CN116164753B - 矿山无人车路径导航方法和装置、计算机设备和存储介质 - Google Patents
矿山无人车路径导航方法和装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116164753B CN116164753B CN202310412906.3A CN202310412906A CN116164753B CN 116164753 B CN116164753 B CN 116164753B CN 202310412906 A CN202310412906 A CN 202310412906A CN 116164753 B CN116164753 B CN 116164753B
- Authority
- CN
- China
- Prior art keywords
- path
- paths
- current iteration
- algorithm
- iteration
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 205
- 238000005457 optimization Methods 0.000 claims abstract description 104
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 239000002245 particle Substances 0.000 claims description 223
- 230000001133 acceleration Effects 0.000 claims description 56
- 230000006870 function Effects 0.000 claims description 51
- 230000008859 change Effects 0.000 claims description 11
- 230000003247 decreasing effect Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 20
- 230000003044 adaptive effect Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000002028 premature Effects 0.000 description 3
- 239000003245 coal Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 208000011597 CGF1 Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004039 social cognition Effects 0.000 description 1
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
- 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]
-
- 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)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本公开涉及一种矿山无人车路径导航方法和装置、计算机设备和存储介质。该矿山无人车路径导航方法包括：根据起点信息和终点信息，在代价地图上生成多条初始路径；根据每条初始路径经过的所有栅格的代价值之和，确定该初始路径的路径代价值；采用融合路径优化算法对多条初始路径进行优化，将路径代价值最小的优化后路径，作为无人车最优路径，其中，所述融合路径优化算法包括至少两种路径优化算法；按照所述无人车最优路径对无人车进行导航。本公开可以将多种路径优化算法相融合，从而提高了算法的全局寻优能力，提高了矿山无人车的导航精度。
Description
技术领域
本公开涉矿山无人车领域，特别涉及一种矿山无人车路径导航方法和装置、计算机设备和存储介质。
背景技术
相关技术露天矿生产作业是由矿石的采、装、运、排等一系列生产活动所组成，其中运输环节将各个生产环节有机地联系在一起，在露天矿生产成本中，运输成本约占50%-60%，科学合理的安排露天矿的生产运输路线，是建设安全、高效、合理、经济的露天矿运输系统的前提和关键所在。
发明内容
发明人通过研究发现：相关技术在煤矿运输车的路径规划问题中，采用了蚁群算法、遗传算法、模拟退火等理论，但是相关技术的路径规划方法仍存在无法适应多变的道路环境，容易陷入局部最优等技术问题。
鉴于以上技术问题中的至少一项，本公开提供了一种矿山无人车路径导航方法和装置、计算机设备和存储介质，可以将多种路径优化算法相融合，从而提高了算法的全局寻优能力。
根据本公开的一个方面，提供一种矿山无人车路径导航方法，包括：
根据起点信息和终点信息，在代价地图上生成多条初始路径；
根据每条初始路径经过的所有栅格的代价值之和，确定该初始路径的路径代价值；
采用融合路径优化算法对多条初始路径进行优化，将路径代价值最小的优化后路径，作为无人车最优路径，其中，所述融合路径优化算法包括至少两种路径优化算法；
按照所述无人车最优路径对无人车进行导航。
在本公开的一些实施例中，所述矿山无人车路径导航方法还包括：
根据采集的地图数据，生成代价地图，其中，所述代价地图为栅格地图，每个栅格的代价值是根据该栅格的地图数据自定义设定的，所述栅格的地图数据，用于判断该栅格属于障碍物区域或非障碍物区域，障碍物区域的栅格的代价值大于非障碍物区域的栅格的代价值。
在本公开的一些实施例中，所述采用融合路径优化算法对多条初始路径进行优化，将路径代价值最小的优化后路径，作为无人车最优路径包括：
在一次迭代优化中，采用所述至少两种路径优化算法的每一种路径优化算法，对当前迭代的多条路径进行优化，从优化后的多条路径中，得到至少一个目标路径；
确定多个目标路径中，路径代价值最小的路径；
判断当前迭代是否满足迭代终止条件；
若满足迭代终止条件，则将路径代价值最小的路径作为无人车最优路径。
在本公开的一些实施例中，所述采用融合路径优化算法对所述多条路径进行优化，将路径代价值最小的路径，作为无人车最优路径还包括：
若不满足迭代终止条件，则将优化后的多条路径作为下一次迭代的多条路径，进行下一次迭代，重复执行用所述至少两种路径优化算法的每一种路径优化算法，对当前迭代的多条路径进行优化，从优化后的多条路径中，得到至少一个目标路径，确定多个目标路径中，路径代价值最小的路径，以及判断当前迭代是否满足迭代终止条件的步骤。
在本公开的一些实施例中，所述迭代终止条件为达到了最大迭代次数条件或适应度值变化率等于1，其中，适应度值根据路径代价值确定，适应度值变化率为上次迭代的适应度值和当前迭代的适应度值的比值。
在本公开的一些实施例中，所述路径优化算法包括改进粒子群算法和白鹭算法中的至少一种；
所述采用所述至少两种路径优化算法的每一种路径优化算法，对当前迭代的多条路径进行优化包括以下步骤中的至少一个步骤，其中：
采用改进粒子群算法对当前迭代的多条路径进行优化，其中，当前迭代的多条路径为改进粒子群算法中当前迭代的多个粒子；
采用白鹭算法对当前迭代的多条路径进行优化，其中，当前迭代的多条路径为白鹭算法中当前迭代的多个白鹭。
在本公开的一些实施例中，所述采用改进粒子群算法对当前迭代的多条路径进行优化包括：
根据当前迭代的适应度值和上次迭代的适应度值，确定当前迭代粒子群中每一粒子是否更新成功；
根据当前迭代粒子群中每一粒子是否更新成功，确定当前迭代粒子群的更新成功率；
根据当前迭代粒子群的更新成功率对速度更新函数的惯性权重、第一加速度系数和第二加速度系数进行自适应调整，其中，所述速度更新函数包括速度迭代部分、单个粒子的代价值最小路径部分和粒子群的代价值最小路径部分，第一加速度系数为单个粒子的代价值最小路径部分的加速度系数，第二加速度系数为粒子群的代价值最小路径部分的加速度系数；
按照速度更新函数和位置更新函数对多条路径的速度和位置进行更新。
在本公开的一些实施例中，所述根据当前迭代粒子群的更新成功率对速度更新函数的惯性权重进行自适应调整包括：
根据当前迭代粒子群的更新成功率，对速度更新函数的惯性权重按照迭代阶段进行非线性递减的控制，其中，迭代前期的惯性权重大于迭代后期的惯性权重。
在本公开的一些实施例中，所述根据当前迭代粒子群的更新成功率对速度更新函数的第一加速度系数和第二加速度系数进行自适应调整包括：
根据当前迭代粒子群的更新成功率，确定当前迭代粒子群的状态；
根据当前迭代粒子群的状态，对速度更新函数的第一加速度系数和第二加速度系数进行自适应调整；
对第一加速度系数和第二加速度系数进行归一化处理。
在本公开的一些实施例中，所述采用改进粒子群算法对当前迭代的多条路径进行优化还包括：
确定当前迭代粒子群的适应度标准差；
根据当前迭代粒子群的更新成功率和适应度标准差，确定扰动值；
根据所述扰动值、精英学习效率和高斯分布均值，对全局最优路径进行优化。
在本公开的一些实施例中，所述采用白鹭算法对当前迭代的多条路径进行优化包括：
采用白鹭坐等策略对当前迭代的多条路径进行更新，获得第一路径；
采用白鹭随机搜索策略对当前迭代的多条路径进行更新，获得第二路径；
采用白鹭逐步包围策略对当前迭代的多条路径进行更新，获得第三路径。
在本公开的一些实施例中，在路径优化算法包括改进粒子群算法和白鹭算法的情况下，所述目标路径包括第一路径、第二路径、第三路径、改进粒子群算法每一次迭代得到的局部代价值最小路径和全局代价值最小路径。
在本公开的一些实施例中，所述无人车为无人矿卡，所述无人车路径为无人矿卡的矿山路径。
根据本公开的另一方面，提供一种矿山无人车路径导航装置，包括：
路径初始化模块，被配置为根据起点信息和终点信息，在代价地图上生成多条初始路径；
路径代价确定模块，被配置为根据每条初始路径经过的所有栅格的代价值之和，确定该初始路径的路径代价值；
路径优化模块，被配置为采用融合路径优化算法对多条初始路径进行优化，将路径代价值最小的优化后路径，作为无人车最优路径，其中，所述融合路径优化算法包括至少两种路径优化算法；按照所述无人车最优路径对无人车进行导航。
根据本公开的另一方面，提供一种计算机设备，包括：
存储器，被配置为存储指令；
处理器，被配置为执行所述指令，使得所述计算机设备执行实现如上述任一实施例所述的矿山无人车路径导航方法的操作。
根据本公开的另一方面，提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如上述任一实施例所述的矿山无人车路径导航方法。
本公开可以将多种路径优化算法相融合，从而提高了算法的全局寻优能力，提高了矿山无人车的导航精度。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术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公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本公开矿山无人车路径导航方法一些实施例的示意图。
图2为本公开矿山无人车路径导航方法另一些实施例的示意图。
图3为本公开一些实施例中代价地图的示意图。
图4本公开矿山无人车路径导航方法另一些实施例的示意图。
图5本公开矿山无人车路径导航方法又一些实施例的示意图。
图6为本公开矿山无人车路径导航装置一些实施例的示意图。
图7为本公开计算机设备一些实施例的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
发明人通过研究还发现：相关技术在煤矿运输车的路径规划问题中，采用了蚁群算法、遗传算法、模拟退火等理论，但是相关技术的路径规划方法仍存在无法适应多变的道路环境、容易陷入局部最优、路径规划时间较长等技术问题。相关技术还存在对环境的适应能力变差，容易丧失种群多样性的技术问题，导致相关技术算法应用场景局限，不容易应用于实际工程。
图1为本公开矿山无人车路径导航方法一些实施例的示意图。优选的，图1实施例可由本公开矿山无人车路径导航装置或本公开计算机设备执行。如图1所示，本公开矿山无人车路径导航方法可以包括步骤11至步骤14中的至少一个步骤。
步骤11，根据起点信息和终点信息，在代价地图上生成多条初始路径。
步骤12，根据每条初始路径经过的所有栅格的代价值之和，确定该初始路径的路径代价值。
步骤13，采用融合路径优化算法对多条初始路径进行优化，将路径代价值最小的优化后路径，作为无人车最优路径，其中，所述融合路径优化算法包括至少两种路径优化算法。
步骤14，按照所述无人车最优路径对无人车进行导航。
本公开上述实施例可以采用多种优化算法的融合，进行路径优化，从而提高了算法的全局寻优能力，提高了矿山无人车的导航精度。
图2为本公开矿山无人车路径导航方法另一些实施例的示意图。优选的，图2实施例可由本公开矿山无人车路径导航装置或本公开计算机设备执行。如图2所示，本公开矿山无人车路径导航方法可以包括步骤10至步骤13中的至少一个步骤，图2实施例的步骤11至步骤14与图1实施例的步骤11至步骤14相同或类似。
步骤10，根据采集的地图数据，生成代价地图，其中，所述代价地图为栅格地图，每个栅格的代价值是根据该栅格的地图数据自定义设定的，所述栅格的地图数据，用于判断该栅格属于障碍物区域或非障碍物区域，障碍物区域的栅格的代价值大于非障碍物区域的栅格的代价值。
在本公开的一些实施例中，所述无人车为无人矿卡，所述无人车路径为无人矿卡的矿山路径。
在本公开的一些实施例中，步骤10可以包括：构建无人矿卡运输车的工作环境模型，使用栅格法来表述矿山的环境地图信息。
在本公开的一些实施例中，步骤10可以包括步骤101至步骤103中的至少一个步骤。
步骤101，将无人矿卡实际工作环境地图进行二维化处理，将此2D地图划分成若干大小相等的正方形，对每个栅格进行标号，并利用直角坐标法对每个方格进行标识。
步骤102，规定每个栅格方块的长度，对所处环境进行适当的表述，地图栅格分割的越密集代表地图越接近实际环境，栅格地图每个方格都有唯一的序列号及对应位置坐标。
图3为本公开一些实施例中代价地图的示意图。如图3所示，以地图左下角设置为坐标原点(0,0)。将图中的(0.5,0.5)点设置为第0个网格，点(49.5,49.5)设置为第2499个网格，网格序列号和位置坐标转换关系如下。
（1-1）
（1-2）
公式（1-1）和（1-2）中，(xi,yi)是第i个栅格在栅格地图中的坐标点，i是栅格序号，Mod()是求余函数，ceil()是正无穷舍入算子函数，Nx和Ny分别是行方向和列方向的网格数。
步骤103，设置每个方格的代价值。每个栅格的代价值是根据该栅格的地图数据自定义设定的，所述栅格的地图数据，用于判断该栅格属于障碍物区域或非障碍物区域，障碍物区域的栅格的代价值大于非障碍物区域的栅格的代价值。
图3为利用二维栅格法构建的地图。如图3所示，起点为坐标(0.5,0.5)的点，终点为(49.5,49.5)的点，二维栅格地图的代价值（costmap）是用来表示不同区域的通行难度或危险系数的数值化值在实际应用中，代价值的设置通常根据应用场景和任务需求进行调整，以达到最优的的路径规划效果，在应用中，可通过雷达或摄像头将采集的数据转换为ROS（Robot Operating System，机器人操作系统）的消息，发布到指定的topic（主题）中，可由SLAM（Simultaneous Localization and Mapping，即时定位与地图构建）算法生成栅格地图，使用costmap_2d库，来生成全局代价地图，每个单元格都有一个代价值，构建全局代价地图后，可使用相应算法库，进行全局路径规划。
在本公开一些实施例中，步骤103可以包括：设置每个方格的代价值，空白区域（无障碍物区域）设置为50，障碍物区域设置为极值（例如10000），根据地图大小、复杂程度、设置不同的代价值。图3中，深色区域的六个条纹区域为障碍物区域，其它区域为无障碍物区域。本公开实施例障碍物边缘代价值较高，保证绕开障碍，路径规划本质是得到代价函数最小的一条路线。
在本公开一些实施例中，如图3所示，本公开设定的二维栅格图是依据矿山图片，进行灰度化处理，方格由白色到黑色。白色为可通行的区域，设置一个较低的代价值。灰色和黑色设置较高的代价值，代表障碍物。
在本公开一些实施例中，步骤10可以包括：通过雷达、摄像头等采集地图数据，利用ROS中的数据接口，转换为可用于路径规划的二维栅格地图。通过costmap_2d库加载二维栅格地图，生成全局代价地图，其中每个单元格都包含空白和障碍物的代价值。
在本公开一些实施例中，步骤10可以包括：根据雷达、摄像头等采集地图数据，直接生成costmap_2d库中的二维栅格地图，其中，所述栅格地图可以通过自定义方式进行生成修改。
在本公开一些实施例中，步骤10可以包括：将雷达、摄像头等采集地图数据，通过地图保存（Mapsave）和地图服务（Mapservice）程序，得到costmap_2d库中的二维栅格地图。
图4本公开矿山无人车路径导航方法另一些实施例的示意图。优选的，图4实施例可由本公开矿山无人车路径导航装置或本公开计算机设备执行。如图1所示，本公开矿山无人车路径导航方法（例如图1或图2实施例的步骤13）可以包括步骤131至步骤135中的至少一个步骤。
步骤131，在一次迭代优化中，采用所述至少两种路径优化算法的每一种路径优化算法，对当前迭代的多条路径进行优化，从优化后的多条路径中，得到至少一个目标路径。
在本公开的一些实施例中，所述路径优化算法包括改进粒子群算法和白鹭算法中的至少一种。
在本公开的一些实施例中，所述采用所述至少两种路径优化算法的每一种路径优化算法，对当前迭代的多条路径进行优化包括以下步骤1311和步骤1312中的至少一个步骤。
步骤1311，采用改进粒子群算法对当前迭代的多条路径进行优化，其中，当前迭代的多条路径为改进粒子群算法中当前迭代的多个粒子。
在本公开的一些实施例中，改进粒子群算法可以为改进的改进粒子群算法，在二维栅格中，群中的每一个粒子代表着一个可能的路径。具体的说，每个粒子都可以表示为一个若干个栅格坐标组成的序列，代表着起点到终点的一条路径，在算法的每个迭代中，每个粒子根据当前的位置和速度更新自己的状态，并根据自己的适应度值进行自我调整和与其他粒子（路径）交互，以搜索更优秀的路径，最优路径可以通过选择适应度值最高的粒子来进行确定。
步骤1312，采用白鹭算法对当前迭代的多条路径进行优化，其中，当前迭代的多条路径为白鹭算法中当前迭代的多个白鹭。
在本公开的一些实施例中，在白鹭算法中，每只白鹭也代表着搜索空间的一个可能的解（路径），类似于粒子群中的粒子，每只白鹭也可根据适应度值进行自我的调整和与其他白鹭交互。
步骤132，确定多个目标路径中，路径代价值最小的路径。
在本公开的一些实施例中，在路径优化算法包括改进粒子群算法和白鹭算法的情况下，所述目标路径可以包括第一路径、第二路径、第三路径、改进粒子群算法每一次迭代得到的局部代价值最小路径和全局代价值最小路径。
步骤133，判断当前迭代是否满足迭代终止条件。
在本公开的一些实施例中，所述迭代终止条件为达到了最大迭代次数条件或适应度值变化率等于1，其中，适应度值根据路径代价值确定，适应度值变化率为上次迭代的适应度值和当前迭代的适应度值的比值。
步骤134，若满足迭代终止条件，则将路径代价值最小的路径作为无人车最优路径。
步骤135，若不满足迭代终止条件，则将优化后的多条路径作为下一次迭代的多条路径，进行下一次迭代，重复执行步骤131-步骤133，即，重复执行采用所述至少两种路径优化算法的每一种路径优化算法，对当前迭代的多条路径进行优化，从优化后的多条路径中，得到至少一个目标路径，确定多个目标路径中，路径代价值最小的路径，以及判断当前迭代是否满足迭代终止条件的步骤。
下面以改进粒子群算法和白鹭算法的融合，对路径优化算法融合进行进一步说明。
本公开路径优化算法融合的本质就是每一次迭代选出改进粒子群中和白鹭算法中的代价值值函数合集中最优的解，解的本质是一条路径，通过这个最优解（公共解）引导粒子群和白鹿群更新自己的状态，向全局最优路径进行收敛。在融合算法中，粒子和白鹭的坐标合集通常用符号“X”来表示，其中i为粒子和白鹭的编号，看作是二维栅格上的坐标构成的序列，表示为[(x1,y1), (x2,y2), ..., (xn,yn)]的形式，表示每个点路径上的栅格。
在融合算法中，适应度函数用于评估粒子、白鹭的性能，以决定哪些应该被选择哪些应该被淘汰，在二维栅格代价地图中，具体做法如下。
对于每个粒子、白鹭代表的路径，可以经过每个栅格的代价值相加，得到该路径总的代价函数，如公式（2）所示：
（2）
公式（2）中，Xi代表着路径点的合集，grid_cost路径点上每个栅格代价值相加。
将每个粒子、白鹭的适应度设置为其路径的总代价值的倒数。这是因为总代价值越低，路径越优秀，适应度也应该越高。同时，将其取倒数可以将适应度从最小化问题转化为最大化问题，更容易应用优化算法。可以使用以下适应度函数公式（3）计算：
（3）
公式（3）中，Tcost代表路径总的代价值。
以改进粒子群算法的判别方法为：通过记录每次迭代中最大的适应度值来判断是否达到最优路径，当达到预设的停止条件时，即最优路径被搜索出来或者达到了最大迭代次数条件，可以停止算法的搜索过程。适应度值变化率可表示为公式（4）：
（4）
当Delta数值为1时，表示适应度值无明显变化，可以结束搜索过程。
图5本公开矿山无人车路径导航方法又一些实施例的示意图。优选的，图5实施例可由本公开矿山无人车路径导航装置或本公开计算机设备执行。如图5所示，本公开矿山无人车路径导航方法可以包括步骤100至步骤1100中的至少一个步骤。
步骤100，接收用户输入的起点和终点信息。
在本公开的一些实施例中，步骤100可以包括：通过订阅cosmap_2d发布的全局代价地图，进入融合算法流程；接收用户输入的起点和终点信息。
在本公开的一些实施例中，本公开的输入为矿卡的起点，所求的为到终点的最优路径，对起始点及终点进行标定，对网格序列号及位置坐标关系进行设定。
步骤200-步骤300，统一初始化粒子、白鹭，其中每个粒子、白鹭代表随机生成的一条路径，改进粒子群算法为主线，白鹭算法为辅线。
步骤400-步骤500，执行改进粒子群优化策略、白鹭坐等策略等策略，通过公式（2）计算每个粒子、白鹭的代价值。
在本公开的一些实施例中，步骤400可以包括：执行改进粒子群优化策略，采用改进粒子群算法对当前迭代的多条路径进行优化，通过公式（2）计算每个粒子的代价值。
在本公开的一些实施例中，对于标准粒子群算法，粒子的速度和位置更新规则如公式（5）。
（5）
公式（5）中：k表示当前迭代次数W为惯性权重，表示粒子当前行为受过去运动状态的影响程度，c1和c2为学习因子，体现了个体认知与社会认知的所占比重，r1和r2为[0,1]范围内的随机数，Pi(k)为第i个粒子下的历史最佳位置向量即代价值最小的路径，Pg(k)粒子种群中历史最佳路径，即代价值最小。
本公开在标准的粒子群算法上进行了参数和算法改进，主要分为以下部分：首先改进粒子群算法，在进行路径规划时，粒子群中的每个粒子代表一条起点到终点的路径，提出粒子更新率概念，其本质为路径的每一次更新和收敛；根据更新率公式，提出设计一种非线性权重递减方法；利用粒子更新率的值，划分状态，设计加速度系数的自适应更新策略；提出改进的高斯变异优化策略，提高粒子在后期的收敛速度和容易陷入局部最小值。
下面对本公开改进粒子群算法进行具体说明。
在本公开的一些实施例中，步骤400（本公开粒子群路径优化算法）可以包括410至440中的至少一个步骤。
步骤410，设置粒子群更新成功率。
在本公开的一些实施例中，步骤410可以包括：根据当前迭代的适应度值和上次迭代的适应度值，确定当前迭代粒子群中每一粒子是否更新成功；根据当前迭代粒子群中每一粒子是否更新成功，确定当前迭代粒子群的更新成功率。
在本公开的一些实施例中，为了自适应调整 PSO 算法参数，需要了解种群在搜索过程中的分布情况。在此过程中，可以使用粒子更新成功的百分比作为反馈参数，以反映搜索空间中各粒子的状态。在算法的第次迭代中，粒子更新定义为如公式（6）所示。
（6）
这是在标准利群上的改进，属于创新点，引入粒子的更新位置的概率。公式（6）中，pi(k)是粒子第k次迭代，找到适应度值最优的位置，f(pi(k))则是适应度函数，当粒子更新成功率较高时，说明粒子群已经逐渐聚集在局部最优位置附近，并且正在缓慢地向全局最优位置移动。
在本公开的一些实施例中，较低的粒子更新成功率表明粒子在全局最优位置附近振荡。
在本公开的一些实施例中，第次迭代时种群的成功百分比可以表示为如公式（7）所示：
（7）
如公式（7）中，粒子更新成功率Ms(k)可以用来描述种群当前所处的状态。在开发状态下，更新率会很低，表明种群中的粒子已经找到了比较优秀的解，算法更关注于局部搜索和精细调整。相反，在探索状态下，更新率会很高，表明种群中的粒子正在探索更广阔的解空间，寻找可能更优的解。Ms(k)可以使得算法自适应地调整搜索策略，以便更好地平衡局部搜索和全局搜索的能力；m为种群粒子个数。
本公开上述实施例改进粒子群算法，在进行路径规划时，粒子群中的每个粒子代表一条起点到终点的路径，提出粒子更新率概念，其本质为路径的每一次更新和收敛。
步骤420，根据当前迭代粒子群的更新成功率对速度更新函数的惯性权重W(k)、第一加速度系数和第二加速度系数进行自适应调整，其中，如公式（5）所示，所述速度更新函数包括速度迭代部分、单个粒子的代价值最小路径部分和粒子群的代价值最小路径部分，第一加速度系数为单个粒子的代价值最小路径部分的加速度系数，第二加速度系数为粒子群的代价值最小路径部分的加速度系数。
在本公开的一些实施例中，步骤420可以包括步骤421和步骤422中的至少一个步骤。
步骤421，惯性权重的自适应。
在本公开的一些实施例中，步骤421可以包括：根据当前迭代粒子群的更新成功率对速度更新函数的惯性权重进行自适应调整。
在本公开的一些实施例中，步骤421可以包括：根据当前迭代粒子群的更新成功率，对速度更新函数的惯性权重按照迭代阶段进行非线性递减的控制，其中，迭代前期的惯性权重大于迭代后期的惯性权重。
在标准的粒子群算法中，惯性权重W(即公式（5）中的W(k)）的取值会影响算法的全局和局部搜索能力。在探索阶段，为了加速粒子向全局最优位置的移动，应该选取相对较大的W值，以便粒子更快地探索整个搜索空间。而在开发阶段，为了避免过早收敛和陷入局部最优解，应该尽可能减小W值，以使得粒子的移动速度减缓，从而更有可能收敛到全局最优位置。类似地，成功率Ms(k)的取值也具有类似的特性。
在探索阶段，为了使得算法能够更好地探索搜索空间并发现全局最优解，成功率Ms(k)应该较高。而在开发阶段，为了避免过早收敛和陷入局部最优解，成功率Ms(k)应该尽可能减小，以使算法能够更好地探索搜索空间并发现全局最优解。本公开提出了一种非线性递减权重方法，将W的值与Ms(k)设置成比例关系，定义如公式（8）的映射。
（8）
本公开提出了一个全新自适应惯性权重，结合粒子的更新率，对粒子的搜索能力更优。式中Wstart为惯性权重的初始值，一般为1；Wend为迭代结束的惯性权重值，一般取0.3；k为当前迭代次数；kmax为最大迭代次数。
本公开改进的惯性权重算法在迭代初期会采用相对较高的权重值，以保持较好的全局搜索能力，避免陷入局部最优解。在迭代后期，惯性权重会较快地降低，以保持算法的局部搜索能力。本公开的惯性权重的改进方法能够使得算法在不同阶段具有不同的权重值，从而平衡了全局搜索和局部搜索的能力，提高了算法的收敛速度和搜索精度。
本公开上述实施例利用粒子更新率的值，划分状态，设计加速度系数的自适应更新策略。
步骤422，加速度系数的自适应更新策略。
在本公开的一些实施例中，步骤422可以包括：根据当前迭代粒子群的更新成功率对速度更新函数的第一加速度系数和第二加速度系数进行自适应调整。
在本公开的一些实施例中，步骤422可以包括步骤4221至步骤4223中的至少一个步骤。
步骤4221，根据当前迭代粒子群的更新成功率，确定当前迭代粒子群的状态。
在本公开的一些实施例中，步骤4221可以包括：根据搜索过程中的粒子更新成功率的值，分化成四种不同当前所处的状态，如公式（9）所示。
（9）
状态的分类方法如下：不采用进化因子（计算终点到起点代价值）来判断状态，而是创新地采用粒子的更新率来判断粒子的进化状态。
（10）
步骤4222，根据当前迭代粒子群的状态，对速度更新函数的第一加速度系数和第二加速度系数进行自适应调整。
在本公开的一些实施例中，步骤4222可以包括：利用四种状态的信息来更新加速度系数c1和c2，选择加速度系数的策略介绍如下：
当时，整个种群紧密聚集，群中的所有粒子在当前最优区域内都有望尽快收敛至全局最优位置。因此，相对较大的c1可以将其他粒子引向可能的全局最优区域；另一方面，相对较大的c2将避免过早收敛。
当时，粒子倾向于在搜索潜在区域时利用局部信息。因此，相对较大的c1以增强局部区域周围的搜索和利用；同时，相对较小的c2将使粒子避免落入局部最优。
当时，种群应该尽可能多地搜索最优解。增加c1的值和减小c2的值可以使粒子进行单独探索。
当时，当前全局最优粒子渴望跳出局部最优位置，以便移动到更好的最优点。一旦找到更好的全局最优值，其他粒子应尽快移向全局最优粒子。因此，应该为这些粒子从当前区域逸出提供更多能量，较小的c1和较大的c2有助于实现该目标。
在本公开的一些实施例中，c1和c2属于加速度常数，在不同的状态下设置不同的值，具体数值应与实际输入地图的复杂度相关。
步骤4223，对第一加速度系数和第二加速度系数进行归一化处理。
（11）
公式（11）中，cm代表所处环境下参数c1、c2和的最大值（常数）。
步骤430，按照如公式（8）所示的速度更新函数和位置更新函数对多条路径的速度和位置进行更新。
本公开上述实施例针对相关技术优化粒子群算法的缺点，引入自适应参数，包括惯性因子的自适应，平衡全局与局部的寻优能力，适应性更强；以及参数c1自适应，促进了寻找到局部最优解，增加粒子群多样性；和参数c2自适应，促进了种群粒子到全局最好区域收敛。
本公开上述实施例利用粒子更新率的值，划分状态，设计了加速度系数的自适应更新策。
步骤440，改进的高斯变异优化策略。
在本公开的一些实施例中，步骤440可以包括：确定当前迭代粒子群的适应度标准差；根据当前迭代粒子群的更新成功率和适应度标准差，确定扰动值；根据所述扰动值、精英学习效率和高斯分布均值，对全局最优路径进行优化。
本公开改进的优化策略会对当前全局最优位置进行一次变异操作，以期望找到更优的解。此外，可视为当前算法的"精英粒子"就是全局最优位置所对应的粒子，它会影响其他粒子的运动方向和速度，以引导算法搜索更优的解。
本公开上述实施例提出了改进的高斯变异优化策略，提高了粒子在后期的收敛速度和容易陷入局部最小值。
在本公开的一些实施例中，本公开优化策略的扰动函数可以定义如公式（12）所示。
（12）
公式（12）中，C(Ms(k))为扰动函数，符号变量sign∈{-1,1}，参数C为一个待定常量，根据适应度标准差，常量值可定为如公式（13）所示，符号变量sign如公式（14）所示。
（13 )
（14）
公式（14）中，会根据种群的聚集程度，划分成三个阶段取值，fi为第i个粒子的适应值，fgbest为全局最优的适应值，个体的适应值越相似，代表种群越密集。
在本公开的一些实施例中，优化函数公式可表示为如公式（15）所示。
（15）
公式（15）中，Pg为全局最优解，为高斯分布均值，为精英学习效率，随进化状态而变化，Xmax 为优化后粒子群中代价值最小的路径，Xmin
为优化后粒子群中代价值最大的路径。
（16）
公式（16）中，精英学习效率的极值属于(0,1]，k代表当前迭代次数。
本公开通过引入精英学习策略，解决了相关技术粒子群算法中容易陷入局部最优的问题。
在本公开的一些实施例中，步骤500可以包括：执行白鹭优化策略，采用白鹭算法对当前迭代的多条路径进行优化，通过公式（2）计算每个粒子的代价值。
在本公开的一些实施例中，步骤500可以包括步骤510至步骤530中的至少一个步骤。
步骤510，采用白鹭坐等策略对当前迭代的多条路径进行更新，获得第一路径。
在本公开的一些实施例中，大白鹭坐等策略中，第个白鹭队列的观测方程可表示为如公式（17）所示。
（17）
公式（17）中，Wi为n维的实数集，用来估算权重，Xi为第i个白鹭路径向量合集。表示算法预测的位置，就是观测到的位置，和实际位置有出入。
相比权值的固定值，进行随机惯性权重优化后，算法收敛更快，如公式（18）所示：引入了随机惯性权重优化白鹭策略。
（18）
公式（18）中，是随机惯性权值最小值，是随机惯性最大值，是度量随机惯性权重与其数学期望值之间的偏离程度，控制取值的权值误差，使W更符合期望权重。
估计与实际误差可表示为公式（19）：
（19）
定义，gi∈Rn，通过对Wi进行求导，可得到观测方程权重的伪梯度，对于上式（19）的实际误差方向可表示为公式（20）：
（20）
公式（20）中，为当前时刻的方向误差值。Xi为第i个白鹭路径向量合集，Xi为规划路径的位置。
白鹭坐等策略的方向修正可表示为公式（21）和公式（22）。
（21）
（22）
公式（21）和公式（22）中，db,i为局部误差修正函数，Xbbest为局部代价值最小的路径，dg,i为全局误差修正函数，Xgbest为全局代价值最小的路径。f为方向函数。
gi是积分梯度，可以用于计算当前路径点的下一步移动方向，从而指导算法进行路径的优化和调整，可以表示为公式（23）所示。
（23）
公式（23）中，λ1和λ2是属于0到1的常数，为当前时刻的方向误差值。
根据算法现阶段的观测位置，下一次路径的更新为公式（24）。
（24）
公式（24）中，k为当前迭代次数，kmax为最大迭代次数，H是解空间的下界和上界之间的间隙，gi是积分梯度，Xi为第i个白鹭的路径。
步骤520，采用白鹭随机搜索策略对当前迭代的多条路径进行更新，获得第二路径。
在本公开的一些实施例中，步骤520可以包括：采取激进策略更新位置，随机搜索的策略，更新路径公式如公式（25）所示。
（25）
公式（25）中，k为当前迭代次数，λ3为(-π/2,π/2)的随机数，H是解空间的下界和上界之间的间隙。
步骤530，采用白鹭逐步包围策略对当前迭代的多条路径进行更新，获得第三路径。
在本公开的一些实施例中，步骤530可以包括：采取随机策略更新位置，逐步包围的策略，更新路径公式如公式（26）所示。
（26）
公式（26）中，Nl当前位置和白鹭群最佳路径的差分矩阵，Ng是当前位置和白鹭群中的最佳路径的差分矩阵，λ1和λ2是属于0到1的常数，Xbbest为局部代价值最小的路径，Xgbest为全局代价值最小的路径。
本公开上述实施例对于遗传算法的固有缺点，引入性能较为均衡的白鹭算法，使得控制变量变少，局部搜索能力更强。
本公开上述实施例利用白鹭算法寻找最优路径，系统存在位置、速度、障碍物的反馈调节，寻优路径更佳，不易陷入局部最优，平衡了收敛速度与寻优路径，其中，本公开的反馈调节会实时监测白鹭群当前的位置，并与目标位置进行比较，得出当前位置与目标位置之间的距离误差，以及环境因素，障碍物、地形。
步骤600，从代价值合集中，最小代价值对应的路径。
在本公开的一些实施例中，步骤600可以包括：进行条件判别，融合算法得出的代价值合集，利用公式（27）、（28）选出最小代价值对应的路径。
在本公开的一些实施例中，步骤600可以包括：采取融合策略，即利用公式（2）计算每条路径的代价值，根据改进的粒子群算法与白鹭算法每一次迭代都会产生最优路径，将改进自适应改进粒子群算法中每一次迭代出的局部最优路径与全局最优路径的，与白鹭算法中坐等策略、随机搜索策略、逐步包围策略中三种所优化出来的最优路径创建合集如公式（27）所示。
（27）
公式（27）中，XA,XB,XC表示白鹭算法每一次迭代出的三个最优路径，XD,XE,代表的是粒子群中每一次得到的局部和全局最优路径，其中表示最佳路径下的各个节点的方向向量。
采用公式（28）选取集合中代价值最小的路径。
（28）
公式（28）中，argmin为选取代价值最小的符号。
步骤700，将代价值最小的路径作为最优路径，计算最优路径的适应度值。
步骤800，选出最小代价值路径，进入主线，进行最大迭代次数和适应度值变化率判别公式（4）。若条件满足，则执行步骤1100，即输出最优粒子（路径）；若条件不满足，则执行步骤900和步骤1000，即，进入粒子与白鹭的速度与位置。
步骤900，评估粒子和白鹭的当前状态。
步骤1000，更新粒子和白鹭。
在本公开的一些实施例中，步骤1000可以包括：根据粒子当前位置和速度，通过公式（5）-（16）来计算新位置和新速度，更新每个粒子的路径；同理白鹭利用公式（17）-（25）执行白鹭算法，更新每个白鹭的状态。即，进行一次次迭代，执行步骤400、步骤500、步骤600、步骤700和步骤800。
步骤1100，输出无人车最优路径；按照所述无人车最优路径对无人车进行导航。
本公开上述实施例求得最小代价路径（粒子/白鹭）继续进入改进粒子群算法与白鹭算法中进行迭代，该最小代价路径，为改进粒子群算法与白鹭算法的公共最优解，同时对这两种算法提供位置更新指导。不过在白鹭算法中最优公共解的代价值与上一次迭代的代价值比较，如果代价值要小于上一次代价值，替换原有位置，否则有50%概率采纳新位置。
本公开上述实施例建立混合路径规划系统，引入白鹭算法与改进粒子群算法相融合，两种算法得到的最优解组合成集合，优中选优，把最优解代入两个算法中，不断迭代，得出系统最优路径。
本公开上述实施例使用改进的粒子群算法与白鹭算法相融合，进一步提高了算法的全局寻优能力更强，互补性更强。
图6为本公开矿山无人车路径导航装置一些实施例的示意图。如图6所示，本公开矿山无人车路径导航装置可以包括路径初始化模块61、路径代价确定模块62和路径优化模块63，其中：
路径初始化模块61，被配置为根据起点信息和终点信息，在代价地图上生成多条初始路径。
路径代价确定模块62，被配置为根据每条初始路径经过的所有栅格的代价值之和，确定该初始路径的路径代价值。
路径优化模块63，被配置为采用融合路径优化算法对多条初始路径进行优化，将路径代价值最小的优化后路径，作为无人车最优路径，其中，所述融合路径优化算法包括至少两种路径优化算法；按照所述无人车最优路径对无人车进行导航。
在本公开的一些实施例中，所述无人车为无人矿卡，所述无人车路径为无人矿卡的矿山路径。
在本公开的一些实施例中，如图6所示，本公开矿山无人车路径导航装置可以包括代价地图生成模块60，其中：
代价地图生成模块60，被配置为根据采集的地图数据，生成代价地图，其中，所述代价地图为栅格地图，每个栅格的代价值是根据该栅格的地图数据自定义设定的，所述栅格的地图数据，用于判断该栅格属于障碍物区域或非障碍物区域，障碍物区域的栅格的代价值大于非障碍物区域的栅格的代价值。
在本公开的一些实施例中，路径优化模块63，被配置为在一次迭代优化中，采用所述至少两种路径优化算法的每一种路径优化算法，对当前迭代的多条路径进行优化，从优化后的多条路径中，得到至少一个目标路径；确定多个目标路径中，路径代价值最小的路径；判断当前迭代是否满足迭代终止条件；若满足迭代终止条件，则将路径代价值最小的路径作为无人车最优路径；若不满足迭代终止条件，则将优化后的多条路径作为下一次迭代的多条路径，进行下一次迭代，重复执行用所述至少两种路径优化算法的每一种路径优化算法，对当前迭代的多条路径进行优化，从优化后的多条路径中，得到至少一个目标路径，确定多个目标路径中，路径代价值最小的路径，以及判断当前迭代是否满足迭代终止条件的操作。
在本公开的一些实施例中，所述迭代终止条件为达到了最大迭代次数条件或适应度值变化率等于1，其中，适应度值根据路径代价值确定，适应度值变化率为上次迭代的适应度值和当前迭代的适应度值的比值。
在本公开的一些实施例中，所述路径优化算法包括改进粒子群算法和白鹭算法中的至少一种。
在本公开的一些实施例中，在路径优化算法包括改进粒子群算法和白鹭算法的情况下，所述目标路径包括第一路径、第二路径、第三路径、改进粒子群算法每一次迭代得到的局部代价值最小路径和全局代价值最小路径。
在本公开的一些实施例中，路径优化模块63，被配置为在采用所述至少两种路径优化算法的每一种路径优化算法，对当前迭代的多条路径进行优化的情况下，执行以下操作中的至少一个操作，其中，采用改进粒子群算法对当前迭代的多条路径进行优化，其中，当前迭代的多条路径为改进粒子群算法中当前迭代的多个粒子；采用白鹭算法对当前迭代的多条路径进行优化，其中，当前迭代的多条路径为白鹭算法中当前迭代的多个白鹭。
在本公开的一些实施例中，路径优化模块63，被配置为在采用改进粒子群算法对当前迭代的多条路径进行优化的情况下，根据当前迭代的适应度值和上次迭代的适应度值，确定当前迭代粒子群中每一粒子是否更新成功；根据当前迭代粒子群中每一粒子是否更新成功，确定当前迭代粒子群的更新成功率；根据当前迭代粒子群的更新成功率对速度更新函数的惯性权重、第一加速度系数和第二加速度系数进行自适应调整，其中，所述速度更新函数包括速度迭代部分、单个粒子的代价值最小路径部分和粒子群的代价值最小路径部分，第一加速度系数为单个粒子的代价值最小路径部分的加速度系数，第二加速度系数为粒子群的代价值最小路径部分的加速度系数；按照速度更新函数和位置更新函数对多条路径的速度和位置进行更新。
在本公开的一些实施例中，路径优化模块63，被配置为在根据当前迭代粒子群的更新成功率对速度更新函数的惯性权重进行自适应调整的情况下，根据当前迭代粒子群的更新成功率，对速度更新函数的惯性权重按照迭代阶段进行非线性递减的控制，其中，迭代前期的惯性权重大于迭代后期的惯性权重。
在本公开的一些实施例中，路径优化模块63，被配置为在根据当前迭代粒子群的更新成功率对速度更新函数的第一加速度系数和第二加速度系数进行自适应调整的情况下，根据当前迭代粒子群的更新成功率，确定当前迭代粒子群的状态；根据当前迭代粒子群的状态，对速度更新函数的第一加速度系数和第二加速度系数进行自适应调整；对第一加速度系数和第二加速度系数进行归一化处理。
在本公开的一些实施例中，在本公开的一些实施例中，路径优化模块63，被配置为在采用改进粒子群算法对当前迭代的多条路径进行优化的情况下，确定当前迭代粒子群的适应度标准差；根据当前迭代粒子群的更新成功率和适应度标准差，确定扰动值；根据所述扰动值、精英学习效率和高斯分布均值，对全局最优路径进行优化。
在本公开的一些实施例中，在本公开的一些实施例中，路径优化模块63，被配置为在采用白鹭算法对当前迭代的多条路径进行优化的情况下，采用白鹭坐等策略对当前迭代的多条路径进行更新，获得第一路径；采用白鹭随机搜索策略对当前迭代的多条路径进行更新，获得第二路径；采用白鹭逐步包围策略对当前迭代的多条路径进行更新，获得第三路径。
在本公开的一些实施例中，本公开矿山无人车路径导航装置可以被配置为执行如本公开上述任一实施例（例如图1至图2、图4至图5中任一实施例）所述的矿山无人车路径导航方法。
本公开上述实施例构建了无人矿卡运输车的工作环境模型，使用栅格法来表述矿山的环境地图信息。
本公开在标准的粒子群算法上进行了参数和算法改进，主要分为以下部分：首先改进粒子群算法，在进行路径规划时，粒子群中的每个粒子代表一条起点到终点的路径，提出粒子更新率概念，其本质为路径的每一次更新和收敛；根据更新率公式，提出设计一种非线性权重递减方法；利用粒子更新率的值，划分状态，设计加速度系数的自适应更新策略；提出改进的高斯变异优化策略，提高粒子在后期的收敛速度和容易陷入局部最小值。
本公开上述实施例改进粒子群算法，引入自适应参数，惯性因子w、局部参数c_1、全局参数c_2；提高粒子在后期的收敛速度和容易陷入局部最小值。
本公开上述实施例建立混合路径规划系统，引入白鹭算法与改进粒子群算法相融合，系统存在反馈调节，寻优路径更佳，不易陷入局部最优，平衡了收敛速度与寻优路径。
图7为本公开计算机设备一些实施例的结构示意图。如图7所示，本公开计算机设备包括存储器71和处理器72。
存储器71用于存储指令，处理器72耦合到存储器71，处理器72被配置为基于存储器存储的指令执行实现上述实施例（例如图1至图2、图4至图5中任一实施例）涉及的矿山无人车路径导航方法。
如图7所示，该计算机设备还包括通信接口73，用于与其它设备进行信息交互。同时，该数据传输单元选举装置还包括总线74，处理器72、通信接口73、以及存储器71通过总线74完成相互间的通信。
存储器71可以包含高速RAM存储器，也可还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器71也可以是存储器阵列。存储器71还可能被分块，并且块可按一定的规则组合成虚拟卷。
此外，处理器72可以是一个中央处理器CPU，或者可以是专用集成电路ASIC，或是被配置成实施本公开实施例的一个或多个集成电路。
根据本公开的另一方面，提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如上述任一实施例（例如图1至图2、图4至图5中任一实施例）所述的矿山无人车路径导航方法。
本公开计算机可读存储介质可以实现为非瞬时性计算机可读存储介质。
本领域内的技术人员应明白，本公开的实施例可提供为方法、装置、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备（系统）和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在上面所描述的矿山无人车路径导航装置、代价地图生成模块、路径初始化模块、路径代价确定模块和路径优化模块可以实现为用于执行本申请所描述功能的通用处理器、可编程逻辑控制器（PLC）、数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
本领域普通技术人员可以理解本公开上述实施例方法的全部或部分步骤可以通过硬件来完成，所述硬件可以实现为用于执行本申请所述方法的通用处理器、可编程逻辑控制器（PLC）、数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
至此，已经详细描述了本公开。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指示相关的硬件完成，所述的程序可以存储于一种非瞬时性计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
本公开的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。
Claims (12)
1.一种矿山无人车路径导航方法，包括：
根据起点信息和终点信息，在代价地图上生成多条初始路径，其中，所述代价地图为栅格地图，每个栅格的代价值是根据该栅格的地图数据自定义设定的，所述栅格的地图数据，用于判断该栅格属于障碍物区域或非障碍物区域，障碍物区域的栅格的代价值大于非障碍物区域的栅格的代价值；
根据每条初始路径经过的所有栅格的代价值之和，确定该初始路径的路径代价值；
采用融合路径优化算法对多条初始路径进行优化，将路径代价值最小的优化后路径，作为无人车最优路径，其中，所述融合路径优化算法包括至少两种路径优化算法；
按照所述无人车最优路径对无人车进行导航；
其中，所述采用融合路径优化算法对多条初始路径进行优化，将路径代价值最小的优化后路径，作为无人车最优路径包括：
在一次迭代优化中，采用所述至少两种路径优化算法的每一种路径优化算法，对当前迭代的多条路径进行优化，从优化后的多条路径中，得到至少一个目标路径，其中，所述路径优化算法包括改进粒子群算法和白鹭算法；
确定多个目标路径中，路径代价值最小的路径；
判断当前迭代是否满足迭代终止条件；
若满足迭代终止条件，则将路径代价值最小的路径作为无人车最优路径；
其中，所述采用所述至少两种路径优化算法的每一种路径优化算法，对当前迭代的多条路径进行优化，从优化后的多条路径中，得到至少一个目标路径包括以下步骤中的至少一个步骤，其中：
采用改进粒子群算法对当前迭代的多条路径进行优化，确定局部代价值最小路径和全局代价值最小路径，其中，当前迭代的多条路径为改进粒子群算法中当前迭代的多个粒子；
采用白鹭算法对当前迭代的多条路径进行优化，其中，当前迭代的多条路径为白鹭算法中当前迭代的多个白鹭，其中，所述采用白鹭算法对当前迭代的多条路径进行优化包括：采用白鹭坐等策略对当前迭代的多条路径进行更新，获得第一路径；采用白鹭随机搜索策略对当前迭代的多条路径进行更新，获得第二路径；采用白鹭逐步包围策略对当前迭代的多条路径进行更新，获得第三路径；
其中，在路径优化算法包括改进粒子群算法和白鹭算法的情况下，所述目标路径包括第一路径、第二路径、第三路径、改进粒子群算法每一次迭代得到的局部代价值最小路径和全局代价值最小路径。
2.根据权利要求1所述的矿山无人车路径导航方法，还包括：
根据采集的地图数据，生成代价地图。
3.根据权利要求1或2所述的矿山无人车路径导航方法，其中，所述采用融合路径优化算法对所述多条路径进行优化，将路径代价值最小的路径，作为无人车最优路径还包括：
若不满足迭代终止条件，则将优化后的多条路径作为下一次迭代的多条路径，进行下一次迭代，重复执行用所述至少两种路径优化算法的每一种路径优化算法，对当前迭代的多条路径进行优化，从优化后的多条路径中，得到至少一个目标路径，确定多个目标路径中，路径代价值最小的路径，以及判断当前迭代是否满足迭代终止条件的步骤。
4.根据权利要求1或2所述的矿山无人车路径导航方法，其中，所述迭代终止条件为达到了最大迭代次数条件或适应度值变化率等于1，其中，适应度值根据路径代价值确定，适应度值变化率为上次迭代的适应度值和当前迭代的适应度值的比值。
5.根据权利要求1或2所述的矿山无人车路径导航方法，其中，所述采用改进粒子群算法对当前迭代的多条路径进行优化包括：
根据当前迭代的适应度值和上次迭代的适应度值，确定当前迭代粒子群中每一粒子是否更新成功；
根据当前迭代粒子群中每一粒子是否更新成功，确定当前迭代粒子群的更新成功率；
根据当前迭代粒子群的更新成功率对速度更新函数的惯性权重、第一加速度系数和第二加速度系数进行自适应调整，其中，所述速度更新函数包括速度迭代部分、单个粒子的代价值最小路径部分和粒子群的代价值最小路径部分，第一加速度系数为单个粒子的代价值最小路径部分的加速度系数，第二加速度系数为粒子群的代价值最小路径部分的加速度系数；
按照速度更新函数和位置更新函数对多条路径的速度和位置进行更新。
6.根据权利要求5所述的矿山无人车路径导航方法，其中，所述根据当前迭代粒子群的更新成功率对速度更新函数的惯性权重进行自适应调整包括：
根据当前迭代粒子群的更新成功率，对速度更新函数的惯性权重按照迭代阶段进行非线性递减的控制，其中，迭代前期的惯性权重大于迭代后期的惯性权重。
7.根据权利要求6所述的矿山无人车路径导航方法，其中，所述根据当前迭代粒子群的更新成功率对速度更新函数的第一加速度系数和第二加速度系数进行自适应调整包括：
根据当前迭代粒子群的更新成功率，确定当前迭代粒子群的状态；
根据当前迭代粒子群的状态，对速度更新函数的第一加速度系数和第二加速度系数进行自适应调整；
对第一加速度系数和第二加速度系数进行归一化处理。
8.根据权利要求6所述的矿山无人车路径导航方法，其中，所述采用改进粒子群算法对当前迭代的多条路径进行优化还包括：
确定当前迭代粒子群的适应度标准差；
根据当前迭代粒子群的更新成功率和适应度标准差，确定扰动值；
根据所述扰动值、精英学习效率和高斯分布均值，对全局最优路径进行优化。
9.根据权利要求1或2所述的矿山无人车路径导航方法，其中，所述无人车为无人矿卡，所述无人车路径为无人矿卡的矿山路径。
10.一种矿山无人车路径导航装置，包括：
路径初始化模块，被配置为根据起点信息和终点信息，在代价地图上生成多条初始路径；
路径代价确定模块，被配置为根据每条初始路径经过的所有栅格的代价值之和，确定该初始路径的路径代价值；
路径优化模块，被配置为采用融合路径优化算法对多条初始路径进行优化，将路径代价值最小的优化后路径，作为无人车最优路径，其中，所述融合路径优化算法包括至少两种路径优化算法；按照所述无人车最优路径对无人车进行导航；
其中，路径优化模块，被配置为在一次迭代优化中，采用所述至少两种路径优化算法的每一种路径优化算法，对当前迭代的多条路径进行优化，从优化后的多条路径中，得到至少一个目标路径，其中，所述路径优化算法包括改进粒子群算法和白鹭算法；确定多个目标路径中，路径代价值最小的路径；判断当前迭代是否满足迭代终止条件；若满足迭代终止条件，则将路径代价值最小的路径作为无人车最优路径；
其中，路径优化模块，被配置为在采用所述至少两种路径优化算法的每一种路径优化算法，对当前迭代的多条路径进行优化，从优化后的多条路径中，得到至少一个目标路径的情况下，采用改进粒子群算法对当前迭代的多条路径进行优化，确定局部代价值最小路径和全局代价值最小路径，其中，当前迭代的多条路径为改进粒子群算法中当前迭代的多个粒子；采用白鹭算法对当前迭代的多条路径进行优化，其中，当前迭代的多条路径为白鹭算法中当前迭代的多个白鹭，其中，所述采用白鹭算法对当前迭代的多条路径进行优化包括：采用白鹭坐等策略对当前迭代的多条路径进行更新，获得第一路径；采用白鹭随机搜索策略对当前迭代的多条路径进行更新，获得第二路径；采用白鹭逐步包围策略对当前迭代的多条路径进行更新，获得第三路径；
其中，在路径优化算法包括改进粒子群算法和白鹭算法的情况下，所述目标路径包括第一路径、第二路径、第三路径、改进粒子群算法每一次迭代得到的局部代价值最小路径和全局代价值最小路径。
11.一种计算机设备，包括：
存储器，被配置为存储指令；
处理器，被配置为执行所述指令，使得所述计算机设备执行实现如权利要求1-9中任一项所述的矿山无人车路径导航方法的操作。
12.一种计算机可读存储介质，其中，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如权利要求1-9中任一项所述的矿山无人车路径导航方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310412906.3A CN116164753B (zh) | 2023-04-18 | 2023-04-18 | 矿山无人车路径导航方法和装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310412906.3A CN116164753B (zh) | 2023-04-18 | 2023-04-18 | 矿山无人车路径导航方法和装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116164753A CN116164753A (zh) | 2023-05-26 |
| CN116164753B true CN116164753B (zh) | 2023-08-08 |
Family
ID=86416573
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310412906.3A Active CN116164753B (zh) | 2023-04-18 | 2023-04-18 | 矿山无人车路径导航方法和装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116164753B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117367434B (zh) * | 2023-12-04 | 2024-02-23 | 上海伯镭智能科技有限公司 | 一种矿区无人矿车智能定位方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108645411A (zh) * | 2018-05-15 | 2018-10-12 | 深圳大学 | 基于粒子群算法的机器人路径规划方法、装置及终端设备 |
| CN111522335A (zh) * | 2020-03-23 | 2020-08-11 | 南方电网科学研究院有限责任公司 | 基于改进粒子群算法的机器人路径优化方法及系统 |
| CN115951581A (zh) * | 2023-01-06 | 2023-04-11 | 江苏科技大学 | 一种基于改进empc的高速无人艇路径跟踪控制方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11727812B2 (en) * | 2017-07-27 | 2023-08-15 | Beihang University | Airplane flight path planning method and device based on the pigeon-inspired optimization |
-
2023
- 2023-04-18 CN CN202310412906.3A patent/CN116164753B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108645411A (zh) * | 2018-05-15 | 2018-10-12 | 深圳大学 | 基于粒子群算法的机器人路径规划方法、装置及终端设备 |
| CN111522335A (zh) * | 2020-03-23 | 2020-08-11 | 南方电网科学研究院有限责任公司 | 基于改进粒子群算法的机器人路径优化方法及系统 |
| CN115951581A (zh) * | 2023-01-06 | 2023-04-11 | 江苏科技大学 | 一种基于改进empc的高速无人艇路径跟踪控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| Wenbin Liu.Optimal travel route selection method based on genetic tabu search algorithm.2020 International Conference on Robots & Intelligent System (ICRIS).2020,正文第588-593页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116164753A (zh) | 2023-05-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110514206B (zh) | 一种基于深度学习的无人机飞行路径预测方法 | |
| Orozco-Rosas et al. | Mobile robot path planning using a QAPF learning algorithm for known and unknown environments | |
| Mahmoud Zadeh et al. | A novel versatile architecture for autonomous underwater vehicle’s motion planning and task assignment | |
| CN116164753B (zh) | 矿山无人车路径导航方法和装置、计算机设备和存储介质 | |
| CN112148008A (zh) | 一种基于深度强化学习的实时无人机路径预测方法 | |
| CN102788581A (zh) | 一种基于改进的微分进化算法的船舶航路规划方法 | |
| Wang et al. | SCRIMP: Scalable communication for reinforcement-and imitation-learning-based multi-agent pathfinding | |
| Xue et al. | Multi-agent deep reinforcement learning for UAVs navigation in unknown complex environment | |
| CN115655279A (zh) | 一种基于改进鲸鱼算法的海上无人救援飞艇路径规划方法 | |
| Yang et al. | A novel maximin-based multi-objective evolutionary algorithm using one-by-one update scheme for multi-robot scheduling optimization | |
| Pshikhopov et al. | Trajectory planning algorithms in two-dimensional environment with obstacles | |
| Yuhang et al. | An Adaptive evolutionary multi-objective estimation of distribution algorithm and its application to multi-UAV path planning | |
| Zhou et al. | Efficient elitist cooperative evolutionary algorithm for multi-objective reinforcement learning | |
| CN117032247B (zh) | 海上救援搜索路径规划方法、装置及设备 | |
| Cui et al. | Improved multi-objective artificial bee colony algorithm-based path planning for mobile robots | |
| Liang et al. | Context-Aware Deep Reinforcement Learning for Autonomous Robotic Navigation in Unknown Area | |
| CN117434950A (zh) | 一种基于哈里斯鹰启发式混合算法的移动机器人动态路径规划方法 | |
| Wang et al. | Negative Gradient Differential Biogeography-based Optimization for Mobile Robot Path Planning | |
| Dambreville | Cross-entropic learning of a machine for the decision in a partially observable universe | |
| Ojha et al. | An analysis of artificial immune system and genetic algorithm in urban path planning | |
| Li et al. | A novel path planning algorithm based on Q-learning and adaptive exploration strategy | |
| Aoun et al. | Self inertia weight adaptation for the particle swarm optimization | |
| Mo et al. | Bio-geography based differential evolution for robot path planning | |
| Jin et al. | WOA-AGA algorithm design for robot path planning | |
| Tabatabaei | A new gravitational search optimization algorithm to solve single and multiobjective optimization problems |
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 |