论神经网络在移动机器人路径规划中的应用研究

麻小娟 张淑丽 崔岩 西北工业大学明德学院

在移动机器人路径规划中应用神经网络，机器人可以根据自己对障碍物的判断，决定行走路线，以避开障碍物，从而达到智能化移动的目的。但是由于机器人选择的路径十分繁杂，具有多重选择，因此在消耗能量较少、路径短和使用时间短的情况下，如何选择一条合适的路径，是当前计算机学者急需解决的问题。

1 神经网络在移动机器人路径规划中的算法

在移动机器人路径规划中，应用神经网络技术的算法如下：先利用栅格法建立机器人的运动空间模型，将机器人运动的位置映射到神经网络中，与每个神经元相对应，然后在神经网络中将全部的神经元激活值初始化（设为0，但目标与障碍物除外）。紧接着使用迭代计算将目标点的神经元激活值与神经元的侧连接传播连接到出发点，一旦目标激活值输送到起始点后，通过爬山法寻找机器人当前位置领域内激活值的神经元，若限定值内的神经元激活值小于实际神经元的激活值，表明机器人处在原地不动的状态，相反机器人的下一个位置是领域内具有最大激活值的神经元，一旦机器人的位置坐标与目标位置坐标重叠，表示路径规划的过程结束。

2 神经网络在移动路径规划中的应用要点

2.1 融合信息论，确定神经网络的目标解

在移动机器人路径规划的过程中，应用神经网络时，考虑到经验值的不稳定性，需要将神经网络应用过程中的神经网络作为贝叶斯网络，依据贝叶斯网络蕴藏的信息熵，通过信息论来确定神经网络的目标函数，从而确定机器人下一个位置移动的最佳路径。

2.2 融合遗传算法，确定全局最优解

在未知环境下进行机器人运动路径的规划，为了保证机器人顺利避开障碍物，还需在神经网络中融入遗传算法，确定全局最优解。例如在机器人移动的神经元中融入遗传算法，将机器人的移动环境设定成二维环境，障碍物的数量、形状以及位置随意布置，在二维空间中有基本点构成规划路径设计途径，由神经网络控制机器人运动的路径，通过有关的神经元传感器来采集未知环境的情况，将目标点与障碍信息的间距设为神经网络的输入信号，利用遗传算法进行神经网络的权值训练，以神经网络的输出信号作为机器人移动的运动作用力，实现机器人移动。

2.3 融入蚁群算法，提高路径规划的精确度

为了提升神经网络搜索的精确度与效率，在应用神经网络的同时，结合蚁群算法的路径规划方法，利用栅格法建立机器人工作环境模型，视机器人移动时的出发点为蚁巢位置，将路径规划最终的目标点视为蚁群食物源，利用蚂蚁之间相互合作的关系，找出一条避开障碍物的移动路径，缩短搜索空间。

3 基于神经网络的移动机器人路径规划的模拟实验分析

本次机器人模拟实验以Pioneer3-AT型轮式移动机器人为主要的实验平台，以C++语言为主要程序设计，通过机器人的声呐与激光等传感器、自动建立地图、Mobile Eyes软件来完成，然后以MobileSim作为移动无人地面车的仿真软件，对无人地面车和四周环境模型进行加载，通过仿真分析后获得地图图形。对于程序的编写，利用MobileSim仿真软件调试，在无人地面车的PC上模拟运行，真正反映机器人具体运动的状态。对于地区的形成，则由机器人具备的地图建立软件形成，为某一个重点实验室的环境图。在这次实际环境模拟中，集神经网络、信息论、遗传算法以及蚁群算法为一体，实现机器人路径规划，并让机器人根据路径规划的方案来运动。此外，对于Pioneer3-AT型机器人的坐标体系，全局坐标系的原点是机器人的初始位置，全局坐标的x轴与y轴分别是机器人的初始航向，在机器人运动后，全局坐标系不会发生任何改变，如果机器人运动前，就明白自己需要达到的目标，那么目标点在坐标系中不会发生改变，机器人的坐标单位为mm，经实验结果为：机器人的初始航线是右方，1次运动的目标位置为（3000，-7000），2次运动目标位置为（-2000，-8000），表明机器人可根据规划的路径从初始位置顺利达到既定地点。可见在移动机器人路径规划中，应用神经网络具有较强的实用性。

4 结束语

综上所述，在移动机器人路径规划中有效应用神经网络，有利于提高路径规划的精确度。但要想保证机器人移动路径达到既定目标，还需融合信息论、遗传算法和蚁群算法来确定神经网络的目标解、全局最优解。

[1]徐兆辉.移动机器人路径规划技术的现状与发展[J].科技创新与应用,2016(3):43-43.

[2]高涵,高柏军.移动机器人路径规划方法研究[J].现代仪器与医疗,2015,30(5):14-17.

[3]陈鸿旭.基于人工神经网络的移动机器人路径规划研究[J].电子技术与软件工程,2014(10):200-200.