CN114355901A - 一种路径规划智能优化方法、装置、电子设备和存储介质 - Google Patents
一种路径规划智能优化方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114355901A CN114355901A CN202111548954.2A CN202111548954A CN114355901A CN 114355901 A CN114355901 A CN 114355901A CN 202111548954 A CN202111548954 A CN 202111548954A CN 114355901 A CN114355901 A CN 114355901A
- Authority
- CN
- China
- Prior art keywords
- grid
- node
- path
- random
- paths
- 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 53
- 238000005457 optimization Methods 0.000 title claims abstract description 37
- 238000003860 storage Methods 0.000 title abstract description 19
- 238000012217 deletion Methods 0.000 claims abstract description 26
- 230000037430 deletion Effects 0.000 claims abstract description 26
- 230000007246 mechanism Effects 0.000 claims abstract description 22
- 230000000694 effects Effects 0.000 claims abstract description 12
- 230000004888 barrier function Effects 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000003825 pressing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000001007 puffing effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种路径规划智能优化方法、装置、电子设备和存储介质，所述方法包括：根据规划对象的活动区域，构建栅格地图；根据所述栅格地图，采用栅格逐步探索法在起始点和目标点之间构建栅格逐步图，并生成L条随机路径；其中，L的值由种群数量决定；根据所述L条随机路径，采用二重删除操作简化随机路径，生成L条简化路径；根据所述L条简化路径，通过局部搜索机制进行优化，从而构建起始点与目标点之间的最优路径。本发明提供的方法通过在连续地图上进行优化，能够进一步缩短所规划对象的路径长度，实现更高的工作效率。
Description
技术领域
本发明涉及路径规划技术领域，具体涉及一种路径规划智能优化方法、装置、电子设备和存储介质。
背景技术
路径规划算法是一种基于运筹学和计算机技术的图论算法，用于求解起始点与目标点之间的最优路径解，广泛应用于仓储物流、码头调度、自动化立体仓库等场景。目前，大多数路径优化算法皆存在一些问题，如A*算法得到的路径通过栅格中心点进行连接，其获得的路径仅为次优路径，并且随着栅格数量的增多，其所搜索效率会大幅度降低；RRT(快速探索随机树)算法通过对状态空间中的采样点进行碰撞检测，对于包含大量障碍物或狭窄通道的环境，其收敛速度慢，效率低。
发明内容
为了解决上述现有技术的不足，本发明提供了一种路径规划智能优化方法、装置、电子设备和存储介质，该方法在搭建初始随机路径时使用栅格地图，在后续的路径优化过程中，本质上是在连续地图上进行优化，能够进一步缩短所规划对象的路径长度，从而实现更高的工作效率。
本发明的第一个目的在于提供一种路径规划智能优化方法。
本发明的第二个目的在于提供一种路径规划智能优化装置。
本发明的第三个目的在于提供一种电子设备。
本发明的第四个目的在于提供一种存储介质。
本发明的第一个目的可以通过采取如下技术方案达到：
一种路径规划智能优化方法，所述方法包括：
根据规划对象的活动区域，构建栅格地图；
根据所述栅格地图，采用栅格逐步探索法在起始点和目标点之间构建栅格逐步图，并生成L条随机路径；其中，L的值由种群数量决定；
根据所述L条随机路径，采用二重删除操作简化随机路径，生成L条简化路径；
