[发明专利]一种融合卡尔曼滤波预测思想的适用于移动机器人导航的改进蚁群算法

说明书

本发明提供一种融合卡尔曼滤波预测思想的适用于移动机器人导航的改进蚁群算法，所述包括引入信息素初始分布规则初始化信息素全局分布，提高初始信息素启发作用；所述采用融合最优节点预测模型的复合型节点选择策略进行蚂蚁寻路过程中的节点选择，增大最优节点选择概率；所述采用融合卡尔曼滤波思想的预测信息素更新模型进行全局信息素浓度最优更新，根据迭代前后两次信息素数值进行最有融合和预测，增大信息素启发作用；所述采用动态更新方式进行蚁群算法节点概率公式中的信息素权重因子和启发信息权重因子的动态更新，加速算法收敛。该方法对于蚁群算法过程具有高度启发作用，改善蚁群算法在移动机器人路径规划过程中的收敛速度慢、精度低等不足，提高算法效率。

技术领域

本发明涉及移动机器人导航技术领域，具体的说，移动机器人导航技术主要为路径规划技术，涉及了一种融合卡尔曼滤波预测思想的适用于移动机器人导航的改进蚁群算法，用于加快移动机器人路径规划的速度和精度，提高移动机器人导航算法性能。

背景技术

导航是移动机器人发展过程中必不可少的一项技术。移动机器人导航技术主要为路径规划技术，目前用于移动机器人路径规划的算法种类繁多，主要为迭代算法和生物启发式算法，其中，生物启发式算法在某种程度上也属于迭代算法。对于路径规划算法来讲，主要包括A*算法、遗传算法、人工势场法、蚁群算法等。其中部分算法是以生物自然特性为启发演进而来，例如，蚁群算法。

蚁群算法是一种生物启发式算法，主要是根据自然环境中，蚂蚁寻找食物的自然过程进行数学建模和引申，是具有正反馈特性的启发式智慧算法。同时，蚁群算法具备良好的全局搜索能力，被科研人员广泛运用于最优化控制和导航算法融合等领域。但是，普通蚁群算法仍存在一些不足，例如，在进行移动机器人路径规划过程中，蚁群算法存在效率低、收敛速度慢等问题。

目前，广泛应用的蚁群算法主要依靠迭代过程进行优化问题的解决，由于算法参数多样性设置，蚁群算法一般能够进行全局最优搜索。针对移动机器人路径规划领域而言，蚁群算法的使用因其自身算法特征来讲还存在一定的改进空间，例如：蚁群算法信息素更新策略存在启发作用较低，算法最优结果更新缓慢、蚁群算法参数设置固定导致算法整体收敛速度缓慢，甚至蚁群算法容易陷入局部极值等问题。

为了解决以上存在的问题，人们一直在寻求一种理想的算法改进方案。

发明内容

本发明的目的是针对现有蚁群算法运用于移动机器人路径规划的技术不足，解决的技术问题是：针对蚁群算法运行过程中，信息素启发作用不足、问题，利用信息素初始分布规则进行信息素全局初始化分布计算，增加初始信息素的启发作用。采用复合型节点选择策略进行蚂蚁寻路过程中最优节点的选择，提高算法求解效率。采用融合卡尔曼滤波思想的预测信息素更新模型进行全局信息素浓度最优更新，提高信息素的启发程度，促进算法收敛到最优解。最后，采用动态更新方式进行蚁群算法节点概率公式中的信息素权重因子和启发信息权重因子的动态更新，根据算法运行结果实时更新权重因子，提高算法收敛速度，促进算法性能提升。通过上述方法提高蚁群算法用于移动机器人路径规划的整体性能。

本发明的技术解决方案是：一种融合卡尔曼滤波预测思想的适用于移动机器人导航的改进蚁群算法，其特征在于，包括以下步骤：

步骤一：根据移动机器人使用场景，构建二维栅格地图。同时，设置机器人运动起始点、目的点以及初始化障碍物信息等地图参数。

步骤二：根据步骤一，设置蚁群算法中蚁群大小、迭代次数、信息素蒸发率、启发信息权重因子和信息素权重因子等参数。同时，根据信息素初始分布规则进行初始蚁群算法信息素分布设定，并开始蚁群算法寻路迭代。

步骤三：在蚂蚁选择下一路径节点时，采用复合型节点选择策略。根据普通节点选择策略，同时融合最优节点预测模型进行路径节点选择。

步骤四：当蚂蚁搜索路径过程完成时，利用融合卡尔曼滤波思想的预测信息素更新模型进行全局信息素浓度最优更新，用于下一次蚂蚁寻路过程。