CN114995400A - 基于混合微粒群算法的移动机器人路径规划方法及系统 - Google Patents
基于混合微粒群算法的移动机器人路径规划方法及系统 Download PDFInfo
- Publication number
- CN114995400A CN114995400A CN202210538337.2A CN202210538337A CN114995400A CN 114995400 A CN114995400 A CN 114995400A CN 202210538337 A CN202210538337 A CN 202210538337A CN 114995400 A CN114995400 A CN 114995400A
- Authority
- CN
- China
- Prior art keywords
- robot
- optimal
- path
- particle
- value
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 65
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims description 46
- 230000015654 memory Effects 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 20
- 230000001133 acceleration Effects 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 239000011859 microparticle Substances 0.000 claims description 10
- 230000002068 genetic effect Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003016 pheromone Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007723 transport mechanism Effects 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
- G05D1/02—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)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于混合微粒群算法的移动机器人路径规划方法及系统,通过微粒群‑遗传混合算法选择最优路径,不需要大量的学习样本,收敛速度也更快,规划效果更好;得到最优路径后,机器人按照最优路径移动的过程中,根据机器人当前位置以及机器人当前时刻的运行速度、航向角和障碍物信息实时获取轨迹预测,并对此时的预测轨迹进行评价选取最优轨迹,对移动前的准备条件要求少,移动时的盲点相对较少;通过微粒群‑遗传混合算法选择最优路径并通过实时进行轨迹预测选取最优轨迹,既完成了对所有位置的最优路径的选择,并实时控制机器人从当前位置移动至下一个位置进行最优轨迹的移动,充分契合路径规划模型,能够很好地适应复杂环境。
Description
技术领域
本发明涉及移动机器人路径规划领域,尤其是涉及一种基于混合微粒群算法的移动机器人路径规划方法及系统。
背景技术
如今移动机器人在各个领域都有很广泛的应用需求,而路径规划在其中起着重要的作用。一个成熟可靠的路径规划方式能够令机器人的智能性有很大的提升从而能完成更加复杂的任务。而目前的一些规划方法都存在着或多或少的盲点与缺陷。
现有的规划方法一方面通过最终获得势场地图从而完成路径规划,而利用势场实现避障路径规划存在一定的盲点,在目标点附近若存在多个障碍物往往无法到达终点;一方面综合利用多态蚁群与混沌优化算法完成路径规划,往往需要在进行规划前需要大量的学习样本以获得各种信息素浓度样本,在路径规划前提条件比较苛刻。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种基于混合微粒群算法的移动机器人路径规划方法,通过微粒群-遗传混合算法得出最优路径,利用所获得障碍物信息以及机器人自身运动信息配合目标点对各个方向上进行轨迹预测最终评价最优路径完成规划,实时性较强盲点少,规划运行前准备所需条件较少。
本发明还提供用于执行上述基于混合微粒群算法的移动机器人路径规划方法的系统、设备及存储介质。
第一方面,本发明的实施例提供了一种基于混合微粒群算法的移动机器人路径规划方法,包括以下步骤:
步骤S100、构建路径规划模型,所述模型构建包括构建相应地图坐标系、机器人初始位置和机器人运动模型;
步骤S200、通过所述路径规划模型,利用微粒群-遗传混合算法计算所述机器人从起始位置到终点位置的最优路径,所述最优路径指所述机器人从起点位置到终点位置的距离最短的路径且所述最优路径中包括多个中间位置;
步骤S300、驱动所述机器人沿所述最优路径移动,并且在所述移动过程通过如下方式计算所述机器人从当前位置移动至下一个位置的移动轨迹:
步骤S301、获取所述机器人当前位置以及所述机器人当前时刻的运行速度、航向角和障碍物信息;
步骤S302、根据所述机器人当前时刻的运行速度、航向角和障碍物信息得到所述机器人的预测轨迹并进行评价得到评价结果,选择所述评价结果最优的所述预测轨迹移动;
步骤S303、判断所述机器人是否达到所述下一位置;若所述机器人达到所述下一位置,判断所述机器人是否达到所述终点位置;若达到所述终点位置,所述机器人停止移动。
根据本发明实施例的控制方法,至少具有如下有益效果:
构建路径规划模型,并通过微粒群-遗传混合算法选择最优路径,不需要大量的学习样本,收敛速度也更快,规划效果更好;得到最优路径后,机器人按照最优路径移动的过程中,根据机器人当前位置以及机器人当前时刻的运行速度、航向角和障碍物信息实时获取轨迹预测,并对此时的预测轨迹进行评价选取最优轨迹,对移动前的准备条件要求少,移动时的盲点相对较少;整体上,通过微粒群-遗传混合算法选择最优路径并通过实时进行轨迹预测选取最优轨迹,既完成了对所有位置的最优路径的选择,并实时控制机器人从当前位置移动至下一个位置进行最优轨迹的移动,充分契合路径规划模型,能够很好地适应复杂环境。
根据本发明的一些实施例,所述根据微粒群-遗传混合算法得到最优路径,包括以下步骤:
步骤S210、进行微粒初始化,得到微粒群;所述微粒初始化包括随机设置微粒位置和设置个体历史最优值和群体历史最优值;
步骤S220、根据所述微粒位置以及所述终点位置,计算得到当前个体适应度值,所述个体适应度值为路径长度;
步骤S230、进行所述个体历史最优值和所述群体历史最优值的更新;所述个体历史最优值和所述群体历史最优值的更新包括以下步骤:
步骤S231、判断所述当前个体适应度值是否优于所述个体历史最优值;
步骤S232、若所述当前个体适应度值优于所述个体历史最优值,所述个体历史最优值更新为所述当前个体适应度值;
步骤S233、判断所述当前个体适应度值是否优于所述群体历史最优值;
步骤S234、若所述当前个体适应度值优于所述群体历史最优值,所述群体历史最优值更新为所述当前个体适应度值;
步骤S240、将所述微粒进行遗传变换,更新所述微粒群;
步骤S250、判断是否满足终止条件;不满足所述终止条件,跳转到步骤S220;满足所述终止条件,根据所述个体历史最优值和述群体历史最优值得到所述最优路径;所述终止条件包括迭代次数和所述个体历史最优值和以及述群体历史最优值达到阈值。
根据本发明的一些实施例,所述将所述微粒进行遗传变换,更新所述微粒群,包括以下步骤:
步骤S241、进行所述个体适应度值对应的微粒与所述个体历史最优值对应的微粒的交叉;
步骤S242、进行所述个体适应度值对应的微粒与所述群体历史最优值对应的微粒的交叉;
步骤S243、进行所述个体适应度值对应的微粒的自身变异。
根据本发明的一些实施例,所述交叉包括以下步骤:
通过离散均匀随机整数函数对两个微粒产生交叉位,所述交叉位产生交叉区域;
删除所述交叉区域相同的元素,得到交叉新微粒;
比较所述交叉新微粒的适应度值与所述当前个体适应度值,所述交叉新微粒的适应度值更优则保留所述交叉新微粒。
根据本发明的一些实施例,所述自身变异包括以下步骤:
通过舍入与随机函数对微粒产生变异位,所述变异位产生变异区域;
保留所述变异区域,得到变异新微粒;
比较所述变异新微粒的适应度值与所述当前个体适应度值,所述变异新微粒的适应度值更优则保留所述变异新微粒。
根据本发明的一些实施例,所述根据所述机器人的运行速度、航向角和障碍物信息对所述机器人进行评价,包括以下步骤:
根据所述机器人运动模型和所述机器人的运行速度向前模拟时间得到预测轨迹路线;所述运行速度包括线速度、角速度、线加速度和角加速度;
根据所述预测轨迹路线、所述角速度、所述角加速度以及所述机器人的航向角,计算所述机器人运动时的朝向角;
根据所述预测轨迹路线以及所述障碍物信息,计算障碍物距离;
根据所述预测轨迹路线以及所述线速度和所述加速度,计算所述机器人的预测速度;
根据所述朝向角、所述障碍物距离和所述预测速度进行评价,得到评价结果。
根据本发明的一些实施例,所述根据所述机器人的运行速度、航向角和障碍物信息对所述机器人进行评价的计算公式包括:
G(v,ω)=a1·heading(v,ω)+a2·dist(v,ω)+a3·velocity(v,ω)
heading(v,ω)=180°-∣target-curθ∣
其中,所述v,ω分别表示所述机器人的运行速度、角速度,所述heading(v,ω)表示朝向角评价,所述dist(v,ω)表示障碍物距离评价,所述velocity(v,ω)表示速度评价,所述target表示机器人中心位置与目标点连线与x正轴所成角度,所述curθ表示机器人朝向角度,所述a1、所述a2和所述a3分别表示所述朝向角评价、所述障碍物距离评价和所述速度评价的预设参数。
第二方面,本发明的实施例提供了一种基于混合微粒群算法的移动机器人路径规划系统,包括:
模型构建模块,用于构建路径规划模型,所述模型构建包括构建相应地图坐标系、机器人初始位置和机器人运动模型;
最优路径模块,用于通过所述路径规划模型,利用微粒群-遗传混合算法计算所述机器人从起始位置到终点位置的最优路径,所述最优路径指所述机器人从起点位置到终点位置的距离最短的路径且所述最优路径中包括多个中间位置;
最优轨迹模块,驱动所述机器人沿所述最优路径移动,并且在所述移动过程通过如下方式计算所述机器人从当前位置移动至下一个位置的移动轨迹:
获取所述机器人当前位置以及所述机器人当前时刻的运行速度、航向角和障碍物信息;
根据所述机器人当前时刻的运行速度、航向角和障碍物信息得到所述机器人的预测轨迹并进行评价得到评价结果,选择所述评价结果最优的所述预测轨迹移动;
判断所述机器人是否达到所述下一位置;若所述机器人达到所述下一位置,判断所述机器人是否达到所述终点位置;若达到所述终点位置,所述机器人停止移动。
第三方面,本发明的实施例提供了一种电子设备,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如第一方面所述的基于混合微粒群算法的移动机器人路径规划方法。
第四方面,本发明的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存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如第一方面所述的基于混合微粒群算法的移动机器人路径规划方法。
需要注意的是,本发明的第二方面至第四方面与现有技术之间的有益效果与上述的基于混合微粒群算法的移动机器人路径规划方法的有益效果相同,此处不再细述。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明一实施例提供的基于混合微粒群算法的移动机器人路径规划方法流程图;
图2是本发明一实施例提供的选取最优轨迹的方法流程图;
图3是本发明一实施例提供的微粒群-遗传混合算法计算最优路径的方法流程图;
图4是本发明一实施例提供的个体历史最优值和群体历史最优值的更新方法流程图;
图5是本发明一实施例提供的遗传变换的方法流程图;
图6是本发明一实施例提供的基于混合微粒群算法的移动机器人路径规划方法示意图;
图7是本发明一实施例提供的微粒群-遗传混合算法计算最优路径的方法示意图;
图8是本发明一实施例提供的一种基于混合微粒群算法的移动机器人路径规划系统结构图;
图9是本发明一实施例提供的一种电子设备。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,如果有描述到第一、第二等只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
本发明的描述中,需要说明的是,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
参照图1和图2,在本发明的一些实施例中,提供了一种基于混合微粒群算法的移动机器人路径规划方法,包括以下步骤:
步骤S100、构建路径规划模型,模型构建包括构建相应地图坐标系、机器人初始位置和机器人运动模型。
步骤S200、通过路径规划模型,利用微粒群-遗传混合算法计算机器人从起始位置到终点位置的最优路径,最优路径指机器人从起点位置到终点位置的距离最短的路径且最优路径中包括多个中间位置。
步骤S300、驱动机器人沿最优路径移动,并且在移动过程通过如下方式计算机器人从当前位置移动至下一个位置的移动轨迹:
步骤S301、获取机器人当前位置以及机器人当前时刻的运行速度、航向角和障碍物信息;
步骤S302、根据机器人当前时刻的运行速度、航向角和障碍物信息得到机器人的预测轨迹并进行评价得到评价结果,选择评价结果最优的预测轨迹移动;
步骤S303、判断机器人是否达到下一位置;若机器人达到下一位置,判断机器人是否达到终点位置;若达到终点位置,机器人停止移动。
根据本发明实施例的基于混合微粒群算法的移动机器人路径规划方法,构建路径规划模型,并通过微粒群-遗传混合算法选择最优路径,不需要大量的学习样本,收敛速度也更快,规划效果更好;得到最优路径后,机器人按照最优路径移动的过程中,根据机器人当前位置以及机器人当前时刻的运行速度、航向角和障碍物信息实时获取轨迹预测,并对此时的预测轨迹进行评价选取最优轨迹,对移动前的准备条件要求少,移动时的盲点相对较少;整体上,通过微粒群-遗传混合算法选择最优路径并通过实时进行轨迹预测选取最优轨迹,既完成了对所有位置的最优路径的选择,并实时控制机器人从当前位置移动至下一个位置进行最优轨迹的移动,充分契合路径规划模型,能够很好地适应复杂环境。
参照图3和图4,在本发明的一些实施例中,根据微粒群-遗传混合算法得到最优路径,包括以下步骤:
步骤S210、进行微粒初始化,得到微粒群;微粒初始化包括随机设置微粒位置和设置个体历史最优值和群体历史最优值。
步骤S220、根据微粒位置以及终点位置,计算得到当前个体适应度值,个体适应度值为路径长度。
步骤S230、进行个体历史最优值和群体历史最优值的更新;个体历史最优值和群体历史最优值的更新包括以下步骤:
步骤S231、判断当前个体适应度值是否优于个体历史最优值;
步骤S232、若当前个体适应度值优于个体历史最优值,个体历史最优值更新为当前个体适应度值;
步骤S233、判断当前个体适应度值是否优于群体历史最优值;
步骤S234、若当前个体适应度值优于群体历史最优值,群体历史最优值更新为当前个体适应度值。
步骤S240、将微粒进行遗传变换,更新微粒群。
步骤S250、判断是否满足终止条件;不满足终止条件,跳转到步骤S220;满足终止条件,根据个体历史最优值和述群体历史最优值得到最优路径;终止条件包括迭代次数和个体历史最优值和以及述群体历史最优值达到阈值。
通过改进微粒群算法和遗传算法,微粒群算法只对初始设置的微粒群进行适应度值的对比,选择适应度值较好的微粒,而遗传算法通过模拟自然进化过程搜索最优解的方法,能够扩大微粒群的微粒数量,用较少的样本能进行较大数据量的学习训练,并根据个体历史最优值和述群体历史最优值得到最优路径,提高了最优路径选择的准确率,并且使算法具有较高的鲁棒性,收敛速度也明显加快。
参照图5,在本发明的一些实施例中,将微粒进行遗传变换,更新微粒群,包括以下步骤:
步骤S241、进行个体适应度值对应的微粒与个体历史最优值对应的微粒的交叉。
步骤S242、进行个体适应度值对应的微粒与群体历史最优值对应的微粒的交叉。
步骤S243、进行个体适应度值对应的微粒的自身变异。
通过对当前微粒与个体历史最优值对应的微粒和群体历史最优值对应的微粒进行交叉,得到适应度值更优的新微粒,通过个体适应度值对应的微粒的自身变异得到适应度值更优的新微粒,遗传算法能够直接对结构对象进行操作,不存在求导和函数连续性的限定;具有内在的隐并行性和更好的全局寻优能力;采用概率化的寻优方法,不需要确定的规则就能自动获取和指导优化的搜索空间,自适应地调整搜索方向。
在本发明的一些实施例中,交叉包括以下步骤:
通过离散均匀随机整数函数对两个微粒产生交叉位,交叉位产生交叉区域;
删除交叉区域相同的元素,得到交叉新微粒;
比较交叉新微粒的适应度值与当前个体适应度值,交叉新微粒的适应度值更优则保留交叉新微粒。
交叉操作对象为个体历史最优值对应的微粒和群体历史最优值,因此能保留微粒中优秀的元素,通过优秀的元素产生新微粒,而且能够大概率产生适应度值更高的新微粒,减少算法的复杂度。
在本发明的一些实施例中,自身变异包括以下步骤:
通过舍入与随机函数对微粒产生变异位,变异位产生变异区域;
保留变异区域,得到变异新微粒;
比较变异新微粒的适应度值与当前个体适应度值,变异新微粒的适应度值更优则保留变异新微粒。
自身变异区别于交叉操作,由于交叉操作尽管能够通过优秀的元素产生新微粒,而且能够大概率产生适应度值更高的新微粒,但是由于交叉操作还是对原有元素的选择,并没有产生新元素,自身变异操作补充了微粒自身变异产生的新元素,突破了当前搜索的限制,更有利于算法寻找到全局最优解。
在本发明的一些实施例中,根据机器人的运行速度、航向角和障碍物信息对机器人进行评价,包括以下步骤:
根据机器人运动模型和机器人的运行速度向前模拟时间得到预测轨迹路线;运行速度包括线速度、角速度、线加速度和角加速度;
根据预测轨迹路线、角速度、角加速度以及机器人的航向角,计算机器人运动时的朝向角;
根据预测轨迹路线以及障碍物信息,计算障碍物距离;
根据预测轨迹路线以及线速度和加速度,计算机器人的预测速度;
根据朝向角、障碍物距离和预测速度进行评价,得到评价结果。
通过机器人的运行速度、航向角和障碍物信息对机器人进行评价,完全契合通过微粒群-遗传混合算法得到最优路径,并在移动的过程中实时调整,能够很好地适应复杂环境。
在本发明的一些实施例中,根据机器人的运行速度、航向角和障碍物信息对机器人进行评价的计算公式包括:
G(v,ω)=a1·heading(v,ω)+a2·dist(v,ω)+a3·velocity(v,ω)
heading(v,ω)=180°-∣target-curθ∣
其中,v,ω分别表示机器人的运行速度、角速度,heading(v,ω)表示朝向角评价,dist(v,ω)表示障碍物距离评价,velocity(v,ω)表示速度评价,target表示机器人中心位置与目标点连线与x正轴所成角度,curθ表示机器人朝向角度,a1、a2和a3分别表示朝向角评价、障碍物距离评价和速度评价的预设参数。
参照图6和图7,为了方便本领域人员理解,提供一个基于混合微粒群算法的移动机器人路径规划方法的具体实施例,包括以下步骤:
第一步、根据所处环境对机器人进行初始化:构建相应地图坐标系、机器人所处初始位置、机器人运动模型,如机器人运动结构,模型大小、最高运动速度、运动加速度、旋转速度、旋转加速度等信息。
第二步、通过路径规划模型,利用微粒群-遗传混合算法计算机器人从起始位置到终点位置的最优路径,最优路径指机器人从起点位置到终点位置的距离最短的路径且最优路径中包括多个中间位置(需要说明的的是,图6中,全局最优路径即从起点位置到终点位置的距离最短的路径且最优路径中包括多个中间位置,目标点即起点位置、终点位置和多个中间位置,图7中的粒子是微粒的另一别称),利用微粒群-遗传混合算法计算机器人从起始位置到终点位置的最优路径的步骤如下:
首先,进行微粒初始化,得到微粒群;微粒初始化包括随机设置微粒位置和设置个体历史最优值和群体历史最优值;
其次,根据微粒位置以及终点位置,计算得到当前个体适应度值,个体适应度值为路径长度;
然后,进行个体历史最优值和群体历史最优值的更新;个体历史最优值和群体历史最优值的更新包括以下步骤:
判断当前个体适应度值是否优于个体历史最优值;
若当前个体适应度值优于个体历史最优值,个体历史最优值更新为当前个体适应度值;
判断当前个体适应度值是否优于群体历史最优值;
若当前个体适应度值优于群体历史最优值,群体历史最优值更新为当前个体适应度值;
将微粒进行遗传变换,更新微粒群;遗传变换包括以下步骤:
进行个体适应度值对应的微粒与个体历史最优值对应的微粒的交叉;
进行个体适应度值对应的微粒与群体历史最优值对应的微粒的交叉;
进行个体适应度值对应的微粒的自身变异。
其中,交叉包括以下步骤:
通过离散均匀随机整数函数对两个微粒产生交叉位,交叉位产生交叉区域;
删除交叉区域相同的元素,得到交叉新微粒;
比较交叉新微粒的适应度值与当前个体适应度值,交叉新微粒的适应度值更优则保留交叉新微粒。
自身变异包括以下步骤:
通过舍入与随机函数对微粒产生变异位,变异位产生变异区域;
保留变异区域,得到变异新微粒;
比较变异新微粒的适应度值与当前个体适应度值,变异新微粒的适应度值更优则保留变异新微粒。
最后,判断是否满足终止条件;不满足终止条件,则继续进行迭代;满足终止条件,根据个体历史最优值和述群体历史最优值得到最优路径;终止条件包括迭代次数和个体历史最优值和以及述群体历史最优值达到阈值。
第三步、驱动机器人沿最优路径移动,并且在移动过程通过如下方式计算机器人从当前位置移动至下一个位置的移动轨迹:
获取机器人当前位置以及机器人当前时刻的运行速度、航向角和障碍物信息;
根据机器人当前时刻的运行速度、航向角和障碍物信息得到机器人的预测轨迹并进行评价得到评价结果,选择评价结果最优的预测轨迹移动;评价步骤包括:
根据机器人运动模型和机器人的运行速度向前模拟时间得到预测轨迹路线;运行速度包括线速度、角速度、线加速度和角加速度;
根据预测轨迹路线、角速度、角加速度以及机器人的航向角,计算机器人运动时的朝向角;
根据预测轨迹路线以及障碍物信息,计算障碍物距离;
根据预测轨迹路线以及线速度和加速度,计算机器人的预测速度;
根据朝向角、障碍物距离和预测速度进行评价,得到评价结果。
评价的计算公式包括:
G(v,ω)=a1·heading(v,ω)+a2·dist(v,ω)+a3·velocity(v,ω)
heading(v,ω)=180°-∣target-curθ∣
其中,v,ω分别表示机器人的运行速度、角速度,heading(v,ω)表示朝向角评价,dist(v,ω)表示障碍物距离评价,velocity(v,ω)表示速度评价,target表示机器人中心位置与目标点连线与x正轴所成角度,curθ表示机器人朝向角度,a1、a2和a3分别表示朝向角评价、障碍物距离评价和速度评价的预设参数。
判断机器人是否达到下一位置;若机器人达到下一位置,判断机器人是否达到终点位置;若达到终点位置,机器人停止移动。
参照图8,本发明的一个实施例,提供了一种基于混合微粒群算法的移动机器人路径规划系统1000,包括模型构建模块1001、最优路径模块1002和最优轨迹模块1003,其中:
模型构建模块1001、用于构建路径规划模型,模型构建包括构建相应地图坐标系、机器人初始位置和机器人运动模型;
最优路径模块1002、用于通过路径规划模型,利用微粒群-遗传混合算法计算机器人从起始位置到终点位置的最优路径,最优路径指机器人从起点位置到终点位置的距离最短的路径且最优路径中包括多个中间位置;
最优轨迹模块1003、驱动机器人沿最优路径移动,并且在移动过程通过如下方式计算机器人从当前位置移动至下一个位置的移动轨迹:
获取机器人当前位置以及机器人当前时刻的运行速度、航向角和障碍物信息;
根据机器人当前时刻的运行速度、航向角和障碍物信息得到机器人的预测轨迹并进行评价得到评价结果,选择评价结果最优的预测轨迹移动;
判断机器人是否达到下一位置;若机器人达到下一位置,判断机器人是否达到终点位置;若达到终点位置,机器人停止移动。
需要说明的是,由于本实施例中的一种基于混合微粒群算法的移动机器人路径规划系统与上述的一种基于混合微粒群算法的移动机器人路径规划方法基于相同的发明构思,因此,方法实施例中的相应内容同样适用于本装置实施例,此处不再详述。
参照图9,本发明的另一个实施例,还提供了一种电子设备,该电子设备6000可以是任意类型的智能终端,例如手机、平板电脑、个人计算机等。
具体的,电子设备6000包括:一个或多个控制处理器6001和存储器6002,图9中以一个控制处理器6001与一个存储器6002为例,控制处理器6001和存储器6002可以通过总线或者其他方式连接,图9中以通过总线连接为例。
存储器6002作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块,如本发明实施例中的一种电子设备对应的程序指令/模块;
控制处理器6001通过运行存储在存储器6002中的非暂态软件程序、指令以及模块,从而执行一种基于混合微粒群算法的移动机器人路径规划方法的各种功能应用以及数据处理,即实现上述方法实施例的一种基于混合微粒群算法的移动机器人路径规划方法。
存储器6002可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储一种基于混合微粒群算法的移动机器人路径规划方法的使用所创建的数据等。此外,存储器6002可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器6002可选包括相对于控制处理器6001远程设置的存储器,这些远程存储器可以通过网络连接至该电子设备6000。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
在一个或者多个模块存储在存储器6002中,当被该一个或者多个控制处理器6001执行时,执行上述方法实施例中的基于混合微粒群算法的移动机器人路径规划方法,例如执行以上描述的图1至图5的方法步骤。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
需要说明的是,由于本实施例中的一种电子设备与上述的一种基于混合微粒群算法的移动机器人路径规划方法基于相同的发明构思,因此,方法实施例中的相应内容同样适用于本装置实施例,此处不再详述。
本发明的一个实施例,还提供一种计算机可读存储介质,存储有计算机可执行指令,计算机可执行指令用于执行:如上述实施例所述的基于混合微粒群算法的移动机器人路径规划方法。
需要说明的是,由于本实施例中的一种计算机可读存储介质与上述的一种基于混合微粒群算法的移动机器人路径规划方法基于相同的发明构思,因此,方法实施例中的相应内容同样适用于本装置实施例,此处不再详述。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储数据(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的数据并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何数据递送介质。
上面结合附图对本发明实施例作了详细说明,但本发明不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.一种基于混合微粒群算法的移动机器人路径规划方法,其特征在于,包括以下步骤:
步骤S100、构建路径规划模型,所述模型构建包括构建相应地图坐标系、机器人初始位置和机器人运动模型;
步骤S200、通过所述路径规划模型,利用微粒群-遗传混合算法计算所述机器人从起始位置到终点位置的最优路径,所述最优路径指所述机器人从起点位置到终点位置的距离最短的路径且所述最优路径中包括多个中间位置;
步骤S300、驱动所述机器人沿所述最优路径移动,并且在所述移动过程通过如下方式计算所述机器人从当前位置移动至下一个位置的移动轨迹:
步骤S301、获取所述机器人当前位置以及所述机器人当前时刻的运行速度、航向角和障碍物信息;
步骤S302、根据所述机器人当前时刻的运行速度、航向角和障碍物信息得到所述机器人的预测轨迹并进行评价得到评价结果,选择所述评价结果最优的所述预测轨迹移动;
步骤S303、判断所述机器人是否达到所述下一位置;若所述机器人达到所述下一位置,判断所述机器人是否达到所述终点位置;若达到所述终点位置,所述机器人停止移动。
2.根据权利要求1所述的基于混合微粒群算法的移动机器人路径规划方法,其特征在于,所述利用微粒群-遗传混合算法计算所述机器人从起始位置到终点位置的最优路径,包括以下步骤:
步骤S210、进行微粒初始化,得到微粒群;所述微粒初始化包括随机设置微粒位置和设置个体历史最优值和群体历史最优值;
步骤S220、根据所述微粒位置以及所述终点位置,计算得到当前个体适应度值,所述个体适应度值为路径长度;
步骤S230、进行所述个体历史最优值和所述群体历史最优值的更新;所述个体历史最优值和所述群体历史最优值的更新包括以下步骤:
步骤S231、判断所述当前个体适应度值是否优于所述个体历史最优值;
步骤S232、若所述当前个体适应度值优于所述个体历史最优值,所述个体历史最优值更新为所述当前个体适应度值;
步骤S233、判断所述当前个体适应度值是否优于所述群体历史最优值;
步骤S234、若所述当前个体适应度值优于所述群体历史最优值,所述群体历史最优值更新为所述当前个体适应度值;
步骤S240、将所述微粒进行遗传变换,更新所述微粒群;
步骤S250、判断是否满足终止条件;不满足所述终止条件,跳转到步骤S220;满足所述终止条件,根据所述个体历史最优值和述群体历史最优值得到所述最优路径;所述终止条件包括迭代次数和所述个体历史最优值以及述群体历史最优值达到阈值。
3.根据权利要求2所述的基于混合微粒群算法的移动机器人路径规划方法,其特征在于,所述将所述微粒进行遗传变换,包括以下步骤:
步骤S241、进行所述个体适应度值对应的微粒与所述个体历史最优值对应的微粒的交叉;
步骤S242、进行所述个体适应度值对应的微粒与所述群体历史最优值对应的微粒的交叉;
步骤S243、进行所述个体适应度值对应的微粒的自身变异。
4.根据权利要求3所述的基于混合微粒群算法的移动机器人路径规划方法,其特征在于,所述交叉包括以下步骤:
通过离散均匀随机整数函数对两个微粒产生交叉位,所述交叉位产生交叉区域;
删除所述交叉区域相同的元素,得到交叉新微粒;
比较所述交叉新微粒的适应度值与所述当前个体适应度值,所述交叉新微粒的适应度值更优则保留所述交叉新微粒。
5.根据权利要求3所述的基于混合微粒群算法的移动机器人路径规划方法,其特征在于,所述自身变异包括以下步骤:
通过舍入与随机函数对微粒产生变异位,所述变异位产生变异区域;
保留所述变异区域,得到变异新微粒;
比较所述变异新微粒的适应度值与所述当前个体适应度值,所述变异新微粒的适应度值更优则保留所述变异新微粒。
6.根据权利要求1所述的基于混合微粒群算法的移动机器人路径规划方法,其特征在于,所述根据所述机器人当前时刻的运行速度、航向角和障碍物信息得到所述机器人的预测轨迹并进行评价得到评价结果,包括以下步骤:
根据所述机器人运动模型和所述机器人的运行速度向前模拟时间得到预测轨迹路线;所述运行速度包括线速度、角速度、线加速度和角加速度;
根据所述预测轨迹路线、所述角速度、所述角加速度以及所述机器人的航向角,计算所述机器人运动时的朝向角;
根据所述预测轨迹路线以及所述障碍物信息,计算障碍物距离;
根据所述预测轨迹路线以及所述线速度和所述加速度,计算所述机器人的预测速度;
根据所述朝向角、所述障碍物距离和所述预测速度进行评价,得到评价结果。
7.根据权利要求6所述的基于混合微粒群算法的移动机器人路径规划方法,其特征在于,所述进行评价得到评价结果的计算公式包括:
G(v,ω)=a1·heading(v,ω)+a2·dist(v,ω)+a3·velocity(v,ω)
heading(v,ω)=180°-∣target-curθ∣
其中,所述v,ω分别表示所述机器人的运行速度、角速度,所述heading(v,ω)表示朝向角评价,所述dist(v,ω)表示障碍物距离评价,所述velocity(v,ω)表示速度评价,所述target表示机器人中心位置与目标点连线与x正轴所成角度,所述curθ表示机器人朝向角度,所述a1、所述a2和所述a3分别表示所述朝向角评价、所述障碍物距离评价和所述速度评价的预设参数。
8.一种基于混合微粒群算法的移动机器人路径规划系统,其特征在于,包括;
模型构建模块,用于构建路径规划模型,所述模型构建包括构建相应地图坐标系、机器人初始位置和机器人运动模型;
最优路径模块,用于通过所述路径规划模型,利用微粒群-遗传混合算法计算所述机器人从起始位置到终点位置的最优路径,所述最优路径指所述机器人从起点位置到终点位置的距离最短的路径且所述最优路径中包括多个中间位置;
最优轨迹模块,驱动所述机器人沿所述最优路径移动,并且在所述移动过程通过如下方式计算所述机器人从当前位置移动至下一个位置的移动轨迹:
获取所述机器人当前位置以及所述机器人当前时刻的运行速度、航向角和障碍物信息;
根据所述机器人当前时刻的运行速度、航向角和障碍物信息得到所述机器人的预测轨迹并进行评价得到评价结果,选择所述评价结果最优的所述预测轨迹移动;
判断所述机器人是否达到所述下一位置;若所述机器人达到所述下一位置,判断所述机器人是否达到所述终点位置;若达到所述终点位置,所述机器人停止移动。
9.一种电子设备,其特征在于:包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的基于混合微粒群算法的移动机器人路径规划方法。
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存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的基于混合微粒群算法的移动机器人路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210538337.2A CN114995400A (zh) | 2022-05-18 | 2022-05-18 | 基于混合微粒群算法的移动机器人路径规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210538337.2A CN114995400A (zh) | 2022-05-18 | 2022-05-18 | 基于混合微粒群算法的移动机器人路径规划方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114995400A true CN114995400A (zh) | 2022-09-02 |
Family
ID=83027240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210538337.2A Pending CN114995400A (zh) | 2022-05-18 | 2022-05-18 | 基于混合微粒群算法的移动机器人路径规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114995400A (zh) |
-
2022
- 2022-05-18 CN CN202210538337.2A patent/CN114995400A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11900797B2 (en) | Autonomous vehicle planning | |
EP1733287B1 (en) | System and method for adaptive path planning | |
Lin et al. | Decision making through occluded intersections for autonomous driving | |
CN113341984A (zh) | 基于改进rrt算法的机器人路径规划方法和装置 | |
CN114489059B (zh) | 基于d3qn-per移动机器人路径规划方法 | |
CN113359718A (zh) | 移动机器人全局路径规划与局部路径规划融合方法及设备 | |
CN112540609A (zh) | 路径规划方法、装置、终端设备及存储介质 | |
CN117232517A (zh) | 用于电力行业仓储场景的多移动工业机器人路径规划方法 | |
CN115560771A (zh) | 基于采样的路径规划方法及装置、自动行驶设备 | |
Yang et al. | Autonomous UAV navigation in dynamic environments with double deep Q-networks | |
CN114089776A (zh) | 一种基于深度强化学习的无人机避障方法 | |
CN113139696B (zh) | 一种轨迹预测模型构建方法及轨迹预测方法、装置 | |
CN112612267A (zh) | 自动驾驶的路径规划方法和装置 | |
CN114995400A (zh) | 基于混合微粒群算法的移动机器人路径规划方法及系统 | |
Palacios-Morocho et al. | Multipath planning acceleration method with double deep R-learning based on a genetic algorithm | |
CN112987713A (zh) | 自动驾驶设备的控制方法、装置及存储介质 | |
CN116225046A (zh) | 基于深度强化学习的未知环境下无人机自主路径规划方法 | |
CN113741412B (zh) | 自动驾驶设备的控制方法、装置及存储介质 | |
CN115061499A (zh) | 无人机控制方法及无人机控制装置 | |
CN114527759A (zh) | 一种基于分层强化学习的端到端驾驶方法 | |
Neuman et al. | Anytime policy planning in large dynamic environments with interactive uncertainty | |
Luo et al. | Boundary aware navigation and mapping for a mobile automaton | |
Lin et al. | Localisation-safe reinforcement learning for mapless navigation | |
Raju et al. | pragmatic implementation of reinforcement algorithms for path finding on raspberry Pi | |
Raj et al. | Dynamic Obstacle Avoidance Technique for Mobile Robot Navigation Using Deep 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 |