CN115017805A - 基于双向a*算法的核退役场区最优路径规划方法及系统 - Google Patents

基于双向a*算法的核退役场区最优路径规划方法及系统 Download PDF

Info

Publication number
CN115017805A
CN115017805A CN202210609450.5A CN202210609450A CN115017805A CN 115017805 A CN115017805 A CN 115017805A CN 202210609450 A CN202210609450 A CN 202210609450A CN 115017805 A CN115017805 A CN 115017805A
Authority
CN
China
Prior art keywords
field
algorithm
nuclear
radiation
retired
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
Application number
CN202210609450.5A
Other languages
English (en)
Other versions
CN115017805B (zh
Inventor
黄晨
陈程
黄佳伟
韩映驰
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.)
Sichuan Shengwei Intelligent Technology Co ltd
Original Assignee
Sichuan Shengwei Intelligent Technology Co ltd
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 Sichuan Shengwei Intelligent Technology Co ltd filed Critical Sichuan Shengwei Intelligent Technology Co ltd
Priority to CN202210609450.5A priority Critical patent/CN115017805B/zh
Publication of CN115017805A publication Critical patent/CN115017805A/zh
Application granted granted Critical
Publication of CN115017805B publication Critical patent/CN115017805B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Geometry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于双向A*算法的核退役场区最优路径规划系统及方法，先对实际核退役场区进行虚拟建模；对核退役场区虚拟模型中的环境地图进行网格化处理得到地图网格；根据实际核退役场区进行辐射场估算并将辐射场估算量带入地图网格中；在地图网格中选择起点和终点，并基于双向A*算法同时进行起点到终点正向搜索和终点到起点反向搜索的双向扩展，根据正向搜索和反向搜索的交点生成最优路径；本方案结合对实际核退役场区的辐射场估算，并对传统的A*算法进行改进，基于双向A*算法同时进行起点到终点正向搜索和终点到起点反向搜索的双向扩展模式，节约扩展时间，提高搜索效率和准确率。

