CN115079705B 基于改进a星融合dwa优化算法的巡检机器人路径规划方法 （山西精宏睿电力科技有限公司）

基于改进A星融合DWA优化算法的巡检机器本发明具体是一种基于改进A星融合DWA优局路径最优和实时避障能力的高效路径规划算2S2.3：而后开始节点搜索，当访问过起点后将其从Openlist中删除并加入到Close3%、x2、y2<vc7下R(2);S3.5：判断所有障碍物节点是否有一或多个在当前节点与孙子节点连线S0S2的路径区为根据直线方程yline＝kxobc+b计算出障碍物节点位置和当前节点与孙子节0G1上所有节点g1i与起点S0的连线区域内均无障碍物节点，则删除S0G1上所有节点g1i4提高算法的安全性和避障灵敏性，将原始DWA算法中采样轨迹末端点与最近障碍物之间的β12S根据已知静态障碍物、未知静态障碍物和未知动态障碍物对于巡检机器人的危险程规定冲突半径的取值为R<Ds<2R，当机器人与动态障碍物的距离小于或等于机器人转弯半2.根据权利要求1所述的基于改进A星融合DWA优化算法的巡检机器人路径规划方法，其特征在于：改进A星融合DWA优化算法的参数包括巡检机器人运动学参数和改进DWA算法53.根据权利要求1所述的基于改进A星融合DWA优化算法的巡检机器人路径规划方法，其特征在于：步骤S5.2中运动学模型是假设巡检机器人在某段时间Δt内作匀速直线运动机器人的航向角，ν(t)为t时刻下巡检机器人的速度，ω(t)为t时刻下巡检机器人的角速4.根据权利要求1所述的基于改进A星融合DWA优化算法的巡检机器人路径规划方法，学模型得到巡检机器人前向模拟时间内的速度空间是没有考虑自身以及环境因素在内的式中，Dist(v,ω)表示预测轨迹末端与障碍物的最小距离，j,6DWA优化算法中的改进评价函数选择最优预测轨迹和速度空间，实现改进A星算法与DWA优7[0015]进一步地，改进A星融合DWA优化算法的参数包括巡检机器人运动学参数和改进[0019]S2.3：而后开始节点搜索，当访问过起点后将其从Openlist中删除并加入到算法开始时当前点距离终点较远，启发8当前搜索领域中将要被检测的备选节点，并查找经评价函数评估后F(n)值最小的最优节[0027]本发明选用最小堆融合二维数组结构来存放和处理A星算法搜索节点信息，其实质就是将A星算法二维搜索节点存放在最小堆这种数据结构中，其中最小堆是一种经过排堆顶就是整个A星算法二维搜索节点中代价值最小的节点元素，本发明使用二维数组作为的代价值的最小节点元素。本发明将这种复合数据结构封装成优先级队列作为Openlist[0028]这种最小堆融合二维数组的复合数据结构将能更快速查找到A星算法中最小代价[0031]A星算法的搜索效率主要依赖启发函数H(n)，如果启发函数的估计代价值H(n)大[0032]本发明采用的欧氏距离计算结果一般小于真实代价值，那么需设置一个值大于11。所以本发明提出随算法运行而逐渐减小的自适应权重系数来改进启发函9冗余节点S1；当夹角θ1不为0时，则计判断不等式(6)是否成立；范围为√<D<3,根据直线方程yline＝kxobc+b计算出障碍物节点位置和当前节点与孙节点S1为Udist(v,w)+βs一步提高算法的安全性和避障灵敏性，将原始DWA算法中采样轨迹末端点与最近障碍物之β12S除以对应项的总和即归一化处理；[0060]优化后的DWA算法让巡检机器人在保持运行安全性的情况下兼具更优的避障灵敏每两个相邻局部关键点之间进行局部路径规划，而优化后的DWA评价函数使局部规划尽可[0065]进一步地，步骤S5.2中运动学模型是假设巡检机器人在某段据运动学模型得到巡检机器人前向模拟时间内的速度空间是没有考虑自身以及环境因素[0080](1)本发明提供了一种基于改进A星融合DWA优化算法的巡检机器人路径规划方[0082](3)优化原始DWA算法轨迹采样评价函数的子函数，帮助其贴近改进A星算法的全[0083](4)A星算法和DWA算法单独使用时各自存在局限，本发明将传统A星算法和DWA算[0084](5)基于Matlab进行仿真对比实验验证了本发明所提改进A星算法和融合路径规法、传统A星算法以及本发明改进A星算法在30*30栅格环境下的全局路径规划对比仿真结法、传统A星算法以及本发明改进A星算法在50*50栅格环境下的全局路径规划对比仿真结法、传统A星融合DWA算法和本发明改进A星融合DWA优化算法在30*30栅格环境下的对比仿法、传统A星融合DWA算法和本发明改进A星融合DWA优化算法在50*50栅格环境下的对比仿法、传统A星融合DWA算法和本发明改进A星融合DWA优化算法在30*30栅格环境下对比仿真法、传统A星融合DWA算法和本发明改进A星融合DWA优化算法在50*50栅格环境下对比仿真[0093]图9是本发明中改进A星算法和融合路径规划算法的模拟温室实物实景验证场地[0094]图10是本发明所提算法实物验证的起止点位置以及改进A星算法规划的全局最优径ST1T21[0118]步骤2.3，如果存在障碍物节点则路径优化失败重新优化路径，否则继续以G12[0121]本发明中改进A星算法规划的是一条包含起止点和局部目标点的全局最优路径，DWA优化算法进行路径规划并结合激光雷达检测周围[0122]其中DWA优化算法在每两个相邻局部关键点之间进行局部路径规划，而优化后的DWA评价函数使局部规划尽可能贴近全局最优路径，并具备当预测轨迹末端与最近局部目[0125]为验证本发明所提改进A星算法和融合路径规划算法的有效性，利用Matlab进行[0127]本发明中的改进A星算法分别与基于安全考虑的蚁群算法、加速收敛的蚁群算法但机器人并不是完全按照此全局最优路径运动，而是按融合路径规划算法规划的路径运[0132]基于上述改进A星算法的全局最优路径和局部目标点，进行本发明融合路径规划合DWA算法、传统A星融合DWA算法和本文改进A星融合DWA优化算法在两种栅格环境下的仿[0139]由于上述四种对比算法均包含了DWA算法使得它们均具有动态避障能力，因此原于基于安全考虑的蚁群融合DWA算法和传统A星融合DWA算法，本发明改进A星融合DWA优化算法剔除冗余节点之后，局部目标点数相较传统A星算法和基于安全考虑的蚁群算法得到[0143]通过表4可知两种尺寸栅格地图下，本发明改进A星融合DWA优化算法的路径长度和规划时间较于其他三种算法均有所优化，因为本发明融合算法是严格遵循改进A星算法的全局最优路径和经过剔除冗余节点之后的局部目标点来进行轨迹搜索，并通过DWA算法态障碍物。将本发明改进A星算法和改进A星融合DWA优化算法应用到自主搭建的温室巡检[0149]附图11中①‑⑤展示了小车严格遵循本文改进A星算法全局最优路径运行的具体[0150]本发明改进A星融合DWA优化算法的实验环境与改进A星算法一致，同样启动编写[0151]附图12①中绿色线条为改进A星算法的全局路径，红色圆圈中小车模型前方的红色线条为本发明DWA优化算法经过速度采样最优预测轨迹，小车严格按照此受全局最优路