CN116147636B - 基于地理空间的最佳距离自动寻路计算方法 - Google Patents

基于地理空间的最佳距离自动寻路计算方法 Download PDF

Info

Publication number
CN116147636B
CN116147636B CN202310422663.1A CN202310422663A CN116147636B CN 116147636 B CN116147636 B CN 116147636B CN 202310422663 A CN202310422663 A CN 202310422663A CN 116147636 B CN116147636 B CN 116147636B
Authority
CN
China
Prior art keywords
path
module
node
algorithm
distance
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
CN202310422663.1A
Other languages
English (en)
Other versions
CN116147636A (zh
Inventor
韩笑
何晓风
师磊
李向丽
刘建涛
赵博
赵龙
毛口龙
王明义
胡志远
刘涛
吴桐
高梓博
唐昊
贾卓
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.)
Gan Sushenggonganting
Original Assignee
Gan Sushenggonganting
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 Gan Sushenggonganting filed Critical Gan Sushenggonganting
Priority to CN202310422663.1A priority Critical patent/CN116147636B/zh
Publication of CN116147636A publication Critical patent/CN116147636A/zh
Application granted granted Critical
Publication of CN116147636B publication Critical patent/CN116147636B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开一种基于地理空间的最佳距离自动寻路计算方法，涉及系统距离测量系统领域，主要解决了自动寻路中路径最优难以计算的问题，最佳距离自动寻路计算方法包括，获取地理空间数据；将道路网络转化为图形结构，便于进行路径计算；根据地理坐标和道路网络，计算两点之间的距离；根据起点和终点，利用最短路径算法计算出最佳路径；对于复杂的道路网络和多个地理位置周边信息POI，采用路径优化算法寻找更优的路径；将计算结果可视化展示在地图上；本发明采用基于Dijkstra算法和A*算法的混合算法计算最优路径，不仅缩短了搜索时间，提高了搜索效率，还有效满足了人们在实际应用中的需要。

Description

基于地理空间的最佳距离自动寻路计算方法
技术领域
本发明涉及系统距离测量系统领域，且更具体地涉及一种基于地理空间的最佳距离自动寻路计算方法。
背景技术
距离测量是指测量地面上两点连线长度的工作。通常需要测定的是水平距离，即两点连线投影在某水准面上的长度。它是确定地面点的平面位置的要素之一。是测量工作中最基本的任务之一。通常需要测定的是水平距离，即两点连线投影在某水准面上的长度。在地理学的空间中，地球表面及近地表空间、是地球上大气圈、水圈、生物圈、岩石圈和土壤圈交互作用的区域。地球上最复杂的物理过程、化学过程、生物过程和生物地球化学过程就发生在该区域。在如此之广度和范围的空间中，如何实现最佳距离自动寻路计算是非常复杂的事情，常规采用各种测绘工具，比如遥感，通过地理空间数据系统实现远距离探测，这种方法在一定程度上能够提高空间距离测量能力，但是精度不高，智能化程度滞后。
随着人工智能系统的发展，最短路径算法是计算机科学与地理信息科学等领域的研究热点,经典图论算法与不断发展完善的计算机数据结构算法的有效结合使得新的最短路径算法不断涌现,针对不同的网络特征,应用需求具体的软硬件环境,各种最短路径算法在空间复杂度,时间复杂度，易实现性及应用范围等方面各具特色。基于地理信息系统的最短路径算法在很多领域都有涉及,而不同的环境下有着不同的算法。对最短路径的算法分类可以分为静态最短路径问题和时变最短路径问题, 确定型和随机型最短路径算法,串行和并行最短路径算法,小规模网络和大规模网络最短路径算法等。
比较好的最短路径算法有经典的Djkstra算法、Ford -Folkeno算法和A*算法等。其中Dijkstra算法比较简单、在最优路径选择时比较稳定,所以在日常的运用比较广泛。该方法主要是由近及远寻找起点到其它所有结点的最优路径,直至到达目标结点。但是,该方法的搜索效率不高，花费也比较大,并且也很难满足人们在实际应用中的需要。
发明内容
针对上述系统的不足，本发明公开一种基于地理空间的最佳距离自动寻路计算方法，通过路径优化模块采用基于自适应蚁群算法和粒子群优化算法的混合算法实现路径最优解，通过距离计算模块采用基于欧几里得距离、曼哈顿距离和最短路径距离的混合距离公式计算路径，采用基于Dijkstra算法和A*算法的混合算法计算最优路径，不仅缩短了搜索时间，提高了搜索效率，还有效满足了人们在实际应用中的需要。智能化程度高，精度可靠。
有鉴于此，本发明提供了一种基于地理空间的最佳距离自动寻路计算方法，包括如下步骤，
步骤1、地理位置周边信息POI获取地理空间，地理空间信息至少包括地图、道路网络和地理位置周边信息POI；
在本步骤中，通过高分辨率测绘遥感卫星平台、卫星导航定位系统、无人机数码航摄系统和机载三维激光扫描系统获取地理空间信息，所述高分辨率测绘遥感卫星平台包括光学立体测图卫星、重力卫星和干涉雷达卫星，通过多种卫星的组合获取完善的地理信息，所述卫星导航定位系统包括北斗定位系统和全球导航卫星GNSS系统，所述无人机数码航摄系统包括像片的内方位元素和外方位元素、像点同地面点的坐标关系式、共线条件方程、像对的相对定向、模型的绝对定向和立体观测原理，所述机载三维激光扫描系统包括空中测量平台、激光系统、全球定位系统、惯导系统和小幅面数码相机；
步骤2、将道路网络转化为图形结构，便于进行路径计算；
在本步骤中，采用地面移动测量系统进行地理空间模型构建，所述地面移动测量系统包括车载移动测量系统、舰载移动测量系统和便携式移动测量系统，所述地面移动测量系统通过先进传感器在移动中收集周围地理测绘信息，采用基于节点和线段的模型将所述地理测绘信息形成三维地理空间模型，并在三维地理空间模型标注相关测绘信息；
步骤3、根据地理坐标和道路网络，计算两点之间的距离；
在本步骤中，设置数据处理模块，所述数据处理模块包括距离计算模块、数据分类模块和数据清洗模块，所述距离计算模块连接数据分类模块，所述数据分类模块连接数据清洗模块，所述数据清洗模块包括遗漏数据处理子模块和噪声数据处理子模块，所述遗漏数据子处理模块用于填补数据残缺的部分，所述噪声数据处理子模块用于修正数据的异常部分；
步骤4、根据起点和终点，利用最短路径算法计算出最佳路径；
在本步骤中，设置路径规划模块，所述路径规划模块包括感知模块、轨迹生成模块和控制模块，所述控制模块包含纵向控制器和横向控制器，所述感知模块连接轨迹生成模块，所述轨迹生成模块连接控制模块；
步骤5、对于复杂的道路网络和多个地理位置周边信息POI，采用路径优化算法寻找更优的路径；
在本步骤中，设置路径优化模块，所述路径优化模块采用基于自适应蚁群算法和粒子群优化算法的混合算法实现效果；
步骤6、将计算结果可视化展示在地图上，包括起点、终点、路径线路和地理位置周边信息POI；
在本步骤中，设置智能显示模块，所述智能显示模块包括显示控制主板和无线系统主板，所述显示控制主板用于控制显示设备，所述无线系统主板用于与移动终端进行无线通信，所述显示控制主板连接无线系统主板，所述无线系统主板包括系统监听服务和输入驱动，所述系统监听服务用于监听无线输入设备的连接状态，所述输入驱动用于获取无线输入设备的输入事件。
作为本发明进一步的实施例，所述基于节点和线段的模型包括随机方向移动模型、高斯马尔可夫移动模型和追逐移动模型，所述随机方向移动模型的运动方向满足以下概率公式，所述概率公式为：
Figure SMS_1
(1)
式（1）中，
Figure SMS_2
运动方向，/>
Figure SMS_3
为角度上限，/>
Figure SMS_4
为角度下限；
所述高斯马尔可夫移动模型每隔一段时间根据当前的运动方向和速度更新一次节点的运动参数，所述运动参数包括位置、速度和方向，所述速度值为：
Figure SMS_5
(2)
所述反向值为：
Figure SMS_6
(3)
所述位置为：
Figure SMS_7
(4)
Figure SMS_8
(5)
式（2）-（5）中，
Figure SMS_10
，/>
Figure SMS_12
表示节点在第n个Step的速度和方向，/>
Figure SMS_15
，/>
Figure SMS_11
表示速度和方向的平均值，/>
Figure SMS_14
，/>
Figure SMS_16
为高斯分布随机变量，/>
Figure SMS_17
为运动随机性，/>
Figure SMS_9
，/>
Figure SMS_13
为上一刻节点位置；
所述追逐移动模型为特定移动节点追逐特定目标，所述追逐移动模型根据节点当前位置、随机向量、加速函数结合起来计算节点的下一个位置，所述推算公式为：
Figure SMS_18
(6)
式（6）中，
Figure SMS_19
为移动量，/>
Figure SMS_20
为随机向量。
作为本发明进一步的实施例，所述距离计算模块采用基于欧几里得距离、曼哈顿距离和最短路径距离的混合距离公式，所述混合距离公式为：
Figure SMS_21
(7)
式（7）中，
Figure SMS_22
，/>
Figure SMS_23
为第i维点的位置，p=1为曼哈顿距离，p=2为欧几里得距离。
作为本发明进一步的实施例，所述感知模块根据Dempster-Shafer组合规则：
Figure SMS_24
(8)
根据冲突类型改变状态，所述冲突函数为；
Figure SMS_25
from F to O (9)
Figure SMS_26
from O to F (10)
Figure SMS_27
(11)
式（8）-(11)中，
Figure SMS_28
为在时间t的地图网格质量函数，/>
Figure SMS_29
为在时间t的扫描网格的质量函数，/>
Figure SMS_30
为新的度量；
所述轨迹生成模块采用几何规避法，所述避免轨迹函数为：
Figure SMS_31
(12)
式（12）中，
Figure SMS_32
和 />
Figure SMS_33
椭圆的半长轴和半短轴，C为平滑度。
作为本发明进一步的实施例，所述控制模块为由前馈耦合到鲁棒状态反馈的横向导航控制器，所述横向导航控制器的跟踪误差模型为：
Figure SMS_34
(13)
Figure SMS_35
(14)
式（13）-（14）中，
Figure SMS_37
为状态向量，/>
Figure SMS_39
为转角，/>
Figure SMS_41
为扰动项，/>
Figure SMS_38
，/>
Figure SMS_40
，/>
Figure SMS_42
为矩阵, />
Figure SMS_43
为前馈反馈增益，/>
Figure SMS_36
为鲁棒反馈增益。
作为本发明进一步的实施例，所述基于自适应蚁群算法和粒子群优化算法的混合算法，所述自适应蚁群算法根据概率公式寻找路径，所述概率公式为：
Figure SMS_44
（15）
式（15）中，
Figure SMS_45
为第k个蚂蚁在路径(i,j)概率，/>
Figure SMS_46
为t时刻路径(i,j)信息素，
Figure SMS_47
为t时刻路径(i,j)启发式因子，/>
Figure SMS_48
为蚂蚁k下一步被允许访问的城市集合，s为允许访问的城市集合元素，/>
Figure SMS_49
，/>
Figure SMS_50
为迭代因子；
蚂蚁在经过的路径释放信息素，所述信息素更新公式为：
Figure SMS_51
（16）
式（16）中，
Figure SMS_52
为挥发程度，/>
Figure SMS_53
为路径(i,j)信息素浓度, />
Figure SMS_54
为连续收敛次数,
Figure SMS_55
为最大信息素浓度，t为时间；
所述粒子群优化算法模型为：
Figure SMS_56
(17)
Figure SMS_57
（18）
式（17）-（18）中，
Figure SMS_58
为自身速度，/>
Figure SMS_59
为个体经历过的最好位置，/>
Figure SMS_60
为种群经历的最好位置，/>
Figure SMS_61
为修正系数，/>
Figure SMS_62
为上一刻位置，/>
Figure SMS_63
为速度矢量。
作为本发明进一步的实施例，所述控制器包含FPGA+DSP处理模块，所述DSP处理模块为ATMega328型号的采集芯片，所述DSP处理模块集成14路GPIO接口、6路PWM接口、12位ADC接口、UART串口、1路SPI接口和1路I2C接口，FPGA处理模块为ARTIX-7系列XC7A100T-2FGG484I芯片。
作为本发明进一步的实施例，所述最短路径算法为基于Dijkstra算法和A*算法的混合算法，所述混合算法工作方法：对于图中所有节点到起始节点的距离初始化为无穷大，将起始节点到自身的距离初始化为0且加入开放列表，从开放列表中选择值最小的节点作为当前节点，并将其移出开放列表，加入关闭列表，当前节点是目标节点，从未标记且距离目标节点最近的节点开始搜索，对于当前节点的每个相邻节点，忽略在关闭列表中的相邻节点，计算不在开放列表的相邻节点已经走过的距离值和启发函数值，并加入开放列表，已经在开放列表中的相邻节点，则比较从当前路径到达相邻节点时所需代价和之前计算得到的代价哪个更小，则更新相邻节点的父指针为当前节点，更新已经走过的距离值和启发函数值，开放列表为空表示无解，找到目标回溯每个节点的父指针，得到从起始节点到目标节点的最短路径，搜索结束，返回路径，在所有顶点都被标记后，某个顶点的仍为无穷大，则表示该节点不可达。
积极有益效果：
通过路径优化模块采用基于自适应蚁群算法和粒子群优化算法的混合算法实现路径最优解，通过距离计算模块采用基于欧几里得距离、曼哈顿距离和最短路径距离的混合距离公式计算路径，采用基于Dijkstra算法和A*算法的混合算法计算最优路径，不仅缩短了搜索时间，提高了搜索效率，还有效满足了人们在实际应用中的需要。
附图说明
为了更清楚地说明本发明实施例或现有系统中的系统方案，下面将对实施例或现有系统描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通系统人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，其中，
图1为本发明流程图。
具体实施方式
下面将结合本文实施例中的附图，对本文实施例中的系统方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本文一部分实施例，而不是全部的实施例。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和系统的描述，以避免不必要地混淆本发明的概念。
如图1所示，一种基于地理空间的最佳距离自动寻路计算方法，包括如下步骤，
步骤1、地理位置周边信息POI获取地理空间，地理空间信息至少包括地图、道路网络和地理位置周边信息POI；
在本步骤中，通过高分辨率测绘遥感卫星平台、卫星导航定位系统、无人机数码航摄系统和机载三维激光扫描系统获取地理空间信息，所述高分辨率测绘遥感卫星平台包括光学立体测图卫星、重力卫星和干涉雷达卫星，通过多种卫星的组合获取完善的地理信息，所述卫星导航定位系统包括北斗定位系统和全球导航卫星GNSS系统，所述无人机数码航摄系统包括像片的内方位元素和外方位元素、像点同地面点的坐标关系式、共线条件方程、像对的相对定向、模型的绝对定向和立体观测原理，所述机载三维激光扫描系统包括空中测量平台、激光系统、全球定位系统、惯导系统和小幅面数码相机；
步骤2、将道路网络转化为图形结构，便于进行路径计算；
在本步骤中，采用地面移动测量系统进行地理空间模型构建，所述地面移动测量系统包括车载移动测量系统、舰载移动测量系统和便携式移动测量系统，所述地面移动测量系统通过先进传感器在移动中收集周围地理测绘信息，采用基于节点和线段的模型将所述地理测绘信息形成三维地理空间模型，并在三维地理空间模型标注相关测绘信息；
步骤3、根据地理坐标和道路网络，计算两点之间的距离；
在本步骤中，设置数据处理模块，所述数据处理模块包括距离计算模块、数据分类模块和数据清洗模块，所述距离计算模块连接数据分类模块，所述数据分类模块连接数据清洗模块，所述数据清洗模块包括遗漏数据处理子模块和噪声数据处理子模块，所述遗漏数据子处理模块用于填补数据残缺的部分，所述噪声数据处理子模块用于修正数据的异常部分；
步骤4、根据起点和终点，利用最短路径算法计算出最佳路径；
在本步骤中，设置路径规划模块，所述路径规划模块包括感知模块、轨迹生成模块和控制模块，所述控制模块包含纵向控制器和横向控制器，所述感知模块连接轨迹生成模块，所述轨迹生成模块连接控制模块；
步骤5、对于复杂的道路网络和多个地理位置周边信息POI，采用路径优化算法寻找更优的路径；
在本步骤中，设置路径优化模块，所述路径优化模块采用基于自适应蚁群算法和粒子群优化算法的混合算法实现效果；
步骤6、将计算结果可视化展示在地图上，包括起点、终点、路径线路和地理位置周边信息POI；
在本步骤中，设置智能显示模块，所述智能显示模块包括显示控制主板和无线系统主板，所述显示控制主板用于控制显示设备，所述无线系统主板用于与移动终端进行无线通信，所述显示控制主板连接无线系统主板，所述无线系统主板包括系统监听服务和输入驱动，所述系统监听服务用于监听无线输入设备的连接状态，所述输入驱动用于获取无线输入设备的输入事件。
进一步地，所述基于节点和线段的模型包括随机方向移动模型、高斯马尔可夫移动模型和追逐移动模型，所述随机方向移动模型的运动方向满足以下概率公式，所述概率公式为：
Figure SMS_64
(1)
式（1）中，
Figure SMS_65
运动方向，/>
Figure SMS_66
为角度上限，/>
Figure SMS_67
为角度下限；
所述高斯马尔可夫移动模型每隔一段时间根据当前的运动方向和速度更新一次节点的运动参数，所述运动参数包括位置、速度和方向，所述速度值为：
Figure SMS_68
(2)
所述反向值为：
Figure SMS_69
(3)
所述位置为：
Figure SMS_70
(4)
Figure SMS_71
(5)
式（2）-（5）中，
Figure SMS_72
，/>
Figure SMS_76
表示节点在第n个Step的速度和方向，/>
Figure SMS_79
，/>
Figure SMS_73
表示速度和方向的平均值，/>
Figure SMS_75
，/>
Figure SMS_78
为高斯分布随机变量，/>
Figure SMS_80
为运动随机性，/>
Figure SMS_74
，/>
Figure SMS_77
为上一刻节点位置；
所述追逐移动模型为特定移动节点追逐特定目标，所述追逐移动模型根据节点当前位置、随机向量、加速函数结合起来计算节点的下一个位置，所述推算公式为：
Figure SMS_81
(6)
式（6）中，
Figure SMS_82
为移动量，/>
Figure SMS_83
为随机向量，
所述基于点和线段的移动模型的工作原理为：轴线模型是轴线分析法最基本且最早被提出来的分析方法。在建立轴线图模型时,规则是保持凸空间的连接关系不变，用最长且最少的轴线穿过所有的凸空间，线段分析是基于轴线分析的深化,是针对轴线模型应用于城市设计过程中缺少空间尺度而进行的改进。线段模型将轴线模型中两两交叉点之间的部分作为一个线段元素,是轴线模型的碎片化表达,线段模型将米制距离和线元素之间的角度变化考虑进来。
进一步地，所述距离计算模块采用基于欧几里得距离、曼哈顿距离和最短路径距离的混合距离公式，所述混合距离公式为：
Figure SMS_84
(7)
式（7）中，
Figure SMS_85
，/>
Figure SMS_86
为第i维点的位置，p=1为曼哈顿距离，p=2为欧几里得距离。
进一步地，所述感知模块根据Dempster-Shafer组合规则：
Figure SMS_87
(8)
根据冲突类型改变状态，所述冲突函数为；
Figure SMS_88
from F to O (9)
Figure SMS_89
from O to F (10)
Figure SMS_90
(11)
式（8）-(11)中，
Figure SMS_91
为在时间t的地图网格质量函数，/>
Figure SMS_92
为在时间t的扫描网格的质量函数，/>
Figure SMS_93
为新的度量；
所述轨迹生成模块采用几何规避法，所述避免轨迹函数为：
Figure SMS_94
(12)
式（12）中，
Figure SMS_95
和 />
Figure SMS_96
椭圆的半长轴和半短轴，C为平滑度。
进一步地，所述控制模块为由前馈耦合到鲁棒状态反馈的横向导航控制器，所述横向导航控制器的跟踪误差模型为：
Figure SMS_97
(13)
Figure SMS_98
(14)
式（13）-（14）中，
Figure SMS_100
为状态向量，/>
Figure SMS_103
为转角，/>
Figure SMS_105
为扰动项，/>
Figure SMS_101
，/>
Figure SMS_102
，/>
Figure SMS_104
为矩阵, />
Figure SMS_106
为前馈反馈增益，/>
Figure SMS_99
为鲁棒反馈增益。
所述路径规划模块的工作原理为：所述感知模块是指传感器从环境中收集信息并从中提取相关知识的能力。其中，环境感知特指对于环境的场景理解能力，例如障碍物的位置，道路标志、标记的检测，行人车辆的检测等数据的语义分类。 而定位是指相对于环境的位置，车辆需要根据传感器得到的数据直到自己此时此刻位于地图的哪个位置，因此认为定位也是感知的一部分。所述轨迹生成模块是系统为了某一目标而做出一些有目的性的决策的过程，对于车辆而言，这个目标通常是指从出发地到达目的地，同时避免障碍物，并且不断优化驾驶轨迹和行为以保证乘客的安全舒适。规划层通常又被细分为任务规划，行为规划和动作规划三层。所述控制模块包括如何控制系统，给出精准的命令和指令使得车辆准确地按照规划好的路线行进的能力。
进一步地，所述基于自适应蚁群算法和粒子群优化算法的混合算法，所述自适应蚁群算法根据概率公式寻找路径，所述概率公式为：
Figure SMS_107
（15）
式（15）中，
Figure SMS_108
为第k个蚂蚁在路径(i,j)概率，/>
Figure SMS_109
为t时刻路径(i,j)信息素，
Figure SMS_110
为t时刻路径(i,j)启发式因子，/>
Figure SMS_111
为蚂蚁k下一步被允许访问的城市集合，s为允许访问的城市集合元素，/>
Figure SMS_112
，/>
Figure SMS_113
为迭代因子；
蚂蚁在经过的路径释放信息素，所述信息素更新公式为：
Figure SMS_114
（16）
式（16）中，
Figure SMS_115
为挥发程度，/>
Figure SMS_116
为路径(i,j)信息素浓度, />
Figure SMS_117
为连续收敛次数,
Figure SMS_118
为最大信息素浓度，t为时间；
所述粒子群优化算法模型为：
Figure SMS_119
(17)
Figure SMS_120
（18）
式（17）-（18）中，
Figure SMS_121
为自身速度，/>
Figure SMS_122
为个体经历过的最好位置，/>
Figure SMS_123
为种群经历的最好位置，/>
Figure SMS_124
为修正系数，/>
Figure SMS_125
为上一刻位置，/>
Figure SMS_126
为速度矢量，
所述自适应蚁群算法的原理为：蚁群算法在构造解的过程中，利用随机选择策略，这种选择策略使得进化速度较慢，正反馈原理旨在强化性能较好的解，却容易出现停滞现象；在选择策略方面采用确定性选择和随机选择相结合的选择策略，并且在搜索过程中动态的调整确定性选择的概率；当进化到一定代数后，进化方向已经基本确定，这时对路径上信息量做动态调整；
所述粒子群优化算法的原理为：首先初始化粒子群体随机位置和速度，然后评价粒子的适应度，然后找到历史最佳位置，再然后找到群体最佳位置，最后更新位置和速度；将两者结合在一起可以加快算法收敛速度，跳出局部最优解。
进一步地，所述控制器包含FPGA+DSP处理模块，所述DSP处理模块为ATMega328型号的采集芯片，所述DSP处理模块集成14路GPIO接口、6路PWM接口、12位ADC接口、UART串口、1路SPI接口和1路I2C接口，FPGA处理模块为ARTIX-7系列XC7A100T-2FGG484I芯片，
所述控制模块的工作原理为：所述感知模块将收集的数据发送到所述控制模块进行处理，所述控制模块将处理后的数据传输到所述轨迹生成模块，所述轨迹生成模块将获取的数据进行轨迹划分和重现，所述控制模块通过纵横向控制器拟定最佳线路。
进一步地，所述最短路径算法为基于Dijkstra算法和A*算法的混合算法，所述混合算法工作方法：对于图中所有节点到起始节点的距离初始化为无穷大，将起始节点到自身的距离初始化为0且加入开放列表，从开放列表中选择值最小的节点作为当前节点，并将其移出开放列表，加入关闭列表，当前节点是目标节点，从未标记且距离目标节点最近的节点开始搜索，对于当前节点的每个相邻节点，忽略在关闭列表中的相邻节点，计算不在开放列表的相邻节点已经走过的距离值和启发函数值，并加入开放列表，已经在开放列表中的相邻节点，则比较从当前路径到达相邻节点时所需代价和之前计算得到的代价哪个更小，则更新相邻节点的父指针为当前节点，更新已经走过的距离值和启发函数值，开放列表为空表示无解，找到目标回溯每个节点的父指针，得到从起始节点到目标节点的最短路径，搜索结束，返回路径，在所有顶点都被标记后，某个顶点的仍为无穷大，则表示该节点不可达，
所述混合算法原理为：基于贪心策略，每次选择当前距离起点最近的未访问节点，并更新与该节点相邻的所有节点的距离值f(n)，并选择具有最小f(n)值的节点进行扩展。在搜索过程中，混合算法维护一个开放列表和一个关闭列表。开始时，只有起点在开放列表中。然后，在每次迭代中，选择开放列表中具有最小f(n)值的节点进行扩展，并将其移动到关闭列表中。对于每个被扩展的节点n，混合算法会检查它是否为目标节点。如果是，则搜索结束；否则，对于所有与n相邻且未被访问过的节点m，计算g(m)和h(m)，并将m添加到开放列表中。通过不断重复这个过程，直到到达终点或者所有可达节点都已经被访问过为止。
虽然以上描述了本发明的具体实施方式，但是本领域的系统人员应当理解，这些具体实施方式仅是举例说明，本领域的系统人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。

Claims (6)

1.一种基于地理空间的最佳距离自动寻路计算方法，其特征在于：包括如下步骤：
步骤1、获取地理空间信息，地理空间信息至少包括地图、道路网络和地理位置周边信息POI；
在本步骤中，通过高分辨率测绘遥感卫星平台、卫星导航定位系统、无人机数码航摄系统和机载三维激光扫描系统获取地理空间信息，所述高分辨率测绘遥感卫星平台包括光学立体测图卫星、重力卫星和干涉雷达卫星，通过多种卫星的组合获取完善的地理信息，所述卫星导航定位系统包括北斗定位系统和全球导航卫星GNSS系统，所述无人机数码航摄系统包括像片的内方位元素和外方位元素、像点同地面点的坐标关系式、共线条件方程、像对的相对定向、模型的绝对定向和立体观测原理，所述机载三维激光扫描系统包括空中测量平台、激光系统、全球定位系统、惯导系统和小幅面数码相机；
步骤2、将道路网络转化为图形结构，便于进行路径计算；
在本步骤中，采用地面移动测量系统进行地理空间模型构建，所述地面移动测量系统包括车载移动测量系统、舰载移动测量系统和便携式移动测量系统，所述地面移动测量系统通过先进传感器在移动中收集周围地理测绘信息，采用基于节点和线段的模型将所述地理测绘信息形成三维地理空间模型，并在三维地理空间模型标注相关测绘信息；
步骤3、根据地理坐标和道路网络，计算两点之间的距离；
在本步骤中，设置数据处理模块，所述数据处理模块包括距离计算模块、数据分类模块和数据清洗模块，所述距离计算模块连接数据分类模块，所述数据分类模块连接数据清洗模块，所述数据清洗模块包括遗漏数据处理子模块和噪声数据处理子模块，所述遗漏数据处理子模块用于填补数据残缺的部分，所述噪声数据处理子模块用于修正数据的异常部分；
步骤4、根据起点和终点，利用最短路径算法计算出最佳路径；
在本步骤中，设置路径规划模块，所述路径规划模块包括感知模块、轨迹生成模块和控制模块，所述控制模块包含纵向控制器和横向控制器，所述感知模块连接轨迹生成模块，所述轨迹生成模块连接控制模块；
步骤5、对于复杂的道路网络和多个地理位置周边信息POI，采用路径优化算法寻找更优的路径；
在本步骤中，设置路径优化模块，所述路径优化模块采用基于自适应蚁群算法和粒子群优化算法的混合算法实现效果；
步骤6、将计算结果可视化展示在地图上，包括起点、终点、路径线路和地理位置周边信息POI；
在本步骤中，设置智能显示模块，所述智能显示模块包括显示控制主板和无线系统主板，所述显示控制主板用于控制显示设备，所述无线系统主板用于与移动终端进行无线通信，所述显示控制主板连接无线系统主板，所述无线系统主板包括系统监听服务和输入驱动，所述系统监听服务用于监听无线输入设备的连接状态，所述输入驱动用于获取无线输入设备的输入事件；其中所述基于节点和线段的模型包括随机方向移动模型、高斯马尔可夫移动模型和追逐移动模型，所述随机方向移动模型的运动方向满足以下概率公式，所述概率公式为：
Figure QLYQS_1
(1)
式（1）中，
Figure QLYQS_2
运动方向，/>
Figure QLYQS_3
为角度上限，/>
Figure QLYQS_4
为角度下限；
所述高斯马尔可夫移动模型每隔一段时间根据当前的运动方向和速度更新一次节点的运动参数，所述运动参数包括位置、速度和方向；
所述速度值为：
Figure QLYQS_5
(2)
方向值为：
Figure QLYQS_6
(3)
所述位置为：
Figure QLYQS_7
(4)
Figure QLYQS_8
(5)
式（2）-（5）中，
Figure QLYQS_11
，/>
Figure QLYQS_13
表示节点在第n个Step的速度和方向，/>
Figure QLYQS_16
，/>
Figure QLYQS_10
表示速度和方向的平均值，/>
Figure QLYQS_12
，/>
Figure QLYQS_15
为高斯分布随机变量，/>
Figure QLYQS_17
为运动随机性，/>
Figure QLYQS_9
，/>
Figure QLYQS_14
为上一刻节点位置；
所述追逐移动模型为特定移动节点追逐特定目标，所述追逐移动模型根据节点当前位置、随机向量、加速函数结合起来计算节点的下一个位置，推算公式为：
Figure QLYQS_18
(6)
式（6）中，
Figure QLYQS_19
为移动量，/>
Figure QLYQS_20
为随机向量；
所述基于自适应蚁群算法和粒子群优化算法的混合算法，所述自适应蚁群算法根据概率公式寻找路径，所述概率公式为：
Figure QLYQS_21
（7）
式（7）中，
Figure QLYQS_22
为第k个蚂蚁在路径(i,j)概率，/>
Figure QLYQS_23
为t时刻路径(i,j)信息素，/>
Figure QLYQS_24
为t时刻路径(i,j)启发式因子，/>
Figure QLYQS_25
为蚂蚁k下一步被允许访问的城市集合，s为允许访问的城市集合元素，/>
Figure QLYQS_26
，/>
Figure QLYQS_27
为迭代因子；
蚂蚁在经过的路径释放信息素，所述信息素更新公式为：
Figure QLYQS_28
（8）
式（8）中，
Figure QLYQS_29
为挥发程度，/>
Figure QLYQS_30
为路径(i,j)信息素浓度, />
Figure QLYQS_31
为连续收敛次数,/>
Figure QLYQS_32
为最大信息素浓度，t为时间；
所述粒子群优化算法模型为：
Figure QLYQS_33
(9)
Figure QLYQS_34
（10）
式（9）-（10）中，
Figure QLYQS_35
为自身速度，/>
Figure QLYQS_36
为个体经历过的最好位置，/>
Figure QLYQS_37
为种群经历的最好位置，/>
Figure QLYQS_38
为修正系数，/>
Figure QLYQS_39
为上一刻位置，/>
Figure QLYQS_40
为速度矢量。
2.根据权利要求1所述的一种基于地理空间的最佳距离自动寻路计算方法，其特征在于：所述距离计算模块采用基于欧几里得距离、曼哈顿距离和最短路径距离的混合距离公式，所述混合距离公式为：
Figure QLYQS_41
(11)
式（11）中，
Figure QLYQS_42
，/>
Figure QLYQS_43
为第i维点的位置，p=1为曼哈顿距离，p=2为欧几里得距离。
3.根据权利要求1所述的一种基于地理空间的最佳距离自动寻路计算方法，其特征在于：所述感知模块根据Dempster-Shafer组合规则：
Figure QLYQS_44
(12)
根据冲突类型改变状态，冲突函数为：
Figure QLYQS_45
from F to O (13)
Figure QLYQS_46
from O to F (14)
Figure QLYQS_47
(15)
式（12）-(15)中，
Figure QLYQS_48
为在时间t的地图网格质量函数，/>
Figure QLYQS_49
为在时间t-1的地图网格的质量函数，/>
Figure QLYQS_50
为新的度量；
所述轨迹生成模块采用几何规避法，避免轨迹函数为：
Figure QLYQS_51
(16)
式（16）中，
Figure QLYQS_52
和 />
Figure QLYQS_53
分别为椭圆的半长轴和半短轴，C为平滑度。
4.根据权利要求1所述的一种基于地理空间的最佳距离自动寻路计算方法，其特征在于：所述控制模块为由前馈耦合到鲁棒状态反馈的横向导航控制器，所述横向导航控制器的跟踪误差模型为：
Figure QLYQS_54
(17)
Figure QLYQS_55
(18)
式（17）-（18）中，
Figure QLYQS_57
为状态向量，/>
Figure QLYQS_59
为转角，/>
Figure QLYQS_62
为扰动项，/>
Figure QLYQS_58
，/>
Figure QLYQS_60
，/>
Figure QLYQS_61
为矩阵, />
Figure QLYQS_63
为前馈反馈增益，/>
Figure QLYQS_56
为鲁棒反馈增益。
5.根据权利要求1所述的一种基于地理空间的最佳距离自动寻路计算方法，其特征在于：所述控制模块包含FPGA+DSP处理模块，所述DSP处理模块为ATMega328型号的采集芯片，所述DSP处理模块集成14路GPIO接口、6路PWM接口、12位ADC接口、UART串口、1路SPI接口和1路I2C接口，FPGA处理模块为ARTIX-7系列XC7A100T-2FGG484I芯片。
6.根据权利要求1所述的一种基于地理空间的最佳距离自动寻路计算方法，其特征在于：所述最短路径算法为基于Dijkstra算法和A*算法的混合算法，所述混合算法工作方法：
对于图中所有节点到起始节点的距离初始化为无穷大，将起始节点到自身的距离初始化为0，且加入开放列表，从开放列表中选择值最小的节点作为当前节点，并将其移出开放列表，加入关闭列表，当前节点是目标节点，从未标记且距离目标节点最近的节点开始搜索，对于当前节点的每个相邻节点，忽略在关闭列表中的相邻节点，计算不在开放列表的相邻节点已经走过的距离值和启发函数值，并加入开放列表，已经在开放列表中的相邻节点，则比较从当前路径到达相邻节点时所需代价和之前计算得到的代价哪个更小，则更新相邻节点的父指针为当前节点，更新已经走过的距离值和启发函数值，开放列表为空表示无解，找到目标回溯每个节点的父指针，得到从起始节点到目标节点的最短路径，搜索结束，返回路径，在所有顶点都被标记后，某个顶点的仍为无穷大，则表示该节点不可达。
CN202310422663.1A 2023-04-20 2023-04-20 基于地理空间的最佳距离自动寻路计算方法 Active CN116147636B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310422663.1A CN116147636B (zh) 2023-04-20 2023-04-20 基于地理空间的最佳距离自动寻路计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310422663.1A CN116147636B (zh) 2023-04-20 2023-04-20 基于地理空间的最佳距离自动寻路计算方法

