机器人路径规划算法优化

第３０卷第５期　计算机仿真　２０１３年５月　

文章编号：１００６－９３４８（２０１３）０５—０３７４—０４　

移动机器人的路径规划算法与仿真　

马占春，韩　呖　

（齐齐哈尔大学理学院，黑龙江齐齐哈尔１６１００６）　

摘要：研究移动机器人全局路径优化的问题，由于机器人路径随机性强，空间大，存在冗余路径，影响规划速度。传统的进化　算法存在着早熟的缺点而得不到最优路径。为了克服传统算法的缺点，提高进化算法的进化速度和精确性，将云理论和粗　糙集相结合应用于机器人路径规划，以提高机器人路径规划的效率。仿真由栅格法描述环境随机生成初始路径群，首先利　用粗糙集训练得出一系列可行路径的集合，然后利用云进化方法对种群优化，最终得最优行走路线。仿真结果验证改进算　

法在收敛速度和搜索质量上都有明显的改善。　关键词：云模型；粗糙集；路径规划　中图分类号：ＴＦ３９　文献标识码：Ｂ　

Ｐａｔｈ　Ｐｌａｎｎｉｎｇ　Ａｌｇｏｒｉｔｈｍ　ａｎｄ　Ｓｉｍｕｌａｔｉｏｎ　ｆｏｒ　Ｍｏｂｉｌｅ　Ｒｏｂｏｔ　

ＭＡ　Ｚｈａｎ—ｃｈｕｎ．ＨＡＮ　Ｙａｎｇ　

（Ｃｏｌｌｅｇｅ　ｏｆ　ｓｃｉｅｎｃｅ，Ｑｉｑｉｈａｒ　Ｕｎｉｖｅｒｓｉｔｙ，Ｑｉｑｉｈａｒ　Ｈｅｉｌｏｎｇｊｉａｎｇ　１６１００６，Ｃｈｉｎａ）　

ＡＢＳＴＲＡＣＴ：Ｒｅｓｅａｒｃｈ　ｔｈｅ　ｇｌｏｂａｌ　ｐａｔｈ　ｏｐｔｉｍｉｚａｔｉｏｎ　ｏｆ　ｍｏｂｉｌｅ　ｒｏｂｏｔ．Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｏｖｅｒｃｏｍｅ　ｔｈｅ　ｓｈｏｒｔｃｏｍｉｎｇ　ａｎｄ　ｉｍ—　

ｐｒｏｖｅ　ｔｈｅ　ｓｐｅｅｄ　ａｎｄ　ａｃｃｕｒａｃｙ　ｏｆ　ｔｈｅ　ｔｒａｄｉｔｉｏｎａｌ　ｅｖｏｌｕｔｉｏｎ　ａｌｇｏｒｉｔｈｍ，ｔｈｅ　ｐａｐｅｒ　ｃｏｍｂｉｎｅｄ　ｃｌｏｕｄ　ｔｈｅｏｒｙ　ｗｉｔｈ　ｒｏｕｇｈ　ｓｅｔ　ｉｎ　

ｐａｔｈ　ｐｌａｎｎｉｎｇ　ｏｆ　ｍｏｂｉｌｅ　ｒｏｂｏｔ．Ｉｎ　ｓｉｍｕｌａｔｉｏｎ　ｅｘｐｅｒｉｍｅｎｔ，ｔｈｅ　ｅｎｖｉｒｏｎｍｅｎｔ　ｗａｓ　ｄｅｓｃｒｉｂｅｄ　ｂｙ　ｄ　ｍｅｔｈｏｄ　ａｎｄ　ｒａｎｄｏｍ　ｐｒｏｄｕｃｅｄ　ｉｎｉｔｉａｌ　ｐａｔｈ　ｇｒｏｕｐ．Ｆｉｒｓｔ，Ｙｏｕｇｈ　ｓｅｔ　ｗａｓ　ｕｓｅｄ　ｆｏｒ　ｔｒａｉｎｉｎｇ　ｉｎｉｔｉａｌ　ｐａｔｈ　ｇｒｏｕｐ，ａ　ｓｅｒｉｅｓ　ｏｆ　ｆｅａｓｉｂｌｅ　ｐａｔｈｓ　ｗｅｒｅ　

龙源期刊网

关于实现扫地机器人优化路径算法

作者：陆柽堂 林桂锋 林位龙 黄程怀 孙宝福

来源：《科教导刊》2018年第15期

摘 要 随着技术的不断发展进步，人工智能的大趋势即将到来，扫地机器人作为当代智能型家居电器，它的应用也越来越多。本文主要针对了基于单片机AT89C52RC的扫地机器人的清扫路径设计以及算法，通过对机器人行走中碰撞的记录以及障碍物的位置进行定位，大致的把室内地图描绘出来储存在存储器中，进而实现扫地机器人的扫地路径优化，择优选择最佳清扫路径，尽可能的消除扫地机器人清扫盲区，提高扫地机器人的一次清扫率，降低重复率。

关键词 扫地机器人 单片机 路径规划

中图分类号：TP242.6 文献标识码：A DOI：10.16400/ki.kjdkx.2018.05.032

On Optimizing Path Algorithm of Sweeper Robot

LU Chengtang， LIN Guifeng， LIN Weilong， HUANG Chenghuai， SUN Baofu

（College of Mechanical and Control Engineering， Guilin University of Technology，

Guilin， Guangxi 541004）

Abstract With the development and progress of technology， the trend of artificial intelligence is

about to come. As a modern intelligent home appliance， sweeping robot has more and more

applications. This paper aims at the cleaning path design and algorithm of sweeping robot based on

机器人路径规划技术综述

随着科技快速发展，机器人逐渐成为人们日常生活中的一部分。而机器人的核心之一便是路径规划技术。路径规划即是让机器人可自主地选择一条可靠的路径从起点走到终点。本文将会综述机器人路径规划技术的发展，实现方法及其在不同领域的应用。

1.路径规划技术的发展

1.1 传统路径规划方法

在传统路径规划方法中，机器人的探索方法是通过传感器进行实时感知和数据收集，从而生成一个局部地图。此地图表示机器人当前所在的环境，机器人通过与局部地图进行匹配，从而寻找到一个可用的路径。传统路径规划方法一般采用的是基于格子表示法的A*规划算法。A*算法的优点在于快速并高效地找到最短路径，但相应的局限也十分明显，即不能容忍动态环境。

1.2 基于机器学习的路径规划

针对传统方法局限性，新兴的机器学习路径规划技术应运而生。事实上，基于机器学习的路径规划还是建立在传统路径规划方法的基础上，其核心思想是通过机器学习的方式去预测机器人在某地图上的运动行为。在这种技术的驱动下，机器人可以快速地学习探索新环境，并用这些新数据去更新自己的运动模型，使模型逐渐变得更加精准。

2.路径规划技术的实现方法

2.1 定位技术

实现路径规划技术需要拉起正确的定位技术。目前，常见的定位方案包括：惯性导航、序列结构光、实时定位和建图（SLAM）等。因不同定位方案在不同场景中的表现有所千差万别，因此选择一种合适的定位方案对于路径规划也至关重要。 2.2 地图与数据预处理

机器人实现路径规划还要有一份预处理好的地图。预处理中可能需要考虑诸如不确定环境因素、基础数据源的不可靠性等问题。此外，数据的预处理也涉及到了有效性和占用空间的平衡，需要考虑的因素非常丰富。

2.3 路径规划算法

就算整个环境的建模已经完成并且无论如何得到了定位，机器人路径规划仍然需要一种算法来决定如何根据运动能力到达目标。目前有许多常见的路径规划算法，如Dijstra和A*等，各个算法的不同在于选取最优节点的方式。

优化物流机器人路径规划与任务分配的智能算法

随着物流行业的发展，物流机器人在实现高效、智能化的物流运输方面起到了重要作用。而物流机器人的路径规划与任务分配是影响其工作效率的关键因素。为了提高物流机器人的工作效能和减少成本，需要利用智能算法来优化路径规划和任务分配。

在优化路径规划方面，可以运用启发式搜索算法如最短路径算法（Dijkstra算法、A*算法）、遗传算法、蚁群算法、模拟退火算法等来寻找最佳路径。这些算法基于机器人所处的环境和任务要求，通过迭代搜索和评估，寻找出符合要求的路径。例如，蚁群算法模拟了蚂蚁寻找食物的行为，通过信息素的更新和挥发来引导机器人选择更优的路径。另外，遗传算法可以通过基因编码和交叉、变异操作来搜索适应度更高的路径。这些智能算法可以有效地减少机器人行驶距离，节约时间成本。

除路径规划外，任务分配也是优化物流机器人工作效率的重要环节。常用的智能算法包括贪心算法、最大流最小割算法、模糊逻辑算法等。贪心算法根据特定的评价指标（如距离最近、工作时间短）选择最优任务，逐步完成任务分配。最大流最小割算法解决了将各个任务分配到机器人上的问题，通过构建任务和机器人之间的关联网络，求解最大流，将任务分配最优化。模糊逻辑算法则可以通过设置不同的权重和模糊规则，结合任务的特性和机器人的能力，实现智能化的任务分配。

而要进一步提高路径规划和任务分配的效率，可以结合机器学习和深度学习方法。机器学习可以分析和利用历史数据，通过训练模型进行路径规划和任务分配的决策。深度学习则可以通过神经网络模型来学习和预测物流机器人的行为，达到更准确的路径规划和任务分配。例如，可以建立一个基于深度强化学习的模型，通过设定奖励和惩罚机制，机器人可以通过与环境的交互来学习最优的路径规划和任务分配策略。

此外，在优化物流机器人路径规划与任务分配的智能算法中，还需要考虑实际应用中的各种限制条件和需求。例如，机器人的工作能力、工作时间、充电需求等都会影响路径规划和任务分配的决策。因此，算法需要综合考虑这些因素，以适应不同的实际场景和需求。