CN117268398A - 一种基于自适应步长Informed-RRTstar算法的船舶航线规划方法 - Google Patents

Abstract

本发明公开了一种基于自适应步长Informed‑RRTstar算法的船舶航线规划方法，属于智能船舶航线规划领域，包括以下步骤：首先收集S‑57电子海图数据，使用YimaEnc Viewer软件对S‑57电子海图数据进行解析和可视化预处理；然后通过matlab对预处理后的S‑57电子海图进行处理，将RGB图像转换为灰度图像并通过图像中不同像素点的灰度值差异识别出船舶可通航区域；随后设置规划起点、规划终点和自适应步长Informed‑RRTstar算法中最大迭代次数、目标位置探索范围初始信息；最后通过matlab运行算法编写的程序，等待程序不断循环扩展，直到完成迭代输出一条从起点到终点并且避开所有障碍物的最短航线。本发明提供的一种基于自适应步长Informed‑RRTstar算法的船舶航线规划方法，减少了大量的冗余采样数据，提高了航线规划的效率。

Description

一种基于自适应步长Informed-RRTstar算法的船舶航线规划 方法

技术领域

本发明属于智能船舶航线规划领域，尤其是涉及一种基于自适应步长Informed-RRTstar算法的船舶航线规划方法。

背景技术

海洋是地球上最广阔的水体的总称，它的总面积约为3.6亿平方千米，约占地球表面积的71％，其中蕴含着丰富的生物资源和油气等矿产资源，开发的空间很大，如果能够合理开发海洋资源，那么能够给整个人类社会的发展带来难以估计的价值。随着近年来对资源的需求越来越大，加上世界各国对海洋安全问题越发重视，各国家和各研究机构的研究方向开始逐渐向海洋领域倾斜，越来越多研究在海洋上展开。以船舶航运业为代表的传统行业正处于一种需求低迷的困境，在这样的大背景之下，船舶和海洋领域的从业者们一方面要面对运营成本的不断增长，另一方面要面对船舶操作发展带来的复杂化以及环保法规日趋严格，如何对传统航运业转型升级是所有船舶行业从业者需要共同思考的问题。在大数据时代背景下，船舶智能化已经成为船舶制造与航运领域发展的必然趋势。智能船舶航线规划技术的研究一直备受航海领域的专家学者关注，有许多学者从不同的角度对航线规划问题进行了研究。

受气候影响北极海冰的融化加速了通过北冰洋的新航线的开通，为此Hye-WonLee、Myung-Il Roh等提出了一种基于POLARIS的北冰洋船舶航路规划系统计算出反映海冰对船舶影响程度的风险指数结果。针对北极航道存在的大量浮冰、冰山，吕成、崔濛等采用Dijkstra算法，结合冰阻力估算公式考虑船舶尺度参数影响建立了一种多目标极区船舶航线规划求解方法，对优化航行路线、节约航行时间以及减少燃油消耗意义重大，但采用Dijkstra算法存在效率较低、内存占用过大的问题。

受特殊水域影响，由于浅滩水域水深小，船舶航行存在较高的搁浅风险，而现阶段的避浅研究仍处于搁浅事故概率的计算，具体的避浅算法涉及较少，陈晓、戴冉等采用人工鱼群算法对浅谈水域进行航线规划，并结合船舶的航行习惯进行经验总结进行进一步的优化和调整，得到了一种有效帮助船舶避浅的算法。但是该算法计算需要提前将海图环境进行栅格化，步骤繁琐、计算量大。

