CN113219991B - 一种基于改进acs算法的移动机器人路径规划方法 - Google Patents

一种基于改进acs算法的移动机器人路径规划方法 Download PDF

Info

Publication number
CN113219991B
CN113219991B CN202110614628.0A CN202110614628A CN113219991B CN 113219991 B CN113219991 B CN 113219991B CN 202110614628 A CN202110614628 A CN 202110614628A CN 113219991 B CN113219991 B CN 113219991B
Authority
CN
China
Prior art keywords
path
node
algorithm
ant
mobile robot
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
CN202110614628.0A
Other languages
English (en)
Other versions
CN113219991A (zh
Inventor
马小陆
梅宏
谭毅波
王兵
唐得志
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.)
Anhui University of Technology AHUT
Original Assignee
Anhui University of Technology AHUT
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 Anhui University of Technology AHUT filed Critical Anhui University of Technology AHUT
Priority to CN202110614628.0A priority Critical patent/CN113219991B/zh
Publication of CN113219991A publication Critical patent/CN113219991A/zh
Application granted granted Critical
Publication of CN113219991B publication Critical patent/CN113219991B/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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • 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
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • 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)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Optics & Photonics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提供了一种基于改进ACS算法的移动机器人路径规划方法，涉及机器人路径规划技术领域，包括：在栅格地图中指定移动机器人的初始节点和目标节点；根据ACS算法进行路径规划，为移动机器人路径规划初期提供一个算法平台，在ACS算法中利用对初始信息素浓度的更新，改进对初始信息素浓度的分配规则，降低了算法初期蚁群寻路的盲目性，引入蚁群引力规则，有效解决ACS算法在路径搜索过程中蚁群寻路盲目性较大，从而导致算法收敛速度慢的情况，提出了路径平滑处理方案，提升算法规划路径的平滑性，本发明提供的方法优于ACS算法，使得移动机器人行走更加平滑，运行时间更少、工作效率更高。

