CN114721402A - 一种基于改进蚁群算法的泊车路径规划方法及系统 - Google Patents

Abstract

本发明公开了一种基于改进蚁群算法的泊车路径规划方法及系统，根据智能车库建立栅格地图，设置参数，将蚂蚁种群划分为优化层蚁群和寻优层蚁群。寻优层蚁群进行路径寻优，得到若干条搜索路径，优化层蚁群进行路径寻优，得到若干条搜索路径，记录本次迭代中每只蚂蚁行走的最优路径，寻优层蚁群和优化层蚁群按照各自的规则进行信息素更新。达到设定的迭代次数后，对最优路径进行平滑优化处理，然后输出平滑后的路径及算法收敛曲线图，即完成了智能泊车机器人路径规划，本发明减少了智能泊车机器人的转弯次数和路径长度，所得的路径鲁棒性和实用性更强，减少了路径冗余，解决了现有技术中路径搜索效率低的问题。

Description

一种基于改进蚁群算法的泊车路径规划方法及系统

技术领域

本发明属于路径规划技术领域，涉及一种基于改进蚁群算法的泊车路径规划方法及系统。

背景技术

随着汽车数量不断增加，城市对于车位的需求与日俱增，“停车难”问题日益突出。从传统的人工看守停车场发展至机械式升降的停车库，在一定程度上解决了“停车难”的问题，但仍存在成本较高、容量低等缺陷。近些年，智能停车库发挥着重要的作用，智能停车库具有空间利用率高、节约管理成本、全封闭车库、安全性较高等特点。智能停车库的核心是智能泊车机器人，使用智能泊车机器人将车辆进行统一规划和存放。

当前，智能泊车机器人在进行全局路径规划时，使用蚁群算法进行研究较为普遍，但蚁群算法仍然存在一定的缺陷：首先是在进行路径规划时，初始信息素过于均匀，缺乏一定的引导性，致使算法搜索效率低下；其次是蚁群算法属于一种并行结构，但是蚂蚁群落间并没有体现出任何差异性，在选择路径时会出现路径冗余较多的现象；除此之外，蚁群算法生成路径并未考虑实际运行情况，存在转弯次数较多、路径不平滑的问题。

发明内容

本发明的目的在于解决现有技术中的问题，提供一种基于改进蚁群算法的泊车路径规划方法及系统。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于改进蚁群算法的泊车路径规划方法，包括以下步骤：

S1：建立车库的二维栅格地图，对初始信息素进行差异化处理，将蚂蚁种群划分为寻优层蚁群和优化层蚁群；

S2：计算寻优层蚁群的启发函数和状态转移规则，并在寻优蚁群的启发函数中引入估计函数，通过迭代进行路径寻优，获取若干条寻优层蚁群的搜索路径，判断寻优层中蚁群是否完成路径搜索，若是，则执行S4，否则重复S2；

S3：计算优化层蚁群的启发函数和状态转移规则，在状态转移规则中，引入转角评价函数，通过迭代进行路径寻优，获取若干条优化层蚁群的搜索路径，判断优化层中蚁群是否完成路径搜索，若是，则执行S4，否则重复S3；

S4：分别对路径搜索完成后的寻优层蚁群和优化层蚁群进行信息素更新，基于更新后的寻优层蚁群和优化层蚁群，判断蚁群是否达到了目标迭代次数，若是，执行S5，否则寻优层蚁群执行S2，优化层蚁群执行S3；

S5：选择寻优层蚁群和优化层蚁群中所有蚂蚁中行走的最短距离作为最优路径，对最优路径进行平滑处理，获取平滑后的路径及算法收敛曲线图。

本发明的进一步改进在于：

所述步骤S1中，对初始信息素进行差异化处理的步骤为：

将设定的起点与终点进行连接，该条路径的区域设定为S1，以S1区域向外扩散部分区域，该扩散的部分区域为S2，S2的初始化信息素浓度低于S1区域的信息素浓度，S2区域继续向外扩散部分区域，设定为S3，S3的初始化信息素浓度低于S2区域的信息素浓度，不同区域初始信息素含量表达式如下：

τ₀＝d_sg*c (1)

其中，d_sg为起点到终点的欧氏距离；c为信息素浓度系数。

所述步骤S1中，将蚂蚁种群划分为寻优层蚁群和优化层蚁群的方法为：

y＝m-x (3)

其中：x是寻优层蚁群数量，Ogrid是不可行栅格数量；Agrid是全部栅格数量，m是蚂蚁数量；h为蚂蚁平衡因子，y是优化层蚁群数量。

所述步骤S2包括以下步骤：

所述寻优层蚁群的启发函数中引入估计函数d(j,g)：

其中，ε、ζ为常数，取值范围为(0,1)；(x_j,y_j)与(x_g,y_g)分别为节点j和终点栅格的坐标值；d(i,j)与d(j,g)分别为节点(i,j)和(j,g)的欧式距离；

所述寻优层蚁群的状态转移规则为：

其中，

表示转移概率，τ_ij(t)表示从节点(i,j)之间的信息素浓度；η_ij(t)表示从节点(i,j)之间的启发信息；α和β分别表示信息素浓度系数和启发函数系数；allowed_k表示蚂蚁k下一步能够选择的节点栅格的集合。

所述步骤S3包括以下步骤：

所述优化层蚁群的启发函数为：

式中，d_jg为节点(j,g)之间的欧氏距离；

所述优化层蚁群的状态转移规则为：

引入转角评价函数，首先计算当前节点到下一节点的夹角Θ₁，

其中，(x_i,y_i)为当前节点坐标，(x_j,y_j)为下一可选节点的坐标；

计算出当前节点与终点的夹角Θ₂，

其中，(x_i,y_i)为当前节点的坐标，(x_g,y_g)为终点的坐标；

将Θ₁与Θ₂作差后取绝对值，

Θ＝|Θ₁-Θ₂| (9)

其中，当Θ值越大时，Θ₁与Θ₂两个方向的角度越大；当Θ值越小时，Θ₁与Θ₂两个方向的角度越小；

基于Θ值设置优化层蚁群的转角评价函数：

所述优化层蚁群的状态转移规则为：

其中，

表示转移概率，τ_ij(t)表示从节点(i,j)之间的信息素浓度；α和β分别表示信息素浓度系数和启发函数系数；allowed_k表示蚂蚁k下一步能够选择的节点栅格的集合。

所述步骤S4中，

所述寻优层蚁群信息素更新的步骤为：

其中，τ_ij(t)表示节点(i,j)上的信息素，ρ表示信息素挥发因子；Δτ_ij(t)表示节点(i,j)上的信息素增量，Q表示信息素强度；

表示第k只蚂蚁在路径上释放的信息素；μ为信息素补偿因子，用于给予目前最优路径上信息素的额外补偿；

所述优化层蚁群信息素更新的步骤为：

式中：τ_ij(t)表示节点(i,j)上的信息素浓度；ρ表示信息素挥发因子；Δτ_ij(t)表示本次蚂蚁循环在节点(i,j)上的信息素增量；

表示第k只蚂蚁在路径上释放的信息素。

所述步骤S5包括以下步骤：

通过建立B样条曲线的表达式对最优路径进行平滑处理：

式中，P_i为生成最优路径的坐标；D_i,k(u)为B样条曲线的基函数；u为自变量；

D_i,k(u)的表达式如下：

式中，u_i为一组非递减序列的节点矢量值，该序列定义为：(u₀,u₁,...,u_k,u_k+1,...,u_n+k)。

一种基于改进蚁群算法的泊车路径规划系统，包括蚁群分层模块、寻优层蚁群路径搜索模块、优化层蚁群路径搜索模块、信息素更新模块和路径处理模块；

蚁群分层模块，用于建立车库的二维栅格地图，对初始信息素进行差异化处理，将蚂蚁种群划分为寻优层蚁群和优化层蚁群；

寻优层蚁群路径搜索模块，用于计算寻优层蚁群的启发函数和状态转移规则，并在寻优蚁群的启发函数中引入估计函数，通过迭代进行路径寻优，获取若干条寻优层蚁群的搜索路径，判断寻优层中蚁群是否完成路径搜索；

