规划算法的仿真测试环境设计(含MATLAB程序)Word格式.doc

规划算法的仿真测试环境设计(含MATLAB程序)Word格式.doc

《规划算法的仿真测试环境设计(含MATLAB程序)Word格式.doc》由会员分享，可在线阅读，更多相关《规划算法的仿真测试环境设计(含MATLAB程序)Word格式.doc（55页珍藏版）》请在冰豆网上搜索。

Abstract

Asanimportantareaofrobotresearch,thepathplanningalgorithmobtainedmanyapplications.Intherecentyears,theplansciencehasbeengreatdevelopment.Butitisdifficulttotellwhichispoororgoodinviewofthemanyplanningdomaininpresent.Ageneralsimulationtestingplatform,includingthevisualizationsimulationtotesteachkindofplanalgorithm,willbeabletogivetheuseratooltochoosereasonableplanalgorithmforapplication.Ageneralsimulationtestingplatform,includingthevisualizationsimulationtotesteachkindofplanalgorithm,willbeabletogivetheuseratooltochoosereasonableplanalgorithmforapplication.

ThispaperusesMATLABplatformwhichhasthestrongimagefunction,andhopetorealizeasimulationtool,whichprovidesvisualizationsimulationtoeachkindofpathplanningalgorithms,andobtainsthealgorithmtheperformance.Thepaperprovidesasimpleconvenienttoolforthepathplanningresulttest.Theusercanuseitforcomparisontoeachkindofplanalgorithm,andchoosesthereasonablealgorithmtocarryon.

Keywords:

pathplanningalgorithm,testingplatform,visualizationsimulation

III

目录

第1章绪论 2

1.1研究背景及意义 2

1.1.1路径规划的定义 2

1.1.2规划方法的分类 3

1.2仿真平台的作用和意义 8

1.3MATLAB简介 10

1.3.1MATLAB的特点 11

1.3.2MATLAB的各种文件 14

第二章.设计原理分析与介绍 15

2.1GUI用户界面设计基本原理简介 15

2.2规划算法的仿真测试原理 19

2.3MATLAB数据可视化 24

2.3.1基本二维图形绘制 25

2.3.2三维图形 27

2.4交互式图形命令 29

2.5障碍空间的可视化 29

第三章．具体实现过程 30

3.1GUI界面设计 31

3.2回调函数的编写 32

3.3仿真平台的使用 49

结论 51

致谢 52

第1章绪论

1.1研究背景及意义

规划是人类智慧的结晶，规划问题广泛地出现在人们的日常工作和生活中。

例如，奥运场馆建设、军事行动、交通运输、农作物耕种、航天飞机再入飞行、无人机航迹规划等不胜枚举，从孙子兵法到田忌赛马、从“运筹帷幄”到“事半功倍”，这些典故和词汇无不闪耀着规划的光辉。

虽然规划问题是一个古老的问题，但是现代科学的发展为规划的发展注入了新的血液和强劲动力。

现在，规划涉及计算机科学、人工智能、力学、机械学、控制论、对策论、概率论、图论、拓扑学、微分几何、代数几何等许多现代科学领域，所以说规划是一个既古老而又崭新的学科，它随着人类对客观世界的认识水平的发展而发展。

由于动作种类的繁多，存在多种形式的规划例如路径规划、运动规划、感知规划、导航规划等等。

作为规划领域最核心的基石，各种规划算法也随着规划科学的进步得到了巨大的发展和应用。

本文主要以路径规划为研究对象，对各种路径规划算法进行仿真测试。

1.1.1路径规划的定义

路径规划技术是机器人学研究领域中的一个重要部分。

机器人的最优路径规划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），在有障碍物的工作环境中，如何寻找一条从给定起点到终点适当的运动路径，使机器人在运动过程中能安全、无碰地绕过所有障碍物。

1.1.2规划方法的分类

根据对环境信息的掌握程度不同，路径规划可分为全局路径规划和局部路径规划。

1.全局路径规划。

全局路径划是指环境信息完全已知，根据环境地图按照一定的算法搜寻一条最优或者近似最优的无碰撞路径，规划路径的精确程度取决于获取环境信息的准确程度;

。

全局路径规划常见的方法有栅格法，可视图法，拓扑法，自由空间法，神经网络法等。

（1）　栅格法

栅格法是目前研究最广泛的路径规划方法之一。

该方法将机器人的工作空间分解为多个简单的区域（栅格），由这些栅格构成一个显式的连通图，或在搜索过程中形成隐式的连通图，然后在图上搜索一条从起始栅格到目标栅格的路径。

一般路径只需用栅格的序号表示。

但栅格的划分直接影响其规划结果，如果栅格划分过大，环境信息储藏量小，分辨率下降，规划能力就差；

栅格划分过小，规划时间长，而且对信息存储能力的要求会急剧增加。

（2）　可视图法

可视图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。

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。

要求机器人和障碍物各顶点之间、目标点和障碍物各顶点之间以及各障碍物顶点与顶点之间的连线均不能穿越障碍物，即直线是“可视的”。

然后采用某种方法搜索从起始点到目标点的最优路径，搜索最优路径的问题就转化为从起始点到目标点经过这些可视直线的最短距离问题。

该法能够求得最短路径，但需假设忽略机器人的尺寸大小，使得机器人通过障碍物顶点时离障碍物太近甚至接触，并且搜索时间长。

（3）　拓扑法

拓扑法将规划空间分割成具有拓扑特征的子空间，根据彼此的连通性建立拓扑网络，在网络上寻找起始点到目标点的拓扑路径，最终由拓扑路径求出几何路径。

拓扑法的基本思想是降维法，即将在高维几何空间中求路径的问题转化为低维拓扑空间中判别连通性的问题。

其优点在于利用拓扑特征大大缩小了搜索空间，其算法的复杂性仅依赖于障碍物数目，在理论上是完备的;

而且拓扑法通常不需要机器人的准确位置，对于位置误差也就有了更好的鲁棒性。

缺点是建立拓扑网络的过程相当复杂，特别是在增加障碍物时如何有效地修正已经存在的拓扑网是有待解决的问题。

（4）　自由空间法

自由空间法采用预先定义的广义锥形或凸多边形等基本形状构造自由空间，并将自由空间表示为连通图，通过搜索连通图来进行路径规划。

自由空间的构造方法是:

从障碍物的一个顶点开始，依次作其他顶点的连接线，删除不必要的连接线，使得连接线与障碍物边界所围成的每一个自由空间都是面积最大的凸多边形，连接各连接线的中点形成的网络图即为机器人可自由运动的路线。

其优点是比较灵活，起始点和目标点的改变不会造成连通图的重构。

缺点是复杂程度与障碍物的多少成正比，且有时无法获得最短路径。

（5）　神经网络法

人工神经网络是由大量神经元相互连接而形成的自适应非线性动态系统。

对于大范围的工作环境，在满足精度要求的情况下，用神经网络来表示环境可以取得较好的效果。

神经网络在全局路径规划的应用，将障碍约束转化为一个惩罚函数，从而使一个约束优化问题转化为一个无约束最优化问题，然后以神经网络来描述碰撞惩罚函数，进行全局路径规划。

虽然神经网络在路径规划中有学习能力强等优点，但整体应用却不是非常成功，主要原因是智能机器人所遇到的环境是千变万化的、随机的，并且很难以数学的公式来描述。

2.局部路径规划

局部路径规划是指环境信息完全未知或部分未知，根据传感器的信息来不断地更新其内部的环境信息，从而确定出机器人在地图中的当前位置及周围局部范围内的障碍物分布情况，并在此基础上，规划出一条从当前点到某一子目标点的最优路径。

局部路径规划常见的方法有人工势场法，模糊逻辑控制算法，遗传算法，蚁群优化算法，粒子群算法等。

（1）　人工势场法

人工势场法是由Khatib提出的一种虚拟方法，其基本思想是将机器人在未知环境中的运动视为一种虚拟人工受力场中的运动，目标点对机器人产生引力，障碍物对机器人产生斥力，最后通过求合力来控制机器人的运动。

该法结构简单，便于底层的实时控制，在实时避障和平滑的轨迹控制方面，得到了广泛应用;

其不足在于存在局部最优解，因而可能使机器人在到达目标点之前就停留在局部最优点。

（2）　模糊逻辑控制算法

模糊逻辑方法利用反射式机制，将当前环境中的障碍物信息作为模糊推理机的输入，推理机输出机器人期望的转向角和速度等。

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的局部路径，对于要求有较少路径规划时间的机器人是一种很好的规划方法。

但是，当障碍物数目增加时，该方法的计算量很大，影响规划结果，而且其只利用局部信息做出快速反应，较容易陷入局部最优。

（3）　遗传算法

遗传算法是一种借鉴生物界自然选择和进化机制发展起来的高度并行、随机、自适应搜索算法。

它采用群体搜索技术，通过选择、交叉和变异等一系列遗传操作，使种群得以进化，避免了困难的理论推导，直接获得问题的最优解。

其基本思想是:

将路径个体表达为路径中一系列中途点，并转换为二进制串，首先初始化路径群体，然后进行遗传操作，如选择、交叉、复制、变异，经过若干代进化以后，停止进化，输出当前最优个体。

遗传算法存在运算时间长、路径在线性规划困难、进化效果不明显等问题。

（4）　蚁群优化算法

根据蚁群移动过程中途经各点周围的距离启发式信息概率，产生多条从起点到终点的可行移动路径，每一条路径代表了一只蚂蚁的爬行轨迹。

对所产生的每一条可行移动路径，分别