未知环境机器人路径规划环境建模.pdf

wwwele169com|3电子技术未知环境机器人路径规划环境建模刘欢，刘迎辉，杨婷婷（长春汽车工业高等专科学校，吉林长春，130000）摘要：针对未知环境下机器人路径规划算法存在的运算耗时较高、响应慢等问题，提出一种适用于未知环境信息情况下的动态路径规划方法及规避策略。通常情况，一般机器人主要是设计出最短路径，但本文的机器人的路径要求解决避开障碍物快速到达幸存者位置并给予治疗的优化路径。本文首先提出对栅格法中如何确定栅格大小的方式优化方案；换取滚动窗口算法中的启发式算法，应用改进后的粒子群算法实现局部环境的路径规划；在适应度函数中加入安全因子和平滑因子。机器人在搜索环境中，通过正确的适应度函数，规划一条从起点到目标点的最优路径，采用改进后粒子群算法进行路径规划，机器人可以安全避开所有障碍物。关键词：路径规划；栅格法；适应度函数0 引言栅格法的重要一步就是要找到一个可以适应未知环境的栅格分布方法，所以需要确定栅格的大小1。如果栅格选择过小，对环境分辨率过高，就会导致栅格的数量增加，计算机实时处理和存储的数据也会相应增加，同时规划路径所受到的干扰也会增多，最后会增大移动机器人的决策工作难度，从而使整个规划过程缓慢。如果栅格选取过大，虽然抗干扰的能力会有所提高，移动机器人的决策速度会加快，但机器人身处复杂的工作环境时，可能不会得到比较合理有效的路径。一般来说，栅格尺寸与搜救环境中障碍物的复杂程度有关，通过计算障碍物区域面积与整个环境面积之比换算可得到比较准确的栅格尺寸数值。1 环境建模本文在这个方法的基础上进行改进，栅格法的边长确定主要分三步：（1）由局部范围内的所有障碍物的边长大小与机器人自身的直径的 2/3 进行比较，取最小值；（2）计算局部障碍物面积和局部环境面积的比；（3）将(1)中最小值与(2)中的面积比值相比较，取最小值。所以具体的改进算法步骤如下：（1）确定机器人所在局部范围的环境的总体面积；（2）确定障碍物的信息，具体位置以及最小障碍物的边长 l1；（3）判断环境中的障碍物是否都已经计算过，如果还有未计算的障碍物，则跳到步骤 2；（4）将局部所有的障碍物的面积累加得到obsiiss=，其中 Z 是局部所有障碍物集合，i 是其中某一个障碍物；（5）计算栅格的大小为：maxodstempslls=式(1)minmin,temptemplif llll式(11)在上述式子中：ilr 为 i 节点处行驶时两侧的最小距离；为基准点与障碍物之间；id 为 i 节点处自由空间或道路的宽度；n 为路径点数目；iLr 为可行的安全距离比。路径通行度即自由空间面积的最小值与该点的自由空间总面积的百分比，如公式(12)所示。minminmin100%robotrobotwwPwww=式(12)式中：p 为全局通行度；minw为全局地图可通行的自由空间的最小水平截面宽度；robotw为机器人的宽度。然后定义路径安全度为最小局部安全距离比全局通行度的百分比如公式(13)所示：()100%iLrsp=式(13)其中：s 为路径的安全性因子。适应度函数不仅是粒子群优化算法中判断参数是否合适的重要因素，而且也是路径规划中建模的标准，可以用作判定路径距离和路径是否安全的重要函数。本文以最短路径函数加上路径通行的安全性因子构成新的适应度函数，并在此基础上对所有参数进行加权平均处理，以达到满足复杂环境机器人的路径规划要求，如公式(14)(15)(16)所示。221111()()()niiiiiff ixxyy+=+式(14)()2100%iLrfsp=式(15)()12F xff=+式(16)公式中、为各自函数的加权因子，其范围为 0,1。通过调整和可以调节1f、2f 在适应度函数中对 F 的影响，当1=,0=转化为常规的仅由路长作为适应度函数的数学模型，2f 作为路径的平滑度函数及安全系数。