CN116592890A - 一种采摘机器人路径规划方法、系统、电子设备及介质 - Google Patents

一种采摘机器人路径规划方法、系统、电子设备及介质 Download PDF

Info

Publication number
CN116592890A
CN116592890A CN202310559480.4A CN202310559480A CN116592890A CN 116592890 A CN116592890 A CN 116592890A CN 202310559480 A CN202310559480 A CN 202310559480A CN 116592890 A CN116592890 A CN 116592890A
Authority
CN
China
Prior art keywords
path
picking
algorithm
initial
pheromone
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.)
Granted
Application number
CN202310559480.4A
Other languages
English (en)
Other versions
CN116592890B (zh
Inventor
刘洺辛
崔超阳
刘海涛
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 Ocean University
Original Assignee
Guangdong Ocean University
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 Ocean University filed Critical Guangdong Ocean University
Priority to CN202310559480.4A priority Critical patent/CN116592890B/zh
Publication of CN116592890A publication Critical patent/CN116592890A/zh
Application granted granted Critical
Publication of CN116592890B publication Critical patent/CN116592890B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Automation & Control Theory (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Manipulator (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种采摘机器人路径规划方法、系统、电子设备及介质，涉及工业采摘技术领域。所述方法包括：获取初始数据；所述初始数据包括采摘机器人当前位置数据和被采摘物中心位置数据；根据所述初始数据和改进蚁群遗传融合算法确定最优采摘路径；所述改进蚁群遗传融合算法是根据蚁群优化算法、遗传优化算法和准均匀B样条插值算法构建的；所述蚁群优化算法采用改进的初始信息素分布；所述改进的初始信息素分布是由不同欧氏距离的移动路线和信息素权重系数构建的；所述移动路线为所述初始数据在采摘环境地图中的机器人当前节点与目标节点的路径；所述遗传优化算法包括选择、交叉、变异和剔除算子。本发明能够提高机器人采摘效率。

