CN115493593A - 一种基于迭代策略的改进人工势场的移动机器人路径规划方法 - Google Patents
一种基于迭代策略的改进人工势场的移动机器人路径规划方法 Download PDFInfo
- Publication number
- CN115493593A CN115493593A CN202211001968.7A CN202211001968A CN115493593A CN 115493593 A CN115493593 A CN 115493593A CN 202211001968 A CN202211001968 A CN 202211001968A CN 115493593 A CN115493593 A CN 115493593A
- Authority
- CN
- China
- Prior art keywords
- potential field
- node
- algorithm
- executing
- potential
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012937 correction Methods 0.000 claims abstract description 13
- 238000012804 iterative process Methods 0.000 claims abstract description 5
- 238000004891 communication Methods 0.000 claims abstract description 4
- 238000005381 potential energy Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
一种基于迭代策略的改进人工势场算法的机器人路径规划方法,S1、初始化算法的相关参数;S2、根据APF相关公式计算每个节点的势力场;S3、将所有障碍物的邻接节点添加进一个空列表A;S4、进入修正势场的迭代循环过程;S5、令势场变化误差delta=0;S6、依次遍历A中的节点a,若delta为0,则退出势场修正的迭代过程;S7、基于S13得到的修正势场,从起点节点开始,按照势场最大下降策略,即可找到一条从起点至终点的联通路径;S8、输出路径结果,算法结束。本发明针对传统APF算法存在的问题提出一种迭代修正势场策略,该策略会通过迭代渐渐消除可能存在的局部较低势场,保证了移动机器人不会陷入局部死角,从而提高算法完成路径规划任务的效率。
Description
技术领域
本发明涉及机器人路径规划技术领域,具体是一种基于迭代修正势场策略的改进人工势场算法(Improved artificial potential field algorithm based on iterativestrategy,IAPF-BIS)的移动机器人路径规划方法。
背景技术
路径规划技术是移动机器人研究领域的一个重要组成部分,主要目的是在有障碍物的环境中,根据一定的准则(如路径最短,位置拐点最少,用时最短等),寻求一条从起始位置节点到目标位置节点之间的最优或次优安全无碰路径。
路径规划技术的发展在一定程度上标志着机器人智能水平的高低,而路径规划方法的优劣直接影响路径规划效果。
目前,国内外许多专家学者都在致力于路径规划算法的研究,常用的优化算法主要有APF算法、免疫算法、蚁群优化算法、神经网络、A-Star算法等。
其中,APF算法是由Khatib提出的一种虚拟力法。它的基本思想是将机器人在周围环境中的运动,设计成一种抽象的人造引力场中的运动,目标点对移动机器人产生“引力”,障碍物对移动机器人产生“斥力”,最后通过求合力来控制移动机器人的运动。应用势场法规划出来的路径一般是比较平滑并且安全,但是这种方法存在局部最优点问题,即机器人可能会陷入局部较低的势场。
发明内容
本发明的目的在于提供一种基于迭代修正势场策略的改进人工势场算法(Improved artificial potential field algorithm based on iterative strategy,IAPF-BIS)的机器人路径规划方法,该方法能够克服传统APF在生成路径时可能陷入局部较低势场,从而无法到达终点的缺陷。
首先,图1所示为一些会导致APF陷入局部较低势场的栅格地图,其中,左上角栅格为起点S,右下角栅格为终点E。观察机器人陷入局部较低势能的栅格节点的位置,可以发现都是障碍物的邻接节点,同时,由人工势场法的逻辑流程可知,该节点处周围的节点的势能较高。基于上述两点特征,本发明提供一种基于迭代修正势场策略的改进人工势场算法的机器人路径规划方法,大体的思路为,通过迭代修改可能使得APF陷入局部较低势场的节点的势能,逐步减少该类节点的数量,当且仅当该类节点数目为0时,退出迭代过程,用修正后的新势力场去完成路径规划的任务,即可实现克服传统APF在生成路径时可能陷入局部较低势场,从而解决无法到达终点的缺陷。
本发明解决其技术问题所采用的技术方案是:
一种基于迭代修正势场策略的IAPF-BIS算法的机器人路径规划方法,包括以下步骤:
S1、初始化算法的相关参数,如包括:地图数据矩阵m、起点S、终点E、空列表list_del、list_append,势场变化系数k=1.1;
S2、根据APF相关公式计算每个节点的势力场,即原势场;
S3、将所有障碍物的邻接节点添加进一个空列表A;
S4、进入修正势场的迭代循环过程;
S5、令势场变化误差delta=0;
S6、依次遍历列表A中的节点,记为节点a,执行S7;遍历结束后执行S13;
S7、检测节点a的邻接节点的势能的最小值,记pf_1;
S8、若pf_1<节点a的势能pf_a,则执行S9;否则,执行S10;
S9、将节点a添加进list_del,执行S12;
S10、令pf_a等于k*pf_1,delta自加pf_a的前后变化的绝对值;
S11、将节点a的邻接节点添加仅list_append;
S12、将list_append中的节点添加进列表A;将list_append中的节点从列表A中删除;执行S6;
S13、若delta为0,则退出势场修正的迭代过程,执行S14;否则执行S5;
S14、基于S13得到的修正势场,从起点节点开始,按照势场最大下降策略,即可找到一条从起点至终点的联通路径。
S15、输出路径结果,算法结束。
本发明的有益效果是,IAPF-BIS算法会通过一种迭代策略消除势场中存在的局部较低势场,使得机器人不会陷入局部较低势场,从而提高算法的求解效率。大量的仿真结果表明,采取本发明新型策略的IAPF-BIS算法在解决机器人路径规划问题上的效果进步明显,整体性能优于APF算法以及其他仿生算法。
附图说明
下面结合附图和实施例对本发明进一步说明:
图1 APF陷入局部较低势场的仿真案例,其中 (a)、(b)、(c)及(d)部分分别表示4种APF陷入局部较低势场的典型实例;
图2 本发明IAPF-BIS算法流程图;
图3 本发明IAPF-BIS算法运行结果,其中 (a)、(b)、(c)及(d)部分分别表示IAPF-BIS算法在图1的四种典型实例下的运行结果;
图4 势场修正前后三维对比图,其中 (a)、(b)、(c)及(d)部分分别表示IAPF-BIS算法在图1的四种典型实例下得到的原势场(左)与修正后势场(右)的可视图;原势场为S2中提到的依据传统APF流程得到的势场,修正势场为S13结束时得到的新势场;
图5 4种实例环境下仿真过程中势场修正迭代曲线图;
图6 IAPF-BIS与文献IAPF仿真结果对比图;
图7 原势场(左)与修正后的势场(右)对比图;
图8 迭代曲线图。
具体实施方式
一种基于迭代修正势场策略的改进人工势场算法的机器人路径规划方法,包括以下步骤(如图2所示):
S1、初始化算法的相关参数,如包括:地图数据m、起点S、终点E、空列表list_del、list_append,势场变化系数k=1.1;
S2、根据APF相关公式计算每个节点的势力场,即原势场;
S3、将所有障碍物的邻接节点添加进一个空列表A;
S4、进入修正势场的迭代循环过程;
S5、令势场变化误差delta=0;
S6、依次遍历列表A中的节点,记为节点a,执行S7;遍历结束后执行S13;
S7、检测节点a的邻接节点的势能的最小值,记pf_1;
S8、若pf_1<节点a的势能pf_a,则执行S9;否则,执行S10;
S9、将节点a添加进list_del,执行S12;
S10、令pf_a等于k*pf_1,delta自加pf_a的前后变化的绝对值;
S11、将节点a的邻接节点添加仅list_append;
S12、将list_append中的节点添加进列表A;将list_append中的节点从列表A中删除;执行S6;
S13、若delta为0,则退出势场修正的迭代过程,执行S14;否则执行S5;
S14、基于S13得到的修正势场,从起点节点开始,按照势场最大下降策略,即可找到一条从起点至终点的联通路径。
S15、输出路径结果,算法结束。
本发明的有益效果是,通过使用迭代修正势场策略,使得IAPF-BIS算法在生成路径时,不会陷入局部较低势场,从而提高算法的求解效率。
本发明的效果可以通过以下仿真实验进一步说明:
为验证本方法的正确性和合理性,运用python语言编程,在图1所示的四种环境下进行仿真。以左上角节点为起点S,右下角节点为终点E,仿真结果如图3所示,图4为势场修正前后对比图,图5为迭代曲线图。
为了进一步验证本发明提出的改进算法的有效性,将本发明与另外一种改进的IAPF算法进行比较,另一种改进的IAPF算法为期刊《电子测量技术》在2020年第17期中101-104页文章《基于改进人工势场法的搬运机器人路径规划》中记载的改进IAPF算法,在该文章记载的案例3的环境条件下利用本发明方法与其改进算法进行对比,仿真结果如图6、图7、图8以及表2所示。
表2 仿真数据对比表
算法 | 路径长度/单位长度 | 算法运行时间/s |
IAPF-BIS | 182.3205 | 0.3141 |
文献IAPF算法 | 264.5718 | 0.2832 |
通过表2中数据可知,本发明IAPF-BIS算法所得最优路径结果为182.3205,优于文献IAPF所得到的结果264.5718,路径长度缩短了约31.08%。尽管IAPF-BIS的用时略高于文献IAPF,但综合的来看,本发明的效果表现更好。
通过上述对比仿真实验可以得出结论:使用本发明IAPF-BIS算法的路径规划效率明显优于传统APF算法。且使用本发明提出的IAPF-BIS算法比他人改进的IAPF算法效果好,这说明了本发明提出的IAPF-BIS算法在路径优化方面的具备一定的可行性与实用性。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制;任何熟悉本领域的技术人员,在不脱离本发明技术方案范围情况下,都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同替换、等效变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (1)
1.一种基于迭代策略的改进人工势场算法的机器人路径规划方法,包括以下步骤:
S1、初始化算法的相关参数,如:地图数据m、起点S、终点E、空列表list_del、list_append,势场变化系数k=1.1等;
S2、根据APF相关公式计算每个节点的势力场,即原势场;
S3、将所有障碍物的邻接节点添加进一个空列表A;
S4、进入修正势场的迭代循环过程;
S5、令势场变化误差delta=0;
S6、依次遍历A中的节点,记为节点a,执行S7;遍历结束后执行S13;
S7、检测节点a的邻接节点的势能的最小值,记pf_1;
S8、若pf_1<节点a的势能pf_a,则执行S9;否则,执行S10;
S9、将节点a添加进list_del,执行S12;
S10、令pf_a等于k*pf_1,delta自加pf_a的前后变化的绝对值;
S11、将节点a的邻接节点添加仅list_append;
S12、将list_append中的节点添加进A;将list_append中的节点从A中删除;执行S6;
S13、若delta为0,则退出势场修正的迭代过程,执行S14;否则执行S5;
S14、基于S13得到的修正势场,从起点节点开始,按照势场最大下降策略,即可找到一条从起点至终点的联通路径;
S15、输出路径结果,算法结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211001968.7A CN115493593A (zh) | 2022-08-20 | 2022-08-20 | 一种基于迭代策略的改进人工势场的移动机器人路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211001968.7A CN115493593A (zh) | 2022-08-20 | 2022-08-20 | 一种基于迭代策略的改进人工势场的移动机器人路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115493593A true CN115493593A (zh) | 2022-12-20 |
Family
ID=84467174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211001968.7A Pending CN115493593A (zh) | 2022-08-20 | 2022-08-20 | 一种基于迭代策略的改进人工势场的移动机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115493593A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018176594A1 (zh) * | 2017-03-31 | 2018-10-04 | 深圳市靖洲科技有限公司 | 一种面向无人自行车的人工势场路径规划法 |
CN110928295A (zh) * | 2019-10-16 | 2020-03-27 | 重庆邮电大学 | 一种融合人工势场与对数蚁群算法的机器人路径规划方法 |
CN111897328A (zh) * | 2020-07-17 | 2020-11-06 | 武汉理工大学 | 一种基于改进人工势场法的路径规划方法、装置及设备 |
CN113848889A (zh) * | 2021-09-09 | 2021-12-28 | 武汉工程大学 | 一种基于鲸鱼优化算法和人工势场法结合的路径规划方法 |
CN113917925A (zh) * | 2021-10-14 | 2022-01-11 | 安徽工程大学 | 一种基于改进遗传算法的移动机器人路径规划方法 |
CN114326735A (zh) * | 2021-12-29 | 2022-04-12 | 中国计量大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
CN114489040A (zh) * | 2021-12-13 | 2022-05-13 | 中煤科工集团信息技术有限公司 | 基于改进a*算法与人工势场算法的混合路径规划方法 |
-
2022
- 2022-08-20 CN CN202211001968.7A patent/CN115493593A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018176594A1 (zh) * | 2017-03-31 | 2018-10-04 | 深圳市靖洲科技有限公司 | 一种面向无人自行车的人工势场路径规划法 |
CN110928295A (zh) * | 2019-10-16 | 2020-03-27 | 重庆邮电大学 | 一种融合人工势场与对数蚁群算法的机器人路径规划方法 |
CN111897328A (zh) * | 2020-07-17 | 2020-11-06 | 武汉理工大学 | 一种基于改进人工势场法的路径规划方法、装置及设备 |
CN113848889A (zh) * | 2021-09-09 | 2021-12-28 | 武汉工程大学 | 一种基于鲸鱼优化算法和人工势场法结合的路径规划方法 |
CN113917925A (zh) * | 2021-10-14 | 2022-01-11 | 安徽工程大学 | 一种基于改进遗传算法的移动机器人路径规划方法 |
CN114489040A (zh) * | 2021-12-13 | 2022-05-13 | 中煤科工集团信息技术有限公司 | 基于改进a*算法与人工势场算法的混合路径规划方法 |
CN114326735A (zh) * | 2021-12-29 | 2022-04-12 | 中国计量大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
Non-Patent Citations (2)
Title |
---|
YIZHUO MU 等: "Three-dimensional route planning based on the beetle swarm optimization algorithm", IEEE ACCESS, 31 December 2019 (2019-12-31) * |
张强 等: "基于改进势场蚁群算法的移动机器人最优路径规划", 农业机械学报, no. 05, 19 February 2019 (2019-02-19) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110160546B (zh) | 一种移动机器人路径规划方法 | |
CN107607120B (zh) | 基于改进修复式Anytime稀疏A*算法的无人机动态航迹规划方法 | |
CN112327876B (zh) | 一种基于终距指数的机器人路径规划方法 | |
CN110095122B (zh) | 一种基于改进蚁群算法的移动机器人路径规划方法 | |
CN105138000A (zh) | 最优化基座位姿扰动的七自由度空间机械臂轨迹规划方法 | |
CN113867368A (zh) | 一种基于改进海鸥算法的机器人路径规划方法 | |
CN110530373B (zh) | 一种机器人路径规划方法、控制器及系统 | |
CN112985408A (zh) | 一种路径规划优化方法及系统 | |
CN113703450B (zh) | 基于平滑因素改进蚁群算法的移动机器人路径规划方法 | |
CN114166235A (zh) | 一种基于优化a-star算法的全局动态平滑路径规划方法 | |
Hsu et al. | Path planning for mobile robots based on improved ant colony optimization | |
CN114326726B (zh) | 一种基于a*与改进人工势场法的编队路径规划控制方法 | |
Kantasewi et al. | Multi Q-table Q-learning | |
CN113917925A (zh) | 一种基于改进遗传算法的移动机器人路径规划方法 | |
CN110705803B (zh) | 基于三角形内心引导rrt算法的路径规划方法 | |
CN116540738A (zh) | 基于运动约束改进蚁群算法的移动机器人路径规划方法 | |
CN116203965A (zh) | 一种基于agv的改进蚁群算法的路径规划算法 | |
CN115686020B (zh) | 一种基于iapf-a*融合算法的机器人路径规划 | |
Gu et al. | Robot path planning of improved adaptive Ant Colony System Algorithm based on Dijkstra | |
CN115493593A (zh) | 一种基于迭代策略的改进人工势场的移动机器人路径规划方法 | |
CN117419739A (zh) | 一种输煤系统巡检机器人的路径规划优化方法 | |
Li et al. | Path planning of mobile robot based on improved td3 algorithm | |
CN112486185A (zh) | 在未知环境下基于蚁群和vo算法的路径规划方法 | |
CN115494840A (zh) | 一种基于蒙特卡洛因子的mc-iaco的焊接机器人路径规划方法 | |
CN115016461B (zh) | 一种基于动态终点策略的IA-Star算法的机器人路径规划方法 |
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 |