CN114237252A - 一种融合卡尔曼滤波预测思想的适用于移动机器人导航的改进蚁群算法 - Google Patents

一种融合卡尔曼滤波预测思想的适用于移动机器人导航的改进蚁群算法 Download PDF

Info

Publication number
CN114237252A
CN114237252A CN202111554768.XA CN202111554768A CN114237252A CN 114237252 A CN114237252 A CN 114237252A CN 202111554768 A CN202111554768 A CN 202111554768A CN 114237252 A CN114237252 A CN 114237252A
Authority
CN
China
Prior art keywords
pheromone
node
path
ant
ant colony
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
Application number
CN202111554768.XA
Other languages
English (en)
Other versions
CN114237252B (zh
Inventor
刘建娟
刘忠璞
薛礼啟
吴豪然
李志伟
陈红梅
姬淼鑫
张会娟
袁航
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.)
Henan University of Technology
Original Assignee
Henan University of Technology
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 Henan University of Technology filed Critical Henan University of Technology
Priority to CN202111554768.XA priority Critical patent/CN114237252B/zh
Publication of CN114237252A publication Critical patent/CN114237252A/zh
Application granted granted Critical
Publication of CN114237252B publication Critical patent/CN114237252B/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
    • G05D1/0212—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

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)
  • Manipulator (AREA)

Abstract

本发明提供一种融合卡尔曼滤波预测思想的适用于移动机器人导航的改进蚁群算法，所述包括引入信息素初始分布规则初始化信息素全局分布，提高初始信息素启发作用；所述采用融合最优节点预测模型的复合型节点选择策略进行蚂蚁寻路过程中的节点选择，增大最优节点选择概率；所述采用融合卡尔曼滤波思想的预测信息素更新模型进行全局信息素浓度最优更新，根据迭代前后两次信息素数值进行最有融合和预测，增大信息素启发作用；所述采用动态更新方式进行蚁群算法节点概率公式中的信息素权重因子和启发信息权重因子的动态更新，加速算法收敛。该方法对于蚁群算法过程具有高度启发作用，改善蚁群算法在移动机器人路径规划过程中的收敛速度慢、精度低等不足，提高算法效率。

Description

一种融合卡尔曼滤波预测思想的适用于移动机器人导航的改 进蚁群算法
技术领域
本发明涉及移动机器人导航技术领域，具体的说，移动机器人导航技术主要为路径规划技术，涉及了一种融合卡尔曼滤波预测思想的适用于移动机器人导航的改进蚁群算法，用于加快移动机器人路径规划的速度和精度，提高移动机器人导航算法性能。
背景技术
导航是移动机器人发展过程中必不可少的一项技术。移动机器人导航技术主要为路径规划技术，目前用于移动机器人路径规划的算法种类繁多，主要为迭代算法和生物启发式算法，其中，生物启发式算法在某种程度上也属于迭代算法。对于路径规划算法来讲，主要包括 A*算法、遗传算法、人工势场法、蚁群算法等。其中部分算法是以生物自然特性为启发演进而来，例如，蚁群算法。
蚁群算法是一种生物启发式算法，主要是根据自然环境中，蚂蚁寻找食物的自然过程进行数学建模和引申，是具有正反馈特性的启发式智慧算法。同时，蚁群算法具备良好的全局搜索能力，被科研人员广泛运用于最优化控制和导航算法融合等领域。但是，普通蚁群算法仍存在一些不足，例如，在进行移动机器人路径规划过程中，蚁群算法存在效率低、收敛速度慢等问题。
目前，广泛应用的蚁群算法主要依靠迭代过程进行优化问题的解决，由于算法参数多样性设置，蚁群算法一般能够进行全局最优搜索。针对移动机器人路径规划领域而言，蚁群算法的使用因其自身算法特征来讲还存在一定的改进空间，例如：蚁群算法信息素更新策略存在启发作用较低，算法最优结果更新缓慢、蚁群算法参数设置固定导致算法整体收敛速度缓慢，甚至蚁群算法容易陷入局部极值等问题。
为了解决以上存在的问题，人们一直在寻求一种理想的算法改进方案。
发明内容
本发明的目的是针对现有蚁群算法运用于移动机器人路径规划的技术不足，解决的技术问题是：针对蚁群算法运行过程中，信息素启发作用不足、问题，利用信息素初始分布规则进行信息素全局初始化分布计算，增加初始信息素的启发作用。采用复合型节点选择策略进行蚂蚁寻路过程中最优节点的选择，提高算法求解效率。采用融合卡尔曼滤波思想的预测信息素更新模型进行全局信息素浓度最优更新，提高信息素的启发程度，促进算法收敛到最优解。最后，采用动态更新方式进行蚁群算法节点概率公式中的信息素权重因子和启发信息权重因子的动态更新，根据算法运行结果实时更新权重因子，提高算法收敛速度，促进算法性能提升。通过上述方法提高蚁群算法用于移动机器人路径规划的整体性能。
本发明的技术解决方案是：一种融合卡尔曼滤波预测思想的适用于移动机器人导航的改进蚁群算法，其特征在于，包括以下步骤：
步骤一：根据移动机器人使用场景，构建二维栅格地图。同时，设置机器人运动起始点、目的点以及初始化障碍物信息等地图参数。
步骤二：根据步骤一，设置蚁群算法中蚁群大小、迭代次数、信息素蒸发率、启发信息权重因子和信息素权重因子等参数。同时，根据信息素初始分布规则进行初始蚁群算法信息素分布设定，并开始蚁群算法寻路迭代。
步骤三：在蚂蚁选择下一路径节点时，采用复合型节点选择策略。根据普通节点选择策略，同时融合最优节点预测模型进行路径节点选择。
步骤四：当蚂蚁搜索路径过程完成时，利用融合卡尔曼滤波思想的预测信息素更新模型进行全局信息素浓度最优更新，用于下一次蚂蚁寻路过程。
步骤五：根据蚂蚁寻路结果，采用动态更新方式进行蚁群算法节点概率公式中的信息素权重因子和启发信息权重因子的动态更新。
步骤六：判断蚁群算法迭代次数是否达到算法初始化迭代次数，若是，则进行下一步，否则，进行下一次蚂蚁寻路迭代过程。
步骤七：根据历次迭代数据，输出最优路径长度结果以及最优路径节点数据。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
本发明的原理是：蚁群算法通过信息素浓度进行节点搜索和选择，但普通信息素分布规则具有启发程度低的不足。引入信息素初始分布规则初始化信息素全局分布，提高初始信息素启发作用；为了保证算法搜索的多样性，蚁群算法采用轮盘赌法作为节点选择方式，对节点选择的启发效果不高。本方法采用融合最优节点预测模型的复合型节点选择策略进行蚂蚁寻路过程中的节点选择，增大最优节点选择概率；本方法为提高信息素启发作用，改进信息素更新策略，所述采用融合卡尔曼滤波思想的预测信息素更新模型进行全局信息素浓度最优更新，根据迭代前后两次信息素数值进行最有融合和预测，增大信息素启发作用；最后，为提高算法收敛速度，采用动态更新方式进行蚁群算法节点概率公式中的信息素权重因子和启发信息权重因子的动态更新，加速算法收敛。
本发明与现有技术相比的优点在于：
(1)本发明引入信息素初始分布规则，采用几何关系进行蚁群算法初始信息素分布计算，提高初始信息素的启发作用，加快蚁群算法搜索过程。
(2)本发明采用复合型节点选择策略，引入最优节点预测模型，提高最优节点搜索和选择过程中的概率，促进算法快速收敛。
(3)本发明引入融合卡尔曼滤波思想的预测信息素更新模型进行全局信息素浓度最优更新，结合控制理论和优化理论的特点和优势，加速蚁群算法信息素浓度的最优预测更新，促进蚁群算法迭代出最优数据结果，提高算法性能。
(4)本发明引入动态更新方式进行蚁群算法节点概率公式中的信息素权重因子和启发信息权重因子的动态更新，根据算法运行参数和结果实时调整算法权重因子，加速算法快速收敛，提高该算法整体性能。
附图说明
图1为本发明一种融合卡尔曼滤波预测思想的适用于移动机器人导航的改进蚁群算法的流程图。
图2为本发明初始信息素分布过程中，建立起始点到目的点的折线方法示意图。
图3为本发明初始信息素分布方法结果，阴影部分为栅格地图初始信息素浓度分布示意图。
图4为本发明最优节点预测模型示意图，其中f1和f2为当前节点的下一可选节点，Xi,i∈1,2,3,4为f1和f2的下一可选节点。
具体实施方式
下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。
1、本发明提供一种融合卡尔曼滤波预测思想的适用于移动机器人导航的改进蚁群算法，包括以下步骤：
步骤一：根据移动机器人使用场景，构建二维栅格地图。同时，设置机器人运动起始点、目的点以及初始化障碍物信息等地图参数。
步骤二：根据步骤一，设置蚁群算法中蚁群大小、迭代次数、信息素蒸发率、启发信息权重因子和信息素权重因子等参数。同时，根据信息素初始分布规则进行初始蚁群算法信息素分布设定，并开始蚁群算法寻路迭代。
步骤三：在蚂蚁选择下一路径节点时，采用复合型节点选择策略。根据普通节点选择策略，同时融合最优节点预测模型进行路径节点选择。
步骤四：当蚂蚁搜索路径过程完成时，利用融合卡尔曼滤波思想的预测信息素更新模型进行全局信息素浓度最优更新，用于下一次蚂蚁寻路过程。
步骤五：根据蚂蚁寻路结果，采用动态更新方式进行蚁群算法节点概率公式中的信息素权重因子和启发信息权重因子的动态更新。
步骤六：判断蚁群算法迭代次数是否达到算法初始化迭代次数，若是，则进行下一步，否则，进行下一次蚂蚁寻路迭代过程。
步骤七：根据历次迭代数据，输出最优路径长度结果以及最优路径节点数据。
2、根据权利要求1所述的融合预测模型的改进蚁群算法，其特征在于，采用信息素初始分布规则进行信息素初始分布计算，增加蚁群算法的启发性。以移动机器人路径规划的起始点和目的点为固定两点建立直线，存储直线所经过栅格节点为数组Path，同时判断直线是否经过为障碍物的栅格节点，若是，删去该障碍物栅格节点并以障碍物为中心进行路径节点搜索，直至完成建立从起始点到目的点的直线或折线。
3、根据权利要求2所述的融合模糊预测模型的改进蚁群算法，其特征在于以构建的直线或折线长度LengthPath为数据标准，进行初始信息素浓度分布计算，具体计算如公式(1) 所示。
Figure BDA0003418246220000031
其中，R为常数，一般设定为10。
4、根据权利要求3所述的直线或折线建立方法，其特征在于以移动机器人路径规划起始点和目的点为固定两点建立直线，其中，直线由栅格节点连接组成。若直线经过障碍物，则以所经过障碍物节点的前、后节点为两点进行相互搜索，直至搜索一条不经过障碍物的直线或折线路径。
5、根据权利要4所述的障碍物节点的前、后节点相互搜索方法，其特征在于采用A*算法节点搜索思想，分别以障碍物节点的前、后节点为搜索起始点，以左上、上、右上、左、右、左下、下、右下八个方向进行搜索，若搜索节点不是障碍物节点，则将其记录至数组TauStraight。若搜索起始点被包含在数组TauStraight，则在TauStraight中以两个搜索起始点为起点和终点分别选取临近节点，构建路径长度最短的直线或折线，完成障碍物区域相互搜索。
6、根据权利要求1所述的融合最优节点预测模型，其特征在于，对于蚂蚁所处当前栅格节点LPosition，计算下一可选节点数组Can＝[f1,f2,...,fn]，其中n为可选节点个数。分别以每一个可选节点fi,i∈n为起始点，进行下一可选节点数组f＝[X1,X2,..,Xm]的计算，其中，m为可选节点个数。
基于上述可选节点定义方式，分别对fi,i∈m进行适应度计算求得 fitness＝[fitness(f1),fitness(f2),...,fitness(fn)]，根据公式(2)对适应度值大小进行归一化处理，求得Pi＝[p1,p2,...,pn]。同时，结合普通蚁群算法对于当前蚂蚁所处栅格节点的下一可选节点数组Can选择概率Pnormal＝[pno1,pno2,...,pnon]]，通过公式(3)和公式(4)进行下一可选节点概率的最优预测融合，求得预测概率Pfinal，并通过轮盘赌法进行节点选择，保证算法的多样性。
Figure BDA0003418246220000041
Pfinal＝[pfin1,pfin2,...,pfinn] (3)
Figure BDA0003418246220000042
7、根据权利要求6所述的节点适应度计算，其特征在于以当前节点信息素浓度Taunum和距离路径规划目的点的欧几里得距离Dis为参数，构建适应度计算模型，如公式(5)。
Figure BDA0003418246220000043
其中，Tau(xi)为栅格节点xi的信息素浓度数值，α为蚁群算法初始化的信息素权重数值，β为启发信息权重因子数值。
8、根据权利要求1所述的融合卡尔曼滤波思想的预测信息素更新模型，其特征在于基于卡尔曼滤波思想进行信息素更新策略的改进和融合。其中，信息素更新策略公式如公式(6) 所示。
Figure BDA0003418246220000051
其中，Tautra为普通蚁群算法信息素浓度值，ρ为信息素蒸发率，Q为常数1，Lz为当前蚂蚁z寻找到的路径长度。
引入改进信息素更新模型公式，如公式(7)所示。
Tauimprove(xi)＝(1-ρ)×Tauimprove(xi)+Dis(xi) (7)
9、根据权利要求8所述的融合卡尔曼滤波思想的预测信息素更新模型，其特征在于，一般来讲，卡尔曼滤波器要求观测量精确度高于状态量，基于蚁群算法系统，信息素浓度的精确度一般由该浓度对蚂蚁寻路的启发作用大小代为描述。
基于此，融合卡尔曼滤波思想，结合公式(8),以Tauimprove(xi)为卡尔曼系统状态变量xk， Dis(xi)为系统控制量uk，Tautra(xi)为卡尔曼系统观测量。为了保证算法的随机性和多样性求解，设定随机噪声Q和R分别为0.01，同时根据公式(6)和公式(7)可以求得矩阵A和矩阵H为1-ρ，矩阵B为1，协方差矩阵P初始为0。公式(8)中的I为单位矩阵。
Figure BDA0003418246220000052
10、根据权利要求9所述的融合卡尔曼滤波思想的预测信息素更新模型，其特征在于通过公式(8)对第k次蚂蚁寻得路径上得信息素浓度进行预测更新，求得传统信息素更新策略信息素数值和卡尔曼滤波思想预测信息素数值，获得二者融合预测后的具有较大启发作用的信息素浓度数值TauKalman(xi)，如公式(9)。其中xi为当前迭代蚂蚁寻找到的路径节点。
TauKalman(xi)＝xi (9)
11、根据权利要求1所述的采用数据融合动态更新方式进行蚁群算法节点概率公式中的信息素权重因子α和启发信息权重因子β的动态更新，其特征在于，根据蚂蚁寻找到的路径长度为对比值进行权重因子动态更新，如公式(10)所示。其中，所采用的路径长度主要是当此迭代路径长度和上一次迭代路径长度数据进行后续动态更新调整。
Figure BDA0003418246220000061
其中，LengthPath_k为第k次迭代蚂蚁寻路结果的路径长度，φ为常数0.1。
12、根据权利要求11所述的采用动态更新方式，其特征在于当蚂蚁搜索路径完成时，动态更新信息素浓度完成时，根据本次路径长度数据和上次路径长度数据根据公式(10)进行权重因子更新，用于下一次寻路搜索过程。
本发明并不局限于上述参数设置，在本发明公开的技术方案的基础上，本领域的技术人员根据所公开的技术内容，不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形，这些替换和变形均在本发明的保护范围内。

Claims (12)

1.一种融合卡尔曼滤波预测思想的适用于移动机器人导航的改进蚁群算法，其特征在于，包括以下步骤：
步骤一：根据移动机器人使用场景，构建二维栅格地图；同时，设置机器人运动起始点、目的点以及初始化障碍物信息等地图参数；
步骤二：根据步骤一，设置蚁群算法中蚁群大小、迭代次数、信息素蒸发率、启发信息权重因子和信息素权重因子等参数；同时，根据信息素初始分布规则进行初始蚁群算法信息素分布设定，并开始蚁群算法寻路迭代；
步骤三：在蚂蚁选择下一路径节点时，采用复合型节点选择策略；根据普通节点选择策略，同时融合最优节点预测模型进行路径节点选择；
步骤四：当蚂蚁搜索路径过程完成时，利用融合卡尔曼滤波思想的预测信息素更新模型进行全局信息素浓度最优更新，用于下一次蚂蚁寻路过程；
步骤五：根据蚂蚁寻路结果，采用动态更新方式进行蚁群算法节点概率公式中的信息素权重因子和启发信息权重因子的动态更新；
步骤六：判断蚁群算法迭代次数是否达到算法初始化迭代次数，若是，则进行下一步，否则，进行下一次蚂蚁寻路迭代过程；
步骤七：根据历次迭代数据，输出最优路径长度结果以及最优路径节点数据。
2.根据权利要求1所述的融合预测模型的改进蚁群算法，其特征在于，采用信息素初始分布规则进行信息素初始分布计算，增加蚁群算法的启发性；以移动机器人路径规划的起始点和目的点为固定两点建立直线，存储直线所经过栅格节点为数组Path，同时判断直线是否经过为障碍物的栅格节点，若是，删去该障碍物栅格节点并以障碍物为中心进行路径节点搜索，直至完成建立从起始点到目的点的直线或折线。
3.根据权利要求2所述的融合模糊预测模型的改进蚁群算法，其特征在于以构建的直线或折线长度LengthPath为数据标准，进行初始信息素浓度分布计算，具体计算如公式(1)所示；
Figure FDA0003418246210000011
其中，R为常数，一般设定为10。
4.根据权利要求3所述的直线或折线建立方法，其特征在于以移动机器人路径规划起始点和目的点为固定两点建立直线，其中，直线由栅格节点连接组成；若直线经过障碍物，则以所经过障碍物节点的前、后节点为两点进行相互搜索，直至搜索一条不经过障碍物的直线或折线路径。
5.根据权利要4所述的障碍物节点的前、后节点相互搜索方法，其特征在于采用A*算法节点搜索思想，分别以障碍物节点的前、后节点为搜索起始点，以左上、上、右上、左、右、左下、下、右下八个方向进行搜索，若搜索节点不是障碍物节点，则将其记录至数组TauStraight；若搜索起始点被包含在数组TauStraight，则在TauStraight中以两个搜索起始点为起点和终点分别选取临近节点，构建路径长度最短的直线或折线，完成障碍物区域相互搜索。
6.根据权利要求1所述的融合最优节点预测模型，其特征在于，对于蚂蚁所处当前栅格节点LPosition，计算下一可选节点数组Can＝[f1,f2,...,fn]，其中n为可选节点个数；分别以每一个可选节点fi,i∈n为起始点，进行下一可选节点数组f＝[X1,X2,..,Xm]的计算，其中，m为可选节点个数；
基于上述可选节点定义方式，分别对fi,i∈m进行适应度计算求得fitness＝[fitness(f1),fitness(f2),...,fitness(fn)]，根据公式(2)对适应度值大小进行归一化处理，求得Pi＝[p1,p2,...,pn]；同时，结合普通蚁群算法对于当前蚂蚁所处栅格节点的下一可选节点数组Can选择概率Pnormal＝[pno1,pno2,...,pnon]]，通过公式(3)和公式(4)进行下一可选节点概率的最优预测融合，求得预测概率Pfinal，并通过轮盘赌法进行节点选择，保证算法的多样性。
Figure FDA0003418246210000021
Pfinal＝[pfin1,pfin2,...,pfinn] (3)
Figure FDA0003418246210000022
7.根据权利要求6所述的节点适应度计算，其特征在于以当前节点信息素浓度Taunum和距离路径规划目的点的欧几里得距离Dis为参数，构建适应度计算模型，如公式(5)；
Figure FDA0003418246210000031
其中，Tau(xi)为栅格节点xi的信息素浓度数值，α为蚁群算法初始化的信息素权重数值，β为启发信息权重因子数值。
8.根据权利要求1所述的融合卡尔曼滤波思想的预测信息素更新模型，其特征在于基于卡尔曼滤波思想进行信息素更新策略的改进和融合；其中，信息素更新策略公式如公式(6)所示；
Figure FDA0003418246210000032
其中，Tautra为普通蚁群算法信息素浓度值，ρ为信息素蒸发率，Q为常数1，Lz为当前蚂蚁z寻找到的路径长度；
引入改进信息素更新模型公式，如公式(7)所示；
Tauimprove(xi)＝(1-ρ)×Tauimprove(xi)+Dis(xi) (7)。
9.根据权利要求8所述的融合卡尔曼滤波思想的预测信息素更新模型，其特征在于，一般来讲，卡尔曼滤波器要求观测量精确度高于状态量，基于蚁群算法系统，信息素浓度的精确度一般由该浓度对蚂蚁寻路的启发作用大小代为描述；
基于此，融合卡尔曼滤波思想，结合公式(8)，以Tauimprove(xi)为卡尔曼系统状态变量xk，Dis(xi)为系统控制量uk，Tautra(xi)为卡尔曼系统观测量；为了保证算法的随机性和多样性求解，设定随机噪声Q和R分别为0.01，同时根据公式(6)和公式(7)可以求得矩阵A和矩阵H为1-ρ，矩阵B为1，协方差矩阵P初始为0；公式(8)中的I为单位矩阵。
Figure FDA0003418246210000033
10.根据权利要求9所述的融合卡尔曼滤波思想的预测信息素更新模型，其特征在于通过公式(8)对第k次蚂蚁寻得路径上得信息素浓度进行预测更新，求得传统信息素更新策略信息素数值和卡尔曼滤波思想预测信息素数值，获得二者融合预测后的具有较大启发作用的信息素浓度数值TauKalman(xi)，如公式(9)；其中xi为当前迭代蚂蚁寻找到的路径节点。
TauKalman(xi)＝xi (9)
11.根据权利要求1所述的采用数据融合动态更新方式进行蚁群算法节点概率公式中的信息素权重因子α和启发信息权重因子β的动态更新，其特征在于，根据蚂蚁寻找到的路径长度为对比值进行权重因子动态更新，如公式(10)所示；其中，所采用的路径长度主要是当此迭代路径长度和上一次迭代路径长度数据进行后续动态更新调整；
Figure FDA0003418246210000041
其中，LengthPath_k为第k次迭代蚂蚁寻路结果的路径长度，φ为常数0.1。
12.根据权利要求11所述的采用动态更新方式，其特征在于当蚂蚁搜索路径完成时，动态更新信息素浓度完成时，根据本次路径长度数据和上次路径长度数据根据公式(10)进行权重因子更新，用于下一次寻路搜索过程。
CN202111554768.XA 2021-12-17 2021-12-17 一种融合卡尔曼滤波预测思想的适用于移动机器人导航的改进蚁群算法 Active CN114237252B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111554768.XA CN114237252B (zh) 2021-12-17 2021-12-17 一种融合卡尔曼滤波预测思想的适用于移动机器人导航的改进蚁群算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111554768.XA CN114237252B (zh) 2021-12-17 2021-12-17 一种融合卡尔曼滤波预测思想的适用于移动机器人导航的改进蚁群算法

Publications (2)

Publication Number Publication Date
CN114237252A true CN114237252A (zh) 2022-03-25
CN114237252B CN114237252B (zh) 2023-05-26

Family

ID=80758441

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111554768.XA Active CN114237252B (zh) 2021-12-17 2021-12-17 一种融合卡尔曼滤波预测思想的适用于移动机器人导航的改进蚁群算法

Country Status (1)

Country Link
CN (1) CN114237252B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104298239A (zh) * 2014-09-29 2015-01-21 湖南大学 一种室内移动机器人增强地图学习路径规划方法
US20180012370A1 (en) * 2016-07-06 2018-01-11 Qualcomm Incorporated Systems and methods for mapping an environment
CN108241375A (zh) * 2018-02-05 2018-07-03 景德镇陶瓷大学 一种自适应蚁群算法在移动机器人路径规划中的应用方法
CN109307511A (zh) * 2018-09-04 2019-02-05 山东理工大学 一种人工鱼群算法优化的容积粒子滤波导航方法
CN110645990A (zh) * 2019-10-17 2020-01-03 浙江科技学院 一种基于svm和卡尔曼滤波的鱼群动态预测的水域巡航系统
CN111722257A (zh) * 2020-06-29 2020-09-29 河南工业大学 一种基于gps和ins组合制导的远程救援机器人系统
CN113093724A (zh) * 2021-02-24 2021-07-09 上海工程技术大学 一种基于改进蚁群算法的agv路径规划方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104298239A (zh) * 2014-09-29 2015-01-21 湖南大学 一种室内移动机器人增强地图学习路径规划方法
US20180012370A1 (en) * 2016-07-06 2018-01-11 Qualcomm Incorporated Systems and methods for mapping an environment
CN108241375A (zh) * 2018-02-05 2018-07-03 景德镇陶瓷大学 一种自适应蚁群算法在移动机器人路径规划中的应用方法
CN109307511A (zh) * 2018-09-04 2019-02-05 山东理工大学 一种人工鱼群算法优化的容积粒子滤波导航方法
CN110645990A (zh) * 2019-10-17 2020-01-03 浙江科技学院 一种基于svm和卡尔曼滤波的鱼群动态预测的水域巡航系统
CN111722257A (zh) * 2020-06-29 2020-09-29 河南工业大学 一种基于gps和ins组合制导的远程救援机器人系统
CN113093724A (zh) * 2021-02-24 2021-07-09 上海工程技术大学 一种基于改进蚁群算法的agv路径规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何雨: "基于全向移动机器人路径规划的蚁群算法研究" *

Also Published As

Publication number Publication date
CN114237252B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN109945881B (zh) 一种蚁群算法的移动机器人路径规划方法
CN111930121B (zh) 一种室内移动机器人的混合路径规划方法
CN112987799B (zh) 一种基于改进rrt算法的无人机路径规划方法
CN111880561B (zh) 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法
CN113296520B (zh) 融合a*与改进灰狼算法的巡检机器人路径规划方法
CN110794832A (zh) 一种基于强化学习的移动机器人路径规划方法
CN113359746A (zh) 基于改进双向RRT和Dijkstra融合算法的路径规划方法和装置
CN114020045A (zh) 一种基于改进蚁群算法的无人机航迹规划方法
CN115639828B (zh) 基于改进人工鱼群算法的机器人路径规划方法及装置
CN114895707A (zh) 基于变频蝙蝠算法的农业无人机路径规划方法及系统
CN113805609A (zh) 一种混沌迷失鸽群优化机制的无人机群目标搜索方法
Bai et al. Design and Simulation of a Collision-free Path Planning Algorithm for Mobile Robots Based on Improved Ant Colony Optimization.
CN110530373A (zh) 一种机器人路径规划方法、控制器及系统
WO2023197092A1 (zh) 一种基于改进rrt算法的无人机路径规划方法
CN114167865A (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
CN115373384A (zh) 一种基于改进rrt的车辆动态路径规划方法及系统
CN111189455A (zh) 一种基于改进生物地理学算法结合贝塞尔函数的无人机航路规划方法、系统及存储介质
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
CN114237252A (zh) 一种融合卡尔曼滤波预测思想的适用于移动机器人导航的改进蚁群算法
CN112000105A (zh) 一种基于交流策略蚁群算法的移动机器人路径规划方法
CN116627175A (zh) 一种基于改进蚁群算法的无人机路径规划方法
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
CN114779820A (zh) 一种带有智能决策的多目的地无人机实时航迹规划方法
Huang et al. Adaptive Informed RRT*: Asymptotically Optimal Path Planning With Elliptical Sampling Pools in Narrow Passages
Zhou et al. The route planning for AMR based on combined ant colony and genetic algorithm

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