CN110530373B - 一种机器人路径规划方法、控制器及系统 - Google Patents
一种机器人路径规划方法、控制器及系统 Download PDFInfo
- Publication number
- CN110530373B CN110530373B CN201910943074.1A CN201910943074A CN110530373B CN 110530373 B CN110530373 B CN 110530373B CN 201910943074 A CN201910943074 A CN 201910943074A CN 110530373 B CN110530373 B CN 110530373B
- Authority
- CN
- China
- Prior art keywords
- gravity
- individual
- robot
- path
- task
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000005484 gravity Effects 0.000 claims abstract description 125
- 239000002245 particle Substances 0.000 claims abstract description 44
- 238000012937 correction Methods 0.000 claims abstract description 36
- 238000013507 mapping Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 18
- 230000001133 acceleration Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000010365 information processing Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 43
- 238000004422 calculation algorithm Methods 0.000 description 34
- 238000010586 diagram Methods 0.000 description 19
- 238000004590 computer program Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G01C21/20—Instruments for performing navigational calculations
-
- 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
- G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Manipulator (AREA)
Abstract
本公开提供了一种机器人路径规划方法、控制器及系统,其中,机器人路径规划方法包括:接收机器人需遍历的任务点位置信息;执行引力搜索算子,输出机器人遍历所有任务点的最优路径;其中,在执行引力搜索算子的过程中,计算引力搜索算子粒子群中任意两个个体之间的引力修正项,并采用高斯函数作为引力修正项的映射函数得到引力加权因子,利用引力加权因子来修正个体在粒子群中受到的合力。其引进高斯映射函数,对不同引力大小的个体进行调整,从而更新迭代规则,改善路径规划方法的解质量,提高全局搜索的范围,避免陷入局部最优解。
Description
技术领域
本公开属于机器人路径规划领域,尤其涉及一种机器人路径规划方法、控制器及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
随着移动机器人技术的高速发展以及社会需求的不断提高,移动机器人凭借操作性高、体型小巧、结构简单等优点,已被广泛应用于家庭服务、军事作战和航天探索等领域。机器人路径规划是移动机器人相关技术的研究热点,旨在已知的外界环境中通过预先分析,并在保证最短路径和最小损耗的情况下,构建一条遍历所有位置点的最优轨迹。移动机器人的路径规划问题是指在基于实际环境中无障碍物的情况下,将各个位置点信息预先存储在移动机器人运动系统中,并采用智能算法优化移动机器人的运动轨迹,缩短系统的运行时间,从而搜寻一条遍历所有任务点的最短路径。
目前,国内外学者已经对移动机器人路径规划算法进行了大量的研究,其中包括有传统的路径规划算法,比如A*算法、人工势场法等;以及启发式群体智能算法,如粒子群优化算法、遗传退火算法、鱼群算法、蚁群算法等,这些启发式群体智能算法在进行目标优化时,均具有简单、高效,并能改善目标解质量等优点,但是,发明人发现,传统的路径规划算法同样存在着解质量差、收敛精度低、收敛速度慢,易陷入局部最优,以及适应性不强等问题。
发明内容
为了解决上述问题,本公开提供一种机器人路径规划方法、控制器及系统,其在传统引力搜索算法的基础上,引进高斯映射函数,对不同引力大小的个体进行调整,改善路径规划方法的解质量,提高全局搜索的范围,避免陷入局部最优解。
为了实现上述目的,本公开采用如下技术方案:
本公开的第一个方面提供一种机器人路径规划方法。
一种机器人路径规划方法,包括:
接收机器人需遍历的任务点位置信息;
执行引力搜索算子,输出机器人遍历所有任务点的最优路径;其中,在执行引力搜索算子的过程中,计算引力搜索算子粒子群中任意两个个体之间的引力修正项,并采用高斯函数作为引力修正项的映射函数得到引力加权因子,利用引力加权因子来修正个体在粒子群中受到的合力。
作为一种实施方式,执行引力搜索算子,输出机器人遍历所有任务点的最优路径的过程为:
根据机器人需遍历的任务点位置信息,初始化引力搜索算子粒子群中各个体的位置,得到机器人的路径规划序列,预设初始速度为零及遍历终止条件;
根据机器人的路径规划序列,计算遍历每个任务点后的机器人运行路径之和,进而得到引力搜索算子粒子群中所有任务点的执行顺序序列集合;
计算在每次迭代中,机器人运行的最长路径和最短路径,分别作为最差的目标函数适应值以及最优的目标函数适应值,进而得到引力搜索算子粒子群中个体的质量;
根据引力搜索算子粒子群中个体的质量,计算一个体对另一个体的引力,同时利用引力加权因子来修正个体在粒子群中受到的合力,进而得到个体的加速度;
更新个体的速度以及位置信息,直至达到遍历终止条件,输出机器人遍历所有任务点的最优路径。
本实施例采用高斯映射函数计算引力加权因子,可削弱空间较接近的个体在第d维空间上的引力,增强空间距离较远个体间的引力,从而可避免引力算法陷入局部最优解,拓展解空间的搜索范围,提高全局访问的能力。
作为一种实施方式,引力搜索算子粒子群中任意两个个体之间的引力修正项为:
其中,表示个体i与个体j在第d维空间上的引力修正项;为第i个个体在第d维空间上的位置,即移动机器人路径规划中遍历的第d个任务点;为第j个个体在第d维空间上的位置,即移动机器人路径规划中遍历的第d个任务点;Xi和Xj分别表示个体i的在所有任务点构成的空间中的位置以及表示个体j的在所有任务点构成的空间中的位置。
其中,σ为高斯函数的方差。
作为一种实施方式,采用距离顺序选择机制进行个体位置信息更新时,其过程为:
当前迭代的个体位置信息更新为与下一次迭代得到的个体位置最接近的任务点位置,并按照距离相近顺序依次选择更新后的位置坐标。
本公开的第二方面提供一种机器人路径规划控制器。
一种机器人路径规划控制器,包括:
任务点位置信息接收模块,其用于接收机器人需遍历的任务点位置信息;
最优路径输出模块,其用于执行引力搜索算子,输出机器人遍历所有任务点的最优路径;其中,在执行引力搜索算子的过程中,计算引力搜索算子粒子群中任意两个个体之间的引力修正项,并采用高斯函数作为引力修正项的映射函数得到引力加权因子,利用引力加权因子来修正个体在粒子群中受到的合力。
作为一种实施方式,所述最优路径输出模块,包括:
初始化模块,其用于根据机器人需遍历的任务点位置信息,初始化引力搜索算子粒子群中各个体的位置,得到机器人的路径规划序列,预设初始速度为零及遍历终止条件;
执行顺序序列集合获取模块,其用于根据机器人的路径规划序列,计算遍历每个任务点后的机器人运行路径之和,进而得到引力搜索算子粒子群中所有任务点的执行顺序序列集合;
个体质量计算模块,其用于计算在每次迭代中,机器人运行的最长路径和最短路径,分别作为最差的目标函数适应值以及最优的目标函数适应值,进而得到引力搜索算子粒子群中个体的质量;
引力修正及加速度计算模块,其用于根据引力搜索算子粒子群中个体的质量,计算一个体对另一个体的引力,同时利用引力加权因子来修正个体在粒子群中受到的合力,进而得到个体的加速度;
速度及位置信息更新模块,其用于更新个体的速度以及位置信息,直至达到遍历终止条件,输出机器人遍历所有任务点的最优路径。
作为一种实施方式,在所述引力修正及加速度计算模块中,引力搜索算子粒子群中任意两个个体之间的引力修正项为:
其中,表示个体i与个体j在第d维空间上的引力修正项;为第i个个体在第d维空间上的位置,即移动机器人路径规划中遍历的第d个任务点;为第j个个体在第d维空间上的位置,即移动机器人路径规划中遍历的第d个任务点;Xi和Xj分别表示个体i的在所有任务点构成的空间中的位置以及表示个体j的在所有任务点构成的空间中的位置;
其中,σ为高斯函数的方差。
作为一种实施方式,在所述速度及位置信息更新模块中,采用距离顺序选择机制进行个体位置信息更新时,其过程为:
当前迭代的一个体位置信息更新为与下一次迭代得到的个体位置最接近的任务点位置,并按照距离相近顺序依次选择更新后的位置坐标。
本公开的第三方面提供一种机器人系统。
一种机器人系统,其包括上述所述的机器人路径规划控制器。
本公开的有益效果是:
(1)本公开针对移动机器人在进行多位置路径规划时,轨迹规划的最优解易陷入局部最优、且迭代算法收敛精度不高的缺点,提出了一种机器人路径规划方法,该方法通过引入高斯映射函数,拓展解空间的搜索范围,有效的提高了所述算法的全局访问能力。
(2)本公开考虑了实际情况下移动机器人进行路径规划时的时效问题,所述路径规划算法具有算法结构简单、运行效率高,极大程度上拓展了该算法的工程应用范围。
(3)本公开所提出的一种机器人路径规划方法,运行效率高,能有效保证所述算法能搜索到路径规划的全局最优解,具有较强的实用性和有效性。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例提供的机器人路径规划方法流程框图;
图2为本公开实施例提供的移动机器人路径规划时,需预先存储的任务数为50时的位置点示意图;
图3为本公开实施例提供的移动机器人路径规划时,任务数为50时,运行所述算法时的最优路径示意图;
图4为本公开实施例提供的移动机器人路径规划时,任务数为50时的运行所述算法的迭代次数与目标函数值关系的示意图;
图5为本公开实施例提供的移动机器人路径规划时,需预先存储的任务数为80时的位置点示意图;
图6为本公开实施例提供的移动机器人路径规划时,任务数为80时,运行所述算法时的最优路径示意图;
图7为本公开实施例提供的移动机器人路径规划时,任务数为80时的运行所述算法的迭代次数与目标函数值关系示意图;
图8为本公开实施例提供的机器人路径规划控制器结构示意图;
图9为本公开实施例提供的最优路径输出模块结构示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
术语解释:
引力搜索算子是一种智能启发式算法,在求解优化问题时,搜索个体的位置和问题的解相对应,并且还需考虑所述算法的个体质量,个体质量用以评价个体的优劣性,位置越好质量越大。并且由于引力的作用,个体间相互吸引并且朝着质量较大的个体方向移动,个体运动遵循牛顿第二定律。因此,随着运动的不断进行,最终整个整体都会聚集在质量最大个体的周围,从而找到质量最大的个体,当最大的个体占据着最优位置时,算法便可获得问题的最优解。
引力搜索算子相当于一种信息传递的工具,用以实现个体间的信息优化和共享,将整个群体在引力作用下进行优化搜索。信息的交互过程不仅在群体内部传播了信息,而且在群体内所有个体都能处理信息,并根据其所得到的信息改变自身的搜索行为,使整个群体涌现出一些单个个体所不具备的能力和特性。但是,由于所有个体偏向质量大的解,易造成解质量差、收敛精度低、收敛速度慢,易陷入局部最优,以及适应性不强等缺点。
本实施例针对移动机器人在进行位置点遍历时,通过规划遍历路径获得的最优解易陷入局部最优,以致不能得到全局路径规划最优解的现象,提出了在引力搜索算子的基础上,引进高斯映射函数,对不同引力大小的个体进行调整,从而更新迭代规则,改善路径规划算法的解质量,提高全局搜索的范围,避免陷入局部最优解。
实施例1
图1为本实施例提供的机器人路径规划方法流程图。
如图1所示,本实施例的机器人路径规划方法,包括:
Step1:根据移动机器人进行路径规划需遍历的任务点,初始化引力搜索算子粒子群中各个体的位置,得到机器人的路径规划序列,预设初始速度为零及遍历终止条件;设在一个D维空间上,存在N个个体,则第i个个体的位置信息,即所述的移动机器人的路径规划序列编码为:
具体地,在二维平面上初始化移动机器人进行路径规划需遍历的任务点,即随机产生50和80个任务点。图2和图5分别表示所述的移动机器人需执行任务数分别为D=50、80时的移动机器人执行任务的分布图。则设在一个D=50、80维空间上,存在N=60个个体,每一个个体值表示执行任务数分别为D=50、80时,任务点的执行顺序序列,随机产生一组序列排序,表示初始个体值,即同时设所述算法的迭代次数为10000。
Step2:根据移动机器人按照路径规划序列,遍历每一个任务点后,所述移动机器人的运行路径之和为:
其中,f(Xi)表示目标函数适应值,即第i个个体Xi所代表任务序列的运行距离之和。
通过公式(2)的目标函数的计算公式,计算移动机器人遍历每一个任务点后,相邻顺序任务点之间的距离和,即所述移动机器人的运行路径之和。
Step3:借助上述计算得到的移动机器人的运行路径之和,群体中所有任务点的执行顺序序列集合为X(iter)=(X1、X2、…、X60),计算在第iter次迭代中,最差的目标函数适应值以及最优的目标函数适应值,即由公式(2)得到的移动机器人最长以及最短的运行路径之和。再根据公式(3)的质量计算公式,评价所述算法中第i个个体的质量。
根据群体中第i个个体的质量计算公式,将所述的移动机器人每一种路径规划序列得到的目标值进行具化,则所述的移动机器人路径规划的质量表达式为:
其中,Mi(iter)表示为所述算法,在第iter次迭代时,第i个个体的质量;worst(iter)表示为所述算法在第iter次迭代时,所有个体中最差适应度函数值;而best(iter)则为最优适应度函数值。
Step4:在第d维空间、第iter次迭代中,即机器人第d个需要遍历的任务点,按照公式(4)计算第i个个体对另一个体j的引力。其中,引力值随时间变化的表达式为Go为引力初始值,α=2为下降系数,To=10为时间常数;ε=0.01为正则项。
在第d维空间上,第i个个体对另一个体j的引力计算公式为:
Step5:根据公式(5),由引力修正公式计算个体i与个体j在第d维空间上的引力修正值,并采用高斯函数作为映射函数,由公式(6)计算引力加权因子。
采用高斯函数作为映射函数,则引力加权因子的表达式为:
其中,σ为高斯函数的方差,其为常系数。
采用高斯映射函数计算引力加权因子,可削弱空间较接近的个体在第d维空间上的引力,增强空间距离较远个体间的引力,从而可避免引力算法陷入局部最优解,拓展解空间的搜索范围,提高全局访问的能力。
Step6:由公式(7)、(8)计算在第d维上,个体i受到群体中其他个体的引力和,以及个体i的加速度。
在第d维上,个体i受到群体中其他个体的引力和为:
式中:Kbest表示上式中前K个最好适应值。
在第d维空间上,个体i的加速度计算公式为:
Step7:由公式(9)更新个体每一维度上的速度以及位置信息。
可得到第i个个体,在第d维上、第iter+1次的更新公式,其中randi为在0-1之间的随机数:
由于机器人路径规划方法,指预先给定移动机器人需要遍历的位置点,因此由所述算法更新的位置点需与预先存储的位置信心相一致,因此所述算法在进行算法个体信息更新时,采用了距离顺序选择机制,具体是指在进行位置更新时,个体i第d维上的位置信息更新为与相近的任务坐标点的索引,为避免更新后的位置重复则按照距离相近顺序依次选择。
为验证本实施例提供的方法的正确性,本实施例基于Matlab2018a仿真平台,验证了移动机器人需执行任务数分别为D=50、80时的路径规划情况。
图2和图5分别为D=50、80时,移动机器人需完成任务目标点的分布情况。
图3和图6分别表示采用本所述算法时,任务数分别为D=50、80时,移动机器人经过优化后,得到的最短运行路径,各任务的执行顺序图。
图4和图7分别表示在进行路径规划时,采用本实施例的该路径规划方法后,收敛曲线示意图,从该曲线图上可以看出,本实施例的该路径规划方法具有较高的收敛精度和收敛速度。
本实施例与现有技术相比的优点在于:
(1)本实施例考虑了传统的重力搜索方法存在,最优解易陷入局部最优的缺点,提出了高斯重力搜索算法,采用高斯项求解引力加权因子,以拓宽解空间范围。
(2)本实施例提出了高斯重力搜索方法,具有较高收敛速度和收敛精度,具有很强的实用性与可观性。
实施例2
如图8所示,本实施例提供一种机器人路径规划控制器,其包括:
(1)任务点位置信息接收模块,其用于接收机器人需遍历的任务点位置信息;
(2)最优路径输出模块,其用于执行引力搜索算子,输出机器人遍历所有任务点的最优路径;其中,在执行引力搜索算子的过程中,计算引力搜索算子粒子群中任意两个个体之间的引力修正项,并采用高斯函数作为引力修正项的映射函数得到引力加权因子,利用引力加权因子来修正个体在粒子群中受到的合力。
在具体实施中,如图9所示,所述最优路径输出模块,包括:
(2.1)初始化模块,其用于根据机器人需遍历的任务点位置信息,初始化引力搜索算子粒子群中各个体的位置,得到机器人的路径规划序列,预设初始速度为零及遍历终止条件;
(2.2)执行顺序序列集合获取模块,其用于根据机器人的路径规划序列,计算遍历每个任务点后的机器人运行路径之和,进而得到引力搜索算子粒子群中所有任务点的执行顺序序列集合;
(2.3)个体质量计算模块,其用于计算在每次迭代中,机器人运行的最长路径和最短路径,分别作为最差的目标函数适应值以及最优的目标函数适应值,进而得到引力搜索算子粒子群中个体的质量;
(2.4)引力修正及加速度计算模块,其用于根据引力搜索算子粒子群中个体的质量,计算一个体对另一个体的引力,同时利用引力加权因子来修正个体在粒子群中受到的合力,进而得到个体的加速度;
其中,在所述引力修正及加速度计算模块中,引力搜索算子粒子群中任意两个个体之间的引力修正项为:
其中,表示个体i与个体j在第d维空间上的引力修正项;为第i个个体在第d维空间上的位置,即移动机器人路径规划中遍历的第d个任务点;为第j个个体在第d维空间上的位置,即移动机器人路径规划中遍历的第d个任务点;Xi和Xj分别表示个体i的在所有任务点构成的空间中的位置以及表示个体j的在所有任务点构成的空间中的位置;
其中,σ为高斯函数的方差,其为常系数。
(2.5)速度及位置信息更新模块,其用于更新个体的速度以及位置信息,直至达到遍历终止条件,输出机器人遍历所有任务点的最优路径。
其中,在所述速度及位置信息更新模块中,采用距离顺序选择机制进行个体位置信息更新时,其过程为:
当前迭代的一个体位置信息更新为与下一次迭代得到的个体位置最接近的任务点位置,并按照距离相近顺序依次选择更新后的位置坐标。
实施例3
本实施例提供一种机器人系统,其包括实施例2所述的机器人路径规划控制器。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (9)
1.一种机器人路径规划方法,其特征在于,包括:
接收机器人需遍历的任务点位置信息;
执行引力搜索算子,输出机器人遍历所有任务点的最优路径;其中,在执行引力搜索算子的过程中,计算引力搜索算子粒子群中任意两个个体之间的引力修正项,并采用高斯函数作为引力修正项的映射函数得到引力加权因子,利用引力加权因子来修正个体在粒子群中受到的合力;
引力搜索算子粒子群中任意两个个体之间的引力修正项为:
2.如权利要求1所述的一种机器人路径规划方法,其特征在于,执行引力搜索算子,输出机器人遍历所有任务点的最优路径的过程为:
根据机器人需遍历的任务点位置信息,初始化引力搜索算子粒子群中各个体的位置,得到机器人的路径规划序列,预设初始速度为零及遍历终止条件;
根据机器人的路径规划序列,计算遍历每个任务点后的机器人运行路径之和,进而得到引力搜索算子粒子群中所有任务点的执行顺序序列集合;
计算在每次迭代中,机器人运行的最长路径和最短路径,分别作为最差的目标函数适应值以及最优的目标函数适应值,进而得到引力搜索算子粒子群中个体的质量;
根据引力搜索算子粒子群中个体的质量,计算一个体对另一个体的引力,同时利用引力加权因子来修正个体在粒子群中受到的合力,进而得到个体的加速度;
更新个体的速度以及位置信息,直至达到遍历终止条件,输出机器人遍历所有任务点的最优路径。
4.如权利要求2所述的一种机器人路径规划方法,其特征在于,采用距离顺序选择机制进行个体位置信息更新时,其过程为:
当前迭代的个体位置信息更新为与下一次迭代得到的个体位置最接近的任务点位置,并按照距离相近顺序依次选择更新后的位置坐标。
5.一种机器人路径规划控制器,其特征在于,包括:
任务点位置信息接收模块,其用于接收机器人需遍历的任务点位置信息;
最优路径输出模块,其用于执行引力搜索算子,输出机器人遍历所有任务点的最优路径;其中,在执行引力搜索算子的过程中,计算引力搜索算子粒子群中任意两个个体之间的引力修正项,并采用高斯函数作为引力修正项的映射函数得到引力加权因子,利用引力加权因子来修正个体在粒子群中受到的合力;
引力搜索算子粒子群中任意两个个体之间的引力修正项为:
6.如权利要求5所述的一种机器人路径规划控制器,其特征在于,所述最优路径输出模块,包括:
初始化模块,其用于根据机器人需遍历的任务点位置信息,初始化引力搜索算子粒子群中各个体的位置,得到机器人的路径规划序列,预设初始速度为零及遍历终止条件;
执行顺序序列集合获取模块,其用于根据机器人的路径规划序列,计算遍历每个任务点后的机器人运行路径之和,进而得到引力搜索算子粒子群中所有任务点的执行顺序序列集合;
个体质量计算模块,其用于计算在每次迭代中,机器人运行的最长路径和最短路径,分别作为最差的目标函数适应值以及最优的目标函数适应值,进而得到引力搜索算子粒子群中个体的质量;
引力修正及加速度计算模块,其用于根据引力搜索算子粒子群中个体的质量,计算一个体对另一个体的引力,同时利用引力加权因子来修正个体在粒子群中受到的合力,进而得到个体的加速度;
速度及位置信息更新模块,其用于更新个体的速度以及位置信息,直至达到遍历终止条件,输出机器人遍历所有任务点的最优路径。
8.如权利要求6所述的一种机器人路径规划控制器,其特征在于,在所述速度及位置信息更新模块中,采用距离顺序选择机制进行个体位置信息更新时,其过程为:
当前迭代的一个体位置信息更新为与下一次迭代得到的个体位置最接近的任务点位置,并按照距离相近顺序依次选择更新后的位置坐标。
9.一种机器人系统,其包括如权利要求5-8中任一项所述的机器人路径规划控制器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910943074.1A CN110530373B (zh) | 2019-09-30 | 2019-09-30 | 一种机器人路径规划方法、控制器及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910943074.1A CN110530373B (zh) | 2019-09-30 | 2019-09-30 | 一种机器人路径规划方法、控制器及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110530373A CN110530373A (zh) | 2019-12-03 |
CN110530373B true CN110530373B (zh) | 2021-04-02 |
Family
ID=68671149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910943074.1A Active CN110530373B (zh) | 2019-09-30 | 2019-09-30 | 一种机器人路径规划方法、控制器及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110530373B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113447022B (zh) * | 2020-03-24 | 2024-06-14 | 百德机械股份有限公司 | 工件检测的路径规划方法及其系统 |
CN111859484B (zh) * | 2020-06-24 | 2022-05-31 | 苏州浪潮智能科技有限公司 | 自由曲面零件测量序列生成方法、装置、设备、存储介质 |
CN112465192B (zh) * | 2020-11-06 | 2024-05-17 | 浙江华睿科技股份有限公司 | 任务调度的方法、装置、设备及介质 |
CN113534790B (zh) * | 2021-05-18 | 2022-10-11 | 广西综合交通大数据研究院 | 路径规划方法、装置、电子设备及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646178A (zh) * | 2013-12-18 | 2014-03-19 | 中国石油大学(华东) | 一种基于改进引力搜索算法的多目标优化方法 |
CN106705975A (zh) * | 2017-01-11 | 2017-05-24 | 江苏科技大学 | 一种基于万有引力搜索的水面无人艇航路规划方法 |
CN107462255A (zh) * | 2017-08-01 | 2017-12-12 | 江西理工大学 | 应用交叉引力搜索的车辆路径规划方法 |
CN109346129A (zh) * | 2018-11-01 | 2019-02-15 | 大连大学 | 基于混沌和混合高斯变异改进引力搜索算法的dna序列优化方法 |
CN109765893A (zh) * | 2019-01-17 | 2019-05-17 | 重庆邮电大学 | 基于鲸鱼优化算法的移动机器人路径规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102591332B (zh) * | 2011-01-13 | 2014-08-13 | 同济大学 | 用于无人驾驶汽车局部路径规划的装置及方法 |
-
2019
- 2019-09-30 CN CN201910943074.1A patent/CN110530373B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646178A (zh) * | 2013-12-18 | 2014-03-19 | 中国石油大学(华东) | 一种基于改进引力搜索算法的多目标优化方法 |
CN106705975A (zh) * | 2017-01-11 | 2017-05-24 | 江苏科技大学 | 一种基于万有引力搜索的水面无人艇航路规划方法 |
CN107462255A (zh) * | 2017-08-01 | 2017-12-12 | 江西理工大学 | 应用交叉引力搜索的车辆路径规划方法 |
CN109346129A (zh) * | 2018-11-01 | 2019-02-15 | 大连大学 | 基于混沌和混合高斯变异改进引力搜索算法的dna序列优化方法 |
CN109765893A (zh) * | 2019-01-17 | 2019-05-17 | 重庆邮电大学 | 基于鲸鱼优化算法的移动机器人路径规划方法 |
Non-Patent Citations (3)
Title |
---|
Magnetic field SLAM exploration: frequency domain Gaussian processes and informative route planning;Anssi Kemppainen,et al;《2015 European Conference on Mobile Robots (ECMR). IEEE》;20151231;第1-7页 * |
基于高斯变异的引力搜索算法;隋永霞,孙合明;《江南大学学报》;20151031;第14卷(第5期);第596-600页 * |
引力搜索算法的改进及其应;陈微;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150415;第11-43页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110530373A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110530373B (zh) | 一种机器人路径规划方法、控制器及系统 | |
Yang et al. | Path planning for single unmanned aerial vehicle by separately evolving waypoints | |
Doctor et al. | Optimal PSO for collective robotic search applications | |
CN111381600B (zh) | 一种基于粒子群算法的uuv路径规划方法 | |
WO2018176596A1 (zh) | 基于权重改进粒子群算法的无人自行车路径规划方法 | |
Tuba et al. | Mobile robot path planning by improved brain storm optimization algorithm | |
CN104020665B (zh) | 基于多目标粒子群算法的机械臂最小跃度轨迹优化方法 | |
CN107607120A (zh) | 基于改进修复式Anytime稀疏A*算法的无人机动态航迹规划方法 | |
CN105138000A (zh) | 最优化基座位姿扰动的七自由度空间机械臂轨迹规划方法 | |
CN109597425A (zh) | 基于强化学习的无人机导航和避障方法 | |
Arora et al. | Robotic path planning using genetic algorithm in dynamic environment | |
CN106705975A (zh) | 一种基于万有引力搜索的水面无人艇航路规划方法 | |
CN110954124A (zh) | 一种基于a*-pso算法的自适应路径规划方法及系统 | |
CN112859855A (zh) | 一种基于蝗虫优化算法的机器人多目标路径规划 | |
CN113836803A (zh) | 基于改进狼群算法的无人机群资源调度方法 | |
Wang et al. | Research on dynamic path planning of wheeled robot based on deep reinforcement learning on the slope ground | |
Abbas et al. | An adaptive multi-objective particle swarm optimization algorithm for multi-robot path planning | |
CN111080035A (zh) | 基于改进量子粒子群优化算法的全局路径规划方法 | |
Tan et al. | Multi-UAV path planning based on IB-ABC with restricted planned arrival sequence | |
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 | |
Panda et al. | Autonomous mobile robot path planning using hybridization of particle swarm optimization and Tabu search | |
Hliwa et al. | Multi objective path planning in static environment using region of sight | |
Yunqiang et al. | Research on multi-objective path planning of a robot based on artificial potential field method | |
Du et al. | Reformative artificial bee colony algorithm based PID controller for radar servo system | |
CN115373400A (zh) | 基于动态更新机制蚁群算法的机器人路径规划方法及系统 |
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 |