Description

基于双向A*算法的核退役场区最优路径规划方法及系统
技术领域
本发明涉及路径规划技术领域，具体涉及基于双向A*算法的核退役场区最优路径规划方法及系统。
背景技术
最短路径问题是图论研究中的一个经典算法问题，旨在寻找图(由结点和路径组成的)中两结点之间的最短路径。
解决最短路径问题的算法被称为“最短路径算法”，有时被简称作“路径算法”。最常用的路径算法有：Dijkstra(迪杰斯特拉)算法、SPFA算法/Bellman-Ford算法(队列优化)、Floyd(弗洛伊德)算法\Floyd-Warshall算法、Johnson算法和A*算法(A-Star)。
由于核辐射危害的存在，在放射性场所环境下的各类退役活动必须要考虑避开危险区域，并且同时要考虑同一工作时间下，人体照射辐射场量的累计量因素。在数字化核设施退役中，基于推导计算出来的辐射场分布情况，进行两点间最优路径的计算，将最优路径转换为游戏AI中基本的寻路模型。
迪杰斯特拉算法是典型的单源最短路径算法，主要特点是以起始点为中心向外层层扩展，直到扩展到终点为止，该算法只满足一个节点的扫描信息，如果想计算所有的节点到达其他节点的最短路径，就需要每次调用一次该算法。SPFA(Shortest Path FasterAlgorithm)算法显著特点是可以求含负权图的单源最短路径，且效率较高，其优于迪杰斯特拉法的方面是边的权值可以为负数、实现简单，缺点是时间复杂度过高。Floyd-Warshall算法需要用邻接矩阵来储存边，这个算法通过考虑最佳子路径来得到最佳路径可以解决带负权图的最短路问题，但不能解决带负权图的最短路问题；较高的复杂度导致该算法不适合海量数据的处理；Johnson算法与Floyd算法类似，缺点仍是时间复杂度过高；
A*算法为基本的启发式路径搜索算法，根据估价函数对当前节点周围的邻居节点进行评估，选择代价最小的节点作为下一路径点。常规的A*算法是从起始点开始依次循环遍历，直到搜索到目标点为止，A*算法每进行一次寻路过程，都需要更新Open列表和Close列表；当地图规模很大时，如在核退役场区较大的情况下会有大量节点，使用传统的A*算法遍历扩展导致搜索效率过慢。
发明内容
本发明所要解决的技术问题是：常规的A*算法是从起始点开始依次循环遍历,直到搜索到目标点为止，A*算法每进行一次寻路过程，都需要更新Open列表和Close列表；当核退役场区的地图规模很大时，遍历大量节点导致搜索效率过慢，传统的A*算法无法很好的适应地图规模较大的核退役场区，本发明目的在于基于双向A*算法的核退役场区最优路径规划方法及系统，结合实际核退役场区进行辐射场估算，并对传统的A*算法进行改进，基于双向A*算法同时进行起点到终点正向搜索和终点到起点反向搜索的双向扩展模式，节约扩展时间，提高搜索效率和准确率。
本发明通过下述技术方案实现：
本方案提供基于双向A*算法的核退役场区最优路径规划方法，包括：
对实际核退役场区进行虚拟建模；
对核退役场区虚拟模型中的环境地图进行网格化处理得到地图网格；
根据实际核退役场区进行辐射场估算并将辐射场估算量带入地图网格中；
在地图网格中选择起点和终点，并基于双向A*算法同时进行起点到终点正向搜索和终点到起点反向搜索的双向扩展，根据正向搜索和反向搜索的交点生成最优路径。
本方案工作原理：常规的A*算法是从起始点开始依次循环遍历，直到搜索到目标点为止，A*算法每进行一次寻路过程，都需要更新Open列表和Close列表；当核退役场区的地图规模很大时，遍历大量节点导致搜索效率过慢，传统的A*算法无法很好的适应地图规模较大的核退役场区，本发明目的在于基于双向A*算法的核退役场区最优路径规划方法及系统，结合实际核退役场区进行辐射场估算，并对传统的A*算法进行改进，基于双向A*算法同时进行起点到终点正向搜索和终点到起点反向搜索的双向扩展模式，节约扩展时间，提高搜索效率和准确率。
进一步优化方案为，所述虚拟建模包括过程：
采集实际核退役场区的场景数据，并依据场景数据在Unity平台中进行三维建模；
通过加点并调整点位置、挤出、倒角等方法和命令创建核退役场区建筑和设备的低模，并将低模导入ZBrush 4R6中，重布线，添加细节进行细节雕琢；
翻开低模的UV模板，UV模板的翻开可以运用3dsMax或Maya，也可运用一些专门的UV翻开软件来操作；
利用xNormaldfdrt3软件烘焙法线贴图并渲染低模的UV模板得到精细化模型；
烘焙法软件xNormaldfdrt3只导入数十万面的高模和拓扑出的低模就可以烘焙出一张法线贴图，这张贴图包含着数十万面的细节信息，将这张贴图贴到只要数千面的模型上就能使其具有数十万面的细节；利用漫反射贴图，渲染UV模板，比照法线贴图实现凹凸感。
将所有精细化模型导入Unity平台中进行模型摆放得到核退役场区的虚拟模型。
本方案中所用的三维建模场景数据包括：航空摄影成果、倾斜摄影成果、激光点云成果或设计图纸；基于上述任何一种场景数据都可以兼容导入Unity系统进行三维建模；实现了核设施退役场景还原，在三维场景中对各种源信息进行集成可视化。
进一步优化方案为，所述网格化处理包括过程：
更改HeatMap组件适应三维环境；
按照人体项视投影面积，以50cm*50cm的正方体网格作为基本网格创建N个网格得到地图网格；符合人体行走路径现实情况。