优化层蚁群路径搜索模块，用于计算优化层蚁群的启发函数和状态转移规则，在状态转移规则中，引入转角评价函数，通过迭代进行路径寻优，获取若干条优化层蚁群的搜索路径，判断优化层中蚁群是否完成路径搜索；

信息素更新模块，用于分别对路径搜索完成后的寻优层蚁群和优化层蚁群进行信息素更新，基于更新后的寻优层蚁群和优化层蚁群，判断蚁群是否达到了目标迭代次数；

路径处理模块，用于选择寻优层蚁群和优化层蚁群中所有蚂蚁中行走的最短距离作为最优路径，对最优路径进行平滑处理，获取平滑后的路径及算法收敛曲线图。

一种终端设备，包括存储器、处理器以及存储在所述存储器中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本发明公开的任一项所述方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如本发明公开的任一项所述方法的步骤。

与现有技术相比，本发明具有以下有益效果：

本发明公开了一种基于改进蚁群算法的泊车路径规划方法，对初始信息素进行差异化处理，给初始蚁群一定的指引性，避免了蚂蚁路径搜索的盲目性，将蚁群分为寻优层蚁群和优化层蚁群，在寻优蚁群的启发函数中引入估计函数，加速算法的收敛，在优化层蚁群的状态转移规则中，添加转角评价函数，降低路径冗余，通过迭代搜索，获取多条路径，进一步在多条路径中选择最优路径，并通过对信息素更新，对最优路径进行额外补偿，加速算法的收敛，避免算法搜索的盲目性，最后对最优路径进行平滑优化，获取最终路径，本发明减少了智能泊车机器人的转弯次数和路径长度，提高了路径搜索的精准性，所得的路径鲁棒性和实用性更强，提升了泊车机器人的运行效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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获得其他相关的附图。

图1为本发明的流程图；

图2为本发明栅格地图序列号与坐标关系示意图；

图3为本发明路径规划方法的初始信息素差异化示意图；

图4为本发明路径规划方法的平滑处理示意图；

图5为现有蚁群算法在20x20栅格地图中的最优路径图；

图6为本发明所述路径规划方法在20x20栅格地图中平滑后的最优路径图；

图7为现有蚁群算法在30x30栅格地图中的最优路径图；

图8为本发明所述路径规划方法在30x30栅格地图中平滑后的最优路径图；

图9为20x20栅格地图中现有蚁群算法和本发明改进蚁群算法的收敛曲线。

图10为30x30栅格地图中现有蚁群算法和本发明改进蚁群算法的收敛曲线。

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一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。

在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

下面结合附图对本发明做进一步详细描述：

参见图1，本发明公开了一种基于改进蚁群算法的泊车路径规划方法，包括以下步骤：

步骤1：为了对智能车库模型的简化处理，创建智能车库的栅格地图，设置方法运算的相关参数，将蚂蚁划分为寻优层蚁群和优化层蚁群。

其中，栅格地图如图2所示，黑色为车位已有汽车或墙体，表示不可行区域，用1表示；白色栅格表示智能泊车机器人可自由行驶的区域或停放汽车的位置，用0表示；在二维栅格地图中建立坐标系，将坐标系进行编码转换成序列号：

a为二维栅格的边长；i为栅格序列号；M为栅格地图的维度；mod为取余运算；ceil为向上取整运算；x_i,y_i为每个栅格的坐标位置；

其中，对蚂蚁参数设置时，需要对初始信息素进行差异化处理：将起点与终点进行连接，该条路径的区域设定为S1，S1区域的初始信息素浓度设定为全地图最大值。以S1区域向外扩散一定的区域，该区域为S2，S2的初始化信息素浓度低于S1区域。S2区域继续向外扩散一定的区域，该区域为S3，S3的初始化信息素浓度低于S2，参见图3；不同区域初始信息素含量表达式如下：

τ₀＝d_sg*c (1)

其中，d_sg为起点到终点的欧氏距离；

c为信息素浓度系数，不同的区域信息素浓度系数不同。

其中，蚂蚁按照如下方式进行分层：

y＝m-x (3)

其中：x是寻优层蚁群数量，Ogrid是不可行栅格数量；Agrid是全部栅格数量，m是蚂蚁数量；h为蚂蚁平衡因子，y是优化层蚁群数量。

步骤2：寻优层计算启发函数，计算待选节点的状态转移规则，用轮盘赌法选择下一节点。

其中，寻优层蚁群启发函数和状态转移规则如下：

其中，ε、ζ为常数，取值范围为(0,1)；(x_j,y_j)与(x_g,y_g)分别为节点j和终点栅格的坐标值；d(i,j)与d(j,g)分别为节点(i,j)和(j,g)的欧式距离；

表示转移概率，τ_ij(t)表示从节点(i,j)之间的信息素浓度；η_ij(t)表示从节点(i,j)之间的启发信息；α和β分别表示信息素浓度系数和启发函数系数；allowed_k表示蚂蚁k下一步可选节点栅格的集合。

当引入了d_jg距离公式后，当下一节点栅格j与终点栅格g之间的距离越接近时，启发函数的值就越大，结合状态转移规则式，节点j被选择的概率就越大。所以，通过引入d_jg后，有利于提升算法搜索的效率，促进算法加速收敛。

步骤3：优化层计算启发函数，并计算待选节点的状态转移规则，用轮盘赌法选择下一节点，其中，优化层蚁群的启发函数如下：

其中，η为优化层蚁群的启发函数，d_jg为节点(j,g)之间的欧氏距离，这样有利于蚂蚁选择距离终点更近的节点。

为了避免蚂蚁搜索过程中出现冗余转折点，优化层蚁群状态转移规则中引入转角评价函数，将转角评价函数作为状态转移规则影响因素之一。

首先求出当前节点到下一节点的夹角Θ₁，表达式如下：

其中，(x_i,y_i)为当前节点坐标，(x_j,y_j)为下一可选节点的坐标；Θ₁为当前节点到下一节点的夹角。

再求出当前节点与终点的夹角Θ₂，表达式所下：

其中，(x_i,y_i)为当前节点的坐标，(x_g,y_g)为终点的坐标。

利用当前节点与下一可选节点的夹角Θ₁与当前节点与终点的夹角Θ₂做差后取绝对值，表达式如下：

Θ＝|Θ₁-Θ₂| (9)

其中，当Θ值越大时，两个方向的角度越大；当Θ值越小时，两个方向的角度越小。

利用不同的Θ值设置转角评价函数，表达式如下：

所述优化层蚁群得状态转移规则如下：

其中，

表示转移概率，τ_ij(t)表示从节点(i,j)之间的信息素浓度；α和β分别表示信息素浓度系数和启发函数系数；allowed_k表示蚂蚁k下一步可选节点栅格的集合。

其中，f(Θ)为转角评价函数，当Θ值越小时，两个方向的角度越小，下一可选节点的方向与终点的方向更接近，转角评价函数值越大，该节点被选择的概率越大。终点的方向对节点选择具有一定的指引作用，使得机器人尽可能朝向终点的方向进行运动，从而减少路径冗余。

步骤4：优化层蚁群和寻优层蚁群分别判断当前蚂蚁是否到达终点和有无可行节点，若蚂蚁没有到达终点且有可行节点，寻优层蚁群跳至步骤2，优化层蚁群跳至步骤3，若蚂蚁达到终点或者无可行节点，则跳转至步骤5。

步骤5：判断迭代中所有蚂蚁是否完成了路径搜索，若仍有蚂蚁未完成路径搜索，寻优层蚁群跳至步骤2，优化层蚁群跳至步骤3；若所有蚂蚁完成了路径搜索，则转至步骤6。

步骤6：记录本次迭代中每只蚂蚁行走的路线长度以及最优路径，寻优层蚁群和优化层蚁群各自进行信息素更新。

其中，寻优层蚁群信息素更新按如下方式进行：

其中，τ_ij(t)表示节点(i,j)上的信息素，ρ表示信息素挥发因子；Δτ_ij(t)表示节点(i,j)上的信息素增量，Q信息素强度；

表示第k只蚂蚁在路径上释放的信息素；μ为信息素补偿因子，其作用是给予目前最优路径上信息素的额外补偿。

其中，优化层蚁群信息素更新按如下方式进行：

式中：τ_ij(t)表示节点(i,j)上的信息素浓度；ρ表示信息素挥发因子；Δτ_ij(t)表示本次蚂蚁循环在节点(i,j)上的信息素增量；

表示第k只蚂蚁在路径上释放的信息素；

步骤7：判断迭代次数是否达到提前设定的最大迭代次数NC_max，若是则对最优路径进行平滑处理，然后输出平滑后的路径及算法收敛曲线图；否则寻优层蚁群跳至步骤2，优化层蚁群跳至步骤3。

