CN112327885B - 一种无人船自适应全局-局部混合路径规划的方法 - Google Patents

Abstract

本发明提供一种无人船自适应全局‑局部混合路径规划的方法，包括：创建全局地图，建立无人船工作空间的环境模型；基于改进的Theta*算法，对无人船进行全局路径规划；基于改进的动态窗口法，对无人船进行局部路径的规划。本发明在Theta*算法中融入了自适应步长算法、二次LOS策略、不仅减小了算法计算量，而且还保证全局航路点最优，通过B‑Spline平滑策略，最终得到了便于无人船航行的曲率变化连续的全局路径，提升了安全性，减短了时间消耗。本发明改进的Theta*算法不仅在全局路径规划时找到了满足了无人船操纵特性的全局最优路径，还极大的缩短了运算时间；同时在传统动态窗口算法的基础上，在评价函数中引入了动态障碍物和全局航路点，增强了无人船避障时的安全性。

Description

一种无人船自适应全局-局部混合路径规划的方法

技术领域

本发明涉及无人船技术领域，具体而言，尤其涉及一种无人船自适应全局-局部混合路径规划的方法。

背景技术

最近几年，机器人技术与自动控制技术的发展飞快，无人水面航行器越来越被重视，海上的许多科研工作与工程任务都离不开它。全局静态规划和局部动态规划是无人船常见的划分类型，即按照对环境信息的预先可得性划分。全局和局部动态规划都包括多种算法，全局规划常见的算法有Dijkstra算法、A*算法等基于栅格地图的算法，还有一些智能搜索算法，例如：粒子群算法、遗传算法、蚁群算法等。但是这些算法的实用性不强，产生的路径可能在实际中不太可行。对于局部路径规划来说，常用的算法有动态窗口法、人工势场法、智能优化算法等。同样，这些算法自身还存在一些缺陷，如人工势场法虽被当前广泛应用，但是当在复杂海洋环境下时不能保证每次都能找到合适的可行路径。

发明内容

根据上述提出的技术问题，而提供一种无人船自适应全局-局部混合路径规划的方法。本发明通过对传统Theta*算法进行改进，在运用传统Theta*算法的基础上融入了自适应步长理论、二次LOS策略、B-Spline平滑策略，改进的Theta*算法不仅在全局路径规划时找到了满足了无人船操纵特性的全局最优路径，还极大的缩短了运算时间；同时，还对传统动态窗口算法进行改进，在评价函数中引入了动态障碍物和全局航路点，增强了无人船避障时的安全性。

本发明采用的技术手段如下：

一种无人船自适应全局-局部混合路径规划的方法，包括如下步骤：

S1、创建全局地图，建立无人船工作空间的环境模型；

S2、基于改进的Theta*算法，对无人船进行全局路径规划；

S3、基于改进的动态窗口法，对无人船进行局部路径的规划。

进一步地，所述步骤S1具体包括：

S11、划分区域，将海洋表面区域A划分为可行区域A_F和禁行区域A_U，即：

A＝A_F∪A_S∪A_D

其中，禁行区域A_U包括静态障碍物A_S和动态障碍区A_D；

S12、USV探测区域，假设无人船的探测半径为d_s，定义探测半径区域为：

A_DT(t)＝{s_p|||s_p-s(t)||≤d_s}

其中，s_p＝[x_p,y_p]^T表示p时刻无人船所处的位置坐标，s＝[x,y]^T为像素点的位置坐标；

S13、二值化地图，将原始彩色地图进行二值化处理，来区分可行区域和禁行区域；

S14、障碍物膨化处理，将所述二值化地图的障碍物边缘进行膨化处理；

S15、栅格地图映射，将膨化处理后的二值化地图以边长为2d_s的正方形作为基本单元，进行栅格映射，每个单元的中心点为潜在航路点。

进一步地，所述步骤S13具体包括：

S131、设定原始色彩的地图图像的灰度值范围为0～255，选取灰度值e将地图图像中像素点分成两个组(A：0～e，A：e～255)，地图图像中像素点总数为N，灰度值为i的像素点个数为n_i，p_i表示灰度值为i的像素点出现的概率，p_i＝n_i/N；

S132、计算地图图像的灰度值，计算公式如下所示：

u＝w₀·u₀+w₁·u₁

其中，为A组像素点在整个图像的占比，/>为A组像素点的平均灰度值；/>为B组像素点在整个图像的占比，/>为B组像素点的平均灰度值；

S133、选取合适的t值，根据地图图像的平均灰度计算间类方差：

g(t)＝ω₀ω₁(u₀-u₁)²

取t＝argmax(g(t))，得到相应的二值化地图M_b(s,g(s))，其中，f是像素点灰度函数：

得到二值化处理的地图可以有效辨别可行区域：

A_F＝{s|g(s)＝0}

A_U＝{s|g(s)＝1}。

进一步地，所述步骤S2具体包括：

S21、设定无人船的全局路径规划目标是最小化路径长度L_q，如下所示：

其中，N_n为生成的航路点总数，s₀＝s_s表示起始点，表示目标点；

S22、引入自适应调节步长算法，根据周围环境障碍物的存在情况，调节当前节点探索距离，距离当前节点5d_s处圆周内无障碍物时，计算圆周上栅格节点的代价值，选取最优节点作为下一节点；

S23、采用最小化代价函数作为评估目标点的评价函数，通过评价函数得出最优子节点；评价函数如下所示：

其中，是当前候选节点，/>表示/>的父节点，同时/>即是/>的子节点，prt(s₀)＝s_S，/>表示已生成路径的长度，/>n_p＝|S_p|-1， 表示当前节点/>与目标点s_E间的欧式距离，即：

S24、引入二次LOS策略，当检测到与/>存在LOS时，继续检测/>与是否存在LOS，直至检测到没有LOS为止，继续执行算法检测下一节点，得到最短的路径；

S25、进一步引入B-Spline的平滑策略，得到光滑的全局路径。

进一步地，所述步骤S25具体包括：

S251、将得到的航路点转化为平滑的路径；

S252、使用B-Spline插值方法，将航路点作为B-Spline基函数的控制点，得到基于k阶B-Spline的光滑路径：

其中，s_d(θ)＝[x(θ),y(θ)]^T，/>s_d(θ)＝[x(θ),y(θ)]^T, 是一个不递减的节点序列，分割Ω_θ得到节点向量B_i,k(θ)是由Boor-Cox递归函数定义的i次k阶的B-Spline基函数，其表达式如下：

其中，

S253、为了确保和/>在k阶B-Spline中精确地作为起始点和目标点，设置k个θ₀和/>即节点向量Θ扩展为：

最终得到光滑的全局路径。

进一步地，所述步骤S3具体包括：

S31、建立USV运动学模型，假设USV在时间间隔内作匀速直线运动，欠驱动USV的运动学模型如下所示：

其中，(x,y,ψ)表示惯性坐标系下无人船的位置和航向，(u,v,r)表示主体固定坐标系下无人船的前向、横向速度和航向角速度；

S32、基于建立的所述USV运动学模型进行速度采样，对所述USV运动学模型的制动距离进行约束：

USV速度约束：V_m＝{(u,r)|u∈[u_min,u_max],r∈[r_min,r_max]}

电机加减速约束：模拟航行时间间隔内，由于电机加减速限制带来的USV速度约束：其中为u_c、r_c为当前速度；/>为最大加速度；a_u 、a_r 为最大减速度；

USV制动距离约束：保证USV在紧急情况下能够在发生碰撞之前减速至0；其中，D(u,r)表示(u,r)轨迹与最近障碍物的欧氏距离，因此，结合V_m、V_a和V_d，可以获得复合约束集V_c，V_c＝V_m∩V_a∩V_d；

S33、基于改进的动态窗口法，通过改进后的评价函数对USV进行局部规划，得到兼顾全局最优和局部最优的局部路径；改进后的所述评价函数如下所示：

G(u,r)＝k₁H(u,r)+k₂D(u,r)+k₃D_d(u_m,r_m)+k₄V(u,r)