对地图网格进行对外暴露处理Grid逻辑。
对于Grid逻辑对外暴露的实现，利用在创建预制体时，为其添加一个委托事件，就可以在其他脚本创建时写入逻辑方法，而不需要对于这个封装好的网格地图创建类进行修改。
进一步优化方案为，所述辐射场估算包括步骤：
以一个网格为一个点位，获取点位A的实际核退役场对应的现场辐射值；
基于点位A的现场辐射值利用随机森林算法估算补全出地图网格中其余点位对应的辐射值。
进一步优化方案为，所述随机森林算法估算包括步骤：
对辐射场量原始数据集进行预处理得到源项数据；
使用袋装法对源项数据进行随机取样得到训练集和测试集；
将训练集投入到随机森林算法中，调整参数获得最佳均方差评分；将测试集投入到predict组件中进行源项调查得到对应的估算辐射值；
将估算辐射值和测试集中未使用过的辐射值进行验证比较：当辐射场区误差范围在30％内时，将地图网格中剩余未进行源项调查的点位坐标代入predict组件中得到对应的估算辐射值；
将所有源项调查获取的估算辐射值对应存放到Unity平台的各节点数据中。
进一步优化方案为，所述预处理包括过程：
将辐射场量原始数据集的格式进行统一规整得到源项数据，格式规整为：
X Y Z α β γ
其中X、Y和Z为坐标值，以地图网格的任意角作为原点；α、β和γ为源项调查对应数值，单位分别为Bq/cm2、Bq/cm2和μGy/h。
所述辐射场估算还包括，通过辐射场插值回归算法组合多个弱分类器，最终结果通过投票或取均值，使得整体模型的结果具有较高的精确度和泛化性能。如图4所示；
(1)使用袋装法在辐射场量数据集(原始数据集)行列上进行随机采样得到训练样本D1、D2......Di
(2)算法模型由很多决策树分类器(C1、C2......Ci)组合而成，多个决策树分类器(C1、C2......Ci)投票至强分类器；
(3)单个的决策树分类器用随机方法构成。首先辐射场量学习集是从原辐射场量训练集中通过有放回抽样得到的自助样本；其次，参与构建该决策树的变量也是随机抽出；(决策树是基于树结构进行决策，一棵决策树包含一个根节点，里面包含所有测试集，测试集从根节点处出发，按照一定的决策方式，不同的决策将导致每个样本最终拥有不同的预测结果，以及若干内部节点和叶子节点，叶子节点对应最终的决策结果，每一个内部节点都是一个属性测试，从根到叶子节点的路径就是一个样本的决策过程，当样本到达叶子节点的时候就是样本的预测结果。
(4)单个决策树在产生辐射场量学习集和确定参与变量后，使用CART算法计算。CART分类回归树是一种典型的二叉决策树，可以处理分类或者回归问题，选择GINI系数作为分裂节点的依据。基尼指数表示在样本集合中一个随机选中的样本被分错的概率。注意：Gini指数越小表示集合中被选中的样本被分错的概率越小，也就是说集合的纯度越高，反之，集合越不纯。当集合中所有样本为一个类时，基尼指数为0；概率分布的基尼指数Gini为：
Figure BDA0003672773950000041
式中K表示分类数，样本点属于第k类的概率为pk；
(5)最后分类结果取决于各决策树分类器多数选举；对于连续值，决策树反馈算术平均数值，然后随机森林将各决策树反馈值作加权平均值返回最终预测回归值。
基于仿真技术和网络技术，更直观形象,更逼近现场的实景，并具有更好的交互性,更是实现三维场景建模和漫游、交互设计、辐射场可视化与最优路径等应用。
进一步优化方案为，将辐射场估算量带入地图网格的方法包括：
基于地图网格及各点位对应的辐射值形成坐标-值格式的数据集，所述数据集为二维数组，随机森林算法估算出的辐射值对应保存在二维数组中；通过二维数组去接收数据；
将二维数组中的数据保存到地图网格对应坐标中；
依据数值区间的设置再生成贴图，最后赋值给Image保存网格生成可视化贴图网格。
本方案实现了三维建模技术构建核退役厂房的主要建筑和设备,通过三维场景交互技术实现了对核退役虚拟场景的自主和固定路径漫游，采用三维动画技术对建构物和重点设施设备拆装进行了模拟；同时利用蒙特卡洛程序计算核辐射场，快速实现辐射场计算的目的。根据有限的辐射场信息，利用神经网络插值方法对核辐射场进行重构。为了利用虚拟现实技术的核辐射可视化方法，将辐射场与设施叠加，用以分析和处理辐射信息，解决核辐射场实时渲染的问题，提供多种直观高效的图形化的方式显示核辐射剂量分布。
进一步优化方案为，最优路径的获取过程包括：
T1.建立两个开放列表和两个关闭列表，所述开放列表用来存放正向搜索和反向搜索已经生成但等待检查的节点数据，所述关闭列表用来记录正向搜索和反向搜索已访问过的节点数据；
T2.将起点和终点分别放在两个开放列表中作为当前节点，对起点和终点所有可达到且未标记过的节点进行A-Star启发式搜索扩展：
T21.判断开放列表是否为空，若是则寻路失败；否则进入步骤T22；
T22.将当前节点加入关闭列表进入步骤T23；
T23.判断正向搜索和反向搜索的扩展节点是否已经出现或相同，若是则规划成功，输出该扩展节点对应的规划路径；否则将当前节点的子节点收入开放列表中，并对开放列表中的节点计算评估价值大小进入步骤T24；
T24.找出评估值最小的节点设为开放列表的当前节点，返回步骤T22直至规划成功；
T3.通过Unity平台对规划路径对应的网格进行颜色填充。
进一步优化方案为，所述评估值包括总移动代价F；
F＝G+H；
其中G表示起点到当前节点的移动代价，H表示当前节点到终点的预估移动代价；
其中G＝起点到当前节点的移动代价*代价因子，所述代价因子根据辐射场估算出的各个栅格的辐射场值进行赋值。
当前节点到终点的预估移动代价H采用曼哈顿距离计算：计算两个点在标准坐标系上的绝对轴距总和；计算公式是d(i,j)＝|xi-xj|+|yi-yj|；
本方案还提供基于双向A*算法的核退役场区最优路径规划系统，应用于上述方法，包括：建模模块、处理模块和规划模块；
所述建模模块用于基于实际核退役场进行虚拟建模，并进行辐射场估算；
所述处理模块用于对核退役场虚拟模型中的环境地图进行网格化处理得到地图网格，并将辐射场估算量带入地图网格中；
所述规划模块用于在地图网格中选择起点和终点，并基于双向A*算法同时进行起点到终点正向搜索和终点到起点反向搜索的双向扩展，根据正向搜索和反向搜索的交点生成最优路径。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明提供的提供基于双向A*算法的核退役场区最优路径规划系统及方法，基于推导计算出来的辐射场分布情况，进行两点间最优路径的计算，将最优路径转换为游戏AI中基本的寻路模型；结合对实际核退役场区的辐射场估算，并对传统的A*算法进行改进，基于双向A*算法同时进行起点到终点正向搜索和终点到起点反向搜索的双向扩展模式，节约扩展时间，提高搜索效率和准确率。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，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。在附图中：
图1为基于双向A*算法的核退役场区最优路径规划流程示意图；
图2为最优路径的获取过程示意图；
图3为虚拟建模过程示意图；
图4为辐射场插值回归算法示意图；
图5为双向A*算法示例图；
图6为G值计算过程示意图；
图7为实施例2地图网格示例图Y；
图8为实施例2曼哈顿距离原理图；
图9为实施例2地图网格示例图W；
图10为实施例2地图网格示例图C；
图11为实施例2地图网格示例图D；
图12为实施例2地图网格示例图E；
图13为实施例2地图网格示例图F。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
本实施例提供基于双向A*算法的核退役场区最优路径规划方法，包括：
对实际核退役场区进行虚拟建模；
对核退役场区虚拟模型中的环境地图进行网格化处理得到地图网格；
根据实际核退役场区进行辐射场估算并将辐射场估算量带入地图网格中；
在地图网格中选择起点和终点，并基于双向A*算法同时进行起点到终点正向搜索和终点到起点反向搜索的双向扩展(根据实际情况确定实际代价和预估代价)，根据正向搜索和反向搜索的交点生成最优路径。
如图1所示，本实施例根据上述方法基于双向A*算法规划某大型核设施最优路径，根据辐射场因素的实际情况确定实际代价g(n)和预估代价h(n)；同时基于正想搜索和反向搜索同时进行扩展，便历到当前节点的扩展节点对象的当前节点，最后分别遍历父节点后生成最优路径。
如图3所示，所述虚拟建模包括过程：
采集实际核退役场区的场景数据，并依据场景数据在Unity平台中进行三维建模；
利用3ds Max制造核退役场区建筑和设备的低模，并将低模导入ZBrush 4R6中进行细节雕琢；
激昂高模拓扑为低模，然后翻开低模的UV，利用xNormaldfdrt3烘焙法线贴图，进行贴图绘制后渲染出3D模型得到精细化模型；
将所有精细化模型导入Unity平台中进行模型摆放得到核退役场区的虚拟模型，设计UI界面，创建人机交互点，并添加相应视角组件，最后绑定脚本数据库。
所述网格化处理包括过程：
更改HeatMap组件适应三维环境；
按照人体顶视投影面积，以50cm*50cm的正方体网格作为基本网格创建N个网格得到地图网格；
对地图网格进行对外暴露处理Grid逻辑。
所述辐射场估算包括步骤：
以一个网格为一个点位，获取点位A的实际核退役场对应的现场辐射值；
基于点位A的现场辐射值利用随机森林算法估算补全出地图网格中其余点位对应的辐射值。
所述随机森林算法估算包括步骤：
对辐射场量原始数据集进行预处理得到源项数据；
使用袋装法对源项数据进行随机取样得到训练集和测试集；
将训练集投入到随机森林算法中，调整参数获得最佳均方差评分；将测试集投入到predict组件中进行源项调查得到对应的估算辐射值；
将估算辐射值和测试集中未使用过的辐射值进行验证比较：当辐射场区误差范围在30％内时，将地图网格中剩余未进行源项调查的点位坐标代入predict组件中得到对应的估算辐射值；
将所有源项调查获取的估算辐射值对应存放到Unity平台的各节点数据中。
所述预处理包括过程：
将辐射场量原始数据集的格式进行统一规整得到源项数据，格式规整为：
X Y Z α β γ
其中X、Y和Z为坐标值，以地图网格的任意角作为原点；
a、β和γ为源项调查对应数值，单位分别为Bq/cm2、Bq/cm2和μGy/h。
将辐射场估算量带入地图网格的方法包括：
基于地图网格及各点位对应的辐射值形成坐标-值格式的数据集，所述数据集为二维数组，随机森林算法估算出的辐射值对应保存在二维数组中；
将二维数组中的数据保存到地图网格对应坐标中；
依据数值区间的设置再生成贴图，最后赋值给Image保存网格生成可视化贴图网格。
如图2所示，最优路径的获取过程包括：
T1.建立两个开放列表和两个关闭列表，所述开放列表用来存放正向搜索和反向搜索已经生成但等待检查的节点数据，所述关闭列表用来记录正向搜索和反向搜索已访问过的节点数据；
T2.将起点和终点分别放在两个开放列表中作为当前节点，对起点和终点所有可达到且未标记过的节点进行A-Star启发式搜索扩展：
T21.判断开放列表是否为空，若是则寻路失败；否则进入步骤T22；
T22.将当前节点加入关闭列表进入步骤T23；
T23.判断正向搜索和反向搜索的扩展节点是否已经出现或相同，若是则规划成功，输出该扩展节点对应的规划路径；否则将当前节点的子节点收入开放列表中，并对开放列表中的节点计算评估价值大小进入步骤T24；
T24.找出评估值最小的节点设为开放列表的当前节点，返回步骤T22直至规划成功；
T3.通过Unity平台对规划路径对应的网格进行颜色填充。
所述评估值包括总移动代价F；
F＝G+H；
其中G表示起点到当前节点的移动代价，H表示当前节点到终点的预估移动代价；
其中G＝起点到当前节点的移动代价*代价因子，所述代价因子根据辐射场估算出的各个栅格的辐射场值进行赋值。
本实施例还提供基于双向A*算法的核退役场区最优路径规划系统，应用于上述所述的方法，包括：建模模块、处理模块和规划模块；
所述建模模块用于基于实际核退役场进行虚拟建模，并进行辐射场估算；
所述处理模块用于对核退役场虚拟模型中的环境地图进行网格化处理得到地图网格，并将辐射场估算量带入地图网格中；
所述规划模块用于在地图网格中选择起点和终点，并基于双向A*算法同时进行起点到终点正向搜索和终点到起点反向搜索的双向扩展，根据正向搜索和反向搜索的交点生成最优路径。
实施例2
在上一实施例基础上，如图7所示，设要从A点移动到B点，但是这两点之间被一堵墙(不可走区域，图中黑色区域)隔开，首先我们把搜索区域简化为了二维数组，数组的每一项代表一个格子栅格被定义成两个状态可走(walkalbe)和不可走(unwalkable)。通过计算出从A点到B点需要走过哪些节点，就找到了路径。一旦路径找到了，便可以从一个节点的中心移动到另一个节点的中心，直至到达目的地。如图5所示，双向A*算法分别同时从A点到B点正向搜索以及从B点到A点反向搜索。
A*算法核心公式就是F值的计算：
F＝G+H
F-总移动代价
G-开始点到当前节点的移动代价
H-当前节点到结束点的预估移动代价
(1)G值的计算：
如图6所示，假设当前A节点，邻近有8个格子可走(上、下、左、右、右上、右下、左上、左下)，当往上、下、左和右这4个格子走时，移动代价为10；当往左上、左下、右上、右下这4个格子走时，移动代价为14。(等腰直角三角形勾股定理：斜边2＝2*直角边2)
基本公式：
G＝移动代价
根据环境应用的需要，G值的计算可以进行拓展。如加上栅格不同辐射场量因素对寻路的影响；可以给不同栅格赋予不同代价因子，来体现出G值的差异；由于辐射场估算已经给每一个栅格赋予了辐射场值，我们可以利用该数值转换为代价因子，在移动代价相同情况下，低场量的G值更低，算法就会倾向选择G值更小的低场量栅格。
拓展公式：
G＝移动代价*代价因子
(2)H值的计算：
曼哈顿距离(Manhattan Distance)：是由十九世纪的赫尔曼·闵可夫斯基所创词汇，是种使用在几何度量空间的几何学用语，用以标明两个点在标准坐标系上的绝对轴距总和。如图8所示，(图中“*”符号所在的线条、“△”符号所在的线条及“#”符号所在的线条均表示两个点之间的不同路径)即两点在南北方向上的距离加上在东西方向上的距离之和；二维平面两点a(x1，y1)与b(x2，y2)间的曼哈顿距离：
d12＝|x1-x2|+|y1-y2|
n维空间点a(x11，x12，...x1n)与b(x21，x22....x2n)的曼哈顿距离：
Figure BDA0003672773950000101
A*算法之所以被认为是具有启发策略的算法，在于其可通过预估H值，降低走弯路的可能性，更容易找到一条更短的路径。其他不具有启发策略的算法，没有做预估处理，只是穷举出所有可通行路径，然后从中挑选一条最短的路径。这也是A星算法效率更高的原因。
(3)开始搜索：
开放列表(open list)：用于记录所有可考虑选择的格子；
封闭列表(close list)：用于记录所有不再考虑的格子；
1)算法开始，我们首先搜索A点相邻的所有可能的移动位置(对应于图9中的A点周围的节点)。每个节点左上角的值G表示该点(当前节点)到A点的距离，这里的H就取该点(当前节点)到B点的曼哈顿距离。最后，还要计算一个F值，F＝H+G。
2)这时作为起点A，把它就加入到一个由节点组成的开放列表open list中，基本上开放列表open list是一个待检查的节点列表。
3)查看与起点A相邻的节点，把其中可走的(walkable)或可到达的(reachable)节点也加入到开放列表(open list)中。随后把A节点从开放列表(open list)中移除，加入到封闭列表(close list)中，封闭列表(close list)中的每个节点都是现在不需要再关注的。
4)从开放列表(open list)中选一个与起点A相邻的节点，选择具有最小F值的那个节点；如图10所示，选择起点A右侧紧邻的节点；
(4)再次搜索：
1)接着我们把当前节点A1从开放列表(open list)移到封闭列表(close list)中，搜索当前节点相邻的所有可能的移动位置(对应于图11中的A2节点、A3节点及A3节点上方的节点)，并且都加入到开放列表(open list)。
2)我们把找到最小F值的节点A2从开放列表(open list)移到封闭列表(closelist)中，然后我们检查与它相邻的节点。它右边的节点是墙壁(不可走unwalkable)，我们忽略。它左边的节点是父节点，在封闭列表(close list)中，我们也忽略。其他相邻的节点均在开放列表(open list)中，所以附图12中的A2节点寻路失败，选择开放列表(openlist)中最小F值的节点(列表中如果有多个最小F值的情况，随机获取一个最小F值节点进行下一次循环)
3)继续我们把找到最小F值的节点A3从开放列表(open list)移到封闭列表(close list)中，然后我们检查与它相邻的节点。按照如此循环直到移动到目标点B。
(5)补充：
1)最佳路线可能有多条，比如本文的示例，这取决于当开放列表(open list)存在多个F值最小的节点时，先选取哪一个进行搜索，如图13所示。
2)曼哈顿距离只是估算H值最简单的一种方法，常用的方法还有欧几里德距离、切比雪夫距离等。
3)实际应用中，为提高效率，还可以进行双向搜索。从起点和终点分别发起搜索，一方搜索到另一方的已检查节点时，即找到最佳路线。地图较复杂时，双向搜索可以显著减少寻路过程中检查的节点数量。
前文提到的“G＝起点到当前节点的移动代价*代价因子”，如何将当前栅格辐射场量转化为合理的代价因子是一个难点；理论上我们源项调查获取的辐射场数值范围不常在一个数量级单位波动，我们需要使其数据标准化，限制将其限定在需要的一定的范围内。数据的标准化是将数据按比例缩放，使之落入一个小的特定区间。在数据分析之前，通常需要先将数据标准化，利用标准化后的数据进行数据分析。数据标准化也就是统计数据的指数化；数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。数据同趋化处理主要解决不同性质数据问题，对不同性质指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确结果。数据无量纲化处理主要解决数据的可比性。经过上述标准化处理，原始数据均转换为无量纲化指标测评值，即各指标值都处于同一个数量级别上，可以进行综合测评分析。
常用的方法包含如下几种：1.简单缩放；2.逐样本均值消减(也称为移除直流分量)；3.特征标准化(使数据集中所有特征都具有零均值和单位方差)；其目的都是在于：加快了梯度下降求最优解的速度，并提高精度。
可以通过下述方法实现：
(1)线性标准化，是对原始数据的线性变换，使得结果值映射到[0,1]之间。转换函数如下:
Figure BDA0003672773950000121
这种比较适用在数值较集中的情况。这种方法有一个缺陷，就是如果max和min不稳定的时候，很容易使得结果不稳定，影响后续使用效果。
对应程序代码为：
Figure BDA0003672773950000122
(2)标准差归一化，这种方法给予原始数据的均值(mean，μ)和标准差(standarddeviation，σ)进行数据的标准化。经过处理后的数据符合标准正态分布，即均值为0，标准差为1，转化函数为:
Figure BDA0003672773950000123
对应代码为：
def Z_Score(data):
lenth＝len(data)
total＝sum(data)
ave＝float(total)/lenth
tempsum＝sum([pow(data[i]-ave,2)for i in range(lenth)])
tempsum＝pow(float(tempsum)/lenth,0.5)
for i in range(lenth):
data[i]＝(data[i]-ave)/tempsum
return data
非线性归一化，这种方法一般使用在数据分析比较大的场景，有些数值很大，有些很小，通过一些数学函数，将原始值进行映射。一般使用的函数包括log、指数、正切等，需要根据数据分布的具体情况来决定非线性函数的曲线。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、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.基于双向A*算法的核退役场区最优路径规划方法，其特征在于，包括：
对实际核退役场区进行虚拟建模；
对核退役场区虚拟模型中的环境地图进行网格化处理得到地图网格；
根据实际核退役场区进行辐射场估算并将辐射场估算量带入地图网格中；
在地图网格中选择起点和终点，并基于双向A*算法同时进行起点到终点正向搜索和终点到起点反向搜索的双向扩展，根据正向搜索和反向搜索的交点生成最优路径。
2.根据权利要求1所述的基于双向A*算法的核退役场区最优路径规划方法，其特征在于，所述虚拟建模包括过程：
采集实际核退役场区的场景数据，并依据场景数据在Unity平台中进行三维建模；
创建核退役场区建筑和设备的低模，并将低模导入ZBrush 4R6中进行细节雕琢；
利用xNormaldfdrt3软件烘焙法线贴图并渲染低模的UV模板得到精细化模型；
将所有精细化模型导入Unity平台中进行模型摆放得到核退役场区的虚拟模型。
3.根据权利要求1所述的基于双向A*算法的核退役场区最优路径规划方法，其特征在于，所述网格化处理包括过程：
更改HeatMap组件以适应三维环境；
按照人体顶视投影面积，以50cm*50cm的正方体网格作为基本网格创建N个网格得到地图网格；
对地图网格进行对外暴露处理Grid逻辑。
4.根据权利要求3所述的基于双向A*算法的核退役场区最优路径规划方法，其特征在于，所述辐射场估算包括步骤：
以一个网格为一个点位，获取点位A的实际核退役场对应的现场辐射值；
基于点位A的现场辐射值利用随机森林算法估算补全出地图网格中其余点位对应的辐射值。
5.根据权利要求4所述的基于双向A*算法的核退役场区最优路径规划方法，其特征在于，所述随机森林算法估算包括步骤：
对辐射场量原始数据集进行预处理得到源项数据；
使用袋装法对源项数据进行随机取样得到训练集和测试集；
将训练集投入到随机森林算法中，调整参数获得最佳均方差评分；将测试集投入到predict组件中进行源项调查得到对应的估算辐射值；
将估算辐射值和测试集中未使用过的辐射值进行验证比较：当辐射场区误差范围在30％内时，将地图网格中剩余未进行源项调查的点位坐标代入predict组件中得到对应的估算辐射值；
将所有源项调查获取的估算辐射值对应存放到Unity平台的各节点数据中。
6.根据权利要求5所述的基于双向A*算法的核退役场区最优路径规划方法，其特征在于，所述预处理包括过程：
将辐射场量原始数据集的格式进行统一规整得到源项数据，源项数据包括X、Y、Z、α、β和γ；其中X、Y和Z为坐标值，以地图网格的任意角作为原点；α、β和γ为源项调查对应数值，单位分别为Bq/cm2、Bq/cm2和μGy/h。
7.根据权利要求4所述的基于双向A*算法的核退役场区最优路径规划方法，其特征在于，将辐射场估算量带入地图网格的方法包括：
基于地图网格及各点位对应的辐射值形成坐标-值格式的数据集，所述数据集为二维数组，随机森林算法估算出的辐射值对应保存在二维数组中；
将二维数组中的数据保存到地图网格对应坐标中；
依据数值区间的设置再生成贴图，最后赋值给Image保存网格生成可视化贴图网格。
8.根据权利要求1所述的基于双向A*算法的核退役场区最优路径规划方法，其特征在于，最优路径的获取过程包括：
T1.建立两个开放列表和两个关闭列表，所述开放列表用来存放正向搜索和反向搜索已经生成但等待检查的节点数据，所述关闭列表用来记录正向搜索和反向搜索已访问过的节点数据；
T2.将起点和终点分别放在两个开放列表中作为当前节点，对起点和终点所有可达到且未标记过的节点进行A-Star启发式搜索扩展：
T21.判断开放列表是否为空，若是则寻路失败；否则进入步骤T22；
T22.将当前节点加入关闭列表进入步骤T23；
T23.判断正向搜索和反向搜索的扩展节点是否已经出现或相同，若是则规划成功，输出该扩展节点对应的规划路径；否则将当前节点的子节点收入开放列表中，并对开放列表中的节点计算评估价值大小进入步骤T24；
T24.找出评估值最小的节点设为开放列表的当前节点，返回步骤T22直至规划成功；
T3.通过Unity平台对规划路径对应的网格进行颜色填充。
9.根据权利要求8所述的基于双向A*算法的核退役场区最优路径规划方法，其特征在于，所述评估值包括总移动代价F；
F＝G+H；
其中G表示起点到当前节点的移动代价，H表示当前节点到终点的预估移动代价；
其中G＝起点到当前节点的移动代价*代价因子，所述代价因子根据辐射场估算出的各个栅格的辐射场值进行赋值。
10.基于双向A*算法的核退役场区最优路径规划系统，应用于权利要求1-9任意一项所述的方法，其特征在于，包括：建模模块、处理模块和规划模块；
所述建模模块用于基于实际核退役场进行虚拟建模，并进行辐射场估算；
所述处理模块用于对核退役场虚拟模型中的环境地图进行网格化处理得到地图网格，并将辐射场估算量带入地图网格中；
所述规划模块用于在地图网格中选择起点和终点，并基于双向A*算法同时进行起点到终点正向搜索和终点到起点反向搜索的双向扩展，根据正向搜索和反向搜索的交点生成最优路径。
CN202210609450.5A 2022-05-31 2022-05-31 基于双向a*算法的核退役场区最优路径规划方法及系统 Active CN115017805B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210609450.5A CN115017805B (zh) 2022-05-31 2022-05-31 基于双向a*算法的核退役场区最优路径规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210609450.5A CN115017805B (zh) 2022-05-31 2022-05-31 基于双向a*算法的核退役场区最优路径规划方法及系统

