本發(fā)明所屬領(lǐng)域為機器人路徑規(guī)劃，具體涉及一種基于遺傳算法的水面路徑規(guī)劃方法。

背景技術(shù)：

1、在當今環(huán)境問題日益嚴峻的形勢下，水華、赤潮等水體災害頻繁爆發(fā)，對生態(tài)環(huán)境、水資源利用以及人類健康都構(gòu)成了嚴重威脅。這些水體災害的核心原因是水體富營養(yǎng)化，氮、磷等元素濃度過高，導致微藻過量增殖。傳統(tǒng)的藻類清理主要依靠人工方式，專業(yè)人員駕駛船舶進行定點、定期作業(yè),然而這種傳統(tǒng)作業(yè)模式弊端明顯。隨著科技的不斷進步，水上清藻機器人應運而生，逐漸進入公眾視野。不過，相較于無人駕駛汽車等智能技術(shù)的蓬勃發(fā)展，水上機器人在路徑規(guī)劃領(lǐng)域的發(fā)展較為滯后。尤其是針對藻類清理的水上機器人，目前的研究尚處于起步階段。當藻類清理水上機器人檢測到藻類目標后，如何規(guī)劃出合理的作業(yè)路徑，高效抵達并全面覆蓋清理區(qū)域，成為亟待解決的關(guān)鍵問題。授權(quán)公告號為cn110347151b的中國發(fā)明涉及一種融合bezier優(yōu)化遺傳算法的機器人路徑規(guī)劃方法，該方法先采用bezier曲線，將遺傳算法初始解及交叉、變異過程中產(chǎn)生的路徑進行優(yōu)化，以消除尖峰拐點并減少冗余節(jié)點，從而提高路徑平滑性；再采用增加了安全距離與自適應懲罰因子的適應度函數(shù)，對遺傳算法求得的路徑進行動態(tài)調(diào)節(jié)，以提高規(guī)劃路徑的質(zhì)量。然而，該方法路徑規(guī)劃策略單一且在動態(tài)水域環(huán)境中的適應性和效率仍需進一步提升。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于，提供一種基于遺傳算法的水面路徑規(guī)劃方法。本發(fā)明能夠?qū)崿F(xiàn)機器人在復雜水域環(huán)境下精準且穩(wěn)定的路徑規(guī)劃，提高了路徑規(guī)劃的效率和適應性。

2、本發(fā)明的技術(shù)方案：一種基于遺傳算法的水面路徑規(guī)劃方法，具體包括以下步驟：

3、步驟一：獲取機器人位置信息并實時采集圖像數(shù)據(jù)；

4、步驟二：基于深度學習的yolov8目標檢測模型對采集的圖像數(shù)據(jù)進行目標檢測；根據(jù)目標檢測結(jié)果，基于滑模思想確定目標數(shù)量并進行數(shù)量判斷，根據(jù)數(shù)量判斷結(jié)果將目標檢測結(jié)果進行坐標變換；

5、步驟三：根據(jù)機器人位置和坐標轉(zhuǎn)換得到的結(jié)果，采用遺傳算法生成初始路徑；綜合考慮路徑的經(jīng)濟性和安全性，通過適應度函數(shù)計算每條初始路徑的個體適應度值；采用精英選擇保留高個體適應度值的初始路徑，通過輪盤賭策略對剩余初始路徑進行選擇，以增加路徑種群的多樣性；動態(tài)調(diào)整遺傳算法的自適應交叉概率和自適應變異概率，優(yōu)化初始路徑搜索過程，得到最優(yōu)路徑；采用貝塞爾曲線對最優(yōu)路徑進行平滑處理，輸出全局規(guī)劃路徑；

6、步驟四：機器人按照全局規(guī)劃路徑行進過程中，針對動態(tài)環(huán)境變化，實時調(diào)整局部路徑規(guī)劃，確保機器人安全完成行進任務。

7、前述的基于遺傳算法的水面路徑規(guī)劃方法中，步驟二中，所述滑模思想用于處理目標重疊度和目標之間距離關(guān)系；

8、處理目標重疊度的過程為定義與目標重疊度相關(guān)的滑模面so＝o-oth，其中，o是實際檢測到的目標重疊度，oth是設(shè)定的合理重疊度閾值；當so＝0時，表示處于理想的滑動模態(tài)，即目標重疊度處于合理狀態(tài)；若o＞oth，表示重疊度過高，存在多個目標被誤判為一個的情況，進行目標分割；若o＜oth，則重疊度處于正常；

9、處理目標之間距離關(guān)系的過程為定義滑模面sd＝d-dth，其中，d是目標之間實際距離，dth是根據(jù)目標分布特點設(shè)定的合理距離閾值，當檢測到的目標之間距離偏離dth時，根據(jù)偏離情況進行動態(tài)調(diào)整，以保證處于目標之間距離期望的運行狀態(tài)。

