《移動機器人路徑規(guī)劃》由會員分享，可在線閱讀，更多相關(guān)《移動機器人路徑規(guī)劃（29頁珍藏版）》請在裝配圖網(wǎng)上搜索。
1、 演講者：呼進國 青 島 科 技 大 學(xué) 自 動 化 電 子 與 工 程 學(xué) 院 檢 測 技 術(shù) 與 自 動 化 裝 置 1.什 么 是 路 徑 規(guī) 劃2.路 徑 規(guī) 劃 的 常 用 方 法 3.人 工 勢 場 法 依據(jù)某種最優(yōu)準則，在工作空間中尋找一條從起始狀態(tài)到目標狀態(tài)的避開障礙物的最優(yōu)路徑。 1. 始于初始點止于目標點。2. 避障。3. 盡可能優(yōu)化的路徑。 2.1基于幾何構(gòu)造的方法（自由空間法）基本步驟：1.將機器人抽象為點，適當擴大障礙物的大小。2.構(gòu)造自由空間。 3.采用圖搜索算法如Dijkstra算法尋找最優(yōu)路徑。 2.11基于幾何構(gòu)造的常用算法可視圖法 Voronoi法 2.2柵
2、格法（1）圖中灰色區(qū)域為障礙物 2.2柵格法（2）圖中黃色的路線表示該算法得到的最優(yōu)路徑 2.2D*（dynamic A*)算法（3）美國火星探測器核心的尋路算法就是采用的D*算法 適合于動態(tài)路徑規(guī)劃 D*算法的思路可以推廣到改造自由空間法使其具有動態(tài)規(guī)劃功能 2.3智能化路徑規(guī)劃方法基于邏輯推理的路徑規(guī)劃方法基于模糊邏輯的路徑規(guī)劃方法基于強化學(xué)習(xí)的路徑規(guī)劃方法基于遺傳算法的路徑規(guī)劃方法基于神經(jīng)網(wǎng)絡(luò)的路徑規(guī)劃方法 2.31基于邏輯推理的路徑規(guī)劃方法1.定義一個狀態(tài)（state）集，該集合反映機器人通過傳感器測得的當前狀態(tài)。2.定義一個行為（action）集，該集合反映了機器人當前可以采取的動作
3、。3.確定從狀態(tài)到行為的映射關(guān)系。 2.32基于模糊邏輯的路徑規(guī)劃方法在基于邏輯推理的路徑規(guī)劃方法基礎(chǔ)進行改進：傳感器的一次測量值與多個狀態(tài)對應(yīng)，每個狀態(tài)有一個隸屬度對應(yīng)。根據(jù)模糊推理結(jié)果確定行為。 2.33基于強化學(xué)習(xí)的路徑規(guī)劃在基于邏輯推理的路徑規(guī)劃方法基礎(chǔ)進行改進：具有在線學(xué)習(xí)功能（通過Q學(xué)習(xí)算法實現(xiàn)） 2.34基于遺傳算法的路徑規(guī)劃（1）建模： 對2維路徑規(guī)劃問題，將待規(guī)劃的路徑看成是n個點組成的點集，除初始點和目標點外其余n-2個點（xi， yi ） i=2,3,4n-1都未知，共有2(n-2)個未知參數(shù)。 2.34基于遺傳算法的路徑規(guī)劃（2）1 12 2 22, 2, 3, 3,
4、1, 1 1 12 2min ( . ) ( ) ( ) n nl n n i i i i ii iE f x y x y x y L x x y y 優(yōu)化目標：約束：（xi， yi ）必須在障礙物外部。采用懲罰函數(shù)法轉(zhuǎn)化為無約束優(yōu)化問題進行處理： min l cE E wE (EC為懲罰項） 2.34基于遺傳算法的路徑規(guī)劃（3）遺傳算法具有全局尋優(yōu)性能，對上述無約束優(yōu)化問題可以得到全局最優(yōu)解。當然，其他的優(yōu)化算法同樣可以用于路徑規(guī)劃。 2.35基于神經(jīng)網(wǎng)絡(luò)的路徑規(guī)劃1.按照2.34的方法，轉(zhuǎn)化為優(yōu)化問題。2.用神經(jīng)網(wǎng)絡(luò)表示懲罰函數(shù)。3根據(jù)E遞減推導(dǎo)出相應(yīng)的反向傳播算法用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練.優(yōu)勢
5、：神經(jīng)元可以并行計算 2.4人工勢場法基本原理障礙物對機器人施加排斥力，目標點對機器人施加吸引力合力形成勢場，機器人移動就像球從山上滾下來一樣機器人在合力作用下向目標點移動 3.人工勢場法 3.1人工勢場法的基本原理（2.4） 3.2人工勢場法的實用算法 3.3人工勢場法的改進算法 3.2人工勢場法的實用算法 3.21非點形障礙物問題普通的障礙物的形狀不是一個點，如何確定一個障礙物對機器人的排斥力呢？方案1：計算障礙物內(nèi)所有點斥力的合力。方案2：用離障礙物最近的點進行計算。方案3： 3.22死鎖（dead lock）現(xiàn)象（1）如何克服死鎖現(xiàn)象： 死鎖現(xiàn)象的實質(zhì)是落入局部極值，全局優(yōu)化算法可以避
6、免落入局部極值。 3.22死鎖（dead lock）現(xiàn)象（2）避免死鎖的改進算法： APF與隨機采樣相結(jié)合如RPP算法 APF與遺傳算法（GA）相結(jié)合 APF與其他全局優(yōu)化算法相結(jié)合：如：粒群算法，蟻群算法，模擬退火法，附加動量法等。 3.23GNRON問題： 障礙物與目標點過于接近引起斥力場和引力場同時存在而阻礙到達目標點的現(xiàn)象。解決方案： 3.24移動機器人為多面體的情況方案1：一般情況下，可以將機器人作為點，適當擴大障礙物來進行研究。方案2：對多面體每個頂點計算排斥力和吸引力，障礙物對機器人的排斥力是對所有頂點排斥力的合力。 3.3人工勢場法的改進算法（1）主要是針對死鎖問題進行改進RP
7、P算法(APF與隨機采樣相結(jié)合）的原理： 1.開始時執(zhí)行Descend模式 2.如果沒有出現(xiàn)死鎖則成功，否則執(zhí)行Escape模式 3.如果Escape模式失敗，執(zhí)行Backtrack模式 3.3人工勢場法的改進算法（2）一種APF與GA相結(jié)合的算法： 在基于GA的路徑規(guī)劃算法（2.34）中介紹了GA如何用于路徑規(guī)劃，但是這種算法存在著計算量(n) 與路徑規(guī)劃的質(zhì)量之間的矛盾。采用APF與GA結(jié)合的算法可以取較小的n獲得滿意的效果并且避免死鎖。 3.3人工勢場法的改進算法（2） APF與GA相結(jié)合的算法原理：1.選取初始可行種群，每個種群中具有n-2個參數(shù)（xi， yi ） （2.34）。2. 每一個種群中,在相鄰兩個點（xi， yi ）和（xi+1， yi+1 ）之間利用APF得到一條連接這兩個點的無碰撞路徑。對于一個種群來說，就可以得到從起始點到目標點的無碰撞路徑。3.計算每個種群對應(yīng)的路徑的長度作為適配度，對（xi， y i ）進行交叉、變異、選擇運算得到新的n-2個參數(shù)。4.重復(fù)上述步驟直至結(jié)束。 3.3人工勢場法的改進算法（2）交叉前：交叉后：
移動機器人路徑規(guī)劃
