CN112596525A - 基于遗传算法和改进人工势场法的机器人路径规划方法 - Google Patents
基于遗传算法和改进人工势场法的机器人路径规划方法 Download PDFInfo
- Publication number
- CN112596525A CN112596525A CN202011483873.4A CN202011483873A CN112596525A CN 112596525 A CN112596525 A CN 112596525A CN 202011483873 A CN202011483873 A CN 202011483873A CN 112596525 A CN112596525 A CN 112596525A
- Authority
- CN
- China
- Prior art keywords
- potential field
- robot
- genetic algorithm
- field strength
- fitness function
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 72
- 230000002068 genetic effect Effects 0.000 title claims abstract description 53
- 230000004888 barrier function Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 8
- 230000035772 mutation Effects 0.000 description 5
- 238000005381 potential energy Methods 0.000 description 5
- 210000000349 chromosome Anatomy 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 229910002056 binary alloy Inorganic materials 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000004088 simulation 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, 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
- G05D1/0214—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
- 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
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)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供了一种基于遗传算法和改进人工势场法的机器人路径规划方法,属于机器人路径规划方法技术领域。该方法包括以下步骤:利用改进人工势场法对移动机器人的工作区域进行环境建模;设置相关参数,包括人工势场法和遗传算法的相关参数;选择人工势场的合势场强度的倒数作为遗传算法的适应度函数,并计算出适应度函数值;利用遗传算法对编码参数进行寻优,获得最优参数,根据所述最优参数计算出机器人的路径点,最终在复杂的多障碍物的环境中得到最优路径。本发明不仅解决了传统势场法的缺陷,避免陷入局部极值点和消除震荡点,而且利用遗传算法的特性提高了获得机器人路径规划的全局最优解或近优解,对路径质量和规划效率有很大提升。
Description
技术领域
本发明涉及机器人路径规划领域,具体涉及一种基于遗传算法和改进人工势场法的机器人路径规划方法。
背景技术
