CN114967680A - 基于蚁群算法和卷积神经网络的移动机器人路径规划方法 - Google Patents

Abstract

本发明公开一种基于蚁群算法和卷积神经网络的移动机器人路径规划方法，首先采用栅格法建立地图，在地图中标记机器人的起点和终点，标记出障碍物的位置信息。释放出k只蚂蚁，蚂蚁寻路过程中会留下信息素，信息素会对其他蚂蚁产生影响，通过信息素的浓度可以规划出一条最优路径。采用以深度可分离卷积为基础搭建轻量级特征提取网络结构，根据提取的特征分别对道路场景进行语义分割和机器人行驶方向分类，最后转化分割结果并与分类结果相结合来共同指导机器人自主避障。本发明方法能够根据移动机器人在所处未知的复杂环境中不同的障碍物位置，规划出一条避开所有障碍物的平滑的路径。

Description

基于蚁群算法和卷积神经网络的移动机器人路径规划方法

技术领域

本发明涉及路径规划领域，尤其涉及一种基于蚁群算法和卷积神经网络的移动机器人路 径规划方法。

背景技术

随着社会科技的快速发展，机器人已经逐步代替人工执行部分简单却又繁杂的工作出现 在生活的各个角落。对于巡检机器人而言，自主导航是其完成巡检工作的前提，而有效的避 障是机器人实现自主导航的基本要求之一。目前机器人路径规划技术已经相对成熟，然而变 电站道路情况多变，易对机器人的导航产生误差。

为此，本发明给出一种基于蚁群算法和卷积神经网络的移动机器人路径规划方法，采用 蚁群算法作为全局路径规划方法，采用深度卷积神经网络作为局部避障方法，使移动机器人 能够在复杂多变的实际道路完成路径规划并自动避障。为移动机器人规划最优路径提供了一 种新思路。

发明内容

本发明的目的在于提供一种基于蚁群算法和卷积神经网络的移动机器人路径规划方法， 用于规划移动机器人自主运动路径，进一步优化算法的性能。

为了达成上述目的，本发明的解决方案是：

基于蚁群算法和卷积神经网络的移动机器人路径规划方法，包括以下步骤(1)～(3)：

(1)规定机器人在矩形区域运动，将该矩形区域按照栅格法划为由x行y列个矩形栅格 组成的栅格地图，栅格地图中每一个栅格都代表一个节点，将多余节点优化；

(2)根据步骤(1)构建出的栅格地图，使用蚁群算法规划出一条路径最短的最优路径， 具体步骤为：

步骤(1.2.1)：初始化步骤(1)的栅格地图，具体为标记起始点，将所有待工作蚂蚁全部初始化留在起始点，蚂蚁序号k从1开始迭代，初始化禁忌表，初始信息素浓度都设为固定常数，当前最优节点记为j点，迭代次数记为i；

步骤(1.2.2)：迭代次数i加1，蚂蚁序号k加1；

步骤(1.2.3)：蚂蚁k按照概率转移公式

转移 到下一个蚂蚁认为最优的j点，t代表时间轴，从t那一刻，编号为k的蚂蚁开始觅食，它从i节点爬到到第j个节点的转移概率主要跟随启发函数和信息素浓度高低改变；其中η_ij(t) 是从栅格i转移到栅格j的启发函数，τ_ij(t)代表两个节点之间的信息素浓度；allowed_k是编 号为k的蚂蚁被允许走的栅格集合；α叫做信息素启发因子，代表其他蚂蚁丢下的信息素对转 移概率的影响大小，α越大，表示一个蚂蚁受到其他蚂蚁的影响越大；β叫做期望启发因子， 它表示启发信息对蚂蚁寻路过程的影响大小，β越大，蚁群算法就越符合贪心原理，越容易 选择当前局部最短路径；

步骤(1.2.4)：将j点加入禁忌表；

步骤(1.2.5)：回到步骤(1.2.2)，直到所有蚂蚁都工作一遍，遍历栅格地图上所有点；

步骤(1.2.6)：按照蚁周模型更新调整信息素浓度τ_ij(t+1)＝(1-ρ)τ_ij(t)+Δτ_ij，ρ为信息素挥发系数，它的取值通常ρ∈(0，1)；

步骤(1.2.7)：若i达到最大迭代次数，则算法停止，输出当前程序计算出来的最优路 径，否则跳转到步骤(1.2.2)继续执行；

(3)采用深度卷积神经网络的方法对步骤(2)输出的最优路径进行局部避障优化，从 而得到一条平滑的路径，作为移动机器人最终行走的路径。

本发明的基于蚁群算法和深度卷积神经网络的路径规划方法,其特征在于，所述步骤(1) 多余节点，其中多余节点优化方法为：

步骤(2.1)：遍历所有节点，标记障碍物信息，筛选出除了后退仅有一个方向可走的节 点，该节点视为多余节点；

步骤(2.2)：寻路过程中跳过多余节点，得到简化后的栅格地图。

本发明的基于蚁群算法和深度卷积神经网络的路径规划方法，其特征在于，所述步骤 (2)启发函数，为提高蚁群算法的全局搜索能力，在启发函数中引入可选节点与终点的距离， 以及当前节点的周围障碍物信息，这样可以使得启发函数随着节点环境的不同产生变化，优 化的启发函数公式如下：

其中d_i，G为目标影响因子，表示第i个节点到终点G的距离；∑_obs∈Pd_i，obs为障碍物影响因子， 表示障碍物影响范围P内所有到第i个节点的障碍物的距离之和；q₁，q₂分别表示启发函数中 目标影响因子和障碍物影响因子的权重系数，目标影响因子表示当前节点到目标点的距离， 障碍物影响因子表示在障碍物影响范围内障碍物到当前节点的距离之和，此参数设置如下：

i表示当前节点，N_y表示栅格地图的行数，N_x表示栅格地图的列数。

本发明的基于蚁群算法和深度卷积神经网络的路径规划方法，其特征在于，所述步骤 (3)深度卷积神经网络的方法，该避障方法步骤为：

步骤(4.1)：采用深度可分离卷积为基本单元搭建网络，通过串联多个卷积块结构由浅 到深地提取图像特征，再经池化、全连接等操作对实际场景进行分类；

步骤(4.2)：在步骤(4.1)得到的分类结果后，再增加语义分割支路来对图像进行像 素级分类，语义分割支路从多个角度来获取目标全局和边缘信息，保证机器人在实时避障过 程中对障碍物类别以及相对位置准确获取，进而指导机器人实现高效避障；

步骤(4.3)：对于步骤(4.2)得出的结果通过分割图像进一步转化分成障碍物类别、 可行道路区域等信息；提取影响机器人正常行驶的区域目标，即机器人正前方目标信息为障 碍物类别；为有效辅助机器人避障，在机器人正前方选择了远近两个区域来识别目标，其中， 远距离的区域目标可指导机器人提前进行路径规划；近距离区域目标判断机器人是否可行；

步骤(4.4)：最后结合步骤(4.1)和(4.3)结果，共同控制机器人避障：当语义分割支路和分类结果输出相同时，执行输出方向；当相反时，由于分割支路的判断精度更高，故由分割支路决定；出现转向和直行时，若无障碍物，则执行分类结果输出；反之执行分割支路输出；出现转向和停止时，执行转向；出现直行和停止时，执行停止。

附图说明

图1是算法执行流程图。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明。

本发明提供一种基于蚁群算法和卷积神经网络的移动机器人路径规划方法，其总体思路 为：首先采用栅格法建立地图，在地图中标记机器人的起点和终点，标记出障碍物的位置信 息。释放出k只蚂蚁，通过蚂蚁在寻路过程中留下的信息素的浓度可以规划出一条最优路径。 最后采用一种联合图像分类以及语义分割的深度学习的方法进行避障，得到一条平滑无碰撞 的路径。

如图1所示，本发明的基于蚁群算法和卷积神经网络的移动机器人路径规划方法，具体 实施包括以下步骤(1)～(3)：

(1)规定机器人在矩形区域运动，将该矩形区域按照栅格法划为由x行y列个矩形栅格 组成的栅格地图，栅格地图中每一个栅格都代表一个节点，将多余节点优化；

多余节点优化方法为：

步骤(2.1)：遍历所有节点，标记障碍物信息，筛选出除了后退仅有一个方向可走的节 点，该节点视为多余节点；

步骤(2.2)：寻路过程中跳过多余节点，得到简化后的栅格地图。

(2)根据步骤(1)构建出的栅格地图，使用蚁群算法规划出一条路径最短的最优路径， 具体步骤为：

步骤(1.2.1)：初始化步骤(1)的栅格地图，具体为标记起始点，将所有待工作蚂蚁全部初始化留在起始点，蚂蚁序号k从1开始迭代，初始化禁忌表，初始信息素浓度都设为固定常数，当前最优节点记为j点，迭代次数记为i；

步骤(1.2.2)：迭代次数i加1，蚂蚁序号k加1；

步骤(1.2.3)：蚂蚁k按照概率转移公式

转移 到下一个蚂蚁认为最优的j点，t代表时间轴，从t那一刻，编号为k的蚂蚁开始觅食，它从i节点爬到到第j个节点的转移概率主要跟随启发函数和信息素浓度高低改变；其中η_ij(t) 是从栅格i转移到栅格j的启发函数，τ_ij(t)代表两个节点之间的信息素浓度；allowed_k是编 号为k的蚂蚁被允许走的栅格集合；α叫做信息素启发因子，代表其他蚂蚁丢下的信息素对转 移概率的影响大小，α越大，表示一个蚂蚁受到其他蚂蚁的影响越大；β叫做期望启发因子， 它表示启发信息对蚂蚁寻路过程的影响大小，β越大，蚁群算法就越符合贪心原理，越容易 选择当前局部最短路径；

步骤(1.2.4)：将j点加入禁忌表；

步骤(1.2.5)：回到步骤(1.2.2)，直到所有蚂蚁都工作一遍，遍历栅格地图上所有点；

步骤(1.2.6)：按照蚁周模型更新调整信息素浓度τ_ij(t+1)＝(1-ρ)τ_ij(t)+Δτ_ij，ρ为信息素挥发系数，它的取值通常ρ∈(0，1)；

步骤(1.2.7)：若i达到最大迭代次数，则算法停止，输出当前程序计算出来的最优路 径，否则跳转到步骤(1.2.2)继续执行；

为提高蚁群算法的全局搜索能力，在启发函数中引入可选节点与终点的距离，以及当前 节点的周围障碍物信息，这样可以使得启发函数随着节点环境的不同产生变化，优化的启发 函数公式如下：

其中d_i，G为目标影响因子，表示第i个节点到终点G的距离；∑_obs∈Pd_i，obs为障碍物影响因子， 表示障碍物影响范围P内所有到第i个节点的障碍物的距离之和；q₁，q₂分别表示启发函数中 目标影响因子和障碍物影响因子的权重系数，目标影响因子表示当前节点到目标点的距离， 障碍物影响因子表示在障碍物影响范围内障碍物到当前节点的距离之和，此参数设置如下：

i表示当前节点，N_y表示栅格地图的行数，N_x表示栅格地图的列数。

(3)采用深度卷积神经网络的方法对步骤(2)输出的最优路径进行局部避障优化，从 而得到一条平滑的路径，作为移动机器人最终行走的路径。

该避障方法步骤为：

步骤(4.1)：采用深度可分离卷积为基本单元搭建网络，通过串联多个卷积块结构由浅 到深地提取图像特征，再经池化、全连接等操作对实际场景进行分类；

步骤(4.2)：在步骤(4.1)得到的分类结果后，再增加语义分割支路来对图像进行像 素级分类，语义分割支路从多个角度来获取目标全局和边缘信息，保证机器人在实时避障过 程中对障碍物类别以及相对位置准确获取，进而指导机器人实现高效避障；

步骤(4.3)：对于步骤(4.2)得出的结果通过分割图像进一步转化分成障碍物类别、 可行道路区域等信息；提取影响机器人正常行驶的区域目标，即机器人正前方目标信息为障 碍物类别；为有效辅助机器人避障，在机器人正前方选择了远近两个区域来识别目标，其中， 远距离的区域目标可指导机器人提前进行路径规划；近距离区域目标判断机器人是否可行；

步骤(4.4)：最后结合步骤(4.1)和(4.3)结果，共同控制机器人避障：当语义分割支路和分类结果输出相同时，执行输出方向；当相反时，由于分割支路的判断精度更高，故由分割支路决定；出现转向和直行时，若无障碍物，则执行分类结果输出；反之执行分割支路输出；出现转向和停止时，执行转向；出现直行和停止时，执行停止。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本 发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (4)

1.一种基于蚁群算法和卷积神经网络的移动机器人路径规划方法，其特征在于，包括以下步骤：

(1)规定机器人在矩形区域运动，将该矩形区域按照栅格法划为由x行y列个矩形栅格组成的栅格地图，栅格地图中每一个栅格都代表一个节点，将多余节点优化；

(2)根据步骤(1)构建出的栅格地图，使用蚁群算法规划出一条路径最短的最优路径，具体步骤为：

步骤(1.2.1)：初始化步骤(1)的栅格地图，具体为标记起始点，将所有待工作蚂蚁全部初始化留在起始点，蚂蚁序号k从1开始迭代，初始化禁忌表，初始信息素浓度都设为固定常数，当前最优节点记为j点，迭代次数记为i；

步骤(1.2.2)：迭代次数i加1，蚂蚁序号k加1；

步骤(1.2.3)：蚂蚁k按照概率转移公式

转移到下一个蚂蚁认为最优的j点，t代表时间轴，从t那一刻，编号为k的蚂蚁开始觅食，它从i节点爬到到第j个节点的转移概率主要跟随启发函数和信息素浓度高低改变；其中η_ij(t)是从栅格i转移到栅格j的启发函数，τ_ij(t)代表两个节点之间的信息素浓度；allowed_k是编号为k的蚂蚁被允许走的栅格集合；α叫做信息素启发因子，代表其他蚂蚁丢下的信息素对转移概率的影响大小，α越大，表示一个蚂蚁受到其他蚂蚁的影响越大；β叫做期望启发因子，它表示启发信息对蚂蚁寻路过程的影响大小，β越大，蚁群算法就越符合贪心原理，越容易选择当前局部最短路径；

步骤(1.2.4)：将j点加入禁忌表；

步骤(1.2.5)：回到步骤(1.2.2)，直到所有蚂蚁都工作一遍，遍历栅格地图上所有点；

步骤(1.2.6)：按照蚁周模型更新调整信息素浓度τ_ij(t+1)＝(1―ρ)τ_ij(t)+Δτ_ij，ρ为信息素挥发系数，它的取值通常ρ∈(0,1)；

步骤(1.2.7)：若i达到最大迭代次数，则算法停止，输出当前程序计算出来的最优路径，否则跳转到步骤(1.2.2)继续执行；

(3)采用深度卷积神经网络的方法对步骤(2)输出的最优路径进行局部避障优化，从而得到一条平滑的路径，作为移动机器人最终行走的路径。

2.如权利要求1所述基于蚁群算法和卷积神经网络的移动机器人路径规划方法，其特征在于，所述步骤(1)多余节点，其中多余节点优化方法为：

步骤(2.1)：遍历所有节点，标记障碍物信息，筛选出除了后退仅有一个方向可走的节点，该节点视为多余节点；

步骤(2.2)：寻路过程中跳过多余节点，得到简化后的栅格地图。

3.如权利要求1所述基于蚁群算法和卷积神经网络的移动机器人路径规划方法，其特征在于，所述步骤(2)启发函数，为提高蚁群算法的全局搜索能力，在启发函数中引入可选节点与终点的距离，以及当前节点的周围障碍物信息，这样可以使得启发函数随着节点环境的不同产生变化，优化的启发函数公式如下：

其中d_i,G为目标影响因子，表示第i个节点到终点G的距离；∑_obs∈Pd_i,obs为障碍物影响因子，表示障碍物影响范围P内所有到第i个节点的障碍物的距离之和；q₁,q₂分别表示启发函数中目标影响因子和障碍物影响因子的权重系数，目标影响因子表示当前节点到目标点的距离，障碍物影响因子表示在障碍物影响范围内障碍物到当前节点的距离之和，此参数设置如下：

i表示当前节点，N_y表示栅格地图的行数，N_x表示栅格地图的列数。

4.如权利要求1所述基于蚁群算法和卷积神经网络的移动机器人路径规划方法，其特征在于，所述步骤(3)深度卷积神经网络的方法，该避障方法步骤为：

步骤(4.1)：采用深度可分离卷积为基本单元搭建网络，通过串联多个卷积块结构由浅到深地提取图像特征，再经池化、全连接等操作对实际场景进行分类；

步骤(4.2)：在步骤(4.1)得到的分类结果后，再增加语义分割支路来对图像进行像素级分类，语义分割支路从多个角度来获取目标全局和边缘信息，保证机器人在实时避障过程中对障碍物类别以及相对位置准确获取，进而指导机器人实现高效避障；

步骤(4.3)：对于步骤(4.2)得出的结果通过分割图像进一步转化分成障碍物类别、可行道路区域等信息；提取影响机器人正常行驶的区域目标，即机器人正前方目标信息为障碍物类别；为有效辅助机器人避障，在机器人正前方选择了远近两个区域来识别目标，其中，远距离的区域目标可指导机器人提前进行路径规划；近距离区域目标判断机器人是否可行；

步骤(4.4)：最后结合步骤(4.1)和(4.3)结果，共同控制机器人避障：当语义分割支路和分类结果输出相同时，执行输出方向；当相反时，由于分割支路的判断精度更高，故由分割支路决定；出现转向和直行时，若无障碍物，则执行分类结果输出；反之执行分割支路输出；出现转向和停止时，执行转向；出现直行和停止时，执行停止。

Images