上式中函数具体表示为：

D＝‖s(u,r)-s_obs‖-d_s-d_so

D_d＝‖s(u_m,r_m)-s_obs‖-d_s-d_so

V＝s(u,r)。

较现有技术相比，本发明具有以下优点：

1、本发明提供的无人船自适应全局-局部混合路径规划的方法，基于改进的Theta*算法，对无人船进行全局路径规划；在Theta*算法中，引入自适应步长、二次LOS策略，不仅减小了算法计算量，而且还保证全局航路点最优，通过B-Spline平滑策略，最终得到了便于无人船航行的曲率变化连续的全局路径，提升了安全性，减短了时间消耗。

2、本发明提供的无人船自适应全局-局部混合路径规划的方法，基于改进的动态窗口法，对无人船进行局部路径的规划，通过在动态窗口法的评价函数中引入动态障碍物和全局航路点，增加了无人船在应对未知动态障碍物时的安全性，并增加了局部避碰路径的全局最优性。

3、本发明提供的无人船自适应全局-局部混合路径规划的方法，提出了障碍物边缘膨化、二值地图栅格映射方案，增加了全局航路点与实际障碍物的距离，保证了无人船的安全性。

基于上述理由本发明可在无人船等领域广泛推广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明方法流程图。

图2为本发明实施例提供的复杂海洋表面区域的划分示意图。

图3为本发明实施例提供的无人船探测区域示意图。

图4为本发明实施例提供的障碍物的膨化处理示意图。

图5为本发明实施例提供的栅格地图映射示意图。

图6为本发明实施例提供的自适应调节步长示意图。

图7为本发明实施例提供的Theta*算法轨迹示意图。

图8为本发明实施例提供的采用NLOS策略的轨迹示意图。

图9为本发明实施例提供的传统动态窗口法示意图。

图10为本发明实施例提供的改进的动态窗口法示意图。

图11为本发明实施例提供的辽宁大连星海湾现实地理区域示意图。

图12为本发明实施例提供的辽宁大连星海湾现实地理区域的二值化地图。

图13为本发明实施例提供的辽宁大连星海湾现实地理区域的二值地图障碍物膨化处理后的示意图。

图14为本发明实施例提供的辽宁大连星海湾现实地理区域的二值地图栅格映射示意图。

图15为本发明实施例提供的改进Theta*与传统Theta*路径比较示意图。

图16为本发明实施例提供的改进Theta*与改进A*路径规划比较示意图。

图17为本发明实施例提供的静态障碍物下局部路径比较示意图。

图18为本发明实施例提供的动态障碍物下局部路径比较示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

如图1所示，本发明提供了一种无人船自适应全局-局部混合路径规划的方法，包括如下步骤：

S1、创建全局地图，建立无人船工作空间的环境模型；

S2、基于改进的Theta*算法，对无人船进行全局路径规划；

S3、基于改进的动态窗口法，对无人船进行局部路径的规划。

具体实施时，作为本发明优选的实施方式，所述步骤S1具体包括：

S11、划分区域，如图2所示，将海洋表面区域A划分为可行区域A_F和禁行区域A_U，即：

A＝A_F∪A_S∪A_D

其中，禁行区域A_U包括静态障碍物A_S和动态障碍区A_D；

S12、USV探测区域，如图3所示，假设无人船的探测半径为d_s，定义探测半径区域为：

A_DT(t)＝{s_p|||s_p-s(t)||≤d_s}

其中，s_p＝[x_p,y_p]^T表示p时刻无人船所处的位置坐标，s＝[x,y]^T为像素点的位置坐标；

S13、二值化地图，将原始彩色地图进行二值化处理，来区分可行区域和禁行区域；

具体实施时，作为本发明优选的实施方式，所述步骤S13具体包括：

S131、设定原始色彩的地图图像的灰度值范围为0～255，选取灰度值e将地图图像中像素点分成两个组(A：0～e，A：e～255)，地图图像中像素点总数为N，灰度值为i的像素点个数为n_i，p_i表示灰度值为i的像素点出现的概率，p_i＝n_i/N；

S132、计算地图图像的灰度值，计算公式如下所示：

u＝w₀·u₀+w₁·u₁

其中，为A组像素点在整个图像的占比，/>为A组像素点的平均灰度值；/>为B组像素点在整个图像的占比，/>为B组像素点的平均灰度值；

S133、选取合适的t值，根据地图图像的平均灰度计算间类方差：

g(t)＝ω₀ω₁(u₀-u₁)²

取t＝argmax(g(t))，得到相应的二值化地图M_b(s,g(s))，其中，f是像素点灰度函数：

得到二值化处理的地图可以有效辨别可行区域：

A_F＝{s|g(s)＝0}

A_U＝{s|g(s)＝1}。

S14、障碍物膨化处理，如图4所示，为减小航行风险，将所述二值化地图的障碍物边缘进行膨化处理，由此避免了规划的路径与障碍物距离太近。

S15、栅格地图映射，如图5所示，将膨化处理后的二值化地图以边长为2d_s的正方形作为基本单元，进行栅格映射，每个单元的中心点为潜在航路点。

具体实施时，作为本发明优选的实施方式，所述步骤S2具体包括：

S21、设定无人船的全局路径规划目标是最小化路径长度L_q，如下所示：

其中，N_n为生成的航路点总数，s₀＝s_s表示起始点，表示目标点；

S22、在传统Theta*算法中，当前节点向下一节点探索时，依据评价函数从周围八个节点中选取代价值最小的点作为候选节点，当地图过大或栅格过多时，会导致计算量过大。本发明采用了自适应调节步长的方式，根据周围环境障碍物的存在情况，调节当前节点探索距离。即引入自适应调节步长算法，根据周围环境障碍物的存在情况，调节当前节点探索距离，如图6所示，距离当前节点5d_s处圆周内无障碍物时，计算圆周上栅格节点的代价值，选取最优节点作为下一节点；

S23、受到传统的Theta*算法的启发，采用最小化代价函数作为评估目标点的评价函数，通过评价函数得出最优子节点；评价函数如下所示：

其中，是当前候选节点，/>表示/>的父节点，同时/>即是/>的子节点，prt(s₀)＝s_S，/>表示已生成路径的长度，/>n_p＝|S_p|-1， 表示当前节点/>与目标点s_E间的欧式距离，即：

S24、传统Theta*算法在确定下一节点前，对周围节点与当前节点的父节点做视线检测。如果存在LOS，则/>的父节点被更新为/>因此传统Theta*算法能够突破栅格限制，从任意的角度找到可行的路径，但是缺点是不能保证产生的路径是最短的。如图7所示，传统Theta*算法经过LOS处理后，D2的父节点变为B4，但最短路径应是A6与D2的连线。就此问题，本发明引入二次LOS策略，当检测到/>与/>存在LOS时，继续检测/>与/>是否存在LOS，直至检测到没有LOS为止，继续执行算法检测下一节点，如图8所示，得到最短的路径；

S25、进一步引入B-Spline的平滑策略，得到光滑的全局路径。

具体实施时，作为本发明优选的实施方式，所述步骤S25具体包括：

S251、将得到的航路点转化为平滑的路径；

S252、使用B-Spline插值方法，将航路点作为B-Spline基函数的控制点，得到基于k阶B-Spline的光滑路径：

其中，s_d(θ)＝[x(θ),y(θ)]^T，/>s_d(θ)＝[x(θ),y(θ)]^T, 是一个不递减的节点序列，分割Ω_θ得到节点向量B_i,k(θ)是由Boor-Cox递归函数定义的i次k阶的B-Spline基函数，其表达式如下：

其中，

S253、为了确保和/>在k阶B-Spline中精确地作为起始点和目标点，设置k个θ₀和/>即节点向量Θ扩展为：

最终得到光滑的全局路径。

针对复杂海洋环境不确定性，未知的动/静态障碍物问题和传统动态窗口法只考虑局部最优，而可能导致的USV与动态障碍物发生碰撞，以及局部避碰时间过长这两个问题，本发明对动态窗口法加以改进，考虑局部避碰的全局最优性，并将动态障碍与静态障碍物合理区分，增加了USV在未知环境中航行的安全性。具体实施时，作为本发明优选的实施方式，所述步骤S3具体包括：

S31、建立USV运动学模型，假设USV在时间间隔内作匀速直线运动，欠驱动USV的运动学模型如下所示：

其中，(x,y,ψ)表示惯性坐标系下无人船的位置和航向，(u,v,r)表示主体固定坐标系下无人船的前向、横向速度和航向角速度；对于欠驱动USV来说，只需要考虑前向速度和航向角速度。

S32、基于建立的所述USV运动学模型进行速度采样，为了保证USV在遇到紧急情况下能够在有效距离中停止，需要对所述USV运动学模型的制动距离进行约束：

USV速度约束：V_m＝{(u,r)|u∈[u_min,u_max],r∈[r_min,r_max]}

电机加减速约束：模拟航行时间间隔内，由于电机加减速限制带来的USV速度约束：其中为u_c、r_c为当前速度；/>为最大加速度；a_u 、a_r 为最大减速度；

USV制动距离约束：保证USV在紧急情况下能够在发生碰撞之前减速至0；其中，D(u,r)表示(u,r)轨迹与最近障碍物的欧氏距离，因此，结合V_m、V_a和V_d，可以获得复合约束集V_c，V_c＝V_m∩V_a∩V_d；

S33、传统的动态窗口法的评价函数为：

G(u,r)＝k₁H(u,r)+k₂D(u,r)+k₃V(u,r)

其中，k₁,k₂,k₃＞0是自定义权重，H(u,r)为方位角评价函数，即表示当前USV模拟轨迹的终点方向与目标点s_E间的的航向角偏差，V(u,r)为当前模拟速度的评价函数，此评价值越大，能够在速度可行范围内更快的接近目标点的速度，以上三个函数具体表示为：

D＝‖s(u,r)-s_obs‖-d_s-d_so

V＝s(u,r)

如图9所示，为USV在预测位置上的航行方向与目标点间的夹角，d_so为膨化处理后障碍物的半径长度。如图10所示，将动态窗口法进行以下两方面的改进；一方面是本算法将USV当前位置与全局航路点的方位角偏差/>考虑到评价函数中，/>为全局航路点的方向，全局航路点是USV前进方向上距离当前位置最近的全局最优航路点；另一方面是考虑安全性，本发明分别考虑USV与最近的动态和静态障碍物的距离，D(u,r)表示USV与最近静态障碍物距离，D_d(u_m,r_m)表示USV与最近动态障碍物距离，通过改进后的评价函数对USV进行局部规划，得到兼顾全局最优和局部最优的局部路径；改进后的所述评价函数如下所示：

G(u,r)＝k₁H(u,r)+k₂D(u,r)+k₃D_d(u_m,r_m)+k₄V(u,r)

上式中函数具体表示为：

D＝‖s(u,r)-s_obs‖-d_s-d_so

D_d＝‖s(u_m,r_m)-s_obs‖-d_s-d_so

V＝s(u,r)。

为了验证本发明方法的有效性，进行了仿真实验，如图13-14所示，在辽宁大连的星海湾现实地理区域，综合进行了全局、局部和混合路径规划方案。所有的模拟都是在一台由MATLAB R2018a运行的Intel i5 1.7GHz和8GB RAM的PC机上进行的，其中所使用的参数如表1所示。

表1仿真参数

一、环境建模：二值化处理原始色彩地图，使可行区域与禁行区域被合理划分，再将障碍物膨化处理，与未膨化处理的二值化地图进行对比，最后再将膨化的障碍物进行栅格映射。如图11所示，为大连星海湾原始色彩地图。如图12所示，将色彩地图二值化处理。如图13所示，为经过障碍物膨化后的二值化地图。进一步地，将通过膨化处理的二值地图进行栅格映射，如图14所示，初始地图的环境建模完成。

二、全局路径规划：图15展示了改进Theta*算法与传统Theta*算法在全局路径规划方面的表现。相同点是它们都能成功到达目的地，不同点如表2所示，改进Theta*算法在安全性、路径合理性、消耗时间等方面均获得了显著地提升。

