[发明专利]一种障碍环境下基于蚁蜂算法的机器人路径规划方法及系统

说明书

本发明属于机器人技术领域，公开了一种障碍环境下基于蚁蜂算法的机器人路径规划方法及系统(ABR)，结合蚁群算法和蜂群算法的各自优点，基于栅格建模环境，使用蜂群算法快速寻优最佳规划路径并对应转化为蚁群算法信息素分布，有利于加快蚁群算法对全局规划路径的寻优速度；同时新颖的可信度方案在路径点选策略的应用及信息素更新策略的融入有利于实现蚂蚁之间的并行搜索，提高待规划路径问题解的精度。本发明实施效果显示出ABR能有效在复杂障碍环境中寻优到全局最优的规划路径，是一种新颖的具有直观简明﹑普适性等特点的机器人路径规划方法。

技术领域

本发明属于机器人技术领域，尤其涉及一种障碍环境下基于蚁蜂算法的机器人路径规划方法及系统（ABR）。

背景技术

路径规划是移动机器人在实际应用领域中一项最为关键的技术，是指在多障物物环境中，机器人由起始点至目标点的一条连续的﹑无碰撞的全局最优或次优路径(ZhouZ，NieY，MinG. EnhancedAntColonyOptimizationAlgorithmfor GlobalPathPlanningofMobileRobots

[J].JournalofNanchangHangkongUniversity，2011:698-701.)。机器人路径规划问题已经被证明是具有NP复杂性难度的组合优化问题(HuangB，KadaliR.DynamicModeling，PredictiveControlandPerformanceMonitoring[M].SpringerLondon，2008.)。

目前常用的机器人路径规划技术可分为两类(房德君.均匀粒子群蚁群融合算法的机器人路径规划[J].机械设计与制造，2017(7):237-240.)：(1)基于数学理念的传统路径规划方法。如，栅格解耦法﹑可视图法﹑自由空间法﹑人工势场法﹑拓扑法等。这些方法随着环境的复杂性和待优求解任务难度性的增加，较难在实际应用中取得理想的效果。(2)基于仿生智能技术的路径规划方法。如，遗传算法﹑模糊控制﹑神经网络﹑粒子群优化算法﹑蜂群算法和模拟退火算等。这些方法可在特定环境或某种真实状况下实现路径寻优规划。然而，在某些复杂动态多变应用环境中也往往存在着方法本身固有的缺陷。如，标准蚁群算法面对复杂环境问题应用过程中，存在如，收敛速度较慢﹑易陷入局部最优等不足状况。并且伴随着问题规模及动态环境的变化，一旦蚂蚁陷入局部最优解，由于局部路径信息素强度的干挠，使得蚁群难以寻优到其它最优路径。因此，该类仿生智能技术应用于移动机器人路径规划问题仍需要人们继续深入研究。

当前，为了改善机器人路径规划技术的搜索效率，国内外众多学者纷纷开展基于仿生智能技术的机器人路径规划方法研究。从目前应用效果来看，蚁群算法由于具有天然的分布式并行处理能力，且具有不以问题模型为干挠的路径选择能力，已经成功的应用于诸多实际应用中的组合优化问题，特别是在旅行商问题中的成功应用，更好地表明了蚁群算法适合于处理具有NP复杂性难度的分布式问题。虽然蚁群算法具备较好的信息素正反馈性﹑并行性以及鲁棒性等优点，但随着问题环境不断增强或动态变换下，仍存在一些待改进的方面：如搜索时间较长﹑计算量大﹑易陷入局部最优等问题。对此，不少学者已提出了不少积极意义的改进方法。如，Dorigo等提出了蚁群系统算法(ACS)(DorigoM，GambardellaM.Acooperativelearningapproachtothetravelingsalesmanproblem[J].IEEETransonEvolutionaryComputation，1997，1(1):53-66.)。ACS路径规划中，仅对每一代中最好个体所走过的路径上的信息素进行更新，从而加快算法收敛速度。但问题是虽然强化了路径上最优信息素的反馈，也易于导致算法搜索的停滞现象。Park等提出了一种基于感知信息聚类的蚁群算法实现机器人的路径规划方法(ParkJM，SavagaonkarUR，ChongEKP，etal.EfficientresourceallocationforQoSchannelsinMF- TDMAsatellitesystems[C]// Milcom2000.