CN114740873A - 一种基于多目标改进粒子群算法的自主式水下机器人的路径规划方法 - Google Patents
一种基于多目标改进粒子群算法的自主式水下机器人的路径规划方法 Download PDFInfo
- Publication number
- CN114740873A CN114740873A CN202210386675.9A CN202210386675A CN114740873A CN 114740873 A CN114740873 A CN 114740873A CN 202210386675 A CN202210386675 A CN 202210386675A CN 114740873 A CN114740873 A CN 114740873A
- Authority
- CN
- China
- Prior art keywords
- path
- particle swarm
- underwater robot
- algorithm
- autonomous underwater
- 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
Links
- 239000002245 particle Substances 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000013016 learning Effects 0.000 claims abstract description 15
- 230000035772 mutation Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 52
- 238000005457 optimization Methods 0.000 claims description 17
- 230000001149 cognitive effect Effects 0.000 claims description 8
- 230000009326 social learning Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000004387 environmental modeling Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- PHTXVQQRWJXYPP-UHFFFAOYSA-N ethyltrifluoromethylaminoindane Chemical compound C1=C(C(F)(F)F)C=C2CC(NCC)CC2=C1 PHTXVQQRWJXYPP-UHFFFAOYSA-N 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G05D1/04—Control of altitude or depth
- G05D1/06—Rate of change of altitude or depth
- G05D1/0692—Rate of change of altitude or depth specially adapted for under-water vehicles
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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于多目标改进粒子群算法的自主式水下机器人的路径规划方法,其包括:自主式水下机器人路径规划问题环境建模;多目标改进粒子群算法参数初始化;多目标改进粒子群算法对路径进行优化;输出最优路径。本发明在标准粒子群算法的基础上引入变异算子,避免算法陷入局部最优,利用自适应惯性权重系数和动态调整的学习因子有效地缩短了规划时间,综合考虑路径长度、路径安全性和路径平滑度等因素的影响,避免出现大的转角变化,实现安全、经济的自主航行,可应用于自主式水下机器人的自主航行系统。
Description
技术领域
本发明涉及自主式水下机器人路径规划领域,尤其涉及一种基于多目标改进粒子群算法的自主式水下机器人的路径规划方法。
背景技术
自主式水下机器人(AUV)被广泛应用于军事和民用领域,例如排雷、海洋采样、地质采样和海底勘探等任务。它融合了通信、网络化系统、信息融合和智能控制等技术,可实现自主导航、智能避障等功能,其中路径自动规划是自主式水下机器人自主航行系统的核心内容。
目前关于自主式水下机器人的路径规划方法有多种,常采用标准粒子群算法、遗传算法等群智能算法进行路径规划,但是在使用标准粒子群算法进行路径规划时,其规划时间长、收敛速度慢,且易于陷入局部最优。遗传算法进行路径规划时搜索速度比较慢,对初始种群的选择有一定的依赖性缺。对于自主式水下机器人来说,这些算法在规划路径都有各自的弊端。另外,已有的一些路径规划方法通常只考虑路径长度等单一目标,忽略水下机器人自身机动性、路径安全和路径平滑度等因素的影响,无法安全、经济、稳定的实现水下机器人的自主航行。
因此,提出一种快速且能避免陷入局部路径规划方法是非常必要的。
发明内容
(一)发明的目的
针对现有关于自主式水下机器人路径规划方法中标准粒子群算法规划时间长、收敛速度慢且易于陷入局部最优的弊端以及已有的一些路径规划方法中只考虑路径长度等单一目标,忽略水下机器人自身机动性、路径安全和路径平滑度等因素的影响,因此提出一种基于多目标改进粒子群的自主式水下机器人路径的规划方法。解决算法运行时间长、收敛速度慢、易于陷入局部最优,同时在路径规划过程中考虑水下机器人自身物理限制,达到快速、经济、安全的规划效果,为实现自主式水下机器人自主航行提供依据。
(二)技术方案
为了达到上述目的,本发明一种基于多目标改进粒子群算法的自主式水下机器人的路径规划方法,包括:
步骤一:自主式水下机器人路径规划问题环境建模
(1)路径规划问题的环境建模
路径规划的环境设置为三维空间,建立环境地图的全局坐标系O-XYZ;P0为水下机器人的出发点,PN为水下机器人的目标点;水下机器人的路径在三维环境地图中可以表示为起点、目标点和中间经过的n个航路点组成的集合:Path={P0,p1,p2…pn,PN};其中,P={p1,p2…pn}为路径规划的优化目标,每个p航路点含有水下机器人运动的三维坐标[x,y,z];
(2)路径规划问题的三个目标函数
本发明考虑三个目标函数:路径长度函数、路径安全函数和路径平滑度函数;其定义分别是如下:
1)路径长度函数A1:
其中,||·||表示欧式距离;
2)路径安全函数A2:
OB表示所有障碍区域的集合;
3)路径平滑度函数A3:
步骤二:多目标改进粒子群算法参数初始化
多目标改进粒子群算法需要初始化的参数:首先设置粒子数量M、粒子数量pnum、最大迭代次数T、最小迭代次数itermin,自适应惯性权重系数ω,两个动态调整的学习因子c1,c2;
步骤三:多目标改进粒子群算法对路径进行优化
种群初始化,粒子获得初始位置;计算综合适应度函数值;判断粒子是否达到变异阈值,即判断同一个粒子的综合适应度函数值小于个体最优综合适应度函数值的次数是否大于变异阈值,若是则利用变异算子进行变异操作,返回上一步计算综合适应度函数值,否则,利用速度和位置规则不断更新,更新个体最优位置和全局最优位置;此步结束之后,判断是否已经达到最大迭代次数,如果算法未达到最大迭代次数算法的迭代次数加1,重复步骤三,如果算法达到最大迭代次数便会终止,转向步骤四;
步骤四:输出最优路径
算法达到最大迭代次数,输出最优Path,路径规划结束,自主式水下机器人获得所在环境要求的最优路径。
优选地,在所述步骤二之前,所述步骤一之后,还包括:
将三个目标函数转化为单调性一致的综合适应度函数,其公式如下:
F=η1A1+η2A2+η3A3
其中,ηi(i=1,2,3)为权衡因子。
优选地,所述步骤二中所述自适应惯性权重系数ω先线性递增后非线性减小,其公式为:
ω=ωmax,ω>ωmax
其中,ωr为惯性权重系数的初始值,ωmin为惯性权重系数的最小值,ωmax为惯性权重系数的最大值,t为当前迭代次数;
优选地,所述步骤二中所述动态调整的认知学习因子c1和动态调整的社会学习因子c2的公式如下:
其中,c1min为认知学习因子的最小值,c2min为社会学习因子的最小值;c1max为认知学习因子的最大值,c1max为社会学习因子的最大值;K1和K2为两个可调节的正数。
优选地,所述步骤二中所述多目标改进粒子群算法中引入具有变异阈值的变异算子,即判断同一个粒子的综合适应度函数值小于个体最优综合适应度函数值的次数是否大于变异阈值,若是则利用变异算子进行变异操作,返回上一步计算综合适应度函数值,否则,利用速度和位置规则不断更新,更新个体最优位置和全局最优位置。
(三)有益效果:
与现有技术相比,本发明具有如下的有益效果:
1、在标准粒子群算法的基础上引入变异算子,可以增加种群的多样性,避免算法陷入局部最优,从而获得自主式水下机器人的最优路径。
2、使用自适应惯性权重系数ω和动态调整的学习因子c1,c2,能够有效地加速算法收敛,有效地缩短规划时间,从而快速获得自主式水下机器人的最优路径。
3、将多个目标函数转化为单调性一致的综合适应度函数,综合考虑路径长度、路径安全和路径平滑度等因素,可以实现自主式水下机器人经济、安全、稳定航行,避免规划路径产生大角度变化。
附图说明
图1为本发明基于多目标改进粒子群算法的自主式水下机器人的路径规划方法流程图;
图2为本发明基于多目标改进粒子群算法流程图;
图3为本发明基于多目标改进粒子群算法的自主式水下机器人的路径规划方法的仿真实施例中规划出的最优路径。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图和实施例,对本发明进行进一步详细说明。
如图1所示,本发明一种基于多目标改进粒子群算法的自主式水下机器人的路径规划方法,包括以下步骤:
步骤一:自主式水下机器人路径规划问题环境建模
(1)路径规划问题的环境建模
路径规划的环境设置为三维空间,建立环境地图的全局坐标系O-XYZ;使用规则的球和长方体表示障碍物,P0为水下机器人的出发点,PN为水下机器人的目标点;水下机器人的路径在三维环境地图中可以表示为起点、目标点和中间经过的n个航路点组成的集合:Path={P0,p1,p2…pn,PN};其中,P={p1,p2…pn}为路径规划的优化目标,每个p航路点含有水下机器人运动的三维坐标[x,y,z];
(2)路径规划问题的三个目标函数
本发明考虑三个目标函数:路径长度函数、路径安全函数和路径平滑度函数,其定义分别是如下:
1)路径长度函数A1:
其中,||·||表示欧式距离;
2)路径安全函数A2:
OB表示所有障碍区域的集合;
3)路径平滑度函数A3:
综合适应度函数:
F=η1A1+η2A2+η3A3
其中,ηi(i=1,2,3)为权衡因子;
步骤二:多目标改进粒子群参数初始化
多目标改进粒子群算法需要初始化的参数:首先设置种群数量M、粒子数量pnum、最大迭代次数T、最小迭代次数itermin;自适应惯性权重系数ω,两个动态调整的学习因子c1,c2;
具体地,自适应惯性权重系数ω为:
ω=ωmax,ω>ωmax
其中,ωr为惯性权重系数的初始值,ωmin为惯性权重系数的最小值,ωmax为惯性权重系数的最大值,t为当前迭代次数;
具体地,两个动态调整的学习因子c1,c2为:
其中,c1min为认知学习因子的最小值,c2min为社会学习因子的最小值;c1max为认知学习因子的最大值,c2max为社会学习因子的最大值;K1和K2为两个可调节的正数;
步骤三:多目标改进粒子群算法对路径进行优化
如图2所示,种群初始化,粒子获得初始位置;计算综合适应度函数值;判断粒子是否达到变异阈值,即判断同一个粒子的综合适应度函数值小于个体最优综合适应度函数值的次数是否大于变异阈值,若是则利用变异算子进行变异操作,返回上一步计算综合适应度函数值,否则,利用速度和位置规则不断更新,更新个体最优位置和全局最优位置;此步结束之后,判断是否已经达到最大迭代次数,如果算法未达到最大迭代次数算法的迭代次数加1,重复步骤三,如果算法达到最大迭代次数便会终止,转向步骤四;
步骤四:输出最优路径
算法达到最大迭代次数,输出最优Path,路径规划结束,自主式水下机器人获得所在环境要求的最优路径。
仿真实施例
图3为本发明基于多目标改进粒子群算法的自主式水下机器人的路径规划方法的仿真实施例中规划出的最优路径。在仿真实施例中,设置出发点P0为[2,10,7],目标点PN为[480,430,30];种群数量M为200,粒子数量pnum为5,最大迭代次数T为120,最小迭代次数itermin为70;ωr为0.7,ωmin为0.4,ωmax为0.9;c1min为0.9,c2min为0.9,c1max为2.1,c2max为2.1,K1为0.3,K2为0.3;变异阈值为7。
本发明与现有方法的显著区别在于:其一,本发明在标准粒子群算法的基础上引入具有变异阈值的变异算子,能够有效地避免算法陷入局部最优,使其能够适应自主式水下机器人路径规划问题的多目标优化需求;其二,使用自适应惯性权重系数ω和动态调整的学习因子c1,c2,能够有效地加速算法收敛,有效地缩短规划时间,从而快速获得自主式水下机器人的最优路径;其三,本发明将多个目标函数转化为单调性一致的综合适应度函数,综合考虑路径长度、路径安全和路径平滑度等因素,可以实现自主式水下机器人经济、安全航行,避免规划路径产生大角度变化。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
最后应说明的是:以上所述的各实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种基于多目标改进的粒子群算法的自主式水下机器人的路径规划方法,其特征在于,
其包括:
步骤一:自主式水下机器人路径规划问题环境建模
(1)路径规划问题的环境建模
路径规划的环境设置为三维空间,建立环境地图的全局坐标系O-XYZ;P0为水下机器人的出发点,PN为水下机器人的目标点;水下机器人的路径在三维环境地图中可以表示为起点、目标点和中间经过的n个航路点组成的集合:Path={P0,p1,p2…pn,PN};其中,P={p1,p2…pn}为路径规划的优化目标,每个p航路点含有水下机器人运动的三维坐标[x,y,z];
(2)路径规划问题的三个目标函数
本发明考虑三个目标函数:路径长度函数、路径安全函数和路径平滑度函数;其定义分别是如下:
1)路径长度函数A1:
其中,||·||表示欧式距离;
2)路径安全函数A2:
OB表示所有障碍区域的集合;
3)路径平滑度函数A3:
步骤二:多目标改进粒子群算法参数初始化
多目标改进粒子群算法需要初始化的参数:首先设置粒子数量M、粒子数量pnum、最大迭代次数T、最小迭代次数itermin,自适应惯性权重系数ω,两个动态调整的学习因子c1,c2;
步骤三:多目标改进粒子群算法对路径进行优化
种群初始化,粒子获得初始位置;计算综合适应度函数值;判断粒子是否达到变异阈值,即判断同一个粒子的综合适应度函数值小于个体最优综合适应度函数值的次数是否大于变异阈值,若是则利用变异算子进行变异操作,返回上一步计算综合适应度函数值,否则,利用速度和位置规则不断更新,更新个体最优位置和全局最优位置;此步结束之后,判断是否已经达到最大迭代次数,如果算法未达到最大迭代次数算法的迭代次数加1,重复步骤三,如果算法达到最大迭代次数便会终止,转向步骤四;
步骤四:输出最优路径
算法达到最大迭代次数,输出最优Path,路径规划结束,自主式水下机器人获得所在环境要求的最优路径。
2.根据权利要求1所述的一种基于多目标改进的粒子群算法的自主式水下机器人的路径规划方法,其特征在于,在所述步骤二之前,所述步骤一之后,还包括:
将三个目标函数转化为单调性一致的综合适应度目标函数,其公式如下:
F=η1A1+η2A2+η3A3
其中,ηi(i=1,2,3)为权衡因子。
5.根据权利要求1所述的一种基于多目标改进的粒子群算法的自主式水下机器人的路径规划方法,其特征在于,所述步骤三中所述多目标改进粒子群算法中引入具有变异阈值的变异算子,即判断同一个粒子的综合适应度函数值小于个体最优综合适应度函数值的次数是否大于变异阈值,若是则利用变异算子进行变异操作,返回上一步计算综合适应度函数值,否则,利用速度和位置规则不断更新,更新个体最优位置和全局最优位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210386675.9A CN114740873B (zh) | 2022-04-13 | 2022-04-13 | 一种基于多目标改进粒子群算法的自主式水下机器人的路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210386675.9A CN114740873B (zh) | 2022-04-13 | 2022-04-13 | 一种基于多目标改进粒子群算法的自主式水下机器人的路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114740873A true CN114740873A (zh) | 2022-07-12 |
CN114740873B CN114740873B (zh) | 2024-05-28 |
Family
ID=82282351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210386675.9A Active CN114740873B (zh) | 2022-04-13 | 2022-04-13 | 一种基于多目标改进粒子群算法的自主式水下机器人的路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114740873B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115576333A (zh) * | 2022-12-08 | 2023-01-06 | 青岛科技大学 | 最优向避障策略 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
WO2018176596A1 (zh) * | 2017-03-31 | 2018-10-04 | 深圳市靖洲科技有限公司 | 基于权重改进粒子群算法的无人自行车路径规划方法 |
CN113110520A (zh) * | 2021-05-26 | 2021-07-13 | 重庆邮智机器人研究院有限公司 | 一种多智能优化并行算法的机器人路径规划方法 |
CN114117820A (zh) * | 2021-12-06 | 2022-03-01 | 福建工程学院 | 一种基于重启策略改进粒子群算法的机器人路径规划方法 |
-
2022
- 2022-04-13 CN CN202210386675.9A patent/CN114740873B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
WO2018176596A1 (zh) * | 2017-03-31 | 2018-10-04 | 深圳市靖洲科技有限公司 | 基于权重改进粒子群算法的无人自行车路径规划方法 |
CN113110520A (zh) * | 2021-05-26 | 2021-07-13 | 重庆邮智机器人研究院有限公司 | 一种多智能优化并行算法的机器人路径规划方法 |
CN114117820A (zh) * | 2021-12-06 | 2022-03-01 | 福建工程学院 | 一种基于重启策略改进粒子群算法的机器人路径规划方法 |
Non-Patent Citations (1)
Title |
---|
翁理国;纪壮壮;夏旻;王安;: "基于改进多目标粒子群算法的机器人路径规划", 系统仿真学报, no. 12, 8 December 2014 (2014-12-08) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115576333A (zh) * | 2022-12-08 | 2023-01-06 | 青岛科技大学 | 最优向避障策略 |
Also Published As
Publication number | Publication date |
---|---|
CN114740873B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871032B (zh) | 一种基于模型预测控制的多无人机编队协同控制方法 | |
CN108803321B (zh) | 基于深度强化学习的自主水下航行器轨迹跟踪控制方法 | |
CN110488859B (zh) | 一种基于改进Q-learning算法的无人机航路规划方法 | |
CN110544296B (zh) | 一种敌方威胁不确定环境下无人机三维全局航迹智能规划方法 | |
CN110806756B (zh) | 基于ddpg的无人机自主引导控制方法 | |
CN109144102A (zh) | 一种基于改进蝙蝠算法的无人机航路规划方法 | |
CN109613921B (zh) | 基于快速移动萤火虫算法的无人船舶局部路径规划方法 | |
CN113848974B (zh) | 一种基于深度强化学习的飞行器轨迹规划方法及系统 | |
CN113848919A (zh) | 一种基于蚁群算法的室内agv路径规划方法 | |
CN110069075A (zh) | 一种仿鸽群应急避障机制的集群超机动避障方法 | |
CN114089776B (zh) | 一种基于深度强化学习的无人机避障方法 | |
Stevšić et al. | Sample efficient learning of path following and obstacle avoidance behavior for quadrotors | |
CN112925319A (zh) | 一种基于深度强化学习的水下自主航行器动态避障方法 | |
Wang et al. | Obstacle avoidance of UAV based on neural networks and interfered fluid dynamical system | |
CN113391633A (zh) | 一种面向城市环境的移动机器人融合路径规划方法 | |
Sun et al. | Cooperative strategy for pursuit-evasion problem in the presence of static and dynamic obstacles | |
CN114625150A (zh) | 基于危险指数和距离函数的快速蚁群无人艇动态避障方法 | |
CN114740873B (zh) | 一种基于多目标改进粒子群算法的自主式水下机器人的路径规划方法 | |
CN107272736B (zh) | 一种基于鸽子被动式避障飞行的无人机避障导引方法 | |
Xi et al. | MPC based motion control of car-like vehicle swarms | |
CN114943168B (zh) | 一种水上浮桥组合方法及系统 | |
CN114200936A (zh) | 基于最优控制及宽度学习的agv实时路径规划方法 | |
CN113959446A (zh) | 一种基于神经网络的机器人自主物流运输导航方法 | |
Guopeng et al. | Research on Path planning of Three-Dimensional UAV Based on Levy Flight Strategy and Improved Particle Swarm Optimization Algorithm | |
Liu et al. | Research on cooperative search technology of heterogeneous UAVs in complex environments |
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 |