一种自主移动机器人路径规划方法

本发明属于智能机器人，具体涉及一种自主移动机器人路径规划方法。

背景技术：

1、随着自动化技术的高速发展，移动机器人已广泛应用于各个领域，如物流、医疗、服务等。在移动机器人的应用过程中，路径规划是一个非常重要的问题，常常需要考虑多种因素，如机器人的运动约束、环境的障碍物分布以及路径的长度和安全性等等。良好的移动机器人路径规划技术可以应用于机器人探索人类无法到达的恶劣环境，从而能利用机器人代替人类进行火灾抢救等高危救援作业，并能有效帮助视障人士进行路径的指引。此外，机器人也可应用于智能仓储领域，提高物料运输效率，并能显著减小人力物力的消耗。

2、现有技术中，通常利用启发式算法来优化路径规划问题，包括粒子群算法(pso)，人工蜂群算法(abc)，麻雀搜索算法(ssa)，灰狼算法(gwo)，蚁群算法(aco)等。一些算法基于对立学习对麻雀搜索算法初始种群进行优化，并对参数进行自适应调整，还有一些算法利用更好的生产者和加入者位置更新策略来解决寻找最小路径问题。上述改进的算法仍然存在收敛精度低，易早熟等局限性，导致路径规划效率差。

技术实现思路

1、针对上述现有技术存在的问题，本发明提供一种自主移动机器人路径规划方法，该方法可以有效的提高移动机器人在复杂环境模型中的路径规划能力，能显著提高规划效率，并能生成长度最短的无碰撞路径，同时，能使所获得最短路径具有最少的转折点，且具有最佳的避障效果。

2、为了实现上述目的，本发明提供一种自主移动机器人路径规划方法，包括以下步骤；

3、步骤一：设置最大迭代次数t、种群数n、维度d、生产者数量pn、警戒者数量sn、安全值st；

4、步骤二：获取移动机器人自身的位置信息以及目的地的位置信息，其次获取障碍物的位置信息并对地图进行构建，形成地图；

5、步骤三：初始化路径参数；

6、步骤四：根据路径规划要求设置适应度函数；

7、步骤五：对麻雀搜索算法进行优化得到改进的麻雀优化算法；

8、在原有的麻雀搜索算法的全局搜索阶段引入自适应正余弦策略、在原有的麻雀搜索算法的局部搜索阶段引入跟随学习策略，在麻雀搜索算法迭代后期引入自适应t分布扰动策略；

9、步骤六：基于改进的麻雀优化算法计算每只麻雀的适应度值，获得适应度值最小的最佳麻雀；

10、步骤七：基于初始适应度值最小的最佳麻雀通过改进麻雀优化算法对每只麻雀进行迭代，计算适应度值，以进行局部搜索或全局搜索；

11、步骤八：判断是否达到最大迭代次数，若是，跳转至步骤九，否则，返回步骤六；

12、步骤九：输出原始路径和适应度值；

13、步骤十：将路径节点多余的冗余点删除，连接剩余节点；

14、步骤十一：输出优化后的路径和适应度值；

15、步骤十二：移动机器人根据优化后的路径和适应度值进行导航和执行任务。

16、作为一种优选，在步骤三中路径参数包括移动机器人起始点s、终点坐标g，路径节点。

17、进一步，为了能获得最佳的路径规划能力，在步骤四中，适应度函数的构建方法如下：

18、s41：将机器人路径规划问题抽象为求解最小化适应度函数的优化问题，根据公式(1)中的路径长度函数计算麻雀个体解的相邻维度之间的距离之和；

19、

20、式中，(xi,yi)表示麻雀个体第i个位置的麻雀；

21、s42：根据公式(2)利用危险程度设置障碍物惩罚函数，惩罚与障碍物相交的路径节点，其中，障碍物为正方形，将障碍物中心到顶点的距离设置为d，然后利用路径中节点来判断所在路线是否与障碍物相交，计算每个中节点以及路径节点与障碍物中心的欧式距离d，如果规划的路径越过障碍物，则返回常量1；否则，它将返回0；

22、

23、s43：转弯点的角度为转弯点相邻两向量夹角的补角，根据公式(3)获得转弯点的角度θ；

24、

25、式中，和为转弯点相邻两个线段的向量；

26、s44：根据公式(4)中的角度惩罚函数获得转弯点的角度langle；

27、

28、s45：根据公式(5)获得最终适应度函数f(path)；

29、f(path)＝f1×llength+f2×lbarrier+f3×langle  (5)；

30、式中，f1、f2和f3分别表示路径长度、障碍物惩罚和转角损失的加权系数，它们值的范围为从0到1，并满足f1+f2+f3＝1。

31、进一步，为了能生成路径最短、转折点少的无碰撞路径，在步骤五中，对麻雀搜索算法进行优化的方法如下:

32、s51：在原有麻雀搜索算法的发现者位置更新计算阶段引入自适应正余弦策略，先根据公式(6)计算参数r1，再根据公式(7)得到引入自适应正余弦后的麻雀位置；

33、

34、式中，t代表当前迭代数，t是最大迭代次数，a是常数；

35、

36、式中，j＝1,2,3,…,d；表示第i个麻雀在第j维中的位置信息；r2∈(0,2π)；r3∈(0,2)；表示全局最优的麻雀位置；r2∈[0,1]；st∈[0.5,1]；

37、s52：引入自适应步长跟踪学习策略来控制跟随者运动的距离；

38、在原有麻雀搜索算法的局部搜索阶段引入跟随学习策略，先根据公式(8)获得自适应步长step，再根据公式(9)得到引入跟随学习策略后的麻雀位置；

39、step＝1-t/t  (8)；

40、

41、式中，代表生产者的最佳位置；r是一个随机数；xu是当代生产者中的第u个麻雀，每次更新时都会随机生成u；

42、s53：采用一种自适应t分布的干扰策略来扰动麻雀个体；

43、在原有的麻雀搜索算法的位置更新计算阶段引入自适应t分布扰动策略，先根据公式(10)计算自由度n，再根据公式(11)得到引入自适应t分布扰动策略后的麻雀位置；

44、n＝bt/d  (10)；

45、式中，d为常数，b＝h(1/h)，h＝t/α，α取值为5；

46、

47、式中，表示最佳麻雀的位置，t(n)是n个自由度的t分布。

48、进一步，为了能获得复杂环境下的最优路径规划能力，在步骤十中优化路径的方法如下：

49、s101：检查路径起点与目标点中的每一对相邻路径节点之间的高度差，如果两个路径节点在同一行或者相邻行，那么将两个路径节点直接连接，否则转到s102；

50、s102：如果两个路径节点的行数差大于1，则在两个路径节点之间生成一个连续的路径，并检查这两个路径节点之间的所有栅格是否都是自由的，如果是自由的，直接在这两个路径节点之间生成一条直线，否则，转到s103；

51、s103：在两个路径节点之间找到故障物，并判断该故障物与沿着路径移动的下一个路径节点之间的所有栅格是否都是自由的，如果是自由的，则以绕过所述障碍物为原则连接两个所述路径节点，否则，转到s104；

52、s104：在两个路径节点之间寻找一个没有障碍物的点，重新规划路径，如果两个路径节点有障碍物，并且没有找到可以绕过的路径，则转到s105；

53、s105：将后一个路径节点上移或下移，重复s101至s104，重新开始寻找路径；

54、s106：将当前路径节点的适应度评价结果和其周围的路径节点的适应度评价结果比较，选择适应度评价结果最大的节点作为新的路径节点。

55、本发明中，在原有的麻雀搜索算法的全局搜索阶段引入自适应正余弦策略，可以有效平衡ssa的全局搜索和局部发展，从而能显著提高计算精度和收敛速度。在原有的麻雀搜索算法的局部搜索阶段引入跟随学习策略，能在迭代过程中加快收敛速度。在麻雀搜索算法迭代后期引入自适应t分布扰动策略，能使麻雀搜索算法跳出局部最优。该方法可以有效的提高移动机器人在复杂环境模型中的路径规划能力，能显著提高规划效率，并能生成长度最短的无碰撞路径，同时，能使所获得最短路径具有最少的转折点，且具有最佳的避障效果。