Description

一种基于改进ACS算法的移动机器人路径规划方法
技术领域
本发明涉及机器人路径规划技术领域，具体为一种基于改进ACS算法的移动机器人路径规划方法。
背景技术
现如今，路径规划问题是移动机器人研究的重点对象之一，是指移动机器人依据现有信息规划出一条能使其从起始位置安全到达目标位置，且满足各项性能指标的完整路径。传统路径规划算法有Dijkstra算法、A*算法、人工势场法等，随着移动该机器人工作空间复杂度的提升，逐渐涌现出一系列的智能仿生算法，如遗传算法、粒子群算法、人工蜂群算法等。
蚂蚁系统(Ant System,AS)是由意大利学者Dorigo于1992年提出的一种模拟自然界中蚂蚁觅食行为的仿生算法。虽然AS算法已经能够有效解决移动机器人路径规划问题，但是依旧存在收敛速度慢、易陷入局部最优等问题，因此Dorigo等学者于1997年提出了蚁群系统(Ant Colony System，ACS)，ACS算法具有并行性、强鲁棒、易实现等优点，可以有效解决移动机器人路径规划问题，但是ACS算法仍存在寻路速度慢、易陷入局部最优、路径不平滑等问题。基于此，本发明设计了一种基于改进ACS算法的移动机器人路径规划方法，以解决上述问题。
发明内容
针对ACS算法收敛速度慢、易陷入局部最优和路径转折点数量过多等问题，本发明在ACS算法的基础上提出了一种基于改进ACS算法的移动机器人路径规划方法,即引力蚁群系统(Gravitational Search Ant Colony System,GSACS)算法。
为实现上述目的，本发明提供如下技术方案：一种基于改进ACS算法的移动机器人路径规划方法，其特征在于：包括如下步骤：
S1：移动机器人通过激光雷达、摄像头传感器或者超声波传感器对周围环境信息进行获取，将工作环境分割成尺寸一致的栅格，由各种信息决定的栅格分辨率代表移动机器人周围环境的精确程度，当有障碍物出现时表示为黑色，无障碍物出现时表示为白色，然后在栅格地图中指定移动机器人的初始节点和目标节点；
S2：根据ACS算法进行路径规划，为移动机器人路径规划初期提供一个算法平台；
S3：在ACS算法中利用对初始信息素浓度的更新，改进对初始信息素浓度的分配规则，降低了算法初期蚁群寻路的盲目性；
S4：引入蚁群引力规则，有效解决ACS算法在路径搜索过程中蚁群寻路盲目性较大，从而导致算法收敛速度慢的情况；
S5：针对当前路线图存在的转折点数量过多的情况提出了路径平滑处理方案，提升算法规划路径的平滑性，使得移动机器人行走更加平滑，运行时间更少、工作效率更高。
优选的，根据ACS算法进行路径规划，在ACS算法中，若在t时刻蚂蚁k当前位置为节点i，到达下一目标节点j的状态转移概率为pij k(t)，如下所示：
Figure BDA0003097575660000021
其中，α为信息启发式因子；β为期望启发式因子；allowedk为蚂蚁k可以行走邻节点的集合；ηij β(t)为节点i到节点j的启发信息，其公式如下所示：
Figure BDA0003097575660000022
局部信息素浓度更新公式为：
τij(t+1)＝(1-ζ)τij(t)+ζτ0
全局信息素浓度更新公式为：
τij(t+n)＝(1-ρ)τij(t)+ρΔτij
Figure BDA0003097575660000031
其中，ζ为局部信息素浓度挥发系数；τ0为路径<i,j>上的初始信息素浓度值；ρ为全局信息素浓度挥发系数；Δτij k(t)为路径<i,j>上的信息素浓度增量；Lk表示第k只蚂蚁搜索到的路径长度。
优选的，简化ACS算法完成路径搜索后，将会更新此路径上的全局信息素浓度，其余节点上的该浓度不变。信息素更新公式为：
τ(Lacs)＝ωτ0，ω＞1
其中，ω为初始信息素浓度增加系数。
优选的，引入蚁群引力规则，其具体数学表达式为：
Figure BDA0003097575660000032
其中，Mi(t)和Mj(t)分别表示t时刻下粒子i和粒子j的质量；ε为一个很小的常数；Rij(t)为t时刻下粒子i与j之间的欧几里得距离。
优选的，蚂蚁k搜索后续节点的启发信息由引力启发信息和距离启发信息组成，引力启发信息为蚂蚁k在栅格地图中所受到引力的合力，其公式为：
Figure BDA0003097575660000033
其中γ为常数；ak为蚂蚁k受到引力的合力而获得的加速度；θ为蚂蚁可移动节点和加速度ak方向的夹角。
优选的，引力启发信息将使蚁群逐渐聚集到一条路径上，虽然收敛速度更快，但是全局搜索能力较弱，且易出现局部最优解，故在启发信息中引入了加速度系数，其公式为：
Figure BDA0003097575660000034
其中，N为当前迭代次数；Nmax为最大迭代次数。
算法寻路初期，在加速度系数ξ的影响下，蚂蚁k的加速度为0，从而引力启发信息为1，此时完全由距离启发信息发挥作用。随着迭代次数的增大，引力启发信息将随之增大，从而加速度将逐渐对蚁群寻路产生影响。
由距离启发信息和引力启发信息可知，本发明提出的改进算法的启发信息ηij(t)公式为：
Figure BDA0003097575660000041
优选的，设优化蚁群算法当前获取到的最短路径为path＝{S,x1,···,xi,···,xp,G}，首先定义起始节点S为当前优化节点，并依据起始节点S和目标节点G获取过渡节点T，若路径<S,T,G>不与障碍物发生碰撞，则称该路径为合理路径；反之则称该路径为不合理路径，同时开始计算起始节点S和后续节点xp的过渡节点T1，并判断路径<S,T1,xp,G>是否为合理路径，若该路径为合理路径，则结束起始节点S的路径平滑，选取节点x1和目标节点G开始计算过渡节点，不断重复上述过程，直至选取的节点和目标节点重合，则说明此时已经完成了路径平滑性处理。
与现有技术相比，本发明的有益效果是：
本发明通过验证GSACS算法在不同栅格地图环境下的有效性和实用性，分别采用另外几组环境模型进行路径寻优实验，通过实验结果表明，GSACS算法在不同栅格地图环境下路径寻优的收敛速度、路径长度、收敛时间、转折点数量等，均要优于ACS算法，且随着环境复杂度的提升，GSACS算法的优越性越明显。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚的说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单的介绍，显而易见，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明GSACS算法流程图；
图2为本发明初始信息素分配图；
图3为本发明GSACS算法中移动机器人受力方向示意图；
图4为本发明GSACS算法中移动机器人受力分析图；
图5为本发明中ACS算法和GSACS算法的仿真结果对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1-3，本发明提供一种技术方案：一种基于改进ACS算法的移动机器人路径规划方法，其特征在于：包括如下步骤：
S1:将移动机器人工作空间的环境分割成尺寸一样的栅格，当栅格中存在障碍物信息时，为占据状态，记为白色；当栅格中无障碍物信息时，为空闲状态，记为黑色，以此来构建栅格地图，规划移动机器人的初始节点以及目标节点；
S2:根据ACS算法进行路径规划。在ACS算法中，若蚂蚁k在t时刻的当前位置为节点i，将根据伪随机比率规则计算出后续行走的节点j，其公式如下所示：
Figure BDA0003097575660000051
其中q0(q0∈[0,1])为常数；q(q∈[0,1])为随机数；若q≤q0，则按照上述公式筛选后续行走节点，若q＞q0，则按照pij k(t)选择后续行走节点。pij k(t)如下所示：
Figure BDA0003097575660000061
其中，α为信息启发式因子；β为期望启发式因子；allowedk为蚂蚁k可以行走邻节点的集合；ηij β(t)为节点i到节点j的启发信息，其公式如下所示：
Figure BDA0003097575660000062
当蚂蚁由节点i移动到节点j时，更新路径<i,j>上的局部信息素浓度，其公式如下所示：
τij(t+1)＝(1-ζ)τij(t)+ζτ0
其中，ζ为局部信息素浓度挥发系数；τ0为路径<i,j>上的初始信息素浓度值。
当所有蚂蚁完成一次迭代寻路时，则会更新当前最优路径上的全局信息素浓度，其公式如式所示：
τij(t+n)＝(1-ρ)τij(t)+ρΔτij
Figure BDA0003097575660000063
其中，ρ为全局信息素浓度挥发系数；Δτij k(t)为路径<i,j>上的信息素浓度增量；Lk表示第k只蚂蚁搜索到的路径长度。
S3：针对蚁群算法在收敛初期性能比较差，寻路时间比较长，本发明对初始信息素分配规则进行了改进，引入了简化ACS算法对初始信息素浓度重新分配，在算法寻路初期加入环境的先验知识，提高了算法前期的收敛速度。
蚂蚁在寻路时，将只在邻节点中筛选最大信息素和距离的节点，同时简化ACS算法将不进行局部信息素浓度更新，其转移公式如下式所示：
Figure BDA0003097575660000071
由于初始信息素浓度为均值，从而上述转移公式将促使蚂蚁在行走时，倾向于选择朝向目标节点的方向行走，由于缺少地图的先验知识，蚂蚁将易陷入“死锁”状态，即无后续可行走节点。
本发明针对以上问题采用了回溯法重新计算其父节点的后续可移动节点，并将当前节点放入禁忌表中。重复上述过程，直至蚂蚁搜索到目标节点，则说明此时简化ACS算法发现了一条完整路径。
简化ACS算法完成路径搜索后，将会更新此路径上的全局信息素浓度，其余节点上的该浓度不变。信息素更新公式如下所示：
τ(Lacs)＝ωτ0，ω＞1
其中，ω为初始信息素浓度增加系数。
如图2所示，黑色折线为简化ACS算法搜索到的一条完整路径，此时将更新灰色节点上的初始信息素浓度，其它节点上的初始信息素浓度不变。由蚁群的状态转移概率可知，蚁群更倾向于选择信息素浓度更高的节点行走，因此初始信息素浓度的不均匀分配将有效降低蚁群寻路的盲目性，提升算法的收敛速度。
S4：本发明将引进蚁群引力规则，传统ACS算法寻优过程中只受到信息素浓度和距离这两个因素的影响，迭代次数越多，最优路径上的信息素浓度越高，最终所有蚂蚁都将聚集到这条路径上，但是由于ACS算法的全局搜索能力较强，蚁群寻路盲目性较大，从而导致算法的收敛速度受到很大影响。针对上述问题，本发明引入了GSA搜索策略，提升了算法寻路时的收敛速度。
在GSA算法中，根据牛顿的万有引力定律可知：
Figure BDA0003097575660000081
其中，G为引力常数；m1和m2分别为两个物体的质量；r为两物体之间的距离。在t时刻，粒子i在第d维空间上受到粒子j的引力大小为
Figure BDA0003097575660000082
其公式如下：
Figure BDA0003097575660000083
其中，Mi(t)和Mj(t)分别表示t时刻下粒子i和粒子j的质量；ε为一个很小的常数；Rij(t)为t时刻下粒子i与j之间的欧几里得距离，其公式如下所示；G(t)为t时刻下的引力系数，其公式为：
Rij(t)＝||Xi(t),Xj(t)||2
G(t)＝G0·e-αt/T
其中，G0为初始时引力常数；α为一个常量；T为最大迭代次数。
本发明为了增强随机可能性，定义在t时刻，粒子Xi在k维空间中所受引力合力Fi k(t)等于周边所有粒子对其引力之和，Fi k(t)如下所示：
Figure BDA0003097575660000084
其中，rj(rj∈[0,1])为随机数。
在t时刻，粒子i在k维空间上的加速度
Figure BDA0003097575660000085
如下所示：
Figure BDA0003097575660000086
其中，Mi(t)为粒子i的惯性质量。
本发明提出了引力蚁群规则。在GSACS算法中，将蚂蚁视为粒子，蚂蚁k将对其它蚂蚁产生引力，同时蚂蚁k也将受到其它蚂蚁的引力影响，目标节点也将对所有蚂蚁产生引力影响。目标节点的惯性质量Mgoal(t)＝1。
惯性质量由蚁群的适应度函数值决定，本文定义蚂蚁k的适应度函数值fk(t)为当前位置距离目标节点的欧几里得距离，其公式如下式所示：
Figure BDA0003097575660000091
其中，(xk,yk)和(xg,yg)分别为蚂蚁k当前位置节点和目标节点的坐标。
蚂蚁k受到的引力Fk(t)为所有蚂蚁和目标节点对蚂蚁k的引力合力，其公式如下式所示：
Figure BDA0003097575660000092
其中，Fkj(t)为蚂蚁k受到蚂蚁j的引力；Fkgoal(t)为蚂蚁k受到目标节点的引力；rgoal(rgoal∈[0,1])为随机数。
蚂蚁k的加速度ak(t)公式为：
Figure BDA0003097575660000093
其中，Mk(t)为蚂蚁k的惯性质量。
如图3所示，Fkj为蚂蚁k受蚂蚁j的引力，Fkgoal为蚂蚁k受目标点的引力，矢量合力Fk为蚂蚁k向目标节点G行走的加速力。由于合力Fk的大小是由蚁群和目标节点共同决定的，从而可以有效避免蚁群陷入局部最优。
本发明将改进启发信息函数，在GSACS算法中，蚂蚁k搜索后续节点的启发信息由引力启发信息和距离启发信息组成。引力启发信息为蚂蚁k在栅格地图中所受到引力的合力，其公式为：
Figure BDA0003097575660000094
其中，γ为常数；ak为蚂蚁k受到引力的合力而获得的加速度；θ为蚂蚁可移动节点和加速度ak方向的夹角。
本发明发现引力启发信息在加速度和方向夹角的共同作用下，将使蚂蚁k更倾向于选择加速度更大的节点行走。引力启发信息将使蚁群逐渐聚集到一条路径上，虽然收敛速度更快，但是全局搜索能力较弱，且易出现局部最优解。针对上述问题，GSACS算法在启发信息中引入了加速度系数ξ，其公式为：
Figure BDA0003097575660000101
其中，N为当前迭代次数；Nmax为最大迭代次数。
算法寻路初期，在加速度系数ξ的影响下，蚂蚁k的加速度为0，从而引力启发信息为1，此时完全由距离启发信息发挥作用。随着迭代次数的增大，引力启发信息将随之增大，从而加速度将逐渐对蚁群寻路产生影响。
由距离启发信息和引力启发信息可知，本发明提出的改进算法的启发信息ηij(t)公式为：
Figure BDA0003097575660000102
蚂蚁k在栅格环境行走时，分别受到蚁群和目标节点对其的引力作用，本发明定义移动机器人在工作空间内可向周围8个方向移动。如图4所示，假设机器人当前两条可行路径分别为①和②，矢量合力Fk与两条可行路径的夹角θ1＜θ2，合力Fk与可行路径夹角越小，启发信息ηij(t)值越大，则该路径的转移概率越大，从而蚂蚁k选择路径①行走的概率也越大。
S5：本发明提出的GSACS算法是基于栅格地图的路径规划，由于算法只选择长度最短的路径作为最终路径，并不对路径转折点数量进行判断。蚁群在搜索后续节点时，仅由信息素浓度和启发信息决定，从而蚁群将更优于选择信息素更大、距离目标节点更近的节点作为后续节点，导致算法规划出的路径转折点数量过多。故本发明将在当前路径的基础之上，进行路径平滑处理，提升了ACS算法规划路径的平滑性，使得机器人行走更加平滑，运行时间更少、工作效率更高。本发明中设优化蚁群算法当前获取到的最短路径为path＝{S,x1,···,xi,···,xp,G}，其中S为起始节点；G为目标节点；xi为完整路径的中间节点。首先定义起始节点S为当前优化节点，并依据起始节点S和目标节点G获取过渡节点T，若路径<S,T,G>不与障碍物发生碰撞，则称该路径为合理路径；反之则称该路径为不合理路径，同时开始计算起始节点S和后续节点xp的过渡节点T1，并判断路径<S,T1,xp,G>是否为合理路径，若该路径为合理路径，则结束起始节点S的路径平滑，选取节点x1和目标节点G开始计算过渡节点，不断重复上述过程，直至选取的节点和目标节点重合，则说明此时已经完成了路径平滑性处理。
本发明提出的路径平滑处理，由仿真实验可以得知，平滑处理后路径的转折点数量更少、路径更加平滑，从而可以减少移动机器人导航时的转弯次数，使得移动机器人在工作环境中更加灵活的行驶，降低移动机器人运行时间及能耗的损失，提高工作效率。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (5)

1.一种基于改进ACS算法的移动机器人路径规划方法，其特征在于：包括如下步骤：
S1：在栅格地图中指定移动机器人的初始节点和目标节点；
S2：根据ACS算法进行路径规划，为移动机器人路径规划初期提供一个算法平台；
S3：在ACS算法中利用对初始信息素浓度的更新，改进对初始信息素浓度的分配规则，降低了算法初期蚁群寻路的盲目性；
简化ACS算法完成路径搜索后，将会更新此路径上的全局信息素浓度，其余节点上的该浓度不变。信息素更新公式为：
τ(Lacs)＝ωτ0，ω＞1
其中，ω为初始信息素浓度增加系数；
S4：引入蚁群引力规则，有效解决ACS算法在路径搜索过程中蚁群寻路盲目性较大，从而导致算法收敛速度慢的情况；
引入蚁群引力规则，其具体数学表达式为：
Figure FDA0003683824670000011
其中，Mi(t)和Mj(t)分别表示t时刻下粒子i和粒子j的质量；ε为一个很小的常数；Rij(t)为t时刻下粒子i与j之间的欧几里得距离；
S5：针对当前路线图存在的转折点数量过多的情况提出了路径平滑处理方案，提升算法规划路径的平滑性，使得移动机器人行走更加平滑，运行时间更少，工作效率更高。
2.如权利要求1所述的一种基于改进ACS算法的移动机器人路径规划方法，其特征在于：根据ACS算法进行路径规划，在ACS算法中，若在t时刻蚂蚁k当前位置为节点i，到达下一目标节点j的状态转移概率为pij k(t)，如下所示：
Figure FDA0003683824670000012
其中，α为信息启发式因子；β为期望启发式因子；allowedk为蚂蚁k可以行走邻节点的集合；ηij β(t)为节点i到节点j的启发信息。
3.如权利要求1所述的一种基于改进ACS算法的移动机器人路径规划方法，其特征在于：蚂蚁k搜索后续节点的启发信息由引力启发信息和距离启发信息组成，引力启发信息为蚂蚁k在栅格地图中所受到引力的合力，其公式为：
Figure FDA0003683824670000021
其中γ为常数；ak为蚂蚁k受到引力的合力而获得的加速度；θ为蚂蚁可移动节点和加速度ak方向的夹角。
4.如权利要求1所述的一种基于改进ACS算法的移动机器人路径规划方法，其特征在于：引力启发信息将使蚁群逐渐聚集到一条路径上，虽然收敛速度更快，但是全局搜索能力较弱，且易出现局部最优解，故在启发信息中引入了加速度系数，其公式为：
Figure FDA0003683824670000022
其中，N为当前迭代次数；Nmax为最大迭代次数；
算法寻路初期，在加速度系数ξ的影响下，蚂蚁k的加速度为0，从而引力启发信息为1，此时完全由距离启发信息发挥作用；随着迭代次数的增大，引力启发信息将随之增大，从而加速度将逐渐对蚁群寻路产生影响；
由距离启发信息和引力启发信息可知，改进算法的启发信息ηij(t)公式为：
Figure FDA0003683824670000023
。
5.如权利要求1所述的一种基于改进ACS算法的移动机器人路径规划方法，其特征在于：设优化蚁群算法当前获取到的最短路径为path＝{S,x1,···,xi,···,xp,G}，首先定义起始节点S为当前优化节点，并依据起始节点S和目标节点G获取过渡节点T，若路径<S,T,G>不与障碍物发生碰撞，则称该路径为合理路径；反之则称该路径为不合理路径，同时开始计算起始节点S和后续节点xp的过渡节点T1，并判断路径<S,T1,xp,G>是否为合理路径，若该路径为合理路径，则结束起始节点S的路径平滑，选取节点x1和目标节点G开始计算过渡节点，不断重复上述过程，直至选取的节点和目标节点重合，则说明此时已经完成了路径平滑性处理。
CN202110614628.0A 2021-06-02 2021-06-02 一种基于改进acs算法的移动机器人路径规划方法 Active CN113219991B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110614628.0A CN113219991B (zh) 2021-06-02 2021-06-02 一种基于改进acs算法的移动机器人路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110614628.0A CN113219991B (zh) 2021-06-02 2021-06-02 一种基于改进acs算法的移动机器人路径规划方法

Publications (2)

Publication Number Publication Date
CN113219991A CN113219991A (zh) 2021-08-06
CN113219991B true CN113219991B (zh) 2022-07-15

Family

ID=77082372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110614628.0A Active CN113219991B (zh) 2021-06-02 2021-06-02 一种基于改进acs算法的移动机器人路径规划方法

Country Status (1)

Country Link
CN (1) CN113219991B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113805584A (zh) * 2021-08-27 2021-12-17 上海擎朗智能科技有限公司 路径控制方法、机器人系统和计算机可读存储介质
CN113759927B (zh) * 2021-09-16 2023-09-05 重庆邮电大学 基于人工蜂群-自适应遗传算法的仓储机器人路径规划方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106225788A (zh) * 2016-08-16 2016-12-14 上海理工大学 基于路径拓展蚁群算法的机器人路径规划方法
CN107917711A (zh) * 2017-11-14 2018-04-17 重庆邮电大学 一种基于优化混合蚁群算法的机器人路径规划算法
CN109282815A (zh) * 2018-09-13 2019-01-29 天津西青区瑞博生物科技有限公司 一种动态环境下基于蚁群算法的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
CN111323016A (zh) * 2019-11-26 2020-06-23 广东工业大学 一种基于自适应蚁群算法的移动机器人路径规划方法
CN112650229A (zh) * 2020-12-15 2021-04-13 扬州大学 一种基于改进蚁群算法的移动机器人路径规划方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105511457B (zh) * 2014-09-25 2019-03-01 科沃斯机器人股份有限公司 机器人静态路径规划方法
CN106200650A (zh) * 2016-09-22 2016-12-07 江苏理工学院 基于改进蚁群算法的移动机器人路径规划方法及系统
CN110220525A (zh) * 2019-05-14 2019-09-10 昆明理工大学 一种基于势场蚁群算法的路径规划方法
CN111982125A (zh) * 2020-08-31 2020-11-24 长春工业大学 一种基于改进蚁群算法的路径规划方法
CN112230665A (zh) * 2020-10-29 2021-01-15 广西科技大学 一种基于aco的ros机器人全局路径优化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106225788A (zh) * 2016-08-16 2016-12-14 上海理工大学 基于路径拓展蚁群算法的机器人路径规划方法
CN107917711A (zh) * 2017-11-14 2018-04-17 重庆邮电大学 一种基于优化混合蚁群算法的机器人路径规划算法
CN109282815A (zh) * 2018-09-13 2019-01-29 天津西青区瑞博生物科技有限公司 一种动态环境下基于蚁群算法的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
CN111323016A (zh) * 2019-11-26 2020-06-23 广东工业大学 一种基于自适应蚁群算法的移动机器人路径规划方法
CN112650229A (zh) * 2020-12-15 2021-04-13 扬州大学 一种基于改进蚁群算法的移动机器人路径规划方法

Also Published As

Publication number Publication date
CN113219991A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN113219991B (zh) 一种基于改进acs算法的移动机器人路径规划方法
CN108036790B (zh) 一种障碍环境下基于蚁蜂算法的机器人路径规划方法及系统
CN111896006B (zh) 一种基于强化学习和启发式搜索的路径规划方法及系统
CN110928295A (zh) 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
CN109945881A (zh) 一种蚁群算法的移动机器人路径规划方法
WO2016045615A1 (zh) 机器人静态路径规划方法
CN107272679A (zh) 基于改进的蚁群算法的路径规划方法
CN105426992B (zh) 移动机器人旅行商优化方法
CN108919818B (zh) 基于混沌种群变异pio的航天器姿态轨道协同规划方法
CN112362066A (zh) 一种基于改进的深度强化学习的路径规划方法
CN112148008B (zh) 一种基于深度强化学习的实时无人机路径预测方法
CN112033403A (zh) 一种基于势场改进蚁群算法的无人机最优路径搜索方法
CN111784079A (zh) 一种基于人工势场和蚁群算法的无人机路径规划方法
CN111381600A (zh) 一种基于粒子群算法的uuv路径规划方法
CN114167865B (zh) 一种基于对抗生成网络与蚁群算法的机器人路径规划方法
CN114077256A (zh) 一种水上无人船路径规划方法
CN111695668A (zh) 一种基于反向学习的蚁群算法优化方法
CN114815801A (zh) 一种基于策略-价值网络及mcts的自适应环境路径规划方法
CN113778090A (zh) 基于蚁群优化和prm算法的移动机器人路径规划方法
CN117471919A (zh) 一种基于改进鹈鹕优化算法的机器人路径规划方法
Praveen et al. A survey on various optimization algorithms to solve vehicle routing problem
CN111290391A (zh) 一种基于独狼蚁群混合算法的移动机器人路径规划方法
CN117420824A (zh) 一种基于具有学习能力的智能蚁群算法的路径规划方法
CN116679710A (zh) 一种基于多任务学习的机器人避障策略训练与部署方法
CN110889531A (zh) 一种基于改进gsa-bp神经网络的风电预测方法及预测系统

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