CN109540163B - 一种基于差分进化和模糊控制相结合的避障路径规划算法 - Google Patents
一种基于差分进化和模糊控制相结合的避障路径规划算法 Download PDFInfo
- Publication number
- CN109540163B CN109540163B CN201811384875.0A CN201811384875A CN109540163B CN 109540163 B CN109540163 B CN 109540163B CN 201811384875 A CN201811384875 A CN 201811384875A CN 109540163 B CN109540163 B CN 109540163B
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- fuzzy control
- rule table
- population
- obstacle avoidance
- 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
Images
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明的一种基于差分进化和模糊控制相结合的避障路径规划算法属于智能控制领域,解决了现有模糊控制同样会使智能车辆陷入局部最小问题使其不能做出及时、准确的避障动作的问题,具体步骤为:1)设计模糊控制器,2)利用差分进化算法优化模糊控制规则表,3)将优化后的模糊控制规则表应用到模糊控制器进而在整个模糊控制系统实现,本发明算法通过利用模糊控制和差分进化算法构建一种智能车辆的避障路径规划方法,利用差分进化算法对模糊控制规则表进行优化,能够有效地解决局部最小问题,得到全局最优解。
Description
技术领域
本发明属于智能控制领域,特别是涉及一种基于差分进化和模糊控制相结合的避障路径规划算法。
背景技术
路径规划是当前智能车辆技术研究热点之一,它要求智能车在从起始状态向目标状态移动的过程中,能够自主地搜索一条避开障碍物的最优路径。其中避障策略是其重中之重,目前,研究者多借用人工势场法、珊格法、模糊控制法等方法研究智能车避障算法。其中,人工势场法因算法简单且易于实时控制而广泛应用,但容易陷入局部最小而不能使智能车到达目标位置;而珊格法存在着环境分辨率与环境信息存储量之间的矛盾,且计算量大,使用范围受限。
模糊控制法模拟驾驶员的驾驶思想,将模糊控制本身所具备的鲁棒性与基于生理学上的“感知一动作”行为结合起来,为智能车辆的路径规划问题提出了一种新思路。该方法通过建立一系列模糊推理规则有效的解决了传统避障算法中存在的对智能车辆的定位精度敏感、对环境信息依赖性强等问题,对处理未知环境下的规划问题显示了很强的优越性,有较强的实时性,同时由于模糊控制规则的建立主要依靠经验,所以将模糊逻辑理论直接用于智能车辆路径规划同样会出现局部最小问题。
发明内容
本发明针对现有模糊控制会使智能车辆陷入局部最小问题使其不能做出及时、准确的避障动的问题,旨在提供一种基于差分进化和模糊控制相结合的避障路径规划算法,本发明算法通过利用模糊控制和差分进化算法构建一种智能车辆的避障路径规划方法,利用差分进化算法对模糊控制规则表进行优化,能够有效地解决局部最小问题,得到全局最优解。
为解决上述技术问题,本发明采用的技术方案为:一种基于差分进化和模糊控制相结合的避障路径规划算法,按照以下步骤实现:步骤一、设计模糊控制器,具体步骤为:
1)确定模糊控制器的结构,根据被研究系统的输入输出,确定基本系统模型;
2)定义输入、输出量的模糊分布;
3)建立模糊控制规则;
4)近似推理;
步骤二、利用差分进化算法优化模糊控制规则表;
步骤三、将优化后的模糊控制规则表应用到模糊控制器进而在整个模糊控制系统实现。
进一步地,步骤二中利用差分进化算法优化模糊控制规则表的具体步骤为:
1)根据研究的问题确定解的表示方式和评价函数f(x),设置种群规模NP、缩放因子F、交叉概率CR参数;
2)执行种群初始化操作,产生初始种群X;
随机产生一部分染色体,即在n维空间里产生满足约束条件的K个染色体,实施措施如下:
接着将旧模糊控制规则表编码复制L个染色体引入共同组成含有M个染色体的初始种群X,其中M=K+L;
3)变异操作:
从群体中随机选择3个染色体,Xp1Xp2Xp3,且(i≠p1≠p2≠p3),则
vij(t+1)=xp1j(t)+F(xp2j(t)-xp3j(t))
其中,xp2j(t)-xp3j(t)为差异化向量,F为缩放因子;
4)交叉操作:
交叉操作是为了增加群体的多样性,具体操作如下:
其中,rand1ij是在[0,1]之间的随机小数,CR为交叉概率,CR∈[0,1],rand(i)是在[1,n]之间的随机整数,这种交叉策略可确保xi(t+1)至少有一分量由xi(t)的相应分量贡献;
5)选择操作:
为了确定xi(t)是否成为下一代的成员,比较向量ui(t+1)和目标向量xi(t)的评价函数:
反复执行(3)至(5)操作,直至达到最大的进化代数tmax;
6)迭代优化,直到达到循环终止条件,目标值变化量足够小或达到最大迭代次数输出最优规则表给控制系统。
本发明利用模糊控制和差分进化算法构建了一种智能车辆的避障路径规划方法,利用差分进化算法对模糊控制规则表进行优化,能够有效地解决现有模糊控制算法存在的局部最小问题,得到全局最优解。
附图说明
下面结合附图对本发明做进一步详细的说明。
图1为模糊控制器的结构框图。
图2为智能车避障路径规划系统框图。
图3为前向超声波距离FO隶属度函数。
图4为左右超声波距离LO、RO隶属度函数。
图5为小车与障碍物中心连线角度距离TA隶属度函数。
图6为输出舵机转向角度SA隶属度函数。
图7为模糊规则推理系统。
图8为智能车避障路径规划仿真结果,其中(a)为未优化up d=53.7,(b)优化后opd=53.4。
图9为编码后的初始规则表。
图10为迭代优化100次的新模糊规则表。
具体实施方式
为使本发明的目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
一种基于差分进化和模糊控制相结合的避障路径规划算法,按照以下步骤实现:
步骤一、设计模糊控制器,其结构框图如图1所示,具体步骤为:
1)确定模糊控制器的结构,根据被研究系统的输入输出,确定基本系统模型;
2)定义输入、输出量的模糊分布;
3)建立模糊控制规则;
4)近似推理;
步骤二、利用差分进化算法优化模糊控制规则表;
1)根据研究的问题确定解的表示方式和评价函数f(x),设置种群规模NP、缩放因子F、交叉概率CR参数;
2)执行种群初始化操作,产生初始种群X;
随机产生一部分染色体,即在n维空间里产生满足约束条件的K个染色体,实施措施如下:
接着将旧模糊控制规则表编码复制L个染色体引入共同组成含有M个染色体的初始种群X,其中M=K+L;
3)变异操作:
从群体中随机选择3个染色体,Xp1Xp2Xp3,且(i≠p1≠p2≠p3),则
vij(t+1)=xp1j(t)+F(xp2j(t)-xp3j(t))
其中,xp2j(t)-xp3j(t)为差异化向量,F为缩放因子;
4)交叉操作:
交叉操作是为了增加群体的多样性,具体操作如下:
其中,rand1ij是在[0,1]之间的随机小数,CR为交叉概率,CR∈[0,1],rand(i)是在[1,n]之间的随机整数,这种交叉策略可确保xi(t+1)至少有一分量由xi(t)的相应分量贡献;
5)选择操作:
为了确定xi(t)是否成为下一代的成员,比较向量ui(t+1)和目标向量xi(t)的评价函数:
反复执行(3)至(5)操作,直至达到最大的进化代数tmax;
6)迭代优化,直到达到循环终止条件,目标值变化量足够小或达到最大迭代次数输出最优规则表给控制系统。
步骤三、将优化后的模糊控制规则表应用到模糊控制器进而在整个模糊控制系统实现。
为了更好的说明本发明算法,下面通过具体的案例来说明本发明算法的先进性。
以stm32芯片为核心的智能车为例,搭载三路超声波传感器以及九轴姿态传感器作为避障传感系统,将优化后的模糊控制算法应用到智能车中以达到更优的避障效果。系统结构如下图2。具体算法如下:
步骤一、设计模糊控制器:
1)确定模糊控制器结构
智能车避障系统输入是三路超声波探测的障碍物距离以及九轴姿态传感器的目标角度,输出为舵机转向角度,又因模糊推理的结果为模糊量,必须进行清晰化处理才可以用于驱动对象,故其为四输入单输出的Mamdani型模糊控制器。
2)确定模糊控制器的输入、输出
智能小车的正前方、正左方,正右方分别安置了一个超声波传感器,模糊控制器的输入变量为智能车前方、左方和右方到障碍物距离,分别用FO,LO,RO表示,以及用九轴姿态传感器测量的小车与目标点中心连线的角度TA,模糊控制器的输出量为智能车的舵机转向角SA,当目标点在智能车的左方时,目标定位TA为正,当智能车转向右时,转向角SA定义为负,当转向左时定义为正。
3)模糊导航控制集合
定义模糊控制器的输入变量FO的模糊语言变量为{N,M,F,SF}={近,中,远,很远},论域为(0~1.2m),它的隶属度函数如图3所示;输入变量LO,RO的模糊语言变量为{N,F}={近,远},论域为(0~1.2m),它的隶属度函数如图4所示;输入变量TA的模糊语言变量为{SL,L,O,R,SR}={左大,左,零,右,右大},论域为(-90°~90°),它的隶属度函数如图5所示;输出变量SA的模糊语言变量为{SSL,SL,L,O,R,SR,SSR}={左极大,左大,左,零,右,右大,右极大},论域为(-45°~45°),它的隶属度函数如图6所示;输入输出模糊控制变量的各大模糊子集的隶属度用三角隶属度函数表示。
4)观察模糊推理过程
根据上面的输入输出隶属度函数可以建立2*2*4*5=80条模糊控制规则,由其模糊控制规则表可以在MATLAB中用模糊控制工具箱建立相应的模糊控制系统,可以得到如图7所示模糊规则的推理系统。
由图7可知,此时前向和右向障碍物距离都较近,左向障碍物距离比较远,此时智能车向左以一定角度转向,这也符合人们的驾驶习惯。
步骤二、优化模糊控制规则表:
