采用社會約束自適應動態窗口法的服務機器人路徑規劃

摘要：針對傳統動態窗口法在行人密集環境下動態路徑規劃存在靈活性差、效率低、安全性缺乏等問題，提出一種社會交互空間下基于社會約束自適應動態窗口法（social_DWA），并采用其解決服務機器人局部路徑規劃問題。首先，采用非對稱高斯公式對單行人以及多人群組交互空間進行模型化描述；其次，在傳統動態窗口法的基礎上，采用動態行人方位角約束對動態行人進行避讓；改進距離評價函數，分類決策與行人、多人群組、一般障礙物的安全距離；最后，提出速度權重自適應調整策略，優化服務機器人在途經不同密集度社會交互區域時的移動速度。為驗證算法有效性，在兩種模擬社會場景下，先后開展了social_DWA算法與傳統DWA算法、FIDWA算法的路徑規劃仿真對比實驗。結果表明：采用social_DWA算法所消耗的運動時間在場景1中較傳統DWA和FIDWA算法分別縮短了1.53、0.43 s，在場景2中較傳統DWA和FIDWA算法分別縮短了26.3、2.86 s;相較于傳統DWA算法和FIDWA算法，social_DWA算法能保持有效的行人安全距離，并使運行軌跡更加合理。social_DWA算法在行人避讓、環境適應能力等方面具有一定的優越性。

關鍵詞：服務機器人；路徑規劃；動態窗口法；參數自適應；人性化

中圖分類號：TP242.6.文獻標志碼：A

DOI：10.7652/xjtuxb202405005.文章編號：0253-987X（2024）05-0042-10

Path Planning of Service Robot Based on Social Dynamic Windows Approach Algorithm

Abstract：To address issues such as poor flexibility， low efficiency， and safety concerns in dynamic path planning in the crowded pedestrian environments， an adaptive dynamic window method based on social constraints （social_DWA） in the social interaction space is proposed， and it is used to solve local path planning problems of service robots. Firstly， the asymmetric Gaussian formula is employed to model interaction spaces of single pedestrian and groups. Secondly， based on the original dynamic window method， the dynamic pedestrian azimuth constraint is implemented to steer clear of dynamic pedestrians. Enhancements are made to the distance evaluation function to classify and ascertain the safety distances from pedestrians， pedestrian groups， and general obstacles. Finally， an adaptive adjustment strategy of speed weight is proposed to optimize the movement speed of service robots while passing through social interaction areas with varying densities. To verify the effectiveness of the algorithm， the path planning simulation experiments of the social_DWA algorithm， the traditional DWA algorithm， and the FIDWA algorithm are carried out in two simulated social scenarios featuring different complexities. The results show that the motion time consumed by the social_DWA algorithm is reduced by 1.53 and 0.43 s compared with the traditional DWA algorithms and FIDWA algorithms in scenario 1， and 26.3 and 2.86 s lower than the traditional DWA algorithms and FIDWA algorithms in scenario 2， respectively.Compared with the traditional DWA algorithm and FIDWA algorithm， the social_DWA algorithm maintains an effective pedestrian safety distance and ensures more rational running trajectories. The validation confirms the social_DWA algorithm’s superiority in pedestrian avoidance and environmental adaptability.

Keywords：service robots; path planning; dynamic windows approach; self-adaptation; humanization

在《中國制造2025》規劃中，機器人技術被確立為核心發展的優先領域之一。與此同時，先進的智能機器人技術正展現出強勁的發展勢頭，并已在醫療護理、家庭服務、國家安全防御以及工業生產等諸多領域實現廣泛應用。在這個過程中，路徑規劃作為機器人技術的關鍵領域，也迎來了蓬勃發展［1-3］。

服務機器人局部路徑規劃相較于全局路徑規劃，更側重于依據實時獲取的外部傳感器信息規劃出局部路徑，以適應多變的動態環境。在外部環境信息約束的基礎上，局部路徑規劃器可規劃出一條既滿足安全躲避局部環境中障礙物，又適合機器人移動的路徑。傳統的局部路徑規劃方法包括D*［4］算法、人工勢場法［5-8］、動態窗口法［9-12］及智能優化算法［13-16］，其中動態窗口法（dynamic windows approach，DWA）是一種成熟的機器人局部路徑規劃算法。DWA可通過評價函數在速度空間中篩選出最優的速度組合作為控制指令進一步傳遞到機器人底盤，控制機器人安全、高效地移動。但是，傳統動態窗口法在求解局部行人環境下的動態路徑規劃問題時，存在靈活性差、效率低、缺乏安全性等缺陷［17］。

為了實現社會環境下服務機器人局部路徑規劃、及時規避行人、保證交互環境中人的安全性等導航任務，確定人類的活動區域是至關重要的環節。在個人社會活動區域中，將機器人或者其他行人不可隨便闖入的一部分范圍定義為個人社會空間，即社會舒適性交互空間。根據Hall提出的同心圓理論［18］，基于距離要素將個人周圍的特定的區域由近到遠依次劃分為：親密空間，（0，0.45］ m；個人空間（0.45，1.20］ m；社交空間（1.20，3.6］ m；公共空間，大于3.60 m。社會空間的舒適性受行人直觀感受以及外界客觀原因影響，如可視范圍的大小、行走方向及速度、其他行人接近程度等。

此外，針對人類社會活動區域的描述，Calderita等［19］提出了一個引入依賴時間社會映射的導航框架，使用非對稱高斯函數對個人交互空間建模，該函數由兩個方向的橢圓函數構成。Vega等［20］提出了使用自適應空間密度函數在人類靜態環境中的社會導航，根據人群的空間排列有效地聚類，并使用非對稱高斯函數和全局密度函數構建數學模型定義場景中個人空間和每個物體對應的空間。Zhang等［21］采用非物理的虛擬區域表示人類活動范圍，實時調整機器人的導航方式。Daza等［22］引入近場理論，通過分析機器人與機器人、人與人、人與機器人不同狀態和彼此間社會距離，做出距離調整以預留合適的空間。

服務機器人在局部動態社會環境下的路徑規劃，既要考慮行人社會行為及活動區域，又得考慮合適的局部路徑規劃方法。近些年來，國內外學者針對這兩個問題展開了一系列研究。Ngo等［23］提出建立維護人類心理安全的活動區域框架，實時更新人的狀態到個人空間模型中，采用優化動態窗口法代價函數進行社會交互環境的動態導航。趙青等［24］利用橢圓區域描述行人潛在的活動區域，對動態窗口法中的評價函數進行擴展，將行人預測信息融入到動態窗口法評價函數，實現機器人尊重行人意圖、對行人友好避讓的功能。

以上研究在動態社會交互空間下服務機器人路徑規劃方面進行了許多有益的探索，并取得了一定的進展。但是，目前對社會空間模型的改進研究，缺乏綜合性考慮人的社會行為分類，從而使人機交互舒適性較低。此外，對于動態窗口法的改進，仍然存在對動態行人響應速度慢的缺陷，面對室內復雜性、隨機性較強的行人環境時，往往不能尊重環境中人類社會交互行為，影響行人的安全性和舒適性。為進一步解決這些問題，本文采用基于非對稱高斯模型的行人建模方法，以實現單人、群組社交空間的分類描述，并提出基于社會約束的自適應動態窗口法（social dynamic windows approach，social_DWA）。在傳統動態窗口法的基礎上，引入動態行人方位角約束，實現機器人從移動方向上及時規避動態行人；提出分類決策的距離評價函數，實現機器人以不同的安全距離規避一般障礙物、單行人、多人群組，同時避免過多路徑消耗；采用速度權重值自適應調整策略，以實時控制機器人行經不同密集度人類社交區域時的速度，提高路徑執行效率以及局部導航的接受度和舒適性；最后，通過仿真實驗，驗證social_DWA算法的有效性及環境適應能力。

1.行人活動區域建模

1.1.非對稱高斯公式的定義

基于非對稱高斯公式模型化表示社會交互空間，以更好地描述行人活動區域。將社會交互空間模型內的每一點賦予函數值，其中函數值越大的點，代表距離行人私密區域越近，當機器人越接近此位置時，對人的安全性與舒適性影響越大。傳統二維對稱高斯公式數學表達式為

當式（1）在X、Y軸方向都非對稱時，定義其為非對稱高斯函數，用于表示個人空間周圍距離出現變化的狀況，其中，將（xo，yo）定義為行人中心，建立的非對稱高斯函數公式為

式中：A為幅值；α=φ－φr，φr為旋轉角（表示人的正面朝向角度）；α∈［－π，π］，當α屬于不同象限時，決定σx、σy的不同取值；定義φr正方向、反方向、正方向左側、正方向右側的高斯分布的標準差分別為σf、σb、σl、σr。

