能耗優(yōu)化的移動(dòng)機(jī)器人路徑規(guī)劃方法

李曉東,童亮,2,3,陳梓寧,張博文,章者一

(1.北京信息科技大學(xué) 機(jī)電工程學(xué)院,北京 100192;2.新能源汽車(chē)北京實(shí)驗(yàn)室,北京 100192;3.北京電動(dòng)車(chē)輛協(xié)同創(chuàng)新中心,北京 100192)

0 引言

目前,移動(dòng)機(jī)器人在各行各業(yè)的應(yīng)用越來(lái)越廣泛,如果園機(jī)器人[1]、搶險(xiǎn)救災(zāi)機(jī)器人[2]、醫(yī)療服務(wù)機(jī)器人[3]和家庭服務(wù)機(jī)器人[4]等。移動(dòng)機(jī)器人的工作環(huán)境不再僅僅是平坦開(kāi)闊的道路,也可能包含動(dòng)、靜態(tài)障礙物或凹凸不平的路面。移動(dòng)機(jī)器人通常由便攜式能源驅(qū)動(dòng),一次性攜帶的能量有限。因此,如何使移動(dòng)機(jī)器人以最小的能耗代價(jià),無(wú)碰撞地到達(dá)目的地越發(fā)重要。基于能耗優(yōu)化的最優(yōu)路徑規(guī)劃方法是解決這一問(wèn)題的有效手段。通常移動(dòng)機(jī)器人路徑規(guī)劃分為全局規(guī)劃和局部規(guī)劃。

目前的路徑規(guī)劃算法有很多,如用于靜態(tài)全局規(guī)劃的Dijkstra算法[5]、Floyd算法[6]和A*算法[7-8]等。而局部路徑規(guī)劃則需要根據(jù)機(jī)器人的運(yùn)動(dòng)約束生成期望的控制量,如動(dòng)態(tài)局部路徑規(guī)劃的動(dòng)態(tài)窗口法(dynamic window approach,DWA)[9-10]、蟻群算法[11]和人工勢(shì)場(chǎng)法[12]等。其中,A*算法應(yīng)用尤為廣泛。顧青等[13]提出一種基于改進(jìn)A*算法的電動(dòng)車(chē)能耗最優(yōu)路徑規(guī)劃方法,但是沒(méi)有綜合考慮避障問(wèn)題。劉靖等[14]以改進(jìn)A*算法為基礎(chǔ),提出了一種節(jié)能、安全且通用的移動(dòng)醫(yī)療機(jī)器人無(wú)碰撞路徑規(guī)劃方法,但是沒(méi)有考慮坡度,只適用于平坦路面且只能通過(guò)靜態(tài)障礙物。潘富強(qiáng)等[15]提出了一種基于改進(jìn)A*算法與改進(jìn)動(dòng)態(tài)窗口法的融合算法,解決了動(dòng)、靜態(tài)障礙物避障問(wèn)題,但是沒(méi)有考慮能耗。Pal等[16]提出了EA*算法,通過(guò)減少移動(dòng)機(jī)器人轉(zhuǎn)彎次數(shù)降低能量損耗,但是沒(méi)有考慮地面摩擦、坡度等因素對(duì)路徑規(guī)劃的影響。Ganganath等[17]基于A*算法提出了一種在不平坦路面上生成節(jié)能路徑的新算法,這種三維算法雖然生成路徑較為準(zhǔn)確卻極大地增加了計(jì)算量,進(jìn)而增加了規(guī)劃時(shí)間,而且它沒(méi)有考慮能量回收,也不能通過(guò)動(dòng)態(tài)障礙物。Lanthier等[18]引入了地形面權(quán)重概念,該概念分析了地形、摩擦和每個(gè)地形面坡度的不同特性,利用Dijkstra算法在圖中以最小的總權(quán)值進(jìn)行尋徑,但是容易陷入局部最優(yōu)解。

