一种基于ACO-PSO-VFH的室内移动机器人自主动态路径规划方法技术

本发明专利技术公开了一种基于ACO

【技术实现步骤摘要】
一种基于ACO
‑
PSO
‑
VFH的室内移动机器人自主动态路径规划方法


[0001]本专利技术涉及一种基于ACO
‑
PSO
‑
VFH的室内移动机器人自主动态路径规划方法，属于移动机器人自主导航
，特别适合于设施室内作业移动机器人动态环境下的自主路径规划。

技术介绍

[0002]随着信息技术及机器人技术的不断发展，越来越多的机器人被用来为替代人们进行工作，特别是替代那些脏累差环境及重复性作业。自主导航是移动机器人实现智能化并发挥作用的关键，而路径规划、特别是动态规划则是移动机器人自动导航能力实现的基础。按照对环境信息的已知程度，路径规划可以分为全局路径规划和局部路径规划。环境信息完全已知的路径规划称为全局路径规划，环境信息未知或部分未知时的路径规划称为局部路径规划。而在移动机器人技术中，采用全局路径规划算法进行路径规划时，由于获取的环境信息中缺乏动态障碍物信息，因此无法适应障碍物变化的环境；采用局部路径规划算法进行路径规划时，实时性比较高，但是缺乏全局信息，规划出的路径不一定最优而浪费时间与能源。
[0003]在大多数的应用场景中，移动机器人所处环境是部分已知部分未知的。因此，首先应根据全局环境信息，规划出一条从起始点到目标点的初始路径；在机器人沿初始路径行进的过程中，遇到未知的障碍物时，再选择合适的局部避障方法绕开障碍物。ACO(蚁群算法)是一种基于种群的进化算法，具有本质并行性、易于并行实现，且在求解性能上具有很强的鲁棒性和搜索较好解的能力，在TSP问题应用中取得了良好的效果；但其参数α和β往往通过经验取得，选取不当时会造成算法性能大大降低，甚至陷入局部极小，且计算量大、收敛速度慢。PSO(粒子群优化)本质是利用当前位置、全局极值和个体极值3个信息，指导粒子下一步迭代位置，具有相当快的逼近最优解的速度，还可对系统参数进行有效优化。

技术实现思路

[0004]本专利技术的目的在于提供一种基于ACO
‑
PSO
‑
VFH的室内移动机器人自主动态路径规划方法，针对上述ACO在路径规划中的不足，融合ACO和PSO的优点，采用PSO对ACO的系统参数α、β进行训练，并加快ACO的收敛速度，提高其求解速率；并针对动态环境优化移动机器人的路径规划，增加其动态自主导航能力，提高其工作效率并节约时间及能源。
[0005]本专利技术是通过以下技术手段实现上述技术目的，具体技术方案如下：
[0006]一种基于ACO
‑
PSO
‑
VFH的室内移动机器人自主动态路径规划方法，包括如下步骤：
[0007]步骤1，将移动机器人所处的环境表示成栅格地图，并利用ACO
‑
PSO融合智能算法在栅格地图中搜索出一条从起始点到目标点的初始路径，并在初始路径上每隔固定间隔生成子目标点；
[0008]步骤2，移动机器人以固定步长沿初始路径移动，并判断移动时是否会遇到障碍
物，若遇到障碍物则转到步骤3，否则继续沿初始路径向目标点移动，直至抵达目标点；
[0009]步骤3，将距移动机器人当前位置最近的子目标点作为阶段目标点；
[0010]步骤4，采用VFH避障算法进行避障，计算移动机器人当前位置到阶段目标点之间最合理的避障路径；
[0011]步骤5，机器人沿步骤所述避障路径以固定步长向阶段目标点移动，每移动一个步长，判断机器人新的位置与阶段目标点之间是否存在遮挡，若存在遮挡，则返回步骤4，若不存在遮挡，则继续沿避障路径向阶段目标点前进一个步长；
[0012]步骤5，移动机器人沿步骤4计算的避障路径以固定步长向阶段目标点移动，每移动一个步长，判断机器人新的位置与阶段目标点之间是否存在遮挡，若存在障碍物，则返回步骤3，若不存在障碍物，则继续沿避障路径向阶段目标点前进一个步长；
[0013]步骤6，重复步骤5，直至机器人抵达阶段目标点，并返回到初始路径上；
[0014]步骤7，返回到步骤2，循环上述步骤直至移动机器人到达目标点。
[0015]优选地，所述步骤4的具体过程如下：
[0016]1)以移动机器人当前位置为中心，半径为20个栅格长度的圆均分为12个扇区，扇区序号用s表示，s＝0,1，
…
，12，则机器人当前位置到阶段目标点之间的候选行进方向共有12个方向；
[0017]2)移动机器人扫描上述12个扇区，赋予扇区内每个栅格一个表示其包含的障碍物特征的概率值P；
[0018]3)对于每个扇区是，计算被其覆盖的所有栅格内障碍物密度之D(s)：
[0019]D(s)＝∑
p
(i,j)∈P
ij
[0020]其中，P
ij
表示坐标是(i,j)的栅格p(i,j)包含的障碍物特征概率值P；设定阈值TD，当D(s)<TD时，将扇区s定为候选区；
[0021]4)在所有候选区中搜寻最适合的移动方向V，即使得以下代价函数最小的V扇区：
[0022]w(V)＝μ1Diff(V,V
tar
)+μ2Diff(V,V
cur
)
[0023]其中，w(V)表示V扇区的代价函数，Diff(V,V
tar
)表示移动方向V与阶段目标点所在方向之间的角度差值，Diff(V,V
cur
)表示移动方向V与机器人当前行进方向之间的角度差值，系数μ1和μ2均表示权重比，且μ1+μ2＝1；
[0024]5)移动机器人沿最适合的移动方向V移动一个步长，返回2.1，重复上述过程，直至到达阶段目标点。
[0025]优选地，步骤5所述判断移动机器人新的位置与阶段目标点之间是否存在障碍物的具体过程为：
[0026]1)根据机器人新的位置对应的栅格坐标(X
cur
,Y
cur
)和阶段目标点对应的栅格坐标(X
tar
,Y
tar
)，计算两个栅格坐标连成的线段L的斜率k：
[0027][0028]2)从新的位置开始，直至阶段目标点，依次遍历X
cur
到X
tar
之间的整数横坐标值X，依据Y＝k
×
(X
tar
‑
X)+Y
cur
得到纵坐标的值Y，再将Y进行向上取整和向下取整，分别得到Y
up
和Y
down
，则有坐标为(X,Y
up
)、(X,Y
down
)，将X
cur
到X
tar
之间所有整数横坐标得到的(X,Y
up
)组成上边界，同理，将所有(X,Y
down
)组成下边界，进而得到线段L上、下边界之间所有栅格；
[0029]3)若本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ACO
‑
PSO
‑
VFH的室内移动机器人自主动态路径规划方法，其特征在于，包括如下步骤：步骤1，将移动机器人所处的环境表示成栅格地图，并利用ACO
‑
PSO融合智能算法在栅格地图中搜索出一条从起始点到目标点的初始路径，并在初始路径上每隔固定间隔生成子目标点；步骤2，移动机器人以固定步长沿初始路径移动，并判断移动时是否会遇到障碍物，若遇到障碍物则转到步骤3，否则继续沿初始路径向目标点移动，直至抵达目标点；步骤3，将距移动机器人当前位置最近的子目标点作为阶段目标点；步骤4，采用VFH避障算法进行避障，计算移动机器人当前位置到阶段目标点之间最合理的避障路径；步骤5，移动机器人沿步骤4计算的避障路径以固定步长向阶段目标点移动，每移动一个步长，判断机器人新的位置与阶段目标点之间是否存在遮挡，若存在障碍物，则返回步骤3，若不存在障碍物，则继续沿避障路径向阶段目标点前进一个步长；步骤6，重复步骤5，直至机器人抵达阶段目标点，并返回到初始路径上；步骤7，返回到步骤2，循环上述步骤直至移动机器人到达目标点。2.根据权利要求1所述一种基于ACO
‑
PSO
‑
VFH的室内移动机器人自主动态路径规划方法，其特征在于，所述步骤4的具体过程如下，1)以移动机器人当前位置为中心，半径为20个栅格长度的圆均分为12个扇区，扇区序号用s表示，s＝0,1，
…
，11，则机器人当前位置到阶段目标点之间的候选行进方向共有12个方向；2)移动机器人扫描上述12个扇区，赋予扇区内每个栅格一个表示其包含的障碍物特征的概率值P；3)对于每个扇区s，计算被其覆盖的所有栅格内障碍物密度之D(s)：D(s)＝∑
p
(i,j)∈P
ij
其中，P
ij
表示坐标(i,j)的栅格p(i,j)包含的障碍物特征概率值P；设定阈值TD，当D(s)<TD时，将扇区s定为候选区；4)在所有候选区中搜寻最适合的移动方向V，即使得以下代价函数最小的V扇区：w(V)＝μ1Diff(V,V
tar
)+μ2Diff(V,V
cur
)其中，w(V)表示V扇区的代价函数，Diff(V,V
tar
)表示移动方向V与阶段目标点所在方向之间的角度差值，Diff(V,V

【专利技术属性】
技术研发人员：董立立，董晓娅，杨洪涛，
申请(专利权)人：江苏大学，
类型：发明
国别省市：