機器人路徑規劃算法研究

謝強帥 胡焱程

【摘?要】隨著科學技術的發展和生活水平的提高，智能移動物體（移動機器人）逐漸融入人們的日常生活，如家居掃地機器人、導購機器人等。智能移動對象可以根據一定的性能指標，如花費的時間最少、走的路徑最短等，來搜索從起點到目標點的最優或次優無沖突路徑。路徑規劃是研究這類機器人的核心，許多研究者對移動機器人的路徑規劃做了大量的研究。

【關鍵詞】機器人;路徑規劃;算法

引言

路徑規劃是機器人設計中最基本、最重要的因素之一，因此對其算法的研究尤為重要。本文對傳統路徑規劃算法和智能路徑規劃算法進行了詳細的研究，并用MATLAB軟件進行了算法仿真實驗，驗證了解決路徑規劃問題的可行性。最后，通過對兩種算法的比較和分析，確定最優算法。

1、機器人傳統路徑規劃算法

1.1障礙物分類

傳統的機器人設計路徑規劃策略需要首先對環境中的障礙物進行分類，然后根據不同類型的障礙物設計相應的路徑規劃策略。在特定環境下，機器人測距傳感器實時采集障礙物信息。

1.2路徑規劃策略分析

在特定環境中，可能存在多種類型的障礙，但這些障礙可分為上述四種基本類型的一種或多種組合。因此，必須分別分析每一類基本障礙的路徑規劃戰略。當機器人沒有檢測到四個方向上的障礙物時，它沒有路徑規劃行為，機器人直走。規劃機器人的路徑時，為了避免與障礙物相碰撞，必須保持機器人與障礙物之間的一定距離，即安全距離。安全距離太小，機器人無法進入路徑規劃模式并與障礙物相碰撞，導致路徑規劃失敗。安全距離選擇大會是為了使機器人提前轉向，最終遠離目標點。因此，在分析路徑規劃策略之前，必須確定機器人的安全距離。因此，分叉中心是機器人底盤的幾何中心。從底盤幾何中心到履帶頂部的距離約為200mm，這是最可能與障礙物相碰撞的危險點。由于停車過程中的慣性，機器人繼續前進大約50毫米的距離，這是經過多次試驗后測量出來的。出于安全考慮，機器人的安全距離被選擇為300mm。

1.3算法分類

蟻群算法、機器人傳統路徑規劃算法、基于遺傳算法的機器人路徑規劃

2、路徑規劃問題

2.1全局路徑規劃問題

在全局環境中，自主移動自動機使用預先存儲的全局靜態環境信息來計劃從指定起點到目標點的最短無接觸路徑。此時，機器人在全局調度模式下工作，工作模式轉換方案。自動機在全局計劃模式下工作，當在安全區域中檢測到移動對象時，自動機會執行一系列計算以確定是否需要更改操作模式。當自動機穿過碰撞區域而安全區域中沒有其他對象移動時，它將返回到全局調度模式.

2.2局部路徑規劃問題

現實環境中有很多運動物體，比如人在環境中行走，大部分運動物體都是以恒定的最大運行速度跟隨直線運動，不會主動避開其他障礙物。機器人在檢測到安全范圍內的運動物體時，會預測其運動路徑，例如計算其速度、方向和未來的運動路徑，并根據計算結果選擇合適的工作模式。

3、移動機器人路徑規劃算法研究

3.1移動機器人路徑規劃評估

關于路徑規劃的討論從以下幾點開始：（1）如果可以找到最佳路徑，則必須有實現這一點的智能算法。可以看出道路搜索算法非常重要（2）所用算法可隨時對自己的軌跡進行自適應調整，以適應外部環境的變化。同時，不需要重新計算所用的數據和算法，也不需要太復雜或占用太多內存，從而大大提高了機器人的工作效率。（3）使用路徑規劃應能使機器人準確地描述地形，以避免各種問題。（4）路徑規劃后得到的路徑應為最優路徑。（5）移動機器人必須完全和部分約束在最佳路徑上。

3.2移動機器人的路徑規劃特征

移動機器人所處的環境因素通常很復雜，可歸納如下：（1）隨機：由于環境中的某些隨機和不確定因素，復雜性和可變性各不相同。如果障礙物形狀不明，當移動機器人處于這種環境中時，會有很大的不確定性，可能會影響移動機器人的安全。（2）多重指標：在規劃路徑時必須考慮到許多影響因素。在許多情況下，您需要同時滿足最短路徑、最佳時間和最大安全性的要求。（3）復雜性：移動機器人所處的環境往往是動態和不穩定的，使得計算非常不確定和復雜。計算的規模使路徑規劃過程變得不那么容易。（4）多重約束：實際上，移動機器人也有許多物理約束，如體積和速度、加速度和最大轉彎角度。航跡規劃是各種研究人員研究的移動機器人不可避免的困難和熱點。無論是傳統算法還是結合仿生學的一套算法，對智能算法的深入研究都產生了許多實際結果，各種算法的應用方案都很有限，而且通常都在它們能夠適應的環境中使用。

3.3移動機器人路徑規劃算法性能分析

通過分析最常見的算法類型，可以得出以下結論：（1）a*算法和遺傳算法等算法可應用于總體規劃。（2）另一方面，人工動態場法可保持與障礙物的安全距離，路徑平穩。（3）與其他算法相比，星a算法結構簡單。（4）類似的神經模糊算法是較為復雜的算法類型。本文以算法A*為研究對象，并通過相應的仿真試驗進一步彌補了傳統算法A*本身的不足，以驗證。

4、三種算法對比分析

使用智能算法規劃機器人路徑時，往往不是沒有要求，要附加路徑距離更短、算法搜索效率更高或算法穩定性更強等限制。MATLAB只對蟻群算法和遺傳算法進行仿真，驗證了蟻群算法和遺傳算法解決路徑規劃問題的可行性。下面將從最短路徑長度和最優路徑比兩個方面對兩種智能路徑規劃算法進行比較和分析。

遺傳算法得到的路徑比蟻群算法短，說明遺傳算法更智能;在獲得最優路徑比方面，遺傳算法遠高于蟻群算法，說明遺傳算法具有更好的搜索穩定性。與蟻群算法相比，遺傳算法更加智能和穩定，因此選擇遺傳算法來解決機器人路徑規劃問題。根據設計要求，機器人應具有路徑規劃功能，并可應用遺傳算法解決機器人自主運動過程中的路徑規劃問題。

自動機首先向上級機器發送定位請求，由定位系統對自動機的當前位置和位置進行初始標識。獲得機器人位置和位置信息后，調用遺傳算法規劃全局路徑，分析規劃結果，調用機器人操作程序，通過獲取起點、目標點和障礙物等信息開始控制機器人的運動。如果自動機檢測到障礙物，它將進入障礙物處理程序并確定自動機是否已到達目標點。如果是，則路徑規劃任務已完成。否則，您必須重新定位自動機制位置資訊，并遵循上述程序，直到到達目標點為止。要實現基于遺傳算法的智能路徑規劃，還需要能夠獲取環境信息的傳感器，如視覺傳感器和激光傳感器，如果沒有這些傳感器，就暫時無法獲取和處理環境信息。今后的研究將進一步提高機器人環境信息的獲取和處理能力，以便根據遺傳算法進行智能軌跡規劃。因此，本文最終選擇了傳統的路徑規劃算法來解決機器人自主運動過程中的路徑規劃問題。

結束語

本文首先對傳統的路徑規劃算法進行了詳細介紹，然后簡要介紹了智能路徑規劃算法的研究現狀，分別闡述了蟻群算法和遺傳算法的原理，并描述了利用這兩種算法解決路徑規劃問題的過程。同時，利用MATLAB軟件進行算法仿真實驗，驗證了蟻群算法和遺傳算法解決路徑規劃問題的可行性。然后，從最短路徑長度和最優路徑比兩個方面對兩種算法進行了比較和分析。研究發現，遺傳算法比蟻群算法更智能、更穩定。

參考文獻：

[1]張柳.基于改進RRT的水下航行器路徑規劃算法[J].計算機產品與流通，2018（6）：1-3.

[2]楊銳銳，王穎.蟻群算法的基本原理及參數設置研究[J].南方農機，2018（13）：38-39.

[3]楊向文.移動機器人路徑規劃的研究[D].南昌：南昌大學，2020.

（作者單位：河南工學院）