[发明专利]一种基于蚁群算法的室内AGV路径规划方法

说明书

本发明提供了一种基于蚁群算法的室内AGV路径规划方法。本发明通过引用距离函数和方向函数作为启发因子改进启发函数，增加算法的启发性，引导蚂蚁向着较优的方向和位置节点搜索，有效减少在AGV移动过程中可能出现的尖锐转弯，提升路径质量。而且，本发明还通过改进状态转移概率和自适应参数调整策略，在不断迭代的过程中，算法的控制参数不断调整和变化。再有，本发明基于差异化‑分级信息素更新改进信息素更新方法。将改进后的蚁群算法应用到AGV室内路径规划中，可以使AGV快速地搜索得到实际环境中一条起始节点到目标节点的无碰撞的较优路径，从而提升运输效率，减少人工运输成本。

技术领域

本发明涉及机器人技术应用领域，具体地说是一种基于蚁群算法的室内AGV路径规划方法。

背景技术

路径规划是移动机器人导航发展的关键技术之一，在很多领域都有着非常重要的应用，比如自动驾驶、AGV物流仓储、地面移动机器人导航等等。其中，AGV的路径规划技术实际上是指基于某个或者多个参数(如最小能耗、最短路径、最短运行时间等)指标，在AGV自由移动空间内找到一条从起始节点到目标地点的安全路径。其本质是在各种约束条件下获得最优或可行解的问题。路径规划结果的优劣会直观地影响AGV任务的实时性和结果的质量。

路径规划最早始于20世纪60年代，路径规划的基础是环境模型的建立，它直接影响算法的选择。环境建模主要包括网格(栅格)模型、几何模型、拓扑模型。其中栅格模型被广泛利用。但是对于大规模环境来说，过多的栅格会造成内存变多，计算量大。路径规划算法的早期研究主要是针对全局静态的规划，比如可视图法、A*算法。但是随着人工智能的不断发展，基于仿生学的智能算法的优越性逐渐体现出来，比如蚁群算法、粒子群算法、麻雀算法。对于复杂和大规模的地图，早期的路径规划算法往往不能得到较好的求解效果。随着人工智能的发展，越来越多的人集中于智能仿生算法在路径规划上的研究。

蚁群算法具有易与其他规划算法结合、鲁棒性强、正反馈、具有启发式性等特点。蚁群算法是一种寻找优化路径的概率算法，它是模仿蚂蚁寻找食物的过程，蚂蚁在寻找食物的过程中会释放一种可称之为信息素的物质，路径较短的蚂蚁会释放更多的信息素，随着时间的推进，较短的路径会积累越来越多的信息素，那么选择该路径的蚂蚁也越来越多，最终在正反馈的机制下寻找出最优路径。它从产生之日起就成为一个热门话题，研究者广泛运用改进的蚁群优化算法解决各种复杂的组合优化问题，作为群智能算法的一种，最早是被用于解决TSP问题的，同样的，也被成功证明能够解决路径规划问题。但是作为一种概率优化的智能算法，和其他的智能算法一样，其具有一些明显的缺点，比如：收敛速度慢、容易出现死锁现象和搜索效率低，尤其在大规模复杂地图中算法搜索效率较差等问题。

发明内容

本发明的目的就是提供一种基于蚁群算法的室内AGV路径规划方法，以解决传统蚁群算法致使全局搜索效率低、收敛速度慢、规划的路径转弯过多且不够平滑等的缺点。

本发明是这样实现的：一种基于蚁群算法的室内AGV路径规划方法，包括如下步骤：

a、构建栅格地图，为AGV设定好起始节点和目标节点。

b、初始化蚁群算法各项参数；蚁群算法各项参数包括：蚂蚁数量m，最大迭代次数NC，信息素重要程度因子α，信息素初始浓度τ_ij(0)，启发函数重要因子最大值β_max和最小值β_min，信息素挥发因子ρ，自适应状态转移概率选择参数q₀，信息素强度Q，精英蚂蚁(包括一级蚂蚁和二级蚂蚁)个数ε。

c、将蚂蚁放在起始节点上。

d、计算改进的启发函数，并按照改进的自适应伪随机概率选择下一节点，改进的自适应伪随机概率转移规则如下面公式所示：

其中，q为0-1之间的随机值，q₀是自适应状态转移概率选择参数，为传统蚁群算法的轮盘赌随机选择模型，的计算公式如下所示：