CN116242381A - 一种路径规划方法、系统、电子设备及存储介质 - Google Patents

一种路径规划方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN116242381A
CN116242381A CN202310157027.0A CN202310157027A CN116242381A CN 116242381 A CN116242381 A CN 116242381A CN 202310157027 A CN202310157027 A CN 202310157027A CN 116242381 A CN116242381 A CN 116242381A
Authority
CN
China
Prior art keywords
vehicle
random number
value
optimal
determining
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
Application number
CN202310157027.0A
Other languages
English (en)
Inventor
郑玲
田岩
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.)
Central China Normal University Shenzhen Research Institute
Original Assignee
Central China Normal University Shenzhen Research Institute
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 Central China Normal University Shenzhen Research Institute filed Critical Central China Normal University Shenzhen Research Institute
Priority to CN202310157027.0A priority Critical patent/CN116242381A/zh
Publication of CN116242381A publication Critical patent/CN116242381A/zh
Pending legal-status Critical Current

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
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • 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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • 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)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供一种路径规划方法、系统、电子设备及存储介质，属于自动驾驶技术领域，包括：获取自动驾驶场景信息；基于所述自动驾驶场景信息，由黏菌算法确定车辆行驶参数；利用反向学习初始化所述车辆行驶参数，更新所述初始化后的车辆行驶参数，获得车辆行驶最佳位置；根据所述车辆行驶最佳位置，确定车辆行驶路径。本发明针对黏菌算法在自动驾驶领域进行路径寻优时，引入反向学习的方法，有效克服算法存在的搜索速度慢、路径不平滑等问题，并提高了初始化种群的准确定，较准确地得到了最优的车辆行驶路径。

Description

一种路径规划方法、系统、电子设备及存储介质
技术领域
本发明涉及自动驾驶技术领域，尤其涉及一种路径规划方法、系统、电子设备及存储介质。
背景技术
在自动驾驶领域，路径规划是至关重要的环节，是根据实时传感器数据和已知环境信息进行环境建模，在环境建模的基础上应用相应算法规划一条行走路径。
目前，依据路径规划算法在原理上的不同，可将算法大致分为基于搜索的路径规划算法、基于采样的路径规划算法和基于智能算法的路径规划算法等三种算法，其中，基于搜索的路径规划算法通常包括Dikstra算法和A*算法，基于采样的路径规划算法通常包括RRT、RRT*和Informd RRT*，基于智能算法的路径规划算法包括遗传算法和蚁群算法。
应用最多和研究最广泛的是基于智能算法的路径规划算法，其中的黏菌觅食算法(Slime Mould Algorithm，SMA)作为智能算法的一种，通过模拟黏菌在觅食过程的行为和形态变化，形成具有良好的探索能力和开发倾向的食物最优连接路径。但黏菌觅食算法在确定种群位置具有随机性和盲目性，容易使求解陷入局部最小值，难以达到理想的路径规划效果。
发明内容
本发明提供一种路径规划方法、系统、电子设备及存储介质，用以解决现有技术中采用黏菌算法求解自动驾驶的车辆路径规划中存在的缺陷。
第一方面，本发明提供一种路径规划方法，包括：
获取自动驾驶场景信息；
基于所述自动驾驶场景信息，由黏菌算法确定车辆行驶参数；
利用反向学习初始化所述车辆行驶参数，更新所述初始化后的车辆行驶参数，获得车辆行驶最佳位置；
根据所述车辆行驶最佳位置，确定车辆行驶路径。
根据本发明提供的一种路径规划方法，所述获取自动驾驶场景信息，包括：
获取自动驾驶栅格地图，在所述自动驾驶栅格地图中确定障碍物；
确定所述自动驾驶栅格地图的起点和终点。
根据本发明提供的一种路径规划方法，所述基于所述自动驾驶场景信息，由黏菌算法确定车辆行驶参数，包括：
获取车辆当前时刻行驶位置；
确定黏菌重量、任一迭代次的车辆最佳位置、任一迭代次的两个黏菌个体、第一调整系数和第二调整系数，其中所述第一调整系数的取值范围是基于当前迭代次数和最大迭代次数的反双曲正切函数所得到，所述第二调整系数的取值范围是基于所述当前迭代次数和所述最大迭代次数的线性函数所得到；
确定第一随机数和第二随机数，其中所述第一随机数的取值范围从0到1，所述第二随机数是由任一黏菌个体适应度值与所有迭代最优适应度值之差的绝对值取双曲正切函数所得到；
若确定所述第一随机数小于所述第二随机数，则由所述任一迭代次的车辆最佳位置、所述第一调整系数、所述黏菌重量和所述任一迭代次的两个黏菌个体得到车辆下一时刻行驶位置；
若确定所述第一随机数大于等于所述第二随机数，则由所述第二调整系数和所述车辆当前时刻行驶位置得到所述车辆下一时刻行驶位置。
根据本发明提供的一种路径规划方法，所述利用反向学习初始化所述车辆行驶参数，包括：
确定任意维度空间的黏菌点坐标和黏菌点坐标取值范围，获取所述黏菌点坐标取值范围中的第一端点值和第二端点值；
根据所述车辆当前时刻行驶位置、所述黏菌点坐标、所述第一端点值和所述第二端点值，得到车辆当前时刻行驶位置反向点；
在任一次迭代过程中均确定以优化求解所述车辆当前时刻行驶位置和所述车辆当前时刻行驶位置反向点的较小值，作为所述车辆下一时刻行驶位置。
根据本发明提供的一种路径规划方法，所述更新所述初始化后的车辆行驶参数，包括：
确定当前迭代最差适应度值；
基于所述所有迭代最优适应度值、所述当前迭代最差适应度值、所述任一黏菌个体适应度值和所述第一随机数更新所述黏菌重量，得到第一适应度群体和第二适应度群体；
所述第一适应度群体对应第一取值范围，所述第二适应度群体对应第二取值范围，且所述第一取值范围大于所述第二取值范围。
根据本发明提供的一种路径规划方法，所述获得车辆行驶最佳位置，包括：
确定搜索空间上限值和搜索空间下限值，获取随机分布黏菌个体占总体的比例作为第三随机数；
若确定所述第一随机数小于所述第三随机数，则根据所述第一随机数、所述搜索空间上限值和所述搜索空间下限值获得所述车辆行驶最佳位置；
若确定所述第一随机数大于等于所述第三随机数，且小于所述第二随机数，则根据所述任一迭代次的车辆最佳位置、所述第一调整系数、所述黏菌重量和所述任一迭代次的两个黏菌个体获得所述车辆行驶最佳位置；
若确定所述第一随机数大于等于所述第二随机数，则由所述第二调整系数和所述车辆当前时刻行驶位置获得所述车辆行驶最佳位置。
第二方面，本发明还提供一种路径规划系统，包括：
获取模块，用于获取自动驾驶场景信息；
