CN115170747A - 路径规划的方法、装置、电子设备及计算机存储介质 - Google Patents
路径规划的方法、装置、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN115170747A CN115170747A CN202110662757.7A CN202110662757A CN115170747A CN 115170747 A CN115170747 A CN 115170747A CN 202110662757 A CN202110662757 A CN 202110662757A CN 115170747 A CN115170747 A CN 115170747A
- Authority
- CN
- China
- Prior art keywords
- node
- weight factor
- octree
- candidate
- cost
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/005—Tree description, e.g. octree, quadtree
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种路径规划的方法、装置、电子设备及存储介质,方法包括:根据地理区域的三维地图信息,获得具有三维坐标的多个节点组成的网格;根据备选节点所在八叉树的末端叶子节点所在网格的边长,以及备选节点与备选节点所在八叉树的末端叶子节点之间的三维距离,确定权重因子;根据节点的三维坐标,以及代价函数和权重因子,确定从路径规划的起始位置对应的初始节点经过备选节点,备选节点到终止节点之间所需的代价;其中,初始节点对应起点所在的节点,终止节点为路径规划的终止位置对应的节点;根据代价,确定备选节点是否为规划路径经过的中间节点。能在确保精确度的情况下,自适应地调节确定规划路径的中间节点的搜索速度。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种路径规划的方法、装置、电子设备及计算机存储介质。
背景技术
随着导航技术中路径规划的发展,越来越多的飞行设备采用了路径规划来实现自动飞行,在路径规划的过程中,现有的一些关于路径规划的方法,若需要提升搜寻路径中的中间节点的速度,则难以兼顾到精确度,无法根据飞行设备所处的当前区域的具体情况,兼顾精确度和搜寻路径中的中间节点的速度。
因此,需要一种能自适应改变搜寻路径的中间节点的搜寻速度的装置。
发明内容
本公开提供一种路径规划的方法、装置、电子设备及计算机存储介质。
根据本公开的第一方面,提供了一种路径规划的方法,所述方法包括:
根据地理区域的三维地图信息,获得具有三维坐标的多个节点组成的网格;
根据备选节点所在八叉树的末端叶子节点所在网格的边长,以及所述备选节点与所述备选节点所在八叉树的末端叶子节点之间的三维距离,确定权重因子;
根据所述节点的三维坐标,以及代价函数和所述权重因子,确定从路径规划的起始位置对应的初始节点经过备选节点,备选节点到终止节点之间所需的代价;其中,所述初始节点对应起点所在的节点,所述终止节点为路径规划的终止位置对应的节点;
根据所述代价,确定所述备选节点是否为规划路径经过的中间节点。
可选地,所述代价函数为多项式函数,包括:第一部分和第二部分的加权求和,其中,所述权重因子为所述第二部分的权重;
所述第一部分,用于确定所述初始节点到所述备选节点之间的第一代价值;
所述第二部分,用于确定从所述备选节点到所述终止节点之间的第二代价值。
可选地,所述根据备选节点所在八叉树的末端叶子节点所在网格的边长,以及所述备选节点与所述备选节点所在八叉树的末端叶子节点之间的三维距离,确定权重因子,包括:
根据所述备选节点的三维坐标以及所述备选节点所在八叉树的末端叶子节点的三维坐标,得到所述备选节点与所述备选节点所在八叉树的末端叶子节点之间的三维距离;
若所述三维距离小于第一阈值参数,根据权重系数、所述备选节点所在八叉树的末端叶子节点的正方体边长和所述第一阈值参数,确定所述权重因子;
若所述三维距离大于所述第一阈值参数,根据权重系数、所述备选节点所在八叉树的末端叶子节点的正方体边长和所述备选节点与所述备选节点所在八叉树的末端叶子节点之间的三维距离,确定所述权重因子。
可选地,所述代价函数中的真实代价函数,包括:碰撞风险计算公式;
根据垂直高度的先验信息与传感器测量数据和碰撞风险权重因子的乘积,得到关于所述飞行设备的碰撞风险计算函数关系;
根据碰撞风险计算函数关系以及所述节点的垂直高度坐标,得到初始节点到备选节点之间的碰撞代价。
可选地,所述代价函数中的真实代价函数,包括:三维距离计算公式;
若所述初始节点的垂直高度大于等于所述备选节点的垂直高度,得到第一高度权重因子;其中,所述第一高度权重因子小于或等于1;
若所述初始节点的垂直高度小于所述备选节点的垂直高度得到第二高度权重因子;其中,所述第二高度权重因子大于1;
根据所述第一高度权重因子或所述第二高度权重因子,得到所述三维距离计算公式;根据所述三维距离计算公式以及所述节点的三维坐标,得到所述飞行设备在所述初始节点到所述备选节点之间的耗能代价。
根据本公开实施例的第二方面,提供了一种路径规划的装置,所述装置包括:
第一确定模块,用于根据地理区域的三维地图信息,获得具有三维坐标的多个节点组成的网格;
第二确定模块,用于根据备选节点所在八叉树的末端叶子节点所在网格的边长,以及所述备选节点与所述备选节点所在八叉树的末端叶子节点之间的三维距离,确定权重因子;
第三确定模块,用于根据所述节点的三维坐标,以及代价函数和所述权重因子,确定从路径规划的起始位置对应的初始节点经过备选节点,备选节点到终止节点之间所需的代价;其中,所述初始节点对应起点所在的节点,所述终止节点为路径规划的终止位置对应的节点;
第四确定模块,用于根据所述代价,确定所述备选节点是否为规划路径经过的中间节点。
可选地,所述代价函数为多项式函数,包括:第一部分和第二部分的加权求和,其中,所述权重因子为所述第二部分的权重;
所述第一部分,用于确定所述初始节点到所述备选节点之间的第一代价值;
所述第二部分,用于确定从所述备选节点到所述终止节点之间的第二代价值。
可选地,所述第二确定模块,配置为:
用于根据所述备选节点的三维坐标以及所述备选节点所在八叉树的末端叶子节点的三维坐标,得到所述备选节点与所述备选节点所在八叉树的末端叶子节点之间的三维距离;
若所述三维距离小于第一阈值参数,根据权重系数、所述备选节点所在八叉树的末端叶子节点的正方体边长和所述第一阈值参数,确定所述权重因子;
若所述三维距离大于所述第一阈值参数,根据权重系数、所述备选节点所在八叉树的末端叶子节点的正方体边长和所述备选节点与所述备选节点所在八叉树的末端叶子节点之间的三维距离,确定所述权重因子。
可选地,所述代价函数中的真实代价函数,包括:碰撞风险计算公式;
根据垂直高度的先验信息与传感器测量数据和碰撞风险权重因子的乘积,得到关于所述飞行设备的碰撞风险计算函数关系;
根据碰撞风险计算函数关系以及所述节点的垂直高度坐标,得到初始节点到备选节点之间的碰撞代价。
可选地,所述代价函数中的真实代价函数,包括:三维距离计算公式;
若所述初始节点的垂直高度大于等于所述备选节点的垂直高度,得到第一高度权重因子;其中,所述第一高度权重因子小于或等于1;
若所述初始节点的垂直高度小于所述备选节点的垂直高度得到第二高度权重因子;其中,所述第二高度权重因子大于1;
根据所述第一高度权重因子或所述第二高度权重因子,得到所述三维距离计算公式;根据所述三维距离计算公式以及所述节点的三维坐标,得到所述飞行设备在所述初始节点到所述备选节点之间的耗能代价。
根据本公开的第三方面,提供一种电子设备,所述设备包括:
存储器;
处理器,与所述存储器连接,用于通过所述存储器存储的计算机执行指令,能够实现前述第一方面提供的路径规划的方法中的步骤。
根据本公开的第四方面,提供一种存储介质,所述计算机存储介质存储有计算机可执行指令;所述计算机可执行指令被处理器执行后,能够实现前述第一方面提供的路径规划的方法中的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:本公开实施例根据备选节点所在八叉树的末端叶子节点所在网格的边长,以及所述备选节点与所述备选节点所在八叉树的末端叶子节点之间的三维距离,确定权重因子;备选节点所在八叉树的末端叶子节点所在网格的边长,以及所述备选节点与所述备选节点所在八叉树的末端叶子节点之间的三维距离反映了所述备选节点所在区域的空闲体积的大小,当空闲体积越大,则权重因子的值越大,则越适合以最快的速度得到最优路径,这与现有的关于路径规划的方法中,若需要提升搜寻路径中的中间节点的速度,则难以兼顾到精确度相比,可以在兼顾精确度的同时,能自适应地改变搜寻路径的中间节点的搜寻速度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
图1为一示例性实施例示出的路径规划的方法的流程示意图;
图2为一示例性实施例示出的路径规划的方法的流程示意图;
图3为一示例性实施例示出的路径规划的方法的流程示意图;
图4为一示例性实施例示出的路径规划的方法的流程示意图;
图5为一示例性实施例示出的路径规划的装置的示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开实施例相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开实施例的一些方面相一致的装置和方法的例子。
本公开实施例提供了一种路径规划的方法,结合图1所示,所述方法包括:
步骤S101,根据地理区域的三维地图信息,获得具有三维坐标的多个节点组成的网格;
步骤S102,根据备选节点所在八叉树的末端叶子节点所在网格的边长,以及所述备选节点与所述备选节点所在八叉树的末端叶子节点之间的三维距离,确定权重因子;
步骤S103,根据所述节点的三维坐标,以及代价函数和所述权重因子,确定从路径规划的起始位置对应的初始节点经过备选节点,备选节点到终止节点之间所需的代价;其中,所述初始节点对应起点所在的节点,所述终止节点为路径规划的终止位置对应的节点;
步骤S104,根据所述代价,确定所述备选节点是否为规划路径经过的中间节点。
本公开实施例中,步骤S101中获取地理区域的三维地图信息,可以通过飞行设备获取地理区域的三维地图信息,飞行设备可以包括但不限于是无人机设备、飞机。通过飞行设备对地理区域进行倾斜摄影,可以得到地理区域的三维地图信息,例如,地理区域包含的地形、建筑物的三维信息,这些列举物对飞行设备的路径规划来说,都属于障碍物。本公开实施例提供的关于路径规划的方法对以上列举的障碍物,都需要进行避障规划。本公开所提供的路径规划的方法,除了适用于飞行设备的三维路径规划之外,还适用于机器人、车辆的自动驾驶、虚拟游戏人物在3D游戏中的自动行走的路径规划等。
本公开实施例中,步骤S101中,具有三维坐标的多个节点组成的网格,可以是八叉树格式,所述八叉树是指,对获得的三维地图信息,储存在多个立方体网格,对每一个网格进行八叉树划分,即一个立方体被划分为八个相同且中心对称的小立方体,可以继续对小立方体进行八叉树方式的划分,若在划分过程中,没有再遇到障碍物占据立方体的空间,则停止划分。
本公开实施例中,步骤S102中,若在一个八叉树中,最末端的叶子节点的小立方体的边长与这个八叉树的整体边长相比,占用的比例较大,且最末端的叶子节点与备选节点之间的三维距离较近,说明在对该八叉树进行划分时,划分次数较少是因为障碍物占据较少而停止了划分,说明所述备选节点附近的空闲区域的体积较大,例如占据整个八叉树的3/4,此时权重因子就可以取大于1的值,在进行路径规划时,可以直接关注备选节点和最末端的叶子节点之间的路径进行路径规划来寻找最优路径。
本公开实施例中,步骤S103中,根据所述节点的三维坐标,可以得知所述节点的位置,根据代价函数,可以得知从节点到节点之间所需要花费的代价值,根据权重因子,可以改变路径规划中搜寻备选节点的速度。
本公开实施例中,步骤S103中,需要确定从路径规划的起始位置对应的初始节点经过备选节点,以及备选节点到终止节点之间所需的代价。如此,在步骤S104中,可以选择代价值最低的备选节点,作为规划路径经过的中间节点。
本公开实施例中,步骤S104中,在初始节点以及终止节点已知的情况下,选择备选节点作为中间节点,进而完善规划路径。中间节点的数量可以是一个或多个,可以根据初始节点与终止节点之间的距离、初始节点与终止节点之间的障碍物分布的情况来确定中间节点的数量以及位置。
本公开实施例中,在飞行设备的规划路径中,不同的备选节点所在八叉树的末端叶子节点所在网格的边长不同,备选节点与所述备选节点所在八叉树的末端叶子节点之间的三维距离也不同,因此,选择不同的备选节点时,由于备选节点所在八叉树的末端叶子节点所在网格的边长、备选节点与所述备选节点所在八叉树的末端叶子节点之间的三维距离是不断变化的,权重因子则会因为对飞行设备的规划路径中选择的备选节点的不同而自动变化,以提供合适的关于的路径规划的搜寻算法,例如,贪婪算法(贪心算法),是指对问题进行求解时,在每一步选择中都采取最好或最优(即最有利)的选择,从而希望能够导致结果是最好或者最优的算法。然而贪婪算法所得到的结果往往不一定都是最优的结果(有时候会是最优解),但都是相对近似(接近)最优解的结果。贪婪算法在路径规划中的评估备选节点到终止节点的代价。贪婪算法主要是直接基于终止节点进行搜索,指引搜索算法往终点靠近,可以提高路径搜寻速度,但是不能确保能找到最优路径。由于贪婪算法运行速度快,在备选节点所在的区域的空闲体积较大时,障碍物很少甚至没有时,侧重于使用贪婪算法,可以提升路径规划的速度,权重因子用于调整在代价函数中的贪婪算法部分的使用权重,与此同时,代价函数还包含了另一种精确度较高的算法,如,迪杰斯特拉(Dijkstra)算法是基于完全搜索的算法,会评估初始节点与终止节点之间每一个备选节点的代价值,会比较所有的备选节点所需的代价值,再选择备选节点作为规划路径的中间节点。优点是精度较高,能得到最优路径,速度慢。如此,迪杰斯特拉(Dijkstra)算法结合贪婪算法,权重因子根据备选节点所在的空闲区域的体积大小调整贪婪算法的权重,可以做到根据不同备选节点的场景情况,保证精确度的同时提升搜寻速度。
本公开实施例中,由于提供了根据备选节点所属区域的空闲体积的大小,来调节权重因子,进而调整路径规划的速度,可以节约计算资源,也能使得飞行设备能更快地到达目的地,并且也能保证路径规划的精确度。
本公开实施例中,所述代价函数为多项式函数,包括:第一部分和第二部分的加权求和,其中,所述权重因子为所述第二部分的权重;
所述第一部分,用于确定所述初始节点到所述备选节点之间的第一代价值;
所述第二部分,用于确定从所述备选节点到所述终止节点之间的第二代价值。
本公开实施例中,将第一部分和第二部分放在同一个代价函数中,并进行加权求和,也就是将根据第一部分确定的所述初始节点到所述备选节点之间的第一代价值,和将根据第二部分确定的所述备选节点与所述终止节点之间的第二代价值求和,来综合确定所要选择的备选节点是否为规划路径经过的中间节点。
本公开实施例中,所述具有第一部分和第二部分的代价函数,可以但不限于是:A星算法(A*算法)的代价函数:
f(n)=g(n)+αh(n) 1.1
在上述公式1.1中,n代表所述备选节点也就是待扩展节点,f(n)是用于评估所述备选节点的代价的代价函数,g(n)为第一部分,用于评估从所述初始节点到所述备选节点之间所需要花费的第一代价值,h(n)为第二部分,用于评估从所述备选节点到所述终止节点之间的第二代价值,α为所述第二部分h(n)的权重因子。
本公开实施例中,可以通过自适应调节α的大小来动态改变A星算法的运行速度,当权重因子α等于0时,A星算法变化成迪杰斯特拉(Dijkstra)算法,当权重因子α处于大于1至正无穷大的区间时,A星算法变化成贪婪算法。迪杰斯特拉(Dijkstra)算法是基于完全搜索的算法,会评估初始节点与终止节点之间每一个备选节点的代价值,会比较所有的备选节点所需的代价值,再选择备选节点作为规划路径的中间节点。优点是精度较高,能得到最优路径,速度慢。贪婪算法是基于目标进行搜索的算法,会评估初始节点与终止节点之间部分备选节点的代价值,只需要找到任意一条能到达终止节点的路径,贪婪算法就会停止,此时得到的路径不一定是最优路径,而是较优路径。优点是运行速度快,精度较低,不一定能得到最优路径。现有的A星算法的代价函数中,权重因子α恒为1,因此不能自适应地调节权重因子α的大小,来动态的调节A星算法的运行速度。
本公开实施例中,在路径规划的过程中,由于加入了可以根据备选节点所在的八叉树区域的空闲体积的大小而变化调节的权重因子,当备选节点与最末端的叶子节点之间的三维距离相隔很近,且最末端的叶子节点所在的网格的边长很大时,说明备选节点附近区域的空闲体积较大,则权重因子α的值大于1,A星算法偏向贪婪算法,进而可以提升路径规划时,确定备选节点的速度。
本公开实施例中,相比于现有的A星算法恒为1的情况,虽然能保证能够寻找到最优路径,然而计算量较大,且在一些场景下浪费资源。例如在一些场景中,初始节点至终止节点之间没有障碍物,并且处于同一个平面,则此时利用贪婪算法(也就是从起始位置的初始节点到终止位置对应的终止节点),可以很快地获取到最优的路径。
本公开实施例中,由于根据第一部分,确定的第一代价值,以及根据第二部分,确定的第二代价值,第二部分的权重因子可以自适应的调节,使得代价函数具有调节代价值计算速度的作用,进而提升在路径规划的过程中,在保证路径为最优路径的精确性的同时,能提升确定备选节点为规划路径的中间节点的速度,进而降低计算量,节约计算资源。
本公开实施例中,结合图2所示,所述步骤S102,包括:
步骤S1021,根据所述备选节点的三维坐标以及所述备选节点所在八叉树的末端叶子节点的三维坐标,得到所述备选节点与所述备选节点所在八叉树的末端叶子节点之间的三维距离;
步骤S1022,若所述三维距离小于第一阈值参数,根据权重系数、所述备选节点所在八叉树的末端叶子节点的正方体边长和所述第一阈值参数,确定所述权重因子;
步骤S1023,若所述三维距离大于所述第一阈值参数,根据权重系数、所述备选节点所在八叉树的末端叶子节点的正方体边长和所述备选节点与所述备选节点所在八叉树的末端叶子节点之间的三维距离,确定所述权重因子。
本公开实施例中,在步骤S1022中和步骤S1023中,权重系数和第一阈值参数是通过试凑法预设的值,权重系数和第一阈值参数主要是用来在一定区间内,调整权重因子的值,权重因子与权重系数呈正相关。
本公开实施例中,在步骤S1022中,若所述三维距离小于第一阈值参数,权重因子与所述第一阈值参数负相关,权重因子与所述备选节点所在八叉树的末端叶子节点的正方体边长正相关。
本公开实施例中,在步骤S1023中,若所述三维距离大于第一阈值参数,权重因子与所述三维距离负相关,权重因子与所述备选节点所在八叉树的末端叶子节点的正方体边长正相关。
本公开实施例中,关于所述三维距离和所述备选节点所在八叉树的末端叶子节点的正方体边长之间是负相关关系。
本公开实施例中,所述权重因子的计算公式如下:
在公式1.2,size表示备选节点所在八叉树的末端叶子节点所在的正方体方体网格的边长,dist表示备选节点与备选节点所在八叉树的末端叶子节点之间的三维距离,δ为第一阈值参数,k为权重系数。
本公开实施例中,步骤S1022中,公式1.2表明,在dist<δ时,即所述三维距离小于第一阈值参数时,说明备选节点与所在八叉树的末端叶子节点之间的距离较短,例如,备选节点位于所在八叉树的末端叶子节点的附近,说明备选节点所在八叉树划分时遇到的障碍物占据节点的情况较少,进而划分成的节点较少,备选节点所在八叉树的末端叶子节点所在的正方体较大,权重因子α等于权重系数k乘以所述备选节点所在八叉树的末端叶子节点的正方体边长size与第一阈值参数δ的比值,即
本公开实施例中,步骤S1023中,公式1.2表面,在dist≥δ时,即所述三维距离大于第一阈值参数时,说明备选节点与所述八叉树的末端叶子节点之间的距离较远,例如,备选节点位于所在八叉树的末端叶子节点的远处,说明备选节点所在八叉树划分时遇到的障碍物占据节点的情况较多,进而划分成的节点较多,备选节点所在八叉树的末端叶子节点所在的正方体较小,权重因子α等于权重系数k乘以所述备选节点所在八叉树的末端叶子节点的正方体边长size与备选节点所在八叉树的末端叶子节点之间的三维距离dist,即
本公开实施例中,在公式1.2中,通过试凑法设置的关于权重系数k值和第一阈值参数δ的值,能够保证在dist<δ时,α的值大于1;以及在dist≥δ时,α的值小于1。
本公开实施例中,利用八叉树划分时,在遇到障碍物时继续划分,没有遇到障碍物时停止划分的特性,当八叉树划分次数越多,八叉树末端的叶子节点的边长相对越小,说明障碍物越多;当八叉树划分次数越少,八叉树末端的叶子节点相对越大,说明障碍物越少,备选节点就与备选节点所在的八叉树末端的叶子节点之间的三维距离越近。通过备选节点与备选节点所在的八叉树末端叶子节点之间的三维距离的远近,以及备选节点所在的八叉树末端叶子节点的尺寸,判断备选节点附近的区域的障碍物多少的情况,也就是空闲区域的体积情况,来自适应调节权重因子α的大小,进而自适应地调节路径规划的速度。
本公开实施例中,所述代价函数中的真实代价函数,包括:碰撞风险计算公式;
根据垂直高度的先验信息与传感器测量数据和碰撞风险权重因子的乘积,得到关于所述飞行设备的碰撞风险计算函数关系;
根据碰撞风险计算函数关系以及所述节点的垂直高度坐标,得到初始节点到备选节点之间的碰撞代价。
本公开实施例中,在飞行设备进行飞行时,垂直高度的先验信息认为,备选节点的高度坐标z坐标越高,该备选节点被障碍物占据的概率就越小,也就是高度越高时,碰撞到障碍物的风险就越低。
本公开实施例中,碰撞风险的计算公式如下:
r(n)=value*p(n)*ph(zn) 1.3
在上述公式1.3中,value为碰撞风险值所对应的权重因子参数,p(n)为备选节点所在的八叉树中由传感器测量得到的障碍物的占据概率,ph(zn)为垂直高度的先验信息。
本公开实施例中,可以利用贝叶斯概率信息公式获取垂直高度先验信息与传感器测量数据相乘融合后的占据概率,可以降低由于传感器错误引发的风险。在遇到飞行设备的四周及上方传感器测得的占据概率信息相同时,垂直高度的先验信息会迫使飞行设备选择适当的向上飞行,进而降低碰撞风险。
本公开实施例中,关于垂直高度先验信息的计算公式可以有很多变种,只要是符合高度越高,能使得碰撞概率越小的函数均在本公开的范围内。在一个实施例中,垂直高度先验计算公式以指数函数构造:
在上述公式1.4中,zn为备选节点的垂直高度,h0、h1为参数,需要满足分段函数的平滑条件使得当zn等于h1时,垂直高度先验信息概率值ph(zn)的值能与zn大于h1时ph(zn)的值相同,进而使得分段函数的曲线能够连续。
本公开实施例中,由上述公式可知,当备选节点的高度zn小于h0时,垂直高度先验信息概率值为1;当备选节点的高度zn大于h0且小于等于h1时,高度zn越大,垂直高度先验信息概率值ph(zn)越小;当备选节点的高度zn大于h1时,垂直高度先验信息概率值ph(zn)为0.1。也就是说,本公开实施例中,在一定区间内,备选节点的高度值越高,会导致风险计算公式的取值越小,也就是会使得备选节点的占据概率越小,进而促进在路径规划时,选择高度较高的备选节点来躲避障碍物。
本公开实施例中,由于垂直高度的先验信息的引入,飞行设备会在遇到障碍物时,倾向于向上飞行,例如遇到密集的不移动的障碍物如群山、森林植被、建筑群等。垂直高度先验信息也不限于不移动的障碍物,在移动的障碍物的移动场景中,如在密集移动的人群、移动的动物如鸟群、移动的车辆或其他飞行设备的场景中,垂直高度先验信息的避障作用更加明显,可以使得飞行设备选择优先向上飞行来躲避这些密集移动的障碍物,而不是使飞行设备与障碍物处于相同的水平面时,进行复杂的计算来进行避障规划。无论是对于不移动的障碍物的路径规划,还是对于移动的障碍物的路径规划,增加垂直高度先验信息公式来计算碰撞代价,都可以节约计算资源和能源。
本公开实施例中,垂直高度先验信息的概率结合传感器测量数据得到碰撞风险计算函数关系,来获取所述初始节点到备选节点之间的碰撞代价,可以基于高度越高,障碍物越少的先验信息,结合传感器测量数据,可以降低碰撞到障碍物的风险。例如对于在某一水平面周边的障碍物较多时,可以避免为飞行设备在障碍物较多的水平面中的复杂度较高、计算量较大的路径规划,可以节约路径规划所需的计算资源和能源。
本公开实施例中,所述代价函数中的真实代价函数,包括:三维距离计算公式;
若所述初始节点的垂直高度大于等于所述备选节点的垂直高度,得到第一高度权重因子;其中,所述第一高度权重因子小于或等于1;
若所述初始节点的垂直高度小于所述备选节点的垂直高度得到第二高度权重因子;其中,所述第二高度权重因子大于1;
根据所述第一高度权重因子或所述第二高度权重因子,得到所述三维距离计算公式;根据所述三维距离计算公式以及所述节点的三维坐标,得到所述飞行设备在所述初始节点到所述备选节点之间的耗能代价。
本公开实施例中,起始节点和备选节点之间的三维距离计算公式如下:
在上述公式1.5和1.6中,(xs,ys,zs)为起始节点的三维坐标,(xn,yn,zn)为备选节点的三维坐标,取v1小于等于1,v2大于1,v1、v2的具体值由对应飞行设备的耗能量进行调参。
本公开实施例中,在飞行设备的实际飞行中,由于需要克服重力做功,飞行设备在进行爬升飞行时的耗电量和/或耗油量,比平飞或下降移动的耗电量和/或耗油量更多,因此,为了使飞行设备所耗能量更少,在计算起始节点与备选节点之间的三维距离时,将起始节点与备选节点之间的水平距离和垂直高度距离的设置为不同的值,使得飞行设备在能源消耗这里,尽量不往上移动,降低飞行设备的耗能。
本公开实施例中,将碰撞风险计算公式和三维距离计算公式结合,得到关于代价函数的第一部分的真实代价g(n)的计算公式:
g(n)=d(n)+r(n) 1.7
通过上述公式,可以计算出关于起始节点到备选节点之间的第一代价值也即真实代价值。
本公开实施例中,第一代价值包含碰撞代价和耗能代价,碰撞代价的计算公式加入了高度先验信息,来弥补传感器测量数据的不足;耗能代价区分了不同飞行方向导致的耗能情况。高度先验信息使得飞行设备在选择备选节点作为规划路径的中间节点时,在一定高度区间内,高度越高,碰撞代价越低。耗能代价会使得飞行设备在选择备选节点作为规划路径的中间节点时,在所需耗能较大时,选择耗能低的飞行方式如:平飞、向下飞行。通过计算碰撞代价选择合适的规划路径可以降低飞行设备碰撞到障碍物的概率,通过计算耗能代价选择合适的规划路径可以降低耗能。
本公开实施例中,通过路径规划的方法,规划路径,在根据所述代价,确定所述备选节点是否为规划路径经过的中间节点时,根据代价值大小对多个备选节点进行排序,在相邻的多个备选节点值之间,选择代价值最小的备选节点作为规划路径经过的中间节点。多个中间节点连接成规划路径。
