[发明专利]一种基于IAPF-A*融合算法的机器人路径规划

说明书

本发明公开一种基于IAPF‑A*融合算法的机器人路径规划方法，算法步骤如图1所示，本发明的有益效果是，通过使用改进的人工势场替换传统A*算法中的估算距离，改进的人工势场不仅包含了终点信息，同时也包含了局部的环境信息，能有效避免凹型障碍物对A*算法的影响，从而提高本发明IAPF‑A*算法的寻路效率。

技术领域

本发明涉及机器人路径规划技术领域，具体是一种基于改进人工势场法(improved Artificial Potential Field,IAPF)与A*的融合算法(IAPF-A*)用于机器人的路径规划问题。

背景技术

路径规划技术是移动机器人研究领域的一个重要组成部分，主要目的是在有障碍物的环境中，根据一定的准则(如路径最短，位置拐点最少，用时最短等)，寻求一条从起始位置节点到目标位置节点之间的最优或次优安全无碰路径。

路径规划技术的发展在一定程度上标志着机器人智能水平的高低，而路径规划方法的优劣直接影响路径规划效果。

目前，国内外许多专家学者都在致力于路径规划算法的研究，常用的优化算法主要有人工势场法、免疫算法、蚁群优化算法、神经网络、A*算法等。

其中，A*算法是一种静态环境中求解最短路径最有效的直接搜索方法。A*算法解决路径规划的过程大体上可以概括为：先是通过不断地遍历评价指标F最小的节点，直到遍历到终点节点为止，再使用反向搜索父节点的方法来得到最优路径。其中，某节点的评价指标F等于起点到该节点的实际路径长度G以及该节点到终点的估算路径长度H这两个指标之和。在解决栅格图模型下的路径规划时，通常是定义H为当前节点至终点的坐标之差的绝对值之和。但这会导致A*算法在遍历节点时，往往其遍历的节点是集中于起点至终点的连线方向上的节点集群。显然，这在最优路径与起点至终点的连线较为接近时，能取得较好的结果，但在实际应用中，往往最优路径并不接近于起点至终点的连线，例如在终点方向上的凹型障碍物，此时A*算法为走出凹形障碍物需要进行大量无效的节点遍历，从而导致算法效能过低。

发明内容

本发明的目的在于提供一种基于改进人工势场法(improved ArtificialPotential Field,IAPF)与A*的融合算法(IAPF-A*)的机器人路径规划方法，该方法能够克服传统A*在遍历节点时容易因为碰到凹型障碍物而在局部进行大量无效节点的遍历的缺陷，减少了对无效的节点的遍历，从而提高算法的求解速度。

在传统A*中，某节点A的估算路径长度H仅与节点A与终点的坐标值相关，而在人工势场法中，某节点A的势力场不仅与节点A以及终点的坐标值相关，同时也与A周围的环境相关，因此，通过势力场来构建A*的寻路规则从逻辑的角度来说是具备优势的，但考虑到传统人工势场法也会存在陷入局部较低势场的缺点，本发明首先提出一种改进人工势场法用来生成势力场。具体思路是，不断地将局部势场较低的节点重置为局部较高的节点，避免机器人遍历到该节点上，直到不存在局部较低势场的节点为止。某节点的新势力场pf'的更新公式如式(1)。

式中，pf_a为邻接节点的势力场，k为势场变化系数，min()为获取最小值函数。得到势力场数据后，改写A*的评价指标F如式(2)所示，pf'为节点的势力场。

F＝G+pf' (2)

本发明解决其技术问题所采用的技术方案是：

一种基于IAPF-A*融合算法的机器人路径规划，包括以下步骤：

S1、初始化算法的相关参数，如包括但不限于：地图数据m、起点S、终点E、空列表A、list_del、list_append、open、close，势场变化系数k＝1.1；

S2、根据传统人工势场法APF相关公式(3)、(4)、(5)计算每个节点的势力场pf；