CN110609557B - 无人车混合路径规划方法 - Google Patents

无人车混合路径规划方法 Download PDF

Info

Publication number
CN110609557B
CN110609557B CN201910952980.8A CN201910952980A CN110609557B CN 110609557 B CN110609557 B CN 110609557B CN 201910952980 A CN201910952980 A CN 201910952980A CN 110609557 B CN110609557 B CN 110609557B
Authority
CN
China
Prior art keywords
path
node
algorithm
local
global
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.)
Expired - Fee Related
Application number
CN201910952980.8A
Other languages
English (en)
Other versions
CN110609557A (zh
Inventor
江鹏程
丛华
邱绵浩
张楠
冯辅周
张传清
刘西侠
张丽霞
何嘉武
张小明
王志荣
杨昌伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Academy of Armored Forces of PLA
Original Assignee
Academy of Armored Forces of PLA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Academy of Armored Forces of PLA filed Critical Academy of Armored Forces of PLA
Priority to CN201910952980.8A priority Critical patent/CN110609557B/zh
Publication of CN110609557A publication Critical patent/CN110609557A/zh
Application granted granted Critical
Publication of CN110609557B publication Critical patent/CN110609557B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G05D1/0251—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Optics & Photonics (AREA)
  • Multimedia (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

无人车混合路径规划方法，包括：1)获取起点和终点，获取周围环境信息；2)利用周围环境信息、起点和终点，构建栅格地图；3)使用改进蚁群算法进行全局路径规划，若得到一条全局最优路径，进入步骤4；若陷入局部最优解，将局部最优解中的节点导入A*算法的open表，得到一条全局最优路径；4)当遇到局部未知障碍物，采用VFH+算法确定一条局部路径；5)无人车绕过局部未知障碍物后，若偏离了全局最优路径，把当前局部节点作为新起点，返回步骤3；否则继续按全局最优路径行驶直至终点。本发明目的在于提供一种减少路径搜索时长、满足了无人车实时性的要求、避免陷入局部最优解、环境适应性强的无人车混合路径规划方法。

Description

无人车混合路径规划方法
技术领域
本发明涉及一种无人车混合路径规划方法。
背景技术
无人车路径规划是实现无人驾驶的关键技术之一，是研究的难点和热点。无人车路径规划就是选择起始点、终点，搜寻一条让车辆自主驾驶能够无碰撞的从起始点到终点的最短路径。分为全局路径规划和局部路径规划。全局路径规划表示环境信息已知，搜索最优路径。局部路径规划表示环境信息部分已知或完全未知进行路径寻优。无人车路径规划算法主要有以下几种：
全局路径规划：1.A*算法：是一种应用极为广泛的启发式搜索算法。A*算法路径规划采用一个评价函数来指导closed表扩展节点的选择。节点就是无人车行驶的关键点，评价函数由起始点到某一节点的最优路径的代价函数和节点到目标点的代价函数组成。评价函数一般表示为：f(n)＝g(n)+h(n)，h(n)表示节点n至终点G的距离，g(n)表示起点S至节点n的距离，使用常用的对角线距离公式，f(n)是总距离。A*实现起来相对简单，但环境复杂、规模较大时，扩展空间节点会变大，效率低。
2.迪杰斯特拉算法：Dijkstra算法是一种典型的最短路径算法，它的特点是，设置起点，然后由起点向外扩散，一直到到达终点结束扩展。是一种遍历比较的最短路径算法。优点是寻找最优路径成功率很高(遍历所有节点)，鲁棒性好。缺点：由于遍历节点太多，效率比较低。
3.智能算法：1)蚁群算法：蚁群算法的思想来源于蚂蚁的觅食行为的过程。每只蚂蚁在觅食行走的过程当中，都会留下一定浓度的气味，也就是信息素。最短路径是蚂蚁遍历次数最多，留下信息素浓度高的路线。后面的蚂蚁选择最短路径是由路径上留下信息素浓度高低决定。该算法模仿蚂蚁觅食行为，具有全局优化性，适合使用计算机来实现。缺点也很明显，蚁群算法计算量大，求解所需时间较长，且容易陷入局部最优解。
2)遗传算法：遗传算法是模拟生物学的进化论的理论的计算模型方法，它来源于自然选择和淘汰思想，是一种按照遗传学原理的迭代过程搜索算法。它的优点是易于与其他算法相结合，组合使用，发挥遗传算法迭代计算的优势。计算量比较大，迭代次数多，故它的效率也比较低。
局部路径规划：1.人工势场法：人工势场法由Khatib于1986年提出,属于虚拟力法,基本思想是将无人车在环境中的运动视为一种虚拟的人工受力场中的运动。障碍物对车辆产生斥力,目标点对车辆产生引力，引力和斥力周围产生相应的势,在势场中受到抽象力作用,促使绕过障碍物,朝目标点前进。该方法的优点是结构简单，计算量较小，便于低层实时控制，在实时避障和平滑轨迹控制方面得到广泛应用。但传统的人工势场法经常存在以下不足：1)在2个相近的障碍物之间不能发现有效路径；2)在障碍物前有振荡；3)目标点附近有障碍物时无法顺利到达目标点；4)存在陷阱区域，易陷入局部极小值。
2.滚动窗口法：基于滚动窗口的路径规划是一种依靠无人车传感器实时探测局部环境信息，以窗口滚动的方式在线规划方法。首先进行场景预测，预测环境地图中静、动态障碍物，起始点和目标点以及运动学模型。然后进行滚动窗口优化，即定义环境中某一区域为优化窗口，确定窗口区域的局部目标，再找出局部路径。优点是不需要全局环境信息，能解决不确定环境下的路径规划，缺点也明显，靠传感器的信息获得环境信息的路径规划容易取得局部极小值。
3.VFH+算法：VFH(矢量域直方图)算法是由Borenstein和Koren于1991年提出来的，它是由VFF(融合栅格法和人工势场法)衍化而来，广泛应用于带有超声波、激光雷达传感器无人车导航系统，VFH+算法是VFH算法的改良版，克服了VFH算法陷入局部震荡的问题，一般与全局规划算法一起运用，解决无人车导航路径规划的问题。
