移动机器人全局路径规划方法研究

《移动机器人全局路径规划方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、：：分类号密级？ＵＤＣ：：编号工学硕士学位论文移动机器人全局路径规划方法研究硕士研究生：魏智红指导教师：于立君副教授学科、专业：控制科学与工程论文主审人：陆军教授哈尔滨工程大学２０１７年２月分类号：密级：UDC：编号：工学硕士学位论文移动机器人全局路径规划方法研究硕士研究生：魏智红指导教师：于立君副教授学位级别：工学硕士学科、专业：控制科学与工程所在单位：自动化学院论文提交日期：2017年12月论文答辩日期：2018年3月学位授予单位：哈尔滨工程大学ClassifiedIndex:U

2、.D.C:ADissertationfortheDegreeofM.EngResearchonGlobalPathPlanningforMobileRobotCandidate:WeiZhihongSupervisor:AssociateProf.YuLijunAcademicDegreeAppliedfor:MasterofEngineeringSpecialty:ControlScienceandEngineeringDateofSubmission:December,2017DateofOralExamination:M

3、arch,2018University:HarbinEngineeringUniversity移动机器人全局路径规划方法研究摘要移动机器人是人类科学发展的重要研究成果。近年来，随着人们对较高生活品质的追求，移动机器人逐渐进入人们的视野。它不仅可以完成人类无法到达领域的探究，还可以用于日常生活帮助人们完成枯燥、繁重的工作。路径规划是移动机器人研究的首要问题，只有让机器人沿着规划好的路径行走才能顺利完成任务。因此，本文通过研究移动机器人经典的路径规划方法，对每种方法存在的不足进行分析，找出导致问题出现的原因并提出相应的改进方法。本

4、文主要完成的工作如下：1、本文利用栅格地图对环境进行建模，由于栅格大小直接影响移动机器人路径规划的精确度，因此在建立栅格地图时先设计栅格因子，然后建立障碍物坐标系并将障碍物信息转化到环境坐标系，最后确定移动机器人在栅格地图中的八个探索方向。2、针对使用蚁群算法和A*算法进行移动机器人全局路径规划时存在的收敛速度慢、路径质量差等问题，分别采用快速收敛蚁群算法和加权检测A*算法进行改进。快速收敛蚁群算法中设计倾向性探索和新的信息素更新方式，去除多余路径。加权检测A*算法中设计由距离和角度两个因素决定的启发函数，并对相隔节点进行视线

5、检测。由于这两种算法都是采用栅格地图进行环境描述，因此在同一环境中将两种算法规划出的路径进行对比，对每种算法的适应性做更进一步的研究。3、为使移动机器人可以在任意复杂的环境里都能顺利完成工作，本文提出基于S-RRT算法的移动机器人全局路径规划。S-RRT算法中设计收敛因子和平滑处理，并解决了使用该算法时容易出现搜索陷入局部最小值的问题。经过仿真实验结果分析可知该方法不仅继承了原RRT算法的所有优点还提高了算法的收敛速度，使规划出的移动机器人路径更加趋向于最优路径。最后，为验证S-RRT算法对环境要求低、适用于各种环境，选择不同

6、的环境地图进行移动机器人路径规划。关键词：路径规划；栅格因子；快速收敛；加权检测；S-RRT移动机器人全局路径规划方法研究AbstractMobilerobotisanimportantresearchachievementinthehumanscience.Inrecentyears,mobilerobotcomesintothespotlightalongwiththehigherpursuitofqualityoflife.Itcannotonlyexplorefieldsthatpeoplecan’treach,but

7、alsohelppeopletodoboringandheavywork.Pathplanningistheprimaryproblemintheresearchofmobilerobots.Onlybyallowingrobotstowalkalongonaplannedpathcanthetaskbecompletedsuccessfully.Therefore,thepaperstudiestheexistingpathplanningmethodsofmobilerobot,analyzingtheadvantages

8、anddisadvantagesofeachmethod,theproblemswhichexistinthespecificmethodsarestudied,thereasonsarefoundoutandthecorrespondingimprovementmethod