融合TangentBug算法和人工势场法的移动机器人路径规划.pdfVIP

第30卷第17期现代计算机

2024年9月10日ModernComputer·37·

文章编号:1007⁃1423（2024）17⁃0037⁃07DOI:10.3969/j.issn.1007⁃1423.2024.17.007

融合TangentBug算法和人工势场法的移动机器人路径规划

*

李天国，赖于树，符庆川

（重庆三峡学院电子与信息工程学院，重庆404120）

摘要：针对应用人工势场法进行路径规划时会遭遇的局部极小值问题，提出的解决方案是融合TangentBug算法应

对，融合算法在应用TangentBug算法翻越障碍物后再次应用人工势场法进行路径规划，使得融合算法较传统的虚拟目

标点法和传统的TangentBug算法在避障上更有效。经过仿真验证，融合算法较传统的TangentBug算法在时间和路径平

滑度上分别提升了至少77.68%和10.79%的效率，较传统虚拟目标点法路径规划更有效。

关键词：人工势场法；局部极小值；TangentBug算法；融合算法

0引言methodintegratingTangentBug，APF⁃TBug）。在

移动机器人运载人工势场法路径规划时对于前

近年来关于智能驾驶的技术研究如火如荼，

进道路中的狭窄通道障碍和不可越过障碍物进

商业应用也已经有足够大的市场接纳，特别是

行区分，研究如何进行算法融合，提升移动机

关于无人驾驶，而路径规划就是无人驾驶技术

器人路径规划的效率，以及算法融合后移动机

的重要组件之一，路径距离短、轨迹平滑、安

器人如何进行接下来的路径规划，直到完成整

全避障的规划算法是几个重要的评判指标。路

个寻路和避障的全过程，并讨论融合算法的优

径规划算法按照类别可以分成全局路径规划和

缺点。

局部路径规划。常见的全局路径规划如迪杰斯

［1］*［2］［3］

特拉算法、A算法、RRT算法、蚁群算法1算法介绍

［4］

等，全局路径规划算法能够评判全局最近距

11..11人工势场法原理人工势场法原理

离，给出最优路径；但是其在实时避障的时候

却不尽如人意，由此局部路径规划算法得到重在运用人工势场算法进行路径规划时，周

［5］遭环境被看作负梯度的向量场，移动机器人被

视，常用的局部路径规划算法有人工势场法、

［6⁃7］［8］看作是正电荷粒子，在向量场中朝着势场最低

动态窗口法、BUG系列算法以及近些年逐

［9］点方向，即负电荷所在位置运动。处于负电荷

渐发展起来的时间弹性带（TEB）算法、模型预

［10］［11］位置的目标点对向量场中的正电荷具有引力作

测控制算法（MPC）、Q⁃Learning（QL）算法。

本文将研究把局部路径规划算法中的人工用，移动机器人便能够在引力牵引的作用下移

［12］