在这项研究中,提出了一种平滑的路径规划的新方法应用于基于贝塞尔曲线和冗余节点的解决问题和峰值拐点在路径规划过程中传统的算法。首先,遗传操作是用来获得贝塞尔曲线的控制点。第二,选择较短路径的优化准则,贝塞尔曲线的长度是由控制点。最后,一个安全的距离和自适应惩罚因子引入适应度函数以确保机器人的行走过程的安全。许多实验中实现两个不同的环境,与现有的方法相比。证明了该方法是更有效的生成一个短,平滑,与传统方法相比更安全的道路。
路径规划是移动机器人领域的一个重要研究方向,是研究的一个主要困难等机器人(
近年来,遗传算法(GA)已广泛应用于移动机器人路径规划问题,因为其伟大的全局优化能力和隐式并行计算特点(
最近,贝塞尔曲线应用于光滑的路径规划(见[
尽管如此,仍有许多困难在规划平稳安全的路径移动机器人用上面提到的方法。因此,本文旨在提出一种新的平滑路径规划方法处理冗余节点和拐点在路径规划过程中达到顶峰。首先,遗传算子用于获得贝塞尔曲线的控制点,确保顺利连续性的路径。第二,贝塞尔曲线的长度选择的优化准则,以确保计划的最短长度路径。第三,通过增加安全距离和适应度函数的自适应惩罚因子,机器人行走过程的安全保证。最后,实验结果说明该方法可以产生更短,更流畅,更安全有效的路径比现有的方法(例如,
本文的其余部分组织如下。介绍了贝塞尔曲线部分
贝塞尔曲线是连续光滑的曲线是由几个功能点,控制一个起点和一个终点。贝塞尔曲线的高阶导数连续性保证曲线的平滑变化从起点到终点(
给定一个曲线<我talic>
米我talic>控制点,<我nline-formula>
根据方程(
因此,在二维平面上,贝塞尔曲线的曲率对<我talic>
t我talic>可以表示成
一般来说,传统的路径规划算法会产生很多尖锐拐点和冗余节点,如图
路径规划。(一)传统的路径规划;(b)贝塞尔曲线路径规划;(c)路径规划方法的比较。
在这项研究中,遗传算子和贝塞尔曲线相结合找到一个平稳和安全的移动机器人的路径。首先,遗传算子应用于寻找贝塞尔曲线的控制点;然后,安全距离和自适应调整因素被添加到适应度函数来评估计划的贝塞尔曲线路径的安全。最后,确定最短路径根据所有计划的贝塞尔曲线路径的长度。提议的方法的要点如下所述。
路径规划问题通常被称为寻找从起始点到目标点的无碰撞路径按照一定的评价指标。具体地说,整个计划路径从起点到终点必须最短的和无碰撞。这个问题在数学上可以定义如下:
方程(
在这里,<我nline-formula>
染色体遗传操作(即前需要编码。,the chromosome is the control point sequence of the Bezier curve). Common encoding methods include binary encoding and decimal encoding. Binary coding uses strings of 0 or 1 to form a chromosome, which has the advantages of simple operation and easy decoding. Therefore, the chromosome of this paper is encoded in binary.
所有控制点都定义在工作区中网格的中心。从网格数字坐标转换值表示为
虽然可以保证当路径长度最短路径被认为是主要的标准,可能会存在一些问题造成的碰撞小机器人和障碍物之间的距离。因此,本章提出了一种safety-assurance-based适应度函数增加安全距离通过引入一种自适应惩罚因子,这是表示如下:
在这项研究中,引入遗传操作贝塞尔曲线找到控制点。有三个遗传算子:选择算子、交叉算子和变异算子。
选择算子实现路径的选择运用不同的选择策略根据健身价值。选择方法是轮盘赌法、锦标赛法等。本文采用轮盘赌选择路径的方法。假设的路径长度<我nline-formula>
交叉操作的特点,结合两个父染色体产生两个后代。根据交叉概率,两条染色体的基因交换随机生成的交叉点。本文采用单点交叉,如图
单点交叉操作,交叉(7、8)是一个交叉点。(一)控制点前;穿越后(b)控制点。
介绍了变异算子增加解的多样性。它改变了基因变异的任何扣除的一部分开始点和结束点的染色体,它避免了造成的过早收敛算法陷入局部最优解的过程。在这篇文章中,变异算子的概率设置为0.1,可以保证算法的稳定性的解决方案的过程。
在本节中,以验证该算法的可行性和有效性,验证了移动机器人的路径规划在两个不同的网格环境中,如图
路径规划环境:(a)环境1;2 (b)环境。
在实验中,传统的蚁群优化(ACO),传统的遗传算法(GA),蚁群优化与遗传算法相结合(ACO-GA),人工鱼群算法(ASFA-GA),贝塞尔曲线平滑算法(BCA)和贝塞尔曲线平滑算法增加了安全距离(BCA-Q)采用环境1中进行实验。图
环境1中路径规划仿真结果。(一)路径规划算法;(b)由遗传算法路径规划;(c)由ACO-GA路径规划;由ASFA-GA (d)路径规划;由BCA (e)路径规划;由BCA-Q (f)路径规划。
环境的路径规划数据1。
| 路径规划算法 | 规划路径长度 | 仿真时间消耗(s) | ||||
|---|---|---|---|---|---|---|
| 最低 | 最大 | 平均 | 最低 | 最大 | 平均 | |
| 华 | ||||||
| 遗传算法 | ||||||
| ACO-GA | ||||||
| ASFA-GA | ||||||
| BCA | ||||||
| BCA-Q | ||||||
结合图
运行时间而言,表
为了验证该算法的性能,一个复杂的网格环境<我nline-formula>
环境2中路径规划仿真结果。(一)路径规划算法;(b)由遗传算法路径规划;(c)由ACO-GA路径规划;由ASFA-GA (d)路径规划;由BCA (e)路径规划;由BCA-Q (f)路径规划。
路径规划统计环境2。
| 路径规划算法 | 规划路径长度 | 仿真时间消耗(s) | ||||
|---|---|---|---|---|---|---|
| 最低 | 最大 | 平均 | 最低 | 最大 | 平均 | |
| 华 | ||||||
| 遗传算法 | ||||||
| ACO-GA | ||||||
| ASFA-GA | ||||||
| BCA | ||||||
| BCA-Q | ||||||
基于图的分析
在本文中,一种新的平滑路径规划方法相结合提出了遗传算子和贝塞尔曲线为移动机器人。首先,贝塞尔曲线的控制点是由遗传操作,和贝塞尔曲线的平滑特性被用来使规划路径平滑和更一致,减少了能量损失在机器人运动。第二,安全距离是添加到适应度函数和可以动态调整路径和障碍之间的距离,确保安全、高效的机器人。最后,仿真结果表明,该算法是有效的在寻找一个最优路径;这个最优路径短,流畅,比传统算法获得的安全。然而,仿真时间增加。这是因为改进算法更加关注质量的解决方案的过程中路径规划。仍然存在各种各样的有意义的课题需要解决,例如如何选择最合适的数量的连续贝塞尔曲线的控制点,如何将该算法应用到更复杂的实际环境(如房间或其他特殊环境),以及如何提高计算效率和更多的控制点。
使用的数据来支持本研究的结果包括在本文中。本文列出了所有必需的模型和参数。
作者宣称没有利益冲突有关的出版。
这部分工作是支持中国国家重点研发项目授予2016年yfe0104600和河南省的科技项目拨款172102410071下的中国。