1.2.單個人社交模型的構建

基于以上非對稱高斯模型建立個人社交模型，如圖1所示，描述個人在靜止、運動狀態下社交活動區域。設定如下參數選取規則。

（1）如圖1（a）所示，單個人社會空間中，以0.5 m×0.5 m的紅色方形區域表示禁止機器人闖入的私密區域，設定此區域內函數值為無窮大；定義Df、Db、Dl、Dr分別為前、后、左、右4個方向的個人空間最遠距離。

（2）如圖1（b）所示，當行人處于靜止狀態時，依據Hall的親近性理論［18］，此時為個人空間。由于行人對正前面區域相對于身后區域更敏感，設個人空間正前方最遠距離Df=1.2 m，正后方最遠距離Db=1.1 m；此外，參考到行人一般有靠右行的社會習慣（在國內），右方注意力略強于左方，設定人個人空間右方最遠距離Dr=1.0 m，左方最遠距離Dl=0.9 m。

（3）如圖1（c）所示，當行人處于運動狀態時，依據行人的移動注意力社會習慣，當行人移動速度越快時，對于人體前方區域的關注范圍會越來越大，因此定義Dvf為動態值，取值變化如下

Dvf=Df+vΔt （3）

式中：Df=1.2 m；v表示行人移動速度，取v為動態速度；Δt=1 s，為行人決策時間。

設定行人所在的中心點坐標（x，y）=（0，0）；幅值A取100；將非對稱高斯模型（個人空間區域）最外側邊緣位置點函數值設為0.01；依據Df、Db、Dl、Dr取值，采用式（4）最終可確定社交模型前、后、左、右4個方向上高斯分布的標準差σf、σb、σl、σr的取值。σi 的計算公式如下

式中：Do=0.5 m；下角i表示方向。

1.3.多人群組社交模型的構建

服務機器人在社會環境中，除了會遇到處于靜止、運動狀態的單行人外，還會遇到兩人、多人群組交互的狀況。為此，本文在單個人社交模型的基礎上，建立群組的社會交互空間模型，如圖2所示。設定如下規則。

規則1：社會距離判斷。局部地圖中，在服務機器人當前可達檢測范圍內，行人i（i=1，2，3，…，n）的二維坐標（xi，yi）逐一輸出，以此為中心位置，分別建立個人社會空間模型，定義第i個人空間區域內任一點p的社會約束為fopi。由式（5）計算任意兩個行人間社交距離

基于社交距離式（6）對人群分類

規則2：群組交互區域社會約束。如圖2（a）所示，當3個行人相互之間社交距離滿足多人交互社會距離時，進行多人高斯模型建立，得到交互區域，如圖2（b）所示。在交互區域內的點，越接近3個個體的中心位置，其安全性越低，等高線上的任意點，依據顏色不同，對應不同的高斯函數值fgp。

最終，在整個群組的社會交互空間中，每一個點的社會代價函數值fgp，依據單個人社會空間函數值fo[KG-*5]pi、比例系數k和群組交互區域函數值fvpj求平均值，即fgp=[SX（]k（fop1+fop2+…+fopn+fvpj）[]n+1[SX）]。

2.傳統動態窗口法

動態窗口法的基本思想［10］如下：在已知機器人速度可達范圍和加減速度性能的基礎上，在允許的角速度、線速度約束范圍內，提取多組速度，并依據機器人現有運動模型得出一定時間內相應的運動軌跡。然后，在目標引導、安全避障、速度限制多重約束條件下，采用評價函數對軌跡組合進行篩選，根據評價函數最優原則得出下一時間段內的最佳運動軌跡，并提取其速度組合。綜上可知，提取速度組合、評價函數是動態窗口法的主要環節。

2.1.速度搜索空間

DWA算法速度搜索空間的定義由3部分構成：依據機器人本身速度限制能達到的速度；機器人所處環境和確保避障安全性要求能達到的速度；機器人自身電機動力約束能達到的速度，即加速度（線加速度、角加速度）范圍所能達到的速度。

（1）運動學約束。機器人本身所能達到的速度范圍為

vs={（v，ω）|v∈[vmin，vmax]， ω∈[ωmin，ωmax] （7）

式中：vmin、vmax、ωmin、ωmax分別為機器人的最低線速度、最高線速度、最低角速度、最高角速度。

（2）安全避障要求的速度限制。從避障安全性角度考慮，機器人行進速度組合（v，ω）應滿足在緊急情況下的制動，即在最大加速度va和ωa作用下，在最短距離dist（v，ω）內完成減速停車操作，公式為

（3）動力學約束。機器人的電機性能（動力學約束）是有限的，直接決定機器人的加減速度性能也是有限的，在下一時間段內依據最大加速度（va和ωa）會有相應的速度組合限制范圍

式中：vc、ωc、dt分別為機器人的當前時刻線速度、當前角速度、時間步長。

在動態窗口范圍內，綜合以上3部分速度限制，得到DWA算法最終的速度搜索空間應為3種約束條件下速度集合的交集部分

vr=vs∩vb∩vd（10）

2.2.評價函數

在篩除以上不滿足運動學、碰撞、動力約束采樣速度后，在符合要求的速度空間vr中仍然有較多的可行速度組合以及與其對應的較多可行運動軌跡。采用評價函數進一步篩選可行軌跡，以此得到可行且更優的搜索速度空間vr。傳統DWA算法的評價函數由以下3部分權重組成：目標點方位角、障礙物距離、速度評價，具體評價函數G（v，ω）為

G（v，ω）=η（λheading（v，ω）+βdist（v，ω）+γvel（v，ω））（11）

其中：η為歸一化處理的參數；目標點方位角評價函數heading（v，ω）評價軌跡點與目標點方向的偏離程度；障礙物間距函數dist（v，ω）［25］表示采樣運動軌跡上點與障礙物間的最小距離；速度評價函數vel（v，ω）表示機器人的運行能力，即移動速度；λ、β、γ分別表示目標方位角函數權值、障礙物間距函數權值、速度函數權值。以上評價函數G（v，ω）中，3個評價分量需要進一步做歸一化處理，使得篩選的最優軌跡應該同時滿足趨于目標點、合理避開障礙物和保持較快的移動速度這3個條件。

3.基于social_DWA算法的路徑規劃

基于上述對傳統動態窗口法和相關改進研究存在問題的分析，本文提出基于社會約束的自適應動態窗口法：在傳統動態窗口法評價函數的基礎上，先后引入動態行人方位角評價函數hum_angle（v，ω），基于分類決策的距離評價函數Dist（v，ω）和動態自適應速度權值γa，得到

G′（v，ω）=η（λheading（v，ω）+βDist（v，ω）+γavel（v，ω）+μhum_angle（v，ω））（12）

式中：γa為動態自適應速度權值；μ為行人方位角評價函數權值。

3.1.動態行人方位角約束

在模擬周期內，機器人除了趨近于目標位置之外，對于環境中的動態移動的行人需要及時避讓，以尊重行人活動空間以及人與人之間的社會交互行為。因此，本文算法引入動態行人方位角評價函數hum_angle（v，ω），在模擬周期內，獲得機器人生成的運動軌跡末端方向角與一定距離范圍內動態行人移動軌跡方位角的偏差角ο，如圖3所示，偏差角ο角度越大，則hum_angle（v，ω）評價函數的值越大，表示機器人移動方向與行人偏離程度越大，行人安全性、舒適性越好。

3.2.基于分類決策的距離評價函數

傳統動態窗口法在局部避障時，將局部環境中出現的行人、人群都視作普通障礙物處理，導致機器人在人類活動區域附近繞行時距離過近，影響行人、人群正常的交互活動。為此，本文中提出基于分類決策的距離函數Dist（v，ω），表示模擬運動軌跡與附近一定范圍內的一般障礙物、單個行人可擴展區域、人群社交區域之間的最小距離，Dist（v，ω）越大，活動區域越安全、機器人移動行為對人類越友好。同時，Dist（v，ω）不可過大，避免目標函數中距離要素過大。參照一般障礙物膨脹距離、行人舒適性社交規則，設定閾值半徑R∈［1.0，1.2］ m，Dist（v，ω）的取值過程為

