基于势场蚁群算法温室机器人路径规划.docVIP

基于势场蚁群算法温室机器人路径规划 　　摘要：针对工作在温室环境下的机器人需要在垄间穿行的难点，建立栅格化环境模型，提出了基于势场蚁群算法的温室机器人路径规划算法。温室环境下的机器人路径规划是要在温室中长有农作物的情况下，使机器人能够寻找到一条从起始点到目标点的连续、无碰撞的路径，其中，机器人走过的路径要包围农作物的生长区域，以方便机器人对农作物进行施肥、摘取果实等行为。路径规划过程中，蚂蚁根据当前节点与可达点之间是否存在障碍物分为确定性方向转移和概率性方向转移2种转移方式，并且重新构造了启发信息，指引蚂蚁搜索。在不同的环境下进行了仿真试验，结果表明，改进势场蚁群算法能有效解决温室环境的路径规划问题。 　　关键词：温室；机器人；蚁群算法；人工势场；路径规划 　　中图分类号： TP242 文献标志码： A 文章编号：1002-1302（2017）18-0222-04 　　收稿日期：2016-04-19 　　基金项目：天津市农业科技成果转化与推广项目（编号：201203060、201303080）。 　　作者简介：王红君（1963―），女，天津人，硕士，教授，主要从事工业先进控制技术、微机控制、智能控制等方面的研究。E-mail：hongewang@126.com。 　　通信作者：徐 军，硕士研究生，主要从事机器人智能控制方面的研究。E-mail：598649947@。 利用机器人来完成温室内各项工作，不仅可以大幅度减少劳动者的体力劳动，并且可以避免劳动者在高温、高湿甚至有毒的作业环境中受到人身伤害[1]。路径规划是实现机器人自由移动的一项关键技术。目前，温室内各种农用机具的作业路径规划一般是由操作者根据经验、习惯进行选择的，也有学者提出了一些路径规划的方法。陈济勤从农机运营管理和作业工艺角度考虑，提出了针对耕地、播种、收割等不同农田作业方式下的直行、绕行、斜行等作业路径模式[2]。Stoll提出根据地块最长边将田块分割成子地块进行路径优化的方法[3]。以上路径规划方法都是对地块全区域覆盖的路径优化方法，但是目前尚没有一种合理的用于机器人在农作物的垄间狭窄路径中穿行的路径规划方法。目前，用于移动机器人路径规划的方法有模拟退火法、模糊逻辑法、栅格法等。但是随着环境系统的复杂性和任务难度的增加，基于数学模型的传统路径规划已经难以取得理想的效果，于是出现了一些仿生智能算法，如蚁群算法[4]、免疫算法[5]、遗传算法[6-8]等，但是这些方法存在搜索空间大、参数难以确定、搜索效率低及容易产生局部最优等问题。 　　为了解决在温室环境下机器人的路径规划难题，在本试验中将改进的人工势场算法和蚁群算法进行融合， 利用人工势场的全局性和蚁群算法的正反馈及全局寻优等特点，不仅可以实现机器人的实时避障，而且在复杂的环境中可以较好地改善局部最优、徘徊等问题。 　　1 基本算法原理 　　1.1 基于栅格地图的环境建模 　　假设机器人在二维空间中工作，并且将机器人看作二维空间中的点状移动物体。栅格地图的优点是易于创建和维护，并且机器人感知的每个栅格信息能直接与环境相对应。栅格地图中有障碍物的区域表示非自由区域，无障碍物的栅格表示自由区域，环境中的障碍物映射到栅格地图中覆盖面积不足1个栅格需要按1个栅格处理。 　　在本试验中栅格地图按照从上到下、从左到右的顺序依次编号为1，2，3，…，n。如图1所示，农作物种植区域表示为障碍区域（黑色部分），障碍区域的栅格中心坐标表示为障碍物的中心点，自由区域（白色部分）的栅格中心点作为机器人可行走的路径点，这样路径规划问题就可以描述为在自由区域中寻找一个连续栅格的子集，使机器人在自由区域中穿行的路径最短，并且机器人所走路径要包围农作物的种植区域。 　　1.2 蚁群算法原理 　　蚁群算法是由意大利学者Dorigo等提出的[4]，以后所有改进的蚁群算法都是在此基础上发展起来的。在基本蚁群算法中，第k只蚂蚁在t时刻从节点i转移到节点j的概率为 　　式中：τij（t）为t时刻节点i与节点j之间残留的信息素浓度；ηij（t）表示t时刻节点i和节点j之间的期望启发函数，在基本蚁群算法中期望启发函数定义为节点i与节点j之间的距离dij的倒数，即ηij=1/dij；α为信息素启发因子，表示前几代蚂蚁走过轨迹的相对重要性[9]；β为期望启发因子，表示能见度的相对重要性[10]；allowedk为蚂蚁k下一步可以选择的节点。 　　蚂蚁完成1次循环，各路径上的信息素更新规则按公式（2）、公式（3）计算： 　　式中：ρ为信息素挥发系数，为有效防止信息素无限积累，ρ的取值范围为[0，1）；Δτij（t）表示本次循?h中节点i与节点j之间路径上的信息素增量，在初始时刻Δτij（0）=0；Δτijk（t）为第k只蚂蚁在