当前位置：文档之家 › 基于行为的实时路径规划

基于行为的实时路径规划

  • 格式：pdf
  • 大小：328.90 KB
  • 文档页数：4

２００９年５月　第１６卷第３期　控　制　工　程　

Ｃｏｎｔｒｏｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　ｏｆ　Ｃｈｉｎａ　Ｍａｖ　２　０　０　９　Ｖｏ１．１６，Ｎｏ．３　

文章编号：１６７１－７８４８（２００９）０３－０３６７－０４　基于行为的实时路径规划　单建华　（安徽工业大学机械工程学院，安徽马鞍山２４３００２）　

摘　要：针对室内移动机器人导航要求，开发了以二维激光雷达作为探测环境的传感器，　基于４个反应式行为，设计了一种简单的实时路径规划算法。避障行为使机器人穿过狭小通　道，或者在某些障碍物环境下绕出狭窄区域；接近行为使机器人顺着障碍物前进直到开阔地　带；搜寻行为使机器人不断朝向目标运动；线性行为使机器人到达目标点。机器人表现出很强　的路径寻找能力，并且不需要定位信息。仿真实验表明该算法速度快，实时性好，路径平滑无　震荡，实现了有效避障。　关键词：路径规划；行为控制；移动机器人；激光雷达　中图分类号：ＴＰ　２４　文献标识码：Ａ　

Ａ　Ｂｅｈａｖｉｏｒ—－ｂａｓｅｄ　Ｒｅａｌ－－ｔｉｍｅ　Ｐａｔｈ　Ｐｌａｎｎｉｎｇ　ｆｏｒ　Ｍｏｂｉｌｅ　Ｒｏｂｏｔ　ｓＨＡＮ　Ｊｉａｎ．ｈｕａ　（Ｓｃｈｏｏｌ　ｏｆ　Ｍｅｃｈａｎｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ａｎｈｕｉ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，Ｍａ￣ｎｓｈａｎ　２４３００２，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｔｏ　ｔｈｅ　ｉｎｄｏｏｒ　ｍｏｂｉｌｅ　ｒｏｂｏｔ　ｎａｖｉｇａｔｉｏｎ　ｒｅｑｕｉｒｅｍｅｎｔｓ，ａ　ｓｉｍｐｌｅ　ｒｅａｌ—ｔｉｍｅ　ｐａｔｈ　ｐｌａｎｎｉｎｇ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　ｆｏｕｒ　ｓｔｉｍｕｌａｔｅ—ａｃｔｉｏｎ　ｂｅｈａｖｉｏｒｓ　ｉｓ　ｄｅｓｉｇｎｅｄ，　ｗｈｉｃｈ　ｔａｋｅｓ　ｔｗｏ—ｄｉｍｅｎｓｉｏｎａｌ　ｌａｓｅｒ　ｒａｄａｒ　ａｓ　ｓｅｎｓｏｒ　ｔｏ　ｄｅｔｅｃｔ　ｔｈｅ　ｅｎｖｉｒｏｎｍｅｎｔＴｈｅ　ｏｂｓｔａｃｌｅ—ａｖｏｉｄａｎｃｅ　ｂｅｈａｖｉｏｒ　

ｒｏｌｅ　ｉｓ　ｔｏ　ｃａｕｓｅ　ｔｈｅ　ｒｏｂｏｔ　ｔｏ　ｐａｓｓ　ｔｈｒｏｕｇｈ　ｔｈｅ　ｎａｒｒｏｗ　ａｎｄ　ｓｍａｌｌ　ｃｈａｎｎｅｌｏｒ　ｅｓｃａｐｅ　ｆｒｏｍ　ｔｈｅ　ｎａｒｒｏｗ　ｒｅｇｉｏｎ　ｕｎｄｅｒ　ｃｅｒｔａｉｎ　ｏｂｓｔａｃｌｅ　ｅｎｖｉｒｏｎ—　

ｍｅｎｔ．Ｔｈｅ　ｏｂｓｔａｃｌｅ—ａｐｐｒｏａｃｈｉｎｇ　ｂｅｈａｖｉｏｒ　ｒｏｌｅ　ｉｓ　ｔｏ　ｍｏｖｅ　ｔｈｅ　ｒｏｂｏｔ　ａｌｏｎｇ　ｔｈｅ　ｏｂｓｔａｃｌｅ　ｕｎｔｉｌ　ｔｈｅ　ｏｐｅｎ　ａｒｅａＴｈｅ　ｐａｔｈ．ｓｅａｒｃｈｉｎｇ　ｂｅｈａｖｉ０ｒ　

