基于超聲波傳感器的工業機器人遺傳算法避障策略設計研究

孫濤

（廣東工貿職業技術學院，廣東 廣州510510）

超聲波傳感器具有方向性好、探測范圍廣、短距離內被測物識別精度高的特點，可將交變狀態的電信號，處理為聲音信號，也可作為電信號的能量轉換元件[1]。目前，超聲波傳感器在機器人行業，已用于避障、定位、環境探測等多個分支領域[2]。已有研究表明，超聲波傳感器算法是一種簡單、實用的避障理論，但由于物流、電子、精密儀表等場景下工業機器人操作工況的復雜性，障礙物測距常常難以取得理想的效果。當面臨障礙物時，受路面行走環境的影響，工業機器人的路徑規劃能力也有所欠缺[3]。傳統的柵格法、神經網絡法等避障算法，雖原理不一，但多數技術在實現過程中存在流程繁瑣、避障靈敏度低的問題[4]。在工業機器人路徑規劃技術發展、轉化下，遺傳算法在靜態、動態環境下的避障、路徑規劃上，均表現出突出的優勢，提供一套可靠、精度高的工業機器人避障策略，是有待思考和解決的問題。

1 基于超聲波傳感器的工業機器人遺傳算法避障策略原理

超聲波傳感器避障是利用該算法在工業機器人行走過程中，測量工業機器人和障礙物間的距離，以達到及時避障的目的。為了彌補超聲波傳感器在短距離內探測精度及路徑規劃性能不足的問題，在工業機器人避障中引入遺傳算法實現智能化的路徑規劃[5]。遺傳算法是在Darwin 的生物進化論、Mendel 的自然遺傳學理論上發展而來，主要依托選取編碼方式、初始種群產生、確定適應度函數、復制、交叉、變異、收斂判據、約束條件處理等步驟實現。該算法既體現了生物進化特性，又體現了基因遺傳特性，它將遺傳操作、適應度函數作為依據，在編碼串種群中篩選個體，然后在個體篩查中保留適應度高的個體，將之組建為新的種群，經重組后的種群同時有著比上一代優異的個體，還保留了上一代的信息，通過各個體適應度的提升，待滿足收斂條件后，待優化參數的最優解選擇適應度最高的個體。遺傳算法非針對參數自身，而是針對參數的編碼操作，可利用目標函數開展適應度的計算，利用概率操作原則、啟發式搜索方式，魯棒性較優，保證工業機器人工作的可持續性。

2 基于超聲波傳感器的工業機器人遺傳算法避障策略

基于超聲波傳感器的工業機器人遺傳算法包含超聲波傳感器算法、遺傳算法兩部分，分別承擔工業機器人障礙物檢測、路徑規劃職能，該避障策略的總體框架如圖1。

圖1 基于超聲波傳感器的工業機器人遺傳算法避障策略流程圖

如圖1 所示，工業機器人避障的主要程序為：在工業機器人前方、左側、右側3 個位置配置超聲波傳感器，在行進過程中接收超聲波傳感器探測到的障礙物信息，若無障礙物，則按照正常路線行走，在識別到障礙物時，采用遺傳算法進行路徑規劃。首先，進行初始化設置，按照生成的方式，產生初始種群，進行插值處理。當插值成功時，工業機器人所有操作停止，在插值未成功時，工業機器人向前移動。隨后，在工業機器人達到目的地后，則遺傳算法整個流程結束，當因各類原因未達到目的地時，再次進行初始化設置，生成新的初始種群，如何循環操作，直至完成設定的任務要求。

2.1 工業機器人超聲波傳感器避障算法框架

超聲波傳感器避障是文章進行工業機器人遺傳算法避障策略設計的關鍵，該算法利用超聲波在單位時間內的移動時間、距離，掌握超聲波在空氣中從發射器發出信號至接收器收到回波的距離，為工業機器人提供避障指導。為了改善工業機器人在障礙物前的應變能力和精準性，確定了超聲波傳感器避障算法，即△t=s1t1-s2t2/s2-s1。其中，s1、s2表示已知測量距離，△t 表示延遲時間，t1、t2表示對應的測量時間。

2.2 工業機器人遺傳算法避障策略框架

以超聲波傳感器探測到的周邊障礙物信息為基礎，采用遺傳算法為工業機器人規劃最優的路徑，主要程序涵蓋地圖創建與編碼、種群初始化、適應度函數計算、操作算法、收斂判據與處理約束條件，如下所示：

2.2.1 地圖創建與編碼

基于柵格法原理，依據工業機器人在空間內的行走環境，建立工業機器人路徑規劃模型，在模型內標示環境信息，減少行走過程的碰撞問題。模型創建時，假設障礙物的位置、大小為已知條件，工業機器人處于二維平面空間，模型中用不同的顏色代表自由柵格、障礙物柵格。柵格地圖中用直角坐標系描述柵格信息，編碼自左下角起編碼，以首個柵格（1,1）為例，柵格地圖內各編號、坐標換算公式：

X=int（N/Gxize）+1

Y=N%Gsize+1

在上述表達式中，

int 表示取整操作；Gsize 表示各行柵格數。

2.2.2 種群初始化。種群初始化采用隨機方式產生，由此生成和障礙物柵格不會造成沖突、碰撞的可行路徑，步驟為：先產生間斷路徑，在各行中均利用隨機方式，選取一個正常運行、無障礙的柵格，工業機器人的開始位置、目標方位分別對應首個柵格、最后一個柵格。其次，判斷間斷路徑是否為連續路徑，判定方法為：

D=max[abs（xi+1-xi），abs（yi+1-yi）]

在上述判定方法中，當D=1 時，表明兩個相鄰柵格間為連續關系；

當D＜1 或D＞1 時，代表兩個相鄰柵格非連續關系。

2.2.3 適應度函數計算。適應度函數在遺傳算法中要求為非負值，考慮到待優化問題的目標函數可能為正值或負值，在問題優化中可將表達式以遺傳算法適合求解的形式出現，保證其在優化層面上處于等價關系。假設適應度函數為f（x），目標函數為J（x），則待優化目標函數的線性方式為：

F（x）=α×J（x）+b

其中，在表達式中，α、b 均代表系數，該系數可結合期望的適應度分散水平等確定。由于最小化問題、最大化問題的特征不同，在轉化中也需采用對應的轉換形式。其中，Cmax 代表截止目前計算中產生的J（x）最大數值，Cmin 代表在分析中J（x）的最小值，兩個數值均可參照前期的經驗加以設定。適應度函數計算中，可選取如下指數函數方式：

f（x）=cJ（x）

交叉算子中采用隨機的方式，在匹配池中篩選兩個個體，依據交叉概率將各個個體隨機配對，然后對經兩兩配對的個體交叉繁殖，產生新的個體。而變異算子操作中，將確定變異概率，在0-1 的區間內隨機產生一個數值，通過該數值和變異概率比較，當數值低于變異概率時開展變異操作，方法為：排除起點、終點，隨機選擇兩個柵格，最終完成變異過程。

2.2.5 收斂判據與處理約束條件。以解的層面進行遺傳算法的收斂判據，判據方式為：在種群中，當某一給定值大于平均適應度的比值，或者種群中最優個體的適應度，代表算法已收斂。同時，以最優解為切入點，當連續幾代，甚至在連續幾十代的種群中，若發現最優解無顯著的發展和變化，即代表算法收斂。在約束條件處理時，主要以字符串編碼為核心，進行問題的優化，即整理待優化的問題，分析各變量的上限約束、下限約束，用實際約束變量的上限值、下限值，分別代表字符串形式的最大值、最小值。

3 仿真分析

以MATLAB 軟件為基礎，對基于超聲波傳感器的工業機器人遺傳算法開展仿真分析。 以 XX 公司生產的LDARM-WL-300A 工業機器人為試驗載體。該機器人定點停靠精度≤10cm，行駛最大速度18km/h。在工業機器人的前方、左側、后側3 個方向分別安裝超聲波傳感器測距模塊，在行駛中，利用函數line 統計、搜集機器人前方、左側、右側的障礙物信息，運用模糊推理測量。在仿真試驗中，交叉概率通常取0.4-0.99，變異概率通常取0.0001-0.1，按照工業機器人避障仿真分析需求，設定交叉概率為0.7，變異概率為0.09，優化過程的開始為初始種群，是由算法隨機產生的。為全面掌握避障策略的可靠性，分別對障礙物10 個時、障礙物15 個時、障礙物20 個時3 種情況進行仿真分析。障礙物的設置為動態障礙物，研究發現，在動態障礙物影響下，工業機器人在超聲波傳感器、遺傳算法的聯合運用下，能夠達到理想的避障效果，且可以幫助工業機器人尋找到一條最佳的行走路徑，提升機器人避障效率。

結束語

文章應用了超聲波傳感器算法、遺傳算法，設計了適用于工業機器人的避障策略。由于該策略不僅關注到了工業機器人移動速度、與障礙物間的距離，還關注到了機器人的避障用時、路徑規劃效果、路徑規劃精度，在仿真分析中，該避障策略可以起到良好的避障效果，且可以保證避障的效率，節約工業機器人在工作過程中的資源投入，對于工業機器人的工作實踐有著指導意義。