MACO^*算法在多机器人动态路径规划中的应用

摘要

针对多机器人路径规划中的路径冲突和动态避障问题，提出一种改进的蚁群算法（multi-agent ant colony optimization star, MACO^*）。在分布式多机器人系统中引入信息共享机制，以降低时间成本并提高收敛速度。为防止MACO^*在复杂环境中陷入局部最优，并缩短路径探索长度，结合RRT^*的剪枝机制去除冗余节点。为解决多机器人动态跟踪中的路径冲突和动态避障问题，结合人工势场算法（artificial potential field, APF）与灰狼优化算法（grey wolf optimizer, GWO）实现局部动态路径规划。在栅格地图上的仿真测试中，MACO^*与MGA、MAPF、A^*-DWA、APF-RRT^*及传统MACO进行了静态规划和动态规划的对比实验，结果表明：MACO^*在不同环境下的静态规划中，平均路径长度较传统MACO算法分别减少27%、28.5%,收敛时间分别缩短64%、62%;动态规划中，机器人的实际路径与静态参考路径误差较小，路径平滑性良好，具有较强的鲁棒性。

关键词

分布式多机器人 / 路径规划 / 减枝机制 / 动态避障 / 路径冲突 / MACO^*