CN112099501B - 一种基于势场参数优化的无人艇路径规划方法 - Google Patents

Abstract

本发明属于无人艇路径规划技术领域，具体涉及一种基于势场参数优化的无人艇路径规划方法。本发明通过多个引力和斥力增益系数进行路径规划，同时考虑避碰系数、长度系数和转角系数三个评价系数，在传统人工势场法的基础上，借鉴了经典的遗传算法，使规划出来的路径既避免了局部极小点，又能够满足无人艇的运动约束，能够得到最优路径。

Description

一种基于势场参数优化的无人艇路径规划方法

技术领域

本发明属于无人艇路径规划技术领域，具体涉及一种基于势场参数优化的无人艇路径规划方法。

背景技术

近年来，随着无人艇技术研究的深入，对路径规划的研究也越来越成为海上智能交通的热点问题。路径规划对于水面无人艇来说是实现自主航行的核心，更是无人艇安全航行和执行任务的基本保障，在某种程度上代表了无人艇智能化水平的高低，同时也是无人艇安全航行和执行任务的基本保障，因此，寻找一种合理高效的路径规划技术是无人艇研究的重要方向。

专利号201910550879.X，专利名称为“一种基于人工势场法的路径规划方法”，提供了一种基于人工势场法的路径规划方法，解决了在现有技术中，移动机械的路径规划一般采用人为设定或一些简单的算法进行，若遇到移动环境复杂、障碍物处于移动状态或人工难以获取当前环境数据时则难以及时的通过机械化算法给出最优路径，增加人力支出的同时降低了工作效率的问题。但是该方法并没有对人工势场法进行改进，存在局部极小值问题，会使得无人艇陷入局部最小值，使得路径规划失败。

专利号201710839806.3，专利名称为“一种考虑约束的无人艇靠泊行为轨迹规划”，提出了一种基于近障碍前瞻补偿的方法，解决了传统人工势场法中的局部极小值问题和轨迹拐角过大问题。但是该方法在计算势场引力和势场斥力的时候，将引力增益常数和斥力增益常数默认为1，并没有可考虑其他的情况，导致规划出的路径虽然比较光顺，但是不一定是最优路径。

文献“改进人工势场法的移动机器人路径规划”中，陈金鑫等人针对传统人工势场法应用于移动机器人路径规划存在的局部极小等缺陷，提出了基于斥力偏转的改进人工势场模型，同时为了解决机器人目的地周围有障碍物群形成的高势场导致机器人无法靠近目的地的问题，提出了斥力增益系数函数，顺利解决了目标不可达问题。但是该方法只考虑斥力增益函数，而对于引力增益函数未进行考虑。

文献“人工势场法路径规划的差分进化参数优化研究”中，赵文瑜等人为解决传统势场法参数设置不当导致路径不平滑、计算效率低等问题，以路径最短为目标，提出了差分进化算法来优化传统人工势场法的三个参数，即引力场增益系数、斥力场增益系数以及障碍物的影响距离。但是，该方法并没有详细地构建出评价函数的具体计算方式，仅仅存在一个笼统的概念，所以并不能有效地显现出该方法的优越性。

发明内容

本发明的目的在于提供使规划出来的路径既避免了局部极小点，又能够满足无人艇的运动约束的一种基于势场参数优化的无人艇路径规划方法。

本发明的目的通过如下技术方案来实现：包括以下步骤：

步骤1：初始化环境信息，确定无人艇的起始点坐标X₀(x₀,y₀)、障碍物的坐标X_z(x_z,y_z)、目标点的坐标X_g(x_g,y_g)、障碍物最大影响半径ρ₀和无人艇的步长l；设定遗传算法中初始种群中个体数目N和最大的遗传代数G；

步骤2：创建初始种群，初始种群中有N个初始个体，每个初始个体为一组引力增益常数和斥力增益常数(k_i,η_i)，i＝1,2,...,N；

步骤3：利用人工势场法，获取种群中每个个体规划的路径；

对于种群中任意个体(k_i,η_i)，以k_i为引力增益常数，η_i为斥力增益常数，采用人工势场法规划的路径为{X_i1,X_i2,...X_ij,...,X_g}；X_ij(x_ij,y_ij)为第j个路径点，j＝1,2,...,n_i，n_i为路径点的总数，X_i1＝X₀，

x_ij+1＝x_ij+l cosθ_ij

y_ij+1＝y_ij+l sinθ_ij

F_att(x_ij)＝k_i(x_g-x_ij)

F_att(y_ij)＝k_i(y_g-y_ij)

