CN105929843A - 一种基于改进蚁群算法的机器人路径规划方法 - Google Patents
一种基于改进蚁群算法的机器人路径规划方法 Download PDFInfo
- Publication number
- CN105929843A CN105929843A CN201610250829.6A CN201610250829A CN105929843A CN 105929843 A CN105929843 A CN 105929843A CN 201610250829 A CN201610250829 A CN 201610250829A CN 105929843 A CN105929843 A CN 105929843A
- Authority
- CN
- China
- Prior art keywords
- path
- point
- barrier
- planning
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000004888 barrier function Effects 0.000 claims description 70
- 241001251068 Formica fusca Species 0.000 claims description 37
- 239000003016 pheromone Substances 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000006872 improvement Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000257303 Hymenoptera Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于改进蚁群算法的机器人路径规划方法,所述基于改进蚁群算法的机器人路径规划方法包括以下步骤:(1)引入预规划路径;(2)添加拐点参数;(3)建立“死锁”禁忌表,提高搜索效率,有效避免“死锁”问题。
Description
技术领域
本发明涉及人工智能技术领域,特别是一种基于改进蚁群算法的机器人路径规划方法。
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,如传统的栅格法、人工势场法。栅格法一般用于全局规划,但当环境复杂度提高时,其所需存储空间也随之增大,造成搜索效率过低;人工势场法是机器人路径规划中最常用的一种方法,适用于局部路径规划,但局部极小点和目标不可达的问题一直是此算法的软肋。随着机器人在越来越多领域的应用,传统的依据数学模型的路径规划算法已难以适应复杂多变的环境,寻优效果差强人意。随着人工智能的发展,遗传算法、神经网络算法、模拟退火算法等智能算法被越来越多的应用于机器人路径规划中,虽然这些智能算法已经在机器人路径规划领域取得了一些令人满意的成绩,但搜索效率低下,易陷入局部最优等问题一直没有得到根本性的解决。
蚁群算法是一种根据自然界蚂蚁觅食的行为提炼出来的算法,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,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。传统蚁群算法在机器人路径规划中虽然可以成功规划出从起始点到目标点的无碰路径,鲁棒性较强,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,存在早期收敛效果不明显的缺点。
现有技术中通过路径规划方法改进的蚁群算法虽然提高了蚁群算法由于自身局限性而导致的收敛速度慢的问题但在应用中仍然存在许多不足。
如中国专利公开号CN105387875A针对移动机器人动态环境下的路径规划提出一种改进算法,其关键步骤在于对动态障碍物的处理方式,即视最短路径上离动态障碍物安全的栅格为局部目标点,从而得到安全无碰路径,其次运用了粒子群算法对参数进行优化。
蚁群算法“死锁”问题的存在是因为在算法实现过程中,已访问的节点由禁忌表进行存储,蚂蚁在选择下一节点时只能在未访问节点中选择。在面对凹型障碍物时,蚂蚁无后续节点可选,从而陷入“死锁”状态。显然,一旦有蚂蚁陷入凹形障碍物,将出现“死锁”路径,所进入蚂蚁也将成为无效蚂蚁,无法继续完成路径搜索,使得初始蚂蚁数量减少,有损算法搜索效率。目前常见的处理凹形障碍物的一种方法是在环境模型建立的时候,将实际问题中的所有凹形障碍物通过填补的方式进行凸化处理,经过处理的障碍物虽然可以消除“死锁”现象,但却以牺牲实际环境为代价,这样的处理方式,在实际环境中将失去可行性。
