[发明专利]基于蚁群算法和极坐标变换的无人自行车路径规划方法

权利要求书

1.基于蚁群算法和极坐标变换的无人自行车路径规划方法，其特征在于包括如下步骤：

(1)根据无人自行车的工作环境，利用栅格法进行环境建模；

(2)设置蚁群算法的详细参数：信息素维度D、最大迭代次数M、信息素数N、信息素变量的最大速度V_max、学习因子c₁，c₂和惯性权重W，这三个参数按照一般的蚁群算法选取，信息素维度则由以下参数决定：D≈distance(path)bike_length，信息素变量的最大速度为：

V_max＝0.1(α_max-α_min)/D；

(3)设定极坐标的长度、探测最大角度和最小角度，探测最大角度和最小角度一般取0～π/2；

(4)根据均匀分布生成随机数的方法，进行蚁群的初始化，并设定环境地图位置范围内的信息素位置范围和速度范围；

(5)进行极坐标和直角坐标之间的变换，获得路径x，y坐标值，根据信息素的约束条件判断信息素是否有效，无效则重新初始化，直到保证所有信息素有效，检查信息素位置和障碍物位置；

(6)采用路径规划的适应度函数，计算每个信息素的适应度值，将信息素的个体历史最优值和当前信息素适应度值进行比较，若当前的适应度值比历史最优值小，则用当前的适应度值替换个体历史最优值；

(7)将信息素历史最优适应值数组中最小值与当前的全局历史最优值进行比较，若其值小于全局最优值，则用最小值替换全局最优值，否则不替换，根据信息素上次取得的迭代历史最优值和当前迭代历史最优值，计算并保存两者之间的最优值；

(8)更新种群中信息素的位置和速度信息，若信息素搜索的位置超过了已设定的空间范围，则选取最大位置；

(9)将本次迭代的信息素最优值与之前连续迭代结果进行比较，若未发生变化则采用以前优化值，并检查是否达到最大迭代次数，若未达到则反复计算。

(10)到达最大迭代次数后，采用舒曼滤波法进行平滑处理，对算出的路径进行修改，显示计算结果与最优路径。

2.根据权利要求1的基于蚁群算法和极坐标变换的无人自行车路径规划方法，其特征在于：步骤(1)中栅格粒度大小的确定是根据无人自行车自身的尺寸大小以及障碍物的面积大小来设置。

3.根据权利要求1的基于蚁群算法和极坐标变换的无人自行车路径规划方法，其特征在于：所述无人自行车前进的方向上设置三个模拟传感器，以探测前方到障碍物的距离情况。

4.根据权利要求1的基于蚁群算法和极坐标变换的无人自行车路径规划方法，其特征在于：所述信息素构成信息素表，每个元素代表一定距离下选择沿一角度运动的信息素强度，采用矩阵A表示信息素表，将无人自行车与地面障碍物距离在初始距离与地面目标之差上10等分，而无人自行车单次移动方向选择相对于障碍物连线夹角的-90度-90度上角度18等分，并选择其中的17个作为搜索方向，从而确定340个元素作为信息素表的各个元素，将无人自行车与地面站该物初始距离与地面目标之差定义为M，无人自行车与障碍物目标连线角度设定为α。

5.根据权利要求4的基于蚁群算法和极坐标变换的无人自行车路径规划方法，其特征在于：在完成若干轮单次迭代后，若按每次新信息素表出发的无人自行车都能成功避开障碍物，则判定算法结束。

6.根据权利要求1的基于蚁群算法和极坐标变换的无人自行车路径规划方法，其特征在于：所述信息素更新用于无人自行车释放信息素的过程，分为两个阶段进行，第一个阶段是在无人自行车追踪地面障碍物的阶段，第二个阶段是在无人自行车在保持与地面障碍物安全距离的阶段。

7.根据权利要求6的基于蚁群算法和极坐标变换的无人自行车路径规划方法，其特征在于：所述第一个阶段的信息素更新方法是：在每个时间片内，如果单次前进方向连续若干次都是所有方向中使无人自行车与地面障碍物目标距离减小最多的那个方向，结合其距离在信息素表中找到对应信息素，进行更新即累加操作。

8.根据权利要求6的基于蚁群算法和极坐标变换的无人自行车路径规划方法，其特征在于：所述第二个阶段的信息素更新方法是按照一定的时间间隔实时判断与地面障碍物的距离，并在一定区域范围内对选择的移动方向对应的位置信息素全部进行更新。