情形1：dist1（v，ω）表示機器人在模擬周期內采樣軌跡接近一般障礙物時的最小距離，閾值設為R，即dist1（v，ω）≤R。

情形2：dist2（v，ω）表示機器人在接近單個行人可擴展社交區域時的最小距離，閾值設為3R，即dist2（v，ω）≤3R。

情形3：dist3（v，ω）表示機器人接近人群社會交互區域時的最小距離，閾值設置為3.5R，即dist3（v，ω）≤3.5R。

最小距離評價函數最終取三者的最大值，即

Dist（v，ω）=max{dist1（v，ω）， dist2（v，ω）， dist3（v，ω）}（14）

以上基于分類決策的距離評價函數Dist（v，ω），在模擬周期內，所篩選的機器人運動軌跡能針對一般障礙物、單個行人、多個體人群等不同類型的對象，分別采取不同的距離評價函數以及不同的距離閾值。在接近一般障礙物時的最小距離dist1（v，ω），在滿足安全避障的前提下，減少不必要的路徑消耗；在接近單個行人時，距離評價要素dist2（v，ω），以及接近多個體群組時，距離評價要素dist3（v，ω），能有效規避行人活動、群組交互潛在的區域，同時避免行人區域的過多繞行。

分類決策的改進策略能有效提高社會環境中人類的安全性、舒適性，提高局部導航的靈活性；同時，有效縮短局部規劃路徑長度，避免機器人駛入復雜動態環境中因距離權重過大而導致的停滯，或者過多繞行駛入自由區，偏離目標點。

3.3.速度權重值自適應調整策略

本文在傳統動態窗口法的基礎上，先后引入動態行人方位角評價函數、基于分類決策的距離評價函數。除此之外，速度評價函數作為同樣至關重要的評價分量，若繼續沿用傳統固定權值，會導致速度函數在整個評價體系中失衡［26］。同時，固定的速度權值對復雜、動態行人環境的適應性不足：當機器人通過密集行人區域時，速度不能及時調整，則延長路徑繞行以確保安全性；當機器人通過行人較少且相對曠闊區域時，速度又不能及時恢復，極大影響了路徑規劃效率。為此，本文中采用自適應速度權值調整策略，根據機器人一定檢測范圍內行人的疏密程度，更加靈活地動態調整速度權重值，以適應復雜的行人環境。

（2）自適應權重值γa的設計。當機器人處于行人密集區域內通行時，鑒于安全性和行人舒適性，將檢測區域內機器人與行人間的最短距離設為lmin。根據機器人的最大移動速度和最大線加速度，設定制動距離臨界值lb，其中，制動性能越好，所需要的制動距離臨界值越小，計算公式為

當機器人在行人密集活動區域移動時，設置動態的速度權重值γa。依據機器人與檢測范圍內行人最小距離lmin與制動距離臨界值lb間關系，實時調整權重值，以此動態調整機器人通過行人區域的速度，具體過程為

式中：γm為機器人以最安全速度通過行人最密集區域時權重值；γM為機器人以最快速度通過行人區域時的權重值；ρ為調節指數，其取值范圍為［1，2］。

3.4.social_DWA算法流程

步驟1 輸入機器人初始狀態X{［x0，y0］，Δyaw，v，ω}；輸入機器人運動模型Kinematic［vmax，ωmax，va，ωa，dv，dω］參數，其中dv、dw分別為線速度分辨率和角速度分辨率；輸入目標位置Goal［xg，yg］；輸入4個評價函數分量heading、Dist、vel、hum_angle的初始值。

步驟2 根據機器人傳感器（激光雷達、相機）信息獲取實時更新的障礙物、行人位置信息，由式（15）計算行人區域中相鄰個體間位置間距，并判斷機器人是否進入密集行人區域。

步驟3 在劃定的半徑的圓環形檢測區域內，計算最短行人間距lmin，計算制動距離臨界值lb，由式（17）計算動態速度權重值γa。

步驟4 根據當前運動狀態X和機器人運動模型Kinematic（運動、安全避障、動力約束條件）計算搜索速度空間允許的速度范圍（v，ω）t。

步驟5 根據當前運動狀態X和采樣速度空間（v，ω）t，計算出t～（t+1）時段的運動軌跡。

步驟6 根據下一時間周期內預測的運動軌跡，分別計算更新評價函數heading（v，ω）、Dist（v，ω）、 vel（v，ω）、hum_angle（v，ω），并對4個評價分量進行歸一化處理。

