CN111694357B - 基于遗传算法和人工势场法的机器人行走路径规划方法 - Google Patents
基于遗传算法和人工势场法的机器人行走路径规划方法 Download PDFInfo
- Publication number
- CN111694357B CN111694357B CN202010563855.0A CN202010563855A CN111694357B CN 111694357 B CN111694357 B CN 111694357B CN 202010563855 A CN202010563855 A CN 202010563855A CN 111694357 B CN111694357 B CN 111694357B
- Authority
- CN
- China
- Prior art keywords
- robot
- path
- potential field
- obstacle
- point
- 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 90
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 61
- 230000002068 genetic effect Effects 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 230000010355 oscillation Effects 0.000 claims abstract description 6
- 238000007689 inspection Methods 0.000 claims description 59
- 230000006870 function Effects 0.000 claims description 12
- 238000005381 potential energy Methods 0.000 claims description 9
- 230000004888 barrier function Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000004387 environmental modeling Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 20
- 238000004088 simulation Methods 0.000 description 5
- 239000000872 buffer Substances 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000002966 stenotic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种基于遗传算法和人工势场法的机器人行走路径规划方法。该方法结合Maklink图和人工势场法得到优化路径，选取链接线上的节点，通过Dijkstra算法得到一条起点到终点的最短路径作为人工势场法的预规划路径，把该路径中的每一个中间节点都依次作为人工势场法的目标引力牵引点。再利用遗传算法迭代寻优，最终可以在包含凹多边形的目标区域中得到一条平滑且安全性高的最短路径，并且可以解决人工势场法本身的局限问题，避免陷入极值点和消除震荡点。
Description
技术领域
本发明涉及一种基于遗传算法和人工势场法的机器人行走路径规划方法。
背景技术
随着电力系统自动化水平的提高，变电站的数量越来越多，巡检工作量越来越大。传统的巡检方式一般是人工巡检，通常需要巡检人员定期到变电站或配电房进行巡检。这样的巡检方式不仅工作任务繁重，效率低下，而且工作人员还面临着复杂的环境和电磁辐射带来的危害，同时在恶劣天气下，变电站设备状况无法及时巡检，很难满足对供电质量日益提高的要求。这种情况下，变电站智能巡检机器人的作用就显得尤为重要，而路径规划是变电站巡检机器人自主导航的重要部分之一。
路径规划在国内外的研究众多，涉及到的领域也非常广泛，例如机器人路线规划、飞行器航线规划、无人船避碰等等。通过环境建模的不同可以分为三大类：基于物理、数学和决策论的环境建模。物理方法的环境建模主要有路线图法、人工势场法[1]、栅格法[2]、构型空间法、Dubins路径、概率地图法等等，而路线图法又可细分为可视图法、Voronoi图、链接图法以及随机路线图等，对于这一类的建模方法通常采用启发式或智能算法求解，如Dijkstra算法、蚁群算法[3]、模拟退火算法[4]、A*[5]算法或者融合多种智能算法的混合算法[6]，本文即是在此类建模方法下进行的研究；数学方法的环境建模主要有线性规划、动态规划、最小树规划等，通常适用于多起点多目标点的编队路径规划，可以用传统的混合整数线性规划或者智能算法如PSO算法等进行求解；基于决策论的环境建模主要有模糊控制、多行为融合、状态聚类等方法，通过对被规划目标在已有的不同环境下的决策进行分类归纳来对未来的情况做出相应的判断，最终规划出合适的路径，神经网络和深度学习在解决此类问题中有着绝对的优势。
链接图[7](Maklink)法是自由空间建模的一种比较精简的方法，它把整片区域中的障碍物抽象成平面的凸边形，再利用相关的图论原理建立一个全局连通图，最后通过相关算法实现路径规划。在其过程中，会对障碍物边界进行适当的扩大并缩小环境边界，然后把自由空间内的巡检机器人视为一个质点。但是，在一些通道狭窄且复杂的变电站巡检区域中，机器人不可视为质点，并且最终得到的路径不一定满足巡检路线的要求，容易发生碰撞事故，或者精度不够使得机器人无法到达指定检测区域。
人工势场法[8]具有数学模型简单、易于实现、路线结果平滑等优点，因此在路径规划领域得到了广泛的应用，但其也存在算法本身上的缺陷[9]，例如：规划目标与障碍物和终点处于同一直线时，易陷入局部极小值；终点与障碍物距离过近会产生目标不可达问题[10]；狭窄区域易陷入徘徊抖动状态。这是由于该方法每一步的方向是通过局部区域的合力确定的，导致其缺乏全局环境上的规划能力，因此本文提出了基于Maklink图的预规划路径的人工势场环境模型。
发明内容
本发明的目的在于提供一种基于遗传算法和人工势场法的机器人行走路径规划方法，结合Maklink图和人工势场法得到优化路径，再利用遗传算法迭代寻优，最终可以在包含凹多边形的变电站工作区域中得到一条平滑且安全性高的最短路径，并且可以解决人工势场法本身的局限问题，避免陷入极值点和消除震荡点。
为实现上述目的，本发明的技术方案是：一种基于遗传算法和人工势场法的机器人行走路径规划方法，包括如下步骤：
步骤S1、通过改进的Maklink法对变电站工作区域进行环境建模并对路径节点进行遗传编码；
步骤S2、利用Dijkstra算法得到经过的路径节点并构建人工势场环境模型，而后通过改进的人工势场法对路径进行优化，可得到一条平滑的可通行路径；
步骤S3、利用遗传算法对路径进行迭代寻优，最终在包含凹多边形的变电站工作区域中得到一条平滑且安全性高的最短路径。
在本发明一实施例中，所述步骤S1中，通过改进的Maklink法对变电站工作区域进行环境建模的具体方式实现如下：
由于变电站工作区域在巡检过程中凹多边形目标区域是时常存在的，因此Maklink需对凹多边形目标区域进行行驶通道连通图的构建，首先，将凹多边形划分为多个凸多边形，而后对凸多边形的每条边进行平移，缩小凸多边形，距离选取为巡检机器人宽度的十分之一，使得凸多边形之间有着狭窄的通道，再通过对不可通行区域的约束，完成变电站工作区域的行驶通道连通图的构建。
在本发明一实施例中，所述不可通行区域的约束，即在采用Maklink构建行驶通道连通图时，利用巡检机器人的宽度对链接线的绘制进行限制，即在做当前顶点与所有其它障碍物的顶点连线之前，计算出该顶点与其它障碍物的最短距离，当最短距离不能满足巡检机器人的通行时，则把该区域设为不可通行区域，构建行驶通道连通图时不再连接该链接线的中点。
在本发明一实施例中，所述步骤S2的具体实现方式为：利用Dijkstra算法得到经过的路径节点，把该路径中的每一个中间节点都依次作为人工势场法的目标引力牵引点，而后以半倍巡检机器人宽度为间隔，对障碍物的每一条边放置多个斥力点，用其边界上所有斥力点的合力来代表一个障碍物，进而构建人工势场环境模型，最后采用改进的人工势场法对路径进行优化，即可得到一条平滑的可通行路径。
在本发明一实施例中，所述采用改进的人工势场法对路径进行优化的具体实现方式如下：
首先，引入多边形线段集对机器人形状进行描述，此处障碍物对机器人的排斥力由点到多边形的最短距离求出，即将机器人尺度引入到人工势场当中，保证了在狭窄的作业区域中也能找到一条可行的安全路径，引力场和斥力场函数分别表示如下：
Uatt(X)＝0.5αρ2(X,Xg)
式中：α、β分别为引力与斥力势场增益系数；X、Xg、XO分别表示机器人中心点、目标点、障碍物的位置坐标；ρ(X,Xg)、ρ(X′,Xo)分别表示目标点到机器人中心点的距离和障碍物到机器人的最短距离；ρ0为障碍物的斥力作用范围；
当机器人越靠近障碍物具有的势场势能越大，越远离障碍物具有的势场势能越小，当障碍物到机器人的最短距离大于障碍物的最大影响距离时，所具有的势场势能则为0；
对引力势场函数和斥力势场函数求负梯度，即可得到机器人受到的作用力：
引力函数
随着机器人中心点X与目标点位置Xg的距离ρ(X,Xg)的增加而线性单调增加，方向从机器人中心点指向目标点；斥力
的方向在机器人距离障碍物最近点与障碍物的连线上，并且背离障碍物指向机器人，大小随着机器人与障碍物的距离的减少而增大；
机器人在其中一时刻受到的合力为：
通过人工势场方程计算出势场合力后，机器人的每一步的前进方向可由合力的方向确定，从而得到整条路径；
但是在变电站巡检机器人的路径规划中，由于采用的是四轮驱动，受到自身运动能力的约束，因此在确定巡检机器人规划路径时，需要结合巡检机器人的实际情况，即考虑巡检机器人的最大转向角，假定当前点Pi的前进方向为
巡检机器人的最小回转半径为R，步长为l，则巡检机器人的最大转向角为：
巡检机器人的下一点Pi+1的前进方向
的角度只能选取在角度为
的范围内；
为了使路径更加平滑，引入巡检机器人的速度v构建运动模型，假设记录巡检机器人运动状态的时间间隔为t，移动方向由当前速度
和所受到的合力
确定：
前进步长为：
l＝vn+1*t
