CN115933671A - 基于mbesp优化的agv路径规划与自主避障方法 - Google Patents

Abstract

本发明公开了一种基于MBESP优化的AGV路径规划与自主避障方法，针对AGV物料车避障环境建模，获得模型；对模型确定避障代价函数；获取秃鹰搜索算法；根据AGV路径规划与自主避障对获得的秃鹰搜索算法进行改进，得到改进秃鹰搜索算法；利用改进秃鹰搜索算法优化AGV路径规划与自主避障。本发明在面对不同环境时具有更好的路径规划效果，即提高改进秃鹰搜索算法的寻优精度，寻得最优路径。

Description

基于MBESP优化的AGV路径规划与自主避障方法

技术领域

本发明涉及AGV物料车路径规划技术领域，具体涉及一种基于MBESP(既定空间的猎物导引机制的秃鹰搜索算法)优化的AGV路径规划与自主避障方法。

背景技术

自动导引车(Automated Guided Vehicle，AGV)因效率高、路线灵活可规划等优点被广泛应用于智能制造车间和物流运输等领域，具备有较优的路径规划能力后，在一定程度可实现作业过程的全自动化。但在作业过程中周围环境经常出现障碍物，会妨碍AGV的正常工作。在实现有效自主避障的同时，能够规划出一条起始点到各个目标点的零碰撞的最优路径实现目标配送，是学者们研究的热点。其中，针对车辆的局部路径规划提出的改进的RRT算法，概率完备且搜索速度快，但由于其扩张的特性，通常规划出非最优路径；通过改进PSO-PIO算法成功实现了AGV栅格地图避障，但受限于两种群体智能方法的结合，本身依赖较高的迭代次数，实时规划性能不理想；一种拓扑栅格混合建模的方法利用遗传算法规划路径，但参数繁多，收敛速度慢；利用D*Lite得到了一条较为平滑的最短路径，但在复杂环境下，全局搜索能力不足。综上，以上算法针对二维环境下AGV路径规划及自主避障的优化效果及迭代收敛速度均有一定的改进空间。秃鹰搜索算法(Bald Eagle Search，BES)是2020年Alsattar提出的一种新型元启发式群体智能算法，模拟了秃鹰捕猎的过程，具有收敛速度较快，适应性强，模型易修改等特点，可以优化AGV路径规划及自主避障。但BES本身搜索能力不足，在选取局部最优等时缺陷较大，需进一步改进。

发明内容

本发明的目的在于提供一种基于MBESP优化的AGV路径规划与自主避障方法，以解决现有技术中AGV在二维空间路径规划和自主避障时存在环境复杂，路径规划计算量大等问题，以及现有秃鹰搜索算法路径搜索能力不足，易陷入局部最优等缺陷，本发明在面对不同环境时具有更好的路径规划效果，即提高改进秃鹰搜索算法的寻优精度，寻得最优路径。

为达到上述目的，本发明采用如下技术方案：

基于MBESP优化的AGV路径规划与自主避障方法，包括以下步骤：

步骤1：针对AGV物料车避障环境建模，获得模型；

步骤2：对步骤1中获得的模型确定避障代价函数；

步骤3：获取秃鹰搜索算法；

步骤4：根据AGV路径规划与自主避障对步骤3中获得的秃鹰搜索算法进行改进，得到改进秃鹰搜索算法；

步骤5：利用步骤4中获得的改进秃鹰搜索算法优化AGV路径规划与自主避障。

进一步地，步骤1中对AGV物料车避障环境建模为AGV物料车基于概率模型的栅格地图建模，如下所示：

G(sort(randperm(m,n)+1))＝1

No＝(x_k-1)+(y_k-1)*N

式中，第一个公式为障碍物设置函数，第二个公式为设置障碍物后，障碍物栅格编号计算公式，m为地图范围参数，n为障碍物个数，No为栅格编号，x_k，y_k为单位栅格右上角顶点坐标，N为栅格维度，randperm(m,n)函数产生1-m之间的n个随机数；sort函数将n个随机数从小到大排列，G(d)＝1函数将d所在位置赋值为1，即障碍物位置标记为1。

