CN110879592B - 一种基于逃逸力模糊控制的人工势场路径规划方法 - Google Patents

Abstract

本发明公开了一种基于逃逸力模糊控制的人工势场路径规划方法，针对传统人工势场法在无人车路径规划领域中容易陷入局部最优、目标不可达等缺陷，该方法在人工势场的虚拟力场中对无人车施加额外的逃逸力，并且采用模糊控制策略，使该逸力能随着无人车所在环境的改变而不断变化。当无人车陷入局部最优或目标不可达等特殊环境时，该逃逸力能帮助无人车逃出此特殊环境，使无人车能够继续朝着目标点前进。该算法对传统的人工势场算法进行了改进，并且改进的算法解决了传统人工势场法所存在的目标不可达等缺陷。

Description

一种基于逃逸力模糊控制的人工势场路径规划方法

技术领域

本发明涉及无人车路径规划领域，尤其涉及一种基于逃逸力模糊控制的人工势场路径规划方法。

背景技术

传统人工势场算法基于虚拟势场，算法定义直观，模型结构简单，规划过程通过构造的虚拟势场，使无人车在所受的引力与斥力的引导下，并且不需要很大的计算量就可以实时避障并完成规划任务，该算法在全局规划方面得到了广泛应用，但传统人工势场法常常会遇到局部最小的问题而导致目标不可达现象。

针对传统人工势场法的局部最小问题，有不少的解决办法。最常见的解决办法是在虚拟斥力势场中引入一个距离因子，改变原有的势场模型。这种方法可解决传统人工势场的目标不可达问题，但规划出的路径丢失了平滑性，故本方法实用性较差。将群智能算法与人工势场法相结合也能克服局部最小的问题，比如将蚁群算法与人工势场法融合在一起，节省了避障时间，但该方法的缺陷是所需的存储空间非常大。此外，虚拟水流法也能在一定程度上改善人工势场的局部最小问题，但缺点是算法效率低，规划时间很长。

由此可见，改进传统人工势场法以避免目标不可达现象有着重要意义。

发明内容

本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种基于逃逸力模糊控制的人工势场路径规划方法。

本发明为解决上述技术问题采用以下技术方案：

一种基于逃逸力模糊控制的人工势场路径规划方法，包括以下步骤：

步骤1)，获取当前的全局环境信息，所述全局环境信息包括无人车当前位置、静态障碍物位置及目标点位置；

步骤2)，基于已获取到的全局环境信息构建出障碍物的虚拟斥力势场与目标点的虚拟引力势场，并分析无人车自身所受的斥力与引力；

步骤3)，根据当前无人车自身所受的斥力与引力情况，采用模糊控制策略对无人车施加逃逸力，直至到达目标点；逃逸力的大小由预设的模糊控制器来进行模糊控制，逃逸力的方向定义为垂直于引力方向，所述模糊控制器模型的建立步骤如下：

步骤3.1)，选取二维模糊控制器，输入变量分别为当前无人车自身所受的引力大小与斥力大小之差ΔF、引力与斥力的方向角度之差Δθ，输出变量即为逃逸力大小F；

步骤3.2)，将模糊控制器的输入与输出参数量化模糊处理；

步骤3.2.1)，输入变量引力大小与斥力大小之差ΔF的量化方法为：

定义力差系数ΔF_c，ΔF_c与ΔF的关系表示为

则ΔF经量化后得到的力差系数ΔF_c的论域为[-1,1]；

步骤3.2.2)，输入变量引力与斥力的方向角度之差Δθ的范围为[-π，π]，将Δθ量化后的论域定义为[-3.142,3.142]；

步骤3.2.3)，输出变量逃逸力大小F的量化方法为：

定义逃逸力系数为F_c，F_c与F的关系表示为

则逃逸力大小F量化后得到的逃逸力系数F_c的论域为[-1,1]；

步骤3.3)，生成ΔF_c、Δθ、F_c的模糊子集NB、NS、ZO、PS、PB；NB中的元素小于等于预设的第一阈值，NS中的元素大于第一阈值且小于等于预设的第二阈值，ZO中的元素大于第二阈值且小于预设的第三阈值，PS中的元素大于等于第三阈值且小于预设的第四阈值的，PB中的元素大于等于第四阈值，其中，所述预设的第一阈值、第二阈值为负值，第三阈值、第四阈值为正值，且第一至第四阈值依次变大；