本文通過(guò)優(yōu)化A*算法、融合改進(jìn)DWA算法等方法,為解決能耗最優(yōu)路徑規(guī)劃問(wèn)題提供了一種新思路。

1 A*算法優(yōu)化

1.1 傳統(tǒng)A*算法性能分析

A*算法是一種常用的路徑查找和圖形遍歷算法,能夠完成機(jī)器人從起始點(diǎn)到目標(biāo)點(diǎn)的靜態(tài)路徑規(guī)劃。它有較好的性能和準(zhǔn)確度,算法中的距離估算值與實(shí)際值越接近,最終搜索速度越快。傳統(tǒng)A*算法的代價(jià)函數(shù)如式(1)所示:

f(n)=g(n)+h(n)

(1)

式中:n為當(dāng)前節(jié)點(diǎn);f(n)為總代價(jià);g(n)為起點(diǎn)到當(dāng)前節(jié)點(diǎn)的實(shí)際代價(jià);h(n)為當(dāng)前節(jié)點(diǎn)到目標(biāo)節(jié)點(diǎn)的估計(jì)代價(jià)。

相對(duì)于其他搜索算法,A*算法的搜索速度較快,因?yàn)樗軌蛲ㄟ^(guò)啟發(fā)式函數(shù)來(lái)減少搜索的路徑數(shù)。這使得A*算法在處理大規(guī)模搜索問(wèn)題時(shí)非常高效。但是,傳統(tǒng)A*算法只能求解最短路徑,不能滿足能耗最優(yōu)規(guī)劃需求。因此,本文在傳統(tǒng)A*算法基礎(chǔ)上引入能耗影響因子、優(yōu)化代價(jià)函數(shù),實(shí)現(xiàn)在不平坦路面上基于能耗最優(yōu)的路徑規(guī)劃。

1.2 優(yōu)化代價(jià)函數(shù)

為了表征在不平坦路面上機(jī)器人的移動(dòng)距離和能量消耗,Mejri等[19]構(gòu)建了基于距離的鄰接矩陣與基于能量的鄰接矩陣。本文基于此方法構(gòu)建鄰接矩陣,將移動(dòng)機(jī)器人行駛時(shí)的能耗轉(zhuǎn)化為能耗代價(jià),賦予在二維柵格地圖上。本文采用文獻(xiàn)[17]的方法,構(gòu)建地形圖,如式(2)所示:

(2)

式中:z(x,y)為移動(dòng)機(jī)器人所處高度;(x,y)為移動(dòng)機(jī)器人所在坐標(biāo)。本文在此地形圖基礎(chǔ)上進(jìn)行能耗最優(yōu)路徑規(guī)劃。首先,對(duì)機(jī)器人運(yùn)動(dòng)進(jìn)行受力分析,計(jì)算出能耗代價(jià)。研究對(duì)象為四輪后驅(qū)輪式移動(dòng)機(jī)器人,機(jī)器人在運(yùn)動(dòng)過(guò)程中始終保持勻速且速度較低,忽略空氣阻力和加速阻力。機(jī)器人上坡時(shí)的受力分析如圖1所示。圖中,Ft為驅(qū)動(dòng)力,Ff為滾動(dòng)阻力,Fg為坡度阻力,Fs為支持力,G為機(jī)器人所受重力,φ為道路坡度。

圖1 移動(dòng)機(jī)器人物理模型Fig.1 Physical model of mobile robot

當(dāng)移動(dòng)機(jī)器人處于上坡階段時(shí),當(dāng)前節(jié)點(diǎn)高度大于上一個(gè)節(jié)點(diǎn)高度(zx>zx-1),建立機(jī)器人行駛受力方程式:

Ft=Ff+Fg

(3)

機(jī)器人在運(yùn)動(dòng)過(guò)程中始終保持勻速且速度較低,忽略空氣阻力和加速阻力,可得:

(4)

