CN109164810B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109164810B CN109164810B CN201811135858.3A CN201811135858A CN109164810B CN 109164810 B CN109164810 B CN 109164810B CN 201811135858 A CN201811135858 A CN 201811135858A CN 109164810 B CN109164810 B CN 109164810B
- Authority
- CN
- China
- Prior art keywords
- obstacle
- target point
- node
- cluster
- grids
- 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.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000009826 distribution Methods 0.000 claims abstract description 7
- 239000003016 pheromone Substances 0.000 claims description 51
- 241000257303 Hymenoptera Species 0.000 claims description 26
- 238000012216 screening Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000004888 barrier function Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000009827 uniform distribution Methods 0.000 claims description 6
- 208000002177 Cataract Diseases 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000004904 shortening Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
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)
Abstract
本发明涉及一种基于蚁群‑聚类算法的机器人自适应动态路径规划方法,属于机器人智能算法技术领域。本发明利用栅格法环境建模;根据规划实时性要求确定本次动态路径规划的搜索半径上界;移动机器人以当前位置为出发点,采用半径搜索的选择规则确定本次局部动态路径规划的搜索半径值;调用随机轮盘赌方法确定本次动态路径规划的最优局部目标点;调用蚁群算法规划出本次局部优化路径;计算最优局部目标点与预设终点的二范数,若二范数为零,则该最优局部目标点为全局目标点;若二范数不为零,则重复。本发明可以根据障碍分布情况自动选择合适的搜索半径,完成路径的动态规划,有良好的环境适应能力和较好的综合路径优化性能。
Description
技术领域
本发明涉及一种基于蚁群-聚类算法的机器人自适应动态路径规划方法,属于机器人智能算法技术领域。
背景技术
路径规划是指在有障碍物的已知或位置环境下,移动机器人按照一定的性能指标(如距离、时间等),搜索一条从起始位置到目标位置的最优或次优路径。考虑到移动机器人在动态复杂环境下的自主导航在无人驾驶领域有巨大的应用价值,因此动态复杂环境下的路径规划问题的研究,就势在必行。
蚁群算法是通过信息素的累积和更新收敛于最优路径上,具有分布式全局搜索能力,但由于求解初期信息素匮乏,收敛速度慢,而一旦信息素累积到一定程度,就能够收敛到最优解。但是,传统的蚁群算法没有综合考虑在搜索范围有限、实时性要求较高和移动机器人计算能力有限的情况下进行动态路径规划的问题。
发明内容
本发明针对现有技术的不足,提供一种能在实时性要求内,根据障碍物多少进行搜索半径自动调整的自适应搜索半径蚁群动态路径规划方法,本发明可以根据障碍分布情况自动选择合适的搜索半径,完成路径的动态规划,有良好的环境适应能力和较好的综合路径优化性能。
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,具体步骤为:
(1)采用栅格法对机器人的工作环境进行建模:移动机器人在二维平面内的运动区域记为G,以运动区域G左下角为坐标原点、横轴为X轴、纵轴为Y 轴建立直角坐标系,设运动区域G内存在若干个障碍物栅格,障碍物栅格以黑色栅格表示,自由栅格以白色栅格表示,采用序号表示法对栅格进行编码,自由栅格记为0,障碍物栅格记为1,每个栅格的边长记为a,横坐标和纵坐标中的最大栅格数值为MM,栅格总数为e=MM·MM,按照从左到右,从下往上的顺序对栅格依次编码,则编号为i的栅格空间坐标计算公式为:
X:xi=a·(mod(i,MM)-0.5),
Y:yi=a·(MM+0.5-ceil(i/MM)),
其中,a为每个栅格的边长,mod为求余运算,ceil为舍余取整运算;
(2)设计以时间步长为变换指标的动态障碍变化规则,即以移动机器人所规划的次数来触发环境中障碍分布的变化;
(3)初始化量子蚁群,将节点i与节点j间路径的信息素浓度初始化为Etaij(0)=1,i=1,2,3,...,MM j=1,2,3,...,MM,得到信息素矩阵Eta,同时将M 只蚂蚁置于起始节点,e为栅格节点总数,k为迭代次数,初始时设k=0;
(4)对栅格地图G进行对角障碍识别,并生成虚拟障碍;其中生成虚拟障碍的具体方法为:
D(i,j)=Obstacle(i)-Obstacle(j)=-(MM-1)
F_Obstacle=Obstacle(i)+MM
其中,MM为横(纵)坐标的最大栅格数值;障碍栅格节点集合Obstacle, Obstacle(i)、Obstacle(j)分别为障碍栅格节点i和障碍栅格节点j,D(i,j)为障碍栅格节点i和j的差值,F_Obstacle为虚拟障碍;
(5)根据计算能力、寻优时间和寻优距离设计局部搜索半径的选择:依次设计搜索边界确定原则和选择确定原则;其中搜索边界确定原则为填充边界确定原则,选择确定原则为簇类最小选择原则或同簇选大选择原则;
(6)根据规划实时性要求确定本次动态路径规划的搜索半径上界,即移动机器人在一次局部动态路径规划中所允许的最大步数;
(7)移动机器人以当前位置为出发点,采用搜索半径的选择规则确定本次局部动态路径规划的搜索半径值;
(8)采用随机轮盘赌算法确定搜索半径内最优局部目标点:确定局部目标点i,i∈allowed,其中allowed为本次搜索半径内,排除已经走过的栅格后可以到达的所有自由栅格的集合;随后通过加入一个服从均匀分布的随机数rand∈[0,max(Pi)]作比较,筛选出集合中被选择概率Pi≥rand的局部目标点i的集合,最后调入传统轮盘赌算法筛选出最优局部目标点;其中pi为允许的局部目标点i的选择概率,满足
(9)调用蚁群算法,规划出前往最优局部目标点的路径;
(10)计算最优局部目标点与预设终点的二范数,若二范数为零,则该最优局部目标点为全局目标点;若二范数不为零,则重复步骤(6)~(8)至最优局部目标点与预设终点的二范数为零即蚁群到达全局目标点;
(11)当蚁群到达全局目标点,根据栅格信息素浓度调整式进行信息素更新,栅格信息素浓度调整式为
τij(t)=(1-R)·τij(t-1)+Δτij
其中τij(t)为所有蚂蚁在当前t时刻走通路径(i,j)留下的信息素,τij(t-1)为所有蚂蚁在t-1时刻走通路径(i,j)留下的信息素,Δτij为从t-1时刻到t时刻所有蚂蚁走通路径(i,j)增加的信息素,Lk为第k只蚂蚁迭代过程中寻找到的可行路径,Q为第k只蚂蚁在寻优路径上留下的信息素的总和,R为挥发因子;
(12)令k=k+1,并利用当代蚁群的最优路径,根据步骤(11)的栅格信息素浓度调整式进行信息素更新;
(13)循环步骤(3)~步骤(12)至k=K,则迭代终止,筛选出最优解,输出最短距离所在的寻优路径。
所述填充边界确定原则为利用搜索半径能够覆盖的范围中,自由栅格占所覆盖范围总格数的比例来进行判断,令R=1,2,...,n为搜索半径,n为搜索半径最大步长,则填充确定原则中的栅格总数为St=(2R+1)2。
所述步骤(5)簇类最小选择原则为比较在不同搜索半径下所包含的总栅格中,簇类值相等,选择聚类算法之后簇类最小所对应的搜索半径为本次局部搜索半径;同簇选大选择原则为比较在不同搜索半径下所包含的总栅格中,簇类值相等,则选择大的搜索半径为本次局部路径规划搜索半径。
进一步地,所述簇类值的确定方法为:
(1)初始化簇类KC,即KC值为局部搜索半径内障碍栅格总数;
(2)根据邻接矩阵计算出所有障碍栅格坐标,构成障碍栅格坐标集合Obstacle_dat;Obstacle_xi和Obstacle_xj之间的相异度采用它们之间的距离 d(x,y)来表示,使用欧式距离公式计算Obstacle_xi和Obstacle_xj之间的距离构成距离集合,欧式距离公式为:
(3)更新簇类KC时,根据d(x,y)=1,计算出距离集合中d(x,y)=1的个数 p,新的簇类KC为KC=KC-p;
(5)根据聚类准则函数计算E值:
K-means聚类算法使用聚类准则函数来评价聚类性能的好坏,聚类准则函数公式为:
其中,Xi是数据集D中的每个数据对象,δ初始聚类中心总个数;
所述步骤(8)中随机轮盘赌算法的表达式为:
所述步骤(9)中蚁群算法为对M只蚂蚁进行K次迭代,即每次从当前节点依概率转移到最优局部目标点,直至M只蚂蚁中的每一只都到达最优局部目标节点或达到迭代次数;具体步骤为:
a)初始化蚁群参数:初始化蚁群算法的信息素的权重因子α,启发式信息素的权重因子β,信息素挥发因子R;
b)设置最大迭代次数K;
c)初始时起始节点为当前节点,用w表示当前节点;
d)计算当前节点转移到可选节点集合allowed中每一个可选节点的概率,并通过随机轮盘赌算法选择并移动到下一个节点:首先确定局部目标点集i,i∈allowed,allowed为排除已经走过的节点后可以前往的局部目标点集合,随后加入rand∈[0,max(Pi)]做比较,其中rand服从均匀分布,筛选出局部目标点i中被选中概率Pi大于等于rand的局部目标点集合最后调入传统轮盘赌算法筛选出最优局部目标点;在第t次迭代中,蚂蚁从当前节点w转移到下一个节点Z,Z∈allowed的概率其中为t时刻位于w节点的蚂蚁m选择节点Z的概率,α为残留的信息素的权重因子,β为启发式信息素的权重因子;
e)计算新节点与最优局部目标点的二范数,若二范数为零,则该新节点为最优局部目标点;若二范数不为零,则重复步骤d)至新节点与最优局部目标点的二范数为零即蚁群到达最优局部目标点;
f)当蚁群到达最优局部目标点,判断是否达到最大迭代次数K,若达到最大迭代次数K则筛选所有可行解中的最优解即最短距离,输出最短距离所在的寻优路径;若未达到最大迭代次数K则返回步骤c)。
本发明的有益效果:
本发明能够在确保实时性要求的前提下,通过自适应调整搜索半径,使得移动机器人的计算能力始终得到充分的利用,从而进一步缩短路径距离、减少收敛时间,实现对复杂未知环境的有效动态路径规划。
附图说明
图1为本发明的系统流程图;
图2为簇类最小选择确定原则;
图3为簇类选大选择确定原则;
图4为实施例1算法动态路径寻优图;
图5为基本蚁群算法动态路径寻优图;
图6为G1寻优环境栅格图(第一障碍场景);
图7为G2寻优环境栅格图(第二障碍场景);
图8为G3寻优环境栅格图(第三障碍场景);
图9为G4寻优环境栅格图(第四障碍场景);
图10为G5寻优环境栅格图(第五障碍场景)。
具体实施方式
下面结合具体实施方式对本发明作进一步详细说明,但本发明的保护范围并不限于所述内容。
实施例1:如图1所示,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,具体步骤为:
(1)采用栅格法对机器人的工作环境进行建模:移动机器人在二维平面内的运动区域记为G,以运动区域G左下角为坐标原点、横轴为X轴、纵轴为Y 轴建立直角坐标系,设运动区域G内存在若干个障碍物栅格,障碍物栅格以黑色栅格表示,自由栅格以白色栅格表示,采用序号表示法对栅格进行编码,自由栅格记为0,障碍物栅格记为1,每个栅格的边长记为a,横坐标和纵坐标中的最大栅格数值为MM,栅格总数为e=MM·MM,按照从左到右,从下往上的顺序对栅格依次编码,则编号为i的栅格空间坐标计算公式为:
X:xi=a·(mod(i,MM)-0.5),
Y:yi=a·(MM+0.5-ceil(i/MM)),
其中,a为每个栅格的边长,mod为求余运算,ceil为舍余取整运算;
(2)动态障碍变化设置:设计以时间步长为变换指标的动态障碍变化规则,即以移动机器人所规划的次数来触发环境中障碍分布的变化;比如3次动态障碍变化规则为移动机器人的行走次数为3的整数倍时进行障碍场景变化,其他次数时障碍物场景保持不变;因此,当移动机器人在一个变化周期内行走时,该子区域的障碍分布时固定不变的,移动机器人所在子区域外的障碍分布时固定不变的,移动机器人所在子区域外的障碍分布与本次路径规划无关;
(3)初始化量子蚁群,将节点i与节点j间路径的信息素浓度初始化为Etaij(0)=1,i=1,2,3,...,MM j=1,2,3,...,MM,得到信息素矩阵Eta,同时将M 只蚂蚁置于起始节点,e为栅格节点总数,k为迭代次数,初始时设k=0;
(4)对栅格地图G进行对角障碍识别,并生成虚拟障碍;其中生成虚拟障碍的具体方法为:
D(i,j)=Obstacle(i)-Obstacle(j)=-(MM-1)
F_Obstacle=Obstacle(i)+MM
其中,MM为横(纵)坐标的最大栅格数值;障碍栅格节点集合Obstacle, Obstacle(i)、Obstacle(j)分别为障碍栅格节点i和障碍栅格节点j,D(i,j)为障碍栅格节点i和j的差值,F_Obstacle为虚拟障碍;
(5)根据计算能力、寻优时间和寻优距离设计局部搜索半径的选择:依次设计搜索边界确定原则和选择确定原则;其中搜索边界确定原则为填充边界确定原则,选择确定原则为簇类最小选择原则或同簇选大选择原则;
填充边界确定原则为利用搜索半径能够覆盖的范围中,自由栅格占所覆盖范围总格数的比例来进行判断,令R=1,2,...,n为搜索半径,n为搜索半径最大步长,则填充确定原则中的栅格总数为St=(2R+1)2;
簇类最小选择原则为比较在不同搜索半径下所包含的总栅格中,簇类值相等,选择聚类算法之后簇类最小所对应的搜索半径为本次局部搜索半径;同簇选大选择原则为比较在不同搜索半径下所包含的总栅格中,簇类值相等,则选择大的搜索半径为本次局部路径规划搜索半径;
如图2所示,图2中W栅格为机器人的当前位置,由内到外的a矩形所包括的区域为两步搜索半径所覆盖的区域,b矩形所包括的区域为四步搜索半径所覆盖的区域;在填充边界确定原则下,2步搜索半径的总栅格数为25格,簇类数为4;4步为81格,簇类数为3;按照簇类最小选择原则应选择4步搜索半径;
如图3所示,图3中的W栅格为机器人的当前位置,a矩形所包括的区域为两步搜索半径所覆盖的区域,b矩形所包括的区域为四步搜索半径所覆盖的区域;在填充边界确定原则下,2步搜索半径的总栅格数为25格,簇类数为3;4步为81格,簇类数也为3,同簇选大选择原则应选择4步搜索半径;
簇类值的确定方法为:
1)初始化簇类KC,即KC值为局部搜索半径内障碍栅格总数;
2)根据邻接矩阵计算出所有障碍栅格坐标,构成障碍栅格坐标集合Obstacle_data;Obstacle_xi和Obstacle_xj之间的相异度采用它们之间的距离 d(x,y)来表示,使用欧式距离公式计算Obstacle_xi和Obstacle_xj之间的距离构成距离集合,欧式距离公式为:
3)更新簇类KC时,根据d(x,y)=1,计算出距离集合中d(x,y)=1的个数p,新的簇类KC为KC=KC-p;
5)根据聚类准则函数计算E值:
K-means聚类算法使用聚类准则函数来评价聚类性能的好坏,聚类准则函数公式为:
其中,Xi是数据集D中的每个数据对象,δ是初始聚类中心总个数;
(6)根据规划实时性要求确定本次动态路径规划的搜索半径上界,即移动机器人在一次局部动态路径规划中所允许的最大步数;
(7)移动机器人以当前位置为出发点,采用搜索半径的选择规则确定本次局部动态路径规划的搜索半径值;
(8)采用随机轮盘赌算法确定搜索半径内最优局部目标点:确定局部目标点i,i∈allowed,其中allowed为本次搜索半径内,排除已经走过的栅格后可以到达的所有自由栅格的集合;随后通过加入一个服从均匀分布的随机数rand∈[0,max(Pi)]作比较,筛选出集合中被选择概率Pi≥rand的局部目标点i的集合,最后调入传统轮盘赌算法筛选出最优局部目标点;随机轮盘赌算法的表达式为:
(9)调用蚁群算法,规划出前往最优局部目标点的路径:蚁群算法为对 M只蚂蚁进行K次迭代,即每次从当前节点依概率转移到最优局部目标点,直至M只蚂蚁中的每一只都到达最优局部目标节点或达到迭代次数;具体步骤为:
1)初始化蚁群参数:初始化蚁群算法的信息素的权重因子α,启发式信息素的权重因子β,信息素挥发因子R;
2)设置最大迭代次数K;
3)初始时起始节点为当前节点,用w表示当前节点;
4)计算当前节点转移到可选节点集合allowed中每一个可选节点的概率,并通过随机轮盘赌算法选择并移动到下一个节点:首先确定局部目标点集i, i∈allowed,allowed为排除已经走过的节点后可以前往的局部目标点集合,随后加入rand∈[0,max(Pi)]做比较,其中rand为在0到1之间的随机数,服从均匀分布,筛选出局部目标点i中被选中概率Pi大于等于rand的局部目标点集合最后调入传统轮盘赌算法筛选出最优局部目标点;在第t次迭代中,蚂蚁从当前节点w转移到下一个节点Z,Z∈allowed的概率其中为t时刻位于 w节点的蚂蚁m选择节点Z的概率,α为残留的信息素的权重因子,β为启发式信息素的权重因子;
5)计算新节点与最优局部目标点的二范数,若二范数为零,则该新节点为最优局部目标点;若二范数不为零,则重复步骤4)至新节点与最优局部目标点的二范数为零即蚁群到达最优局部目标点;
6)当蚁群到达最优局部目标点,判断是否达到最大迭代次数K,若达到最大迭代次数K则筛选所有可行解中的最优解即最短距离,输出最短距离所在的寻优路径;若未达到最大迭代次数K则返回步骤3);
(10)计算最优局部目标点与预设终点的二范数,若二范数为零,则该最优局部目标点为全局目标点;若二范数不为零,则重复步骤(6)~(8)至最优局部目标点与预设终点的二范数为零即蚁群到达全局目标点;
(11)当蚁群到达全局目标点,根据栅格信息素浓度调整式进行信息素更新,栅格信息素浓度调整式为
τij(t)=(1-R)·τij(t-1)+Δτij
其中τij(t)为所有蚂蚁在当前t时刻走通路径(i,j)留下的信息素,τij(t-1)为所有蚂蚁在t-1时刻走通路径(i,j)留下的信息素,Δτij为从t-1时刻到t时刻所有蚂蚁走通路径(i,j)增加的信息素,Lk为第k只蚂蚁迭代过程中寻找到的可行路径,Q为第k只蚂蚁在寻优路径上留下的信息素的总和,R为挥发因子;
(12)令k=k+1,并利用当代蚁群的最优路径,根据步骤(11)的栅格信息素浓度调整式进行信息素更新;
(13)循环步骤(3)~步骤(12)至k=K,则迭代终止,筛选出最优解,输出最短距离所在的寻优路径;
假定机器人的起点为栅格环境的左上角,终点为右下角,设置横纵均为20 个栅格的环境模型,环境中为1的点代表被障碍物占据的栅格(图中部分已被涂成黑块),0的点则是自由栅格;蚁群-聚类的算法和基本蚁群算法的参数均设置信息素的权重因子α为1,启发式信息素的权重因子β为7,信息素挥发因子R 为0.3,算法最大迭代次数为5,智能蚂蚁数目为5;
在本次仿真规划过程中共有5个障碍变化场景,如图6-10所示;其中前4 个障碍场景每3次规划后变化1次,12次之后均采用图10的障碍场景,5个障碍场景图中的方框表示在该障碍场景下移动机器人一次路径规划走过的范围;在这种动态障碍变化的环境下,采用蚁群-聚类的算法和基本蚁群算法分别进行路径规划,如图4所示,蚁群-聚类算法的最优距离为28,寻优时间为4.6;而图5基本蚁群算法的最优距离为37,寻优时间为9.8;可见蚁群-聚类算法通过自适应调整搜索半径,使得移动机器人的计算能力始终得到充分的利用,从而进一步缩短路径距离、减少收敛时间,实现对复杂未知环境的有效动态路径规划。
Claims (6)
1.一种基于蚁群-聚类算法的机器人自适应动态路径规划方法,其特征在于,具体步骤为:
(1)采用栅格法对机器人的工作环境进行建模:移动机器人在二维平面内的运动区域记为G,以运动区域G左下角为坐标原点、横轴为X轴、纵轴为Y轴建立直角坐标系,设运动区域G内存在若干个障碍物栅格,障碍物栅格以黑色栅格表示,自由栅格以白色栅格表示,采用序号表示法对栅格进行编码,自由栅格记为0,障碍物栅格记为1,每个栅格的边长记为a,横坐标和纵坐标中的最大栅格数值为MM,栅格总数为e=MM·MM,按照从左到右,从下往上的顺序对栅格依次编码,则编号为i的栅格空间坐标计算公式为:
X:xi=a·(mod(i,MM)-0.5),
Y:yi=a·(MM+0.5-ceil(i/MM)),
其中,a为每个栅格的边长,mod为求余运算,ceil为舍余取整运算;
(2)设计以时间步长为变换指标的动态障碍变化规则,即以移动机器人所规划的次数来触发环境中障碍分布的变化;
(3)初始化量子蚁群,将节点i与节点j间路径的信息素浓度初始化为Etaij(0)=1,i=1,2,3,...,MM j=1,2,3,...,MM,得到信息素矩阵Eta,同时将M只蚂蚁置于起始节点,e为栅格节点总数,k为迭代次数,初始时设k=0;
(4)对栅格地图G进行对角障碍识别,并生成虚拟障碍;其中生成虚拟障碍的具体方法为:
D(i,j)=Obstacle(i)-Obstacle(j)=-(MM-1)
F_Obstacle=Obstacle(i)+MM
其中,MM为横/纵坐标的最大栅格数值;障碍栅格节点集合Obstacle,Obstacle(i)、Obstacle(j)分别为障碍栅格节点i和障碍栅格节点j,D(i,j)为障碍栅格节点i和j的差值,F_Obstacle为虚拟障碍;
(5)根据计算能力、寻优时间和寻优距离设计局部搜索半径的选择:依次设计搜索边界确定原则和选择确定原则;其中搜索边界确定原则为填充边界确定原则,选择确定原则为簇类最小选择原则或同簇选大选择原则;
(6)根据规划实时性要求确定本次动态路径规划的搜索半径上界,即移动机器人在一次局部动态路径规划中所允许的最大步数;
(7)移动机器人以当前位置为出发点,采用搜索半径的选择规则确定本次局部动态路径规划的搜索半径值;
(8)采用随机轮盘赌算法确定搜索半径内最优局部目标点:确定局部目标点i,i∈allowed,其中allowed为本次搜索半径内,排除已经走过的栅格后可以到达的所有自由栅格的集合;随后通过加入一个服从均匀分布的随机数rand∈[0,max(Pi)]作比较,筛选出集合中被选择概率Pi≥rand的局部目标点i的集合,最后调入传统轮盘赌算法筛选出最优局部目标点;
(9)调用蚁群算法,规划出前往最优局部目标点的路径;
(10)计算最优局部目标点与预设终点的二范数,若二范数为零,则该最优局部目标点为全局目标点;若二范数不为零,则重复步骤(6)~(8)至最优局部目标点与预设终点的二范数为零即蚁群到达全局目标点;
(11)当蚁群到达全局目标点,根据栅格信息素浓度调整式进行信息素更新,栅格信息素浓度调整式为
τij(t)=(1-R)·τij(t-1)+△τij
其中τij(t)为所有蚂蚁在当前t时刻走通路径(i,j)留下的信息素,τij(t-1)为所有蚂蚁在t-1时刻走通路径(i,j)留下的信息素,△τij为从t-1时刻到t时刻所有蚂蚁走通路径(i,j)增加的信息素,Lk为第k只蚂蚁迭代过程中寻找到的可行路径,Q为第k只蚂蚁在寻优路径上留下的信息素的总和,R为挥发因子;
(12)令k=k+1,并利用当代蚁群的最优路径,根据步骤(11)的栅格信息素浓度调整式进行信息素更新;
(13)循环步骤(3)~步骤(12)至k=K,则迭代终止,筛选出最优解,输出最短距离所在的寻优路径。
2.根据权利要求1所述基于蚁群-聚类算法的机器人自适应动态路径规划方法,其特征在于:填充边界确定原则为利用搜索半径能够覆盖的范围中,自由栅格占所覆盖范围总格数的比例来进行判断,令R=1,2,...,n为搜索半径,n为搜索半径最大步长,则填充确定原则中的栅格总数为St=(2R+1)2。
3.根据权利要求1所述基于蚁群-聚类算法的机器人自适应动态路径规划方法,其特征在于:步骤(5)簇类最小选择原则为比较在不同搜索半径下所包含的总栅格中,簇类值相等,选择聚类算法之后簇类最小所对应的搜索半径为本次局部搜索半径;同簇选大选择原则为比较在不同搜索半径下所包含的总栅格中,簇类值相等,则选择大的搜索半径为本次局部路径规划搜索半径。
4.根据权利要求3所述基于蚁群-聚类算法的机器人自适应动态路径规划方法,其特征在于:簇类值的确定方法为:
(1)初始化簇类KC,即KC值为局部搜索半径内障碍栅格总数;
(2)根据邻接矩阵计算出所有障碍栅格坐标,构成障碍栅格坐标集合Obstacle_data;Obstacle_xi和Obstacle_xj之间的相异度采用它们之间的距离d(x,y)来表示,使用欧式距离公式计算Obstacle_xi和Obstacle_xj之间的距离构成距离集合,欧式距离公式为:
(3)更新簇类KC时,根据d(x,y)=1,计算出距离集合中d(x,y)=1的个数p,新的簇类KC为KC=KC-p;
(5)根据聚类准则函数计算E值:
K-means聚类算法使用聚类准则函数来评价聚类性能的好坏,聚类准则函数公式为:
其中,Xi是数据集D中的每个数据对象,δ是初始聚类中心的总个数;
6.根据权利要求1所述基于蚁群-聚类算法的机器人自适应动态路径规划方法,其特征在于:步骤(9)中蚁群算法为对M只蚂蚁进行K次迭代,即每次从当前节点依概率转移到最优局部目标点,直至M只蚂蚁中的每一只都到达最优局部目标节点或达到迭代次数;具体步骤为:
a)初始化蚁群参数:初始化蚁群算法的信息素的权重因子α,启发式信息素的权重因子β,信息素挥发因子R;
b)设置最大迭代次数K;
c)初始时起始节点为当前节点,用w表示当前节点;
d)计算当前节点转移到可选节点集合allowed中每一个可选节点的概率,并通过随机轮盘赌算法选择并移动到下一个节点:首先确定局部目标点集i,i∈allowed,allowed为排除已经走过的节点后可以前往的局部目标点集合,随后加入rand∈[0,max(Pi)]做比较,其中rand服从均匀分布,筛选出局部目标点i中被选中概率Pi大于等于rand的局部目标点集合最后调入传统轮盘赌算法筛选出最优局部目标点;在第t次迭代中,蚂蚁从当前节点w转移到下一个节点Z,Z∈allowed的概率其中为t时刻位于w节点的蚂蚁m选择节点Z的概率,α为残留的信息素的权重因子,β为启发式信息素的权重因子;
e)计算新节点与最优局部目标点的二范数,若二范数为零,则该新节点为最优局部目标点;若二范数不为零,则重复步骤(d )至新节点与最优局部目标点的二范数为零即蚁群到达最优局部目标点;
f)当蚁群到达最优局部目标点,判断是否达到最大迭代次数K,若达到最大迭代次数K则筛选所有可行解中的最优解即最短距离,输出最短距离所在的寻优路径;若未达到最大迭代次数K则返回步骤(c )。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811135858.3A CN109164810B (zh) | 2018-09-28 | 2018-09-28 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811135858.3A CN109164810B (zh) | 2018-09-28 | 2018-09-28 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109164810A CN109164810A (zh) | 2019-01-08 |
CN109164810B true CN109164810B (zh) | 2021-08-10 |
Family
ID=64892731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811135858.3A Active CN109164810B (zh) | 2018-09-28 | 2018-09-28 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109164810B (zh) |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109828578B (zh) * | 2019-02-22 | 2020-06-16 | 南京天创电子技术有限公司 | 一种基于YOLOv3的仪表巡检机器人最优路线规划方法 |
CN109931943B (zh) * | 2019-03-25 | 2020-09-01 | 智慧航海(青岛)科技有限公司 | 无人船舶全局路径规划方法及电子设备 |
CN110057362B (zh) * | 2019-04-26 | 2022-09-16 | 安徽理工大学 | 有限单元地图的移动机器人路径规划方法 |
CN110244735B (zh) * | 2019-06-24 | 2020-08-21 | 安徽农业大学 | 移动机器人跟踪预定轨迹的启发式动态规划控制方法 |
CN110750095A (zh) * | 2019-09-04 | 2020-02-04 | 北京洛必德科技有限公司 | 一种基于5g通讯的机器人集群运动控制优化方法及系统 |
CN110686695A (zh) * | 2019-10-30 | 2020-01-14 | 南京邮电大学 | 基于目标评价因子的自适应蚁群a星混合算法 |
CN111323016A (zh) * | 2019-11-26 | 2020-06-23 | 广东工业大学 | 一种基于自适应蚁群算法的移动机器人路径规划方法 |
CN110802598A (zh) * | 2019-11-26 | 2020-02-18 | 广东技术师范大学 | 基于多蚁群迭代寻优算法的焊接机器人路径规划方法 |
CN111209664A (zh) * | 2020-01-03 | 2020-05-29 | 郑州轻工业大学 | 一种应用于圆形布局的蚁群定序定位方法 |
CN111238481A (zh) * | 2020-01-21 | 2020-06-05 | 华南理工大学 | 一种多路径规划方法和系统 |
CN111290391A (zh) * | 2020-02-28 | 2020-06-16 | 重庆邮电大学 | 一种基于独狼蚁群混合算法的移动机器人路径规划方法 |
CN111459162B (zh) * | 2020-04-07 | 2021-11-16 | 珠海格力电器股份有限公司 | 待命位置规划方法、装置、存储介质及计算机设备 |
CN111709560A (zh) * | 2020-05-29 | 2020-09-25 | 杭州电子科技大学 | 一种基于改进蚁群算法的解决车辆路径问题方法 |
CN111738396B (zh) * | 2020-06-01 | 2023-09-26 | 北京中安智能信息科技有限公司 | 一种应用于潜艇路径规划的自适应栅格颗粒度蚁群方法 |
CN111784037B (zh) * | 2020-06-24 | 2022-10-28 | 东南大学 | 基于混合局部搜索和蚁群优化的混装线序列恢复方法 |
CN111669328B (zh) * | 2020-07-02 | 2022-12-02 | 安徽省地震局 | 基于量子最大最小蚁群算法的QoS路由选择方法 |
CN112158199B (zh) * | 2020-09-25 | 2022-03-18 | 阿波罗智能技术(北京)有限公司 | 巡航控制方法、装置、设备、车辆及介质 |
CN112527020B (zh) * | 2020-11-30 | 2023-07-25 | 汕头大学 | 一种基于群体机器人的目标围捕控制方法及系统 |
CN112418563B (zh) * | 2020-12-15 | 2024-02-02 | 东北大学 | 一种基于图聚类及迭代局部搜索的行程规划方法 |
CN114690703A (zh) * | 2020-12-27 | 2022-07-01 | 富联裕展科技(深圳)有限公司 | 用于工件点位检测路径规划的装置及方法 |
CN112859931A (zh) * | 2021-01-11 | 2021-05-28 | 暨南大学 | 无人机航迹规划方法、森林防火系统及计算机可读存储介质 |
CN112926779B (zh) * | 2021-03-01 | 2022-10-11 | 汇链通产业供应链数字科技(厦门)有限公司 | 基于路径规划的智能调度系统及方法 |
CN113867344B (zh) * | 2021-09-18 | 2023-09-05 | 浙江大学 | 一种基于地形复杂度的无人船自适应步长路径搜索方法 |
CN113741482B (zh) * | 2021-09-22 | 2023-03-21 | 西北工业大学 | 一种基于异步遗传算法的多智能体路径规划方法 |
CN113985888B (zh) * | 2021-11-08 | 2022-09-16 | 合肥工业大学 | 一种基于改进蚁群算法的叉车路径规划方法及系统 |
CN114777785A (zh) * | 2022-04-15 | 2022-07-22 | 西南科技大学 | 一种基于凸角点搜索机制的改进Astar算法 |
CN114543815B (zh) * | 2022-04-25 | 2022-07-19 | 汕头大学 | 基于基因调控网络的多智能体导航控制方法、设备及介质 |
CN115615447A (zh) * | 2022-09-20 | 2023-01-17 | 泰州市金海运船用设备有限责任公司 | 一种最佳路径的预测方法、装置以及设备 |
CN116481546B (zh) * | 2023-04-26 | 2024-02-23 | 大连海事大学 | 一种无人机航标巡检的路径规划方法 |
CN116861796B (zh) * | 2023-07-31 | 2024-01-26 | 无锡科技职业学院 | 一种场景检测视场生成及路径规划方法及其应用 |
CN117169246A (zh) * | 2023-09-01 | 2023-12-05 | 深圳市索亿电子有限公司 | 一种pcba电路板的故障检测方法及装置 |
CN117516548B (zh) * | 2023-12-29 | 2024-04-12 | 广东技术师范大学 | 一种自主移动机器人的路径规划方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104869060A (zh) * | 2015-05-18 | 2015-08-26 | 南京邮电大学 | 基于粒子群优化算法和蚁群优化算法的频谱感知方法 |
WO2016168957A1 (en) * | 2015-04-19 | 2016-10-27 | Prad Research And Development Limited | Automated trajectory and anti-collision for well planning |
CN106774331A (zh) * | 2016-12-30 | 2017-05-31 | 广东华中科技大学工业技术研究院 | 一种分布式控制无人艇集群分簇编队方法 |
CN107203214A (zh) * | 2017-07-31 | 2017-09-26 | 中南大学 | 一种运载机器人复杂混合路径协同自适应智能规划方法 |
CN107229287A (zh) * | 2017-06-28 | 2017-10-03 | 中国人民解放军海军工程大学 | 一种基于遗传蚂蚁算法的无人机全局路径规划方法 |
CN107798423A (zh) * | 2017-10-11 | 2018-03-13 | 南京邮电大学 | 基于多种智能算法的车辆路径规划仿真实验平台 |
CN107816999A (zh) * | 2017-09-25 | 2018-03-20 | 华南理工大学 | 一种基于蚁群算法的无人船航行路径自主规划方法 |
CN107917711A (zh) * | 2017-11-14 | 2018-04-17 | 重庆邮电大学 | 一种基于优化混合蚁群算法的机器人路径规划算法 |
CN108036790A (zh) * | 2017-12-03 | 2018-05-15 | 景德镇陶瓷大学 | 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 |
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 |
CN108413976A (zh) * | 2018-01-23 | 2018-08-17 | 大连理工大学 | 一种面向多工况的爬壁机器人智能路径规划方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7733224B2 (en) * | 2006-06-30 | 2010-06-08 | Bao Tran | Mesh network personal emergency response appliance |
IT1398637B1 (it) * | 2010-02-25 | 2013-03-08 | Rotondo | Metodo e sistema per la mobilita' delle persone in un contesto urbano ed extra urbano. |
US20120253554A1 (en) * | 2012-06-16 | 2012-10-04 | Stanton Mark Hamilton | RC Car Anti-Flip System and Methods |
WO2015105712A1 (en) * | 2014-01-10 | 2015-07-16 | Irobot Corporation | Autonomous mobile robot |
CN105911992B (zh) * | 2016-06-14 | 2019-02-22 | 广东技术师范学院 | 一种移动机器人的自动规划路径方法及移动机器人 |
CN107817801A (zh) * | 2017-11-03 | 2018-03-20 | 深圳市杉川机器人有限公司 | 机器人控制方法、装置、机器人以及充电座 |
-
2018
- 2018-09-28 CN CN201811135858.3A patent/CN109164810B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016168957A1 (en) * | 2015-04-19 | 2016-10-27 | Prad Research And Development Limited | Automated trajectory and anti-collision for well planning |
CN104869060A (zh) * | 2015-05-18 | 2015-08-26 | 南京邮电大学 | 基于粒子群优化算法和蚁群优化算法的频谱感知方法 |
CN106774331A (zh) * | 2016-12-30 | 2017-05-31 | 广东华中科技大学工业技术研究院 | 一种分布式控制无人艇集群分簇编队方法 |
CN107229287A (zh) * | 2017-06-28 | 2017-10-03 | 中国人民解放军海军工程大学 | 一种基于遗传蚂蚁算法的无人机全局路径规划方法 |
CN107203214A (zh) * | 2017-07-31 | 2017-09-26 | 中南大学 | 一种运载机器人复杂混合路径协同自适应智能规划方法 |
CN107816999A (zh) * | 2017-09-25 | 2018-03-20 | 华南理工大学 | 一种基于蚁群算法的无人船航行路径自主规划方法 |
CN107798423A (zh) * | 2017-10-11 | 2018-03-13 | 南京邮电大学 | 基于多种智能算法的车辆路径规划仿真实验平台 |
CN107917711A (zh) * | 2017-11-14 | 2018-04-17 | 重庆邮电大学 | 一种基于优化混合蚁群算法的机器人路径规划算法 |
CN108036790A (zh) * | 2017-12-03 | 2018-05-15 | 景德镇陶瓷大学 | 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 |
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 |
CN108413976A (zh) * | 2018-01-23 | 2018-08-17 | 大连理工大学 | 一种面向多工况的爬壁机器人智能路径规划方法及系统 |
Non-Patent Citations (4)
Title |
---|
Rescue path optimization using ant colony systems;Manuela Graf,等;《2017 IEEE Symposium Series on Computational Intelligence (SSCI)》;20171201;1-7页 * |
一种改进的蚁群路径规划算法;王天生,等;《装备制造技术》;20180331(第03(2018)期);183-186、203页 * |
基于K-Means与SVM结合的栅格分区路径规划方法;张堂凯,等;《微型机与应用》;20161231;第35卷(第21期);16-19、23页 * |
自适应搜索半径蚁群动态路径规划算法;赵峰,等;《计算机工程与应用》;20180428;第54卷(第19期);56-61、87页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109164810A (zh) | 2019-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109164810B (zh) | 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 | |
CN109945881B (zh) | 一种蚁群算法的移动机器人路径规划方法 | |
CN107272679B (zh) | 基于改进的蚁群算法的路径规划方法 | |
CN109116841B (zh) | 一种基于蚁群算法的路径规划平滑优化方法 | |
CN110389595B (zh) | 双属性概率图优化的无人机集群协同目标搜索方法 | |
CN109947120B (zh) | 仓储系统中的路径规划方法 | |
CN102778229B (zh) | 未知环境下基于改进蚁群算法的移动Agent路径规划方法 | |
CN107229287A (zh) | 一种基于遗传蚂蚁算法的无人机全局路径规划方法 | |
CN112161627A (zh) | 一种消防机器人智能路径规划方法 | |
CN114721402B (zh) | 一种基于改进蚁群算法的泊车路径规划方法及系统 | |
CN110986942A (zh) | 基于蚁群算法的立体仓库三维空间路径优化方法 | |
CN114995460B (zh) | 一种基于自适应改进蚁群算法的机器人路径规划方法 | |
Hsu et al. | Path planning for mobile robots based on improved ant colony optimization | |
CN115933693A (zh) | 一种基于自适应混沌粒子群算法的机器人路径规划方法 | |
CN115290096A (zh) | 一种基于强化学习差分算法的无人机动态航迹规划方法 | |
CN115129064A (zh) | 基于改进萤火虫算法与动态窗口法融合的路径规划方法 | |
CN115454070A (zh) | 一种K-Means蚁群算法多机器人路径规划方法 | |
CN113467481B (zh) | 一种基于改进Sarsa算法的路径规划方法 | |
CN117516548B (zh) | 一种自主移动机器人的路径规划方法 | |
CN114397894A (zh) | 一种模仿人类记忆的移动机器人目标搜索方法 | |
CN114237282A (zh) | 面向智慧化工业园区监测的无人机飞行路径智能规划方法 | |
CN117434950A (zh) | 一种基于哈里斯鹰启发式混合算法的移动机器人动态路径规划方法 | |
CN112486185A (zh) | 在未知环境下基于蚁群和vo算法的路径规划方法 | |
CN115903808A (zh) | 基于粒子群、蚁群和A-Star算法结合的机器人路径规划方法 | |
CN116642498A (zh) | 一种基于改进樽海鞘群模型的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 |