第3期 薛英花，等：智能空间中的服务机器人路径规划 ·261· 规划和局部规划都不能满足智能空间中路径规划的 由图2可知，危险度地图包含了比栅格地图更 安全性、实时性和高效性要求。 丰富的环境信息，除了能表示障碍物的有无外，还能 本文首先分析了栅格地图的不足，建立了环境 表示任意位置的危险程度，为机器人路径规划提供 信息更加丰富的危险度地图；然后采用了分层的路 了更有效的环境表示. 径规划方法，既有效利用了已知环境信息，又实现了 实时避障.本文充分利用了智能空间的多传感器和 通信网络，从多角度获取动态障碍物的信息，使服务 机器人可以对环境做出快速反映，安全及时地完成 任务。 1环境模型的建立 栅格法是一种常用的环境建模方法，由于其表 示直观、实现简单而得到了广泛应用].图1为根 图2危险度地图 据环境中障碍物的疏密建立的栅格地图 Fig.2 Danger dergree map 2改进的PS0静态路径规划 粒子群优化算法(particle swarm optimization, PS0)是一种进化计算技术，具有个体数目少、计算 简单、鲁棒性好等优点.PS0初始化为一群随机粒 子，然后通过迭代寻找最优解.粒子根据下面的 公式来完成自己的速度和位置的进化： V:(t+1)=o×V:(e)+c1×r×(peti-X,(t)+ 图1栅格地图 c2×r×(ge-X:(t), Fig.1 Grids map X:(t+1)=X(t)+V:(t+1). 栅格地图只能表示某处障碍物的有无，不能提 式中：V:(t)是粒子i在第t代的速度，X(t)是粒子i 供更为详细的其他环境信息，如该栅格距离障碍物 在第t代的位置，粒子的速度V和位置X均为m维 的远近等.为了能提供更充分的环境信息，采用危险 向量，Pct:为粒子本身个体极值，g为全局极值，r 度地图来表示环境].危险度地图是在栅格地图的 是介于(0,1)之间的随机数，c1和c2是学习因子，w 基础上，充分考虑周围障碍物与栅格的距离和障碍 为惯性因子 物的疏密程度而建立的能充分体现该处危险程度的 地图. 设栅格地图的行数为T,列数为c.栅格的取值 用g(1≤i≤r,1≤j≤c)表示，危险度用d表示.若 g=0,说明该栅格本身就是障碍物，是机器人不可 通过区域，因此将其危险度置为最大；若=1，说 明该栅格为自由栅格，这时应根据其周围障碍物的 多少和距离远近来计算该栅格的危险度，如式(1)》 所示： 图3路径规划建模 4,= ∑Raiam,）X Fig.3 Model of path planning 定义n个m维粒子，粒子每一维位置分量x √(s-1m1)2+(s-ln1)2.(1) (1≤i≤n,1≤j≤m)分别对应图3中垂直于SG的直 式中：s为窗口尺寸因子，实际窗口大小为(2+1)× 线y,则一个粒子就对应一条路径P. (2+1);Riem,w为点(i+mJj+n)处的障碍物标志，当 在图3中，定义起始点S为Po,目标点G为 g+m+=0,即该点为障碍物时，R(m=1,否则取0. Pm+1,则路径P的长度和危险度可分别用式(2)、 (3)表示：