[发明专利]基于改进PSO算法的移动机器人路径规划方法、系统及应用

说明书

本发明属于移动机器人路径规划领域，本发明公开了一种基于改进PSO算法的移动机器人路径规划方法、系统及应用，构造适应度函数综合了两个分别考虑路径长度和障碍风险度的评价函数；改进的PSO算法中引入双向学习策略来扩大粒子的搜索范围、丰富种群多样性；在双向学习策略中，为了克服在优化复杂函数时无法很好地调节寻优进程的问题，提出了双重自适应策略，更好地平衡群体中粒子的搜索行为。然后通过吸引‑排斥策略，使粒子能够分别被全局最优粒子和全局最差粒子所引导进而朝着更优的方向进化，提高了算法的局部寻优性能和收敛能力。本发明完成了基于改进PSO算法的路径规划方法框架，实现了静态环境下的机器人最优路径规划。

技术领域

本发明属于移动机器人路径规划领域，具体涉及一种基于改进PSO算法的移动机器人路径规划方法。

背景技术

随着科技的发展移动机器人在不同领域得到了广泛应用，如机器人救援、机器人巡逻、机器人监视等，其中路径规划是移动机器人重要技能之一。合理的路径规划可以使在机器人在执行任务时规划出从起点到目标点最短且无碰撞的平滑路径。由于机器人工作环境复杂，很难找到最短且平滑的路径。因此，如何在满足各项约束条件的前提下,规划出最优指标(时间、距离、能耗等)下的路径具有重要的理论价值与实际意义。

目前经典路径规划方法可分为两大类。

一种路径规划方法是一些通用方法的变体，如人工势场法和路线图规划法。人工势场法中当某一点引力和斥力相等、方向相反时，机器人会认为已经到达目标点，停止移动或在某一区域徘徊。路线图规划方法当障碍物增加时，其顶点之间的连接数量也会随之增加，导致规划复杂度和规划时间的增加。

另一种路径规划方法是启发式方法，机器人路径规划中采用的主要元启发式方法有模拟退火、遗传算法、粒子群算法。使用启发式算法，虽不保证能找到解决方案，但是如果找到了解决方案，将比确定性方法快得多。

PSO算法作为一种智能优化算法，具有搜索速度快、易于实现等优点，被广泛应用于求解路径规划和目标搜索等问题。为了防止粒子群算法在搜索过程中因过早收敛而陷入局部最优，国内外学者提出了许多改进的粒子群算法。但由于该算法惯性权重w和学习因子c等可调参数的存在，如果设置不当会导致算法在寻优过程中存在过早收敛和收敛速度慢的问题，造成规划路径不是最优。

为了克服以上缺点，因此希望开发出新的PSO优化方法，实现移动机器人路径规划最短且无碰撞。

解决上述现有技术存在的问题的难度：由于PSO算法种群大小、惯性权重和学习因子等参数的可调性，如何合理的设置此类参数设置的数值，以及避免 PSO算法在局部最优问题中出现过早收敛、甚至缺乏种群多样性的现象，使得算法性能提高，使得移动机器人规划出最优路径、减少资源浪费是该技术的难点。

解决上述现有技术存在的问题的意义：本公开一种基于改进PSO算法的移动机器人路径规划方法可以显著的提高基本PSO算法的优化效果，有效克服基本PSO算法应用于路径规划时，出现的路径过长、路径不平滑等问题，具有能耗低、磨损小等优点。

发明内容

针对现有技术存在的问题，本发明提供了一种基于改进PSO算法的移动机器人路径规划方法。

本发明是这样实现的，针对在复杂环境中工作的移动机器人寻找出低能耗的无障碍路径。

一种基于改进PSO算法的移动机器人路径规划方法，该方法构造的适应度函数综合了两个分别考虑路径长度和障碍风险度的评价函数；

改进的PSO算法中引入双向学习策略来扩大粒子的搜索范围、丰富种群多样性；

在双向学习策略中，利用双重自适应策略平衡群体中粒子的搜索行为；通过吸引-排斥策略，使粒子能够分别被全局最优粒子和全局最差粒子所引导进而朝着更优的方向进化；

基于改进PSO算法的路径规划方法框架，实现静态环境下的机器人最优路径规划。