[发明专利]一种基于蚁群改进和尖峰平滑的移动机器人路径规划方法

说明书

本发明涉及一种基于蚁群改进和尖峰平滑的移动机器人路径规划方法，属于机器人路径规划、人工智能等领域。本发明融入了精英蚂蚁策略和基于中心点的平滑方法，引入精英策略，解决局部最优的缺点；基于中心点的平滑方法对路径尖峰有修正作用，使得路径拐角更为平滑，机器人实体能在拐弯的过程中平稳前进，同时减少在路径尖峰处不必要的能量损耗。该改进蚁群算法应用于移动机器人路径规划能得到一条长度较短相对平滑的曲线路径。

技术领域

本发明涉及一种基于蚁群改进和尖峰平滑的移动机器人路径规划方法，属于机器人路径规划、人工智能等领域。

背景技术

近年来，机器人在生活中的应用越来越广泛，移动机器人作为机器人应用中的重要分支，其在生产生活中的重要性也逐渐体现出来。移动机器人路径规划作为机器人自主导航的一个重要问题备受关注，机器人要完成某项任务，先决条件是要到达任务区域，所以移动机器人路径规划问题是机器人领域中的重要研究内容。

蚁群算法(Ant Colony Algorithn，ACA)又称为蚂蚁算法，由Marco Dorigo于1992年在他的博士论文中提出，其启发于蚂蚁群体可以通过信息素进行通信而体现出的智能行为。蚂蚁从蚁窝到食物的最优路径的选择是通过蚁群的群体智能行为体现的。蚂蚁在觅食的过程中，以信息素为媒介进行交流的，蚂蚁会在经过的路上留下信息素，并且能在觅食过程中感知该信息素的浓度，来指导自己的行为，信息素的浓度与路径的长度成反比，蚂蚁总是朝着信息素浓度高的方向移动，蚂蚁群体的觅食行为就是一种对信息素的正反馈现象，如果某一条路径越短，上面经过的蚂蚁就越多，信息素也会越多的遗留，也就是信息素的浓度越高，后面经过的蚂蚁选择这条路的概率就越大，经过这种正反馈过程，蚁群就会选择出最优路径。

国内外很多研究者对移动机器人路径规划做了很多研究，也出现了很多解决此类问题的方法，常见的有：遗传算法、神经网络、粒子群算法、A*算法等等。遗传算法的全局搜索能力比较强，但是其缺点是如果环境发生变化时需要重新建立相应的数学模型，使得运作成本增加，并且规划效率较低。用神经网络进行路径规划很难获取具有代表性的神经网络训练样本。A*算法由于其中的启发式函数很难做到完全正确，这样使得搜索过程会陷入“死循环”。粒子群算法的局部寻优能力较差，并且其速度和位置更新公式不够完善，使得路径规划的计算效率和可靠性受到影响。蚁群算法是一种典型的启发式搜索算法，具有较强的鲁棒性、优良的分布式计算、易于与其他算法结合等优点。基本蚁群算法有求解速度慢，容易陷入局部最优解的缺点；上述的多数算法都忽略了路径规划中对路径平滑性的要求，这样会使得机器人平衡性差，且在路径尖峰处会产生不必要的能量损耗。

发明内容

针对以上现有技术中的不足，本发明提供了一种基于蚁群改进和尖峰平滑的移动机器人路径规划方法，融入了精英蚂蚁策略和基于中心点的平滑方法。

本发明的技术方案是：一种基于蚁群改进和尖峰平滑的移动机器人路径规划方法，所述方法步骤如下：

S1、利用栅格法对移动机器人运行空间进行环境建模；

S2、设置参数，对蚂蚁个数M、迭代次数N、蚂蚁起始点和终止点初始化，启发因子α、期望启发因子β、信息素挥发系数ρ、信息素增加强度系数Q、期望偏转角度θ₁、禁忌表B_k初始化；

S3、M只蚂蚁从初始点出发；

S4、蚂蚁个体k根据状态转移概率公式以最大转移概率从栅格i转移到邻接栅格j；

S5、蚂蚁个体k每转移一次，将栅格j加入禁忌表B_k；

S6、根据精英策略信息素更新公式τ_ij(t+1)更新信息素，用于状态转移概率公式里τ_ij(t)的更新；其中，τ_ij(t+1)表示t+1时刻蚂蚁个体k从栅格i点转移到栅格j点的信息素强度；