根据所述L条简化路径，通过局部搜索机制进行优化，从而构建起始点与目标点之间的最优路径。
进一步的，所述根据规划对象的活动区域，构建栅格地图，具体包括：
对所述活动区域进行栅格划分，白色栅格为环境可行道路，黑色栅格为环境障碍物；
对所述环境障碍物进行膨化处理，具体为：
将所述规划对象的最长边长增加到所述环境障碍物边长上，即将所述环境障碍物坐标对应的白色栅格转化为黑色栅格。
进一步的，所述构建栅格逐步图，具体包括：
将所有白色栅格节点放入open表中、起始点放入temp表中；
计算所述temp表中所有栅格节点的适应度值；
根据所述temp表中所有栅格节点的适应度值，选取最佳栅格节点；
将所述最佳栅格节点压入close表中；
搜索所述最佳栅格节点的多个方向邻近的栅格节点，并计算相应的适应度值；
若搜索的邻近栅格节点属于open表，则从open表中删除并压入temp表中；否则，若搜索的邻近栅格节点属于temp表且适应度值优于原先适应度值，则更新其适应度值；
将所述最佳栅格节点从temp表中删除；
根据所述temp表中所有栅格节点的适应度值，选取最佳栅格节点；
若所述最佳栅格节点为目标点，则将所述最佳栅格节点压入close表，从而完成栅格逐步图的构建；否则，返回将所述最佳栅格节点压入close表中，并继续执行后续操作。
进一步的，所述计算所述temp表中所有栅格节点的适应度值，具体为：
根据如下公式，计算栅格节点n的适应度值：
f(n)＝α*g(n)+h(n)
其中，f(n)为所述栅格节点n的适应度值，g(n)为所述栅格节点n离起始点的最小栅格数，α为所述最小栅格数g(n)在规划过程中的重要程度，是常数；h(n)为所述栅格节点n离目标点之间的距离。
进一步的，所述随机路径的生成，具体包括：
设置目标点为随机路径的初始节点；
设随机路径中最后一个节点所在的白色栅格节点Ps的最小栅格数为Gs，在close表中寻找最小栅格数为Gs-1的栅格节点Pn；
若栅格节点Pn位于所述栅格节点Ps的周围，则将所述栅格节点Pn加入候选表中；
从所述候选表中任选一个栅格节点，若所选栅格节点与所述栅格节点Ps构成的路径经过环境障碍物顶点，则将障碍物顶点加入到所述随机路径中，并将所述障碍物顶点设为不可更改点；
若所选栅格节点为起始点节点，则：
将其加入到随机路径中，将起始点和目标点设为不可更改点，并输出随机路径；
否则：
在所选栅格节点的白色栅格范围内随机生成新节点，并将新节点加入到随机路径中；
返回设随机路径中最后一个节点所在的白色栅格节点Ps的最小栅格数为Gs，并继续执行后续操作。
进一步的，根据所述随机路径生成简化路径，具体包括：
设置删除操作标注flag＝0；
选取随机路径中起始点的下一个节点作为当前节点；
进行一重删除操作；
若当前节点不是最后一个节点，则：
将当前节点的下一个节点作为当前节点，并进行一重删除操作；
否则：
若删除操作标注flag为0，则进行二重删除操作，否则，输出简化路径。
进一步的，所述一重删除操作，具体包括：
若当前节点为可更改点，则：
若当前节点的相邻节点之间构成的新路径不穿过障碍物，则将当前节点Pj的上一个节点Pj-1作为当前节点，并删除节点Pj；其中，j为大于或等于2的正整数；
所述二重删除操作，具体包括：
将随机路径中除起始点及目标点外的所有节点设为可更改点；
设置删除操作标注flag＝1；
选取随机路径中起始点的下一个节点作为当前节点；
进行所述一重删除操作处理。
进一步的，所述根据L条简化路径，通过局部搜索机制进行优化，从而构建起始点与目标点之间的最优路径，具体包括：
通过局部搜索机制优化L条所述简化路径，得到L条优化路径；
若满足迭代结束条件，则根据所述L条优化路径输出路径的目标最优值，作为起始点与目标点之间的最优路径，否则，转入下一轮迭代，将L条所述优化路径作为L条简化路径，通过局部搜索机制继续优化L条所述简化路径。
进一步的，通过局部搜索机制优化所述简化路径，得到优化路径，具体包括：
选取所述简化路径中起始点的下一个节点作为当前节点；
选取当前节点的邻近节点，并计算邻近节点之间的线段函数；其中，所述邻近节点为当前节点的前一个节点和后一个节点；
当前节点通过随机移动的方式向所述线段函数方向移动，得到新节点；
若所述新节点与邻近节点之间构成的路径未经过环境障碍物，则将所述新节点替换掉当前节点，作为当前节点；
若当前节点不是最后一个节点，则选取当前节点的下一个节点作为当前节点，并返回选取当前节点的邻近节点，继续执行后续操作；否则，得到的路径即为优化路径。
本发明的第二个目的可以通过采取如下技术方案达到：
一种路径规划智能优化装置，所述装置包括：
栅格地图构建模块，用于根据规划对象的活动区域，构建栅格地图；
