导购机器人程序部分.docVIP

程序部分： 程序的目的是让机器人自主完成导购过程与跟随过程，以及最后的分类与装袋过程，现分不同的阶段逐一讨论： 一、导购阶段 导购阶段要求机器人自主寻找已经设定好的商品位置，主动前往并且绕过路上的障碍（可能是绕过障碍，或者直接换路行走）。分析可知，该阶段的重点是机器人自动生成最优路径，并且在最优路径检测到障碍物之后，重新生成最优路径，并沿着新生成的路径行走。 考虑到现行流行rpg游戏人物定位方法可以应用到路径自动生成中，我们预在游戏人物定位算法的基础上编辑机器人自定位算法。游戏中人物当前位置被记录，如果鼠标指向已经储存在电脑中的地图某处，计算机就会自动生成最优路径并且命令人物沿着生成路径行走。如果人物行走过程中遇到移动型障碍（我们称之为卡位）一直挡在路径前方，电脑就会随时更新生成最优路径，绕开障碍达到目的地。在最优路径设计过程中，依靠先验地图（可行路线与不可达位置）和后验勘测（发现障碍并生成新路径）的算法可以应用在机器人实践中。这种算法被专业人士称为A星算法。 A星算法简介：首先将地图分为不同的节点，储存节点与相邻节点的关系，将地图中不可达的地方设置为死节点。其次，从起始点开始检索相邻活节点，并计算相邻节点的G值与F值。 如上图所示，G值可以看做从绿色节点到周围节点的距离，H值是可以看做相邻节点到目的地红色节点的距离。在计算G值时，正向相邻记作10，斜向相邻记作14（1.414倍），之所以不用小数是考虑到计算机执行效率。而计算H值时采用简单的曼哈顿算法（移动像过街道一样只有横向与纵向位移），每经过一个格子加十，死节点也需计算进入。这样在上图的节点中生成了F=G+H值（左上角F，左下角G，右下角H），选取F值最小的节点，重复检索该节点的相邻节点（父节点不予考虑以免重复检索）。这样重复下去就可以生成一条相对较短的路径 如上图所示就是A星算法生成最短路径的过程。A星算法避免了深度优先和广度优先算法的遍历，也避免了狄杰斯特拉算法的繁琐，用较简单的方法找到了类优路径。 下面给出A星算法的伪代码实现： heap.add(firstnode) //将开始节点加入堆,同时也是加入openlistdo{ fleast=heap.pop(); //从openlist取fcost最小的元素 current=fleast; //取出的元素作为当前节点 fleast.flag=1 //1:on close 0:not on open nor on close for(int i=current.x-1;icurrent.x+1;i++) //考察当前节点的所有相邻节点 for(int j=current.y-1;jcurrent.y+1;j++) { if(map[i][j]!=unwalkable||!onclose(node(i,j))) //相邻节点可通并且没有考察过 { if(!onopen(node(i,j))) //相邻节点不在openlist中 { heap.add(node(i,j)); //加入openlist node(i,j).parent=current; //设置相邻节点的父节点为当前节点 node(i,j).calculate(f,g,h); //重新计算fcost,gcost,hcost  if(node(i,j)==dest) //如果加入的节点是目标点则找到路径 path=find; } else { temp.gcost=parent.gcost+addcost; //相邻节点已经在openlist中 node(i,j).hcost=10*(abs(i-parent.x)+abs(j-parent.y)); node(i,j).fcost=node(i,j).gcost+node(i,j).hcost; if(tempgcostnode(i,j).gcost) node(i,j).parent=current; node(i,j).recaculate(f,g,h); //重新计算fcost,gcost,hcost  } } }while(!hp.isempty()) //如果堆空则没有找到路径if(path==find)outpath; //输出路径el