[发明专利]一种用于室内移动机器人运动控制的混合路径规划方法

说明书

本发明公开一种用于室内移动机器人运动控制的混合路径规划方法，属于机器人技术领域，其结合了静态环境的全局路径规划方法和动态环境的局部路径规划方法。本发明通过外部传感器为系统提供外部环境信息输入，由此建立栅格模型；本发明提出并行Bi‑directional A‑star算法与改进人工势场Artificial Potential Field算法融合的混合路径规划方法，通过并行Bi‑directional A‑star算法进行全局、静态路径搜索，通过改进APF算法进行局部、动态路径搜索。最后由以上混合方法得到的路径数据控制机器人的运动。本发明采用的混合路径规划方法对室内环境具有更强的适应能力，并且本发明所采用的一系列措施和优化方法所得到的路径具有很强的完备性和较好的最优性。

技术领域

本发明涉及机器人技术领域，特别涉及一种用于室内移动机器人运动控制的混合路径规划方法

背景技术

随着机器人技术的不断发展和成熟，机器人研究向智能化发展，机器人的应用已经不再局限于在传统的制造业上帮助人类完成一些有难度的工作，开始进军到太空探索、医疗、娱乐、服务等众多领域。其中，自主移动机器人在各个应用领域占据主导地位。

路径规划作为机器人领域的一个重要部分，主要负责为机器人在存在障碍物的环境中，提供一条由起始状态到目标状态的无碰撞最优路径。具有路径规划功能的移动机器人能够实现已知环境、部分已知环境，甚至是完全未知环境的自主避障与导航功能。路径规划根据不同的应用场景，可以分为全局路径规划和局部路径规划。已知环境下采用全局路径规划方法即可实现机器人自主导航，该类方法可以搜索到最优解，但是计算量庞大，时效性差；常用的全局路径规划算法有Dijkstra、A-star算法等，其中，Dijkstra算法以运行效率为代价获得最优解的成功率，而A-star算法在路径搜索过程中，极大的减小了搜索节点，提高了路径搜索效率，具有较好的鲁棒性。对动态环境或未知环境下一般采用局部路径规划实现动态避障的要求，该类方法具有实时性较高的优点，但是无法保证搜索到最优路径；局部路径规划算法有遗传算法、模糊控制算法、人工势场法(Artifitial PotentialField,APF)等，遗传算法路径搜索过程的计算量较大，局部寻优能力较差；模糊控制法实时性好，但对于复杂环境下，该算法的模糊控制规则会急剧膨胀；人工势场法结构简单，路径轨迹平滑，避障能力强，但是存在目标不可达和局部最小值缺点。

发明内容

本发明提供了一种室内移动机器人路径规划的方法，通过全局与局部路径规划的融合，解决全局规划时效性差和局部规划最优性差的问题，并采用并行Bi-directionalA-star算法以较少的路径最优性为代价大幅度提升全局搜索效率，采用改进的APF解决传统APF碰撞、目标不可达、局部最小值问题，极大的提升局部路径规划的完备性，同时提出一种window-APF实现方式大幅减少了动态环境下的计算量，进一步提高了系统的时效性。

本发明采用一下技术方案解决上述技术问题：

一种用于室内移动机器人运动控制的混合路径规划方法，具体包含如下步骤；

步骤1，建立室内机器人工作环境的全局栅格地图模型，并设置机器人运动的起点和目标点；

步骤2，对栅格地图中的障碍物进行预处理；

步骤3，在当前时刻的栅格地图中，对机器人采用并行Bi-directionalA-star算法实施全局路径规划策略，搜索获取由当前位置到目标点的无碰撞较优路径；

步骤4，分割步骤3所述方法所得的无碰撞较优路径，提取出一系列局部目标点，具体指起点、拐点以及目标点的集合；

步骤5，开启动态地图线程，实时更新传感器扫描重建的局部栅格地图信息；