申请/专利权人：安徽理工大学

申请日：2022-05-06

公开（公告）日：2024-04-12

公开（公告）号：CN114967680B

主分类号：G05D1/43

分类号：G05D1/43;G05D1/243;G05D1/246;G05D1/633;G05D1/644;G05D109/10

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2022.09.16#实质审查的生效;2022.08.30#公开

摘要：本发明公开一种基于蚁群算法和卷积神经网络的移动机器人路径规划方法，首先采用栅格法建立地图，在地图中标记机器人的起点和终点，标记出障碍物的位置信息。释放出k只蚂蚁，蚂蚁寻路过程中会留下信息素，信息素会对其他蚂蚁产生影响，通过信息素的浓度可以规划出一条最优路径。采用以深度可分离卷积为基础搭建轻量级特征提取网络结构，根据提取的特征分别对道路场景进行语义分割和机器人行驶方向分类，最后转化分割结果并与分类结果相结合来共同指导机器人自主避障。本发明方法能够根据移动机器人在所处未知的复杂环境中不同的障碍物位置，规划出一条避开所有障碍物的平滑的路径。

主权项：1.一种基于蚁群算法和卷积神经网络的移动机器人路径规划方法，其特征在于，包括以下步骤：1规定机器人在矩形区域运动，将该矩形区域按照栅格法划为由x行y列个矩形栅格组成的栅格地图，栅格地图中每一个栅格都代表一个节点，将多余节点优化；2根据步骤1构建出的栅格地图，使用蚁群算法规划出一条路径最短的最优路径，具体步骤为：步骤1.2.1：初始化步骤1的栅格地图，具体为标记起始点，将所有待工作蚂蚁全部初始化留在起始点，蚂蚁序号k从1开始迭代，初始化禁忌表，初始信息素浓度都设为固定常数，当前最优节点记为j点，迭代次数记为i；步骤1.2.2：迭代次数i加1，蚂蚁序号k加1；步骤1.2.3：蚂蚁k按照概率转移公式转移到下一个蚂蚁认为最优的j点，t代表时间轴，从t那一刻，编号为k的蚂蚁开始觅食，它从i节点爬到到第j个节点的转移概率主要跟随启发函数和信息素浓度高低改变；其中τijt代表两个节点之间的信息素浓度；allowedk是编号为k的蚂蚁被允许走的栅格集合；α叫做信息素启发因子，代表其他蚂蚁丢下的信息素对转移概率的影响大小，α越大，表示一个蚂蚁受到其他蚂蚁的影响越大；β叫做期望启发因子，它表示启发信息对蚂蚁寻路过程的影响大小，β越大，蚁群算法就越符合贪心原理，越容易选择当前局部最短路径；ηijt是从栅格i转移到栅格j的启发函数，为提高蚁群算法的全局搜索能力，在启发函数中引入可选节点与终点的距离，以及当前节点的周围障碍物信息，这样可以使得启发函数随着节点环境的不同产生变化，优化的启发函数公式如下： 其中di,G为目标影响因子，表示第i个节点到终点G的距离；∑obs∈Pdi,obs为障碍物影响因子，表示障碍物影响范围P内所有到第i个节点的障碍物的距离之和；q1,q2分别表示启发函数中目标影响因子和障碍物影响因子的权重系数，目标影响因子表示当前节点到目标点的距离，障碍物影响因子表示在障碍物影响范围内障碍物到当前节点的距离之和，此参数设置如下： i表示当前节点，Ny表示栅格地图的行数，Nx表示栅格地图的列数；步骤1.2.4：将j点加入禁忌表；步骤1.2.5：回到步骤1.2.2，直到所有蚂蚁都工作一遍，遍历栅格地图上所有点；步骤1.2.6：按照蚁周模型更新调整信息素浓度τijt+1＝1-ρτijt+Δτij，ρ为信息素挥发系数，它的取值通常ρ∈0,1；步骤1.2.7：若i达到最大迭代次数，则算法停止，输出当前程序计算出来的最优路径，否则跳转到步骤1.2.2继续执行；3采用深度卷积神经网络的方法对步骤2输出的最优路径进行局部避障优化，从而得到一条平滑的路径，作为移动机器人最终行走的路径。

全文数据：

权利要求：

百度查询： 安徽理工大学 基于蚁群算法和卷积神经网络的移动机器人路径规划方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD