一种智能移动机器人路径规划方法、设备和介质

1.本发明涉及智能移动机器人路径规划技术领域，特别涉及一种模拟car-t靶向治疗的智能移动机器人路径规划方法、设备和介质。


背景技术：

2.car-t疗法是一种能够有效治疗癌症的新型精准靶向疗法，有着广阔的医学应用前景。car-t治疗分为五步：从患者体内分离t细胞、体外改造t细胞为car-t细胞、体外扩增car-t细胞、回输患者体内、疗效评估与反应监控。改造后的car-t细胞具有精准的识别能力，可以迅速准确的杀死肿瘤细胞。car-t疗法可以理解为t细胞精英强化并扩增后，对肿瘤细胞群体搜索的过程，该搜索具有显著的靶向性，其符合群体智能优化算法的特征。
3.现有的智能移动机器人路径规划群体智能优化算法有蚁群算法、粒子群算法、烟花算法、狼群算法等等。这些算法模拟昆虫、鸟群、兽群等的群体行为机制，抽象之后保留它们的群体智能性，用于解决一些复杂的搜索优化问题。
4.现有群体智能优化算法存在的客观缺点
5.1.搜索效率与搜索精度是现有群体智能优化算法面临的两大难题，例如现有技术分析中，蚁群算法收敛速度慢，搜索效率低，粒子群虽然提高了搜索效率，但容易陷入局部最优解，搜索精度低。
6.2.群体智能算法大多基于概率搜索，搜索结果具有随机性，例如蚁群算法中采用的轮盘赌机制。这导致当前搜索出的最优解可能在下一次搜索中丢失，很难保证多次搜索后全局最优解的稳定性。
7.与本发明相关的现有技术案例分析
8.蚁群算法：
9.蚁群算法模仿了自然界中蚂蚁觅食的行为。自然界中的蚂蚁在觅食过程中通过相互协作总能找到一条从巢穴到食物源的最短路径
1.。
10.缺点：
11.①
局部最优：蚁群在走过的不同路径上留下与路径距离成反比的信息素，信息的浓度越大，该路径被再次选择的概率也会越大，这是一种正反馈机制。在初始环境中，经典蚁群算法会给每条路径分配相同的信息素，蚁群随机选择要通过的路径，该随机选择难免会出现次优解，之后的正反馈机制会反复加强该次优解，最终陷入局部最优，并且很难再次跳出。
12.②
收敛速度慢。初始环境，每条路径的信息素浓度相同，蚁群随机选择不同路径，需要较长的时间才能发挥出正反馈机制的作用，导致算法收敛速度慢。
13.③
轮盘赌的路径选择机制导致当前搜索出的最优解可能在下一次搜索中丢失，很难保证多次搜索后全局最优解的稳定性。
14.粒子群算法
15.粒子群算法是群体智能优化算法的另一典型代表，其模拟鸟群觅食的群体智能行
为。该算法将鸟群中每个个体描述为无质量和体积的“粒子”。在迭代之初，每个粒子都有自身的速度和位置。每次迭代时，每个粒子通过粒子间的位置信息共享机制，找到自身位置最优解以及所有粒子的全局最佳位置解，以上解引导粒子搜寻下一个更优位置。经过多次迭代，所有粒子都朝着全局最佳位置解收敛
2.。
16.缺点：
17.该算法提升了收敛速度，但容易陷入局部最优解，难以得到全局最优解。
18.参考文献
19.[1]张松灿.基于蚁群算法的移动机器人路径规划研究[d].河南科技大学,2021.doi:10.27115/d.cnki.glygc.2021.000001.
[0020]
[2]王春博.基于改进粒子群算法冷热电联供型的微网优化运行研究[d].中国矿业大学,2022.doi:10.27623/d.cnki.gzkyu.2022.001361.


