一种基于空地协同的地面机器人路径规划方法与流程

1.本发明属于空地协同和路径规划技术领域，具体涉及一种基于空地协同的地面机器人路径规划方法。


背景技术：

2.近年来，空地协同是异构无人系统协同作业的前沿研究热点问题。空中无人机群组与地面移动机器人群组协同作业相比于单独的地面机器人群组或空中无人机群组更具有优势。无人机具有超高的机动飞行能力、宽广的空中视野，可以快速为地面机器人提供全局信息，而地面机器人可以近距离观测目标区域的状态(局部信息)，通过将两者的优势结合在一起可以应用于消防救援、环境勘探、目标搜索和军事侦察等任务。
3.针对异构无人系统在大范围火灾事故现场进行侦察、救援任务，由于灭火环境的复杂性以及对环境感知的实时性的要求，为实现地面多消防机器人在未知环境下能够自主导航，而地图构建和路径规划是导航技术中极为重要的环节，采用多无人机协同建图方式可以有效地解决地面机器人建图较高耗时的问题。因此，采取多无人机基于实时三维重建技术实现对火灾现场环境的快速高精度三维空间协同建图，并为地面机器人构建可靠移动区域地图，依据提取的可靠移动区域地图将其二值栅格化得到可用于路径规划的栅格地图。目前，基于图搜索的常用二维路径规划算法有a*算法、dijkstra算法、rrt算法、d*算法等，这些路径规划算法是基于位置层面搜索，并没有考虑机器人运动的实际朝向问题。如果直接将其应用于智能消防机器人的路径规划当中，势必会产生一些问题：1)由于机器人负载和自重较大，一般达到几百公斤，很难实现精准控制，而在实际应用中，机器人每次在执行路径跟踪任务前需要提前调整好方向，尽量与规划的路径初始方向一致，否则容易造成机器人速度变化过大而引发安全隐患；2)考虑到消防机器人拖拽水带运动时，应避免机器人出现较大幅度自转或后退导致水带弯折爆裂，所以规划的路径需足够平滑，路径方向与机器人方向尽量保持一致，而二维路径规划算法无法保证路径的方向问题；3)群组消防机器人如果采取编队形式的话，规划的路径需要考虑整个编队的安全性，而传统二维路径规划算法通常以最短路径为准则，规划的路径与障碍物比较贴近，无法保证编队整体的安全性。


技术实现要素：

4.鉴于上述的分析，本发明旨在公开一种基于空地协同的地面机器人路径规划方法，用于解决现场高精度环境地图难以获取，依据地面机器人建图十分耗时，以及常用路径规划算法无法满足地面多机器人路径安全性和可执行性等问题。
5.本发明公开了一种基于空地协同的地面机器人路径规划方法，包括：
6.步骤s101、基于对目标区域的空基影像采集数据，构建出目标区域完整的空间三维模型；
7.步骤s102、基于所述空间三维模型，构建地面移动机器人的移动路径区域，并将移
动路径区域进行栅格化得到机器人可通达路径的二值栅格地图；
8.步骤s103、基于二值栅格地图建立结合voronoi图的混合地图，对于混合地图进行混合a*算法全局路径规划，并基于多引导点牵引作用进行路径优化，得出地面机器人的可靠移动路径。
9.进一步地，所述步骤s103，包括：
10.步骤s401、利用二值栅格地图建立voronoi图，并将voronoi图和二值栅格地图结合构建出混合地图；
11.步骤s402、在混合地图中采用混合a*搜索，搜索出基于地面机器人运动学和最小安全转向约束，满足路径连续性的粗路径；
12.步骤s403、根据所述粗路径，基于梯度下降优化算法的轨迹平滑器，对混合搜索的粗路径进行优化，构建出适合地面多机器人安全执行、连续平滑的路径。
13.进一步地，所述步骤s402中，混合a*搜索，具体包括：
14.步骤s501、输入混合地图；
15.步骤s502、进行搜索的初始化；
16.所述初始化包括建立open_set和closed_set两个列表，两个列表初始化时都为空列表，其中，open_set列表存储待扩展节点，closed_set列表存储已扩展的节点或存在障碍物的节点；
17.步骤s503、判断open_set列表为非空列表，从open_set列表中选择总代价最小的节点作为扩展节点进行扩展，得到与扩展节点状态连续的多个扩展子节点，并将扩展节点从open_set列表移除至closed_set列表中；
18.步骤s504、判断扩展节点是否是目标点；若是，则搜索结束；若不是，则继续扩展该节点的子节点；
19.步骤s505、判断扩展子节点否与障碍物发生碰撞，若是，则舍弃该子节点；若不是，跳入下一步骤；
20.步骤s506、将出现在同一网格中的当前扩展子节点与原有节点的实际代价进行比较，当前扩展子节点的实际代价低于原有节点的实际代价时，将当前扩展子节点的连续状态与该网格单元关联，并将当前扩展子节点所在栅格设置为子节点所在栅格的父栅格，并将扩展子节点放入open_set列表中，更新扩展子节点的总代价；
21.步骤s507、循环上述过程中步骤s503到步骤s506，直到搜索到目标节点，并将目标节点放入open_set列表；
22.步骤s508、从open_set列表中的目标节点开始回朔所有遍历过的父节点，直至起始节点，得到所搜索的路径，路径搜索完毕，算法终止；如果open_set列表为空，则表明没有规划出可行路径，算法终止。
23.进一步地，搜索过程中每个节点的总代价包括实际代价和启发式估计代价；
24.所述实际代价为起始节点到当前节点的代价，包括当前节点的父节点代价以及父节点到当前节点的代价，其中后者包括了父节点到当前节点的实际路径长度、二值栅格地图中父节点到当前节点的转向代价和voronoi图中从父节点到当前节点的代价；
25.所述启发式估计代价为当前节点到目标节点的启发式估计代价，由基于非完整约束的启发式函数和基于完整约束的启发式函数中较大的值决定。
26.进一步地，基于多引导点牵引作用进行路径优化中，采用基于多引导点作用下的路径平滑器，对粗路径进行平滑处理得到适合地面机器人安全执行、连续平滑的路径。
27.进一步地，所述梯度下降平滑器，基于包括障碍物项、曲率项、平滑项、voronoi场项和多引导点函数项，建立最小化代价函数，利用梯度下降法求解最优路径。
28.进一步地，当对于每一个搜索节点xi有|x
i-gi|＜ρ
max
时，所述多引导点函数项的代价函数p
gui
为：
29.式中，xi为路径上顶点的二维平面坐标；gi为距离节点xi最近的引导点的位置；ρ
max
为引导点影响代价函数的最大距离的阈值；引导点权重w
gui
为引导点影响路径变化的系数。
30.进一步地，所述步骤s101，包括：
31.步骤s201、将目标区域划分为若干目标子区域，利用至少一架无人机获取目标子区域的序列影像，通过图传装置将影像缩率图传至地面服务器；
32.步骤s202、在地面服务器中，进行实时三维重建恢复出目标子区域表面的密集三维点云；
33.步骤s203、利用基于三维点云数据的多地图拼接融合算法将单无人机构图进行整体融合，构建出目标区域完整的空间三维模型。
34.进一步地，在步骤s102中，采用基于卷积神经网络预测遥感图像的深度学习方法，提取所述空间三维模型场景中路面区域，构建地面移动机器人的可靠移动路径区域，将其进行栅格化插值得到可通达路径的二值栅格地图。
35.进一步地，所述步骤s102，具体包括：
36.步骤s301、制作点云数据训练集；
37.根据实景的三维模型，对包括建筑物、植被、地面、车辆、行人、湖泊、墙面和路基在内的特征进行标注，构建数据训练集；
38.步骤s302、建立用于提取可靠移动路径区域的深度语义分割网络模型；
39.步骤s303、利用所述数据训练集训练和测试所述深度语义分割网络模型；
40.步骤s304、利用训练后的深度语义分割网络模型，对目标区域完整的空间三维模型进行提取，得到目标区域中的机器人可靠移动路径区域；
41.步骤s305、根据机器人可靠移动路径区域，将其进行栅格化插值得到可通达路径的二值栅格地图。
42.本发明可实现以下有益效果：
43.本发明公开的基于空地协同的地面机器人路径规划方法，使得机器人规划的路径能被牵引到设定的多个引导点附近，在多障碍物环境下成功规划出一条安全可靠的路径。
44.本发明可以适用于多机器人编队整体的路径规划，其规划的路径靠近道路中间位置，可以满足编队整体宽度的要求，保证编队运动的安全性。
45.由于基于三维路径规划算法，可以得到所有路径点的位置和方向，在设计路径或轨迹跟踪控制器时更为方便，更加符合机器人的运动控制；不仅适用于智能汽车还适用于其他具有运动学和转向约束的机器人，避免不必要的转向运动，可以以准确的方向到达指定位置。
46.适用于任务紧急情况，比如消防救援领域，利用无人机的快速机动能力为地面机器人提供全局信息，并且快速构建高精度现场的三维空间模型，进而提取包括道路、障碍物等区域在内的可靠移动路径区域，为地面机器人进行路径规划提供参考地图。
附图说明
47.附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
48.图1为本发明实施例中的基于空地协同的地面机器人路径规划方法流程图；
49.图2为本发明实施例中的构建出目标区域完整的空间三维模型方法流程图；
50.图3为本发明实施例中的深度语义分割网络模型的训练和测试过程流程图；
51.图4为本发明实施例中的改进混合a*算法进行可靠移动路径规划实现方法流程图；
52.图5为本发明实施例中的混合a*算法基本流程图；
53.图6为本发明实施例中的混合a*算法的3个前向搜索节点扩展方式图；
54.图7为本发明实施例中的混合a*算法搜索实例图。
具体实施方式
55.下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理。
56.本发明的一个实施例公开了一种基于空地协同的地面机器人路径规划方法，如图1所示，包括：
57.步骤s101、基于对目标区域的空基影像采集数据，构建出目标区域完整的空间三维模型；
58.步骤s102、基于所述空间三维模型，构建地面移动机器人的移动路径区域，并将移动路径区域进行栅格化得到机器人可通达路径的二值栅格地图；
59.步骤s103、基于二值栅格地图建立结合voronoi图的混合地图，对于混合地图进行混合a*算法全局路径规划，并基于多引导点牵引作用进行路径优化，得出地面机器人的可靠移动路径。
60.如图2所示，步骤s101具体包括：
61.步骤s201、将目标区域划分为若干目标子区域，利用至少一架无人机获取各目标子区域的序列影像，通过图传装置将影像缩率图传至地面服务器；
62.由于地面机器人感知能力和机动能力通常有限，地面机器人处于包括在现场环境较大火灾救援等大环境场景时，如果利用单台或者多台地面机器人搭载相机或者激光雷达对现场区域进行全局建图，将会耗费大量时间，这在应急消防救援过程是极为不可取的。而无人机具有宽广的空中视野和快速机动能力。
63.根据任务现场范围、建图的实时性要求和可用无人机数量确定至少一架用于拍摄目标区域影像的无人机的飞行轨迹，为了尽快构建出可用于地面机器人行走的可靠移动区域地图，可以选择飞行轨迹为地面机器人起始位置到任务目标终点位置，飞行时高效且精准地采集目标子区域的序列影像，再通过图传装置将影像缩率图传至地面服务器。
64.步骤s202、在地面服务器中，进行实时三维重建恢复出目标子区域表面的密集三维点云；
