CN115826591B - 一种基于神经网络估计路径代价的多目标点路径规划方法 - Google Patents
一种基于神经网络估计路径代价的多目标点路径规划方法 Download PDFInfo
- Publication number
- CN115826591B CN115826591B CN202310157975.4A CN202310157975A CN115826591B CN 115826591 B CN115826591 B CN 115826591B CN 202310157975 A CN202310157975 A CN 202310157975A CN 115826591 B CN115826591 B CN 115826591B
- Authority
- CN
- China
- Prior art keywords
- path cost
- path
- neural network
- planning
- starting point
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 67
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 230000002068 genetic effect Effects 0.000 claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 37
- 210000000349 chromosome Anatomy 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012512 characterization method Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 9
- 230000004888 barrier function Effects 0.000 claims description 8
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 238000010367 cloning Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000257303 Hymenoptera Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于神经网络估计路径代价的多目标点路径规划方法，包括：构建抽象表示环境的特征地图；根据某起始点和目标点直线相连的线段与障碍圆相交的个数，分别制造数据集训练相应的路径代价估计神经网络；根据各线段与障碍圆相交的情况选择相应的路径代价估计神经网络计算所有条路径的估计路径代价，构建任意两点间的路径代价矩阵；运用遗传算法求解已知路径代价矩阵的旅行商问题，得到最佳遍历顺序；运用Informed‑RRT*算法，按最佳遍历顺序规划出从起点出发经过所有目标点后返回起点的总路径代价最小的路径。本发明可极大减少算法耗时，估计结果与实际规划路径代价相差极小，保证了TSP问题求解所得遍历顺序的最优性。
Description
技术领域
本发明涉及移动机器人路径规划领域，具体是一种基于神经网络估计路径代价的多目标点路径规划方法。
背景技术
近年来，移动机器人路径规划技术发展迅速。随着我国对水下智能设备研发重视程度的提高，自主式水下航行器(Autonomous Underwater Vehicle, AUV)的路径规划问题得到了极大的关注，在一些特殊的任务场景下，如水下目标探测识别、反水雷、海洋调查等，需要AUV具备多目标点路径规划能力。
对于多目标点的路径规划问题，已有许多学者开展了相关研究。李孟锡等利用基于启发信息扩展节点的A*算法求解任意两目标点间的最短距离，再利用混合蚁群算法求解各目标点的遍历顺序，并通过实验验证了算法的有效性。蒲兴成等首先通过粒子群算法规划任意两目标点间的路径，然后利用蚁群算法确定了一条遍历所有目标点的最短路径。杨岱川等提出一种结合蚁群与改进概率地图算法(Probabilistic Roadmap Method，PRM)的多目标点路径规划算法，该方法将各目标点间欧氏距离作为原始路径代价，然后通过蚁群算法求得遍历顺序，最后以PRM算法按顺序规划出各目标点间的路径。冯远洋等利用填充空间森林(Space-Filling Forest, SFF*)确定遍历顺序，再以A*算法按顺序规划出遍历所有目标点全局路径，最后通过ROS平台的仿真实验验证了算法的可行性。颜文俊等提出一种结合RRT与蚁群的三维空间多目标路径规划算法，该方法以各目标点间欧氏距离作为原始路径代价代入蚁群算法迭代得到一个解，在迭代过程中调用RRT算法更新蚂蚁经过次数超过阈值的某些段路径的路径代价，本次迭代结束后调用RRT算法更新该解中所有段路径的路径代价，以某次迭代后路径代价和最短的解作为最优解。
目前已有的算法大都无法规避任意两点之间的路径规划，导致算法耗时较长；部分算法将两目标点间的欧氏距离作为原始路径代价，但又不能保证以此代入旅行商问题（Travelling Salesman Problem，TSP）求解所得遍历顺序的最优性。由此可见，提出一种基于神经网络估计路径代价的多目标点路径规划方法对于兼顾算法快速性与解的优良性具有重要意义。
发明内容
本发明目的在于针对现有技术的不足，提供一种基于神经网络估计路径代价的多目标点路径规划方法及装置。
本发明解决上述技术问题的方案如下：一种基于神经网络估计路径代价的多目标点路径规划方法，包括以下步骤：
步骤A：构建抽象表示环境的特征地图，所述特征地图包括起点、目标点以及障碍圆，所述障碍圆表示处理后的圆形障碍物；
步骤B：基于步骤A构建的特征地图，根据某起始点和目标点直线相连的线段与障碍圆相交的个数，分别制造数据集训练相应的路径代价估计神经网络；
步骤C：根据各线段与障碍圆相交的情况选择相应的路径代价估计神经网络计算所有条路径的估计路径代价，构建任意两点间的路径代价矩阵；
步骤D：运用遗传算法求解已知路径代价矩阵的旅行商问题，得到最佳遍历顺序；
步骤E：运用Informed-RRT*算法，按步骤D所得最佳遍历顺序规划出从起点出发经过所有目标点后返回起点的总路径代价最小的路径。
进一步的，所述步骤A具体包括：在特征地图上将移动机器人进入任务区域的起点以及各目标点的坐标位置表示在全局坐标系下；在不规则多边形障碍物的外接圆基础上进一步膨化，扩大半径为移动机器人的宽度，并通过圆心坐标及半径将障碍圆表示在全局坐标系下，表示不可到达的区域。
进一步的，所述步骤B具体包括：
制作数据集：在特征地图中通过等值递增、递减或随机设置方式改变障碍圆半径大小、圆心坐标、起始点及目标点坐标，模拟出两点相连线段与障碍圆相交的各种情形，计算相应的表征参数，在每一种情形下调用Informed-RRT*算法得到路径代价实际规划值，将所有情形下的表征参数作为输入、路径代价实际规划值作为输出整理为数据集以用于训练；
训练路径代价估计神经网络：搭建包含输入层、隐藏层、输出层的全连接神经网络，将数据集打乱后按比例分为训练集、测试集，分别用于网络的训练和测试，训练后得到相应的神经网络。
进一步的，所述表征参数包括线段长度、线段与障碍圆相交形成两个弓形的弓高、弓高与线段的垂点到线段中点的归一化距离。
进一步的，所述调用Informed-RRT*算法得到路径代价实际规划值，具体包括：初始椭圆采样区域以起始点、目标点为椭圆焦点，两点欧氏距离为焦距，初始RRT*算法规划路径代价为长轴长 
，在初始椭圆区域内迭代规划，若得到更优路径，则以更优的路径代价更新
，从而得到离心率更大、面积更小的椭圆采样区域，在更新后的椭圆中继续迭代，直至达到最大迭代次数，输出此时的
即为最终路径代价。
进一步的，所述步骤D具体包括：用
的正整数表示起始点与第
个目标点的基因编码，其中遍历目标点的顺序与染色体的基因顺序一一对应；用每条染色体代表的遍历顺序的总路径代价作为适应度函数，其中总路径代价越小，表示适应度越高；设置种群大小、遗传代数、交叉概率、以及变异概率；随机生成初始种群，计算种群内个体适应度，淘汰部分适应度较低的个体，同时克隆适应度最高的个体填充种群，对新种群的个体实施染色体交叉、变异操作，完成一次迭代，重复上述步骤直至达到最大迭代次数，输出适应度最高的个体，得到最佳遍历顺序。
一种基于神经网络估计路径代价的多目标点路径规划装置，包括以下步骤：
特征地图构建模块，用于构建抽象表示环境的特征地图，所述特征地图包括起点、目标点以及障碍圆，所述障碍圆表示处理后的圆形障碍物；
神经网络训练模块，用于基于构建的特征地图，根据某起始点和目标点直线相连的线段与障碍圆相交的个数，分别制造数据集训练相应的路径代价估计神经网络；
路径代价矩阵构建模块，用于根据各线段与障碍圆相交的情况选择相应的路径代价估计神经网络计算所有条路径的估计路径代价，构建任意两点间的路径代价矩阵；