10、前述的基于遺傳算法的水面路徑規(guī)劃方法中，步驟三中，所述遺傳算法生成初始路徑的過程為：首先設(shè)定遺傳算法的關(guān)鍵參數(shù)，包括種群規(guī)模、最大迭代次數(shù)、交叉概率、變異概率和自適應參數(shù)，根據(jù)種群規(guī)模隨機生成初始路徑種群其中第i條初始路徑si＝[ss,si1,si2,···se](i＝1,2,···n)，sij(j＝1,2,···k)為初始路徑si所經(jīng)過的路徑點，ss和se分別為初始路徑的起點和終點。

11、前述的基于遺傳算法的水面路徑規(guī)劃方法中，所述適應度函數(shù)計算每條初始路徑的個體適應度值的公式為：

12、fs＝af1(s)+bf2(s)；

13、其中，fs表示初始路徑的個體適應度值，a和b為權(quán)重系數(shù)，f1(s)和f2(s)分別表示初始路徑的經(jīng)濟性及安全性；

14、所述初始路徑的經(jīng)濟性計算公式為：

15、

16、其中，len(si)為初始路徑的長度；

17、所述初始路徑的安全性計算公式為：

18、

19、dan(si)＝1/di；

20、其中，dan(si)為機器人在行駛時與障礙物之間的距離的倒數(shù)值；di表示機器人在行駛時與障礙物之間的最短距離。

21、前述的基于遺傳算法的水面路徑規(guī)劃方法中，所述精英選擇的過程為根據(jù)計算得到的初始路徑個體適應度值，按照從大到小依次排列選擇前n1位初始路徑加入新的路徑種群中；

22、所述輪盤賭策略對剩余初始路徑進行選擇的過程為：

23、(1)從第n1+1位初始路徑開始依次計算被選擇的概率：

24、

25、其中，是初始路徑si的個體適應度值；

26、(2)計算累計概率值qi：

27、

28、(3)產(chǎn)生一個隨機數(shù)r∈[0,1]；

29、(4)若選擇第n1+1條路徑；否則，選擇sj滿足qj-1＜r≤qj；

30、(5)重復(3)、(4)過程直到達到選擇群體數(shù)目n2，并將這個個體適應度值所對應的初始路徑加入到新的路徑種群中。

31、前述的基于遺傳算法的水面路徑規(guī)劃方法中，所述自適應交叉概率pc公式為：

32、

33、其中，fmax為表示當前路徑種群的最大適應度，favg表示當前路徑種群的平均個體適應度值，f為要交叉的兩個路徑中較大的個體適應度值，k1和k2分別是0到1之間的常數(shù)；

34、所述自適應變異概率pe公式如下：

35、

36、其中，f'表示變異操作路徑的適應度；k3和k4分別是0到1之間的常數(shù)。

37、前述的基于遺傳算法的水面路徑規(guī)劃方法中，所述貝塞爾曲線的n階曲線公式如下：

38、

39、式中，p(t)為貝塞爾曲線的運動控制點，pi為位置點，p(0)和p(1)分別為起點和終點，bi,n(t)為伯恩斯坦基函數(shù)，為二項式系數(shù)，也稱為組合數(shù)，表示從n個不同元素中取i個元素的組合數(shù)，其中n為非0正整數(shù)，i的取值范圍為0到n，t為在貝塞爾曲線上的插值，取值范圍在[0,1]之間。

40、前述的基于遺傳算法的水面路徑規(guī)劃方法中，步驟四中，所述局部路徑規(guī)劃過程包括建立機器人運動學模型，然后對機器人速度空間(v,ω)進行采樣，再基于機器人運動學模型模擬出在此速度空間(v,ω)下時間t內(nèi)的模擬軌跡，計算模擬軌跡的評價函數(shù)，最后選取評價函數(shù)值最優(yōu)的軌跡，得到局部最優(yōu)路徑，以提升路徑規(guī)劃的準確性和高效性。

41、前述的基于遺傳算法的水面路徑規(guī)劃方法中，所述建立機器人運動學模型為

42、xt+δt＝xt+vxδtcosθt-vyδtsinθt；

43、yt+δt＝y(tǒng)t+vxδtsinθt+vyδtcosθt；

44、θt+δt＝θt+ωtδt；

45、式中，xt+δt為機器人t+δt時刻的橫坐標，yt+δt為機器人t+δt時刻的縱坐標，xt為機器人t時刻的橫坐標，yt為機器人t時刻的縱坐標，vx和vy為機器人在底盤坐標系下t時刻沿x和y軸的線速度，θt是機器人t時刻與x軸的夾角，ωt是機器人t時刻的角速度，θt+δt為機器人t+δt時刻與x軸的夾角。

