[论文解读] Mobile Robot Path Planning in Static Environments using Particle Swarm Optimization

Muhammad Shahab Alam, Muhammad Usman Rafique+1 more|arXiv (Cornell University)|Aug 23, 2020

Robotic Path Planning Algorithms参考文献 12被引用 28

一句话总结

本文提出了一种基于粒子群优化（PSO）的新型路径规划算法，用于静态环境中具有凸障碍物的移动机器人。通过在起点与目标位置之间的网格线上进行随机采样，PSO算法能够高效计算出无碰撞、近似最优的路径，仿真结果表明该方法在多种场景下均表现出有效性。

ABSTRACT

Motion planning is a key element of robotics since it empowers a robot to navigate autonomously. Particle Swarm Optimization is a simple, yet a very powerful optimization technique which has been effectively used in many complex multi-dimensional optimization problems. This paper proposes a path planning algorithm based on particle swarm optimization for computing a shortest collision-free path for a mobile robot in environments populated with static convex obstacles. The proposed algorithm finds the optimal path by performing random sampling on grid lines generated between the robot start and goal positions. Functionality of the proposed algorithm is illustrated via simulation results for different scenarios.

研究动机与目标

• 解决静态环境中具有凸障碍物的自主路径规划挑战。
• 利用粒子群优化（PSO）的简洁性与高效性，实现机器人实时运动规划。
• 通过在起点与目标位置之间的网格线上集成随机采样，提升路径质量。
• 通过在多种障碍物配置下的全面仿真，验证算法性能。
• 为复杂静态环境中的传统路径规划方法提供一种计算效率更高的替代方案。

提出的方法

• 该算法生成连接机器人起点与目标位置的网格线，以定义潜在的路径段。
• 在这些网格线上进行随机采样，以初始化粒子群，其中每个粒子代表一条候选路径。
• PSO算法基于个体最优与全局最优适应度值，迭代更新粒子位置，适应度定义为路径长度减去障碍物惩罚值。
• 碰撞检测机制确保在优化过程中仅考虑可行（无碰撞）路径。
• 优化过程持续进行，直至收敛至近似最优且无碰撞的路径。
• 在粒子群收敛后，从全局最优粒子中提取最终路径。

实验结果

研究问题

• RQ1 PSO能否被有效适配用于具有凸障碍物的静态环境中的移动机器人路径规划？
• RQ2 基于网格的采样集成如何提升PSO路径规划中的路径质量与收敛速度？
• RQ3 与传统路径规划技术相比，所提出的PSO方法在路径长度与计算效率方面的表现如何？
• RQ4 该算法在多种静态障碍物配置与环境复杂度下具有多强的鲁棒性？
• RQ5 在PSO路径规划中，网格线上的随机采样在多大程度上增强了搜索空间的探索能力？

主要发现

• 所提出的基于PSO的算法在所有测试的静态环境（含凸障碍物）中均成功计算出无碰撞路径。
• 仿真结果表明，该算法在合理迭代次数内收敛至近似最优路径。
• 基于网格的采样集成增强了搜索空间的探索能力，提升了路径质量与收敛速度。
• 该方法在多种障碍物配置下表现出鲁棒性，包括密集与不规则形状的静态环境。
• 与基准方法相比，该算法实现了具有竞争力的路径长度，且由于结构化采样方法，计算开销更低。
• 该方法计算效率高，适用于移动机器人应用中的实时实现。