基于免疫遗传的机器人路径规划【文献综述】.doc

毕业设计文献综述 电气工程及其自动化 基于免疫遗传的机器人路径规划 摘要：路径规划技术是机器人控制技术研究中的一个重要问题，目前为止，其研究方法主要有两大类：传统方法和智能方法。有关机器人路径规划技术的研究方法，有基于遗传算法、模糊控制和神经网络等智能方法的路径规划技术，并展望了机器人路径规划技术的未来与发展趋势。 关键词：机器人，路径规划，智能规划，传统规划 路径规划技术是机器人研究领域中的一个重要分支。所谓机器人的最优路径规划问题 ,就是依据某个或某些优化准则(如工作代价最小、行走路线最短、行走时间最短等)，在其工作空间中找到一条从起始状态到目标状态的能避开障碍物的最优路径。机器人路径规划方法大致可以分为两类：传统方法和智能方法。 传统路径规划方法有：自由空间法：为了简化问题，通常采用“结构空间”来描述机器人及其周围的环境。这种方法将机器人缩小成点，将其周围的障碍物及边界按比例相应地扩大，使机器人点能够在障碍物空间中移动到任意一点，而不与障碍物及边界发生碰撞。图搜索法：图搜索方法中的路径图由捕捉到的存在于机器人一维网络曲线(称为路径图)自由空间中的节点组成。建立起来的路径图可以看作是一系列的标准路径。而路径的初始状态和目标状态同路径图中的点相对应，这样路径规划问题就演变为在这些点间搜索路径的问题。通过起始点和目标点及障碍物的顶点在内的一系列点来构造可视图。连接这些点，使某点与其周围的某可视点相连(即使相连接的两点间不存在障碍物或边界) 。然后机器人沿着这些点在图中搜索最优路径。栅格解耦法：栅格解耦法是目前研究最广泛的路径规划方法。该方法将机器人的工作空间解耦为多个简单的区域，一般称为栅格。由这些栅格构成了一个连通图，在这个连通图上搜索一条从起始栅格到目标栅格的路径，这条路径是用栅格的序号来表示的。栅格法包括确切的和不确切的两种。确切的解耦法用来描述整个自由空间，这将使复杂环境的解耦速度变慢，其原因是许多复杂的多边形可能需要与障碍物的边界相匹配。这种方法可以保证只要起始点到目标点之间存在路径，就完全能搜索到这条路径。 而我所做的路径规划就是通过确定的栅格法来进行的，环境建模是机器人路径规划的重要环节，目的是为了建立一个便于进行路径规划使用的环境模型。合理的环境模型要求是便于计算机存储、处理、更新和使用。当然在实际应用中，这些要求有可能会有冲突。在大多数文献中，对栅格进行标识时要么使用直角坐标法，要么使用序号法。而此处，将会使用两者结合一起来标识。因为相比坐标法，序号法占有的内存很少，便于在遗传操作中使用。另一方面，直角坐标法在描述栅格之间的相对位置，计算路径长度及检验路径可行性方面有着巨大的优势。 关于智能路径规划方法，近年来 ,随着遗传算法等智能方法的广泛应用 ,机器人路径规划方法也有了长足的进展，许多研究者把目光放在了基于智能方法的路径规划研究上。其中，应用较多的算法主要有模糊方法、神经网络和遗传算法。 基于模糊逻辑的机器人路径规划，模糊方法是在线规划中通常采用的一种规划方法，包括建模和局部规划。提出一种基于模糊概念的动态环境模型，参照物体的位置和运动信息构造二维隶属度函数：然后通过模糊综合评价对各个方向进行综合考察，得到搜索结果。该方法在移动障碍物和移动目标的环境中能有效地实现机器人避碰和导航。李彩虹等提出了一种在未知环境下移动机器人的模糊控制算法，并对此算法进行了推导与仿真，证明该算法鲁棒性强，可消除传统算法中存在的对移动机器人的定位精度敏感、对环境信息依赖性强等缺点，使移动机器人的行为表现出很好的一致性、连续性和稳定性。Hartmut Surmann等提出一种未知环境下的高级机器人模糊导航方法，由8个不同的超声传感器来提供环境信息，然后利用基于模糊控制的导航器来计算这些信息，规划机器人路径。该方法在环境未知或发生变化的情况下，能够快速而准确地规划机器人路径，对于要求有较少路径规划时间的机器人是一种很好导航方法。但是，其缺点是当障碍物数目增加时，该方法的计算量会很大，影响规划结果。 基于神经网络方法的机器人路径规划，禹建丽等提出了一种基于神经网络的机器人路径规划算法，研究了障碍物形状和位置已知情况下的机器人路径规划算法，其能量函数的定义利用了神经网络结构，根据路径点位于障碍物内外的不同位置选取不同的动态运动方程，规划出的路径达到了折线形的最短无碰路径，计算简单，收敛速度快。陈宗海，等提出了一种在不确定环境中移动机器人的路径规划方法，将全局路径规划分解为局部路径规划的组合，为了提高规划的效率，在避障规划中采用了基于案例的学习方法， 以ART—2 神经网络实现案例的匹配学习和扩充，满足了规划的实时性要求。 基于遗传算法的机器人路径规划，遗传算法是目前机器人路径规划研究中应用较多的一种方法，无论是单机器人静态工作空间，还是