CN112000115B - 一种自主式水下机器人的路径规划方法及相关设备 - Google Patents
一种自主式水下机器人的路径规划方法及相关设备 Download PDFInfo
- Publication number
- CN112000115B CN112000115B CN202010967859.5A CN202010967859A CN112000115B CN 112000115 B CN112000115 B CN 112000115B CN 202010967859 A CN202010967859 A CN 202010967859A CN 112000115 B CN112000115 B CN 112000115B
- Authority
- CN
- China
- Prior art keywords
- position value
- fitness
- path
- search
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000002245 particle Substances 0.000 claims abstract description 87
- 230000000739 chaotic effect Effects 0.000 claims abstract description 59
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 230000000694 effects Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/04—Control of altitude or depth
- G05D1/06—Rate of change of altitude or depth
- G05D1/0692—Rate of change of altitude or depth specially adapted for under-water vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本说明书一个或多个实施例提供一种自主式水下机器人的路径规划方法,包括:对机器人活动空间构建栅格化地图;根据栅格化地图,采用混沌算法对粒子群进行初始化,得到最优初始位置值;对最优初始位置值,得到第一全局最优位置值;根据第一全局最优位置值和自适应惯性权重迭代更新粒子的位置和速度,得到第二全局最优位置值;其中,自适应惯性权重采用正弦函数对粒子权重进行动态衰减;构建第二全局最优位置值搜索范围,在搜索范围内采用混沌算法确定若干搜索点,对若干搜索点计算适应度值,将适应度值最高的搜索点对应的路径作为规划路径。
Description
技术领域
本说明书一个或多个实施例涉及技术领域,尤其涉及一种自主式水下机器人的路径规划方法及相关设备。
背景技术
自主式水下机器人,Autonomous Underwater Vehicle(AUV)可以代替人类到达海洋中的危险地带或者人类难以到达的地方采集数据,方便人们很好地了解和利用海洋。路径规划是自主式水下机器人智能化的必需技术,路径规划是指移动机器人根据传感器所采集的周围环境信息,在绕过障碍物的前提下,按照一定的评价标准,例如:路径最短、消耗能量最少或使用时间最短等,规划出一条从起始点绕过障碍物到达目标点的最优路径。
现有路径规划技术中,存在算法收敛慢和局部最优值的问题,粒子容易陷入局部最优值,导致路径规划达不到最优。
发明内容
有鉴于此,本说明书一个或多个实施例的目的在于提出一种,以解决的问题。
基于上述目的,本说明书一个或多个实施例提供了一种自主式水下机器人的路径规划方法,包括:
对所述自主式水下机器人活动空间构建栅格化地图;
根据所述栅格化地图,采用混沌算法对粒子群进行初始化,得到最优初始位置值;
对所述最优初始位置值进行适应度计算,得到第一全局最优位置值;
根据所述第一全局最优位置值和自适应惯性权重迭代更新粒子的位置和速度,得到第二全局最优位置值;
其中,自适应惯性权重采用正弦函数对粒子权重进行动态衰减;
构建第二全局最优位置值搜索范围,在搜索范围内采用混沌算法确定若干搜索点,对若干搜索点计算适应度值,将适应度值最高的搜索点对应的路径作为规划路径。
可选的,所述对所述自主式水下机器人活动空间构建栅格化地图,具体包括:
将所述栅格化地图划分为障碍物区域和自由活动区域;
对所述障碍物区域及其边界做圆形化处理,得到所述障碍物区域对应的圆形区域。
可选的,所述根据所述栅格化地图,采用混沌算法对粒子群进行初始化,得到最优初始位置值,具体包括:
所述混沌算法包括迭代方程和映射公式;
设定所述粒子群的活动区间,在所述活动区间随机产生若干初始值,使用所述迭代方程对所述初始值迭代,得到混沌变量序列;
通过所述映射公式,将所述混沌变量序列映射到所述栅格化地图中,在所述栅格化地图中得到若干粒子;
计算所述粒子的位置值适应度,选取位置值适应度最高的对应的所述粒子作为最优初始粒子,得到所述最优初始位置值;
其中,所述迭代方程如下式所示:
Z:an+1=uan(1-an)
其中,Z为混沌变量序列,an为混沌变量的一次取值,u为控制变量;
所述映射公式如下式所示:
Xi=xmin+(xmax-xmin)*Zi
Yi=ymin+(ymax-ymin)*Zi
其中,i=1,2,3…,2N,xmin、xmax和ymin、ymax为每一次的x和y的取值范围。
作为一种可选的实施例,所述对最优初始位置值进行适应度计算,得到第一全局最优位置值,具体包括:
所述适应度为从起始点出发,经过粒子位置后到达终点的无障碍路径长度;
所述路径的长度越短,适应度越高。
作为一种可选的实施例,所述根据第一全局最优位置值和自适应惯性权重迭代更新粒子的位置和速度,得到第二全局最优位置值,具体包括:
所述迭代公式如下所示:
v(t+1)=ωv(t)+c1r1(pbest-x(t))+c2r2(gbest-x(t))
x(t+1)=x(t)+v(t+1)
其中,t为迭代次数,ω为所述自适应惯性权重,v(t)为当前粒子的更新速度,r1和r2为所述粒子群活动区间中的随机数,c1和c2为学习因子,x(t+1)为下一次迭代的位置,x(t)为当前位置,v(t+1)为下一代的速度;
gbest为所述粒子每更新一次产生的全局最优值,pbest为所述粒子每更新一次产生的个体最优值。
作为一种可选的实施例,所述自适应惯性权重采用正弦函数对粒子权重进行动态衰减,具体包括:
所述自适应惯性权重如下式所示:
ω=ω*sin(π/2+(π/2)*(it/MaxIt))+ωmin
式中,等号右边的ω为上一次迭代的自适应惯性权重,it为目前迭代次数,MaxIt为最大迭代次数,ωmin为预设惯性权重值的最小值。作为一种可选的实施例,所述构建第二全局最优位置值搜索范围,在搜索范围内采用混沌算法确定若干搜索点,对若干搜索点计算适应度值,将适应度值最高的搜索点对应的路径作为规划路径,具体包括:
使用如下公式得到K个所述第二全局最优位置值附近的搜索点Pi(i=0,1,2…K):
Pi.X=gbest.X+R·(Z-0.5)
Pi.Y=gbest.Y+R·(Z-0.5)
式中,Pi.X为所述搜索点的横坐标,Pi.Y为所述搜索点的纵坐标,R为搜索半径;
将得到的所述搜索点输入适度值函数Fitness()进行计算,计算结果与Fitness(gbest)比较,若Fitness(Pi)<Fitness(gbest),得到Pi,将Pi对应的路径作为规划路径。
基于同一种发明构思,本申请中一个或多个实施例还提供了一种自主式水下机器人的路径规划装置,包括:
栅格化模块,被配置为对所述自主式水下机器人活动空间构建栅格化地图;
混沌初始化模块,被配置为根据所述栅格化地图,采用混沌算法对粒子群进行初始化,得到最优初始位置值;
计算适应度模块,被配置为对最优初始位置值进行适应度计算,得到第一全局最优位置值;
迭代更新模块,被配置为根据第一全局最优位置值和自适应惯性权重迭代更新粒子的位置和速度,得到第二全局最优位置值;
速度控制模块,被配置为所述自适应惯性权重,采用正弦函数对粒子搜索速度的惯性权重进行动态衰减;
局部搜索优化模块,被配置为构建第二全局最优位置值搜索范围,在搜索范围内采用混沌算法确定若干搜索点,对若干搜索点计算适应度值,将适应度值最高的搜索点对应的路径作为规划路径。
基于同一种发明构思,本申请中一个或多个实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上任意一项所述的方法。
基于同一种发明构思,本申请中一个或多个实施例还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上任意一项所述方法。
从上面所述可以看出,本说明书一个或多个实施例提供的一种自主式水下机器人的路径规划方法,包括:对所述自主式水下机器人活动空间构建栅格化地图;根据所述栅格化地图,采用混沌算法对粒子群进行初始化,得到最优初始位置值;对最优初始位置值进行适应度计算,得到第一全局最优位置值;根据第一全局最优位置值和自适应惯性权重迭代更新粒子的位置和速度,得到第二全局最优位置值;其中,自适应惯性权重采用正弦函数对粒子权重进行动态衰减;构建第二全局最优位置值搜索范围,在搜索范围内采用混沌算法确定若干搜索点,对若干搜索点计算适应度值,将适应度值最高的搜索点对应的路径作为规划路径;从而得到一条机器人从开始位置到目标的无碰撞最优路径。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书一个或多个实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书一个或多个实施例流程示意图;
图2为本说明书一个或多个实施例的具体实施方式示意图;
图3为本说明书一个或多个实施例的PSO算法的运行结果示意图;
图4为本说明书一个或多个实施例电子设备结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
需要说明的是,除非另外定义,本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
发明人通过研究现有技术,发现现有技术中,自主式水下机器人的路径规划方法为基于粒子群算法,其中存在算法收敛速度慢和局部最优问题。
针对于上述现有技术存在的问题,本申请中一个或多个实施例提供了一种自主式水下机器人的路径规划方案,在算法的初始化阶段,以混沌序列初始化粒子群。在算法运行过程中,采用正弦函数对粒子权重进行动态衰减,根据粒子之间的相互协作实现对粒子的位置和速度的不断更新。在每次PSO算法每一代挑选出的最优解附近的区域里,用混沌算法进一步搜索,避免陷入局部最优值,从而得到一条机器人从开始位置到目标的无碰撞最优路径。
以下,通过具体的实施例进一步详细说明本申请实施例的方案。
参见图1,为本申请中一个或多个实施例提供了一种自主式水下机器人的路径规划方法,具体包括如下步骤:
S101:对自主式水下机器人活动空间构建栅格化地图;
S102:根据栅格化地图,采用混沌算法对粒子群进行初始化,得到最优初始位置值;
S103:对最优初始位置值进行适应度计算,得到第一全局最优位置值;
S104:根据第一全局最优位置值和自适应惯性权重迭代更新粒子的位置和速度,得到第二全局最优位置值;
S105:自适应惯性权重采用正弦函数对粒子权重进行动态衰减;
S106:构建第二全局最优位置值搜索范围,在搜索范围内采用混沌算法确定若干搜索点,对若干搜索点计算适应度值,将适应度值最高的搜索点对应的路径作为规划路径。
本实施例中,具体包括:将栅格化地图划分为障碍物区域和自由活动区域;对障碍物区域及其边界做圆形化处理,得到障碍物区域对应的圆形区域。
在本实施例中,使用的PSO算法,将鸟群中的每个个体假设为一个没有体积和质量的“粒子”,通过随机初始一组粒子,按照适应度函数计算每一个粒子对应的适应度值。当整个群体在搜索某个确切目标的时候,对于其中的某个个体,它以整个群体中距离目标最近个体的位置(“全局最优,Gbest”)和自身搜索过程中到达的历史最优位置(“个体最优,Pbest”)来更新自身位置,经过不断迭代搜索“全局最优”粒子位置,以此作为最终的可行解。
在本实施例中,使用混沌算法对随机初始的粒子进行混沌优化,产生最优初始位置值,根据每次迭代产生的最优初始位置值,更新自己的速度和新的位置,得到第一全局最优位置值。
在本实施例中,根据栅格化地图,采用混沌算法对粒子群进行初始化,得到最优初始位置值,具体包括:
采用混沌算法给变量赋初值,使用迭代方程对初值进行迭代,得到若干混沌序列,将与粒子对应的适应度最高的若干混沌序列的初始位置值作为最优初始位置值;
其中,混沌算法的迭代方程(Logic映射)如下式所示:
Z:an+1=uan(1-an)
其中,Z为混沌变量序列,an为混沌变量的一次取值,u为控制变量;
通过迭代方程产生混沌变量序列,实现遍历搜索。
在一些实施例中,当给an赋一个初值a0,其中,an通过Logic方程的迭代,产生混沌变量序列,即可实现对混沌空间的遍历搜索。混沌算法实现了不重复遍历搜索,从而从根本上解决PSO算法中局部极值问题。
在本实施例中,混沌原理初始化粒子群算法如下:
(1)在坐标轴的x,y方向上分别随机产生m个[0,1]区间的初始值。m为混沌变量的维度;
(2)根据迭代方程,通过2N次循环产生2N个m维的混沌序列Z(Z0,Z1,Z2…,Z2N)。N是粒子群粒子的数目。
(3)线性映射。因为产生的混沌序列的取值范围在[0,1]区间,而路径规划的横坐标和纵坐标的取值范围分别是[xmin,xmax],[ymin,ymax]。所以必须通过以下公式把[0,1]区间的混沌序列映射到路径规划的取值范围中。这些2N个初始位置的横、纵坐标分别可以表示为映射公式,如下所示:
Xi=xmin+(xmax-xmin)*Zi
Yi=ymin+(ymax-ymin)*Zi
式中,i=1,2,3...,2N。
(4)选取适应度最好的N个粒子作为初始粒子。
在本实施例中,将与粒子对应的适应度最高的若干混沌序列的初始位置值作为最优初始位置值,具体包括:
适应度指从起点出发,经过粒子位置后到达终点的无障碍的路径长度,使用适应度函数Fitness()计算;其中:
路径的长度越短,说明适应度越高。
在一些实施例中,根据最优初始位置值进行适应度计算,得到第一全局最优位置值,具体包括:
选取适应度最高的最优初始位置值,作为与粒子对应的第一全局最优位置值生成。
在一些实施例中,第一全局最优位置值和自适应惯性权重迭代更新粒子的位置和速度,得到第二全局最优位置值,具体包括:
迭代更新使用如下公式:
v(t+1)=ωv(t)+c1r1(pbest-x(t))+c2r2(gbest-x(t))
x(t+1)=x(t)+v(t+1)
其中,t为迭代次数,ω为权重系数,v(t)为当前粒子的更新速度,r1和r2为取值范围[0,1]之间的随机数,c1和c2为学习因子,x(t+1)为下一代的位置,x(t)为当前位置,v(t+1)为下一代的速度,gbest为全局最优,pgest为个体最优;学习因子影响粒子群跟随最优解的快慢;
在本实施例中,需要为v设定一个最大值vm,当0<v(t+1)<vm时,v=v(t+1),当v(t+1)>vm时,v=vm,这样就把v限制在[0,vm]范围,从而保证了搜索的精度。
为优化粒子群算法惯性问题,采用正弦函数对粒子权重进行动态衰减,得到自适应惯性权重;
自适应惯性权重如下式所示:
ω=ω*sin(π/2+(π/2)*(it/MaxIt))+ωmin
式中,等号右边的ω为上一次迭代的惯性权重值,it为目前迭代次数,MaxIt为总迭代次数,ωmin为预设惯性权重最小值;其中,ω的初始值和ωmin均可根据实际的情况进行设定;
迭代循环如图2所示,当迭代次数超出预设最大迭代次数时,结束循环,输出最终结果。
在本实施例中,自适应惯性权重根据粒子群的迭代次数,利用正弦函数的变化规律,产生ω参数的自适应功能。通过实验观察具有良好的全局搜索能力和局部的优化性能,且能够快速收敛,比标准的粒子群收敛得更快、更精确。
在一些实施例中,构建第二全局最优位置值搜索范围,在搜索范围内采用混沌算法确定若干搜索点,对若干搜索点计算适应度值,将适应度值最高的搜索点对应的路径作为规划路径;
在本实施例中,为解决粒子群搜索末期容易陷入局部最小值的问题,采用对搜索点进行混沌搜索,具体包括:
使用如下公式得到K个第二全局最优位置值附近的搜索点Pi(i=0,1,2…K):
Pi.X=gbest.X+R.(Z-0.5)
Pi.Y=gbest.Y+R.(Z-0.5)
式中,Pi.X为搜索点的横坐标,Pi.Y为搜索点的纵坐标,R为搜索半径;
其中:将得到的搜索点输入Fitness()计算,计算结果与Fitness(gbest)比较,若Fitness(Pi)<Fitness(gbest),得到对应的路径作为规划路径。
可以理解,该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。
作为一个可选的实施例,本申请一个或多个实施例提供的自主式水下机器人的路径规划方法,做了以下实验:预设在二维平面内搜索从起点(0,0)到终点(5,8)的有效路径,设定种群数量为20,总的迭代次数为100次,c1=1.5,c2=1.5,初始的w为1,惯性权重的最小值=0.4。
分别针对传统PSO和改进的PSO分别做10次实验,其对比实验结果如表1所示。
表1对比实验结果
类型 | 最优 | 最差 | 平均 |
传统PSO | 9.81 | 11.8 | 10.63 |
改进的PSO | 9.74 | 10.62 | 10.15 |
其中,改进的PSO路径规划具体的实验结果如表2所示。
表2本方法的实验结果
其中最佳路径规划的仿真结果如图3所示。其中,图3(a)是规划的一条最佳路径,图3(b)显示的在收敛曲线在第80次左右达到了最优值9.745
表2中,带下划线的数据都是路径规划落在图3(a)所示最佳的路径的方向上,但是最终的距离值却不同。当我们把粒子数目设置为120,迭代200次后,再运行改进的路径规划算法10次,其中有9次的路径规划落在图3(a)所示最佳的路径的方向上。由此证明改进后的粒子群算法对于路径规划有显著的效果。
从上面可以看出,本申请中一个或多个实施例提供的一种自主式水下机器人的路径规划方法及相关设备,包括对自主式水下机器人活动空间构建栅格化地图;根据栅格化地图,采用混沌算法对粒子群进行初始化,得到最优初始位置值;对最优初始位置值进行适应度计算,得到第一全局最优位置值;根据第一全局最优位置值和自适应惯性权重迭代更新粒子的位置和速度,得到第二全局最优位置值;其中,自适应惯性权重采用正弦函数对粒子权重进行动态衰减;构建所述第二全局最优位置值搜索范围,在搜索范围内采用混沌算法确定若干搜索点,对若干搜索点计算适应度值,将适应度值最高的搜索点对应的路径作为规划路径。
根据最优初始位置值,得到第一全局最优位置值;根据第一全局最优位置值确定若干搜索点,对搜索点进行混沌搜索,得到第二全局最优位置值;混沌搜索采用正弦函数对粒子权重进行动态衰减,得到自适应惯性权重;使用第二全局最优位置值和自适应惯性权重,迭代更新粒子的位置和速度,并在迭代结束时得到最终第二全局最优位置值;计算最终第二全局最优位置值的适应度,将适应度最高的最终第二全局最优位置值对应的粒子的路径作为最优规划路径,得到一条机器人从开始位置到目标的无碰撞最优路径。
算法每一步挑选出的最优解附近的区域里,用混沌算法进一步搜索,避免陷入局部最优值,从而得到一条机器人从开始位置到目标的无碰撞最优路径。
基于同一种发明构思,本申请中一个或多个实施例还提供了一种自主式水下机器人的路径规划装置,具体包括以下模块:栅格化模块、混沌初始化模块、迭代模块、局部搜索优化模块、动态衰减模块、循环迭代模块、计算适应度模块。
参考图1,本装置中包括:
栅格化模块,被配置为对所述自主式水下机器人活动空间构建栅格化地图;
混沌初始化模块,被配置为根据所述栅格化地图,采用混沌算法对粒子群进行初始化,得到最优初始位置值;
计算适应度模块,被配置为对最优初始位置值进行适应度计算,得到第一全局最优位置值;
迭代更新模块,被配置为根据第一全局最优位置值和自适应惯性权重迭代更新粒子的位置和速度,得到第二全局最优位置值;
速度控制模块,被配置为所述自适应惯性权重,采用正弦函数对粒子搜索速度的惯性权重进行动态衰减;
局部搜索优化模块,被配置为构建第二全局最优位置值搜索范围,在搜索范围内采用混沌算法确定若干搜索点,对若干搜索点计算适应度值,将适应度值最高的搜索点对应的路径作为规划路径。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本发明一个或多个实施例时可以把各模块的功能在同一个或多个软件或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
需要说明的是,本说明书一个或多个实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
图4示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作***和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本公开的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本说明书一个或多个实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本说明书一个或多个实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本公开的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (9)
1.一种自主式水下机器人的路径规划方法,其特征在于,包括:
对所述自主式水下机器人活动空间构建栅格化地图;
根据所述栅格化地图,采用混沌算法对粒子群进行初始化,得到最优初始位置值;
对所述最优初始位置值进行适应度计算,得到第一全局最优位置值;
根据所述第一全局最优位置值和自适应惯性权重迭代更新粒子的位置和速度,得到第二全局最优位置值;
其中,所述自适应惯性权重采用如下所示的正弦函数对粒子权重进行动态衰减:
ω=ω*sin(π/2+(π/2)*(it/MaxIt))+ωmin
式中,等号右边的ω为上一次迭代的自适应惯性权重,it为目前迭代次数,MaxIt为最大迭代次数,ωmin为预设惯性权重值的最小值;
所述自适应惯性权重采用正弦函数对粒子权重进行动态衰减;
构建所述第二全局最优位置值搜索范围,在搜索范围内采用混沌算法确定若干搜索点,对若干所述搜索点计算适应度值,将适应度值最高的所述搜索点对应的路径作为规划路径。
2.根据权利要求1所述的一种自主式水下机器人的路径规划方法,其特征在于,所述对所述自主式水下机器人活动空间构建栅格化地图,具体包括:
将所述栅格化地图划分为障碍物区域和自由活动区域;
对所述障碍物区域及其边界做圆形化处理,得到所述障碍物区域对应的圆形区域。
3.根据权利要求1所述的一种自主式水下机器人的路径规划方法,其特征在于,所述根据所述栅格化地图,采用混沌算法对粒子群进行初始化,得到最优初始位置值,具体包括:
所述混沌算法包括迭代方程和映射公式;
设定所述粒子群的活动区间,在所述活动区间随机产生若干初始值,使用所述迭代方程对所述初始值迭代,得到混沌变量序列;
通过所述映射公式,将所述混沌变量序列映射到所述栅格化地图中,在所述栅格化地图中得到若干粒子;
计算所述粒子的位置值适应度,选取位置值适应度最高的对应的所述粒子作为最优初始粒子,得到所述最优初始位置值;
其中,所述迭代方程如下式所示:
Z:an+1=uan(1-an)
其中,Z为混沌变量序列,an为混沌变量的一次取值,u为控制变量;
所述映射公式如下式所示:
Xi=xmin+(xmax-xmin)*Zi
Yi=ymin+(ymax-ymin)*Zi
其中,i=1,2,3,...,2N,Xmin、Xmax和ymin、ymax为每一次的x和y的取值范围。
4.根据权利要求3所述的一种自主式水下机器人的路径规划方法,其特征在于,所述对最优初始位置值进行适应度计算,得到第一全局最优位置值,具体包括:
所述适应度为从起始点出发,经过粒子位置后到达终点的无障碍路径长度;
所述路径的长度越短,适应度越高。
5.根据权利要求4所述的一种自主式水下机器人的路径规划方法,其特征在于,所述根据第一全局最优位置值和自适应惯性权重迭代更新粒子的位置和速度,得到第二全局最优位置值,具体包括:
迭代公式如下所示:
v(t+1)=ωv(t)+c1r1(pbest-v(t))+c2r2(gbest-x(t))
x(t+1)=x(t)+v(t+1)
其中,t为迭代次数,ω为所述自适应惯性权重,v(t)为当前粒子的更新速度,r1和r2为所述粒子群活动区间中的随机数,c1和c2为学习因子,x(t+1)为下一次迭代的位置,x(t)为当前位置,v(t+1)为下一代的速度;
gbest为所述粒子每更新一次产生的全局最优值,pbest为所述粒子每更新一次产生的个体最优值。
6.根据权利要求1所述的一种自主式水下机器人的路径规划方法,其特征在于,所述构建第二全局最优位置值搜索范围,在搜索范围内采用混沌算法确定若干搜索点,对若干搜索点计算适应度值,将适应度值最高的搜索点对应的路径作为规划路径,具体包括:
使用如下公式得到K个所述第二全局最优位置值附近的搜索点Pi,i=0,1,2,...,K:
Pi.X=gbest.X+R·(Z-0.5)
Pi.Y=gbest.Y+R·(Z-0.5)
式中,Pi.X为所述搜索点的横坐标,Pi.Y为所述搜索点的纵坐标,R为搜索半径;
将得到的所述搜索点输入适度值函数Fitness()进行计算,计算结果与Fitness(gbest)比较,若Fitness(Pi)<Fitness(gbest),得到Pi,将Pi对应的路径作为规划路径。
7.一种自主式水下机器人的路径规划装置,其特征在于,包括:
栅格化模块,被配置为对所述自主式水下机器人活动空间构建栅格化地图;
混沌初始化模块,被配置为根据栅格化地图,采用混沌算法对粒子群进行初始化,得到最优初始位置值;
计算适应度模块,被配置为对最优初始位置值进行适应度计算,得到第一全局最优位置值;
迭代更新模块,被配置为根据第一全局最优位置值和自适应惯性权重迭代更新粒子的位置和速度,得到第二全局最优位置值;其中,所述自适应惯性权重采用如下所示的正弦函数对粒子权重进行动态衰减:
ω=ω*sin(π/2+(π/2)*(it/MaxIt))+ωmin
式中,等号右边的ω为上一次迭代的自适应惯性权重,it为目前迭代次数,MaxIt为最大迭代次数,ωmin为预设惯性权重值的最小值;
速度控制模块,被配置为所述自适应惯性权重,采用正弦函数对粒子搜索速度的惯性权重进行动态衰减;
局部搜索优化模块,被配置为构建第二全局最优位置值搜索范围,在搜索范围内采用混沌算法确定若干搜索点,对若干搜索点计算适应度值,将适应度值最高的搜索点对应的路径作为规划路径。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任意一项所述的方法。
9.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行权利要求1至6任意一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010967859.5A CN112000115B (zh) | 2020-09-15 | 2020-09-15 | 一种自主式水下机器人的路径规划方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010967859.5A CN112000115B (zh) | 2020-09-15 | 2020-09-15 | 一种自主式水下机器人的路径规划方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112000115A CN112000115A (zh) | 2020-11-27 |
CN112000115B true CN112000115B (zh) | 2022-11-01 |
Family
ID=73469326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010967859.5A Active CN112000115B (zh) | 2020-09-15 | 2020-09-15 | 一种自主式水下机器人的路径规划方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112000115B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113467472B (zh) * | 2021-07-27 | 2023-09-01 | 山东科技大学 | 一种复杂环境下的机器人路径规划方法 |
CN113868818B (zh) * | 2021-10-13 | 2024-04-02 | 桂林电子科技大学 | 一种区域数据点栅格化区块大小确定方法及*** |
CN114354870A (zh) * | 2021-12-30 | 2022-04-15 | 江苏大学 | 一种基于改进粒子群优化算法的无人船最短路径水质监测***及方法 |
CN115373409B (zh) * | 2022-08-02 | 2023-05-30 | 哈尔滨工程大学 | 一种复杂环境下水下机器人协同捕捞海生物的路径规划方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175245A (zh) * | 2011-01-28 | 2011-09-07 | 哈尔滨工程大学 | 一种基于海流历史统计信息的水下潜器路径规划方法 |
CN102479338A (zh) * | 2010-11-29 | 2012-05-30 | 江南大学 | 用正弦函数描述非线性惯性权重的微粒群算法 |
CN104200264A (zh) * | 2014-09-25 | 2014-12-10 | 国家电网公司 | 一种包括独立全局搜索的两阶段粒子群优化算法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160327936A1 (en) * | 2015-05-04 | 2016-11-10 | Bigwood Technology, Inc. | Global optimal solution for a practical system modeled as a general constrained nonlinear optimization problem |
CN105956664B (zh) * | 2016-04-27 | 2019-02-19 | 浙江大学 | 一种河流点源突发污染事故溯源方法 |
CN108133258B (zh) * | 2016-12-01 | 2020-11-13 | 南京理工大学 | 一种混合全局优化方法 |
CN107422734B (zh) * | 2017-07-28 | 2020-01-10 | 江西理工大学 | 基于混沌反向花授粉算法的机器人路径规划方法 |
AU2020101065A4 (en) * | 2020-06-19 | 2020-07-23 | Hubei University Of Technology | Method for scheduling UAVs based on chaotic adaptive firefly algorithm |
-
2020
- 2020-09-15 CN CN202010967859.5A patent/CN112000115B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102479338A (zh) * | 2010-11-29 | 2012-05-30 | 江南大学 | 用正弦函数描述非线性惯性权重的微粒群算法 |
CN102175245A (zh) * | 2011-01-28 | 2011-09-07 | 哈尔滨工程大学 | 一种基于海流历史统计信息的水下潜器路径规划方法 |
CN104200264A (zh) * | 2014-09-25 | 2014-12-10 | 国家电网公司 | 一种包括独立全局搜索的两阶段粒子群优化算法 |
Non-Patent Citations (1)
Title |
---|
一种混沌变参数粒子群优化算法;虎涛涛;《自动化仪表》;20170331;正文第37-40页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112000115A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112000115B (zh) | 一种自主式水下机器人的路径规划方法及相关设备 | |
CN110927740B (zh) | 一种移动机器人定位方法 | |
KR102243036B1 (ko) | 가산기를 이용한 다차원 텐서의 데이터 액세스 | |
CN108241370B (zh) | 通过栅格地图获取避障路径的方法及装置 | |
US11300964B2 (en) | Method and system for updating occupancy map for a robotic system | |
US10593110B2 (en) | Method and device for computing a path in a game scene | |
CN108645411B (zh) | 基于粒子群算法的机器人路径规划方法、装置及终端设备 | |
US10466058B2 (en) | Navigation for vehicles | |
EP3602280B1 (en) | Accessing prologue and epilogue data | |
CN110969649B (zh) | 一种激光点云与地图的匹配评价方法、介质、终端和装置 | |
US10437948B2 (en) | Accelerating particle-swarm algorithms | |
CN110031007B (zh) | 一种航迹规划方法、装置及计算机可读存储介质 | |
Ghorbani et al. | Using genetic algorithm for a mobile robot path planning | |
CN108876024A (zh) | 路径规划、路径实时优化方法及装置、存储介质 | |
CN110887493A (zh) | 基于局部地图匹配的轨迹推算方法、介质、终端和装置 | |
CN114061586A (zh) | 用于生成电子设备的导航路径的方法和产品 | |
Haugen et al. | Monitoring an advection-diffusion process using aerial mobile sensors | |
CN107506572B (zh) | 获取目标点的高度的方法和装置 | |
CN110887490B (zh) | 一种激光定位导航的关键帧选取方法、介质、终端和装置 | |
Omar et al. | 3D path planning for unmanned aerial vehicles using visibility line based method | |
CN110716547A (zh) | 一种基于波前算法的3d探索的方法 | |
CN115167466B (zh) | 一种移动机器人标准控制集局部路径规划方法及*** | |
CN108681621B (zh) | 基于Chebyshev正交多项式扩展RTS Kalman平滑方法 | |
CN113515903B (zh) | 一种分区封装的快速寻点方法、存储介质及终端 | |
CN114543808A (zh) | 室内重定位方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |