基于地图栅格与QPSO算法结合的机器人路径规划方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107992040A(43)申请公布日2018.05.04(21)申请号201711262658.X(22)申请日2017.12.04(71)申请人重庆邮电大学地址400065重庆市南岸区南山街道崇文路2号(72)发明人胡章芳孙林张毅鲍合章周思吉陈科宇(74)专利代理机构重庆市恒信知识产权代理有限公司50102代理人刘小红(51)Int.Cl.G05D1/02(2006.01)权利要求书2页说明书4页附图1页(54)发明名称基于地图栅格与QPSO算法结合的机器人路径规划方法(57)摘要本发明请求保护一种基于QPSO(QuantumBehavedParticleSwarmOptimization,量子行为粒子群优化)算法的改进机器人路径规划方法，针对当前QPSO算法在大部分情况下在机器人路径规划中得到易陷入局部最优的情况，提出了一种基于地图栅格与QPSO算法结合的改进机器人路径规划方法：(1)根据移动机器人的工作环境的特点对机器人通过激光传感器获取的数据进行地图建模。(2)采用轮盘式选择法进行路径规划，并且初始化可行路径。(3)采用参数可变的QPSO算法对初始化的可行路径进行优化，并且得到最优路径。CN107992040ACN107992040A权利要求书1/2页1.一种基于地图栅格与QPSO算法结合的机器人路径规划方法，其特征在于，包括以下步骤：步骤1：根据移动机器人的工作环境的特点对机器人通过2D激光传感器获取的数据进行地图建模，并且采用自适应蒙特卡罗定位算法对机器人位置进行定位；步骤2：在创建好的地图中采用轮盘式选择法对可行路径进行初始化；步骤3：采用参数可变的改进量子行为粒子群优化QPSO算法对初始化的可行路径进行优化，得到最优路径，其中改进QPSO算法的改进体现在：在QPSO算法中对引入聚集度因子，并且对压缩扩张因子进行改进，同时自定义两个控制参数用来划分搜索阶段，使粒子位置更新公式在不同的搜索阶段有不同的表现。2.根据权利要求1所述的基于地图栅格与QPSO算法结合的机器人路径规划方法，其特征在于，所述步骤1进行地图建模前还包括步骤：假设机器人扫描到的活动场地有限并且为矩形，首先采用栅格法，将机器人矩形场地平均划分成多个小矩形栅格，保证机器人可以在其中进行自由移动，采用直角坐标法确定起点、终点、障碍物与机器人的位置，在创建地图模型后，首先根据里程计模型给出机器人的初始位姿，然后通过激光传感器扫描出的局部地图与全局地图的对应关系，并用局部地图更新全局地图。3.根据权利要求2所述的基于地图栅格与QPSO算法结合的机器人路径规划方法，其特征在于，所述步骤1采用自适应蒙特卡罗定位算法对机器人位置进行定位具体步骤包括：步骤A：初始化粒子群；步骤B：采用随机函数模拟粒子在栅格地图中的运动；步骤C：根据计算传感器定位的障碍物与地图中障碍物的符合个数来计算粒子评分，选择得分最高的粒子作为机器人当前位置；步骤D：粒子群重采样，将得分较低的粒子舍去，得分较高的粒子保留并且复制，保持粒子群数量基本不变；步骤E：重复步骤B到步骤D，直到机器人完成构建地图时终止。4.根据权利要求1-3之一所述的基于地图栅格与QPSO算法结合的机器人路径规划方法，其特征在于，所述步骤2对可行路径进行初始化具体步骤如下：步骤A：通过栅格地图，确定目标点、障碍物和机器人自身所在栅格在全局地图中的坐标；步骤B：将有障碍物的栅格标为1，将自由栅格标为0；步骤C:采用轮盘式选择方法选择机器人所处栅格相邻的自由栅格，并且移动到选择的自由栅格；步骤D:判断机器人是否到达目标点，未到达则转至步骤C；步骤E:机器人到达目标点则初始化路径完成。5.根据权利要求4所述的基于地图栅格与QPSO算法结合的机器人路径规划方法，其特征在于，所述步骤3采用参数可变的QPSO算法对初始化的可行路径进行优化，得到最优路径的具体步骤如下：步骤A：初始化粒子群数量N和最大迭代次数MaxIter参数并且设立适应度函数，并且在第一次迭代时，每个粒子的初始位置为当前个体最好位置，计算每个粒子的适应度函数值，2CN107992040A权利要求书2/2页所有粒子的适应度值相比较后，找到一个具有最小适应度值的粒子，该粒子的轨迹就是全局最好位置；步骤B：在可行路径上使用粒子位置更新公式进行粒子位置更新；步骤C：判断更新后的粒子位置是否位于自由栅格，若是则移动到该自由栅格，否则转入步骤B；步骤D：判断粒子位置是否到达目标点，若否则转到步骤B，若是则计算适应度函数的值，更新个体最好位置与全剧最好位置；步骤E：重复步骤B～D，直到重复次数达到最大迭代次数时，选取一条适应度值最小的粒子的轨迹作为机器人的最优路径。6.根据权利要求5所述的基于地图栅