本公开实施例中,运行所述路径规划的方法:
步骤S1041,建立open表格(open list开放表格)和close表格(close list关闭表格),把起始节点加入至open表格;
步骤S1042,遍历open表格,查找代价函数f(n)的值最小的备选节点,把该备选节点作为当前要处理的节点;
步骤S1043,把这个最小备选节点移动close表格;
对这个最小备选节点所有邻居方向进行如下处理:
如果它是不可抵达的或者它在close表中,则忽略,否则继续如下操作:
如果它不在open表中,把它加入open表,并且把当前最小节点设置为它的父亲,并记录该邻居节点的F,G和H值。
如果它已经在open表中,检查这条路径是否更好,如果更好,则重新计算它的F值,并对open进行重新排序。
重复上述步骤S1041、S1042、S1043,直至终止节点被移动到close表格中。此时路径即为从目标点开始,沿着父节点移动直至起点。
本公开实施例中,F值对应f(n)的值,H值对应h(n)的值,G值对应g(n)的值。
本公开实施例中,通过路径规划的方法规划得到最优路径之后,规划路径中可能会包含多个节点,不利于飞行设备的飞行,因此可以对规划路径中的中间节点进行剪裁,例如,将连续的m个节点修剪为m-k个节点,只要修剪后的m-k个节点的代价不高于先前的k*1%,则可以将k个节点删除。m大于k,且m=1,2,3,4···m,k=1,2,3,4···k。例如,在一个实施例中,假定路径节点顺序索引依次为1、2、3…、n。计算节点n处时,跳过该节点,与隔壁节点相连并进行代价函数计算,若成本不高于先前的1%,则将该节点进行删除。即:
计算节点1至节点3的代价g(1),然后计算节点1经过节点2再至节点3的代价g(2),若,则删除节点2,否则节点2保留。依次遍历直至目标点。
本公开实施例中,经过路径剪裁后得到的轨迹,对于飞行设备的行驶来说并不友好,因此需要对拐角进行曲线平滑,使得飞行设备能顺利飞行。关于曲线平滑的方法,包括但不限于,贝塞尔曲线平滑公式、三次B样条曲线平滑公式。通过曲线平滑,可以降低设备运行时的发生角度变化较大导致的轨迹突变,从而导致移动设备无法适应该变化,能量提供跟不上,运动加速度也跟不上而导致无法按照规划路径飞行的情况,例如,无法顺利拐弯。曲线平滑使得规划路径对于移动设备的按路径行走或飞行时更加顺畅。
本公开实施例中,通过加入可根据备选节点所处的空闲区域的体积大小而自适应调节的权重因子,权重因子可以调节路径规划的速度,在合适的场景适应性地调整搜寻路径的速度,可以保证精确性的同时提升路径规划的速度。而加入垂直高度先验信息,可以使飞行设备往高处飞行,而直接逃避大量障碍物群,降低规划路径时的计算量。根据飞行设备向高处或向地处移动时的耗能情况,而设置不同的权重来计算起始节点与备选节点之间的距离,可以降低飞行设备的耗能。当然,本公开实施例所提供的方法并不仅限于飞行设备,对于自动移动的车辆或机器人的路径规划在面临上述类似的问题时,例如,走上坡或走下坡时、备选节点的空闲体积较大时的情况,本公开实施例提供的路径规划方法中的思想,仍然可以起到改善的效果或启示。
结合上述实施例,现提供一种示例:
示例1:提供一种路径规划的方法,涉及到三维路径规划,用于为飞行设备提供导航,飞行设备可以但不限于是无人机。
近年来,无人机的研究和应用在民用方面越来越多,如目标跟踪、图像拼接、电力巡线、海岛监测、海岸线巡查、灾后监测以及河流汛期监测等。然而无人机要完成上述的任务,必须具备自主飞行的能力,也就是面对任何复杂的环境,无人机不需要外部协助能独立完成任务。而导航功能是无人机自主飞行中的关键环节,需要使其在复杂的飞行环境中也能完美的避开障碍物,规划出一条航程代价小并且满足无人机约束条件的飞行路径,完成无人机的预设任务。
现有的无人机导航方法主要有两大类:全局避障算法和局部避障算法。全局避障算法需要一个实时环境地图,基于该地图,使用全局避障算法寻找一条由起点指向终点的路径。局部避障算法不需要事先创建地图,而是基于当前传感器得到的数据来进行小范围构图,在该小范围地图上进行路径规划。该方法的优点是速度快,但是通常难以找到最优路径。
现有的技术方案中,首先基于2.5维网格(每个网格点包含经度、纬度、高程信息)划分三维空间;然后在雷达、灾害天气、禁飞区等约束条件下,综合考虑航线高度、被探测概率、航线长度等影响因子改进A*代价函数,基于算法搜索流程,确定初始航线;最后为了满足无人机性能约束(包括最小步长、转弯半径、爬升率、安全高度等),进行一系列处理得到最终的可飞行航线。
现有的技术方案中,采用的是改进A*算法进行的三维路径规划,其构造的代价函数改进点在于引入占据概率、航线高度和航线长度信息。该方法构造的代价函数和传统A*算法一样,其权重值为固定值,并不能动态调节A*算法运行速度,以最大节省计算机资源;另外其构造的代价函数中虽将高度和长度进行剥离,令其代价权重不同,但高度在无人机爬升和下降过程中权重一致,此与实际无人机耗电量/耗油量情形不符,故只能起到让无人机尽量在低空范围内运动作用。本公开令爬升和下降权重不一致,使其无人机尽量不做不必要的爬升运动,以节省耗电量/耗油量;而现有的技术方案直接利用传感器探测概率信息,一旦传感器数据出现错误或无人机周围未经过探索时,现有的技术方案未针对此情景进行处理。
本公开提供的一种路径规划的方法,是一种基于改进型A*算法的无人机导航方法,该方法包括:首先利用倾斜摄影获取该区域的三维地图信息并以八叉树格式进行保存;然后利用改进A*算法获取无人机起点至目标点的最优路径,最后对该路径进优化。其优化措施主要采取两点:一是适当裁剪;二是对裁剪后路径进行贝塞尔曲线平滑。
结合图3所示,提供的路径规划的方法,包括:
步骤S301,构建离线地图:
利用无人机对该区域进行倾斜摄影,并从摄影模型中提取出点云,再利用PCL库生成作业环境的三维模型地图,然后利用现有Octomap库将其转换为八叉树格式。
步骤S302,运行改进型A*算法:
A*算法是广泛应用在路径规划中的一种启发式搜索算法。它通过全面评价各个节点的价值,并把这些代价值进行比较,选取代价值小的节点作为扩展节点,接着以此节点继续扩展下一个节点,直至目标点被选为扩展节点,由此可产生从起点到目标点代价值最小的路径。改进型A*算法采用的代价函数如下所示:
f(n)=g(n)+αh(n) 1.8
其中n是待扩展节点,f(n)是待扩展节点的评估函数,g(n)是起始点到当前节点n的真实代价,h(n)为启发函数,表示从当前节点n到目标节点的代价估值,α为改进型A*算法所引入的超估因子,通过自适应调节α大小来动态改变A*算法的运行速度,当α处于0时,则该算法退化至Dijkstra算法,当α处于∞时,则该算法退化至贪婪算法。
