CN101604166A - 一种基于粒子群优化算法的移动机器人路径规划方法 - Google Patents

Abstract

本发明涉及一种基于粒子群优化算法的移动机器人路径规划方法。目前移动机器人路径规划方法对于路径的选择比较单一、容易走入死胡同。本发明的具体步骤是：首先对环境进行建模；用多边形表示障碍物，用点表示机器人，用小方框表示机器人的起始位置，用十字表示目标点。机器人开始点标记为S，目标点标记为G；然后对机器人路径利用粒子群优化算法进行规划；最后对规划的路径进行深度优先搜索。本发明在极坐标粒子群中加入了深度优先搜索。用这种方法，机器人可以在大多数复杂环境中有效地找到一个无碰撞的路径，最终到达目标点。

Description

一种基于粒子群优化算法的移动机器人路径规划方法

技术领域

本发明计算机技术领域，具体是涉及一种基于粒子群优化算法的移动机器人路径规划方法。

背景技术

移动机器人是智能控制技术中的一个重要领域，已经被广泛应用在军事、工业、农业和教育等领域。路径规划是移动机器人系统的一个重要内容，它直接影响机器人完成任务的质量。粒子群优化算法(Particle SwarmOptimization，PSO)由Kennedy和Eberhart首先提出，是一种智能演化算法。把粒子群优化算法(Particle Swarm Optimization，PSO)用在路径规划中是一个新的尝试。通过改进的粒子群优化算法可以使机器人的行走路径变得光滑。在粒子群优化算法(PARTICLE SWARM OPTIMIZATION，PSO)的适应值函数中加入了障碍物躲避参数，使得机器人可以有效地避开障碍物。这些都是粒子群优化算法(Particle Swarm Optimization，PSO)在全局路径规划中的应用，改变适应值函数使得机器人在局部路径规划中可以成功地躲避障碍物而到达目标点。然而这个方法只能用在简单的环境中，不能帮助机器人躲避环境陷阱，如无路径必须返回。于是提出了一种基于极坐标粒子群(Polar Particle Swarm  Optimization，PPSO)的路径规划方法。虽然这个方法可以帮助机器人逃避环境陷阱，但它在障碍物太大的时候就会失效。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于粒子群优化算法的移动机器人路径规划方法。

本发明方法的具体步骤是：

步骤(1)设机器人的当前位置为S_i，机器人传感器感应圆的半径为R，S_i与目标点之间的距离为D；以S_i为圆心做圆C，如果R≤D，则圆C的半径为R，如果R＞D，则圆C的半径为D；以S_i为射线出发点，做平行于x轴的射线，射线与圆C相交于Q点，并将此射线作为极坐标轴；

步骤(2)将S_i点与Q点间线段进行K等分，得到长度为||S_iQ||/K的K段线段，以各个等分点到S_i点的距离为半径，以S_i为圆心做圆，得到K个同心圆；

步骤(3)可行路径是一条从起点S_i到圆C上点的若干线段组成的折线，用这些折线的端点即路径关键点的序列表示，机器人移动过的路径就是这些点的连线，定义为P＝{S_i，P₁，...，P_j，...，P_m}，1≤j≤m，m＜K；其中P₁，...，P_j，...，P_m都是非障碍物点，即相邻的两点之间的连线上没有障碍物；

步骤(4)在当前非障碍物点上将传感器感应到的半径为R的圆等分为n个扇形区域{d₁，d₂，...，d_j，d_j+1，...，d_n}，每个扇形的角度为360/n度；

步骤(5)每次选择一个扇形区域作为探索区域：扇形区域d_j被选择，用粒子群优化算法探索d_j，如果在扇形区域d_j中找到可行路径，移动机器人至下一个非障碍物点；如果找不到路径，探索下一个扇形区域d_j+1；对每一个扇形区域探索利用PSO算法对机器人路径进行规划，最终找到无障碍物的路径；

步骤(6)如果在传感器感应到的半径为R的圆的范围内找不到可行路径，则返回到前一点，探索在前一点中没有探索过的扇形区域；把机器人每次走过的路径存储在一个链表中，以方便机器人搜索；

步骤(7)当圆C的半径为D时，目标点即在圆周C上，机器人利用PSO算法所做的移动即可到达目标点。当圆C的半径小于D时，机器人移动p_m到后，将p_m的极坐标值赋值给S_i，重复步骤(1)到(7)，直到找到一条无碰撞路径，到达目标点。

