基于蚁群算法的滑移预测路径规划研究

周兰凤 杨丽娜 方华

摘要： 月球车是搭载探测任务的可移动多功能机器人. 月球车在实际地形行驶中， 从起点到目标点之间除了选择最优路径， 还应该将地形、障碍物等影响因素考虑进去. 地形的主要影响因素是陡坡方向和陡坡坡度， 其他因素归类为滑移， 这些在很大程度上增加了路径规划的长度和时间复杂度， 更影响了其安全性. 而传统蚁群算法只是单纯地寻求路径规划中的最优解， 存在收敛速度慢、时间复杂度高、寻优能力不平衡等问题， 且没有考虑滑移、地形等因素， 应用在月球车预测路径规划问题中极易陷入局部最优解. 提出了基于三维栅格地形环境下融合坡度、坡向的滑移预测改进蚁群算法路径规划; 通过设置相同的信息素启发因子和信息素挥发系数， 改变滑移预测地形参数， 得到了基于滑移预测的综合代价函数， 改进了传统蚁群算法;分析了基于滑移预测的综合代价函数对改进蚁群算法路径长度、收敛速度、时间复杂度和迭代次数的影响.最后利用实验仿真数据结果验证了本文改進后的蚁群算法在滑移预测路径规划问题中有更高的有效性.

关键词： 地形坡度; 路径规划; 蚁群算法; 综合代价函数

中图分类号： TP391.9文献标志码： ADOI： 10.3969/j.issn.1000-5641.201921010

0 引言

文献[1] 针对路径规划的环境不同， 提出了基于模型的局部和全局路径规划， 做出的路径规划技术研究也是路径规划发展的方向. 全局路径规划是在已知的环境中， 给机器人规划一条路径， 路径规划的精度取决于环境获取的准确度. 全局路径规划可以找到最优解， 但是需要预先知道环境的准确信息， 当环境发生变化， 如出现未知障碍物时， 该方法就无能为力了. 而局部路径规划的环境信息完全未知或有部分可知， 侧重于考虑机器人当前的局部环境信息， 让机器人具有良好的避障能力. 通过传感器对机器人的工作环境进行探测， 以获取障碍物的位置和几何性质等信息， 这种规划需要搜集环境数据， 并且对该环境模型的动态更新能够随时进行校正.

应用在路径规划问题中的主要算法如A*算法[2]、遗传算法[3]、神经网络算法[4] 等， 都属于全局路径规划; 而局部路径规划所使用的主要算法如模糊逻辑控制法、人工势场法[5]、混合法等， 这些算法在二维环境中得到了很好的运用， 但是由于它们本身的特点和不足， 使得其在三维路径规划的问题上应用具有一定的限制.

蚁群算法的特点鲜明， 有着分布式的思维、自发组织且有反馈结果的性能， 在应用中有很强的鲁棒性. 文献[6] 就提出了传统蚁群算法应用在三维地形环境中路径规划长度较长、收敛速度较慢等缺点， 于是使用了一种改进蚁群算法， 它是基于梯度优化算法做的改进， 规避了初始信息元素缺乏的弊端. 文献[7] 则添加了拐点参数， 融入了不同期望值制度， 使算法系数具有自适应能力， 从而更新信息素， 综合评价路径. 文献[8] 也融合最优和最差两个极值解， 来增加全局变量的更新方法， 从而大大提高效率. 本文基于以上研究基础， 对蚁群算法中的启发式搜索进行了设计， 同时考虑到三维地形坡度和信息素的更新策略， 引入滑移信息的综合代价函数 ， 将加入地形因素的滑移预测综合通过性代价函数与传统蚁群算法中的适应函数融合， 得到改进蚁群算法. 最后用实验仿真结果对比分析其他算法的实验数据结果， 来证明其可行性和高效性.

1 蚁群算法概述

设蚁群中蚂蚁的个数为 ， 节点 与节点 之间的距离记作 ， 蚂蚁 在运动过程中根据路径的信息素浓度选择下一步的移动点， 初始时刻各个位置的路径信息素均为相同的常数， 在某一时刻 ， 蚂蚁 从节点 到节点 的选择概率的计算公式为