陈 勇，范平清，袁 涛

(上海工程技术大学 机械与汽车工程学院，上海 201620)

在移动机器人领域，自引导小车（Automated Guided Vehicle,AGV）的路径规划[1]问题是一个十分重要的研究方向，路径规划是指在两节点之间规划出一条综合指数最优的路径.由于机器人在各个领域的应用越来越广泛，机器人逐渐被应用在野外等路况较差的场景中[2]，路径的平缓度决定了机器人在寻路过程中是否会造成侧翻，这一指标成了路径规划中必须考虑的重要因素[3-5].现在的算法通常只考虑了路径是否最优，如经典的Dijkstra 算法[6]、人工势场法[7]、A-star 算法[8]、RRT 算法[9]以及智能遗传算法[10]、粒子群算法[11]等.

蚁群算法[12]在20 世纪90 年代末被提出，因算法相对简单，应用范围较广.但蚁群算法易出现局部最优，对目标点的可见度较低.文献[13]提出改进势场蚁群算法，利用人工势场法中的势场力构造出新的启发函数，减少了搜索的盲目性，提高了对终点的可见度，但算法缺乏全局搜索能力.文献[14]利用人工势场构造启发函数，借鉴了最大最小蚂蚁系统限制信息素范围以避免陷入局部最优，并在势场蚁群算法中引入三次B 样条曲线优化了路径，使得路径更加平滑.随后，文献[15]改进了势场蚁群算法，引入启发信息递减系数避免算法的局部最优问题，提出了自适应调节信息素挥发系数，提高了势场蚁群算法的全局搜索能力，避免出现停滞现象.文献[16]针对势场蚁群算法路径转折点较多的问题，提出了基于势场跳点的蚁群……