[发明专利]一种基于种群多样性的自适应多目标机器人避障算法

说明书

技术领域

本发明公开了一种基于种群多样性的多目标机器人避障方法，属于人工智能领域。

技术背景

移动机器人是智能控制技术中的一个重要领域，已经被广泛应用在军事、工业、农业和教育等领域。路径规划是移动机器人系统中的一个重要内容，他直接影响机器人完成任务的质量。其任务就是实现使机器人在其工作环境中能够自主的从起点运动到终点，同时满足一定的约束条件，约束条件包括不与障碍物碰撞；运动路径最短；运动轨迹尽量光滑等。多目标进化算法(MOEA)是一类模拟生物进化机制而形成的全局性概率优化搜索方法,在20世纪90年代中期开始迅速发展,其发展可以分为两个阶段。第一阶段主要有两种方法即不基于Pareto优化的方法和基于Pareto优化的方法;第二个阶段就是在此基础上提出了外部集这个概念,外部集存放的是当前代的所有非支配个体,从而使解集保持较好的分布度。这个时期提出的多目标进化算法更多地强调算法的效率和有效性。在这两个阶段中,比较典型的多目标进化算法有NSGA2、PESA2和SPEA2等。

 

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于种群多样性的多目标机器人路径避障方法。     根据本发明的方案，提出了一种基于种群多样性的多目标机器人避障方法，包括以下步骤：

步骤一：对环境进行建模,种群初始化，并判断种群个体与障碍物之间的关系。

步骤二：基于种群多样性的自适应多目标机器人路径规划算法。

步骤三：对所得的结果进行路径平滑处理，最后得到该地图中机器人行走的最优路径。

相比现有技术，本发明方法具有以下有益效果：

一般的进化算法采用固定的遗传参数，种群进化容易陷入局部收敛，当搜索空间特别不规则时，表现地尤为明显。不能根据种群的进化情况进行自适应调整，这限制了算法的收敛速度，这就使得进化走向局部收敛的可能性增加。本发明提出一种基于种群多样性的自适应调整遗传参数的改进方法，给出了一种快速有效的全局路径规划方法。进一步拓宽了机器人的应用范围，提高了算法的鲁棒性。本发明的方法相比于其他方法而言，显著提高了算法对于路径规划问题的处理速度。

附图说明

图1是本文机器人避障算法的流程图。

图2、3、4是本文算法与未改进算法的收敛分析图。

图5、6是本文避障机器人行走的最优路径图。

具体实施方式

下面结合附图对本发明作具体说明。所描述的实施范例仅是为了说明的目的，而不是对本发明范围的限制。

步骤一:对环境进行建模,种群初始化，并判断种群个体与障碍物之间的关系。

（1）环境建模：多边形表示障碍物，点表示机器人，确定机器人的起始点与终止点。

（2）种群初始化：将起点和终点做一条直线连线，将该直线看成是新的横坐标轴XX，做垂直于XX的新的纵坐标轴YY。将该直线若干等分，下面就可以在每条等分线上分别随机取一点，形成初始种群个体。

（3）判断种群个体是否在障碍物内

若在障碍物内或在边缘上，则删除该点，并重新生成初始点，否则保留该点。随机点与障碍物的关系在这里采用射线法进行判别。所谓射线法是以随机点为端点向左做平行于X轴的射线L，然后计算该射线L与障碍物的焦点。若焦点为偶数个，说明随机点在障碍物外部;若焦点为奇数个，说明随机点在障碍物内部，那么需要删除此点。但是有些特殊的情况需要考虑，比如L与某障碍物的边重合或平行，则计算焦点没有意义，因此障碍物中水平的边不做考虑;另外，射线L恰好经过障碍物的某个端点时，若端点所在障碍物的边中纵坐标的值大于另一端点的纵坐标的值，则计数;否则不计数。

（4）判断机器人路径是否与障碍物相交

首先取第一个障碍物的第一条边和随机点结构的第一条边，根据线段所在边的直线方程来计算折线与障碍物边是否相交。循环操作，计算出每条折线与每个障碍物的每条边的交点。判定交点是否在障碍物边所在线段的范围。若某路径段与障碍物的某条边相交，我们采用重新生成第二个路径点的方式重新初始化该点，一直到所有路径与障碍物均不相交为止。

步骤二:基于种群多样性的自适应多目标机器人路径规划算法

（1）计算种群个体的适应度，并进行环境选择。如果外部存档集的规模超过约定值，利用修剪过程降低其大小，如果大小比约定值小，则从种群个体中选取支配个体填满之。