基于粒子群算法移动机器人全局最优路径规划.docVIP

基于粒子群算法移动机器人全局最优路径规划 　　摘要：以栅格法和粒子群算法为基础，提出了一种新的机器人实时全局最优路径规划方法。该方法包括采用栅格法对环境进行建模和直接运用粒子群算法在环境模型中搜索全局最优路径。在计算机上进行了仿真，仿真结果证明了该方法的可行性和有效性。 　　关键词：移动机器人； 粒子群优化算法； 全局最优路径规划； 栅格法 　　中图分类号：TP242;TP306.1文献标志码：A 　　文章编号：1001-3695(2007)11-0210-03 　　 　　0引言?? 　　 　　在移动机器人相关技术中，导航技术是其核心，而路径规划是导航研究中的一个重要环节和课题。路径规划是指移动机器人按照某一性能指标（如距离、时间、能量）搜索一条从起始状态到目标状态的最优或次优路径[1]。对于环境信息已知的全局路径规划，目前已有许多解决方法，如人工势场法[2]、可视图法[3]以及由人工势场演变而来的数值势场法[4]等。近十年间，随着人工智能研究不断取得进展，许多智能算法也被用到移动机器人的路径规划中，包括模糊逻辑与增强学习算法[5]、神经网络[6]、遗传算法[4]以及蚁群算法[7]等。?? 　　粒子群优化算法是一种进化计算技术(evolutionary computation)[8,9]，由Kennedy和Eberhart发明。其源于对鸟群捕食的行为研究[8]。粒子群优化算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。?? 　　栅格法是对平面移动机器人运动路径规划的一个抽象模型，是目前研究最广泛的路径规划方法之一。 栅格法由 M.B.Metea 首先提出[10]，用于解决分等级地形的自动化路径规划问题。对于栅格法模型的求解有许多研究方法，最经典的有K. Sugibara等人[11]提出的基于遗传算法的规划法。不过由于编码长度随着栅格数的增加而增大从而大大增加了计算的复杂度，使得该方法只能适用于栅格数不超过16×16的问题。针对这个缺点，李强等人[12]提出了基于四叉树模型的遗传算法规划。该算法具有良好的全局搜索性能，但在搜索效率上较一般的搜索算法（如A* 算法）并无明显的提高。孙树栋等人[13]采用栅格栏编码，缩短了染色体的长度，减少了遗传算法求解时的计算量。但是，编码的复杂度增加了，使得运算效率未能得到很好的提高。?? 　　本文用栅格法建立环境模型，以粒子群算法为基本演化算法，将粒子群算法直接运用到栅格法中，得到移动机器人全局最优路径。?? 　　 　　1空间建模?? 　　 　　本文采用的空间建模方法是栅格法，以机器人自身的最宽尺寸为栅格的粒度。在离散化空间的同时，对障碍物的处理是这样进行的：?? 　　a）不满一个栅格时算一个栅格。?? 　　b）障碍物的空凹部分和这个障碍物算成一个整体障碍物，避免局部死区的出现，这叫做障碍物的合并。?? 　　c）地图的边界当成障碍物来处理。?? 　　考虑到移动机器人在二维平面上运动，忽略机器人的旋转运动。运动空间中有障碍物B??i, i=1,2,3,…,n。路径规划就是寻找从A的初始位置S到目标位置T的避碰路径。?? 　　图1为一个实际的移动机器人工作环境实例。机器人本身的最大尺寸为20 cm，所以栅格粒度也为20 cm，整个工作环境长宽均为400 cm，共12个障碍物。按照上面所讲的方法可以建立如图2所示的空间模型。模型中的每一个栅格都与一个数组元素对应，有障碍物的黑色区域对应的值为1即障碍物区域；没有障碍物的白色区域对应的值为0，是自由运动区域。?? 　　 　　2粒子群算法?? 　　 　　粒子群算法模拟鸟集群飞行觅食的行为，通过鸟之间的集体协作使群体达到目的。在PSO系统中,每个备选解被称为一个粒子(particle)。粒子i在N维空间中的位置表示为矢量X??i＝(x??1，x??2，…，x??N)；飞行速度表示为矢量V??i＝(v??1，v??2，…，v??N)。每个粒子都有一个由目标函数决定的适应值 (fitness value)，并且知道自己到目前为止发现的最好位置(pbest)和现在的位置X??i，这个可以看做是粒子自己的飞行经验。除此之外，每个粒子还知道到目前为止整个群体中所有粒子发现的最好位置(gbest) (gbest是pbest中的最好值)，这个可以看做是粒子同伴的经验。粒子就是通过自己的经验和同伴中最好的经验来决定下一步的运动。?? 　　 　　3基于粒子群算法的全局最优路径搜索算法?? 　　 　　在已经建立的空间模型中，利用粒子群算法直接找出一条最优路径。粒子群算法中的每一个粒子都是一个解，也就是一条路径，粒子群算法从众多的解中寻找一个最优解。每一个粒子的代价函数是粒子所代表的 　　路径长度，在这