第六章 机器人路径规划.pptVIP

* 在直角坐标中，将机器人的目标（节点）位姿通过以下 矩阵方程表示： 以上等式表示为： 机器人抓取位姿 = 操作对象期望抓取位姿 求解 ，并通过逆向运动学得到各关节变量值。 实时完成难度较大，需要预先进行路径的规划。 * 6.3 移动机器人路径规划 移动机器人是集环境感知、动态决策、行为控制与执行等多功能于一体的综合性系统。 移动机器人路径规划技术就是移动机器人在具有障碍物的环境中按照一定的评价标准（如工作代价最小、行走路径最短、行走时间最短等），寻找一条从给定起点到达目标终点的无碰路径。 * 传统路径规划大多基于图论的思想，通过一定的方法建立几何模型，进行空间路径的搜索，包括自由空间法、图搜索法、栅格解耦法、动态规划算法等。 * 智能路径规划是随着近年来人工智能的深入研究而发展起来的优化方法，其中有模糊逻辑法、神经网络法、遗传算法以及现在非常热门的仿生算法，如蚁群算法、免疫算法、粒子群算法、蜂群算法等。 * 全局路径规划，又称为静态或离线路径规划，作业的环境信息完全已知，主要方法有栅格法、可视图法、链接图法、概率路径图法、拓扑法等。 局部路径规划局部路径规划，又称为动态或在线路径规划，作业环境部分未知或完全未知，主要方法有人工势场法、模糊逻辑算法、遗传算法、蚁群算法、免疫算法等。 * 无论何种路径规划方法，原始尺寸变换是必须进行的。 * 6.4 遗传算法简介 遗传算法基于自然选择的生物进化，是一种模仿生物进化过程的随机方法。 自适应、全局化优化、概率化搜索。 6.4.1 遗传算法基本框架 求函数极值问题（极大、极小），用以下数学规划模型来 描述： * 决策向量： 用长度一定的二进制编码串分别表示n的决策向量： 染色体（个体） M个染色体构建成为一个群体。 对群体中每一个染色体按照一定规则确定其适应度。 * 使用遗传算子 遗传算子：选择、交叉、变异 6.4.2 遗传算法的运算过程 * 6.4.3 遗传算法算例 1）个体编码② 2）初始群体的产生② 3）适应度的计算（解码③④） 个体对应的目标函数值（适应度⑤）⑥⑦⑧） * 6）选择计算（复制计算）：适应度高的个体遗传到下一代 原则？——与适应度成正比的概率！ 计算每个个体被遗传到下一代的概率⑥ 设计与适应度成正比的概率来选择被遗传的个体。 * 概率0.24的被选择了两次，概率0.35的被选择了一次， 概率为0.17的被选择了0次 ⑦⑧。 5）交叉运算：产生新个体的主要方式（单点交叉） 随机配对⑨ 随机设置交叉点⑩（交叉点设置在被交叉染色体之前） 1-2:2： 011101；111001 交叉运算结果： 011001；1111011 （11） * 6）变异运算：某一个或某几个基因的改变 随机选择变异点（12） 随机设置交叉点⑩（交叉点设置在被交叉染色体之前） 3号染色体在第二位变异：101001 变异运算结果：111001 （13） 注意2号染色体的变异结果！ * 获得子代群体P（1）——（14） 重复适应度的计算——（15）（16）（17） 已经有了明显的改进！ 实际上个体2即为最佳个体！ * 6.4.4 遗传算法的特点 1）以决策变量的编码作为运算对象，可以借助于生物学 中的基因、变异等概念。 3）并行多点搜索（并行运算）。 4）使用概率搜索技术。 2）以目标函数值作为搜索信息，不需要其它诸如目标函数值导数等辅助信息。 * 6.5 基于遗传算法的移动机器人路径规划 6.5.1 离散空间中移动机器人路径规划 以路径最短为评价指标 1.规划空间的网格化建模 直角坐标法、序号法 2.路径规划遗传算法 （1）个体编码方法 网格序号编码： {0,1,11,21,22,23,33,44,…} * 编码长度短、简明、直观 （2）初始群体的产生 网格序号编码： {0,1,11,21,22,23,33,44,…} 编码长度是变化的 间断无障碍路径： {0,99}；{0,2,20,45,75,87,99} … （3）适应度函数 距离最短作为目标函数 引入修正项，消除运行过程中间断点相距太远的过短路径。 （4）遗传算子设计 A、选择算子：使个体按照与适应度成正比的概率向下一代繁殖； B、交叉算子： 通常意义下的交叉；重合点处的交叉（更佳） C、变异算子：随机删除、随机插入、随机替换。 以上3种变异算子都有可能产生间断路径。 D、插入算子：以自由网格弥补间断路径，使之连续。 连续 不连续 在不连续的点之间，插入候补点 为自由网络节点，直接插入； 若为障碍节点，则选择其附近的节点； 若附近节点均为障碍节点，则