CN111880542B - 基于改进蚁群算法的多个无人靶车路径规划方法 - Google Patents

Abstract

本发明公开一种基于改进蚁群算法的多个无人靶车实时路径规划方法，其步骤包括：设置多个无人靶车的节点集合和初始信息素浓度，并初始化每个无人靶车的禁忌集合，每个无人靶车计算从当前节点位置向其他每个节点转移的转移概率，并根据转移概率选择下一个要前往的节点，直至每个无人靶车到达终点，得到当前最优路径，然后通过引入的击中因子对当前最优路径上的信息素浓度进行更新，最后通过控制最大循环次数，得到最后的路径规划结果。本发明可以保证多个无人靶车能够自主进行路径规划的基础上，降低无人靶车遍历靶场内所有靶位的时间，并提高无人靶车运动的智能化程度。

Description

基于改进蚁群算法的多个无人靶车路径规划方法

技术领域

本发明涉及无人靶车技术领域，具体涉及一种基于改进蚁群算法的多个无人靶车路径规划方法，可用于靶场的多个无人靶车运动的路径规划。

背景技术

无人靶车是一种武装人员在靶场进行射击训练时需要使用的一种可移动设备，该设备需要从起点出发经过所有靶位最后达到终点，为了使无人靶车能够快速的完成这一任务，就需要用到相关的路径规划方法，并且在这一过程中，为了模拟真实情况，靶车的数目往往会不止一个。目前，现有的战术靶车平台的路径规划方法主要有以下几种：第一，无人靶车在铺设好的轨道上运行，靶车的路径规划只能在已有的轨道上进行，铺设轨道不仅成本高昂而且耗费大量时间。第二，无人靶车的运动路径由人员用遥控器开环操控，无人靶车在运动过程中会出现跑偏现象，每次任务都需要用人员重复操作。第三，无人靶车通过磁导向或摄像导向的方式控制靶车的运行，只能实现直线运动，运动方式单一。

第三种方法可以实现无人靶车自主进行路径规划，例如，申请公布号为CN109357573A，发明名称为“智能机器人战术靶车平台”的专利申请，公开一种多个无人靶车路径规划方法，该方法是在从车接收到主车发出的广播信息同时，各从车开始计时，并按照发送时间策略依次向主车发送自己的状态信息。各从车获取到主车位姿和速度等信息后，根据当前编队策略和从车自己的编队角色，实时计算出当前需要到达的虚拟目标点，然后采用点跟踪的控制算法，控制车体前往对应的虚拟目标点。该方法虽然使用点跟踪控制算法实现了多个靶车的自主路径规划的功能，但是该方法仍然存在的不足之处是，该类算法是对时间上连续的两帧或三帧图像进行差分运算，从而获得靶车要前往下一个靶位的路径，计算量较大，耗费时间长，在面对复杂靶场环境时，路径规划困难，并且在跟踪过程中由于跟踪窗口宽度大小保持不变，当目标尺度有所变化和当目标出现丢失时易导致跟踪失败，进而导致路径规划过程中靶车出现暂停的缺点。

发明内容

本发明的目的在于针对上述现有技术的不足，提供一种基于改进蚁群算法的多个无人靶车路径规划方法，旨在提高无人靶车自主规划路径的效率和智能化程度。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)设置无人靶车的节点集合：

对待实施路径规划的N个无人靶车进行标记，得到附带有标记的无人靶车集合A＝{A_k,1≤k≤N}，并将每个无人靶车A_k在靶场map中的起点位置坐标、多个靶位位置坐标、终点位置坐标作为节点，组成包括m个节点的节点集合(x,y)＝{(x₁,y₁),...,(x_i,y_i),...,(x_m,y_m)}，其中，当i＝1时，节点(x_i,y_i)表示A_k的起点位置坐标，当2≤i≤m-1时，节点(x_i,y_i)表示A_k的靶位位置坐标，当i＝m时，节点(x_i,y_i)表示A_k的终点位置坐标，m≥50；

(2)初始化参数：

初始化循环次数为t，最大循环次数为T，T≥50，设第t次循环时无人靶车A_k在节点(x_i,y_i)和节点(x_j,y_j)间的路径R(i,j)上的信息素浓度为τ_ij(t)，j∈[1，m-1]且j≠i，并令τ_ij(t)＝0，t＝0，i＝1；

(3)初始化每个无人靶车A_k的禁忌集合B_k：

初始化每个无人靶车A_k的禁忌集合B_k，并将A_k的起点位置坐标(x₁,y₁)放入B_k；

(4)每个无人靶车A_k获取当前最优路径：

(4a)每个无人靶车A_k根据当前节点(x_i,y_i)与其他每个节点之间路径上的信息素浓度，计算从当前节点位置(x_i,y_i)向其他每个节点(x_j,y_j)转移的转移概率

