【技术实现步骤摘要】
本专利技术属于移动机器人路径规划，具体涉及基于改进蚁群算法与dwa融合的机器人路径规划方法及系统。
技术介绍
1、随着机器人技术的不断发展，路径规划作为机器人导航和自主移动的关键技术之一，受到了广泛关注和研究。路径规划的目标是在已知或未知的环境中，为机器人找到一条从起点到终点的最优路径。在这个过程中，需要考虑到多种因素，如路径的长度、机器人的运动学约束、障碍物的分布等。
2、蚁群算法(aco)作为一种仿生优化算法，因其强大的全局搜索能力和鲁棒性，在路径规划领域得到了广泛应用。然而，传统蚁群算法也存在一些缺陷，如收敛速度慢、易陷入局部最优等。另一方面，dwa(dynamic windowapproach)算法是一种用于机器人局部避障和路径跟踪的算法。而传统的dwa存在以下问题：(1)缺乏全局路径引导：传统的dwa在规划机器人路径时缺乏全局路径引导，容易陷入局部最优解。(2)环境适应性低：传统的机器人导航方式依赖于全局路径的拐点，然而，当未知的静态障碍物较多时，机器人的跟踪精度会降低。(3)对高度移动障碍物的无效性：传统的dwa在静态环境中表现出良好的鲁棒性和避障性，但在运动空间中出现高度移动的障碍物时，可能变得无效。
3、综上，现有技术存在诸多问题，有待改进。
技术实现思路
1、为解决现有技术存在的问题，本专利技术提供基于改进蚁群算法与dwa融合的机器人路径规划方法及系统，通过改进蚁群融合dwa，发挥两种算法各自优势，实现动态避障。
2、为实现上述
3、基于改进蚁群算法与dwa融合的机器人路径规划方法，包括以下步骤：
4、建立机器人移动的栅格地图，在所述栅格地图中，采用蚁群算法生成机器人的全局路径；
5、将所述全局路径传递给dwa动态窗口模型，生成动态窗口；
6、在栅格地图中加入未知静态和动态障碍物，基于所述全局路径，使用局部目标点设定法设定局部目标点；
7、基于所述局部目标点以及机器人移动信息，在所述动态窗口中，进行机器人速度采样，获得机器人移动的模拟轨迹；
8、利用避障评价函数评价所述模拟轨迹，若机器人到达目标点，则获得最优路径；若机器人未到达目标点，则重新生成模拟轨迹迭代计算，直到机器人到达目标点，完成机器人的路径规划。
9、优选的，所述蚁群算法采用改进的蚁群算法，基于改进的蚁群算法生成机器人的全局路径的方法包括：
10、引入势场启发式函数，计算栅格地图中预设节点与目标节点之间的距离，并结合势场概念来评估每个节点的吸引力，获得启发信息值；
11、基于所述启发信息值以及信息素浓度，计算蚂蚁选择下一节点的概率，获得节点选择规则；
12、基于所述节点选择规则以及dijkstra算法，计算蚂蚁从当前节点到下一节点的最短路径，并将所述最短路径上的信息素设为初始信息素值；
13、基于所述最短路径的路径长度以及障碍物个数，调整所述初始信息素值，基于调整后的所述初始信息素值，更新蚁群的信息素矩阵；
14、基于更新后的信息素矩阵，采用动态信息素更新机制以及引入自适应调整机智的信息素挥发系数，更新全局信息素，获得全局路径；
15、对所述全局路径使用剪枝策略，获得全局最优路径。
16、优选的，使用局部目标点设定法设定局部目标点的方法包括：当机器人处于路径规划状态时，对所述全局最优路径进行检查，判断机器人移动过程是否会经过障碍物，若经过，则将局部目标点设置在距离所述障碍物最近栅格的全局最优路径上。
17、优选的，所述避障评价函数为考虑动态障碍物的评价函数，构建方法包括：
18、基于机器人的位置和速度以及动态障碍物的位置和速度，计算机器人与每个动态障碍物之间的相对距离以及相对速度；
19、基于所述相对距离和所述相对速度，获得机器人与动态障碍物之间的预计碰撞时间；
20、基于所述预计碰撞时间，获得机器人与动态障碍物的距离风险项；
21、基于所述距离风险项，构建所述避障评价函数。
22、本专利技术还提供基于改进蚁群算法与dwa融合的机器人路径规划系统，用于实现所述方法，包括：
23、全局路径生成模块，用于建立机器人移动的栅格地图，在所述栅格地图中，采用蚁群算法生成机器人的全局路径；
24、动态窗口生成模块，用于将所述全局路径传递给dwa动态窗口模型，生成动态窗口；
25、局部目标点设定模块，用于在栅格地图中加入未知静态和动态障碍物，基于所述全局路径，使用局部目标点设定法设定局部目标点；
26、模拟轨迹计算模块，用于基于所述局部目标点以及机器人移动信息，在所述动态窗口中，进行机器人速度采样，获得机器人移动的模拟轨迹；
27、最优路径获取模块，用于利用避障评价函数评价所述模拟轨迹，若机器人到达目标点，则获得最优路径；若机器人未到达目标点，则重新生成模拟轨迹迭代计算，直到机器人到达目标点，完成机器人的路径规划。
28、优选的，所述全局路径生成模块包括：
29、启发信息值计算单元，用于引入势场启发式函数，计算栅格地图中预设节点与目标节点之间的距离，并结合势场概念来评估每个节点的吸引力，获得启发信息值；
30、节点选择单元，用于基于所述启发信息值以及信息素浓度，计算蚂蚁选择下一节点的概率，获得节点选择规则；
31、信息素初始化单元，用于基于所述节点选择规则以及dijkstra算法，计算蚂蚁从当前节点到下一节点的最短路径，并将所述最短路径上的信息素设为初始信息素值；
32、信息素矩阵更新单元，用于基于所述最短路径的路径长度以及障碍物个数，调整所述初始信息素值，基于调整后的所述初始信息素值，更新蚁群的信息素矩阵；
33、全局信息素更新单元，用于基于更新后的信息素矩阵，采用动态信息素更新机制以及引入自适应调整机智的信息素挥发系数，更新全局信息素，获得全局路径；
34、剪枝单元，用于对所述全局路径使用剪枝策略，获得全局最优路径。
35、优选的，所述局部目标点设定模块中，使用局部目标点设定法设定局部目标点的方法包括：当机器人处于路径规划状态时，对所述全局最优路径进行检查，判断机器人移动过程是否会经过障碍物，若经过，则将局部目标点设置在距离所述障碍物最近栅格的全局最优路径上。
36、优选的，所述最优路径获取模块包括评价函数构建单元，用于构建考虑动态障碍物的评价函数；所述评价函数构建单元包括：
37、相对距离及相对速度计算子单元，用于基于机器人的位置和速度以及动态障碍物的位置和速度，计算机器人与每个动态障碍物之间的相对距离以及相对速度；
38、预计碰撞时间计算子单元，用于基于所述相对距离和所述相对速度，获得机器人与动态障碍物之间的预计碰撞时间；
39、距离风险项计算子单元本文档来自技高网...
【技术保护点】
1.基于改进蚁群算法与DWA融合的机器人路径规划方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述蚁群算法采用改进的蚁群算法，基于改进的蚁群算法生成机器人的全局路径的方法包括：
3.根据权利要求1所述的方法，其特征在于，使用局部目标点设定法设定局部目标点的方法包括：当机器人处于路径规划状态时，对所述全局最优路径进行检查，判断机器人移动过程是否会经过障碍物，若经过，则将局部目标点设置在距离所述障碍物最近栅格的全局最优路径上。
4.根据权利要求1所述的方法，其特征在于，所述避障评价函数为考虑动态障碍物的评价函数，构建方法包括：
5.基于改进蚁群算法与DWA融合的机器人路径规划系统，用于实现权利要求1-4任一项所述方法，其特征在于，包括：
6.根据权利要求5所述的系统，其特征在于，所述全局路径生成模块包括：
7.根据权利要求5所述的系统，其特征在于，所述局部目标点设定模块中，使用局部目标点设定法设定局部目标点的方法包括：当机器人处于路径规划状态时，对所述全局最优路径进行检查，判断机器人
8.根据权利要求5所述的系统，其特征在于，所述最优路径获取模块包括评价函数构建单元，用于构建考虑动态障碍物的评价函数；所述评价函数构建单元包括：
...【技术特征摘要】
1.基于改进蚁群算法与dwa融合的机器人路径规划方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述蚁群算法采用改进的蚁群算法，基于改进的蚁群算法生成机器人的全局路径的方法包括：
3.根据权利要求1所述的方法，其特征在于，使用局部目标点设定法设定局部目标点的方法包括：当机器人处于路径规划状态时，对所述全局最优路径进行检查，判断机器人移动过程是否会经过障碍物，若经过，则将局部目标点设置在距离所述障碍物最近栅格的全局最优路径上。
4.根据权利要求1所述的方法，其特征在于，所述避障评价函数为考虑动态障碍物的评价函数，构建方法包括：
5.基于改进蚁群...
【专利技术属性】
技术研发人员：代雪松，马味敏，郑兆睿，李鹏，陈宵燕，田申，王子铭，徐帅豪，
申请(专利权)人：无锡学院，
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。