ГЕНЕТИЧЕСКИЙ АЛГОРИТМ ПЛАНИРОВАНИЯ ТРАЕКТОРИИ ДВИЖЕНИЯ ГРУППЫ МОБИЛЬНЫХ РОБОТОВ ПРИ НАЛИЧИИ СТАЦИОНАРНЫХ И ПОДВИЖНЫХ ПРЕПЯТСТВИЙ
Аннотация
Рассматривается метод планирования траектории движения группы мобильных роботов, обеспечивающий безопасное перемещение и исключающий возможность столкновений как между самими роботами, так и с внешними препятствиями, включая движущиеся объекты. Разрабо- танная математическая модель учитывает три основных сценария возможных столкновений: пересечение траекторий роботов внутри группы, взаимодействие со стационарными препятст- виями и вероятность столкновения с подвижными объектами. Каждый из этих сценариев де- тально анализируется для обеспечения максимальной безопасности движения, а их учет позволя- ет эффективно адаптировать маршруты роботов к изменяющимся условиям среды. Траектория движения каждого робота представляется в виде ломаной линии с промежуточными точками, которые оптимизируются для обеспечения безопасности движения. Особое внимание уделяется адаптации скорости на различных участках траектории: робот может изменять скорость в зависимости от текущих условий, чтобы минимизировать риск столкновений. Для оценки рас- стояний между объектами используется евклидова норма, позволяющая рассчитывать мини- мальные расстояния между центрами сферических представлений роботов и препятствий. Зада- ча решается в два этапа. На первом этапе строится траектория для первого робота с учетом начальных условий и расположения препятствий. На втором этапе формируются траектории для остальных роботов с учетом уже спланированных маршрутов. Для оптимизации координат промежуточных точек и скоростей применяется генетический алгоритм, который минимизиру- ет время перемещения и обеспечивает безопасность движения. Генетический алгоритм использу- ет операторы скрещивания и мутации для создания разнообразных решений, а также выполняет проверку на соответствие условиям безопасности. Численное моделирование проведено на языке Python с использованием библиотеки Matplotlib для визуализации результатов. В ходе эксперимен- тов было выполнено 50 тестов с различным количеством препятствий (от 5 до 10). Анализ ре- зультатов показал, что с увеличением числа препятствий возрастает как время расчета, так и качество сформированных траекторий. Это подтверждает эффективность предложенного метода для управления группами мобильных роботов в динамически меняющейся среде
Список литературы
1. Pertzovsky A., Zivan R., Agmon N. Collision Avoiding Max-Sum for Mobile Sensor Teams, Journal of
Artificial Intelligence Research, 2024, Vol. 79, pp. 1281-1311.
2. Wang S., Hu X., Xiao J., Chen T. Repulsion-Oriented Reciprocal Collision Avoidance for Multiple
Mobile Robots, Journal of Intelligent & Robotic Systems, 2022, Vol. 104 (1).
3. Teng Y., Feng T., Li J., Chen S., Tang X. A Dual-Layer Symmetric Multi-Robot Path Planning System
Based on an Improved Neural Network-DWA Algorithm, Symmetry, 2025, Vol. 17 (1), pp. 85.
4. Iakovlev D., Tachkov A. Probability of Collision between Autonomous Mobile Robot with an Obstacle,
Mekhatronika, Avtomatizatsiya, Upravlenie, 2021, Vol. 22 (3), pp. 125-133.
5. Zheng K. Autonomous Obstacle Avoidance and Trajectory Planning for Mobile Robot Based on Dual-
Loop Trajectory Tracking Control and Improved Artificial Potential Field Method, Actuators, 2024,
Vol. 12 (1), pp. 37.
6. AbuJabal N., Rabie T., Baziyad M., Kamel I., Almazrouei K. Path Planning Techniques for Real-Time
Multi-Robot Systems: A Systematic Review, Electronics, 2024, Vol. 13 (12), pp. 2239.
7. Qiu H., Yu W., Zhang G., Xia X., Yao K. Multi-robot Collaborative 3D Path Planning Based On Game Theory
and Particle Swarm Optimization Hybrid Method, The Journal of Supercomputing, 2025, Vol. 81 (3).
8. Malyshev D., Cherkasov V., Rybak L., Diveev A. Advances in Optimization and Applications,
OPTIMA 2022. Communications in Computer and Information Science, 2023, pp. 197.
9. Pisarenko A., Malyshev D., Rybak L., Cherkasov V., Skitova V. Application of evolutionary PSO algorithms
to the problem of optimization of 6-6 UPU mobility platform geometric parameters, Procedia
Computer Science, 2022, Vol. 213 (4), pp. 643-650.
10. Ren Y., Friderikos V. Path Planning Optimization Based Interference Awareness for Mobile Robots in
mmWave Multi Cell Networks, IEEE Transactions on Vehicular Technology, 2024, Vol. PP (99), pp. 1-12.
11. Sahoo S. K., Choudhury B. A review of methodologies for path planning and optimization of mobile
robots, Journal of Process Management and New Technologies, 2023, Vol. 11 (1-2), pp. 34-52.
12. Nasti S., Najar Z., Chishti M.A. A Comprehensive Review of Path Planning Techniques for Mobile
Robot Navigation in Known and Unknown Environments, International Journal of Computational
and Experimental Science and Engineering, 2024, Vol. 11 (1).
13. Yang L., Li P., Qian S. [et al.]. Path Planning Technique for Mobile Robots: A Review, Machines,
2023, Vol. 11 (10), pp. 980.
14. Chen J. Algorithmic Implementation and Optimisation of Path Planning, Applied and Computational
Engineering, 2024, Vol. 33 (1), pp. 176-184.
15. Khan N., Butt Y., Bhatti A. Constraint-Oriented Formation Control of Multi-Robot System in Leaderless
Consensus under Confined Conditions, Systems Science & Control Engineering, 2024, Vol. 12 (1).
16. Hamdan N., Medvedev M., Pshikhopov V. Method of motion path planning based on a deep neural
network with vector input, Мechatronics, utomation, Control, 2024, Vol. 25 (11), pp. 559-567.
17. Diveev A., Sofronova E., Konyrbaev N., Ibadulla S. System Synthesis for Motion along the Trajectory
by Evolutionary Machine Learning Control, Engineered Science, 2024, Vol. 29, pp. 1130.
18. Diveev A., Sofronova E., Konyrbaev N., Abdullayev O. Advanced Model with a Trajectory Tracking
Stabilisation System and Feasible Solution of the Optimal Control Problem, Mathematics, 2024,
Vol. 25 (11), pp. 3193.
19. Lv Y. Research on Path Planning of Mobile Robots Based on A* and B* Algorithms, Highlights in
Science, Engineering and Technology, 2024, Vol. 120, pp. 392-397.
20. Luo D., Huang X., Huang Y., Miao M., Gao X. Optimal Trajectory Planning for Wheeled Robots
(OTPWR): A Globally and Dynamically Optimal Trajectory Planning Method for Wheeled Mobile
Robots, Machines, 2024, Vol. 12 (10), pp. 668.
21. Han J., Ma C., Zou D. [et al.]. Distributed Multi-Robot SLAM Algorithm with Lightweight Communication
and Optimization, Electronics, 2024, Vol. 13 (20), pp. 4129.
22. Zhang X., Zheng H. Research On Trajectory Planning Methods of Mobile Robots Based on SLAM
Technology, Highlights in Science, Engineering and Technology, 2024, Vol. 111, pp. 116-125.
