基于优化混合蚁群算法的移动机器人避障与路径规划研究

发布时间：2020-06-07 20:27

【摘要】：机器人的产生是时代进步的象征,而使机器人能够安全地在人类环境下自主导航是移动机器人应用的前提。由于室内环境复杂,实现该环境下的自主导航不仅需要规划出最优路径,而且需要安全避障。所以,路径规划与避障的研究就尤为重要。论文的主要工作如下:首先,对移动机器人导航相关技术研究现状、路径规划与避障主要技术展开研究,选择ROS为机器人操作系统,激光传感器来获取环境信息,完成了基于ROS的机器人路径规划与避障的总体方案设计。其次,针对蚁群算法初始时刻随机搜索路径效率低和容易陷入局部最优的问题,提出一种新型的优化混合蚁群算法。该算法结合人工势场产生的目标引力构造启发因子,将启发因子与蚁群算法的初始启发因子相结合,构建综合启发式信息,提高搜索速度,降低搜索时间;将蚁群算法中的信息素采用狼群算法原理进行计算改进,避免其陷入局部最优;最后,利用路径优化算法对规划路径进行改进,使路径拐点减少,增加路径适用性。再次,文中设计了一种预测避障方法。该方法首先利用激光传感器得到障碍物数据,然后通过对激光传感器检测数据进行处理并建立障碍物模型,最后调用预测避障算法,通过智能计算,预测判断障碍物是否会与机器人碰撞,使机器人对将要与之碰撞的动态障碍物提前做出反应,增加避障的成功率。然后使用优化混合蚁群算法进行全局路径规划,使用预测避障方法进行局部避障,通过坐标对比检测动态障碍物,在机器人前进过程中调用局部避障算法,实现机器人的动态路径规划。最后,以ROS2-bot机器人作为实验平台,利用ROS操作系统,调用全局路径规划与局部避障算法,在不同的场景下进行实验,实验表明该算法具有较高的可靠性和适应性。
【图文】：

曲线,测试函数,寻优,迭代

(e) Easom 测试函数图 3.1 4 种算法对 5 种测试函数的寻优迭代曲线表 3.2 测试函数最优值及统计分析测试函数Booth Matyas Griewank Restrig 0.057065 0.032071 1.13678 1.0401 0.000435 0.000540 0.224761 0.0002差 0.032143 0.021086 0.394722 0.3145 0.055183 0.031532 1.67932 1.0456 0.000134 0.0002901 0.272257 0.0007差 0.013323 0.016342 0.531783 0.2241 0.004432 0.018034 0.962141 0.8064 0.0000105 0.000104 0.153862 0.10400差 0.001349 0.004791 0.3765871 0.50676 0.001514 0.001727 0.046773 0.6016 0.000001942 0.000000725 0.020581 0.00550差 0.000971 0.000891 0.003868 0.4031表 3.3 函数收敛迭代次数

路径优化,路径,路径长度

(c) (d)图 3.2 路径优化示例图每个栅格边长为 1，把生成路径顶点和拐点进行编号 1 2 3 4s , s , s , s 所得路径 1 2 3 4 5 6, , , , ,aPath s s s s s s，路径长度为 8.828。而实际线最短原则，从起点开始，与路径上下一个节点相连接然后做去掉一些不必要的点，直到留下与障碍物不发生碰撞的最少的路径 1 4 5 6, , ,aPath s s s s，路径长度为 8.537，同时路径具有更小的器人执行。具体步骤如下：p 1：首先将某条路径中第一点和第三点赋值给 S 和 N ；p 2：判断和之间的连线是否穿越了障碍栅格，如果是，则转到 Step 3；p 3：将 N 节点所在的上一节点赋值给 S ，，转到 Step 2 继续判断；
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP242;TP18

【参考文献】