CN111522335B - 基于改进粒子群算法的机器人路径优化方法及系统 - Google Patents

基于改进粒子群算法的机器人路径优化方法及系统 Download PDF

Info

Publication number
CN111522335B
CN111522335B CN202010206843.2A CN202010206843A CN111522335B CN 111522335 B CN111522335 B CN 111522335B CN 202010206843 A CN202010206843 A CN 202010206843A CN 111522335 B CN111522335 B CN 111522335B
Authority
CN
China
Prior art keywords
path
optimization
particle swarm
robot
value
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
CN202010206843.2A
Other languages
English (en)
Other versions
CN111522335A (zh
Inventor
肖易易
王颂
刘旭
杨宇轩
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.)
China South Power Grid International Co ltd
China Southern Power Grid Co Ltd
Original Assignee
China South Power Grid International Co ltd
China Southern Power Grid Co Ltd
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 China South Power Grid International Co ltd, China Southern Power Grid Co Ltd filed Critical China South Power Grid International Co ltd
Priority to CN202010206843.2A priority Critical patent/CN111522335B/zh
Publication of CN111522335A publication Critical patent/CN111522335A/zh
Application granted granted Critical
Publication of CN111522335B publication Critical patent/CN111522335B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于改进粒子群算法的机器人路径优化方法，包括：对机器人活动空间以及所述活动空间中的障碍物构建格栅化地图；将所述格栅化地图划分为障碍物区域和自由区域；根据机器人的第一路径以及优化目标构建路径优化函数；采用改进粒子群算法在所述自由区域中迭代出最优位置值，根据所述最优位置值计算机器人在所述自由区域中的最优绕行路径；其中，所述改进粒子群算法具体包括：将所述路径优化函数作为粒子的适度值函数；将动态惯性权值作为所述粒子群算法的惯性权值。本发明能够在复杂环境中进行路径优化，并提高路径优化的全局性。本发明还公开了一种基于改进粒子群算法的机器人路径优化系统和存储介质。

Description

基于改进粒子群算法的机器人路径优化方法及系统
技术领域
本发明涉及路径优化技术领域，尤其涉及一种基于改进粒子群算法的机器人路径优化方法、系统及存储介质。
背景技术
变电站智能化建设前期主要是引入机器人取代人工进行设备巡视，巡检机器人在巡检过程中需要解决避开障碍、到达目的点位、规划路线等问题，通常采用激光、超声波雷达、视觉传感器等技术事先对变电站环境进行扫描然后再分析最优路径。
现有技术中，常见的基于改进粒子群算法的机器人路径优化方法有图搜索法、人工势场法以及粒子群算法等。然而，图搜索法和人工势场法在简单环境中可以快速收敛，但在复杂环境模型中表现不好。粒子群算法能够对含有多种复杂结构的环境进行最优路径的生成，但缺点是迭代次数较多，且起始点或权重选择不好时容易陷入局部最优解，生成的路径比较长。
因此，需要一种能够在复杂环境中进行路径优化的方法。
发明内容
本发明实施例提供一种基于改进粒子群算法的机器人路径优化方法，能够在复杂环境中进行路径优化，并提高路径优化的全局性。
本发明实施例一提供一种基于改进粒子群算法的机器人路径优化方法，包括：
对机器人活动空间以及所述活动空间中的障碍物构建格栅化地图；
将所述格栅化地图划分为障碍物区域和自由区域；
根据机器人的第一路径以及优化目标构建路径优化函数；
采用改进粒子群算法在所述自由区域中迭代出最优位置值，根据所述最优位置值计算机器人在所述自由区域中的最优绕行路径；其中，所述改进粒子群算法具体包括：将所述路径优化函数作为粒子的适度值函数；将动态惯性权值作为所述粒子群算法的惯性权值。
作为上述方案的改进，所述优化目标包括如下的至少一种：
第一路径的碰撞惩罚度、期望路径的路径长度、期望路径的路径平滑度。
作为上述方案的改进，所述将所述格栅化地图划分为障碍物区域和自由区域，具体包括：
对所述活动空间中的障碍物进行几何化处理，得到障碍物几何模块；
将所述障碍物几何模块所占据的格栅区域划分为所述障碍物区域，将除所述障碍物区域以外的格栅区域划分为所述自由区域。
作为上述方案的改进，所述在所述自由区域中构建机器人的第一路径，根据优化目标构建路径优化函数，具体包括：
设机器人按照所述第一路径与障碍物发生碰撞的次数为Ncollison，计算所述第一路径的碰撞惩罚项F1，计算方法如下式所示：
Figure BDA0002421419580000021
式中，mi为所述第一路径在障碍物区域的总距离，Mi为常数；
计算期望路径的总长度F2，计算方法如下式所示：
Figure BDA0002421419580000022
计算期望路径的总平滑度F3，计算方法如下式所示：
Figure BDA0002421419580000023
式中，t为所述期望路径的分段起点到拐角交点的距离；dt+1为所述期望路径的分段终点到拐角交点的距离；αt为dt和dt+1之间的夹角；其中，所述拐角交点为沿所述期望路径的分段起点与分段终点的切线作延长线得到的交点；
通过F1,2,3的线性组合构建所述路径优化函数F，计算方法如下式所示：
Figure BDA0002421419580000031
式中，λ1为潜在碰撞系数，λ2为路径长度系数，λ3为平滑度系数，λ1、λ2和λ3均满足大于0小于1。
作为上述方案的改进，所述采用改进粒子群算法在所述自由区域中迭代出最优位置值，获得机器人在所述自由区域中的最优绕行路径，具体包括：
在所述自由区域中构建粒子群G；
按照粒子群算法对所述粒子群G中的粒子速度vi和粒子位置xi进行随机初始化赋值，并对粒子群的个体极值pbesti、群极值gbest、动态惯性权值wc初值、粒子数N进行初始化；
设置粒子群更新方程中的系数以及迭代终止条件；
将所述路径优化函数作为粒子的适度值函数，将所述适度值函数设置初值后代入粒子群优化方程中进行迭代，并记录各迭代次数下的适度值fv；所述迭代方程如下式所示：
Figure BDA0002421419580000032
式中，wc为动态惯性权重，c1和c2为粒子学习率，r1和r2分别为0-1之间的随机数；
更新所述粒子群的动态惯性权值wc、个体极值pbesti、群极值gbest，更新法则如下式所示：
Figure BDA0002421419580000033
Figure BDA0002421419580000034
更新所述粒子群中的粒子速度vi和粒子位置xi，将当前最优个体极值pbesti的位置作为所述最优位置值并保存至建立的路径数组中；
判断是否达到所述迭代终止条件；当达到迭代终止条件时，返回所述路径数组，并将所述路径数组作为所述最优绕行路径的最优解。
作为上述方案的改进，所述动态惯性权值的计算方法如下式所示：
Figure BDA0002421419580000041
Figure BDA0002421419580000042
式中，t是迭代次数，c为动态惯性权值、wmax为最大值、wmin为最小值，ttotal为总迭代次数，s(i，j)定义了粒子间的关联度，d(i，j)为序号为i和j的两个粒子间的距离，dmax为粒子间的最大距离。
本发明实施例二对应提供了一种基于改进粒子群算法的机器人路径优化系统，包括：
地图构建单元，用于对机器人活动空间以及所述活动空间中的障碍物构建格栅化地图；
地图划分单元，用于将所述格栅化地图划分为障碍物区域和自由区域；
优化函数构建单元，用于根据机器人的第一路径以及优化目标构建路径优化函数；
路径计算单元，用于采用改进粒子群算法在所述自由区域中迭代出最优位置值，根据所述最优位置值计算机器人在所述自由区域中的最优绕行路径；其中，所述改进粒子群算法具体包括：将所述路径优化函数作为粒子的适度值函数；将动态惯性权值作为所述粒子群算法的惯性权值。
本发明实施例三对应提供了一种基于改进粒子群算法的机器人路径优化系统，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例一所述的一种基于改进粒子群算法的机器人路径优化方法。
本发明实施例四对应提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如本发明实施例一所述的一种基于改进粒子群算法的机器人路径优化方法。
本发明实施例提供的一种基于改进粒子群算法的机器人路径优化方法，具有如下有益效果：
通过对机器人活动空间构建格栅化地图并对格栅化地图的区域进行划分，从而得到障碍物区域和自由区域；根据待优化的第一路径的碰撞惩罚度、期望路径的路径长度、期望路径的路径平滑度等优化目标构建路径优化函数，提高了路径优化函数的准确性；采用改进粒子群算法计算最优位置值并保存至路径数组中，动态惯性权值会根据迭代过程自动调整大小，使得迭代初期较大的惯性权值有助于快速靠近最优解，提高路径优化的全局性；在若干次迭代后，粒子群距离最优解粒子的距离大大减小，此时的动态惯性权值调整为较小，以提高在小范围内的搜索时的搜索精度，使得在复杂的环境中也可以快速收敛；从而实现在机器人检测到障碍物后快速规划一条绕行障碍物的最优平滑短路径，提高机器人的运动效率，降低碰撞的风险。
附图说明
图1是本发明实施例一提供的一种基于改进粒子群算法的机器人路径优化方法的流程示意图。
图2是本发明实施例一提供的期望路径的分段起点、分段终点与拐角交点的位置示意图。
图3是本发明实施例一提供的一种基于改进粒子群算法的机器人路径优化方法的具体实施方式示意图。
图4是本发明实施例二提供的一种基于改进粒子群算法的机器人路径优化系统的结构示意图。
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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，是本发明实施例一提供的一种基于改进粒子群算法的机器人路径优化方法的流程示意图，包括如下步骤：
S101、对机器人活动空间以及活动空间中的障碍物构建格栅化地图；
S102、将格栅化地图划分为障碍物区域和自由区域；
S103、根据机器人的第一路径以及优化目标构建路径优化函数；
S104、采用改进粒子群算法在所述自由区域中迭代出最优位置值，根据所述最优位置值计算机器人在所述自由区域中的最优绕行路径；其中，所述改进粒子群算法具体包括：将所述路径优化函数作为粒子的适度值函数；将动态惯性权值作为所述粒子群算法的惯性权值。
具体地，机器人的第一路径即会与障碍物发生碰撞的待优化的路径，构建路径优化函数从而在自由区域内建立一条代替第一路径的最短平滑路径，该最短平滑路径即最优绕行路径。
具体地，动态惯性权值随迭代过程逐渐减小。
进一步地，优化目标包括如下的至少一种：
第一路径的碰撞惩罚度、期望路径的路径长度、期望路径的路径平滑度。
进一步地，将格栅化地图划分为障碍物区域和自由区域，具体包括：
对活动空间中的障碍物进行几何化处理，得到障碍物几何模块；
将障碍物几何模块所占据的格栅区域划分为障碍物区域，将除障碍物区域以外的格栅区域划分为自由区域。
进一步地，在自由区域中构建机器人的第一路径，根据优化目标构建路径优化函数，具体包括：
设机器人按照第一路径与障碍物发生碰撞的次数为Ncollison，计算第一路径的碰撞惩罚项F1，计算方法如下式所示：
Figure BDA0002421419580000071
式中，mi为第一路径在障碍物区域的总距离，Mi为常数；Mi一般设定为较大的数值。
计算期望路径的总长度F2，计算方法如下式所示：
Figure BDA0002421419580000072
计算期望路径的总平滑度F3，计算方法如下式所示：
Figure BDA0002421419580000073
式中，参见图2，dt为期望路径的分段起点(xt-1，yt-1)到拐角交点(xt，yt)的距离；dt+1为期望路径的分段终点(xt+1，yt+1)到拐角交点的距离(xt，yt)；αt为dt和dt+1之间的夹角；其中，拐角交点(xt，yt)为沿期望路径的分段起始点(xt-1，yt-1)与终点(xt+1，yt+1)的切线作延长线得到的交点；
通过F1,2,3的线性组合构建路径优化函数F，计算方法如下式所示：
Figure BDA0002421419580000074
式中，λ1为潜在碰撞系数，λ2为路径长度系数，λ3为平滑度系数，λ1、λ2和λ3均满足大于0小于1。
需要说明的是，若碰撞后按照当前路径不改变路径，则该惩罚项F1的值会增大，因此若惩罚项F1的值较小，则说此时的路径下，机器人与障碍物的碰撞次数较少。
进一步地，采用改进粒子群算法在自由区域中迭代出最优位置值，获得机器人在自由区域中的最优绕行路径，具体包括：
在自由区域中构建粒子群G；
按照粒子群算法对粒子群G中的粒子速度vi和粒子位置xi进行随机初始化赋值，并对粒子群的个体极值pbesti、群极值gbest、动态惯性权值wc初值、粒子数N进行初始化；
设置粒子群更新方程中的系数以及迭代终止条件；
将路径优化函数作为粒子的适度值函数，将适度值函数设置初值后代入粒子群优化方程中进行迭代，并记录各迭代次数下的适度值fv；迭代方程如下式所示：
Figure BDA0002421419580000081
式中，wc为动态惯性权重，c1和c2为粒子学习率，r1和r2分别为0-1之间的随机数；
更新粒子群的动态惯性权值wc、个体极值pbesti、群极值gbest，更新法则如下式所示：
Figure BDA0002421419580000082
Figure BDA0002421419580000083
更新粒子群中的粒子速度vi和粒子位置xi，将当前最优个体极值pbesti的位置作为最优位置值并保存至建立的路径数组中；
判断是否达到迭代终止条件；当达到迭代终止条件时，返回路径数组，并将路径数组作为最优绕行路径的最优解。
优选地，参见图3，是本发明实施例一提供的一种具体实施方式的流程示意图。迭代终止条件可以为迭代次数或适度值阈值。如果没有满足迭代终止条件，则继续迭代。其中，迭代次数或适度值阈值可根据需求进行设置。
进一步地，动态惯性权值的计算方法如下式所示：
Figure BDA0002421419580000091
Figure BDA0002421419580000092
式中，t是迭代次数，c为动态惯性权值、wmax为最大值、wmin为最小值，ttotal为总迭代次数，s(i，j)定义了粒子间的关联度，d(i，j)为序号为i和j的两个粒子间的距离，dmax为粒子间的最大距离。
具体地，将原生粒子群算法中的固定惯性权值替换为动态惯性权值，既可提高算法的全局寻优能力，又可提高在迭代过程尾段的粒子局部寻优性能，解决原粒子群算法易于陷入局部最优点的缺点。
参见图4，本发明实施例二对应提供了一种基于改进粒子群算法的机器人路径优化系统，包括：
地图构建单元201，用于对机器人活动空间以及活动空间中的障碍物构建格栅化地图；
地图划分单元202，用于将格栅化地图划分为障碍物区域和自由区域；
优化函数构建单元203，用于根据机器人的第一路径以及优化目标构建路径优化函数；
路径计算单元204，用于采用改进粒子群算法在所述自由区域中迭代出最优位置值，根据所述最优位置值计算机器人在所述自由区域中的最优绕行路径；其中，所述改进粒子群算法具体包括：将所述路径优化函数作为粒子的适度值函数；将动态惯性权值作为所述粒子群算法的惯性权值。
进一步地，优化目标包括如下的至少一种：
第一路径的碰撞惩罚度、期望路径的路径长度、期望路径的路径平滑度。
进一步地，将格栅化地图划分为障碍物区域和自由区域，具体包括：
对活动空间中的障碍物进行几何化处理，得到障碍物几何模块；
将障碍物几何模块所占据的格栅区域划分为障碍物区域，将除障碍物区域以外的格栅区域划分为自由区域。
进一步地，在自由区域中构建机器人的第一路径，根据优化目标构建路径优化函数，具体包括：
设机器人按照第一路径与障碍物发生碰撞的次数为Ncollison，计算第一路径的碰撞惩罚项F1，计算方法如下式所示：
Figure BDA0002421419580000101
式中，mi为第一路径在障碍物区域的总距离，Mi为常数；
计算期望路径的总长度F2，计算方法如下式所示：
Figure BDA0002421419580000102
计算期望路径的总平滑度F3，计算方法如下式所示：
Figure BDA0002421419580000103
式中，t为期望路径的分段起点到拐角交点的距离；dt+1为期望路径的分段终点到拐角交点的距离；αt为dt和dt+1之间的夹角；其中，拐角交点为沿期望路径的分段起点与分段终点的切线作延长线得到的交点；
通过F1,2,3的线性组合构建路径优化函数F，计算方法如下式所示：
Figure BDA0002421419580000104
式中，λ1为潜在碰撞系数，λ2为路径长度系数，λ3为平滑度系数，λ1、λ2和λ3均满足大于0小于1。
进一步地，改进粒子群算法具体包括：
将路径优化函数作为粒子的适度值函数；
将动态惯性权值作为粒子群算法的惯性权值；其中，动态惯性权值随迭代过程逐渐减小。
进一步地，采用改进粒子群算法在自由区域中迭代出最优位置值，获得机器人在自由区域中的最优绕行路径，具体包括：
在自由区域中构建粒子群G；
按照粒子群算法对粒子群G中的粒子速度vi和粒子位置xi进行随机初始化赋值，并对粒子群的个体极值pbesti、群极值gbest、动态惯性权值wc初值、粒子数N进行初始化；
设置粒子群更新方程中的系数以及迭代终止条件；
将路径优化函数作为粒子的适度值函数，将适度值函数设置初值后代入粒子群优化方程中进行迭代，并记录各迭代次数下的适度值fv；迭代方程如下式所示：
Figure BDA0002421419580000111
式中，wc为动态惯性权重，c1和c2为粒子学习率，r1和r2分别为0-1之间的随机数；
更新粒子群的动态惯性权值wc、个体极值pbesti、群极值gbest，更新法则如下式所示：
Figure BDA0002421419580000112
Figure BDA0002421419580000113
更新所述粒子群中的粒子速度vi和粒子位置xi，将当前最优个体极值pbesti的位置作为所述最优位置值并保存至建立的路径数组中；
判断是否达到迭代终止条件；当达到迭代终止条件时，返回路径数组，并将路径数组作为最优绕行路径的最优解。
进一步地，动态惯性权值的计算方法如下式所示：
Figure BDA0002421419580000121
Figure BDA0002421419580000122
式中，t是迭代次数，c为动态惯性权值、wmax为最大值、wmin为最小值，ttotal为总迭代次数，s(i，j)定义了粒子间的关联度，d(i，j)为序号为i和j的两个粒子间的距离，dmax为粒子间的最大距离。
本发明实施例提供的一种基于改进粒子群算法的机器人路径优化方法及系统，具有如下有益效果：
通过对机器人活动空间构建格栅化地图并对格栅化地图的区域进行划分，从而得到障碍物区域和自由区域；根据待优化的第一路径的碰撞惩罚度、期望路径的路径长度、期望路径的路径平滑度等优化目标构建路径优化函数，提高了路径优化函数的准确性；采用改进粒子群算法计算最优位置值并保存至路径数组中，动态惯性权值会根据迭代过程自动调整大小，使得迭代初期较大的惯性权值有助于快速靠近最优解，提高路径优化的全局性；在若干次迭代后，粒子群距离最优解粒子的距离大大减小，此时的动态惯性权值调整为较小，以提高在小范围内的搜索时的搜索精度，使得在复杂的环境中也可以快速收敛；从而实现在机器人检测到障碍物后快速规划一条绕行障碍物的最优平滑短路径，提高机器人的运动效率，降低碰撞的风险。
本发明实施例三对应提供了一种基于改进粒子群算法的机器人路径优化系统，包括处理器、存储器以及存储在存储器中且被配置为由处理器执行的计算机程序，处理器执行计算机程序时实现如本发明实施例一的基于改进粒子群算法的机器人路径优化方法。基于改进粒子群算法的机器人路径优化系统可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。基于改进粒子群算法的机器人路径优化系统可包括，但不仅限于，处理器、存储器。
本发明实施例四对应提供了一种计算机可读存储介质，其特征在于，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行如本发明实施例一所述的基于改进粒子群算法的机器人路径优化方法。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于改进粒子群算法的机器人路径优化系统的控制中心，利用各种接口和线路连接整个基于改进粒子群算法的机器人路径优化系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于改进粒子群算法的机器人路径优化系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如格栅化地图构建、迭代功能等)等；存储数据区可存储根据机器人路径优化所创建的数据(比如格栅化地图、路径优化函数、改进粒子群算法等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述基于改进粒子群算法的机器人路径优化系统集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需说明的是，以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的系统实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (8)

1.一种基于改进粒子群算法的机器人路径优化方法，其特征在于，包括：
对机器人活动空间以及所述活动空间中的障碍物构建格栅化地图；
将所述格栅化地图划分为障碍物区域和自由区域；
根据机器人的第一路径以及优化目标构建路径优化函数；
采用改进粒子群算法在所述自由区域中迭代出最优位置值，根据所述最优位置值计算机器人在所述自由区域中的最优绕行路径；其中，所述改进粒子群算法具体包括：将所述路径优化函数作为粒子的适度值函数；将动态惯性权值作为所述粒子群算法的惯性权值；
其中，所述根据机器人的第一路径以及优化目标构建路径优化函数，包括：
设机器人按照所述第一路径与障碍物发生碰撞的次数为Ncollison，计算所述第一路径的碰撞惩罚项F1，计算方法如下式所示：
Figure FDA0003660848610000011
式中，mi为所述第一路径在障碍物区域的总距离，Mi为常数；
计算期望路径的总长度F2，计算方法如下式所示：
Figure FDA0003660848610000012
式中，(xt-1，yt-1)为期望路径的分段起点，(xt，yt)为拐角交点；
计算期望路径的总平滑度F3，计算方法如下式所示：
Figure FDA0003660848610000013
式中，dt为所述期望路径的分段起点到拐角交点的距离；dt+1为所述期望路径的分段终点到拐角交点的距离；αt为dt和dt+1之间的夹角；其中，所述拐角交点为沿所述期望路径的分段起点与分段终点的切线作延长线得到的交点；
通过F1,F2,F3的线性组合构建所述路径优化函数F，计算方法如下式所示：
Figure FDA0003660848610000021
式中，λ1为潜在碰撞系数，λ2为路径长度系数，λ3为平滑度系数，λ1、λ2和λ3均满足大于0小于1。
2.如权利要求1所述的一种基于改进粒子群算法的机器人路径优化方法，其特征在于，所述优化目标包括如下的至少一种：
第一路径的碰撞惩罚度、期望路径的路径长度、期望路径的路径平滑度。
3.如权利要求1所述的一种基于改进粒子群算法的机器人路径优化方法，其特征在于，所述将所述格栅化地图划分为障碍物区域和自由区域，具体包括：
对所述活动空间中的障碍物进行几何化处理，得到障碍物几何模块；
将所述障碍物几何模块所占据的格栅区域划分为所述障碍物区域，将除所述障碍物区域以外的格栅区域划分为所述自由区域。
4.如权利要求1所述的一种基于改进粒子群算法的机器人路径优化方法，其特征在于，所述采用改进粒子群算法在所述自由区域中迭代出最优位置值，获得机器人在所述自由区域中的最优绕行路径，具体包括：
在所述自由区域中构建粒子群G；
按照粒子群算法对所述粒子群G中的粒子速度vi和粒子位置xi进行随机初始化赋值，并对粒子群的个体极值pbesti、群极值gbest、动态惯性权值wc初值、粒子数N进行初始化；
设置粒子群更新方程中的系数以及迭代终止条件；
将所述路径优化函数作为粒子的适度值函数，将所述适度值函数设置初值后代入粒子群优化方程中进行迭代，并记录各迭代次数下的适度值fv；所述迭代方程如下式所示：
Figure FDA0003660848610000031
式中，t为迭代次数，wc为动态惯性权重，c1和c2为粒子学习率，r1和r2分别为0-1之间的随机数；
更新所述粒子群的动态惯性权值wc、个体极值pbesti、群极值gbest，更新法则如下式所示：
Figure FDA0003660848610000032
Figure FDA0003660848610000033
更新所述粒子群中的粒子速度vi和粒子位置xi，将当前最优个体极值pbesti的位置作为所述最优位置值并保存至建立的路径数组中；
判断是否达到所述迭代终止条件；当达到迭代终止条件时，返回所述路径数组，并将所述路径数组作为所述最优绕行路径的最优解。
5.如权利要求1所述的一种基于改进粒子群算法的机器人路径优化方法，其特征在于，所述动态惯性权值的计算方法如下式所示：
Figure FDA0003660848610000034
Figure FDA0003660848610000035
式中，t是迭代次数，wc为动态惯性权值、wmax为最大值、wmin为最小值，ttotal为总迭代次数，s(i，j)定义了粒子间的关联度，d(i，j)为序号为i和j的两个粒子间的距离，dmax为粒子间的最大距离。
6.一种基于改进粒子群算法的机器人路径优化系统，其特征在于，包括：
地图构建单元，用于对机器人活动空间以及所述活动空间中的障碍物构建格栅化地图；
地图划分单元，用于将所述格栅化地图划分为障碍物区域和自由区域；
优化函数构建单元，用于根据机器人的第一路径以及优化目标构建路径优化函数；
路径计算单元，用于采用改进粒子群算法在所述自由区域中迭代出最优位置值，根据所述最优位置值计算机器人在所述自由区域中的最优绕行路径；其中，所述改进粒子群算法具体包括：将所述路径优化函数作为粒子的适度值函数；将动态惯性权值作为所述粒子群算法的惯性权值；
其中，所述优化函数构建单元，具体用于：
设机器人按照所述第一路径与障碍物发生碰撞的次数为Ncollison，计算所述第一路径的碰撞惩罚项F1，计算方法如下式所示：
Figure FDA0003660848610000041
式中，mi为所述第一路径在障碍物区域的总距离，Mi为常数；
计算期望路径的总长度F2，计算方法如下式所示：
Figure FDA0003660848610000042
式中，(xt-1，yt-1)为期望路径的分段起点，(xt，yt)为拐角交点；
计算期望路径的总平滑度F3，计算方法如下式所示：
Figure FDA0003660848610000043
式中，dt为所述期望路径的分段起点到拐角交点的距离；dt+1为所述期望路径的分段终点到拐角交点的距离；αt为dt和dt+1之间的夹角；其中，所述拐角交点为沿所述期望路径的分段起点与分段终点的切线作延长线得到的交点；
通过F1,F2,F3的线性组合构建所述路径优化函数F，计算方法如下式所示：
Figure FDA0003660848610000051
式中，λ1为潜在碰撞系数，λ2为路径长度系数，λ3为平滑度系数，λ1、λ2和λ3均满足大于0小于1。
7.一种基于改进粒子群算法的机器人路径优化系统，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的一种基于改进粒子群算法的机器人路径优化方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的一种基于改进粒子群算法的机器人路径优化方法。
CN202010206843.2A 2020-03-23 2020-03-23 基于改进粒子群算法的机器人路径优化方法及系统 Active CN111522335B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010206843.2A CN111522335B (zh) 2020-03-23 2020-03-23 基于改进粒子群算法的机器人路径优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010206843.2A CN111522335B (zh) 2020-03-23 2020-03-23 基于改进粒子群算法的机器人路径优化方法及系统

Publications (2)

Publication Number Publication Date
CN111522335A CN111522335A (zh) 2020-08-11
CN111522335B true CN111522335B (zh) 2022-07-22

Family

ID=71900913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010206843.2A Active CN111522335B (zh) 2020-03-23 2020-03-23 基于改进粒子群算法的机器人路径优化方法及系统

Country Status (1)

Country Link
CN (1) CN111522335B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113848888B (zh) * 2021-09-08 2023-09-15 广州杰赛科技股份有限公司 一种agv叉车路径规划方法、装置、设备及存储介质
CN114022538B (zh) * 2021-09-15 2024-08-27 苏州中科华影健康科技有限公司 一种内窥镜的路径规划方法、装置、终端及存储介质
CN116164753B (zh) * 2023-04-18 2023-08-08 徐州徐工重型车辆有限公司 矿山无人车路径导航方法和装置、计算机设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016045615A1 (zh) * 2014-09-25 2016-03-31 科沃斯机器人有限公司 机器人静态路径规划方法
CN109799822A (zh) * 2019-01-30 2019-05-24 中国石油大学(华东) 移动机器人全局平滑路径规划方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016045615A1 (zh) * 2014-09-25 2016-03-31 科沃斯机器人有限公司 机器人静态路径规划方法
CN109799822A (zh) * 2019-01-30 2019-05-24 中国石油大学(华东) 移动机器人全局平滑路径规划方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
一种改进量子行为粒子群优化算法的移动机器人路径规划;刘洁等;《计算机科学》;20171115;第44卷(第11A期);第123-128页 *
刘洁等.一种改进量子行为粒子群优化算法的移动机器人路径规划.《计算机科学》.2017,第44卷(第11A期),第123-128页. *
基于改进粒子群算法的机器人路径规划方法;张巧荣等;《计算机工程与设计》;20080616(第11期);第2908-2911页 *
改进粒子群算法的三维空间路径规划研究;杨超杰等;《计算机工程与应用》;20181221(第11期);第117-122页 *

Also Published As

Publication number Publication date
CN111522335A (zh) 2020-08-11

Similar Documents

Publication Publication Date Title
CN111522335B (zh) 基于改进粒子群算法的机器人路径优化方法及系统
US10466058B2 (en) Navigation for vehicles
CN108645411B (zh) 基于粒子群算法的机器人路径规划方法、装置及终端设备
Li et al. Autonomous underwater vehicle optimal path planning method for seabed terrain matching navigation
CN105068550B (zh) 一种基于拍卖模式的水下机器人多目标选择方法
CN109933067A (zh) 一种基于遗传算法和粒子群算法的无人艇避碰方法
CN110412877A (zh) 一种基于nsp算法的舰载机甲板路径规划最优控制方法
CN109657863B (zh) 一种基于萤火虫算法的无人船全局路径动态优化方法
CN111968414B (zh) 基于大数据和ai的4d轨迹预测方法、装置及电子设备
CN105045260A (zh) 一种未知动态环境下的移动机器人路径规划方法
CN113110521B (zh) 移动机器人路径规划控制方法及其控制装置、存储介质
CN108638062A (zh) 机器人定位方法、装置、定位设备及存储介质
CN114815802A (zh) 一种基于改进蚁群算法的无人天车路径规划方法和系统
CN115061499B (zh) 无人机控制方法及无人机控制装置
EP3753683A1 (en) Method and system for generating a robotic program for industrial coating
US20210150094A1 (en) Generating designs for multi-family housing projects using rigid body simulations
CN113253717A (zh) 一种基于动态障碍物运动信息的室内移动机器人局部路径规划方法
Luo et al. A multi-scale map method based on bioinspired neural network algorithm for robot path planning
CN113359808A (zh) 一种无人机电力巡检多级路径规划方法及相关装置
CN114518771B (zh) 一种多无人机路径规划方法、装置及相关组件
Kareem et al. Planning the Optimal 3D Quadcopter Trajectory Using a Delivery System-Based Hybrid Algorithm.
Makarov et al. Smoothing Voronoi-Based Path with Minimized Length and Visibility Using Composite Bezier Curves.
Li et al. A high-efficiency, information-based exploration path planning method for active simultaneous localization and mapping
CN117928589A (zh) 车辆的路径规划方法、装置、设备及存储介质
KR101022785B1 (ko) 신경망과 진화연산을 이용한 로봇의 환경 지도 작성 방법

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