Publications (2)

Publication Number Publication Date
CN116147636A CN116147636A (zh) 2023-05-23
CN116147636B true CN116147636B (zh) 2023-07-07

Family

ID=86362180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310422663.1A Active CN116147636B (zh) 2023-04-20 2023-04-20 基于地理空间的最佳距离自动寻路计算方法

Country Status (1)

Country Link
CN (1) CN116147636B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105911992B (zh) * 2016-06-14 2019-02-22 广东技术师范学院 一种移动机器人的自动规划路径方法及移动机器人
RU2691679C1 (ru) * 2018-02-15 2019-06-17 Андрей Владимирович ВАВИЛИН Способ создания трека пути движения для автономного движения подвижного объекта и способ осуществления автономного движения подвижного объекта по треку пути движения
CN113778090A (zh) * 2021-09-13 2021-12-10 上海电机学院 基于蚁群优化和prm算法的移动机器人路径规划方法
CN114964261A (zh) * 2022-05-20 2022-08-30 江南大学 基于改进蚁群算法的移动机器人路径规划方法
CN115481207A (zh) * 2022-07-28 2022-12-16 东南大学 基于浮动车卫星定位数据的轨迹重构方法

Also Published As

Publication number Publication date
CN116147636A (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
US11163319B2 (en) Link level wind factor computation for efficient drone routing using 3D city map data
Khan et al. A comparative survey of lidar-slam and lidar based sensor technologies
US20240118705A1 (en) Flight path determination
CN108225302B (zh) 一种石化工厂巡检机器人定位系统和方法
US10970542B2 (en) Scalable three dimensional object segmentation
US11215630B2 (en) Airflow modeling from aerial vehicle pose
Vidal et al. Pursuit-evasion games with unmanned ground and aerial vehicles
US11217104B2 (en) Airflow modeling for route optimization
EP3855276A1 (en) Multi-sensor environmental mapping
Levine et al. Information-rich path planning with general constraints using rapidly-exploring random trees
CN106197406A (zh) 一种基于惯性导航和rssi无线定位的融合方法
CN113405560B (zh) 车辆定位和路径规划统一建模方法
CN110456785A (zh) 一种基于履带机器人的室内自主探索方法
CN113433937A (zh) 基于启发式探索的分层导航避障系统、分层导航避障方法
CN113741503A (zh) 一种自主定位式无人机及其室内路径自主规划方法
CN117406771B (zh) 一种基于四旋翼无人机的高效自主探索方法、系统及设备
CN116147636B (zh) 基于地理空间的最佳距离自动寻路计算方法
Gao Autonomous soaring and surveillance in wind fields with an unmanned aerial vehicle
Suleymanoglu et al. Monitoring the Environment in Smart Cities: The Importance of Geospatial Location Referencing
Feng et al. UAV trajectory design for obstacle avoidance based on cell-varying jps in smart cities
Hao et al. A method for indoor and outdoor collaborative localization and mapping based on multi-sensors unmanned platforms
Sun et al. GLANS: GIS based large-scale autonomous navigation system
Shahkar et al. Optimization of localization error in multi-agent systems through cooperative positioning: Autonomous navigation in partially denied GNSS environments
CN117289294B (zh) 一种基于多分辨率贝叶斯网格的融合定位方法
WO2020217714A1 (ja) 推定システム、推定装置、推定方法及びコンピュータプログラム

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