65.在本实施例中可采用成熟应用实时三维重建技术，使得无人机对任务现场进行实时三维重建变得现实。
66.步骤s203、利用基于三维点云数据的多地图拼接融合算法将单无人机构图进行整体融合，从而高效构建出目标区域完整的空间三维模型；
67.根据各无人机获取的子目标区域三维点云图，提取待拼接点云地图的边缘像素点，建立像素点变换数学模型，将地图拼接问题转化为三维点云的数据拼接与配准，得到像素点的平移旋转矩阵；根据像素点变换结果，对待拼接地图进行相应的旋转、平移和融合，获取目标区域完整的空间三维模型的精确拼接结果。
68.具体的，在步骤s102中，采用基于卷积神经网络预测遥感图像的深度学习方法，提取所述空间三维模型场景中路面区域，构建地面移动机器人的可靠移动路径区域，将其进行栅格化插值得到可通达路径的二值栅格地图；
69.所述步骤s102中，所述机器人可通达路径的二值栅格地图包括：
70.步骤s301、制作点云数据训练集；
71.根据实景的三维模型，对包括建筑物、植被、地面、车辆、行人、湖泊、墙面和路基在内的特征进行标注，构建数据训练集；
72.步骤s302、建立用于提取可靠移动路径区域的深度语义分割网络模型；
73.在本实施例中，采用经典结构的编码器-解码器模型的图像语义分割模型作为进行可靠移动路径区域提取的深度语义分割网络模型。
74.步骤s303、利用所述数据训练集训练和测试所述深度语义分割网络模型；
75.利用所述训练数据集，训练建立的深度语义分割网络模型，将构建的完整目标区域三维模型的测试数据输入到训练后的深度语义分割网络模型，得到遥感图像的可靠移动路径区域的提取结果。
76.步骤s304、利用训练后的深度语义分割网络模型，对目标区域完整的空间三维模型进行提取，得到目标区域中的机器人可靠移动路径区域；
77.步骤s305、根据机器人可靠移动路径区域，将其进行栅格化插值得到可通达路径的二值栅格地图。
78.所述栅格化插值可采用现有的地图栅格化方法进行。
79.如图3所示，为深度语义分割网络模型的训练和测试过程流程图；
80.如图4所示，在步骤s103中，具体包括：
81.步骤s401、利用二值栅格地图建立voronoi图，并将voronoi图和二值栅格地图结合构建出混合地图；
82.传统的路径规划算法的一个不足之处在于它规划的路径过于靠近障碍物，即它会选择无碰撞的最短路径。为了权衡最短路径与远离障碍物之间的矛盾，一种常见方法是使用势场惩罚机器人接近障碍物，然而，传统的势场存在几个严重的缺点。
83.首先，常规势场在狭窄的通道中容易产生高势区域，这使得路径穿越这些通道的计算成本很高。
84.其次，由于障碍物周围的作用势场通常定义为与障碍物的距离的函数，这意味着
计算给定势场值时需要计算在有效半径内包含所有障碍物的势能，这可能在计算上代价很大。
85.为了解决这些问题，本实施例引入voronoi场，根据二值栅格化地图的几何形状重新调整势场分布。
86.具体的，在二值栅格地图中，利用voronoi势场函数选取离障碍物一定的距离阈值，构建出现场空间的二维voronoi图；
87.voronoi场用来定义路径长度和接近障碍物之间的权衡关系。voronoi势场函数定义如下：
[0088][0089]
式中，do和dv分别为与最近障碍物的距离和与最近的广义泰森多边形(gvd)的边的距离，a∈[0,∞)，为所需要调节的参数，分别控制了势能值的下降速率与控制的范围。当时表达式(1)成立；其他情况下，ρv(x,y)＝0。
[0090]
该势能场具有如下性质：
[0091]
(i)当势能为0。
[0092]
(ii)势能值ρv(x,y)∈[0,1]，且分布连续。
[0093]
(iii)当地图上的点(x,y)在障碍物上或里面时，势能值达到最大值。
[0094]
(iv)当地图上的点(x,y)在广义维诺图的边上时，其势能值达到最小值。
[0095]
与传统的势场相比，voronoi场的关键优势在于，场的值与导航的势场可以成比例缩放。因此，即使是狭窄的u型口也可导航，这对于传统的势场并不总是如此。另外由于通道中间位置处势场为零，可以为多机器人编队行驶提供可靠安全的路径。
[0096]
优选的，基于ros(机器人操作系统)下利用构建的voronoi势场函数可生成voronoi图。
[0097]
将voronoi图和二值栅格地图叠加合并构建出混合地图。
[0098]
步骤s402、在混合地图中采用混合a*搜索，搜索出基于地面机器人运动学和最小安全转向约束，满足路径连续性的粗路径。
[0099]
启发式搜索算法中a*算法比较通用，但考虑到消防机器人的车辆运动学约束与传统a*具有离散性的缺点，采用a*算法的变种形式，混合a*算法作为全局路径的搜索技术。
[0100]
相比于传统a*算法包括x方向与y方向位置信息的二维搜索空间，混合a*算法搜索的空间维度为四维，其中增加了代表机器人当前的朝向信息和第四个维度代表了机器人前后运动的模式，向前运动或是向后运动。
[0101]
传统a*算法因为状态离散性特质，导致其规划出来的路径不能直接被机器人所执行。为了克服这一问题，混合a*用连续的机器人的状态分配到对应离散的网格中，这样连接起来连续的坐标将被实际的机器人执行。
[0102]
混合a*算法是基于启发式函数的搜索算法，从起始点开始向目标点通过扩展节点方式进行路径搜索，利用评价函数来衡量搜索过程中每个节点的总代价。评价函数为f(s)＝g(s)+h(s)，其中g(s)表示为从起始节点到当前节点的实际代价，满足如下递推关系：
[0103]
g(si)＝g(s
i-1
)+cost(s
k-1
,sk)
[0104]
＝g(s
i-1
)+(1+a
·
turncost(s
k-1
,sk)+b
·
mapcost(s
k-1
,sk))
·
dist(s
k-1
,sk)
[0105]
式中，si为当前节点(子节点)，s
i-1
为前一个节点(父节点)；g(si)为当前节点的实际代价，g(s
i-1
)为当前节点的父节点的实际代价；cost(s
k-1
,sk)为从父节点到当前节点的代价；a和b为各项权重因子；dist(s
k-1
,sk)为从父节点到当前节点的路径长度；turncost(s
k-1
,sk)为从父节点到当前节点的转向代价，直行时候该值为0，转向时该值为1。该项作用是惩罚规划路径转弯，使机器人能尽可能保持直行；mapcost(s
k-1
,sk)为voronoi图从父节点到当前节点的代价，在障碍物安全距离内该值为无穷大，否则为0。该项作用是使规划路径避开障碍物，保证机器人行驶安全。
[0106]
第二项h(s)表示从当前节点到目标节点的启发式估计代价，由基于非完整约束的启发式函数和基于完整约束的启发式函数中较大的值决定，其表达式为h(si)＝max h1(si),h2(si)，其中h1为忽略环境障碍、考虑机器人非完整性约束的条件下得到的启发式数值，一般选取reeds-shepp或dubins得到的路径长度；h2为忽略机器人非完整性约束、考虑环境约束的条件下得到的启发式数值，一般选取a*算法搜索得到的路径长度。
[0107]
具体的，混合a*算法基本流程如图5所示：包括以下步骤：
[0108]
步骤s501、输入混合地图；
[0109]
步骤s502、进行初始化；
[0110]
所述初始化包括建立open_set和closed_set两个列表，两个列表初始化时都为空列表，其中open_set列表存储待扩展节点，closed_set列表存储已扩展的节点或存在障碍物的节点。获取起始点s0(x0,y0,θ0)和目标点sg(xg,yg,θg)，以及差速移动机器人的运动学模型。将起始点放入open_set列表中；
[0111]
步骤s503、判断open_set列表为非空列表，从open_set列表中选择总代价最小的节点作为扩展节点进行扩展，得到与扩展节点状态连续的多个扩展子节点，并将扩展节点从open_set列表移除至closed_set列表中；
[0112]
其中，当检索open_set列表中为空列表时，则路径搜索失败，该地图不存在可到达目标位置的路径。如不为空列表，则从open_set列表中，选择总代价最小的节点si(xi,yi,θi)作为扩展节点，扩展出3个与该节点状态连续的子节点，并将节点si从open_set列表中移出至closed_set列表中；所述xi,yi为坐标值，θi为方向角。
[0113]
优选的，所述扩展方向为节点在前进运动方向上分别进行左转、右转以及直行三种方向，扩展的三个连续子节点如图6所示。对于直线节点，机器人沿直线运动方向移动；对于转弯节点，机器人沿圆弧运动方向进行移动，扩展时可采用略大机器人的最小转弯半径的弧长。
[0114]
步骤s504、判断扩展节点si是否是目标点sg；若是，则搜索结束；若不是，则继续扩展该节点si的子节点s
i+1
；
[0115]
步骤s505、判断扩展子节点s
i+1
否与障碍物发生碰撞(是否在障碍物里面)，若是，则舍弃该子节点；若不是，跳入下一步骤；
[0116]
步骤s506、将出现在同一网格中的当前扩展子节点s
i+1
与原有节点s
open
的实际代价进行比较，当前扩展子节点的实际代价g(s
i+1
)低于原有节点的实际代价g(s
open
)时，将当前扩展子节点的连续状态与该网格单元关联，并将当前扩展子节点s
i+1
所在栅格设置为子节点所在栅格的父栅格，并将扩展子节点放入open_set列表中，更新扩展子节点的总代价f
(s
i+1
)；否则，丢弃当前搜索的子节点。
[0117]
步骤s507、循环上述过程中步骤s503到步骤s506，直到搜索到目标节点，并将目标节点放入open_set列表；
[0118]
步骤s508、从open_set列表中的目标节点开始回朔所有遍历过的父节点，直至起始节点，得到所搜索的路径，路径搜索完毕，算法终止；如果open_set列表为空，则表明没有规划出可行路径，算法终止。
[0119]
图7为以扩展3个前向节点为例展示了混合a*算法的搜索实例。
[0120]
步骤s403、根据所述粗路径，基于梯度下降优化算法的轨迹平滑器，对混合搜索的粗路径进行优化，构建出适合地面多机器人安全执行、连续平滑的路径。
[0121]
尽管上述混合a*算法可以输出一条可供机器人执行的连续路径，但机器人执行过程中通常包含许多非必要的转向动作，另外，在利用拖拽水带机器人进行灭火任务的场景中，还需解决环境中的障碍物对机器人水带拖拽过程中的缠绕问题。
[0122]
因此，在本实施例中，公开了基于多引导点作用下的路径平滑器，处理得到安全可靠更优的路径。
[0123]
所述梯度下降平滑器，基于包括障碍物项、曲率项、平滑项、voronoi场项和多引导点函数项，建立最小化代价函数，利用梯度下降法求解最优路径。
[0124]
具体的，梯度下降平滑器的最小化代价函数p：
[0125]
p＝p
obs
+p
cur
+p
smo
+p
vor
+p
gui
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0126]
(1)障碍物项
[0127]
当对于每一个搜索节点xi有|x
i-oi|≤d
max
时，定义代价函数p
obs
为：
[0128][0129]
式中，n为总节点数；xi为路径上顶点的二维平面坐标；oi为距离节点xi最近的障碍物的位置；d
max
为障碍物影响代价函数的最大距离的阈值；σ
obs
为二次惩罚函数，使得节点越接近障碍物时惩罚值越大；障碍物权重w
obs
为障碍物影响路径变化的系数。这一项可以使机器人有效地避免与障碍物发生碰撞。
[0130]
(2)曲率项
[0131]
为了确保路径可执行，曲率项设定了每个顶点的瞬时曲率的上限，即假设定义代价函数p
cur
为：
[0132][0133]
式中，顶点xi处的位移向量定义为δxi＝x
i-x
i-1
，顶点切向角度的变化值表示为最大允许曲率用κ
max
表示；σ
cur
为二次惩罚函数；曲率权重w
cur
控制对路径变化的影响。这一项限制了每个节点处轨迹的瞬时曲率，并强制执行车辆的非完整约束。
[0134]
(3)平滑项
[0135]
平滑项评估顶点之间的位移向量。该项能够平滑间隔不均匀以及方向变化幅度大的节点。定义代价函数p
smo
为：
[0136][0137]
式中，w
smo
表示平滑权重，决定了平滑项对路径变化的影响。
[0138]
(4)维诺势场函数项
[0139]
对于定义代价函数p
vor
为
[0140][0141]
式中，
do
表示节点到达最近障碍物的距离；d
edg
表示节点到达广义泰森多边形最近边缘的距离；表示影响到voronoi势场函数的障碍物的最大距离；α控制场的衰减率；w
vor
为权重系数，代表对路径的影响。这一项能够有效地引导路径远离狭窄或宽阔通道的障碍物。越靠近障碍物，p
vor
的值越大，越接近1；越靠近voronoi边，p
vor
的值越接近0。
[0142]
(5)多引导点函数项
[0143]
当对于每一个搜索节点xi有|x
i-gi|＜ρ
max
时，定义代价函数p
gui
为：
[0144][0145]
式中，xi为路径上顶点的二维平面坐标；gi为距离节点xi最近的引导点的位置；ρ
max
为引导点影响代价函数的最大距离的阈值；引导点权重w
gui
为引导点影响路径变化的系数。当路径搜索节点越靠近引导点距离ρ
max
的边界，p
gui
的值越大；越靠近引导点，p
gui
的值越小。这一项可以路径节点快速引导到引导点附近。
[0146]
确定代价函数p之后，利用梯度下降法求解最优路径，在梯度下降算法的实际运用中，通常选择梯度的绝对值作为算法停止的标准，通过限制最大的迭代次数保证机器人运动的连续性。
[0147]
综上所述，本发明实施例的基于空地协同的地面机器人路径规划方法，通过空基影像采集数据建立大范围环境下的更加高效和精准的空间三维模型；通过深度语义分割网络模型提取二值栅格地图，并基于二值栅格地图采用改进的混合a*算法进行路径规划，使得机器人规划的路径能被牵引到设定的多个引导点附近，在多障碍物环境下成功规划出一条安全可靠的路径。
[0148]
本发明实施例可以适用于多机器人编队整体的路径规划，其规划的路径靠近道路中间位置，可以满足编队整体宽度的要求，保证编队运动的安全性。
[0149]
由于基于三维路径规划算法，可以得到所有路径点的位置和方向，在设计路径或轨迹跟踪控制器时更为方便，更加符合机器人的运动控制；不仅适用于智能汽车还适用于其他具有运动和转向约束的机器人，避免不必要的转向运动，可以以准确的方向到达指定位置。
[0150]
适用于任务紧急情况，比如消防救援领域，利用无人机的快速机动能力为地面机器人提供全局信息，并且快速构建高精度现场的三维空间模型，进而提取包括道路、障碍物
等区域在内的可靠移动路径区域，为地面机器人进行路径规划提供参考地图。
[0151]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。