CN115755940A - 一种无人航行器的水下兴趣区域覆盖路径规划方法和装置 - Google Patents
一种无人航行器的水下兴趣区域覆盖路径规划方法和装置 Download PDFInfo
- Publication number
- CN115755940A CN115755940A CN202211584643.6A CN202211584643A CN115755940A CN 115755940 A CN115755940 A CN 115755940A CN 202211584643 A CN202211584643 A CN 202211584643A CN 115755940 A CN115755940 A CN 115755940A
- Authority
- CN
- China
- Prior art keywords
- interest
- path
- region
- planning
- neighborhood
- 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
-
- 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
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种无人航行器的水下兴趣区域覆盖路径规划方法和装置,解决对大范围海洋区域覆盖探测面临的作业路径长、转向次数多、覆盖算法运算效率低等问题。从地形区域已知信息提取用户关注深度范围内多个兴趣区域;对兴趣区域聚类生成多个多边形边界范围;提出改进Bayazit算法对多边形边界基于凹点进行分割得到多个子凸多边形;合并每两个具有公共边且内部平行线方向一致的子凸多边形得到多个目标兴趣区域;提出离散分组教学算法规划目标兴趣区域的初始路径;构建多线程快速优化方法优化初始路径实现最佳覆盖路径规划。本发明实现在投入有限续航和有限算力的无人航行器探测力量前提下对水下地形兴趣区域的自主、高效探测覆盖规划。
Description
技术领域
本发明属于水下地形探测技术领域,更具体地,涉及一种无人航行器的水下兴趣区域覆盖路径规划方法和装置。
背景技术
浅滩、岛礁、近岸等浅水海域具有海洋生态系统发达、地形复杂多变、海面激流涌动等特点。长期以来,大型海洋地质调查船受吃水和复杂风浪流影响,难以靠近浅水海域测绘,而传统人工测深杆的散点式测量作业又难以大范围、精细化、周期性获取精细海图信息。随着无人航行器及声呐测深技术的发展,近年来,浅水地形测绘模式发生了根本性变革,以无人航行器搭载测深单波束或多波束声呐进行岛礁、湖泊、大坝等浅水域地形及地质变化探测已成为一种极具应用价值的作业手段。
针对广袤的水域空间人类的探测活动往往聚焦于局部感兴趣区域,以便能够在有限的搜寻力量和时间前提下完成探测任务。在已知粗略的海图信息或历史海图信息基础上,针对兴趣区域精细覆盖探测成为一种重要作业需求。针对这些兴趣区域进行自主全覆盖式路径规划往往面临区域边界提取难、边界凹凸特征分解难、随机区域分布遍历难等任务规划难题。
针对兴趣区域精细覆盖探测需求,无人航行器任务规划仍需在区域边界提取、区域分割以及区域间路径规划等方面进一步完善,解决现有技术对大范围区域覆盖面临的覆盖路径长、转向次数多、覆盖算法运算效率低等问题,以便利用无人航行器有限续航、有限算力实现自主高效的任务规划与任务执行。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种无人航行器的水下兴趣区域覆盖路径规划方法和装置,其目的在于实现无人航行器针对水下地形兴趣区域的自主、高效探测覆盖规划,由此解决现有技术中水下路径规划效率低的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种无人航行器的水下兴趣区域覆盖路径规划方法,包括:
S1:对已知先验信息的地形区域信息图进行划分从而提取用户关注深度范围内的多个兴趣区域;对所述多个兴趣区域进行聚类得到聚类结果,根据所述聚类结果生成兴趣区域多边形边界;
S2:采用改进Bayazit算法对所述兴趣区域多边形边界基于凹点进行分割得到多个子凸多边形;将每两个具有公共边且内部平行线方向一致的所述子凸多边形进行合并,得到目标兴趣区域;
S3:采用离散分组教学算法规划所述目标兴趣区域的初始路径;利用多线程快速优化方法对所述初始路径进行优化以获取目标路径。
在其中一个实施例中,所述S1包括:
S11:根据用户实际需求分辨率对所述地形区域信息图进行栅格化,得到多个区域栅格;
S12:根据用户感兴趣深度范围从所述多个区域栅格中提取多个所述兴趣区域;利用DBSCAN算法聚类多个所述兴趣区域得到多个所述聚类结果;
S13:采用α-shapes算法生成各个所述聚类结果对应区域的外接多边形,并将其作为所述兴趣区域多边形边界。
在其中一个实施例中,所述S2包括:
S21:基于Bayazit凹多边形分割算法,改进直接距离贪婪连接反射弧最近顶点的方式,当存在凹点则连接反射弧范围内为凹点且距离最近顶点,若不存在凹点则连接距离最近顶点,从而实现各个所述兴趣区域对应的多边形边界的分割,得到多个所述子凸多边形;
S22:将具有公共边和平行线方向一致的子凸多边形进行合并得到目标兴趣区域,从而减少覆盖路径长度与转向次数。
在其中一个实施例中,所述S21包括:
随机选择待分解的所述多边形边界形成的凹多边形一个顶点进行凹点判断,然后以逆时针方向逐个顶点进行凹点判断;当找到第一个凹点Pi后,沿着Pi-1Pi和PiPi+1分别反向延长并交至多边形边界;
若反向延长线与多边形边界的交点范围存在多个顶点,则选择范围内属性为凹点且距离最近的点相连;
若反射线与多边形交点范围不存在顶点则选择以两个交点中心点辅助点相连从而去除凹点;最终得到多个子凸多边形。
在其中一个实施例中,所述S22包括:
若相邻子凸多边形具有公共边且区域内所规划的平行线方向一致,则合并两个子凸多边形且使合并后得到的目标兴趣区域中平行线方向与合并前一致;其中,所述平行线方向垂直于子凸多边形的最小跨度方向。
在其中一个实施例中,所述S3包括:
S31:设计一种动态自适应邻域半径模型用于离散分组教学算法规划所述目标兴趣区域的第一路径;采用贪婪交叉、中间序列、邻域变异、邻域倒位以及邻域移位算子生成所述初始路径;
所述邻域半径模型为:rt为当前区域中心t的邻域半径,N为区域数量总和,为其他区域到当前区域中心t的距离最大值,为其他区域到当前区域中心t的距离最小值,为其他区域到当前区域中心t的距离平均值,dmin为所有区域中心间最小距离,davg为所有区域中心间距离平均值,it为当前迭代代数,Maxit为总代数;
S32:利用多线程快速优化方法对所述初始路径进行优化,实现邻域改进后的初始路径合并,从而得到所述目标路径。
在其中一个实施例中,所述S31包括:
S311:设置初始化参数总的迭代代数和分组教学优化算法中学生个体个数,基于动态自适应邻域半径模型生成所述第一路径;根据所述第一路径确定最短总路径对应的个体Tt;
S312:判断个体Tt是否满足终止条件,若满足则输出对应的路径规划序列作为所述初始路径;若不满足则根据每个个体对应总路径长度将排名前50%和后50%分别分到两个小组形成优秀小组和一般小组并执行S313;
S313:对于优秀小组,在主线程中首先根据个体生成组内平均水平序列,然后根据贪婪交叉算子将平均个体与组内个体交叉,最后依次进行邻域变异、邻域逆转以及邻域移位处理个体;
S314:对于一般小组,在子线程中首先采用贪婪交叉算子将最短路径个体与组内个体交叉,然后根据邻域变异、邻域逆转以及邻域移位算子处理个体,最后采用邻域3-opt算子处理组内个体;
S315:完成S313和S314后将产生的新个体序列合并,根据合并后的每个个体新序列总路径获得最短总路径对应个体Tt;
S316:针对新的个体Tt执行S312-S315,直至满足所述终止条件。
在其中一个实施例中,所述S33包括:
将所述优秀小组运行于主线程以及所述一般小组运行于子线程,以对所述初始路径进行优化,最终得到所述目标路径。
按照本发明的另一方面,提供了一种无人航行器的水下兴趣区域覆盖路径规划装置,包括:
边界提取模块,用于对已知先验信息的地形区域信息图进行划分从而提取用户关注深度范围内的多个兴趣区域;对所述多个兴趣区域进行聚类得到聚类结果,根据所述聚类结果生成兴趣区域多边形边界;
区域分割模块,用于采用改进Bayazit算法对所述兴趣区域多边形边界基于凹点进行分割得到多个子凸多边形;将每两个具有公共边且内部平行线方向一致的所述子凸多边形进行合并,得到目标兴趣区域;
区域连接模块,用于采用离散分组教学算法规划所述目标兴趣区域的初始路径;利用多线程快速优化方法对所述初始路径进行优化以获取目标路径。
按照本发明的另一方面,提供了一种无人航行器,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)现有凹多边形区域分割,未能根据相邻凸边形平行线方向一致性特征合并,导致规划覆盖路径长、转向次数多。为此,本发明提出改进Bayazit算法,以反射弧范围内凹点为首要目标并结合离分割点距离选择顶点连接减少子区域数量,并且将具有公共边且平行线方向一致的子凸多边形合并进一步减少子区域数量,实现优化覆盖路径长度、减少转向次数。
(2)针对现有区域间路径规划问题,本发明在分组教学优化算法中引入动态自适应邻域半径模型优化路径。该自适应模型的邻域半径随着迭代代数增加逐步减小从而兼顾全局和局部搜索能力,同时利用双曲正切函数平衡距离非线性关系使得邻域半径随子区域距离分布更加平滑,实现子区域间连接路径的更快收敛且更接近真实最优值,为水下地形区域信息图覆盖提供快速、准确的路径方案。
(3)针对无人航行器嵌入式系统实时性要求高的特点,本发明将一般小组和优秀小组迭代过程分两个线程并行进行,加快算法运行效率,为水下地形区域信息图覆盖提供高效实时的路径规划方法。
附图说明
图1为本发明一实施例中无人航行器水下兴趣地形区域信息图覆盖路径规划方法流程图;
图2a、图2b、图2c和图2d为本发明一实施例中利用DBSCAN聚类和α-shapes算法生成兴趣区域边界组图,其中,图2a为等深线图,图2b为栅格化等深线图,图2c为DBSCAN聚类图,图2d为α-shapes边界生成图;
图3a为本发明一实施例中Bayazit算法凹多边形分割原理图;
图3b为本发明一实施例中改进Bayazit算法凹多边形分割原理图;
图4a为本发明一实施例中原始Bayazit算法的分割结果示意图;
图4b为本发明一实施例中改进Bayazit算法的分割果示意图;
图4c为本发明一实施例中原始Bayazit算法的平行线路径规划结果图;
图4d为本发明一实施例中改进Bayazit算法的平行线路径规划结果图;
图5a为本发明一实施例中兴趣区域经改进前Bayazit算法分割结果示意图;
图5b为本发明一实施例中兴趣区域经改进后Bayazit算法分割结果示意图;
图6a为图5b采用平行线规划结果示意图;
图6b为图6a合并后平行线规划结果示意图;
图7a为本发明一离散分组教学优化算法动态自适应邻域半径模型随机初始化在测试案例上的收敛图;
图7b为本发明一离散分组教学优化算法动态自适应邻域半径模型随机变异在测试案例上的收敛图;
图8a、图8b和图8c分别为采用TSPLIB库中的EIL51、EIL76和EIL101测试集的测试结果图;
图9a和图9b为本发明一兴趣区域路径规划结果示意图;
图10为本发明一实施例场景示意图。
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。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,提供了一种无人航行器的水下兴趣区域覆盖路径规划方法,包括:S1:对已知先验信息的地形区域信息图进行划分从而提取用户关注深度范围内的多个兴趣区域;对多个兴趣区域进行聚类得到聚类结果,根据聚类结果生成兴趣区域多边形边界;S2:采用改进Bayazit算法对兴趣区域多边形边界基于凹点进行分割得到多个子凸多边形;将每两个具有公共边且内部平行线方向一致的子凸多边形进行合并,得到目标兴趣区域;S3:采用离散分组教学算法规划目标兴趣区域的初始路径;利用多线程快速优化方法对初始路径进行优化以获取目标路径。
具体的,S1:根据用户需求分辨率采用栅格法对已获先验信息地形区域信息图进行划分;提取用户关注深度范围内兴趣区域,并可以采用DBSCAN算法进行聚类,此处的聚类算法不限于此;利用α-shapes算法生成兴趣区域多边形边界。其中,栅格法需要确定栅格每个小单元格的长和宽,即分辨率,这个单元格分辨率大小是由用户需求所确定,需要精确到米级精度则分辨率需小于等于米级精度;所提取出来的兴趣区域如图2c所示,属于点集,而“兴趣区域多边形边界”如图2d所示,生成一个外边界。S2:采用改进Bayazit算法对兴趣区域中凹点进行分割,并将具有公共边且多边形内平行线方向一致的子凸多边形进行合并。S3:采用离散分组教学算法规划兴趣区域之间路径,其中提出了一种基于邻域初始化以及邻域变异交叉的离散分组教学算法用于加快算法收敛速度;一个应用可以有多个线程,为了充分利用CPU多核优势,因此运行分组教学优化算法时将优秀小组和一般小组时分别放于不同线程下,可以同时运行,缩短算法运行时间。
在其中一个实施例中,S1包括:S11:根据用户实际需求分辨率对地形区域信息图进行栅格化,得到多个区域栅格;S12:根据用户感兴趣深度范围从多个区域栅格中提取多个兴趣区域;利用DBSCAN算法聚类多个兴趣区域得到多个聚类结果;S13:采用α-shapes算法生成各个聚类结果对应区域的外接多边形,并将其作为兴趣区域多边形边界。
具体的,1)已知先验信息的地形等高线海图,如图2a所示,该区域长宽均为10km,根据用户实际需求分辨率对地形信息图栅格化,如图2b所示栅格分辨率为100m*100m。2)根据用户感兴趣深度范围提取兴趣区域栅格,然后采用DBSCAN算法对兴趣栅格区域聚类,具体做法半径设置为40m,点数设置为8,剔除噪点后所得聚类结果如图2c。3)采用α-shapes算法生成分类后各个兴趣区域的外接多边形边界,具体参数设置模拟滚动圆半径为20m,结果如图2d。
在其中一个实施例中,S2包括:S21:基于Bayazit凹多边形分割算法,改进直接距离贪婪连接反射弧最近顶点的方式,当存在凹点则连接反射弧范围内为凹点且距离最近顶点,若不存在凹点则连接距离最近顶点,从而实现各个兴趣区域对应的多边形边界的分割,得到多个子凸多边形;S22:将具有公共边和平行线方向一致的子凸多边形进行合并得到目标兴趣区域,从而减少覆盖路径长度与转向次数。
其中,S1中改进Bayazit算法指的是:改进直接距离贪婪连接反射弧最近顶点的方式,选择连接被分割点与反射弧范围内为凹点且距离最近顶点,若不存在凹点则连接距离最近顶点,有效减少凹点数量且兼顾运行效率。S22:将具有公共边且平行线方向一致的子凸多边形合并,减少覆盖路径长度与转向次数。
在其中一个实施例中,S21包括:随机选择待分解的多边形边界形成的凹多边形一个顶点进行凹点判断,然后以逆时针方向逐个顶点进行凹点判断;当找到第一个凹点Pi后,沿着Pi-1Pi和PiPi+1分别反向延长并交至多边形边界;若反向延长线与多边形边界的交点范围存在多个顶点,则选择范围内属性为凹点且距离最近的点相连;若反射线与多边形交点范围不存在顶点则选择以两个交点中心点辅助点相连从而去除凹点;最终得到多个子凸多边形。
具体的,随机选择要分解凹多边形一个顶点,然后以逆时针方向逐个判断该点是否为凹点,判断公式如下:
其中,i表示顶点编号,N表示多边形总点数,mod表示取余,Pi表示第i个顶点。当找到第一个凹点i后,从i点沿着Pi-1Pi和PiPi+1分别反向延长并交至多边形边界。
需要分割凹点为P2,画出其反射线,若反射线与多边形交点范围存在多个顶点,则选择范围内属性为凹点且距离最近的点相连(以图3a为例,其中,需要分割凹点为P2,满足范围为P4-P9,选择为凹点且距离最近的点P7);
若反射线与多边形交点范围不存在顶点则选择以两个交点中心点辅助点相连从而去除凹点(以图3b为例,其中,需要分割凹点为P2,反射线与多边形交点范围内不存在顶点,则选择两个交点中点,即图示实心圆点);完成该凹点分割后原始凹多边形分成两个部分,然后对两个部分分别重复S22上述步骤,直至分割后的子多边形不存在凹点,此过程属于递归调用。
具体的,为了进一步突出本发明算法针对反射线两处交点范围存在多个顶点情况,本发明所提改进Bayazit分割算法只需一次分割(如图4b所示,其中需要分割凹点为P2,满足范围为P4-P7,选择为凹点且距离最近的点P5),而原始Bayazit分割算法利用直接距离贪婪选择连接顶点P6与反射点P2(即凹点)导致分割后还存在凹点P5需二次分割,如图4a所示。
在其中一个实施例中,S22包括:若相邻子凸多边形具有公共边且区域内所规划的平行线方向一致,则合并两个子凸多边形且使合并后得到的目标兴趣区域中平行线方向与合并前一致;其中,平行线方向垂直于子凸多边形的最小跨度方向。
具体的,根据分割后的子凸多边形,若相邻子凸多边形具有公共边且区域内所规划的平行线方向一致(其中平行线方向垂直于子凸多边形最小跨度方向),则对两个子凸多边形合并且平行线方向与合并前保持一致。如图4c和4d所示分别为不合并和合并之后平行线路径规划结果,图中P2为凹点。如图4c所示,若不合并需要分别对①和②进行区域规划,而合并后可整体规划如图4d所示,从规划结果来看可以减少部分路径且减少两次回转过程。
为了进一步展示本实施例效果,针对图2d所示海图兴趣区域场景,分别利用改进前后Bayazit分割算法处理。以图5a和5b所示虚线框为例,改进Bayazit算法分割多边形数量从原始Bayazit算法分割后的四个凸多边形变为三个,且形状更为合理,更利于后续区域内平行线路径规划。
需要说明的是,针对区域内部设计采用平行线以等搜寻线间距形式,搜寻线方向与凸多边形最小跨度方向垂直,相关理论已在《一种凸多边形区域的无人机覆盖航迹规划算法》进行详细证明和推导,本发明在此不作详细展开,对图5b采用平行线规划结果如图6a所示,其中搜寻线间距为600米,起始线距离边界为300米。从规划结果可知,如图6a所示的虚线框区域,存在相邻两个区域(图6a虚线框内①和②区域)拥有公共边且平行线方向一致,因此将其进行合并,合并后平行线规划结果如图6b所示。
在其中一个实施例中,S3包括:S31:设计一种动态自适应邻域半径模型用于离散分组教学算法规划目标兴趣区域的第一路径;采用贪婪交叉、中间序列、邻域变异、邻域倒位以及邻域移位算子生成初始路径;邻域半径模型为:rt为当前区域中心t的邻域半径,N为区域数量总和,为其他区域到当前区域中心t的距离最大值,为其他区域到当前区域中心t的距离最小值,为其他区域到当前区域中心t的距离平均值,dmin为所有区域中心间最小距离,davg为所有区域中心间距离平均值,it为当前迭代代数,Maxit为总代数;S32:利用多线程快速优化方法对初始路径进行优化,实现邻域改进后的初始路径合并,从而得到目标路径。
为进一步解释贪婪交叉、中间序列、邻域变异、邻域倒位以及邻域移位算子,结合图7a进行进一步阐述。
进一步对于贪婪交叉算子,首先,根据个体序列的长度随机选择两个随机数,如图7a(贪婪交叉)(例如,位置3和5)。然后,比较位置3和5之间的两个个体序列的距离。选择具有最小距离的序列(例如,元素3->7->1)加入到位置3和位置5之间的个体序列。此外,个体序列中在位置3和位置5之间重复的元素被删除(例如,元素1)。最后,未使用的部分以一种贪婪的方式添加到序列中,形成序列2->5->6->3->7->1->4。
进一步对于中间序列,中间序列获取是基于相同位置编号下最多共同元素原则。对于n个城市,m个个体能够建立如下式模型:
其中,Xi是第i个个体,为第i个个体的第n个位置。如图7a(中间序列)中显示了中间个体的位置说明,所得到的序列是按列序依次进行处理的。首先,删除每个位置上已使用过的元素。然后,根据剩余元素频率的统计,选择频率最高的元素来填补输出序列中的相应位置,如图7a(中间序列)所示(如2、3、4、5、7位置),然而,如果有一个以上的元素具有相同的最高频率,则随机选择一个进行输出(例如,位置1选择元素2)。如果这个位置的所有元素都被移除(例如,位置6移除1,5),那么就从剩下的未使用元素中随机选择(例如元素6)来填补这个序列,形成序列2->5->3->7->1->6->4。
进一步对于邻域变异算子,根据个体序列的长度随机选择一个不同的随机数,如图7a(邻域变异)(例如,位置6所对应元素1),从邻域范围内选择一个元素(例如位置2所对应元素5)。最后,交换随机数所对应位置的元素和与该元素邻域范围内所对应位置的元素(例如,交换位置2和6所对应的元素1和5),形成序列2->1->6->3->7->5->4。
进一步对于邻域倒位算子,根据个体序列的长度随机选择一个不同的随机数,如图7a(邻域倒位)(例如,位置2所对应元素1),从邻域范围内选择一个元素(例如位置6所对应元素5)。最后,将位置为3到6的元素倒转,形成序列2->1->5->7->3->6->4。
进一步对于邻域变异算子,根据个体序列的长度随机选择一个不同的随机数,如图7a(邻域变异)(例如,位置2所对应元素1),从邻域范围内选择一个元素(例如位置5所对应元素3)。最后,将位置5元素移动到位置2后面,形成序列2->1->3->5->7->6->4。
在其中一个实施例中,S31包括:S311:设置初始化参数总的迭代代数和分组教学优化算法中学生个体个数,基于动态自适应邻域半径模型生成第一路径;根据第一路径确定最短总路径对应的个体Tt;这个分组教学优化算法主要解决的是:多个兴趣区域间连通路径的规划问题,所以个体指的是如图7a所示的多个兴趣区域的遍历次序(或者说排队次序),这个次序就决定了无人航行器按顺序遍历各个兴趣区域。
S312:判断个体Tt是否满足终止条件,若满足则输出对应的路径规划序列作为初始路径;若不满足则根据每个个体对应总路径长度将排名前50%和后50%分别分到两个小组形成优秀小组和一般小组并执行S313;
S313:对于优秀小组,在主线程中首先根据个体生成组内平均水平序列,然后根据贪婪交叉算子将平均个体与组内个体交叉,最后依次进行邻域变异、邻域逆转以及邻域移位处理个体;
S314:对于一般小组,在子线程中首先采用贪婪交叉算子将最短路径个体与组内个体交叉,然后根据邻域变异、邻域逆转以及邻域移位算子处理个体,最后采用邻域3-opt算子处理组内个体;
S315:完成S313和S314后将产生的新个体序列合并,根据合并后的每个个体新序列总路径获得最短总路径对应个体Tt;
S316:针对新的个体Tt执行S312-S315,直至满足终止条件。
针对整个动态自适应邻域半径模型用于离散分组教学算法过程如图7b所示。
1)首先设置初始化参数总的迭代代数和个体个数,基于动态自适应邻域半径模型生成初始的路径序列并基于序列计算最短总路径所对应个体Tt;
2)判断是否满足终止条件,若不满足则根据每个个体对应总路径将排名前50%和后50%分别分到两个小组形成优秀小组和一般小组,若满足则输出最优序列以及对应总路径值;
3)对于优秀小组,在主线程中首先根据图7a中间个体生成组内平均水平序列,然后根据图7a贪婪交叉算子将平均个体与组内个体交叉,最后依次进行邻域变异、邻域逆转以及邻域移位处理个体;
4)对于一般小组,在子线程中首先采用贪婪交叉算子将最短路径个体与组内个体交叉,然后根据图7a邻域变异、邻域逆转以及邻域移位算子处理个体,最后采用邻域3-opt算子处理组内个体;
5)完成后将产生的新个体序列合并,根据合并后的每个个体新序列总路径并获得最短总路径所对应个体Tt,然后返回至第2)部分执行。
具体的,为了充分对比动态自适应邻域半径模型用于离散分组教学算法与常规随机初始化及随机变异、随机倒位以及随机移位算子区别,采用TSPLIB库中的EIL51、EIL76和EIL101测试集进行测试,测试结果分别如图8a、图8b和图8c所示,其中算法总的迭代代数设置为1000代,个体总数设置为100个。
其中,Relative Error计算公式为式中O测试集最优解,对应于EIL51、EIL76和EIL101测试集分别为428.87、545.38和642.31(上述案例对应城市数分别为51、76和101),R为分组优化算法所获得的城市距离总和。从图8a、8b和8c中可知本发明提出的动态自适应邻域半径模型用于离散分组教学算法在初始值上有相对较大优势且随着城市数增加,本算法最终优化结果相较于随机初始化优势更大。
具体的,为了进一步将本算法应用于区域间路径规划,因此针对如图6b所示分割后的兴趣区域得到如图9a所示的规划路径,其中*号标记点表示该区域中点,从路径规划结果可知(主要体现在黑色虚线框内),本发明算法属于全局优化,没有直接距离贪婪设计。另外设计上无人艇执行完覆盖任务后自动回到起点,起点从任何区域均可。区域内按照平行线规划结果进行遍历即可,区域入口和出口选择单个凸多边形平行线规划起点和终点(如图9b所示,其中入口用*号标记,出口用实心圆标记),其中单个区域内部平行线的起始线与终止线与区域交点分别两个,对于该区域起点选择根据上一个多边形终点基于距离贪婪方式选择,而多边形区域顺序是由离散分组教学算法输出,当起点确定后终点也随之确定。
在其中一个实施例中,S33包括:将优秀小组运行于主线程以及一般小组运行于子线程,以对初始路径进行优化,最终得到目标路径。
本发明中提供的多线程快速优化方法,包括:将优秀小组和一般小组分别运行在不同线程中,同时进行各自优化,然后完成后重新合并用于后续分组进而继续完成后续迭代过程。
具体的,为了进一步突出本发明所提出将优秀小组和一般小组分别放于主线程和子线程与直接单线程模式,将图8a、图8b和图8c所示例分别运行在双线程和单线程上,实施例所运行环境为Intel(R)Core(TM)i9-10850K CPU@3.60GHz下的MATLAB 2020b环境下,整体获得最优区域间路径规划结果所运行时间分别为0.5620s和0.7550s,从运行时间可知,本发明所提出的将优秀小组和一般小组分别放于主线程和子线程模式相较于单线程模式可缩短求解时间。
按照本发明的另一方面,提供了一种无人航行器的水下兴趣区域覆盖路径规划装置,如图10所示,包括:
边界提取模块,用于对已知先验信息的地形区域信息图进行划分从而提取用户关注深度范围内的多个兴趣区域;采用DBSCAN算法对多个兴趣区域进行聚类得到聚类结果,根据聚类结果生成兴趣区域多边形边界;
区域分割模块,用于采用改进Bayazit算法对兴趣区域多边形边界基于凹点进行分割得到多个子凸多边形;将每两个具有公共边且内部平行线方向一致的子凸多边形进行合并,得到目标兴趣区域;
区域连接模块,用于采用离散分组教学算法规划目标兴趣区域的初始路径;利用多线程快速优化方法对初始路径进行优化以获取目标路径。
按照本发明的另一方面,提供了一种无人航行器,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述方法的步骤。
本领域的技术人员容易理解,以上所述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 (10)
1.一种无人航行器的水下兴趣区域覆盖路径规划方法,其特征在于,包括:
S1:对已知先验信息的地形区域信息图进行划分从而提取用户关注深度范围内的多个兴趣区域;对所述多个兴趣区域进行聚类得到聚类结果,根据所述聚类结果生成兴趣区域多边形边界;
S2:采用改进Bayazit算法对所述兴趣区域多边形边界基于凹点进行分割得到多个子凸多边形;将每两个具有公共边且内部平行线方向一致的所述子凸多边形进行合并,得到目标兴趣区域;
S3:采用离散分组教学算法规划所述目标兴趣区域的初始路径;利用多线程快速优化方法对所述初始路径进行优化,以获取目标路径。
2.如权利要求1所述的无人航行器的水下兴趣区域覆盖路径规划方法,其特征在于,所述S1包括:
S11:根据用户实际需求分辨率对所述地形区域信息图进行栅格化,得到多个区域栅格;
S12:根据用户感兴趣深度范围从所述多个区域栅格中提取多个所述兴趣区域;利用DBSCAN算法聚类多个所述兴趣区域得到多个所述聚类结果;
S13:采用α-shapes算法生成各个所述聚类结果对应区域的外接多边形,并将其作为所述兴趣区域多边形边界。
3.如权利要求1所述的无人航行器的水下兴趣区域覆盖路径规划方法,其特征在于,所述S2包括:
S21:基于Bayazit凹多边形分割算法,改进直接距离贪婪连接反射弧最近顶点的方式,当存在凹点则连接反射弧范围内为凹点且距离最近顶点,若不存在凹点则连接距离最近顶点,从而实现各个所述兴趣区域对应的多边形边界的分割,得到多个所述子凸多边形;
S22:将具有公共边和平行线方向一致的子凸多边形进行合并得到目标兴趣区域,从而减少覆盖路径长度与转向次数。
4.如权利要求3所述的无人航行器的水下兴趣区域覆盖路径规划方法,其特征在于,所述S21包括:
随机选择待分解的所述多边形边界形成的凹多边形一个顶点进行凹点判断,然后以逆时针方向逐个顶点进行凹点判断;当找到第一个凹点Pi后,沿着Pi-1Pi和PiPi+1分别反向延长并交至多边形边界;
若反向延长线与多边形边界的交点范围存在多个顶点,则选择范围内属性为凹点且距离最近的点相连;
若反射线与多边形交点范围不存在顶点则选择以两个交点中心点辅助点相连从而去除凹点;最终得到多个子凸多边形。
5.如权利要求4所述的无人航行器的水下兴趣区域覆盖路径规划方法,其特征在于,所述S22包括:
若相邻子凸多边形具有公共边且区域内所规划的平行线方向一致,则合并两个子凸多边形且使合并后得到的目标兴趣区域中平行线方向与合并前一致;其中,所述平行线方向垂直于子凸多边形的最小跨度方向。
6.如权利要求1所述的无人航行器的水下兴趣区域覆盖路径规划方法,其特征在于,所述S3包括:
S31:设计一种动态自适应邻域半径模型用于离散分组教学算法规划所述目标兴趣区域的第一路径;采用贪婪交叉、中间序列、邻域变异、邻域倒位以及邻域移位算子生成所述初始路径;
所述邻域半径模型为:rt为当前区域中心t的邻域半径,N为区域数量总和,为其他区域到当前区域中心t的距离最大值,为其他区域到当前区域中心t的距离最小值,为其他区域到当前区域中心t的距离平均值,dmin为所有区域中心间最小距离,davg为所有区域中心间距离平均值,it为当前迭代代数,Maxit为总代数;
S32:利用多线程快速优化方法对所述初始路径进行优化,实现邻域改进后的初始路径合并,从而得到所述目标路径。
7.如权利要求6所述的无人航行器的水下兴趣区域覆盖路径规划方法,其特征在于,所述S31包括:
S311:设置初始化参数总的迭代代数和分组教学优化算法中学生个体个数,基于动态自适应邻域半径模型生成所述第一路径;根据所述第一路径确定最短总路径对应的个体Tt;
S312:判断个体Tt是否满足终止条件,若满足则输出对应的路径规划序列作为所述初始路径;若不满足则根据每个个体对应总路径长度将排名前50%和后50%分别分到两个小组形成优秀小组和一般小组并执行S313;
S313:对于优秀小组,在主线程中首先根据个体生成组内平均水平序列,然后根据贪婪交叉算子将平均个体与组内个体交叉,最后依次进行邻域变异、邻域逆转以及邻域移位处理个体;
S314:对于一般小组,在子线程中首先采用贪婪交叉算子将最短路径个体与组内个体交叉,然后根据邻域变异、邻域逆转以及邻域移位算子处理个体,最后采用邻域3-opt算子处理组内个体;
S315:完成S313和S314后将产生的新个体序列合并,根据合并后的每个个体新序列总路径获得最短总路径对应个体Tt;
S316:针对新的个体Tt执行S312-S315,直至满足所述终止条件。
8.如权利要求7所述的无人航行器的水下兴趣区域覆盖路径规划方法,其特征在于,所述S33包括:
将所述优秀小组运行于主线程以及所述一般小组运行于子线程,以对所述初始路径进行优化,最终得到所述目标路径。
9.一种无人航行器的水下兴趣区域覆盖路径规划装置,其特征在于,包括:
边界提取模块,用于对已知先验信息的地形区域信息图进行划分从而提取用户关注深度范围内的多个兴趣区域;对所述多个兴趣区域进行聚类得到聚类结果,根据所述聚类结果生成兴趣区域多边形边界;
区域分割模块,用于采用改进Bayazit算法对所述兴趣区域多边形边界基于凹点进行分割得到多个子凸多边形;将每两个具有公共边且内部平行线方向一致的所述子凸多边形进行合并,得到目标兴趣区域;
区域连接模块,用于采用离散分组教学算法规划所述目标兴趣区域的初始路径;利用多线程快速优化方法对所述初始路径进行优化以获取目标路径。
10.一种无人航行器,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211584643.6A CN115755940A (zh) | 2022-12-09 | 2022-12-09 | 一种无人航行器的水下兴趣区域覆盖路径规划方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211584643.6A CN115755940A (zh) | 2022-12-09 | 2022-12-09 | 一种无人航行器的水下兴趣区域覆盖路径规划方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115755940A true CN115755940A (zh) | 2023-03-07 |
Family
ID=85345345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211584643.6A Pending CN115755940A (zh) | 2022-12-09 | 2022-12-09 | 一种无人航行器的水下兴趣区域覆盖路径规划方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115755940A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116149374A (zh) * | 2023-04-19 | 2023-05-23 | 南京信息工程大学 | 一种多无人机覆盖路径规划方法 |
