COMPARISON OF PERFORMANCES OF METAHEURISTIC ALGORITHMS FOR AUTONOMOUS MOBILE ROBOTS IN VARIOUS PATH PLANNING PROBLEMS

Abstract

It is a difficult problem for autonomous mobile robots to plan the path from the starting point to the target point without hitting the obstacles in an environment with obstacles. For this purpose, heuristic optimization algorithms developed to find the way from the starting point to the target point and not to hit the obstacles are used. In this study, the comparison of the robot's performance in various path planning problems is discussed by using some algorithms that solve the robot's path planning problem in a certain area. For this purpose, the performances of Differential Enhancement Algorithm (DE), Particle Swarm Optimization Algorithm (PSO), Gray Wolf Optimization Algorithm (GWO) and Ant Lion (ALO) algorithms in the same and different handicapped environments were compared. In the comparison results, it is seen that these algorithms plan a suitable road route that does not hit the obstacle and the algorithms produce competitive results. When the performance results of the algorithms in the environments with the same and different shaped obstacles are examined, it is evaluated that close results are obtained. Although it is seen that increasing the number of obstacles causes a decrease in the performance of the algorithms in path planning, it is evaluated that the algorithms reach the required optimum performance in an average number of repetitions (between 5 and 10 repetitions).

Keywords

• Robot Path Planning
• Meta-heuristic Algorithms
• Autonomous Mobile Robots

OTONOM MOBİL ROBOTLAR İÇİN METASEZGİSEL ALGORİTMALARIN ÇEŞİTLİ YOL PLANLAMA PROBLEMLERİNDE PERFORMANSLARININ KARŞILAŞTIRILMASI

Abstract

Otonom mobil robotların, engellerin olduğu bir ortamda engellere çarpmadan başlangıç noktasından hedef noktaya kadar olan yolu planlaması zor bir problemdir. Bu amaçla, başlangıç noktasından hedef noktaya giden yolu bulmak ve engellere çarpmamak için geliştirilen metasezgisel optimizasyon algoritmaları kullanılmaktadır. Bu çalışmada, robotun belirli bir alanda yol planlama problemini çözen bazı algoritmalar kullanılarak robotun çeşitli yol planlama problemlerindeki performansının karşılaştırılmasına değinilmiştir. Bu amaçla Diferansiyel Geliştirme Algoritması (DE), Parçacık Sürüsü Optimizasyon Algoritması (PSO), Gri Kurt Optimizasyon Algoritması (GWO) ve Karınca Aslanı (ALO) algoritmalarının aynı ve farklı engelli ortamlardaki performansları karşılaştırılmıştır. Karşılaştırma sonuçlarında bu algoritmaların engele çarpmayan uygun bir yol güzergahı planladıkları ve algoritmaarın rekabetçi sonuçlar ürettikleri görülmektedir. Algoritmalar aynı ve farklı şekilli engellerin olduğu ortamlardaki performas sonuçları incelendiğinde yakın sonuçlar elde edildiği değerlendirilmiştir. Engellerin sayısının artırılması algoritmaların yol planlamada performans düşmesine neden olduğu görülmekle beraber ortalama bir tekrar sayısında (5 ve 10 tekrar arası) algoritmaların gerekli optimum performansa ulaştıkları değerlendirilmektedir.

Keywords

• Robot Yol Planlaması
• Metasezgisel Algoritmalar
• Otonom Mobil Robotlar

References

1. Beheshti, Z., Shamsuddin, S. M. H. (2013). A review of population-based meta-heuristic algorithm. International Journal of Advances in Soft Computing and its Applications, 5(1), 1-35.
2. Alexopoulos, C., Griffin, P. M. (1992). Path planning for a mobile robot. IEEE Trans. Syst. Man. Cybern., 22(2), 1132–1139.
3. Sariff, N., Buniyamin, N. (2006). “An overview of autonomous mobile robot path planning algorithms. 4th Student Conference on Research and Development, 183–188.
4. Hofner, C., Schmidt, G. (1995). Path planning and guidance techniques for an autonomous mobile cleaning robot. Rob. Auton. Syst., 14(2-3), 199–212.
5. Yarpiz. “Optimal Robot Path Planning using PSO”, 31 Ekim 2019, 5 Haziran 2023, http://yarpiz.com/403/ypap115-path-planning.
6. Storn, R., Price, K. (1997). Differential Evolution – A Simple and Efficient Heuristic for global Optimization over Continuous Spaces. J. Glob. Optim., 11(4), 341–359.
7. Kennedy, J., Eberhart, R. (1995). Particle swarm optimization. Proceedings of ICNN’95-International Conference on Neural Networks 4, 1942–1948.
8. Mirjalili, S., Mirjalili, S. M, Lewis, A. (2014). Grey Wolf Optimizer. Adv. Eng. Softw., 69, 46–61.

9. Mirjalili, S. The ant lion optimizer. Adv. Eng. Softw., 83, 80–98.
10. Alomari, A., Phillips, W., Aslam, N., Comeau, F. (2017). Swarm intelligence optimization techniques for obstacle-avoidance mobility-assisted localization in wireless sensor networks. IEEE, 6, 22368-22385.
11. Garip, Z. (2018). Mobil robotların yol planması için metasezgisel hibrit algoritmalar geliştirilmesi ve uygulanması, Doktora Tezi, Sakarya Üniversitesi, Fen Bilimleri Enstitüsü, Mekatronik Ana Bilim Dalı, Sakarya, 167s.
12. Price, K. V., Storn, R. M., Lampinen, J. (2005). Differential Evolution: A Practical Approach to Global Optimization (Natural Computing Series). 28.
13. Clerc, M., Kennedy, J. (2002). The particle swarm - explosion, stability, and convergence in a multidimensional complex space. IEEE Trans. Evol. Comput., 6(1), 58–73.
14. Mirjalili, S., Mirjalili, S. M., Lewis, A. (2014). Grey Wolf Optimizer. Advances in Engineering Software, 69, 46-61.
15. Geeksforgeeks. “Gray wolf optimization – introduction”, 16 Mart 2021, 10 Nisan 2023, https://www.geeksforgeeks.org/grey-wolf-optimization-introduction/.
16. Mirjalili, S. (2015). The Ant Lion Optimizer. Advances in Engineering Software, 83, 80–98.
17. Kumar, S., Kumar, A., (2018). A brief review on antlion optimization algorithm. International Conference on Advances in Computing, Communication Control and Networking (ICACCCN2018), 236-240.
18. Gürgüze, G., Türkoğlu, İ. (2019). Robot Sistemlerinde Kullanılan Algoritmalar. Türk Doğa ve Fen Dergisi, 8(1), Sayfa 17-31.
19. Beşkirli, M., Tefek, M. F. (2019). Parçacık Sürü Optimizasyon Algoritması Kullanılarak Optimum Robot Yolu Planlama. European Journal of Science and Technology, (Special Issue), 201–213.
20. Gigras, Y., Choudhary, K., Gupta, K., Vandana. (2015). A hybrid ACO-PSO technique for path planning. 2nd International Conference on Computing for Sustainable Global Development (INDIACom), 1616-1621.