智能机器人.docVIP

遗传算法与机器人路径规划( 摘要：机器人的路径规划是机器人学的一个重要研究领域，是人工智能和机器人学的一个结合点。对于移动机器人而言，在其工作时要求按一定的规则，例如时间最优，在工作空间中寻找到一条最优的路径运动。机器人路径规划可以建模成在一定的约束条件下，机器人在工作过程中能够避开障碍物从初始位置行走到目标位置的路径优化过程。遗传算法是一种应用较多的路径规划方法，利用地图中的信息进行路径规划，实际应用中效率比较高。 关键词：路径规划；移动机器人；避障；遗传算法 路径规划 1.1 机器人路径规划分类根据机器人对环境信息掌握的程度和障碍物的不同，移动机器人的路径规划基本上可分为以下几类： 1，已知环境下的对静态障碍物的路径规划； 2，未知环境下的对静态障碍物的路径规划； 3，已知环境下对动态障碍物的路径规划； 4，未知环境下的对动态障碍物的路径规划。 （2） 也可根据对环境信息掌握的程度不同将移动机器人路径规划分为两种类型： 1，基于环境先验完全信息的全局路径规划； 2，基于传感器信息的局部路径规划。 （第二种中的环境是未知或部分未知的， 即障碍物的尺寸、 形状和位置等信息必须通过传感器获取。）无论机器人路径规划属于哪种类别，采用何种规划算法， 基本上都要遵循以下步骤： 1, 建立环境模型， 即将现实世界的问题进行抽象后建立相关的模型； 2, 路径有哪些信誉好的足球投注网站方法， 即寻找合乎条件的路径的算法。 1.3.1传统路径规划方法（1）自由空间法 （free space approach）　基于简化问题的思想 , 采用“结构空间” 来描述机器人及其周围的环境。 这种方法将机器人缩小成点 ,将其周围的障碍物及边界按比例相应地扩大 ,使机器人点能够在障碍物空间中移动到任意一点 ,而不与障碍物及边界发生碰撞（2）图有哪些信誉好的足球投注网站法 采用预先定义的几何形状构造自由空间，并将其表示为连通图，然后通过有哪些信誉好的足球投注网站连通图进行路径规划。这种方法比较灵活，改变初始位置和目标位置不会重构连通图，但是障碍物比较多时，算法会比较复杂，且不一定能找到最短路径。 人工势场法（artificial potential field） 既是把机器人工作环境模拟成一种力场。目标点对机器人产生引力，障碍物对机器人产生斥力，通过求合力来求控制机器人的运动。 1.3.2 智能路径规划方法 1）基于模糊逻辑算法（fuzzy logic algorithm）的机器人路径规划 此方法基于传感器的实时信息，参考人的的经验，通过查表获得规划信息，实现局部路径规划。通过把约束和目标模糊化，利用隶属度函数寻找使各种条件达到满意的程度，在模糊意义下求解最优解。 （2）基于神经网络（NN）的机器人路径规划 主要是基于神经网络结构构造出来能量函数，根据路径点与障碍物位置的关系，选取动态运动方程 ，规划出最短路径。机器人路径规划算法的方法很多，除了上面介绍的常见的路径规划方法外，还有基于蚁群算法的路径规划，基于微粒群算法的路径规划，结合模拟退火算法的遗传算法等。 前面对路径规划的方法做了整体的介绍，下面则要讲解的具体的算法：遗传算法在路径规划中的应用。 基于遗传算法的机器人路径规划 Miehigan大学的JohnHolland等在20世纪60年代末期到70年代初期研究形成的一个较完整的理论方法，从试图解释自然系统中生物的复杂适应过程入手，模拟生物进化的机制来构造人工系统的模型。 遗传算法包括三个基本操作：选择，交叉和变异。 2.2 路径规划的具体步骤 利用遗传算法进行路径规划时，一般包含：环境建模，编码，群体初始化，确定适应度函数（fitness function建模.本次涉及的机器人工作环境都是障碍物已知的二维空间。本文中遗传算法应用的环境都是基于下面条件考虑的： （1）机器人被看做是一个点； （2）障碍物的尺寸都向外扩展半个机器人半径。 图2.1 路径规划环境模型图 Fig.2.1 Path planning environment model diagram 2.2.2编码 在机器人的工作环境图中可以看到，机器人的运动轨迹由若干直线段构成，每段直线段是机器人运动的基本单位。 机器人到达目标点的整个路径可表示成： 其中i是第i段直线段的矢量表示，它的两个端点分别可以表示为Pi和Pi+1,符号“+”表示矢量的运算。可以以O表示原点，于是 于是整个机器人的运动路径可以表示为如下的路点矢量集合： 设Pi的坐标点可以表示为（xi，yi），那么在算法实现时，路径就可以以坐标点形式储存。这样就完成了对染色体的编码，所有的路径T是可能的一个满足条件路径。在函数中a1，a2是权重系数，分别强化了不同指标的重要性。第一项表示路径的总长度，第二项是障碍物的排斥函数。 M是障碍物