一种机器人路径规划的方法技术

本发明专利技术涉及水下机器人路径规划领域，且公开了一种机器人路径规划的方法，包括以下步骤：基于二次采样和双向扩展策略以及路径缓存策略得到多策略改进的RRT*算法；引入基于优化启发函数和信息素更新规则策略的改进蚁群算法对搜索过程进行优化；改进的RTT*算法与改进后的蚁群算法相结合，形成多策略改进的RRT*算法，实现水下机器人三维空间多目标路径规划方法。该机器人路径规划的方法，将多种改进策略与RRT*算法相结合，形成改进的RRT*算法，可快速获得起始路径并且减少冗余，同时保证了准确度，可以通过改进的RRT*算法获得最优的规划路径。这些优点大大提高了水下机器人的路径规划效率，对建立高效的水下路径工程很有益处。对建立高效的水下路径工程很有益处。对建立高效的水下路径工程很有益处。

【技术实现步骤摘要】
一种机器人路径规划的方法


[0001]本专利技术涉及水下机器人路径规划领域，具体为一种机器人路径规划的方法。

技术介绍

[0002]现有的水下机器人路径规划设计方法只能解决计算量大、同一环境下多条规划路径结果不一致、搜索空间过大、路径搜索过程随机性太大和搜索过程收敛速度慢等问题的其中一个或者几个，在动态障碍物的情况下，路径规划成为一个复杂且耗时的过程，使工作过程变得繁琐且效率低，也不利于水下机器人路径规划的研究；
[0003]现有技术存在的缺点
[0004]由于使用统一随机抽样进行路径搜索的RRT算法稳定性较差，因此很难保证得到的结果是全局最优路径。
[0005]RRT*是一种基于统一随机抽样的搜索方法。虽然该算法可以在一定程度上获得最佳路径，但随着随机树大小的增加，计算量和内存消耗将以更快的速度增加。计算速度大大降低。RRT*算法可以看作是以牺牲一定的计算成本为代价对开关路径进行更好的优化。
[0006]本专利技术旨在将多种策略改进的多种算法相结合，限制算法的采样区域，压缩其无用的随机采样区域，建立水下机器人路径规划模型，利用该模型可以在三维障碍空间中完成最优路径的规划。利用MATLAB环境下的三维水下模拟空间对模型进行了充分论证，为此我们提出了一种机器人路径规划的方法。

技术实现思路

[0007](一)解决的技术问题
[0008]针对现有技术的不足，本专利技术提供了一种机器人路径规划的方法，解决了上述的问题。
[0009](二)技术方案
[0010]为实现上述所述目的，本专利技术提供如下技术方案：一种机器人路径规划的方法，包括以下步骤：
[0011]第一步：基于二次采样和双向扩展策略以及路径缓存策略得到多策略改进的RRT*算法；
[0012]第二步：引入基于优化启发函数和信息素更新规则策略的改进蚁群算法对搜索过程进行优化；
[0013]第三步：改进的RTT*算法与改进后的蚁群算法相结合，形成多策略改进的RRT*算法，实现水下机器人三维空间多目标路径规划方法。
[0014]优选的，所述第一步中的二次采样和双向扩展策略包括以下内容：
[0015]从第二个节点开始，向后检查起始节点与当前节点之间的连接是否存在障碍物干扰；
[0016]如果有干扰，则删除节点；
[0017]如果没有干扰，则保留节点；
[0018]检查过程结束后，可以有效地删除路径中的冗余节点，同时，通过双向扩展随机树搜索策略查找初始路径的基础上，引入Dijkstra算法对扩展随机树进行二次采样以搜索节点矩阵，如果引入Dijkstra算法后优化路径的总成本较小，则更新路径并将其作为最优解，从而将初始路径更新为最优路径。
[0019]优选的，所述路径缓存策略包括以下内容：
[0020]采用路径缓存作为随机树的生长引导函数，从节点x
near
生长新节点的改进的生长引导函数F(x
near
)为：
[0021]F(x
near
)＝R(x
near
)+G(x
near
)+P(x
near
)
……
(1)；
[0022]R(x
near
)为节点的随机采样函数，G(x
near
)为目标偏置函数，P(x
near
)为路径缓存偏置函数，目标向量x
goal
对x
near
的引力可以表示为：
[0023]G＝k
g
·
||x
goal
‑
x
near
||
……
(2)；
[0024]向量x
goal
为目标点的位置，||x
goal
‑
x
near
||表示节点与目标点之间的距离，ρ表示搜索步长，k
g
表示重力系数，获得以下公式作为目标偏差函数
[0025][0026]路径缓存偏移量函数构造为：
[0027][0028]k
p
为路径缓存偏移系数，x
path，i
为路径缓存中第i点的位置向量，||x
path，i
‑
x
near
||，表示点到节点的欧几里得距离，基本RRT*算法的随机展开函数为：
[0029][0030]将公式(3)、(4)、(5)代入公式(1)，得到：
[0031][0032]生成新节点的公式进一步得到如下：
[0033][0034]定义了p
goal
、p
path
和p
rand
三种概率，其中p
goal
表示根据公式(5)(6)(7)选择目标点作为新节点，即随机树向目标生长的概率，p
path
表示选择路径缓存点作为新节点的概率，p
rand
表示选择一个随机点作为新节点的概率；
[0035]p
goal
+p
path
+p
rand
＝1
……
(8)；
[0036]抽样公式为：
[0037][0038]其中是x
goal
目标点的坐标，x
path，i
是路径缓存中第i个点的坐标，x
free
是采样空间中随机点的坐标。
[0039]优选的，所述第二步中的具体内容如下：
[0040]改进蚁群算法公式所示：
[0041][0042]d
sj
为起点s到下一个节点j的距离，值越大，距离起始点s越远，η
ij
越大，节点j被选中的概率越大，d
ij
表示当前节点i与下一个节点j之间的距离，d
jG
表示下一个节点j与目标点G之间的距离，两者之和越小，η
ij
则越大，节点j被选中的概率越大；
[0043]信息素更新规则为：
[0044][0045]L
mid
表示完成一次迭代后所有蚂蚁路径总长度的平均值，L
k
表示蚂蚁k本次所走路径的长度，A表示一个常数，与算法的迭代次数有关。
[0046]优选的，所述第三步中的具体内容如下：
[0047]S1：计算每个目标点之间的初始路径代价；
[0048]S2：三维空间中的多目标路径规划问题等价于已知路径代价的普通旅行商问题，通过蚁群算法迭代得到迭代中遍历所有目标点的最优环路，并在迭代过程中记录通过路径每段的蚂蚁数量；
[0049]S3：比较路径每段的蚂蚁数量和阈值N，如果超过阈值，调用RRT*更新该段的路径开销；
[0050]S4：迭代结束时，调用RRT*，更新包含在最优解中的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机器人路径规划的方法，其特征在于，包括以下步骤：第一步：基于二次采样和双向扩展策略以及路径缓存策略得到多策略改进的RRT*算法；第二步：引入基于优化启发函数和信息素更新规则策略的改进蚁群算法对搜索过程进行优化；第三步：改进的RTT*算法与改进后的蚁群算法相结合，形成多策略改进的RRT*算法，实现水下机器人三维空间多目标路径规划方法。。2.根据权利要求1所述的一种机器人路径规划的方法，其特征在于：所述第一步中的二次采样和双向扩展策略包括以下内容：从第二个节点开始，向后检查起始节点与当前节点之间的连接是否存在障碍物干扰；如果有干扰，则删除节点；如果没有干扰，则保留节点；检查过程结束后，可以有效地删除路径中的冗余节点，同时，通过双向扩展随机树搜索策略查找初始路径的基础上，引入Dijkstra算法对扩展随机树进行二次采样以搜索节点矩阵，如果引入Dijkstra算法后优化路径的总成本较小，则更新路径并将其作为最优解，从而将初始路径更新为最优路径。。3.根据权利要求1所述的一种机器人路径规划的方法，其特征在于：所述路径缓存策略包括以下内容：采用路径缓存作为随机树的生长引导函数，从节点x
near
生长新节点的改进的生长引导函数F(x
near
)为：F(x
near
)＝R(x
near
)+G(x
near
)+P(x
near
)......(1)；R(x
near
)为节点的随机采样函数，G(x
near
)为目标偏置函数，P(x
near
)为路径缓存偏置函数，目标向量x
goal
对x
near
的引力可以表示为：G＝k
g
·
||x
goal
‑
x
near
||......(2)；向量x
goal
为目标点的位置，||x
goal
‑
x
near
||表示节点与目标点之间的距离，ρ表示搜索步长，k
g
表示重力系数，获得以下公式作为目标偏差函数路径缓存偏移量函数构造为：k
p
为路径缓存偏移系数，x
path,i
为路径缓存中第i点的位置向量，||x
path,i
‑
x
near
||，表示点到节点的欧几里得距离，基本RRT*算法的随机展开函数为：将公式(3)、(4)、(5)代入公式(1)，得到：生成新节点的公式进一步得到如下：
定义了p
goal
、p
path
和p
rand
三种概率，其中p
goal
表示根据公式(5)(6)(7)选择目标点作为新节点，即随机树向目标生长的...

【专利技术属性】
技术研发人员：秦剑，胡资江，
申请(专利权)人：广州大学，
类型：发明
国别省市：