一种动态环境下的智能路径规划方法技术

本发明专利技术涉及移动机器人路径规划领域，具体涉及一种动态环境下的智能路径规划方法。在本方法中，针对多AGV路径规划容易面临冲突、死锁和追尾等现象，引入一种双层路径规划方法，利用改进人工蜂群算法对AGV进行全局路径规划，在全局路径的基础上利用时间窗算法进行局部避障。在全局路径规划上针对于传统人工蜂群算法对AGV路径规划存在收敛速度慢，种群较优个体容易被忽略的缺点，引入精英

【技术实现步骤摘要】
一种动态环境下的智能路径规划方法


[0001]本专利技术涉及移动机器人路径规划领域，具体涉及一种动态环境下的智能路径规划方法。

技术介绍

[0002]AGV是一种配备有自动导向装置运输车辆，可沿规定的导向路径行进，具有安全保护和各种移栽功能。AGV自动运输系统在制造业中的应用可以实现物流信息化，智能化，降低人工成本，提高企业效率。在实际工作环境下，往往需要多数量的AGV共同工作，在多AGV自动运输系统中，路径规划技术直接影响整个系统的效率和安全性。
[0003]路径规划主要是让目标对象在规定范围内的区域内找到一条从起点到终点的无碰撞安全路径。在实际情况下，往往还要考虑多种指标，例如路径的总长度、搜索路径花费的时间、路径的平滑度等等，但是通常情况下这些指标会相互制约，单一的追求路径最短就会导致搜索时间变长，如何平衡各种指标的关系是十分必要的，传统的方法已经不满足现在的需求，所以对路径规划算法的研究和改进是十分必要的。
[0004]关于多AGV路径规划的算法，国内外学者已经提出了很多方法，如传统的A*算法，Djistra算法；粒子群算法、蚁群算法和人工蜂群算法等群智能算法。人工蜂群算法自从被提出用于解决多变量函数问题就广受欢迎，人工蜂群算法所需要的环境信息很少，通过优劣对比便能得出最优解，适合应用在仓库环境下的多AGV的路径规划，但人工蜂群算法也存在着收敛速度慢，种群迭代过程中部分优秀体被舍弃的缺点。

技术实现思路

[0005]鉴于以上所述，本专利技术的目的在于考虑路径长度、路径搜索时间和路径平滑度等问题对人工蜂群算法进行改进，用于求解出一条路径长度、搜索时间和平滑度都尽可能小的路径。同时采用双层路径规划方法，先做全局路径规划，再在全局路径规划的线路上做局部路径规划以保证避开动态障碍物。
[0006]该方法主要包括在传统人工蜂群算法的基础上结合精英反向学习策略，利用反向学习策略，对种群中的精英个体生成反向个体构成反向种群，增加种群的多样性，在人工蜂群算法陷入局部最优解时，侦察蜂在反向种群中随机选择新蜜源，保证种群的质量；在适应度函数中以欧氏距离作为评价标准；采用B
‑
样条算法处理路径的平滑度；在改进的人工蜂群算法获得的全局路径基础上，利用动态窗口法进行局部路径规划。最终使多AGV能够同时运行，避免冲突、追尾和死锁等现象。为达到上述目的，本专利技术提供如下技术方案。
[0007]一种动态环境下的智能路径规划方法，包括如下步骤：
[0008]步骤一：根据AGV工作环境、障碍区域位置信息建立栅格地图；
[0009]步骤二：通过对人工蜂群算法的适应度函数进行改进以及引入精英
‑
反向种群，提高人工蜂群算法的收敛速度和平滑度，以改进的人工蜂群算法对AGV进行全局路径规划，步骤二具体步骤如下：
[0010]2‑
1：初始化相关参数，包括种群大小SN，引领蜂和跟随蜂数量为SN/2，最大迭代次数MaxIter，蜜源循环次数Limit。
[0011]2‑
2：人工蜂群算法生成初始蜜源(路径规划的目标点)；
[0012]2‑2‑
1：蜂群按照下式以随机的方式初始化生成蜜源
[0013][0014]式中：i∈[i,SN]为蜜源编号，x
ij
为蜜源位置，j∈[1,D]为问题维度，D＝2，x
jmax
、x
jmin
为维度j的上下界限，rand(0,1)为0到1之间的随机数；
[0015]2‑
3：进行适应度计算采用精英选择策略，对适应度高于一定阈值的个体形成精英种群；
[0016][0017]式中：x
g
，y
g
为目标点位置横纵坐标值，x
i
，y
i
为蜜源横纵坐标值。
[0018]2‑
4：利用反向学习方法对精英种群生成反向种群，将精英种群和反向种群合并，构成精英
‑
反向种群；
[0019][0020]q＝p
j
+x
j
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0021]式中：x
jmax
、x
jmin
为维度j的上下界限，x
j
为精英个体的位置，p
j
为反向个体的位置，q为精英
‑
反向种群。
[0022]2‑
5：引领蜂对蜜源位置进行更新；
[0023][0024]式中：k≠i，为[
‑
1,1]之间的随机数。
[0025]2‑
6：计算蜜源适应度，适应度函数由路径总长度和转弯节点数构成；
[0026][0027]式中：path
lenth
为路径总长度，node
num
为路径转弯节点数，a+b＝1为权重因子。
[0028]2‑
7：跟随蜂根据一种概率方法——轮盘赌法选择蜜源；
[0029][0030]式中：pi为引领蜂被选概率；SN为引领蜂个数；fiti为第i只引领蜂所在位置的蜜源浓度；
[0031]2‑
8：当引领蜂在某一蜜源附近搜索次数达到设定次数limit，则放弃此处蜜源，同时引领蜂转化为侦查蜂在精英
‑
反向种群中随机选取蜜源位置，按照下式搜索产生新蜜源代替它，接下来返回引领蜂和跟随蜂搜索过程，重复循环直至找到最优解；
[0032][0033]式中：x
ij
为蜜源位置，j∈[1,D]为问题维度，D＝2，q
jmax
，q
jmin
代表反向种群的上下界限，rand(0,1)为0到1之间的随机数；
[0034]2‑
9：将每一代的最优解保存直到达到迭代次数，在栅格地图上画出最优路线，最
终的结果即是全局路径规划的结果；
[0035]步骤三：对AGV建立运动模型，在改进人工蜂群算法所得到的全局路径规划得到的路线上，采用动态窗口法对AGV进行局部路径规划，具体步骤如下所示。
[0036]3‑
1：对AGV进行运动模型的建立，考虑到AGV实际的运行方式，将AGV模型建立成全向移动的模型，其运动方式如图所示。由图所示，其在x，y轴方向的移动距离分别如下式所示。
[0037]Δx
x
＝v
x
Δt cos(θ
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0038]Δy
x
＝v
x
Δt sin(θ
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种动态环境下的智能路径规划方法，其特征在于：包括以下步骤：步骤一：根据AGV工作环境、障碍区域位置信息建立栅格地图；步骤二：通过对人工蜂群算法的适应度函数进行改进以及引入精英
‑
反向种群，提高人工蜂群算法的收敛速度和平滑度，以改进的人工蜂群算法对AGV进行全局路径规划。步骤三：对AGV建立运动模型，在改进人工蜂群算法所得到的全局路径规划得到的路线上，采用动态窗口法对AGV进行局部路径规划。2.根据权利要求1所述的基于改进人工蜂群算法的AGV路径规划方法，其特征在于：所述步骤二具体包括以下步骤：2
‑
1：蜂群按照下式以随机的方式进行初始化生成蜜源；式中：i∈[i,SN]为蜜源编号，x
ij
为蜜源位置，j∈[1,D]为问题维度，D＝2，x
jmax
、x
jmin
为维度j的上下界限，rand(0,1)为0到1之间的随机数；2
‑
2：进行适应度计算采用精英选择策略，对适应度高于一定阈值的个体形成精英种群；式中：x
g
，y
g
为目标点位置横纵坐标值，x
i
，y
i
为蜜源横纵坐标值。2
‑
3：利用反向学习方法对精英种群生成反向种群，并将精英种群和反向种群合并，构成精英
‑
反向种群；q＝p
j
+x
j
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)式中：x
jmax
、x
jmin
为维度j的上下界限，x
j
为精英个体的位置，p
j
为反向个体的位置，q为精英
‑
反向种群。2
‑
4：引领蜂对蜜源位置进行更新；式中：k≠i，为[
‑
1,1]之间的随机数。2
‑
5：计算蜜源适应度，适应度函数由路径总长度和转弯节点数构成；式中：path
lenth
为路径总长度，node
num
为路径转弯节点数，a+b＝1为权重因子。2
‑
6：跟随蜂根据一种概率方法——轮盘赌法选择蜜源；式中：p
i
为引领蜂被选概率；SN为引领蜂个数；fit
i
为第i只引领蜂所在位置的蜜源浓度；2
‑
7：当引领蜂在某一蜜源附近搜索次数达到设定次数limit，则放弃此处蜜源，同时引领蜂转化为侦查蜂在反向种群中随机选取蜜源位置，按照下式搜索产生新蜜源代替它，接
下来返回引领蜂和跟随蜂搜索过程，重复循环直至找到最优解；式中：x
ij
为蜜源位置，j∈[1,D]为问题维度，D＝2，q
...

【专利技术属性】
技术研发人员：李慧，孙哲，骆万博，姜志宇，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：