張 秦,段中興

(1.西安建筑科技大學(xué) 信息與控制工程學(xué)院， 西安 710055 ;2.西部綠色建筑國(guó)家重點(diǎn)實(shí)驗(yàn)室， 西安 710055)

0 引言

機(jī)器人路徑規(guī)劃問題是移動(dòng)機(jī)器人導(dǎo)航與控制研究的最基本環(huán)節(jié)，得到了廣泛的研究和探討。路徑規(guī)劃問題指的是在有障礙的環(huán)境中，尋找一條實(shí)現(xiàn)從起始點(diǎn)到目標(biāo)點(diǎn)的最優(yōu)路徑。路徑規(guī)劃問題主要由3個(gè)階段環(huán)境建模、路徑搜索、路徑生成構(gòu)成[1]。路徑規(guī)劃問題根據(jù)環(huán)境信息的特點(diǎn)劃分為靜態(tài)環(huán)境路徑規(guī)劃和動(dòng)態(tài)環(huán)境路徑規(guī)劃；又可依據(jù)對(duì)環(huán)境信息掌握程度的差異劃分為全局路徑規(guī)劃和局部路徑規(guī)劃。當(dāng)前，常見的路徑規(guī)劃方法有：占據(jù)柵格法[2]、人工勢(shì)場(chǎng)法[3-4]、PSO算法[5]、A*算法[6]、生物激勵(lì)神經(jīng)網(wǎng)絡(luò)算法[7-9]等。

傳統(tǒng)占據(jù)柵格法將地圖環(huán)境離散化為獨(dú)立的正方形柵格，每個(gè)柵格有兩種狀態(tài):空閑和被占據(jù)。thrun等指出在柵格定位中，柵格大小和定位誤差與傳感器誤差有關(guān)，影響了柵格地圖的精確度[10]。而岳偉韜等提出建立“有義地圖率”來描述占據(jù)柵格地圖的準(zhǔn)確度，并通過理論推導(dǎo),得到了有義地圖率的理論計(jì)算方法，建立信息量和柵格大小的聯(lián)系，用損失函數(shù)來評(píng)估占據(jù)柵格地圖的精度[2]。但是此算法計(jì)算量較大，路徑規(guī)劃效率較低，首先需要獲取全局地圖環(huán)境。人工勢(shì)場(chǎng)法是較為普遍的路徑規(guī)劃方法，但傳統(tǒng)人工勢(shì)場(chǎng)路徑規(guī)劃算法存在易陷入局部極小值，目標(biāo)不可達(dá)等問題，于振中等建立改進(jìn)的勢(shì)場(chǎng)模型，采用計(jì)算勢(shì)場(chǎng)強(qiáng)度的方法代替矢量力控制，將移動(dòng)障礙物與機(jī)器人的相對(duì)速度引入到勢(shì)場(chǎng)函數(shù)中，實(shí)現(xiàn)了動(dòng)態(tài)環(huán)境下的路徑規(guī)劃，對(duì)于局部極小值的問題，引入了填平勢(shì)場(chǎng)法來使機(jī)器人走出局部極小值點(diǎn)[11]。傳統(tǒng)粒子群算法存在優(yōu)化精度低和易早熟，且收斂速度慢、搜索停滯的問題，且在應(yīng)用于路徑規(guī)劃中時(shí)效果不理想?；诖藛栴}，對(duì)于PSO算法的研究主要集中在參數(shù)改進(jìn)、種群結(jié)構(gòu)等方面?？涤裣榈纫罁?jù)梯度下降法中變量負(fù)梯度方向變化的原則，提出了改進(jìn)的粒子速度更新模型，從而實(shí)現(xiàn)優(yōu)化PSO算法的路徑規(guī)劃[5]。該算法，只適用于靜態(tài)障礙物情況下的路徑規(guī)劃，搜索效率和搜索精度有待提高。晁永生等應(yīng)用動(dòng)態(tài)修改路徑的A*算法和增量式A*算法分別應(yīng)用于靜態(tài)和動(dòng)態(tài)環(huán)境下，結(jié)合規(guī)劃時(shí)間與路徑長(zhǎng)度建立路徑修改順序模型生成最優(yōu)路徑[6]。

生物激勵(lì)神經(jīng)網(wǎng)絡(luò)算法在機(jī)器人路徑規(guī)劃方面的應(yīng)用，無學(xué)習(xí)訓(xùn)練過程，無事先預(yù)知環(huán)境信息，計(jì)算速度較快，對(duì)動(dòng)態(tài)環(huán)境中的變化能夠積極反應(yīng)，獲得了廣泛而深入的研究和應(yīng)用。20世紀(jì)50年代生物物理學(xué)家Huxley和Hodgkin提出了關(guān)于細(xì)胞膜的HH模型和神經(jīng)細(xì)胞膜的電路模型，Grossberg改進(jìn)HH模型并提出了Shunting網(wǎng)絡(luò)模型并應(yīng)用在運(yùn)動(dòng)控制、機(jī)器視覺等領(lǐng)域方向[12]。Jianjun Ni等將動(dòng)態(tài)生物激勵(lì)神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于水下移動(dòng)機(jī)器人實(shí)時(shí)路徑規(guī)劃，該算法無需事先獲得環(huán)境信息，且計(jì)算規(guī)模小，可用于實(shí)時(shí)動(dòng)態(tài)環(huán)境下的路徑規(guī)劃[13]。Mingzhi Chen等對(duì)快速動(dòng)態(tài)變化環(huán)境下的實(shí)時(shí)路徑規(guī)劃的問題進(jìn)行研究，研究了GBNN模型的替代權(quán)值函數(shù)，以改善其在動(dòng)態(tài)環(huán)境下的性能[14]。范莉麗等引入目標(biāo)距離制導(dǎo)因素，改進(jìn)點(diǎn)對(duì)點(diǎn)生物激勵(lì)神經(jīng)網(wǎng)絡(luò)算法，但生成路徑未實(shí)現(xiàn)最優(yōu)或者次優(yōu)的效果[15]。王耀南等針對(duì)生物激勵(lì)神經(jīng)網(wǎng)絡(luò)存在的路徑未達(dá)到最優(yōu)問題，路徑錯(cuò)判問題，在邊界附近與障礙物之間的路徑點(diǎn)中引入假想的障礙物相鄰點(diǎn)，在位置決策中加入了轉(zhuǎn)角最小因素，從而增大激勵(lì)輸入，優(yōu)化路徑[16]。代亞蘭等針對(duì)未知環(huán)境下考慮傳感器檢測(cè)范圍有限性與動(dòng)態(tài)障礙物運(yùn)動(dòng)的不確定性，提出了基于動(dòng)態(tài)威脅評(píng)估的改進(jìn)生物激勵(lì)神經(jīng)網(wǎng)絡(luò)算法，采用柵格法與虛擬目標(biāo)點(diǎn)的滾動(dòng)優(yōu)化方式進(jìn)行路徑尋優(yōu)，且進(jìn)一步提出了基于直覺模糊集的動(dòng)態(tài)屬性決策方法[17]。以上改進(jìn)后的生物激勵(lì)神經(jīng)網(wǎng)絡(luò)方法在路徑規(guī)劃、全遍歷路徑規(guī)劃以及軌跡跟蹤等領(lǐng)域中取得了成功的應(yīng)用。但由于神經(jīng)元活性值狀態(tài)方程的特點(diǎn)，機(jī)器人還會(huì)出現(xiàn)過多偏離路徑，非最優(yōu)路徑等問題。本文提出了改進(jìn)的生物激勵(lì)神經(jīng)網(wǎng)絡(luò)算法(biologically inspired neural network)在點(diǎn)對(duì)點(diǎn)路徑規(guī)劃中的應(yīng)用。在靜態(tài)環(huán)境下，初始階段路徑修正策略與理想路徑制導(dǎo)的選擇機(jī)制能有效的解決路徑偏離和路徑非最優(yōu)問題，平滑路徑，提升路徑質(zhì)量。

1 生物激勵(lì)神經(jīng)網(wǎng)絡(luò)算法

1.1 路徑規(guī)劃原理

在生物激勵(lì)神經(jīng)網(wǎng)絡(luò)方法中，分流方程是核心，分流模型最早是由Grossberg提出，其用來理解個(gè)體對(duì)復(fù)雜的動(dòng)態(tài)環(huán)境中出現(xiàn)的突發(fā)事件的實(shí)時(shí)適應(yīng)行為。該模型的基本思想是建立一個(gè)神經(jīng)網(wǎng)絡(luò)拓?fù)錉顟B(tài)結(jié)構(gòu)，其動(dòng)態(tài)神經(jīng)活性值表示動(dòng)態(tài)變化的環(huán)境。通過適當(dāng)?shù)囟x來自變化的環(huán)境影響和內(nèi)部神經(jīng)活性值影響的外部輸入，可以保證可移動(dòng)區(qū)域神經(jīng)活性值和障礙物的神經(jīng)活性值分別保持在神經(jīng)網(wǎng)絡(luò)活動(dòng)區(qū)域的峰值和谷值。可移動(dòng)區(qū)域通過神經(jīng)活動(dòng)傳播在整個(gè)狀態(tài)空間中吸引機(jī)器人，而障礙物僅具有局部作用以避免碰撞。且所有神經(jīng)元的活性值初始化為0，分流方程如下：

(1)

(2)

式中，變量xi為第i個(gè)神經(jīng)元的活性值，A為正常數(shù)，表示衰減率；B為神經(jīng)元活性值的上限，D為神經(jīng)元活性值的下限；Ii為第i個(gè)神經(jīng)元的外部輸入，如果i處為目標(biāo)點(diǎn)，則Ii=E，如果i處為障礙物，則Ii=-E，否則Ii為0，其E是一個(gè)遠(yuǎn)遠(yuǎn)大于B的正常數(shù)。

(3)

如果a≤r0則f(a)=0，如果0

由分流方程可得出正神經(jīng)元活性值向外傳播并影響全局狀態(tài)空間，負(fù)神經(jīng)元活性值只在局部發(fā)生作用，障礙物單元和目標(biāo)單元的活性值大小分別與波谷和波峰相對(duì)應(yīng)，生物激勵(lì)神經(jīng)網(wǎng)絡(luò)路徑規(guī)劃算法原理可解釋為：目標(biāo)單元通過正神經(jīng)元活性值在全局狀態(tài)空間中的傳播和影響作用吸引機(jī)器人向目標(biāo)單元靠近，而障礙單元由于具有負(fù)的活性值而只能夠作用在局部，排斥機(jī)器人的接近[16]。在點(diǎn)對(duì)點(diǎn)路徑規(guī)劃中，具體路徑可表示為：

(4)

式中，k為第pq個(gè)神經(jīng)元鄰近處神經(jīng)元的個(gè)數(shù)，也是所有可能的下一個(gè)位置的個(gè)數(shù)；xj為第j個(gè)相鄰神經(jīng)元的活性值。

路徑生成過程：由起始單元開始，首先判斷當(dāng)前神經(jīng)元是否為目標(biāo)單元，若不是，再判斷當(dāng)前單元鄰域各神經(jīng)元的活性值大小，選擇鄰域神經(jīng)元中具有最大活性值的神經(jīng)元為下一單元的位置。當(dāng)機(jī)器人移動(dòng)至下一位置單元后，更新當(dāng)前神經(jīng)元位置，再由同樣方法到達(dá)下一位置，依此循環(huán)直至到達(dá)目標(biāo)單元。

1.2 生物激勵(lì)神經(jīng)網(wǎng)絡(luò)路徑規(guī)劃存在的問題

現(xiàn)設(shè)置仿真環(huán)境及模型參數(shù)如下：A=10,B=D=1,E=100,u=1,r0=2的情況下的點(diǎn)對(duì)點(diǎn)路徑規(guī)劃時(shí)路徑生成過程的仿真結(jié)果如圖1所示。結(jié)果表明應(yīng)用生物激勵(lì)神經(jīng)網(wǎng)絡(luò)路徑規(guī)劃方法的機(jī)器人雖然到達(dá)了目標(biāo)點(diǎn)，但是其所走路徑較長(zhǎng)，且移動(dòng)機(jī)器人產(chǎn)生了路徑偏離問題，而且轉(zhuǎn)折次數(shù)較多，路徑不夠平滑。

圖1 路徑偏離問題

在圖1中黑色實(shí)心點(diǎn)單元所構(gòu)成的為障礙物單元，白色柵格為機(jī)器人可行走區(qū)域，五角星所在單元為起始單元，起始單元與目標(biāo)單元之間用直線相連，表示無障礙理想情況下的最短路徑，用灰色折線相連的實(shí)心點(diǎn)代表機(jī)器人的運(yùn)動(dòng)路徑單元。圖1(a)中，在初始階段，機(jī)器人并未朝著目標(biāo)單元(19,29)移動(dòng)，而是向左上方移動(dòng)，并且在(3,12)、(4,12)單元處出現(xiàn)了重復(fù)的路徑單元；圖1(b)中，在初始階段，機(jī)器人依然先向著左上方移動(dòng)，當(dāng)移動(dòng)到(7,7)單元處，出現(xiàn)轉(zhuǎn)折，并朝向目標(biāo)點(diǎn)(26,27)單元移動(dòng)，在后續(xù)的路徑出現(xiàn)不必要的轉(zhuǎn)折，使路徑的平滑度降低。結(jié)果表明雖然到達(dá)了目標(biāo)單元，但是所生成路徑長(zhǎng)度較長(zhǎng)，且路徑平滑度較低，未實(shí)現(xiàn)最優(yōu)或次優(yōu)路徑。

從實(shí)驗(yàn)分析可得出，應(yīng)用生物激勵(lì)神經(jīng)網(wǎng)絡(luò)方法的點(diǎn)對(duì)點(diǎn)路徑規(guī)劃存在一定的問題，起始單元與目標(biāo)單元相距較遠(yuǎn)，目標(biāo)單元對(duì)全局單元的活性值影響是隨著時(shí)間的推移而向全局空間傳播的。在起始階段，由于當(dāng)前位置單元的鄰域柵格單元活性值為零，且未受到目標(biāo)點(diǎn)單元活性值的影響，此時(shí)機(jī)器人按照人為設(shè)定行走規(guī)則沿左上方移動(dòng)，直至活性值影響傳播到當(dāng)前位置的鄰域神經(jīng)單元，機(jī)器人被目標(biāo)單元吸引而移動(dòng)，最終到達(dá)目標(biāo)單元。

2 改進(jìn)生物激勵(lì)神經(jīng)網(wǎng)絡(luò)路徑規(guī)劃算法

2.1 柵格法環(huán)境建模

在移動(dòng)機(jī)器人的工作環(huán)境中，需要構(gòu)建相應(yīng)的路徑規(guī)劃環(huán)境模型。在靜態(tài)已知環(huán)境下，利用柵格法對(duì)移動(dòng)機(jī)器人進(jìn)行環(huán)境建模，因?yàn)闁鸥穹ń７椒ê?jiǎn)單、環(huán)境描述能力強(qiáng)，適用于地圖柵格化。將工作地圖放置在正交直角坐標(biāo)系中，將工作環(huán)境劃分成若干個(gè)柵格單元，根據(jù)障礙柵格區(qū)域和自由柵格區(qū)域的不同，給柵格賦予不同的置信度，通過置信度的不同使機(jī)器人分辨障礙柵格區(qū)域和自由柵格區(qū)域。

2.1.1 柵格法環(huán)境建模步驟

1)選取柵格大?。?/p>

柵格大小是柵格法建模的關(guān)鍵因素，選取柵格較小，則環(huán)境地圖分辨率較大，環(huán)境信息量大，決策速度慢；選取柵格較大，則環(huán)境地圖分辨率較小，環(huán)境信息量小，決策速度快，但在密集障礙物環(huán)境中發(fā)現(xiàn)路徑的能力較弱，本文柵格選取以機(jī)器人直徑為柵格大小。柵格大小的確定，一般受以下因素的影響：①環(huán)境地圖大??；②障礙物大小及規(guī)則情況；③機(jī)器人最大的橫掃長(zhǎng)度，要求掃描的橫截長(zhǎng)度大于柵格長(zhǎng)和寬；④機(jī)器人運(yùn)算能力及算法復(fù)雜度，保證機(jī)器人的工作效率。

2) 確定障礙物柵格：

當(dāng)機(jī)器人進(jìn)入陌生環(huán)境時(shí)，無法獲取環(huán)境內(nèi)障礙物信息，機(jī)器人首先遍歷全環(huán)境地圖，確定障礙物位置，并根據(jù)障礙物位置找到對(duì)應(yīng)柵格地圖中的序號(hào)值，并對(duì)相應(yīng)柵格置信度進(jìn)行修改。障礙物柵格的置信度為1，自由柵格的柵格置信度為0。

2.1.2 柵格法與神經(jīng)網(wǎng)絡(luò)拓?fù)湫蜖顟B(tài)空間相結(jié)合

基于生物激勵(lì)神經(jīng)網(wǎng)絡(luò)的路徑規(guī)劃算法定義的環(huán)境由一個(gè)基于柵格法的神經(jīng)網(wǎng)絡(luò)拓?fù)錉顟B(tài)空間構(gòu)成。將工作環(huán)境地圖放置在直角坐標(biāo)系中，以設(shè)定大小將地圖環(huán)境分割成若干個(gè)柵格，將每個(gè)柵格表示為一個(gè)神經(jīng)元，柵格置信度為神經(jīng)元活性值，用來區(qū)分障礙物和可移動(dòng)區(qū)域。將柵格置信度看為一個(gè)元素，這些元素就組成了一個(gè)二維矩陣，此二維矩陣就是工作環(huán)境的柵格模型。此工作環(huán)境被分割成均勻的柵格單元，將障礙物柵格的域置信度賦值為-1，可以移動(dòng)的自由柵格賦值為零，因此工作區(qū)域柵格模型如下：

依據(jù)生物激勵(lì)神經(jīng)網(wǎng)絡(luò)的路徑規(guī)劃算法，第i個(gè)神經(jīng)元的活性值：

(5)

2.2 初始路徑修正策略

由分流方程和實(shí)驗(yàn)可知，路徑規(guī)劃初始階段自由神經(jīng)元的興奮輸入相比于外部抑制的影響弱化，且興奮輸入的作用時(shí)間點(diǎn)滯后于外部抑制的作用時(shí)間，因此，在初始階段生物激勵(lì)神經(jīng)網(wǎng)絡(luò)的路徑生成策略被弱化，而更趨向于外部設(shè)定的路徑選擇策略，范莉麗所提出的改進(jìn)算法優(yōu)化了初始階段的路徑選擇，而由于加入目標(biāo)距離制導(dǎo)的因素，卻在全局的路徑規(guī)劃中，再次弱化了生物激勵(lì)神經(jīng)網(wǎng)絡(luò)算法的作用。這一作用導(dǎo)致在生成下一柵格單元位置的決策中，增加了路徑長(zhǎng)度以及路徑轉(zhuǎn)折次數(shù)的增加。

針對(duì)生物激勵(lì)神經(jīng)網(wǎng)絡(luò)點(diǎn)對(duì)點(diǎn)路徑規(guī)劃在初始階段產(chǎn)生路徑偏離，使生成的路徑長(zhǎng)度增加，引入初始路徑修正策略來解決這一問題，即在初始階段時(shí)各神經(jīng)元的活性值為零，需等待目標(biāo)單元活性值傳播，通過檢測(cè)起始點(diǎn)單元的外部興奮輸入大小和起始單元活性值大小是否滿足條件，決定是否觸發(fā)生物激勵(lì)神經(jīng)網(wǎng)絡(luò)路徑規(guī)劃算法，選擇下一最優(yōu)神經(jīng)元位置，從而實(shí)現(xiàn)初始路徑修正；并將選取活性值最大的神經(jīng)元與選取神經(jīng)元距離目標(biāo)點(diǎn)的歐氏測(cè)定的距離結(jié)合，找出活性值足夠大且距離目標(biāo)點(diǎn)足夠近的神經(jīng)元為機(jī)器人移動(dòng)的下一位置。

(6)

(7)

由分流方程可知，隨著時(shí)間的推移，目標(biāo)單元活性值向全局傳播從而影響到整個(gè)狀態(tài)空間的單元，即對(duì)其他非障礙物單元產(chǎn)生興奮輸入。機(jī)器人每隔0.01 s檢測(cè)一次[Ii]+，當(dāng)檢測(cè)到起始單元的外部興奮輸入 [Ii]+>0時(shí)，檢測(cè)起始單元活性值是否滿足xi

圖2 初始階段環(huán)境活性值分布圖

2.3 路徑選擇機(jī)制

假定起始點(diǎn)單元與目標(biāo)點(diǎn)單元之間無障礙物，則起始點(diǎn)與目標(biāo)點(diǎn)之間的最短路徑為兩者用直線相連所經(jīng)過的柵格單元；如圖3(a)所示。然而在實(shí)際的路徑規(guī)劃情況下，路徑規(guī)劃的環(huán)境多樣而復(fù)雜，其障礙物分為規(guī)則圖形和不規(guī)則圖形，為有效避開障礙物并使路徑長(zhǎng)度最優(yōu)，路徑平滑度最優(yōu)，為此引入路徑選擇機(jī)制，即測(cè)定當(dāng)前位置神經(jīng)元周圍相鄰的八個(gè)神經(jīng)元與無障礙理想環(huán)境下生成路徑的歐氏距離，將該因素引入至路徑選擇策略中，選擇距離理想路徑盡量短，活性值較大，距離目標(biāo)點(diǎn)較近的神經(jīng)元作為機(jī)器人移向的下一位置單元。具體實(shí)現(xiàn)方法如下。

