論文下載:點擊打開鏈接
環境模型(see figure 1):
1.1. 環境被描述爲圓形爲了方便描述機器人的移動
1.2. 默認圓形半徑和機器人半徑一樣
1.3. 每個圓形可以表示有障礙或無
1.4. 每個圓形有八個相鄰圓
1.5. 連接線R_ij 表示距離
1.6. 每個圓有它自己到號碼,一一對於機器人到每一運動。
算法細節:
2.1. 概述:
2.1.1. 由遺傳算法啓發,解決optimization的問題。
2.1.2. 全局規劃被分爲一系列的局部規劃(局部路徑被限制於感應器感應範圍內)。
2.1.3. 目標爲:最短移動距離,最少轉向和重複點(我覺得最大覆蓋率也是他們的目標之一)。
2.2. 進化過程:
2.2.1. 他們基於基因算法(GA see figure 2)提出一個"進化過程"evolutionary approach來達到目標 2.1.3.
2.2.2. 染色組包含一組基因(一組局部機器人運動)。
2.2.3. 局部路徑規劃(mini-path planning)是隨機的(隨機選取附近到一個點(???)). 他們能得到2種方法來產生局部路徑:螺旋或者Z形的運動。(see figure 3)
2.2.4. 對於這隨機產生到局部路徑,他們引入了判定標準來挑選一條最好的:局部路徑 (mini-path i) 適應度函數:
2.2.5. 上面這條考慮了 total distance of mini-path (Dist), the number of unclean cells (Free), 和 the total distance of each position cell relative to the current position (Dist( xx - xx)).
2.2.6. Total distance of mini-path (Dist) 等於路徑裏每一對圓的距離的和,The number of unclean cells (Free) 等於目前機器人附近未遍歷的圓(並屬於此局部路徑的)個數, 最後一項等於路徑的每個圓到目前機器人的距離的和。
2.2.7. 對所有的隨機產生的局部路徑計算完其適應度後就可以用這些適應度來挑選一部分好的路徑然後進行交叉和變異運算產生下一代的局部路徑。
2.2.8. 對新的一代進行適應度計算,挑選,交叉和變異運算,然後繼續重複直到??。最後得到一條最優局部路徑。
2.2.9. 到達局部路徑的終點後再規劃局部路徑
模擬結果 (see figure 4):
通過對比最短移動距離,最少轉向和重複點,他們的比SCD和ORD算法好。
4. 我的評價:
在2.1.3.列出表現可以,但效率不高,可能不能實時運算。需要自己決定調試A,B,C參數以及局部路徑的長度。
figure 1.
figure 2.
figure 3.
figure 4.