CN110375761A - 基于增强蚁群优化算法的无人驾驶车辆路径规划方法 - Google Patents
基于增强蚁群优化算法的无人驾驶车辆路径规划方法 Download PDFInfo
- Publication number
- CN110375761A CN110375761A CN201910727844.9A CN201910727844A CN110375761A CN 110375761 A CN110375761 A CN 110375761A CN 201910727844 A CN201910727844 A CN 201910727844A CN 110375761 A CN110375761 A CN 110375761A
- Authority
- CN
- China
- Prior art keywords
- node
- path
- ant
- driving vehicle
- enhancing
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供一种基于增强蚁群优化算法的无人驾驶车辆路径规划方法,包括:步骤1:利用激光雷达的测量数据建立道路地图的栅格模型;步骤2:对蚁群算法状态转移概率规则的启发函数和全局信息素更新策略进行优化,提出增强蚁群优化算法,生成用于无人驾驶车辆的全局路径;以及步骤3:采用非均匀有理B样条曲线对步骤2所生成的全局路径进行平滑处理,完成无人驾驶车辆路径规划。
Description
技术领域
本公开涉及无人驾驶技术领域,尤其涉及一种基于增强蚁群优化算法的无人驾驶车辆路径规划方法,其采用增强蚁群优化算法与非均匀有理B样条曲线相结合的路径搜索算法进行无人驾驶车辆的路径规划。
背景技术
近30年来,高校和企业都加强了对无人驾驶技术的研发。这些发展得益于传感技术和计算技术的最新进展以及车辆运输业和可感知到的社会效益的潜在变化。无人驾驶车辆的应用有助于减少能源消耗和减少交通事故的发生。路径规划是无人驾驶研究领域的一个重要内容,通常被描述为在给定的环境中,根据一定的评价标准为无人驾驶车辆寻找一条从初始状态到目标状态的无碰撞路径。自20世纪60年代以来,路径规划引起了国内外许多学者的兴趣,许多方法被开发出来并广泛应用于路径规划问题。
蚁群优化算法是1992年由Marco Dorigo等人模拟蚂蚁的觅食行为而提出的一种极具创新性的元启发式概率型仿生智能优化算法。蚁群优化算法具有鲁棒性强和信息正反馈的优点,其算法结构所决定的内在并行性更是为并行计算和超大规模优化问题的求解带来了可行的方案。20多年来,蚁群优化算法在世界范围内得到了广泛的认可。蚁群优化算法的应用也从旅行商问题(TSP)逐渐扩展到了其他的领域中去,在数据聚类分析、图着色问题、集成电路设计、通讯网络、车辆调度问题等方面都有所应用。近年来,人工智能成为全球智能制造技术的热点,蚁群优化算法在无人驾驶车辆领域中得到了应用。蚁群优化算法的基本原理是:由若干个蚂蚁共同构造解路径,通过在解路径上遗留并交换信息素提高解的质量,进而达到优化的目的。但是,蚁群算法的研究刚刚起步,没有系统的分析方法和坚实的数学基础,参数的选择多靠试验和经验来确定,导致算法的优化性能与人的经验密切相关,很难使算法性能最优化,如果参数设置不当,会导致计算量较大、收敛速度慢、解的质量特别差。并且,传统蚁群算法容易出现早熟问题,可能会过早的收敛并陷入局部最优。
公开内容
(一)要解决的技术问题
本公开提供了基于增强蚁群优化算法的无人驾驶车辆路径规划方法,以缓解现有技术中传统蚁群优化算法收敛速度慢以及容易陷入局部最优解的缺陷等技术问题。
(二)技术方案
本公开提供一种基于增强蚁群优化算法的无人驾驶车辆路径规划方法,包括:
步骤1:利用激光雷达的测量数据建立道路地图的栅格模型;
步骤2:对蚁群算法状态转移概率规则的启发函数和全局信息素更新策略进行优化,提出增强蚁群优化算法,生成用于无人驾驶车辆的全局路径;以及
步骤3:采用非均匀有理B样条曲线对步骤2所生成的全局路径进行平滑处理,完成无人驾驶车辆路径规划。
在本公开实施例中,步骤1中所述栅格包括:自由栅格以及静态障碍栅格。
在本公开实施例中,所述步骤2包括:
步骤21:基于蚁群算法定义状态转移概率规则中的启发函数;以及
步骤22:基于蚁群算法中信息素功能原理定义全局路径更新策略。
在本公开实施例中,所述状态转移概率,计算公式为:
其中,t表示时刻,表示第k个蚂蚁从当前位置节点i到相邻位置节点j的转移概率,τij(t)表示路径(i,j)上的信息素浓度,ηij(t)表示蚂蚁k在节点i处选择相邻节点j的启发函数;参数α和β是自定义的参数,分别表示状态转换概率函数中信息素浓度和启发信息的权重;allowedk表示蚂蚁尚未访问的节点的集合,s是与当前位置节点i相邻的可选节点的集合;τis(t)表示当前位置节点i与相邻节点之间的信息素浓度;ηis(t)表示蚂蚁k在节点i分别与相邻各个节点之间的启发函数。
在本公开实施例中,所述启发函数ηij计算公式为:
其中,dij表示节点i到相邻节点j之间的距离,即i和j表示栅格位置节点,xi是节点i的横坐标,yi是节点i的纵坐标,xj是节点j的横坐标,yj是节点j的纵坐标;djE表示相邻节点j到目标点E之间的距离,即xE是目标点E的横坐标,yE是目标点E的纵坐标;C1和C2是服从0-1均匀分布的随机数;C1表示相邻节点j对路径选择的影响的权重;C2表示目标点E对路径选择的影响的权重。
在本公开实施例中,所述全局路径更新策略用公式表示为:
τij(t+1)=(1-ρ)τij(t)+△τij(t,t+1) (3);
其中,τij(t+1)表示在t+1时刻节点i到相邻节点j的路径之间信息素浓度;τij(t)表示在t时刻节点i到相邻节点j的路径之间信息素浓度;ρ表示信息素蒸发率(0<ρ<1);△τij(t,t+1)表示在t时刻到t+1时刻节点i到相邻节点j的路径之间信息素浓度的增量,信息素浓度增量表达式如下:
其中,Lm为当前迭代产生的最优路径的长度,Lbest为目前最优路径的长度。
在本公开实施例中,步骤3中采用非均匀有理B样条曲线对全局路径进行平滑处理,公式表达为:
其中,n表示控制点的个数,Pi表示一组控制点的位置,ωi是一个正值,它确定第i个控制点的相应的权重;假设U={u0,u1,…,un+k+1}是实数构成的非递减序列,ui称为结点;Ni,k(t)是以t为参数由结向量U决定的B样条基函数,a=0,b=1;B样条基函数由德布尔-考克斯递推定义公式表示:
在本公开实施例中,步骤1中根据实际需求设置图像分辨率,采用二维栅格法建立道路地图的栅格模型。
在本公开实施例中,所述栅格模型描述为有向图G=(N,L),其中G代表环境地图,N代表由栅格中心构成的一组节点,L是一组连接相邻的自由栅格的路径。
在本公开实施例中,无人驾驶车辆只能在自由栅格中移动。
(三)有益效果
从上述技术方案可以看出,本公开基于增强蚁群优化算法的无人驾驶车辆路径规划方法至少具有以下有益效果其中之一或其中一部分:
(1)可以在保持算法的搜索概率、增加找到最优路径的可能性的同时,还增强了搜索过程的导向性、充分减少了搜索空间、减少了路径不完整时丢失的蚂蚁数量,从而有效地保持解的多样性,并且提高了算法的收敛速度,显著提高了路径规划的效率;
(2)提出了新的全局信息素更新策略,可以使信息素浓度在当前的最优路径上更加突出,但不会由于过度增强而导致算法停滞,有效地防止算法陷入局部最优本;
(3)当前最优路径的变化可以更快地在信息素分布中反映出来,从而提高算法的收敛速度;
(4)得到的非均匀有理B样条曲线具有数值稳定性好、精度高、灵活性强;
(5)能够较快地得到可行路径,所得到的路径满足无人驾驶车辆的稳定性需求。
附图说明
图1为本公开实施例基于增强蚁群优化算法的无人驾驶车辆路径规划方法的流程示意图。
图2为本公开实施例基于增强蚁群优化算法的无人驾驶车辆路径规划方法的原理架构示意图。
图3为本公开实施例道路地图的栅格模型示意图。
图4为本公开实施例MATLAB R2014a中实现迷宫地图场景下的搜索路径结果示意图。
图5为本公开实施例MATLAB R2014a中实现迷宫地图场景下的收敛曲线结果示意图。
具体实施方式
国内外学者针对传统蚁群优化算法存在的缺陷,通过改进状态转移概率规则、启发函数、信息素更新策略以及搜索策略等方面,提出了很多改进的蚁群优化算法。本公开提供了一种基于增强蚁群优化算法的无人驾驶车辆路径规划方法,增强蚁群优化算法与非均匀有理B样条曲线相结合路径规划算法,在已知起始点、目标点以及自由节点的栅格地图中,搜索出一条安全的可行驶路径,经过非均匀有理B样条曲线处理后的路径也较为平滑,在匀速的情况下,车辆控制无需对路径进行拟合。
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
在本公开实施例中,提供一种基于增强蚁群优化算法的无人驾驶车辆路径规划方法,结合图1和图2所示,所述的基于增强蚁群优化算法的无人驾驶车辆路径规划方法,包括:
步骤1:利用激光雷达的测量数据建立道路地图的栅格模型;
利用激光雷达的测量数据,根据实际需求设置图像分辨率,采用二维栅格法建立道路地图的栅格模型。栅格的大小由车辆的大小决定,影响着算法的精度和搜索效率。所述栅格分为两类:以0表示的自由栅格和以1表示的静态障碍栅格。车辆只能在自由栅格中移动。路径规划的目标是找到包含起始栅格、终止栅格和有序栅格子集的最短路径,并在遇到障碍栅格时成功避开障碍物。环境地图的栅格模型可以被描述为有向图G=(N,L),其中G代表环境地图,N代表由栅格中心构成的一组节点,L是一组连接相邻的自由栅格的路径。如图3所示,每条路径都以欧几里得距离为代价。每个栅格代表一个状态,并连接它周围的八个相邻栅格。
步骤2:通过对传统蚁群算法状态转移概率规则的启发函数和全局信息素更新策略进行优化,提出增强蚁群优化算法,生成用于无人驾驶车辆的全局路径。
根据起始点、目标点以及自由节点,通过所述增强蚁群优化算法,生成用于无人驾驶车辆的全局路径,增强蚁群优化算法克服传统蚁群算法收敛速度慢、容易陷入局部最优的缺点。
所述步骤2包括:
步骤21:基于蚁群算法定义状态转移概率规则中的启发函数;
在蚁群算法中,蚂蚁在寻找食物和返回巢穴的过程中随机移动。状态转移概率函数是蚂蚁随机探索下一个新位置的转移规则,计算公式如下:
其中,t表示时刻,表示第k个蚂蚁从当前位置节点i到相邻位置节点j的转移概率,τij(t)表示路径上的信息素浓度。参数α和β是自定义的参数,分别表示状态转换概率函数中信息素浓度和启发信息的权重。allowedk表示蚂蚁尚未访问的节点的集合,s是与当前位置节点i相邻的可选节点的集合。τis(t)表示当前位置节点i与相邻节点之间的信息素浓度。ηis(t)表示蚂蚁k在节点i分别与相邻各个节点之间的启发函数。ηij(t)表示蚂蚁k在节点i处选择相邻节点j的启发函数,即
启发函数ηij计算公式为:
其中,dij表示节点i到相邻节点j之间的距离,即i和j表示栅格位置节点,xi是节点i的横坐标,yi是节点i的纵坐标,xj是节点j的横坐标,yj是节点j的纵坐标。djE表示相邻节点j到目标点E之间的距离,即xE是目标点E的横坐标,yE是目标点E的纵坐标。C1和C2是服从0-1均匀分布的随机数。C1表示相邻节点j对路径选择的影响的权重,以保持算法的搜索概率,增加找到最优路径的可能性。C2表示目标点E对路径选择的影响的权重,增强了搜索过程的导向性,充分减少了搜索空间,减少了路径不完整时丢失的蚂蚁数量。
修改启发函数的目的是增强蚂蚁在当前节点对目标节点的感知并引导蚂蚁移动,从而减少搜索时间,避免陷入局部最优。从而有效地保持解的多样性,提高了算法的收敛速度,显著提高了路径规划的效率。
步骤22:基于蚁群算法中信息素功能原理定义全局路径更新策略;
蚂蚁释放出一种叫做信息素的化学物质,这些物质在它们的踪迹上沉积并进行蒸发。信息素是影响蚁群算法性能的关键因素,路径越短,蚂蚁在该条路径遗留的信息素浓度越高,该条路径对随后移动的蚂蚁就越有吸引力。通过这种机制,蚂蚁可以在一段时间后找到食物源和巢穴之间最短的路径。
当预定数量m只蚂蚁完成一次遍历后时,路径的全局信息素值将被更新,全局信息素更新公式为:
τij(t+1)=(1-ρ)τij(t)+△τij(t,t+1) (3);
其中,τij(t+1)表示在t+1时刻节点i到相邻节点j的路径之间信息素浓度;τij(t)表示在t时刻节点i到相邻节点j的路径之间信息素浓度;ρ表示信息素蒸发率(0<ρ<1);△τij(t,t+1)表示在t时刻到t+1时刻节点i到相邻节点j的路径之间信息素浓度的增量,信息素浓度增量表达式如下:
其中,Lm为当前迭代产生的最优路径的长度,Lbest为目前最优路径的长度。
新的信息素增量公式可以根据蚂蚁移动的情况动态调整当前最优路径上的信息素浓度。在迭代过程中,当一条更好的路径出现时,Lm与Lbest之间的差值可能会很大,这表明当前的最优路径与大多数蚂蚁所走过的路径之间存在很大的差异。信息素浓度增量表达式可以提高信息素在当前最优路径上的强度,从而吸引更多的蚂蚁移动到当前最优路径上。随着迭代的进行,当前最优路径上的信息素浓度不断增加。因此,更多的蚂蚁将聚集在这条路径上,导致Lm与Lbest之间的差值将逐渐减小。此时,信息素浓度增量表达式可以相应地减少信息素的增量,直到Δτij减少到0。当Δτij减少到0时,在当前最优路径上只进行信息素蒸发,从而削弱了信息素浓度,有效地防止了算法过早收敛而陷入局部最优。当一条较差的路径时,Δτij为负值,可以减少路径上累积的信息素浓度,以减少搜索最优路径所需的时间。这种方法可以使信息素浓度在当前的最优路径上更加突出,但不会由于信息素浓度的过度增强而导致算法停滞。因此,当前最优路径长度的变化可以更快地在信息素分布中反映出来。
蚁群算法中的参数包括:蚂蚁数量m,迭代次数N,信息素启发式因子α,期望启发式因子β,信息素蒸发系数ρ,信息素数量系数Q需要通过参数整定来确定。参数的不同会导致对于同种地图场景下搜索的路径长度和路径长度收敛所需的迭代次数有很大的差异。实验数据显示在m=80,N=120,α=1,β=5,ρ=0.6,Q=1时搜索效果基本符合实际要求。
步骤3:采用非均匀有理B样条曲线对步骤2所生成的全局路径进行平滑处理,完成无人驾驶车辆路径规划:
由于增强蚁群优化算法搜索的路径的曲率是不连续的,因此不能满足无人驾驶车辆实际可行驶轨迹的要求。采用基于非均匀有理B样条曲线的路径平滑算法,对增强蚁群优化算法搜索到的全局路径进行平滑处理,消除路径中的尖角,得到曲率连续的、满足无人驾驶车辆稳定性需求的安全路径;非均匀有理B样条曲线具有数值稳定性好、精度高、灵活性强等优点。为了消除路径的尖角,采用基于非均匀有理B样条的平滑算法,得到处理后的曲率变化较小的路径以满足无人驾驶车辆的稳定性需求。非均匀有理B样条曲线C(t)如下所示:
其中,n表示控制点的个数,Pi表示一组控制点的位置,ωi是一个正值,它确定第i个控制点的相应的权重。假设U={u0,u1,…,un+k+1}是实数构成的非递减序列,ui称为结点。Ni,k(t)是以t为参数由结向量U决定的B样条基函数,在大多数实际应用中a=0,b=1。
B样条基函数由广泛使用的德布尔-考克斯(De Boor-Cox)递推定义公式表示:
由于蚁群算法存在收敛速度慢、容易陷入局部最优的缺陷,为了证明增强蚁群优化算法在复杂环境下的可行性和有效性,本公开实施例公开了一个对于启发式算法来说通常难以实现的迷宫地图场景实验。实验结果表明该算法可以在复杂的迷宫地图场景搜索到一条最优的可行路径,结合图图4以及图5所示,图4中,S表示起始点,E表示目标点,虚线曲线为增强蚁群优化算法搜索的路径,实线曲线为增强蚁群优化算法与非均匀有理B样条曲线结合而生成的平滑路径。图5中的上方曲线表示增强蚁群优化算法收敛所需的迭代次数以及平均路径长度,下方曲线表示增强蚁群优化算法收敛所需的迭代次数以及最短路径长度。
至此,已经结合附图对本公开实施例进行了详细描述。需要说明的是,在附图或说明书正文中,未绘示或描述的实现方式,均为所属技术领域中普通技术人员所知的形式,并未进行详细说明。此外,上述对各元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式,本领域普通技术人员可对其进行简单地更改或替换。
依据以上描述,本领域技术人员应当对本公开基于增强蚁群优化算法的无人驾驶车辆路径规划方法有了清楚的认识。
综上所述,本公开提供了一种基于增强蚁群优化算法的无人驾驶车辆路径规划方法,采用增强蚁群优化算法与非均匀有理B样条曲线相结合路径规划算法,在已知起始点、目标点以及自由节点的栅格地图中,搜索出一条安全的可行驶路径,经过非均匀有理B样条曲线处理后的路径也较为平滑,在匀速的情况下,车辆控制无需对路径进行拟合,能够较快地得到可行路径,所得到的路径满足无人驾驶车辆的稳定性需求。
还需要说明的是,实施例中提到的方向用语,例如“上”、“下”、“前”、“后”、“左”、“右”等,仅是参考附图的方向,并非用来限制本公开的保护范围。贯穿附图,相同的元素由相同或相近的附图标记来表示。在可能导致对本公开的理解造成混淆时,将省略常规结构或构造。
并且图中各部件的形状和尺寸不反映真实大小和比例,而仅示意本公开实施例的内容。另外,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。
除非有所知名为相反之意,本说明书及所附权利要求中的数值参数是近似值,能够根据通过本公开的内容所得的所需特性改变。具体而言,所有使用于说明书及权利要求中表示组成的含量、反应条件等等的数字,应理解为在所有情况中是受到「约」的用语所修饰。一般情况下,其表达的含义是指包含由特定数量在一些实施例中±10%的变化、在一些实施例中±5%的变化、在一些实施例中±1%的变化、在一些实施例中±0.5%的变化。
再者,单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。
说明书与权利要求中所使用的序数例如“第一”、“第二”、“第三”等的用词,以修饰相应的元件,其本身并不意味着该元件有任何的序数,也不代表某一元件与另一元件的顺序、或是制造方法上的顺序,该些序数的使用仅用来使具有某命名的一元件得以和另一具有相同命名的元件能做出清楚区分。
此外,除非特别描述或必须依序发生的步骤,上述步骤的顺序并无限制于以上所列,且可根据所需设计而变化或重新安排。并且上述实施例可基于设计及可靠度的考虑,彼此混合搭配使用或与其他实施例混合搭配使用,即不同实施例中的技术特征可以自由组合形成更多的实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。并且,在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。
类似地,应当理解,为了精简本公开并帮助理解各个公开方面中的一个或多个,在上面对本公开的示例性实施例的描述中,本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,公开方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本公开的单独实施例。
以上所述的具体实施例,对本公开的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本公开的具体实施例而已,并不用于限制本公开,凡在本公开的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于增强蚁群优化算法的无人驾驶车辆路径规划方法,包括:
步骤1:利用激光雷达的测量数据建立道路地图的栅格模型;
步骤2:对蚁群算法状态转移概率规则的启发函数和全局信息素更新策略进行优化,提出增强蚁群优化算法,生成用于无人驾驶车辆的全局路径;以及
步骤3:采用非均匀有理B样条曲线对步骤2所生成的全局路径进行平滑处理,完成无人驾驶车辆路径规划。
2.根据权利要求1所述的基于增强蚁群优化算法的无人驾驶车辆路径规划方法,步骤1中所述栅格包括:自由栅格以及静态障碍栅格。
3.根据权利要求1所述的基于增强蚁群优化算法的无人驾驶车辆路径规划方法,所述步骤2包括:
步骤21:基于蚁群算法定义状态转移概率规则中的启发函数;以及
步骤22:基于蚁群算法中信息素功能原理定义全局路径更新策略。
4.根据权利要求3所述的基于增强蚁群优化算法的无人驾驶车辆路径规划方法,所述状态转移概率,计算公式为:
其中,t表示时刻,表示第k个蚂蚁从当前位置节点i到相邻位置节点j的转移概率,τij(t)表示路径(i,j)上的信息素浓度,ηij(t)表示蚂蚁k在节点i处选择相邻节点j的启发函数;参数α和β是自定义的参数,分别表示状态转换概率函数中信息素浓度和启发信息的权重;allowedk表示蚂蚁尚未访问的节点的集合,s是与当前位置节点i相邻的可选节点的集合;τis(t)表示当前位置节点i与相邻节点之间的信息素浓度;ηis(t)表示蚂蚁k在节点i分别与相邻各个节点之间的启发函数。
5.根据权利要求3所述的基于增强蚁群优化算法的无人驾驶车辆路径规划方法,所述启发函数ηij计算公式为:
其中,dij表示节点i到相邻节点j之间的距离,即i和j表示栅格位置节点,xi是节点i的横坐标,yi是节点i的纵坐标,xj是节点j的横坐标,yj是节点j的纵坐标;djE表示相邻节点j到目标点E之间的距离,即xE是目标点E的横坐标,yE是目标点E的纵坐标;C1和C2是服从0-1均匀分布的随机数;C1表示相邻节点j对路径选择的影响的权重;C2表示目标点E对路径选择的影响的权重。
6.根据权利要求3所述的基于增强蚁群优化算法的无人驾驶车辆路径规划方法,所述全局路径更新策略用公式表示为:
τij(t+1)=(1-ρ)τij(t)+Δτij(t,t+1) (3);
其中,τij(t+1)表示在t+1时刻节点i到相邻节点j的路径之间信息素浓度;τij(t)表示在t时刻节点i到相邻节点j的路径之间信息素浓度;ρ表示信息素蒸发率(0<ρ<1);Δτij(t,t+1)表示在t时刻到t+1时刻节点i到相邻节点j的路径之间信息素浓度的增量,信息素浓度增量表达式如下:
其中,Lm为当前迭代产生的最优路径的长度,Lbest为目前最优路径的长度。
7.根据权利要求1所述的基于增强蚁群优化算法的无人驾驶车辆路径规划方法,步骤3中采用非均匀有理B样条曲线对全局路径进行平滑处理,公式表达为:
其中,n表示控制点的个数,Pi表示一组控制点的位置,ωi是一个正值,它确定第i个控制点的相应的权重;假设U={u0,u1,…,un+k+1}是实数构成的非递减序列,ui称为结点;Ni,k(t)是以t为参数由结向量U决定的B样条基函数,a=0,b=1;B样条基函数由德布尔-考克斯递推定义公式表示:
8.根据权利要求1所述的基于增强蚁群优化算法的无人驾驶车辆路径规划方法,步骤1中根据实际需求设置图像分辨率,采用二维栅格法建立道路地图的栅格模型。
9.根据权利要求1所述的基于增强蚁群优化算法的无人驾驶车辆路径规划方法,所述栅格模型描述为有向图G=(N,L),其中G代表环境地图,N代表由栅格中心构成的一组节点,L是一组连接相邻的自由栅格的路径。
10.根据权利要求2所述的基于增强蚁群优化算法的无人驾驶车辆路径规划方法,无人驾驶车辆只能在自由栅格中移动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910727844.9A CN110375761A (zh) | 2019-08-07 | 2019-08-07 | 基于增强蚁群优化算法的无人驾驶车辆路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910727844.9A CN110375761A (zh) | 2019-08-07 | 2019-08-07 | 基于增强蚁群优化算法的无人驾驶车辆路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110375761A true CN110375761A (zh) | 2019-10-25 |
Family
ID=68258479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910727844.9A Pending CN110375761A (zh) | 2019-08-07 | 2019-08-07 | 基于增强蚁群优化算法的无人驾驶车辆路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110375761A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909670A (zh) * | 2019-11-21 | 2020-03-24 | 江苏理工学院 | 一种非结构化道路识别方法 |
CN111323016A (zh) * | 2019-11-26 | 2020-06-23 | 广东工业大学 | 一种基于自适应蚁群算法的移动机器人路径规划方法 |
CN111654893A (zh) * | 2020-06-02 | 2020-09-11 | 电子科技大学 | 一种车载激光雷达组网的公平路由策略方法 |
CN111915078A (zh) * | 2020-07-29 | 2020-11-10 | 中国烟草总公司湖北省公司 | 一种基于数据驱动的柔性化卷烟配送线路规划方法及系统 |
CN112180916A (zh) * | 2020-09-17 | 2021-01-05 | 北京理工大学 | 一种适应复杂环境的家庭服务机器人智能导航算法 |
CN113110431A (zh) * | 2021-04-03 | 2021-07-13 | 南京理工大学 | 无人靶车野外试验路径实时规划方法 |
CN113985896A (zh) * | 2021-12-03 | 2022-01-28 | 中国重汽集团济南动力有限公司 | 一种自动驾驶车辆避障路径规划方法、车辆及可读存储介质 |
CN114527746A (zh) * | 2022-01-12 | 2022-05-24 | 燕山大学 | 一种智能汽车路径规划及避障跟踪方法 |
CN114722984A (zh) * | 2022-04-20 | 2022-07-08 | 张家界富源仿真花有限公司 | 一种智能货物仓储优化方法 |
CN115509240A (zh) * | 2022-11-21 | 2022-12-23 | 合肥井松智能科技股份有限公司 | 一种基于可通行区域的路径规划方法 |
CN115619030A (zh) * | 2022-10-28 | 2023-01-17 | 清华大学 | 一种城市污水系统厂网协同优化方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080275643A1 (en) * | 2007-05-02 | 2008-11-06 | Toshiba America Research, Inc. | Optimum route planning for service vehicles |
CN105760954A (zh) * | 2016-02-15 | 2016-07-13 | 南通大学 | 一种基于改进蚁群算法的泊车系统路径规划方法 |
CN106225788A (zh) * | 2016-08-16 | 2016-12-14 | 上海理工大学 | 基于路径拓展蚁群算法的机器人路径规划方法 |
-
2019
- 2019-08-07 CN CN201910727844.9A patent/CN110375761A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080275643A1 (en) * | 2007-05-02 | 2008-11-06 | Toshiba America Research, Inc. | Optimum route planning for service vehicles |
CN105760954A (zh) * | 2016-02-15 | 2016-07-13 | 南通大学 | 一种基于改进蚁群算法的泊车系统路径规划方法 |
CN106225788A (zh) * | 2016-08-16 | 2016-12-14 | 上海理工大学 | 基于路径拓展蚁群算法的机器人路径规划方法 |
Non-Patent Citations (1)
Title |
---|
YIJING WANG 等,: ""Autonomous Vehicles Path Planning With Enhanced Ant Colony Optimization"", 《PROCEEDINGS OF THE 38TH CHINESE CONTROL CONFERENCE》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909670A (zh) * | 2019-11-21 | 2020-03-24 | 江苏理工学院 | 一种非结构化道路识别方法 |
CN111323016A (zh) * | 2019-11-26 | 2020-06-23 | 广东工业大学 | 一种基于自适应蚁群算法的移动机器人路径规划方法 |
CN111654893A (zh) * | 2020-06-02 | 2020-09-11 | 电子科技大学 | 一种车载激光雷达组网的公平路由策略方法 |
CN111654893B (zh) * | 2020-06-02 | 2022-04-12 | 电子科技大学 | 一种车载激光雷达组网的公平路由策略方法 |
CN111915078B (zh) * | 2020-07-29 | 2023-09-26 | 中国烟草总公司湖北省公司 | 一种基于数据驱动的柔性化卷烟配送线路规划方法及系统 |
CN111915078A (zh) * | 2020-07-29 | 2020-11-10 | 中国烟草总公司湖北省公司 | 一种基于数据驱动的柔性化卷烟配送线路规划方法及系统 |
CN112180916A (zh) * | 2020-09-17 | 2021-01-05 | 北京理工大学 | 一种适应复杂环境的家庭服务机器人智能导航算法 |
CN113110431A (zh) * | 2021-04-03 | 2021-07-13 | 南京理工大学 | 无人靶车野外试验路径实时规划方法 |
CN113985896A (zh) * | 2021-12-03 | 2022-01-28 | 中国重汽集团济南动力有限公司 | 一种自动驾驶车辆避障路径规划方法、车辆及可读存储介质 |
CN114527746A (zh) * | 2022-01-12 | 2022-05-24 | 燕山大学 | 一种智能汽车路径规划及避障跟踪方法 |
CN114722984A (zh) * | 2022-04-20 | 2022-07-08 | 张家界富源仿真花有限公司 | 一种智能货物仓储优化方法 |
CN114722984B (zh) * | 2022-04-20 | 2022-11-22 | 张家界富源仿真花有限公司 | 一种智能货物仓储优化方法 |
CN115619030A (zh) * | 2022-10-28 | 2023-01-17 | 清华大学 | 一种城市污水系统厂网协同优化方法、装置及电子设备 |
CN115509240A (zh) * | 2022-11-21 | 2022-12-23 | 合肥井松智能科技股份有限公司 | 一种基于可通行区域的路径规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110375761A (zh) | 基于增强蚁群优化算法的无人驾驶车辆路径规划方法 | |
Edison et al. | Integrated task assignment and path optimization for cooperating uninhabited aerial vehicles using genetic algorithms | |
Yan et al. | Task allocation and route planning of multiple UAVs in a marine environment based on an improved particle swarm optimization algorithm | |
CN110991972B (zh) | 一种基于多智能体强化学习的货物运输系统 | |
CN111780777A (zh) | 一种基于改进a*算法和深度强化学习的无人车路径规划方法 | |
CN109489667A (zh) | 一种基于权值矩阵的改进蚁群路径规划方法 | |
CN113848919A (zh) | 一种基于蚁群算法的室内agv路径规划方法 | |
Cheng et al. | Path planning based on immune genetic algorithm for UAV | |
CN111813144B (zh) | 一种基于改进羊群算法的多无人机协同航路规划方法 | |
CN108413963A (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
CN114167865B (zh) | 一种基于对抗生成网络与蚁群算法的机器人路径规划方法 | |
Rupprecht et al. | A survey for deep reinforcement learning in markovian cyber–physical systems: Common problems and solutions | |
CN110530373A (zh) | 一种机器人路径规划方法、控制器及系统 | |
CN112947594A (zh) | 一种面向无人机的航迹规划方法 | |
Zghair et al. | Intelligent Hybrid Path Planning Algorithms for Autonomous Mobile Robots. | |
Dong et al. | Double ant colony algorithm based on dynamic feedback for energy-saving route planning for ships | |
CN112484732B (zh) | 一种基于ib-abc算法的无人机飞行路径规划方法 | |
CN113805609A (zh) | 一种混沌迷失鸽群优化机制的无人机群目标搜索方法 | |
Gu et al. | Robot path planning of improved adaptive Ant Colony System Algorithm based on Dijkstra | |
Zhang et al. | Path planning method for unmanned surface vehicle based on RRT* and DWA | |
Wu et al. | An adaptive conversion speed Q-learning algorithm for search and rescue UAV path planning in unknown environments | |
Wang et al. | An improved NSGA-II algorithm for UAV path planning problems | |
CN116048126A (zh) | 一种基于abc快速收敛的无人机实时路径规划方法 | |
CN115655279A (zh) | 一种基于改进鲸鱼算法的海上无人救援飞艇路径规划方法 | |
Ma et al. | Adaptive deployment of UAV-aided networks based on hybrid deep reinforcement learning |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191025 |