【路径规划】人工势场算法机器人避障路径规划（手动设障）【含GUI Matlab源码 617期】

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、简介

人工势场法是局部路径规划的一种比较常用的方法。这种方法假设机器人在一种虚拟力场下运动。

如图所示，机器人在一个二维环境下运动，图中指出了机器人，障碍和目标之间的相对位置。

这个图比较清晰的说明了人工势场法的作用，物体的初始点在一个较高的“山头”上，要到达的目标点在“山脚”下，这就形成了一种势场，物体在这种势的引导下，避开障碍物，到达目标点。

人工势场包括引力场合斥力场，其中目标点对物体产生引力，引导物体朝向其运动（这一点有点类似于A*算法中的启发函数h）。障碍物对物体产生斥力，避免物体与之发生碰撞。物体在路径上每一点所受的合力等于这一点所有斥力和引力的和。这里的关键是如何构建引力场和斥力场。下面我们分别讨论一下：

引力场：

常用的引力函数：

这里的ε是尺度因子.ρ(q,q_goal)表示物体当前状态与目标的距离。引力场有了，那么引力就是引力场对距离的导数（类比物理里面W=FX）：、

关于梯度的算法可以参考相关资料，简单提一下，二元函数梯度是酱紫的[δx,δy],这个符号是偏导数，不太对，见谅。

Fig .引力场模型

斥力场：

公式（3）是传统的斥力场公式，现在还没有搞清楚是怎么推导出来的。公式中η是斥力尺度因子，ρ（q,q_obs）代表物体和障碍物之间的距离。ρ_0代表每个障碍物的影响半径。换言之，离开一定的距离，障碍物就对物体没有斥力影响。

斥力就是斥力场的梯度


Fig 斥力场模型

总的场就是斥力场合引力场的叠加，也就是U=U_att+U_rep,总的力也是对对应的分力的叠加，如下图所示：

二、存在的问题
（a） 当物体离目标点比较远时，引力将变的特别大，相对较小的斥力在甚至可以忽略的情况下，物体路径上可能会碰到障碍物

（b）当目标点附近有障碍物时，斥力将非常大，引力相对较小，物体很难到达目标点

（c）在某个点，引力和斥力刚好大小相等，方向想反，则物体容易陷入局部最优解或震荡

三、各种改进版本的人工势场法
（a）对于可能会碰到障碍物的问题，可以通过修正引力函数来解决，避免由于离目标点太远导致引力过大

和（1）式相比，（5）式增加了范围限定。d*_goal 给定了一个阈值限定了目标和物体之间的距离。对应的梯度也就是引力相应变成：

（b）目标点附近有障碍物导致目标不可达的问题，引入一种新的斥力函数

这里在原有斥力场的基础上，加上了目标和物体距离的影响,（n是正数，我看到有篇文献上n=2）。直观上来说，物体靠近目标时，虽然斥力场要增大，但是距离在减少，所以在一定程度上可以起到对斥力场的拖拽作用

相应斥力变成：

所以可以看到这里引力分为两个部分，编程时要格外注意

（c）局部最优问题是一个人工势场法的一个大问题，这里可以通过加一个随机扰动，让物体跳出局部最优值。类似于梯度下降法局部最优值的解决方案。

⛄二、部分源代码

function varargout = AFM(varargin)
% AFM MATLAB code for AFM.fig
% AFM, by itself, creates a new AFM or raises the existing
% singleton*.
%
% H = AFM returns the handle to a new AFM or the handle to
% the existing singleton*.
%
% AFM(‘CALLBACK’,hObject,eventData,handles,…) calls the local
% function named CALLBACK in AFM.M with the given input arguments.
%
% AFM(‘Property’,‘Value’,…) creates a new AFM or raises the
% existing singleton*. Starting from the left, property value pairs are
% applied to the GUI before AFM_OpeningFcn gets called. An
% unrecognized property name or invalid value makes property application
% stop. All inputs are passed to AFM_OpeningFcn via varargin.
%
% *See GUI Options on GUIDE’s Tools out. Choose “GUI allows only one
% instance to run (singleton)”.
%
% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help AFM

% Last Modified by GUIDE v2.5 28-Nov-2013 20:49:25

% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @AFM_OpeningFcn, …
‘gui_OutputFcn’, @AFM_OutputFcn, …
‘gui_LayoutFcn’, [] , …
‘gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end

if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT

% — Executes just before AFM is made visible.
function AFM_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to AFM (see VARARGIN)

% Choose default command line output for AFM
handles.output = hObject;

% Update handles structure
guidata(hObject, handles);

% UIWAIT makes AFM wait for user response (see UIRESUME)
% uiwait(handles.figure1);

% — Outputs from this function are returned to the command line.
function varargout = AFM_OutputFcn(hObject, eventdata, handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure
varargout{1} = handles.output;

