一种基于电荷系统搜索的机器人全局路径规划方法
【专利摘要】本发明涉及一种基于电荷系统搜索的机器人全局路径规划方法,建立机器人路径规划数学模型;初始化机器人需进行路径规划的环境参数以及电荷系统搜索算法的相关参数;随机初始化N条路径以及各个电荷的初始位置和速度;根据机器人环境信息以及机器人路径规划数学模型,计算各个电荷的适应度值fit,适应度最好值fitbest,适应度最坏值fitworst;更新每个电荷的电荷量qj,两个电荷之间的吸引标志pij及两个电荷之间的欧氏距离rij;更新每个电荷的位置及速度;然后根据机器人路径规划数学模型重新计算每个电荷的适应度,找出当前适应度最好的电荷的位置Xbest,new,即机器人的最优路径path;若迭代次数大于最大迭代次数itermax,则退出循环,输出最优路径path,否则返回进入下一迭代。
【专利说明】一种基于电荷系统搜索的机器人全局路径规划方法【技术领域】
[0001]本发明涉及一种基于电荷系统搜索的机器人全局路径规划方法。
【背景技术】
[0002]机器人路径规划是指在其工作空间中,为机器人完成某一给定任务提供一条安全、高效的运动路径。一般而言,机器人完成给定任务可选择的路径有许多条,实际应用中往往要选择一条在一定准则下为最优(或近似最优)的路径,常用的准则有:路径最短、消耗能量最少或使用时间最短等。因此,机器人路径规划实质上是一个有约束的优化问题。
[0003]路径规划问题是移动机器人研究领域的一个重要的课题,根据事先掌握环境信息的程度,路径规划问题可分为基于先验环境信息的全局路径规划和基于传感器的局部路径规划。传统的全局路径规划方法主要有栅格法、可视图法、拓扑法和自由空间法等,这些传统的方法均存在计算效率低,不适用于高维优化问题的缺点。随着许多智能仿生优化算法的提出和快速发展,许多学者将这些算法应用于机器人路径规划领域,取得了一定的效果。
[0004]电荷系统搜索算法(Charged System Search, CCS)是一种源自对物理学中的库伦定律和牛顿运动定律进行模拟的新的优化搜索技术,是一种元启发式算法,它通过群体中各个带电电荷的电场力的相互作用产生的群体智能指导优化搜索。
【发明内容】
[0005]本发明目的在于提供一种基于电荷系统搜索的机器人全局路径规划方法,计算效率高,能够有效解决复杂动态环境下机器人路径规划问题。
[0006]实现本发明目的技术方案:
[0007]一种基于电荷系统搜索的机器人全局路径规划方法,其特征在于:
[0008]步骤1:建立机器人路径规划数学模型;
[0009]步骤2:初始化机器人需进行路径规划的环境参数以及电荷系统搜索算法的相关参数;
[0010]步骤3:随机初始化N条路径以及各个电荷的初始位置和速度,以机器人起始位置和目标位置为X轴建立直角坐标系,将X轴D等分,
[0011]定义第j 个电荷的位置为 A =j =丨,2,...,JV ,其中表示
第j个电荷在第d维上的位置,每个电荷的位置\就代表一条机器人的运行路径,最终所有电荷中的最优位置即为机器人的最优路径;
[0012]步骤4:根据机器人环境信息以及在步骤I中建立的机器人路径规划数学模型,计算各个电荷的适应度值fit,适应度最好值fitbest,适应度最坏值fitworst ;
[0013]步骤5:根据步骤4中获得的各个电荷的适应度值fit、适应度最好值fitbest、适应度最坏值fitworst,更新每个电荷的电荷量qp两个电荷之间的吸引标志Pu及两个电荷之间的欧氏距离rij;
[0014]步骤6:根据步骤5中获得的每个电荷的电荷量qp两个电荷之间的吸引标志Pij及两个电荷之间的欧氏距离ru,更新每个电荷的位置及速度;然后根据步骤1中建立的机器人路径规划数学模型重新计算每个电荷的适应度,找出当前适应度最好的电荷的位置Xbest, new?即机器人的最优路径Path ;
[0015]步骤7:若迭代次数大于最大迭代次数Uermax,则退出循环,输出最优路径path,否则返回步骤5进入下一迭代。
[0016]步骤1中,通过如下公式,建立机器人路径规划数学模型,
[0017]
【权利要求】
1.一种基于电荷系统搜索的机器人全局路径规划方法,其特征在于: 步骤1:建立机器人路径规划数学模型; 步骤2:初始化机器人需进行路径规划的环境参数以及电荷系统搜索算法的相关参数; 步骤3:随机初始化N条路径以及各个电荷的初始位置和速度,以机器人起始位置和目标位置为X轴建立直角坐标系,将X轴D等分, 定义第j个电荷的位置为Ii……_/ = 1,2,...^,其中彳表示第」_个电荷在第d维上的位置,每个电荷的位置Xj就代表一条机器人的运行路径,最终所有电荷中的最优位置即为机器人的最优路径; 步骤4:根据机器人环境信息以及在步骤I中建立的机器人路径规划数学模型,计算各个电荷的适应度值fit,适应度最好值fitbest,适应度最坏值fitworst ; 步骤5:根据步骤4中获得的各个电荷的适应度值fit、适应度最好值fitbest、适应度最坏值fitworst,更新每个电荷的电荷量qp两个电荷之间的吸引标志Pu及两个电荷之间的欧氏距离ru; 步骤6:根据步骤5中获得的每个电荷的电荷量%,两个电荷之间的吸引标志Pij及两个电荷之间的欧氏距离ru,更新每个电荷的位置及速度;然后根据步骤I中建立的机器人路径规划数学模型重新 计算每个电荷的适应度,找出当前适应度最好的电荷的位置Xbest, new?即机器人的最优路径Path ; 步骤7:若迭代次数大于最大迭代次数Uermax,则退出循环,输出最优路径path,否则返回步骤5进入下一迭代。
2.根据权利要求1所述的基于电荷系统搜索的机器人全局路径规划方法,其特征在于:步骤I中,通过如下公式,建立机器人路径规划数学模型,F = min£ ^aB+^l—a)E~^il 式中,F表示广义代价函数,L表示路径长度,B表示环境障碍物对机器人的阻碍代价,E表示机器人运行消耗的能量,a e [0,I]表示机器人安全运行和消耗能量之间的权衡系数; 环境障碍物对机器人的阻碍代价B通过如下公式获得,,vft I1=1 ak 式中,Nb表示障碍物的个数,dk表示两个节点的中点距第k个障碍物的距离。
3.根据权利要求2所述的基于电荷系统搜索的机器人全局路径规划方法,其特征在于:步骤2中,初始化的参数包括:电荷种群规模N,优化维数D,算法最大迭代次数itermax,机器人安全运行和消耗能量之间的权衡系数α,环境中的障碍物个数Nb,电荷位置更新方程中的电荷半径a,机器人运行的起点坐标和终点坐标。
4.根据权利要求3所述的基于电荷系统搜索的机器人全局路径规划方法,其特征在于: 步骤5中,更新公式如下,
5.根据权利要求4所述的基于电荷系统搜索的机器人全局路径规划方法,其特征在于: 步骤6中,每个电荷的位置及速度更新公式如下,
【文档编号】G05D1/02GK104020769SQ201410264165
【公开日】2014年9月3日 申请日期:2014年6月13日 优先权日:2014年6月13日
【发明者】管凤旭, 刘晓龙, 廉德源, 赵拓, 杨长青 申请人:哈尔滨工程大学