随机路径生成模块，用于根据所述栅格地图，采用栅格逐步探索法在起始点和目标点之间构建栅格逐步图，并生成L条随机路径；其中，L为大于等于1的正整数；
简化路径生成模块，用于根据所述L条随机路径，采用二重删除操作简化随机路径，生成L条简化路径；
最优路径构建模块，用于根据所述L条简化路径，通过局部搜索机制进行优化，从而构建起始点与目标点之间的最优路径。
本发明的第三个目的可以通过采取如下技术方案达到：
一种电子设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的路径规划智能优化方法。
本发明的第四个目的可以通过采取如下技术方案达到：
一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的路径规划智能优化方法。
本发明相对于现有技术具有如下的有益效果：
(1)本发明使用的栅格逐步探索法利用目标点节点指引前进方向，减少了地图栅格的搜索次数，加快了算法速度，同时引入栅格数作为栅格节点的选取标准，能够较快的获得高质量的可行路径，提高了搜索最优路径的能力；其次利用二重删除操作对可行路径进行优化，减少路径转角和的同时缩短路径长度；此外，利用局部搜索机制，进一步优化路径的长度和转角和，对于宽且扭曲的道路具有较好的效果。
(2)本发明提供的方法通过只在搭建初始随机路径时使用栅格地图，在后续的路径优化过程中，其本质上是在连续地图上进行优化，能够进一步缩短所规划对象的路径长度，实现更高的工作效率。
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作简单地介绍，显而易见地，下面描述中的附图仅仅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的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例1的路径规划智能优化方法的流程图。
图2为本发明实施例1的栅格地图。
图3为本发明实施例1的构建栅格逐步图的流程示意图。
图4为本发明实施例1的搭建多条随机路径的流程示意图。
图5为本发明实施例1的二重删除操作的流程示意图。
图6为本发明实施例1的局部搜索机制的流程示意图。
图7～9为本发明实施例1的单目标路径优化结果。
图10为本发明实施例1的多目标路径优化结果。
图11为本发明实施例2的路径规划智能优化装置的结构框图。
图12为本发明实施例3的电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。应当理解，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。
实施例1：
如图1所示，本实施例提供了一种路径规划智能优化方法，以AGV小车在复杂环境下的路径规划为例进行说明，包括以下步骤：
S1、构建栅格地图。
在本实施例中，如图2所示，根据事先设定的栅格间隔，对AGV小车的实际活动区域进行栅格划分，构建栅格地图，其中白色栅格代表环境可行道路；黑色栅格代表环境障碍物。本实施例中栅格间隔取值为1。
对划分后的障碍物进行膨化处理，具体过程为：定义AGV小车的最长边长Lv以及障碍物的栅格坐标为(x，y)，则膨化后的障碍物栅格坐标为(x+Lv，y+Lv)、(x+Lv，y-Lv)、(x-Lv，y-Lv)、(x-Lv，y+Lv)，并将障碍物栅格坐标对应的白色栅格转化为黑色栅格。
S2、基于构建的栅格地图，采用栅格逐步探索法在起始点和目标点之间构建栅格逐步图，并基于此生成L条随机路径。
采用栅格逐步探索法构建栅格逐步图和生成随机路径。
进一步的，步骤S2包括：
(1)构建栅格逐步图。
如图3所示，构建栅格逐步图的步骤包括：
S201、基于所述栅格地图，将所述白色栅格放入open表中，所述起始点放入temp表中；
S202、根据栅格适应度值，在所述temp表中选取最佳栅格节点，所述适应度值计算方式为：
f(n)＝α*g(n)+h(n)
其中，f(n)表示所述当前最佳栅格节点n的适应度值，g(n)表示当前栅格节点n离起始点的最小栅格数，α表示栅格数在规划过程中的重要程度，通常是一个常数，h(n)表示当前栅格节点n离目标点之间的距离。本实施例中，α取值为2，h(n)的计算采用曼哈顿距离，定义为：
h(n)＝|xi-xd|+|yi-yd|
其中，Pi(xi，yi)代表当前栅格节点，PD(xd，yd)代表目标点位置，|·|为绝对值符号。
最佳栅格节点为栅格适应度值最小所对应的栅格节点；
S203、将所述最佳栅格节点压入close表中，并搜索所述最佳栅格节点的8个方向，所述的8个方向分别为所述栅格节点的左上、上、右上、左、右、左下、下、右下，计算其适应度值，若所述搜索栅格节点属于open表，则从open表中删除并压入temp表中；反之，判断所述搜索栅格节点是否属于temp表且适应度值优于原先适应度值，若满足条件，则更新temp表中对应栅格节点的适应度值；反之，则不进行调整。其中，优于即为小于；
S204、在完成搜索任务后，将该最佳栅格节点从temp表中删除，并判断当前temp表中的最佳栅格节点是否为目标点节点，若满足该条件，则将所述当前最佳栅格节点压入close表，结束所述栅格逐步图的构建。反之，则重复步骤S203～S204。
(2)生成L条随机路径。
随机路径的条数L由种群数量决定，本实施例中，设定种群数量为10，即生成10条随机路径。
随机路径由一个个节点构成，相邻节点之间构成的线段则为随机路径。本实施例对其中一个随机路径的生成进行说明。
如图4所示，每条随机路径的生成包括以下步骤：
S205、选取目标点作为随机路径的初始节点；
S206、设随机路径中最后一个节点所在的白色栅格节点Ps的最小栅格数为Gs，搭建随机路径，具体为：在close表中寻找栅格数为Gn＝Gs-1所代表的栅格节点Pn，若所述栅格节点Pn满足以下条件，则将Pn加入候选表中，条件定义：
其中，norm()表示两点之间的欧几里得距离；
S207、从候选表中随机选取一个栅格节点判断所选栅格节点与当前节点所在白色栅格节点构成的路径是否经过障碍物顶点。若是，则将障碍物顶点加入到所述随机路径中，并将所述障碍物顶点设为不可更改点。反之，则不进行操作；
S208、更新随机路径中的所选栅格节点，具体包括：判断所述所选栅格节点是否为起始点节点，若满足条件，则将其加入到随机路径中并输出随机路径；反之，在所选栅格节点的白色栅格范围内随机生成新节点，并将其加入到随机路径中，重复执行S206～S208。
S3、根据随机路径，采用二重删除操作简化随机路径，得到简化路径。
本实施例生成10条随机路径，采用二重删除操作简化随机路径，相应得到10条简化路径。
二重删除操作包括一重删除操作和二重删除操作，下面对其中一条简化路径的生成进行说明。
如图5所示，根据随机路径生成简化路径，具体包括以下步骤：
(1)设置删除操作标注flag＝0；
(2)选取随机路径中除起始点和目标点之外的第一节点(即起始点的下一个节点)，判断当前节点是否为可更改点；
(3)进行一重删除操作，具体包括：
(3-1)若当前节点为可更改点，判断其相邻节点之间构成的新路径是否穿过障碍物，若未穿过障碍物，则将当前节点Pj的上一个节点Pj-1作为当前节点，删除节点Pj，并执行步骤(3-3)；否则，保留当前节点，并执行步骤(3-3)；
(3-2)若当前节点为不可更改点，并执行步骤(3-3)；
(3-3)当前节点是否为最后一个节点，若不是，则将当前节点的下一个节点作为当前节点，并返回步骤(3-1)继续执行后面的操作；若是最后一个节点，则：删除操作标注flag是否为0，若是，则进行二重删除操作，否则，输出简化路径。
其中，二重删除操作具体包括：
(1)将随机路径中除起始点及目标点外的所有节点设为可更改点；
(2)设置删除操作标注flag＝1；
(3)选取随机路径中起始点的下一个节点作为当前节点；
(4)进行一重删除操作。
S4、针对简化路径，通过局部搜索机制进行优化，从而构建起始点与目标点之间的最优路径。
本实施例中，所述的局部搜索机制包括多个迭代过程，对其中一个迭代过程进行说明，如图6所示，包括以下步骤：
S401、遍历所述简化路径中除起始点以及目标点之外的所有节点。对于所述遍历中当前节点，选取其邻近节点，所述邻近节点即当前节点的前一个节点和后一个节点；计算邻近节点之间的线段函数，所述线段函数定义为：
b＝yi+1
f(x)＝k*(x-xi+1)-b
其中，k为邻近节点之间的斜率，b为线段函数的截距，Pi-1(xi-1，yi-1)，Pi+1(xi+1，yi+1)为当前节点Pi(xi，yi)的邻近节点，f(x)为邻近节点之间的函数关系；i为大于等于1的正整数；
S402、当前节点通过随机移动的方式向所述线段函数方向移动，得到新节点。所述随机移动的方式定义为：
X＝xi-1+rand*(xi+1-xi-1)
Y＝k*(X-xi+1)-b
Pnew＝Pi+rand([X，Y]-Pi)
其中，rand表示[0，1]之间的随机数，(X，Y)位于邻近点之间的线段上，Pnew代表更新后的节点；
S403、判断所述更新后的节点是否属于障碍物以及与邻近点之间构建的道路是否穿越障碍物，若不满足条件，则将所述更新后的节点代替原节点；反之，则不进行调整；
S404、判断当前节点是否为最后一个节点，若不是，则选取当前节点的下一个节点作为当前节点，并返回步骤S401，继续执行后续操作；否则，本轮迭代结束；
S405、根据对迭代结束条件的满足情况，转入下一迭代过程或输出全局最优解，所述全局最优解为路径的目标最优值。所述路径的目标最优值定义：
