CN115562291B - 基于人工势场法改进势场动力系数的路径规划方法 - Google Patents

Abstract

本发明提供一种改进的人工势场法改进势场动力系数的路径规划方法，能解决陆地智能车在局部路径规划中陷入局部最优解及目标不可达的改进算法。人工势场法利用环境产生虚拟势场的作用，使得智能车进行路径规划运动。目前人工势场法存在当目标点的周围存在障碍物时，就会使得智能车停在某点或发生振荡，从而无法抵达目标点的问题。本文提出的改进人工势场法存在两个创新点，其一是设置动力系数α，通过改变受力的大小，使智能车摆脱不动点；其二是设定临界阈值β，限制动力系数α过大导致智能体在运动过程碰撞障碍物，确保行进的安全；最后通过B样条曲线拟合进行路径平滑的仿真处理。该方法能够较好解决局部最优解和目标不可达问题。

Description

基于人工势场法改进势场动力系数的路径规划方法

技术领域：

本发明设计路径规划技术领域，具体涉及一种基于人工势场法改进势场动力系数的路径规划方法。

背景技术：

现有种类繁多的路径规划算法，面对不同场景及特定条件下的限制，从而选择不同的算法进行路径规划。人工势场法是属于局部路径规划中常见的一种算法，利用在虚拟立场模仿引力斥力下的物体运动，目标点给予物体吸引力，障碍物与物体间产生排斥力，建立引力场和斥力场函数进行路径寻优。该算法有路径平滑，算法结构简单，算法实时避障性能好，与环境之间的适应性好，便于控制等优点。但该算法也存在局部最优问题，容易产生死锁现象，会出现智能车在两个相近的障碍物间不能有效的发现路径，在障碍物前有振荡，目标点附近有障碍物时无法顺利到达目标点等问题。因此，解决局部最优问题无疑是有必要的。

发明内容：

为了克服现有人工势场算法存在局部最优问题的缺陷，本发明提出了一种基于人工势场法改进势场动力系数的路径规划方法，能够利用势场系数的变化逃脱局部最优点，从而抵达最终目标点。

具体地，本发明提出了一种基于人工势场法改进势场动力系数的路径规划方法，其包括以下步骤：

S1、定义势场动力系数α，改变斥力和引力对合力的影响，具体包括以下步骤：

S11、定义F_total(X)为智能体所受的总合力，F_att(X)为智能体受目标点产生的吸引力，F_rep(X)为智能体受到障碍物施加的排斥力，

F_total(X)＝(1+α)F_att(X)+(1-α)F_rep(X) (1)

其中α＝iα₀，0＜α₀＜1，i＝1，2...,n，α₀为初始选择的动力系数值，i为迭代次数。动力系数α作为权重影响合力中的斥力和吸引力，α越大吸引力越大，斥力越小。

S12、当智能体遇到了障碍物陷入局部最优解时，开始迭代，增加i值，改变动力系数α的值，改变智能车的合力使之摆脱不动点。

S13、若再次出现局部最优解时，再次重复迭代过程，改变合力大小，逐步接近目标点位置。

S2、设定临界阈值β，通过临界阈值β来限制动力系数，防止智能体在运动过程碰撞障碍物，具体包括以下步骤：

S21、当智能车与障碍物的距离小于这个临界阈值β的时候，更新动力系数α的值，

其中ρ(X,X₀)为智能体X位置与X₀障碍物位置之间的距离。

S22、当智能车与障碍物的距离ρ(X,X₀)小于临界阈值β的时候，迫使动力系数α为0，智能体受到的吸引力和斥力回归初值，智能体不会出现因受到因动力系数α值过大而导致与障碍物相撞的情况。

S3、结合S1和S2的条件形成一条规划路线，最后利用B样条曲线拟合进行路径平滑处理，得到一条平滑的可行进路线。

与现有技术相比，本发明具有以下有益效果：

(1)本发明将势场动力系数α加入到人工势场算法当中，基于原始算法中的路径搜索中遇到的局部最优和目标不可达的问题进行有效解决。

(2)本发明为克服由势场动力系数α过大导致智能体与障碍物相撞的情况，设立了紧急避险程序临界阈值β，能够在紧急情况下使智能体进行制动，有效的保证了行进路程的安全。

(3)本发明与传统人工势场法相比，减少了算法的局限性，能够在某些相对复杂环境下形成完整的路径规划路线，最终抵达目标点。

附图说明：

图1为本发明的流程示意图，

图2为传统人工势场法路径规划仿真示意图；

图3为传统人工势场法与改进势场动力系数人工势场法路径规划对比示意图；

图4为传统人工势场法与只加入了动力系数α人工势场法与加入势场动力系数α和临界阈值β的人工势场法对比示意图；

图5为改进势场动力系数人工势场法与路径平滑处理示意图；

具体实施方法：

以下内容需要结合附图内容详细说明本发明的示例性实施、特征等方面。为了更好地理解本发明方案，下面将结合本发明中的附图，对本发明的技术方案进行清楚、完整地描述。

本发明是在传统人工势场法势场函数加以改进，发明示例中的前提假设为智能体运动速度为匀速，路径规划路面均为平滑路面，障碍物的均设定为凸集圆的模型。本方案是建立在目标点附近存在障碍物，当智能体靠近目标点时，障碍物对智能体的斥力也逐渐增大，最终会出现合力为0或者出现振荡现象，导致智能体无法抵达目标点的情况。当发生这种情况，本方案首先改变智能体的动力系数，即：

F_total(X)＝(1+α)F_att(X)+(1-α)F_rep(X) (1)

其中α＝iα₀,0＜α₀＜1,i＝1，2...,n，α为动力系数，α₀为初始选择的动力系数值，i为迭代次数。通过动力系数对引力和斥力大小的改变，使智能体当前的受力情况改变，由于动力系数改变，智能车的位置向目标点和障碍物靠近，会导致斥力增大，又回到受力为0或出现振荡的情况，这时增加系数的迭代次数i，系数继续发生改变，使智能体再次逃出局部最优点。但是在行进中持续的增加动力系数就会导致出现智能体对目标点的吸引力逐渐大于障碍物对智能体的斥力的现象，就会发生碰撞。因此本方案中也设定了临界阈值β，通过临界阈值β来限制动力系数。

当智能车与障碍物的距离ρ(X,X₀)小于这个临界阈值β的时候，使动力系数α回归原始初值，这样智能体受到的吸引力和斥力回归初值，不会受到因动力系数α值过大而造成的影响，防止智能体在运动过程碰撞障碍物，保证其行驶的安全性。在合力共同作用下，智能体可抵达目标点。

附图2为传统的人工势场法进行路径规划的仿真示例图，图中左下角星号点处为路径规划的起始坐标点，实心圆形图案设为存在的障碍物，途中右上角星号点为最终路径规划的目标点，连续的圆圈为路径规划所经过的路径点。根据图中示例可以看出，智能车的路径途中受到目标点的吸引力作用，也受到了障碍物的斥力作用，在智能体靠近障碍物会改变之前的运动状态，使之远离障碍物，最终在受到合力的作用下，智能体抵达了目标点。

附图3为传统人工势场法与改进势场动力系数人工势场法路径规划对比示意图。基于图2的环境下，在临近目标点右上方设立两个障碍物，在图3(a)中，智能体利用传统人工势场法进行路径规划时，靠近目标点处会受到该障碍物的斥力影响，会使智能体在靠近目标点处路径振荡或是停在原地，最终导致智能体无法抵达目标点。而图3(b)为改进势场动力系数的路径规划图,智能体在图3(a)不动点位置改变了势场系数α值，使智能体摆脱不可达点并最终抵达目标点。

图4为传统人工势场法与只加入了动力系数α人工势场法与加入势场动力系数α和临界阈值β的人工势场法对比示意图；该环境在起始点旁设立了一个狭窄的缝隙路径口，供智能体通过。在图4(a)传统算法中，智能体在路径口处停止移动，无法通过设立的缝隙路径口，无法抵达目标点位置。

图4(b)中加入势场动力系数α，改变吸引力和斥力大小的权重，逐渐增加动力系数α，使得减小缝隙路径两边障碍物的斥力，增加目标点对智能体的吸引力，智能体通过缝隙路径，但为了通过缝隙路径所带来的影响是：动力系数α已经增大，导致智能体对障碍物所产生的斥力并不“敏感”，目标点对智能体的吸引力占据了主导，导致合力偏大，智能体穿过了障碍物，与障碍物发生了碰撞。

图4(c)中在加入势场动力系数α算法基础上又加入紧急避险程序，设定了临界阈值β，当智能体与障碍物的距离小于临界阈值β时，更新动力系数α的值，使动力系数回归初值，智能体受到的吸引力和斥力回归初值，不会受到因动力系数α值过大而造成的影响，智能体受到的合力将重新计算，及时对障碍物进行了紧急避障，避免了智能体与障碍物的碰撞，重新进行路径规划，保证规划路径的安全，最终抵达了目标点。通过对比，可显然看出同时加入势场动力系数α和临界阈值β的人工势场法的规划效果优于其他情况。

最后部分是将生成的路径坐标进行B样条曲线拟合路径光滑处理，使得生成的路径尽可能地满足线路平顺性、曲率较小、消除冗余路径，减少无效路径节点，降低能量损耗，实现通过较少的时间消耗来获得较优的可行路径。

图5为改进势场动力系数人工势场法与路径平滑处理示意图；图5(a)是改进势场动力系数得到的路径图，图5(b)是进行平滑处理后的示意图。进行最后仿真试验，加大环境复杂程度，增加障碍物数量。通过本发明提出的改进势场动力系数算法，智能体能够抵达目标点，很大程度上解决了人工势场法局部最优解和目标不可达的问题，且未与障碍物发生碰撞，最终的光滑处理效果良好。

Claims (4)

1.一种基于人工势场法改进势场动力系数的路径规划方法，其特征在于：其包括以下步骤：

S1、定义势场动力系数α，改变斥力和引力对合力的影响，具体包括以下步骤：

S11、定义F_total(X)为智能体所受的总合力，F_att(X)为智能体受目标点产生的吸引力，F_rep(X)为智能体受到障碍物施加的排斥力，

F_total(X)＝(1+α)F_att(X)+(1-α)F_rep(X) (1)

其中α＝iα₀，0＜α₀＜1，i＝1，2...,n，α₀为初始选择的动力系数值，i为迭代次数；动力系数α作为权重影响合力中的斥力和吸引力，α越大吸引力越大，斥力越小；

S12、当智能体遇到了障碍物陷入局部最优解时，开始迭代，增加i值，改变动力系数α的值，改变智能车的合力使之摆脱不动点；

S13、若再次出现局部最优解时，再次重复迭代过程，改变合力大小，逐步接近目标点位置；

S2、设定临界阈值β，通过临界阈值β来限制动力系数，防止智能体在运动过程碰撞障碍物，具体包括以下步骤：

S21、当智能车与障碍物的距离小于这个临界阈值β的时候，更新动力系数α的值，

其中ρ(X,X₀)为智能体X位置，与X₀障碍物位置之间的距离；

S22、当智能体与障碍物的距离ρ(X,X₀)小于临界阈值β的时候，迫使动力系数α为0，智能体受到的吸引力和斥力回归初值，智能体不会出现因受到因动力系数α值过大而导致与障碍物相撞的情况；

S3、结合S1和S2的条件形成的一条规划路线，利用B样条曲线拟合进行路径平滑处理，最终得到一条平滑的可行进路线。

2.根据权利要求1所述的基于人工势场法改进势场动力系数的路径规划方法，其特征在于：步骤S11中，势场动力系数α作为总合力F_total(X)中排斥力与吸引力的权重系数。

3.根据权利要求1所述的基于人工势场法改进势场动力系数的路径规划方法，其特征在于：步骤S12中，势场动力系数α可根据智能体所处环境的情况所改变，逐步进行迭代计算。

4.根据权利要求1所述的基于人工势场法改进势场动力系数的路径规划方法，其特征在于：步骤S22中，临界阈值β是控制智能体与障碍物的距离的标准，当距离小于阈值，动力系数α变为0，可保证智能体的安全性。