基于RRT算法与人工势场法相结合的微机器人避障方法技术

本发明专利技术公开了基于RRT算法与人工势场法相结合的微机器人避障方法，涉及微纳机器人技术领域，该方法包括：获取避障实验场景图，图中包括模拟血管边缘、微机器人和障碍物；通过模板匹配从避障实验场景图中识别模拟血管边缘，通过HSV模型从避障实验场景图中识别静态障碍物；基于识别出的模拟血管边缘和静态障碍物，利用改进的RRT算法进行全局路径规划，确定全局路径上的关键节点；将关键节点作为子目标点，利用改进的人工势场法规避动态障碍物依次到达子目标点，直至达到路径终点。使用该方法使得微机器人在狭窄环境下不仅能对静态障碍物进行避障，而且能对动态障碍物进行避障。而且能对动态障碍物进行避障。而且能对动态障碍物进行避障。

【技术实现步骤摘要】
基于RRT算法与人工势场法相结合的微机器人避障方法


[0001]本专利技术涉及微纳机器人
，尤其是基于RRT算法与人工势场法相结合的微机器人避障方法。

技术介绍

[0002]目前，微机器人因其无损伤、兼容性强以及无线遥控等优势而得到广泛应用，包括血栓疏通、靶向药物输送、近距离放射治疗和热疗等医学生物领域，体现出革命性的应用前景。微机器人的路径规划成为当前微机器人技术中重要的研究热点。目前大多数微机器人只能对静态障碍物进行避障，不能做到实时避障，而微机器人在复杂环境中不仅要考虑对静态障碍物进行避障，更需要对动态障碍物进行避障，因此需要提出微机器人在复杂环境中对动/静态障碍物的自动避障策略。

技术实现思路

[0003]本专利技术人针对上述问题及技术需求，提出了基于RRT算法与人工势场法相结合的微机器人避障方法，首先通过改进的RRT算法选取关键节点、规划全局最佳路径，然后通过改进的人工势场算法分段到达子目标点，最终完成微机器人整体的路径规划。
[0004]本专利技术的技术方案如下：
[0005]基于RRT算法与人工势场法相结合的微机器人避障方法，包括如下步骤：
[0006]获取避障实验场景图，图中包括模拟血管边缘、微机器人和障碍物；
[0007]通过模板匹配从避障实验场景图中识别模拟血管边缘，通过HSV模型从避障实验场景图中识别静态障碍物；
[0008]基于识别出的模拟血管边缘和静态障碍物，利用改进的RRT算法进行全局路径规划，确定全局路径上的关键节点；
>[0009]将关键节点作为子目标点，利用改进的人工势场法规避动态障碍物依次到达子目标点，直至达到路径终点。
[0010]其进一步的技术方案为，通过模板匹配从避障实验场景图中识别模拟血管边缘，包括：
[0011]从避障实验场景图中提取模拟血管的ROI区域；
[0012]对ROI区域进行模糊化处理去除边缘噪点，然后进行边缘提取并二值化处理，对得到的二值化边缘图像进行边缘膨胀，得到模拟血管粗边缘的采样图；
[0013]对模拟血管的设计图进行边缘提取并二值化处理，对得到的二值化边缘图像进行边缘膨胀，得到模拟血管粗边缘的设计图；
[0014]对模拟血管粗边缘的设计图进行平移、选取ROI区域和缩放操作，利用差分进化算法，将处理后的模拟血管粗边缘的设计图与模拟血管粗边缘的采样图的各个像素点进行配对，匹配成功则完成对模拟血管边缘的识别。
[0015]其进一步的技术方案为，通过HSV模型从避障实验场景图中识别静态障碍物，包
括：
[0016]从避障实验场景图中提取模拟血管的ROI区域；
[0017]将ROI区域从RGB空间转换为HSV空间；
[0018]根据静态障碍物的颜色调整HSV空间的色相参数，从而完成对静态障碍物的识别。
[0019]其进一步的技术方案为，利用改进的RRT算法进行全局路径规划，确定全局路径上的关键节点，包括：
[0020]利用双向RRT算法生成初始规划路径，并获取初始规划路径的全部节点，形成节点集A{Y
i
,1≤i≤n}，其中，Y
i
表示初始规划路径的第i个节点，且节点按照从起点到终点顺序排序，n是初始规划路径节点的个数；
[0021]以Y1为起点依次与Y
m
(m＝2,3,
…
,n)做直线连接，并依次判断直线Y1Y
m
是否遇到静态障碍物：
[0022]若是，则将Y
m
‑1作为关键节点，以Y
m
为起点依次与Y
m+1
做直线连接，并依次判断直线Y
m
Y
m+1
是否遇到静态障碍物，直至连接到初始规划路径的终点Y
n
，将起点、关键节点和终点添加到集合B；
[0023]否则，将Y2,Y3…
Y
m
‑1作为冗余节点，直接剔除；
[0024]依次连接集合B中的节点，得到优化后的全局路径规划。
[0025]其进一步的技术方案为，利用改进的人工势场法规避动态障碍物依次到达子目标点，直至达到路径终点，包括：
[0026]分别构建子目标点对微机器人的引力势场、动态障碍物对微机器人的斥力势场；
[0027]获取子目标点当前时刻time step的初始化参数，并分别输入至引力势场和斥力势场，得到微机器人受到的虚拟合力，虚拟合力为引力和斥力之和；
[0028]获取微机器人的实时位置，并判断是否到达子目标点，若是，则获取下一子目标点当前时刻time step的初始化参数，直至达到路径终点；否则，令time step＝time step+1，并重新执行获取子目标点当前时刻time step的初始化参数。
[0029]其进一步的技术方案为，双向RRT算法的约束条件包括：
[0030](1)由双向RRT算法生成的初始规划路径上的节点都在识别出的模拟血管边缘和静态障碍物形成的区域D中，表示为：Y
i
∈D,i＝1,2,3,...,n
[0031](2)各个节点距离模拟血管边缘的约束表示为：X＞taoline
[0032]其中，X表示Y
i
与模拟血管边缘之间的距离，tao line为阈值。
[0033]其进一步的技术方案为，构建子目标点对微机器人的引力势场，包括：
[0034]引力势场包括位置势场和速度势场，表达式为：
[0035][0036]其中，ξ
p
为位置势场比例系数，ξ
v
为速度势场比例系数，p
m
为微机器人的位置，p
g
为子目标点的位置，ρ(p
m
,p
g
)为微机器人和子目标点的相对位置，v
m
为微机器人的速度，v
g
为子目标点的速度，ρ(v
m
,v
g
)为微机器人和子目标点的相对速度；
[0037]由引力势场推导出引力的表达式为：
[0038][0039]其中，F
attp
(p)是微机器人指向子目标点相对位置的引力分量，F
attv
(v)是子目标点
指向微机器人的相对速度的引力分量，是子目标点相对于微机器人运动方向的单位向量，是微机器人指向子目标点的单位向量。
[0040]其进一步的技术方案为，构建动态障碍物对微机器人的斥力势场，包括：
[0041]以微机器人为中心，依据微机器人与动态障碍物之间的距离、模拟血管领域，将斥力势场的作用区域分为绝对安全区、预警避障区、执行避障区和绝对避障区；
[0042]绝对安全区的范围为：超过以检测避障距离为半径的圆之外的区域，位于绝对安全区的动态障碍物未达到避障条件，对微机器人不产生斥力作用，此时微机器人只受到引本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于RRT算法与人工势场法相结合的微机器人避障方法，其特征在于，所述方法包括：获取避障实验场景图，图中包括模拟血管边缘、微机器人和障碍物；通过模板匹配从所述避障实验场景图中识别所述模拟血管边缘，通过HSV模型从所述避障实验场景图中识别静态障碍物；基于识别出的模拟血管边缘和静态障碍物，利用改进的RRT算法进行全局路径规划，确定全局路径上的关键节点；将所述关键节点作为子目标点，利用改进的人工势场法规避动态障碍物依次到达所述子目标点，直至达到路径终点。2.根据权利要求1所述的基于RRT算法与人工势场法相结合的微机器人避障方法，其特征在于，所述通过模板匹配从所述避障实验场景图中识别所述模拟血管边缘，包括：从所述避障实验场景图中提取模拟血管的ROI区域；对所述ROI区域进行模糊化处理去除边缘噪点，然后进行边缘提取并二值化处理，对得到的二值化边缘图像进行边缘膨胀，得到模拟血管粗边缘的采样图；对模拟血管的设计图进行边缘提取并二值化处理，对得到的二值化边缘图像进行边缘膨胀，得到模拟血管粗边缘的设计图；对所述模拟血管粗边缘的设计图进行平移、选取ROI区域和缩放操作，利用差分进化算法，将处理后的模拟血管粗边缘的设计图与所述模拟血管粗边缘的采样图的各个像素点进行配对，匹配成功则完成对所述模拟血管边缘的识别。3.根据权利要求1所述的基于RRT算法与人工势场法相结合的微机器人避障方法，其特征在于，所述通过HSV模型从所述避障实验场景图中识别静态障碍物，包括：从所述避障实验场景图中提取模拟血管的ROI区域；将所述ROI区域从RGB空间转换为HSV空间；根据所述静态障碍物的颜色调整所述HSV空间的色相参数，从而完成对所述静态障碍物的识别。4.根据权利要求1所述的基于RRT算法与人工势场法相结合的微机器人避障方法，其特征在于，所述利用改进的RRT算法进行全局路径规划，确定全局路径上的关键节点，包括：利用双向RRT算法生成初始规划路径，并获取所述初始规划路径的全部节点，形成节点集A{Y
i
,1≤i≤n}，其中，Y
i
表示初始规划路径的第i个节点，且节点按照从起点到终点顺序排序，n是初始规划路径节点的个数；以Y1为起点依次与Y
m
(m＝2,3,
…
,n)做直线连接，并依次判断直线Y1Y
m
是否遇到所述静态障碍物：若是，则将Y
m
‑1作为关键节点，以Y
m
为起点依次与Y
m+1
做直线连接，并依次判断直线Y
m
Y
m+1
是否遇到所述静态障碍物，直至连接到所述初始规划路径的终点Y
n
，将所述起点、关键节点和终点添加到集合B；否则，将Y2,Y3…
Y
m
‑1作为冗余节点，直接剔除；依次连接所述集合B中的节点，得到优化后的全局路径规划。5.根据权利要求1所述的基于RRT算法与人工势场法相结合的微机器人避障方法，其特征在于，所述利用改进的人工势场法规避动态障碍物依次到达所述子目标点，直至达到路
径终点，包括：分别构建所述子目标点对微机器人的引力势场、所述动态障碍物对微机器人的斥力势场；获取子目标点当前时刻time step的初始化参数，并分别输入至所述引力势场和斥力势场，得到所述微机器人受到的虚拟合力，所述虚拟合力为引力和斥力之和；获取所述微机器人的实时位置，并判断是否到达所述子目标点，若是，则获取下一子目标点当前时刻time step的初始化参数，直至达到路径终点；否则，令time step＝time step+1，并重新执行所述获取子目标点当前时刻time step的初始化参数。6.根据权利要求4所述的基于RRT算法与人工势场法相结合的微机器人避障方法，其特征在于，所述双向RRT算法的约束条件包括：(1)由所述双向RRT算法生成的初始规划路径上的节点都在识别出的模拟血管边缘和静态障碍物形成的区域D中，表示为：Y
i
∈D,i＝1,2,3,...,n(2)各个节点距离模拟血管边缘的约束表示为：X＞tao line其中，X表示Y
i
与模拟血管边缘之间的距离，tao line为阈值。7.根据权利要求5所述的基于RRT算法与人工势场法相结合的微机器人避障方法，其特征在于，构建所述子目标点对微机器人的引力势场，包括：所述引力势场包括位置势场和速度势场，表达式为：其中，ξ
p
为位置势场比例系数，ξ
v
为速度势场比例系数，p
m
为微机器人的位置，p
g
为子目标点的位置，ρ(p
m
,p
g
)为微机器人和子目标点的相对位置，v
m
为微机器人的速度，v
g
为子目标点的速度，ρ(v
m
...

【专利技术属性】
技术研发人员：樊启高，赵正青，谢林柏，黄文涛，朱一昕，毕恺韬，贾捷，
申请(专利权)人：江南大学，
类型：发明
国别省市：