Publications (2)

Publication Number Publication Date
CN115017805A true CN115017805A (zh) 2022-09-06
CN115017805B CN115017805B (zh) 2023-04-07

Family

ID=83070577

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210609450.5A Active CN115017805B (zh) 2022-05-31 2022-05-31 基于双向a*算法的核退役场区最优路径规划方法及系统

Country Status (1)

Country Link
CN (1) CN115017805B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116167170A (zh) * 2023-04-23 2023-05-26 中国船舶集团有限公司第七一九研究所 一种船舶三维管路自动设计方法、系统、终端及介质
CN116227251A (zh) * 2023-05-10 2023-06-06 四川晟蔚智能科技有限公司 一种用于核退役仿真模拟的辐射环境编辑方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906227A (zh) * 2021-02-26 2021-06-04 上海核工程研究设计院有限公司 一种辐射环境下的核退役虚拟仿真系统
CN113485352A (zh) * 2021-07-23 2021-10-08 中国核动力研究设计院 一种基于bim技术的涉核作业人员路径规划方法及系统
CN114004163A (zh) * 2021-11-04 2022-02-01 大连理工大学 一种基于modis和长短时记忆网络模型的pm2.5反演方法
CN114199270A (zh) * 2021-12-14 2022-03-18 安徽理工大学 融合双向搜索机制与改进a*算法的机器人路径规划方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906227A (zh) * 2021-02-26 2021-06-04 上海核工程研究设计院有限公司 一种辐射环境下的核退役虚拟仿真系统
CN113485352A (zh) * 2021-07-23 2021-10-08 中国核动力研究设计院 一种基于bim技术的涉核作业人员路径规划方法及系统
CN114004163A (zh) * 2021-11-04 2022-02-01 大连理工大学 一种基于modis和长短时记忆网络模型的pm2.5反演方法
CN114199270A (zh) * 2021-12-14 2022-03-18 安徽理工大学 融合双向搜索机制与改进a*算法的机器人路径规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘剑等: "一种基于随机森林的太阳能辐射预测模型", 《控制工程》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116167170A (zh) * 2023-04-23 2023-05-26 中国船舶集团有限公司第七一九研究所 一种船舶三维管路自动设计方法、系统、终端及介质
CN116227251A (zh) * 2023-05-10 2023-06-06 四川晟蔚智能科技有限公司 一种用于核退役仿真模拟的辐射环境编辑方法及系统

Also Published As

Publication number Publication date
CN115017805B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN115017805B (zh) 基于双向a*算法的核退役场区最优路径规划方法及系统
CN110120097A (zh) 大场景机载点云语义建模方法
WO2021179593A1 (zh) 基于深度学习的管道三维重建方法、系统、介质及设备
Labetski et al. 3D building metrics for urban morphology
CN106127857A (zh) 综合数据驱动与模型驱动的机载LiDAR数据建模方法
Sugihara et al. Automatic generation of 3D building models from complicated building polygons
CN113724279B (zh) 路网自动划分交通小区的系统、方法、设备及存储介质
CN114758337A (zh) 一种语义实例重建方法、装置、设备及介质
Ren et al. Intuitive and efficient roof modeling for reconstruction and synthesis
CN113240219A (zh) 一种土地利用模拟及预测方法
Zhou 3D urban modeling from city-scale aerial LiDAR data
CN104090945A (zh) 一种地理空间实体构建方法及系统
Mirra et al. Exploring a design space of shell and tensile structures generated by AI from historical precedents
CN116758219A (zh) 基于神经网络的区域感知多视角立体匹配三维重建方法
CN116912817A (zh) 三维场景模型拆分方法、装置、电子设备和存储介质
Sahebdivani et al. Deep learning based classification of color point cloud for 3D reconstruction of interior elements of buildings
Jia Daylight prediction using Gan: General workflow, tool development and case study on Manhattan, New York
Lafarge et al. An automatic building reconstruction method: a structural approach using high resolution satellite images
De Geyter et al. Automated training data creation for semantic segmentation of 3D point clouds
CN113674286A (zh) 基于跨图注意力机制和代价函数学习的牙模点云分割方法
Xiong Reconstructing and correcting 3d building models using roof topology graphs
Wu et al. Interior space design and automatic layout method based on CNN
CN114202669A (zh) 一种用于医疗图像分割的神经网络搜索方法
Cogo et al. A Survey of Procedural Modelling Methods for Layout Generation of Virtual Scenes
Grzesiak-Kopeć et al. Specification-driven evolution of floor plan design

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