【技术实现步骤摘要】
本申请涉及机器人技术控制领域，具体为一种基于改进切尔诺贝利灾难优化器的双驱动差速机器人路径规划方法。
技术介绍
1、双驱动差速机器人的路径规划是机器人实现自主移动的一个关键技术。其主要目标是指在对周围环境进行感知后，能够自行规划出一条从出发点至目标点的最优移动路径，这条最优路径可以满足移动路径最短，可以满足耗时最短，还可以满足能量消耗最少。
2、如何保证双驱动差速机器人安全、迅捷的通过一段存在障碍物的区域，采用高效的路径规划算法是其中的关键。根据目前的研究成果来看，双驱动差速机器人路径规划算法主要分为两大类方法：1)传统路径规划算法，如ai算法、dijkstra算法和禁忌搜索算法等；但是，使用传统路径规划算法时，会导致有多个最小值存在，无法保证规划出的结果是最优的；2)基于智能优化的路径规划算法，如蚁群优化算法、粒子群优化算法和遗传优化算法等；但是这类算法在进行路径规划时易陷入局部最优，无法规划出最优路径。
3、切尔诺贝利灾难优化器(chernobyl disaster optimizer,cdo)是一种模拟核反应堆堆芯爆炸的新型智能优化算法，该方法具有调节参数少、原理简单等特点，同样可以应用于路径规划问题。然而，本申请专利技术人研究发现，现有cdo于该领域应用存在以下不足：(1)在确定粒子位置时，核辐射出的不同粒子的位置是随机的，这就使得算法具有一定的盲目性和随机性；(2)cdo的位置更新是利用γ、β和α三种粒子与人的距离关系来更新位置，但是该种方法会使下一个目标位置不一定在其梯度下降因子的平均点上；(
技术实现思路
1、为解决上述问题，本申请提供一种基于改进切尔诺贝利灾难优化器(improvedchernobyl disaster optimizer,icdo)的双驱动差速机器人路径规划方法，该方法能够克服原始算法存在的几点不足，提高算法跳出局部最优的能力，最大程度的缩短搜索路径，提高双驱动差速机器人自主规划的能力。
2、根据本公开的一个方面，提供一种基于改进切尔诺贝利灾难优化器的双驱动差速机器人路径规划方法，包括以下步骤：
3、s1：构建双驱动差速机器人工作区域的二维栅格地图；
4、s2：根据双驱动差速机器人的栅格地图，建立双驱动差速机器人路径规划的目标函数；
5、s3：根据改进的切尔诺贝利灾难优化器，初始化γ、β和α三种粒子的位置，并根据目标函数，计算其适应度值；
6、s4：根据改进的切尔诺贝利灾难优化器更新的结果，记录最优个体参数。判断当前是否到达最大迭代次数，若是则输出最优个体参数，反之则继续更新迭代；
7、s5：根据步骤s1获取的环境地形和步骤s4中获得的最优个体参数来构建双驱动差速机器人的最短路径，确定最优路径规划结果。
8、在本公开的一些实施例中，在所述步骤s1中，构建双驱动差速机器人工作区域的二维栅格地图的具体步骤包括：
9、s11：通过双驱动差速机器人的工作环境，确定栅格地图大小以及模拟不规则障碍物随机分布的场景；
10、s12：基于步骤s11中的工作环境，在坐标系中先画出水平横线和垂直竖线，在此基础上选定特定区域为黑色方块作为障碍物，白色方块为可穿越区域，建立二维栅格地图。
11、在本公开的一些实施例中，在所述步骤s2中，目标函数的构建具体包括：
12、s21：确立双驱动差速机器人路径规划的度量是路径最短，并设定最短路径约束；假设栅格环境大小为xx×yy，每个栅格边长为1；在栅格区域中黑色为障碍物区域，白色为允许穿越区域；路径规划时以左上角为起始点，右下角为终点，第i个栅格位置坐标表示为(xi,yi)，则双驱动差速机器人路径规划的目标函数的具体表达式如式(1)所示；
13、
14、其中,m为路径节点个数，(yi+1-yi)表示栅格长度，实验中路径节点是依次向下一个节点移动，则栅格长度yi+1-yi＝1，最终由横坐标(x1,l,xm)确定路径。
15、在本公开的一些实施例中，在所述步骤s3中，初始化三种粒子的位置，并计算适应度值的具体步骤包括：
16、s31：初始化种群的大小n，最大迭代次数max_iter，寻优下边界lb和寻优上边界ub，随机初始化粒子位置；
17、s32：已知种群的个体为n，则每一个粒子的位置为x＝{xi,(i＝1,2,3,l,n)}，每一个粒子对应一个可行解，包含着一系列节点坐标，将起点和每个节点以及终点依次连接起来即为一条完整的路径；
18、s33：根据每一个粒子所包含解的位置，将其带入到式(1)中并对比所求适应度值的大小来判断是否保留或者剔除。
19、在本公开的一些实施例中，所述步骤s4具体包括：
20、s41:根据粒子个体确定出γ、β和α三种粒子群，随着迭代次数的增加更新三种粒子的梯度下降因子：
21、
22、其中,max_iter为最大迭代次数，t表示当前迭代次数，φ为模拟人在户外步行的速度；
23、s42:α粒子的梯度下降因子va更新公式如下：
24、va＝xa(t)+0.01·rl·[xa(t)-xt(t)] (3)
25、rl＝0.05·lf(y) (4)
26、
27、
28、式中,xα(t)为α粒子的当前位置，xt(t)为当前粒子的总位置，“rl”是基于lévy分布的随机数向量，lf(y)是lévy飞行函数，γ(·)为伽马函数。
29、s43:β粒子的梯度下降因子vβ更新公式如下：
30、vβ＝|δα-δβ|·e0.1·[(φ-1)·rand+1]·cos{2π·[(φ-1)·rand+1]}+pβxα(t) (7)
31、δα＝|a(r)·xα(t)-xt(t)| (8)
32、δβ＝|a(r)·xβ(t)-xt(t)| (9)
33、
34、a(r)＝xh＝π·rand2 (11)
35、sβ＝lg(269813·rand) (12)
36、式中，δα是α粒子当前位置和总位置之差，δβ是β粒子当前位置和总位置之差，xβ(t)为β粒子的当前位置，pβ是β粒子的传播，a(r)是粒子的传播面积，xh表示人类行走的面积，sβ是β粒子的速度；
37、s44：γ粒子的梯度下降因子vγ更新公式如下：
38、vγ＝δγ-xγ(t) (13)
39、δγ＝a(r)·xγ(t)+(1-pγ)·xα(t)+(1-pγ)·xβ(t) (14)...
【技术保护点】
1.一种基于改进切尔诺贝利灾难优化器的双驱动差速机器人路径规划方法,其特征在于,包括以下步骤：
2.根据权利要求1所述的双驱动差速机器人路径规划方法,其特征在于，所述步骤S1中,构建双驱动差速机器人工作区域的二维栅格地图的具体步骤包括：
3.根据权利要求1所述的双驱动差速机器人路径规划方法,其特征在于，所述步骤S2中,目标函数的构建具体包括：
4.根据权利要求1所述的双驱动差速机器人路径规划方法,其特征在于，所述步骤S3中,初始化三种粒子的位置，并计算适应度值的具体步骤包括：
5.根据权利要求1所述的双驱动差速机器人路径规划方法,其特征在于，在所述步骤S4中，切尔诺贝利灾难优化器包括：
6.根据权利要求1所述的双驱动差速机器人路径规划方法,其特征在于，在所述步骤S5中，把符合适应度值条件的最优粒子位置保留，并依次连接起始点、最优粒子个体中包含的位置节点、终止点，得到双驱动差速机器人的最短路径。
【技术特征摘要】
1.一种基于改进切尔诺贝利灾难优化器的双驱动差速机器人路径规划方法,其特征在于,包括以下步骤：
2.根据权利要求1所述的双驱动差速机器人路径规划方法,其特征在于，所述步骤s1中,构建双驱动差速机器人工作区域的二维栅格地图的具体步骤包括：
3.根据权利要求1所述的双驱动差速机器人路径规划方法,其特征在于，所述步骤s2中,目标函数的构建具体包括：
4.根据权利要求1所述的双驱动差速机器人路径规划方...
【专利技术属性】
技术研发人员：娄泰山，李书佳，齐仁龙，岳哲鹏，王飞，马明慧，赵良玉，焦玉召，童世豪，许智辉，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。