为了解决复杂航路下船舶的航线规划问题，LIPENG WANG、ZHI ZHANG等考虑了船舶机动特性的约束建立了船舶转向和减速模型，之后基于四叉树法获得了直线与不规则多边形边界之间的检测算法提出了一种考虑船舶操纵性约束的双循环遗传算法，实现了船舶航路动态规划的高效可行解。学者Han Xu，Zhang Xianku等提出了一种基于多尺度a*算法、RSC和在线双s航迹规划的方案，同时考虑船舶位置、航向和速度等因素便于融合控制算法。学者刘玉华等提出了一种基于场论改进PE-A*算法的船舶航线规划，利用势能场解决障碍物限制，安全水深限制等非线性约束，得到了更好的航线规划效果。为解决多障碍水域船舶航线规划问题，JinfenZhang等提出了一种基于快速搜索随机树的两阶段路径规划算法，考虑了船舶操纵性和COLREG的限制，找到了满意的路径，但仍存在改进空间。

为了进一步优化快速随机搜索树算法，学者宁君、马昊冉等设计了一种采用嵌入Dijkstra算法的改进快速随机搜索树算法相比较传统RRT算法得到了更短的航线，但是却牺牲了航线规划的时间成本。学者Cao Shengshi，Fan Pingyi等提出了一种通过剪切、平滑和安全预留方法改进应用于内河航道的RRT算法，使用MRE方法比较得到了较高的拟合度。为了加快RRT算法的节点生成速度、减少路径寻优时间，学者James J.Kuffner,Jr、提出了双向采样的RRT-Connect算法，逐步构建两个基于起始和目标配置的快速搜索随机树，同时探索空间直至找到可行航线。Da-un Jang、Joo-sung Kim提出了一种使用指定空间的RRT*算法，缩短了航线，减少了规划时间。学者王海芳，崔阳阳等提出了一种基于目标偏执扩展的贝塞尔插值方法改进的RRT*FN路径规划算法，改进算法在未找到初始路径时采用一定概率进行随机点的目标偏执选择，确定初始路径后使用启发式采样方法提高了路径规划的导向型，为了解决路径扭曲和跟踪的随机性强、方向性差、收敛速度慢、平滑性差等问题，XueQiu,Yaohui Li等提出了一种基于目标偏置策略和角度限制改进的F-RRT*算法。

近年的部分的研究过于关注离线路径优化，忽略了船舶的实时性，学者们从实时应用的角度研究了船舶最优路径规划问题，提出了一种基于RRT*的最优路径规划算法，详细讨论了航行避碰、路径可行性和最优性问题，但在航线规划效率上仍存在进步的空间。

发明内容

本发明的目的是提供一种基于自适应步长Informed-RRTstar算法的船舶航线规划方法，解决现有技术存在的路径规划时效率较低、内存占用过大、步骤繁琐、计算量大的问题。

为实现上述目的，本发明提供一种基于自适应步长Informed-RRTstar算法的船舶航线规划方法，包括以下步骤：

步骤1、收集S-57电子海图数据，使用YimaEnc Viewer软件对S-57电子海图数据进行解析和可视化预处理，并通过对S-57电子海图数据的筛选实现对动态水深信息、陆地区域、海上采油区、浮筒等引航标志、海岸线信息、航行禁区、锚地信息的分层处理；

步骤2、通过matlab对预处理后的S-57电子海图进行处理，将RGB图像转换为灰度图像并通过图像中不同像素点的灰度值差异识别出船舶可通航区域；

步骤3、设置规划起点、规划终点和自适应步长Informed-RRTstar算法中最大迭代次数、目标位置探索范围初始信息；

步骤4、通过matlab运行算法编写的程序，等待程序不断循环扩展，直到完成迭代输出一条从起点到终点并且避开所有障碍物的最短航线。

优选的，步骤3中的自适应步长Informed-RRTstar算法的具体过程如下：

S31、初始化：对搜索树T的起始位置x_start、目标位置x_goal、最大迭代次数、目标位置探索范围、扩展步长进行初始化；

S32、在规划环境内进行随机采样并生成采样节点，标记为x_rand；

S33、以采样节点x_rand为目标点遍历一定范围内所有叶子节点，计算采样节点x_rand到叶子节点的距离，筛选出距离最小的节点，记作x_nearest；

S34、以邻近节点x_nearest和采样节点x_rand的连线为搜索树的生长方向生长步长为step的树枝，标记新节点x_new，新节点x_new的位置由步长step、采样节点x_rand和扩展树上距离采样点最近的点x_nearest决定；

S35、向搜索树中插入新节点，具体计算方式如下：

S36、对邻近节点x_nearest和新节点x_new之间的路径进行障碍物检测，根据算法的运行情况调整扩展步长；

S37、若不存在障碍，则将新节点x_new添加到搜索树T中，进行S38；否则舍弃新节点x_new重新搜索，回到步骤S32进行重新采样；

S38、针对新节点x_new重新选择父节点并重布搜索树；

S39、当新节点x_new到达目标位置x_goal一定范围内被连接到目标位置处生成一条可行路径；

S40、重复扩展步骤S32-S39。

优选的，扩展步长的初始化根据航行环境特征决定，具体计算公式如下：

step_init为初始扩展步长，M_size为航线规划环境的总面积，w₁为综合影响参数，表示对M_size*w₁的取值向下取整，综合影响权重参数w₁的取值如下：

c₁、c₂、c₃为常数，分别为初始点到目标点距离l₀、障碍物数量a₀与障碍物面积s₀、不可通航区域面积S₀这三种影响因素对选择步长的影响因子，M_size为通航区域整体面积。

优选的，S32中在规划环境内进行随机采样包括以下两种情况：

情况一：在采样环节中，如果没有可行路径，完全随机采样；

情况二：如果已经有了可行路径，算法会根据当前的信息从规划空间S中分离出被限制采样的椭圆形采样空间S_ellipse

S_ellipse＝{x_new∈S|||x_new-x_start||+||x_new-x_goal||≤c_max}

其中，S表示整体航线规划的背景环境，x_new表示新节点，x_start表示起始位置，x_goal表示目标位置，c_max表示当前最短航线。

优选的，S36中根据算法的运行情况调整扩展步长的具体情况如下：

当随机搜索树第一次采样成功时，其扩展节点的扩展步长step为算法的初始扩展步长step_init，具体如下：

step＝step_init

之后在每次采样时，根据采样信息和节点扩展过程中通过障碍物检测的概率判断随机搜索树扩展结点附近的环境因素，当采样和节点扩展通过障碍物检测时，加快快速搜索树的生长速度同时缩短算法的运行时间，加大扩展步长step_new

当节点扩展过程中存在禁航区障碍时，使快速搜索树探索障碍物多的区域同时在有效避障的情况下兼顾航线的平滑度，减小扩展步长step_new

在上述公式中，λ₁、λ₂为控制扩展树的扩展步长调整幅度的调节参数。

优选的，S38中重新选择父节点并重布搜索树的具体过程如下：

首先，定义任意两个节点x_i和x_j之间的距离，具体计算公式如下：

其中，x_i表示节点1，x_j表示节点2，x_i.x表示节点1的横坐标，x_j.x表示节点2的横坐标，x_i.y表示节点1的纵坐标，x_j.y表示节点2的纵坐标；

重新选择父节点的具体过程如下：首先遍历整个树，计算得到新节点x_new的距离小于一定阈值的所有节点，分别将每个节点作为新节点x_new的父节点；然后计算新节点x_new到出发点的距离；最后选择新节点x_new到出发点的距离中最小的节点作为新节点x_new的父节点；

重布搜索树的具体过程如下：首先以新节点x_new为中心，搜索一定范围内所有的叶子节点，记作邻近节点；假设将邻近节点分别作为新节点x_new的子节点；然后分别计算每个邻近节点到初始节点的距离代价；最后筛选能够减少距离代价的节点，作为新节点x_new的子节点。

