机器人路径规划方法的研究进展与趋势

机器人路径规划方法的研究进展与趋势

朱明华,王霄,蔡兰

(江苏大学机械工程学院,江苏镇江212013)

摘要:对机器人路径规划的研究进行了概括和总结,阐述了机器人全局路径规划方法、局部路径规划方法及混合方法的研究现状、特点和主要成果,指出了其今后的发展方向及研究重点。

关键词:机器人;遗传算法;路径规划;粗糙集

中图分类号:T P242 文献标识码:A 文章编号:1001-3881(2006)3-005-4

R esearch P rogress and Future Develop m ent on Path P lanni n g for Robot

Z HU M inghua,WANG X iao,CA I Lan

(M echanical Eng i n eering Institute,Jiangsu Un i v ersity,Zhenjiang Jiangsu212013,China) Abstrac t:T he research of robo t pa t h plann i ng w as s umm arized,the research sta t us quo,character i stic and ma i n producti on of robo t g l obal path p l ann i ng m ethod,l oca l path p l ann i ng m ethod and hybr i d m ethod were expatiated,its deve l op m ent d irec tions and study f o cus w ere po i nted out.

K eyword s:R obot;G enetic a l gor it hm s;P ath p lann i ng;R ough set

路径规划技术是机器人研究领域中的一个重要分支,是机器人导航中最重要的任务之一。蒋新松在文献[1]中为路径规划作出了这样的定义:路径规划是自治式移动机器人的一个重要组成部分,它的任务就是在具有障碍物的环境内按照一定的评价标准,寻找一条从起始状态(包括位置和姿态)到达目标状态(包括位置和姿态)的无碰路径。障碍物在环境中的不同分布情况当然直接影响到规划的路径,而目标位置的确定则是由更高一级的任务分解模块提供的。目前,根据对环境的掌握情况,机器人的路径规划问题可以大致分为二大类:基于环境先验信息的全局路径规划;基于不确定环境的传感器信息的局部路径规划。

1 全局路径规划方法(G lobal Pat h Plann i n g)

依据已获取的全局环境信息,给机器人规划出一条从起点至终点的运动路径。规划路径的精确程度取决于获取环境信息的准确程度。全局路径规划规划方法通常可以寻找最优解,但需要预先知道准确的全局环境信息。通常该方法计算量大,实时性差,不能较好地适应动态非确定环境。基于环境建模的全局路径规划的方法主要有:自由空间法、构型空间法和栅格法等。

1 1 自由空间法(Free Space Approach)

自由空间法采用预先定义的如广义锥形[2]和凸多边形[3]等基本形状构造自由空间,并将自由空间表示为连通图,然后通过搜索连通图来进行路径规划,此方法比较灵活,即使起始点和目标点改变,也不必重构连通图,但是算法的复杂程度与障碍物的多少成正比,且不能保证任何情况下都能获得最短路径。因而该方法仅适用于路径精度要求不高,机器人速度不快的场合。按照划分自由空间方法的不同又可分为:凸区法、三角形法、广义锥法。

1 2 构型空间法

为了简化问题,通常将机器人缩小为一点,将其周围的障碍物按比例相应地进行拓展,使机器人在障碍物空间中能够任意移动而不与障碍物及其边界发生碰撞。目前研究比较成熟的有可视图法[4]和优化算法(如D ijkstra法[5]、A*搜索算法[6]等)。

1 2 1 可视图法(V-G r aph)

通过起始点和目标点及障碍物的顶点在内的一系列点来构造可视图。连接这些点使某点与其周围的某可视点相连,即要求机器人和障碍物各顶点之间、目标点和障碍物各顶点以及各障碍物顶点与顶点之间的连线均不能穿越障碍物,也即直线是可视的。从而搜索最优路径的问题就转化为经过这些可视直线从起始点到目标点的最短距离问题。

1 2 2 优化算法(Optm i ization A l gorit hm)

优化算法可以删除一些不必要的连线以简化可视图,从而缩短搜索时间,求得最短路径。但是,优化算法缺乏灵活性,一旦起点和目标点改变,就必须重构可视图,并且搜索效率也较低。

1 3 栅格法(Grids)

栅格法[7]将机器人的工作环境分解成一系列具有二值信息的网格单元,并假设工作空间中障碍物的位置和大小已知且在机器人运动过程中不会发生变化。用尺寸相同的栅格对机器人的二维工作空间进行规划,栅格大小以机器人自身的尺寸为准。若某一栅格范围内不含任何障碍物,则称此栅格为自由栅格;反之,称为障碍栅格。这样,自由空间和障碍物均可表示为栅格块的集成。栅格的表识方法有两种:直角坐标法和序号法。直角坐标法如图1所示,以栅格阵左上角为坐标原点,水平向右为X轴正方向,竖直向

下为Y轴正方向,每一栅格区间对应坐标轴上的一个单位长度。因此,区间上的栅格与直角坐标(x, y)一一对应;序号法如图2所示,按从左到右,从上到下的顺序,从栅格阵左上角第一个开始,给每个

栅格一个序号,

序号与栅格块也一一对应。

图1 直角坐标法 图2 序号法

栅格法以栅格为单位记录环境信息,栅格大小对环境信息存储量的大小和规划时间的长短有着重要影响,栅格划分大了,环境信息存储量小,规划时间短,但分辨率就低;反之,虽然分辨率高了,但规划时间长。

2 局部路径规划方法(Loca lPath P lann i n g)

局部规划方法侧重考虑机器人探知的当前局部环境信息,这使机器人具有较好的避碰能力。现有的不少移动机器人路径规划方法都采用局部方法,其规划仅依靠传感系统实时感知的信息。与全局规划方法相比,局部规划更具实时性和实用性;对动态环境具有较强适应能力;其缺点是由于仅依靠局部信息,有时会产生局部极值点或振荡,无法保证机器人能顺利地到达目标点。

2 1 人工势场法(A rtific ial Potentia lF ield)

人工势场法[8]最早是由Khatib和K rogh提出的一种虚拟力法。在K hati b研究机器人手臂在笛卡儿空间中如何直接由任务相关的参数、运动、受力来控制其运动的问题中,K r ogh引入了一个重要的概念:广义势场(Generalized F iel d),即既考虑位置X,又考虑速度V=X。常用的有以下几种势场:牛顿型势场、圆形对称势场、超四次方势场、调和势场及虚拟力场。

在人工势场中,障碍物被看作斥力场,目标被看作引力场,所以障碍物对机器人产生斥力,目标对机器人产生引力,通过求引力和斥力的合力来控制机器人的运动。

人工势场法结构简单,计算量小,实时性好。因而广泛应用于实时避障和平滑轨迹控制方面。但是在局部最优解的问题上容易产生死锁现象(D ead Lock)现象[9],从而可能导致机器人陷入局部最优点。

2 2 遗传算法(Genetic A lgorith m s)

遗传算法是一种多点搜索算法,也是目前机器人路径规划研究中应用较多的一种方法。由于遗传算法的整体搜索策略和优化计算不依赖于梯度信息,且作为并行算法其隐并行性适用于全局搜索,所以解决了其它一些算法无法解决的问题。国内外很多专家、学者等在这方面作了大量研究,并取得了很多成果。

孙树栋等[10]实现了离散空间下移动机器人路径规划新方法,该方法采用栅格序号作为个体的编码形式,与传统的二进制编码方法相比,具有编码长度短、易于进行遗传操作等优点。在该方法中,提出了间断无障碍路径概念,引入插入和删除算子,方便了遗传算子的实现,保证了路径的连续和可行性。但该路径规划是基于确定环境模型的,所以有其局限性。在离散空间下路径规划中,K azuo Sugi hara and John S m ith[11]进行了更深入的研究,他们对栅格序号采用二进制编码,随机产生障碍物位置和数目,在搜索到最优路径后再在环境空间中随机插入障碍物,以此来模拟环境变化,仿真结果验证了其有效性和可行性。但是,规划空间的栅格法建模有其自身的缺陷,所以还有待改进。周明等提出一种连续空间下基于遗传算法的移动机器人路径规划方法[12],该方法在规划空间时有别于离散空间下的栅格法,而是在利用链接图[13]建模的基础上,先通过图论中成熟的算法粗略搜索出可行路径,再用遗传算法调整路径点得到最优路径。这种编码方法效率较高,不会产生无效路径,使用基本遗传算法就可以完成路径规划问题。但对于复杂环境链接图的建立有一定困难。此外,遗传算法运算速度低,进化众多的规划要占据较大存储空间和运算时间。

2 3 模糊逻辑算法(Fuzzy Log ic A l g orith m)

模糊逻辑算法是基于实时传感信息的一种在线规划方法。H art m ust Sur m a nn等[14]提出一种未知环境下的高级机器人模糊导航方法,由八个不同的超声传感器来提供环境信息,然后利用基于模糊控制的导航器计算这些信息,规划机器人路径。李彩虹等[15]提出了一种在未知环境下移动机器人的模糊控制算法,庄晓东等[16]提出一种动态环境中基于模糊概念的机器人路径搜索算法。

2 4 神经网络方法(A rtificia lNeura lNet w or k)

神经网络作为一个高度并行的分布式系统,为解决机器人系统实时性要求很高的问题提供了可能性,并应用于机器人路径规划方面。禹建丽等[17]提出了一种基于神经网络的机器人路径规划算法。禹建丽[18]又引进了线性再励的自适应变步长算法,提高了机器人路径规划速度。研究了障碍物形状和位置已知情况下的机器人路径规划算法,其能量函数的定义利用了神经网络结构,规划出的路径达到了折线形的