【技术实现步骤摘要】
本专利技术涉及人工智能机器人路径规划，属于机器人及群智能，具体涉及一种人工智能机器人路径规划方法及系统。
技术介绍
1、对于人工智能机器人而言，如何实现高效的移动是其研究及开发的重点。路径规划的核心在于路径规划算法，它能够在给定环境中找到从起点到终点的最优或次优路径。路径规划算法主要分为传统路径规划算法和智能优化算法两类，其研究在可人工智能机器人领域具有重要意义，吸引了国内外许多研究学者的关注。
2、现有技术中存在利用各种智能优化算法对人工智能机器人进行路径规划的方案，例如，中国专利技术专利（cn110095122a）公开了一种基于改进蚁群算法的人工智能机器人路径规划方法，包括以下步骤：s1、采用栅格法创建机器人环境地图；s2、采用蚁群算法寻找环境最短路径，蚁群算法包含以下步骤：s21、初始化蚁群算法的参数；s22、将m只蚂蚁放在起始点开始搜索；s23、利用距离启发函数选择下一步移动栅格；s24、判断所有蚂蚁是否到达目标点，如果是则进行步骤s25，如果否返回步骤s23；s25、通过路线冗余消除策略对当前迭代所有可行路径进行优化；s26、利用路径偏差放大策略进行信息素更新；s27、判断是否达到最大迭代次数，如果是则结束；如果否，则令迭代次数加1并返回步骤s22；s3、将步骤s2得到最短路径作为规划的最优路径；然而，上述方案在采用蚁群算法路径规划时存在栅格地图建立粗略导致计算过程准确度不高、效率不高以及采用蚁群算法求解鲁棒性不强的问题。
技术实现思路
1、本专利技术的目的在
2、为解决上述技术问题，本专利技术具体提供下述技术方案：一种人工智能机器人路径规划方法，具体包括步骤：
3、s1：采用栅格法对人工智能机器人工作环境进行环境建模，建立栅格地图；
4、其中，采用栅格法进行环境建模；所述栅格法将人工智能机器人的运行环境分为大小相等的正方形，每个正方形为一个栅格；
5、栅格数量的确定方法为：
6、sa：获取所述人工智能机器人运行环境总面积st；
7、sb：获取所述人工智能机器人运行环境中最大障碍物面积sz；
8、sc：设定所述人工智能机器人运行环境的初始推荐栅格数量n；
9、sd：根据所述运行环境总面积st以及初始推荐栅格数量n得到初始栅格尺寸sm；
10、se：比较所述初始栅格尺寸sm和所述最大障碍物面积sz，若所述初始栅格尺寸sm大于所述最大障碍物面积sz，则所述初始推荐栅格数量n为最终栅格数量nt，否则，进入下一步；
11、sf：采用栅格数量确定模型确定最终栅格数量nt；
12、s2：采用改进蚁群算法对所述人工智能机器人进行路径规划；
13、所述s2具体为：
14、s2.1：初始化蚁群算法的参数；
15、s2.2：将所有蚂蚁放置于所述栅格地图的起点，建立禁忌表；
16、s2.3：更新禁忌表，记录蚂蚁走过节点；
17、s2.4：判断蚂蚁是否到达终点，若到达终点，记录蚂蚁所走路径，并转到下一步骤，否则转到步骤s2.3；
18、s2.5：判断是否达到最大蚂蚁数；如果是，则转到下一步骤；否则蚂蚁数加1，执行步骤s2.2;
19、s2.6：根据每个蚂蚁的路径得到最优路径；
20、s3：根据所述最优路径作为人工智能机器人的规划路径。
21、优选地，所述sb具体为：采集所述人工智能机器人运行环境图像；然后采用人工标识的方式标识出所述图像中的障碍物区域，根据所述图像中的障碍物区域计算所述人工智能机器人运行环境中障碍物总面积sz。
22、优选地，所述sc中，所述初始推荐栅格数量为400个。
23、优选地，所述sd中，所述初始栅格尺寸sm的计算公式为：
24、。
25、优选地，所述栅格数量确定模型为深度学习模型，具体为前馈神经网络、生成对抗网络、深度强化学习中的一种。
26、优选地，所述深度学习模型的输入为所述人工智能机器人运行环境总面积、所述人工智能机器人运行环境中最大障碍物面积、所述人工智能机器人运行环境中障碍物个数、所述人工智能机器人运行环境中障碍物总面积；初始栅格数量；所述深度学习模型的输出为最终栅格数量。
27、优选地，所述s2.1中，初始化蚁群算法的参数具体为：蚂蚁数量、信息素常量、信息素挥发因子、距离启发函数因子、区域启发因子、最大迭代次数，所述人工智能机器人的出发点和终点。
28、优选地，通过调整信息素挥发因子调整蚂蚁搜索效率；
29、其中，信息素挥发因子ρ的确定公式为：
30、
31、式中，ρ0为初始信息素挥发因子，lm为蚂蚁m探寻的路径长度，nc为当前迭代次数，nmax为预设的最大迭代次数，μ为常数。
32、优选地，根据所述s1中建立的栅格地图不同设置不同的初始信息素挥发因子ρ0；当所述栅格地图的栅格数量为初始推荐栅格数量时，设置初始信息素挥发因子ρ0=0.5；否则，初始信息素挥发因子ρ0的确定公式为：
33、
