足球专业毕业论文范文 基于时间最优的足球机器人路径规划.doc

基于时间最优的足球机器人路径规划 摘 要：路径规划一直是机器人研究的热点问题。机器人的路径规划是基于传感器所获得信息来决策符合机器人运动约束和其他运动性能要求的行为，所以一直是机器人研究的难点。目前用于路径规划的方法很多，如人工势场法、栅格法、可视图法及各种人工智能方法如：遗传算法、神经网络算法、蚁群算法等本论文在足球机器人系统平台上，针对机器人路径规划问题,主要研究了遗传算法，并利用行之有效的方法来解决实际中的路径规划问题。 遗传算法的一般算法 　　 图1-1遗传算法运行基本 3.障碍物的描述与检测 我们的问题是从机器人的当前点到目标点寻求一条无碰撞的时间最优的Bezier曲线路径。由于机器人足球系统是一个实时动态的复杂环境，为了缩小搜索空间，提高搜索速度，搜索范围确定为:目标点为G，避障机器人R，R到G的距离为L，以L为长，以UZ为宽做一矩形，在矩形范围内的任何机器人俘除外)都视为是障碍，那么比赛场地中就存在一个障碍物的有限集合(由对方机器人ER以及我方的除避障机器人以外的另两个机器人R组成，用0表示)0:{ORI，0R2……ORq}其中q为搜索范围内的障碍物个数.障碍物的表示oRi(x(i)，y(i))oR*(x(i)，y(i))任。，i0，l，2……q;中:为避障区域，如图所示。为方便起见，我们对球场坐标进行转换，把机器人的当前位置作为新的原点，把当前位置到目标位置的连线作的X轴，建立新的直角坐标。在此坐标系下，障碍物的检测变得异常简单即:横坐标在(0，L)之间且纵坐标在(一UZ，U2)之间的所有机器的都认为是障碍物 图1-2 障碍物描述示意图 3.1路径控制参数的编码 在遗传算法中，首先必须把待优化问题的元素编码成染色体的形式。因此这里首先要把路径参数编码，对n次Bezr曲线而言，由Bezeir曲线的性质知起点位置矢量PO和终点位置矢Pn都已经确定，因此控制该曲线的点就是Pl，…，Pn1，所以我们的目的就是对这些控制点进行编码。这里选择直接对 控制点Pi的直角坐标[xl，y]i分别进行编码，这样每确定一条n次Bezeir曲线，需要对2(n)个参数编码。 由于遗传算法的每种操作都是根据适应值的信息对群体进行遗传操作和逐代更新的，因此适应值函数的选取将直接影响到遗传算法收敛速度的快慢和算法的成败，此外适应值函数的选择还应该考虑到具体问题的特征，即时间最优并且能够避开障碍物，由v=st知要想时间最优必须路径最短和速度最大，而在机器人的机械性能一定的情况下主要受路径平滑度的影响，平滑度越好速度的可能值越大，因此我们的适应度函数应该由三部分组成。 (1)路径长度适应度函数 用来描述路径的长度。我们只要对Bez;曲线进行曲线积分即可。 图1-3障碍物区域图 (2)路径安全性适应度函数 描述机器人的避障程度。一般认为如果路径穿越了障碍就不能到达目标点，在这种情况下，个体的适应值应该为0。但是在遗传进化过程中，当适应值完全变成O时，该个体的所有信息(包括有用的和无用的)都将被丢掉，且不能遗传到下一代，这样在迭代繁殖后代操作的过程中就丢失了一些有用的信息，从而会降低收敛速度。因此需要建立一个新的考虑穿越障碍物的路径的避障适应度函数。为了求解的方便，我们把避障机器人缩小为质点，相应把障碍物进行放大，并设定一个安全半径R，安全半径应大于打D(D为机器人的边长)。当路径穿越障碍物时给予一定的惩罚，罚值描述如下:当一条路径穿越一个障碍物区域进时，将该区域分成两个小区域，将其中较小的区域定义为1并把整个障碍物区域定义为S图。我们构造的适应度函数如下: （1-2） 罚值函数表述表明了当路径越靠近禁止区域的中心穿越，罚值越大，适应值越小。在实际的计算一中，由于要求解zier曲线与障碍物相交而分割的面积是比较因难的。在机器人足球系统中，由于障碍物区域比较小，我们可以近似认为穿越障碍物是一直线，这样我们只要弓形的面积即可。 (3)平滑度适应度函数 描述曲线的平滑度。在机器人由当前点运动目标点的过程中，我们认为机器的是一直向前运动 的。如果出现向相反方向运动，显然是与我们的意愿相违背的，这时的曲线也必然出现拐点。在Bezeir曲线中只要保证控制点序列是前向性的就可以保证Bezeir曲线是光滑的。可以如下表示: (4)综合适应度函数 综合适应度函