CN115309161A - 一种移动机器人路径规划方法、电子设备及存储介质 - Google Patents

Abstract

本发明公开了一种移动机器人路径规划方法、电子设备及存储介质，提出一种改进的RRT*算法与动态窗口法相结合的混合算法，利用DWA算法跟踪改进RRT*算法规划的最优路径。当全局路径上出现静态未知障碍物时，通过二次调权和路径回正机制避开障碍物并及时回归原路线；当环境中出现移动障碍物时，通过提前检测危险距离并转向加速的方式安全驶离该区域。最后，通过仿真实验验证，在复杂动态障碍物环境中本发明提出的改进融合算法运行时间短、路径成本小、与障碍物始终保持安全距离，确保在安全避开动态障碍物的同时，跟踪最优路径。

Description

一种移动机器人路径规划方法、电子设备及存储介质

技术领域

本发明属于移动机器人路径规划算法领域，具体涉及一种移动机器人路径规划方法、电子设备及存储介质。

背景技术

由于移动机器人具有自主导航、智能寻路等优点，所以被广泛应用于工业制造、医疗服务、家庭生活中。随着移动机器人被不断开发并普及运用，其行驶路径的成本、效率、安全等性能指标将直接影响移动机器人的工作质量。因此，高效地规划出一条最短的安全路径显得尤为关键，具有较大的研究意义和实用价值。根据环境信息的完全已知和不完全已知，可将路径规划分为全局和局部路径规划。常见的全局路径规划算法包括基于搜索方法的A*，基于采样方法的RRT。这类算法需要基于精确的地图环境，优点是方法简单，容易实现。但在突发的动态环境中，实时规划能力差，无法实现动态避障。常见的局部路径规划算法中，人工势场法利用引力和斥力的相互作用力驱使机器人运动，具有良好的实时性，但容易陷入局部最优。而DWA算法基于机器人的运动学模型，考虑其运动特性和环境信息，利用采样的可行速度组生成轨迹，再由评价函数得到最优速度，但缺少全局路径的引导，无法得到最优路径。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出了一种移动机器人路径规划方法。

为了实现上述技术目的，本发明的技术方案为：

一种移动机器人路径规划方法，包括以下步骤：

S1、构建RRT*算法，并剔除RRT*算法生成的危险节点，生成改进RRT*算法；

S2、采用贪婪算法对步骤1改进的RRT*算法进行路径缩短处理；

S3、利用DWA算法跟踪步骤2缩短处理后的RRT*算法规划的最优路径；

S4、设计一种二次调权和路径回正机制，以确保机器人在静态未知障碍物区域能及时避开障碍物并回归原路径；

S5、设计一种转向加速的安全驶离策略，以确保机器人安全避开动态障碍物；

S6、通过仿真实验验证可靠性与精确性。

一种电子设备，其特征在于，包括：存储器和处理器，所述存储器存储由所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时实现上述的移动机器人路径规划方法。

一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被读取并执行时，实现上述的移动机器人路径规划方法。

采用上述技术方案带来的有益效果：

本发明采用了改进RRT*和动态窗口法相结合的算法，以DWA算法跟踪 RRT*规划的最优路径，使得在复杂的动态障碍物环境中路径规划的效率高、路径成本小、路径与障碍物始终保持安全距离。

附图说明

图1为重新选择父节点过程图；

图2为随机树的重新布线过程图；

图3(a)和(b)为新节点的保留与剔除图；其中图3(a)为保留新节点图，图3(b)为剔除新节点图；

图4为路径缩短处理图；

图5为二次调权与路径回正图；

图6为情形1示意图；

图7为情形2示意图；

图8(a)和图8(b)为RRT*算法对比仿真示意图；其中图8(a)为传统RRT*算法规划仿真示意图，图8(b)为改进RRT*算法规划仿真示意图；

图9(a)和图9(b)传统DWA算法在动态环境中规划仿真示意图；其中图9(a)为DWA算法避开动态障碍物仿真示意图；图9(b)为DWA算法到达目标点仿真示意图；

图10(a)-图10(d)为融合算法在动态环境中规划仿真示意图；其中图10(a)为开始运行仿真图，图10(b)为开始避开静态未知障碍物仿真图；图10(c)为避开动态障碍物仿真图；图10(d)为到达目标点仿真图；