圖3 路徑選擇機(jī)制示意圖

如圖3(b)所示，機(jī)器人當(dāng)前位置所在單元，活性值為xi，其到理想路徑的最短距離為di；當(dāng)前位置單元周圍相鄰的單元，活性值為xj，其到理想路徑的最短距離為dj；為了降低機(jī)器人的能耗，平滑機(jī)器人的移動(dòng)路徑，采用如下的路徑選擇機(jī)制：

(8)

當(dāng)檢測(cè)到當(dāng)前位置相鄰的各個(gè)單元無障礙物時(shí)觸發(fā)該路徑選擇機(jī)制，若當(dāng)前位置相鄰的各個(gè)單元存在障礙物時(shí)，引入選擇機(jī)制則會(huì)給全局路徑規(guī)劃造成路徑長(zhǎng)度增加的結(jié)果。

2.4 改進(jìn)算法具體步驟

1)全局神經(jīng)元活性值初始化為零；

2)設(shè)置起始單元和目標(biāo)單元；

3)等待目標(biāo)點(diǎn)活性值在整個(gè)狀態(tài)空間的傳播，根據(jù)分流方程計(jì)算得出當(dāng)前位置單元及周圍可行走的單元的活性值，每隔0.01 s判斷起始點(diǎn)單元外部激勵(lì)輸入是否大于零，若發(fā)生變化，再判斷起始點(diǎn)單元活性值是否小于某一鄰域神經(jīng)元活性值，滿足則觸發(fā)生物激勵(lì)神經(jīng)網(wǎng)絡(luò)路徑規(guī)劃算法，反之，等待并再次判斷；

4)判斷當(dāng)前位置神經(jīng)元相鄰單元是否存在障礙物單元，若無障礙物單元，觸發(fā)結(jié)合路徑選擇機(jī)制的生物激勵(lì)神經(jīng)網(wǎng)絡(luò)算法；若存在障礙物單元，觸發(fā)結(jié)合目標(biāo)制導(dǎo)的生物激勵(lì)神經(jīng)網(wǎng)絡(luò)算法；確定下一單元位置，并更新當(dāng)前單元；

5)判斷當(dāng)前位置是否為目標(biāo)點(diǎn)，若沒有到達(dá)目標(biāo)點(diǎn)則跳轉(zhuǎn)4)，否則結(jié)束。

圖4 算法流程圖

3 實(shí)驗(yàn)結(jié)果及分析

3.1 靜態(tài)復(fù)雜環(huán)境實(shí)驗(yàn)

通過設(shè)計(jì)靜態(tài)環(huán)境下的仿真實(shí)驗(yàn)驗(yàn)證了本文改進(jìn)后的生物激勵(lì)神經(jīng)網(wǎng)絡(luò)路徑規(guī)劃算法的規(guī)劃效果。靜態(tài)環(huán)境實(shí)驗(yàn)為驗(yàn)證改進(jìn)型算法是否能夠解決圖1所示路徑偏離問題，優(yōu)化生成路徑。仿真環(huán)境為靜態(tài)復(fù)雜環(huán)境地圖，機(jī)器人移動(dòng)的起始單元(12, 4)，目標(biāo)單元(19, 29)，依據(jù)傳統(tǒng)生物激勵(lì)神經(jīng)網(wǎng)絡(luò)算法，結(jié)合目標(biāo)制導(dǎo)改進(jìn)算法以及本文改進(jìn)算法進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖5～7所示。以Matlab 2016a為仿真實(shí)驗(yàn)平臺(tái)，實(shí)驗(yàn)環(huán)境為30×30的柵格地圖，單位柵格長(zhǎng)度：Δx=0.5 m，環(huán)境模型參數(shù)：A=10,B=D=1,E=100,u=1,r0=2A=10,B=D=1,E=100,u=1,r0=2。

圖5 傳統(tǒng)生物激勵(lì)算法生成路徑

圖6 目標(biāo)制導(dǎo)算法生成路徑

范莉麗結(jié)合目標(biāo)制導(dǎo)改進(jìn)生物激勵(lì)算法存在的問題：過分倚重目標(biāo)與下一位置單元的距離因素，尤其在初始狀態(tài)時(shí)，由于目標(biāo)對(duì)各單元的激勵(lì)傳播需要一定時(shí)間，此時(shí)下一位置單元的選擇，完全依據(jù)目標(biāo)制導(dǎo)因素，而使生物激勵(lì)活性值的影響減弱，因此在全局的路徑規(guī)劃產(chǎn)生了偏離，導(dǎo)致不必要的路徑增加。

圖7 本文改進(jìn)算法生成路徑

在靜態(tài)復(fù)雜環(huán)境下以算法效率、路徑長(zhǎng)度、路徑轉(zhuǎn)折次數(shù)3個(gè)評(píng)價(jià)因素建立的由傳統(tǒng)算法、目標(biāo)制導(dǎo)改進(jìn)算法和本文改進(jìn)后的算法3個(gè)對(duì)比實(shí)驗(yàn)可以得出，本文改進(jìn)后的算法有較為突出的表現(xiàn)，分別在3個(gè)評(píng)價(jià)因素上都有一定的提升和優(yōu)化，相對(duì)于傳統(tǒng)算法和范莉麗改進(jìn)算法。本文改進(jìn)算法在路徑生成過程中，首先并未出現(xiàn)路徑偏離問題，其次并未完全側(cè)重目標(biāo)制導(dǎo)，而是選擇無障礙理想路徑制導(dǎo)，使全局路徑規(guī)劃問題得到優(yōu)化。

表1 靜態(tài)環(huán)境下3種方法的仿真結(jié)果對(duì)比

從表1可知，相比于傳統(tǒng)生物激勵(lì)神經(jīng)網(wǎng)絡(luò)方法，本文改進(jìn)算法規(guī)劃路徑長(zhǎng)度減少28.2%，路徑轉(zhuǎn)折次數(shù)減少63%。相比于結(jié)合目標(biāo)制導(dǎo)改進(jìn)算法，本文改進(jìn)算法規(guī)劃路徑長(zhǎng)度減少15.2%，路徑轉(zhuǎn)折次數(shù)減少56%。該改進(jìn)算法所生成的路徑更趨近于理想路徑，其路徑所經(jīng)過單元分布緊貼在理想無障礙路徑兩側(cè)，較少的偏離理想路徑。實(shí)驗(yàn)結(jié)果表明，該改進(jìn)后的算法實(shí)現(xiàn)了解決路徑偏離和優(yōu)化路徑問題的預(yù)期目標(biāo)，在減少路徑長(zhǎng)度和路徑平滑度上有了一定改進(jìn)。

4 結(jié)束語

本文針對(duì)傳統(tǒng)生物激勵(lì)神經(jīng)網(wǎng)絡(luò)方法中出現(xiàn)的路徑偏離和路徑未達(dá)最優(yōu)的問題，提出了基于路徑修正和無障礙理想路徑制導(dǎo)的生物激勵(lì)神經(jīng)網(wǎng)絡(luò)算法。在復(fù)雜靜態(tài)環(huán)境下，對(duì)于初始階段的路徑偏離問題，引入路徑修正策略：每0.01 s檢測(cè)一次起始單元外部激勵(lì)輸入及起始單元活性值大小是否滿足條件，即當(dāng)目標(biāo)單元激勵(lì)影響傳播至起始單元時(shí)，觸發(fā)生物激勵(lì)神經(jīng)網(wǎng)絡(luò)路徑規(guī)劃算法，從而避免了初始階段的路徑偏離；對(duì)于路徑未達(dá)最優(yōu)問題引入路徑選擇機(jī)制，在生成下一位置的算法中結(jié)合無障礙理想路徑的導(dǎo)向，引入實(shí)際路徑單元與無障礙理想路徑單元間的理想路徑接近率使路徑神經(jīng)單元活性值增大，從而達(dá)到減少路徑長(zhǎng)度和轉(zhuǎn)折次數(shù)的效果，使路徑更加平滑。仿真實(shí)驗(yàn)結(jié)果表明，該改進(jìn)基于生物激勵(lì)神經(jīng)網(wǎng)絡(luò)路徑規(guī)劃算法不僅有效解決初始階段路徑偏離問題，而且提升了路徑質(zhì)量?；诖烁倪M(jìn)方法，將進(jìn)一步研究其在未知?jiǎng)討B(tài)環(huán)境下的應(yīng)用,并將其應(yīng)用于裝配式建筑機(jī)器人的相關(guān)研究。