CN105446339A - 一种移动机器人路径规划方法 - Google Patents

一种移动机器人路径规划方法 Download PDF

Info

Publication number
CN105446339A
CN105446339A CN201510976615.2A CN201510976615A CN105446339A CN 105446339 A CN105446339 A CN 105446339A CN 201510976615 A CN201510976615 A CN 201510976615A CN 105446339 A CN105446339 A CN 105446339A
Authority
CN
China
Prior art keywords
algorithm
path
mobile robot
environment
robot
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201510976615.2A
Other languages
English (en)
Other versions
CN105446339B (zh
Inventor
陈其工
王学梅
葛愿
高文根
张晓昕
方磊
吴浙勋
王郑
王瑜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Polytechnic University
Original Assignee
Anhui Polytechnic University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui Polytechnic University filed Critical Anhui Polytechnic University
Priority to CN201510976615.2A priority Critical patent/CN105446339B/zh
Publication of CN105446339A publication Critical patent/CN105446339A/zh
Application granted granted Critical
Publication of CN105446339B publication Critical patent/CN105446339B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Manipulator (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种移动机器人路径规划方法，包括如下步骤：寻找环境最短路径；当机器人在前进中检测到将与环境中的动态障碍物相碰，则视最短路径上离动态障碍物安全的栅格为局部目标点；确定动态障碍物的运动范围；机器人沿着信息素浓度大的栅格前进；得到一条避开动态障碍物且经过指定点的最优路径。解决了蚁群算法由于自身的局限性而导致的收敛速度慢的问题，将传统蚁群算法中的参数用粒子群算法进行优化后找到一组最优解，且用遗传算法保证其不会陷入局部最优，再将上述参数中的其他参数保持不变，对信息素浓度进行成倍放大，使不同路径上的信息素浓度差异更加明显，从而提高算法的收敛速度。

Description

一种移动机器人路径规划方法
技术领域
本发明涉及移动机器人路径规划技术领域，涉及到移动机器人路径规划收敛速度的快慢，具体涉及一种移动机器人路径规划方法及其算法。
背景技术
随着人类社会的不断发展和生活空间的不断扩大，移动机器人在国防、抗震抢险、防灾救灾、反恐、现代军事武器、制造业以及日常生活的应用越来越广泛，因此必须对移动机器人的动态路径进行更为有效的规划。随着移动机器人技术的迅速发展，应用范围的不断扩大，使得人们对机器人各方面的性能提出了更高的要求。科学家们通过不懈努力，提出了多种移动机器人种路径规划算法，蚁群算法便是其中的一种。它是根据自然界蚂蚁觅食的行为提炼出来的，由于自然界的蚂蚁在觅食的过程中会在走过的路径上留下一种称为信息素的化学物质，且经过该路径的蚂蚁越多，在上面留下的信息素也越多(忽略挥发掉的那一部分)，同时也证明该路径较其他路径更为优越，其他的蚂蚁也能感知到这种物质且朝着信息素浓度高的地方移动。但由于起始时蚁群中每一只蚂蚁的运动是随机性的，虽然在算法初期可以通过信息素的作用的使其向着最优路径方向移动，但是当群体规模越来越大时，寻找最优解的效率就不是很明显了，从而使搜索时间冗长，因此使得算法的收敛速度很慢。
综上所述，现有技术中存在如下技术问题：由于传统蚁群算法自身的局限性使得算法的收敛速度较慢，要求提高算法的收敛速度。
发明内容
本发明的目的在于提供一种移动机器人路径规划方法，解决蚁群算法由于自身的局限性而导致的收敛速度慢的问题，将传统蚁群算法中的参数用粒子群算法进行优化后找到一组最优解，且用遗传算法保证其不会陷入局部最优，再将上述参数中的其他参数保持不变，对信息素浓度进行成倍放大，使不同路径上的信息素浓度差异更加明显，从而提高算法的收敛速度。
针对以上上述现有技术问题和发明目的，本发明提出一种移动机器人路径规划方法，包括如下步骤：
(1)寻找环境最短路径；
(2)当机器人在前进中检测到将与环境中的动态障碍物相碰，则视最短路径上离动态障碍物安全的栅格为局部目标点；
(3)确定动态障碍物的运动范围；
(4)机器人沿着信息素浓度大的栅格前进；
(5)得到一条避开动态障碍物且经过指定点的最优路径。
进一步地，步骤(1)中所述环境为机器人的工作环境，将该工作环境划分为20×20的栅格，每个栅格的长和宽都为10个单位。
进一步地，步骤(1)中按状态转移概率公式寻找环境最短路径。
进一步地，步骤(1)中用蚁群算法寻找环境最短路径。
进一步地，所述蚁群算法采用如下算法步骤：
a.参数用粒子群算法进行优化后找到一组最优解，且用遗传算法保证其不会陷入局部最优；
b.将上述参数中的其他参数保持不变，对传统蚁群算法中各个路径上的信息素浓度进行成倍放大，使不同路径上的信息素浓度差异更加明显；
c.加速蚂蚁朝着信息素浓度高路径移动，从而提高算法的收敛速度。
进一步地，步骤(3)中通过传感器收集信息从而确定动态障碍物的运动范围。
进一步地，步骤a中蚁群算法中种群个数为25，最大迭代次数为100，用粒子群算法对改进蚁群算法的重要参数进行优化，粒子的个数为30，迭代次数的最高上限为50，惯性衡量值w为0.625，影响机器人自适应学习功能的参数c1和c2都选为1.501。
进一步地，步骤b中，由粒子群算法寻找到改进蚁群算法重要参数的最优组合放大倍数M取为4。
进一步地，步骤c中，坐标系以x轴向右为正方向，y轴向上为正方向，单位为像素，静态障碍物假定为方块，假设动态障碍物是长和宽分别为10个单位的正方形块，动态障碍物沿y轴向上做速度为10单位/秒的匀速直线运动。
与目前现有技术相比，本发明解决了蚁群算法由于自身的局限性而导致的收敛速度慢的问题，将传统蚁群算法中的参数用粒子群算法进行优化后找到一组最优解，且用遗传算法保证其不会陷入局部最优，再将上述参数中的其他参数保持不变，对信息素浓度进行成倍放大，使不同路径上的信息素浓度差异更加明显，从而提高算法的收敛速度。
附图说明
图1为本发明的方案流程图。
图2为本发明蚁群算法原理图。
具体实施方式
下面根据附图对本发明进行详细描述，其为本发明多种实施方式中的一种优选实施例。
在一个优选实施例中，一种移动机器人路径规划方法，包括如下步骤：寻找环境最短路径；当机器人在前进中检测到将与环境中的动态障碍物相碰，则视最短路径上离动态障碍物安全的栅格为局部目标点；确定动态障碍物的运动范围；机器人沿着信息素浓度大的栅格前进；得到一条避开动态障碍物且经过指定点的最优路径。蚁群算法采用如下算法步骤：参数用粒子群算法进行优化后找到一组最优解，且用遗传算法保证其不会陷入局部最优；将上述参数中的其他参数保持不变，对传统蚁群算法中各个路径上的信息素浓度进行成倍放大，使不同路径上的信息素浓度差异更加明显；加速蚂蚁朝着信息素浓度高路径移动，从而提高算法的收敛速度。
优选的蚁群算法参照图1，蚁群算法中种群个数为25，最大迭代次数为100.用粒子群算法对改进蚁群算法的重要参数进行优化，粒子的个数为30，迭代次数的最高上限为50，惯性衡量值w为0.625，影响机器人自适应学习功能的参数c1和c2都选为1.501。由粒子群算法寻找到改进蚁群算法重要参数的最优组合放大倍数M取为4，坐标系以x轴向右为正方向，y轴向上为正方向，单位为像素，静态障碍物假定为方块，假设动态障碍物是长和宽分别为10个单位的正方形块，动态障碍物沿y轴向上做速度为10单位/秒的匀速直线运动。
参照图2，一个优选的移动机器人路径规划方法可以包括如下步骤：初始化--更改禁忌表且按状态转移概率公式选择路径—确定移动方向—求信息素增量—参数优化及避免陷入局部最优—对信息素浓度成倍放大—判断中止准则。
在另一个优选实施例中，方案可以如下：用改进的蚁群算法对移动机器人路径进行规划，对传统蚁群算法中个路径上的信息素浓度进行成倍放大，使各条路径上的信息素浓度差别更加明显，加速蚂蚁朝着信息素浓度高路径移动，从而解决了传统蚁群算法收敛速度慢的问题。
用蚁群算法寻找环境最短路径的过程中，按状态转移概率公式选择路径，如果机器人在前进中检测到将与环境中的动态障碍物相碰，则视最短路径上离动态障碍物安全的栅格为局部目标点，通过传感器收集信息确定动态障碍物的运动范围，机器人沿着信息素浓度大的栅格前进，以最短的时间，寻找一条避开动态障碍物且经过指定点的最优路径。
将机器人的工作环境划分为20×20的栅格，每个栅格的长和宽都为10个单位，蚁群算法中种群个数为25，最大迭代次数为100，用粒子群算法对改进蚁群算法的重要参数进行优化，粒子的个数为30，迭代次数的最高上限为50，惯性衡量值w为0.625，影响机器人自适应学习功能的参数c1和c2都选为1.501。
由粒子群算法寻找到改进蚁群算法重要参数的最优组合放大倍数M取为4，坐标系以x轴向右为正方向，y轴向上为正方向，单位为像素，静态障碍物假定为方块，假设动态障碍物是长和宽分别为10个单位的正方形块，动态障碍物沿y轴向上做速度为10单位/秒的匀速直线运动。
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进直接应用于其它场合的，均在本发明的保护范围之内。