并将计算得到的(m-i)-1个转移概率中的最大值对应的路径作为A_k本次转移的最佳路径段；

(4b)每个无人靶车A_k按照步骤(4a)确定的最佳路径段从当前节点位置(x_i,y_i)转移至节点位置(x_i+1,y_i+1)，并将(x_i+1,y_i+1)放入自己的禁忌集合B_k,实现对B_k的更新；

(4c)每个无人靶车A_k判断是否到达终点，若是，得到m-1个最佳路径段，并执行步骤(4d)，否则，令i＝i+1，并执行步骤(4a)；

(4d)每个无人靶车A_k对自己所经过的m-1个最佳路径段的长度进行累加，得到A对应的路径长度集合

并选取最小路径长度对应的路径作为当前A的最优路径

其中

表示A_k的路径长度，

∑表示累加操作，d_i,j表示节点i到节点j之间的距离；

(4e)判断t＞0是否成立，若是，将第t-1循环的最优路径

的长度与第t循环的最优路径

的长度数值小的作为A的当前最优路径，否则，将

作为A的当前最优路径；

(5)每个无人靶车A_k对A的当前最优路径上节点间的信息素浓度进行更新：

(5a)定义无人靶车A_k沿自己当前最优路径转移过程中被击中的次数μ为击中因子，μ≥0；

(5b)每个无人靶车A_k通过报靶系统统计击中因子μ，并通过μ对当前最优路径上的信息素浓度进行更新，得到t+1次循环所需的信息素浓度τ_ij(t+1)，更新公式为：

τ_ij(t+1)＝(1-ρ)·τ_ij(t)+Δτ_ij+f；

其中，ρ表示信息素挥发系数，0＜ρ＜1，Δτ_ij表示第t次循环无人靶车A_k在节点i和节点j间路径间R(i,j)上的信息素浓度增量，

表示无人靶车A_k在第t次循环中在路径R(i,j)上释放的信息素浓度，

Q为正常数，

表示无人靶车A_k在本次路径规划中所走路径的长度；f表示第t次循环时，无人靶车A_k在节点i和节点j间路径R(i,j)上的可能被击中的最小次数与实际被击中次数之和，f＝μ+g(t)，g(t)表示无人靶车A_k在节点i和节点j间路径R(i,j)上的可能被击中的最小次数；

(6)获取无人靶车集合A的最优路径：

令t＝t+1，并判断t＜T是否成立，若是，清空每个无人靶车A_k所对应的禁忌集合B_k，并执行步骤(3)，否则，将当前A的最优路径

作为整个A路径规划的最优路径输出。

本发明与现有技术相比，具有以下优点：

第一，由于本发明在无人靶车进行路径规划时，在现有蚁群算法的基础上，将无人靶车沿当前最优路径转移过程中被击中的次数作为击中因子，并通过击中因子对当前最优路径上的信息素浓度进行更新，解决了原有蚁群算法中初始信息素匮乏导致路径规划时间过长的问题，提高了靶车路径规划的速度，有效提高了无人靶车工作的效率。

第二，由于本发明在无人靶车进行路径规划时，每个无人靶车根据当前节点与其他每个节点之间路径上的信息素浓度，计算从当前节点位置向其他每个节点转移的转移概率，选取转移概率中值最大对应的路径作为下一个最佳路径段，克服了现有技术中通过点跟踪控制算法选取下一个最佳路径段时计算量较大，耗费时间长，在面对复杂靶场环境时，路径规划困难的缺点，进一步提高了无人靶车工作的效率。

第三，由于本发明在无人靶车进行路径规划时，根据自身在不同节点间释放的信息素浓度来确定最优路径，克服了现有技术中点跟踪控制算法当目标尺度有所变化和当目标出现丢失时易导致跟踪失败进而导致路径规划过程中靶车出现暂停的缺点，提高了无人靶车运动的智能化程度。

附图说明

图1为本发明的实现流程图。

具体实施方式

下面结合附图和具体实施例，对本发明作进一步的详细描述。

参照图1，本发明包括如下步骤：

步骤1)设置无人靶车的节点集合：

对待实施路径规划的N个无人靶车进行标记，得到附带有标记的无人靶车集合A＝{A_k,1≤k≤N}，并将每个无人靶车A_k在靶场map中的起点位置坐标、多个靶位位置坐标、终点位置坐标作为节点，组成包括m个节点的节点集合(x,y)＝{(x₁,y₁),...,(x_i,y_i),...,(x_m,y_m)}，其中，当i＝1时，节点(x_i,y_i)表示A_k的起点位置坐标，当2≤i≤m-1时，节点(x_i,y_i)表示A_k的靶位位置坐标，当i＝m时，节点(x_i,y_i)表示A_k的终点位置坐标，m≥20，本实施例中N＝5，m＝30；

步骤2)初始化参数：

初始化循环次数为t，最大循环次数为T，T≥50，设第t次循环时无人靶车A_k在节点(x_i,y_i)和节点(x_j,y_j)间的路径R(i,j)上的信息素浓度为τ_ij(t)，j∈m-1且j≠i，并令τ_ij(t)＝0，t＝0，i＝1，本实施例中T＝50；

步骤3)初始化每个无人靶车A_k的禁忌集合B_k：

初始化每个无人靶车A_k的禁忌集合B_k，并将A_k的起点位置坐标(x₁,y₁)放入B_k；

步骤4)每个无人靶车A_k获取当前最优路径：

步骤4a)每个无人靶车A_k根据当前节点(x_i,y_i)与其他每个节点之间路径上的信息素浓度，计算从当前节点位置(x_i,y_i)向其他每个节点(x_j,y_j)转移的转移概率

并将计算得到的(m-i)-1个转移概率中的最大值对应的路径作为A_k本次转移的最佳路径段，计算公式为：

其中，J_k(i)为无人靶车A_k待去射击位的集合，τ_ij(t)表示在第t次循环，节点i和节点j间路径R(i,j)上的信息素浓度，α为信息素因子，

为启发函数，表示无人靶车A_k从节点i到节点j的期望程度，d_i,j表示节点i到节点j之间的距离；β为启发函数因子，本实施例中，α＝1，β＝2；

步骤4b)每个无人靶车A_k按照步骤(4a)确定的最佳路径段从当前节点位置(x_i,y_i)转移至节点位置(x_i+1,y_i+1)，并将(x_i+1,y_i+1)放入自己的禁忌集合B_k,实现对B_k的更新；

步骤4c)每个无人靶车A_k判断是否到达终点，若是，得到m-1个最佳路径段，并执行步骤(4d)，否则，令i＝i+1，并执行步骤(4a)；

步骤4d)每个无人靶车A_k对自己所经过的m-1个最佳路径段的长度进行累加，得到A对应的路径长度集合

并选取最小路径长度对应的路径作为当前A的最优路径

其中

表示A_k的路径长度，

∑表示累加操作，d_i,j表示节点i到节点j之间的距离；

步骤4e)判断t＞0是否成立，若是，将第t-1循环的最优路径

的长度与第t循环的最优路径

的长度数值小的作为A的当前最优路径，否则，将

作为A的当前最优路径；

步骤5)每个无人靶车A_k对A的当前最优路径上节点间的信息素浓度进行更新：

步骤5a)定义无人靶车A_k沿自己当前最优路径转移过程中被击中的次数μ为击中因子，μ≥0；

步骤5b)每个无人靶车A_k通过报靶系统统计击中因子μ，并通过μ对当前最优路径上的信息素浓度进行更新，得到t+1次循环所需的信息素浓度τ_ij(t+1)，更新公式为：

τ_ij(t+1)＝(1-ρ)·τ_ij(t)+Δτ_ij+f；

其中，ρ表示信息素挥发系数，0＜ρ＜1，Δτ_ij表示第t次循环无人靶车A_k在节点i和节点j间路径间R(i,j)上的信息素浓度增量，

表示无人靶车A_k在第t次循环中在路径R(i,j)上释放的信息素浓度，

Q为正常数，

表示无人靶车A_k在本次路径规划中所走路径的长度；f表示第t次循环时，无人靶车A_k在节点i和节点j间路径R(i,j)上的可能被击中的最小次数与实际被击中次数之和，f＝μ+g(t)，g(t)表示无人靶车A_k在节点i和节点j间路径R(i,j)上的可能被击中的最小次数。

与未作改进的蚁群算法相比，通过在信息素更新公式中引入击中因子μ来更新路径上的信息素浓度，解决了原有蚁群算法中初始信息素匮乏导致路径规划时间过长的问题，提高了靶车路径规划的速度，克服了现有技术中的多个无人靶车遍历所有射击位平均时间过长的缺点，本实施例中，ρ＝0.75，Q＝80；

步骤6)获取无人靶车集合A的最优路径：

令t＝t+1，并判断t＜T是否成立，若是，清空每个无人靶车A_k所对应的禁忌集合B_k，并执行步骤(3)，否则，将当前A的最优路径

作为整个A路径规划的最优路径输出。

Claims (2)

1.一种基于改进蚁群算法的多个无人靶车路径规划方法，其特征在于，包括如下步骤：

(1)设置无人靶车的节点集合：

对待实施路径规划的N个无人靶车进行标记，得到附带有标记的无人靶车集合A＝{A_k,1≤k≤N}，并将每个无人靶车A_k在靶场map中的起点位置坐标、多个靶位位置坐标、终点位置坐标作为节点，组成包括m个节点的节点集合(x,y)＝{(x₁,y₁),...,(x_i,y_i),...,(x_m,y_m)}，其中，当i＝1时，节点(x_i,y_i)表示A_k的起点位置坐标，当2≤i≤m-1时，节点(x_i,y_i)表示A_k的靶位位置坐标，当i＝m时，节点(x_i,y_i)表示A_k的终点位置坐标，m≥20；

(2)初始化参数：

初始化循环次数为t，最大循环次数为T，T≥50，设第t次循环时无人靶车A_k在节点(x_i,y_i)和节点(x_j,y_j)间的路径R(i,j)上的信息素浓度为τ_ij(t)，j∈[1，m-1]且j≠i，并令τ_ij(t)＝0，t＝0，i＝1；

(3)初始化每个无人靶车A_k的禁忌集合B_k：

初始化每个无人靶车A_k的禁忌集合B_k，并将A_k的起点位置坐标(x₁,y₁)放入B_k；

(4)每个无人靶车A_k获取当前最优路径：

(4a)每个无人靶车A_k根据当前节点(x_i,y_i)与其他每个节点之间路径上的信息素浓度，计算从当前节点位置(x_i,y_i)向其他每个节点(x_j,y_j)转移的转移概率

并将计算得到的(m-i)-1个转移概率中的最大值对应的路径作为A_k本次转移的最佳路径段；

(4b)每个无人靶车A_k按照步骤(4a)确定的最佳路径段从当前节点位置(x_i,y_i)转移至节点位置(x_i+1,y_i+1)，并将(x_i+1,y_i+1)放入自己的禁忌集合B_k,实现对B_k的更新；

(4c)每个无人靶车A_k判断是否到达终点，若是，得到m-1个最佳路径段，并执行步骤(4d)，否则，令i＝i+1，并执行步骤(4a)；

(4d)每个无人靶车A_k对自己所经过的m-1个最佳路径段的长度进行累加，得到A对应的路径长度集合

并选取最小路径长度对应的路径作为当前A的最优路径

其中

表示A_k的路径长度，

∑表示累加操作，d_i,j表示节点i到节点j之间的距离；

(4e)判断t＞0是否成立，若是，将第t-1循环的最优路径

的长度与第t循环的最优路径

的长度数值小的作为A的当前最优路径，否则，将

作为A的当前最优路径；

(5)每个无人靶车A_k对A的当前最优路径上节点间的信息素浓度进行更新：

(5a)定义无人靶车A_k沿自己当前最优路径转移过程中被击中的次数μ为击中因子，μ≥0；

(5b)每个无人靶车A_k通过报靶系统统计击中因子μ，并通过μ对当前最优路径上的信息素浓度进行更新，得到t+1次循环所需的信息素浓度τ_ij(t+1)，更新公式为：

τ_ij(t+1)＝(1-ρ)·τ_ij(t)+Δτ_ij+f；

其中，ρ表示信息素挥发系数，0＜ρ＜1，Δτ_ij表示第t次循环无人靶车A_k在节点i和节点j间路径间R(i,j)上的信息素浓度增量，

表示无人靶车A_k在第t次循环中在路径R(i,j)上释放的信息素浓度，

Q为正常数，

表示无人靶车A_k在本次路径规划中所走路径的长度；f表示第t次循环时，无人靶车A_k在节点i和节点j间路径R(i,j)上的可能被击中的最小次数与实际被击中次数之和，f＝μ+g(t)，g(t)表示无人靶车A_k在节点i和节点j间路径R(i,j)上的可能被击中的最小次数；

(6)获取无人靶车集合A的最优路径：

令t＝t+1，并判断t＜T是否成立，若是，清空每个无人靶车A_k所对应的禁忌集合B_k，并执行步骤(3)，否则，将当前A的最优路径

作为整个A路径规划的最优路径输出。

2.根据权利要求1所述的基于改进蚁群算法的多个无人靶车路径规划方法，其特征在于，步骤(4a)中所述的计算从当前节点位置(x_i,y_i)向其他每个节点(x_j,y_j)转移的转移概率

计算公式为：

其中，J_k(i)为无人靶车A_k待去射击位的集合，τ_ij(t)表示在第t次循环，节点i和节点j间路径R(i,j)上的信息素浓度，α为信息素因子，

为启发函数，表示无人靶车A_k从节点i到节点j的期望程度，d_i,j表示节点i到节点j之间的距离；β为启发函数因子。

Images