CN112684796A - 一种针对复杂海域usv航行的路径规划方法 - Google Patents

Abstract

本发明提供一种针对复杂海域USV航行的路径规划方法，包括：基于复杂地貌的海域，建立无人船工作空间的环境模型，得到二值地图；基于障碍物膨化算法，对所述二值地图中的障碍物边缘进行膨化处理；基于改进的遗传算法，为无人船规划平滑的路径。本发明在传统遗传算法的基础上，选取具有最优适应度函数的航路点嵌入到B‑Spline拟合算法中，使得最终产生的路径是平滑的，并采用了删除算子、卓越保留、泛化增量等策略，通过自适应策略对交叉和进化概率进行调节，更好地使路径平滑，加快收敛速度，避免陷入局部僵局，提高了路径规划的效率。同时，还提出了一种障碍膨化物处理策略，降低了碰撞风险。

Description

一种针对复杂海域USV航行的路径规划方法

技术领域

本发明涉及无人船技术领域，具体而言，尤其涉及一种针对复杂海域USV航行的路径规划方法。

背景技术

随着控制、传感、无线通信技术的不断进步，人们对海洋无人探测技术方面的需求日益强烈，无人水面艇得到了迅速发展。路径规划是水面无人艇导航系统中最重要的任务之一，现有的路径规划方法主要有栅格法、随机采样法、智能规划算法。其中，栅格法主要包括Dijkstra算法、A*算法、D*算法等。但是，栅格法的计算比较困难，易产生不太可行的路径。而随机采样法主要包括概率图法和快速扩展随机树生成法等，通过此类方法生成的路径是随机的，就不能保证路径是最优的，且算法收敛较慢，易产生不可行的路径。智能规划算法主要包括基因遗传算法(GA)、粒子群算法(PSO)、蚁群算法(ACO)、狼群算法等，其中，基因遗传算法是智能规划算法中最主要的算法之一，该算法的自适应搜索能力较强，相较于其他智能规划算法更适合求解路径规划问题。

发明内容

根据上述提出的技术问题，而提供一种针对复杂海域USV航行的路径规划方法。本发明在传统遗传算法的基础上，选取具有最优适应度函数的航路点嵌入到B-Spline拟合算法中，使得最终产生的路径是平滑的，并采用了删除算子、卓越保留、泛化增量等策略，通过自适应策略对交叉和进化概率进行调节，更好地使路径平滑，加快收敛速度，避免陷入局部僵局，提高了路径规划的效率。同时，还提出了一种障碍膨化物处理策略，降低了碰撞风险。

本发明采用的技术手段如下：

一种针对复杂海域USV航行的路径规划方法，包括如下步骤：

S1、基于复杂地貌的海域，建立无人船工作空间的环境模型，得到二值地图；

S2、基于障碍物膨化算法，对所述二值地图中的障碍物边缘进行膨化处理；

S3、基于改进的遗传算法，为无人船规划平滑的路径。

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E划分为可行区域E_F和禁行区域E_U，即划分后的海洋表面区域：

E＝E_F∪E_U

S12、确定USV安全范围，以USV的中心为圆点，设置半径为r的探测区域，将该探测区域定义为：

E_T(t)＝{w_i|‖w_i-w(t)‖≤r}

其中，w_i＝[x_i,y_i]表示USV在i时刻时的位置坐标，w＝[x,y]表示二维图像中的像素点位置坐标；

S13、采用改进的二值化算法进行环境初始化，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。

进一步地，所述步骤S13具体包括：

S131、设定原始地图像素的灰度值范围为0～255，选取灰度值ξ为阈值，将原始地图中像素点分成两个群组，像素灰度值大于ξ的像素点分为甲组，像素灰度值小于ξ的像素点分为乙组；

S132、假设原始地图中像素点的数量总和为N，灰度值为κ的像素点个数为n_κ，计算灰度值为κ的像素点占整个地图图像中像素点的概率，其计算公式如下：

p_κ＝n_κ/N

S133、基于所述步骤S132计算的概率p_κ，得到甲组像素点在整个图像中的占比为

乙组像素点在整个图像中的占比为

甲组像素点的平均灰度值为

乙组像素点的平均灰度为

S134、采用对图像的平均灰度值求间类方差的方法，确定ξ的值：

g(ξ)＝ω_甲ω_乙(u_甲-u_乙)²

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；

S135、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ξ＝argmax(g(ξ))，得到二值图M_b(p,q(s))，其中，

f(p)是像素点灰度函数，表示p点的灰度值大小；

S136、计算得到初始化后的可行区域E_F和禁行区域E_U：

E_U＝{s|q(s)＝0}

E_F＝{s|q(s)＝1}。

进一步地，所述步骤S3具体包括：

S31、设定一条从起始点到目标点的无碰撞路径并保证路径长度为最小，如下所示：

其中，N_ω表示所有航路点与起始点和目标点相加的数目总和，||w_n,w_n-1||表示相邻两航路点间距离，距离的计算方式采用欧氏距离计算方式，其中w₀＝w_S，

分别表示起始点和目标点；

S32、利用USV的初始位置信息生成初始种群，在一个具有N_n个单位的初始化种群中，将尚未平滑的航路点合集表示为

其中

x∈N_n：＝{1,2,…,N_n}，该集合中有N_P个从起始点到目标点排序的航路点；

S33、选取具有最优适应度函数的航路点嵌入到B-Spline拟合算法中，选取的最优适应度函数具体为：

其中，l，Δ>0是合适的常数；w_d,x∈W_x,x＝0,1,…,N_p是B-Spline基函数的控制点；l_p是其中一个路径点与障碍物的最近距离，即：

其中，w_obs,n＝[x_obs,y_obs]^T表示距离路径点w_n的最近障碍物的位置坐标；

其中，

w_x∈W_x，w_d,x(θ)＝[x(θ),y(θ)]^T,

且

被节点向量

分割而成；Ω_θ是一个不递减的节点序列；B_x,k(θ)是被Boor-Cox递归函数定义的x次k阶的B样条基函数，其表达式如下：

其中，

S34、采用十进制编码方式简化遗传算法的复杂度；

S35、改进遗传算子，采用删除算子、卓越保留、泛化增量以及选取与交叉的操作，再通过自适应策略对交叉和进化概率进行调节，得到为无人船规划的平滑路径。

进一步地，所述步骤S35具体包括：

S351、删除算子操作，删除路径中存在的重复像素点以及自交回路；

S352、卓越保留操作，基于所述步骤S33选取的最优适应度函数，推算出算法中每一个个体的适应值函数，对所有个体的适应值函数大小进行降序排序，从种群中选择n_e个适应度函数值最高的个体直接保留作为下一代，得到卓越保留率为：0<P_e＝n_e/N_n<1；

S353、泛化增量操作，从可行区域E_F中随机生成

个候选航路点，通过有序的排列获得n_d个个体，得到泛化增量率为：0<P_d＝n_d/N_n<1；

S354、选取与交叉操作，具体为：

选取操作：通过轮盘赌的方式完成对种群中个体的优胜劣汰，得出种群中的第i个个体被选择为保留至下一代的概率为：

交叉操作：通过重组两个个体的染色体来形成新的染色体，形成的新染色体表示为：

i_qb＝i_qb(1-j)i_lbj

i_lb＝i_lb(1-j)i_kbj

其中，i_*b,*∈{q,l}表示第q或第l个染色体中的第b个基因的值；b∈[0,1]为随机数；

S355、引入自适应变异策略，通过个体的适应值来决定个体的变异概率：

其中，P_m,max和P_m,min分别表示种群中变异率最大和最小的个体的变异率；ε(w_d,max)和ε(w_d,avg)分别表示群体中最大适应值函数和平均适应值函数。

较现有技术相比，本发明具有以下优点：

1、本发明提供的针对复杂海域USV航行的路径规划方法，通过删除遗传算子、卓越保留、泛化增量、选取与交叉等操作以及引入自适应变异策略，对传统的遗传算法进行改进，解决了收敛速度慢、路径不是最优、易陷入局部僵局等问题，提高了路径规划的效率。

2、本发明提供的针对复杂海域USV航行的路径规划方法，选取具有最优适应度函数的航路点嵌入到B-Spline拟合算法中，使得最终产生的路径更短、更平滑。

3、本发明提供的针对复杂海域USV航行的路径规划方法，提出了一种障碍膨化物处理策略，降低了碰撞风险。

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环境示意图。

图3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4为本发明实施例提供的无人船探测区域示意图。

图5为本发明实施例提供的障碍物边缘膨化处理示意图。

图6为本发明实施例提供的调节边缘膨化范围示意图。

图7为本发明实施例提供的算法编码方式示意图。

图8为本发明实施例提供的改进的遗传算法流程图。

图9为本发明实施例提供的染色体交叉过程示意图。

图10为本发明实施例提供的大连长海县地图。

图11为本发明实施例提供的大连长海县的二值化地图。

图12为本发明实施例提供的大连长海县的二值化地图经过障碍物膨化处理(弱膨化)后的示意图。

图13为本发明实施例提供的大连长海县的二值化地图经过障碍物膨化处理(强膨化)后的示意图。

图14为本发明实施例提供的A*算法二值地图和障碍膨化地图路径比较示意图。

图15为本发明实施例提供的A*算法、GA算法和改进GA算法路径比较示意图。

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，本发明提供了一种针对复杂海域USV航行的路径规划方法，包括如下步骤：

S1、基于如图2所示的复杂地貌的海域，建立无人船工作空间的环境模型，得到二值地图；

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3所示，将海洋表面区域E划分为可行区域E_F和禁行区域E_U，即划分后的海洋表面区域：

E＝E_F∪E_U

S12、确定USV安全范围，如图4所示，以USV的中心为圆点，设置半径为r的探测区域，将该探测区域定义为：

E_T(t)＝{w_i|‖w_i-w(t)‖≤r}

其中，w_i＝[x_i,y_i]表示USV在i时刻时的位置坐标，w＝[x,y]表示二维图像中的像素点位置坐标；

S13、采用改进的二值化算法进行环境初始化，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。

为区分可行区域和禁行区域，将原始彩色地图进行二值化处理，传统的二值化处理方法难以在海洋区域颜色与障碍物颜色相近时做出有效区分，所以本专利采用一种全新的二值算法进行环境初始化。具体实施时，作为本发明优选的实施方式，步骤S13具体包括：

S131、设定原始地图像素的灰度值范围为0～255，选取灰度值ξ为阈值，将原始地图中像素点分成两个群组，像素灰度值大于ξ的像素点分为甲组，像素灰度值小于ξ的像素点分为乙组；

S132、假设原始地图中像素点的数量总和为N，灰度值为κ的像素点个数为n_κ，计算灰度值为κ的像素点占整个地图图像中像素点的概率，其计算公式如下：

p_κ＝n_κ/N

S133、基于所述步骤S132计算的概率p_κ，得到甲组像素点在整个图像中的占比为

乙组像素点在整个图像中的占比为

甲组像素点的平均灰度值为

乙组像素点的平均灰度为

S134、采用对图像的平均灰度值求间类方差的方法，确定ξ的值：

g(ξ)＝ω_甲ω_乙(u_甲-u_乙)²

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；

S135、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ξ＝argmax(g(ξ))，得到二值图M_b(p,q(s))，其中，

f(p)是像素点灰度函数，表示p点的灰度值大小；

S136、计算得到初始化后的可行区域E_F和禁行区域E_U：

E_U＝{s|q(s)＝0}

E_F＝{s|q(s)＝1}

至此，完成环境初始化，USV路径规划环境建模处理完毕。

S2、基于障碍物膨化算法，对所述二值地图中的障碍物边缘进行膨化处理；当USV与障碍物距离过近时，可能会发生触碰，威胁USV的安全航行。如图5所示，通过障碍物膨化算法将所得到的二值地图中的障碍物边缘膨化处理，有效地增加USV与障碍物间的距离，降低航行风险，提升USV安全性。具体实施时，如图6所示，当海洋环境过于复杂时，可根据环境的复杂程度调节障碍物边缘膨化范围大小，灵活调节USV面对复杂海洋环境的航行安全性。

S3、基于改进的遗传算法，为无人船规划平滑的路径。

在USV航行的复杂海域，路径规划的主要任务是通过上述地图初始化处理方法得到二值地图M_b，为USV设定好起始点w_S和目标点w_T，通过算法处理得到一条从起始点到目标点的无碰撞路径并保证路径长度为最小。具体实施时，作为本发明优选的实施方式，步骤S3具体包括：

S31、设定一条从起始点到目标点的无碰撞路径并保证路径长度为最小，如下所示：

其中，N_ω表示所有航路点与起始点和目标点相加的数目总和，||w_n,w_n-1||表示相邻两航路点间距离，距离的计算方式采用欧氏距离计算方式，其中，w₀＝w_S，

分别表示起始点和目标点；

S32、采用B-Spline拟合算法对遗传算法生成的航路点进行平滑处理，保证USV安全平稳的航行。在传统遗传算法中，初始种群往往是随机选取的，这样容易导致产生不可行路径，因此本实施例中，利用USV的初始位置信息生成初始种群，在一个具有N_n个单位的初始化种群中，将尚未平滑的航路点合集表示为

其中

x∈N_n：＝{1,2,…,N_n}，该集合中有N_P个从起始点到目标点排序的航路点；

S33、选取具有最优适应度函数的航路点嵌入到B-Spline拟合算法中，选取的最优适应度函数具体为：

其中，l，Δ>0是合适的常数；w_d,x∈W_x,x＝0,1,…,N_p是B-Spline基函数的控制点；l_p是其中一个路径点与障碍物的最近距离，即：

其中，w_obs,n＝[x_obs,y_obs]^T表示距离路径点w_n的最近障碍物的位置坐标；

其中，

w_x∈W_x，w_d,x(θ)＝[x(θ),y(θ)]^T,

且

被节点向量

分割而成；Ω_θ是一个不递减的节点序列；B_x,k(θ)是被Boor-Cox递归函数定义的x次k阶的B样条基函数，其表达式如下：

其中，

S34、采用十进制编码方式简化遗传算法的复杂度，增加路径规划的效率。如图7所示，其中

为在航行区域中有序的航路点序号。

S35、现有的遗传算法通常仅有选择、交叉及变异等操作，但对于复杂海域的USV来说容易陷入局部最优，导致难以高效的搜寻可寻路径，所以本实施例中对遗传算子进行改进，采用删除算子、卓越保留、泛化增量以及选取与交叉的操作，再通过自适应策略对交叉和进化概率进行调节，得到为无人船规划的平滑路径。

具体实施时，作为本发明优选的实施方式，如图8所示，步骤S35具体包括：

S351、删除算子操作，删除路径中存在的重复像素点以及自交回路，有效缩短路径长度，节省计算时间。

S352、卓越保留操作，基于所述步骤S33选取的最优适应度函数，推算出算法中每一个个体的适应值函数，对所有个体的适应值函数大小进行降序排序，从种群中选择n_e个适应度函数值最高的个体直接保留作为下一代，得到卓越保留率为：0<P_e＝n_e/N_n<1；

S353、泛化增量操作，为了保持群体对周围环境的探索能力，因此需要从可行区域E_F中随机生成

个候选航路点，通过有序的排列获得n_d个个体，得到泛化增量率为：0<P_d＝n_d/N_n<1；

S354、选取与交叉操作，具体为：

选取操作：通过轮盘赌的方式完成对种群中个体的优胜劣汰，保证种群不断向更优的方向去迭代，增加优良个体数目，由此得出种群中的第i个个体被选择为保留至下一代的概率为：

交叉操作：如图9所示，通过重组两个个体的染色体来形成新的染色体，形成的新染色体表示为：

i_qb＝i_qb(1-j)i_lbj

i_lb＝i_lb(1-j)i_kbj

其中，i_*b,*∈{q,l}表示第q或第l个染色体中的第b个基因的值；b∈[0,1]为随机数；

S355、通过对个体进行变异操作，进一步增强群体的多样化。引入自适应变异策略，通过个体的适应值来决定个体的变异概率：

其中，P_m,max和P_m,min分别表示种群中变异率最大和最小的个体的变异率；ε(w_d,max)和ε(w_d,avg)分别表示群体中最大适应值函数和平均适应值函数。

为了验证本发明方法的有效性，进行了仿真实验，如图10所示，在具有多岛屿多暗礁的中国大连长海县的真实海图上做仿真验证来证明算法的有效性和优越性。所有的仿真实验都是在一台由MATLAB R2018a运行的Intel i72.9GHz和16GB RAM的PC机上进行的，其中，具体的参数为：r＝10m，l＝10000，Δ＝10，N_p＝5/4，N_n＝100，n_e＝20，n_d＝15，P_m,max＝0.04，P_m,min＝0.01。

障碍物膨化处理：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，与传统的二值地图进行比较。如图10所示，为大连长海县原始色彩地图，将其转换为可行区域与不可行区域合理划分的二值地图，如图11所示，黑色区域代表不可行区域，白色区域代表可行区域，图12和图13为经过障碍物膨化处理后的二值地图。

为了进一步证明所提出的障碍物膨化处理的地图的优越性与安全性，采用A*算法分别在二值地图和障碍物膨化处理的二值地图做仿真对比。通过仿真图14可以发现，利用A*算法在传统二值地图规划的路径距离岛屿非常近，障碍物与海洋环境区分不明显的时候，规划的路径甚至会穿越障碍物；而利用A*算法在经过膨化处理的地图进行路径规划，可以看见路径与岛屿间总是保持一段距离，且不会穿越障碍物。对比之下，通过膨化处理的二值地图可明显增加USV航行的安全性。

改进遗传算法路径规划：通过所提出的改进遗传算法，基于膨化处理的二值地图生成一条平滑路径，分别与A*算法和传统遗传算法生成的离散航路点再进行B-Spline样条拟合之后的路径进行仿真对比。

如表1所示，本发明提出的改进遗传算法产生的路径长度是最短的。从图15中可以看到，本发明提出的改进遗传算法通过卓越遗传、泛化增量等操作，产生的卓越航路点分布均匀，可以完美的和B-Spline拟合算法配合，产生的路径曲率变化十分均匀，适合USV实际航行，且减少了算法消耗时间。整体上看本发明提供的路径规划方法提升了USV航行的安全性和运行效率。

表1仿真结果数据对比

算法	路径长度(Km)	航路点个数	消耗时间(s)
				A*	67.165	19	186.33
GA	64.165	4	5.57
				改进GA	63.495	6	3.33

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 (5)

1.一种针对复杂海域USV航行的路径规划方法，其特征在于，包括如下步骤：

S1、基于复杂地貌的海域，建立无人船工作空间的环境模型，得到二值地图；

S2、基于障碍物膨化算法，对所述二值地图中的障碍物边缘进行膨化处理；

S3、基于改进的遗传算法，为无人船规划平滑的路径。

2.根据权利要求1所述的针对复杂海域USV航行的路径规划方法，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E划分为可行区域E_F和禁行区域E_U，即划分后的海洋表面区域：

E＝E_F∪E_U

S12、确定USV安全范围，以USV的中心为圆点，设置半径为r的探测区域，将该探测区域定义为：

E_T(t)＝{w_i|‖w_i-w(t)‖≤r}

其中，w_i＝[x_i,y_i]表示USV在i时刻时的位置坐标，w＝[x,y]表示二维图像中的像素点位置坐标；

S13、采用改进的二值化算法进行环境初始化，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。

3.根据权利要求2所述的针对复杂海域USV航行的路径规划方法，其特征在于，所述步骤S13具体包括：

S131、设定原始地图像素的灰度值范围为0～255，选取灰度值ξ为阈值，将原始地图中像素点分成两个群组，像素灰度值大于ξ的像素点分为甲组，像素灰度值小于ξ的像素点分为乙组；

S132、假设原始地图中像素点的数量总和为N，灰度值为κ的像素点个数为n_κ，计算灰度值为κ的像素点占整个地图图像中像素点的概率，其计算公式如下：

p_κ＝n_κ/N

S133、基于所述步骤S132计算的概率p_κ，得到甲组像素点在整个图像中的占比为

乙组像素点在整个图像中的占比为

甲组像素点的平均灰度值为

乙组像素点的平均灰度为

S134、采用对图像的平均灰度值求间类方差的方法，确定ξ的值：

g(ξ)＝ω_甲ω_乙(u_甲-u_乙)²

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；

S135、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ξ＝argmax(g(ξ))，得到二值图M_b(p,q(s))，其中，

f(p)是像素点灰度函数，表示p点的灰度值大小；

S136、计算得到初始化后的可行区域E_F和禁行区域E_U：

E_U＝{s|q(s)＝0}

E_F＝{s|q(s)＝1}。

4.根据权利要求1所述的针对复杂海域USV航行的路径规划方法，其特征在于，所述步骤S3具体包括：

S31、设定一条从起始点到目标点的无碰撞路径并保证路径长度为最小，如下所示：

其中，N_ω表示所有航路点与起始点和目标点相加的数目总和，||w_n,w_n-1||表示相邻两航路点间距离，距离的计算方式采用欧氏距离计算方式，其中w₀＝w_S，

分别表示起始点和目标点；

S32、利用USV的初始位置信息生成初始种群，在一个具有N_n个单位的初始化种群中，将尚未平滑的航路点合集表示为

其中

该集合中有N_P个从起始点到目标点排序的航路点；

S33、选取具有最优适应度函数的航路点嵌入到B-Spline拟合算法中，选取的最优适应度函数具体为：

其中，

Δ>0是合适的常数；w_d,x∈W_x,x＝0,1,…,N_p是B-Spline基函数的控制点；

是其中一个路径点与障碍物的最近距离，即：

其中，w_obs，n＝[x_obs,y_obs]^T表示距离路径点w_n的最近障碍物的位置坐标；

其中，

w_x∈W_x，w_d,x(θ)＝[x(θ),y(θ)]^T,

且

被节点向量

分割而成；Ω_θ是一个不递减的节点序列；B_x,k(θ)是被Boor-Cox递归函数定义的x次k阶的B样条基函数，其表达式如下：

其中，

S34、采用十进制编码方式简化遗传算法的复杂度；

S35、改进遗传算子，采用删除算子、卓越保留、泛化增量以及选取与交叉的操作，再通过自适应策略对交叉和进化概率进行调节，得到为无人船规划的平滑路径。

5.根据权利要求4所述的针对复杂海域USV航行的路径规划方法，其特征在于，所述步骤S35具体包括：

S351、删除算子操作，删除路径中存在的重复像素点以及自交回路；

S352、卓越保留操作，基于所述步骤S33选取的最优适应度函数，推算出算法中每一个个体的适应值函数，对所有个体的适应值函数大小进行降序排序，从种群中选择n_e个适应度函数值最高的个体直接保留作为下一代，得到卓越保留率为：0<P_e＝n_e/N_n<1；

S353、泛化增量操作，从可行区域E_F中随机生成

个候选航路点，通过有序的排列获得n_d个个体，得到泛化增量率为：0<P_d＝n_d/N_n<1；

S354、选取与交叉操作，具体为：

选取操作：通过轮盘赌的方式完成对种群中个体的优胜劣汰，得出种群中的第i个个体被选择为保留至下一代的概率为：

交叉操作：通过重组两个个体的染色体来形成新的染色体，形成的新染色体表示为：

i_qb＝i_qb(1-j)i_lbj

i_lb＝i_lb(1-j)i_kbj

其中，i_*b,*∈{q,l}表示第q或第l个染色体中的第b个基因的值；b∈[0,1]为随机数；

S355、引入自适应变异策略，通过个体的适应值来决定个体的变异概率：

其中，P_m,max和P_m,min分别表示种群中变异率最大和最小的个体的变异率；ε(w_d,max)和ε(w_d,avg)分别表示群体中最大适应值函数和平均适应值函数。

Images