式中:T為電動(dòng)機(jī)輸出扭矩;ig為變速器傳動(dòng)比;i0為主減速器傳動(dòng)比;ηT為傳動(dòng)系統(tǒng)機(jī)械效率;r為車(chē)輪半徑;f為滾動(dòng)阻力系數(shù)。φ由式(5)計(jì)算得到。

(5)

由式(4)可得:

(6)

根據(jù)電機(jī)的轉(zhuǎn)速特性,電機(jī)的功率Pi和與扭矩T、轉(zhuǎn)速n之間的關(guān)系為

(7)

其中,電機(jī)轉(zhuǎn)速n與機(jī)器人行駛速度v之間的關(guān)系為

(8)

則在上坡工況下,驅(qū)動(dòng)電機(jī)在等速行駛時(shí)間Δt內(nèi)所消耗的電能為

(9)

其中,行駛路程Δs為

(10)

聯(lián)立式(6)～(9)可得在上坡路段任意兩節(jié)點(diǎn)間的能耗為

Ei=(Gfcosφ+Gsinφ)Δs/ηT

(11)

當(dāng)機(jī)器人下坡時(shí)(zx

①當(dāng)Ff≥Fg時(shí),不需要制動(dòng),則在此工況下,任意兩節(jié)點(diǎn)間的能耗為

Ej=(Gfcosφ-Gsinφ)Δs/ηT

(12)

②當(dāng)Ff

(13)

式中:k為制動(dòng)回收系數(shù)?；厥盏碾娔転?/p>

Ej1=k(-Gfcosφ1+Gsinφ1)Δs1/ηT

(14)

式中:φ1為在進(jìn)行制動(dòng)回收時(shí)的道路坡度; Δs1為制動(dòng)回收時(shí)的行駛路程。

綜上,移動(dòng)機(jī)器人在路段((x-1),x)行駛時(shí)的能耗為

(15)

由此可計(jì)算起始點(diǎn)到當(dāng)前節(jié)點(diǎn)的能耗代價(jià)Qcur(n)和當(dāng)前節(jié)點(diǎn)到下一個(gè)子節(jié)點(diǎn)的能耗代價(jià)Qnext(n)。為了實(shí)現(xiàn)在考慮能耗的情況進(jìn)行路徑規(guī)劃,在傳統(tǒng)A*算法的代價(jià)函數(shù)式(1)的基礎(chǔ)上增加能耗代價(jià),并分別賦予權(quán)重因子a、b、c、d,形成新的代價(jià)函數(shù):

f(n)=ag(n)+bh(n)+cQcur(n)+dQnext(n)

(16)

式中:a、b、c、d為正常數(shù)。

1.3 搜索鄰域和搜索方向的優(yōu)化

傳統(tǒng)A*算法的路徑搜索方式為4鄰域4方向和8鄰域8方向,搜索方向少,移動(dòng)范圍小。齊款款等[20]采用24鄰域16方向的搜索方式,較前者搜索視野范圍更大,能夠更快地找到最優(yōu)解,如圖2所示。

圖2 24鄰域16方向搜索方式Fig.2 24 neighborhood 16 direction search mode

本文在此基礎(chǔ)上對(duì)搜索方向進(jìn)行優(yōu)化。當(dāng)機(jī)器人向前行駛時(shí),其后方附近的5個(gè)搜索方向使用極少。因此,為了進(jìn)一步提高算法規(guī)劃效率,可以將其舍棄,將16個(gè)搜索節(jié)點(diǎn)方向改為11個(gè)。判斷依據(jù)為當(dāng)前節(jié)點(diǎn)和拓展子節(jié)點(diǎn)的連線與當(dāng)前節(jié)點(diǎn)和目標(biāo)點(diǎn)連線的夾角α大小,具體規(guī)則如表1所示。

表1 優(yōu)化搜索方向規(guī)則Table 1 Search direction optimization rule

1.4 刪除多余共線點(diǎn)

A*算法規(guī)劃出來(lái)的路徑不夠平滑且不能通過(guò)動(dòng)態(tài)障礙物。為解決這一問(wèn)題,本文將其與改進(jìn)DWA算法進(jìn)行融合。但是,A*算法規(guī)劃出來(lái)的路徑經(jīng)常出現(xiàn)相鄰的多個(gè)節(jié)點(diǎn)處于同一直線上,若直接將所有節(jié)點(diǎn)作為DWA子目標(biāo)進(jìn)行局部路徑規(guī)劃,會(huì)增加很多不必要的計(jì)算。為了進(jìn)一步提高整體算法效率,可以通過(guò)比較節(jié)點(diǎn)間的轉(zhuǎn)角度數(shù),刪除中間多余節(jié)點(diǎn),繼而以剩余節(jié)點(diǎn)作為局部規(guī)劃的子目標(biāo)。

2 DWA算法改進(jìn)

動(dòng)態(tài)窗口算法是一種基于預(yù)測(cè)控制理論的路徑規(guī)劃方法,一般用于局部路徑規(guī)劃,能夠有效避開(kāi)動(dòng)態(tài)障礙物。其根據(jù)機(jī)器人的運(yùn)動(dòng)狀態(tài),在控制空間中離散采樣多組速度、角速度,并以此為基礎(chǔ)預(yù)測(cè)下一個(gè)或者多個(gè)采樣時(shí)刻機(jī)器的行走軌跡,并根據(jù)評(píng)分規(guī)則對(duì)其進(jìn)行打分(評(píng)分內(nèi)容包括與障礙物的距離、朝向終點(diǎn)的角度等),由此選出當(dāng)前的最佳位置,再由此位置繼續(xù)重復(fù)以上過(guò)程建立新的窗口,如此循環(huán)直至到達(dá)目標(biāo)點(diǎn)。

2.1 移動(dòng)機(jī)器人運(yùn)動(dòng)模型的建立

假設(shè)機(jī)器人當(dāng)前位置為(xt-1,yt-1)、航向角為θt-1,選取評(píng)分最高的速度v、角速度ω。由于采樣時(shí)間間隔Δt很短,可假設(shè)機(jī)器人在Δt內(nèi)做勻速直線運(yùn)動(dòng),由此可計(jì)算出移動(dòng)機(jī)器人下一時(shí)刻的位置信息,建立移動(dòng)機(jī)器人運(yùn)動(dòng)模型:

(17)

2.2 速度采樣

為使模型不斷循環(huán)到達(dá)終點(diǎn),需要在控制空間中不斷進(jìn)行采樣,控制空間的設(shè)定主要取決于速度、角速度和不發(fā)生碰撞的最小距離。

2.2.1 速度邊界

根據(jù)移動(dòng)機(jī)器人的機(jī)械結(jié)構(gòu)和環(huán)境需求等,可設(shè)立速度邊界Vm為

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

(18)

式中:vmin、vmax分別為機(jī)器人線速度上下界;ωmin、ωmax分別為機(jī)器人角速度上下界。

2.2.2 加速度邊界

考慮到機(jī)器人驅(qū)動(dòng)電機(jī)、轉(zhuǎn)向電機(jī)性能等問(wèn)題,存在加速度邊界Vd為

Vd={(v,ω)|v∈[vc-avmaxΔt,avmaxΔt],

ω∈[ωc-aωmaxΔt,aωmaxΔt]}

(19)

式中:vc、ωc分別為移動(dòng)機(jī)器人當(dāng)前時(shí)刻的線速度和角速度;avmax、aωmax分別為移動(dòng)機(jī)器人最大線加速度和最大角加速度。

2.2.3 障礙物邊界

為避免與動(dòng)靜態(tài)障礙物發(fā)生碰撞,需要對(duì)機(jī)器人和障礙物之間的距離進(jìn)行約束。障礙物邊界Va可設(shè)為

(20)

式中:d(v,w)表示當(dāng)前速度下對(duì)應(yīng)模擬軌跡與障礙物之間的最小距離。

為兼顧上述3個(gè)邊界限制,取3個(gè)控制空間的交集作為速度采樣空間,即:

Vs=Vm∩Vd∩Va

(21)

2.3 軌跡評(píng)價(jià)

采樣完成后,根據(jù)不同的速度、角速度生成不同的模擬軌跡,對(duì)每條軌跡進(jìn)行評(píng)分,取得分最高者為下一時(shí)間段規(guī)劃軌跡。評(píng)分規(guī)則由評(píng)價(jià)函數(shù)確立。評(píng)價(jià)函數(shù)如式(22)所示:

G(v,ω)=σ(α·h(v,ω))+σ(β·d(v,ω))+σ(γ·o(v,ω))

(22)

式中:σ表示歸一化;h(v,ω)為方位角評(píng)價(jià)函數(shù),用預(yù)測(cè)軌跡末端朝向和目標(biāo)點(diǎn)方向夾角Δθ或(180-Δθ)來(lái)計(jì)算;d(v,ω)為距離評(píng)價(jià)函數(shù),以模擬軌跡與障礙物之間的最近距離大小來(lái)評(píng)估;o(v,ω)為速度評(píng)價(jià)函數(shù),以模擬軌跡所對(duì)應(yīng)的線速度大小來(lái)評(píng)估;α、β和γ均為評(píng)價(jià)函數(shù)的系數(shù)。

2.4 評(píng)價(jià)函數(shù)的優(yōu)化

2.4.1 引入機(jī)器人尺寸

傳統(tǒng)DWA算法沒(méi)有考慮機(jī)器人實(shí)際尺寸,而是粗略地以軌跡與障礙物之間的最近距離作為碰撞約束生成,當(dāng)機(jī)器人以此路徑實(shí)際行駛時(shí)容易出現(xiàn)碰撞情況。為解決這一問(wèn)題,本文引入移動(dòng)機(jī)器人尺寸信息,根據(jù)機(jī)器人幾何中心坐標(biāo)和尺寸信息計(jì)算出4個(gè)頂點(diǎn)的坐標(biāo),根據(jù)這4個(gè)點(diǎn)生成矩形輪廓,然后離散化生成輪廓點(diǎn)集,并計(jì)算點(diǎn)集內(nèi)的點(diǎn)和障礙物之間的距離D(v,ω),歸一化后,取代d(v,w)寫(xiě)入評(píng)價(jià)函數(shù),以移動(dòng)機(jī)器人輪廓和障礙物之間的距離為基準(zhǔn)評(píng)價(jià)路徑的優(yōu)劣。如圖3所示。

圖3 狹窄路段A*融合DWA路徑規(guī)劃Fig.3 Narrow section A* fusion DWA path planning

當(dāng)不考慮機(jī)器人尺寸或機(jī)器人尺寸較小時(shí)通過(guò)狹窄通道;當(dāng)機(jī)器人尺寸較大時(shí)選擇繞路,確保機(jī)器人以此路徑行駛時(shí)不會(huì)發(fā)生碰撞。

2.4.2 增加半徑約束

考慮到移動(dòng)機(jī)器人的機(jī)械結(jié)構(gòu),路徑應(yīng)滿足機(jī)器人的最小轉(zhuǎn)彎半徑要求。因此,將轉(zhuǎn)彎半徑作為約束條件歸一化后加入評(píng)價(jià)函數(shù)來(lái)評(píng)估軌跡。轉(zhuǎn)彎半徑為

(23)

優(yōu)化后的評(píng)價(jià)函數(shù)為

G(v,ω)=σ(α·h(v,ω)+β·D(v,ω)+γ·o(v,ω)+δ·r(v,ω))

