CN108413976A - 一种面向多工况的爬壁机器人智能路径规划方法及系统 - Google Patents
一种面向多工况的爬壁机器人智能路径规划方法及系统 Download PDFInfo
- Publication number
- CN108413976A CN108413976A CN201810061433.6A CN201810061433A CN108413976A CN 108413976 A CN108413976 A CN 108413976A CN 201810061433 A CN201810061433 A CN 201810061433A CN 108413976 A CN108413976 A CN 108413976A
- Authority
- CN
- China
- Prior art keywords
- path
- climbing robot
- ant
- grid
- algorithm
- 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.)
- Withdrawn
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
- G01C21/26—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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种面向多工况的爬壁机器人智能路径规划方法及系统。在障碍物已知的环境下,通过蚁群算法寻找爬壁机器人的最优路径。首先对环境模型进行预处理,然后将信息素限定策略、目标导向策略和奖惩激励策略融入到蚁群算法中,改进后的算法具有较佳的收敛速度和寻优能力。其次针对爬壁机器人在水平面和竖直壁面不同的工作要求,分别提出速度控制策略和基于最少转弯次数的安全策略,将其和改进蚁群算法相融合,形成爬壁机器人在多工况的路径规划方法。最后基于C++设计了爬壁机器人路径规划系统。本发明的路径规划方法及系统在改进蚁群算法的基础上,实现了爬壁机器人在不同工况下的路径规划,具有理论价值和实际意义。
Description
技术领域
本发明属于人工智能技术领域,具体涉及一种面向多工况的爬壁机器人智能路径规划方法及系统。
背景技术
爬壁机器人作为一种重要的、具有特定工作用途的机器人,已经被广泛应用在石化工业、消防部门、建筑业、核工业等领域。由于其工作环境中分布着大小不同、形状不同的障碍物,爬壁机器人并不能直接到达既定目标点开展工作,需要事先进行环境分析和路径规划。这样,它就可以绕开障碍物,平稳安全并且迅速地到达目标位置,完成其工作任务。
路径规划定义如下:对机器人的环境进行描述,然后规划两个特定位置之间的路径,该路径必须无碰撞并满足某些优化条件(最小距离或最小迭代数)。传统的路径规划算法主要有可视图法、自由空间法、栅格法和人工势场法等,但是其存在灵活性差、复杂环境建模困难的问题,不能很好的适用于机器人的路径规划。近年来,各种智能算法在机器人路径规划领域的应用日益广泛,其中主要的智能路径规划算法包括遗传算法、模糊逻辑算法、粒子群优化算法、神经网络算法和蚁群算法等。考虑到爬壁机器人的路径规划的要求和对其工作空间的适应性,本发明采用蚁群算法进行路径规划。
蚁群算法是受到蚂蚁觅食行为的启发而产生的。蚂蚁在初始阶段会随机移动,信息素会随着蚂蚁的移动在地面上堆积。信息素是一种可以刺激某一个体对另一同种个体的行为产生自然行为反应的化学物质。后续的蚂蚁将根据从起点到终点的所有可能路径上存在的信息素量来选择路径。路径越短,该路径信息素累积越多,信息素强度越大。反之,信息素强度越小。后续的蚂蚁更有可能选择具有较高信息素强度的路径,然后这些蚂蚁将继续通过释放信息素来强化较短的路径,使之被选择的概率更大,最终蚂蚁会找到一条从起点到终点的最优路径。蚁群算法在解决组合优化问题上具有众多优势,但也存在不可避免的弊端:收敛速度慢,易陷入局部最优。这也是在机器人路径规划方面急需解决的问题。
发明内容
基于以上问题,本发明提出一种改进的蚁群算法,并将其应用于爬壁机器人在水平面和竖直壁面上的路径规划中。
本发明的技术方案:
一种面向多工况的爬壁机器人智能路径规划方法,是基于改进蚁群算法的路径规划,包括以下步骤:
(1)利用栅格法对地图环境进行建模,包括设置起点栅格、目标栅格和障碍物栅格,并对地图环境模型进行预处理;
环境建模具体为:爬壁机器人的工作空间是现实的物理空间,而路径规划算法处理的对象是地图环境的抽象空间,称之为地图环境模型;地图环境建模就是实现爬壁机器人的物理空间到路径规划算法处理的抽象空间的映射,以便于计算机进行存储和处理;应用栅格法并依据图论的思想建立地图环境模型,假定爬壁机器人的工作空间中环境信息已知,即障碍物的位置、大小以及爬壁机器人的起始位置、目标位置等都是已知的;栅格法把爬壁机器人的工作空间模拟为二维空间,并把该空间分成大小相同的栅格,使爬壁机器人在地图环境模型中自由移动;
地图环境模型预处理具体为:在利用蚁群算法进行爬壁机器人路径规划时,如遇到复杂的地图环境模型,当环境中存在凹形障碍物区域时,蚂蚁会被困在凹形障碍物区域中,陷入停滞或增加收敛时间;为了解决这个问题,在进行环境初始化时,对凹形障碍物区域进行预处理,把所有凹形障碍物区域改变成凸形障碍物区域,避免由于地图环境模型问题使蚂蚁出现停滞的现象;
(2)设置蚁群算法基本参数,初始化基本参数,并利用信息素限定策略完成信息素的初始化;
信息素限定策略具体为:在蚁群算法中,当最优解附近的信息素较浓时,蚂蚁的搜索行为会集中到最优解附近,整体提高解的质量并且加快解的收敛,从而改善算法的性能;但是这样会使算法发生早熟,使所有的蚂蚁都集中在某段轨迹内,致使算法处于停滞状态,难以得到更好的解;通过借鉴“最大最小蚂蚁系统”,设置信息素τij的上限τmax和下限τmin,进而限制信息素的阈值,并将信息素轨迹的初始值设置为τmax,使得对于所有的τij(t)∈[τmin,τmax],保证信息素在合理范围内变化,提高了蚁群的搜索范围;
(3)运用目标导向策略,设置能见度函数;
目标导向策略具体为:蚁群算法的能见度函数为相邻栅格距离的倒数,但由于所建地图环境模型的栅格大小相同,当前节点和可选节点的距离只有两种情况,所以能见度函数值相差并不大,蚁群搜索具有盲目性;借鉴最佳优先搜索算法BFS提出目标导向策略,构造适用于栅格环境模型的能见度函数;最佳优先搜索算法是一种启发式搜索算法,使用启发估价函数对将要被遍历到的点进行估价,估价标准为可选节点到目标节点的距离,然后选择代价小的进行遍历,直到找到目标节点;由此构造的能见度函数为可选节点到目标节点的距离的倒数,使蚂蚁寻路时选择离目标最近的节点,这样不但能使蚂蚁以较大的概率靠近目标,而且提高了收敛速度;
(4)初始化每只蚂蚁的爬行路线、爬行路线长度和禁忌表,并使蚂蚁处在起点栅格处;
(5)迭代开始,每只蚂蚁根据状态转移概率Pk ij选择下一路径点;每次循环之后,记录本次循环的最短路径、最短路径的长度和所有蚂蚁所走路径的平均长度;
(6)当所有蚂蚁完成一次路径搜索后,对每只蚂蚁走过的路径按照奖惩激励策略更新信息素;
奖惩激励策略具体为:借鉴自然界中“适者生存”原则提出应用于蚁群寻优的奖惩激励策略;每次循环结束后,在对每条路径进行全局更新的基础上,对最优路径和最差路径给予额外的局部更新;局部更新具体指的是,增加当次迭代最优路径上的信息素量,减少当次迭代最差路径上的信息素量;信息素增加和减少的量与最优路径和最差路径的长度有关;
(7)禁忌表清零,进行下一次循环;
(8)重复执行步骤(4)-步骤(7),直到迭代次数达到最大迭代次数,计算各轮迭代的最优路径长度,得到全局最优路径。
爬壁机器人的路径环境分为两种情况,一种情况是爬壁机器人运行在水平面环境里,另一种情况是爬壁机器人运行在竖直壁面上,具体情况如下:
在水平面,爬壁机器人的吸附机构不起作用,主要利用移动机构进行运动,其路径规划和一般移动机器人的路径规划类似;考虑到爬壁机器人实际工作过程中,水平面上存在道路粗糙度不均匀的问题,机器人运动速度会发生改变,提出速度控制策略,将其与改进蚁群算法相结合,实现爬壁机器人在水平面的路径规划;
速度控制策略具体为:为栅格地图上的每一个栅格赋予权值qz,qz的取值范围为(0,1),数值大小代表栅格的可通行度,数值越大,此栅格的可通行度越大;若qz=0,则为障碍栅格,爬壁机器人不能通过;若qz=1,则为完全自由栅格,爬壁机器人的移动速度可达到最大值;若0<qz<1,机器人的移动速度会受到相应的限制;实现过程为:爬壁机器人按照设计寻找最优路径,在寻找到的每一条路径上,对遇到的每个栅格点进行识别,通过读取每个栅格点的权值数据,动态改变其移动速度,即可计算出相应路径上的爬壁机器人移动时间。
在竖直壁面上,爬壁机器人主要有直线运动和转向运动。从运动学角度分析,在满足吸附力要求条件下,直线运动比转向运动更安全;因为当爬壁机器人进行转向运动时,有两种可能发生的危险情况:一种从壁面上滑落下来;另一种由于扭转力矩太大而造成吸附装置的旋转;实际运动中,应考虑避免下滑和避免扭转两个因素;同时,移动机构转向消耗是爬壁机器人的关键性能指标,其在转向过程中消耗的能量为E=∫t(Ms×Ωs)dt,Ms为转向力矩,Ωs为移动机构瞬间转向的角速度,Ms为移动机构移动的距离,t为时间;从提高安全性和减少能量消耗的角度考虑,提出基于最少转弯次数的安全策略,与改进的蚁群算法相结合,实现爬壁机器人在竖直壁面的路径规划;
基于最少转弯次数的安全策略具体为:每轮迭代完成后,比较每条路径长度和路径中机器人的转弯次数,选择长度最短的路径作为当次迭代的最优路径,如果路径长度相同,则选择转弯次数较少的路径作为当次迭代的最优路径。
一种面向多工况的爬壁机器人智能路径规划系统,包括参数输入模块、环境建模模块、路径搜索模块和运行结果模块;
所述的参数输入模块,通过手动输入相关参数实现;
所述的环境建模模块在可视化界面中,包括环境建模按钮、设置障碍按钮和清除障碍按钮;环境建模按钮可以新建不同大小的栅格环境,设置障碍按钮可以通过在地图中点击鼠标左键设置障碍物,清除障碍按钮可以通过点击鼠标左键清除障碍物;
所述的路径搜索模块包括起始点按钮、目标点按钮和搜索路径按钮;起始点按钮可以在地图中设置路径起始点,目标点按钮可以在地图中设置路径目标点,搜索路径按钮可以通过鼠标点击自动完成路径搜寻;
所述的运行结果模块包括收敛曲线和运行信息;收敛曲线在路径搜索完成之后可以显示出来,运行信息包括经过的栅格数量、路径长度和算法用时在搜索完成显示在界面左下角。
本发明的有益效果:本发明提出一种面向多工况的爬壁机器人智能路径规划方法及系统,所述方法针对传统蚁群算法中收敛速度较慢、易陷入局部最优解的问题,引入环境预处理法、信息素限定策略、目标导向策略、奖惩激励策略来对基本蚁群算法进行改进,提高算法的收敛速度和寻优能力。然后结合爬壁机器人在水平面和竖直壁面的工作要求,分别提出速度控制策略和基于最少转弯次数的安全策略,将其和改进蚁群算法相融合,形成爬壁机器人在多工况的路径规划方法。最后基于C++设计了爬壁机器人路径规划系统。本发明实现了爬壁机器人在不同工况下的路径规划,具有理论价值和实际意义。
附图说明
图1(a)是本发明的路径规划方法流程示意图;图1(b)是本发明环境建模示意图。
图2是本发明的环境预处理法的示例图;图2(a)是处理之前的环境模型,图2(b)是处理之后的环境模型。
图3是爬壁机器人在水平面的最优路径图;图3(a)是基本蚁群算法,图3(b)是改进蚁群算法。
图4是爬壁机器人在竖直壁面的最优路径图;图4(a)是基本蚁群算法,图4(b)是改进蚁群算法。
图5是爬壁机器人在水平面的最优路径和平均路径的收敛曲线图;图5(a)是基本蚁群算法,图5(b)是改进蚁群算法。
图6是爬壁机器人在竖直壁面的最优路径和平均路径的收敛曲线图;图6(a)是基本蚁群算法,图6(b)是改进蚁群算法。
图7是爬壁机器人在水平面的各数据结果柱状图。
图8是爬壁机器人在竖直壁面的各数据结果柱状图。
图9是爬壁机器人的路径规划系统界面。
具体实施方式
以下结合附图和技术方案,进一步说明本发明的具体实施方式。
图1(a)给出了本发明的路径规划方法流程,图1(b)给出了本发明环境建模示意图。如图1所示,一种面向多工况的爬壁机器人智能路径规划方法,首先进行环境建模和初始化,然后进行路径搜索,若是水平面,则增加速度控制策略,若是竖直壁面,则增加基于最少转弯次数的安全策略,在每一轮迭代完成后,进行信息素的更新,从而得到最优路径。以下详细描述爬壁机器人在水平面和竖直壁面两种工作环境下路径规划的具体步骤。
爬壁机器人在水平面的路径规划步骤:
(1)利用栅格法对地图环境进行建模,包括设置起点栅格S、目标栅格E、障碍物栅格,本实施例的栅格地图大小为20×20,S=1、E=400,并对环境模型进行预处理,即对特殊障碍物区域进行处理,把所有凹形障碍物改变成凸形障碍物,避免由于模型问题使蚂蚁出现停滞的现象,如图2(a)和图2(b)。图2(a)为存在凹形障碍物的栅格环境,经过处理之后变为图2(b)。接着,为栅格地图上的每一个栅格点赋予表征通过性的权值系数,实现机器人在水平面的速度控制。
(2)设置蚁群算法基本参数,如最大迭代次数N,蚂蚁数量M,信息启发因子α,期望启发因子β,信息素挥发系数ρ,信息素增加强度常数Q,并进行信息素初始化,具体原则为:信息素轨迹的初始值设置为τmax;并设置信息素τij的上限τmax和下限τmin,使得对于所有的τij(t)∈[τmin,τmax]。在本实施例中,N=100,M=50,α=1,β=7,Q=10,ρ=0.5,τmax=30,τmin=0.001。
(3)运用目标导向策略,设置能见度函数ηij,具体公式为:
ηij=1/djE
式中:djE表示可选栅格j到目标栅格E的距离,xj和yj分别是栅格j的横坐标和纵坐标,xE和yE分别是栅格E的横坐标和纵坐标。
(4)初始化每只蚂蚁的爬行路线、爬行路线长度和禁忌表,ROUTES为每一代的每一只蚂蚁的爬行路线,PL为每一代的每一只蚂蚁的爬行路线长度,然后将M只蚂蚁放置在出发点S。
(5)迭代开始,每只蚂蚁都从起点栅格出发,进行路径搜索,选择转移概率最大的栅格作为下一目标栅格,位于栅格i的蚂蚁k按照概率Pk ij(t)选择下一个栅格j。
式中:Pk ij(t)为蚂蚁k从节点i到节点j的转移概率;allowedk={1,2,...n-1}为蚂蚁k下一步允许选择的城市;[τij]α为节点i和j之间的信息素轨迹强度,α为信息素启发因子;[nij]β为节点i和j之间的启发式信息,β为能见度因子;为所有可能路径上的信息素强度和启发式信息强度的乘积之和。从上式可以看出,与路径相关的信息素强度和启发式信息强度越大,蚂蚁选择该路径的可能性越大。
每次循环之后,求出本次循环的最短路线、最短路径的长度和本次循环中所有蚂蚁所走路径的平均长度。
(6)当所有蚂蚁完成一次路径搜索后,对每只蚂蚁走过的路径按照奖惩激励策略更新信息素。具体步骤如下:每次循环结束之后,在对路径进行全局更新的基础上,额外增加局部最优路径上的信息素量,减少局部最差路径上的信息素量。其更新规则由下式给出。
式中:τij(t+n)为(t+n)时刻路径(i,j)上的信息素量;ρ为信息素挥发系数;τij(t)为t时刻路径(i,j)上的信息素量;为本次循环中路径(i,j)上信息素的增量;Δτij k(t,t+n)为第k只蚂蚁在本次循环中在路径上(i,j)释放的信息素量;m为蚂蚁数量;k为蚂蚁代号;τ* ij为最优路径额外的信息素量;τ** ij为最差路径额外的信息素量;Lk为第k只蚂蚁在本次循环中所走过的路径长度;Q为信息素强度;Lbest和Lworst为本次循环中的局部最优路径长度和最差路径长度;δ和ω为本次循环中的局部最优和最差蚂蚁的数量。
(7)禁忌表清零,进行下一次循环;
(8)重复执行步骤(4)-步骤(7),直到迭代次数达到最大迭代次数,计算各轮迭代的最优路径长度,得到全局最优路径。在本实施例中,输出结果如下:最短路径长度Lbest=29.799,最短路径经过的栅格序号MinRoute=1→21→41→62→83→84→105→126→146→167→188→189→210→231→251→271→292→313→334→335→356→377→398→399→400,最短路径上经过的每个点处的速度值V=10-3-10-3-5-6-6-5-1-6-7-3-6-3-6-6-8-6-6-5-9-7-8-3-3(假设初始速度为V=10)。
爬壁机器人在竖直壁面的路径规划步骤:
(1)利用栅格法对地图环境进行建模,包括设置起点栅格S、目标栅格E、障碍物栅格,本实施例的栅格地图大小为20×20,S=1、E=400,并对环境模型进行预处理。
(2)设置蚁群算法基本参数,如最大迭代次数N,蚂蚁数量M,信息启发因子α,期望启发因子β,信息素挥发系数ρ,信息素增加强度常数Q,并进行信息素初始化,具体原则为:信息素轨迹的初始值设置为τmax;并设置信息素τij的上限τmax和下限τmin,使得对于所有的τij(t)∈[τmin,τmax]。在本实施例中,N=100,M=50,α=1,β=5,Q=10,ρ=0.5,τmax=30,τmin=0.001。
(3)运用目标导向策略,设置能见度函数ηij,具体公式为:
ηij=1/djE
式中:djE表示可选栅格j到目标栅格E的距离,xj和yj分别是栅格j的横坐标和纵坐标,xE和yE分别是栅格E的横坐标和纵坐标。
(4)初始化每只蚂蚁的爬行路线、爬行路线长度和禁忌表,ROUTES为每一代的每一只蚂蚁的爬行路线,PL为每一代的每一只蚂蚁的爬行路线长度,然后将M只蚂蚁放置在出发点S。
(5)迭代开始,每只蚂蚁都从起点栅格出发,进行路径搜索,选择转移概率最大的栅格作为下一目标栅格,位于栅格i的蚂蚁k按照概率Pk ij(t)选择下一个栅格j。
式中:Pk ij(t)为蚂蚁k从节点i到节点j的转移概率;allowedk={1,2,...n-1}为蚂蚁k下一步允许选择的城市;[τij]α为节点i和j之间的信息素轨迹强度,α为信息素启发因子;[nij]β为节点i和j之间的启发式信息,β为能见度因子;为所有可能路径上的信息素强度和启发式信息强度的乘积之和。从上式可以看出,与路径相关的信息素强度和启发式信息强度越大,蚂蚁选择该路径的可能性越大。
每次循环之后,基于最少转弯次数的安全策略选取当代最优路径。爬壁机器人在壁面上的转弯次数直接影响其运动的安全性和能量消耗。本发明定义一个参数量C来表征爬壁机器人转弯次数。在进行爬壁机器人路径规划的时候,需要同时考虑路径长度L和转弯次数C。即每轮迭代完成后,比较每条路径长度和路径中的转弯次数,选择长度最短的路径作为当次迭代的最优路径,如果路径长度相同,则选择转弯次数较少的路径作为当次迭代的最优路径。在本实施例中,相比于基本蚁群算法,基于改进蚁群算法的爬壁机器人的最优路径的长度更短,转弯次数更少,机器人运动更安全,如图4。
(6)当所有蚂蚁完成一次路径搜索后,对每只蚂蚁走过的路径按照奖惩激励策略更新信息素。具体步骤如下:每次循环结束之后,在对路径进行全局更新的基础上,额外增加局部最优路径上的信息素量,减少局部最差路径上的信息素量。其更新规则由下式给出。
式中:τij(t+n)为(t+n)时刻路径(i,j)上的信息素量;ρ为信息素挥发系数;τij(t)为t时刻路径(i,j)上的信息素量;为本次循环中路径(i,j)上信息素的增量;Δτij k(t,t+n)为第k只蚂蚁在本次循环中在路径上(i,j)释放的信息素量;m为蚂蚁数量;k为蚂蚁代号;τ* ij为最优路径额外的信息素量;τ** ij为最差路径额外的信息素量;Lk为第k只蚂蚁在本次循环中所走过的路径长度;Q为信息素强度;Lbest和Lworst为本次循环中的局部最优路径长度和最差路径长度;δ和ω为本次循环中的局部最优和最差蚂蚁的数量。
(7)禁忌表清零,进行下一次循环;
(8)重复执行步骤(4)-步骤(7),直到迭代次数达到最大迭代次数,计算各轮迭代的最优路径长度,得到全局最优路径。在本实施例中,输出结果如下:最短路径长度Lbest=29.213,最短路径经过的栅格序号MinRoute=1→22→42→62→83→104→125→146→147→168→169→170→191→212→233→254→255→276→297→318→339→360→380→400。
通过matlab仿真实验,对基于改进蚁群算法的路径规划方法与基于基本蚁群算法的路径规划方法,从算法收敛时间、算法最优解和算法用时方面进行比较,仿真结果分别如图3-图8所示。图3是爬壁机器人在水平面的最优路径图,图3(a)是基本蚁群算法,图3(b)是改进蚁群算法。图4是爬壁机器人在竖直壁面的最优路径图,图4(a)是基本蚁群算法,图4(b)是改进蚁群算法。由图可见,无论在水平面还是在竖直壁面,基于改进蚁群算法得到的爬壁机器人的最优路径皆优于改进前。图5是爬壁机器人在水平面的收敛曲线图;图5(a)是基本蚁群算法,图5(b)是改进蚁群算法。图6是爬壁机器人在竖直壁面的收敛曲线图;图6(a)是基本蚁群算法,图6(b)是改进蚁群算法。从图中可以看出,无论是在水平面还是在竖直壁面,改进后的蚁群算法的收敛曲线更平稳且迅速趋于稳定,具有收敛速度快、稳定性高的特点,进一步证明了改进后的蚁群算法优于基本蚁群算法。图7是爬壁机器人在水平面的工作环境中各数据(改进前后收敛代数、最优路径的长度、算法用时)结果柱状图;图8是爬壁机器人在竖直壁面的工作环境中各数据(改进前后收敛代数、最优路径的长度、算法用时)结果柱状图;从图中可以看出,改进的蚁群算法在算法用时和收敛速度方面的优势尤为突出,仿真实验达到了预期效果。以上仿真实验表明,改进后的蚁群算法在提高算法收敛速度方面拥有良好的表现,可以优化传统的蚁群算法在路径规划问题上的运算效率。
图9给出了爬壁机器人的路径规划系统界面。包括参数输入模块、环境建模模块、路径搜索模块、运行结果模块。具体过程为:通过程序语句输入相关参数,点击“环境建模”按钮,建立不同规模的栅格环境;点击“起始点”、“目标点”按钮,设置爬壁机器人寻径的起点和终点;再点击“设置障碍”按钮,通过鼠标点击的方式在环境中设置障碍物;也可以通过点击“清除障碍”按钮,通过鼠标点击的方式在环境中清除障碍物;点击“搜索路径”按钮,机器人便开始寻找路径,并显示运行结果;点击“收敛曲线”,可以显示最优路径收敛曲线图;点击“退出系统”按钮,便可退出该系统。该系统可解决在多种不同规模、不同复杂度的环境模型下机器人的寻优问题,具有较好的适用性、高效性和准确性。
Claims (1)
1.一种面向多工况的爬壁机器人智能路径规划方法,所用的系统为面向多工况的爬壁机器人智能路径规划系统,包括参数输入模块、环境建模模块、路径搜索模块和运行结果模块;
所述的参数输入模块,通过手动输入相关参数实现;
所述的环境建模模块在可视化界面中,包括环境建模按钮、设置障碍按钮和清除障碍按钮;环境建模按钮可以新建不同大小的栅格环境,设置障碍按钮通过在地图中点击鼠标左键设置障碍物,清除障碍按钮通过点击鼠标左键清除障碍物;
所述的路径搜索模块包括起始点按钮、目标点按钮和搜索路径按钮;起始点按钮可以在地图中设置路径起始点,目标点按钮在地图中设置路径目标点,搜索路径按钮通过鼠标点击自动完成路径搜寻;
所述的运行结果模块包括收敛曲线和运行信息;收敛曲线在路径搜索完成之后显示出来,运行信息包括经过的栅格数量、路径长度和算法用时在搜索完成显示在界面左下角;
面向多工况的爬壁机器人智能路径规划方法是基于改进蚁群算法的路径规划,包括以下步骤:
(1)利用栅格法对地图环境进行建模,包括设置起点栅格、目标栅格和障碍物栅格,并对地图环境模型进行预处理;
环境建模具体为:爬壁机器人的工作空间是现实的物理空间,而路径规划算法处理的对象是地图环境的抽象空间,称之为地图环境模型;地图环境建模就是实现爬壁机器人的物理空间到路径规划算法处理的抽象空间的映射,以便于计算机进行存储和处理;应用栅格法并依据图论的思想建立地图环境模型,假定爬壁机器人的工作空间中环境信息已知,即障碍物的位置、大小以及爬壁机器人的起始位置、目标位置等都是已知的;栅格法把爬壁机器人的工作空间模拟为二维空间,并把该空间分成大小相同的栅格,使爬壁机器人在地图环境模型中自由移动;
地图环境模型预处理具体为:在利用蚁群算法进行爬壁机器人路径规划时,如遇到复杂的地图环境模型,当环境中存在凹形障碍物区域时,蚂蚁会被困在凹形障碍物区域中,陷入停滞或增加收敛时间;为了解决这个问题,在进行环境初始化时,对凹形障碍物区域进行预处理,把所有凹形障碍物区域改变成凸形障碍物区域,避免由于地图环境模型问题使蚂蚁出现停滞的现象;
(2)设置蚁群算法基本参数,初始化基本参数,并利用信息素限定策略完成信息素的初始化;
信息素限定策略具体为:在蚁群算法中,当最优解附近的信息素较浓时,蚂蚁的搜索行为会集中到最优解附近,整体提高解的质量并且加快解的收敛,从而改善算法的性能;但是这样会使算法发生早熟,使所有的蚂蚁都集中在某段轨迹内,致使算法处于停滞状态,难以得到更好的解;通过借鉴“最大最小蚂蚁系统”,设置信息素τij的上限τmax和下限τmin,进而限制信息素的阈值,并将信息素轨迹的初始值设置为τmax,使得对于所有的τij(t)∈[τmin,τmax],保证信息素在合理范围内变化,提高了蚁群的搜索范围;
(3)运用目标导向策略,设置能见度函数;
目标导向策略具体为:蚁群算法的能见度函数为相邻栅格距离的倒数,但由于所建地图环境模型的栅格大小相同,当前节点和可选节点的距离只有两种情况,所以能见度函数值相差并不大,蚁群搜索具有盲目性;借鉴最佳优先搜索算法BFS提出目标导向策略,构造适用于栅格环境模型的能见度函数;最佳优先搜索算法是一种启发式搜索算法,使用启发估价函数对将要被遍历到的点进行估价,估价标准为可选节点到目标节点的距离,然后选择代价小的进行遍历,直到找到目标节点;由此构造的能见度函数为可选节点到目标节点的距离的倒数,使蚂蚁寻路时选择离目标最近的节点,这样不但能使蚂蚁以较大的概率靠近目标,而且提高了收敛速度;
(4)初始化每只蚂蚁的爬行路线、爬行路线长度和禁忌表,并使蚂蚁处在起点栅格处;
(5)迭代开始,每只蚂蚁根据状态转移概率Pk ij选择下一路径点;每次循环之后,记录本次循环的最短路径、最短路径的长度和所有蚂蚁所走路径的平均长度;
(6)当所有蚂蚁完成一次路径搜索后,对每只蚂蚁走过的路径按照奖惩激励策略更新信息素;
奖惩激励策略具体为:借鉴自然界中“适者生存”原则提出应用于蚁群寻优的奖惩激励策略;每次循环结束后,在对每条路径进行全局更新的基础上,对最优路径和最差路径给予额外的局部更新;局部更新具体指的是,增加当次迭代最优路径上的信息素量,减少当次迭代最差路径上的信息素量;信息素增加和减少的量与最优路径和最差路径的长度有关;
(7)禁忌表清零,进行下一次循环;
(8)重复执行步骤(4)‐步骤(7),直到迭代次数达到最大迭代次数,计算各轮迭代的最优路径长度,得到全局最优路径;
爬壁机器人的路径环境分为两种情况,一种情况是爬壁机器人运行在水平面环境里,另一种情况是爬壁机器人运行在竖直壁面上,具体情况如下:
在水平面,爬壁机器人的吸附机构不起作用,主要利用移动机构进行运动,其路径规划和一般移动机器人的路径规划类似;考虑到爬壁机器人实际工作过程中,水平面上存在道路粗糙度不均匀的问题,机器人运动速度会发生改变,提出速度控制策略,将其与改进蚁群算法相结合,实现爬壁机器人在水平面的路径规划;
速度控制策略具体为:为栅格地图上的每一个栅格赋予权值qz,qz的取值范围为(0,1),数值大小代表栅格的可通行度,数值越大,此栅格的可通行度越大;若qz=0,则为障碍栅格,爬壁机器人不能通过;若qz=1,则为完全自由栅格,爬壁机器人的移动速度可达到最大值;若0<qz<1,机器人的移动速度会受到相应的限制;实现过程为:爬壁机器人按照设计寻找最优路径,在寻找到的每一条路径上,对遇到的每个栅格点进行识别,通过读取每个栅格点的权值数据,动态改变其移动速度,即可计算出相应路径上的爬壁机器人移动时间;
在竖直壁面上,爬壁机器人主要有直线运动和转向运动;从运动学角度分析,在满足吸附力要求条件下,直线运动比转向运动更安全;因为当爬壁机器人进行转向运动时,有两种可能发生的危险情况:一种从壁面上滑落下来;另一种由于扭转力矩太大而造成吸附装置的旋转;实际运动中,应考虑避免下滑和避免扭转两个因素;同时,移动机构转向消耗是爬壁机器人的关键性能指标,其在转向过程中消耗的能量为E=∫t(Ms×Ωs)dt,Ms为转向力矩,Ωs为移动机构瞬间转向的角速度,Ms为移动机构移动的距离,t为时间;从提高安全性和减少能量消耗的角度考虑,提出基于最少转弯次数的安全策略,与改进的蚁群算法相结合,实现爬壁机器人在竖直壁面的路径规划;
基于最少转弯次数的安全策略具体为:每轮迭代完成后,比较每条路径长度和路径中机器人的转弯次数,选择长度最短的路径作为当次迭代的最优路径,如果路径长度相同,则选择转弯次数较少的路径作为当次迭代的最优路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810061433.6A CN108413976A (zh) | 2018-01-23 | 2018-01-23 | 一种面向多工况的爬壁机器人智能路径规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810061433.6A CN108413976A (zh) | 2018-01-23 | 2018-01-23 | 一种面向多工况的爬壁机器人智能路径规划方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108413976A true CN108413976A (zh) | 2018-08-17 |
Family
ID=63126063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810061433.6A Withdrawn CN108413976A (zh) | 2018-01-23 | 2018-01-23 | 一种面向多工况的爬壁机器人智能路径规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108413976A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109164810A (zh) * | 2018-09-28 | 2019-01-08 | 昆明理工大学 | 一种基于蚁群-聚类算法的机器人自适应动态路径规划方法 |
CN110856934A (zh) * | 2018-08-24 | 2020-03-03 | 西门子股份公司 | 规划使用机器人系统抬起重物的运动的方法 |
CN111413978A (zh) * | 2020-04-03 | 2020-07-14 | 王犇 | 一种用于攀附机器人的遍历路径规划方法 |
CN111595341A (zh) * | 2020-04-26 | 2020-08-28 | 北京图创时代科技有限公司 | 一种用于广域多地形开放或封闭场所路径分析的规划算法 |
CN112114584A (zh) * | 2020-08-14 | 2020-12-22 | 天津理工大学 | 一种球形两栖机器人的全局路径规划方法 |
CN112183710A (zh) * | 2020-10-22 | 2021-01-05 | 中国联合网络通信集团有限公司 | 确定路径的方法及装置 |
CN112306097A (zh) * | 2020-10-29 | 2021-02-02 | 杭州电子科技大学 | 一种新型无人机路径规划方法 |
CN112764413A (zh) * | 2019-10-22 | 2021-05-07 | 广州中国科学院先进技术研究所 | 一种机器人路径规划方法 |
CN112882478A (zh) * | 2021-01-28 | 2021-06-01 | 武汉工程大学 | 一种储罐巡检方法和系统 |
CN112923940A (zh) * | 2021-01-11 | 2021-06-08 | 珠海格力电器股份有限公司 | 路径规划方法、装置、处理设备、移动设备及存储介质 |
CN113313674A (zh) * | 2021-05-12 | 2021-08-27 | 华南理工大学 | 一种基于虚拟数据平面的船体除锈方法 |
CN113515124A (zh) * | 2021-07-04 | 2021-10-19 | 河南工业大学 | 一种适用于移动机器人路径规划技术的融合模糊控制的改进蚁群算法 |
CN113778090A (zh) * | 2021-09-13 | 2021-12-10 | 上海电机学院 | 基于蚁群优化和prm算法的移动机器人路径规划方法 |
CN114020045A (zh) * | 2021-10-25 | 2022-02-08 | 南京航空航天大学 | 一种基于改进蚁群算法的无人机航迹规划方法 |
CN114089668A (zh) * | 2021-11-22 | 2022-02-25 | 大连理工大学 | 一种集成式移动机器人分布式控制方法 |
CN114296451A (zh) * | 2021-12-15 | 2022-04-08 | 珠海一微半导体股份有限公司 | 基于遗传算法的机器人墙面工作的路径规划方法 |
CN114610030A (zh) * | 2022-03-08 | 2022-06-10 | 山东大学 | 基于组合智能算法的作业调配路径规划方法及系统 |
WO2023130673A1 (zh) * | 2022-01-04 | 2023-07-13 | 北京史河科技有限公司 | 一种爬壁机器人的路径规划方法 |
CN114610030B (zh) * | 2022-03-08 | 2024-05-28 | 山东大学 | 基于组合智能算法的作业调配路径规划方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
-
2018
- 2018-01-23 CN CN201810061433.6A patent/CN108413976A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Non-Patent Citations (5)
Title |
---|
吴明晖: "面向焊接任务的轮足式非接触磁吸附爬壁机器人研究", 《中国优秀博士学位论文全文数据库信息科技辑》 * |
时也: "基于A-Star算法与模糊控制融合的移动机器人路径规划", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
柳长安等: "基于改进蚁群算法的移动机器人动态路径规划方法", 《电子学报》 * |
桂仲成等: "爬壁机器人的轮式移动机构的转向功耗", 《清华大学学报(自然科学版)》 * |
郭玉等: "基于改进蚁群算法的机器人路径规划", 《计算机测量与控制》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110856934A (zh) * | 2018-08-24 | 2020-03-03 | 西门子股份公司 | 规划使用机器人系统抬起重物的运动的方法 |
CN110856934B (zh) * | 2018-08-24 | 2023-05-30 | 西门子股份公司 | 规划使用机器人系统抬起重物的运动的方法 |
US11478930B2 (en) | 2018-08-24 | 2022-10-25 | Siemens Aktiengesellschaft | Simulation assisted planning of motions to lift heavy objects |
CN109164810A (zh) * | 2018-09-28 | 2019-01-08 | 昆明理工大学 | 一种基于蚁群-聚类算法的机器人自适应动态路径规划方法 |
CN109164810B (zh) * | 2018-09-28 | 2021-08-10 | 昆明理工大学 | 一种基于蚁群-聚类算法的机器人自适应动态路径规划方法 |
CN112764413A (zh) * | 2019-10-22 | 2021-05-07 | 广州中国科学院先进技术研究所 | 一种机器人路径规划方法 |
CN112764413B (zh) * | 2019-10-22 | 2024-01-16 | 广州中国科学院先进技术研究所 | 一种机器人路径规划方法 |
CN111413978A (zh) * | 2020-04-03 | 2020-07-14 | 王犇 | 一种用于攀附机器人的遍历路径规划方法 |
CN111413978B (zh) * | 2020-04-03 | 2023-04-28 | 王犇 | 一种用于攀附机器人的遍历路径规划方法 |
CN111595341A (zh) * | 2020-04-26 | 2020-08-28 | 北京图创时代科技有限公司 | 一种用于广域多地形开放或封闭场所路径分析的规划算法 |
CN112114584A (zh) * | 2020-08-14 | 2020-12-22 | 天津理工大学 | 一种球形两栖机器人的全局路径规划方法 |
CN112183710A (zh) * | 2020-10-22 | 2021-01-05 | 中国联合网络通信集团有限公司 | 确定路径的方法及装置 |
CN112183710B (zh) * | 2020-10-22 | 2023-11-24 | 中国联合网络通信集团有限公司 | 确定路径的方法及装置 |
CN112306097A (zh) * | 2020-10-29 | 2021-02-02 | 杭州电子科技大学 | 一种新型无人机路径规划方法 |
CN112923940A (zh) * | 2021-01-11 | 2021-06-08 | 珠海格力电器股份有限公司 | 路径规划方法、装置、处理设备、移动设备及存储介质 |
CN112882478A (zh) * | 2021-01-28 | 2021-06-01 | 武汉工程大学 | 一种储罐巡检方法和系统 |
CN112882478B (zh) * | 2021-01-28 | 2022-12-09 | 武汉工程大学 | 一种储罐巡检方法和系统 |
CN113313674A (zh) * | 2021-05-12 | 2021-08-27 | 华南理工大学 | 一种基于虚拟数据平面的船体除锈方法 |
CN113515124A (zh) * | 2021-07-04 | 2021-10-19 | 河南工业大学 | 一种适用于移动机器人路径规划技术的融合模糊控制的改进蚁群算法 |
CN113778090A (zh) * | 2021-09-13 | 2021-12-10 | 上海电机学院 | 基于蚁群优化和prm算法的移动机器人路径规划方法 |
CN114020045A (zh) * | 2021-10-25 | 2022-02-08 | 南京航空航天大学 | 一种基于改进蚁群算法的无人机航迹规划方法 |
CN114020045B (zh) * | 2021-10-25 | 2023-09-26 | 南京航空航天大学 | 一种基于改进蚁群算法的无人机航迹规划方法 |
CN114089668A (zh) * | 2021-11-22 | 2022-02-25 | 大连理工大学 | 一种集成式移动机器人分布式控制方法 |
CN114089668B (zh) * | 2021-11-22 | 2023-11-07 | 大连理工大学 | 一种集成式移动机器人分布式控制方法 |
CN114296451A (zh) * | 2021-12-15 | 2022-04-08 | 珠海一微半导体股份有限公司 | 基于遗传算法的机器人墙面工作的路径规划方法 |
WO2023130673A1 (zh) * | 2022-01-04 | 2023-07-13 | 北京史河科技有限公司 | 一种爬壁机器人的路径规划方法 |
CN114610030A (zh) * | 2022-03-08 | 2022-06-10 | 山东大学 | 基于组合智能算法的作业调配路径规划方法及系统 |
CN114610030B (zh) * | 2022-03-08 | 2024-05-28 | 山东大学 | 基于组合智能算法的作业调配路径规划方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108413976A (zh) | 一种面向多工况的爬壁机器人智能路径规划方法及系统 | |
CN102854880B (zh) | 面向混合地形区域不确定环境的机器人全局路径规划方法 | |
CN110887484B (zh) | 基于改进遗传算法的移动机器人路径规划方法及存储介质 | |
CN105717929B (zh) | 一种多分辨率障碍物环境下移动机器人混合路径规划方法 | |
CN106843235B (zh) | 一种面向无人自行车的人工势场路径规划法 | |
CN106225788B (zh) | 基于路径拓展蚁群算法的机器人路径规划方法 | |
CN110196061A (zh) | 基于改进蚁群算法的移动机器人全局路径规划方法 | |
CN106444755B (zh) | 基于改进遗传算法的移动机器人路径规划方法 | |
CN106873599A (zh) | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 | |
CN110345960B (zh) | 一种规避交通障碍的路线规划智能优化方法 | |
Chen et al. | Path planning and control of soccer robot based on genetic algorithm | |
CN106650991A (zh) | 基于模拟退火蚁群算法的路径规划 | |
CN108801266A (zh) | 一种多无人机对不确定环境搜索的航迹规划方法 | |
CN112650229A (zh) | 一种基于改进蚁群算法的移动机器人路径规划方法 | |
CN107293115A (zh) | 一种用于微观仿真的交通流量预测方法 | |
CN112114584A (zh) | 一种球形两栖机器人的全局路径规划方法 | |
CN111664852A (zh) | 一种无人机路径规划方法及装置 | |
CN111784079A (zh) | 一种基于人工势场和蚁群算法的无人机路径规划方法 | |
CN110045738A (zh) | 基于蚁群算法和Maklink图的机器人路径规划方法 | |
Liu et al. | An improved heuristic mechanism ant colony optimization algorithm for solving path planning | |
CN114167865B (zh) | 一种基于对抗生成网络与蚁群算法的机器人路径规划方法 | |
CN111553509B (zh) | 针对地质环境风险的轨道交通选线评估及成本优化方法 | |
CN114706400A (zh) | 一种越野环境下基于改进的a*算法的路径规划方法 | |
Bai et al. | Design and Simulation of a Collision-free Path Planning Algorithm for Mobile Robots Based on Improved Ant Colony Optimization. | |
CN108445894A (zh) | 一种考虑无人艇运动性能的二次路径规划方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180817 |