CN103439972B - 一种动态复杂环境下的移动机器人路径规划方法 - Google Patents

Abstract

本发明提出了一种动态复杂环境下的移动机器人全局路径规划方法，包括步骤：根据实际环境建立全局环境地图；建立动态障碍物环境；利用栅格法得到栅格地图；栅格法表示的障碍物分布图转化为图的赋权邻接矩阵；采用蚁群算法对环境进行全局路径规划，并使用退步法则处理环境中的陷阱问题；判断路径的当前位置是否到达目标点，如没有到达指定目标点的位置，则重复以上步骤；当前位置已经是指定的目标点位置，结束；本方法简单且易于实现，路径规划效果良好。

Description

一种动态复杂环境下的移动机器人路径规划方法

技术领域

本发明涉及一种路径规划方法，尤其涉及一种在动态障碍物与静态障碍物并存的复杂情况下的移动机器人全局路径规划方法。

背景技术

随着机器人的应用越来越广泛，人们对机器人的要求不断提高，移动机器人作为机器人应用中的重要分支，其在生产生活中的重要性也逐渐体现出来。机器人要完成某项任务，先决条件是要到达任务区域，所以机器人的路径规划问题是机器人研究中最基础同时也是最重要的问题。

目前解决路径规划的方法有很多，比较常用的是人工势场法和Dijkstra法。人工势场法由于结构简单，便于低层的实时控制，在实时避障和平滑的轨迹控制方面，得到了广泛应用，但是其不足在于存在局部最优解，容易产生死锁现象，因而可能使移动机器人在到达目标点之前就停留在局部最优点。Dijkstra算法是典型的最短路径路由算法，用于计算一个节点到其他所有节点的最短路径。主要特点是以起始点为中心向外层层扩展，直到扩展到终点为止。Dijkstra算法能得出最短路径的最优解，但是其不足是遍历计算的节点很多，导致运行效率很低。

同时，大多数的路径规划方法都只针对含有静态障碍物的结构性地图，对全局环境中包括静态障碍物和动态障碍物的复杂环境下的研究不多，尤其是针对环境中含有可使程序陷入死循环的陷阱的情况，研究更是不足。所以研究一种含有陷阱和动态障碍物的动态复杂环境下的路径规划方法具有重要意义。

发明内容

针对以上现有技术中的不足，本发明的目的在于提供一种解决动态复杂环境下的移动机器人路径的规划方法，为达到上述目的，本发明的技术方案是：

一种动态复杂环境下的移动机器人路径规划方法，其包括以下步骤：

101、根据移动机器人的运动环境建立全局静态环境地图，将全局静态环境地图位置信息初始化，包括移动机器人的移动路径的起始点位置、目标点位置、全局静态环境地图中的静态障碍物位置及机器人运动陷阱位置，通过栅格法对全局静态环境地图覆盖得到全局静态障碍物栅格地图，并采用序号法对全局静态障碍物栅格地图中的起始点与目标点标记；

102、在步骤101中得到的全局静态障碍物栅格地图中加入动态障碍物，并测量动态障碍物的大小、运动方向及速度，形成全局动态障碍物栅格地图，并用0表示全局动态障碍物栅格地图中可移动的自由位置信息，数字1表示全局动态障碍物栅格地图中静态障碍物或/和动态障碍物，其中静态障碍物无运动速度；

103、将步骤102中得到的全局动态障碍物栅格地图中的栅格一一对应转化为节点，并形成一个由n×n个节点组成的有向图并赋权值形成赋权邻接矩阵；

104、采用蚁群算法对环境进行全局路径规划，并使用退步法则处理环境中的陷阱问题，即在赋权值的有向图中找出从起始点到目标点的一条最短路径，这条路径即为机器人的最优规划路径；蚁群算法中当蚂蚁进入陷阱时，采用cell数组使蚂蚁退步；

105、判断机器人路径的当前位置是否到达步骤101中所述的目标点，如没有到达指定目标点的位置，则跳转至步骤104直至找到目标点，结束。

进一步的，在步骤102获得的全局动态障碍物栅格地图上，起始点到目标点对角线上的非数字1位置的距离为规划路径；陷阱为其中三面为数字1的障碍物，一面为数字0的自由位置组合形成。

进一步的，步骤103中，将与节点相邻的八个方向，分别为东、西、南、北、东南、西南、东北、西北方向上的其他节点之间赋权值，当自由位置节点与障碍物位置节点相邻时，两节点之间赋0值，当垂直或水平的两个自由位置节点相邻时，两节点之间赋1值，其他方向上自由位置节点相邻时，两节点之间赋值

