[发明专利]基于地图预处理和改进A-Star算法的移动机器人路径规划方法

说明书

本发明属于机器人控制领域，通过采用基于Restnet101网络的Mask RCNN模型来对地图环境进行预处理，把地图中凹形区域识别出来并填充来避免路径规划时算法大量搜索凹形区域浪费时间。同时在A‑Star算法的起始点和目标点之间加入两个中间点来进行六个方向的扩展，提高路径规划的效率。其次，结合移动机器人运动时的真实场景，在A‑Star算法的启发函数中加入安全策略让规划出的路线与障碍物保持一定距离。最终构建出了应用于移动机器人路径规划的基于地图预处理和改进A‑Star算的路径规划方法。本发明用以提高移动机器人的路径规划效率。

技术领域

本发明属于机器人控制领域，具体涉及一种基于地图预处理和改进A-Star算法的移动机器人路径规划方法。

背景技术

现代机器人是由控制器、处理器、传感器等设备子系统集成的复杂子系统，广泛应用于工业生产、海空探索、家庭服务、物流运输等领域。移动机器人是机器人学技术的一个重要分支，是集成感知、控制、导航于一体的系统。而路径规划是移动机器人实现导航的核心技术之一。路径规划是指在有障碍物的环境中，移动机器人按照一定的评价标准，寻找一条从起始点到目标点的无碰撞路径。

路径规划通常分为局部路径规划和全局路径规划。全局路径规划是移动机器人在信息导航是地图环境是已知的。局部路径规划是地图环境为止，在导航过程中可能会有新的障碍物出现。全局路径规划主要包括基于图搜索的Dijkstra算法、A-Star算法，基于随机采样的PRM、RRT等，还有一些生物启发的智能算法，主要包括蚁群算法、遗传算法、神经网络等。

A-Star算法是全局路径规划搜索最短路径的有效方法，它综合了Dijkstra算法和广度优先搜索及贪婪搜索的做法。A-Star在规划过程中需要维护待扩展节点的Open表和已经扩展节点的Close表，时刻对扩展的每个节点进行检测，并寻找启发式函数最小的节点前进。因此A-Star算法主要计算量在对于节点的检测和选择，当路径规划地图环境场景较大或者地图环境中存在大量凹型障碍物时，A-Star算法会陷入凹形区域而导致计算量增大、计算时间长、规划效率低等问题。

发明内容

本发明提供一种基于地图预处理和改进A-Star算法的移动机器人路径规划方法，用以解决目前使用A-Star算法进行路径规划时效率低的问题。

本发明通过以下技术方案实现：

一种基于地图预处理和改进A-Star算法的移动机器人路径规划方法，所述实现方法包括以下步骤：

步骤1：将地图图片送去预先训练的目标识别填充模型，输出将地图中凹形区域全部填充完毕的地图图片；

步骤2：输入起始点坐标和目标点坐标，计算两点连线的两个中间点并进行碰撞检测，两个中间点不是障碍物则保留，是障碍物则选择新的中间点；

步骤3：从起始点、中间点以及目标点扩展，采用带安全策略的A-Star进行路径规划，若有两个中间点则用六颗搜索树来进行路径规划，有一个中间点则用四颗搜索树进行路径规划，无中间点则用两颗搜索树进行路径规划；

步骤4：将路径节点连接，输出起始点到目标点的路径；

一种基于地图预处理和改进A-Star算法的移动机器人路径规划方法，所述步骤1具体包括以下步骤：

步骤1.1：通过随机生成大量带凹型区域的地图图片作为训练样本；

步骤1.2：使用标记工具对步骤1.1中生成的训练样本中的每一个凹形区域进行标记，并划分训练集和测试集；

步骤1.3：将训练集中的地图图片作为输入数据，进行基于ResNet101网络的MaskRCNN模型训练，并根据测试集不断调整模型权重，直到预测目标的置信度大于预设阈值时获取地图中凹形区域的识别模型。