CN112965500A

CN112965500A - 一种过必经点集且有额外硬约束的路径规划方法及设备

Info

Publication number: CN112965500A
Application number: CN202110329163.4A
Authority: CN
Inventors: 郭展羽; 张志明
Original assignee: Tongji University
Current assignee: Tongji University
Priority date: 2021-03-27
Filing date: 2021-03-27
Publication date: 2021-06-15
Anticipated expiration: 2041-03-27
Also published as: CN112965500B

Abstract

本发明涉及一种过必经点集且有额外硬约束的路径规划方法及设备，所述路径规划方法包括以下步骤：S1：预处理阶段，将实际应用环境信息转化为数学描述，完成对问题的无向带权图的处理与建模；S2：最短路径求解阶段，使用随机搜索算法进行最短路径求解，搜索过程中对路径的可行性进行实时判定，在满足额外硬约束的要求下，求解过必经点集的最短路径问题，最终获得满足要求的最短路径。本发明可以添加额外的硬约束，能在较短的计算时间内保证获得满足实际物理限制条件下的工程需求的解算结果。

Description

一种过必经点集且有额外硬约束的路径规划方法及设备

技术领域

本发明涉及运筹学、计算机科学、地理信息科学和交通运输领域，尤其涉及一种过必经点集且有额外硬约束的路径规划方法及设备。

背景技术

最短路径问题一直是运筹学、计算机科学、地理信息科学、交通运输等领域的研究热点，并广泛应用到公共交通运输网络规划、无人自动驾驶、机器人自主导航等的实际问题中。现实生活里有许多问题都可以抽象转化为最短路径问题，路径规划要求根据某种优化准则，在给定的真实环境中寻找到一条从起始位置到目标位置并且代价最小的路线。如何有效地计算和解决最短路径问题，研究面临的难点是如何在较短的时间内找到较为完备的解。根据对环境信息的掌握程度不同，路径规划可分为全局路径规划和局部路径规划，两者没有本质上的区别。经典的全局路径规划算法有Dijkstra算法和A*算法等，可以静态地规划出最优或次优路线。近年来，国内外学者在此基础上，引入启发式算法和仿生算法等，提出多种最短路径改进算法，如模拟退火法、蚁群算法、遗传算法、粒子群算法、深度优先算法和广度优先算法等，并在解决过必经点集的最短路径问题上已经取得了很好的成效。在探究路径规划算法的过程中，实际应用场景由于物理条件的限制会存在额外硬约束条件，而包括授权发明专利CN201710535060.7《一种考虑多类型约束的k最短路径求解方法》在内的上述算法在处理此类问题时，由于选择将所有可能的顺序列出后进行最短路径的求解，具有非常大的计算量，会存在求解难度高、求解速度慢、求解结果不可靠甚至不可行等的问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提出一种过必经点集且有额外硬约束的路径规划方法及设备，该方法计算速度快、实时性好且判定准确。

本发明的目的可以通过以下技术方案来实现：

一种过必经点集且有额外硬约束的路径规划方法，包括如下步骤：

S1：预处理阶段，依据实际应用环境信息获取对应的无向带权图和额外硬约束；

S2：最短路径求解阶段，使用基于深度优先的随机搜索算法在所述无向带权图上进行最短路径求解，搜索过程中对路径的可行性进行实时判定，在满足额外硬约束的要求下，求解获得过必经点集的最短路径。

优选地，所述步骤S1包括：

将实际应用环境信息转化为数学描述，建模抽象为无向带权图，通过一二维邻接矩阵保存所述无向带权图的图信息和节点信息；

依据路径规划要求及实际应用环境信息定义变量，包括路径规划的起点、终点、必经点集以及额外硬约束。

优选地，所述二维邻接矩阵存储有所述无向带权图中任意相邻两点之间的距离，当两点不是相邻时，距离值为-1，点与其自身的距离值为0。

优选地，所述额外硬约束基于实际应用场景中的物理条件限制获得，所述物理条件限制包括无人驾驶车辆本体机械尺寸、转弯限行和道路限行状态。

优选地，所述最短路径求解时的初始参数包括起点start、面朝点next、终点destination、必经点集point_list[]和存储包含额外硬约束的子路径的额外硬约束集point_constraint[]。

优选地，所述额外硬约束集point_constraint[]包含的元素为连续N个节点形成的子路径，N为设定长度。

优选地，所述步骤S2包括：

S2.1：初始化搜索状态，有效路径次数归零，清空所有临时路径变量和节点变量；

S2.2：判断路径长度L是否小于路径长度上限L_limit，若否，返回步骤S2.1，若是，执行步骤S2.3；

S2.3：随机探索下一个非前点，并更换搜索状态；

S2.4：判断是否到达终点，若否，返回步骤S2.2，若是，执行步骤S2.5；

S2.5：判断是否已经经过所有必经点，若否，返回步骤S2.2，若是，则执行步骤S2.6；

S2.6：判断是否满足额外硬约束，若是，则执行步骤S2.7，若否，返回步骤S2.2；

S2.7：比较当前获得路径长度与已知最短路径长度，如果当前路径较短则将当前路径更新为最短路径，否则保留原有的最短路径；

S2.8：有效路径次数t自增1；

S2.9：判断有效路径次数t是否小于有效路径次数上限t_limit，若是，则返回步骤S2.1，若否，则输出最后解算得到的最短路径。

优选地，所述判断是否满足额外硬约束具体为：

在当前路径中任意截取长度为N的子路径，判断是否为额外硬约束集中的元素，若否，则满足额外硬约束，若是，不满足额外硬约束，N为设定长度。

优选地，所述设定长度取值为3。

本发明还提供一种电子设备，包括：

一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如所述的过必经点集且有额外硬约束的路径规划方法的指令。

本发明还提供一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行所述过必经点集且有额外硬约束的路径规划方法的指令。

与现有技术相比，本发明具有如下有益效果：

1.考虑到实际应用场景中的物理条件限制，本发明引入额外硬约束条件并建模为对应的子路径编号对象，成功在满足额外硬约束的要求下，找到过必经点集的最优或次优方案；

2.本发明对实际应用场景转化为数学描述，采用基于深度优先搜索的随机搜索算法，搜索过程中对路径的可行性进行实时判定，在给定的真实环境中寻找到一条从起始位置到目标位置并且代价最小的路线；

3.本发明具有计算简单、运算速度快、实时性好且判定准确的优点。

附图说明

图1.1为本发明的无人驾驶车辆路径规划应用场景示意图；

图1.2为赛道上若干连通区域示意图；

图1.3为本发明的无向带权图；

图2为本发明的流程示意图。

图3为实施例中引入额外硬约束条件后过必经点集的最短路径求解结果示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

参考图2所示，本实施例提供一种过必经点集且有额外硬约束的路径规划方法，包括：

步骤S1：预处理阶段，将实际应用环境信息转化为数学描述，完成对问题的无向带权图的处理与建模。

S1.1：依据实际应用环境信息转化为数学描述，区域位置图可以建模抽象为无向带权图表示，权值即为区域图中路径点与路径点之间的路程距离，假设无人车在各段路径上的行驶速度一致，则可以将时间最优化目标转换为总路程最优化目标，将该问题抽象为过必经点集的最短路径问题。

S1.2：依据路径规划要求定义变量，包括路径规划的起点、终点、必经点集以及额外硬约束条件。

本实施例中的额外硬约束条件，考虑实际应用场景中的物理条件限制，如无人驾驶车辆本体机械尺寸、转弯限行和道路限行状态，建模为对应的子路径编号对象并存放在一个列表当中，设定作为初始参数，如表1所示。

表1变量定义

S1.3：将无向带权图中的图信息和节点信息转化为二维邻接矩阵的形式保存，具体地：

1)求得图中节点的个数length，然后用维度为length的列表以存储各点相邻点；

2)对图中任意未遍历的点进行探索，判断其跟其余点的距离，如果距离大于0，则代表两点相邻，将后点加入前点的相邻点列表；

3)重复以上步骤，直到图中所有的点均被遍历；

4)得到完整的相邻点列表保存到choices[][]列表变量；

5)得到初始参数：起点start、面朝点next、终点destination和存放在point_list[]当中的必经点序号列表，图的信息以二维邻接矩阵dis[][]的形式存放在文件当中读入。

S1.4：依据额外硬约束条件建模获得包含额外硬约束的子路径，为对应的子路径编号对象并存放在一个列表point_constraint[]当中，设定作为初始参数。一般使用连续三个点作为约束(N＝3)，中点作为索引。比如在实施中，路径2→3→11不可行，于是point_constraint[3]中含有[2,3,11]；路径3→11→5不可行，于是point_constraint[11]中含有[3,11,5]，以此类推。

步骤S2：最短路径求解阶段，使用基于深度优先的随机搜索算法对建模完成的无向带权图进行最短路径求解，搜索过程中对路径的可行性进行实时判定，在满足额外硬约束的要求下，求解过必经点集的最短路径问题，最终获得满足要求的最短路径。

S2.3：随机探索下一个非前点变量，并更换搜索的状态，当前距离d自增1，探索的方式是从当前点的相邻点列表中，排除前点pre后随机选择一个；

S2.5：执行必经点集判断函数并判断是否已经经过所有必经点集合point_list[]，对必经点集中的各点进行逐个判断，若否，返回步骤S2.2，若是，则执行步骤S2.6；

S2.6：执行硬约束条件状态判断函数并判断是否满足额外硬约束条件point_constraint，具体是任意截取长度为3的子路径，判断是否存在于point_constraint[]当中，若否，返回步骤S2.2，若是，则执行步骤S2.7；

S2.7：执行最短路径求解函数并比较当前获得路径长度与已知最短路径长度，如果当前路径较短则将当前路径更新为最短路径，否则保留原有的最短路径；

S2.8：有效路径次数t自增1；

S2.9：判断有效路径次数t是否超过有效路径次数上限t_limit，若是，则返回步骤S2.1，若否，则输出最后解算得到的最短路径。

本实施例将上述方法应用于一个无人驾驶车辆路径规划中。

图1.1为无人驾驶车辆路径规划应用场景示意图。无人车模在长宽17m×10.5m大小的该场景的场地内进行比赛，赛道由若干区域连通而成，分布如图1.2所示。随机指定给出起点区域、终点区域、以及中途要经过的若干区域和无人车的发车方向。要求无人车从起点区域处出发并开始计时，规划合理的路径，经过赛道上若干所有指定的区域后到达指定终点区域，停止计时并判定完赛，按完成时间计算成绩。

赛道区域位置图可以抽象成一个无向带权图，如图1.3所示，权值即为赛道图中点与点之间的路程距离。假设无人车在各段赛道上的行驶速度一致，则可以将时间最优化目标转换为总路程最优化目标，将该问题抽象为过必经点集的最短路径问题。

与此同时，本实施例场景中还存在有额外的硬约束：由于赛道宽度尺寸的限制，使得无人车在运行过程中无法调头行驶；由于无人车车模转弯半径的物理条件限制，无人车在实际赛道上无法转过转角小于90°的弯道。因此，在求解过必经点集的最短路径问题的过程中，受到所述额外硬约束的限制。定义相关算法变量，设定算法中的路径规划的起点节点、面朝点的节点、必经点集和终点区域等，根据这些参数计算出一条可行的最优路径；在计算的过程中，分别定义当前搜索到的路径、已知路径当中的最短路径和最终的最优最短路径。为了便于程序处理并计算数据，将抽象出来的无向带正权图的所有信息转化为二维邻接矩阵，矩阵中存有图中任意相邻两点之间的距离。当两点不是相邻时，距离值设为-1；点与其自身的距离值设为0。

具体实施例的计算结果如图3所示。本实施例中，将起点、面朝点、终点和必经点集按图1中的参数进行如下设置：起点start＝1，面朝点next＝2，终点destination＝1，必经点集point_list＝[3,4,5,6,7,8,9,10,11]，硬约束条件point_constraint＝[(2,3,11),(3,11,5)]。和爬山法、模拟退火法(SA)、遗传算法(GA)等算法做对比实验，以上算法均能够找到最短路径为[1,2,10,11,3,4,5,6,7,8,9]，如图3中虚线所示，但在图中明显可以看出，中间途经路径[...,2,10,11,...]不满足额外硬约束条件，无人车无法转过此处的赛道转角。而本发明提出的算法给出的最短路径最优结果是：[1,2,10,7,6,5,4,3,11,10,8,9]，如图3中实线所示，其中所有路径都没有违反额外硬约束条件，有针对性地解决了具有额外硬约束的过必经点集最短路径问题。

上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims

1.一种过必经点集且有额外硬约束的路径规划方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种过必经点集且有额外硬约束的路径规划方法，其特征在于，所述步骤S1包括：

3.根据权利要求2所述的一种过必经点集且有额外硬约束的路径规划方法，其特征在于，所述二维邻接矩阵存储有所述无向带权图中任意相邻两点之间的距离，当两点不是相邻时，距离值为-1，点与其自身的距离值为0。

4.根据权利要求1或2所述的一种过必经点集且有额外硬约束的路径规划方法，其特征在于，所述额外硬约束基于实际应用场景中的物理条件限制获得，所述物理条件限制包括无人驾驶车辆本体机械尺寸、转弯限行和道路限行状态。

5.根据权利要求1所述的一种过必经点集且有额外硬约束的路径规划方法，其特征在于，所述最短路径求解时的初始参数包括起点start、面朝点next、终点destination、必经点集point_list[]和存储包含额外硬约束的子路径的额外硬约束集point_constraint[]。

6.根据权利要求5所述的一种过必经点集且有额外硬约束的路径规划方法，其特征在于，所述额外硬约束集point_constraint[]包含的元素为连续N个节点形成的子路径，N为设定长度。

7.根据权利要求5所述的一种过必经点集且有额外硬约束的路径规划方法，其特征在于，所述步骤S2包括：

S2.3：随机探索下一个非前点，并更换搜索状态；

S2.8：有效路径次数t自增1；

8.根据权利要求7所述的一种过必经点集且有额外硬约束的路径规划方法，其特征在于，所述判断是否满足额外硬约束具体为：

9.根据权利要求6或8所述的一种过必经点集且有额外硬约束的路径规划方法，其特征在于，所述设定长度取值为3。

10.一种电子设备，其特征在于，包括：

一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-9任一所述的过必经点集且有额外硬约束的路径规划方法的指令。