申请/专利权人：东北大学秦皇岛分校

申请日：2023-07-25

公开（公告）日：2024-07-05

公开（公告）号：CN116804879B

主分类号：G05D1/43

分类号：G05D1/43;G05D1/243;G05D1/246;G05D1/65;G05D1/633;G05D1/644;G05D109/10

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2023.10.17#实质审查的生效;2023.09.26#公开

摘要：本发明提供一种路径规划的新型群智能算法—蜣螂算法，并结合DWA算法形成一种全局路径规划和局部路径规划的框架。在新算法的基础上做出了4点改进，本文改进了蜣螂优化算法的目标函数，使得改进后的蜣螂算法在路径搜索上大大减少了转折点；其次，本文还考虑了转折处距离障碍物过近的约束方案，使得路径不斜线经过障碍物顶点；再其次使用贪婪算法思想通过删除冗余节点对生成的路径进行简化处理；在DWA算法评价函数中进行了改进，增加了一种目标距离评价函数，使得局部路径质量更高。最后，改进蜣螂算法结合DWA算法，能够在实时环境下快速生成安全、可行的路径规划结果。

主权项：1.一种改进蜣螂算法融合DWA算法的机器人路径规划框架方法，其特征在于，包括如下步骤：步骤1：以移动机器人为研究对象，构建栅格地图，设置障碍物的位置，并标注起点目标点位置；步骤2：使用改进蜣螂算法进行全局路径规划，生成初始路径；所述蜣螂算法，由蜣螂滚球行为、蜣螂繁殖行为、蜣螂觅食行为、蜣螂偷窃行为，通过蜣螂4种行为来进行搜索；所述蜣螂滚球行为包括：无障碍模式和有障碍模式，所述无障碍模式，通过设置参数r∈0,1，r∈0,10.9,来实现使蜣螂以大概率进行无障碍滚球行为，其位置更新公式为： 其中，t表示当前迭代次数，表示种群中第i只蜣螂在第t次迭代时的位置，k∈0,0.2]表示一个常值，代表偏转系数，b∈0,1之间的一个常值，a是赋值为-1或1的自然系数，1表示无偏差，-1表示偏离原方向，表示当前种群中的最差位置，用于模拟光强的变化，所述有障碍模式是指当蜣螂遇到障碍物无法通行时，通过跳舞行为来获得新的前进方向，使用切线函数来模仿跳舞行为，其位置更新公式为： 当角度时，不做更新，否则按照公式2更新位置；所述蜣螂繁殖行为，首先设定一个边界区域限制蜣螂产卵区域： R＝e-hgen4其中h是常数，这里对参数R做了自适应调整，gen是当前迭代次数；产卵行为中产卵区域动态更新，所以雏球位置按照公式5更新： 其中，为第i个雏球在第t次迭代时的位置，b1和b2是两个独立随机向量；所述蜣螂觅食行为，是针对小蜣螂而言，同样有一个觅食区域是动态更新： 其中，为当前种群的局部最优位置；所述小蜣螂位置更新如下： 其中，C1为服从正态分布的随机数，C2为属于0,1之间的随机向量；所述蜣螂偷窃行为，会有一些蜣螂在从其他蜣螂那里偷粪球，所以盗贼蜣螂的位置更新公式为： 其中，g为随机向量，服从正态分布；s表示一个常数值；在每只蜣螂都完成自己的行为之后，更新适应度fitness；考虑多目标函数，包括：燃油经济性、安全性、舒适性，这里，在适应度这里做了改进，公式如下：fitness＝a*f1+b*f2+c*f39其中On为经过障碍物数量，体现了安全性； 