智能仿生算法在机器人路径规划的应用综述

智能仿生算法在机器人路径规划的应用综述

1 绪论

1.1 机器人路径规划方法

路径规划是移动机器人导航中最重要的技术之一。

对于移动机器人而言，路径规划就是解决特定工作环境和任务要求下的路径优选问题，路径规划的科学性和合理性对于移动机器人工作效能具有十分重要的影响。

目前常用的路径规划方法可以分为传统算法和智能仿生算法两类。

传统算法主要有人工势场法、模糊逻辑算法、可视图法、栅格法、自由空间法等。自 20世纪70年代路径规划问题被提出以来，这些传统算法在机器人路径规划领域发挥了重要的作用，取得了诸多研究成果。

但是随着移动机器人应用领域的不断扩大，传统的路径规划方法在应对一些复杂环境时会存在一定的缺陷[1]。例如，人工势场法容易陷入局部极小点，存在目标不可达的问题。模糊控制算法在复杂多变环境中，很难建立模糊规则库，且对于动态障碍物缺乏智能的避障策略。

而随着近年来人工智能技术的兴起，越来越多智能仿生算法被提出并应用在机器人路径规划中，其中许多智能仿生算法有着比传统算法更加优秀的效果，因此针对越加复杂的路径规划场景，智能仿生算法脱颖而出。

1.2 智能仿生算法主要特点

智能仿生算法是一种模仿生物群体智能行为或生物体结构和功能或生态机制的智能计算方法。

智能仿生算法的主要特点有：

1) 仿生特征

智能仿生算法的工作机制与自然生物的性质或生态机制非常接近。

2) 简单性和涌现

智能仿生算法计算简单且容易理解，但其效果非常惊人，反映了涌现性。

3) 鲁棒性

智能仿生算法对环境，参数和任务的变化具有很强适用性和灵活性。

4) 自组织性

智能仿生算法可以通过自学习或自组织的方式提高自适应能力。

1.3 智能仿生算法分类

根据智能仿生算法的模仿来源，这里将其分为三大类，分别为：

1. 受生物群体行为启发的智能仿生算法；

2. 受生物体结构、组织启发的智能仿生算法；

3. 受生物进化启发的智能仿生算法。

下图为智能仿生算法的三大分类下的具体算法，在后文将针对每类智能仿生算法进行展开介绍。

2 受生物群体行为启发仿生算法

2.1 受生物群体行为启发仿生算法概述

在自然界中，生物个体的行为往往只能完成较为简单的任务，但个体直接通过群体协作却能完成复杂的任务。针对生物群体行为的特性，学者们提出了众多受生物群体行为启发的智能方式算法，如蚁群算法、粒子群算法、人工鱼群算法以及狼群算法等等。通过算法模拟生物群体行为，能够有效应用在各自实际优化问题中，下文将以粒子群算法为例进行阐述。

2.2 粒子群算法概述

粒子群算法（particle swarm optimization，PSO）最初是由Kennedy和Eberhart博士于1995年受人工生命研究的结果启发，在模拟鸟群觅食过程中的迁徙和群集行为时提出的一种基于群体智能的演化计算技术。

粒子群算法起源于对飞行鸟群觅食行为的研究。在鸟群捕食的时候，当有一只鸟发现不远处的食物后，它将飞向食物地点，这将导致它周围的其它鸟也沿着这个方向寻找食物地点，直到整个鸟群全部降落在此，找到食物。这是一种自然状态下的信息共享机制，在认知和搜寻过程中，个体会记住自身的飞行经验；同时，也向其它优秀个体学习，当它发现其它的某个个体飞行更好的时候，就会向它学习并对自身做出适当的调整，使得自己能朝着更好的方向飞行。

该算法具有并行处理、鲁棒性好等特点，能以较大概率找到问题的全局最优解，且计算效率比传统随机方法高。其最大的优势在于编程简单，易实现、收敛速度快，而且有深刻的智能背景，既适合科学研究，又适合工程应用。因此，粒子群算法一经提出，立刻引起了演化计算领域研究者的广泛关注，并在短短几年时间里涌现出大量的研究成果，该算法目前已被“国际演化计算会议”列为讨论专题之一。

粒子群算法的迭代公式如下，包括速度和位置公式：

​ 其中各参数的含义如下：

$V_i$,d：第 i 个 粒子 (d个维度) 的速度

$w$：惯性权重

$c_1$,$c_2$：学习因子，用来调控算法的局部收敛性

$r_1$,$r_2$：0-1之间均匀分布的随机数，增加种群多样性

$P_i$,d：每个粒子到目前为止所出现的最佳位置

$P_g$,d：所有粒子到目前为止所出现的最佳位置

$X_i$,d：每个粒子目前的所在位置

各参数中，惯性权重作为粒子运动速度的系数，控制着粒子飞行速度的变化；同时也具有平衡算法的全局搜索能力和局部搜索能力的作用。

从速度迭代公式可知，粒子的下一代速度与自己本代速度的惯性、个体最优解、全局最优解有关。整体体现出初期时全局搜索能力较强，后期局部搜索能力较强的特点。

2.3 粒子群算法的优缺点

粒子群算法具有以下优缺点：

优点：收敛速度快、设置参数少、实现简单。

缺点：易陷入局部最优解、后期收敛速度缓慢。

2.4 粒子群算法在机器人路径规划上的应用

水面无人艇（USV，Unmanned Surface Vehicle）属于自主式海洋运载器，其优势是在不适合载人船艇或者危险情况下执行任务。无人艇具有智能化、模块化、体积小、无人、高速、机动灵活、适应各种气候环境、性价比高等优势，不难看出海面无人艇将在海洋的探索和开发利用中，以及在未来可能的海上冲突等军事的应用中起到不可忽视的作用。

在水面无人艇的研究和应用课题中，智能化将是其发展的一个重要方向。

在《水面无人艇局部危险避障算法研究》[2]中，作者引入了启发式知识对粒子群路径规划算法的路径进行初始化，使得初始化生成的路径上下颠簸幅度减少，同时可保证粒子群随机分布在较为合理的搜索空间中；并对最终产生的路径进行路径平滑优化处理，有效缩短了解算最优解的耗时，减少了航行转向点数，得到更优的路径解，提高了算法的可行性和有效性。

3 受生物体结构、组织启发仿生算法

3.1 受生物体结构、组织启发仿生算法概述

每种生物都是由细胞组成，这些细胞通过不同的排列组合形成了各种生物体结构与组织，并让生物能够实现各种不可思议的功能。针对生物体结构与组织的特性，学者们提出了众多受生物体结构与组织启发的智能方式算法，如人工神经网络算法、人工免疫系统算法以及DNA计算算法等等。通过算法模拟生物体结构与组织，能够有效应用在各自实际优化问题中，下文将以人工神经网络算法为例进行阐述。

3.2 人工神经网络算法概述

人工神经网络算法（artificial neural network，ANN）主要原理是模拟人脑的生物神经系统，网络由大量具有非线性映射能力的神经元组成，神经元之间通过权重系数相连接，可以进行大规模的信息处理[3]。

下图中展示的便是人工神经网络的输入层、隐含层和输出层，以及神经元之间的权重系数连接关系。

通过这样的神经网络结构，再结合相应训练算法与激活函数，使得人工神经网络可以进行大规模的信息处理，能解决众多传统算法所无法解决的动态问题。

3.3 人工神经网络算法的优缺点

人工神经网络算法具有以下优缺点：

优点：具有较强的非线性映射能力、具有自学习与自适应能力。

缺点：训练时间长、易陷入局部极小值、收敛速度慢。

3.4 人工神经网络算法在机器人路径规划上的应用

在《基于模糊神经网络算法的机器人路径规划研究》[4]中，便融合了神经网络的并行处理与自学习能力以及模糊理论的模糊推理功能应用在机器人路径规划上。

无人机的飞行路线规划一直被认为是一项至关重要的任务。本文主要利用了人工神经网络的快速拟合特性以及遗传算法的全局收敛优势，提出了一种基于遗传算法和人工神经网络相结合的无人机避障路径规划的新方法。

融合了神经网络的并行处理与自学习能力以及模糊理论的模糊推理功能，在模糊理论和神经网络的基础上提出了模糊神经网络，使得各自的优点被充分利用在机器人路径规划上。

4 受生物进化启发仿生算法

4.1 受生物进化启发仿生算法概述

在生物学中，进化是指种群里的遗传性状在世代之间的变化。自然选择使得有利于生存和繁殖的遗传特性变得更加普遍，而有害特性变得越来越少。受到这些复杂的生命进化过程的启发，学者们提出了一些进化算法，如遗传算法，差分计划算法、入侵杂草算法和生物地理学优化算法等。通过算法模拟生物进化形式，能够有效应用在各自实际优化问题中，下文将以遗传算法为例进行阐述。

4.2 遗传算法概述

遗传算法（genetic algorithms，GA）是 Holland 教授在20世纪70年代初期提出来的，基于“适者生存”的一种高度并行、随机、自组织和自适应的仿生优化算法。遗传算法的主要原理是：以生物进化论和遗传变异论为基础，通过模仿自然界生物进化机制达到全局搜索和寻优的目的[5]。

遗传算法主要通过下述三个步骤进行算法优化[6]：

1. 选择（selection）

选择操作是从前代种群中选择多对较优个体，一对较优个体称之为一对父母，让父母们将它们的基因传递到下一代，直到下一代个体数量达到种群数量上限。

2. 交叉（crossover）

两个待交叉的不同的染色体(父母)根据交叉概率按某种方式交换其部分基因。

3. 变异（mutation）

染色体按照变异概率进行染色体的变异。

4.3 遗传算法的优缺点

遗传算法具有以下优缺点：

优点：具有全局寻优能力与内在并行性。

缺点：收敛速度慢且易陷入局部最优。

遗传算法在机器人路径规划上的应用

针对具有多个优化目标的机器人全局路径规划问题，《多目标遗传算法在机器人路径规划中的应用》[7]提出一种改进的多目标优化遗传算法。在初始群体的生成，采用把随机法和基于问题先验知识的启发式方法相结合的策略，以加快收敛速度;在遗传算子的设计中，引入删除、修复和平滑算子，以提高算法的搜索效率；在选择算子中，加入避免外部存储器中出现相同个体的机制，以防止早熟收敛。仿真结果表明：该文算法运行一次能够有效地产生一组近似Pareto最优路径解。

5 总结

智能仿生算法在路径规划的优化效果对比

综合上文所述，每种智能仿生算法都有自身的优缺点，本文综合智能仿生算法的三大类别，列出下表所述各经典智能仿生算法的优缺点。

表 5-1 仿生算法在路径规划的优化效果对比

智能仿生算法在路径规划的未来发展

基于各智能仿生算法的优缺点分析，可以见得大部分智能仿生算法虽然具有一定成效，但依旧存在一定问题，本文针对智能仿生算法在机器人路径规划上的应用，提出了下述五点发展方向供读者参考。

1) 新的智能仿生算法的应用

所谓新的智能仿生算法包含两层含义：一是新算法在新领域的应用；二是开发未提出的智能仿生算法。

2) 混合智能仿生算法的应用

根据 NFL 定理（no free lunch-最优化理论），单一的智能仿生优化算法都有其自身的优缺点，算法之间存在互补性，不存在占绝对优势的算法。

3) 在多机器人路径规划中的应用

随着移动机器人应用的场合越来越多，单机器人在有些条件下已经不能满足使用要求，这就需要在多个机器人之间进行合作和协调。

4) 在仿生机器人运动规划上的应用

目前仿生机器人多采用传统的运动规划方法，这使得仿生机器人对复杂环境的适应能力不足，无法真正模拟生物实现精确的定位和灵活的运动。

5) 在高维复杂环境下的路径优化应用

人类迫切需要机器人在高维复杂环境中去完成更具有挑战性的任务，而目前大部分智能仿生算法很难适应环境和约束条件的动态变化，因此加强智能仿生算法在高维复杂环境下的路径优化应用也十分有必要。

参 考 文 献

[1]. 于振中,李强,樊启高.智能仿生算法在移动机器人路径规划中的应用综述[J].计算机应用研究,2019,36(11):3210-3219. DOI:10.19734/j.issn.1001-3695.2018.07.0483.

[2]. 宋利飞.水面无人艇路径规划及自主避障方法研究[D].湖北:武汉理工大学,2015. DOI:10.7666/d.D794355.

[3]. network [C]// Proc of the 32nd Chinese Control Conference. Xian, 2013: 3222-3226. )

[4]. Singh M K, Parhi D R. Path optimisation of a mobile robot using an artificial neural network controller [J]. International Journal of Systems Science, 2011, 42 (1): 107-120.

[5]. Flexible Muscle-Based Locomotion for Bipedal Creatures In ACM Transactions on Graphics, Vol. 32, Nr. 6 (Proc. of SIGGRAPH Asia 2013)

[6]. Wolpert D H, William G M. No free Launch theorems for optimization [J]. IEEE Trans on Evolutionary Computation, 1997, 1 (1): 67-82.

on for Bipedal Creatures In ACM Transactions on Graphics, Vol. 32, Nr. 6 (Proc. of SIGGRAPH Asia 2013)

[6]. Wolpert D H, William G M. No free Launch theorems for optimization [J]. IEEE Trans on Evolutionary Computation, 1997, 1 (1): 67-82.

[7]. 申晓宁,郭毓,陈庆伟,等.多目标遗传算法在机器人路径规划中的应用[J].南京理工大学学报(自然科学版),2006,(06):659-663.