CN113759921B - 可移动设备路径规划方法、装置与计算机可读存储介质 - Google Patents
可移动设备路径规划方法、装置与计算机可读存储介质 Download PDFInfo
- Publication number
- CN113759921B CN113759921B CN202111063131.0A CN202111063131A CN113759921B CN 113759921 B CN113759921 B CN 113759921B CN 202111063131 A CN202111063131 A CN 202111063131A CN 113759921 B CN113759921 B CN 113759921B
- Authority
- CN
- China
- Prior art keywords
- improved
- path
- algorithm
- pheromone
- swarm optimization
- 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 76
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 253
- 239000002245 particle Substances 0.000 claims abstract description 174
- 238000005457 optimization Methods 0.000 claims abstract description 97
- 239000003016 pheromone Substances 0.000 claims description 89
- 238000010276 construction Methods 0.000 claims description 19
- 230000007613 environmental effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000006872 improvement Effects 0.000 claims description 7
- 230000007547 defect Effects 0.000 abstract description 10
- 241000257303 Hymenoptera Species 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 230000013016 learning Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 230000009326 social learning Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000005070 ripening Effects 0.000 description 1
- 239000003620 semiochemical Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
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
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
-
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种可移动设备路径规划方法、装置与计算机可读存储介质。该方法包括获取路径规划的约束条件,约束条件包括可移动设备的环境信息、可移动设备的性能参数、起点位置和终点位置;对粒子群优化算法进行改进,得到改进粒子群优化算法;对蚁群算法进行改进,得到改进蚁群算法;基于约束条件,采用改进粒子群优化算法和改进蚁群算法,确定出最优路径。通过结合改进粒子群优化算法和改进蚁群算法,吸取了两种算法的优点,弥补了两种算法本身的不足,在不同障碍物比例环境下都有较好的表现,搜索速度快且求解精度高。且适用范围较广,不易受到工作环境场景的约束和可移动设备自身硬件条件的约束。具有更好的全局搜索能力。
Description
技术领域
本申请涉及路径规划领域,具体而言,涉及一种可移动设备路径规划方法、装置、计算机可读存储介质与处理器。
背景技术
可移动设备路径规划是智能控制技术领域中至关重要的研究方向,其目标是在具有障碍物的环境空间内,根据实际任务或工作需求搜索一条符合要求的无碰撞路径。可移动设备的智能导航技术,主要有三个主要难点:定位、确定行动路线及运动控制,行动路线的确定是可移动设备是否可以高效、顺利的达成预定目标的关键。因此,用来确定行动路线的智能算法对可移动设备行为的精准度和时效性起着决定性的作用,这种算法应简洁稳定,从而使可移动设备的工作效果随之更好。
行动路线的确定主要依靠路径规划智能算法,国内外研究人员针对可移动设备路径规划问题提出了很多智能算法或改进算法,但目前仍未有可以适应于所有工作环境场景的算法出现。由此,进行路径规划算法选择时必须充分考虑到实际因素和可移动设备自身硬件条件,选择满足任务需求且符合可移动设备自身性能的算法。
发明内容
本申请的主要目的在于提供一种可移动设备路径规划方法、装置、计算机可读存储介质与处理器,以解决现有技术中可移动设备路径规划算法的适用范围较窄的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种可移动设备路径规划方法,包括:获取路径规划的约束条件,所述约束条件包括可移动设备的环境信息、所述可移动设备的性能参数、起点位置和终点位置;对粒子群优化算法进行改进,得到改进粒子群优化算法;对蚁群算法进行改进,得到改进蚁群算法;基于所述约束条件,采用所述改进粒子群优化算法和所述改进蚁群算法,确定出最优路径。
可选地,基于所述约束条件,采用所述改进粒子群优化算法和所述改进蚁群算法,确定出最优路径,包括:基于所述约束条件,采用所述改进蚁群算法,确定第一预备最优路径的信息;将所述第一预备最优路径的信息,应用于所述改进粒子群优化算法中,确定出所述最优路径。
可选地,基于所述约束条件,采用所述改进粒子群优化算法和所述改进蚁群算法,确定出最优路径,包括:基于所述约束条件,采用所述改进粒子群优化算法,确定第二预备最优路径的信息;将所述第二预备最优路径的信息转换为所述改进蚁群算法的初始信息素;基于所述初始信息素,采用所述改进蚁群算法进行路径确定,得到所述最优路径。
可选地,基于所述约束条件,采用所述改进粒子群优化算法,确定第二预备最优路径,包括:初始化步骤:初始化所述改进粒子群优化算法的粒子速度和粒子位置;第一计算步骤:计算粒子个体最优解和群体全局最优解;第一更新步骤:根据所述粒子个体最优解和所述群体全局最优解,更新所述粒子速度和所述粒子位置;第一判断步骤,判断是否达到第一最大迭代次数,若是,输出所述第二预备最优路径,若否,返回至所述第一计算步骤,依次执行所述第一计算步骤、所述第一更新步骤和所述第一判断步骤至少一次,直到达到所述第一最大迭代次数。
可选地,基于所述初始信息素,采用所述改进蚁群算法进行路径确定,得到所述最优路径,包括:第二计算步骤:计算每只蚂蚁所走的路径长度;第一确定步骤:根据所述路径长度确定信息素增量;第二确定步骤:根据所述信息素增量和当前次信息素,确定下一次信息素,第一次信息素为所述初始信息素;第二判断步骤,判断是否达到第二最大迭代次数,若是,输出所述最优路径,若否,返回至所述第二计算步骤,依次执行所述第二计算步骤、所述第一确定步骤、所述第二确定步骤和所述第二判断步骤至少一次,直到达到所述第二最大迭代次数。
可选地,获取路径规划的约束条件,包括:构建所述可移动设备所处的环境对应的环境地图模型;采用所述环境地图模型确定所述环境信息。
可选地,构建所述可移动设备所处的环境对应的环境地图模型,包括:确定构建原则,所述构建原则包括忽略原则、简化原则和合并原则,所述忽略原则是指忽略障碍物高度的原则、所述简化原则是指将所述可移动设备看作一个质点的原则,所述合并原则是指在两个障碍物之间的距离小于预定距离的情况下,将两个所述障碍物合并为一个整体的原则;基于所述构建原则,构建所述环境地图模型。
可选地,所述可移动设备的环境信息包括障碍物的大小和位置。
根据本申请的另一个方面,提供了一种可移动设备路径规划装置,包括:获取单元,用于获取路径规划的约束条件,所述约束条件包括可移动设备的环境信息、所述可移动设备的性能参数、起点位置和终点位置;第一改进单元,用于对粒子群优化算法进行改进,得到改进粒子群优化算法;第二改进单元,用于对蚁群算法进行改进,得到改进蚁群算法;确定单元,用于基于所述约束条件,采用所述改进粒子群优化算法和所述改进蚁群算法,确定出最优路径。
根据本申请的又一个方面,提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的方法。
根据本申请的再一个方面,提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行任意一种所述的方法。
应用本申请的技术方案,通过获取路径规划的约束条件,对粒子群优化算法进行改进,得到改进粒子群优化算法,对蚁群算法进行改进,得到改进蚁群算法,然后基于约束条件,采用改进粒子群优化算法和改进蚁群算法,确定出最优路径。通过结合改进粒子群优化算法和改进蚁群算法,吸取了两种算法的优点,弥补了两种算法本身的不足,在不同障碍物比例环境下都有较好的表现,搜索速度快且求解精度高。且适用范围较广,不易受到工作环境场景的约束和可移动设备自身硬件条件的约束。具有更好的全局搜索能力。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了根据本申请的实施例的可移动设备路径规划方法流程图;
图2示出了根据本申请的实施例的可移动设备路径规划装置示意图;
图3示出了根据本申请的实施例的采用栅格法建立环境地图模型原理图;
图4示出了根据本申请的实施例的采用混合算法进行路径规划的整体流程图;
图5示出了根据本申请的实施例的仅采用改进粒子群优化算法得到的路径的示意图;
图6示出了根据本申请的实施例的采用混合算法得到的一种路径的示意图;
图7示出了根据本申请的实施例的仅采用改进蚁群算法得到的路径的示意图;
图8示出了根据本申请的实施例的采用混合算法得到的另一种路径的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应该理解的是,当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时,该元件可直接在该另一元件上,或者也可存在中间元件。而且,在说明书以及权利要求书中,当描述有元件“连接”至另一元件时,该元件可“直接连接”至该另一元件,或者通过第三元件“连接”至该另一元件。
为了便于描述,以下对本申请实施例涉及的部分名词或术语进行说明:
粒子群优化算法(POS,Particle Swarm Optimization):源于对鸟群捕食的行为研究。粒子群优化算法的基本思想是:通过群体中个体之间的协作和信息共享来寻找最优解。具有容易产生早熟收敛、局部寻优能力差和容易陷入局部最优等缺陷;
蚁群算法(ACO,Ant colony Optimization):用蚂蚁的行走路径表示待优化问题的可行解,整个蚂蚁群体的所有路径表示待优化问题的可行解,整个蚂蚁群体的所有路径构成待优化问题的解空间。路径较短的蚂蚁释放的信息素量较多,随着时间的推进,较短的路径上累计的信息素浓度逐渐增高,选择该路径的蚂蚁个数也愈来愈多,整个蚂蚁会在正反馈的作用下集中到最佳的路径上,此时对应的便是待优化问题的最优解。具有算法参数多,公式复杂,计算量较大,初期搜索效率不高;算法易陷入局部最优解,受参数初始值影响大等缺陷。
根据本申请的实施例,提供了一种可移动设备路径规划方法。
图1是根据本申请实施例的可移动设备路径规划方法的流程图。如图1所示,该方法包括以下步骤:
步骤S101,获取路径规划的约束条件,上述约束条件包括可移动设备的环境信息、上述可移动设备的性能参数、起点位置和终点位置;
步骤S102,对粒子群优化算法进行改进,得到改进粒子群优化算法;
步骤S103,对蚁群算法进行改进,得到改进蚁群算法;
步骤S104,基于上述约束条件,采用上述改进粒子群优化算法和上述改进蚁群算法,确定出最优路径。
具体地,上述可移动设备可以是可移动机器人。
具体地,路径规划的约束条件还包括可通过区域条件和可移动设备自身通过性能等。
具体地,本方案是基于全局静态路径规划实现的,全局静态路径规划任务是指:在环境内障碍物都静止不动且没有动态障碍物的情况下,依据实际生产工作需要搜寻出一条从起点位置到终点位置的无碰撞路线。
具体地,未改进的粒子群优化算法的缺点是:容易产生早熟收敛、局部寻优能力差、容易陷入局部最优。优点是:较容易同其它算法结合,原理及实现简单,具有稳健性。未改进的蚁群算法缺点是:参数多,公式复杂,计算量大,初期搜索效率不高;易陷入局部最优;受参数初始值影响大。优点是:算法收敛速度快,不同条件下均能获得好的结果。必须首先对粒子群优化算法和蚁群算法的以上缺陷,分别进行优化改进。这样采用“改进粒子群优化算法”和“改进蚁群算法”结合,提出的改进的PSO-ACO才能够最大限度的互相弥补改进后的各自算法缺点,充分发挥各自算法优点。
上述方案中,通过获取路径规划的约束条件,对粒子群优化算法进行改进,得到改进粒子群优化算法,对蚁群算法进行改进,得到改进蚁群算法,然后基于约束条件,采用改进粒子群优化算法和改进蚁群算法,确定出最优路径。通过结合改进粒子群优化算法和改进蚁群算法,吸取了两种算法的优点,弥补了两种算法本身的不足,在不同障碍物比例环境下都有较好的表现,搜索速度快且求解精度高。且适用范围较广,不易受到工作环境场景的约束和可移动设备自身硬件条件的约束。具有更好的全局搜索能力。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请的一种实施例中,基于所述约束条件,采用所述改进粒子群优化算法和所述改进蚁群算法,确定出最优路径,包括:基于所述约束条件,采用所述改进蚁群算法,确定第一预备最优路径的信息;将所述第一预备最优路径的信息,应用于所述改进蚁群算法中,确定出所述最优路径。即先采用改进蚁群算法确定出第一预备最优路径,然后再采用改进粒子群优化算法对第一预备最优路径进行优化,得到精确的最优路径。
本申请的一种具体的实施例中,将采用改进蚁群算法得到的预备最优路径的信息作为所述改进粒子群优化算法的初始最优解,进入改进粒子群优化算法的迭代流程中,在改进粒子群优化算法迭代结束后,得到所述精确的最优路径。
本申请的一种实施例中,基于上述约束条件,采用上述改进粒子群优化算法和上述改进蚁群算法,确定出最优路径,包括:基于上述约束条件,采用上述改进粒子群优化算法,确定第二预备最优路径的信息;将上述第二预备最优路径的信息转换为上述改进蚁群算法的初始信息素;基于上述初始信息素,采用上述改进蚁群算法进行路径确定,得到上述最优路径。根据改进粒子群优化算法确定出第二预备最优路径的信息,然后将第二预备最优路径的信息转换为上述改进蚁群算法的初始信息素,就建立起改进粒子群优化算法与改进蚁群算法之间的联系。
本申请的一种实施例中,基于上述约束条件,采用上述改进粒子群优化算法,确定第二预备最优路径,包括:初始化步骤:初始化上述改进粒子群优化算法的粒子速度和粒子位置;第一计算步骤:计算粒子个体最优解和群体全局最优解;第一更新步骤:根据上述粒子个体最优解和上述群体全局最优解,更新上述粒子速度和上述粒子位置;第一判断步骤,判断是否达到第一最大迭代次数,若是,输出上述第二预备最优路径,若否,返回至上述第一计算步骤,依次执行上述第一计算步骤、上述第一更新步骤和上述第一判断步骤至少一次,直到达到上述第一最大迭代次数。
本申请的一种实施例中,基于上述初始信息素,采用上述改进蚁群算法进行路径确定,得到上述最优路径,包括:第二计算步骤:计算每只蚂蚁所走的路径长度;第一确定步骤:根据上述路径长度确定信息素增量;第二确定步骤:根据上述信息素增量和当前次信息素,确定下一次信息素,第一次信息素为上述初始信息素;第二判断步骤,判断是否达到第二最大迭代次数,若是,输出上述最优路径,若否,返回至上述第二计算步骤,依次执行上述第二计算步骤、上述第一确定步骤、上述第二确定步骤和上述第二判断步骤至少一次,直到达到上述第二最大迭代次数。
本申请的一种实施例中,获取路径规划的约束条件,包括:构建上述可移动设备所处的环境对应的环境地图模型;采用上述环境地图模型确定上述环境信息。具体地,可以采用栅格法建立环境地图模型,使用栅格法将地图分为等大、若干个小栅格,通过在每个栅格里输入信息来表示环境信息。
本申请的一种实施例中,构建上述可移动设备所处的环境对应的环境地图模型,包括:确定构建原则,上述构建原则包括忽略原则、简化原则和合并原则,上述忽略原则是指忽略障碍物高度的原则、上述简化原则是指将上述可移动设备看作一个质点的原则,上述合并原则是指在两个障碍物之间的距离小于预定距离的情况下,将两个上述障碍物合并为一个整体的原则;基于上述构建原则,构建上述环境地图模型。解决可移动设备路径规划问题首先要对工作环境进行地图建模,在地图模型中存储障碍物和可通过区域信息。地图建模是路径规划的首要任务。基于上述构建原则可以实现对环境地图模型的精准构建。
具体地,上述可移动设备的环境信息包括障碍物的大小和位置。
本申请的一种具体的实施例中,主要通过以下3点改进粒子群优化算法:
1)粒子牵引操作
通过引入粒子牵引操作使算法的收敛速度变快。当粒子在适应度值很低的区域内运动时,由于此区域包含最优解的可能性非常小,所以对粒子施加一个当前种群最优值方向上的牵引力,使该粒子较快离开这个区域,在其它更容易存在最优解的区域搜索。此操作可以更加合理的分配搜索资源,减小粒子在适应度值较差区域的工作量,花费更多的时间在更优区域搜索,从而加快粒子搜索速度和算法收敛速度。
牵引操作Pt公式如下:
式中:为在第k次迭代中,粒子i在d维分量上的个体位置,/>为在第k次迭代中,粒子i在d维分量上十次运动内的个体最优位置,r3为区间[0,1]上的随机数,c3为粒子牵引因子,随着粒子适应度值减小而增大,与个体粒子适应度值成反比。
引入了粒子牵引因子的速度更新公式如下:
式中,表示在第k+1次迭代中粒子i在d维分量上的牵引速度;w表示惯性权重,取值范围为[0.5,0.731];/>表示在第k次迭代中粒子i在d维分量上的牵引速度;c1表示学习因子;r1表示区间[0,1]上的随机数;/>表示在第k次迭代中粒子i在d维分量上的历史最优解;/>表示在第k次迭代中,粒子i在d维分量上的个体位置,c2表示学习因子;/>表示整个粒子群在d维分量上的历史最优解;pt表示粒子牵引操作。
2)非线性惯性权重
在PSO算法中,惯性权重w的取值影响PSO算法的搜索性能。传统PSO算法通常取一个固定的常数作为惯性权重,这种取值方式很容易使算法早熟收敛,算法搜索性能较差。为提高算法的寻优质量,算法迭代初期,w应在较长时间里保持较大值,使粒子速度保持在较高速运动以提高搜索效率;算法迭代后期,w应保持较长时间取较小值以提高搜索精度和收敛速度。为了满足这些要求,本改进算法提出基于Sigmoid函数的动态调节惯性权重,达到搜索能力与收敛速度的平衡。
