一种基于粒子群算法移动机器人路径规划方法.docVIP

一种基于粒子群算法的移动机器人路径规划方法 　　摘 要：针对结构化环境中移动机器人路径规划问题，提出一种基于粒子群的路径规划算法。该算法利用适应度函数描述环境约束及路径的距离信息，适应度函数通过神经网络计算；由路径节点构成粒子，通过混合粒子群算法进行寻优。最后，通过计算机仿真验证了该算法是合理的，并且可应用于机器人的实时导航。 　　关键词：路径规划；粒子群；适应度函数；神经网络 　　中图分类号：TP24文献标志码：A 　　文章编号：1001―3695(2007)03―0181―03 　　 　　0 引言 　　移动机器人路径规划问题是机器人领域核心问题之一[1]，可定义为机器人在具有障碍物的工作空间中按照某种评价标准寻找一条安全无碰路径。根据机器人对工作空间环境信息的已知程度，路径规划问题可被分为全局路径规划与局部路径规划。将移动机器人技术与RFID（Radio Frequency Iden￣tification，无线射频识别是一种通过无线射频方式进行非接触式自动识别技术）技术相结合并应用于仓库管理，可取代目前仓库管理中普遍采用的人工货物盘点方式，是对移动机器人应用领域的开拓。本文设计实现的路径规划算法，其应用目标为中国科学院自动化所自主开发的基于RFID的仓库巡检机器人。该仓库巡检机器人的工作环境为货架位置固定的室内环境，其路径规划问题可抽象为结构化环境中的全局路径规划。?? 　　针对全局路径规划问题，国内外学者作了大量研究[2]，提出了许多算法，其中应用较多的有人工势场法、可视图法。人工势场法的思想是将机器人看成处于一个虚拟力场中的“点”，规划目标点对其具有吸引力而障碍物对其具有排斥力，两种作用力的合力决定机器人运动方向。该方法具有计算量小、实时性好的特点，但由于陷阱区的存在可能导致规划失败。可视图算法的思想是通过已知的障碍物几何特征将工作空间中的可行区域映射为一个加权图，然后利用图搜索策略进行搜索。由于图搜索算法的完备性，可视图法能够规划出最短路径，但同时也由于图搜索算法的复杂性问题，该方法潜在具有组合爆炸的危险。?? 　　粒子群算法是Kennedy博士和Eberhart博士于1995年提出的一种集群进化算法[3]。该算法通过模拟鸟群的飞行行为而获得多维寻优能力，同传统的集群优化算法如遗传算法相比，该算法具有实现简单、收敛速度快的特点。文献[4]采用Dijkstra算法从链接图中获得最短路径，然后应用粒子群算法对该路径进行二次优化，获得了长度更短的可行路径。该算法由于将粒子群算法应用于二次优化，并没有完全发挥粒子群算法的全局寻优能力；另外由于采用了图搜索算法，算法性能受链接图节点数目的影响也比较大。针对仓库巡检机器人，本文提出一种更为简单的基于粒子群算法的路径规划方法。其思想是：将路径规划问题抽象为对一个罚函数的优化问题，该罚函数通过神经网络结构构造，其中包含环境中障碍物的约束及路径的长度信息。将该罚函数作为粒子群算法中的适应度函数，而路径中除去起点与终点外的路径节点作为粒子，通过混合粒子群算法进行寻优。由于适应度函数中包含了环境约束信息及路径长度信息，最后规划结果为一条安全无碰且长度较短的路径。针对移动机器人路径规划问题特点，提出一种合理的粒子编码方法，通过该方法可在保证搜索空间维数较低的前提下使罚函数对路径提供足够安全的约束，最后通过仿真实验数据验证了算法的性能。 　　 　　1 数学模型描述?? 　　仓库巡检机器人工作空间为有限二维平面，仓库中的货物可视为位置已知的凸多边形（多为矩形）障碍物。将工作空间中障碍物按照机器人半径尺寸膨胀，可将机器人等效为一个“点”，这样可将路径规划问题等价为约束优化问题： 　　其中，M为路径中的节点数目，N为机器人工作空间中的障碍物数目。Cji按照文献[5]提出的三层神经网络结构计算。具体计算过程可参阅第4章给出的计算示例。通过式??（2）―??（4）将移动机器人路径规划问题转换为对式（2）的无约束优化问题。 　　 　　2 粒子群优化算法及其在路径规划中的实现?? 　　2.1 粒子群算法 　　2.2 粒子群算法在路径规划中的实现 　　 　　3 计算机仿真实验?? 　　3.1 评价函数的计算示例?? 　　简化问题而又不失一般性，本文算法仿真中障碍物约束如图2所示，规划起点位于坐标原点处，规划终点位于（10，10）处，通过障碍物的边界确定约束方程如式（10）、（11）所示： 　　则式（4）中的Cij由图2所示的神经网络结构计算，计算公式为式（12）―（15）： 　　3.2 仿真结果 　　算法中，惯性权重ω按照式（16）计算： 　　分析图4中的结果可知，该算法随着迭代次数的增加，整体上将会获得更优的规划结果，但如图中迭代最大次数为800时的规划结