CN115933668A - 移动机器人路径规划方法、系统、机器人及存储介质 - Google Patents

移动机器人路径规划方法、系统、机器人及存储介质 Download PDF

Info

Publication number
CN115933668A
CN115933668A CN202211619962.6A CN202211619962A CN115933668A CN 115933668 A CN115933668 A CN 115933668A CN 202211619962 A CN202211619962 A CN 202211619962A CN 115933668 A CN115933668 A CN 115933668A
Authority
CN
China
Prior art keywords
whale
path
individual
individuals
strategy
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
Application number
CN202211619962.6A
Other languages
English (en)
Inventor
蔡延光
苏锦明
蔡颢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202211619962.6A priority Critical patent/CN115933668A/zh
Publication of CN115933668A publication Critical patent/CN115933668A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种移动机器人路径规划方法、系统、机器人及存储介质，涉及路径规划技术领域。所述移动机器人路径规划方法包括：采用栅格法将地图划分成1×1的方格，分别采用预设色块表示可通行区域或障碍物；建立数学模型；鲸鱼优化算法参数初始化；采用Tent混沌序列策略对种群初始化；对所有鲸鱼个体执行线性等距插值策略添加新位置向量；计算适应度；选取适应度最小的鲸鱼个体作为当前全局最优个体；更新鲸鱼个体；当前迭代次数t达到最大迭代次数T时，输出当前全局最优个体；计算生成三次均匀B样条曲线，完成路径曲线构造。本发明所提出的移动机器人路径规划方法具有运行速度快、解的质量高、寻优能力强等特点，能够较好地解决实际问题。

Description

移动机器人路径规划方法、系统、机器人及存储介质
技术领域
本发明涉及路径规划技术领域，更具体地，涉及一种移动机器人路径规划方法、系统、机器人及存储介质。
背景技术
移动机器人广泛应用于物流运输、设备维修保养、应急救援、餐饮服务、垃圾清理等诸多领域。路径规划是移动机器人研究的重要课题，解决“去哪里”和“如何去”的问题，路径规划质量极大地影响移动机器人的服务质量。
移动机器人路径规划的主要内容是寻求一条从起始位置，到目标位置的可规避障碍物无碰撞的路径，同时优化其通过这段路程的各类性能指标，包括距离、时间以及能耗等。
鲸鱼优化算法(Whale Optimization Algorithms，WOA)属于启发式优化算法，它是Mirjalili S通过观察座头鲸群体捕食设计出的创新思维算法。现有技术中已见采用鲸鱼优化算法进行路径规划的求解方法，但其存在运行速度较慢、解的质量较差、寻优能力不够强等缺点。
发明内容
本发明为克服上述现有技术所述的运行速度较慢、解的质量较差、寻优能力不够强的缺陷，提供一种移动机器人路径规划方法、系统、机器人及存储介质。
为解决上述技术问题，本发明的技术方案如下：
第一方面，一种移动机器人路径规划方法，包括以下步骤：
S1、采用栅格法将地图划分成1×1的方格，分别采用预设色块表示可通行区域或障碍物；
S2、建立数学模型如下：
minE(r)＝αV(r)+βL(r)
Figure BDA0004001666570000011
Figure BDA0004001666570000021
Figure BDA0004001666570000022
s.t.λ(r)>0
Figure BDA0004001666570000023
其中，n表示路径经过的节点数；m表示转弯次数；b表示障碍物数量；路径r由n个节点
Figure BDA0004001666570000024
组成，k＝1,2,…,n；r＝1,2,…,N，N表示鲸鱼种群规模；E(r)表示路径的基于路径安全性和运输距离的评价值；V(r)表示路径r的路径平滑度；L(r)表示路径r的长度；a、β为预设常数，分别表示路径r的安全性系数、距离权重系数；(x0,y0)、(xn+1,yn+1)分别表示路径的起点、终点坐标，(xk-1,yk-1)、(xk,yk)、(xk+1,yk+1)分别表示节点
Figure BDA0004001666570000025
和
Figure BDA0004001666570000026
的二维坐标；
Figure BDA0004001666570000027
表示相邻节点
Figure BDA0004001666570000028
间的欧氏距离；θk表示相邻两点的角度变量；O＝{O1,O2,…,Ob}表示障碍物的集合，Oj＝(xj,yj)，j＝1,2,…,b；
Figure BDA0004001666570000029
为
Figure BDA00040016665700000210
两点的直线方程；
Figure BDA00040016665700000211
表示障碍物Oj到直线
Figure BDA00040016665700000212
的距离；sign表示符号函数；λ(r)表示路径r是否发生碰撞，λ(r)＝-1表示两物体间距离为负，已经发生碰撞，λ(r)＝0表示两物体间的距离为0，也视为发生碰撞，λ(r)＝1表示两物体间的距离大于0，无发生碰撞；
S3、鲸鱼优化算法参数初始化，具体为：确定鲸鱼种群规模N、初始化最大迭代次数T、鲸鱼个体在搜索空间中的维度D；设置迭代计数器t，表示当前迭代次数，初始化t＝1；
S4、采用Tent混沌序列策略对种群初始化；
S5、对所有鲸鱼个体执行线性等距插值策略添加新位置向量；
