CN110411454B - 一种改进随机路径图法的移动机器人路径规划方法 - Google Patents

Abstract

本发明涉及一种改进随机路径图法的移动机器人路径规划方法，涉及机器人导航领域，本发明以随机路径图法(Probabilistic Roadmaps，PRM)为基础，解决了移动机器人在实际路径规划的问题。具体技术方案为：把实际环境地图转化为二进制地图，在采样阶段利用自适应采样和高斯采样相结合，提高对困难区域(如，狭窄通道)的采样点数，使之对复杂地图都有较强的适应性；在查询阶段，通过改变连接采样点的距离，使其不合理的路径减少，从而有效的提升规划速度。本发明所提供的移动机器人路径规划方法程序简便，计算速度快，有效的改进了原算法的缺点，使自移动机器人路径规划的工作效率得到了极大地提高。

Description

一种改进随机路径图法的移动机器人路径规划方法

技术领域

本发明属于机器人的技术领域,涉及移动机器人路径规划方法，特别涉及一种改进随机路径图法的移动机器人路径规划方法。

背景技术

机器人的出现大大解放了人们，让人们摆脱了枯燥无味，劳累且危险的工作。1959年，人类历史上第一台工业机器人被机器人之父恩格尔伯格制造出来，让人们第一次见识到了机器人的作用。目前全球各个国家和科研机构都非常重视机器人技术，因为机器人是衡量一个国家发展和和科技水平的重要标志。从20世纪开始，自主移动机器人开始慢慢进入我们的视野，因为自主移动机器人的高灵活性，在越来越多的领域力都开始被应用。而路径规划作为移动机器人应用的核心部分，引起了研究人员广泛研究。

路径规划是依照某一特性(时间，距离)连接起点位置和终点位置的路径，使路径与障碍物保持相对安全的距离，并同时保证路径的长度和规划时间尽可能的短。目前路径规划方面已经出现了各种各样的路径规划方法，例如人工势场、概率地图法(PRM)、快速搜索随机树(RRT)、蚁群算法和遗传算法等。然而人工势场法、蚁群算法和遗传算法等大多数算法都需要对环境地图进行精确的建模且障碍物大都必须为规则图形，而实际中环境通常比较复杂，障碍物形状不确定因素太高，所以建模难度大并且计算量大，很难进行实际应用。

PRM算法是基于随机采样，具有概率完备性，对环境地图和维数并不敏感，因此在实际中被大量的应用。PRM算法分为两个阶段：采样阶段和查询阶段。在采样阶段，由于PRM算法采样策略的概率性质，地图中各个区域的采样概率都相同，因此当采样点数量一定时，空闲区域面积越大采样点越多，但地图中狭窄通道区域中很难保证有足够的多采样点，从而造成规划路径失败或规划出的路径不是最优。查询阶段中，因为要在路径网络图中查询出最优路径，路径网络图中的路径数量决定着查询的时间，但是一般情况下路径网络图构建采用全链接的方式，这样使得包括了很多不合理的路径，使查询效率大大降低，并且规划出的路径在转弯处离障碍物较近，安全性不高。因此需要将PRM算法进行改进，提高对狭窄通道的适应性，弥补算法在采样阶段和查询阶段的不足，提高算法的效率和安全性。

发明内容

本发明将PRM算法进行优化，提出了一种改进随机路径图法的移动机器人路径规划方法，使算法采样阶段提高在狭窄通道的采样点数量，减少网络路径图中不合理路径的数量，同时提高弯道处距障碍物的距离，最终保证移动机器人在含有困难区域(如狭窄通道)地图路径规划的实时效率和规划路线的安全性。

为实现上述目的，本发明提出的技术方案是：

一种改进随机路径图法的移动机器人路径规划方法，具体规划方法如下：

步骤1、建立移动机器人工作空间的环境模型并将地图二值化，发布移动机器人的初始点和目标点；

步骤2、使用自适应采样和高斯采样获取采样点；

步骤3、限制各个采样点的连接的距离，构建路径网络图；

步骤4、在路径网络图中寻找最优路径。

进一步的，步骤1中构建地图方法具体包括以下步骤：

步骤101、利用空中摄像头获取地面环境实景图；

步骤102、进行灰度、二值化、腐蚀膨胀等图像的预处理，然后采用图像校正调整地图的误差,最后使用图像分割和连通域检测的方法识别障碍物区域，最后运用栅格法构建出全局地图。

进一步的，步骤2中采样方法具体包括以下步骤：

步骤201、在环境地图中采用自适应随机采样；

步骤202、在障碍物区域进行高斯采样，在障碍物中选取采样点，在该点的一定范围内进行均匀采样，直到落到空闲区域。

与现有技术相比，本发明的有益效果是：

1.本发明方法为了提高在狭窄通道的采样点数量，在采样阶段采用自适应采样和高斯采样相结合，使采样点围绕障碍物生成，从而保证当地图中存在狭窄通道时有足够多的采样点能够规划出合理路径。

2.本发明方法针对路径网络图中不合理的路径提出了一种基于连接点的优化方法，使算法在学习阶段构建的路径网络图中的路径数减少，从而缩短搜索时间，有效地提高了PRM算法的规划速度，并且提高了最终路径在弯道处的灵活性，增加了离障碍物的距离，使路径安全性大大增加。

附图说明

图1室内环境和构建出的全局地图；

图2采样策略；

图3改进PRM算法采样阶段仿真；

图4连接点优化算法策略；

图5改进PRM算法改变连接点仿真；

图6改进PRM算法整体流程图；

图7半实物仿真地图；

图8激光雷达实时地图；

图9改进PRM算法仿真结果。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。

本发明以随机路径图法(Probabilistic Roadmaps，PRM)为基础，解决了移动机器人在实际路径规划的问题；其具体技术方案为：把实际环境地图转化为二进制地图，在采样阶段利用自适应采样和高斯采样相结合，提高对困难区域(如，狭窄通道)的采样点数，使之对复杂地图都有较强的适应性；在查询阶段，通过改变连接采样点的距离，使其不合理的路径减少，从而有效的提升规划速度；本发明所提供的移动机器人路径规划方法程序简便，计算速度快，有效的改进了原算法的缺点，使自移动机器人路径规划的工作效率得到了极大地提高。

本发明利用空中摄像头获取地面环境实景图，然后利用图像分割和连通域检测识别障碍物区域，最终运用栅格法构建二维空间的环境模型。具体流程为：首先获取室内地面实景图，进行灰度、二值化、腐蚀膨胀等图像的预处理，然后采用图像校正调整地图的误差；然后使用图像分割和连通域检测的方法识别障碍物区域，最后运用栅格法构建出全局地图，如图1所示。

改进后算法的采样阶段进行仿真，将采样方法分为以下两步：1)在环境地图中采用自适应随机采样；2)在障碍物区域进行高斯采样，在障碍物中选取采样点，在该点的一定范围内进行均匀采样，直到落到空闲区域。具体过程如下：

首先，在地图中采用自适应随机采样。为了克服传统PRM算法在采样阶段大面积空闲区域有大量采样点，而狭窄通道区域却有相对较少采样点的缺点，本文利用障碍物的密度进行自适应采样。在障碍物密集区域进行大量采样，而在空闲大面积区域采取相对比较分散的采样点。因此，先在空闲区域进行采样，因为空闲区域障碍物的密度较小，所以采取较少且分散的采样点，最终使采样点的数量跟障碍物密度成正比。

第二步在障碍物区域内继续采样增加在狭窄通道内的采样点。图2中的采样点位于障碍物内，如b点，则以该点为中心构造出一个半径为d(d由自己设置，为计算方便本发明取1米)的圆形区域，在该区域内进行均匀采样。如采取的点位于空闲区域，如c点，则采取该点。若位于障碍物内，如e点，则舍弃该点，继续进行采样。从而保证在障碍物区域，或狭窄通道内有大量的采样点。

通过以上算法改进后在具有狭窄通道的地图中，改进PRM算法在狭窄区域有大量的采样点，如图3所示。

基于连接点优化可以有效的去除不合理的点。以未优化前一个点所构成的路径网络图为例，如图4左所示，A点在学习阶段连接各个点，构建一个不接触障碍物的路径网络图(如果路线接触障碍物自动舍弃不连接)。为了减少路径的数量，限定采样点的连接距离，经过优化后A点的连接如图4右中实线所示，距离A点较远点E和F点不进行连接，使构成的路径网络的路径数量大大减少。

因为限定了连接点的距离，优化后的路线图中路线较长的路径消失，为了寻找到最优路径，路线图会连接更多的采样点，这样使得规划出地路径在弯道处更加的灵活，加大路线离障碍物的距离，如优化前AF和AE路线(图4左中所示)优化后变为AHF和ACDE路线(图4右中虚线所示)，虽然优化后的路线在一定程度上加大了最终规划出来路径的长度，但是使得路线更加的安全可靠，加大了在实际中的应用性和实用性。

通过以上算法改进后在地图中对改进算法前后对比，改进后算法网路路径图路线明显减少，并且花费的时间较短，如图5所示。

为了验证算法实际的应用性，在Linux操作系统下的ROS环境下中使用物理仿真平台Stage进行机器人路径规划仿真。算法仿真流程如图6所示，仿真过程采用的机器人是一个搭载激光雷达可编程的基于ROS的移动机器人。在Stage下导入自己创建的二进制障碍物地图，如图7所示。机器人上搭载激光雷达，可以实时的避障和构建地图，机器人激光雷达实时构建的地图在Rviz中，如图8所示。

最终在半实物仿真下，移动机器人的仿真结果如图9所示。

对于本技术领域的普通技术人员来说，在不脱离本发明所属原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种改进随机路径图法的移动机器人路径规划方法，其特征在于，具体规划方法如下：

步骤1、建立移动机器人工作空间的环境模型并将地图二值化，发布移动机器人的初始点和目标点；

步骤2、使用自适应采样和高斯采样获取采样点；

步骤3、限制各个采样点的连接的距离，构建路径网络图；

步骤4、在路径网络图中寻找最优路径；

步骤1中构建地图方法具体包括以下步骤：

步骤101、利用空中摄像头获取地面环境实景图；

步骤102、进行灰度、二值化、腐蚀膨胀等图像的预处理，然后采用图像校正调整地图的误差,最后使用图像分割和连通域检测的方法识别障碍物区域，最后运用栅格法构建出全局地图；

步骤2中采样方法具体包括以下步骤：

步骤201、在环境地图中采用自适应随机采样；

步骤202、在障碍物区域进行高斯采样，在障碍物中选取采样点，在该点的一定范围内进行均匀采样，直到落到空闲区域；

在障碍物密集区域进行大量采样，而在空闲大面积区域采取相对比较分散的采样点；先在空闲区域进行采样，因为空闲区域障碍物的密度较小，所以采取较少且分散的采样点，最终使采样点的数量跟障碍物密度成正比；在障碍物区域内继续采样增加在狭窄通道内的采样点，采样点位于障碍物内，则以该点为中心构造出一个圆形区域，在该区域内进行均匀采样；采取的点位于空闲区域，则采取该点，若位于障碍物内，则舍弃该点，继续进行采样。

Images