[发明专利]一种基于粒子群优化算法的机器人导航方法

说明书

本发明提出的一种基于粒子群优化算法的机器人导航方法，包括：建立二维坐标网格模型，在二维坐标网格模型上绘制出发点到目的地点的连线作为导向直线，并在导向直线上设置n个节点用于将导向直线分割为n+1段；根据网格点平移各被障碍物覆盖的节点，然后根据粒子群优化算法获取出发点与相邻的节点之间的优化路径、在横坐标上相邻的两个节点之间的优化路径以及目的地与最接近的节点之间的优化路径；串联所有优化路径获取出发点与目的地点之间的导航路径。本发明有利于提高计算速度和精确度，并保证最终获取的导航路径在导向直线附件浮动，从而有利于缩短导航路径，优化机器人行走路线，提高工作效率。

技术领域

本发明涉及路线导航技术领域，尤其涉及一种基于粒子群优化算法的机器人导航方法。

背景技术

运动路径的规划是机械人工智能的一个重要组成部分，它可以给予机器人智能运动并躲避障碍的能力。一开始我们给定机器人在障碍物众多的2D环境中的开始点位置和终点位置，路径导航的基本目标是在避免与障碍物接触的同时，为机器人生成朝向目标点的最短路径。根据可用信息量的大小，路径导航可分成离线路径导航和在线路径导航。在离线路径导航中，机器人具有关于环境的先验信息，而在线路径导航中，机器人没有关于环境的先验信息。一般路径导航问题被认为是NP-难的(非确定性多项式)，因为解决这类问题所需的计算时间随着问题的大小或维度的增加以指数速率增加，当问题中的条件较为复杂时，就很难在有限时间里得出答案。

自从N.J.尼尔森在1960年后期[3,4]提出的开创性工作以来，人们对运动规划算法进行了大量的研究，如能见度图、Voronoi图、概率路线图、快速探索随机树、势场和许多其他算法，这些经典运动规划方法存在计算量大、时间长等缺点。

相对于经典运动规划方法计算量大、时间长等缺点，启发式算法在求解路径导航问题时具有易于实现等优点，因此引起了研究者们的广泛关注。粒子群算法是一种非常简单，但却是非常强大的启发式优化技术，在许多复杂的优化问题中被证明是非常有效的。与遗传算法和其他启发式技术相比，粒子群优化算法具有许多优点，如鲁棒性高、快速收敛、需要修改的参数少。且粒子群优化算法是一种简单同时也是非常强大的智能算法，已被证明非常适合应用于复杂程度比较高的多维优化难题。

粒子群优化算法中，粒子群是通过给粒子群中的每个粒子一个任意的坐标和速度来进行初始化。粒子群里的每个成员都需要被随机搁置在问题解的全集里面。用适应函数来评价每个粒子的适应值，每个粒子的适应度最大值存储在Pbest中，整个群中的全局最大值存储在Gbest中。在下一次迭代中，使用(1)和(2)将这些粒子移动到新的位置，并且给予每个粒子一个新的速度。粒子通过相互交流单个粒子全局最佳位置和整个粒子群的全局最佳位置逐渐达到全局最佳位置。以上的过程重复进行，直到所有粒子收敛到同一点或者重复的次数到达了之前设定的一个阈值。

PSO(粒子群优化算法)主要运用以下两个公式(1)、(2)来更新每个粒子的V(速度)和X(位置)：

(1) V_i＝wV_i-1+c₁r₁(P_best-X_i-1)+c₂r₂(G_best-X_i-1)

(2) X_i＝X_i-1+V_i

其中，c1和c2分别表示个体学习率和群体学习率，并且它们的值通常被设定为2，r1和r2是在[0-1]范围内均匀分布的随机数。参数c1和c2表示粒子自身最佳位置与相邻粒子最佳位置的相对重要性，W是惯性权重因子，用于提高搜索稳定性。为了让粒子能够更精确、有效地收敛，可以通过减小W的大小来达到目标。为了加快该群的全局最优解的探索速度，可以使用较大的W值，如果是为了加快局部最优解寻找速度，优选使用较小的W值。全局最优解的探索与局部最优解的探索之间的平衡可以通过常用的线性降低惯性权重策略来实现，如公式(3)所示。