1)编码方式
将初始模糊规则表中各输入输出变量用整数编码,输入变量FO的模糊语言变量为{N,M,F,SF}={1,2,3,4},输入变量LO,RO的模糊语言变量为{N,F}={1,2},输入变量TA的模糊语言变量为{SL,L,O,R,SR}={1,2,3,4,5},输出变量SA的模糊语言变量为{SSL,SL,L,O,R,SR,SSR}={1,2,3,4,5,6,7},由此编码可以得出用于优化的初始规则表如图9所示。由表1中数据任取规则‘1112①’可得出当在前、左、右距离障碍物都较近时且小车在目标点的左侧时,根据经验做出的判断转向是SSL(左极大)。
2)种群初始化
通过实验,选取种群规模NP=100,初始化时首先复制5条初始规则表,首先将初始规则表中的输出SA由上到下,从左往右的顺序展开得到初始规则矩阵A=[1 1 1 1 1 … 11 4 7 7]1×80接着在其上界XVmax=7*ones(1,80)和下界XVmin=0.01*ones(1,80)随机产生95条规则表,且Xi=XVmin+rand(1,80)*(XVmax-XVmin)。
3)变异操作
随机选取初始种群中3条规则X1,X2,X3执行变异操作,通过实验缩放因子取F=0.8,若取X1=A=[1 1 1 1 1 …… 1 1 4 7 7]1*80,取在其上界XVmax和下界XVmin随机产生的X2=[1 2 2 4 6 …… 2 4 1 6 8]1*80,X3=[2 1 3 5 2 …… 3 5 2 7 8]1*80,执行变异过程V1=X1+F(X2-X3),可得到V1=[1 2 1 1 5 …… 1 1 3 6 7]1*80。
4)交叉操作
交叉操作的频率由交叉率决定,频率越高收敛到期望的最优区域解的速度越快,但是频率太高可能导致过早收敛。通过实验,选取交叉率CR为0.8较为适宜,则若取rand(0,1)=0.5则U1=V1=[1 2 1 1 5 …… 1 1 3 67]1*80。
5)选择操作
假设其匀速行驶,仿真时耗时也代表着距离,生成的新规则代入仿真后的耗时若小于目标函数值VTR,代表其省时即路径最短且避障效果优于前者,取代旧规则表成为优化后的新规则表,若智能车碰到障碍物则耗时追加100000淘汰当前规则。即将U1代入仿真程序中得出耗时决定其取舍。
6)迭代优化
如此循环执行(3)~(5)操作,迭代次数refresh=10即每迭代十次输出一个结果自动替换旧规则表。取其中迭代100次的新规则表如表2执行仿真测试。由图10知若再次取上次未优化的前规则‘1112①’发现规则改变为‘1112③’即优化后做出的转向判断为SL(左大)。
步骤三、实验仿真避障测试
在Matlab上进行实验仿真以验证算法的正确性和有效性.实验中,取参数个数D=80,种群规模NP=100,交叉率CR=0.8,缩放因子F=0.8,其避障仿真结果如图8所示,其中空心圆代表障碍物,设定障碍物环境为50x 50的单位长,障碍物边界为墙.定义○未优化up:未经差分进化算法优化的避障模糊控制器;②优化后op:经过迭代100次的差分进化算法优化的最优避障模糊控制器;d为智能车辆由起始位置到出发,避开障碍物,最后行驶到达目标点行驶的总长度,从仿真结果可知,经过差分进化算法优化后智能车辆的行驶总路径长度都有所减少且避障效果较好,因此该算法有效、可行,并且其优化效果随迭代次数增多而增强。
上面结合附图对本发明的实施例作了详细说明,但是本发明并不限于上述实施例,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (1)
1.一种基于差分进化和模糊控制相结合的避障路径规划算法,其特征在于,按照以下步骤实现:
步骤一、设计模糊控制器,具体步骤为:
1)确定模糊控制器的结构,根据被研究系统的输入输出,确定基本系统模型;
2)定义输入、输出量的模糊分布;
3)建立模糊控制规则;
4)近似推理;
步骤二、利用差分进化算法优化模糊控制规则表,具体步骤为:
1)根据研究的问题确定解的表示方式和评价函数f(x),设置种群规模NP、缩放因子F、交叉概率CR参数;
2)执行种群初始化操作,产生初始种群X;
随机产生一部分染色体,即在n维空间里产生满足约束条件的K个染色体,实施措施如下:
接着将旧模糊控制规则表编码复制L个染色体引入共同组成含有M个染色体的初始种群X,其中M=K+L;
3)变异操作:
从群体中随机选择3个染色体,Xp1 Xp2 Xp3,且(i≠p1≠p2≠p3),则
vij(t+1)=xp1j(t)+F(xp2j(t)-xp3j(t))
其中,xp2j(t)-xp3j(t)为差异化向量,F为缩放因子;
4)交叉操作:
交叉操作是为了增加群体的多样性,具体操作如下:
其中,rand1ij是在[0,1]之间的随机小数,CR为交叉概率,CR∈[0,1],rand(i)是在[1,n]之间的随机整数,这种交叉策略可确保xi(t+1)至少有一分量由xi(t)的相应分量贡献;
5)选择操作:
为了确定xi(t)是否成为下一代的成员,比较向量ui(t+1)和目标向量xi(t)的评价函数:
反复执行(3)至(5)操作,直至达到最大的进化代数tmax;
6)迭代优化,直到达到循环终止条件,目标值变化量足够小或达到最大迭代次数输出最优规则表给控制系统;
步骤三、将优化后的模糊控制规则表应用到模糊控制器进而在整个模糊控制系统实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811384875.0A CN109540163B (zh) | 2018-11-20 | 2018-11-20 | 一种基于差分进化和模糊控制相结合的避障路径规划算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811384875.0A CN109540163B (zh) | 2018-11-20 | 2018-11-20 | 一种基于差分进化和模糊控制相结合的避障路径规划算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109540163A CN109540163A (zh) | 2019-03-29 |
CN109540163B true CN109540163B (zh) | 2022-06-07 |
Family
ID=65848503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811384875.0A Active CN109540163B (zh) | 2018-11-20 | 2018-11-20 | 一种基于差分进化和模糊控制相结合的避障路径规划算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109540163B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113218400B (zh) * | 2021-05-17 | 2022-04-19 | 太原科技大学 | 一种基于深度强化学习的多智能体导航算法 |
CN113296523A (zh) * | 2021-05-27 | 2021-08-24 | 太原科技大学 | 一种移动机器人避障路径规划方法 |
CN113085850B (zh) * | 2021-06-08 | 2021-09-21 | 新石器慧通(北京)科技有限公司 | 车辆避障方法、装置、电子设备及存储介质 |
CN115290096B (zh) * | 2022-09-29 | 2022-12-20 | 广东技术师范大学 | 一种基于强化学习差分算法的无人机动态航迹规划方法 |
CN116242383B (zh) * | 2023-03-15 | 2023-09-15 | 皖西学院 | 一种基于增强哈里斯鹰算法的无人车路径规划方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324196A (zh) * | 2013-06-17 | 2013-09-25 | 南京邮电大学 | 基于模糊逻辑的多机器人路径规划与协调避碰方法 |
CN105974799B (zh) * | 2016-07-15 | 2018-08-21 | 东南大学 | 一种基于差分进化-局部单峰采样算法的模糊控制系统优化方法 |
CN107909152A (zh) * | 2017-11-13 | 2018-04-13 | 东南大学 | 一种交叉概率因子可变的差分进化算法 |
CN108805349A (zh) * | 2018-05-30 | 2018-11-13 | 中国科学院遥感与数字地球研究所 | 一种基于改进布谷鸟算法的作物种植空间布局优化方法 |
-
2018
- 2018-11-20 CN CN201811384875.0A patent/CN109540163B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109540163A (zh) | 2019-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109540163B (zh) | 一种基于差分进化和模糊控制相结合的避障路径规划算法 | |
CN109597425B (zh) | 基于强化学习的无人机导航和避障方法 | |
Juang et al. | Evolutionary-group-based particle-swarm-optimized fuzzy controller with application to mobile-robot navigation in unknown environments | |
Bobyr et al. | A nonlinear method of learning neuro-fuzzy models for dynamic control systems | |
CN102799179B (zh) | 基于单链序贯回溯q学习的移动机器人路径规划算法 | |
