基于蚁群算法的人员疏散机器人路径规划方法_王俊彭.pdf

收稿日期:2022 11 10第一作者:王俊彭(1997)，男，满族，辽宁辽阳人，硕士，研究方向为机械臂视觉伺服。E mail:asmile1997163 com基于蚁群算法的人员疏散机器人路径规划方法王俊彭1，2，3，宋屹峰2，3*，赵娟平1，饶成龙1，2，3(1 沈阳化工大学 信息工程学院，辽宁 沈阳 110142;2 中国科学院沈阳自动化研究所机器人学国家重点实验室，辽宁 沈阳 110016;3 中国科学院机器人与智能制造创新研究院，辽宁 沈阳 110169)摘要:隧道内突发碰撞或火灾等事故后常造成车辆堵塞情况，尤其在长大公路隧道，由于长大隧道狭长封闭受限环境与事故现场信息交互不畅特征，交通拥堵后造成受困人员引导疏散的困难。该文基于轨道式机器人，通过搭载视觉传感器抵近车窗位置开展检测作业。面向受困车辆前后车窗多观测点位，提出了一种基于蚁群算法的检测路径规划方法，用于在最短时间内开展车辆受困人员的引导疏散。轨道式机器人具有快速移动到拥堵车辆位置的特点，基于提出的检路径规划方法可以降低机器人检测路径的距离，有效提高受困人员的搜救效率。关键词:轨道式机器人;路径规划;蚁群算法;引导疏散中图分类号:TP29文章编号:1000 0682(2023)04 0077 07文献标识码:ADOI:10 19950/j cnki cn61 1121/th 2023 04 014Path planning method of personnel evacuation robot based on ant colony algorithmWANG Junpeng1，2，3，SONG Yifeng2，3*，ZHAO Juanping1，AO Chenglong1，2，3(1 Information Engineering Institute，Shenyang University of Chemical Technology，Liaoning Shenyang 110142，China;2 State Key Laboratory of obotics，Shenyang Institute of Automation，Chinese Academy of Sciences，Liaoning Shenyang 110016，China;3 Institutes for obotics and Intelligent Manufacturing，Chinese Academy of Sciences，Liaoning Shenyang 110169，China)Abstract:Accidents such as sudden collisions or fires in tunnels often cause vehicle jams，especiallyin long highway tunnels Due to the long and narrow closed restricted environment of long tunnels and ac-cident scene information interaction characteristics，traffic congestion will cause difficulties in guiding theevacuation of trapped people Based on the orbital robot，this thesis carries out the detection operation bycarrying the vision sensor tothe position of the vehicle window A detection path planning method basedon ant colony algorithm is proposedto carry out the guided evacuation of the trapped persons in the vehiclein the shortest time for the multiple observation points of the front and rear windows of the trapped vehi-cles The proposed detection path planning method can reduce the distance of the robot detection pathand effectively improve the search and rescue efficiency of the trapped personnelKeywords:orbital robot;path planning;ant colony algorithm;guided evacuation0引言隧道在公路交通领域有着克服高程、缩短路线的优点，给公共交通带来巨大便利、国家经济带来强大的推动作用。而在公路隧道实际运行中，狭长封闭空间内容易由于车辆相互碰撞、危险品泄露等原因造成火灾等事故。国内外公路隧道曾发生过一系列火灾事故，造成巨大人员伤亡和财产损失1 2。由于各种火灾事故的频繁发生，隧道灭火救援愈加受到社会各界的重视3。一方面，灾害发生后由于交通拥堵消防抢险人员难以进入现场开展施救;另一方面，由于车辆内的受困人员不了解外部火灾情况，容易引起“孤岛效应”不愿离开车辆，因此造成了人员引导疏散的困难。为了满足疏散和救援的要求，马伟斌等人4 在隧道防灾疏散救援工程的设计上展开研究。对于大772023 年第 4 期工业仪表与自动化装置量在役公路隧道，事故后仍采用传统的人工介入方式。消防抢险人员抵达火场后开展人工救援会带来响应时间慢、自动化程度不够高等问题。而使用机器人代替人工实施应急疏控则拥有巨大优势，目前已经有移动机器人替代人工进行搜救、引导疏散作业。王宇等人5 提出一种基于机器视觉的救援机器人系统，可以随意切换轮式及履带式行走模式。Boukas 等人6 提出引导疏散模型，通过模拟输出为机器人提供引导指南，解决人群疏散问题。San-geetha 等人7 设计一种基于物联网的自主引导机器人，该机器人通过智能传感和报警系统可以高效发挥引导作用。针对隧道内突发事故非结构化的复杂场景，以上采用的地面移动式机器人在实际应用中受到交通堵塞的影响无法抵近灾害现场。当机器人进入灾害现场，对多受困目标点开展搜救工作，合理规划机器人运动路径十分必要。目前在隧道救援领域路径规划研究比较少，刘文兵等人8 介绍了在协同作战场景下，无人机在面对大量搜索目标中高效地规划飞行路线问题。王伟等人 9 通过路径规划算法选择多个停车位中最佳的停车位。于晖等人 10 研究水下爬行机器人通过对多个目标的决策和限制，规划一条连续平滑的最优路径。面对多目标点的路径规划可以转化为解决旅行商问题(Travelling salesmanproblem，TSP)。邓慧允等人 11 在求解 TSP 问题中通过遗传算法与蚁群算法的对比，蚁群算法相对于遗传算法的收敛速度快，并且最终所求到的总路径距离较短。游道明等人 12 分析了多目标问题的性质，同时对比模拟退火算法与 2 opt 算法，采用蚁群算法解决多目标 TSP 问题得到了满意的结果。该文针对长大公路隧道灾中应急处置时受困人员引导疏散的需求，提出了基于蚁群算法的检测路径规划方法用于轨道式机器人开展受困人员的引导疏散。面向灾情现场车辆堵塞状态，该方法具有降低机器人运动路径长度的优势，提高了引导疏散的效率，有利于灾中机器人化救援的开展。1公路隧道引导疏散机器人1 1机器人系统组成公路隧道引导疏散机器人采用轨道式结构，该机器人由定位系统、视觉传感器、语音疏散等模块组成。机器人通过移动码盘进行定位，向救援指挥中心实时反馈自身位置。机器人搭载了可见光、红外等传感器用于了解隧道内环境状态。该轨道式机器人可以在交通堵塞的状况下快速到达灾情现场，开展人员引导疏散的任务。以下为隧道火灾现场示意图，如图 1 所示。图 1隧道火灾现场示意图1 2机器人救援策略灾害发生后轨道式机器人可以沿轨道从隧道两端快速驶向灾情位置，为搜寻存在“孤岛心理”、躲在车内不肯撤离的人员，需要机器人对拥堵车辆进行抵近侦测，以车窗作为观测点进行人员目标检测以及逃生引导，具体引导疏散策略如图 2 所示。图 2引导疏散策略流程图2基于蚁群算法的人员引导疏散方法2 1核心车窗观测点机械臂通过轨道悬挂在隧道中央，可以同时完成两辆车的检测，隧道中每两台车成为一个待检测组。对已经确定好的车窗位置点采取逐个遍历的方式，这样会带来机械臂末端行走路径的增加。考虑到灾中受困人员搜救疏散任务的紧迫性，采取一种对多车窗目标点选择性抵达的策略，在不造成受困人员检测遗漏的情况下，减少机械臂末端的行走距离。由于机械臂悬挂在两车道之间，从两台车之间的空隙进行检测无疑会减少行走距离。灾中车困人急，可能发生车辆相互碰撞情况，因此每两台车的停放位置存在多种可能，由于两台车贴的很近等因素87工业仪表与自动化装置2023 年第 4 期书书书造成两台车的内侧车窗不可观测的数量有 0 个、1个、2 个、3 个、4 个，将每台车视为前后两排座椅便于以下情形分析，前排座椅的左、右车窗;后排座椅的左、右车窗。后文中提及前侧车窗即前排座椅的车窗，后侧车窗即为后排座椅的车窗。机械臂搭载的视觉传感器可以轻松检测同排座椅的受困人员，因此同排座椅的左、右车窗可以选择其中一个进行抵达，如果同排座椅的一侧车窗成为了不可观测点，则同排座椅的另一侧车窗将成为必选路径点，否则会造成人员检测的遗漏。从两台车的内侧车窗进行检测会缩短机械臂末端的行走距离，因此若存在可观测的内侧车窗点，则将成为必须抵达的路径点之一。按照此约束条件下，两台车的停靠位置均可大致等效为以下几种，按照两台车的内侧车窗成为不可观测点的数量划分为 5 种情形分别进行讨论(“”代表可检测点，“”代表不可检测点)。情形一:不可观测点数为 0，即两台车没有发生碰撞或者理解为两台车停靠的位置不影响内侧的四个车窗成为观测点，机器人可以从内侧的四个车窗点位置对车内受困人员进行检测，如图 3 所示。图 3不可观测点为 0情形二:不可检测点数为 1，即两辆车出现碰撞现象，但仅导致四个内侧车窗中的一个成为不可观测点，如图 4 所示。图 4不可观测点为 1情形三:不可观测点数为 2，两辆车发生碰撞或由于贴的很近导致内侧的两个车窗成为不可观测点，还可将其分为三种子情形。子情形 1:每辆车均存在一个不可观测点，可以是一辆车的前侧车窗和另一辆车的后侧车窗成为不可观测点，如图 5 所示。图 5子情形 1子情形 2:每辆车均存在一个不可观测点，可以是同为前侧的内侧车窗成为不可观测点，或者是同为后侧的内侧车窗成为不可观测点，如图 6 所示。图 6子情形 2子情形 3:两个不可观测点存在同一辆车的内侧车窗上，故此辆车的外侧车窗必将成为观测点，否则存在人员漏检，如图 7 所示。图 7子情形 3情形四:不可观测点数为 3，即四个内侧车窗中仅有一个车窗成为了可观测点，此点是必选观测点，如图 8 所示。图 8不可观测点数为 3972023 年第 4 期工业仪表与自动化装置情形五:不可观测点数为 4，四个内侧车窗点均不可观测，仅能从外侧的车窗进行检测受困人员，如图 9 所示。图 9不可观测点数为 4当不可观测的点数大于 5 时，则一定存在车内人员漏检的情况，在此需要对检测不完全的车辆进行标注，反馈给救援指挥中心。对于已经确定好的车窗位置中，规划合理的目标点检测顺序将进一步减少机械臂末端移动的距离。2 2抵近路径规划数学模型为了疏散车辆内受困人员，机械臂需要由预设点启动，依次抵达各个点位开展人员目标检测。在此过程中存在以下约束条件:(1)不能遗漏车窗目标点;(2)不能重复抵达已经检测过的目标点。在以上的约束条件下，有必要对多车窗目标点的抵达路径进行科学合理的规划，寻找最短的检测路径。该问题涉及空间点之间的运动，在该路径长度能够直观的表征机械臂末端的移动距离，也可以作为检测效率的表征。为了简化数学模型，在获取车窗的三维坐标(x，y，z)后，首先忽略三维坐标中的 z 坐标，只考虑三维坐标中 x，y 值，设定每款车型的车窗高度大体相差不大，机械臂搭载的视觉设备的视野范围可以观测到车内人群。抵近车窗目标点的路径规划是一个类似旅行推销员问题(Travelling salesman problem，TSP)。共有 i个车窗目标点，机械臂需要抵达各个点位，在访问每个目标点一次的前提下，寻求路径最短的方案，目标函数为机械臂末端移动的距离，其数学表达式为:minD=i1k=1(xk+1 xk)2+(yk+1 yk)2(1)式中:获取的车窗目标点坐标为(xk，yk);D 为遍历全部车窗目标点的某一路径方案。2 3蚁群算法的描述针对上述问题，该文提出一种基于蚁群算法的人员引导疏散路径规划方法。蚁群算法(Ant ColonyOptimization，ACO)13 18 模拟了自然界中蚂蚁的觅食行为蚂蚁在寻找食物时会在经过的路径上释放一种信息素，信息素浓度的大小表征路径的远近，信息素浓度越高表示对应的路径距离越短。首先，将蚂蚁置于不同的车窗目标点，车窗目标点的个数为 i，dmn(m，n=1，2，i)为目标点 m 与目标点 n 之间的距离。在 t 时刻目标点 m 与目标点n 连接路径上的蚂蚁激素浓度为mn(t)。根据目标点的能见度和可选择路径上的激素量做出判断，t时刻蚂蚁位于车窗点 m 移动到车窗点 n 的概率为:pjmn(t)，表示为:mn(t)mn(t)sallowedj ms(t)ms(t)，n allowedj0，n allowedj(2)式中:mn(t)为启发函数;代表蚂蚁 j 从目标点m 到目标点 n 的期望程度，一般取 m 与 n 之间距离的倒数;allowedj为所有等待抵达的车窗目标点的集合，经过蚁群不断的迭代，allowedj最终为 0;ms(t)为当 n 等于集合 allowedj中某一值时的激素浓度，ms(t)为当 n 等于集合 allowedj中某一值时的启发函数，为蚂蚁激素的权重因子，表征蚂蚁受激素影响的程度，为启发函数权重因子，其值大小表征蚂蚁受启发函数影响的程度。在搜索完所有的车窗点后，信息素浓度会进行更新，用 表示蚂蚁激素挥发度。当蚂蚁遍历一次目标点或者进行一次搜索后，各车窗目标点路径上信息素浓度为:mn(t+1)=(1 )mn(t)+mn，0 1(3)mn=Lj=1jmn(4)式中:jmn是第 j 只蚂蚁在 m，n 路径上信息素增量;mn代表所有蚂蚁在 m，n 路径上释放的信息素增量。jmn=QLj，蚂蚁 j 经过 m，n 路径0(5)式中:Q 代表蚂蚁一次释放的信息素总和;Lj代表第 j 只蚂蚁在本次搜索中路径总长度。3抵达车窗的空间直线轨迹规划该文中采用的机器人为六自由度机械臂，各个关节均为旋转关节，依靠各关节的旋转使末端执行器运动。对机械臂进行空间直线轨迹规划，使其路径最短。确定每个车窗点的位置后，将每两个车窗08工业仪表与自动化装置2023 年第 4 期点视为起始点和终点，进行直线插补的运算。设起始点 A1(x1，y1，z1，1，1，1)，终点坐标 A2(x2，y2，z2，2，2，2)。其中，x、y、z 为笛卡尔坐标，、为姿态变换角，通过以下公式求得插补点的位置和姿态。x=x1+(x2 x1)y=y1+(y2 y1)z=z1+(z2 z1)(6)=1+(2 1)=1+(2 1)=1+(2 1)(7)当 =0 时，对应起始点位置;当 =1 时，对应为终点位置;当 介于 0 1 之间时，对应的是路径中的插补点。4规划方法对比与仿真实验4 1规划方法对比遗传算法(Genetic Algorithm，GA)是一种通过模拟自然进化过程搜索最优解的方法。包括编码、产生初始种群、计算适应度函数值、选择、交叉、变异、产生下一代种群、解码的过程。粒子群算法(Particle Swarm Optimization，PSO)来源于鸟类捕食问题，基本步骤包括粒子位置和速度初始化、计算适应度函数值、计算个体极值和群体极值、更新速度和位置、更新适应度函数值、更新个体极值和群体极值的过程。根据遗传算法、粒子群算法与蚁群算法的基本原理，基于 Matlab 程序对 16 个车窗目标点进行 TSP寻优实验。根据实验结果绘制出遍历各车窗目标点的路径图以及各迭代次数路径最短距离与平均距离对比图，图10 为 GA 算法路径寻优，图11 为其迭代次数，图12 为 PSO 算法路径寻优，图13 为其迭代次数，图14 为 ACO 算法路径寻优，图15 为其迭代次数。图 10遗传算法路径寻优图 11遗传算法迭代次数图 12粒子群算法路径寻优图 13粒子群算法迭代次数图 14蚁群算法路径寻优182023 年第 4 期工业仪表与自动化装置图 15蚁群算法迭代次数从上述图中可以看出，遗传算法(GA)、粒子群算法(PSO)与蚁群算法(ACO)遍历 16 个车窗目标点均求解到了最优路径，蚁群算法和粒子群算法相对于遗传算法求解的路径距离较短。并且从图 11看出随着迭代次数的增加，总路径距离的平均值有所收敛，路径距离的最小值一直在减小，当迭代次数达到 500 次后趋于稳定，表明 GA 算法寻找到最短路径。然而蚁群算法在迭代次数低于 20 次时就寻找到最短路径。通过遗传算法和蚁群算法对比，蚁群算法比遗传算法的收敛速度更快，而且最终所寻求到的总路径距离最短。通过粒子群算法与蚁群算法对比，虽然两个算法求解路径距离基本一致，但PSO 算法的迭代次数达到 130 次左右才趋于稳定，因此蚁群算法表现出了的优势。4 2基于 V EP 的仿真实验采用 V EP 软件对隧道火灾进行环境建模，共设置了三组待检测的车辆，如图 16 所示。图 16V EP 隧道建模以子情形 2 为例进行仿真，为了便于描述每个目标点，因此采用字母进行标识，如图 17 所示，其中G、H 代表2 个不可观测点，其余 A、B、C、D、E、F 共6个点均可作为观测点，按照该文选取点的策略，B、C为必选观测点否则存在漏检，那么 A、F 两点选取一点，D、E 两点选取一点。图 17子情形 2四种路径点的选取方案如下，路径长度分别为238 168 2、267 601 2、250 045 9、256 522 2，如下所示。可以看出 B、C、D、A 的路径点的选取明显缩短了末端的行走距离，并且从数据中可以直观的看出选取 B、C、E、F 的方案路径最长。图 19 为机械臂末端的运动轨迹。图 19机器人运动轨迹28工业仪表与自动化装置2023 年第 4 期隧道内会有很长一段堵塞路段，为了提高检测效率，由每次检测两辆车的基础上延伸到四辆车的检测当中。图中数字 1 16 表示 16 个车窗点，其中标号为 3、4、6、12、13，由于间距过小视为不可观测点，如图 20 所示。图 20四辆车的检测路径规划表 1路径规划结果序号路径点选取检测路径规划结果路径长度11 2 7 8 9 10 14 16141092187161086 421 2 7 8 9 10 15 16151092187161129 331 2 7 8 9 11 14 16141192187161056 641 2 7 8 9 11 15 16151192187161101 851 2 7 8 9 10 14 16141092187161070 361 2 7 8 9 10 15 16151092187161113 271 2 7 8 9 11 14 16141192187161085 781 2 7 8 9 11 15 16151192187161040 4表 1 中列举了当前车辆停靠情况的所有规划方法，第 8 组结果为该文的规划方法。按照路径点的选取以及最终路径规划长度对比得知该方法明显缩短了机器人的移动距离，可以提高检测效率。5结论(1)提出了一种轨道式机器人方案，应用轨道式机器人可以快速到达灾情现场，避免交通堵塞带来隧道救援的困难;(2)提出了基于蚁群算法的受困人员疏散机器人路径规划方法，该方法能够减少机器人的移动距离，有效的提高引导疏散效率;(3)通过仿真进行了验证，路径点的选取方案能够明显缩短机械臂末端的移动距离。针对未来的研究方向，现有研究对目标点 Z 方向考虑不足，未来需要考虑 Z 方向坐标的影响，使算法更贴近实际，同时开展实际的实验进行验证等。参考文献:1 王少飞，林志，陈建忠 山区高速公路隧道危险品运输管理对策 J 消防科学与技术，2010，29(7):5 2 赵东平，王峰，余颜丽，等 铁路隧道火灾事故及其规模研究综述 J 隧道建设，2015，35(03):227 231 3 王少飞，林志，余顺 公路隧道火灾事故特性及危害 J 消防科学与技术，2011，30(04):337 340 4 马伟斌，王志伟，韩自力 长大铁路隧道防灾疏散救援体系现状综述及研究展望 J 隧道建设:中英文，2020，40(08):1113 1122 5 王宇，吴智恒，刘泓滨，等 一种机器视觉的灾后救援机器人系统设计 J 机械设计与制造，2017(08):239 241 6 BOUKAS E，KOSTAVELIS L，GASTEATOS A，et al o-bot guided crowd evacuation J IEEE Trans on Automa-tion Science and Engineering，2015，12(2):739 751 7 SANGEETHA S，NAGAYO A M，Mohamed A，et al IoTbased smart sensing and alarming system with autonomousguiding robots for efficient fire emergency evacuation C/Proc of the 2nd International Conference for Emer-ging Technology 2021:1 6 8 刘文兵，王艺栋 多无人机协同搜索多目标的路径规划问题研究 J 电光与控制，2019(3):5 9 WANG Wei，WANG Meiling，YU Yuefeng，et al Amulti objective parking space decision making andpath planning method C/Proc of IEEE ICUS 2021:672 677 10于晖，苏延森 水下爬行机器人多目标路径规划的研究 J 合肥工业大学学报:自然科学版，2019，42(2):7 11 邓慧允，张清泉 蚁群算法与遗传算法在 TSP 中的对比研究J 山西师范大学学报:自然科学版，2017，31(03):34 37 12游道明，陈坚 用蚂蚁算法解决多目标 TSP 问题 J 小型微型计算机系统，2003(10):1808 1811 13李涛，赵宏生 基于进化蚁群算法的移动机器人路径优化 J/OL 控制与决策(2022 1 9)2022 05 20 http:/doi org/10 13195/2021/1324(下转第 88 页)382023 年第 4 期工业仪表与自动化装置从图7(a)(b)中可以看出，二阶倒立摆的摆角和小车位移约在25 s 时趋于稳定。在150 s 180 s 的运行区间内，小车的位移稳定在0 15 m，0.15 m之间，上、下摆角则分别维持在0 5 rad，0 5 rad和0 25 rad，0 25 rad的范围内，由此表明该系统的稳定性良好，算法的控制效果显著。而从图 7(c)中可知，虽然倒立摆的参数区间变化范围与该算法一致，但其曲线的波动较大，系统稳定性明显弱于文中所提算法。计算两个算法控制系统稳定后200 s 内 3 个指标的方差，结果如表 4 所示。表 4系统参数的方差计算结果参数名称BP 神经网络该算法小车位移/m0 0240 053上摆角/rad0 0380 087下摆角/rad0 0570 096可以看出，表 4 的参数方差计算统计结果与运行曲线基本一致。相较于 BP 网络，所提算法的小车位 移、上 摆 角 及 下 摆 角 的 方 差 分 别 提 升 了54.72%、56 32%和 51 04%。证明了在该算法控制下，二阶倒立摆的稳定性明显优于 BP 神经网络。3结论该文将小波变换分析与神经网络相结合，提取了工业系统在小波域内的信号特征，并将获得的信息输入模糊控制网络中，进而实现了智能化控制。与现有的主流算法相比，所提算法的控制稳定性显著提升。未来随着智能工业制造领域的发展，该算法将会在机器人机械臂的控制上有更为广阔的应用前景。参考文献:1 马兆冉，邵长冬，刘烨 基于深度残差算法的工业智能巡检机器人目标定位系统J 电子设计工程，2022，30(14):115 118+123 2 胡琼琼，伞红军，陈久朋，等 一种四自由度并联机器人的运动性能分析及仿真J 电子科技，2021，34(11):46 54 3 贾金明，宋焕生，梁浩翔，等 基于机器视觉的工业巡检过程监控分析系统J 计算机系统应用，2021，30(2):70 76 4 李显，李歆，周晓锋，等 基于网络结构搜索的工业过程自动故障诊断方法J 计算机应用研究，2022，39(3):807 813 5 郑亚红，于雪庭，马少华，等 变电站故障预警巡检机器人自主运动规划J 沈阳工业大学学报，2021，43(1):6 11 6 郭婕，金海，沈昕格 基于神经网络 PID 算法的四旋翼无人机优化控制 J 电子科技，2021，34(10):51 55 7 张敏，彭红伟，颜晓玲 基于神经网络的模糊决策树改进算法 J 计算机工程与应用，2021，57(21):174 179 8 李晓璇，赵中华，童有为 一种基于神经网络的图像去雾算法J 桂林航天工业学院学报，2022，27(3):308 314 9 常雨芳，张力，谢昊，等 采用小波分析和神经网络的短期风速组合预测 J 华侨大学学报(自然科学版)，2019，40(4):556 560 10 武旭，王林森，彭岚，等 基于小波分析在霍尔传感器采集信号分析中的应用J 工业控制计算机，2021，34(7):146 147+163 11 张昕昕，敬伟，王鹏，等 基于小波神经网络的高速自动机故障预测方法研究J 国外电子测量技术，2020，39(8):11 16 12 韩健民，薛飞宇，梁双印，等 模糊控制优化下的混合储能系统辅助燃煤机组调频仿真 J 储能科学与技术，2022，11(7):2188 2196 13 吴贤宁，李哲，梁晓龙，等 基于模糊控制的无人机集群视觉着降 J 空军工程大学学报(自然科学版)，2021，22(4):2 8 14 张涛，郑家琪，王福东，等 基于模糊控制的 VSG 转动惯量自适应算法J 电力电子技术，2021，55(1):40 44(上接第 83 页)14YANG Xuqing，NI Xiong，YONG Xiang，et al Pathplanning of mobile robot based on adaptive ant colonyoptimization C Proc of the 47th Annual Conference ofthe IEEE Industrial Electronics Society，2021:1 4 15 赵斐，陈昊，白建东，等 基于改进蚁群算法的遥感信息处理负载均衡任务调度算法研究J 计算机测量与控制，2021，29(11):183 188 16 刘双双，黄宜庆 多策略蚁群算法在机器人路径规划中的应用 J 计算机工程与应用，2022，58(06):278 286 17 陈叶凯，梁冬泰，陈特欢，等 基于分组蚁群算法的复杂零件视觉检测机器人路径规划 J 机械制造，2022，60(01):7 13+36 18 AN Xu，ZHANG Qi，GE Fen A path planning meth-od of logistics robot based on improved ant colony algo-rithm C/Proc of IEEE ICBAIE 2020:450 45388工业仪表与自动化装置2023 年第 4 期