周蘭鳳 楊麗娜 方華

摘要： 月球車是搭載探測任務的可移動多功能機器人. 月球車在實際地形行駛中， 從起點到目標點之間除了選擇最優(yōu)路徑， 還應該將地形、障礙物等影響因素考慮進去. 地形的主要影響因素是陡坡方向和陡坡坡度， 其他因素歸類為滑移， 這些在很大程度上增加了路徑規(guī)劃的長度和時間復雜度， 更影響了其安全性. 而傳統(tǒng)蟻群算法只是單純地尋求路徑規(guī)劃中的最優(yōu)解， 存在收斂速度慢、時間復雜度高、尋優(yōu)能力不平衡等問題， 且沒有考慮滑移、地形等因素， 應用在月球車預測路徑規(guī)劃問題中極易陷入局部最優(yōu)解. 提出了基于三維柵格地形環(huán)境下融合坡度、坡向的滑移預測改進蟻群算法路徑規(guī)劃; 通過設置相同的信息素啟發(fā)因子和信息素揮發(fā)系數(shù)， 改變滑移預測地形參數(shù)， 得到了基于滑移預測的綜合代價函數(shù)， 改進了傳統(tǒng)蟻群算法;分析了基于滑移預測的綜合代價函數(shù)對改進蟻群算法路徑長度、收斂速度、時間復雜度和迭代次數(shù)的影響.最后利用實驗仿真數(shù)據(jù)結果驗證了本文改進后的蟻群算法在滑移預測路徑規(guī)劃問題中有更高的有效性.

關鍵詞： 地形坡度; 路徑規(guī)劃; 蟻群算法; 綜合代價函數(shù)

中圖分類號： TP391.9文獻標志碼： ADOI： 10.3969/j.issn.1000-5641.201921010

0 引言

文獻[1] 針對路徑規(guī)劃的環(huán)境不同， 提出了基于模型的局部和全局路徑規(guī)劃， 做出的路徑規(guī)劃技術研究也是路徑規(guī)劃發(fā)展的方向. 全局路徑規(guī)劃是在已知的環(huán)境中， 給機器人規(guī)劃一條路徑， 路徑規(guī)劃的精度取決于環(huán)境獲取的準確度. 全局路徑規(guī)劃可以找到最優(yōu)解， 但是需要預先知道環(huán)境的準確信息， 當環(huán)境發(fā)生變化， 如出現(xiàn)未知障礙物時， 該方法就無能為力了. 而局部路徑規(guī)劃的環(huán)境信息完全未知或有部分可知， 側重于考慮機器人當前的局部環(huán)境信息， 讓機器人具有良好的避障能力. 通過傳感器對機器人的工作環(huán)境進行探測， 以獲取障礙物的位置和幾何性質等信息， 這種規(guī)劃需要搜集環(huán)境數(shù)據(jù)， 并且對該環(huán)境模型的動態(tài)更新能夠隨時進行校正.

應用在路徑規(guī)劃問題中的主要算法如A*算法[2]、遺傳算法[3]、神經網絡算法[4] 等， 都屬于全局路徑規(guī)劃; 而局部路徑規(guī)劃所使用的主要算法如模糊邏輯控制法、人工勢場法[5]、混合法等， 這些算法在二維環(huán)境中得到了很好的運用， 但是由于它們本身的特點和不足， 使得其在三維路徑規(guī)劃的問題上應用具有一定的限制.

蟻群算法的特點鮮明， 有著分布式的思維、自發(fā)組織且有反饋結果的性能， 在應用中有很強的魯棒性. 文獻[6] 就提出了傳統(tǒng)蟻群算法應用在三維地形環(huán)境中路徑規(guī)劃長度較長、收斂速度較慢等缺點， 于是使用了一種改進蟻群算法， 它是基于梯度優(yōu)化算法做的改進， 規(guī)避了初始信息元素缺乏的弊端. 文獻[7] 則添加了拐點參數(shù)， 融入了不同期望值制度， 使算法系數(shù)具有自適應能力， 從而更新信息素， 綜合評價路徑. 文獻[8] 也融合最優(yōu)和最差兩個極值解， 來增加全局變量的更新方法， 從而大大提高效率. 本文基于以上研究基礎， 對蟻群算法中的啟發(fā)式搜索進行了設計， 同時考慮到三維地形坡度和信息素的更新策略， 引入滑移信息的綜合代價函數(shù) ， 將加入地形因素的滑移預測綜合通過性代價函數(shù)與傳統(tǒng)蟻群算法中的適應函數(shù)融合， 得到改進蟻群算法. 最后用實驗仿真結果對比分析其他算法的實驗數(shù)據(jù)結果， 來證明其可行性和高效性.

1 蟻群算法概述

設蟻群中螞蟻的個數(shù)為 ， 節(jié)點 與節(jié)點 之間的距離記作 ， 螞蟻 在運動過程中根據(jù)路徑的信息素濃度選擇下一步的移動點， 初始時刻各個位置的路徑信息素均為相同的常數(shù)， 在某一時刻 ， 螞蟻 從節(jié)點 到節(jié)點 的選擇概率的計算公式為