Sigmoid函数数学表达式如下:
将惯性权重w引入Sigmoid函数时需要对原函数进行调整:
式中,iter为当前迭代次数,itermax为最大迭代次数。
通过计算可得w∈[0.5,0.731]。通过这种改进方法取得的惯性权重具有非线性调节的特点。由此保证了算法迭代初期w取一个较大值,使粒子能更加均匀的搜索全部环境区域,增加粒子种群的多样性;在运算后期w值逐渐减小,从而提高了对局部环境的搜索能力,加快了算法的收敛速度,起到平衡全局开发能力和局部搜索精度的作用。
3)自适应学习因子
通过将学习因子c1、c2引入Logistic方程,可以实现对学习因子的自适应调节,从而平衡粒子的搜索能力与开发能力。
将学习因子引入Logistic方程可得:
c1=uk1(1-k1)
c2=uk2(1-k2)
上式中,u为[0,4]范围内的调节参数,k1定义为粒子的自我学习系数,k2定义为粒子的社会学习系数,这两个系数的取值与算法迭代次数有关,k1,k2表示如下:
iter为当前迭代次数,itermax为算法最大迭代次数。整理得:
当调节参数u取值为4时,个体学习因子在(0,+∞)区间内单调递减,且在iter趋近于0时,取得最大个体学习因子值为2,最小社会学习因子取值为0。随着iter的增加粒子的个体学习因子不断减小最终无限趋近于0。社会学习因子c2在(0,+∞)区间内单调递增,在iter趋近0时最小社会学习因子取值为0,随着迭代次数增加社会学习因子不断增大最后无限趋近于2。由此保证了算法迭代初期个体学习因子较大,社会学习因子较小,粒子具有较好的全局搜索能力。随着迭代次数的增加,社会学习因子逐渐减小,粒子的个体学习不断提高,提高了局部搜索能力。在算法初期保证了较大的个体学习因子以保证粒子具有较强的全局搜索能力,受粒子群体的最佳位置影响较小,有更大的能力向全局范围运动;在算法迭代后期粒子的社会学习能力达到最大,提升了算法的局部搜索能力,加速粒子向群体最佳位置运动,加快算法收敛速度。
本申请的一种具体的实施例中,主要通过以下3点改进蚁群算法:
1)改进路径选择概率
蚁群算法中蚂蚁主要依据信息素浓度和路径启发因子进行路线选择,只考虑了目标点位置和无障碍物栅格的启发信息,并没有直接考虑障碍物对蚂蚁行进路线的影响。
本实施例对蚁群算法路径选择概率公式进行改进,定义障碍物排斥权重来体现障碍物对路径选择所产生的影响。改进后的路径选择概率为:
γib(t)=mind(i,b)
式中,γib(t)为蚂蚁k从第i个自由栅格移动至第b个障碍物栅格的排斥权重,d(i,b)表示自由栅格i与障碍栅格b之间的距离,表示t时刻,城市i和城市j之间蚂蚁的信息素浓度对路径选择的影响程度,/>表示t时刻,城市i和城市j之间蚂蚁的期望程度对路径选择的影响程度。
2)改进信息素更新规则
信息素浓度更新规则对蚁群算法的搜索性能有着非常重大的影响。信息素更新规则的不合理会导致算法不易收敛,蚂蚁不能快速搜寻到最优解。针对此问题改进信息素浓度更新规则:
在单个运算周期中,每只蚂蚁到达目标位置所走的路径长度都不相同。因此,如果每只蚂蚁在其行进路径上释放的信息素浓度完全相同,则无法体现选择较短路径的蚂蚁的优越性,行进路径较短的蚂蚁对后续蚂蚁的指向性不足,引导作用较小。所以将第一只成功运动到目标点的蚂蚁所释放的信息素浓度设置为单位信息素值。将之后到达目标点蚂蚁所行进的路径与第一条路径相比较,适当增加或降低释放的信息素浓度。这里提出路径比较权重的概念,改进后的信息素更新规则为如下:
其中,λ为路径比较权重,QE为单位路径长度上的单位信息素浓度,l1为首只到达目标点的蚂蚁所运动的路径长度,lk为第k只到达目标点的蚂蚁所运动的路径长度,iter为当前迭代次数,itermax为最大迭代次数。随着迭代次数的增加,蚂蚁在选择路径时逐渐集中在几条较优路径上,所以此时应取较小的路径比较因子来减小对算法局部搜索的干涉程度。α=2.5为比例系数。
3)信息素浓度限幅
信息素浓度的更新取决于到达目标点蚂蚁的释放和随着迭代次数的自然挥发。有效路径上信息素浓度过高会导致算法过早收敛于局部最优解,信息素浓度过低会降低搜索效率,延长搜索时间。故对有效路径上的信息素浓度进行限定幅度,限制于[τmax,τmin],低于这个范围的值被强制设为最小值τmin,高于这个范围的值被强制设为最大值τmax。这样可以使每条路径上的信息素浓度尽量平均,从而降低大部分蚂蚁汇集到某一条路径上的可能性。限定后的信息素浓度最值由下面公式决定:
τmax=mQE
式中,m=9,a=2
本申请实施例还提供了一种可移动设备路径规划装置,需要说明的是,本申请实施例的可移动设备路径规划装置可以用于执行本申请实施例所提供的用于可移动设备路径规划方法。以下对本申请实施例提供的可移动设备路径规划装置进行介绍。
图2是根据本申请实施例的可移动设备路径规划装置的示意图。如图2所示,该装置包括:
获取单元10,用于获取路径规划的约束条件,上述约束条件包括可移动设备的环境信息、上述可移动设备的性能参数、起点位置和终点位置;
第一改进单元20,用于对粒子群优化算法进行改进,得到改进粒子群优化算法;
第二改进单元30,用于对蚁群算法进行改进,得到改进蚁群算法;
确定单元40,用于基于上述约束条件,采用上述改进粒子群优化算法和上述改进蚁群算法,确定出最优路径。
上述方案中,获取单元获取路径规划的约束条件,第一改进单元对粒子群优化算法进行改进,得到改进粒子群优化算法,第二改进单元对蚁群算法进行改进,得到改进蚁群算法,确定单元基于约束条件,采用改进粒子群优化算法和改进蚁群算法,确定出最优路径。通过结合改进粒子群优化算法和改进蚁群算法,吸取了两种算法的优点,弥补了两种算法本身的不足,在不同障碍物比例环境下都有较好的表现,搜索速度快且求解精度高。且适用范围较广,不易受到工作环境场景的约束和可移动设备自身硬件条件的约束。具有更好的全局搜索能力。
本申请的一种实施例中,确定单元包括第三确定模块和第四确定模块,第三确定模块用于基于所述约束条件,采用所述改进蚁群算法,确定第一预备最优路径的信息;第四确定模块用于将所述第一预备最优路径的信息,应用于所述改进蚁群算法中,确定出所述最优路径。即先采用改进蚁群算法确定出第一预备最优路径,然后再采用改进粒子群优化算法对第一预备最优路径进行优化,得到精确的最优路径。
本申请的一种实施例中,确定单元包括第一确定模块、转换模块和第二确定模块,第一确定模块用于基于上述约束条件,采用上述改进粒子群优化算法,确定第二预备最优路径的信息;转换模块用于将上述第二预备最优路径的信息转换为上述改进蚁群算法的初始信息素;第二确定模块用于基于上述初始信息素,采用上述改进蚁群算法进行路径确定,得到上述最优路径。根据改进粒子群优化算法确定出第二预备最优路径的信息,然后将第二预备最优路径的信息转换为上述改进蚁群算法的初始信息素,就建立起改进粒子群优化算法与改进蚁群算法之间的联系。
本申请的一种实施例中,第一确定模块包括初始化子模块、第一计算子模块、更新子模块和第一判断子模块,初始化子模块用于初始化上述改进粒子群优化算法的粒子速度和粒子位置;第一计算子模块用于计算粒子个体最优解和群体全局最优解;更新子模块用于根据上述粒子个体最优解和上述群体全局最优解,更新上述粒子速度和上述粒子位置;第一判断子模块用于判断是否达到第一最大迭代次数,若是,输出上述第二预备最优路径,若否,返回执行步骤:初始化上述改进粒子群优化算法的粒子速度和粒子位置、步骤:计算粒子个体最优解和群体全局最优解、步骤:根据上述粒子个体最优解和上述群体全局最优解,更新上述粒子速度和上述粒子位置和步骤判断是否达到第一最大迭代次数至少一次,直到达到上述第一最大迭代次数。
本申请的一种实施例中,第二确定模块包括第二计算子模块、第一确定子模块、第二确定子模块和第二判断子模块,第二计算子模块用于计算每只蚂蚁所走的路径长度;第一确定子模块用于根据上述路径长度确定信息素增量;第二确定子模块用于根据上述信息素增量和当前次信息素,确定下一次信息素,第一次信息素为上述初始信息素;第二判断子模块用于判断是否达到第二最大迭代次数,若是,输出上述最优路径,若否,返回执行步骤:计算每只蚂蚁所走的路径长度、步骤:根据上述路径长度确定信息素增量、步骤:根据上述信息素增量和当前次信息素,确定下一次信息素,第一次信息素为上述初始信息素、步骤:判断是否达到第二最大迭代次数至少一次,直到达到上述第二最大迭代次数。
本申请的一种实施例中,获取单元包括构建模块和第二确定模块,构建模块用于构建上述可移动设备所处的环境对应的环境地图模型;第二确定模块用于采用上述环境地图模型确定上述环境信息。具体地,可以采用栅格法建立环境地图模型,使用栅格法将地图分为等大、若干个小栅格,通过在每个栅格里输入信息来表示环境信息。
本申请的一种实施例中,构建模块包括第三确定子模块和构建子模块,第三确定子模块用于确定构建原则,上述构建原则包括忽略原则、简化原则和合并原则,上述忽略原则是指忽略障碍物高度的原则、上述简化原则是指将上述可移动设备看作一个质点的原则,上述合并原则是指在两个障碍物之间的距离小于预定距离的情况下,将两个上述障碍物合并为一个整体的原则;构建子模块用于基于上述构建原则,构建上述环境地图模型。解决可移动设备路径规划问题首先要对工作环境进行地图建模,在地图模型中存储障碍物和可通过区域信息。地图建模是路径规划的首要任务。基于上述构建原则可以实现对环境地图模型的精准构建。
所述可移动设备路径规划装置包括处理器和存储器,上述获取单元、第一改进单元、第二改进单元和确定单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来实现对可移动设备的路径的精准规划。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行所述可移动设备路径规划方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述可移动设备路径规划方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现至少以下步骤:
步骤S101,获取路径规划的约束条件,上述约束条件包括可移动设备的环境信息、上述可移动设备的性能参数、起点位置和终点位置;
步骤S102,对粒子群优化算法进行改进,得到改进粒子群优化算法;
步骤S103,对蚁群算法进行改进,得到改进蚁群算法;
步骤S104,基于上述约束条件,采用上述改进粒子群优化算法和上述改进蚁群算法,确定出最优路径。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有至少如下方法步骤的程序:
步骤S101,获取路径规划的约束条件,上述约束条件包括可移动设备的环境信息、上述可移动设备的性能参数、起点位置和终点位置;
步骤S102,对粒子群优化算法进行改进,得到改进粒子群优化算法;
步骤S103,对蚁群算法进行改进,得到改进蚁群算法;
步骤S104,基于上述约束条件,采用上述改进粒子群优化算法和上述改进蚁群算法,确定出最优路径。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
实施例
本实施例涉及一种具体的可移动设备路径规划方法,具体地,该可移动设备为机器人。
包括如下步骤:
步骤A:获取路径规划的约束条件,上述约束条件包括机器人的环境信息、上述可移动设备的性能参数、起点位置和终点位置、可通过区域条件和可移动设备自身通过性能等;
在解决机器人路径规划问题中这些约束条件需要转化为模型或程序,从而让机器人和计算机可以识别并成功运行达到工作目的。移动机器人在实际巡检工作中的问题可以看作在已知环境信息条件下的选择路径问题,可以通过数学模型对环境信息进行记录、储存和描述。因此需要针对不同的工作环境确定不同的约束条件,从而使用相应表现更为出色的机器人载体。
第一步对机器人工作环境进行建模,将环境内障碍物信息进行记录和表示。进一步将机器人在实际工作环境中智能移动的问题转化为一个质点在计算机模型地图中的路径规划。
具体地,获取机器人的环境信息包括:采用栅格法建立环境地图模型;采用上述环境地图模型确定上述环境信息。
使用栅格法,将地图分为等大、若干个小栅格,通过在每个栅格里输入信息来表示环境信息,首先设定机器人在一个矩形区域内工作运行,然后对每个栅格进行标记或信息输入,从而将障碍物和可行进区域进行区分。同时采用直角坐标法进行栅格信息的标记,实施方法如下:
设定直角坐标系的原点为栅格地图的左下角,如图3所示。直角坐标系的X轴为栅格地图的下方边界,Y轴为栅格地图的左侧边界,由此可以利用坐标表示每个栅格。例如坐标(2,4)表示第20个单位栅格。
步骤B:基于所述约束条件,采用所述改进粒子群优化算法,确定第二预备最优路径的信息;将所述第二预备最优路径的信息转换为所述改进蚁群算法的初始信息素;基于所述初始信息素,采用所述改进蚁群算法进行路径确定,得到所述最优路径。即混合算法首先进行基于改进粒子群优化算法的第一轮粗略搜索,得到一条第二预备最优路径,然后在此路径上设置初始信息素,在初始信息素的帮助下进行基于改进蚁群算法的第二轮精细搜索,达到最大迭代次数后输出第二次搜索得到的最优路径为最终路径。
具体地,如图4所示,基于上述约束条件,采用上述改进粒子群优化算法,确定第二预备最优路径,包括:初始化步骤:初始化上述改进粒子群优化算法的粒子速度和粒子位置;第一计算步骤:计算粒子个体最优解和群体全局最优解,并计算粒子的适应度值;第一更新步骤:根据上述粒子个体最优解和上述群体全局最优解,更新上述粒子速度和上述粒子位置;第一判断步骤,判断是否达到第一最大迭代次数,若是,输出上述第二预备最优路径,若否,返回至上述第一计算步骤,依次执行上述第一计算步骤、上述第一更新步骤和上述第一判断步骤至少一次,直到达到上述第一最大迭代次数。具体地,根据改进后的速度更新公式计算粒子个体最优解和群体全局最优解,并计算粒子适应度值。
具体地,如图4所示,基于上述初始信息素,采用上述改进蚁群算法进行路径确定,得到上述最优路径,包括:第二计算步骤:计算每只蚂蚁所走的路径长度;第一确定步骤:根据上述路径长度确定信息素增量;第二确定步骤:根据上述信息素增量和当前次信息素,确定下一次信息素(即根据信息素更新公式改变信息素浓度,并更新信息素全局和局部挥发系数),第一次信息素为上述初始信息素;第二判断步骤,判断是否达到第二最大迭代次数,若是,输出上述最优路径,若否,返回至上述第二计算步骤,依次执行上述第二计算步骤、上述第一确定步骤、上述第二确定步骤和上述第二判断步骤至少一次,直到达到上述第二最大迭代次数。具体地,计算每只蚂蚁的转移概率并根据状态转移规则使蚂蚁运动到下一个节点;根据路径选择公式更新蚂蚁位置和信息素浓度,重复此步骤直至所有蚂蚁运动到目标点,计算每只蚂蚁所走路径长度并得出本次迭代的最短路径,若达到最大迭代次数则生成最终路径。
实验结果
单独采用改进粒子群优化算法进行路径规划得到的路径如图5所示;条件不变采用混合算法得到的路径如图6所示;单独采用改进蚁群算法得到的路径如图7所示;条件不变采用混合算法得到的路径如图8所示。
实验设置参数如下:
栅格地图大小为20×20,障碍物比例为0.3、0.5和0.7,改进粒子群优化算法惯性权重ω在[0.5,0.731]区间非线性调节,学习因子c1,c2在[0,2]区间非线性调节,粒子速度的最大最小值设置为:vmax=6,vmin=-6,粒子位置的最大最小值设置为:Xmax=6,Xmin=1,粒子数目N=30,最大迭代次数itermax=50。
混合算法:地图尺寸n=20,障碍概率banper=0.3,惯性权重w在[0.5,0.731]区间非线性调节,学习因子c1,c2在[0,2]区间非线性调节,粒子数目N=30,,其中,α=1,表示信息启发因子,表示信息素浓度对路径选择得影响程度;β=4,表示期望启发因子,表示能见度对路径选择的影响程度;ρ=0.9,表示单位时间间隔内信息素持久程度系数,0≤ρ≤1;τ=10,表示有效路径上的信息素浓度进行幅度中间值;τmax=20,表示有效路径上的信息素浓度进行幅度最大值;τmin=5,表示有效路径上的信息素浓度进行幅度最小值;
蚂蚁数目M=25,N=5,最大迭代次数itermax=50,vmax=6,vmin=-6,Xmax=6,Xmin=1。经仿真对比分析:
在障碍物比例为0.3时,改进粒子群优化算法和混合算法分别迭代50次后所得最短路径,如图5和图6所示。
设置环境地图障碍物比例为0.5,分别采用改进蚁群算法和混合算法进行仿真对比所得最短路径,如图7和图8所示。
可知,混合算法路径最短,说明了本发明的混合的准确性和实用性。
本方案首先使用栅格法建立环境地图模型,然后分别将改进的PSO算法和ACO算法在栅格地图中解决路径规划问题。最后将改进后的两种算法混合使用解决机器人路径规划问题。避免了粒子群优化算法(PSO)容易产生早熟收敛、局部寻优能力差和容易陷入局部最优的缺陷;避免了蚁群算法(ACO)算法参数多,公式复杂,计算量较大,初期搜索效率不高,算法易陷入局部最优解,受参数初始值影响大的缺陷。通过仿真对比,本方案在不同障碍物比例环境下都有较好的表现,搜索速度快且求解精度高,具有更好的全局搜索能力。
从以上的描述中,可以看出,本申请上述的实施例实现了如下技术效果:
1)、本申请的可移动设备路径规划方法,通过获取路径规划的约束条件,对粒子群优化算法进行改进,得到改进粒子群优化算法,对蚁群算法进行改进,得到改进蚁群算法,然后基于约束条件,采用改进粒子群优化算法和改进蚁群算法,确定出最优路径。通过结合改进粒子群优化算法和改进蚁群算法,吸取了两种算法的优点,弥补了两种算法本身的不足,在不同障碍物比例环境下都有较好的表现,搜索速度快且求解精度高。且适用范围较广,不易受到工作环境场景的约束和可移动设备自身硬件条件的约束。具有更好的全局搜索能力。
2)、本申请的可移动设备路径规划装置,获取单元获取路径规划的约束条件,第一改进单元对粒子群优化算法进行改进,得到改进粒子群优化算法,第二改进单元对蚁群算法进行改进,得到改进蚁群算法,确定单元基于约束条件,采用改进粒子群优化算法和改进蚁群算法,确定出最优路径。通过结合改进粒子群优化算法和改进蚁群算法,吸取了两种算法的优点,弥补了两种算法本身的不足,在不同障碍物比例环境下都有较好的表现,搜索速度快且求解精度高。且适用范围较广,不易受到工作环境场景的约束和可移动设备自身硬件条件的约束。具有更好的全局搜索能力。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (11)
1.一种可移动设备路径规划方法,其特征在于,包括:
获取路径规划的约束条件,所述约束条件包括可移动设备的环境信息、所述可移动设备的性能参数、起点位置和终点位置;
对粒子群优化算法进行改进,得到改进粒子群优化算法;
对蚁群算法进行改进,得到改进蚁群算法,其中,至少通过改进信息素更新规则对所述蚁群算法进行改进,改进后的信息素更新规则为:
其中,λ为路径比较权重,QE为单位路径长度上的单位信息素浓度,l1为首只到达目标点的蚂蚁所运动的路径长度,lk为第k只到达目标点的蚂蚁所运动的路径长度,iter为当前迭代次数,itermax为最大迭代次数,a为比例系数;
基于所述约束条件,采用所述改进粒子群优化算法和所述改进蚁群算法,确定出最优路径。
2.根据权利要求1所述的方法,其特征在于,基于所述约束条件,采用所述改进粒子群优化算法和所述改进蚁群算法,确定出最优路径,包括:
基于所述约束条件,采用所述改进蚁群算法,确定第一预备最优路径的信息;
将所述第一预备最优路径的信息,应用于所述改进粒子群优化算法中,确定出所述最优路径。
3.根据权利要求1所述的方法,其特征在于,基于所述约束条件,采用所述改进粒子群优化算法和所述改进蚁群算法,确定出最优路径,包括:
基于所述约束条件,采用所述改进粒子群优化算法,确定第二预备最优路径的信息;
将所述第二预备最优路径的信息转换为所述改进蚁群算法的初始信息素;
基于所述初始信息素,采用所述改进蚁群算法进行路径确定,得到所述最优路径。
4.根据权利要求3所述的方法,其特征在于,基于所述约束条件,采用所述改进粒子群优化算法,确定第二预备最优路径,包括:
初始化步骤:初始化所述改进粒子群优化算法的粒子速度和粒子位置;
第一计算步骤:计算粒子个体最优解和群体全局最优解;
第一更新步骤:根据所述粒子个体最优解和所述群体全局最优解,更新所述粒子速度和所述粒子位置;
第一判断步骤,判断是否达到第一最大迭代次数,若是,输出所述第二预备最优路径,若否,返回至所述第一计算步骤,依次执行所述第一计算步骤、所述第一更新步骤和所述第一判断步骤至少一次,直到达到所述第一最大迭代次数。
5.根据权利要求3所述的方法,其特征在于,基于所述初始信息素,采用所述改进蚁群算法进行路径确定,得到所述最优路径,包括:
第二计算步骤:计算每只蚂蚁所走的路径长度;
第一确定步骤:根据所述路径长度确定信息素增量;
第二确定步骤:根据所述信息素增量和当前次信息素,确定下一次信息素,第一次信息素为所述初始信息素;
第二判断步骤,判断是否达到第二最大迭代次数,若是,输出所述最优路径,若否,返回至所述第二计算步骤,依次执行所述第二计算步骤、所述第一确定步骤、所述第二确定步骤和所述第二判断步骤至少一次,直到达到所述第二最大迭代次数。
6.根据权利要求1所述的方法,其特征在于,获取路径规划的约束条件,包括:
构建所述可移动设备所处的环境对应的环境地图模型;
采用所述环境地图模型确定所述环境信息。
7.根据权利要求6所述的方法,其特征在于,构建所述可移动设备所处的环境对应的环境地图模型,包括:
确定构建原则,所述构建原则包括忽略原则、简化原则和合并原则,所述忽略原则是指忽略障碍物高度的原则、所述简化原则是指将所述可移动设备看作一个质点的原则,所述合并原则是指在两个障碍物之间的距离小于预定距离的情况下,将两个所述障碍物合并为一个整体的原则;
基于所述构建原则,构建所述环境地图模型。
8.根据权利要求1至7中任一项所述的方法,其特征在于,所述可移动设备的环境信息包括障碍物的大小和位置。
9.一种可移动设备路径规划装置,其特征在于,包括:
获取单元,用于获取路径规划的约束条件,所述约束条件包括可移动设备的环境信息、所述可移动设备的性能参数、起点位置和终点位置;
第一改进单元,用于对粒子群优化算法进行改进,得到改进粒子群优化算法;
第二改进单元,用于对蚁群算法进行改进,得到改进蚁群算法,其中,至少通过改进信息素更新规则对所述蚁群算法进行改进,改进后的信息素更新规则为:
其中,λ为路径比较权重,QE为单位路径长度上的单位信息素浓度,l1为首只到达目标点的蚂蚁所运动的路径长度,lk为第k只到达目标点的蚂蚁所运动的路径长度,iter为当前迭代次数,itermax为最大迭代次数,a为比例系数;
确定单元,用于基于所述约束条件,采用所述改进粒子群优化算法和所述改进蚁群算法,确定出最优路径。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至8中任意一项所述的方法。
11.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至8中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111063131.0A CN113759921B (zh) | 2021-09-10 | 2021-09-10 | 可移动设备路径规划方法、装置与计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111063131.0A CN113759921B (zh) | 2021-09-10 | 2021-09-10 | 可移动设备路径规划方法、装置与计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113759921A CN113759921A (zh) | 2021-12-07 |
CN113759921B true CN113759921B (zh) | 2024-05-07 |
Family
ID=78794829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111063131.0A Active CN113759921B (zh) | 2021-09-10 | 2021-09-10 | 可移动设备路径规划方法、装置与计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113759921B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103472828A (zh) * | 2013-09-13 | 2013-12-25 | 桂林电子科技大学 | 基于改进蚁群粒子群算法的移动机器人路径规划方法 |
AU2020102302A4 (en) * | 2020-09-16 | 2020-12-24 | D, Shanthi DR | Underwater robots design and control mechanism using particle swarm optimization algorithm |
-
2021
- 2021-09-10 CN CN202111063131.0A patent/CN113759921B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103472828A (zh) * | 2013-09-13 | 2013-12-25 | 桂林电子科技大学 | 基于改进蚁群粒子群算法的移动机器人路径规划方法 |
AU2020102302A4 (en) * | 2020-09-16 | 2020-12-24 | D, Shanthi DR | Underwater robots design and control mechanism using particle swarm optimization algorithm |
Non-Patent Citations (3)
Title |
---|
基于参数优化蚁群算法的机器人路径规划研究;杜玉红;张岩;赵焕峰;;现代制造工程(第09期);第7-14页 * |
基于改进蚁群粒子群算法的移动机器人路径规划;何少佳;史剑清;王海坤;;桂林理工大学学报(04);第765-770页 * |
粒子群-蚁群融合算法的机器人路径规划;韩颜等;组合机床与自动化加工技术(第02期);第47-50页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113759921A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Faridi et al. | Multi-robot multi-target dynamic path planning using artificial bee colony and evolutionary programming in unknown environment | |
Das et al. | Co-operative control of a team of autonomous underwater vehicles in an obstacle-rich environment | |
CN113359768A (zh) | 一种基于改进的a*算法的路径规划方法 | |
Rupprecht et al. | A survey for deep reinforcement learning in markovian cyber–physical systems: Common problems and solutions | |
CN115826586B (zh) | 一种融合全局算法和局部算法的路径规划方法及系统 | |
Su et al. | Robot path planning based on random coding particle swarm optimization | |
CN116451934A (zh) | 多无人机边缘计算路径优化与依赖任务调度优化方法及系统 | |
Chen et al. | Real-time path planning for a robot to track a fast moving target based on improved Glasius bio-inspired neural networks | |
CN113391633A (zh) | 一种面向城市环境的移动机器人融合路径规划方法 | |
CN115655279A (zh) | 一种基于改进鲸鱼算法的海上无人救援飞艇路径规划方法 | |
CN115373384A (zh) | 一种基于改进rrt的车辆动态路径规划方法及系统 | |
Qizilbash et al. | Ant colony optimization based multi-robot planner for combined task allocation and path finding | |
CN113759921B (zh) | 可移动设备路径规划方法、装置与计算机可读存储介质 | |
Yuan-hui et al. | Research on optimal planning method of USV for complex obstacles | |
Chen et al. | Deep reinforcement learning-based robot exploration for constructing map of unknown environment | |
Liu et al. | Multi-step reinforcement learning algorithm of mobile robot path planning based on virtual potential field | |
Bao et al. | Area Complete Coverage Path Planning for Offshore Seabed Organisms Fishing Autonomous Underwater Vehicle Based on Improved Whale Optimization Algorithm | |
CN116578080A (zh) | 一种基于深度强化学习的局部路径规划方法 | |
CN116300905A (zh) | 一种基于二维激光观测的带约束多机器人强化学习安全编队方法 | |
Stanková et al. | Staco: Stackelberg-based coverage approach in robotic swarms | |
Xue et al. | Multi-agent path planning based on MPC and DDPG | |
Ma et al. | A DDQN-based path planning method for multi-UAVs in a 3D indoor environment | |
Yinka-Banjo et al. | Mobile robot path planning in an obstacle-free static environment using multiple optimization algorithms | |
Tong et al. | Improved neural network 3D space obstacle avoidance algorithm for mobile robot | |
Liu et al. | Research on Path Planning Algorithm for Mobile Robot Based on Improved Reinforcement Learning |
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 |