[发明专利]一种未知动态环境下的移动机器人路径规划方法

摘要

本发明公开了一种未知动态环境下的移动机器人路径规划方法，该方法将每个位置转化为一个神经元，利用神经元的活性值来表征环境变化，巧妙的利用生物激励神经网络模型来模拟动态环境；生物激励神经网络模型保证了正的神经元活性值能够向外传播并影响整个状态空间，而负的神经元活性值只作用在局部。在下一个位置点的决策中同时包含了神经元活性值最大和机器人转角最小因素，得到的路径不仅最短或接近最短，且路径平滑，转弯较少。本方法没有局部最小点问题，计算量小，实现简单，在动态未知环境下有很好的适应性。

主权项

一种未知动态环境下的移动机器人路径规划方法，其特征在于，包括以下几个步骤：步骤1：构建栅格地图；以移动机器人的几何中心点为移动坐标系原点，移动机器人的指向为X轴的正方向，建立移动坐标系；以移动机器人开始移动前所在位置为全局坐标系原点，移动机器人开始移动前的指向为X轴的正方向，建立全局坐标系；将全局坐标系按照设定的规划精度p转化为栅格地图，所述栅格地图中每个栅格的长和宽分别为Δx＝p和Δy＝p；p取值范围为0.1m到0.3m；将移动机器人所在工作环境中的已知的静态障碍物、目标点以及移动机器人当前位置在全局坐标系中的坐标转化为栅格地图坐标表示：其中，(x*,y*)表示在物体在全局坐标系中的坐标；步骤2：将栅格地图中的每个坐标点作为一个神经元，并初始化每个神经元的活性值为0；步骤3：判断移动机器人当前所在位置是否与目标点位置相同，若相同，则当前路径规划结束；否则，进入步骤4；步骤4：读取声纳测距数据，并更新神经元活性值；间隔时间T读取一次移动机器人上的声纳传感器所采集的工作环境中障碍物的测距数据，并依据测距数据获取障碍物的全局坐标系坐标，并将全局坐标系中每个坐标对应的神经元的活性值x_i按照以下公式更新：$\frac{d{x}_i}{\mathrm{dt}}=-A{x}_i+(B-x_i)S_i-(D+x_i){\left[I_i\right]}^{-}$其中，x_i是第i个神经元的活性值；A表示衰减率，取值范围为[3,20]；B和D分别为神经元活性值的上界和下界，取值分别为1和‑1；间隔时间T的取值范围为(0,1s]；I_i表示第i个神经元的外部输入：如果第i个神经元对应的坐标位置为目标点位置，则I_i＝E；如果第i个神经元对应的坐标位置为障碍物位置，则I_i＝‑E；其他情况下，I_i＝0；E为外部输入常数，取大于或等于80的整数；S_i表示第i个神经元的激励输入，其取值依据第i个神经元是否处于障碍物之间确定：当第i个神经元对应的坐标位置处于障碍物之间时：$S_i={\left[I_i\right]}^{+}+\frac{{\mathrm{\Σ}}_{j=1}^{n^i}{\mathrm{\ω}}_{\mathrm{ij}}{\left[x_j^i\right]}^{+}}{n_{\mathrm{pos}}^i}{n}^i$当第i个神经元对应的坐标位置处于障碍物之间时：$S_i={\left[I_i\right]}^{+}+\frac{{\mathrm{\Σ}}_{j=1}^{n^i}{\mathrm{\ω}}_{\mathrm{ij}}{\left[x_j^i\right]}^{+}}{n_{\mathrm{pos}}^i}(n^i-n_{\mathrm{neg}}^i)$其中，[a]^‑＝max{‑a,0}，[a]⁺＝max{a,0}；d_ij表示两个神经元q_i和q_j之间的欧式距离，μ₀表示距离常数，取值范围为(0.2,1.2]；nⁱ表示第i个神经元对应的坐标位置的相邻点个数，移动机器人所有可能的下一个位置点称为相邻点；表示第i个神经元对应的坐标位置的第j个相邻点对应的神经元活性值；为第i个神经元对应的坐标位置的相邻点中对应的神经元活性值大于0的点的个数，为第i个神经元对应的坐标位置的相邻点中对应的神经元活性值小于0的点的个数；步骤5：依据更新的神经元活性值和最小转角，对移动机器人的下一个移动位置进行决策，得到下一个移动位置；步骤6：移动机器人按照步骤5获取的位置前进，返回步骤3。