移动机器人路径规划算法研究

作     者：李舒宁 

作者单位：西北师范大学 

学位级别：硕士

导师姓名：裴东;罗宝龙

授予年度：2023年

学科分类：080202[工学-机械电子工程] 08[工学] 0804[工学-仪器科学与技术] 0802[工学-机械工程] 

主      题：移动机器人 A*算法 DWA算法 SAC算法 ROS 

摘      要：移动机器人是智能机器人的重要分支,有着广泛的应用场景。机器人行业迅猛发展,移动机器人因具有自主移动、安全稳定等特性,受到青睐,发展前景广阔。自主移动能力需要底盘驱动,需要环境感知、定位、地图构建,并在这些的基础上,机器人做出路径规划,完成从起始点到达目标点的壮举。在现实生活中,移动机器人时常要遇到密集的障碍物或行人,如何安全通行便是关键。本文针对移动机器人的导航避障,研究了三种路径规划算法,并将其组合成为两款混合算法对移动机器人进行导航。本文的主要研究工作有:(1)在全局路径规划中,选择研究A~*算法,对其原理使用MATLAB直观展示。并针对扫描节点多导致算法运算耗时长的问题,加入动态权重系数,在保持路径长度不变的情况下大大减少了扫描节点数量,节省了算法的运算时间。(2)在局部路径规划中,就传统的算法而言,选择研究DWA算法。针对其面对密集障碍物通常选择绕行的问题,选择在其评价函数中引入机器人同障碍物实时位置函数改进DWA算法。使机器人在空旷区域可以以较直路径快速通过,在面对密集障碍区时可以在避障的前提下避免绕行,选择合理路径通过,实现在面对高密度障碍物时安全穿行并减少路径长度的优化效果。(3)针对传统的路径规划算法依赖先验知识且无法应对动态环境、容易陷入局部最优解的问题,引入深度强化学习,提出一种基于SAC算法的局部路径规划算法。通过建立强化学习及深度学习模型,在Gazebo中训练出模型,并加载模型完成局部路径规划。针对SAC算法从经验池中等概率随机采样耗时过多且不稳定的缺陷,选择利用优先级经验回放赋予样本权重,提升了SAC算法的收敛速度及平均奖励。(4)移动机器人面对复杂情况,需要结合全局及局部路径规划算法,共同规划出一条合理路径。针对普通环境、密集障碍区、远途环境,将本文研究的三种算法结合为两种混合算法:动态权重优化A~*+改进评价函数DWA、动态权重优化A~*+PER-SAC。通过ROS平台,搭建复杂的仿真环境,对这两种算法展开测试。实验结果表明,本文第三章、第四章研究的三种算法均取得了很好的优化效果,后续构建的两种混合算法在路径规划任务中也都有很好的表现,特别是面对密集障碍区穿行效率显著提高。