CN114323028A - 自适应地图的路径规划方法、***、设备及介质 - Google Patents
自适应地图的路径规划方法、***、设备及介质 Download PDFInfo
- Publication number
- CN114323028A CN114323028A CN202210256226.2A CN202210256226A CN114323028A CN 114323028 A CN114323028 A CN 114323028A CN 202210256226 A CN202210256226 A CN 202210256226A CN 114323028 A CN114323028 A CN 114323028A
- Authority
- CN
- China
- Prior art keywords
- target
- algorithm
- path
- path planning
- importing
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 102
- 230000007613 environmental effect Effects 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 36
- 230000005484 gravity Effects 0.000 claims description 19
- 230000003044 adaptive effect Effects 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000007480 spreading Effects 0.000 claims description 3
- 238000003892 spreading Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 7
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 230000002457 bidirectional effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000006984 memory degeneration Effects 0.000 description 1
- 208000023060 memory loss Diseases 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明中提供了一种自适应地图的路径规划方法、***、设备及介质,属于数据处理技术领域,具体包括:采集目标场景的环境数据并进行预处理,得到目标数据集;将目标数据集导入匹配模型,生成匹配结果;判断匹配结果是否为稀疏类型;若是,则将目标数据导入A*算法进行路径规划并生成目标路径;若否,则将目标数据导入基于人工势场的RRT‑connect算法,选取目标场景内的多个点作为根节点建立随机树,并在每个根节点上叠加一个引力场进行节点搜索,生成目标路径。通过本发明的方案,增加了算法选择机制,在高复杂度的环境,通过人工势场去引导RRT随机树进行扩张,减少无意义的扩张的时间,提高了规划效率、适应性和精准度。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种自适应地图的路径规划方法、***、设备及介质。
背景技术
目前,路径规划是移动机器人研究的热点。科技的快速发展和自动化水平的不断提高使得机器人在生活中得到了越来越广泛的应用,机器人路径规划技术作为机器人控制的核心技术也得到了人们越来越多的关注。路径规划是机器人根据特定的环境条件与任务目的找出一条从起点到终点最优路线的技术。过去的几十年里,学者们提出了许多路径规划算法,并在实际应用中取得了良好的效果,如:人工势场法、快速探索RRT随机树算法、遗传算法、A*算法、强化学习等。根据对环境信息的把握程度可将路径规划分为全局路径规划和局部路径规划。全局路径规划根据所有地图信息进行路径规划,局部路径规划根据局部位置的障碍物分布情况,从当前节点出发选择到达某一点的最优路径。
但是现有的路径规划方法,无法适应复杂环境,或者搜索速度慢,以及大规模复杂环境中如果缺少中间点引导,则可能无法得到最优路径,甚至无法达到目标点。
可见,现有的路径规划方法存在规划效率、适应性和精准度较差的问题。
发明内容
有鉴于此,本发明提供一种自适应地图的路径规划方法、***、设备及介质,至少部分解决现有技术中存在规划效率、适应性和精准度较差的问题。
第一方面,本发明提供了一种自适应地图的路径规划方法,包括:
采集目标场景的环境数据并进行预处理,得到目标数据集;
将所述目标数据集导入匹配模型,生成匹配结果;
判断所述匹配结果是否为稀疏类型;
若所述匹配结果为稀疏类型,则将所述目标数据导入A*算法进行路径规划并生成目标路径;
若所述匹配结果不为稀疏类型,则将所述目标数据导入基于人工势场的RRT-connect算法,选取所述目标场景内的多个点作为根节点建立随机树,并在每个所述根节点上叠加一个引力场进行节点搜索,生成目标路径。
根据本发明的一种具体实现方式,所述采集目标场景的环境数据并进行预处理,得到目标数据集的步骤,包括:
采用分组平均和滑动平均算法对所述环境数据进行数据降噪后进行归一化,得到所述目标数据集。
根据本发明的一种具体实现方式,所述将所述目标数据集导入匹配模型,生成匹配结果的步骤之前,所述方法还包括:
计算样本路径规划地图在不同算法下的执行时间作为第一维度;
计算所述样本路径规划地图的中心点与其他障碍物的距离的平均值,作为第二维度;
将所述第一维度和所述第二维度导入k均值聚类算法中进行聚类,训练得到地图与算法关联的匹配模型。
根据本发明的一种具体实现方式,所述判断所述匹配结果是否为稀疏类型的步骤,包括:
根据所述目标数据集计算稀疏程度;
若所述稀疏程度大于阈值,则所述匹配结果为非稀疏类型;
若所述稀疏程度小于或等于所述阈值,则所述匹配结果为稀疏类型。
根据本发明的一种具体实现方式,所述将所述目标数据导入基于人工势场的RRT-connect算法,选取所述目标场景内的多个点作为根节点建立随机树,并在每个所述根节点上叠加一个引力场进行节点搜索,生成目标路径的步骤,包括:
以所述目标场景的起点和终点为所述根节点建立随机树,以及,在所述目标场景的非障碍区域随机生成多个点作为所述根节点并建立所述随机树;
在每个所述随机树上迭代一个所述引力场;
根据所述随机树对应的随机扩展函数和所述引力场对应的引力函数得到新节点生成公式;
根据所述新节点生成公式计算所述目标路径。
根据本发明的一种具体实现方式,所述根据所述随机树对应的随机扩展函数和所述引力场对应的引力函数得到新节点生成公式的步骤之前,所述方法还包括:
根据所述稀疏程度调整所述随机扩展函数和所述引力函数的步长。
第二方面,本发明提供了一种自适应地图的路径规划***,包括:
采集模块,用于采集目标场景的环境数据并进行预处理,得到目标数据集;
匹配模块,用于将所述目标数据集导入匹配模型,生成匹配结果;
判断模块,用于判断所述匹配结果是否为稀疏类型;
生成模块,用于若所述匹配结果为稀疏类型,则将所述目标数据导入A*算法进行路径规划并生成目标路径;
若所述匹配结果不为稀疏类型,则将所述目标数据导入基于人工势场的RRT-connect算法,选取所述目标场景内的多个点作为根节点建立随机树,并在每个所述根节点上叠加一个引力场进行节点搜索,生成目标路径。
第三方面,本发明还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的自适应地图的路径规划方法。
第四方面,本发明还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的自适应地图的路径规划方法。
第五方面,本发明还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的自适应地图的路径规划方法。
本发明中的自适应地图的路径规划方案,包括:采集目标场景的环境数据并进行预处理,得到目标数据集;将所述目标数据集导入匹配模型,生成匹配结果;判断所述匹配结果是否为稀疏类型;若所述匹配结果为稀疏类型,则将所述目标数据导入A*算法进行路径规划并生成目标路径;若所述匹配结果不为稀疏类型,则将所述目标数据导入基于人工势场的RRT-connect算法,选取所述目标场景内的多个点作为根节点建立随机树,并在每个所述根节点上叠加一个引力场进行节点搜索,生成目标路径。
本发明的有益效果为:通过本发明的方案,增加了算法选择机制,通过事先建立模型库来适应变化的环境,选择合适的算法,在针对在高复杂度的环境,算法会自动选择RRT-connect与人工势场的融合,通过人工势场去引导RRT随机树进行扩张,减少无意义的扩张的时间,提高了规划效率、适应性和精准度。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例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发明的一些实施例,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它的附图。
图1为本发明提供的一种自适应地图的路径规划方法的流程示意图;
图2为本发明提供的一种A*算法的流程示意图;
图3为本发明提供的一种RRT-connect算法的流程示意图;
图4为本发明提供的一种自适应地图的路径规划***的结构示意图;
图5为本发明提供的电子设备示意图。
具体实施方式
下面结合附图对本发明进行详细描述。
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本发明,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
路径规划是移动机器人研究的热点。科技的快速发展和自动化水平的不断提高使得机器人在生活中得到了越来越广泛的应用,机器人路径规划技术作为机器人控制的核心技术也得到了人们越来越多的关注。路径规划是机器人根据特定的环境条件与任务目的找出一条从起点到终点最优路线的技术。过去的几十年里,学者们提出了许多路径规划算法,并在实际应用中取得了良好的效果,如:人工势场法、快速探索RRT随机树算法、遗传算法、A*算法、强化学习等。根据对环境信息的把握程度可将路径规划分为全局路径规划和局部路径规划。全局路径规划根据所有地图信息进行路径规划,局部路径规划根据局部位置的障碍物分布情况,从当前节点出发选择到达某一点的最优路径。
人工势场法,一种常见的局部路径规划方法,是由Khatib提出的一种用于机器人运动规划的虚拟力方法。其基本思想是将目标和障碍物对机器人运动的影响具体化成人造势场。目标处势能低,障碍物处势能高。这种势差产生了目标对机器人的引力和障碍物对机器人的斥力,其合力控制机器人沿势场的负梯度方向向目标点运动。人工势场法计算方便,得到的路径安全平滑,但是复杂的势场环境可能在目标点之外产生局部极小点导致机器人无法到达目标。为了解决人工势场法的局部极小点问题,学者们提出了各种改进方法。主要分成两个方向:一个是构造合适的势函数以减小或避免局部极小点的出现;另一种是在机器人遇到局部极小点后结合其他的方法使机器人离开局部极小点。前者一般需要全局地图信息,并且依赖于障碍物的形状。当环境复杂时难以应用。后者多利用搜索法、多势场法和沿墙行走法等方法使机器人离开局部极小点。搜索法利用最佳优先、模拟退火、随即搜索等策略寻找比局部极小点势场值更低的点使机器人继续移动。由于未知环境中大多缺乏启发信息,搜索方法的效率很低。多势场法构造多个全局极小点相同,而局部极小点不同的势函数,在机器人陷入某个局部极小点时,规划器就切换势函数使机器人离开该点。但是在未知的环境中这样的多个势场很难构造,而且该方法可能导致机器人在回到曾逃离的局部极小点。由于局部极小点是某个或多个障碍物的斥力势场与引力势场共同作用产生,其位置与障碍物距离必然不远,沿墙行走法正是利用这样的远离,使机器人在遇到局部极小点后参照类似BUG算法的环绕行为绕过产生局部极小点的障碍物继续前进。这种方法可靠性高,不依赖环境的先验信息和障碍物形状。
常用的全局路径规划算法之一基于采样策略的路径规划因其便利性和快捷性而广受关注,快速探索随机树(Rapidly Exploring Random Tree,RRT)便是其中的典型代表,其通用性强,能够在不同维度下解决机器人的空间路径规划问题,具备非常高的探索成功率,但缺陷也十分明显,一是在复杂空间搜索速度较慢,二是所得路径通常不是其最优解,且距离最优路径偏差较大。三是在动态环境下使用时具有局限性。为解决传统 RRT算法的不足,国内外学者们分别对 RRT算法做出了改进。采用双向搜索策略和自适应步长方法改进了RRT-connect算法,能够在起点和目标点同时生成两棵随机树从而提高了搜索效率。Karama等提的RRT*算法,当迭代次数足够多时,可找到一条最优或接近最优的路径,但使得搜索时间大大增加。Gammell和 Srinivasa提出了 Informed-RRT*算法,引入了椭圆约束采样空间进行采样优化,大大减少了搜索时间,但在动态环境下容易与障碍物发生碰撞。
全局路径规划无论是基于采样的RRT算法,还是基于启发式搜索的A*算法,都可以在相对短的时间内搜索出一条从起点到终点的全局路径,但是往往无法躲避局部障碍物,对局部动态环境的适应性不强,无法满足在未知环境下避障的要求。局部路径规划人工势场算法可以在线实时规划,具有良好的避障能力,但是在大规模复杂环境中如果缺少中间点引导,则可能无法得到最优路径,甚至无法达到目标点。因此,结合两者的优势,实现全局与局部算法融合进行路径规划是当前研究的热点。
此外,环境与算法的相适性实践中也是需要考虑的,在面对多种环境时,单一的算法难以覆盖出现的问题,实际应用中算法需要针对不同的模型进行适当的调整或者选择。
本发明提供一种自适应地图的路径规划方法,所述方法可以应用于移动机器人场景的路径规划过程。
参见图1,为本发明提供的一种自适应地图的路径规划方法的流程示意图。如图1所示,所述方法主要包括以下步骤:
S101,采集目标场景的环境数据并进行预处理,得到目标数据集;
可选的,步骤S101所述的,采集目标场景的环境数据并进行预处理,得到目标数据集,包括:
采用分组平均和滑动平均算法对所述环境数据进行数据降噪后进行归一化,得到所述目标数据集。
具体实施时,考虑到K-means 的本质是基于欧式距离的数据划分算法,均值和方差大的维度将对数据的聚类产生决定性影响。所以未做归一化处理和统一单位的数据是无法直接参与运算和比较的。常见的数据预处理方式有:数据归一化,数据标准化。此外,离群点或者噪声数据会对均值产生较大的影响,导致中心偏移,因此还需要对数据进行离群点清理。则可以在采集到所述目标场景对应的环境数据后,考虑到数据内可能包含干扰数据,则可以采用分组平均和滑动平均算法对所述环境数据进行数据降噪,以剔除干扰数据例如离群点和异常点,然后再将数据进行归一化和标准化,以便于后续的处理。
S102,将所述目标数据集导入匹配模型,生成匹配结果;
可选的,步骤S102所述的,将所述目标数据集导入匹配模型,生成匹配结果之前,所述方法还包括:
计算样本路径规划地图在不同算法下的执行时间作为第一维度;
计算所述样本路径规划地图的中心点与其他障碍物的距离的平均值,作为第二维度;
将所述第一维度和所述第二维度导入k均值聚类算法中进行聚类,训练得到地图与算法关联的匹配模型。
具体实施时,在算法建立初期,可以选择有代表性的路径规划地图作为所述样本路径规划地图,测试代表性的路径规划地图与在不同算法下的执行时间,选取最短的时间做为一个维度,另外一个维度选取其中心点距离其余障碍的距离的平均值(称作稀疏度)。将这两个维度的数据导入到K-means的训练模型中。
算法步骤为:选择初始化的 k个样本作为初始聚类中心,然后将离群点,异常点抛弃后的目标数据集再导入到Kmeans中进行聚类,训练出一个地图与算法的匹配模型作为所述匹配模型。同时,考虑到在后续的算法执行过程中,初始的模型匹配库可能有的模型不再适配,后续实际应用中出现了更加适配的模型,这时就需要对模型库进行更新。
具体的,可以根据替换模型后准确率或是整体表现是否有提升作为依据进行模型库替换或新增;由于环境的动态变化,***中有些模型可能会失效,在较长的一段时间内不会再使用,为此我们应该对模型进行GC垃圾回收,以提高***预测的实时速度,根据模型是否长时间无匹配进行模型库的删除。
S103,判断所述匹配结果是否为稀疏类型;
进一步的,步骤S102所述的,将所述目标数据集导入匹配模型,生成匹配结果,包括:
根据所述目标数据集计算稀疏程度;
若所述稀疏程度大于阈值,则所述匹配结果为非稀疏类型;
若所述稀疏程度小于或等于所述阈值,则所述匹配结果为稀疏类型。
具体实施时,在得到所述匹配结果后,可以将所述目标数据集导入匹配模型,根据所述目标数据集计算稀疏程度,若所述稀疏程度大于阈值,则所述匹配结果为非稀疏类型,若所述稀疏程度小于或等于所述阈值,则所述匹配结果为稀疏类型,在确定所述匹配结果的具体类型后,从而确定下一步操作流程。
若所述匹配结果为稀疏类型,则执行步骤S104,将所述目标数据导入A*算法进行路径规划并生成目标路径;
例如,当所述匹配结果为稀疏类型时,可以将所述目标数据导入A*算法,直接使用A*算法进行路径规划,如图2所示,A*算法核心思想是利用启发函数对算法遍历的方向进行引导。利用评估函数对网络的每个节点进行评估,其评估函数如下
F(n)=G(n)+H(n),其中F(n)为从起始节点到目标节点的评估代价,G(n)为特定起始节点到特定目标节点的评估代价,H(n)为当前节点到目标节点预测评估代价。对于H(n),采用曼哈顿预估算法
H(n)=D(ab(xn-xgoal)+ab(yn-ygoal)),其中,D为曼哈顿距离,ab为栅格方块面积,xn和yn分别为当前方块的水平和垂直位置,xgoal和ygoal分别为目标方块的水平和垂直位置。A*算法工作原理如图所示。A*算法实现需要两个列表即OpenList和CloseList用于存储路径上节点。OpenList用于存储待检查的节点,其初始化时只包含一个起始节点,而CloseList用于存储已检查过的节点,CloseList中的节点不会再被第2次检查,其初始值为空。A*算法从起始节点s开始进行路径规划,规划中产生的节点存储于上面的两个表中。路径上的每个节点n都有一个指针指向其父节点,同时每个节点n都有与它相关联的估价函数F(n)的值。A*算法的每次循环,都会从OpenList中选择F(n)值最小的节点n,如果n是目标节点,则循环结束,找到了最佳路径。如果节点n不是目标节点,则将其从OpenList里取出,存到CloseList中。同时,检查所有与他相邻的节点,除在CloseList中的节点外,如果节点不在OpenList中,则将他们存到OpenList中,并将刚存入到CloseList的节点作为这些新存入节点的父节点。通过这种方式进行节点的扩展,最终OpenList上将有一个目标节点,算法终止,然后从终点开始,通过指针向父节点移动回到起始点,就是A*算法所规划的最佳路径即所述目标路径。
若所述匹配结果不为稀疏类型,则执行步骤S105,将所述目标数据导入基于人工势场的RRT-connect算法,选取所述目标场景内的多个点作为根节点建立随机树,并在每个所述根节点上叠加一个引力场进行节点搜索,生成目标路径。
在上述实施例的基础上,步骤S105所述的,将所述目标数据导入基于人工势场的RRT-connect算法,选取所述目标场景内的多个点作为根节点建立随机树,并在每个所述根节点上叠加一个引力场进行节点搜索,生成目标路径,包括:
以所述目标场景的起点和终点为所述根节点建立随机树,以及,在所述目标场景的非障碍区域随机生成多个点作为所述根节点并建立所述随机树;
在每个所述随机树上迭代一个所述引力场;
根据所述随机树对应的随机扩展函数和所述引力场对应的引力函数得到新节点生成公式;
根据所述新节点生成公式计算所述目标路径。
进一步的,所述根据所述随机树对应的随机扩展函数和所述引力场对应的引力函数得到新节点生成公式的步骤之前,所述方法还包括:
根据所述稀疏程度调整所述随机扩展函数和所述引力函数的步长。
RRT-connect算法是基于随机采样的路径规划算法,是由RRT算法演变而来。该算法以路径的起始点和目标点作为随机树的根节点相向随机扩展节点,在节点扩展的过程中结合步长限制和碰撞检测等方法扩展叶子节点。当两颗随机树中的某两个叶子节点间的距离小于设置的固定阈值时,停止随机树的扩展,连接各节点完成搜索路径。RRT-connect算法从两个节点交替扩展随机树,能够缩减规划时间提高搜索效率。算法首先以路径的起点和终点作为根节点初始化两颗随机树T1、T2,第1棵树T1进行随机扩展得到节点Xrand,第2棵树T2以Xrand节点为方向,采用基于贪婪策略的方法进行节点连续扩展,扩展过程中不断进行碰撞检测,直到节点与障碍物发生碰撞或者与第1棵树的某一节点间的距离小于固定阈值时扩展结束。
若与第1棵树节点距离小于固定阈值则生成路径成功,否则与第1棵树继续进行交替扩展。RRT-connect算法流程图如图3所示。RRT-connect算法与RRT算法相比,添加了第2个扩展节点,且第2扩展节点采用基于贪婪的扩展策略,减少了路径的搜索时间,提高了路径规划效率。RRT-connect算法虽然相较于RRT算法在规划效率上有了较为明显的提升,但是针对一些对反应灵敏度较高的行业,该算法的执行效率还是略显不足,针对该问题,提出了基于引力场引导RRT-connect算法。
该算法相比于RRT-connect算法主要有以下两个方面的改进:1)增加了第n个随机树扩展节点,由原来的两颗随机树变为n+1棵随机树,提高了节点的搜索效率。2)在每个个根节点上分别叠加一个引力场用来引导随机节点的产生方向,降低了对无效空间的搜索范围,提高对狭窄通道的适应性。其中n为匹配模型的稀疏程度评级,越稀疏的模型所需要的额外点越少,越密集的模型需要在图中生成的点越多,以达到快速探索全空间,找到狭窄空间出路的目的。
中间额外点选取规则;
在非障碍区域随机生成点数;
引力场的叠加;
由于RRT-connect算法在节点搜索时的随机性导致了节点对大量无效空间的扩展,固在此引入了人工势场中的引力场的概念。在每个扩展节点上分别叠加一个引力场去引导随机节点的产生方向。但是扩展节点只管距离其位置最近的下个目标节点所产生的引力场。相当于增加了一个扩展节点,改进算法从本质上可以看作是在同一个构型空间内引入了两棵双向扩展随机树,那么叠加引力场后的算法其核心思想就是在任一个双向扩展随机树中的每一个节点n都增加一个目标引力函数G(n),此时的n节点表示由根节点向外扩展的第n个新节点,扩展方式如下所示
F(n)=R(n)+G(n)
F(n)表示新节点到目标点的扩展函数,R(n)为新节点的随机扩展函数,G(n)为目标点到随机树中最近节点的引力函数。新节点的随机扩展函数R(n)
目标引力函数G(n)表示方法如下所示。
其中ε为引力系数,‖xgoal-xnear‖^2表示目标点到距离最近随机树中最近点欧氏距离的平方,这样便构建了一个离目标点越远引力越大的引力场同时避免因为稀疏度过大时,同时考虑多个点导致距引力梯度计算复杂。
将上述两式叠加得到
最后带入后得到新节点生成公式为
叠加了引力场后的新算法每一个节点的扩展都是按照上式的方法进行,使多棵双向随机树在各自引力分量的引导下向目标点方向扩展。
初始节点的个数根据稀疏度来决定,同时节点的将随机生成在起始点与终止点之间的区间,每个节点占据其中一个(xmax/初始节点数目,ymax)空间,在这个空间中随机生成。
同时,如果长时间处于局部极小值难以采样到外部点(迭代次数大于等于50,且未更换到下一个生成树),会随机采样一次。
本实施例提供的自适应地图的路径规划方法,通过增加了算法选择机制,通过事先建立模型库来适应变化的环境,选择合适的算法;同时在后期算法模型能根据使用率与准确率的变化来自动更新模型适应新的变化环境。在高复杂度的环境中,算法会自动选择RRT-connect与人工势场的融合,通过人工势场去引导RRT随机树进行扩张,减少无意义的扩张的时间。在迭代次数过多时,会随机选取一个安全节点跳离死锁区域。此外,改进了原文献中只选择三个节点(即一个额外的点);根据模型的复杂度会生成相比例的点数来进行快速多棵树的扩展。上述几种改进能改进算法在不同环境下的适应度,在面对稀疏地图时使用较为简单的算法,减轻内存损耗的同时也能较快生成路径,面对复杂地图时通过计算量换取时间上的快速,更加符合实际的需求,提高了规划效率、适应性和精准度。
与上面的方法实施例相对应,参见图4,本发明还提供了一种自适应地图的路径规划***40,包括:
采集模块401,用于采集目标场景的环境数据并进行预处理,得到目标数据集;
匹配模块402,用于将所述目标数据集导入匹配模型,生成匹配结果;
判断模块403,用于判断所述匹配结果是否为稀疏类型;
生成模块404,用于若所述匹配结果为稀疏类型,则将所述目标数据导入A*算法进行路径规划并生成目标路径;
若所述匹配结果不为稀疏类型,则将所述目标数据导入基于人工势场的RRT-connect算法,选取所述目标场景内的多个点作为根节点建立随机树,并在每个所述根节点上叠加一个引力场进行节点搜索,生成目标路径。
图4所示***可以对应的执行上述方法实施例中的内容,本实施例未详细描述的部分,参照上述方法实施例中记载的内容,在此不再赘述。
参见图5,本发明还提供了一种电子设备50,该电子设备包括:至少一个处理器以及与该至少一个处理器通信连接的存储器。其中,该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中的自适应地图的路径规划方法。
本发明还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中的自适应地图的路径规划方法。
本发明还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的自适应地图的路径规划方法。
下面参考图5,其示出了适于用来实现本发明的电子设备50的结构示意图。本发明中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例,不应对本发明的功能和使用范围带来任何限制。
如图5所示,电子设备50可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备50操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备50与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备50,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本发明的方法中限定的上述功能。
需要说明的是,本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备可以执行上述方法实施例的相关步骤。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备可以执行上述方法实施例的相关步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本发明的具体实施方式,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。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种自适应地图的路径规划方法,其特征在于,包括:
采集目标场景的环境数据并进行预处理,得到目标数据集;
将所述目标数据集导入匹配模型,生成匹配结果;
根据所述目标数据集计算稀疏程度并将所述稀疏程度与阈值进行比对,得到匹配结果,其中,所述匹配结果为稀疏类型和非稀疏类型中的任一种;
若所述匹配结果为稀疏类型,则将所述目标数据导入A*算法进行路径规划并生成目标路径;
若所述匹配结果为非稀疏类型,则将所述目标数据导入基于人工势场的RRT-connect算法,选取所述目标场景内的多个点作为根节点建立随机树,并在每个所述根节点上叠加一个引力场进行节点搜索,生成目标路径。
2.根据权利要求1所述的方法,其特征在于,所述采集目标场景的环境数据并进行预处理,得到目标数据集的步骤,包括:
采用分组平均和滑动平均算法对所述环境数据进行数据降噪后进行归一化,得到所述目标数据集。
3.根据权利要求1所述的方法,其特征在于,所述将所述目标数据集导入匹配模型,生成匹配结果的步骤之前,所述方法还包括:
计算样本路径规划地图在不同算法下的执行时间作为第一维度;
计算所述样本路径规划地图的中心点与其他障碍物的距离的平均值,作为第二维度;
将所述第一维度和所述第二维度导入k均值聚类算法中进行聚类,训练得到地图与算法关联的匹配模型。
4.根据权利要求1所述的方法,其特征在于,所述将所述目标数据导入基于人工势场的RRT-connect算法,选取所述目标场景内的多个点作为根节点建立随机树,并在每个所述根节点上叠加一个引力场进行节点搜索,生成目标路径的步骤,包括:
以所述目标场景的起点和终点为所述根节点建立随机树,以及,在所述目标场景的非障碍区域随机生成多个点作为所述根节点并建立所述随机树;
在每个所述随机树上迭代一个所述引力场;
根据所述随机树对应的随机扩展函数和所述引力场对应的引力函数得到新节点生成公式;
根据所述新节点生成公式计算所述目标路径。
5.根据权利要求4所述的方法,其特征在于,所述根据所述随机树对应的随机扩展函数和所述引力场对应的引力函数得到新节点生成公式的步骤之前,所述方法还包括:
根据所述稀疏程度调整所述随机扩展函数和所述引力函数的步长。
6.一种自适应地图的路径规划***,其特征在于,所述***包括:
采集模块,用于采集目标场景的环境数据并进行预处理,得到目标数据集;
匹配模块,用于将所述目标数据集导入匹配模型,生成匹配结果;
判断模块,用于判断所述匹配结果是否为稀疏类型;
生成模块,用于若所述匹配结果为稀疏类型,则将所述目标数据导入A*算法进行路径规划并生成目标路径;
若所述匹配结果不为稀疏类型,则将所述目标数据导入基于人工势场的RRT-connect算法,选取所述目标场景内的多个点作为根节点建立随机树,并在每个所述根节点上叠加一个引力场进行节点搜索,生成目标路径。
7.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述权利要求1-5中任一项所述的自适应地图的路径规划方法。
8.一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述权利要求1-5中任一项所述的自适应地图的路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210256226.2A CN114323028B (zh) | 2022-03-16 | 2022-03-16 | 自适应地图的路径规划方法、***、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210256226.2A CN114323028B (zh) | 2022-03-16 | 2022-03-16 | 自适应地图的路径规划方法、***、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114323028A true CN114323028A (zh) | 2022-04-12 |
CN114323028B CN114323028B (zh) | 2022-06-07 |
Family
ID=81033755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210256226.2A Active CN114323028B (zh) | 2022-03-16 | 2022-03-16 | 自适应地图的路径规划方法、***、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114323028B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110015833A (ko) * | 2009-08-10 | 2011-02-17 | 삼성전자주식회사 | 로봇의 경로 계획방법 및 장치 |
US20140180526A1 (en) * | 2012-12-21 | 2014-06-26 | Toyota Jidosha Kabushiki Kaisha | Autonomous Navigation Through Obstacles |
KR20150126482A (ko) * | 2014-05-02 | 2015-11-12 | 한화테크윈 주식회사 | 이동 로봇의 경로 계획 장치 |
CN110083165A (zh) * | 2019-05-21 | 2019-08-02 | 大连大学 | 一种机器人在复杂狭窄环境下路径规划方法 |
US20200159216A1 (en) * | 2018-11-16 | 2020-05-21 | Great Wall Motor Company Limited | Motion Planning Methods And Systems For Autonomous Vehicle |
CN112013846A (zh) * | 2020-08-18 | 2020-12-01 | 南京信息工程大学 | 一种结合动态步长rrt*算法和势场法的路径规划方法 |
CN112902971A (zh) * | 2021-03-22 | 2021-06-04 | 中国长江三峡集团有限公司 | 基于高斯采样和目标偏向引导的快速扩展随机树算法、电子设备及存储介质 |
CN112923944A (zh) * | 2021-01-29 | 2021-06-08 | 的卢技术有限公司 | 一种自动驾驶路径规划方法、***及计算机可读存储介质 |
CN112975961A (zh) * | 2021-02-20 | 2021-06-18 | 华南理工大学 | 基于ctb-rrt*算法的采摘机械臂运动规划方法 |
US20210341309A1 (en) * | 2019-01-14 | 2021-11-04 | Zhejiang Huaray Technology Co., Ltd. | Systems and methods for route planning |
CN114115362A (zh) * | 2021-11-30 | 2022-03-01 | 沈阳航空航天大学 | 一种基于双向apf-rrt*算法的无人机航迹规划方法 |
-
2022
- 2022-03-16 CN CN202210256226.2A patent/CN114323028B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110015833A (ko) * | 2009-08-10 | 2011-02-17 | 삼성전자주식회사 | 로봇의 경로 계획방법 및 장치 |
US20140180526A1 (en) * | 2012-12-21 | 2014-06-26 | Toyota Jidosha Kabushiki Kaisha | Autonomous Navigation Through Obstacles |
KR20150126482A (ko) * | 2014-05-02 | 2015-11-12 | 한화테크윈 주식회사 | 이동 로봇의 경로 계획 장치 |
US20200159216A1 (en) * | 2018-11-16 | 2020-05-21 | Great Wall Motor Company Limited | Motion Planning Methods And Systems For Autonomous Vehicle |
US20210341309A1 (en) * | 2019-01-14 | 2021-11-04 | Zhejiang Huaray Technology Co., Ltd. | Systems and methods for route planning |
CN110083165A (zh) * | 2019-05-21 | 2019-08-02 | 大连大学 | 一种机器人在复杂狭窄环境下路径规划方法 |
CN112013846A (zh) * | 2020-08-18 | 2020-12-01 | 南京信息工程大学 | 一种结合动态步长rrt*算法和势场法的路径规划方法 |
CN112923944A (zh) * | 2021-01-29 | 2021-06-08 | 的卢技术有限公司 | 一种自动驾驶路径规划方法、***及计算机可读存储介质 |
CN112975961A (zh) * | 2021-02-20 | 2021-06-18 | 华南理工大学 | 基于ctb-rrt*算法的采摘机械臂运动规划方法 |
CN112902971A (zh) * | 2021-03-22 | 2021-06-04 | 中国长江三峡集团有限公司 | 基于高斯采样和目标偏向引导的快速扩展随机树算法、电子设备及存储介质 |
CN114115362A (zh) * | 2021-11-30 | 2022-03-01 | 沈阳航空航天大学 | 一种基于双向apf-rrt*算法的无人机航迹规划方法 |
Non-Patent Citations (2)
Title |
---|
OLZHAS ADIYATOV 等: "Sparse tree heuristics for RRT family motion planners", 《2017 IEEE INTERNATIONAL CONFERENCE ON ADVANCED INTELLIGENT MECHATRONICS (AIM)》 * |
黄文刚 等: "变步长稀疏A*算法的无人机航路规划", 《计算机工程与应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114323028B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10593110B2 (en) | Method and device for computing a path in a game scene | |
CN104462190B (zh) | 一种基于海量空间轨迹挖掘的在线的位置预测方法 | |
US20110137833A1 (en) | Data processing apparatus, data processing method and program | |
CN106714110A (zh) | 一种Wi‑Fi位置指纹地图自动构建方法及*** | |
JP2012008659A (ja) | データ処理装置、データ処理方法、およびプログラム | |
US20110137831A1 (en) | Learning apparatus, learning method and program | |
CN114261400B (zh) | 一种自动驾驶决策方法、装置、设备和存储介质 | |
CN110267206A (zh) | 用户位置预测方法及装置 | |
CN113110605B (zh) | 城市环境下多无人机协同搜索方法及装置 | |
Chen et al. | A wifi indoor localization method based on dilated cnn and support vector regression | |
Sarmiento et al. | An efficient strategy for rapidly finding an object in a polygonal world | |
CN114323028B (zh) | 自适应地图的路径规划方法、***、设备及介质 | |
Chand et al. | A two-tiered global path planning strategy for limited memory mobile robots | |
CA2894863A1 (en) | Indoor localization using crowdsourced data | |
JP5845604B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN115933638A (zh) | 一种多机器人协同探索方法、装置、电子设备及介质 | |
CN114048333B (zh) | 一种多源融合语音交互式室内定位方法、终端及存储介质 | |
Lawrance et al. | Fast marching adaptive sampling | |
CN113961016B (zh) | 基于a*算法的无人机动态目标航迹规划方法及*** | |
CN113790729B (zh) | 一种基于强化学习算法的无人天车路径规划方法及装置 | |
KR20190042540A (ko) | 인공 신경망을 이용한 자기장 기반 위치 추정 모델 생성 장치 및 방법 | |
Opoku et al. | The Ar-Star (Ar) Pathfinder | |
CN112985397B (zh) | 机器人轨迹规划方法、装置、存储介质及电子设备 | |
CN108495262B (zh) | 室内空间泛在定位信号指纹库稀疏表征和匹配定位方法 | |
CN112990256A (zh) | 多传感器噪声计算方法及信息融合方法、存储介质及设备 |
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 |