一种基于改进遗传算法的机器人弱拒止区域路径规划方法

1.本发明属于特种机器人领域，具体涉及一种特种机器人弱拒止区域路径规划方法。


背景技术：

2.在特种机器人领域，经过多年发展已经能够在多种环境下作业，应用广泛的有大型建筑物外表面清扫检修、船舶工业除锈探伤、核电站巡检、化工大型油罐检修、管道检测、风电设备维护、飞机机翼检修等，特种机器人在这些环境中通常依靠gps进行定位，由于非结构化环境等因素，这些场景通常为弱拒止区域。
3.在弱拒止环境中，当前方法采用传统的遗传算法进行路径规划，一方面由于未考虑gps信号强度对定位信号的影响，规划获得的路径难以保证机器人定位的准确性，造成机器人跑偏或者跑丢，另一方面，路径的平滑度会对机器人运行效率产生较大的影响，一般来说，路径拐弯角度变化越小，机器人运行速度越快越安全，工作效率也越高。拐弯角度变化太大时，机器人将花费较多的时间进行转弯，对于壁面检测机器人来说，甚至会造成倾覆掉落等问题，严重影响机器人作业的安全性和高效性。


技术实现要素：

4.为解决现有技术存在的，特种机器人弱拒止区域路径规划中gps信号强度对定位信号的影响和路径拐弯角度变化太大的问题，本发明提供一种特种机器人弱拒止区域路径规划方法，包括：s1：建立运动空间的物理信息栅格地图，对gps信号进行实体化，将gps强度进行分级，使用不同灰度值对运动空间区域进行分级标定，形成gps强度地图，在运动空间的物理信息栅格地图中加入gps强度信息，构建包含gps强度的栅格地图；s2：选中所述包含gps信号强度栅格地图中的n个点随机生成路径，将选中的点定义为路径控制点，以所述路径控制点坐标作为依据，对路径进行编码，第k代路径组成的集合为第k代路径种群；s3：改进遗传算法，进行种群初始化，获得第0代种群；s4：通过改进适应度函数计算第k代种群中路径的适应度，根据适应度对第k代种群中的路径进行排序，将计算得到的最大的适应度，作为第k代种群中路径的最佳适应度；s5：设置第k代路径种群交叉概率和变异概率的初始值，使用所述初始值和所述第k代路径种群最佳适应度计算第k代路径之间的交叉概率和变异概率，用计算得到的交叉概率和变异概率替换交叉概率和变异概率的初始值；s6：将第k代路径种群中所有路径按适应度高低进行排序，按父辈比例选取靠前的路径作为第k 1代路径种群生成的父本，按路径控制点进行交叉和变异操作，生成第k 1代路径种群；s7：执行第k 1代路径种群适应度计算操作，选取第k 1代路径种群中适应度最高
的路径的适应度作为第k 1代路径种群的适应度，判断是否满足终止条件，若是，选取所述适应度最高的路径作为最优路径，若否，返回执行s6；s8：获得最优路径, 进行路径平滑处理，方法结束。
5.优选地，所述种群初始化为，使用粒子群优化算法代替遗传算法生成第0代种群。
6.优选地，所述适应度计算使用gps强度信息和路径角度变化信息对适应度函数进行优化，所述优化为将路径长度，gps信号强度影响项以及路径角度变化影响项加入路径适应度计算。
7.优选地，所述交叉概率及变异概率更新采用基于适应度的自适应更新方法。
8.优选地，所述自适应更新方法为，用平均适应度代替迭代次数作为参照，在改进遗传算法前期所取交叉概率和变异概率的初始值高于改进遗传算法后期所取交叉概率和变异概率的初始值。
9.优选地，所述路径平滑处理采用三次样条插值路径平滑方法。
10.优选地，一种计算机可读存储介质，存储有计算机程序，当所述计算机程序被计算的处理器执行时，使得计算设备执行上述所述的方法。
11.本方法采用基于灰度值的包含gps信号强度栅格地图构建算法，提出gps信号强度信息实体化方法，并将其引入栅格地图当中去，降低gps信号强度对定位信号的影响，以保特种证机器人定位的准确性；采用粒子群优化算法在原始遗传算法的基础上对遗传算法进行初始化，能够避免盲目初始化，保证初始种群中的个体质量，同时为后续进化提供丰富的优秀基因，在降低算法陷入局部最优的概率的同时加速遗传算法的收敛速度。使用gps强度信息和路径角度变化信息对适应度函数进行优化，将路径长度，gps信号强度影响项以及路径角度变化影响项加入路径适应度计算，提高特种机器人路径的平滑度，提高控制方案的可靠性。通过在算法前期取较高的交叉和变异概率，以增加种群搜索能力；在算法后期，取较小的交叉和变异的概率，进一步提高算法整体的收敛性，同时，以平均适应度为参照而非迭代次数，有利于根据种群当前的实际情况保存优秀个体。能够使求得的壁面检测机器人运动路径在搜索广度和搜索时间上达到平衡，提高了路径规划的质量。
附图说明
12.为了更清楚地说明发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
13.图1是本发明提供的算法流程图。
14.图2是本发明提供的实验场景模型图。
15.图3是本发明提供的实验场景物理信息栅格地图。
16.图4是本发明提供的 gps信号等级地图局部。
17.图5是本发明提供的实验场景gps信号地图。
18.图6是本发明提供的包含gps信号强度的实验场景栅格地图。
19.图7是本发明提供的可行性试验用复杂环境栅格地图。
20.图8是本发明提供的可行性实验路径规划结果。
21.图9是本发明提供的改进遗传算法路径规划实验结果。
22.图10是本发明提供的粒子群优化算法路径规划实验结果。
23.图11是本发明提供的传统遗传算法路径规划结果。
24.图12是本发明提供的算法路径角度对比图。
25.图13是本发明提供的算法路径角度和对比图。
26.图14是本发明提供的实验用特种机器人。
27.图15是本发明提供的实验系统结构图。
28.图16是本发明提供的现场试验图。
29.图17是本发明提供的路径的编码格式。
具体实施方式
30.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
31.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
32.实施例一：本发明提供一种基于改进遗传算法的机器人弱拒止区域路径规划方法，其算法流程如图1所示。具体步骤为：s1：建立运动空间的物理信息栅格地图，对gps信号进行实体化，将gps强度进行分级，使用不同灰度值对运动空间区域进行分级标定，形成gps强度地图，在运动空间的物理信息栅格地图中加入gps强度信息，构建包含gps强度的栅格地图；s2：选中所述包含gps信号强度栅格地图中的n个点随机生成路径，将选中的点定义为路径控制点，以所述路径控制点坐标作为依据，对路径进行编码，第k代路径组成的集合为第k代路径种群；s3：改进遗传算法，进行种群初始化，获得第0代种群；s4：通过改进适应度函数计算第k代种群中路径的适应度，根据适应度对第k代种群中的路径进行排序，将计算得到的最大的适应度，作为第k代种群中路径的最佳适应度；s5：设置第k代路径种群交叉概率和变异概率的初始值，使用所述初始值和所述第k代路径种群最佳适应度计算第k代路径之间的交叉概率和变异概率，用计算得到的交叉概率和变异概率替换交叉概率和变异概率的初始值；s6：将第k代路径种群中所有路径按适应度高低进行排序，按父辈比例选取靠前的路径作为第k 1代路径种群生成的父本，按路径控制点进行交叉和变异操作，生成第k 1代路径种群；s7：执行第k 1代路径种群适应度计算操作，选取第k 1代路径种群中适应度最高的路径的适应度作为第k 1代路径种群的适应度，判断是否满足终止条件，若是，选取所述适应度最高的路径作为最优路径，若否，返回执行s6；s8：获得最优路径, 进行路径平滑处理，方法结束。
33.实施例二：本发明提供一种基于改进遗传算法的机器人弱拒止区域路径规划方
