智能仿生算法在机器人路径规划的应用综述
1 绪论
1.1 机器人路径规划方法
路径规划是移动机器人导航中最重要的技术之一。
对于移动机器人而言,路径规划就是解决特定工作环境和任务要求下的路径优选问题,路径规划的科学性和合理性对于移动机器人工作效能具有十分重要的影响。
目前常用的路径规划方法可以分为传统算法和智能仿生算法两类。
传统算法主要有人工势场法、模糊逻辑算法、可视图法、栅格法、自由空间法等。自 20世纪70年代路径规划问题被提出以来,这些传统算法在机器人路径规划领域发挥了重要的作用,取得了诸多研究成果。
但是随着移动机器人应用领域的不断扩大,传统的路径规划方法在应对一些复杂环境时会存在一定的缺陷[1]。例如,人工势场法容易陷入局部极小点,存在目标不可达的问题。模糊控制算法在复杂多变环境中,很难建立模糊规则库,且对于动态障碍物缺乏智能的避障策略。
而随着近年来人工智能技术的兴起,越来越多智能仿生算法被提出并应用在机器人路径规划中,其中许多智能仿生算法有着比传统算法更加优秀的效果,因此针对越加复杂的路径规划场景,智能仿生算法脱颖而出。
1.2 智能仿生算法主要特点
智能仿生算法是一种模仿生物群体智能行为或生物体结构和功能或生态机制的智能计算方法。
智能仿生算法的主要特点有:
1) 仿生特征
智能仿生算法的工作机制与自然生物的性质或生态机制非常接近。
2) 简单性和涌现
智能仿生算法计算简单且容易理解,但其效果非常惊人,反映了涌现性。
3) 鲁棒性
智能仿生算法对环境,参数和任务的变化具有很强适用性和灵活性。
4) 自组织性
智能仿生算法可以通过自学习或自组织的方式提高自适应能力。
1.3 智能仿生算法分类
根据智能仿生算法的模仿来源,这里将其分为三大类,分别为:
-
受生物群体行为启发的智能仿生算法;
-
受生物体结构、组织启发的智能仿生算法;
-
受生物进化启发的智能仿生算法。
下图为智能仿生算法的三大分类下的具体算法,在后文将针对每类智能仿生算法进行展开介绍。
2 受生物群体行为启发仿生算法
2.1 受生物群体行为启发仿生算法概述
在自然界中,生物个体的行为往往只能完成较为简单的任务,但个体直接通过群体协作却能完成复杂的任务。针对生物群体行为的特性,学者们提出了众多受生物群体行为启发的智能方式算法,如蚁群算法、粒子群算法、人工鱼群算法以及狼群算法等等。通过算法模拟生物群体行为,能够有效应用在各自实际优化问题中,下文将以粒子群算法为例进行阐述。
2.2 粒子群算法概述
粒子群算法(particle swarm optimization,PSO)最初是由Kennedy和Eberhart博士于1995年受人工生命研究的结果启发,在模拟鸟群觅食过程中的迁徙和群集行为时提出的一种基于群体智能的演化计算技术。
粒子群算法起源于对飞行鸟群觅食行为的研究。在鸟群捕食的时候,当有一只鸟发现不远处的食物后,它将飞向食物地点,这将导致它周围的其它鸟也沿着这个方向寻找食物地点,直到整个鸟群全部降落在此,找到食物。这是一种自然状态下的信息共享机制,在认知和搜寻过程中,个体会记住自身的飞行经验;同时,也向其它优秀个体学习,当它发现其它的某个个体飞行更好的时候,就会向它学习并对自身做出适当的调整,使得自己能朝着更好的方向飞行。
该算法具有并行处理、鲁棒性好等特点,能以较大概率找到问题的全局最优解,且计算效率比传统随机方法高。其最大的优势在于编程简单,易实现、收敛速度快,而且有深刻的智能背景,既适合科学研究,又适合工程应用。因此,粒子群算法一经提出,立刻引起了演化计算领域研究者的广泛关注,并在短短几年时间里涌现出大量的研究成果,该算法目前已被“国际演化计算会议”列为讨论专题之一。
粒子群算法的迭代公式如下,包括速度和位置公式:
其中各参数的含义如下:
V i V_i V