CN114061603B - 路径规划方法、装置、电子设备和存储介质 - Google Patents
路径规划方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114061603B CN114061603B CN202111163295.0A CN202111163295A CN114061603B CN 114061603 B CN114061603 B CN 114061603B CN 202111163295 A CN202111163295 A CN 202111163295A CN 114061603 B CN114061603 B CN 114061603B
- Authority
- CN
- China
- Prior art keywords
- prediction operation
- path planning
- sub
- target
- monitoring target
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012544 monitoring process Methods 0.000 claims abstract description 172
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 230000004888 barrier function Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 description 22
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种路径规划方法、装置、电子设备和存储介质，该方法包括：针对监测目标进行至少一轮位置预测操作，基于至少一轮位置预测操作的目标位置，确定针对监测目标进行路径规划的预测路径，至满足路径规划结束条件；其中，若第m轮位置预测操作的当前位置对应的路径规划状态为局部最优状态，则在第m轮位置预测操作中调用迭代执行的至少一个子预测操作至满足迭代结束条件，并基于至少一个子预测操作中最后一个子预测操作的预估位置确定第m轮位置预测操作的目标位置；其中，基于i和第i个子预测操作的初始位置，确定第i个子预测操作的预估位置。通过本申请，提高了监测目标处于局部最优状态的逃离速度，确保了路径规划方法的运行效率。
Description
技术领域
本申请涉及路径规划技术领域，特别是涉及一种路径规划方法、装置、电子设备和存储介质。
背景技术
面向“智慧仓储”、“智能生产”、“智慧消防”等大环境背景下，为了完成各种复杂环境中侦查打击、交通运输等任务，一种稳定高效的路径规划方法，将会极大程度上提高系统的任务执行效率。当前，人工势场法是一种常见的路径规划算法，该算法结构简单，应用广泛，但易由于势场力平衡导致监测目标陷入局部最优状态。
在路径规划过程中，当监测目标陷入局部最优状态时，通过对监测目标进行全局最优解的搜寻，可以使监测目标逃离局部最优状态。然而，相关的最优解搜寻方法存在迭代次数高，运行效率低下的问题。因此，提高局部最优解的搜寻效率对于路径规划效率的提升显得尤为重要。
发明内容
本申请实施例提供了一种路径规划方法、装置、电子设备和存储介质，以至少解决相关技术中路径规划效率差的问题。
第一方面，本申请实施例提供了一种路径规划方法，包括：
针对监测目标进行至少一轮位置预测操作，基于所述至少一轮位置预测操作的目标位置，确定针对所述监测目标进行路径规划的预测路径，至满足路径规划结束条件；其中，
所述至少一轮位置预测操作中，若第m轮位置预测操作的当前位置对应的路径规划状态为局部最优状态，则在所述第m轮位置预测操作中调用迭代执行的至少一个子预测操作至满足迭代结束条件，并基于所述至少一个子预测操作中最后一个子预测操作的预估位置确定所述第m轮位置预测操作的目标位置，所述m为大于0的整数；其中，第m轮位置预测操作的当前位置为第m-1轮位置预测操作的目标位置；
所述至少一个子预测操作中第i个子预测操作中，基于所述i和第i个子预测操作的初始位置，确定所述第i个子预测操作的预估位置，所述i为大于0的整数。
在其中一些实施例中，所述至少一轮位置预测操作中还包括：
若第m轮位置预测操作的当前位置对应的路径规划状态为非局部最优状态，则在所述第m轮位置预测操作中基于预设的人工势场模型确定所述第m轮位置预测操作的目标位置。
在其中一些实施例中，所述针对监测目标进行至少一轮位置预测操作之前，还包括：
基于预设的人工势场模型针对监测目标执行n轮基础位置预测操作至满足预设条件；其中，所述预设条件包括：所述n轮基础位置预测操作中第一轮基础位置预测操作的当前位置与第n轮基础位置预测操作的预测位置之间的距离大于第一距离阈值，所述n为整数。
在其中一些实施例中，所述m为1时，所述第m轮位置预测操作的当前位置为：所述n轮基础位置预测操作中最后一轮基础位置预测操作的预测位置。
在其中一些实施例中，针对监测目标进行至少一轮位置预测操作之前，还包括：
获取各个监测点的位置信息，所述监测点包括监测目标、终点和障碍物；
根据各个监测点的位置信息构建人工势场坐标系，并根据人工势场坐标系构建人工势场模型。
在其中一些实施例中，所述第i个子预测操作包括：
确定所述第i个子预测操作的初始位置；其中，所述i为1时，所述初始位置为所述第m-1轮位置预测操作的目标位置；所述i大于1时，所述初始位置为第i-1个子预测操作的预估位置；
基于所述i和第i个子预测操作的初始位置，确定所述第i个子预测操作的预估位置。
在其中一些实施例中，基于所述i和第i个子预测操作的初始位置，确定所述第i个子预测操作的预估位置包括：
基于所述i，确定移动步长；
在所述初始位置的移动步长范围内生成多个随机位置；
根据各个所述随机位置与终点之间的相对距离，从所述多个随机位置中筛选出目标随机位置；
基于所述目标随机位置确定所述第i个子预测操作的预估位置。
在其中一些实施例中，基于所述目标随机位置确定所述第i个子预测操作的预估位置，包括：
根据初始位置和所述目标随机位置的位置坐标和人工势场值，计算得到所述目标随机位置对应的位置更新概率；以及
确定随机概率；
若基于所述位置更新概率和所述随机概率确定满足位置更新条件，则基于所述目标随机位置更新所述监测目标的初始位置，得到所述第i个子预测操作的预估位置。
在其中一些实施例中，所述路径规划结束条件包括：
所述至少一轮位置预测操作中，最后一轮位置预测操作的目标位置与终点位置的距离小于第二距离阈值；其中，所述终点位置是基于对所述监测目标进行路径规划的终点确定的。
在其中一些实施例中，确定第m轮位置预测操作的当前位置对应的路径规划状态为局部最优状态包括：
获取所述监测目标第m轮位置预测操作的当前位置和对应的时间戳；
根据所述当前位置和对应的时间戳，计算得到监测目标单位时间内的运动距离；
将所述运动距离与预设的运动距离阈值进行比对，以根据比对结果确定监测目标对应的路径规划状态是否为局部最优状态。
在其中一些实施例中，所述迭代结束条件包括：
第i个子预测操作中，根据预设的人工势场模型获取监测目标处于初始位置的第一势场值以及处于预估位置的第二势场值；并根据所述第一势场值和所述第二势场值，确定监测目标偏离局部最优状态。
第二方面，本申请实施例提供了一种路径规划装置，包括：
第一路径规划单元，用于针对监测目标进行至少一轮位置预测操作，基于所述至少一轮位置预测操作的目标位置，确定针对所述监测目标进行路径规划的预测路径，至满足路径规划结束条件；其中，第一路径规划单元包括：
第一位置预测模块，用于在所述至少一轮位置预测操作中，若第m轮位置预测操作的当前位置对应的路径规划状态为局部最优状态，则在所述第m轮位置预测操作中调用迭代执行的至少一个子预测操作至满足迭代结束条件，并基于所述至少一个子预测操作中最后一个子预测操作的预测预估位置确定所述第m轮位置预测操作的目标位置，所述m为大于0的整数；其中，第m轮位置预测操作的当前位置为第m-1轮位置预测操作的目标位置；
所述至少一个子预测操作中第i个子预测操作中，基于所述i和第i个子预测操作的初始位置，确定所述第i个子预测操作的预估位置，所述i为大于0的整数。
第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的路径规划方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的路径规划方法。
相比于相关技术，本申请实施例提供的路径规划方法，通过在至少一轮位置预测操作中，若第m轮位置预测操作的当前位置对应的路径规划状态为局部最优状态，则在所述第m轮位置预测操作中调用迭代执行的至少一个子预测操作至满足迭代结束条件，并基于所述至少一个子预测操作中最后一个子预测操作的预估位置确定所述第m轮位置预测操作的目标位置。其中，所述至少一个子预测操作中第i个子预测操作中，基于所述i和第i个子预测操作的初始位置，确定所述第i个子预测操作的预估位置，从而在路径规划时，对于不同复杂度的障碍物环境，可以根据局部最优状态下子预测操作的迭代次数i动态变化生成预估位置，从而降低了无效预估位置出现的概率，提高了监测目标对于局部最优状态的逃离速度。通过在第m轮位置预测操作中根据迭代执行的至少一个子预测操作中最后一个子预测操作的预估位置确定该轮位置预测操作的目标位置，进而基于所述至少一轮位置预测操作的目标位置，确定针对所述监测目标进行路径规划的预测路径，确保了路径规划方法的执行效率。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本申请其中一个实施例中人工势场模型中监测目标的受力情况图；
图2是图1中监测目标的受力矢量图；
图3是本申请其中一个实施例中确定第i个子预测操作的预估位置的流程示意图；
图4是本申请其中一个实施例中基于目标随机位置确定第i个子预测操作的预估位置的流程示意图；
图5是本申请其中一个实施例中确定第m轮位置预测操作的当前位置对应的路径规划状态为局部最优状态的流程示意图；
图6是本申请其中一个实施例中确定监测目标对应的路径规划状态的流程框图；
图7是本申请一个实施例中路径规划方法的流程框图；
图8是本申请其中一个实施例中路径规划装置的结构框图；
图9是本申请其中一个实施例中电子设备的结构示意图。
附图说明：81、第一路径规划单元；811、第一位置预测模块；812、第二位置预测模块；82、第二路径规划单元；90、总线；91、处理器；92、存储器；93、通信接口。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
随着当代计算机技术、控制理论、能源技术等的发展，智能可移动设备遍布日常的生活、生产过程中，在智能可移动设备作业过程中，与之相关的路径定位、导航等路径规划研究具有很大的实用价值。路径是在规划区域中，出发点与目标点之间的点序列，这些点序列及相邻点之间的连线必须与障碍物保持一定的距离，构成路径的策略即路径规划。常用的路径规划算法包括遗传算法、概率地图法、粒子群算法、人工势场法等。
本实施例提供了一种路径规划方法，该方法包括如下步骤：
针对监测目标进行至少一轮位置预测操作，基于所述至少一轮位置预测操作的目标位置，确定针对所述监测目标进行路径规划的预测路径，至满足路径规划结束条件。其中，所述至少一轮位置预测操作中，若第m轮位置预测操作的当前位置对应的路径规划状态为局部最优状态，则在所述第m轮位置预测操作中调用迭代执行的至少一个子预测操作至满足迭代结束条件，并基于所述至少一个子预测操作中最后一个子预测操作的预估位置确定所述第m轮位置预测操作的目标位置。其中，所述m为大于0的整数，当m等于1时，所述第m轮位置预测操作的当前位置为初始位置；当m大于1时，所述第m轮位置预测操作的当前位置为第m-1轮位置预测操作的目标位置。
在本实施例中，监测目标可以是智能移动机器人、自动引导车、无人机等智能可移动设备。监测目标从初始位置到终点之间的路径规划过程可以划分为至少一轮位置预测操作，根据每一轮位置预测操作得到的目标位置移动监测目标，直至满足路径规划结束条件。
在监测目标的运动过程中，监测目标当前位置对应的路径规划状态为监测目标在当前环境中的运动状态，包括局部最优状态和非局部最优状态。其中，当监测目标受到的外力作用相互抵消时，极易出现静止不动或周期性震荡运动的现象，即陷入局部最优状态，最终导致监测目标始终在小范围内运动，无法完成路径规划任务。
在本实施例中，当监测目标在第m轮位置预测操作的当前位置对应的路径规划状态为局部最优状态时，第m轮位置预测操作的目标位置的确定包括：迭代执行至少一个子预测操作至满足迭代结束条件，并基于所述至少一个子预测操作中最后一个子预测操作的预估位置进行确定。可以理解，迭代结束条件只需保证监测目标偏离局部最优状态即可，本申请在此并不限定。
在本实施例中，所述至少一个子预测操作中第i个子预测操作中，基于所述i和第i个子预测操作的初始位置，确定所述第i个子预测操作的预估位置，所述i为大于0的整数。
一般的，局部最优状态的偏离可以通过在当前位置附近一个移动步长的圆周上随机选取的原则生成随机位置，并基于随机位置得到预估位置来更新监测目标的当前位置。然而面向障碍物复杂度越高的环境，基于固定的移动步长生成的随机位置适应性较差，易出现多次迭代仍无法偏离局部最优状态的情况，导致迭代次数增高，方法执行效率低下等问题。
本实施例通过基于所述i和第i个子预测操作的初始位置，确定所述第i个子预测操作的预估位置，可以根据当前运动环境的复杂情况进行预估位置的动态更新，提高局部最优状态的逃离速度，确保了路径规划方法的运行效率。
综上，本申请实施例提供的路径规划方法，通过在至少一轮位置预测操作中，若第m轮位置预测操作的当前位置对应的路径规划状态为局部最优状态，则在所述第m轮位置预测操作中调用迭代执行的至少一个子预测操作至满足迭代结束条件，并基于所述至少一个子预测操作中最后一个子预测操作的预估位置确定所述第m轮位置预测操作的目标位置。其中，所述至少一个子预测操作中第i个子预测操作中，基于所述i和第i个子预测操作的初始位置，确定所述第i个子预测操作的预估位置，从而在路径规划时，对于不同复杂度的障碍物环境，可以根据局部最优状态下子预测操作的迭代次数i动态变化生成预估位置，从而降低了无效预估位置出现的概率，提高了监测目标对于局部最优状态的逃离速度。通过在第m轮位置预测操作中根据迭代执行的至少一个子预测操作中最后一个子预测操作的预估位置确定该轮位置预测操作的目标位置，进而基于所述至少一轮位置预测操作的目标位置，确定针对所述监测目标进行路径规划的预测路径，确保了路径规划方法的执行效率。
下面通过优选实施例对本申请实施例进行描述和说明。
在上述实施例的基础上，在其中一些实施例中，所述至少一轮位置预测操作中还包括：若第m轮位置预测操作的当前位置对应的路径规划状态为非局部最优状态，则在所述第m轮位置预测操作中基于预设的人工势场模型确定所述第m轮位置预测操作的目标位置。
在本实施例中，当第m轮位置预测操作的当前位置对应的路径规划状态为非局部最优状态时，可将监测目标在环境中的运动视为虚拟受力场中的运动，直接基于预设的人工势场模型进行路径规划。在人工势场模型中，终点对监测目标产生引力，引导监测目标朝向其运动；障碍物对监测目标产生排斥力，避免监测目标与之发生碰撞。引力和斥力作用于监测目标所产生的合力控制监测目标的加速力和运动方向，进而确定所述第m轮位置预测操作的目标位置。通过在当前位置对应的路径规划状态为非局部最优状态时，直接基于预设的人工势场模型进行路径规划，提升了路径规划效率。
在上述实施例的基础上，在其中一些实施例中，所述针对监测目标进行至少一轮位置预测操作之前，还包括：基于预设的人工势场模型针对监测目标执行n轮基础位置预测操作至满足预设条件；其中，所述预设条件包括：所述n轮基础位置预测操作中第一轮基础位置预测操作的当前位置与第n轮基础位置预测操作的预测位置之间的距离大于第一距离阈值，所述n为整数。
在本实施例中，针对监测目标进行路径规划开始时，监测目标自初始位置在周围第一距离阈值范围内移动时，不会陷入局部最优状态。因此可以基于预设的人工势场模型针对监测目标执行n轮基础位置预测操作，直至移动距离大于所述第一距离阈值。此时，当m为1时，所述第m轮位置预测操作的当前位置为：所述n轮基础位置预测操作中最后一轮基础位置预测操作的预测位置。
通过配置第一距离阈值，并在第一轮基础位置预测操作的当前位置与第n轮基础位置预测操作的预测位置之间的距离小于等于第一距离阈值时，基于预设的人工势场模型针对监测目标执行n轮基础位置预测操作，从而在第一距离阈值范围内无需进行路径规划状态判断和子预测操作迭代，进一步降低了路径规划方法的运行复杂度。
需要说明的是，为了便于区分，此处基础位置预测操作为监测目标的移动距离小于等于第一距离阈值时进行的目标位置预测操作；位置预测操作为监测目标的移动距离大于第一距离阈值时进行的目标位置预测操作。
在上述实施例的基础上，在其中一些实施例中，针对监测目标进行至少一轮位置预测操作之前，还包括：
获取各个监测点的位置信息，所述监测点包括监测目标、终点和障碍物；
根据各个监测点的位置信息构建人工势场坐标系，并根据人工势场坐标系构建人工势场模型。
具体的，首先采集各个监测点的位置，然后以监测目标的初始位置为坐标系原点，建立人工势场坐标系。利用人工势场坐标系内的坐标值对上述各个监测点的位置信息进行描述，采集得到监测目标的实时位置坐标、终点以及障碍物的位置坐标。然后基于终点位置建立引力场，针对障碍物位置建立斥力场，得到人工势场模型。示例性地，引力场函数与斥力场函数公式如下：
其中，p为监测目标的当前位置；pg为终点位置；po为障碍物位置；Ug(p)、Uo(p)分别是人工势场中监测目标对应的引力场函数和斥力场函数；d(p,pg)为监测目标当前位置p与终点位置pg之间的相对距离，d(p,po)则是监测目标的当前位置p与各障碍物位置po之间的相对距离；α、β分别是引力势场以及斥力势场的势场增益系数；dv是障碍物的斥力场影响范围的距离阈值，当监测目标位于距离阈值外时，监测目标受到的斥力场作用为零。
在本实施例中，引力场和斥力场驱动监测目标运动，在障碍物斥力与终点引力的共同作用下进行监测目标的路径规划。基于上述人工势场模型，可以解算得到监测目标在运动过程中所受的引力、斥力大小，进而得到监测目标所受合力的大小和运动方向。具体的，基于人工势场模型获取引力场函数和斥力场函数，分别对引力场函数和斥力场函数求取负梯度，得到引力函数和斥力函数，函数公式如下：
其中，是人工势场模型中监测目标受到的引力函数，方向由监测目标位置朝向终点位置，主要作用是使监测目标趋向终点位置运动；是人工势场模型中监测目标受到的斥力函数，方向由障碍物位置朝向监测目标位置，主要作用是使监测目标远离障碍物位置运动。
面对复杂障碍物环境，在监测目标运动过程中，通常存在的障碍物数目较多的情况。假设障碍物的数量为N，监测目标在受到多个障碍物斥力以及终点引力的合力作用下根据预设的运动步长进行下一步运动，则合力函数公式为：
其中，是各障碍物斥力的合力；是终点的引力作用；是监测目标所受到的合力作用，的方向即监测目标的运动方向。
示例性地，如图2所示，监测目标受到障碍物A的斥力作用方向由障碍物A的位置朝向监测目标位置；监测目标受到障碍物B的斥力作用方向由障碍物B的位置朝向监测目标位置；监测目标受到障碍物A和障碍物B的斥力的合力为监测目标还受到终点C的引力作用方向由监测目标位置朝向终点位置；监测目标所受到的合力作用为监测目标所受斥力的合力与引力的矢量和 的方向即监测目标的运动方向。
通过建立人工势场模型，可以将监测目标在环境中的运动视为虚拟受力场中的运动，从而基于构建的人工势场模型进行路径规划。
在上述实施例的基础上，在其中一些实施例中，所述第i个子预测操作包括：
首先确定所述第i个子预测操作的初始位置。具体的，在第m轮位置预测操作中，所述i为1时，表明在第m轮位置预测操作中第一次执行子预测操作，此时第i个子预测操作的初始位置为所述第m-1轮位置预测操作的目标位置；所述i大于1时，表明在第m轮位置预测操作中已经执行过至少一次子预测操作，此时第i个子预测操作的初始位置为第i-1个子预测操作的预估位置。
当确定所述第i个子预测操作的初始位置后，基于所述i和第i个子预测操作的初始位置，确定所述第i个子预测操作的预估位置。在一些实施例中，可以根据所述i得到子预测操作的迭代次数，并根据所述迭代次数动态更新随机位置的生成条件，如生成范围等，基于第i个子预测操作的初始位置和所述生成条件得到预估位置。在另一些实施例中，可以根据所述i得到子预测操作的迭代次数，根据第i个子预测操作的初始位置和所述迭代次数计算得到预估位置并动态更新。本实施例对基于所述i和第i个子预测操作的初始位置确定预估位置的具体方式不做具体限定。通过基于所述i和第i个子预测操作的初始位置，确定所述第i个子预测操作的预估位置，实现了根据当前运动环境的复杂情况进行预估位置的动态更新，提高局部最优状态的逃离速度，确保了路径规划方法的运行效率。
如图3所示，在上述实施例的基础上，在其中一些实施例中，基于所述i和第i个子预测操作的初始位置，确定所述第i个子预测操作的预估位置包括：
步骤S11，基于所述i，确定移动步长；
步骤S12，在所述初始位置的移动步长范围内生成多个随机位置；
在本实施例中，可以根据子预测操作的当前迭代次数i，得到动态的移动步长。示例性地，移动步长大小可以随着所述当前迭代次数i的增加逐渐增大，以适应不同复杂度的障碍物环境，避免在一个小步长区间内迭代次数过高。示例性地，动态的移动步长的更新函数公式如下：
其中，Δd是移动步长，Δd0是初始步长；i是子预测操作的迭代次数，imax表示预设的子预测操作的最大迭代次数。此时移动步长的取值范围在初始步长的[1,2]倍区间内，随当前迭代次数i增加而增大。
在本实施例中，当得到当前位置的移动步长后，在更新后的移动步长范围内生成多个随机位置，提高了路径规划算法的有效性。
步骤S13，根据各个所述随机位置与终点之间的相对距离，从所述多个随机位置中筛选出目标随机位置；
在本实施例中，根据动态的移动步长生成的随机位置的方法完全随机，缺乏方向性，因此有较大概率出现远离终点位置的无效位置。若接受该无效位置，监测目标极易在偏离局部最优状态后，受合力作用再次陷入局部最优状态，导致规划的监测目标路径迂回前进，降低了路径规划算法的有效性。
在本实施例中，可以筛选多组随机位置中的较优位置，通过接受较优位置对监测目标的局部最优状态进行扰动，保证算法在当前状态附近快速地生成有效的目标随机位置对当前状态进行扰动，提高了局部最优状态的逃离效率。在一些实施例中，根据随机位置与终点位置间相对距离选择目标随机位置，目标随机位置的筛选遵循终点位置驱动原则，筛选函数参考公式如下：
dK＝d(pk,pg)
di＝min(d1,d2,…,dk,…,dn-1,dn)
pbetter＝pi (7)
其中，pk为基于模拟退火算法生成的随机位置，dk为每一组随机位置与终点位置的相对距离；di为最小相对距离；i为最小相对距离对应随机位置pi的序号，n为随机位置总数量；pbetter为筛选后得到的较优位置，即与终点位置相对距离最小的目标随机位置。
步骤S14，基于所述目标随机位置确定所述第i个子预测操作的预估位置。如图4所示，具体包括以下步骤：
步骤S141，根据初始位置和所述目标随机位置的位置坐标和人工势场值，计算得到所述目标随机位置对应的位置更新概率。
在本实施例中，当得到目标随机位置后，可以概率接受该目标随机位置，实现对当前状态的扰动，促使监测目标逃离局部最优状态。具体的，计算得到目标随机位置的位置更新概率：
基于上述人工势场模型，Metropolis准则公式如下：
其中，PmetropoIls是基于Metropolis准则解算得到的概率函数；U(pbetter)、U(pnow)分别为目标随机位置和初始位置的人工势场值，即基于式(1)和(2)计算得到的引力场和斥力场的叠加，U(pbetter)＝Ug(pbetter)+Uo(pbetter)、U(pnow)＝Ug(pnow)+Uo(pnow)；K是玻尔兹曼常数；d(p,pg)是初始位置与终点位置间的相对距离。
步骤S142，确定随机概率。具体的，随机概率随机生成，可以为[0，1]区间内的随机数，本申请在此并不限定。
步骤S143，若基于所述位置更新概率和所述随机概率确定满足位置更新条件，则基于所述目标随机位置更新所述监测目标的初始位置，得到所述第i个子预测操作的预估位置。
在本实施例中，当得到目标随机位置对应的位置更新概率PMetropoils后，将位置更新概率PMetropoils与随机概率进行比对，判断其是否满足位置更新条件，概率接受对应的目标随机位置。示例性地，当PMetropoils小于随机概率，则不接受目标随机位置，继续在初始位置进行迭代；否则接受该目标随机位置，将监测目标初始位置更新至目标随机位置处，将该得到目标随机位置确定为所述第i个子预测操作的预估位置，继续在更新后的预估位置进行迭代。
通过上述步骤，实现了概率更新筛选得到的目标随机位置，从而在保证目标随机位置筛选速度的同时，提高有效位置的数量，加快算法的收敛速度和有效性。
在上述实施例的基础上，在其中一些实施例中，其中，所述路径规划结束条件包括：所述至少一轮位置预测操作中，最后一轮位置预测操作的目标位置与终点位置的距离小于第二距离阈值。
在本实施例中，所述终点位置是基于对所述监测目标进行路径规划的终点确定的。所述第二距离阈值可适应性设置，当第二距离阈值为零时，所述最后一轮位置预测操作的目标位置即为终点位置；当第二距离阈值不为零时，所述最后一轮位置预测操作的目标位置与终点位置的距离满足预设的精度范围。通过比对目标位置与终点位置的距离与第二距离阈值的大小，配置路径规划结束条件，避免了监测目标在终点附近的迭代迂回。
如图5所示，在上述实施例的基础上，在其中一些实施例中，确定第m轮位置预测操作的当前位置对应的路径规划状态为局部最优状态包括：
步骤S21，获取所述监测目标第m轮位置预测操作的当前位置和对应的时间戳；
步骤S22，根据所述当前位置和对应的时间戳，计算得到监测目标单位时间内的运动距离；
步骤S23，将所述运动距离与预设的运动距离阈值进行比对，以根据比对结果确定监测目标对应的路径规划状态是否为局部最优状态。
如图6所示，在本实施例中，根据监测目标处于局部最优状态时始终进行小范围运动的特性，通过设定监测目标在单位时间的最小运动距离阈值d0，记录根据所述当前位置和对应的时间戳，可以解算得到监测目标单位时间内的运动距离dk，并将监测目标单位时间内的运动距离dk与预设的运动距离阈值d0进行对比，实现监测目标路径规划状态的判断。具体的，若dk≥d0，则判断监测目标对应的路径规划状态为非局部最优状态，继续循环执行上述步骤S21-S23；若dk<d0，则判断监测目标陷入局部最优状态。通过上述步骤，实现了监测目标路径规划状态的实时获取，保证在陷入局部最优状态后能够及时逃离，鲁棒性更强。
在上述实施例的基础上，在其中一些实施例中，所述迭代结束条件包括：
第i个子预测操作中，根据预设的人工势场模型获取监测目标处于初始位置的第一势场值以及处于预估位置的第二势场值；并根据所述第一势场值和所述第二势场值，确定监测目标偏离局部最优状态。
在本实施例中，第i个子预测操作中，当监测目标的当前位置更新后，将监测目标处于初始位置的第一势场值plos以及预估位置的第二势场值plast进行比对，判定是否逃离局部最优状态。若plos≥plast，则判断逃离失败，继续迭代执行子预测操作；若plos<plast，则判断逃离成功。
在本实施例中，当判定逃离失败时，继续迭代执行子预测操作以更新所述监测目标的预估位置；当判定逃离成功时，第m轮位置预测操作中的子预测操作迭代结束，更新监测目标的目标位置，并针对监测目标进行下一轮位置预测操作，实现对监测目标的路径规划引导，直至出现下一个局部最优状态或者监测目标到达终点位置，路径规划任务完成。通过上述步骤，在每一次子预测操作得到预估位置后进行逃离状态判断，保证了及时跳出迭代过程，缩短了局部最优解的搜寻时间。
如图7所示，在上述实施例的基础上，在其中一些实施例中，路径规划方法包括以下步骤：首先获取各个监测点的位置信息，根据各个监测点的位置信息构建人工势场坐标系，并根据人工势场坐标系构建人工势场模型，以基于所述人工势场模型进行路径规划。其中，引力场和斥力场驱动监测目标，在障碍物斥力与终点引力的共同作用下进行监测目标的路径规划。
在监测目标的运动过程中，针对监测目标进行至少一轮位置预测操作，所述至少一轮位置预测操作中，记录监测目标的当前位置和对应的时间戳，可以解算得到监测目标单位时间内的运动距离dk，并将监测目标单位时间内的运动距离dk与预设的运动距离阈值d0进行对比，实现监测目标路径规划状态的判断。若dk≥d0，则判断监测目标没有陷入局部最优状态，继续循环进行局部最优状态判断；若dk<d0，则判断监测目标陷入局部最优状态。
具体的：当判断所述监测目标处于局部最优状态时，根据子预测操作的当前迭代次数i，得到动态的移动步长,然后第i个子预测操作的初始位置的移动步长范围内生成随机位置，根据各个所述随机位置与目标点之间的相对距离进行随机位置筛选，得到目标随机位置后。通过概率更新该随机位置，实现对当前状态的扰动，促使监测目标逃离局部最优状态。
最后将监测目标处于初始位置的第一势场值plos以及预估位置的第二势场值plast进行比对，判定是否逃离局部最优状态。若plos≥plast，则判断逃离失败，继续迭代执行子预测操作；若plos<plast，则判断逃离成功。当判定逃离成功时，第m轮位置预测操作中的子预测操作迭代结束，更新监测目标的目标位置，并针对监测目标进行下一轮位置预测操作，实现对监测目标的路径规划引导，直至出现下一个局部最优状态或者监测目标到达终点位置，路径规划任务完成。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种路径规划装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图8是根据本申请实施例的路径规划装置的结构框图，如图8所示，该装置包括：第一路径规划单元81。
第一路径规划单元81，用于针对监测目标进行至少一轮位置预测操作，基于所述至少一轮位置预测操作的目标位置，确定针对所述监测目标进行路径规划的预测路径，至满足路径规划结束条件；其中，第一路径规划单元81包括：第一位置预测模块811。
第一位置预测模块811，用于在所述至少一轮位置预测操作中，若第m轮位置预测操作的当前位置对应的路径规划状态为局部最优状态，则在所述第m轮位置预测操作中调用迭代执行的至少一个子预测操作至满足迭代结束条件，并基于所述至少一个子预测操作中最后一个子预测操作的预测预估位置确定所述第m轮位置预测操作的目标位置，所述m为大于0的整数；其中，第m轮位置预测操作的当前位置为第m-1轮位置预测操作的目标位置；
所述至少一个子预测操作中第i个子预测操作中，基于所述i和第i个子预测操作的初始位置，确定所述第i个子预测操作的预估位置，所述i为大于0的整数。
在其中一些实施例中，所述第一路径规划单元81还包括：第二位置预测模块812。
第二位置预测模块812，用于若第m轮位置预测操作的当前位置对应的路径规划状态为非局部最优状态，则在所述第m轮位置预测操作中基于预设的人工势场模型确定所述第m轮位置预测操作的目标位置。
在其中一些实施例中，路径规划装置还包括：第二路径规划单元82。
第二路径规划单元，用于基于预设的人工势场模型针对监测目标执行n轮基础位置预测操作至满足预设条件；其中，所述预设条件包括：所述n轮基础位置预测操作中第一轮基础位置预测操作的当前位置与第n轮基础位置预测操作的预测位置之间的距离大于第一距离阈值，所述n为整数。
在其中一些实施例中，所述m为1时，所述第m轮位置预测操作的当前位置为：所述n轮基础位置预测操作中最后一轮基础位置预测操作的预测位置。
在其中一些实施例中，路径规划装置还包括：位置信息获取单元和人工势场模型构建单元。
位置信息获取单元，用于获取各个监测点的位置信息，所述监测点包括监测目标、终点和障碍物；
人工势场模型构建单元，用于根据各个监测点的位置信息构建人工势场坐标系，并根据人工势场坐标系构建人工势场模型。
在其中一些实施例中，所述第一位置预测模块811包括：初始位置确定模块和预估位置确定模块。
初始位置确定模块，用于确定所述第i个子预测操作的初始位置；其中，所述i为1时，所述初始位置为所述第m-1轮位置预测操作的目标位置；所述i大于1时，所述初始位置为第i-1个子预测操作的预估位置；
预估位置确定模块，用于基于所述i和第i个子预测操作的初始位置，确定所述第i个子预测操作的预估位置。
在其中一些实施例中，预估位置确定模块包括：移动步长确定模块、随机位置生成模块、目标随机位置筛选模块和预估位置获取模块。
移动步长确定模块，用于基于所述i，确定移动步长；
随机位置生成模块，用于在所述初始位置的移动步长范围内生成多个随机位置；
目标随机位置筛选模块，用于根据各个所述随机位置与终点之间的相对距离，从所述多个随机位置中筛选出目标随机位置；
预估位置获取模块，用于基于所述目标随机位置确定所述第i个子预测操作的预估位置。
在其中一些实施例中，预估位置获取模块包括：位置更新概率计算模块、随机概率确定模块和位置更新模块。
位置更新概率计算模块，用于根据初始位置和所述目标随机位置的位置坐标和人工势场值，计算得到所述目标随机位置对应的位置更新概率；
随机概率确定模块，用于确定随机概率；
位置更新模块，用于若基于所述位置更新概率和所述随机概率确定满足位置更新条件，则基于所述目标随机位置更新所述监测目标的初始位置，得到所述第i个子预测操作的预估位置。
在其中一些实施例中，所述路径规划结束条件包括：
所述至少一轮位置预测操作中，最后一轮位置预测操作的目标位置与终点位置的距离小于第二距离阈值；其中，所述终点位置是基于对所述监测目标进行路径规划的终点确定的。
在其中一些实施例中，第一位置预测模块811还包括：参数获取模块、计算模块和路径规划状态确定模块。
参数获取模块，用于获取所述监测目标第m轮位置预测操作的当前位置和对应的时间戳；
计算模块，用于根据所述当前位置和对应的时间戳，计算得到监测目标单位时间内的运动距离；
路径规划状态确定模块，用于将所述运动距离与预设的运动距离阈值进行比对，以根据比对结果确定监测目标对应的路径规划状态是否为局部最优状态。
在其中一些实施例中，所述迭代结束条件包括：
第i个子预测操作中，根据预设的人工势场模型获取监测目标处于初始位置的第一势场值以及处于预估位置的第二势场值；并根据所述第一势场值和所述第二势场值，确定监测目标偏离局部最优状态。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
另外，结合图9描述的本申请实施例路径规划方法可以由电子设备来实现。图9为根据本申请实施例的电子设备的硬件结构示意图。
电子设备可以包括处理器91以及存储有计算机程序指令的存储器92。
具体地，上述处理器91可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器92可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器92可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器92可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器92可在数据处理装置的内部或外部。在特定实施例中，存储器92是非易失性(Non-Volatile)存储器。在特定实施例中，存储器92包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(RandomAccess Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory，简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。
存储器92可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器91所执行的可能的计算机程序指令。
处理器91通过读取并执行存储器92中存储的计算机程序指令，以实现上述实施例中的任意一种路径规划方法。
在其中一些实施例中，电子设备还可包括通信接口93和总线90。其中，如图9所示，处理器91、存储器92、通信接口93通过总线90连接并完成相互间的通信。
通信接口93用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口93还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线90包括硬件、软件或两者，将电子设备的部件彼此耦接在一起。总线90包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(Address Bus)、控制总线(ControlBus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线90可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(FrontSide Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线90可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
该电子设备可以基于获取到的程序指令，执行本申请实施例中的路径规划方法，从而实现结合图1描述的路径规划方法。
另外，结合上述实施例中的路径规划方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种路径规划方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (14)
1.一种路径规划方法，其特征在于，包括：
针对监测目标进行至少一轮位置预测操作，基于所述至少一轮位置预测操作的目标位置，确定针对所述监测目标进行路径规划的预测路径，至满足路径规划结束条件；其中，
所述至少一轮位置预测操作中，若第m轮位置预测操作的当前位置对应的路径规划状态为局部最优状态，则在所述第m轮位置预测操作中调用迭代执行的至少一个子预测操作至满足迭代结束条件，并基于所述至少一个子预测操作中最后一个子预测操作的预估位置确定所述第m轮位置预测操作的目标位置，所述m为大于0的整数；其中，第m轮位置预测操作的当前位置为第m-1轮位置预测操作的目标位置；当m等于1时，所述第m轮位置预测操作的当前位置为初始位置；
所述至少一个子预测操作中第i个子预测操作中，基于所述i和第i个子预测操作的初始位置，确定所述第i个子预测操作的预估位置，所述i为大于0的整数；所述基于所述i和第i个子预测操作的初始位置，确定所述第i个子预测操作的预估位置包括：根据所述i得到子预测操作的迭代次数，并根据所述迭代次数动态更新随机位置的生成条件，基于第i个子预测操作的初始位置和所述生成条件得到预估位置；或根据所述i得到子预测操作的迭代次数，根据第i个子预测操作的初始位置和所述迭代次数计算得到预估位置并动态更新。
2.根据权利要求1所述的路径规划方法，其特征在于，所述至少一轮位置预测操作中还包括：
若第m轮位置预测操作的当前位置对应的路径规划状态为非局部最优状态，则在所述第m轮位置预测操作中基于预设的人工势场模型确定所述第m轮位置预测操作的目标位置。
3.根据权利要求1所述的路径规划方法，其特征在于，所述针对监测目标进行至少一轮位置预测操作之前，还包括：
基于预设的人工势场模型针对监测目标执行n轮基础位置预测操作至满足预设条件；其中，所述预设条件包括：所述n轮基础位置预测操作中第一轮基础位置预测操作的当前位置与第n轮基础位置预测操作的预测位置之间的距离大于第一距离阈值，所述n为整数。
4.根据权利要求3所述的路径规划方法，其特征在于，所述m为1时，所述第m轮位置预测操作的当前位置为：所述n轮基础位置预测操作中最后一轮基础位置预测操作的预测位置。
5.根据权利要求2-4任一项所述的路径规划方法，其特征在于，针对监测目标进行至少一轮位置预测操作之前，还包括：
获取各个监测点的位置信息，所述监测点包括监测目标、终点和障碍物；
根据各个监测点的位置信息构建人工势场坐标系，并根据人工势场坐标系构建人工势场模型。
6.根据权利要求1所述的路径规划方法，其特征在于，所述第i个子预测操作包括：
确定所述第i个子预测操作的初始位置；其中，所述i为1时，所述初始位置为所述第m-1轮位置预测操作的目标位置；所述i大于1时，所述初始位置为第i-1个子预测操作的预估位置；
基于所述i和第i个子预测操作的初始位置，确定所述第i个子预测操作的预估位置。
7.根据权利要求1-4或6任一项所述的路径规划方法，其特征在于，基于所述i和第i个子预测操作的初始位置，确定所述第i个子预测操作的预估位置包括：
基于所述i，确定移动步长；
在所述初始位置的移动步长范围内生成多个随机位置；
根据各个所述随机位置与终点之间的相对距离，从所述多个随机位置中筛选出目标随机位置；
基于所述目标随机位置确定所述第i个子预测操作的预估位置。
8.根据权利要求7所述的路径规划方法，其特征在于，基于所述目标随机位置确定所述第i个子预测操作的预估位置，包括：
根据初始位置和所述目标随机位置的位置坐标和人工势场值，计算得到所述目标随机位置对应的位置更新概率；以及
确定随机概率；
若基于所述位置更新概率和所述随机概率确定满足位置更新条件，则基于所述目标随机位置更新所述监测目标的初始位置，得到所述第i个子预测操作的预估位置。
9.根据权利要求1-4或6任一项所述的路径规划方法，其特征在于，所述路径规划结束条件包括：
所述至少一轮位置预测操作中，最后一轮位置预测操作的目标位置与终点位置的距离小于第二距离阈值；其中，所述终点位置是基于对所述监测目标进行路径规划的终点确定的。
10.根据权利要求1-4或6任一项所述的路径规划方法，其特征在于，确定第m轮位置预测操作的当前位置对应的路径规划状态为局部最优状态包括：
获取所述监测目标第m轮位置预测操作的当前位置和对应的时间戳；
根据所述当前位置和对应的时间戳，计算得到监测目标单位时间内的运动距离；
将所述运动距离与预设的运动距离阈值进行比对，以根据比对结果确定监测目标对应的路径规划状态是否为局部最优状态。
11.根据权利要求1-4或6任一项所述的路径规划方法，其特征在于，所述迭代结束条件包括：
第i个子预测操作中，根据预设的人工势场模型获取监测目标处于初始位置的第一势场值以及处于预估位置的第二势场值；并根据所述第一势场值和所述第二势场值，确定监测目标偏离局部最优状态。
12.一种路径规划装置，其特征在于，包括：
第一路径规划单元，用于针对监测目标进行至少一轮位置预测操作，基于所述至少一轮位置预测操作的目标位置，确定针对所述监测目标进行路径规划的预测路径，至满足路径规划结束条件；其中，第一路径规划单元包括：
第一位置预测模块，用于在所述至少一轮位置预测操作中，若第m轮位置预测操作的当前位置对应的路径规划状态为局部最优状态，则在所述第m轮位置预测操作中调用迭代执行的至少一个子预测操作至满足迭代结束条件，并基于所述至少一个子预测操作中最后一个子预测操作的预测预估位置确定所述第m轮位置预测操作的目标位置，所述m为大于0的整数；其中，第m轮位置预测操作的当前位置为第m-1轮位置预测操作的目标位置；当m等于1时，所述第m轮位置预测操作的当前位置为初始位置；
所述至少一个子预测操作中第i个子预测操作中，基于所述i和第i个子预测操作的初始位置，确定所述第i个子预测操作的预估位置，所述i为大于0的整数；所述基于所述i和第i个子预测操作的初始位置，确定所述第i个子预测操作的预估位置包括：根据所述i得到子预测操作的迭代次数，并根据所述迭代次数动态更新随机位置的生成条件，基于第i个子预测操作的初始位置和所述生成条件得到预估位置；或根据所述i得到子预测操作的迭代次数，根据第i个子预测操作的初始位置和所述迭代次数计算得到预估位置并动态更新。
13.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至11中任一项所述的路径规划方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至11中任一项所述的路径规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111163295.0A CN114061603B (zh) | 2021-09-30 | 2021-09-30 | 路径规划方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111163295.0A CN114061603B (zh) | 2021-09-30 | 2021-09-30 | 路径规划方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114061603A CN114061603A (zh) | 2022-02-18 |
| CN114061603B true CN114061603B (zh) | 2024-08-16 |
Family
ID=80234044
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111163295.0A Active CN114061603B (zh) | 2021-09-30 | 2021-09-30 | 路径规划方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114061603B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118282920B (zh) * | 2024-06-03 | 2024-08-16 | 浙江大华技术股份有限公司 | 路由路径优化方法、路由路径优化系统及电子设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106843235A (zh) * | 2017-03-31 | 2017-06-13 | 深圳市靖洲科技有限公司 | 一种面向无人自行车的人工势场路径规划法 |
| CN110609552A (zh) * | 2019-09-12 | 2019-12-24 | 哈尔滨工程大学 | 一种水下无人航行器编队平面航迹规划方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9889566B2 (en) * | 2015-05-01 | 2018-02-13 | General Electric Company | Systems and methods for control of robotic manipulation |
| US11169528B2 (en) * | 2018-05-11 | 2021-11-09 | Uatc, Llc | Initial trajectory generator for motion planning system of autonomous vehicles |
| CN112684807A (zh) * | 2019-10-18 | 2021-04-20 | 成都凯天电子股份有限公司 | 无人机集群三维编队方法 |
| CN112859866A (zh) * | 2021-01-18 | 2021-05-28 | 西安电子科技大学 | 机器人滚动路径规划方法、系统、存储介质、设备及应用 |
| CN113342047B (zh) * | 2021-06-23 | 2023-10-17 | 大连大学 | 未知环境中基于障碍物位置预测改进人工势场法的无人机路径规划方法 |
-
2021
- 2021-09-30 CN CN202111163295.0A patent/CN114061603B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106843235A (zh) * | 2017-03-31 | 2017-06-13 | 深圳市靖洲科技有限公司 | 一种面向无人自行车的人工势场路径规划法 |
| CN110609552A (zh) * | 2019-09-12 | 2019-12-24 | 哈尔滨工程大学 | 一种水下无人航行器编队平面航迹规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114061603A (zh) | 2022-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109540142B (zh) | 一种机器人定位导航的方法、装置、计算设备 | |
| CN110687923B (zh) | 无人机长距离循迹飞行方法、装置、设备及存储介质 | |
| CN110544964B (zh) | 用于机器人的自动充电系统以及方法 | |
| CN111507150B (zh) | 利用基于深度神经网络的多重图像块组合识别人脸的方法 | |
| CN110196602B (zh) | 目标导向集中优化的快速水下机器人三维路径规划方法 | |
| JP6846069B2 (ja) | 遠距離検出または軍事目的のために、イメージコンカチネーションを利用したｃｎｎ基盤のハードウェア最適化が可能な物体検出器を学習する方法及び学習装置、それを利用したテスト方法及びテスト装置｛ｌｅａｒｎｉｎｇ ｍｅｔｈｏｄ ａｎｄ ｌｅａｒｎｉｎｇ ｄｅｖｉｃｅ ｆｏｒ ｏｂｊｅｃｔ ｄｅｔｅｃｔｏｒ ｗｉｔｈ ｈａｒｄｗａｒｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｂａｓｅｄ ｏｎ ｃｎｎ ｆｏｒ ｄｅｔｅｃｔｉｏｎ ａｔ ｄｉｓｔａｎｃｅ ｏｒ ｍｉｌｉｔａｒｙ ｐｕｒｐｏｓｅ ｕｓｉｎｇ ｉｍａｇｅ ｃｏｎｃａｔｅｎａｔｉｏｎ， ａｎｄ ｔｅｓｔｉｎｇ ｍｅｔｈｏｄ ａｎｄ ｔｅｓｔｉｎｇ ｄｅｖｉｃｅ ｕｓｉｎｇ ｔｈｅ ｓａｍｅ｝ | |
| CN110703797B (zh) | 无人机及其飞行轨迹的生成方法、计算机可读存储介质 | |
| CN114061603B (zh) | 路径规划方法、装置、电子设备和存储介质 | |
| CN113110604B (zh) | 一种基于人工势场的路径动态规划方法 | |
| CN113985294A (zh) | 一种电池剩余寿命的预估方法及装置 | |
| CN112734931B (zh) | 一种辅助点云目标检测的方法及系统 | |
| CN112344938B (zh) | 基于指向和势场参数的空间环境路径生成及规划方法 | |
| CN112000126B (zh) | 一种基于鲸鱼算法的多无人机协同搜索多动态目标方法 | |
| CN109341698B (zh) | 一种移动机器人的路径选择方法及装置 | |
| CN112731961A (zh) | 路径规划方法、装置、设备及存储介质 | |
| CN114186671A (zh) | 一种大批量的去中心化分布式图像分类器训练方法和系统 | |
| CN113139696A (zh) | 一种轨迹预测模型构建方法及轨迹预测方法、装置 | |
| CN113569705B (zh) | 场景分割点判断方法、系统、存储介质及电子设备 | |
| JP7407018B2 (ja) | 捜索支援システム、捜索支援方法 | |
| CN117419716A (zh) | 无人机三维路径规划方法、系统、存储介质和电子设备 | |
| JP5422539B2 (ja) | 行動予測方法、装置及びプログラム | |
| CN113569704B (zh) | 分割点判断方法、系统、存储介质及电子设备 | |
| CN114115239A (zh) | 一种机器人路径规划方法、系统、设备及介质 | |
| CN111651689A (zh) | 数据处理的方法、装置、可读存储介质和电子设备 | |
| CN113670253A (zh) | 空间目标姿态反演方法、装置、计算设备及存储介质 |
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 |