[发明专利]一种多智能优化并行算法的机器人路径规划方法

说明书

本发明涉及一种多智能优化并行算法的机器人路径规划方法，属于机器人技术领域。该方法包括步骤：S1，利用粒子群优化算法的全局搜索能力实现移动机器人的路径规划；S2，以粒子群优化算法为主干，嵌入遗传算法(GA)中的选择、交叉、变异算子以及细菌觅食算法(BFO)中的趋化操作加强局部搜索能力；S3，利用并行策略优化路径，提高机器人的路径规划效率；S4，设计栅格环境地图，用于评定算法的优越性。本发明在复杂多障碍物的环境下，相较于其他算法，多智能优化并行算法弥补了PSO算法的缺陷，局部和整体的搜索能力大幅度提高，路径规划速度快且路径距离短，同时具备更强的鲁棒性。

技术领域

本发明属于机器人技术领域，涉及一种多智能优化并行算法的机器人路径规划方法。

背景技术

路径规划一直是智能化移动机器人研究领域中的关键问题，其目的是确保机器人从指定的起始位置到达预定目标的路径最短，同时在行进过程中可避开环境障碍。路径搜索的问题现已存在许多解决方法，可以在不同程度上解决普遍存在的研究问题。路径规划根据智能化程度可分为分传统路径规划算法和智能路径规划算法。传统路径规划算法包含模拟退火(Simulated Annealing Algorithm,SA)、人工势场法(Artificial PotentialField,APF)、模糊逻辑(Fuzzy Logic Algorithm,FLA)、禁忌搜索等方法，但是此类方法存在收敛速度慢，路径冗余等问题。常用的智能路径规划算法有粒子群优化算法(ParticleSwarm Optimization,PSO)、遗传算法(Genetic Algorithm,GA)、细菌觅食算法(BacterialForaging Algorithm,BFO)、蚁群算法(Ant Colony Optimization,ACO)等。智能算法通常具优秀的搜索的能力，且结构简单，易于相互融合，达到提高算法的性能，因此被广泛应用于移动机器人的路径规划。

现有的智能化路径规划算法，大多都只是利用单一的智能优化算法进行改进用于路径规划，或者通过堆叠的方式融合两种智能算法用于路径规划。单一的智能算法存在搜索能力弱，简单的融合又造成时间消耗大，不稳定的问题。目前鲜少有人将多种智能算法通过全新的方式结合起来，不仅可以增强搜索能力，而且还可以加快搜索速度，提高算法的稳定性。

发明内容

有鉴于此，本发明的目的在于提供一种多智能优化并行算法的机器人路径规划方法。

为达到上述目的，本发明提供如下技术方案：

一种多智能优化并行算法的机器人路径规划方法，其包括以下步骤：

S1，建立环境栅格地图，利用环境模型来对路径规划算法进行评估；

S2，为解决粒子群优化算法应用于路径规划时存在易陷入局部极值的问题，提出多智能优化并行算法的机器人路径规划方法，利用多个算法互补获取路径；

S3，为解决多智能算法单纯堆叠存在的时间消耗较大的问题，提出并行策略，通过嵌入并行的遗传算法中的选择、交叉、变异算子以及细菌觅食算法中的趋化操作加强局部搜索能力；

S4，将粒子分为两类，分别进行局部搜索，增强局部搜索能力的同时，缩短时间；

S5，为验证算法的有效性，在栅格地图上测试了该算法，并以不同的智能优化算法的测试结果作为对照。

进一步的，所述步骤S1通过RGB-D传感器获取环境信息，降维处理为栅格地图，栅格地图就是将实际工作环境等价为由相同大小格子构成的一个栅格矩阵，对每个栅格以0-1进行编码，将实际障碍物对应的栅格以1填充，在地图中以黑色表示，对可行区域以0填充，白色表示。根据栅格法，即可有效的将机器人的工作环境映射到平面上，便于路径的规划。