人类进入新世纪以来,以互联网、大数据、人工智能为表示的新技术与制造业加速融合,推动了智能制造的进步与成熟。同时有关机器人的新技术和新产品不断出现,成为了推动新一轮科技革命和产业革命的新的动力,既改变了人们的生活,也为制造业的发展提供了突破口。一个国家智能机器人技术的水平高低象征着该国家自动化、人工智能、自适应、工业控制等多方面的综合实力。路径规划技术作为机器人研究领域的重要组成部分,其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、免疫算法、蚁群优化算法、神经网络、粒子群优化算法和遗传算法等。人工势场法因其数学分析简单、计算量小、路径光滑等优点被广泛应用在实时避障和路径规划领域。但随着研究的不断深入,应用人工势场法进行机器人路径规划的不足逐渐被发现,例如,局部最优、目标不可达、对动态环境的适应性差等。因此,基于传统人工势场法的机器人路径规划方法存在的局部最优、目标不可达、对动态环境的适应性差是亟待解决的技术问题。
发明内容
本发明提出一种基于遗传算法和改进人工势场法的机器人路径规划方法,旨在解决基于传统人工势场法的机器人路径规划方法存在的局部最优、目标不可达、对动态环境的适应性差的技术问题。
为了实现上述目的,本发明的机器人路径规划方法包括以下步骤:
步骤S1、利用人工势场法对移动机器人的工作区域进行环境建模,获得人工势场环境模型;
步骤S2、设置所述人工势场环境模型的人工势场法相关参数(包括合势场强度参数)和遗传算法相关参数(包括编码参数);
步骤S3、根据合势场强度参数计算得到合势场强度,选择合势场强度的倒数作为遗传算法的适应度函数,并根据所述适应度函数计算出适应度函数值;
步骤S4、利用遗传算法的适应度函数值对所述遗传算法的编码参数进行寻优,获得最优参数,根据所述最优参数计算机器人的路径点,获得最优路径。
优选地,所述利用改进人工势场法对移动机器人的工作区域进行环境建模,获得人工势场环境模型,具体包括:
人工势场法将空间环境视为一个势场模型,目标点对机器人产生引力势场,障碍物对机器人产生斥力势场,机器人在两个势场的合力下向目标点运动。利用人工势场法对环境进行建模,只需考虑机器人、障碍物、起始点和目标点位置坐标。首先设置一个起点坐标,并将机器人置于点位置,然后设置障碍物个数和位置坐标,最后设置目标点位置坐标,所述障碍物对所述机器人产生斥力场,所述目标点对所述机器人产生引力场,所述斥力场和所述引力场共同构成人工势场环境模型。
优选地,设置所述人工势场环境模型的人工势场法相关参数(包括合势场强度)和遗传算法相关参数(包括编码参数),具体包括:
人工势场法的相关参数设置。人工势场法的基本原理是把移动机器人在环境中的运动视为在虚拟的人工受力场的运动。机器人会受到来自目标点产生的引力势场和障碍物产生的斥力势场作用。其中引力势场与机器人到目标点之间的距离成正比,斥力势场与机器人到障碍物之间的距离成反比。引力势场中的参数有:引力势场比例系数Ka;斥力势场中的参数有:斥力势场比例系数Kr,障碍物影响距离d0;在遇到局部极小值时需要引入虚拟目标点,设置虚拟势场比例系数Kc,虚拟目标点与局部极小点的选取距离ds,机器人与目标点之间的评判距离ρa。
遗传算法的相关参数设置。遗传算法的参数有:首先设置种群规模m,终止进化代数g,编码参数确定,分别为机器人下一步移动的方向角θ和步长L,两个参数均采用7位二进制字符进行编码,故而染色体上基因总长度为14,种群的生成方式为利用随机数发生器生成m个二进制序列个体构成初始种群,最后设置种群的交叉概率Pc,变异概率Pm。
优选地,所述选择人工势场的合势场强度的倒数作为遗传算法的适应度函数,并根据所述适应度函数计算出适应度函数值,具体包括:
机器人在人工势场中会受到障碍物产生的斥力势场和目标点产生的引力势场,先要计算出这两个的值才能算出总的合势场强度值。首先根据机器人的位置坐标,计算出当前机器人到各个障碍物的距离d(j)以及到目标点的距离Pg(X,Xg),其中Pg(X,Xg)=|X-Xg|,d(j)=|X-Xo(j)|,然后根据势场函数的公式,计算出机器人在虚拟势场中受到的引力势场强度和斥力势场强度,其中引力势场函数公式为:
其中,Uatt(X)为目标点对机器人的引力场强度,X为机器人的位置坐标,Xg为机器人的目标点位置坐标,Ka为引力势场比例系数;
对传统斥力势场函数进行改进,得到新的斥力势场函数公式为:
其中,Urep(X)为障碍物对机器人的斥力场强度,d(j)表示机器人和第j个障碍物之间的距离,d0为障碍物的影响距离,X为机器人的位置坐标,Xg为机器人的目标点位置坐标,Kr为斥力势场比例系数;
根据所述斥力场强度和所述引力场强度,计算得到合势场强度为:
Utotal(X)=Urep(X)+Uatt(X),
其中,Utotal(X)为合势场强度,Urep(X)为障碍物对机器人的斥力场强度,Uatt(X)为目标点对机器人的引力场强度;
引入一个虚拟目标点来引导机器人远离局部极小区域,得到新的合势场强度为:
选择新合势场函数的倒数作为适应度函数,即适应度函数为:
fitness(i)=1/Ui,
将所述适应度函数引入遗传算法中,计算种群中个体的适应度函数值。根据所述个体的适应度函数值进行遗传,生成新的个体,从而更新种群。
优选地,所述利用遗传算法的适应度函数值对所述遗传算法的编码参数进行寻优,获得最优参数,根据所述最优参数计算机器人的路径点,获得最优路径,具体包括:
S401:根据所编码参数格式和长度,随机生成一个种群,并设置进化计数器k=1;
S402:将种群中的每个个体由二进制转换成十进制,根据公式将由编码参数得到机器人的坐标点,具体公式如下:
式中(x,y)表示机器人当前位置坐标,(xr,yr)表示机器人下一步的位置坐标,H1和H2表示将遗传算法中种群的个体由二进制转化成十进制得到的值,得到机器人位置坐标后,根据确定的适应度函数公式,就可以计算出种群中每个个体的适应度函数值fitness(i);
S403:根据所述适应度函数值对种群进行选择、交叉和变异,得到新一代种群;
S404:令k=k+1;判断k是否小于最大进化代数g,若满足,则转到步骤S403继续进化,否则进入步骤S405;
S405:找出种群中的最优个体,将最优个体转换成机器人要移动的位置坐标,计算出该点和目标点的之间的距离Pg,判断Pg是否小于评判距离ρa,如果满足,路径规划完成,获得最优路径;否则转至步骤S402,继续规划下一步。
本发明的有益效果:
1)通过修改斥力势场函数模型,成功解决障碍物附近目标不可达的问题。
2)当移动机器人处于局部极小点问题,通过引入虚拟目标点使得势场函数能够跳出局部极小点,该方法提供了移动机器人逃避任何可能的局部最小值的能力,同时根据高斯函数的特点机器人到达虚拟目标点后,可以更加快速回到原来的轨迹中,避免了局部最小问题;
3)将人工势场法和遗传算法结合后,可以有效提高路径规划求解的质量和效率。
附图说明
图1为本发明基于遗传算法和改进人工势场法的移动机器人路径规划方法的流程图;
图2为本发明虚拟目标点的的建立示意图;
图3为本发明移动机器人路径规划方法的路径轨迹图;
图4为本发明所用遗传算法的的适应度曲线进化图;
图5本发明机器人路径规划方法中机器人受到的合力大小和方向变化图;
图6为传统人工势场法路径规划轨迹图;
图7为传统人工势场法中机器人受到的合力大小和方向变化图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述。
本发明提出一种基于遗传算法和改进人工势场法的移动机器人路径规划方法,用于获得最优或者近优的路径规划,实现移动机器人的全局优化。
请参考图1,图1为本发明基于遗传算法和改进人工势场法的移动机器人路径规划方法的流程图;该方法的具体步骤包括如下:
步骤S1、利用人工势场法对移动机器人的工作区域进行环境建模,获得人工势场环境模型,具体过程如下:
人工势场法将空间环境视为一个势场模型,目标点对机器人产生引力势场,障碍物对机器人产生斥力势场,机器人在两个势场的合力下向目标点运动。利用人工势场法对环境进行建模,只需考虑机器人、障碍物、起始点和目标点位置坐标。首先设置一个起点坐标,并将机器人置于点位置,然后设置障碍物个数和位置坐标,最后设置目标点位置坐标。目标点对机器人产生引力势场,障碍物对机器人产生斥力势场,所述引力势场和所述斥力势场构成人工势场环境模型。
步骤S2、设置所述人工势场环境模型的人工势场法相关参数(包括合势场强度相关参数)和遗传算法相关参数(包括编码参数),具体的参数设置如下:
人工势场法的相关参数设置。人工势场法的基本原理是把移动机器人在环境中的运动视为在虚拟的人工受力场的运动。机器人会受到来自目标点产生的引力势场和障碍物产生的斥力势场作用。引力势场中的参数有:引力势场比例系数Ka=40;斥力势场中的参数有:斥力势场比例系数Kr=60,障碍物影响距离d0=4;在遇到局部极小值时需要引入虚拟目标点,设置虚拟势场比例系数Kc=13,虚拟目标点与局部极小点的选取距离ds=4,机器人与目标点之间的评判距离ρa=0.1。
遗传算法的相关参数设置。首先设置种群规模m=80,终止进化代数g=20,编码参数确定,分别为机器人下一步移动的方向角θ和步长L,两个参数均采用7位二进制字符进行编码,故而染色体上基因总长度为14,种群的生成方式为利用随机数发生器生成m个二进制序列个体构成初始种群,同时确定适应度函数fitness(i)为合势场强度的倒数,最后设置种群的交叉概率Pc=0.65,变异概率Pm=0.10。
