[发明专利]用于多机器人动态路径规划的多克隆人工免疫网络算法

说明书

技术领域

本发明涉及一种应用于多移动机器人动态路径规划的多克隆人工免疫网络算法，属于人工智能技术领域。

背景技术

路径规划问题是移动机器人研究中的关键技术之一，路径规划是指移动机器人按照某一性能指标，搜索一条从起始位置到目标位置的最优或次优的无碰路径。

根据机器人是否能够事先获得全部环境信息，移动机器人的路径规划分为环境信息已知的全局路径规划和基于传感器信息的局部路径规划，传统的全局路径规划大多基于图论，在环境的几何模型上搜索满足某一性能指标的最优或次优的避碰路径。而基于传感器信息的局部路径规划又根据机器人所处环境是否动态变化，可以将移动机器人局部路径规划分为静态路径规划和动态路径规划。静态路径规划是指环境中的障碍物是静止的，机器人的目标点位置也是不变的，而动态路径规划是指环境中存在移动的障碍物和目标点，环境信息动态变化。动态路径规划的难点在于环境信息的高度不可预知性。未知环境下的动态路径规划是机器人研究领域的热点问题。

近年来，随着人工智能的深入研究，研究者们将人工势场法、模糊逻辑、遗传算法、强化学习、人工免疫网络等应用于路径规划，提出了多种智能路径规划算法。

人工势场法计算简单，便于底层的实时控制，但其也存在如下一些缺陷：局部极小点问题；目标不可达问题。模糊逻辑算法不需精确的系统模型，可以根据模糊信息，针对环境知识总结出规则，但当环境复杂时，难以建立全面的规则库，规则库的建立和修改需要花费大量时间，且缺乏泛化能力。遗传算法基于自然选择和基因遗传的搜索算法，通过机器人对环境的逐渐适应，学会相应的避碰行为，但实时性差，且较难构造合适的适应度函数。强化学习具有简单且完整的理论，因此被广泛应用在机器人学中，但是多数应用在静态环境中，在动态环境中由于其有无穷的状态而使问题变得复杂。

人工免疫网络算法从信息处理的角度出发，把实际的机器人控制问题进行状态转化来定义抗原和抗体。该模型将机器人所探测到的周围物体的位置、方向以及内部的状态能量作为抗原，将针对当前机器人内部的各个基本动作作为抗体。基于人工免疫网络理论的自主路径发现与规划算法能够通过学习获取规则，具有很强的空间搜索能力和规则的发展与再学习能力，能够较快的从机器人的环境空间到命令空间做出满意的规划解集，具有较高的智能性。许多研究者应用人工免疫网络算法获取未知环境下移动机器人控制策略，实现复杂环境下移动机器人的路径规划。