S6、计算种群中每条经过线性等距插值后的鲸鱼个体
Figure BDA00040016665700000213
所代表的路径r的适应度fitness，其表达式如下：
fitness＝E(r)；
S7、选取适应度最小的鲸鱼个体作为当前全局最优个体
Figure BDA00040016665700000214
S8、更新鲸鱼个体，进一步包括：
S81、生成[0,1]上均匀分布的随机数ρ，并按下式定义分割系数A：
Figure BDA0004001666570000031
其中，g1为[0,2π]上均匀分布的随机值，g2为[0,π]上均匀分布的随机值；t表示当前迭代次数；
S82、根据ρ和A的数值大小，更新第t+1代鲸鱼个体
Figure BDA0004001666570000032
S9、迭代计数器加1，t＝t+1；判断当前迭代次数t是否达到最大迭代次数T：若是，则输出当前全局最优个体，并转入步骤S10；否则返回执行步骤S5；
S10、对当前全局最优个体线性等距插值，生成新个体，根据新个体的位置向量计算三次均匀B样条曲线pathz(q)，采取分段拟合策略完成路径曲线构造；其中，z＝0,1,2,…,3D-1；非减参数q∈[0,1]，表示曲线变量。
第二方面，一种路径规划系统，应用第一方面提出的一种移动机器人路径规划方法，包括：
地图获取模块，用于获取地图并对地图进行栅格化处理，采用预设色块表示可通行区域或障碍物；还用于设置路径起点和终点；
模型构建模块，用于以基于路径安全性和运输距离生成的评价值最小作为目标函数构建数学模型，并对模型参数进行初始化；
寻优模块，用于采用鲸鱼优化算法、Tent混沌序列策略、线性等距插值策略对所述数学模型计算求解，生成全局最优个体；
路径生成模块，用于对全局最优个体进行线性等距插值生成新个体，并根据新个体包含的位置向量生成B样条曲线；所述B样条曲线即路径曲线。
第三方面，一种移动机器人，包括机器人本体、控制单元和移动单元，所述控制单元的输出端与所述移动单元的输入端连接，所述控制单元上搭载第二方面提出的一种路径规划系统，所述控制单元控制所述移动单元执行所述路径规划系统生成的路径曲线。
第四方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如第一方面提出的一种移动机器人路径规划方法。
第五方面，一种计算机存储介质，所述计算机存储介质中存储有指令，所述指令在计算机上执行时，使得所述计算机执行如第一方面提出的一种移动机器人路径规划方法。
与现有技术相比，本发明技术方案的有益效果是：
本发明提供了一种移动机器人路径规划方法、系统、机器人及存储介质。其中，所述方法提出了一种改进的鲸鱼优化算法，提出改进的Tent混沌序列策略映射初始化种群，提出线性等距插值策略以提高算法的全局搜索能力和局部搜索能力。本发明所提出的移动机器人路径规划方法具有运行速度快、解的质量高、寻优能力强等特点，能够较好地解决实际问题。
附图说明
图1为移动机器人路径规划方法的流程图；
图2为实施例2中生成的最优路径示意图；
图3为实施例2中采用所述路径规划方法与采用基本鲸鱼优化算法生成路径对比示意图；
图4为实施例3中路径规划系统的架构图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提出一种移动机器人路径规划方法，参阅图1，包括以下步骤：
S1、采用栅格法将地图划分成1×1的方格，分别采用预设色块表示可通行区域或障碍物；
S2、建立数学模型如下：
minE(r)＝αV(r)+βL(r)
Figure BDA0004001666570000041
Figure BDA0004001666570000042
Figure BDA0004001666570000051
s.t.λ(r)>0
Figure BDA0004001666570000052
其中，n表示路径经过的节点数；m表示转弯次数；b表示障碍物数量；路径r由n个节点
Figure BDA0004001666570000053
组成，k＝1,2,…,n；r＝1,2,…,N，N表示鲸鱼种群规模；E(r)表示路径的基于路径安全性和运输距离的评价值；V(r)表示路径r的路径平滑度；L(r)表示路径r的长度；a、β为预设常数，分别表示路径r的安全性系数、距离权重系数；(x0,y0)、(xn+1,yn+1)分别表示路径的起点、终点坐标，(xk-1,yk-1)、(xk,yk)、(xk+1,yk+1)分别表示节点
Figure BDA0004001666570000054
和
Figure BDA0004001666570000055
的二维坐标；
Figure BDA0004001666570000056
表示相邻节点
Figure BDA0004001666570000057
间的欧氏距离；θk表示相邻两点的角度变量；O＝{O1,O2,…,Ob}表示障碍物的集合，Oj＝(xj,yj)，j＝1,2,…,b；
Figure BDA0004001666570000058
为
Figure BDA0004001666570000059
两点的直线方程；
Figure BDA00040016665700000510
表示障碍物Oj到直线
Figure BDA00040016665700000511
的距离；sign表示符号函数；λ(r)表示路径r是否发生碰撞，λ(r)＝-1表示两物体间距离为负，已经发生碰撞，λ(r)＝0表示两物体间的距离为0，视为发生碰撞，λ(r)＝1表示两物体间的距离大于0，无发生碰撞；
S3、鲸鱼优化算法参数初始化，具体为：确定鲸鱼种群规模N、初始化最大迭代次数T、鲸鱼个体在搜索空间中的维度D；设置迭代计数器t，表示当前迭代次数，初始化t＝1；
S4、采用Tent混沌序列策略对种群初始化；
S5、对所有鲸鱼个体执行线性等距插值策略添加新位置向量；
S6、计算种群中每条经过线性等距插值后的鲸鱼个体
Figure BDA00040016665700000516
所代表的路径r的适应度fitness，其表达式如下：
fitness＝E(r)；
S7、选取适应度最小的鲸鱼个体作为当前全局最优个体
Figure BDA00040016665700000513
