1.一种基于栅格地图的混合路径规划方法,其特征在于,包括以下步骤:(1)根据原始栅格地图模型并使用A*搜索算法中的可搜索邻域来获得空闲栅格节点的局部障碍物势场函数;
(2)根据步骤(1)得到的局部障碍物势场函数获得代价函数,具体采用以下公式:f(n)=g(n)+μS(n)+h(n)
其中,g(n)表示使用A*搜索算法得到的从移动机器人的起始点到待搜索节点n的实际代价值,h(n)表示从待搜索栅格节点n到移动机器人的最终目标点的估计代价值,μ表示权重因子,其初始值为0;
(3)使用A*搜索算法对原始栅格地图模型进行处理,以得到所有目标栅格节点的通行代价,其中A*搜索算法中的代价函数使用的是步骤(2)中得到的代价函数;
(4)将步骤(2)中的权重因子μ依次加0.1,并重复上述步骤(2)和(3)的处理过程,直到μ的值为10为止,从而得到多次处理后所有目标栅格节点的通行代价,从得到的这些通行代价中找到最小值所对应的权重因子μ,将其对应的所有目标栅格节点相连,构成了全局通行代价最小路径;
(5)提取全局通行代价最小路径中的所有转折点作为局部目标点,使用DWA算法对这些局部目标点进行处理,将处理后的结果相连后构成一条满足全局最优的局部轨迹。
2.根据权利要求1所述的混合路径规划方法,其特征在于,局部障碍物势场函数的具体表达式如下:S(n)=k 0≤k≤m
其中,n表示栅格节点,m代表A*搜索算法中待搜索邻域的范围,即m邻域路径搜索,k表示可搜索邻域内存在被障碍物占据的栅格节点的个数。
3.根据权利要求1所述的混合路径规划方法,其特征在于,m的取值等于4的正整数倍,优选地等于8。
4.根据权利要求1所述的混合路径规划方法,其特征在于,步骤(5)中DWA算法中的评价函数表达式为:G(v,ω)=α·localhead(v,ω)+β·dist(v,ω)+γ·vel(v,ω)α=a·kphead(v,ω)+b
其中v表示移动机器人的移动速度,ω表示移动机器人的旋转角速度,localhead表示DWA算法中预测轨迹终点与不同局部目标点之间的方向夹角,dist表示预测轨迹上的点与障碍物之间的最小距离,vel表示预测轨迹对应的移动机器人的速度大小,α、β、γ为加权系数,β=0.9,γ=0.2,kphead表示到达局部目标点时的轨迹终点与下一个局部目标点之间的方向夹角,a,b为缩小α范围的固定参数,且有a=0.04,b=1。
5.一种基于栅格地图的混合路径规划系统,其特征在于,包括:
第一模块,用于根据原始栅格地图模型并使用A*搜索算法中的可搜索邻域来获得空闲栅格节点的局部障碍物势场函数;
第二模块,用于根据第一模块得到的局部障碍物势场函数获得代价函数,具体采用以下公式:f(n)=g(n)+μS(n)+h(n)
其中,g(n)表示使用A*搜索算法得到的从移动机器人的起始点到待搜索节点n的实际代价值,h(n)表示从待搜索栅格节点n到移动机器人的最终目标点的估计代价值,μ表示权重因子,其初始值为0;
第三模块,用于使用A*搜索算法对原始栅格地图模型进行处理,以得到所有目标栅格节点的通行代价,其中A*搜索算法中的代价函数使用的是步骤(2)中得到的代价函数;
第四模块,用于将第二模块中的权重因子μ依次加0.1,并重复上述第二模块和第三模块的处理过程,直到μ的值为10为止,从而得到多次处理后所有目标栅格节点的通行代价,从得到的这些通行代价中找到最小值所对应的权重因子μ,将其对应的所有目标栅格节点相连,构成了全局通行代价最小路径;
第五模块,用于提取全局通行代价最小路径中的所有转折点作为局部目标点,使用DWA算法对这些局部目标点进行处理,将处理后的结果相连后构成一条满足全局最优的局部轨迹。