进一步地，步骤2的避障代价函数具体为：

在栅格地图中，将路径的长度和路径的碰撞次数两种代价加权综合，构建一个适用于AGV总的代价如下：

F_s＝αL_s+βn_p

式中，F_s为整条路径的代价，α为路程代价的权重，β为碰撞次数的代价权重，L_s为路径长度，n_p为碰撞次数。

进一步地，步骤3中秃鹰搜索算法包括以下步骤：

步骤3.1：随机初始化秃鹰种群；

步骤3.2：选择区域阶段位置更新；

步骤3.3：搜索阶段位置更新；

步骤3.4：俯冲捕获阶段位置更新。

进一步地，步骤3.2中秃鹰在搜索空间内识别并选择最佳区域捕获猎物，选择区域阶段位置更新如下：

p_i,new＝p_best+a*r(p_mean-p_i)

式中，ɑ为控制秃鹰三维空间内的位置变化的参数，取值范围为(1.5,2)；r为随机数，取值范围为(0,1)；p_best为当前秃鹰最好的搜索位置；p_mean为综合先后两次秃鹰更新位置的平均值；p_i为种群中第i只秃鹰的位置；

步骤3.3中秃鹰在搜索空间内搜索猎物，并在螺旋空间中按不同的方向移动，逐渐加速搜索范围，采用螺旋飞行模式，利用极坐标方程进行位置更新如下：

θ(i)＝K*π*rand

r(i)＝θ(i)+R*rand

xr(i)＝r(i)*sin(θ(i)),yr(i)＝r(i)*cos(θ(i))

x(i)＝xr(i)/max(|xr|),y(i)＝yr(i)/max(|yr|)

p_i,new＝p _i+x(i)*(p _i-p_mean)+y(i)*(p _i-p_i+1)

式中，θ(i)和r(i)分别为极坐标方程的极角与极径；K和R是控制螺旋轨迹的参数，变化范围分别为(0,5)和(0.5,2)；rand为(0,1)内随机数；x,y分别是极坐标中秃鹰的坐标值，x(i)与y(i)为极坐标中第i只秃鹰位置，取值均为(-1,1)，p_i+1为第i只秃鹰的下一次更新位置；

步骤3.4中秃鹰从搜索空间的最佳位置快速俯冲飞向目标猎物，种群其他个体也同时向最佳位置移动并攻击猎物，运动状态用极坐标方程进行位置更新如下：

θ(i)＝K*π*rand,r(i)＝θ(i)

xr(i)＝r(i)*sinh(θ(i)),yrθ(i)＝rθ(i)*cosh(θ(i))

x1(i)＝xr(i)/max(|xr|),y1(i)＝yr(i)/max(|yr|)

p_i,new＝rand*p_best+δ_x+δ_y

式中，r(i)为极坐标方程的极径，为区分步骤3.3，故用x1，y1，xr，yr均为不同情况下秃鹰的坐标值，x1与y1，xr与yr为极坐标中第i只秃鹰位置，δ_x、δ_y分别为极坐标中秃鹰的坐标值在x和y中的变化值，c₁与c₂表示秃鹰向最佳位置的运动惯性参数，取值范围均为(1,2)。

进一步地，步骤4中根据AGV路径规划与自主避障对步骤3中获得的秃鹰搜索算法进行改进，得到改进秃鹰搜索算法，具体步骤包括：

步骤4.1：在步骤1获得的基于概率的栅格地图模型内基于栅格地图可行域搜索随机初始化秃鹰种群，每只秃鹰代表一条避障路径；

步骤4.2：采用柯西变异-莱维飞行融合策略更新秃鹰种群的选择区域阶段；

步骤4.3：采用基于既定空间的猎物导引机制更新秃鹰种群搜索阶段；

步骤4.4：秃鹰种群俯冲捕获阶段位置更新；

步骤4.5：采用带反馈机制的动态自适应t分布变异算子进行秃鹰种群位置更新；

步骤4.6：计算秃鹰种群的适应度，根据适应度的大小选出最优秃鹰；

步骤4.7：判断是否达到最大迭代次数，若是，输出最优秃鹰即最优避障路径，若否，返回步骤4.2。

进一步地，步骤4.1中基于栅格地图可行域搜索随机初始化秃鹰种群，公式如下：

X_i,d＝ID(randi(length(find(col＝0))))

