人工神经网络的路径优化.docVIP

目 录 TOC \o 1-3 \h \z \u 绪论 2 1 环境建模 2 1．1 子区域内的行走方式 2 1．2 区域分割 3 1．3 区域全连通图 5 1．4 优化机器人行走路线 5 2 Hopfield 人工神经网络算法概述 6 2．1 TSP 问题描述 8 3 仿真试验设计 10 3．1 移动机器人环境地图 10 3.2 环境地图的全连通图 10 3.3 Hopfield 人工神经网络算法模块 11 3.4 程序中的参数 12 3.5 仿真结果 13 4 小结 14 附录：算法 15 基于Hopfield 人工神经网络的路径优化 绪论 本文研究了移动机器人在含障区域内完成全覆盖行走路径的优化。将子区域内行走路线、区域分割和子区域衔接顺序三方面结合，进行总体优化的考虑。提出用“双线扫法”完成区域的分割，选择“向内螺旋式”行进作为子区域内部行进路径，构造整个待覆盖区域全连通图模型。由于基于全连通图模型的行走路径与TSP问题极其相似，所以我采用了Hopfield人工神经网络求解TSP问题的方法优化全连通图，对移动机器人在各个子区域的行走顺序进行寻优。最后给出了仿真试验，试验表明利用Hopfield人工神经网络，移动机器人在含有障碍物的环境中能够找到全覆盖的最优路径或者次优的路径。 1 环境建模 所谓全覆盖寻优路径规划，是指机器人合理而高效地走遍一个区域内除障碍物以外的全部地方。和点到点寻优算法一样全覆盖算法的应用范围很广，比如清扫（灰尘树叶积雪等）、收割（谷物草等）、耕犁、播撒（农药种子刷塗）、探矿、搜救、水下测绘、排雷等等。 1．1 子区域内的行走方式 子区域内部行进方式采用“螺旋收缩式”。虽然“螺旋收缩式”和“往复前进式”本身各有优缺点，但在多子区域覆盖问题上，“螺旋收缩式”的优点显而易见。这些优点包括：“螺旋收缩式”行进方式可避免“往复前进式”的边缘效应；“螺旋收缩式”不会留下或只在中间留下很少的未覆盖面积，而这位于中间的小的未覆盖部分，对机器人来说是很容易解决的；从理论上讲，机器人完成子区域内部覆盖后的终点位于最开阔的子区域重心（见图1），从而有利于区域分割任务完成后的机器人子区域衔接行为。 图1 螺旋收缩式行进方式 1．2 区域分割 子区域分割采用“双线扫法”。所谓“双线扫法”，即用直立和水平各一根想象中的长线段分两次“扫” 过整个待覆盖区域，第一次用直立线段从最左端“扫”至最右端，每当这根线与某个障碍物的某条直立边重合时，该线就从待覆盖区域划出一个高度等于待覆盖区域高度的子块。第二次用水平线段从最上端至“扫”最下端，每当这根线与某个障碍物的某条水平边重合时，该线就将某个前次被直立线段划出的子块进一步分割成独立的子区域。就是说，“双线扫法”分两次把整个待覆盖区域的子区域分割任务完成。“双线扫法”比较适用于平行四边形障碍物且其边多数平行于区域边缘的情况。“双线扫法”将整个待覆盖区域自然形成的小区域分割开来，不刻意追求所分成的子区域本身覆盖的高效率，主观上避免过小区域的出现，造成行走困难。子区域面积越大，则一般说来由直线行进加以覆盖的部分就越多，余下由转弯动作完成覆盖的部分自然就越少了，耗费在转弯上的定位导航的时间变短、消耗的能量减少，提高了效率。图2 ，采用“双线扫法” 的对环境进行分割后的坐标式环境地图。 x1 x2 x3 x4 x5 x6 x1 x2 x3 x4 x5 x6 y1 y2 y3 y4 y5 y6 图2 “双线扫法” 的坐标式环境地图 用坐标法表示环境地图，经过分割后有两个障碍物的平面图被分割为七个子区域，每个子区域的坐标表示如下： 第一个子区域 第二个子区域 第三个子区域 第四个子区域 第五个子区域 第六个子区域 第七个子区域 分割的七个子区域如图3： 2 2 5 1 4 7 3 6 x1 x2 x3 x4 x5 x6 y1 y2 y3 y4 y5 y6 图3 分割的七个子区域 1．3 区域全连通图 在分割后的子区域基础上，构造整个待覆盖区域的全连通图模型。为利用神经网络方法求子区域衔接顺序做准备。把各个子区域的重