现有技术仅通过路径规划方法对传统蚁群算法进行改进,不足以充分提高搜索效率,有效避免“死锁”问题。
因此希望有一种基于改进蚁群算法的机器人路径规划方法可以克服或至少减轻现有技术的上述缺陷。
发明内容
本发明的目的是提供一种基于改进蚁群算法的机器人路径规划方法,能克服上述现有技术的缺点,提高搜索效率,有效避免“死锁”问题,使机器人成功避免障碍物快速到达目标点。
为实现上述目的,本发明的基于改进蚁群算法的机器人路径规划方法包括如下步骤:
(1)引入预规划路径,沿所述预规划路径增加一定量的呈高斯分布的信息素浓度,使得前期搜索更有针对性,提高搜索效率;
(2)添加拐点参数,为节省移动机器人行驶时间,提高所寻路径的平滑性,引入拐点参数作为路径规划评价标准之一,用拐点参数和路径长度共同决定信息素更新方式,引入拐点参数后的信息素更新方式如公式(5)所示,
Q为正常数取值;Lk为第k只蚂蚁所寻路径长度,Gk为第k只蚂蚁所寻路径的拐点参数,为加权系数,第k只蚂蚁在i至j路径上信息素的增量;
(3)建立“死锁”禁忌表,首先创建“死锁点”禁忌表,用来存储发生死锁路径的节点,当蚂蚁遇到死锁点时,采取回退法,返回上一节点,并将当前节点加入死锁禁忌表中,直到有后续节点可以选择,完成接下来的寻路工作;其次,为避免死锁路径对后续蚂蚁的影响,引入惩罚函数,在遇到凹形障碍物时,用惩罚函数取代原来的局部信息素更新方式,惩罚函数定义为:
f(i,j)=μf(i,j),0<μ<1 (6)
惩罚函数的存在保证了存在“死锁点”路径上信息素浓度的减少,降低后续蚂蚁选择此路径的概率,提高了搜索效率。
优选的,所述步骤(1)中引入预规划路径包括以下内容:
a.环境处理,在二维静态空间内使用栅格法为机器人运行环境进行建模,首先,在描述障碍物时,沿障碍物周围向外增加单个机器人的最大直径,然后将行驶在此环境中的移动机器人视为质点;其次,以障碍物为单位,得到完全覆盖障碍物的最小圆,其圆心称为障碍物中心点,对于不规则障碍物,单个圆形难以准确表达时,为提高精度降低误差,可以采用多个圆形包络弧段来近似拟合;
b.连通性分析,为了更好的掌握障碍物之间的位置关系分析障碍物之间的连通性,为机器人规划出绝对安全区域,相对安全区域和危险区域,其中,危险区域为障碍物本身,相对安全区域为每个圆形下除障碍物本身之外的可行驶区间,除此之外成为绝对安全区域,通过连通性的分析,得出机器人可安全行驶的自由区域以缩小搜索空间,从而提高算法效率,具体实施过程如下:设共有m个障碍物,第i个障碍物的中心位置为χi,创建m×m的信息矩阵A,A取值方式见公式(4):
分析信息矩阵A可知任意两个障碍物之间的位置关系,如果存在相交关系,则表明两个障碍物之间有较为狭窄的相对安全区域,将其中心点用直线进行连接,并将这些区域的中心点坐标存入一个集合;
c.路径预规划,通过对障碍物之间的连通性分析,寻找一条与起始点连线拟合程度最高的,并且其中间节点是由障碍物中心点所组成的预规划路径;
d.更改初始信息素分布在蚁群算法初始阶段,以所述预规划路径为中心向两边增加一定量的呈高斯分布的信息素浓度,从而避免蚁群算法初期的盲目搜索,提高搜索效率。
优选的,所述路径预规划包括以下步骤:
①用直线连接起始点和目标点,获取两点间最短路径,称之为参照路径;
②判断步骤①所得连线是否与障碍物集合存在交点,如不存在,则结束;如若存在,则选择距离最新起始点最近的集合,判断是否存在交点的方法为:找出所有障碍物中心点集合,对于集合中的任意中心点与最新起始点之间连线的斜率均大于或均小于最新起始点与目标点连线的斜率,则无相交,反之相交;
③选择最近集合中的一点,设为新的起始点,具体选择办法是:比较集合内所有障碍物中心点与新的起始点连线斜率与新起始点与目标点连线斜率的差的绝对值,选择值最小的中心点;
④连接新的起始点与终止点,转至步骤②。
本发明的基于改进蚁群算法的机器人路径规划方法针对基本蚁群算法存在的问题从以下三点进行了改进:1)引入预规划路径,在此路径上初始化一定量呈高斯分布的信息素浓度,避免传统蚁群算法早期的盲目搜索,提高收敛速度;2)添加拐点参数,用拐点参数和路径长度共同作为所选路径优越性的评价标准,改变传统蚁群算法的信息素更新方式;3)建立“死锁”禁忌表,在蚂蚁遇到凹形障碍物时进行回退,同时将死锁点加入到死锁禁忌表,避免后续蚂蚁再次进入死锁点,同时加入惩罚函数更新局部信息素,本发明的基于改进蚁群算法的机器人路径规划方法能明显提高搜索效率,有效避免“死锁”问题,使机器人成功避免障碍物快速到达目标点。
