基于地图栅格与QPSO算法结合的机器人路径规划方法技术

本发明专利技术请求保护一种基于QPSO(Quantum Behaved Particle Swarm Optimization,量子行为粒子群优化)算法的改进机器人路径规划方法，针对当前QPSO算法在大部分情况下在机器人路径规划中得到易陷入局部最优的情况，提出了一种基于地图栅格与QPSO算法结合的改进机器人路径规划方法：(1)根据移动机器人的工作环境的特点对机器人通过激光传感器获取的数据进行地图建模。(2)采用轮盘式选择法进行路径规划，并且初始化可行路径。(3)采用参数可变的QPSO算法对初始化的可行路径进行优化，并且得到最优路径。

Robot path planning method based on map grid and QPSO algorithm

This invention requests to protect an improved robot path planning method based on the QPSO (Quantum Behaved Particle Swarm Optimization, quantum behavior particle swarm optimization) algorithm. In view of the situation that the current QPSO algorithm is prone to be trapped in the optimal position in the robot path planning in most cases, a map grid based on the map grid is proposed. The improved robot path planning method is combined with the QPSO algorithm. (1) based on the characteristics of the working environment of the mobile robot, the robot is modeled by the data obtained by the laser sensor. (2) roulette selection method is used for path planning, and feasible path is initialized. (3) the QPSO algorithm with variable parameters is used to optimize the initialized feasible path and get the optimal path.

【技术实现步骤摘要】
基于地图栅格与QPSO算法结合的机器人路径规划方法
本专利技术属于机器人路径规划领域，提出一种基于地图栅格与QPSO结合的机器人路径规划方法。
技术介绍
移动机器人路径规划是寻找一条无碰撞的可行路径问题的方法。近些年，群智能优化算法逐渐成为移动机器人路径规划算法研究热点。应用于移动机器人路径规划的群智能优化算法包括蚁群优化算法、PSO(particleswarmoptimization,粒子群优化)算法、萤火虫算法等。其中PSO算法是Eberhart博士和Kennedy博士在1995年所提出的群智能化算法。该算法来源于对鸟群和鱼群觅食行为的模拟。它较传统的进化算法具有易实现、较少的调整参数、收敛速度较快等特点，广泛应用在移动机器人路径规划。而QPSO算法是一种在数学上被证明能以概率为1搜索到全局最优解的群智能算法。QPSO算法建立在δ势阱模型且具有量子运动的粒子群，由于粒子具有量子行为，所以满足聚集态的性质完全不同，因而粒子的轨迹就不是确定的，粒子就可以在整个可行解空间中进行搜索，所以QPSO算法的全局搜索性能优于标准PSO算法，QPSO算法较之PSO算法以其易于实现、参数较少等特点本文档来自技高网...

【技术保护点】
一种基于地图栅格与QPSO算法结合的机器人路径规划方法，其特征在于，包括以下步骤：步骤1：根据移动机器人的工作环境的特点对机器人通过2D激光传感器获取的数据进行地图建模，并且采用自适应蒙特卡罗定位算法对机器人位置进行定位；步骤2：在创建好的地图中采用轮盘式选择法对可行路径进行初始化；步骤3：采用参数可变的改进量子行为粒子群优化QPSO算法对初始化的可行路径进行优化，得到最优路径，其中改进QPSO算法的改进体现在：在QPSO算法中对引入聚集度因子，并且对压缩扩张因子进行改进，同时自定义两个控制参数用来划分搜索阶段，使粒子位置更新公式在不同的搜索阶段有不同的表现。

【技术特征摘要】
1.一种基于地图栅格与QPSO算法结合的机器人路径规划方法，其特征在于，包括以下步骤：步骤1：根据移动机器人的工作环境的特点对机器人通过2D激光传感器获取的数据进行地图建模，并且采用自适应蒙特卡罗定位算法对机器人位置进行定位；步骤2：在创建好的地图中采用轮盘式选择法对可行路径进行初始化；步骤3：采用参数可变的改进量子行为粒子群优化QPSO算法对初始化的可行路径进行优化，得到最优路径，其中改进QPSO算法的改进体现在：在QPSO算法中对引入聚集度因子，并且对压缩扩张因子进行改进，同时自定义两个控制参数用来划分搜索阶段，使粒子位置更新公式在不同的搜索阶段有不同的表现。2.根据权利要求1所述的基于地图栅格与QPSO算法结合的机器人路径规划方法，其特征在于，所述步骤1进行地图建模前还包括步骤：假设机器人扫描到的活动场地有限并且为矩形，首先采用栅格法，将机器人矩形场地平均划分成多个小矩形栅格，保证机器人可以在其中进行自由移动，采用直角坐标法确定起点、终点、障碍物与机器人的位置，在创建地图模型后，首先根据里程计模型给出机器人的初始位姿，然后通过激光传感器扫描出的局部地图与全局地图的对应关系，并用局部地图更新全局地图。3.根据权利要求2所述的基于地图栅格与QPSO算法结合的机器人路径规划方法，其特征在于，所述步骤1采用自适应蒙特卡罗定位算法对机器人位置进行定位具体步骤包括：步骤A：初始化粒子群；步骤B：采用随机函数模拟粒子在栅格地图中的运动；步骤C：根据计算传感器定位的障碍物与地图中障碍物的符合个数来计算粒子评分，选择得分最高的粒子作为机器人当前位置；步骤D：粒子群重采样，将得分较低的粒子舍去，得分较高的粒子保留并且复制，保持粒子群数量基本不变；步骤E：重复步骤B到步骤D，直到机器人完成构建地图时终止。4.根据权利要求1-3之一所述的基于地图栅格与QPSO算法结合的机器人路径规划方法，其特征在于，所述步骤2对可行路径进行初始化具体步骤如下：步骤A：通过栅格地图，确定目标点、障碍物和机器人自身所在栅格在全局地图中的坐标；步骤B：将有障碍物的栅格标为1，将自由栅格标为0；步骤C:采用轮盘式选择方法选择机器人所处栅格相邻的自由栅格，并且移动到选择的自由栅格；步骤D:判断机器人是否到达目标点，未到达则转至步骤C；步骤E:机器人到达目标点则初始化路径完成。5.根据权利要求4所述的基于地图栅格与QPSO算法结合的机器人路径规划方法，其特征在于，所述步骤3采用参数可变的QPSO算法对...

【专利技术属性】
技术研发人员：胡章芳，孙林，张毅，鲍合章，周思吉，陈科宇，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50