CN113703450B - 基于平滑因素改进蚁群算法的移动机器人路径规划方法 - Google Patents

Abstract

本发明公开了基于平滑因素改进蚁群算法的移动机器人路径规划方法，根据栅格法构建移动机器人运动环境地图，参考起点和终点的方向信息，结合转向角度，改进启发式信息。通过改进启发式信息，增加搜索的方向性，减少机器人的转向角度。考虑二维路径的平滑性，引入新的路径评价函数，对有效路径进行信息素差异化更新，同时对信息素浓度进行限制，避免陷入局部最优。本实施例提供的技术方案能够获得更好的最优路径，收敛速度更快，转角次数更少，路径更加平滑，降低了移动机器人的能耗损失，使其安全、快速地移动到目标点。

Description

基于平滑因素改进蚁群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，尤其是基于平滑因素改进蚁群算法的移动机器人路径规划方法。

背景技术

随着移动机器人的飞速发展，路径规划问题成为移动机器人研究领域的基础与核心。移动机器人路径规划技术是机器人在复杂的环境中，按照一定的评价标准，如路线最短、转向最少、耗能最少等，寻找一条从起点到终点的最优或次优的无碰撞路径。

近年来，国内外许多研究人员采用仿生智能优化算法解决路径规划问题，这些仿生智能优化算法主要包括蚁群算法、遗传算法、粒子群算法、免疫算法、模拟退火算法以及各算法之间的组合优化算法等。其中，蚁群算法因其具有良好的寻优能力、较强的鲁棒性等优点，广泛应用于移动机器人路径规划问题中。

传统蚁群算法运用于机器人的路径规划具有良好的寻优能力，但还是存在算法精度不高，后期收敛速度慢、易于陷入局部最优的问题。且在机器人寻找下一步移动节点时存在转弯角度过大，规划的整条路径转弯次数过多、路径平滑性较差，导致机器人运行时间增长、能耗增加等问题。

发明内容

为了克服上述现有技术中的缺陷，本发明提供基于平滑因素改进蚁群算法的移动机器人路径规划方法，能够解决现有技术中收敛速度慢、易陷入局部最优、转角过大、弯次数过多、路径平滑性差等问题。

为实现上述目的，本发明采用以下技术方案，包括：

基于平滑因素改进蚁群算法的移动机器人路径规划方法，包括以下步骤：

S1，环境建模；

采用栅格法对机器人的运动空间进行环境建模，利用栅格坐标表示机器人的起点位置、终点位置；

S2，采用改进蚁群算法寻找环境最优路径，具体如下所示：

S21，初始化蚁群算法中的参数，包括设置栅格的初始信息素浓度、蚁群算法的迭代次数、蚂蚁的数量、启发式因子、信息素因子以及信息素的挥发系数；

S22，蚁群算法的本次迭代中，将M只蚂蚁放置于机器人起点位置，将起点位置加入禁忌表中；

S23，根据各个蚂蚁的当前栅格的位置，结合转向角度和方向信息，对于各个蚂蚁，分别计算蚂蚁从当前栅格到下一栅格集合中的各个栅格的启发式信息；

与当前栅格相邻的各个栅格构成下一栅格集合，且下一栅格集合中不包括禁忌表中的栅格；

S24，根据蚂蚁从当前栅格到下一栅格集合中的各个栅格的启发式信息，以及根据当前栅格到下一栅格集合中的各个栅格的信息素浓度，计算蚂蚁从当前栅格转移到下一栅格集合中的各个栅格的概率；根据蚂蚁从当前栅格转移到下一栅格集合中的各个栅格的概率，确定下一栅格；并将当前栅格加入到禁忌表中，更新禁忌表；

S25，按照步骤S23和步骤S24的方式，确定各个蚂蚁的路径，即，在各个蚂蚁的行走过程中，依次确定从当前栅格所转移至的下一栅格，形成各个蚂蚁的路径；

判断所有的蚂蚁是否均到达终点位置；若是，记录每只蚂蚁走过的路径、路径长度以及转弯次数；若否，则返回步骤S22继续执行；

S26，根据各个蚂蚁走过的路径、路径长度以及转弯次数，对各个蚂蚁走过的路径分别进行评价，评价出最优路径，并对各个蚂蚁走过的路径中从当前栅格到下一栅格的信息素增量进行计算；

S27，根据各个蚂蚁走过的路径中从当前栅格到下一栅格的信息素增量，对当前栅格到下一栅格集合中的各个栅格的信息素浓度进行更新；

S28，判断是否完成预设的迭代次数，若是，则输出步骤S26所评价出的最优路径；若否，则返回步骤S22，并根据步骤S27所更新得到的当前栅格到下一栅格集合中的各个栅格的信息素浓度，继续执行蚁群算法的下一次迭代；

S3，将步骤S2输出的最优路径作为移动机器人规划的最优路径。

步骤S23中，第m只蚂蚁在t时刻从栅格i即当前栅格到栅格j即下一栅格集合中的栅格的启发式信息的计算方式，如下所示：

公式1、2、3中，

表示第m只蚂蚁在t时刻从栅格i到栅格j的转向角度；m＝1,2,3…M；

表示第m只蚂蚁在t时刻从栅格p即前一栅格到栅格i的转向标号；/>表示第m只蚂蚁在t时刻从栅格i到栅格j的转向标号；

表示第m只蚂蚁在t时刻从栅格i到栅格j的方向信息，引导蚂蚁向终点方向的邻接栅格移动；

d_ij表示栅格i到栅格j的距离；d_ig表示栅格i到栅格g即终点栅格的距离；d_jg表示栅格j到终点栅格g的距离；

表示第m只蚂蚁在t时刻从栅格i到栅格j的启发式信息。

步骤S24中，第m只蚂蚁在t时刻从当前栅格即栅格i到下一栅格集合中的栅格即栅格j的概率的计算方式，如下所示：

公式4中，τ_ij(t)表示t时刻从栅格i到栅格j的信息素浓度；表示第m只蚂蚁在t时刻从栅格i到栅格j的启发式信息；参数α为信息素因子，参数β为启发式因子；allowed_m表示t时刻位于栅格i的第m只蚂蚁的下一栅格集合；τ_is(t)表示t时刻从栅格i到栅格s的信息素浓度；/>表示第m只蚂蚁在t时刻从栅格i到栅格s的启发式信息；s∈allowed_m；/>表示第m只蚂蚁在t时刻从栅格i到栅格j的概率；m＝1,2,3…M。

步骤S24中，根据蚂蚁从当前栅格转移到下一栅格集合中的各个栅格的概率，通过轮盘赌法确定蚂蚁所转移的下一栅格。

步骤S26中，利用路径评价函数S_m对蚂蚁走过的路径进行评价，路径评价函数S_m如下所示：

S_m＝xL_m+yT_m 公式5

公式5中，S_m为第m只蚂蚁走过的路径的评价函数，且评价函数S_m的值越小，所对应的路径越优；L_m为第m只蚂蚁走过的该路径的路径长度；T_m为第m只蚂蚁走过的该路径上的转弯次数；x和y分别为路径长度L_m和转弯次数T_m的调节系数；m＝1,2,3…M；

第m只蚂蚁从栅格i到栅格j的信息素增量的计算方式，如下所示：

公式6中，Q表示信息素强度，为常量；visited_m表示蚂蚁走过的路径的栅格集合；(i,j)∈visited_m表示栅格i和栅格j分别为蚂蚁走过的路径中的当前栅格和下一栅格；表示第m只蚂蚁从栅格i到栅格j的信息素增量。

步骤S27中，栅格i到栅格j的信息素浓度的更新方式如下所示：

τ_ij(t+1)＝(1-ρ)·τ_ij(t)+Δτ_ij； 公式8

公式7、8中，Δτ_ij表示从栅格i到栅格j的信息素总增量；表示在第m只蚂蚁从栅格i到栅格j的信息素增量；ρ表示信息素发挥系数，ρ∈(0,1)；τ_ij(t)表示t时刻从栅格i到栅格j的信息素浓度；τ_ij(t+1)表示更新后得到的t+1时刻从栅格i到栅格j的信息素浓度；m＝1,2,3…M。

对当前时刻即t时刻从栅格i到栅格j的信息素浓度进行限制，具体方式如下所示：

公式9中，τ_max和τ_min分别为信息素浓度的上限值和下限值。

步骤S1中，将障碍物位置也用栅格坐标进行表示；在步骤S22中，还将障碍物位置加入禁忌表中。

本发明的优点在于：

(1)本发明根据栅格法构建移动机器人运动环境地图，参考起点和终点的方向信息，结合转向角度，改进启发式信息。通过改进启发式信息，增加搜索的方向性，减少机器人的转向角度。

(2)本发明考虑二维路径的平滑性，引入新的路径评价函数，对有效路径进行信息素差异化更新，同时对信息素浓度进行限制，避免陷入局部最优。

(3)本发明提供的技术方案能够获得更好的最优路径，收敛速度更快，转角次数更少，路径更加平滑，降低了移动机器人的能耗损失，使其安全、快速地移动到目标点。另外，在实施例中通过仿真实验证明了本发明技术方案的可行性和的有效性。

附图说明

图1为本发明的方法流程图。

图2为本实施例中的栅格环境地图的示意图。

图3为本实施例中蚂蚁搜索方向的转向标号示意图。

图4为20×20环境中利用传统蚁群算法规划的路径结果示意图。

图5为20×20环境中传统蚁群算法的收敛曲线和转弯次数示意图。

图6为20×20环境中利用改进蚁群算法规划的路径结果示意图。

图7为20×20环境中改进蚁群算法的收敛曲线和转弯次数示意图。

图8为30×30环境中利用传统蚁群算法规划的路径结果示意图。

图9为30×30环境中传统蚁群算法的收敛曲线和转弯次数示意图。

图10为30×30环境中利用改进蚁群算法规划的路径结果示意图。

图11为30×30环境中改进蚁群算法的收敛曲线和转弯次数示意图。

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、完整地描述，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他实施例，都属于本发明保护的范围。

本发明提供了一种基于平滑因素改进蚁群算法的移动机器人路径规划方法，根据栅格法构建移动机器人运动环境地图，参考起点和终点的方向信息，结合转向角度，改进启发式信息。通过改进启发式信息，增加搜索的方向性，减少机器人的转向角度。考虑二维路径的平滑性，引入新的路径评价函数，对有效路径进行信息素差异化更新，同时对信息素浓度进行限制，避免陷入局部最优。本实施例提供的技术方案能够获得更好的最优路径，收敛速度更快，转角次数更少，路径更加平滑，降低了移动机器人的能耗损失，使其安全、快速地移动到目标点。

如图1所示，本发明提供了一种基于平滑因素改进蚁群算法的移动机器人路径规划方法，其实现方法如下：

S1，环境建模，采用栅格法对机器人的运动空间进行环境建模，利用栅格坐标表示机器人的起点位置、终点位置以及障碍物位置。

在本实施例中，使用栅格法建立环境地图可以有效表示环境局部特征，首先，对环境中的障碍物进行膨胀化处理，即只要栅格被障碍物触及，则该栅格按障碍物处理。如图2所示，其中白色栅格为自由栅格，表示可通行区域，黑色栅格为障碍物栅格，表示障碍物区域，移动机器人不可通行。机器人的移动可以看作从当前栅格的中心向下一个栅格中心的转移，可转移的栅格为当前栅格邻接的八个方向的栅格，八个邻接栅格转向标号如图3所示。另外，栅格尺寸可以根据机器人尺寸或者工作精度要求确定。

S2，采用改进蚁群算法寻找环境最优路径，所述改进蚁群算法包含以下步骤：

S21、初始化蚁群算法中的参数，初始化参数包括设置栅格的初始信息素浓度、蚁群算法的迭代次数、蚂蚁的数量、启发式因子、信息素因子以及信息素的挥发系数；

S22，蚁群算法的本次迭代中，将M只蚂蚁放置于机器人起点位置，将起点位置和障碍物位置加入禁忌表中；

S23，根据各个蚂蚁的当前栅格的位置，对于各个蚂蚁，结合转向角度和方向信息，以及根据公式1、2、3，分别计算蚂蚁从当前栅格即栅格i到下一栅格集合中的各个栅格的启发式信息；其中，与当前栅格相邻的各个栅格构成下一栅格集合，且下一栅格集合中不包括禁忌表中的栅格；

其中，第m只蚂蚁在t时刻从栅格i即当前栅格到栅格j即下一栅格集合中的栅格的启发式信息的计算方式，如下所示：

公式1、2、3中，

表示第m只蚂蚁在t时刻从栅格i到栅格j的转向角度，指引蚂蚁选择转向角度小的路径；m＝1,2,3…M；

表示第m只蚂蚁在t时刻从前一栅格p到当前栅格i的转向标号；/>表示第m只蚂蚁在t时刻从当前栅格i到栅格j的转向标号；

表示第m只蚂蚁在t时刻从栅格i到栅格j的方向信息，引导蚂蚁向终点方向的邻接栅格移动；

d_ij表示当前栅格i到栅格j的距离；d_ig表示当前栅格i到终点栅格g的距离；d_jg表示栅格j到终点栅格g的距离；

表示第m只蚂蚁在t时刻从栅格i到栅格j的启发式信息；当/>且时，启发式信息/>为最大，表示此时即t时刻下机器人没有转向且以最优路径向终点移动；

S24，路径选择；

根据公式4计算蚂蚁从当前栅格转移到下一栅格集合中的各个栅格的概率，通过轮盘赌法选择下一个栅格，并将当前栅格加入到禁忌表中，更新禁忌表；

其中，第m只蚂蚁在t时刻从当前栅格即栅格i到下一栅格集合中的栅格即栅格j的概率的计算方式，如下所示：

公式4中，表示第m只蚂蚁在t时刻从栅格i到栅格j的概率；τ_ij(t)表示t时刻从栅格i到栅格j的信息素浓度；/>表示第m只蚂蚁在t时刻从栅格i到栅格j的启发式信息，即表示蚂蚁从栅格i到栅格j的期望程度；参数α为信息素因子，参数β为启发式因子，分别表示信息素浓度和启发式信息的相对重要程度；τ_is(t)表示t时刻从栅格i到栅格s的信息素浓度；/>表示第m只蚂蚁在t时刻从栅格i到栅格s的启发式信息；s∈allowed_m；allowed_m表示t时刻位于栅格i的第m只蚂蚁的下一栅格集合；与当前栅格相邻的各个栅格构成下一栅格集合，且下一栅格集合中不包括禁忌表中的栅格；

轮盘赌法具体如下所示：

蚁群算法中为了保证蚂蚁选择路径的随机性，在选择路径时概率大的路径被选择的概率大，但同时概率小的路径也有可能被选中，而不是直接选择概率大的路径，这样就不会所有的蚂蚁到这里都做出同样的选择，导致算法失去随机性。为了避免算法失去随机性，在选择路径时使用轮盘赌的方法来选择。将蚂蚁从当前栅格转移到下一栅格集合中的各个栅格的概率看作是轮盘的一个扇面，旋转轮盘，指针停在哪一个扇面上就选择对应概率的栅格，作为蚂蚁所转移的下一栅格，通过使用一个[0，1]之间的随机数来模拟指针停止时指向的扇面。从而保证概率大的路径被选择的概率大同时概率小的路径也有可能被选中。

S25，按照步骤S23和步骤S24的方式，确定各个蚂蚁的路径，即，在各个蚂蚁的行走过程中，依次确定从当前栅格所转移至的下一栅格的位置，形成各个蚂蚁的路径；

判断所有的蚂蚁即M只蚂蚁是否均到达目标栅格；若是，记录每只蚂蚁走过的路径、路径长度以及转弯次数；若否，则返回步骤S22继续执行；

S26，计算路径评价函数和信息素增量；

根据公式5计算路径评价函数，并根据公式6计算信息素增量：

S_m＝xL_m+yT_m 公式5

公式5、6中，S_m为第m只蚂蚁走过的路径的评价函数，根据该评价函数S_m进行信息素分配，评价函数越小，该路径越优，该路径上释放的信息素量也越多，从而吸引更多的蚂蚁向该路径进行搜索；L_m为第m只蚂蚁走过的该路径的路径长度；T_m为第m只蚂蚁走过的该路径上的转弯次数，T_m用于表征路径的平滑性，T_m越小，路径的平滑性越好；x和y分别为路径长度L_m和转弯次数T_m的调节系数，根据需要的路径性质适当取值；表示第m只蚂蚁从栅格i到栅格j的信息素增量；Q表示信息素强度，为常量；visited_m表示蚂蚁走过的路径的栅格集合；(i,j)∈visited_m表示栅格i和栅格j分别为蚂蚁走过的路径中的当前栅格和下一栅格。

S27，更新信息素浓度；

将所有蚂蚁均完成一次路径搜索，根据公式7、8对蚂蚁走过的路径上的栅格i到栅格j的信息素浓度进行更新，同时利用公式9对信息素浓度进行限制；

τ_ij(t+1)＝(1-ρ)·τ_ij(t)+Δτ_ij； 公式8

公式7、8、9中，Δτ_ij表示本次迭代中从栅格i到栅格j的信息素总增量；表示在本次迭代中第m只蚂蚁从栅格i到栅格j的信息素增量；ρ表示信息素发挥系数，ρ∈(0,1)；τ_ij(t)表示t时刻从栅格i到栅格j的信息素浓度；τ_ij(t+1)表示更新后得到的下一时刻即t+1时刻从栅格i到栅格j的信息素浓度；τ_max和τ_min分别为信息素浓度的上限值和下限值。

S28，判断是否完成预设的迭代次数，若是，则输出最优路径，即输出该评价函数为最小值时所对应的路径，从而完成移动机器人的路径规划；若否，则返回步骤S22继续执行蚁群算法的下一次迭代。

S3，将步骤S2输出的最优路径作为移动机器人规划的最优路径。

本发明的效果可以通过以下仿真实验进一步说明：

为验证本发明方法的正确性和合理性，运用Matlab编程语言，在20×20的栅格环境模型下对本发明方法进行仿真，并与传统蚁群算法进行比较。算法的主要参数：信息素因子α＝1，启发式因子β＝6，信息素挥发系数ρ＝0.1，信息素强度Q＝10，路径长度的调节系数x＝1，转弯次数的调节系数y＝1，蚂蚁数量M＝50，最大迭代次数NC_max＝300。机器人的起点A位于栅格地图的左上角，终点G位于栅格地图的右下角。

如图4～图7所示，在20×20的栅格环境中，传统蚁群算法和本发明方法都能够搜索到最优的路径，但是结合图4与图6所示，传统蚁群算法在进行路径规划时，只考虑了路径长度因素，没有考虑路径的转弯次数，规划出的路径平滑性较差，导致机器人在移动较短距离时就要进行多次转向。而本发明考虑二维路径的平滑性，引入新的路径评价函数，对有效路径进行信息素差异化更新，降低了路径的转弯次数，规划出的路径较为平滑。

为进一步验证本发明提出的改进蚁群算法的可靠性，将栅格地图扩大为30×30，障碍物增多，再次进行仿真。

如图8和图10所示，当栅格地图规模扩大并且障碍物增多时，传统蚁群算法无法很好地适应该类较为复杂环境的全局路径规划，其规划出的最优路径长度分别为50.8，而本发明方法仍然可以很好地执行，寻得的最优路径为49.6，有效缩短了路径长度。结合图9所示，传统蚁群算法需要约84次迭代才可以收敛到最优解得到最优路径，且该最优路径的转弯次数为9次。结合图11所示，本发明方法只需要约72次迭代，且该最优路径的转弯次数为5次。

通过对比仿真可以得出结论：使用本发明的基于平滑因素改进蚁群算法的路径规划方法效率明显优于传统蚁群算法，规划出的路径转角次数更少，路径更加平滑，降低了移动机器人的能耗损失，使其安全、快速地移动到目标点。

以上仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明创造的保护范围之内。

Claims (7)

1.基于平滑因素改进蚁群算法的移动机器人路径规划方法，其特征在于，包括以下步骤：

S1，环境建模；

采用栅格法对机器人的运动空间进行环境建模，利用栅格坐标表示机器人的起点位置、终点位置；

S2，采用改进蚁群算法寻找环境最优路径，具体如下所示：

S21，初始化蚁群算法中的参数，包括设置栅格的初始信息素浓度、蚁群算法的迭代次数、蚂蚁的数量、启发式因子、信息素因子以及信息素的挥发系数；

S22，蚁群算法的本次迭代中，将M只蚂蚁放置于机器人起点位置，将起点位置加入禁忌表中；

S23，根据各个蚂蚁的当前栅格的位置，结合转向角度和方向信息，对于各个蚂蚁，分别计算蚂蚁从当前栅格到下一栅格集合中的各个栅格的启发式信息；

与当前栅格相邻的各个栅格构成下一栅格集合，且下一栅格集合中不包括禁忌表中的栅格；

S24，根据蚂蚁从当前栅格到下一栅格集合中的各个栅格的启发式信息，以及根据当前栅格到下一栅格集合中的各个栅格的信息素浓度，计算蚂蚁从当前栅格转移到下一栅格集合中的各个栅格的概率；根据蚂蚁从当前栅格转移到下一栅格集合中的各个栅格的概率，确定下一栅格；并将当前栅格加入到禁忌表中，更新禁忌表；

S25，按照步骤S23和步骤S24的方式，确定各个蚂蚁的路径，即，在各个蚂蚁的行走过程中，依次确定从当前栅格所转移至的下一栅格，形成各个蚂蚁的路径；

判断所有的蚂蚁是否均到达终点位置；若是，记录每只蚂蚁走过的路径、路径长度以及转弯次数；若否，则返回步骤S22继续执行；

S26，根据各个蚂蚁走过的路径、路径长度以及转弯次数，对各个蚂蚁走过的路径分别进行评价，评价出最优路径，并对各个蚂蚁走过的路径中从当前栅格到下一栅格的信息素增量进行计算；

S27，根据各个蚂蚁走过的路径中从当前栅格到下一栅格的信息素增量，对当前栅格到下一栅格集合中的各个栅格的信息素浓度进行更新；

S28，判断是否完成预设的迭代次数，若是，则输出步骤S26所评价出的最优路径；若否，则返回步骤S22，并根据步骤S27所更新得到的当前栅格到下一栅格集合中的各个栅格的信息素浓度，继续执行蚁群算法的下一次迭代；

S3，将步骤S2输出的最优路径作为移动机器人规划的最优路径；

步骤S23中，第m只蚂蚁在t时刻从栅格i即当前栅格到栅格j即下一栅格集合中的栅格的启发式信息的计算方式，如下所示：

公式1、2、3中，

表示第m只蚂蚁在t时刻从栅格i到栅格j的转向角度；m＝1,2,3…M；

表示第m只蚂蚁在t时刻从栅格p即前一栅格到栅格i的转向标号；/>表示第m只蚂蚁在t时刻从栅格i到栅格j的转向标号；

表示第m只蚂蚁在t时刻从栅格i到栅格j的方向信息，引导蚂蚁向终点方向的邻接栅格移动；

d_ij表示栅格i到栅格j的距离；d_ig表示栅格i到栅格g即终点栅格的距离；

表示第m只蚂蚁在t时刻从栅格i到栅格j的启发式信息。

2.根据权利要求1所述的基于平滑因素改进蚁群算法的移动机器人路径规划方法，其特征在于，步骤S24中，第m只蚂蚁在t时刻从当前栅格即栅格i到下一栅格集合中的栅格即栅格j的概率的计算方式，如下所示：

公式4中，τ_ij(t)表示t时刻从栅格i到栅格j的信息素浓度；表示第m只蚂蚁在t时刻从栅格i到栅格j的启发式信息；参数α为信息素因子，参数β为启发式因子；allowed_m表示t时刻位于栅格i的第m只蚂蚁的下一栅格集合；τ_is(t)表示t时刻从栅格i到栅格s的信息素浓度；/>表示第m只蚂蚁在t时刻从栅格i到栅格s的启发式信息；s∈allowed_m；/>表示第m只蚂蚁在t时刻从栅格i到栅格j的概率；m＝1,2,3…M。

3.根据权利要求1或2所述的基于平滑因素改进蚁群算法的移动机器人路径规划方法，其特征在于，步骤S24中，根据蚂蚁从当前栅格转移到下一栅格集合中的各个栅格的概率，通过轮盘赌法确定蚂蚁所转移的下一栅格。

4.根据权利要求1所述的基于平滑因素改进蚁群算法的移动机器人路径规划方法，其特征在于，步骤S26中，利用路径评价函数S_m对蚂蚁走过的路径进行评价，路径评价函数S_m如下所示：

S_m＝xL_m+yT_m 公式5

公式5中，S_m为第m只蚂蚁走过的路径的评价函数，且评价函数S_m的值越小，所对应的路径越优；L_m为第m只蚂蚁走过的该路径的路径长度；T_m为第m只蚂蚁走过的该路径上的转弯次数；x和y分别为路径长度L_m和转弯次数T_m的调节系数；m＝1,2,3…M；

第m只蚂蚁从栅格i到栅格j的信息素增量的计算方式，如下所示：

公式6中，Q表示信息素强度，为常量；visited_m表示蚂蚁走过的路径的栅格集合；(i,j)∈visited_m表示栅格i和栅格j分别为蚂蚁走过的路径中的当前栅格和下一栅格；表示第m只蚂蚁从栅格i到栅格j的信息素增量。

5.根据权利要求1所述的基于平滑因素改进蚁群算法的移动机器人路径规划方法，其特征在于，步骤S27中，栅格i到栅格j的信息素浓度的更新方式如下所示：

τ_ij(t+1)＝(1-ρ)·τ_ij(t)+Δτ_ij； 公式8

公式7、8中，Δτ_ij表示从栅格i到栅格j的信息素总增量；表示在第m只蚂蚁从栅格i到栅格j的信息素增量；ρ表示信息素的挥发系数，ρ∈(0,1)；τ_ij(t)表示t时刻从栅格i到栅格j的信息素浓度；τ_ij(t+1)表示更新后得到的t+1时刻从栅格i到栅格j的信息素浓度；m＝1,2,3…M。

6.根据权利要求5所述的基于平滑因素改进蚁群算法的移动机器人路径规划方法，其特征在于，对当前时刻即t时刻从栅格i到栅格j的信息素浓度进行限制，具体方式如下所示：

公式9中，τ_max和τ_min分别为信息素浓度的上限值和下限值。

7.根据权利要求1所述的基于平滑因素改进蚁群算法的移动机器人路径规划方法，其特征在于，步骤S1中，将障碍物位置也用栅格坐标进行表示；在步骤S22中，还将障碍物位置加入禁忌表中。