CN112947480A - 一种移动机器人路径规划方法、存储介质及系统 - Google Patents

Abstract

本发明涉及一种移动机器人路径规划方法，其包括建立路径规划环境模型；对路径个体进行编码；进行精英种群初始化；确定适应度函数；进行遗传操作；执行遗传精英策略，输出路径规划。本发明还提供一种存储介质及一种移动机器人路径规划系统，本发明提供的移动机器人路径规划方法、存储介质及系统可在具有回形结构的复杂地图成功规划出最优路径，且运行时间较双向RRT算法更短。

Description

一种移动机器人路径规划方法、存储介质及系统

技术领域

本发明涉及城市环境识别领域，尤其涉及一种移动机器人路径规划方法、存储介质及系统。

背景技术

随着智能化社会的不断发展，移动机器人作为一个热点问题也被人们不断地进行研究，而机器人的路径规划问题也水到渠成的被学者进行研究。所谓路径规划就是指在存在有障碍物的空间内，机器人从起点移动到终点，并且不与障碍物发生碰撞，同时其运动轨迹要符合最优路径的要求。

目前对路径规划的方法研究已经有很多，如A*算法，蚁群算法,人工势能法，快速随机树算法RRT等,这些算法都有其自身的优缺点，在某一方面某种算法会比较适用，但是又有搜索空间大，计算复杂，局部最优等不足。

现阶段，大多数学者在研究遗传算法时是直接对遗传算法选择、交叉、变异等操作进行改进，在一般地图下，这种改进是适用的，且取得了较好的成效，当环境较为复杂时，这些算法就会失效。

发明内容

有鉴于此，本发明提供一种移动机器人路径规划方法、存储介质及系统解决道路环境识别的问题。

为了达到上述目的，本发明解决技术问题的技术方案是提供一种移动机器人路径规划方法，其包括：建立路径规划环境模型；对路径个体进行编码；进行精英种群初始化；确定适应度函数；进行遗传操作；执行遗传精英策略，输出路径规划。

进一步，所述执行遗传精英策略，输出路径规划之后，还包括进行仿真分析，验证输出的路径规划。

进一步，所述建立路径规划环境模型为，借助栅格地图在matlab中进行环境建模。

进一步，所述对路径个体进行编码为采用序号编码。

进一步，采用双向RRT算法，且加入目标偏向策略，进行所述精英种群初始化。

进一步，所述确定适应度函数时加入了机器人运行过程中路径角度大小的影响，同时考虑障碍物的数量，从而保证规划出的路径具有一定的平滑度且尽量避开障碍物。

进一步，所述遗传操作包括选择，交叉，变异三种运算。

进一步，所述精英策略为将当代种群执行完遗传操作之后计算下一代适应度值，接着将下一代种群的适应度最高的个体在遗传操作之前直接复制，替换下一代中个体适应度最差的，保证种群的数量不变。

本发明还提供一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行移动机器人路径规划方法。

本发明还提供一种移动机器人路径规划系统，所述移动机器人路径规划系统包括处理器及存储器，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，实现移动机器人路径规划方法。

与现有技术相比，本发明所提供的移动机器人路径规划方法、存储介质及系统具有以下有益效果：

通过将双向RRT算法与遗传算法结合的改进遗传算法，能有效增加初始化种群的多样性，形成精英种群。适应度函数中加入角度控制和障碍物系数保证路径的平滑和最优，在具有回形结构的复杂地图成功规划出最优路径，且运行时间较双向RRT算法更短。

附图说明

图1为本发明提供的一种移动机器人路径规划方法的步骤流程图；

图2为本发明提供的一种移动机器人路径规划方法的原理示意图；

图3为本发明提供的一种移动机器人路径规划方法中建立路径规划环境模型的示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参阅图1-3，本发明还提供一种移动机器人路径规划方法，其包括步骤：

S1，建立路径规划环境模型；

具体的，在进行路径规划时，首先要建立合适的环境模型，在本实施例中，借助栅格地图在matlab中进行环境建模，在机器人运行过程中，定义：障碍物的大小是固定不变，位置不发生变化且已知；机器人在二维平面空间进行规划，忽略障碍物的高度问题；在规划时可以把机器人看做质点处理。

