[发明专利]基于免疫网络算法的移动机器人动态路径规划方法

权利要求书

1.一种基于免疫网络算法的移动机器人动态路径规划方法，其特征在于：首先基于可视图法对全局静态环境空间进行预处理，之后应用免疫网络算法规划出全局路径，在行进的过程中实时检测周围环境信息，对进入感知范围的未知动态障碍进行危险预测，根据预测的结果形成新的局部环境可视图并应用免疫网络算法规划出新的局部路径，当机器人到达局部规划的临时目标点后回到之前规划的全局路径上继续行进。

2.根据权利要求1所述的基于免疫网络算法的移动机器人动态路径规划方法，其特征在于：

(一)、免疫网络算法的实现过程：

经过对免疫网络算法的改进以及与可视图的结合，算法具体的实现步骤如下：

(1)对移动机器人运行的环境空间进行预处理，构建可视图；

(2)根据可视图的建立与分析，总结先验知识并提取疫苗，包括生成的抗体或路径不穿越障碍物的包围盒和生成的抗体或路径不存在倒退现象；

(3)种群初始化：先接种疫苗，在搜索空间内通过植入疫苗产生m个抗体即m条路径，路径的生成方式是从起始点逐步延伸到目标点，由这m个抗体即m条路径构成初始父代种群，其中上标i表示第i代，下标m表示抗体个数；

(4)停止条件：根据抗体和抗原之间的适应度以及抗体之间的浓度来最终确定抗体的亲和度，计算当前父代种群的遗传代数及中所有抗体的亲和度，若满足条件，则终止运算并输出结果，否则继续；

(5)克隆扩增：对上述抗体群中的每个抗体(路径)分别产生n个克隆体，此时扩增为m*n个克隆抗体(路径)，此时抗体群变为每条路径都复制n倍，下一步的路径变异将更充分，增加了每代抗体的多样性；

(6)高频变异：克隆抗体群中每个克隆的抗体均要经历高频变异得到这里指的是对抗体路径进行增加或者删除节点；

(7)重新计算适配值：对抗体群中的所有个体，包括每个父抗体及其变异克隆抗体，重新计算其亲和度；

(8)记忆抗体群更新：从每个父抗体及其克隆抗体中，选择具有最高亲和度的变异克隆抗体，共同组成m个新的具有最高亲和力的精英变异抗体群并将其作为更新记忆抗体群的候选，再从与中选出m个亲和力最高的组成新的精英变异抗体群之后再计算记忆抗体群中的平均亲和力；

(9)免疫自调节与受体编辑：随机生成r(r<m)个全新的抗体替换此时抗体群中r个具有最低亲和力的抗体，以模拟生物免疫系统中的受体编辑过程，增加抗体群的多样性，如此一来，算法即产生了下一代的抗体群之后返回步骤4；

(二)、基于免疫网络算法的移动机器人动态路径规划步骤：

针对移动发机器人工作空间为环境信息部分未知的情况，具体的路径规划步骤如下：

(1)对已知的静态环境信息应用改进的免疫网络算法进行全局路径规划；

(2)机器人沿着规划出的路径行进；

(3)判断是否到达目标点，到达则结束，没到达则继续沿着规划出的路径行进；

由于环境空间中的静态障碍物的信息事先已知，那么每当机器人行走一步就会判断机器人和已知的各个静态障碍物之间的距离是否小于滚动窗，即传感器的感知范围的半径，这样就能得出这些静态障碍物是否已出现在滚动窗的范围内；

(4)判断运动障碍是否妨碍机器人的正常行驶；

(5)预测出标记的未知动态障碍物会与沿着之前规划好的路径行进的机器人在接下来某T时刻发生碰撞，则把这个未知运动障碍物T时刻的位置记录下来，当作“静态障碍物”处理，考虑到预测的误差和实际环境中的不确定因素，把这个“静态障碍物”的区域扩大一些，记作危险区域；

(6)当危险区域完全进入滚动窗之内后，机器人将当前时刻滚动窗与之前规划的路径交点作为临时局部目标点，当前机器人的位置作为起始点，感知窗内的静态障碍物和危险区域作为局部环境信息，应用免疫网络算法规划出新的路径，机器人沿着新规划的路径行驶，返回步骤3。

3.根据权利要求2所述的基于免疫网络算法的移动机器人局部路径规划方法，其特征在于：(二)步骤的第(4)步骤中机器人在行进的过程中先不用考虑滚动窗，直到传感器发现新的未知障碍物进入到滚动窗之内，即未知障碍物与机器人的距离小于滚动窗的半径时，标记该未知动态障碍物并且开始预测未知障碍物的运动轨迹；预测的结果分为以下两种情况：一是未知障碍物不会妨碍机器人的正常行驶，则机器人继续沿着之前规划好的路径行进即可，即重新返回步骤2；二是预测出运动障碍可能妨碍机器人的正常行驶，则转到(二)步骤的第(5)步骤。

4.根据权利要求2所述的基于免疫网络算法的移动机器人局部路径规划方法，其特征在于：

免疫网络算法中抗体的设计：

经过可视图法对移动机器人工作环境空间处理之后，构成抗体路径只需要考虑各个障碍物顶点的集合V中的元素，不需要考虑环境空间中之外的任何点，这样搜索范围将显著减少，使得算法效率得到提高。各节点的结构如下所示：

IDpointIDobjectxy

其中IDpoint表示节点编号，IDobject表示节点所属障碍物编号，x、y分别表示节点的横纵坐标；在移动机器人路径规划问题中，抗原表示所要解决的问题即最优路径，本申请设定为起始点s与目标点g的欧式距离，抗体表示所求问题的解，即搜索出的可行路径，它由移动机器人的起始点、目标点以及一系列中间节点连接成的折线构成，为清晰的描述路径走向，抗体中元素的顺序表示移动机器人运动时经过节点的次序，抗体采用字符串编码方式，其长度可随节点的数目而变化，抗体的数据结构入下所示：

AffinityDensityFitnessLengths…v…g

其中Affinity表示抗体的亲和度，这里用亲和度评价抗体的好坏；Fitness表示抗体的适应度，具有较短路径的抗体具有较高的适应度；Density表示抗体的浓度，即相同抗体所占抗体群中的比例，Length表示抗体由s到g的长度，其余部分为构成路径的节点，这种存储结构在抗体发生变化时，可灵活改变抗体的长度；

免疫网络算法中亲和度的计算：

本申请为了抑制和避免早熟现象的出现，这里加入了抗体浓度的计算，具体亲和度的计算公式如下：

Affinity(i)=Fitness(i)1+αln(1+Density(i))]]>

其中Affinity(i)表示抗体i的亲和度；Fitness(i)表示抗体i的适应度，和距离有关，抗体路径的距离越短，其抗体的适应度就越高；Density(i)表示抗体i的浓度，即相同的抗体路径越多，抗体的浓度就越大；α是一个正的常数，通过此式子可以看出适应度越大，亲和度越大；浓度越高，亲和度越小。