Claims (9)

1.一种移动机器人路径规划方法，其特征在于，包括如下步骤：
(1)寻找环境最短路径；
(2)当机器人在前进中检测到将与环境中的动态障碍物相碰，则视最短路径上离动态障碍物安全的栅格为局部目标点；
(3)确定动态障碍物的运动范围；
(4)机器人沿着信息素浓度大的栅格前进；
(5)得到一条避开动态障碍物且经过指定点的最优路径。
2.如权利要求1所述的移动机器人路径规划方法，其特征在于，步骤(1)中所述环境为机器人的工作环境，将该工作环境划分为20×20的栅格，每个栅格的长和宽都为10个单位。
3.如权利要求1和2所述的移动机器人路径规划方法，其特征在于，步骤(1)中按状态转移概率公式寻找环境最短路径。
4.如权利要求1-3中任一项所述的移动机器人路径规划方法，其特征在于，步骤(1)中用蚁群算法寻找环境最短路径。
5.如权利要求4所述的移动机器人路径规划方法，其特征在于，所述蚁群算法采用如下算法步骤：
a.参数用粒子群算法进行优化后找到一组最优解，且用遗传算法保证其不会陷入局部最优；
b.将上述参数中的其他参数保持不变，对传统蚁群算法中各个路径上的信息素浓度进行成倍放大，使不同路径上的信息素浓度差异更加明显；
c.加速蚂蚁朝着信息素浓度高路径移动，从而提高算法的收敛速度。
6.如权利要求1-5中任一项所述的移动机器人路径规划方法，其特征在于，步骤(3)中通过传感器收集信息从而确定动态障碍物的运动范围。
7.如权利要求5或6所述的移动机器人路径规划方法，其特征在于，步骤a中蚁群算法中种群个数为25，最大迭代次数为100，用粒子群算法对改进蚁群算法的重要参数进行优化，粒子的个数为30，迭代次数的最高上限为50，惯性衡量值w为0.625，影响机器人自适应学习功能的参数c1和c2都选为1.501。
8.如权利要求5-7中任一项所述的移动机器人路径规划方法，其特征在于，步骤b中，由粒子群算法寻找到改进蚁群算法重要参数的最优组合放大倍数M取为4。
9.如权利要求5-8中任一项所述的移动机器人路径规划方法，其特征在于，步骤c中，坐标系以x轴向右为正方向，y轴向上为正方向，单位为像素，静态障碍物假定为方块，假设动态障碍物是长和宽分别为10个单位的正方形块，动态障碍物沿y轴向上做速度为10单位/秒的匀速直线运动。
CN201510976615.2A 2015-12-22 2015-12-22 一种移动机器人路径规划方法 Active CN105446339B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510976615.2A CN105446339B (zh) 2015-12-22 2015-12-22 一种移动机器人路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510976615.2A CN105446339B (zh) 2015-12-22 2015-12-22 一种移动机器人路径规划方法

Publications (2)

Publication Number Publication Date
CN105446339A true CN105446339A (zh) 2016-03-30
CN105446339B CN105446339B (zh) 2018-03-16

Family

ID=55556659

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510976615.2A Active CN105446339B (zh) 2015-12-22 2015-12-22 一种移动机器人路径规划方法

Country Status (1)

Country Link
CN (1) CN105446339B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105387875A (zh) * 2015-12-24 2016-03-09 安徽工程大学 基于蚁群算法的移动机器人路径规划方法的一种改进
CN106225788A (zh) * 2016-08-16 2016-12-14 上海理工大学 基于路径拓展蚁群算法的机器人路径规划方法
CN106444381A (zh) * 2016-11-01 2017-02-22 河池学院 一种节电机器人
CN106444770A (zh) * 2016-11-01 2017-02-22 河池学院 一种智能矿井监测机器人
CN108227716A (zh) * 2018-01-19 2018-06-29 广东美的智能机器人有限公司 移动机器人的路径规划方法及系统
CN108241375A (zh) * 2018-02-05 2018-07-03 景德镇陶瓷大学 一种自适应蚁群算法在移动机器人路径规划中的应用方法
CN109039907A (zh) * 2018-09-06 2018-12-18 郑州云海信息技术有限公司 确定网络数据流量最优路径方法、装置、设备及存储介质
WO2019080680A1 (zh) * 2017-10-25 2019-05-02 上海思岚科技有限公司 用于移动机器人避障的方法
CN111353621A (zh) * 2018-12-20 2020-06-30 中国科学院沈阳自动化研究所 一种基于冷热度原理改进蚁群算法的agv路径规划方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6134502A (en) * 1998-11-30 2000-10-17 Caterpillar Inc. Energy-based approach for obstacle avoidance
US20070237152A1 (en) * 2003-01-20 2007-10-11 Nanyang Polytechnic Path Searching System Using Multiple Groups Of Cooperating Agents And Method Thereof
CN101359229A (zh) * 2008-08-18 2009-02-04 浙江大学 一种基于障碍物运动预测的移动机器人避障方法
CN101436073A (zh) * 2008-12-03 2009-05-20 江南大学 基于量子行为粒子群算法的轮式移动机器人轨迹跟踪方法
CN103092204A (zh) * 2013-01-18 2013-05-08 浙江大学 一种混合的机器人动态路径规划方法
CN103439972A (zh) * 2013-08-06 2013-12-11 重庆邮电大学 一种动态复杂环境下的移动机器人路径规划方法
CN103472828A (zh) * 2013-09-13 2013-12-25 桂林电子科技大学 基于改进蚁群粒子群算法的移动机器人路径规划方法
CN103605368A (zh) * 2013-12-04 2014-02-26 苏州大学张家港工业技术研究院 一种动态未知环境中路径规划方法及装置
CN103823466A (zh) * 2013-05-23 2014-05-28 电子科技大学 一种动态环境下移动机器人路径规划方法
CN104035438A (zh) * 2013-11-14 2014-09-10 扬州西岐自动化科技有限公司 一种基于种群多样性的自适应多目标机器人避障算法
CN105005301A (zh) * 2015-05-25 2015-10-28 湘潭大学 一种基于群体智能算法的工业机器人作业点序列及轨迹规划方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6134502A (en) * 1998-11-30 2000-10-17 Caterpillar Inc. Energy-based approach for obstacle avoidance
US20070237152A1 (en) * 2003-01-20 2007-10-11 Nanyang Polytechnic Path Searching System Using Multiple Groups Of Cooperating Agents And Method Thereof
CN101359229A (zh) * 2008-08-18 2009-02-04 浙江大学 一种基于障碍物运动预测的移动机器人避障方法
CN101436073A (zh) * 2008-12-03 2009-05-20 江南大学 基于量子行为粒子群算法的轮式移动机器人轨迹跟踪方法
CN103092204A (zh) * 2013-01-18 2013-05-08 浙江大学 一种混合的机器人动态路径规划方法
CN103823466A (zh) * 2013-05-23 2014-05-28 电子科技大学 一种动态环境下移动机器人路径规划方法
CN103439972A (zh) * 2013-08-06 2013-12-11 重庆邮电大学 一种动态复杂环境下的移动机器人路径规划方法
CN103472828A (zh) * 2013-09-13 2013-12-25 桂林电子科技大学 基于改进蚁群粒子群算法的移动机器人路径规划方法
CN104035438A (zh) * 2013-11-14 2014-09-10 扬州西岐自动化科技有限公司 一种基于种群多样性的自适应多目标机器人避障算法
CN103605368A (zh) * 2013-12-04 2014-02-26 苏州大学张家港工业技术研究院 一种动态未知环境中路径规划方法及装置
CN105005301A (zh) * 2015-05-25 2015-10-28 湘潭大学 一种基于群体智能算法的工业机器人作业点序列及轨迹规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邓高峰 等: "一种障碍环境下机器人路径规划的蚁群粒子群算法", 《控制理论与应用》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105387875B (zh) * 2015-12-24 2018-01-12 安徽工程大学 基于蚁群算法的移动机器人路径规划方法的一种改进
CN105387875A (zh) * 2015-12-24 2016-03-09 安徽工程大学 基于蚁群算法的移动机器人路径规划方法的一种改进
CN106225788B (zh) * 2016-08-16 2019-04-19 上海理工大学 基于路径拓展蚁群算法的机器人路径规划方法
CN106225788A (zh) * 2016-08-16 2016-12-14 上海理工大学 基于路径拓展蚁群算法的机器人路径规划方法
CN106444381A (zh) * 2016-11-01 2017-02-22 河池学院 一种节电机器人
CN106444770A (zh) * 2016-11-01 2017-02-22 河池学院 一种智能矿井监测机器人
WO2019080680A1 (zh) * 2017-10-25 2019-05-02 上海思岚科技有限公司 用于移动机器人避障的方法
CN108227716A (zh) * 2018-01-19 2018-06-29 广东美的智能机器人有限公司 移动机器人的路径规划方法及系统
CN108241375A (zh) * 2018-02-05 2018-07-03 景德镇陶瓷大学 一种自适应蚁群算法在移动机器人路径规划中的应用方法
CN108241375B (zh) * 2018-02-05 2020-10-30 景德镇陶瓷大学 一种自适应蚁群算法在移动机器人路径规划中的应用方法
CN109039907A (zh) * 2018-09-06 2018-12-18 郑州云海信息技术有限公司 确定网络数据流量最优路径方法、装置、设备及存储介质
CN109039907B (zh) * 2018-09-06 2021-09-17 郑州云海信息技术有限公司 确定网络数据流量最优路径方法、装置、设备及存储介质
CN111353621A (zh) * 2018-12-20 2020-06-30 中国科学院沈阳自动化研究所 一种基于冷热度原理改进蚁群算法的agv路径规划方法
CN111353621B (zh) * 2018-12-20 2023-08-29 中国科学院沈阳自动化研究所 一种基于冷热度原理改进蚁群算法的agv路径规划方法

Also Published As

Publication number Publication date
CN105446339B (zh) 2018-03-16

Similar Documents

Publication Publication Date Title
CN105446339A (zh) 一种移动机器人路径规划方法
CN105387875A (zh) 基于蚁群算法的移动机器人路径规划方法的一种改进
CN110244733B (zh) 一种基于改进蚁群算法的移动机器人路径规划方法
CN103354642B (zh) 一种提高移动传感器网络覆盖率的方法
Rout et al. Dynamic deployment of randomly deployed mobile sensor nodes in the presence of obstacles
CN112229419B (zh) 一种动态路径规划导航方法及系统
CN106840169B (zh) 用于机器人路径规划的改进方法
Zhou et al. Guest editorial special section on advances and applications of Internet of Things for smart automated systems
CN102855465A (zh) 一种移动物体的跟踪方法
CN105301203A (zh) 一种基于烟花算法的气味源定位方法
Huang et al. Path planning of mobile robot in unknown dynamic continuous environment using reward‐modified deep Q‐network
Han et al. Research on UAV indoor path planning algorithm based on global subdivision grids
Upadhyay et al. UAV-Robot relationship for coordination of robots on a collision free path
Xue et al. Hybrid bidirectional rapidly-exploring random trees algorithm with heuristic target graviton
Abramov et al. Implementation of an algorithm for searching for missing units of a swarm of robots, controlled by an adapted ant algorithm
CN102307358A (zh) 基于信息度量的移动传感器网络主动定位方法
CN101655712B (zh) 移动机器人群集控制方法
CN112393739A (zh) 大面积环境中的改进型快速搜索随机树路径规划方法
Huang et al. Multi-robot collision avoidance based on buffered voronoi diagram
Takano et al. Multiagent-based ABC algorithm for autonomous rescue agent cooperation
CN110673826A (zh) 群机器人在区域搜索中的随机搜索方法及系统
Yu et al. Incremental Processing of Continuous K Nearest Neighbor Queries Over Moving Objects
Wenbin et al. Path planning based on biphasic ant colony algorithm and fuzzy control in dynamic environment
CN110989634B (zh) 机器人的转弯控制方法、装置、计算机设备及存储介质
Okumuş et al. Multi-robot Path Planning Using Fractional Order Darwinian Particle Swarm Optimization Algorithm

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant