智能移动机器人路径规划优化方法研究论文全.docx

智能移动机器人路径规划优化方法研究论文全.docx

《智能移动机器人路径规划优化方法研究论文全.docx》由会员分享，可在线阅读，更多相关《智能移动机器人路径规划优化方法研究论文全.docx（19页珍藏版）》请在冰豆网上搜索。

智能移动机器人路径规划优化方法研究论文全

智能移动机器人路径规划优化方法研究

一引言（Introduction）

移动机器人面对复杂的道路环境时，需要进行路径识别与决策。

如何快速完成对复杂环境的分析，并作出正确决策，是移动机器人程序设计中的一个重要环节。

机器人路径规划问题，可分为环境参数可知的路径规划和环境参数未知的路径规划。

环境可知的路径规划即路径寻优问题，能实现快速避障以及全局路径最短等目的[1]，全局路径规划方法采用可视图法、图搜索法、人工势场法等[2].环境未知的路径规划主要通过安装在机器人身上的众多传感器，利用传感器融合技术采集环境参数，对机器人的行动进行判断。

人工神经网络的发展以及支持向量机的兴起，使得对环境参数的判断成为了系统辨识理论新的研究对象。

环境可知的路径规划研究中，以往的研究方法集中在路径搜索问题上，如文献[3]研究的改进型遗传算法，文献[4]所提出的神经网络快速优化算法，都旨在从理论本身上消除或者减小该理论所带来的缺陷，从而保证算法的实现。

达到优化机器人路径的优化，研究相对合理的优化方案。

二选题背景及意义

智能移动机器人（也称自引导车，英文简写为ＡＬＶ或ＡＧＶ，后面简称移

动机器人）是指室内、道路或室外环境中无需人工干预，可以自主完成行

驶任务的车辆。

移动机器人是机器人学中的一个重要分支，它集人工智能、智能控制信息处理、图像处理、监测与转换等专业技术为一体，跨计算机、自动控制、机械、电子等多学科，成为当前智能机器人研究的热点之一。

移动机器人是生的计算机控制领域中的最年轻一代，并在１９８５年后成为此领域中的主角被广泛应用于社会生活的各方各面。

移动机器人在移动过程中不可避免会遇到各式各样的障碍物，灵活、实时的躲开这些障碍物是衡量其性能的关键指标。

具有避障功能的移动机器人拥有相当高的社会价值，被大量应用于航天、军事、制造业、医疗/交通等。

路径规划技术是移动机器人领域中的核心问题之一，也是机器人学中研究人工智能问题的一个重要方面。

我们希望未来的机器人能具有感知、规划和控制等高层能力。

他们能从周围的环境中收集知识，构造一个关于环境的符号化的世界模型，并且利用这些模型来规划、执行由应用者下达的高层任务。

其中的规划模块能生成大部分机器人要执行的命令，其目标是实现机器人的使用者在较高层次上给机器人下达一些较宏观的任务，由机器人系统自身来填充那些较低层的细节

三复杂路径规划优化方法分析

在对机器人路径规划研究过程中，笔者发现对于不同的路径规划，会得到相同的优化效果。

规划路径的多点重合、多周迂回、部分路段重合等因素，增加了规划路径的复杂度，使通过神经网络或n次多项式拟合得到的全局优化结果很难接近真实值，甚至出现拟合曲线回归原点等崩溃现象。

如何防止这些现象的发生，除了引言部分提到的，将智能算法与其他理论结合以外，还可以根据路径的特点，选择适当的坐标原点并做合理的坐标变换，让很难处理的复杂路径变得容易处理，这样，可以简化路径规划中得算法优化问题，从而降低了理论模型的计算量。

四路径规划概述

移动机器人路径规划是实现机器人智能的一个关键技术，移动机器人路径规划中设计的四个相关问题

（１）机器人如何从环境中获取周围的障碍物信息和其它相关信息；

（２）机器人如何根据内部及外部传感器来确定当前处于地图中什么位置；

（３）机器人如何根据其处于当前地图的位置和当前地图中信息确定行动略；

（４）如何产生合适的驱动信号使机器人运动在预定的轨迹上。

为了解决这些问题，要对相应的四个技术进行研究：

传感技术：

智能机器人的传感器分为内部传感器和外部传感器，内部传感器提供的信息对机器人的自定位是非常必要的。

外部传感器用以检测外部环境的信息，是建立环境的全局地图和得到用以局部避障的机器人附近障碍信息的依据。

自定位技术：

，由于智能机器人得到的传感信息是相当于机器人的局部坐标系的，而用于路径规划的地图才用全局坐标系。

如果没有机器人的当前位置信息，也就没有局部坐标系在地图坐标系中的位置，从而无法进行运动的规划。

运动控制：

涉及机器人的结构、运动学和动力学性质。

规划和决策：

规划部分是智能机器人的智能部分，分为任务规划和运动规划，运动规划又分为路径规划和轨迹规划。

移动机器人路径规划是实现机器人智能的一个关键技术，移动机器人路径规

划中涉及的四个相关问题“”：

（１）机器人如何从环境中获取周围的障碍物信息和其它相关信息；

（２）机器人如何根据内部及外部传感器来确定当前处于地图中什么位置；

（３）机器人如何根据其处于当前地图的位置和当前地图中信息确定行动策略；

（４）如何产生合适的驱动信号使机器人运动在预定的轨迹上。

五本文的主要研究内容

本课题的核心任务就是对移动机器人路径规划问题的研究，研究的目的是利用计算机和通讯技术，向行驶在道路上的机器人提供信息，引导机器人避开障碍物，沿着最佳的路线到达目的地，即在路段交通状态实时动态变化的前提下，为机器人提供一条最优或者近似最优的路径解决方案。

研究的意义就是利用蚁群算法来有效地解决移动机器人的路径规划问题，并在计算机仿真中得到比较满意的结果。

目前蚁群算法的严格理论基础尚未奠定，国内外的相关研究还处于实验探索和初步应用阶段。

蚁群算法在机器人路径规划中的研究还不是很多，尤其是将其应用于动态规划中更不多见。

因此，本文首先提出了静态环境下基于蚁群算法的路径规划方法，考虑到移动机器人行驶过程中的实际路面情况，在静态路径规划方法的基础上提出了基于蚁群算法解决动态路径规划的方法，并在仿真实验中证实了该算法的可行性和实用性。

六路径规划方法

路径规划是移动机器人导航技术中不可缺少的重要组成部分，它要求机器人根据给予的指令及环境信息自主地决定路径，避开障碍物，按照某种优化指标，使系统在规定的时间内从起始点转移到目标点。

机器人路径规划方法大致可以分为两类：

传统方法和智能方法。

1.传统路径规划方法

（1）自由空间法。

为了简化问题，通常采用结构空间来描述机器人及其周围的环境。

这种方法将机器人缩小成点，将其周围的障碍物及边界按比例相应地扩大，使机器人点能够在自由空间中移动到任意一点，而不与障碍物及边界发生碰撞。

（２）图搜索法。

图搜索方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。

建立起来的路径图可以看作是一系列的标准路径。

而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。

通过起始点和目标点及障碍物的顶点在内的一系列点来构造可视图。

连接这些点，使某点与其周围的某可视点相连（即使相连接的两点间不存在障碍物或边界）。

然后机器人沿着这些点在图中搜索最优路径。

（３）栅格解耦法。

栅格解耦法是目前研究最广泛的路径规划方法。

该方法将机器人的工作空间解耦为多个简单的区域，一般称为栅格。

由这些栅格构成了一个连通图，在这个连通图上搜索一条从起始栅格到目标栅格的路径，这条路径是用栅格的序号来表示的。

栅格解耦法包括确切的和不确切的两种。

确切的解耦法用来描述整个自由空间，这将使复杂环境的解耦速度变慢，其原因是许多复杂的多边形可能需要与障碍物的边界相匹配。

这种方法可以保证只要起始点到目标点之间存在路径，就完全能搜索到这条路径，在不确切的解耦法中，所有的栅格都是预定的形状，为了研究方便假设全部为矩形。

整个图被分割成多个较大的矩形，每个矩形之间都是连续的。

如果大矩形内部包含障碍物或者边界，则又被分割成４个小矩形，对所有较大的栅格都进行这种划分，然后在划分的最后界限内形成的小栅格间重复执行程序，直到达到解的界限为止一条路径，如果该路径满足起点到目标点间无障碍物的要求则停止搜索。

不确切的解耦方法比确切的解耦方法在数学计算上要简单的多，因此也比较容易实现。

（４）人工势场法。

传统的人工势场法把移动机器人在环境中的运动视为一种在抽象的

人造受力场中的运动，目标点对移动机器人产生“引力”，障碍物对移动机器人产生“斥力”，最后通过求合力来控制移动机器人的运动，但是，由于势场法把所有信息压缩为单个合力，这样就存在把有关障碍物分布的有价值的信息抛弃的缺陷，容易陷入局部最小值。

大部分机器人路径规划中的全局规划都是基于上述几种方法进行的，但是以上这些传统方法在路径搜索效率及路径优化方面尚有待于进一步改善。

而现在通常使用的搜索技术包括：

梯度法、Ａ＋等图搜索方法、枚举法、随机搜索法等。

这些方法中梯度法易陷入局部最小点，图搜索方法、枚举法不能用于高维的优化问题，而随机搜索法则计算效率太低。

２智能路径规划方法

近年来，随着遗传算法等智能方法的广泛应用，机器人路径规划方法也有了长足的进展，许多研究者把目光放在了基于智能方法的路径规划研究上。

其中，应用较多的算法主要有模糊方法、神经网络和遗传算法。

（１）基于模糊逻辑的机器人路径规划

模糊逻辑方法是在线规划中通常采用的一种规划方法，该方法根据不完整、模糊的环境信息，参考人的驾驶经验并利用模糊数学的理论，设计决策方案，以采取相应的操作。

因此模糊控制算法的核心部分在于模糊决策表的建立。

庄晓东等ｎ”提出一种基于模糊概念的动态环境模型，参照物体的位置和运动信息构造二维隶属度函数：

然后通过模糊综合评价对各个方向进行综合考察，得到搜索结果。

该方法在移动障碍物和移动目标的环境中能有效地实现机器人避碰和导航。

李彩虹等提出了一种在未知环境下移动机器人的模糊控制算法，并对此算法进行了推导与仿真，证明该算法鲁棒性强，可消除传统算法中存在的对移动机器人的定位精度敏感、对环境信息依赖性强等缺点，使移动机器人的行为表现出很好的一致性、连续性和稳定性。

Ｈａｒｔｍｕｔ Ｓｕｒｍａｎｎ等提出一种未知环境下的高级机器人模糊导航方法，由８个不同的超声传感器来提供环境信息，然后利用基于模糊控制的导航器来计算这些信息，规划机器人路径。

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导航方法。

但是其缺点是没有学习和自适应能力。

它要求设计者能定义一系列有效的避障控制规则，但事实上环境非常复杂，突发事件也非常多，设计者不可能把所有的行为表示出来，且当障碍物数目增加时该方法的计算量会很大，影响规划结果。

（2）基于神经网络方法的机器人路径规划禹建丽等ｎ”提出了一种基于神经网络的机

器人路径规划算法，研究了在障碍物形状和位置已知情况下的机器人路径规划算法，其能量函数的定义利用了神经网络结构，根据路径点位于障碍物内外的不同位置选取不同的动态运动方程，规划出的路径达到了折线形的最短无碰路径，计算简单，收敛速度快。

陈宗海等ｎｍ提出了一种在不确定环境中移动机器人的路径规划方法，将全局路径规划分解为局部路径规划的组合，为了提高规划的效率，在避障规划中采用了基于案例的学习方法，以ＡＲＴ－２神经网络实现案例的匹配学习和扩充，满足了规划的实时性要求。

为了提高机器人路径规划的速度，禹建丽等在利用神经网络路径规划方法的基础上，又引进了线性再励的自适应变步长算法。

这种方法实现了步长的自适应选择，使路径规划速度比原来的神经网络规划提高了１０倍。

但是神经网络也存在一些缺点，神经网络中的映射规则在网络中是隐含而无法直接理解的，因此想从神经网络内部去调整它的权值参数进而改进性能具有一定的难度。

（３）基于遗传算法的机器人路径规划

遗传算法是目前机器人路径规划研究中应用较多的一种方法，无论是单机器

人静态工作空间，还是多机器人动态工作空间，遗传算法及其派生算法都取得了

良好的路径规划结果。

孙树栋等“”用遗传算法完成了离散空间下机器人的路径规划，并获得了较好的仿真结果。

但是，该路径规划是基于确定环境模型的，即工作空间中的障碍物位置是己知的、确定的。

Ｋａｚｕｏ Ｓｕｇｉｈａｒａ和Ｊｏｈｎ Ｓｍｉｔｈ在采用离散空间进行路径规划的同时，将问题更深入化，栅格序号采用二进制编码，统一确定其个体长度随机产生障碍物位置及数目，并在搜索到最优路径后，再在环境空间中随机插入障碍物，模拟环境变化，通过仿真结果验证了算法的有效性和可行性。

但是，规划空间栅格法建模还存在缺陷，若栅格划分过粗，则规划精度较低：

若栅格划分太细，则数据又会太大。

周明等“”提出一种连续空间下基于遗传算法的机器人路径规划方法，该方法在规划空间利用链接图建模的基础上，先使用图论中成熟算法粗略搜索出可选路径，然后再使用遗传算法来调整路径点，逐步得到较优的行走路线。

该方法的染色体编码不会产生无效路径，且仅使用基本遗传算法就可以完成路径规划。

但是该方法对于环境复杂、障碍物数目较多的情况，链接图的建立会有一定的困难。

在遗传算法的改进上周明等提出一种遗传模拟退火算法，利用遗传算法与模拟退火算法相结合来解决机器人路径规划问题。

有效地提高了路径规划的计算速度，保证了路径规划的质量。

在多移动机器人协调作业方面遗传算法也得到了应用，景兴建等提出一种基于理性遗传算法的协调运动行为合成算法，针对特定环境下的多机器人协调运动问题，基于调速避碰的思想，借助ＣＭＡＣ神经网络，描述各机器人的运动行为与环境状态之间复杂的、非线性映射关系，利用遗传算法来合成与优化各机器人的运动行为，从而实现多机器人己知环境下，运动行为的相互协调与优化。

遗传算法由于具有优良的全局寻优能力和隐含的并行计算特性，所以是一个较好的路径规划方法。

但由于常规遗传算法本身所存在的一些缺陷（如解的早熟现象、局部寻优能力差等），保证不了对路径规划问题的求解质量和求解效率。

（４）基于混合方法的机器人路径规划方法

Ｌ．Ｈ．Ｔｓｏｕｋａｌａｓ等提出一种用于半自主移动机器人路径规划的模糊神经网络方法。

所谓半自主移动机器人就是具有在人类示教基础上增加了学习功能的器件的机器人。

这种方法采用模糊描述来完成机器人行为编码，同时重复使用神经网络自适应技术。

由机器人上的传感器提供局部的环境输入，由内部模糊神经网络进行环境预测，进而可以在未知环境下规划机器人路径。

此外，也有人提出基于模糊神经网络和遗传算法的机器人自适应控制方法。

将规划过程分为离线学习和在线学习两部分。

其中离线学习部分主要为模糊神经网络方法，将模糊方法分为５层：

输入、模糊化、操作、规则、输出，然后用神经网络对这５层的参数进行训练。

综上所述，遗传算法等智能方法在机器人路径规划技术中己受到广泛的重视及研究，在障碍物环境己知或未知情况下，均已取得一定的研究成果。

而其应用特点总结如下：

（１）在全局规划的基础上，进行局部微调，提高规划速度及精度。

（２）具有一定的灵活性，可以互相结合，取长补短。

（３）具有一定的扩展性，每种研究方法都可以完成自身的扩展及完善。

（４）性能稳定。

机器人路径规划是机器人应用中的一项重要技术，采用良好的机器人路径规划技术可以节省大量机器人作业时间、减少机器人磨损，同时也可以节约人力资源，减小资金投入，为机器人在多种行业中的应用奠定良好的基础。

将遗传算法、模糊逻辑以及神经网络等方法相结合，可以组成新的智能型路径规划方法，从而提高机器人路径规划的避障精度，加快规划速度，满足实际应用的需要。

同时，多机器人协调作业环境下的路径规划技术也将是研究的热点及难点问题，越来越受到人们的重视。

由于障碍物及机器人数目的增加，极大地加了路径规划的难度引入可以优化约简知识的粗糙集理论，简化规划条件，提取路径规划特征参数，有可能进一步解决诸如机器人路径规划速度等难题。

蚁群算法是继模糊方法、神经网络、遗传算法之后的又一种新兴的启发式搜索算法。

蚁群算法虽然是从研究旅行商问题（ＴＳＰ）提出的，但它在求解多种组合优化问题中获得了广泛的应用，如二次分配、大规模集成电路设计、车辆调度问题、网络路由以及负载平衡问题等‘一，。

它不仅用于离散系统的优化，而且也用于连续时间系统的优化。

根据蚁群算法创立者Ｍ．Ｄｏｒｉｇｏ等人的研究实验表明，蚁群算法在求解节点数为５～１００的组合优化问题上，选用适合的参数，其优化结果普遍好于遗传算法（ＧＡ）、进化算法（ＥＰ）和模拟退火算法（ｓＡ）。

大量问题的求解表明，蚁群算法具有分布计算、信息正反馈和启发式搜索的特征，本质上是进化算法中的一种新型启发式优化算法。

正反馈过程使得该方法能很快发现较好解；分布式计算法使得该方法易于发现较好解。

并且一些改进型与混合型的蚁群算法相继出现“如引入蚁群中蚂蚁分工与协同学习、协同工作的思想；将蚁群算法与遗传算法及免疫算法结合等，这些研究成果都推动了蚁群算法研究的深入发展。

七蚁群算法研究

１.概述

生物学家通过对蚂蚁的长期观察研究发现，每只蚂蚁的智能并不高，看起来没有集中的指挥，但它们却能协同工作，集中食物，建起坚固漂亮的蚁穴并抚恤后代，依靠群体能力发挥出超出个体的智能。

蚁群算法（ａｎｔ ｃｏｌｏｎｙ ａｌｇｏｒｉｔｈｍ，ＡＣＡ）是最新发展的一种模拟昆虫王国中蚂蚁群体智能行为的仿生优化算法，它具有强的鲁棒性、优良的分布式计算机制、易于与其他方法相结合等优点。

尽管蚁群算法的严格理论基础尚未奠定，国内外的相关研究还处于实验探索和初步应用阶

段，但是目前人们对蚁群算法的研究已经由当初单一的旅行商问题（ｔｒａｖｅｌｉｎｇｓａｌｅｓｍａｎ ｐｒｏｂｌｅｍ，ＴＳＰ）领域渗透到了多个应用领域，由解决一维静态优化问题发展到解决多维动态组合优化问题，由离散域范围内的研究逐渐拓展到了连续域范围内的研究，而且在蚁群算法的硬件实现上也取得了很多突破性的研究进展，从而使这种新兴的仿生优化算法展现出勃勃生机和广阔的发展前景。

２．基本蚁群算法的原理

（1）蚁群行为描述

根据仿生学家的长期研究发现：

蚂蚁虽没有视觉，但运动时会通过在路径上

释放出一种特殊的分泌物—信息素来寻找路径ｍ”。

当它们碰到一个还没

有走过的路口时，就随机地挑选一条路径前行，同时释放出与路径长度有关的信息素。

蚂蚁走的路径越长，则释放的信息量越小。

当后来的蚂蚁再次碰到这个路口的时候，选择信息量较大路径的概率相对较大，这样便形成了一个正反馈机制。

最优路径上的信息量越来越大，而其他路径上的信息量却会随着时问的流逝而逐渐消减，最终整个蚁群会找出最优路径。

同时蚁群还能够适应环境的变化，当蚁群的运动路径上突然出现障碍物时，蚂蚁也能很快地重新找到最优路径。

可见，在整个寻径过程中，虽然单只蚂蚁的选择能力有限，但是通过信息素的作用使整个蚁群行为具有非常高的自组织性，蚂蚁之问交换着路径信息，最终通过蚁群的集体自催化行为找出晟优路径

（2）基本蚁群算法的机制原理

模拟蚂蚁群体觅食行为的蚁群算法是作为一种新的计算智能模式引入的，该

算法基于如下基本假设：

（１）蚂蚁之间通过信息素和环境进行通信。

每只蚂蚁仅根据其周围的局部环

境做出反应，也只对其周围的局部环境产生影响。

（２）蚂蚁对环境的反应由其内部模式决定。

因为蚂蚁是基因生物，蚂蚁的行

为实际上是其基因的适应性表现，即蚂蚁是反应型适应性主体。

（３）在个体水平上，每只蚂蚁仅根据环境做出独立选择；在群体水平上，单

只蚂蚁的行为是随机的，但蚁群可通过自组织过程形成高度有序的群体行为。

由上述假设和分析可见，基本蚁群算法的寻优机制包含两个基本阶段：

适应

阶段和协作阶段。

在适应阶段，各候选解根据积累的信息不断调整自身结构，路径上经过的蚂蚁越多，信息量越大，则该路径越容易被选择；时间越长，信息量会越小ｔ”，；在协作阶段，候选解之间通过信息交流，以期望产生性能更好的解，类似于学习自动机的学习机制。

蚁群算法实际上是一类智能多主体系统，其自组织机制使得蚁群算法不需要对所求问题的每一方面都有详尽的认识。

八动态路径规划介绍

在以前我们具体研究了基于蚁群算法的静态路径规划，但是在实际的路径

规划问题中，用户不仅需要在出发前寻求一条从起始点到目的地之间的最佳路线，而且还需要在机器人的行驶过程中，随时接收路况信息，并动态地调整当前所在位置到目的地之间的最佳路线，这就是动态路径规划所要解决的问题。

研究移动机器人的路径规划，仅从机器人本身来考虑是不够的，还要研究环境的状态。

从环境模型和障碍物的状态来分析，可以考虑以下四种情况：

（１）已知环境下的静态障碍物，其环境中的障碍物的形状、大小和位置对规

划系统都是精确已知的，其障碍物是静止不动的；

（２）已知环境下的动态障碍物，其环境中的障碍物的形状、大小和位置对规

划系统都是精确己知的，但其位置是动态的；

（３）未知环境下的静态障碍物，对机器人系统而言，环境信息事先是未知的

或部分未知的，其障碍物的形状和大小是未知的，但其障碍物是静止不动的；

（４）未知环境下的动态障碍物，对机器人系统而言，环境信息事先是未知的

或部分未知的，其障碍物的形状和大小是未知的，同时其位置是动态的。

移动

机器人在已知环境下对静态障碍物的避障研究，已经趋于较为成熟的阶段，但

在未知环境下对动态障碍物的避障研究，仍然是移动机器人路径规划的研

究热点。

九实验及仿真分析

根据路径规划过程中分析得到的特征，选取了三种复杂路径，即实际路径、李萨如路径、近似螺旋路径。

其中交叉路径选用李萨如曲线轨迹，该图像多次交于原点，轨迹复杂。

近似螺旋路径的特点是具有多圈轨迹，在直角坐标系下很容易引起拟合算法陷入局部最小或拟合曲线回归原点等现象。

对这三种路径进行了坐标变换和神经网络优化，得到仿真对比图像，具体如下：

a）b）

图8实际路径坐标平移转换仿真优化比较

a）b）

图9李萨如路径坐标平移转换仿真优化比较

图10近似螺旋路径坐标平移转换仿真优化比较

图8（a）、图9（a）、图10（a）为在极坐标展开坐标系下，神经网络拟合曲线与原路径的对比图，图8（b）、图9（b）、图10（b）为转换到直角坐标系下神经网络拟合曲线与原路径的对比图。

十结论

目前人们对蚁群算法的研究已

由当初单一的ＴＳＰ领域渗透到了多个应用领域。

由解决一维静态优化问题发展到解决多维动态组合优化问题，由离散领域内研究逐渐拓展到了连续域范围内研究，而且在蚁群算法的硬件实现上取得了突破性进展，同时在蚁群算法的模型改进及与其它仿生优化算法的融合方面也取得了相当丰富的研究成果，从而使这种新兴。

的仿生优化算法展现出前所未有的勃勃生机，并已经成为一种完全可与遗传算法相媲美的仿生优化算法。

并避免了因路径复杂带来的各种智能算法局部最小问题。

训练稳定，逼近

精度高，能够应用于机器人路径规划的优化中去。

个体智能不高的蚂蚁通过协同工作，依靠群体能力发挥

出超出个体的智能。

蚁群算法就是一种模拟蚂蚁群体智能行为的仿生优化算法，它具有

较强的鲁棒性、优良的分布式计算机制、易于与其他方法相结合等优

点。

本文主要研究了基于蚁群算法的移动机器人路径规划方法，在对静态环

境下机器人的路径规划研究的基础上提出了动态规划方法。

具体地，本论文主

要进行了以下方面的工作：

（1）介绍了移动机器人路径规划的发展历程及其相关应用。

（２）详细研究了各种路径规划方法，并对各种方法进行了优缺点比

较及分析；同时对蚁群算法也进行了研究。

（３）在基于栅格的机器人环境中，将蚁群算法应用于移动机器人路

径规划问题上，并在对静态环境下机器人的路径规划研究的基础上提

出了动态规划方法。

（４）最后，在ＭＡＴＬＡＢ仿真环境中对该算法进行了分析和研究，

通过实验证明了该算法的可行性，并对动态规划进行了仿真，证明了

其可行性及有效性。

在整个研究过程中，本文得到了如下四个结论：

（１）将蚁群算法应用于移动机器人的路径规划问题中是可行的和有

效的。

（２）规划方法的选择对路径规划有很大的影响。

对某一种方法而言，

它可能在某些环境下规划效果非常好，而在其它一些环境下另外一种

规划方法却非常好。

在本文的研究中可以发现，相同环境下，本文提

出的基于蚁群算法的机器人路径规划方法在搜索时间上比遗传算法

至少节约５％的时间；而在