CN107490959A - 一种有效的机器人路径规划系统 - Google Patents
一种有效的机器人路径规划系统 Download PDFInfo
- Publication number
- CN107490959A CN107490959A CN201710687659.2A CN201710687659A CN107490959A CN 107490959 A CN107490959 A CN 107490959A CN 201710687659 A CN201710687659 A CN 201710687659A CN 107490959 A CN107490959 A CN 107490959A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- path
- mtd
- 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
Classifications
-
- 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
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
- Manipulator (AREA)
Abstract
一种有效的机器人路径规划系统,其特征是,包括环境建模单元、路径寻找单元和最优路径输出单元,所述环境建模单元用于对机器人的工作环境进行建模以建立坐标系,所述路径寻找单元采用改进的遗传算法选取机器人移动的最优路径,所述最优路径输出单元用于输出路径优化单元选取的最优路径。本发明的有益效果为:利用基本遗传算法来实现机器人的路径规划,在基本遗传算法的基础上进行改进,对遗传操作中的交叉和变异操作提出新的自适应调整方式,使得算法的交叉率和变异率随着算法的进化而自适应变化,提高了算法的寻优效率,克服了遗传算法容易陷入局部最优的缺点。
Description
技术领域
本发明创造涉及机器人智能算法领域,具体涉及一种有效的机器人路径规划系统。
背景技术
随着计算机网络技术、自动化技术、人工智能技术等飞快地发展,移动机器人的相关研究也步入了新的阶段,对于移动机器人相关技术的研究中,其中一个非常重要的方面便是路径规划的问题,通过对路径规划的不断深入研究,使得移动机器人更好地应用于各个方面,真正融入人们的日常生活,对人类社会的进步和科学技术的发展做出更好的贡献。本发明在对基本遗传算法研究的基础上,通过对其改进并将改进后的遗传算法应用到机器人路径规划中,有效的提高了算法的寻优概率和收敛速度。
发明内容
针对上述问题,本发明旨在提供一种有效的机器人路径规划系统。
本发明创造的目的通过以下技术方案实现:
一种有效的机器人路径规划系统,包括环境建模单元、路径寻找单元和最优路径输出单元,所述环境建模单元用于对机器人的工作环境进行建模以建立坐标系,所述路径寻找单元采用改进的遗传算法寻找机器人移动的最优路径,所述最优路径输出单元用于输出最终确定的机器人移动的最优路径。
本发明创造的有益效果:本系统利用基本遗传算法来实现机器人的路径规划,在基本遗传算法的基础上进行改进,对遗传操作中的交叉和变异操作提出新的自适应调整方式,使得算法的交叉率和变异率随着算法的进化而自适应变化,提高了算法的寻优效率,克服了遗传算法容易陷入局部最优的缺点。
附图说明
利用附图对发明创造作进一步说明,但附图中的实施例不构成对本发明创造的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明结构示意图;
附图标记:
环境建模单元1;路径寻找单元2;最优路径输出单元3。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1,本实施例的一种有效的机器人路径规划系统,包括环境建模单元1、路径寻找2和最优路径输出单元3,所述环境建模单元1用于对机器人的工作环境进行建模以建立坐标系,所述路径寻找单元2采用改进的遗传算法选取机器人移动的最优路径,所述最优路径输出单元3用于输出最终确定的机器人移动的最优路径。
优选地,所述环境建模单元1利用机器人自带传感器组采集工作环境信息,并采用栅格法对机器人工作环境进行建模。
优选地,所述路径寻找单元2采用改进的遗传算法确定机器人移动的最优路径,其采用可变长度的染色体编码方式,使用随机指导式搜索策略生成初始种群。
本优选实施例利用基本遗传算法来实现机器人的路径规划,在基本遗传算法的基础上进行改进,对遗传操作中的交叉和变异操作提出新的自适应调整方式,使得算法的交叉率和变异率随着算法的进化而自适应变化,提高了算法的寻优效率,克服了遗传算法容易陷入局部最优的缺点。
优选地,所述路径寻找单元2采用改进的遗传算法确定机器人移动的最优路径,对遗传算法中的适应度函数进行改进,具体为:
式中,h为机器人行走的路径总长度,hmax为从起点到终点的最远路径长度,n为个体路径中所包含的栅格的数目,pi和pi+1分别为路径中两个相邻的点,e为机器人移动单位距离的能耗值。
本优选实施例的适应度函数以路径长度最短和能耗最少为依据进行设计,能够获得可靠的低代价路径,提高了遗传算法进行路径规划的安全性。
优选地,所述路径寻找单元2采用改进的遗传算法确定机器人移动的最优路径,其优化设计了遗传算法中的交叉算子和变异算子,具体为:
(1)交叉算子,用于把两个父代个体的部分基因相互交换重组而生成两个新个体的操作,本系统采用一种改进的交叉算子,定义sm为种群的最大适应度值,se为种群的平均适应度值,s′为要交叉的个体的适应度值,则改进的交叉算子pc为:
式中,pc1和pc2为(0,1)区间内的常数值;
(2)变异算子,用于通过随机改变染色体的某些基因来引入新个体,本系统对传统变异算子进行改进,定义si为种群的最小适应度值,sm为种群的最大适应度值,se为种群的平均适应度值,s为要变异的个体的适应度值,则改进的变异算子pm为:
式中,pm1和pm2为区间(0,1)内的常数值。
本优选实施例采用改进的交叉率计算方法,使得随着进化的不断增加,适应度高的个体交叉率变低,使得优良个体的性能结构得到保护,而适应度相对较低的个体交叉率增加,以便能够产生大量的新个体,避免陷入局部最优;采用改进的变异率算法,随着种群的收敛,减小优良个体的变异率并增加交叉个体的变异率,从而促进新个体的产生,有效的防止了算法的早熟收敛。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (5)
1.一种有效的机器人路径规划系统,其特征是,包括环境建模单元、路径寻找单元和最优路径输出单元,所述环境建模单元用于对机器人的工作环境进行建模以建立坐标系,所述路径寻找单元采用改进的遗传算法寻找机器人移动的最优路径,所述最优路径输出单元用于输出最终确定的机器人移动的最优路径。
2.根据权利要求1所述的一种有效的机器人路径规划系统,其特征是,所述环境建模单元利用机器人自带传感器组采集工作环境信息,并采用栅格法对机器人工作环境进行建模。
3.根据权利要求2所述的一种有效的机器人路径规划系统,其特征是,所述路径寻找单元采用改进的遗传算法确定机器人移动的最优路径,其采用可变长度的染色体编码方式,使用随机指导式搜索策略生成初始种群。
4.根据权利要求3所述的一种有效的机器人路径规划系统,其特征是,所述路径寻找单元采用改进的遗传算法确定机器人移动的最优路径,对遗传算法中的适应度函数进行改进,具体为:
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>e</mi>
<mo>)</mo>
</mrow>
<mfrac>
<mi>h</mi>
<msub>
<mi>h</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mfrac>
</mrow>
<mrow>
<mi>h</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msqrt>
</mfrac>
<mo>)</mo>
</mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
式中,h为机器人行走的路径总长度,hmax为从起点到终点的最远路径长度,n为个体路径中所包含的栅格的数目,pi和pi+1分别为路径中两个相邻的点,e为机器人移动单位距离的能耗值。
5.根据权利要求4所述的一种有效的机器人路径规划系统,其特征是,所述路径寻找单元采用改进的遗传算法确定机器人移动的最优路径,其优化设计了遗传算法中的交叉算子和变异算子,具体为:
(1)交叉算子,用于把两个父代个体的部分基因相互交换重组而生成两个新个体的操作,本系统采用一种改进的交叉算子,定义sm为种群最大适应度值,se为种群平均适应度值,s′为要交叉的个体适应度值,则改进的交叉算子pc为:
<mrow>
<msub>
<mi>p</mi>
<mi>c</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>c</mi>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>e</mi>
</msub>
<mo>-</mo>
<msup>
<mi>s</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>m</mi>
</msub>
<mo>-</mo>
<msub>
<mi>s</mi>
<mi>e</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>s</mi>
<mi>m</mi>
</msub>
<mo>-</mo>
<msub>
<mi>s</mi>
<mi>e</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<mi>s</mi>
<mo>&prime;</mo>
</msup>
<mo>&GreaterEqual;</mo>
<msub>
<mi>s</mi>
<mi>e</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>c</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<mi>s</mi>
<mo>&prime;</mo>
</msup>
<mo><</mo>
<msub>
<mi>s</mi>
<mi>e</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
式中,pc1和pc2为(0,1)区间内的常数值;
(2)变异算子,用于通过随机改变染色体的某些基因来引入新个体,本系统对传统变异算子进行改进,定义si为种群的最小适应度值,sm为种群的最大适应度值,se为种群的平均适应度值,s为要变异的个体的适应度值,则改进的变异算子pm为:
<mrow>
<msub>
<mi>p</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>m</mi>
<mn>1</mn>
</mrow>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>s</mi>
<mi>m</mi>
</msub>
<mo>-</mo>
<mi>s</mi>
</mrow>
<mrow>
<msub>
<mi>s</mi>
<mi>m</mi>
</msub>
<mo>-</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</msup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>s</mi>
<mo>&GreaterEqual;</mo>
<msub>
<mi>s</mi>
<mi>e</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>m</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>s</mi>
<mo><</mo>
<msub>
<mi>s</mi>
<mi>e</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
式中,pm1和pm2为区间(0,1)内的常数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710687659.2A CN107490959B (zh) | 2017-08-11 | 2017-08-11 | 一种有效的机器人路径规划系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710687659.2A CN107490959B (zh) | 2017-08-11 | 2017-08-11 | 一种有效的机器人路径规划系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107490959A true CN107490959A (zh) | 2017-12-19 |
CN107490959B CN107490959B (zh) | 2020-12-11 |
Family
ID=60645244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710687659.2A Active CN107490959B (zh) | 2017-08-11 | 2017-08-11 | 一种有效的机器人路径规划系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107490959B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110244712A (zh) * | 2019-05-22 | 2019-09-17 | 南通大学 | 一种多agv系统路径规划方法 |
CN110276499A (zh) * | 2019-06-28 | 2019-09-24 | 青岛立东生态有限公司 | 一种垃圾清运路线优化计算方法 |
CN110332935A (zh) * | 2019-05-22 | 2019-10-15 | 南通大学 | 一种基于改进遗传算法的agv系统路径规划方法 |
CN110398961A (zh) * | 2019-07-09 | 2019-11-01 | 哈尔滨工程大学 | 一种气垫船航迹保持舵桨协同控制与分配方法 |
CN112286211A (zh) * | 2020-12-28 | 2021-01-29 | 上海交大智邦科技有限公司 | 一种不规则布局车间的环境建模及agv路径规划方法 |
CN112381284A (zh) * | 2020-11-11 | 2021-02-19 | 成都信息工程大学 | 一种无人接驳车多站点路径优化的改进遗传算法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005084848A (ja) * | 2003-09-08 | 2005-03-31 | Fujitsu Ltd | 最適化プログラムおよび配送計画プログラム |
CN106327021A (zh) * | 2016-08-31 | 2017-01-11 | 西安艾贝尔科技发展有限公司 | 一种基于在线模型预测的锅炉燃烧优化配风方法 |
CN106453294A (zh) * | 2016-09-30 | 2017-02-22 | 重庆邮电大学 | 基于模糊淘汰机制的小生境技术的安全态势预测方法 |
CN106444755A (zh) * | 2016-09-22 | 2017-02-22 | 江苏理工学院 | 基于改进遗传算法的移动机器人路径规划方法及系统 |
CN106843211A (zh) * | 2017-02-07 | 2017-06-13 | 东华大学 | 一种基于改进遗传算法的移动机器人路径规划方法 |
-
2017
- 2017-08-11 CN CN201710687659.2A patent/CN107490959B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005084848A (ja) * | 2003-09-08 | 2005-03-31 | Fujitsu Ltd | 最適化プログラムおよび配送計画プログラム |
CN106327021A (zh) * | 2016-08-31 | 2017-01-11 | 西安艾贝尔科技发展有限公司 | 一种基于在线模型预测的锅炉燃烧优化配风方法 |
CN106444755A (zh) * | 2016-09-22 | 2017-02-22 | 江苏理工学院 | 基于改进遗传算法的移动机器人路径规划方法及系统 |
CN106453294A (zh) * | 2016-09-30 | 2017-02-22 | 重庆邮电大学 | 基于模糊淘汰机制的小生境技术的安全态势预测方法 |
CN106843211A (zh) * | 2017-02-07 | 2017-06-13 | 东华大学 | 一种基于改进遗传算法的移动机器人路径规划方法 |
Non-Patent Citations (3)
Title |
---|
周巍 等: "基于改进遗传算法的煤矿探测机器人路径规划", 《太原理工大学学报》 * |
周明 等: "《遗传算法原理及应用》", 31 December 1999, 国防工业出版社 * |
李成 等: "基于改进自适应遗传算法的独立微网配置优化的方法", 《浙江电力》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110244712A (zh) * | 2019-05-22 | 2019-09-17 | 南通大学 | 一种多agv系统路径规划方法 |
CN110332935A (zh) * | 2019-05-22 | 2019-10-15 | 南通大学 | 一种基于改进遗传算法的agv系统路径规划方法 |
CN110276499A (zh) * | 2019-06-28 | 2019-09-24 | 青岛立东生态有限公司 | 一种垃圾清运路线优化计算方法 |
CN110398961A (zh) * | 2019-07-09 | 2019-11-01 | 哈尔滨工程大学 | 一种气垫船航迹保持舵桨协同控制与分配方法 |
CN112381284A (zh) * | 2020-11-11 | 2021-02-19 | 成都信息工程大学 | 一种无人接驳车多站点路径优化的改进遗传算法 |
CN112381284B (zh) * | 2020-11-11 | 2023-12-01 | 成都信息工程大学 | 一种无人接驳车多站点路径优化的改进遗传算法 |
CN112286211A (zh) * | 2020-12-28 | 2021-01-29 | 上海交大智邦科技有限公司 | 一种不规则布局车间的环境建模及agv路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107490959B (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107490959A (zh) | 一种有效的机器人路径规划系统 | |
CN101387888B (zh) | 基于二进制量子粒子群算法的移动机器人路径规划方法 | |
CN109945881A (zh) | 一种蚁群算法的移动机器人路径规划方法 | |
CN106444755A (zh) | 基于改进遗传算法的移动机器人路径规划方法及系统 | |
CN103345657A (zh) | 云计算环境下基于遗传和蚁群的任务调度方法 | |
Luo et al. | Solving TSP with shuffled frog-leaping algorithm | |
CN106681334A (zh) | 基于遗传算法的自动搬运小车调度控制方法 | |
CN110275526A (zh) | 一种基于改进遗传算法的移动机器人路径规划方法 | |
CN105589461A (zh) | 一种基于改进蚁群算法的泊车系统路径规划方法 | |
CN102521391B (zh) | 交通路径搜索系统及方法 | |
CN104392283A (zh) | 基于人工鱼群算法的交通路径搜索方法 | |
CN112489464A (zh) | 一种具有位置感知的路口交通信号灯调控方法 | |
CN108413963A (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
CN112947480B (zh) | 一种移动机器人路径规划方法、存储介质及系统 | |
CN106781464A (zh) | 一种道路拥堵情况测试方法 | |
CN109284818A (zh) | 一种基于事故树和遗传算法的爆破振动控制预测方法 | |
CN104503453A (zh) | 基于细菌觅食势场法的移动机器人路径规划方法 | |
CN104181817A (zh) | 一种新型的两轮自平衡电动车系统控制器的设计方法 | |
Wang et al. | Adaptive genetic algorithm enhancements for path planning of mobile robots | |
CN103279796A (zh) | 一种优化遗传算法进化质量的方法 | |
CN104484510B (zh) | 一种新的起重机吊装动作规划方法 | |
CN103426127A (zh) | 一种基于伪杂交禁忌混合遗传算法的城市电网规划方法 | |
CN107396421A (zh) | 一种高效的无线传感器网络路径优化系统 | |
CN106447061B (zh) | 分布式电源定容选址的方法 | |
CN105242669A (zh) | 基于加权平均距离视觉鱼群算法的移动机器人路径规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201127 Address after: 276800 No. 71 Taiyuan Road, Rizhao Economic Development Zone, Shandong Province Applicant after: Chuangze intelligent robot Group Co.,Ltd. Address before: Zengcheng District of Guangdong city in Guangzhou province 510000 Jiedong Zengjiang Bridge Road No. 27 Applicant before: Pan Jinwen |
|
TA01 | Transfer of patent application right |