本發(fā)明屬于移動(dòng)機(jī)器人，具體涉及一種基于三種群粒子群優(yōu)化策略的移動(dòng)機(jī)器人路徑規(guī)劃方法。

背景技術(shù)：

1、隨著機(jī)器人技術(shù)的迅猛發(fā)展及無(wú)人設(shè)備在各行各業(yè)的廣泛滲透，機(jī)器人在智能制造、醫(yī)療健康、物流配送及教育領(lǐng)域中的核心地位日益凸顯。在移動(dòng)機(jī)器人的關(guān)鍵技術(shù)體系中，導(dǎo)航功能占據(jù)了至關(guān)重要的位置，它不僅關(guān)乎機(jī)器人對(duì)自身位置的精準(zhǔn)感知，更涉及到高效、安全的路徑規(guī)劃與執(zhí)行。

2、路徑規(guī)劃作為導(dǎo)航技術(shù)的核心組成部分，其目標(biāo)是生成從起點(diǎn)到終點(diǎn)的最優(yōu)或次優(yōu)路徑，同時(shí)嚴(yán)格避免與障礙物發(fā)生碰撞。其核心在于確保機(jī)器人安全抵達(dá)目的地，并最小化移動(dòng)過(guò)程中的成本，包括距離、能耗及時(shí)間等關(guān)鍵因素。

3、路徑規(guī)劃技術(shù)依據(jù)對(duì)環(huán)境信息掌握程度的不同，可細(xì)分為全局路徑規(guī)劃與局部路徑規(guī)劃兩大類別。全局路徑規(guī)劃依賴于預(yù)先獲取的詳盡環(huán)境數(shù)據(jù)（如地圖、障礙物位置、起點(diǎn)與終點(diǎn)信息），構(gòu)建一條無(wú)碰撞的完整路徑，尤其適用于需長(zhǎng)時(shí)間或連續(xù)執(zhí)行的任務(wù)場(chǎng)景，如dijkstra算法、人工勢(shì)場(chǎng)法、快速探索隨機(jī)樹（rapidly?-?exploring?random?trees,rrt）。而局部路徑規(guī)劃則側(cè)重于利用機(jī)器人實(shí)時(shí)傳感器數(shù)據(jù)，動(dòng)態(tài)調(diào)整路徑以靈活應(yīng)對(duì)未知或變化中的障礙物，如蟻群優(yōu)化（ant?colony?optimization,?aco）、遺傳算法（geneticalgorithm,?ga）、粒子群優(yōu)化（particle?swarm?optimization,pso）及基于神經(jīng)網(wǎng)絡(luò)的方法等。

4、盡管啟發(fā)式算法在效率上具有顯著優(yōu)勢(shì)，但其求解最優(yōu)解的保證性不足以及易陷入局部最優(yōu)的局限性，因此仍需引起高度重視。但傳統(tǒng)粒子群優(yōu)化（pso）算法在路徑規(guī)劃中易陷入局部最優(yōu)與過(guò)早收斂的困境，限制了其性能發(fā)揮。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明針對(duì)現(xiàn)有技術(shù)中的不足，提供一種基于三種群粒子群優(yōu)化策略的移動(dòng)機(jī)器人路徑規(guī)劃方法，能夠解決約束問(wèn)題缺乏環(huán)境約束、易陷入局部最優(yōu)和過(guò)早收斂的問(wèn)題，提升路徑規(guī)劃的穩(wěn)定性和精準(zhǔn)性。

2、本發(fā)明提供了如下的技術(shù)方案：

3、一種基于三種群粒子群優(yōu)化策略的移動(dòng)機(jī)器人路徑規(guī)劃方法，包括：

4、獲取移動(dòng)機(jī)器人的當(dāng)前位置、目標(biāo)位置以及在當(dāng)前位置和目標(biāo)位置之間所有障礙物的位置和尺寸；

5、采用基于三種群粒子群優(yōu)化算法尋找移動(dòng)機(jī)器人在當(dāng)前位置和目標(biāo)位置之間的最優(yōu)路徑，具體過(guò)程如下：

6、隨機(jī)生成粒子群，并將粒子群分為三個(gè)子種群；

7、第一個(gè)子種群通過(guò)自適應(yīng)速度粒子群優(yōu)化算法來(lái)進(jìn)行粒子狀態(tài)更新，第二個(gè)子種群采用線性認(rèn)知系數(shù)調(diào)整策略并結(jié)合改進(jìn)的yolov11深度學(xué)習(xí)模型進(jìn)行粒子狀態(tài)更新，第三個(gè)子種群采用隨機(jī)搜索并在速度更新過(guò)程中融入隨機(jī)分量來(lái)進(jìn)行粒子狀態(tài)更新；

8、子種群每次狀態(tài)更新后，將每個(gè)子種群的全局最優(yōu)解與粒子群的整體全局最優(yōu)解的適度值進(jìn)行比較，以保留或者更新粒子群的整體全局最優(yōu)解，并傳遞至每一個(gè)子種群；

9、重復(fù)子種群的狀態(tài)更新和整體全局最優(yōu)解更新，直至滿足終止條件后，輸出粒子群的整體全局最優(yōu)解，整體全局最優(yōu)解為移動(dòng)機(jī)器人的最優(yōu)路徑。

10、可選地，所述第一個(gè)子種群通過(guò)自適應(yīng)速度粒子群優(yōu)化算法來(lái)進(jìn)行粒子狀態(tài)更新，包括第一子種群中粒子i的速度更新和位置更新，在對(duì)粒子的速度更新時(shí)，引入隨機(jī)選擇的粒子最優(yōu)解；

11、第一個(gè)子種群中粒子i的速度更新方程為：

12、

13、第一個(gè)子種群中粒子i的位置更新方程為：

14、

15、其中，?和?分別為粒子i在t+1和t時(shí)刻第d維的速度，和分別為粒子i在t+1和t時(shí)刻第d維的位置，為第一個(gè)子種群的慣性權(quán)重，為整個(gè)粒子群在時(shí)刻第維的全局最優(yōu)位置，為隨機(jī)均勻分布選擇的粒子在t時(shí)刻第d維的個(gè)體最優(yōu)位置；是表示粒子i在t時(shí)刻第d維的速度方向的判別函數(shù)；為用于調(diào)整粒子移動(dòng)步長(zhǎng)的隨機(jī)數(shù)；為粒子i在t時(shí)刻第d維的個(gè)體最優(yōu)位置；

16、所述慣性權(quán)重為：

17、

18、其中，為對(duì)應(yīng)的適度值；為對(duì)應(yīng)的適度值；

19、第一個(gè)子種群中粒子i的粒子的適度值為：

20、

21、其中，和分別為第一個(gè)子種群中平衡路徑長(zhǎng)度的慣性權(quán)重和平衡碰撞風(fēng)險(xiǎn)的慣性權(quán)重，為粒子所對(duì)應(yīng)的路徑的段數(shù)，和分別為點(diǎn)的橫坐標(biāo)和縱坐標(biāo)，和分別為點(diǎn)的橫坐標(biāo)和縱坐標(biāo)，和分別表示粒子所對(duì)應(yīng)的路徑中第a段的起點(diǎn)和終點(diǎn)，為粒子所對(duì)應(yīng)的路徑中障礙物的總數(shù)，為移動(dòng)機(jī)器人的當(dāng)前位置，為障礙物的位置，為第一個(gè)子種群中調(diào)整碰撞風(fēng)險(xiǎn)的常數(shù)。

22、可選地，所述第二個(gè)子種群采用線性認(rèn)知系數(shù)調(diào)整策略并結(jié)合改進(jìn)的yolov11深度學(xué)習(xí)模型進(jìn)行粒子狀態(tài)更新，包括：

23、在每次狀態(tài)更新時(shí)，利用訓(xùn)練后的改進(jìn)的yolov11模型對(duì)第二個(gè)子種群的所有粒子所對(duì)應(yīng)的路徑進(jìn)行適度值的預(yù)測(cè)；根據(jù)每個(gè)路徑的預(yù)測(cè)適度值和實(shí)際適度值，更新粒子的速度和位置；在更新粒子的速度時(shí)，對(duì)個(gè)體認(rèn)知系數(shù)和社會(huì)認(rèn)知系數(shù)進(jìn)行線性調(diào)整。

24、可選地，所述改進(jìn)的yolov11模型為在yolov11模型中引入多尺度特征融合和雙分支預(yù)測(cè)。

25、可選地，所述利用訓(xùn)練后的改進(jìn)的yolov11模型對(duì)第二個(gè)子種群的所有粒子進(jìn)行適度值的預(yù)測(cè)，包括對(duì)第二個(gè)子種群的粒子j進(jìn)行適度值的預(yù)測(cè)，獲取粒子j的預(yù)測(cè)適度值，具體過(guò)程如下：

26、提取粒子j所對(duì)應(yīng)的路徑特征向量，并進(jìn)行多尺度特征融合操作；所述路徑特征向量包括路徑的總長(zhǎng)度、路徑中的轉(zhuǎn)彎角度和路徑上各點(diǎn)與障礙物的最小距離；

27、將多尺度特征融合后的特征圖輸入到注意力機(jī)制中；

28、將經(jīng)過(guò)注意力機(jī)制處理后的特征圖進(jìn)行雙分支預(yù)測(cè)，所述雙分支預(yù)測(cè)包括路徑長(zhǎng)度預(yù)測(cè)和碰撞風(fēng)險(xiǎn)預(yù)測(cè)；

29、將雙分支預(yù)測(cè)的結(jié)果進(jìn)行加權(quán)，獲得最終的粒子j所對(duì)應(yīng)的路徑預(yù)測(cè)適度值；

30、=

31、其中，為整個(gè)模型的權(quán)重集合，為全連接層操作，為卷積操作，為經(jīng)過(guò)注意力機(jī)制處理后的特征圖，和分別為路徑長(zhǎng)度預(yù)測(cè)和碰撞風(fēng)險(xiǎn)預(yù)測(cè)所對(duì)應(yīng)的卷積層的權(quán)重矩陣；和分別為路徑長(zhǎng)度預(yù)測(cè)和碰撞風(fēng)險(xiǎn)預(yù)測(cè)所對(duì)應(yīng)的全連接層的權(quán)重矩陣。

32、可選地，所述提取粒子j所對(duì)應(yīng)的路徑特征向量，并進(jìn)行多尺度特征融合操作中，進(jìn)行多尺度特征融合操作的具體過(guò)程為：

33、對(duì)粒子j所對(duì)應(yīng)的路徑特征向量進(jìn)行卷積、下采樣、上采樣和拼接操作，以獲取多尺度特征融合后的特征圖；

34、

35、

36、

37、

38、其中，、和分別為三個(gè)不同尺度的特征圖,、和分別為三個(gè)尺度的卷積核權(quán)重，為多尺度特征融合后的特征圖，為卷積操作，為下采樣操作，為上采樣操作，為特征圖的拼接操作。

39、可選地，所述根據(jù)每個(gè)粒子的預(yù)測(cè)適度值和實(shí)際適度值，更新粒子的速度和位置中，包括對(duì)第二子種群中粒子j進(jìn)行速度更新和位置更新；

40、其中，第二子種群中粒子j的速度更新公式為：

41、

42、第二子種群中粒子j的位置更新公式為：

43、

44、其中，和?分別為粒子j在t+1和t時(shí)刻第d維的速度，和分別為粒子j在和t時(shí)刻d維上的位置，為第二個(gè)子種群的慣性權(quán)重，和為第二子種群的個(gè)體認(rèn)知系數(shù)和社會(huì)認(rèn)知系數(shù)，和分別為第二子種群設(shè)定的兩個(gè)隨機(jī)數(shù)，為調(diào)整因子，為粒子j在t時(shí)刻d維上的個(gè)體最優(yōu)位置，為粒子j在t時(shí)刻d維上的位置，為整個(gè)粒子群在時(shí)刻第維的全局最優(yōu)位置，為利用訓(xùn)練后的yolov11模型輸出的粒子j的預(yù)測(cè)適度值，為粒子j的實(shí)際適度值；

45、所述粒子j的實(shí)際適度值為：

46、

47、其中，為粒子所對(duì)應(yīng)的路徑的總長(zhǎng)度，和分別為模型平衡路徑長(zhǎng)度和平衡碰撞風(fēng)險(xiǎn)的權(quán)重系數(shù)；為粒子所對(duì)應(yīng)的路徑中的障礙物總數(shù)，為粒子所對(duì)應(yīng)的路徑中的一個(gè)節(jié)點(diǎn)到第個(gè)障礙物的距離，為粒子所對(duì)應(yīng)的路徑用于調(diào)整膨脹風(fēng)險(xiǎn)計(jì)算敏感度的常數(shù)；

48、所述個(gè)體認(rèn)知系數(shù)為：

49、

50、所述社會(huì)認(rèn)知系數(shù)為：

51、

52、其中，和分別為個(gè)體認(rèn)知系數(shù)設(shè)定的最小值和最大值，和分別為社會(huì)認(rèn)知系數(shù)設(shè)定的最小值和最大值，為迭代的最大次數(shù)，為當(dāng)前迭代次數(shù)。

53、可選地，所述第三個(gè)子種群采用隨機(jī)搜索并在速度更新過(guò)程中融入隨機(jī)分量來(lái)進(jìn)行粒子狀態(tài)更新，包括對(duì)第三個(gè)子種群中粒子q進(jìn)行速度的更新和位置的更新；

54、第三個(gè)子種群中粒子q的速度更新公式為：

55、

56、第三個(gè)子種群中粒子q的位置更新公式為：

57、

58、其中，和分別為粒子q在t+1和t時(shí)刻第d維的速度，為第三個(gè)子種群的慣性權(quán)重，和分別為第三子種群的個(gè)體認(rèn)知系數(shù)和社會(huì)認(rèn)知系數(shù)，、和分別為第三子種群設(shè)定的三個(gè)隨機(jī)數(shù)，為粒子q在t時(shí)刻d維上的個(gè)體最優(yōu)位置，為整個(gè)粒子群在時(shí)刻第維的全局最優(yōu)位置，和分別為粒子q在t+1和t時(shí)刻第d維的位置，為隨機(jī)分量的系數(shù)，為范圍在到之間均勻隨機(jī)分布的隨機(jī)分量。

59、可選地，還包括在每個(gè)子種群狀態(tài)更新后，均判斷當(dāng)前子種群是否觸發(fā)隨機(jī)擾動(dòng)的條件，并在觸發(fā)隨機(jī)擾動(dòng)時(shí)，給每個(gè)子種群中每個(gè)粒子的速度和位置增加隨機(jī)擾動(dòng)：

60、增加隨機(jī)擾動(dòng)后重新計(jì)算每個(gè)粒子的適度值，若擾動(dòng)后的粒子的適度值更優(yōu)，則以擾動(dòng)后的位置和速度作為粒子的狀態(tài)更新結(jié)果，否則，則以擾動(dòng)前的位置和速度作為粒子的狀態(tài)更新結(jié)果。

61、可選地，所述觸發(fā)隨機(jī)擾動(dòng)的條件為：當(dāng)前子種群的全局最優(yōu)解未更新的迭代次數(shù)是否達(dá)到設(shè)定閾值。

62、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

63、本發(fā)明的三種群粒子群優(yōu)化算法的第一個(gè)子種群相當(dāng)于探索子種群，側(cè)重于增強(qiáng)種群對(duì)全局解空間的探索能力，第二個(gè)子種群相當(dāng)于開發(fā)子種群，側(cè)重于在已有的最佳解區(qū)域內(nèi)進(jìn)行更細(xì)致的搜索，以尋找更優(yōu)解；第三個(gè)子種群相當(dāng)于增強(qiáng)子總?cè)?，?cè)重于隨機(jī)搜索，不依賴局部和全局最優(yōu)解，從而增加發(fā)現(xiàn)新解的機(jī)會(huì)；結(jié)合三種不同策略的子種群，能夠解決現(xiàn)有路徑規(guī)劃算法中缺乏環(huán)境約束、易陷入局部最優(yōu)和過(guò)早收斂的問(wèn)題，從而提高三種群粒子群優(yōu)化算法整體的穩(wěn)定性和魯棒性，提升路徑規(guī)劃的穩(wěn)定性和精準(zhǔn)性。