确定模块，用于基于所述自动驾驶场景信息，由黏菌算法确定车辆行驶参数；
更新模块，用于利用反向学习初始化所述车辆行驶参数，更新所述初始化后的车辆行驶参数，获得车辆行驶最佳位置；
处理模块，用于根据所述车辆行驶最佳位置，确定车辆行驶路径。
第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述路径规划方法。
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述路径规划方法。
第五方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述路径规划方法。
本发明提供的路径规划方法、系统、电子设备及存储介质，通过针对黏菌算法在自动驾驶领域进行路径寻优时，引入反向学习的方法，有效克服算法存在的搜索速度慢、路径不平滑等问题，并提高了初始化种群的准确定，较准确地得到了最优的车辆行驶路径。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明提供的路径规划方法的流程示意图之一；
图2是本发明提供的路径规划方法的流程示意图之二；
图3是本发明提供的自动驾驶栅格地图示意图；
图4是本发明提供的迭代次数与最佳适应度的效果对比图；
图5是本发明提供的路径规划系统的结构示意图；
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。
针对自动驾驶领域中黏菌算法在路线规划方面的不足，本发明提出一种新的路线规划方法，图1是本发明实施例提供的路径规划方法的流程示意图之一，如图1所示，包括：
步骤100：获取自动驾驶场景信息；
步骤200：基于所述自动驾驶场景信息，由黏菌算法确定车辆行驶参数；
步骤300：利用反向学习初始化所述车辆行驶参数，更新所述初始化后的车辆行驶参数，获得车辆行驶最佳位置；
步骤400：根据所述车辆行驶最佳位置，确定车辆行驶路径。
具体地，本发明立足于自动驾驶中的路径规划，为车辆行驶寻找一条最佳路径。
整体流程如图2所示，首先根据自动驾驶场景制作栅格地图，即限定车辆行驶的具体环境，并设置障碍物，在栅格地图中设定起点和终点，再根据黏菌算法和反向学习初始化以车辆信息建立的种群，按照群体优劣排序，更新其中的权重信息和指定参数，待相关信息更新完成，进一步更新车辆行驶的最佳位置，根据整个更新迭代过程的迭代次数进行判断，若达到预设迭代次数，则输出最优结果，否则继续执行初始化和更新过程，直至达到预设迭代次数。
本发明通过针对黏菌算法在自动驾驶领域进行路径寻优时，引入反向学习的方法，有效克服算法存在的搜索速度慢、路径不平滑等问题，并提高了初始化种群的准确定，较准确地得到了最优的车辆行驶路径。
基于上述实施例，步骤100包括：
获取自动驾驶栅格地图，在所述自动驾驶栅格地图中确定障碍物；
确定所述自动驾驶栅格地图的起点和终点。
可以理解的是，首先需要制作车辆行驶的栅格地图，即采用栅格法建立自动驾驶汽车的行走空间模型，以实现在栅格地图中对各种信息的详细区分和标识。
以图3为例，在该栅格地图中，以大小不一的圆形表示不同的障碍物，也就是车辆自动行驶过程中需要避让的目标，以方形标注出起点和终点，根据黏菌算法和反向学习计算得到起点和终点之间的车辆行驶最佳路径，可以看出该路径不仅避开所有障碍物，还使距离尽可能的短。
基于上述实施例，步骤200包括：
获取车辆当前时刻行驶位置；
确定黏菌重量、任一迭代次的车辆最佳位置、任一迭代次的两个黏菌个体、第一调整系数和第二调整系数，其中所述第一调整系数的取值范围是基于当前迭代次数和最大迭代次数的反双曲正切函数所得到，所述第二调整系数的取值范围是基于所述当前迭代次数和所述最大迭代次数的线性函数所得到；
确定第一随机数和第二随机数，其中所述第一随机数的取值范围从0到1，所述第二随机数是由任一黏菌个体适应度值与所有迭代最优适应度值之差的绝对值取双曲正切函数所得到；
若确定所述第一随机数小于所述第二随机数，则由所述任一迭代次的车辆最佳位置、所述第一调整系数、所述黏菌重量和所述任一迭代次的两个黏菌个体得到车辆下一时刻行驶位置；
若确定所述第一随机数大于等于所述第二随机数，则由所述第二调整系数和所述车辆当前时刻行驶位置得到所述车辆下一时刻行驶位置。
具体地，在获得了车辆栅格地图之后，需要对车辆行驶中的各种参数进行设置，引入黏菌算法，对黏菌算法中的种群进行初始化，并计算适应度值。
黏菌算法的具体计算公式如下：
Figure BDA0004092889020000061
其中，X(t+1)和X(t)分别为第t+1次和第t次迭代时黏菌的位置，即车辆下一时刻行驶位置和车辆当前时刻行驶位置；Xb(t)表示第t次迭代时食物浓度最高的位置，即任一迭代次的车辆最佳位置；XA(t)和XB(t)表示第t次迭代时随机选择的两个黏菌个体，即任一迭代次的两个黏菌个体；W表示黏菌重量；vb为第一调整系数，vc为第二调整系数，vb的范围是基于当前迭代次数和最大迭代次数的反双曲正切函数所得到，即[-arctanh(1-(t/T)，arctanh(1-(t/T)]，t是当前迭代次数，T是最大迭代次数，vc的范围是基于当前迭代次数和最大迭代次数的线性函数所得到；r是第一随机数，对应范围从0到1，p是第二随机数，由任一黏菌个体适应度值与所有迭代最优适应度值之差的绝对值取双曲正切函数所得到，即p＝tanh(|S(i)-bF|)，i＝1,2,...,N，S(i)表示第i个黏菌个体的适应度值，bF表示所有迭代中的最优适应度值。
此处，根据r和p的比较，车辆下一时刻行驶位置采用不同的计算方式。
基于上述实施例，步骤300中的所述利用反向学习初始化所述车辆行驶参数，包括：
确定任意维度空间的黏菌点坐标和黏菌点坐标取值范围，获取所述黏菌点坐标取值范围中的第一端点值和第二端点值；
根据所述车辆当前时刻行驶位置、所述黏菌点坐标、所述第一端点值和所述第二端点值，得到车辆当前时刻行驶位置反向点；
在任一次迭代过程中均确定以所述车辆当前时刻行驶位置和所述车辆当前时刻行驶位置反向点的较小值，作为所述车辆下一时刻行驶位置。
可选地，由于黏菌算法容易造成局部最小值和种群选择不优化的问题，因此本发明引入反向学习进行初始化种群的优化。
假设在任意维度空间D内有一个黏菌点X＝(x1,x2,…,xD)，且x1,x2,…,xD∈R，xi∈[ai,bi]，i＝{1,2,…,D}，则X的反向点为
Figure BDA0004092889020000071
其中
Figure BDA0004092889020000072
X＝(x1,x2,…,xD)是黏菌点坐标，x1,x2,…,xD∈R，xi∈[ai,bi]是黏菌点坐标取值范围，ai和bi是黏菌点坐标取值范围中的第一端点值和第二端点值，
Figure BDA0004092889020000073
为反向坐标，/>
Figure BDA0004092889020000074
为车辆当前时刻行驶位置反向点。
设黏菌优化问题为求解最小值，优化问题的函数为f(x)，当前解为X，反向解为
Figure BDA0004092889020000081
则解的保留策略为：
Figure BDA0004092889020000082
其中，t是当前迭代次数，f[X(t)]为优化求解车辆当前时刻行驶位置最小值，
Figure BDA0004092889020000083
为优化求解车辆当前时刻行驶位置反向点最小值。
可以看出，在任一次迭代过程中均确定以优化求解车辆当前时刻行驶位置和车辆当前时刻行驶位置反向点的较小值，作为车辆下一时刻行驶位置。
基于上述实施例，所述步骤300中的更新所述初始化后的车辆行驶参数，包括：
确定当前迭代最差适应度值；
基于所述所有迭代最优适应度值、所述当前迭代最差适应度值、所述任一黏菌个体适应度值和所述第一随机数更新所述黏菌重量，得到第一适应度群体和第二适应度群体；
所述第一适应度群体对应第一取值范围，所述第二适应度群体对应第二取值范围，且所述第一取值范围大于所述第二取值范围。
具体地，对黏菌算法中的参数进行设置，初始化种群和适应度值计算之后，还需要更新相关权重，即黏菌重量W，具体更新策略如下：
Figure BDA0004092889020000084
其中，W是黏菌重量，表示黏菌的种群规模，r是第一随机数，对应范围从0到1；S(i)表示第i个黏菌个体的适应度值，bF表示所有迭代中的最优适应度值，bF表示所有迭代中的最优适应度值，wF表示当前迭代中的最差适应度值。
需要说明的是，上述更新策略中，对于适应度值排在群体前一半的个体，即第一适应度群体，设定前一半较优部分个体的权重取值较大，通常在第一取值范围[1,1.3]内，对于适应度值排在群体后一半的个体，即第二适应度群体，设定较差的那部分个体取值在第二取值范围[0.7,1]内，越差的个体权重越接近于0.7。公式中取log的作用是为了缓解W的变化率。
基于上述实施例，所述步骤300中的所述获得车辆行驶最佳位置，包括：
确定搜索空间上限值和搜索空间下限值，获取随机分布黏菌个体占总体的比例作为第三随机数；
若确定所述第一随机数小于所述第三随机数，则根据所述第一随机数、所述搜索空间上限值和所述搜索空间下限值获得所述车辆行驶最佳位置；
若确定所述第一随机数大于等于所述第三随机数，且小于所述第二随机数，则根据所述任一迭代次的车辆最佳位置、所述第一调整系数、所述黏菌重量和所述任一迭代次的两个黏菌个体获得所述车辆行驶最佳位置；
若确定所述第一随机数大于等于所述第二随机数，则由所述第二调整系数和所述车辆当前时刻行驶位置获得所述车辆行驶最佳位置。
具体地，在前述实施例的基础上，进一步对车辆行驶最佳位置进行更新，就是不断修正车辆下一时刻行驶位置的过程，具体如下：
Figure BDA0004092889020000091
可以看出，这里新增了第三随机数z，通过比较第一随机数r、第二随机数p以及第三随机数z的大小，选择不同的更新方法。
此外，还引入搜索空间上限值ub和搜索空间下限值lb，ub＝max(X(t))，lb＝min(X(t))，X(t+1)和X(t)分别为第t+1次和第t次迭代时黏菌的位置，XA(t)和XB(t)表示第t次迭代时随机选择的两个黏菌个体，vb为第一调整系数，vc为第二调整系数。
图4为本发明实施例提供的迭代次数与最佳适应度的效果对比图，其中的横坐标为迭代次数，纵坐标为最佳适应度，可以看出，最佳适应度是随着迭代次数的增加呈现递减趋势的。
下面对本发明提供的路径规划系统进行描述，下文描述的路径规划系统与上文描述的路径规划方法可相互对应参照。
图5是本发明实施例提供的路径规划系统的结构示意图，如图5所示，包括获取模块51、确定模块52、更新模块53和处理模块54，其中：
获取模块51用于获取自动驾驶场景信息；确定模块52用于基于所述自动驾驶场景信息，由黏菌算法确定车辆行驶参数；更新模块53用于利用反向学习初始化所述车辆行驶参数，更新所述初始化后的车辆行驶参数，获得车辆行驶最佳位置；处理模块54用于根据所述车辆行驶最佳位置，确定车辆行驶路径。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行路径规划方法，该方法包括：获取自动驾驶场景信息；基于所述自动驾驶场景信息，由黏菌算法确定车辆行驶参数；利用反向学习初始化所述车辆行驶参数，更新所述初始化后的车辆行驶参数，获得车辆行驶最佳位置；根据所述车辆行驶最佳位置，确定车辆行驶路径。
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的路径规划方法，该方法包括：获取自动驾驶场景信息；基于所述自动驾驶场景信息，由黏菌算法确定车辆行驶参数；利用反向学习初始化所述车辆行驶参数，更新所述初始化后的车辆行驶参数，获得车辆行驶最佳位置；根据所述车辆行驶最佳位置，确定车辆行驶路径。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的路径规划方法，该方法包括：获取自动驾驶场景信息；基于所述自动驾驶场景信息，由黏菌算法确定车辆行驶参数；利用反向学习初始化所述车辆行驶参数，更新所述初始化后的车辆行驶参数，获得车辆行驶最佳位置；根据所述车辆行驶最佳位置，确定车辆行驶路径。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种路径规划方法，其特征在于，包括：
获取自动驾驶场景信息；
基于所述自动驾驶场景信息，由黏菌算法确定车辆行驶参数；
利用反向学习初始化所述车辆行驶参数，更新所述初始化后的车辆行驶参数，获得车辆行驶最佳位置；
根据所述车辆行驶最佳位置，确定车辆行驶路径。
2.根据权利要求1所述的路径规划方法，其特征在于，所述获取自动驾驶场景信息，包括：
获取自动驾驶栅格地图，在所述自动驾驶栅格地图中确定障碍物；
确定所述自动驾驶栅格地图的起点和终点。
3.根据权利要求1所述的路径规划方法，其特征在于，所述基于所述自动驾驶场景信息，由黏菌算法确定车辆行驶参数，包括：
获取车辆当前时刻行驶位置；
确定黏菌重量、任一迭代次的车辆最佳位置、任一迭代次的两个黏菌个体、第一调整系数和第二调整系数，其中所述第一调整系数的取值范围是基于当前迭代次数和最大迭代次数的反双曲正切函数所得到，所述第二调整系数的取值范围是基于所述当前迭代次数和所述最大迭代次数的线性函数所得到；
确定第一随机数和第二随机数，其中所述第一随机数的取值范围从0到1，所述第二随机数是由任一黏菌个体适应度值与所有迭代最优适应度值之差的绝对值取双曲正切函数所得到；
若确定所述第一随机数小于所述第二随机数，则由所述任一迭代次的车辆最佳位置、所述第一调整系数、所述黏菌重量和所述任一迭代次的两个黏菌个体得到车辆下一时刻行驶位置；
若确定所述第一随机数大于等于所述第二随机数，则由所述第二调整系数和所述车辆当前时刻行驶位置得到所述车辆下一时刻行驶位置。
4.根据权利要求3所述的路径规划方法，其特征在于，所述利用反向学习初始化所述车辆行驶参数，包括：
确定任意维度空间的黏菌点坐标和黏菌点坐标取值范围，获取所述黏菌点坐标取值范围中的第一端点值和第二端点值；
根据所述车辆当前时刻行驶位置、所述黏菌点坐标、所述第一端点值和所述第二端点值，得到车辆当前时刻行驶位置反向点；
在任一次迭代过程中均确定以优化求解所述车辆当前时刻行驶位置和所述车辆当前时刻行驶位置反向点的较小值，作为所述车辆下一时刻行驶位置。
5.根据权利要求3所述的路径规划方法，其特征在于，所述更新所述初始化后的车辆行驶参数，包括：
确定当前迭代最差适应度值；
基于所述所有迭代最优适应度值、所述当前迭代最差适应度值、所述任一黏菌个体适应度值和所述第一随机数更新所述黏菌重量，得到第一适应度群体和第二适应度群体；
所述第一适应度群体对应第一取值范围，所述第二适应度群体对应第二取值范围，且所述第一取值范围大于所述第二取值范围。
6.根据权利要求3所述的路径规划方法，其特征在于，所述获得车辆行驶最佳位置，包括：
确定搜索空间上限值和搜索空间下限值，获取随机分布黏菌个体占总体的比例作为第三随机数；
若确定所述第一随机数小于所述第三随机数，则根据所述第一随机数、所述搜索空间上限值和所述搜索空间下限值获得所述车辆行驶最佳位置；
若确定所述第一随机数大于等于所述第三随机数，且小于所述第二随机数，则根据所述任一迭代次的车辆最佳位置、所述第一调整系数、所述黏菌重量和所述任一迭代次的两个黏菌个体获得所述车辆行驶最佳位置；
若确定所述第一随机数大于等于所述第二随机数，则由所述第二调整系数和所述车辆当前时刻行驶位置获得所述车辆行驶最佳位置。
7.一种路径规划系统，其特征在于，包括：
获取模块，用于获取自动驾驶场景信息；
确定模块，用于基于所述自动驾驶场景信息，由黏菌算法确定车辆行驶参数；
更新模块，用于利用反向学习初始化所述车辆行驶参数，更新所述初始化后的车辆行驶参数，获得车辆行驶最佳位置；
处理模块，用于根据所述车辆行驶最佳位置，确定车辆行驶路径。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述路径规划方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述路径规划方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述路径规划方法。
CN202310157027.0A 2023-02-15 2023-02-15 一种路径规划方法、系统、电子设备及存储介质 Pending CN116242381A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310157027.0A CN116242381A (zh) 2023-02-15 2023-02-15 一种路径规划方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310157027.0A CN116242381A (zh) 2023-02-15 2023-02-15 一种路径规划方法、系统、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116242381A true CN116242381A (zh) 2023-06-09

