CN112327876B - 一种基于终距指数的机器人路径规划方法 - Google Patents
一种基于终距指数的机器人路径规划方法 Download PDFInfo
- Publication number
- CN112327876B CN112327876B CN202011315641.8A CN202011315641A CN112327876B CN 112327876 B CN112327876 B CN 112327876B CN 202011315641 A CN202011315641 A CN 202011315641A CN 112327876 B CN112327876 B CN 112327876B
- Authority
- CN
- China
- Prior art keywords
- distance index
- node
- path
- ants
- grid
- 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 28
- 241000257303 Hymenoptera Species 0.000 claims abstract description 20
- 230000009467 reduction Effects 0.000 claims description 8
- 239000003016 pheromone Substances 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
Abstract
本发明公开一种基于终距指数的机器人路径规划方法,包括以下步骤:S1、采用栅格法创建机器人环境地图;S2、采用蚁群算法寻找环境最短路径,蚁群算法包含以下步骤:S21、初始化蚁群算法的参数;S22、将m只蚂蚁放在起始点开始搜索;S23、利用概率选择公式选择下一步移动栅格;S24、判断所有蚂蚁是否到达目标点,如果是则进行步骤S25,如果否返回步骤S23;S25、根据当代取得的所有可行路径进行终距指数的更新;S26、判断是否达到最大迭代次数,如果是则结束;如果否,则令迭代次数加1并返回步骤S22;S3、将步骤S2得到最短路径作为规划的最优路径;本发明不仅提高了全局最优解而且提高了收敛速度。
Description
技术领域
本发明涉及机器人路径规划技术领域,具体是一种基于终距指数的机器人路径规划方法。
背景技术
路径规划技术是移动机器人研究领域的一个重要组成部分,主要目的是在有障碍物的环境中,根据给定的目标(如路径最短,位置拐点最少,用时最短等),寻求一条从起始位置节点到目标位置节点之间的最优或次优安全无碰路径。
路径规划技术的发展在一定程度上标志着机器人智能水平的高低,而路径规划方法的优劣直接影响路径规划效果。
目前,国内外许多专家学者都在致力于路径规划算法的研究,常用的优化算法主要有人工势场法、蚁群算法、免疫算法、粒子群优化算法和遗传算法等。
其中,蚁群算法作为一种基于种群的概率选择算法,由于该算法与其它启发式算法相比,在求解能力方面,具有很强的鲁棒性和较好解的搜索能力,且容易与其他算法进行结合,以改善其算法的性能,所以蚁群算法在路径规划等领域中得到了广泛的应用,但蚁群算法也存一些缺点,诸如收敛速度慢,容易陷入局部最优解等。
针对这些不足,国内外诸多学者都尝试着对传统的蚁群算法进行改进,虽然大量的仿真结果表明了一些对基本蚁群算法在某些方面的改进策略是可行的,但是,依旧存在一些缺陷需要弥补,比如蚂蚁的选择策略受信息素浓度影响,而浓度是由路径决定的,故存在冗余部分的路径,其产生的信息素浓度将受到冗余路径的干扰,进而影响蚂蚁的选择正确率。
发明内容
本发明的目的在于提供一种基于终距指数的机器人路径规划方法,该方法能够克服传统蚁群算法收敛速度慢、易陷入局部最优等不足,不仅改善了获得机器人路径规划的全局最优解的质量,而且提高了收敛的速度。
本发明解决其技术问题所采用的技术方案是:
一种基于终距指数的机器人路径规划方法,包括以下步骤:
S1、采用栅格法创建机器人工作环境地图,定义起始点与目标点;
S2、采用蚁群算法寻找环境最短路径,所述蚁群算法按以下子步骤执行:
S21、对于任一坐标为(i,j)的栅格图节点,定义终距指数kij,用来标记该节点到终点的距离;
初始化所有节点的终距指数kij,初始值设为99;
将信息素启发因子替换为终距指数启发因子β,同时初始化距离启发因子α、终距指数启发因子β、蚂蚁数量m,迭代次数T以及削减系数q;
S22、将m只蚂蚁放在起始点,将起始点加入禁忌表中,开始搜索,得到可行路径节点栅格;
S23、每只蚂蚁根据公式(1)选择下一步移动栅格,并将当前栅格加入到禁忌表中;在计算概率时,按照公式(2)先对所有的相邻节点的kij进行整体缩减,放大偏差处理;
kij=kij-(1-q)*kmin (2)
公式(1)中,s为当前邻接有转移概率的位置节点,坐标为(i,j),为蚂蚁k选择邻接节点(i,j)的转移概率;α和β分别为距离启发因子以及终距指数启发因子;allowedk为t时刻允许蚂蚁k通过的位置节点集合,k=1,2,…,m;τij(t)表示在可通行邻接节点(i,j)上的距离启发函数;kij(t)为可通行邻接节点(i,j)上的终距指数;
S24、判断所有蚂蚁是否到达目标点,如果是,则进行步骤S25;如果否,则更新禁忌表,并返回步骤S23;
S25、当代蚂蚁寻路结束后,取出当代所有可行路径解,依照公式(3)对各节点进行终距指数的更新;
从起点开始,按照更新的终距指数执行最大梯度下降法,得到一条最优路径作为当前代的最优解;
S3、循环T代后结束循环,输出全局最优解。
本发明的有益效果是,引入终距指数,取代信息素浓度的标记功能,使得蚂蚁可以依赖该指数进行决策选择,能够获得全局最优解,并且提高了路径规划求解的效率和稳定性;通过仿真实验结果表明,采取本发明改良的蚁群算法,算法的性能有明显的改善。
附图说明
下面结合附图和实施例对本发明进一步说明:
图1是本发明的流程示意图;
图2本发明最大梯度下降法寻最优路径流程图;
图3是本发明机器人的移动方向示意图;
图4是传统蚁群算法的寻优路线示意图;
图5是传统蚁群算法的收敛曲线示意图;
图6是本发明方法的寻优路线示意图;
图7是本发明方法的收敛曲线示意图;
图8是本发明方法的寻优结束时的全部节点的终距指数;
图9是他人改进蚁群算法在另一种栅格环境下的寻优路线示意图;
图10是他人改进蚁群算法在另一种栅格环境下的收敛曲线示意图;
图11是本发明方法在另一种栅格环境下的寻优路线示意图;
图12是本发明方法在另一种栅格环境下的收敛曲线示意图;
图13是本发明方法在另一种栅格环境下的寻优结束时的全部节点的终距指数。
具体实施方式
如图1所示,本发明提供一种基于终距指数的机器人路径规划方法,包括以下步骤:
S1、采用栅格法创建机器人工作环境地图,定义起始点与目标点;
S2、采用蚁群算法寻找环境最短路径,所述蚁群算法按以下子步骤执行:
S21、对于任一坐标为(i,j)的栅格图节点,定义终距指数kij,用来标记该节点到终点的距离;
由于将终距指数代替了传统算法中的信息素,因此,将作为信息素启发因子的修正为终距指数启发因子β;又考虑到相邻节点的差值过小,进一步定义削减系数q,当计算节点概率时,用来对进行偏差放大处理;
初始化所有节点的终距指数kij,初始值设为99;
同时初始化距离启发因子α、终距指数启发因子β、蚂蚁数量m,迭代次数T以及削减系数q;
S22、将m只蚂蚁放在起始点,将起始点加入禁忌表中,开始搜索,得到可行路径节点栅格;
S23、每只蚂蚁根据公式(1)选择下一步移动栅格,并将当前栅格加入到禁忌表中;在在计算概率时,按照公式(2)先对所有的相邻节点的kij进行整体缩减,放大偏差处理;
kij=kij-(1-q)*kmin (2)
公式(1)中,s为当前邻接有转移概率的位置节点,坐标为(i,j),为蚂蚁k选择邻接节点(i,j)的转移概率;α和β分别为距离启发因子以及终距指数启发因子;allowedk为t时刻允许蚂蚁k通过的位置节点集合,k=1,2,…,m;τij(t)表示在可通行邻接节点(i,j)上的距离启发函数;kij(t)为可通行邻接节点(i,j)上的终距指数;
S24、判断所有蚂蚁是否到达目标点,如果是,则进行步骤S25;如果否,则更新禁忌表,并返回步骤S23;
S25、当代蚂蚁寻路结束后,取出当代所有可行路径解,依照公式(3)对各节点进行终距指数的更新;
结合图2所示,从起点开始,按照更新的终距指数执行最大梯度下降法,得到一条最优路径作为当前代的最优解;
S3、循环T代后结束循环,输出全局最优解。
本发明的效果可以通过以下仿真实验进一步说明:
为验证本方法的正确性和合理性,在20×20的栅格环境模型下对该算法进行仿真,并与基本蚁群算法进行比较。算法各参数设定如下:终距指数启发因子β=1.5,距离启发因子α=0.9,削减系数q=0.8,蚂蚁数量m=30,最大迭代次数为T=100。
结合图3与图5所示,尽管传统蚁群算法和本发明方法都能够搜索到最优的路径(30.3847),但是结合图4与图6所示,传统蚁群算法在54代以上才开始收敛于问题的最优解30.3847。而本发明通过引入终距指数这一全新的概念,构建的一种改进蚁群算法收敛速度更快,只需要2代左右便可以找到最优路径。
为了进一步验证本发明提出的改进算法的稳定性,将本发明与另外一种改进的蚁群算法进行比较,另一种改进的蚁群算法为期刊《电子科技》在2018年32卷第9期中5-9+25页《基于改进蚁群算法的移动机器人路径规划研究》中记载的改进蚁群算法,在该文章记载的30×30的栅格环境条件下利用本发明方法进行仿真。
由图9与图11可以看出,通过他人改进的蚁群算法需要23代才可以收敛到最优解(43.941);由图10和图12可以看出,本发明的方法只需要3代左右即可收敛到最优解。
结合图8与图13所示,可以发现,节点的终距指数能更好的反应每个节点到终点的距离,依赖终距指数来进行概率性选择是合理且有效的。
通过对比仿真可以得出结论:使用本发明蚁群算法的路径规划效率明显优于传统蚁群算法;且使用本发明提出的蚁群算法比传统蚁群算法和他人改进的蚁群算法进化快,这说明了本发明提出的改进蚁群算法在路径优化方面的稳定性高。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制;任何熟悉本领域的技术人员,在不脱离本发明技术方案范围情况下,都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同替换、等效变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (1)
1.一种基于终距指数的机器人路径规划方法,其特征在于,包括以下步骤:
S1、采用栅格法创建机器人工作环境地图,定义起始点与目标点;
S2、采用蚁群算法寻找环境最短路径,所述蚁群算法按以下子步骤执行:
S21、对于任一坐标为(i,j)的栅格图节点,定义终距指数kij,用来标记该节点到终点的距离;
初始化所有节点的终距指数kij,初始值设为99;
将信息素启发因子替换为终距指数启发因子β,同时初始化距离启发因子α、终距指数启发因子β、蚂蚁数量m,迭代次数T以及削减系数q;
S22、将m只蚂蚁放在起始点,将起始点加入禁忌表中,开始搜索,得到可行路径节点栅格;
S23、每只蚂蚁根据公式(1)选择下一步移动栅格,并将当前栅格加入到禁忌表中;在计算概率时,按照公式(2)先对所有的相邻节点的kij进行整体缩减,放大偏差处理;
kij=kij-(1-q)*kmin (2)
公式(1)中,s为当前邻接有转移概率的位置节点,坐标为(i,j),为蚂蚁k选择邻接节点(i,j)的转移概率;α和β分别为距离启发因子以及终距指数启发因子;allowedk为t时刻允许蚂蚁k通过的位置节点集合,k=1,2,…,m;τij(t)表示在可通行邻接节点(i,j)上的距离启发函数;kij(t)为可通行邻接节点(i,j)上的终距指数;
S24、判断所有蚂蚁是否到达目标点,如果是,则进行步骤S25;如果否,则更新禁忌表,并返回步骤S23;
S25、当代蚂蚁寻路结束后,取出当代所有可行路径解,依照公式(3)对各节点进行终距指数的更新;
从起点开始,按照更新的终距指数执行最大梯度下降法,得到一条最优路径作为当前代的最优解;
S3、循环T代后结束循环,输出全局最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011315641.8A CN112327876B (zh) | 2020-11-21 | 2020-11-21 | 一种基于终距指数的机器人路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011315641.8A CN112327876B (zh) | 2020-11-21 | 2020-11-21 | 一种基于终距指数的机器人路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112327876A CN112327876A (zh) | 2021-02-05 |
CN112327876B true CN112327876B (zh) | 2022-02-01 |
Family
ID=74321968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011315641.8A Active CN112327876B (zh) | 2020-11-21 | 2020-11-21 | 一种基于终距指数的机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112327876B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113219989B (zh) * | 2021-06-02 | 2022-05-31 | 安徽工业大学 | 一种基于改进的蝴蝶优化算法移动机器人路径规划方法 |
CN113467471B (zh) * | 2021-07-26 | 2022-12-09 | 安徽工程大学 | 一种针对栅格图模型下的移动机器人路径优化方法 |
CN113759922B (zh) * | 2021-09-14 | 2023-06-09 | 安徽工程大学 | 一种基于弹簧算法的机器人路径规划方法 |
CN114995391B (zh) * | 2022-05-10 | 2024-04-09 | 安徽工程大学 | 一种改进a*算法的4阶b样条曲线路径规划方法 |
CN115328161B (zh) * | 2022-09-15 | 2024-04-26 | 安徽工程大学 | 一种基于k视界蚁群算法的焊接机器人路径规划方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110026776A (ko) * | 2009-09-08 | 2011-03-16 | 부산대학교 산학협력단 | 실제 로봇의 다중 경로계획 방법 |
CN108413959A (zh) * | 2017-12-13 | 2018-08-17 | 南京航空航天大学 | 基于改进混沌蚁群算法的无人机航路规划方法 |
CN109116841A (zh) * | 2018-07-23 | 2019-01-01 | 昆明理工大学 | 一种基于蚁群算法的路径规划平滑优化方法 |
CN110095122A (zh) * | 2019-05-10 | 2019-08-06 | 安徽工程大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
CN110160546A (zh) * | 2019-05-10 | 2019-08-23 | 安徽工程大学 | 一种移动机器人路径规划方法 |
CN110928295A (zh) * | 2019-10-16 | 2020-03-27 | 重庆邮电大学 | 一种融合人工势场与对数蚁群算法的机器人路径规划方法 |
CN111857141A (zh) * | 2020-07-13 | 2020-10-30 | 武汉理工大学 | 一种机器人路径规划方法、装置、设备及存储介质 |
-
2020
- 2020-11-21 CN CN202011315641.8A patent/CN112327876B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110026776A (ko) * | 2009-09-08 | 2011-03-16 | 부산대학교 산학협력단 | 실제 로봇의 다중 경로계획 방법 |
CN108413959A (zh) * | 2017-12-13 | 2018-08-17 | 南京航空航天大学 | 基于改进混沌蚁群算法的无人机航路规划方法 |
CN109116841A (zh) * | 2018-07-23 | 2019-01-01 | 昆明理工大学 | 一种基于蚁群算法的路径规划平滑优化方法 |
CN110095122A (zh) * | 2019-05-10 | 2019-08-06 | 安徽工程大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
CN110160546A (zh) * | 2019-05-10 | 2019-08-23 | 安徽工程大学 | 一种移动机器人路径规划方法 |
CN110928295A (zh) * | 2019-10-16 | 2020-03-27 | 重庆邮电大学 | 一种融合人工势场与对数蚁群算法的机器人路径规划方法 |
CN111857141A (zh) * | 2020-07-13 | 2020-10-30 | 武汉理工大学 | 一种机器人路径规划方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112327876A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112327876B (zh) | 一种基于终距指数的机器人路径规划方法 | |
CN110160546B (zh) | 一种移动机器人路径规划方法 | |
CN110095122B (zh) | 一种基于改进蚁群算法的移动机器人路径规划方法 | |
CN107272679B (zh) | 基于改进的蚁群算法的路径规划方法 | |
CN109945881B (zh) | 一种蚁群算法的移动机器人路径规划方法 | |
CN109116841B (zh) | 一种基于蚁群算法的路径规划平滑优化方法 | |
CN110347151B (zh) | 一种融合Bezier优化遗传算法的机器人路径规划方法 | |
CN112650229B (zh) | 一种基于改进蚁群算法的移动机器人路径规划方法 | |
CN111323016A (zh) | 一种基于自适应蚁群算法的移动机器人路径规划方法 | |
CN107607120A (zh) | 基于改进修复式Anytime稀疏A*算法的无人机动态航迹规划方法 | |
CN113867368A (zh) | 一种基于改进海鸥算法的机器人路径规划方法 | |
CN110726408A (zh) | 一种基于改进蚁群算法的移动机器人路径规划方法 | |
CN115562265B (zh) | 一种基于改进a*算法的移动机器人路径规划方法 | |
CN108413963A (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
CN109211242B (zh) | 一种融合rrt与蚁群算法的三维空间多目标路径规划方法 | |
CN116203965A (zh) | 一种基于agv的改进蚁群算法的路径规划算法 | |
CN113917925A (zh) | 一种基于改进遗传算法的移动机器人路径规划方法 | |
CN110705803B (zh) | 基于三角形内心引导rrt算法的路径规划方法 | |
CN116540738A (zh) | 基于运动约束改进蚁群算法的移动机器人路径规划方法 | |
CN113703450A (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 | |
CN115686020B (zh) | 一种基于iapf-a*融合算法的机器人路径规划 | |
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 | |
Tang et al. | On the use of ant colony algorithm with weighted penalty strategy to optimize path searching | |
CN115454070A (zh) | 一种K-Means蚁群算法多机器人路径规划方法 | |
CN114355913A (zh) | 基于时空自适应双向蚁群算法的移动机器人路径规划方法 |
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 |