CN104516350B

CN104516350B - 一种复杂环境中的移动机器人路径规划方法

Info

Publication number: CN104516350B
Application number: CN201310447167.8A
Authority: CN
Inventors: 段勇; 王猛; 许晓龙
Original assignee: Shenyang University of Technology
Current assignee: Shenyang University of Technology
Priority date: 2013-09-26
Filing date: 2013-09-26
Publication date: 2017-03-22
Anticipated expiration: 2033-09-26
Also published as: CN104516350A

Abstract

一种复杂环境中的移动机器人路径规划方法,其特点是：1.获取机器人所处环境信息，经过处理后，将环境空间中的障碍物使用矩形包围盒表示，并将其显示于人机交互模块;2.确定机器人的起始位置，记为起始点；确定机器人期望到达的目标位置，记为目标点;3.将起始点、目标点以及所有符合条件的障碍物包围盒顶点使用线段相连，此处要求任意两点连线不可穿越包围盒，以此构建可视图;4.在可视图中通过人工免疫算法规划最优路径，并储存最优路径中的关键节点;5.控制实体机器人由起始点开始，逐个经过最优路径中的关键节点，最终到达目标点。本发明能够在保障求解出最优路径的前提下，有效提高算法效率和收敛速度。

Description

一种复杂环境中的移动机器人路径规划方法

技术领域

本发明涉及一种实体机器人在复杂现实环境中完成机器人路径规划并实际运行的方法，特别是涉及一种将人工免疫算法与可视图相结合的复杂环境中的移动机器人路径规划方法,属于机器人导航、智能技术应用领域。本发明可以在工业机器人、农业机器人、军事机器人、服务机器人的路径规划问题中得到广泛应用。

背景技术

移动机器人路径规划是机器人领域的研究热点之一，它是指机器人在包含障碍物的环境空间中，按照一定的性能评价标准（如时间、距离、能量等），寻找一条从起始状态到终止状态的无碰撞最优或次优路径。目前已在机器人定点清扫、工业机器人搬运以及军事机器人巡逻、军事打击等诸多领域发挥基础性作用。

可视图是由麻省理工学院的Tomás Lozano-Pérez和IBM研究院的MichaelA.Wesley提出的路径规划方法，将障碍物用多边形包围盒来表达是可视图法的最显著特征。在可视图中，通常利用搜索算法求解起始点与目标点间的最优路径，这种方法具有鲁棒性差、性能评价指标单一、无法储存路径中关键节点等缺点。为克服上述缺点，本发明公开了一种改进的人工免疫算法，并将其应用于可视图中求解移动机器人最优路径规划问题。

人工免疫算法是受自然免疫系统的启发，通过模拟免疫过程而形成的进化计算方法。其最显著优点在于在特定情况下，可以以概率1收敛至全局最优解。

本发明使用人工免疫算法在可视图中求解机器人的最优路径，可以为求解出全局最优路径提供保障，并且在结合过程中，能够有效提高人工免疫算法的运行效率，求解出的最优路径可以满足实体机器人在复杂现实环境中的需求。经申请人检索:本发明给出的这种复杂环境中的移动机器人路径规划方法在国内外尚未有公开出版物进行披露。

发明内容

本发明的目的就在于解决现有技术存在的不足,公开了一种将人工免疫算法与可视图相结合的复杂环境中的移动机器人路径规划方法，并将其应用于求解移动机器人路径规划问题，在保障收敛至全局最优解的情况下，有效提高了算法的运行效率和收敛速度。

本发明采用超声传感器收集环境信息，通过对信息的处理，完成对环境的构建，并在人机交互界面显示构建出的环境，在本发明中，首先将环境中的障碍物使用矩形包围盒表示，继而计算成本矩阵，构建可视图，随后对人工免疫算法在编码方式、疫苗设计及接入两方面进行改进，最后将改进的人工免疫算法与可视图相结合，实现机器人路径规划。本发明在保障求得全局最优解的前提下有效提高了人工免疫算法在求解机器人路径规划问题时的运行效率，并且可以满足实体机器人在现实环境中运行的需求。

本发明的目的是通过以下技术方案实现的：复杂环境中的移动机器人路径规划方法,其特点是包括以下步骤：

步骤1：获取机器人所处环境信息，经过处理后，将环境空间中的障碍物使用矩形包围盒表示，并将其显示于人机交互模块。

步骤2：确定机器人的起始位置，记为起始点；确定机器人期望到达的目标位置，记为目标点。

步骤3：将起始点、目标点以及所有符合条件的障碍物包围盒顶点使用线段相连，此处要求任意两点连线不可穿越包围盒，以此构建可视图，可视图中的线段表示机器人的所有可运行路径。

步骤4：在可视图中通过人工免疫算法规划最优路径，并储存最优路径中的关键节点。

步骤5：控制实体机器人由起始点开始，逐个经过最优路径中的关键节点，最终到达目标点。

为更好地实现本发明的目的,所述步骤4中的人工免疫算法包含对传统人工免疫算法的改进，以及将改进的人工免疫算法与可视图法相结合。

对传统的人工免疫算法的改进是指:疫苗提取和摄入方式的改进和编码方式的改进,其中

通过观察最优路径的特征，总结出疫苗的特点，即机器人最优路径由起始点到目标点的过程中，不存在来回往复的倒退现象;

疫苗的植入过程涉及人工免疫算法中的初始化和变异操作。

在编码方式上，为适应不同的环境中最优路径长度不同的特点，提出长度可变的编码方式。

人工免疫算法经过上述改进后，将其与可视图相结合，通过进化计算求解最优路径，其过程如下：

（1）根据先验知识提取疫苗;

（2）初始化：在搜索空间Ω内通过植入疫苗产生N个路径，由这N个路径构成初始父代种群A₀;

在初始化过程中，为植入疫苗，移动机器人路径生成时应由起始点逐步延伸至目标点，保证抗体内部连续两节点之间连线不穿越障碍物并且路径不存在倒退现象;

（3）计算当前父代种群的遗传代数及A_k中所有抗体的亲和度，对于A_k中任一抗体a_i，计算其亲和度，若抗体亲和度满足条件，则终止运算并输出结果，否则继续;

（4）根据抗体和抗原之间的亲和度以及抗体浓度，确定当前种群A_k中的n个最佳路径并将其复制形成临时的种群B;

（5）通过植入疫苗对B进行变异操作，形成种群C，计算C中抗体的亲和度，并选择出m个最佳抗体，构成C_m,在此，变异算子只需考虑增添及删除基因即可满足要求,对于进行增添基因和删除基因操作的抗体，需确保路径不穿过障碍物;

（6）构成新一代父代种群A_k+1，该种群由A_k中的n个最佳个体种群C中的l个最佳个体，以及r个新加入个体D_r构成，即并返回（3）。

本发明的有益效果是，通过对算法的改进，避免了无效抗体的产生，适应了机器人路径在不同环境中长度可变的需求，通过将人工免疫算法与可视图法相结合，保障了算法可以以概率1求解出最优路径，并且有效提高运算效率和收敛速度，确保机器人可以高效，准确运行，本发明可广泛用于解决工业机器人、农业机器人以及服务型机器人的路径规划问题。

附图说明

图1为复杂环境中的移动机器人路径规划方法的流程图；

图2为实体机器人人机交互界面中的环境信息；

图3为对环境空间构建的可视图；

图4为可视图对应的成本矩阵；

图5为人工免疫算法在可视图中求解最优路径流程图；

图6为简单环境中机器人路径规划结果；

图7为在简单环境中进行1000次路径规划运算，各次运算所需的进化代数；

图8为复杂环境中机器人路径规划结果；

图9为在复杂环境中进行1000次路径规划运算，各次运算所需的进化代数；

图10为人机交互界面对机器人的监控效果；

具体实施方式

如图1所示,本发明复杂环境中的移动机器人路径规划方法包括如下步骤：

该步骤使用实体机器人在未知环境中进行漫游操作，该实体机器人由计算机控制模块、传感器模块、通讯模块、电源及驱动模块、运动底盘模块构成，其尺寸为480*460*440mm，在其前方和后方，各有三组红外及超声传感器，用于感知环境信息。机器人采用左右轮独立电机驱动方式，可实现室内外移动。

该实体机器人在漫游过程中，利用超声波传感器检测障碍物，在躲避障碍物的同时，收集环境信息，对环境信息进行处理后，可得出位于环境空间中的障碍物的位置，并将其显示于人机交互界面相应位置，其效果如图2所示，其中O₁，O₂，O₃表示检测出的障碍物。

该步骤确定机器人在环境空间中的起始位置和目标位置，是机器人完成各项工作的基础，如图2所示，s表示机器人的起点，g表示机器人的目标点。

该步骤使用矩形包围盒表示环境中的障碍物，如图4所示，障碍物外围的虚线框即为包围盒，包围盒与障碍物之去间的间隔为预留的安全距离。

在图3中，设图G=(V,E)，其中V是由起始点s、终止点g以及障碍物（本文以矩形障碍物为例）包围盒的各个顶点构成的集合，E表示相邻顶点之间连线。可视图的构建是将V中所有元素用直线组合相连，同时要各个元素之间连线均不能穿越障碍物，这便要求构建可视图的过程中，需要计算任意两顶点之间的成本，例如，v_i、v_j属于顶点集合V。定义cost[i][j]为图G中v_i、v_j之间的成本，其中

所有成本计算完成之后，将形成成本矩阵，如图4所示，成本矩阵中实数表示两节点之间的成本，即欧氏距离，0表示节点间不存在成本，即为相同节点，∞表示两端点间的成本无限大，即移动机器人不能在两点间直接通行。成本矩阵将用于后期的计算。

在此步骤中，本发明对传统的人工免疫算法提出两方面改进：一是疫苗提取和摄入方式的改进，二是编码方式的改进。

通过观察最优路径的特征，本发明总结出疫苗的特点，即最优路径由起始点到目标点的过程中，不存在来回往复的倒退现象。疫苗的植入过程，在本发明中涉及人工免疫算法中的初始化和变异操作。

在编码方式上，本发明为适应不同的环境中最优路径长度不同的特点，提出长度可变的编码方式。

人工免疫算法经过上述改进后，将其与可视图相结合，通过进化计算求解最优路径，其过程如图5示，分析说明如下：

（1）根据先验知识提取疫苗；

（2）初始化：在搜索空间Ω内通过植入疫苗产生N个路径，由这N个路径构成初始父代种群A₀。

在初始化过程中，为植入疫苗，移动机器人路径生成时应由起始点逐步延伸至目标点，例如，对于未完成构造的抗体path=s…v_m由端点v_m搜索下一个节点时，则需在剩余端点中随机取出一个v_n，若满足如下两个条件：

①d(v_m,v_n)<∞；

②v_m→v_n段路径不存在倒退现象；

则将v_n添加至抗体中的v_m下一位，否则重新搜索。并依此类推，直至将目标点g添加至抗体中为止，即完成单个抗体的构造。

（3）计算当前父代种群的遗传代数及A_k中所有抗体的亲和度，对于A_k中任一抗体a_i，其亲和度计算方式如下：

其中ω为常数，∑cost(a_i)表示该抗体的总成本。若抗体亲和度满足条件，则终止运算并输出结果，否则继续。

（4）根据抗体和抗原之间的亲和度以及抗体浓度，确定当前种群A_k中的n个最佳路径其中，n/N=0.2，并对这n个路径进行复制，形成临时的种群B，B的规模与P₀、P₁…P_k…相等。

（5）通过植入疫苗对B进行变异操作，形成种群C，计算C中抗体的亲和度，并选择出m个最佳路径，构成C_m。

在此，变异算子只需考虑增添及删除基因即可满足要求。对于进行增添基因操作的抗体，首先随机选取抗体中两相邻接点v_m、v_n，在剩余节点中随机选取端点v_k，若v_k满足下列条件：

①d(v_m,v_k)<∞；

②d(v_k,v_n)<∞；

则将v_k加入到v_m、v_n之间，否则继续寻找，直至得出满足条件的v_k，实现抗体path=s…v_m→v_n…g到抗体path′=s…v_m→v_k→v_n…g的转变。

对于进行删除基因操作的抗体，检验所有不相邻的基因，以v_m、v_n为例，若满足如下条件：

d(v_m,v_n)<∞；

则删除v_m、v_n之间所有中间节点，否则不进行删除操作，即实现抗体path=s…v_m…v_n…g到抗体path′=s…v_m→v_n…g的转变。

（6）构成新一代父代种群A_k+1，该种群由A_k中的n个最佳个体种群C中的l个最佳个体C_l，其中，l/N=0.6，以及r个新加入个体D_r构成，其中r/N=0.2，即并返回（3）。

经过上述过程，本发明可以以较高的效率求解出环境空间中的最优路径。

在图6显示了在简单环境中求解出的最优路径，图7示将机器人路径规划进行1000次，各次路径规划分别需要的进化代数，其横坐标表示进行路径规划的次数，纵坐标表示进化代数，从中可以发现，在简单环境中需要进化5代以上的概率低于1‰。

图8示了在复杂环境中求解求出的最优路径，图9示将机器人路径规划进行1000次，各次路径规划分别需要的进化代数，其横坐标表示进行路径规划的次数，纵坐标表示进化代数，其进化代数平均值为318.13代，与之前方法相比较，在效率和收敛速度上具有明显优势。

步骤5：控制实体机器人由起始点开始，逐个经过最优路径中的关键节点，最终到达目标点，并将机器人的运行过程反映至人机交互界面。

该步骤依照次序将路径中的关键节点作为局部目标点，运用PD算法控制机器人逐个经过路径中的关键节点，运行过程中，人机交互界面中的监控效果如图10所示。

Claims

1.一种复杂环境中的移动机器人路径规划方法，其特征在于有以下步骤：

步骤(1)：获取机器人所处环境信息，经过处理后，将环境空间中的障碍物使用矩形包围盒表示，并预留出安全距离，将其显示于人机交互模块；

步骤(2)：确定机器人的起始位置，记为起始点；确定机器人期望到达的目标位置，记为目标点；

步骤(3)：将起始点、目标点以及所有符合条件的障碍物包围盒顶点使用线段相连，此处要求任意两点连线不可穿越包围盒，以此构建可视图，可视图中的线段表示机器人的所有可运行路径；

步骤(4)：在可视图中通过人工免疫算法规划移动机器人最优路径，并储存机器人最优路径中的关键节点:

步骤(5)：控制实体机器人由起始点开始，逐个经过最优路径中的关键节点，最终到达目标点；

所述步骤(4)中的人工免疫算法包含对传统人工免疫算法的改进，以及将改进的人工免疫算法与可视图法相结合，对传统的人工免疫算法的改进是指:疫苗提取和摄入方式的改进和编码方式的改进,其中

通过观察最优路径的特征，总结出疫苗的特点，即机器人最优路径由起始点到目标点的过程中，不存在来回往复的倒退现象；

疫苗的植入过程涉及人工免疫算法中的初始化和变异操作；

2.根据权利要求1所述的复杂环境中的移动机器人路径规划方法，其特征在于人工免疫算法经过上述改进后，将其与可视图相结合，通过进化计算求解最优路径，其过程如下：

(1)根据先验知识提取疫苗；

(2)初始化：在搜索空间Ω内通过植入疫苗产生N个路径，由这N个路径构成初始父代种群A₀；

在初始化过程中，为植入疫苗，移动机器人路径生成时应由起始点逐步延伸至目标点，保证抗体内部连续两节点之间连线不穿越障碍物的包围盒并且路径不存在倒退现象；

(3)计算当前父代种群的遗传代数及A_k中所有抗体的亲和度，对于A_k中任一抗体a_i，计算其亲和度，若抗体亲和度满足条件，则终止运算并输出结果，否则继续；

(4)根据抗体和抗原之间的亲和度以及抗体浓度，确定当前种群A_k中的n个最佳路径并将其复制形成临时的种群B；

(5)通过植入疫苗对B进行变异操作，形成种群C，计算C中抗体的亲和度，并选择出m个最佳路径，构成C_m,在此，变异算子只需考虑增添及删除基因即可满足要求,对于进行增添基因和删除基因操作的抗体，需确保路径不穿过障碍物；

(6)构成新一代父代种群A_k+1，该新一代父代种群A_k+1由A_k中的n个最佳个体种群C中的l个最佳个体C_l，以及r个新加入个体D_r构成，即并返回(3)。