间通过线段连接即可构成规划路径。但是在实际环境中存在路障，因此在构建路径时需要求解线段经过的栅格，实现直线的栅格化，用于判断是否经过障碍，以此更新算法的适应度函数。直线栅格化的步骤如下：

S11：获取线段两端顶点坐标，计算两点的纵向距离和横向距离；

S12：比较横向距离和纵向距离的大小；

1)若横向距离较大，则按照横向栅格的列循环，求出线段与横向栅格列中心线的交点对应的栅格；

2)若纵向距离较大，则按照纵向栅格的行循环，求出线段与纵向栅格行中心线的交点对应的栅格；

3)若线段之间不存在斜率，则按照栅格行循环；

S13：输出直线栅格化的栅格点。

S2,一种多智能优化并行算法的机器人路径规划，以粒子群优化算法为主干，嵌入遗传算法中的选择、交叉、变异算子以及细菌觅食算法中的趋化操作加强局部搜索能力，通过并行策略优化路径，同时提高机器人的路径规划效率。

S3,将粒子随机分两份进行遗传算法的选择、交叉、变异部分和细菌觅食算法的趋化操作，并分别作为2个分支的多智能优化并行路径规划算法。所设计算法流程步骤包括:

S31:采用实数编码，对粒子群进行初始化。定义n个粒子组成粒子群对栅格地图进行空间搜索，粒子具备位置属性x和速度属性v，以及定义适应度函数，作为路径规划的优化目标。

第i个粒子在t时刻的位置表示为：

第i个粒子在t时刻的速度表示为：

式中t指代当前迭代次数，D表示搜索关键点个数。

本文路径主要由搜索出的关键点连成线段构成，因此选用欧式距离作为算法的适应度函数：

其中x，y是关键点实数编码对应的栅格位置，λ代表惩罚因子，T指代当前路径穿过的障碍数量。

S32:将现有粒子群复制成两份，一份嵌入遗传算法的选择、交叉、变异操作，另一份嵌入细菌觅食算法的趋化操作，并行训练综合加强粒子群寻优能力，保持粒子搜索速度。经过选择、交叉、变异操作产生新的粒子：

经过细菌觅食算法的趋化操作，产生的新粒子为：

其中C(i)>0表示向前粒子游动的步长，Φ(i)表示旋转后随机选择的单位方向向量。由于在细菌觅食算法中存在群聚效应，所以此时更新粒子的适应度函数值需要加上粒子之间的相互作用力。令J_cc(x，i，t)表示同时考虑粒子间吸引力和排斥力的目标函数，其计算公式如下：

d_atact,d_repellant,w_atact,w_repellant四个参数表示粒子之间的受力因子，是第i个粒子位置属性的第m个元素。

S33:将两个分支的粒子群进行融合，获取最优粒子群。判断新的粒子群的最优解是否满足设定的目标阈值，若不满足，则执行粒子群算法的更新公式。位置和速度属性更新公式如下：

式中ω是惯性权重，决定历史速度对当前速度的影响。c₁,c₂为学习因子，r₁,r₂为随机因子，P_best是单个粒子在搜索过程中的历史最优值，G_best是粒子群在搜索过程中的历史最优值。

S34:执行粒子群更新之后，再次判断粒子群最优适应度函数值是否满足设定目标阈值，若满足，则结束算法，否则再次执行S31-S34的步骤。

S4,利用并行策略缩短算法计算时间，同时提高全局和局部的搜索能力。在复杂障碍物的环境使机器人依然可以搜寻出一条适合自身移动的路径。

S5,结合上述权利要求将算法于其他智能优化算法在相同环境下进行测试，并设置同大小的环境障碍物，进行数次实验，以避免偶然误差。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种多智能优化并行算法的机器人路径规划方法，其特征在于：该方法包括以下步骤：

S1：建立环境栅格地图，利用环境模型来对路径规划算法进行评估；

S2：为解决粒子群优化算法应用于路径规划时存在易陷入局部极值的问题，提出多智能优化并行算法的机器人路径规划方法，利用若干算法互补获取路径；

S3：为解决多智能优化并行算法单纯堆叠存在的时间消耗较大的问题，提出并行策略，通过嵌入并行的遗传算法中的选择、交叉、变异算子以及细菌觅食算法中的趋化操作加强局部搜索能力；