其中，ρ_ij为第j个路径点与障碍物之间的距离，

步骤4：计算种群中每个个体规划的路径的评价函数值；

对于种群中任意个体(k_i,η_i)规划的路径{X_i1,X_i2,...X_ij,...,X_g}的评价函数值F_i为：

F_i＝αf_i1-βf_i2-γf_i3

其中，f_i1为避碰系数，f_i2为长度系数，f_i3为转角系数；α、β、γ为对应系数的权重，且α+β+γ＝1；避碰系数f_i1为在斥力影响范围内，路径点到障碍物的距离最大值；f_i1＝max(ρ_ij)，ρ_ij≤ρ₀；长度系数f_i2为规划的路径总长度，f_i2＝n_il；转角系数f_i3为路径上相邻路径点之间的转角最大值，

步骤5：判断是否达到最大的遗传代数G；若未达到最大的遗传代数G，则选择评价函数值最高的种群个体作为遗传算法下一代的父代，对种群进行“交叉”和“变异”操作，更新种群后返回步骤3；若已达到最大的遗传代数G，则选择评价函数值最高的种群个体规划的路径输出，完成无人艇的路径规划。

本发明还可以包括：

所述的步骤5中对进行“交叉”和“变异”操作，交叉概率p_c与变异概率p_e为：

p_c＝e^-0.5T/G

p_e＝e^-0.1T/G-1

其中，T为当前的遗传代数。

本发明的有益效果在于：

本发明通过多个引力和斥力增益系数进行路径规划，同时考虑避碰系数、长度系数和转角系数三个评价系数，在传统人工势场法的基础上，借鉴了经典的遗传算法，使规划出来的路径既避免了局部极小点，又能够满足无人艇的运动约束，能够得到最优路径。

附图说明

图1为本发明的流程图。

图2为无人艇在势场中的受力图。

图3为路径侧移系数示意图。

图4为路径拐角系数示意图。

具体实施方式

下面结合附图对本发明做进一步描述。

本发明设计了一种基于势场参数优化的无人艇路径规划方法，具体步骤如下：S1初始化环境信息，包括无人艇的位置信息、障碍物的位置信息、目标点的位置信息；S2创建初始种群，形成多个不同的势场函数常数k、η；S3利用S2形成的常数计算势场对无人艇产生的引力和斥力，进而算得合力，然后规划多条路径；S4计算S3形成的各条可行路径的评价函数值F；S5选择评价函数值F高的种群个体作为遗传算法下一代的父代；S6对于经过选择的参数进行交叉操作和变异操作；S7判断是否达到最大的遗传代数，如果已经达到最大遗传代数，输出优化后的参数，进行评价函数值计算后选择最优的参数进行路径规划，最后输出最优路径；否则，更新种群X返回步骤S3，直至达到最大遗传代数。

本发明通过多个引力和斥力增益系数进行路径规划，同时考虑避碰系数、长度系数和转角系数三个评价系数，在传统人工势场法的基础上，借鉴了经典的遗传算法，使规划出来的路径既避免了局部极小点，又能够满足无人艇的运动约束，能够得到最优路径。

一种基于势场参数优化的无人艇路径规划方法，包括以下步骤：

步骤1：初始化环境信息，确定无人艇的起始点坐标X₀(x₀,y₀)、障碍物的坐标X_z(x_z,y_z)、目标点的坐标X_g(x_g,y_g)、障碍物最大影响半径ρ₀和无人艇的步长l；设定遗传算法中初始种群中个体数目N和最大的遗传代数G；

步骤2：创建初始种群，初始种群中有N个初始个体，每个初始个体为一组引力增益常数和斥力增益常数(k_i,η_i)，i＝1,2,...,N；

步骤3：利用人工势场法，获取种群中每个个体规划的路径；

对于种群中任意个体(k_i,η_i)，以k_i为引力增益常数，η_i为斥力增益常数，采用人工势场法规划的路径为{X_i1,X_i2,...X_ij,...,X_g}；X_ij(x_ij,y_ij)为第j个路径点，j＝1,2,...,n_i，n_i为路径点的总数，X_i1＝X₀，X_ini＝X_g；

x_ij+1＝x_ij+l cosθ_ij

y_ij+1＝y_ij+l sinθ_ij

F_att(x_ij)＝k_i(x_g-x_ij)

F_att(y_ij)＝k_i(y_g-y_ij)