CN102402712B (zh) | 基于神经网络的机器人强化学习初始化方法 | |
CN116242383B (zh) | 一种基于增强哈里斯鹰算法的无人车路径规划方法 | |
Li et al. | Mobile robot path planning based on improved genetic algorithm with A-star heuristic method | |
Kulathunga | A reinforcement learning based path planning approach in 3D environment | |
Bouton et al. | Utility decomposition with deep corrections for scalable planning under uncertainty | |
Shahriari et al. | Mathematical model of the phase diagrams of ionic liquids-based aqueous two-phase systems using the group method of data handling and artificial neural networks | |
Liu et al. | Graph convolution-based deep reinforcement learning for multi-agent decision-making in interactive traffic scenarios | |
Guo et al. | Optimal navigation for AGVs: A soft actor–critic-based reinforcement learning approach with composite auxiliary rewards | |
Chen et al. | A study of unmanned path planning based on a double-twin RBM-BP deep neural network | |
Zhang et al. | An efficient planning method based on deep reinforcement learning with hybrid actions for autonomous driving on highway | |
Chen et al. | A Robust Trajectory Planning Method Based on Historical Information for Autonomous Vehicles | |
Tang et al. | Actively learning Gaussian process dynamical systems through global and local explorations | |
Consonni et al. | A new Markov–Dubins hybrid solver with learned decision trees | |
Qin et al. | A path planning algorithm based on deep reinforcement learning for mobile robots in unknown environment | |
Desouky et al. | Learning in n-pursuer n-evader differential games | |
Yu et al. | An intelligent robot motion planning method and application via lppo in unknown environment | |
Tan et al. | Real-time global optimal path planning of mobile robots based on modified ant system algorithm | |
Zhou et al. | Research on the fuzzy algorithm of path planning of mobile robot | |
Zhou et al. | An indoor blind area-oriented autonomous robotic path planning approach using deep reinforcement learning | |
Zhang et al. | Path planning technology of unmanned vehicle based on improved deep reinforcement learning |
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 |