مسيريابي ربات با استفاده از الگوريتم انتخاب كلونال

Robot Path Planning using Clonal Selection Algorithm

مسيريابي ربات يكي از موضوعات مهم در مبحث رباتيك سيار است. هدف، پيداكردن يك مسير پيوسته از يك موقعيت اوليه به يك مقصد نهايي است به طوري كه عاري از برخورد بوده و بهينه يا نزديك به بهينه نيز باشد. از آنجايي كه مسئله مسيريابي ربات از نوع مسايل بهينه‌سازي است، مي‌توان از الگوريتم‌هاي تكاملي براي حل اين مسئله استفاده نمود. امروزه الگوريتم انتخاب كلونال به علت داشتن ويژگي‌هاي محاسباتي ارزنده به دفعات براي حل مسايل مورد استفاده قرار گرفته است، اما در زمينه استفاده از اين روش براي حل مسئله مسيريابي ربات تلاش‌هاي بسيار كمي انجام شده است. اندك تلاش‌هاي انجام‌گرفته نيز در واقع نوعي الگوريتم ژنتيك بهبوديافته مي‌باشند. در اين پژوهش با بهره‌گيري از تمام ويژگي‌هاي الگوريتم كلونال روشي كارا براي مسيريابي ربات در حضور موانع طراحي شده است. روش ارائه‌شده در محيط‌هاي متنوع و با اجراهاي مختلف از نظر معيارهاي طول مسير پيشنهادي و تعداد نسل‌هاي لازم براي توليد مسير مورد ارزيابي قرار مي‌گيرد. بر اساس نتايج حاصل از آزمايش‌هاي متعدد، روش ارائه‌شده عملكرد بهتري نسبت به الگوريتم ژنتيك در تمامي محيط‌ها و همه پارامترهاي ارزيابي از خود نشان مي‌دهد. به‌خصوص با افزايش تعداد رئوس موانع و نيز موانع مقعر، روش پيشنهادي عملكرد بسيار بهينه‌تري در مقايسه با الگوريتم ژنتيك از خود نشان مي‌دهد. همچنين مقايسه عملكرد روش پيشنهادي با الگوريتم تركيبي جغرافياي زيستي-ازدحام ذرات بيانگر برتري الگوريتم مسيريابي مبتني بر انتخاب كلونال هست.

Path planning of mobile robot is one of the most important topics in mobile robotic discussion. The aim of this study is to find a continuous path from an initial position to the final target; So that, it should be free of collision and optimal or near to optimal. Since path planning problem of robot is one type of optimization problems, the evolutionary algorithms can be used to solve this problem. Nowadays, clonal selection algorithm is frequently used to solve the problems because of having valuable computational characteristics. But very little attempts have been done in the field of using this method to solve robot path planning problem. Few accomplished attempts are actually a kind of improved genetic algorithm. In this research, an efficient method for robot path planning in the presence of obstacles is designed using all the features of the clonal selection algorithm. The proposed method is evaluated in various environments with different runs in terms of the proposed path length criteria and the number of generations needed to generate the path. Based on the results of experiments, the proposed method shows better performance than the genetic algorithm in all environments and all the evaluation parameters. Especially, by increasing the number of obstacles vertices and also concave obstacles, the proposed method shows much more efficient performance than the genetic algorithm. Also, comparing the performance of the proposed method with the BPSO algorithm (presented in another study) indicates the superiority of path planning algorithm based on the clonal selection.