首页 →文档下载

以下为《面向煤矿井某某局部复杂空间的机器人三维路径规划方法》的无排版文字预览，完整内容请下载

　 第 42 卷第 6 期 　 2017 年 6 月 煤　 　 炭　 　 学　 　 报 JOURNAL OF CHINA COAL SOCIETY Vol. 42　 No. 6　 June　 2017　 谭某某,杨维,徐某某. 面向煤矿井某某局部复杂空间的机器人三维路径规划方法[ J] . 煤炭学报,2017,42(6) :1634 -1642. doi:10. 13225 / j. cnki. jccs. 2016. 1047 Tan Yuxin,Yang Wei,Xu Zirui. Three-dimensional path planning method for robot in underground local complex space[ J] . Journal of China Coal Society,2017,42(6) :1634-1642. doi:10. 13225 / j. cnki. jccs. 2016. 1047 面向煤矿井某某局部复杂空间的机器人 三维路径规划方法 谭某某,杨　 维,徐某某 ( XX交通大学 电子信息***,XX　 100044) 摘　 要:自动机器人逐渐开始应用于井某某无人或少人煤炭开采、危险探测和救灾过程某某。 根据井某某 局部复杂空间比较小而且密闭,障碍物分布复杂, 地 面 不 平 整 的 特 点, 提 出 了 一 种 基 于 混 合 蚁 群 蜂群算法的井某某局部复杂空间机器人三维路径规划方法。 所提出的井某某局部复杂空间机器人三维 路径规划方法具有产生初始可行路径简单,探索新的可行路径能力强的特点,可有效解决蚁群路径 规划算法可能过早陷入局部最优解,人工蜂群算法迭代次数过多的问题。 对所规划的三维折线路 径采用了 B-spline 插值方法进行了曲线化拟合,可产生出井某某机器人最优的连续平滑路径,更有 利于机器人平稳行进。 仿真结果表明:采用所提出的基于混合蚁群-蜂群算法的井某某局部复杂空 间机器人三维路径规划方法,机器人可有效对在井某某局部复杂空间进行三维路径规划。 关键词:煤矿井某某;机器人;路径规划;蚁群算法;人工蜂群算法 中图分类号:TD679　 　 　 文献标志码:A　 　 　 文章编号:0253-9993(2017)06-1634-09 Three-dimensional path planning method for robot in underground local complex space TAN Yu-xin,YANG Wei,XU Zi-rui ( School of Electronic and Information Engineering,Beijing Jiaotong University,Beijing　 100044,China) Abstract:The automatic robots are gradually applied in the process of unmanned coal mining,hazard detection and disaster relief. According to the characteristics of small confined space,complex obstacle distribution and uneven floor in underground coal mine,a three-dimensional (3D) path planning method for robot in underground local complex space is proposed based on hybrid ant colony and artificial bee colony algorithm. The proposed method can generate the initial paths simply and extend the search range of new feasible path,which effectively solves the problem that ant colony algorithm may trap into the local optimal solution and the iteration times of the artificial bee colony algorithm may be numerous. The B-spline interpolation is applied to the 3D broken path line to generate the optimal continuous smooth path,which is beneficial for robot to travel smoothly. Simulation results show that the robot can plan its path effectively in underground local complex space with the proposed path planning method based on hybrid ant colony and artificial bee colony algorithm. Key words:coal mine;robot;path planning;ant colony algorithm;artificial bee colony algorithm 收稿日期:2016-08-01　 　 修回日期:2016-11-08　 　 责任编辑:许某某 　 　 基金项目:国家重点研发计划专项资助项目(2016YFC***) ;国家自然科学基金资助项目(***,***) 　 　 作者简介:谭玉 新 ( 1992—) , 男, 内 蒙 古 赤 峰 人, 硕 士 研 究 生。 