改進人工勢場法的機器人路徑規(guī)劃

尹國強，賈云偉，張 慧

（1.天津理工大學 天津市先進機電系統(tǒng)設(shè)計與智能控制重點實驗室，天津 300384；2.天津出入境檢驗檢疫局，天津 300457）

0 引言

機器人路徑規(guī)劃是機器人學科中的重要組成部分，主要指機器人依據(jù)特定的規(guī)則從起始位置移動到目標位置，并且在移動過程中安全的避開障礙物。關(guān)于機器人路徑規(guī)劃問題有很多算法，如人工勢場法[1]，遺傳算法[2,3]，模糊控制[3]，粒子群算法[4]等，每一種算法都有其相對優(yōu)勢。其中，人工勢場法結(jié)構(gòu)簡單，計算量小，規(guī)劃出的避障路徑平穩(wěn)安全，有利于實現(xiàn)實時控制，因此，得到了廣泛的應(yīng)用。

1 傳統(tǒng)人工勢場法

傳統(tǒng)人工勢場法理論由Khatib在1985年提出[1]，此方法最初應(yīng)用于機器人避障規(guī)劃，且實現(xiàn)了實時避障。所謂人工勢場法就是通過搜索勢函數(shù)下降的方向?qū)ふ乙粭l從起點到目標點的無碰路徑[5]，常用的勢場法是梯度勢場法，勢場的負梯度作為作用在機器人上的虛擬力，目標點對機器人產(chǎn)生吸引力，障礙物對機器人產(chǎn)生排斥力，機器人在吸引力和排斥力的共同作用下駛向目標點[6]。其中，吸引力的大小隨著機器人與目標點距離的減小而減小，排斥力的大小隨著機器人與障礙物距離的減小而增大。雖然人工勢場法在避障路徑規(guī)劃中得到了廣泛研究，但是當目標點在障礙物的影響距離內(nèi)時，由于障礙物對機器人的排斥力在目標處不為零，導(dǎo)致機器人無法到達目標點或者在目標點附近往復(fù)震蕩。本文針對這一問題引進新型排斥力算法，確保機器人在目標點受力平衡。

2 人工勢場法模型

2.1 傳統(tǒng)人工勢場法模型

吸引勢場函數(shù)模型如式(1)所示。

其中，ξ為吸引增益系數(shù)，[x,y]為機器人運動過程中任意點的坐標，[xg,yg]為目標點坐標。從式(1)中可以發(fā)現(xiàn)，目標點對機器人的吸引作用隨著機器人與目標點距離的增大而增強。

排斥勢場函數(shù)模型如式(2)所示。

其中η為排斥增益系數(shù)；ρ為機器人到障礙物的距離；0ρ為障礙物的有效影響距離，當0ρρ＜時，障礙物對機器人產(chǎn)生排斥作用。從式(2)中可以發(fā)現(xiàn)，在障礙物的有效影響距離內(nèi)，障礙物對機器人的排斥作用隨著機器人與障礙物距離的減小而增強。

勢場的負梯度作為作用在機器人上的虛擬力，其排斥力計算如下。

排斥力為排斥勢場的負梯度，如式(3)所示。

排斥力大小如式(4)所示。

圖1 傳統(tǒng)排斥力場

2.2 改進人工勢場法模型

當目標點在障礙物影響距離內(nèi)時，為保證機器人在目標點處不受障礙物的排斥作用，文獻[7]中提出在式(2)的基礎(chǔ)上乘上機器人與目標點相對距離的平方，如式(5)所示。

圖2 改進方法一排斥力場

圖3 改進方法一排斥力場局部放大

相對于式(2)，式(5)雖然保證了機器人在目標點處不受障礙物的排斥作用，但當機器人與目標點距離較遠時，導(dǎo)致排斥勢場形狀受到極大改變[8]，使機器人避開障礙物的路徑與障礙物距離較遠，延長了機器人到達目標點的時間。為了減小排斥勢場形狀的改變，文獻[8]對式(5)進行進一步改進，如式(9)所示。

圖4 改進方法二排斥力場

圖5 改進方法二排斥力場局部放大

其中R為機器人半徑，與式(5)比較，當機器人與目標點距離較遠時，所乘的變量近似為1，勢場形狀不受影響，只有當機器人與目標很近時，勢場形狀才會受到影響。

上述兩種方法都是在排斥勢場強度的基礎(chǔ)上進行改進，以確保機器人能順利到達目標點，但這兩種改進方法扭曲了排斥勢場的形狀，導(dǎo)致機器人避開障礙物時的路徑較長，降低了路徑規(guī)劃效率。由于勢場的負梯度作為作用在機器人上的虛擬力，為了使排斥勢場的形狀不受影響，本文對作用在機器人上的排斥力進行改進，以保證機器人在目標點處所受排斥力為零。

本文提出改進方法在原始排斥力的基礎(chǔ)上乘一個變量如式(13)所示。

圖6 改進方法三排斥力場

由于式(13)是在排斥力的基礎(chǔ)上進行改進，對排斥勢場的形狀沒有改變，而且保證機器人在目標點處所受排斥力為零，同時考慮到機器人的半徑，使規(guī)劃出的路徑更安全可靠。

3 仿真實驗

為了驗證算法的有效性，本文基于MATLAB軟件進行了仿真實驗，對比幾種方法在相同勢場參數(shù)下所規(guī)劃路徑的區(qū)別，由于排斥系數(shù)η的取值對排斥力大小的影響較大，因此，在設(shè)定參數(shù)時主要選取不同的η值進行比較分析。

首先，設(shè)排斥系數(shù)η=100，目標點坐標為（50，50），障礙物坐標為（40，40），機器人半徑R=8，障礙物影響距離ρ0=30。

圖7 原始方法路徑

圖7是傳統(tǒng)人工勢場法的路徑仿真，機器人雖然可以安全避開障礙物，但在目標點處仍受到障礙物的排斥作用，導(dǎo)致機器人在目標點附近往復(fù)震蕩。

圖8 改進方法一路徑

圖8是改進方法一的路徑仿真，雖然能夠保證機器人到達目標點，但是在障礙物附近的路徑與圖5比較，避開障礙物的路徑較長，延長了路徑規(guī)劃時間。

圖9 改進方法二路徑

圖9是改進方法二的路徑仿真，相對于圖8，機器人避開障礙物的路徑更貼近障礙物，提高了路徑規(guī)劃的效率，然而在障礙物前方機器人行走路徑發(fā)生突變，使機器人沿此路徑行走容易產(chǎn)生震蕩。

圖10 改進方法三路徑

圖10是本文提出的改進方法三的路徑仿真，從圖中可以觀察到，機器人不僅可以到達目標點并停止，其避障路徑也比較高效、平滑，即避免了改進方法一對實時性的影響，也避免了改進方法二可能帶來的機器人震蕩。為直觀的表達四種路徑的不同，將四種路徑放在同一坐標系中，并局部放大，如圖11和圖12所示。

圖11和圖12可知，改進方法三的路徑長度小于其他方法的路徑長度，而且避開障礙物的路徑平穩(wěn)光滑，極大提高了機器人的路徑規(guī)劃效率。

取η=400，其他參數(shù)不變，對比幾種路徑，所得結(jié)果如圖13所示。

圖11 全局路徑

圖12 四種方法路徑對比局部放大

圖13 η=400時的路徑對比

圖13所示，當排斥系數(shù)η選取過大時，導(dǎo)致機器人根據(jù)改進方法一進行路徑規(guī)劃時，不能到達目標點，這是由于η選取過大，導(dǎo)致機器人在目標點附近受到的排斥力遠大于吸引力，即使在目標點機器人可以達到受力平衡，然而由于斥力過大，機器人卻無法到達目標點。當η值選取足夠大時，其他改進方法同樣會出現(xiàn)此問題。然而，當改進方法三出現(xiàn)此問題時，η的值比其他兩種改進方法出現(xiàn)此問題時的值大很多，這說明在其他勢場參數(shù)相同的情況下，改進方法三的排斥系數(shù)值的選取較為靈活。

取η=10，其他參數(shù)不變，對比幾種路徑，所得結(jié)果如圖13所示。

如圖9所示，當η值選取過小時，障礙物對機器人的排斥力太小，導(dǎo)致機器人無法安全避開障礙物。由圖8和圖9可知，合理的選取參數(shù)η，機器人的行駛路徑會更平穩(wěn)安全，否則，將導(dǎo)致機器人不能到達目標點或者不能安全避開障礙物。

圖14 η=10時的路徑對比

4 結(jié)束語

基于人工勢場法的機器人路徑規(guī)劃，當目標點在障礙物的影響距離內(nèi)時，機器人所受障礙物的排斥力大于目標點對其的吸引力，導(dǎo)致機器人無法在目標點保持靜止，本文提出的改進排斥力算法保證了機器人在目標點處所受合力為零，通過仿真結(jié)果對比分析，基于本文提出的改進方法規(guī)劃出的機器人路徑得到明顯的改善，機器人避開障礙物的路徑平穩(wěn)安全且更貼近障礙物，縮短了路徑規(guī)劃時間。然而，這種新型排斥力算法同樣存在不足之處，當排斥系數(shù)η選取不當時，其規(guī)劃的機器人路徑會出現(xiàn)圖13和圖14所示的結(jié)果，導(dǎo)致機器人不能到達目標點或者與障礙物發(fā)生碰撞。

[1] O.Khatib. Real time obstacle avoidance for manipulators and mobile robots[J].IEEE International conference on Robotics and Automation.1985,500-505.

[2] 劉國棟,謝宏斌,李春光.動態(tài)環(huán)境下基于遺傳算法的移動機器人路徑規(guī)劃的方法[J].機器人,2003,327-331.

[3] K.Samsudin, FA.Ahmad, S.Mashohor. A highly interpretable fuzzy rule base using ordinal structure for obstacle avoidance of mobile robot[J].Elsevier applied softcomputing.2011,1631-1637.

[4] 劉關(guān)俊.基于粒子群算法的移動機器人路徑規(guī)劃研究[D].中南大學,2007.

[5] S.S.Ge,Y.J.Cui.New Potential Functions for Mobile Robot Path Planning[J].IEEE Transactions on robotics and automation.2000,615-620.

[6] Li Zhou, Wei Li. Adaptive artificial potential field approach for obstacle avoidance path planning[A].IEEE computer society[C].2014,429-432.

[7] B.H.Krogh.A generalized potential field approach to obstacle avoidance control[A].Robotic Research. The Next Five Years and Beyond[C].1984,1-15.

[8] J.Sfeir,M.Saad, H.Saliah-Hassane.An improved artif i cial potential field approach to real-time Mobile robot path planning in an Unknown Environment[A].IEEE International Symposium on Robotic and Sensors Environments[C].2011,208-213.