法，进一步的，具体步骤为：s1：建立运动空间的物理信息栅格地图，对gps信号进行实体化，将gps强度进行分级，使用不同灰度值对运动空间区域进行分级标定，形成gps强度地图，在运动空间的物理信息栅格地图中加入gps强度信息，构建包含gps强度的栅格地图；具体步骤如下：s1.1：对运动空间物理信息进行处理，建立运动空间的物理信息栅格地图m0，大小为，其中地图的栅格状态只有两种，即占据或自由：占据表示该位置为障碍物用灰度值0表示；自由为机器人可活动区域，用灰度值255表示；s1.2：依据gps信号质量分为z个等级，对地图中每个栅格对应的运动空间位置的gps信号强度进行测试，将测试结果记录到与栅格地图长宽相同的矩阵中，记录后的矩阵记为h0：s1.3：采用线性映射的方法，将强度等级数值映射到0-255灰度值中去，获得gps强度灰度值矩阵h1，i、j表示灰度矩阵中第i行第j列的元素，计算方法如下；（1）（2）s1.4：为了使地图能够更加直观地表达运动空间特性，提高地图的自明性和可读性，对灰度矩阵h1进行取反运算获得h2，计算如下；（3）即：（4）s1.5：将gps强度灰度矩阵h2与运动物理信息地图m0相加，获得规划用运动空间地图，计算如下；（5）以特种机器人在复杂异形壁面进行日常检修作业为例，进行弱拒止区域栅格地图构建实验。实验区域实体如图2所示。
34.利用栅格地图法将机器人巡检运动空间进行网格化处理，栅格状态包括两种，即占据或自由，图中黑色栅格表示障碍物信息，白色栅格为机器人可活动区域，地图尺寸为40*40，如图3所示。
35.对壁面环境gps信号强度进行测试，将信号质量分为4个等级，如下表所示：
将检测获得的gps信号存储成与栅格地图尺寸相同的矩阵，矩阵局部如图4所示对矩阵元素进行灰度值线性映射和灰度值取反操作，形成gps信号栅格地图，输出图像结果如图5所示。
36.将图3中表示为自由既白色栅格的区域使用图4中的对应栅格灰度值数据，从而获得运动空间的包含gps信号的栅格地图，如图6所示。
37.本步骤采用基于灰度值的包含gps信号强度栅格地图构建算法，提出gps信号强度信息实体化方法，并将其引入栅格地图当中去，降低gps信号强度对定位信号的影响，以保特种证机器人定位的准确性。
38.s2：选中所述包含gps信号强度栅格地图中的n个点随机生成路径，将选中的点定义为路径控制点，以所述路径控制点坐标作为依据，对路径进行编码，第k代路径组成的集合为第k代路径种群；进行路径规划的最终目的是获取既定评价体系内的最优路径，为方便算法的进行将路径控制点的坐标作为编码的依据，具体步骤如下：对于含有m个个体的第a代种群，可用以下式子表示：
ꢀꢀ
（6）假设第k代种群中一段有n个控制点的路径，第i个路径点坐标为，路径的编码格式如图17：s3：改进遗传算法，进行种群初始化，获得第0代种群；根据周围环境及gps信号强度建立栅格地图，最大迭代次数g，当前迭代次数g，初始化基因长度既路径控制点n，种群数量m，交叉概率初始值，变异概率初始值，进化过程中的父辈比例，使用粒子群优化算法生成初代种群既生成m个可实现从起点到终点的路径，利用粒子群优化算法进行种群初始化的结果表示如下式所示。
39.（7）本步骤采用粒子群优化算法在原始遗传算法的基础上对遗传算法进行初始化，能够避免盲目初始化，保证初始种群中的个体质量，同时为后续进化提供丰富的优秀基因，在降低算法陷入局部最优的概率的同时加速遗传算法的收敛速度。
40.s4：通过改进适应度函数计算第k代种群中路径的适应度，根据适应度对第k代种群中的路径进行排序，将计算得到的最大的适应度，作为第k代种群中路径的最佳适应度；
s4.1：引入三次样条插值路径平滑方法，使用三次样条插值生成控制点间的平滑曲线，利用曲线中的各点进行路径距离和路径角度计算。
41.依据控制点进行三次样条插值方法计算路径点，集合记为，路径点数量记为i。
42.计算各点间坐标差值，记为，计算公式如下：（8）计算路径点间距离，求和获得路径点长度d，计算公式如下：（9）依据路径点的gps信号强度等级计算gps信号强度影响项fg，g1、g2表示路径点在栅格地图中对应的灰度值，公式如下；（10）计算路径点间角度变化值，对结果求和获得路径角度变化影响项fc，公式如下：（11）s4.2：对路径长度d，gps信号强度影响项以及路径角度变化影响项以一定的比例计算路径适应度。为欧氏距离项影响因子，为gps信号项影响因子，为角度变化项影响因子。调节、、之间的比值可以改变三种影响因子的比例。公式如下：
ꢀꢀ
(12)f为优化适应度函数。
43.本方案使用gps强度信息和路径角度变化信息对适应度函数进行优化，将路径长度，gps信号强度影响项以及路径角度变化影响项以加入路径适应度计算，提高特种机器人路径的平滑度，提高控制方案的可靠性。
44.s5：设置第k代路径种群交叉概率和变异概率的初始值，使用所述初始值和所述第k代路径种群最佳适应度计算第k代路径之间的交叉概率和变异概率，用计算得到的交叉概率和变异概率替换交叉概率和变异概率的初始值；s5.1：获取上一代路径种群，记为，设置交叉概率初始值为，变异概率初始值为，获取迭代获得的路径集合最佳适应度，记为。
45.s5.2：计算更新后的交叉概率，设交叉率调整系数为a,公式如下：
ꢀꢀꢀ
(13)用对当前代交叉概率进行更新。
46.s5.3：计算更新后的变异概率，设交叉率调整系数为b，公式如下：
ꢀꢀꢀ
(14)用对当前代交叉概率进行更新。
47.s5.4：根据更新后的交叉概率与变异概率，使用上一代种群计算当代种群，依据概率使用轮盘赌法确定是否交叉或者变异。如果是，交叉时对路径控制点按位点进行交换，变异时随机生成一个点替代原来的路径控制点；如果否，则不对路径控制点进行操作。
48.本步骤中，先对交叉概率和变异概率的初始值进行选取，选取较高的概率，以增加种群搜索能力；再对a和b的值进行选取，a和b的作用是调整当前适应度对交叉和变异的影响大小，计算适应度的值随迭代次数变化的收敛曲线，基于收敛曲线的陡峭程度判断收敛速度，当收敛速度达到第一阈值时，以当前的a、b作为交叉率调整系数和变异率调整系数，计算得到小于初始值的交叉概率和变异概率，进一步提高算法整体的收敛性；同时，以平均适应度为参照而非迭代次数，有利于根据种群当前的实际情况保存优秀个体。能够使求得的壁面检测机器人运动路径在搜索广度和搜索时间上达到平衡，提高了路径规划的质量。
49.s6：将第k代路径种群中所有路径按适应度高低进行排序，按父辈比例选取靠前的路径作为第k 1代路径种群生成的父本，按路径控制点进行交叉和变异操作，生成第k 1代路径种群；s7：执行第k 1代路径种群适应度计算操作，选取第k 1代路径种群中适应度最高的路径的适应度作为第k 1代路径种群的适应度，判断是否满足终止条件，若是，选取所述适应度最高的路径作为最优路径，若否，返回执行s6；s8：获得最优路径, 进行路径平滑处理，方法结束。
50.为验证所述方法的有效性，将建立的地图导入matlab2020b进行路径规划试验，为验证方法的适用性，对地图细节进行修改，设定不一样的gps信号强度空间与实体障碍物空间，如图7所示，相对于图6的环境，图7环境更加复杂，机器人路径规划求解难度更高，下面分别在两张地图中使用本方法进行路径规划试验。
51.试验使用电脑详细配置如下：cpu： amd ryzen 7 5800h内存：16gb硬盘：512g高速固态硬盘为保证规划的路径质量，依据地图复杂程度对路径控制点个数进行修改，本次试
验图6使用的控制点个数为7个，图7使用的控制点个数为8个。路径规划结果如图8所示，结果表明使用本发明无论在简单地图和复杂地图中规划出很好地避开环境中的障碍物和gps信号强度过弱区域路径。
52.在图6所示地图中分别进行本发明、遗传算法和粒子群优化算法的路径规划实验，算法参数设置如表2，表3所示：表2表3初始化算法参数后，进行点到点路径规划，设置起点坐标为（10，2）既地图左下角的点，终点坐标设置为（31，39）既地图右上角的点，三种算法规划结果分别图9、图10、图11所示，通过对路径曲线分析可以发现，粒子群优化算法生成的路径生成的路径曲线局部波动明显，有许多不必要转弯，本发明所述算法和遗传算法生成的路径曲线局部波动明显较为平滑；相较于遗传算法，本发明算法将完成点到点运动需要实现的转弯更多的分散到了路径整体上，减少了机器人本体剧烈频繁转向造成的系统冲击。
53.对三种算法生成的路径角度数据放大100倍进行绘图比对，结果如图12所示，本发明所提方法在路径角度均值上是三种算法种最小的；同时，相较于粒子群优化算法和ga算法的剧烈波动，本发明算法角度变化较少，且整体趋势是平滑的，角度变化区间较小，机器人转弯幅度始终保持在较小的范围内。
54.分别使用3种算法进行10次路径规划实验，对生成路径的角度和数据进行比对分析，结果如图13所示，可以看到本发明将粒子群优化算法生成路路径角度和变化较小，沿平均值两侧分布较均匀的优点和遗传算法生成路径平均角度和小的优点结合了起来，并且由于适应度函数的改进，使得平均角度和最小且角度和沿平均线两侧分布均匀变化量较小。
55.为验证本发明在实际场景中的效果，在露天模拟试验场环境中进行路径规划实验，特种机器人平台使用的是磁吸附机器人底盘搭载协作机器人/机械臂，如图14所示。采用工控机进行控制，工控机参数如下：显示器：24寸led背光液晶显示器处理器：intel 至强t5820（8核）内存：32g存储：2t高速固态硬盘网络：2*千兆网口操作系统：ros（linux）系统
系统结构如图15所示。
56.仿真环境路径规划的结果的路径控制点，如表4所示：表4将规划路径的结果转换成控制信号，进行特种机器人工作过程中沿路径运动测试，如图16所示，图中白色圆圈为机器人的路径控制点，p1和p7分别为预设的起始点和目标点，机器人在实验过程中沿规划好的轨迹进行了运动，躲避开了试验区域中gps信号弱的区域，未出现定位信息丢失的情况，结果证明了本发明说述方法能够较好地完成特种在弱拒止区域的路径规划试验。
57.本方法采用基于灰度值的包含gps信号强度栅格地图构建算法，提出gps信号强度信息实体化方法，并将其引入栅格地图当中去，降低gps信号强度对定位信号的影响，以保特种证机器人定位的准确性；采用粒子群优化算法在原始遗传算法的基础上对遗传算法进行初始化，能够避免盲目初始化，保证初始种群中的个体质量，同时为后续进化提供丰富的优秀基因，在降低算法陷入局部最优的概率的同时加速遗传算法的收敛速度。使用gps强度信息和路径角度变化信息对适应度函数进行优化，将路径长度，gps信号强度影响项以及路径角度变化影响项加入路径适应度计算，提高特种机器人路径的平滑度，提高控制方案的可靠性。通过在算法前期取较高的交叉和变异概率，以增加种群搜索能力；在算法后期，取较小的交叉和变异的概率，进一步提高算法整体的收敛性，同时，以平均适应度为参照而非迭代次数，有利于根据种群当前的实际情况保存优秀个体。能够使求得的壁面检测机器人运动路径在搜索广度和搜索时间上达到平衡，提高了路径规划的质量。此外，本方法将粒子群优化算法生成路路径角度和变化较小，沿平均值两侧分布较均匀的优点和遗传算法生成路径平均角度和小的优点结合了起来，并且由于适应度函数的改进，使得平均角度和最小且角度和沿平均线两侧分布均匀变化量较小。
58.上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。
59.以上实施方式仅仅是为了说明本发明的原理而采用的示例性介绍，然而本发明并不局限于此。此次公开的系统和方法可封装为单个算法或功能组，嵌入现有移动机器人客户端中，方便客户和设备运维人员使用。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。