Tel:010 - ***, E - mail:*** @ bjtu． edu． cn。 通 讯 作 者: 杨 　 维 (1964—) ,男,XX人,教授。 Tel:010-***,E-mail:wyang@ bjtu． edu． cn 第6 期 谭某某等:面向煤矿井某某局部复杂空间的机器人三维路径规划方法 1635 　 　 未来自动机器人将被广泛应用于煤矿井某某无人 化或少人化开采、探测和救灾过程某某[1-2] 。 煤矿井某某 的局部区域如综采工作面等区域,区域内地面可能起 伏不一,而且各种障碍物分布复杂。 井某某自动机器人 在这种局部复杂空间下要能高效执行开采、搬运、探 测等各种不同任务,需要具有自主从出发地点行进到 执行任务目的地点的能力即自主路径规划的能力。 目前群体智能路径规划方法被广泛用于机器人 路径规划过程某某。 群体智能路径规划方法是对给定 的目标点,采用群体行为在复杂解空间中寻找最优解 的方法。 群体智能路径规划方法具有随机、并行和分 布式的特点。 蚁群算法是一种被用于路径规划的群 体智能算法,近年来被广泛应用于机器人路径规划的 相关研究中[3-5] 。 如文献[6]通过栅格法对机器人的 工作环境进行建模,将蚁群算法的搜索机制与人工势 场中的势场力启发信息相结合,寻找从起点到终点的 二维最优路径。 文献[7] 针对蚁群算法收敛速度慢、 易于停滞等现象,提出动态挥发率机制,尽量避免算 法陷入局部最优,加快收敛速度。 虽然文献[6 -7] 等 对蚁群路径规划算法进行了改进,但算法在迭代后期 还是没有充分利用和搜索已有可行解,仍有可能陷入 局部最优解。 近年来,人工蜂群算法作为一种新的群 体智能算法,开始被逐步应用于解决机器人路径规划 问题[8-9] 。 人工蜂群算法是一种采用蜜蜂群体智能 采蜜思想的优化算法,具有参数较少,计算迭代过程 较简单,搜索范围广的特点,能够更好地防止路径规 划陷入局部最优解。 文献[8] 对于移动机器人二维 路径规划,利用人工蜂群算法对地图空间内的节点进 行充分搜索,扩大搜索范围,从而获得从起点到终点 的最优折线路径。 文献[9] 针对在室外复杂环境的 机器人路径规划问题,采用地理环境优化算法和蜂群 算法相结合的方式,利用蜂群算法找到起点到目的节 点的最短路径。 文献[8 -9] 等蜂群算法在路径规划 迭代初期都是采用直接随机的方式生成初始可行路 径,需随机搜索地图中已经存在的全部节点,存在产 生初始可行路径的迭代次数过多,复杂度较高的问 题。 为此,针对煤矿井某某局部复杂空间,提出一种基 于混合蚁群 -蜂群算法的路径规划方法。 所提出的 算法首先通过蚁群路径规划算法得到机器人从起始 点到终点的多条初始可行路径。 机器人获得初始可 行路径之后,再采用人工蜂群算法在已有可行路径基 础上进行二次搜索,寻找新的从起点到终点的路径, 更和.新优化机器人行进的路径。 采用所提出的基于 混合蚁群-蜂群算法的路径规划方法,既能够尽可能 避免蚁群路径规划算法在迭代后期较容易陷入局部 最优解的问题,同时又克服了人工蜂群算法产生初始 可行路径的迭代次数过多,复杂度较高的问题[10] 。 由于煤矿井某某局部区域地面可能起伏不一,用所 提出在三维坐标下的路径规划方式,能够使机器人在 前进时,根据预测的起伏地面高度变化,提前准确的 调整机器人运动机构。 采用所提出的基于混合蚁 群-蜂群算法的三维路径规划方法,规划的路径为立 体最优折线路径。 为此,对机器人最优折线路径还采 用了 B-Spline 插值进行了优化,实现了机器人最优 路径的曲线平滑,也有利于实现对井某某机器人更高效 的导航。 1　 井某某局部复杂空间描述及三维坐标系的建 立 　 　 图 1 和图 2 分别为煤矿井某某局部复杂空间和俯 视图[11-12] 。 图 1　 井某某局部复杂空间 Fig． 1　 Underground local complex space 图 2　 井某某局部复杂空间俯视图 Fig． 2　 Top view of underground local complex space 在煤矿井某某局部复杂空间内,障碍分布比较复 杂、道路不平整。 井某某局部 复 杂 环 境 可 抽 象 为 墙 壁、空间中分布的障碍物、不平整地面等。 如图 1 和 2 所示,为了模拟煤矿井某某局部复杂环境,可对 局部区域按一定的间隔进行抽样,不同抽样点的高 1636 煤　 　 炭　 　 学　 　 报 2017 年第 42 卷 度可能不同。 在煤矿井某某局部复杂空间内,机器人二维路径规 划可能会使机器人在越过较高坡度时遇到困难,而三 维路径规划可使机器人根据高度信息预先调整其行 进的执行机构,有利于机器人在起伏的地面高效行 驶。 为了能够对煤矿井某某机器人进行三维路径规划, 建立如图 3 所示的直角坐标系。 坐标系原点 O 为在 局部区域选择的某参考点,坐标系横轴 X 沿矿井巷 道纵向方向,坐标系纵轴 Y 则垂直于巷道壁,坐标系 垂直方向为 Z 轴。 在某局部区域内假设 X 轴最长到 达 M 点,Y 轴最长到达 N 点,Z 轴最长到达 O′点,则 长方体 OMNP-O′M′N′P′即为所研究局部区域的立 体结构[13] 。 图 3　 井某某局部复杂空间三维直角坐标系 Fig． 3　 3D coordinate system for underground local complex space 建立三维坐标系后,将水平面的矩形 OMNP 进 行栅格化,如图 4 所示。 设栅格的单位长度为 l,X 轴、Y 轴和 Z 轴分别以单位长度 l 来划分栅格,则 X 轴的栅格数为 nX = OM / l,Y 轴的栅格数为 nY = ON / l, Z 轴的栅格数为 nZ = OO′ / l。 如果墙壁或障碍物为不 规则形状,不满一个栅格,可在周围补全栅格形状,使 障碍物边缘形成正方形。 空间中任意一点,可以由坐 标(x,y,z) ( x = 0,…,nX;y = 0,…,nY;z = 0,…,nZ ) 进 行表示。 路径规划最终形成的从出发地点到目的地 点的路径,由空间中各个点的序列的连线进行表示。 图 4　 栅格平面图 Fig． 4　 Grid plane map 煤矿井某某局部复杂环境为三维地形,存在着有限 障碍物。 路径规划的目的是建立一个从起点 S 到终 点 E 的最优路径。 机器人从起点 S 到终点 E 行进存 在一条或者多条通路,通过蚁群算法或人工蜂群算法 进行路径规划,得到机器人从起点到终点的最优路径 长度 Lbest。 利用蚁群算法和人工蜂群算法进行路径 规划,需要多次迭代,每一次迭代利用之前全部迭代 过程某某的路径规划数据,寻找更好的可行解。 这样, 可建立机器人行进的路径规划目标函数 Lbest = min( L1 ,L2 ,…,Lntotle ) (1) 其中,Lbest 为最佳路径的总长度;ntotle 为迭代总次数。 第 u( u = 1,…,ntotal) 次迭代的三维路径总长度为 nu Lu = ∑ i=1 ( x u i+ 1 - x u i ) 2 + ( y u i+ 1 - y u i ) 2 + ( z u i+ 1 - z u i ) 2 (2) 其中,nu 为第 u 次迭代所得的路径节点个数;( x u i ,y u i , z u i ) 为第 u 次迭代时第 i 个节点的路径点坐标信息。 2　 蚁群路径规划算法和人工蜂群路径规划算 法 2． 1　 蚁群路径规划算法 蚂蚁在觅食过程某某,在经过的路径上留下一种称 为信息素的物质。 在寻找食物时,蚂蚁倾向于向着信 息素高的方向移动。 从而形成一种正反馈作用,即某 一路径越短,该路径上的蚂蚁越多,此路径信息素强 度越强,后面的蚂蚁选择这条路径的概率越大。 图 2 中,机器人采用蚁群算法从起点 S 向终点 E 进行路径规划。 在机器人行驶之前,为了找到从起 点 S 向终点 E 的最短路径,需要获得所在区域的地 图信息。 在地图已知的情况下,利用蚁群算法多次迭 代,不断优化最短路径,直到迭代收敛找到最优折线 路径。 在使用蚁群路径规划算法时,起点 S 即迭代过 程某某蚂蚁的出发点,终点 E 即蚂蚁的目的地。 机器人利用蚁群算法在路径规划的求解过程某某, 需引入以下参数:m 为蚁群中蚂蚁的个数,τij( t) 为 t 时刻节点 i 和某某 j 之间残留的信息素。 因为在初始 时刻,每条路径的信息素的量都是相等的,所以设定 τij(0)= c,其中,c 为常数,表示各条路径的信息素初 始值。 (1) 路径选择策略 每次迭 代 都 共 有 m 个 蚂 蚁 从 节 点 S 出 发, 蚂 蚁 k( k = 1,2,…,m) 在运动过程某某,会根据节点间的 转移概率决定下一步的移动方向,直到运动到最终节 点 E。 在 t 时刻蚂蚁 k 从节点 i 转移到节点 j 的概率, 由信息素含量 τij( t) 和期望启发函数 ηij( t) 共同决 定,按照如下公式[14-15] 计算: ∑ pkij( t) = ì ταij( t) ηβij( t) ,j í ταis( t) ηβis( t) s⊂allowedk ∈ allowedk (3) î0,otherwise 第6 期 谭某某等:面向煤矿井某某局部复杂空间的机器人三维路径规划方法 1637 其中,α 和 β 分别为 τij(t)和 ηij( t)对整个转移概率影 响的权值;α 为信息启发因子,表示蚂蚁在运动时某某 累的信息在蚂蚁运动时的相对重要性;β 为期望启发 因子,表示蚂蚁在运动时启发信息在蚂蚁选择路径的 相对重要性;allowedk = ( C -Tabuk ) 为蚂蚁下一步允许 选择的节点集合,C 为所有节点的集合,Tabuk 为记录 蚂蚁 k 所走过节点的禁忌表;ηij(t)为 t 时刻节点 i 和 节点 j 之间的期望启发函数,其表达式为 ηij( t) = 1 dij (4) 其中,dij 为节点 i 和某某 j 之间的距离。 由于井某某环 境是三维空间,节点之间的距离按照式(5 ) 计算。 dij = ( x u i - x u j ) 2 + ( y u i - yuj ) 2 + ( zui - z u j ) 2 (5) 其中, ( x u i , y u i , zui ) 为 第 i 个节点第 u 次迭代的坐 标;( xuj ,y u j ,z u j ) 为第 j 个节点第 u 次迭代的坐标。 如式(3)所示,从节点 i 选择下一个转移节点时, 主要 是 路 径 残 留 的 信 息 素 强 度 τij ( t) 和 启 发 函 数 ηij(t)的大小起关键作用。 残留的信息素强度越大, 表示路径已经通过的蚂蚁数越多。 启发函数值越大, 表示下一节点具体当前节点越近。 因此,转移概率越 大的路径,当前蚂蚁选择这条路径的概率越大,从而 驱使蚂蚁不断向着更短更优的方向进行路径更新。 (2) 信息素更新 信息素强度 τij(t)和启发函数大小 ηij( t) 对节点 转移概率都有影响。 为了避免残留信息素过多,淹没 启发信息,过早陷入局部最优解,在每只蚂蚁从出发 节点到目的地点后,需要对残留信息素进行更新。 t+ Δt 时刻节点 i 和某某 j 之间的信息素更新规则为 τij( t + Δt) = (1 - ρ) τij( t) + Δτij( t) (6) m ∑ Δτij( t) = Δτkij( t) (7) k=1 其中, ρ 为 信 息 素 挥 发 系 数; m 为 蚂 蚁 的 总 个 数; Δτkij( t) 为第 k 只蚂蚁在本次迭代中留在节点 i 和节 点 j 之间的信息素。 由于单个蚂蚁完成从起点到终 点的行程后,更新走过的路径中信息素强度,因此采 用蚁群算法中的 Ant-Cycle 模型更新信息素,即 Δτkij( t) = ì Q ,(i,j) íLk ∈ pk( begin,end) (8) î0,otherwise 式中,Q 为信息素强度;Lk 为本次迭代所走过路径的 总长度;pk( begin,end) 为第 k 只蚂蚁在本次迭代中从 起点到终点所走过的路径。 由式(6)和式(7) 可知,在 t+Δt 时刻的第 i 节点 到第 j 节点之间的信息素量包括 t 时刻的两节点之间 信息素剩余量和 Δt 时间内所有 m 个蚂蚁在两节点 之间增加的信息量。 式(8) 表示在 Δt 时间内第 k 只 蚂蚁在第 i 节点到第 j 节点之间的信息素增加量。 由 式(8) 可知, 蚂 蚁 在 本 次 迭 代 过 程 中, 均 匀 的 将 信 内容过长，仅展示头部和尾部部分文字预览，全文请查看图片预览。 J ] . Power System Protection and Control, 2013, 4 (21) :26-32. [19] 　 Nizar Hadi Abbas,Farah Mahdi Ali. Path planning of an autonomous mobile robot using directed artificial bee colony algorithm [ J ] . International Journal of Computer Applications, 2014, 96 (11) :11-16. [20] 　 Ching Chih Tsai,Cheng Kai Chan. Parallel elite genetic algorithm and its application to global path planning for autonomous robot navigation [ J] . IEEE Transactions on Industrial Electronics, 2011,58(10) :4813-4821. [文章尾部最后500字内容到此结束,中间部分内容请查看底下的图片预览]请点击下方选择您需要的文档下载。

1. LaTeX画神经网络图
2. 《计算机专业英语》期末考试试卷
3. Python and HDF5
4. Ciattoni2003_JOSAA20_163
5. 词汇手册139-144
6. 1-s2.0-S***00066-main (2)
7. 1-s2.0-S***01014-main
8. 考研英语（二）核心语法长难句讲义
9. This engineering class at Standford university is
10. 面向煤矿井某某局部复杂空间的机器人三维路径规划方法
11. Getting Started with BarTender
12. 501+Critical+Reading+Questions
13. 如何正确认识英语的听说能力？如何有效实现？作业如下英语版
14. 语法练习
15. Principles+of+Psychotherapy
16. Resume Template
17. 5 Steps to a 5 - AP Economics
18. Full_Paper_Template
19. OMAN AS A FUTURE LOGISTICS HUB A CONCEPTUAL STUDY
20. 中型工业机器人本体机械结构设计_葛某某

以上为《面向煤矿井某某局部复杂空间的机器人三维路径规划方法》的无排版文字预览，完整内容请下载

面向煤矿井某某局部复杂空间的机器人三维路径规划方法由用户“ysaaa2009”分享发布，转载请注明出处 回顶部 | 首页 | 电脑版 | 举报反馈 更新时间2020-03-16 21:27:12