34、其中，n为初始推荐栅格数量， nt为最终栅格数量，a为调节系数。
35、根据本专利技术的另一方面，提供一种人工智能机器人路径规划系统，所述系统采用上述的一种人工智能机器人路径规划方法，所述系统还包括：
36、栅格地图建立模块，用于采用栅格法对人工智能机器人工作环境进行环境建模，建立栅格地图；
37、最优路径规划模块，用于采用改进蚁群算法对所述人工智能机器人进行路径规划；
38、最优路径执行模块，用于根据所述最优路径作为人工智能机器人的规划路径。
39、本专利技术与现有技术相比较具有如下有益效果：
40、本专利技术提供的一种人工智能机器人路径规划方法及系统，在建立栅格地图时，首先将初始栅格尺寸和最大障碍物面积比较，若最大障碍物面积小于初始栅格尺寸时，则采用推荐的栅格数量建立栅格地图，这样不会导致规划路线受障碍物的阻挡而变成无效路线；若最大障碍物面积大于等于初始栅格尺寸时，则需要对栅格尺寸进行膨胀处理，此时，采用人工智能模型确定一个较为合适的栅格数量建立地图，以兼顾栅格地图建立的准确性和路径规划运算的效率；
41、同时，本专利技术对蚁群算法进行改进，可以使得在算法的前期，在信息素挥发因子的控制下，使得蚂蚁可以有更多的可能性去寻找较多的路线，在后期，使蚂蚁可以聚焦在信息素较多的路线上，进而提高效率；另外，根据栅格地图不同设置不同的初始信息素挥发因子，提高了改进蚁群算法应用于不同类型人工智能机器人运行环境的鲁棒性。
本文档来自技高网...【技术保护点】
1.一种人工智能机器人路径规划方法，其特征在于，具体包括步骤：
2.根据权利要求1所述的人工智能机器人路径规划方法，其特征在于，所述Sb具体为：采集所述人工智能机器人运行环境图像；然后采用人工标识的方式标识出所述图像中的障碍物区域，根据所述图像中的障碍物区域计算所述人工智能机器人运行环境中障碍物总面积Sz。
3.根据权利要求1所述的人工智能机器人路径规划方法，其特征在于，所述Sc中，所述初始推荐栅格数量为400个。
4.根据权利要求1所述的人工智能机器人路径规划方法，其特征在于，所述Sd中，所述初始栅格尺寸Sm的计算公式为：
5.根据权利要求1所述的人工智能机器人路径规划方法，其特征在于，所述栅格数量确定模型为深度学习模型，具体为前馈神经网络、生成对抗网络、深度强化学习中的一种。
6.根据权利要求5所述的人工智能机器人路径规划方法，其特征在于，所述深度学习模型的输入为所述人工智能机器人运行环境总面积、所述人工智能机器人运行环境中最大障碍物面积、所述人工智能机器人运行环境中障碍物个数、所述人工智能机器人运行环境中障碍物总面
7.根据权利要求1所述的人工智能机器人路径规划方法，其特征在于，所述S2.1中，初始化蚁群算法的参数具体为：蚂蚁数量、信息素常量、信息素挥发因子、距离启发函数因子、区域启发因子、最大迭代次数，所述人工智能机器人的出发点和终点。
8.根据权利要求1所述的人工智能机器人路径规划方法，其特征在于，通过调整信息素挥发因子调整蚂蚁搜索效率；
9.根据权利要求8所述的人工智能机器人路径规划方法，其特征在于，根据所述S1中建立的栅格地图不同设置不同的初始信息素挥发因子ρ0；当所述栅格地图的栅格数量为初始推荐栅格数量时，设置初始信息素挥发因子ρ0=0.5；否则，初始信息素挥发因子ρ0的确定公式为：
10.一种人工智能机器人路径规划系统，其特征在于，所述系统采用权利要求1-9任一项所述的一种人工智能机器人路径规划方法，所述系统还包括：
...【技术特征摘要】
1.一种人工智能机器人路径规划方法，其特征在于，具体包括步骤：
2.根据权利要求1所述的人工智能机器人路径规划方法，其特征在于，所述sb具体为：采集所述人工智能机器人运行环境图像；然后采用人工标识的方式标识出所述图像中的障碍物区域，根据所述图像中的障碍物区域计算所述人工智能机器人运行环境中障碍物总面积sz。
3.根据权利要求1所述的人工智能机器人路径规划方法，其特征在于，所述sc中，所述初始推荐栅格数量为400个。
4.根据权利要求1所述的人工智能机器人路径规划方法，其特征在于，所述sd中，所述初始栅格尺寸sm的计算公式为：
5.根据权利要求1所述的人工智能机器人路径规划方法，其特征在于，所述栅格数量确定模型为深度学习模型，具体为前馈神经网络、生成对抗网络、深度强化学习中的一种。
6.根据权利要求5所述的人工智能机器人路径规划方法，其特征在于，所述深度学习模型的输入为所述人工智能机器人运行环境总面积、所述人工智能机器人运行环境中最大障碍物面积...
【专利技术属性】
技术研发人员：高峰，刘保腾，周奎志，
申请(专利权)人：天津市品茗科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。