4 总体建模流程Step1：通过滚动窗口法进行环境扫描，标记出障碍物位置，记录最大及最小障碍物边长；Step2：计算局部环境的总面积odss，障碍物的总面积templ，根据公式(1)计算出栅格templ大小；Step3：根据公式(2)，计算出栅格大小，根据栅格大小将局部环境信息进行规划；Step4：利用粒子群是算法为启发式算法，确定局部子目标；Step5：根据公式(3)求出机器人到目标点的距离之和 f(i);Step6：根据公式(13)求出路径的安全系数；Step7：根据公式(16)求出环境建模的适应度函数 F(x);Step8：最后根据改进后粒子群函数（GLPSO）来规划路径。Step9：机器人根据路径走到局部子目标，之后转到Step1。根据以上的操作，首先把环境进行细化运用格栅法物位置及大小测量出来，其次，运用改进的粒子群算法 GLPSO来进行路径的规划设计，找出一条路径距离较短、安全度较高的路径，流程图如 3 所示。5 仿真实验及结果分析为了验证基于改进后滚动窗口与栅格法结合的有效性，进行算法仿真。在统一的栅格中建模，障碍物密度为 1/3。图 4 所示为 20 x20 栅格地图，其中绿色表示起点，红色表示图 2改进后机器人滚动路径执行图6|电子制作2023 年 7 月电子技术目标节点。分别采用两种适应度函数：（1）无安全因子适应度函数221111()()()niiiiif ixxyy+=+；（2）本文提出()12F xff=+的适应度函数和两种路径搜索算法分别是 A*算法6与改进后的 GLPSO 算法进行路径规划。图 3建模流程图(a)基本环境建模(b)改进的环境建模 图 4环境建模图 4(a)中所示为基本建模算法，主要运用原有的滚动窗口法即启发函数 A*算法求解局部子目标值，从上图可清晰的看出机器人行走的路线非常曲折，每个转折点几乎都是碰到障碍物之后再躲避，智能寻路效果差，安全性能低；导致时间过长，浪费时间。图 4(b)所示应用滚动窗口算法加入 GLPSO 算法，适应度函数再加入安全性因子，考虑了路面过于狭窄的情形，增强了算法跳出局部最优的能力，提高了路径中的安全性和实时性。从上图可以清晰地看出机器人在遇到障碍物之前就障碍物位置确定好，并且明显看出每一阶段的局部目标点的选取都贴合最终点，规划出的路径也没有陷入局部最优的情况。表1规划算法参数对比算法参数A*算法GLPSO算法局部节点个数107ilr 1/3d个115搜索时间/s0.37840.2043搜索路径/cm24.647120.4724由表格 1 中的数据对比得出，改进后的 GLPSO 算法在寻找局部节点的个数比 A*算法的找出的节点个数减少了48%，节省数据计算量，提高算法运行效率。ilr 是障碍物与机器人的距离，d 是两个障碍物之间的距离，机器人与障碍物之间距离小于 1/3*d 是比较危险的行为，在上图 4(a)中机器人与障碍物之间距离小于 1/3*d 的点有 11 处，而图4(b)中机器人与障碍物之间距离小于1/3*d的点只有5处，在安全性上改进后的算法优越于基本规划算法，安全性提高了 54%。在搜索时间上改进后的算法比传统 A*算法时间节约了 46%。在路径规划长度上 GLPSO 算法比 A*算法的规划的长度缩短了 17%。所以，运用改进后的粒子群算法来规划路径在性能上都有所提高。参考文献 1Wang Zhaotian,Li Yezhuo,Yao Yan-An.Motion and path planning of a novel multi-mode mobile parallel robot based on chessboard-shaped grid divisionJ.The Industrial Robot,2018,45(3).2 侯嘉瑞,万熠,梁西昌等.面向未知环境的机器人动态路径规划算法研究J.单片机与嵌入式系统应用,2022,22(01):29-32+38.3 刘欢,郝俊,李文娜等.基于遗传因子优化粒子群算法 J.时代汽车,2021,No.367(19):9-10.4 张万绪,张向兰,李莹.基于改进粒子群算法的智能机器人路径规划 J.计算机应用,2014,34(02):510-513.5 卢月品,赵阳,孟跃强,等.基于改进遗传算法的狭窄空间路径规划 J.计算机应用研究,2015,32(02):413-418.6 吴鹏,桑成军,陆忠华,等.基于改进 A*算法的移动机器人路径规划研究 J.计算机工程与应用,2019,55(21):227-233.