CN111857141B - 一种机器人路径规划方法、装置、设备及存储介质 - Google Patents

一种机器人路径规划方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111857141B
CN111857141B CN202010669318.4A CN202010669318A CN111857141B CN 111857141 B CN111857141 B CN 111857141B CN 202010669318 A CN202010669318 A CN 202010669318A CN 111857141 B CN111857141 B CN 111857141B
Authority
CN
China
Prior art keywords
path
node
robot
ants
pheromone
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
CN202010669318.4A
Other languages
English (en)
Other versions
CN111857141A (zh
Inventor
黄丰云
江仕球
徐劲力
许建宁
曹其
江昱
李征瑞
陈俊松
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202010669318.4A priority Critical patent/CN111857141B/zh
Publication of CN111857141A publication Critical patent/CN111857141A/zh
Application granted granted Critical
Publication of CN111857141B publication Critical patent/CN111857141B/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
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • 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
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

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)

Abstract

本发明公开了一种机器人路径规划方法、装置、设备及存储介质，方法包括如：S1、采用栅格法进行建模，并初始化改进蚁群算法中的各参数，其中，通过建立新的启发函数和信息素更新公式来得到改进蚁群算法；S2、将各蚂蚁放置在起点上，利用轮盘赌的方式并结合改进蚁群算法中的状态转移概率计算公式进行下一节点的选择，直至整个路径搜索完成；S3、当路径搜索完成后，根据信息素更新公式进行信息素更新；S4、重复步骤S2至S3，直至达到最大迭代次数后，筛选出最优解，确定机器人的最短路径。本发明可解决现有技术中采用蚁群算法进行路径规划时收敛速度慢并且容易陷入局部最优解时，导致的路径规划效果不佳的问题。

Description

一种机器人路径规划方法、装置、设备及存储介质
技术领域
本发明涉及机器人智能控制技术领域，特别涉及一种机器人路径规划方法、装置、设备及存储介质。
背景技术
路径规划技术是移动机器人领域的关键技术，是其自主移动完成各种任务的保障，也是所有移动机器人进行智能化应用研究的一切前提。近年来，国内外学者提出一系列算法应用在路径规划研究当中，主要包括蚁群算法、遗传算法、粒子群算法等等，但是这些算法又存在着不足点，例如蚁群算法存在着收敛速度慢并且容易陷入局部最优解的缺陷，导致机器人的路径规划无法达到理想的效果。
因而现有技术还有待改进和提高。
发明内容
鉴于上述现有技术的不足之处，本发明的目的在于提供一种机器人路径规划方法、装置、设备及存储介质，可解决现有技术中采用蚁群算法进行路径规划时收敛速度慢并且容易陷入局部最优解时，导致的路径规划效果不佳的问题。
为了达到上述目的，本发明采取了以下技术方案：
第一方面，本发明提供了一种机器人路径规划方法，包括如下步骤：
S1、采用栅格法对机器人的工作环境进行建模，并初始化改进蚁群算法中的各参数后，在建立的模型中设置好机器人的行走路径的起点和终点，其中，通过建立新的启发函数和信息素更新公式来得到改进蚁群算法；
S2、将各蚂蚁放置在起点上，利用轮盘赌的方式并结合改进蚁群算法中的状态转移概率计算公式进行下一节点的选择，直至整个路径搜索完成，其中，已经走过的节点自动加入禁忌表中；
S3、当路径搜索完成后，根据信息素更新公式进行信息素更新，并且记录下蚂蚁的搜索路径的长度；
S4、重复步骤S2至S3，直至改进蚁群算法达到最大迭代次数后，筛选出最优解，根据所述最优解确定机器人行走的最短路径。
第二方面，本发明还提供了一种机器人路径规划设备，包括处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如上所述的机器人路径规划方法中的步骤。
第三方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的机器人路径规划方法中的步骤。
相较于现有技术，本发明提供的机器人路径规划方法、装置、设备及存储介质，通过改进蚁群算法中的启发函数，可以避免蚁群算法陷入局部最优解，从而实现整体最优解的输出，使得机器人的路径规划可达到最优的结果，通过改进信息素更新公式，加快了算法的收敛速度，从而实现更快的路径规划。
附图说明
图1为本发明提供的机器人路径规划方法的一较佳实施例的流程图；
图2为本发明提供的机器人路径规划方法中，建立的栅格地图的一具体实施例的模型示意图；
图3为本发明提供的机器人路径规划方法中，蚂蚁行走路径连线的角度示意图；
图4为第一具体实施例中基本蚁群算法的机器人路径规划仿真示意图；
图5为第一具体实施例中本发明提供的机器人路径规划方法的机器人路径规划仿真示意图；
图6为第一具体实施例中基本蚁群算法的收敛曲线示意图；
图7为第一具体实施例中本发明改进蚁群算法的收敛曲线示意图；
图8为第二具体实施例中基本蚁群算法的机器人路径规划仿真示意图；
图9为第二具体实施例中本发明提供的机器人路径规划方法的机器人路径规划仿真示意图；
图10为第二具体实施例中基本蚁群算法的收敛曲线示意图；
图11为第二具体实施例中本发明改进蚁群算法的收敛曲线示意图。
具体实施方式
本发明提供一种机器人路径规划方法、装置、设备及存储介质，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
请参阅图1，本发明实施例提供的机器人路径规划方法，包括如下步骤：
S1、采用栅格法对机器人的工作环境进行建模，并初始化改进蚁群算法中的各参数后，在建立的模型中设置好机器人的行走路径的起点和终点，其中，通过建立新的启发函数和信息素更新公式来得到改进蚁群算法；
S2、将各蚂蚁放置在起点上，利用轮盘赌的方式并结合改进蚁群算法中的状态转移概率计算公式进行下一节点的选择，直至整个路径搜索完成，其中，已经走过的节点自动加入禁忌表中；
S3、当路径搜索完成后，根据信息素更新公式进行信息素更新，并且记录下蚂蚁的搜索路径的长度；
S4、重复步骤S2至S3，直至改进蚁群算法达到最大迭代次数后，筛选出最优解，根据所述最优解确定机器人行走的最短路径。
具体来说，本发明通过栅格法对机器人的工作环境建模，易于实现，并且建模的精度高，可加强路径规划的准确性；通过改进蚁群算法中的启发函数，可以避免蚁群算法陷入局部最优解，从而实现整体最优解的输出，使得机器人的路径规划可达到最优的结果，通过改进信息素更新公式，加快了算法的收敛速度，从而实现更快的路径规划。
优选的，所述步骤S1中，建立的模型为栅格地图，各个栅格的坐标与栅格的序号的对应关系为：
Figure BDA0002581691810000041
其中，x为栅格的横坐标，y为栅格的纵坐标，n为对应的栅格序号，N为栅格地图的行数或列数，mod表示取余操作，ceil表示取整操作。
具体来说，目前环境建模的主要方法有栅格法、可视图法、拓扑法等，其中栅格法简单实用同时对环境模型易于表达，栅格地图是将移动机器人的工作环境的空间分解成一个个的简单的栅格，这些栅格构成一个连通图。定义有障碍物的栅格叫做障碍栅格，常用数字“1”表示，无障碍物栅格叫做可行栅格，通常用数字“0”表示。本文采用栅格法对地图模型进行建模，建立栅格地图，坐标轴从下往上，从左往右。建立的栅格地图如图2所示，其中图2中栅格地图的大小为20×20。
进一步来说，蚁群算法是众多仿生算法中的一种，它是模拟蚂蚁觅食的行为，蚂蚁在觅食的过程中，会在其经过的路径上释放信息素，该信息素的浓度越高代表路径越短，浓度越低则代表路径越长。蚂蚁会以较大概率的选择信息素浓度高的路径，并释放一定量的信息素，形成正反馈机制，使得搜索结果不断收敛来逼近最优解。在一个蚂蚁系统中，蚂蚁由一点转移到另一个点的概率主要由路径上的信息素浓度决定的，信息素浓度与启发函数有关，启发函数越大，信息素浓度越高，蚂蚁选择下一点的概率也就越大，传统蚁群算法中通常取两个节点之间的欧氏距离的倒数即：
Figure BDA0002581691810000051
并没有考虑到下一节点与目标节点之间的关系，使得算法易于陷入局部最优解。由于传统的蚁群算法的启发函数并没有考虑下一节点与目标节点之间的关系，使得算法容易陷入局部最优解，并且算法的收敛速度也会受到影响。本发明实施例通过将当前节点与下一节点之间的距离和下一节点与目标节点之间的距离引入到启发函数当中，并且将当前节点与下一节点的连线和当前节点与目标节点的连线之间的角度θ1、当前节点与下一节点之间的连线和下一节点与目标节点连线的角度θ2引入到启发函数当中，θ1和θ2如图3所示。具体的，所述步骤S1中，新的启发函数为：
Figure BDA0002581691810000052
其中，ηij为启发函数，反映蚂蚁由当前节点到下一节点的启发程度；i为当前节点，j为下一节点，goal为目标节点；θ1为当前节点与下一节点的连线和当前节点与目标节点的连线之间的角度，θ2为当前节点与下一节点之间的连线和下一节点与目标节点连线的角度；di,j为当前节点与下一节点之间的欧式距离；dj,goal为下一节点与目标节点之间的欧式距离。
由于新的启发函数增加了目标节点对当前节点的导向作用，避免了算法的盲目搜索，加快算法的收敛速度，避免算法陷入局部最优解，增加了路径规划的准确性。
具体实施时，所述当前节点与下一节点之间的欧式距离的计算公式为：
Figure BDA0002581691810000053
其中，xi为当前节点的横坐标，xj为下一节点的横坐标，yi为当前节点的纵坐标，yj为下一节点的纵坐标；
所述下一节点与目标节点之间的欧式距离的计算公式为：
Figure BDA0002581691810000061
其中，xgoal为目标节点的横坐标，ygoal为目标节点的纵坐标。
进一步的，所述状态转移概率计算公式为：
Figure BDA0002581691810000062
其中，
Figure BDA0002581691810000063
为状态转移概率；τij为当前节点与下一节点之间的连线上的信息素量；α为信息启发因子，表示蚂蚁在选择下一个节点时信息素发挥作用的程度；β为期望启发因子，表示节点距离在蚂蚁选择下一个访问节点时的重要程度；allowedm为蚂蚁m待访问的节点的集合，其中m为不小于1的自然数。由于每个节点仅能访问一次，所以allowedm集合为蚂蚁m在第k次迭代中还没有访问过的节点，开始时allowedm中有(n-1)个元素，随着已访问节点的增加，allowedm的元素不断减少，当其为空时，即表示已访问完所有节点。
进一步来说，随着时间的推移，蚂蚁在路径上释放信息素的同时，信息素也会逐渐消失，信息素的这一特性被称为挥发性，设参数ρ(0<ρ<1)为信息素的挥发因子，ρ值得大小与算法的性能有着直接的关系，ρ值越大，信息素挥发的越快，其算法的收敛速度将会受到影响，ρ值越小，信息素挥发的慢，算法将陷入局部最优解。因此，在经过一定的时间后需要对各个路径上的信息素进行更新，减去原有信息素挥发的部分，增加蚂蚁新增的信息素。具体的，所述信息素更新公式为：
τij(t+1)＝(1-ρ(k))·τij(t)+Δτij(t,t+1)，
Figure BDA0002581691810000064
Figure BDA0002581691810000071
其中，τij(t+1)为所有蚂蚁在t+1时刻走通路径(i，j)留下的信息素；τij(t)为所有蚂蚁在t时刻走通路径(i，j)留下的信息素；Δτij(t,t+1)为从t-1时刻到t时刻所有蚂蚁走通路径(i，j)增加的信息素；
Figure BDA0002581691810000072
为蚂蚁m从t-1时刻到t时刻走通路径(i，j)增加的信息素，s为蚂蚁的总数；ρ(k)为在第k次迭代中的信息素挥发系数，ρ(k)值得大小与算法的性能有着直接的关系，ρ(k)值越大，信息素挥发的越快，其算法的收敛速度将会受到影响，ρ(k)值越小，信息素挥发的慢，算法将陷入局部最优解；Q为蚂蚁m在寻优路径上留下的信息素的总和；Lm为蚂蚁m迭代过程中需找到的可行路径。
信息素挥发系数ρ也是蚁群算法中的一个重要参数，在传统蚁群算法中，信息素挥发系数ρ通常为一固定的常数，由于这一原因，使得算法的搜索能力有所降低。ρ值的选取对于蚁群算法至关重要，ρ值选取得较小，会使得算法陷入局部最优，ρ值选取的较大，路径上的信息素挥发的较快，使得算法的搜索效率降低。由于在路径搜索的前期，蚂蚁主要依靠信息素来引导，因此在前期ρ值应较小，使得路径上的信息素保持一个较高的浓度，而在路径搜索的中期，由于信息素累计到了一定的程度，ρ值应设置为一个较大的值，使得信息素浓度有所降低，可以提高算法的搜索能力，在路径搜索的后期，由于大量的节点被搜索过，仅剩少量的节点，所以搜索的路径也比较单一，要提高信息素对蚂蚁群体的导向作用，因此ρ值应保持一个较小的值以提高路径上的信息素浓度。故本发明实施例中，在第k次迭代中的信息素挥发系数的计算公式为：
Figure BDA0002581691810000073
其中，k为当前迭代次数，K为总迭代次数。通过新的计算公式可使得ρ值保持一个较小的值以提高路径上的信息素浓度，进而加快算法的收敛速度，避免蚁群算法陷入局部最优解，实现整体最优解的输出，也实现更快的路径规划。
为了验证本发明实施例提供的机器人路径规划方法，在第一具体实施例中，利用Matlab作为仿真软件，在Matlab上进行仿真实验，设置的算法参数如表1所示：
表1算法初始化各参数
Figure BDA0002581691810000081
建立20×20的栅格地图，设置机器人的起点坐标为(0.5，19.5)，机器人的终点坐标为(19.5，0.5)，分别利用传统蚁群算法和本文改进的算法对进行路径规划，验证改进算法的有效性。先对简单地图进行路径规划，仿真结果如图4和图5所示，算法的收敛曲线如图6和图7所示，由图4-图7可知，传统蚁群算法和改进的蚁群算法均能搜索出从起点到终点的路径，从路径的长度来看，初始几代蚂蚁出现混乱的状态，搜索路径时长时短，收敛性不好，随着迭代次数的增多，蚂蚁逐渐趋于最优解，但是传统蚁群算法迭代次数为32次，最短路径为29.46，而本文改进的蚁群算法迭代次数为24次，最短路径为28.04，并且能够看出传统蚁群算法陷入了局部最优解。
由于上述的仿真实验地图较为简单，为了进一步验证算法的通用性，因此选取更为复杂的地图对算法进行仿真实验，具体的，在第二个实施例中，仿真结果如图8和图9所示，算法的收敛曲线如图10和图11所示，由图8-图11可知复杂地图环境下基本蚁群算法迭代次数为30次，最短路径为35.21，而本文改进的算法收敛速度更快，并且避免的陷入局部最优解，迭代次数为24次，最短路径为28.63。结果表明本文改进算法的有效性和通用性，能够适应不同的环境地图。
基于上述机器人路径规划方法，本发明还相应的提供一种机器人路径规划装置，包括：
建模模块，用于采用栅格法对机器人的工作环境进行建模，并初始改进蚁群算法中的各参数后，在建立的模型中设置好机器人的行走路径的起点和终点，其中，通过建立新的启发函数和信息素更新公式来得到改进蚁群算法；
路径搜索模块，用于将各蚂蚁放置在起点上，利用轮盘赌的方式并结合改进蚁群算法中的状态转移概率计算公式进行下一节点的选择，直至整个路径搜索完成，其中，已经走过的节点自动加入禁忌表中；
信息素更新模块，用于当路径搜索完成后，根据信息素更新公式进行信息素更新，并且记录下蚂蚁的搜索路径的长度；
最优解输出模块，用于在改进蚁群算法达到最大迭代次数后，筛选出最优解，根据所述最优解确定机器人行走的最短路径。
本实施例提供的机器人路径规划装置，用于实现机器人路径规划方法，因此，上述机器人路径规划方法所具备的技术效果，机器人路径规划装置同样具备，在此不再赘述。
基于上述机器人规划方法，本发明还相应的提供了一种机器人路径规划设备，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上述实施例所述的机器人路径规划方法。
本实施例提供的机器人路径规划设备，用于实现机器人路径规划方法，因此，上述机器人路径规划方法所具备的技术效果，机器人路径规划设备同样具备，在此不再赘述。
综上所述，本发明提供的机器人路径规划方法、装置、设备及存储介质，通过改进蚁群算法中的启发函数，可以避免蚁群算法陷入局部最优解，从而实现整体最优解的输出，使得机器人的路径规划可达到最优的结果，通过改进信息素更新公式，加快了算法的收敛速度，从而实现更快的路径规划。
当然，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硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的存储介质中，该程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。
可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。

Claims (8)

1.一种机器人路径规划方法，其特征在于，包括如下步骤：
S1、采用栅格法对机器人的工作环境进行建模，并初始化改进蚁群算法中的各参数后，在建立的模型中设置好机器人的行走路径的起点和终点，其中，通过建立新的启发函数和信息素更新公式来得到改进蚁群算法；
S2、将各蚂蚁放置在起点上，利用轮盘赌的方式并结合改进蚁群算法中的状态转移概率计算公式进行下一节点的选择，直至整个路径搜索完成，其中，已经走过的节点自动加入禁忌表中；
S3、当路径搜索完成后，根据信息素更新公式进行信息素更新，并且记录下蚂蚁的搜索路径的长度；
S4、重复步骤S2至S3，直至改进蚁群算法达到最大迭代次数后，筛选出最优解，根据所述最优解确定机器人行走的最短路径；
所述信息素更新公式为：
τij(t+1)＝(1-ρ(k))·τij(t)+Δτij(t,t+1)，
Figure FDA0003111939830000011
Figure FDA0003111939830000012
其中，τij(t+1)为所有蚂蚁在t+1时刻走通路径(i，j)留下的信息素；τij(t)为所有蚂蚁在t时刻走通路径(i，j)留下的信息素；Δτij(t,t+1)为从t-1时刻到t时刻所有蚂蚁走通路径(i，j)增加的信息素；
Figure FDA0003111939830000013
为蚂蚁m从t-1时刻到t时刻走通路径(i，j)增加的信息素，s为蚂蚁的总数；ρ(k)为在第k次迭代中的信息素挥发系数；Q为蚂蚁m在寻优路径上留下的信息素的总和；Lm为蚂蚁m迭代过程中需找到的可行路径；
在第k次迭代中的信息素挥发系数的计算公式为：
Figure FDA0003111939830000021
其中，k为当前迭代次数，K为总迭代次数。
2.根据权利要求1所述的机器人路径规划方法，其特征在于，所述步骤S1中，建立的模型为栅格地图，各个栅格的坐标与栅格的序号的对应关系为：
Figure FDA0003111939830000022
其中，x为栅格的横坐标，y为栅格的纵坐标，n为对应的栅格序号，N为栅格地图的行数或列数，mod表示取余操作，ceil表示取整操作。
3.根据权利要求1所述的机器人路径规划方法，其特征在于，所述步骤S1中，新的启发函数为：
Figure FDA0003111939830000023
其中，ηij为启发函数，反映蚂蚁由当前节点到下一节点的启发程度；i为当前节点，j为下一节点，goal为目标节点；θ1为当前节点与下一节点的连线和当前节点与目标节点的连线之间的角度，θ2为当前节点与下一节点之间的连线和下一节点与目标节点连线的角度；di,j为当前节点与下一节点之间的欧式距离；dj,goal为下一节点与目标节点之间的欧式距离。
4.根据权利要求3所述的机器人路径规划方法，其特征在于，所述当前节点与下一节点之间的欧式距离的计算公式为：
Figure FDA0003111939830000024
其中，xi为当前节点的横坐标，xj为下一节点的横坐标，yi为当前节点的纵坐标，yj为下一节点的纵坐标；
所述下一节点与目标节点之间的欧式距离的计算公式为：
Figure FDA0003111939830000031
其中，xgoal为目标节点的横坐标，ygoal为目标节点的纵坐标。
5.根据权利要求3所述的机器人路径规划方法，其特征在于，所述步骤S2中，所述状态转移概率计算公式为：
Figure FDA0003111939830000032
其中，
Figure FDA0003111939830000033
为状态转移概率；τij为当前节点与下一节点之间的连线上的信息素量；ηij(t)为所有蚂蚁在t时刻的启发函数，反映蚂蚁在t时刻由i节点到j节点的启发程度；α为信息启发因子，表示蚂蚁在选择下一个节点时信息素发挥作用的程度；β为期望启发因子，表示节点距离在蚂蚁选择下一个访问节点时的重要程度；allowedm为蚂蚁m待访问的节点的集合，其中m为不小于1的自然数。
6.一种机器人路径规划装置，其特征在于，包括：
建模模块，用于采用栅格法对机器人的工作环境进行建模，并初始改进蚁群算法中的各参数后，在建立的模型中设置好机器人的行走路径的起点和终点，其中，通过建立新的启发函数和信息素更新公式来得到改进蚁群算法；
路径搜索模块，用于将各蚂蚁放置在起点上，利用轮盘赌的方式并结合改进蚁群算法中的状态转移概率计算公式进行下一节点的选择，直至整个路径搜索完成，其中，已经走过的节点自动加入禁忌表中；
信息素更新模块，用于当路径搜索完成后，根据信息素更新公式进行信息素更新，并且记录下蚂蚁的搜索路径的长度；
最优解输出模块，用于在改进蚁群算法达到最大迭代次数后，筛选出最优解，根据所述最优解确定机器人行走的最短路径；
所述信息素更新公式为：
τij(t+1)＝(1-ρ(k))·τij(t)+Δτij(t,t+1)，
Figure FDA0003111939830000041
Figure FDA0003111939830000042
其中，τij(t+1)为所有蚂蚁在t+1时刻走通路径(i，j)留下的信息素；τij(t)为所有蚂蚁在t时刻走通路径(i，j)留下的信息素；Δτij(t,t+1)为从t-1时刻到t时刻所有蚂蚁走通路径(i，j)增加的信息素；
Figure FDA0003111939830000043
为蚂蚁m从t-1时刻到t时刻走通路径(i，j)增加的信息素，s为蚂蚁的总数；ρ(k)为在第k次迭代中的信息素挥发系数；Q为蚂蚁m在寻优路径上留下的信息素的总和；Lm为蚂蚁m迭代过程中需找到的可行路径；
在第k次迭代中的信息素挥发系数的计算公式为：
Figure FDA0003111939830000044
其中，k为当前迭代次数，K为总迭代次数。
7.一种机器人路径规划设备，其特征在于，包括处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如权利要求1-5任意一项所述的机器人路径规划方法中的步骤。
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存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-5任意一项所述的机器人路径规划方法中的步骤。
CN202010669318.4A 2020-07-13 2020-07-13 一种机器人路径规划方法、装置、设备及存储介质 Active CN111857141B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010669318.4A CN111857141B (zh) 2020-07-13 2020-07-13 一种机器人路径规划方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010669318.4A CN111857141B (zh) 2020-07-13 2020-07-13 一种机器人路径规划方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111857141A CN111857141A (zh) 2020-10-30
CN111857141B true CN111857141B (zh) 2021-07-27

Family

ID=72984772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010669318.4A Active CN111857141B (zh) 2020-07-13 2020-07-13 一种机器人路径规划方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111857141B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112327876B (zh) * 2020-11-21 2022-02-01 安徽工程大学 一种基于终距指数的机器人路径规划方法
CN113009928A (zh) * 2020-12-31 2021-06-22 河北科技大学 基于改进蚁群算法的无人机冲突解脱方法
CN112947591A (zh) * 2021-03-19 2021-06-11 北京航空航天大学 基于改进蚁群算法的路径规划方法、装置、介质及无人机
CN113110465A (zh) * 2021-04-22 2021-07-13 哈尔滨理工大学 一种基于改进蚁群算法的模块路径规划方法
CN113110472A (zh) * 2021-04-25 2021-07-13 深圳市跨越新科技有限公司 路径规划方法、装置和终端
CN113467473B (zh) * 2021-07-28 2023-09-15 河南中烟工业有限责任公司 一种基于自主移动机器人的物料存储方法及装置
CN114217607A (zh) * 2021-11-23 2022-03-22 桂林航天工业学院 一种外卖派送路径规划方法、系统及存储介质
CN114415686B (zh) * 2022-01-21 2024-04-19 中国农业银行股份有限公司 路径确定方法及设备
CN114355955A (zh) * 2022-03-21 2022-04-15 武汉理工大学 蚁群算法启发的多元宇宙电动车辆群体的路径规划方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110726408A (zh) * 2019-03-29 2020-01-24 武汉科技大学 一种基于改进蚁群算法的移动机器人路径规划方法
CN110244733B (zh) * 2019-06-20 2020-06-30 西南交通大学 一种基于改进蚁群算法的移动机器人路径规划方法
CN110989612A (zh) * 2019-12-17 2020-04-10 哈工大机器人（合肥）国际创新研究院 一种基于蚁群算法的机器人路径规划方法及装置

Also Published As

Publication number Publication date
CN111857141A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111857141B (zh) 一种机器人路径规划方法、装置、设备及存储介质
CN108776483B (zh) 基于蚁群算法和多智能体q学习的agv路径规划方法和系统
CN110160546B (zh) 一种移动机器人路径规划方法
CN111982125A (zh) 一种基于改进蚁群算法的路径规划方法
CN107272679A (zh) 基于改进的蚁群算法的路径规划方法
CN112650229B (zh) 一种基于改进蚁群算法的移动机器人路径规划方法
CN112230665A (zh) 一种基于aco的ros机器人全局路径优化方法
CN112684700B (zh) 一种群体机器人的多目标搜索与围捕控制方法及系统
CN112327876B (zh) 一种基于终距指数的机器人路径规划方法
CN113703450B (zh) 基于平滑因素改进蚁群算法的移动机器人路径规划方法
CN111339066B (zh) 数据库优化方法、装置、电子设备及计算机可读存储介质
CN112734014A (zh) 基于置信上界思想的经验回放采样强化学习方法及系统
CN113219981A (zh) 一种基于蚁群算法的移动机器人路径规划方法
CN112947591A (zh) 基于改进蚁群算法的路径规划方法、装置、介质及无人机
CN116090549A (zh) 一种基于知识驱动的多智能体强化学习决策方法、系统及存储介质
CN116203975A (zh) 一种机器人路径规划的方法
CN113848911A (zh) 基于Q-learning和RRT*的移动机器人全局路径规划方法
CN113467481A (zh) 一种基于改进Sarsa算法的路径规划方法
CN115494840B (zh) 一种基于蒙特卡洛因子的mc-iaco的焊接机器人路径规划方法
CN115560772A (zh) 一种基于改进蚁群算法的全局规划路径方法
Zhang et al. PLEASE: Palm leaf search for POMDPs with large observation spaces
CN116449846A (zh) 一种蚁群算法的优化方法
CN115454070B (zh) 一种K-Means蚁群算法多机器人路径规划方法
CN114578845B (zh) 一种基于改进蚁群算法的无人机航迹规划方法
Guan et al. Research on path planning of mobile robot based on improved Deep Q Network

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