技术实现要素：

[0021]
本发明针对现有技术的缺陷，提供了一种智能移动机器人路径规划方法、设备和介质。
[0022]
为了实现以上发明目的，本发明采取的技术方案如下：
[0023]
一种智能移动机器人路径规划方法，包括以下步骤：
[0024]
s1：栅格化地图，输入智能移动机器人的起点和终点位置；
[0025]
s2：假设用于路径规划的智能群体为t细胞，t细胞在起点采用八邻域搜索，设置算法最大迭代次数，初始化t细胞浓度，即细胞的数量，建立表t1和t2分别记录八邻域搜索中的子邻域和父邻域，建立表d记录每次迭代的搜索路径长度。
[0026]
s3：t细胞选中起点为第一个父邻域，向外扩展搜索八个子邻域，分别记录在表t1和t2中。将表t1子邻域中的t细胞精英化为car-t细胞，精英率与到达终点的距离成正比，即某子邻域距离终点越近，该子邻域中精英化后的car-t细胞浓度越高。可采用欧式距离衡量。car-t细胞以一定概率向其他子邻域转移。
[0027]
s4：car-t细胞持续扩增，判断是否找到终点。若找到，则当前迭代结束，否则，选中t1中细胞浓度最高的子邻域，作为下一步搜索的父邻域，继续重复上述八邻域搜索过程，直至找到终点。
[0028]
进一步地，s3的具体步骤如下：
[0029]
a：t细胞从起点采用八邻域搜索方式，搜索终点。
[0030]
b：t细胞精英化为car-t细胞，精英率与子邻域到达终点的距离成正比。
[0031]
c：car-t细胞持续扩增，沿着细胞更新浓度最高的邻域，实现对终点的靶向搜索。
[0032]
d：c步骤中的靶向搜索陷入了局部最优，精英化后的car-t细胞需要以一定概率向其他子邻域转移。
[0033]
e：概率偏离后，综合衡量当前步距离与car-t细胞浓度，细胞扩增后，再次沿着细胞更新浓度最高的邻域，完成最终的靶向搜索。
[0034]
进一步地，s3中细胞精英率计算如下：
[0035][0036]
其中，(xk,yk)是上述子邻域在栅格地图中的位置，(xe,ye)是终点位置，hk为子邻域与终点的欧式距离，βk为精英率，b为缩放因子。
[0037]
作为优选，s3中为了确保全局最优搜索，car-t细胞会以一定概率向其他子邻域转移，即距离终点远的子邻域也有机会获得car-t细胞。
[0038]
作为优选，一次迭代结束，表d记录相应搜索路径。从表d中可以找到历史最优路径解，在下一次迭代中，该历史最优路径的初始t细胞浓度会得到额外增强，以加速算法收敛到全局最优路径。
[0039]
本发明还公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述智能移动机器人路径规划方法。
[0040]
本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述智能移动机器人路径规划方法。
[0041]
与现有技术相比，本发明的优点在于：
[0042]
1.本发明模拟了car-t靶向治疗过程，具备精英加强、靶向搜索、概率偏离、自我指导等特征。相比较现有的群体智能优化算法，本发明算法通过细胞精英化，靶向搜索有效提高了算法的搜索效率。引入搜索的概率偏离机制确保对全局最优解的获取。此外，利用历史最优搜索解的自我指导使得后续迭代在历史最优的基础上开展进一步探索，最终的迭代结果维持历史最优解或者获得更优解，进一步提高了算法的搜索稳定性与精度。
[0043]
2.应用于智能移动机器人的路径规划，相比较现有的群体智能优化算法，本方法能够在较短时间内规划一条全局最优路径。机器人可以快速获得最短任务路线，有效提高工作效率。
附图说明
[0044]
图1是本发明实施例智能路径规划方法流程图；
[0045]
图2是本发明实施例八邻域搜索方式示意图；
[0046]
图3是本发明实施例智能路径规划示意图。
具体实施方式
[0047]
为使本发明的目的、技术方案及优点更加清楚明白，以下根据附图并列举实施例，对本发明做进一步详细说明。
[0048]
受car-t治疗启发，本发明提出了一种新型群体智能优化算法用于解决路径规划问题。该算法模拟了car-t靶向治疗过程，假设人体内的t细胞为智能群体，它们将在有限的搜索空间内搜索目标细胞。以上是盲目的大范围搜索，效率较低。将一些t细胞通过基因改造变为car-t细胞。car-t细胞具备目标细胞的靶向信息(距离信息)，可以实现快速的靶向搜索。为了避免陷入局部最优解，car-t细胞的搜索会以一定概率向非靶向方向偏离，确保对全局最优解的有效搜索。并且完成多次迭代后，所提出的算法将利用历史最优搜索解进
unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于智能移动机器人路径规划方法的操作，包括以下步骤：
[0056]
s1：栅格化地图，输入搜索起点和终点位置；
[0057]
s2：假设智能群体为t细胞，t细胞在起点采用八邻域搜索，设置算法最大迭代次数，初始化t细胞浓度，即细胞的数量，建立表t1和t2分别记录八邻域搜索中的子邻域和父邻域，建立表d记录每次迭代的搜索路径长度。
[0058]
s3：t细胞选中起点为第一个父邻域，向外扩展搜索八个子邻域，分别记录在表t1和t2中。将表t1子邻域中的t细胞精英化为car-t细胞，精英率与到达终点的距离成正比，即某子邻域距离终点越近，该子邻域中精英化后的car-t细胞浓度越高。可采用欧式距离衡量。car-t细胞以一定概率向其他子邻域转移。
[0059]
s4：car-t细胞持续扩增，判断是否找到终点。若找到，则当前迭代结束，否则，选中t1中细胞浓度最高的子邻域，作为下一步搜索的父邻域，继续重复上述八邻域搜索过程，直至找到终点。
[0060]
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0061]
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关智能路径规划方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
[0062]
s1：栅格化地图，输入搜索起点和终点位置；
[0063]
s2：假设智能群体为t细胞，t细胞在起点采用八邻域搜索，设置算法最大迭代次数，初始化t细胞浓度，即细胞的数量，建立表t1和t2分别记录八邻域搜索中的子邻域和父邻域，建立表d记录每次迭代的搜索路径长度。
[0064]
s3：t细胞选中起点为第一个父邻域，向外扩展搜索八个子邻域，分别记录在表t1和t2中。将表t1子邻域中的t细胞精英化为car-t细胞，精英率与到达终点的距离成正比，即某子邻域距离终点越近，该子邻域中精英化后的car-t细胞浓度越高。可采用欧式距离衡量。car-t细胞以一定概率向其他子邻域转移。
[0065]
s4：car-t细胞持续扩增，判断是否找到终点。若找到，则当前迭代结束，否则，选中t1中细胞浓度最高的子邻域，作为下一步搜索的父邻域，继续重复上述八邻域搜索过程，直
至找到终点。
[0066]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0067]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0068]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0069]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0070]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。