图11(a)～图11e为改进融合算法在动态环境中规划仿真示意图；其中图11(a)为开始避开静态未知障碍物仿真图；图11(b)为检测到潜在碰撞距离仿真图；图 11(c)为返回途中避开动态障碍物仿真图；图11(d)为回归原路径仿真图；图11(e) 为到达目标点仿真图。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

一种基于改进RRT*算法与动态窗口法的移动机器人路径规划方法，为了确保全局路径的安全性和最优性，本发明选择剔除RRT*算法生成的危险节点，使随机树的扩展不会触碰到安全范围内，同时为了进一步减小全局路径的长度，对改进的RRT*算法进行路径缩短处理。其次，为实现移动机器人在动态障碍物环境中，安全避障的同时尽可能逼近全局路径，本发明利用DWA算法跟踪改进RRT*算法规划的最优路径。当全局路径上出现静态障碍物时，通过二次调权和路径回正机制避开障碍物并及时回归原路线；当环境中出现移动障碍物时，通过提前检测危险距离并转向加速的方式安全驶离该区域。该方法包括以下步骤：

步骤一，剔除RRT*算法生成的危险节点，使随机树的扩展不会触碰到安全范围内，确保全局路径的安全性，过程如下：

1.1 RRT*算法

RRT*是一种改良的RRT算法，主要致力于改进路径长度不最优的问题。 RRT*是渐进最优算法，通过在RRT算法的基础上加入重新选择父节点和重新布线的过程，随着迭代次数的不断增加，得到的路径会越来越优化。

RRT*算法的第一层优化：重新选择父节点。具体过程如图1所示，首先以 q_new圆心和事先定义好的半径画圆，找到这个圆内的所有近邻点作为其备选父节点，分别为点E、F、H、J。从图中可以看出A-B-D-K这条路径为RRT算法规划的初始未优化路径，其路径成本为9。当备选父节点连接到q_new时，路径分别为A-E-K，A-B-D-F-K，A-E-H-K，A-B-D-J-K，路径成本分别为8、13、 12、13。由于路径A-E-K的成本最低，所以将路径A-E-K替换掉原路径A-B- D-K。

RRT*算法的第二层优化：随机树的重新布线。为了进一步减小路径成本，试图为q_new寻找下一个可连接的近邻点，如若此路径成本小于原先路径到达该点的成本，则将其替换。具体过程如图2所示，D、F、H、J为q_new的近邻点，其中路径A-E-K-D的成本为10，而原先路径A-B-D成本为7，不满足要求。同理，连接到其他近邻点的成本分别为10、11、11，与之对应的原先路径成本为 11、9、10。因此将路径A-E-K-F替换掉原先路径A-B-D-F，成为新的随机树。

1.2剔除危险节点

为了获得成本最小的路径，RRT*算法可能会连接靠近障碍物的节点，虽然路径与障碍物没有发生碰撞，但这样的路径无法保证实体机器人的安全运行。因此，最终规划出的路径要与障碍物保持一定的距离。本发明通过距离约束剔除靠障碍物近的危险节点，筛选出可用的安全节点。首先设置一个安全距离 safe_dis(实验为0.5m)，接着将扩展树中的最近点q_nearest与待选新节点q_new′的连线进行若干等分，得到n个点，分别计算这些点到所有障碍物的距离，如果其中到达障碍物的最短距离dist_min小于虚拟障碍物半径ob_R与安全距离safe_dis 之和时，则认定该点是危险节点，将其剔除，反之则保留，最终得到具有距离约束的安全路径。