min C(P)＝ω1L(P)+ω2S(P)
其中，C(P)表示路径P的目标值，(ω1，ω2)是和为1的权重因子，L(P)表示路径P的路径长度，S(P)代表路径的转角和。
在本实施例中，S1～S3仅执行一次，S4则在执行完步骤S401～S404后执行S405，判断是否满足迭代结束条件，其中迭代结束条件可以设置为达到预设的最大迭代次数或者目标最优值的误差精度小于预设的阈值。如果满足迭代结束条件，则输出全局最优解，所输出的全局最优解便是执行步骤S4所要确定的路径目标最优值。如果不满足迭代结束条件，则转入下次迭代过程，重新执行步骤S401～S404。
图7～图10是路径规划智能优化方法的路径优化结果，其中，①代表起始点，②代表目标点。
本实施例中，所使用的栅格逐步探索法利用目标点节点指引AGV小车的前进方向，减少了地图栅格的搜索次数，加快了算法速度，同时引入栅格数作为AGV小车节点的选取标准，能够较快的获得高质量的可行路径。其次利用二重删除操作对所述可行路径进行优化，减少路径转角和的同时缩短路径长度。此外，利用局部搜索机制，进一步优化路径的长度和转角和，对于宽且扭曲的道路具有较好的效果。
本领域技术人员可以理解，实现上述实施例的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读存储介质中。
应当注意，尽管在附图中以特定顺序描述了上述实施例的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
实施例2：
如图11所示，本实施例提供了一种路径规划智能优化装置，该装置包括栅格地图构建模块1101、随机路径生成模块1102、简化路径生成模块1103和最优路径构建模块1104，其中：
栅格地图构建模块1101，用于根据规划对象的活动区域，构建栅格地图；
随机路径生成模块1102，用于根据所述栅格地图，采用栅格逐步探索法在起始点和目标点之间构建栅格逐步图，并生成L条随机路径；其中，L的值由种群数量决定；
简化路径生成模块1103，用于根据所述L条随机路径，采用二重删除操作简化随机路径，生成L条简化路径；
最优路径构建模块1104，用于根据所述L条简化路径，通过局部搜索机制进行优化，从而构建起始点与目标点之间的最优路径。
本实施例中各个模块的具体实现可以参见上述实施例1，在此不再一一赘述；需要说明的是，本实施例提供的装置仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
实施例3：
本实施例提供了一种电子设备，该电子设备可以为计算机，如图12所示，其通过系统总线1201连接的处理器1202、存储器、输入装置1203、显示器1204和网络接口1205，该处理器用于提供计算和控制能力，该存储器包括非易失性存储介质1206和内存储器1207，该非易失性存储介质1206存储有操作系统、计算机程序和数据库，该内存储器1207为非易失性存储介质中的操作系统和计算机程序的运行提供环境，处理器1202执行存储器存储的计算机程序时，实现上述实施例1的路径规划智能优化方法，如下：
根据规划对象的活动区域，构建栅格地图；
根据所述栅格地图，采用栅格逐步探索法在起始点和目标点之间构建栅格逐步图，并生成L条随机路径；其中，L的值由种群数量决定；
根据所述L条随机路径，采用二重删除操作简化随机路径，生成L条简化路径；
根据所述L条简化路径，通过局部搜索机制进行优化，从而构建起始点与目标点之间的最优路径。
实施例4：
本实施例提供了一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例1的路径规划智能优化方法，如下：
根据规划对象的活动区域，构建栅格地图；
根据所述栅格地图，采用栅格逐步探索法在起始点和目标点之间构建栅格逐步图，并生成L条随机路径；其中，L的值由种群数量决定；
根据所述L条随机路径，采用二重删除操作简化随机路径，生成L条简化路径；
根据所述L条简化路径，通过局部搜索机制进行优化，从而构建起始点与目标点之间的最优路径。
需要说明的是，本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
综上所述，本发明提供了一种路径规划智能优化方法，通过构建栅格地图；基于构建的栅格地图，采用栅格逐步探索法在起始点和目标点之间构建栅格逐步图，并基于此生成随机路径；采用二重删除操作简化所述随机路径；针对所述简化路径，通过局部搜索机制进行优化，从而构建起始点与目标点之间的最优路径。本发明能够以路径长度、转角和等因素作为规划目标，实现合理有效的路径规划。
以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。
Claims (10)
1.一种路径规划智能优化方法，其特征在于，所述方法包括：
根据规划对象的活动区域，构建栅格地图；
根据所述栅格地图，采用栅格逐步探索法在起始点和目标点之间构建栅格逐步图，并生成L条随机路径；其中，L的值由种群数量决定；
根据所述L条随机路径，采用二重删除操作简化随机路径，生成L条简化路径；
根据所述L条简化路径，通过局部搜索机制进行优化，从而构建起始点与目标点之间的最优路径。
2.根据权利要求1所述的路径规划智能优化方法，其特征在于，所述根据规划对象的活动区域，构建栅格地图，具体包括：
对所述活动区域进行栅格划分，白色栅格为环境可行道路，黑色栅格为环境障碍物；
对所述环境障碍物进行膨化处理，具体为：
将所述规划对象的最长边长增加到所述环境障碍物边长上，即将所述环境障碍物坐标对应的白色栅格转化为黑色栅格。
3.根据权利要求2所述的路径规划智能优化方法，其特征在于，所述构建栅格逐步图，具体包括：
将所有白色栅格节点放入open表中、起始点放入temp表中；
计算所述temp表中所有栅格节点的适应度值；
根据所述temp表中所有栅格节点的适应度值，选取最佳栅格节点；
将所述最佳栅格节点压入close表中；
搜索所述最佳栅格节点的多个方向邻近的栅格节点，并计算相应的适应度值；
若搜索的邻近栅格节点属于open表，则从open表中删除并压入temp表中；否则，若搜索的邻近栅格节点属于temp表且适应度值优于原先适应度值，则更新其适应度值；
将所述最佳栅格节点从temp表中删除；
根据所述temp表中所有栅格节点的适应度值，选取最佳栅格节点；
若所述最佳栅格节点为目标点，则将所述最佳栅格节点压入close表，从而完成栅格逐步图的构建；否则，返回将所述最佳栅格节点压入close表中，并继续执行后续操作。
4.根据权利要求3所述的路径规划智能优化方法，其特征在于，所述计算所述temp表中所有栅格节点的适应度值，具体为：
根据如下公式，计算栅格节点n的适应度值：
f(n)＝α*g(n)+h(n)
其中，f(n)为所述栅格节点n的适应度值，g(n)为所述栅格节点n离起始点的最小栅格数，α为所述最小栅格数g(n)在规划过程中的重要程度，是常数；h(n)为所述栅格节点n离目标点之间的距离。
5.根据权利要求3所述的路径规划智能优化方法，其特征在于，所述随机路径的生成，具体包括：
设置目标点为随机路径的初始节点；
设随机路径中最后一个节点所在的白色栅格节点Ps的最小栅格数为Gs，在close表中寻找最小栅格数为Gs-1的栅格节点Pn；
若栅格节点Pn位于所述栅格节点Ps的周围，则将所述栅格节点Pn加入候选表中；
从所述候选表中任选一个栅格节点，若所选栅格节点与所述栅格节点Ps构成的路径经过环境障碍物顶点，则将障碍物顶点加入到所述随机路径中，并将所述障碍物顶点设为不可更改点；
若所选栅格节点为起始点节点，则：
将其加入到随机路径中，将起始点和目标点设为不可更改点，并输出随机路径；
否则：
在所选栅格节点的白色栅格范围内随机生成新节点，并将新节点加入到随机路径中；
返回设随机路径中最后一个节点所在的白色栅格节点Ps的最小栅格数为Gs，并继续执行后续操作。
6.根据权利要求1所述的路径规划智能优化方法，其特征在于，根据所述随机路径生成简化路径，具体包括：
设置删除操作标注flag＝0；
选取随机路径中起始点的下一个节点作为当前节点；
进行一重删除操作；
若当前节点不是最后一个节点，则：
将当前节点的下一个节点作为当前节点，并进行一重删除操作；
否则：
若删除操作标注flag为0，则进行二重删除操作，否则，输出简化路径。
7.根据权利要求6所述的路径规划智能优化方法，其特征在于，所述一重删除操作，具体包括：
若当前节点为可更改点，则：
若当前节点的相邻节点之间构成的新路径不穿过障碍物，则将当前节点Pj的上一个节点Pj-1作为当前节点，并删除节点Pj；其中，j为大于或等于2的正整数；
所述二重删除操作，具体包括：
将随机路径中除起始点及目标点外的所有节点设为可更改点；
设置删除操作标注flag＝1；
选取随机路径中起始点的下一个节点作为当前节点；
进行所述一重删除操作处理。
8.根据权利要求1所述的路径规划智能优化方法，其特征在于，所述根据L条简化路径，通过局部搜索机制进行优化，从而构建起始点与目标点之间的最优路径，具体包括：
通过局部搜索机制优化L条所述简化路径，得到L条优化路径；
若满足迭代结束条件，则根据所述L条优化路径输出路径的目标最优值，作为起始点与目标点之间的最优路径，否则，转入下一轮迭代，将L条所述优化路径作为L条简化路径，通过局部搜索机制继续优化L条所述简化路径。
9.根据权利要求8所述的路径规划智能优化方法，其特征在于，通过局部搜索机制优化所述简化路径，得到优化路径，具体包括：
