CN110389587A

CN110389587A - 一种目标点动态变化的机器人路径规划新方法

Info

Publication number: CN110389587A
Application number: CN201910416767.5A
Authority: CN
Inventors: 李凤玲; 陈珊; 王向红; 刘理
Original assignee: Changsha University of Science and Technology
Current assignee: Changsha University of Science and Technology
Priority date: 2019-05-20
Filing date: 2019-05-20
Publication date: 2019-10-29

Abstract

一种目标点动态变化的机器人路径规划新方法，包括以下步骤：利用相机作为主要传感器对实际环境进行检测，运用图像处理技术表征环境的数学模型；路径规划模型与萤火虫算法参数的初始化；在相机的检测范围内探测机器人与障碍物的距离，并设计机器人移动策略：当前方障碍物的距离大于安全距离，机器人朝着目标点直线移动，否则，启动萤火虫算法，构建一种新的适应度函数来计算下一步最佳位置，并更新机器人位置和动态目标点位置；直到机器人到达动态目标点后，停止更新。本发明构建的适应度函数依据动态目标点和障碍物情况实时更新，具有很好的动态实用性，且启动两种路径规划策略，提高了规划效率，具有很好的追踪动态目标点的路径规划能力。

Description

一种目标点动态变化的机器人路径规划新方法

技术领域

本发明涉及一种路径规划智能方法，尤其涉及一种目标点动态变化的萤火虫路径动态规划新方法。

背景技术

机器人在许多的基本社会活动中取代了人类。然而，为移动机器人设计一种有效的导航策略并确保其安全性是自主机器人中最重要的问题。因此，路径规划问题是机器人运动的最重要的问题之一。

在实际机器人的服务过程中，经常会出现目标点动态变化的场景。比如说在餐厅使用移动机器人来配送食物，当顾客换了座子之后，就相当于机器人的目标点发生改变，必须要动态追踪目标点，并及时规划新的路径。同理，在一些物流配送过程中，也会出现目标点移动的情况。如何使得机器人能自适应目标点变化而准确移动到新的目标是一个具有挑战的问题。

由于这种目标点的不确定性，静态环境下的全局路径规划方法不能适用。许多学者探索了大量路径规划方法，可以概括为四大类方法:人工势场法、启发式智能方法、基于数学优化的方法和一些几何方法。这几类方法各有优缺点，人工势场法使用非常普遍，但在不确定环境中进行运动规划时存在目标点不可达的缺陷。近年来，启发式智能方法引起了学者的注意，许多学者开始探索启发式群智能方法在路径规划中的应用。启发式群智能方法包括粒子群算法、蚁群算法、遗传算法及萤火虫算法等。萤火虫算法凭借其参数少，且迭代模型中引入了一个随机参数，能够克服智能算法过于早熟的缺陷，找到好的优化解。在路径规划问题上能够使得机器人不会停滞在某个点不继续移动，移动路径长度也能较短，已有文献表明：静态环境下使用萤火虫算法的路径规划具有较好的效果。

由于目标点的变动,机器人在移动过程中既要避开环境中已有的障碍物，又要根据目标点的变化调整移动方向，同时考虑当前移动路线是优化解，因此，构建萤火虫的适应度函数必需关联障碍物和目标点；萤火虫算法同其它启发式智能方法一样，普遍存在的一个问题是计算效率比较低，为了提高路径规划的运算效率，该发明在路径规划过程中引入策略选择技术。这是该专利的两个主要创新点。

发明内容

本发明主要解决的技术问题是为了克服现有技术的不足，在目标点动态不确定移动的情景下，提供一种可行性强、能准确到达动态目标点的萤火虫路径规划方法。

为解决上述技术问题，本发明提出的技术方案为一种目标点动态变化的机器人路径规划新方法，包括以下步骤，

第一步：构建路径规划环境模型：采用2维平面中的图像像素点表征环境模型中的障碍物空间、自由移动空间和可运动的最大场景边界；

第二步：路径规划参数与萤火虫算法参数的初始化：包括机器人起点位置、移动步长及机器人的安全距离范围D，初始目标点位置、目标点移动步长及运动方向，萤火虫的种群大小N、迭代次数、光吸收系数γ、萤火虫最大吸引度因子β₀、萤火虫移动步长因子α及萤火虫个体的生成范围；

第三步：检测前方障碍物：按照机器人运动方向的正前方、正前方向左偏转θ角度和正前方向右偏转θ角度的方位检测障碍物，并记录障碍物与机器人当前位置的距离dis；

第四步：机器人移动策略设计：若距离值dis大于安全距离D，则机器人继续朝着目标点直线移动，否则，启动萤火虫路径规划算法进行移动位置寻优；

第五步：构建新的适应度函数：基于萤火虫个体与最近障碍物间的距离D_fo和萤火虫与目标点间的距离D_fg来构建萤火虫优化算法的适应度函的数学模型，即:

其中，K₁与K₂分别为适应度参数，为常数， xo与yo分别表示距离该萤火虫最近的障碍物的x与y值，与分别表示萤火虫f_i在环境图中坐标值x与y的值；x_g与y_g分别表示目标点的x与y值；

第六步：在机器人前方动态规划计算域中随机撒入一定数量的萤火虫，剔除障碍物区域的萤火虫，每个萤火虫按照标准萤火虫更新迭代公式运算，再用适应度函数计算每个萤火虫的适应度函数值，获得最佳萤火虫位置；

第七步：更新机器人位置：其中，step为机器人移动步长，为当前机器人位置与最佳萤火虫位置的方向连线，其连线与y轴正方向的偏转值，只取正值，i＝0,1,2…n；

第八步：自适应调节机器人移动速度：移动速度采用比列反馈控制，机器人移动速度与距离障碍物远近成正比例关系；

第九步：按照给定步长和移动方位角更新目标位置：xg_i+1＝xg_i+ν×sin(ω)，yg_i+1＝yg_i+ν×cos(ω)，其中，ν为目标点移动步长，ω为移动方向与x轴正方向的偏转值；

第十步：重复第三步～第九步移动机器人，到达目标点后终止运算。

上述的构建路径规划环境模型方法，优选的，所述构建环境模型的具体操作包括以下步骤：

1)利用单目或双目摄像机获得实际机器人运动场景图像；

2)利用Python语言读入摄像机图像，将彩色图像转化为灰度图像，并对图像阈值处理，其中像素点数值为0的代表障碍物区域，像素点为255区域表征自由运动区域，并约定机器人的最大运动边界。

上述的更新机器人位置，优选的，所述偏转角的值为：偏转角为亮度最大的萤火虫所在方位与y轴正方向的夹角，取绝对值。

与现有技术相比，本发明的优点在于：本发明涉及一种目标点动态变化的机器人路径规划新方法，构建了一种新的萤火虫算法适应度函数，使得该方法不仅有很好的避障功能，相比于常用的人工势场法具有更好的路径规划效果(路径更短)，且能更好的追踪动态目标点。借助于现有的移动智能小车，利用简易的Python语言将该方法嵌入移动智能小车工业控制中，并采用相机作为主要传感器测量障碍物与小车之间的距离，该方法可以在实际移动机器人中应用。

附图说明

图1为本发明实施例中目标点动态变化的萤火虫路径规划技术流程图。

图2为本发明实施例中机器人路径规划的二维环境模型。

图3为本发明实施例中使用该发明新方法的路径规划效果图。

图4为本发明实施例中目标点动态变化的人工势场法路径规划效果图。

具体实施方式

为了便于理解本发明，下文将结合说明书附图和较佳的实施例对本发明作更全面、细致地描述，但本发明的保护范围并不限于以下具体的实施例。

除非另有定义，下文中所使用的所有专业术语与本领域技术人员通常理解的含义相同。本文中所使用的专业术语只是为了描述具体实施例的目的，并不是旨在限制本发明的保护范围。

实施例：

如图1至图3所示的一种目标点动态变化的机器人路径规划新方法，路径规划的环境模型为二维平面的正方形，障碍物为静态障碍物，可以根据实际场景描述；机器人和目标移动轨迹用小正方形移动轨迹描述；机器人和目标点移动速度不同，路径规划的总体技术图，见图1。

本实施例的目标点动态变化的机器人路径规划新方法，包括以下步骤：

第一步：构建路径规划环境模型：本实施例中，采用2维平面模型来表征机器人运动的环境模型，利用单目或双目相机获得实际机器人运动场景图像，利用Python语言读取相机图像，将彩色图像转化为灰度图像，并对图像进行阈值处理。比如，图像中像素点值为0的位置表征环境模型中的障碍物空间，像素点为255区域表征自由移动空间，整个路径规划计算域为边长500*500的像素点正方形，定义每个像素到相邻像素点的距离代表1cm物理空间长度，即环境地图大小为500cm*500cm的正方形，具体案例环境地图模型，见图2，图中黑色形状物体为障碍物，并以水平向右为横坐标正方向，竖直向下为纵坐标正方向。

第二步：路径规划参数和萤火虫算法参数的初始化，其中包括机器人、目标点与萤火虫算法的基本参数初始化：

1)机器人初始化：机器人起点位置在环境地图(50，50)处，移动步长为step＝10cm，机器人的安全距离范围为D＝20cm。

2)目标点初始化：初始目标点位置在环境地图(450，450)处，移动步长为ν＝1cm，方向为水平向左，即ω＝pi。

3)萤火虫算法初始化：萤火虫的种群大小为N＝50，迭代次数为50次，光吸收系数γ＝0.5，萤火虫的最大吸引度因子β₀＝0.3，萤火虫移动公式中的步长因子α＝0.5，并设置萤火虫个体的生成范围在机器人正前方10cm的半圆内，且生成位置不含有障碍物存在。

第三步：检测前方障碍物：按照机器人运动方向的正前方、正前方向左偏转45°和正前方向右偏转45°的方位检测障碍物，并记录障碍物与机器人当前位置的距离dis。

第四步：机器人移动策略设计：若距离值dis大于安全距离20cm，则机器人继续朝着目标点直线移动，否则，启动萤火虫路径规划算法进行移动位置寻优。

其中，适应度参数K₁＝0.、5K₂＝0.001， x_o与y_o分别表示距离该萤火虫最近的障碍物在环境图中坐标值x与y值，与分别表示萤火虫f_i在环境图中坐标值x与y的值；x_g与y_g分别表示目标点在环境图中坐标值的x与y值。

第六步：在机器人前方动态规划计算域中随机撒入一定数量的萤火虫，剔除障碍物区域的萤火虫，每个萤火虫按照标准萤火虫更新迭代公式运算，再用适应度函数计算每个萤火虫的适应度函数值，获得最佳萤火虫位置，具体包括以下步骤：

1)在机器人正前方半径为10cm的半圆计算域内随机撒入50个萤火虫，并剔除障碍物区域的萤火虫；

2)萤火虫位置的更新：当萤火虫i的亮度强于萤火虫j的亮度，那么萤火虫j将朝着萤火虫i运动；

2.1)计算萤火虫i与萤火虫j之间的距离：其中，(xn_i,yn_i) 为萤火虫i的x，y轴坐标值，(xn_j,yn_j)为萤火虫j的x，y轴坐标值；

2.2)计算萤火虫i与萤火虫j之间吸引力为：其中β₀＝0.3，γ＝0.5；

2.3)萤火虫j向萤火虫i移动：其中，萤火虫j的x、y值的更新公式分别为： xn_j＝xn_j+β_ij×(xn_i-xn_j)+α×(rand-0.5)，yn_j＝yn_j+β_ij×(yn_i-yn_j)+α×(rand-0.5)，步长因子α＝0.5，rand为范围在[0，1]之间的随机数；

3)重新计算萤火虫j的适应度函数值：采用步骤五中公式分别计算萤火虫j与障碍物的距离D_fo、萤火虫j与目标点的距离D_fg，然后通过适应度函数计算萤火虫j的适应度值。

第七步：更新机器人位置：

1)计算偏转角为当前机器人位置与最佳萤火虫位置的方向连线，其连线与y轴正方向的偏转角度。在实际场景中，舵机控制机器人的转动，而舵机每秒能转动的角度具有局限性，便在机器人每次的行进步长里，设置最大的偏转角即当偏转角偏转角

2)机器人位置的更新：机器人x、y值的更新公式分别为：其中，机器人移动步长step＝10，i＝0,1,2…n。

第八步：自适应调节机器人移动速度：移动速度采用比列反馈控制，机器人移动速度与距离障碍物远近成正比例关系。

第九步：按照给定步长和移动方位角更新目标位置：xg_i+1＝xg_i+ν×sin(ω)，yg_i+1＝yg_i+ν×cos(ω)，其中，目标点移动步长ν＝1，目标点移动方向与x轴正方向的偏转角ω＝pi。

本发明实施例中目标点动态变化的萤火虫路径规划效果，见图3，基于该发明提出的目标点动态变化的路径规划新方法能够获得较好的路径规划效果；并在同场景下运用常规的人工势场法路径规划进行对比研究，实现结果见图4，人工势场法具有明显的目标点不可达特性。本实施例中，将程序以Python语言的方式嵌入机器人系统中，根据实际相机传感器获取机器人与障碍物的距离信息，分别通过舵机与电机控制机器人的转动与移动，已经该发明的路径规划方法，便能在目标点不确定的环境中完成路径规划。

Claims

1.一种目标点动态变化的机器人路径规划新方法，其特征在于，包括以下步骤：

其中，K₁与K₂分别为适应度参数，为常数， x_o与y_o分别表示距离该萤火虫最近的障碍物的横、纵坐标x与y值，与分别表示萤火虫f_i在地图坐标系中x与y的值；x_g与y_g分别表示目标点的x与y值；

第六步：在机器人前方动态规划计算域中随机撒入一定数量的萤火虫，剔除障碍物区域的萤火虫，每个萤火虫按照标准萤火虫更新迭代公式运算，再用公式(1)计算每个萤火虫的适应度函数值，获得最佳萤火虫位置；

2.根据权利要求1所述的一种目标点动态变化的机器人路径规划新方法，其特征在于，上述第一步的具体操作包括以下步骤：

1)利用单目或双目摄像机获得机器人实际运动场景图像；

2)利用Python语言读入摄像机图像，将彩色图像转化为灰度图像，并对图像进行阈值处理，其中像素点数值为0的代表障碍物区域，像素点为255区域表征自由运动区域，并约定机器人的最大运动边界。

3.根据权利要求1所述的目标点动态变化的机器人路径规划新方法，其特征在于，所述上述第七步的偏转角为亮度最大的萤火虫所在方位与y轴正方向的夹角，取绝对值。