[发明专利]一种移动机器人路径规划方法

权利要求书

1.一种移动机器人路径规划方法，其特征在于，所述方法包括：

构建移动机器人的预测模型；

获取移动机器人观测到的环境数据，从环境数据中进行地标提取，得到地标信息；

判断地标信息是否是已经记录过的地标信息，若不是则将地标信息进行记录；

根据移动机器人控制里程估计移动机器人的位置；

根据重复观测到的地标信息，更新机器人位置估计，对预测模型进行迭代；

使用列文伯格-马夸尔特法对预测模型迭代过程进行优化；

将当前时刻的环境数据和移动机器人当前位置带入移动机器人运动模型，预测下一时刻移动机器人位置；

利用蚁群算法计算移动机器人预测位置和设定目标点位置之间的最优路径。

2.根据权利要求1所述的移动机器人路径规划方法，其特征在于，所述获取移动机器人观测到的环境数据后，还包括：

去除环境数据中的高斯噪声。

3.根据权利要求1所述的移动机器人路径规划方法，其特征在于，所述判断地标信息是否是已经记录过的地标信息，包括：

预测移动机器人当前位置能够观测到的地标信息；

度量预测的地标信息与实际观测的地标信息的马氏距离，与设定阈值进行比较；

若所述马氏距离不超过设定阈值，则将两个地标视为同一地标。

4.根据权利要求1所述的移动机器人路径规划方法，其特征在于，所述根据移动机器人当前里程估计移动机器人的位置，包括：

计算移动机器人位置的协方差、地标的协方差，以及移动机器人与地标与地标之间的协方差，构建协方差矩阵；

预测移动机器人预测模型的雅克比矩阵

根据移动机器人的控制里程、预测模型的雅克比矩阵对协方差矩阵进行更新，预测移动机器人当前位置。

5.根据权利要求1所述的移动机器人路径规划方法，其特征在于，所述根据重复观测到的地标信息，更新机器人位置估计，对预测模型进行迭代，包括：

根据机器人当前位置的估计值以及记录的地标信息计算地标位置和角度的预测值；

计算测量模型的雅克比矩阵；

计算雅克比矩阵的卡尔曼增益；

利用卡尔曼增益计算新的状态向量，得出当前机器人位置和各地标的位置；

将新观测到的地标信息加入预测模型中，更新预测模型。

6.根据权利要求1所述的移动机器人路径规划方法，其特征在于，所述利用蚁群算法计算移动机器人预测位置和设定目标点位置之间的最优路径，包括：

在计算过程中加入全局信息素相关的人工势场局部搜索优化算法，降低蚁群算法的复杂度和深度；

建立势场蚁群算法中平滑的信息素扩散模型及信息素扩散栅格表，提高隐含全局最优空间的信息素浓度；

以当前路径点的信息素为扩散源，引入扩散因子；

计算完整路径；

通过几何优化策略优化局部路径获得另一条完整路径，并完成此相邻路径的信息素更新；

比较各完整路径，得出最优路径。