其中，ρ_ij为第j个路径点与障碍物之间的距离，

步骤4：计算种群中每个个体规划的路径的评价函数值；

对于种群中任意个体(k_i,η_i)规划的路径{X_i1,X_i2,...X_ij,...,X_g}的评价函数值F_i为：

F_i＝αf_i1-βf_i2-γf_i3

其中，f_i1为避碰系数，f_i2为长度系数，f_i3为转角系数；α、β、γ为对应系数的权重，且α+β+γ＝1；避碰系数f_i1为在斥力影响范围内，路径点到障碍物的距离最大值；f_i1＝max(ρ_ij)，ρ_ij≤ρ₀；长度系数f_i2为规划的路径总长度，f_i2＝n_il；转角系数f_i3为路径上相邻路径点之间的转角最大值，

步骤5：判断是否达到最大的遗传代数G；若未达到最大的遗传代数G，则选择评价函数值最高的种群个体作为遗传算法下一代的父代，对种群进行“交叉”和“变异”操作，更新种群后返回步骤3；若已达到最大的遗传代数G，则选择评价函数值最高的种群个体规划的路径输出，完成无人艇的路径规划；交叉概率p_c与变异概率p_e为：

p_c＝e^-0.5T/G

p_e＝e^-0.1T/G-1

其中，T为当前的遗传代数。

实施例1：

本发明公开一种基于势场参数优化的无人艇路径规划方法，具体步骤如下：

S1初始化环境信息，包括无人艇的位置信息、障碍物的位置信息、目标点的位置信息；

S2创建初始种群，形成多个不同的势场函数常数k、η；

S3利用S2形成的常数计算势场对无人艇产生的引力和斥力，进而算得合力，然后规划多条路径；

S4计算S3形成的各条可行路径的评价函数值F；

S5选择评价函数值F高的种群个体作为遗传算法下一代的父代；

S6对于经过选择的参数进行交叉操作和变异操作；

S7判断是否达到最大的遗传代数，如果已经达到最大遗传代数，输出优化后的参数，进行评价函数值计算后选择最优的参数进行路径规划，最后输出最优路径；否则，更新种群X返回步骤S3，直至达到最大遗传代数。

步骤S3中利用多个不同的引力增益常数k和斥力增益常数η进行多条可行路径的规划，并在步骤S4中利用评价函数来自计算每条路径的代价值F；

步骤S6中，按照一定的交叉概率和变异概率对选择后参数进行遗传算法的优化。

首先，由遗传算法随机生成一个50×2的随机种群，即50个不同的k、η，然后利用人工势场法初步规划50条可行路径，人工势场法的原理及路径规划方法如下：

目标点产生引力场，障碍物产生斥力场，将两种势场相叠加。因此，有如下定义公式：

U＝U_att+U_rep (1)

式中：U_att为目标点对机器人的作用所产生的虚拟引力场，U_rep为障碍物对机器人的作用所产生的虚拟斥力场。两种势场所产生力的方向分别为斥力场和引力场的负梯度方向，合力F为：

F＝F_att+F_rep (2)

式中：F_att为目标点所产生引力场对机器人产生的引力，F_rep为障碍物所产生斥力场对机器人产生的斥力。

(1)引力场

机器人在工作区域的位置用X＝(x,y)^T表示，则引力势函数可以定义为：

式中：U_att为目标点所产生的引力场，k为增益常数，X为机器人实时得位置，X_g为目标点的位置，则引力可以表示为：

F_att＝-grad(U_att)＝k(X_g-X) (4)

(2)斥力场

对于斥力势函数表达式如下。

式中：U_rep为障碍物所产生的斥力场，η为增益常数，ρ为机器人与障碍物之间的距离，ρ₀为障碍物的影响半径，当机器人在障碍物影响半径ρ₀之外时，该障碍物时将不对机器人产生斥力的作用。斥力的计算方法表示为：

机器人受到的合力为F＝F_att+F_rep，该力决定了机器人的运动。然后，根据下式计算合力角度：

路径规划的步骤首先是要建立势场模型，对各个参数进行初始化，需要初始化的参数有：引力增益常数k，斥力增益常数η，障碍物最大影响半径ρ₀，程序每运行一步无人艇所走的长度即无人艇的步长l，通过该步长结合时间可以求得无人艇的速度，给定无人艇的起始点坐标X₀、障碍物的位置信息X、目标点的位置信息X_g。然后，判断每一步中对无人艇有斥力的障碍物，根据上述公式计算斥力或者斥力的合力，再将该合力与引力矢量叠加，根据公式(7)计算合力角度θ。最后，按照公式(8)计算下一步的位置：

无人艇移动至(x_k+1,y_k+1)，无人艇运行一步后步数k＝k+1，无人艇的位置由(x_k,y_k)变成了(x_k+1,y_k+1)。

遗传算法进行参数优化的步骤如下：

首先，初始化参数。确定最大遗传代数G，引力增益常数k、斥力增益常数η的取值范围。

然后，确定参数编码方式和长度。两个参数均采用8位二进制字符进行编码，故而染色体上基因总长度为16，记为P＝p₁p₂…p₁₆。

随机产生50个个体构成初始种群，即代表产生50个不同的k、η，然后利用人工势场法初步规划50条可行路径。

然后，计算每个个体的种群适应度F，适应度计算方式如公式(9)：

F_i＝αf_i1-βf_i2-γf_i3 (9)

其中，f_i1为避碰系数，f_i2为长度系数，f_i3为转角系数；α，β，γ为对应系数的权重，而且满足α+β+γ＝1.