Description

一种采摘机器人路径规划方法、系统、电子设备及介质
技术领域
本发明涉及工业采摘技术领域，特别是涉及一种采摘机器人路径规划方法、系统、电子设备及介质。
背景技术
随着科技的发展，采摘机器人在农业种植业应用越来越多。水果采摘过程中使用机器人多传感器信息融合技术，融合多个传感器实时获取的相关信息，规划出一条能使采摘机器人从初始位置到已知目标水果点的位置的路径。在路径规划中常见的算法包括快速扩展随机数(RRT)算法、深度学习、遗传算法和蚁群算法。水果采摘是农业种植链环节最耗时、费力的一个环节，具有采摘季节性强、劳动强度大、费用高等特点。因此，改进水果采摘机器人的路径规划方法，对于提高采摘机器人采摘效率、降低成本有重要意义。
蚁群算法(Ant Clony Optimization，ACO)是一种模拟自然界中蚂蚁觅食行为的仿生算法。ACO算法具有并行性、鲁棒性强、易实现等优点，可以有效解决采摘机器人路径规划问题，但是ACO算法仍存在收敛速度慢、易陷入局部最优、路径不平滑等问题。
发明内容
本发明的目的是提供一种采摘机器人路径规划方法、系统、电子设备及介质，能够提高机器人采摘效率。
为实现上述目的，本发明提供了如下方案：
一种采摘机器人路径规划方法，包括：
获取初始数据；所述初始数据包括采摘机器人当前位置数据和被采摘物中心位置数据；
根据所述初始数据和改进蚁群遗传融合算法确定最优采摘路径；所述改进蚁群遗传融合算法是根据蚁群优化算法、遗传优化算法和、准均匀B样条插值算法构建的；所述蚁群优化算法采用改进的初始信息素分布；所述改进的初始信息素分布是由不同欧氏距离的移动路线和信息素权重系数构建的；所述移动路线为所述初始数据在采摘环境地图中采摘机器人当前节点与目标节点的路径；所述遗传优化算法包括选择、交叉、变异和剔除算子；所述剔除算子是基于路径任意连续相邻三个节点连接，直线距离最短构建的；所述准均匀B样条插值算法用于对最优路径中拐点进行平滑处理。
可选地，在根据所述初始数据和改进蚁群遗传融合算法确定最优采摘路径之前，还包括：
利用栅格法，根据所述初始数据和设定障碍物构建采摘环境地图。
可选地，所述改进的初始信息素分布具体表示为：
其中，τij(t0)是表示改进的初始信息素分布；c是信息素权重系数，且c>0；dig为移动路线对应当前节点i与目标节点g的欧氏距离。
可选地，根据所述初始数据和改进蚁群遗传融合算法确定最优采摘路径，具体包括：
将所述初始数据输入所述蚁群优化算法中，在第一设定迭代运算次数内进行初步路径规划，得到多个初步规划路径；
将各所述初步规划路径作为所述遗传优化算法的初始种群，在第二设定迭代运算次数内依次进行选择、交叉、变异和剔除算子，得到最优采摘路径。
可选地，将所述初始数据输入所述蚁群优化算法中，在第一设定迭代运算次数内进行初步路径规划，得到多个初步规划路径，具体包括：
根据所述初始数据和状态转移概率公式，确定当前迭代次数的最优初步规划路径，并对所述最优初步规划路径的全局信息素进行更新，输出第一设定迭代运算次数内的所有初步规划路径。
可选地，所述状态转移概率公式表示为：
其中，为t时刻蚂蚁k从节点i到节点j的状态转移概率公式；α为信息素因子；β为启发函数因子；τij(t)为当前移动路线的信息素浓度；ηij(t)是当前移动路线对应的启发函数，tabuk为禁忌表，用以记录蚂蚁k已经走过的节点。
可选地，将各所述初步规划路径作为所述遗传优化算法的初始种群，在第二设定迭代运算次数内依次进行选择、交叉、变异和剔除算子，得到最优采摘路径，具体包括：
将各所述初步规划路径作为所述遗传优化算法的初始种群，并对各所述初步规划路径分别进行适应度值计算，得到多个路径适应度；
根据各所述路径适应度和轮盘赌选择方法对所述初始种群进行筛选，得到子代种群；
对所述子代种群依次进行交叉和变异，得到子代新种群；
利用剔除算子对所述子代新种群进行全局寻优，得到父代新种群；
根据第二设定迭代运算次数、适应度运算和所述父代新种群，确定最优采摘路径。
本发明还提供了一种采摘机器人路径规划系统，包括：
数据采集模块，用于获取初始数据；所述初始数据包括采摘机器人当前位置数据和被采摘物中心位置数据；
路径优化模块，用于根据所述初始数据和改进蚁群遗传融合算法确定最优采摘路径；所述改进蚁群遗传融合算法是根据蚁群优化算法、遗传优化算法和、准均匀B样条插值算法构建的；所述蚁群优化算法采用改进的初始信息素分布；所述改进的初始信息素分布是由不同欧氏距离的移动路线和信息素权重系数构建的；所述移动路线为所述初始数据在采摘环境地图中采摘机器人当前节点与目标节点的路径；所述遗传优化算法包括选择、交叉、变异和剔除算子；所述剔除算子是基于路径任意连续相邻三个节点连接，直线距离最短构建的；所述准均匀B样条插值算法用于对最优路径中拐点进行平滑处理。
本发明还提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据上述的采摘机器人路径规划方法。
本发明还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的采摘机器人路径规划方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种采摘机器人路径规划方法、系统、电子设备及介质，所述方法包括利用改进蚁群遗传融合算法对采摘机器人当前位置数据和被采摘物中心位置数据进行运算，确定最优采摘路径，其中，改进蚁群遗传融合算法包括蚁群优化算法、遗传优化算法和准均匀B样条插值算法，该蚁群优化算法采用改进的初始信息素分布，改进的初始信息素分布是由不同欧氏距离的移动路线和信息素权重系数构建的，解决了当前蚁群算法初期盲目搜索的问题，避免陷入局部最优，提高算法前期收敛速度，且该遗传优化算法中加入了剔除算子，能够剔除无效节点、减少拐点，通过在遗传算子中添加剔除算子，提高算法的全局寻优能力，同时采用准均匀B样条插值算法对最优路径中拐点进行平滑处理，实现提高机器人采摘效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明采摘机器人路径规划方法的流程示意图；
图2为本实施例中基于改进改进蚁群遗传融合算法的逻辑示意图；
图3为本实施例中剔除算子具体步骤示意图；
图4为本实施例中传统蚁群算法简单环境路径轨迹图；
图5为本实施例中传统遗传算法简单环境路径轨迹图；
图6为本实施例中ACO-GA算法简单环境路径轨迹图；
图7为本实施例中三种算法简单环境收敛曲线对比图；
图8为本实施例中传统蚁群算法复杂环境路径轨迹图；
图9为本实施例中传统遗传算法复杂环境路径轨迹图；
图10为本实施例中ACO-GA算法复杂环境路径轨迹图；
图11为本实施例中三种算法复杂环境收敛曲线对比图；
图12本发明采摘机器人路径规划系统的结构框图。
具体实施方式
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，都属于本发明保护的范围。
本发明的目的是提供一种采摘机器人路径规划方法、系统、电子设备及介质，能够提高机器人采摘效率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供了一种采摘机器人路径规划方法，包括：
步骤100：获取初始数据；所述初始数据包括采摘机器人当前位置数据和被采摘物中心位置数据。并且，利用栅格法，根据所述初始数据和设定障碍物构建采摘环境地图。
步骤200：根据所述初始数据和改进蚁群遗传融合算法确定最优采摘路径；所述改进蚁群遗传融合算法是根据蚁群优化算法、遗传优化算法和、准均匀B样条插值算法构建的；所述蚁群优化算法采用改进的初始信息素分布；所述改进的初始信息素分布是由不同欧氏距离的移动路线和信息素权重系数构建的；所述移动路线为所述初始数据在采摘环境地图中采摘机器人当前节点与目标节点的路径；所述遗传优化算法包括选择、交叉、变异和剔除算子；所述剔除算子是基于路径任意连续相邻三个节点连接，直线距离最短构建的；所述准均匀B样条插值算法用于对最优路径中拐点进行平滑处理。
其中，所述改进的初始信息素分布具体表示为：
其中，τij(t0)是表示改进的初始信息素分布；c是信息素权重系数，且c>0；dig为移动路线对应当前节点i与目标节点g的欧氏距离。
作为步骤200的一种具体实施方式，包括以下具体步骤：
第一步，将所述初始数据输入所述蚁群优化算法中，在第一设定迭代运算次数内进行初步路径规划，得到多个初步规划路径。具体包括：
根据所述初始数据和状态转移概率公式，确定当前迭代次数的最优初步规划路径，并对所述最优初步规划路径的全局信息素进行更新，输出第一设定迭代运算次数内的所有初步规划路径。
第二步，将各所述初步规划路径作为所述遗传优化算法的初始种群，在第二设定迭代运算次数内依次进行选择、交叉、变异和剔除算子，采用二次准均匀B样条插值算法对最优路径中拐点进行平滑处理，得到最优采摘路径。具体包括：
将各所述初步规划路径作为所述遗传优化算法的初始种群，并对各所述初步规划路径分别进行适应度值计算，得到多个路径适应度；根据各所述路径适应度和轮盘赌选择方法对所述初始种群进行筛选，得到子代种群；对所述子代种群依次进行交叉和变异，得到子代新种群；利用剔除算子对所述子代新种群进行全局寻优，得到父代新种群；根据第二设定迭代运算次数、适应度运算和所述父代新种群，确定最优采摘路径。
其中，所述剔除算子公式表示为：
其中，D(i,i+2)是规划路径连续不相邻两个节点欧式距离，D(i,i+i,i+2)是规划路径连续相邻三个节点欧氏距离，x和y为节点坐标值。
所述状态转移概率公式表示为：
其中，为t时刻蚂蚁k从节点i到节点j的状态转移概率公式；α为信息素因子；β为启发函数因子；τij(t)为当前移动路线的信息素浓度；ηij(t)是当前移动路线对应的启发函数，tabuk为禁忌表，用以记录蚂蚁k已经走过的节点。
所述全局信息素更新公式表示为：
其中，τij(t+1)为完成一次循环后各路径更新的信息素浓度；ρ为信息素挥发因子，且ρ∈(0,1)；m为蚂蚁总数量；△τij(t)为本次迭代中节点i到节点j的信息素增量；Q为信息素增强系数；Sk表示第k只蚂蚁循环一次经过的路径长度。
在上述技术方案的基础上，提供如下所示的实施例。
如图2所示，本实施例的算法运算流程具体为：
S1：初始化，通过激光雷达、摄像头传感器获取采摘机器人当前位置和水果中心位置数据；选择栅格法建立采摘机器人的工作环境模型，构建采摘环境地图，栅格法采用0表示障碍物栅格，1表示自由栅格，黑色网格代表障碍物空间，白色网格代表可行的自由域；并设置改进蚁群遗传融合算法的初始参数，设置蚂蚁个数m，信息素因子α，启发因子β，信息素挥发因子ρ，信息素增强系数Q，ACO最大迭代次数Nmax1，GA迭代最大次数Nmax2，交叉概率Pm，变异概率Pc等初始参数。
S2：传统蚁群算法在初始信息素通常设置是为恒定均匀或者为0，使蚁群算法初期盲目搜索，易陷入局部最优，收敛速度慢问题；针对这些问题，本实施例提出一种改进初始信息素分配的方法，根据改进初始信息素公式，计算初始信息素分配矩阵，令N1＝1；该方法根据不同节点距离目标节点欧式距离不同，将各节点与目标节点欧氏距离的倒数与信息素权重系数乘积作为初始信息素分布，当节点距离目标节点越近，信息素浓度越大，节点被选择的概率就越大，可以引导蚂蚁向目标节点移动，避免陷入局部最优，提高算法的前期收敛速度。改进公式如下：
其中，τij(t0)是初始信息素分布，c是信息素权重系数，c>0，i表示当前节点，g表示目标节点，dig是节点i到目标节点g的欧式距离，x和y为节点坐标值。
S3：路径选择，根据状态转移概率公式，计算备选节点概率，选择概率大的节点作为下一路径节点；根据蚁群算法进行路径规划，在ACO算法(蚁群算法)中，若在t时刻蚂蚁k当前位置为节点i，到达下一节点j的状态转移概率为，如下所示：
其中，α为信息素因子，β为启发函数因子，二者分别代表信息素和启发函数对状态转移的重要程度，tabuk(k＝1,2,..,m)称为禁忌表，用以记录蚂蚁k已经走过的节点，τij(t)为t时刻蚂蚁移动路线上的信息素浓度，ηij(t)为t时刻的启发函数。
S4：全局信息素更新，对每代最优解进行信息素更新，并判断是否到达最大迭代次数，否，N1+1,返回S3,是，进入S5；其中，ACO算法所有蚂蚁完成路径搜索后，将会更新最优路径的全局信息素浓度，其余路径节点信息素不更新，全局信息素更新公式如下所示：
其中：ρ为信息素挥发系数，且ρ∈(0,1)；为编号k的蚂蚁在两节点上的信息素增量；Q为信息素增强系数；Sk为蚂蚁k经过路径长度。
S5：将ACO算法每代最优解(初步规划路径)作为GA算法的初始种群集；若蚁群全部收敛到一条路径或者达到最大循环次数，则循环结束，输出最优路径，否则转S3。
蚁群算法是一种基于群体觅食的随机启发式搜索方法，具有较强的鲁棒性、并行性。然而，蚁群算法存在收敛速度慢、路径长度非最优问题；遗传算法是一种通过模拟自然进化过程搜索最优解的方法，具有良好的全局搜索能力，遗传算法仍存在不足之处，对初始种群依赖性强；吸取两种算法的优点，取长补短，通过选取最优路径策略将蚁群算法最优解引入遗传算法作为初始种群，提高遗传算法的全局寻优能力，同时将遗传操作中添加剔除算子，并利用遗传算法的全局搜索能力，经过选择、交叉、变异、剔除操作，产生更优的下一代群体；最后，引入二次准均匀B样条插值算法对最优路径中拐点进行平滑处理，获得最优路径。
S6：将ACO每代最优解(初步规划路径)作为GA算法(遗传算法)的初始种群，并对每个解进行适应度值计算，令N2＝1，具体适应度公式f如下：
其中，f1是路径长度适应度，γ是路径长度权重系数，d1是路径长度，x和y为节点坐标值。
S7：将从初始种群中通过轮盘赌选择方法选取符合要求的个体组成新的子代种群，然后将子代种群进行交叉、变异操作，组成子代新种群，轮盘赌选择方法公式如下：
其中，Pselect(i)是选择概率，fi是个体适应度，f总是所有适应度的和，N是种群总数。
S8：剔除算子将子代新种群进行剔除操作，组成父代新种群，对于路径中存在拐点，以及拐点之间的冗余点是造成路径非最优重要因素之一，为了剔除无效冗余节点、减少拐点，本实施例在遗传算子中添加剔除算子，缩短路径长度，提高算法的全局寻优能力，剔除算子公式和具体步骤如下：
其中，D(i,i+2)是规划路径连续不相邻两个节点欧式距离，D(i,i+i,i+2)是规划路径连续相邻三个节点欧氏距离，x和y为节点坐标值。
Ⅰ：当起始节点i与节点i+2之间欧式距离之和小于i、i+1、i+2三个节点欧氏距离，则判断三个节点不在一同直线上，如图3所示；
Ⅱ：判断节点i与节点i+2连接之间是否存在障碍物，否，删除i+1节点，将i+2节点作为新的起始节点i，返回Ⅰ；是，则将i+1作为新的起始节点i，返回Ⅰ；
Ⅲ：如果距离相等，则三个节点在同一直线上，将i+2作为新的起始节点i，返回Ⅰ；
Ⅳ：判断i+2节点是否是目标点，是，停止搜索，否，将i+2作为新的起始节点i，返回Ⅰ。
S9：适应度计算：计算父代新种群所有个体适应度，判断是否到达最大迭代次数，否，返回S7，是，从解集中选出最优解进入S10。
S10：传统算法获得最优轨迹通常是曲线，存在不平滑路径曲线和多边峰值问题；为解决这些问题，本实施例采用二次准均匀B样条插值方法对路径进行平滑，避免采摘机器人在实际工作中与障碍物碰撞，降低因拐点停顿产生的采摘机器人能耗，则具有n+1个控制点的k阶B样条曲线的定义如下：
其中，Pi(i＝0,1,2,...,n)为控制顶点坐标，Ni,k(i＝0,1,..,n)为k次规范B样条基函数，最高次数是k。本实施例采用常用的二次准均匀B样条曲线，其表达式如下所示：
其中，Pi、Pi+1、Pi+2是曲线的控制点。融合算法最后得到的最优路径通过二次准均匀B样条曲线平滑处理，最终会得到一条光滑的曲线，更适合采摘机器人实际工作。
在简单环境中进行仿真对比实验。环境的复杂性主要由环境中障碍物的比例和密度来定义，并分为简单环境和复杂环境，简单环境中障碍物的比例和密度小于复杂环境中的障碍物。在20*20的简单环境图中，环境地图中的圆点表示起始网格S，方块表示目标网格G，ACO、GA、ACO-GA的路径规划结果如图4-图6所示，三种算法的收敛曲线对比如图7所示，三种算法仿真实验结果如表1所示；由表1结果可知，ACO-GA算法较传统ACO、传统GA相比，路径长度分别缩短12.4％、8.3％，提高收敛速度为87.5％、91.1％，转折点减少100％、100％，相比之下本发明的算法优化之后收敛速度更快、路径更短、更平滑。
在复杂环境下进行仿真对比实验，在20*20的复杂环境中，ACO、GA、ACO-GA的路径轨迹结果如图8-图10，三种算法的收敛曲线对比如图11所示，三种算法在复杂环境下仿真实验结果如表1所示；如表1所示，ACO-GA算法在复杂环境下较传统ACO、传统GA相比，路径长度缩短了6.3％、6.6％，收敛速度提升86.7％、91.3％，路径转弯次数减少100％、100％，可以看出本发明算法获取的路径质量与速度优于传统ACO、传统GA。
通过多次仿真实验表明，在20*20简单与20*20复杂环境中，本发明算法能够在保证安全性与平滑性的前提下，获得更快的收敛速度与全局寻优能力，从而提高了采摘机器人采摘效率、降低能耗。路径平均值与迭代次数平均值是三种算法在不同环境中分别运行十次实验数据的平均值。
表1三种算法不同环境仿真结果
综上，可以看出，本实施例具体以下优势：
首先，改进初始信息素分布，将各节点与目标节点欧式距离的倒数与信息素权重系数乘积作为初始信息素分布，避免陷入局部最优，引导初期蚂蚁路径搜索向目标点前进，提高了算法前期收敛速度。然后，遗传算子中添加剔除算子，剔除无效冗余点，减少路径转折点，缩短路径规划长度，提升采摘机器人全局寻优能力。最后，引入二次准均匀B样条插值方法对轨迹进行平滑处理，去除边缘与最小化峰值拐点，降低采摘机器人因转弯停顿产生的能量消耗，通过仿真实验验证了ACO-GA算法(改进蚁群遗传融合算法)的有效性和优越性，在满足采摘机器人路径安全性与平滑性需求的前提下，可以获得更快的收敛速度、更短的的全局路径，提高采摘机器人采摘效率、降低能耗。
如图12所示，本发明还提供了一种采摘机器人路径规划系统，包括：
数据采集模块，用于获取初始数据；所述初始数据包括采摘机器人当前位置数据和被采摘物中心位置数据。
路径优化模块，用于根据所述初始数据和改进蚁群遗传融合算法确定最优采摘路径；所述改进蚁群遗传融合算法是根据蚁群优化算法、遗传优化算法和、准均匀B样条插值算法构建的；所述蚁群优化算法采用改进的初始信息素分布；所述改进的初始信息素分布是由不同欧氏距离的移动路线和信息素权重系数构建的；所述移动路线为所述初始数据在采摘环境地图中采摘机器人当前节点与目标节点的路径；所述遗传优化算法包括选择、交叉、变异和剔除算子；所述剔除算子是基于路径任意连续相邻三个节点连接，直线距离最短构建的；所述准均匀B样条插值算法用于对最优路径中拐点进行平滑处理。
本发明还提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据上述的采摘机器人路径规划方法。
本发明还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的采摘机器人路径规划方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种采摘机器人路径规划方法，其特征在于，包括：
获取初始数据；所述初始数据包括采摘机器人当前位置数据和被采摘物中心位置数据；
根据所述初始数据和改进蚁群遗传融合算法确定最优采摘路径；所述改进蚁群遗传融合算法是根据蚁群优化算法、遗传优化算法和、准均匀B样条插值算法构建的；所述蚁群优化算法采用改进的初始信息素分布；所述改进的初始信息素分布是由不同欧氏距离的移动路线和信息素权重系数构建的；所述移动路线为所述初始数据在采摘环境地图中采摘机器人当前节点与目标节点的路径；所述遗传优化算法包括选择、交叉、变异和剔除算子；所述剔除算子是基于路径任意连续相邻三个节点连接，直线距离最短构建的；所述准均匀B样条插值算法用于对最优路径中拐点进行平滑处理。
2.根据权利要求1所述的采摘机器人路径规划方法，其特征在于，在根据所述初始数据和改进蚁群遗传融合算法确定最优采摘路径之前，还包括：
利用栅格法，根据所述初始数据和设定障碍物构建采摘环境地图。
3.根据权利要求1所述的采摘机器人路径规划方法，其特征在于，所述改进的初始信息素分布具体表示为：
其中，τij(t0)是表示改进的初始信息素分布；c是信息素权重系数，且c>0；dig为移动路线对应当前节点i与目标节点g的欧氏距离。
4.根据权利要求1所述的采摘机器人路径规划方法，其特征在于，根据所述初始数据和改进蚁群遗传融合算法确定最优采摘路径，具体包括：
将所述初始数据输入所述蚁群优化算法中，在第一设定迭代运算次数内进行初步路径规划，得到多个初步规划路径；
将各所述初步规划路径作为所述遗传优化算法的初始种群，在第二设定迭代运算次数内依次进行选择、交叉、变异和剔除算子，得到最优采摘路径。
5.根据权利要求4所述的采摘机器人路径规划方法，其特征在于，将所述初始数据输入所述蚁群优化算法中，在第一设定迭代运算次数内进行初步路径规划，得到多个初步规划路径，具体包括：
根据所述初始数据和状态转移概率公式，确定当前迭代次数的最优初步规划路径，并对所述最优初步规划路径的全局信息素进行更新，输出第一设定迭代运算次数内的所有初步规划路径。
6.根据权利要求4所述的采摘机器人路径规划方法，其特征在于，所述状态转移概率公式表示为：
其中，为t时刻蚂蚁k从节点i到节点j的状态转移概率公式；α为信息素因子；β为启发函数因子；τij(t)为当前移动路线的信息素浓度；ηij(t)是当前移动路线对应的启发函数，tabuk为禁忌表，用以记录蚂蚁k已经走过的节点。
7.根据权利要求4所述的采摘机器人路径规划方法，其特征在于，将各所述初步规划路径作为所述遗传优化算法的初始种群，在第二设定迭代运算次数内依次进行选择、交叉、变异和剔除算子，得到最优采摘路径，具体包括：
将各所述初步规划路径作为所述遗传优化算法的初始种群，并对各所述初步规划路径分别进行适应度值计算，得到多个路径适应度；
根据各所述路径适应度和轮盘赌选择方法对所述初始种群进行筛选，得到子代种群；
对所述子代种群依次进行交叉和变异，得到子代新种群；
利用剔除算子对所述子代新种群进行全局寻优，得到父代新种群；
根据第二设定迭代运算次数、适应度运算和所述父代新种群，确定最优采摘路径。
8.一种采摘机器人路径规划系统，其特征在于，包括：
数据采集模块，用于获取初始数据；所述初始数据包括采摘机器人当前位置数据和被采摘物中心位置数据；
路径优化模块，用于根据所述初始数据和改进蚁群遗传融合算法确定最优采摘路径；所述改进蚁群遗传融合算法是根据蚁群优化算法、遗传优化算法和、准均匀B样条插值算法构建的；所述蚁群优化算法采用改进的初始信息素分布；所述改进的初始信息素分布是由不同欧氏距离的移动路线和信息素权重系数构建的；所述移动路线为所述初始数据在采摘环境地图中采摘机器人当前节点与目标节点的路径；所述遗传优化算法包括选择、交叉、变异和剔除算子；所述剔除算子是基于路径任意连续相邻三个节点连接，直线距离最短构建的；所述准均匀B样条插值算法用于对最优路径中拐点进行平滑处理。
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1-7中所述的采摘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，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7中所述的采摘机器人路径规划方法。
CN202310559480.4A 2023-05-17 2023-05-17 一种采摘机器人路径规划方法、系统、电子设备及介质 Active CN116592890B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310559480.4A CN116592890B (zh) 2023-05-17 2023-05-17 一种采摘机器人路径规划方法、系统、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310559480.4A CN116592890B (zh) 2023-05-17 2023-05-17 一种采摘机器人路径规划方法、系统、电子设备及介质

Publications (2)

Publication Number Publication Date
CN116592890A true CN116592890A (zh) 2023-08-15
CN116592890B CN116592890B (zh) 2024-03-26

Family

ID=87589246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310559480.4A Active CN116592890B (zh) 2023-05-17 2023-05-17 一种采摘机器人路径规划方法、系统、电子设备及介质

Country Status (1)

Country Link
CN (1) CN116592890B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117575123A (zh) * 2024-01-15 2024-02-20 成都电科星拓科技有限公司 播种路径规划方法、装置、电子设备和可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109506655A (zh) * 2018-10-19 2019-03-22 哈尔滨工业大学（威海） 基于非均匀建模的改进蚁群路径规划算法
CN111462323A (zh) * 2020-05-06 2020-07-28 中国人民解放军国防科技大学 一种面向三维空间的动态欺骗路径规划方法及系统
CN113093765A (zh) * 2021-04-16 2021-07-09 西南交通大学 一种通用的agv集群控制系统设计框架及方法
CN113326935A (zh) * 2019-05-26 2021-08-31 中国计量大学上虞高等研究院有限公司 一种入睡环境调光优化方法
EP3940494A1 (en) * 2020-07-17 2022-01-19 Wuhan University of Science and Technology Path planning method for substation inspection robot
CN115018876A (zh) * 2022-06-08 2022-09-06 哈尔滨理工大学 一种基于ros的非合作目标抓取控制系统
CN115562273A (zh) * 2022-10-11 2023-01-03 河北工业大学 基于混合改进蚁群算法的移动机器人路径规划方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109506655A (zh) * 2018-10-19 2019-03-22 哈尔滨工业大学（威海） 基于非均匀建模的改进蚁群路径规划算法
CN113326935A (zh) * 2019-05-26 2021-08-31 中国计量大学上虞高等研究院有限公司 一种入睡环境调光优化方法
CN113326936A (zh) * 2019-05-26 2021-08-31 中国计量大学上虞高等研究院有限公司 入睡环境调光优化方法
CN111462323A (zh) * 2020-05-06 2020-07-28 中国人民解放军国防科技大学 一种面向三维空间的动态欺骗路径规划方法及系统
EP3940494A1 (en) * 2020-07-17 2022-01-19 Wuhan University of Science and Technology Path planning method for substation inspection robot
CN113093765A (zh) * 2021-04-16 2021-07-09 西南交通大学 一种通用的agv集群控制系统设计框架及方法
CN115018876A (zh) * 2022-06-08 2022-09-06 哈尔滨理工大学 一种基于ros的非合作目标抓取控制系统
CN115562273A (zh) * 2022-10-11 2023-01-03 河北工业大学 基于混合改进蚁群算法的移动机器人路径规划方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张天瑞，吴宝库，周福强: "面向机器人全局路径规划的改进蚁群算法研究", 计算机工程与应用, vol. 2022 *
陈荣发: "基于深度强化学习的水下机器人导航算法研究", 硕士电子期刊 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117575123A (zh) * 2024-01-15 2024-02-20 成都电科星拓科技有限公司 播种路径规划方法、装置、电子设备和可读存储介质
CN117575123B (zh) * 2024-01-15 2024-03-29 成都电科星拓科技有限公司 播种路径规划方法、装置、电子设备和可读存储介质

Also Published As

Publication number Publication date
CN116592890B (zh) 2024-03-26

Similar Documents

Publication Publication Date Title
CN106970615B (zh) 一种深度强化学习的实时在线路径规划方法
CN112650229B (zh) 一种基于改进蚁群算法的移动机器人路径规划方法
CN109116841B (zh) 一种基于蚁群算法的路径规划平滑优化方法
CN110160546B (zh) 一种移动机器人路径规划方法
CN109945881A (zh) 一种蚁群算法的移动机器人路径规划方法
CN106444755A (zh) 基于改进遗传算法的移动机器人路径规划方法及系统
CN110794842A (zh) 基于势场的强化学习路径规划算法
CN116592890B (zh) 一种采摘机器人路径规划方法、系统、电子设备及介质
CN113296520B (zh) 融合a*与改进灰狼算法的巡检机器人路径规划方法
CN114964261A (zh) 基于改进蚁群算法的移动机器人路径规划方法
CN112666957A (zh) 一种基于改进蚁群算法的水下机器人路径规划方法
CN114167865B (zh) 一种基于对抗生成网络与蚁群算法的机器人路径规划方法
Bai et al. Design and Simulation of a Collision-free Path Planning Algorithm for Mobile Robots Based on Improved Ant Colony Optimization.
CN113093758A (zh) 一种基于栅格地图模型的改进agv路径规划算法
Yan Research on path planning of auv based on improved ant colony algorithm
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
Wang et al. Autonomous intelligent planning method for welding path of complex ship components
CN113848911A (zh) 基于Q-learning和RRT*的移动机器人全局路径规划方法
CN115494840B (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
Liu et al. An efficient robot exploration method based on heuristics biased sampling
CN112539751A (zh) 一种机器人路径规划方法
CN116449846A (zh) 一种蚁群算法的优化方法
Jin et al. WOA-AGA algorithm design for robot path planning
Chai et al. Mobile robot path planning in 2d space: A survey
Li et al. Path planning algorithm for mobile robot based on improved ant colony 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
GR01 Patent grant
GR01 Patent grant