一种确定性移动机器人路径规划方法与流程

本发明涉及机器人路径规划方法技术领域，具体是一种确定性移动机器人路径规划方法。

背景技术：

路径规划是移动机器人研究的一个重要方向，其旨在通过路径规划算法，在有障碍物的工作环境内，规划出由起始位置至终止位置的无碰撞路径。对此国内外学者提出了很多路径规划算法，具体来说有a*算法、dijkstra算法、人工势场算法等一次搜索算法和遗传算法、蚁群算法、粒子群算法和快速扩展随机树算法等迭代搜索算法，但是a*算法采用全局路径规划，在实际执行过程中，通过人工势场算法对局部路径进行调整，提高了算法的实际应用价值；蚁群算法利用人工势场构造启发信息，增强了初始信息素启发的有效性，提高了收敛速度；遗传算法中引入模拟退火思想，帮助算法跳出局部最优解，同时考虑行驶速度，提高了路径解的实用性。

但是以上算法的优化改进都是基于算法自身不足，进行算子改进和算法融合以获得更好的求解效果，并没有从根本上解决一次搜索算法搜索空间与搜索代价之间的矛盾，迭代搜索算法早熟和搜索结果不稳定的问题也依然存在，因此，本领域技术人员提供了一种确定性移动机器人路径规划方法，以解决上述背景技术中提出的问题。

技术实现要素：

本发明的目的在于提供一种确定性移动机器人路径规划方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种确定性移动机器人路径规划方法，包括以下步骤：

步骤1、在免疫系统中进化出丰富的免疫机理，用于适应实际环境中的外界入侵；

步骤2、针对机器人路径规划的实际需求，改进路径适应值函数，增加路径和角度综合惩罚因子，防止路径中的局部连续转向；

步骤3、对抗体进行正向构建和重构变异操作，避免设置进化代数、抗体数量、变异概率等经验参数，进行确定性迭代搜索；

步骤4、引入抗体重构提升率，对抗体适应值进行预估筛选。

作为本发明更进一步的方案：所述步骤1中的免疫机理包括以下方面：

a1、多样性遗传机理：在路径规划中，路径节点代表了基因，路径节点的组合代表了不同的抗体类型。在进化过程中，依据抗体浓度和抗体适应值对抗体数量进行动态调整；

a2、克隆选择机理：在免疫系统中以抗体适应值为参考，对满足适应值要求的抗体进行规则映射，抗体种群状态转移情况可以表示为以下过程：

依据抗体适应值进行抗体选择，将符合要求的抗体r∈a(k)筛选后进行克隆，分裂为q个相同抗体r'∈a”，对抗体进行变异操作，最后压缩种群至a(k+1)；

a3、疫苗选择：在免疫系统中，通过引入疫苗接种，在抗体生成和变异过程中可以提高产生优良抗体和基因的比率，在路径规划中本文引入角度因子作为抗体疫苗，引导抗体生成和变异。

作为本发明更进一步的方案：所述步骤2中构件适应值函数的计算公式为同时适应值函数符合需要符合以下原则：

b1、路径距离为路径代价的主要参考指标，即ε1＞ε2&&ε1＞ε3并满足式

b2、对转向角制定惩罚机制，即满足式

b3、对局部短距离连续转向设置惩罚标准，即满足式和

作为本发明更进一步的方案：所述步骤3中正向构建以s节点作为初始路径点，以t节点作为目标点，以角度启发因子作为抗体疫苗，构建初始抗体种群，其具体步骤如下：

c1:将s节点与t节点建立虚拟测试线，计算s节点可连接切线点与虚拟测试线之间的夹角，将q个合格的正向切线点存储于qualified中，令i＝1；

c2:将qualified中第i个节点作为s节点的后继节点，并将其作为当前节点p；

c3:当前节点p和终止节点t建立虚拟测试线，计算当前节点切线点夹角，选择最小夹角切线点作为后继节点，并将其作为当前节点p，判断后继节点是否为t，如果是则转c4，否则转c3；

c4:调整路径节点连接顺序，保证不相邻节点不可连接，存储路径于route中，判断i是否等于q，如果是则删除重复抗体调整q值并结束程序，否则i＝i+1转c2。

作为本发明更进一步的方案：所述步骤3中正向重构变异由于路径起始点和二级节点对空间解的覆盖，所以抗体变异由第2个节点开始，至第n-2个节点为止，并令i＝1进行初始化，正向抗体重构变异步骤如下：

d1:取出第i个抗体，计算变异节点的可连接切线点与虚拟测试线的夹角，将q1个合格切线点存储于qualified中，令j＝1；

d2:克隆q1个相同抗体，将克隆抗体的当前变异节点的后续节点清零；

d3:将qualified中第j个节点作为变异节点的后继节点，并将其作为当前节点p；

d4:当前节点p和终止节点t建立虚拟测试线，计算当前节点切线点夹角，选择最小夹角作为后继节点，并将其作为当前点p,判断后继节点是否为t，如果是则转d5，否则转d4；

b5:调整路径节点连接顺序，保证不相邻节点不可连接，存储路径于temproute中,判断j是否等于q1，如果是则结束，否则j＝j+1转d3。

作为本发明更进一步的方案：所述步骤4中由于局部的路径点启发不能完全满足路径的全局最优要求，变异后的抗体仍然存在进一步优化的可能，以抗体种群为单位，定义单点抗体重构提升率，用以描述抗体节点变异的对抗体适应值的积极影响，具体定义如下：

定义1：在确定的环境模型中，任意路径节点的正向抗体重构变异，对其所属抗体的适应值产生一定的积极影响，影响大小的客观描述为单点抗体重构提升率tf，计算公式如下：

定义2：通过tf在当前抗体适应值基础上预估抗体最终适应值ft，计算公式如下：ft＝fnow×(1-tf×(n-z-2))；

根据定义，设计抗体筛选规则，具体步骤如下：

e1:由式计算temproute中的抗体适应值，由式ft＝fnow×(1-tf×(n-z-2))预估抗体最终适应值ft，判断当前变异抗体是否为初始抗体种群的抗体，如果是转e2，否则转e3；

e2:对比父代抗体和temproute中的变异抗体，选择最优抗体作为新父代抗体，保存至route中；

e3:判断temproute中的抗体，保留ft≤fbest的抗体至route中，程序结束。

与现有技术相比，本发明的有益效果是：本发明设计新颖，原理简单有效，改进了路径适应值函数，同时增加路径和角度综合惩罚因子，有效的避免了路径中的局部连续转向的问题，通过对抗体进行正向构建和重构变异操作，避免设置进化代数、抗体数量、变异概率等经验参数，实现了迭代搜索的确定性求解，减少了冗余计算，采用引入抗体重构提升率，对抗体适应值进行预估筛选，进而提高算法搜索空间与抗体数量的相关性，解决算法确定性与搜索空间之间的矛盾，依据疫苗启发因子，对抗体进行正向构建和重构变异，提高了抗体生成和变异效率。

附图说明

图1为一种确定性移动机器人路径规划方法的结构示意图；

图2为一种确定性移动机器人路径规划方法中疫苗启发因子的示意图；

图3为一种确定性移动机器人路径规划方法中路径适应值优化数据图；

图4为一种确定性移动机器人路径规划方法中简单模型线路规划图；

图5为一种确定性移动机器人路径规划方法中复杂模型线路规划图；

图6为一种确定性移动机器人路径规划方法中路径求解对比结果一的示意图；

图7为一种确定性移动机器人路径规划方法中路径求解对比结果二的示意图；

图8为一种确定性移动机器人路径规划方法中路径求解数据对比图；

图9为一种确定性移动机器人路径规划方法中路径求解时间对比图；

图10为一种确定性移动机器人路径规划方法中抗体与搜索空间相对性示意图；

图11为一种确定性移动机器人路径规划方法中抗体数量变化曲线图；

图12为一种确定性移动机器人路径规划方法中抗体适应值变化曲线图。

具体实施方式

请参阅图1～12，本发明实施例中，一种确定性移动机器人路径规划方法，包括以下步骤：

步骤1、在免疫系统中进化出丰富的免疫机理，用于适应实际环境中的外界入侵；

步骤2、针对机器人路径规划的实际需求，改进路径适应值函数，增加路径和角度综合惩罚因子，防止路径中的局部连续转向；

步骤3、对抗体进行正向构建和重构变异操作，避免设置进化代数、抗体数量、变异概率等经验参数，进行确定性迭代搜索；

步骤4、引入抗体重构提升率，对抗体适应值进行预估筛选。

进一步的，步骤1中的免疫机理包括以下方面：

a1、多样性遗传机理：在路径规划中，路径节点代表了基因，路径节点的组合代表了不同的抗体类型。在进化过程中，依据抗体浓度和抗体适应值对抗体数量进行动态调整；

a2、克隆选择机理：在免疫系统中以抗体适应值为参考，对满足适应值要求的抗体进行规则映射，抗体种群状态转移情况可以表示为以下过程：

依据抗体适应值进行抗体选择，将符合要求的抗体r∈a(k)筛选后进行克隆，分裂为q个相同抗体r'∈a”，对抗体进行变异操作，最后压缩种群至a(k+1)；

a3、疫苗选择：在免疫系统中，通过引入疫苗接种，在抗体生成和变异过程中可以提高产生优良抗体和基因的比率，在路径规划中本文引入角度因子作为抗体疫苗，引导抗体生成和变异。(抗体疫苗中节点p代表当前节点，节点t为目标点，p1和p2为待选择节点，角β1和β2分别是节点p1和p2与pt虚拟测试线的夹角。从p点出发选择夹角最小的节点作为后继节点)

进一步的，所述步骤2中构件适应值函数的计算公式为同时适应值函数符合需要符合以下原则：

b1、路径距离为路径代价的主要参考指标，即ε1＞ε2&&ε1＞ε3并满足式

b2、对转向角制定惩罚机制，即满足式

b3、对局部短距离连续转向设置惩罚标准，即满足式和(式中ε1＝0.5,ε2＝0.25,ε3＝0.25分别表示距离、角度和距离角度综合系数，f1,f2,f3分别表示距离、角度和距离角度综合代价，da为距离惩罚系数，db为局部路径平均距离，m为初始抗体种群包含的抗体数量，nj为第j个抗体的路径点数量)。

进一步的，所述步骤3中正向构建以s节点作为初始路径点，以t节点作为目标点，以角度启发因子作为抗体疫苗，构建初始抗体种群，其具体步骤如下：

c1:将s节点与t节点建立虚拟测试线，计算s节点可连接切线点与虚拟测试线之间的夹角，将q个合格的正向切线点存储于qualified中，令i＝1；

c2:将qualified中第i个节点作为s节点的后继节点，并将其作为当前节点p；

c3:当前节点p和终止节点t建立虚拟测试线，计算当前节点切线点夹角，选择最小夹角切线点作为后继节点，并将其作为当前节点p，判断后继节点是否为t，如果是则转c4，否则转c3；

c4:调整路径节点连接顺序，保证不相邻节点不可连接，存储路径于route中，判断i是否等于q，如果是则删除重复抗体调整q值并结束程序，否则i＝i+1转c2。

进一步的，所述步骤3中正向重构变异由于路径起始点和二级节点对空间解的覆盖，所以抗体变异由第2个节点开始，至第n-2个节点为止，并令i＝1进行初始化，正向抗体重构变异步骤如下：

d1:取出第i个抗体，计算变异节点的可连接切线点与虚拟测试线的夹角，将q1个合格切线点存储于qualified中，令j＝1；

d2:克隆q1个相同抗体，将克隆抗体的当前变异节点的后续节点清零；

d3:将qualified中第j个节点作为变异节点的后继节点，并将其作为当前节点p；

d4:当前节点p和终止节点t建立虚拟测试线，计算当前节点切线点夹角，选择最小夹角作为后继节点，并将其作为当前点p,判断后继节点是否为t，如果是则转d5，否则转d4；

b5:调整路径节点连接顺序，保证不相邻节点不可连接，存储路径于temproute中,判断j是否等于q1，如果是则结束，否则j＝j+1转d3。

进一步的，所述步骤4中由于局部的路径点启发不能完全满足路径的全局最优要求，变异后的抗体仍然存在进一步优化的可能，以抗体种群为单位，定义单点抗体重构提升率，用以描述抗体节点变异的对抗体适应值的积极影响，具体定义如下：

定义1：在确定的环境模型中，任意路径节点的正向抗体重构变异，对其所属抗体的适应值产生一定的积极影响，影响大小的客观描述为单点抗体重构提升率tf，计算公式如下：

定义2：通过tf在当前抗体适应值基础上预估抗体最终适应值ft，计算公式如下：ft＝fnow×(1-tf×(n-z-2))；

根据定义，设计抗体筛选规则，具体步骤如下：

e1:由式计算temproute中的抗体适应值，由式ft＝fnow×(1-tf×(n-z-2))预估抗体最终适应值ft，判断当前变异抗体是否为初始抗体种群的抗体，如果是转e2，否则转e3；

e2:对比父代抗体和temproute中的变异抗体，选择最优抗体作为新父代抗体，保存至route中；

e3:判断temproute中的抗体，保留ft≤fbest的抗体至route中，程序结束。(式中fsj为第j个抗体初始适应值，ftj为第j个抗体最终适应值，ki表示当前测试点下产生适应值变化的抗体数量，nk为第k个抗体所包含的节点数，r为抗体适应值改变概率,fnow为当前抗体实际适应值，z为当前变异点序号，n为当前抗体所包含路径点数量)。

正向抗体构建及重构变异的有效性证明：首先，对证明参数进行以下说明：

s1、障碍物编号为1,2…u，每个障碍物凸壳中包含u个顶点。凸壳顶点所构成的线段表示为g∈1,2…u,g∈1,2…u；

s2、st虚拟测试线点集

其中xmin＝min(xs,xt),xmax＝max(xs,xt)

ymin＝min(ys,yt),ymax＝max(ys,yt)

s3、障碍物边界点集

其中xmin＝min(xc,xh),xmax＝max(xc,xh)

ymin＝min(yc,yh),ymax＝max(yc,yh)

证明抗体构建可分为两种情形：

情形1：

∵

点s和点t可直接连接，即存在路径st；

情形2：且至少存在一条可行路径；

∵

线段st与不少于一个障碍物g相交；

当s点正向障碍物数量u＝1时，障碍物g为s点的可视障碍物，s点正向必存在不少于一条的可连接切线；

假设s点正向障碍物数量u＞1且s点没有可连接切线；

∵u＞1且没有可连接切线，则s点正向不存在可视障碍物；

∵u＝1障碍物可视，则必存在障碍物g'使障碍物g不可视；

又∵障碍物均为凸壳，完全或局部位于s正向障碍物存在且不少于一个顶点；

障碍物g'可视；

∵s点没有可连接切线；

存在u＝u'时的障碍物不存在可视切线点，即障碍物占据完全正向空间，不存在可行路径，与路径存在的前提相矛盾，假设不成立；

又∵切线图为全局连通图；

路径s…t存在，证明成立；

同理可得，正向抗体重构变异有效。

实验仿真与结果分析：

ⅰ、单点抗体重构提升率实验分析：参照说明书附图5所示，环境模型中选择30组(s,t)，共计237条路径在最优路径保留机制下进行测试，部分结果如3所示，根据测试数据，由式计算得出tf＝0.0128；

单点抗体重构提升率tf的引入，为抗体适应值预估筛选机制提供了预估参数，为了验证tf对算法的影响，选择以抗体实际适应值为参考的最优抗体保留机制进行对比，在说明书附图5环境模型下，对s(99,1),t(1,99)进行实验仿真，仿真结果如说明书附图7所示：

在引入tf后，抗体最优适应值有了明显提升，抗体变异旨在发现更优抗体并进行保留，单点抗体提升率的引入，有效评估了抗体质量并进行筛选保留，扩大了算法搜索空间，使得最优抗体适应值得到了进一步提升；

为了进一步分析tf对算法实际搜索过程的影响，选择抗体搜索平均截面代表抗体搜索空间，对s(99,1),t(1,99)路径规划过程中抗体变化规律和抗体数量与搜索空间之间的关系进行进一步分析，结果如说明书附图10和11所示：

路径求解在抗体数量、抗体变化趋势以及抗体数量与搜索空间的关系上具有以下特征：

特征1，在图11中，有效抗体数量和扩展抗体数量经历了数次波动，整体趋势为先增后减；

特征2，在图11中，扩展抗体数量始终不小于有效抗体数量，在初始和终止阶段二者的抗体数量相同；

特征3，在图10中，抗体数量与搜索空间呈正相关趋势，有效抗体数量与搜索空间的拟合线斜率相对较小；

正向抗体构建和抗体重构变异对抗体进行扩展；在tf作用下，抗体适应值预估筛选机制和抗体删除操作减少了低质量和无效抗体，抗体数量变化规律如下：

v1、变异前抗体数量为q'，单抗体重构后保留的抗体数量为q1，全部抗体重构抗体保留总数为q1；

v2、抗体的保留依据式ft＝fnow×(1-tf×(n-z-2))进行，z的增加使同一抗体的ft减小，导致产生了一定数量不符合ft≤fbest的抗体q2；

v3、在处理不相邻节点不可连接的过程中，产生了一定数量的重复抗体q3，所以，有效抗体数量为q＝q'+q1-q2-q3，扩展抗体数量为q0＝q'+q1。

对于特征1，当q1＞q2+q3时曲线上升反之下降，由v1、v3可知q1,q2,q3之间不存在直接联系，所以曲线经历了数次波动，在初始抗体数量的基础上抗体扩展会导致抗体数量先上升，由于z的增加使得ft呈现整体下降趋势，符合要求的抗体数量逐渐减小，所以抗体数量整体呈现先增后减的趋势；

对于特征2，由v3可知q0≥q，所以扩展抗体数量始终不小于有效抗体数量。由v1可知初始状态q'为二者共同起点，由v2可知变异结束时ft＝0，所以初始和最终抗体数量二者相同；

对于特征3，q0表示每代抗体重构变异对状态空间的扩展搜索情况，q代表了每代抗体的实际计算量，二者之间的差值代表抗体的淘汰数量，所以，抗体的适应值预估筛选机制在保证状态空间搜索的同时降低了计算量，也使得有效抗体数量与搜索空间的拟合线斜率相对较小，算法实际计算量对搜索空间的敏感度较低，符合算法的时间要求，抗体搜索截面的大小与可视切线点的数量呈正相关，所以抗体数量先增后减的趋势与所需要搜索空间的大小呈正相关，另外，算法在降低实际计算量的同时，可以扩展较多的抗体进行空间搜索，符合算法求解的空间要求。

ⅱ、算法性能实验对比分析

算法性能实验对比分析包括不同环境复杂度下算法求解对比、复杂环境模型下算法稳定性对比以及算法求解时间对比。

不同环境复杂度下算法求解对比：为了验证本文算法对路径规划问题的适应性，选择s(1,99),t(99,1)在不同环境复杂度的模型下与改进势场蚁群算法、遗传算法进行实验仿真对比，仿真结果如说明书附图4和5所示：

随着环境模型复杂度的增加，三种算法的路径求解结果发生了变化，本实施例算法所求解路径适应值上升1.8％；a*算法适应值上升1.3％；改进势场蚁群算法所求解路径适应值上升了9.7％；遗传算法所求解路径适应值上升了7.1％。从以上实验结果可以看出，对比其他两种算法，本实施例算法对不同复杂度环境有更强的适应能力。

复杂环境模型下算法稳定性对比：为了验证算法的稳定性，对复杂环境模型下的s(1,99),t(99,1)路径进行20次重复求解实验，路径规划结果如说明书附图6和7所示，具体参数说明书附图8所示：

由说明书附图6和7可以看出，在得到相同解的条件下，a*算法为一次搜索算法，结果输出稳定，改进势场蚁群算法和遗传算法收敛代数存在波动，结合说明书附图6路径输出结果和说明书附图8的可以看出，a*算法在距离、转向角综合适应值评价中缺乏再次寻优能力，难以收敛至最优值，改进势场蚁群算法和遗传算法的求解结果不稳定，求解质量相对较差且最优解收敛成功率较低，对比不同算法的计算结果，本实施例算法能够在较少的迭代次数下保持路径规划结果稳定，进化过程不受实验次数的影响，无需设置冗余进化代数；

算法求解时间对比：为了进一步验证算法的有效性，本文在复杂环境模型中，对s(1,99),t(99,1)和s(80,1),t(20,99)进行求解，以测试算法的求解时间，结果如说明书附图9所示：

在s(1,99),t(99,1)路径的求解中，本实施例算法在计算时间增加17.8％。但保证算法迭代搜索能力，路径适应值提升了4.4％，在路径求解时间相近的情况下，改进势场蚁群算法和遗传算法，路径适应值分别有13.6％和8.1％的提升；在s(80,1),t(20,99)路径的求解中，相比a*算法、改进势场蚁群算法和遗传算法，计算时间分别缩短了73.8％、113％和73.5％，路径适应值分别有6.1％、8.1％和3.2％的提升，综合路径求解质量和算法运行时间，在复杂环境模型中，本实施例算法具有更强的路径求解能力。

综上所述：本文基于切线图环境模型提出的确定性移动机器人路径规划算法，在保证算法空间搜索灵活性的基础上实现了确定性求解，其主要特点如下：

抗体进化过程、进化代数、进化结果确定且唯一，实现了迭代搜索的确定性求解，减少了冗余计算。

无需设置进化代数、抗体数量、变异概率等经验参数，也无需进行传统的交叉或单点、多点变异，依据疫苗启发因子，对抗体进行正向构建和重构变异，提高了抗体生成和变异效率。

引入单点抗体重构提升率，使抗体数量与搜索空间呈正相关，确保搜索空间的外部可控，发挥了迭代类算法的空间搜索优势。

算法的切线路径构建方式和局部路径规划中的切线避障有很高的契合度，这也为本文算法在动态环境和未知环境中的运用提供了良好的契机，也是后续研究的重要方向。

以上所述的，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。