避碰系数由在斥力影响范围内的所有路径点到相应障碍物的距离最大值表示，见图3，计算公式如下：

f_i1＝max(ρ_ij) (10)

长度系数由路径上所有的相隔路径点之间的距离和来表示，计算公式如下：

f_i2＝n_il (11)

转角系数由路径上相邻路径点之间的转角最大值来表示，见图4，计算公式如下：

通过遗传算法中的“选择”操作，选择评价函数值F高的种群个体组成下一代的父代。

然后再对选择过后的种群进行“交叉”和“变异”操作，对最后生成的种群进行评价函数值的计算，同时判断是否达到了最大遗传代数。若已经达到最大的遗传代数，则选择F最大的一组种群输出k和η，然后利用该参数重新进行路径规划；若未达到最大的遗传代数，则更新种群X，然后返回步骤S3,重新对种群进行遗传操作。

采用单点交叉和单点变异算子对种群进行遗传操作，产生下一代种群，其中交叉概率与变异概率取值方法如下：

p_c＝e^-0.5T/G (13)

p_e＝e^-0.1T/G-1 (14)

其中，T表示当前进化代数。

最后，重复S3-S7，直至参数连续10代不发生变化或者达到最大遗传代数为止，输出k和η，然后利用该参数重新进行路径规划。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于势场参数优化的无人艇路径规划方法，其特征在于，包括以下步骤：

步骤1：初始化环境信息，确定无人艇的起始点坐标X₀(x₀,y₀)、障碍物的坐标X_z(x_z,y_z)、目标点的坐标X_g(x_g,y_g)、障碍物最大影响半径ρ₀和无人艇的步长l；设定遗传算法中初始种群中个体数目N和最大的遗传代数G；

步骤2：创建初始种群，初始种群中有N个初始个体，每个初始个体为一组引力增益常数和斥力增益常数(k_i,η_i)，i＝1,2,...,N；

步骤3：利用人工势场法，获取种群中每个个体规划的路径；

对于种群中任意个体(k_i,η_i)，以k_i为引力增益常数，η_i为斥力增益常数，采用人工势场法规划的路径为{X_i1,X_i2,...X_ij,...,X_g}；X_ij(x_ij,y_ij)为第j个路径点，j＝1,2,...,n_i，n_i为路径点的总数，X_i1＝X₀，

x_ij+1＝x_ij+lcosθ_ij

y_ij+1＝y_ij+lsinθ_ij

F_att(x_ij)＝k_i(x_g-x_ij)

F_att(y_ij)＝k_i(y_g-y_ij)

其中，ρ_ij为第j个路径点与障碍物之间的距离，

步骤4：计算种群中每个个体规划的路径的评价函数值；

对于种群中任意个体(k_i,η_i)规划的路径{X_i1,X_i2,...X_ij,...,X_g}的评价函数值F_i为：

F_i＝αf_i1-βf_i2-γf_i3

其中，f_i1为避碰系数，f_i2为长度系数，f_i3为转角系数；α、β、γ为对应系数的权重，且α+β+γ＝1；避碰系数f_i1为在斥力影响范围内，路径点到障碍物的距离最大值；f_i1＝max(ρ_ij)，ρ_ij≤ρ₀；长度系数f_i2为规划的路径总长度，f_i2＝n_il；转角系数f_i3为路径上相邻路径点之间的转角最大值，

步骤5：判断是否达到最大的遗传代数G；若未达到最大的遗传代数G，则选择评价函数值最高的种群个体作为遗传算法下一代的父代，对种群进行“交叉”和“变异”操作，更新种群后返回步骤3；若已达到最大的遗传代数G，则选择评价函数值最高的种群个体规划的路径输出，完成无人艇的路径规划。

2.根据权利要求1所述的一种基于势场参数优化的无人艇路径规划方法，其特征在于：所述的步骤5中对进行“交叉”和“变异”操作，交叉概率p_c与变异概率p_e为：

p_c＝e^-0.5T/G

p_e＝e^-0.1T/G-1

其中，T为当前的遗传代数。

Images