表2全局路径规划比较

在图16中，分别采用改进Theta*算法与改进A*算法在完全相同的海洋条件下为无人船做路径规划。可以看出改进Theta*算法所得的路径避免了A*算法中存在转折点多、转弯角度大的缺陷等问题；另外改进Theta*算法虽然路径长度较长，但是极大地提高了路径安全性；且显著地提高了路径规划的速度。

三、局部路径规划：图17展示了在全局路径周围加入静态障碍物时，通过改进DWA算法和传统DWA算法进行局部避障时各自的表现。这两种算法均能成功的避开静态障碍并且快速回到全局路径，最终到达目标点。但是相比之下改进DWA算法更能考虑全局航路点，当全局航路点与最终目标点不在同一方向时，该算法能保证全局与局部都是最优的。具体如表3所示。

表3局部路径规划比较

改进DWA算法在一定程度上增加了安全性；对比局部路径长度，改进DWA算法更加符合路径规划算法现实需求；除此之外，从图17可以看到，改进DWA算法所规划出的局部路径有更少的转折点、更小的转弯角度，有利于无人船的跟踪路径。

图18展示了在引入动态障碍物时改进DWA算法和传统DWA算法进行局部路径规划的表现。通过对比，改进DWA算法完成局部动态避障时产生的路径更加平滑；改进的DWA算法在评价函数中引入全局航路点，当全局航路点与最终目标点不在同一方向时，该算法能保证路径最优性。而且改进DWA算法虽然在一定程度上牺牲了局部路径长度和泊耗时间，但是显著提高了路径安全性。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (4)

1.一种无人船自适应全局-局部混合路径规划的方法，其特征在于，包括如下步骤：

S1、创建全局地图，建立无人船工作空间的环境模型；

S2、基于改进的Theta*算法，对无人船进行全局路径规划，所述步骤S2具体包括：

S21、设定无人船的全局路径规划目标是最小化路径长度L_q，如下所示：

其中，N_n为生成的航路点总数，s_n＝s_s表示起始点，表示目标点；

S22、引入自适应调节步长算法，根据周围环境障碍物的存在情况，调节当前节点探索距离，距离当前节点5d_s处圆周内无障碍物时，计算圆周上栅格节点的代价值，选取最优节点作为下一节点；

S23、采用最小化代价函数作为评估目标点的评价函数，通过评价函数得出最优子节点；评价函数如下所示：

其中，是当前候选节点，/>表示/>的父节点，同时/>即/>是的子节点，prt(s_n)＝s_S，/>表示已生成路径/>的长度，/>n_p＝|S_p|-1，/>表示当前节点/>与目标点s_E间的欧式距离，即：

S24、引入二次LOS策略，当检测到与/>存在LOS时，继续检测/>与/>是否存在LOS，直至检测到没有LOS为止，继续执行算法检测下一节点，得到最短的路径；

S25、进一步引入B-Spline的平滑策略，得到光滑的全局路径；

S3、基于改进的动态窗口法，对无人船进行局部路径的规划，所述步骤S3具体包括：

S31、建立USV运动学模型，假设USV在时间间隔内作匀速直线运动，欠驱动USV的运动学模型如下所示：

其中，(x,y,ψ)表示惯性坐标系下无人船的位置和航向，(u,v,r)表示主体固定坐标系下无人船的前向、横向速度和航向角速度；

S32、基于建立的所述USV运动学模型进行速度采样，对所述USV运动学模型的制动距离进行约束：

USV速度约束：V_m＝{(u,r)|u∈[u_min,u_max],r∈[r_min,r_max]}

电机加减速约束：模拟航行时间间隔内，由于电机加减速限制带来的USV速度约束：其中为u_c、r_c为当前速度；/>为最大加速度；a_u 、a_r 为最大减速度；

USV制动距离约束：保证USV在紧急情况下能够在发生碰撞之前减速至0；其中，D(u,r)表示(u,r)轨迹与最近障碍物的欧氏距离，因此，结合V_m、V_a和V_d，可以获得复合约束集V_c，V_c＝V_m∩V_a∩V_d；

S33、基于改进的动态窗口法，通过改进后的评价函数对USV进行局部规划，得到兼顾全局最优和局部最优的局部路径；改进后的所述评价函数如下所示：

G(u,r)＝k₁H(u,r)+k₂D(u,r)+k₃D_d(u_m,r_m)+k₄V(u,r)

其中，G(u,r)表示改进后的评价函数；k₁，k₂，k₃，k₄表示自定义权重；H(u,r)表示方位角评价函数；D(u,r)表示USV与最近静态障碍物距离；D_d(u_m,r_m)表示USV与最近动态障碍物距离；V(u,r)表示当前模拟速度的评价函数；

上式中函数具体表示为：

D＝‖s(u,r)-s_obs‖-d_s-d_so

D_d＝‖s(u_m,r_m)-s_obs‖-d_s-d_so

V＝s(u,r)

其中，表示预测位置上的航行方向；/>表示目标点的航行方向；/>表示全局航路点的方向；d_so表示膨化处理后障碍物的半径长度。

2.根据权利要求1所述的无人船自适应全局-局部混合路径规划的方法，其特征在于，所述步骤S1具体包括：

S11、划分区域，将海洋表面区域A划分为可行区域A_F和禁行区域A_U，即：

A＝A_FUA_SUA_D

其中，禁行区域A_U包括静态障碍物A_S和动态障碍区A_D；

S12、USV探测区域，假设无人船的探测半径为d_s，定义探测半径区域为：

A_DT(t)＝{s_p|||s_p-s||≤d_s}

其中，s_p＝[x_p,y_p]^T表示p时刻无人船所处的位置坐标，s＝[x,y]^T为像素点的位置坐标；

S13、二值化地图，将原始彩色地图进行二值化处理，来区分可行区域和禁行区域；

S14、障碍物膨化处理，将所述二值化地图的障碍物边缘进行膨化处理；

S15、栅格地图映射，将膨化处理后的二值化地图以边长为2d_s的正方形作为基本单元，进行栅格映射，每个单元的中心点为潜在航路点。

3.根据权利要求2所述的无人船自适应全局-局部混合路径规划的方法，其特征在于，所述步骤S13具体包括：

S131、设定原始色彩的地图图像的灰度值范围为0～255，选取灰度值e将地图图像中像素点分成两个组(A：0～e，A：e～255)，地图图像中像素点总数为N，灰度值为i的像素点个数为n_i，p_i表示灰度值为i的像素点出现的概率，p_i＝n_i/N；

S132、计算地图图像的灰度值，计算公式如下所示：

u＝w₀·u₀+w₁·u₁

其中，为A组像素点在整个图像的占比，/>为A组像素点的平均灰度值；/>为B组像素点在整个图像的占比，/>为B组像素点的平均灰度值；

S133、选取合适的t值，根据地图图像的平均灰度计算间类方差：

g(t)＝w₀w₁(u₀-u₁)²

取t＝argmax(g(t))，得到相应的二值化地图M_b(s,g(s))，其中，f是像素点灰度函数：

得到二值化处理的地图可以有效辨别可行区域：

A_F＝{s|g(s)＝0}

A_U＝{s|g(s)＝1}。

4.根据权利要求1所述的无人船自适应全局-局部混合路径规划的方法，其特征在于，所述步骤S25具体包括：

S251、将得到的航路点转化为平滑的路径；

S252、使用B-Spline插值方法，将航路点作为B-Spline基函数的控制点，得到基于k阶B-Spline的光滑路径：

其中，s_d(θ)＝[x(θ),y(θ)]^T，/>是一个不递减的节点序列，分割Ω_θ得到节点向量/> B_i,k(θ)是由Boor-Cox递归函数定义的i次k阶的B-Spline基函数，其表达式如下：

其中，

S253、为了确保和/>在k阶B-Spline中精确地作为起始点和目标点，设置k个θ₀和即节点向量Θ扩展为：

最终得到光滑的全局路径。