[发明专利]一种基于自适应混沌粒子群算法的机器人路径规划方法

说明书

本发明属于机器人路径规划领域，公开了一种基于自适应混沌粒子群算法的机器人路径规划方法，首先进行环境建模，并使用路径长度、障碍物危险程度和路径平滑度三个控制参数来制定适应度函数，以满足复杂环境下机器人路径规划的要求；然后在迭代过程中，对算法中的三个控制参数采用了一种新的自适应更新策略，以此来动态调整算法的全局探索和局部开发能力；最后当种群陷入局部极值时，利用提出的自适应Logistic混沌映射引导种群跳出局部极值点，恢复算法的寻优能力，从而得到一条从起始位置到目标位置的较优路径，本发明能够提高传统粒子群算法在路径规划过程中生成路径解的质量和效率，提高路径规划的安全性。

技术领域

本发明属于机器人路径规划领域，具体涉及一种基于自适应混沌粒子群算法的机器人路径规划方法。

背景技术

移动机器人路径规划技术是机器人研究领域的核心内容之一，寻找一条无碰撞、可行的较优路径是进行移动机器人路径规划的最终目标。近年来,凭借基于种群搜索策略的不断优化以及不同种类目标函数模型的提出，对有关移动机器人路径规划的理论研究已逐渐从传统算法(如人工势场法、栅格法、A*算法等)向群智能优化算法转变，各种仿生算法，如粒子群算法(PSO)、蚁群算法、萤火虫算法、人工蜂群算法以及蝙蝠算法等被提出在路径规划领域，其中PSO算法相比其它群智能优化算法，具有操作简单和控制参数少等优点，在大多数情况下，可以提供类似甚至更好的优化结果。但标准的PSO算法本身存在搜索性能对参数的依赖性过大，收敛速度慢的问题，严重影响了路径规划的计算效率和可靠性。为了解决上述问题，现有技术中具有不同的改进版PSO算法为移动机器人生成了可行的路径，例如在具有障碍物的环境中引入了一种具有双结构粒子编码和变异算子的二进制粒子群算法，以加速粒子群的收敛速度；当算法在搜索最优解的过程中陷入局部最优时，采用粒子修正方法产生新的粒子替代原来的粒子，以此来引导算法摆脱局部最优值，搜索可行路径；还有一种收敛担保的自适应粒子群优化算法(RDSAPSO)，在迭代过程中依据粒子的个体极值和粒子全局极值自适应的更新惯性权重，从而加强对全局最优粒子的探索能力。但是，现有的粒子群算法虽然收敛性较好及需要调整的参数较少，但本身存在全局探索和局部开发能力较弱以及容易陷入局部极值的问题，现有技术文献中也有引入跳出机制和牵引操作的改进粒子群算法的机器人路径规划，通过跳出机制保持种群多样性和全局搜索能力，通过牵引操作加快算法的收敛速度，但是该方法是将实际场景简化为一维问题来解决，而一维路径规划的准确性较低，且在机器人寻找下一步移动节点时存在转弯角度过大，规划的整条路径转弯次数过多、路径平滑性较差，导致机器人运行时间增长、能耗增加、安全性较差等问题。

发明内容

针对现有技术存在的不足，本发明的目的是提供一种基于自适应混沌粒子群算法的机器人路径规划方法，用于移动机器人的路径规划，能够进一步提高传统粒子群算法在路径规划过程中生成路径解的质量和效率，改善移动机器人在路径规划时的运行时间长、高能耗和安全性差等问题。

为了实现上述目的，本发明采用如下技术方案：

一种基于自适应混沌粒子群算法的机器人路径规划方法，该方法包括如下步骤：

步骤1：创建机器人移动环境地图，确定机器人的起始位置S和目标位置G；

步骤2：根据机器人移动环境地图中的坐标变换得到一组相互平行的直线簇{L₁,L₂,L₃,···L_d}，由直线簇与地图的交点求出和根据和求出粒子在每个维度上飞行的最大速度其中，

步骤3：设置粒子种群数目n、最大迭代次数itermax、圆形机器人半径r、自适应Logistic映射的最大混沌寻优次数Chaosmax，障碍物产生危害影响的最大作用距离l^max、最小作用距离l^min以及路径对周边障碍物的搜索范围l_o，初始化群粒子算法中的参数，包括路径长度、障碍物危险程度和路径平滑度；由如下公式初始化每个粒子在坐标系S-X'Y'下的初始速度和初始位置；