本發(fā)明屬于機(jī)器人路徑規(guī)劃領(lǐng)域，特別涉及一種智能環(huán)境下機(jī)器人路徑的多神經(jīng)網(wǎng)絡(luò)控制規(guī)劃方法。
背景技術(shù)：
隨著中國(guó)制造2025的深入發(fā)展，機(jī)器人在智能醫(yī)療、智能工廠、智能實(shí)驗(yàn)室等智能環(huán)境下的應(yīng)用越來(lái)越多，機(jī)器人的智能化程度決定了生產(chǎn)科研活動(dòng)的自動(dòng)化水平，生產(chǎn)力的發(fā)展水平。其中，機(jī)器人路徑規(guī)劃問(wèn)題是提高機(jī)器人運(yùn)載效率的關(guān)鍵，如何高效、最優(yōu)的解決機(jī)器人的路徑規(guī)劃問(wèn)題一直是該領(lǐng)域的難點(diǎn)。
前人已經(jīng)提出許多優(yōu)秀的路徑規(guī)劃方法，有早期的可視圖法、人工勢(shì)場(chǎng)法、柵格法以及后來(lái)的蟻群算法、遺傳算法、神經(jīng)網(wǎng)絡(luò)算法等。例如中國(guó)專利cn101604166b公開了一種基于粒子群優(yōu)化算法的移動(dòng)機(jī)器人路徑規(guī)劃方法，該方法優(yōu)點(diǎn)在于具有相當(dāng)快的逼近最優(yōu)解的速度，簡(jiǎn)單且易于實(shí)現(xiàn)，具有魯棒性，但是也容易由于過(guò)早收斂而陷入局部最優(yōu)。又如中國(guó)專利cn105116902a中公開一種移動(dòng)機(jī)器人避障導(dǎo)航的方法和系統(tǒng)，其利用的a*算法是機(jī)器人路徑規(guī)劃中最有效的直接搜索方法，搜索速度快，效率高，但是也易陷于局部最優(yōu)，無(wú)法得到全局最優(yōu)解。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明提供了一種智能環(huán)境下機(jī)器人路徑的多神經(jīng)網(wǎng)絡(luò)控制規(guī)劃方法，其目的在于，克服上述現(xiàn)有技術(shù)中存在的問(wèn)題，通過(guò)分別建立全局靜態(tài)路徑規(guī)劃模型和局部動(dòng)態(tài)避障模型，利用神經(jīng)網(wǎng)絡(luò)的非線性擬合特性，快速的找到全局最優(yōu)解，避免了常見(jiàn)的路徑規(guī)劃中陷入局部最優(yōu)的問(wèn)題。在全局靜態(tài)路徑規(guī)劃中使用蝙蝠算法優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)模型，局部動(dòng)態(tài)避障規(guī)劃中使用思維進(jìn)化算法優(yōu)化的多核支持向量機(jī)模型，保證了路徑規(guī)劃中路徑的最優(yōu)特性。
一種智能環(huán)境下機(jī)器人路徑的多神經(jīng)網(wǎng)絡(luò)控制規(guī)劃方法，包括以下步驟：
步驟1：對(duì)運(yùn)載機(jī)器人運(yùn)載區(qū)域構(gòu)建全局地圖三維坐標(biāo)系，獲取在全局地圖三維坐標(biāo)系下的可行走區(qū)域坐標(biāo)；
運(yùn)載區(qū)域地面中心點(diǎn)為原點(diǎn)，正東方向?yàn)閤軸，正北方向?yàn)閥軸，垂直地面方向?yàn)閦軸；
所述運(yùn)載機(jī)器人運(yùn)載區(qū)域?yàn)橐粋€(gè)樓棟內(nèi)所有的地板連通區(qū)域，所述可行走區(qū)域是指從所有的地板連通區(qū)域中刪除樓棟內(nèi)的障礙物所在區(qū)域；
在全局地圖三維坐標(biāo)系中，每個(gè)樓層的地板連通區(qū)域的二維平面坐標(biāo)相同，z坐標(biāo)不同；
步驟2：獲取訓(xùn)練樣本集；
在全局地圖三維坐標(biāo)系中，設(shè)計(jì)至少200組可行走區(qū)域中不同的點(diǎn)到點(diǎn)的最優(yōu)設(shè)計(jì)全局路徑，以每條最優(yōu)設(shè)計(jì)全局路徑作為一個(gè)訓(xùn)練樣本；
步驟3：構(gòu)建運(yùn)載機(jī)器人的全局靜態(tài)路徑規(guī)劃模型；
利用全局訓(xùn)練樣本集中每個(gè)全局樣本的起點(diǎn)-終點(diǎn)坐標(biāo)和對(duì)應(yīng)的最優(yōu)設(shè)計(jì)全局路徑分別作為輸入數(shù)據(jù)和輸出數(shù)據(jù)，對(duì)模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到基于模糊神經(jīng)網(wǎng)絡(luò)的全局靜態(tài)路徑規(guī)劃模型；
其中，在全局訓(xùn)練過(guò)程中，模糊神經(jīng)網(wǎng)絡(luò)所使用的權(quán)值、隸屬函數(shù)均值以及方差采用蝙蝠算法進(jìn)行尋優(yōu)獲得；
步驟4：將運(yùn)輸任務(wù)中的起點(diǎn)和終點(diǎn)坐標(biāo)輸入至基于模糊神經(jīng)網(wǎng)絡(luò)的全局靜態(tài)路徑規(guī)劃模型，獲得對(duì)應(yīng)的運(yùn)載機(jī)器人最優(yōu)規(guī)劃路徑。
運(yùn)載機(jī)器人依據(jù)得到的最優(yōu)規(guī)劃路徑前行，完成運(yùn)輸任務(wù)。
從初始待命點(diǎn)出發(fā)前往取物點(diǎn)，得到運(yùn)輸物品后前往放物點(diǎn)，放下物品后返回初始待命點(diǎn)。
進(jìn)一步的，所述基于模糊神經(jīng)網(wǎng)絡(luò)的全局靜態(tài)路徑規(guī)劃模型中模糊神經(jīng)網(wǎng)絡(luò)所使用的權(quán)值、隸屬函數(shù)均值以及方差采用蝙蝠算法進(jìn)行尋優(yōu)獲得的過(guò)程如下：
步驟2.1：以蝙蝠個(gè)體的位置作為模糊神經(jīng)網(wǎng)絡(luò)的權(quán)值、隸屬函數(shù)均值以及方差，設(shè)置蝙蝠種群參數(shù)；
蝙蝠種群規(guī)模m的取值范圍為[120,300]，蝙蝠個(gè)體最大脈沖頻度r0，取值范圍為[0.45,0.55]，最大脈沖聲音強(qiáng)度a0的取值范圍為[0.40,0.6]，蝙蝠搜索頻度增加系數(shù)的取值范圍為[0.03,0.05]，聲音強(qiáng)度衰減系的取值范圍為[0.90,0.95]，適應(yīng)度方差閾值的取值范圍為[0.01,0.05]，搜索脈沖頻率的取值范圍為[0,0.15]，最大迭代次數(shù)的取值范圍為[300,1000]，最大搜索精度的取值范圍為[0.001,0.01]；
步驟2.2：隨機(jī)初始化蝙蝠種群中每個(gè)蝙蝠個(gè)體的位置、速度和頻率；
步驟2.3：設(shè)定適應(yīng)度函數(shù)，并確定初始最優(yōu)蝙蝠個(gè)體位置x*和迭代次數(shù)t，t＝1；
將蝙蝠個(gè)體位置對(duì)應(yīng)的權(quán)值、隸屬函數(shù)均值以及方差參數(shù)代入基于模糊神經(jīng)網(wǎng)絡(luò)的全局靜態(tài)路徑規(guī)劃模型中，并利用蝙蝠個(gè)體位置確定的基于模糊神經(jīng)網(wǎng)絡(luò)的全局靜態(tài)路徑規(guī)劃模型輸出全局訓(xùn)練樣本集中每個(gè)全局訓(xùn)練樣本起點(diǎn)和終點(diǎn)對(duì)應(yīng)的規(guī)劃路徑，將所有全局訓(xùn)練樣本的規(guī)劃全局路徑和最優(yōu)設(shè)計(jì)全局長(zhǎng)度作商后，再取均值，作為第一適應(yīng)度函數(shù)f1；
其中，m為訓(xùn)練樣本數(shù)，n為輸出的全局規(guī)劃路徑所經(jīng)歷的坐標(biāo)點(diǎn)的個(gè)數(shù)，xi,j和xi,j-1為第i個(gè)全局訓(xùn)練樣本使用該蝙蝠確定的模糊神經(jīng)網(wǎng)絡(luò)得到的路徑中第j點(diǎn)和第j-1點(diǎn)的x軸坐標(biāo)，類似的，yi,j和yi,j-1分別為第j點(diǎn)和第j-1點(diǎn)的標(biāo)y軸坐標(biāo)，第j點(diǎn)和第j-1點(diǎn)為相鄰兩點(diǎn)，l為人工設(shè)置的樣本對(duì)應(yīng)最優(yōu)設(shè)計(jì)全局路徑的長(zhǎng)度；
模型輸出的路徑越短，蝙蝠個(gè)體的適應(yīng)度f(wàn)越大，個(gè)體越優(yōu)秀。
步驟2.4：利用設(shè)定的脈沖頻率更新蝙蝠的搜索脈沖頻率、位置和速度；
步驟2.5：若r1＜ri，則更新蝙蝠當(dāng)前位置，否則對(duì)蝙蝠當(dāng)前位置進(jìn)行擾動(dòng)，擾動(dòng)后位置代替蝙蝠當(dāng)前位置；
其中，r1為在[0,1]上均勻分布的隨機(jī)數(shù)，ri為第i只蝙蝠的脈沖頻度；
步驟2.6：若r2＜ai且f1(xi)＜f1(x*)，則利用步驟2.5得到的擾動(dòng)位置，對(duì)第i只蝙蝠的脈沖頻度和脈沖聲音強(qiáng)度進(jìn)行更新，否則，不對(duì)蝙蝠進(jìn)行更新；
其中，r2為在[0,1]上均勻分布的隨機(jī)數(shù)，ai為第i只蝙蝠的聲音強(qiáng)度；
步驟2.7：根據(jù)適應(yīng)度函數(shù)對(duì)新的蝙蝠群體進(jìn)行評(píng)估判定，找出當(dāng)前位置最佳蝙蝠個(gè)體及對(duì)應(yīng)的最優(yōu)位置；
步驟2.8：判斷是否達(dá)到最大搜索精度或者t達(dá)到最大迭代次數(shù)，若達(dá)到，則輸出最優(yōu)蝙蝠個(gè)體位置對(duì)應(yīng)的模糊神經(jīng)網(wǎng)絡(luò)的權(quán)值、隸屬函數(shù)均值以及方差，若未達(dá)到，則令t＝t+1，返回步驟2.4。
進(jìn)一步的，運(yùn)載機(jī)器人依據(jù)得到的最優(yōu)規(guī)劃路徑前行，執(zhí)行運(yùn)輸任務(wù)時(shí)，在前行過(guò)程中，利用kinect傳感器實(shí)時(shí)獲取的新增障礙物所在區(qū)域的起點(diǎn)和終點(diǎn)輸入局部動(dòng)態(tài)避障規(guī)劃模型進(jìn)行避障；
利用局部避障訓(xùn)練樣本集中每個(gè)樣本的起點(diǎn)和終點(diǎn)坐標(biāo)作為輸入數(shù)據(jù)，對(duì)應(yīng)的最優(yōu)設(shè)計(jì)避障路徑為輸出，對(duì)多核支持向量機(jī)進(jìn)行訓(xùn)練，得到基于多核函支持向量機(jī)的局部避障模型；
其中，在訓(xùn)練過(guò)程中，多核函支持向量機(jī)的懲罰系數(shù)c、核參數(shù)g和核函數(shù)權(quán)值d采用蝙蝠算法進(jìn)行思維進(jìn)化算法尋優(yōu)確定；
所述kinect傳感器獲取的新增障礙物所在區(qū)域的起點(diǎn)和終點(diǎn)是通過(guò)kinect傳感器發(fā)出測(cè)量信號(hào)與接收到的設(shè)置在天花板的定位片位置信息計(jì)算獲得；
所述局部避障訓(xùn)練樣本集是在全局地圖三維坐標(biāo)系中，設(shè)計(jì)至少200組可行走區(qū)域中新增障礙物所在區(qū)域中不同的點(diǎn)到點(diǎn)的最優(yōu)設(shè)計(jì)避障路徑構(gòu)成，每條最優(yōu)設(shè)計(jì)避障路徑作為一個(gè)避障訓(xùn)練樣本。
進(jìn)一步的，所述基于多核函支持向量機(jī)的局部避障模型中多核支持向量機(jī)所使用的懲罰系數(shù)c、核參數(shù)g和核函數(shù)權(quán)值d采用思維進(jìn)化算法進(jìn)行尋優(yōu)獲得的過(guò)程如下：
步驟4.1：以思維進(jìn)化算法中的個(gè)體作為多核支持向量機(jī)的懲罰系數(shù)c、核參數(shù)g和核函數(shù)權(quán)值d，設(shè)置個(gè)體種群參數(shù)；
個(gè)體種群規(guī)模n的取值范圍為[100,400]，最大迭代次數(shù)范圍[400,1000]；
隨機(jī)初始化種群中的個(gè)體，在解空間中隨機(jī)生成m個(gè)個(gè)體；
步驟4.2：設(shè)定適應(yīng)度函數(shù)，并確定初始最優(yōu)個(gè)體和迭代次數(shù)t，t＝1；
將個(gè)體位置對(duì)應(yīng)的變量懲罰系數(shù)c、核參數(shù)g和核函數(shù)權(quán)值d代入基于多核函支持向量機(jī)的局部避障模型，并利用個(gè)體確定的基于多核函支持向量機(jī)的局部避障模型輸出避障訓(xùn)練樣本集中每個(gè)避障訓(xùn)練樣本起點(diǎn)和終點(diǎn)對(duì)應(yīng)的規(guī)劃局部路徑，將所有避障訓(xùn)練樣本的規(guī)劃局部路徑和最優(yōu)設(shè)計(jì)避障長(zhǎng)度作商后，再取均值，作為第二適應(yīng)度函數(shù)f2；
其中，m為訓(xùn)練樣本數(shù)，n為輸出的避障規(guī)劃路徑所經(jīng)歷的坐標(biāo)點(diǎn)的個(gè)數(shù)，xi,j和xi,j-1為第i個(gè)避障訓(xùn)練樣本使用該個(gè)體確定的基于多核支持向量機(jī)的全局靜態(tài)路徑規(guī)劃模型得到的路徑中第j點(diǎn)和第j-1點(diǎn)的x軸坐標(biāo)，類似的，yi,j和yi,j-1分別為第j點(diǎn)和第j-1點(diǎn)的標(biāo)y軸坐標(biāo)，第j點(diǎn)和第j-1點(diǎn)為相鄰兩點(diǎn)，l為人工設(shè)置的避障規(guī)劃樣本對(duì)應(yīng)最優(yōu)設(shè)計(jì)全局路徑的長(zhǎng)度；
思維進(jìn)化算法優(yōu)化mksvm模型輸出的路徑越短，個(gè)體的適應(yīng)度f(wàn)2越大，個(gè)體越優(yōu)秀。
步驟4.3：子群體生成
選擇得分最高的前m/10個(gè)個(gè)體作為優(yōu)勝個(gè)體，前m/10到m/5個(gè)個(gè)體作為臨時(shí)個(gè)體，以所選優(yōu)勝個(gè)體和臨時(shí)個(gè)體為中心，生成n個(gè)優(yōu)勝子群體和u個(gè)臨時(shí)子群體，每個(gè)種群數(shù)目為5；
步驟4.4：子群體趨同操作
趨同操作指各個(gè)子群體內(nèi)部個(gè)體競(jìng)爭(zhēng)選出勝者，直到不再產(chǎn)生新的勝者，所有子群體不再產(chǎn)生新的勝者，趨同操作結(jié)束；
步驟4.5：子群體異化操作
異化操作是在成熟子群體間的全局競(jìng)爭(zhēng)行為，以不斷探索新的解空間；若某一臨時(shí)子群體的得分大于任一成熟優(yōu)勝子群體的得分，則該優(yōu)勝子群體被臨時(shí)子群體替代；而若一成熟臨時(shí)子群體的得分小于任意優(yōu)勝子群體的得分，則臨時(shí)子群體被放棄，重新進(jìn)行的趨同和異化操作，最終得到全局最優(yōu)個(gè)體及其得分；
步驟4.5：收斂條件為得分最高優(yōu)勝子群體得分不再提高或者達(dá)到t最大迭代次數(shù)，如不滿足收斂條件，則令t＝t+1，返回并重復(fù)步驟4.3和步驟4.4步驟，直到滿足收斂條件，輸出全局最優(yōu)個(gè)體及其得分，得到多核支持向量機(jī)中最優(yōu)的懲罰系數(shù)c、核參數(shù)g和核函數(shù)權(quán)值d。
進(jìn)一步的，利用運(yùn)載機(jī)器人自帶的kinect傳感器與設(shè)置在天花板的定位片，通過(guò)kinect傳感器發(fā)出的測(cè)量信號(hào)與接收到的定位片位置信息，獲取運(yùn)載機(jī)器人的實(shí)時(shí)位置，將實(shí)時(shí)位置與規(guī)劃路徑位置之間的誤差進(jìn)行比較，對(duì)實(shí)時(shí)前行中的運(yùn)載機(jī)器人進(jìn)行坐標(biāo)校準(zhǔn)。
進(jìn)一步的，當(dāng)運(yùn)載機(jī)器人需要從一個(gè)樓層運(yùn)動(dòng)至另外一個(gè)樓層時(shí)，將全局路徑規(guī)劃分解成在兩個(gè)樓層中的局部路徑規(guī)劃，每個(gè)局部路徑規(guī)劃均采用基于模糊神經(jīng)網(wǎng)絡(luò)的全局靜態(tài)路徑規(guī)劃模型；
第一個(gè)局部路徑規(guī)劃的起點(diǎn)為運(yùn)輸任務(wù)起點(diǎn)，終點(diǎn)為第一個(gè)樓層的電梯所在位置；
第二個(gè)局部路徑規(guī)劃的起點(diǎn)為第二個(gè)樓層的電梯所在位置，終點(diǎn)為運(yùn)輸任務(wù)終點(diǎn)；
第一個(gè)樓層的電梯和第二個(gè)樓層的電梯為同一電梯。
根據(jù)實(shí)際任務(wù)的起點(diǎn)和終點(diǎn)使用路徑規(guī)劃算法模型進(jìn)行路徑規(guī)劃，如果起點(diǎn)和終點(diǎn)跨樓層，那么路徑規(guī)劃的輸入改為起點(diǎn)坐標(biāo)和起點(diǎn)樓層電梯路徑點(diǎn)坐標(biāo)，終點(diǎn)和終點(diǎn)樓層電梯路徑點(diǎn)坐標(biāo)，輸出兩個(gè)樓層中的最優(yōu)線路，并將其與電梯模塊進(jìn)行連接，構(gòu)成完整路徑軌跡。沒(méi)有跨樓層情況發(fā)生的情況下，直接輸入起點(diǎn)和終點(diǎn)坐標(biāo)，使用算法模型進(jìn)行路徑規(guī)劃。
運(yùn)輸過(guò)程中，機(jī)器人開啟安裝于頭部的kinect，并實(shí)時(shí)監(jiān)測(cè)路徑前方的道路通暢情況，一旦發(fā)現(xiàn)有障礙物，通過(guò)頭部kinect的深度傳感器將障礙物的輪廓位置掃描并傳輸?shù)杰囕d計(jì)算機(jī)，計(jì)算機(jī)開啟局部動(dòng)態(tài)避障模型，將障礙物輪廓位置，對(duì)應(yīng)為不可行區(qū)域添加在地圖中，計(jì)算最優(yōu)避障路徑，并根據(jù)最優(yōu)避障路徑通過(guò)障礙物；
定位片布置方法如下：
在機(jī)器人工作環(huán)境中布置定位片，用以機(jī)器人在運(yùn)行中實(shí)時(shí)校準(zhǔn)自身坐標(biāo)在全局坐標(biāo)系中的位置。
首先保證全局環(huán)境內(nèi)部能夠被定位片覆蓋，在室內(nèi)環(huán)境下定位片密度為一個(gè)定位片控制1.5m2范圍的環(huán)境，在樓道中每隔3m設(shè)置一個(gè)定位片。