CN118034308A (zh) * | 2024-03-08 | 2024-05-14 | 上海大学 | 基于图像处理的全覆盖路径规划方法和系统 |
-
2022
- 2022-12-09 CN CN202211584643.6A patent/CN115755940A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116149374A (zh) * | 2023-04-19 | 2023-05-23 | 南京信息工程大学 | 一种多无人机覆盖路径规划方法 |
CN116149374B (zh) * | 2023-04-19 | 2023-07-21 | 南京信息工程大学 | 一种多无人机覆盖路径规划方法 |
CN118034308A (zh) * | 2024-03-08 | 2024-05-14 | 上海大学 | 基于图像处理的全覆盖路径规划方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ji et al. | A novel simplification method for 3D geometric point cloud based on the importance of point | |
Zhou et al. | 2.5 d dual contouring: A robust approach to creating building models from aerial lidar point clouds | |
CN112257597B (zh) | 一种点云数据的语义分割方法 | |
CN103679807B (zh) | 一种带边界约束的散乱点云重构方法 | |
CN103729872B (zh) | 一种基于分段重采样和表面三角化的点云增强方法 | |
Lee et al. | Perceptual organization of 3D surface points | |
CN104318622B (zh) | 一种室内场景非均匀三维点云数据的三角网格建模方法 | |
CN110196059B (zh) | 一种无人艇全局路径规划方法 | |
CN102306396A (zh) | 一种三维实体模型表面有限元网格自动生成方法 | |
CN105574887A (zh) | 高分辨率遥感影像快速分割方法 | |
CN109636889B (zh) | 一种基于动态缝合带的大规模三维地形模型渲染方法 | |
CN115755940A (zh) | 一种无人航行器的水下兴趣区域覆盖路径规划方法和装置 | |
CN108416392A (zh) | 基于som神经网络的建筑物聚类方法 | |
CN110533778A (zh) | 大规模图像点云并行分布式网格化重建方法、系统、装置 | |
CN111881919B (zh) | 一种基于追踪式格网剖分的线要素智能化简方法与装置 | |
Pusch et al. | Improving the sketch-based interface: Forming curves from many small strokes | |
CN110001066B (zh) | 一种三维打印最少分区填充方向确定方法 | |
CN117892602B (zh) | 基于工业仿真软件的2.5d模型的网格剖分方法及相关设备 | |
Yan et al. | Active implicit object reconstruction using uncertainty-guided next-best-view optimization | |
CN105023288B (zh) | 二维矢量实线在三维场景中的视觉误差消除方法 | |
KR101032397B1 (ko) | 구면 좌표계를 사용하는 3차원 형상 표현장치 및 방법 | |
CN105869210A (zh) | 三维地质表面模型中的插值数据处理方法 | |
CN109241369A (zh) | 基于网格延展法的降雨等值线构建方法 | |
CN113342999A (zh) | 一种基于多层跳序树结构的变分辨率点云简化方法 | |
Hu et al. | Parallel BVH construction using locally density clustering |
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 |