一种基于自适应栅格和改进A*-DWA融合算法的路径规划方法技术

本发明专利技术涉及一种基于自适应栅格和改进A*

【技术实现步骤摘要】
一种基于自适应栅格和改进A*
‑
DWA融合算法的路径规划方法


[0001]本专利技术涉及一种基于自适应栅格和改进A*
‑
DWA融合算法的路径规划方法，属于机器人


技术介绍

[0002]移动机器人具备的自动执行任务的特性使得它被广泛的应用于工业生产、生活服务等众多领域当中。移动机器人的行进路径效率直接影响其工作效率，如何规划出一条安全、高效的路径成为了极具研究意义和应用价值的问题。良好的路径规划算法能够实现机器人在行进过程中对已知障碍物和未知障碍物实现避障，能够规划出一条路线较优、能安全到达目标点的路径。
[0003]根据对环境信息的掌握程度，路径规划可以分为全局路径规划和局部路径规划。应用于全局路径规划的算法有：Dijkstra算法、A*算法、RRT算法等。此类全局路径规划算法在已知环境下能够规划出一条从起点到终点的较优路径，但无法规避未知障碍物，容易在行进过程中发生碰撞，使得机器人无法顺利到达目标点。应用于局部路径规划的算法有：TEB算法、人工势场法、DWA算法等。此类局部路径规划算法能够在未知环境中实时避障保证机器人的安全行进，但在障碍物较多时容易出现机器人为了躲避障碍物陷入局部循环，无法到达目标点的情况。
[0004]显然，在复杂的环境下单一的全局路径规划算法或局部路径规划算法已经无法满足机器人的行进要求，为此有的学者提出了一种融合A*和DWA算法的路径规划算法。A*算法是是目前应用广泛的全局路径规划算法，具有路径较短、计算速度较快等优点。传统A*算法在实际应用中存在拐点多，路径不平滑等问题，影响机器人的运行。DWA(动态窗口法)是一类经典的局部路径规划算法，根据机器人的当前状态和运动模型推断机器人的轨迹并进行评价已确定机器人的行进路线。但是现有的融合A*和DWA算法的路径规划算法普遍存在着路径规划效率低、环境模型的构建过程复杂、不够合理等问题。