其次在機(jī)器人的待命處，取物處，放物處，電梯門前，門禁前等地點(diǎn)布置定位片，有利于機(jī)器人在保證自身位置精度的基礎(chǔ)進(jìn)行取物、放物、門禁交互、電梯交互操作。
在前行過(guò)程中，利用運(yùn)載機(jī)器人自帶的kinect傳感器獲取障礙物所在區(qū)域信息，將新增障礙物所在的區(qū)域從可行區(qū)域中刪除，更新可行區(qū)域范圍。
運(yùn)載機(jī)器人從初始待命點(diǎn)出發(fā)前往取物點(diǎn)，得到運(yùn)輸物品后前往放物點(diǎn)，放下物品后返回指定待命點(diǎn)。
有益效果
本發(fā)明提供了一種智能環(huán)境下機(jī)器人路徑的多神經(jīng)網(wǎng)絡(luò)控制規(guī)劃方法，使用混合神經(jīng)網(wǎng)絡(luò)計(jì)算方法，從全局和局部的角度對(duì)路徑規(guī)劃分別建立模型，利用神經(jīng)網(wǎng)絡(luò)的較強(qiáng)的非線性擬合，可映射任意復(fù)雜的非線性關(guān)系能力，而且學(xué)習(xí)規(guī)則簡(jiǎn)單，便于計(jì)算機(jī)實(shí)現(xiàn)。具有很強(qiáng)的魯棒性、記憶能力，能有效解決機(jī)器人路徑規(guī)劃中的局部最優(yōu)、動(dòng)態(tài)避障問(wèn)題，大幅提升運(yùn)載機(jī)器人在智能環(huán)境下的運(yùn)載效率和安全性。
附圖說(shuō)明
圖1為本發(fā)明所述方法的路徑規(guī)劃流程圖。
具體實(shí)施方式
下面將結(jié)合附圖和實(shí)施例對(duì)本發(fā)明做進(jìn)一步的說(shuō)明。
運(yùn)載機(jī)器人路徑規(guī)劃流程圖如圖1所示。
一種智能環(huán)境下機(jī)器人路徑的多神經(jīng)網(wǎng)絡(luò)控制規(guī)劃方法，包括以下步驟：
步驟1：對(duì)運(yùn)載機(jī)器人運(yùn)載區(qū)域構(gòu)建全局地圖三維坐標(biāo)系，獲取在全局地圖三維坐標(biāo)系下的可行走區(qū)域坐標(biāo)；
運(yùn)載區(qū)域地面中心點(diǎn)為原點(diǎn)，正東方向?yàn)閤軸，正北方向?yàn)閥軸，垂直地面方向?yàn)閦軸；
所述運(yùn)載機(jī)器人運(yùn)載區(qū)域?yàn)橐粋€(gè)樓棟內(nèi)所有的地板連通區(qū)域，所述可行走區(qū)域是指從所有的地板連通區(qū)域中刪除樓棟內(nèi)的障礙物所在區(qū)域；
在全局地圖三維坐標(biāo)系中，每個(gè)樓層的地板連通區(qū)域的二維平面坐標(biāo)相同，z坐標(biāo)不同；
步驟2：獲取訓(xùn)練樣本集；
在全局地圖三維坐標(biāo)系中，設(shè)計(jì)200組可行走區(qū)域中不同的點(diǎn)到點(diǎn)的最優(yōu)設(shè)計(jì)全局路徑，以每條最優(yōu)設(shè)計(jì)全局路徑作為一個(gè)訓(xùn)練樣本；
步驟3：構(gòu)建運(yùn)載機(jī)器人的全局靜態(tài)路徑規(guī)劃模型；
利用全局訓(xùn)練樣本集中每個(gè)全局樣本的起點(diǎn)-終點(diǎn)坐標(biāo)和對(duì)應(yīng)的最優(yōu)設(shè)計(jì)全局路徑分別作為輸入數(shù)據(jù)和輸出數(shù)據(jù)，對(duì)模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到基于模糊神經(jīng)網(wǎng)絡(luò)的全局靜態(tài)路徑規(guī)劃模型，其中隸屬函數(shù)選取高斯函數(shù)；
其中，在全局訓(xùn)練過(guò)程中，模糊神經(jīng)網(wǎng)絡(luò)所使用的權(quán)值、隸屬函數(shù)均值以及方差采用蝙蝠算法進(jìn)行尋優(yōu)獲得；
所述基于模糊神經(jīng)網(wǎng)絡(luò)的全局靜態(tài)路徑規(guī)劃模型中模糊神經(jīng)網(wǎng)絡(luò)所使用的權(quán)值、隸屬函數(shù)均值以及方差采用蝙蝠算法進(jìn)行尋優(yōu)獲得的過(guò)程如下：
步驟2.1：以蝙蝠個(gè)體的位置作為模糊神經(jīng)網(wǎng)絡(luò)的權(quán)值、隸屬函數(shù)均值以及方差，設(shè)置蝙蝠種群參數(shù)；
蝙蝠種群規(guī)模m的取值為200，蝙蝠個(gè)體最大脈沖頻度r0，取值為0.5，最大脈沖聲音強(qiáng)度a0的取值為0.5，蝙蝠搜索頻度增加系數(shù)的取值范圍為0.04，聲音強(qiáng)度衰減系的取值范圍為0.94，適應(yīng)度方差閾值的取值為0.01，搜索脈沖頻率的取值范圍為[0,0.15]，最大迭代次數(shù)的取值范圍為800，最大搜索精度的取值為0.001；
步驟2.2：隨機(jī)初始化蝙蝠種群中每個(gè)蝙蝠個(gè)體的位置、速度和頻率；
步驟2.3：設(shè)定適應(yīng)度函數(shù)，并確定初始最優(yōu)蝙蝠個(gè)體位置x*和迭代次數(shù)t,t＝1；
將蝙蝠個(gè)體位置對(duì)應(yīng)的權(quán)值、隸屬函數(shù)均值以及方差參數(shù)代入基于模糊神經(jīng)網(wǎng)絡(luò)的全局靜態(tài)路徑規(guī)劃模型中，并利用蝙蝠個(gè)體位置確定的基于模糊神經(jīng)網(wǎng)絡(luò)的全局靜態(tài)路徑規(guī)劃模型輸出全局訓(xùn)練樣本集中每個(gè)全局訓(xùn)練樣本起點(diǎn)和終點(diǎn)對(duì)應(yīng)的規(guī)劃路徑，將所有全局訓(xùn)練樣本的規(guī)劃全局路徑和最優(yōu)設(shè)計(jì)全局長(zhǎng)度作商后，再取均值，作為第一適應(yīng)度函數(shù)f1；
其中，m為訓(xùn)練樣本數(shù)，n為輸出的全局規(guī)劃路徑所經(jīng)歷的坐標(biāo)點(diǎn)的個(gè)數(shù)，xi,j和xi,j-1為第i個(gè)全局訓(xùn)練樣本使用該蝙蝠個(gè)體確定的模糊神經(jīng)網(wǎng)絡(luò)得到的路徑中第j點(diǎn)和第j-1點(diǎn)的x軸坐標(biāo)，類似的，yi,j和yi,j-1分別為第j點(diǎn)和第j-1點(diǎn)的標(biāo)y軸坐標(biāo)，第j點(diǎn)和第j-1點(diǎn)為相鄰兩點(diǎn)，l為人工設(shè)置的樣本對(duì)應(yīng)最優(yōu)設(shè)計(jì)全局路徑的長(zhǎng)度；
模型輸出的路徑越短，蝙蝠個(gè)體的適應(yīng)度f(wàn)越大，個(gè)體越優(yōu)秀。
步驟2.4：利用設(shè)定的脈沖頻率更新蝙蝠的搜索脈沖頻率、位置和速度；
步驟2.5：若r1＜ri，則更新蝙蝠當(dāng)前位置，否則對(duì)蝙蝠當(dāng)前位置進(jìn)行擾動(dòng)，擾動(dòng)后位置代替蝙蝠當(dāng)前位置；
其中，r1為在[0,1]上均勻分布的隨機(jī)數(shù)，ri為第i只蝙蝠的脈沖頻度；
步驟2.6：若r2＜ai且f1(xi)＜f1(x*)，則利用步驟2.5得到的擾動(dòng)位置，對(duì)第i只蝙蝠的脈沖頻度和脈沖聲音強(qiáng)度進(jìn)行更新，否則，不對(duì)蝙蝠進(jìn)行更新；
其中，r2為在[0,1]上均勻分布的隨機(jī)數(shù)，ai為第i只蝙蝠的聲音強(qiáng)度；
步驟2.7：根據(jù)適應(yīng)度函數(shù)對(duì)新的蝙蝠群體進(jìn)行評(píng)估判定，找出當(dāng)前位置最佳蝙蝠個(gè)體及對(duì)應(yīng)的最優(yōu)位置；
步驟2.8：判斷是否達(dá)到最大搜索精度或者t最大迭代次數(shù)800，若達(dá)到，則輸出最優(yōu)蝙蝠個(gè)體位置對(duì)應(yīng)的模糊神經(jīng)網(wǎng)絡(luò)的權(quán)值、隸屬函數(shù)均值以及方差，否則，令t＝t+1，返回步驟2.4。
步驟4：將運(yùn)輸任務(wù)中的起點(diǎn)和終點(diǎn)坐標(biāo)輸入至基于模糊神經(jīng)網(wǎng)絡(luò)的全局靜態(tài)路徑規(guī)劃模型，獲得對(duì)應(yīng)的運(yùn)載機(jī)器人最優(yōu)規(guī)劃路徑。
運(yùn)載機(jī)器人依據(jù)得到的最優(yōu)規(guī)劃路徑前行，完成運(yùn)輸任務(wù)。
從初始待命點(diǎn)出發(fā)前往取物點(diǎn)，得到運(yùn)輸物品后前往放物點(diǎn)，放下物品后返回初始待命點(diǎn)。
運(yùn)載機(jī)器人依據(jù)得到的最優(yōu)規(guī)劃路徑前行，執(zhí)行運(yùn)輸任務(wù)時(shí)，在前行過(guò)程中，利用kinect傳感器實(shí)時(shí)獲取的新增障礙物所在區(qū)域的起點(diǎn)和終點(diǎn)輸入局部動(dòng)態(tài)避障規(guī)劃模型進(jìn)行避障；
所述kinect傳感器獲取的新增障礙物所在區(qū)域的起點(diǎn)和終點(diǎn)是通過(guò)kinect傳感器發(fā)出測(cè)量信號(hào)與接收到的設(shè)置在天花板的定位片位置信息計(jì)算獲得；
利用局部避障訓(xùn)練樣本集中每個(gè)樣本的起點(diǎn)和終點(diǎn)坐標(biāo)作為輸入數(shù)據(jù)，對(duì)應(yīng)的最優(yōu)設(shè)計(jì)避障路徑為輸出，對(duì)多核支持向量機(jī)進(jìn)行訓(xùn)練，得到基于多核函支持向量機(jī)的局部避障模型；
所述mksvm采用線性核函數(shù)(kline)和多項(xiàng)式核函數(shù)(kpoly)形成混合核函數(shù)：
kmix＝dkline+(1-d)kpoly
其中，核函數(shù)權(quán)值d得取值范圍為[0,1]，d的取值為思維進(jìn)化算法優(yōu)化結(jié)果；
所述局部避障訓(xùn)練樣本集是在全局地圖三維坐標(biāo)系中，設(shè)計(jì)200組可行走區(qū)域中新增障礙物所在區(qū)域中不同的點(diǎn)到點(diǎn)的最優(yōu)設(shè)計(jì)避障路徑構(gòu)成，每條最優(yōu)設(shè)計(jì)避障路徑作為一個(gè)避障訓(xùn)練樣本。
其中，在訓(xùn)練過(guò)程中，多核函支持向量機(jī)的懲罰系數(shù)c、核參數(shù)g和核函數(shù)權(quán)值d采用蝙蝠算法進(jìn)行思維進(jìn)化算法尋優(yōu)確定；
所述基于多核函支持向量機(jī)的局部避障模型中多核支持向量機(jī)所使用的懲罰系數(shù)c、核參數(shù)g和核函數(shù)權(quán)值d采用思維進(jìn)化算法進(jìn)行尋優(yōu)獲得的過(guò)程如下：
步驟4.1：以思維進(jìn)化算法中的個(gè)體作為多核支持向量機(jī)的懲罰系數(shù)c、核參數(shù)g和核函數(shù)權(quán)值d，設(shè)置個(gè)體種群參數(shù)；
個(gè)體種群規(guī)模n的取值為200，最大迭代次數(shù)800；
隨機(jī)初始化種群中的個(gè)體，在解空間中隨機(jī)生成200個(gè)個(gè)體；
步驟4.2：設(shè)定適應(yīng)度函數(shù)，并確定初始最優(yōu)個(gè)體和迭代次數(shù)t，t＝1；
將個(gè)體位置對(duì)應(yīng)的變量懲罰系數(shù)c、核參數(shù)g和核函數(shù)權(quán)值d代入基于多核支持向量機(jī)的局部避障模型，并利用個(gè)體確定的基于多核函支持向量機(jī)的局部避障模型輸出避障訓(xùn)練樣本集中每個(gè)避障訓(xùn)練樣本起點(diǎn)和終點(diǎn)對(duì)應(yīng)的規(guī)劃局部路徑，將所有避障訓(xùn)練樣本的規(guī)劃局部路徑和最優(yōu)設(shè)計(jì)避障長(zhǎng)度作商后，再取均值，作為第二適應(yīng)度函數(shù)f2；
其中，m為訓(xùn)練樣本數(shù)，n為輸出的避障規(guī)劃路徑所經(jīng)歷的坐標(biāo)點(diǎn)的個(gè)數(shù)，xi,j和xi,j-1為第i個(gè)避障訓(xùn)練樣本使用該個(gè)體確定的多核支持向量機(jī)得到的路徑中第j點(diǎn)和第j-1點(diǎn)的x軸坐標(biāo)，類似的，yi,j和yi,j-1分別為第j點(diǎn)和第j-1點(diǎn)的標(biāo)y軸坐標(biāo)，第j點(diǎn)和第j-1點(diǎn)為相鄰兩點(diǎn)，l為人工設(shè)置的避障規(guī)劃樣本對(duì)應(yīng)最優(yōu)設(shè)計(jì)全局路徑的長(zhǎng)度；
思維進(jìn)化算法優(yōu)化mksvm模型輸出的路徑越短，個(gè)體的適應(yīng)度f(wàn)越大，個(gè)體越優(yōu)秀。
步驟4.3：子群體生成
選擇得分最高的前20個(gè)個(gè)體作為優(yōu)勝個(gè)體，前21到40個(gè)個(gè)體作為臨時(shí)個(gè)體，以所選優(yōu)勝個(gè)體和臨時(shí)個(gè)體為中心，生成n個(gè)優(yōu)勝子群體和u個(gè)臨時(shí)子群體，每個(gè)種群數(shù)目為5；
步驟4.4：子群體趨同操作
趨同操作指各個(gè)子群體內(nèi)部個(gè)體競(jìng)爭(zhēng)選出勝者，直到不再產(chǎn)生新的勝者，所有子群體不再產(chǎn)生新的勝者，趨同操作結(jié)束；
步驟4.5：子群體異化操作
異化操作是在成熟子群體間的全局競(jìng)爭(zhēng)行為，以不斷探索新的解空間。若某一臨時(shí)子群體的得分大于任一成熟優(yōu)勝子群體的得分，則該優(yōu)勝子群體被臨時(shí)子群體替代；而若一成熟臨時(shí)子群體的得分小于任意優(yōu)勝子群體的得分，則臨時(shí)子群體被放棄，重新進(jìn)行的趨同和異化操作，最終得到全局最優(yōu)個(gè)體及其得分；
步驟4.5：收斂條件為得分最高優(yōu)勝子群體得分不再提高或者t達(dá)到最大迭代次數(shù)800，如不滿足收斂條件，則令t＝t+1，返回并重復(fù)步驟4.3和步驟4.4步驟，直到滿足收斂條件，輸出全局最優(yōu)個(gè)體及其得分，得到多核支持向量機(jī)中最優(yōu)的懲罰系數(shù)c、核參數(shù)g和核函數(shù)權(quán)值d。
利用運(yùn)載機(jī)器人自帶的kinect傳感器與設(shè)置在天花板的定位片，通過(guò)kinect傳感器發(fā)出的測(cè)量信號(hào)與接收到的定位片位置信息，獲取運(yùn)載機(jī)器人的實(shí)時(shí)位置，將實(shí)時(shí)位置與規(guī)劃路徑位置之間的誤差進(jìn)行比較，對(duì)實(shí)時(shí)前行中的運(yùn)載機(jī)器人進(jìn)行坐標(biāo)校準(zhǔn)。
當(dāng)運(yùn)載機(jī)器人需要從一個(gè)樓層運(yùn)動(dòng)至另外一個(gè)樓層時(shí)，將全局路徑規(guī)劃分解成在兩個(gè)樓層中的局部路徑規(guī)劃，每個(gè)局部路徑規(guī)劃均采用基于模糊神經(jīng)網(wǎng)絡(luò)的全局靜態(tài)路徑規(guī)劃模型；
第一個(gè)局部路徑規(guī)劃的起點(diǎn)為運(yùn)輸任務(wù)起點(diǎn)，終點(diǎn)為第一個(gè)樓層的電梯所在位置；
第二個(gè)局部路徑規(guī)劃的起點(diǎn)為第二個(gè)樓層的電梯所在位置，終點(diǎn)為運(yùn)輸任務(wù)終點(diǎn)；
第一個(gè)樓層的電梯和第二個(gè)樓層的電梯為同一電梯。
根據(jù)實(shí)際任務(wù)的起點(diǎn)和終點(diǎn)使用路徑規(guī)劃算法模型進(jìn)行路徑規(guī)劃，如果起點(diǎn)和終點(diǎn)跨樓層，那么路徑規(guī)劃的輸入改為起點(diǎn)坐標(biāo)和起點(diǎn)樓層電梯路徑點(diǎn)坐標(biāo)，終點(diǎn)和終點(diǎn)樓層電梯路徑點(diǎn)坐標(biāo)，輸出兩個(gè)樓層中的最優(yōu)線路，并將其與電梯模塊進(jìn)行連接，構(gòu)成完整路徑軌跡。沒(méi)有跨樓層情況發(fā)生的情況下，直接輸入起點(diǎn)和終點(diǎn)坐標(biāo)，使用算法模型進(jìn)行路徑規(guī)劃。
運(yùn)輸過(guò)程中，機(jī)器人開啟安裝于頭部的kinect，并實(shí)時(shí)監(jiān)測(cè)路徑前方的道路通暢情況，一旦發(fā)現(xiàn)有障礙物，通過(guò)頭部kinect的深度傳感器將障礙物的輪廓位置掃描并傳輸?shù)杰囕d計(jì)算機(jī)，計(jì)算機(jī)開啟局部動(dòng)態(tài)避障mea-mksvm模型，將障礙物輪廓位置，對(duì)應(yīng)為不可行區(qū)域添加在地圖中，計(jì)算最優(yōu)避障路徑，并根據(jù)最優(yōu)避障路徑通過(guò)障礙物；
所述路徑點(diǎn)定位片布置方法如下：
在機(jī)器人工作環(huán)境中布置定位片，用以機(jī)器人在運(yùn)行中實(shí)時(shí)校準(zhǔn)自身坐標(biāo)在全局坐標(biāo)系中的位置。
首先保證全局環(huán)境內(nèi)部能夠被定位片覆蓋，在室內(nèi)環(huán)境下定位片密度為一個(gè)定位片控制1.5m2范圍的環(huán)境，在樓道中每隔3m設(shè)置一個(gè)定位片。
其次在機(jī)器人的待命處，取物處，放物處，電梯門前，門禁前等地點(diǎn)布置定位片，有利于機(jī)器人在保證自身位置精度的基礎(chǔ)進(jìn)行取物、放物、門禁交互、電梯交互操作。
在前行過(guò)程中，利用運(yùn)載機(jī)器人自帶的kinect傳感器獲取障礙物所在區(qū)域信息，將新增障礙物所在的區(qū)域從可行區(qū)域中刪除，更新可行區(qū)域范圍。
運(yùn)載機(jī)器人從初始待命點(diǎn)出發(fā)前往取物點(diǎn)，得到運(yùn)輸物品后前往放物點(diǎn)，放下物品后返回指定待命點(diǎn)。
本文中所描述的具體實(shí)施例僅僅是對(duì)本發(fā)明精神作舉例說(shuō)明。本發(fā)明所屬技術(shù)領(lǐng)域的技術(shù)人員可以對(duì)所描述的具體實(shí)施例做各種各樣的修改或補(bǔ)充或采用類似的方式替代，但并不會(huì)偏離本發(fā)明的精神或者超越所附權(quán)利要求書所定義的范圍。