步驟7 根據綜合的評價函數G′（v，ω）計算出評價值最優的速度組合（v，ω）t+1，令其作為（t+1）時刻機器人的移動速度。

步驟8 執行當前評選出的最優速度組合，判別是否抵達目標位置，如果已抵達則結束循環；反之則返回執行步驟2，繼續循環。

4.仿真實驗結果與分析

4.1.仿真實驗環境

為驗證本文所提social_DWA算法在局部動態環境中的路徑尋優能力、行人避讓能力（安全性）、對社會交互空間的尊重程度（舒適性），設定局部模擬環境由普通障礙物、靜態行人、動態行人、多人群組（采用第1節中所述行人建模方法表示活動區域）組成。仿真實驗設定了2種模擬場景，具體情況如下。

場景1：靜態、動態行人并存，障礙物密集隨機分布的復雜環境。

場景2：模擬多種社會交互行為并存的大型室內環境。

為了評價本文所提social_DWA算法的有效性，仿真實驗中基于以上2種場景參照對比傳統DWA算法和FIDWA算法［27］進行局部路徑規劃驗證，評價指標如下。

（1）運動時間：機器人在不同的模擬場景中執行局部路徑規劃所需的總時長，時間越短表示尋優效率越高。

（2）迭代次數：算法在整個路徑規劃過程中總共需要執行的主循環次數，算法迭代次數同樣反映算法的執行效率。

（3）路徑長度：從局部環境中的起點（當前位置）到目標位置的總距離，路徑長度越短表示尋優性能越好。

（4）安全距離：機器人在路徑執行過程中距離行人中心位置、群組交互中心的最短距離。遵循行人舒適性社交規則：個人空間（0.45～1.20］ m、社交空間（1.20～3.60） m。安全距離越大，表示機器人避讓能力、社會交互區域的安全性越好。

仿真實驗中采用的機器人主要參數及評價參權重值如表1所示。

4.2.仿真實驗結果分析

基于2種仿真實驗場景得到的傳統DWA算法、FIDWA算法、social_DWA算法路徑規劃圖如圖5～圖6所示，圖中淺綠色表示算法的預測軌跡，綠色圓圈代表安全舒適區域。表2為所有場景下的實驗結果。

（1）場景1：靜態、動態行人，復雜障礙物環境。場景1中，將模擬社會場景設為雙向移動的單行人以及靜態個人，障礙物為密集且隨機分布的復雜場景。由圖5及表2可得：傳統DWA算法和FIDWA算法在目標點的引導下，穿過密集障礙物后，繞過靜態個人空間但對動態行人空間沒有避讓。相比之下，social_DWA算法由于引入動態行人方位角約束和分類決策距離評價函數，在繞過靜態個人空間后，能有效避開潛在的動態行人移動區域，并預留安全空間（3.36 m）避讓動態行人；social_DWA算法運動時間較DWA和FIDWA算法分別縮短1.53、0.43 s。由此可見，本文算法對于復雜障礙與行人并存環境有更強的適應能力。

（2）場景2：模擬多種社會交互行為并存的大型室內環境。在場景2中，模擬室內環境下，機器人先后經過走廊區域與單個動態行人并行，遇到門口靜態交互的兩人群組、單個動態行人、展板前零散的個人，而后是3人群組。由圖6及表2可以清晰看出：傳統DWA算法是機器人在目標點的引導下，徑直駛入單個行人潛在移動區域后，又闖進群組交互區域，導致暫時陷入死鎖狀態；FIDWA算法是機器人在目標點的引導下，駛入了靜態個人空間，導致速度損失較大；social_DWA算法由于引入了速度權值自適應調整策略，機器人行經不同密集度人類交互區域時靈活調節速度，運行時間、迭代次數減少，提高了路徑尋優效率，同時機器人先后及時避開個人空間、群組社交空間且保持安全距離（3.67 m），雖然路徑長度略有增加，但運動時間、迭代次數、安全距離等指標保持了一定優勢；social_DWA算法運動時間較DWA和FIDWA算法分別縮短26.3、2.86 s。由此可見，本文算法對多種社會交互行為并存的復雜環境具有一定的適應能力。

5.結.論

（1） 本文所提social_DWA算法通過引入動態行人方位角約束有效防止機器人與社會環境中動態行人的碰撞并預留安全空間避開潛在行人移動區域，提高了機器人安全避讓能力；基于分類決策的距離評價函數，提高了機器人社會環境適應能力；通過引入自適應調整的速度權重值，提高了機器人遇到復雜社會環境（不同密集度交互區域）的速度調節能力，提高了路徑執行效率。