其中xi，yi是路径点pi的坐标，i＝1，2，…，n，i表示各路径点的编号，这一项考虑了路径长度，体现了燃油经济性；f3＝numTurns其中numTurns为转折点数量，这一项惩罚了转弯，考虑到了转弯角度，体现了舒适性；通过增加多个目标函数，保证了生成路径的质量，具体步骤如下：步骤2.1：遍历生成路径path中每个点，将障碍物坐标存入obs中；步骤2.2：通过比较pathi和pathi+1和每个障碍物的x、y坐标来检测是否穿过障碍物顶点；步骤2.3：通过以下判据来判断是否有这样的点存在l1+l2＝210其中，l1＝|pathix-obsx|+|pathi+1x-obsx|11l2＝|pathiy-obsy|+|pathi+1y-obsy|12 obs＝obsx,obsy14步骤2.4：当存在这样的两个点时，需要求解新的点pathnd，公式如下：pathnd＝2*z-obs15经过公式9对蜣螂算法的改进，路径长度以及转折点数量大大减少；步骤3：借助贪婪算法思想，将上述生成的初始路径进行路径平滑处理，剔除初始路径中的冗余节点并且提取到路径中的关键节点，大大减少了路径长度以及减少了转折点的个数，使得整体路径更加平滑；步骤4：将关键点顺次作为DWA算法的目标点，进行速度采样、轨迹预测，具体包括：DWA算法是一种用于机器人路径规划的算法，其核心思想是基于当前机器人状态和环境信息，在一定时间内采集一系列的运动状态，然后选择最优的运动状态来实现路径规划，为了预测机器人的运动轨迹，DWA算法需要选取采样角度和角速度，然后根据这些采样点进行运动状态的预测，具体步骤如下：步骤4.1：选取采样角度和角速度：DWA算法根据机器人的运动能力和环境要求来选择一组合适的采样角度和角速度，这些采样点将用于计算机器人的运动状态；步骤4.2：计算运动状态：对于每个采样点，DWA算法需要计算机器人在这个采样点的运动状态，包括机器人的位置、方向和速度信息，这些运动状态将用于预测机器人的运动轨迹；步骤4.3：预测轨迹：基于机器人的当前状态和选定的采样点，DWA算法预测机器人的运动轨迹，这个预测轨迹帮助机器人做出最优的运动决策，以达到目标点并避开障碍物步骤5：通过4个评价函数进行评优，选取评价最优的速度直至找到目标点，具体包括：在选择最优运动状态时，DWA算法考虑了机器人的运动约束和环境障碍物的影响，以确保机器人能够安全到达目标点，此外还考虑了距离目标评价函数，用来保证了路径质量，对每条轨迹进行评估的评价函数如下：Gv,w＝σα*headingv,w+β*distv,w+γ*velv,w+δ*twv,w16headingv,ω：方位角评价函数，用作评估在当前采样速度下产生的轨迹终点位方向与目标点连线的夹角的误差Δθ；由于要用评价函数越大表示越优，所以用π-Δθ来参与评价，即headingv,ω＝π-Δθ；distv,ω：距离障碍物评价函数，表示当前速度下对应模拟轨迹与障碍物之间的最近距离；如果没有障碍物或者最近距离大于设定的阈值，那么就将其值设为一个常数值；velocityv,ω：速度评价函数，表示当前的速度大小，直接用当前线速度的大小来表示，它越大，表示规划轨迹上的速度越快，评价得分越高；twv,ω：距离目标评价函数，评价局部路径末端点到终点的距离函数，目的是不断缩短与终点的距离；α、β、γ、δ为评价函数的系数，由于局部路径规划的过程需要多传感器的采集,采集信息无法做到连续,这样会使得评价后差别较大,对其进行归一化处理，其中σ表示归一化；归一化处理过程如下式所示： 其中，i代表第i条模拟轨迹,n为约束条件下的全部采样轨迹总数，基于评价函数16得出一条满足避开障碍物并朝着目标点快速行进的路径，使得机器人完成局部路径最优规划。

全文数据：

权利要求：

百度查询： 东北大学秦皇岛分校 一种改进蜣螂算法融合DWA算法的机器人路径规划框架方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD