基于微粒群算法的移动机器人路径规划研究

摘要

在移动机器人的相关技术研究中，路径规划问题可以说是其中的一个重要环节，也是机器人实现智能化和自主移动的关键技术。本文围绕这一问题在以下几个方面作了研究和探讨： 首先，简要介绍了机器人的发展历史及移动机器人路径规划问题的研究现状。 其次，在综合分析和比较各种路径规划方法的基础上，将微粒群算法应用到路径规划问题研究。主要致力于解决移动机器人在全局静态环境已知，但存在部分信息未知的一类动态障碍物环境下的路径规划问题。根据对环境模型中路径点的编码方式的不同，设计了两种解决方案。 第一种解决方案采用分步规划的方法，即首先使用自由空间法构建全局静态环境的自由链接图，利用Ford-Fulkerson算法获得该链接图中给定两点间的最短无碰路径，然后再采用微粒群算法对该最短路径进行优化，仿真结果表明了该方法的可行性。 在第二种解决方案中，将PSO算法贯穿于整个路径优化过程，充分发挥PSO算法实现简单、计算快速的优点，来满足路径规划的实时性要求。通过对环境地图的坐标变换，将路径编码方式进行了简化。并对算法中微粒的速度进化方式提出了一种改进方案，使各个微粒根据其邻域构成的子群体的最好位置和整个群体的全局最好位置进行速度的进化。此外还将边界约束、静态避障和最短路径这三个条件表示成一个简单的适应度函数，使整个优化过程满足路径规划的任务要求。通过仿真实验，验证了改进后的算法能有效地对搜索空间进行搜索，降低了算法陷入局部极小的可能性，在一定程度上提高了优化精度。 再次，在本文上述的全局路径规划方法的基础上，对环境中存在一类具有固定运动轨迹的动态障碍物的局部路径规划问题进行了讨论。 最后对全文开展的工作进行了总结，提出了下一步的研究方向。

目录

文摘

英文文摘

独创性说明和关于论文使用授权的说明

引言

1绪论

1.1研究背景

1.2问题的提出

1.3本文的主要内容

2移动机器人路径规划

2.1路径规划主要涉及的问题

2.2路径规划方法分类及国内外研究概况

2.2.1基于环境模型的规划方法

2.2.2基于事例的学习规划方法

2.2.3基于行为的路径规划方法

2.3主要路径规划方法概述

2.3.1传统规划方法

2.3.2新的智能方法

2.4移动机器人路径规划方法新的发展趋势

2.5本章小结

3微粒群算法的基本原理

3.1引言

3.1.1进化计算

3.1.2群体智能计算

3.2标准微粒群算法

3.3算法参数说明

3.4算法流程

3.5微粒群算法的社会行为分析

3.6PSO算法与一些进化算法的比较

3.7本章小结

4利用PSO算法分步规划机器人的路径

4.1问题描述和建模

4.2求链接图最短路径

4.2.1Ford-Fulkerson算法简介

4.2.2用Ford-Fulkerson算法求解最短路径

4.3利用PSO算法二次优化最短路径

4.3.1路径编码方式

4.3.2适应度函数的确定

4.3.3算法实现

4.4仿真结果

4.5本章小结

5基于一种改进PSO的移动机器人路径规划

5.1路径编码方式和适应度函数的确定

5.1.1路径编码方式

5.1.2适应度函数的确定

5.2改进的微粒群算法

5.3算法实现

5.4仿真结果

5.5一类特定动态环境下的避障策略研究

5.5.1问题描述

5.5.2局部路径规划原理

5.6本章小结

结论

参考文献

在学研究成果

致谢