附图说明:
图1为障碍物连通性分析示意图;
图2为路径预规划示意图;
图3为更改初始信息素分布的高斯分布图;
图4为10×10栅格环境下传统蚁群算法规划路径示意图
图5为10×10栅格环境下改进蚁群算法规划路径的示意图;
图6为20×20栅格环境下传统蚁群算法的最优路径结果示意图;
图7为20×20栅格环境下传统蚁群算法的收敛曲线示意图;
图8为20×20栅格环境下本发明改进蚁群算法寻找最优路径结果示意图;
图9为20×20栅格环境下本发明改进蚁群算法收敛曲线示意图;
图10为基于改进蚁群算法的机器人路径规划方法的流程图。
具体实施方式:
为使本发明实施的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行更加详细的描述。在附图中,自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例,而不是全部的实施例。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。下面结合附图对本发明的实施例进行详细说明。
在本发明一宽泛实施例中,路径规划方法包括以下步骤:
(1)引入预规划路径,沿所述预规划路径增加一定量的呈高斯分布的信息素浓度,使得前期搜索更有针对性,提高搜索效率;
(2)添加拐点参数,为节省移动机器人行驶时间,提高所寻路径的平滑性,引入拐点参数作为路径规划评价标准之一,用拐点参数和路径长度共同决定信息素更新方式,引入拐点参数后的信息素更新方式如公式(5)所示,
Q为正常数取值;Lk为第k只蚂蚁所寻路径长度,Gk为第k只蚂蚁所寻路径的拐点参数,为加权系数,第k只蚂蚁在i至j路径上信息素的增量;
(3)建立“死锁”禁忌表,首先创建“死锁点”禁忌表,用来存储发生死锁路径的节点,当蚂蚁遇到死锁点时,采取回退法,返回上一节点,并将当前节点加入死锁禁忌表中,直到有后续节点可以选择,完成接下来的寻路工作;其次,为避免死锁路径对后续蚂蚁的影响,引入惩罚函数,在遇到凹形障碍物时,用惩罚函数取代原来的局部信息素更新方式,惩罚函数定义为:
f(i,j)=μf(i,j),0<μ<1 (6)
惩罚函数的存在保证了存在“死锁点”路径上信息素浓度的减少,降低后续蚂蚁选择此路径的概率,提高了搜索效率。
本发明的基于改进蚁群算法的机器人路径规划方法能明显提高搜索效率,有效避免“死锁”问题,使机器人成功避免障碍物快速到达目标点。
路径规划方法包括以下步骤:
(1)引入预规划路径,沿所述预规划路径增加一定量的呈高斯分布的信息素浓度,使得前期搜索更有针对性,提高搜索效率;
(2)添加拐点参数,为节省移动机器人行驶时间,提高所寻路径的平滑性,引入拐点参数作为路径规划评价标准之一,用拐点参数和路径长度共同决定信息素更新方式,在传统蚁群算法中,第k只蚂蚁在i至j路径上信息素的增量由其所寻路径决定,且存在反比的关系,拐点参数的引入,打破仅由一个参数决定信息素浓度的传统,由拐点参数和路径长度共同评价所寻路径的优劣,使得信息素的更新对路径的平滑性更为敏感,从而确保所寻路径的最优性,引入拐点参数后的信息素更新方式如公式(5)所示,
Q为正常数取值;Lk为第k只蚂蚁所寻路径长度,Gk为第k只蚂蚁所寻路径的拐点参数,为加权系数,,第k只蚂蚁在i至j路径上信息素的增量;
(3)建立“死锁”禁忌表,首先创建“死锁点”禁忌表,用来存储发生死锁路径的节点,当蚂蚁遇到死锁点时,采取回退法,返回上一节点,并将当前节点加入死锁禁忌表中,直到有后续节点可以选择,完成接下来的寻路工作;其次,为避免死锁路径对后续蚂蚁的影响,引入惩罚函数,在遇到凹形障碍物时,用惩罚函数取代原来的局部信息素更新方式,惩罚函数定义为:
f(i,j)=μf(i,j),0<μ<1 (6)
惩罚函数的存在保证了存在“死锁点”路径上信息素浓度的减少,降低后续蚂蚁选择此路径的概率,提高了搜索效率。
所述步骤(1)中引入预规划路径包括以下内容:
a.环境处理,在二维静态空间内使用栅格法为机器人运行环境进行建模,首先,在描述障碍物时,沿障碍物周围向外增加单个机器人的最大直径,然后将行驶在此环境中的移动机器人视为质点;其次,以障碍物为单位,得到完全覆盖障碍物的最小圆,其圆心称为障碍物中心点,对于不规则障碍物,单个圆形难以准确表达时,为提高精度降低误差,可以采用多个圆形包络弧段来近似拟合;
b.如图1所示连通性分析,为了更好的掌握障碍物之间的位置关系分析障碍物之间的连通性,为机器人规划出绝对安全区域,相对安全区域和危险区域,其中,危险区域为障碍物本身,相对安全区域为每个圆形下除障碍物本身之外的可行驶区间,除此之外成为绝对安全区域,通过连通性的分析,得出机器人可安全行驶的自由区域以缩小搜索空间,从而提高算法效率,具体实施过程如下:设共有m个障碍物,第i个障碍物的中心位置为χi,创建m×m的信息矩阵A,A取值方式见公式(4):
分析信息矩阵A可知任意两个障碍物之间的位置关系,如果存在相交关系,则表明两个障碍物之间有较为狭窄的相对安全区域,将其中心点用直线进行连接,并将这些区域的中心点坐标存入一个集合;
c.路径预规划,通过对障碍物之间的连通性分析,寻找一条与起始点连线拟合程度最高的,并且其中间节点是由障碍物中心点所组成的预规划路径;
d.如图3所示,更改初始信息素分布在蚁群算法初始阶段,以所述预规划路径为中心向两边增加一定量的呈高斯分布的信息素浓度,从而避免蚁群算法初期的盲目搜索,提高搜索效率。
所述路径预规划包括以下步骤:
①用直线连接起始点和目标点,获取两点间最短路径,称之为参照路径;
②判断步骤①所得连线是否与障碍物集合存在交点,如不存在,则结束;如若存在,则选择距离最新起始点最近的集合,判断是否存在交点的方法为:找出所有障碍物中心点集合,对于集合中的任意中心点与最新起始点之间连线的斜率均大于或均小于最新起始点与目标点连线的斜率,则无相交,反之相交;
③选择最近集合中的一点,设为新的起始点,具体选择办法是:比较集合内所有障碍物中心点与新的起始点连线斜率与新起始点与目标点连线斜率的差的绝对值,选择值最小的中心点;
④连接新的起始点与终止点,转至步骤②
如图2所示经过以上步骤①-④即可得到一条由障碍物中心点组成的与参照路径拟合程度最高的预规划路径。
为验证本发明改进蚁群算法的有效性和可行性,在CPU为Core i5,2.20GHz,8G内存的硬件环境下,利用软件MATLAB8.1进行模拟仿真,分别在10×10和20×20的栅格环境下对机器人路径规划的效果进行验证。
首先在10×10的栅格环境下使用传统蚁群算法和本发明改进蚁群算法对机器人路径进行规划,实验结果如图4和图5所示。
对比图4和图5发现,本发明改进蚁群算法在寻优能力上明显超过传统蚁群算法,当遇到环境中死锁点(7,1)时,传统蚁群算法出现了局部徘徊的现象,而本发明改进蚁群算法通过引进死锁禁忌表和惩罚函数,有效避免了该现象。
为验证本发明改进蚁群算法在不同环境下的适应性,在20×20栅格环境下再次进行仿真,同时增加了障碍物的密集程度。此环境下,传统蚁群算法和本发明改进蚁群算法寻找最优路径结果和收敛曲线分别如图5和图6所示。
如图6-9可以看出,本发明改进蚁群算法的有效性和可行性。首先,预规划路径的引入,克服了传统蚁群算法早期收敛速度慢的不足。以寻得路径长度为35cm以下所需平均迭代次数为例,传统蚁群算法为11次,而本发明改进蚁群算法为6次,效率提高45.5%;其次,拐点参数使得改进后的算法所寻路径更为平滑。
为验证本发明改进蚁群算法的稳定性,多次运行本发明改进算法进行路径规划,记录每次运行结果如表1所示:
表1本发明算法多次运行结果
由表1可以看出,多次运行本发明算法所寻路径长度基本稳定在29cm附近,证明了改进后的算法具有较强的稳定性。
为更好的说明本发明改进算法的有效性,分别对传统蚁群算法所提改进算法进行多次仿真,将得到的仿真结果与本发明改进算法的结果进行对比分析,如表2所示。
表2本发明算法与其他算法仿真结果比较
通过表2可以看出,本发明改进蚁群算法优于传统蚁群算法和文献[13]所提改进算法。本发明改进蚁群算法较传统蚁群算法在平均路径长路和最优路径长度上分别提高21.5%和12.8%,较文献[13]所提算法在平均路径长路和最优路径长度上分别提高了6.6%和7.9%;在寻得路径长度35cm以下所需平均迭代次数上,本发明改进蚁群算法较传统蚁群算法和文献[13]算法分别提高了88%和60%以上;在平均运行时间上,本发明改进蚁群算法虽较文献[13]算法时间稍长,但基本接近,较传统蚁群算法则提高了9%。对比表明,本文改进蚁群算法不仅收敛速度极快,所寻路径也更优,再次验证了本发明所提改进算法的有效性和可行性。综上说明,本发明改进蚁群算法可以在不增加运行时间的情况下,得到较为平滑的安全无碰机器人路径。
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (3)
1.一种基于改进蚁群算法的机器人路径规划方法,其特征在于:所述路径规划方法包括以下步骤:
(1)引入预规划路径,沿所述预规划路径增加一定量的呈高斯分布的信息素浓度,使得前期搜索更有针对性,提高搜索效率;