% — Executes during object creation, after setting all properties.
function axes4_CreateFcn(hObject, eventdata, handles)
Xo=[0 0];%起点位置
k=1;%计算引力需要的增益系数
m=1;%计算斥力的增益系数
%n=3;%障碍个数
longth=1.2;%步长
J=2000;%循环迭代次数
%如果不能实现预期目标，可能也与初始的增益系数，Po设置的不合适有关。
K=0;%初始化
%[m_Obs,m_ObsR]=Obs_Generate([5 10],[20 80],[10 80],n);
Xj=Xo;%j=1循环初始，将车的起始坐标赋给Xj
axis([-20 120 -20 120]);
axis equal;
hold on;
axis off;
%set(gcf,‘color’,‘y’)
%fill([-10,110,110,-10],[-10 -10 110 110],‘w’)
fill([-20,120,120,-20],[-20 -20 120 120],‘y’)
%title (‘人工势场路径规划’);
text(-5,-5,’ Start’,‘FontSize’,12);
fill([95,120,120,95],[-20 -20 10 10],‘w’)
text(100,5,‘Notes:’,‘FontSize’,12)
plot(101,-5,‘sb’,‘markerfacecolor’,‘b’);
text(101,-5,’ Robot’,‘FontSize’,12);
plot(101,-15,‘om’,‘markerfacecolor’,‘m’);
text(101,-15,’ Ball’,‘FontSize’,12);
plot(0,0,‘bs’)
car=plot(0,0,‘sb’,‘markerfacecolor’,‘b’);
%car_name=text(0,0,’ ‘,‘FontSize’,12);
object=plot(0,100,‘om’,‘markerfacecolor’,‘m’);
%object_name=text(0,100,’ Ball’,‘FontSize’,12);
but=1;
x_obs=1;
y_obs=1;

% hObject handle to axes4 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles empty - handles not created until after all CreateFcns called

% Hint: place code in OpeningFcn to populate axes4
% — Executes on button press in pushbutton1.
function pushbutton1_Callback(hObject, eventdata, handles)
%main
%%%%%%%%%%%%%%%%%%%%%初始化参数%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%5
Xo=[0 0];%起点位置
k=1;%计算引力需要的增益系数
m=1;%计算斥力的增益系数
%n=3;%障碍个数
longth=1.2;%步长
%循环迭代次数
J=2000;
%如果不能实现预期目标，可能也与初始的增益系数，Po设置的不合适有关。
K=0;%初始化
%[m_Obs,m_ObsR]=Obs_Generate([5 10],[20 80],[10 80],n);
Xj=Xo;%j=1循环初始，将车的起始坐标赋给Xj
axis([-20 120 -20 120]);
axis equal;
hold on;
axis off;
%set(gcf,‘color’,‘y’)
%fill([-10,110,110,-10],[-10 -10 110 110],‘w’)
fill([-20,120,120,-20],[-20 -20 120 120],‘y’)
%title (‘人工势场路径规划’);
text(-5,-5,’ Start’,‘FontSize’,12);
fill([95,120,120,95],[-20 -20 10 10],‘w’)
text(100,5,‘Notes:’,‘FontSize’,12)
plot(101,-5,‘sb’,‘markerfacecolor’,‘b’);
text(101,-5,’ Robot’,‘FontSize’,12);
plot(101,-15,‘om’,‘markerfacecolor’,‘m’);
text(101,-15,’ Ball’,‘FontSize’,12);
plot(0,0,‘bs’)
car=plot(0,0,‘sb’,‘markerfacecolor’,‘b’);
%car_name=text(0,0,’ ‘,‘FontSize’,12);
object=plot(0,100,‘om’,‘markerfacecolor’,‘m’);
%object_name=text(0,100,’ Ball’,‘FontSize’,12);
but=1;
x_obs=1;
y_obs=1;
%pause(1);
%选取障碍
%h=msgbox(‘单击鼠标左键选择障碍，单击右键完成选择’,‘提示’);
%uiwait(h,10);
%if ishandle(h) == 1
% delete(h);
%end
num_obs=1;
while but == 1
[x_obs,y_obs,but] = ginput(1);
if but==1
m_Obs(num_obs,:)=[x_obs y_obs];
m_ObsR(num_obs)=3;
%m_Obs=[0 40;20 70;60 50];
Po=min(m_ObsR)/0.5;
% for i=1:n
Theta=0:pi/20:pi;
xx =m_Obs(num_obs,1)+cos(Theta)*m_ObsR(num_obs);
yy= m_Obs(num_obs,2)+sin(Theta)m_ObsR(num_obs);
fill(xx,yy,‘w’)
Theta=pi:pi/20:2pi;
xx =m_Obs(num_obs,1)+cos(Theta)*m_ObsR(num_obs);
yy= m_Obs(num_obs,2)+sin(Theta)*m_ObsR(num_obs);
fill(xx,yy,‘k’)
num_obs=num_obs+1;

end
%plot(xx,yy,'LineWidth',2); 

% xval=floor(xval);
% yval=floor(yval);
% MAP(xval,yval)=-1;%Put on the closed list as well
% plot(xval+.5,yval+.5,‘ro’);
end%End of While loop
num_obs=num_obs-1;
%object=plot(0,100,‘om’);
%car=plot(Xo(1),Xo(2),‘sb’);
%car_name=text(Xo(1),Xo(2),‘Robot’,‘FontSize’,12);
%object_name=text(0,100,‘Ball’,‘FontSize’,12);
%startFlag=pushbutton2_Callback(hObject, eventdata, handles);
uiwait;
%初始化结束，开始主体循环***
for j=1:J%循环开始
% if j<200
x=j/1.5;y=100;
% else
% x=100;y=100;
%end
m_Target=[x,y];
Goal(j,1)=m_Target(1);
Goal(j,2)=m_Target(2);
Current(j,1)=Xj(1);%Goal保存走过的每个点的坐标。刚开始先将起点放进该向量
Current(j,2)=Xj(2);
%调用计算角度模块
[angle_att,angle_rep]=compute_angle(Xj,m_Target,m_Obs,num_obs);
%调用计算引力模块
[Fatt,Uatt(j)]=compute_Attract(Xj,m_Target,k,angle_att);

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]张宇迪,龚鹏,胡为.改进人工势场法的智能车路径规划[J].机械科学与技术

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合