基于遗传算法的移动机器人路径规划方法的研究

论文摘要

智能移动机器人是指无需人工干预,可以自主完成行驶任务的车辆。路径规划是机器人技术研究领域中的核心问题,它的任务就是在具有障碍物的环境中,寻求一条从已知起点到已知终点的具有最低代价的无碰路径。遗传算法是建立在自然选择和群体遗传学基础上的随机、迭代和进化过程,是路径规划研究领域中的一种十分有效的算法。本文首先从理论上讨论了移动机器人路径规划的方法,在对各种路径规划方法进行优缺点比较后,选择遗传算法来解决移动机器人的路径规划问题。然后,通过对遗传算法的深入研究,针对静态和动态环境中的机器人路径规划问题,本文提出了基于遗传算法的解决方案。在遗传算子的设计中,加入了平滑、插入和删除算子来补充基本算子的不足,同时采用变异率和交叉率的自适应调整方法对遗传算法进行优化。通过加入新的算子和自适应调整方法可以使得算法更加完善,解决进化过程中因陷入局部极小值而不能到达目标点的问题。最后,在三种复杂程度不同的静态环境下,进行仿真实验并对仿真结果进行分析,讨论了不同的适应度参数对路径规划结果的影响,同时进行了动态路径规划的仿真。通过与其它方法的比较可以发现,相同环境下,在搜索时间上基于遗传算法的路径规划方法比Di jkstra算法至少节约5%的时间;在路径长度以及平滑度方面,基于遗传算法的路径规划方法要优于人工势场算法。通过本文的研究及实验结果证明,遗传算法能够很好的解决动态和静态环境下移动机器人的路径规划问题。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 选题背景及意义
• 1.2 国内外研究现状及发展趋势
• 1.3 遗传算法的研究进展
• 1.4 本文的主要研究内容
• 第2章 移动机器人路径规划
• 2.1 移动机器人导航技术
• 2.1.1 机器人导航概述
• 2.1.2 移动机器人的导航方式
• 2.1.3 移动机器人的定位
• 2.1.4 环境地图的构建
• 2.2 移动机器人路径规划
• 2.2.1 路径规划概述
• 2.2.2 几种路径规划方法
• 2.3 本文提出的路径规划方法
• 2.4 本章小结
• 第3章 遗传算法原理
• 3.1 遗传算法的简介
• 3.1.1 遗传算法的特点
• 3.1.2 遗传算法的应用
• 3.2 遗传算法的基本原理
• 3.2.1 遗传算法的基本思想
• 3.2.2 遗传算法的基本概念
• 3.3 基本遗传算法
• 3.3.1 SGA 的基本步骤
• 3.3.2 编码表示
• 3.3.3 适应度函数设计
• 3.3.4 遗传操作
• 3.3.5 参数的选择
• 3.4 本章小结
• 第4章 基于遗传算法的移动机器人路径规划
• 4.1 环境信息的表示
• 4.1.1 环境信息的预处理
• 4.1.2 环境建模
• 4.2 初始设置
• 4.2.1 编码
• 4.2.2 群体初始化
• 4.3 适应度函数的确定
• 4.3.1 可行路径的适应度函数
• 4.3.2 不可行路径的适应度函数
• 4.4 遗传算子的设计
• 4.4.1 选择算子
• 4.4.2 交叉算子
• 4.4.3 变异算子
• 4.4.4 平滑算子
• 4.4.5 优化算子
• 4.5 自适应参数调整
• 4.6 基于遗传算法的动态路径规划
• 4.7 本章小结
• 第5章 路径规划的仿真结果及分析
• 5.1 仿真环境
• 5.1.1 软件环境
• 5.1.2 硬件环境
• 5.2 仿真实验简介
• 5.3 仿真实验及结果分析
• 5.3.1 静态环境路径规划仿真
• 5.3.2 动态环境路径规划仿真
• 5.4 适应度参数的影响
• 5.5 与其它算法的仿真结果比较
• 5.5.1 与Dijkstra 算法的仿真结果比较
• 5.5.2 与人工势场法的仿真结果比较
• 5.6 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和获得的科研成果
• 致谢
• 详细摘要