图3(a)和图3(b)为新节点的保留和剔除方式，图中的小方块是由实验中矩形障碍物分割而来的，为了方便计算距离和更好的融合后面的DWA算法，对其做外接圆处理。图3(a)将q_nearest与q_new′的连线被平分为6段，其中 q_new′是平分线上到达障碍物最短的点，此时dist_min＞ob_R+safe_dis,认定q_new′是安全节点，选择保留。图3(b)中，靠近q_new′一侧的平分点为到达障碍物最短的点，此时dist_min≤ob_R+safe_dis，则认定q_new′是危险节点，选择剔除。

步骤二，然后采用贪婪算法对上述改进的RRT*算法进行路径缩短处理，提高全局路径的最优性，过程如下：

2.路径缩短处理

由于RRT*算法的随机扩展特性会生成一些冗余节点，从而导致路径较为曲折，在满足避障要求的前提下，去除这些多余的节点，有利于进一步减小路径成本。路径缩短处理采用贪婪算法，基本原理：首先将终点q_goal和起点q_start相连，如果无碰撞，最终路径就为起点连接终点的直线，如果有碰撞，选择终点 q_goal的前一个节点和起点q_start相连，按照这样的方式，依次对各个路径节点和 q_start进行障碍物碰撞判断，直至找到无碰撞的那个路径点，记为新起点q_start′，重复上述过程，一旦找到能与终点q_start′直接相连且无碰撞的新起点就结束。最终的优化路径就由起点，中间这些新起点和终点连接而成。图4为路径缩短处理的示意图，其中黑色图形为障碍物，其他空白区域为可移动区域。

步骤三，接着利用DWA算法跟踪改进RRT*算法规划的最优路径，过程如下：

3.1 DWA算法

动态窗口法(dynamic window algorithm)是一种基于速度采样的局部路径规划方法，将传统的位置优化问题转化为带约束的速度优化问题。通过在速度空间中采样多组速度，然后模拟机器人在这些速度下一定时间间隔的轨迹，在得到无穷多组轨迹后，根据特定的评价函数，选取最优轨迹对应的速度以驱动机器人运动。

假设v(t)和w(t)分别表示移动机器人在世界坐标系下t时刻的线速度和角速度，在采样周期Δt内，位移较小，近似做匀速直线运动，则运动学模型的数学表达式可表示为公式(1)：

3.1.1速度采样

速度空间中存在无穷多组速度(v,w)，而在实际中，可以根据环境和机器人自身的约束，将采样速度控制在一定的范围，其约束为公式(2)

V_i＝{(v,w)|v∈[v_min,v_max],w∈[w_min,w_max]} (2)

式中，v_max、v_min为机器人最大、最小线速度，w_max、w_min为机器人最大、最小角速度。

由于受电机的实际转矩影响，移动机器人存在最大的加速度和减速度，其速度约束为公式(3)

式中，v_c、w_c为当前时刻的线速度和角速度，

为机器人最大加速度，

为机器人最大减速度。

考虑到机器人在行进过程中的安全性，在局部环境中避障时，能够确保与障碍物碰撞前将速度降为0m/s，其约束为公式(4)

式中，dist(v,w)为模拟轨迹末端与障碍物的最近距离。

3.1.2评价函数

在V_i、V_j、V_k这3种速度的约束下，空间内存在若干组可行轨迹，需要利用评价函数对各个轨迹进行评分，选取其中分值最高的作为最优路径并执行：

G(v,w)＝α·heading(v,w)+β·vel(v,w)+γ·dist(v,w) (5)

式中heading(v,w)为机器人方位角评价函数，表示当前模拟轨迹末端方向与目标方向之间的角度偏差；vel(v,w)为当前模拟速度大小的评价函数； dist(v,w)为轨迹末端与障碍物的最近距离。

3.2融合算法

由于缺少全局路径的引导，传统的DWA算法往往不能获得理想的最优路径，尤其是面对L，U型障碍物环境，很容易陷入局部最优。通过融合全局路径RRT*算法的规划信息，引导DWA算法在保证局部动态避障的同时，实现路径的全局最优。其评价函数更改为：

式中Dist(v,w)为距离评价函数，其中dist_obmin(v,w)为避障函数，即当前轨迹与障碍物之间的最短距离，dist_global(v,w)为偏离函数，即当前轨迹与全局路径的距离。

在上述的融合算法中，全局路径RRT*为DWA指明了最优方向，通过增加当前路径与全局路径距离的评价函数，利用距离越小得分越高，使DWA算法能够更好地跟踪全局最优路径，该融合算法虽然能解决传统DWA算法路径成本较长和易陷入局部最优的缺点，但仍然存在以下几点问题：

1.DWA算法的固定权重无法适应不同的障碍物环境，尤其是当RRT*算法规划的路径碰撞到未知的障碍物时，无法兼顾全局最优和安全避障。

2.如果在全局路径的两侧出现移动障碍物做往复运动时，此时融合算法无法提前做出准确的避障动作，以较快的速度偏离全局路径去避开移动障碍物。

步骤四，设计一种二次调权和路径回正机制，以确保机器人在未知静态障碍物区域能及时避开障碍物并及时回归原路径；设计一种转向加速的安全驶离策略，以确保机器人安全避开动态障碍物，过程如下：

4.1二次调权与路径回正

针对融合算法的固定权重无法自适应环境的问题，提出一种动态调整权重策略，首先在全局路径穿过未知障碍物区域和未穿过未知障碍物区域使用两组不同的权重来调整避障和逼近全局路径的优先权，其次在避开未知障碍物后，能及时回到初始最优权重以逼近全局路径。

二次调权与路径回正的原理：首先为障碍物设置一个检测距离 (dist_det＝2m)，当机器人与最近障碍物之间的最短距离dist_min≤dist_det时，说明此时机器人的首要任务是及时做出反应并安全避开障碍物，为了避免陷入局部极小值或无法做出准确的避障动作，需要对DWA算法的评价函数权重做出调整，让偏离函数dist_global(v,w)的权重θ变小，避障函数dist_obmin(v,w)的权重γ变大。机器人成功躲避障碍物时，选择当dist1＜dist2-D时，调回原始最优参数，通过改变路径回归原始最优路径的时间，避免了在未知障碍物附近路径不优的问题和不能及时避障的缺点。

如图5所示，黑色矩形为已知静态障碍物，灰色正方形为未知静态障碍物，灰色虚线是全局路径，其中dist1指的是当前路径上离机器人最近的障碍物和终点的距离，dist2指的是当前路径上机器人的位置和终点的距离，D指的是过渡差值距离(实验中为1)。

4.2安全驶离策略

如果环境中出现动态障碍物，且与机器人有很大碰撞的可能，融合算法由于缺少避障策略，无法提前做出反应并安全驶离动态障碍物区域，所以提出一种提前检测危险距离并转向加速的避障策略。

安全驶离策略：首先，设置一个潜在的碰撞距离(实验中为4m)，当动态障碍物与当前点的距离小于等于4m时，计算当前点的速度到达交叉点的时间t₁和动态障碍物匀速到达交叉点的时间t₂的大小，如图6所示，如果t₁＞t₂，认定在不加任何转向正常行驶时，当前点先于动态障碍物到达交叉点，但此刻即时全力加速，也会存在碰撞的风险，所以给当前点一个向左的转向并加速，走完一定的步数后，按原有的DWA算法规则回归原航线。从图中可以看出，转向加速的位置要比不加转向的位置更加安全。如图7所示，如果t₁＜t₂，动态障碍物先于当前点到达交叉点，此时给当前点一个向右的转向并加速，提前做出绕后加速动作，相比于只减速，规划效率更高，而且也能始终与动态障碍物保持一定的安全距离。

步骤五，通过仿真实验表明，在复杂动态环境中本发明提出的改进融合算法运行时间短、路径成本小、与障碍物始终保持安全距离，安全避障的同时，跟踪最优路径，过程如下：

5.1静态环境中改进RRT*算法的仿真实验

为了验证本发明改进的RRT*算法在静态已知障碍物环境下的优越性，利用Matlab2014对提出的算法进行仿真验证。地图大小设置为40m*40m，黑色矩形为障碍物，白色位置为可移动区域，起点为(40，2)，终点为(0，38)。在改进RRT*算法中，安全距离设置为0.5m。传统的RRT*算法和改进RRT*算法的对比仿真结果如图8(a)和图8(b)所示，实验总共运行50次，并记录数据的平均值，路径长度与安全性能比较如表1所示。

表1性能指标数据

从图8(a)和图8(b)表1可以看出，RRT*算法通过全图扩展随机树，利用自身的重布线特性，规划出一条较优路径，虽然使用了较多节点，牺牲了规划效率，但能够保证路径成本达到最小。从路径的安全性看，RRT*算法规划的路径与障碍物的平均最短距离为0.05387m，显然靠障碍物太近，此路径无法保证机器人移动的安全性。而本发明改进的RRT*算法，在加入安全距离后，删除危险节点，与障碍物的平均最短距离为0.5609m，大于实验设置的安全距离。此外，为了去除RRT*算法在规划过程中路径中出现的冗余节点，通过路径缩短处理，改进RRT*算法的路径长度和传统RRT*算法几乎一样，但改进 RRT*算法距离障碍物更安全。

5.2动态环境中3种算法的仿真实验对比

动态环境仿真实验地图在改进RRT*算法仿真实验的基础上做了两点变化： (1)在改进RRT*算法规划的路径上加入两个未知静态障碍物；(2)在仿真环境中加入一个动态障碍物,在全局路径两侧做往复匀速运动。移动机器人的运动学参数如表2所示，传统的DWA算法评价函数如表3所示，融合算法的评价函数如表4所示，改进融合算法的评价函数如表5所示。表6记录了DWA算法、融合算法、改进融合算法的运行时间、路径长度、与障碍物的最短距离等性能指标。

表2机器人运动学参数

表3 DWA评价函数权重表

表4融合算法评价函数权重表

表5改进融合算法评价函数权重表

5.2.1传统的DWA算法仿真实验

传统DWA算法仿真实验如图9(a)和图9(b)所示，灰色方块为静态未知障碍物，灰浅色方块为移动障碍物。图9(a)中DWA算法通过“绕大弯”的方式实现静态障碍物的避障，通过“跟随同向行驶”方式直到脱离该动态障碍物区域。图9(b) 为到达目标点的仿真图，可以看出传统的DWA算法由于缺少全局路径的引导和准确的避障策略，无法获得理想的最优路径，避开动态障碍物的效果也很差。

5.2.2融合算法仿真实验

未加入新型避障策略的融合算法仿真实验如图10(a)～图10(d)所示，图10(a)中虚线为改进RRT*算法在静态已知障碍物环境中规划的全局路径。从图中可以看出，全局路径RRT*算法由于缺少实时规划能力，无法避开未知障碍物。图10(b)为融合算法遇到未知静态障碍物，由于评价函数是固定权重，不能及时偏离原航线避障，导致路径不安全且不光滑。图10(c)中遇到动态障碍物时，该融合算法采取同向跟随并减速的形式，直到脱离动态区域才回到原航线，导致路径绕大弯。图10(d)为完成整个路径规划的效果图，该融合算法虽然能实现动态避障，但路径存在不安全、绕大弯、不光滑、自适应能力差的缺点。

5.2.3改进融合仿真实验

加入新型避障策略的改进融合算法仿真实验如图11(a)-图11(e)所示，图 11(a)-(b)是模拟机器人在行径过程中遇到未知障碍物时，此前的固定权重已经不适合这种突发障碍物环境，需要修改评价函数的权重，因而使用以避障函数占主导地位的评价函数权重，达到一定条件后回归原航线，本发明提出的二次调权和回正机制能够让路径在避障后迅速回到原全局最优路径，具有良好的适应能力。图11(c)为检测到与动态障碍物达到4m(仿真实验的潜在碰撞距离)的时刻，此时通过计算可知，机器人先于障碍物到达交叉点(全局路径与障碍物行进轨迹的交点)，图11(d)-(e)中机器人通过左转加速避开动态障碍物，然后以较快的速度回归原航线。图11(e)为完成整个路径规划的效果图，可以看出路径安全、逼近全局最优、光滑、适应环境能力强。

表6性能指标对比

从上述3种算法的对比实验可以看出，DWA算法虽然能实现局部动态避障，但是路径成本花费较大。而融合算法在静态已知障碍物区域，虽然能够跟踪全局路径，缩短了路径长度，但使用固定权重的融合算法运行效率变低，路径与障碍物之间的最短距离变近。而加入本发明提出的新型避障策略后，改进融合算法能够实时检测环境中的障碍物情况，通过调整评价函数权重避开未知静态障碍物，通过提前转向加速避开动态障碍物。改进融合算法的运行时间比 DWA算法缩短了39.46％，比融合算法缩短了50.64％；路径长度比DWA算法减少了17.82％，比融合算法减少了3.37％；路径与静态障碍物的最短距离要求大于安全距离0.5m，而动态障碍物属于不可控因素，需要路径与之保持较大的距离，从这两方面来看无疑是本发明改进的融合算法更具有优越性。本发明改进的融合算法最终规划的路径也兼顾了全局最优和安全避障，在复杂的动态障碍物环境中具有良好的自适应能力。

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 (10)

1.一种移动机器人路径规划方法，其特征在于，包括以下步骤：

S1、构建RRT*算法，并剔除RRT*算法生成的危险节点，生成改进RRT*算法；

S2、采用贪婪算法对步骤1改进的RRT*算法进行路径缩短处理；

S3、利用DWA算法跟踪步骤2缩短处理后的RRT*算法规划的最优路径；

S4、设计一种二次调权和路径回正机制，以确保机器人在静态未知障碍物区域能及时避开障碍物并回归原路径；

S5、设计一种转向加速的安全驶离策略，以确保机器人安全避开动态障碍物；

S6、通过仿真实验验证可靠性与精确性。

2.根据权利要求1所述一种移动机器人路径规划方法，其特征在于，步骤S1中构建RRT*算法具体指：在RRT算法的基础上重新选择父节点，以q_new圆心和事先定义好的半径画圆，将圆内所有近邻点作为备选父节点，将备选父节点与q_new圆心连接，以成本最低的路径替换原路径，再为q_new圆心寻找下一个可连接的近邻点，如若此路径成本小于原先路径到达该点的成本，则将其替换，生成新的随机树。

3.根据权利要求2所述一种移动机器人路径规划方法，其特征在于，步骤S1中剔除RRT*算法生成的危险节点具体指：设置一个安全距离safe_dis，safe_dis＝0.5m，接着将扩展树中的最近点q_nearest与待选新节点q_new的连线进行若干等分，得到n个点，分别计算这些点到所有障碍物的距离，如果其中到达障碍物的最短距离dist_min小于虚拟障碍物半径ob_R与安全距离safe_dis之和时，则认定该点是危险节点，将其剔除，反之则保留，最终得到具有距离约束的安全路径。

4.根据权利要求1所述一种移动机器人路径规划方法，其特征在于，步骤S2中路径缩短处理具体指：首先将终点q_goal和起点q_start相连，如果无碰撞，最终路径就为起点连接终点的直线，如果有碰撞，选择终点q_goal的前一个节点和起点q_start相连，按照这样的方式，依次对各个路径节点和q_start进行障碍物碰撞判断，直至找到无碰撞的那个路径点，记为新起点q_start′，重复上述过程，一旦找到能与终点q_start′直接相连且无碰撞的新起点则步骤结束，最终的优化路径就由起点、中间这些新起点和终点连接而成。

5.根据权利要求1所述一种移动机器人路径规划方法，其特征在于，步骤S3具体包括以下步骤：

移动机器人的速度空间中存在无穷多组速度(v,w)，根据环境和机器人自身的约束控制采样速度，公式表达如下：

V_i＝{(v,w)|v∈[v_min,v_max],w∈[w_min,w_max]}

式中，V_i为移动机器人速度约束，v_max、v_min为机器人最大、最小线速度，w_max、w_min为机器人最大、最小角速度；

受电机的实际转矩影响，移动机器人存在最大的加速度和减速度，速度约束公式表达为：

式中，V_j为移动机器人电机加减速约束，v_c、w_c为当前时刻的线速度和角速度，

为机器人最大加速度，

为机器人最大减速度；

考虑到机器人在行进过程中的安全性，在局部环境中避障时，在与障碍物碰撞前将速度降为0m/s，公式表达如下：

式中，V_k为移动机器人安全距离约束，dist)v,w)为模拟轨迹末端与障碍物的最近距离；

在V_i、V_j、V_k这3种速度的约束下，空间内存在若干组可行轨迹，需要利用评价函数对各个轨迹进行评分，选取其中分值最高的作为最优路径并执行，公式表达为：

G(v,w)＝α·heading(v,w)+β·vel(v,w)+γ·dist(v,w)

式中heading(v,w)为机器人方位角评价函数，表示当前模拟轨迹末端方向与目标方向之间的角度偏差；vel(v,w)为当前模拟速度大小的评价函数；dist(v,w)为轨迹末端与障碍物的最近距离。

6.根据权利要求5所述一种移动机器人路径规划方法，其特征在于，在步骤S3中引入融合算法，引导DWA算法在保证局部动态避障的同时，实现路径的全局最优，公式表达为：

式中Dist(v,w)为距离评价函数，其中dist_obmin(v,w)为避障函数，即当前轨迹与障碍物之间的最短距离，dist_global(v,w)为偏离函数，即当前轨迹与全局路径的距离。

7.根据权利要求1所述一种移动机器人路径规划方法，其特征在于，步骤S4具体指：首先为障碍物设置一个检测距离dist_det，当机器人与最近障碍物之间的最短距离dist_min≤dist_det时，机器人的首要任务是及时做出反应并安全避开障碍物，为了避免陷入局部极小值或无法做出准确的避障动作，对DWA算法的评价函数权重做出调整，让偏离函数dist_global(v,w)的权重θ变小，避障函数dist_obmin(v,w)的权重γ变大，机器人成功躲避障碍物即dist1≥dist2-D时，调回原始最优参数。

8.根据权利要求1所述一种移动机器人路径规划方法，其特征在于，步骤S5具体指：首先，设置一个潜在的碰撞距离，当动态障碍物与当前点的距离小于等于潜在的碰撞距离时，计算当前点的速度到达交叉点的时间t₁和动态障碍物匀速到达交叉点的时间t₂的大小如果t₁＞t₂，认定在不加任何转向正常行驶时，当前点先于动态障碍物到达交叉点，此时给当前点一个与动态障碍物行径方向相同的转向并加速，走完一定的步数后，按原有的DWA算法回归原航线；如果t₁＜t₂，则动态障碍物先于当前点到达交叉点，此时给当前点一个与动态障碍物行径方向相反的转向并加速。

9.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器存储由所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时实现上述权利要求1-8任一项所述的移动机器人路径规划方法。

10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被读取并执行时，实现上述权利要求1-8任一项所述的移动机器人路径规划方法。

Images