S8、更新鲸鱼个体，进一步包括：
S81、生成[0,1]上均匀分布的随机数ρ，并按下式定义分割系数A：
Figure BDA00040016665700000514
其中，g1为[0,2π]上均匀分布的随机值，g2为[0,π]上均匀分布的随机值；t表示当前迭代次数；
S82、根据ρ和A的数值大小，更新第t+1代鲸鱼个体
Figure BDA0004001666570000061
S9、迭代计数器加1，t＝t+1；判断当前迭代次数t是否达到最大迭代次数T：若是，则输出当前全局最优个体，并转入步骤S10；否则返回执行步骤S5；
S10、对当前全局最优个体线性等距插值，生成新个体，根据新个体的位置向量计算三次均匀B样条曲线pathz(q)，采取分段拟合策略完成路径曲线构造；其中，z＝0,1,2,…,3D-1；非减参数q∈[0,1]，表示曲线变量。
鲸鱼优化算法(Whale Optimization Algorithms，WOA)属于启发式优化算法，它是Mirjalili S通过观察座头鲸群体捕食设计出的创新思维算法，具有原理和参数设置简单、函数寻优能力强等特点，本实施例中，一个鲸鱼个体代表一种路径；采用Tent混沌序列策略对种群初始化，可以丰富种群多样性。
在一优选实施例中，所述步骤S4中，采用Tent混沌序列策略对种群初始化，包括：
S41、在D维空间中随机产生1个鲸鱼个体
Figure BDA0004001666570000062
S42、计算余下N-1个鲸鱼个体的位置向量；
S43、将鲸鱼个体位置向量映射到解空间，映射过程表达式如下：
Figure BDA0004001666570000063
式中，ubv、lbv分别表示解空间的上下界，v＝1,2；其中，ub1、lb1分别为x坐标值的上下界，ub2、lb2分别为y坐标值的上下界。
示范性的，ubv、lbv为实数。
在一可选实施例中，所述步骤S42中，余下N-1个鲸鱼个体的位置向量采用下式计算：
Figure BDA0004001666570000064
其中，若
Figure BDA0004001666570000065
或
Figure BDA0004001666570000066
则根据下式重新赋值：
Figure BDA0004001666570000067
式中，v＝1,2，
Figure BDA0004001666570000071
代表更新前鲸鱼个体第s个位置向量
Figure BDA0004001666570000072
中的第v维，即
Figure BDA0004001666570000073
分别代表更新前鲸鱼个体第s个位置向量的x、y坐标值；s＝1,2,...,D。
在一优选实施例中，所述步骤S5中，对所有鲸鱼执行线性等距插值策略添加新位置向量，包括：
对每一个鲸鱼个体
Figure BDA0004001666570000074
线性等距插值2D个新位置向量，得到插值后新个体
Figure BDA0004001666570000075
其中，新增位置向量
Figure BDA0004001666570000076
按下式计算：
Figure BDA0004001666570000077
式中，s＝1,2,...,D。
在一优选实施例中，所述步骤S82中，根据ρ和A的数值大小，更新第t+1代鲸鱼个体
Figure BDA0004001666570000078
具体为：
若ρ<0.5且|A|<1，按下式更新鲸鱼个体
Figure BDA0004001666570000079
Figure BDA00040016665700000710
若ρ<0.5且|A|≥1，按下式更新鲸鱼个体
Figure BDA00040016665700000711
Figure BDA00040016665700000712
若ρ≥0.5，采用黄金正弦策略更新鲸鱼个体
Figure BDA00040016665700000713
其中，
Figure BDA00040016665700000714
代表第t代鲸鱼个体，
Figure BDA00040016665700000715
代表第t+1代鲸鱼个体，
Figure BDA00040016665700000716
代表当前全局最优个体，
Figure BDA00040016665700000717
代表从N条鲸鱼中随机选取的一条鲸鱼个体。
在一可选实施例中，所述步骤S82中，若ρ≥0.5，采用黄金正弦策略更新鲸鱼个体
Figure BDA00040016665700000718
更新方式如下：
Figure BDA00040016665700000719
c1＝aτ+b(1-τ)
c2＝a(1-τ)+bτ
其中，
Figure BDA0004001666570000081
代表第t代鲸鱼个体，
Figure BDA0004001666570000082
代表第t+1代鲸鱼个体，
Figure BDA0004001666570000083
代表当前全局最优个体，
Figure BDA0004001666570000084
代表从N条鲸鱼中随机选取的一条鲸鱼个体，c1和c2是通过黄金分割数
Figure BDA0004001666570000085
得到的系数，a、u1、u2和b分别为(0,π)和(-π,0)的均匀分布随机值。
在一优选实施例中，所述步骤S10中，根据新个体的位置向量计算三次均匀B样条曲线pathz(q)，采取分段拟合策略完成路径曲线构造，包括：
S101、根据新个体的位置向量生成三次均匀B样条曲线pathz(q)，其是由非减参数q的序列Q:0≤q1≤q2≤...≤q10≤1所决定的三次多项式，表达式如下：
Figure BDA0004001666570000086
式中，q∈[0,1]，预设值q1,q2,...,q10为[0,1]上递增的等差数列，将q1,q2,...,q10的值代入pathz(q)中，将获得的点集连接后得到三次均匀B样条曲线，z＝0,1,2,…,3D-1，
Figure BDA0004001666570000087
为全局最优个体
Figure BDA0004001666570000088
线性等距插值后的新个体
Figure BDA0004001666570000089
的第z个位置向量；
S102、采取分段拟合策略，以
Figure BDA00040016665700000810
相邻四个位置向量绘出第z条B样条曲线，绘出共3D条曲线段，然后将绘制的各段曲线平滑连接，形成一条曲率连续的光滑曲线，即最终路径Path；最终路径Path的表达式为3D条所拟合的三次B样条曲线组成的分段函数，表达式如下：
Figure BDA00040016665700000811
式中，x0,x1,…,x3D+2为
Figure BDA00040016665700000812
的x坐标。
实施例2
本实施例应用实施例1提出的一种移动机器人路径规划方法，参阅图1，包括：
S1、采用栅格法将20×40的地图划分成1×1的方格，预设白色色块代表可通行区域，预设黑色色块代表障碍物。
S2、建立数学模型：
minE(r)＝αV(r)+βL(r)            (1)
Figure BDA0004001666570000091
Figure BDA0004001666570000092
Figure BDA0004001666570000093
s.t.λ(r)>0
Figure BDA0004001666570000094
其中，路径经过的节点数n＝14，转弯次数m＝14，障碍物数量b＝40，路径r的安全性系数a＝0.3，距离权重系数β＝0.67，路径r由n个节点
Figure BDA0004001666570000095
组成，k＝1,2,…,n，r＝1,2,…,N，N为鲸鱼种群规模；E(r)表示路径的基于路径安全性和运输距离的评价值，V(r)(单位：弧度)表示路径r的路径平滑度，L(r)(单位：米)表示路径r的长度；(xk-1,yk-1)、(xk,yk)、(xk+1,yk+1)分别表示节点
Figure BDA0004001666570000096
Figure BDA0004001666570000097
和
Figure BDA0004001666570000098
的二维坐标，路径的起点、终点分别为(1,1)、(19,39)；
Figure BDA0004001666570000099
表示相邻节点
Figure BDA00040016665700000910
间的欧氏距离，θk表示相邻两点的角度变量；O＝{O1，O2，…，Ob}表示障碍物的集合，Oj＝(xj,yj)，j＝1,2,…,b；
Figure BDA00040016665700000911
为
Figure BDA00040016665700000912
两点的直线方程；
Figure BDA00040016665700000913
表示Oj到直线
Figure BDA00040016665700000914
的距离；sign表示符号函数,λ(r)表示路径r是否发生碰撞，λ(r)＝-1时表示两物体间距离为负，已经发生碰撞，λ(r)＝0时表示两物体间的距离为0，也视为发生碰撞，λ(r)＝1时表示两物体间的距离大于0，无发生碰撞。
S3、鲸鱼优化算法参数初始化：设置鲸鱼种群规模N＝100，最大迭代次数T＝100，维度D＝4，当前迭代次数t＝1。
S4、采用Tent混沌序列策略对种群初始化，进一步包括：
S41、在D维空间中随机产生1个鲸鱼个体
Figure BDA0004001666570000101
S42、按式(6)计算余下N-1个鲸鱼个体的位置向量：
Figure BDA0004001666570000102
如果
Figure BDA0004001666570000103
或
Figure BDA0004001666570000104
则根据式(7)重新赋值：
Figure BDA0004001666570000105
式中，v＝1,2，
Figure BDA0004001666570000106
代表更新前鲸鱼个体第s个位置向量
Figure BDA0004001666570000107
中的第v维，即
Figure BDA0004001666570000108
分别代表更新前鲸鱼个体第s个位置向量对应的x、y坐标值；s＝1,2,...,D。
S43、按式(8)将鲸鱼个体位置向量映射到解空间：
Figure BDA0004001666570000109
式中，v＝1,2,ub1＝20，ub2＝40,lb1＝0，lb2＝0。
S5、执行线性等距插值策略：对每一个鲸鱼个体
Figure BDA00040016665700001010
线性等距插值2D个新位置向量，插值后新个体为
Figure BDA00040016665700001011
其中，新增位置向量
Figure BDA00040016665700001012
按式(9)计算：
Figure BDA00040016665700001013
其中，r＝1,2...,N，s＝1,2...,D，
Figure BDA00040016665700001014
为当前全局最优鲸鱼个体第s个位置向量，
Figure BDA00040016665700001015
和
Figure BDA00040016665700001016
分别为在
Figure BDA00040016665700001017
两侧插入的左、右位置向量。
S6、计算种群中每条经过线性等距插值后的鲸鱼个体
Figure BDA00040016665700001018
所代表的路径r的适应度fitness，按式(10)计算fitness，即以路径的评价值作为种群中鲸鱼个体的适应度：
fitness＝E(r)             (10)
S7、按每条鲸鱼的适应度进行排序，取适应度最小的鲸鱼个体作为当前全局最优个体
Figure BDA0004001666570000111
S8、更新鲸鱼个体，进一步包括：
S81、确定ρ、A：在[0,1]上生成均匀分布随机数ρ，并按式(11)计算分割系数A：
Figure BDA0004001666570000112
其中，g1为[0,2π]上均匀分布的随机值，g2为[0,π]上均匀分布的随机值，t为当前迭代次数。
S82、更新第t+1代所有鲸鱼个体
Figure BDA0004001666570000113
具体包括：
若ρ<0.5且|A|<1，按式(12)更新鲸鱼个体
Figure BDA0004001666570000114
Figure BDA0004001666570000115
若ρ<0.5且|A|≥1，按式(13)更新鲸鱼个体
Figure BDA0004001666570000116
Figure BDA0004001666570000117
若ρ≥0.5，按式(14)采用黄金正弦策略更新鲸鱼个体
Figure BDA0004001666570000118
Figure BDA0004001666570000119
c1＝aτ+b(1-τ)           (15)
c2＝a(1-τ)+bτ           (16)
其中，
Figure BDA00040016665700001110
代表第t代鲸鱼个体，
Figure BDA00040016665700001111
代表第t+1代鲸鱼个体，
Figure BDA00040016665700001112
代表当前全局最优个体，
Figure BDA00040016665700001113
代表从N条鲸鱼中随机选取的一条鲸鱼个体，c1和c2是通过黄金分割数
Figure BDA00040016665700001114
得到的系数，a、u1、u2和b分别为(0,π)和(-π,0)的均匀分布随机值。
S9、迭代计数器加1，判断当前迭代次数t是否达到最大迭代次数T，若是，则输出当前全局最优个体
Figure BDA00040016665700001115
并执行步骤S10；否则返回执行步骤S5。
S10、对当前全局最优个体
Figure BDA0004001666570000121
线性等距插值，生成新个体
Figure BDA0004001666570000122
根据新个体的位置向量计算三次均匀B样条曲线pathz(q)，采取分段拟合策略完成路径曲线构造；其中，z＝0,1,2,…,3D-1；非减参数q∈[0,1]，表示曲线变量；具体为：
S101、根据新个体的位置向量生成三次均匀B样条曲线pathz(q)，其是由非减参数q的序列Q:0≤q1≤q2≤...≤q10≤1所决定的三次多项式，表达式如下：
Figure BDA0004001666570000123
式中，q∈[0,1]，预设值q1,q2,...,q10为[0,1]上递增的等差数列，此处q1＝0.1,q2＝0.2,...,q9＝0.9,q10＝1，将q1,q2,...,q10的值代入pathz(q)中，将获得的点集连接得到三次均匀B样条曲线，z＝0,1,2,…,3D-1，
Figure BDA0004001666570000124
为全局最优个体
Figure BDA0004001666570000125
线性等距插值后的新个体
Figure BDA0004001666570000126
的第z个位置向量；
式中，q∈[0,1]，预设值q1,q2,...,q10为[0,1]上递增的等差数列，将q1,q2,...,q10的值代入pathz(q)中，将获得的点集连接后得到三次均匀B样条曲线，z＝0,1,2,…,3D-1，
Figure BDA0004001666570000127
为全局最优个体
Figure BDA0004001666570000128
线性等距插值后的新个体
Figure BDA0004001666570000129
的第z个位置向量；
S102、采取分段拟合策略，以
Figure BDA00040016665700001210
相邻四个位置向量绘出第z条B样条曲线，绘出共3D条曲线段；然后将绘制的各段曲线平滑连接，形成一条曲率连续的光滑曲线，即最终路径Path；最终路径Path的表达式为3D条所拟合的三次B样条曲线组成的分段函数。即，Path按下式计算：
Figure BDA00040016665700001211
式中，x0,x1,…,x3D+2分别为
Figure BDA00040016665700001212
的x坐标。
本实施例最终输出的最优个体即最优路径如图2所示。
本实施例所应用的移动机器人路径规划方法路径采用了改进的Tent混沌序列策略映射初始化种群、改进的黄金正弦策略，提出线性等距插值策略，提高了算法的全局搜索能力和局部搜索能力。
此外，本实施例还对仅采用基本鲸鱼优化算法的路径规划方法进行了对比实验，对比结果如图3及
表1所示。
表1效果对比一览表
Figure BDA0004001666570000131
可以看出，相比于仅采用基本鲸鱼优化算法，本实施例所应用的移动机器人路径规划方法路径生成速度更快、解的质量更高、寻优能力更强。
实施例3
本实施例提出一种路径规划系统，应用实施例1提出的一种移动机器人路径规划方法，参阅图4，包括：
地图获取模块，用于获取地图并对地图进行栅格化处理，采用预设色块表示可通行区域或障碍物；还用于设置路径起点和终点；
模型构建模块，用于以基于路径安全性和运输距离生成的评价值最小作为目标函数构建数学模型，并对模型参数进行初始化；
寻优模块，用于采用鲸鱼优化算法、Tent混沌序列策略、线性等距插值策略对所述数学模型计算求解，生成全局最优个体；
路径生成模块，用于对全局最优个体进行线性等距插值生成新个体，并根据新个体包含的位置向量生成若干条B样条曲线，将所述B样条曲线平滑连接后得到路径曲线。
实施例4
本实施例提出一种移动机器人，包括机器人本体、控制单元和移动单元，所述控制单元的输出端与所述移动单元的输入端连接，所述控制单元上搭载实施例2中提出的一种路径规划系统，所述控制单元控制所述移动单元执行所述路径规划系统生成的路径曲线。
实施例5
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现实施例1中提出的一种移动机器人路径规划方法。
在一具体实施过程中，所述计算机设备为云端设备。
实施例6
一种计算机存储介质，所述计算机存储介质中存储有指令，所述指令在计算机上执行时，使得所述计算机执行实施例1中提出的一种移动机器人路径规划方法。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

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、采用栅格法将地图划分成1×1的方格，分别采用预设色块表示可通行区域或障碍物；
