毕业设计--自主机器人路径规划算法研究与实现.docx

本科生毕业论文(设计)外文翻译题目自主机器人路径规划算法研究与实现移动导航机器人的动态路径规划算法摘要：移动机器人的导航是一种涉及在静态，动态，已知和未知的环境中移动的先进技术。在这项研究中，遗传算法（GA）用于协助移动机器人移动，识别环境中的障碍物，学习环境，并在一个未知的或者无法识别的环境中达到预期目标。本研究着重于探索在环境中避障的算法。在移动机器人根据控制器决定的初始最佳无碰撞路径从起始位置运动到预期目标位置的过程中遇到动态的障碍物时，控制器能够重新规划新的最优的无碰撞路径。 在实际的把算法应用到Team AmigoBotTM机器人上面之前，他们使用MATLAB仿真来验证他们的算法的有效性。从仿真和实际应用中取得的成果证实了在路径规划设计的控制器的实用性和鲁棒性。关键字：关键词遗传算法（GA），遗传控制器，以遗传算法（GA）为基础的动态路径规划算法（DPPA）;Team AmigoBotTM机器人和MATLABⅠ.介绍机器人的研究在过去50年的发展，一直以人类的需求为主，从工业机器人发展到领域和服务机器人[1]。在当前的机器人的研究中，旨在建立一个可在静态，动态和不确定的环境下，规划自己动作的自主的和智能的机器人。移动机器人已被广泛用于勘探和导航，引导可移动设备从起始位置运动到静态，动态或者未知的环境中的预期目标。环境以可能会阻碍机器人到达预定目标的可变地形和障碍为特点[2]。移动机器人通过传感器来获取有关他们的周围环境的信息[3]。这些基本的行为包含目标追逐，避障和跟随。很多的研究已经进行了适应人工智能技术，以提高在避开障碍物的准确性方面的移动机器人导航时最短路径前往和总消耗时间的性能。人工智能技术包括模糊逻辑（FL）[4-5,6-12]，人工神经网络（ANN）[13-18]，遗传算法（GA）[19-26]，或者他们几个的组合[27-40]。其中每种方法在某些方面都有其优于其他方法的优势。在过去十年中，遗传算法已广泛作为替代方法被应用，利用其强大的优化能力来以产生最佳路径。虽然现有的算法[19-21]搜索迅速并且搜索质量高，但是现有的算法存在以下六个方面的不足：第一，初始群体会包含许多不可行的路径，这会对遗传算法的性能产生负面影响。第二，没有足够的基于启发式知识的遗传算子。第三，每一代后，后代可能包含不可行路径。此外，Qing Li 等人[19-21]只是引导机器人从起始位置移动到预期的目标，并没有考虑到移动机器人被困在“U”或“V”形障碍环境的情况。当机器人陷入U“或”V“形障碍里时，机器人将被困住并且无法从被困的环境出来。第五，在指导移动机器人从起始位置移动到目标位置的行驶过程中，移动机器人可能会遇到一些运动的障碍物。现有的算法并没有考虑到这些情况。最后，没有证明该算法在实际的移动机器人上得以应用。为了在移动机器人被困在一个“U”或“V”形障碍环境中或遇到动态障碍物时产生一个可行的无碰撞路径，基于遗传算法（GA）的动态路径规划算法（DPPA）被提出。在本文中，14个使用MATLAB、遗传算法和直接搜索ToolboxTM2的基于DPPA的遗传算法子算法被开发用来解决上述问题[41]。此外，这种基于遗传算法开发的动态路径规划算法作为目标导向减少了不必要的搜索时间。仿真研究已经证明了该算法的有效性。通过该算法在实际的Team AmigoBotTM[42]上的应用进一步验证了该算法的有效性。基于遗传算法的动态路径规划在仿真和实时执行时研究和评估的能力包括（一）生成的可行路径，（二）避免急性障碍，（三）避免任何运动的障碍物，（四）找到一条从起始位置到目标位置的最短路径。Ⅱ.提出方法本文研究的目的是协助机器人找到一个最优的无碰撞路径，确保机器人在向预定位置运动的过程中不与环境中的障碍物相撞。在布满动态随机障碍物的环境中，移动机器人能够避开这些动态障碍物。所提出的基于遗传算法（GA）的动态路径规划算法（DPPA）的流程图如图1所示。开始初始化目标定向算法计算最短路径算法删除冗余点算法存储可行路径算法是否开发所有可能路径？是检索未开发路径算法是否从起点移动到终点？否是路径优化算法是否有任何额外障碍物是根据最优路径运动到终点结束图1、基于遗传算法的动态路径规划算法（DPPA）下列步骤将详细说明基于遗传算法的动态路径规划算法的实现：第一步：初始化基于遗传算法的动态路径规划算法以初始化参数作为开始。第二步：目标方向算法在基于遗传算法的动态路径规划算法中，移动机器人需要寻找目标所在的方位并向目标位置运动。机器人向目标位置旋转的角度由图2中的“西塔”来控制，“西塔”的定义如下： (1)其中x，y都是以机器人位置作为基准的目标的位置。机器人位置 X Y目标位置图2、移动机器人转动的角度图3、Team AmigoBotTM机器人的顶视图[42