遺傳算法與機器人路徑規(guī)劃

遺傳算法與機器人路徑規(guī)劃摘要：機器人的路徑規(guī)劃是機器人學的一個重要研究領域，是人工智能和機器人學的一個結合點。對于移動機器人而言，在其工作時要求按一定的規(guī)則，例如時間最優(yōu)，在工作空間中尋找到一條最優(yōu)的路徑運動。機器人路徑規(guī)劃可以建模成在一定的約束條件下，機器人在工作過程中能夠避開障礙物從初始位置行走到目標位置的路徑優(yōu)化過程。遺傳算法是一種應用較多的路徑規(guī)劃方法，利用地圖中的信息進行路徑規(guī)劃，實際應用中效率比較高。關鍵詞：路徑規(guī)劃；移動機器人；避障；遺傳算法GeneticAlgorithmandRobotPathPlanningAbstract:Robotpathplanningresearchisaveryimportantareaofrobotics,itisalsoacombinepointofartificialintelligenceandrobotics.Forthemobilerobot,itneedtobeworkedbycertainrulers（e.gtimeoptimal），andfindabestmovementpathinworkspace.Robotpathplanningcanbemodeledthatinthecourseofrobotsabletoavoidtheobstaclesfromtheinitialpositiontothetargetlocation,anditruquiretoworkunderertainconstraints.Geneticalgorithmusedinpathplanningisverycommon,whenplanningthepath,itusetheinformationofmap,andhavehigheficientinactual.Keywords:Pathplanning,mobilerobot,avoidtheobstacles,geneticalgorithm 路徑規(guī)劃1.1機器人路徑規(guī)劃分類（1）根據(jù)機器人對環(huán)境信息掌握的程度和障礙物的不同，移動機器人的路徑規(guī)劃基本上可分為以下幾類：1，已知環(huán)境下的對靜態(tài)障礙物的路徑規(guī)劃；2，未知環(huán)境下的對靜態(tài)障礙物的路徑規(guī)劃；3，已知環(huán)境下對動態(tài)障礙物的路徑規(guī)劃；4，未知環(huán)境下的對動態(tài)障礙物的路徑規(guī)劃。（2）也可根據(jù)對環(huán)境信息掌握的程度不同將移動機器人路徑規(guī)劃分為兩種類型：1，基于環(huán)境先驗完全信息的全局路徑規(guī)劃；2，基于傳感器信息的局部路徑規(guī)劃。（第二種中的環(huán)境是未知或部分未知的，即障礙物的尺寸、形狀和位置等信息必須通過傳感器獲取。）1.2路徑規(guī)劃步驟無論機器人路徑規(guī)劃屬于哪種類別，采用何種規(guī)劃算法，基本上都要遵循以下步驟：1,建立環(huán)境模型，即將現(xiàn)實世界的問題進行抽象后建立相關的模型；2,路徑搜索方法，即尋找合乎條件的路徑的算法。路徑規(guī)劃方法1.3.1傳統(tǒng)路徑規(guī)劃方法（1）自由空間法（freespaceapproach）基于簡化問題的思想,采用“結構空間”來描述機器人及其周圍的環(huán)境。這種方法將機器人縮小成點,將其周圍的障礙物及邊界按比例相應地擴大,使機器人點能夠在障礙物空間中移動到任意一點,而不與障礙物及邊界發(fā)生碰撞。（2）圖搜索法采用預先定義的幾何形狀構造自由空間，并將其表示為連通圖，然后通過搜索連通圖進行路徑規(guī)劃。這種方法比較靈活，改變初始位置和目標位置不會重構連通圖，但是障礙物比較多時，算法會比較復雜，且不一定能找到最短路徑。（3）人工勢場法（artificialpotentialfield）既是把機器人工作環(huán)境模擬成一種力場。目標點對機器人產生引力，障礙物對機器人產生斥力，通過求合力來求控制機器人的運動。1.3.2智能路徑規(guī)劃方法（1）基于模糊邏輯算法（fuzzylogicalgorithm）的機器人路徑規(guī)劃此方法基于傳感器的實時信息，參考人的的經驗，通過查表獲得規(guī)劃信息，實現(xiàn)局部路徑規(guī)劃。通過把約束和目標模糊化，利用隸屬度函數(shù)尋找使各種條件達到滿意的程度，在模糊意義下求解最優(yōu)解。（2）基于神經網絡（NN）的機器人路徑規(guī)劃主要是基于神經網絡結構構造出來能量函數(shù)，根據(jù)路徑點與障礙物位置的關系，選取動態(tài)運動方程，規(guī)劃出最短路徑。（3）基于遺傳算法（GA）的機器人路徑規(guī)劃遺傳算法運算進化代數(shù)眾多，占據(jù)較大的存儲空間和運算時間，本身所存在的一些缺陷(如解的早熟現(xiàn)象、局部尋優(yōu)能力差等)，保證不了對路徑規(guī)劃的計算效率和可靠性的要求。為提高路徑規(guī)劃問題的求解質量和求解效率，研究者在其基礎上進行改進。機器人路徑規(guī)劃算法的方法很多，除了上面介紹的常見的路徑規(guī)劃方法外，還有基于蟻群算法的路徑規(guī)劃，基于微粒群算法的路徑規(guī)劃，結合模擬退火算法的遺傳算法等。前面對路徑規(guī)劃的方法做了整體的介紹，下面則要講解的具體的算法：遺傳算法在路徑規(guī)劃中的應用。2基于遺傳算法的機器人路徑規(guī)劃2.1遺傳算法相關知識遺傳算法(GA)由美國Miehigan大學的JohnHolland等在20世紀60年代末期到70年代初期研究形成的一個較完整的理論方法，從試圖解釋自然系統(tǒng)中生物的復雜適應過程入手，模擬生物進化的機制來構造人工系統(tǒng)的模型。遺傳算法包括三個基本操作：選擇，交叉和變異。2.2路徑規(guī)劃的具體步驟利用遺傳算法進行路徑規(guī)劃時，一般包含：環(huán)境建模，編碼，群體初始化，確定適應度函數(shù)（fitnessfunction），遺傳操作。2.2.1環(huán)境建模所謂建模是指建立合理的數(shù)學模型來描述機器人的工作環(huán)境.本次涉及的機器人工作環(huán)境都是障礙物已知的二維空間。本文中遺傳算法應用的環(huán)境都是基于下面條件考慮的：（1）機器人被看做是一個點；（2）障礙物的尺寸都向外擴展半個機器人半徑。如圖2.1所示圖2.1路徑規(guī)劃環(huán)境模型圖Fig.2.1Pathplanningenvironmentmodeldiagram2.2.2編碼在機器人的工作環(huán)境圖中可以看到，機器人的運動軌跡由若干直線段構成，每段直線段是機器人運動的基本單位。機器人到達目標點的整個路徑可表示成：其中Li是第i段直線段的矢量表示，它的兩個端點分別可以表示為Pi和Pi+1,符號“+”表示矢量的運算?？梢砸設表示原點，于是于是整個機器人的運動路徑可以表示為如下的路點矢量集合：設Pi的坐標點可以表示為（xi，yi），那么在算法實現(xiàn)時，路徑就可以以坐標點形式儲存。這樣就完成了對染色體的編碼，所有的路徑T是可能的一個滿足條件路徑。2.2.3群體初始化群體初始化往往是隨即產生的，這里所講的兩種遺傳算法都是隨即生產從出發(fā)點到目標點的任意一條可行路徑集合作為初始群體。例如在第一個遺傳算法應用中采用均勻分布的方法進行群體初始化。2.2.4適應度函數(shù)規(guī)劃出路徑的優(yōu)劣程度要有一個評價的標準。適應度函數(shù)就是為了評價這個優(yōu)劣程度。在這個適應度函數(shù)中以路徑長度和障礙物作為評價指標，并使所求解向指標漸小的方向進化。該函數(shù)的構造如下：(1)在函數(shù)中a1，a2是權重系數(shù)，分別強化了不同指標的重要性。第一項表示路徑的總長度，第二項是障礙物的排斥函數(shù)。(2)M是障礙物的個數(shù)，βi是第i段直線與第j個障礙物的排斥度。定義為：(3)共3項分別對應:①直線段與障礙物相交時;②直線段距離障礙物do≤ds；③直線段遠離障礙物do>ds。其中γ為使直線段不與障礙物相交所要移動的最短距離，do為直線段到障礙物的距離，稱ds為安全距離,當do≥ds后,算法將不再試圖使路徑進一步遠離障礙物,稱該線段和障礙物無排斥。給出適應度函數(shù)后，在后面的運行過程中，算法試圖使適應度函數(shù)最小化并認為使得該函數(shù)取得較小值的解為較優(yōu)解。2.2.5遺傳操作交叉算子交叉操作對兩個對象操作，對對象進行隨即分割，然后重組得到兩個新的個體。交叉根據(jù)分割點的數(shù)量分為單點交叉和多點交叉，單點交叉是多點交叉的一種特殊形式。基本的操作如下圖2.2所示：圖2.2多點交叉操作Fig.2.2Multi-pointcrossoveroperation在圖中，父染色體被隨機四個分割點分為五部分，標有箭頭的部分互換。這樣完成交叉操作后產生兩條子染色體基本的交叉操作產生的子代染色體的長度可能不等，結果是，對應的適應度函數(shù)也發(fā)生變化。對交叉算子的改進是使為了獲得更低函數(shù)值的適應度函數(shù)。前面已經給出路徑的表達式。這里給出一個線段的相交函數(shù)：（4）0表示第i段直線與所有的障礙物不相交，1表示第i段直線與障礙物相交。并定義如下路段與障礙物相交狀態(tài)變化函數(shù)：（5）gi可能的取值為：1，0，-1。為1時第i+1點前段直線與障礙物不相交后一段相交，-1的時候相反，為0的時候說明前后段的情況相同。這里選擇分割點的原則是：選擇gi為1時對應的變化點作為1號父個體的第一分割點，選擇緊隨該點之后使得gi為-1的點作為第2分割點。對于2號父個體，選擇過程恰好相反，選擇gi為-1時對應的變化點作為2號父個體的第一分割點，選擇緊隨該點之后使得gi為1的變化點作為第2分割點。更多的分割點同理可得。除此之外還要考慮交叉點數(shù)的選取，前面的交叉操作會使最后的染色體很短，所以后續(xù)的操作要設定染色體的長度，設定標準如下。（6）變異算子變異過程中，個體中的分量以很小的概率或步長產生轉移。對于給定路徑，該操作對路徑上的各路點pi以一定的概率改變其坐標。標準變異對地圖中的信息并沒有加以利用，變異是隨機的搜索，常常導致路徑劣化。而改進型變異算子優(yōu)先選取和障礙物相交的線段的端點進行變異，同時限制變異所得的路點坐標在障礙物之外，并且使變異所得的路點新坐標滿足：（7）通過這樣的約束條件保證了每次變異對路徑優(yōu)化的非負效果。插入算子該算子在其所作用路徑上增加路點?？紤]路徑上某一直線段與障礙物相交，并且有端點坐標Pi處于障礙物外部空間。于是通過在Pi與Pi+1之間插入合適的端點，一定可以得到不與障礙物相交。同理，對于Pi+1處于障礙物外部空間時，一定可以有不與障礙物相交。對于Pi與Pi+1均位于障礙物內部的情況，該算子將隨機生成坐標值，滿足位于所有障礙物的外部空間。刪除算子該算子在所操作路徑上記錄所有位于障礙物內部空間的路點，隨機選擇其中之一并予以刪除。對于不和障礙物相交的路徑，該算子則在其全體路點中隨機選擇刪除點。3仿真結果與總結3.1仿真結果圖3.1算法輸出結果1Fig.3.1Algorithmoutput1其代價函數(shù)值為109.9561，路徑全長109.9561.圖3.2算法輸出結果2Fig.3.2Algorithmoutput2其代價函數(shù)值為80.0835，路徑全長80.0835.圖3.3算法輸出結果3Fig.3.3Algorithmoutput3其代價函數(shù)值為76.1412，路徑全長76.1412.在上面三個仿真圖中，適應度函數(shù)的值和路徑值是一樣的。上面的仿真的群體規(guī)模都是100，進化50次，染色體變異概率0.3，權重系數(shù)a1，a2分別是1，1000。算法比較表1成功率對比Tab.1Successratecomparison地圖1地圖2地圖3算法157410算法272590算法31009992表2平均代價對比Tab.2Averagepricecomparison地圖1地圖2地圖3算法1113.234282.5809NA算法2111.324281.1283NA算法3109.617882.647878.2485表3標準差對比Tab.3Standarddeviationcomparison地圖1地圖2地圖3算法14.14711.4494NA算法27.56031.4548NA算法35.67213.183710.6819上述的實驗數(shù)據(jù)證明了本文所提出的改進型遺傳算法的有效性。在3幅不同的地圖上都達到了90%以上的算法成功率，并且相對其它算法有明顯提高。隨著地圖的不同，各算法的成功率均出現(xiàn)不同程度波動，但改進型遺傳算法波動幅度最小，保持了較好的穩(wěn)定性，體現(xiàn)出良好的地圖適應能力