选取所述简化路径中起始点的下一个节点作为当前节点；
选取当前节点的邻近节点，并计算邻近节点之间的线段函数；其中，所述邻近节点为当前节点的前一个节点和后一个节点；
当前节点通过随机移动的方式向所述线段函数方向移动，得到新节点；
若所述新节点与邻近节点之间构成的路径未经过环境障碍物，则将所述新节点替换掉当前节点，作为当前节点；
若当前节点不是最后一个节点，则选取当前节点的下一个节点作为当前节点，并返回选取当前节点的邻近节点，继续执行后续操作；否则，得到的路径即为优化路径。
10.一种路径规划智能优化装置，其特征在于，所述装置包括：
栅格地图构建模块，用于根据规划对象的活动区域，构建栅格地图；
随机路径生成模块，用于根据所述栅格地图，采用栅格逐步探索法在起始点和目标点之间构建栅格逐步图，并生成L条随机路径；其中，L的值由种群数量决定；
简化路径生成模块，用于根据所述L条随机路径，采用二重删除操作简化随机路径，生成L条简化路径；
最优路径构建模块，用于根据所述L条简化路径，通过局部搜索机制进行优化，从而构建起始点与目标点之间的最优路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111548954.2A CN114355901B (zh) | 2021-12-17 | 2021-12-17 | 一种路径规划智能优化方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111548954.2A CN114355901B (zh) | 2021-12-17 | 2021-12-17 | 一种路径规划智能优化方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114355901A true CN114355901A (zh) | 2022-04-15 |
| CN114355901B CN114355901B (zh) | 2023-06-20 |
Family
ID=81098586
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111548954.2A Active CN114355901B (zh) | 2021-12-17 | 2021-12-17 | 一种路径规划智能优化方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114355901B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000112925A (ja) * | 1998-10-07 | 2000-04-21 | Ibm Japan Ltd | 経路数を最少化する配送経路の生成方法およびそのシステム |
| US20100082194A1 (en) * | 2007-07-18 | 2010-04-01 | Hidenori Yabushita | Path planning device and method, cost evaluation device, and moving body |
| CN109947098A (zh) * | 2019-03-06 | 2019-06-28 | 天津理工大学 | 一种基于机器学习策略的距离优先最佳路径选择方法 |
| CN111679692A (zh) * | 2020-08-04 | 2020-09-18 | 上海海事大学 | 一种基于改进A-star算法的无人机路径规划方法 |
| CN112432648A (zh) * | 2020-11-17 | 2021-03-02 | 中山大学 | 一种移动型机器人安全运动轨迹的实时规划方法 |
| CN112904842A (zh) * | 2021-01-13 | 2021-06-04 | 中南大学 | 一种基于代价势场的移动机器人路径规划与优化方法 |
-
2021
- 2021-12-17 CN CN202111548954.2A patent/CN114355901B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000112925A (ja) * | 1998-10-07 | 2000-04-21 | Ibm Japan Ltd | 経路数を最少化する配送経路の生成方法およびそのシステム |
| US20100082194A1 (en) * | 2007-07-18 | 2010-04-01 | Hidenori Yabushita | Path planning device and method, cost evaluation device, and moving body |
| CN109947098A (zh) * | 2019-03-06 | 2019-06-28 | 天津理工大学 | 一种基于机器学习策略的距离优先最佳路径选择方法 |
| CN111679692A (zh) * | 2020-08-04 | 2020-09-18 | 上海海事大学 | 一种基于改进A-star算法的无人机路径规划方法 |
| CN112432648A (zh) * | 2020-11-17 | 2021-03-02 | 中山大学 | 一种移动型机器人安全运动轨迹的实时规划方法 |
| CN112904842A (zh) * | 2021-01-13 | 2021-06-04 | 中南大学 | 一种基于代价势场的移动机器人路径规划与优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张叶茂;杨晓武;: "基于改进蚁群算法的动态路径规划算法研究" * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114355901B (zh) | 2023-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111504325B (zh) | 一种基于扩大搜索邻域的加权a*算法的全局路径规划方法 | |
| CN110244733B (zh) | 一种基于改进蚁群算法的移动机器人路径规划方法 | |
| CN109116841B (zh) | 一种基于蚁群算法的路径规划平滑优化方法 | |
| CN112985408B (zh) | 一种路径规划优化方法及系统 | |
| CN111176286B (zh) | 一种基于改进D*lite算法的移动机器人路径规划方法及系统 | |
| CN111811514A (zh) | 一种基于正六边形栅格跳点搜索算法的路径规划方法 | |
| CN112327876B (zh) | 一种基于终距指数的机器人路径规划方法 | |
| CN105527964A (zh) | 一种机器人路径规划方法 | |
| CN108876024A (zh) | 路径规划、路径实时优化方法及装置、存储介质 | |
| CN111649758A (zh) | 一种动态环境下基于强化学习算法的路径规划方法 | |
| CN113189988A (zh) | 一种基于Harris算法与RRT算法复合的自主路径规划方法 | |
| CN113934206B (zh) | 移动机器人路径规划方法、装置、计算机设备和存储介质 | |
| Liu et al. | Warehouse‐Oriented Optimal Path Planning for Autonomous Mobile Fire‐Fighting Robots | |
| CN115195706A (zh) | 一种泊车路径规划方法、装置 | |
| CN115129064A (zh) | 基于改进萤火虫算法与动态窗口法融合的路径规划方法 | |
| CN108959571B (zh) | Sql语句的运算方法、装置、终端设备及存储介质 | |
| CN117419739B (zh) | 一种输煤系统巡检机器人的路径规划优化方法 | |
| Tusi et al. | Using ABC and RRT algorithms to improve mobile robot path planning with danger degree | |
| CN114355901B (zh) | 一种路径规划智能优化方法、装置、电子设备和存储介质 | |
| CN113010570A (zh) | 电网设备矢量数据查询方法、装置、计算机设备和介质 | |
| CN115016461B (zh) | 一种基于动态终点策略的IA-Star算法的机器人路径规划方法 | |
| CN116009552A (zh) | 一种路径规划方法、装置、设备及存储介质 | |
| CN110975291A (zh) | 一种路径提取方法及系统 | |
| Tang et al. | On the use of ant colony algorithm with weighted penalty strategy to optimize path searching | |
| CN114353814A (zh) | 基于Angle-Propagation Theta*算法改进的JPS路径优化方法 |
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 |