为解决无人机碰撞风险,现有的技术方案在计算g(n)中除考虑欧氏距离外,并引入无人机碰撞到障碍物的风险值。但是该技术方案直接利用传感器探测概率信息,当传感器数据有误时,此时则会造成错误的风险值计算。另外当无人机在四周及上方均未构图条件下,即不确定无人机四周及上方是否含障碍物,此时四周及上方占据概率均为八叉树所设置的最低阈值。此时在欧式距离代价函数下,无人机会选择当前平面内沿先前方向飞行。
本方法引入高度先验信息,认为高度越高,该节点占据的概率越小,即碰撞到障碍物的风险越低。该创新优点在于:一利用贝叶斯概率信息公式可以获取先验信息与传感器测量数据融合后的占据概率,以降低传感器错误引发的风险;二当四周及上方占据概率传感器测量信息相同时,在该先验信息下会迫使无人机选择向上飞行,降低碰撞风险。其风险计算公式如下:
r(n)=value*p(n)*ph(zn) 1.9
其高度先验计算公式有很多变种,在此以指数函数进行构造,其如下:
value为风险值所对应的权重因子参数,p(n)为待扩展节点在八叉树中的占据概率,由octomap serve库计算得到,ph(zn)为高度先验信息。
在无人机实际飞行中,但无人机进行爬升时,由于需要克服重力做功,其耗电量/耗油量相较于平飞、下降更多,为使无人机所耗能量更少,在进行欧式距离计算时,将向上运行距离、水平距离、向下距离权重设置不同,使尽量不让无人机向上飞行,以至于尽可能降低无人机耗电/耗油。其欧式距离公式计算如下:
在上述公式中,(xs,ys,zs)为无人机起点位置坐标,(xn,yn,zn)为待扩展n节点坐标,取v1小于等于1,v2大于1,v1、v2的具体值由对应飞行设备的耗能量进行调参。
将上述风险值与欧式距离结合,即可得到真实代价g(n)的计算公式:
g(n)=d(n)+r(n) 2.4
传统A*算法为保证能够寻找到最优路径,其计算量较大,且很多场景下属于资源浪费。比如极端情景,无人机起点至目标点之间并无障碍物,且处于同一平面,此时利用贪婪算法(即起点直接指向目标点),很快获取其最优路径。本公开在传统A*算法中引入自适应超估因子,根据当前空闲区域大小,动态调节超估因子,加速A*算法计算速度。
本公开构造的超估因子α的计算公式如下:
上述公式中size为当前节点所属八叉树叶子节点的尺寸,即表达当前空闲体积大小,dist为八叉树叶子节点的中心位置与当前节点位置之间的三维欧式距离,δ为阈值参数,k为其权重系数。该公式表明当当前节点所属位置空闲区域较大,即当所处节点位置居于空闲区域中心附近时,此时α较大(配置参数时需保证此时大于1),则A*算法适当偏向贪婪算法,即对A*搜索算法进行了提速。
结合图4所示,后续即采取传统A*算法步骤,其步骤如下:
首先建立open、close两个表,并把起点加入open;
a.遍历open,查找上述代价函数值最小的节点,把它作为当前要处理的节点。
b.把这个最小节点移到close。
c.对当前最小节点所有邻居方向进行如下处理:
如果它是不可抵达的或者它在close中,则忽略,否则继续如下操作:
如果它不在open中,把它加入open,并且把当前最小节点设置为它的父亲,并记录该邻居节点的F,G和H值。
如果它已经在open中,检查这条路径是否更好,如果更好,则重新计算它的F值,并对open进行重新排序。
重复上述步骤a,b,c,直至目标节点被移到close。
此时路径即为从目标点开始,沿着父节点移动直至起点。
步骤S303,路径剪裁:
对上述A*产生的最优路径进行适当裁剪。A*搜寻得到的路径在其构造的代价函数下性能最优,但是可能会造成节点较多,不利于无人机飞行,在此利用适当放大代价函数情形下来对规划路径进行裁剪。
假定路径节点顺序索引依次为1、2、3…、n。计算节点n处时,跳过该节点,与隔壁节点相连并进行代价函数计算,若成本不高于先前的1%,则将该节点进行删除。即:
计算节点1至节点3的代价g(1),然后计算节点1经过节点2再至节点3的代价g(2),若,则删除节点2,否则节点2保留。依次遍历直至目标点。
步骤S304,贝塞尔曲线平滑
经过路径裁剪后得到的轨迹,对于无人机行驶来说并不友好,在此利用二次方贝塞尔曲线对其拐角进行平滑。记拐点坐标为p1,拐角前的节点为p0,拐角后的节点为p2,则p0至p2的线段由贝塞尔曲线替代,其替代公式如下:
B(t)=(1-t2)p0+2t(1-t)p1+t2p2,t∈[0,1] 2.6
t为贝塞尔曲线中的参数。
步骤S305,最终输出路径。
本示例与现有的技术方案相比,现有的技术方案在计算真实代价的评估函数g(n)时仅引入与障碍物有关的占据概率风险,但是并未引入高度先验信息。本公开首先引入高度先验信息,认为高度超过某一阈值后,随着高度升高,无人机碰到障碍物的概率越小。
现有的A*算法并未引入超估因子α来自适应调节A*算法搜寻路径速度。本公开首先利用当前节点位置所处空闲大小来自适应计算超估因子α,从而使A*算法能够动态调节其搜寻目标点速度。
本示例引入高度先验信息,认为高度超过某个阈值后,随着高度升高,无人机碰到障碍物的概率越小,从而使无人机在检测到四周均有障碍物时,会自发向上运动。
本示例利用当前节点位置所处区域的空闲体积大小来自适应计算超估因子α,从而使其A*算法能够动态的调节其搜寻目标的速度。
本示例对A*算法生成的路径进行适当裁剪,减少路径的节点个数,从而使其规划路径更利于无人机飞行。
本公开实施例中,结合图5所示,提供一种路径规划的装置200,所述装置包括:
第一确定模块201,用于根据地理区域的三维地图信息,获得具有三维坐标的多个节点组成的网格;
第二确定模块202,用于根据备选节点所在八叉树的末端叶子节点所在网格的边长,以及所述备选节点与所述备选节点所在八叉树的末端叶子节点之间的三维距离,确定权重因子;
第三确定模块203,用于根据所述节点的三维坐标,以及代价函数和所述权重因子,确定从路径规划的起始位置对应的初始节点经过备选节点,备选节点到终止节点之间所需的代价;其中,所述初始节点对应起点所在的节点,所述终止节点为路径规划的终止位置对应的节点;
第四确定模块204,用于根据所述代价,确定所述备选节点是否为规划路径经过的中间节点。
本公开实施例中,所述代价函数为多项式函数,包括:第一部分和第二部分的加权求和,其中,所述权重因子为所述第二部分的权重;
所述第一部分,用于确定所述初始节点到所述备选节点之间的第一代价值;
所述第二部分,用于确定从所述备选节点到所述终止节点之间的第二代价值。
本公开实施例中,所述第二确定模块,配置为:
用于根据所述备选节点的三维坐标以及所述备选节点所在八叉树的末端叶子节点的三维坐标,得到所述备选节点与所述备选节点所在八叉树的末端叶子节点之间的三维距离;
若所述三维距离小于第一阈值参数,根据权重系数、所述备选节点所在八叉树的末端叶子节点的正方体边长和所述第一阈值参数,确定所述权重因子;
