CN114564008A - 基于改进A-Star算法的移动机器人路径规划方法 - Google Patents
基于改进A-Star算法的移动机器人路径规划方法 Download PDFInfo
- Publication number
- CN114564008A CN114564008A CN202210061323.6A CN202210061323A CN114564008A CN 114564008 A CN114564008 A CN 114564008A CN 202210061323 A CN202210061323 A CN 202210061323A CN 114564008 A CN114564008 A CN 114564008A
- Authority
- CN
- China
- Prior art keywords
- mobile robot
- path
- robot
- algorithm
- initial
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Manipulator (AREA)
Abstract
本发明公开了基于改进A‑Star算法的移动机器人路径规划方法,步骤1,基于移动机器人的真实工作环境,进行环境建模并建立二维坐标系;步骤2,利用A‑Star算法规划获得移动机器人的全局初始路径;步骤3,采用模糊逻辑算法跟踪获得全局优化路径;步骤4,利用2‑opt算法选择最优路径。使机器人在复杂环境下也能有效跟踪理想的路径,同时能很好保证机器人动力学的稳定性。
Description
技术领域
本发明涉及基于改进A-Star算法的移动机器人路径规划方法,属于机器人自主导航技术领域。
背景技术
近年来随着机器人技术的发展和广泛应用,机器人在工业、农业、军事以及民用等领域有着越来越广泛的应用。自主智能移动机器人是现今国际上机器人研究领域的热点,而路径规划则是智能移动机器人的一个重要的组成部分,其研究目的是使机器人能在不同的环境中自主路径规划。环境感知是移动机器人进行自主路径规划的关键技术,获取这些信息的传感器需要足够大的视场来覆盖整个工作区,有需要较高的采集速率以保证在运动的环境中能够提供实时的信息。增加视觉系统是移动机器人的发展方向,其自主和自适应能力可以大大提高。
现有技术中也对移动机器人的路径规划方法提出了遗传算法和蚁群算法;前者不适用不规则障碍物的路径规划,该算法没有能够及时利用网络的反馈信息,故这种算法的搜索速度比较慢,要得到较精确的解则需要较多的训练时间;后者是通过蚂蚁释放信息素来寻求路径,但是这种算法在蚂蚁完成一次循环后,还需要对其信息素进行实时更新,而且需要迭代多次效率比较低。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供基于改进A-Star算法的移动机器人路径规划方法,使机器人在复杂环境下也能有效跟踪理想的路径,同时能很好保证机器人动力学的稳定性。
为达到上述目的,本发明提供基于改进A-Star算法的移动机器人路径规划方法,包括:
步骤1,基于移动机器人的真实工作环境,进行环境建模获得二维坐标系;
步骤2,利用A-Star算法规划获得移动机器人的全局初始路径;
步骤3,采用模糊逻辑算法跟踪获得全局优化路径;
步骤4,利用2-opt算法选择最优路径。
优先地,步骤1中,基于构建的二维坐标系,获取障碍物坐标、移动机器人的起始位置Xstart和移动机器人的目标位置Xgoal;
设定移动机器人的安全范围。
优先地,步骤2,包括:
1),设定步长s和目标点阙值ε;
2),计算起始位置和目标位置的欧氏距离,将欧氏距离与步长s作比较;
若欧氏距离≤步长s,则将起始位置和目标位置直线连接,并作为移动机器人的初始路径,否则执行3);
3),基于A-Star算法的启发式函数,获得移动机器人的全局初始路径。
优先地,启发式函数为:
式中,x为移动机器人当前所在位置的横坐标,y为移动机器人当前所在位置的纵坐标,xgoal为目标位置的横坐标,ygoal为目标位置的纵坐标。
优先地,步骤3,包括:
基于全局初始路径,采用模糊逻辑算法控制路径跟踪,获得局部避障路径;
对全局初始路径和局部避障路径进行模糊处理,获得全局优化路径;
模糊控制器设置移动机器人的自主运动时间速度常数τv、角速度时间常数τθ、移动机器人运动速度vc和移动机器人前进的角度θc。
优先地,步骤4,包括:
从全局优化路径中随机选择两个坐标位置;
颠倒两个坐标位置之间的目标顺序,求出新的路径;
若新的路径长度小于全局优化路径的长度,则将新的路径作为移动机器人移动的最优路径,否则将全局优化路径作为移动机器人移动的最优路径。
优先地,模糊逻辑算法为:
设移动机器人到起始位置的距离ρ,此时移动机器人到起始位置的相对距离为:
x0=ρcosθ,
y0=ρsinθ,
式中,xn为移动机器人在模糊逻辑算法中得到的横坐标的点集,yn为移动机器人在模糊逻辑算法中得到的纵坐标的点集;
模糊逻辑控制目标是设计控制输入U,移动机器人的实际移动轨迹的横坐标的点集和对应的移动机器人的实际移动轨迹的纵坐标的点集一一组合获得多个连续坐标位置的,记为局部避障路径X;
对全局初始路径和局部避障路径进行模糊处理,获得全局优化路径Xcompare-ideal。
优先地,设定移动机器人的安全范围dsafe:
dsafe=r+l
式中,r为移动机器人的工作半径,l为设定的常数。
本发明所达到的有益效果:
1.与现有技术相比,本发明引入了安全距离,保证了机器人按照规划好的路径移动时,不会与障碍物发生碰撞,保证了机器人的安全性。
2.与现有技术相比,本发明引入了A-Star算法,规划出既符合避障条件、又适合机器人自身动力学约束的全局路径,提高了路径规划时的效率,保证了路径的可跟踪性的特点。
3.与现有技术相比,本发明巧妙地将机器人动力学模型与模糊逻辑算法融合在一起,不仅使机器人在复杂的环境下也能跟踪到较为理想避障的路径,同时保持机器人动力学的稳定性。
4.与现有技术相比,本发明引入了2-opt算法,选择出的路径不仅符合机器人的动力学要求,而且更加适合机器人在复杂环境下的移动的理想路径。
附图说明
图1是本发明的流程图;
图2是本发明在不同安全距离下最优路径的仿真结果图;
图3是本发明在不同安全距离下最优路径的仿真结果图。
具体实施方式
以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
基于移动机器人的真实工作环境,通过无人机搭载的航拍相机获取环境地图,对环境地图进行处理传送到机器人的核心处理器中。对移动机器人所在的环境建立二维坐标系,对多边形障碍物的边缘进行采样,获取障碍物在该环境地图中的顶点坐标,在该二维坐标系中确定起始点和目标点的位置,建立合适的安全移动范围,作为A-Star算法规划其安全路径的边界条件。建立机器人动力学模型,设机器人本体为圆形,边界条件为:1)对于凹多边形障碍物,获取它的顶点坐标,将它的各个顶点相互连接,从而对凹多边形进行填补,即为对按多边形进行凸化处理。2)对于凸多边形障碍物,设安全距离为dsafe,即为:
dsafe=r+l,
其中r为机器人的工作半径,l为常数。
如图1所示,一种基于改进A-Star的移动机器人的路径规划方法,包括:
步骤1:环境地图中不规则障碍物的处理,包括:
通过无人机搭载的航拍相机获取周围环境信息,进行环境建模,建立二维坐标系,获取移动机器人的起始位置和移动机器人的目标位置;设定安全移动范围,作为A-Star算法规划其安全路径的边界条件;
步骤2:通过A-Star算法规划移动机器人的全局路径,包括:
初始化A-Star算法,设起始位置为Xstart、目标位置为Xgoal、步长s和目标点阙值ε;
计算起始位置和目标位置的欧氏距离,将欧氏距离与步长s作比较,若欧氏距离小于或等于步长s,将起始位置和目标位置直线连接,作为移动机器人的初始路径,否则执行3);
基于A-Star算法的启发式函数Hn,用于快速规划一条全局初始路径,规划移动机器人的移动机器人的初始路径并回溯,最终得到移动机器人的全局初始路径。
步骤3:采用模糊逻辑算法有效且平稳地跟踪较为理想的局部避障路径,获得全局优化路径,包括:
在上述A-Star算法规划出全局初始路径之后,采用模糊逻辑算法控制路径跟踪,获得较为理想的局部避障路径;所述的模糊逻辑控制算法通过设置模糊控制器实现;
对全局初始路径和局部避障路径进行模糊处理,获得全局优化路径,同时模糊控制器设置移动机器人自主运动时间速度常数τv,角速度时间常数τθ,设定移动机器人运动的速度和移动机器人前进的角度,实现移动机器人的局部路径的优化。
步骤4:2-opt算法选择最优的路径,步骤包括:
从全局优化路径中随机选择两个位置;
颠倒两个位置之间的目标顺序,求出新的路径;
如果新的路径长度小于全局优化路径的长度,则选择该新路径作为移动机器人移动的路径,否则选择全局优化路径为移动机器人移动的路径。
所述的启发式函数为:
式中,x为移动机器人当前所在位置的横坐标,y为移动机器人当前所在位置的纵坐标,xgoal为目标位置的横坐标,ygoal为目标位置的纵坐标。
所述模糊逻辑算法中:
设移动机器人到起始位置的距离ρ,此时移动机器人到起始位置的相对距离为:
x0=ρcosθ
y0=ρsinθ,
x0为移动机器人到起始位置的水平距离,y0为移动机器人到起始位置的垂直距离;
式中,xn为移动机器人的实际移动轨迹的横坐标的点集,yn为移动机器人的实际移动轨迹的纵坐标的点集,
模糊逻辑控制目标是设计控制输入U,移动机器人的实际移动轨迹的横坐标的点集和对应的移动机器人的实际移动轨迹的纵坐标的点集一一组合获得多个连续坐标位置的,记为局部避障路径X;对全局初始路径和局部避障路径进行模糊处理,获得全局优化路径Xcompare-ideal。为了验证本发明所提供的移动机器人路径规划方法的可行性和有效性,本实施例分别设置50m×50m的环境,设起点为Xstart=(2.5,3),终点为Xgoal=(43.5,40),速度为1.25m/s,角度为5°,r为1.0m,l为0.1m,安全距离为1.1m时的最优路径如图2所示;假设r为1.5m,l为0.1m安全距离为1.6m时的最优路径如图3所示。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.基于改进A-Star算法的移动机器人路径规划方法,其特征在于,包括:
步骤1,基于移动机器人的真实工作环境,进行环境建模并建立二维坐标系;
步骤2,利用A-Star算法规划获得移动机器人的全局初始路径;
步骤3,采用模糊逻辑算法跟踪获得全局优化路径;
步骤4,利用2-opt算法选择最优路径。
2.根据权利要求1所述的基于改进A-Star算法的移动机器人路径规划方法,其特征在于,步骤1中,基于构建的二维坐标系,获取障碍物坐标、移动机器人的起始位置Xstart和移动机器人的目标位置Xgoal;
设定移动机器人的安全范围。
3.根据权利要求2所述的基于改进A-Star算法的移动机器人路径规划方法,其特征在于,步骤2,包括:
1),设定步长s和目标点阙值ε;
2),计算起始位置和目标位置的欧氏距离,将欧氏距离与步长s作比较;
若欧氏距离≤步长s,则将起始位置和目标位置直线连接,并作为移动机器人的初始路径,否则执行3);
3),基于A-Star算法的启发式函数,获得移动机器人的全局初始路径。
5.根据权利要求3所述的基于改进A-Star算法的移动机器人路径规划方法,其特征在于,步骤3,包括:
基于全局初始路径,采用模糊逻辑算法控制路径跟踪,获得局部避障路径;
对全局初始路径和局部避障路径进行模糊处理,获得全局优化路径;
模糊控制器设置移动机器人的自主运动时间速度常数τv、角速度时间常数τθ、移动机器人运动速度vc和移动机器人前进的角度θc。
6.根据权利要求5所述的基于改进A-Star算法的移动机器人路径规划方法,其特征在于,步骤4,包括:
从全局优化路径中随机选择两个坐标位置;
颠倒两个坐标位置之间的目标顺序,求出新的路径;
若新的路径长度小于全局优化路径的长度,则将新的路径作为移动机器人移动的最优路径,否则将全局优化路径作为移动机器人移动的最优路径。
7.根据权利要求5所述的基于改进A-Star算法的移动机器人路径规划方法,其特征在于,模糊逻辑算法为:
设移动机器人到起始位置的距离ρ,此时移动机器人到起始位置的相对距离为:
x0=ρcosθ,
y0=ρsinθ,
式中,x0为移动机器人到起始位置的水平距离,y0为移动机器人到起始位置的垂直距离;
式中,xn为移动机器人在模糊逻辑算法中得到的横坐标的点集,yn为移动机器人在模糊逻辑算法中得到的纵坐标的点集;
模糊逻辑控制目标是设计控制输入U,移动机器人的实际移动轨迹的横坐标的点集和对应的移动机器人的实际移动轨迹的纵坐标的点集一一组合获得多个连续坐标位置的,记为局部避障路径X;
对全局初始路径和局部避障路径进行模糊处理,获得全局优化路径Xcompare-ideal。
8.根据权利要求2所述的基于改进A-Star算法的移动机器人路径规划方法,其特征在于,设定移动机器人的安全范围dsafe:
dsafe=r+l
式中,r为移动机器人的工作半径,l为设定的常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210061323.6A CN114564008A (zh) | 2022-01-19 | 2022-01-19 | 基于改进A-Star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 |
---|---|---|---|
CN202210061323.6A CN114564008A (zh) | 2022-01-19 | 2022-01-19 | 基于改进A-Star算法的移动机器人路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114564008A true CN114564008A (zh) | 2022-05-31 |
Family
ID=81712467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210061323.6A Pending CN114564008A (zh) | 2022-01-19 | 2022-01-19 | 基于改进A-Star算法的移动机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114564008A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114986524A (zh) * | 2022-08-08 | 2022-09-02 | 中国科学院自动化研究所 | 基于脑机接口的机械臂轨迹规划方法、装置以及电子设备 |
CN116976535A (zh) * | 2023-06-27 | 2023-10-31 | 上海师范大学 | 一种基于少数障碍侧与转向代价相融合的路径规划算法 |
CN116976535B (zh) * | 2023-06-27 | 2024-05-17 | 上海师范大学 | 一种基于少数障碍侧与转向代价相融合的路径规划方法 |
-
2022
- 2022-01-19 CN CN202210061323.6A patent/CN114564008A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114986524A (zh) * | 2022-08-08 | 2022-09-02 | 中国科学院自动化研究所 | 基于脑机接口的机械臂轨迹规划方法、装置以及电子设备 |
CN116976535A (zh) * | 2023-06-27 | 2023-10-31 | 上海师范大学 | 一种基于少数障碍侧与转向代价相融合的路径规划算法 |
CN116976535B (zh) * | 2023-06-27 | 2024-05-17 | 上海师范大学 | 一种基于少数障碍侧与转向代价相融合的路径规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106406338B (zh) | 一种基于激光测距仪的全向移动机器人的自主导航装置及其方法 | |
CN106354161A (zh) | 机器人运动路径规划方法 | |
Nguyen et al. | Path planning and obstacle avoidance approaches for mobile robot | |
Luo et al. | Sensor-based autonomous robot navigation under unknown environments with grid map representation | |
CN112947594B (zh) | 一种面向无人机的航迹规划方法 | |
Gao et al. | Multi-mobile robot autonomous navigation system for intelligent logistics | |
Butzke et al. | The University of Pennsylvania MAGIC 2010 multi‐robot unmanned vehicle system | |
CN112857370A (zh) | 一种基于时序信息建模的机器人无地图导航方法 | |
Chen et al. | Tracking with UAV using tangent-plus-Lyapunov vector field guidance | |
Gyenes et al. | Motion planning for mobile robots using the safety velocity obstacles method | |
Meng et al. | Research on SLAM navigation of wheeled mobile robot based on ROS | |
CN114564008A (zh) | 基于改进A-Star算法的移动机器人路径规划方法 | |
Zhou et al. | SLAM algorithm and navigation for indoor mobile robot based on ROS | |
Wang et al. | Research on autonomous planning method based on improved quantum Particle Swarm Optimization for Autonomous Underwater Vehicle | |
Zhou et al. | On deep recurrent reinforcement learning for active visual tracking of space noncooperative objects | |
Howlett et al. | Learning real-time A* path planner for unmanned air vehicle target sensing | |
Munishkin et al. | Stochastic optimal control navigation with the avoidance of unsafe configurations | |
Zhang et al. | 2D map building and path planning based on LiDAR | |
Zhang et al. | Vision-based moving target interception with a mobile robot based on motion prediction and online planning | |
Kurdi et al. | Trajectory and Motion for Agricultural Robot | |
Ebert et al. | Robust long-range teach-and-repeat in non-urban environments | |
Luo et al. | An effective search and navigation model to an auto-recharging station of driverless vehicles | |
Oyana et al. | Three-layer multi-uavs path planning based on ROBL-MFO | |
Cao et al. | Path Planning for Intelligent Vehicle Based on Improved Ant Colony Algorithm | |
Maeyama et al. | Long distance outdoor navigation of an autonomous mobile robot by playback of perceived route map |
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 |