发明内容
本发明是为了克服现有无人车路径规划技术的不足之处，提供一种减少路径搜索时长、满足了无人车实时性的要求、避免陷入局部最优解、环境适应性强的无人车混合路径规划方法。
本发明无人车混合路径规划方法，包括以下步骤：
1)获取起点和终点信息，利用传感器组件获取周围环境信息，对车身进行定位，所述传感器组件包括三维激光雷达、相机、惯性导航系统、GPS系统；
2)利用所述周围环境信息、起点和终点信息，通过栅格法进行环境建模，构建栅格地图；
3)使用改进蚁群算法进行全局路径规划，寻找最优化路径，若得到一条全局最优路径，进入步骤4)；若陷入局部最优解，将局部最优解中的节点全部导入A*算法的open表中，使用A*算法得到一条全局最优路径；
4)在无人车行驶过程中所述传感器组件随时获取临近环境感知信息，当遇到局部未知障碍物，所述未知障碍物为动态障碍物和新出现的静态障碍物时，根据获取的临近环境感知信息和步骤3获得的全局最优路径，采用VFH+算法确定一条局部路径；
5)无人车绕过局部未知障碍物后，若偏离了全局最优路径，把当前局部节点作为新起点，返回步骤3)；若没有偏离全局最优路径，则继续按全局最优路径行驶，直至终点，若遇到未知障碍物，返回步骤4)；
其中所述改进蚁群算法为：
A)初始化蚁群算法的参数，包括蚂蚁数目M，起点S，终点G，实验迭代次数NG初始化为1，最大迭代次数NGmax，路径上信息量和启发式因子ηij的重要程度参数表示为α、β，
Figure GDA0003732689380000041
c是一个常数，dij为点i到点j之间的欧式距离，起点S加入tabuk中，tabuk为禁忌表；
B)构造路径，根据搜索策略蚂蚁在时刻t从i转移到j的概率为：
Figure GDA0003732689380000051
其中allowedk＝{N-tabuk}；
采用伪随机概率规则来进行以起点S开始的节点转移，M只蚂蚁从起点S出发到达终点G，在移动的过程中，当蚂蚁在当前节点i时，选择下一个节点j的方法为:
Figure GDA0003732689380000052
定义一个常数s0，取值范围为[0,1]，s是一个随机数，取值范围为[0,1]，当s<s0时，依次代入i可取的相邻节点j至公式
Figure GDA0003732689380000053
表示选择
Figure GDA0003732689380000054
乘积最大的节点j作为蚂蚁k的下一个行走节点；若s>＝s0时，J表示选择i的相邻栅格中
Figure GDA0003732689380000055
最大的栅格作为i的下一节点j；
C)更新信息素，信息素更新分为两种，分别是实时节点信息素更新和路径信息素更新，实时节点信息素更新是指蚂蚁k在选择下一节点后对此节点的信息素进行更新；而路径信息素更新是指当所有蚂蚁从初始节点走到终点，完成一次迭代搜索时，选择所有蚂蚁经过的路径长度最短的一条路径，更新最短路径上所有节点的信息素；
实时信息素更新按照如下公式：
τij＝(1-ρ)τij+ρτ0 (3)
路径信息素更新信息素更新按照如下公式：
τij(t+Δt)＝(1-ρ)τij(t)+Δτij(t) (4)
其中ρ是信息素的挥发系数：ρ∈[0,1)，Δτij(0)＝0；根据公式(4)第k只蚂蚁时间Δt，信息素(i,j)的变化量为：
Figure GDA0003732689380000061
C为信息素强度，Lk是第k只蚂蚁走过的路径长度；
D)NG＝NG+1，若NG＜NGmax，转到步骤B；若NG≥NGmax，迭代结束，输出当前最短路径；
所述步骤3)中使用改进蚁群算法进行全局路径规划，寻找最优化路径，若得到一条全局最优路径，进入步骤4)；若陷入局部最优解，将局部最优解中的节点全部导入A*算法的open表中，使用A*算法得到一条全局最优路径，包括：
通过初始化不同的蚂蚁数目M，使用改进蚁群算法进行两次全局路径规划，得到两条最短路径，若这两条最短路径完全重合，说明得到的是全局最优路径，进入步骤4)；若这两条全局最短路径不完全重合，说明陷入局部最优解，将这两条最短路径中的节点全部导入A*算法open表中，使用A*算法得到一条全局最优路径。
本发明无人车混合路径规划方法，对蚁群算法进行了改进，避免了搜索路径的盲目性，减少了搜索时长，满足了无人车路径规划实时性的要求，且在判断蚁群算法陷入局部最优解时，组合运用了A*算法，缩小了搜索空间，快速找到全局最优路径，在无人车行驶过程中，遇到未知障碍物时，利用VFH+算法对先验知识和环境模型要求低的特点，进行局部路径规划，使得无人车的环境适应性得到增强。
下面结合附图对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
附图说明
图1为本发明无人车混合路径规划方法流程图；
图2为本发明改进蚁群算法流程图；
图3为本发明中使用A*算法求解全局最优路径的流程图；
图4为本发明中使用A*算法求解全局最优路径的一个实施例示意图；
图5为节点与父节点为直交关系时其下一节点选择示意图；
图6为节点与父节点为斜交关系时其下一节点选择示意图。
具体实施方式
本发明无人车混合路径规划方法，参见图1，包括以下步骤：
1)获取起点和终点信息，利用传感器组件获取周围环境信息，对车身进行定位，所述传感器组件包括三维激光雷达、相机、惯性导航系统、GPS系统；
2)利用所述周围环境信息、起点和终点信息，通过栅格法进行环境建模，构建栅格地图；栅格地图中的一个栅格即为无人车行驶路径的一个节点；每个节点的相邻节点指与它直接相邻的8个节点；
3)使用改进蚁群算法进行全局路径规划，寻找最优化路径，若得到一条全局最优路径，进入步骤4)；若陷入局部最优解，将局部最优解中的节点全部导入A*算法的open表中，使用A*算法得到一条全局最优路径；
4)在无人车行驶过程中所述传感器组件随时获取临近环境感知信息，当遇到局部未知障碍物，所述未知障碍物为动态障碍物和新出现的静态障碍物时，根据获取的临近环境感知信息和步骤3)获得的全局最优路径，采用VFH+算法确定一条局部路径；
5)无人车绕过局部未知障碍物后，若偏离了全局最优路径，把当前局部节点作为新起点，返回步骤3)；若没有偏离全局最优路径，则继续按全局最优路径行驶，直至终点，若遇到未知障碍物，返回步骤4)；
参见图2，其中改进蚁群算法为：
A)初始化蚁群算法的参数，包括蚂蚁数目M，起点S，终点G，实验迭代次数NG初始化为1，最大迭代次数NGmax，路径上信息量和启发式因子ηij的重要程度参数表示为α、β，
Figure GDA0003732689380000081
c是一个常数，dij为点i到点j之间的欧式距离，起点S加入tabuk中，tabuk为禁忌表；
B)构造路径，根据搜索策略蚂蚁在时刻t从i转移到j的概率为：
Figure GDA0003732689380000082
其中allowedk＝{N-tabuk}；
采用伪随机概率规则来进行以起点S开始的节点转移，M只蚂蚁从起点S出发到达终点G，在移动的过程中，当蚂蚁在当前节点i时，选择下一个节点j的方法为:
Figure GDA0003732689380000091
定义一个常数s0，取值范围为[0,1]，s是一个随机数，取值范围为[0,1]，当s<s0时，依次代入i可取的相邻节点j至公式
Figure GDA0003732689380000092
表示选择
Figure GDA0003732689380000093
乘积最大的节点j作为蚂蚁k的下一个行走节点；若s>＝s0时，J表示选择i的相邻栅格中
Figure GDA0003732689380000094
最大的栅格作为i的下一节点j；
C)更新信息素，信息素更新分为两种，分别是实时节点信息素更新和路径信息素更新，实时节点信息素更新是指蚂蚁k在选择下一节点后对此节点的信息素进行更新；而路径信息素更新是指当所有蚂蚁从初始节点走到终点，完成一次迭代搜索时，选择所有蚂蚁经过的路径长度最短的一条路径，更新最短路径上所有节点的信息素；
实时信息素更新按照如下公式：
τij＝(1-ρ)τij+ρτ0 (3)
路径信息素更新信息素更新按照如下公式：
τij(t+Δt)＝(1-ρ)τij(t)+Δτij(t) (4)
其中ρ是信息素的挥发系数：ρ∈[0,1)，Δτij(0)＝0；根据公式(4)第k只蚂蚁时间Δt，信息素(i,j)的变化量为：
Figure GDA0003732689380000095
C为信息素强度，Lk是第k只蚂蚁走过的路径长度；
D)NG＝NG+1，若NG＜NGmax，转到步骤B；若NG≥NGmax，迭代结束，输出当前最短路径；
步骤3)中使用改进蚁群算法进行全局路径规划，寻找最优化路径，若得到一条全局最优路径，进入步骤4)；若陷入局部最优解，将局部最优解中的节点全部导入A*算法的open表中，使用A*算法得到一条全局最优路径，包括：
通过初始化不同的蚂蚁数目M，使用改进蚁群算法进行两次全局路径规划，得到两条最短路径，若这两条最短路径完全重合，说明得到的是全局最优路径，进入步骤4)；若这两条全局最短路径不完全重合，说明陷入局部最优解，参见图3和图4，使用A*算法搜寻全局最优路径流程如下：
1)从起点S到终点G，将这两条最短路径L1、L2中的节点全部导入A*算法open表中；
2)将两条最短路径L1、L2中从起点到开始出现差异之前重叠的节点直接导入closed表；
3)从两条最短路径出现差异的节点N1、N2开始计算f(n)，将f(n)值最小的节点导入closed表；
4)继续考察刚导入closed表的节点的相邻节点的f(n)；
5)判断h(n)是否为0，若h(n)不等于0，将f(n)值最小的节点导入closed表，返回步骤4；若h(n)＝0，判断已到达终点，则closed表中所有节点构成的路径即为全局最优路径，在本例中全局最优路径即为图3中的路径L3。
本发明还对栅格地图进行优化，减少改进蚁群算法和A*算法搜寻路径时搜索的栅格数量，即减少搜索的节点数量，与未优化相比，路径搜索效率得到了很大的提高。具体优化方法如下：
1)参见图5，若该节点B与其父节点A是直交关系，|AF|<|AB|+|BF|，与BF小于等于90度在内的节点路线A→B→C、A→B→F、A→B→D、A→B→E不包括在最短路径范围里，子节点B有不包括A、C、D、E、F在内的其他3个相邻节点可选，即只需考察距离父节点A最远的3个相邻节点。
2)参见图6，若该节点B与其父节点A是斜交关系，由图可知，|AC|<|AB|+|BC|、|AD|<|AB|+|BD|，节点C、D不会出现在最短路径中。即BC、BD与AB夹角小于90度的节点路线A→B→C、A→B→D，是不存在于最短路径中的。所以节点B有不包括A、C、D在内的其他5个相邻节点可选，即则只需考察与其父节点A不相邻的5个相邻节点。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (3)

1.无人车混合路径规划方法，其特征在于包括以下步骤：
1)获取起点和终点信息，利用传感器组件获取周围环境信息，对车身进行定位，所述传感器组件包括三维激光雷达、相机、惯性导航系统、GPS系统；
2)利用所述周围环境信息、起点和终点信息，通过栅格法进行环境建模，构建栅格地图；
3)使用改进蚁群算法进行全局路径规划，寻找最优化路径，若得到一条全局最优路径，进入步骤4)；若陷入局部最优解，将局部最优解中的节点全部导入A*算法的open表中，使用A*算法得到一条全局最优路径；
4)在无人车行驶过程中所述传感器组件随时获取临近环境感知信息，当遇到局部未知障碍物，所述未知障碍物为动态障碍物和新出现的静态障碍物时，根据获取的临近环境感知信息和步骤3)获得的全局最优路径，采用VFH+算法确定一条局部路径；
5)无人车绕过局部未知障碍物后，若偏离了全局最优路径，把当前局部节点作为新起点，返回步骤3)；若没有偏离全局最优路径，则继续按全局最优路径行驶，直至终点，若遇到未知障碍物，返回步骤4)；
其中所述改进蚁群算法为：
A)初始化蚁群算法的参数，包括蚂蚁数目M，起点S，终点G，实验迭代次数NG初始化为1，最大迭代次数NGmax，路径上信息量和启发式因子ηij的重要程度参数表示为α、β，
Figure FDA0003732689370000021
c是一个常数，dij为点i到点j之间的欧式距离，起点S加入tabuk中，tabuk为禁忌表；
B)构造路径，根据搜索策略蚂蚁在时刻t从i转移到j的概率为：
Figure FDA0003732689370000022
其中allowedk＝{N-tabuk}；
采用伪随机概率规则来进行以起点S开始的节点转移，M只蚂蚁从起点S出发到达终点G，在移动的过程中，当蚂蚁在当前节点i时，选择下一个节点j的方法为:
Figure FDA0003732689370000023
定义一个常数s0，取值范围为[0,1]；s是一个随机数，取值范围为[0,1]，当s<s0时，依次代入i可取的相邻节点j至公式
Figure FDA0003732689370000024
表示选择
Figure FDA0003732689370000025
乘积最大的节点j作为蚂蚁k的下一个行走节点；若s>＝s0时，J表示选择i的相邻栅格中
Figure FDA0003732689370000026
最大的栅格作为i的下一节点j；
C)更新信息素，信息素更新分为两种，分别是实时节点信息素更新和路径信息素更新，实时节点信息素更新是指蚂蚁k在选择下一节点后对此节点的信息素进行更新；而路径信息素更新是指当所有蚂蚁从初始节点走到终点，完成一次迭代搜索时，选择所有蚂蚁经过的路径长度最短的一条路径，更新最短路径上所有节点的信息素；
实时信息素更新按照如下公式：
τij＝(1-ρ)τij+ρτ0 (3)
路径信息素更新信息素更新按照如下公式：
τij(t+Δt)＝(1-ρ)τij(t)+Δτij(t) (4)
其中ρ是信息素的挥发系数：ρ∈[0,1)，Δτij(0)＝0；根据公式(4)第k只蚂蚁时间Δt，信息素(i,j)的变化量为：
Figure FDA0003732689370000031
C为信息素强度，Lk是第k只蚂蚁走过的路径长度；
D)NG＝NG+1，若NG＜NGmax，转到步骤B；若NG≥NGmax，迭代结束，输出当前最短路径；
所述步骤3)中使用改进蚁群算法进行全局路径规划，寻找最优化路径，若得到一条全局最优路径，进入步骤4)；若陷入局部最优解，将局部最优解中的节点全部导入A*算法的open表中，使用A*算法得到一条全局最优路径，包括：
通过初始化不同的蚂蚁数目M，使用改进蚁群算法进行两次全局路径规划，得到两条最短路径，若这两条最短路径完全重合，说明得到的是全局最优路径，进入步骤4)；若这两条全局最短路径不完全重合，说明陷入局部最优解，将这两条最短路径中的节点全部导入A*算法open表中，使用A*算法得到一条全局最优路径。
2.根据权利要求1所述的无人车混合路径规划方法，其特征在于：所述将这两条最短路径中的节点全部导入A*算法open表中，使用A*算法得到一条全局最优路径，包括：
将两条最短路径中从起点到开始出现差异之前重叠的节点直接导入closed表，从两条最短路径出现差别的节点开始计算f(n)，将f(n)最小的节点导入closed表，继续考察该节点的相邻节点的f(n)，将f(n)值最小的节点导入closed表，如此继续，直到h(n)＝0时，判断到达终点，则closed表中所有节点构成的路径即为全局最优路径。
3.根据权利要求2所述的无人车混合路径规划方法，其特征在于：从某节点B相邻节点中选择下一个节点时，若该节点B与其父节点A是直交关系，只需考察距离父节点最远的3个相邻节点；若该节点B与其父节点A是斜交关系，则只需考察与其父节点A不相邻的5个相邻节点。
CN201910952980.8A 2019-10-09 2019-10-09 无人车混合路径规划方法 Expired - Fee Related CN110609557B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910952980.8A CN110609557B (zh) 2019-10-09 2019-10-09 无人车混合路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910952980.8A CN110609557B (zh) 2019-10-09 2019-10-09 无人车混合路径规划方法

Publications (2)

Publication Number Publication Date
CN110609557A CN110609557A (zh) 2019-12-24
CN110609557B true CN110609557B (zh) 2022-12-09

Family

ID=68894234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910952980.8A Expired - Fee Related CN110609557B (zh) 2019-10-09 2019-10-09 无人车混合路径规划方法

Country Status (1)

Country Link
CN (1) CN110609557B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111413965A (zh) * 2020-03-11 2020-07-14 西安工程大学 一种基于uav协同感知的ugv行驶路径规划方法
CN111397622B (zh) * 2020-03-26 2022-04-26 江苏大学 基于改进A*算法与Morphin算法的智能汽车局部路径规划方法
CN111639811B (zh) * 2020-06-01 2023-10-31 中国农业大学 基于改进蚁群算法的多农机协同作业远程管理调度方法
CN111649748A (zh) * 2020-06-16 2020-09-11 湖北友系互联科技有限公司 室内导航方法及系统
CN111752275A (zh) * 2020-06-19 2020-10-09 五邑大学 一种用于机器人的自动巡航方法、装置和存储介质
CN114370874B (zh) * 2020-10-15 2023-08-25 宇通客车股份有限公司 一种车辆、车辆路径规划方法及装置
CN112729328B (zh) * 2020-12-25 2023-01-31 际络科技(上海)有限公司 节油行驶轨迹规划方法、装置、电子设备与存储介质
CN112747763B (zh) * 2020-12-30 2024-04-09 深兰人工智能(深圳)有限公司 局部路径规划方法、装置、电子设备和存储介质
CN112904865B (zh) * 2021-01-28 2022-10-14 广东职业技术学院 陶瓷物料的运输控制方法、系统及计算机可读存储介质
CN112964271B (zh) * 2021-03-15 2023-03-31 西安交通大学 一种面向多场景的自动驾驶规划方法及系统
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
CN113778119B (zh) * 2021-09-26 2022-10-21 江西理工大学 一种无人机控制路径优化方法
CN114326744A (zh) * 2021-12-31 2022-04-12 安徽海博智能科技有限责任公司 一种基于全局地图更新的矿山卡车路径规划方法
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
CN115328195A (zh) * 2022-07-24 2022-11-11 哈尔滨工业大学（威海） 不确定环境下无人机与无人车双层路径规划算法
CN116880531A (zh) * 2023-08-08 2023-10-13 深圳市华赛睿飞智能科技有限公司 一种室内无人机路径规划方法及路径规划系统
CN117670162A (zh) * 2023-12-06 2024-03-08 珠海市格努信息技术有限公司 一种场内智能物流解决方法
CN118534910A (zh) * 2024-07-24 2024-08-23 内蒙古八爪智能科技有限公司 一种机器人智能路径规划方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101136080A (zh) * 2007-09-13 2008-03-05 北京航空航天大学 基于满意决策蚁群智能无人作战飞机自适应航路规划方法
CN103926925A (zh) * 2014-04-22 2014-07-16 江苏久祥汽车电器集团有限公司 一种基于改进的vfh算法的定位与避障方法及机器人
CN105589461A (zh) * 2015-11-18 2016-05-18 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
CN105955280A (zh) * 2016-07-19 2016-09-21 Tcl集团股份有限公司 移动机器人路径规划和避障方法及系统
CN106200650A (zh) * 2016-09-22 2016-12-07 江苏理工学院 基于改进蚁群算法的移动机器人路径规划方法及系统
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
CN107544553A (zh) * 2017-10-11 2018-01-05 湖北工业大学 一种基于混合蚁群算法的无人机航路规划方法
CN108932876A (zh) * 2018-08-14 2018-12-04 湖北工业大学 一种引入黑区的a*和蚁群混合算法的快递无人机航迹规划方法
CN109186619A (zh) * 2018-07-02 2019-01-11 广东工业大学 一种基于实时路况的智能导航算法
CN109282815A (zh) * 2018-09-13 2019-01-29 天津西青区瑞博生物科技有限公司 一种动态环境下基于蚁群算法的移动机器人路径规划方法
CN110220525A (zh) * 2019-05-14 2019-09-10 昆明理工大学 一种基于势场蚁群算法的路径规划方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101136080A (zh) * 2007-09-13 2008-03-05 北京航空航天大学 基于满意决策蚁群智能无人作战飞机自适应航路规划方法
CN103926925A (zh) * 2014-04-22 2014-07-16 江苏久祥汽车电器集团有限公司 一种基于改进的vfh算法的定位与避障方法及机器人
CN105589461A (zh) * 2015-11-18 2016-05-18 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
CN105955280A (zh) * 2016-07-19 2016-09-21 Tcl集团股份有限公司 移动机器人路径规划和避障方法及系统
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
CN106200650A (zh) * 2016-09-22 2016-12-07 江苏理工学院 基于改进蚁群算法的移动机器人路径规划方法及系统
CN107544553A (zh) * 2017-10-11 2018-01-05 湖北工业大学 一种基于混合蚁群算法的无人机航路规划方法
CN109186619A (zh) * 2018-07-02 2019-01-11 广东工业大学 一种基于实时路况的智能导航算法
CN108932876A (zh) * 2018-08-14 2018-12-04 湖北工业大学 一种引入黑区的a*和蚁群混合算法的快递无人机航迹规划方法
CN109282815A (zh) * 2018-09-13 2019-01-29 天津西青区瑞博生物科技有限公司 一种动态环境下基于蚁群算法的移动机器人路径规划方法
CN110220525A (zh) * 2019-05-14 2019-09-10 昆明理工大学 一种基于势场蚁群算法的路径规划方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A hybrid strategy for robot navigation in semi-structured environments;Guilherme C. R. de Oliveira 等;《2018 IEEE International Conference on Industrial Technology (ICIT)》;20181231;全文 *
一种改进的蚁群算法求解最短路径问题;毕军等;《计算机工程与应用》;20030121(第03期);全文 *
基于无人越野驾驶自主导航车辆的路径规划研究;宋琪;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20081115(第11期);全文 *
改进蚁群算法求解移动机器人路径规划;张成等;《电子测量与仪器学报》;20161115(第11期);全文 *

Also Published As

Publication number Publication date
CN110609557A (zh) 2019-12-24

Similar Documents

Publication Publication Date Title
CN110609557B (zh) 无人车混合路径规划方法
CN106371445B (zh) 一种基于拓扑地图的无人车规划控制方法
CN113821029B (zh) 一种路径规划方法、装置、设备及存储介质
US20210103286A1 (en) Systems and methods for adaptive path planning
CN113110457B (zh) 在室内复杂动态环境中智能机器人的自主覆盖巡检方法
Dang et al. Explore locally, plan globally: A path planning framework for autonomous robotic exploration in subterranean environments
JP7450814B2 (ja) 駐車スペースのハイブリッド探索を用いた自律駐車
CN105426992B (zh) 移动机器人旅行商优化方法
Shah et al. Viking: Vision-based kilometer-scale navigation with geographic hints
CN114440916B (zh) 一种导航方法、装置、设备及存储介质
CN112033403A (zh) 一种基于势场改进蚁群算法的无人机最优路径搜索方法
CN113359768A (zh) 一种基于改进的a*算法的路径规划方法
Kim et al. Bi-directional value learning for risk-aware planning under uncertainty
Goldhoorn et al. Continuous real time POMCP to find-and-follow people by a humanoid service robot
CN110726408A (zh) 一种基于改进蚁群算法的移动机器人路径规划方法
Yusof et al. Path planning for visually impaired people in an unfamiliar environment using particle swarm optimization
CN116795108B (zh) 基于多源感知信号的智能无人车配送方法
Sangeetha et al. An intelligent gain-based ant colony optimisation method for path planning of unmanned ground vehicles
Shkurti et al. Model-based probabilistic pursuit via inverse reinforcement learning
Tanzmeister et al. Path planning on grid maps with unknown goal poses
Shah et al. Offline reinforcement learning for visual navigation
Benelmir et al. An efficient autonomous vehicle navigation scheme based on LiDAR sensor in vehicular network
Sundarraj et al. Route planning for an autonomous robotic vehicle employing a weight-controlled particle swarm-optimized Dijkstra algorithm
Abu et al. A comprehensive overview of classical and modern route planning algorithms for self-driving mobile robots
CN113778090A (zh) 基于蚁群优化和prm算法的移动机器人路径规划方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20221209