若所述三维距离大于所述第一阈值参数,根据权重系数、所述备选节点所在八叉树的末端叶子节点的正方体边长和所述备选节点与所述备选节点所在八叉树的末端叶子节点之间的三维距离,确定所述权重因子。
本公开实施例中,所述代价函数中的真实代价函数,包括:碰撞风险计算公式;
根据垂直高度的先验信息与传感器测量数据和碰撞风险权重因子的乘积,得到关于所述飞行设备的碰撞风险计算函数关系;
根据碰撞风险计算函数关系以及所述节点的垂直高度坐标,得到初始节点到备选节点之间的碰撞代价。
本公开实施例中,所述代价函数中的真实代价函数,包括:三维距离计算公式;
若所述初始节点的垂直高度大于等于所述备选节点的垂直高度,得到第一高度权重因子;其中,所述第一高度权重因子小于或等于1;
若所述初始节点的垂直高度小于所述备选节点的垂直高度得到第二高度权重因子;其中,所述第二高度权重因子大于1;
根据所述第一高度权重因子或所述第二高度权重因子,得到所述三维距离计算公式;根据所述三维距离计算公式以及所述节点的三维坐标,得到所述飞行设备在所述初始节点到所述备选节点之间的耗能代价。
在本公开实施例中,提供一种电子设备,所述电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中所述处理器用于运行所述计算机服务时,实现上述所述的反馈方法中的步骤。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本公开实施例中,提供一种存储介质,所述存储介质中有计算机可执行指令,所述计算机可执行指令被处理器执行实现上述所述的反馈方法中的步骤。
或者,本发明实施例上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本公开的具体实施方式,但本公开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公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种路径规划的方法,其特征在于,所述方法包括:
根据地理区域的三维地图信息,获得具有三维坐标的多个节点组成的网格;
根据备选节点所在八叉树的末端叶子节点所在网格的边长,以及所述备选节点与所述备选节点所在八叉树的末端叶子节点之间的三维距离,确定权重因子;
根据所述节点的三维坐标,以及代价函数和所述权重因子,确定从路径规划的起始位置对应的初始节点经过备选节点,备选节点到终止节点之间所需的代价;其中,所述初始节点对应起点所在的节点,所述终止节点为路径规划的终止位置对应的节点;
根据所述代价,确定所述备选节点是否为规划路径经过的中间节点。
2.根据权利要求1所述的路径规划的方法,其特征在于,所述代价函数为多项式函数,包括:第一部分和第二部分的加权求和,其中,所述权重因子为所述第二部分的权重;
所述第一部分,用于确定所述初始节点到所述备选节点之间的第一代价值;
所述第二部分,用于确定从所述备选节点到所述终止节点之间的第二代价值。
3.根据权利要求1所述的路径规划的方法,其特征在于,所述根据备选节点所在八叉树的末端叶子节点所在网格的边长,以及所述备选节点与所述备选节点所在八叉树的末端叶子节点之间的三维距离,确定权重因子,包括:
根据所述备选节点的三维坐标以及所述备选节点所在八叉树的末端叶子节点的三维坐标,得到所述备选节点与所述备选节点所在八叉树的末端叶子节点之间的三维距离;
若所述三维距离小于第一阈值参数,根据权重系数、所述备选节点所在八叉树的末端叶子节点的正方体边长和所述第一阈值参数,确定所述权重因子;
若所述三维距离大于所述第一阈值参数,根据权重系数、所述备选节点所在八叉树的末端叶子节点的正方体边长和所述备选节点与所述备选节点所在八叉树的末端叶子节点之间的三维距离,确定所述权重因子。
4.根据权利要求1或2或3所述的路径规划的方法,其特征在于,所述代价函数中的真实代价函数,包括:碰撞风险计算公式;
根据垂直高度的先验信息与传感器测量数据和碰撞风险权重因子的乘积,得到关于所述飞行设备的碰撞风险计算函数关系;
根据碰撞风险计算函数关系以及所述节点的垂直高度坐标,得到初始节点到备选节点之间的碰撞代价。
5.根据权利要求1或2或3所述的路径规划的方法,其特征在于,所述代价函数中的真实代价函数,包括:三维距离计算公式;
若所述初始节点的垂直高度大于等于所述备选节点的垂直高度,得到第一高度权重因子;其中,所述第一高度权重因子小于或等于1;
若所述初始节点的垂直高度小于所述备选节点的垂直高度得到第二高度权重因子;其中,所述第二高度权重因子大于1;
根据所述第一高度权重因子或所述第二高度权重因子,得到所述三维距离计算公式;根据所述三维距离计算公式以及所述节点的三维坐标,得到所述飞行设备在所述初始节点到所述备选节点之间的耗能代价。
6.一种路径规划的装置,其特征在于,所述装置包括:
第一确定模块,用于根据地理区域的三维地图信息,获得具有三维坐标的多个节点组成的网格;
第二确定模块,用于根据备选节点所在八叉树的末端叶子节点所在网格的边长,以及所述备选节点与所述备选节点所在八叉树的末端叶子节点之间的三维距离,确定权重因子;
第三确定模块,用于根据所述节点的三维坐标,以及代价函数和所述权重因子,确定从路径规划的起始位置对应的初始节点经过备选节点,备选节点到终止节点之间所需的代价;其中,所述初始节点对应起点所在的节点,所述终止节点为路径规划的终止位置对应的节点;
第四确定模块,用于根据所述代价,确定所述备选节点是否为规划路径经过的中间节点。
7.根据权利要求6所述的路径规划的装置,其特征在于,所述代价函数为多项式函数,包括:第一部分和第二部分的加权求和,其中,所述权重因子为所述第二部分的权重;
所述第一部分,用于确定所述初始节点到所述备选节点之间的第一代价值;
所述第二部分,用于确定从所述备选节点到所述终止节点之间的第二代价值。
8.根据权利要求6所述的路径规划的装置,其特征在于,所述第二确定模块,配置为:
用于根据所述备选节点的三维坐标以及所述备选节点所在八叉树的末端叶子节点的三维坐标,得到所述备选节点与所述备选节点所在八叉树的末端叶子节点之间的三维距离;
若所述三维距离小于第一阈值参数,根据权重系数、所述备选节点所在八叉树的末端叶子节点的正方体边长和所述第一阈值参数,确定所述权重因子;
若所述三维距离大于所述第一阈值参数,根据权重系数、所述备选节点所在八叉树的末端叶子节点的正方体边长和所述备选节点与所述备选节点所在八叉树的末端叶子节点之间的三维距离,确定所述权重因子。
9.根据权利要求6或7或8所述的路径规划的方法,其特征在于,所述代价函数中的真实代价函数,包括:碰撞风险计算公式;
