基于改进蚁群算法的移动机器人路径规划及实现

论文摘要

移动机器人路径规划是机器人研究中一个很重要的问题,是机器人执行各种任务的基础,反映了机器人在运动过程中与周围环境交互的能力。蚁群算法是一种模拟蚂蚁群体智能行为的仿生优化算法。因为路径规划与蚁群搜索食物的过程有着天然的联系,因此将蚁群算法运用到路径规划中有很大的合理性。本文从三个方面对蚁群算法进行了改进。1、将状态转移参数g0由固定值改为动态调整,考虑了不同时间对q0的不同要求,使得路径长度和收敛速度都有较大提高；2、引入OBL思想对信息素进行处理。通过反作用信息素的作用,增加对搜索空间的覆盖,减小搜索时间；3、对信息素更新规则的处理。动态调整信息素挥发参数ρ的值,同时将信息素的值限制在[τmin,τmax]之间,设置局部循环最优值和局部循环最差值,并在每轮循环结束时对局部循环最优路径进行增强,对局部循环最差路径进行削弱。在建模和全局规划阶段,将机器人作为非完全质点的因素考虑进去,对障碍物进行相应的处理,提出一种新的评价标准,使规划问题不光关注路径长短和收敛速度,也关注机器人实际运动中转弯个数。动态规划在基于混合式架构的移动机器人上进行。采用在全局路径规划的基础上进行局部路径规划的方法。在运动过程中,通过机器人携带的传感器,实时探测局部信息,采用直线法对动态障碍物位置进行预测,对全局路径进行修正。仿真和现场实验结果表明,改进的蚁群算法在路径长度和时间性能方面,都有较好的表现。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题来源
• 1.2 移动机器人路径规划定义及特点
• 1.3 机器人路径规划方法概述
• 1.3.1 基于环境模型的规划方法
• 1.3.2 基于行为的规划方法
• 1.4 移动机器人路径规划发展趋势
• 1.5 课题研究意义
• 1.6 本文主要内容
• 第二章 基于混合式架构的移动机器人路径规划平台
• 2.1 机械平台
• 2.2 传感/控制子系统
• 2.3 智能和决策子系统
• 2.3.1 分层式架构
• 2.3.2 包容式架构
• 2.3.3 混合式架构
• 2.4 机器人运动控制界面
• 2.5 本章小结
• 第三章 蚁群算法原理及改进算法
• 3.1 蚁群算法简介
• 3.2 几种典型的蚁群算法
• 3.2.1 带精英策略的蚂蚁系统
• 3.2.2 基于优化排序的蚂蚁系统
• 3.2.3 最大-最小蚂蚁系统
• 3.2.4 最优-最差蚂蚁系统
• 3.3 蚁群算法参数选择
• 3.3.1 蚁群数量的选择
• 3.3.2 启发式因子的选择
• 3.3.3 总信息量的选择
• 3.3.4 信息素挥发度的选择
• 3.4 蚁群算法的改进
• 0的动态调整'>3.4.1 对状态转移参数q₀的动态调整
• 3.4.2 引入OBL思想对信息素进行处理
• 3.4.3 信息素更新规则的调整
• 3.4.4 将以上3处改进同时加入蚁群算法
• 3.5 本章小结
• 第四章 基于改进蚁群算法的移动机器人全局路径规划及实现
• 4.1 环境模型及相关定义
• 4.1.1 基于栅格的环境模型
• 4.1.2 相关定义
• 4.2 基于改进蚁群算法的全局路径规划算法
• 4.2.1 障碍物的处理
• 4.2.2 信息素的存储处理
• 4.2.3 距离启发信息调整
• 4.2.4 新的评价标准
• 4.2.5 基于改进蚁群算法的全局路径规划流程
• 4.3 实验结果及分析
• 4.4 本章小结
• 第五章 动态路径规划及实现
• 5.1 信息初始化
• 5.2 路径规划的局部避碰策略
• 5.2.1 动态障碍物探测
• 5.2.2 碰撞点预测
• 5.2.3 局部避碰策略
• 5.3 动态规划算法
• 5.4 实验结果及分析
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 附录
• 致谢
• 攻读硕士期间完成的研究成果