CN110231824A - 基于直线偏离度方法的智能体路径规划方法 - Google Patents

Abstract

基于直线偏离度方法的智能体路径规划方法，涉及智能体路径规划方法，属于人工智能研究领域。本发明为了解决现有的图搜索类算法在复杂环境下存在的计算时间复杂度高的问题以及在已知环境中移动机器人的全局路径规划问题的工作效率和实时性不佳的问题。本发明首先按照实际环境建立等比例缩小的模型，并对应建立坐标系；然后添加智能节点，删除与添加节点毫无关联的路线，基于直线偏离度进行建模，根据偏离角度进行筛选，最后查找路径节点确定最终确找到的最佳路线。主要用于智能体的路径规划。

Description

基于直线偏离度方法的智能体路径规划方法

技术领域

本发明涉及智能体路径规划方法。属于人工智能研究领域。

背景技术

早在20世纪60年代，斯坦福大学研究所研究出的自主移动机器人Shakey可以在复杂环境下进行对象识别、自主推理、路径规划及控制等功能；70年代随着计算机技术与传感器技术的发展与应用，移动人机器人的研究出现了新高潮；进入90年代后，随着技术的迅猛发展，智能移动机器人向实用化、系列化、实时化迈进。

已知环境下，现有的很多方法都能进行路径规划使机器人达到无碰撞到达目的点；其中在搜寻最优路径的算法上，全局路径规划依据搜索算法分类，主要包括图搜索类算法、随机采样类算法、智能算法等；在图搜索类算法中，我们常见的有Dijkstra算法、A*算法、遗传算法等。

未知环境下也提出了例如栅格法、改进的蚁群算法、基于向量机的等多种研究方法。

由于在某些时刻不便于得到全局环境，因此对于局部环境的研究来说，所花费的时间和精力都会增大，传统的算法都可以在一定的时间内搜索出最优路径，但是对于复杂的地形，即转化为拓扑图后，在计算时间上则存在一定的延迟。现有的图搜索类算法中在复杂环境下存在计算时间复杂度高的问题；已知环境中移动机器人的全局路径规划问题存在工作效率和实时性不佳的问题。

发明内容

本发明为了解决现有的图搜索类算法在复杂环境下存在的计算时间复杂度高的问题以及在已知环境中移动机器人的全局路径规划问题的工作效率和实时性不佳的问题。

基于直线偏离度方法的智能体路径规划方法，包括以下步骤：

一、建立环境模型，即按照实际环境建立等比例缩小的模型，并对应建立坐标系；

根据原始图构建连通矩阵，矩阵元素只有0和1，1代表两个节点间相连通，0表示两个节点间不连通；

二、添加智能节点，删除与添加节点毫无关联的路线：

在原二维地形图中添加智能节点，并删去与添加节点毫无关联的路线，调整后的环境中障碍物数量不变，路线图以拓扑图形式展示；智能节点也是节点；

三、直线偏离度建模：

(3.1)规划的目的是使机器人由起点start，安全地、避免碰撞地沿一条较短路径到达终点end，定义从起点到终点的最佳路径为path，path＝{p₀，p₁，....p_n}，其中P0是起点，也就是start；P_n是终点，也就是end；P_i是途中经过的第i个节点；

(3.2)将二维地形转换为拓扑图，并在拓扑图的基础上定义一个关联矩阵map，矩阵元素是表示两个相连通结点的距离；

定义候选集合s记录当前节点的所有相邻节点，并从中选出移动机器人下一步应要前往的节点位置；

(3.3)规定移动机器人下一时刻的目标节点就是拥有最小直线偏离度的节点；设i为起始点，k为中间节点，j’为最终目标节点，计算偏离角度θ：

θ＝arctan((k2-k1)/(1+k1*k2)) (5)

其中，k1、k2分别是直线ik与直线ij′的斜率，且他们的夹角不为90度，如果为90度时，k不存在，即k1*k2＝-1；

四、实现策略：

4.1、路径path实现策略：

(4.1.1)定义起始节点为start，终点为end，start加入到path中；

(4.1.2)把start能够到达的所有节点加入候选集合s中，通过计算θ去除掉不满足条件的路线，最后计算得到Qmin的节点作为移动机器人下一个前往的目标节点；

(4.1.3)把start替换成(4.1.2)中计算出的下一个目标节点，判断其坐标是否等于end，若相等则终止运算，把end节点添加到path中；否则把下一个目标节点添加到path中跳转至(4.1.2)继续执行，直到到达目标节点end；

4.2、基于连通判断的直线偏离度策略：

(4.2.1)将path中未进行过计算的第一个节点，记为当前运算的第一个节点，开始计算，根据连通矩阵进行判断，如果path中的第一个节点除了可以到达第二个节点之外，还可以无碰撞的到达path中的其余节点，则从该路线中的第一个节点开始向终点查找，直至找到一个可以直达的且距离该节点最远的节点，执行(4.2.2)；

(4.2.2)找到可以直达的最远的节点j，且j并不是当前节点的下一个节点，则把起始节点到j节点之间的其他非直达路线从path中移除，此时j为当前节点，若j为终止节点end，则结束跳转到(4.2.3)，否则跳转(4.2.1)；

若没有找到符合条件的j，则判断当前节点是不是终止节点end，如果是，则算法结束则跳转到(4.2.3)，否则不做任何改变，跳转到(4.2.1)；

(4.2.3)最终确找到的最佳路线，记为path^*。

进一步地，在计算偏离度的过程中，当计算得到两个或多个节点的直线偏离度相差小于偏离度阈值时，前往与当前节点相连的其中第一个节点p1，并计算与p1相连的节点的直线偏离度，然后回溯到当前节点，再前往另一个相连节点p2进行相关偏离度计算，直到把这些差别小于偏离度阈值的直线偏离度的节点都遍历完。

有益效果：

本发明计算时间复杂度低，规划耗时短、实时性好，而且工作效率高。

实验结果表明，本发明在时间结果和路径结果上都优秀于A*算法；而且本发明的在时间复杂度上是优秀于dijkstra算法的。当本发明进行增强的操作后，通过实验可以看出：在化简节点后的工作路线图中，本发明的运行时间明显小于A*的运行时间；而在拓扑图中，基于连通判断的调整后的基于直线偏离度的算法的路径长度达到了原始工作环境下的预期长度，且比A*还要短。学习的实效性即得到了保证，且最优路径长度相比A*进一步降低了。对比dijkstra算法，时间复杂度上是优于dijkstra算法。在增强学习之后，通过出错备忘方式提高了本发明算法的性能，整体性能优于dijkstra算法。

附图说明

图1为静态全局工作环境的模拟投影示意图；

图2为添加节点删除与添加节点毫无关联的路线后移动机器人的工作路线是有图；

图3为基于连通判断的最短路线移除策略路线调整示意图；

图4为找到一个可以直达的且距离该节点最远的节点的示意图；

图5为程序数组路径计算和表示。

具体实施方式

具体实施方式一：

基于直线偏离度方法的智能体路径规划方法，包括以下步骤：

一、建立环境模型，即按照实际环境建立等比例缩小的模型，并对应建立坐标系；

为实现和验证直线偏离度策略，本发明在机器人运动空间进行环境建模时作如下假定：

(a)移动机器人在二维有限空间中运动；

(b)机器人运动空间中分布着有限个已知的静态障碍物，障碍物可以用多边形描述且其可以忽略障碍物的高度信息，只用(x，y)平面描述；

(c)为保证路径不太接近障碍物，把障碍物的边界向外扩展，扩展尺寸为机器人本体在长宽方向上最大尺寸的1/2加上传感器最小传感距离；机器人可看做质点，尺寸大小忽略不计；

(d)对于任意二维地形，存在着有限个障碍物，由于这些障碍物的坐标极易测绘，可视为已知信息；将二维地形等比例地缩放到二维坐标系中，便于系统实时获悉机器人与障碍物之间的具体位置；规定坐标数据只记录移动机器人、目标物、障碍物的棱角、以及两个相邻最近的障碍物之间的边角连线的中点；

(e)由于规定移动机器人可以到达障碍物的棱角以及可以绕边行走，为了让按照规划路径后到达目标节点的移动机器人不与障碍物相碰撞，定义一个安全距离d，d＝R/3，其中R表示将机器人完全包围的一个圆的直径；

(f)对于障碍物来说，可分为规则障碍物和不规则障碍物，针对不规则障碍物，选取一个合适的多边体将该障碍物完全包裹，使移动机器人可以绕不规则物体完成直线(沿着多边形的边)行走；对于不规则障碍物进行多边形包裹，这样障碍物都会有有限个角(3角形有3个角，4边形有4个)，多边形的角记就是节点；

(g)每个节点P_i在坐标系下的x，y的坐标表示P_i＝(P_ix，P_iy)，i＝1、2、3、…，i为各个记录节点的编号；

根据原始图构建连通矩阵，这个是前期图未化简得到的，矩阵元素只有0和1，1代表两个节点间相连通，0表示两个节点间不连通；在图4中连通矩阵不仅包含深色实线，还包括浅色虚线，但是没有必要表示出两个连通节点的距离，所有矩阵元素只有0、1，表示是否连通即可；

二、添加智能节点，删除与添加节点毫无关联的路线：

因为智能移动体搜索算法主要看中实时性，所以本发明首先设计如(2.1)～(2.4)所示的基于路径调整的算法，将原本的环境路线图中错综复杂的路线进行大比例缩减，主要手段是：在原二维地形图中添加一些智能节点，并删去与添加节点毫无关联的路线，调整后的环境中障碍物数量不变，路线图以拓扑图形式展示；智能节点也是节点；

添加智能节点的规则如下：

(2.1)两个相邻的物体之间只有一条连线，并且标记出连线后的中点；

(2.2)相邻物体之间只能是能够在二者之间相连且距离最短的两个边节点相连；

(2.3)相邻的中点也要用直线相连起来；

(2.4)起始点与最终目标节点都只有一条直线接入这个连通图，即用一条直线连接最终目标节点与最终距离目标节点最近障碍物的最近角点，用一条直线连接起始节点与起始节点最近障碍物的最近角点；

三、直线偏离度建模：

(3.1)规划的目的是使机器人由起点start，安全地、避免碰撞地沿一条较短路径到达终点end，定义从起点到终点的最佳路径为path，path＝{p₀，p₁，....p_n}，其中P₀是起点，也就是start；P_n是终点，也就是end；P_i是途中经过的第i个节点；

(3.2)将二维地形转换为拓扑图，并在拓扑图的基础上定义一个关联矩阵map，

在实例的图4中关联矩阵表示深色实线，矩阵元素是表示两个相连通节点的距离；

dis_ij为i节点和j节点的距离值：

方向决策指的是移动机器人选择下一条要前进的轨迹路线，即从当前节点的相邻节点中选择最佳的下一个相邻节点前往，定义候选集合s记录当前节点的所有相邻节点，并从中选出移动机器人下一步应要前往的节点位置；

(3.3)根据线段公理，且在某一方向上的某条线段可以延伸为同方向上的一条直线，因此当从起点到终点的路线不止一条时，更短的路径应该选取偏离原路线程度较小的，本实施方式根据以上原则定义直线偏离度Q，基准线Line，最小直线偏离度Qmin；规定移动机器人下一时刻的目标节点就是拥有最小直线偏离度Qmin的节点，

①基准线Line：当前移动机器人位置与下一个目标节点的连线；

②直线偏离度Q：

Q＝dis_ik+dis_kj-dis_ij‘ (3)

其中，i为起始点，k为中间节点，i’为最终目标节点，dis表示两节点之间的距离；

③最小直线偏离度Qmin：

n为候选集合s所含的节点的个数；

这样算出来的值就是当前第k个节点的直线偏离度，总共有n个这样的值，我们全算出来取最小的那个值，他对应的节点就是我们下一个要前往的节点，即下一个扩展节点。

为了进一步降低智能移动体环境识别的难度，计算当前节点与下一目标节点之间的连线夹角不符合阈值要求时，可以认定这些点是背离目标的，除去这些路径的连线方式定义为：

④偏离角度θ：

θ＝arctan((k2-k1)/(1+k1*k2)) (5)

其中，k1、k2分别是直线ik与直线ij′的斜率，由直线对应点的坐标求得，且他们的夹角不为90度，如果为90度时，k不存在，即k1*k2＝-1；换句话说，计算得到k1*k2＝-1时，可以认为他们的夹角为90度；

四、实现策略：

实现策略是4.1和4.2共同实现的过程，在4.1求出结果后，例如节点顺序可能是(1，2，3，4，....)这样路径，因为我们是化简后的图，可能存在节点2是那个智能节点，而2根据添加智能节点的算法2.1到2.4得到的，只能与3相连，即要达到4必须经过3号节点，而未化简前的拓扑图中2号节点与4号节点是相连的(即2可以直接走到4)，所以2策略就是在1基础上解决这个问题的。把直接可以相连的两个节点之间的所有节点删除。

这两个步骤的总和让过程简单明了，且总的运行时间小于在未化简的图中的运行时间；而且图越复杂，节点数越多，4.1和4.2结合的优势越明显。

4.1、路径path实现策略：

(4.1.1)定义起始节点为start，终点为end，start加入到path中；

(4.1.2)把start能够到达的所有节点加入候选集合s中，通过计算θ去除掉不满足条件的路线，最后计算得到Qmin的节点作为移动机器人下一个前往的目标节点；

(4.1.3)把start替换成(4.1.2)中计算出的下一个目标节点，判断其坐标是否等于end，若相等则终止运算，把end节点添加到path中；否则把下一个目标节点添加到path中跳转至(4.1.2)继续执行，直到到达目标节点end；

4.2、基于连通判断的直线偏离度策略：

在化简后的拓扑图中，因为在路线中有一些节点之间是可以形成直接连通的，因此可以通过连通判断移除部分多余路线，调整步骤如下：

(4.2.1)将path中未进行过计算的第一个节点，记为当前运算的第一个节点，开始计算，根据连通矩阵进行判断，如果path中的第一个节点除了可以到达第二个节点(实际为当前节点的下一个节点比如图4中A就是B，C就是D)之外，还可以无碰撞的到达path中的其余节点，则从该路线中的第一个节点开始向终点查找，直至找到一个可以直达的且距离该节点最远的节点，执行(4.2.2)；

例如：路径10个节点，第一次是用第1个节点进行计算，可能它没有找到可以化简的节点i，那么此时1号节点就是计算过的节点，下一次就要从2号开始，如次以往直到遍历完所有节点。直至找到一个可以直达的且距离该节点最远的节点的过程通过图4进行说明，现在找到的是A-B-C-D这条路径，其中虚线代表可以达到但化简后的图中没有体现(因为图化简时把虚线去掉了)。首先我们从A开始查找，其中他除了可以达到下一个节点B外实际还可以到达另外的节点(连通矩阵来记录的)，他可以到达C和D，其中D最远(与A相隔节点最多)。所以我们把AD之间的节点去掉，因为D为终点结束，所以我们最终得到A-D最佳路径。假设A不能到达D，那么经过上面的计算，C为最远节点。而此时A是经过计算的节点。C是第一个未经过计算的节点(B做为AC中间节点去掉了)，所以下一个从C点进行计算。最终得到的路径是A-C-D。

(4.2.2)找到可以直达的最远的节点j，且j并不是当前节点的下一个节点，则把起始节点到j节点之间的其他非直达路线从path中移除，此时j为当前节点，若j为终止节点end，则结束跳转到(4.2.3)，否则跳转(4.2.1)；

若没有找到符合条件的j，则判断当前节点是不是终止节点end，如果是，则算法结束则跳转到(4.2.3)，否则不做任何改变，跳转到(4.2.1)；

(4.2.3)最终确找到的最佳路线，记为path^*。

五、增强改进算法

由于上述的局部算法只考虑了当前情况下的最优，实验显示局部最优的情况往往是在两个节点的直线偏离度相差很小时发生，而此时我们往往选择了直线偏离度最小的那个，但我们并不知道走到下一个节点的连通情况，所以采用学习机制。当计算得到两个或多个节点的直线偏离度相差很小(小于偏离度阈值)时，前往与当前节点相连的其中第一个节点p1，并计算与p1相连的节点的直线偏离度，然后回溯到当前节点，再前往另一个相连节点p2进行相关偏离度计算，直到把这些差别小的直线偏离度的节点都遍历完。我们再选择具有直线偏离度最小于偏离度阈值的节点作为下一个扩展节点。(即多走一步来观测环境再做出当前的最优的抉择)这样经过实验证明解决了算法存在的局部最优情况。

增强学习目的是构造一个控制策略，使得Agent行为性能达到最大，Agent从复杂的环境中感知信息，对信息进行处理，本发明例如利用增强学习思想，使得移动机器人从环境状态到决策状态进行映射学习，使得Agent根据最大奖励值采取最优的策略，降低现有算法的误差率。

实施例

一、利用本发明进行仿真实验

1.环境拓扑实现

首先本实验对智能移动机器人的静态全局工作环境进行模拟，并将其等比例地投影于直角坐标系中，并标记了各节点的坐标以及各节点之间的连线，如图1所示。

实验希望在更简单的工作环境路线图中，可以实现如此的最佳路线，以便于推广到更复杂的工作环境中。

2.基于路线调整的节点添加实现

由图1可以明显看出，移动机器人所能到达的路线数量多且复杂，若以此为实验依据则会增大计算量和过程的复杂性，因此根据节点添加规则，结果保留部分节点和路线，如图2所示。

3.最佳路径path^*的策略实现

根据具体实施方式中直线偏离度方法建模中提出的实现策略1生成路线path，由于结果并不符合预期的最佳路径。在此基础上，利用提出的连通判断策略，判断最短路线，移除并调整路线，如图3所示本发明展示的是第一组实验的结果，图中浅色粗实现路线为提出的基于直线偏离度算法的实现调整前的路线path，虚线为A*算法求出的路径，细实线为调整后的基于直线偏离度算法和dijkstra算法的最佳路径path^*，即本发明得到的最佳路径。

二、本发明(未增强时)与经典算法的比较

基于直线偏离度的算法实验如图5所示，图5是二维坐标图对应抽象的程序图，他便于编程实现与路径的中间节点的可视化，图中，#是障碍物，s是起点，f是终点。本发明将地图按比较比列缩小为16*12的二维数组，路径的节点利用(x，y)坐标表示，路径中是x，y坐标的顺序集合，规定水平垂直移动一个单位为1，斜线移动一个单位为根号2，即1.414。

实验仅运行一次的时间复杂度为0，所以需要重复运行50000次以上。这样对比试验得到结果如表1所示的三组对比结果：

表1.算法结果对比(1)

表2.算法结果对比(2)

表3.算法结果对比(3)

实验结果表明，直线偏离度算法在时间结果和路径结果上都优秀于A*算法。对比dijkstra算法，时间复杂度上是优秀于dijkstra算法的，但是由于存在局部最优解，所以导致小部分数据最后的解误差大于dijkstra算法。

三、增强学习算法和误差纠正

本发明为了解决小部分数据解误差大于dijkstra算法的问题，运用增强学习机制，在初始化时，先用dijkstra算法把图中的每个节点到另外一个节点的最优路径记录下来在一张表格中。通过算法的互增强学习，直线偏离度算法结果与原来dijkstra算法结果存放在表格1中的最优路径结果进行比较。

如果相同，就说明的算法对于这对起始节点终点最优，返回1；如果不同，返回-1。agent在得知返回1后(此时学习到的是最佳的东西，不用再去学习更新了)，便记录了这条最近路径在表格2中(备忘录形式，可以直接调用)。如果agent得知返回-1，(此时学习到的不是最佳的策略，需要再去学习更新)。

由现有的结果分析可知，本发明380组数据中17组的错误是在某一个节点，它有两个或多个偏离度相近的点，就是在这里选择产生局部最优。

增强学习思想是可以把这些相近的节点(如果没有返回1就遍历全部的节点)全部学习一遍得到最优的学习结果(返回1)，然后记录下来存放在表格2中。经试验证明，将错误的结果全部遍历一遍的时间明显小于dijkstra算法。这样就可以达到380组数据与dijkstra算法的相比下正确率100％，且时间较少(只有5％的数据需要重新学习，学习时间明显少于dijkstra算法，最后把最优的结果存放于表格2中用做备忘，可直接调用)。

因为在17组数据中，有多个数据犯的是同样的错误，如下所示为例

Dijkstra:1-->19[1,4,6,20,19]930.16989402

偏离度:1-->19[1,4,5,8,20,19]939.620438768

Dijkstra:1-->20[1,4,6,20]837.974449447

偏离度:1-->20[1,4,5,8,20]847.424994195

Dijkstra:4-->19[4,6,20,19]862.16989402

偏离度:4-->19[4,5,8,20,19]871.620438768

Dijkstra:4-->20[4,6,20]769.974449447

这4组数据犯的都是同样的错误。为了简便，这里我们用节点来表示路径，为了方便看出误差，把得出的路径长度还原成原始图得到路径长度。因此本发明从存在误差的17组中选取5类做出表格如下表4所示：

表4.算法增强和误差纠正

可以看出化简节点后的工作路线图中，本发明的运行时间明显小于A*的运行时间；而在拓扑图中，基于连通判断的调整后的基于直线偏离度的算法的路径长度达到了原始工作环境下的预期长度，且比A*还要短。学习的实效性即得到了保证，且最优路径长度相比A*进一步降低了。对比dijkstra算法，时间复杂度上是优于dijkstra算法。在增强学习之后，通过出错备忘方式提高了本发明算法的性能，整体性能优于dijkstra算法。

Claims (5)

1.基于直线偏离度方法的智能体路径规划方法，其特征在于，包括以下步骤：

一、建立环境模型，即按照实际环境建立等比例缩小的模型，并对应建立坐标系；

根据原始图构建连通矩阵，矩阵元素只有0和1，1代表两个节点间相连通，0表示两个节点间不连通；

二、添加智能节点，删除与添加节点毫无关联的路线：

在原二维地形图中添加智能节点，并删去与添加节点毫无关联的路线，调整后的环境中障碍物数量不变，路线图以拓扑图形式展示；智能节点也是节点；

三、直线偏离度建模：

(3.1)规划的目的是使机器人由起点start，安全地、避免碰撞地沿一条较短路径到达终点end，定义从起点到终点的最佳路径为path，path＝{p₀,p₁,....p_n}，其中P₀是起点，也就是start；P_n是终点，也就是end；P_i是途中经过的第i个节点；

(3.2)将二维地形转换为拓扑图，并在拓扑图的基础上定义一个关联矩阵map，矩阵元素是表示两个相连通结点的距离；

定义候选集合s记录当前节点的所有相邻节点，并从中选出移动机器人下一步应要前往的节点位置；

(3.3)规定移动机器人下一时刻的目标节点就是拥有最小直线偏离度的节点；设i为起始点，k为中间节点，j’为最终目标节点，计算偏离角度θ：

θ＝arctan((k2-k1)/(1+k1*k2)) (5)

其中，k1、k2分别是直线ik与直线ij′的斜率，且他们的夹角不为90度，如果为90度时，k不存在，即k1*k2＝-1；

四、实现策略：

4.1、路径path实现策略：

(4.1.1)定义起始节点为start，终点为end，start加入到path中；

(4.1.2)把start能够到达的所有节点加入候选集合s中，通过计算θ去除掉不满足条件的路线，最后计算得到Qmin的节点作为移动机器人下一个前往的目标节点；

(4.1.3)把start替换成(4.1.2)中计算出的下一个目标节点，判断其坐标是否等于end，若相等则终止运算，把end节点添加到path中；否则把下一个目标节点添加到path中跳转至(4.1.2)继续执行，直到到达目标节点end；

4.2、基于连通判断的直线偏离度策略：

(4.2.1)将path中未进行过计算的第一个节点，记为当前运算的第一个节点，开始计算，根据连通矩阵进行判断，如果path中的第一个节点除了可以到达第二个节点之外，还可以无碰撞的到达path中的其余节点，则从该路线中的第一个节点开始向终点查找，直至找到一个可以直达的且距离该节点最远的节点，执行(4.2.2)；

(4.2.2)找到可以直达的最远的节点j，且j并不是当前节点的下一个节点，则把起始节点到j节点之间的其他非直达路线从path中移除，此时j为当前节点，若j为终止节点end，则结束跳转到(4.2.3)，否则跳转(4.2.1)；

若没有找到符合条件的j，则判断当前节点是不是终止节点end，如果是，则算法结束则跳转到(4.2.3)，否则不做任何改变，跳转到(4.2.1)；

(4.2.3)最终确找到的最佳路线，记为path^*。

2.根据权利要求1所述的基于直线偏离度方法的智能体路径规划方法，其特征在于，在计算偏离度的过程中，当计算得到两个或多个节点的直线偏离度相差小于偏离度阈值时，前往与当前节点相连的其中第一个节点p1，并计算与p1相连的节点的直线偏离度，然后回溯到当前节点，再前往另一个相连节点p2进行相关偏离度计算，直到把这些差别小于偏离度阈值的直线偏离度的节点都遍历完。

3.根据权利要求1或2所述的基于直线偏离度方法的智能体路径规划方法，其特征在于，步骤一进行环境建模时作如下假定：

(a)移动机器人在二维有限空间中运动；

(b)机器人运动空间中分布着有限个已知的静态障碍物，障碍物可以用多边形描述且其可以忽略障碍物的高度信息，只用(x，y)平面描述；

(c)为保证路径不太接近障碍物，把障碍物的边界向外扩展，扩展尺寸为机器人本体在长宽方向上最大尺寸的1/2加上传感器最小传感距离；机器人可看做质点，尺寸大小忽略不计；

(d)对于任意二维地形，存在着有限个障碍物，由于这些障碍物的坐标极易测绘，可视为已知信息；将二维地形等比例地缩放到二维坐标系中，便于系统实时获悉机器人与障碍物之间的具体位置；规定坐标数据只记录移动机器人、目标物、障碍物的棱角、以及两个相邻最近的障碍物之间的边角连线的中点；

(e)由于规定移动机器人可以到达障碍物的棱角以及可以绕边行走，为了让按照规划路径后到达目标节点的移动机器人不与障碍物相碰撞，定义一个安全距离d，d＝R/3，其中R表示将机器人完全包围的一个圆的直径；

(f)对于障碍物来说，可分为规则障碍物和不规则障碍物，针对不规则障碍物，选取一个合适的多边体将该障碍物完全包裹，使移动机器人可以绕不规则物体完成直线行走；对于不规则障碍物进行多边形包裹，这样障碍物都会有有限个角，多边形的角记就是节点；

(g)每个节点P_i在坐标系下的x，y的坐标表示P_i＝(P_ix，P_iy)，i＝1、2、3、…，i为各个记录节点的编号。

4.根据权利要求1或2所述的基于直线偏离度方法的智能体路径规划方法，其特征在于，步骤二所述添加智能节点的规则如下：

(2.1)两个相邻的物体之间只有一条连线，并且标记出连线后的中点；

(2.2)相邻物体之间只能是能够在二者之间相连且距离最短的两个边节点相连；

(2.3)相邻的中点也要用直线相连起来；

(2.4)起始点与最终目标节点都只有一条直线接入这个连通图，即用一条直线连接最终目标节点与最终距离目标节点最近障碍物的最近角点，用一条直线连接起始节点与起始节点最近障碍物的最近角点。

5.根据权利要求1或2所述的基于直线偏离度方法的智能体路径规划方法，其特征在于，步骤二所述添加智能节点的规则如下：

步骤(3.3)所述规定移动机器人下一时刻的目标节点就是拥有最小直线偏离度的节点的过程如下：

定义直线偏离度Q，基准线Line，最小直线偏离度Qmin；规定移动机器人下一时刻的目标节点就是拥有最小直线偏离度Qmin的节点，

①基准线Line：当前移动机器人位置与下一个目标节点的连线；

②直线偏离度Q：

Q＝dis_ik+dis_kj-dis_ij‘ (3)

其中，i为起始点，k为中间节点，j’为最终目标节点，dis表示两节点之间的距离；

③最小直线偏离度Qmin：

n为候选集合s所含的节点的个数。