1.一种适应不同栅格地图复杂度的移动机器人全局路径规划方法,其特征在于,包括以下步骤:第一步、获取环境信息,构建实时动态的栅格地图,根据障碍物数量、分布和连通性计算地图复杂度;
第二步、蚁群算法初始化:初始化蚂蚁种群,每只蚂蚁随机选择起点,并采用基于网格映射复杂度的自适应初始信息素分配策略,将信息素矩阵和启发式信息矩阵初始化为预设值;
第三步、路径搜索过程:
路径选择:采用改进的蚁群状态转移策略,引入一个随地图复杂度变化的预定义阈值,提供平衡搜索方向的确定性选择和随机选择,蚂蚁根据状态转移概率选择下一个移动位置节点;
路径构建:蚂蚁在选择路径的同时,记录经过的节点,并计算路径代价;
第四步、信息素更新:
每当蚂蚁走过一条路径后,根据信息素挥发和信息素增加对信息素进行局部更新,将栅格地图复杂度和迭代次数分别引入信息素蒸发系数和强度系数的表达式中,更新路径;
算法运行至预设的迭代次数或找到满足性能指标的路径后结束。
2.根据权利要求1所述的一种适应不同栅格地图复杂度的移动机器人全局路径规划方法,其特征在于,第一步中,地图复杂度计算过程如下:首先,计算障碍物栅格占比,作为环境阻塞程度的基本度量,其次,利用障碍物的分布情况捕捉地图特征,最后应用Shannon熵理论评估地图的信息复杂度;
地图复杂度计算公式如下:
其中,G表示栅格地图的复杂度,其取值范围为0到1,值越接近0表示复杂度越低,越接近1表示复杂度越高;Nall表示障碍栅格与自由栅格数量之和,Nos表示障碍栅格数量,Nef表示障碍栅格相邻的自由栅格总数;项为香农熵公式,其中n=2表示栅格地图中仅包含两种栅格,i=1时xi表示障碍物栅格,i=2时xi表示自由栅格,p(xi)是障碍栅格和自由栅格的出现概率,xi用于计算自由栅格和障碍物栅格值,然后计算比值;θ1、θ2和θ3分别表示障碍物的占比、障碍物分布和分布混乱度对应的权重系数。
3.根据权利要求1所述的一种适应不同栅格地图复杂度的移动机器人全局路径规划方法,其特征在于,第二步中,信息素初始化过程如下:在信息素初始化时根据栅格地图的复杂性和偏离起点和终点线的网格距离,优化开始时动态调整信息素的分布,表达式如下:τij(initial).=e^G*τij(initial)*ln(Nall) (2),其中,τij(inital)′为改进后的信息素值,τij(initial)为初始信息素值,i,j分别为当前节点和下一个节点,G为目标节点,Nall表示障碍栅格与自由栅格数量之和;uij(initial)为根据距离确定的信息素分布值,d为当前节点i偏离起点和终点线的距离,节点i坐标为(x,y),起点S坐标为(xS,yS),目标点T坐标为(xT,yT)。
4.根据权利要求1所述的一种适应不同栅格地图复杂度的移动机器人全局路径规划方法,其特征在于,第三步中,路径搜索过程包括:设计一种改进的蚁群状态转移策略,引入一个随地图复杂度变化的预定义阈值q0,提供平衡搜索方向的确定性选择和随机选择,如公式(5)和公式(6);
其中,表示改进蚂蚁m在第k次迭代中从节点i移动到节点j的概率,argmax函数用于确定矩阵中最大值的索引,τij(k)为信息素浓度,ηij(k)为启发函数,α,β分别为信息素浓度和启发函数的指数,为状态转移概率,q为在区间[0,2]内均匀分布的随机变量,q0为预定义阈值,G为栅格地图复杂度,k为当前迭代次数,K为总迭代次数;
根据公式(5),当q≤q0时,算法选择使信息素浓度与启发式函数乘积最大的节点;当q>q0时,算法切换到随机选择模式,采用传统蚁群算法中的轮盘赌选择方法。
5.根据权利要求4所述的一种适应不同栅格地图复杂度的移动机器人全局路径规划方法,其特征在于,第三步中,路径搜索过程还包括:基于栅格地图复杂度、蚁群到终点的欧氏距离和蚁群路径转弯角度,通过量化网格的欧氏距离和路径转角,设计一种改进的启发式函数η′ij,如公式(7)~公式(10);
其中,η′ij为改进后的启发函数,λ为全局调整系数,用于控制启发式函数的整体强度,w1和w2为满足约束条件w1+w2=1的权重系数;dij为当前节点i到下一节点的j的距离,diT表示从当前节点i到目标节点T的欧氏距离,计算公式为(xi,yi)和(xT,yT)分别为节点i和目标节点T的坐标;a(i)表示路径转角,定义为当前节点i、前一节点l和下一节点j之间的夹角,为蚁群从节点l到节点i的向量,为蚁群从节点i到节点j的向量;dST为从起点S到目标点T的欧氏距离,k为当前迭代次数,K为总迭代次数,G为调整参数,即栅格地图复杂度。
6.根据权利要求4所述的一种适应不同栅格地图复杂度的移动机器人全局路径规划方法,其特征在于,第三步中,路径搜索过程还包括:设计一种基于余弦退火策略的动态系数定义机制,根据迭代调整信息素浓度和启发式函数的指数α和β,如公式(11)和公式(12);
其中,αmax、αmin分别为α的上下边界、βmax和βmin分别为β的上下边界值,k为当前迭代次数,K为总迭代次数;
αmax=ln(Nall)/e,αmin=ln(Nall)/e2,βmax=lg(Nall)*2e,βmin=lg(Nall),其中,Nall表示障碍栅格与自由栅格数量之和,e为自然数。
7.根据权利要求1-6任一所述的一种适应不同栅格地图复杂度的移动机器人全局路径规划方法,其特征在于,第四步中,信息素动态更新机制如下:将映射复杂性和迭代分别引入信息素蒸发系数和强度的表达式中,在此基础上,根据地图复杂度定义并计算使信息素浓度保持在预设范围内,如公式(13)~公式(16);
其中,ρ′为挥发系数,ρ为信息素蒸发系数,G为栅格地图复杂度,M为蚂蚁数量,k为当前迭代次数,K为总迭代次数;Q′为改进后的信息素强度,Q为信息素强度;τij(k)为路径上的信息素浓度;τmax和τmin分别是τij(k)的最大值和最小值,τij(initial)′为改进后的初始信息素分布,Kmin表示当前蚂蚁在第k次迭代后找到的最短路径长度,Nall表示障碍栅格与自由栅格数量之和。