讲稿-RobotPathPlanningus.ppt

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,PPT,文档演模板,Office,PPT,10 十一月 2026,讲稿-RobotPathPlanningus,摘要,机器人路径规划问题是移动机器人最重要的任务之一。,本文提出了一种新方法，采用三次样条方法来描述路径。这样,描述的路径执行起来容易。而且，在重要的样条交接处，这种,描述方法也有利于实现平滑微分。,这样，路径规划问题就等同于最优化样条参数的问题。,基于其快速的收敛性和全局搜索特性，本文采用一种叫粒子,群优化的进化算法(,Particle Swarm Optimization,PSO)。,本文采用各种不同的,PSO,参数进行测试。并与两种经典的,机器人路径规划算法进行比较测试，证明了本文算法的有效性,。,1.,Introduction,移动机器人障碍物规避算法，就是在约束条件下，比如已知,障碍物O的位置和形状的情况下，找到一条从起点S到目标终点,G的路径。所用的参数都作为算法的输入，输出或者是一条从S,到C最佳的轨迹，或者是与局部最优轨迹相关的方向。通过路,径算法进行补偿函数的最优化可以分两步进行。第一步计算,出轨迹的长度(或者是需要计算出轨迹的时间)。第二步保证路,径的安全性(例如：与障碍物的距离).因此，如何在满足这些要、,求的前提下找到可接受的折衷方案，就是障碍物规避算法的核,心问题。,在当前的机器人文献中，提到了许多障碍物规避算法。不幸的是，算法中的大部分只是将一些点作为输出，这样造成机器人执行困难。机器人能够沿着点与点之间的线段移动，但是这种移动是不连续的。机器人必须在线段的终点停止，调整其方向后再继续。可以采用相关函数计算插补点，以有利于机器人的运动。这种方法能够实现快速到达终点的目的，但是在障碍物的约束下，这些轨迹往往不是最优轨迹，而且会产生碰撞的可能性。,我们采用直接对期望路径的描述函数进行最优化的方法。函数的参数可以作为控制模块的输入，而且不再需要进行后处理。,Ferguson,三次样条被选作描述轨迹的函数，因为其具有简单的几何意义。,PSO,算法作为最优化方法使用，在具有局部最小化的情况下该算法具有良好的结果。这种算法非常新，也从来没有用于解决相似度问题。另外，因为搜索空间的多维性，传统的迭代方法不能够在实时情况下应用。,文章的组织结构如下：在文章的第二部分，我们介绍了碰撞规避算法：包括Ferguson splines(Ferguson样条)、particles coding（粒子编码）、适应度函数以及PSO算法。在第三部分，我们介绍了实验的结果，介绍了影响算法的部分因素，并且与在机器人足球运用中标准的算法做比较。,2.Method,3.Result,本文在两个实验中测试提出的路径规划算法。第一个实验研,究不同的PSO算法参数设置的影响，另一个实验我们将算法与机,器人足球其他算法比较(Potential Eield和Visibility Graph).最后,一部分描述进化过程如何解决局部最优值得问题。,A PSO parameter tuning PSO参数调整,本节列出了等式(20)中不同的常量设置对算法的影响。如图,2所示，可以观察出几个显著的特点。,C.Comparison,在本节中，我们将说明我们的算法与其,他两种算法-Potential Field和,Visibility Graph算法比较的结果。,图5所示为在标准的机器人足球环境下,的3种算法的结果。采用样条的方法在,30次PSO迭代时候就找到了短和平滑的,轨迹。其中，每个种群包含15个粒子。,采用VG算法的机器人，也能够找到最短,路径，但是机器人必须在急转弯的时候,减慢速度，否则容易撞到障碍物上。采,用Potential field方法找到的路径在,三种算法中是最长的，并且在接近函数Z,的局部极值处具有一些小幅度的振荡(图,中用LE标记)。,图6所示为三种路径规划算法的共同测试(在具有长墙障碍物的情况下)。在这个过程中，Potential Field方法没有找到合适的轨迹，因为其最优化过程陷入局部最优。PSO算法成功避开障碍物，即使在初始粒子群中也没有发生碰撞。算法需要50个粒子群，每个粒子群包含15个粒子。,C Evolutional process study 进化过程研究,在本节中我们将介绍PSO算法克服陷入局部最优的能力。在机器人工作空间采用长障碍物，在这种环境下的适应度函数具有局部极小解。具有这种适应度值的粒子，其轨迹往往是连接起点和终点的线段，所以容易造成与障碍物的碰撞。局部极小值对进化过程影响很大，因为随机生成的种群中大部分粒子都处于这样的环境之中。而且初始种群常常比包含总极值的粒子。,查找移动机器人最优轨迹的进化算法中131516,常常在这个情况下失败。图7说明了为什么PSO算法能够成功。算法在这种情况下，比图6所描述的需要更多的种群。因为为了更加透明，采用了小的种群(仅仅10个微粒)。,图7(a)所示为在工作空间内随机生成的初始种群。最小适应度函数值的种群具有最短的轨迹。,图7(b)所示为在探索模式下(exploratory mode)的种群(高值)。粒子遍布整个工作区域，所以能够克服局部极值。,由于采用小的种群，在第39th种群中找到最优解（图7(c)所示）。这条轨迹已经是在障碍物的附近，造成适应值下降非常大(图8示)。,在最优化过程的下一步，粒子将被新的最佳位置吸引，因此适应度函数值将在两次迭代过程中就急剧减少(如图7(d)所示)。,