根据垂直高度的先验信息与传感器测量数据和碰撞风险权重因子的乘积,得到关于所述飞行设备的碰撞风险计算函数关系;
根据碰撞风险计算函数关系以及所述节点的垂直高度坐标,得到初始节点到备选节点之间的碰撞代价。
10.根据权利要求6或7或8所述的路径规划的方法,其特征在于,所述代价函数中的真实代价函数,包括:三维距离计算公式;
若所述初始节点的垂直高度大于等于所述备选节点的垂直高度,得到第一高度权重因子;其中,所述第一高度权重因子小于或等于1;
若所述初始节点的垂直高度小于所述备选节点的垂直高度得到第二高度权重因子;其中,所述第二高度权重因子大于1;
根据所述第一高度权重因子或所述第二高度权重因子,得到所述三维距离计算公式;根据所述三维距离计算公式以及所述节点的三维坐标,得到所述飞行设备在所述初始节点到所述备选节点之间的耗能代价。
11.一种电子设备,其特征在于,所述设备包括:
存储器;
处理器,与所述存储器连接,用于通过所述存储器存储的计算机执行指令,能够实现权利要求1至5任一项所述的方法。
12.一种存储介质,其特征在于,所述计算机存储介质存储有计算机可执行指令;所述计算机可执行指令被处理器执行后,能够实现权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110662757.7A CN115170747A (zh) | 2021-06-15 | 2021-06-15 | 路径规划的方法、装置、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110662757.7A CN115170747A (zh) | 2021-06-15 | 2021-06-15 | 路径规划的方法、装置、电子设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115170747A true CN115170747A (zh) | 2022-10-11 |
Family
ID=83475904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110662757.7A Pending CN115170747A (zh) | 2021-06-15 | 2021-06-15 | 路径规划的方法、装置、电子设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115170747A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117746693A (zh) * | 2024-02-20 | 2024-03-22 | 中国民用航空飞行学院 | 一种适用机场终端区特定类无人机对空风险判别方法 |
-
2021
- 2021-06-15 CN CN202110662757.7A patent/CN115170747A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117746693A (zh) * | 2024-02-20 | 2024-03-22 | 中国民用航空飞行学院 | 一种适用机场终端区特定类无人机对空风险判别方法 |
CN117746693B (zh) * | 2024-02-20 | 2024-05-14 | 中国民用航空飞行学院 | 一种适用机场终端区特定类无人机对空风险判别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110108284B (zh) | 一种顾及复杂环境约束的无人机三维航迹快速规划方法 | |
CN111857160B (zh) | 一种无人车路径规划方法和装置 | |
CN108549385B (zh) | 一种结合a*算法和vfh避障算法的机器人动态路径规划方法 | |
CN106371445B (zh) | 一种基于拓扑地图的无人车规划控制方法 | |
US8082102B2 (en) | Computing flight plans for UAVs while routing around obstacles having spatial and temporal dimensions | |
KR102300906B1 (ko) | 세그먼테이션 스코어 맵 및 클러스터링 맵을 이용하여 자율 주행 차량의 주행 경로를 계획하기 위해 차선을 검출하는 포스트 프로세싱 방법 및 장치 | |
CN109656264B (zh) | 用于为飞行器生成到着陆地点的3d路径的计算机实施的方法和系统 | |
KR20120069335A (ko) | 로봇 및 로봇의 경로 생성 방법 | |
JP2019512668A (ja) | ルート逸脱認識方法、端末、および記憶媒体 | |
CN112432649A (zh) | 一种引入威胁因子的启发式无人机蜂群航迹规划方法 | |
CN114440916B (zh) | 一种导航方法、装置、设备及存储介质 | |
CN104992466B (zh) | 一种三维场景的即时寻径方法 | |
CN114740846A (zh) | 面向拓扑-栅格-度量混合地图的分层路径规划方法 | |
CN115357031B (zh) | 一种基于改进蚁群算法的船舶路径规划方法及系统 | |
CN116301014A (zh) | 一种无人直升机贴地飞行轨迹优化方法 | |
CN114119920A (zh) | 三维点云地图构建方法、系统 | |
WO2023093378A1 (zh) | 路径规划方法及装置、设备、存储介质 | |
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 | |
CN114543815A (zh) | 基于基因调控网络的多智能体导航控制方法、设备及介质 | |
CN113359808A (zh) | 一种无人机电力巡检多级路径规划方法及相关装置 | |
CN111427341B (zh) | 一种基于概率地图的机器人最短预期时间目标搜索方法 | |
CN115170747A (zh) | 路径规划的方法、装置、电子设备及计算机存储介质 | |
CN114077249B (zh) | 一种作业方法、作业设备、装置、存储介质 | |
CN115657725B (zh) | 一种子母式无人机投放决策及路径规划一体化方法及系统 | |
CN114995519B (zh) | 一种基于多障碍场景的无人机ai降落方法及系统 |
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 |