文档介绍：移动机器人路径规划技术研究摘要: 研究移动机器人路径规划问题。针对传统移动机器人路径规划算法搜索时间长, 效率低, 寻优能力差等问题, 提出了一种基于粒子群算法的机器人路径规划方法。该方法首先采用神经网络描述机器人工作环境, 在此基础上通过坐标变换建立新地图; 然后将机器人路径表示为粒子位置, 并以路径长度为粒子群的适应度值; 最后粒子之间的相互协作, 不断更新粒子位置和速度, 获得一条从起始点到目标点全局最优路径。在 MATLAB 平台上对该方法进行了仿真, 实验结果表明, 基于粒子群的机器人路径规划方法提高了路径规划的计算效率和可靠性,可应用于机器人的实时导航。关键词: 移动机器人;粒子群算法;路径规划 0引言移动机器人是集环境感知、动态决策、行为控制与执行的多功能于一体的综合性系统, 目前广泛应用于航空航天、军事侦查、安全医疗和家庭服务等行业. 移动机器人的研究涉及到许多领域, 包括光学、机械、微电子、自动控制和人工智能等, 由于其作业环境的复杂性, 决定了路径规划技术在移动机器人研究中的重要地位. 本文系统的阐述了移动机器人路径规划技术的研究现状和发展趋势 1路径规划路径规划是移动机器人研究领域的核心问题之一。所谓路径规划是指移动机器人在有障碍物的工作环境中, 搜索一条从起始状态到目标状态的最优或次最优路径, 使机器人在运动过程中能无碰撞地、安全绕过所有的障碍物, 同时所经过的路径较短。移动机器人路径规划方法可以分为全局路径规划和局部路径规划两种, 全局路径规划方法通常可以找到最优解, 但首先需要知道准确的全局环境信息。到目前为止, 针对全局路径规划问题, 国内外学者对其进行了大量的研究, 并相应产生了许多方法。传统的路径规划算法有人工势场法和可视图法等。人工势场法的基本思想是将机器人看成处于一个虚拟力场中的“点”, 规划目标点对机器人有吸引力,机器人对障碍物有排斥力, 在吸引力和排斥力的合力决定机器人运动方向。该方法具有实时性好、计算量小的特点, 但由于在规划过程中存在陷阱区, 很容易导致规划失败。可视图算法的基本思想是首先根据障碍物几何特征将工作空间中的可行区域映射为一个加权图, 然后利用图搜索策略在这个空间进行搜索, 根据图搜索算法的完备性理论, 完全能够规划出最优路径, 但由于图搜索算法比较复杂, 可视图算法有潜在的组合爆炸危险。因此, 这些方法自身都存在一定的缺陷, 使得路径搜索出现计算量过大、效率不高、寻优能力差等难题, 不能满足路径规划的计算效率和可靠性要求。近年来, 出现了一些启发式路径规划算法如遗传算法和神经网络算法, 并得到了广泛的应用。但是遗传算法和神经网络法都存在局部最优的缺点, 导致寻优的路径质量不可靠。为了提高了移动机器人路径规划性能, 进一步丰富路径规划的方法, 需要不断的引入新的算法。粒子群优化算法( particle swarm optimization algorithm, PSO) 是一种模拟鸟群时示的仿生算法, 具有算法简洁、易于实现和鲁棒性好等优点, 对种群大小不敏感, 收敛速度快, 非常适合于实时性要求较高、复杂的移动机器人路径规划求解问题。针对当前移动机器人路径规划求解问题中存在的一些问题, 将粒子群算法引入到路径规划中, 提出一种新的移动机器人路径规划算法。该方法将路径规划分为两步, 首先用自由