一种未知动态环境下的移动机器人路径规划方法
【技术领域】
[0001] 本发明涉及一种移动机器人的路径规划方法，尤其涉及一种在动态未知复杂环境 下的移动机器人路径规划方法。
【背景技术】
[0002] 随着技术的发展，移动机器人的应用范围越来越广泛。移动机器人开始逐渐从规 则的室内环境拓展到更复杂、特征不规则的室外非结构环境。路径规划是机器人导航技术 的重要环节，它是按照某一性能指标搜索一条从初始状态到目标状态的最优或近似最优的 无碰路径。
[0003] 常见的路径规划方法主要有人工势场法、A*算法、神经网络等。但这些方法对于 不同的实际问题总存在一定的缺陷。人工势场法存在局部最小点问题，会导致机器人无法 到达目标点。A*算法需要对环境的先验知识，当环境信息改变时，需要重新规划，计算量大。 一些神经网络模型仅能够处理静态环境，BP神经网络模型能够产生避障轨迹，但是需要学 习过程，速度较慢。Glasius提出了一种基于Hopfield网络的动态实时避障模型，能够解决 局部最小问题，但很难适应高速的动态环境。Simon X. Yang在Neural Network Approach to Dynamic Collision-Free Trajectory Generation 一文中提出的生物激励神经网络方 法为路劲规划提出了一种有效的解决方案，但在一定情况下会出现路径错判问题，且路径 不够平滑。
【发明内容】
[0004] 针对上述问题，本发明提出了一种新的动态未知环境下的路径规划方法，该方法 不需要实时动态环境的任何先验知识，计算量小，适用于未知动态环境下的路径规划。
[0005] -种未知动态环境下的移动机器人路径规划方法，包括以下几个步骤：
[0006] 步骤1 :构建栅格地图；
[0007] 以移动机器人的几何中心点为移动坐标系原点，移动机器人的指向为X轴的正方 向，建立移动坐标系；
[0008] 以移动机器人开始移动前所在位置为全局坐标系原点，移动机器人开始移动前的 指向为X轴的正方向，建立全局坐标系；
[0009] 将全局坐标系按照设定的规划精度p转化为栅格地图，所述栅格地图中每个栅格 的长和宽分别为Δχ = ρ和Ay = p;
[0010] p取值范围为〇· Im到0· 3m ;
[0011] 将移动机器人所在工作环境中的已知的静态障碍物、目标点以及移动机器人当前 位置在全局坐标系中的坐标转化为栅格地图坐标表示r
[0012] 其中，（X*，y*)表示在物体在全局坐标系中的坐标；
[0013] 步骤2 :将栅格地图中的每个坐标点作为一个神经元，并初始化每个神经元的活 性值为O ;
[0014] 步骤3:判断移动机器人当前所在位置是否与目标点位置相同，若相同，则当前路 径规划结束；否则，进入步骤4 ;
[0015] 步骤4 :读取声纳测距数据，并更新神经元活性值；
[0016] 间隔时间T读取一次移动机器人上的声纳传感器所采集的工作环境中障碍物的 测距数据，并依据测距数据获取障碍物的全局坐标系坐标，并将全局坐标系中每个坐标对 应的神经元的活性值X i按照以下公式更新：
[0018] 其中，X1是第i个神经元的活性值；A表示衰减率，取值范围为[8, 15] ;B和D分别 为神经元活性值的上界和下界，取值分别为1和-1 ;
[0019] 间隔时间T的取值范围为（0, Is];
[0020] I1表示第i个神经元的外部输入：
[0021] 如果第i个神经元对应的坐标位置为目标点位置，则I1= E ;
[0022] 如果第i个神经元对应的坐标位置为障碍物位置，则I1 = -E ;
[0023] 其他情况下，I1= 0 ;
[0024] E为外部输入常数，取大于或等于80的整数；
[0025] S1表示第i个神经元的激励输入，其取值依据第i个神经元是否处于障碍物之间 确定：
[0026] 当第i个神经元对应的坐标位置处于障碍物之间时：
[0028] 当第i个神经元对应的坐标位置处于障碍物之间时：
(Iu表示两个神经元q ;和q 之间的欧式距离，μ。表示距离常数，取值范围为（0.2, 1.2]表示第i个神经元对应的坐 标位置的第j个相邻点对应的神经元活性值；η1表示第i个神经元对应的坐标位置的相邻 点个数，移动机器人所有可能的下一个位置点称为相邻点； <.为第i个神经元对应的坐标 位置的相邻点中对应的神经元活性值大于〇的点的个数，<为第i个神经元对应的坐标位 置的相邻点中对应的神经元活性值小于〇的点的个数；
[0031] 步骤5 :依据更新的神经元活性值和最小转角，对移动机器人的下一个移动位置 进行决策，得到下一个移动位置；
[0032] 步骤6 :移动机器人按照步骤5获取的位置前进，返回步骤3。
[0033] 所述步骤5中下一个移动位置决策按照以下公式确定：
[0035] 其中，^表示机器人可能移动到的下一个位置，即相邻点中的一个，％"代表相邻 点qn的活性值；
[0036] 【栅格地图中每个坐标位置对应的神经元活性值为已知，根据已知活性值的神经 元，任意选取对应的坐标位置作为下一个移动位置；】
[0037] c表示权重因子，取值范围为[0. 3, 3]，^表示转角影响因子，
[0039] 其中，·<和< 分别为第i个神经元对应的坐标位置的第j个相邻点q]的在栅格地 图中的横坐标和纵坐标，<和分别为第i个神经元对应的坐标位置所在当前位置点q。在 栅格地图中的横坐标和纵坐标，Y和少1_分别为第i个神经元对应的坐标位置所在上一个位 置点qp在栅格地图中的横坐标和纵坐标。
[0040] 所述移动机器人上安装的声纳传感器的安装角度为α时，探测到前方距离为d的 位置有障碍物时，令移动机器人在全局坐标系中的方向角度为S 1^全局坐标为（X P 3〇、，则 障碍物在栅格地图中的坐标为
[0041] 机器人的指向与全局坐标系X轴正方向的夹角，范围是+180度到-179度；
[0042] 所述外部输入常数A取值为10。该常数的大小对神经元活性值的分布有着决定性 的作用，当A取值过小（小于3)会导致活性值迅速饱和，路径规划效果不好；当A取值过大 (大于20)时，会导致机器人跟踪目标运动轨迹的效果不好。
[0043] 所述权重因子c取值为1。取值为1时，路径规划效果较好，当c取值大于1时，转 角因素的比重偏大，导致路径的误决策；当取值小于1时，转角因素所占比重偏小，路径点 平滑度比较低。
[0044] 距离常数μ。取值为1。该常数对神经元活性值的分布有重要作用，当该值取得过 小（小于〇. 2)时，会影响正的活性值的传播，当该值取得过大时（大于1. 5)，会导致活性值 迅速饱和，有可能使机器人无法抵达目标点。
[0045] 有益效果
[0046] 本发明提供了一种未知动态环境下的移动机器人路径规划方法，该方法将每个位 置转化为一个神经元，利用神经元的活性值来表征环境变化，巧妙的利用生物激励神经网 络模型来模拟动态环境；生物激励神经网络模型保证了正的神经元活性值能够向外传播并 影响整个状态空间，而负的神经元活性值只作用在局部。目标点和障碍物的神经元活性值 分别处在波峰和波谷处，因此，目标点通过神经元活性值在整个状态空间中的传播吸引机 器人，而障碍物只能够在局部排斥机器人，不存在极小点问题。在边界附近和障碍物之间的 点进行特殊处理，加入假想的非障碍物临近点，能够有效地解决路径错判问题。同时考虑活 性值最大和转角最小因素能够有效地保证路径的长度最短且减小转向次数，大大提高了路 径质量。
[0047] 该方法能够应用在环境信息部分未知或完全未知且存在静态和动态障碍物的情 况下，在下一个位置点的决策中同时包含了神经元活性值最大和机器人转角最小因素，得 到的路径不仅最短或接近最短，且路径平滑，转弯较少。本方法没有局部最小点问题，计算 量小，实现简单，在动态未知环境下有很好的适应性。
【附图说明】
[0048] 图1是该方法的流程图；
[0049] 图2机器人内部坐标系
[0050] 图3是声纳安装角度示意图；
[0051] 图4是障碍物之间的临近点示意图，没有边界外的临近点；
[0052] 图5是障碍物之间的临近点示意图，有边界外的临近点；
[0053] 图6是非障碍物之间的临近点示意图，没有边界外的临近点；
[0054] 图7是非障碍物之间的临近点示意图，有边界外的临近点；
[0055] 图8是该方法在U型障碍物中的生成路径；
[0056] 图9是该方法在未知动态环境下的生成路径。
【具体实施方式】
[0057] 下面将结合附图和实施例对本发明作进一步的说明。
[0058] 如图1所示，为本发明所述方法的流程图，一种未知动态环境下的移动机器人路 径规划方法，包括以下几个步骤：
[0059] 步骤1 :构建栅格地图；
[0060] 以移动机器人的几何中心点为移动坐标系原点，移动机器人的指向为X轴的正方 向，建立移动坐标系，如图2所示；
[0061] 以移动机器人开始移动前所在位置为全局坐标系原点，移动机器人开始移动前的 指向为X轴的正方向，建立全局坐标系；
[0062] 将全局坐标系按照设定的规划精度p转化为栅格地图，所述栅格地图中每个栅格 的长和宽分别为Δχ = ρ和Ay = p;
[0063] p 取值为 0. 3m ;
[0064] 将移动机器人所在工作环境中的已知的静态障碍物、目标点以及移动机器人当前 位置在全局坐标系中的坐标转化为栅格地图坐标表示
[0065] 其中，（X*，y*)表示在物体在全局坐标系中的坐标；
[0066