[發明專利]一種多智能優化并行算法的機器人路徑規劃方法

有效

• 申請號: 202110578408.7
• 申請日: 2021-05-26
• 公開（公告）號: CN113110520B
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 黃超;張毅;鄭凱
• 申請（專利權）人: 重慶郵智機器人研究院有限公司
• 主分類號: G05D1/02
• 分類號: G05D1/02
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 楊柳岸

本發明涉及一種多智能優化并行算法的機器人路徑規劃方法，屬于機器人技術領域。該方法包括步驟：S1，利用粒子群優化算法的全局搜索能力實現移動機器人的路徑規劃；S2，以粒子群優化算法為主干，嵌入遺傳算法(GA)中的選擇、交叉、變異算子以及細菌覓食算法(BFO)中的趨化操作加強局部搜索能力；S3，利用并行策略優化路徑，提高機器人的路徑規劃效率；S4，設計柵格環境地圖，用于評定算法的優越性。本發明在復雜多障礙物的環境下，相較于其他算法，多智能優化并行算法彌補了PSO算法的缺陷，局部和整體的搜索能力大幅度提高，路徑規劃速度快且路徑距離短，同時具備更強的魯棒性。

技術領域

本發明屬于機器人技術領域，涉及一種多智能優化并行算法的機器人路徑規劃方法。

背景技術

路徑規劃一直是智能化移動機器人研究領域中的關鍵問題，其目的是確保機器人從指定的起始位置到達預定目標的路徑最短，同時在行進過程中可避開環境障礙。路徑搜索的問題現已存在許多解決方法，可以在不同程度上解決普遍存在的研究問題。路徑規劃根據智能化程度可分為分傳統路徑規劃算法和智能路徑規劃算法。傳統路徑規劃算法包含模擬退火(Simulated Annealing Algorithm,SA)、人工勢場法(Artificial PotentialField,APF)、模糊邏輯(Fuzzy Logic Algorithm,FLA)、禁忌搜索等方法，但是此類方法存在收斂速度慢，路徑冗余等問題。常用的智能路徑規劃算法有粒子群優化算法(ParticleSwarm Optimization,PSO)、遺傳算法(Genetic Algorithm,GA)、細菌覓食算法(BacterialForaging Algorithm,BFO)、蟻群算法(Ant Colony Optimization,ACO)等。智能算法通常具優秀的搜索的能力，且結構簡單，易于相互融合，達到提高算法的性能，因此被廣泛應用于移動機器人的路徑規劃。

現有的智能化路徑規劃算法，大多都只是利用單一的智能優化算法進行改進用于路徑規劃，或者通過堆疊的方式融合兩種智能算法用于路徑規劃。單一的智能算法存在搜索能力弱，簡單的融合又造成時間消耗大，不穩定的問題。目前鮮少有人將多種智能算法通過全新的方式結合起來，不僅可以增強搜索能力，而且還可以加快搜索速度，提高算法的穩定性。

發明內容

有鑒于此，本發明的目的在于提供一種多智能優化并行算法的機器人路徑規劃方法。

為達到上述目的，本發明提供如下技術方案：

一種多智能優化并行算法的機器人路徑規劃方法，其包括以下步驟：

S1，建立環境柵格地圖，利用環境模型來對路徑規劃算法進行評估；

S2，為解決粒子群優化算法應用于路徑規劃時存在易陷入局部極值的問題，提出多智能優化并行算法的機器人路徑規劃方法，利用多個算法互補獲取路徑；

S3，為解決多智能算法單純堆疊存在的時間消耗較大的問題，提出并行策略，通過嵌入并行的遺傳算法中的選擇、交叉、變異算子以及細菌覓食算法中的趨化操作加強局部搜索能力；

S4，將粒子分為兩類，分別進行局部搜索，增強局部搜索能力的同時，縮短時間；

S5，為驗證算法的有效性，在柵格地圖上測試了該算法，并以不同的智能優化算法的測試結果作為對照。

進一步的，所述步驟S1通過RGB-D傳感器獲取環境信息，降維處理為柵格地圖，柵格地圖就是將實際工作環境等價為由相同大小格子構成的一個柵格矩陣，對每個柵格以0-1進行編碼，將實際障礙物對應的柵格以1填充，在地圖中以黑色表示，對可行區域以0填充，白色表示。根據柵格法，即可有效的將機器人的工作環境映射到平面上，便于路徑的規劃。