基于自适应动态窗口的移动机器人局部动态路径规划方法与流程

本发明涉及一种局部动态环境避障法，具体涉及一种基于自适应动态窗口的移动机器人局部动态路径规划方法。
背景技术：
：自主导航是移动机器人必备核心技术之一，在实际环境中，特别是人机共存的复杂环境下，机器人可以获取环境大致地图信息，但由于存在移动物体、人或者其他易变因素，因此，很难获得环境的完整信息。在局部地图信息已知的情况下，局部动态路径规划方法是实现智能机器人自主导航的首选方法。最简单的思路是沿着起始点与目标点的连线运动，遇到障碍物时，沿着障碍物边缘绕行，但导致路径不圆滑，总长度增加。人工势场法易让机器人陷入局部极值点，例如多个相近障碍物间可能无法找到路径，在狭隘的通道中会产生振荡，生成的路径明显不合理。borenstein等人提出的基于向量场直方图的vfh算法，此方法没有考虑机器人的尺寸、动力学和运动学等特性。simmons等人提出了曲率速度法(curvaturevelocitymethod-cvm)方法，将避障问题描述为速度空间带约束的优化问题，考虑了机器人的速度和加速度等物理限制和障碍物的环境约束。在满足所有约束情况下，建立了包含速度、安全性和路径三个因素的优化目标函数。在cvm的基础上，fox等人提出了更完善的动态窗口法(dwa)，充分考虑了机器人的物理限制、环境约束以及当前速度等因素。dwa方法根据当前速度和加速度首先建立一个预选速度窗口，再通过目标函数优化得到下一时刻的最优速度(包括速度和方向)。目标函数综合考虑了航向角、速率和障碍物距离三个因素，同时考虑了真实机器人自身物理约束(最大线速度、最大角度)、环境约束，能够直接获得机器人的期望线速度和角速度，得到的轨迹比较平滑，适合真实移动机器人的运行，有效解决了围绕障碍物绕行问题。但是，现有的dwa方法依然存在以下问题：1、对于复杂环境，机器人得到的轨迹不够平滑，在障碍物较稠密区域，机器人可能不会从稠密区中选择短路径通过，而是绕开稠密区域从而导致路径过长；2、当dwa目标函数中的速度权值较大时，通过两个障碍物中间或者狭窄通道时，机器人太靠近某一障碍物，如果是行人或者运动的物体，容易出现碰撞，导致安全性和舒适性大幅降低；当速度权值较小时，路径安全合理，但导致整个行程速度明显偏低，总体运行时间变长。技术实现要素：本发明是为了解决上述问题而进行的，目的在于提供一种基于自适应动态窗口的移动机器人局部动态路径规划方法。本发明提供了一种基于自适应动态窗口的移动机器人局部动态路径规划方法，依次根据移动机器人上设置的传感器获得的当前时刻t障碍物与移动机器人之间的距离d及方位θ计算得到下一时刻t+1的最优速度，并让移动机器人按照该最优速度依次移动直到到达目标点，具有这样的特征，包括：包括以下步骤：步骤1，根据下式(1)计算动态范围阈值dscale，式(1)中，vmax为移动机器人的最高线速度，为移动机器人的线加速度，l为预设的第一参数；步骤2，根据当前的全部障碍物的距离d和方位θ判断是否进入密集障碍物区域；步骤3，当判断为进入密集障碍物区域时，根据全部障碍物的距离d计算获得机器人与局部区域内所有障碍物的实际最短距离值dmin，并根据下式(2)计算线速度v的动态权值γd，式(2)中，dmin为移动机器人离最近障碍物的距离，b为预设的指数，k为预设的第二参数，权值γd范围为[γmin，γmax]，其中γmax为最短时间通过障碍物密集区域的对应值，γmin为通过狭窄通道且最安全的对应值；步骤4，根据下式(3)计算障碍物的间距intij，并判断能否穿越密集障碍物区域，式(3)中，di为第i个障碍物与移动机器人的距离，dj为第j个障碍物与移动机器人的距离，θi为第i个障碍物与移动机器人之间的方位角，θj为第j个障碍物与移动机器人之间的方位角，当intij的值大于dscale时则判断为能穿过，当intij的值小于dscale时则判断为不能穿过；步骤5，当判断为能够穿过密集障碍物区域时，搜索备选速度空间，得到不发生碰撞时的允许速度(v，ω)；步骤6，对目标函数的三个输入heading、dist和vel分别做归一化，将动态权值γd以及允许速度(v,ω)代入下式(4)所示的目标函数中，通过目标函数得到最优速度组合(vt+1，ωt+1)作为t+1时刻机器人运行的速度，g(v，ω)＝α·heading(v，ω)+β·dist(v，ω)+γd·vel(v，ω)(4)式(4)中，heading＝π-θ，是用来衡量移动机器人对目标的方向性，当移动机器人运动方向完全指向目标点时即θ＝0时，它的值最大；dist表示预轨迹中距离障碍物的最小距离；vel表示圆弧轨迹中t+1时刻的线速度，α和β为权值参数；步骤7，执行步骤6中得到的最优速度，然后根据传感器得到的当前的障碍物与移动机器人之间的距离d及方位θ判断是否到达目标点，若判断为到达则结束让机器人停止移动，若否则回到步骤1，重新开始步骤2至步骤7。在本发明提供的基于自适应动态窗口的移动机器人局部动态路径规划方法中，还可以具有这样的特征：其中，步骤2包括如下子步骤：在t时刻，选取移动机器人运行方向的具有一定角度的扇形区域，作为局部密集障碍物的计算依据，设扇形区域的障碍物个数为m、第i个障碍物与移动机器人的距离为di和方位角为θi，当m大于阈值dscale时，判断移动机器人进入障碍密集区。在本发明提供的基于自适应动态窗口的移动机器人局部动态路径规划方法中，还可以具有这样的特征：其中，步骤5包括如下子步骤：步骤5-1，形成圆弧轨迹，圆弧轨迹由二维的速度空间(v,ω)确定，v表示线速度、ω表示角速度；步骤5-2，根据移动机器人当前速度和加速度，获得在下一个时刻能够达到的速度并记为当前可达速度，所有可达速度形成一个动态窗口；步骤5-3，确定允许速度(v，ω)，允许速度(v，ω)包括不可能碰撞轨迹的速度以及可能碰撞轨迹但移动机器人能够及时制动停下的速度，组合成全部的允许速度。在本发明提供的基于自适应动态窗口的移动机器人局部动态路径规划方法中，还可以具有这样的特征：其中，式(4)中的权值函数α的取值范围为0≤α≤1。在本发明提供的基于自适应动态窗口的移动机器人局部动态路径规划方法中，还可以具有这样的特征：其中，式(4)中的权值函数β的取值范围为0≤β≤1。发明的作用与效果根据本发明所涉及的基于自适应动态窗口的移动机器人局部动态路径规划方法，因为所采用的改进的算法符合人的思维逻辑，能够根据不同环境，自适应地调整移动机器人运行中的速度和轨迹，所以同时保证了高速性和安全性。因为所采用的改进的算法在相同安全性下，移动机器人从起始点到目标点运行的总体效率得到了明显提升，所以运行步数和运行时间都减少了，且运行轨迹平滑。因此，本发明的基于自适应动态窗口的移动机器人局部动态路径规划方法能够适应环境的动态变化，获得移动机器人的最佳运行时速度，且兼顾合理性、安全性和最优性。附图说明图1是本发明的实施例中的实验仿真环境地图；图2(a)是本发明的实施例一中的速度空间示意图；图2(b)是本发明的实施例一中的忽略加速度约束时目标函数的3d图；图3(a)是本发明的实施例二中的移动机器人离障碍物较远时目标函数3d示意图；图3(b)是本发明的实施例中实施例二中的移动机器人离障碍物较近时目标函数3d图；图4(a)是本发明的实施例中实施例三中的移动机器人离障碍物较远时目标函数3d图；图4(b)是本发明的实施例中实施例三中的移动机器人离障碍物较近时目标函数3d图；图5(a)是本发明的实施例中实施例四中的距离障碍物较远时基于动态速度权值的目标函数3d图；图5(b)是本发明的实施例中实施例四中的距离障碍物较远时基于动态速度权值的目标函数3d图；图6(a)是本发明的实施例中实施例五中的预设指数为0.5的轨迹图；图6(b)是本发明的实施例中实施例五中的预设指数为1的轨迹图；图6(c)是本发明的实施例中实施例五中的预设指数为1.5的轨迹图；图6(d)是本发明的实施例中实施例五中的预设指数为2的轨迹图；图7(a)是本发明的实施例中实施例六中的固定高权值的运行轨迹图；图7(b)是本发明的实施例中实施例六中的固定低权值的运行轨迹图；图7(c)是本发明的实施例中实施例六中的动态权值时运行轨迹图；图7(d)是本发明的实施例中实施例六中的不同权值轨迹对比图；图8(a)是本发明的实施例中实施例七中的移动机器人沿密集障碍物区域外部绕行图；图8(b)是本发明的实施例中实施例七中的移动机器人局部轨迹不平滑图；图8(c)是本发明的实施例中实施例七中的基于自适应dwa方法的轨迹图。具体实施方式为了使本发明实现的技术手段与功效易于明白了解，以下结合实施例及附图对本发明作具体阐述。一种基于自适应动态窗口法的移动机器人局部动态路径规划方法，依次根据移动机器人上设置的传感器获得的当前时刻t障碍物与移动机器人之间的距离d及方位θ计算得到下一时刻t+1的最优速度，并让移动机器人按照该最优速度依次移动直到到达目标点，包括以下步骤：步骤1，根据下式(1)计算动态范围阈值dscale，式(1)中，vmax为移动机器人的最高线速度，为移动机器人的线加速度，l为预设的第一参数。步骤2，根据当前的全部障碍物的距离d和方位θ判断是否进入密集障碍物区域。步骤2包括如下子步骤：在t时刻，选取移动机器人运行方向的具有一定角度的扇形区域，作为局部密集障碍物的计算依据，设扇形区域的障碍物个数为m、第i个障碍物与移动机器人的距离为di和方位角为θi，当m大于阈值dscale时，判断移动机器人进入障碍密集区。步骤3，当判断为进入密集障碍物区域时，根据全部障碍物的距离d计算获得机器人与局部区域内所有障碍物的实际最短距离值dmin，并根据下式(2)计算线速度v的动态权值γd，式(2)中，dmin为移动机器人离最近障碍物的距离，b为预设的指数，k为预设的第二参数，权值γd范围为[γmin，γmax]，其中γmax为最短时间通过障碍物密集区域的对应值，γmin为通过狭窄通道且最安全的对应值。步骤4，根据下式(3)计算障碍物的间距intij，并判断能否穿越密集障碍物区域，式(3)中，di为第i个障碍物与移动机器人的距离，dj为第j个障碍物与移动机器人的距离，θi为第i个障碍物与移动机器人之间的方位角，θj为第j个障碍物与移动机器人之间的方位角，当intij的值大于dscale时则判断为能穿过，当intij的值小于dscale时则判断为不能穿过。步骤5，当判断为能够穿过密集障碍物区域时，搜索备选速度空间，得到不发生碰撞时的允许速度(v，ω)。步骤5包括如下子步骤：步骤5-1，形成圆弧轨迹，圆弧轨迹由二维的速度空间(v，ω)确定，v表示线速度、ω表示角速度。步骤5-2，根据移动机器人当前速度和加速度，获得在下一个时刻能够达到的速度并记为当前可达速度，所有可达速度形成一个动态窗口。步骤5-3，确定允许速度(v，ω)，允许速度(v，ω)包括不可能碰撞轨迹的速度以及可能碰撞轨迹但移动机器人能够及时制动停下的速度，组合成全部的允许速度。步骤6，对目标函数的三个输入heading、dist和vel分别做归一化，将动态权值γd以及允许速度(v，ω)代入下式(4)所示的目标函数中，通过目标函数得到最优速度组合(vt+1，ωt+1)作为t+1时刻机器人运行的速度，g(v，ω)＝α·heading(v，ω)+β·dist(v，ω)+γd·vel(v，ω)(4)式(4)中，heading＝π-θ，是用来衡量移动机器人对目标的方向性，当移动机器人运动方向完全指向目标点时即θ＝0时，它的值最大；dist表示预轨迹中距离障碍物的最小距离；vel表示圆弧轨迹中t+1时刻的线速度，α和β为权值参数。式(4)中的权值函数α的取值范围为0≤α≤1。式(4)中的权值函数β的取值范围为0≤β≤1。步骤7，执行步骤6中得到的最优速度，然后根据传感器得到的当前的障碍物与移动机器人之间的距离d及方位θ判断是否到达目标点，若判断为到达则结束让机器人停止移动，若否则回到步骤1，重新开始步骤2至步骤7。实施例一：目标函数优化图2(a)是本发明的实施例一中的速度空间示意图，图2(b)是本发明的实施例一中的忽略加速度约束时目标函数的3d图。为得到t+1时刻最优速度，首先对三个输入heading、dist、vel分别做归一化，然后通过目标函数g(v,ω)中筛选出t+1时刻的最优速度。为了保证整个目标函数，假设移动机器人t时刻的加速度能够从0到任意大，线速度取[0，100]、角速度取[-50，50]，我们绘制了在此种情况下，t时刻的3d目标函数，如图2(b)所示，此时移动机器人位姿(x，y，θ)t＝(4.6833，5.7965，0.6807)，速度(v，ω)t＝(100，4)。对比图2(a)的速度空间图，可以看到图2(a)中黑色区域(碰撞速度)对应图2(b)的目标函数值等于0，表示不可达速度。非黑色区域的目标函数值大于0，表示可达速度，其值越高，对应的速度组合就越合理，值最高的点对应的速度即为最优速度，被选为t+1时刻机器人的执行速度。图2(a)中，vs表示整个速度空间，其范围是[-5050；0100]；vd是一个动态窗口，表示下一时刻即t+1时刻的可达速度，如图中黑色方框区域；va表示整个速度空间中去除黑色区域的部分即灰色小点和白色部分，vr是所有区域相交得到的灰色区域，表示t+1时刻可行速度。实施例二：验证速度项权值γ为低权值时移动机器人距离障碍物的远近对速度优化的影响图1是本发明的实施例中的实验仿真环境地图，图3(a)是本发明的实施例二中的移动机器人离障碍物较远时目标函数3d示意图；图3(b)是本发明的实施例中实施例二中的移动机器人离障碍物较近时目标函数3d图。图3(a)是本发明的实施例二中的移动机器人离障碍物较远时目标函数3d示意图，图3(b)是本发明的实施例中实施例二中的移动机器人离障碍物较近时目标函数3d图。当移动机器人离障碍物较远时如图1中的a1，γ＝2，机器人位姿(x，y，θ)t＝(4.6833，5.7965，0.6807)，速度(v，ω)t＝(100,4)，同时考虑移动机器人加速度约束情况下，dwa算法得到的目标函数如图3(a)所示。图3(a)中凸起区域是动态窗口区域(在图2(b)中依据当前速度和加速度截取一个窗口，两幅图函数值大小不同，因为图2(b)中使用整个速度空间中所有速度做归一化，而图3(a)中只使用速度窗口中的速度做归一化)，表示t+1时刻的可达速度，其中包含备选速度和碰撞速度，该备选速度的函数值大于0，该碰撞速度的函数值等于0，当动态窗口不接触x、y轴时，域中心点就是t时刻的机器人实际速度；非凸起区域是动态窗口之外区域，表示t+1时刻不可达速度，其函数值小于0。设t时刻的线速度为100，动态速度窗口中的线速度、角速度范围分别是(96，100)和(-4，12)，备选速度中最大函数值对应的(v，ω)即为最优速度如图3(a)中黑点所示，函数值为0.7462，对应速度为(96，4)，即vt+1<vt，并将其选为t+1时刻的执行速度。vt+1＝96，从图3(a)中可以看出最优的线速度是动态窗口中最低线速度。由此可得，速度权值γ低且移动机器人离障碍物远时，t+1时刻的最优结果获得了动态速度窗口中的较低线速度。当t时刻移动机器人离障碍物较近时如图1中的a2，γ＝2，并且机器人位姿(x，y，θ)t＝(5.5357，6.5348，0.7505)，速度(v，ω)t＝(48，2)，得到一个动态窗口目标函数，如图3(b)所示。优化后得到的t+1时刻最优速度是(44，2)，即vt+1<vt。由此可得，当速度权值γ低且移动机器人离障碍物较近时，t+1时刻的最优线速度是当前窗口中较低线速度。实施例三：速度权值γ高时原dwa优化实验图4(a)是本发明的实施例中实施例三中的移动机器人离障碍物较远时目标函数3d图，图4(b)是本发明的实施例中实施例三中的移动机器人离障碍物较近时目标函数3d图。当t时刻移动机器人离障碍物较远时如图1中的a1，γ＝20，移动机器人位姿(x，y，θ)t＝(4.6833，5.7965，0.6807)，速度(v，ω)t＝(100，4)，dwa得到的目标函数如图4(a)所示。优化后的t+1时刻最优速度是(100，4)，即vt+1＝vt，也是移动机器人最高线速度。由此可得，当速度权值γ高且移动机器人离障碍物较近时，t+1时刻的最优线速度是当前窗口中较高线速度。当t时刻移动机器人离障碍物较近时如图1中的a2，γ＝20，移动机器人位姿(x，y，θ)t＝(5.5357，6.5348，0.7505)，速度(v，ω)t＝(48，2)，得到的动态窗口目标函数如图4(b)中所示。优化后得到的t+1时刻最优速度是(52，2)，即vt+1>vt。由此可见，速度权值高且移动机器人离障碍物较近时，得到t+1时刻最优线速度是当前窗口中较高的线速度。实施例四：基于速度权值的动态变化的自适应dwa优化实验图5(a)是本发明的实施例中实施例四中的距离障碍物较远时基于动态速度权值的目标函数3d图；图5(b)是本发明的实施例中实施例四中的距离障碍物较远时基于动态速度权值的目标函数3d图。当t时刻移动机器人距离障碍物较远时如图1中的a1，γ为动态权值时，移动机器人位姿(x，y，θ)t＝(4.6833，5.7965，0.6807)，速度(v，ω)t＝(100，4)，同时考虑移动机器人加速度限制的情况下，自适应动态窗口法得到的目标函数如图5(a)所示。优化后的t+1时刻最优速度是(100,4)，即vt+1＝vt，为窗口中最高线速度，也是移动机器人最高线速度。因此，当采用动态权值γd且移动机器人离障碍物远时，t+1时刻最优速度的线速度是当前窗口中较高的线速度。当t时刻移动机器人离障碍物较近时如图1中的a2，γ＝γd，γd∈[220]，机器人位姿(x，y，θ)t＝(5.5357，6.5348，0.7505)，速度(v，ω)t＝(48，2)，得到的动态窗口目标函数如图5(b)所示。优化后得到的t+1时刻最优速度是(44，2)，即vt+1<vt。由此可见，当采用动态权值γd且移动机器人离障碍物近时，t+1时刻的最优线速度是当前窗口中较低的线速度。为更加清晰地显示算法改进前后的对比效果，我们将γ分别为低、高和动态三种情况的目标函数优化结果列入表1中。表1不同速度权值对比效果实施例五：动态权值γd函数参数选择图6(a)是本发明的实施例中实施例五中的预设指数为0.5的轨迹图，图6(b)是本发明的实施例中实施例五中的预设指数为1的轨迹图，图6(c)是本发明的实施例中实施例五中的预设指数为1.5的轨迹图，图6(c)是本发明的实施例中实施例五中的预设指数为2的轨迹图。为了选取目标函数中合适的k与b值，设m＝k·(dmin/dscale)b，p＝dmin/dscale，则m＝k·pb，上式中b为自变量，m为因变量。令m1＝f(b1)，m2＝f(b2)，当0＜b1＜b2且p∈(0，1)，则m1＞m2，m是关于b的单调递减函数。当移动机器人接近障碍物，速度应较低，因此速度权值需减小，对应的m值应该较小，则α应该较大，但是当α大于一定值时，会造成动态权值γd过小，从而导致在接近障碍物时速度过低，整个运行时间过长，从而影响移动机器人效率，因此a需要在一个合理的范围内。为简单起见，设k＝1，b﹥0，b分别取不同的值进行对比实验如图6所示。图6(a)是在k＝1、b＝0.5得到的轨迹图。从图中可以看出，此时运行步数少为149步、时间短只有15.1779秒。但是在狭窄通道a处，机器人过于靠近一侧障碍物，安全性较低。图6(b)是在k＝1、b＝1时得到的轨迹图。从图中可以看出，此时运行步数为155步，较图6(a)增大、时间变长有15.7823秒。且在狭窄通道a处，移动机器人靠近一侧障碍物，安全性也不是很好，但是比图6(a)情况好一些。图6(c)是在k＝1、b＝1.5时得到的轨迹图。从图中可以看出，此时运行步数为173步，比图6(b)多、时间变长有17.6023秒。但是在狭窄通道a处，移动机器人路径较优，安全性高。图6(d)是在k＝1、b＝2时得到的轨迹图。从图中可以看出，此时运行步数为189步，比图6(c)增多、时间变长有19.2523秒。在狭窄通道a处，移动机器人路径合理，与图6(c)中的a处轨迹几乎相同，安全性没有进一步提高，说明图6(c)中安全性已经足够好。因此，当a大于一定程度，安全性已经很好，但是移动机器人运行步数和时间却大大提高，降低了算法的有效性。为得到定量的对比，我们设定k＝1，1≤b≤1.6，做了7组实验，列入表2中。表2不同b时的实验对比(k＝1)b＝1b＝1.1b＝1.2b＝1.3b＝1.4b＝1.5b＝1.6步数155155162165170173176距离(米)13.61613.63213.67213.68413.69613.68613.672时间(秒)15.782315.781916.486716.789917.296717.602317.9098安全性差不好较好好优秀优秀优秀从表2中可以得出，当b<1.1时，速度性虽然好，但安全性很差；随着b逐渐变大，速度性下降，但安全性得到提高；当b≥1.5时，安全性已经不能提高，但速度性却降低，因此b的较合理的取值范围为[1.3,1.5]。实施例六：算法改进前后避障效果对比图7(a)是本发明的实施例中实施例六中的固定高权值的运行轨迹图，图7(b)是本发明的实施例中实施例六中的固定低权值的运行轨迹图，图7(c)是本发明的实施例中实施例六中的动态权值时运行轨迹图，图7(d)是本发明的实施例中实施例六中的不同权值轨迹对比图。改善基于固定权值的原dwa方法在安全性和速度性不能同时兼顾的问题。如图7(a)所示，目标函数速度项的权值γ＝20时，移动机器人运行轨迹图，整个轨迹长度13.592米，运行步数为148步，其中从t时刻到t+1时刻的优化过程为一步，时间为15.0778秒。在通过狭窄通道a处移动机器人过于接近障碍物，安全性较低。如图7(b)所示，目标函数速度权值γ＝2时，移动机器人运行轨迹图，整个轨迹长度13.646米，运行步数为223步，时间为22.5875秒，步数和时间远高于高权值γ＝20时的运行时间。但是在通过狭窄通道a处移动机器人从障碍物中间通过，安全性较高。当采用动态的速度权值时，移动机器人运行轨迹如图7(c)所示，整个轨迹长度13.686米，运行步数为173步，时间为17.6023秒。和图7(a)对比，保证了较高的速度，同时在狭窄通道a处移动机器人从障碍物中间通过，路径安全性高。和图7(b)对比，兼顾了安全性的同时，运行步数、时间都得到降低。图7(d)是三种不同权值的运行轨迹图，其中γ＝2时与γ＝γd时机器人路径几乎重合，路径合理。将以上实验结果汇总到表3：表3算法改进前后数据对比实施例七：算法改进前后的轨迹对比图8(a)是本发明的实施例中实施例七中的移动机器人沿密集障碍物区域外部绕行图，图8(b)是本发明的实施例中实施例七中的移动机器人局部轨迹不平滑图，图8(c)是本发明的实施例中实施例七中的基于自适应dwa方法的轨迹图。如图图8(a)、图8(b)和图8(c)所示，对比图8(c)和图8(a)、图8(b)可以看出，算法改进后，相同环境下，移动机器人可以实现从密集障碍物区域之间穿行，且轨迹非常平滑。不再出现图8(a)和图8(b)中移动机器人路径不平滑、环绕障碍物外围运行的现象。与图8(b)对比，运行步数从224减少到176步，运行时间从22.7448秒减少到17.9053秒。实施例的作用与效果根据实施例一的图2(a)和图2(b)可以得知，非黑色区域的目标函数值大于0，表示可达速度，其值越高，对应的速度组合就越合理，值最高的点对应的速度即为最优速度，被选为t+1时刻机器人的执行速度。根据实施例二的图3(a)和图3(b)可以看出，当目标函数中速度项的权值γ较低时，不管移动机器人距离障碍物多远，t+1时刻最优速度的线速度是备选速度中较低的线速度。根据实施例三的图4(a)和图4(b)可以看出，当目标函数中速度项的权值γ较高时，不管移动机器人距离障碍物多远，t+1时刻最优线速度是备选速度中较高的线速度。根据实施例四的图5(a)和图5(b)可以看出，当速度权值为动态权值时，移动机器人离障碍物远时，得到t+1时刻最优线速度是备选速度中较高的线速度；而离障碍物近时，t+1时刻最优线速度是备选速度中较低的线速度。且从表1中可以清楚地看出：算法修改后，离障碍物较远时移动机器人选择窗口中的较高速，以提高速度性；离障碍物较近选择窗口中的较低速，以保证安全性。完全符合人的思维逻辑，根据不同环境，自适应地调整移动机器人运行中的速度和轨迹，同时保证了高速性和安全性。根据实施例五的表2中可以得出，当b<1.1时，速度性虽然好，但安全性很差；随着a逐渐变大，速度性下降，但安全性得到提高；当b≥1.5时，安全性已经不能提高，但速度性却降低，因此b的较合理的取值范围为[1.3,1.5]。根据实施例六的表3中可以看出，算法改进后，在相同安全性下，移动机器人从起始点到目标点运行的总体效率得到了明显提升，迭代次数降低了22.42％，总运行时间下降22.07％。根据实施例七的图8(a)、图8(b)和图8(c)中可以看出，算法改进后运行步数和运行时间都减少了，且运行轨迹平滑。实施例一至七所涉及的基于自适应动态窗口的移动机器人局部动态路径规划方法，因为所采用的改进的算法符合人的思维逻辑，能够根据不同环境，自适应地调整移动机器人运行中的速度和轨迹，所以同时保证了高速性和安全性。因为所采用的改进的算法在相同安全性下，移动机器人从起始点到目标点运行的总体效率得到了明显提升，所以运行步数和运行时间都减少了，且运行轨迹平滑。因此，本实施例的基于自适应动态窗口的移动机器人局部动态路径规划方法能够适应环境的动态变化，获得移动机器人的最佳运行时速度，且兼顾合理性、安全性和最优性。上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。当前第1页12