CN112556686A - 可预测动态时空环境的最短时间路径规划方法 - Google Patents
可预测动态时空环境的最短时间路径规划方法 Download PDFInfo
- Publication number
- CN112556686A CN112556686A CN202011424479.3A CN202011424479A CN112556686A CN 112556686 A CN112556686 A CN 112556686A CN 202011424479 A CN202011424479 A CN 202011424479A CN 112556686 A CN112556686 A CN 112556686A
- Authority
- CN
- China
- Prior art keywords
- time
- environment
- space
- dynamic
- influence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 104
- 230000007613 environmental effect Effects 0.000 claims abstract description 42
- 238000010845 search algorithm Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 16
- 239000002689 soil Substances 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 12
- 238000004364 calculation method Methods 0.000 description 35
- 230000003068 static effect Effects 0.000 description 34
- 238000004422 calculation algorithm Methods 0.000 description 32
- 238000002474 experimental method Methods 0.000 description 22
- 238000011156 evaluation Methods 0.000 description 21
- 238000011160 research Methods 0.000 description 15
- 238000005457 optimization Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000001556 precipitation Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 150000003512 tertiary amines Chemical class 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 108060001621 Isoprenylcysteine carboxyl methyltransferase Proteins 0.000 description 1
- 241000598039 Promethes Species 0.000 description 1
- 102100035033 Protein-S-isoprenylcysteine O-methyltransferase Human genes 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003891 environmental analysis Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Automation & Control Theory (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于地理信息系统技术领域，公开一种可预测动态时空环境的最短时间路径规划方法，包括：步骤1：对影响行进速度的各类环境因素进行量化；步骤2：综合评估各类环境因素对行进速度的影响，并根据任意空间在任意时刻的环境影响表达规律构建能表达整个时空环境的动态时空环境影响规律表达模型；步骤3：在构建的动态时空环境影响规律表达模型的基础上评估任意相邻两点之间进行直线移动的消耗时间，并以此为基础，采用路径搜索算法，以时间为代价，按照代价最小的原则规划从起点到目标点之间的连续移动轨迹。本发明的路径规划结果能够体现环境不停变化过程中的动态影响，且不会显著增加运算负担。
Description
技术领域
本发明属于地理信息系统技术领域，尤其涉及一种可预测动态时空环境的最短时间路径规划方法。
背景技术
最短时间路径规划是一项重要的GIS(地理信息系统)研究，其目的是在地理空间中寻找两点之间能够到达的最短时间的路径规划方法。最短时间有着广泛的应用，特别是在道路建设问题和军事越野问题中。