（2） 局部路徑規劃仿真實驗表明，在復雜度不同的兩組仿真實驗場景下，social_DWA算法計算所得的路徑有效、合理，能有效避開潛在的動態行人移動區域。相比于傳統DWA算法和FIDWA算法，本文social_DWA算法具有較強的路徑尋優能力、環境適應能力和人機共融導航能力。

本文提出的social_DWA算法可以為室內移動服務機器人在大規模復雜工作環境中的導航和局部路徑規劃提供有效的解決方案，具有一定的應用價值。此外，social_DWA算法還可以與全局路徑規劃方法相結合，提高移動機器人的導航效率和穩定性。

參考文獻：

［1］黃鶴， 李瀟磊， 楊瀾， 等. 引入改進蝠鲼覓食優化算法的水下無人航行器三維路徑規劃 ［J］. 西安交通大學學報， 2022， 56（7）： 9-18.

HUANG He， LI Xiaolei， YANG Lan， et al. Three dimensional path planning of unmanned underwater vehicle based on improved manta ray foraging optimization algorithm ［J］. Journal of Xi’an Jiaotong University， 2022， 56（7）： 9-18.

［2］劉志強， 何麗， 袁亮， 等. 采用改進灰狼算法的移動機器人路徑規劃 ［J］. 西安交通大學學報， 2022， 56（10）： 49-60.

LIU Zhiqiang， HE Li， YUAN Liang， et al. Path planning of mobile robot based on TGWO algorithm ［J］. Journal of Xi’an Jiaotong University， 2022， 56（10）： 49-60.

［3］王碩， 段蓉凱， 廖與禾. 機器人路徑規劃中快速擴展隨機樹算法的改進研究 ［J］. 西安交通大學學報， 2022， 56（7）： 1-8.

WANG Shuo， DUAN Rongkai， LIAO Yuhe. Research on improvement of rapidly exploring random tree algorithm in robot path planning ［J］. Journal of Xi’an Jiaotong University， 2022， 56（7）： 1-8.

［4］SADIQ A T， RAHEEM F A， ABBAS N A F. Ant colony algorithm improvement for robot arm path planning optimization based on D* strategy ［J］. International Journal of Mechanical amp; Mechatronics Engineering， 2021， 21（1）： 96-111.

［5］陳勁峰， 黃衛華， 章政， 等. 動態環境下基于改進人工勢場法的路徑規劃算法 ［J］. 組合機床與自動化加工技術， 2020（12）： 6-9.

CHEN Jinfeng， HUANG Weihua， ZHANG Zheng， et al. Path planning algorithm based on improved artificial potential field method in dynamic environment ［J］. Modular Machine Tool amp; Automatic Manufacturing Technique， 2020（12）： 6-9.

［6］王慶祿， 吳馮國， 鄭成辰， 等. 基于優化人工勢場法的無人機航跡規劃 ［J］. 系統工程與電子技術， 2023， 45（5）： 1461-1468.

WANG Qinglu， WU Fengguo， ZHENG Chengchen， et al. UAV path planning based on optimized artificial potential field method ［J］. Systems Engineering and Electronics， 2023， 45（5）： 1461-1468.

［7］韓堯， 李少華. 基于改進人工勢場法的無人機航跡規劃 ［J］. 系統工程與電子技術， 2021， 43（11）： 3305-3311.

HAN Yao， LI Shaohua. UAV path planning based on improved artificial potential field ［J］. Systems Engineering and Electronics， 2021， 43（11）： 3305-3311.

［8］LIU Weiheng， ZHENG Xin， DENG Zhihong. Dynamic collision avoidance for cooperative fixed-wing UAV swarm based on normalized artificial potential field optimization ［J］. Journal of Central South University， 2021， 28（10）： 3159-3172.

［9］FOX D， BURGARD W， THRUN S. The dynamic window approach to collision avoidance ［J］. IEEE Robotics amp; Automation Magazine， 1997， 4（1）： 23-33.

［10］LI Yue， ZHAO Jianyou， CHEN Zenghua， et al. A robot path planning method based on improved genetic algorithm and improved dynamic window approach ［J］. Sustainability， 2023， 15（5）： 4656.

［11］SUN Yicheng， ZHAO Xianliang， YU Yazhou. Research on a random route-planning method based on the fusion of the A*algorithm and dynamic window method ［J］. Electronics， 2022， 11（17）： 2683.

［12］程傳奇， 郝向陽， 李建勝， 等. 融合改進A*算法和動態窗口法的全局動態路徑規劃 ［J］. 西安交通大學學報， 2017， 51（11）： 137-143.

CHENG Chuanqi， HAO Xiangyang， LI Jiansheng， et al. Global dynamic path planning based on fusion of improved A* algorithm and dynamic window approach ［J］. Journal of Xi’an Jiaotong University， 2017， 51（11）： 137-143.

［13］SHI Kun， WU Zhengtian， JIANG Baoping， et al. Dynamic path planning of mobile robot based on improved simulated annealing algorithm ［J］. Journal of the Franklin Institute， 2023， 360（6）： 4378-4398.

［14］AIT-SAADI A， MERAIHI Y， SOUKANE A， et al. A novel hybrid chaotic aquila optimization algorithm with simulated annealing for unmanned aerial vehicles path planning ［J］. Computers and Electrical Engineering， 2022， 104（Part B）： 108461.

［15］GAO Pan， ZHOU Li， ZHAO Xu， et al. Research on ship collision avoidance path planning based on modified potential field ant colony algorithm ［J］. Ocean amp; Coastal Management， 2023， 235： 106482.

［16］ZHANG He， GE Yun， SUN Chao， et al. Picking path planning method of dual rollers type safflower picking robot based on improved ant colony algorithm ［J］. Processes， 2022， 10（6）： 1213.

［17］SNCHEZ-IBEZ J R， PREZ-DEL-PULGAR C J， GARCA-CEREZO A. Path planning for autonomous mobile robots： a review ［J］. Sensors， 2021， 21（23）： 7898.

［18］HALL E T. The hidden dimension： man’s use of space in public and private ［M］. New York， USA： Anchor Books Press， 1966.

［19］CALDERITA L V， VEGA A， BUSTOS P， et al. A new human-aware robot navigation framework based on time-dependent social interaction spaces： an application to assistive robots in caregiving centers ［J］. Robotics and Autonomous Systems， 2021， 145： 103873.

［20］VEGA A， MANSO L J， MACHARET D G， et al. Socially aware robot navigation system in human-populated and interactive environments based on an adaptive spatial density function and space affordances ［J］. Pattern Recognition Letters， 2019， 118： 72-84.

［21］ZHANG Ying， ZHANG Cuihua， SHAO Xuyang. User preference-aware navigation for mobile robot in domestic via defined virtual area ［J］. Journal of Network and Computer Applications， 2021， 173： 102885.

［22］DAZA M， BARRIOS-ARANIBAR D， DIAZ-AMADO J， et al. An approach of social navigation based on proxemics for crowded environments of humans and robots ［J］. Micromachines， 2021， 12（2）： 193.

［23］NGO H Q T， LE V N， THIEN V D N， et al. Develop the socially human-aware navigation system using dynamic window approach and optimize cost function for autonomous medical robot ［J］. Advances in Mechanical Engineering， 2020， 12（12）： 1687814020979430.

［24］趙青， 陳勇， 羅斌， 等. 一種融合行人預測信息的局部路徑規劃算法 ［J］. 武漢大學學報（信息科學版）， 2020， 45（5）： 667-675.

ZHAO Qing， CHEN Yong， LUO Bin， et al. A local path planning algorithm based on pedestrian prediction information ［J］. Geomatics and Information Science of Wuhan University， 2020， 45（5）： 667-675.

［25］HOSSAIN T， HABIBULLAH H， ISLAM R， et al. Local path planning for autonomous mobile robots by integrating modified dynamic-window approach and improved follow the gap method ［J］. Journal of Field Robotics， 2022， 39（4）： 371-386.

［26］王永雄， 田永永， 李璇， 等. 穿越稠密障礙物的自適應動態窗口法 ［J］. 控制與決策， 2019， 34（5）： 927-936.

WANG Yongxiong， TIAN Yongyong， LI Xuan， et al. Self-adaptive dynamic window approach in dense obstacles ［J］. Control and Decision， 2019， 34（5）： 927-936.

［27］ABUBAKR O A， JARADAT M A， ABDELHAFEZ M F. Intelligent optimization of adaptive dynamic window approach for mobile robot motion control using fuzzy logic ［J］. IEEE Access， 2022， 10： 119368-119378.