CN110887484B - 基于改进遗传算法的移动机器人路径规划方法及存储介质 - Google Patents

基于改进遗传算法的移动机器人路径规划方法及存储介质 Download PDF

Info

Publication number
CN110887484B
CN110887484B CN201910973425.3A CN201910973425A CN110887484B CN 110887484 B CN110887484 B CN 110887484B CN 201910973425 A CN201910973425 A CN 201910973425A CN 110887484 B CN110887484 B CN 110887484B
Authority
CN
China
Prior art keywords
point
path
robot
points
obstacle
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
Application number
CN201910973425.3A
Other languages
English (en)
Other versions
CN110887484A (zh
Inventor
胡章芳
程亮
张玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Hongyue Information Technology Co ltd
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201910973425.3A priority Critical patent/CN110887484B/zh
Publication of CN110887484A publication Critical patent/CN110887484A/zh
Application granted granted Critical
Publication of CN110887484B publication Critical patent/CN110887484B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01C21/20—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
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • 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
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明请求保护一种基于改进遗传算法的移动机器人路径规划方法及存储介质，具体步骤为：首先，设置机器人起始点的位置坐标信息S(x,y)、目的地的位置坐标信息T(x,y)以及行走区域的困难度；然后，将障碍物的长度和宽度增大了机器人宽度的r倍(r>1/2)以确保机器人与障碍物有绝对的安全距离；接着，判定当前机器人在全局坐标系中的位姿；接着，利用SPS算法获取空间中各个静态障碍物的周围点；接着，得到所有可行路径，即初始种群。利用多约束条件下的遗传算法规划出从起始点到目标点的最优或次优路径，最后，判断是否已经到达目的地坐标位置。该方法能够尽量避免考虑相对最终路径而言不必要的点，从而提高搜索效率，加快算法的收敛速度，有利于防止算法陷入局部最优。

Description

基于改进遗传算法的移动机器人路径规划方法及存储介质
技术领域
本发明属于机器人路径规划技术领域，涉及一种多约束条件下基于改进遗传算法的移动机器人路径规划方法。
背景技术
随着机器人技术的发展，机器人的性能也越来越完善，不同功能的机器人被制造出来并且活跃在不同的领域。避障和路径规划日渐成为一个很重要的研究内容，它的目的是在具有障碍物的环境下寻找一条从起始点到目标点无碰撞的最优路径，并用智能路径规划控制方法使移动机器人沿规划的路径行走。但是在实际应用环境中，例如不同地形环境等，机器人在行进过程中往往还需要实现多种目标，如要求所需时间最短、消耗能量最少、路径最优、安全性能最好等等，而这些目标往往又存在冲突，耗时长，使得传统的方法不再适用，所以路径规划算法改进及研究是十分必要、十分有意义的，是机器人未来发展的重要基石。
针对移动机器人的路径规划的研究主要是要对障碍物进行有效的检测和碰撞躲避控制算法设计，使机器人能够准确快速的完成导航任务。对于对障碍物的检测，需要利用机器人自身所带的测量传感器，对障碍物进行距离与位置的测量以及运动状态的判断。目前对于这类传感器的使用一般有超声波传感器、红外传感器、激光传感器、视觉传感器等。
在机器人路径规划的研究上，比较常用的方法有人工势场法、粒子群算法、神经网络、遗传算法、模糊逻辑法以及蚁群算法等。
遗传算法是一种具有良好全局搜索能力和多目标隐式并行计算特点的启发式搜索方法。大部分优化算法都是单点搜索算法，很容易陷入局部最优解。但遗传算法是一种多点搜索算法，更有可能搜索全局，获得全局最优解。在整个搜索过程中，遗传算法不同于贪婪算法，在使用冲击搜索计算时不依赖于问题的梯度，但标准遗传算法有其固有缺陷，如早熟收敛、本地搜索能力较差等。因此，在实际应用中需要对其进行优化。
有鉴于此，本发明在静态障碍物的状态检测上利用激光传感器来实时扫描移动机器人导航中环境信息，存入初始种群路径，再利用多约束条件下基于改进遗传算法寻找一条耗费时间少，路径长度、路径困难度和路径平滑度都尽可能小的路径。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种提高搜索效率，加快种群收敛速度，保持种群多样性，能够在更少的时间内规划出一条最优或次优路径的基于改进遗传算法的移动机器人路径规划方法。本发明的技术方案如下：
一种基于改进遗传算法的移动机器人路径规划方法，其包括以下步骤：
S1，建立栅格点地图模型，并设置机器人起始点的位置坐标信息S(x,y)、目的地的位置坐标信息T(x,y)以及赋予每个栅格点一个属性值表示行走的困难度；
S2，运用障碍物膨胀法对障碍物进行膨胀，膨胀范围是机器人宽度的r倍，若膨胀之后两个障碍物相交则视为一个障碍物以确保机器人与障碍物有绝对的安全距离，r>1/2；
S3，判定当前机器人在全局坐标系中的初始位姿；
S4，利用Surrounding Point Set(SPS)算法获取空间中各个静态障碍物的周围点，若周围点在障碍物内，则缩小相邻栅格点之间的距离；
S5，将获得的障碍物周围点两两相连并去除与障碍物相交的连线，并用深度优先遍历得到从起始点到目标点的所有可行路径，即初始种群；然后增加删除算子、平滑算子优化生成的路径；最后引入小生境法来保持种群多样性。若到达迭代次数，则执行S6，若没达到迭代次数，则更新种群继续迭代；
S6：开始执行并判断是否已经到达目的地坐标位置T(x,y)，若到达则结束导航，若没有到达，则返回继续执行S4。
进一步的，所述步骤S2将对机器人工作空间中的栅格点赋予另一个属性值并用布尔值标识，标识该栅格点是否在障碍物内，具体标识：
Figure GDA0002369750880000031
式中，Pmn为栅格点标识符，Mmn为与Pmn对应栅格点的布尔值，m为栅格点对应的行，n为栅格点对应的列，T表示Pmn在障碍物内，F表示Pmn不在障碍物内，A表示Pmn为自由栅格点，B表示Pmn为威胁栅格点，障碍物膨胀法引入了虚拟障碍集合C，对障碍物周围的相邻栅格进行扩展，当相邻栅格以PNb表示时，扩展依据以下原则：
if PNb∈A,thenPNb∈C,MNb＝F
if PNb∈B,thenPNb∈C,MNb＝F
根据障碍物膨胀法和相邻栅格点之间的距离将障碍物膨胀为机器人宽度的r倍以确保机器人与障碍物有绝对的安全距离，r>1/2，若增大后两个障碍物相交，则视为一个障碍物，否则视为两个障碍物。
进一步的，所述步骤S3判定当前机器人在全局坐标系中的初始位姿，具体为：通过机器人的历史里程计数据结合当前环境信息E0i与地图环境模型进行匹配，定位当前机器人在全局坐标系中的位姿：
Figure GDA0002369750880000032
根据Eti与
Figure GDA0002369750880000033
判断t时刻环境中的障碍物的全局坐标为Oti(Xti,Yti)，满足：
Figure GDA0002369750880000034
其中，
Figure GDA0002369750880000035
表示起始时刻机器人在全局坐标系XOY中的位姿、x0表示起始时刻机器人在全局坐标系XOY中的横坐标、y0表示起始时刻机器人在全局坐标系XOY中的纵坐标、θ0表示起始时刻机器人的位姿角度，(xt,yt)表示t时刻机器人的全局坐标，d0i表示第i个障碍物到机器的距离，θt表示机器人t时刻位姿角度，k表示障碍物和机器人位姿指向之间的夹角。
进一步的，步骤S4利用Surrounding Point Set(SPS)算法获取空间中各个静态障碍物的周围点，若周围点在障碍物内，则缩小相邻栅格点之间的距离，具体步骤为：
S41：定义障碍物的周围点、临时点；
在栅格点地图模型中，任意一个栅格点与其周围的8个点进行水平连接和垂直连接，若障碍物碰到其中一条或几条连线，则该栅格点称为障碍物的周围点，其余不在障碍物内的点称为临时点。
S42：产生周围点的步骤：
Step1:创建周围点集和sps和临时点集和temp,并确定起始参考点p，通过将起始点与目标点连成直线与障碍物相交，离该交点最近的栅格点为起始参考点p，并放入sps集合中，把与点p相邻的且不在障碍物内的点放入temp集合中；
Step2:依次迭代判断temp集合中的点是否为该障碍物的周围点，若是，则将该点放入sps集合中并移除temp集合中的该点，把与该点相邻的且不在障碍物内的点放入temp集合中，若不是，则将该点从temp集合中移除即可；
Step3:在保证temp集合与sps集合没有重复点的前提下，重复步骤Step2，直到temp集合为空。
进一步的，所述步骤S5根据周围点，利用多约束条件下的遗传算法规划出一条从起始点S(x,y)到目标点T(x,y)的最优或次优路径，具体为：
S51：产生初始路径；
S52：添加删除算子：如果一条路径中存在一个路径点pi,若删除pi，pi的前一个路径点pi-1与后一个路径点pi+1相连后是可行路径段，则删除pi；
S53:添加平滑算子：路径中的每个坐标点相当于粒子群算法中的粒子的位置，根据坐标点的前后坐标计算出粒子的速度，根据位置更新公式和速度更新公式，计算出新的坐标点，经过多次迭代后使路径更平滑；
S54:选择算子：采用锦标赛法进行选择，即对种群中的个体进行随机分组，每组根据个体的适应度值选择适应度值最低的个体进入子代种群，并采用精英保留策略，按一定比例将适应度最优的个体不需要经过遗传直接复制到子代种群；
S55:交叉算子：采用单点交叉方式，即随机选择两个个体，找出路径相同点进行交叉，这样可以保证路径的连续性，如果交叉后不是连续的路径，则将上半段的最后一个点和下半段的第一个点作为起始点和目标点，运用障碍物的周围点集进行修补使其成为一条连续的路径；
S56:变异算子：对路径上点的坐标依据概率进行小范围调整，从而保证变异后路径的可行性。
进一步的，所述步骤S51产生初始路径的步骤具体为；
Step1:让机器人从起始点出发沿直线走到目标点，如果中途碰到障碍物，会根据SPS算法在障碍物的周围产生周围点集；
Step2:运用Dijkstra算法测试该障碍物的周围是否有可行路径，如果有，则沿着可行路径继续往前走；
Step3:如果没有可行路径，则减小栅格点之间的宽度，重复Step1和Step2。
进一步的，所述步骤S53的位置更新公式和速度更新公式如下：
Figure GDA0002369750880000051
其中
Figure GDA0002369750880000052
表示第t次迭代第i点与前一个点的位置之差，
Figure GDA0002369750880000053
表示第t次迭代第i点与后一个点的位置之差，xt,i(p)表示第t次迭代第i个点的位置，ω是惯性权重，表示的是前一时刻速度对当前速度的影响程度，r1和r2是0和1之间的随机数。
进一步的，所述步骤S5在保证路径长度、路经困难度以及路径平滑度尽可能最小的情况下，在更少的时间内规划出一条无碰最优或次优路径，具体包括：S61:长度指标是指路径的总长度，如下式：
Figure GDA0002369750880000061
式中，|pipi+1|是路径节点pi到路径节点pi+1的欧式距离，n表示一条可行路径中路径点的个数；
S62:平滑度指标是指路径中所有相邻矢量线段的角度之和，如下式：
Figure GDA0002369750880000062
其中θ(pipi+1,pi+1pi+2)是相邻矢量线段
Figure GDA0002369750880000063
和
Figure GDA0002369750880000064
的夹角，0≤θ≤π，C1是一个正整数，S是一条路径中线段的数量；
S63:困难度指标是指机器人经过路径中每一个节点的困难指数之和，如下式：
Figure GDA0002369750880000065
其中xi表示路径中第i个节点，d(xi)表示机器人通过该节点的困难指数。
一种存储介质，该存储介质内部存储计算机程序，所述计算机程序被处理器读取时，执行上述任一项的方法。
本发明的优点及有益效果如下：
尽管求解多约束条件下遗传算法的方法正在进一步的研究，但仍然存在一些问题。关于路径点的生成，许多研究都是通过在自由空间中随机散布点或在网格地图中考虑所有点来生成点。这些方法存在这样的问题，即在路径生成阶段必须考虑对于最优路径而言不必要的点，这导致很高的计算成本，并且还可能无法生成最优路径，因为这些生成的点在狭窄的或很小的空间内是不可用的。本发明针对目前算法所存在的计算量大、搜索效率低且容易陷入局部最优的问题，本文研究一种多约束条件下基于改进的遗传算法应用于机器人路径规划领域。该改进方法采用了Surrounding Point Set(SPS)算法。根据栅格点地图模型中相邻栅格点之间的距离和障碍物的位置确定每个障碍物的周围点；然后用深度优先遍历得到从起始点到目标点之间的所有可行路径即初始种群，这样避免考虑在路径生成阶段相对于最优路径而言不必要的点，减少最终解变化的可能性，降低了计算成本。此外，本发明添加平滑算子和删除算子，加快种群的收敛速度，从而能够在更少的时间内规划出一条最优或次优路径。
附图说明
图1是本发明提供优选实施例多约束条件下基于改进遗传算法的移动机器人路径规划流程图：
图2多约束条件下基于改进遗传算法的机器人行走仿真图；
图3是障碍物的长度和宽度增大了机器人宽度的r倍；
图4是添加删除算子的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
本发明在静态障碍物的状态检测上利用激光传感器来实时扫描移动机器人导航中环境信息，存入初始种群路径，再利用多约束条件下基于改进遗传算法寻找一条耗费时间少，路径长度、路径困难度和路径平滑度都尽可能小的路径。
本方法的主要步骤为：
S1：设置机器人起始点的位置坐标信息S(x,y)、目的地的位置坐标信息T(x,y)以及行走区域的困难度；
S2：将障碍物的长度和宽度增大了机器人宽度的r倍(r>1/2)以确保机器人与障碍物有绝对的安全距离；
S3：通过机器人的历史里程计数据与当前环境信息来判定当前机器人在全局坐标系中的位姿；
S4，利用Surrounding Point Set(SPS)算法获取空间中各个静态障碍物的周围点，若周围点在障碍物内，则缩小相邻栅格点之间的距离；
S5，将障碍物两两相连并去除与障碍物相交的连线，并用深度优先遍历得到从起始点到目标点的所有可行路径，即初始种群。利用多约束条件下的遗传算法规划出一条从起始点S(x,y)到目标点T(x,y)的最优或次优路径，若到达迭代次数，则执行S6，若没到达迭代次数，则更新种群继续迭代；
S6：开始执行并判断是否已经到达目的地坐标位置T(x,y)，若到达则结束导航，若没有到达，则返回继续执行S4；
在进一步，步骤S2具体为：通过将障碍物的长度和宽度增大了机器人宽度的r倍(r>1/2)以确保机器人与障碍物有绝对的安全距离；若增大后两个障碍物相交，则视为一个障碍物，否则视为两个障碍物，若图3所示。
进一步，步骤S3具体为：通过机器人的历史里程计数据结合当前环境信息E0i与地图环境模型进行匹配，定位当前机器人在全局坐标系中的位姿
Figure GDA0002369750880000081
根据Eti与
Figure GDA0002369750880000082
判断t时刻环境中的障碍物的全局坐标为Oti(Xti,Yti)，满足：
Figure GDA0002369750880000083
其中，
Figure GDA0002369750880000084
表示起始时刻机器人在全局坐标系XOY中的位姿、x0表示起始时刻机器人在全局坐标系XOY中的横坐标、y0表示起始时刻机器人在全局坐标系XOY中的纵坐标、θ0表示起始时刻机器人的位姿角度，(xt,yt)表示t时刻机器人的全局坐标，d0i表示第i个障碍物到机器的距离，θt表示机器人t时刻位姿角度，k表示障碍物和机器人位姿指向之间的夹角。
步骤S4具体为：
S41：定义障碍物的周围点：
在栅格点地图模型中，任意一个栅格点与其周围的8个点进行水平连接和垂直连接，若障碍物碰到其中一条或几条连线，则该栅格点称为障碍物的周围点，其余不在障碍物内的点称为临时点。
S42：产生周围点的过程：
Step1:创建周围点集和sps和临时点集和temp,并确定起始参考点p。通过将起始点与目标点连成直线与障碍物相交，离该交点最近的栅格点为起始参考点p，并放入sps集合中，把与点p相邻的且不在障碍物内的点放入temp集合中。
Step2:依次迭代判断temp集合中的点是否为该障碍物的周围点(图四(b)中黑色点表示该点不是障碍物的周围点，红色的点表示是该障碍物的周围点)，若是，则将该点放入sps集合中并移除temp集合中的该点，把与该点相邻的且不在障碍物内的点放入temp集合中。若不是，则将该点从temp集合中移除即可。
Step3:在保证temp集合与sps集合没有重复点的前提下，重复步骤Step2，直到temp集合为空。
进一步，步骤S5具体为：
根据步骤S4得到的周围点集产生初始种群，并根据路径长度、路径困难度以及路径平滑度三个目标函数得到Pareto最优解集，然后进行适应值计算，适应值大的个体有更高的优先选择权进行配对，公式为：
Figure GDA0002369750880000091
其中x表示种群p中的任意一个个体，y表示距离x最近的Pareto最优解，||x-y||2表示x与y之间的欧氏距离。
进一步，选择：本文采用锦标赛法进行选择，即对种群中的个体进行随机分组，每组根据个体的适应度值选择适应度值最低的个体进入子代种群。并采用精英保留策略，按一定比例将适应度最优的个体不需要经过遗传直接复制到子代种群。
交叉：采用单点交叉方式，即随机选择两个个体，找出路径相同点进行交叉，这样可以保证路径的连续性，如果交叉后不是连续的路径，则将上半段的最后一个点和下半段的第一个点作为起始点和目标点，运用障碍物的周围点集进行修补使其成为一条连续的路径。
变异：研究的方法产生的初始是路径一定是可行的，且经过选择和交叉之后亦是如此，所以本文对路径上点的坐标依据概率进行小范围调整即可，从而保证变异后路径的可行性。
删除：如果一条路径中存在pi,删除pi后，pi的前一个路径点pi-1与后一个路径点pi+1相连后是可行路径段，则删除pi。
平滑：该路径的平滑度算法是受到粒子群算法的启发，本文路径中的每个坐标点相当于粒子群算法中的粒子的位置，根据该坐标点的前后坐标计算出粒子的速度，根据位置更新公式和速度更新公式，计算出新的坐标点，经过多次迭代后使路径更平滑。
位置更新公式和速度更新公式如下：
Figure GDA0002369750880000101
其中
Figure GDA0002369750880000102
表示第t次迭代第i点与前一个点的位置之差，
Figure GDA0002369750880000103
表示第t次迭代第i点与后一个点的位置之差，xt,i(p)表示第t次迭代第i个点的位置，ω是惯性权重，表示的是前一时刻速度对当前速度的影响程度，r1和r2是0和1之间的随机数。
然后产生子代种群，用小生境法保持种群的多样性，计算子代个体的适应度值，更新最优解，若没有到达迭代次数，则子代种群替代旧种群，重复步骤S5；若到达迭代次数，则判断是否到达目的地，若没有，则返回步骤S4，若到达目的地，则结束导航。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (5)

1.一种基于改进遗传算法的移动机器人路径规划方法，其特征在于，包括以下步骤：
S1，建立栅格点地图模型，并设置机器人起始点的位置坐标信息S(x,y)、目的地的位置坐标信息T(x,y)以及赋予每个栅格点一个属性值表示行走的困难度；
S2，运用障碍物膨胀法对障碍物进行膨胀，膨胀范围是机器人宽度的r倍，若膨胀之后两个障碍物相交则视为一个障碍物以确保机器人与障碍物有绝对的安全距离，r>1/2；
S3，判定当前机器人在全局坐标系中的初始位姿；
S4，利用SPS算法获取空间中各个静态障碍物的周围点，若周围点在障碍物内，则缩小相邻栅格点之间的距离；
S5，将获得的障碍物周围点两两相连并去除与障碍物相交的连线，并用深度优先遍历得到从起始点到目标点的所有可行路径，即初始种群；然后增加删除算子、平滑算子优化生成的路径；最后引入小生境法来保持种群多样性，若到达迭代次数，则执行S6，若没达到迭代次数，则更新种群继续迭代；
S6：开始执行并判断是否已经到达目的地坐标位置T(x,y)，若到达则结束导航，若没有到达，则返回继续执行S4；
所述步骤S5具体包括：
S51：产生初始路径；
S52：添加删除算子：如果一条路径中存在一个路径点pi,若删除pi，pi的前一个路径点pi-1与后一个路径点pi+1相连后是可行路径段，则删除pi；
S53:添加平滑算子：路径中的每个坐标点相当于粒子群算法中的粒子的位置，根据坐标点的前后坐标计算出粒子的速度，根据位置更新公式和速度更新公式，计算出新的坐标点，经过多次迭代后使路径更平滑；
S54:选择算子：采用锦标赛法进行选择，即对种群中的个体进行随机分组，每组根据个体的适应度值选择适应度值最低的个体进入子代种群，并采用精英保留策略，按一定比例将适应度最优的个体不需要经过遗传直接复制到子代种群；
S55:交叉算子：采用单点交叉方式，即随机选择两个个体，找出路径相同点进行交叉，这样可以保证路径的连续性，如果交叉后不是连续的路径，则将上半段的最后一个点和下半段的第一个点作为起始点和目标点，运用障碍物的周围点集进行修补使其成为一条连续的路径；
S56:变异算子：对路径上点的坐标依据概率进行小范围调整，从而保证变异后路径的可行性；
所述步骤S51产生初始路径的步骤具体为；
Step1:让机器人从起始点出发沿直线走到目标点，如果中途碰到障碍物，会根据SPS算法在障碍物的周围产生周围点集；
Step2:运用Dijkstra算法测试该障碍物的周围是否有可行路径，如果有，则沿着可行路径继续往前走；
Step3:如果没有可行路径，则减小栅格点之间的宽度，重复Step1和Step2；
所述步骤S53的位置更新公式和速度更新公式如下：
Figure FDA0003852988490000021
其中
Figure FDA0003852988490000022
表示第t次迭代第i点与前一个点的位置之差，
Figure FDA0003852988490000023
表示第t次迭代第i点与后一个点的位置之差，xt,i(p)表示第t次迭代第i个点的位置，ω是惯性权重，表示的是前一时刻速度对当前速度的影响程度，r1和r2是0和1之间的随机数；
所述步骤S5在保证路径长度、路经困难度以及路径平滑度尽可能最小的情况下，在更少的时间内规划出一条无碰最优或次优路径，具体包括：
S61:长度指标是指路径的总长度，如下式：
Figure FDA0003852988490000024
其中|pipi+1|是路径节点pi到路径节点pi+1的欧式距离，n表示一条可行路径中路径点的个数；
S62:平滑度指标是指路径中所有相邻矢量线段的角度之和，如下式：
Figure FDA0003852988490000031
其中θ(pipi+1,pi+1pi+2)是相邻矢量线段
Figure FDA0003852988490000032
和
Figure FDA0003852988490000033
的夹角，0≤θ≤π，C1是一个正整数，S是一条路径中线段的数量；
S63:困难度指标是指机器人经过路径中每一个节点的困难指数之和，如下式：
Figure FDA0003852988490000034
其中xi表示路径中第i个节点，d(xi)表示机器人通过该节点的困难指数。
2.根据权利要求1所述的一种基于改进遗传算法的移动机器人路径规划方法，其特征在于，所述步骤S2运用障碍物膨胀法对障碍物进行膨胀，膨胀范围是机器人宽度的r倍，具体为：对机器人工作空间中的栅格点赋予另一个属性值并用布尔值标识，标识该栅格点是否在障碍物内，具体标识：
Figure FDA0003852988490000035
式中，Pmn为栅格点标识符，Mmn为与Pmn对应栅格点的布尔值，m为栅格点对应的行，n为栅格点对应的列，T表示Pmn在障碍物内，F表示Pmn不在障碍物内，A表示Pmn为自由栅格点，B表示Pmn为威胁栅格点，障碍物膨胀法引入了虚拟障碍集合C，对障碍物周围的相邻栅格进行扩展，当相邻栅格以PNb表示时，扩展依据以下原则：
if PNb∈A,thenPNb∈C,MNb＝F
if PNb∈B,thenPNb∈C,MNb＝F
根据障碍物膨胀法和相邻栅格点之间的距离将障碍物膨胀为机器人宽度的r倍以确保机器人与障碍物有绝对的安全距离，r>1/2，若增大后两个障碍物相交，则视为一个障碍物，否则视为两个障碍物。
3.根据权利要求1所述的一种基于改进遗传算法的移动机器人路径规划方法，其特征在于，所述步骤S3判定当前机器人在全局坐标系中的初始位姿，具体为：通过机器人的历史里程计数据结合当前环境信息E0i与地图环境模型进行匹配，定位当前机器人在全局坐标系中的位姿：
Figure FDA0003852988490000041
根据Eti与
Figure FDA0003852988490000042
判断t时刻环境中的障碍物的全局坐标为Oti(Xti,Yti)，满足：
Figure FDA0003852988490000043
其中，
Figure FDA0003852988490000044
表示起始时刻机器人在全局坐标系XOY中的位姿、x0表示起始时刻机器人在全局坐标系XOY中的横坐标、y0表示起始时刻机器人在全局坐标系XOY中的纵坐标、θ0表示起始时刻机器人的位姿角度，(xt,yt)表示t时刻机器人的全局坐标，d0i表示第i个障碍物到机器的距离，θt表示机器人t时刻位姿角度，k表示障碍物和机器人位姿指向之间的夹角。
4.根据权利要求1所述的一种基于改进遗传算法的移动机器人路径规划方法，其特征在于，步骤S4利用Surrounding Point Set(SPS)算法获取空间中各个静态障碍物的周围点，若周围点在障碍物内，则缩小相邻栅格点之间的距离，具体步骤为：
S41：定义障碍物的周围点、临时点；
在栅格点地图模型中，任意一个栅格点与其周围的8个点进行水平连接和垂直连接，若障碍物碰到其中一条或几条连线，则该栅格点称为障碍物的周围点，其余不在障碍物内的点称为临时点；
S42：产生周围点的步骤：
Step1:创建周围点集和sps和临时点集和temp,并确定起始参考点p，通过将起始点与目标点连成直线与障碍物相交，离交点最近的栅格点为起始参考点p，并放入sps集合中，把与点p相邻的且不在障碍物内的点放入temp集合中；
Step2:依次迭代判断temp集合中的点是否为该障碍物的周围点，若是，则将该点放入sps集合中并移除temp集合中的该点，把与该点相邻的且不在障碍物内的点放入temp集合中，若不是，则将该点从temp集合中移除即可；
Step3:在保证temp集合与sps集合没有重复点的前提下，重复步骤Step2，直到temp集合为空。
5.一种存储介质，该存储介质内部存储计算机程序，其特征在于，所述计算机程序被处理器读取时，执行上述权利要求1～4任一项的方法。
CN201910973425.3A 2019-10-14 2019-10-14 基于改进遗传算法的移动机器人路径规划方法及存储介质 Active CN110887484B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910973425.3A CN110887484B (zh) 2019-10-14 2019-10-14 基于改进遗传算法的移动机器人路径规划方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910973425.3A CN110887484B (zh) 2019-10-14 2019-10-14 基于改进遗传算法的移动机器人路径规划方法及存储介质

Publications (2)

Publication Number Publication Date
CN110887484A CN110887484A (zh) 2020-03-17
CN110887484B true CN110887484B (zh) 2022-12-27

Family

ID=69746151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910973425.3A Active CN110887484B (zh) 2019-10-14 2019-10-14 基于改进遗传算法的移动机器人路径规划方法及存储介质

Country Status (1)

Country Link
CN (1) CN110887484B (zh)

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111337931B (zh) * 2020-03-19 2022-11-15 哈尔滨工程大学 一种auv目标搜索方法
CN111422740A (zh) * 2020-03-24 2020-07-17 苏州西弗智能科技有限公司 一种基于防摇的桥式起重机路径规划方法和装置
CN111473796B (zh) * 2020-04-14 2023-09-26 重庆邮电大学 基于sps算法的机器人路径规划方法
CN111208796B (zh) * 2020-04-21 2020-08-04 天津开发区精诺瀚海数据科技有限公司 一种基于聚类小生境遗传算法的车间生产作业排程方法
CN111610788B (zh) * 2020-06-13 2023-04-18 大连海事大学 一种分级模糊-人工势场路径规划的方法
CN111750867B (zh) * 2020-07-08 2022-02-11 北京洛必德科技有限公司 一种用于机器人自主巡逻的方法及系统
CN113917912A (zh) * 2020-07-08 2022-01-11 珠海格力电器股份有限公司 一种全局路径规划方法、装置、终端及可读存储介质
CN111708369B (zh) * 2020-07-17 2021-07-23 武汉科技大学 一种变电站巡检机器人路径规划方法
CN112099493B (zh) * 2020-08-31 2021-11-19 西安交通大学 一种自主移动机器人轨迹规划方法、系统及设备
CN112015183B (zh) * 2020-09-08 2022-02-08 安徽工程大学 一种能耗约束下在具有凹凸地形中移动机器人避障方法
CN112130587A (zh) * 2020-09-30 2020-12-25 北京理工大学 一种针对机动目标的多无人机协同跟踪方法
CN112327862B (zh) * 2020-11-16 2021-10-19 北京理工大学 一种不确定环境下多机器人协同搜索的路径规划方法
CN112731921A (zh) * 2020-12-11 2021-04-30 北方信息控制研究院集团有限公司 一种基于平行仿真的军用路径规划支持系统
CN112857374B (zh) * 2021-01-07 2022-03-29 华南理工大学 基于当量膨胀的狭窄环境空间的移动机器人可通行性方法
CN112859855A (zh) * 2021-01-11 2021-05-28 金陵科技学院 一种基于蝗虫优化算法的机器人多目标路径规划
CN113541265B (zh) * 2021-07-29 2022-07-29 上海术理智能科技有限公司 用于机器人的自动充电系统及充电桩定位导航方法
CN113625772B (zh) * 2021-09-10 2023-02-24 中国人民解放军国防科技大学 一种影子跟随的多无人机区域覆盖路径规划方法
CN113625771B (zh) * 2021-09-10 2023-02-21 中国人民解放军国防科技大学 一种影子跟随的单无人机区域覆盖路径规划方法
CN114115240B (zh) * 2021-11-04 2024-02-27 北京三快在线科技有限公司 一种无人设备的控制方法及装置
CN114199266A (zh) * 2021-11-25 2022-03-18 江苏集萃智能制造技术研究所有限公司 一种基于导诊服务机器人的目标被占用的路径规划方法
CN114353814B (zh) * 2021-12-06 2023-11-17 重庆邮电大学 基于Angle-Propagation Theta*算法改进的JPS路径优化方法
CN114415665A (zh) * 2021-12-17 2022-04-29 新疆钵施然智能农机股份有限公司 一种用于避障路径规划的算法
CN114446121B (zh) * 2022-02-24 2024-03-05 汕头市快畅机器人科技有限公司 一种生命搜索集群教育机器人的控制方法
CN114859891B (zh) * 2022-04-02 2024-06-14 中国人民解放军国防科技大学 多机器人持续监控方法和非临时性计算机可读存储介质
CN114995413A (zh) * 2022-05-26 2022-09-02 南京航空航天大学 基于改进遗传算法的智能小车路径规划方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011064342A1 (en) * 2009-11-27 2011-06-03 Hochschule Bochum A navigation system and method for navigation using location signals from light sources
EP3330666A1 (en) * 2016-11-30 2018-06-06 Offshore Navigation Limited A communication apparatus for adapting an actual route of a vessel
CN110108284A (zh) * 2019-05-24 2019-08-09 西南交通大学 一种顾及复杂环境约束的无人机三维航迹快速规划方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011064342A1 (en) * 2009-11-27 2011-06-03 Hochschule Bochum A navigation system and method for navigation using location signals from light sources
EP3330666A1 (en) * 2016-11-30 2018-06-06 Offshore Navigation Limited A communication apparatus for adapting an actual route of a vessel
CN110108284A (zh) * 2019-05-24 2019-08-09 西南交通大学 一种顾及复杂环境约束的无人机三维航迹快速规划方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Bi-level GA and GIS for Multi-objective TSP Route Planning;Bo Huang;《Transportation Planning and Technology 》;20070201;第29卷(第2期);105-124 *
Genetic Algorithm Based Approach for Autonomous Mobile Robot Path Planning;ChaymaaLamini;《Procedia Computer Science》;20181231;第127卷;180-189 *
Mobile robot path planning with surrounding point set and path improvement;JiheeHan;《Applied Soft Computing》;20170831;第57卷;35-47 *
Path planning for mobile robots using genetic algorithm and probabilistic roadmap;Robert Martin C. Santiago;《2017IEEE 9th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment and Management (HNICEM)》;20180125;全文 *
无人机路径规划算法研究;王志明;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20190915(第09期);C031-91 *
汽车总装配线物料配送的优化研究;杨家平;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20170515(第05期);C035-177 *

Also Published As

Publication number Publication date
CN110887484A (zh) 2020-03-17

Similar Documents

Publication Publication Date Title
CN110887484B (zh) 基于改进遗传算法的移动机器人路径规划方法及存储介质
CN108241375B (zh) 一种自适应蚁群算法在移动机器人路径规划中的应用方法
Liu et al. An autonomous path planning method for unmanned aerial vehicle based on a tangent intersection and target guidance strategy
Nikolos et al. Evolutionary algorithm based offline/online path planner for UAV navigation
CN109597425B (zh) 基于强化学习的无人机导航和避障方法
CN110231824B (zh) 基于直线偏离度方法的智能体路径规划方法
Zhao et al. The experience-memory Q-learning algorithm for robot path planning in unknown environment
Sudhakara et al. Trajectory planning of a mobile robot using enhanced A-star algorithm
CN115079705A (zh) 基于改进a星融合dwa优化算法的巡检机器人路径规划方法
CN113110520B (zh) 一种多智能优化并行算法的机器人路径规划方法
CN116804879B (zh) 一种改进蜣螂算法融合dwa算法的机器人路径规划框架方法
Xu et al. Heuristic and random search algorithm in optimization of route planning for Robot’s geomagnetic navigation
CN112114584A (zh) 一种球形两栖机器人的全局路径规划方法
Cui et al. Multi-strategy adaptable ant colony optimization algorithm and its application in robot path planning
Ammar et al. Hybrid metaheuristic approach for robot path planning in dynamic environment
CN109190787B (zh) 水下潜航器的双重粒子群多监测点访问路径规划方法
CN114879660A (zh) 一种基于目标驱动的机器人环境感知方法
Garip et al. Path planning for multiple mobile robots in static environment using hybrid algorithm
Gong et al. A mutation operator self-adaptive differential evolution particle swarm optimization algorithm for USV navigation
Gao et al. Competitive self-organizing neural network based UAV path planning
Salmanpour et al. Optimal path planning for mobile robot using Intelligent Water Drops algorithm
CN114353814A (zh) 基于Angle-Propagation Theta*算法改进的JPS路径优化方法
Zhong et al. FGP-Astar Algorithm Based on Path Planning for Mobile Robots
Wang et al. Learning to navigate for mobile robot with continual reinforcement learning
Yu et al. An intelligent robot motion planning method and application via lppo in unknown environment

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231226

Address after: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Patentee after: Shenzhen Hongyue Information Technology Co.,Ltd.

Address before: 400065 Chongwen Road, Nanshan Street, Nanan District, Chongqing

Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS