基于鲸优化算法的自导航机器人路径规划研究

　　摘 要：自导航机器人(Automated Guided Vehicle，AGV)是现代产业不可或缺的重要组成部分。本文对AGV路径规划算法进行研究和设计。首先，采用栅格法对AGV运行环境建模，并制定约束规则以解决多AGV的冲突问题。其次，引入双非线性收敛因子和强制驱散机制对经典WOA进行改进。再次，定义适应度函数，并将改进的WOA应用于路径规划算法。仿真和实验结果表明，基于改进WOA的规划算法能够有效简化路径复杂度、降低机器人控制难度。

　　关键词：群智能算法;鲸优化算法;自导航机器人;路径规划

　　1 引言(Introduction)

　　隨着智能仓储和自动生产线的不断发展，自导航机器人(Automated Guided Vehicle，AGV)成为现代产业不可或缺的重要组成部分[1]。路径规划则成为AGV研究领域中最根本、最关键的内容之一，机器人需要完成避障和自主路径规划等功能到达目标点[2]。其本质上是依据代价最小、路线最短或时间最短等优化准则，在工作空间中找一条从起点到终点的、避开障碍的最优路径[3]。

　　许多学者针对AGV的路径规划做出了大量的研究。丁承君等人提出基于粒子群优化算法优化AGV路径规划[4]。党宏社等人采用遗传算法进行AGV路径规划，并验证了算法具有较好的收敛能力和全局搜索能力[5]。李悝提出一种改进的混沌粒子群优化算法，采用基于Bezier曲线的路径规划模型，通过调整Bezier曲线的控制点数量，显著改善AGV轨迹路线的长度和平滑度[6]。汤红杰等人针对工厂内物流运输AGV的路径规划效率等问题，提出一种将Dijkstra算法存储方式变更为邻接表，实现了数据结构上对邻接结点搜索的优化[7]。

　　元启发式算法被广泛应用于模式识别、系统控制、信号处理等领域。鲸优化算法(Whale Optimization Algorithm，WOA)是Seyedali Mirjalili于2016年提出的一种新型群智能优化算法[8]。与其他群智能算法相比，WOA结构简单，易于理解，参数少，搜索能力强，全局收敛性好[9]。然而，标准WOA仍然存在收敛速度慢以及无法找到全局最优解的问题。本文在规定多AGV冲突检测规则和优先级设定的基础上，在路径规划中引入改进的鲸优化算法，有效提高算法收敛速度，使算法能够更迅速寻找全局最优解，借助转弯惩罚因子，有效降低路径复杂性。

　　2 AGV运行环境建模(Modeling of AGV running environment)

　　为了便于对AGV所处位置进行描述和储存，本文首先对空间环境进行栅格化处理，即将整个场景划分为尺寸相同的栅格。栅格按照自左至右，自下至上的原则，横坐标为，纵坐标为，场景中的全部栅格可以表示为，对不满一个栅格的区域按照一个栅格处理。如图1所示，有障碍物栅格用黑色表示，没有障碍物为白色，代表可以自由通过的区域。

　　以上数学模型适用于静态地图中点对点循迹，但在多AGV的环境中，每一台AGV只有同时避开静态障碍物及运行中的其他AGV才能安全到达目标点。为了处理多AGV运行可能导致的路线规划冲突问题，首先做如下假设：

　　(1)每个栅格在某一时点仅允许通过一台AGV。

　　(2)机器人直线运动速度相同。

　　(3)满载AGV优先级高于空载AGV。

　　(4)对相同负载状态AGV，编号越小，优先级较高。

　　(5)更改路径规划的优先级高于停车等待。

　　(6)当无法通过低优先级AGV的状态改变而避免冲突时，通过高优先级AGV进行策略变化。

　　若当前AGV所处栅格在前进方向上的下一栅格的左侧或者右侧栅格的障碍权重w=1时，即当前AGV处于十字路口或丁字路口，则AGV通过网络向控制中心请求冲突检测，判断运行至前方栅格是否会与其他AGV产生冲突。具体描述如图2所示。

　　推荐阅读：生产线智能化方面论文发表期刊

期刊VIP网，您身边的高端学术顾问

文章名称： 基于鲸优化算法的自导航机器人路径规划研究

文章地址： http://www.qikanvip.com/jisuanjixinxiguanli/55185.html