CN106500704A - 一种基于改进遗传算法的机器人路径规划方法 - Google Patents

一种基于改进遗传算法的机器人路径规划方法 Download PDF

Info

Publication number
CN106500704A
CN106500704A CN201611260906.2A CN201611260906A CN106500704A CN 106500704 A CN106500704 A CN 106500704A CN 201611260906 A CN201611260906 A CN 201611260906A CN 106500704 A CN106500704 A CN 106500704A
Authority
CN
China
Prior art keywords
path
optimal path
robot
individuality
calculated
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.)
Pending
Application number
CN201611260906.2A
Other languages
English (en)
Inventor
陶明
程敏
赵伟
许春山
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.)
Yijiahe Technology Co Ltd
Original Assignee
Yijiahe Technology Co Ltd
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 Yijiahe Technology Co Ltd filed Critical Yijiahe Technology Co Ltd
Priority to CN201611260906.2A priority Critical patent/CN106500704A/zh
Publication of CN106500704A publication Critical patent/CN106500704A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/041—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a variable is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Manipulator (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供一种基于改进遗传算法的机器人路径规划方法，当存在最优路径时，机器人根据最优路径执行巡检任务，否则根据近似最优路径执行任务，同时，本发明计算出任意两个巡检点之间的最短路径，然后将该最短路径作为遗传算法的基础数据，计算出下次机器人做巡检任务的最优路径，这样不断的迭代，使机器人规划的路径越来越智能，以最大程度上提高系统的可靠性与导航精度。由于路径规划采用特殊优化过的遗传算法，所以，随着时间的推移，机器人巡检次数的增多，规划出的路径会变得越来越优。

Description

一种基于改进遗传算法的机器人路径规划方法
技术领域
本发明属于机器人路径规划技术领域，涉及一种机器人路径规划方法，尤其涉及一种基于改进遗传算法的机器人路径规划方法。
背景技术
随着工业化的发展，机器人的应用领域在不断拓宽，机器人已经大量应用到电力行业，代替人工进行线路巡检。实现有效的多移动机器人自主式运行，考虑到安全、有效的应用目标，实现自主路径规划、协作运行、合作完成任务等已经成为移动机器人发展的方向。近年来许多路径规划的方法被人们所研究。主要的路径规划的方法可以分为两类——人工智能的方法和人工势场法。前者主要运用的方法有遗传算法、模糊逻辑控制和人工神经网络。人工势场法简单、方便、规划路径比较平滑、便于实时控制，但在全局路径规划上存在局限性，会出现震荡、停滞的现象；栅格法简单、灵活，但在环境复杂时，效率不高；遗传算法和神经网络算法，算法本身都比较复杂，实时性稍差，但都属于全局算法。通常的遗传算法并不能完全解决获得最优巡检路径问题，巡检机器人在执行巡检任务时，规划的巡检路径不能够按照最优路径巡检，从而增加了巡检时间，导致巡检机器人执行效率低下，需要设计一种新的路径规划算法，从根本上解决巡检机器人最优巡检路径计算问题。
发明内容
为解决现有技术存在的问题，本发明提供一种基于改进遗传算法的机器人路径规划方法，采用特殊优化过的遗传算法，随着时间的推移，机器人巡检次数的增多，规划出的路径会变得越来越优。
本发明提供的基于改进遗传算法的机器人路径规划方法，包括以下步骤：
(1)采集所有巡检点NODE，并记录下所有巡检点的位置坐标，将需要的巡检路径连线，并记录下所有的巡检路径EDGE；
(2)根据所有巡检点NODE以及巡检路径EDGE，计算出任意两个巡检点的最短路径；
(3)机器人接收到一个新的巡检任务指令，首先搜索最优路径数据库DB，该最优路径数据库DB中记录所有已经通过遗传算法求出的最优路径，如果此次任务路径存在于最优路径数据库DB，直接取最优路径数据库DB中的最优路径，输出最优路径；如果不存在，则计算出近似最优路径L，输出该近似最优路径L，同时执行下一步；
(4)将此次巡检的所有巡检点作为遗传算法的初始群体，步骤(2)中计算出的任意两个巡检点的最短路径作为遗传算法的基础数据，计算初始群体的每个个体的适应值，并判断初始群体的个体中是否存在到达预设的最大适应值阈值的个体，如果存在，则输出最优路径并记录进最优路径数据库DB；否则进入下一步；
(5)根据每个个体的适应值计算出被选择的概率，其中选择概率最大的个体进行自我复制，将得到的新个体添加到新群体中；同时在群体中随机选择两个个体执行交叉，得到两个新的个体添加到新群体中；选择一个个体和个体变异点进行变异得到新的个体添加到新群体中；
(6)计算新群体的每个个体的适应值，并判断新群体的个体中是否存在到达预设的最大适应值阈值的个体，如果存在，则输出最优路径并记录进最优路径数据库DB，否则返回步骤(5)。
优选地，所述步骤(2)中，采用Floyd-Warshall算法计算出任意两个巡检点的最短路径。
优选地，所述步骤(3)中，采用贪心算法计算出近似最优路径L，步骤(2)中计算出的任意两个巡检点的最短路径作为贪心算法的基础数据。
为解决现有巡检机器人不能实时规划最优路径，本发明采用在机器人系统初始化时，采用floyd-warshall算法求出任意两个巡检点之间的最短路径；然后将该算法的解作为遗传算法的基础数据，计算出下次机器人做巡检任务的最优路径，这样不断的迭代，使机器人规划的路径越来越智能，以最大程度上提高系统的可靠性与导航精度。由于路径规划采用特殊优化过的遗传算法，所以，随着时间的推移，机器人巡检次数的增多，规划出的路径会变得越来越优。
附图说明
图1为本发明流程图。
具体实施方式
本发明提供的机器人路径规划方法，采集了所有巡检点NODE，并记录下所有巡检点的位置坐标，将需要的巡检路径连线，并记录下所有的巡检路径EDGE；根据所有巡检点NODE以及巡检路径EDGE计算出任意两个巡检点的最短路径，本发明采用Floyd-Warshall算法求出任意两个巡检点之间的近似最优路径。
floyd-Warshall算法用来找出每对点之间的最短距离，通过考虑最佳子路径来得到最佳路径。其伪代码如下：
本发明还具有一个最优路径数据库DB，该最优路径数据库DB中记录所有已经通过遗传算法求出的最优路径，并不断被更新。当机器人接收到一个新的巡检任务指令时，首先搜索最优路径数据库DB，如果此次任务路径存在于最优路径数据库DB中，直接去最优路径数据库DB中的最优路径作为机器人的实际巡检路径，机器人根据该最优路径执行巡检任务。如果此时的最优路径数据库DB中不存在这样的最优路径，则计算出近似最优路径L，机器人根据近似最优路径L执行巡检任务。近似最优路径L可以通过多种算法计算得到，经过大量实验发现，贪心算法无论是在效率上还是结果上都具有很好的效果，本发明优先采用贪心算法计算出计算出近似最优路径L，Floyd-Warshall算法计算出任意两个巡检点的最短路径作为贪心算法的基础数据。
本发明在最优路径数据库DB具有本次巡检任务路径的最优路径的情况下，机器人按照最优路径巡检，当不存在最优路径时，计算出近似最优路径L并照此路径执行巡检任务。同时，本发明不断更新最优路径数据库DB，在机器人按照近似最优路径L执行巡检任务的情况下，为了机器人下一次执行任务时可以根据最优路径执行任务，本发明采用遗传算法更新最优路径数据库DB，如图1所示，具体包括以下步骤：
(1)将此次巡检的所有巡检点作为遗传算法的初始群体，Floyd-Warshall算法计算出任意两个巡检点的最短路径作为遗传算法的基础数据，一般作为计算染色体的适应性的基础数据，计算初始群体的每个个体的适应值，并判断初始群体的个体中是否存在到达预设的最大适应值阈值的个体，最大适应值阈值根据效率高和结果最优的原则选择合适的数值，如果存在，则输出最优路径并记录进最优路径数据库DB；否则进入下一步；
(2)根据每个个体的适应值计算出被选择的概率，其中选择概率最大的个体进行自我复制，将得到的新个体添加到新群体中；同时在群体中随机选择两个个体执行交叉，得到两个新的个体添加到新群体中；选择一个个体和个体变异点进行变异得到新的个体添加到新群体中；
(3)计算新群体的每个个体的适应值，并判断新群体的个体中是否存在到达预设的最大适应值阈值的个体，如果存在，则输出最优路径并记录进最优路径数据库DB，否则返回步骤(2)。
由于使用改进的遗传算法，使得机器人能够随着时间的推移，越来越智能地规划出去往巡检点的路径，以最大程度上提高系统的可靠性与导航精度。

Claims (3)

1.一种基于改进遗传算法的机器人路径规划方法，其特征在于，包括以下步骤：
(1)采集所有巡检点NODE，并记录下所有巡检点的位置坐标，将需要的巡检路径连线，并记录下所有的巡检路径EDGE；
(2)根据所有巡检点NODE以及巡检路径EDGE，计算出任意两个巡检点的最短路径；
(3)机器人接收到一个新的巡检任务指令，首先搜索最优路径数据库DB，该最优路径数据库DB中记录所有已经通过遗传算法求出的最优路径，如果此次任务路径存在于最优路径数据库DB，直接取最优路径数据库DB中的最优路径，输出最优路径；如果不存在，则计算出近似最优路径L，输出该近似最优路径L，同时执行下一步；
(4)将此次巡检的所有巡检点作为遗传算法的初始群体，步骤(2)中计算出的任意两个巡检点的最短路径作为遗传算法的基础数据，计算初始群体的每个个体的适应值，并判断初始群体的个体中是否存在到达预设的最大适应值阈值的个体，如果存在，则输出最优路径并记录进最优路径数据库DB；否则进入下一步；
(5)根据每个个体的适应值计算出被选择的概率，其中选择概率最大的个体进行自我复制，将得到的新个体添加到新群体中；同时在群体中随机选择两个个体执行交叉，得到两个新的个体添加到新群体中；选择一个个体和个体变异点进行变异得到新的个体添加到新群体中；
(6)计算新群体的每个个体的适应值，并判断新群体的个体中是否存在到达预设的最大适应值阈值的个体，如果存在，则输出最优路径并记录进最优路径数据库DB，否则返回步骤(5)。
2.如权利要求1所述的基于改进遗传算法的机器人路径规划方法，其特征在于，所述步骤(2)中，采用Floyd-Warshall算法计算出任意两个巡检点的最短路径。
3.如权利要求1所述的基于改进遗传算法的机器人路径规划方法，其特征在于，所述步骤(3)中，采用贪心算法计算出近似最优路径L，步骤(2)中计算出的任意两个巡检点的最短路径作为贪心算法的基础数据。
CN201611260906.2A 2016-12-30 2016-12-30 一种基于改进遗传算法的机器人路径规划方法 Pending CN106500704A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611260906.2A CN106500704A (zh) 2016-12-30 2016-12-30 一种基于改进遗传算法的机器人路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611260906.2A CN106500704A (zh) 2016-12-30 2016-12-30 一种基于改进遗传算法的机器人路径规划方法

Publications (1)

Publication Number Publication Date
CN106500704A true CN106500704A (zh) 2017-03-15

Family

ID=58333650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611260906.2A Pending CN106500704A (zh) 2016-12-30 2016-12-30 一种基于改进遗传算法的机器人路径规划方法

Country Status (1)

Country Link
CN (1) CN106500704A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109240290A (zh) * 2018-09-04 2019-01-18 南京理工大学 一种电力巡检机器人返航路径确定方法
CN109375625A (zh) * 2018-11-12 2019-02-22 智慧航海（青岛）科技有限公司 一种基于快速搜索遗传算法的智能船舶路径规划方法
CN109459052A (zh) * 2018-12-28 2019-03-12 上海大学 一种扫地机全覆盖路径规划方法
CN109500813A (zh) * 2018-11-29 2019-03-22 亿嘉和科技股份有限公司 一种电站巡检机器人的红外快速巡检方法
CN110162041A (zh) * 2019-05-14 2019-08-23 江苏师范大学 一种基于自适应遗传算法的机器人路径规划方法
CN110633850A (zh) * 2019-09-11 2019-12-31 中电科新型智慧城市研究院有限公司 一种面向出行时间可靠性的最优路径规划算法
CN111064121A (zh) * 2019-12-30 2020-04-24 国网山东省电力公司淄博供电公司 输电线路巡视系统及方法
CN113110503A (zh) * 2021-05-12 2021-07-13 深圳市千乘机器人有限公司 一种基于移动机器人的多检测目标最短路径计算方法
CN113888769A (zh) * 2021-09-29 2022-01-04 杭州海康威视系统技术有限公司 一种巡检方法、装置及电子设备
CN114636424A (zh) * 2019-02-21 2022-06-17 国网浙江平湖市供电有限公司 基于可穿戴设备的变电站巡检路径规划方法
CN117592633A (zh) * 2024-01-18 2024-02-23 深圳金智凌轩视讯技术有限公司 一种智慧巡检优化方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102169347A (zh) * 2011-03-08 2011-08-31 浙江工业大学 基于协作协进化和多种群遗传算法的多机器人路径规划系统
CN104516350A (zh) * 2013-09-26 2015-04-15 沈阳工业大学 一种复杂环境中的移动机器人路径规划方法
CN105527965A (zh) * 2016-01-04 2016-04-27 江苏理工学院 基于遗传蚁群算法的路径规划方法及系统
CN106156888A (zh) * 2016-06-30 2016-11-23 广东电网有限责任公司电力科学研究院 一种巡检机器人的巡检路径规划方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102169347A (zh) * 2011-03-08 2011-08-31 浙江工业大学 基于协作协进化和多种群遗传算法的多机器人路径规划系统
CN104516350A (zh) * 2013-09-26 2015-04-15 沈阳工业大学 一种复杂环境中的移动机器人路径规划方法
CN105527965A (zh) * 2016-01-04 2016-04-27 江苏理工学院 基于遗传蚁群算法的路径规划方法及系统
CN106156888A (zh) * 2016-06-30 2016-11-23 广东电网有限责任公司电力科学研究院 一种巡检机器人的巡检路径规划方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
韩建妙 等: "基于遗传算法的超市最短导购路径推荐", 《计算机工程与应用》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109240290A (zh) * 2018-09-04 2019-01-18 南京理工大学 一种电力巡检机器人返航路径确定方法
CN109240290B (zh) * 2018-09-04 2021-09-03 南京理工大学 一种电力巡检机器人返航路径确定方法
CN109375625A (zh) * 2018-11-12 2019-02-22 智慧航海（青岛）科技有限公司 一种基于快速搜索遗传算法的智能船舶路径规划方法
CN109500813A (zh) * 2018-11-29 2019-03-22 亿嘉和科技股份有限公司 一种电站巡检机器人的红外快速巡检方法
CN109459052A (zh) * 2018-12-28 2019-03-12 上海大学 一种扫地机全覆盖路径规划方法
CN114636424A (zh) * 2019-02-21 2022-06-17 国网浙江平湖市供电有限公司 基于可穿戴设备的变电站巡检路径规划方法
CN114636424B (zh) * 2019-02-21 2024-04-19 国网浙江省电力有限公司平湖市供电公司 基于可穿戴设备的变电站巡检路径规划方法
CN110162041A (zh) * 2019-05-14 2019-08-23 江苏师范大学 一种基于自适应遗传算法的机器人路径规划方法
CN110633850A (zh) * 2019-09-11 2019-12-31 中电科新型智慧城市研究院有限公司 一种面向出行时间可靠性的最优路径规划算法
CN111064121A (zh) * 2019-12-30 2020-04-24 国网山东省电力公司淄博供电公司 输电线路巡视系统及方法
CN113110503A (zh) * 2021-05-12 2021-07-13 深圳市千乘机器人有限公司 一种基于移动机器人的多检测目标最短路径计算方法
CN113888769A (zh) * 2021-09-29 2022-01-04 杭州海康威视系统技术有限公司 一种巡检方法、装置及电子设备
CN113888769B (zh) * 2021-09-29 2023-11-24 杭州海康威视系统技术有限公司 一种巡检方法、装置及电子设备
CN117592633A (zh) * 2024-01-18 2024-02-23 深圳金智凌轩视讯技术有限公司 一种智慧巡检优化方法
CN117592633B (zh) * 2024-01-18 2024-03-26 深圳金智凌轩视讯技术有限公司 一种智慧巡检优化方法

Similar Documents

Publication Publication Date Title
CN106500704A (zh) 一种基于改进遗传算法的机器人路径规划方法
CN110428111B (zh) Uav/ugv协同长时多任务作业轨迹规划方法
CN110110943B (zh) 一种基于大数据的船队能效综合智能优化管理系统和优化方法
Sedighizadeh et al. Particle swarm optimization methods, taxonomy and applications
CN108036790B (zh) 一种障碍环境下基于蚁蜂算法的机器人路径规划方法及系统
CN105426970A (zh) 一种基于离散动态贝叶斯网络的气象威胁评估方法
CN102830446B (zh) 一种可预测气象数据的智能气象站系统
Bacanin et al. RFID network planning by ABC algorithm hybridized with heuristic for initial number and locations of readers
CN115167408A (zh) 一种基于光伏电站的巡检路线规划系统
CN109211242A (zh) 一种融合rrt与蚁群算法的三维空间多目标路径规划方法
CN118092290A (zh) 基于路径规划的多种植车辆协同控制系统
CN118411415B (zh) 基于鲸鱼算法与集成学习的移动机器人重定位方法和装置
Wang et al. Efficient mobile robot exploration with Gaussian Markov random fields in 3D environments
CN111861397A (zh) 一种针对客户探访的智能排班平台
CN114757610B (zh) 一种基于动态时空知识图谱的生产物流资源分配方法
Kumar et al. Design and development of IOT based intelligent agriculture management system in greenhouse environment
CN115062826A (zh) 一种作业匹配方法及农机
CN115316172A (zh) 一种基于植保无人机的纳米农药施药方法及系统
CN112414406A (zh) 一种基于无人机的大气监测最优路径航迹规划算法
Wang et al. Multistrategy integrated marine predator algorithm applied to 3D surface WSN coverage optimization
CN112836845A (zh) 一种基于神经网络求解时变环境下多目标最短路径的方法
La et al. A Semi-Supervised Method for Smart Irrigation Using Real Data In the Mekong Delta
Wang et al. Federated Learning for Vehicle Trajectory Prediction: Methodology and Benchmark Study
CN114706385B (zh) 纯电动采贝机多机联合工作方法及系统
Feng et al. Multi-Agent Path Finding with Edge-Enhanced Graph Attention Network

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170315