[发明专利]一种基于二阶贝塞尔曲线的机器人连续路径优化方法

说明书

本申请提供有一种基于二阶贝塞尔曲线的机器人连续路径优化方法，首先用二阶贝塞尔曲线控制点得到的第一控制向量对BP神经网络进行训练得到预测模型，然后以预测模型为基础，综合考虑路径可行性、安全性、运行效率因素，构建评价函数，将路径规划问题转化为最优化求解问题，对实际路径进行迭代求解，得到满足终止条件的最优路径二阶贝塞尔曲线控制点组成的集合，输入二阶贝塞尔曲线函数求解出各转折点对应的二阶贝塞尔曲线，得到优化路径。本申请能够对图搜索类和随机采样类传统路径规划算法进行后优化处理，较好的满足了机器人连续行进的要求，既提高了电机使用寿命，也提高了路径优化处理的效率，具有求解速度快、安全性高、平滑性好的优点。

技术领域

本申请属于移动机器人路径规划技术领域，具体涉及一种基于二阶贝塞尔曲线的机器人连续路径优化方法。

背景技术

移动机器人的路径规划算法包括图搜索类、随机采样类、势场类和目标优化类，其中图搜索类和随机采样类路径规划算法具有运算效率高、求解路径长度短等优点而普遍应用，但也存在路径转折点多、安全性和平滑性较差等问题，如图3所示为采用图搜索类或随机采样类传统路径规划算法得到的路径示意图，必须选择能够原地转向的机器人，而且每次行走到路径转折点处，机器人必须停止行走并进行原地转向才能沿下一阶段路径行走，电机的频繁启动加剧了电机的损耗降低了电机寿命。由于贝塞尔曲线在路径的平滑过渡上具有良好的性能，目前大都采用贝塞尔曲线对移动机器人的行走路径进行后处理优化，但现有技术中较多的是使用三阶以上的贝塞尔曲线，而且贝塞尔曲线控制点采用人工选择的方式确定，存在求解速度慢、优化处理结果主观性较强的缺点。

发明内容

鉴于上述缺陷或不足，本申请旨在提供一种基于二阶贝塞尔曲线的机器人连续路径优化方法，通过BP神经网络构建二阶贝塞尔曲线路径控制点的最大偏移量预测模型，消除了人工选择路径控制点的主观性影响因素，并以最大偏移量预测模型为基础构建评价函数，将路径规划问题转化为最优化求解问题，然后用求解得到的最优二阶贝塞尔曲线控制点求解实际路径中各转折点对应的二阶贝塞尔曲线，得到优化路径，既满足了机器人连续行进的要求，提高了电机使用寿命，也提高了优化处理效率。

本申请提供一种基于二阶贝塞尔曲线的机器人连续路径优化方法，包括以下步骤：

S1：构建第一控制向量，所述第一控制向量包括由3个顺序相邻的二阶贝塞尔曲线控制点计算得到的第一间距、第二间距和第一夹角，3个顺序相邻的二阶贝塞尔曲线控制点中位于中间的控制点为转折点；

S2：训练预测模型，所述预测模型的输入为所述第一控制向量；所述预测模型的输出为计算所述第一控制向量的二阶贝塞尔曲线控制点中转折点对应的最大偏移量；

S3：以所述预测模型构建评价函数；

S4：加载环境地图，得到第一路径；

S5：提取所述第一路径中的所有控制点，得到第三集合，所述第三集合包括起始点、终止点和其它所有转折点；

S6：识别所述第三集合中的所有转折点；

S7：逐一选择所述第三集合中的转折点，并随机获取与所述转折点顺序相邻的两侧控制点，组成第四集合；

S8：计算所述第四集合中所有转折点对应的第一控制向量，得到第五集合；

S9：将第五集合输入至评价函数，得到第一评价值；

S10：重复执行S7~S9，得到第二评价值；

S11：比较所述第一评价值与所述第二评价值，保留二者中的较小值及其对应的第四集合，所述较小值作为第一评价值继续参与下一次比较；

S12：重复执行S10~S11，直至达到终止条件，得到最小评价值；

S13：获取最小评价值对应的第四集合；