CN111982129B - 一种基于月面数字高程地图的综合全局路径规划方法 - Google Patents

Abstract

一种基于月面数字高程地图的综合全局路径规划方法，属于月球探测路径规划技术领域。为了解决月面路径规划问题中不能综合考虑距离代价、地形代价及太阳光照条件代价，且针对大范围路径规划搜索时间过长的问题。本发明基于月面DEM地图提取月面地形特征，然后基于月面特征生成综合平滑度地图，并基于月面太阳光照信息生成有效太阳能量分布地图，根据地形综合平滑度信息以及有效太阳能量分布信息设计多代价启发式函数；将多代价函数值作为A*算法中的每个节点的g(n)值，选择g(n)值变小的节点进行搜索，直到搜索到目标节点，然后根据parent表回溯构建路径。本发明用于月球探测路径规划。

Description

一种基于月面数字高程地图的综合全局路径规划方法

技术领域

本发明涉及基于月面数字高程地图的综合全局路径规划方法。属于月球探测路径规划技术领域。

背景技术

针对于路径规划领域，很多路径规划方法都是使用A*(A-Star)算法，A*算法是一种求解最短路径最有效的直接搜索方法，是一种常用启发式算法，根据启发式函数f(n)扩展搜索的节点，f(n)＝g(n)+h(n)，其中，f(n)是从初始状态经由状态n到目标状态的代价估计，g(n)是在状态空间中从初始状态到状态n的实际代价，h(n)是从状态n到目标状态的最佳路径的估计代价。当启发式函数f(n)满足一致性条件时A*可以找到最优解。同时，A*算法将路径规划过程中待检测的节点存放于Open表中，而已检测过的格子则存放于Close表中，然后扩展当前节点的所有邻居节点加入OPEN表中，再选择f(n)最小的节点进行扩展，如此迭代直至搜索到目标节点。然后使用父节点(parent)储存回溯节点，从目标节点回溯最终路径。虽然A*算法能够较好的解决路径规划的问题，但是其也存在一定的缺点，比如算法的搜索时间比较长等。

针对于月球探测路径规划任务，目前的多数路径规划存在不能综合考虑距离代价、地形代价及太阳光照条件代价的，从而使得月球探测路径规划不能顾取得较好的效果。

发明内容

本发明为了解决月面路径规划问题中不能综合考虑距离代价、地形代价及太阳光照条件代价，且针对大范围路径规划搜索时间过长的问题，提出的一种基于月面数字高程地图的综合全局路径规划方法。

一种基于月面数字高程地图的综合全局路径规划方法，包括以下步骤：

步骤一：基于月面DEM地图提取月面地形特征；所述月面地形特征包括地形坡度、地形起伏度以及地形粗糙度；

步骤二：基于步骤一提取的月面特征生成综合平滑度地图；

步骤三：基于月面太阳方位信息生成太阳有效光照分布地图，并根据太阳有效光照分布地图确定太阳有效光照指数；

步骤四：根据步骤二和步骤三生成的地形综合平滑度信息以及太阳有效光照指数确定多代价启发式函数；

步骤五：对于A*算法的每个节点，将步骤四的多代价启发式函数的多代价函数值作为A*算法中的每个节点的g(n)值，选择g(n)值变小的节点进行搜索，直到搜索到目标节点，然后根据parent表回溯构建路径。

进一步地，步骤一所述提取月面地形特征的过程包括以步骤：

分别从DEM数据中提取坡度、起伏度以及粗糙度的月面地形信息，通过设置一个3×3大小的滚动窗口，在DEM地图上滚动计算每个窗口内的地形特征，即得到地形坡度、地形起伏度以及地形粗糙度。

