多机器人路径规划问题(Multi-robot Path Planning)不仅是机器人导航领域的核心内容,还是机器人研究领域的重点、难点问题。复杂环境下的多移动机器人路径规划问题是指,在同时存在静态和动态障碍物的工作空间中,为每台机器人都规划出一条从起点到目标点的系统要求的最优路径,同时还要保证机器人与障碍物之间、机器人与机器人之间不发生碰撞。至今,大部分工作主要着眼于环境信息已知且不存在动态障碍物环境下的全局路径规划问题,也有部分研究针对的是二维动态环境,而针对三维动态环境的多移动机器人路径规划问题的研究还相对较少。由此,本文着眼于三维复杂环境,针对多机器人协同路径规划问题展开研究,对于标准粒子群算法(Particle Swarm Optimization,PSO)在路径规划中存在的不足,做出改进;对于机器人与障碍物之间,机器人与机器人之间碰撞问题,提出了有效的碰撞预测与碰撞避免策略,从而为多机器人系统的路径规划问题的研究提出了有效解决方法。研究过程中充分利用了粒子群优化算法求解速度快、寻优能力强的优点,并结合当今多核CPU的多进程并行计算技术,进一步提高路径规划算法的求解速率。此外,在对实时性要求较强的复杂环境,还引入了基于滚动窗口的实时局部路径规划策略。论文以“环境建模-算法改进-二维规划-三维规划”的顺序为主线,按照“先理论再应用,先静态后动态”的逻辑层层深入地展开研究,主要的研究内容和成果包括以下几个方面:首先,针对标准PSO解决路径规划问题存在的缺乏粒子多样性、求解速度慢、易陷入局部最优等不足,提出了一种基于社会行为的改进粒子群算法。为了保留粒子群算法原有性能的优点,本文首先分析了标准PSO的优化机理,并研究了算法中各个参数的功能与作用。然后以路径规划为应用背景,指出标准PSO在解决该问题时存在的缺陷,并提出了基于社会行为的改进粒子群算法。该算法引入了名为“最坏粒子”的概念,从而有效克服了标准算法因只参考最优粒子信息而导致算法过快收敛,容易陷入局部最优的问题,并给出了相应的算法执行流程图。最后,通过对比所提算法与标准PSO在优化二十种benchmark函数后的优化结果,证明了改进后算法的正确性和有效性。其次,论文研究了多机器人路径规划的环境建模与避碰策略。路径规划前,必不可少的工作就是要对机器人所处的环境进行恰当的建模,且模型与路径规划算法的匹配程度直接关系到路径质量的优劣。本文列举了路径规划中常用的环境建模的方法,讨论了这些模型的利弊。在理论层面上为后续章节的路径规划打下了基础。此外,本文还分四种情况讨论了多机器人系统的避碰问题,并详细阐述了机器人与运动方向可知、运动方向不可知的动态障碍物的碰撞预测策略和碰撞避免策略的情况和机器人与其他机器人协调碰撞预测和协调碰撞避免策略,从而为后文二维、三维环境中路径规划时的直接应用做好了铺垫。再次,将所提的粒子群路径规划算法应用于二维、三维的实时动态环境。三维环境较二维环境复杂的多,进而采用的不同的环境模型。对于二维环境,为了提高路径规划速度,本文采用平行线分割法进行环境建模,而三维环境,则采用近似二维栅格分解的方法,栅格中的每个元素代表所在地形的高程值。然后利用改进后的粒子群算法,并结合多进程并行计算技术进行全局路径规划得到各台机器人全局参考路径。为了更加适应所改进的粒子群优化算法,考虑到多机器人路径规划问题的特殊性,本文还先后针对二维、三维环境提出了各自不同的适应值优化函数。在机器人运行过程中,启动滚动窗口优化程序,在窗口内实施前文中提到的碰撞预测与避免策略,从而保证各台机器人实时无碰地运动到各自的目标点。最后,在基于MATLAB仿真环境下,本文分别给出了静态环境和动态环境下解决二维、三维空间中多机器人路径规划问题的仿真结果,并与标准粒子群优化算法从生成的可行路径和路径适应值曲线两个方面进行了对比,进而证明了文中所提算法的可行性,从而为复杂环境下多机器人路径规划问题的研究,提供了新的理论参考。