一种基于空地信息互补的无人车路径规划方法

文档序号:32393448发布日期:2022-11-30 09:16阅读:37来源:国知局
一种基于空地信息互补的无人车路径规划方法

1.本发明涉及无人车技术领域,具体涉及一种基于空地信息互补的无人车路径规划方法。


背景技术:

2.空中无人机与地面无人车组成的空地异构机器人系统是分布式人工智能技术研究的热点问题,无人机和无人车的有机协调、跨域协作等将引领未来机器人技术与应用的新模式。
3.无人车能够近距离精确定位地面目标,但在环境信息未知或部分可知情况下,车载传感器对环境的感知能力存在较大局限,只能实现局部的路径规划。而无人机则具有更广阔的视野,可以在特定高度得到周围环境的全局信息,但由于高度原因也丢失了许多局部信息。通过二者协同,进行优势互补,可以实现无人车的全局路径规划。
4.基于空地信息互补的无人车路径规划是空地异构机器人系统的关键技术之一。首先,基于无人机搭载的感知系统和定位导航系统等建立地面环境的栅格地图;其次,无人车实时接收无人机栅格地图信息,结合自身感知的环境信息修正补充栅格地图,然后自行规划出一条从出发点至终点的无碰撞的最优移动路径,这条最优路径可以是满足移动路径最短,可以是满足耗时最短,还可以满足能量消耗最少等。基于空地信息互补的无人车路径规划问题,实际上可以看成是一个带约束条件的复杂优化问题。因此,一些智能优化算法对于提高无人车路径规划的效果发挥了积极的作用,很多学者开展了大量的研究工作。
5.根据目前的研究成果来看,智能优化算法是一种有效的路径规划方法。海鸥算法是一种模拟海鸥觅食行为的新型智能优化算法,同样可以应用于路径规划问题。但是,海鸥优化算法存仍然存在有一些缺陷,使得算法容易陷入局部最优和收敛精度不高,在进行路径规划时,往往达不到理想的路径规划效果。如:在确定种群位置时,海鸥个体的位置是随机确定的,这就使得算法具有一定的盲目性和随机性;海鸥算法的位置更新是根据目标物的位置,采用螺旋进攻的方式,向最佳位置移动,但是如果只是根据最佳目标位置进行移动,很容易使海鸥陷入局部最优解;海鸥算法陷入局部最优解时,没有任何措施能帮助其跳出局部最优解。上述的3个不足,导致在采用海鸥算法进行基于空地信息互补的无人车路径规划时,不能达到最佳的路径规划效果。


技术实现要素:

6.为解决上述问题,本发明提供一种基于空地信息互补的无人车路径规划方法,克服了海鸥算法存在的几点不足,能够显著提升基于空地信息融合的无人车路径规划的效果。
7.为实现上述目的,本发明提供了如下的技术方案。
8.一种基于空地信息互补的无人车路径规划方法,包括以下步骤:基于无人机搭载的感知系统和定位导航系统建立地面环境的栅格地图,无人车获
取无人机建立的栅格地图,并结合自身感知的环境信息修正补充栅格地图;根据修正补充后的栅格地图,建立无人车路径规划的目标函数;所述目标函数为移动路径最短,或耗时最短,或消耗能量最少;根据目标函数,通过改进型海鸥优化算法进行最优位置更新,确定最优海鸥位置;根据预设的最大迭代次数依次更新的最优海鸥位置,确定最优路径规划结果;其中,所述改进型海鸥优化算法引入高斯映射初始化海鸥种群位置,并引入爬行动物搜索算法的位置更新机制替换原有的海鸥位置更新方式;所述改进型海鸥优化算法还包括,通过逐维度双向sine变异进一步进行最优位置更新。
9.优选地,所述改进型海鸥优化算法引入高斯映射初始化海鸥种群位置,包括以下步骤:确定种群的大小n,海鸥寻优下边界lb和海鸥寻优上边界ub;通过高斯映射产生随机数x
t
:式中,mod(
·
)为求余函数,x
t+1
为下一个随机数;利用产生的高斯随机数初始化海鸥位置:。
10.优选地,所述引入爬行动物搜索算法的位置更新机制替换原有的海鸥位置更新方式,海鸥位置更新具体包括以下步骤:优选地,所述引入爬行动物搜索算法的位置更新机制替换原有的海鸥位置更新方式,海鸥位置更新具体包括以下步骤:海鸥的迁徙行为:在迁移过程中,模拟海鸥群如何从一个位置移动到另一个位置,主要包括三个行为:避免碰撞,向最佳位置方向移动和靠近最佳位置;为了避免与其他海鸥碰撞,采用附加变量a计算海鸥的新位置:为了避免与其他海鸥碰撞,采用附加变量a计算海鸥的新位置:式中:为不与其他海鸥存在位置冲突的新位置,为海鸥当前位置,t表示当前迭代次数,miter为最大迭代次数,a表示海鸥在给定搜索空间中的运动行为;为控制系数,取值从2降到0;在避免与其他海鸥的位置重合之后,海鸥会向最佳位置所在的方向移动:
式中:表示最佳位置所在的方向,表示第t次迭代的最佳位置,b是负责平衡全局和局部搜索的随机数;为[0,1]范围内的随机数;海鸥移动到不与其他海鸥相撞的位置后,就朝着最佳位置的所在方向进行移动,到达新的位置:式中:是海鸥的向新位置移动的距离;海鸥的改进全局攻击行为:海鸥在攻击猎物过程中,通过螺旋运动不断改变攻击角度和速度,螺旋运动行为表示为:式中,r是每个螺旋的半径,θ是[0,2π]范围内的随机角度值;u和v是螺旋形状的相关常数,e是自然对数的底数;引入爬行动物搜索算法的位置更新机制来改进海鸥位置更新方式,改进后的海鸥位置更新公式如下:其中:其中:其中:
其中,是第t+1次迭代后的海鸥的第j维的位置;是第t次迭代后的海鸥的第j维的位置;表示当前第次迭代后的最优位置的第j维;是海鸥的向新位置移动的距离的第j维;为[0,1]之间的随机数;rand为[0,1]之间的随机数;表示第次迭代的海鸥的第j维的狩猎算子;是正数;是缩减函数,用于减少搜索区域;表示海鸥的所有与第j维的平均位置;n表示求解规划问题的维度;表示第次迭代后海鸥的最佳解和当前解的第j维位置的百分比差异;是第t次迭代后的海鸥位置;和是[1,n]之间的随机整数,表示第t次迭代后的第个海鸥的第j维位置;表示第t次迭代后的第个海鸥的第j维位置;分别表示海鸥的第j维位置的上界和下界;是进化因子,在整个迭代过程中,取值在2和-2之间随机递减;表示 [-1,1] 之间的随机整数;是一个敏感参数,用于控制迭代过程中狩猎合作的搜索精度;是一个敏感参数,控制迭代过程中包围阶段的探索精度;计算适应度值:式中,为计算适应度值时的适应度函数;记录当次迭代中最优海鸥。
[0011]
优选地,所述通过逐维度双向sine变异进一步进行最优位置更新,包括以下步骤:对于维度j,根据当前迭代次数计算sine混沌值,并等概率切换正负方向:对于维度j,根据当前迭代次数计算sine混沌值,并等概率切换正负方向:式中,rand为0到1的随机数;x0为迭代序列值;对最优位置进行变异扰动:
式中:表示第t+1次迭代的最优位置的第j维;贪婪更新:每个维度都进行变异后,停止变异。
[0012]
本发明的有益效果:本发明提出一种基于空地信息互补的无人车路径规划方法,该方法通过引入高斯映射进行海鸥种群位置的初始化,可以提升种群位置分布的均匀性和多样性,进而算法的稳定性得以增强。该方法对海鸥的位置更新方式进行了改进,引入爬行动物搜索算法的位置更新机制来改进海鸥位置更新方式,综合考虑了随着迭代次数的不同切换不同的位置更新模式、本次迭代海鸥最优位置、当前解的各个维度的平均值、当前解的各个维度与最优解的差异百分比、种群内部的其他海鸥位置等因素更新海鸥位置,实现了算法搜索范围的增大,算法的适应性得以增强。该方法对最优海鸥利用双向sine混沌映射变异,实现了算法在后期跳出局部最优解的能力。
附图说明
[0013]
图1是本发明实施例的一种基于空地信息互补的无人车路径规划方法的流程图;图2是本发明实施例的一种基于空地信息互补的无人车路径规划方法的路径规划结果;图3是本发明实施例的一种基于空地信息互补的无人车路径规划方法的迭代过程曲线。
具体实施方式
[0014]
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
[0015]
实施例1本发明的一种基于空地信息互补的无人车路径规划方法,针对soa存在的几个问题,提出改进型海鸥优化算法(improve seagull optimization algorithm, isoa)并用于基于空地信息互补的无人车路径规划,基于空地信息互补的无人车路径规划方法的流程如图1所示,具体步骤如下:s1:基于无人机搭载的感知系统和定位导航系统等建立地面环境的栅格地图,无人车获取无人机建立的栅格地图,并结合自身感知的环境信息修正补充栅格地图。
[0016]
s2:建立基于空地信息融合的无人车路径规划的目标函数funtion(可以根据实际需要设置为移动路径最短、耗时最短、消耗能量最少等),同时设置相应的约束条件以及路径的关键节点数d。
[0017]
s3:进行参数设置,主要包括:海鸥种群的大小(即海鸥个体的数量)n;迭代的最大次数(即迭代停止的条件)miter;海鸥寻优下边界lb;海鸥寻优上边界ub。
[0018]
s4:通过高斯映射产生随机数x
t
:式中,mod(
·
)为求余函数,x
t+1
为下一个随机数;利用产生的高斯随机数初始化海鸥位置:。
[0019]
s5:海鸥的迁徙行为:在迁移过程中,模拟海鸥群如何从一个位置移动到另一个位置,主要包括三个行为:避免碰撞,向最佳位置方向移动和靠近最佳位置;为了避免与其他海鸥碰撞,采用附加变量a计算海鸥的新位置:为了避免与其他海鸥碰撞,采用附加变量a计算海鸥的新位置:式中:为不与其他海鸥存在位置冲突的新位置,为海鸥当前位置,t表示当前迭代次数,miter为最大迭代次数,a表示海鸥在给定搜索空间中的运动行为;为控制系数,取值从2降到0;在避免与其他海鸥的位置重合之后,海鸥会向最佳位置所在的方向移动:在避免与其他海鸥的位置重合之后,海鸥会向最佳位置所在的方向移动:式中:表示最佳位置所在的方向,表示第t次迭代的最佳位置,b是负责平衡全局和局部搜索的随机数;为[0,1]范围内的随机数;海鸥移动到不与其他海鸥相撞的位置后,就朝着最佳位置的所在方向进行移动,到达新的位置:式中:是海鸥的向新位置移动的距离;海鸥的改进全局攻击行为:海鸥在攻击猎物过程中,通过螺旋运动不断改变攻击角度和速度,螺旋运动行为表示为:
式中,r是每个螺旋的半径,θ是[0,2π]范围内的随机角度值;u和v是螺旋形状的相关常数,e是自然对数的底数。
[0020]
原始海鸥算法中,只利用最优海鸥位置进行引导,来更新海鸥位置,为了更加有效的提高海鸥的全局搜索能力,引入爬行动物搜索算法的位置更新机制来改进海鸥位置更新方式,综合考虑了随着迭代次数的不同切换不同的位置更新模式、本次迭代海鸥最优位置、当前解的各个维度的平均值、当前解的各个维度与最优解的差异百分比、种群内部的其他海鸥位置等因素更新海鸥位置,避免每次迭代中出现局部最优,进而提高海鸥算法的全局搜索能力。
[0021]
改进后的海鸥位置更新公式如下:其中:其中:其中:其中:其中:其中,是第t+1次迭代后的海鸥的第j维的位置;是第t次迭代后的海鸥的第j维的位置;表示当前第次迭代后的最优位置的第j维;是海鸥的向新位置移动的距离的第j维;为[0,1]之间的随机数;
rand为[0,1]之间的随机数;表示第次迭代的海鸥的第j维的狩猎算子;是正数;是缩减函数,用于减少搜索区域;表示海鸥的所有与第j维的平均位置;n表示求解规划问题的维度;表示第次迭代后海鸥的最佳解和当前解的第j维位置的百分比差异;是第t次迭代后的海鸥位置;和是[1,n]之间的随机整数,表示第t次迭代后的第个海鸥的第j维位置;表示第t次迭代后的第个海鸥的第j维位置;分别表示海鸥的第j维位置的上界和下界;是进化因子,在整个迭代过程中,取值在2和-2之间随机递减;表示 [-1,1] 之间的随机整数;是一个敏感参数,用于控制迭代过程中狩猎合作的搜索精度;是一个敏感参数,控制迭代过程中包围阶段的探索精度;s6:计算适应度值:式中,为计算适应度值时的适应度函数。
[0022]
s7:记录信息,记录当次迭代中最优海鸥。
[0023]
s8:对于维度j,根据当前迭代次数计算sine混沌值,并等概率切换正负方向:8:对于维度j,根据当前迭代次数计算sine混沌值,并等概率切换正负方向:式中,rand为0到1的随机数;x0为迭代序列值;对最优位置进行变异扰动:式中:表示第t+1次迭代的最优位置的第j维;贪婪更新:每个维度都进行变异后,停止变异。
[0024]
s9:记录信息,记录当次迭代中最优海鸥。
[0025]
s10:重复执行步骤s5~s9,达到最大迭代次数miter后,算法停止,输出最优路径结果。
[0026]
本实施例中:
以matlab为仿真平台,假设经过无人机和无人车信息互补构建的20
×
20的栅格地图,以最短移动距离为目标,对soa方法和isoa方法进行分析。soa算法中的参数为:n=50,maxiter=200,lb = 1,ub=20;isoa算法中的参数为:n=50,maxiter=200,lb = 1,ub=20。仿真环境和两个方法分别得到的移动路径如图2所示,图3为迭代过程曲线。表1为两种算法的数据结果对比。
[0027]
表1.算法路径结果比较算法路径长度soa36.9706isoa33.5623从图2中可以直观的发现soa得到的移动路径比isoa的要长,路径比较迂回,而isoa得到的路径则比较合理。进一步分析图2和图3中的结果可知,采用soa算法时,算法收敛速度较慢;采用isoa算法时,收敛速度更快,能更快的找到更好的路径。可以看出,本发明所设计的isoa算法具有更快的收敛速度和收敛精度,而soa则出现了陷入局部最优的情况。仿真结果表明,在多种相同的环境下,isoa算法搜索能力更强,获得了更优移动路径,验证了算法的有效性。
[0028]
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1