经过基于极坐标粒子群的深度优先搜索找到一个无碰撞的路径，最终到达目标点。

本发明在极坐标粒子群中加入了深度优先搜索。用这种方法，机器人可以在大多数复杂环境中有效地找到一个无碰撞的路径，最终到达目标点。

具体实施方式

采用深度优先搜索算法和粒子群优化算法相结合的方法，对移动机器人在未知环境信息下进行路径规划。旨在移动机器人能用粒子群优化算法在未知的复杂环境中找到有效路径。

该基于粒子群优化算法的移动机器人路径规划方法的具体步骤是：

步骤1：对环境进行建模。

用多边形表示障碍物，用点表示机器人，用小方框表示机器人的起始位置，用十字表示目标点。

步骤2：对机器人路径进行规划。

(1)假设机器人的当前位置为S_i，以S_i为圆点做圆C，如果R≤D，则C的半径为R，如果R＞D，则C的半径为D。其中R表示机器人传感器感应圆的半径，D表示S_i与目标点的距离。以S_i为射线出发点，做平行于x轴的射线，射线与圆C相交于Q点，并将此射线作为极坐标轴。

(2)将S_iQ点进行K等分，得到间隔长度为||S_iQ||/K的K段线段，以各个等分点到原点的连线为半径，以S_i为圆心做圆，得到一系列的同心圆。

(3)可行路径是一条从起点S_i，到圆C上点的若干线段组成的折线，用这些折线的端点即路径关键点的序列表示。机器人移动过的路径就是这些点的连线，定义为P＝{S，P₁，...，P_j，...，P_m}，1≤j≤m。其中P_j是非障碍物点，和P_j相连的点的连线上没有障碍物。

(4)当圆C的半径为D时，目标点即在圆周C上，机器人利用PSO算法所做的移动即可到达目标点。当圆C的半径小于D时，机器人移动p_m到后，将p_m的极坐标值赋值给S_i，重复步骤1)到4)，直到找到一条无碰撞路径，到达目标点。

步骤3：基于极坐标粒子群的深度优先搜索。

(1)记录机器人移动过的点记为{s₀，s₁，s₂，...s_i}。假设机器人的当前位置为S_i，传感器感应到的范围为圆C_i，将圆C_i平分为n个扇形{d₁，d₂，...，d_j，d_j+1，...，d_n}，每个扇形的角度为360/n度。

(2)每次选择一个扇形作为探索区域。假设d_j被选择，用粒子群优化算法PSO探索d_j，如果在d_j中找到可行路径，移动机器人；如果找不到路径，探索d_j+1部分。对每一个扇形区域探索利用PSO算法对机器人路径进行规划，最终找到无障碍物的路径。

(3)如果在圆C_i范围内找不到可行路径，则返回s_i-1点，探索在C_i-1中没有探索过的区域(扇形)。把机器人每次走过的路径存储在一个链表中，以方便其搜索。

经过基于极坐标粒子群的深度优先搜索找到一个无碰撞的路径，最终到达目标点。

Claims (1)

1、一种基于粒子群优化算法的移动机器人路径规划方法，其特征在于该方法的步骤包括：

步骤(1)设机器人的当前位置为S_i，机器人传感器感应圆的半径为R，S_i与目标点之间的距离为D；以S_i为圆心做圆C，如果R≤D，则圆C的半径为R，如果R＞D，则圆C的半径为D；以S_i为射线出发点，做平行于x轴的射线，射线与圆C相交于Q点，并将此射线作为极坐标轴；

步骤(2)将S_i点与Q点间线段进行K等分，得到长度为||S_iQ||/K的K段线段，以各个等分点到S_i点的距离为半径，以S_i为圆心做圆，得到K个同心圆；

步骤(3)可行路径是一条从起点S_i到圆C上点的若干线段组成的折线，用这些折线的端点即路径关键点的序列表示，机器人移动过的路径就是这些点的连线，定义为P＝{S_i，P₁，...，P_j，...，P_m}，1≤j≤m，m＜K；其中P₁，...，P_j，...，P_m都是非障碍物点，即相邻的两点之间的连线上没有障碍物；

步骤(4)在当前非障碍物点上将传感器感应到的半径为R的圆等分为n个扇形区域{d₁，d₂，...，d_j，d_j+1，...，d_n}，每个扇形的角度为360/n度；

步骤(5)每次选择一个扇形区域作为探索区域：扇形区域d_j被选择，用粒子群优化算法探索d_j，如果在扇形区域d_j中找到可行路径，移动机器人至下一个非障碍物点；如果找不到路径，探索下一个扇形区域d_j+1；对每一个扇形区域探索利用PSO算法对机器人路径进行规划，最终找到无障碍物的路径；

步骤(6)如果在传感器感应到的半径为R的圆的范围内找不到可行路径，则返回到前一点，探索在前一点中没有探索过的扇形区域；把机器人每次走过的路径存储在一个链表中；

步骤(7)当圆C的半径为D时，目标点即在圆周C上，机器人利用PSO算法所做的移动即可到达目标点；当圆C的半径小于D时，机器人移动p_m到后，将p_m的极坐标值赋值给S_i，重复步骤(1)到(7)，直到找到一条无碰撞路径，到达目标点。