چکیده فارسی‌:

در حوزه پژوهش طرح ریزی تحرک ، متدهای هیستریک توانسته اند در 35 سال اخیر به عنوان روشهای کلاسیکی در نظر گرفته شوند . ایده های مختلفی نیز برای غلبه بر ماهیت پیچیده این گونه مسائل NP – کامل پیشنهاد شده است . الگوریتم های بهینه کولونی مورچه ف کمتدهای هیستریکی هستند که به صورت موفقعیت آمیزی در رویارویی با این گونه مشکلات به کار رفته اند . این مقاله به تشریح ایده نوآورانه ایی برای حل مسئله طرح ریزی مسیر برای ربات های متحرک می پردازد که اساس کار آن نیز اساس متا هیستریک بهینه سازی کولونی مورچه ساده (SACO-MH) است . متد جدید را SACOdm نامگذاری می کنیم که در آن d نشان دهنده فاصله و m نیز نشان دهنده حافظه است . در SACOdm ، پروسه اختاذ تصمیم تحت تاثیر فاصله موجود میان گروه های هدف و منبع قرار دارد . علاوه بر آن مورچه ها می توانند گره های ملاقات شده را نیز به خاطر بسپارند . ویژگی های جدیدی که به این روش اضافه شده اند باعث افزایش 10 برابری سرعت روش در اکثر حالت ها شده است . انتخاب مسیر بهینه نیز براساس معیار سیستم استباط فازی است که با استفاده از الگوریتم تنظیم ساده ، تنظیم شده است . برنامه طرح ریز مسیر دارای دو مد عملیاتی است : مد اول برای محیط های مجازی و مد دوم نیز برای کار با یک ربات متحرک واقعی و استفاده از ارتباطات بی سیم است . هر دو مد عملیاتی مذکور برای اجتناب از موانع دینامیکی و ایستا به عنوان طرح ریزهای عمومی محسوب می شوند.

چکیده انگلیسی:

In the Motion Planning research field, heuristic methods have demonstrated to outperform classical approaches gaining popularity in the last 35 years. Several ideas have been proposed to overcome the complex nature of this NP-Complete problem. Ant Colony Optimization algorithms are heuristic methods that have been successfully used to deal with this kind of problems. This paper presents a novel proposal to solve the problem of path planning for mobile robots based on Simple Ant Colony Optimization Meta-Heuristic (SACO-MH). The new method was named SACOdm, where d stands for distance and m for memory. In SACOdm, the decision making process is influenced by the existing distance between the source and target nodes; moreover the ants can remember the visited nodes. The new added features give a speed up around 10 in many cases. The selection of the optimal path relies in the criterion of a Fuzzy Inference System, which is adjusted using a Simple Tuning Algorithm. The path planner application has two operating modes, one is for virtual environments, and the second one works with a real mobile robot using wireless communication. Both operating modes are global planners for plain terrain and support static and dynamic obstacle avoidance.