基于比较式随机路标图法的无人船舶局部路径规划方法与流程

本发明涉及路径规划技术，特别是一种基于比较式随机路标图法的无人船舶局部路径规划方法。

背景技术：

在移动机器人领域，随机路径图法能够有效解决高维空间和复杂约束中的路径规划问题，但是移动机器人使用的随机路径图法常采用a*算法进行可行路径搜索，而a*算法搜索可行路径会产生大量的过程数据。对于应用于智能无人船舶来说，需要综合考虑海洋环境的复杂性、船舶操纵性能及能耗，移动机器人使用的随机路径图法缺乏实际航海应用的可行性。

以下对移动机器人使用的随机路径图法进行说明如下。

随机路径图(prm)法寻找给定地图中两点之间的路径，prm进行路径规划的基本原理：

假设机器人运行环境是一个含有若干障碍物的二维封闭平面空间记为c。机器人可以自由移动的区域即除去障碍物及其边缘的区域称为自由空间记为cfree，将移动机器人看成c内质点，且不考虑运动动力学约束。

随机路径图法的基本思想是用一个随机的网络来表示机器人系统运行的自由空间cfree，这一随机网络即是为机器人系统所建立的概率地图。概率地图是一个无向循环图，用g＝(ga,ge)表示。其中ga为节点集，其中的元素是在自由规划空间cfree中为机器人随机选取的位形，边集ge中的元素则表示节点之间的连线，代表位形之间的局部可行路径。然后在这个随机网络中利用搜索算法为机器人系统搜索到一条可行的路径。该算法可通过2个阶段来完成：离线学习阶段和在线查询阶段。

1)离线学习阶段。该阶段主要完成的任务是在cfree中为机器人建立一个概率地图g＝(ga,ge)。

首先以随机的方式在cfree中随机采样大量的机器人位置点，构成地图g中的节点集ga；其次，采用局部规划器为ga中的每个节点寻找它们的邻居节点，并为它们建立连接，从而构成地图中的边集ge。学习阶段建立起来的路标图供在线查询规划使用。

2)在线查询阶段。该阶段主要完成的任务是在给定的初始位置点s和目标点g的条件下，根据离线阶段构建的路标图，搜索出一条连接s与g的可行路径。首先，利用局部规划器分别将s与g连接到路标图中与其距离最近的2个节点与然后，采用启发式搜索算法从路标图中搜索出一条连接与的可行路径。

启发式搜索算法常采用a*算法。a*算法是从出发点开始展开扇形捜索，通过计算当前节点与其8个方向邻节点的代价估计值，查找出最小代价值的路径即为最优路径，是应用较广泛高效的方法。

上述方法在实际应用中存在的问题如下：

a1)上述随机路径图法采用的局部规划器并不能完全保证连接节点的边一定位于自由空间；

a2)上述随机路径图常使用a*算法来搜索可行路径，会产生大量的过程数据，数据存储量大；

a3)对于应用于智能无人船舶来说，需要综合考虑海洋环境的复杂性、船舶操纵性能及能耗，使用a*算法搜索可行路径的随机路径图法缺乏实际航海应用的可行性。

为此，亟需一种能够应用于智能无人船舶领域的且使用比较式随机路标图法的无人船舶局部路径规划方法。

技术实现要素：

针对现有技术中的问题，本发明提供一种基于比较式随机路标图法的无人船舶局部路径规划方法。

第一方面，本发明提供一种基于比较式随机路标图法的无人船舶局部路径规划方法，包括：

s1、依据预先确定的无人船舶航行的环境，获取环境信息；

s2、根据所述环境信息，以及无人船舶航行时的起始点、目标点，确定路标点个数k和局部路径避障优化所需要的最大迭代次数g；

s3、随机生成路标点个数k的各路标点的位置，将起始点、目标点和路标点两两连接，采用多目标碰撞检测方法获取初始船舶航行路径方案集合pop0，所述初始船舶航行路径方案集合pop0包括：多条所述无人船舶能够航行的路径；每一路径均在环境信息的地图内部且属于非障碍物区域；

s4、依据改进的遗传算法和所述最大迭代次数g对所述初始船舶航行路径方案集合pop0进行迭代处理，获取迭代后的路径集合popm；

s5、获取迭代后的路径集合popm中每一条路径方案的适应度值；

s6、根据迭代后的路径集合popm中每一条路径方案的适应度值，选取用于输出的最短船舶航行路径方案。

可选地，步骤s3包括：

s31、依据所述环境信息，随机生成k个二维坐标，每一个二维坐标作为一个路标点位置；

s32、采用多目标碰撞检测法判断每一个路标点位置是否位于所述环境信息中非障碍物区域和地图内部，若是，则保留，否则舍弃该路标点位置；

s33、基于多目标碰撞检测法将起始点、目标点和任意个随机路标点组合形成多条路径；以及

判断组合后的每一条路径中任意两点之间的连线是否位于非障碍物区域，且是否属于地图内部；

若均是，则将判断的路径作为初始船舶航行路径方案集合pop0中的元素。

可选地，步骤s33中的判断组合后的每一条路径中任意两点之间的连线是否位于非障碍物区域，且是否属于地图内部，包括：

获取连线与x轴正方向的夹角，根据所述夹角确定一个探索范围，

判断确定的探索范围是否包括障碍物区域，或者所述探索范围是否处于地图外部区域；

若不包括障碍物区域且也不处于地图外部区域，则该条路径作为初始船舶航行路径方案集合pop0中的元素。

可选地，步骤s5包括：

根据公式(1)获取路径集合popm中每一条路径中拐点之间的间距和d；

其中，n为每一条路径拐点个数，所述路径拐点包括：起始点、目标点和路标点，xj和yj为路径拐点j的坐标，xj+1和yj+1为与路径拐点j相邻拐点j+1的坐标；

将间距和d的倒数作为该条路径的适应度值fit；

可选地，步骤s4包括：

s41、针对初始船舶航行路径方案集合pop0中待进行交叉操作的两条路径，生成一个随机概率；所述待进行交叉操作的两条路径的长度基本相同；

判断生成的随机概率是否大于预设的交叉概率阈值；

若大于，则将待进行交叉操作的两条路径进行交叉操作，得到新的两条路径；

若小于，则不对待进行交叉操作的两条路径进行交叉操作；

s42、按照步骤s41的交叉操作方式遍历所述初始船舶航行路径方案集合pop0中所有的路径之后，将得到新的路径和不进行交叉操作的原路径组合，获得第一路径集合pop1；

s43、针对第一路径集合pop1中待进行变异操作的每一条路径，生成一个变异随机概率；

判断生成的变异随机概率是否大于预设的变异概率阈值；

若大于，则将待进行变异操作的路径进行变异操作，得到新的路径；

若小于，则不对待进行变异操作的路径进行变异操作；

s44、按照步骤s43的变异操作方式遍历所述第一路径集合pop1中所有的路径之后，将得到新的路径和不进行变异操作的原路径组合，获得第二路径集合pop2；

s45、针对第二路径集合pop2，获取第二路径集合pop2中每一条路径的适应度值；

采用比例选择方法根据所有路径的适应度值进行比例选择操作，将比例选择操作后的路径作为第三路径集合pop3；

s46、判断当前迭代次数i是否等于最大迭代次数g；

s47、若小于，则从第三路径集合pop3开始重复上述步骤s41至步骤s46的过程；直至迭代次数i等于最大迭代次数g；

将等于最大迭代次数g时获取的路径集合popm作为迭代后的路径集合popm。

可选地，步骤s41中的将待进行交叉操作的两条路径进行交叉操作，得到新的两条路径，包括：

对路径长度基本相同的两条路径，在两者路径段上随机选择切断点进行断点截断，若切断点位置基本相同，则将两条路径截断部分相互交换；

若切断点位置不同，则不对待进行交叉操作的两条路径进行交叉操作。

可选地，s43中的将待进行变异操作的路径进行变异操作，得到新的路径，包括：

对每一条路径中任意相邻的两个路标点之间连成的路径段方向进行变向操作。

可选地，所述步骤s1包括：

从测试场海图矢量图的bmp图片文件读取环境信息。

本发明具有的有益效果：

本发明的方法在无人船舶航行中能够生成安全、稳定、最优航线，其解决了存储过程数据困难、船舶反应速度慢、耗费更多能源等问题。本发明的方法能够达到不需要存储过程数据、减少优化计算时间等效果，增加智能无人船舶的操纵性，使得随机路标图法可以应用于智能无人船舶领域，对实现智能无人船舶智能航行提供依据。

附图说明

图1为本发明一实施例提供的基于比较式随机路标图法的无人船舶局部路径规划方法的示意图；

图2为本发明一实施例提供的模拟无人船舶航行的示意图；

图3为本发明另一实施例提供的基于比较式随机路标图法的无人船舶局部路径规划方法的示意图。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

业内人士将移动机器人所使用的随机路径图法应用于无人船舶的路径规划，其存在问题如下：

b1)传统随机路径图法采用的局部规划器规划出的节点可以保证其在自由空间，然而，当连接节点时无法避免其连线一定位于自由空间；

b2)a*算法进行下一步将要走的节点的搜索的时候，每次都是选择代价估计值最小的节点，因此找到的最优路径。但是正因为如此a*算法每次都要扩展当前节点的全部后继节点，运用启发函数计算它们的代价估计值，然后选择代价估计值最小的节点作为下一步走的节点。在这个过程中，open表需要保存大量的节点信息；

b3)当应用于智能无人船舶时所使用的海图大多较为庞大，路径比较复杂，路径搜索过程则可能要计算成千上万的节点，计算量非常巨大。因此，传统随机路径图法搜索一条路径需要时间较长，这就意味着智能无人船舶反应速度会下降。

基于现有技术的缺陷，本发明的方法需要解决的问题如下：

第一，该方法拟应用于测试场实船测试，具有实际应用性。

第二，通过多目标碰撞检测法筛选出多条包含起始点与目标点且航行路径全部位于可行区域的航行路径并生成初始航行路径方案集合，区别于传统随机路径图法只进行节点碰撞检测。

本发明使用的多目标碰撞检测法是对节点和节点连线皆进行碰撞检测，解决传统随机路径图法采用的局部规划器无法避免其规划出的节点之间的连线一定位于自由空间的问题。

第三，采用遗传算法对生成的航行路径方案集合中各路径进行优化，最终比较各路径的路径长度，选择出最短路径，这有别于采用a*算法进行可行路径搜索这样启发搜索式的传统随机路径图法，比较式随机路标图法可以避免重复计算和过多过程数据的产生；

第四，由于输入参数和输出结果皆为实数，因此算法编码方式为实数编码，避免使用二进制编码时需要编码转换的复杂过程；

第五，路径规划解决的是路径最优或路径最短问题，本发明综合考虑路径最短、规避障碍物、船舶领域及可行性等因素制定了反映智能无人船舶航迹拐点间距离和的适应度函数，根据该适应度函数值的大小比较，得到次优航行路径方案集合用于比较选择出最短路径以解决路径规划问题。

实施例一

结合图1至图3所示，本实施例的基于比较式随机路标图法的无人船舶局部路径规划方法包括如下的步骤：

s1、依据预先确定的无人船舶航行的环境，获取环境信息。

举例来说，可从测试场海图矢量图的bmp图片文件读取环境信息。

s2、根据所述环境信息，以及无人船舶航行时的起始点、目标点，确定路标点个数k和局部路径避障优化所需要的最大迭代次数g。

本实施例的路标点个数k是人为依据环境信息、起始点和目标点确定的。最大迭代次数g也是人为依据经验确定的。

s3、随机生成路标点个数k的各路标点的位置，将起始点、目标点和路标点两两连接，采用多目标碰撞检测方法获取初始船舶航行路径方案集合pop0，所述初始船舶航行路径方案集合pop0包括：多条所述无人船舶能够航行的路径；每一路径均在环境信息的地图内部且属于非障碍物区域。

为更好的理解步骤s3，以下对步骤s3进行说明：

s31、依据所述环境信息，随机生成k个二维坐标，每一个二维坐标作为一个路标点位置；

s32、采用多目标碰撞检测法判断每一个路标点位置是否位于所述环境信息中非障碍物区域和地图内部，若是，则保留，否则舍弃该路标点位置；

s33、基于多目标碰撞检测法将起始点、目标点和任意个随机路标点组合形成多条路径；以及

判断组合后的每一条路径中任意两点之间的连线是否位于非障碍物区域，且是否属于地图内部；

若均是，则将判断的路径作为初始船舶航行路径方案集合pop0中的元素。

例如，获取组合后的每一条路径中任意两点之间的连线与x轴正方向的夹角，根据所述夹角确定一个探索范围，判断确定的探索范围是否包括障碍物区域，或者所述探索范围是否处于地图外部区域；

