一种复杂环境下的机器人路径规划方法技术

本发明专利技术提供一种复杂环境下的机器人路径规划方法，选用栅格法进行对机器人的工作环境进行环境建模；使用粒子群算法进行全局路径规划；利用混沌函数对灰狼粒子群进行初始化，并在算法的迭代过程中使用混沌序列对陷入局部最优的粒子进行处理，同时结合粒子的适应度值构建自适应惯性权重；使用人工势场法对局部路径进行规划，构造斥力势场函数，并引入了相对距离因子；将全局路径规划和局部路径规划结合成混合路径规划，利用本发明专利技术灰狼粒子群进行全局路径规划，针对于机器人在运行过程中遇到的未知障碍物使用人工势场法进行局部路径规划，并最终到达预期的目标点。本发明专利技术能够有效的避开静态和动态的障碍物，并最终到达预期的目标点。点。点。

【技术实现步骤摘要】
一种复杂环境下的机器人路径规划方法


[0001]本专利技术涉及利用机器人对矿井巷道内进行除尘领域，尤其涉及一种复杂环境下的机器人路径规划方法。

技术介绍

[0002]铁矿石作为重要的冶金工业原材料，在钢铁生产中占比较大。在铁矿的开采过程中经常会因为开采仪器的震动使得矿井巷道内的粉尘浓度较高，粉尘不仅会对某些精密仪器会产生一定的影响，而且也严重影响着采矿工作人员的人身健康。
[0003]使用机器人对矿井内进行除尘操作，可以防止粉尘对开采设备造成破坏，提高矿石的开采效率，同时也保障了开采人员的人身健康。矿井内的环境较为复杂，巷道内的运行车辆以及行走的工作人员会给机器人的移动造成障碍。
[0004]目前机器人所使用的环境建模方式为栅格法、拓扑图法、自由空间法等。栅格法可以处理空间环境中任何障碍物的形状并且编码简单，容易编程实现；但如果栅格数较少的话，障碍物的信息就会变少，规划的速度也就会增快，但路径的有效性就会降低。栅格法时公认的最成熟的算法，其直观明了，常与其他算法结合使用，但在使用时会消耗过多的计算资源。
[0005]拓扑图法是一种降维的建模方法，将机器人的工作空间降维成子空间，生成的子空间通过各子空间节点之间的连线来建立拓扑图。由于拓扑法的降维操作，其占用内存小、规划简单，并且各个子空间存在着拓扑联系，故机器人在任何条件下都可以知道自己的位置，并且做出路径规划图；拓扑图法缺点是当机器人所获得的信息与当前环境的特征很相似时，容易确定为同一个节点，并且定位精度低。
[0006]自由空间法建模过程中不考虑机器人的物理尺寸并且将障碍物进行膨胀然后将工作空间中的障碍物的顶点进行连接，连接后的线段会与障碍物形成自由空间，然后精简去一些多余的线段使多边形尽可能的大。自由空间法是在起点和目的地改变时，不需要重新构建多边形，因此具有较高的灵活性。但工作空间中障碍物的数量会决定着算法的效率高低，障碍物越多，算法就会变复杂，且方法对环境的适应度较差。

技术实现思路

[0007]本专利技术提供的复杂环境下的机器人路径规划方法可以利用机器人对矿井巷道内进行除尘，可以在提高开采效率的同时保障开采人员的身心健康。方法包括：
[0008]步骤一，选用栅格法进行对机器人的工作环境进行环境建模；
[0009]步骤二，使用粒子群算法进行全局路径规划；
[0010]步骤三，利用混沌函数对灰狼粒子群进行初始化，并在算法的迭代过程中使用混沌序列对陷入局部最优的粒子进行处理，同时结合粒子的适应度值构建自适应惯性权重；
[0011]步骤四，使用人工势场法对局部路径进行规划，构造斥力势场函数，并引入了相对距离因子；
[0012]步骤五，将全局路径规划和局部路径规划结合成混合路径规划，利用本专利技术灰狼粒子群进行全局路径规划，针对于机器人在运行过程中遇到的未知障碍物使用人工势场法进行局部路径规划，并最终到达预期的目标点。
[0013]从以上技术方案可以看出，本专利技术具有以下优点：
[0014]使用机器人对矿井内进行除尘操作，可以防止粉尘对开采设备造成破坏，提高矿石的开采效率，同时也保障了开采人员的人身健康。矿井内的环境较为复杂，巷道内的运行车辆以及行走的工作人员会给机器人的移动造成障碍，本专利技术提高机器人在巷道内除尘的效率，还对移动机器人进行了路径规划。
[0015]本专利技术可以基于机器人在其工作环境中，根据自身位置与预期目标位置而规划出一条可行路径，并且机器人在沿着路径移动过程中不与任何障碍物发生碰撞的过程。
[0016]本专利技术涉及的灰狼粒子群能够更快的跳出局部最优，并且能够快速的搜索到全局最优路径。接着使用人工势场法对局部路径进行规划，针对于人工势场法中的不可达的问题，重新构造了斥力势场函数，并引入了相对距离因子；通过增设虚拟目标点的方法使其跳出局部最优。解决不可达和局部最优的问题。将全局路径规划和局部路径规划结合成混合路径规划，利用改进灰狼粒子群进行全局路径规划，针对机器人在运行过程中遇到的未知障碍物使用人工势场法进行局部路径规划。能够有效的避开静态和动态的障碍物，并最终到达预期的目标点。
附图说明
[0017]为了更清楚地说明本专利技术的技术方案，下面将对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的前提下，还可以根据这些附图获得其他的附图。
[0018]图1为复杂环境下的机器人路径规划方法流程图；
[0019]图2为序号法栅格地图模型图；
[0020]图3为不规则障碍物示意图；
[0021]图4为基本元素示意图；
[0022]图5为处理之后的栅格地图；
[0023]图6为实际环境模型示意图；
[0024]图7为原始雷达地图模型示意图；
[0025]图8为栅格化后的地图模型示意图；
[0026]图9为四连接方式示意图；
[0027]图10为八连接方式示意图；
[0028]图11为粒子运动模型示意图；
[0029]图12为粒子速度更新图；
[0030]图13为粒子位置重置方法示意图；
[0031]图14为灰狼社会等级示意图；
[0032]图15为基本粒子群Rosenbrock函数优化粒子轨迹图；
[0033]图16为灰狼粒子群Rosenbrock函数优化粒子轨迹图；
[0034]图17为本专利技术灰狼粒子群Rosenbrock函数优化粒子轨迹图；
[0035]图18为Rosenbrock函数优化迭代曲线比较图；
[0036]图19为基本粒子群Drop Wave函数优化粒子轨迹图；
[0037]图20为灰狼粒子群Drop Wave函数优化粒子轨迹图；
[0038]图21为本专利技术的灰狼粒子群Drop Wave函数优化粒子轨迹图；
[0039]图22为Drop Wave函数优化迭代曲线比较图；
[0040]图23为基本粒子群Peaks函数优化粒子轨迹图；
[0041]图24为灰狼粒子群Peaks函数优化粒子轨迹图；
[0042]图25为本专利技术的灰狼粒子群Peaks函数优化粒子轨迹图；
[0043]图26为Peaks函数优化迭代曲线比较图；
[0044]图27为简单环境下路径规划算法对比仿真图；
[0045]图28为简单地图环境下迭代曲线图；
[0046]图29为复杂环境下路径规划算法对比仿真图；
[0047]图30为复杂地图环境下迭代曲线图；
[0048]图31为目标不可达位置关系示意图；
[0049]图32为本专利技术的后斥力势场合力分析图；
[0050]图33为障碍物在目标点附近虚拟目标点的位置图；
[0051]图34为障碍物在中间时虚拟目标点位置图；
[0052]图35为目标点被L型障碍物包围虚拟目标点位置图；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂环境下的机器人路径规划方法，其特征在于，方法包括：步骤一，选用栅格法进行对机器人的工作环境进行环境建模；步骤二，使用粒子群算法进行全局路径规划；步骤三，利用混沌函数对灰狼粒子群进行初始化，并在算法的迭代过程中使用混沌序列对陷入局部最优的粒子进行处理，同时结合粒子的适应度值构建自适应惯性权重；步骤四，使用人工势场法对局部路径进行规划，构造斥力势场函数，并引入了相对距离因子；步骤五，将全局路径规划和局部路径规划结合成混合路径规划，利用本发明灰狼粒子群进行全局路径规划，针对于机器人在运行过程中遇到的未知障碍物使用人工势场法进行局部路径规划，并最终到达预期的目标点。2.根据权利要求1所述的机器人路径规划方法，其特征在于，步骤一中，(1)对地图上的障碍物形状进行分析并选定；(2)将障碍物所有顶点的坐标构成一个包含障碍物的矩形，得出边长的最大和最小值l
max
、l
min
；(3)求解每个矩形的i的面积：S
i
＝a
i
×
b
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2.1)式中的a
i
为矩形的长，b
i
为矩形的宽，i为第i个矩形；(4)求解m个矩形的面积S
m
：S
m
＝∑S
i
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2.2)式中S
m
为所有矩形面积的总和；(5)第i个栅格的长度为：栅格粒度长度：栅格总数：式中：L为地图的长；W为地图的宽；M的值为：100～900。3.根据权利要求1所述的机器人路径规划方法，其特征在于，对于环境中的不规则障碍物膨胀设置为矩形状规则障碍物，同时利用V
‑
rep仿真软件建立了真实环境下的地图模型，并在Matlab中对所得地图进行处理，最终得到栅格地图模型；膨胀的模型如式所示：
式中A表示将要进行处理的栅格，B表示基本元素，C表示膨胀处理之后栅格信息，(x,y)表示栅格的坐标；整个膨胀处理的过程用数学形态学解释D是通过结构元素B对A进行边缘膨胀所得，最终以D在栅格地图中进行表示。4.根据权利要求3所述的机器人路径规划方法，其特征在于，创建障碍物的3D模型，然后将障碍物模型导入V
‑
rep仿真软件中建立实际的空间环境模型；将搭建好的带有激光雷达的机器人模型置于空间内；使用Python编写机器人控制程序，控制程序在仿真软件运行之后通过V
‑
rep所提供的联调接口对环境空间内的小车进行移动控制，V
‑
rep通过所创建的Socket接口将雷达传感器所获取的数据传送给Matlab模块，Matlab模块通过对雷达的实时数据进行处理，进而转化为地图模型；运行V
‑
rep软件后，机器人所携带的激光雷达开始向机器人前方发射激光；最后运行机器人控制程序和Matlab地图绘制程序，通过键盘控制机器人在空间内进行移动，使雷达传感器能够扫描完整个空间；在机器人运动过程中，经雷达扫描过的空间信息通过Matlab实时处理后，得到的原始环境地图模型；对雷达数据生成的原始环境地图模型使用Matlab模块进行二值处理，转化为二值图像；再通过rgb2gray函数将二值图像转换为灰度图，最后转换为栅格图，得到栅格地图模型。5.根据权利要求1所述的机器人路径规划方法，其特征在于，方法涉及的粒子群算法步骤包括：(1)对种群规模、学习因子、迭代次数等相关参数进行初始化；(2)在搜索空间内对粒子的速度和位置进行初始化，粒子的个体最优位置为初始化粒子的位置向量，并利用公式对种群位置最优值进行更新；(3)根据下述方式对粒子的速度进行更新；粒子i在d维上k+1次迭代的计算公式如下面公式所示：粒子i在d维上k+1次迭代的计算公式如下面公式所示：其中，c1和c2表示学习因子，c1作用是用来控制个体朝着最优值飞行的步长，c2的作用是用来控制种群朝着最优值飞行的步长；表示在粒子在寻优过程中的历史最优值；表示所有粒子达到的最优值，即种群的最优值；rand()函数用来随机产生(0,1)之间的数，用来保持种群的多样，d(1≤d≤D)表示速度和位置的维数；粒子群优化算法的速度由三部分组成：表示粒子第k次迭代时的速度信息，表示粒子自身的信息；表示种群中粒子进
行协作和信息共享的部分；再按照公式对粒子进行约束，如果存在着超出搜索空间的粒子还必须对其进行相关的处理；(4)计算适应度值，并且根据下述方式更新粒子的个体和整体适应度值；在粒子群算法的迭代计算中，粒子个体位置最优值可以用以下的函数进行更新：种群最优值可以用以下的函数进行更新，其中f(
·
)为适应度函数值：(5)判断是否满足程序结束条件，如果满足，停止算法迭代并且给出最优解；若不满足，跳转到(3)继续运行。6.根据权利要求1所述的机器人路径规划方法，其特征在于，方法中：使用混沌函数对灰狼粒子群算法的步骤如下：1)应用Logistic函数的下述方式对种群粒子的位置和速度进行混沌初始化；Z
i+1
＝μZ
i
(1
‑
Z
i
)i＝0,1,2,...；μ∈(0,4](3.18)式中，0≤Z0≤1，Z
i
为第i个变量，μ代表控制变量，当μ＝4时，系统处于完全混沌的状态，其混沌空间的范围为[0,1]；2)评估出粒子的适应度值，并将前三个适应度值最优的粒子设置为α、β和δ；3)使用对粒子α、β和δ的位置进行更新，剩余粒子使用进行位置更新；粒子的速度用更新；4)使用下述群体适应度方差，判断算法是否陷入早熟，若是，对早熟的粒子进行混沌处理，然后再跳转到3)；上式中n为种群规模大小，f
i
代表第i个粒子的适应度值，f
avg
代表当前粒子群的平均适应度值；群体方差...

【专利技术属性】
技术研发人员：赵猛，程学珍，张俊明，李继明，郑才运，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：