式中，find(col＝0)函数找出栅格图中无障碍区，length(find(col＝0))函数找出无障碍区长度，randi(length(find(col＝0)))函数在无障碍区一列中随机选择一个栅格，col为栅格地图的列，除去起点和终点列，ID为第i列的可行域栅格编号，X_i,d为初始化秃鹰种群；

步骤4.2中采用柯西变异-莱维飞行融合策略将搜索空间扩张，选择空间阶段位置更新如下：

p_i,new＝p_best+a*r(p_mean-p_i)*Levy

p_best＝p_best+p_best*cauchy(0,1)

Levy＝σ*s*(p_best-p_i)

式中，式中，cauchy(0,1)是指服从(0,1)分布的柯西序列，位置参数为0，尺度参数为1，Levy飞行是最有效寻找目标的方法之一，其表达式中σ是变化范围为(-1，1)的比例因子，s为Levy飞行路径。

进一步地，步骤4.3中采用基于既定空间的猎物导引机制更新秃鹰种群搜索阶段，具体为：

I＝round(1+rand(1,1))

式中，p_FOOD为猎物位置，p_fitness为当前秃鹰个体适应度值，f_FOOD为当前猎物适应度值，I为位置算子的计算公式。

进一步地，步骤4.5采用带反馈机制的动态自适应t分布变异算子进行秃鹰种群位置更新，具体为：

ζ＝w₁-w₂*(MaxIt-j)/MaxIt

β＝F_max+(F_max-F_min)*rand

式中，，p_i ^j+1为扰动后秃鹰的位置，p_i ^j为秃鹰第j次迭代时的位置，MaxIt为最大迭代次数，j为当前迭代数，w₁和w₂分别为动态选择概率的上限和变化幅度，β是共享系数，平衡位置更新时反馈信息的大小；ζ为动态选择概率算子计算公式，t(iter)为迭代次数参数，F_best为最优秃鹰个体适应度值；γ为反馈系数，随着迭代次数增加，呈现递增趋势，能加快秃鹰个体之间的信息交流；b_i为随机秃鹰个体；F为秃鹰个体适应度值。

进一步地，步骤5中利用获得的改进秃鹰搜索算法优化AGV路径规划与自主避障，具体方式为：

每条路径都是由多个轨迹点连接而成的线，定义种群中的一只秃鹰x^d _i即为一条路径，代价最小的秃鹰代表最优路径，每个轨迹点都具有二维属性(x,y)，利用MBESP优化AGV路径规划与自主避障时，具体步骤包括：

步骤5.1：对步骤1获得的AGV物料车环境模型利用步骤4.1的方法获得初始秃鹰种群；

步骤5.2：对初始秃鹰种群利用步骤2获得的代价函数计算每只秃鹰的适应度，根据适应度的大小对秃鹰种群排序，选出最优秃鹰；

步骤5.3：对秃鹰种群利用步骤4.2-4.5的方法更新位置，计算每只秃鹰的适应度，根据适应度的大小对秃鹰种群排序；

步骤5.4：判断是否达到最大迭代次数，若是，输出最优秃鹰即最优避障轨迹点，否则，返回步骤5.3；

步骤5.5：对5.4获得的最优轨迹点采用八叉树搜索策略优化得到最终的AGV二维的自主避障路径。

与现有技术相比，本发明具有以下有益的技术效果：

本发明提出了一种基于猎物导引的多策略融合秃鹰搜索算法(Multi-Bald EagleSearch base on Prey-guidance，MBESP)，在保证快速寻优的前提下，获得AGV自主避障的最优路径，本发明在面对不同环境时具有更好的路径规划效果，即提高改进秃鹰搜索算法的寻优精度，寻得最优路径。

进一步地，本发明设计了基于栅格地图可行域搜索的随机初始化种群提高初始化种群的质量；在选择搜索空间阶段采用柯西变异-莱维飞行策略，解决了BES在选择搜索空间阶段过早收敛，易陷入局部极值点的情况；设计了一种带有反馈机制的动态自适应t分布变异算子，提高了全局搜索能力。由此，MBESP可以更精确、快速地使AGV物料车自主避开障碍区域选择最优路径，实现自主避障。

本发明相比于秃鹰搜索算法，能耗更优，路径更平滑，收敛速度更快，可以使AGV物料车有效地自主避障，表现出较好的寻优能力。

附图说明

说明书附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明的流程示意图；

图2是本发明所涉及的改进秃鹰搜索算法的流程图；

图3是本发明在栅格地图中的路径规划图；

图4是本发明在实际应用中的效果图，其中(a)为实验环境，(b)为完成目标，(c)为实验视频关键帧序列。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

参见图1为本发明的流程图，本发明对基本的秃鹰搜索算法进行了优化改进，提出一种基于猎物导引的多策略融合秃鹰搜索算法，如图2，应用于AGV路径规划和自主避障中。首先，构建基于概率的栅格地图模型并建立代价函数；其次，设计了一种基于既定空间的猎物导引机制，提高了秃鹰在既定空间全面探索以及利用搜索空间的能力；然后，设计了一种带有反馈机制的动态自适应t分布变异算子，提高了全局搜索能力；最后，针对BES在选择空间阶段过早收敛，易陷入局部极值点的情况，引入柯西变异和莱维飞行策略修订更新公式，跳出局部最优。从图3可以看出，MBESP相比于秃鹰搜索算法，能耗更优，路径更平滑，可以使AGV物料车有效地自主避障，表现出较好的寻优能力。

具体步骤如下：

步骤1：对AGV物料车避障环境建模包括：AGV物料车基于概率模型的栅格地图建模和多目标输送物料的城市点建模。

基于概率模型的栅格地图建模，如下所示：

G(sort(randperm(m,n)+1))＝1

No＝(x_k-1)+(y_k-1)*N

式中，第一个式子为障碍物设置函数，第二个式子为设置障碍物后，障碍物栅格编号计算公式。m为地图范围参数，n为障碍物个数，No为栅格编号，x_k，y_k为单位栅格右上角顶点坐标，N为栅格维度，randperm(m,n)函数产生1-m之间的n个随机数；sort函数将这n个随机数从小到大排列，G(d)＝1函数将d所在位置赋值为1，即障碍物位置标记为1；

步骤2：AGV物料车避障代价函数为：

在栅格地图中，将路径的长度和路径的碰撞次数两种代价加权综合，构建一个适用于AGV总的代价如下：

F_s＝αL_s+βn_p

式中，F_s为整条路径的代价，α，β为各代价的权重，其中α为路程代价的权重，β为碰撞次数的代价权重，L_s为路径长度，n_p为碰撞次数。

步骤3：基本的秃鹰搜索算法分为以下步骤：

秃鹰在搜索空间内识别并选择最佳区域(食物数量最多)捕获猎物，选择搜索空间阶段位置更新如下：

p_i,new＝p_best+a*r(p_mean-p_i)

式中，ɑ为控制秃鹰三维空间内的位置变化的参数，取值范围为(1.5,2)；r为随机数，取值范围为(0,1)；p_best为当前秃鹰最好的搜索位置；p_mean为综合先后两次秃鹰更新位置的平均值；p_i为种群中第i只秃鹰的位置；

秃鹰在搜索空间内搜索猎物，并在螺旋空间中按不同的方向移动，逐渐加速搜索范围，采用螺旋飞行模式，利用极坐标方程进行位置更新如下：

θ(i)＝K*π*rand

r(i)＝θ(i)+R*rand

xr(i)＝r(i)*sin(θ(i)),yr(i)＝r(i)*cos(θ(i))

x(i)＝xr(i)/max(|xr|),y(i)＝yr(i)/max(|yr|)

p_i,new＝p _i+x(i)*(p _i-p_mean)+y(i)*(p _i-p_i+1)

式中，θ(i)和r(i)分别为极坐标方程的极角与极径；ɑ和R是控制螺旋轨迹的参数，变化范围分别为(0,5)和(0.5,2)；rand为(0,1)内随机数；x,y分别是极坐标中秃鹰的坐标值，x(i)与y(i)为极坐标中第i只秃鹰位置，取值均为(-1,1)，p_i+1为第i只秃鹰的下一次更新位置；

秃鹰从搜索空间的最佳位置快速俯冲飞向目标猎物，种群其它个体也同时向最佳位置移动并攻击猎物，运动状态用极坐标方程进行位置更新如下：

θ(i)＝K*π*rand,r(i)＝θ(i)

xr(i)＝r(i)*sinh(θ(i)),yrθ(i)＝rθ(i)*cosh(θ(i))

x1(i)＝xr(i)/max(|xr|),y1(i)＝yr(i)/max(|yr|)

p_i,new＝rand*p_best+δ_x+δ_y

式中，r(i)为极坐标方程的极径，为区分步骤3.3，故用x1，y1，xr，yr均为不同情况下秃鹰的坐标值，x1(i)与y1(i)，xr(i)与yr(i)为极坐标中第i只秃鹰位置，δ_x、δ_y分别为极坐标中秃鹰的坐标值在x和y中的变化值，c₁与c₂表示秃鹰向最佳位置的运动惯性参数，取值范围均为(1,2)。

步骤3：根据AGV路径规划与自主避障对秃鹰搜索算法进行改进包括以下步骤：

在步骤1获得的栅格地图基于可行域搜索随机初始化秃鹰种群，每只秃鹰代表一条突防路径，公式如下：

X_i,d＝ID(randi(length(find(col＝0))))

式中，find(col＝0)函数找出栅格图中无障碍区，length(find(col＝0))函数找出无障碍区长度，randi(length(find(col＝0)))函数在无障碍区一列中随机选择一个栅格，col为栅格地图的列，除去起点和终点列，ID为第i列的可行域栅格编号，X_i,d为初始化秃鹰种群；

采用柯西变异-莱维飞行融合策略，选择搜索空间阶段位置更新如下：

p_i,new＝p_best+a*r(p_mean-p_i)*Levy

p_best＝p_best+p_best*cauchy(0,1)

Levy＝σ*s*(p_best-p_i)

式中，cauchy(0,1)是指服从(0,1)分布的柯西序列，位置参数为0，尺度参数为1，Levy飞行是最有效寻找目标的方法之一，其表达式中σ是变化范围为(-1，1)的比例因子，s即为Levy飞行路径。

采用基于既定空间的猎物导引机制，秃鹰种群搜索阶段更新为：

I＝round(1+rand(1,1))

式中，p_FOOD为猎物位置，p_fitness为当前秃鹰个体适应度值，f_FOOD为当前猎物适应度值，I为一个位置算子的计算公式。

俯冲捕获阶段公式不变。

采用带反馈机制的动态自适应t分布变异算子进行秃鹰种群位置更新，具体为：

ζ＝w₁-w₂*(MaxIt-j)/MaxIt

β＝F_max+(F_max-F_min)*rand

式中，p_i ^j+1为扰动后秃鹰的位置，p_i ^j为秃鹰第j次迭代时的位置，MaxIt为最大迭代次数，j为当前迭代数，w₁和w₂分别为动态选择概率的上限和变化幅度，β是共享系数，平衡位置更新时反馈信息的大小；ζ为动态选择概率算子计算公式，t(iter)为迭代次数参数，F_best为最优秃鹰个体适应度值；γ为反馈系数，随着迭代次数增加，呈现递增趋势，能加快秃鹰个体之间的信息交流；b_i为随机秃鹰个体；F为秃鹰个体适应度值。

计算新秃鹰种群的适应度，根据适应度的大小选出最优秃鹰；

判断是否达到最大迭代次数，若是，输出最优秃鹰即最优避障轨迹点。

步骤5：结合改进秃鹰搜索算法优化AGV路径规划与自主避障，具体方式为：

每条路径都是由多个轨迹点连接而成的线，定义种群中的一只秃鹰x^d _i即为一条路径，代价最小的秃鹰代表最优路径，每个轨迹点都具有二维属性(x,y)，利用MBESP优化AGV路径规划与自主避障时，具体步骤包括：

