机器人路径规划算法研究

谢强帅 胡焱程

【摘 要】随着科学技术的发展和生活水平的提高，智能移动物体（移动机器人）逐渐融入人们的日常生活，如家居扫地机器人、导购机器人等。智能移动对象可以根据一定的性能指标，如花费的时间最少、走的路径最短等，来搜索从起点到目标点的最优或次优无冲突路径。路径规划是研究这类机器人的核心，许多研究者对移动机器人的路径规划做了大量的研究。

【关键词】机器人;路径规划;算法

引言

路径规划是机器人设计中最基本、最重要的因素之一，因此对其算法的研究尤为重要。本文对传统路径规划算法和智能路径规划算法进行了详细的研究，并用MATLAB软件进行了算法仿真实验，验证了解决路径规划问题的可行性。最后，通过对两种算法的比较和分析，确定最优算法。

1、机器人传统路径规划算法

1.1障碍物分类

传统的机器人设计路径规划策略需要首先对环境中的障碍物进行分类，然后根据不同类型的障碍物设计相应的路径规划策略。在特定环境下，机器人测距传感器实时采集障碍物信息。

1.2路径规划策略分析

在特定环境中，可能存在多种类型的障碍，但这些障碍可分为上述四种基本类型的一种或多种组合。因此，必须分别分析每一类基本障碍的路径规划战略。当机器人没有检测到四个方向上的障碍物时，它没有路径规划行为，机器人直走。规划机器人的路径时，为了避免与障碍物相碰撞，必须保持机器人与障碍物之间的一定距离，即安全距离。安全距离太小，机器人无法进入路径规划模式并与障碍物相碰撞，导致路径规划失败。安全距离选择大会是为了使机器人提前转向，最终远离目标点。因此，在分析路径规划策略之前，必须确定机器人的安全距离。因此，分叉中心是机器人底盘的几何中心。从底盘几何中心到履带顶部的距离约为200mm，这是最可能与障碍物相碰撞的危险点。由于停车过程中的惯性，机器人继续前进大约50毫米的距离，这是经过多次试验后测量出来的。出于安全考虑，机器人的安全距离被选择为300mm。

1.3算法分类

蚁群算法、机器人传统路径规划算法、基于遗传算法的机器人路径规划

2、路径规划问题

2.1全局路径规划问题

在全局环境中，自主移动自动机使用预先存储的全局静态环境信息来计划从指定起点到目标点的最短无接触路径。此时，机器人在全局调度模式下工作，工作模式转换方案。自动机在全局计划模式下工作，当在安全区域中检测到移动对象时，自动机会执行一系列计算以确定是否需要更改操作模式。当自动机穿过碰撞区域而安全区域中没有其他对象移动时，它将返回到全局调度模式.

2.2局部路径规划问题

现实环境中有很多运动物体，比如人在环境中行走，大部分运动物体都是以恒定的最大运行速度跟随直线运动，不会主动避开其他障碍物。机器人在检测到安全范围内的运动物体时，会预测其运动路径，例如计算其速度、方向和未来的运动路径，并根据计算结果选择合适的工作模式。

3、移动机器人路径规划算法研究

3.1移动机器人路径规划评估

关于路径规划的讨论从以下几点开始：（1）如果可以找到最佳路径，则必须有实现这一点的智能算法。可以看出道路搜索算法非常重要（2）所用算法可随时对自己的轨迹进行自适应调整，以适应外部环境的变化。同时，不需要重新计算所用的数据和算法，也不需要太复杂或占用太多内存，从而大大提高了机器人的工作效率。（3）使用路径规划应能使机器人准确地描述地形，以避免各种问题。（4）路径规划后得到的路径应为最优路径。（5）移动机器人必须完全和部分约束在最佳路径上。

3.2移动机器人的路径规划特征

移动机器人所处的环境因素通常很复杂，可归纳如下：（1）随机：由于环境中的某些随机和不确定因素，复杂性和可变性各不相同。如果障碍物形状不明，当移动机器人处于这种环境中时，会有很大的不确定性，可能会影响移动机器人的安全。（2）多重指标：在规划路径时必须考虑到许多影响因素。在许多情况下，您需要同时满足最短路径、最佳时间和最大安全性的要求。（3）复杂性：移动机器人所处的环境往往是动态和不稳定的，使得计算非常不确定和复杂。计算的规模使路径规划过程变得不那么容易。（4）多重约束：实际上，移动机器人也有许多物理约束，如体积和速度、加速度和最大转弯角度。航迹规划是各种研究人员研究的移动机器人不可避免的困难和热点。无论是传统算法还是结合仿生学的一套算法，对智能算法的深入研究都产生了许多实际结果，各种算法的应用方案都很有限，而且通常都在它们能够适应的环境中使用。

3.3移动机器人路径规划算法性能分析

通过分析最常见的算法类型，可以得出以下结论：（1）a*算法和遗传算法等算法可应用于总体规划。（2）另一方面，人工动态场法可保持与障碍物的安全距离，路径平稳。（3）与其他算法相比，星a算法结构简单。（4）类似的神经模糊算法是较为复杂的算法类型。本文以算法A*为研究对象，并通过相应的仿真试验进一步弥补了传统算法A*本身的不足，以验证。

4、三种算法对比分析

使用智能算法规划机器人路径时，往往不是没有要求，要附加路径距离更短、算法搜索效率更高或算法稳定性更强等限制。MATLAB只对蚁群算法和遗传算法进行仿真，验证了蚁群算法和遗传算法解决路径规划问题的可行性。下面将从最短路径长度和最优路径比两个方面对两种智能路径规划算法进行比较和分析。

遗传算法得到的路径比蚁群算法短，说明遗传算法更智能;在获得最优路径比方面，遗传算法远高于蚁群算法，说明遗传算法具有更好的搜索稳定性。与蚁群算法相比，遗传算法更加智能和稳定，因此选择遗传算法来解决机器人路径规划问题。根据设计要求，机器人应具有路径规划功能，并可应用遗传算法解决机器人自主运动过程中的路径规划问题。

自动机首先向上级机器发送定位请求，由定位系统对自动机的当前位置和位置进行初始标识。获得机器人位置和位置信息后，调用遗传算法规划全局路径，分析规划结果，调用机器人操作程序，通过获取起点、目标点和障碍物等信息开始控制机器人的运动。如果自动机检测到障碍物，它将进入障碍物处理程序并确定自动机是否已到达目标点。如果是，则路径规划任务已完成。否则，您必须重新定位自动机制位置资讯，并遵循上述程序，直到到达目标点为止。要实现基于遗传算法的智能路径规划，还需要能够获取环境信息的传感器，如视觉传感器和激光传感器，如果没有这些传感器，就暂时无法获取和处理环境信息。今后的研究将进一步提高机器人环境信息的获取和处理能力，以便根据遗传算法进行智能轨迹规划。因此，本文最终选择了传统的路径规划算法来解决机器人自主运动过程中的路径规划问题。

结束语

本文首先对传统的路径规划算法进行了详细介绍，然后简要介绍了智能路径规划算法的研究现状，分别阐述了蚁群算法和遗传算法的原理，并描述了利用这两种算法解决路径规划问题的过程。同时，利用MATLAB软件进行算法仿真实验，验证了蚁群算法和遗传算法解决路径规划问题的可行性。然后，从最短路径长度和最优路径比两个方面对两种算法进行了比较和分析。研究发现，遗传算法比蚁群算法更智能、更稳定。

参考文献：

[1]张柳.基于改进RRT的水下航行器路径规划算法[J].计算机产品与流通，2018（6）：1-3.

[2]杨锐锐，王颖.蚁群算法的基本原理及参数设置研究[J].南方农机，2018（13）：38-39.

[3]杨向文.移动机器人路径规划的研究[D].南昌：南昌大学，2020.

（作者單位：河南工学院）