步骤3.4)，为模糊控制器的输入输出变量的模糊子集选择相应的三角形隶属度函数，使用选取的三角形函数实现模糊控制器输入输出变量的模糊化；

步骤3.5)，建立模糊控制规则库，确定逃逸力系数F_c的模糊子集，所述模糊控制规则库中的模糊规则为：

当ΔF_c为NB且Δθ为NB时，F_c为NB；当ΔF_c为NB且Δθ为NS时，F_c为NB；

当ΔF_c为NB且Δθ为ZO时，F_c为NS；当ΔF_c为NB且Δθ为PS时，F_c为NS；

当ΔF_c为NB且Δθ为PB时，F_c为NS；当ΔF_c为NS且Δθ为NB时，F_c为NS；

当ΔF_c为NS且Δθ为NS时，F_c为NS；当ΔF_c为NS且Δθ为ZO时，F_c为NS；

当ΔF_c为NS且Δθ为PS时，F_c为ZO；当ΔF_c为NS且Δθ为PB时，F_c为ZO；

当ΔF_c为ZO且Δθ为NB时，F_c为NS；当ΔF_c为ZO且Δθ为NS时，F_c为ZO；

当ΔF_c为ZO且Δθ为ZO时，F_c为ZO；当ΔF_c为ZO且Δθ为PS时，F_c为ZO；

当ΔF_c为ZO且Δθ为PB时，F_c为PS；当ΔF_c为PS且Δθ为NB时，F_c为ZO；

当ΔF_c为PS且Δθ为NS时，F_c为ZO；当ΔF_c为PS且Δθ为ZO时，F_c为PS；

当ΔF_c为PS且Δθ为PS时，F_c为PS；当ΔF_c为PS且Δθ为PB时，F_c为PS；

当ΔF_c为PB且Δθ为NB时，F_c为PS；当ΔF_c为PB且Δθ为NS时，F_c为PS；

当ΔF_c为PB且Δθ为ZO时，F_c为PS；当ΔF_c为PB且Δθ为PS时，F_c为PB；

当ΔF_c为PB且Δθ为PB时，F_c为PB；

步骤3.6)，根据模糊规则库确定F_c的模糊子集后，选取质心法作为去模糊化方法，将F_c的模糊子集转化为精确量得到逃逸力系数F_c的值，最后，根据公式F＝500F_c计算出施加在无人车上的逃逸力大小。

作为本发明一种基于逃逸力模糊控制的人工势场路径规划方法进一步的优化方案，步骤2)中，障碍物虚拟斥力势场为

目标点虚拟引力势场为

其中，r_c表示无人车与障碍物间的欧几里得距离，r₀表示安全距离，m表示斥力增益系数，k_at表示引力增益系数，r_q表示无人车与目标点间的欧几里得距离。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

本发明提供了一种基于逃逸力模糊控制的人工势场路径规划方法，在一定程度上改善了无人车利用传统人工势场法规划路径时容易陷入局部最优区域的缺点。当无人车正常朝着目标点行驶时，逃逸力较小，对无人车的运动影响可忽略不计；当无人车逐渐陷入局部最优区域而导致目标不可达时，逃逸力较大，牵引无人车逃离局部最优区域，重新朝着目标点前进。

附图说明

图1为本发明的基于逃逸力模糊控制的人工势场路径规划方法流程示意图；

图2为一种场景下在虚拟势场中对无人车上施加的逃逸力的状态示意图；

图3为另一种场景下在虚拟势场中对无人车上施加的逃逸力情况的状态示意图；

图4为第三种场景下在虚拟势场中对无人车上施加的逃逸力情况的状态示意图；

图5为利用基于逃逸力模糊控制的人工势场算法完成的路径规划的示意图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

本发明可以以许多不同的形式实现，而不应当认为限于这里所述的实施例。相反，提供这些实施例以便使本公开透彻且完整，并且将向本领域技术人员充分表达本发明的范围。在附图中，为了清楚起见放大了组件。

如图1所示，本发明提供了一种基于逃逸力模糊控制的人工势场路径规划方法，包括以下步骤：

步骤1)，获取当前的全局环境信息，所述全局环境信息包括无人车当前位置、静态障碍物位置及目标点位置；

步骤2)，基于已获取到的全局环境信息构建出障碍物的虚拟斥力势场与目标点的虚拟引力势场，并分析无人车自身所受的斥力与引力；

步骤3)，根据当前无人车自身所受的斥力与引力情况，采用模糊控制策略对无人车施加逃逸力，直至到达目标点；逃逸力的大小由预设的模糊控制器来进行模糊控制，逃逸力的方向定义为垂直于引力方向，所述模糊控制器模型的建立步骤如下：

步骤3.1)，选取二维模糊控制器，输入变量分别为当前无人车自身所受的引力大小与斥力大小之差ΔF、引力与斥力的方向角度之差Δθ，输出变量即为逃逸力大小F；

步骤3.2)，将模糊控制器的输入与输出参数量化模糊处理；

步骤3.2.1)，输入变量引力大小与斥力大小之差ΔF的量化方法为：

定义力差系数ΔF_c，ΔF_c与ΔF的关系表示为

则ΔF经量化后得到的力差系数ΔF_c的论域为[-1,1]；

步骤3.2.2)，输入变量引力与斥力的方向角度之差Δθ的范围为[-π，π]，将Δθ量化后的论域定义为[-3.142,3.142]；

步骤3.2.3)，输出变量逃逸力大小F的量化方法为：

定义逃逸力系数为F_c，F_c与F的关系表示为

则逃逸力大小F量化后得到的逃逸力系数F_c的论域为[-1,1]；

步骤3.3)，生成ΔF_c、Δθ、F_c的模糊子集NB、NS、ZO、PS、PB；NB中的元素小于等于预设的第一阈值，NS中的元素大于第一阈值且小于等于预设的第二阈值，ZO中的元素大于第二阈值且小于预设的第三阈值，PS中的元素大于等于第三阈值且小于预设的第四阈值的，PB中的元素大于等于第四阈值，其中，所述预设的第一阈值、第二阈值为负值，第三阈值、第四阈值为正值，且第一至第四阈值依次变大；

步骤3.4)，为模糊控制器的输入输出变量的模糊子集选择相应的三角形隶属度函数，使用选取的三角形函数实现模糊控制器输入输出变量的模糊化；

步骤3.5)，建立模糊控制规则库，确定逃逸力系数F_c的模糊子集，所述模糊控制规则库中的模糊规则为：

当ΔF_c为NB且Δθ为NB时，F_c为NB；当ΔF_c为NB且Δθ为NS时，F_c为NB；

当ΔF_c为NB且Δθ为ZO时，F_c为NS；当ΔF_c为NB且Δθ为PS时，F_c为NS；

当ΔF_c为NB且Δθ为PB时，F_c为NS；当ΔF_c为NS且Δθ为NB时，F_c为NS；

当ΔF_c为NS且Δθ为NS时，F_c为NS；当ΔF_c为NS且Δθ为ZO时，F_c为NS；

当ΔF_c为NS且Δθ为PS时，F_c为ZO；当ΔF_c为NS且Δθ为PB时，F_c为ZO；

当ΔF_c为ZO且Δθ为NB时，F_c为NS；当ΔF_c为ZO且Δθ为NS时，F_c为ZO；

当ΔF_c为ZO且Δθ为ZO时，F_c为ZO；当ΔF_c为ZO且Δθ为PS时，F_c为ZO；

当ΔF_c为ZO且Δθ为PB时，F_c为PS；当ΔF_c为PS且Δθ为NB时，F_c为ZO；

当ΔF_c为PS且Δθ为NS时，F_c为ZO；当ΔF_c为PS且Δθ为ZO时，F_c为PS；

当ΔF_c为PS且Δθ为PS时，F_c为PS；当ΔF_c为PS且Δθ为PB时，F_c为PS；

当ΔF_c为PB且Δθ为NB时，F_c为PS；当ΔF_c为PB且Δθ为NS时，F_c为PS；

当ΔF_c为PB且Δθ为ZO时，F_c为PS；当ΔF_c为PB且Δθ为PS时，F_c为PB；

当ΔF_c为PB且Δθ为PB时，F_c为PB；

步骤3.6)，根据模糊规则库确定F_c的模糊子集后，选取质心法作为去模糊化方法，将F_c的模糊子集转化为精确量得到逃逸力系数F_c的值，最后，根据公式F＝500F_c计算出施加在无人车上的逃逸力大小。

步骤2)中障碍物虚拟斥力势场为

目标点虚拟引力势场为

其中，r_c表示无人车与障碍物间的欧几里得距离，r₀表示安全距离，m表示斥力增益系数，k_at表示引力增益系数，r_q表示无人车与目标点间的欧几里得距离。

模糊控制规则的建立思想如下：当斥力与引力之差绝对值|ΔF|很大时，为了使智能车能迅速逃离局部最优区域，此时的输出的逃逸力大小应该较大；当斥力与引力之差的绝对值|ΔF|与方向角之差的绝对值|Δθ|都是中等大小时，此时逃逸力大小也应该是中等大小；当斥力与引力之差的绝对值|ΔF|与方向角之差的绝对值|Δθ|都较小时，此时为了尽量不影响智能车的行驶方向，即能迅速恢复朝着目标的方向前进，此时逃逸力应该较小。

当采用本方法进行控制时，基于自身受力情况，无人车开始移动，并朝着目标点前进；未陷入局部最优区域时，施加在无人车上的逃逸力较小，对无人车的运动影响可忽略不计，直至无人车逐渐陷入局部最优区域；所述陷入局部最优区域为无人车所受的斥力与引力相平衡或所受的斥力与引力的合力严重偏离目标点、导致无人车的目标不可达的区域；在陷入局部最优区域的过程中，逃逸力不断增大，牵引无人车逃离当前局部最优区域；无人车逃出当前局部最优区域后，逃逸力逐渐减小，对无人车的运动影响也逐渐减小。

如图2、图3、图4所示，若没有逃逸力，则此时斥力与引力相平衡或斥力与引力的合力严重偏离目标点，均会导致无人车目标不可达。施加如图2、图3、图4所示的逃逸力后，逃逸力会牵引无人车逃离局部最优区域，从而避免目标不可达现象。

为了验证本方法的可行性与有效性，在matlab平台中利用该方法进行了路径规划仿真。

基于逃逸力模糊控制的人工势场路径规划方法的仿真结果如图5所示，设置起始点为(0,0)，目标点为(10,10)，障碍点与路径点分别如图所示。在本发明中，设置了7个静态障碍点，坐标分别为(1.2,1.8)、(3,3)、(4,4.5)、(3,6)、(6,4)、(5,5)、(8,6.5)，障碍物对智能车起作用的安全距离r₀＝1m。

如图5所示，在利用本发明进行路径规划仿真时，无人车到达(3,3)处的障碍物时，无人车、障碍物与目标点在同一直线上，正如图2所示，极易陷入局部最优区域，但仿真结果显示无人车成功避免了此处局部最优现象的产生。同时，无人车在点(6,4)与点(5,5)两处的障碍之间安全地穿过，正如图3所示，逃逸力牵引无人车避免了局部最优现象，并且在逃逸力生效后对无人车的运动影响较小。此外，无人车安全地避开了(8,6.5)处的障碍物，没有陷入局部最优。最终，智能车安全地到达目标点。

本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

以上所述的具体实施方式，对本发明的目的、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，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于逃逸力模糊控制的人工势场路径规划方法，其特征在于，包括以下步骤：

步骤1)，获取当前的全局环境信息，所述全局环境信息包括无人车当前位置、静态障碍物位置及目标点位置；

步骤2)，基于已获取到的全局环境信息构建出障碍物的虚拟斥力势场与目标点的虚拟引力势场，并分析无人车自身所受的斥力与引力；

步骤3)，根据当前无人车自身所受的斥力与引力情况，采用模糊控制策略对无人车施加逃逸力，直至到达目标点；逃逸力的大小由预设的模糊控制器来进行模糊控制，逃逸力的方向定义为垂直于引力方向，所述模糊控制器模型的建立步骤如下：

步骤3.1)，选取二维模糊控制器，输入变量分别为当前无人车自身所受的引力大小与斥力大小之差ΔF、引力与斥力的方向角度之差Δθ，输出变量即为逃逸力大小F；

步骤3.2)，将模糊控制器的输入与输出参数量化模糊处理；

步骤3.2.1)，输入变量引力大小与斥力大小之差ΔF的量化方法为：

定义力差系数ΔF_c，ΔF_c与ΔF的关系表示为

则ΔF经量化后得到的力差系数ΔF_c的论域为[-1,1]；

步骤3.2.2)，输入变量引力与斥力的方向角度之差Δθ的范围为[-π，π]，将Δθ量化后的论域定义为[-3.142,3.142]；

步骤3.2.3)，输出变量逃逸力大小F的量化方法为：

定义逃逸力系数为F_c，F_c与F的关系表示为

则逃逸力大小F量化后得到的逃逸力系数F_c的论域为[-1,1]；

步骤3.3)，生成ΔF_c、Δθ、F_c的模糊子集NB、NS、ZO、PS、PB；NB中的元素小于等于预设的第一阈值，NS中的元素大于第一阈值且小于等于预设的第二阈值，ZO中的元素大于第二阈值且小于预设的第三阈值，PS中的元素大于等于第三阈值且小于预设的第四阈值的，PB中的元素大于等于第四阈值，其中，所述预设的第一阈值、第二阈值为负值，第三阈值、第四阈值为正值，且第一至第四阈值依次变大；

步骤3.4)，为模糊控制器的输入输出变量的模糊子集选择相应的三角形隶属度函数，使用选取的三角形函数实现模糊控制器输入输出变量的模糊化；

步骤3.5)，建立模糊控制规则库，确定逃逸力系数F_c的模糊子集，所述模糊控制规则库中的模糊规则为：

当ΔF_c为NB且Δθ为NB时，F_c为NB；当ΔF_c为NB且Δθ为NS时，F_c为NB；

当ΔF_c为NB且Δθ为ZO时，F_c为NS；当ΔF_c为NB且Δθ为PS时，F_c为NS；

当ΔF_c为NB且Δθ为PB时，F_c为NS；当ΔF_c为NS且Δθ为NB时，F_c为NS；

当ΔF_c为NS且Δθ为NS时，F_c为NS；当ΔF_c为NS且Δθ为ZO时，F_c为NS；

当ΔF_c为NS且Δθ为PS时，F_c为ZO；当ΔF_c为NS且Δθ为PB时，F_c为ZO；

当ΔF_c为ZO且Δθ为NB时，F_c为NS；当ΔF_c为ZO且Δθ为NS时，F_c为ZO；

当ΔF_c为ZO且Δθ为ZO时，F_c为ZO；当ΔF_c为ZO且Δθ为PS时，F_c为ZO；

当ΔF_c为ZO且Δθ为PB时，F_c为PS；当ΔF_c为PS且Δθ为NB时，F_c为ZO；

当ΔF_c为PS且Δθ为NS时，F_c为ZO；当ΔF_c为PS且Δθ为ZO时，F_c为PS；

当ΔF_c为PS且Δθ为PS时，F_c为PS；当ΔF_c为PS且Δθ为PB时，F_c为PS；

当ΔF_c为PB且Δθ为NB时，F_c为PS；当ΔF_c为PB且Δθ为NS时，F_c为PS；

当ΔF_c为PB且Δθ为ZO时，F_c为PS；当ΔF_c为PB且Δθ为PS时，F_c为PB；

当ΔF_c为PB且Δθ为PB时，F_c为PB；

步骤3.6)，根据模糊规则库确定F_c的模糊子集后，选取质心法作为去模糊化方法，将F_c的模糊子集转化为精确量得到逃逸力系数F_c的值，最后，根据公式F＝500F_c计算出施加在无人车上的逃逸力大小。

2.根据权利要求1所述的基于逃逸力模糊控制的人工势场路径规划方法，其特征在于，步骤2)中，障碍物虚拟斥力势场为

目标点虚拟引力势场为

其中，r_c表示无人车与障碍物间的欧几里得距离，r₀表示安全距离，m表示斥力增益系数，k_at表示引力增益系数，r_q表示无人车与目标点间的欧几里得距离。

Images