ｒｏｌｅ　ｉｓ　ｔｏ　ｃｏｎｓｔａｎｔｌｙ　ｍｏｖｅ　ｔｈｅ　ｒｏｂｏｔ　ｔｏｗａｒｄｓ　ｔｈｅ　ｔａｒｇｅｔ．Ｔｈｅ　ｌｉｎｅａｒ　ｂｅｈａｖｉｏｒ　ｒｏｌｅ　ｉｓ　ｔｏ　ｍａｋｅ　ｔｈｅ　ｒｏｂｏｔ　ａｒｒｉｖｅ　ｔｈｅ　ｔａｒｇｅｔ　ｐｏｉｎｔＴｈｅ　ｒｏｂｏｔ　

ｃａｎ　ｅｆｆｅｃｔｉｖｅｌｙ　ｓｅａｒｃｈ　ｔｈｅ　ｐａｔｈ　ａｎｄ　ｄｏｅｓ　ｎｏｔ　ｎｅｅｄ　ｔｈｅ　ｌｏｃａｌｉｚａｔｉｏｎ　ｉｎｆｏｒｍａｔｉｏｎ．Ｔｈｅ　ｓｉｍｕｌａｔｉｏｎ　ｒｅｓｕｈｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｖｉｉｎｓ　ｆａｓｔ　

ａｎｄ　ｃａｎ　ｂｅ　ｕｓｅｄ　ｔｏ　ａｖｏｉｄ　ｔｈｅ　ｕｎｋｎｏｗｎ　ｏｂｓｔａｃｌｅｓ　ｗｉｔｈｏｕｔ　ｃｏｌｌｉｓｉｏｎ　ａｎｄ　ｔｏ　ｓｉｍｕｈａｎｅｏｕｓｌｙ　ｓｔｅｅｒ　ｔｈｅ　ｍｏｂｉｌｅ　ｒｏｂｏｔ　ｔｏｗａｒｄ　ｔｈｅ　ｔａｒｇｅｔ　ｉｎ　ａ　ｓｍｏｏｔｈ　ａｎｄ　ｓｔａｂｌｅ　ｐａｔｈ　ａｎｄ　ｃｏｎｔｉｎｕｏｕｓ　ｍｏｔｉｏｎ．　Ｋｅｙ　ｗｏｒｄｓ：ｐａｔｈ　ｐｌａｎｎｉｎｇ；ｂｅｈａｖｉｏｒ　ｃｏｎｔｒｏｌ；ｍｏｂｉｌｅ　ｒｏｂｏｔ；ｌａｓｅｒ　ｒａｄａｒ　

１引　言　２实时环境信息　基于目标的移动机器人路径规划是机器人在已　知目标的情况下，自动地避开障碍物到达目　标　。局部路径规划典型方法包括人工势场　法　、行为控制法　Ｊ、栅格法等　］。其中，行为　控制法是一种重要的智能控制方法，机器人的行为　可以分为反应型和慎思型两大类。反应式行为是一　种激励一响应行为，不需要规划过程，响应时间　短。慎思式行为是可学习的、有意识的行为。它是　将规划加入到反应式中，使得机器人具有记忆和推　理能力。但其实现复杂，要求高，速度慢，获得实　时性有较大困难。行为控制法近几年得到了广泛的　应用，例如Ｒｏｃｋｙ７系列火星探测车的避障就采用　这种控制方法。　本研究采用激光雷达作为探测环境的传感器，　基于４个反应式行为，针对移动机器人设计了一种　简单的实时路径规划算法。　

本文采用二维激光雷达作为主要的环境感知传　感器，其探测范围是前方１８０。范围内的环境信息，　每０．５。一个距离数据，数据量大，不利于数据的　实时传输。因此，可把数据进行压缩，压缩率的大　小取决于环境建模的精度和实时处理速度的折衷，　本文采用每５。压缩为一个数据，共３７个数据，这　样基本可反应机器人前方的环境，同时有利于实时　传输和控制　。传感器方向模型，如图１所示。　Ａｌ　、＼　＼　／，胃　

（　）Ｉ　．　；　图１传感器方向模型　Ｆｉｇ．１　Ｓｅｎｓｏｒ　ｄｉｒｅｃｔｉｏｎ　ｍｏｄｅｌ　

收稿日期：２００８－０８—１８；　收修定稿日期：２００８－０９－２４　作者简介：单建华（１９７９＿），男，江西黎川人，副教授，博士，主要从事移动机器人智能控制等方面的教学与科研工作３６８·　控制　工程　第ｌ６卷　图中，０点为机器人位置，Ａ　为机器人当前运　动方向，Ａ。，Ａ　等方向为机器人下一步运动方向的　候选，扇形区域ＯＢ０Ｂ。，ＯＢ。Ｂ　等为３７个区域，　取每个扇形区域中最近障碍物距离值作为这个方向　的障碍物信息。　机器人运动过程中环境信息，如图２所示。　ｖ　０　图２环境信息　Ｆｉｇ．２　Ｅｎｖｉｒｏｎｍｅｎｔａｌ　Ｉｎｆｏｒｍａｔｉｏｎ　图中，０点为机器人位置，　点为目标点位　置，　为机器人当前运动方向，ｄ为障碍物与机器　人距离。机器人下一步可能运动方向　位于半圆　内，　与向量ＯＴ夹角为０，　位于向量ＯＴ逆时针　方向为正，顺时针为负，其范围为一１８０。～１８０。。　机器人运动简化为前进速度　和转动角度０，　且不考虑动力学约束，则障碍物的方位对机器人避　障没有影响，而距离ｄ有影响，显然距离越远则越　不容易碰撞。　本研究利用模糊逻辑控制器对距离信息ｄ进行　模糊，为４个集合：很近（ｖｎ）、近（ｎ）、远（ｆ）、　很远（ｖｆ）；输出为安全因子Ｏｔ，表示机器人与障碍　物发生碰撞的难易程度，Ｏ／越大，表示越难碰撞。　模糊化为４个集合：很小（ＶＳ）、小（ｓ）、大（１）、　很大（ｖ１），取值范围为［０　１］。控制器采用Ｍａｒｅ．　ｄａｎｉ模型，模糊规则，见表１。　表１　模糊规则表　Ｔａｂｌｅ　１　Ｆｕｚｚｙ　ｒｕｌｅ　ｓｅｔｓ　ｏｆ　同样，夹角０的绝对值信息模糊为６个集合：　零（ｚ）、小（Ｓ）、中（ｍ）、垂直（ａｍ）、大（１）、很大　（ｖ１）；输出为趋向因子　，表示机器人到达目标点　的难易程度，越容易到达，则其趋向因子越大，显　然０绝对值越小趋向因子越大。　模糊化为６个集　合：正大（ｐ１）、正中（ｐｍ）、正小（ｐｓ）、零（ｚ）、负　小（ｎｓ）、负大（ｎ１），取值范围为［一１　１］。　控制器采用Ｍａｍｄａｎｉ模型，模糊规则，见表２。　表２卢模糊规则表　Ｔａｂｌｅ　２　Ｆｕｚｚｙ　ｒｕｌｅ　ｓｅｔｓ　０ｆ　０　ｚ　Ｓ　ｍ　ｒｉｍ　ｌ　ｖｌ　Ｂ　ｐｌ　ｐｍ　ｐｓ　ｚ　ｌｌｓ　ｎｌ　当机器人朝向目标前进时　值为正，表示奖　励；相反，当机器人背离目标前进时，　值为负，　表示处罚。　３行为设计　针对行为控制方法，移动机器人在环境未知的　情况下，每个采样时刻要根据传感器实时数据做出　不同决策，即选择相应的行为。本研究根据机器人　与障碍物和目标点的位置关系，机器人行为分为线　性行为、避障行为、接近行为和搜寻行为。采用固　定优先级，４个行为优先级依次降低。　１）线性行为　当目标点位于机器人运动半圆　内，且机器人和目标点中间没有障碍物阻隔时，线　性行为触发。行为为机器人朝向目标前进，直至到　达目标点。　２）避障行为　当机器人距障碍物最近距离　ｄ　小于避障距离ｄ…　时，避障行为触发。此时障　碍物信息，如图３所示。　

图３障碍物信息　Ｆｉｇ，．３　Ｏｂｓｔａｃｌｅ　ｉｎｆｏｒｍａｔｉｏｎ　图中，ｄ　为最远障碍物距离，　机器人当前　运动方向。　根据ｄ　ｉ　和ｄ　的值，又分为２个子行为。当　ｄ　＞ｄ　。并且ｄ　＞ｄ…ｕｅ　时，平行子行为触发。　此时表示机器人在一个比较开阔的地方运动，但其　中一边很靠近障碍物，为了不使机器人无限靠近障　碍物，此时机器人背离最近距离处转动小角度，前　进一定距离后，再掉头朝向前一时刻方向，这样机　器人有机会重复这动作，路径就会表现为平行障碍　物前进。当平行子行为的触发条件不满足时，表示　机器人进入了狭窄区域，逃离子行为触发，此时机　器人背离最近距离处转动大角度，前进一定距离。　３）接近行为　当机器人距障碍物最近距离　ｄ　＜ｄｎｅａｒ时，接近行为触发。机器人由于靠近障碍　物，处于“近视”状态，难于获得全局观，此时　机器人主要任务是“穿越”障碍物，所以接近行　为为机器人在其前方小角度范围内朝最远障碍物距　离前进。此时角度不宜过大，过大容易引起震荡。　４）搜寻行为此时表示机器人在开阔地带运　动，需兼顾目标和障碍物信息。移动机器人可行的　方向有多个，对于目标导向的移动机器人，可以定

合集下载

智能交通中的车辆路线优化

智能交通中的车辆路线优化

智能交通中的车辆路线优化智能交通是一项快速发展的技术。

其中，车辆路线优化是智能交通的重要组成部分。

在城市交通拥堵的情况下，车辆路线优化可以帮助司机避免拥堵路段，选择更优的路线。

本文将探讨智能交通中的车辆路线优化技术。

一、什么是车辆路线优化？车辆路线优化是指利用智能交通技术对车辆的出行路径进行优化，从而实现道路资源的最佳利用和减少交通拥堵。

车辆路线优化技术可以通过收集道路交通数据，进行交通状况分析，提供车辆司机最佳路径推荐和实时交通流量控制等方式，从而使道路资源得到充分利用。

二、车辆路线优化技术有哪些？1.实时路况查询：通过收集交通实时数据，实时分析道路的状况，并将结果反馈给司机，提供道路资源利用等方面的建议和指导。

2.基于历史数据的路线规划：通过收集历史交通数据，分析车辆在不同时间段和路段行驶情况，从而制定更为合理的路线规划方案，提高交通效率。

3.基于行驶时间的路线规划：基于车辆行驶时间的路线规划，可以实现更为合理的路线分配，减少拥堵情况出现。

同时，还可以优化车辆行驶的时间，提高出行效率。

4.路线推荐：基于交通实时数据和历史数据的分析，智能交通系统可以提供车辆行驶路线的实时推荐，避开拥堵路段，减少行驶时间，提高交通效率。

5.车辆流量调控：通过收集和分析车辆流量数据，为道路交通资源提供最佳调控方案，从而实现车流量的优化和道路资源的最佳利用。

三、车辆路线优化的意义1.优化道路交通：车辆路线优化可以通过合理的路线规划和交通流量控制来优化道路交通，减少拥堵情况的发生，提升道路交通流畅度。

2.提高运输效率：通过车辆路线优化，可以避开拥堵路段，减少路途时间，对于商贸、物流等领域提高了运输效率，降低了运营成本。

3.优化城市交通：车辆路线优化可以减少车辆碳排放和能源消耗，有助于城市交通可持续发展。

四、车辆路线优化技术的应用目前，车辆路线优化技术已广泛应用于智能交通系统中。

比如，北京市的交通实时路况信息服务系统，提供准确的实时路况信息和最优的道路规划，帮助车辆司机选择更为合理的路线。

室内导航系统中的路径规划算法设计

室内导航系统中的路径规划算法设计

室内导航系统中的路径规划算法设计室内导航系统已成为现代大型建筑物、商场、机场等公共场所不可或缺的一部分。

通过室内导航系统，人们可以方便地找到目的地，减少时间、精力和不必要的困惑。

然而，设计一个高效可靠的路径规划算法对于室内导航系统的正常运行至关重要。

路径规划算法的目标是通过在室内导航系统中计算出最短或最优路径，帮助用户快速达到目的地。

在室内环境中，存在许多挑战，如复杂的建筑结构、多个房间、走廊、楼梯等特殊路径。

因此，需要采用适应室内环境的路径规划算法。

在设计室内导航系统的路径规划算法时，首先需要获取建筑物的信息。

例如，建筑的平面图、房间布局、门的位置和走廊的长度等。

这些信息可以通过预先收集、建筑图纸或者室内定位技术获取。

接下来，基于建筑物的信息，常用的路径规划算法有以下几种：1. Dijkstra算法Dijkstra算法是一种常用的单源最短路径算法。

它通过计算从起点到各个其他节点的最短路径来确定最优路径。

在室内导航系统中，可以将建筑物划分为节点和边，节点表示房间或目的地，边表示相邻节点之间的路径。

通过使用Dijkstra算法，可以计算出起点到目的地节点之间的最短路径，并提供导航指引。

2. A*算法A*算法是一种常用的启发式搜索算法，也适用于室内导航系统的路径规划。

它通过估计从起点到目的地的总代价来确定最优路径。

A*算法结合了广度优先搜索和贪婪搜索的特点，通过使用启发函数来指导搜索方向，提高搜索效率。

在室内导航系统中，启发函数通常是基于建筑物的信息，如距离、走廊宽度和各个节点之间的连通性。

3. 蚁群算法蚁群算法是一种仿生优化算法，也可用于室内导航系统的路径规划。

它通过模拟蚂蚁搜索食物的行为，寻找最优路径。

在室内导航系统中，可以将建筑物视为蚂蚁的搜索空间。

蚂蚁根据信息素浓度和距离选择路径，并在路径上释放信息素来吸引其他蚂蚁。

通过模拟多个蚂蚁的搜索过程，可以找到最佳路径。

在选择路径规划算法时，需要考虑算法的运行时间、复杂度和精确度。

机器人路径规划技术综述

机器人路径规划技术综述

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。

基于蚁群算法的路径规划

基于蚁群算法的路径规划

基于蚁群算法的路径规划路径规划是指在给定起点和终点的情况下，找到一条最优路径使得在特定条件下完成其中一种任务或达到目标。

蚁群算法（Ant Colony Optimization，简称ACO）是一种模拟蚂蚁寻找食物路径的启发式算法，已经广泛应用于路径规划领域。

本文将详细介绍基于蚁群算法的路径规划的原理、方法和应用，旨在帮助读者深入理解该领域。

1.蚁群算法原理蚁群算法的灵感源自蚂蚁在寻找食物过程中携带信息以及通过信息交流来引导其他蚂蚁找到食物的群体行为。

算法的基本原理如下：1）路径选择方式：蚂蚁根据信息素浓度和距离的启发信息进行路径选择，信息素浓度高的路径和距离短的路径更容易被选择。

2）信息素更新方式：蚂蚁在路径上释放信息素，并通过信息素挥发过程和信息素增强机制来更新路径上的信息素浓度。

3）路径优化机制：较短路径上释放的信息素浓度较高，经过多次迭代后，社会积累的信息素会指引蚂蚁群体更快地找到最优路径。

4）局部和全局：蚂蚁在选择路径时，既有局部的能力，也有全局的能力，这使得算法既能收敛到局部最优解，又能跳出局部最优解继续探索新的路径。

2.蚁群算法步骤1）定义问题：明确起点、终点以及路径上的条件、约束等。

2）初始化信息素与距离矩阵：设置初始信息素值和距离矩阵。

3）蚂蚁移动：每只蚂蚁根据信息素浓度和距离的启发选择下一个节点，直到到达终点。

4）信息素更新：蚂蚁根据路径上释放的信息素更新信息素矩阵。

5）迭代：不断重复蚂蚁移动和信息素更新过程，直到满足停止条件为止。

6）输出最优路径：根据迭代结果输出最优路径。

3.蚁群算法应用1）TSP问题：旅行商问题（Traveling Salesman Problem，TSP）是蚁群算法应用的典型问题之一、该问题是在给定一组城市以及它们之间的距离，求解一条经过每个城市一次且最短的路径。

蚁群算法通过模拟蚂蚁在城市之间的移动来求解该问题，并能够较快地找到接近最优解的路径。

2）无人机路径规划：无人机路径规划是指在给定起点和终点的情况下，找到无人机的最优飞行路径。