(24)

式中:δ為評(píng)價(jià)函數(shù)的系數(shù)。

動(dòng)態(tài)窗口法具備良好的局部避障能力,但是容易陷入局部最優(yōu)解。本文將A*算法與動(dòng)態(tài)窗口法相結(jié)合,既能得到全局最優(yōu)解,又具備局部避障的能力。融合改進(jìn)A*算法和DWA算法的路徑規(guī)劃算法流程如圖4所示。

圖4 融合算法流程Fig.4 Flow chart of fusion algorithm

3 仿真實(shí)驗(yàn)與分析

3.1 A*算法的對(duì)比分析

為驗(yàn)證本文改進(jìn)A*算法的可行性和有效性,在空曠和密集2種環(huán)境下分別用傳統(tǒng)A*算法、文獻(xiàn)[13]算法、文獻(xiàn)[20]算法與本文改進(jìn)A*算法進(jìn)行對(duì)比仿真實(shí)驗(yàn)。其結(jié)果如圖5～6所示,具體數(shù)據(jù)如表2～3所示。為了更直觀地對(duì)比本文改進(jìn)A*算法與其他方法,對(duì)性能指標(biāo)進(jìn)行歸一化以直方圖形式表示,如圖7所示。

表2 A*算法空曠環(huán)境下仿真數(shù)據(jù)Table 2 Simulation data of A* algorithm in open environments

表3 A*算法密集環(huán)境下仿真數(shù)據(jù)Table 3 Simulation data of A* algorithm in dense environments

圖5 空曠環(huán)境下規(guī)劃的路徑軌跡Fig.5 Path trajectories planned in open environments

圖6 密集環(huán)境下規(guī)劃的路徑軌跡Fig.6 Path trajectories planned in dense environments

圖7 多指標(biāo)歸一化分析Fig.7 Multi-index normalization analysis

從仿真結(jié)果可知,在空曠環(huán)境下相較于傳統(tǒng)A*算法,文獻(xiàn)[13]的算法節(jié)約了大約16.72%的能耗;文獻(xiàn)[20]由于增加了搜索鄰域,搜索范圍更大,搜索效率更高,相較于傳統(tǒng)A*路徑和文獻(xiàn)[13]路徑節(jié)點(diǎn)數(shù)更少、路徑更短、拐角數(shù)和轉(zhuǎn)角和更小、路徑更為平滑,但是由于沒(méi)有考慮能耗,比文獻(xiàn)[13]耗能更多;本文改進(jìn)A*算法在文獻(xiàn)[20]的基礎(chǔ)上進(jìn)一步優(yōu)化了搜索方向,搜索效率更高的同時(shí)保證了能耗最小,相較于傳統(tǒng)A*路徑節(jié)約了大約45.30%的能耗,相較于文獻(xiàn)[13]節(jié)約了大約34.32%的能耗。而在密集環(huán)境下,本文改進(jìn)A*算法仍然保持著優(yōu)越的性能,在保證更高的搜索效率的同時(shí),相較于傳統(tǒng)A*算法節(jié)約了大約34.28%的能耗,相較于文獻(xiàn)[13]節(jié)約了大約27.03%的能耗,相較于文獻(xiàn)[20]節(jié)約了大約32.84%的能耗。綜合來(lái)看,本文所提出的改進(jìn)A*算法能夠?yàn)闄C(jī)器人規(guī)劃出更為高效的全局節(jié)能路徑。

3.2 融合算法仿真分析

為了進(jìn)一步驗(yàn)證本文所提融合算法的可行性,在空曠環(huán)境和密集環(huán)境下分別進(jìn)行仿真實(shí)驗(yàn),并和傳統(tǒng)算法進(jìn)行對(duì)比分析。結(jié)果如圖8～9所示,具體數(shù)據(jù)如表4～5所示。

表4 空曠環(huán)境下各算法仿真數(shù)據(jù)Table 4 Simulation data of each algorithm in open environments

圖8 靜態(tài)環(huán)境下的仿真路徑Fig.8 Simulation path in static environments

由圖8、表4和表5可以看出,不論是空曠環(huán)境還是密集環(huán)境,融合算法都能很好地完成規(guī)劃任務(wù),解決了A*算法生成路徑不平滑的問(wèn)題。但是平滑后的路徑和原始能耗最優(yōu)路徑有微小的偏差,使得能耗相對(duì)于改進(jìn)A*算法分別增加了約2.60%、1.52%,但是相對(duì)于傳統(tǒng)路徑分別節(jié)約了大約43.88%、33.28%,仍然可觀。圖9中(a)、(b)的第一張圖均為通過(guò)第一個(gè)動(dòng)態(tài)障礙物時(shí)的場(chǎng)景,第二張圖均為通過(guò)第二個(gè)動(dòng)態(tài)障礙物時(shí)的場(chǎng)景,第三張圖均為到達(dá)終點(diǎn)時(shí)的場(chǎng)景。圖9中的2個(gè)動(dòng)態(tài)障礙物分別以0.80 m/s、0.50 m/s的速度做往返運(yùn)動(dòng),而同樣地由于機(jī)器人需要躲避動(dòng)態(tài)障礙物,路徑也有一定的偏移,但是由于本文以機(jī)器人輪廓到障礙物的距離取代路徑到障礙物的距離作為距離評(píng)價(jià)函數(shù),并增加了轉(zhuǎn)彎半徑約束,所以避障更為靈活、精準(zhǔn),路徑偏移量不大且較為平滑,在空曠和密集環(huán)境能耗相對(duì)于傳統(tǒng)A*路徑分別節(jié)約了42.56%、32.39%。算法規(guī)劃任務(wù)完成良好,能夠很好地適應(yīng)復(fù)雜的動(dòng)、靜態(tài)環(huán)境,有效地解決了改進(jìn)A*算法的動(dòng)態(tài)避障問(wèn)題。

表5 密集環(huán)境下各算法仿真數(shù)據(jù)Table 5 Simulation data of each algorithm in dense environments

圖9 動(dòng)態(tài)環(huán)境下的仿真路徑Fig.9 Simulation path in dynamic environments

4 結(jié)束語(yǔ)

針對(duì)移動(dòng)機(jī)器人在能量有限的情況下的路徑規(guī)劃需求,本文提供了一種新的基于全局能耗最優(yōu)的動(dòng)靜態(tài)避障規(guī)劃思路,并仿真驗(yàn)證了其可行性與有效性。主要工作有以下3個(gè)方面:

1)基于摩擦阻力、坡度等因素,建立能耗模型,增加A*搜索鄰域并優(yōu)化其搜索方向,提出一種同時(shí)考慮最短距離和能耗的搜索方式,規(guī)劃出全局最優(yōu)路徑。

2)提出新的距離評(píng)價(jià)函數(shù)D(v,ω),增加轉(zhuǎn)彎半徑約束,改進(jìn)DWA算法。

3)以刪除多余中間節(jié)點(diǎn)以A*剩余節(jié)點(diǎn)作為DWA子目標(biāo)的方式,融合改進(jìn)A*算法和改進(jìn)DWA算法,使機(jī)器人具有在復(fù)雜的動(dòng)靜態(tài)環(huán)境中避障的能力。

本文融合算法有效地解決了機(jī)器人在復(fù)雜環(huán)境下的規(guī)劃需求,具有一定實(shí)用價(jià)值。但是改進(jìn)DWA算法只在全局規(guī)劃時(shí)考慮了能耗,而在進(jìn)行局部規(guī)劃時(shí)未能把能耗考慮進(jìn)去,后續(xù)工作將重點(diǎn)研究考慮能耗評(píng)價(jià)的局部路徑規(guī)劃。