参数化运动模型和PSO的自主车运动规划方法

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (29): 214-219.

参数化运动模型和PSO的自主车运动规划方法

王珂珂1，2，赵汗青1，吕强1

1.装甲兵工程学院控制工程系，北京 100072
2.中国人民解放军75160部队

出版日期:2012-10-11 发布日期:2012-10-22

Motion planning method of ALV based on parameterized kinematic model and PSO algorithm

WANG Keke1，2, ZHAO Hanqing1, LV Qiang1

1.Department of Control Engineering, Academy of Armored Force Engineering, Beijing 100072, China
2.Unit 75160 of PLA, China

Online:2012-10-11 Published:2012-10-22

摘要/Abstract

摘要： 自主地面车辆在障碍物环境下的运动规划问题是一个包含非完整约束条件的全局优化问题。针对该优化问题，提出了一种基于参数化运动模型和改进粒子群优化算法的运动规划方法。该方法将车辆运动模型解耦为参数化弧长-曲率模型和速度模型，并采用混沌映射方法对粒子群优化算法进行了改进，将改进的粒子群优化算法应用于弧长-曲率模型中的参数优化问题。仿真结果证明了该方法的有效性，是自主地面车辆运动规划的一种较好方法。

关键词: 自主地面车辆, 运动规划, 参数化模型, 粒子群优化

Abstract: The motion planning of an Autonomous Land Vehicle（ALV） in an obstacle environment is a nonholonomic constraint global optimization. For this optimization problem, this paper proposes an motion planning method based on parameterized kinematic model and an improved PSO algorithm. The kinematic model of ALV is divided into a parameterized arclength-curvature model and a velocity model. The PSO algorithm is improved by chaotic mapping method. The improved PSO algorithm is used in the parameter optimization of arclength-curvature model. The simulation result shows the effectiveness of the proposed method in solving the problem of ALV motion planning.

Key words: autonomous land vehicle, motion planning, parameterized model, particle swarm optimization

王珂珂1，2，赵汗青1，吕强1. 参数化运动模型和PSO的自主车运动规划方法[J]. 计算机工程与应用, 2012, 48(29): 214-219.

WANG Keke1，2, ZHAO Hanqing1, LV Qiang1. Motion planning method of ALV based on parameterized kinematic model and PSO algorithm[J]. Computer Engineering and Applications, 2012, 48(29): 214-219.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[3]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[4]	杜守信，毋涛. 双种群混合遗传算法的裁剪分床应用研究[J]. 计算机工程与应用, 2021, 57(22): 182-189.
[5]	李雷孝，邓丹，李杰，王永生. 基于粒子群优化的全比较计算数据分发策略[J]. 计算机工程与应用, 2021, 57(15): 109-117.
[6]	解迎刚，兰江雨. 协作机器人及其运动规划方法研究综述[J]. 计算机工程与应用, 2021, 57(13): 18-33.
[7]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[8]	陈秋菊，徐建国. 优化正交匹配追踪和短时谱估计用于声音识别[J]. 计算机工程与应用, 2020, 56(7): 162-169.
[9]	张水平，李殷俊，高栋，梁文. 带有动态爆炸半径的增强型烟花算法[J]. 计算机工程与应用, 2020, 56(18): 50-57.
[10]	黄建琼，郭文龙. 混合粒子群和改进细菌觅食的不平衡数据分类[J]. 计算机工程与应用, 2020, 56(10): 171-178.
[11]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[12]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.
[13]	马炫，刘栋，胡家鑫. 求解必经点k条最优路径问题的粒子群优化算法[J]. 计算机工程与应用, 2019, 55(20): 89-94.
[14]	汤深伟，贾瑞玉. 基于改进粒子群算法的[k]均值聚类算法[J]. 计算机工程与应用, 2019, 55(18): 140-145.
[15]	王燕燕1，王宏伟1，2. 基于粒子群的后件多项式RBF神经网络算法[J]. 计算机工程与应用, 2019, 55(12): 72-76.