一种基于新型蚁群优化算法的自主路径规划及避障系统技术方案

本发明专利技术公开了一种基于新型蚁群优化算法的自主路径规划及避障系统，其特征在于：包括有全局路径规划器和局部路径规划器；所述的全局路径规划器采用基于模糊逻辑的改进型蚁群优化算法实现多目标路径规划，找到质量最高的路径，并采用基于模糊逻辑的概率方法去更新所述改进型蚁群优化算法的信息素；所述的局部路径规划器结合BUG避障算法与YOLOv5神经网络，通过对比分析确定执行障碍物检测和识别的最有效的神经网络，并进行障碍物的检测，根据障碍物的距离和角度提出最佳避让路径。碍物的距离和角度提出最佳避让路径。碍物的距离和角度提出最佳避让路径。

【技术实现步骤摘要】
一种基于新型蚁群优化算法的自主路径规划及避障系统


[0001]本专利技术涉及机器人路径规划与避障
，尤其涉及一种基于新型蚁群优化算法的自主路径规划及避障系统。

技术介绍

[0002]目前的机器人路径规划算法大多都涉及在室内应用的基于图形的算法。这些算法使用图形来表示环境，包括Dijkstra算法、A*算法、概率路线图(PRM)、快速探索随机树算法(RRT)和正交跳跃点搜索算法(OJPS)。上述绝大多数方法仅限于室内已知环境，使用基于图形的算法，这可能会降低计算性能，尤其是在大图形的复杂环境中。同时，在未知的室内环境中，大多数方法都采用同步定位和导航(SLAM)，这会产生过多的计算量，特别是在处理需要各种传感器来准确映射该区域的大型地图时。使用SLAM算法，可能会在地面扫描机制、传感器分辨率、范围限制和产生的点云密度方面存在限制。所以SLAM算法在处理未知、部分已知或动态环境的基本形式方面能力较差。
[0003]蚁群优化(ACO)算法模仿蚂蚁追踪食物来源并绘制从巢穴到食物来源的路径的过程。为了实现这一目标，他们散发出一种叫做信息素的化学物质，作为痕迹。这条小径引导其他蚂蚁寻找食物。随着时间的流逝，踪迹被蒸发，然而，较短的路径对应于较短的信息素挥发时间，而较长的路径对应于较长的时间。因此，由于信息素蒸发较慢和信息素数量较多，较短的路径变得更多。因此，蚂蚁会选择较短的路径。ACO算法通过采用这种方式，找到最短路径。ACO的缺点如下：首先，ACO是一种启发式的仿生优化方法。随机初始化，导致在巨大搜索空间中蚂蚁不可避免地产生大量的局部交叉路径，圆形路径和锯齿路径，许多蚂蚁可能会因此失去方向而无法找到完整路径的风险，可能导致局部陷阱和无法找到全局最优解。
[0004]在机器人避障研究中，采用视觉传感器捕获前向图像，然后应用适当的图像处理算法和高级深度学习分析来检测障碍物或找到路径。比如单次多盒检测器(SSD)算法，通过使用深度可分离卷积和分层结构融合来增强特征，用于行人检测；骨干网络架构CBNET，用于通过组装多个相同的骨干来形成更强大的骨干来检测和避障；以及MobileNetV2，用于特征提取，而最终层经过微调以检测典型的道路障碍物，例如汽车和行人等。虽然这些系统能够以高帧率检测物体和障碍物，但它们通常依靠语音命令来通知用户障碍物的存在和类型以及它相对于输入传感器的位置。这可能会令人困惑，因为用户可能必须执行多个方向更改，直到障碍物从他们的视野中消失。

技术实现思路

[0005]本专利技术目的就是为了弥补已有技术的缺陷，提供一种基于新型蚁群优化算法的自主路径规划及避障系统。
[0006]本专利技术是通过以下技术方案实现的：
[0007]一种基于新型蚁群优化算法的自主路径规划及避障系统，包括有全局路径规划器
和局部路径规划器；
[0008]所述的全局路径规划器采用基于模糊逻辑的改进型蚁群优化算法实现多目标路径规划，找到质量最高的路径，并采用基于模糊逻辑的概率方法去更新所述改进型蚁群优化算法的信息素；
[0009]所述的局部路径规划器结合BUG避障算法与YOLOv5神经网络，通过对比分析确定执行障碍物检测和识别的最有效的神经网络，并进行障碍物的检测，根据障碍物的距离和角度提出最佳避让路径。
[0010]所述的改进型蚁群优化算法具体内容如下：
[0011]在时刻t,蚂蚁k遍历边(i,j)时的概率的计算公式为：
[0012][0013]其中τ
ij
(t)是在t时刻轨迹(i,j)边缘点上的信息素，j∈allowed
k
表示在节点j的蚂蚁k允许从节点移动到i，参数α≥0和β≥1分别控制影响τ
ij
(t)和θ
ij
，α表示蚂蚁在选择路径时对连接节点之间的信息素浓度的偏好，β代表蚂蚁对当前节点之间距离的偏好，较高的α代表蚂蚁在选择路径时对连接节点之间的信息素浓度的偏好更强，较高的β表示蚂蚁对当前节点之间距离的偏好更强；当α＞＞β时，则可能会发生搜索停滞，使得结果达到局部最优解；θ
ij
＝1/d
ij
，d
ij
是两点之间的欧氏距离(i,j)。
[0014]所述的采用基于模糊逻辑的概率方法去更新所述改进型蚁群优化算法的信息素，具体内容如下：
[0015]模糊逻辑(FL)控制基于模糊逻辑控制系统(FLC)，通过使用模糊化、规则评估和去模糊化过程来实现。我们采用基于模糊逻辑的概率方法去更新蚁群优化(ACO)算法的信息素。同时为了评估蚂蚁在每次迭代中选择的路径，应使用模糊逻辑并施加模糊规则。
[0016]因此在信息素更新之前，将来自全局路径规划的输入(障碍物、距离、转向角等)通过模糊化过程创建一组模糊术语和模糊语言概念。然后进行模糊规则评估，因为将输入模糊化了之后，需要通过规则和模糊逻辑的运算来重新组合。之后，使用成员函数创建模糊规则的集合，并建立最终推理。通过模糊规则评估后的输出在模糊逻辑中定义为Fire Strength(FS)。但是这些FS并不能解决实际问题。我们期望的是：给出任意的输入值能输出一个确定的数值，这时我们就要用去模糊化来得到这个输出值了。我们使用加权平均判决法来去模糊化：
[0017][0018]其中OW(OutputWight)是权重，权重通常是取每个集合的中间值。
[0019]经过模糊求值后，将进行信息素更新。每次迭代时，蚁群都会走一条路径，每次完成迭代后，都会比较蚂蚁选择的路径并选择最短的路径，然后，将其与之前的最短路径进行比较，以确定当前的最短路径，根据当前路径，信息素更新如下：
[0020][0021][0022]0≤ρ≤1表示信息素的蒸发系数，K是蚂蚁种群的集合，是蚂蚁k在这次搜索中沉积的剩余信息素的量，L
k
是蚂蚁k路径的成本，Q是与剩余信息素量相关的常数。
[0023]所述的结合BUG避障算法与YOLOv5神经网络，通过对比分析确定执行障碍物检测和识别的最有效的神经网络，并进行障碍物的检测，根据障碍物的距离和角度提出最佳避让路径，具体内容如下：
[0024]机器人的避障行为是基于描述机器人、目标和障碍物之间相对距离和方向的场景设计的；
[0025](1)动态检测、识别和定位障碍物
[0026]1)使用RGB
‑
D传感器，提供高分辨率RGB图像以及周围环境的深度图，RGB
‑
D传感器使用USB3.0接口连接到通用的Android移动设备，并充当局部路径规划子系统的处理单元，RGB图像用作物体检测网络的输入，该网络以实时帧速率进行障碍物检测和识别；
[0027]2)使用YOLOv5深度学习网络实现目标检测任务，实时检测全局路径中的障碍物并进行分类；
[0028](2)在静态障碍物周围的导航
[0029]使用从第一个部分检测到的障碍物，并在需要时避让，为了在障碍物周围导航，考虑了以下标准本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于新型蚁群优化算法的自主路径规划及避障系统，其特征在于：包括有全局路径规划器和局部路径规划器；所述的全局路径规划器采用基于模糊逻辑的改进型蚁群优化算法实现多目标路径规划，找到质量最高的路径，并采用基于模糊逻辑的概率方法去更新所述改进型蚁群优化算法的信息素；所述的局部路径规划器结合BUG避障算法与YOLOv5神经网络，通过对比分析确定执行障碍物检测和识别的最有效的神经网络，并进行障碍物的检测，根据障碍物的距离和角度提出最佳避让路径。2.根据权利要求1所述的一种基于新型蚁群优化算法的自主路径规划及避障系统，其特征在于：所述的改进型蚁群优化算法具体内容如下：在时刻t,蚂蚁k遍历(i,j)时的概率的计算公式为：其中τ
ij
(t)是在t时刻轨迹(i,j)边缘点上的信息素，j∈allowed
k
表示在节点j的蚂蚁k允许从节点移动到i，参数α≥0和β≥1分别控制影响τ
ij
(t)和θ
ij
，α表示蚂蚁在选择路径时对连接节点之间的信息素浓度的偏好，β代表蚂蚁对当前节点之间距离的偏好，较高的α代表蚂蚁在选择路径时对连接节点之间的信息素浓度的偏好更强，较高的β表示蚂蚁对当前节点之间距离的偏好更强；当α＞＞β时，则可能会发生搜索停滞，使得结果达到局部最优解；θ
ij
＝1/d
ij
，d
ij
是两点之间的欧氏距离(i,j)。3.根据权利要求2所述的一种基于新型蚁群优化算法的自主路径规划及避障系统，其特征在于：所述的采用基于模糊逻辑的概率方法去更新所述改进型蚁群优化算法的信息素，具体内容如下：模糊逻辑控制基于模糊逻辑控制系统，通过使用模糊化、规则评估和去模糊化过程来实现；采用基于模糊逻辑的概率方法去更新新型蚁群优化算法的信息素，同时为了评估蚂蚁在每次迭代中选择的路径，使用模糊逻辑并施加模糊规则；在信息素更新之前，将来自全局路径规划的输入通过模糊化过程创建一组模糊术语和模糊语言概念，然后进行模糊规则评估，因为将输入模糊化了之后，需要通过规则和模糊逻辑的运算来重新组合，之后，使用成员函数创建模糊规则的集合，并建立最终推理，通过模糊规则评估后的输出在模糊逻辑中定义为Fire Strength；采用去模糊化得到输出值，使用加权平均判决法来去模糊化：其中OW是权重，权重取每个集合的中间值；经过模糊求值后，将进行信息素更新；每次迭代时，蚁群都会走一条路径，每次完成迭代后，都会比较蚂蚁选择的路径并选择最短的路径，然后，将其与之前的最短路径进行比较，以确定当前的最短路径，根据当前路径，信息素更新如下：
0≤ρ≤1表示信息素的蒸发系数，K是蚂蚁种群的集合，是蚂蚁k在这次搜索中沉积的剩余信息素的量，L
k
是蚂蚁k路径的成本，Q是与剩余信息素量相关的常数。4.根据权利要求3所述的一种基于新型蚁群优化算...

【专利技术属性】
技术研发人员：金兢，张俊涛，朱培瑞，张文轩，张静雅，宋家齐，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：