[发明专利]一种面向城市环境的移动机器人融合路径规划方法

说明书

本发明公开了一种面向城市环境的移动机器人融合路径规划方法，属于移动机器人运动控制技术领域。该方法包括如下步骤：第一步：移动机器人根据激光雷达探测到的障碍物信息，判断采用全局规划还是局部路径规划；第二步：当机器人与障碍物之间的距离大于设定阈值时，采用人工势场法进行全局路径规划方式；当机器人与障碍物之间的距离小于设定的阀值时，采用DDPG算法进行局部避障；第三步：判断移动机器人与目标点的距离，若小于设定阀值，则完成任务；若大于设定阀值，重复第一步和第二步，直至到达目标点。本发明实现移动机器人从起点到终点找到一条无碰撞的最优路径。

技术领域

本发明涉及一种面向城市环境的移动机器人融合路径规划方法，属于移动机器人运动控制技术领域。

背景技术

移动机器人完成其它任务的首要前提就是要移动到指定目标位置，因此路径规划技术是移动机器人技术中关键的技术之一。移动机器人在城市环境中要完成路径规划，不仅要考虑到静态的障碍物，同时也要考虑到动态的障碍物；由于城市环境十分复杂多变，要建立完整的地图信息十分困难，因此未知环境下的移动机器人路径规划十分重要，同时也给移动机器人进行路径规划增加了很大的难度。

目前路径规划算法可以分为全局路径规划和局部路径规划两大类。全局算法包括A*算法，Dijkstra算法，可视图算法，自由空间法等；全局路径规划算法通常需要提前获取全局地图信息，但是移动机器人工作的环境通常是动态的，并且难以获取准确的环境信息，因此只能将全局路径规划，划分为若干个子规划过程，即局部路径规划。局部路径规划大致可以分为4类：随机采样规划方法、人工势场法、图搜索法和群智能优化法。快速扩展随机树算法(Rapidly-exploring Random Trees,RRT)是经典的基于随机采样的算法之一，该算法能快速实现路径规划而得到广泛的应用，但是其无法保证路径最优。人工势场法虽然能应用于未知环境中，但是其容易陷入局部最优。基于群智能算法的代表算法包含遗传算法、粒子算法、蚁群算法及一些融合算法等，群智能算法因其计算复杂度高，不适用于未知动态环境中机器人路径规划。

近年来随着强化学习和神经网络的发展，深度强化学习算法被认为是解决未知动态环境最具有潜力的方法，其中就有DQN(Deep Q-learning Network深度Q网络)算法、DDPG(Deep Deterministic Policy Gradient深度确定性策略梯度)算法、A3C(AsynchronousAdvantage Actor-Critic异步优势动作评价算法)等，深度强化学习算法可以实现端到端的移动机器人路径规划，不需要对环境进行建模；但是深度强化学习算法存在着收敛速度慢，不稳定等问题急需解决。

因此，能否很好的实现移动机器人在未知动态环境中的路径规划。决定着移动机器人的发展和应用，所以移动机器人路径规划技术是十分重要的。

发明内容

针对上述DDPG算法，本发明提出了一种面向城市环境的移动机器人融合路径规划方法，实现移动机器人从起点到终点找到一条无碰撞的最优路径。

本发明为解决其技术问题采用如下技术方案：

一种面向城市环境的移动机器人融合路径规划方法，包括如下步骤：

第一步：移动机器人根据激光雷达探测到的障碍物信息，判断采用全局规划还是局部路径规划；

第二步：当机器人与障碍物之间的距离大于设定阈值时，采用人工势场法进行全局路径规划方式；当机器人与障碍物之间的距离小于设定的阀值时，采用DDPG算法进行局部避障；

第三步：判断移动机器人与目标点的距离，若小于设定阀值，则完成任务；若大于设定阀值，重复第一步和第二步，直至到达目标点。

第二步中所述DDPG算法中的奖励函数是根据移动机器人是否到达目标点、与目标点的距离以及是否与障碍物发生碰撞设计的。

当移动机器人到达目标点时的奖励函数如下：