进一步地，所述地形坡度、地形起伏度以及地形粗糙度分别如下：

地形坡度θ：

式中f_x、f_y为中心栅格东西方向和南北方向高程变化率；

地形起伏度R：

R＝H_max-H_min

式中H_max、H_min分别为窗口内的最大高程值与最小高程值；

地形粗糙度δ：

式中H_i为窗口内所有栅格对应的高程值，

为窗口内所有高程值的平均值。

进一步地，所述中心栅格东西方向和南北方向高程变化率f_x、f_y分别如下：

式中H₁-H₉分别为3x3窗口内部的9个栅格对应的高程值，g为DEM数据的分辨率大小。

进一步地，步骤二所述生成综合平滑度地图的过程包括以下步骤：

基于取的提取月面地形特征得到坡度平滑度S_slope、地形起伏平滑度S_relief、地形粗糙起伏度S_rough，然后确定平滑度：

S_com＝min(S_slope,S_relief,S_rough)

其中，min(·)表示取最小值。

进一步地，坡度平滑度S_slope、地形起伏平滑度S_relief、地形粗糙起伏度S_rough分别如下：

θ_max、R_max、δ_max分别为最大坡度、起伏幅度和粗糙度的阈值。

进一步地，步骤三所述太阳有效光照指数如下：

其中，

是位于月球表面位置的局部拟合平面法向量，

是太阳光线向量；

采用滚动窗口的形式依次计算出地图各位置的太阳有效光照指数。

进一步地，所述太阳光线向量

如下：

其中，太阳高度角为α_s；方位角为β_s，是太阳光相对月面正东方向的夹角。

进一步地，步骤四所述的多代价启发式函数具体如下：

heuristic_cost(x,y)＝α_d·Dis(x,y)+α_t·(1-S_com)+α_s·(1-S_solar)

其中，Dis(·)为距离函数；α_d,α_t,α_s为权重系数。

进一步地，所述步骤五的过程如下：

步骤五一：进行初始化，包括OPEN表、启发式函数f(n)、g(n)，将g(n)初始化为极大值矩阵；

步骤五二：选择OPEN表内f(n)值最小的节点作为当前节点，对其所有邻居节点进行扩展；

步骤五三：选择g(n)值变小的节点进行探索；

步骤五四：更新g(n)值变小的邻居节点的f(n)值和OPEN表以及parent表；

步骤五五：重复迭代搜索，直到搜索到目标节点；

步骤五六：根据parent表回溯构建路径。

有益效果：

本发明不仅可以根据月面DEM地图分析地形可通过性，还可根据太阳光照条件分析太阳有效光照分布。然后提出了MFA*(Multi-cost fast A*)算法，综合考虑距离代价、地形代价、光照条件代价设计了一种综合启发式函数，使算法可以根据不同场景考虑不同的代价权重，从而生成不同的路径。同时改进了A*算法的搜索机制以适用于大范围的快速路径搜索，缩短了算法的搜索时间。

本发明所提出的地形计算方法可以较好的还原月面地形特征，对环形山边缘、小型山脉等危险区域有很好的提取效果。并且平滑度地图可以很好的表示出平坦区域(图中较亮区域)，为后续路径规划提供地形信息参考。同时，本发明提出的太阳有效光照分布计算方法可根据太阳照射角度有效计算某区域的太阳能量分布情况，为后续路径规划提高能量信息参考。

本发明提出的MFA*算法生成路径的平均综合平滑度提高大约20％，平均有效光照指数提高约10％，算法搜索时间相比于标准A*算法缩短80％，说明MFA*算法提高了路径的安全性和太阳光照情况，并明显缩短了算法的搜索时间。

附图说明

图1是月球虹湾附近区域嫦娥二号DOM影像图。

图2是地形提取后的综合平滑度地图。

图3是太阳光线高低角α_s＝10°，方位角β_s＝210°条件下的太阳有效光照分布图。

图4是太阳光线高低角α_s＝40°，方位角β_s＝270°条件下的太阳有效光照分布图。

图5是太阳光线高低角α_s＝30°，方位角β_s＝310°条件下的太阳有效光照分布图。

图6是不同地形权重因子生成路径对比示意图。

图7是不同光照、地形权重因子生成路径对比示意图。

图8是不同算法生成路径对比示意图。

具体实施方式

具体实施方式一：

本实施方式所述的一种基于月面数字高程地图的综合全局路径规划方法，包括以下步骤：

步骤一：基于月面DEM地图提取月面地形特征，具体包括以下步骤：

分别从DEM数据中提取坡度、起伏度以及粗糙度三个方面的月面地形信息，通过设置一个3×3大小的滚动窗口，在DEM地图上滚动计算每个窗口内的地形特征。

地形坡度θ可由下式计算：

式中f_x、f_y为中心栅格东西方向和南北方向高程变化率，计算方式为：

式中H₁-H₉分别为3x3窗口内部的9个栅格对应的高程值，g为DEM数据的分辨率大小。

地形起伏度R定义为窗口内高程最大值与高程最小值的差，即：

R＝H_max-H_min

H_max、H_min分别为窗口内的最大高程值与最小高程值。

地形粗糙度δ定义为窗口内所有点的高程值标准差，即：

式中H_i为窗口内所有栅格对应的高程值，

为窗口内所有高程值的平均值。

步骤二：基于步骤一提取的月面地形特征生成综合平滑度地图，分别定为坡度平滑度S_slope、地形起伏平滑度S_relief、地形粗糙起伏度S_rough为：

根据月球车的能力限制，将最大坡度、起伏幅度和粗糙度的阈值设置为θ_max＝20°,R_max＝g/2,δ_max＝g/5，g为地图分辨率。由于月球车在移动过程中要综合考虑坡度、起伏度、粗糙度等各种地形约束，所以本发明将综合平滑度定义为三者的最小值：

S_com＝min(S_slope,S_relief,S_rough)

通过在DEM图中滚动窗口并按顺序计算，可以得到地图中所有栅格的地形综合平滑度信息。本发明选取嫦娥三号着陆点附近的虹湾区域作为仿真场景，采用上述方法对CE2TMap2015数据的42°N～56°N,12°W～36°W(约540×440km，50m分辨率)区域进行地形分析处理，结果如图2所示。

步骤三：基于月面太阳方位信息生成太阳有效光照分布地图，对于月球车来说，太阳能电池板是必需的发电来源，其产生的电量取决于太阳光照条件。因此，太阳光照条件是路径规划的另一个关键因素，传统上可以仅通过太阳仰角评估太阳光照条件，这在地形平坦时正确而简单。但月球表面分布着许多陨石坑和岩石，会形成很多阴影区域。当漫游车在阴影区域行驶时，太阳能电池板无法发电。此外，假设太阳能电池板固定在月球车上，则相对于太阳能电池板的太阳仰角和方位角会根据月球车的姿态发生变化。所以对月球车的太阳光照条件影响不仅取决于太阳高度，还取决于月球车的姿态，该姿态与地形相符。考虑到这两个因素，本发明设计了一个太阳有效光照指数S_solar来表示月球车收到的实际太阳能情况；

其中

是位于月球表面位置的局部拟合平面法向量，

是太阳光线向量。本发明还采用滚动窗口的形式依次计算出地图各位置的太阳有效光照指数。首先利用窗口内高程数据拟合局部平面，然后计算不同太阳辐射条件下的太阳有效光照指数。假设太阳高度角为α_s，方位角为β_s，为太阳光相对月面正东方向的夹角，则太阳光线矢量可计算为：

然后本实施方式对虹湾地区的太阳光照条件进行分析，分别选取该区域一个月昼时间内不同时刻的光照条件，计算该区域的有效太阳能指数S_solar分布，结果如图3—图5所示。

步骤四：根据步骤二和步骤三生成的地形综合平滑度信息以及太阳有效光照分布信息设计多代价启发式函数heuristic_cost(x,y)，来调整算法在不同区域生成路径的侧重情况；

heuristic_cost(x,y)＝α_d·Dis(x,y)+α_t·(1-S_com)+α_s·(1-S_solar)

式中，其中Dis(·)是一个距离函数，可以使用对角线或欧几里德距离函数。α_d,α_t,α_s为权重系数，可以人为设定来调节算法在不同区域、不同场景下的侧重情况，从而生成不同的路径。

步骤五：结合步骤四设计的多代价启发式函数设计了MFA*算法，可根据多代价函数调节算法在不同区域生成不同的路径，并缩短了算法的搜索时间。

本发明所提出的MFA*算法改变了A*算法的搜索机制，使每个节点只被探索一次，每个节点的g(n)值改为该节点的多代价函数值，是对从起点到该节点综合代价的估计值，这样做就避免了对节点的重复探索。这也导致算法不必使用CLOSE表来储存探索过的最优节点，同时，可以使用每个节点的g(n)值比较代替节点是否在OPEN表的判断以及OPEN表的排序操作，也加快了算法的搜索过程。具体算法详见表1。

步骤五一：对算法进行初始化，包括OPEN表、启发式函数f(n)、g(n)(这里将g(n)初始化为极大值矩阵)。

步骤五二：选择OPEN表内f(n)值最小的节点作为当前节点，对其所有邻居节点进行扩展；

步骤五三：选择g(n)值变小的节点进行探索。g(n)值变小的节点证明是未探索过的节点，这样就避免了对节点n的多次探索以及是否在OPEN表中的判断，节省了大量搜索时间。

步骤五四：更新g(n)值变小的邻居节点的f(n)值和OPEN表以及parent表。

步骤五五：重复迭代搜索，直到搜索到目标节点。

步骤五六：根据parent表回溯构建路径。

表1

用以下实施例验证本发明的有益效果：

实施例：

a、实验环境

本发明采用嫦娥二号CE2TMap2015数据进行月面地形处理，CE-2全月地形数据产品在空间分辨率、全月覆盖率、数据连续性、绝对定位精度和地貌结构细节表达等方面与其他全月地形产品相比具有明显的优势。选取嫦娥三号着陆点附近的虹湾地区作为大范围自主探测仿真场景，任务起点为嫦娥三号着陆点(44.12°N,19.51°W)，即虹湾地区东部区域，终点选取为虹湾北部区域(55.5°N,16.9°W)，因为该地区地质构造复杂，有典型性，具有很高的科学探测价值。月球虹湾附近区域嫦娥二号DOM影像图如图1所示。

本发明所有算法的仿真测试软件环境为Windows 10+MATLAB 2016，硬件环境为Intel(R)Core(TM)i5-7200U CPU+12.0GB RAM。

b、实验结果及分析

本发明实验首先分析地形因素对MFA*算法生成路径的影响，分别设置三条路径的权重参数为：path1:α_d＝0.8,α_t＝0.2,α_s＝0；path2:α_d＝0.5,α_t＝0.5,α_s＝0；path3:α_d＝0.2,α_t＝0.8,α_s＝0。三条路径结果如图6所示。可以看出，随着地形因子α_t的增大，MFA*算法生成的路径长度以及搜索时间变大，但路径整体综合平滑度更好，证明可以调节算法的距离最优性和安全最优性，可以在平坦的区域增大以增强算法的性能，而在危险的区域减小来确保生成路径的安全性。

然后本发明实验分析光照条件对MFA*算法生成路径的影响，在太阳光线高低角α_s＝30°，方位角β_s＝310°条件下设置权重参数为：pathA:α_d＝1,α_t＝0.8,α_s＝0.2；pathB:α_d＝1,α_t＝0.2,α_s＝0.8，两条路径结果如图7所示。可以看出在距离权重固定的情况下，调整地形权重α_t和光照权重α_s可以改变算法生成的路径，α_s占比较大的路径更侧重于光照充足的区域，证明MFA*算法可以调节路径的侧重情况，当月球车能量充足时可以增大α_t生成更加安全的路径，月球车能量不足时增大α_s生成光照条件更好的路径。

最后本发明实验对比分析了MFA*算法与其他算法的性能表现。将MFA*算法与标准A*算法，以及JPS算法进行对比，MFA*算法的权重因子设置为：α_d＝1,α_t＝0.5,α_s＝0.5,三条路径结果如图8所示。相比于其他两种算法，MFA*算法生成路径的平均综合平滑度提高大约20％，平均有效光照指数提高约10％，算法搜索时间相比于标准A*算法缩短80％，略高于JPS算法，说明MFA*算法提高了路径的安全性和太阳光照情况，并明显缩短了算法的搜索时间。

根据本发明的方法可实现月球车大范围自主探测的综合路径规划，为月球车探测规划问题研究提供了新的思路。

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (4)

1.一种基于月面数字高程地图的综合全局路径规划方法，其特征在于：包括以下步骤：

步骤一：基于月面DEM地图提取月面地形特征；所述月面地形特征包括地形坡度、地形起伏度以及地形粗糙度；所述提取月面地形特征的过程包括以步骤：

分别从DEM数据中提取坡度、起伏度以及粗糙度的月面地形信息，通过设置一个3×3大小的滚动窗口，在DEM地图上滚动计算每个窗口内的地形特征，即得到地形坡度、地形起伏度以及地形粗糙度；所述地形坡度、地形起伏度以及地形粗糙度分别如下：

地形坡度θ：

式中f_x、f_y为中心栅格东西方向和南北方向高程变化率；

地形起伏度R：

R＝H_max-H_min

式中H_max、H_min分别为窗口内的最大高程值与最小高程值；

地形粗糙度δ：

式中H_i为窗口内所有栅格对应的高程值，

为窗口内所有高程值的平均值；

步骤二：基于步骤一提取的月面特征生成综合平滑度地图；所述生成综合平滑度地图的过程包括以下步骤：

基于取的提取月面地形特征得到坡度平滑度S_slope、地形起伏平滑度S_relief、地形粗糙起伏度S_rough，然后确定平滑度：

S_com＝min(S_slope,S_relief,S_rough)

其中，min(·)表示取最小值；

坡度平滑度S_slope、地形起伏平滑度S_relief、地形粗糙起伏度S_rough分别如下：

θ_max、R_max、δ_max分别为最大坡度、起伏幅度和粗糙度的阈值；

步骤三：基于月面太阳方位信息生成太阳有效光照分布地图，并根据太阳有效光照分布地图确定太阳有效光照指数；所述太阳有效光照指数如下：

其中，

是位于月球表面位置的局部拟合平面法向量，

是太阳光线向量；

采用滚动窗口的形式依次计算出地图各位置的太阳有效光照指数；

步骤四：根据步骤二和步骤三生成的地形综合平滑度信息以及太阳有效光照指数确定多代价启发式函数；多代价启发式函数具体如下：

heuristic_cost(x,y)＝α_d·Dis(x,y)+α_t·(1-S_com)+α_s·(1-S_solar)

其中，Dis(·)为距离函数；α_d,α_t,α_s为权重系数；

步骤五：对于A*算法的每个节点，将步骤四的多代价启发式函数的多代价函数值作为A*算法中的每个节点的g(n)值，选择g(n)值变小的节点进行搜索，直到搜索到目标节点，然后根据parent表回溯构建路径。

2.根据权利要求1所述一种基于月面数字高程地图的综合全局路径规划方法，其特征在于，所述中心栅格东西方向和南北方向高程变化率f_x、f_y分别如下：

式中H₁-H₉分别为3x3窗口内部的9个栅格对应的高程值，g为DEM数据的分辨率大小。

3.根据权利要求2所述一种基于月面数字高程地图的综合全局路径规划方法，其特征在于，所述太阳光线向量

如下：

其中，太阳高度角为α_s；方位角为β_s，是太阳光相对月面正东方向的夹角。

4.根据权利要求3所述一种基于月面数字高程地图的综合全局路径规划方法，其特征在于，所述步骤五的过程如下：

步骤五一：进行初始化，包括OPEN表、启发式函数f(n)、g(n)，将g(n)初始化为极大值矩阵；

步骤五二：选择OPEN表内f(n)值最小的节点作为当前节点，对其所有邻居节点进行扩展；

步骤五三：选择g(n)值变小的节点进行探索；

步骤五四：更新g(n)值变小的邻居节点的f(n)值和OPEN表以及parent表；

步骤五五：重复迭代搜索，直到搜索到目标节点；

步骤五六：根据parent表回溯构建路径。

Images