基于混沌优化的移动机器人规划问题研究

作为人工智能的重要研究领域，机器人学科半个世纪以来取得了飞速的发展。自主机器人的轨迹规划等问题，如今已成为人工智能领域的前沿课题，引起了各国学者的高度重视。在自主式移动机器人相关技术的研究中，导航技术是其研究核心。动态不确定环境下的路径规划是自主式移动机器人导航的关键环节之一，是移动机器人研究领域的一个研究热点。多障碍物环境下的路径规划，尤其是多障碍物的动态环境下的路径规划，是一个比较复杂的问题，一些学者致力于这方面的研究，但至今也没能得到妥善的解决。针对该问题本文进行了深入地研究，具体工作如下： 首先，对鲁棒混沌优化算法和Alopex算法进行了深入的研究，针对Logistic映射概率分布不均匀和粗略搜索的最优点可能导致偏离全局最优解，影响算法搜索速度的缺点，将混沌优化算法与改进的Alopex算法相结合提出了混合优化算法。该混合优化算法充分发挥了改进的Alopex算法的快速搜索能力和混沌优化算法细致寻优的特性，提高了算法的收敛速度，避免了一般优化算法容易陷入局部最优的缺陷。对鲁棒混沌优化算法的收敛性进行了证明，同时也给出了混合优化算法的收敛性证明。此外，利用鲁棒混沌优化算法，在具有静止和移动障碍物的典型工业环境中，根据实际任务为移动机器人规划出了一条从初始点到目标点既避开静止障碍物又与移动障碍物无碰撞，而且满足时间要求、动力学约束、运动学约束的最优路径，这说明该算法具有解决大规模实际问题的能力。 其次，将鲁棒混沌优化算法嵌入到人工势场法中，提出了混沌人工势场法。该方法能够在动态环境下实时、有效地进行路径规划，避免了传统人工势场法容易陷入局部最优、在比较靠近(但机器人可以通过的)的两个障碍物之间找不到通道的缺陷。并在东北大学New NEU足球队的足球机器人系统5对5仿真平台上进行了仿真试验，取得了满意的结果，证实了该方法的有效性，为将混沌人工势场法应用于实际移动机器人的路径规划奠定了理论基础。 第三，对自主移动机器人在动态环境下，利用传感器信息进行导航的复杂性问题进行了探讨。通过计算最大Lyapunov指数和描绘功率谱分析图这两种方法，确定了自主移动机器人从传感器上获得的机器人与障碍物间的距离信息的时间序列存在混沌现象。根据混沌现象的复杂性从一个侧面解释了自主移动机器人在动态环境下的导航是一个复杂问题的原因。 最后，在给出动态环境下移动机器人避开障碍物优先级定义的前提下，提出移动机器人在含有多个障碍物，且障碍物运动具有不确定性的情况下，实时避障的运动规划策略，同时给出了障碍物运动具有不确定性时，预测k个采样周期后确定障碍物位置的表达式。