一種未知動態(tài)環(huán)境下的移動機器人路徑規(guī)劃方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種移動機器人的路徑規(guī)劃方法，尤其涉及一種在動態(tài)未知復(fù)雜環(huán)境 下的移動機器人路徑規(guī)劃方法。
【背景技術(shù)】
[0002] 隨著技術(shù)的發(fā)展，移動機器人的應(yīng)用范圍越來越廣泛。移動機器人開始逐漸從規(guī) 則的室內(nèi)環(huán)境拓展到更復(fù)雜、特征不規(guī)則的室外非結(jié)構(gòu)環(huán)境。路徑規(guī)劃是機器人導(dǎo)航技術(shù) 的重要環(huán)節(jié)，它是按照某一性能指標搜索一條從初始狀態(tài)到目標狀態(tài)的最優(yōu)或近似最優(yōu)的 無碰路徑。
[0003] 常見的路徑規(guī)劃方法主要有人工勢場法、A*算法、神經(jīng)網(wǎng)絡(luò)等。但這些方法對于 不同的實際問題總存在一定的缺陷。人工勢場法存在局部最小點問題，會導(dǎo)致機器人無法 到達目標點。A*算法需要對環(huán)境的先驗知識，當(dāng)環(huán)境信息改變時，需要重新規(guī)劃，計算量大。 一些神經(jīng)網(wǎng)絡(luò)模型僅能夠處理靜態(tài)環(huán)境，BP神經(jīng)網(wǎng)絡(luò)模型能夠產(chǎn)生避障軌跡，但是需要學(xué) 習(xí)過程，速度較慢。Glasius提出了一種基于Hopfield網(wǎng)絡(luò)的動態(tài)實時避障模型，能夠解決 局部最小問題，但很難適應(yīng)高速的動態(tài)環(huán)境。Simon X. Yang在Neural Network Approach to Dynamic Collision-Free Trajectory Generation 一文中提出的生物激勵神經(jīng)網(wǎng)絡(luò)方 法為路勁規(guī)劃提出了一種有效的解決方案，但在一定情況下會出現(xiàn)路徑錯判問題，且路徑 不夠平滑。

【發(fā)明內(nèi)容】

[0004] 針對上述問題，本發(fā)明提出了一種新的動態(tài)未知環(huán)境下的路徑規(guī)劃方法，該方法 不需要實時動態(tài)環(huán)境的任何先驗知識，計算量小，適用于未知動態(tài)環(huán)境下的路徑規(guī)劃。
[0005] -種未知動態(tài)環(huán)境下的移動機器人路徑規(guī)劃方法，包括以下幾個步驟：
[0006] 步驟1 :構(gòu)建柵格地圖；
[0007] 以移動機器人的幾何中心點為移動坐標系原點，移動機器人的指向為X軸的正方 向，建立移動坐標系；
[0008] 以移動機器人開始移動前所在位置為全局坐標系原點，移動機器人開始移動前的 指向為X軸的正方向，建立全局坐標系；
[0009] 將全局坐標系按照設(shè)定的規(guī)劃精度p轉(zhuǎn)化為柵格地圖，所述柵格地圖中每個柵格 的長和寬分別為Δχ = ρ和Ay = p;
[0010] p取值范圍為〇· Im到0· 3m ;
[0011] 將移動機器人所在工作環(huán)境中的已知的靜態(tài)障礙物、目標點以及移動機器人當(dāng)前 位置在全局坐標系中的坐標轉(zhuǎn)化為柵格地圖坐標表示r
[0012] 其中，（X*，y*)表示在物體在全局坐標系中的坐標；
[0013] 步驟2 :將柵格地圖中的每個坐標點作為一個神經(jīng)元，并初始化每個神經(jīng)元的活 性值為O ;
[0014] 步驟3:判斷移動機器人當(dāng)前所在位置是否與目標點位置相同，若相同，則當(dāng)前路 徑規(guī)劃結(jié)束；否則，進入步驟4 ;
[0015] 步驟4 :讀取聲納測距數(shù)據(jù)，并更新神經(jīng)元活性值；
[0016] 間隔時間T讀取一次移動機器人上的聲納傳感器所采集的工作環(huán)境中障礙物的 測距數(shù)據(jù)，并依據(jù)測距數(shù)據(jù)獲取障礙物的全局坐標系坐標，并將全局坐標系中每個坐標對 應(yīng)的神經(jīng)元的活性值X i按照以下公式更新：
[0018] 其中，X1是第i個神經(jīng)元的活性值；A表示衰減率，取值范圍為[8, 15] ;B和D分別 為神經(jīng)元活性值的上界和下界，取值分別為1和-1 ;
[0019] 間隔時間T的取值范圍為（0, Is];
[0020] I1表示第i個神經(jīng)元的外部輸入：
[0021] 如果第i個神經(jīng)元對應(yīng)的坐標位置為目標點位置，則I1= E ;
[0022] 如果第i個神經(jīng)元對應(yīng)的坐標位置為障礙物位置，則I1 = -E ;
[0023] 其他情況下，I1= 0 ;
[0024] E為外部輸入常數(shù)，取大于或等于80的整數(shù)；
[0025] S1表示第i個神經(jīng)元的激勵輸入，其取值依據(jù)第i個神經(jīng)元是否處于障礙物之間 確定：
[0026] 當(dāng)?shù)趇個神經(jīng)元對應(yīng)的坐標位置處于障礙物之間時：
[0028] 當(dāng)?shù)趇個神經(jīng)元對應(yīng)的坐標位置處于障礙物之間時：
(Iu表示兩個神經(jīng)元q ;和q 之間的歐式距離，μ。表示距離常數(shù)，取值范圍為（0.2, 1.2]表示第i個神經(jīng)元對應(yīng)的坐 標位置的第j個相鄰點對應(yīng)的神經(jīng)元活性值；η1表示第i個神經(jīng)元對應(yīng)的坐標位置的相鄰 點個數(shù)，移動機器人所有可能的下一個位置點稱為相鄰點； <.為第i個神經(jīng)元對應(yīng)的坐標 位置的相鄰點中對應(yīng)的神經(jīng)元活性值大于〇的點的個數(shù)，<為第i個神經(jīng)元對應(yīng)的坐標位 置的相鄰點中對應(yīng)的神經(jīng)元活性值小于〇的點的個數(shù)；
[0031] 步驟5 :依據(jù)更新的神經(jīng)元活性值和最小轉(zhuǎn)角，對移動機器人的下一個移動位置 進行決策，得到下一個移動位置；
[0032] 步驟6 :移動機器人按照步驟5獲取的位置前進，返回步驟3。
[0033] 所述步驟5中下一個移動位置決策按照以下公式確定：
[0035] 其中，^表示機器人可能移動到的下一個位置，即相鄰點中的一個，％"代表相鄰 點qn的活性值；
[0036] 【柵格地圖中每個坐標位置對應(yīng)的神經(jīng)元活性值為已知，根據(jù)已知活性值的神經(jīng) 元，任意選取對應(yīng)的坐標位置作為下一個移動位置；】
[0037] c表示權(quán)重因子，取值范圍為[0. 3, 3]，^表示轉(zhuǎn)角影響因子，
[0039] 其中，·<和< 分別為第i個神經(jīng)元對應(yīng)的坐標位置的第j個相鄰點q]的在柵格地 圖中的橫坐標和縱坐標，<和分別為第i個神經(jīng)元對應(yīng)的坐標位置所在當(dāng)前位置點q。在 柵格地圖中的橫坐標和縱坐標，Y和少1_分別為第i個神經(jīng)元對應(yīng)的坐標位置所在上一個位 置點qp在柵格地圖中的橫坐標和縱坐標。
[0040] 所述移動機器人上安裝的聲納傳感器的安裝角度為α?xí)r，探測到前方距離為d的 位置有障礙物時，令移動機器人在全局坐標系中的方向角度為S 1^全局坐標為（X P 3〇、，則 障礙物在柵格地圖中的坐標為
[0041] 機器人的指向與全局坐標系X軸正方向的夾角，范圍是+180度到-179度；
[0042] 所述外部輸入常數(shù)A取值為10。該常數(shù)的大小對神經(jīng)元活性值的分布有著決定性 的作用，當(dāng)A取值過?。ㄐ∮?)會導(dǎo)致活性值迅速飽和，路徑規(guī)劃效果不好；當(dāng)A取值過大 (大于20)時，會導(dǎo)致機器人跟蹤目標運動軌跡的效果不好。
[0043] 所述權(quán)重因子c取值為1。取值為1時，路徑規(guī)劃效果較好，當(dāng)c取值大于1時，轉(zhuǎn) 角因素的比重偏大，導(dǎo)致路徑的誤決策；當(dāng)取值小于1時，轉(zhuǎn)角因素所占比重偏小，路徑點 平滑度比較低。
[0044] 距離常數(shù)μ。取值為1。該常數(shù)對神經(jīng)元活性值的分布有重要作用，當(dāng)該值取得過 小（小于〇. 2)時，會影響正的活性值的傳播，當(dāng)該值取得過大時（大于1. 5)，會導(dǎo)致活性值 迅速飽和，有可能使機器人無法抵達目標點。
[0045] 有益效果
[0046] 本發(fā)明提供了一種未知動態(tài)環(huán)境下的移動機器人路徑規(guī)劃方法，該方法將每個位 置轉(zhuǎn)化為一個神經(jīng)元，利用神經(jīng)元的活性值來表征環(huán)境變化，巧妙的利用生物激勵神經(jīng)網(wǎng) 絡(luò)模型來模擬動態(tài)環(huán)境；生物激勵神經(jīng)網(wǎng)絡(luò)模型保證了正的神經(jīng)元活性值能夠向外傳播并 影響整個狀態(tài)空間，而負的神經(jīng)元活性值只作用在局部。目標點和障礙物的神經(jīng)元活性值 分別處在波峰和波谷處，因此，目標點通過神經(jīng)元活性值在整個狀態(tài)空間中的傳播吸引機 器人，而障礙物只能夠在局部排斥機器人，不存在極小點問題。在邊界附近和障礙物之間的 點進行特殊處理，加入假想的非障礙物臨近點，能夠有效地解決路徑錯判問題。同時考慮活 性值最大和轉(zhuǎn)角最小因素能夠有效地保證路徑的長度最短且減小轉(zhuǎn)向次數(shù)，大大提高了路 徑質(zhì)量。
[0047] 該方法能夠應(yīng)用在環(huán)境信息部分未知或完全未知且存在靜態(tài)和動態(tài)障礙物的情 況下，在下一個位置點的決策中同時包含了神經(jīng)元活性值最大和機器人轉(zhuǎn)角最小因素，得 到的路徑不僅最短或接近最短，且路徑平滑，轉(zhuǎn)彎較少。本方法沒有局部最小點問題，計算 量小，實現(xiàn)簡單，在動態(tài)未知環(huán)境下有很好的適應(yīng)性。
【附圖說明】
[0048] 圖1是該方法的流程圖；
[0049] 圖2機器人內(nèi)部坐標系
[0050] 圖3是聲納安裝角度示意圖；
[0051] 圖4是障礙物之間的臨近點示意圖，沒有邊界外的臨近點；
[0052] 圖5是障礙物之間的臨近點示意圖，有邊界外的臨近點；
[0053] 圖6是非障礙物之間的臨近點示意圖，沒有邊界外的臨近點；
[0054] 圖7是非障礙物之間的臨近點示意圖，有邊界外的臨近點；
[0055] 圖8是該方法在U型障礙物中的生成路徑；
[0056] 圖9是該方法在未知動態(tài)環(huán)境下的生成路徑。
【具體實施方式】
[0057] 下面將結(jié)合附圖和實施例對本發(fā)明作進一步的說明。
[0058] 如圖1所示，為本發(fā)明所述方法的流程圖，一種未知動態(tài)環(huán)境下的移動機器人路 徑規(guī)劃方法，包括以下幾個步驟：
[0059] 步驟1 :構(gòu)建柵格地圖；
[0060] 以移動機器人的幾何中心點為移動坐標系原點，移動機器人的指向為X軸的正方 向，建立移動坐標系，如圖2所示；
[0061] 以移動機器人開始移動前所在位置為全局坐標系原點，移動機器人開始移動前的 指向為X軸的正方向，建立全局坐標系；
[0062] 將全局坐標系按照設(shè)定的規(guī)劃精度p轉(zhuǎn)化為柵格地圖，所述柵格地圖中每個柵格 的長和寬分別為Δχ = ρ和Ay = p;
[0063] p 取值為 0. 3m ;
[0064] 將移動機器人所在工作環(huán)境中的已知的靜態(tài)障礙物、目標點以及移動機器人當(dāng)前 位置在全局坐標系中的坐標轉(zhuǎn)化為柵格地圖坐標表示
[0065] 其中，（X*，y*)表示在物體在全局坐標系中的坐標；
[0066