其中，使用B样条曲线的方法对最优路径进行平滑处理，B样条曲线的表达式如下：

式中，P_i为本发明生成最优路径的坐标；D_i,k(u)为B样条曲线的基函数，这里k取3；u为自变量。

其中，B样条曲线基函数D_i,k(u)的表达式如下：

式中，u_i为一组非递减序列的节点矢量值，该序列定义为：(u₀,u₁,...,u_k,u_k+1,...,u_n+k)，一般情况下首尾值是0和1，定义0/0＝0。

本发明实施例使用准均匀三次B样条曲线的方法，可以实现对局部控制点改变而不影响全局路径，对本发明算法生成的最优路径在转折尖端处进行平滑，其效果参见图4。

本发明提实施例公开的方法，在初期进行蚂蚁参数设置时，对初始信息素进行差异化处理，不同区域的初始信息素含量有所不同，起点和终点连线的路径上初始信息素含量最大，给初始蚁群一定的指引性，避免了蚂蚁搜索的盲目性。

本发明提供了一种改进蚁群算法的智能泊车机器人路径规划方法，将蚁群划分为寻优层和优化层两个层级；寻优层蚁群的启发函数融合A^*算法的思想，引入估计函数，信息素更新规则中对最优路径进行额外补偿，加速算法的收敛，避免算法搜索的盲目性；优化层蚁群的启发函数选用下一节点到终点的距离公式，对状态转移规则添加转角评价函数，加速算法收敛，减少路径冗余，最后对本发明实施例生成的最优路径进行平滑优化，减少了智能泊车机器人的转弯次数，使所求的路径鲁棒性和实用性更强，提升了智能泊车机器人的运行效率，顺利完成泊车任务。

本发明实施例公开了一种验证过程，参见图5-10，使用本发明所述的改进蚁群算法和现有蚁群算法进行对比验证。

建立20*20和30*30的栅格地图，采用现有算法和本文改进的蚁群算法进行路径规划；表1和表2分别表示其50次迭代的仿真结果。

表1 20*20环境中两种算法的仿真结果

表2 30*30环境中两种算法的仿真结果

通过表1可知，在20*20环境中，本发明实施例改进的蚁群算法和现有蚁群算法都可以寻找到最短路径29.213，但本发明的平均路径比现有蚁群算法更短，减少了约7.7％。本发明改进的蚁群算法转折点数目及最佳迭代次数均小于现有蚁群算法，分别降低了18.2％和55.5％。通过对最优路径进行平滑处理，平滑后的路径为28.633，与平滑前相比降低了2％。

通过表2可知，在30*30环境中，本发明改进的算法可以搜索到更短的路径，相比于现有蚁群算法，最优路径和平均路径分别减少了11％和10.8％。本发明改进的算法转折点和最佳迭代次数分别为16和9，与现有蚁群算法相比降低了36％和30.8％。通过对最优路径进行平滑处理，平滑后的路径为42.824，与平滑前相比降低了2.5％。

综上可知，在寻优质量、收敛速度和冗余转折点等方面，通过不同环境地图进行实验对比，本发明所述的一种基于改进蚁群算法的智能泊车机器人路径规划方法都比现有蚁群算法效果更好，更具实用性。

本发明实施例公开了一种基于改进蚁群算法的泊车路径规划系统，包括蚁群分层模块、寻优层蚁群路径搜索模块、优化层蚁群路径搜索模块、信息素更新模块和路径处理模块；

蚁群分层模块，用于建立车库的二维栅格地图，对初始信息素进行差异化处理，将蚂蚁种群划分为寻优层蚁群和优化层蚁群；

寻优层蚁群路径搜索模块，用于计算寻优层蚁群的启发函数和状态转移规则，并在寻优蚁群的启发函数中引入估计函数，通过迭代进行路径寻优，获取若干条寻优层蚁群的搜索路径，判断寻优层中蚁群是否完成路径搜索；

优化层蚁群路径搜索模块，用于计算优化层蚁群的启发函数和状态转移规则，在状态转移规则中，引入转角评价函数，通过迭代进行路径寻优，获取若干条优化层蚁群的搜索路径，判断优化层中蚁群是否完成路径搜索；

信息素更新模块，用于分别对路径搜索完成后的寻优层蚁群和优化层蚁群进行信息素更新，基于更新后的寻优层蚁群和优化层蚁群，判断蚁群是否达到了目标迭代次数；

路径处理模块，用于选择寻优层蚁群和优化层蚁群中所有蚂蚁中行走的最短距离作为最优路径，对最优路径进行平滑处理，获取平滑后的路径及算法收敛曲线图。

本发明一实施例提供的终端设备的示意图。该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中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上述各个方法实施例中的步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。

所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。

所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。

所述处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。

所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于改进蚁群算法的泊车路径规划方法，其特征在于，包括以下步骤：

S1：建立车库的二维栅格地图，对初始信息素进行差异化处理，将蚂蚁种群划分为寻优层蚁群和优化层蚁群；

S2：计算寻优层蚁群的启发函数和状态转移规则，并在寻优蚁群的启发函数中引入估计函数，通过迭代进行路径寻优，获取若干条寻优层蚁群的搜索路径，判断寻优层中蚁群是否完成路径搜索，若是，则执行S4，否则重复S2；

S3：计算优化层蚁群的启发函数和状态转移规则，在状态转移规则中，引入转角评价函数，通过迭代进行路径寻优，获取若干条优化层蚁群的搜索路径，判断优化层中蚁群是否完成路径搜索，若是，则执行S4，否则重复S3；

S4：分别对路径搜索完成后的寻优层蚁群和优化层蚁群进行信息素更新，基于更新后的寻优层蚁群和优化层蚁群，判断蚁群是否达到了目标迭代次数，若是，执行S5，否则寻优层蚁群执行S2，优化层蚁群执行S3；

S5：选择寻优层蚁群和优化层蚁群中所有蚂蚁中行走的最短距离作为最优路径，对最优路径进行平滑处理，获取平滑后的路径及算法收敛曲线图。

2.根据权利要求1所述的一种基于改进蚁群算法的泊车路径规划方法，其特征在于，所述步骤S1中，对初始信息素进行差异化处理的步骤为：

将设定的起点与终点进行连接，该条路径的区域设定为S1，以S1区域向外扩散部分区域，该扩散的部分区域为S2，S2的初始化信息素浓度低于S1区域的信息素浓度，S2区域继续向外扩散部分区域，设定为S3，S3的初始化信息素浓度低于S2区域的信息素浓度，不同区域初始信息素含量表达式如下：

τ₀＝d_sg*c (1)

其中，d_sg为起点到终点的欧氏距离；c为信息素浓度系数。

3.根据权利要求2所述的一种基于改进蚁群算法的泊车路径规划方法，其特征在于，所述步骤S1中，将蚂蚁种群划分为寻优层蚁群和优化层蚁群的方法为：

y＝m-x (3)

其中：x是寻优层蚁群数量，Ogrid是不可行栅格数量；Agrid是全部栅格数量，m是蚂蚁数量；h为蚂蚁平衡因子，y是优化层蚁群数量。

4.根据权利要求1所述的一种基于改进蚁群算法的泊车路径规划方法，其特征在于，所述步骤S2包括以下步骤：

所述寻优层蚁群的启发函数中引入估计函数d(j,g)：

其中，ε、ζ为常数，取值范围为(0,1)；(x_j,y_j)与(x_g,y_g)分别为节点j和终点栅格的坐标值；d(i,j)与d(j,g)分别为节点(i,j)和(j,g)的欧式距离；

所述寻优层蚁群的状态转移规则为：

其中，

表示转移概率，τ_ij(t)表示从节点(i,j)之间的信息素浓度；η_ij(t)表示从节点(i,j)之间的启发信息；α和β分别表示信息素浓度系数和启发函数系数；allowed_k表示蚂蚁k下一步能够选择的节点栅格的集合。

5.根据权利要求1所述的一种基于改进蚁群算法的泊车路径规划方法，其特征在于，所述步骤S3包括以下步骤：

所述优化层蚁群的启发函数为：

式中，d_jg为节点(j,g)之间的欧氏距离；

所述优化层蚁群的状态转移规则为：

引入转角评价函数，首先计算当前节点到下一节点的夹角Θ₁，

其中，(x_i,y_i)为当前节点坐标，(x_j,y_j)为下一可选节点的坐标；

计算出当前节点与终点的夹角Θ₂，

其中，(x_i,y_i)为当前节点的坐标，(x_g,y_g)为终点的坐标；

将Θ₁与Θ₂作差后取绝对值，

Θ＝|Θ₁-Θ₂| (9)

其中，当Θ值越大时，Θ₁与Θ₂两个方向的角度越大；当Θ值越小时，Θ₁与Θ₂两个方向的角度越小；

基于Θ值设置优化层蚁群的转角评价函数：

所述优化层蚁群的状态转移规则为：

其中，

表示转移概率，τ_ij(t)表示从节点(i,j)之间的信息素浓度；α和β分别表示信息素浓度系数和启发函数系数；allowed_k表示蚂蚁k下一步能够选择的节点栅格的集合。

6.根据权利要求1所述的一种基于改进蚁群算法的泊车路径规划方法，其特征在于，所述步骤S4中，

所述寻优层蚁群信息素更新的步骤为：

其中，τ_ij(t)表示节点(i,j)上的信息素，ρ表示信息素挥发因子；Δτ_ij(t)表示节点(i,j)上的信息素增量，Q表示信息素强度；

表示第k只蚂蚁在路径上释放的信息素；μ为信息素补偿因子，用于给予目前最优路径上信息素的额外补偿；

所述优化层蚁群信息素更新的步骤为：

式中：τ_ij(t)表示节点(i,j)上的信息素浓度；ρ表示信息素挥发因子；Δτ_ij(t)表示本次蚂蚁循环在节点(i,j)上的信息素增量；

表示第k只蚂蚁在路径上释放的信息素。

7.根据权利要求1所述的一种基于改进蚁群算法的泊车路径规划方法，其特征在于，所述步骤S5包括以下步骤：

通过建立B样条曲线的表达式对最优路径进行平滑处理：

式中，P_i为生成最优路径的坐标；D_i,k(u)为B样条曲线的基函数；u为自变量；

D_i,k(u)的表达式如下：

式中，u_i为一组非递减序列的节点矢量值，该序列定义为：(u₀,u₁,...,u_k,u_k+1,...,u_n+k)。

8.根据权利要求1所述的一种基于改进蚁群算法的泊车路径规划系统，其特征在于，包括蚁群分层模块、寻优层蚁群路径搜索模块、优化层蚁群路径搜索模块、信息素更新模块和路径处理模块；

蚁群分层模块，用于建立车库的二维栅格地图，对初始信息素进行差异化处理，将蚂蚁种群划分为寻优层蚁群和优化层蚁群；

寻优层蚁群路径搜索模块，用于计算寻优层蚁群的启发函数和状态转移规则，并在寻优蚁群的启发函数中引入估计函数，通过迭代进行路径寻优，获取若干条寻优层蚁群的搜索路径，判断寻优层中蚁群是否完成路径搜索；

优化层蚁群路径搜索模块，用于计算优化层蚁群的启发函数和状态转移规则，在状态转移规则中，引入转角评价函数，通过迭代进行路径寻优，获取若干条优化层蚁群的搜索路径，判断优化层中蚁群是否完成路径搜索；

信息素更新模块，用于分别对路径搜索完成后的寻优层蚁群和优化层蚁群进行信息素更新，基于更新后的寻优层蚁群和优化层蚁群，判断蚁群是否达到了目标迭代次数；

路径处理模块，用于选择寻优层蚁群和优化层蚁群中所有蚂蚁中行走的最短距离作为最优路径，对最优路径进行平滑处理，获取平滑后的路径及算法收敛曲线图。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述方法的步骤。

Images