[发明专利]一种基于改进A星策略的移动机器人路径规划方法

说明书

本发明涉及一种基于改进A星策略的移动机器人路径规划方法，它包括以下步骤：（a）将移动机器人获取的激光数据和里程数据用slam算法进行处理；（b）利用动态维诺图库将二值化的所述栅格地图构建成Voronoi图；（c）根据所述Voronoi图上的节点坐标，并构建对应的Voronoi代价地图；（d）将所述移动机器人的起点和终点位置从其自身坐标系转换到地图坐标系上，检查起点和终点的坐标索引是否合法；（e）初始化所有所述节点的g代价值；（f）使用平滑器对离散的所述整条路径进行平滑处理。大大节约了内存和计算资源，加快了算法的收敛速度；还融入了Voronoi图，使路径远离障碍物，最后使用平滑器得到一条最佳路径。

技术领域

本发明属于工业机器人领域，涉及一种移动机器人路径规划方法，具体涉及一种基于改进A星策略的移动机器人路径规划方法。

背景技术

全局路径规划的主要作用是在已知的静态地图上，找到一条从起点到终点的最优或近似最优路径，该路径一般为连续，平滑，无障碍物，且适合机器人直接执行的全局路径。路径规划算法是整个导航系统中的基础，它的结果为后续的局部轨迹规划提供了路径信息。

目前常用的路径规划算法有很多，主要可分为三大类：基于图搜索的方法，如Dijkstra、A*(即A星)、D*、Theta*等；基于随机采用的方法，如随机路径图法(PRM)、快速搜索树法(RRT)等；还有一些基于启发式的算法，经典的有蚁群算法，遗传算法，粒子群算法等。Dijkstra是图搜索方法的鼻祖，保证能找到一条全局最优解，但其会遍历整个地图的所有栅格，因此计算量很大，尤其是在大地图下。A*在Dijkstra基础上引入了启发式搜索解决了上述问题，在保证了最优解的前提下大大提高了搜索的效率，因其简单且易于实现而盛行至今。基于启发式的算法都需要对确定空间中的障碍物进行建模，通常收敛速度较慢，无法满足机器人实时性的要求。随机采样的方法避免了对空间的建模，通过状态空间的随机采样点来寻找一条概率完备且不最优的路径；但该类方法对环境不敏感，当有较窄的通道时，往往会收敛很慢，甚至会被围困在障碍物里；此外，安全性一直是工业机器人考虑的前提，现有算法规划出的路径都靠近障碍物，无法保证机器人行走过程中的安全。在工业上，往往会面临工厂车间等大尺寸地图的情形，因此，如何加快算法的收敛速度，提高机器人的实时性成为主要关注的焦点。

发明内容

本发明目的是为了克服现有技术的不足而提供一种基于改进A星策略的移动机器人路径规划方法。

为达到上述目的，本发明采用的技术方案是：一种基于改进A星策略的移动机器人路径规划方法，它包括以下步骤：

(a)将移动机器人获取的激光数据和里程数据用slam算法进行处理获得.pgm格式的栅格地图，通过二维数组使所述栅格地图二值化；

(b)利用动态维诺图库将二值化的所述栅格地图构建成Voronoi图；

(c)根据所述Voronoi图上的节点坐标，通过公式(Ⅰ)计算获得对应节点的势能，并构建对应的Voronoi代价地图；

式中，α为势能的下降速率，为势能的控制范围；

(d)将所述移动机器人的起点和终点位置从其自身坐标系转换到地图坐标系上，检查起到和终点的坐标索引是否合合法；所述地图坐标系为所述移动机器人获取的激光数据和里程数据坐标系；

(e)初始化所有所述节点的g代价值使g(n_i)＝∞，其中n为节点，i＝1,…,mapsize；新建一个开列表，计算所述起点的总代价值f(s)＝g(s)+α₁×h(s)，其中s为起点，α₁为权重系数，然后将所述起点装入所述开列表；当所述开列表不为空且所述终点的g代价值为无穷时进入循环，直到找到目标点，然后回溯整条路径；

(f)使用平滑器对离散的所述整条路径进行平滑即可。