本发明属于机器人路径规划，具体涉及一种基于改进a*和改进dwa融合的路径规划方法。
背景技术：
1、移动机器人是一种自动执行工作的装置，能够代替人在危险或恶劣环境下进行作业，具有较大的机动性和灵活性，因此被广泛应用到日常生活或工业生产中。移动机器人路径规划是指在任务环境下规划一条从起点到终点的、能够躲避各类障碍物的最优路径，它能够提高移动效率、确保安全性，优化资源利用，并使机器人能够应对各种复杂环境。这些优势使得移动机器人能够更加高效、智能地完成各种任务，对于现代工业、物流、服务等领域具有重要的应用价值。
2、而现有的机器人的路径规划采用全局、局部分别采用不同的算法来让机器人适应复杂的环境，从而优化机器人的行走路径。在全局路径规划算法中，a*算法是一种有效且灵活的路径查找和图形遍历算法，其主要通过节点状态检测和简单的估值功能，来快速实现在已知环境下移动机器人最短的无碰撞全局路径规划，但是该算法存在拐点数量较多，忽略了机器人的运动约束，不能保证轨迹曲率连续，导致移动机器人运动参量在拐点处发生跳变，以及算法搜索时间较长等问题，而现有的dwa算法应用于局部路径规划时容易陷入局部最优解中，难以找到全局最优路径。
3、因此，如何高效地将全局和局部路径规划算法两者的优势结合是当前移动机器人路径规划中是亟需解决的问题。
技术实现思路
1、本发明的目的是克服现有技术中存在的转折点较多、算法搜索时间较长、不具有动态避障能力的缺陷，提供了一种路径转折点较少、有效提高规划路径效率和安全性的基于改进a*和改进dwa融合的路径规划方法。
2、本发明解决其技术问题所采用的技术方案是：
3、一种基于改进a*和改进dwa融合的路径规划方法，包括以下步骤：
4、s1.栅格地图初始化设置；
5、s2.在所述栅格地图上设置起点、终点以及障碍物位置；
6、s3.采用改进a*算法双向搜索进行全局路径规划；即采用改进的a*算法对起点和终点进行正向、反向交替搜索，均以相对的当前节点为目标点搜索连线，双向的最终目标点在中间区域内相遇；
7、s4.对全局路径进行路径冗余节点删除；即对步骤s3规划的全局路径上的节点采用递进式裂变判断冗余节点；
8、s5.构建两层级融合算法；即采用步骤s4删除冗余节点后的全局路线中的关键转折节点为局部目标指引点，通过改进的dwa算法进行局部路径规划；
9、s6.局部目标指引点判断；即判断局部目标指引点是否是步骤s3中的全局规划最终目标点，若是，则进行步骤s7；若否，则返回步骤s5；
10、s7.融合路径规划完成。
11、具体地，所述改进的a*算法采用动态加权；所述改进a*算法的改进启发函数公式为：
12、
13、其中，g1(s1)为正向当前节点的实际代价值，h1(s1)为正向当前节点的预估代价值，g2(s2)为反向当前节点的实际代价值，h2(s2)为反向当前节点的预估代价值。
14、所述改进a*算法的预估代价值计算公式为：
15、
16、其中，xe，ye分别是当前节点在栅格地图上x和y方向上的值；xn，yn分别是目标点在栅格地图上x和y方向上的值。
17、具体地，所述采用递进式裂变判断冗余节点包括以下步骤：
18、a1.设定距障碍物限制距离d，即将机器人半径设定为机器人距离障碍物的限制距离；
19、a2.对步骤s3中规划的全局路径上的节点按起点至终点依次设定编号pk，{pk|k＝1,2…,n}；
20、a3.对节点进行间隔递进连线，判断连线中间区域内的节点是否为冗余节点；若是，则删除冗余节点，递进连线下一个节点；若否，则返回至上一个节点，以上一个节点为新起点进行间隔递进连线，直到路径中没有冗余节；
21、a4.更新路径。
22、具体地，步骤a3中，判断障碍物到节点连线的距离l与步骤a1中设定的碍物限制距离d的大小，若l＞d，则判定该节点的前一节点为冗余节点。
23、具体地，步骤s4中改进的dwa算法包括采用机器人运动模型进行机器人的轨迹模拟，根据机器人模拟行驶过程中的线速度和加速度得出n组预测路径，最后通过评价函数确定实际行驶路径；其中，
24、在速度采样空间中，所有可能的组合所生成的模拟轨迹的个数为n，计算公式为：
25、
26、式中，ev为线速度的分辨率，ew为角速度的分辨率，vmin为机器人的最小线速度，vmax为机器人的最大线速度，ωmin为机器人的最小角速度，ωmax为机器人的最大角速度。
27、具体地，所述改进的dwa算法的轨迹评价函数为：
28、g(v,w)＝αheαdgai(v,w)+βvelocity(v,w)+γdist(v,w)；
29、式中，α是方向角评价系数，β是速度评价系数，γ是障碍物距离评价系数，heαdgai(v,w)为机器人当前方向角评价函数，velocity(v,w)为机器人当前速度评价函数，dist(v,w)为模拟轨迹末端距离障碍物最近距离的评价函数；
30、其中，所述方向角评价函数公式为：
31、heαdgai(v,w)＝(θgoal+θnext)/2-θv；
32、式中，θgoal为从模拟轨迹末端的位置到当前局部目标位置的方向角，θv为由速度向量v和角速度w确定的模拟轨迹末端的角度，θnext是机器人下一个局部目标指引点和当前局部目标点形成的方向角，(θgoal+θnext)/2为机器人的期望方向角。
33、具体地，所述运动模型进行轨迹模拟计算包括：
34、两轮差速移动机器人运动学模型如下式：
35、
36、式中，vt为机器人在世界坐标系下的平移速度，wt为机器人在世界坐标系下的角速度，xt、yt、θt为t时刻机器人在世界坐标系下的位姿，xt+1、yt+1、θt+1为t+1时刻机器人在世界坐标系下的位姿，δt为机器人的编码器采样周期。
37、具体地，所述机器人模拟行驶过程中的线速度和加速度包括机器人运动最大速度约束、电机的最大加速度约束以及移动机器人安全距离约束；
38、所述机器人运动最大速度约束：
39、vm＝{(v,ω)|vmin≤v≤vmax，ωmin≤ω≤ωmax}；
40、式中，vmin为机器人的最小线速度，vmax为机器人的最大线速度，ωmin为机器人的最小角速度，ωmax为机器人的最大角速度；
41、所述电机的最大加速度约束：假设机器人当前速度为(vc,wc)，在一个有限的时间周期δt，机器人的速度范围应为：
42、
43、式中，vc为机器人当前时刻线速度，wc为机器人当前时刻的角速度，admax为机器人最大减速度，αimax为机器人最大加速度，βdmax为机器人的最大角减速度，βimax为机器人的最大角加速度；
44、所述移动机器人安全距离约束：当机器人检测到障碍物时，留有用于刹车减速的刹车距离，其约束为：
45、
46、式中，dist(v,w)为模拟轨迹末端距离障碍物的最近距离。
47、所以在速度采样空间中，线速度和角速度的取值范围为：
48、v＝{(v,ω)|vm∩vd∩vsaft}；
49、具体地，步骤s5中的所述关键转折节点包括步骤s4中删除冗余节点后的全部全局规划节点。
50、本发明的一种基于改进a*和改进dwa融合的路径规划方法的有益效果是：
51、本发明的路径规划方法在全局路径层次对传统a*算法进行了改进，使用双向a*搜索法，引入环境信息以实现启发函数系数自适应调整，对路径中冗余节点进行删除改进。以全局路径中的关键点作为dwa算法的目标引导点，在全局最优的基础上实现改进a*与dwa算法融合。采用本发明的改进a*算法有较好的实时性，路径更短，拐点数量最少，路径平滑性更好，便于机器人执行路径轨迹到达目标点。在改进的a*全局路径层融合改进的dwa算法进行局部路径规划，融合后的方法能够在全局最优路线下，实现移动机器人在动静态障碍物环境下的有效避障和导航，当环境发生变化时具有较好的鲁棒性。
1.一种基于改进a*和改进dwa融合的路径规划方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进a*和改进dwa融合的路径规划方法，其特征在于：步骤s3中所述改进的a*算法采用动态加权；所述改进a*算法的改进启发函数公式为：
3.根据权利要求2所述的一种基于改进a*和改进dwa融合的路径规划方法，其特征在于：所述改进a*算法的预估代价值计算公式为：
4.根据权利要求1所述的一种基于改进a*和改进dwa融合的路径规划方法，其特征在于：所述采用递进式裂变判断冗余节点包括以下步骤：
5.根据权利要求4所述的一种基于改进a*和改进dwa融合的路径规划方法，其特征在于：步骤a3中，判断障碍物到节点连线的距离l与步骤a1中设定的碍物限制距离d的大小，若l＞d，则判定该节点的前一节点为冗余节点。
6.根据权利要求1所述的一种基于改进a*和改进dwa融合的路径规划方法，其特征在于：步骤s4中改进的dwa算法包括采用机器人运动模型进行机器人的轨迹模拟，根据机器人模拟行驶过程中的线速度和加速度得出n组预测路径，最后通过评价函数确定实际行驶路径；其中，
7.根据权利要求6所述的一种基于改进a*和改进dwa融合的路径规划方法，其特征在于，所述改进的dwa算法的轨迹评价函数为：
8.根据权利要求6所述的一种基于改进a*和改进dwa融合的路径规划方法，其特征在于，所述运动模型进行轨迹模拟计算包括：
9.根据权利要求7所述的一种基于改进a*和改进dwa融合的路径规划方法，其特征在于，所述机器人模拟行驶过程中的线速度v和角速度ω包括机器人运动最大速度约束、电机的最大加速度约束以及移动机器人安全距离约束；
10.根据权利要求1-9任一项所述的一种基于改进a*和改进dwa融合的路径规划方法，其特征在于：步骤s5中的所述关键转折节点包括步骤s4中删除冗余节点后的全部全局规划节点。
