CN115407784B - 一种基于空地信息互补的无人车路径规划方法 - Google Patents

一种基于空地信息互补的无人车路径规划方法 Download PDF

Info

Publication number
CN115407784B
CN115407784B CN202211352645.2A CN202211352645A CN115407784B CN 115407784 B CN115407784 B CN 115407784B CN 202211352645 A CN202211352645 A CN 202211352645A CN 115407784 B CN115407784 B CN 115407784B
Authority
CN
China
Prior art keywords
gull
optimal
dimension
iteration
seagull
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
CN202211352645.2A
Other languages
English (en)
Other versions
CN115407784A (zh
Inventor
陈克伟
魏曙光
刘春光
廖自力
尚颖辉
石海滨
张嘉曦
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.)
Academy of Armored Forces of PLA
Original Assignee
Academy of Armored Forces of PLA
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 Academy of Armored Forces of PLA filed Critical Academy of Armored Forces of PLA
Priority to CN202211352645.2A priority Critical patent/CN115407784B/zh
Publication of CN115407784A publication Critical patent/CN115407784A/zh
Application granted granted Critical
Publication of CN115407784B publication Critical patent/CN115407784B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提供一种基于空地信息互补的无人车路径规划方法，包括以下步骤：基于无人机搭载的感知系统和定位导航系统建立地面环境的栅格地图，无人车获取无人机建立的栅格地图，并结合自身感知的环境信息修正补充栅格地图；根据修正补充后的栅格地图，建立无人车路径规划的目标函数；所述目标函数为移动路径最短，或耗时最短，或消耗能量最少；根据目标函数，通过改进型海鸥优化算法进行最优位置更新，确定最优海鸥位置；根据预设的最大迭代次数依次更新的最优海鸥位置，确定最优路径规划结果。该方法克服了海鸥算法存在的几点不足，能够显著提升基于空地信息融合的无人车路径规划的效果。

Description

一种基于空地信息互补的无人车路径规划方法
技术领域
本发明涉及无人车技术领域，具体涉及一种基于空地信息互补的无人车路径规划方法。
背景技术
空中无人机与地面无人车组成的空地异构机器人系统是分布式人工智能技术研究的热点问题，无人机和无人车的有机协调、跨域协作等将引领未来机器人技术与应用的新模式。
无人车能够近距离精确定位地面目标，但在环境信息未知或部分可知情况下，车载传感器对环境的感知能力存在较大局限，只能实现局部的路径规划。而无人机则具有更广阔的视野，可以在特定高度得到周围环境的全局信息，但由于高度原因也丢失了许多局部信息。通过二者协同，进行优势互补，可以实现无人车的全局路径规划。
基于空地信息互补的无人车路径规划是空地异构机器人系统的关键技术之一。首先，基于无人机搭载的感知系统和定位导航系统等建立地面环境的栅格地图；其次，无人车实时接收无人机栅格地图信息，结合自身感知的环境信息修正补充栅格地图，然后自行规划出一条从出发点至终点的无碰撞的最优移动路径，这条最优路径可以是满足移动路径最短，可以是满足耗时最短，还可以满足能量消耗最少等。基于空地信息互补的无人车路径规划问题，实际上可以看成是一个带约束条件的复杂优化问题。因此，一些智能优化算法对于提高无人车路径规划的效果发挥了积极的作用，很多学者开展了大量的研究工作。
根据目前的研究成果来看，智能优化算法是一种有效的路径规划方法。海鸥算法是一种模拟海鸥觅食行为的新型智能优化算法，同样可以应用于路径规划问题。但是，海鸥优化算法存仍然存在有一些缺陷，使得算法容易陷入局部最优和收敛精度不高，在进行路径规划时，往往达不到理想的路径规划效果。如：在确定种群位置时，海鸥个体的位置是随机确定的，这就使得算法具有一定的盲目性和随机性；海鸥算法的位置更新是根据目标物的位置，采用螺旋进攻的方式，向最佳位置移动，但是如果只是根据最佳目标位置进行移动，很容易使海鸥陷入局部最优解；海鸥算法陷入局部最优解时，没有任何措施能帮助其跳出局部最优解。上述的3个不足，导致在采用海鸥算法进行基于空地信息互补的无人车路径规划时，不能达到最佳的路径规划效果。
发明内容
为解决上述问题，本发明提供一种基于空地信息互补的无人车路径规划方法，克服了海鸥算法存在的几点不足，能够显著提升基于空地信息融合的无人车路径规划的效果。
为实现上述目的，本发明提供了如下的技术方案。
一种基于空地信息互补的无人车路径规划方法，包括以下步骤：
基于无人机搭载的感知系统和定位导航系统建立地面环境的栅格地图，无人车获取无人机建立的栅格地图，并结合自身感知的环境信息修正补充栅格地图；
根据修正补充后的栅格地图，建立无人车路径规划的目标函数；所述目标函数为移动路径最短，或耗时最短，或消耗能量最少；
根据目标函数，通过改进型海鸥优化算法进行最优位置更新，确定最优海鸥位置；
根据预设的最大迭代次数依次更新的最优海鸥位置，确定最优路径规划结果；
其中，所述改进型海鸥优化算法引入高斯映射初始化海鸥种群位置，并引入爬行动物搜索算法的位置更新机制替换原有的海鸥位置更新方式；所述改进型海鸥优化算法还包括，通过逐维度双向sine变异进一步进行最优位置更新。
优选地，所述改进型海鸥优化算法引入高斯映射初始化海鸥种群位置，包括以下步骤：
确定种群的大小N，海鸥寻优下边界LB和海鸥寻优上边界UB；
通过高斯映射产生随机数x t ：
Figure DEST_PATH_IMAGE001
式中，mod(·)为求余函数，x t+1为下一个随机数；
利用产生的高斯随机数初始化海鸥位置：
Figure 843514DEST_PATH_IMAGE002
。
优选地，所述引入爬行动物搜索算法的位置更新机制替换原有的海鸥位置更新方式，海鸥位置更新具体包括以下步骤：
优选地，所述引入爬行动物搜索算法的位置更新机制替换原有的海鸥位置更新方式，海鸥位置更新具体包括以下步骤：
海鸥的迁徙行为：
在迁移过程中，模拟海鸥群如何从一个位置移动到另一个位置，主要包括三个行为：避免碰撞，向最佳位置方向移动和靠近最佳位置；
为了避免与其他海鸥碰撞，采用附加变量A计算海鸥的新位置：
Figure 988056DEST_PATH_IMAGE003
Figure 256226DEST_PATH_IMAGE004
式中：
Figure 45191DEST_PATH_IMAGE005
为不与其他海鸥存在位置冲突的新位置，
Figure 881560DEST_PATH_IMAGE006
为海鸥当前位置，t表示当前迭代次数，Miter为最大迭代次数，A表示海鸥在给定搜索空间中的运动行为；
Figure 388764DEST_PATH_IMAGE007
为控制系数，取值从2降到0；
在避免与其他海鸥的位置重合之后，海鸥会向最佳位置所在的方向移动：
Figure 588189DEST_PATH_IMAGE008
