动态环境下基于群智能算法的机器人路径规划

《动态环境下基于群智能算法的机器人路径规划》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第1章绪论优化算法。基本的人工鱼群算法从构造单条鱼的底层行为出发，通过模拟鱼群的觅食、聚群和追尾行为及个体间的局部寻优，寻找问题的全局最优解。该算法具备并行处理的能力，寻优速度较快，且全局寻优能力强，能够快速跳出局部极值点，能够有效提高机器人路径规划的收敛速度。然而人工鱼群算法是一种连续优化算法，多应用于求解线性方程、优化参数取值等问题，仅有很少文献用人工鱼群算法对机器人用Dijkstra算法得到的全局路径进行局部优化【35】，虽然优化了路径，但没有对Dijkstra算法进行改进，时间复杂度仍然随着环境的复杂程度而增加。

2、因此对人工鱼群算法进行改进应用到机器人路径规划中，并重新给出适合于路径规划的拥挤度、视野域等相关概念和人工鱼的行为策略，会对该领域的技术发展有一定的推进作用。在动态环境中，由于存在运动的障碍物，机器人易与这些动态障碍物发生碰撞，因而比静态环境的规划要困难的多，从而引起了学者们的广泛关注并成为近年来的研究热点，并取得了大量成果[46-57】。这些成果在安全躲避障碍物方面取得了不错的效果。但避碰算法往往受环境约束且时间复杂度大，有些算法甚至需要对路径进行二次规划。而动态环境下，机器人受传感器探测范围的限制，只能探测附近范围内

3、的障碍物，当探测到动态物时，它与机器人的距离已较近。为了能够安全躲避动态物，机器人需要具备快速分析动态物的速度、轨迹的能力，并能够及时预测与动态障碍物是否碰撞，从而制定避碰策略并实施之。显然，避碰算法必须具有实时性。同时由于机器人工作环境及动态物运动的不确定性，为了使机器人能够在各种环境下都能够安全的躲避动态物，避碰算法应具备较好的环境适应性。另外，国内外研究机器人路径规划的文献，大部分都是基于仿真实验的，在仿真时不用考虑机器人的运动控制等实际问题。在真实情况下，需要考虑机器人的体积、控制误差、动态障碍物的识别等等问题。

4、并且动态环境下还要考虑实时性问题，否则机器人很容易与动态障碍相撞。很多理论算法在仿真的情况下有着很好的效果，但与真实机器人相结合时会存在一些问题。根据上述研究现状、研究目标和发展趋势，本文分别提出了基于蛙跳算法和人工鱼群算法的新型机器人路径规划算法，以进一步提高算法的收敛速度和环境适应力。同时，详细分析了动态环境下机器人与动态物碰撞的情况，提出了基于避碰规则库的动态避障算法。最后，将提出的算法应用到真实机器入上，将理论推向实用。2第1章绪论1．2国内外研究现状1．2．1静态环境下的机器人路径规划静态环境下的机器人路径规划

5、主要围绕改进算法的环境适应能力和收敛速度这两个指标或之一展开。经典的路径规划算法主要有人工势场法【¨、可视图法【21、A木算法[31等等，这些算法虽然促进了这一领域的技术进步，但均存在一些不足。例如，人工势场法虽然算法简单，便于底层实时控制，但当斥力和引力相等时，算法容易陷入局部最优，发生停滞现象，且当目标附近分布的障碍物较多时，斥力远远大于引力，机器人将远离目标，造成目标不可达现象；可视图法以障碍顶点构建可视图，构图复杂，仅适于障碍简单的环境；而A木法存在容易陷入局部最优的问题。为了解决这些问题，人们不断推出新的算法【

6、4‘141。群智能算法作为一种新兴的演化计算技术由于其具有灵活性、稳健性、自我组织性等特点已经成为研究的焦点。例如，很多学者提出了基于遗传算法【4】和蚁群算法(AntColonyOptimization，ACO)[5．1l】的智能路径规划算法。遗传算法是一种多点搜索算法，易于搜索到全局最优解，但该算法的染色体是由若干包括障碍在内的节点组成，通过交叉、变异等操作有可能产生很多含有障碍的无效路径，从而影响了算法的效率，实时性较差，不太适合复杂障碍环境。基本的蚁群算法存在搜索时间长，易于停滞等缺点已成共识。因此，许多文献针对蚁

7、群算法存在的问题从不同的角度进行了改进。例如，文献[5]提出了一种用两组蚂蚁双向并行搜索的策略，以提高搜索效率。然而在判断两组蚂蚁相遇时采用的距离判别法有可能丢失部分可行路径。为了改进这一缺点，文献[6]提出了一种根据信息素判断蚂蚁相遇的方法，综合考虑全局信息、局部信息和节点活跃程度更新信息素。但环境简单，且信息素的更新比较耗时；为了提高搜索效率，并使得到的路径更加平滑，陈雄等把ACA(AntColonyAlgorithm，ACA)算法与遗传算法相结合，并对路径用简化与平滑操作进行优化【71，但在复杂环境下，交叉及平滑优

8、化算子可能会失效。文献[8】则在蚁群算法中引入自适应迁移概率并采用贪婪信息素更新策略来提高算法的收敛速度。在算法中加入混沌扰动因子，用一种所谓的差分演化算法进行蚂蚁信息素更新，并对路径从长度、平滑程度及危险程度等进行综合评价则是提高算法搜索效率和解质量的另一种策略【9】，但算法的时间复杂度会随着环境复杂程度增加而增加