文獻(xiàn)標(biāo)識碼： A
DOI：10.16157/j.issn.0258-7998.181374
中文引用格式： 徐曉慧，張金龍. 改進(jìn)人工勢場與TAS-RRT融合優(yōu)化算法[J].電子技術(shù)應(yīng)用，2018，44(10)：88-92.
英文引用格式： Xu Xiaohui，Zhang Jinlong. Hybrid optimization algorithm of improved artificial potential field and TAS-RRT[J]. Application of Electronic Technique，2018，44(10)：88-92.
0 引言
人工勢場法是一種結(jié)構(gòu)簡單的運動規(guī)劃算法，具有魯棒性強(qiáng)、路徑平滑、執(zhí)行效率高的優(yōu)點[1]，但在實際應(yīng)用中常在障礙物周圍產(chǎn)生局部振蕩。目前，國內(nèi)外許多學(xué)者對此進(jìn)行了探索研究，常見的改進(jìn)思路有增加虛擬障礙物、建立虛擬目標(biāo)點、改變勢函數(shù)等[2-3]，其適用面窄、通用性差，很難實現(xiàn)振蕩區(qū)域邊界點的精確定位。RRT算法在運動規(guī)劃中具有良好的擴(kuò)展性和搜索速度，與人工勢場的結(jié)合可使路徑快速跳出局值吸引區(qū)，但逃離點落在狹縫之中或其附近時RRT算法易陷入局部死循環(huán)[4-6]。針對這些不足之處，本文提出一種基于旋轉(zhuǎn)速度矢量角的人工勢場和TAS-RRT融合優(yōu)化算法，當(dāng)陷入局部振蕩時，以旋轉(zhuǎn)速度矢量角分析運動趨勢、精確定位逃離點，并使用速度矢量角度差引導(dǎo)RRT采樣的分布、調(diào)節(jié)局部規(guī)劃器的連接方式，使其采樣的方向快速逼近逃離點，當(dāng)采樣點滿足條件時，切換回人工勢場算法進(jìn)行運動規(guī)劃。程序運行結(jié)果表明，該算法搜索效率高，復(fù)雜環(huán)境下依然有效。
1 改進(jìn)人工勢場
1.1 人工勢場
傳統(tǒng)人工勢場是一種虛擬勢場[7]，包括吸引勢場fa(x)和抵制勢場ft(x)：
1.2 旋轉(zhuǎn)速度矢量角
針對人工勢場易陷入局部振蕩的問題，本文提出一種旋轉(zhuǎn)速度矢量角方法，將其作為跳出極小值吸引區(qū)域的判斷條件，如圖1所示，其中點Root代表局部極小值點；current為當(dāng)前訪問節(jié)點，V1為位于點current位置時對應(yīng)的速度矢量；Next1為下一個訪問節(jié)點，V2為對應(yīng)的速度矢量；Next2為機(jī)器人位于點Next1位置時下一個訪問節(jié)點，V3為對應(yīng)的速度矢量。
說明節(jié)點運動趨勢為遠(yuǎn)離極值點，且其趨勢不斷增強(qiáng)，則當(dāng)前節(jié)點current為局部極小值吸引區(qū)的跳出點，切換回人工勢場算法進(jìn)行運動規(guī)劃。
2 基于速度矢量角度差引導(dǎo)的快速隨機(jī)擴(kuò)展樹改進(jìn)算法
2.1 RRT算法
RRT算法以構(gòu)型空間中的初始狀態(tài)xs為起始點構(gòu)建隨機(jī)擴(kuò)展樹，初始化后通過迭代的方式向外擴(kuò)展，在環(huán)境范圍內(nèi)隨機(jī)采樣自由節(jié)點qrand，遍歷樹T的所有節(jié)點，選擇其中離qrand最近的節(jié)點qnear，其后通過Extend(qrand，qnear)函數(shù)檢驗兩節(jié)點的距離是否滿足要求，若滿足qrand即為qnew，否則沿著qnear至qrand取距離為δ的狀態(tài)節(jié)點作為qnew，利用局部規(guī)劃器對qnew和qnear之間的路徑進(jìn)行檢測，若無障礙碰撞，將其作為新的節(jié)點添加到擴(kuò)展樹上，并更新父節(jié)點和新樹枝長度。
重復(fù)上述過程，直到滿足stopcondition：新狀態(tài)節(jié)點與xg構(gòu)建路徑成功或者超過最大迭代次數(shù)，結(jié)束擴(kuò)展。圖形建立完畢后，利用搜索算法即可得到xs和xg間最短規(guī)劃路徑。具體搜索過程如圖2所示。
2.2 TAS-RRT算法
RRT算法規(guī)劃的路徑質(zhì)量不高且狹縫通道難以穿越，針對以上缺點，本文提出一種基于速度矢量角度差引導(dǎo)的快速隨機(jī)擴(kuò)展樹算法，在采樣的過程中引入速度矢量角度差，將其作為判斷采樣點有效性的條件，并根據(jù)潛在節(jié)點的狀態(tài)調(diào)節(jié)樹的規(guī)劃器以改變擴(kuò)張速度。
具體搜索過程如圖3所示。將局部極小值點作為構(gòu)建擴(kuò)展樹的起點，初始化后以迭代的方式向外擴(kuò)展，在環(huán)境內(nèi)隨機(jī)采樣自由點qrand后選擇樹中最近節(jié)點qnear，其后Expandcontrol(qrand，qnear，T)函數(shù)驅(qū)使規(guī)劃器自適應(yīng)地選擇探索速度，選擇依據(jù)為樹的爬坡狀態(tài)。若是細(xì)化節(jié)點爬坡失敗，即潛在采樣節(jié)點參數(shù)θ1減小，則轉(zhuǎn)換為擴(kuò)張狀態(tài)，否則全部繼續(xù)細(xì)化樹枝。其中qnear和qrand的距離函數(shù)可以預(yù)估下一步是細(xì)化還是擴(kuò)張，若距離比擴(kuò)張步delta高，那么參與樹的擴(kuò)張，相反，距離小于delta，認(rèn)為節(jié)點參與樹的細(xì)化。沿qnear至qrand取點qnew使其滿足距離條件，若qnew和qnear之間的路徑無障礙碰撞，計算節(jié)點qnew的速度矢量角度差θ1，并通過函數(shù)Climbtransition(θ1，T)過濾節(jié)點，使其按照速度矢量角度差增長方向爬坡，以此引導(dǎo)節(jié)點采樣，直到滿足stopcondition2：到達(dá)目標(biāo)狀態(tài)節(jié)點附近或者滿足轉(zhuǎn)換條件，即式(8)。
3 貪心細(xì)分后處理算法
采用TAS-RRT算法跳出局部極小值陷阱，可能導(dǎo)致路徑繞行，且隨機(jī)樹的采樣特性容易產(chǎn)生冗余采樣，因此本文引入細(xì)分貪心方法對節(jié)點進(jìn)行后處理，如圖4所示，其中Root為局部極小值節(jié)點，Jump為采用旋轉(zhuǎn)速度矢量分析定位的吸引區(qū)跳躍點，實線為初始規(guī)劃路徑，由于節(jié)點的冗余主要來自于跳出極值吸引區(qū)的過程，所以對Jump節(jié)點進(jìn)行兩次細(xì)分貪心后處理。
首先，對節(jié)點Jump和Goal之間的路徑進(jìn)行分段處理，初始化節(jié)點behind，即為節(jié)點Jump，節(jié)點current從Goal開始取點，循環(huán)過程為連接Jump和current，并判斷是否與障礙物碰撞，若是front=current，繼續(xù)循環(huán)直到判斷結(jié)果為否，則behind=current，循環(huán)結(jié)束。其后取behind和front中間節(jié)點為current，連接節(jié)點Jump和current，判斷節(jié)點Jump和current連線是否與障礙物碰撞，若是更新front=current，若否則更新behind=current。其后繼續(xù)循環(huán)取中間節(jié)點直到滿足stopcoditon3，最終取鄰節(jié)點next1=behind，文中stopcoditon3為循環(huán)次數(shù)；圖中從目標(biāo)點Goal開始取值并與節(jié)點Jump連接，最終Jump的鄰節(jié)點next1為behind=4。
其后，對Jump和Start之間的路徑進(jìn)行第二次細(xì)分貪心處理，取behind=Jump，current從Start取點，與第一次細(xì)分貪心處理不同之處在于，滿足循環(huán)次數(shù)后，繼續(xù)執(zhí)行判斷3：鄰節(jié)點next2是否為TAS-RRT算法產(chǎn)生的采樣節(jié)點，若是，繼續(xù)對next2進(jìn)行細(xì)分貪心后處理即初始化behind=next2，從Start取點current并判斷next2與current是否碰撞，不斷循環(huán)直到判斷3結(jié)果為否，更新相應(yīng)的鄰節(jié)點。圖4中Jump經(jīng)過第二次細(xì)分貪心處理后next2為節(jié)點5′，由于5′不是擴(kuò)展樹采樣節(jié)點因此循環(huán)結(jié)束，圖中后處理路徑采用粗虛線連接。
4 仿真實驗
4.1 旋轉(zhuǎn)速度矢量角法的適用性和有效性
結(jié)合目標(biāo)位置和環(huán)境障礙信息，通過勢場方程計算各個節(jié)點的勢場強(qiáng)度，并根據(jù)計算的結(jié)果調(diào)節(jié)仿真圖以驗證融合算法的可行性，選擇稀疏Djkstra算法、基于速度矢量角度差引導(dǎo)的稀疏A*算法、RRT算法與改進(jìn)式人工勢場進(jìn)行混合，并選取具有有代表性的障礙環(huán)境以驗證算法的性能。
首先，通過MATLAB建立具有開口凹槽障礙物的地圖環(huán)境，如圖5(a)，并人為設(shè)定初始坐標(biāo)[175，410]和目標(biāo)點坐標(biāo)[450，130]，其后分別運用3種混合算法進(jìn)行路徑規(guī)劃。
其中算法1、算法2和算法3分別表示稀疏Djkstra、稀疏AS-A*、RRT算法與改進(jìn)人工勢場混合優(yōu)化算法。稀疏Djkstra算法和稀疏AS-A*算法相鄰節(jié)點間隔均取4，由于RRT算法采樣的隨機(jī)性，算法3進(jìn)行50次路徑規(guī)劃實驗。3種算法失敗率為0，結(jié)果證明了旋轉(zhuǎn)速度矢量角法的有效性。
其次，變換地圖為更加復(fù)雜的多正方形障礙環(huán)境，如圖5(b)所示，由于障礙物形狀和排布特點，始末節(jié)點間存在多個局部極小值吸引區(qū)域，通過多次實驗得到的結(jié)果如圖5(c)、圖5(d)、圖5(e)，圖中規(guī)劃路徑位于人工勢場線中，障礙物附近斥力強(qiáng)、場力線密集。從圖5可看出，雖然障礙物數(shù)量增加，工作環(huán)境更為復(fù)雜，但采用多種算法與改進(jìn)人工勢場進(jìn)行混合優(yōu)化，依然能夠順利完成避障，而且軌跡較為平滑。
兩種地圖環(huán)境下對混合算法進(jìn)行對比，結(jié)果如表1所示，其中：算法3的參數(shù)取20次實驗的平均值；nto表示生成路徑包含的節(jié)點總數(shù)；t表示算法運行所需總時長；tes表示跳出局部極小值吸引區(qū)域耗費的時間；nes1表示算法跳出一局部極小值吸引區(qū)時采樣的節(jié)點總數(shù)，圖5(a)取局部極小值[272，233]，圖5(b)取局部極小值[175，325]。
對比表1中參數(shù)可知，運行時間大部分用于跳出局部極小值吸引區(qū)域，且無論是簡單的地圖環(huán)境還是復(fù)雜的地圖環(huán)境，改進(jìn)式人工勢場與RRT混合優(yōu)化算法的參數(shù)皆數(shù)倍均優(yōu)于其他算法。再對地圖環(huán)境、初始坐標(biāo)和目標(biāo)點坐標(biāo)進(jìn)行多次變換，路徑規(guī)劃依然成功，說明改進(jìn)人工勢場能與多種算法融合并能適應(yīng)環(huán)境的變化。
4.2 快速擴(kuò)展隨機(jī)樹的優(yōu)化改進(jìn)
將地圖環(huán)境設(shè)置為特殊狀態(tài)，如圖6(a),即起點附近存在局部極小值且始末點間存在長狹縫通道，運用MATLAB對算法3和算法4進(jìn)行建模仿真，算法3為改進(jìn)式人工勢場與RRT混合優(yōu)化算法，算法4為改進(jìn)人工勢場與TAS-RRT混合優(yōu)化算法,兩種算法選用參數(shù)相同，最大采樣次數(shù)取300，擴(kuò)張步長取30，狹縫寬度L取10，結(jié)果如圖6(b)、圖6(c)、圖6(d)、圖6(e)。從圖6(b)、圖6(c)可看出改進(jìn)人工勢場與TAS-RRT混合優(yōu)化算法可快速定位邊界點，而改進(jìn)人工勢場與RRT混合優(yōu)化算法在采樣300次后失敗。圖6(d)為改進(jìn)人工勢場與TAS-RRT混合優(yōu)化算法的初步路徑，圖6(e)為其經(jīng)貪心細(xì)分后處理的路徑，從兩圖的對比可以，節(jié)點數(shù)目明顯減少，路徑更為平滑。
進(jìn)行50次路徑規(guī)劃實驗取參數(shù)平均值，如表2，表格中算法4取未經(jīng)貪心細(xì)分后處理的數(shù)據(jù)，在狹縫環(huán)境下改進(jìn)人工勢場與RRT混合優(yōu)化算法成功率為60%，改進(jìn)人工勢場與TAS-RRT混合優(yōu)化算法成功率為100%。由于算法的差異性主要取決于與人工勢場混合的算法的選擇，因此表格著重分析跳出極小值吸引區(qū)的過程，其中：跳躍過程中改進(jìn)人工勢場與RRT混合優(yōu)化算法平均采樣112個節(jié)點，改進(jìn)人工勢場與TAS-RRT混合優(yōu)化算法平均采樣數(shù)為14，極大地減少了采樣節(jié)點數(shù)目，且成功跳躍時采樣節(jié)點平均數(shù)目nroute、成功跳躍路徑長度Lroute、成功跳躍所耗時間tes的參數(shù)性能均優(yōu)于算法3。
此時若將狹縫寬度調(diào)整為3，其他參數(shù)相同，改進(jìn)人工勢場與TAS-RRT混合優(yōu)化算法結(jié)果如圖6(f)、圖6(g)、圖6(h),實驗50次算法4成功率為100%，跳出極小值過程中采樣節(jié)點數(shù)目約為14，與狹縫寬度為10時基本相同，但是采樣時間增加了約2倍，而改進(jìn)人工勢場與RRT混合優(yōu)化算法成功率為0。
5 結(jié)論
本文提出一種旋轉(zhuǎn)速度矢量角方法，改進(jìn)人工勢場以解決局部極小值問題，并與多種搜索算法優(yōu)化融合，通過分析計算以自適應(yīng)定位逃離點，精確控制復(fù)雜環(huán)境下的運動規(guī)劃，仿真結(jié)果驗證了算法的有效性和通用性；其次針對RRT算法穿越狹縫通道成功幾率小、運行效率低等問題，提出TAS-RRT算法跳出極小值吸引區(qū)域，以速度矢量角度差引導(dǎo)節(jié)點漸近逃離路徑，并根據(jù)潛在節(jié)點的狀態(tài)調(diào)節(jié)局部規(guī)劃器從而改變擴(kuò)展速度，最后對路徑進(jìn)行細(xì)分貪心后處理以過濾冗余節(jié)點、平滑路徑。利用MATLAB建立特殊障礙環(huán)境以驗證算法的優(yōu)越性，實驗結(jié)果表明，改進(jìn)人工勢場與TAS-RRT混合優(yōu)化算法不僅成功實現(xiàn)了復(fù)雜環(huán)境下機(jī)器人運動規(guī)劃的控制，而且與RRT混合優(yōu)化算法相比，大大提高了收斂速度和運行效率。
參考文獻(xiàn)
[1] 劉成菊，韓俊強(qiáng)，安康.基于改進(jìn)RRT算法的RobotCup機(jī)器人動態(tài)路徑規(guī)劃[J].機(jī)器人，2017，39(1)：8-15.
[2] 汪首坤，朱磊，王軍政.基于導(dǎo)航勢函數(shù)法的六自由度機(jī)械臂避障路徑規(guī)劃[J].北京理工大學(xué)學(xué)報，2015，35(2)：186-191.
[3] 姬偉，程風(fēng)儀，趙德安，等.基于改進(jìn)人工勢場的蘋果采摘機(jī)器人機(jī)械手避障方法[J].農(nóng)業(yè)機(jī)械學(xué)報，2013，44(11)：253-259.
[4] QURESHI A H，AYAZ Y.Potential functions based sampling heuristic for optimal path planning[J].Autonomous Robots，2016，40(6)：1079-1093.
[5] WU D，SUN Y J，WANG X，et al.An improved RRT algorithm for crane path planning[J].International Journal of Robotics and Automation，2016，31(2)：84-92.
[6] DU M B，CHEN J J，ZHAO P，et al.An improved RRT-based motion planner for autonomous vehicle in cluttered environments[C].IEEE International Conference on Robotics and Automation. Piscataway，USA：IEEE，2014：4674-4679.
[7] 何兆楚，何元烈，曾碧.RRT與人工勢場法結(jié)合的機(jī)械臂避障規(guī)劃[J].工業(yè)工程，2017，20(2)：56-63.
作者信息:
徐曉慧1，張金龍2
(1.江蘇城市職業(yè)學(xué)院 建筑工程學(xué)院，江蘇 南京210000；2.南京師范大學(xué) 電氣與自動化工程學(xué)院，江蘇 南京210042)