智能搬運機器人重疊路徑刪除算法設計

孫建召，趙進超

（1.河南經貿職業學院計算機工程學院，河南 鄭州 450000；2.鄭州輕工業大學計算機與通信工程學院，河南 鄭州 450000）

1 引言

智能型搬運機器人屬于無人駕駛的自動車輛，它具有軌道或光學導向裝置。依據計算機控制技術，按照給定的路線或計劃的路線到達需要的地點，實現某種任務［1］。智能搬運機器人不僅要對被搬運對象進行精準識別，而且還應精確規劃搬運最短路徑。目前伴隨著訂單量的增加和配送需求的提高，已經逐漸趨向于自動化和智能化方向發展。電子商務物流是需要智能搬運機器人來執行某些配送工作的，目前較為成熟的智能機器人搬運過程都是以終點為目標的，并不能覆蓋全部區域［2］。重疊路徑刪除是智能搬運機器人研究領域中的核心問題，它的任務就是在含有障礙物的區域內，避免智能型搬運機器人重復行走，并對全部障礙進行規避。目前相關領域大量學者對搬運機器人路徑進行了研究，并取得了一定的研究成果。文獻［3］提出在考慮時間窗的前提下，基于強化學習遺傳蟻群算法，研究車間搬運機器人路徑優化方法。采用掃描法，對初始搬運機器人數量進行求解，設置子路徑節點的幾何中心為虛擬節點，運用嵌入遺傳算子的蟻群算法，對連接虛擬節點的最優路徑進行求解，結合強化學習算法，求解子路徑最優結果，通過設置目標解為基本、運輸和時間懲罰成本的加權和，求出滿足約束條件的最優解。該方法具有較高的優越性，但該方法的誤判率較高。文獻［4］提出快遞機器人目標路徑避障規劃方法，通過建立三維運行空間模型，柵格化處理機器人運行空間，采用基本粒子群算法，結合鄰近粒子信息，嵌入變異算子，使粒子全局搜索能力提高，實現快遞機器人搜索最優路線。該方法能夠有效避開障礙物，優化機器人目標路徑，但該方法涉及較多的相似性計算，導致避障路徑執行時間較長。

針對上述問題，提出了智能搬運機器人重疊路徑刪除算法設計。人工勢場法是智能搬運機器人重疊路徑刪除領域中一種十分有效的算法［5］。采用人工勢場法來對智能搬運機器人路徑進行規劃，可以將倉庫周邊環境信息轉化成引力場和斥力場模型，找到一條從起點到終點的可行路徑。并在此基礎上，利用蝙蝠算法，將目標函數設置為最短路徑，以此求得極限學習分類器參數最優值，通過最優分類器將智能搬運機器人錯誤路徑排除。

2 智能搬運機器人重疊路徑刪除

2.1 獲取智能搬運機器人最短路徑

采用人工勢場法，將倉庫周邊環境中存在的障礙物，按照智能搬運機器人的大小尺寸進行鋪展。智能搬運機器人是在二維歐式空間中進行工作的［6］，假設智能搬運機器人在空間中的位置用X=[x y]T來表示，而且X方位中的引力場函數Uatt(X)在一般情況下都與智能搬運機器人的目標位置之間存在一定的關聯，即：

式中：kp—增益系數，是一個正數；以式（1）為基礎，利用下式給出Uatt(X)所對應的引力Fatt(X)的負梯度為：

式中：aRG—智能搬運機器人運行方向的單位向量智能搬運機器人當前到達目的地之間的路程，智能搬運機器人在這個引力的作用下，即可線性收斂到目的地［7］。利用式（3）推導出，斥力場函數表達式：

式中：ρ—智能搬運機器人與障礙物邊緣之間的最小距離；η—正增益，式（3）主要是表示在距離障礙物邊緣ρ0范圍內，智能搬運機器人所受到來自障礙物的斥力，如果想在這個范圍內使智能搬運機器人不能受到斥力的影響，η必須是大于0的任意數，(X-Xg)n= |(x-xg)n|+ |(y-yg)n|—智能搬運機器人距離目的地的具體數值，則斥力場函數的負梯度可表示為：

智能搬運機器人所受到的合力可以將其分解成兩個分力之和，則：

式中：Frep1和Frep2—Frep的兩個分力，它們的方向分別用aOR和aRG來表示；aOR—從物流布局中障礙物距智能搬運機器人最近點的單位向量；aRG—從智能搬運機器人到目的地的單位向量。

總勢場Usum(X)表示引力場和斥力場兩者之和：

通過對勢場函數參數kp，η的分析來避免目標不能達到的問題。通過上述可知，只有當引力和斥力出現在相同的直線上，且朝向不同時，才能出現局部極小點［8］。智能搬運機器人、目的地和物流布局中障礙物距智能搬運機器人最近點在相同直線上，并且智能搬運機器人和障礙物分布在目標點兩邊。這時，智能搬運機器人所受的引力和斥力總和為：

為了避免局部極小點，通過人工勢場函數參數，消除局部極小點，必須使總勢場力Ftotal(X)指向目標點，即：

將式（2）和式（5）代入到式（8）中，可得：

因為kp，η>0，則有：

當ksup代表式（11）最右邊的上確界，則：

通過上述分析可知，假設智能搬運機器人起點為（0，0）時，終點為（20，18），當kp=1，η=20時，智能搬運機器人在目的地附近移動，不能到達目的地；當kp=1，η=2時，則能夠到達目的地。

由于智能搬運機器人在障礙物附近所受到合力方向的變化，其移動方向發生變化，導致在障礙物附近，智能型搬運機器人存在徘徊抖動的情況［9］。為此，結合兩點之間直線距離最短原理，引入橡皮筋拉緊算法，獲取智能搬運機器人最短路徑。

2.2 搬運機器人重疊路徑刪除方法

針對智能搬運機器人搬運路徑中存在重復路徑的缺點，應用極限學習機算法來構建分類器，確定分類器參數ai、bi，為了獲取更加理想的結果，需要對極限學習機算法參數進行選擇，以智能搬運機器人最短路徑選取準確率作為目標函數，構建數學模型：

蝙蝠算法［10］指的是在D維空間中，映射蝙蝠群體m，實現優化搜索的過程，進而獲取最優解。

假設搜索空間為d維空間，第i個蝙蝠在t時刻的位置用來表示，搜索速度用來表示，利用式（14）和式（15）得到在t+1時刻智能搬運機器人的位置和速度更新公式為：

蝙蝠在整個搜索過程中，脈沖的響度和速率表達式：

式中：α和γ—常數。

采用二進制方式對極限學習機參數進行編碼。由于極限學習機進行建模時，參數是十進制的，為此必須要計算出蝙蝠個體的適應度函數值，利用式（18）進行解碼：

式中：minp和maxp—最小和最大的適應度函數值；l—重疊路徑長度；p—十進制的任意碼值；d—二進制代碼值。

對極限學習分類器參數的最優選擇，提高對智能搬運機器人重復路徑的有效刪除，利用下式給出表達式：

3 實驗結果與分析

為了驗證所提基于蝙蝠算法的智能搬運機器人重疊路徑刪除方法的綜合有效性。將處理器為CPU G3200@3.00GH、內存為8GB的Windows系統作為實驗環境。智能搬運機器人，如圖1所示。

圖1 智能搬運機器人Fig.1 Intelligent Handling Robot

選取m=50的種群數量，T=500的迭代次數，確保在整個搜索過程中，蝙蝠算法的聲波響度和脈沖速率始終一致，即At+1(i)=0.25，Rt+1(i)=0.5。分別采用所提方法、文獻［3］方法和文獻［4］方法進行對比實驗，利用3種方法進行重復路徑刪除操作，得到不同方法的重刪率對比結果，如圖2所示。

圖2 不同方法的重刪率對比結果Fig.2 Comparison of Deletion Rate of Different Methods

根據圖2中的數據可以發現，當最大迭代次數達到500次，文獻［3］方法的平均重刪率為63%，文獻［4］方法的平均重刪率為78%，而所提方法的平均重刪率為90%。由此可知，所提方法的重刪率較高。因為所提方法引入橡皮筋拉緊算法，避免智能搬運機器人在障礙物附近發生徘徊抖動現象，獲取智能搬運機器人最短路徑，利用極限學習機算法構建分類器，通過設定目標函數為最短路徑選擇的正確率，利用蝙蝠算法建立數學模型并對其求解，得到分類器極限學習參數最優值，能夠有效實現智能搬運機器人重疊路徑刪除，從而提高了所提方法的重刪率。而由于文獻［3］方法具有較高的誤判率，文獻［4］方法的路徑選擇數量影響相似精度，因此，兩種方法都導致重刪率受到不同程度的影響。綜合上述分析可知，所提方法重刪率最高，且優于文獻［3］和文獻［4］方法，具有一定的應用前景。

在此基礎上，為了進一步驗證所提方法的智能搬運機器人重疊路徑刪除執行時間，將所提方法與文獻［3］方法和文獻［4］方法的重疊路徑刪除執行時間進行對比，得到不同方法的重疊路徑刪除執行時間，如圖3所示。

圖3 不同方法的重疊路徑刪除執行時間對比結果Fig.3 Comparison Results of Overlapping Path Deletion Execution Time of Different Methods

根據圖3中的數據可知，隨著最大迭代次數的增加，不同方法的執行時間也逐漸增長。當迭代次數最大為500次時，文獻［3］方法的重疊路徑刪除執行時間為7.3s，文獻［4］方法的重疊路徑刪除執行時間為10.1s，而所提方法的重疊路徑刪除執行時間僅為4.4s。由此可知，所提方法的重疊路徑刪除執行時間較短。因為所提方法采用人工勢場法，構造斥力場與引力場，通過人工勢場函數參數，消除局部極小點，能夠使智能搬運機器人快速到達目標地點，從而縮短了重疊路徑刪除執行時間。而文獻［4］方法涉及較多的相似性計算，耗費的執行時間最高，文獻［3］方法耗費的執行時間次之。

4 結束語

這里提出的智能搬運機器人重疊路徑刪除方法，通過對智能搬運機器人運動路徑進行分析，引入人工勢場函數中的參數，消除路徑中的局部極小點，依據橡皮條拉緊原理，獲取最短路徑，將其準確度作為目標函數，并根據蝙蝠算法對其進行求解，以獲取最優解分類器參數，通過分類器將智能搬運機器人重復路徑進行刪除。實驗結果表明，所提方法能夠有效降低執行時間，具有較高的重刪率。