基于粒子群算法的机器人路径规划方法、装置及终端设备制造方法及图纸

本发明专利技术适用于人工智能技术领域，提供了一种基于粒子群算法的机器人路径规划方法、装置及终端设备，包括：根据机器人活动场地的信息进行建模，生成模拟环境；根据所述机器人活动的起点和终点随机生成N条不与所述障碍物相交的初始路径，采用基于粒子群算法的方法在所述模拟环境中，对N条初始路径进行优化，在优化产生的路径中选出M条全局最优路径；采用基于Dijkstra算法的方法从所述M条全局最优路径中选出最终路径。本发明专利技术结合了粒子群算法与Dijkstra算法的优点进行机器人路径规划，既增加了最优路径的平滑度，也提升了计算效率。

Robot path planning method, device and terminal equipment based on particle swarm optimization algorithm

The invention is applicable to the field of artificial intelligence technology, and provides a robot path planning method, device and terminal equipment based on particle swarm optimization algorithm, including: modeling according to the information of the robot activity field, generating a simulation environment; randomly generating N bars without the obstacles according to the starting point and the end point of the robot activity The initial path of intersection is optimized by particle swarm optimization (PSO) in the simulation environment, and M global optimal paths are selected from the optimized paths. The final path is selected from the M global optimal paths by Dijkstra algorithm. The invention combines the advantages of particle swarm optimization algorithm and Dijkstra algorithm for robot path planning, which not only increases the smoothness of the optimal path, but also improves the calculation efficiency.

【技术实现步骤摘要】
基于粒子群算法的机器人路径规划方法、装置及终端设备
本专利技术属于人工智能
，尤其涉及一种基于粒子群算法的机器人路径规划方法、装置及终端设备。
技术介绍
随着社会发展的需要和机器人应用领域的扩大，人们对移动机器人的要求越来越高。移动机器人关键技术主要涉及：导航，定位，避障和路径规划。而路径规划的关键就是算法的研究和设计。在现有技术中，可将路径规划算法分为传统路径规划算法和智能仿生学路径规划算法。传统路径规划算法如：Dijkstra算法，Dijkstra算法是一种单源的路径规划算法，因为运用穷举所以存在运算时间过长且效率低等问题；智能仿生学算法如粒子群算法，粒子群算法虽然计算简单，全局寻优能力强，但是规划出的路径具有转弯次数多，累计转折角大等缺陷。
技术实现思路
有鉴于此，本专利技术实施例提供了一种基于粒子群算法的机器人路径规划方法及终端设备，以解决现有技术中机器人路径规划算法规划路径不平滑且效率低的问题。本专利技术实施例的第一方面提供了一种基于粒子群算法的机器人路径规划方法，包括：S1：根据机器人活动场地的信息进行建模，生成模拟环境，具体包括：S101：根据所述活动场地的信息建立直角坐标系，在所述直角坐标系中确定机器人活动的起点和终点；S102：对所述活动场地中的障碍物进行规则化处理，获得所述障碍物在所述直角坐标系中的顶点坐标；S103：使用数组表示所述障碍物的各个顶点坐标；S2：根据所述机器人活动的起点和终点随机生成N条不与所述障碍物相交的初始路径，采用基于粒子群算法的方法在所述模拟环境中，对N条初始路径进行优化，在优化产生的路径中选出M条全局最优路径，其中M，N均为大于1的正整数，M为预先设定的值；S3：采用基于Dijkstra算法的方法从所述M条全局最优路径中选出最终路径。本专利技术实施例的第二方面提供了一种基于粒子群算法的机器人路径规划装置，包括：建模模块，用于根据机器人活动场地的信息进行建模，生成模拟环境；第一优化模块，根据所述机器人活动的起点和终点随机生成N条不与所述障碍物相交的初始路径，采用基于粒子群算法的方法在所述模拟环境中，对N条初始路径进行优化，在优化产生的路径中选出M条全局最优路径；第二优化模块，采用基于Dijkstra算法的方法从所述M条全局最优路径中选出最终路径。本专利技术实施例的第三方面提供了一种基于粒子群算法的机器人路径规划终端设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上第一方面所提供的方法的步骤。本专利技术实施例的第四方面提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上第一方面所提供的方法的步骤。本专利技术实施例与现有技术相比存在的有益效果是：首先根据机器人活动场地的信息进行建模，生成模拟环境，将所述模拟环境作为算法的环境背景；根据粒子群算法产生M条备选路径；在所述M条备选路径上，由Dijkstra算法对所述M条备选路径做平滑处理，从M条备选路径的所有结点中搜索出一条从起始点到目标点的最优路径作为最终路径。本专利技术相较于粒子群算法，由于使用了Dijkstra算法，产生的最优解比粒子群算法产生的最优解更平滑，路径更短；相较于Dijkstra算法，本专利技术通过处理效率高的粒子群算法缩小路径计算范围，减少了Dijkstra算法进行后续处理的计算量，从而提升了计算效率。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述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专利技术的一些实施例，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是本专利技术实施例提供的基于粒子群算法的机器人路径规划方法的实现流程示意图；图2是本专利技术实施例提供的基于粒子群算法的机器人路径规划装置的结构框图；图3是本专利技术实施例提供的基于粒子群算法的机器人路径规划终端设备的示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。为了说明本专利技术所述的技术方案，下面通过具体实施例来进行说明。实施例一图1示出了本专利技术实施例一提供的基于粒子群算法的机器人路径规划方法的实现流程，详述如下：步骤S1，根据机器人活动场地的信息进行建模，生成模拟环境。在本专利技术实施例中，所述根据机器人活动场地的信息进行建模生成模拟环境，即环境建模过程包括：步骤S101，根据所述活动场地的信息建立直角坐标系，在所述直角坐标系中确定机器人活动的起点和终点。可选地，首先获取机器人活动场地的信息，其中所述机器人活动场地的信息包括活动场地中所有障碍物的位置和形状，机器人的尺寸信息，机器人在活动场地中运动的起点和终点。进一步地，在机器人活动场地中建立直角坐标系，在所述直角坐标系中，根据上述获取到的机器人活动的起点和终点，记录下所述机器人活动的起点和终点的坐标。步骤S102，对所述活动场地中的障碍物进行规则化处理，获得所述障碍物在所述直角坐标系中的顶点坐标。可选地，根据所述根据所述障碍物的形状和位置信息，使用能够完全覆盖所述障碍物的最小矩形进行初步建模，其中所述矩形与所述直角坐标系的坐标轴平行；将所述初步建模的矩形的四边分别向外延伸二分之一机器人的长度，获得延伸后得到的矩形的各个顶点坐标。可选地，为了方便路径规划，可对环境中的障碍物进行抽象描述：由于不存在障碍物的区域对机器人的行动不造成影响，所以将所述不存在障碍物的区域取为自由空间；相反对于存在障碍物的区域，因为直接阻碍了机器人的行动，所以将其取为障碍物空间。同时为了区分障碍物区域和机器人可通行区域，可以用无色表示指环境中的可行空间，黑色表示环境中的障碍物区域，此处不做限定。步骤S103，使用数组表示所述障碍物的各个顶点坐标。可选地，因为障碍物为矩形，所以可以用包含所有障碍物顶点坐标的数组表示所述障碍物。进一步地，采用直角坐标法表示环境信息，即环境中的每一个点都可以用二维平面坐标系中的坐标进行唯一表示。进行上述处理后，就完成了障碍物建模，即环境中所有障碍物由包含每个障碍物矩形的四个顶点坐标的数组表示。步骤S2，根据所述机器人活动的起点和终点随机生成N条不与所述障碍物相交的初始路径，采用基于粒子群算法的方法在所述模拟环境中，对N条初始路径进行优化，在优化产生的路径中选出M条全局最优路径，其中M，N均为大于1的正整数，M为预先设定的值。在本专利技术实施例中，所述采用基于粒子群算法的方法在所述模拟环境中对N条初始路径进行优化，在优化产生的路径中选出M条全局最优路径包括：步骤S201：初始化粒子群，其中所述粒子群中包含N个粒子，每个粒子均为与所述障碍物不相交的初始路径。可选地，初始化粒子群，将初始粒子群表示为N个粒子，即N条随机生成的与障碍物不相交的初始路径，用Xi代表第i个粒子，即第i条路径，可用数学表示成如公式(1)所示：X＝{X1,X2,…XN}(1)可选地，粒子本文档来自技高网...

【技术保护点】
1.一种基于粒子群算法的机器人路径规划方法，其特征在于，包括：S1：根据机器人活动场地的信息进行建模，生成模拟环境，具体包括：S101：根据所述活动场地的信息建立直角坐标系，在所述直角坐标系中确定机器人活动的起点和终点；S102：对所述活动场地中的障碍物进行规则化处理，获得所述障碍物在所述直角坐标系中的顶点坐标；S103：使用数组表示所述障碍物的各个顶点坐标；S2：根据所述机器人活动的起点和终点随机生成N条不与所述障碍物相交的初始路径，采用基于粒子群算法的方法在所述模拟环境中，对N条初始路径进行优化，在优化产生的路径中选出M条全局最优路径，其中M，N均为大于1的正整数，M为预先设定的值；S3：采用基于Dijkstra算法的方法从所述M条全局最优路径中选出最终路径。

【技术特征摘要】
1.一种基于粒子群算法的机器人路径规划方法，其特征在于，包括：S1：根据机器人活动场地的信息进行建模，生成模拟环境，具体包括：S101：根据所述活动场地的信息建立直角坐标系，在所述直角坐标系中确定机器人活动的起点和终点；S102：对所述活动场地中的障碍物进行规则化处理，获得所述障碍物在所述直角坐标系中的顶点坐标；S103：使用数组表示所述障碍物的各个顶点坐标；S2：根据所述机器人活动的起点和终点随机生成N条不与所述障碍物相交的初始路径，采用基于粒子群算法的方法在所述模拟环境中，对N条初始路径进行优化，在优化产生的路径中选出M条全局最优路径，其中M，N均为大于1的正整数，M为预先设定的值；S3：采用基于Dijkstra算法的方法从所述M条全局最优路径中选出最终路径。2.如权利要求1所述的基于粒子群算法的机器人路径规划方法，其特征在于，所述步骤S2采用基于粒子群算法的方法在所述模拟环境中，对N条初始路径进行优化，在优化产生的路径中选出M条全局最优路径包括：S201：初始化粒子群，其中所述粒子群中包含N个粒子，每个粒子均为与所述障碍物不相交的初始路径；S202：根据预设更新规则从每个粒子的起点开始进行路径节点更新，从而生成若干条优化路径；S203：对每个粒子自身产生的所有优化路径进行适应度函数计算，从所有粒子的所有优化路径中选出M个适应度值最小的路径作为全局最优路径。3.如权利要求1所述的基于粒子群算法的机器人路径规划方法，其特征在于，所述步骤S3采用基于Dijkstra算法的方法从所述M条全局最优路径中选出最终路径包括：步骤301：将所述M条全局最优路径表示成集合P：其中，S表示路径的起始位置，T表示目标位置，S和T均为定值；nmi表示第m个粒子中的第i个路径节点；步骤302：对集合P中的任意两结点(ni,nj)用直线连成线段，判断所述线段是否与所述障碍物相交，若不相交，则计算结点ni和结点nj之间的欧氏距离dij并作为ninj弧的权值；若相交，则ninj弧的权值为∞；步骤S303：更新完M条路径的加权图后，将所述加权图保存在一个邻接矩阵A中；步骤S304：根据最优粒子Dijkstra算法从所述邻接矩阵A中选出最小加权值对应的路径为最终路径。4.如权利要求2所述的基于粒子群算法的机器人路径规划方法，其特征在于，所述步骤S202根据预设更新规则从每个粒子的起点开始进行路径节点更新，从而生成若干条优化路径包括：步骤A：根据当前第d个路径节点的位置更新速度Vd对相应的粒子进行路径节点更新，判断所述更新后的第d+1个路径节点与所述第d个路径节点连成的直线段是否与所述障碍物相交；所述d为小于或等于D的正整数，所述D为大于2的正整数，其中，每个粒子由D个路径节点构成，所述位置更新速度Vd为由D个路径节点构成的粒子的第d个路径节点的位置更新速度；步骤B：若是，则采...

【专利技术属性】
技术研发人员：黄建军，刘紫丹，黄敬雄，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东,44