CN111930121A - 一种室内移动机器人的混合路径规划方法 - Google Patents

Abstract

本发明属于人工智能、机器人导航技术领域，具体涉及一种室内移动机器人的混合路径规划方法。本发明使用栅格法对环境进行建模；使用蝙蝠算法作为全局路径规划方法，搜索全局路径；对得到的全局路径进行优化即删除多余的路径节点，减少路径的长度以及路径的转折点；设计动态窗口法的评价函数，将全局路径纳入到动态窗口法的评价函数中，实现局部规划与全局规划的结合；引入自适应的思想对评价函数的系数进行动态调整，提高融合算法的动态避障能力。本发明可应用于室内移动机器人的路径规划，实现路径规划与机器人的控制相结合，在保证全局最优路径的情况下，兼顾动态避障。

Description

一种室内移动机器人的混合路径规划方法

技术领域

本发明属于人工智能、机器人导航技术领域，具体涉及一种室内移动机器人的混合路径规划方法。

背景技术

路径规划是指机器人按照某一性能指标搜索一条从起始状态到目标状态的最优或近似最优的无碰路径。其本质是在几个约束条件下得到最优或可行解的问题。它是移动机器人自主移动的应用点。一个良好的路径规划方法，可以在工作中减少大量的时间并降低劳动成本。目前常用的路径规划方法可以分为传统算法和智能算法两类。其中，传统算法主要有A*算法、人工势场法、D*算法等。但是，随着机器人的应用领域不断扩展，传统的路径规划方法在应对比较复杂的环境时会存在一定的缺陷。随着人工智能的兴起，越来越多的智能算法被提出并应用于移动机器人的路径规划，如粒子群算法、蚁群算法、萤火虫算法等。

蝙蝠算法是由剑桥大学的Xin-She Yang在2010年提出的一种搜索全局最优解的有效方法。它是模拟蝙蝠发出和接收超声波来捕食而提出的。主要思想是基于迭代的优化技术，首先通过初始化产生一组随机解，然后通过若干次迭代来搜寻最优解。它具有模型简单、收敛速度快、参数少等优点，已经在工程优化、模式识别等问题中得到较好的应用。但是蝙蝠算法作为全局路径规划方法不具备实时避障能力。

发明内容

本发明的目的在于提供一种室内移动机器人的混合路径规划方法。

本发明的目的通过如下技术方案来实现：包括以下步骤：

步骤1：根据机器人初始位置及目标位置，采用栅格法对机器人所处空间进行建模；

以水平方向为x轴，竖直方向为y轴，以边长为1m的正方形栅格划分机器人所处空间，并设定行区域和列区域的最大值以及最小值；

步骤2：设定最大迭代次数T、蝙蝠种群数目N、初始蝙蝠个体中栅格数量n、障碍物系数ω、搜索脉冲频率的最大值f_max和最小值f_min；

步骤3：初始化蝙蝠种群；蝙蝠种群中每一个蝙蝠个体由随机抽取的n-2个非障碍物栅格、机器人初始位置栅格和目标位置栅格组成，初始化蝙蝠个体i的蝙蝠响度为

脉冲发生率为

步骤4：筛除蝙蝠个体中独立的栅格；筛除完成后，蝙蝠个体i中含有n_i个栅格，且每个栅格至少与其他n_i-1个栅格中的一个栅格相邻；

步骤5：令当前迭代次数k＝1，计算蝙蝠种群中每一个蝙蝠个体的搜索脉冲频率f_i和适应度值F(i)，取对应适应度值F(i)最低的蝙蝠个体作为当前最优蝙蝠个体i_*；蝙蝠个体i的搜索脉冲频率f_i和适应度值F(i)的计算方法为：

f_i＝f_min+(f_max+f_min)β_i

其中，x_ij为蝙蝠个体i中第j个栅格的行坐标；y_ij为蝙蝠个体i中第j个栅格的列坐标；n_ik为蝙蝠个体i中包含的障碍物栅格数量；β_i为随机选取的随机数，β_i∈[0,1]；

步骤6：计算第k次迭代中，蝙蝠种群中每一个蝙蝠个体中所有栅格的行速度

列速度

行坐标

和列坐标

其中，x_i*j为当前最优蝙蝠个体i_*中第j个栅格的行坐标；y_i*j为当前最优蝙蝠个体i_*中第j个栅格的列坐标；

步骤7：生成随机数rand1∈[0,1]，若随机数rand1大于当前最优蝙蝠个体i_*的脉冲发生率

即

则对当前最优蝙蝠个体i_*进行随机扰动，得到新的蝙蝠个体i_new，并执行步骤8.1；否则执行步骤8.2；

其中，ε为随机选取的随机数，ε∈[-1,1]；

为所有蝙蝠个体的平均蝙蝠响度；

步骤8.1：生成随机数rand2∈[0,1]；若蝙蝠种群中存在蝙蝠个体i满足

且F(i)＜F(i_new)，则计算第k+1次迭代中该蝙蝠个体i的蝙蝠响度

以及脉冲发生率

其中，α_i和r_i为随机选取的随机数，α_i∈(0,1)，r_i＞0；

步骤8.2：生成随机数rand2∈[0,1]；若蝙蝠种群中存在蝙蝠个体i满足

且F(i)＜F(i_*)，则更新该蝙蝠个体i的蝙蝠响度

以及脉冲发生率

其中，α_i和r_i为随机选取的随机数，α_i∈(0,1)，r_i＞0；

步骤9：重新计算蝙蝠种群中每一个蝙蝠个体的适应度值，并取对应适应度值最低的蝙蝠个体作为当前最优蝙蝠个体i_*；

步骤10：若k≥T，则判定已经到达最大迭代次数，输出当前最优蝙蝠个体i_*，执行步骤11；否则，令k＝k+1，返回步骤6；

步骤11：对输出的蝙蝠个体中所包含的栅格路径进行优化，得到最优运动路径；

步骤11.1：将蝙蝠个体中的所有栅格按照与机器人初始位置的距离升序排列，得到路径点集合{p_j|j＝1,2,...,n}；其中，p₁为机器人初始位置，p_n为目标位置；令j＝1；

步骤11.2：判断路径点p_j与其他n-1个路径点之间的连线是否经过障碍物，并从与路径点p_j连线不经过障碍物的路径点中，选择与机器人初始位置的距离最远的路径点p_t，并删除集合{p_j|j＝1,2,...,n}中p_j与p_t之间的其他路径点；

步骤11.3：若t＜n，则令j＝t并返回步骤11.2；否则，输出最优运动路径；

步骤12：控制机器人沿着最优运动路径移动，直到到达目标。

本发明还可以包括：

所述的步骤12中控制机器人沿着最优运动路径移动方法具体为：

步骤12.1：动态窗口法初始化，确定速度采样空间V；

V＝V_m∩V_d∩V_a

V_m＝{(v,ω)v∈[v_min,v_max]∧ω∈[ω_min,ω_max]}

V_d＝{(v,ω)|v∈[v_c-vΔt,v_c+vΔt],ω∈[ω_c-ωΔt,ω_c+ωΔt]}

其中，v_max和v_min分别是机器人的最大和最小线速度，ω_max和ω_min分别是机器人的最大和最小角速度；v_c和ω_c分别代表当前时刻机器人的速度和角速度；dist(v,ω)是速度(v,ω)对应的运动路径与最近障碍物的距离；

步骤12.2：机器人根据自适应评价函数G(v,ω)，从速度采样空间V中选择当前时刻对应G(v,ω)值最大的速度(v,ω)；

所述的自适应评价函数为：

G(v,ω)＝I_αgdist(v,ω)+I_βobdist(v,ω)+I_γvel(v,ω)+I_λgpdist(v,ω)

其中，gdist(ν,ω)是目标距离评价函数，即当前位置与最终目标点的距离；obdist(ν,ω)是障碍物评价函数，表示运动路径末端距离障碍物的远近程度，若运动路径与障碍物相交则舍弃；vel(ν,ω)是速度评价函数，速度间接影响到机器人的距离函数；gpdist(v,ω)是路径距离函数，表示当前机器人位置与最近的全局路径节点的距离；I_α、I_β、I_γ、I_λ分别为G(ν,ω)中四项的权重系数，可根据动态障碍物的出现的位置，调整权值I_α、I_β、I_γ、I_λ以适应环境的动态变化。

本发明的有益效果在于：

本发明使用栅格法对环境进行建模；使用蝙蝠算法作为全局路径规划方法，搜索全局路径；对得到的全局路径进行优化即删除多余的路径节点，减少路径的长度以及路径的转折点；设计动态窗口法的评价函数，将全局路径纳入到动态窗口法的评价函数中，实现局部规划与全局规划的结合；引入自适应的思想对评价函数的系数进行动态调整，提高融合算法的动态避障能力。本发明可应用于室内移动机器人的路径规划，实现路径规划与机器人的控制相结合，在保证全局最优路径的情况下，兼顾动态避障。

附图说明

图1是本发明流程图。

图2是本发明蝙蝠算法规划的全局路径示意图。

图3是本发明融合算法生成的路径示意图。

图4是本发明融合算法的避障效果示意图。

具体实施方式

下面结合附图对本发明做进一步描述。

本发明提供的是一种室内移动机器人的混合路径规划方法。该方法使用栅格法对环境进行建模；使用蝙蝠算法作为全局路径规划方法，搜索全局路径；对得到的全局路径进行优化即删除多余的路径节点，减少路径的长度以及路径的转折点；设计动态窗口法的评价函数，将全局路径纳入到动态窗口法的评价函数中，实现局部规划与全局规划的结合；引入自适应的思想对评价函数的系数进行动态调整，提高融合算法的动态避障能力。该方法可应用于室内移动机器人的路径规划，实现路径规划与机器人的控制相结合，在保证全局最优路径的情况下，兼顾动态避障。

一种室内移动机器人的混合路径规划方法，包括以下步骤：

步骤1：根据机器人初始位置及目标位置，采用栅格法对机器人所处空间进行建模；

以水平方向为x轴，竖直方向为y轴，以边长为1m的正方形栅格划分机器人所处空间，并设定行区域和列区域的最大值以及最小值；

步骤2：设定最大迭代次数T、蝙蝠种群数目N、初始蝙蝠个体中栅格数量n、障碍物系数ω、搜索脉冲频率的最大值f_max和最小值f_min；

步骤3：初始化蝙蝠种群；蝙蝠种群中每一个蝙蝠个体由随机抽取的n-2个非障碍物栅格、机器人初始位置栅格和目标位置栅格组成，初始化蝙蝠个体i的蝙蝠响度为

脉冲发生率为

步骤4：筛除蝙蝠个体中独立的栅格；筛除完成后，蝙蝠个体i中含有n_i个栅格，且每个栅格至少与其他n_i-1个栅格中的一个栅格相邻；

步骤5：令当前迭代次数k＝1，计算蝙蝠种群中每一个蝙蝠个体的搜索脉冲频率f_i和适应度值F(i)，取对应适应度值F(i)最低的蝙蝠个体作为当前最优蝙蝠个体i_*；蝙蝠个体i的搜索脉冲频率f_i和适应度值F(i)的计算方法为：

f_i＝f_min+(f_max+f_min)β_i

其中，x_ij为蝙蝠个体i中第j个栅格的行坐标；y_ij为蝙蝠个体i中第j个栅格的列坐标；n_ik为蝙蝠个体i中包含的障碍物栅格数量；β_i为随机选取的随机数，β_i∈[0,1]；

步骤6：计算第k次迭代中，蝙蝠种群中每一个蝙蝠个体中所有栅格的行速度

列速度

行坐标

和列坐标

其中，x_i*j为当前最优蝙蝠个体i_*中第j个栅格的行坐标；y_i*j为当前最优蝙蝠个体i_*中第j个栅格的列坐标；

步骤7：生成随机数rand1∈[0,1]，若随机数rand1大于当前最优蝙蝠个体i_*的脉冲发生率

即

则对当前最优蝙蝠个体i_*进行随机扰动，得到新的蝙蝠个体i_new，并执行步骤8.1；否则执行步骤8.2；

其中，ε为随机选取的随机数，ε∈[-1,1]；

为所有蝙蝠个体的平均蝙蝠响度；

步骤8.1：生成随机数rand2∈[0,1]；若蝙蝠种群中存在蝙蝠个体i满足

且F(i)＜F(i_new)，则计算第k+1次迭代中该蝙蝠个体i的蝙蝠响度

以及脉冲发生率

其中，α_i和r_i为随机选取的随机数，α_i∈(0,1)，r_i＞0；

步骤8.2：生成随机数rand2∈[0,1]；若蝙蝠种群中存在蝙蝠个体i满足

且F(i)＜F(i_*)，则更新该蝙蝠个体i的蝙蝠响度

以及脉冲发生率

其中，α_i和r_i为随机选取的随机数，α_i∈(0,1)，r_i＞0；

步骤9：重新计算蝙蝠种群中每一个蝙蝠个体的适应度值，并取对应适应度值最低的蝙蝠个体作为当前最优蝙蝠个体i_*；

步骤10：若k≥T，则判定已经到达最大迭代次数，输出当前最优蝙蝠个体i_*，执行步骤11；否则，令k＝k+1，返回步骤6；

步骤11：对输出的蝙蝠个体中所包含的栅格路径进行优化，得到最优运动路径；

步骤11.1：将蝙蝠个体中的所有栅格按照与机器人初始位置的距离升序排列，得到路径点集合{p_j|j＝1,2,...,n}；其中，p₁为机器人初始位置，p_n为目标位置；令j＝1；

步骤11.2：判断路径点p_j与其他n-1个路径点之间的连线是否经过障碍物，并从与路径点p_j连线不经过障碍物的路径点中，选择与机器人初始位置的距离最远的路径点p_t，并删除集合{p_j|j＝1,2,...,n}中p_j与p_t之间的其他路径点；

步骤11.3：若t＜n，则令j＝t并返回步骤11.2；否则，输出最优运动路径；

步骤12：控制机器人沿着最优运动路径移动，直到到达目标。

步骤12.1：动态窗口法初始化，确定速度采样空间V；

V＝V_m∩V_d∩V_a

V_m＝{(v,ω)v∈[v_min,v_max]∧ω∈[ω_min,ω_max]}

V_d＝{(v,ω)v∈[v_c-vΔt,v_c+vΔt],ω∈[ω_c-ωΔt,ω_c+ωΔt]}

其中，v_max和v_min分别是机器人的最大和最小线速度，ω_max和ω_min分别是机器人的最大和最小角速度；v_c和ω_c分别代表当前时刻机器人的速度和角速度；dist(v,ω)是速度(v,ω)对应的运动路径与最近障碍物的距离；

步骤12.2：机器人根据自适应评价函数G(v,ω)，从速度采样空间V中选择当前时刻对应G(v,ω)值最大的速度(v,ω)；

所述的自适应评价函数为：

G(v,ω)＝I_αgdist(v,ω)+I_βobdist(v,ω)+I_γvel(v,ω)+I_λgpdist(v,ω)

其中，gdist(ν,ω)是目标距离评价函数，即当前位置与最终目标点的距离；obdist(ν,ω)是障碍物评价函数，表示运动路径末端距离障碍物的远近程度，若运动路径与障碍物相交则舍弃；vel(ν,ω)是速度评价函数，速度间接影响到机器人的距离函数；gpdist(v,ω)是路径距离函数，表示当前机器人位置与最近的全局路径节点的距离；I_α、I_β、I_γ、I_λ分别为G(ν,ω)中四项的权重系数，可根据动态障碍物的出现的位置，调整权值I_α、I_β、I_γ、I_λ以适应环境的动态变化。

实施例1：

本发明公开了一种室内移动机器人的混合路径规划方法，通过蝙蝠算法进行全局路径规划，在此基础上使用动态窗口法，从而实现全局路径最优以及实时避障。本发明的技术方案如下：

本发明提供一种室内移动机器人的混合路径规划方法流程图如图1所示，具体流程如下：

步骤一：假设机器人的工作空间是一个二维平面，采用栅格法对机器人所处空间进行建模，水平方向为x轴，竖直方向为y轴，黑色栅格有障碍物，为障碍栅格，白色栅格不包含障碍物，为自由栅格。

步骤二：初始化算法各参数，包括迭代次数T、蝙蝠种群数目N、蝙蝠响度A、脉冲率r，设置频率范围，即f_max和f_min数值大小。然后将蝙蝠个体以随机的方式扩散分布于栅格地图，得到一组初始解，计算适应值，并根据适应度记录当前最优解。适应度函数为：

F(i)＝ω*n_ik+L

其中，L为机器人从起点到终点的路径长度，其计算公式为：

其中，x_ij为蝙蝠个体i中第j个栅格的行坐标；y_ij为蝙蝠个体i中第j个栅格的列坐标；n_ik为蝙蝠个体i中包含的障碍物栅格数量；β_i为随机选取的随机数，β_i∈[0,1]；ω为障碍物系数，用来排除经过障碍栅格的路径，取值200。

步骤三：对蝙蝠个体的位置和速度更新。更新公式为：

步骤四：生成均匀分布随机数rand1，如果rand大于脉冲发生率，则对当前最优解进行随机扰动，产生一个新解。随机扰动公式为：

其中，ε为随机选取的随机数，ε∈[-1,1]；

为所有蝙蝠个体的平均蝙蝠响度；

步骤五：生成均匀分布随机数rand2，如果rand2小于蝙蝠发出声波的响度，并且蝙蝠个体的适应度函数小于当前最优解，则更新蝙蝠个体的响度以及脉冲发生率。更新公式如下：

其中，α_i和r_i为随机选取的随机数，α_i∈(0,1)，r_i＞0；

步骤六：对所有蝙蝠的适应度值进行排序。找出当前的最优解。

步骤七：重复步骤三～步骤六，直至到达最大迭代次数。

步骤八：将路径输出，并进行优化，选择路径关键点。优化方法为：

蝙蝠算法规划路径之后，得到路径点{p_i|k＝1,2,...,n}，判断第一个节点p₁与其他节点之间的连线是否经过障碍物，设p_t是下标最大的且与第一个节点p₁构成的线段不经过障碍物，则删除第一个节点p₁与p_t之间的节点。从p_t开始重复上述步骤，直到连接到最后一个节点p_n。实验结果如图1所示，该方法能够明显优化路径。

步骤九：动态窗口法初始化，确定速度采样空间，并基于运动学模型生成模拟轨迹。机器人速度采样空间以及运动学模型为：

机器人的速度受到电机的性能限制，以及现实环境中障碍物的制约：

根据机器人最大最小速度的限制，确定的速度空间为：

V_m＝{(v,m)|v∈[v_min,v_max]∧ω∈[ω_min,ω_max]}

其中，v_max和v_min分别是机器人的最大和最小线速度，ω_max和ω_min分别是机器人的最大和最小角速度；

根据机器人加减速度限制，确定的速度空间为：

令V_d表示机器人能够达到的速度空间，v_c和ω_c代表当前时刻机器人的速度和角速度。

根据障碍物的制约，确定的速度空间为：

式中，dist(v,ω)是速度(v,ω)对应的轨迹与最近障碍物的距离。

最终速度采样空间为：

V＝V_m∩V_d∩V_a

机器人的运动学模型：

这里假设时间间隔很短，移动机器人在间隔时间内沿着直线匀速运动，且不能进行全向移动，即只能进行前进和旋转。

由此可以得到机器人在一段时间内的轨迹：

x＝x+vΔtcos(Δt)

y＝y+vΔtsin(Δt)

θ_t＝θ_t+wΔt

通过机器人运动学模型得到若干模拟轨迹后，从中剔除不符合机器人速度空间采样的轨迹。

步骤九：设计自适应评价函数，将全局路径点作为轨迹评价指标之一。评价函数为：

G(v,ω)＝I_αgdist(v,ω)+I_βobdist(v,ω)+I_γvel(v,ω)+I_λgpdist(v,ω)

上式中gdist(ν,ω)是目标距离评价函数，即当前位置与最终目标点的距离。obdist(ν,ω)是障碍物评价函数，表示轨迹末端距离障碍物的远近程度，若轨迹与障碍物相交则舍弃。vel(ν,ω)是速度评价函数，速度间接影响到机器人距离函数。gpdist(v,ω)是路径距离函数，表示当前机器人位置与最近的全局路径节点的距离。I_α、I_β、I_γ、I_λ分别为G(ν,ω)中四项的权重系数。为了使轨迹更加平滑，要对分别对四个评价函数进行归一化处理，即用每一项除以每一项的总和：

此外，引入自适应的思想。根据动态障碍物的出现的位置，调整评价函数的权值，以适应环境的动态变化。当障碍物出现在全局路径关键点上时，提高I_β的值，并降低I_λ，在机器人通过障碍物后，恢复默认值。当障碍物致使全局路径完全失效时，则将I_λ归零，增大I_α，完全由动态窗口法进行路径规划。

步骤十：根据评价函数选出的最优轨迹移动机器人，直至到达终点，算法结束。

通过上述方法，本发明针对蝙蝠算法作为全局路径规划方法不具备实时避障能力的问题，融合动态窗口法，能够最大程度的保证路径的最优，而且能够兼顾机器人的动态避障，比单一的算法更具有优势。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种室内移动机器人的混合路径规划方法，其特征在于，包括以下步骤：

步骤1：根据机器人初始位置及目标位置，采用栅格法对机器人所处空间进行建模；

以水平方向为x轴，竖直方向为y轴，以边长为1m的正方形栅格划分机器人所处空间，并设定行区域和列区域的最大值以及最小值；

步骤2：设定最大迭代次数T、蝙蝠种群数目N、初始蝙蝠个体中栅格数量n、障碍物系数ω、搜索脉冲频率的最大值f_max和最小值f_min；

步骤3：初始化蝙蝠种群；蝙蝠种群中每一个蝙蝠个体由随机抽取的n-2个非障碍物栅格、机器人初始位置栅格和目标位置栅格组成，初始化蝙蝠个体i的蝙蝠响度为

脉冲发生率为

步骤4：筛除蝙蝠个体中独立的栅格；筛除完成后，蝙蝠个体i中含有n_i个栅格，且每个栅格至少与其他n_i-1个栅格中的一个栅格相邻；

步骤5：令当前迭代次数k＝1，计算蝙蝠种群中每一个蝙蝠个体的搜索脉冲频率f_i和适应度值F(i)，取对应适应度值F(i)最低的蝙蝠个体作为当前最优蝙蝠个体i_*；蝙蝠个体i的搜索脉冲频率f_i和适应度值F(i)的计算方法为：

f_i＝f_min+(f_max+f_min)β_i

其中，x_ij为蝙蝠个体i中第j个栅格的行坐标；y_ij为蝙蝠个体i中第j个栅格的列坐标；n_ik为蝙蝠个体i中包含的障碍物栅格数量；β_i为随机选取的随机数，β_i∈[0,1]；

步骤6：计算第k次迭代中，蝙蝠种群中每一个蝙蝠个体中所有栅格的行速度

列速度

行坐标

和列坐标

其中，

为当前最优蝙蝠个体i_*中第j个栅格的行坐标；

为当前最优蝙蝠个体i_*中第j个栅格的列坐标；

步骤7：生成随机数rand1∈[0,1]，若随机数rand1大于当前最优蝙蝠个体i_*的脉冲发生率

即

则对当前最优蝙蝠个体i_*进行随机扰动，得到新的蝙蝠个体i_new，并执行步骤8.1；否则执行步骤8.2；

其中，ε为随机选取的随机数，ε∈[-1,1]；

为所有蝙蝠个体的平均蝙蝠响度；

步骤8.1：生成随机数rand2∈[0,1]；若蝙蝠种群中存在蝙蝠个体i满足

且F(i)＜F(i_new)，则计算第k+1次迭代中该蝙蝠个体i的蝙蝠响度

以及脉冲发生率

其中，α_i和r_i为随机选取的随机数，α_i∈(0,1)，r_i＞0；

步骤8.2：生成随机数rand2∈[0,1]；若蝙蝠种群中存在蝙蝠个体i满足

且F(i)＜F(i_*)，则更新该蝙蝠个体i的蝙蝠响度

以及脉冲发生率

其中，α_i和r_i为随机选取的随机数，α_i∈(0,1)，r_i＞0；

步骤9：重新计算蝙蝠种群中每一个蝙蝠个体的适应度值，并取对应适应度值最低的蝙蝠个体作为当前最优蝙蝠个体i_*；

步骤10：若k≥T，则判定已经到达最大迭代次数，输出当前最优蝙蝠个体i_*，执行步骤11；否则，令k＝k+1，返回步骤6；

步骤11：对输出的蝙蝠个体中所包含的栅格路径进行优化，得到最优运动路径；

步骤11.1：将蝙蝠个体中的所有栅格按照与机器人初始位置的距离升序排列，得到路径点集合{p_j|j＝1,2,...,n}；其中，p₁为机器人初始位置，p_n为目标位置；令j＝1；

步骤11.2：判断路径点p_j与其他n-1个路径点之间的连线是否经过障碍物，并从与路径点p_j连线不经过障碍物的路径点中，选择与机器人初始位置的距离最远的路径点p_t，并删除集合{p_j|j＝1,2,...,n}中p_j与p_t之间的其他路径点；

步骤11.3：若t＜n，则令j＝t并返回步骤11.2；否则，输出最优运动路径；

步骤12：控制机器人沿着最优运动路径移动，直到到达目标。

2.根据权利要求1所述的一种室内移动机器人的混合路径规划方法，其特征在于：所述的步骤12中控制机器人沿着最优运动路径移动方法具体为：

步骤12.1：动态窗口法初始化，确定速度采样空间V；

V＝V_m∩V_d∩V_a

V_m＝{(v,ω)|v∈[v_min,v_max]∧ω∈[ω_min,ω_max]}

V_d＝{(v,ω)|v∈[v_c-vΔt,v_c+vΔt],ω∈[ω_c-ωΔt,ω_c+ωΔt]}

其中，v_max和v_min分别是机器人的最大和最小线速度，ω_max和ω_min分别是机器人的最大和最小角速度；v_c和ω_c分别代表当前时刻机器人的速度和角速度；dist(v,ω)是速度(v,ω)对应的运动路径与最近障碍物的距离；

步骤12.2：机器人根据自适应评价函数G(v,ω)，从速度采样空间V中选择当前时刻对应G(v,ω)值最大的速度(v,ω)；

所述的自适应评价函数为：

G(v,ω)＝I_αgdist(v,ω)+I_βobdist(v,ω)+I_γvel(v,ω)+I_λgpdist(v,ω)

其中，gdist(ν,ω)是目标距离评价函数，即当前位置与最终目标点的距离；obdist(ν,ω)是障碍物评价函数，表示运动路径末端距离障碍物的远近程度，若运动路径与障碍物相交则舍弃；vel(ν,ω)是速度评价函数，速度间接影响到机器人的距离函数；gpdist(v,ω)是路径距离函数，表示当前机器人位置与最近的全局路径节点的距离；I_α、I_β、I_γ、I_λ分别为G(ν,ω)中四项的权重系数，可根据动态障碍物的出现的位置，调整权值I_α、I_β、I_γ、I_λ以适应环境的动态变化。

Images