基于改进A星算法的仿生机器鱼全局路径规划.docVIP

基于改进A*算法的仿生机器鱼全局路径规划 摘要：针对传统A*算法搜索速度慢和规划路径不够优化的缺点,引入可扩展节点，对A*算法流程进行改进，以减少时间和空间复杂度，提高搜索效率，并对规划路径进行优化处理，以有效的缩短路径。对存在凹形障碍物的地图，采用后退-尝试的方法解决路径规划的失败问题，使之绕过凹形障碍物取向目标点，达到输出最短路径的目标。 关键词：仿生机器鱼 ；路径规划 ；A*算法 ；可扩展节点 ；凹形障碍物 Improved A* Algorithm Based Global Path Planning for Bio-mimetic Robotic Fish Abstract: A* algorithm is improved to solve its low efficiency and non-optimal path. Introducing successor, the improved algorithm is simplified in its time and space complexity, and the planned path is optimized to make it shorter than before. Considering the concavity obstacles, the planning path may get stuck in concavity traps. A back-try method is given to solve the problem, is make the planning path round the trap instead of getting into it. Key words：bio-mimetic robotic fish；path planning；A * algorithm ； ; concavity obstacle 仿生机器鱼是模仿鱼类的游动机理，并结合机械、电子等方面学科，实现能够进行水下推进的机器人。它具有机动性能好、噪声低、效率高、鲁棒性强等诸多优点。并在海洋勘探、水下考古、海洋生物观察、管道检测和娱乐等方面具有广泛应用。 路径规划是仿生机器鱼应用领域一项重要研究内容，它是指在有障碍物的有限空间内，依据任务的实际需要，搜索出从起点到目标点的一条行走路径，让机器人在行走过程中安全、无碰撞的绕过所有障碍物到达目标点[1]。全局路径规划是基于环境信息全部已知情况下，依据某个或几个优化准则(如路径最短、时间最少等)来寻找全局最优路径。有多种全局路径规划算法，如蚁群算法、遗传算法、波形算法、神经网络算法和A*算法[2]。但是，神经网络算法的不足之处是需要大量的训练数据，导致其收敛速度慢，搜索效率低，不可避免地存在局部极小和动态特性不够理想等；而遗传算法也有计算速度过慢，占用大量存储量空间、运算时间和搜索效率低等缺点。与前两种算法相比，A*算法具有以下两个优点：（1）可采纳性，即一种搜索算法能在有限的时间内终止，并能找到最优解，提高搜索效率；（2）单调性，对A*算法的估值函数加以适当的限制性条件，就可以使它对所扩展的一系列节点估值函数单调递增或非递减，从而减少对OPEN列表和CLOSE列表的检查和调整，从而提高搜索效率。 其A*搜索效率相对较高而且易于实现，因此得到广泛的应用。 当环境障碍物较多时，特别是在存在凹形障碍物的情况下，由于A*算法需要搜索的节点数增加，大大增加路径规划的时间代价并使路径变的更为曲折[3]。本文在环境信息全部已知的情况下对仿生机器鱼进行全局路径规划，针对传统A*算法搜索速度慢和规划路径不平滑等不足，先提出可扩展节点概念，再对传统的A*算法的流程进行改进，提高搜索效率，优化行走路径，并解决凹形障碍物中路径规划失败的问题。 1 A*算法的改进 1.1 A*算法的思想和算法流程 A*算法是在广度搜索基础之上引入估值函数，每走一步都用这个估值函数对所有节点进行评估，通过比较从中找出最优节点，并将其命名为父节点，再从这个父节点搜索下一个节点直至到达目标点[4]。估值函数描述如下：f（n）=g(n)+h(n),要求启发函数h(n)≤h*（n）。f（n）是从起点经过当前节点n到达目标点的全程路径代价预测值；g(n)是从起点到达当前节点n的路径代价的实际值；h(n)是从当前节点n到达目标路径代价的估计值；h*（n）是从当前节点n到达目标点的路径代价的实际值。f值最小的节点视为最优节点。 传统的A*算法流程[5]如下： step1 初始化，生成一个OPEN 列表、一个CLOSED列表。 step2 把起点加入OPEN列表，OPEN列表中仅包含起始节点，记f=h。 step3 如果OPEN列表为空，则失败退出