若不包括障碍物区域且也不处于地图外部区域，则该条路径作为初始船舶航行路径方案集合pop0中的元素。

本实施例的x轴正方向为预先依据环境信息定义的。

s4、依据改进的遗传算法和所述最大迭代次数g对所述初始船舶航行路径方案集合pop0进行迭代处理，获取迭代后的路径集合popm；

s5、获取迭代后的路径集合popm中每一条路径方案的适应度值。

举例来说，根据公式(1)获取路径集合popm中每一条路径中拐点之间的间距和d；

其中，n为每一条路径拐点个数，所述路标拐点包括：起始点、目标点和路标点，xj和yj为路径拐点j的坐标，xj+1和yj+1为与路径拐点j相邻拐点j+1的坐标；

将间距和d的倒数作为该条路径的适应度值fit；

s6、根据迭代后的路径集合popm中每一条路径方案的适应度值，选取用于输出的最短船舶航行路径方案。

此外，为了更好的理解上述步骤s4的过程，采用下述的子步骤对步骤s4进行说明如下包括：

s41、针对初始船舶航行路径方案集合pop0中待进行交叉操作的两条路径，生成一个随机概率；所述待进行交叉操作的两条路径的长度基本相同；

判断生成的随机概率是否大于预设的交叉概率阈值；

若大于，则将待进行交叉操作的两条路径进行交叉操作，得到新的两条路径；

若小于，则不对待进行交叉操作的两条路径进行交叉操作；

s42、按照步骤s41的交叉操作方式遍历所述初始船舶航行路径方案集合pop0中所有的路径之后，将得到新的路径和不进行交叉操作的原路径组合，获得第一路径集合pop1；

s43、针对第一路径集合pop1中待进行变异操作的每一条路径，生成一个变异随机概率；

判断生成的变异随机概率是否大于预设的变异概率阈值；

若大于，则将待进行变异操作的路径进行变异操作，得到新的路径；

若小于，则不对待进行变异操作的路径进行变异操作；

s44、按照步骤s43的变异操作方式遍历所述第一路径集合pop1中所有的路径之后，将得到新的路径和不进行变异操作的原路径组合，获得第二路径集合pop2；

s45、针对第二路径集合pop2，获取第二路径集合pop2中每一条路径的适应度值；

采用比例选择方法根据所有路径的适应度值进行比例选择操作，将比例选择操作后的路径作为第三路径集合pop3；

s46、判断当前迭代次数i是否等于最大迭代次数g；

s47、若小于，则从第三路径集合pop3开始重复上述步骤s41至步骤s46的过程；直至迭代次数i等于最大迭代次数g；

将等于最大迭代次数g时获取的路径集合popm作为迭代后的路径集合popm。

进一步地，步骤s41中的将待进行交叉操作的两条路径进行交叉操作，得到新的两条路径，包括：

对路径长度基本相同的两条路径，在两者路径段上随机选择切断点进行断点截断，若切断点位置基本相同，则将两条路径截断部分相互交换；

若切断点位置不同，则不对待进行交叉操作的两条路径进行交叉操作。

进一步地，s43中的将待进行变异操作的路径进行变异操作，得到新的路径，包括：

对每一条路径中任意相邻的两个路标点之间连成的路径段方向进行变向操作。

本实施例的方法在无人船舶航行中能够生成安全、稳定、最优航线，其解决了存储过程数据困难、船舶反应速度慢、耗费更多能源等问题。本发明的方法能够达到不需要存储过程数据、减少优化计算时间等效果，增加智能无人船舶的操纵性，使得随机路标图法可以应用于智能无人船舶领域，对实现智能无人船舶智能航行提供依据。

实施例二

结合图2和图3所示，本实施例的方法主要包括下述的步骤：

1)从测试场海图矢量图的bmp图片文件读取环境信息；

2)设置起始点[x1,y1]、目标点[x2,y2]、计算所需要的路标点个数k以及局部路径避障优化最大迭代次数g；

3)随机生成k个路标点位置，将起始点、目标点和路标点两两连接，记录连线在非障碍物区域和地图内部且包含起始点和目标点的路径集合，得到多条船舶航行路径形成的航行路径网络图，进而得到将用于航行路径选择部分的初始船舶航行路径方案集合pop0。

在本实施例中，初始船舶航行路径方案集合中的每一个路径方案对应网络图中的一条路径，可以说初始船舶航行路径方案集合的图像显示是航行路径网络图。

步骤3)的具体操作通过如下的子步骤3a)至3d)说明如下：

3a)在整个仿真环境地图中随机生成k个二维坐标，即为随机路标点位置；

3b)判断随机路标点位置是否位于非障碍物区域和地图内部，若是，则保留该随机路标点；若不是，则舍弃该随机路标点；

3c)判断起始点、目标点和所有随机路标点两两连接后的连线是否位于非障碍物区域和地图内部，若是，则记录能够直接或间接与起始点相连的连线，即为由起始点出发的所有可行路径；若不是，则舍弃该连线；

其中，判断连线是否在非障碍物区域和地图内部时采用的方法是：根据连线与x轴正方向的夹角计算出一个探索范围，若这个探索范围内不包含障碍物区域或地图外部区域则判断此连线位于非障碍物区域和地图内部，否则判断此连线未位于非障碍物区域和地图内部。

3d)从由起始点出发的所有可行路径中筛选出包含目标点的多条路径，这些路径则形成了用于航行路径选择部分的初始船舶航行路径方案集合pop0。

4)评价初始船舶航行路径方案集合pop0中各船舶航行路径方案中拐点之间的距离和，得到每条路径的适应度值；

根据公式(1)评价船舶航行路径方案中拐点之间的距离和d

其中，n为船舶航行路径方案中拐点个数，xj和yj为路径拐点j的坐标，xj+1和yj+1为与路径拐点j相邻拐点j+1的坐标。

根据公式(2)将船舶航行路径方案中拐点之间的距离和d的倒数作为适应度值fit；

5)针对初始路径集合pop0(即前述的初始船舶航行路径方案集合)实施如下操作，直到产生更新后的路径集合popm；

针对步骤5)的具体操作，采用下述的步骤5a)至步骤5d)说明如下：

5a)针对所述初始路径集合pop0中的路径两两选择进行交叉操作，生成第一路径集合pop1，具体包括：

判断待进行交叉操作的两条路径对应的随机概率是否大于交叉概率阈值来判断。随机概率的数量为初始路径集合pop0中的一半，针对初始路径集合pop0中的两条路径生成一个随机概率；随机概率的取值位于0～1之间。本实施例的交叉概率阈值为给定值，取值范围0.6～0.9。

若随机概率大于交叉概率，则进行两条路径的交叉操作：对路径长度相同的路径方案两两组合，在两者路径段上随机选择切断点进行断点截断，若切断点位置相同，则将两种方案截断部分相互交换；

若随机概率小于交叉概率或者虽然随机概率大于交叉概率但是切断点位置不相同，路径长度不相同，则保留原有船舶航行路径集合继而进行步骤5b)；

遍历初始路径集合pop0中的所有路径进行交叉操作之后，生成第一路径集合pop1。

5b)针对第一路径集合pop1的每一路径，选择进行变异操作，生成第二路径集合pop2，具体包括：

判断待进行变异操作的每一条路径对应的变异随机概率是否大于变异概率阈值。本实施例的变异随机概率的数量为第一路径集合pop1中的路径数量，针对第一路径集合pop1中的每一条路径生成一个变异随机概率；变异随机概率的取值位于0～1之间。本实施例的变异概率阈值为给定值，取值范围0.001～0.1。

若随机概率大于变异概率，则对待变异操作的路径进行变异操作：对路径方案中路径方向进行变向；否则，保留原有船舶航行路径集合继而进行步骤5c)；

遍历第一路径集合pop1中的所有路径进行变异操作之后，生成第二路径集合pop2。

5c)针对第二路径集合pop2，根据公式(1)获取第二路径集合pop2中每一条路径拐点之间的间距和d，根据公式(2)计算每条路径的适应度值fit进行比例选择操作，生成第三路径集合pop3继而进行步骤5d)。

本实施例的比例选择操作(或称为比例选择方法/轮盘赌方法)可理解为：个体被选中的概率与其适应度值大小成正比，其中个体即为船舶航行路径方案。

5d)判断当前迭代次数i是否达到预设的局部路径避障优化最大迭代次数g，若i≤g，则当前迭代次数i增加预设值1，且第三路径集合pop3为此次迭代的更新后的路径集合popm，转到步骤5a)，重复步骤5a)至步骤5d)的处理过程；若达到则转到步骤6)。

6)针对路径集合popm，根据公式(1)获取路径集合popm中每一条路径拐点之间的间距和d或适应度值，并从多组船舶航行路径方案中根据所获取的间距和d或适应度值的大小选出最短船舶航行路径方案并输出。

本实施例的方法具有如下的优点：

(1)适用于智能无人船舶运动特性，为实现船舶的局部避障路径规划提供了新的解决方案；

(2)以沿海测试场为依托，具备实际应用性；

(3)通过多目标碰撞检测法筛选可行航行路径，确保智能无人船舶航行的安全性；

(4)有别于采用a*算法进行可行路径搜索这样启发搜索式的传统随机路径图法，比较式随机路标图法可以避免重复计算和过多过程数据的产生，有效加快计算速度，提高智能无人船舶避障效率，可以实现智能无人船舶稳定高效航行。

上述各个实施例可以相互参照，本实施例不对各个实施例进行限定。

最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。