[发明专利]一种融合人工势场与对数蚁群算法的机器人路径规划方法

说明书

本发明请求保护一种融合人工势场与对数蚁群算法的机器人路径规划方法。包含如下步骤，S1：初始化；S2：建立包含障碍物信息的栅格地图；S3：根据当前蚂蚁所处位置，建立蚂蚁可移动的栅格表；S4：计算当前蚂蚁所在位置在人工势场中收到的引力，斥力，并建立人工势场的影响函数q(t)，计算蚂蚁在人工势场中所受合力与相邻栅格方向的最小夹角；S5：改进蚁群算法启发函数η_ij与信息素跟新策略；S6：计算改进后的蚁群算法转移概率密度，并对禁忌表进行更新；S7：判断路径规划探索是否完成，未完成则进入S3，完成则进入S8；S8：根据判别条件进行重新迭代或者结束。本发明方法有效的提高了蚁群算法在路径规划中的收敛速度，并且很大程度上降低了人工势场算法易陷入局部最优的情况。

技术领域

本发明属于机器人路径规划技术领域，涉及一种融合人工势场与对数蚁群算法的机器人路径规划方法。

背景技术

路径规划是指按照特定的路径评价指标，在具有复杂多变的障碍物环境中，搜索出一条连接移动机器人起始位姿和目标位姿的无碰撞最优或次优路径。路径规划是自主移动机器人导航的关键技术之一，是移动机器人研究的热点和难点，它与移动机器人的运动控制、地图构建、机器人定位等紧密相连。蚁群算法是一种典型的全局路径规划算法。由于，蚁群算法路径规划是边探索边前进的过程，所以该路径规划算法计算上既复杂又缓慢。柳长安等人提出了一种借鉴狼群分配原则对蚁群信息素进行更新的算法，避免搜索陷入局部最优，但是不可避免地出现计算量庞大的问题。Yogita等人提出了一种结合粒子群算法的改进蚁群算法，通过粒子群算法(Particle Swarm Optimization，PSO)对蚁群算法(AntColony Optimization,ACO)关键参数的启发，使得机器人在运动过程中选择避免与障碍物碰撞的最优路径，但是，在路径规划的过程中，会陷入局部最优，使得算法失败。

最常用的局部路径规划方法之一是人工势场(Artificial Potential Field,APF)方法。但人工势场算法存在局部最优问题。当局部最优问题发生时，机器人可能被困在与目标无关的另一个位置。T.Weerakoon等人提出了一种基于APF的移动机器人导航方法。在该方法中，新的排斥力被应用于解决局部最优问题。当机器人感知范围内存在障碍物时，除了原本有的力外，还会产生一种新的排斥力，这个力可以使机器人能平滑的避开障碍物。但是该方法会使得机器人的最短路径增加，变得费时。李丽娜等人提出了一种结合人工势场算法的萤火虫算法，利用人工势场法作为初始化引导因子对萤火虫算法参数进行初始化，加快算法在初期的搜索时间，但是，该算法引入了过多的节点，使得整个算法的运算变得复杂，浪费了过多的时间。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种有效提高路径搜索效率的融合人工势场算法和蚁群算法的移动机器人路径规划方法。本发明的技术方案如下：

一种融合人工势场与对数蚁群算法的机器人路径规划方法，其包括以下步骤：

S1：初始化蚁群算法以及人工势场算法中的各个参数，人工势场是障碍物与目标点对机器人的影响，规划出来的路径是机器人后面要走的路径；

并且初始化路径规划任务；

S2：根据机器人传感器提取的环境信息，建立包含障碍物信息的栅格地图；

S3：根据当前蚂蚁所处位置，建立蚂蚁可移动的栅格表，并更新路径上的信息素；

S4：计算当前蚂蚁所在位置在人工势场中受到的引力和斥力，并得到人工势场的影响函数q(t)，计算蚂蚁在人工势场中所受合力与相邻栅格方向的最小夹角，其中将蚂蚁所在栅格附近8个栅格每45°划分一个方向；

S5：将人工势场中待转移节点到目标点的欧式距离d_jg引入到蚁群算法的启发函数中对蚁群算法的启发函数η_ij进行改进，并利用对数函数对信息素跟新策略进行改进；