CN103994768A - 动态时变环境下寻求全局时间最优路径的方法 - Google Patents

Abstract

本发明公开了一种动态时变环境下寻求全局时间最优路径的方法。该方法包括：对环境状态信息的提取；对环境的空间建模；依据环境状态信息对环境进行时间划分，即将时间轴划分为若干个时间间隔，并用时间消耗来表示各时间间隔的环境状态；运用改进的A*算法对环境模型进行搜索以得到全局时间最优路径；通过引入权重达到多尺度路径规划目的。本发明对于室内机器人避障、室外道路交通复杂时变环境的路径寻优都能达到良好的目的，并且能够根据用户的不同需求，在时间代价和距离代价之间进行权衡以制定最佳路线并准确计算行程花费时间。

Description

动态时变环境下寻求全局时间最优路径的方法

技术领域

本发明涉及动态环境中的碰撞避免及路径寻优算法，尤其涉及一种针对复杂动态时变环境下寻求全局时间最优路径的方法。 

背景技术

随着社会的进步、科技的发展，如今计算机的应用领域可谓愈发广泛，其中机器人研究为目前计算机领域中最热门的课题之一。路径规划技术是机器人研究领域中的一个重要分支，所谓路径规划问题一般理解为在具有障碍物的环境中，按照一定的评价标准(如工作代价最小、行走路线最短、行走时间最短等)，寻找一条从起始状态到目标状态的无碰撞路径。其应用领域非常广泛，如：机器人寻路蔽障的路径规划、飞行器航迹规划、巡航导弹路径规划、旅行商问题以及其衍生的各种车辆路径规划、基于道路网的路径规划、电子地图GPS导航路径搜索与规划、路由问题等，因此具有重要的实用价值和广阔的发展前景。 

然而，由于路径规划应用的场合不尽相同，尤其对于求解动态复杂时变环境中的全局最优路径规划问题，对路径寻优算法提出了更高的要求。其中，在交通道路环境中的车辆导航问题更是该领域研究的难点与热点。如何让机器人能够充分考虑动态障碍物的运动轨迹而制定出可行的行走方案，以及如何针对时变的道路交通状态而制定一条从起始点到终点时间花费最优路径，并且可以通过权衡时间与空间的代价，为客户搜寻一条全局最优路径已经成为衡量导航系统优劣的重要标准。 

发明内容

本发明的目的在于解决针对复杂动态时变的环境下寻求全局时间最优路径的需求问题，充分考虑移动障碍物以及环境的时变性，提供一种针对复杂动态时变的环境下寻求全局时间最优路径的方法，基于本发明，可以实现室内动态环境中机器人避障、道路交通复杂时变环境中搜寻时间花费最优路径，并且能够根据用户的不同需求，对时间以及空间消耗进行权衡以制定最佳行走路线并准确估计花费时间。 

为解决上述技术问题，本发明提供的技术方案为：一种针对动态时变环境下寻求全局时间最优路径的方法，包括如下步骤： 

数据获取步骤：通过交通监控平台系统获得历史及实时的路况信息； 

空间数据处理步骤：依据道路或环境空间特征，进行空间划分，划分成若干个子区域(state)；一般情况，对于室内环境，利用栅格法对环境进行空间划分，栅格的大小可依据机器人的体积、灵敏度及环境特征进行选取，对于室外交通复杂环境，通常利用邻接矩阵表示，其中一条无岔路的路段被抽象为一个子区域(state)，其道路邻接信息用邻接矩阵表示； 

时间数据处理步骤：依据环境变化状态，对每一个划分好的子区域(state)再进行时间上的划分，将划分好的每一个时间段称之为时间间隔，并为每一个划分好的时间间隔增加时间消耗变量； 

时间间隔的划分依据为：在室内场景中，对于一个空间上划分好的栅格，依据其时间段内是否有障碍物通过将其划分为若干个时间间隔，并且对无障碍物通过的时间间隔给予其1个时间单位的时间消耗，对于有障碍物通过的时间间隔给予其无穷大的时间消耗，代表其无法行走；对于室外交通环境，对时间的划分则依据其道路交通状态的变化，将道路状态趋于稳定的时间段划分为一个时间间隔，并且赋予其一个在该道路状态下车辆行驶通过该路段的平均时间消 耗； 

运用A*算法拓展搜索步骤：引入到达时刻变量，其求解由起始时刻与时间间隔中时间消耗的累加得到；拓展的可达性根据到达时刻是否可在子区域(state)的时间间隔内确定，搜索过程中通过建立OPEN列表，每次将其中具有最小评价函数的时间间隔取出进行拓展以减小搜索空间； 

改变权值步骤：通过权衡时间及空间消耗，制定出相应权值下的最优路径，从而满足用户对道路所花费时间及路程的不同需求。 

所述运用A*算法拓展搜索步骤中，拓展对象为时间间隔，而非子区域(state)，并且为每个时间间隔引入到达时刻变量，其到达时刻及评价函数由以下公式确定： 

当拓展时间间隔未被访问，且到达时刻可在拓展时间间隔的时间间隔之内时，其到达时刻为： 

T(s')＝T(s)+C(s')或 

T(s')＝max(T(s)+C(s'),t_s(s')) 

当拓展时间间隔已被访问过，且新计算出的到达时刻可在拓展时间间隔的时间间隔之内时，其到达时刻为： 

T(s')＝T(s)+C(s')或 

T(s')＝min(max(T(s)+C(s'),t_s(s')),T_pre(s')) 

其中s'代表拓展的时间间隔，T(s')代表该时间间隔的到达时刻，T(s)表示其前驱时间间隔的到达时刻，C(s')表示该时间间隔的时间消 耗，t_s(s')表示时间间隔s'的起始时刻，T_pre(s')表示之前算出s'的到达时刻； 

其中评价函数由以下公式确定： 

F(s)＝w×H(s)+T(s) 

其中F(s)表示时间间隔s的评价函数，w为权值影响因子，其值大于等于1，H(s)为启发式函数，为使得改变权值后的求解仍为当前条件下最优解，其值由Dijkstra算法求得； 

所述数据获取步骤中，对于室内环境，其数据由搭载于机器人上的摄像头获取并预测；对于室外交通环境，其数据通过谷歌及百度地图获取。 

本发明还提供了基于一种针对动态时变环境下寻求全局时间最优路径的方法的系统， 

相对于现有的导航技术而言，本发明通过对环境进行空间以及时间上的处理划分，引入时间间隔以及时间消耗概念，运用A*拓展思想进行时间消耗最优路径的搜索，解决了动态时变环境中路径规划的很多问题：一般的处理动态环境中路径规划问题都是通过间歇性地运用静态搜索算法处理变化后的环境以不断纠正规划路径直到到达终点，其搜索结果往往是次优的并且有时并不能解决极端环境中机器人充分考虑动态障碍物的行走轨迹从而规划出蔽障路径的问题；动态时变环境中寻求全局时间花费最少路径；交通导航中通过对路况的分析寻求全局时间花费最少路径；根据用户的需求，权衡时间与空间的消耗从而指定出符合用户需求的全局最优导航路径。 

本发明能够有效解决极端环境中机器人蔽障问题、求解动态环境中全局时间花费最优问题、交通导航中根据客户需求权衡时间与空间消耗以制定全局最优路径问题。相比于其他算法，其算法执行速度、求解结果上都有其优越性，能够实现多尺度导航需求。 

附图说明

图1为本发明针对动态时变环境下寻求全局时间最优路径方法的步骤流程图； 

图2为谷歌地图截图； 

图3为室内环境栅格法建模图； 

图4为室外交通环境栅格法建模图；图中，黑色正方形代表障碍物，黑色方框代表静态路径，即时间消耗不随时间的改变而改变，此例中时间消耗设置为1个时间单位，灰色正方形区域为动态时变环境，其时间消耗变化规律为每隔10个时间单位变化一次，其变化规律如表1所示； 

图5为图3环境下A、B、C三栅格时间间隔及时间消耗建模图； 

图6为道路交通时变环境中依据环境信息对各节点进行时间划分示意图； 

图7为本发明所涉及伪代码； 

图8为拓展规则示例示意图； 

图9为模拟图3环境下运用此发明进行机器人蔽障模拟示意图；其中，图9a为初始状态，黑色圆点表示机器人当前位置，黑色五角星代表终点，黑色圆圈代表移动障碍物；图9b为机器人向上运动至(7,8)点，并且等待向左运动障碍物通过；图9c为机器人向下运动经过十字交叉点后向右移动以避免与向上运动障碍物发生碰撞；图9d为机器人再次移动至交叉点，而后径直向下直至到达终点； 

图10为图4环境下运用本发明进行路径规划示意图； 

图11为本发明引入权值影响因子进行路径规划示意图； 

图12中的表1为图4室外交通环境下时变道路区域时间消耗变化表； 

图12中的表2为图4所述动态时变环境中本发明与A*算法时间消耗对比表； 

图12中的表3为图4所述动态时变环境中改变权值后搜索路径其总时间及路程消耗表。 

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。 

参照图1，图1为本发明针对动态时变环境下寻求全局时间最优路径的方法的步骤流程图，包括如下步骤：首先数据获取步骤：通过交通监控平台系统获得历史及实时的路况信息，这里需要说明的是，此发明需要在能够预知未来时间段内的环境信息的前提下实现，而预测未来时间段内的道路交通信息功能在现有的地图系统中均有 提供，如谷歌、百度地图，针对室内场景亦能通过装载于机器人上的传感器预测障碍物的运动轨迹； 

空间数据处理步骤：依据道路或环境空间特征，对其进行空间划分，以划分成若干个子空间(state)，一般情况，对于室内环境，利用栅格法对环境进行空间划分，栅格(state)的大小依据机器人的体积、灵敏度及环境特征选取，对于室外复杂交通环境，可将一条无岔路的路段抽象为一个state，其邻接道路信息用邻接矩阵表示，本步骤旨在对环境进行空间划分并记录其邻接关系； 

时间数据处理步骤：依据环境变化状态，对每一个划分好的子空间再进行时间上的划分，称为时间间隔，并为每一个划分好的时间间隔增加时间消耗变量。划分依据为：在室内场景中，对于一个空间上划分好的栅格，依据其时间段内是否有障碍物通过将其划分为若干个时间间隔，并且对无障碍物通过的时间间隔给予其1个时间单位的时间消耗(或者一个准确的机器人通过一个state的时间)，对于有障碍物通过的时间间隔给予其无穷大的时间消耗(代表其无法行走)。对于室外交通环境，对时间划分依据其道路拥堵状态，将道路状态趋于稳定的时间段划分为一个时间间隔，并且赋予其在该道路状态下行驶该路段的时间消耗变量； 

运用A*算法进行拓展搜索步骤：引入到达时刻变量，其求解由起始时刻与各时间间隔中时间消耗的累加得到。这里拓展的可达性根据到达时刻是否可在该state的时间间隔内确定，搜索过程中通过建立OPEN列表，每次将其中具有最小评价函数的时间间隔取出进行拓展以减小搜索空间； 

改变权值：通过权衡时间及空间消耗，制定出相应权值下的最优路径，从而满足用户对道路所花费时间及路程的不同需求。 

两实施例将分别对动态室内环境中机器人蔽障问题以及复杂时变的道路交通环境中路径寻优问题予以解决，相对于其他算法，该 发明能够更为准确地实现机器人蔽障功能；准确计算动态时变环境中全局时间消耗最优路径；且能够根据用户的不同需求权衡时间及空间消耗制定出更为合理的行车路线。 

下面结合附图和具体实施方式对本发明作进一步说明。 

步骤1：数据获取步骤 

本发明得以实现的前提是动态环境是可以预测的，即未来一段时间内的环境状态需要预先预测得知。针对于室内动态环境中机器人蔽障问题，其障碍物的运动轨迹可由装载于机器人中的传感器摄像头获得，并且根据当前运动速度与方向预测其接下来的行走路线。相对于室外交通环境，其实时道路交通状态以及预测未来时刻道路交通状态可由百度、谷歌地图等获得，如图2所示。 

步骤2：空间划分步骤 

为了能够简化搜索空间，本发明首先对环境进行空间划分，对于室内环境，发明可根据环境特征、机器人行走灵敏度及其体积，运用栅格法对环境进行划分，如图3所示，此环境为一十字交叉走廊，其中动态障碍物用黑色实心圆表示，其运动方向用箭头标出，运动速度规定为每个时间单位移动一个栅格。根据此环境特征，将其按照如图3所示的栅格将其进行空间划分。对于室外交通环境，这里需要说明的是，由于无论是栅格法还是邻接矩阵法，其目的都是为了简化搜索空间，并不影响发明的执行阶段，所以为了使发明处理动态环境中寻求全局时间最优路径的效果更为直观，我们仍用栅格法来模拟道路交通环境，如图4所示。其中灰色实心矩形代表环境状态会随时间变化而变化的道路，黑色栅格区域代表道路状态不会随时间变化而变化，黑色实心栅格代表无法通行的环境区域。 

步骤3：时间划分步骤 

该步骤通过对环境信息的提取，进一步将时间信息以及环境状态信息增加至模型中，为步骤一所划分出来的栅格进行时间划分，并为每一个时间间隔增加时间消耗特征。以下是方法的具体实现： 

1.对于室内动态环境，环境本身往往不是很复杂，每一个栅格只有两种状态：可行与不可行，可行就是无障碍物占用该区域，不可行就是有障碍物占用该区域，由于有动态障碍物在环境中运行，对于室内同一位置，发明依据该位置(栅格)是否有障碍物将其进行时间划分，并为每一个时间间隔增加时间消耗变量，此变量用来描述通过该栅格所需要的时间，对于可行状态，其通过时间为1，即时间消耗为1；对于不可行状态，其无法通过，时间消耗设置为无穷大。如图5所示，对应分析图2中的A、B、C三个栅格，以C为例，在时间段0到1内，无物障碍物通过C栅格，将[0,1]划分为一个时间间隔，并且赋予其1的时间消耗，在时间段2内，向左运动的障碍物将通过该栅格，之后离开，故将2时间段划分为一个时间间隔[2,2]，并赋予无穷大的权值，在时间段3内该区域无障碍物占用，且下个时间段向上运动的障碍物将通过该处，故将其划分为一个时间间隔[3,3]，并同样赋予1的时间消耗，在时间段4内向上运动的障碍物通过该区域，且之后该区域再无障碍物通过，将时间段4划分为一个时间间隔[4,4]，并且赋值无穷大为其时间消耗，之后的时间段[5,+∞]被划分为一个时间间隔，其时间消耗设置为1，如图5所示。 

2.对于室外交通场景，其划分依据类似，对于同一道路，车流量趋于稳定的时间段将划分为一个时间间隔，并赋予一个车辆平均通过时间为其时间消耗，这里需要注意的是，在此种复杂时变的交通环境下，时间消耗不仅限于1与正无穷，其时间消耗为该环境状态下车辆通过该路段的平局时间消耗，如对于同一路段，在早8点高峰期，通过该路段的平均时间消耗将会是20分钟，而在午夜时分，通过该路段的平均时间消耗则为2分钟，其更一般的建模表示如图6所示。 

步骤4：运用A*算法对划分好的时间间隔进行拓展搜索 

该步骤为此发明的核心步骤，但也是最为灵活的步骤，此发明以时间间隔及时间消耗的建立为基础，在其上可运用不同的拓展搜索规则进行最优搜索，这里主要介绍实验中所用搜索规则，但并非仅限于此。与传统的A*算法不同，本发明旨在搜索时间消耗最优路径而非路程最优，故此发明以步骤2中计算出的时间间隔为拓展对象进行搜索而非栅格。并且两空间相邻的时间间隔的可达性判断要依据到达时刻是否在其拓展的时间间隔内而定，其具体实施如图7伪代码所表述，为了进一步说明问题，此处通过图8所述情况解释相应代码及可达性判断(注意此处的A、B、C与图2及图4中A、B、C无任何关系)，其中s代表当前时间间隔，t_s(s)表示此时间间隔s的起始时刻，t_e(s)表示s的终止时刻，C(s)表示此时间间隔的时间消耗，T(s)代表当前时间间隔s的到达时刻，s'代表其邻接时间间隔，H(s)为启发式函数，用来估计从当前节点到目标点的距离，由于本算法需要在增大权值的情况下依然能够实现最优解，故H(s)由Dijkstra算法得到，G(s)为从起始位置到当前节点的实际时间消耗，w为权值影响因子，F(s)为评价函数。 

图8中，发明假设当前待拓展的时间间隔为节点B的时间间隔s_B2，其相邻节点的时间间隔s'为s_A1,s_A2,s_A3,s_C1,s_C2和s_C3。当这些相邻节点的时间间隔都未被访问过时：由于当前节点s_B2与s_C3及s_A1无交集，并且到达时刻T(s')在s_C3及s_A1之外，所以s_B2与s_C3及s_A1不可达。如图7伪代码5至8行所述；尽管s_B2和s_A3之间有交集，但是s_A3的到达时刻由公式1算出为11，不在此时间间隔之内，亦判定不可达，如图7中伪代码9行所述。 

T(s')＝T(s)+C(s')  公式1 

考虑计算s_C2的到达时刻，T(s')的计算则通过公式2，其到达时刻为9而不是8，如伪代码11至12行所述。 

T(s')＝max(T(s)+C(s'),t_s(s'))  公式2 

最后一种情况为求s_C1和s_A2的到达时刻，通过公式2可得出其到达时刻均为8，如伪代码13行所述。 

至此，通过算法我们得出s_C2,s_C1和s_A2可由s_B2拓展，并求出各个拓展时间间隔的到达时刻T(s')，之后将这三个时间间隔放入OPEN表中，并赋予其相应的F(s')，及记录其前驱节点。其中F(s')由公式3得出，如伪代码14行所述。 

F(s)＝w×H(s)+T(s)  公式3 

考虑另一种情况，即其邻接时间间隔s'已经被访问过，此种情况下算法的处理步骤依然与为被访问过时相似，只不过对于之前被访问过的时间间隔，当新求出的到达时刻T(s')更小时，将其更新为这个更小的到达时刻，如公式4所述，并且更新其前驱节点，对应于伪代码的26,29,30行。 

T(s')＝min(max(T(s)+C(s'),t_s(s')),T_pre(s'))  公式4 

公式3中w为权值影响因子，其取值为大于等于1的自然数，当w为1时，本发明所得结果即为全局时间最优路径，随着权值w的增大，发明更倾向于计算距离最短路径，使得求解路径用时相对增加但是路程相对减少，从而实现用户不同需求的导航目的。 

实验结果如图9至11所示。其中图9所示为模拟图3环境下的机器人室内蔽障路径规划，机器人起始位于(7,7)坐标位置，终点位于(7,2)五角星所示位置。图10为动态时变道路环境中依据不同的起始路径规划时刻所规划的不同路径，随着时间的推移，本发明所规划出的路径分别为1、2、3，而运用A*算法搜索到的路程最短路径均为1，且其实际时间消耗将大于本发明所规划路径的实际时间消耗，此实施例也进一步表明，本发明可针对不同的规划起始时刻制定出 动态时变环境中全局时间消耗最优路径，运用于实际中效果便是：对于同一起始位置及终点，早8点高峰期制定出的路径驾驶方案与午夜时分制定出的驾驶方案会有所不同，但都是当前道路状态下的时间消耗最少路径，此发明与A*算法制定出路径的总时间消耗对比如表2所示。图11为引入权值后依据不同的需求所规划之路径，随着权值的增大，评价函数F(s)中距离因素所占的比重增大，也就是更注重搜索到一条距离消耗相对较少的路径，但相应的以牺牲更小的时间消耗为代价。权值的引入可以更好地权衡路径的时间及空间消耗，根据不同用户的需求，制定出其满意的驾驶方案，其路径距离消耗及相应时间消耗由表3呈现。 

以上对本发明所提供的一种基于动态时变环境下寻求全局时间最优路径的方法进行详细分析，本文中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。 

Claims (6)

1.一种针对动态时变环境下寻求全局时间最优路径的方法，其特征在于，包括如下步骤： 

数据获取步骤：通过交通监控平台系统获得历史及实时的路况信息； 

空间数据处理步骤：依据道路或环境空间特征，进行空间划分，划分成若干个子区域(state)；一般情况，对于室内环境，利用栅格法对环境进行空间划分，栅格的大小可依据机器人的体积、灵敏度及环境特征进行选取，对于室外交通复杂环境，通常利用邻接矩阵表示，其中一条无岔路的路段被抽象为一个子区域(state)，其道路邻接信息用邻接矩阵表示； 

时间数据处理步骤：依据环境变化状态，对每一个划分好的子区域(state)再进行时间上的划分，将划分好的每一个时间段称之为时间间隔，并为每一个划分好的时间间隔增加时间消耗变量； 

时间间隔的划分依据为：在室内场景中，对于一个空间上划分好的栅格，依据其时间段内是否有障碍物通过将其划分为若干个时间间隔，并且对无障碍物通过的时间间隔给予其1个时间单位的时间消耗，对于有障碍物通过的时间间隔给予其无穷大的时间消耗，代表其无法行走；对于室外交通环境，对时间的划分则依据其道路交通状态的变化，将道路状态趋于稳定的时间段划分为一个时间间隔，并且赋予其一个在该道路状态下车辆行驶通过该路段的平均时间消耗； 

运用A*算法拓展搜索步骤：引入到达时刻变量，其求解由起始时刻与时间间隔中时间消耗的累加得到；拓展的可达性根据到达时刻是否可在子区域(state)的时间间隔内确定，搜索 过程中通过建立OPEN列表，每次将其中具有最小评价函数的时间间隔取出进行拓展以减小搜索空间； 

改变权值步骤：通过权衡时间及空间消耗，制定出相应权值下的最优路径，从而满足用户对道路所花费时间及路程的不同需求。 

2.根据权利要求1所述的路径规划方法，其特征在于，所述运用A*算法拓展搜索步骤中，拓展对象为时间间隔，而非子区域(state)，并且为每个时间间隔引入到达时刻变量，其到达时刻及评价函数由以下公式确定： 

当拓展时间间隔未被访问，且到达时刻可在拓展时间间隔的时间间隔之内时，其到达时刻为： 

T(s')＝T(s)+C(s')或 

T(s')＝max(T(s)+C(s'),t_s(s')) 

当拓展时间间隔已被访问过，且新计算出的到达时刻可在拓展时间间隔的时间间隔之内时，其到达时刻为： 

T(s')＝T(s)+C(s')或 

T(s')＝min(max(T(s)+C(s'),t_s(s')),T_pre(s')) 

其中s'代表拓展的时间间隔，T(s')代表该时间间隔的到达时刻，T(s)表示其前驱时间间隔的到达时刻，C(s')表示该时间间隔的时间消耗，t_s(s')表示时间间隔s'的起始时刻，T_pre(s')表示之前算出s'的到达时刻； 

其中评价函数由以下公式确定： 

F(s)＝w×H(s)+T(s) 

其中F(s)表示时间间隔s的评价函数，w为权值影响因子，其值大于等于1，H(s)为启发式函数，为使得改变权值后的求解仍为当前条件下最优解，其值由Dijkstra算法求得。 

3.根据权利要求1所述的路径规划方法，其特征在于，所述数据获取步骤中，对于室内环境，其数据由搭载于机器人上的摄像头获取并预测；对于室外交通环境，其数据通过谷歌及百度地图获取。 

4.一种针对动态时变环境下寻求全局时间最优路径的系统，其特征在于，包括： 

数据获取模块：通过交通监控平台系统获得历史及实时的路况信息； 

空间数据处理模块：依据道路或环境空间特征，进行空间划分，划分成若干个子区域(state)；一般情况，对于室内环境，利用栅格法对环境进行空间划分，栅格的大小可依据机器人的体积、灵敏度及环境特征进行选取，对于室外交通复杂环境，通常利用邻接矩阵表示，其中一条无岔路的路段被抽象为一个子区域(state)，其道路邻接信息用邻接矩阵表示； 

时间数据处理模块：依据环境变化状态，对每一个划分好的子区域(state)再进行时间上的划分，将划分好的每一个时间段称之为时间间隔，并为每一个划分好的时间间隔增加时间消耗变量； 

时间间隔的划分依据为：在室内场景中，对于一个空间上划分好的栅格，依据其时间段内是否有障碍物通过将其划分为若干个时间间隔，并且对无障碍物通过的时间间隔给予其1个时间单位的时间消耗，对于有障碍物通过的时间间隔给予其无穷大的时间消耗，代表其无法行走；对于室外交通环境，对时间的划分则依据其道路交通状态的变化，将道路状态趋于稳定的时间段划分为一个时间间隔，并且赋予其一个在该道路状态下车辆行驶通过该路段的平均时间消耗； 

运用A*算法拓展搜索模块：引入到达时刻变量，其求解由起始时刻与时间间隔中时间消耗的累加得到；拓展的可达性根据到达时刻是否可在子区域(state)的时间间隔内确定，搜索过程中通过建立OPEN列表，每次将其中具有最小评价函数的时间间隔取出进行拓展以减小搜索空间； 

改变权值模块：通过权衡时间及空间消耗，制定出相应权值下的最优路径，从而满足用户对道路所花费时间及路程的不同需求。 

5.根据权利要求4所述的路径规划方法，其特征在于，所述运用A*算法拓展搜索模块中，拓展对象为时间间隔，而非子区域(state)，并且为每个时间间隔引入到达时刻变量，其到达时刻及评价函数由以下公式确定： 

当拓展时间间隔未被访问，且到达时刻可在拓展时间间隔的时间间隔之内时，其到达时刻为： 

T(s')＝T(s)+C(s')或 

T(s')＝max(T(s)+C(s'),t_s(s')) 

当拓展时间间隔已被访问过，且新计算出的到达时刻可在拓展时间间隔的时间间隔之内时，其到达时刻为： 

T(s')＝T(s)+C(s')或 

T(s')＝min(max(T(s)+C(s'),t_s(s')),T_pre(s')) 

其中s'代表拓展的时间间隔，T(s')代表该时间间隔的到达时刻，T(s)表示其前驱时间间隔的到达时刻，C(s')表示该时间间隔的时间消耗，t_s(s')表示时间间隔s'的起始时刻，T_pre(s')表示之前算出s'的到达时刻； 

其中评价函数由以下公式确定： 

F(s)＝w×H(s)+T(s) 

其中F(s)表示时间间隔s的评价函数，w为权值影响因子，其值大于等于1，H(s)为启发式函数，为使得改变权值后的求解仍为当前条件下最优解，其值由Dijkstra算法求得。 

6.根据权利要求4所述的路径规划方法，其特征在于，所述数据获取模块中，对于室内环境，其数据由搭载于机器人上的摄像头获取并预测；对于室外交通环境，其数据通过谷歌及百度地图获取。