一种基于蚁群算法的D*人工势场融合的路径规划方法技术

本发明专利技术公开了一种基于蚁群算法的D*人工势场融合的路径规划方法，包括：1、获取机器人自身定位信息以及周围的环境信息；2、利用栅格法构建环境栅格地图；3、根据采集到的信息，构建人工势场模型，计算各节点的势场差；4、利用D*得到初始路径，并综合改进蚁群算法参数，结合人工势场各节点的势场差，进行路径规划，将最短路径平滑处理后，最终得到最优路径。本发明专利技术构建栅格地图，通过基于蚁群算法的D*人工势场融合，完成机器人工作区域内的路径规划，从而使机器人在工作运行中能更准确，更有效率地通行，为机器人的导航提供保障。为机器人的导航提供保障。为机器人的导航提供保障。

【技术实现步骤摘要】
一种基于蚁群算法的D*人工势场融合的路径规划方法


[0001]本专利技术属于道路规划领域，具体的说是一种基于蚁群算法的D*人工势场融合的路径规划方法。

技术介绍

[0002]随着科技创新和高端制造业的飞速发展，智能制造和机器人产业发展越来越受到世界各国的高度关注，发展机器人产业成为了保持和重获制造业竞争优势的重要手段。其中路径规划在自动驾驶技术、机器人自动避障以及城市道路规划等中发挥着重要作用，即路径规划模块的性能水平与各主体运行路径选择和运行的流畅度呈正相关，并且路径规划的核心是指使用路径规划算法，基于环境模型生成主体的可行路径。目前，路径规划领域所面临的环境信息越来越复杂繁多，这就要求路径规划算法具有对复杂环境作出快速反应的能力和信息提取的能力，同时保证路径规划的准确性。
[0003]D_star算法不适用于高维空间，计算量大，存在搜索效率较低、规划路径不平滑、易陷于局部最优，难以搜寻到全局最优路径等问题；蚁群算法有搜索时间长、搜索速度慢、局部搜索能力弱、收敛速度慢、易陷入局部最优、初值依赖性较强等问题，使其应用场景受到一定限制；人工势场法缺点在于存在局部最小值问题，以及会出现目标不可达、被控对象停止的情况，因此不能确保能找到问题的解；
[0004]以上目前常用的路径规划算法普遍存在易陷入局部最优的问题，从而不能完整规划整条路径，并且对复杂场景的适应性较差，搜索时间长，这很容易造成机器人在工作区域的路径规划出现滞后现象，甚至可能出现错误规划，无法安全地正常工作。

技术实现思路

[0005]本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于蚁群算法的D*人工势场融合的路径规划方法，以期能完成机器人工作区域内的路径规划，从而使机器人在工作运行中能更准确，更有效率地通行，为机器人的导航提供保障。
[0006]本专利技术为达到上述专利技术目的，采用如下技术方案：
[0007]本专利技术一种基于蚁群算法的D*人工势场融合的路径规划方法的特点在于，包括如下步骤：
[0008]步骤1、在机器人进入矩形工作区域后，利用自身北斗导航模块获取工作区域的高精度地图，并以矩形工作区域的左上方顶点为原点O，以与所述原点O相邻的两条边分别为x轴和y轴，从而建立二维直角坐标系OXY；在所述直角坐标系OXY中，将所述矩形工作区域划分为维度为M
×
N、栅格边长为a的栅格地图其中，S
n
表
示所述栅格地图H
M
×
N
上坐标为(X
n
,Y
n
)的第n个栅格点的状态，若
Sn＝0
，表示第n个栅格点为候选点，若S
n
＝1，表示第n个栅格点为障碍点，M表示所述栅格地图H
M
×
N
的横向栅格数，N表示纵向栅格数；
[0009]利用式(1)计算第n个栅格点对应的直角坐标系坐标(X
n
,Y
n
)：
[0010][0011]式(1)中，mod表示取余函数，ceil表示取最小整数函数；
[0012]以机器人在栅格地图H
M
×
N
中所在当前栅格点为起点S
R
，将机器人的目的地所在栅格点记为终点S
G
，令第m个障碍点为S
P_m
；
[0013]步骤2、参数初始化：
[0014]步骤2.1：利用D_star算法对栅格地图内所有候选点进行选择，得到初始路径L0＝{L
01
,L
02
,...,L
0n
}及其长度D0，其中，L
01
表示初始路径中的第1个路径节点，L
0n
表示初始路径中的第n个路径节点，D0为所有相邻路径节点的欧氏距离之和；
[0015]步骤2.2、将所述矩形工作区域定义为一个人工势场，初始化所述人工势场的引力势场函数的增益系数m1、势场函数的增益系数m2、障碍物斥力的作用范围d0；
[0016]利用式(2)计算起点S
R
与终点S
G
的引力势场差U
att
(S
R
,S
G
)：
[0017][0018]式(2)中，d(S
R
,S
G
)为起点S
R
与终点S
G
之间的欧式距离；
[0019]利用式(4)计算起点S
R
与障碍点S
P_m
的斥力势场差U
rep
(S
R
,S
P_m
)：
[0020][0021]式(3)中，d(S
R
,S
P_m
)为起点S
R
与第m个障碍点S
P_m
之间的欧式距离；
[0022]利用式(4)得到机器人在起点S
R
的总体势场U
T
(S
R
)：
[0023]U
T
(S
R
)＝U
att
(S
R
,S
G
)+U
rep
(S
R
,S
P_m
)
ꢀꢀꢀ
(4)
[0024]步骤23、利用式(5)得到第N
c
次觅食过程中任意一个候选点S
I
及其相邻的候选点S
J
之间的信息素τ
IJ
(N
c
)：
[0025][0026]式(8)中，ω和ω
′
为固定系数，且0＜ω
′
＜ω；U
T
(S
J
)为候选点S
I
的总体势场，U
T
(S
J
)为相邻候选点S
J
的总体势场；
[0027]步骤2.4、定义并初始化当前迭代次数N
c
＝0；
[0028]定义蚁群搜索机制的蚂蚁数量为N
ant
、当前蚂蚁的序号为k、信息素浓度挥发系数为ρ、启发因子为η、最大觅食次数为N
gen
；
[0029]令L
k
表示第k只蚂蚁的路径，D
k
表示第k只蚂蚁的路径长度；
[0030]禁忌表包含每只蚂蚁已经经过的候选节点；
[0031]令第k只蚂蚁的当前节点为L
ki
是第k只蚂蚁的第i个路径节点；
[0032]步骤3、利用融合蚁群算法得到最优路径；
[0033]步骤3.1、将N
ant
只蚂蚁均放到起点S
R
；
[0034本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于蚁群算法的D*人工势场融合的路径规划方法，其特征在于，包括如下步骤：步骤1、在机器人进入矩形工作区域后，利用自身北斗导航模块获取工作区域的高精度地图，并以矩形工作区域的左上方顶点为原点O，以与所述原点O相邻的两条边分别为x轴和y轴，从而建立二维直角坐标系OXY；在所述直角坐标系OXY中，将所述矩形工作区域划分为维度为M
×
N、栅格边长为a的栅格地图其中，S
n
表示所述栅格地图H
M
×
N
上坐标为(X
n
,Y
n
)的第n个栅格点的状态，若S
n
＝0，表示第n个栅格点为候选点，若S
n
＝1，表示第n个栅格点为障碍点，M表示所述栅格地图H
M
×
N
的横向栅格数，N表示纵向栅格数；利用式(1)计算第n个栅格点对应的直角坐标系坐标(X
n
,Y
n
)：式(1)中，mod表示取余函数，ceil表示取最小整数函数；以机器人在栅格地图H
M
×
N
中所在当前栅格点为起点S
R
，将机器人的目的地所在栅格点记为终点S
G
，令第m个障碍点为S
P_m
；步骤2、参数初始化：步骤2.1：利用D_star算法对栅格地图内所有候选点进行选择，得到初始路径L0＝{L
01
,L
02
,...,L
0n
}及其长度D0，其中，L
01
表示初始路径中的第1个路径节点，L
0n
表示初始路径中的第n个路径节点，D0为所有相邻路径节点的欧氏距离之和；步骤2.2、将所述矩形工作区域定义为一个人工势场，初始化所述人工势场的引力势场函数的增益系数m1、势场函数的增益系数m2、障碍物斥力的作用范围d0；利用式(2)计算起点S
R
与终点S
G
的引力势场差U
att
(S
R
,S
G
)：式(2)中，d(S
R
,S
G
)为起点S
R
与终点S
G
之间的欧式距离；利用式(4)计算起点S
R
与障碍点S
P_m
的斥力势场差U
rep
(S
R
,S
P_m
)：式(3)中，d(S
R
,S
P_m
)为起点S
R
与第m个障碍点S
P_m
之间的欧式距离；利用式(4)得到机器人在起点S
R
的总体势场U
T
(S
R
)：U
T
(S
R
)＝U
att
(S
R
,S
G
)+U
rep
(S
R
,S
P_m
)
ꢀꢀ
(4)步骤23、利用式(5)得到第N
c
次觅食过程中任意一个候选点S
I
及其相邻的候选点S
J
之间的信息素τ
IJ
(N
c
)：
式(8)中，ω和ω
′
为固定系数，且0＜ω
′
＜ω；U
T
(S
J
)为候选点S
I
的总体势场，U
T
(S
J
)为相邻候选点S
J
的总体势场；步骤2.4、定义并初始化当前迭代次数N
c
＝0；定义蚁群搜索机制的蚂蚁数量为N
ant
、当前蚂蚁的序号为k、信息素浓度挥发系数为ρ、启发因子为η、最大觅食次数为N
gen
；令L
k<...

【专利技术属性】
技术研发人员：吴琪曼，陈昌林，夏日升，吴平安，苟艺辉，何应东，宋仁成，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：