最佳遍历顺序求解模块，用于运用遗传算法求解已知路径代价矩阵的旅行商问题，得到最佳遍历顺序；
路径规划模块，用于运用Informed-RRT*算法，按所得最佳遍历顺序规划出从起点出发经过所有目标点后返回起点的总路径代价最小的路径。
进一步的，所述神经网络训练模块基于构建的特征地图，根据某起始点和目标点直线相连的线段与障碍圆相交的个数，分别制造数据集训练相应的路径代价估计神经网络，具体包括：
制作数据集：在特征地图中通过等值递增、递减或随机设置方式改变障碍圆半径大小、圆心坐标、起始点及目标点坐标，模拟出两点相连线段与障碍圆相交的各种情形，计算相应的表征参数，所述表征参数包括线段长度、线段与障碍圆相交形成两个弓形的弓高、弓高与线段的垂点到线段中点的归一化距离，在每一种情形下调用Informed-RRT*算法得到路径代价实际规划值，将所有情形下的表征参数作为输入、路径代价估计值作为输出整理为数据集以用于训练；
训练路径代价估计神经网络：搭建包含输入层、隐藏层、输出层的全连接神经网络，将数据集打乱后按比例分为训练集、测试集，分别用于网络的训练和测试，训练后得到相应的神经网络。
进一步的，所述调用Informed-RRT*算法得到路径代价实际规划值，具体包括：初始椭圆采样区域以起始点、目标点为椭圆焦点，两点欧氏距离为焦距，初始RRT*算法规划路径代价为长轴长
，在初始椭圆区域内迭代规划，若得到更优路径，则以更优的路径代价更新
，从而得到离心率更大、面积更小的椭圆采样区域，在更新后的椭圆中继续迭代，直至达到最大迭代次数，输出此时的
即为最终路径代价。
进一步的，所述最佳遍历顺序求解模块运用遗传算法求解已知路径代价矩阵的旅行商问题，得到最佳遍历顺序，具体包括：用
的正整数表示起始点与第
个目标点的基因编码，其中遍历目标点的顺序与染色体的基因顺序一一对应；用每条染色体代表的遍历顺序的总路径代价作为适应度函数，其中总路径代价越小，表示适应度越高；设置种群大小、遗传代数、交叉概率以及变异概率、；随机生成初始种群，计算种群内个体适应度，淘汰部分适应度较低的个体，同时克隆适应度最高的个体填充种群，对新种群的个体实施染色体交叉、变异操作，完成一次迭代，重复上述步骤直至达到最大迭代次数，输出适应度最高的个体，得到最佳遍历顺序。
本发明的有益效果是：通过神经网络估计Informed-RRT*算法在障碍环境下规划的路径代价，避免了任意两点之间的路径规划，极大地减少了算法耗时，同时估计结果与实际规划路径代价相差极小，也保证了TSP问题求解所得遍历顺序的最优性。
附图说明
图1是包含目标点与障碍圆的特征地图；
图2是估计代价矩阵与实际代价矩阵求得顺序规划出的闭合路径；
图3是欧氏距离代价矩阵求得顺序规划出的闭合路径；
图4是线段与某障碍圆相交的情形；
图5是Informed-RRT*算法流程图；
图6是本发明实施例一种基于神经网络估计路径代价的多目标点路径规划方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图6所示，本发明实施例提供一种基于神经网络估计路径代价的多目标点路径规划方法，该方法可用于AUV水下目标探测与处置、反水雷等多目标点路径规划场景中，其具体过程包括：
步骤A：构建抽象表示环境的特征地图，特征地图是一种计算机能够识别的数学模型，通过特征地图可以简化表示实际的移动机器人运动的环境。所述特征地图包括起点、目标点以及处理后的圆形障碍物，如图1所示。所述步骤A具体包括：在地图上将AUV进入任务区域的起点以及各目标点的坐标位置表示在全局坐标系下；在不规则多边形障碍物的外接圆基础上进一步膨化，扩大半径为AUV的宽度，并通过圆心坐标及半径将障碍圆表示在全局坐标系下，表示不可到达的区域。
步骤B：基于步骤A构建的特征地图训练用路径代价估计神经网络。所述步骤B具体包括：
步骤2.1、制作数据集：在特征地图中通过等值递增、递减或随机设置等方式改变障碍圆半径大小、圆心坐标、起始点及目标点坐标等参数，可模拟出两点相连线段与障碍圆相交的各种情形，计算相应的表征参数，如线段长度、线段与障碍圆相交形成两个弓形的弓高、弓高与线段的垂点到线段中点的归一化距离等，在每一种情形下调用Informed-RRT*算法规划对应路径，重复规划3次，以3次规划路径代价的平均值
作为该情形下的最终结果，并将所有情形下的输入、输出整理为数据集以用于训练。
在特征地图所在的一个原始起点加
个目标点任意两点间的
条路径中，根据某起始点和目标点直线相连的线段与障碍圆相交的个数 
，分别制造数据集训练相应的路径代价估计神经网络，其中
。
与线段相交的障碍圆个数不同，训练的神经网络输入参数也不尽相同，具体说明如下：
当
时，表示线段未与任何障碍圆相交，大量实验表明，此时Informed-RRT*算法总能规划出直线或近似直线的路径，因此可直接输出该线段的欧氏距离，无需训练专门的神经网络，计算公式如下：
其中
为路径代价，
分别是该次规划起始点与目标点的坐标。
当
时，表示此时某两点相连线段仅与一个障碍圆相交，令线段长度为
，线段与障碍圆相交形成的劣弧弓的弓高为
，弓高与线段的垂点到线段中点的距离为
表示归一化后的距离，如图3所示。构造线段与障碍圆相交的广泛情形，计算相应的表征参数，再使用 Informed-RRT*算法得出对应情形下实际规划出路径的代价 
，为排除偶然性，取3次规划的代价平均值
。以此作为数据集用于神经网络训练，其中
为输入，实际规划出路径代价平均值
为输出。
当
时，表示某两点相连线段与两个障碍圆相交，此时线段长度为
，两圆与线段相交形成4个弓形，两侧弓形的弓高分别为
，两圆弓高与线段的垂点到线段中点的距离分别为
表示归一化后的距离。构造线段与两障碍圆相交的广泛情形，计算相应的表征参数作为输入，使用3次实际规划路径代价的平均值
作为输出进行训练。当
时，类似地，可将线段长度
与三个障碍圆形成的六个弓形的弓高
以及各弓高垂点到线段中点的归一化距离
作为输入，3次实际规划路径代价的平均值
作为输出进行训练。
根据Informed-RRT*算法规划出的路径会随其采样椭圆离心率的逐渐增大而达到渐进最优的特点，本发明利用神经网络去估计Informed-RRT*算法在障碍环境下规划出路径的代价。上述Informed-RRT*算法是在RRT*算法的基础上改进而成的，该算法不仅继承了RRT*算法的渐进最优性，并且通过椭圆采样取代全局均匀采样，有效提高了采样效率。Informed-RRT*算法的初始椭圆采样区域以起始点、目标点为椭圆焦点，两点欧氏距离为焦距，初始RRT*算法规划路径代价为长轴长
，在初始椭圆区域内迭代规划，若得到更优路径，则以更优的路径代价更新
，从而得到离心率更大，面积更小的椭圆采样区域，在更新后的椭圆中继续迭代，直至达到最大迭代次数iter_max(iter_max = 200)，输出此时的
即为最终路径代价
，算法流程图如图5所示。
步骤2.2、训练路径代价估计神经网络：搭建包含输入层、隐藏层、输出层（一个输出）共64个神经元的全连接神经网络，该全连接神经网络采用relu激活函数，均方损失函数，Adam优化器等配置；然后将数据集打乱后按比例分为训练集、测试集，分别用于网络的训练和测试，训练后可得到相应的神经网络。经验证，训练后的网络在测试中估计误差为0.2493%。
步骤C：根据各线段与障碍圆相交的情况选择相应的神经网络计算所有段路径的估计路径代价，构建任意两点间的路径代价矩阵。所述步骤C具体包括：
对于一个原始起点加
个目标点任意两点间的
条路径，逐条判断两点相连线段与障碍圆相交的个数
，判断线段与障碍圆是否相交的具体步骤如下：
在障碍圆列表中，逐个判断各障碍圆圆心到线段的距离，以某个障碍圆与线段相交的情形为例，如图4，具体操作步骤如下：输入此次估计路径的起始点
、目标点
、障碍圆圆心
及该圆半径
，再令O点到VW线段的垂点为
，线段VW中点为
通过向量计算公式：
可得
的比值
，利用相似三角形原理，计算公式如下：
可求出P点的坐标
，根据O、P两点坐标可求得两点距离
，判断该距离 
与半径大小
关系，若
，则表示线段VW与障碍圆相交。
对于相交的障碍圆，进一步计算该圆与线段相交形成的优弧、劣弧组成弓形的弓高以及弓高与线段的垂点到线段中点的归一化距离，其中优弧、劣弧组成弓形的弓高的计算公式为：
其中
分别为优弧、劣弧组成弓形的弓高；并且，可通过向量的叉乘运算，判断优弧、劣弧所在向量
的左、右侧，具体方式如下：若
，则表明障碍圆与线段相交形成的优弧位于向量
的左侧，若
，表明障碍圆圆心落在线段上，若
，则表明障碍圆与线段相交形成的优弧位于向量
的右侧。
其中归一化距离计算公式为：
最后根据
选择对应的网络，输入相应的表征参数，计算得出最终估计路径代价，将所有路径的代价估计值整理为路径代价矩阵。
步骤D：运用遗传算法求解已知路径代价矩阵的TSP问题，得到最佳遍历顺序。所述步骤D具体包括：
用
的正整数表示起始点与第
个目标点的基因编码，其中遍历目标点的顺序与染色体的基因顺序一一对应；用每条染色体代表的遍历顺序的总路径代价作为适应度函数，其中总路径代价越小，表示适应度越高；设置种群大小POPSIZE = 80，遗传代数GENSIZE = 200，交叉概率CROSS = 1，变异概率MUTATE = 0.3；随机生成初始种群，计算种群内个体适应度，淘汰部分适应度较低的个体，同时克隆适应度最高的个体填充种群，对新种群的个体实施染色体交叉、变异等操作，完成一次迭代，重复上述步骤直至达到最大迭代次数，输出适应度最高的个体，得到最佳遍历顺序。
步骤E：运用Informed-RRT*算法，按步骤D所得最佳遍历顺序规划出从起点出发经过所有目标点后返回起点的总路径代价最小的路径，如图2所示。
由上述方法步骤可总结基于神经网络估计路径代价的多目标点路径规划方法的流程图，如图6所示。本发明通过神经网络估计Informed-RRT*算法在障碍环境下规划的路径代价，避免了任意两点之间的路径规划，极大地减少了算法耗时，同时估计结果与实际规划路径代价相差较小，相较于以欧氏距离构建的路径代价矩阵（如图3所以）保证了TSP问题求解所得遍历顺序的最优性。某次实验验证如表1所示：
表1
表1的对比试验表明，以目标点间的欧氏距离构成的路径代价矩阵代入TSP问题求解并不能保证得到最优解，即所得顺序规划出的路径不是最短的。采用Informed-RRT*算法实际规划路径代价构成的矩阵代入TSP问题求解又耗时过长。采用本发明神经网络估计路径代价的方法代入TSP问题求解得到了与实际规划代价矩阵相同的遍历顺序，兼具了计算速度与解的最优性。
本发明实施例还提供一种基于神经网络估计路径代价的多目标点路径规划装置，包括以下步骤：
特征地图构建模块，用于构建抽象表示环境的特征地图，所述特征地图包括起点、目标点以及障碍圆，所述障碍圆表示处理后的圆形障碍物；
神经网络训练模块，用于基于构建的特征地图，根据某起始点和目标点直线相连的线段与障碍圆相交的个数，分别制造数据集训练相应的路径代价估计神经网络；
路径代价矩阵构建模块，用于根据各线段与障碍圆相交的情况选择相应的路径代价估计神经网络计算所有条路径的估计路径代价，构建任意两点间的路径代价矩阵；
最佳遍历顺序求解模块，用于运用遗传算法求解已知路径代价矩阵的旅行商问题，得到最佳遍历顺序；
路径规划模块，用于运用Informed-RRT*算法，按所得最佳遍历顺序规划出从起点出发经过所有目标点后返回起点的总路径代价最小的路径。
本发明利用特征地图抽象表示移动机器人的运动环境，可将膨化成圆形的各个障碍物以及起点、各个目标点以具体参数表示在全局坐标系下；利用训练完成的神经网络，将起点终点相连线段的距离及该线段穿过障碍物的相关参数作为输入，可快速计算得出一个估计路径代价值，经大量实验验证，各种情形下估计值与Informed-RRT*算法规划出的实际路径代价平均误差小于0.5%；运用神经网络估计路径代价可避免原始起点加上
个目标点两两之间的
次路径规划，从而将多目标点路径规划问题转化成已知路径代价的旅行商(TSP)问题；再运用遗传算法求解TSP问题得各目标点的遍历顺序，最后运用Informed-RRT*算法按顺序规划出各目标点间的路径，形成一条从起点出发，经过所有目标点后返回起点的总路径代价最小的路径，通过神经网络估计Informed-RRT*算法在障碍环境下规划的路径代价，避免了任意两点之间的路径规划，极大地减少了算法耗时，同时估计结果与实际规划路径代价相差极小，也保证了TSP问题求解所得遍历顺序的最优性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种基于神经网络估计路径代价的多目标点路径规划方法，其特征在于，包括以下步骤：
步骤A：构建抽象表示环境的特征地图，所述特征地图包括起点、目标点以及障碍圆，所述障碍圆表示处理后的圆形障碍物；
步骤B：基于步骤A构建的特征地图，根据某起始点和目标点直线相连的线段与障碍圆相交的个数，分别制造数据集训练相应的路径代价估计神经网络；
步骤C：根据各线段与障碍圆相交的情况选择相应的路径代价估计神经网络计算所有条路径的估计路径代价，构建任意两点间的路径代价矩阵；
步骤D：运用遗传算法求解已知路径代价矩阵的旅行商问题，得到最佳遍历顺序；
步骤E：运用Informed-RRT*算法，按步骤D所得最佳遍历顺序规划出从起点出发经过所有目标点后返回起点的总路径代价最小的路径；
所述步骤B具体包括：
制作数据集：在特征地图中通过等值递增、递减或随机设置方式改变障碍圆半径大小、圆心坐标、起始点及目标点坐标，模拟出两点相连线段与障碍圆相交的各种情形，计算相应的表征参数，在每一种情形下调用Informed-RRT*算法得到路径代价实际规划值，将所有情形下的表征参数作为输入、路径代价实际规划值作为输出整理为数据集以用于训练；
训练路径代价估计神经网络：搭建包含输入层、隐藏层、输出层的全连接神经网络，将数据集打乱后按比例分为训练集、测试集，分别用于网络的训练和测试，训练后得到相应的神经网络；
所述调用Informed-RRT*算法得到路径代价实际规划值，具体包括：初始椭圆采样区域以起始点、目标点为椭圆焦点，两点欧氏距离为焦距，初始RRT*算法规划路径代价为长轴长
，在初始椭圆区域内迭代规划，若得到更优路径，则以更优的路径代价更新
，从而得到离心率更大、面积更小的椭圆采样区域，在更新后的椭圆中继续迭代，直至达到最大迭代次数，输出此时的
即为最终路径代价。
2.根据权利要求1所述的一种基于神经网络估计路径代价的多目标点路径规划方法，其特征在于，所述步骤A具体包括：在特征地图上将移动机器人进入任务区域的起点以及各目标点的坐标位置表示在全局坐标系下；在不规则多边形障碍物的外接圆基础上进一步膨化，扩大半径为移动机器人的宽度，并通过圆心坐标及半径将障碍圆表示在全局坐标系下，表示不可到达的区域。
3.根据权利要求1所述的一种基于神经网络估计路径代价的多目标点路径规划方法，其特征在于，所述表征参数包括线段长度、线段与障碍圆相交形成两个弓形的弓高、弓高与线段的垂点到线段中点的归一化距离。
4.根据权利要求1所述的一种基于神经网络估计路径代价的多目标点路径规划方法，其特征在于，所述步骤D具体包括：用
的正整数表示起始点与第
个目标点的基因编码，其中遍历目标点的顺序与染色体的基因顺序一一对应；用每条染色体代表的遍历顺序的总路径代价作为适应度函数，其中总路径代价越小，表示适应度越高；设置种群大小/遗传代数/交叉概率以及变异概率；随机生成初始种群，计算种群内个体适应度，淘汰部分适应度较低的个体，同时克隆适应度最高的个体填充种群，对新种群的个体实施染色体交叉、变异操作，完成一次迭代，重复上述步骤直至达到最大迭代次数，输出适应度最高的个体，得到最佳遍历顺序。
5.一种基于神经网络估计路径代价的多目标点路径规划装置，其特征在于，包括：
特征地图构建模块，用于构建抽象表示环境的特征地图，所述特征地图包括起点、目标点以及障碍圆，所述障碍圆表示处理后的圆形障碍物；
神经网络训练模块，用于基于构建的特征地图，根据某起始点和目标点直线相连的线段与障碍圆相交的个数，分别制造数据集训练相应的路径代价估计神经网络；
路径代价矩阵构建模块，用于根据各线段与障碍圆相交的情况选择相应的路径代价估计神经网络计算所有条路径的估计路径代价，构建任意两点间的路径代价矩阵；
最佳遍历顺序求解模块，用于运用遗传算法求解已知路径代价矩阵的旅行商问题，得到最佳遍历顺序；
路径规划模块，用于运用Informed-RRT*算法，按所得最佳遍历顺序规划出从起点出发经过所有目标点后返回起点的总路径代价最小的路径；
所述神经网络训练模块基于构建的特征地图，根据某起始点和目标点直线相连的线段与障碍圆相交的个数，分别制造数据集训练相应的路径代价估计神经网络，具体包括：
制作数据集：在特征地图中通过等值递增、递减或随机设置方式改变障碍圆半径大小、圆心坐标、起始点及目标点坐标，模拟出两点相连线段与障碍圆相交的各种情形，计算相应的表征参数，所述表征参数包括线段长度、线段与障碍圆相交形成两个弓形的弓高、弓高与线段的垂点到线段中点的归一化距离，在每一种情形下调用Informed-RRT*算法得到路径代价实际规划值，将所有情形下的表征参数作为输入、路径代价实际规划值作为输出整理为数据集以用于训练；
训练路径代价估计神经网络：搭建包含输入层、隐藏层、输出层的全连接神经网络，将数据集打乱后按比例分为训练集、测试集，分别用于网络的训练和测试，训练后得到相应的神经网络；
所述调用Informed-RRT*算法得到路径代价实际规划值，具体包括：初始椭圆采样区域以起始点、目标点为椭圆焦点，两点欧氏距离为焦距，初始RRT*算法规划路径代价为长轴长
，在初始椭圆区域内迭代规划，若得到更优路径，则以更优的路径代价更新
，从而得到离心率更大、面积更小的椭圆采样区域，在更新后的椭圆中继续迭代，直至达到最大迭代次数，输出此时的
即为最终路径代价。
6.根据权利要求5所述的一种基于神经网络估计路径代价的多目标点路径规划装置，其特征在于，所述最佳遍历顺序求解模块运用遗传算法求解已知路径代价矩阵的旅行商问题，得到最佳遍历顺序，具体包括：用
的正整数表示起始点与第
个目标点的基因编码，其中遍历目标点的顺序与染色体的基因顺序一一对应；用每条染色体代表的遍历顺序的总路径代价作为适应度函数，其中总路径代价越小，表示适应度越高；设置种群大小、遗传代数、交叉概率以及变异概率；随机生成初始种群，计算种群内个体适应度，淘汰部分适应度较低的个体，同时克隆适应度最高的个体填充种群，对新种群的个体实施染色体交叉、变异操作，完成一次迭代，重复上述步骤直至达到最大迭代次数，输出适应度最高的个体，得到最佳遍历顺序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310157975.4A CN115826591B (zh) | 2023-02-23 | 2023-02-23 | 一种基于神经网络估计路径代价的多目标点路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310157975.4A CN115826591B (zh) | 2023-02-23 | 2023-02-23 | 一种基于神经网络估计路径代价的多目标点路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115826591A CN115826591A (zh) | 2023-03-21 |
| CN115826591B true CN115826591B (zh) | 2023-04-18 |
Family
ID=85522211
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310157975.4A Active CN115826591B (zh) | 2023-02-23 | 2023-02-23 | 一种基于神经网络估计路径代价的多目标点路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115826591B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117094460B (zh) * | 2023-08-28 | 2024-06-14 | 北京科技大学 | 一种基于od数据的多目标旅行商控制方法、系统及介质 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104850011B (zh) * | 2015-05-22 | 2017-11-03 | 上海电力学院 | 一种障碍物环境中tsp避障最优路径规划方法 |
| CN110962130B (zh) * | 2019-12-24 | 2021-05-07 | 中国人民解放军海军工程大学 | 基于目标偏向寻优的启发式rrt机械臂运动规划方法 |
| CN111854779B (zh) * | 2020-02-25 | 2022-04-26 | 北京嘀嘀无限科技发展有限公司 | 一种路线规划方法、装置、电子设备及可读存储介质 |
| CN112393728B (zh) * | 2020-10-23 | 2022-05-31 | 浙江工业大学 | 一种基于a*算法和rrt*算法的移动机器人路径规划方法 |
| CN113219998B (zh) * | 2021-06-15 | 2022-07-05 | 合肥工业大学 | 一种基于改进双向informed-RRT*的车辆路径规划方法 |
| CN114911205A (zh) * | 2022-05-09 | 2022-08-16 | 重庆大学 | 一种基于改进遗传算法的多agv多目标路径规划方法 |
| CN114877905A (zh) * | 2022-05-10 | 2022-08-09 | 沈阳大学 | 一种双向动态生长的Informed-RRT*路径规划方法 |
| CN115092141B (zh) * | 2022-06-23 | 2023-07-21 | 哈尔滨工业大学 | 应用于自动驾驶车辆变道超车的轨迹规划方法及设备 |
| CN115202394B (zh) * | 2022-07-13 | 2024-09-27 | 安徽成方智能科技有限公司 | 一种基于改进遗传算法的无人机全覆盖路径规划方法 |
| CN115373384A (zh) * | 2022-07-28 | 2022-11-22 | 安徽师范大学 | 一种基于改进rrt的车辆动态路径规划方法及系统 |
-
2023
- 2023-02-23 CN CN202310157975.4A patent/CN115826591B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115826591A (zh) | 2023-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113219998B (zh) | 一种基于改进双向informed-RRT*的车辆路径规划方法 | |
| CN109597425B (zh) | 基于强化学习的无人机导航和避障方法 | |
| CN111238521B (zh) | 一种无人驾驶车辆的路径规划方法及系统 | |
| Zhang et al. | Artificial intelligence and its applications | |
| Hosseinabadi et al. | GELS-GA: hybrid metaheuristic algorithm for solving multiple travelling salesman problem | |
| CN115826591B (zh) | 一种基于神经网络估计路径代价的多目标点路径规划方法 | |
| CN108413963A (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
| CN107992038A (zh) | 一种机器人路径规划方法 | |
| CN111664852A (zh) | 一种无人机路径规划方法及装置 | |
| CN110162060B (zh) | 一种基于改进烟花爆炸算法的机器人路径规划方法 | |
| CN112884229B (zh) | 基于差分进化算法的大型公共场所人流引导路径规划方法 | |
| CN109931943A (zh) | 无人船舶全局路径规划方法及电子设备 | |
| CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
| Tao et al. | A study on path planning of unmanned aerial vehicle based on improved genetic algorithm | |
| Liang et al. | Global path planning for mobile robot based genetic algorithm and modified simulated annealing algorithm | |
| CN113032896A (zh) | 一种基于船舶驾驶员偏好的避碰辅助决策方法 | |
| CN117474036A (zh) | 基于融合策略智能算法的行进方法 | |
| CN114779821B (zh) | 基于深度学习的无人机自适应斥力系数路径规划方法 | |
| Huiru et al. | Travelling salesman problem in uncertain environments | |
| CN110598835B (zh) | 基于高斯变异遗传算法优化神经网络的小车自动寻路方法 | |
| CN113645632A (zh) | 基于人工免疫优化和可视多边形算法的5g基站布局方法 | |
| Jin et al. | WOA-AGA algorithm design for robot path planning | |
| Yew et al. | Optimization of Multi-Junction Traffic Light Control Using the Classic Genetic Algorithm | |
| Boğar et al. | A hybrid genetic algorithm for mobile robot shortest path problem | |
| Wawrzynczak et al. | Feedforward neural networks in forecasting the spatial distribution of the time-dependent multidimensional functions |
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 |