当中间节点距离障碍物较远时，人工势场的路径规划可以到达该目标点，则可以在到达该目标点后选择下一中间节点作为目标点，直到到达终点；但在节点距离障碍物太近时，会导致目标点不可达，陷入死循环，此时意味着该节点不是安全点，需要选取下一个节点作为目标点，具体选择方式如下：
以中间节点Gn为圆心，巡检机器人长度为半径确定一个圆形范围，当巡检机器人进入到该区域内，即对巡检机器人的方向角进行判定，当巡检机器人下一点Pi+1的前进方向
与当前节点Gn和下一节点Gn+1的方向
的夹角小于最大转向角
时，则将目标点Gn改变为Gn+1，继续下一段的人工势场路径规划，由于预规划路径都是由直线段组成，因此最终可以得到一条完整且平滑的规划路径，并且路径中没有不必要的冗余点和震荡点。
相较于现有技术，本发明具有以下有益效果：本发明方法结合Maklink图和人工势场法得到优化路径，再利用遗传算法迭代寻优，最终可以在包含凹多边形的变电站工作区域中得到一条平滑且安全性高的最短路径，并且可以解决人工势场法本身的局限问题，避免陷入极值点和消除震荡点。
附图说明
图1障碍缓冲区及机器人碰撞示意图；其中，图1(a)为障碍缓冲区，图1(b)为机器人与障碍区碰撞。
图2为本发明改进Maklink示意图；其中，图2(a)为不可通行区域情形1，图2(b)为不可通行区域情形2，图2(c)为凹多边形分解图。
图3为变电站环境模型。
图4为考虑机器人尺度的路径规划算法流程图。
图5为人工势场法原理示意图；其中，图5(a)为传统人工势场法路线规划，图5(b)为引入多边形线段集描述的机器人形状，图5(c)为改进的人工势场法路线规划。
图6为机器人最大转向角约束。
图7为计算机器人运动示意图。
图8为切换目标点的判别。
图9为原算法与改进后的机器人路径规划仿真结果。
图10为规划路径方向角与安全距离曲线图；其中，图10(a)为原算法方向角与最小安全距离，图10(b)为本发明算法方向角与最小安全距离。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明提供了一种基于遗传算法和人工势场法的机器人行走路径规划方法，包括如下步骤：
步骤S1、通过改进的Maklink法对变电站工作区域进行环境建模并对路径节点进行遗传编码；
步骤S2、利用Dijkstra算法得到经过的路径节点并构建人工势场环境模型，而后通过改进的人工势场法对路径进行优化，可得到一条平滑的可通行路径；
步骤S3、利用遗传算法对路径进行迭代寻优，最终在包含凹多边形的变电站工作区域中得到一条平滑且安全性高的最短路径。
以下为本发明的具体实现过程。
本发明结合Maklink图和人工势场法得到优化路径，选取链接线上的节点，通过Dijkstra算法得到一条起点到终点的最短路径作为人工势场法的预规划路径，把该路径中的每一个中间节点都依次作为人工势场法的目标引力牵引点。再利用遗传算法迭代寻优，最终可以在包含凹多边形的目标区域中得到一条平滑且安全性高的最短路径，并且可以解决人工势场法本身的局限问题，避免陷入极值点和消除震荡点。
1、环境模型
1.1、改进的Maklink图的变电站工作区域环境模型。
在传统的路径规划中，都是把障碍区通过缓冲分析进行扩大[11]，如图1(a)所示，然后把机器人等同于质点，忽略被规划目标的尺度，但这会造成在顶点处外扩量过大，从而导致路径长度增加，甚至有可能堵塞通路使算法得不到有效的可行路径。另外，由于规划路线在顶点处转角过大，需要对线路进行平滑优化，这会造成机器人与障碍区发生碰撞，如图1(b)所示，使得规划航线缺乏安全性，如果把缓冲距离选为半倍的机器人长度则势必会占据更多的自由空间。Maklink图本身也有着一定的局限性，为此，本发明结合实际的变电站巡检情况，在考虑机器人尺度之后，对Maklink图提出了改进。
首先，Maklink画出的行驶通道也许并不能满足通行的条件，所以利用巡检机器人的宽度对链接线的绘制进行限制。在做当前顶点与所有其它障碍物的顶点连线之前，计算出该顶点与其它障碍物的最短距离，它可能是该点与障碍物某一顶点的连线(如图2(a))或者某一边的垂线(如图2(b))，当最短距离不能满足巡检机器人的通行时，则把该区域设为不可通行区域，构建连通图时不再连接该链接线的中点。
其次，当目标区域中存在凹多边形时，通常无法画出正确有效的全局连通图。事实上，凹多边形目标区域在巡检过程中时是时常存在的，尤其是在复杂的变电站与配电房之中。在对凹多边形进行连通图的构建时，可以把凹多边形划分为多个凸多边形，本文给出一种分解凹多边形的方式：
a.选取凹多边形的一个顶点，连接与该顶点相邻的两个顶点的连线，如果连线没有穿过凹多边形，则该顶点为一个凹顶点，遍历所有的顶点找出所有的凹顶点。
b.选取一个凹顶点，连接该顶点与其它所有不与其相邻的顶点的连线，按线段的长度从小到大排列，组成集合A。
c.选取集合A中的第一条线段，检查该线段与凸多边形的顶点产生的两个内角角。若2个内角均小于180°，则保留该连接线，进入步骤e；若某个外角大于180°，则将该连接线放入到该顶点的候选连接线集合B中。
d.检查该顶点的所有候选连接线集合B中是否存在外角大于180°。若存在，则返回步骤c，若不存在，则进入步骤e。
e.检查是否已经遍历所有的凹顶点，若是，则结束，若否，则返回步骤b。
通过以上方法画出的连接线可以把凹多边形进行分解，随后绘制Maklink图，但由于此时分解的凸多边形是相互连接的，用原有步骤无法画出可行的连通图，需要对凸多边形进行适当的缩小，使其不再相连。缩小方法为对凸多边形的每条边进行平移，距离选取为巡检机器人宽度的十分之一。此时，凸多边形之间有着狭窄的通道，但通过上述不可通行区域的约束，整片多个凸多边形可以近似为整体的凹多边形，如图2(c)所示。
1.2、改进的人工势场法的变电站工作区域环境模型
传统的人工势场法中，障碍物由一个质点表示，通过影响距离和斥力系数的大小控制障碍物的实际大小，而被规划目标只受到终点的牵引力吸引，这就导致算法容易陷入极小值陷阱或在一定范围内徘徊抖动。本发明在Maklink图的基础上对人工势场法环境模型提出改进。
在1.1中的改进下绘制出目标区域Maklink图后，选取链接线上的节点，通过Dijkstra算法得到一条起点到终点的最短路径作为人工势场法的预规划路径，把该路径中的每一个中间节点都依次作为人工势场法的目标引力牵引点。由于不规则的障碍物需要考虑其形状，并且凹多边形更无法简化成一个质点表述，因此本发明通过在障碍物边界设置斥力点的方法来构造环境模型，以半倍巡检机器人宽度为间隔，对障碍物的每一条边放置多个斥力点，用其边界上所有斥力点的合力来代表一个障碍物，如图3所示。通过如上方法构造环境模型，用人工势场法求解，就可以得到一条平滑的可通行路径并且解决算法陷入极小值陷阱等问题。
2、本发明考虑巡检机器人尺度的路径规划算法
2.1、本发明算法
本发明结合了Maklink图和人工势场法实现了对变电站区域的路径规划，对路径实现了平滑也避免了人工势场法容易陷入极值点等问题。本发明首先构建Maklink图，以每条链接线上的节点位置作为基因进行遗传编码，创建初始种群后，利用Dijkstra算法得到经过的路径节点，然后构建人工势场环境模型，利用人工势场法得到平滑后的路径，路径长度作为染色体的适应度值，最后不断地用遗传算法选择、交叉、变异得到最终的最优路径。算法的具体流程图如图4所示。
2.2、人工势场法基本原理及改进
人工势场法[12]的基本思想是将机器人在规划空间中的运动看作一种在虚拟力场中的受力运动，障碍物对其产生排斥力且与两点间距离成反比，目标点对其产生吸引力且与两点间距离成正比，机器人在合力的作用下朝着目标点运动。传统人工势场法路线规划示意图如图5(a)所示。
为了简便计算、提高算法效率，本发明对巡检机器人的形状进行了简化，在不损失太多的机器人尺度和占用太多的自由空间的前提下，引入多边形线段集对机器人形状进行描述，如图5(b)所示。在有了线段集表述的机器人外形之后，障碍物对机器人的排斥力由点到多边形的最短距离求出，而不是用之前的质点间距离，这样可以有效地将机器人尺度引入到人工势场当中，保证了在狭窄的作业区域中也能找到一条可行的安全路径。
引力场和斥力场函数分别表示如下：
Uatt(X)＝0.5αρ2(X,Xg)
式中：α、β分别为引力与斥力势场增益系数；X、Xg、XO分别表示机器人中心点、目标点、障碍物的位置坐标；ρ(X,Xg)、ρ(X′,Xo)分别表示目标点到机器人中心点的距离和障碍物到机器人的最短距离；ρ0为障碍物的斥力作用范围；
当机器人越靠近障碍物具有的势场势能越大，越远离障碍物具有的势场势能越小，当障碍物到机器人的最短距离大于障碍物的最大影响距离时，所具有的势场势能则为0；
对引力势场函数和斥力势场函数求负梯度，即可得到机器人受到的作用力：
引力函数
随着机器人中心点X与目标点位置Xg的距离ρ(X,Xg)的增加而线性单调增加，方向从机器人中心点指向目标点；斥力
的方向在机器人距离障碍物最近点与障碍物的连线上，并且背离障碍物指向机器人，大小随着机器人与障碍物的距离的减少而增大。
机器人在某一时刻受到的合力为：
2.3、基于回转半径的最大转向角控制
在机器人路径规划中，有些机器人可以在原地旋转来改变方向，因此通过势场方程计算出势场合力后，机器人的每一步的前进方向可由合力的方向确定，从而得到整条路径。但是在变电站巡检机器人的路径规划中，由于采用的是四轮驱动，受到自身运动能力的约束，传统的势场模型所规划的路径不一定能满足实际情况，因此在确定巡检机器人规划路径时，需要结合机器人的实际情况来考虑，最大转向角是机器人运动能力的重要指标，它限定了所规划的每一路径段的最大转弯范围，假定当前点Pi的前进方向为
巡检机器人的最小回转半径为R，步长为l，则巡检机器人的最大转向角为：
巡检机器人的下一点Pi+1的前进方向
的角度只能选取在角度为
的范围内；pi+2限制在弧形AB上，如图6所示。
为了使路径更加平滑，本发明引入巡检机器人的速度v构建运动模型，假设记录巡检机器人运动状态的时间间隔为t，移动方向由当前速度
和所受到的合力
确定：
如图7所示，
的大小为vn+1，转向角如果小于
则方向与
相同，转向角如果不小于
则转动最大转向角来确定
的方向。前进步长为：
l＝vn+1*t
2.4、切换目标点的判别
当中间节点距离障碍物较远时，人工势场的路径规划可以到达该目标点，则可以在到达该目标点后选择下一中间节点作为目标点，直到到达终点；但在节点距离障碍物太近时，会导致目标点不可达，陷入死循环，此时意味着该节点不是安全点，需要选取下一个节点作为目标点，具体选择方式如下：
以中间节点Gn为圆心，巡检机器人长度为半径确定一个圆形范围，当巡检机器人进入到该区域内，即对巡检机器人的方向角进行判定，当巡检机器人下一点Pi+1的前进方向
与当前节点Gn和下一节点Gn+1的方向
的夹角小于最大转向角
时，则将目标点Gn改变为Gn+1，继续下一段的人工势场路径规划，由于预规划路径都是由直线段组成，因此最终可以得到一条完整且平滑的规划路径，并且路径中没有不必要的冗余点和震荡点。
3、仿真实验
为了验证本发明算法的有效性，在Intel Core3主频3.30GHz的计算机上用MATLAB进行仿真实验。在200*200的区域内设置变电站工作区域，共5个，其中右下角的障碍区为凹多边形，仿真目标为寻找一条从起点到终点的可行路线。参数设定：引力增益系数α为5、斥力势场增益系数β为10、巡航机器人宽度为4、长度为10、斥力作用范围为10，起止点坐标分别为(10,130)、(150,50)。
仿真结果如图9所示，图中点线为Dijkstra算法得到的最初路径，虚线为用Maklink图和遗传算法求解出的路径，实线为本发明算法得到的结果。可以看出，本发明算法相较于用单纯的Maklink图得到的路径更加平滑，并且和障碍物保留一定距离，提高了路线安全性。下面定量分析两条路径的相关指标。
定义机器人的最小安全距离为机器人边界到障碍物的最小距离，不同时间的机器人方向角和最小安全距离变化曲线如图10所示，可以看出用原算法得到的路径在某些时刻最小安全距离小于0，危险度较大。比较机器人航向角的变化曲线也可以看出本文算法更为平滑，符合巡检机器人的运动规律。
4、结论
本发明提出了一种对机器人进行路径规划的新方式，结合Maklink图和人工势场法得到优化路径，再利用遗传算法迭代寻优，最终可以在包含凹多边形的变电站工作区域中得到一条平滑且安全性高的最短路径，并且可以解决人工势场法本身的局限问题，避免陷入极值点和消除震荡点。最后利用计算机仿真并与原算法对比，验证了本发明算法的可行性与有效性。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
参考文献：
[1]丁家如，杜昌平，赵耀，等.基于改进人工势场法的无人机路径规划算法[J].计算机应用.2016,36(01):287-290.
DING J R,DU C P,ZHAO Y,et al.UAV path planning algorithm based onimproved artificial potential field method[J].JournalofComputerApplications.2016,36(01):287-290.
[2]李季，孙秀霞.基于改进A-Star算法的无人机航迹规划算法研究[J].兵工学报.2008(07):788-792.
LI J,SUN X X.Research on UAV's Track Planning Algorithm Based onImproved A-Star Algorithm[J].Ordnance Engineering Journal.2008(07):788-792.
[3]雷超帆,赵华东,江南,等.融合粒子群与蚁群算法的机器人路径规划[J].重庆理工大学学报(自然科学),2020.34(01):第235-241页.
LEI C F,ZHAO H D,JIANG N,et al.Robotpath planning usingparticle swarmoptimization and ant colony algorithm[J].Journal of Chongqing UniversityofTechnology(Natural Science),2020.34(01):235-241
[4]陶重犇等,基于改进模拟退火算法的搬运机器人路径规划[J].计算机测量与控制,2018.26(07):第182-185页.
TAO C B,et al.,Path planning of transport robot based on improvedsimulated annealing algorithm[J].Computer Measurement and Control,2018.26(07):Pages 182-185
[5]赵晓等,基于改进A*算法的移动机器人路径规划[J].机器人,2018.40(06):第903-910页.
ZHAO X,et al.,Mobile Robot Path Planning Based on ImprovedA*Algorithm[J].Robot,2018.40(06):Pages 903-910.
[6]陈尔奎,吴梅花,基于改进遗传算法和改进人工势场法的复杂环境下移动机器人路径规划[J].科学技术与工程,2018.18(33):第79-85页.
CHEN E K,WU M H,Path planning for mobile robots in complexenvironments based on improved genetic algorithm and improved artificialpotential field method[J].Science Technology and Engineering,2018.18(33):Page79-85
[7]陈友荣，陆思一，任条娟，等.一种无线传感网的Sink节点移动路径规划算法研究[J].传感技术学报.2017,30(12):1933-1940.
CHEN Y R,LU S Y,REN T J,et al.Research on Sink Node Moving PathPlanning Algorithm forWireless SensorNetwork[J].Journal ofTransductionTechnology.2017,30(12):1933-1940.
[8]况菲，王耀南.基于混合人工势场-遗传算法的移动机器人路径规划仿真研究[J].系统仿真学报.2006(03):774-777.
KUANG F,WANG Y N.Simulation Research on Path Planning of Mobile RobotBased on Hybrid Artificial Potential Field-Genetic Algorithm[J].Journal ofSystem Simulation.2006(03):774-777.
[9]张殿富，刘福.基于人工势场法的路径规划方法研究及展望[J].计算机工程与科学.2013,35(06):88-95.
ZHANG D F,LIU F.Research and Prospect of Path Planning Method Basedon Artificial Potential Field Method[J].Computer Engineering andScience.2013,35(06):88-95.
[10]田亚卓,张勇军.基于改进人工势场法的动态环境下无人机路径规划[J].武汉科技大学学报,2017.40(06):第451-456页.
TIAN Y Z,ZHANG Y J.Path planning ofunmanned aerial vehicle underdynamic environment based on improved artificial potential field method[J].Journal of Wuhan University of Science and Technology,2017.40(06):451-456.
[11]谢新连，何平，何傲，等.复杂水域船舶避碰路径规划研究[J].重庆交通大学学报(自然科学版).2019:1-7.
XIE X L,HE P,HEA,et al.Research on collision avoidance path planningfor complex waters[J].Journal ofChongqing Jiaotong University:Natural ScienceEdition.2019:1-7.
[12]陈超，耿沛文，张新慈.基于改进人工势场法的水面无人艇路径规划研究[J].船舶工程.2015,37(09):72-75.
CHAO C，GENG PW，ZHANG X C.Research on Path Planning ofSurfaceUnmannedVessels Based on ImprovedArtificial Potential Field Method[J].ShipEngineering.2015,37(09):72-75.。
Claims (3)
1.一种基于遗传算法和人工势场法的机器人行走路径规划方法，其特征在于，包括如下步骤：
步骤S1、通过改进的Maklink法对变电站工作区域进行环境建模并对路径节点进行遗传编码；
步骤S2、利用Dijkstra算法得到经过的路径节点并构建人工势场环境模型，而后通过改进的人工势场法对路径进行优化，可得到一条平滑的可通行路径；
步骤S3、利用遗传算法对路径进行迭代寻优，最终在包含凹多边形的变电站工作区域中得到一条平滑且安全性高的最短路径；
所述步骤S2的具体实现方式为：利用Dijkstra算法得到经过的路径节点，把该路径中的每一个中间节点都依次作为人工势场法的目标引力牵引点，而后以半倍巡检机器人宽度为间隔，对障碍物的每一条边放置多个斥力点，用其边界上所有斥力点的合力来代表一个障碍物，进而构建人工势场环境模型，最后采用改进的人工势场法对路径进行优化，即可得到一条平滑的可通行路径；
所述采用改进的人工势场法对路径进行优化的具体实现方式如下：
首先，引入多边形线段集对机器人形状进行描述，此处障碍物对机器人的排斥力由点到多边形的最短距离求出，即将机器人尺度引入到人工势场当中，保证了在狭窄的作业区域中也能找到一条可行的安全路径，引力场和斥力场函数分别表示如下：
Uatt(X)＝0.5αρ2(X,Xg)
式中：α、β分别为引力与斥力势场增益系数；X、Xg、XO分别表示机器人中心点、目标点、障碍物的位置坐标；ρ(X,Xg)、ρ(X′,Xo)分别表示目标点到机器人中心点的距离和障碍物到机器人的最短距离；ρ0为障碍物的斥力作用范围；
当机器人越靠近障碍物具有的势场势能越大，越远离障碍物具有的势场势能越小，当障碍物到机器人的最短距离大于障碍物的最大影响距离时，所具有的势场势能则为0；
对引力势场函数和斥力势场函数求负梯度，即可得到机器人受到的作用力：
引力函数
随着机器人中心点X与目标点位置Xg的距离ρ(X,Xg)的增加而线性单调增加，方向从机器人中心点指向目标点；斥力
的方向在机器人距离障碍物最近点与障碍物的连线上，并且背离障碍物指向机器人，大小随着机器人与障碍物的距离的减少而增大；
机器人在其中一时刻受到的合力为：
通过人工势场方程计算出势场合力后，机器人的每一步的前进方向可由合力的方向确定，从而得到整条路径；
但是在变电站巡检机器人的路径规划中，由于采用的是四轮驱动，受到自身运动能力的约束，因此在确定巡检机器人规划路径时，需要结合巡检机器人的实际情况，即考虑巡检机器人的最大转向角，假定当前点Pi的前进方向为
巡检机器人的最小回转半径为R，步长为l，则巡检机器人的最大转向角为：
巡检机器人的下一点Pi+1的前进方向
的角度只能选取在角度为
的范围内；
为了使路径更加平滑，引入巡检机器人的速度v构建运动模型，假设记录巡检机器人运动状态的时间间隔为t，移动方向由当前速度
和所受到的合力
确定：
前进步长为：
l＝vn+1*t
当中间节点距离障碍物较远时，人工势场的路径规划可以到达该目标点，则可以在到达该目标点后选择下一中间节点作为目标点，直到到达终点；但在节点距离障碍物太近时，会导致目标点不可达，陷入死循环，此时意味着该节点不是安全点，需要选取下一个节点作为目标点，具体选择方式如下：
以中间节点Gn为圆心，巡检机器人长度为半径确定一个圆形范围，当巡检机器人进入到该区域内，即对巡检机器人的方向角进行判定，当巡检机器人下一点Pi+1的前进方向
与当前节点Gn和下一节点Gn+1的方向
的夹角小于最大转向角
时，则将目标点Gn改变为Gn+1，继续下一段的人工势场路径规划，由于预规划路径都是由直线段组成，因此最终可以得到一条完整且平滑的规划路径，并且路径中没有不必要的冗余点和震荡点。
2.根据权利要求1所述的基于遗传算法和人工势场法的机器人行走路径规划方法，其特征在于，所述步骤S1中，通过改进的Maklink法对变电站工作区域进行环境建模的具体方式实现如下：
由于变电站工作区域在巡检过程中凹多边形目标区域是时常存在的，因此Maklink需对凹多边形目标区域进行行驶通道连通图的构建，首先，将凹多边形划分为多个凸多边形，而后对凸多边形的每条边进行平移，缩小凸多边形，距离选取为巡检机器人宽度的十分之一，使得凸多边形之间有着狭窄的通道，再通过对不可通行区域的约束，完成变电站工作区域的行驶通道连通图的构建。
3.根据权利要求2所述的基于遗传算法和人工势场法的机器人行走路径规划方法，其特征在于，所述不可通行区域的约束，即在采用Maklink构建行驶通道连通图时，利用巡检机器人的宽度对链接线的绘制进行限制，即在做当前顶点与所有其它障碍物的顶点连线之前，计算出该顶点与其它障碍物的最短距离，当最短距离不能满足巡检机器人的通行时，则把该区域设为不可通行区域，构建行驶通道连通图时不再连接该链接线的中点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010563855.0A CN111694357B (zh) | 2020-06-19 | 2020-06-19 | 基于遗传算法和人工势场法的机器人行走路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010563855.0A CN111694357B (zh) | 2020-06-19 | 2020-06-19 | 基于遗传算法和人工势场法的机器人行走路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111694357A CN111694357A (zh) | 2020-09-22 |
| CN111694357B true CN111694357B (zh) | 2022-05-13 |
Family
ID=72481924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010563855.0A Active CN111694357B (zh) | 2020-06-19 | 2020-06-19 | 基于遗传算法和人工势场法的机器人行走路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111694357B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112596525B (zh) * | 2020-12-16 | 2022-03-29 | 中国地质大学（武汉） | 基于遗传算法和改进人工势场法的机器人路径规划方法 |
| CN112947594B (zh) * | 2021-04-07 | 2023-08-04 | 东北大学 | 一种面向无人机的航迹规划方法 |
| CN113341991B (zh) * | 2021-06-18 | 2022-08-09 | 重庆大学 | 一种基于动态窗口和冗余节点过滤的路径优化方法 |
| CN113848889A (zh) * | 2021-09-09 | 2021-12-28 | 武汉工程大学 | 一种基于鲸鱼优化算法和人工势场法结合的路径规划方法 |
| CN113985879B (zh) * | 2021-10-28 | 2024-02-02 | 安徽安宠宠物用品有限公司 | 基于历史数据动态优化的智能移动巡检方法 |
| CN113917929A (zh) * | 2021-11-11 | 2022-01-11 | 中国船舶重工集团公司第七一九研究所 | 一种基于混合粒子群算法的无人船路径优化方法和系统 |
| CN114662521A (zh) * | 2021-11-16 | 2022-06-24 | 成都考拉悠然科技有限公司 | 一种行人徘徊行为检测方法及其系统 |
| CN114296474A (zh) * | 2021-12-10 | 2022-04-08 | 国网新疆电力有限公司超高压分公司 | 一种基于路径时间代价的无人机路径规划方法及系统 |
| CN114779821B (zh) * | 2022-05-25 | 2023-06-27 | 四川大学 | 基于深度学习的无人机自适应斥力系数路径规划方法 |
| CN115167440A (zh) * | 2022-07-25 | 2022-10-11 | 中国安全生产科学研究院 | 一种基于虚拟领航-领航-跟随的多机器人编队控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105511457A (zh) * | 2014-09-25 | 2016-04-20 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
| CN105629974A (zh) * | 2016-02-04 | 2016-06-01 | 重庆大学 | 一种基于改进型人工势场法的机器人路径规划方法及系统 |
| CN108803614A (zh) * | 2018-07-04 | 2018-11-13 | 广东猪兼强互联网科技有限公司 | 一种无人驾驶机器人路径规划系统 |
| CN110045738A (zh) * | 2019-04-29 | 2019-07-23 | 天津大学 | 基于蚁群算法和Maklink图的机器人路径规划方法 |
| CN110703752A (zh) * | 2019-10-15 | 2020-01-17 | 哈尔滨工程大学 | 免疫遗传-人工势场法的无人艇双层路径规划方法 |
-
2020
- 2020-06-19 CN CN202010563855.0A patent/CN111694357B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105511457A (zh) * | 2014-09-25 | 2016-04-20 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
| CN105629974A (zh) * | 2016-02-04 | 2016-06-01 | 重庆大学 | 一种基于改进型人工势场法的机器人路径规划方法及系统 |
| CN108803614A (zh) * | 2018-07-04 | 2018-11-13 | 广东猪兼强互联网科技有限公司 | 一种无人驾驶机器人路径规划系统 |
| CN110045738A (zh) * | 2019-04-29 | 2019-07-23 | 天津大学 | 基于蚁群算法和Maklink图的机器人路径规划方法 |
| CN110703752A (zh) * | 2019-10-15 | 2020-01-17 | 哈尔滨工程大学 | 免疫遗传-人工势场法的无人艇双层路径规划方法 |
Non-Patent Citations (9)
| Title |
|---|
| Path planning of transport robot based on improvedsimulated annealing algorithm;TAO C B等;《Computer Measurement and Control》;20181231;全文 * |
| UAV path planning algorithm based onimproved artificial potential field method;DING J R;《JournalofComputerApplications》;20161231;全文 * |
| 一种AAPF算法及其在多机器人路径规划中的应用;高巍等;《东北大学学报(自然科学版)》;20090515(第05期);全文 * |
| 基于人工势场法的路径规划方法研究及展望;张殿富等;《计算机工程与科学》;20130615(第06期);全文 * |
| 基于改进人工势场法的水面无人艇路径规划研究;陈超等;《船舶工程》;20150915(第09期);全文 * |
| 基于改进人工势场法的移动机器人路径规划;宋建辉等;《计算机工程与科学》;20170715(第07期);全文 * |
| 基于改进遗传算法和改进人工势场法的复杂环境下移动机器人路径规划;陈尔奎等;《科学技术与工程》;20181128(第33期);全文 * |
| 基于混合人工势场-遗传算法的移动机器人路径规划仿真研究;况菲等;《系统仿真学报》;20060320(第03期);全文 * |
| 逃逸人工势场法局部极小值策略的研究;肖本贤等;《系统仿真学报》;20071005(第19期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111694357A (zh) | 2020-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111694357B (zh) | 基于遗传算法和人工势场法的机器人行走路径规划方法 | |
| Fu et al. | A heuristic evolutionary algorithm of UAV path planning | |
| Yu et al. | Improved safety-first A-star algorithm for autonomous vehicles | |
| Pang et al. | A risk-based UAS traffic network model for adaptive urban airspace management | |
| Geng et al. | A kind of route planning method for UAV based on improved PSO algorithm | |
| Song et al. | A new hybrid method in global dynamic path planning of mobile robot | |
| CN108445894A (zh) | 一种考虑无人艇运动性能的二次路径规划方法 | |
| Li et al. | A mixing algorithm of ACO and ABC for solving path planning of mobile robot | |
| Tao et al. | A study on path planning of unmanned aerial vehicle based on improved genetic algorithm | |
| CN108227718B (zh) | 一种自适应切换的自动搬运小车路径规划方法 | |
| Huang et al. | A path planning algorithm for smooth trajectories of unmanned aerial vehicles via potential fields | |
| Fan et al. | Application of multi-objective firefly algorithm based on archive learning in robot path planning | |
| CN115826586B (zh) | 一种融合全局算法和局部算法的路径规划方法及系统 | |
| Bai et al. | Research of environmental modeling method of coal mine rescue snake robot based on information fusion | |
| Chen et al. | A novel navigation system for an autonomous mobile robot in an uncertain environment | |
| Cheng et al. | Route planning of mixed ant colony algorithm based on Dubins path | |
| CN115808933A (zh) | 一种基于量子海鸥算法的无人机路径规划方法 | |
| Leng et al. | UAV path planning in 3D complex environments using genetic algorithms | |
| CN115202357A (zh) | 一种基于脉冲神经网络的自主建图方法 | |
| Zhang et al. | 2D map building and path planning based on LiDAR | |
| Shen et al. | Ship route planning based on particle swarm optimization | |
| Zhao et al. | A path planning method with minimum energy consumption for multi-joint mobile robot | |
| Jin | Research on Path Planning of Airport VIP Service Robot Based on A* Algorithm and Artificial Potential Field Method | |
| Li et al. | A Method of UAV Navigation Planning Based on ROS and Improved A-star Algorithm | |
| Xu et al. | Research on UGV Path Planning in Tunnel Based on the Dijkstra*-PSO* Algorithm |
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 |