一种基于空地信息协同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协同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。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。
3.基于空地信息协同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。
4.基于空地信息协同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。例如，陈雪俊等对智能水滴算法进行了改进，提出了改进水滴算法的无人车避障路径规划方法（陈雪俊,贝绍轶. 一种基于改进智能水滴算法的无人车避障路径规划方法[p]. 江苏省：cn110703767a,2020-01-17.）；刘洪丹等提出了量子狼群算法并用于无人驾驶智能车的自动避障研究（刘胜,张兰勇,丁一轩,李冰,李芃,孙玥. 基于量子狼群算法的无人驾驶智能车自动避碰方法[p]. 黑龙江省：cn110471426a,2019-11-19.）。
[0005]
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。灰狼算法是一种模拟灰狼捕猎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，灰狼优化算法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。


技术实现要素：

[0006]
为解决上述问题，本发明提供一种基于空地信息协同的无人车路径规划方法，克服了灰狼算法存在的几点不足，能够显著提升基于空地信息协同的无人车路径规划的效果。
[0007]
为实现上述目的，本发明提供了如下的技术方案。
[0008]
一种基于空地信息协同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，通过改进型灰狼优化算法进行最优位置更新，确定最优灰狼位置；根据预设的最大迭代次数依次更新的最优灰狼位置，确定最优路径规划结果；其中，所述改进型灰狼优化算法引入singer混沌映射初始化灰狼种群位置，并引入瞬态搜索优化算法的位置更新机制替换原有的灰狼位置更新方式；所述改进型灰狼优化算法还包括，通过透镜反向学习进一步进行最优位置更新。
[0009]
优选地，所述改进型灰狼优化算法引入singer混沌映射初始化灰狼种群位置，包括以下步骤：确定种群的大小n，灰狼寻优下边界lb和灰狼寻优上边界ub；通过singer映射产生随机数x
t
：式中，x
t+1
为下一个随机数；利用产生的singer随机数初始化灰狼位置：。
[0010]
优选地，所述引入瞬态搜索优化算法的位置更新机制替换原有的灰狼位置更新方式，灰狼位置更新具体包括以下步骤：进行灰狼全体狩猎：通过α狼、β狼、δ狼和其他狼的初始化模拟灰狼实现对猎物的包围；初始化后默认α狼、β狼、δ狼实现了对最优解的包围，其他狼通过α狼、β狼、δ狼的引导实现位置更新，从而实现对最优解的围捕；具体实现数学模式如下：计算当前狼与最优解的距离d：计算当前狼的下一个位置x(t+1)：其中，表示猎物的位置；表示第t代时灰狼个体的位置；a和c为系数向量；a和c由下式得到：量；a和c由下式得到：
式中，和为[0,1]的随机数，的值随迭代次数由2线性递减到0；其他狼根据α狼、β狼、δ狼位置x
α
、x
β
、x
δ
进行位置更新：进行位置更新：进行位置更新：进行位置更新：进行位置更新：进行位置更新：进行位置更新：式中，x1、x2、x3分别为当前狼在α狼、β狼、δ狼引导下的下一个位置，y为三个位置的平均值；引入瞬态搜索优化算法的位置更新机制来改进灰狼位置更新方式，改进后的灰狼位置更新公式如下：其中：其中：其中：其中：式中，为更新后的第t+1次迭代的灰狼位置；表示第t次迭代的最佳位置，即α狼的位置；为当前第t次迭代的灰狼位置；和为[0,1]之间的随机数；c
t
和为随机的热阻系数；为衰减系数，随着迭代次数从2逐渐减小为0；为常数（k=0,1,2
…
)；、和为[0,1]内的随机数；、和是表示第t次迭代时随机选择的三个灰狼个体，；是、和的平均值；miter表示迭代次数；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灰狼。
[0011]
优选地，所述通过透镜反向学习进一步进行最优位置更新，包括以下步骤：对最优灰狼位置进行透镜反向学习，获取学习后的最优适应度值和最优灰狼位置x
bs
(t+1) '：式中，n为缩放因子；利用贪婪原则，将学习前后适应度值最优的灰狼位置，作为更新后的最优灰狼位置，即：确定更新后的最优灰狼位置为x
bs
(t+1)。
[0012]
本发明的有益效果：本发明提出一种基于空地信息协同的无人车路径规划方法，该方法通过引入singer映射进行灰狼种群位置的初始化，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；该方法对灰狼的位置更新方式进行改进，引入瞬态搜索优化算法的位置更新机制来改进灰狼位置更新方式，综合考虑了不同位置更新模式、本次迭代灰狼最优位置、种群内部的其他灰狼的平均位置等等因素更新灰狼位置，实现了算法搜索范围的增大，算法的适应性得以增强；该方法对最优灰狼利用透镜反向学习进行更新，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协同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协同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协同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协同的无人车路径规划方法，针对gwo存在的几个问题，提出改进型灰狼优化算法（improve grey wolf algorithm , igwo）并用于基于空地信
息协同的无人车路径规划，基于空地信息协同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：建立基于空地信息协同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：灰狼种群的大小（即灰狼个体的数量）n；迭代的最大次数（即迭代停止的条件）miter；灰狼寻优下边界lb；灰狼寻优上边界ub。
[0018]
s4：确定种群的大小n，灰狼寻优下边界lb和灰狼寻优上边界ub；通过singer映射产生随机数x
t
：式中，x
t+1
为下一个随机数；利用产生的singer随机数初始化灰狼位置：。
[0019]
s5：进行灰狼全体狩猎：通过α狼、β狼、δ狼和其他狼的初始化模拟灰狼实现对猎物的包围；初始化后默认α狼、β狼、δ狼实现了对最优解的包围，其他狼通过α狼、β狼、δ狼的引导实现位置更新，从而实现对最优解的围捕；具体实现数学模式如下：计算当前狼与最优解的距离d：计算当前狼的下一个位置x(t+1)：其中，表示猎物的位置；表示第t代时灰狼个体的位置；a和c为系数向量；a和c由下式得到：量；a和c由下式得到：式中，和为[0,1]的随机数，的值随迭代次数由2线性递减到0；其他狼根据α狼、β狼、δ狼位置x
α
、x
β
、x
δ
进行位置更新：
式中，x1、x2、x3分别为当前狼在α狼、β狼、δ狼引导下的下一个位置，y为三个位置的平均值；原始灰狼算法中，只利用最优灰狼α狼、次优灰狼β狼、第三优灰狼δ狼的位置进行引导，来更新灰狼位置。为了更加有效的提高灰狼的全局搜索能力，引入瞬态搜索优化算法的位置更新机制来改进灰狼位置更新方式，综合考虑了不同位置更新模式、本次迭代灰狼最优位置、种群内部的其他灰狼的平均位置等等因素更新灰狼位置，避免每次迭代中出现局部最优，进而提高灰狼算法的全局搜索能力。
[0020]
借鉴瞬态搜索优化算法，改进后的灰狼位置更新公式如下：其中：其中：其中：其中：式中，为更新后的第t+1次迭代的灰狼位置；表示第t次迭代的最佳位置，即α狼的位置；为当前第t次迭代的灰狼位置；和为[0,1]之间的随机数；和为随机的热阻系数；为衰减系数，随着迭代次数从2逐渐减小为0；为常数（k=0,1,2
…
)；、和为[0,1]内的随机数；、和是表示第t次迭代时随机选择的三个灰狼个体，；是、和的平均值；miter表示迭代次数。
[0021]
s6：计算适应度值。
[0022]
式中，为计算适应度值时的适应度函数；s7：记录信息，记录当次迭代中最优灰狼。
[0023]
s8：对最优灰狼位置进行透镜反向学习，获取学习后的最优适应度值和最优灰狼位置x
bs
(t+1) '：式中，n为缩放因子；利用贪婪原则，将学习前后适应度值最优的灰狼位置，作为更新后的最优灰狼位置，即：确定更新后的最优灰狼位置为x
bs
(t+1)。
[0024]
s9：记录信息，记录当次迭代中最优灰狼。
[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融合构建的20
×
20的栅格地图，以最短移动距离为目标，对gwo方法和igwo方法进行分析。gwo算法中的参数为：n=50，maxiter=200，lb = 1，ub=20；igwo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gwo37.799igwo32.9706从图2中可以直观的发现gwo得到的移动路径比igwo的要长，路径比较迂回，而igwo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gwo算法时，算法收敛速度较慢；采用igwo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igwo算法具有更快的收敛速度和收敛精度，而gwo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，igwo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。