Figure 497239DEST_PATH_IMAGE009
式中：
Figure 97985DEST_PATH_IMAGE010
表示最佳位置所在的方向，
Figure DEST_PATH_IMAGE011
表示第t次迭代的最佳位置，B是负责平衡全局和局部搜索的随机数；
Figure 764590DEST_PATH_IMAGE012
为[0,1]范围内的随机数；
海鸥移动到不与其他海鸥相撞的位置后，就朝着最佳位置的所在方向进行移动，到达新的位置：
Figure DEST_PATH_IMAGE013
式中：
Figure 764776DEST_PATH_IMAGE014
是海鸥的向新位置移动的距离；
海鸥的改进全局攻击行为：
海鸥在攻击猎物过程中，通过螺旋运动不断改变攻击角度和速度，螺旋运动行为表示为：
Figure 528332DEST_PATH_IMAGE015
式中，r是每个螺旋的半径，θ是[0，2π]范围内的随机角度值；u和v是螺旋形状的相关常数，e是自然对数的底数;
引入爬行动物搜索算法的位置更新机制来改进海鸥位置更新方式，改进后的海鸥位置更新公式如下：
Figure 706504DEST_PATH_IMAGE016
其中：
Figure 922721DEST_PATH_IMAGE017
Figure 70806DEST_PATH_IMAGE018
Figure 79082DEST_PATH_IMAGE019
Figure 552789DEST_PATH_IMAGE020
Figure DEST_PATH_IMAGE021
其中，
Figure 662827DEST_PATH_IMAGE022
是第t+1次迭代后的海鸥
Figure DEST_PATH_IMAGE023
的第j维的位置；
Figure 4816DEST_PATH_IMAGE024
是第t次迭代后的海鸥
Figure 742965DEST_PATH_IMAGE006
的第j维的位置；
Figure DEST_PATH_IMAGE025
表示当前第
Figure 794097DEST_PATH_IMAGE026
次迭代后的最优位置
Figure 984907DEST_PATH_IMAGE011
的第j维；
Figure DEST_PATH_IMAGE027
是海鸥的向新位置移动的距离
Figure 410814DEST_PATH_IMAGE014
的第j维；
Figure 613257DEST_PATH_IMAGE028
为[0,1]之间的随机数；rand为[0,1]之间的随机数；
Figure DEST_PATH_IMAGE029
表示第
Figure 694345DEST_PATH_IMAGE026
次迭代的海鸥
Figure 762664DEST_PATH_IMAGE006
的第j维的狩猎算子；
Figure 56242DEST_PATH_IMAGE030
是正数；
Figure DEST_PATH_IMAGE031
是缩减函数，用于减少搜索区域；
Figure 909929DEST_PATH_IMAGE032
表示海鸥
Figure 630760DEST_PATH_IMAGE006
的所有与第j维的平均位置；n表示求解规划问题的维度；
Figure DEST_PATH_IMAGE033
表示第
Figure 451954DEST_PATH_IMAGE026
次迭代后海鸥的最佳解
Figure 424590DEST_PATH_IMAGE011
和当前解
Figure 257416DEST_PATH_IMAGE006
的第j维位置的百分比差异；
Figure 883570DEST_PATH_IMAGE006
是第t次迭代后的海鸥位置；
Figure 660902DEST_PATH_IMAGE034
和
Figure 296283DEST_PATH_IMAGE035
是[1,N]之间的随机整数，
Figure 718037DEST_PATH_IMAGE036
表示第t次迭代后的第
Figure 921616DEST_PATH_IMAGE034
个海鸥
Figure 796031DEST_PATH_IMAGE037
的第j维位置；
Figure 628245DEST_PATH_IMAGE038
表示第t次迭代后的第
Figure 170085DEST_PATH_IMAGE035
个海鸥
Figure 403620DEST_PATH_IMAGE039
的第j维位置；
Figure 906277DEST_PATH_IMAGE040
分别表示海鸥的第j维位置的上界和下界；
Figure 883460DEST_PATH_IMAGE041
是进化因子，在整个迭代过程中，取值在2和-2之间随机递减；
Figure 935599DEST_PATH_IMAGE042
表示 [-1,1] 之间的随机整数；
Figure 480981DEST_PATH_IMAGE043
是一个敏感参数，用于控制迭代过程中狩猎合作的搜索精度；
Figure 329988DEST_PATH_IMAGE044
是一个敏感参数，控制迭代过程中包围阶段的探索精度；
计算适应度值：
Figure 110862DEST_PATH_IMAGE045
式中，
Figure 751928DEST_PATH_IMAGE046
为计算适应度值时的适应度函数；
记录当次迭代中最优海鸥。
优选地，所述通过逐维度双向sine变异进一步进行最优位置更新，包括以下步骤：
对于维度j，根据当前迭代次数计算sine混沌值，并等概率切换正负方向：
Figure 327266DEST_PATH_IMAGE047
Figure 804515DEST_PATH_IMAGE048
式中，rand为0到1的随机数；x 0为迭代序列值；
对最优位置进行变异扰动：
Figure 123501DEST_PATH_IMAGE049
式中：
Figure 228860DEST_PATH_IMAGE050
表示第t+1次迭代的最优位置
Figure 365312DEST_PATH_IMAGE051
的第j维；
贪婪更新：
Figure 188911DEST_PATH_IMAGE052
每个维度都进行变异后，停止变异。
本发明的有益效果：
本发明提出一种基于空地信息互补的无人车路径规划方法，该方法通过引入高斯映射进行海鸥种群位置的初始化，可以提升种群位置分布的均匀性和多样性，进而算法的稳定性得以增强。该方法对海鸥的位置更新方式进行了改进，引入爬行动物搜索算法的位置更新机制来改进海鸥位置更新方式，综合考虑了随着迭代次数的不同切换不同的位置更新模式、本次迭代海鸥最优位置、当前解的各个维度的平均值、当前解的各个维度与最优解的差异百分比、种群内部的其他海鸥位置等因素更新海鸥位置，实现了算法搜索范围的增大，算法的适应性得以增强。该方法对最优海鸥利用双向sine混沌映射变异，实现了算法在后期跳出局部最优解的能力。
附图说明
图1是本发明实施例的一种基于空地信息互补的无人车路径规划方法的流程图；
图2是本发明实施例的一种基于空地信息互补的无人车路径规划方法的路径规划结果；
图3是本发明实施例的一种基于空地信息互补的无人车路径规划方法的迭代过程曲线。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
本发明的一种基于空地信息互补的无人车路径规划方法，针对SOA存在的几个问题，提出改进型海鸥优化算法（Improve Seagull optimization algorithm, ISOA）并用于基于空地信息互补的无人车路径规划，基于空地信息互补的无人车路径规划方法的流程如图1所示，具体步骤如下：
S1：基于无人机搭载的感知系统和定位导航系统等建立地面环境的栅格地图，无人车获取无人机建立的栅格地图，并结合自身感知的环境信息修正补充栅格地图。
S2：建立基于空地信息融合的无人车路径规划的目标函数funtion（可以根据实际需要设置为移动路径最短、耗时最短、消耗能量最少等），同时设置相应的约束条件以及路径的关键节点数D。
S3：进行参数设置，主要包括：海鸥种群的大小（即海鸥个体的数量）N；迭代的最大次数（即迭代停止的条件）Miter；海鸥寻优下边界LB；海鸥寻优上边界UB。
S4：通过高斯映射产生随机数x t ：
Figure 311588DEST_PATH_IMAGE053
式中，mod(·)为求余函数，x t+1为下一个随机数；利用产生的高斯随机数初始化海鸥位置：
Figure 412399DEST_PATH_IMAGE002
。
S5：海鸥的迁徙行为：
在迁移过程中，模拟海鸥群如何从一个位置移动到另一个位置，主要包括三个行为：避免碰撞，向最佳位置方向移动和靠近最佳位置；
为了避免与其他海鸥碰撞，采用附加变量A计算海鸥的新位置：
Figure 329540DEST_PATH_IMAGE003
Figure 640436DEST_PATH_IMAGE004
式中：
Figure 694367DEST_PATH_IMAGE005
为不与其他海鸥存在位置冲突的新位置，
Figure 915264DEST_PATH_IMAGE006
为海鸥当前位置，t表示当前迭代次数，Miter为最大迭代次数，A表示海鸥在给定搜索空间中的运动行为；
Figure 268885DEST_PATH_IMAGE007
为控制系数，取值从2降到0；
在避免与其他海鸥的位置重合之后，海鸥会向最佳位置所在的方向移动：
Figure 67076DEST_PATH_IMAGE008
Figure 656189DEST_PATH_IMAGE054
式中：
Figure 590647DEST_PATH_IMAGE010
表示最佳位置所在的方向，
Figure 115170DEST_PATH_IMAGE011
表示第t次迭代的最佳位置，B是负责平衡全局和局部搜索的随机数；
Figure 276024DEST_PATH_IMAGE012
为[0,1]范围内的随机数；
海鸥移动到不与其他海鸥相撞的位置后，就朝着最佳位置的所在方向进行移动，到达新的位置：
Figure 278615DEST_PATH_IMAGE013
式中：
Figure 67579DEST_PATH_IMAGE014
是海鸥的向新位置移动的距离；
海鸥的改进全局攻击行为：
海鸥在攻击猎物过程中，通过螺旋运动不断改变攻击角度和速度，螺旋运动行为表示为：
Figure 418795DEST_PATH_IMAGE015
式中，r是每个螺旋的半径，θ是[0，2π]范围内的随机角度值；u和v是螺旋形状的相关常数，e是自然对数的底数。
原始海鸥算法中，只利用最优海鸥位置进行引导，来更新海鸥位置，为了更加有效的提高海鸥的全局搜索能力，引入爬行动物搜索算法的位置更新机制来改进海鸥位置更新方式，综合考虑了随着迭代次数的不同切换不同的位置更新模式、本次迭代海鸥最优位置、当前解的各个维度的平均值、当前解的各个维度与最优解的差异百分比、种群内部的其他海鸥位置等因素更新海鸥位置，避免每次迭代中出现局部最优，进而提高海鸥算法的全局搜索能力。
改进后的海鸥位置更新公式如下：
Figure 660420DEST_PATH_IMAGE055
其中：
Figure 607648DEST_PATH_IMAGE017
Figure 782277DEST_PATH_IMAGE018
Figure 507657DEST_PATH_IMAGE019
Figure 502158DEST_PATH_IMAGE056
Figure 112130DEST_PATH_IMAGE057
其中，
Figure 751053DEST_PATH_IMAGE022
是第t+1次迭代后的海鸥
Figure 788279DEST_PATH_IMAGE023
的第j维的位置；
Figure 270076DEST_PATH_IMAGE024
是第t次迭代后的海鸥
Figure 811304DEST_PATH_IMAGE006
的第j维的位置；
Figure 429367DEST_PATH_IMAGE025
表示当前第
Figure 778440DEST_PATH_IMAGE026
次迭代后的最优位置
Figure 481953DEST_PATH_IMAGE011
的第j维；
Figure 168150DEST_PATH_IMAGE027
是海鸥的向新位置移动的距离
Figure 296512DEST_PATH_IMAGE014
的第j维；
Figure 409961DEST_PATH_IMAGE028
为[0,1]之间的随机数；rand为[0,1]之间的随机数；
Figure 866350DEST_PATH_IMAGE029
表示第
Figure 231604DEST_PATH_IMAGE026
次迭代的海鸥
Figure 824259DEST_PATH_IMAGE006
的第j维的狩猎算子；
Figure 639768DEST_PATH_IMAGE030
是正数；
Figure 442508DEST_PATH_IMAGE031
是缩减函数，用于减少搜索区域；
Figure 736086DEST_PATH_IMAGE032
表示海鸥
Figure 183248DEST_PATH_IMAGE006
的所有与第j维的平均位置；n表示求解规划问题的维度；
Figure 45025DEST_PATH_IMAGE033
表示第
Figure 210427DEST_PATH_IMAGE026
次迭代后海鸥的最佳解
Figure 42117DEST_PATH_IMAGE011
和当前解
Figure 468419DEST_PATH_IMAGE006
的第j维位置的百分比差异；
Figure 625731DEST_PATH_IMAGE006
是第t次迭代后的海鸥位置；
Figure 278429DEST_PATH_IMAGE034
和
Figure 523597DEST_PATH_IMAGE035
是[1,N]之间的随机整数，
Figure 210930DEST_PATH_IMAGE036
表示第t次迭代后的第
Figure 654988DEST_PATH_IMAGE034
个海鸥
Figure 794982DEST_PATH_IMAGE037
的第j维位置；
Figure 234054DEST_PATH_IMAGE038
表示第t次迭代后的第
Figure 385680DEST_PATH_IMAGE035
个海鸥
Figure 884795DEST_PATH_IMAGE039
的第j维位置；
Figure 636719DEST_PATH_IMAGE040
分别表示海鸥的第j维位置的上界和下界；
Figure 348323DEST_PATH_IMAGE041
是进化因子，在整个迭代过程中，取值在2和-2之间随机递减；
Figure 744669DEST_PATH_IMAGE042
表示 [-1,1] 之间的随机整数；
Figure 290051DEST_PATH_IMAGE043
是一个敏感参数，用于控制迭代过程中狩猎合作的搜索精度；
Figure 139059DEST_PATH_IMAGE044
是一个敏感参数，控制迭代过程中包围阶段的探索精度；
S6：计算适应度值：
Figure 919933DEST_PATH_IMAGE058
式中，
Figure 560999DEST_PATH_IMAGE046
为计算适应度值时的适应度函数。
S7：记录信息，记录当次迭代中最优海鸥。
S8：对于维度j，根据当前迭代次数计算sine混沌值，并等概率切换正负方向：
Figure 136336DEST_PATH_IMAGE047
Figure 613585DEST_PATH_IMAGE048
式中，rand为0到1的随机数；x 0为迭代序列值；
对最优位置进行变异扰动：
Figure 932571DEST_PATH_IMAGE049
式中：
Figure 303510DEST_PATH_IMAGE050
表示第t+1次迭代的最优位置
Figure 174383DEST_PATH_IMAGE051
的第j维；
贪婪更新：
Figure 997982DEST_PATH_IMAGE052
每个维度都进行变异后，停止变异。
S9：记录信息，记录当次迭代中最优海鸥。
S10：重复执行步骤S5~S9，达到最大迭代次数Miter后，算法停止，输出最优路径结果。
本实施例中：
以MATLAB为仿真平台，假设经过无人机和无人车信息互补构建的20×20的栅格地图，以最短移动距离为目标，对SOA方法和ISOA方法进行分析。SOA算法中的参数为：N=50，Maxiter=200，LB = 1，UB=20；ISOA算法中的参数为：N=50，Maxiter=200，LB = 1，UB=20。仿真环境和两个方法分别得到的移动路径如图2所示，图3为迭代过程曲线。表1为两种算法的数据结果对比。
表1.算法路径结果比较
算法 路径长度
SOA 36.9706
ISOA 33.5623
从图2中可以直观的发现SOA得到的移动路径比ISOA的要长，路径比较迂回，而ISOA得到的路径则比较合理。进一步分析图2和图3中的结果可知，采用SOA算法时，算法收敛速度较慢；采用ISOA算法时，收敛速度更快，能更快的找到更好的路径。可以看出，本发明所设计的ISOA算法具有更快的收敛速度和收敛精度，而SOA则出现了陷入局部最优的情况。仿真结果表明，在多种相同的环境下，ISOA算法搜索能力更强，获得了更优移动路径，验证了算法的有效性。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于空地信息互补的无人车路径规划方法，其特征在于，包括以下步骤：
基于无人机搭载的感知系统和定位导航系统建立地面环境的栅格地图，无人车获取无人机建立的栅格地图，并结合自身感知的环境信息修正补充栅格地图；
根据修正补充后的栅格地图，建立以移动路径最短，或耗时最短，或消耗能量最少为约束的目标函数；
根据目标函数，通过改进型海鸥优化算法进行最优位置更新，确定最优海鸥位置；
根据预设的最大迭代次数依次更新的最优海鸥位置，确定最优路径规划结果；
其中，所述改进型海鸥优化算法为：引入高斯映射初始化海鸥种群位置，并引入爬行动物搜索算法的位置更新机制替换原有的海鸥位置更新方式；所述改进型海鸥优化算法还包括，通过逐维度双向sine变异进一步进行最优位置更新；
所述引入爬行动物搜索算法的位置更新机制替换原有的海鸥位置更新方式，海鸥位置更新具体包括以下步骤：
海鸥的迁徙行为：
在迁移过程中，模拟海鸥群如何从一个位置移动到另一个位置，主要包括三个行为：避免碰撞，向最佳位置方向移动和靠近最佳位置；
为了避免与其他海鸥碰撞，采用附加变量A计算海鸥的新位置：
Cs(t)＝A×Ps(t)
A＝fc-(t×fc/Miter)
式中：Cs(t)为不与其他海鸥存在位置冲突的新位置，Ps(t)为海鸥当前位置，t表示当前迭代次数，Miter为最大迭代次数，A表示海鸥在给定搜索空间中的运动行为；fc为控制系数，取值从2降到0；
在避免与其他海鸥的位置重合之后，海鸥会向最佳位置所在的方向移动：
Ms(t)＝B×(Pbs(t)-Ps(t))
B＝2×A2×rd
式中：Ms(t)表示最佳位置所在的方向，Pbs(t)表示第t次迭代的最佳位置，B是负责平衡全局和局部搜索的随机数；rd为[0,1]范围内的随机数；
海鸥移动到不与其他海鸥相撞的位置后，就朝着最佳位置的所在方向进行移动，到达新的位置：
Ds(t)＝|Cs(t)+Ms(t)|
式中：Ds(t)是海鸥的向新位置移动的距离；
海鸥的改进全局攻击行为：
海鸥在攻击猎物过程中，通过螺旋运动不断改变攻击角度和速度，螺旋运动行为表示为：
Figure FDA0003994184890000021
式中，r是每个螺旋的半径，θ是[0，2π]范围内的随机角度值；u和v是螺旋形状的相关常数，e是自然对数的底数；
引入爬行动物搜索算法的位置更新机制来改进海鸥位置更新方式，改进后的海鸥位置更新公式如下：
Figure FDA0003994184890000031
其中：
η(j)(t)＝Pbs(j)(t)×P(j)(t)
Figure FDA0003994184890000032
Figure FDA0003994184890000033
Figure FDA0003994184890000034
Figure FDA0003994184890000035
其中，Ps(j)(t+1)是第t+1次迭代后的海鸥Ps(t+1)的第j维的位置；Ps(j)(t)是第t次迭代后的海鸥Ps(t)的第j维的位置；Pbs(j)(t)表示当前第t次迭代后的最优位置Pbs(t)的第j维；Ds(j)(t)是海鸥的向新位置移动的距离Ds(t)的第j维；γ为[0,1]之间的随机数；rand为[0,1]之间的随机数；η(j)(t)表示第t次迭代的海鸥Ps(t)的第j维的狩猎算子；ε是正数；R(j)(t)是缩减函数，用于减少搜索区域；M(Ps(t))表示海鸥Ps(t)的所有与第j维的平均位置；n表示求解规划问题的维度；P(j)(t)表示第t次迭代后海鸥的最佳解Pbs(t)和当前解Ps(t)的第j维位置的百分比差异；Ps(t)是第t次迭代后的海鸥位置；r1和r2是[1,N]之间的随机整数，
Figure FDA0003994184890000036
表示第t次迭代后的第r1个海鸥
Figure FDA0003994184890000037
的第j维位置；
Figure FDA0003994184890000038
表示第t次迭代后的第r2个海鸥
Figure FDA0003994184890000039
的第j维位置；UB(j)和LB(j)分别表示海鸥的第j维位置的上界和下界；ES(t)是进化因子，在整个迭代过程中，取值在2和-2之间随机递减；r3表示[-1,1]之间的随机整数；α是一个敏感参数，用于控制迭代过程中狩猎合作的搜索精度；β是一个敏感参数，控制迭代过程中包围阶段的探索精度；
计算适应度值：
fitness(t)＝Ff(X(t+1))
式中，Ff(·)为计算适应度值时的适应度函数；
记录当次迭代中最优海鸥。
2.根据权利要求1所述的一种基于空地信息互补的无人车路径规划方法，其特征在于，所述改进型海鸥优化算法引入高斯映射初始化海鸥种群位置，包括以下步骤：
确定种群的大小N，海鸥寻优下边界LB和海鸥寻优上边界UB；
通过高斯映射产生随机数xt：
Figure FDA0003994184890000041
式中，mod(·)为求余函数，xt+1为下一个随机数；
利用产生的高斯随机数初始化海鸥位置：
X(t)＝(UB-LB)×xt-LB。
3.根据权利要求1所述的一种基于空地信息互补的无人车路径规划方法，其特征在于，所述通过逐维度双向sine变异进一步进行最优位置更新，包括以下步骤：
对于维度j，根据当前迭代次数计算sine混沌值，并等概率切换正负方向：
SinValue＝sin(πx0)
Figure FDA0003994184890000051
式中，rand为0到1的随机数；x0为迭代序列值；
对最优位置进行变异扰动：
Pbs(j)(t+1)'＝Pbs(j)(t+1)+SinValue×Pbs(j)(t+1)
式中：Pbs(j)(t+1)表示第t+1次迭代的最优位置Pbs(t+1)的第j维；
贪婪更新：
Figure FDA0003994184890000052
每个维度都进行变异后，停止变异。
CN202211352645.2A 2022-11-01 2022-11-01 一种基于空地信息互补的无人车路径规划方法 Active CN115407784B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211352645.2A CN115407784B (zh) 2022-11-01 2022-11-01 一种基于空地信息互补的无人车路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211352645.2A CN115407784B (zh) 2022-11-01 2022-11-01 一种基于空地信息互补的无人车路径规划方法

Publications (2)

Publication Number Publication Date
CN115407784A CN115407784A (zh) 2022-11-29
CN115407784B true CN115407784B (zh) 2023-01-24

Family

ID=84168166

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211352645.2A Active CN115407784B (zh) 2022-11-01 2022-11-01 一种基于空地信息互补的无人车路径规划方法

Country Status (1)

Country Link
CN (1) CN115407784B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115657694B (zh) * 2022-12-29 2023-03-28 中国人民解放军陆军装甲兵学院 一种基于空地信息交互的无人车路径规划方法
CN116667524B (zh) * 2023-04-20 2024-04-19 淮阴工学院 一种智能物联网路径优化的安全巡检设备及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113867368A (zh) * 2021-12-03 2021-12-31 中国人民解放军陆军装甲兵学院 一种基于改进海鸥算法的机器人路径规划方法
CN113885536A (zh) * 2021-12-03 2022-01-04 中国人民解放军陆军装甲兵学院 一种基于全局海鸥算法的移动机器人路径规划方法
CN114095575A (zh) * 2021-09-27 2022-02-25 上海信宝博通电子商务有限公司 数据处理方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114095575A (zh) * 2021-09-27 2022-02-25 上海信宝博通电子商务有限公司 数据处理方法及装置
CN113867368A (zh) * 2021-12-03 2021-12-31 中国人民解放军陆军装甲兵学院 一种基于改进海鸥算法的机器人路径规划方法
CN113885536A (zh) * 2021-12-03 2022-01-04 中国人民解放军陆军装甲兵学院 一种基于全局海鸥算法的移动机器人路径规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Multi-Objective Quantum-Inspired Seagull Optimization Algorithm Based on Decomposition for Unmanned Aerial Vehicle Path Planning;Peng Wang等;《IEEE Access》;20221017;全文 *
国外新型智能优化算法——海鸥优化算法;韩毅等;《现代营销(经营版)》;20190905;全文 *

Also Published As

Publication number Publication date
CN115407784A (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
CN115407784B (zh) 一种基于空地信息互补的无人车路径规划方法
CN115509239B (zh) 一种基于空地信息共享的无人车路径规划方法
CN106371445B (zh) 一种基于拓扑地图的无人车规划控制方法
CN113867368B (zh) 一种基于改进海鸥算法的机器人路径规划方法
Zhao et al. An improved ant colony algorithm for solving the path planning problem of the omnidirectional mobile vehicle
CN112985408B (zh) 一种路径规划优化方法及系统
CN115657694B (zh) 一种基于空地信息交互的无人车路径规划方法
CN109597425B (zh) 基于强化学习的无人机导航和避障方法
CN113885536B (zh) 一种基于全局海鸥算法的移动机器人路径规划方法
CN107607120A (zh) 基于改进修复式Anytime稀疏A*算法的无人机动态航迹规划方法
CN115437386B (zh) 一种基于空地信息融合的无人车路径规划方法
Cheng et al. Path planning based on immune genetic algorithm for UAV
CN113867369B (zh) 一种基于交流学习的海鸥算法的机器人路径规划方法
CN108413963A (zh) 基于自学习蚁群算法的条形机器人路径规划方法
CN114047770A (zh) 一种多内心搜寻改进灰狼算法的移动机器人路径规划方法
CN115113628A (zh) 一种基于改进灰狼算法的巡检机器人路径规划方法
CN112000126B (zh) 一种基于鲸鱼算法的多无人机协同搜索多动态目标方法
CN110954124A (zh) 一种基于a*-pso算法的自适应路径规划方法及系统
CN116203965A (zh) 一种基于agv的改进蚁群算法的路径规划算法
CN116772880B (zh) 一种基于无人机视觉的无人车路径规划方法
CN115469673B (zh) 一种基于空地信息协同的无人车路径规划方法
CN116483094A (zh) 一种融合空地视角和多维信息的无人车路径规划方法
CN113805609A (zh) 一种混沌迷失鸽群优化机制的无人机群目标搜索方法
CN116128095B (zh) 一种地空无人平台作战效能评估方法
CN114777788A (zh) 基于路径搜索及智能优化的航路规划方法、设备及介质

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