如图3所示，以一个具体例子作为说明，在图3中，定义白色区域为自由栅格，相应的黑色区域为障碍物不可行。在进行路径规划时，要在白色自由区域中规划处合理的运行路径。用0表示自由区域，1表示障碍区域。在构建栅格地图时，以最左下面的栅格为原点建立坐标系，这样因此每一个栅格可以用(y,x)的坐标形式表示，y代表栅格所在的行，x代表栅格所在的列。同时建立栅格序号，比如左下角第一个栅格可以表示为(1,1)，其序号就表示为0，坐标为(1,2)序号就表示为1，……，依此类推，坐标(20,20)其序号为399。以左下角(1,1)点为起始点，右上角(20，20)点为终止点。在n*n的栅格地图中，栅格序号N和坐标(x，y)的转换公式为：

其中int为取整，mod为求余。

S2，对路径个体进行编码；

具体的，传统的遗传算法的种群初始化时使用单一的初始化方法计算出来的，种群结构比较单一，若初始化种群的不可行路径较多，很大可能会陷入局部最优。由于RRT算法在绝大多数环境下都能规划出一条路径，将RRT算法规划出的路径作为一部分初始化的种群可以满足种群多样性的要求，避免陷入局部最优，使得在复杂环境的情况下本文算法同样适用。由于标准遗传算法的适应度函数没有考虑路径的平滑度，这就会使得算法规划出的路径不够平滑，导致机器人在运行过程中随意转换运行角度从而影响运行的平稳度，因此，改进初始适应度函数，在其中加入转角的影响因素，同时加入精英策略，可以有效地保持机器人运行的平稳且加快算法收敛速度。

移动机器人的路径规划问题的个体是指机器人从起始点移动到终止点所运行路径，其中每一个可行的路径都代表一个个体，对机器人运行的每一条可行路径进行编码。标准遗传算法采用二进制的方法，假设机器人从起始点运行到终止点的路径表示为：

(0，0)→(1,1)→(3，4)→(7，6)→(10，9)→(12，12)→(15,16)→(18,19)→(20,20)

则用二进制编码表示为：

(0000,0000)→(0001,0001)→(0011,0100)……

采用序号编码则为：

0→1→43→106→……→399

可以理解，从上述编码可看出，采用序号编码简单，方便，优于二进制编码。

S3，进行精英种群初始化；

具体的，传统的遗传算法在初始化种群时是随机选择的，这会导致产生不可行路径，从而影响算法的收敛。为了解决此问题，引入一种参考的初始化种群的方式，首先随机在栅格地图的每一行选择一个非障碍物的栅格，从而形成一条间断的路径，接着要判断间断的路径上的每一个栅格是否一一相邻，相邻的判断如下：

D＝max{abs(x₂-x₁),abs(y₂-y₁)} (2)

若D＝1,则相邻，否则，不相邻。若不相邻则在两节点中插入中点，中点坐标求解方式如下：

定义横坐标在x_f～x_c，纵坐标y_f～y_c之间的栅格定义为中点栅格，在中点栅格中随机选择一个自由节点作为连接节点，若中点栅格全是障碍栅格，也要从障碍栅格中随机选择一点使得路径连续，为了减小障碍物出现的几率，提高路径的可行性，需要在适应度函数中添加障碍惩罚。

上述初始化种群的方式具有局限性，由于在选择连接节点的时候只考虑两个或者四个栅格，当其全为障碍物栅格时，初始化的种群可能全部经过障碍栅格，导致难以出现可行路径。在此基础上，将部分初始化的种群替换为RRT算法规划出的路径。

RRT算法，即快速扩展随机树，由Lavalle于1998年提出，是一种多维空间的高效规划方式。通过随机采样，将搜索扩展至自由区域，从而搜索到一条从起点到终点的路径，尤其适合复杂环境下的路径规划。本实施例采用双向RRT算法，且加入目标偏向策略，从起点和终点同时进行采样，可大大缩短规划路径所需的时间。

S4，确定适应度函数；

具体的，适应度函数是遗传算法中比较重要的把一个环节，传统的遗传算法中的适应度函数仅仅考虑了最短路径，忽略了机器人运行过程中转角的影响，这就使得规划出的路径有时候会出现转角过小(此时路径平滑度较低)从而无法保证运行平稳度。因此本发明提出的遗传算法加入了机器人运行过程中路径角度大小的影响，同时考虑障碍物的数量，从而保证规划出的路径具有一定的平滑度且尽量避开障碍物，满足机器人动力学和运动学的要求。首先适应度函数的第一部分是与规划出的路径长度有关，且要不经过障碍物，由于机器人运行过程中是从点到点运动的，运行的总路径长度为：

其中：(x_i，y_i)为节点i，i+1的坐标，end为节点数。

其中：BarrierNum为障碍物个数；λ_i为第i个栅格的栅格值。

因此，计算适应度函数第一部分可以表示为：

其中a为权重因子。

适应度函数的第二部分与运行中的角度有关，假设机器人某一时刻运行到(x_i,y_i)点，下一时刻运行到(x_i+1,y_i+1)点，再下一时刻运行到(x_i+2,y_i+2)点，则在第二个点时运行的角度可以表示为：

p²＝(x_i+2-x_i+1)²+(y_i+2-y_i+1)² (9)

q²＝(x_i+2-x_i)²+(y_i+2-y_i)² (10)

ang的值有平角，钝角，直角和锐角四种情况，其中平角为一条直线，平滑度最好，分别对除了平角的三种情况给予惩罚，当为钝角时，惩罚为5；直角时，惩罚为50；锐角惩罚为inf。因此适应度函数的第二部分可以表示为：

其中b为权重因子。

综合上面两个方面，适应度函数表示为：

fit＝f₁+f₂ (13)

S5，进行遗传操作；

具体的，遗传操作一般包括选择，交叉，变异三种运算，首先进行选择操作，选择操作主要是用来选择出交叉或重组的个体，为了更好地保证优良个体可以遗传到下一代，以保证进化过程朝着更好的方向发展，选择方法采用简单的基于概率的轮盘赌法。轮盘赌的方式保证了非最优个体也有一定的概率被选中，可以有效的防止算法陷入局部最优解。

交叉操作就是在种群中随机选择两个个体，并随机分割，然后进行重组从而得到两个新的个体。首先在(0,1)区间内产生一个随机数，与交叉概率p_c进行比较，若小于p_c则进行交叉操作。一般交叉分为单点交叉和多点交叉，本发明采用单点交叉，其交叉方式为先找出两条路径中所有相同的点(除去起始点和终止点)，在其中随机选择一个相同的点作为交叉点，交换交叉点以后的片段。若没有重合点，则不交叉，交叉过程表示为：

Parent1 0→21→62→106→120→…→399

β交叉点

Parent2 0→35→79→106→132→…→399

交叉后的结果为：

Child1 0→21→62→106→132→…→399

Child1 0→35→79→106→120→…→399

变异操作是为了避免算法的局部最优化，改变种群的染色体基因从而使得种群的多样性更加丰富，首先在(0,1)区间内产生一个随机数，与交叉概率p_m进行比较，若小于p_m则进行交叉操作。变异操作的具体步骤为：首次随机选取某条路径中除去起始点和终止点的任意两个栅格，然后除去这两个栅格中的所有路径，接着以这两个栅格为起始点和终止点进行路径的初始化，若无法产生连续的路径，则重新选择，直至完成变异操作。

S6，执行遗传精英策略，输出路径规划；

具体的，精英策略就是把适应度最好的个体保留到下一代种群的方式，其目的就是为了防止当前种群的最优个体在下一代丢失，导致算法不能收敛至全局最优解。本发明具体操作为将当代种群执行完遗传操作之后计算下一代适应度值，接着将下一代种群的适应度最高的个体在遗传操作之前直接复制，替换下一代中个体适应度最差的，保证种群的数量不变，继而输出路径规划。

进一步的，在步骤S6之后，还包括步骤：

S7，进行仿真分析，验证输出的路径规划；

具体的，执行精英策略后，采用MATLAB 2016a在20*20的栅格模型下对参考的遗传算法、双向RRT算法和本文改进的遗传算法分别进行仿真实验。其中，参考的遗传算法主要参数设置为：种群数量NP＝60,交叉概率p_c＝0.7，变异概率p_m＝0.3，权重因子a＝3，b＝2，最大进化次数为60次。本发明的遗传算法主要参数设置为：种群数量NP＝60，交叉概率p_c＝0.7，变异概率p_m＝0.3,权重因子a＝3，b＝2，最大进化次数为60次。为了避免实验仿真的偶然性，分别运行三种算法在三种地图各50次。

运行50次的三种算法在三种地图的平均路径如表1：

表1三种算法平均路径对比

	地图1	地图2	地图3
				参考	29.56	——	——
双向RRT	33.81	39.10	127.03
				本发明算法	29.21	35.07	118.28

运行50次的三种算法在三种地图的平均运行时间如表2：

表2三种算法平均运行时间对比

	地图1	地图2	地图3
				参考	0.856	——	——
双向RRT	1.98	1.77	7.12
				本发明算法	0.91	0.94	1.11

仿真结果可以看出，在地图一环境下运行时，参考的遗传算法和本发明算法规划出的路径最短长度相同，且运行时间相差不多，但本发明算法规划出最短路径的成功率较参考的遗传算法高。与双向RRT算法相比，本发明算法运行时间更短，规划出的路径更优。

在具有复杂结构的地图中，参考的遗传算法规划失败，这是由于其在种群初始化时预先选取每一行的自由栅格，这就使得在接下来连接的过程无法避免的经过障碍栅格。而使用精英种群测量的本发明算法在初始化种群时，一部分种群是可行的，这就使得在后续的交叉变异中这一部分被保留了下来，从而成功规划，且较双向RRT算法规划所需时间更短，路径更优。

可以理解，参考的遗传算法为刘志海,薛媛,周晨等。基于遗传算法的机器人路径规划的种群初始化改进[J]。机床与液压,2019,047(021):5-8。中的算法

本发明还提供一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述方法步骤。存储介质可以包括如软盘、光盘、DVD、硬盘、闪存、U盘、CF卡、SD卡、MMC卡、SM卡、记忆棒(Memory Stick)、XD卡等。

计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可以是个人计算机设备、服务器或其他网络设备等)用以执行本发明方法的全部或部分步骤。

本发明还提供一种移动机器人路径规划系统，移动机器人路径规划系统包括处理器和存储器,存储器上存储有计算机程序，计算机程序被处理器执行时，实现移动机器人路径规划方法。

与现有技术相比，本发明所提供的移动机器人路径规划方法、存储介质及系统具有以下有益效果：

通过将双向RRT算法与遗传算法结合的改进遗传算法，能有效增加初始化种群的多样性，形成精英种群。适应度函数中加入角度控制和障碍物系数保证路径的平滑和最优，在具有回形结构的复杂地图成功规划出最优路径，且运行时间较双向RRT算法更短。

以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明的保护范围内。

Claims (10)

1.一种移动机器人路径规划方法，其特征在于，包括：

建立路径规划环境模型；

对路径个体进行编码；

进行精英种群初始化；

确定适应度函数；

进行遗传操作；

执行遗传精英策略，输出路径规划。

2.如权利要求1所述的一种移动机器人路径规划方法，其特征在于：

所述执行遗传精英策略，输出路径规划之后，还包括进行仿真分析，验证输出的路径规划。

3.如权利要求1所述的一种移动机器人路径规划方法，其特征在于：

所述建立路径规划环境模型为，借助栅格地图在matlab中进行环境建模。

4.如权利要求1所述的一种移动机器人路径规划方法，其特征在于：

所述对路径个体进行编码为采用序号编码。

5.如权利要求1所述的一种移动机器人路径规划方法，其特征在于：

采用双向RRT算法，且加入目标偏向策略，进行所述精英种群初始化。

6.如权利要求1所述的一种移动机器人路径规划方法，其特征在于：

所述确定适应度函数时加入了机器人运行过程中路径角度大小的影响，同时考虑障碍物的数量，从而保证规划出的路径具有一定的平滑度且尽量避开障碍物。

7.如权利要求1所述的一种移动机器人路径规划方法，其特征在于：

所述遗传操作包括选择，交叉，变异三种运算。

8.如权利要求1所述的一种移动机器人路径规划方法，其特征在于：

所述精英策略为将当代种群执行完遗传操作之后计算下一代适应度值，接着将下一代种群的适应度最高的个体在遗传操作之前直接复制，替换下一代中个体适应度最差的，保证种群的数量不变。

9.一种存储介质，其特征在于：

所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1-8中任一项中所述的移动机器人路径规划方法。

10.一种移动机器人路径规划系统，其特征在于：

所述移动机器人路径规划系统包括处理器及存储器，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，实现如权利要求1-8任一项所述的移动机器人路径规划方法。

Images