步骤5.1：对步骤1获得的AGV物料车环境模型利用步骤4.1的方法获得初始秃鹰种群；

步骤5.2：对初始秃鹰种群利用步骤2获得的代价函数计算每只秃鹰的适应度，根据适应度的大小对秃鹰种群排序，选出最优秃鹰；

步骤5.3：对秃鹰种群利用步骤4.2-4.5的方法更新位置，计算每只秃鹰的适应度，根据适应度的大小对秃鹰种群排序；

步骤5.4：判断是否达到最大迭代次数，若是，输出最优秃鹰即最优避障轨迹点，否则，返回步骤5.3；

步骤5.5：对5.4获得的最优轨迹点采用八叉树搜索策略优化得到最终的AGV二维的自主避障路径。

图3为在栅格地图中具体的路径规划图，图4为实际应用中的效果图。

图3由可行域(白色区域，标记为0)和障碍域(黑色区域，标记为1)，路径组成，通过本发明算法MBESP与BES在AGV自主避障路线轨迹图中的对比可以看出，在10×10栅格图实验中，BES规划的路径普遍路程代价高，且成功率不高，MBESP路程代价明显降低，全局寻径能力提高；在20×20栅格图实验中，搜索范围进一步扩大，相比BES规划的最优路径，MBESP搜索到的路径更平滑，代价更小，收敛速度较快。MBESP稳定性和可靠性相较于BES优势明显。

图4为验证本发明提出的MBESP能否在实际应用中的按要求完成全局路径规划效果，以基于ROS系统开发的AGV作为对象进行实验，转向直径为90cm。室外实验环境为布置好障碍物的一段操场空地，宽度为200cm。采用激光雷达对实验环境进行扫描并在ROS系统中建立栅格地图，根据AGV车运动学约束单元格宽度大于等于转向半径的原则进行栅格划分。图4(b)为MBESP的成功规划到达目标点，图4(c)为AGV避障实验视频中提取的关键帧序列，帧序号见左上角。240帧时为启动状态，960、1200、1440和1920帧中，AGV依次成功躲避各个障碍物，2160帧时到达目标点停止作业。实验结果验证了MBESP在AGV路径规划及自主避障方面的可行性和有效性。

最后应当说明的是：以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在发明待批的权利要求保护范围之内。

Claims (10)

1.基于MBESP优化的AGV路径规划与自主避障方法，其特征在于，包括以下步骤：

步骤1：针对AGV物料车避障环境建模，获得模型；

步骤2：对步骤1中获得的模型确定避障代价函数；

步骤3：获取秃鹰搜索算法；

步骤4：根据AGV路径规划与自主避障对步骤3中获得的秃鹰搜索算法进行改进，得到改进秃鹰搜索算法；

步骤5：利用步骤4中获得的改进秃鹰搜索算法优化AGV路径规划与自主避障。

2.根据权利要求1所述的基于MBESP优化的AGV路径规划与自主避障方法，其特征在于，步骤1中对AGV物料车避障环境建模为AGV物料车基于概率模型的栅格地图建模，如下所示：

G(sort(randperm(m,n)+1))＝1

No＝(x_k-1)+(y_k-1)*N

式中，第一个公式为障碍物设置函数，第二个公式为设置障碍物后，障碍物栅格编号计算公式，m为地图范围参数，n为障碍物个数，No为栅格编号，x_k，y_k为单位栅格右上角顶点坐标，N为栅格维度，randperm(m,n)函数产生1-m之间的n个随机数；sort函数将n个随机数从小到大排列，G(d)＝1函数将d所在位置赋值为1，即障碍物位置标记为1。

3.根据权利要求2所述的基于MBESP优化的AGV路径规划与自主避障方法，其特征在于，步骤2的避障代价函数具体为：

在栅格地图中，将路径的长度和路径的碰撞次数两种代价加权综合，构建一个适用于AGV总的代价如下：

F_s＝αL_s+βn_p

式中，F_s为整条路径的代价，α为路程代价的权重，β为碰撞次数的代价权重，L_s为路径长度，n_p为碰撞次数。

4.根据权利要求2所述的基于MBESP优化的AGV路径规划与自主避障方法，其特征在于，步骤3中秃鹰搜索算法包括以下步骤：

步骤3.1：随机初始化秃鹰种群；

步骤3.2：选择区域阶段位置更新；

步骤3.3：搜索阶段位置更新；

步骤3.4：俯冲捕获阶段位置更新。

5.根据权利要求4所述的基于MBESP优化的AGV路径规划与自主避障方法，其特征在于，步骤3.2中秃鹰在搜索空间内识别并选择最佳区域捕获猎物，选择区域阶段位置更新如下：

p_i,new＝p_best+a*r(p_mean-p_i)

式中，ɑ为控制秃鹰三维空间内的位置变化的参数，取值范围为(1.5,2)；r为随机数，取值范围为(0,1)；p_best为当前秃鹰最好的搜索位置；p_mean为综合先后两次秃鹰更新位置的平均值；p_i为种群中第i只秃鹰的位置；

步骤3.3中秃鹰在搜索空间内搜索猎物，并在螺旋空间中按不同的方向移动，逐渐加速搜索范围，采用螺旋飞行模式，利用极坐标方程进行位置更新如下：

θ(i)＝K*π*rand

r(i)＝θ(i)+R*rand

xr(i)＝r(i)*sin(θ(i)),yr(i)＝r(i)*cos(θ(i))

x(i)＝xr(i)/max(xr),y(i)＝yr(i)/max(yr)

p_i,new＝p _i+x(i)*(p _i-p_mean)+y(i)*(p _i-p_i+1)

式中，θ(i)和r(i)分别为极坐标方程的极角与极径；K和R是控制螺旋轨迹的参数，变化范围分别为(0,5)和(0.5,2)；rand为(0,1)内随机数；x,y分别是极坐标中秃鹰的坐标值，x(i)与y(i)为极坐标中第i只秃鹰位置，取值均为(-1,1)，p_i+1为第i只秃鹰的下一次更新位置；

步骤3.4中秃鹰从搜索空间的最佳位置快速俯冲飞向目标猎物，种群其他个体也同时向最佳位置移动并攻击猎物，运动状态用极坐标方程进行位置更新如下：

θ(i)＝K*π*rand,r(i)＝θ(i)

xr(i)＝r(i)*sinh(θ(i)),yrθ(i)＝rθ(i)*cosh(θ(i))

x1(i)＝xr(i)/max(xr),y1(i)＝yr(i)/max(yr)

p_i,new＝rand*p_best+δ_x+δ_y

式中，r(i)为极坐标方程的极径，为区分步骤3.3，故用x1，y1，xr，yr均为不同情况下秃鹰的坐标值，x1与y1，xr与yr为极坐标中第i只秃鹰位置，δ_x、δ_y分别为极坐标中秃鹰的坐标值在x和y中的变化值，c₁与c₂表示秃鹰向最佳位置的运动惯性参数，取值范围均为(1,2)。

6.根据权利要求4所述的基于MBESP优化的AGV路径规划与自主避障方法，其特征在于，步骤4中根据AGV路径规划与自主避障对步骤3中获得的秃鹰搜索算法进行改进，得到改进秃鹰搜索算法，具体步骤包括：

步骤4.1：在步骤1获得的基于概率的栅格地图模型内基于栅格地图可行域搜索随机初始化秃鹰种群，每只秃鹰代表一条避障路径；

步骤4.2：采用柯西变异-莱维飞行融合策略更新秃鹰种群的选择区域阶段；

步骤4.3：采用基于既定空间的猎物导引机制更新秃鹰种群搜索阶段；

步骤4.4：秃鹰种群俯冲捕获阶段位置更新；

步骤4.5：采用带反馈机制的动态自适应t分布变异算子进行秃鹰种群位置更新；

步骤4.6：计算秃鹰种群的适应度，根据适应度的大小选出最优秃鹰；

步骤4.7：判断是否达到最大迭代次数，若是，输出最优秃鹰即最优避障路径，若否，返回步骤4.2。

7.根据权利要求6所述的基于MBESP优化的AGV路径规划与自主避障方法，其特征在于，步骤4.1中基于栅格地图可行域搜索随机初始化秃鹰种群，公式如下：

X_i,d＝ID(randi(length(find(col＝0))))

式中，find(col＝0)函数找出栅格图中无障碍区，length(find(col＝0))函数找出无障碍区长度，randi(length(find(col＝0)))函数在无障碍区一列中随机选择一个栅格，col为栅格地图的列，除去起点和终点列，ID为第i列的可行域栅格编号，X_i,d为初始化秃鹰种群；

步骤4.2中采用柯西变异-莱维飞行融合策略将搜索空间扩张，选择空间阶段位置更新如下：

p_i,new＝p_best+a*r(p_mean-p_i)*Levy

p_best＝p_best+p_best*cauchy(0,1)

Levy＝σ*s*(p_best-p_i)

式中，式中，cauchy(0,1)是指服从(0,1)分布的柯西序列，位置参数为0，尺度参数为1，Levy飞行是最有效寻找目标的方法之一，其表达式中σ是变化范围为(-1，1)的比例因子，s为Levy飞行路径。

8.根据权利要求6所述的基于MBESP优化的AGV路径规划与自主避障方法，其特征在于，步骤4.3中采用基于既定空间的猎物导引机制更新秃鹰种群搜索阶段，具体为：

I＝round(1+rand(1,1))

式中，p_FOOD为猎物位置，p_fitness为当前秃鹰个体适应度值，f_FOOD为当前猎物适应度值，I为位置算子的计算公式。

9.根据权利要求6所述的基于MBESP优化的AGV路径规划与自主避障方法，其特征在于，步骤4.5采用带反馈机制的动态自适应t分布变异算子进行秃鹰种群位置更新，具体为：

ζ＝w₁-w₂*(MaxIt-j)/MaxIt

β＝F_max+(F_max-F_min)*rand

式中，，p_i ^j+1为扰动后秃鹰的位置，p_i ^j为秃鹰第j次迭代时的位置，MaxIt为最大迭代次数，j为当前迭代数，w₁和w₂分别为动态选择概率的上限和变化幅度，β是共享系数，平衡位置更新时反馈信息的大小；ζ为动态选择概率算子计算公式，t(iter)为迭代次数参数，F_best为最优秃鹰个体适应度值；γ为反馈系数，随着迭代次数增加，呈现递增趋势，能加快秃鹰个体之间的信息交流；b_i为随机秃鹰个体；F为秃鹰个体适应度值。

10.根据权利要求6所述的基于MBESP优化的AGV路径规划与自主避障方法，其特征在于，步骤5中利用获得的改进秃鹰搜索算法优化AGV路径规划与自主避障，具体方式为：

每条路径都是由多个轨迹点连接而成的线，定义种群中的一只秃鹰x^d _i即为一条路径，代价最小的秃鹰代表最优路径，每个轨迹点都具有二维属性(x,y)，利用MBESP优化AGV路径规划与自主避障时，具体步骤包括：

步骤5.1：对步骤1获得的AGV物料车环境模型利用步骤4.1的方法获得初始秃鹰种群；

步骤5.2：对初始秃鹰种群利用步骤2获得的代价函数计算每只秃鹰的适应度，根据适应度的大小对秃鹰种群排序，选出最优秃鹰；

步骤5.3：对秃鹰种群利用步骤4.2-4.5的方法更新位置，计算每只秃鹰的适应度，根据适应度的大小对秃鹰种群排序；

步骤5.4：判断是否达到最大迭代次数，若是，输出最优秃鹰即最优避障轨迹点，否则，返回步骤5.3；

步骤5.5：对5.4获得的最优轨迹点采用八叉树搜索策略优化得到最终的AGV二维的自主避障路径。

Images