步骤S3、根据合势场强度相关参数计算得到合势场强度,选择合势场强度的倒数作为遗传算法的适应度函数,并根据所述适应度函数计算出适应度函数值;所述适应度函数的选择过程如下:
S301:机器人在人工势场中会受到障碍物产生的斥力势场和目标点产生的引力势场,先要计算出这两个的值才能算出总的合势场强度值。首先根据机器人的位置坐标,计算出当前机器人到各个障碍物的距离d(j)以及到目标点的距离Pg(X,Xg),其中Pg(X,Xg)=|X-Xg|,d(j)=|X-Xo(j)|,然后根据势场函数的公式,计算出机器人在虚拟势场中受到的引力势场强度和斥力势场强度,其中引力势场函数为:
其中,Uatt(X)为目标点对机器人的引力场强度,X为机器人的位置坐标,Xg为机器人的目标点位置坐标,Ka为引力势场比例系数;
通过引力势场函数公式计算出该点的引力势场强度,接着计算出斥力势场强度。对传统的斥力势场函数进行改进,改进后的斥力势场函数公式如下:
其中,Urep(X)为障碍物对机器人的斥力场强度,d(j)表示机器人和第j个障碍物之间的距离,d0为障碍物的影响距离,X为机器人的位置坐标,Xg为机器人的目标点位置坐标,Kr为斥力势场比例系数;最后计算出合势场强度,则合势场强度为:
其中,Utotal(X)为合势场强度,Urep(X)为障碍物对机器人的斥力场强度,Uatt(X)为目标点对机器人的引力场强度;
S302:得到合势场强度后,由于传统人工势场法存在局部极小值问题,为了解决局部极小问题,引入一个虚拟目标点来引导机器人远离局部极小区域。
在建立虚拟目标点之前,根据图1所述,还需要判断机器人是否陷入局部极小值区域。局部极小点的判断准则如下:当陷入局部极小值点时,机器人会在在一点停留或者在一个小的范围来回走动,根据这个特点,可以很快得出局部极小点的判断准则。首先设定一个阈值a,当机器人第n1步位置与第n2步位置之间的距离小于这个阈值时,就可以认为机器人陷入局部极小点。对于这个阈值a的选择,一般取步长的整数倍,此外n1和n2大小相差为3到10之间。
请参考图2,图2为本发明虚拟目标点的的建立示意图,其设定步骤如下:
首先计算出机器人到各个障碍物之间的距离Li,找到距离机器人距离最短的障碍物坐标,接着连接两点得到直线L1,同时在直线L1的垂直平分线L2上取一点作为虚拟坐标点,并且虚拟目标点距离L1的距离为d,d为大于0的常数。虚拟目标点的计算公式如下:
式中,(x1,y1)为机器人坐标,(x0,y0)为障碍物坐标,(x,y)为虚拟目标点坐标。在确定虚拟目标点后,为了使机器人更快离开局部极小点,选择高斯函数作为虚拟引力势场函数,具体如下:
其中,Kc、ds、σ为常数。根据高斯函数的特点,σ决定了曲线的尖锐程度,即虚拟引力势能下降的速度。ds决定了曲线的偏移量,在距离为ds的点处引力势能函数达到最大值。设局部极小点与虚拟目标点的距离为ds,则d=ds,即取势能函数的最大值,因为要让势能函数在局部极小点附近取最大值,这样才能快速逃离极小点,然后快速回到目标点。
得到新的合势场强度为:
S303:选择新合势场函数的倒数作为适应度函数,即适应度函数为:
fitness(i)=1/Ui。
将所述适应度函数引入遗传算法中,计算出种群中个体的适应度值。
根据所述个体的适应度值进行遗传,生成新的个体,从而更新种群。
S4、利用遗传算法对编码参数进行寻优,根据最优参数计算出机器人的路径点,最终在复杂的多障碍物的环境中得到一条平滑且安全性高的最优路径;
S401:根据所编码参数格式和长度,随机生成一个种群P(k),并设置进化计数器k=1;
S402:将种群中的每个个体由二进制转换成十进制,根据公式将由编码参数得到机器人的坐标点,具体的计算公式如下:
上式中的(x,y)表示当前机器人的所在的位置坐标,H1和H2表示将遗传算法中种群的个体由二进制转化成十进制得到的值,具体表示机器人的移动步长和移动方向,(xr,yr)表示机器人的下一步的位置坐标。
确定机器人位置坐标后,根据前面确定的适应度函数公式,就可以计算出种群中每个个体的适应度函数值fitness(i)。
S403:对种群P(k)执行选择操作得到Ps(k),选择采用比例选择算子,使个体按照与适应度值成正比的概率向下一代群体繁殖;
比例选择法的基本思想是种群中各个个体被选择的概率与其适应度大小成正比,个体的适应度越高,其被选中的概率就越大。由于该方法思想简单且容易实现,因此是遗传算法中最经常使用的选择方法。则种群中每个个体被选择的概率的计算公式如下:
式中,f表示种群大小,fitness(i)表示单个个体的适应度值,Pi表示个体被选择的概率。
S404:采用单点交叉法对种群Ps(k)进行交叉操作得到Pc(k),当满足交叉概率时在种群中随机选择两个个体进行交叉操作。具体的交叉操作如下:
利用随机函数随机性设置一个交叉点n1,接着再生成一个在0和1之间的随机数R1,并和交叉概率Pc进行比较,如果满足,则在个体编码串中,将交叉点前后的染色体部分进行染色体间的相互交叉对调,得到两个新的个体。
S405:对交叉操作得到的种群Pc(k)进行变异操作得到种群Pm(k)。具体的变异操作如下:
利用随机函数随机性设置一个变异点n2,接着再生成一个在0和1之间的随机数R2,将该随机数与变异概率Pm进行比较,如果满足条件,则对该点进行取反操作,即将该点值由0变为1或者由1变为0,否则该点值保持不变。
S406:根据种群Pm(k),更新种群,得到新一代种群P(k+1),k=k+1,判断k是否满足小于最大进化代数g,若满足,则转到步骤S403继续进化,否则转到下一步;
S407:当种群进化到最大进化代数g后,找出种群中的最优个体,根据公式将最优个体转换成机器人要移动的位置坐标,计算出该点和目标点的之间的距离Pg,看Pg是否满足小于评判距离ρa,如果满足,则算法结束,路径规划完成;否则转至步骤S402,继续规划下一步。
为验证本方法的正确性和合理性,运用Matlab软件对该算法进行仿真,并与传统人工势场法进行比较。传统人工势场法的基本参数如下:引力势场系数Ka=40,斥力势场系数Kr=60,障碍物影响距离d0=4;改进算法中的参数设置如下:引力势场系数Ka=40,斥力势场系数Kr=60,虚拟势场系数Kc=13,种群规模m为80,交叉概率Pc=0.65,变异概率Pm=0.10,最大进化代数为g=20,评判距离ρa=0.1,实验结果请参考图3-图7,具体说明如下:
请参考图3和图6,图3为为本发明移动机器人路径规划方法的路径轨迹图,图6为传统人工势场法路径规划轨迹图。从图3中可知,采用本发明所用的方法,机器人不仅可以顺利到达目标点,而且路径曲线也比较平滑,没有出现震荡情况,而图6采用的传统人工势场的方法,虽然也可以顺利规划出完整路径,但是由于有些障碍物之间的距离较近,机器人的路径出现了局部震荡,同时规划路径的路径也比较长,以及算法迭代的步数也更多,因此可以看出本发明所用算法的优越性;
请参考图4,图4为本发明所用遗传算法的的适应度曲线进化图。本发明所用方法将遗传算法引入人工势场路径规划中,从适应度进化曲线可以看出改进算法的适应度值的波动性较小,呈阶梯状上升,会一直向最优方向进化,具有很好的寻优能力,说明了引入遗传算法的正确性。
请参考图5和图7,图5为本发明机器人路径规划方法中机器人受到的合力大小和方向变化图,图7为为传统人工势场法中机器人受到的合力大小和方向变化图。从两图的对比可以看出,传统势场法的合力大小和方向变化比较剧烈和频繁,改进算法中的合力大小和方向变化比较平滑,不会发生突变,有利于机器人更好地适应实际工作环境。
表1两种算法独立运行5次的结果比较
以上仅为独立运行一次仿真结果的对比,为消除随机性等各种偶然因素对算法的影响,对两种算法均独立运行5次,其统计结果记录于表1(两种算法独立运行5次的结果比较)。通过对比可以得出结论:使用改进算法的路径规划效率明显优于传统人工势场法,从路径长度来看,改进算法的路径长度虽然有一点变化,但变化幅度很小,其路径长度远比传统势场法的路径长度更短;同时其迭代次数也远少于传统势场法,说明路径规划的效率更高,质量更好。
实施上述技术方案后,本发明产生了以下有益效果:
1.通过引入虚拟目标点解决传统势场法中存在的局部极小问题,同时选择高斯函数作为虚拟势场函数,加快机器人逃离局部极小区域的速度;
2.将遗传算法和人工势场法结合起来进行路径寻优,并选择合势场函数作为适应度函数,提高了路径规划的质量和效率。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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 (5)
1.一种基于遗传算法和改进人工势场法的机器人路径规划方法,其特征在于,所述机器人路径规划方法包括以下步骤:
利用人工势场法对移动机器人的工作区域进行环境建模,获得人工势场环境模型;
设置所述人工势场环境模型的合势场强度参数和遗传算法的编码参数;
根据所述合势场强度参数计算得到合势场强度,选择所述合势场强度的倒数作为遗传算法的适应度函数,并根据适应度函数计算适应度函数值;
利用遗传算法的适应度函数值对所述遗传算法的编码参数进行寻优,获得最优参数,根据所述最优参数计算机器人的路径点,获得最优路径。
2.如权利要求1所述的基于遗传算法和改进人工势场法的机器人路径规划方法,其特征在于,所述利用人工势场法对移动机器人的工作区域进行环境建模,获得人工势场环境模型,具体包括:
设置一个起点坐标,并将机器人置于所述起点坐标位置,设置障碍物个数和障碍物位置坐标,设置目标点位置坐标;
所述障碍物对所述机器人产生斥力场,所述目标点对所述机器人产生引力场,所述斥力场和所述引力场共同构成人工势场环境模型。
3.如权利要求1所述的基于遗传算法和改进人工势场法的机器人路径规划方法,其特征在于,所述设置人工势场环境模型的合势场强度参数和遗传算法的编码参数,具体包括:
所述合势场强度参数包括:引力势场比例系数Ka,斥力势场比例系数Kr,虚拟势场比例系数Kc,障碍物影响距离d0,机器人与目标点之间的评判距离ρa;
所述遗传算法的编码参数包括机器人下一步移动的方向角θ和步长L。
4.如权利要求1所述的基于遗传算法和改进人工势场法的机器人路径规划方法,其特征在于,所述根据合势场强度参数计算得到合势场强度,选择所述合势场强度的倒数作为遗传算法的适应度函数,并根据适应度函数计算适应度函数值,具体包括:
根据势场函数的公式,计算得到机器人在虚拟势场中受到的引力势场强度和斥力势场强度,其中引力势场函数公式为:
其中,Uatt(X)为目标点对机器人的引力场强度,X为机器人的位置坐标,Xg为机器人的目标点位置坐标,Ka为引力势场比例系数;
对传统斥力势场函数进行改进,得到新的斥力势场函数公式为:
其中,Urep(X)为障碍物对机器人的斥力场强度,d(j)表示机器人和第j个障碍物之间的距离,d0为障碍物的影响距离,X为机器人的位置坐标,Xg为机器人的目标点位置坐标,Kr为斥力势场比例系数;
根据所述斥力场强度和所述引力场强度,计算得到合势场强度为:
Utotal(X)=Urep(X)+Uatt(X),
其中,Utotal(X)为合势场强度,Urep(X)为障碍物对机器人的斥力场强度,Uatt(X)为目标点对机器人的引力场强度;
引入一个虚拟目标点来引导机器人远离局部极小区域,得到新的合势场强度为:
选择新的合势场函数的倒数作为适应度函数,即适应度函数为:
fitness(i)=1/Ui,
将所述适应度函数引入遗传算法中,计算种群中个体的适应度函数值。
5.如权利要求1所述的基于遗传算法和改进人工势场法的机器人路径规划方法,其特征在于,所述利用遗传算法的适应度函数值对所述遗传算法的编码参数进行寻优,获得最优参数,根据所述最优参数计算机器人的路径点,获得最优路径,具体包括:
S401、根据所述编码参数的格式和长度,随机生成一个初始种群,并设置进化计数器初始值k=1;
S402、计算种群中每个个体的适应度函数值;
S403、根据所述适应度函数值对种群进行选择、交叉和变异,得到新一代种群;
S404、令k=k+1;判断k是否小于最大进化代数g,若满足,则转到步骤S403继续进化,否则进入步骤S405;
S405、找出种群中的最优个体,将最优个体转换成机器人要移动的位置坐标,计算出该点和目标点的之间的距离Pg,判断Pg是否小于评判距离ρa,如果满足,路径规划完成,获得最优路径;否则转至步骤S402,继续规划下一步路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011483873.4A CN112596525B (zh) | 2020-12-16 | 2020-12-16 | 基于遗传算法和改进人工势场法的机器人路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011483873.4A CN112596525B (zh) | 2020-12-16 | 2020-12-16 | 基于遗传算法和改进人工势场法的机器人路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112596525A true CN112596525A (zh) | 2021-04-02 |
CN112596525B CN112596525B (zh) | 2022-03-29 |
Family
