A Trajectory Planning using the Particle Swarm Optimization for an Autonomous Mobile Robot in an Environment with Obstacles

Abstract

In our day-to-day lives, we have difficulties functioning perfectly without the interference of robots for they have become an inseparable part of any daily aspect that we have seen for the past two decades. Most of us identify a robot as an entity or object pre-programmed by humans to accomplish a single function. Nonetheless, the researchers are putting more effort into developing an autonomous robot that can absorb knowledge from its surroundings and use it to complete given missions successfully. Like everything in existence, autonomous mobile robots too suffer from problems that lessen their efficiency and performance, the major being navigation, finding the shortest path, and avoiding obstacles. These issues have caused a setback for the evolution and progress of autonomous robots. In this thesis, we addressed these problems with particle swarm optimization, a meta-heuristic bio-inspired approach. We aim to develop a robot able to navigate from a given start point to a given endpoint while avoiding obstacles both stable and especially the moving, with the path traveled being the shortest possible. The PSO functions by analyzing the search environment through consecutive attempts. Then, the location of each particle in the search environment denotes a possible solution to the optimization problem. We applied the PSO and experimented with our algorithm in multiple conditions to view its efficiency and performance.

Dans notre vie quotidienne, nous avons des difficultés à fonctionner parfaitement sans l'interférence des robots car ils sont devenus une partie inséparable de tout aspect quotidien que nous avons vu au cours des deux dernières décennies. La plupart d'entre nous identifient un robot comme une entité ou un objet préprogrammé par l'homme pour accomplir une seule fonction. Néanmoins, les chercheurs s'efforcent davantage de développer un robot autonome capable d'absorber les connaissances de son environnement et de les utiliser pour mener à bien des missions données. Comme tout ce qui existe, les robots mobiles autonomes souffrent également de problèmes qui réduisent leur efficacité et leurs performances, les principaux étant la navigation, la recherche du chemin le plus court et l'évitement des obstacles. Ces problèmes ont causé un revers pour l'évolution et le progrès des robots autonomes. Dans cette thèse, nous avons abordé ces problèmes avec l'optimisation des essaims de particules, une approche méta-heuristique bio-inspirée. Nous visons à développer un robot capable de naviguer d'un point de départ donné à un point final donné tout en évitant les obstacles à la fois stables et surtout en mouvement, avec le chemin parcouru le plus court possible. Le PSO fonctionne en analysant l'environnement de recherche à travers des tentatives consécutives. Ensuite, l'emplacement de chaque particule dans l'environnement de recherche dénote une solution possible au problème d'optimisation. Nous avons appliqué le PSO et expérimenté notre algorithme dans de multiples conditions pour voir son efficacité et ses performances. في حياتنا اليومية، نواجه صعوبات في الأداء بشكل كامل دون تدخل الروبوتات، فقد أصبحت جزءًا لا يتجزأ من أي جانب من جوانب حياتنا اليومية على مدى العقدين الماضيين. معظمنا يعرف الروبوت على أنه كيان أو جهاز مبرمج مسبقًا من الإنسان لأداء وظيفة واحدة فقط. ومع ذلك، يبذل الباحثون المزيد من الجهد لتطوير روبوت ذاتي قادر على امتصاص المعرفة من محيطه واستخدامها لإتمام المهام الموكلة إليه بنجاح. مثل كل شيء موجود، تعاني الروبوتات المتنقلة الذاتية أيضًا من مشاكل تقلل من كفاءتها وأدائها، وأهمها الملاحة، وإيجاد أقصر طريق، وتجنب العقبات. وقد تسببت هذه المشاكل في تأخير تطور وتقدم الروبوتات الذاتية. في هذا البحث، تناولنا هذه المشاكل باستخدام أسلوب تحسين سرب الجسيمات، وهو نهج ميتاهيوريستي مستوحى من الطبيعة. نحن نهدف إلى تطوير روبوت قادر على التنقل من نقطة بدء محددة إلى نقطة نهاية محددة.الوصول إلى نقطة نهاية معينة مع تجنب العقبات سواء الثابتة أو المتحركة بشكل خاص، مع جعل المسار المقطوع الأقصر ممكن. تعمل خوارزمية PSO عن طريق تحليل بيئة البحث من خلال محاولات متتالية. بعد ذلك، يرمز موقع كل جسيم في بيئة البحث إلى حل محتمل لمشكلة التحسين. قمنا بتطبيق PSO وتجريب خوارزمينا تحت ظروف متعددة لمراجعة كفاءته وأدائه.