一种基于改进RRT*融合算法的博物馆导览机器人路径规划方法

本发明属于可移动机器人路径规划应用，具体涉及一种基于改进rrt*融合算法的博物馆导览机器人路径规划方法。

背景技术：

1、随着工业4.0和智能制造的兴起，对自动化和机器人技术的需求不断增加。可移动机器人被广泛应用于仓储物流、制造业、农业、医疗保健等领域，这些应用场景对高效、可靠的路径规划技术提出了更高的要求。路径规划是可移动机器人技术中的一个关键组成部分，它涉及到机器人如何在复杂环境中自主导航，以达到预定的目标位置。随着科技的进步，特别是计算机科学、人工智能、传感器技术和机器人学的快速发展，路径规划技术也在不断演进。

2、在可移动机器人领域，有许多经典的路径规划算法，但大多不适宜直接应用，需要针对需求做出改进。传统的规划算法包括a*算法、apf算法、prm算法(概率线路图)等。对于a*算法，针对动态环境有明显的不足之处，a*算法通常假设环境是静态的，即地图和障碍物不会发生变化。在动态环境下，如果有障碍物移动或者路径发生变化，a*算法可能需要重新规划路径，而这会增加计算成本。prm算法对于障碍密集、狭窄的环境，不适用并且路径曲折、具有随机性。apf算法最常见的就是局部最优和路径不可达问题。路径规划算法的发展趋势是向着更高效、更智能、更适应复杂和动态环境的方向发展。随着计算能力的提升和机器学习技术的进步，未来的路径规划算法将更加依赖于数据驱动的方法，并且能够更好地处理不确定性、多目标优化和多智能体协同等问题。在可移动机器人路径规划中rrt*算法的随机性大，生成的路径质量存在不确定性，且道路相对曲折，并且在动态环境中效率不高。

技术实现思路

1、针对上述现有技术的不足，本发明提供了一种基于改进rrt*融合算法的博物馆导览机器人路径规划方法，解决机器人路径规划中仅使用rrt*算法导致的路径长度大，拐点多，路径平滑度差的问题；本发明通过引入蚁群算法，对rrt*算法得到的静态路径进行总长度、拐点数、平滑度方面的优化，同时在此基础上结合dwa算法，针对机器人行进过程中环境内可能存在的障碍物进行动态规避，使最终的动态路径兼具安全性和路径效率

2、为实现上述技术目的，本发明提供如下的技术方案为：

3、一种基于改进rrt*融合算法的博物馆导览机器人路径规划方法，其特征在于，具体包括以下步骤：

4、s1、建立静态空间地图，设置改进rrt*融合算法参数，并为博物馆各展柜设置定点坐标；

5、所述建立静态空间地图具体为：利用slam技术使所述导览机器人在运动过程中，通过自身的传感器，获取周围环境信息实时地构建出静态空间地图；

6、所述改进rrt*融合算法为rrt*算法、蚁群算法及dwa算法的结合；

7、设置的改进rrt*融合算法参数包括：

8、rrt*算法的最大迭代次数；

9、蚁群算法参数，包括蚁群规模、迭代次数、静态规则；

10、dwa算法系数，包括基于导览机器人硬件条件确定的速度采样空间、采样频率，以及dwa算法的评价函数系数。

11、s2、等待事件信号，所述事件信号包括紧急信号和呼叫信号；

12、s3、接收到事件信号后，初始化静态空间地图信息，以所述导览机器人当前所在地点为起点，不同事件信号设置不同终点，准备进行路径规划；

13、s4、执行rrt*算法，找出一条从起点到终点路径长度最短的近似最优路径；

14、s5、利用蚁群算法对步骤s4得到的近似最优路径进行路径平滑度、长度和路径点数的优化，得到优化静态路径；

15、s6、路径跟踪；所述导览机器人跟随步骤s5得到的优化静态路径行进，当行进过程中遭遇动态障碍物时，通过dwa算法推测可能的规避路径，对各个可能的规避路径进行评估得出最优动态路径，完成动态规避；

16、s7、所述导览机器人到达终点，对事件进行处理。

17、进一步地，所述导览机器人为自主移动机器人，其结构包括树莓派上位机，stm32f103主板及执行机构和传感器，并利用激光雷达导入静态空间地图数据。

18、进一步地，步骤s2、s3中：紧急信号的优先级高于呼叫信号，接收到紧急信号时以紧急出口处为终点，并播放紧急事件语音提示信号；接收到呼叫信号时，以信号来源处为终点。

19、进一步地，步骤s4具体包括以下步骤：

20、s41、选定起始节点xstart、目标节点xtarget，节点集合区间xnear，建立空树列表t，将起始节点xstart作为根节点xinit，放入空树列表t；

21、s42、迭代开始时，以起始节点xstart最为父节点，在起始点xstart附近随机更新第一个随机节点xrand1，从起始节点xstart向xrand1方向延长一定步长，终点处设置为第一个子节点xnew1；

22、s43、随后在第一个子节点xnew1与目标节点xtarget之间的空间中随机更新第二个随机节点xrand2，并选择步骤s42中的起始节点xstart与第一个子节点xnew1中距离第二个随机节点xrand2节点较近的一个节点，设为父节点，从父节点向第二个随机节点xrand2方向延长一定步长，终点处设置为第二个子节点xnew2；

23、s44、随后在第二个子节点xnew2与目标节点xtarget之间的空间中随机再更新第三个随机节点xrand3，并找到上一步中的起始节点xstart、第一个子节点xnew1、第二个子节点xnew2中距离第三个随机节点xrand3最近的，设为父节点，再从父节点向第三个随机节点xrand3方向延长一定步长，终点处设置为第三个子节点xnew3；按照父节点与子节点之间的对应关系，连接各个节点，得出初步路径，放入空树列表t中；

24、此后以第三个子节点xnew3为圆心，其半径r范围内的所有节点归属于节点集合区间xnear，节点集合区间xnear分为父节点集合阈xpar和子节点集合阈xchi；计算父节点集合阈xpar中的各个节点到第三个子节点xnew3的路径代价，选择路径代价最小，且路径上无障碍物的一个节点设置为第三个子节点xnew3新的父节点，进行路径重连；随后在子节点集合阈xchi中同理为第三个子节点xnew3选择子节点，进行路径重连，检查新的子节点是否到达目标节点xtarget附近；所有可能路径都放入空树列表t中；

25、s45、如到达目标节点xtarget附近，则连接目标节点xtarget得到近似最优路径；

26、如未到达目标节点xtarget附近，则以最后的子节点为圆心，重新计算其周围半径r范围内的节点到最后的子节点的路径代价，选择出新的父节点、子节点，并进行路径重连，直到最终的子节点到达目标节点xtarget附近或达到最大迭代次数。

27、更为具体的，步骤s44、s45中路径长度代价的计算具体为：

28、父节点集合阈xpar,子节点集合阈xchi，二者均包含在以当前节点为圆心，半径r范围内的圆形节点集合区间xnear内；设新的父节点xnp，新的子节点为xnc，当前节点为xcur；新的父节点之前有m个节点，每步的步长为hi，设新的父节点xnp到当前节点xcur的路径代价为l(xcur)，则其公式表达为：

29、

30、其中，dis(xnp，xcur)描述的是xnp，xcur之间的实际路径长度，用欧氏距离表示；

31、设新的子节点到当前节点的路径代价l(xnc)，其公式表达为：

32、

33、其中，dis(xcp，xcur)描述的是xcp，xcur之间的实际路径长度，用欧氏距离表示。

34、进一步地，步骤s5具体包括以下步骤：

35、s51、将rrt*算法输出的近似最优路径包含的各个节点存到集合e中；

36、s52、将e中的每个节点坐标设置为不同的城市，确定静态规则为：蚂蚁在不同城市间行进过程中释放的信息素浓度取决于路径长度、路段夹角和路径段数，即表示为三者和越小，释放的信息素量越大；

37、s53、每只蚂蚁随机选择一个起点，根据概率公式选择下一个未曾访问的目标城市坐标，直至遍历所有坐标；当所有蚂蚁均完成此任务时记为一次迭代结束，评估每只蚂蚁走过的路径的路径长度、路段夹角和、段数，并更新信息素浓度矩阵，以信息素浓度最大的一条路作为下一次迭代的路径；

38、s54、检查是否满足最大迭代次数，满足则终止，并输出得到优化静态路径。

39、更为具体的，步骤s5中的信息素浓度规范了路径长度、路段夹角和、路径段数以优化静态路径的总长度、平滑度和拐点数；并通过信息素浓度决定蚂蚁选择下一个未曾访问的目标城市的概率；信息素浓度的具体表示如下：

40、设从城市s到城市h之间的某条路径在t个单位时间内的信息素浓度为其公式表达为：

41、

42、其中，表示上一个单位时刻该路径上的信息素浓度，y表示每单位时间用于挥发效应剩余的信息素百分比为，为所有g只蚂蚁该路径上产生的信息素浓度和，le为蚂蚁e经过该路径所留下的信息素浓度，其公式表达为：

43、

44、其中，l表示它走过的路径长度，θ表示走过的路段夹角和，m表示走过的路径段数，q为信息素常数。

45、由上述信息素浓度可进一步得到其他蚂蚁从城市s到城市h的概率公式表达为：

46、z为待访问的城市集合；

47、其中length(s,h)表示两个城市之间距离的倒数。η和τ表示概率公式中蚂蚁选择城市依赖信息素浓度和城市之间距离的权重系数。

48、进一步地，步骤s6具体包括以下步骤：

49、s61、根据机器人硬性条件对其线速度，加速度，角速度，角加速度以及环境障碍物设限，形成一个采样空间；再结合行进过程中安全性的考虑，必须将速度关联机器人行进路径到障碍物的距离，则有：

50、0<v<dis(h,k)*r

51、0<ω<dis(h,k)*r

52、其中，v,ω分别表示机器人的线速度和角速度，dis(h,k)表示机器人行进路径上距离障碍物顶点最近的点，与障碍物顶点之间的欧氏距离，r为系数，当dis(h,k)大于机器人尺寸时r为1，dis(h,k)小于机器人尺寸时r为0；

53、s62、在某采样频率下推测出可能的规避路径；

54、s63、利用评价函数对所有可能的规避路径进行评价，得到最优动态路径；记总评价函数为t(v,ω)，其公式表达为：

55、t(v,ω)＝ωangang(v,ω)+ωobsobs(v,ω)+ωvelvel(v,ω)；

56、其中，ang(v,ω)、obs(v,ω)、vel(v,ω)分别为方位角评价函数、障碍物评价函数、速度评价函数，用以对机器人行进路径朝向目标点的角度大小，机器人行进路径与可能遇到的障碍物的距离，以及在没有障碍物且朝向目标点角度适宜情况下的速度大小三个方面进行评价；ωang、ωobs、ωvel为三个评价函数对应的权重系数，并取ωang、ωobs的值高于ωvel，即考虑路径规划的安全性优先于速度；总评价函数t(v,ω)的值越高代表所选路径越优，总评价函数t(v,ω)的值最高，且三个方面的评价函数的值均不为零的路径为最优动态路径。

57、本发明具有以下有益效果：

58、本发明提出的改进rrt*融合算法通过引入蚁群算法，有效地解决rrt*算法在移动机器人路径规划中拐点过多的问题，优化了静态路径的长度和平滑度，提高了静态路径的行进效率，也便于后续的动态调整；结合使用dwa算法通过评价函数，对静态路径上的问题(如障碍物)给出评价值，进行动态避障，得出最优的动态路径，既解决机器人运动过程中的安全性问题，也进一步提高了路径的行进效率；通过三种算法的融合，能更好地应对不确定性、多目标优化和多智能体协同的场合。