CN108803614A - 一种无人驾驶机器人路径规划系统 - Google Patents

Abstract

一种无人驾驶机器人路径规划系统，包括环境感知模块、路径规划模块、路径优化模块、路径控制模块和行驶监测模块，所述环境感知模块用于对无人驾驶机器人行驶的周围环境信息进行实时采集，所述路径规划模块采用遗传算法对无人驾驶机器人的行驶路径进行全局路径，所述路径优化模块用于对规划所得的全局路径进行优化，所述路径控制模块用于控制无人驾驶机器人沿着规划好的行驶路径进行行驶，所述行驶监测模块用于在无人驾驶机器人行驶的过程中偏离规划好的行驶路径时进行报警。本发明有益效果为：提供一种无人驾驶机器人路径规划系统，采用改进的遗传算法和势场法对无人驾驶的机器人进行有效的路径规划，可以提高无人驾驶机器人避障的精确度。

Description

一种无人驾驶机器人路径规划系统

技术领域

本发明创造涉及机器人领域，具体涉及一种无人驾驶机器人路径规划系统。

背景技术

随着机械、电子、计算机、自动控制、信息技术及人工智能等学科理论与技术的发展，机器人的研究与应用领域日益广发，而越来越智能化的机器人也不断涌现。如今，机器人在灾害救护、军事作战、航天探测、深海作业、医疗护理、生活服务等领域发展出了新的需求与新的市场。近几年来，无人驾驶机器人的研究获得了全球大量的关注度，无人驾驶机器人实际是一种智能轮式移动机器人，主要依靠车内装载的以计算机系统为主的智能驾驶设备来实现无人驾驶。机器人路径规划是智能机器人研究领域的一个重要分支，路径规划是根据优化策略找到从起始点到目标点并能避开障碍物的最优路径，好的路径规划方法可以节约大量的时间，减少机器人的损失，节约人力资源，减少资金投入，为无人驾驶机器人在工业中的应用内打下良好的基础。

针对上述问题，本发明提供一种无人驾驶机器人路径规划系统，采用改进的遗传算法和势场法对无人驾驶的机器人进行有效的路径规划，可以提高无人驾驶机器人避障的精确度，加快路径规划，满足实际应用的需求。

发明内容

针对上述问题，本发明旨在提供一种无人驾驶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：

一种无人驾驶机器人路径规划系统，包括环境感知模块、路径规划模块、路径优化模块、路径控制模块和行驶监测模块，所述环境感知模块用于对无人驾驶机器人行驶的环境信息进行实时采集，并采用栅格法建立无人驾驶机器人的行驶空间模型，所述路径规划模块采用遗传算法对无人驾驶机器人的行驶路径进行全局路径，所述路径优化模块采用改进的人工势场法对路径规划模块规划所得的全局路径进行优化，所述路径控制模块用于控制机器人沿着路径规划模块和路径优化模块规划好的行驶路径进行行驶，所述行驶监测模块用于在无人驾驶机器人行驶的过程中偏离规划好的行驶路径时进行报警。

本发明创造的有益效果：本系统提供一种无人驾驶机器人路径规划系统，采用改进的遗传算法和势场法对无人驾驶的机器人进行有效的路径规划，可以提高无人驾驶机器人避障的精确度，加快路径规划，满足实际应用的需求。

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：

环境感知模块1；路径规划模块2；路径优化模块3；路经控制模块4；行驶监测模块5。

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，本实施例的一种无人驾驶机器人路径规划系统，包括环境感知模块1、路径规划模块2、路径优化模块3、路径控制模块4和行驶监测模块5，所述环境感知模块1用于对无人驾驶机器人行驶的环境信息进行实时采集，并采用栅格法建立无人驾驶机器人的行驶空间模型，所述路径规划模块2采用遗传算法对无人驾驶机器人的行驶路径进行全局路径，所述路径优化模块3采用改进的人工势场法对路径规划模块规划所得的全局路径进行优化，所述路径控制模块4用于控制机器人沿着路径规划模块和路径优化模块规划好的行驶路径进行行驶，所述行驶监测模块5用于在无人驾驶机器人行驶的过程中偏离规划好的行驶路径时进行报警。

本优选实施例提供一种无人驾驶机器人路径规划系统，采用改进的遗传算法和势场法对无人驾驶的机器人进行有效的路径规划，可以提高无人驾驶机器人避障的精确度，加快路径规划，满足实际应用的需求。

优选地，所述路径规划模块2采用遗传算法对无人驾驶机器人的行驶路径进行全局路径，对传统遗传算法中的适应度函数进行改进，具体为：

式中，ω_d和w_z为权重因子，l(s_i)为节点s_i和节点s_i-1之间的路径长度，K为路径中的节点总数，z(s_i)为节点s_i和节点s_i-1之间路径距离最近障碍物的距离，q是障碍物和路径之间的安全距离，γ是系数。

本优选实施例在适应度函数的设计中，综合考虑了路径的长度因素和与障碍物之间的距离关系，使得选取的全局路径具有距离最短并且无碰撞的优点。

优选地，路径优化模块3采用改进的人工势场法对路径规划模块规划所得的全局路径进行优化，定义U_total为总势场，U_att为引力场，U_rep为斥力场，F_total为合力，F_att为引力，F_rep为斥力，则采用的人工势场表示如下：

U_total＝U_att+U_rep

F_total＝F_att+F_rep

人工势场中的引力场函数U_att的计算公式为：

U_att＝μ₁||q_goal(t)-q(t)||^m+μ₂||v_goal(t)-v(t)||ⁿ

根据引力场函数构建的引力函数为：

F_att＝A₁mu₁||q_goal(t)-q(t)||^m-1+A₂nu₂||v_goal(t)-v(t)||^n-1

式中，||q_goal(t)-q(t)||表示t时刻机器人和目标点之间的欧几里得距离，||v_goal(t)-v(t)||表示t时刻机器人和目标点之间的相对速度，μ₁和μ₂表示正比例因子，m和n是正常数，A₁是从机器人指向目标点的单位向量，A₂是机器人和目标点的相对速度的单位向量。

本优选实施例在人工势场的引力函数中既引入了机器人和目标点之间的位置信息，又考虑了机器人和目标点之间的相对速度，使得无人驾驶机器人能够避免陷入局部最小的问题，从而到达目标点。

优选地，所述路径优化模块3采用改进的人工势场法对路径规划模块规划所得的全局路径进行优化，对人工势场法中的斥力场函数进行改进，

式中，η₁和η₂是斥力增益系数，t(X_r，X_obs)是机器人和障碍物的碰撞时间， v是机器人和障碍物之间的相对速度，θ是机器人和障碍物之间的碰撞角，θ_m是机器人和障碍物之间的避碰角，t₀是机器人的感知范围，ρ₀是斥力场的影响半径，ρ(X_r，X_obs)是机器人与障碍物之间的最小距离，ρ(X_r，X_goal)是机器人与目标点之间的距离，n是正常数。

本优选实施例对人工势场法中的斥力场函数进行改进，综合考虑了机器人和障碍物之间的最小距离和碰撞时间，有效的提高了机器人在行驶过程中的避障能量，同时避免了机器人容易陷入局部最小的问题，从而使得机器人能够到达目标点。

优选地，根据改进的斥力场函数构建新的斥力公式为：

式中，ρ(X_r，X_obs)是机器人与障碍物之间的最小距离，ρ(X_r，X_goal)是机器人与目标点之间的距离，n是正常数，η₁和η₂是斥力增益系数，t(X_r，X_obs)是机器人和障碍物的碰撞时间，v是机器人和障碍物之间的相对速度，θ是机器人和障碍物之间的碰撞角，θ_m是机器人和障碍物之间的避碰角，t₀是机器人的感知范围，ρ₀是斥力场的影响半径，B₁是从障碍物指向机器人的单位向量，B₂是从机器人指向目标点的单位向量，B₃是从障碍物指向机器人的单位向量。

本优选实施例根据改进的斥力场函数对斥力公式进行改进，综合考虑了机器人和障碍物之间的相对位置、相对速度以及机器人和目标点之间的位置关系，使得机器人在行驶过程中能够有效的进行避障行为，又能到达目标点，避免了陷入局部最小的问题。

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)

1.一种无人驾驶机器人路径规划系统，其特征是，包括环境感知模块、路径规划模块、路径优化模块、路径控制模块和行驶监测模块，所述环境感知模块用于对无人驾驶机器人行驶的周围环境信息进行实时采集，并采用栅格法建立无人驾驶机器人的行驶空间模型，所述路径规划模块采用遗传算法对无人驾驶机器人的行驶路径进行全局路径，所述路径优化模块采用改进的人工势场法对路径规划模块规划所得的全局路径进行优化，所述路径控制模块用于控制无人驾驶机器人沿着路径规划模块和路径优化模块规划好的行驶路径进行行驶，所述行驶监测模块用于在无人驾驶机器人行驶的过程中偏离规划好的行驶路径时进行报警。

2.根据权利要求1所述的一种无人驾驶机器人路径规划系统，其特征是，所述路径规划模块采用遗传算法对无人驾驶机器人的行驶路径进行全局路径，对传统遗传算法中的适应度函数进行改进，具体为：

式中，ω_d和w_z为权重因子，l(s_i)为节点s_i和节点s_i-1之间的路径长度，K为路径中的节点总数，z(s_i)为节点s_i和节点s_i-1之间路径距离最近障碍物的距离，q是障碍物和路径之间的安全距离，γ是系数。

3.根据权利要求2所述的一种无人驾驶机器人路径规划系统，其特征是，路径优化模块采用改进的人工势场法对路径规划模块规划所得的全局路径进行优化，定义U_total为总势场，U_att为引力场，U_rep为斥力场，F_total为合力，F_att为引力，F_rep为斥力，则采用的人工势场表示如下：

U_total＝U_att+U_rep

F_total＝F_att+F_rep

人工势场中的引力场函数U_att的计算公式为：

U_att＝μ₁||q_goal(t)-q(t)||^m+μ₂||v_goal(t)-v(t)||ⁿ

根据引力场函数构建的引力函数为：

F_att＝A₁mu₁||q_goal(t)-q(t)||^m-1+A₂nu₂||v_goal(t)-v(t)||^n-1

式中，||q_goal(t)-q(t)||表示t时刻机器人和目标点之间的欧几里得距离，||v_goal(t)-v(t)||表示t时刻机器人和目标点之间的相对速度，μ₁和μ₂表示引力增益系数，m和n是正常数，A₁是从机器人指向目标点的单位向量，A₂是机器人和目标点的相对速度的单位向量。

4.根据权利要求3所述的一种无人驾驶机器人路径规划系统，其特征是，所述路径优化模块采用改进的人工势场法对路径规划模块规划所得的全局路径进行优化，对人工势场法中的斥力场函数进行改进，

式中，η₁和η₂是斥力增益系数，t(X_r，X_obs)是机器人和障碍物的碰撞时间， v是机器人和障碍物之间的相对速度，θ是机器人和障碍物之间的碰撞角，θ_m是机器人和障碍物之间的避碰角，t₀是机器人的感知范围，ρ₀是斥力场的影响半径，ρ(X_r，X_obs)是机器人与障碍物之间的最小距离，ρ(X_r，X_goal)是机器人与目标点之间的距离，n是正常数。

5.根据权利要求4所述的一种无人驾驶机器人路径规划系统，其特征是，根据改进的斥力场函数构建新的斥力公式为：

式中，ρ(X_r，X_obs)是机器人与障碍物之间的最小距离，ρ(X_r，X_goal)是机器人与目标点之间的距离，n是正常数，η₁和η₂是斥力增益系数，t(X_r，X_obs)是机器人和障碍物的碰撞时间，v是机器人和障碍物之间的相对速度，θ是机器人和障碍物之间的碰撞角，θ_m是机器人和障碍物之间的避碰角，t₀是机器人的感知范围，ρ₀是斥力场的影响半径，B₁是从障碍物指向机器人的单位向量，B₂是从机器人指向目标点的单位向量，B₃是从障碍物指向机器人的单位向量。