机器人路径规划现状及发展趋势

（3）机器人导航和定位
（4）避障路径规划
二，移动机器人路径规划常用方法
2.1 基于几何构造的方法 2.2 栅格法 2.3 智能化路径规划方法 2.4 人工势场法
2.1基于几何构造的方法（自由空间法）
• 基本步骤： 1.将机器人抽象为点，适当扩大障碍物的大小。 2.构造自由空间。 3.采用图搜索算法如Dijkstra算法寻找最优路径。
[6] 魏宁，刘一松.基于栅格模型的移动机器人全局路径规划研 究[J].微计算机信息，2008，(11). [7]禹建丽,等.一种快速神经网络路径规划算法[J] 人,2001,23(3):201-205. [8] 余有明，刘玉树，阎光伟.遗传算法的编码理论与应用[J].计 算机工程与应用，2006，(3). [9] 周明，孙树栋.遗传算法原理及应用[C].北京：国防工业出版 社，1999.
导入
影响
测量
变化
分布
总结 作业
敬请各位专家领导批评指正！
封面 封底 帮助 换色
×
导入
影响
测量
变化
分布
总结 作业
Thank End s
TRC DILI
封面 封底 帮助 换色
×
2.1.1基于几何构造的常用算法
可视图法
Voronoi法
•
2.2栅格法（1）
图中灰色区域为 障碍物
2.2栅格法（2）
图中黄色 的路线表 示该算法 得到的最 优路径
2.2D*（dynamic A*)算法（3）
• 美国火星探测器核 心的寻路算法就是 采用的D*算法 • 适合于动态路径规 划
• D*算法的思 路可以推广 到改造自由 空间法使其 具有动态规 划功能
2.4.3人工势场法的改进算法（4）
交叉前：
交叉后：
三，机器人路径规划的发展趋势
首先,移动机器人路径规划的性能指标要求不断提高, 这些性能指标包括实时性、安全性 和可达性等 . 其次,多移动机器人系统的路径规划。协调路径规划已 成为新的研究热点.随着应用不断扩大,移动机器人工作环 境复杂度和任务的加重,对其要求不再局限于单台移动机器
2.3智能化路径规划方法
• 基于逻辑推理的路径规划方法 • 基于模糊逻辑的路径规划方法 • 基于强化学习的路径规划方法
• 基于遗传算法的路径规划方法
• 基于神经网络的路径规划方法
2.3.1基于逻辑推理的路径规划方法
1.定义一个状态（state）集，该集合反 映机器人通过传感器测得的当前状态。 2.定义一个行为（action）集，该集合 反映了机器人当前可以采取的动作。 3.确定从状态到行为的映射关系。
人.在动态环境中多移动机器人的合作百度文库单个机器人路径规
划要很好地统一 .
再次 ，多传感器信息融合用于路径规划。移动机器人在 动态环境中进行路径规划所需信息都是从传感器得来。单传 感器难以保证输入信息准确与可靠。此外基于功能 / 行为 的移动机器人路径规划 ，这是研究的新动向之一。
四，总结
移动机器人的路径规划技术已经取得了丰硕成 果,但各种方法各有优缺点,也没有一种方法能适用
2.3.2基于模糊逻辑的路径规划方法
• 在基于逻辑推理的路径规划方法基础进行改进：
– 传感器的一次测量值与多个状态对应，每个状态有 一个隶属度对应。 – 根据模糊推理结果确定行为。
2.3.3基于强化学习的路径规划
• 在基于逻辑推理的路径规划方法基础进行改进：
– 具有在线学习功能（通过Q学习算法实现）
Loading… … 路 .径 . 规 .划
机器人学
欢迎进入本次报告
机器人路径规划现状及发展趋势
河南工业大学机电学院
• 主讲人：胡士建 • 导 师：袁夫彩
overview
引言 1.机器人路径规划技术现状 2.路径规划常用方法 3.机器人路径规划的发展趋势 4.总结 参考文献
引言
1 .什么是路径规划
3 GNRON问题：
障碍物与目标点过于接近引起斥力场和引力场同时存在而阻碍 到达目标点的现象。
解决方案：
4 移动机器人为多面体的情况 • 方案1：一般情况下，可以将机器人作为 点，适当扩大障碍物来进行研究。 • 方案2：对多面体每个顶点计算排斥力和 吸引力，障碍物对机器人的排斥力是对 所有顶点排斥力的合力。
2.4.3人工势场法的改进算法（1） • 主要是针对死锁问题进行改进 RPP算法(APF与随机采样相结合） 的原理：
– 1.开始时执行Descend模式 – 2.如果没有出现死锁则成功，否则执行 Escape模式 – 3.如果Escape模式失败，执行Backtrack模式
2.4.3人工势场法的改进算法（2）
2.3.4基于遗传算法的路径规划（1）
建模：
对2维路径规划问题，将待规划的路径看 成是n个点组成的点集，除初始点和目标点外 其余n-2个点{（xi， yi ）} i=2,3,4…n-1都未 知，共有2(n-2)个未知参数。
2.3.4基于遗传算法的路径规划（2） 优化目标：
El min f ( x2, y2, x3, y3, ...xn 1, yn 1 ) L [( xi 1 xi ) 2 ( yi 1 yi ) 2 ]
2.3.5基于神经网络的路径规划
1.按照2.34的方法，转化为优化问题。 2.用神经网络表示惩罚函数。 3根据E递减推导出相应的反向传播算法 用于神经网络的训练.
优势：
神经元可以并行计算
2.4人工势场法
• 2.4.1人工势场法的基本原理
• 2.4.2人工势场法的实用算法
• 2.4.3人工势场法的改进算法
于任何场合。 在研究这一领域时,要结合以前的研
究成果,把握发展趋势,以实用性作为最终目的,这样 就能不断推动其向前发展。
参考文献
[1] 徐秀娜，赖汝.移动机器人路径规划技术的现状与发展[J] . 计算机仿真，2006，(10) . [2] 蔡佐军.移动机器人路径规划研究及仿真实现[硕士学位论文]. 武汉：华中科技大，2006. [3] 曹成才，姚进，王强.基于几何法的移动机器人路径规划[J] . 计算机应用研究，2005，(12). [4] 李晋.改进人工势场法的移动机器人路径规划[硕士学位论文]. 北京：北京交通大学，2007. [5] 刘涛，李海滨，段志信.基于人工力场的移动机器人路径规 划研究[J].计算机仿真，2007，(11).
一种APF与GA相结合的算法： 在基于GA的路径规划算法（2.34）中介 绍了GA如何用于路径规划，但是这种算法 存在着计算量(n) 与路径规划的质量之间的 矛盾。采用APF与GA结合的算法可以取较 小的n获得满意的效果并且避免死锁。
2.4.3人工势场法的改进算法（3）
• APF与GA相结合的算法原理： 1.选取初始可行种群，每个种群中具有n-2个参数{（xi， yi ）} （2.34）。 2. 每一个种群中,在相邻两个点（xi， yi ）和（xi+1， yi+1 ） 之间利用APF得到一条连接这两个点的无碰撞路径。 对于一个种群来说，就可以得到从起始点到目标点的 无碰撞路径。 3.计算每个种群对应的路径的长度作为适配度，对{（xi， yi ）}进行交叉、变异、选择运算得到新的n-2个参数。 4.重复上述步骤直至结束。
2 死锁（dead lock）现象（1）
如何克服死锁现象： 死锁现象的实质是落入局部极值，全局优 化算法可以避免落入局部极值。
2死锁（dead lock）现象（2） • 避免死锁的改进算法：
– APF与随机采样相结合如RPP算法 – APF与遗传算法（GA）相结合 – APF与其他全局优化算法相结合： 如：粒群算法，蚁群算法，模拟退火法，附加 动量法等。
2.4.1人工势场法基本原理
障碍物对机器人施加排斥力，目标点对 机器人施加吸引力合力形成势场，机器 人移动就像球从山上滚下来一样
机器人在合力作用下向目标点移动
2.4.2人工势场法的实用算法
1 非点形障碍物问题 • 普通的障碍物的形状不是一个点，如何 确定一个障碍物对机器人的排斥力呢？
– 方案1：计算障碍物内所有点斥力的合力。 – 方案2：用离障碍物最近的点进行计算。 – 方案3：
i 2 2 i i 2 n 1 n 1
约束：
（xi， yi ）必须在障碍物外部。
采用惩罚函数法转化为无约束优化问题 进行处理：
min E El wEc
(EC为惩罚项）
2.3.4基于遗传算法的路径规划（3） • 遗传算法具有全局寻优性能，对上述无 约束优化问题可以得到全局最优解。 • 当然，其他的优化算法同样可以用于路 径规划。
依据某种最优准则，在工作空间中寻找一条从起始状态 到目标状态的避开障碍物的最优路径。
需要解决的问题：
1. 始于初始点止于目标点。 2. 避障。 3. 尽可能优化的路径。
演示 动画
导入
影响
测量
变化
分布
总结 作业
封面 封底 帮助 换色
×
一，移动机器人路径规划技术现状
（1）机器人体系结构及智能控制技术 （2）多传感器信息融合