进一步的，步骤104中蚁群算法为，定义K轮蚂蚁觅食活动，每轮活动可派出M只蚂蚁，第k轮的M只蚂蚁中任一只蚂蚁按照以下的公式选择下一个节点：

其中表示从i节点到j节点的概率；表示i节点到j节点道路上的信息素浓度；[τ_ik(t)]^N表示第N次迭代时第k轮的i节点的信息素浓度，N是迭代次数，α为信息素中的重要参数因子。

本发明的优点及有益效果如下：

本方法中对全局环境复杂化，加入了可导致程序陷入死循环的陷阱与动态障碍物，使路径规划问题更接近现实的真实环境，同时采用蚁群算法与退步法则相结合的方法对全局进行路径规划，规划效果良好，且有效避免了陷阱对路径规划的影响。本发明所提出的方法更加适用于实际的工作环境。可应用于地图中同时存在未知的陷阱和动态障碍物的情况。针对以上两种情况本发明采用了蚁群算法对其进行全局路径规划；同时，本发明还考虑到实际情况可能存在的陷阱因素，采用退步法对其进行处理，即采用蚁群算法与退步法相结合的新方法，对存在动态障碍物的环境的全局路径规划有较好的效果。

附图说明

图1为本发明实施例的一种动态复杂环境下的路径规划方法流程图；

图2机器人在环境中的移动示意图。

具体实施方式

下面结合附图给出一个非限定性的实施例对本发明作进一步的阐述。

参照图1-图2所示，本发明动态环境下的全局路径规划的具体步骤是：

步骤1：根据实际复杂环境建立全局环境地图，其中包括：路径规划的起始点信息，目标点信息，以及环境地图中的已知静态障碍物信息和陷阱信息。

将实际复杂环境模拟为01矩阵，即矩阵中的元素非0即1。数字0表示实际环境中可移动的自由位置信息，数字1表示实际环境中静态障碍物的位置信息。起始点为左上角的第一个非1位置，终止点为右下角最后一个非1位置。以一个三面为1且只有中间为0的U型障碍物来描述实际中的陷阱。

步骤2：在步骤1中得全局环境信息建立动态障碍物环境，包括障碍物的大小信息，移动方式信息，起始点位置信息以及终止点位置信息。

在全局环境中配置移动障碍物信息，可选取大障碍物，可选取多组障碍物，并令其移动区域覆盖起始点位置与目标点位置的相连接路线的大部分区域，更加接近实际的复杂环境。

步骤3：在步骤1与步骤2中的全局环境信息和动态障碍物环境信息利用栅格法表示，得到栅格地图并确立其大小。

将01矩阵与栅格对应，0表示自由栅格，1表示障碍物栅格，起始点位置信息与目标点位置信息用序号法对其标记，起始点为1号，目标点为900号。

步骤4：将步骤3中得到的栅格法表示的障碍物分布图转化为图的赋权邻接矩阵。

将栅格块与坐标中的节点一一对应，即将栅格地图抽象为一个n×n个节点的有向图。对其进行赋权值，一个节点可与其周围八个方向上的节点赋权值。赋权的法则是自由位置节点与障碍物位置节点赋0值，垂直或水平相邻的两个自由位置节点赋1值，其他方向上相邻的自由位置节点赋值。

步骤5：利用步骤4所建立的环境，采用蚁群算法对环境进行全局路径规划，并使用退步法则处理环境中的陷阱问题。即在赋权的有向图中找出从起始点到目标点的一条最短路径。

从起始点到目标点的路径规划可以理解为蚂蚁从起始点到目标点的觅食活动，即运用蚁群算法对其处理。其原理是蚂蚁在觅食过程中能够在所经过的路径上留下一种称为信息素的物质,而且蚂蚁在觅食过程中能够感知这种物质的存在及其强度,并以此指导自己的运动方向,它们倾向于朝着该物质强度高的方向移动。因此,由大量蚂蚁组成的集体觅食行为便表现出一种信息正反馈现象:某一路径越短,该路径上走过的蚂蚁就越多,则留下的信息素强度就越大,后来者选择该路径的概率就越大。蚂蚁个体之间就是通过这种信息交流来选择最短路径并达到搜索食物的目的。

定义K轮蚂蚁觅食活动，每轮活动可派出M只蚂蚁，第k轮的M只蚂蚁中任一只蚂蚁按照以下的公式选择下一个节点：

其中表示从i节点到j节点的概率；表示i节点到j节点道路上的信息素浓度；N是迭代次数，α为信息素中的重要参数因子。

信息素的更新公式：

${\mathrm{\Δ\τ}}_{ij}\left(t\right)=\underset{j=1}{\overset{m}{\Σ}}{\mathrm{\Δ\τ}}_{ij}^k\left(t\right)$

τ_ij(t)＝(1-ρ)·τ_ij(t)+Δτ_ij(t)

ρ表示信息素蒸发系数，则1-ρ表示信息素残留因子，ρ值越大说明信息素浓度挥发的越慢，反之越快。为了防止信息的无限积累，ρ的取值范围为可设为Δτ_ij(t)表示一次循环中路径(i,j)上的信息素增量；表示第k只蚂蚁在这次循环中的留在路径(i,j)上的信息素。

与此同时，在蚂蚁觅食的过程中，将自动生成蚂蚁的运动路径禁忌表Tabu，其形成可依据路径的节点关系，同时去除蚂蚁已经走过的节点。

参见图2，陷阱如图2中的当蚂蚁走入陷阱时，可使用Cell数组处理，Cell数组即元胞数组，组成元胞数组的元素可以是任何一种数据类型的常数或者常量，每一个元素也可以具有不同的尺寸和内存占用空间，所以可以把蚂蚁所走过路径节点作为Cell数组的一个元素，存储在Cell数组之中，如果蚂蚁进入陷阱中而使程序无法跳出，可利用Cell数组，调出上一步的节点位置信息，使蚂蚁退步，同时删除Tabu中上一步的信息，重新寻找最优解。

步骤6：判断路径的当前位置是否到达步骤3所述的目标点，如没有到达指定目标点的位置，则重新转向步骤3继续完成全局路径规划。

如果蚂蚁没有到达目标点，则回到步骤3继续将环境栅格化，同时再次生成赋权邻接矩阵，进行路径规划，每运行一步，输出一次路径规划的运行结果。

步骤7：如当前位置已经是指定的目标点位置，则方法结束。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (4)

1.一种动态复杂环境下的移动机器人路径规划方法，其特征是，包括以下步骤：

101、根据移动机器人的运动环境建立全局静态环境地图，将全局静态环境地图位置信息初始化，包括移动机器人的移动路径的起始点位置、目标点位置、全局静态环境地图中的静态障碍物位置及机器人运动陷阱位置，通过栅格法对全局静态环境地图覆盖得到全局静态障碍物栅格地图，并采用序号法对全局静态障碍物栅格地图中的起始点与目标点标记；

102、在步骤101中得到的全局静态障碍物栅格地图中加入动态障碍物，并测量动态障碍物的大小、运动方向及速度，形成全局动态障碍物栅格地图，并用0表示全局动态障碍物栅格地图中可移动的自由位置信息，数字1表示全局动态障碍物栅格地图中静态障碍物或/和动态障碍物，其中静态障碍物无运动速度；

103、将步骤102中得到的全局动态障碍物栅格地图中的栅格一一对应转化为节点，并形成一个由n×n个节点组成的有向图并赋权值形成赋权邻接矩阵；

104、采用蚁群算法对环境进行全局路径规划，并使用退步法则处理环境中的陷阱问题，即在赋权值的有向图中找出从起始点到目标点的一条最短路径，这条路径即为机器人的最优规划路径；蚁群算法中当蚂蚁进入陷阱时，采用Cell数组使蚂蚁退步；

105、判断机器人路径的当前位置是否到达步骤101中所述的目标点，如没有到达指定目标点的位置，则跳转至步骤104直至找到目标点，结束。

2.根据权利要求1所述的动态复杂环境下的移动机器人路径规划方法，其特征在于：在步骤102获得的全局动态障碍物栅格地图上，起始点到目标点对角线上的非数字1位置的距离为规划路径；陷阱为其中三面为数字1的障碍物，一面为数字0的自由位置组合形成。

3.根据权利要求1所述的动态复杂环境下的移动机器人路径规划方法，其特征在于：步骤103中，将与节点相邻的八个方向，分别为东、西、南、北、东南、西南、东北、西北方向上的其他节点之间赋权值，当自由位置节点与障碍物位置节点相邻时，两节点之间赋0值，当垂直或水平的两个自由位置节点相邻时，两节点之间赋1值，其他方向上自由位置节点相邻时，两节点之间赋值

4.根据权利要求1所述的动态复杂环境下的移动机器人路径规划方法，其特征在于：步骤104中蚁群算法为，定义K轮蚂蚁觅食活动，每轮活动可派出M只蚂蚁，第k轮的M只蚂蚁中任一只蚂蚁按照以下的公式选择下一个节点：

其中表示从i节点到j节点的概率；[τ_ij(t)]^α表示i节点到j节点道路上的信息素浓度；[τ_ik(t)]^N表示第N次迭代时第k轮的i节点的信息素浓度，N是迭代次数，α为信息素中的重要参数因子。