(2)添加拐点参数,为节省移动机器人行驶时间,提高所寻路径的平滑性,引入拐点参数作为路径规划评价标准之一,用拐点参数和路径长度共同决定信息素更新方式,引入拐点参数后的信息素更新方式如公式(5)所示,
Q为正常数取值;Lk为第k只蚂蚁所寻路径长度,Gk为第k只蚂蚁所寻路径的拐点参数,为加权系数,第k只蚂蚁在i至j路径上信息素的增量;
(3)建立“死锁”禁忌表,首先创建“死锁点”禁忌表,用来存储发生死锁路径的节点,当蚂蚁遇到死锁点时,采取回退法,返回上一节点,并将当前节点加入死锁禁忌表中,直到有后续节点可以选择,完成接下来的寻路工作;其次,为避免死锁路径对后续蚂蚁的影响,引入惩罚函数,在遇到凹形障碍物时,用惩罚函数取代原来的局部信息素更新方式,惩罚函数定义为:
f(i,j)=μf(i,j),0<μ<1 (6)
惩罚函数的存在保证了存在“死锁点”路径上信息素浓度的减少,降低后续蚂蚁选择此路径的概率,提高了搜索效率。
2.根据权利要求1所述的基于改进蚁群算法的机器人路径规划方法,其特征在于:所述步骤(1)中引入预规划路径包括以下内容:
a.环境处理,在二维静态空间内使用栅格法为机器人运行环境进行建模,首先,在描述障碍物时,沿障碍物周围向外增加单个机器人的最大直径,然后将行驶在此环境中的移动机器人视为质点;其次,以障碍物为单位,得到完全覆盖障碍物的最小圆,其圆心称为障碍物中心点,对于不规则障碍物,单个圆形难以准确表达时,为提高精度降低误差,可以采用多个圆形包络弧段来近似拟合;
b.连通性分析,为了更好的掌握障碍物之间的位置关系分析障碍物之间的连通性,为机器人规划出绝对安全区域,相对安全区域和危险区域,其中,危险区域为障碍物本身,相对安全区域为每个圆形下除障碍物本身之外的可行驶区间,除此之外成为绝对安全区域,通过连通性的分析,得出机器人可安全行驶的自由区域以缩小搜索空间,从而提高算法效率,具体实施过程如下:设共有m个障碍物,第i个障碍物的中心位置为xi,创建m×m的信息矩阵A,A取值方式见公式(4):
分析信息矩阵A可知任意两个障碍物之间的位置关系,如果存在相交关系,则表明两个障碍物之间有较为狭窄的相对安全区域,将其中心点用直线进行连接,并将这些区域的中心点坐标存入一个集合;
c.路径预规划,通过对障碍物之间的连通性分析,寻找一条与起始点连线拟合程度最高的,并且其中间节点是由障碍物中心点所组成的预规划路径;
d.更改初始信息素分布在蚁群算法初始阶段,以所述预规划路径为中心向两边增加一定量的呈高斯分布的信息素浓度,从而避免蚁群算法初期的盲目搜索,提高搜索效率。
3.根据权利要求2所述的基于改进蚁群算法的机器人路径规划方法,其特征在于:所述路径预规划包括以下步骤:
①用直线连接起始点和目标点,获取两点间最短路径,称之为参照路径;
②判断步骤①所得连线是否与障碍物集合存在交点,如不存在,则结束;如若存在,则选择距离最新起始点最近的集合。判断是否存在交点的方法为:找出所有障碍物中心点集合,对于集合中的任意中心点与最新起始点之间连线的斜率均大于或均小于最新起始点与目标点连线的斜率,则无相交,反之相交;
③选择最近集合中的一点,设为新的起始点。具体选择办法是:比较集合内所有障碍物中心点与新的起始点连线斜率与新起始点与目标点连线斜率的差的绝对值,选择值最小的中心点;
④连接新的起始点与终止点,转至步骤②。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610250829.6A CN105929843B (zh) | 2016-04-22 | 2016-04-22 | 一种基于改进蚁群算法的机器人路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610250829.6A CN105929843B (zh) | 2016-04-22 | 2016-04-22 | 一种基于改进蚁群算法的机器人路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105929843A true CN105929843A (zh) | 2016-09-07 |
CN105929843B CN105929843B (zh) | 2018-11-13 |
Family
ID=56839589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610250829.6A Expired - Fee Related CN105929843B (zh) | 2016-04-22 | 2016-04-22 | 一种基于改进蚁群算法的机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105929843B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106979785A (zh) * | 2017-03-24 | 2017-07-25 | 北京大学深圳研究生院 | 一种面向多机器人系统的完全遍历路径规划方法 |
CN107272679A (zh) * | 2017-06-15 | 2017-10-20 | 东南大学 | 基于改进的蚁群算法的路径规划方法 |
CN107357965A (zh) * | 2017-06-16 | 2017-11-17 | 北京道亨时代科技有限公司 | 一种风电场集电线路的路径规划设计方法 |
CN107452019A (zh) * | 2017-08-08 | 2017-12-08 | 重庆跃途科技有限公司 | 一种基于模型切换的目标检测方法、装置、系统及存储介质 |
CN107807667A (zh) * | 2017-11-29 | 2018-03-16 | 天津聚飞创新科技有限公司 | 航点获取方法、装置及无人机 |
CN107883961A (zh) * | 2017-11-06 | 2018-04-06 | 哈尔滨工程大学 | 一种基于Smooth‑RRT算法的水下机器人路径优化方法 |
CN108180914A (zh) * | 2018-01-09 | 2018-06-19 | 昆明理工大学 | 一种基于蚁群改进和尖峰平滑的移动机器人路径规划方法 |
CN108646765A (zh) * | 2018-07-25 | 2018-10-12 | 齐鲁工业大学 | 基于改进a*算法的四足机器人路径规划方法及系统 |
CN109116841A (zh) * | 2018-07-23 | 2019-01-01 | 昆明理工大学 | 一种基于蚁群算法的路径规划平滑优化方法 |
CN109282815A (zh) * | 2018-09-13 | 2019-01-29 | 天津西青区瑞博生物科技有限公司 | 一种动态环境下基于蚁群算法的移动机器人路径规划方法 |
CN109903226A (zh) * | 2019-01-30 | 2019-06-18 | 天津城建大学 | 基于对称残差卷积神经网络的图像超分辨率重建方法 |
CN109977455A (zh) * | 2019-01-30 | 2019-07-05 | 广东工业大学 | 一种适用于带地形障碍三维空间的蚁群优化路径构建方法 |
CN112800353A (zh) * | 2021-03-03 | 2021-05-14 | 郑州大学 | 一种基于虚拟边界的动态椭圆限制搜索区域最短路径方法 |
CN113018064A (zh) * | 2021-04-27 | 2021-06-25 | 吴冬梅 | 一种内分泌科用理疗床智能控制方法 |
CN113219975A (zh) * | 2021-05-08 | 2021-08-06 | 珠海市一微半导体有限公司 | 一种路线优化方法、路径规划方法、芯片及机器人 |
CN113237488A (zh) * | 2021-05-14 | 2021-08-10 | 徕兄健康科技(威海)有限责任公司 | 一种基于双目视觉和寻路缘技术的导航系统及导航方法 |
CN113837189A (zh) * | 2021-08-12 | 2021-12-24 | 湖南匡楚科技有限公司 | 一种单位车辆智能管理方法及系统 |
CN114504276A (zh) * | 2017-09-25 | 2022-05-17 | 北京石头创新科技有限公司 | 自主移动机器人及其寻桩方法和控制装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050216182A1 (en) * | 2004-03-24 | 2005-09-29 | Hussain Talib S | Vehicle routing and path planning |
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 |
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 |
-
2016
