CN106843236A - 基于权重改进粒子群算法的无人自行车路径规划方法 - Google Patents

Abstract

基于权重改进粒子群算法的无人自行车路径规划方法，包括如下步骤：(1)根据无人自行车的工作环境，进行环境建模和编码；(2)建立适应度函数；(3)基于权重改进粒子群算法进行无人自行车的路径规划。本发明的路径规划方法，可使得自行车严格按照规划路径行驶，并且可以在动态和静态环境中都可以产生最优路径，需要调整的参数少，模型简单，计算方便。

Description

基于权重改进粒子群算法的无人自行车路径规划方法

技术领域

本发明涉及无人自行车技术，特别是一种基于权重改进粒子群算法的无人自行车路径规划方法。

背景技术

自20世纪60年代移动机器人诞生以来，研究人员一直梦想研究无人智能交通工具，作为智能交通系统的重要组成部分，无人自行车排除了人为不确定因素的影响，不仅可以提高驾驶安全性，而且可以解决交通拥堵，提高能源利用率，百度曾宣布开发复杂人工智能无人自行车，该产品是具备环境感知、规划和自平衡控制等复杂人工智能的无人自行车，主要集合了百度在人工智能、深度学习、大数据和云计算技术的成就，然而对技术细节没有任何披露。目前大多采用采用覆盖面广、成本低，且针对性强的运动干预服务系统，对无人自行车的运动进行符合实际情况的干预，有望解决自行车避障等问题。

作为无人自行车的智能核心，避障路径规划系统决定车辆如何在多种约束条件和路径障碍物条件下到达目标位置，这些约束包括体现为安全性的环境约束，体现可行性的系统运动学约束，体现平顺性和稳定性的系统动力学约束以及特定的优化指标约束，如最短时间或最短距离等。在无人自行车应用中，这些约束集中在全局路径规划中得到满足，全局路径规划问题等同于起点和终点间路径生成的问题，解决全局路径规划问题一般要求提前获知完成的典型道路及其数字化存储方式，也就是环境地图，当环境变化或其他因素导致规划结果不可行时，需要重启全局规划得到新的可行路径才能继续行使。

粒子群优化算法是一种新的群体智能优化算法，这种算法易于实现、参数可控，然而还存在很多问题，比如收敛性差等问题，因此需要提出一种新的粒子群方法，加入改进的权重系数，通过对坐标进行变换，建立新的地图，同时针对动态和静态的障碍物搭配相应的适应度函数进行壁障，并通过仿真试验对算法的有效性进行验证。

发明内容

本发明的目的在于提供一种基于权重改进粒子群算法的无人自行车路径规划方法，包括如下步骤：

(1)根据无人自行车的工作环境，进行环境建模和编码；

(2)建立适应度函数；

(3)基于权重改进粒子群算法进行无人自行车的路径规划。

优选的，步骤(1)具体实施为：在三维空间坐标系中，路径点序列坐标为三维的，为了进行有效编码，对坐标进行坐标变换，在新的坐标系中，以无人自行车起始点S为原点，x轴为原点与目标点G的连线，y轴垂直于x轴，y轴与水平面平行，z轴过原点且垂直于xoy平面，其中坐标变换和反变换公式为：

其中：α为x轴在x’oy’投影与x’oy’平面x’轴的夹角，β为x轴与其在x’oy’投影的夹角，其中xoy为变换后得到的平面。

优选的，所述步骤(1)中所述编码的方式为将原点与目标点的线段分成n等分，等分点为x_i(i＝1,2,...,n)，分别过x_i做平面垂直于x轴，x_i点对应的平面为Q_i，随机在Q_i上选择一点p_i，共产生了n个路径点，形成一条随机路径，将路径点简化为二维的(y_i,z_i)坐标，然后设置决定平面取点精度的参数φ，在YOZ坐标系中无人自行车能到达的z轴最小值为z_min，y的最小值为y_min，最大值为y_max，其坐标点为o′(y_min,y_max)，将坐标系yoz中的o点移动到o”，同时在该点做o”y”平行于oy，做o”z”平行于oz，则新的坐标为：y_i″＝y_i+|y_min|，z_i″＝z_i+|z_min|，然后对于每一个实数zy_i＝φ²×z_i″×(y_max-y_min)+φ²×y_i′，直接采用实数的编码方式zy＝{S,zy₁,zy₂,zy₃,...,zy_n...}。

优选的，所述步骤(2)包括建立静态壁障的适应度函数，建立动态壁障的适应度函数以及建立综合壁障的适应度。

优选的，所述步骤(2)的静态壁障要求无人自行车在确定的静态环境下，从起点骑行到终点的过程中始终在安全无碰撞环境内，也就是在各折线段的碰撞函数相乘为1，在n个平面内划分n+1个空间，最终路径由n+1条折线段构成，检测每条折线段的经过区域，判断是否有障碍物，同时对障碍物按照无人自行车半径进性膨胀，无人自行车按照质点来处理，设碰撞检测函数为S(i)＝s(y′_i-1,z′_i-1,y′_i,z′_i)，函数只返回0和1，0为折线段范围有障碍物，1为无障碍物，则静态壁障适应度函数表示为：

优选的，所述步骤(2)的动态壁障适应度函数要求无人自行车在有其他无人自行车共同参与作业情况下，无人自行车从起点骑行到的终点的过程中，无人自行车与任意其他无人自行车的距离大于两者的安全半径之和，一个无人自行车在执行骑行任务的时候，其他无人自行车的位置和速度可以由整个自行车控制系统的控制终端得到，每个循环控制期内，路径规划算法根据其他无人自行车的位置和速度产生实时最优路径解，在整个路径规划过程中，将其他无人自行车的轨迹视为当前时刻速度的一个匀速直线运动，则无人自行车的动态壁障适应度函数为：

其中R₀为无人自行车的安全半径，R_k为障碍物的安全半径。

优选的，根据路径最短为三维路径规划算法最终目标，路径长度等于平面上已确定的各点连线的长度，目标函数为：

将静态适应度函数、动态适应度函数以及距离适应度函数有机综合在一起，可以得到基于权重改进粒子群算法的无人自行车路径规划算法的综合适应度函数：

f＝f₁×f₂×f₃ (5)。

优选的，步骤(3)得算法流程为：第一步：建模设置参数b_y＝(y_max-y_min)，b_z＝(z_max-z_min)，z_y,max＝b_y×b_z，z_min＝0，其中b_y，b_z分别是新坐标y轴和z轴的上界，粒子搜索范围被限制在(z_y,,min,z_y,max)；第二步：把所有静止状态的障碍物按无人自行车半径进行膨胀，确保行进安全；第三步：将所有粒子初始化于无障碍物路径，以使在以后的搜索过程中更快找到最优路径；第四步：将产生的粒子在平面内进行反变换，并代入适应度函数进行适应度的计算，计算出粒子初始化时的适应值，并保存到当前最短路径值中；第五步：更新粒子的位置，计算粒子的多个权重值，并进行辩解约束，将超出(z_y,,min,z_y,max)范围的值以最接近的一个边界值替代；第六步：更新每一个粒子的最优适应度和全局最优适应度；第七步：转到第五步进行迭代，直到到达最大迭代次数后或者达到需要的精度后，采用舒曼滤波法进行平滑处理，对算出的路径进行修改，显示计算结果与最优路径。

采用本发明的路径规划方法，可使得自行车严格按照规划路径行驶，并且可以在动态和静态环境中都可以产生最优路径，需要调整的参数少，模型简单，计算方便。

根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。

附图说明

后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。本发明的目标及特征考虑到如下结合附图的描述将更加明显，附图中：

图1为根据本发明实施例的基于权重改进粒子群算法的无人自行车路径规划方法流程图；

图2为根据本发明实施例的静态障碍物仿真效果图；

图3为根据本发明实施例的动态障碍物仿真效果图。

具体实施方式

结合附图如下详细说明一种的基于权重改进粒子群算法的无人自行车路径规划方法，如图1所示包括如下步骤：

(1)根据无人自行车的工作环境，进行环境建模和编码；

(2)建立适应度函数；

(3)基于权重改进粒子群算法进行无人自行车的路径规划。

其中，步骤(1)具体实施为：在三维空间坐标系中，路径点序列坐标为三维的，为了进行有效编码，对坐标进行坐标变换，在新的坐标系中，以无人自行车起始点S为原点，x轴为原点与目标点G的连线，y轴垂直于x轴，y轴与水平面平行，z轴过原点且垂直于xoy平面，其中坐标变换和反变换公式为：

其中：α为x轴在x’oy’投影与x’oy’平面x’轴的夹角，β为x轴与其在x’oy’投影的夹角，其中xoy为变换后得到的平面。

其中，步骤(1)中的编码的方式为将原点与目标点的线段分成n等分，等分点为x_i(i＝1,2,...,n)，分别过x_i做平面垂直于x轴，x_i点对应的平面为Q_i，随机在Q_i上选择一点p_i，共产生了n个路径点，形成一条随机路径，将路径点简化为二维的(y_i,z_i)坐标，然后设置决定平面取点精度的参数φ，在YOZ坐标系中无人自行车能到达的z轴最小值为z_min，y的最小值为y_min，最大值为y_max，其坐标点为o′(y_min,y_max)，将坐标系yoz中的o点移动到o”，同时在该点做o”y”平行于oy，做o”z”平行于oz，则新的坐标为：y_i″＝y_i+|y_min|，z_i″＝z_i+|z_min|，然后对于每一个实数zy_i＝φ²×z_i″×(y_max-y_min)+φ²×y_i′，直接采用实数的编码方式zy＝{S,zy₁,zy₂,zy₃,...,zy_n...}。

而步骤(2)包括建立静态壁障的适应度函数，建立动态壁障的适应度函数以及建立综合壁障的适应度。其中，静态壁障要求无人自行车在确定的静态环境下，从起点骑行到终点的过程中始终在安全无碰撞环境内，也就是在各折线段的碰撞函数相乘为1，在n个平面内划分n+1个空间，最终路径由n+1条折线段构成，检测每条折线段的经过区域，判断是否有障碍物，同时对障碍物按照无人自行车半径进性膨胀，无人自行车按照质点来处理，设碰撞检测函数为S(i)＝s(y′_i-1,z′_i-1,y′_i,z′_i)，函数只返回0和1，0为折线段范围有障碍物，1为无障碍物，则静态壁障适应度函数表示为：

而动态壁障适应度函数要求无人自行车在有其他无人自行车共同参与作业情况下，无人自行车从起点骑行到的终点的过程中，无人自行车与任意其他无人自行车的距离大于两者的安全半径之和，一个无人自行车在执行骑行任务的时候，其他无人自行车的位置和速度可以由整个自行车控制系统的控制终端得到，每个循环控制期内，路径规划算法根据其他无人自行车的位置和速度产生实时最优路径解，在整个路径规划过程中，将其他无人自行车的轨迹视为当前时刻速度的一个匀速直线运动，则无人自行车的动态壁障适应度函数为：

其中R₀为无人自行车的安全半径，R_k为障碍物的安全半径。根据路径最短为三维路径规划算法最终目标，路径长度等于平面上已确定的各点连线的长度，目标函数为：

将静态适应度函数、动态适应度函数以及距离适应度函数有机综合在一起，可以得到基于权重改进粒子群算法的无人自行车路径规划算法的综合适应度函数：

f＝f₁×f₂×f₃ (5)。

对于步骤(3)的算法流程，分解为：第一步：建模设置参数b_y＝(y_max-y_min)，b_z＝(z_max-z_min)，z_y,max＝b_y×b_z，z_min＝0，其中b_y，b_z分别是新坐标y轴和z轴的上界，粒子搜索范围被限制在(z_y,,min,z_y,max)；第二步：把所有静止状态的障碍物按无人自行车半径进行膨胀，确保行进安全；第三步：将所有粒子初始化于无障碍物路径，以使在以后的搜索过程中更快找到最优路径；第四步：将产生的粒子在平面内进行反变换，并代入适应度函数进行适应度的计算，计算出粒子初始化时的适应值，并保存到当前最短路径值中，反变换公式为：第五步：更新粒子的位置，计算粒子的多个权重值，并进行辩解约束，将超出(z_y,,min,z_y,max)范围的值以最接近的一个边界值替代；第六步：更新每一个粒子的最优适应度和全局最优适应度；第七步：转到第五步进行迭代，直到到达最大迭代次数后或者达到需要的精度后，采用舒曼滤波法进行平滑处理，对算出的路径进行修改，显示计算结果与最优路径。

对于该算法在MATLAB平台进行仿真，选择原始地图大小为20*10*10，S(0,0,0)和G(20,5,5)分别为起始点和终点，参数φ＝100，仿真分为静态障碍物和动态障碍物2个部分，对于静态障碍物仿真，粒子种群大小为100，粒子维数为10，最大迭代次数为100，最后得到最短路径为10，无人自行车起始在一个长度为10，中部宽度为2的狭窄环境中，其余障碍物的位置可以随机设置。仿真图如图2所示，而在动态障碍物环境下，粒子种群大小为100，粒子维数为10，最大迭代次数为100，最后得到最短路径为10.125。初始时无人自行车和动态障碍物参数如表1所示，

物体类别	当前位置	速度(cm/s)	安全半径	运动轨迹
					无人自行车1	(0，0，0)	10	1	待求
目的地	(20，5，5)	0	0	无
					障碍物1	(3，5，0)	5	1	垂直于z轴正
障碍物2	(5，10，5)	5	1	平行于x轴正
					障碍物3	(18，0，0)	12	1	对角线方向

那么从初始到最终状态的4个不同状态的最后路径如图3所示，仿真结果表表明：本发明的路径规划方法，可使得自行车严格按照规划路径行驶，并且可以在动态和静态环境中都可以产生最优路径，需要调整的参数少，模型简单，计算方便。

虽然本发明已经参考特定的说明性实施例进行了描述，但是不会受到这些实施例的限定而仅仅受到附加权利要求的限定。本领域技术人员应当理解可以在不偏离本发明的保护范围和精神的情况下对本发明的实施例能够进行改动和修改。

Claims (8)

1.基于权重改进粒子群算法的无人自行车路径规划方法，其特征在于：包括如下步骤：

(1)根据无人自行车的工作环境，进行环境建模和编码；

(2)建立适应度函数；

(3)基于权重改进粒子群算法进行无人自行车的路径规划。

2.根据权利要求1的路径规划方法，其特征在于：所述步骤(1)具体实施为：在三维空间坐标系中，路径点序列坐标为三维的，为了进行有效编码，对坐标进行坐标变换，在新的坐标系中，以无人自行车起始点S为原点，x轴为原点与目标点G的连线，y轴垂直于x轴，y轴与水平面平行，z轴过原点且垂直于xoy平面，其中坐标变换和反变换公式为：

$\left[\begin{array}{c}x\\ y\\ z\end{array}\right]=\left[\begin{array}{c}cos\mathrm{\β}cos\mathrm{\α}\mathrm{....}cos\mathrm{\β}sin\mathrm{\α}\mathrm{....}sin\mathrm{\β}\\ -sin\mathrm{\α}\mathrm{...........}cos\mathrm{\α}\mathrm{.............0}\\ sin\mathrm{\β}cos\mathrm{\α}\mathrm{......}sin\mathrm{\β}sin\mathrm{\α}\mathrm{....}cos\mathrm{\β}\end{array}\right]=\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\\ z^{\′}\end{array}\right]---\left(1\right),$

其中：α为x轴在x’oy’投影与x’oy’平面x’轴的夹角，β为x轴与其在x’oy’投影的夹角，其中xoy为变换后得到的平面。

3.根据权利要求2的路径规划方法，其特征在于：步骤(1)中所述编码的方式为将原点与目标点的线段分成n等分，等分点为x_i(i＝1,2,...,n)，分别过x_i做平面垂直于x轴，x_i点对应的平面为Q_i，随机在Q_i上选择一点p_i，共产生了n个路径点，形成一条随机路径，将路径点简化为二维的(y_i,z_i)坐标，然后设置决定平面取点精度的参数φ，在YOZ坐标系中无人自行车能到达的z轴最小值为z_min，y的最小值为y_min，最大值为y_max，其坐标点为o′(y_min,y_max)，将坐标系yoz中的o点移动到o”，同时在该点做o”y”平行于oy，做o”z”平行于oz，则新的坐标为：y_i″＝y_i+|y_min|，z_i″＝z_i+|z_min|，然后对于每一个实数zy_i＝φ²×z_i″×(y_max-y_min)+φ²×y_i′，直接采用实数的编码方式zy＝{S,zy₁,zy₂,zy₃,...,zy_n...}。

4.根据权利要求1的路径规划方法，其特征在于：步骤(2)包括建立静态壁障的适应度函数，建立动态壁障的适应度函数以及建立综合壁障的适应度。

5.根据权利要求4的路径规划方法，其特征在于：步骤(2)的静态壁障要求无人自行车在确定的静态环境下，从起点骑行到终点的过程中始终在安全无碰撞环境内，也就是在各折线段的碰撞函数相乘为1，在n个平面内划分n+1个空间，最终路径由n+1条折线段构成，检测每条折线段的经过区域，判断是否有障碍物，同时对障碍物按照无人自行车半径进性膨胀，无人自行车按照质点来处理，设碰撞检测函数为S(i)＝s(y′_i-1,z_i′_-1,y_i′,z_i′)，函数只返回0和1，0为折线段范围有障碍物，1为无障碍物，则静态壁障适应度函数表示为：

6.根据权利要求4的路径规划方法，其特征在于：步骤(2)的动态壁障适应度函数要求无人自行车在有其他无人自行车共同参与作业情况下，无人自行车从起点骑行到的终点的过程中，无人自行车与任意其他无人自行车的距离大于两者的安全半径之和，一个无人自行车在执行骑行任务的时候，其他无人自行车的位置和速度可以由整个自行车控制系统的控制终端得到，每个循环控制期内，路径规划算法根据其他无人自行车的位置和速度产生实时最优路径解，在整个路径规划过程中，将其他无人自行车的轨迹视为当前时刻速度的一个匀速直线运动，则无人自行车的动态壁障适应度函数为：

其中R₀为无人自行车的安全半径，R_k为障碍物的安全半径。

7.根据权利要求4的路径规划方法，其特征在于：根据路径最短为三维路径规划算法最终目标，路径长度等于平面上已确定的各点连线的长度，目标函数为：

将静态适应度函数、动态适应度函数以及距离适应度函数有机综合在一起，可以得到所述基于权重改进粒子群算法的无人自行车路径规划算法的综合适应度函数：

f＝f₁×f₂×f₃ (5)。

8.根据权利要求1的路径规划方法，其特征在于：所述步骤(3)的算法流程为：第一步：建模设置参数b_y＝(y_max-y_min)，b_z＝(z_max-z_min)，z_y,max＝b_y×b_z，z_min＝0，其中b_y，b_z分别是新坐标y轴和z轴的上界，粒子搜索范围被限制在(z_y,,min,z_y,max)；第二步：把所有静止状态的障碍物按无人自行车半径进行膨胀，确保行进安全；第三步：将所有粒子初始化于无障碍物路径，以使在以后的搜索过程中更快找到最优路径；第四步：将产生的粒子在平面内进行反变换，并代入适应度函数进行适应度的计算，计算出粒子初始化时的适应值，并保存到当前最短路径值中；第五步：更新粒子的位置，计算粒子的多个权重值，并进行辩解约束，将超出(z_y,,min,z_y,max)范围的值以最接近的一个边界值替代；第六步：更新每一个粒子的最优适应度和全局最优适应度；第七步：转到第五步进行迭代，直到到达最大迭代次数后或者达到需要的精度后，采用舒曼滤波法进行平滑处理，对算出的路径进行修改，显示计算结果与最优路径。