S2、建立数学模型如下：
minE(r)＝αV(r)+βL(r)
Figure FDA0004001666560000011
Figure FDA0004001666560000012
Figure FDA0004001666560000013
s.t.λ(r)>0
Figure FDA0004001666560000014
其中，n表示路径经过的节点数；m表示转弯次数；b表示障碍物数量；路径r由n个节点
Figure FDA0004001666560000015
组成，k＝1,2,…,n；r＝1,2,…,N，N表示鲸鱼种群规模；E(r)表示路径的基于路径安全性和运输距离的评价值；V(r)表示路径r的路径平滑度；L(r)表示路径r的长度；a、β为预设常数，分别表示路径r的安全性系数、距离权重系数；(x0,y0)、(xn+1,yn+1)分别表示路径的起点、终点坐标，(xk-1,yk-1)、(xk,yk)、(xk+1,yk+1)分别表示节点
Figure FDA0004001666560000016
和
Figure FDA0004001666560000017
的二维坐标；
Figure FDA0004001666560000018
表示相邻节点
Figure FDA0004001666560000019
间的欧氏距离；θk表示相邻两点的角度变量；O＝{O1,O2,…,Ob}表示障碍物的集合，Oj＝(xj,yj)，j＝1,2,…,b；
Figure FDA00040016665600000110
为
Figure FDA00040016665600000111
两点的直线方程；
Figure FDA00040016665600000112
表示障碍物Oj到直线
Figure FDA00040016665600000113
的距离；sign表示符号函数；λ(r)表示路径r是否发生碰撞，当λ(r)＝-1或0时表示发生碰撞，λ(r)＝1时表示无发生碰撞；
S3、鲸鱼优化算法参数初始化，具体为：确定鲸鱼种群规模N、初始化最大迭代次数T、鲸鱼个体在搜索空间中的维度D；设置迭代计数器t，表示当前迭代次数，初始化t＝1；
S4、采用Tent混沌序列策略对种群初始化；
S5、对所有鲸鱼个体执行线性等距插值策略添加新位置向量；
S6、计算种群中每条经过线性等距插值后的鲸鱼个体
Figure FDA0004001666560000021
所代表的路径r的适应度fitness，其表达式如下：
fitness＝E(r)；
S7、选取适应度最小的鲸鱼个体作为当前全局最优个体
Figure FDA0004001666560000022
S8、更新鲸鱼个体，进一步包括：
S81、生成[0,1]上均匀分布的随机数ρ，并按下式定义分割系数A：
Figure FDA0004001666560000023
其中，g1为[0,2π]上均匀分布的随机值，g2为[0,π]上均匀分布的随机值；t表示当前迭代次数；
S82、根据ρ和A的数值大小，更新第t+1代鲸鱼个体
Figure FDA0004001666560000024
S9、迭代计数器加1，t＝t+1；判断当前迭代次数t是否达到最大迭代次数T：若是，则输出当前全局最优个体，并转入步骤S10；否则返回执行步骤S5；
S10、对当前全局最优个体线性等距插值，生成新个体，根据新个体的位置向量计算三次均匀B样条曲线pathz(q)，采取分段拟合策略完成路径曲线构造；其中，z＝0,1,2,…,3D-1；非减参数q∈[0,1]，表示曲线变量。
2.根据权利要求1所述的一种移动机器人路径规划方法，其特征在于，所述步骤S4中，采用Tent混沌序列策略对种群初始化，包括：
S41、在D维空间中随机产生1个鲸鱼个体
Figure FDA0004001666560000025
S42、计算余下N-1个鲸鱼个体的位置向量；
S43、将鲸鱼个体位置向量映射到解空间，映射过程表达式如下：
Figure FDA0004001666560000026
式中，ubv、lbv分别表示解空间的上下界，v＝1,2；其中，ub1、lb1分别为x坐标值的上下界，ub2、lb2分别为y坐标值的上下界。
3.根据权利要求2所述的一种移动机器人路径规划方法，其特征在于，所述步骤S42中，余下N-1个鲸鱼个体的位置向量采用下式计算：
Figure FDA0004001666560000031
其中，若
Figure FDA0004001666560000032
或
Figure FDA0004001666560000033
则根据下式重新赋值：
Figure FDA0004001666560000034
式中，v＝1,2，
Figure FDA0004001666560000035
代表更新前鲸鱼个体第s个位置向量
Figure FDA0004001666560000036
中的第v维，即
Figure FDA0004001666560000037
分别代表更新前鲸鱼个体第s个位置向量的x,y坐标值；s＝1,2,...,D。
4.根据权利要求1所述的一种移动机器人路径规划方法，其特征在于，所述步骤S5中，对所有鲸鱼执行线性等距插值策略添加新位置向量，包括：
对每一个鲸鱼个体
Figure FDA0004001666560000038
线性等距插值2D个新位置向量，得到插值后新个体
Figure FDA0004001666560000039
其中，
Figure FDA00040016665600000310
和
Figure FDA00040016665600000311
分别表示在原位置向量
Figure FDA00040016665600000312
两侧插入的左、右位置向量，新增位置向量
Figure FDA00040016665600000313
按下式计算：
Figure FDA00040016665600000314
式中，s＝1,2,...,D。
5.根据权利要求1所述的一种移动机器人路径规划方法，其特征在于，所述步骤S82中，根据ρ和A的数值大小，更新第t+1代鲸鱼个体
Figure FDA00040016665600000315
具体为：若ρ<0.5且|A|<1，按下式更新鲸鱼个体
Figure FDA00040016665600000316
Figure FDA00040016665600000317
若ρ<0.5且|A|≥1，按下式更新鲸鱼个体
Figure FDA00040016665600000318
Figure FDA00040016665600000319
若ρ≥0.5，采用黄金正弦策略更新鲸鱼个体
Figure FDA00040016665600000320
其中，
Figure FDA00040016665600000321
代表第t代鲸鱼个体，
Figure FDA00040016665600000322
代表第t+1代鲸鱼个体，
Figure FDA00040016665600000323
代表当前全局最优个体，
Figure FDA0004001666560000041
代表从N条鲸鱼中随机选取的一条鲸鱼个体。
6.根据权利要求5所述的一种移动机器人路径规划方法，其特征在于，所述步骤S82中，若ρ≥0.5，采用黄金正弦策略更新鲸鱼个体
Figure FDA0004001666560000042
更新方式如下：
Figure FDA0004001666560000043
c1＝aτ+b(1-τ)
c2＝a(1-τ)+bτ
其中，
Figure FDA0004001666560000044
代表第t代鲸鱼个体，
Figure FDA0004001666560000045
代表第t+1代鲸鱼个体，
Figure FDA0004001666560000046
代表当前全局最优个体，
Figure FDA0004001666560000047
代表从N条鲸鱼中随机选取的一条鲸鱼个体，c1和c2是通过黄金分割数
Figure FDA0004001666560000048
得到的系数，a、u1、u2和b分别为(0,π)和(-π,0)的均匀分布随机值。
7.根据权利要求1所述的一种移动机器人路径规划方法，其特征在于，所述步骤S10中，根据新个体的位置向量计算三次均匀B样条曲线pathz(q)，采取分段拟合策略完成路径曲线构造，包括：
S101、根据新个体的位置向量生成三次均匀B样条曲线pathz(q)，其是由非减参数q的序列Q:0≤q1≤q2≤...≤q10≤1所决定的三次多项式，表达式如下：
Figure FDA0004001666560000049
式中，q∈[0,1]，预设值q1,q2,...,q10为[0,1]上递增的等差数列，将q1,q2,...,q10的值代入pathz(q)中，获得的点集连接起来得到三次均匀B样条曲线；
z＝0,1,2,…,3D-1，
Figure FDA00040016665600000410
为全局最优个体
Figure FDA00040016665600000411
线性等距插值后的新个体
Figure FDA00040016665600000412
的第z个位置向量；
S102、采取分段拟合策略，以
Figure FDA00040016665600000413
相邻四个位置向量绘出第z条B样条曲线，绘出共3D条曲线段，然后将绘制的各段曲线平滑连接，形成一条曲率连续的光滑曲线，即最终路径Path；最终路径Path的表达式为3D条所拟合的三次B样条曲线组成的分段函数，表达式如下：
Figure FDA0004001666560000051
式中，x0,x1,…,x3D+2为
Figure FDA0004001666560000052
的x坐标。
8.一种路径规划系统，应用权利要求1至6中任一项所述的方法，其特征在于，
包括：
地图获取模块，用于获取地图并对地图进行栅格化处理，采用预设色块表示可通行区域或障碍物；还用于设置路径起点和终点；
模型构建模块，用于以基于路径安全性和运输距离生成的评价值最小作为目标函数构建数学模型，并对模型参数进行初始化；
寻优模块，用于采用鲸鱼优化算法、Tent混沌序列策略、线性等距插值策略对所述数学模型计算求解，生成全局最优个体；
路径生成模块，用于对全局最优个体进行线性等距插值生成新个体，并根据新个体包含的位置向量生成若干条B样条曲线，将所述B样条曲线平滑连接后得到路径曲线。
9.一种移动机器人，包括机器人本体、控制单元和移动单元，所述控制单元的输出端与所述移动单元的输入端连接，其特征在于，所述控制单元上搭载权利要求7所述的一种路径规划系统，所述控制单元控制所述移动单元执行所述路径规划系统生成的路径曲线。
10.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有指令，所述指令在计算机上执行时，使得所述计算机执行如权利要求1至6中任一项所述的方法。
CN202211619962.6A 2022-12-15 2022-12-15 移动机器人路径规划方法、系统、机器人及存储介质 Pending CN115933668A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211619962.6A CN115933668A (zh) 2022-12-15 2022-12-15 移动机器人路径规划方法、系统、机器人及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211619962.6A CN115933668A (zh) 2022-12-15 2022-12-15 移动机器人路径规划方法、系统、机器人及存储介质

Publications (1)

Publication Number Publication Date
CN115933668A true CN115933668A (zh) 2023-04-07

Family

ID=86553777

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211619962.6A Pending CN115933668A (zh) 2022-12-15 2022-12-15 移动机器人路径规划方法、系统、机器人及存储介质

Country Status (1)

Country Link
CN (1) CN115933668A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117091608A (zh) * 2023-10-17 2023-11-21 山东怀思人工智能科技有限公司 一种教育机器人的路径规划方法、设备及介质
CN117288209A (zh) * 2023-11-27 2023-12-26 南昌工程学院 一种变压器声级测定方法及系统
CN117705123A (zh) * 2024-02-01 2024-03-15 戴盟(深圳)机器人科技有限公司 一种轨迹规划方法、装置、设备及存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117091608A (zh) * 2023-10-17 2023-11-21 山东怀思人工智能科技有限公司 一种教育机器人的路径规划方法、设备及介质
CN117091608B (zh) * 2023-10-17 2023-12-29 山东怀思人工智能科技有限公司 一种教育机器人的路径规划方法、设备及介质
CN117288209A (zh) * 2023-11-27 2023-12-26 南昌工程学院 一种变压器声级测定方法及系统
CN117288209B (zh) * 2023-11-27 2024-01-30 南昌工程学院 一种变压器声级测定方法及系统
CN117705123A (zh) * 2024-02-01 2024-03-15 戴盟(深圳)机器人科技有限公司 一种轨迹规划方法、装置、设备及存储介质
CN117705123B (zh) * 2024-02-01 2024-04-09 戴盟(深圳)机器人科技有限公司 一种轨迹规划方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN115933668A (zh) 移动机器人路径规划方法、系统、机器人及存储介质
WO2021135554A1 (zh) 一种无人车全局路径规划方法和装置
CN109885891B (zh) 一种智能车gpu并行加速轨迹规划方法
Song et al. Online inspection path planning for autonomous 3D modeling using a micro-aerial vehicle
CN109782779B (zh) 基于种群超启发式算法的洋流环境下auv路径规划方法
CN113093727A (zh) 一种基于深度安全强化学习的机器人无地图导航方法
Deng et al. Multi-obstacle path planning and optimization for mobile robot
Ho et al. Collision-free curvature-bounded smooth path planning using composite Bezier curve based on Voronoi diagram
Fan et al. The ant colony optimization for ship pipe route design in 3D space
Du et al. An improved RRT-based motion planner for autonomous vehicle in cluttered environments
Martins et al. An Improved multi-objective a-star algorithm for path planning in a large workspace: Design, Implementation, and Evaluation
Artuñedo et al. A primitive comparison for traffic-free path planning
Saulnier et al. Information theoretic active exploration in signed distance fields
CN108413963A (zh) 基于自学习蚁群算法的条形机器人路径规划方法
CN113190006B (zh) 一种机器人路径规划方法、装置及存储介质
CN108106624A (zh) 一种多人预约调度路径规划方法及相关装置
CN111307153A (zh) 基于六边形栅格地图的多auv任务分配与路径规划方法
Peng et al. Three-dimensional multi-constraint route planning of unmanned aerial vehicle low-altitude penetration based on coevolutionary multi-agent genetic algorithm
Bouton et al. Utility decomposition with deep corrections for scalable planning under uncertainty
Li et al. Mobile robot path planning based on improved genetic algorithm with A-star heuristic method
CN111189455A (zh) 一种基于改进生物地理学算法结合贝塞尔函数的无人机航路规划方法、系统及存储介质
Qiu Multi-agent navigation based on deep reinforcement learning and traditional pathfinding algorithm
Allahviranloo et al. Iterative method for fuzzy equations
CN113721622A (zh) 一种机器人路径规划方法
Wu et al. 3D multi-constraint route planning for UAV low-altitude penetration based on multi-agent genetic algorithm

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