月球探测机器人路径规划的群体智能优化策略.pdf

月球探测机器人路径规划的群体智能优化策略 岳富占 崔乎远崔祜涛 (哈尔滨工业大学深空探测基础研究中心。哈尔滨150001) 摘要首先分析了月球探洲机器人路径规划的重要性及其难点，井引入一种群体智能优化算 法——蚁群算法，进而通过对蚁群算法中蚂蚁个体行为的改进，解决了行星表面复杂环境下探测机 嚣人的路径规划问题。首先在蚂蚁个体行为中加八目标导向行为、惯性行为和沿障碍行走行为．借 助于行为加权融夸，提高了算法的智能，保证了算法的全局收敛性，缩短了算法的寻优时间，以此改 进了传统ACO算法，最后在蚁群算法规划的基础上，提出了一种紧绳算法。时蚁群算法的最后结果 进行了处理，最终给出月球探测机器人在探测环境从起点到探测目标的最优路径，井以仿真进行了 验证。 关键词蚁群算法，行为融合，月球探洲机器人，路径规划。 日U茜 月球探测机器人是一种具有高度自主性，并适于在复杂的非结构化月面环境中执行探测任务的机器人， 它是目前对月球进行近距离探测的最直接有效的工具。月球探测机器人要进行巡游探测，就必须有自主导 航能力。自主导航使月球探测机器人在月面安全执行探测的保障，月球探测机器人自主导航主要包括月球探 测机器人路径规划、自主定位、避障等部分内容，月球探测机器人路径规划是自主导航中最为关键的要素。是 月球探测机器人高效率探测的基础，是进行运动控制的基准，路径规划的好坏，直接影响到运动控制的效果 和精度，同时路径规划也是月球探测机器人自主技术的重要体现。因此可以说，月球探涮机器人路径规划技 术对于其进行安全巡游，完成预定科学探测任务具有重要的现实意义。 目前地面移动机器人常用的路径规划方法主要有多边形拟合法、遗传算法、栅格法、人工势场法、可视图 法等等。以上规划算法除了部分算法具有计算量大、效率不高、容易陷入局部最小等缺陷外，这些算法所有不 足中的共性就是，一般认为机器人所处环境是简单障碍环境，而且一般假设障碍是规则的，而对于像月球表 面环境复杂、障碍不规则这样的探测环境，这些算法都暴露出其固有的缺陷，从而不能满足复杂环境下月球 探测机器人路径规划的需要。 为解决月球探测机器人路径规划这一难题，本文引入一种群体智能优化算法——蚁群算法(ACO)来解 决月球探测机器人的路径规划问题。首先通过对传统蚁群个体进行行为解析，为蚂蚁个体引入了目标导向 行为、惯性行为、沿障碍行走行为，从根本上改善了算法性能，增强了算法的鲁棒性，克服了传统蚁群算法不 能应用于复杂环境中的不足。最后提出了一种紧绳算法，对蚁群算法得到的次优解进行了优化处理，最终得 到全局最优路径，最后以仿真给予了验证。 ． 1蚁群算法(ACO)原理 蚁群算法(Ant Colony 界中真实蚁群集体行为的启发，通过模拟蚂蚁的觅食寻找路径行为，提出的一种群体智能优化算法。它是一 种本质并行分布式仿生优化算法。 蚁群是自然界中群体智能的一种体现，所谓群体智能，就是由众多简单个体通过特殊方式进行合作来完 成一项某单独个体所不能单独完成的复杂整体任务的一种智能行为。蚁群在寻找食物的过程中，每个蚂蚁 393 行信息传递的物质，它会以一定的速率逐渐消逝，蚂蚁在运动过程中通过感知周围环境中外激素的存在及其 浓度，来决定下一步的移动方向。通过这种方式蚂蚁能够快速找到从蚁穴到食物的最短路经，其原理可通过 图1来进行说明。 其中图1(a)表示蚁群在没有障碍的路径上往返于蚁穴和食物之间，当蚁群在其移动的路径上出现障碍 物时。蚁群会以一定概率从两侧绕过障碍，按照新的路径移动到食物，如图1(b)所示；由于每个蚂蚁移动的 速率相同，所以在路径较短的一侧蚂蚁往返的次数就相对较多，而每个蚂蚁都会向环境释放一定的外激素， 外激素也会以一定速率消逝，所以在较短路径的一侧，外激素的剩余量就会较多，这样就会吸引更多的蚂蚁 选择较短的路径，经过一定时间，所有蚂蚁都会选择绕过障碍的较短路径，最终状态如图1(c)所示。 图1蚂蚁觅食示意图 由以上原理可知，虽然蚁群中单个蚂蚁的行为极其简单，但由这样单个简单的个体所组成的蚁群群体却 表现出极其复杂的群体智能行为，蚁群之所以能表现出这种复杂智能