Family

ID=86625722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310157027.0A Pending CN116242381A (zh) 2023-02-15 2023-02-15 一种路径规划方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116242381A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116519003A (zh) * 2023-06-28 2023-08-01 广汽埃安新能源汽车股份有限公司 一种路径规划方法、装置、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116519003A (zh) * 2023-06-28 2023-08-01 广汽埃安新能源汽车股份有限公司 一种路径规划方法、装置、电子设备及存储介质
CN116519003B (zh) * 2023-06-28 2023-09-01 广汽埃安新能源汽车股份有限公司 一种路径规划方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN110135314B (zh) 一种基于深度轨迹预测的多目标跟踪方法
CN109798896B (zh) 一种室内机器人定位与建图方法及装置
CN110181508B (zh) 水下机器人三维航路规划方法及系统
CN111079780B (zh) 空间图卷积网络的训练方法、电子设备及存储介质
CN107169557A (zh) 一种对布谷鸟优化算法进行改进的方法
CN114167865B (zh) 一种基于对抗生成网络与蚁群算法的机器人路径规划方法
CN109658378B (zh) 基于土壤ct图像的孔隙辨识方法及系统
CN116242381A (zh) 一种路径规划方法、系统、电子设备及存储介质
CN110049433A (zh) 一种基于edw-dpso算法的定位性能优化方法
CN112509017B (zh) 一种基于可学习差分算法的遥感影像变化检测方法
CN110095788A (zh) 一种基于灰狼优化算法的rbpf-slam改进方法
CN117707168A (zh) 一种基于深度强化学习的机器人避障路径规划方法
CN116859903A (zh) 基于改进哈里斯鹰优化算法的机器人平滑路径规划方法
CN114399161A (zh) 基于离散映射差分进化算法的多无人机协同任务分配方法
CN116596021A (zh) 基于改进的麻雀搜索算法的模型参数优化方法、装置
CN114397894A (zh) 一种模仿人类记忆的移动机器人目标搜索方法
CN112802089B (zh) 一种基于分叉数量自动估计的点云骨架线提取方法及系统
CN117873070A (zh) 基于her-sac算法的机器人路径规划方法及装置
CN116109650B (zh) 点云实例分割模型训练方法和训练装置
CN116628537A (zh) 多视图聚类方法、装置、存储介质及电子设备
CN115908485A (zh) 一种面向太空中非合作目标的实时位姿跟踪方法及其系统
CN105160436A (zh) 一种基于n邻近Lipschitz支撑面的广义增强群体全局优化方法
CN111709494B (zh) 一种新型混合优化的图像立体匹配方法
CN115290098B (zh) 一种基于变步长的机器人定位方法和系统
CN118051063B (zh) 一种低空无人机避障飞行的训练方法

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