S4：将粒子分为两类，分别进行局部搜索，增强局部搜索能力的同时，缩短时间；

S5：在栅格地图上测试多智能优化并行算法，并以不同的测试结果作为对照。

2.根据根据权利要求1所述的一种多智能优化并行算法的机器人路径规划方法，其特征在于：所述S1具体为：

通过RGB-D传感器获取环境信息，降维处理为栅格地图，栅格地图就是将实际工作环境等价为由相同大小格子构成的一个栅格矩阵，对每个栅格以0-1进行编码，将实际障碍物对应的栅格以1填充，在地图中以黑色表示，对可行区域以0填充，白色表示；根据栅格法，将机器人的工作环境映射到平面上，便于路径的规划。

3.根据根据权利要求2所述的一种多智能优化并行算法的机器人路径规划方法，其特征在于：在所述S2中，在栅格地图中使用多智能优化并行算法进行路径规划得到路线，由连续的小栅格组成，在规划路径的过程中，智能算法根据设定的搜索维度空间会得到组成路径的多个栅格点，将点与点之间通过线段连接构成规划路径；在构建路径时需要求解线段经过的栅格，实现直线的栅格化，用于判断是否经过障碍，以此更新算法的适应度函数；直线栅格化的步骤如下：

S21：获取线段两端顶点坐标，计算两点的纵向距离和横向距离；

S22：比较横向距离和纵向距离的大小；

1)若横向距离较大，则按照横向栅格的列循环，求出线段与横向栅格列中心线的交点对应的栅格；

2)若纵向距离较大，则按照纵向栅格的行循环，求出线段与纵向栅格行中心线的交点对应的栅格；

3)若线段之间不存在斜率，则按照栅格行循环；

S23：输出直线栅格化的栅格点。

4.根据根据权利要求3所述的一种多智能优化并行算法的机器人路径规划方法，其特征在于：所述S4具体为：

S41：采用实数编码，对粒子群进行初始化；

定义n个粒子组成粒子群对栅格地图进行空间搜索，粒子具备位置属性x和速度属性v，以及定义适应度函数，作为路径规划的优化目标；

第i个粒子在t时刻的位置表示为：

第i个粒子在t时刻的速度表示为：

式中t指代当前迭代次数，D表示搜索关键点个数；

选用欧式距离作为算法的适应度函数：

其中x，y是关键点实数编码对应的栅格位置，λ代表惩罚因子，T指代当前路径穿过的障碍数量；

S42：将现有粒子群复制成两份，一份嵌入遗传算法的选择、交叉、变异操作，另一份嵌入细菌觅食算法的趋化操作，并行训练综合加强粒子群寻优能力，保持粒子搜索速度；经过选择、交叉、变异操作产生新的粒子：

经过细菌觅食算法的趋化操作，产生的新粒子为：

其中C(i)>0表示向前粒子游动的步长，Φ(i)表示旋转后随机选择的单位方向向量；在细菌觅食算法中存在群聚效应，更新粒子的适应度函数值加上粒子之间的相互作用力；令J_cc(x，i，t)表示同时考虑粒子间吸引力和排斥力的目标函数，其计算公式如下：

d_atact,d_repellant,w_atact,w_repellant四个参数表示粒子之间的受力因子，是第i个粒子位置属性的第m个元素；

S43：将两个分支的粒子群进行融合，获取最优粒子群；判断新的粒子群的最优解是否满足设定的目标阈值，若不满足，则执行粒子群算法的更新公式；位置和速度属性更新公式如下：

式中ω是惯性权重，决定历史速度对当前速度的影响；c₁,c₂为学习因子，r₁,r₂为随机因子，P_best是单个粒子在搜索过程中的历史最优值，G_best是粒子群在搜索过程中的历史最优值；

S44：执行粒子群更新之后，再次判断粒子群最优适应度函数值是否满足设定目标阈值，若满足，则结束算法，否则再次执行S41～S44。

Images