CN114659525B - 面向三维船舶场景的可扩展性实时快速应急路径规划方法 - Google Patents

面向三维船舶场景的可扩展性实时快速应急路径规划方法 Download PDF

Info

Publication number
CN114659525B
CN114659525B CN202210543376.1A CN202210543376A CN114659525B CN 114659525 B CN114659525 B CN 114659525B CN 202210543376 A CN202210543376 A CN 202210543376A CN 114659525 B CN114659525 B CN 114659525B
Authority
CN
China
Prior art keywords
path
road
road sign
delay
navigation
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
Application number
CN202210543376.1A
Other languages
English (en)
Other versions
CN114659525A (zh
Inventor
刘克中
曾小玲
陈默子
马玉亭
郑凯
曾旭明
王克浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202210543376.1A priority Critical patent/CN114659525B/zh
Publication of CN114659525A publication Critical patent/CN114659525A/zh
Application granted granted Critical
Publication of CN114659525B publication Critical patent/CN114659525B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Navigation (AREA)

Abstract

一种面向三维船舶场景的可扩展性实时快速应急路径规划方法，包括以下步骤：根据船舶室内结构构建三维导航网络；先在三维导航网络的路标节点处布设无线传感器，构造无线传感器网络，再利用无线传感器采集相邻路标节点之间的路段延迟信息以及危险到达路段的时间间隔信息，然后根据路标节点和路段延迟信息，采用有向图建立应急导航模型；根据应急导航策略的目标，利用舍入和缩放算法，为每个船载人员规划最优导航路径；根据船舶疏散环境的动态变化，利用无线传感器网络采集到的信息，实时更新应急导航模型参数，最后利用舍入和缩放算法实时计算船载人员的最优导航路径。本设计不仅可扩展性好，而且疏散效率高、用户安全性强。

Description

面向三维船舶场景的可扩展性实时快速应急路径规划方法
技术领域
本发明涉及智能交通的船载人员应急疏散领域，尤其涉及一种面向三维船舶场景的可扩展性实时快速应急路径规划方法。
背景技术
邮轮事故往往会造成大量的人员伤亡，无效的应急疏散方法被认为是造成人员伤亡的主要原因之一，可靠且高效的应急疏散对于邮轮乘客的安全至关重要。
目前有许多先进的基于无线传感器网络的应急疏散方法，利用无线传感器与动态环境进行交互，实时获取信息，为用户提供实时的导航服务。但是这些疏散方法主要应用于陆地上的建筑，没有考虑到船载环境复杂的内部结构、有限的生存时间以及船体运动，因此无法直接将其应用于船舶疏散。首先，大部分方法仅用于处理二维传感场景，没有考虑到实际的导航环境；这些方法会在运行阶段探索环境中的障碍物并且构建路线图，由于邮轮内部结构极度复杂，疏散过程中存在动态危险，这些导航方法无法为船载乘客提供实时且可靠的导航方案。其次，船舶人员应急疏散需要考虑船体倾覆的硬截止时间，具体来说，部分疏散方法考虑了危险变化的影响，旨在引导用户在远离危险的同时无振荡地逃生，但忽视了导航效率，导致乘客长时间处于危险中，从而错过了船舶的逃生时间。最后，船载人员的运动会受到船舶倾斜角与受损情况的影响，疏散人员速度变化会引起相同路段上逃生时间的改变，因此在船体倾覆之前，传统的疏散方法可能无法完成乘客安全疏散。
由于船舶室内环境结构复杂，目前先进的应急疏散方法主要适用于结构简单的陆地建筑物。对于存在动态危险及疏散硬截止时间的船载环境，基于无线传感器网络的应急疏散策略存在算法可扩展性差、疏散效率低、用户安全性差的问题。
发明内容
本发明的目的是克服现有技术中存在的可扩展性差、疏散效率低、用户安全性差的缺陷与问题，提供一种可扩展性好、疏散效率高、用户安全性强的面向三维船舶场景的可扩展性实时快速应急路径规划方法。
为实现以上目的，本发明的技术解决方案是：一种面向三维船舶场景的可扩展性实时快速应急路径规划方法，该方法包括以下步骤：
S1、根据船舶室内结构构建三维导航网络；
S2、先在三维导航网络的路标节点处布设无线传感器，构造无线传感器网络，再利用无线传感器采集相邻路标节点之间的路段延迟信息以及危险到达路段的时间间隔信息，然后根据路标节点和路段延迟信息，采用有向图建立应急导航模型；
S3、根据应急导航策略的目标，利用舍入和缩放算法，为每个船载人员规划最优导航路径；
S4、根据船舶疏散环境的动态变化，利用无线传感器网络采集到的信息，实时更新应急导航模型参数，最后利用舍入和缩放算法实时计算船载人员的最优导航路径。
步骤S1中，采用基于泰森多边形的导航网络构建方法，具体包括以下步骤：
S11、初始化赋值，VD单元格集合R1＝f，当前曲面细分等级TL＝1；
S12、导航场景中门节点、凹角节点和楼梯节点投影对应于约束形核点集合N，对于待测VD单元格集合M中的每个VD单元格Rk，计算约束形核点连线
Figure GDA0003747608750000021
的二等分线bl，再计算二等分线bl与VD单元格Rk的交点集合L；
S13、若交点集合L中的元素个数大于2，则创建边(j，k)，并将其插入多边形f的细分曲面中；将包含约束形核点Nj的VD单元格Rk添加到集合R中；对于边(j，k)相交的边，将其相邻的VD单元格Rk添加到待测VD单元格集合M中；
S14、删除约束形核点Nj新生成的VD单元格边界内的边；
S15、对于多边形f的细分曲面中的每条边e，若边e的长度超过边长阈值T1，或者边e受两个约束形核点限制，或者边e的端点位于不共线约束边上时，计算边e的二等分点bp，并将二等分点bp添加到集合N中；
S16、对细分等级赋值TL＝TL+1，重复步骤S12、S13、S14、S15，直到完成最大细分等级TLmax的计算。
步骤S2具体包括以下步骤：
S21、采用有向图对无线传感器网络进行建模，得到图模型为：
Figure GDA0003747608750000031
式中，υ为路标集合，ε为两个路标之间路段构成的集合；
S22、估计不同路段对应的典型延迟
Figure GDA0003747608750000032
和最坏情况延迟
Figure GDA0003747608750000033
S23、将图模型
Figure GDA0003747608750000034
中每个路标v设置为三元组：
Figure GDA0003747608750000035
式中，ID为部署无线传感器时分配的路标标识符，LC为路标在导航网络中的位置坐标，
Figure GDA0003747608750000036
为最短危险到达时间集合；
Figure GDA0003747608750000037
为危险从初始位置扩展到路标vj的相邻路段
Figure GDA0003747608750000038
的最短时间间隔，定义为：
Figure GDA0003747608750000039
式中，
Figure GDA00037476087500000310
为危险从初始位置扩展到路标vj所有相邻路段的最短时间间隔集合，
Figure GDA00037476087500000311
为路标vj的相邻路标集合；
Figure GDA00037476087500000312
Figure GDA00037476087500000313
式中，Tc(t0)为疏散截止时间，ve为出口路标。
步骤S22中，将动态危险情况下船载人员的典型速度与图模型中各路段长度相结合，计算出该路段对应的典型延迟
Figure GDA00037476087500000314
对于因水密舱壁而不受浸水影响的路段，其最坏情况速度SW为：
Figure GDA00037476087500000315
式中，
Figure GDA0003747608750000041
为倾斜角为30度时步行速度的衰减系数；
对于受浸水影响的路段，其最坏情况速度SW为：
Figure GDA0003747608750000042
式中，
Figure GDA0003747608750000043
为水深0.8m时步行速度的衰减系数；
将船载人员通过各路段的最坏情况速度与图模型中各路段长度相结合，计算出该路段对应的最坏情况延迟
Figure GDA0003747608750000044
所述应急导航策略的目标是指为每个船载人员规划一条远离危险区域的路径，经过该路径，在所有情况下船载人员都能在硬截止时间内到达出口路标，同时经历从用户初始路标到达出口路标的最小典型延迟。
步骤S3具体包括以下步骤：
S31、定义路标vi对应的相邻安全路标集合υi s以及路标vi到达出口路标ve的安全路径集合
Figure GDA0003747608750000045
(1)对于路标vi对应的相邻安全路标集合υi s的定义如下：
对于路标vi的相邻路标vj，若从路标vj到达出口路标ve的路径集合中存在一条路径pje，对于其中任意不等于路标vj的路标vn，若满足以下不等式，则路标vj为路标vi的相邻安全路标，所有相邻安全路标构成集合υi s；
Figure GDA0003747608750000046
式中，
Figure GDA0003747608750000047
为从路标vi到路标vj的路段的最坏情况延迟，
Figure GDA0003747608750000048
为从路标vj到达路标vn的路径pjn的最坏情况延迟；
Figure GDA0003747608750000049
为危险到达路段
Figure GDA00037476087500000410
的最短时间间隔，其中，路标vm位于路径pje上并且路段
Figure GDA00037476087500000411
为路标vn的相邻路段；
(2)对于安全路径集合
Figure GDA00037476087500000412
的定义如下：
对于路径Pie，当且仅当每个位于路径Pie的路标vi，满足
Figure GDA0003747608750000051
将Pie定义为路标vi到出口路标ve的安全路径；其中，vj∈pie，
Figure GDA0003747608750000052
路标vi到出口路标ve的所有安全路径构成集合
Figure GDA0003747608750000053
S32、定义路标vi到达出口路标ve的最小典型延迟
Figure GDA0003747608750000054
以及其对应的最优路径p*(Γ)；
最小典型延迟
Figure GDA0003747608750000055
为：
Figure GDA0003747608750000056
式中，
Figure GDA0003747608750000057
为路标vi到路标vj的典型延迟，
Figure GDA0003747608750000058
为路标vj到出口路标ve的典型延迟，tj为危险到达路标的硬截止时间；
将最小典型延迟
Figure GDA0003747608750000059
对应的最优相邻路标定义为πi，安全路径
Figure GDA00037476087500000510
定义为最优路径p*(Γ)，当且仅当每个包含于安全路径pue的路标，满足vj＝πi；
S33、利用舍入和缩放算法，在多项式时间内计算最优路径p*(Γ)与最优典型延迟
Figure GDA00037476087500000511
(1)利用释放算法计算最小最坏情况延迟：
Figure GDA00037476087500000512
式中，gj(dT)为典型延迟不超过dT的u-j路径上的最小最坏情况延迟，gj(dT-1)为典型延迟不超过dT-1的u-j路径上的最小最坏情况延迟，
Figure GDA00037476087500000513
为典型延迟不超过
Figure GDA00037476087500000514
的u-k路径上的最小最坏情况延迟，
Figure GDA00037476087500000515
为路段
Figure GDA00037476087500000516
的典型延迟，
Figure GDA00037476087500000517
为路段
Figure GDA00037476087500000518
的最坏情况延迟；
(2)分别计算最优路径p*(Γ)的上界U与下界L；
(3)执行舍入和缩放算法，计算最优路径p*(Γ)与最优典型延迟
Figure GDA0003747608750000061
步骤S33中，上界U的计算方法包括以下步骤：
(1)基于未插入危险区域时的图模型
Figure GDA0003747608750000062
计算上界U的初始值对应于从用户初始路标到达出口路标的最小最坏情况延迟，对应路径为pU；
(2)在图模型中逐个插入nh个危险区域；
(3)对于路径pU中的各个路段
Figure GDA0003747608750000063
判断图模型插入第i个危险区域后，
Figure GDA0003747608750000064
是否安全路段，如果不属于，则基于插入第i个危险区域后的图模型
Figure GDA0003747608750000065
更新路径pU；
(4)重复步骤(2)、(3)，直到完成插入nh个危险区域，得到的最小最坏情况延迟即路径p*(Γ)的上界U。
步骤S33中，下界L的计算方法为：
对不同的路段典型延迟
Figure GDA0003747608750000066
进行排序，取典型延迟最大值
Figure GDA0003747608750000067
定义εi(t)为典型延迟不超过
Figure GDA0003747608750000068
的路段集合，表达式如下：
Figure GDA0003747608750000069
由于图模型
Figure GDA00037476087500000610
中一定包含一条Tc(t)内的路径pl，并且路径pl中所有路段都包含于集合
Figure GDA00037476087500000611
因此存在唯一索引值j，使得图模型
Figure GDA00037476087500000612
中包含一条Tc(t)内的路径pj且路径pj中所有路段都包含于集合
Figure GDA00037476087500000613
中，并且满足在图模型
Figure GDA00037476087500000614
中，从初始路标到出口路标的所有路径pj-1，其最坏情况延迟都超过Tc(t)，得到最优路径p*(Γ)的下界L表达式如下：
Figure GDA00037476087500000615
式中，
Figure GDA00037476087500000616
为Tc(t)内的路径pj中路段的典型延迟最大值，
Figure GDA00037476087500000617
为最优路径的典型延迟。
步骤S33中，最优路径p*(Γ)与最优典型延迟
Figure GDA00037476087500000618
的计算方法如下：
(1)对于图模型
Figure GDA0003747608750000071
中的每一条路段
Figure GDA0003747608750000072
的典型延迟
Figure GDA0003747608750000073
按照公式
Figure GDA0003747608750000074
进行舍入操作，其中，n为图模型中路标数量，∈为近似因子；
(2)对最优路径上界U，按照公式
Figure GDA0003747608750000075
进行舍入操作，保证
Figure GDA0003747608750000076
(3)对路径的最小最坏情况延迟初始化，令gj(0)＝+∞，
Figure GDA0003747608750000077
(4)调用舍入和缩放中的释放算法，计算典型延迟不超过
Figure GDA0003747608750000078
的u-j路径的最小最坏情况延迟
Figure GDA0003747608750000079
令
Figure GDA00037476087500000710
依次计算，直到首次满足最小最坏情况延迟
Figure GDA00037476087500000711
小于疏散截止时间Tc(t)，即满足
Figure GDA00037476087500000712
时，则取
Figure GDA00037476087500000713
为最优典型延迟
Figure GDA00037476087500000714
其对应的路径
Figure GDA00037476087500000715
为最优路径。
步骤S4中，导航路径pue由用户路标vu到达出口路标ve的路标序列构成，表达式如下：
Figure GDA00037476087500000716
式中，pue(Γ)为随着典型延迟改变动态更新的路标序列，Γ为路标序列pue(Γ)的累积时间；
路径p(Γ)的典型延迟
Figure GDA00037476087500000717
和最坏情况延迟
Figure GDA00037476087500000718
定义为：
Figure GDA00037476087500000719
根据Top-level算法获取躲避危险的无折返导航路径，具体包括以下步骤：
(1)调用舍入和缩放算法得到最优路径
Figure GDA00037476087500000720
计算出从vu到ve的Tc(t)内的路径，其典型延迟不超过
Figure GDA00037476087500000721
(2)将变量test1设置为FALSE，表明在危险入侵之前，所有路段均可通行；
(3)将变量test2设置为FALSE，表明典型延迟未发生变化；
(4)构造一个集合εtest，其中元素为危险入侵之前，原计划路径中用户无法通行的路段；
(5)判断已经包含在最优路径
Figure GDA0003747608750000081
中的路段是否应该纳入集合εtest；对于最优路径中的每条路段，判断各路段
Figure GDA0003747608750000082
的最坏延迟时间
Figure GDA0003747608750000083
是否超过危险传播时间
Figure GDA0003747608750000084
若超过了，则表明在危险入侵之前，该路段无法通行，将路段
Figure GDA0003747608750000085
加入集合εtest中；
(6)对于图模型
Figure GDA0003747608750000086
中的路段集合ε，删除包含于集合εtest中的元素，以重新建立导航网络连接；
(7)基于当前的图模型
Figure GDA0003747608750000087
调用舍入和缩放算法获取最优路径
Figure GDA0003747608750000088
并选择路径中的相邻路标
Figure GDA0003747608750000089
作为用户的下一路标；在下一次迭代中，
Figure GDA00037476087500000810
将作为新的用户路标；
(8)再次检查典型延迟是否改变，若发生改变，将test2设置为TRUE；
(9)判断test2的状态，若test2为TURE，表明典型延迟发生改变，则将test2设置为FALSE，回到步骤(5)，根据变化后的典型延迟重新计算当前用户路标到达出口路标的路径
Figure GDA00037476087500000811
其中，tnew为到达当前路标的时间戳；若test2为FALSE，表明典型延迟未发生改变，则用户移动到路径
Figure GDA00037476087500000812
中当前用户路标的相邻路标，其中，tN-1为离开前一路标的时间戳。
与现有技术相比，本发明的有益效果为：
本发明一种面向三维船舶场景的可扩展性实时快速应急路径规划方法中，提出的导航方法能够实时地根据船载人员行走速度及当前环境选择最优的导航路径，将路径规划问题转化为双约束最短路径问题，利用近似算法选取最优路径，该路径上的最坏情况延迟不超过规定的截止时间，且总动态典型延迟较小，能保证用户能在硬截止时间内，避开危险到达出口位置。因此，本发明不仅保证了疏散过程中用户的安全性、路径规划的高效性，而且提高了算法的可扩展性。
附图说明
图1是本发明一种面向三维船舶场景的可扩展性实时快速应急路径规划方法的流程图。
图2是本发明的实施例中的客船二层平面图。
图3是本发明的实施例中的第一次细分迭代后生成的导航网络。
图4是本发明的实施例中的第二次细分迭代后生成的导航网络。
图5是本发明的实施例中的t1时刻应急导航场景。
图6是本发明的实施例中的t1时刻应急导航模型。
图7是本发明的实施例中的t2时刻应急导航场景。
图8是本发明的实施例中的t2时刻应急导航模型。
图9是本发明的实施例中的∈＝1情况下本发明方法和OPEN方法在图3所示导航网络中的平均疏散时间对比图。
图10是本发明的实施例中的∈＝0.5情况下本发明方法和OPEN方法在图3所示导航网络中的平均疏散时间对比图。
图11是本发明的实施例中的∈＝0.25情况下本发明方法和OPEN方法在图3所示导航网络中的平均疏散时间对比图。
图12是本发明的实施例中的∈＝0.5时本发明方法和OPEN方法在不同用户数量及导航场景下的平均疏散时间对比图。
图13是本发明的实施例中的∈＝1情况下本发明方法和OPEN方法在图3所示导航网络中的导航成功率对比图。
图14是本发明的实施例中的∈＝0.5情况下本发明方法和OPEN方法在图3所示导航网络中的导航成功率对比图。
图15是本发明的实施例中的∈＝0.25情况下本发明方法和OPEN方法在图3所示导航网络中的导航成功率对比图。
图16是本发明的实施例中的∈＝0.5时本发明方法和OPEN方法在图3所示导航网络中距离危险区域最短距离对比图。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
参见图1，一种面向三维船舶场景的可扩展性实时快速应急路径规划方法，该方法包括以下步骤：
S1、根据船舶室内结构构建三维导航网络；
采用基于泰森多边形的导航网络构建方法，具体包括以下步骤：
S11、初始化赋值，VD单元格集合R1＝f，当前曲面细分等级TL＝1；
S12、导航场景中门节点、凹角节点和楼梯节点投影对应于约束形核点集合N，对于待测VD单元格集合M中的每个VD单元格Rk，计算约束形核点连线
Figure GDA0003747608750000101
的二等分线bl，再计算二等分线bl与VD单元格Rk的交点集合L；
S13、若交点集合L中的元素个数大于2，则创建边(j，k)，并将其插入多边形f的细分曲面中；将包含约束形核点Nj的VD单元格Rk添加到集合R中；对于边(j，k)相交的边，将其相邻的VD单元格Rk添加到待测VD单元格集合M中；
S14、删除约束形核点Nj新生成的VD单元格边界内的边；
S15、对于多边形f的细分曲面中的每条边e，若边e的长度超过边长阈值T1，或者边e受两个约束形核点限制，或者边e的端点位于不共线约束边上时，计算边e的二等分点bp，并将二等分点bp添加到集合N中；
S16、对细分等级赋值TL＝TL+1，重复步骤S12、S13、S14、S15，直到完成最大细分等级TLmax的计算；
以黄金7号客船为例，根据真实船舶拓扑结构构建三维导航网络。为了验证算法的可扩展性，通过改变细分曲面的迭代次数，生成具有不同数量路标的导航网络。基于客船二层平面图，如图2所示，采用不同的迭代次数，我们定义了两个不同的导航网络：如图3所示，第一次细分迭代后生成的导航网络，包含98个节点；如图4所示，第二次细分迭代后生成的导航网络，包含196个节点。
S2、先在三维导航网络的路标节点处布设无线传感器，构造无线传感器网络，再利用无线传感器采集相邻路标节点之间的路段延迟信息以及危险到达路段的时间间隔信息，然后根据路标节点和路段延迟信息，采用有向图建立应急导航模型；具体包括以下步骤：
S21、采用有向图对无线传感器网络进行建模，得到图模型为：
Figure GDA0003747608750000102
式中，υ为路标集合，ε为两个路标之间路段构成的集合；
如图5-图8所示，图模型包含了路标以及两个路标之间的路段，每个路标对应一个无线传感器节点，路标分为两类：危险路标和普通路标，危险路标子集的凸包构成危险区域。船载人员当前到达的路标定义为用户路标(vu∈υ)，距离集合站点最近的路标视作出口路标(ve∈υ)；
S22、估计不同路段对应的典型延迟
Figure GDA0003747608750000111
和最坏情况延迟
Figure GDA0003747608750000112
将动态危险情况下船载人员的典型速度与图模型中各路段长度相结合，计算出该路段对应的典型延迟
Figure GDA0003747608750000113
对于因水密舱壁而不受浸水影响的路段，其最坏情况速度SW为：
Figure GDA0003747608750000114
式中，
Figure GDA0003747608750000115
为倾斜角为30度时步行速度的衰减系数；
对于受浸水影响的路段，其最坏情况速度SW为：
Figure GDA0003747608750000116
式中，
Figure GDA0003747608750000117
为水深0.8m时步行速度的衰减系数；
将船载人员通过各路段的最坏情况速度与图模型中各路段长度相结合，计算出该路段对应的最坏情况延迟
Figure GDA0003747608750000118
S23、将图模型
Figure GDA0003747608750000119
中每个路标v设置为三元组：
Figure GDA00037476087500001110
式中，ID为部署无线传感器时分配的路标标识符，LC为路标在导航网络中的位置坐标，
Figure GDA0003747608750000121
为最短危险到达时间集合；
Figure GDA0003747608750000122
为危险从初始位置扩展到路标vj的相邻路段
Figure GDA0003747608750000123
的最短时间间隔，定义为：
Figure GDA0003747608750000124
式中，
Figure GDA0003747608750000125
为危险从初始位置扩展到路标vj所有相邻路段的最短时间间隔集合，
Figure GDA0003747608750000126
为路标vj的相邻路标集合；
Figure GDA0003747608750000127
Figure GDA0003747608750000128
式中，Tc(t0)为疏散截止时间，ve为出口路标；
如果
Figure GDA0003747608750000129
表示危险接近，否则表明危险不会影响该路段；考虑船舶倾斜角度动态变化特性，利用无线传感器周期性探头捕获危险路标到达路段的时间间隔，进而获得最短危险达到时间集合
Figure GDA00037476087500001210
当路标vj探测到危险路标vh时，根据图模型
Figure GDA00037476087500001211
以及危险扩散方向与速度决定是否更新元素
Figure GDA00037476087500001212
中的值；
S3、根据应急导航策略的目标，利用舍入和缩放算法，为每个船载人员规划最优导航路径；
基于应急导航模型描述船载人员应急导航问题，定义应急导航策略的目标，所述应急导航策略的目标是指为每个船载人员规划一条远离危险区域的路径，经过该路径，在所有情况下船载人员都能在硬截止时间内到达出口路标，同时经历从用户初始路标到达出口路标的最小典型延迟；
具体包括以下步骤：
S31、定义路标vi对应的相邻安全路标集合υi s以及路标vi到达出口路标ve的安全路径集合
Figure GDA00037476087500001213
(1)对于路标vi对应的相邻安全路标集合υi s的定义如下：
对于路标vi的相邻路标vj，若从路标vj到达出口路标ve的路径集合中存在一条路径pje，对于其中任意不等于路标vj的路标vn，若满足以下不等式，则路标vj为路标vi的相邻安全路标，所有相邻安全路标构成集合υi s；
Figure GDA0003747608750000131
式中，
Figure GDA0003747608750000132
为从路标vi到路标vj的路段的最坏情况延迟，
Figure GDA0003747608750000133
为从路标vj到达路标vn的路径pjn的最坏情况延迟；
Figure GDA0003747608750000134
为危险到达路段
Figure GDA0003747608750000135
的最短时间间隔，其中，路标vm位于路径pje上并且路段
Figure GDA0003747608750000136
为路标vn的相邻路段；
(2)对于安全路径集合
Figure GDA0003747608750000137
的定义如下：
对于路径Pie，当且仅当每个位于路径Pie的路标vi，满足
Figure GDA0003747608750000138
将Pie定义为路标vi到出口路标ve的安全路径；其中，vj∈pie，
Figure GDA0003747608750000139
路标vi到出口路标ve的所有安全路径构成集合
Figure GDA00037476087500001310
S32、定义路标vi到达出口路标ve的最小典型延迟
Figure GDA00037476087500001311
以及其对应的最优路径p*(Γ)；
最小典型延迟
Figure GDA00037476087500001312
为：
Figure GDA00037476087500001313
式中，
Figure GDA00037476087500001314
为路标vi到路标vj的典型延迟，
Figure GDA00037476087500001315
为路标vj到出口路标ve的典型延迟，tj为危险到达路标的硬截止时间；以保证从路标vi到出口路标ve的整体典型延迟最小，同时保证用户在疏散过程中能够躲避动态危险并且疏散时间不超过危险到达路标的硬截止时间tj；
将最小典型延迟
Figure GDA00037476087500001316
对应的最优相邻路标定义为πi，安全路径
Figure GDA00037476087500001317
定义为最优路径p*(Γ)，当且仅当每个包含于安全路径pue的路标，满足vj＝πi；
S33、利用舍入和缩放算法，在多项式时间内计算最优路径p*(Γ)与最优典型延迟
Figure GDA0003747608750000141
使该路径上的最坏情况延迟不超过硬截止时间，且总动态典型延迟较小；
(1)利用释放算法计算最小最坏情况延迟：
Figure GDA0003747608750000142
式中，gj(dT)为典型延迟不超过dT的u-j路径上的最小最坏情况延迟，gj(dT-1)为典型延迟不超过dT-1的u-j路径上的最小最坏情况延迟，
Figure GDA0003747608750000143
为典型延迟不超过
Figure GDA0003747608750000144
的u-k路径上的最小最坏情况延迟，
Figure GDA0003747608750000145
为路段
Figure GDA0003747608750000146
的典型延迟，
Figure GDA0003747608750000147
为路段
Figure GDA0003747608750000148
的最坏情况延迟；
路径的最小最坏情况延迟一开始是未知的，对应用户路标vu到路标vj的u-j路径，首先令dT＝1，vj＝vu+1，...，ve，计算gj(dT)的值，然后对dT＝2，vj＝vu+1，...，ve，计算gj(dT)的值，以此类推
Figure GDA0003747608750000149
直到出现dT的值首次满足gj(dT)≤Tc(t0)，那么
Figure GDA00037476087500001410
为此时dT的值；
(2)分别计算最优路径p*(Γ)的上界U与下界L；
上界U的计算方法包括以下步骤：
①基于未插入危险区域时的图模型
Figure GDA00037476087500001411
计算上界U的初始值对应于从用户初始路标到达出口路标的最小最坏情况延迟，对应路径为pU；
②在图模型中逐个插入nh个危险区域；
③对于路径pU中的各个路段
Figure GDA00037476087500001412
判断图模型插入第i个危险区域后，
Figure GDA00037476087500001413
是否安全路段，如果不属于，则基于插入第i个危险区域后的图模型
Figure GDA00037476087500001414
更新路径pU；
④重复步骤(2)、(3)，直到完成插入nh个危险区域，得到的最小最坏情况延迟即路径p*(Γ)的上界U；
下界L的计算方法为：
对不同的路段典型延迟
Figure GDA00037476087500001415
进行排序
Figure GDA00037476087500001416
其中，l≤|ε|＝m，取典型延迟最大值
Figure GDA0003747608750000151
定义εi(t)为典型延迟不超过
Figure GDA0003747608750000152
的路段集合，表达式如下：
Figure GDA0003747608750000153
令
Figure GDA0003747608750000154
那么
Figure GDA0003747608750000155
由于图模型
Figure GDA0003747608750000156
中一定包含一条Tc(t)内的路径pl，并且路径pl中所有路段都包含于集合
Figure GDA0003747608750000157
因此存在唯一索引值j，使得图模型
Figure GDA0003747608750000158
中包含一条Tc(t)内的路径pj且路径pj中所有路段都包含于集合
Figure GDA0003747608750000159
中，并且满足在图模型
Figure GDA00037476087500001510
中，从初始路标到出口路标的所有路径pj-1，其最坏情况延迟都超过Tc(t)，得到最优路径p*(Γ)的下界L表达式如下：
Figure GDA00037476087500001511
式中，
Figure GDA00037476087500001512
为Tc(t)内的路径pj中路段的典型延迟最大值，
Figure GDA00037476087500001513
为最优路径的典型延迟；
(3)执行舍入和缩放算法，计算最优路径p*(Γ)与最优典型延迟
Figure GDA00037476087500001514
最优路径p*(Γ)与最优典型延迟
Figure GDA00037476087500001515
的计算方法如下：
①对于图模型
Figure GDA00037476087500001516
中的每一条路段
Figure GDA00037476087500001517
的典型延迟
Figure GDA00037476087500001518
按照公式
Figure GDA00037476087500001519
进行舍入操作，保证
Figure GDA00037476087500001520
其中，n为图模型中路标数量，∈(0＜∈＜1)为近似因子；
②对最优路径上界U，按照公式
Figure GDA00037476087500001521
进行舍入操作，保证
Figure GDA00037476087500001522
③对路径的最小最坏情况延迟初始化，令gj(0)＝+∞，
Figure GDA00037476087500001523
④调用舍入和缩放中的释放算法，计算典型延迟不超过
Figure GDA00037476087500001524
的u-j路径的最小最坏情况延迟
Figure GDA00037476087500001525
由于
Figure GDA0003747608750000161
令
Figure GDA0003747608750000162
依次计算，直到首次满足最小最坏情况延迟
Figure GDA0003747608750000163
小于疏散截止时间Tc(t)，即满足
Figure GDA0003747608750000164
时，则取
Figure GDA0003747608750000165
为最优典型延迟
Figure GDA0003747608750000166
其对应的路径
Figure GDA0003747608750000167
为最优路径；
S4、根据船舶疏散环境的动态变化，利用无线传感器网络采集到的信息，实时更新应急导航模型参数，最后利用舍入和缩放算法实时计算船载人员的最优导航路径；
导航路径pue由用户路标vu到达出口路标ve的路标序列构成，表达式如下：
Figure GDA0003747608750000168
式中，pue(Γ)为随着典型延迟改变动态更新的路标序列，该序列存储在用户路标与出口路标之间的每个路标中；Γ为路标序列pue(Γ)的累积时间；
路径p(Γ)的典型延迟
Figure GDA0003747608750000169
和最坏情况延迟
Figure GDA00037476087500001610
定义为：
Figure GDA00037476087500001611
考虑船舶倾斜带来的动态危险，路段可能会被阻塞，典型延迟和最坏情况延迟的变化会导致船载人员错过船舶疏散的硬截止时间；根据Top-level算法获取躲避危险的无折返导航路径，具体包括以下步骤：
(1)调用舍入和缩放算法得到最优路径
Figure GDA00037476087500001612
计算出从vu到ve的Tc(t)内的路径，其典型延迟不超过
Figure GDA00037476087500001613
(2)将变量test1设置为FALSE，表明在危险入侵之前，所有路段均可通行；
(3)将变量test2设置为FALSE，表明典型延迟未发生变化；
(4)构造一个集合εtest，其中元素为危险入侵之前，原计划路径中用户无法通行的路段；
(5)判断已经包含在最优路径
Figure GDA00037476087500001614
中的路段是否应该纳入集合εtest；对于最优路径中的每条路段，判断各路段
Figure GDA00037476087500001615
的最坏延迟时间
Figure GDA00037476087500001616
是否超过危险传播时间
Figure GDA00037476087500001617
若超过了，则表明在危险入侵之前，该路段无法通行，将路段
Figure GDA00037476087500001618
加入集合εtest中；
(6)对于图模型
Figure GDA0003747608750000171
中的路段集合ε，删除包含于集合εtest中的元素，以重新建立导航网络连接；
(7)基于当前的图模型
Figure GDA0003747608750000172
调用舍入和缩放算法获取最优路径
Figure GDA0003747608750000173
并选择路径中的相邻路标
Figure GDA0003747608750000174
作为用户的下一路标；在下一次迭代中，
Figure GDA0003747608750000175
将作为新的用户路标；
(8)再次检查典型延迟是否改变，若发生改变，将test2设置为TRUE；
(9)判断test2的状态，若test2为TURE，表明典型延迟发生改变，则将test2设置为FALSE，回到步骤(5)，根据变化后的典型延迟重新计算当前用户路标到达出口路标的路径
Figure GDA0003747608750000176
其中，tnew为到达当前路标的时间戳；若test2为FALSE，表明典型延迟未发生改变，则用户移动到路径
Figure GDA0003747608750000177
中当前用户路标的相邻路标，其中，tN-1为离开前一路标的时间戳。
将本发明设计的应急导航方法(WEND)与先进的应急导航方法OPEN(基于预期折返次数(ENO)的无折返导航方法)进行比较。参见图9-图11，首先对于不同∈值，本方法(WEND)的平均疏散时间90％低于OPEN，这是由于OPEN方法的目标是生成一条无折返的导航路径，没有考虑到每个路段的典型延迟，从而可能产生较大的弯路，导致疏散时间过长用户错过船舶疏散硬截止时间；在某些特殊结果点处，本方法(WEND)的平均疏散时间高于OPEN方法，这是因为本方法设计的导航路径不仅考虑了各路段的典型延迟，同时考虑了各路段的最坏情况延迟，因此设计的导航路段不是理论上的最快安全路径。进一步比较两种方法的可扩展性，在不同的导航场景中进行模拟，得到仿真结果如图12所示，随着导航网络复杂度的增加，两种方法的疏散时间均增加了，这是因为导航网络越复杂，包含的导航节点越多，基于距离的延时测量结果越精确。在两种导航场景中，本发明设计的方法(WEND)均优于OPEN方法，用户疏散时间更短。其次考虑船舶疏散的硬截止时间，对比两种方法的导航成功率。图13-图15展示了两种方法在硬截止时间内到达可能性的累积分布函数，从图中可以看出采用本方法(WEND)，超过70％、80％、85％的用户可以在硬截止时间内到达出口，而OPEN方法能保证60％的用户成功导航。最后验证两种导航方法的路径安全性，如图16所示对比了不同用户数量下两种导航方法到达危险区域的最短距离，本方法(WEND)的距离约为4米，OPEN方法的距离大于5米。在疏散过程中无需寻找安全距离最大的导航路径，因为这样的导航决策过于保守，增加用户在导航环境中花费的时间，降低了用户的整体安全性。相比之下，本发明设计的算法大大减少了用户在危险环境中的停留时间，提高了用户在硬截止时间内到达出口的机会。通过对比，验证了本发明设计的动态危险船舶室内环境应急疏散策略在疏散效率、用户安全性以及算法效率方面均有提高。
本设计方法主要解决了以下四方面的问题：1)船舶室内环境中的应急疏散问题。船舶室内环境拓扑结构较为复杂，在预处理阶段构建船舶的三维拓扑模型，提取出包括走廊、楼梯和电梯在内的所有可通行路径。2)动态危险信息获取。通过布设无线传感器网络，及时获取危险发生位置以及危险到达时间，更新图模型中的路标属性以及最短危险到达时间信息；在模型中引入两个延迟参数：典型延迟
Figure GDA0003747608750000181
和最坏情况延迟
Figure GDA0003747608750000182
来表征导航路径中的路段信息，它们分别表示通过路段
Figure GDA0003747608750000183
所需的典型延迟以及最大延迟的保证上界。3)船舶倾斜与受损情况对于船载人员疏散的影响。与陆地建筑物的室内疏散问题相比，船载室内环境的应急疏散需要考虑船体倾覆以及船舱破损后船舱内液体流动对行人运动的影响等，并且船载环境中乘客疏散时间是有限的，制定的导航路径必须在硬截止时间之内；结合船舶倾斜角度变化以及水密舱壁对船舱内液体流动的影响，分别估计船载人员典型速度以及最坏情况速度，实时更新各路段对应的典型延迟
Figure GDA0003747608750000184
和最坏情况延迟
Figure GDA0003747608750000185
利用无线传感器周期性探头捕获危险路标到达各路段的时间间隔，及时更新最短危险到达时间集合
Figure GDA0003747608750000186
4)算法可扩展性问题。随着导航网络包含的节点数量增加、网络复杂度提高，路径延时测量结果会更精确，但是会导致疏散时间增加；根据船舶疏散环境的动态变化以及应急导航策略的目标，实时更新模型参数，利用受约束最短路径问题的近似算法为每个船载人员规划最优的逃生路径。本设计考虑了船载环境应急疏散过程中存在的动态危险，结合船舶受损情况以及倾斜角变化对于船载人员运动速度的影响，基于无线传感器网络，提出了一种面向三维船舶场景的可扩展性实时快速应急路径规划方法，该疏散方法能够实时地为每一位船载人员提供安全高效的导航路径。

Claims (8)

1.一种面向三维船舶场景的可扩展性实时快速应急路径规划方法，其特征在于，该方法包括以下步骤：
S1、根据船舶室内结构构建三维导航网络；
S2、先在三维导航网络的路标节点处布设无线传感器，构造无线传感器网络，再利用无线传感器采集相邻路标节点之间的路段延迟信息以及危险到达路段的时间间隔信息，然后根据路标节点和路段延迟信息，采用有向图建立应急导航模型；
S3、根据应急导航策略的目标，利用舍入和缩放算法，为每个船载人员规划最优导航路径；
所述应急导航策略的目标是指为每个船载人员规划一条远离危险区域的路径，经过该路径，在所有情况下船载人员都能在硬截止时间内到达出口路标，同时经历从用户初始路标到达出口路标的最小典型延迟；
该步骤具体包括以下步骤：
S31、定义路标vi对应的相邻安全路标集合υi s以及路标vi到达出口路标ve的安全路径集合
Figure FDA0003747608740000011
(1)对于路标vi对应的相邻安全路标集合υi s的定义如下：
对于路标vi的相邻路标vj，若从路标vj到达出口路标ve的路径集合中存在一条路径pje，对于其中任意不等于路标vj的路标vn，若满足以下不等式，则路标vj为路标vi的相邻安全路标，所有相邻安全路标构成集合υi s；
Figure FDA0003747608740000012
式中，
Figure FDA0003747608740000013
为从路标vi到路标vj的路段的最坏情况延迟，
Figure FDA0003747608740000014
为从路标vj到达路标vn的路径pjn的最坏情况延迟；
Figure FDA0003747608740000015
为危险到达路段
Figure FDA0003747608740000016
的最短时间间隔，其中，路标vm位于路径pje上并且路段
Figure FDA0003747608740000017
为路标vn的相邻路段；
(2)对于安全路径集合
Figure FDA0003747608740000018
的定义如下：
对于路径Pie，当且仅当每个位于路径Pie的路标vi，满足
Figure FDA0003747608740000019
将Pie定义为路标vi到出口路标ve的安全路径；其中，vj∈pie，
Figure FDA0003747608740000021
路标vi到出口路标ve的所有安全路径构成集合
Figure FDA0003747608740000022
S32、定义路标vi到达出口路标ve的最小典型延迟
Figure FDA0003747608740000023
以及其对应的最优路径p*(Γ)；
最小典型延迟
Figure FDA0003747608740000024
为：
Figure FDA0003747608740000025
式中，
Figure FDA0003747608740000026
为路标vi到路标vj的典型延迟，
Figure FDA0003747608740000027
为路标vj到出口路标ve的典型延迟，tj为危险到达路标的硬截止时间；
将最小典型延迟
Figure FDA0003747608740000028
对应的最优相邻路标定义为πi，安全路径
Figure FDA0003747608740000029
定义为最优路径p*(Γ)，当且仅当每个包含于安全路径pue的路标，满足vj＝πi；
S33、利用舍入和缩放算法，在多项式时间内计算最优路径p*(Γ)与最优典型延迟
Figure FDA00037476087400000210
(1)利用释放算法计算最小最坏情况延迟：
Figure FDA00037476087400000211
式中，gj(dT)为典型延迟不超过dT的u-j路径上的最小最坏情况延迟，gj(dT-1)为典型延迟不超过dT-1的u-j路径上的最小最坏情况延迟，
Figure FDA00037476087400000212
为典型延迟不超过
Figure FDA00037476087400000213
的u-k路径上的最小最坏情况延迟，
Figure FDA00037476087400000214
为路段
Figure FDA00037476087400000215
的典型延迟，
Figure FDA00037476087400000216
为路段
Figure FDA00037476087400000217
的最坏情况延迟；
(2)分别计算最优路径p*(Γ)的上界U与下界L；
(3)执行舍入和缩放算法，计算最优路径p*(Γ)与最优典型延迟
Figure FDA00037476087400000218
S4、根据船舶疏散环境的动态变化，利用无线传感器网络采集到的信息，实时更新应急导航模型参数，最后利用舍入和缩放算法实时计算船载人员的最优导航路径。
2.根据权利要求1所述的一种面向三维船舶场景的可扩展性实时快速应急路径规划方法，其特征在于：步骤S1中，采用基于泰森多边形的导航网络构建方法，具体包括以下步骤：
S11、初始化赋值，VD单元格集合R1＝f，当前曲面细分等级TL＝1；
S12、导航场景中门节点、凹角节点和楼梯节点投影对应于约束形核点集合N，对于待测VD单元格集合M中的每个VD单元格Rk，计算约束形核点连线
Figure FDA0003747608740000031
的二等分线bl，再计算二等分线bl与VD单元格Rk的交点集合L；
S13、若交点集合L中的元素个数大于2，则创建边(j，k)，并将其插入多边形f的细分曲面中；将包含约束形核点Nj的VD单元格Rk添加到集合R中；对于边(j，k)相交的边，将其相邻的VD单元格Rk添加到待测VD单元格集合M中；
S14、删除约束形核点Nj新生成的VD单元格边界内的边；
S15、对于多边形f的细分曲面中的每条边e，若边e的长度超过边长阈值T1，或者边e受两个约束形核点限制，或者边e的端点位于不共线约束边上时，计算边e的二等分点bp，并将二等分点bp添加到集合N中；
S16、对细分等级赋值TL＝TL+1，重复步骤S12、S13、S14、S15，直到完成最大细分等级TLmax的计算。
3.根据权利要求1所述的一种面向三维船舶场景的可扩展性实时快速应急路径规划方法，其特征在于：步骤S2具体包括以下步骤：
S21、采用有向图对无线传感器网络进行建模，得到图模型为：
Figure FDA0003747608740000032
式中，v为路标集合，ε为两个路标之间路段构成的集合；
S22、估计不同路段对应的典型延迟
Figure FDA0003747608740000033
和最坏情况延迟
Figure FDA0003747608740000034
S23、将图模型
Figure FDA0003747608740000035
中每个路标v设置为三元组：
Figure FDA0003747608740000041
式中，ID为部署无线传感器时分配的路标标识符，LC为路标在导航网络中的位置坐标，
Figure FDA0003747608740000042
为最短危险到达时间集合；
Figure FDA0003747608740000043
为危险从初始位置扩展到路标vj的相邻路段
Figure FDA0003747608740000044
的最短时间间隔，定义为：
Figure FDA0003747608740000045
式中，
Figure FDA0003747608740000046
为危险从初始位置扩展到路标vj所有相邻路段的最短时间间隔集合，
Figure FDA00037476087400000412
为路标vj的相邻路标集合；
Figure FDA0003747608740000047
Figure FDA0003747608740000048
式中，Tc(t0)为疏散截止时间，ve为出口路标。
4.根据权利要求3所述的一种面向三维船舶场景的可扩展性实时快速应急路径规划方法，其特征在于：
步骤S22中，将动态危险情况下船载人员的典型速度与图模型中各路段长度相结合，计算出该路段对应的典型延迟
Figure FDA0003747608740000049
对于因水密舱壁而不受浸水影响的路段，其最坏情况速度SW为：
Figure FDA00037476087400000410
式中，
Figure FDA00037476087400000411
为倾斜角为30度时步行速度的衰减系数；
对于受浸水影响的路段，其最坏情况速度SW为：
Figure FDA0003747608740000051
式中，
Figure FDA0003747608740000052
为水深0.8m时步行速度的衰减系数；
将船载人员通过各路段的最坏情况速度与图模型中各路段长度相结合，计算出该路段对应的最坏情况延迟
Figure FDA0003747608740000053
5.根据权利要求3所述的一种面向三维船舶场景的可扩展性实时快速应急路径规划方法，其特征在于：步骤S33中，上界U的计算方法包括以下步骤：
(1)基于未插入危险区域时的图模型
Figure FDA0003747608740000054
计算上界U的初始值对应于从用户初始路标到达出口路标的最小最坏情况延迟，对应路径为pU；
(2)在图模型中逐个插入nh个危险区域；
(3)对于路径pU中的各个路段
Figure FDA0003747608740000055
判断图模型插入第i个危险区域后，
Figure FDA0003747608740000056
是否安全路段，如果不属于，则基于插入第i个危险区域后的图模型
Figure FDA0003747608740000057
更新路径pU；
(4)重复步骤(2)、(3)，直到完成插入nh个危险区域，得到的最小最坏情况延迟即路径p*(Γ)的上界U。
6.根据权利要求5所述的一种面向三维船舶场景的可扩展性实时快速应急路径规划方法，其特征在于：步骤S33中，下界L的计算方法为：
对不同的路段典型延迟
Figure FDA0003747608740000058
进行排序，取典型延迟最大值
Figure FDA0003747608740000059
定义εi(t)为典型延迟不超过
Figure FDA00037476087400000510
的路段集合，表达式如下：
Figure FDA00037476087400000511
由于图模型
Figure FDA00037476087400000512
中一定包含一条Tc(t)内的路径pl，并且路径pl中所有路段都包含于集合
Figure FDA00037476087400000513
因此存在唯一索引值j，使得图模型
Figure FDA00037476087400000514
中包含一条Tc(t)内的路径pj且路径pj中所有路段都包含于集合
Figure FDA0003747608740000061
中，并且满足在图模型
Figure FDA0003747608740000062
中，从初始路标到出口路标的所有路径pj-1，其最坏情况延迟都超过Tc(t)，得到最优路径p*(Γ)的下界L表达式如下：
Figure FDA0003747608740000063
式中，
Figure FDA0003747608740000064
为Tc(t)内的路径pj中路段的典型延迟最大值，
Figure FDA0003747608740000065
为最优路径的典型延迟。
7.根据权利要求6所述的一种面向三维船舶场景的可扩展性实时快速应急路径规划方法，其特征在于：步骤S33中，最优路径p*(Γ)与最优典型延迟
Figure FDA0003747608740000066
的计算方法如下：
(1)对于图模型
Figure FDA0003747608740000067
中的每一条路段
Figure FDA0003747608740000068
的典型延迟
Figure FDA0003747608740000069
按照公式
Figure FDA00037476087400000610
进行舍入操作，其中，n为图模型中路标数量，∈为近似因子；
(2)对最优路径上界U，按照公式
Figure FDA00037476087400000611
进行舍入操作，保证
Figure FDA00037476087400000612
(3)对路径的最小最坏情况延迟初始化，令gj(0)＝+∞，
Figure FDA00037476087400000613
(4)调用舍入和缩放中的释放算法，计算典型延迟不超过
Figure FDA00037476087400000614
的u-j路径的最小最坏情况延迟
Figure FDA00037476087400000615
令
Figure FDA00037476087400000616
依次计算，直到首次满足最小最坏情况延迟
Figure FDA00037476087400000617
小于疏散截止时间Tc(t)，即满足
Figure FDA00037476087400000618
时，则取
Figure FDA00037476087400000619
为最优典型延迟
Figure FDA00037476087400000620
其对应的路径
Figure FDA00037476087400000621
为最优路径。
8.根据权利要求7所述的一种面向三维船舶场景的可扩展性实时快速应急路径规划方法，其特征在于：
步骤S4中，导航路径pue由用户路标vu到达出口路标ve的路标序列构成，表达式如下：
Figure FDA0003747608740000071
式中，pue(Γ)为随着典型延迟改变动态更新的路标序列，Γ为路标序列pue(Γ)的累积时间；
路径p(Γ)的典型延迟
Figure FDA0003747608740000072
和最坏情况延迟
Figure FDA0003747608740000073
定义为：
Figure FDA0003747608740000074
根据Top-level算法获取躲避危险的无折返导航路径，具体包括以下步骤：
(1)调用舍入和缩放算法得到最优路径
Figure FDA0003747608740000075
计算出从vu到ve的Tc(t)内的路径，其典型延迟不超过
Figure FDA0003747608740000076
(2)将变量test1设置为FALSE，表明在危险入侵之前，所有路段均可通行；
(3)将变量test2设置为FALSE，表明典型延迟未发生变化；
(4)构造一个集合εtest，其中元素为危险入侵之前，原计划路径中用户无法通行的路段；
(5)判断已经包含在最优路径
Figure FDA0003747608740000077
中的路段是否应该纳入集合εtest；对于最优路径中的每条路段，判断各路段
Figure FDA0003747608740000078
的最坏延迟时间
Figure FDA0003747608740000079
是否超过危险传播时间
Figure FDA00037476087400000710
若超过了，则表明在危险入侵之前，该路段无法通行，将路段
Figure FDA00037476087400000711
加入集合εtest中；
(6)对于图模型
Figure FDA00037476087400000712
中的路段集合ε，删除包含于集合εtest中的元素，以重新建立导航网络连接；
(7)基于当前的图模型
Figure FDA00037476087400000713
调用舍入和缩放算法获取最优路径
Figure FDA00037476087400000714
并选择路径中的相邻路标
Figure FDA00037476087400000715
作为用户的下一路标；在下一次迭代中，
Figure FDA00037476087400000716
将作为新的用户路标；
(8)再次检查典型延迟是否改变，若发生改变，将test2设置为TRUE；
(9)判断test2的状态，若test2为TURE，表明典型延迟发生改变，则将test2设置为FALSE，回到步骤(5)，根据变化后的典型延迟重新计算当前用户路标到达出口路标的路径
Figure FDA0003747608740000081
其中，tnew为到达当前路标的时间戳；若test2为FALSE，表明典型延迟未发生改变，则用户移动到路径
Figure FDA0003747608740000082
中当前用户路标的相邻路标，其中，tN-1为离开前一路标的时间戳。
CN202210543376.1A 2022-05-19 2022-05-19 面向三维船舶场景的可扩展性实时快速应急路径规划方法 Active CN114659525B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210543376.1A CN114659525B (zh) 2022-05-19 2022-05-19 面向三维船舶场景的可扩展性实时快速应急路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210543376.1A CN114659525B (zh) 2022-05-19 2022-05-19 面向三维船舶场景的可扩展性实时快速应急路径规划方法

Publications (2)

Publication Number Publication Date
CN114659525A CN114659525A (zh) 2022-06-24
CN114659525B true CN114659525B (zh) 2022-09-02

Family

ID=82037936

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210543376.1A Active CN114659525B (zh) 2022-05-19 2022-05-19 面向三维船舶场景的可扩展性实时快速应急路径规划方法

Country Status (1)

Country Link
CN (1) CN114659525B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117371760B (zh) * 2023-11-30 2024-05-28 武汉理工大学 考虑截止时间和拥塞缓解的分层式客船人员应急疏散方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102007061754A1 (de) * 2007-12-20 2009-06-25 Elektro Grundler Ges.M.B.H. & Co. Kg Evakuierungsvorrichtung und Fluchtweganzeige hierfür
CN101619980A (zh) * 2009-03-13 2010-01-06 上海申腾信息技术有限公司 一种具有精确定位功能的车辆导航仪及其导航方法
US8626444B2 (en) * 2009-03-16 2014-01-07 The Hong Kong University Of Science And Technology Safety based road map navigation
US8364395B2 (en) * 2010-12-14 2013-01-29 International Business Machines Corporation Human emotion metrics for navigation plans and maps
JP2018067217A (ja) * 2016-10-21 2018-04-26 株式会社半導体エネルギー研究所 情報端末及び避難誘導システム
WO2020014753A1 (pt) * 2018-07-16 2020-01-23 Sterpin Aleksandar Método e sistema de gestão de emergência
EP3787947A2 (en) * 2018-08-14 2021-03-10 Mobileye Vision Technologies Ltd. Systems and methods for navigating with safe distances
CN109238291B (zh) * 2018-10-26 2019-07-12 河海大学 一种水面无人船导引缆回收自主水下航行器的规划方法
WO2020187668A1 (en) * 2019-03-15 2020-09-24 Luxembourg Institute Of Science And Technology (List) Ship evacuation system
CN112866902B (zh) * 2021-01-12 2022-02-18 武汉理工大学 一种动态危险船载环境自适应应急导航方法
CN113727279B (zh) * 2021-11-03 2022-01-25 武汉理工大学 一种基于室内外位置信息的船舶应急疏散方法

Also Published As

Publication number Publication date
CN114659525A (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
CN110531770B (zh) 一种基于改进的rrt路径规划方法和系统
CN109724606B (zh) 基于改进的a*算法的矿井突水避灾路径规划方法和装置
CN105717929A (zh) 一种多分辨率障碍物环境下移动机器人混合路径规划方法
CN114659525B (zh) 面向三维船舶场景的可扩展性实时快速应急路径规划方法
CN112556714B (zh) 一种消防灭火救援智能路径规划方法及系统
CN112866902B (zh) 一种动态危险船载环境自适应应急导航方法
CN112748732B (zh) 基于改进Kstar算法和深度学习的实时路径规划方法
CN114625150B (zh) 基于危险系数和距离函数的快速蚁群无人艇动态避障方法
KR101588232B1 (ko) 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템 및 이를 이용한 산사태 예측 방법
CN109583628A (zh) 一种基于元胞自动机的洪涝人员动态疏散路径分析方法
CN107870621A (zh) 在未知复杂海底地形环境中的自主水下机器人避碰方法
CN116661479B (zh) 建筑巡检路径规划方法、设备和可读存储介质
CN114034301A (zh) 一种基于决策树的实时航路规划方法
CN113359808A (zh) 一种无人机电力巡检多级路径规划方法及相关装置
CN113124824A (zh) 一种基于显著性计算的无人机摄影测量采集规划方法及系统
CN110750100B (zh) 基于流函数法的水下搜救机器人路径规划方法
CN113933859A (zh) 一种无人矿卡行驶场景的路面及两侧挡墙检测方法
CN117371760B (zh) 考虑截止时间和拥塞缓解的分层式客船人员应急疏散方法
Sun et al. Study on safe evacuation routes based on crowd density map of shopping mall
CN116468193A (zh) 一种基于bim模型的消防智能定位逃生导航方法及系统
CN116753970A (zh) 路径规划方法、装置、电子设备及存储介质
CN111080080A (zh) 一种村镇地质灾害风险预估方法及系统
CN115328174A (zh) 轨迹规划方法、电子设备及存储介质
CN115451970A (zh) 一种结合人工势场的概率图谱路径规划方法
CN114879675A (zh) 用于受限水域航路自动规划的数值化优化方法

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