[发明专利]一种移动机器人路径规划方法

说明书

本发明公开了一种移动机器人路径规划方法，通过提出了基于Levenberg‑Marquardt方法优化的EKF‑SLAM算法、基于势场蚁群算法的移动机器人全局路径规划、融合移动机器人全局路径规划与局部路径规划的最优路径搜索方法，并且通过机器人仿真实验，完成室内移动机器人的自主导航，相比传统方法能够增加扩展卡尔曼算法的稳定性和定位精度。并结合仿真实验验证改进后的有效性，得出了位置预测结果更加准确，从而得到更优的路径规划。

技术领域

本发明涉及领域机器人控制技术领域，特别是指一种移动机器人路径规划方法。

背景技术

近年来，随着科学技术的发展和人民生活水平的提高，机器人逐步走进人们的生活。作为机器人为人类提供高质量服务的基础，面向机器人的定位正逐渐成为该领域的研究热点；

近十几年来，机器人学界涌现出了各种各样的针对SLAM问题的解决方案。其中，基于扩展卡尔曼滤波器(EKF)的EKF-SLAM方法获得了广泛的认可并被普遍应用，种方法首先估计运动过程中某一时刻的状态，然后以(含噪声的)测量变量的方式获得反馈，最后根据反馈修正估计值。这样，EKF-SLAM就能在不需了解机器人详细性质的前提下，高效地对运动的过去、当前、甚至将来的状态进行估计，但该方法的稳定性和定位精度仍有不足。

发明内容

有鉴于此，本发明的目的在于提出一种稳定性和定位精度更高的移动机器人路径规划方法。

基于上述目的本发明提供的一种移动机器人路径规划方法，包括以下步骤：

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。

优选地，所述获取移动机器人环境数据后，还包括：

去除环境数据中的高斯噪声。

优选地，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。

优选地，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。

优选地，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；