[发明专利]一种基于鸽群算法的机器人路径规划方法

说明书

本发明公开了一种基于鸽群算法的机器人路径规划方法，具体涉及机器人路径规划领域。该基于鸽群算法的机器人路径规划方法，首先建立包括不确定性的轨迹预测模型，然后确定规划区域内待优化的路径，然后采用鸽群算法，通过第一阶段(地图和指南针算子)和第二阶段(地标算子)，逐渐迭代最后得到最优路径，然后将得到的最优路径的各个参数输出。利用本发明构建的轨迹预测模型获得的路径稳定性好，具有强健性和可行性；并且采用鸽群智能优化算法，解决了复杂连续优化问题，计算的搜索算法过程具有可行性、并行性、强健性等特点。

技术领域

本发明涉及机器人路径规划领域，具体涉及一种基于鸽群算法的机器人路径规划方法。

背景技术

路径规划是按照一定的评价标准体系，寻找运动体从起始状态到达目标状态点的满足特定约束的路径。而机器人的路径规划属于路径规划的一类，和路径规划要求的类似，但是机器人的路径规划是机器自己收集信息，然后分析决策，最后自己做出行动，这比一般的路径规划更为困难复杂。机器人的路径规划是在给定的规划空间内，寻找运动体从起始点到达目标点且满足某些约束条件和一定性能指标的最优或可运动轨迹，使运动体安全地到达目的地或者完成指定任务。由于机器人的运动性能复杂、任务环境复杂，运动规划地系统需要综合考虑机器人的机动性能、任务时间、地形环境、敌控区域等因素。从数学意义上来说，机器人的路径规划就是在众多的约束条件下获得寻找最优解。

机器人路径规划属于多目标优化问题(MOP)存在多个彼此冲突的目标。与单目标优化问题不同，多目标优化的本质在于，在大多数情况下，某目标的改善可能引起其他目标性能的降低，同时使多个目标达到最优是不可能的，只能在各目标间协调权衡折中处理，是所有目标函数尽可能达到最优。

机器人路径规划主要包括模型创建算法、路径规划算法、路径代价算法等内容，其中核心是路径规划算法。目前应用于机器人的路径规划算法有传统算法：模拟退化算法、人工势场算法；智能算法：遗传算法、神经网络算法、蚁群算法等，其中蚁群算法常用来作为机器人的路径规划算法。但是由于环境空间巨大、约束条件繁多且耦合性强等情况下，之前的算法在解决机器人路径规划上效果甚微。

鸽群智能优化算法(Pigeon-Inspired Optimization,PIO)是段海滨教授在2014年提出的一种基于鸽群启发式的仿生智能优化算法，鸽群算法属于一种元启发式算法，与之类似的有灰狼算法、粒子群算法等等。鸽群算法主要包括两个数学模型：一个是地图和指南针算子(map and compass operator)鸽子可以使用磁性物体感知地磁场，然后在头脑中形成地图，它们把太阳高度作为指南针来调整飞行方向，当它们靠近目的地的时候，它们对太阳和磁性物体的依赖性便减小。另外一个是地标算子(landmark operator)地标算子用来模拟导航工具中地标对鸽子的影响，当鸽子飞进目的地时，它们将更多依赖附近的地标。如果鸽子对地标熟悉，将直接飞向目的地，否则，它们将跟随那些对地标熟悉的鸽子飞行。鸽群算法比较其他仿生群居智能算法在搜索过程中具有并行性、可行性、强鲁棒性等特点，因此，鸽群算法可以用来解决复杂的连续优化问题。

目前，在现有的机器人路径规划的技术中，由于没有考虑到不确定性条件，例如地形、地面摩擦力、风的改变等因素，所规划所得的路径稳定性较差，当偏离程度较大时，根据其他算法所规划的路径将会让机器人不能平稳的行走，就必须得重新规划，浪费更多的时间。

发明内容

本发明的目的是针对上述不足，提出了一种首先建立包含不确定性不确定的轨迹预测模型，然后确定规划区域内的待优化路径，采用鸽群算法对待优化路径进行优化获取最优路径的基于鸽群算法的机器人路径规划方法。

本发明具体采用如下技术方案：

一种基于鸽群算法的机器人路径规划方法，包括以下步骤：

建立包含不确定性的轨迹预测模型：