46、前述的基于遺傳算法的水面路徑規(guī)劃方法中，所述機器人速度采樣的過程是對窗口區(qū)域內(nèi)移動機器人速度空間進行采樣，速度空間中存在無窮多組速度對(v,ω)，設(shè)定邊界限定條件：

47、vm＝{(v,ω)|v∈[vmin,vmax]∧ω∈[ωmin,ωmax]}；

48、式中，vm為機器人最大速度、最小速度的限制范圍，vmax和vmin分別為機器人所能達到的最大線速度和最小線速度，ωmax和ωmin分別為機器人角速度所能達到的最大角速度和最小角速度；

49、進一步將約束速度空間vd：

50、

51、式中，vc為機器人當前線速度，為最大加速度，δt為時間間隔；為最大減速度；ωc為機器人當前角速度，為最大角加速度；為最大角減速度；

52、設(shè)定最大加速度限制的速度空間：

53、

54、式中，dist(v,ω)表示機器人與最近障礙物的路徑長度；

55、水上機器人前進周期一個δt內(nèi)，有效的速度集合區(qū)間v為：

56、v＝vm∩vd∩va；

57、所述評價函數(shù)的公式為：

58、g(v,ω)＝σ(α·head(v,ω)+β·dist(v,ω)+γ·vel(v,ω)+δpre(v,ω))；

59、其中，α，β，γ和δ是每一項的權(quán)重因子；σ表示歸一化；head(v,ω)為方位角評價函數(shù),表示在當前采樣速度下移動至局部規(guī)劃路徑的端點時，機器人行進方向與全局規(guī)劃路徑終點之間的方位角偏差；dist(v,ω)為安全系數(shù)評價函數(shù)，表示機器人與最近障礙物的路徑長度；vel(v,ω)為當前速度大小評價函數(shù)；pre(v,ω)為目標路徑距離評價子函數(shù)，公式如下：

60、

61、其中，(xte,yte)為預測軌跡末端坐標，(xg,yg)為預測軌跡目標點坐標。

62、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

63、本發(fā)明通過采用全局路徑規(guī)劃和局部路徑規(guī)劃相結(jié)合的策略，全局路徑規(guī)劃基于改進的遺傳算法，結(jié)合任務需求和環(huán)境約束生成最優(yōu)全局路徑；局部路徑規(guī)劃針對動態(tài)環(huán)境變化實時調(diào)整局部路徑，使機器人在復雜動態(tài)水域環(huán)境中既能規(guī)劃出整體合理路徑，又能靈活應對局部變化，具有較好的靈活性和適應性。此外，本發(fā)明通過構(gòu)建包含經(jīng)濟性和安全性的適應度函數(shù)，將路徑長度和機器人與障礙物間的距離納入考量，使規(guī)劃出的路徑既經(jīng)濟又安全，在實際應用中，能有效減少機器人的行駛距離，同時降低與障礙物碰撞的風險，提高作業(yè)效率和安全性。本發(fā)明通過精英選擇與輪盤賭相結(jié)合的策略，保留高個體適應度值的路徑以傳遞優(yōu)良基因，對剩余路徑采用輪盤賭選擇增加多樣性，避免了算法陷入局部最優(yōu)解，有助于在復雜的水面環(huán)境中找到全局最優(yōu)路徑，確保機器人的路徑規(guī)劃更具科學性和合理性。本發(fā)明通過自適應交叉和變異概率根據(jù)路徑種群的進化狀態(tài)動態(tài)調(diào)整，初期提高變異概率，擴大搜索范圍，探索更多潛在路徑，后期降低概率，加快收斂速度，避免優(yōu)良基因被破壞，在保證搜索全面性的同時，提升了遺傳算法的收斂效率，更快地找到最優(yōu)路徑。本發(fā)明通過采用貝塞爾曲線對規(guī)劃路徑進行平滑處理，減少路徑中的尖銳拐點，使路徑更符合機器人運動學和動力學約束，不僅能降低機器人在行駛過程中的能耗，還能提高其運動穩(wěn)定性，延長機器人使用壽命，保障作業(yè)的連續(xù)性和高效性。本發(fā)明通過改進評價函數(shù)，添加目標路徑距離評價子函數(shù)，將全局路徑納入評價體系，使機器人在局部路徑規(guī)劃時，能朝著目標點迅速移動，同時綜合考慮與障礙物的距離、速度、方向偏差等因素，從多個維度評估軌跡，選擇出更優(yōu)的局部路徑，提升路徑規(guī)劃的準確性和高效性。