技术实现思路

[0005]针对现有技术的不足，本专利技术提供一种基于自适应栅格和改进A*
‑
DWA融合算法的路径规划方法，主要创新点如下：(1)引入了自适应栅格尺寸，提高了算法的执行效率；(2)改进了A*算法，优化了算法的评价函数与最终路径节点的选取，减少了算法的搜索节点与最终路径节点，提高了算法的运算速度以及路径的平滑度；(3)改进了DWA算法，将障碍物细分为未知障碍物与已知障碍物，将其引入算法的评价函数中，增强避障能力，使之能够与A*算法相融合。本专利技术的方法实现了机器人在未知环境中的路径规划，并在算法的执行效率和路径选择上面取得了较好的效果。本专利技术主要应用在环境地图主体部分已知而未知障碍物较少的情况下，如电子游戏角色的移动路径规划。
[0006]本专利技术采用如下技术方案：
[0007]一种基于自适应栅格和改进A*
‑
DWA融合算法的路径规划方法，包括如下步骤：
[0008](1)构建基于自适应栅格尺寸的环境模型，基于障碍物的大小和数量确定自适应栅格边长，并计算自适应栅格边长下的栅格尺寸及最优栅格边长；
[0009](2)根据环境模型中已知障碍物信息改进A*算法，完成全局路径规划，得到一条节点少、平滑度高的路径；
[0010](3)结合环境模型中的未知障碍物信息和改进的A*算法得到的全局路径规划节点，选择起点之后的节点依次作为改进的DWA算法中的临时目标点，改进的DWA算法从起点开始不断向临时目标点行进，到达临时目标点之后更新临时目标点，直到到达终点。
[0011]优选的，步骤(1)中，设地图最小栅格边长为s
min
，最大栅格边长为s
max
，地图边长为m，则最大栅格尺寸可表示为如下：
[0012][0013]已知障碍物的总面积可以表示如下：
[0014][0015]其中，Size
bar i
代表第i个障碍物的大小，n代表障碍物数量；
[0016]自适应栅格边长可表示如下：
[0017][0018]自适应栅格边长下的栅格尺寸则如下：
[0019][0020]最优栅格边长如下：
[0021][0022]优选的，改进A*算法包括路径整合和优化启发函数。
[0023]优选的，路径整合的具体过程包括：
[0024](2.1)从起点S开始判断当前方向与下一节点方向是否相同，若相同则删除下一节点，不相同则保留，遍历所有节点直至终点G；
[0025](2.2)从起点S开始判断当前节点与不相邻的节点能否直接连接为一条路径，由整合后的路径到障碍物的距离确定，若该距离大于设置的安全距离，则进行整合，小于设置的安全距离，则保持原路径；
[0026](2.3)将最后得到的路径输出。
[0027]优选的，优化启发函数的过程如下：
[0028]设机器人移动起点为(x
i
,y
i
)，终点为(x
j
,y
j
)，N为从起点到终点的矩形栅格内的障碍物数量，引入环境信息K，K表示在从起点到终点的矩形栅格内障碍物所占比率：
[0029][0030]将环境信息K引入评价函数F(n)，根据栅格中障碍物的多少来调整启发函数G(n)
的权重，改进后的评价函数可表示为：
[0031]F(n)＝G(n)+exp(
‑
K+1)*H(n)。
[0032]可以看出，当环境中障碍物少时，H(n)系数大，能够减小搜索范围，提高搜索速度；当环境中障碍物多时，H(n)系数小，增大搜索范围，保证路径全局最优。
[0033]优选的，步骤(3)中，改进后的DWA将已知障碍物和未知障碍物进行区分，共同引入评价函数，改进后的评价函数为：
[0034]G(v,ω)＝αHead(v,ω)+βVel(v,ω)+γDist_s(v,ω)+μDist_d(v,ω)
[0035]其中，Head(v,ω)为当前模拟轨迹的终点方向与目标方向角偏差，Vel(v,ω)为当前所模拟的速度值大小的评价函数，Dist_s(v,ω)为已知障碍物与当前模拟轨迹的距离，Dist_d(v,ω)为未知障碍物与当前模拟轨迹的距离，α、β、γ、μ为各个项的加权系数。
[0036]本专利技术未详尽之处，均可参见现有技术。
[0037]本专利技术的有益效果为：
[0038]本专利技术构建了基于自适应栅格地图的环境模型，提高算法的搜索效率与精准度；在改进A*算法中，优化评价函数，提高搜索效率；删除冗余节点，减少转折，提高路径平滑度。将优化后路径的关键点作为DWA算法的临时目标，实现局部规划，在全局最优的基础上实现随机避障，融合规划出一条全局最优的平滑路径。实验结果表用，融合算法既能实现全局最优的路径规划，又能顺利的躲避随机障碍物，完成复杂环境中的动态路径规划。
附图说明
[0039]构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应栅格和改进A*
‑
DWA融合算法的路径规划方法，其特征在于，包括如下步骤：(1)构建基于自适应栅格尺寸的环境模型，基于障碍物的大小和数量确定自适应栅格边长，并计算自适应栅格边长下的栅格尺寸及最优栅格边长；(2)根据环境模型中已知障碍物信息改进A*算法，完成全局路径规划，得到一条节点少、平滑度高的路径；(3)结合环境模型中的未知障碍物信息和改进的A*算法得到的全局路径规划节点，选择起点之后的节点依次作为改进的DWA算法中的临时目标点，改进的DWA算法从起点开始不断向临时目标点行进，到达临时目标点之后更新临时目标点，直到到达终点。2.根据权利要求1所述的基于自适应栅格和改进A*
‑
DWA融合算法的路径规划方法，其特征在于，步骤(1)中，设地图最小栅格边长为s
min
，最大栅格边长为s
max
，地图边长为m，则最大栅格尺寸表示为如下：已知障碍物的总面积表示如下：其中，Size
bar_i
代表第i个障碍物的大小，n代表障碍物数量；自适应栅格边长表示如下：自适应栅格边长下的栅格尺寸则如下：最优栅格边长如下：3.根据权利要求2所述的基于自适应栅格和改进A*
‑
DWA融合算法的路径规划方法，其特征在于，改进A*算法包括路径整合和优化启发函数。4.根据权利要求3所述的基于自适应栅格和改进A*
‑
DWA融合算法的路径规划方法，其特征在于，路径整合的具体过程包括：(2.1)从起点S开始判断当前方向与下一节点方向是否相同，若相同则删除下一节点，不相同则保留，遍...

【专利技术属性】
技术研发人员：李佳庆，张德敬，任晓军，
申请(专利权)人：山东大学，
类型：发明
国别省市：