- 2016-04-22 CN CN201610250829.6A patent/CN105929843B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050216182A1 (en) * | 2004-03-24 | 2005-09-29 | Hussain Talib S | Vehicle routing and path planning |
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 |
Non-Patent Citations (3)
Title |
---|
万晓凤等: "基于改进蚁群算法与Morphin算法的机器人路径规划方法", 《科技导报》 * |
屈鸿,黄利伟,柯星: "动态环境下基于改进蚁群算法的机器人路径规划研究", 《电子科技大学学报》 * |
王宪,杨国梁: "基于改进蚁群算法的机器人轨迹规划", 《计算机应用》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106979785A (zh) * | 2017-03-24 | 2017-07-25 | 北京大学深圳研究生院 | 一种面向多机器人系统的完全遍历路径规划方法 |
CN107272679A (zh) * | 2017-06-15 | 2017-10-20 | 东南大学 | 基于改进的蚁群算法的路径规划方法 |
CN107272679B (zh) * | 2017-06-15 | 2020-06-16 | 东南大学 | 基于改进的蚁群算法的路径规划方法 |
CN107357965A (zh) * | 2017-06-16 | 2017-11-17 | 北京道亨时代科技有限公司 | 一种风电场集电线路的路径规划设计方法 |
CN107452019A (zh) * | 2017-08-08 | 2017-12-08 | 重庆跃途科技有限公司 | 一种基于模型切换的目标检测方法、装置、系统及存储介质 |
CN114504276A (zh) * | 2017-09-25 | 2022-05-17 | 北京石头创新科技有限公司 | 自主移动机器人及其寻桩方法和控制装置 |
CN114504276B (zh) * | 2017-09-25 | 2023-11-28 | 北京石头创新科技有限公司 | 自主移动机器人及其寻桩方法和控制装置 |
CN107883961A (zh) * | 2017-11-06 | 2018-04-06 | 哈尔滨工程大学 | 一种基于Smooth‑RRT算法的水下机器人路径优化方法 |
CN107807667A (zh) * | 2017-11-29 | 2018-03-16 | 天津聚飞创新科技有限公司 | 航点获取方法、装置及无人机 |
CN108180914A (zh) * | 2018-01-09 | 2018-06-19 | 昆明理工大学 | 一种基于蚁群改进和尖峰平滑的移动机器人路径规划方法 |
CN109116841A (zh) * | 2018-07-23 | 2019-01-01 | 昆明理工大学 | 一种基于蚁群算法的路径规划平滑优化方法 |
CN108646765A (zh) * | 2018-07-25 | 2018-10-12 | 齐鲁工业大学 | 基于改进a*算法的四足机器人路径规划方法及系统 |
CN109282815A (zh) * | 2018-09-13 | 2019-01-29 | 天津西青区瑞博生物科技有限公司 | 一种动态环境下基于蚁群算法的移动机器人路径规划方法 |
CN109903226A (zh) * | 2019-01-30 | 2019-06-18 | 天津城建大学 | 基于对称残差卷积神经网络的图像超分辨率重建方法 |
CN109977455B (zh) * | 2019-01-30 | 2022-05-13 | 广东工业大学 | 一种适用于带地形障碍三维空间的蚁群优化路径构建方法 |
CN109903226B (zh) * | 2019-01-30 | 2023-08-15 | 天津城建大学 | 基于对称残差卷积神经网络的图像超分辨率重建方法 |
CN109977455A (zh) * | 2019-01-30 | 2019-07-05 | 广东工业大学 | 一种适用于带地形障碍三维空间的蚁群优化路径构建方法 |
CN112800353A (zh) * | 2021-03-03 | 2021-05-14 | 郑州大学 | 一种基于虚拟边界的动态椭圆限制搜索区域最短路径方法 |
CN113018064A (zh) * | 2021-04-27 | 2021-06-25 | 吴冬梅 | 一种内分泌科用理疗床智能控制方法 |
CN113219975A (zh) * | 2021-05-08 | 2021-08-06 | 珠海市一微半导体有限公司 | 一种路线优化方法、路径规划方法、芯片及机器人 |
CN113219975B (zh) * | 2021-05-08 | 2024-04-05 | 珠海一微半导体股份有限公司 | 一种路线优化方法、路径规划方法、芯片及机器人 |
CN113237488A (zh) * | 2021-05-14 | 2021-08-10 | 徕兄健康科技(威海)有限责任公司 | 一种基于双目视觉和寻路缘技术的导航系统及导航方法 |
CN113837189A (zh) * | 2021-08-12 | 2021-12-24 | 湖南匡楚科技有限公司 | 一种单位车辆智能管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105929843B (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105929843A (zh) | 一种基于改进蚁群算法的机器人路径规划方法 | |
CN106225788B (zh) | 基于路径拓展蚁群算法的机器人路径规划方法 | |
CN109116841A (zh) | 一种基于蚁群算法的路径规划平滑优化方法 | |
CN108775902A (zh) | 基于障碍物虚拟膨胀的伴随机器人路径规划方法及系统 | |
CN108981704A (zh) | 一种基于动态步长的目标引力双向rrt路径规划方法 | |
CN108037758A (zh) | 一种基于改进afsa的移动机器人路径规划方法 | |
CN104548598A (zh) | 一种虚拟现实场景中寻路的方法 | |
CN108180914A (zh) | 一种基于蚁群改进和尖峰平滑的移动机器人路径规划方法 | |
CN108444490B (zh) | 基于可视图和a*算法深度融合的机器人路径规划方法 | |
CN104535960B (zh) | 一种基于rfid的室内快速定位方法 | |
CN102901500A (zh) | 基于概率a星与智能体混合的飞行器最优路径确定方法 | |
CN109974737A (zh) | 基于安全疏散标志和强化学习结合的路径规划方法及系统 | |
CN103529843A (zh) | Lambda*路径规划算法 | |
CN110333659A (zh) | 一种基于改进a星搜索的无人驾驶汽车局部路径规划方法 | |
CN105808852A (zh) | 一种基于元胞自动机的室内行人微观仿真方法 | |
CN106931970A (zh) | 一种动态环境中机器人安全自主规划导航方法 | |
CN104008417A (zh) | 建立高层建筑人员疏散生物荧光粒子群优化算法模型方法 | |
CN105678401A (zh) | 一种基于策略适应性差分进化的全局优化方法 | |
CN105228159A (zh) | 基于网格化及改进粒子群算法的无线传感网覆盖增强算法 | |
CN107066663A (zh) | 一种基于满应力约束准则的桁架结构非概率可靠性拓扑优化方法 | |
CN110012009A (zh) | 基于决策树和自相似模型结合的物联网入侵检测方法 | |
CN102722570B (zh) | 一种面向地理空间优化的人工免疫智能优化系统 | |
Zhou et al. | A chaotic parallel artificial fish swarm algorithm for water quality monitoring sensor networks 3D coverage optimization | |
Wang et al. | Study on deep reinforcement learning-based multi-objective path planning algorithm for inter-well connected-channels | |
CN116772846A (zh) | 一种无人机航迹规划方法、装置、设备及介质 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181113 |
|
CF01 | Termination of patent right due to non-payment of annual fee |