ID=75196446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011483873.4A Expired - Fee Related CN112596525B (zh) | 2020-12-16 | 2020-12-16 | 基于遗传算法和改进人工势场法的机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112596525B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113155146A (zh) * | 2021-05-07 | 2021-07-23 | 金陵科技学院 | 基于改进的藤壶繁殖优化算法的机器人多目标路径规划 |
CN113805597A (zh) * | 2021-09-28 | 2021-12-17 | 福州大学 | 基于粒子群算法的障碍物自我保护人工势场法局部路径规划方法 |
CN114046791A (zh) * | 2021-11-02 | 2022-02-15 | 天津城建大学 | 基于分层监测域和自适应人工势场法的车辆路径规划方法 |
CN114643581A (zh) * | 2022-04-20 | 2022-06-21 | 安徽大学 | 基于改进人工势场法的双机械臂避碰轨迹规划方法及系统 |
CN114779821A (zh) * | 2022-05-25 | 2022-07-22 | 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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20190361452A1 (en) * | 2018-05-22 | 2019-11-28 | King Fahd University Of Petroleum And Minerals | Method and system for controlling a vehicle |
CN111694357A (zh) * | 2020-06-19 | 2020-09-22 | 国网福建省电力有限公司福州供电公司 | 基于遗传算法和人工势场法的机器人行走路径规划方法 |
-
2020
- 2020-12-16 CN CN202011483873.4A patent/CN112596525B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20190361452A1 (en) * | 2018-05-22 | 2019-11-28 | King Fahd University Of Petroleum And Minerals | Method and system for controlling a vehicle |
CN111694357A (zh) * | 2020-06-19 | 2020-09-22 | 国网福建省电力有限公司福州供电公司 | 基于遗传算法和人工势场法的机器人行走路径规划方法 |
Non-Patent Citations (4)
Title |
---|
乔莎莎等: "基于遗传算法和人工势场法的路径规划", 《现代电子技术》 * |
侯翔: "基于人工势场和量子遗传算法的移动机器人路径规划方法", 《计算机应用与软件》 * |
段建民等: "基于改进人工势场-遗传算法的路径规划算法研究", 《国外电子测量技术》 * |
罗乾又等: "改进人工势场法在机器人路径规划中的应用", 《计算机工程与设计》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113155146A (zh) * | 2021-05-07 | 2021-07-23 | 金陵科技学院 | 基于改进的藤壶繁殖优化算法的机器人多目标路径规划 |
CN113155146B (zh) * | 2021-05-07 | 2022-05-20 | 金陵科技学院 | 基于改进的藤壶繁殖优化算法的机器人多目标路径规划 |
CN113805597A (zh) * | 2021-09-28 | 2021-12-17 | 福州大学 | 基于粒子群算法的障碍物自我保护人工势场法局部路径规划方法 |
CN114046791A (zh) * | 2021-11-02 | 2022-02-15 | 天津城建大学 | 基于分层监测域和自适应人工势场法的车辆路径规划方法 |
CN114046791B (zh) * | 2021-11-02 | 2023-11-21 | 天津城建大学 | 基于分层监测域和自适应人工势场法的车辆路径规划方法 |
CN114643581A (zh) * | 2022-04-20 | 2022-06-21 | 安徽大学 | 基于改进人工势场法的双机械臂避碰轨迹规划方法及系统 |
CN114643581B (zh) * | 2022-04-20 | 2024-01-19 | 安徽大学 | 基于改进人工势场法的双机械臂避碰轨迹规划方法及系统 |
CN114779821A (zh) * | 2022-05-25 | 2022-07-22 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN112596525B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112596525B (zh) | 基于遗传算法和改进人工势场法的机器人路径规划方法 | |
CN112327923B (zh) | 一种多无人机协同路径规划方法 | |
CN110794842A (zh) | 基于势场的强化学习路径规划算法 | |
CN111337931B (zh) | 一种auv目标搜索方法 | |
CN108919641A (zh) | 一种基于改进樽海鞘算法的无人机航迹规划方法 | |
CN113867368B (zh) | 一种基于改进海鸥算法的机器人路径规划方法 | |
CN107186713B (zh) | 一种过路径点的机械臂多轴运动规划优化方法 | |
CN109932903A (zh) | 多父代优化网络和遗传算法的风机控制多目标优化方法 | |
Li et al. | A hybrid assembly sequence planning approach based on discrete particle swarm optimization and evolutionary direction operation | |
CN110162060B (zh) | 一种基于改进烟花爆炸算法的机器人路径规划方法 | |
CN105069220B (zh) | 基于bp神经网络免疫遗传算法的微生物发酵优化方法 | |
CN113435025B (zh) | 一种结合多级优化模型的机器人高性能轨迹自动生成方法 | |
CN105976029B (zh) | 一种布谷鸟行为rna-ga的桥式吊车神经网络建模方法 | |
CN111046559A (zh) | 一种基于双层精英协同进化的多目标优化方法 | |
CN109784497A (zh) | 基于计算图进化的ai模型自动生成的方法 | |
Zhang et al. | Path planning of mobile robots based on genetic algorithm | |
Hawari et al. | Industry 4.0 with intelligent manufacturing 5G mobile robot based on genetic algorithm | |
CN103279796A (zh) | 一种优化遗传算法进化质量的方法 | |
CN117150680A (zh) | 一种基于深度学习和强化学习的翼型优化设计方法 | |
CN117387619A (zh) | 一种基于融合改进蚁群和遗传算法的路径规划方法 | |
CN111369038B (zh) | 一种基于遗传算法的多目标动态调度方法 | |
CN113406957B (zh) | 基于免疫深度强化学习的移动机器人自主导航方法 | |
CN115826591A (zh) | 一种基于神经网络估计路径代价的多目标点路径规划方法 | |
CN113156931B (zh) | 给含有离子-人工蜂群算法的移动机器人配置路径的方法 | |
CN107831781B (zh) | 一种机器鱼运动的控制方法及系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220329 |
|
CF01 | Termination of patent right due to non-payment of annual fee |