3移动机器人的路径规划方法.pdfVIP

3 移动机器人的路径规划方法 3.1 移动机器人路径规划方法概述 在移动机器人短短几十年的发展历史中，路径规划问题一直是众多学者所研究 的热门课题。实时避障和路径规划是反映智能移动机器人自主能力的关键问题之一， 怎样在各种环境中实现无碰撞路径的搜索其本身就是一种高度智能化的自主行为。 关于这方面的算法也是层出不穷，每年都有许多新的方法或者对传统方法的改进出 现。大家熟知的方法如：势场法、栅格法，也出现了各种变形被用到越来越复杂和 恶劣的环境中去。下面将综述一下国内外移动机器人避障和路径规划的方法。 3.1.1 基于地图已知的路径规划方法 对于环境信息完全知道的情况，到目前为止已经有许多解决方法。全局路径规 划包括环境建模和路径搜索策略两个子问题[22] 。其中环境建模的主要方法有：可视 图法(V-Graph)、自由空间法(Free Space Approach)和栅格法(Grids)等[23] 。可视图法视 机器人为一点，将机器人、目标点和多边形障碍物的各顶点进行组合连接，要求机 器人和障碍物各顶点之间、目标点和障碍物各顶点之间以及各障碍物顶点与顶点之 间的连线均不能穿越障碍物，即直线是可视的[24] 。搜索最优路径的问题就转化为从 起始点到目标点经过这些可视直线的最短距离问题。运用优化算法，可删除一些不 必要的连线以简化可视图，缩短搜索时间。该法能够求得最短路径，但假设机器人 的尺寸大小忽略不计，使得机器人通过障碍物顶点时离障碍物太近甚至接触并且搜 索时间长，对于 N 条连线的搜索时间为 O(N2) 。Voronoi Diagrams 法和 Tangent Graph 法对可视图法进行了改进[25] ；自由空间法应用于机器人路径规划，采用预先定义的 如广义锥形和凸多边形等基本形状构造自由空间，并将自由空间表示为连通图，通 过搜索连通图来进行路径规划[26] 。该法比较灵活，起始点和目标点的改变不会造成 连通图的重构，但算法的复杂程度与障碍物的多少成正比，且不是任何情况下都能 获得最短路径；栅格法将机器人工作环境分解成一系列具有二值信息的网格单元， 21 多采用四叉树表示工作环境，并通过优化算法完成路径搜索[27] 。该法以栅格为单位 记录环境信息，环境被量化成具有一定分辨率的栅格，栅格的大小直接影响着环境 信息存储量的大小和规划时间的长短：栅格划分大了，环境信息存储量小，规划时 间短，但分辨率下降，在密集环境下发现路径的能力减弱；栅格划分小了，环境分 辨率高，在密集环境下发现路径的能力强，但环境信息存储量大，规划时间长。可 以采用改进的栅格法弥补栅格法的不足，路径搜索策略主要有：A*算法、D*最优算 法等[28] [29] 。 3.1.2 基于地图未知的路径规划方法 局部路径规划的主要方法有：人工势场法、遗传算法和模糊逻辑算法等。人工 势场法是由 Khatib 提出的一种虚拟力法，其基本思想是将机器人在环境中的运动视 为一种虚拟的人工受力场中的运动[30] 。障碍物对机器人产生斥力，目标点产生引力， 引力和斥力的合力作为机器人的加速力，来控制机器人的运动方向和计算机器人的 位置。该法结构简单，便于低层的实时控制,在实时避障和平滑的轨迹控制方面，得 到了广泛的应用,但对存在局部最优解的问题，容易产生死锁现象(DeadLock)，因而 可能使机器人在到达目标点之前就停留在局部最优点[31] ；J.Holland 在60年代初提出 了遗传算法，以自然遗传机制和自然选择等生物进化理论为基础，构造了一类随机 化搜索算法，它利用选择、交叉和变异来培养控制机构的计算程序，在某种程度上 对生物进化过程进行数学方式的模拟[32] 。它不要求适应度函数是可导或连续的，而 只要求适应度函数为正,同时作为并行算法，它的隐并行性适用于全局搜索。多数优 化算法都是单点搜索算法，很容易陷入局部最优，而遗传算法却是一种多点搜索算 法，因而更有可能搜索到全局最优解。由于遗传算法的整体搜索策略和优化计算不 依赖于梯度信息，所以解决了一些其它优化算法无法解决的问题。但遗传算法运算 速度不快,进化众多的规划要占据较大的存储空间和运算时间；基于实时传感信息的 模糊逻辑算法参考人的驾驶经验，通过查表得到规划信息，实现局部路径规划。该 方法克服了势场法易产生的局部极小问题，适用于时变未知环境下的路径规划，实 时性较好。 22 3.2