[发明专利]基于蚁群算法和卷积神经网络的移动机器人路径规划方法

说明书

本发明公开一种基于蚁群算法和卷积神经网络的移动机器人路径规划方法，首先采用栅格法建立地图，在地图中标记机器人的起点和终点，标记出障碍物的位置信息。释放出k只蚂蚁，蚂蚁寻路过程中会留下信息素，信息素会对其他蚂蚁产生影响，通过信息素的浓度可以规划出一条最优路径。采用以深度可分离卷积为基础搭建轻量级特征提取网络结构，根据提取的特征分别对道路场景进行语义分割和机器人行驶方向分类，最后转化分割结果并与分类结果相结合来共同指导机器人自主避障。本发明方法能够根据移动机器人在所处未知的复杂环境中不同的障碍物位置，规划出一条避开所有障碍物的平滑的路径。

技术领域

本发明涉及路径规划领域，尤其涉及一种基于蚁群算法和卷积神经网络的移动机器人路 径规划方法。

背景技术

随着社会科技的快速发展，机器人已经逐步代替人工执行部分简单却又繁杂的工作出现 在生活的各个角落。对于巡检机器人而言，自主导航是其完成巡检工作的前提，而有效的避 障是机器人实现自主导航的基本要求之一。目前机器人路径规划技术已经相对成熟，然而变 电站道路情况多变，易对机器人的导航产生误差。

为此，本发明给出一种基于蚁群算法和卷积神经网络的移动机器人路径规划方法，采用 蚁群算法作为全局路径规划方法，采用深度卷积神经网络作为局部避障方法，使移动机器人 能够在复杂多变的实际道路完成路径规划并自动避障。为移动机器人规划最优路径提供了一 种新思路。

发明内容

本发明的目的在于提供一种基于蚁群算法和卷积神经网络的移动机器人路径规划方法， 用于规划移动机器人自主运动路径，进一步优化算法的性能。

为了达成上述目的，本发明的解决方案是：

基于蚁群算法和卷积神经网络的移动机器人路径规划方法，包括以下步骤(1)～(3)：

(1)规定机器人在矩形区域运动，将该矩形区域按照栅格法划为由x行y列个矩形栅格 组成的栅格地图，栅格地图中每一个栅格都代表一个节点，将多余节点优化；

(2)根据步骤(1)构建出的栅格地图，使用蚁群算法规划出一条路径最短的最优路径， 具体步骤为：

步骤(1.2.1)：初始化步骤(1)的栅格地图，具体为标记起始点，将所有待工作蚂蚁全部初始化留在起始点，蚂蚁序号k从1开始迭代，初始化禁忌表，初始信息素浓度都设为固定常数，当前最优节点记为j点，迭代次数记为i；

步骤(1.2.2)：迭代次数i加1，蚂蚁序号k加1；

步骤(1.2.3)：蚂蚁k按照概率转移公式转移 到下一个蚂蚁认为最优的j点，t代表时间轴，从t那一刻，编号为k的蚂蚁开始觅食，它从i节点爬到到第j个节点的转移概率主要跟随启发函数和信息素浓度高低改变；其中η_ij(t) 是从栅格i转移到栅格j的启发函数，τ_ij(t)代表两个节点之间的信息素浓度；allowed_k是编 号为k的蚂蚁被允许走的栅格集合；α叫做信息素启发因子，代表其他蚂蚁丢下的信息素对转 移概率的影响大小，α越大，表示一个蚂蚁受到其他蚂蚁的影响越大；β叫做期望启发因子， 它表示启发信息对蚂蚁寻路过程的影响大小，β越大，蚁群算法就越符合贪心原理，越容易 选择当前局部最短路径；

步骤(1.2.4)：将j点加入禁忌表；

步骤(1.2.5)：回到步骤(1.2.2)，直到所有蚂蚁都工作一遍，遍历栅格地图上所有点；

步骤(1.2.6)：按照蚁周模型更新调整信息素浓度τ_ij(t+1)＝(1-ρ)τ_ij(t)+Δτ_ij，ρ为信息素挥发系数，它的取值通常ρ∈(0，1)；

步骤(1.2.7)：若i达到最大迭代次数，则算法停止，输出当前程序计算出来的最优路 径，否则跳转到步骤(1.2.2)继续执行；