CN116894529A - 一种无人驾驶设备集群的路径规划方法、装置和终端设备 - Google Patents
一种无人驾驶设备集群的路径规划方法、装置和终端设备 Download PDFInfo
- Publication number
- CN116894529A CN116894529A CN202310748202.3A CN202310748202A CN116894529A CN 116894529 A CN116894529 A CN 116894529A CN 202310748202 A CN202310748202 A CN 202310748202A CN 116894529 A CN116894529 A CN 116894529A
- Authority
- CN
- China
- Prior art keywords
- determining
- path
- search
- area
- patrol
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000007689 inspection Methods 0.000 claims description 58
- 238000010276 construction Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 16
- 230000000875 corresponding effect Effects 0.000 description 220
- 238000010586 diagram Methods 0.000 description 27
- 230000008569 process Effects 0.000 description 24
- 230000002596 correlated effect Effects 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 101100272260 Candida albicans (strain SC5314 / ATCC MYA-2876) BCR1 gene Proteins 0.000 description 1
- 101100102183 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) USV1 gene Proteins 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Classifications
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种无人驾驶设备集群的路径规划方法、装置和终端设备,其方法包括:确定与无人驾驶设备集群的预设任务区域对应的巡查关键点集合以及与巡查关键点集合中的各巡查关键点分别对应的巡查覆盖区域;巡查关键点为无人驾驶设备最大限度覆盖预设任务区域对应的位置;获取与无人驾驶设备集群对应的初始位置集合;根据初始位置集合迭代构建搜寻区域组合,并根据各搜寻区域组合的区域划分评分确定目标搜寻区域组合;针对每个无人驾驶设备,基于目标搜寻区域迭代构建规划路径,并根据各规划路径的路径规划评分确定无人驾驶设备的目标规划路径。本方法能够提高无人驾驶设备集群的工作效率。
Description
技术领域
本申请涉及路径规划技术领域,尤其涉及一种无人驾驶设备集群的路径规划方法、装置、终端设备和计算机可读存储介质。
背景技术
随着无人驾驶技术的逐步成熟,利用无人驾驶设备集群协同对已知环境参数的预设任务区域进行搜寻或测量测绘任务已日趋成为无人驾驶领域的研究热点。对于无人驾驶设备集群在预设任务区域内执行对应的任务时的路径规划的问题,目前的技术方案是根据无人驾驶设备集群中无人驾驶设备的初始位置确定与各无人驾驶设备对应的邻近区域,并依据最短路径原则在邻近区域中确定对应的目标规划路径。但是,在按照目前的技术方案确定出的目标规划路径后,无人驾驶设备集群中的各无人驾驶设备在按照对应的目标规划路径执行对应的任务时,无人驾驶设备集群执行任务的工作效率低下。
因此,如何提高无人驾驶设备集群的工作效率,是本领域技术人员目前需要解决的技术问题。
发明内容
本申请的目的在于提供一种无人驾驶设备集群的路径规划方法、装置、终端设备和计算机可读存储介质,旨在提高无人驾驶设备集群的工作效率。
第一方面,本申请提供了一种无人驾驶设备集群的路径规划方法。所述方法包括:
确定与无人驾驶设备集群的预设任务区域对应的巡查关键点集合以及与所述巡查关键点集合中的各巡查关键点分别对应的巡查覆盖区域;其中,所述巡查关键点为所述无人驾驶设备最大限度覆盖所述预设任务区域对应的位置;
获取与所述无人驾驶设备集群对应的初始位置集合;其中,所述初始位置集合包括与各所述无人驾驶设备分别对应的初始位置;
根据所述初始位置集合迭代构建搜寻区域组合,并根据各所述搜寻区域组合的区域划分评分确定目标搜寻区域组合;其中,所述目标搜寻区域组合包括与各所述无人驾驶设备分别对应的目标搜寻区域,且所述目标搜寻区域包括至少一个所述巡查覆盖区域;
针对每个所述无人驾驶设备,基于所述目标搜寻区域迭代构建规划路径,并根据各所述规划路径的路径规划评分确定所述无人驾驶设备的目标规划路径。
在其中一个实施例中,所述根据所述初始位置集合迭代构建搜寻区域组合,并根据各所述搜寻区域组合的区域划分评分确定目标搜寻区域组合,包括:
根据所述初始位置集合确定初始搜寻区域组合;其中,所述初始搜寻区域组合中包括与各所述无人驾驶设备分别对应的初始搜寻区域,且所述初始搜寻区域包括至少一个所述巡查覆盖区域;基于所述初始搜寻区域组合进行区域调整,得到候选搜寻区域组合;确定与各搜寻区域组合分别对应的区域划分评分;其中,所述搜寻区域组合包括所述初始搜寻区域组合和各所述候选搜寻区域组合;根据各所述区域划分评分对各所述搜寻区域组合进行筛选,将筛选出的各所述搜寻区域组合更新为所述初始搜寻区域组合,并返回所述基于所述初始搜寻区域组合进行区域调整,得到候选搜寻区域组合的步骤,直至达到第一迭代构建结束条件,确定出与各所述无人驾驶设备分别对应的目标搜寻区域,得到所述目标搜寻区域组合。
在其中一个实施例中,所述确定与各搜寻区域组合分别对应的区域划分评分,包括:
针对每一搜寻区域组合,确定与各所述无人驾驶设备分别对应的搜寻区域;根据各所述搜寻区域确定所述搜寻区域组合的内外角总数,得到内外角评分;确定各所述搜寻区域分别对应的最大距离,并确定出各所述最大距离的平均值,得到间隔评分;根据所述内外角评分和所述间隔评分确定与所述搜寻区域组合对应的区域划分评分。
在其中一个实施例中,所述根据各所述搜寻区域确定所述搜寻区域组合的内外角总数,得到内外角评分,包括:
针对每一所述搜寻区域,确定与各所述巡查覆盖区域的四个角分别对应的坐标,并确定各所述坐标分别对应的重复次数;若所述重复次数为奇数,则将与所述重复次数对应的角确定为内外角,确定出所述搜寻区域的内外角数;根据各所述搜寻区域分别对应的内外角数,确定与所述搜寻区域组合对应的内外角总数,得到内外角评分。
在其中一个实施例中,所述基于所述初始搜寻区域组合进行区域调整,得到候选搜寻区域组合,包括:
交换所述初始搜寻区域组合中不同的所述初始搜寻区域中的巡查覆盖区域,得到候选搜寻区域组合。
在其中一个实施例中,所述针对每个所述无人驾驶设备,基于所述目标搜寻区域迭代构建规划路径,并根据各所述规划路径的路径规划评分确定所述无人驾驶设备的目标规划路径,包括:
针对每个所述无人驾驶设备,根据所述无人驾驶设备的目标搜寻区域确定初始规划路径;基于所述初始规划路径进行路径调整,得到候选规划路径;确定与各规划路径分别对应的路径规划评分;其中,所述规划路径包括所述初始规划路径和各所述候选规划路径;根据各所述路径规划评分对所述规划路径进行筛选,将筛选出的各所述规划路径更新为所述初始规划路径,并返回所述基于所述初始规划路径进行路径调整,得到候选规划路径的步骤,直至达到第二迭代构建结束条件,确定与所述无人驾驶设备对应的目标规划路径。
在其中一个实施例中,所述确定与各规划路径分别对应的路径规划评分,包括:
针对每一规划路径,根据所述初始位置和所述规划路径中的列头对应的巡查关键点确定初始距离;确定所述规划路径中相邻两个所述巡查关键点对应的行驶路径长度和转弯次数;根据所述初始距离、所述行驶路径长度和所述转弯次数确定所述规划路径的规划路径评分。
在其中一个实施例中,所述确定与无人驾驶设备集群的预设任务区域对应的巡查关键点集合以及与所述巡查关键点集合中的各巡查关键点分别对应的巡查覆盖区域,包括:
确定与无人驾驶设备集群的预设任务区域对应的任务区域网格;根据所述预设任务区域确定巡查关键点的关键点间距和标定巡查关键点;根据所述关键点间距和所述标定巡查关键点确定巡查关键点集合,并确定与所述巡查关键点集合中的各巡查关键点分别对应的巡查覆盖区域。
在其中一个实施例中,在所述针对每个所述无人驾驶设备,基于所述目标搜寻区域迭代构建规划路径,并根据各所述规划路径的路径规划评分确定所述无人驾驶设备的目标规划路径之后,所述方法还包括:
根据各所述无人驾驶设备分别对应的所述目标规划路径确定评估指标参数;所述评估指标参数包括搜寻覆盖率、搜寻重复率和搜寻偏离率。
第二方面,本申请还提供了无人驾驶设备集群的路径规划装置。所述装置包括:
区域确定模块,用于确定与无人驾驶设备集群的预设任务区域对应的巡查关键点集合以及与所述巡查关键点集合中的各巡查关键点分别对应的巡查覆盖区域;其中,所述巡查关键点为所述无人驾驶设备最大限度覆盖所述预设任务区域对应的位置;
位置获取模块,用于获取与所述无人驾驶设备集群对应的初始位置集合;其中,所述初始位置集合包括与各所述无人驾驶设备分别对应的初始位置;
第一迭代构建模块,用于根据所述初始位置集合迭代构建搜寻区域组合,并根据各所述搜寻区域组合的区域划分评分确定目标搜寻区域组合;其中,所述目标搜寻区域组合包括与各所述无人驾驶设备分别对应的目标搜寻区域,且所述目标搜寻区域包括至少一个所述巡查覆盖区域;
第二迭代构建模块,用于针对每个所述无人驾驶设备,基于所述目标搜寻区域迭代构建规划路径,并根据各所述规划路径的路径规划评分确定所述无人驾驶设备的目标规划路径。
第三方面,本申请还提供了一种终端设备。所述终端设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述方法的步骤。
本申请提供一种无人驾驶设备集群的规划路径方法,本方法通过对无人驾驶设备集群的搜寻区域组合和无人驾驶设备的规划路径进行双重迭代优化,确定出与各无人驾驶设备分别对应的目标规划路径,因此无人驾驶集群中的各无人驾驶设备在按照对应的目标规划路径执行对应的任务时,能够提高无人驾驶设备执行任务的工作效率。
可以理解的是,本申请实施例提供的一种无人驾驶设备集群的路径规划装置、终端设备和计算机可读存储介质具有如上述无人驾驶设备集群的路径规划方法相同的有益效果,在此不再赘述。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本申请的一些实施方式,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为本申请实施例提供的一种无人驾驶设备集群的路径规划方法的流程图;
图2为本申请实施例提供的另一种无人驾驶设备集群的路径规划方法中S300:根据初始位置集合迭代构建搜寻区域组合,并根据各搜寻区域组合的区域划分评分确定目标搜寻区域组合的流程图;
图3为本申请实施例提供的一种根据各初始位置确定初始搜寻区域组合的过程示意图;
图4为本申请实施例提供的一种目标搜寻区域组合的示意图;
图5为本申请实施例提供的一种内外角和最大距离的示意图;
图6为本申请实施例提供的另一种无人驾驶设备集群的路径规划方法中S320:基于初始搜寻区域组合进行区域调整,得到候选搜寻区域组合的过程示意图;
图7为本申请实施例提供的另一种无人驾驶设备集群的路径规划方法中S400:针对每个无人驾驶设备,基于目标搜寻区域迭代构建规划路径,并根据各规划路径的路径规划评分确定无人驾驶设备的目标规划路径的流程图;
图8为本申请实施例提供的一种初始规划路径的示意图;
图9为本申请实施例提供的一种与各无人驾驶设备分别对应的目标规划路径的示意图;
图10为本申请实施例提供的一种确定与各规划路径分别对应的路径规划评分的流程图;
图11为本申请实施例提供的一种计算规划路径评分的过程示意图;
图12为本申请实施例提供的一种预设任务区域、任务区域网格、感知半径、覆盖半径和巡查关键点的关系示意图;
图13为本申请实施例提供的一种各无人驾驶设备在预设任务区域按照对应的目标规划路径行驶的示意图;
图14为本申请实施例提供的一种无人驾驶设备集群的路径规划装置的结构示意图;
图15为本申请实施例提供的一种终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、设备、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
本申请实施例提供的一种无人驾驶设备集群的路径规划方法,可以由终端设备的处理器在运行相应的计算机程序时执行。
图1为本申请实施例提供的一种无人驾驶设备集群的路径规划方法的流程图,为了便于说明,仅示出了与本实施例相关的部分,本实施例提供的方法包括如下步骤:
S100:确定与无人驾驶设备集群的预设任务区域对应的巡查关键点集合以及与巡查关键点集合中的各巡查关键点分别对应的巡查覆盖区域;其中,无人驾驶设备集群中包括多个无人驾驶设备;巡查关键点为无人驾驶设备最大限度覆盖预设任务区域对应的位置。
其中,无人驾驶设备集群中包括多个无人驾驶设备;无人驾驶设备可以是无人艇、无人机或无人车等,本实施例对无人驾驶设备的具体类型不做限定。
其中,预设任务区域指的是无人驾驶设备集群执行任务时需要覆盖巡查的区域,任务类型包括搜寻、测量测绘等。不同的无人驾驶设备集群对应的预设任务区域类型不同;例如,若无人驾驶设备集群为无人艇集群,对应的预设任务区域为预设任务水域。在实际操作中,确定预设任务区域包括根据实际任务场景设置预设任务区域的形状、长宽以及预设任务区域中的障碍物位置、形状和面积等。
其中,巡查关键点指的是无人驾驶设备最大限度覆盖预设任务区域对应的位置,一般设置于无人驾驶设备能够抵达的位置。如预设任务区域对应的区域性质包括水域和障碍物,水域为无人驾驶设备能够抵达的位置,巡查关键点处于水域对应的位置。其中,巡查关键点集合为巡查关键点对应的集合,即巡查关键点集合中包括至少一个巡查关键点。例如,巡查关键点为预设水域内且在无人艇感知半径内能够最大限度覆盖预设水域的位置,无人艇在预设水域内执行搜寻、测绘或采集等任务可等价转换为对预设水域中的巡查关键点的遍历过程。
在实际操作中,首先根据预设任务区域确定巡查关键点,然后根据无人驾驶设备的感知半径确定与巡查关键点对应的覆盖半径,再将以巡查关键点为中心、以覆盖半径为半径确定出的正方形区域确定为巡查覆盖区域。
S200:获取与无人驾驶设备集群对应的初始位置集合;其中,初始位置集合包括与各无人驾驶设备分别对应的初始位置。
其中,初始位置指的是无人驾驶设备集群中的各无人驾驶设备分布于预设任务区域对应的位置。在实际操作中,各无人驾驶设备分别对应的各初始位置尽量分布于预设任务区域,以高效实现对预设任务区域的全面搜寻。
在实际操作中,初始化无人驾驶设备集群,确定无人设备集群中各无人驾驶设备的设备数量,设置各无人驾驶设备分别对应的行驶速度、感知半径,并在预设任务区域中随机配置各无人驾驶设备的初始位置,初始位置对应的区域性质为可行驶区域。
S300:根据初始位置集合迭代构建搜寻区域组合,并根据各搜寻区域组合的区域划分评分确定目标搜寻区域组合;其中,目标搜寻区域组合包括与各无人驾驶设备分别对应的目标搜寻区域,且目标搜寻区域包括至少一个巡查覆盖区域。