本发明所指的最短时间是指从规划的零时刻出发，规划一条道路，能够到达目的地的最早时间。不同规划方案选择的路径不同，途经的环境和相应的路程长度就不同，从而对最终到达的时间产生影响，所以最短时间路径规划的必要步骤是将环境对速度的影响进行科学的评估。在传统研究中，大部分学者主要通过运用GIS环境和工具进行环境综合分析，首先需要对环境因素进行合理量化，然后结合层次分析法(AHP)、消除和选择表达现实法(ELECTRE)、简单加权法、模糊叠加法(Fuzzy Overlay)、神经网络拟合法、Promethee法和TOPSIS法等多要素分析方法(MCDA)对影响任务的各种环境因素进行综合分析(范林林,华一新,张江水.基于层次分析法的越野通行速度确定方法研究.测绘与空间地理信息.2019,42(05),154-158+162.)。这个复杂的分析过程的成果一般是一个综合环境影响表达模型，用以统一地表达环境对任务的综合影响，Malczewski(Malczewski,J.GIS-basedmulticriteria decision analysis:a survey of the literature.InternationalJournal of Geographical Information Science,2006,20(7),703-726.)认为最常用的综合环境规律表达模型有两种，分别是图模型和栅格模型，如图1所示。
在上述环境影响表达模型的基础上，对于最短路径规划而言，我们就可以计算出在任意相邻两点之间移动的“代价”——时间，最后再通过路径搜索算法在不同点之间搜索连接起末两点之间的路径，即可实现最短时间路径规划。搜索算法一般分为全面搜索算法和启发式快速搜索算法，比如著名的Dijkstra算法即是一种经典的全面搜索算法，其能找出规划区域唯一的最优路径，其结果精确但计算量较大。多年来众多学者研究通过各种启发式搜索算法进行最小代价搜索，比如通过蚁群算法(张丽珍,et al.改进型蚁群算法在路径规划中的研究.制造业自动化,2020,42(02),55-59.)、遗传算法(Mahajan,B.andMarbate,P.Literature Review on Path planning in DynamicEnvironment.International Journal of Computer Science&Network,2013,2(1).)等进行最小代价搜索。这些启发式搜索算法能够显著提升速度，在实际应用中运用比较广泛，但由于其搜索过程并未对所有可能情况进行比较，其结果不一定是最优的。
最短时间路径规划是最小代价路径规划的一种，长期以来这类问题都采用类似的研究思路，且都面临相似的问题，即无论采用栅格模型还是图模型，环境影响的表达模式基本都是静态的，其结果也是某一时刻环境条件下得出的路径规划结果。但我们所处的环境本身并非是静态的，一直在随着时间发生变化，环境对活动的影响也是随着这种变化而表现出不同的规律，仅仅以某一时刻的环境来评估其对路径规划的影响是不客观的，尤其对于消耗时间较长的路径规划问题。当然并不是说当前学者没有考虑动态环境影响的问题，而是没有把环境的整个变化过程作为一个整体纳入规划中。目前此类研究中，对动态环境的影响研究大多集中在对突发事件的动态适应与调整，而鲜见对可预测环境影响的全局优化。此类研究方法有一个特点，即可以有针对地对未知环境和难以预测的突发事件进行合理的动态适应，但这类方法并不适合直接运用于可预测环境的路径规划中，这种以应对突发事件为主的方法无法做到在出发之前针对大概率即将发生的环境变化进行科学合理的全局规划，这种在行动的过程中调整的思路容易导致一些局部优化陷阱。
在当前科技水平下，诸如气象、光照、生态等环境因素的预测大部分已经可以被人类掌握，且有大量学者对环境的影响规律进行了深刻的研究和分析，但传统的静态环境评估表达方法或动态调整方法均无法应对此类随时间连续变化的环境的全局优化问题，无法满足现代应用对精细化计算的要求。在路径规划问题中，针对可预测环境的全局优化问题显得非常急需，遗憾的是就我们阅读的文献范围而言，暂时没有找到可预测动态环境影响下的非道路条件最小代价路径规划全局优化问题研究资料。
发明内容
本发明针对传统的静态环境评估表达方法或动态调整方法均无法应对此类随时间连续变化的环境的全局优化问题，无法满足现代应用对精细化计算的要求的问题，提出一种可预测动态时空环境的最短时间路径规划方法。
为了实现上述目的，本发明采用以下技术方案：
一种可预测动态时空环境的最短时间路径规划方法，包括：
步骤1：对影响行进速度的各类环境因素进行量化；
步骤2：综合评估各类环境因素对行进速度的影响，并根据任意空间在任意时刻的环境影响表达规律构建能表达整个时空环境的动态时空环境影响规律表达模型；
步骤3：在构建的动态时空环境影响规律表达模型的基础上评估任意相邻两点之间进行直线移动的消耗时间，并以此为基础，采用路径搜索算法，以时间为代价，按照代价最小的原则规划从起点到目标点之间的连续移动轨迹。
进一步地，所述各类环境因素包括：地貌环境，土质环境，植被环境，气象环境，人文环境。
进一步地，所述任意空间为二维以上空间。
进一步地，二维空间的动态时空环境影响规律表达模型的构建过程如下：
在二维空间平面X-Y的基础上，以时间为Z轴，建立右手直角坐标系；其中该坐标系中任意点(x,y,t)的值v＝f(x,y,t)是记录的在空间点(x,y)处，受环境影响，在时刻t的环境影响参数，所述环境影响参数为在点(x,y,t)处移动的最大安全速度。
进一步地，在所述步骤2之后还包括：
对动态时空环境影响规律表达模型进行栅格化。
进一步地，所述对动态时空环境影响规律表达模型进行栅格化包括：
沿着X、Y、Z三轴分别以相同的空间间隔和时间间隔将时空分割为小单元的时空立方体、即时空单元。
进一步地，所述消耗时间为从一个时空点到相邻时空点连续经过的所有时空单元的时间之和。
进一步地，所述步骤3中，每一步搜索时，采用向空间临近的八个方向行进的方法，其中向东、西、南、北四个方向行驶至相邻空间网格时，距离为1倍空间网格间距；向斜角四个方向行驶至相邻空间网格时，距离为
倍空间网格间距。
与现有技术相比，本发明具有的有益效果：
(1)本发明实现了最短时间路径规划在动态环境中的计算方法。在传统算法中，主要采取在某一时刻对环境进行评估，再在评估的基础上进行路径规划，这种方法容易导致规划方法在实际实施时无法匹配动态变化的环境，难以取得实际的最优效果。而本发明方法是建立在对规划时间与空间全局进行综合评估的基础上，结果能够体现环境不停变化过程中的动态影响；
(2)本发明解决了最短时间路径规划在可预测动态环境全局优化的问题。传统算法中部分方法主要是针对难以预测的环境进行动态调整而研制的动态算法，很少有直接进行可预测环境的最小代价路径研究。如果以动态调整的算法进行可预测环境的路径规划，容易取得局部最优的结果，难以实现全局最优的路径规划方案。如果预测的环境变化实际发生，那么必须将规划区域的时间与空间环境作为一个整体进行评估才能得到全局最优的规划方案；
(3)本发明考虑动态可预测环境的最小路径规划可以取得更加科学的结果，但不会增加运算负担。实验证明，在采用相同路径搜索算法的前提下，本发明方法与传统静态规划算法计算复杂度相当，不会显著增加计算机运算负担。
附图说明
图1为图模型和栅格场模型示意图；
图2为本发明实施例一种可预测动态时空环境的最短时间路径规划方法的基本流程图；
图3为本发明实施例一种可预测动态时空环境的最短时间路径规划方法的时空环境影响参数矩阵示意图；
图4为本发明实施例一种可预测动态时空环境的最短时间路径规划方法的时空转换方法示例图；
图5为本发明实施例一种可预测动态时空环境的最短时间路径规划方法的在时空环境中移动的时间消耗计算流程图；
图6为实验地形范围示例图；
图7为地形与大型人工建筑影响下的通行地图示例图；
图8为三种不同土质类型的分布比率图；
图9为降水量与时间关系示例图；
图10为不同时刻的最大行驶速度示例图；
图11为静态环境与动态环境路径规划结果对比图；
图12为静态环境与动态环境路径规划结果实际时间消耗对比图；
图13为不同栅格距离下静态规划与本发明方法计算耗时对比图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的解释说明：
如图2所示，一种可预测动态时空环境的最短时间路径规划方法，包括：
步骤S101：对影响行进速度的各类环境因素进行量化；
进一步地，所述各类环境因素包括：地貌环境，土质环境，植被环境，气象环境，人文环境。
步骤S102：综合评估各类环境因素对行进速度的影响，并根据任意空间在任意时刻的环境影响表达规律构建能表达整个时空环境的动态时空环境影响规律表达模型；
进一步地，所述任意空间为二维以上空间。
进一步地，二维空间的动态时空环境影响规律表达模型的构建过程如下：
在二维空间平面X-Y的基础上，以时间为Z轴，建立右手直角坐标系；其中该坐标系中任意点(x,y,t)的值v＝f(x,y,t)是记录的在空间点(x,y)处，受环境影响，在时刻t的环境影响参数，所述环境影响参数为在点(x,y,t)处移动的最大安全速度。
进一步地，在所述步骤S102之后还包括：
对动态时空环境影响规律表达模型进行栅格化。
进一步地，所述对动态时空环境影响规律表达模型进行栅格化包括：
沿着X、Y、Z三轴分别以相同的空间间隔和时间间隔将时空分割为小单元的时空立方体、即时空单元。
具体地，为统一表达空间环境随时间的动态变化，本发明定义动态时空环境影响规律表达模型。该模型主要思想是在传统的空间模型的基础上添加时间维，以记录任意空间在任意时刻的环境影响表达规律，通过该方法可以表达二维、三维甚至更高维度的时空环境影响规律。本发明将讨论的无道路条件下越野路径规划问题即是在二维空间探讨时空环境影响规律的典型应用。二维空间的动态时空环境影响规律表达模型按如下方式定义：
在二维空间平面X-Y的基础上，以时间为Z轴，建立右手直角坐标系，其中该坐标系中任意点(x,y,t)的值v＝f(x,y,t)是记录的在空间点(x,y)处，受环境影响，在时刻t的环境影响参数，就最短时间规划而言，这个影响参数就是在这个时空点移动的合理速度。
该模型在定义中是连续的，但为了方便计算和分析，需要对这个时空模型进行栅格化：沿着X、Y、Z三轴分别以相同的空间间隔和时间间隔将时空分割为小单元的时空立方体，本发明称栅格化后的时空环境影响表达模型为时空环境影响参数矩阵。可以近似地认为在同一个时空单元中，环境影响是一致的。每一个时空单元都独立记录着v及相关参数(如有)，用以表达在此时空范围内的环境综合影响。如图3所示时空环境影响参数矩阵即表达了在连续降雨的某一时间段内，某型车辆在在任意时空的合理移动速度(即地面行驶的最大安全速度，其中黑色块为无法行驶区域或最大速度接近0的区域)。
步骤S103：在构建的动态时空环境影响规律表达模型的基础上评估任意相邻两点之间进行直线移动的消耗时间，并以此为基础，采用路径搜索算法，以时间为代价，按照代价最小的原则规划从起点到目标点之间的连续移动轨迹。
进一步地，所述消耗时间为从一个时空点到相邻时空点连续经过的所有时空单元的时间之和。
进一步地，所述步骤S103中，每一步搜索时，采用向空间临近的八个方向行进的方法，其中向东、西、南、北四个方向行驶至相邻空间网格时，距离为1倍空间网格间距；向斜角四个方向行驶至相邻空间网格时，距离为
倍空间网格间距。
具体地，路径规划计算的关键是需要对每条待选路径进行合理的代价评估，对于最短时间路径规划而言，就是要正确评估路径上任意相邻两点之间的时间消耗。如图4所示，为某时空环境影响参数矩阵的一部分，其中绘制出了时空单元A0,B0,B1，其中，A0,B0空间相邻时间一致，B0,B1空间一致时间相邻。如空间点A,B所示，空间点在时空坐标系中呈现为一条平行于时间轴的竖线，而如S,M0,M1,E所示，时空点则呈现为点，为明确了时间和空间的点(其中M0,M1在时空单元边界面上)。本发明以任务主体从时空点S出发沿空间上的直线向空间点B行进为例，分析任务主体以合理速度行进时，在两时空点之间移动的时间消耗的计算方法。
假设任务主体的行进轨迹刚好经过时空点M0,M1，到达时空点E，且在三个时空单元内的合理速度为
且
由图4易知，这是一个分段求解问题，当忽略各时空单元之间由于速度差异导致的加减速度的影响时，该段路径分为SM0,M0M1,M1E三段匀速运动，其空间距离分别为
其中
其中dxy为空间网格间距，那么容易知S,E的时间差为
由此推广到更广泛的情况，假设从时空点S到E会依次经过m个与A0同空间的时空单元A0,A1,...,Ai,...,Am，n个与B0同空间的时空单元Bm,Bm+1,...,Bi,...,Bm+n，t0表示出发时刻，那么如公式(1)所示，消耗时间tSE应为连续经过的这些时空单元的时间之和：
其中
表示经过时空单元Ai消耗的时间，
表示经过时空单元Bi消耗的时间。
需要注意的是，任务主体是按顺序依次经过上述时空单元的，在计算过程中进入哪个相邻时空单元需要根据当前时空单元的计算结果具体分析。比如如果速度足够快，任务主体即可能进入下一个空间位置临近的时空单元，反之如果速度很慢甚至接近于0，则只能进入与当前空间相同的下一时段的时空单元。这个分析过程是连续且前后依赖的，具体步骤参考图5流程，其中，tc指当前时刻，dt是一个时空单元的时间长度，Vi A代表时空单元Ai的最大安全速度，Vi B代表时空单元Bi的最大安全速度。
路径搜索阶段需要对任意临近两点之间以合理速度行驶时的时间消耗进行评估，再采用路径搜索算法找到整体时间最短的连续路径。每一步搜索时，本发明采用向空间临近的八个方向行进的方法。其中向东西南北四个方向行驶至相邻空间网格时，距离为1倍空间网格间距；向斜角四个方向行驶至相邻空间网格时，距离为
倍空间网格间距。近年来不少学者认为八邻域行进的方法会出现路径失真问题，但这个问题与我们讨论的动态时空环境表达问题并不冲突，实际上本发明对动态环境的表达方法与动态环境中移动的时耗评估方法依然能够支撑其他类型的搜索策略。
与传统最短时间路径规划不同的是，在时空环境中每前进一步，其时间消耗与当时所在时刻有关，同样的距离和轨迹，不同的时间出发消耗的时间将可能有很大的不同。这个过程比较复杂，但是依然可以基于动态环境中移动的时耗评估方法，通过类似于Dijkstra等搜索算法，以时间为代价进行步进搜索。由于时空环境评估要求对任意点所有时刻都要进行评估，如果采用先评估再搜索的方法计算会使计算量极具变大，但一方面，由于空间移动总是会产生时间消耗，很多时空单元在以最大安全速度(合理速度)前进时都无法到达，另一方面如果以比合理速度更慢的速度前进又不能取得最短时间，故大部分时空的环境评价是没有意义的，真正需要评估的时空仅在Etherington(Etherington,T.Least-Cost Modelling and Landscape Ecology:Concepts,Applications,andOpportunities.Current Landscape Ecology Reports,2016,1.)所描述的连续表面附近。根据以上原理，在实际计算中，采取规划与评估交替进行的策略，仅对需要用到的时空单元进行评估，对于不会经过的时空单元可以不评估，这样可减少绝大部分计算，使理论计算复杂度与传统方法相同。本发明方法的最大优势在于其对环境变化的表达更加科学合理，且能够使这种环境的变化参与到整个路径规划计算中去，故为了精确对比动态算法与传统静态算法的结果差异，排除启发式搜索算法本身对结果带来的不确定性，本发明在的路径搜索算法将采用全局搜索算法Dijkstra算法。
为验证本发明效果，进行如下实验：
实验数据准备：动态环境数据的模拟生成方法
本发明中环境评估方法与传统方法是一致的，主要区别仅在于本发明要求对同一空间点要等时间间隔地进行环境评估。环境的影响评估的具体过程非常复杂，但不是本发明的研究重点，本发明将采用其他学者提出的，已经较为成熟的方法进行环境评估的相关计算。根据Rybansky(Rybansky,M.Geographic Conditions of Military TransportUsing Roads and Terrain.ICMT’09-International conference on militarytechnologies 2009.2009.)和Kovarik等人(Kovarik,V.,et al.Creation of models forcalculation of coefficients of terrain passability.Quality and Quantity,2014,49,1-13.)的研究，设某辆车在地势平坦路况良好的情况下最大行驶速度为vmax，第i个环境元素会使车辆行驶速度降低，其比率为没有改环境因素的ci倍，那么综合n个环境因素后其能够到达的速度v符合以下公式：
为了方便与传统算法进行对比，本发明采用部分基础环境数据加人工构造动态降雨数据的方式模拟动态环境影响数据，主要考虑两类环境对行进的影响：一是对机动的影响规律不受降雨影响的环境类型，主要有地形环境、人工建筑环境；一是对机动的影响规律受到降雨影响的环境类型，主要考虑土质。为了便于数据生成，本发明将忽略其它环境的影响。由于这两类的环境已经能够在一定程度上代表各种环境的影响类型，更加复杂的环境只会体现出不同的影响效果，本发明实验说明的规律并不会改变，故这种简化并不会影响对实验结果的科学性判定。本次实验中综合环境影响矩阵采用的空间栅格间距为500米，时间栅格间距为50秒。
(1)地形环境对速度的影响系数ct。
本实验采用的地形范围如图6中白色矩形所示E 114.2500°-114.3823°，N22.6695°-22.7897°。设定坡度对行驶速度的影响为线性关系，且30°以上区域会形成地形阻断区域。那么每个网格内速度影响系数ct与坡度g，有公式(3)所示关系。
(2)大型人工建筑对速度的影响系数ca。
大型人工建筑在本实验中表现为阻断性区域，即该区域不能通过，如式(4)，其影响系数为常数0。本发明在50×50网格范围内随机划定了一部分人工建筑阻断区域，根据(2)式，可获得由地形和建筑物形成的如图7所示通行性地图，其中颜色越深代表通行条件越差。
ca＝0 (4)
(3)土质在降水影响下对速度的动态影响系数的时间函数cs(t)。
在构造降雨对最大安全行驶速度影响的环境数据时，本发明参考了李军和李灏(李军，李灏.瞬时降雨对履带车辆机动性能的影响.农业装备与车辆工程,2011(02),12-13+19.)对相关实验的总结，在CH、ML、SM三种土壤类型上，LAV25车辆受不同降雨量影响下地面附着力比率FCH,FML,FSM的统计结果如表1所示(该数据摘自李军和李灏对相关研究的总结)。本发明认为，为了保证车辆行驶的安全性，对于同一辆车，其行驶速度与地面附着力成正比。即在此假设下，地面附着力的比率也是其受到降雨影响时的合理速度比率数值。以r表示降水量，设CH、ML、SM三种土壤类型对LAV25车辆的地面附着力比率随降水量变化的函数为公式(5)；三种土壤在各个格网内的分布比率为PCH,PML,PSM；降水量(r)与时间(t)的关系函数为公式(6)。则t时刻，土质在降水影响下对速度的动态影响系数相对于时间变化的函数应当符合式(7)；故根据(2)式，LAV25在任意空间单元格网内能达到的最大速度实际上为t的函数式，如公式(8)。
表1 LAV25车辆在三种土壤类型和不同降雨量的情况下地面附着力比率的实验统计
FCH＝fCH(r)；FML＝fML(r)；FSM＝fSM(r)； (5)
r＝g(t) (6)
根据表1的数据，可以拟合出fCH(r),fML(r),fSM(r)；对于土壤成分方面，不妨设该区域土壤分布符合图8所示模拟数据的分布情况，其中白色代表含量0％，黑色代表含量100％，颜色越深代表含量越大，三种土质在任意网格中之和为1。
不妨设在本实验统计时间段内，g(t)符合如图9所示模拟数据的规律，不妨设vmax＝60km/h，最后根据(8)式即可求出任意时空单元内的合理速度，图10展示了其中一些时刻，实验区域各空间网格的最大行驶速度。通过这种方式，我们就可以求得时空环境影响参数矩阵，但是根据算法原理，为减少计算量，矩阵的求解与规划计算是交替进行的，我们并不会对所有时空单元进行环境评估，在规划过程中才会运用(8)式对相关的时空单元进行计算。
实验1：本发明方法能够体现动态变化的环境的影响
按照本发明模拟环境数据，在0时刻，没有降雨，以此时为准进行传统静态环境最小代价评估，从图11所示黑色箭头标记起点(7，40)，到白色箭头标记终点(39，11)，最短路径如图11中(a)所示，预计消耗2787.78秒。然而，根据图9，降水量会在未来一段时间发生变化，这与达成图11中(a)所示最短路径的条件显然冲突；如果以本发明提出的可预测动态时空环境的最短时间路径规划方法进行环境评估与规划，其结果为图11中(b)所示，预计消耗5548.96秒，且图中的最短时间路径也发生了变化。从实验结果可知，任意格网的代价会随着降雨的发展而与静态环境结果表现不同。可以预见的是，在未来一段时间降雨的情况下，行动任务主体一定会受到降雨影响从而降低行进速度，图11中(a)所示的结果并不符合这种预期，反而是动态环境规划结果能够体现这种会发生于未来的降雨的阻碍效果。
从结果来看，动态环境规划结果时间远远长于静态环境规划时间结果(所消耗时间比前者超出一倍)，但这并不能说明动态环境规划结果不够优化，事实上，如果以动态环境来评估图11中(a)所示静态规划路径的时间消耗，其真实的时间消耗会高很多。其评估方法是：对静态规划所经过的路径在动态环境中按照能够行驶的最大速度进行重新分段，再按照(1)式对所有分段的实际时间消耗进行累加。通过这种方式对静态规划的时间消耗进行重新评估，其结果是5568.48秒。如果将静态规划路径的预计消耗时间标记为ts，静态规划路径的动态环境评估时间标记为tr，那么静态路径规划的预测时间的误差γ按下式进行计算：
γ＝(tr-ts)/tr (9)
在该次实验中，通过(9)式计算可知，静态规划结果的动态评估时间与静态评估时间之间的误差高达50.29％，且高于直接进行动态路径规划的时间。表2列出了从0时刻出发，其它几次实验中静态环境规划的预测时间消耗与在时空环境中的动态评估时间的误差比率。可以看出在本发明假设的动态环境变化和车辆性能的前提下，传统静态规划方法的真实消耗误差较大，虽然这种差异与环境变化有关不是特定的，但静态规划结果无法体现在变化的环境中的真实消耗情况，而在这个方面，本发明方法结果却更加科学合理。
表2从0时刻出发，不同起止点之间的静态规划路径的预计消耗时间与动态环境评估时间对比
实验2：本发明方法规划结果总是优于静态规划结果
从实验1可以看出，动态环境的实际时间消耗低于静态环境规划结果，但实际上这种差异大小不是固定的，可以很接近，也可以相差非常明显。这与动态环境本身的特点有很大关系，本身并不是一个固定的数值，理论上，两不同区域随着环境变化对任务影响变化幅度的差异越大，本发明方法与传统算法的消耗差异也会越大。如果本次实验将出发时间设定为初始时刻后1000s，起止点分别为(7，40)和(39，11)，与实验1较为接近的结果不同，该次计算中静态规划方法与动态规划方法的结果差异会较大。如图12所示，其中静态规划路径(右侧图形的右半部分)的动态环境评估时间为8132.03秒，动态规划路径(右侧图形的左半部分)的时间消耗为6563.86秒。在预测的环境变化实际发生的情况下，记动态规划消耗时间为td，静态规划路径的动态环境评估时间为tr，则动态规划节省的时间比率
按照如下公式计算：
按照上式，本次实验中
为19.28％。表3列出了从不同时刻出发
的值，可以看出，由于动态环境规划对一段时间内的环境作为一个时空整体进行了全局规划，所取得的规划结果总是优于以单纯某一时刻的环境为依据的静态规划结果。当然，理论上也存在两种规划结果完全重合的可能性，这种情况下动态规划与静态规划将取得相同的实际消耗。
表3相同起止点之间，不同时刻出发，本发明方法比静态规划路径实际节约时间比率
实验3：本发明方法的时间复杂度与传统算法相同
本发明提出的动态时空环境影响规律表达模型虽然可以对整个环境中的任意时刻进行环境评估计算，但是根据本发明策略，如果采取评估与规划交替进行的策略，仅对规划需要的时空单元进行评估，则理论上本发明方法与传统静态算法的时间复杂度应当是相同的，本发明将通过实验的方法证实这个推断。为了对比不同计算量下动态规划算法与静态规划算法之间的实际计算时间，我们在每次实验时改变起点和目标点的位置，以栅格距离作为计算量的衡量标准，对比两算法的计算时间(如果起点坐标为(x1,y1)，终点坐标为(x2,y2)，则起末点的栅格距离按照该式计算：
)。表4列出了相关实验的详细数据，将这些数据按照起末点之间的栅格距离排序，可以绘制出图13所示时间对比图，从图表数据中可以看出，如果均采用Dijkstra搜索算法，这两种算法的计算时间和复杂度相当。
表4本发明方法消耗时间与静态环境规划消耗时间对比
综上，本发明建立了动态时空环境影响规律表达模型，该模型共三个维度，同时在空间和时间上对规划所涉及的时空范围进行了栅格化划分，对动态时空环境影响在空间和时间上进行了全面、规则和统一的数学表达。在此模型的支撑下，本发明研究了任务主体在该模型中两时空点之间移动的时空转换规律，最后利用常用路径搜索算法，研究了最短时间规划方法。本发明方法并不排斥在路径搜索阶段采用启发式算法，但为了尽量减小最小代价搜索计算的不确定性对本发明结果分析的干扰，本发明在这个阶段采用了经典的全面搜索算法Dijkstra算法，该搜索算法虽然较慢，但是全局最优的。在计算量方面，虽然本发明算法在理论上要求对整个时空影响进行了量化和影响评估，需要巨大的计算量，但考虑到以时间作为最小代价计算中“代价”的特殊性，经本发明分析，采用评估与规划交替进行的策略，仅对规划需要的时空单元进行评估可忽略大部分计算。实验证明，与传统算法相比，本发明方法时间与传统静态方法相近，但结果的科学性却更加合理。在预测的环境实际发生的情况下，本发明方法的实际代价总是会低于其它静态方法的实际代价。
本发明方法与传统算法不同，其不仅将空间进行了栅格化，同时对时间也进行了栅格化，构成了时空环境影响模型，并探讨了在动态环境中移动时的时间消耗评估方法。实验证明本发明方法结果能够体现变化环境的影响，在一定空间和时间内能取得全局最优结果。我们认为，这种该方法具有以下特点：
(1)本发明实现了最短时间路径规划在动态环境中的计算方法。在传统算法中，主要采取在某一时刻对环境进行评估，再在评估的基础上进行路径规划，这种方法容易导致规划方法在实际实施时无法匹配动态变化的环境，难以取得实际的最优效果。而本发明方法是建立在对规划时间与空间全局进行综合评估的基础上，结果能够体现环境不停变化过程中的动态影响；
(2)本发明解决了最短时间路径规划在可预测动态环境全局优化的问题。传统算法中部分方法主要是针对难以预测的环境进行动态调整而研制的动态算法，很少有直接进行可预测环境的最小代价路径研究。如果以动态调整的算法进行可预测环境的路径规划，容易取得局部最优的结果，难以实现全局最优的路径规划方案。如果预测的环境变化实际发生，那么必须将规划区域的时间与空间环境作为一个整体进行评估才能得到全局最优的规划方案；
(3)本发明考虑动态可预测环境的最小路径规划可以取得更加科学的结果，但不会增加运算负担。实验证明，在采用相同路径搜索算法的前提下，本发明方法与传统静态规划算法计算复杂度相当，不会显著增加计算机运算负担。
且通过实验证明，本发明方法取得预期成果，对需要用到最小代价路径规划的所有应用均有较大价值。虽然本发明将“代价”的概念定义为时间消耗，但这个值可以是使用者关心的任意其它累加性的值，其应用前景广泛，计算量小，值得推广。
以上所示仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种可预测动态时空环境的最短时间路径规划方法，其特征在于，包括：
步骤1：对影响行进速度的各类环境因素进行量化；
步骤2：综合评估各类环境因素对行进速度的影响，并根据任意空间在任意时刻的环境影响表达规律构建能表达整个时空环境的动态时空环境影响规律表达模型；
步骤3：在构建的动态时空环境影响规律表达模型的基础上评估任意相邻两点之间进行直线移动的消耗时间，并以此为基础，采用路径搜索算法，以时间为代价，按照代价最小的原则规划从起点到目标点之间的连续移动轨迹。
2.根据权利要求1所述的可预测动态时空环境的最短时间路径规划方法，其特征在于，所述各类环境因素包括：地貌环境，土质环境，植被环境，气象环境，人文环境。
3.根据权利要求1所述的可预测动态时空环境的最短时间路径规划方法，其特征在于，所述任意空间为二维以上空间。
4.根据权利要求3所述的可预测动态时空环境的最短时间路径规划方法，其特征在于，二维空间的动态时空环境影响规律表达模型的构建过程如下：
在二维空间平面X-Y的基础上，以时间为Z轴，建立右手直角坐标系；其中该坐标系中任意点(x,y,t)的值v＝f(x,y,t)是记录的在空间点(x,y)处，受环境影响，在时刻t的环境影响参数，所述环境影响参数为在点(x,y,t)处移动的最大安全速度。
5.根据权利要求1或4所述的可预测动态时空环境的最短时间路径规划方法，其特征在于，在所述步骤2之后还包括：
对动态时空环境影响规律表达模型进行栅格化。
6.根据权利要求5所述的可预测动态时空环境的最短时间路径规划方法，其特征在于，所述对动态时空环境影响规律表达模型进行栅格化包括：
沿着X、Y、Z三轴分别以相同的空间间隔和时间间隔将时空分割为小单元的时空立方体、即时空单元。
7.根据权利要求6所述的可预测动态时空环境的最短时间路径规划方法，其特征在于，所述消耗时间为从一个时空点到相邻时空点连续经过的所有时空单元的时间之和。
8.根据权利要求1所述的可预测动态时空环境的最短时间路径规划方法，其特征在于，所述步骤3中，每一步搜索时，采用向空间临近的八个方向行进的方法，其中向东、西、南、北四个方向行驶至相邻空间网格时，距离为1倍空间网格间距；向斜角四个方向行驶至相邻空间网格时，距离为
倍空间网格间距。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011424479.3A CN112556686B (zh) | 2020-12-08 | 2020-12-08 | 可预测动态时空环境的最短时间路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011424479.3A CN112556686B (zh) | 2020-12-08 | 2020-12-08 | 可预测动态时空环境的最短时间路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112556686A true CN112556686A (zh) | 2021-03-26 |
| CN112556686B CN112556686B (zh) | 2023-04-11 |
Family
ID=75059734
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011424479.3A Active CN112556686B (zh) | 2020-12-08 | 2020-12-08 | 可预测动态时空环境的最短时间路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112556686B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113447039A (zh) * | 2021-07-03 | 2021-09-28 | 湖南汇视威智能科技有限公司 | 一种基于测绘信息的高精度道路最短路径计算方法 |
| CN113627689A (zh) * | 2021-09-03 | 2021-11-09 | 哈尔滨工业大学 | 基于critic与熵值的村镇垃圾移动化处理设备调度寻优方法 |
| CN113804209A (zh) * | 2021-05-27 | 2021-12-17 | 中国人民解放军战略支援部队信息工程大学 | 一种四角格网高精度长距离越野路径规划方法 |
| CN114254809A (zh) * | 2021-11-25 | 2022-03-29 | 中国人民解放军战略支援部队信息工程大学 | 基于综合环境影响模型的危险逃逸时空棱镜求解方法及系统 |
| CN114254810A (zh) * | 2021-11-25 | 2022-03-29 | 中国人民解放军战略支援部队信息工程大学 | 基于时空棱镜的任务活动可到达时空域评估方法 |
| CN116734862A (zh) * | 2023-08-09 | 2023-09-12 | 常熟理工学院 | 一种定向越野的路线选择方法、装置及计算机存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5566072A (en) * | 1993-08-10 | 1996-10-15 | Mitsubishi Jidosha Kogyo Kabushiki Kaisha | Method and apparatus for estimating a road traffic condition and method and apparatus for controlling a vehicle running characteristic |
| CN104821080A (zh) * | 2015-03-02 | 2015-08-05 | 北京理工大学 | 基于宏观城市交通流的智能车辆行驶速度及时间预测方法 |
| CN110851948A (zh) * | 2019-08-27 | 2020-02-28 | 清华大学 | 非结构化道路条件下的行车环境态势评估方法及评估装置 |
| CN110906946A (zh) * | 2019-12-02 | 2020-03-24 | 大连理工大学 | 一种区分人员影响的服务机器人导航规划方法 |
-
2020
- 2020-12-08 CN CN202011424479.3A patent/CN112556686B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5566072A (en) * | 1993-08-10 | 1996-10-15 | Mitsubishi Jidosha Kogyo Kabushiki Kaisha | Method and apparatus for estimating a road traffic condition and method and apparatus for controlling a vehicle running characteristic |
| CN104821080A (zh) * | 2015-03-02 | 2015-08-05 | 北京理工大学 | 基于宏观城市交通流的智能车辆行驶速度及时间预测方法 |
| CN110851948A (zh) * | 2019-08-27 | 2020-02-28 | 清华大学 | 非结构化道路条件下的行车环境态势评估方法及评估装置 |
| CN110906946A (zh) * | 2019-12-02 | 2020-03-24 | 大连理工大学 | 一种区分人员影响的服务机器人导航规划方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113804209A (zh) * | 2021-05-27 | 2021-12-17 | 中国人民解放军战略支援部队信息工程大学 | 一种四角格网高精度长距离越野路径规划方法 |
| CN113804209B (zh) * | 2021-05-27 | 2024-01-09 | 中国人民解放军战略支援部队信息工程大学 | 一种四角格网高精度长距离越野路径规划方法 |
| CN113447039A (zh) * | 2021-07-03 | 2021-09-28 | 湖南汇视威智能科技有限公司 | 一种基于测绘信息的高精度道路最短路径计算方法 |
| CN113627689A (zh) * | 2021-09-03 | 2021-11-09 | 哈尔滨工业大学 | 基于critic与熵值的村镇垃圾移动化处理设备调度寻优方法 |
| CN114254809A (zh) * | 2021-11-25 | 2022-03-29 | 中国人民解放军战略支援部队信息工程大学 | 基于综合环境影响模型的危险逃逸时空棱镜求解方法及系统 |
| CN114254810A (zh) * | 2021-11-25 | 2022-03-29 | 中国人民解放军战略支援部队信息工程大学 | 基于时空棱镜的任务活动可到达时空域评估方法 |
| CN116734862A (zh) * | 2023-08-09 | 2023-09-12 | 常熟理工学院 | 一种定向越野的路线选择方法、装置及计算机存储介质 |
| CN116734862B (zh) * | 2023-08-09 | 2023-11-21 | 常熟理工学院 | 一种定向越野的路线选择方法、装置及计算机存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112556686B (zh) | 2023-04-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112556686B (zh) | 可预测动态时空环境的最短时间路径规划方法 | |
| CN113065074B (zh) | 一种基于知识图谱和自注意力机制的轨迹目的地预测的方法 | |
| CN104731963B (zh) | 一种基于车联网的网格化路径推荐方法及系统 | |
| CN108564790A (zh) | 一种基于交通流时空相似性的城市短时交通流预测方法 | |
| CN111814079B (zh) | 结合聚类与cmab的群智感知车联网用户筛选方法 | |
| CN110716935A (zh) | 基于网约车出行的轨迹数据分析与可视化方法及系统 | |
| CN105225003A (zh) | 一种布谷鸟搜索算法解决uav多任务侦察决策问题的方法 | |
| CN112017436B (zh) | 城市市内交通旅行时间的预测方法及系统 | |
| CN116976652B (zh) | 一种基于时空众包的多目标任务分配方法 | |
| CN112633602B (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
| CN107220724A (zh) | 客流量预测方法及装置 | |
| Ma et al. | Adaptive path planning method for UAVs in complex environments | |
| Chagas et al. | Hierarchical and smoothed topographic path planning for large-scale virtual simulation environments | |
| Wei et al. | Application of improved multi objective particle swarm optimization and harmony search in highway engineering | |
| Sun et al. | Study on safe evacuation routes based on crowd density map of shopping mall | |
| CN112797997A (zh) | 一种基于栅格路网的应急路径规划架构和方法 | |
| CN116659535A (zh) | 一种基于深度强化学习的风险感知路径规划方法 | |
| Tan et al. | Statistical analysis and prediction of regional bus passenger flows | |
| CN111928853A (zh) | 复杂环境下空基平台快速航路规划方法 | |
| CN117151499A (zh) | 一种国土空间规划的监测评估方法及系统 | |
| CN116258284A (zh) | 一种交通及施工组织方案优化决策方法及系统 | |
| CN113064440B (zh) | 一种基于海洋模式的自适应观测方法 | |
| Yang et al. | How the urban microclimate and outdoor thermal comfort can affect intra-city mobility patterns: Evidence from New York City | |
| Zong et al. | Understanding taxi drivers’ multi-day cruising patterns | |
| Ma et al. | Feudal multi-agent reinforcement learning with adaptive network partition for traffic signal control |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |