[发明专利]基于蚁群算法的移动机器人路径规划方法的一种改进

说明书

技术领域

本发明涉及移动机器人路径规划技术领域，涉及到移动机器人路径规划收敛速度的快慢，具体涉及一种移动机器人路径规划方法及其算法。

背景技术

随着人类社会的不断发展和生活空间的不断扩大，移动机器人在国防、抗震抢险、防灾救灾、反恐、现代军事武器、制造业以及日常生活的应用越来越广泛，因此必须对移动机器人的动态路径进行更为有效的规划。随着移动机器人技术的迅速发展，应用范围的不断扩大，使得人们对机器人各方面的性能提出了更高的要求。科学家们通过不懈努力，提出了多种移动机器人种路径规划算法，蚁群算法便是其中的一种。它是根据自然界蚂蚁觅食的行为提炼出来的，由于自然界的蚂蚁在觅食的过程中会在走过的路径上留下一种称为信息素的化学物质，且经过该路径的蚂蚁越多，在上面留下的信息素也越多(忽略挥发掉的那一部分)，同时也证明该路径较其他路径更为优越，其他的蚂蚁也能感知到这种物质且朝着信息素浓度高的地方移动。但由于起始时蚁群中每一只蚂蚁的运动是随机性的，虽然在算法初期可以通过信息素的作用的使其向着最优路径方向移动，但是当群体规模越来越大时，寻找最优解的效率就不是很明显了，从而使搜索时间冗长，因此使得算法的收敛速度很慢。

综上所述，现有技术中存在如下技术问题：由于传统蚁群算法自身的局限性使得算法的收敛速度较慢，要求提高算法的收敛速度。

发明内容

本发明的目的在于提供一种移动机器人路径规划方法，解决蚁群算法由于自身的局限性而导致的收敛速度慢的问题，将传统蚁群算法中的参数用粒子群算法进行优化后找到一组最优解，且用遗传算法保证其不会陷入局部最优，再将上述参数中的其他参数保持不变，对信息素浓度进行成倍放大，使不同路径上的信息素浓度差异更加明显，从而提高算法的收敛速度。

针对以上上述现有技术问题和发明目的，本发明提出一种移动机器人路径规划方法，包括如下步骤：

(1)寻找环境最短路径；

(2)当机器人在前进中检测到将与环境中的动态障碍物相碰，则视最短路径上离动态障碍物安全的栅格为局部目标点；

(3)确定动态障碍物的运动范围；

(4)机器人沿着信息素浓度大的栅格前进；

(5)得到一条避开动态障碍物且经过指定点的最优路径。

进一步地，步骤(1)中所述环境为机器人的工作环境，将该工作环境划分为20×20的栅格，每个栅格的长和宽都为10个单位。

进一步地，步骤(1)中按状态转移概率公式寻找环境最短路径。

进一步地，步骤(1)中用蚁群算法寻找环境最短路径。

进一步地，所述蚁群算法采用如下算法步骤：

a.参数用粒子群算法进行优化后找到一组最优解，且用遗传算法保证其不会陷入局部最优；

b.将上述参数中的其他参数保持不变，对传统蚁群算法中各个路径上的信息素浓度进行成倍放大，使不同路径上的信息素浓度差异更加明显；

c.加速蚂蚁朝着信息素浓度高路径移动，从而提高算法的收敛速度。进一步地，步骤(3)中通过传感器收集信息从而确定动态障碍物的运动范围。进一步地，步骤a中蚁群算法中种群个数为25，最大迭代次数为100，用粒子群算法对改进蚁群算法的重要参数进行优化，粒子的个数为30，迭代次数的最高上限为50，惯性衡量值w为0.625，影响机器人自适应学习功能的参数c₁和c₂都选为1.501。

进一步地，步骤b中，由粒子群算法寻找到改进蚁群算法重要参数的最优组合放大倍数M取为3。

进一步地，步骤c中，坐标系以x轴向右为正方向，y轴向上为正方向，单位为像素，静态障碍物假定为方块，假设动态障碍物是长和宽分别为10个单位的正方形块，动态障碍物沿y轴向上做速度为10单位/秒的匀速直线运动。

与目前现有技术相比，本发明解决了蚁群算法由于自身的局限性而导致的收敛速度慢的问题，将传统蚁群算法中的参数用粒子群算法进行优化后找到一组最优解，且用遗传算法保证其不会陷入局部最优，再将上述参数中的其他参数保持不变，对信息素浓度进行成倍放大，使不同路径上的信息素浓度差异更加明显，从而提高算法的收敛速度。

附图说明

图1为本发明的方案流程图。

图2为本发明蚁群算法原理图。

具体实施方式

下面根据附图对本发明进行详细描述，其为本发明多种实施方式中的一种优选实施例。