需要说明的是,当参与任务执行的无人驾驶设备的数量众多时,即无人驾驶设备集群中的无人驾驶设备的设备数量较多时,需要为各无人驾驶设备分配对应的搜寻区域,以确保各无人驾驶设备都能够高效执行任务。
具体的,在确定无人驾驶设备集群中各无人驾驶设备分别对应的初始位置后,根据各初始位置确定初始搜寻区域组合,并根据初始搜寻区域组合迭代构建候选搜寻区域组合,确定出与各搜寻区域组合分别对应的区域划分评分;其中,搜寻区域组合包括初始搜寻区域组合和各候选搜寻区域组合;每一个搜寻区域组合均包括与各无人驾驶设备分别对应的搜寻区域,且搜寻区域包括至少一个巡查覆盖区域;然后基于区域划分评分筛选确定出目标搜寻区域组合,该目标搜寻区域组合中的各搜寻区域即为与各无人驾驶设备分别对应的目标搜寻区域。
S400:针对每个无人驾驶设备,基于目标搜寻区域迭代构建规划路径,并根据各规划路径的路径规划评分确定无人驾驶设备的目标规划路径。
具体的,在确定出与各无人驾驶设备分别对应的目标搜寻区域后,针对每个无人驾驶设备,将目标搜寻区域对应的各巡查关键点的按照收尾连接顺序,得到初始规划路径,并根据初始规划路径构建候选规划路径;然后将候选规划路径作为更新的初始规划路径,继续根据更新的初始规划路径构建候选规划路径;确定出与各规划路径分别对应的路径规划评分;其中,规划路径包括初始规划路径和各候选规划路径;然后基于路径规划评分筛选确定出与无人驾驶设备对应的目标规划路径。
在对各无人驾驶设备分别执行上述操作后,即得到与各无人驾驶设备分别对应的目标规划路径。
本申请实施例提供一种无人驾驶设备集群的规划路径方法,本方法通过对无人驾驶设备集群的搜寻区域组合和无人驾驶设备的规划路径进行双重迭代优化,确定出与各无人驾驶设备分别对应的目标规划路径,因此无人驾驶集群中的各无人驾驶设备在按照对应的目标规划路径执行对应的任务时,能够提高无人驾驶设备执行任务的工作效率。
图2为本申请实施例提供的另一种无人驾驶设备集群的路径规划方法中S300:根据初始位置集合迭代构建搜寻区域组合,并根据各搜寻区域组合的区域划分评分确定目标搜寻区域组合的流程图。在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,本实施例中,S300:根据初始位置集合迭代构建搜寻区域组合,并根据各搜寻区域组合的区域划分评分确定目标搜寻区域组合,包括:
S310:根据初始位置集合确定初始搜寻区域组合;其中,初始搜寻区域组合中包括与各无人驾驶设备分别对应的初始搜寻区域,且初始搜寻区域包括至少一个巡查覆盖区域。
其中,初始搜寻区域为根据无人驾驶设备的初始位置直接确定出的搜寻区域,初始搜寻区域包括至少一个巡查覆盖区域;初始搜寻区域组合指的是各无人驾驶设备分别对应的搜寻区域的组合,即初始搜寻区域组合中包括与各无人驾驶设备分别对应的初始搜寻区域。
具体的,根据无人驾驶设备的初始位置计算无人驾驶设备与各巡查关键点分别对应的距离,并依据近距离分配原则,确定与无人驾驶设备最近的预设数量的巡查关键点,将与确定出的巡查关键点对应的巡查覆盖区域确定为该无人驾驶设备的初始搜寻区域;或者确定出与无人驾驶设备的距离低于预设距离阈值的巡查关键点,将与确定出的巡查关键点对应的巡查覆盖区域确定为该无人驾驶设备的初始搜寻区域。在确定出与无人驾驶设备集群中各无人驾驶设备分别对应的初始搜寻区域后,即确定出无人驾驶设备集群的初始位置集合对应的初始搜寻区域组合。
图3为本申请实施例提供的一种根据各初始位置确定初始搜寻区域组合的过程示意图;其中,右边带标号的方框表示预设任务区域中的各巡查关键点(巡查覆盖区域),带标号的圆圈表示各无人驾驶设备;各圆圈的位置表示对应的无人驾驶设备在预设任务区域的初始位置。如图3所示,无人驾驶设备集群为{USV1,USV2,USV3,USV4,USV5};按照近距离分配原则,确定出与无人驾驶设备1(USV1)对应的巡查关键点集合为{1,2,3,10,11,19},与无人驾驶设备2(USV2)对应的巡查关键点集合为{25,26,27,28,29,18}等。在确定出与各无人驾驶设备分别对应的巡查关键点集合后,根据巡查关键点集合中的各巡查关键点在预设任务区域中的位置,确定出与各无人驾驶设备分别对应的初始搜寻区域,并得出与无人驾驶设备集群的初始位置集合对应的初始搜寻区域组合。
S320:基于初始搜寻区域组合进行区域调整,得到候选搜寻区域组合。
具体的,在确定出初始搜寻区域组合后,基于初始搜寻区域组合进行区域调整,如修改、增加或删除初始搜寻区域组合中的巡查覆盖区域,在每次调整后即得到新的候选搜寻区域组合。
在一个具体的实施例中,预先设置与无人驾驶设备集群对应的区域划分种群规模上限;区域划分种群规模上限指的是在一次迭代构建过程中确定出的搜寻区域组合的最大数量;其中,搜寻区域组合包括初始搜寻区域组合和各候选搜寻区域组合。一般的,区域划分种群规模上限的取值与无人驾驶设备集群中无人驾驶设备的设备数量呈正相关,即无人驾驶设备集群中的无人驾驶设备的数量越多,区域划分种群规模上限的取值越大,本实施例对区域划分种群规模上限的取值不做限定,根据实际场景确定即可。例如,假设无人驾驶设备集群中的无人驾驶设备的设备数量为n,则区域划分种群规模上限的取值N可以为:N=n×1000。
需要说明的是,在每次得到候选搜寻区域组合后,将该候选搜寻区域组合增加到区域划分种群中,并更新区域划分种群数量,即扩充区域划分种群;判断区域划分种群数量是否达到区域划分种群规模上限;若未达到区域划分种群规模上限,则继续基于初始搜寻区域组合进行区域调整,得到候选搜寻区域组合,扩充区域划分种群;若达到区域划分种群规模上限,则结束扩充区域划分种群并输出区域划分种群。
S330:确定与各搜寻区域组合分别对应的区域划分评分;其中,搜寻区域组合包括初始搜寻区域组合和各候选搜寻区域组合。
其中,区域划分评分指的是用于表征搜寻区域组合的优劣的分值。在确定与各搜寻区域组合分别对应的区域划分评分时,区域划分评分要精确描述各无人驾驶设备对应的搜寻区域的整体性。
在实际操作中,可以设置区域划分评分与搜寻区域的整体性呈正相关,也可以设置区域划分评分与搜寻区域的整体性呈负相关,本实施例对此不做限定。例如,若区域划分评分与搜寻区域的整体性呈正相关,则各无人驾驶设备分别对应的搜寻区域越紧凑,搜寻区域组合对应的区域划分评分越高;若区域划分评分与搜寻区域的整体性呈负相关,则各无人驾驶设备分别对应的搜寻区域越零散,搜寻区域组合对应的区域划分评分越高。
在实际操作中,可以先从区域划分种群中筛选出还未确定区域划分评分的搜寻区域组合,再针对筛选出的搜寻区域组合设置对应的区域划分评分,以避免重复计算区域划分评分。
S340:根据各区域划分评分对各搜寻区域组合进行筛选。
在获取到各搜寻区域组合分别对应的区域划分评分后,根据设置区域划分评分的规则筛选搜寻区域组合。具体的,若区域划分评分与搜寻区域的整体性呈正相关,在根据各区域划分评分筛选搜寻区域组合时,筛选出区域划分评分较高的搜寻区域组合,即优先删除区域划分评分较低的搜寻区域组合;若区域划分评分与搜寻区域的整体性呈负相关,在根据各区域划分评分筛选搜寻区域组合时,筛选出区域划分评分较低的搜寻区域组合,即优先删除区域划分评分较高的搜寻区域组合。
具体的,可以按照预设比例删除对应的搜寻区域组合,也可以删除指定数量的搜寻区域组合,本实施例对具体的筛选方式不做限定。例如,若区域划分评分与搜寻区域的整体性呈负相关,依次确定出区域划分种群中区域划分评分最高的搜寻区域组合并删除,将区域划分种群缩减至区域划分种群规模上限的1/10。在删除对应的搜寻区域组合后,即筛选出区域划分评分满足要求的搜寻区域组合。
S350:判断当前是否达到第一迭代构建结束条件;
S360:若当前未达到第一迭代构建结束条件,则将筛选出的各搜寻区域组合更新为初始搜寻区域组合,并返回S320:基于初始搜寻区域组合进行区域调整,得到候选搜寻区域组合的步骤;
S370:若当前达到第一迭代构建结束条件,确定出与各无人驾驶设备分别对应的目标搜寻区域,得到目标搜寻区域组合。
其中,第一迭代构建结束条件可以是迭代次数达到第一迭代次数上限。本实施例中,第一迭代次数上限的取值与无人驾驶设备集群中无人驾驶设备的设备数量呈正相关,即无人驾驶设备的设备数量越多,第一迭代次数上限的取值越大。假设无人驾驶设备集群中的无人驾驶设备的设备数量为n,则第一迭代次数上限K的取值可以是:K=n×50。
在本实施例中,一次迭代构建搜寻区域组合的过程即“区域划分种群扩充→区域划分种群评分→区域划分种群缩减”的过程;例如将区域划分种群数量由100扩充至1000,再缩减至100的全过程称为一次迭代构建搜寻区域组合的过程。
具体的,判断当前是否达到第一迭代构建结束条件;若当前未达到第一迭代构建结束条件,将筛选出的各搜寻区域组合更新为初始搜寻区域组合,并返回S300:基于初始搜寻区域组合进行区域调整,得到候选搜寻区域组合的步骤,即继续基于当前的区域划分种群进行迭代构建操作。
若当前达到第一迭代构建结束条件,则确定出当前的区域划分种群,再按照评分规则从当前的区域划分种群中确定出区域划分评分最优的搜寻区域组合,即确定出目标搜寻区域组合。例如,若区域划分评分与搜寻区域的整体性呈负相关,则将当前的区域划分种群中区域划分评分最低的搜寻区域组合确定为目标搜寻区域组合。其中,目标搜寻区域组合中包括与各无人驾驶设备分别对应的目标搜寻区域,因此根据目标搜寻区域组合确定出与各无人驾驶设备分别对应的目标搜寻区域。
图4为本申请实施例提供的一种目标搜寻区域组合的示意图;如图4所示,为5个无人驾驶设备分别对应的目标搜寻区域;其中,每个方框表示巡查覆盖区域,相同阴影的巡查覆盖区域表示与同一无人驾驶设备对应的目标搜寻区域,不同阴影的巡查覆盖区域表示不同的无人驾驶设备对应的目标搜寻区域。
按照本实施例的方法,通过迭代构建搜寻区域组合,能确定出与各无人驾驶设备分别对应的最优的目标搜寻区域。
在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,本实施例中,S320:确定与各搜寻区域组合分别对应的区域划分评分,包括:
针对每一搜寻区域组合,确定与各无人驾驶设备分别对应的搜寻区域;
根据各搜寻区域确定搜寻区域组合的内外角总数,得到内外角评分;
确定各搜寻区域分别对应的最大距离,并确定出各最大距离的平均值,得到间隔评分;
根据内外角评分和间隔评分确定与搜寻区域组合对应的区域划分评分。
图5为本申请实施例提供的一种内外角和最大距离的示意图;其中,内外角指的是搜寻区域中角度为90°或270°的角;如图5中,在无人驾驶设备对应的搜寻区域中,圆圈圈出的角为内外角,未用圆圈圈出的角为非内外角。针对每一搜寻区域组合,首先确定搜寻区域组合中与各无人驾驶设备分别对应的搜寻区域;然后确定各搜寻区域分别对应的内外角数,并计算出与搜寻区域组合对应的内外角总数,即确定出内外角评分。
在一个具体的实施例中,根据各搜寻区域确定搜寻区域组合的内外角总数,得到内外角评分,包括:
针对每一搜寻区域,确定与各巡查覆盖区域的四个角分别对应的坐标,并确定各坐标分别对应的重复次数;
若重复次数为奇数,则将与重复次数对应的角确定为内外角,确定出搜寻区域的内外角数;
根据各搜寻区域分别对应的内外角数,确定与搜寻区域组合对应的内外角总数,得到内外角评分。
例如,针对无人驾驶设备1(USV1)对应的搜寻区域,巡查覆盖区域1的左上角的坐标重复次数为1,即为奇数,因此该角对应为内外角;巡查覆盖区域1的右上角坐标与巡查覆盖区域2的左上角坐标重叠,该坐标重复次数为2,即为偶数,因此该角不是内外角;巡查覆盖区域1的右下角坐标、巡查覆盖区域2的左下角坐标以及巡查覆盖区域10的左上角坐标重叠,该坐标重复次数为3,即为奇数,因此该角对应为内外角;巡查覆盖区域2的右下角坐标、巡查覆盖区域3的左下角坐标、巡查覆盖区域10的右上角以及巡查覆盖区域11的左上角坐标重叠,该坐标重复次数为4,即为偶数,因此该角不是内外角。按照上述方法,依次判断搜寻区域中的各角是否为内外角,并统计得出搜寻区域的内外角数;再累加搜寻区域组合中的各搜寻区域分别对应的内外角数计算出内外角总数,得到内外角评分。
具体的,针对每个搜寻区域,确定搜寻区域中任意两个巡查覆盖区域对应的距离,并根据各距离确定出最大距离,即确定出搜寻区域对应的最大距离;然后针对每个搜寻区域组合,计算出该搜寻区域组合中各搜寻区域的最大距离的平均值,得到间隔评分。
在确定出与搜寻区域组合对应的内外角评分和间隔评分后,根据内外角评分和间隔评分计算出与搜寻区域组合对应的区域划分评分;具体的,区域划分评分=内外角评分×间隔评分。
在一个具体的实施例中,假设无人驾驶设备集群中的无人驾驶设备数量为n,第i个无人驾驶设备对应的搜寻区域的内外角数为si;第i个无人驾驶设备对应的搜寻区域的最大距离为di,则搜寻区域组合对应的区域划分评分fA为:
按照本实施例的方法确定出与各搜寻区域组合对应的区域划分评分,该区域划分评分能够精确描述搜寻区域组合的整体性。
在一个具体的实施例中,基于初始搜寻区域组合进行区域调整,得到候选搜寻区域组合,包括:
交换初始搜寻区域组合中不同的初始搜寻区域中的巡查覆盖区域,得到候选搜寻区域组合。
具体的,在确定出初始搜寻区域组合后,确定任意两个无人驾驶设备,再从两个无人驾驶设备对应的巡查关键点集合中分别确定出至少一个巡查关键点,交换确定出的巡查关键点,即更换了无人驾驶设备的搜寻区域,因此得到不同于初始搜寻区域组合的搜寻区域组合,即得到候选搜寻区域组合。
图6为本申请实施例提供的另一种无人驾驶设备集群的路径规划方法中S320:基于初始搜寻区域组合进行区域调整,得到候选搜寻区域组合的过程示意图。具体的,本实施例中,交换无人驾驶设备2(USV2)中的巡查关键点26和无人驾驶设备3(USV3)中的巡查关键点21,使得无人驾驶设备2(USV2)和无人驾驶设备3(USV3)对应的搜寻区域发生变化,得到新的搜寻区域组合,即获取候选搜寻区域组合。
本实施例中,通过交换初始搜寻区域组合中不同的初始搜寻区域中的巡查覆盖区域,得到候选搜寻区域组合,在能够高效便捷地确定出候选搜寻区域组合的情况下,相较于直接增加或删除巡查关键点以得出候选搜寻区域组合的方式,本方法能避免候选搜寻区域组合中遗漏或重复巡查关键点,因此能进一步提高无人驾驶设备集群的工作效率。
图7为本申请实施例提供的另一种无人驾驶设备集群的路径规划方法中S400:针对每个无人驾驶设备,基于目标搜寻区域迭代构建规划路径,并根据各规划路径的路径规划评分确定无人驾驶设备的目标规划路径的流程图。在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,本实施例中,S400:针对每个无人驾驶设备,基于目标搜寻区域迭代构建规划路径,并根据各规划路径的路径规划评分确定无人驾驶设备的目标规划路径,包括:
S410:针对每个无人驾驶设备,根据无人驾驶设备的目标搜寻区域确定初始规划路径。
其中,初始规划路径指的是根据无人驾驶设备的目标搜寻区域直接确定出的规划路径。在实际操作中,可以根据目标搜寻区域中的巡查关键点的排列顺序确定初始规划路径;初始规划路径也就是无人驾驶设备通过按照一定的顺序遍历目标搜寻区域中的各巡查关键点对应的遍历顺序。
如图8所示,为本申请实施例提供的一种初始规划路径的示意图;每个无人驾驶设备各自独立产生对应的初始规划路径;其中,巡查关键点1为初始规划路径中列头的巡查关键点,巡查关键点19为初始规划路径中列尾的巡查关键点。无人驾驶设备从初始位置行驶到列头的巡查关键点,并按照顺序依次遍历各巡查关键点,在遍历到列尾的巡查关键点后,返回列头的巡查关键点重新开始遍历。
S420:基于初始规划路径进行路径调整,得到候选规划路径。
具体的,在确定出初始规划路径后,基于初始规划路径进行路径调整,即对初始规划路径中各巡查关键点的顺序进行调整,得到新的规划路径,即候选规划路径。更具体的,可以随机互换初始规划路径中除列头的巡查关键点之外的其他两个巡查关键点的位置,在每次交换后即得到新的候选规划路径。
在一个具体的实施例中,预先设置与各目标搜寻区域对应的路径规划种群规模上限,路径规划种群规模上限指的是在一次迭代构建过程中确定出的规划路径的最大数量;其中,规划路径包括初始规划路径和各候选规划路径。一般的,路径规划种群规模上限的取值与目标搜寻区域中的巡查关键点的数量呈正相关,即目标搜寻区域中的巡查关键点的数量越多,路径规划种群规模上限的取值越大,本实施例对路径规划种群规模上限的取值不做限定,根据实际场景确定即可。例如,路径规划种群规模上限的取值可以是100。
需要说明的是,在每次得到候选规划路径后,将该候选规划路径增加到路径规划种群中,并更新路径规划种群数量,即扩充路径规划种群;判断路径规划种群数量是否达到路径规划种群规模上限;若未达到路径规划种群规模上限,则继续基于初始规划路径进行路径调整,得到候选规划路径,扩充路径规划种群;若达到路径规划种群上限,则结束扩充路径规划种群并输出路径规划种群。
S430:确定与各规划路径分别对应的路径规划评分;其中,规划路径包括初始规划路径和各候选规划路径。
其中,路径规划评分指的是用于表征规划路径的优劣的分值。一般的,由三个因素影响路径规划的优劣,一是规划路径的路径长度,二是规划路径中是否跨越障碍物,三是规划路径中的转弯次数(转弯会造成巡查覆盖率下降)。
在实际操作中,可以设置路径规划评分与路径优劣呈正相关,也可以设置路径规划评分与路径优劣呈负相关,本实施例对此不做限定。例如,若路径规划评分与路径优劣呈正相关,则路径长度越短、未跨越障碍物且转弯次数越少,规划路径对应的路径规划评分越高;若路径规划评分与路径优劣呈负相关,则路径长度越长、跨越障碍物或转弯次数越多,规划路径对应的路径规划评分越高。
在实际操作中,可以先从路径规划种群中筛选出还未确定路径规划评分的规划路径,再针对筛选出的规划路径设置对应的路径规划评分,以避免重复计算路径规划评分。
S440:根据各路径规划评分对规划路径进行筛选。
在获取到各规划路径分别对应的路径规划评分后,根据设置路径规划评分的规则筛选规划路径。具体的,若路径规划评分与路径规划的优劣呈正相关,在根据各路径规划评分筛选规划路径时,筛选出路径规划评分较高的规划路径,即优先删除路径规划评分较低的规划路径;若路径规划评分与路径规划的优劣呈负相关,在根据各路径规划评分筛选规划路径时,筛选出路径规划评分较低的规划路径,即优先删除路径规划评分较高的规划路径。
具体的,可以按照预设比例删除对应的规划路径,也可以删除指定数量的规划路径,本实施例对具体的筛选方式不做限定。例如,若路径规划评分与路径规划的优劣呈正相关,依次确定出路径规划种群中路径规划评分最低的搜寻区域组合并删除,将路径规划种群缩减至路径规划种群规模上限的1/10。在删除对应的规划路径后,即筛选出路径规划评分满足要求的规划路径。
S450:判断当前是否达到第二迭代构建结束条件;
S460:若当前未达到第二迭代构建结束条件,则将筛选出的各规划路径更新为初始规划路径,并返回S420:基于初始规划路径进行路径调整,得到候选规划路径的步骤;
S470:若当前达到第二迭代构建结束条件,确定与无人驾驶设备对应的目标规划路径。
其中,第二迭代构建结束条件可以是迭代次数达到第二迭代次数上限。本实施例中,第二迭代次数上限的取值与目标搜寻区域中的巡查关键点的数量呈正相关,即目标搜寻区域中的巡查关键点的数量越多,第二迭代次数上限的取值越大,本实施例对第二迭代次数上限的取值不做限定,根据实际场景确定即可。例如,第二迭代次数上限的取值可以是50。
在本实施例中,一次迭代构建规划路径的过程即“路径规划种群扩充→路径规划种群评分→路径规划种群缩减”的过程。
具体的,判断当前是否达到第二迭代构建结束条件;若当前未达到第二迭代构建结束条件,将筛选出的各路径规划更新为初始路径规划,并返回S300:基于初始搜寻区域组合进行区域调整,得到候选搜寻区域组合的步骤,即继续基于当前的路径规划种群进行迭代构建操作。
若当前达到第二迭代构建结束条件,则确定出当前的路径规划种群,再按照评分规则从当前的路径规划种群中确定出路径规划评分最优的规划路径,即确定出与无人驾驶设备对应的目标规划路径。例如,若路径规划评分与路径规划的优劣呈正相关,则将当前的路径规划种群中路径规划评分最高的规划路径确定为对应的无人驾驶设备的目标规划路径。
图9为本申请实施例提供的一种与各无人驾驶设备分别对应的目标规划路径的示意图;如图9所示,各无人驾驶设备从初始位置行驶到规划路径中列头对应的巡查关键点,然后按照规划路径依次遍历对应的巡查关键点,在遍历到列尾的巡查关键点后,返回列头的巡查关键点重新开始遍历。
需要说明的是,在实际操作中,依次确定无人驾驶设备,并针对每个无人驾驶设备执行上述步骤,以确定出与各无人驾驶设备分别对应的目标规划路径。
按照本实施例的方法,通过迭代构建规划路径,能够确定出与各无人驾驶设备分别对应的最优的目标规划路径。
在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,本实施例中,确定与各规划路径分别对应的路径规划评分,包括:
针对每一规划路径,根据初始位置和规划路径中的列头对应的巡查关键点确定初始距离;
确定规划路径中相邻两个巡查关键点对应的行驶路径长度和转弯次数;
根据初始距离、行驶路径长度和转弯次数确定规划路径的规划路径评分。
图10为本申请实施例提供的一种确定与各规划路径分别对应的路径规划评分的流程图。具体的,预先确定各不同的规划路径以及与各规划路径分别对应的初始位置;规划路径包括初始规划路径和各候选规划路径;规划路径中包括至少多个巡查关键点;针对每一规划路径,分别执行如下操作:
根据初始位置和规划路径中的列头对应的巡查关键点确定初始距离;按照规划路径对应的巡查关键点的顺序遍历各巡查关键点,确定规划路径中相邻两个巡查关键点对应的行驶路径长度和转弯次数;若遍历未结束,则继续按照规划路径对应的巡查关键点的顺序进行遍历;若遍历结束,则根据初始距离、行驶路径长度和转弯次数计算规划路径的规划路径评分。
结合图11所示的一种计算规划路径评分的过程示意图;具体的,确定规划路径中相邻两个巡查关键点对应的行驶路径长度和转弯次数的过程,包括:
确定规划路径中的列头对应的巡查关键点;确定与该规划路径对应的无人驾驶设备的初始位置;根据初始位置和列头对应的巡查关键点计算初始距离d0。
具体的,确定规划路径中相邻两个巡查关键点对应的行驶路径长度的过程如下:
计算相邻两个巡查关键点之间的距离;判断该相邻两个巡查关键点之间是否存在障碍物;若存在障碍物,则将该距离的10倍长度确定为行驶路径长度;
若不存在障碍物,则直接将该距离确定为行驶路径长度。
其中,第j-1个巡查关键点至第j个巡查关键点之间的行驶路径长度为dj。若无人驾驶设备对应的搜寻路径中的巡查关键点的数量为m个,则该搜寻路径对应的行驶路径长度的数量为m-1个。
具体的,确定规划路径中相邻两个巡查关键点对应的转弯次数的过程如下:
计算相邻两个巡查关键点的收尾连接角度;例如,巡查关键点3至巡查关键点11对应的首尾连接角度θ1为0;巡查关键点11至巡查关键点19对应的首尾连接角度θ2为0;巡查关键点19至巡查关键点18对应的首尾连接角度θ3为270°;
判断相邻两个顺序连接角度是否相同;若相同,则确定规划路径在该巡查关键点位置不是转弯;若不相同,则确定规划路径在该巡查关键点位置是转弯,因此更新转弯次数加1;例如,首尾连接角度θ2和首尾连接角度θ3不相同,因此确定巡查关键点19对应的位置为转弯,更新转弯次数加1;在遍历规划路径之后,确定出与规划路径对应的转弯次数wj。
具体的,在确定出与规划路径对应的初始距离、行驶路径长度和转弯次数后,根据初始距离、行驶路径长度和转弯次数计算出规划路径的规划路径评分。
在一个具体的实施例中,计算路径规划评分fB如下:
其中,m表示搜寻路径中的巡查关键点的数量;d0表示初始距离,wj表示转弯次数,dj表示第j-1个巡查关键点至第j个巡查关键点之间的行驶路径长度。
按照本实施例的方法,能够精准计算出与各规划路径对应的路径规划评分。
在一个具体的实施例中,结合图12所示的本申请实施例提供的一种预设任务区域、任务区域网格、感知半径、覆盖半径和巡查关键点的关系示意图;如图12所示,黑色虚线框表示任务区域网格,黑色实线框表示巡查覆盖区域;无人驾驶设备的感知半径为R,巡查覆盖区域的覆盖半径为r。具体的,S100:确定与无人驾驶设备集群的预设任务区域对应的巡查关键点集合以及与巡查关键点集合中的各巡查关键点分别对应的巡查覆盖区域的过程,包括:
步骤1:确定与无人驾驶设备集群的预设任务区域对应的任务区域网格。
其中,任务区域网格的网格边长由用于采集预设任务区域的区域状态的采集设备的设备精度确定;为了方便描述预设任务区域的区域状态,设置任务区域网格对应的网格信息包括:任务区域网格的区域网格坐标、区域性质、搜寻时刻以及重复搜寻次数(初始化为0);区域性质包括可行驶区域和障碍物,如水域或障碍物。
步骤2:根据预设任务区域确定巡查关键点的关键点间距和标定巡查关键点。
其中,巡查关键点的关键点间距即巡查覆盖区域的边长,可根据任务区域网格的边长、障碍物位置、障碍物形状和障碍物面积等确定巡查关键点的关键点间距。本实施例中,关键点间距为2倍覆盖半径r的长度,即巡查覆盖区域的边长为2倍覆盖半径r的长度。其中,标定巡查关键点指的是各巡查关键点中的锚点。
步骤3:根据关键点间距和标定巡查关键点确定巡查关键点集合,并确定与巡查关键点集合中的各巡查关键点分别对应的巡查覆盖区域。
在实际操作中,以标定巡查关键点为起点,根据巡查关键点的关键点间距在预设任务区域中依次计算其他巡查关键点的关键点坐标。换句话说,其他巡查关键点的关键点坐标是根据标定巡查关键点按照关键点间距依次计算出。
需要说明的是,选取标定巡查关键点的原则是确保能够获取最大数量且能有效遍历的巡查关键点;确定出的关键点间距能够使各无人驾驶设备对巡查关键点的遍历能够基本覆盖预设任务区域。
具体的,分别以各巡查关键点为中心,以2倍覆盖半径为巡查覆盖区域的边长,在预设任务区域划分横纵向方格;保留方格中心点对应的区域性质为可行驶区域的方格,确定出与各巡查关键点分别对应的巡查覆盖区域。
图13为本申请实施例提供的一种各无人驾驶设备在预设任务区域按照对应的目标规划路径行驶的示意图;如13所示,各坐标为对应的巡查关键点的坐标,相同阴影的巡查覆盖区域表示与同一无人驾驶设备对应的目标搜寻区域;箭头表示为无人驾驶设备在目标搜寻区域对应的目标规划路径。
可见,按照本实施例的方法设置巡查关键点和巡查覆盖区域,能使得无人驾驶设备在遍历各巡查关键点时,巡查覆盖区域能够最大限度地覆盖预设任务区域,实现对预设任务区域的巡查。
在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,本实施例中,在针对每个无人驾驶设备,基于目标搜寻区域迭代构建规划路径,并根据各规划路径的路径规划评分确定无人驾驶设备的目标规划路径之后,一种无人驾驶设备集群的路径规划方法还包括:
根据各无人驾驶设备分别对应的目标规划路径确定无人驾驶设备集群的评估指标参数;评估指标参数包括搜寻覆盖率、搜寻重复率和搜寻偏离率。
在确定出与各无人驾驶设备分别对应的目标规划路径后,设置搜寻时限,并获取各无人驾驶设备在执行搜寻、测量或测绘任务的过程中,在按照目标规划路径行驶的搜寻时限内对应的行驶轨迹切面;根据行驶轨迹切面更新对应的任务区域网格的搜寻时刻和重复搜寻次数,并根据各任务区域网格分别对应的搜寻时刻、重复搜寻次数计算无人驾驶设备集群对应的评估指标参数。
其中,根据行驶轨迹切面更新对应的任务区域网格的搜寻时刻和重复搜寻次数的过程,包括:
初始化搜寻时刻和重复搜寻次数:搜寻时刻的初始值为-1,重复搜寻次数的初始值为0;根据无人驾驶设备的感知半径确定无人驾驶设备在行驶轨迹切面对应的巡查覆盖范围,并确定巡查覆盖范围内的目标任务区域网格;判断目标任务区域网格的搜寻时刻和重复搜寻次数是否为初始值,即判断目标任务区域网格的搜寻时刻和重复搜寻次数是否已经被搜寻过;若为初始值,则直接更新目标任务区域网格的搜寻时刻和重复搜寻次数;将目标任务区域网格的搜寻时刻更新为无人驾驶设备的到达时刻,将重复搜寻次数加1;若不为初始值,则计算目标任务区域网格记录的搜寻时刻与当前搜寻时刻的时间差值;根据无人驾驶设备的行驶速度和感知半径计算感知半径行驶时长;若时间差值超过感知半径行驶时长,则更新目标任务区域网格的搜寻时刻和重复搜寻次数;若时间差值小于感知半径行驶时长,则不更新目标任务区域网格的搜寻时刻和重复搜寻次数,以避免由于无人驾驶设备自身影响导致误判为重复搜寻;当无人驾驶设备的行驶时长达到搜寻时限时,输出预设任务区域中各任务区域网格对应的搜寻时刻和重复搜寻次数。
在确定出预设任务区域中各任务区域网格对应的搜寻时刻和重复搜寻次数后,为了检测无人驾驶设备的覆盖搜寻效果,引入相关的评估指标参数,设计搜寻覆盖率、搜寻重复率和搜寻偏离率作为衡量无人驾驶设备的覆盖搜寻效果的量化参数。
其中,搜寻覆盖率用来判断无人驾驶设备集群对预设任务区域的覆盖情况。体的,获取预设任务区域中区域性质为可行驶区域的总网格数量n;在计算时刻,获取区域性质为可行驶区域的任务区域网格对应的搜寻时刻,并确定出搜寻时刻在有效时间内的目标网格数量ns;根据总网格数量n和目标网格数量ns计算与计算时刻对应的搜寻覆盖率C。具体的,搜寻覆盖率C计算公式为:
具体的,获取预设任务区域中区域性质为可行驶区域的任务区域网格对应的重复搜寻总次数nr以及未被搜寻的可行驶区域的任务区域网格总数根据重复搜寻总次数nr和任务区域网格总数/>计算重复搜寻率R。具体的,重复率R计算公式为:
具体的,搜寻偏离率用来判断无人驾驶设备集群与预设任务区域的中心点之间的偏离程度;一般来说,偏离率越高,表示在当前时刻无人驾驶设备集群的分布越不均匀,搜寻目标的能力越差。假设预设任务区域的中心点的坐标为(xc,yc);在计算时刻,各无人驾驶设备对应的平均坐标为(xa,ya),则无人驾驶设备集群对应的搜寻偏离率D计算公式为:
本实施例中,通过计算出搜寻覆盖率、搜寻重复率和搜寻偏离率等评估指标参数,能够更加直观精准地确定无人驾驶设备集群的任务执行情况。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
图14所示为本申请实施例提供的一种无人驾驶设备集群的路径规划装置的结构示意图。如图14所示,该实施例的一种无人驾驶设备集群的路径规划装置包括区域确定模块1410、位置获取模块1420、第一迭代构建模块1430和第二迭代构建模块1440;其中,
区域确定模块1410,用于确定与无人驾驶设备集群的预设任务区域对应的巡查关键点集合以及与巡查关键点集合中的各巡查关键点分别对应的巡查覆盖区域;其中,无人驾驶设备集群中包括多个无人驾驶设备;巡查关键点为无人驾驶设备最大限度覆盖预设任务区域对应的位置;
位置获取模块1420,用于获取与无人驾驶设备集群对应的初始位置集合;其中,初始位置集合包括与各无人驾驶设备分别对应的初始位置;
第一迭代构建模块1430,用于根据初始位置集合迭代构建搜寻区域组合,并根据各搜寻区域组合的区域划分评分确定目标搜寻区域组合;其中,目标搜寻区域组合包括与各无人驾驶设备分别对应的目标搜寻区域,且目标搜寻区域包括至少一个巡查覆盖区域;
第二迭代构建模块1440,用于针对每个无人驾驶设备,基于目标搜寻区域迭代构建规划路径,并根据各规划路径的路径规划评分确定无人驾驶设备的目标规划路径。
在一个具体的实施例中,第一迭代构建模块1430包括:
初始组合确定子模块,用于根据初始位置集合确定初始搜寻区域组合;其中,初始搜寻区域组合中包括与各无人驾驶设备分别对应的初始搜寻区域,且初始搜寻区域包括至少一个巡查覆盖区域;
区域调整子模块,用于基于初始搜寻区域组合进行区域调整,得到候选搜寻区域组合;
区域评分子模块,用于确定与各搜寻区域组合分别对应的区域划分评分;其中,搜寻区域组合包括初始搜寻区域组合和各候选搜寻区域组合;
区域筛选子模块,用于根据各区域划分评分对各搜寻区域组合进行筛选,将筛选出的各搜寻区域组合更新为初始搜寻区域组合,并调用区域调整子模块,直至达到第一迭代构建结束条件,确定出与各无人驾驶设备分别对应的目标搜寻区域,得到目标搜寻区域组合。
在一个具体的实施例中,区域评分子模块包括:
搜寻区域确定单元,用于针对每一搜寻区域组合,确定与各无人驾驶设备分别对应的搜寻区域;
内外角评分单元,用于根据各搜寻区域确定搜寻区域组合的内外角总数,得到内外角评分;
间隔评分单元,用于确定各搜寻区域分别对应的最大距离,并确定出各最大距离的平均值,得到间隔评分;
区域划分评分单元,用于根据内外角评分和间隔评分确定与搜寻区域组合对应的区域划分评分。
在一个具体的实施例中,内外角评分单元包括:
角坐标确定子单元,用于针对每一搜寻区域,确定与各巡查覆盖区域的四个角分别对应的坐标,并确定各坐标分别对应的重复次数;
计数子单元,用于若重复次数为奇数,则将与重复次数对应的角确定为内外角,确定出搜寻区域的内外角数;
内外角评分子单元,用于根据各搜寻区域分别对应的内外角数,确定与搜寻区域组合对应的内外角总数,得到内外角评分。
在一个具体的实施例中,区域调整子模块包括:
区域调整单元,用于交换初始搜寻区域组合中不同的初始搜寻区域中的巡查覆盖区域,得到候选搜寻区域组合。
在一个具体的实施例中,第二迭代构建模块1440包括:
初始路径确定子模块,用于针对每个无人驾驶设备,根据无人驾驶设备的目标搜寻区域确定初始规划路径;
路径调整子模块,用于基于初始规划路径进行路径调整,得到候选规划路径;
路径评分子模块,用于确定与各规划路径分别对应的路径规划评分;其中,规划路径包括初始规划路径和各候选规划路径;
路径筛选子模块,用于根据各路径规划评分对规划路径进行筛选,将筛选出的各规划路径更新为初始规划路径,并调用路径调整子模块,直至达到第二迭代构建结束条件,确定与无人驾驶设备对应的目标规划路径。
在一个具体的实施例中,路径评分子模块包括:
初始距离确定单元,用于针对每一规划路径,根据初始位置和规划路径中的列头对应的巡查关键点确定初始距离;
信息确定单元,用于确定规划路径中相邻两个巡查关键点对应的行驶路径长度和转弯次数;
规划路径评分单元,用于根据初始距离、行驶路径长度和转弯次数确定规划路径的规划路径评分。
在一个具体的实施例中,区域确定模块1410包括:
网格确定子模块,用于确定与无人驾驶设备集群的预设任务区域对应的任务区域网格;
信息确定子模块,用于根据预设任务区域确定巡查关键点的关键点间距和标定巡查关键点;
目标确定子模块,用于根据关键点间距和标定巡查关键点确定巡查关键点集合,并确定与巡查关键点集合中的各巡查关键点分别对应的巡查覆盖区域。
在一个具体的实施例中,一种无人驾驶设备集群的路径规划装置还包括:
评估模块,用于根据各无人驾驶设备分别对应的目标规划路径确定评估指标参数;评估指标参数包括搜寻覆盖率、搜寻重复率和搜寻偏离率。
图15为本申请实施例提供的一种终端设备的结构示意图。如图15所示,该实施例的终端设备1500包括存储器1501、处理器1502以及存储在存储器1501中并可在处理器1502上运行的计算机程序1503;处理器1502执行计算机程序1503时实现上述各个无人驾驶设备集群的路径规划方法实施例中的步骤,例如图1所示的S100至S400;或者处理器1502执行计算机程序1503时实现上述各装置实施例中各模块/单元的功能,例如图14所示区域确定模块、位置获取模块、第一迭代构建模块和第二迭代构建模块的功能。
示例性的,计算机程序1503可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器1501中,并由处理器1502执行,以实现本申请实施例的方法。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序1503在终端设备1500中的执行过程。
在应用中,终端设备1500可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备1500可包括但不仅限于存储器1501和处理器1502。本领域技术人员可以理解,图15仅仅是终端设备的示例,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端设备还可以包括输入输出设备、网络接入设备、总线等;其中,输入输出设备可以包括摄像头、音频采集/播放器件、显示屏等;网络接入设备可以包括通信模块,用于与外部设备进行无线通信。
在应用中,处理器可以是中央处理单元(Central Processing Unit,CPU),也可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在应用中,存储器可以是终端设备的内部存储单元,例如终端设备的硬盘或内存;也可以是终端设备的外部存储设备,例如,终端设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等;还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等,例如计算机程序的程序代码等。存储器还可以用于暂时存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本申请实施例提供的一种计算机可读存储介质,具有与上述一种无人驾驶设备集群的路径规划方法相同的有益效果。
本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到终端设备的任何实体或设备、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的设备及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,设备间接耦合或通讯连接,可以是电性,机械或其它的形式。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种无人驾驶设备集群的路径规划方法,其特征在于,所述方法包括:
确定与无人驾驶设备集群的预设任务区域对应的巡查关键点集合以及与所述巡查关键点集合中的各巡查关键点分别对应的巡查覆盖区域;其中,所述巡查关键点为所述无人驾驶设备最大限度覆盖所述预设任务区域对应的位置;
获取与所述无人驾驶设备集群对应的初始位置集合;其中,所述初始位置集合包括与各所述无人驾驶设备分别对应的初始位置;
根据所述初始位置集合迭代构建搜寻区域组合,并根据各所述搜寻区域组合的区域划分评分确定目标搜寻区域组合;其中,所述目标搜寻区域组合包括与各所述无人驾驶设备分别对应的目标搜寻区域,且所述目标搜寻区域包括至少一个所述巡查覆盖区域;
针对每个所述无人驾驶设备,基于所述目标搜寻区域迭代构建规划路径,并根据各所述规划路径的路径规划评分确定所述无人驾驶设备的目标规划路径。
2.根据权利要求1所述的方法,其特征在于,所述根据所述初始位置集合迭代构建搜寻区域组合,并根据各所述搜寻区域组合的区域划分评分确定目标搜寻区域组合,包括:
根据所述初始位置集合确定初始搜寻区域组合;其中,所述初始搜寻区域组合中包括与各所述无人驾驶设备分别对应的初始搜寻区域,且所述初始搜寻区域包括至少一个所述巡查覆盖区域;
基于所述初始搜寻区域组合进行区域调整,得到候选搜寻区域组合;
确定与各搜寻区域组合分别对应的区域划分评分;其中,所述搜寻区域组合包括所述初始搜寻区域组合和各所述候选搜寻区域组合;
根据各所述区域划分评分对各所述搜寻区域组合进行筛选,将筛选出的各所述搜寻区域组合更新为所述初始搜寻区域组合,并返回所述基于所述初始搜寻区域组合进行区域调整,得到候选搜寻区域组合的步骤,直至达到第一迭代构建结束条件,确定出与各所述无人驾驶设备分别对应的目标搜寻区域,得到所述目标搜寻区域组合。
3.根据权利要求2所述的方法,其特征在于,所述确定与各搜寻区域组合分别对应的区域划分评分,包括:
针对每一搜寻区域组合,确定与各所述无人驾驶设备分别对应的搜寻区域;
根据各所述搜寻区域确定所述搜寻区域组合的内外角总数,得到内外角评分;
确定各所述搜寻区域分别对应的最大距离,并确定出各所述最大距离的平均值,得到间隔评分;
根据所述内外角评分和所述间隔评分确定与所述搜寻区域组合对应的区域划分评分。
4.根据权利要求3所述的方法,其特征在于,所述根据各所述搜寻区域确定所述搜寻区域组合的内外角总数,得到内外角评分,包括:
针对每一所述搜寻区域,确定与各所述巡查覆盖区域的四个角分别对应的坐标,并确定各所述坐标分别对应的重复次数;
若所述重复次数为奇数,则将与所述重复次数对应的角确定为内外角,确定出所述搜寻区域的内外角数;
根据各所述搜寻区域分别对应的内外角数,确定与所述搜寻区域组合对应的内外角总数,得到内外角评分。
5.根据权利要求2所述的方法,其特征在于,所述基于所述初始搜寻区域组合进行区域调整,得到候选搜寻区域组合,包括:
交换所述初始搜寻区域组合中不同的所述初始搜寻区域中的巡查覆盖区域,得到候选搜寻区域组合。
6.根据权利要求1所述的方法,其特征在于,所述针对每个所述无人驾驶设备,基于所述目标搜寻区域迭代构建规划路径,并根据各所述规划路径的路径规划评分确定所述无人驾驶设备的目标规划路径,包括:
针对每个所述无人驾驶设备,根据所述无人驾驶设备的目标搜寻区域确定初始规划路径;
基于所述初始规划路径进行路径调整,得到候选规划路径;
确定与各规划路径分别对应的路径规划评分;其中,所述规划路径包括所述初始规划路径和各所述候选规划路径;
根据各所述路径规划评分对所述规划路径进行筛选,将筛选出的各所述规划路径更新为所述初始规划路径,并返回所述基于所述初始规划路径进行路径调整,得到候选规划路径的步骤,直至达到第二迭代构建结束条件,确定与所述无人驾驶设备对应的目标规划路径。
7.根据权利要求6所述的方法,其特征在于,所述确定与各规划路径分别对应的路径规划评分,包括:
针对每一规划路径,根据所述初始位置和所述规划路径中的列头对应的巡查关键点确定初始距离;
确定所述规划路径中相邻两个所述巡查关键点对应的行驶路径长度和转弯次数;
根据所述初始距离、所述行驶路径长度和所述转弯次数确定所述规划路径的规划路径评分。
8.根据权利要求1至7任一项所述的方法,其特征在于,所述确定与无人驾驶设备集群的预设任务区域对应的巡查关键点集合以及与所述巡查关键点集合中的各巡查关键点分别对应的巡查覆盖区域,包括:
确定与无人驾驶设备集群的预设任务区域对应的任务区域网格;
根据所述预设任务区域确定巡查关键点的关键点间距和标定巡查关键点;
根据所述关键点间距和所述标定巡查关键点确定巡查关键点集合,并确定与所述巡查关键点集合中的各巡查关键点分别对应的巡查覆盖区域。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中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计算机程序时实现如权利要求1至8任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310748202.3A CN116894529A (zh) | 2023-06-21 | 2023-06-21 | 一种无人驾驶设备集群的路径规划方法、装置和终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310748202.3A CN116894529A (zh) | 2023-06-21 | 2023-06-21 | 一种无人驾驶设备集群的路径规划方法、装置和终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116894529A true CN116894529A (zh) | 2023-10-17 |
Family
ID=88311480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310748202.3A Pending CN116894529A (zh) | 2023-06-21 | 2023-06-21 | 一种无人驾驶设备集群的路径规划方法、装置和终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116894529A (zh) |
-
2023
- 2023-06-21 CN CN202310748202.3A patent/CN116894529A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109947100B (zh) | 路径规划方法、系统及终端设备 | |
WO2020134082A1 (zh) | 一种路径规划方法、装置和移动设备 | |
US20210027634A1 (en) | Route planning method and device | |
CN113188562B (zh) | 可行驶区域的路径规划方法、装置、电子设备及存储介质 | |
Harabor et al. | Hierarchical path planning for multi-size agents in heterogeneous environments | |
WO2019141223A1 (zh) | 移动机器人的路径规划方法及系统 | |
CN111380532B (zh) | 路径规划方法、装置、终端及计算机存储介质 | |
CN111750861B (zh) | 优选路径规划方法、装置及电子设备 | |
CN110704560B (zh) | 一种基于道路级拓扑的车道线组结构化的方法及装置 | |
CN107092978B (zh) | 一种面向虚拟地球的最短路径分层规划方法 | |
CN111433780A (zh) | 车道线检测方法、设备、计算机可读存储介质 | |
US20200201339A1 (en) | Robot movement control method and apparatus and robot using the same | |
CN110031007B (zh) | 一种航迹规划方法、装置及计算机可读存储介质 | |
CN114779779A (zh) | 路径规划方法、装置、计算机设备和存储介质 | |
CN114427866A (zh) | 路径规划方法、电子设备以及存储介质 | |
CN113793351A (zh) | 基于等高线的多层轮廓图案的激光填充方法及装置 | |
CN111427341B (zh) | 一种基于概率地图的机器人最短预期时间目标搜索方法 | |
CN114740853A (zh) | 路径规划方法、终端设备和存储介质 | |
CN116894529A (zh) | 一种无人驾驶设备集群的路径规划方法、装置和终端设备 | |
CN114303581A (zh) | 一种智能割草机、行走路径规划方法、装置及存储介质 | |
CN114442642B (zh) | 路径规划方法、装置、计算机设备和存储介质 | |
CN113673154B (zh) | 一种晶粒分选过程中的寻径方法、装置、设备及存储介质 | |
CN116839609A (zh) | 全覆盖路径规划方法、装置及计算机可读存储介质 | |
CN113902755B (zh) | 基于之字形的多层轮廓图案的激光填充方法及装置 | |
CN112631338B (zh) | 一种航线规划方法、装置、计算机设备及存储介质 |
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 |