張曉倩,黃 磊,石雨婷,汪建華,祁良劍

(南京林業(yè)大學(xué)機(jī)械電子工程學(xué)院,南京 210037)

0 引言

路徑規(guī)劃作為實(shí)現(xiàn)移動(dòng)機(jī)器人完成自主導(dǎo)航的重難點(diǎn)技術(shù)之一,一直是該領(lǐng)域研究的熱點(diǎn)[1],其作用是使移動(dòng)機(jī)器人在未知環(huán)境下快速且安全地從起點(diǎn)移動(dòng)到終點(diǎn)[2]。路徑規(guī)劃主要分為全局路徑規(guī)劃和局部避障規(guī)劃,全局路徑規(guī)劃是指在已知地圖下,使移動(dòng)機(jī)器人自主規(guī)劃出一條從起始點(diǎn)到目標(biāo)點(diǎn)的最優(yōu)路徑,局部避障規(guī)劃是指移動(dòng)機(jī)器人在行駛過(guò)程中,依據(jù)激光掃描儀、運(yùn)動(dòng)傳感器等工具對(duì)未知障礙物進(jìn)行檢測(cè),使移動(dòng)機(jī)器人能安全避障。其中,全局路徑規(guī)劃算法包含傳統(tǒng)算法(A*算法[3]、Dijkstra算法[4])和智能算法(蟻群算法[5]、粒子群算法[6]、RRT算法[7]、PRM算法[8]、遺傳算法[9]和強(qiáng)化學(xué)習(xí)算法[10-11]等),局部避障規(guī)劃算法主要有DWA算法[12]。

蟻群算法作為一種基于自然界蟻群覓食行為的啟發(fā)式仿生算法,在全局路徑規(guī)劃中具有較好的性能[13]。李理等[14]在啟發(fā)函數(shù)中引入修正距離函數(shù)、平滑性啟發(fā)函數(shù),來(lái)提高所規(guī)劃路徑的綜合性能;毛文平等[15]提出一種獎(jiǎng)勵(lì)懲罰機(jī)制更新信息素增量,提高了算法收斂速度;JIAO等[16]采用自適應(yīng)調(diào)整狀態(tài)轉(zhuǎn)移概率計(jì)算公式的方法,來(lái)平衡不同時(shí)期下啟發(fā)函數(shù)和信息素濃度的相對(duì)重要性,有效避免搜索過(guò)程中局部最優(yōu)問(wèn)題。魯飛等[17]對(duì)信息素和啟發(fā)信息的權(quán)重系數(shù)以及信息素蒸發(fā)系數(shù)采取動(dòng)態(tài)調(diào)整的方法,解決傳統(tǒng)蟻群算法收斂速度慢的問(wèn)題。

DWA算法的模型較簡(jiǎn)單,且具有良好的局部避障能力。MAI等[18]在評(píng)價(jià)函數(shù)中加入障礙物密度因子,使得移動(dòng)機(jī)器人通過(guò)提前感知障礙物的分布情況來(lái)提高避障效率;遲旭等[19]將改進(jìn)的安全A*算法與DWA算法進(jìn)行融合,解決了DWA算法易陷入局部最優(yōu)的問(wèn)題,但A*算法的搜索節(jié)點(diǎn)較多,會(huì)影響整個(gè)移動(dòng)機(jī)器人的運(yùn)行效率。YANG等[20]將蟻群與DWA算法融合,提高了機(jī)器人的避障效率,但是未考慮所規(guī)劃路徑的平滑性問(wèn)題。

針對(duì)上述問(wèn)題,本文提出了一種基于改進(jìn)蟻群與DWA融合的動(dòng)態(tài)路徑規(guī)劃算法,滿(mǎn)足規(guī)劃路徑全局性能的同時(shí)也具有實(shí)時(shí)局部避障的能力。算法首先在傳統(tǒng)蟻群算法中引入自適應(yīng)機(jī)制改進(jìn)狀態(tài)轉(zhuǎn)移概率和信息素更新規(guī)則,避免蟻群易陷入局部最優(yōu)的同時(shí)也提高了路徑搜索的效率;其次,對(duì)所規(guī)劃的路徑進(jìn)行二次優(yōu)化,提高全局路徑的平滑性;然后在DWA的評(píng)價(jià)函數(shù)中添加全局路徑融合子函數(shù)和障礙物安全閾值來(lái)提高移動(dòng)機(jī)器人在運(yùn)行時(shí)的動(dòng)態(tài)避障能力。故該算法不僅能保證全局路徑規(guī)劃的最優(yōu)性,也能成功躲避未知靜態(tài)、動(dòng)態(tài)障礙物,使得移動(dòng)機(jī)器人可以安全高效地執(zhí)行任務(wù)。

1 改進(jìn)蟻群算法

蟻群算法具有較強(qiáng)的魯棒性和適應(yīng)性,但是其存在著搜索效率低和易陷入局部最優(yōu)的問(wèn)題。蟻群算法的核心內(nèi)容為互相影響的狀態(tài)轉(zhuǎn)移概率和信息素的更新機(jī)制,其中狀態(tài)轉(zhuǎn)移概率是螞蟻從一個(gè)點(diǎn)出發(fā)判斷下一個(gè)目標(biāo)點(diǎn)的選擇過(guò)程,信息素作為蟻群間的溝通協(xié)調(diào)機(jī)制,是螞蟻選擇下一路徑的依據(jù)。本文改進(jìn)狀態(tài)轉(zhuǎn)移概率計(jì)算公式來(lái)提高算法的搜索效率;動(dòng)態(tài)調(diào)整信息素的揮發(fā)系數(shù)來(lái)改進(jìn)信息素更新機(jī)制,避免螞蟻出現(xiàn)陷入局部最優(yōu)的問(wèn)題;引入路徑優(yōu)化策略來(lái)提高全局路徑的平滑性。

1.1 改進(jìn)狀態(tài)轉(zhuǎn)移概率

在蟻群算法中,螞蟻的下一步行進(jìn)方向是由狀態(tài)轉(zhuǎn)移概率決定的,而狀態(tài)轉(zhuǎn)移概率主要通過(guò)路徑上的信息素和啟發(fā)函數(shù)確定。算法前期,路徑之間的信息素濃度較小,嚴(yán)重影響螞蟻對(duì)路徑的選擇能力,從而導(dǎo)致算法收斂速度慢。因此本文采用偽隨機(jī)狀態(tài)轉(zhuǎn)移規(guī)則[15],使得螞蟻根據(jù)式(1)選擇下一目標(biāo)柵格。

(1)

式中:q0為選擇比例,為[0,1]的隨機(jī)數(shù);δ為比例系數(shù),Nc為當(dāng)前迭代次數(shù)。前期q0較大,有利于螞蟻根據(jù)全局路徑信息來(lái)選擇有利路徑,可以提高算法前期的收斂速度;后期q0較小,促使螞蟻進(jìn)行隨機(jī)搜索,確保算法的全局搜索優(yōu)越性。

(2)

式中:τij(t)為路徑(i,j)的信息素,α(t)為信息素權(quán)重系數(shù),ηij(t)為路徑(i,j)的啟發(fā)函數(shù),β(t)為啟發(fā)函數(shù)權(quán)重系數(shù),ΨiE(t)為目標(biāo)影響函數(shù),為當(dāng)前節(jié)點(diǎn)i到目標(biāo)點(diǎn)E歐氏距離的倒數(shù),γ為目標(biāo)影響函數(shù)的權(quán)重系數(shù)。

傳統(tǒng)蟻群算法中,信息素權(quán)重系數(shù)和啟發(fā)函數(shù)權(quán)重系數(shù)均為固定常數(shù),易使螞蟻進(jìn)行盲目搜索。因此,本文采取文獻(xiàn)[17]的思路,對(duì)兩個(gè)權(quán)重系數(shù)進(jìn)行自適應(yīng)調(diào)整。

(3)

式(3)中的α(0)和β(0)的取值根據(jù)眾多學(xué)者大量對(duì)比實(shí)驗(yàn)所得。改進(jìn)后的蟻群算法在前期搜索時(shí),啟發(fā)函數(shù)的權(quán)重較高,有利于避免螞蟻陷入局部最優(yōu);后期搜索時(shí),信息素對(duì)螞蟻的指導(dǎo)性提高,有利于螞蟻選擇最優(yōu)路徑。

1.2 改進(jìn)信息素?fù)]發(fā)系數(shù)

信息素越多的路徑被螞蟻選擇的概率越大,但信息素會(huì)隨著時(shí)間不斷揮發(fā)。傳統(tǒng)蟻群算法中,信息素?fù)]發(fā)系數(shù)為固定常數(shù),易使蟻群陷入局部最優(yōu),進(jìn)而影響算法的收斂速度,因此本文采用動(dòng)態(tài)調(diào)整信息素?fù)]發(fā)因子的方法,使得信息素?fù)]發(fā)因子ρ隨迭代次數(shù)的增加而遞減,在保證路徑多樣性的同時(shí)提高收斂速度,如式(4)所示。

(4)

式中:λ1為信息素?fù)]發(fā)因子的調(diào)整系數(shù),Nc為當(dāng)前迭代次數(shù),m為螞蟻數(shù)量。

為了避免蟻群算法因信息素濃度太大或太小而引起算法停滯,設(shè)置信息素濃度的閾值如式(5)所示。

(5)

綜上,本文改進(jìn)后的信息素更新公式如式(6)所示。

(6)

式中:Δτij(t)為t時(shí)刻下所有螞蟻在路徑(i,j)上遺留的信息素增量,k表示第k只螞蟻,m為螞蟻總量,Q為固定的常數(shù),表示信息素增量的初始強(qiáng)度;Lk為第k只螞蟻在t時(shí)刻搜索路徑的總長(zhǎng)度。

1.3 路徑優(yōu)化策略

為了減少傳統(tǒng)蟻群算法規(guī)劃路徑中的冗余節(jié)點(diǎn),本文添加排除冗余節(jié)點(diǎn)機(jī)制,來(lái)減少規(guī)劃路徑的長(zhǎng)度。排除冗余節(jié)點(diǎn)示意圖如圖1所示。

圖1 排除冗余節(jié)點(diǎn)示意圖

如圖1所示,S為其起始點(diǎn),E為目標(biāo)點(diǎn),由傳統(tǒng)蟻群規(guī)劃的初始路徑為S→p1→p2→p3→p4→p5→E,采用路徑優(yōu)化策略進(jìn)行檢測(cè),發(fā)現(xiàn)Sp1、p1p2之間未經(jīng)過(guò)障礙物,所以節(jié)點(diǎn)p1為冗余節(jié)點(diǎn),給予刪除;同理,p2p5之間未經(jīng)過(guò)障礙物,則節(jié)點(diǎn)p3、p4為冗余節(jié)點(diǎn),給予排除。最終刪除冗余節(jié)點(diǎn)后的優(yōu)化路徑為S→p2→p5→E。

2 改進(jìn)DWA算法

2.1 傳統(tǒng)DWA算法

DWA算法是一種基于預(yù)測(cè)控制的局部路徑規(guī)劃算法,通過(guò)對(duì)機(jī)器人運(yùn)動(dòng)學(xué)模型中多個(gè)速度空間進(jìn)行采樣,在特定時(shí)間內(nèi)模擬出移動(dòng)機(jī)器人的軌跡,最后基于評(píng)價(jià)函數(shù)從多組運(yùn)行軌跡中選取最優(yōu)軌跡[20]。

移動(dòng)機(jī)器人運(yùn)動(dòng)學(xué)模型如式(7)所示:

(7)

式中:x(t)、y(t)、θ(t)分別表示t時(shí)刻下移動(dòng)機(jī)器人在x、y方向的位姿信息,v(t)、ω(t)分別為移動(dòng)機(jī)器人的線(xiàn)速度和角速度。

在速度空間中,DWA算法描述了具有約束條件下的機(jī)器人避障優(yōu)化問(wèn)題:

(1)機(jī)器人本身最大最小速度的限制。受機(jī)器人本身硬件方面的限制,其最大最小速度約束條件如式(8)所示。

Vs={(v,ω)|v∈[vmax,vmin]∩ω∈[ωmax,ωmin]}

(8)

(2)所用電機(jī)的性能存在最大加減速的限制,其約束條件如式(9)所示。

(9)

式中:vc、ωc為當(dāng)前速度,va、ωa表示最大加速度,vb、ωb表示最大減速度。

(3)保障安全的制動(dòng)距離。移動(dòng)機(jī)器人遇到障礙物時(shí),需要保證一定的安全距離,避免在速度閾值內(nèi)與障礙物發(fā)生碰撞,其約束條件如式(10)所示。

(10)

常規(guī)的評(píng)價(jià)函數(shù)如式(11)所示。

G(v,ω)=σ[λ2heading(v,ω)+λ3dist(v,ω)+λ4vel(v,ω)]

(11)

式中:heading(v,ω)為方位角評(píng)價(jià)子函數(shù),用于評(píng)價(jià)在當(dāng)前航速下模擬軌跡末端方向與目標(biāo)的方位角偏差;dist(v,ω)為距離評(píng)價(jià)子函數(shù),用來(lái)計(jì)算軌跡到已知障礙物距離;vel(v,ω)為當(dāng)前速度評(píng)價(jià)子函數(shù),λ2、λ3、λ4分別為3個(gè)子函數(shù)的權(quán)重系數(shù),σ為3個(gè)子函數(shù)的歸一化參數(shù)。

2.2 改進(jìn)評(píng)價(jià)函數(shù)

2.2.1 引入全局路徑融合子函數(shù)

為了解決傳統(tǒng)DWA算法易陷入局部最優(yōu)解的問(wèn)題,本文引入全局路徑融合子函數(shù)globdist(v,ω),使得最終路徑是在所得最優(yōu)全局路徑的基礎(chǔ)上,進(jìn)行局部路徑規(guī)劃,避免機(jī)器人造成額外的能量耗損。全局路徑融合子函數(shù)globdist(v,ω)公式如式(12)所示。

(12)

式中:xglobal、yglobal是由改進(jìn)蟻群算法規(guī)劃的全局路徑的節(jié)點(diǎn)坐標(biāo),xpart、ypart是DWA算法預(yù)測(cè)的局部路徑的末梢坐標(biāo)。其改進(jìn)示意圖如圖2所示。

(a) 未添加全局路徑融合子函數(shù) (b) 添加全局路徑融合子函數(shù)圖2 添加全局路徑融合子函數(shù)改進(jìn)效果

2.2.2 引入障礙物安全閾值

機(jī)器人運(yùn)行時(shí),通過(guò)激光掃描儀及運(yùn)動(dòng)傳感器不斷檢測(cè)未知障礙物,為避免移動(dòng)機(jī)器人運(yùn)行時(shí)與未知障礙物發(fā)生碰撞,本文引入障礙物安全閾值來(lái)提高所規(guī)劃路徑的安全性。障礙物安全閾值L_dist(v,ω)如式(13)所示。

(13)

式中:di、dj為第i、j個(gè)障礙物與移動(dòng)機(jī)器人之間的距離,θ為機(jī)器人與第i、j障礙物間的連線(xiàn)夾角。當(dāng)障礙物安全閾值大于未知障礙物擴(kuò)展距離時(shí),移動(dòng)機(jī)器人可以安全通過(guò)。

改進(jìn)后的評(píng)價(jià)函數(shù)如式(14)所示。

(14)

式中:λ5是障礙物安全閾值L_dist(v,ω)的權(quán)重系數(shù),λ6是全局路徑融合子函數(shù)globdist(v,ω)的權(quán)重系數(shù)。

3 改進(jìn)蟻群與DWA融合算法流程

本文改進(jìn)蟻群算法能夠在復(fù)雜靜態(tài)地圖環(huán)境中,規(guī)劃出最優(yōu)全局路徑,但是無(wú)法在存在未知障礙物的地圖中運(yùn)行,因此本文將其與改進(jìn)的DWA算法進(jìn)行融合,使得該融合算法能夠規(guī)劃出成功躲避障礙物且全局性最優(yōu)的路徑。其流程圖如圖3所示。

圖3 改進(jìn)蟻群與DWA融合算法流程圖

4 融合算法仿真實(shí)驗(yàn)及分析

本文算法運(yùn)行環(huán)境為windows10、64位系統(tǒng)、主頻2.90 GHz、MATLAB2018b軟件。

4.1 改進(jìn)蟻群仿真實(shí)驗(yàn)及分析

為驗(yàn)證本文改進(jìn)蟻群算法的有效性,建立30×30規(guī)模、障礙物覆蓋率為33%的靜態(tài)地圖,與傳統(tǒng)蟻群算法、文獻(xiàn)[14]、文獻(xiàn)[15]算法進(jìn)行對(duì)比仿真實(shí)驗(yàn)。將螞蟻個(gè)數(shù)設(shè)置為50,最大迭代次數(shù)設(shè)置為100,目標(biāo)影響函數(shù)的權(quán)重系數(shù)γ設(shè)為1,信息素?fù)]發(fā)因子的調(diào)整系數(shù)λ1設(shè)置為1.82。仿真結(jié)果如圖4所示。

(a) 路線(xiàn)規(guī)劃效果對(duì)比圖 (b) 收斂曲線(xiàn)效果對(duì)比圖圖4 4種算法仿真實(shí)驗(yàn)對(duì)比圖

其中,1號(hào)線(xiàn)為傳統(tǒng)蟻群算法規(guī)劃的路徑,2號(hào)線(xiàn)為文獻(xiàn)[14]算法規(guī)劃的路徑,3號(hào)線(xiàn)為文獻(xiàn)[15]算法規(guī)劃的路徑,帶有*標(biāo)記的4號(hào)線(xiàn)為本文改進(jìn)蟻群算法規(guī)劃的路徑。

結(jié)合圖4和表1可知,傳統(tǒng)蟻群算法收斂速度最慢,迭代100次后尚未穩(wěn)定,規(guī)劃的路徑也不夠平滑。文獻(xiàn)[14]算法雖減少了路徑的冗余節(jié)點(diǎn)個(gè)數(shù),但是路徑長(zhǎng)度最長(zhǎng)。文獻(xiàn)[15]算法路徑冗余節(jié)點(diǎn)較少,路徑長(zhǎng)度較短,但經(jīng)過(guò)7次收斂才得到最優(yōu)解。本文改進(jìn)蟻群算法經(jīng)過(guò)狀態(tài)轉(zhuǎn)移概率及信息素更新規(guī)則的改進(jìn),只需迭代3次后收斂就得到最優(yōu)路徑,大大提高了蟻群算法的收斂速度,且本文改進(jìn)蟻群算法采取路徑優(yōu)化策略后,最優(yōu)路徑長(zhǎng)度為42.77、拐點(diǎn)數(shù)為4,充分減少了路徑上的冗余節(jié)點(diǎn),進(jìn)而減少了最優(yōu)路徑的長(zhǎng)度。

表1 4種算法實(shí)驗(yàn)結(jié)果對(duì)比

4.2 混合算法仿真實(shí)驗(yàn)及分析

本文融合算法的參數(shù)設(shè)置如下:改進(jìn)蟻群算法的參數(shù)設(shè)置不變;改進(jìn)DWA算法相關(guān)參數(shù)的設(shè)置參考文獻(xiàn)[20]設(shè)置:移動(dòng)機(jī)器人最大速度為1.5 m/s,最大角速度為20 rad/s,最大加速度為0.2 m/s2,最大角加速度為50 rad/s,速度分辨率為0.02 m/s,角速度分辨率為1 rad/s,評(píng)價(jià)函數(shù)中λ2為0.05、λ3為0.2、λ4為0.3、λ5為0.02,預(yù)測(cè)周期為3 s,安全半徑設(shè)為0.6 m,動(dòng)態(tài)障礙物的移動(dòng)速度為0.26 m/s,初始方向角度為45°。

4.2.1 含有未知靜態(tài)障礙物的地圖環(huán)境

首先建立50×50規(guī)模、靜態(tài)障礙物覆蓋率為31%的復(fù)雜地圖,并在全局路徑的關(guān)鍵位置上添加多個(gè)靜態(tài)障礙物。為驗(yàn)證本文融合算法的有效性,與文獻(xiàn)[19]改進(jìn)算法進(jìn)行對(duì)比仿真,實(shí)驗(yàn)結(jié)果如圖5和圖6所示。

(a) 規(guī)劃路徑 (b) 機(jī)器人運(yùn)行的角速度、線(xiàn)速度圖5 文獻(xiàn)[19]算法在4個(gè)隨機(jī)靜態(tài)障礙物下的路徑規(guī)劃及機(jī)器人運(yùn)行時(shí)角速度、線(xiàn)速度圖

圖5a和圖6a中虛線(xiàn)分別表示文獻(xiàn)[19]算法和本文算法所規(guī)劃的全局路徑,其中文獻(xiàn)[19]算法所規(guī)劃的全局路徑長(zhǎng)度為75.3,拐角次數(shù)為11;本文算法所規(guī)劃的全局路徑長(zhǎng)度為79,拐角次數(shù)為8,本文較文獻(xiàn)[19]最優(yōu)路徑長(zhǎng)度雖較長(zhǎng),但是拐角次數(shù)上減少了27%。

圖5a和圖6a中實(shí)線(xiàn)分別表示文獻(xiàn)[19]算法和本文算法所規(guī)劃的避障路徑。由圖5a中可以看出文獻(xiàn)[19]算法中,機(jī)器人靠近第一個(gè)靜態(tài)障礙物時(shí),未及時(shí)采取避障策略,有碰撞的危險(xiǎn),且機(jī)器人運(yùn)行的角速度和線(xiàn)速度在130～250控制點(diǎn)之間波動(dòng)很大。由圖6a中可以看到,本文算法通過(guò)設(shè)定障礙物安全閾值,使得機(jī)器人在運(yùn)行中可以提前探測(cè)未知障礙物,提供更安全且運(yùn)行平穩(wěn)的避障路線(xiàn)。

4.2.2 含有未知?jiǎng)討B(tài)障礙物的復(fù)雜地圖環(huán)境

上述實(shí)驗(yàn)驗(yàn)證了本文融合算法在復(fù)雜靜態(tài)環(huán)境下的有效性,為進(jìn)一步驗(yàn)證本文融合算法在含有未知?jiǎng)討B(tài)障礙物的復(fù)雜地圖環(huán)境下的可行性,在上述地圖環(huán)境中,添加一個(gè)勻速運(yùn)動(dòng)的動(dòng)態(tài)障礙物,使其運(yùn)行方向與移動(dòng)機(jī)器人運(yùn)動(dòng)方向相反,且運(yùn)行軌跡與全局規(guī)劃路徑存在交叉。仿真結(jié)果如圖7所示。

圖7 本文算法在復(fù)雜動(dòng)態(tài)環(huán)境下的運(yùn)行過(guò)程

圖7記錄了機(jī)器人使用本文算法進(jìn)行動(dòng)態(tài)避障的全過(guò)程。由圖7a可以看出,機(jī)器人在進(jìn)行躲避動(dòng)態(tài)障礙物之前,按照最優(yōu)全局路徑前行;通過(guò)本文引入的障礙物安全閾值,機(jī)器人在前行時(shí)提前檢測(cè)動(dòng)態(tài)障礙物;檢測(cè)到障礙物后,采用改進(jìn)的DWA算法進(jìn)行局部避障,機(jī)器人成功躲避動(dòng)態(tài)障礙物后,返回全局最優(yōu)路徑繼續(xù)前行。由圖7b可以看出,機(jī)器人采用本文算法可以成功且安全的躲避未知靜態(tài)障礙物,隨后返回全局路徑,繼續(xù)向目標(biāo)點(diǎn)移動(dòng)。由圖7c可以看出,本文算法最終所得規(guī)劃路徑,不僅考慮了全局路徑的最優(yōu)性,也保證了局部避障的最優(yōu)性。由圖7d可以看出,本文算法通過(guò)將改進(jìn)蟻群算法和改進(jìn)DWA算法融合,使得機(jī)器人在運(yùn)行過(guò)程中始終以穩(wěn)定的速度前行,能滿(mǎn)足移動(dòng)機(jī)器人實(shí)際運(yùn)行時(shí)的安全要求。

5 結(jié)論

本文利用蟻群算法搜索路徑的全局搜索性及DWA算法的局部避障性,設(shè)計(jì)了一種新的混合動(dòng)態(tài)路徑規(guī)劃方法。首先,為了提高傳統(tǒng)蟻群算法在復(fù)雜環(huán)境下的全局搜索性能,本文改進(jìn)了狀態(tài)轉(zhuǎn)移概率計(jì)算公式,來(lái)提高蟻群算法的收斂速度;動(dòng)態(tài)調(diào)整信息素?fù)]發(fā)系數(shù),來(lái)避免螞蟻陷入局部最優(yōu);采用路徑優(yōu)化策略,減少初步規(guī)劃路徑的冗余節(jié)點(diǎn),更貼合移動(dòng)機(jī)器人在實(shí)際運(yùn)行時(shí)對(duì)于路線(xiàn)平滑度的要求。其次,為了提高傳統(tǒng)DWA算法全局性差和避障性能低的問(wèn)題,本文添加全局路徑融合子函數(shù),將改進(jìn)蟻群算法所得的全局路徑作為移動(dòng)機(jī)器人的導(dǎo)航參考,并設(shè)置障礙物安全閾值,提高DWA算法的避障性能及運(yùn)行穩(wěn)定性。仿真實(shí)驗(yàn)結(jié)果表明,本文改進(jìn)的蟻群算法能夠在復(fù)雜環(huán)境下,高效且安全地規(guī)劃出最優(yōu)全局路徑;改進(jìn)蟻群與DWA融合的方法,能夠在復(fù)雜動(dòng)態(tài)環(huán)境下,規(guī)劃出更高效的路徑規(guī)劃。