因此，本发明采用上述一种基于自适应步长Informed-RRTstar算法的船舶航线规划方法，减短了约13.05％的最优航线长度，避免了大约23.64％的冗余采样节点。改进后的算法有效避免了不必要的计算，减少了大量的冗余采样数据，提高了航线规划的效率，在复杂水域环境下，独特的自适应步长机制使本算法能够避免搜索树扩展受限制的问题，从而表现出了强大的搜索能力和良好的鲁棒性，对于推动智能船舶的进一步发展具有现实意义。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1是本发明一种基于自适应步长Informed-RRTstar算法的船舶航线规划方法的逻辑框图；

图2是本发明步长调整流程图；

图3是本发明狭窄通航区下步长对搜索树生长的影响的初始步长扩展示意图；

图4是本发明狭窄通航区下步长对搜索树生长的影响的缩短后的步长扩展示意图。

具体实施方式

以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。

请参阅图1-2，一种基于自适应步长Informed-RRTstar算法的船舶航线规划方法，包括以下步骤：

步骤1、收集S-57电子海图数据，使用YimaEnc Viewer软件对S-57电子海图数据进行解析和可视化预处理，并通过对S-57电子海图数据的筛选实现对动态水深信息、陆地区域、海上采油区、浮筒等引航标志、海岸线信息、航行禁区、锚地信息的分层处理；

步骤2、通过matlab对预处理后的S-57电子海图进行处理，将RGB图像转换为灰度图像并通过图像中不同像素点的灰度值差异识别出船舶可通航区域；

步骤3、设置规划起点、规划终点和自适应步长Informed-RRTstar算法中最大迭代次数、目标位置探索范围初始信息，自适应步长Informed-RRTstar算法的具体过程如下：

S31、初始化：对搜索树T的起始位置x_start、目标位置x_goal、最大迭代次数、目标位置探索范围、扩展步长进行初始化，扩展步长的初始化根据航行环境特征决定，具体计算公式如下：

step_init为初始扩展步长，M_size为航线规划环境的总面积，w₁为综合影响参数，表示对M_size*w₁的取值向下取整，综合影响权重参数w₁的取值如下：

c₁、c₂、c₃为常数，分别为初始点到目标点距离l₀、障碍物数量a₀与障碍物面积s₀、不可通航区域面积S₀这三种影响因素对选择步长的影响因子，M_size为通航区域整体面积。

S32、在规划环境内进行随机采样并生成采样节点，标记为x_rand，在规划环境内进行随机采样包括以下两种情况：

情况一：在采样环节中，如果没有可行路径，完全随机采样；

情况二：如果已经有了可行路径，算法会根据当前的信息从规划空间S中分离出被限制采样的椭圆形采样空间S_ellipse，

S_ellipse＝{x_new∈S|||x_new-x_start||+||x_new-x_goal||≤c_max}

其中，S表示整体航线规划的背景环境，x_new表示新节点，x_start表示起始位置，x_goal表示目标位置，c_max表示当前最短航线；

S33、以采样节点x_rand为目标点遍历一定范围内所有叶子节点，计算采样节点x_rand到叶子节点的距离，筛选出距离最小的节点，记作x_nearest；

S34、以邻近节点x_nearest和采样节点x_rand的连线为搜索树的生长方向生长步长为step的树枝，标记新节点x_new，新节点x_new的位置由步长step、采样节点x_rand和扩展树上距离采样点最近的点x_nearest决定；

S35、向搜索树中插入新节点，具体计算方式如下：

S36、对邻近节点x_nearest和新节点x_new之间的路径进行障碍物检测，根据算法的运行情况调整扩展步长，具体情况如下：

当随机搜索树第一次采样成功时，其扩展节点的扩展步长step为算法的初始扩展步长step_init，具体如下：

step＝step_init

之后在每次采样时，根据采样信息和节点扩展过程中通过障碍物检测的概率判断随机搜索树扩展结点附近的环境因素，当采样和节点扩展通过障碍物检测时，加快快速搜索树的生长速度同时缩短算法的运行时间，加大扩展步长step_new

当节点扩展过程中存在禁航区障碍时，使快速搜索树探索障碍物多的区域同时在有效避障的情况下兼顾航线的平滑度，减小扩展步长step_new

在上述公式中，λ₁、λ₂为控制扩展树的扩展步长调整幅度的调节参数；

步长的大小很大程度上影响随机搜索树的生长速度，如果在没有障碍物或者障碍物较少的环境下设定较小的步长，则搜索树的生长速度往往受到影响而导致航线的生成速度比较缓慢。但如果为了加快搜索树的生长速度而设定较大的步长，则当航线规划的航行环境下存在较多障碍物或者可通航区域较小时，随机搜索树会很难扩展和生长，不利于航线规划的正常进行，如图3-4所示。随机树的扩展遭遇一段较为狭窄的通航区域干扰了树的正常生长效率，此时只有下一采样点方向位于可通航狭窄水域方向，并且在采样点方向上延伸步长不会碰撞到碍航区才能对航线规划有正向作用。从图3中可以得到，此时下一扩展结点对航线规划通过这段狭窄通航区具有正向作用的概率为θ/2π。但从图4中可以看出，如果此时缩短下一扩展节点的步长，则正向作用角度θ会随之变大，此时的采样扩展对航线规划的正向作用概率增加，记初始扩展步长为step₁、缩短后的扩展步长为step₂、两碍航区间的距离为R、缩短步长后的正向作用角度为θ₁，可以得到

很明显采样点扩展通过狭窄水域的夹角为锐角，则

0°≤θ,θ₁≤90°

综合上式可以得出，当step₂≤step₁时θ₁≥θ，即θ₁/2π≥θ/2π，所以这种在搜索树采样生长的过程中动态调整扩展步长的方法对航线规划有促进作用，因此，将Informed-RRTstar算法中固定的扩展步长改为动态扩展步长。

S37、若不存在障碍，则将新节点x_new添加到搜索树T中，进行S38；否则舍弃新节点x_new重新搜索，回到步骤S32进行重新采样；

S38、针对新节点x_new重新选择父节点并重布搜索树，重新选择父节点并重布搜索树的具体过程如下：

首先，定义任意两个节点x_i和x_j之间的距离，具体计算公式如下：

其中，x_i表示节点1，x_j表示节点2，x_i.x表示节点1的横坐标，x_j.x表示节点2的横坐标，x_i.y表示节点1的纵坐标，x_j.y表示节点2的纵坐标；

重新选择父节点的具体过程如下：首先遍历整个树，计算得到新节点x_new的距离小于一定阈值的所有节点，分别将每个节点作为新节点x_new的父节点；然后计算新节点x_new到出发点的距离；最后选择新节点x_new到出发点的距离中最小的节点作为新节点x_new的父节点；

重布搜索树的具体过程如下：首先以新节点x_new为中心，搜索一定范围内所有的叶子节点，记作邻近节点；假设将邻近节点分别作为新节点x_new的子节点；然后分别计算每个邻近节点到初始节点的距离代价；最后筛选能够减少距离代价的节点，作为新节点x_new的子节点；

S39、当新节点x_new到达目标位置x_goal一定范围内被连接到目标位置处生成一条可行路径；

S40、重复扩展步骤S32-S39；

步骤4、通过matlab运行算法编写的程序，等待程序不断循环扩展，直到完成迭代输出一条从起点到终点并且避开所有障碍物的最短航线。

因此，本发明采用上述一种基于自适应步长Informed-RRTstar算法的船舶航线规划方法，有效避免了不必要的计算，减少了大量的冗余采样数据，提高了航线规划的效率，在复杂水域环境下，独特的自适应步长机制使本算法能够避免搜索树扩展受限制的问题，表现出了强大的搜索能力和良好的鲁棒性，对于推动智能船舶的进一步发展具有现实意义。

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进行限制，尽管参照较佳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：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (6)

1.一种基于自适应步长Informed-RRTstar算法的船舶航线规划方法，其特征在于，包括以下步骤：

步骤1、收集S-57电子海图数据，使用YimaEnc Viewer软件对S-57电子海图数据进行解析和可视化预处理，并通过对S-57电子海图数据的筛选实现对动态水深信息、陆地区域、海上采油区、浮筒等引航标志、海岸线信息、航行禁区、锚地信息的分层处理；

步骤2、通过matlab对预处理后的S-57电子海图进行处理，将RGB图像转换为灰度图像并通过图像中不同像素点的灰度值差异识别出船舶可通航区域；

步骤3、设置规划起点、规划终点和自适应步长Informed-RRTstar算法中最大迭代次数、目标位置探索范围初始信息；

步骤4、通过matlab运行算法编写的程序，等待程序不断循环扩展，直到完成迭代输出一条从起点到终点并且避开所有障碍物的最短航线。

2.根据权利要求1所述的一种基于自适应步长Informed-RRTstar算法的船舶航线规划方法，其特征在于，步骤3中的自适应步长Informed-RRTstar算法的具体过程如下：

S31、初始化：对搜索树T的起始位置x_start、目标位置x_goal、最大迭代次数、目标位置探索范围、扩展步长进行初始化；

S32、在规划环境内进行随机采样并生成采样节点，标记为x_rand；

S33、以采样节点x_rand为目标点遍历一定范围内所有叶子节点，计算采样节点x_rand到叶子节点的距离，筛选出距离最小的节点，记作x_nearest；

S34、以邻近节点x_nearest和采样节点x_rand的连线为搜索树的生长方向生长步长为step的树枝，标记新节点x_new，新节点x_new的位置由步长step、采样节点x_rand和扩展树上距离采样点最近的点x_nearest决定；

S35、向搜索树中插入新节点，具体计算方式如下：

S36、对邻近节点x_nearest和新节点x_new之间的路径进行障碍物检测，根据算法的运行情况调整扩展步长；

S37、若不存在障碍，则将新节点x_new添加到搜索树T中，进行S38；否则舍弃新节点x_new重新搜索，回到步骤S32进行重新采样；

S38、针对新节点x_new重新选择父节点并重布搜索树；

S39、当新节点x_new到达目标位置x_goal一定范围内被连接到目标位置处生成一条可行路径；

S40、重复扩展步骤S32-S39。

3.根据权利要求2所述的一种基于自适应步长Informed-RRTstar算法的船舶航线规划方法，其特征在于，扩展步长的初始化根据航行环境特征决定，具体计算公式如下：

step_init为初始扩展步长，M_size为航线规划环境的总面积，w₁为综合影响参数，表示对M_size*w₁的取值向下取整，综合影响权重参数w₁的取值如下：

c₁、c₂、c₃为常数，分别为初始点到目标点距离l₀、障碍物数量a₀与障碍物面积s₀、不可通航区域面积S₀这三种影响因素对选择步长的影响因子，M_size为通航区域整体面积。

4.根据权利要求2所述的一种基于自适应步长Informed-RRTstar算法的船舶航线规划方法，其特征在于，S32中在规划环境内进行随机采样包括以下两种情况：

情况一：在采样环节中，如果没有可行路径，完全随机采样；

情况二：如果已经有了可行路径，算法会根据当前的信息从规划空间S中分离出被限制采样的椭圆形采样空间S_ellipse

S_ellipse＝{x_new∈S|||x_new-x_start||+||x_new-x_goal||≤c_max}

其中，S表示整体航线规划的背景环境，x_new表示新节点，x_start表示起始位置，x_goal表示目标位置，c_max表示当前最短航线。

5.根据权利要求2所述的一种基于自适应步长Informed-RRTstar算法的船舶航线规划方法，其特征在于，S36中根据算法的运行情况调整扩展步长的具体情况如下：

当随机搜索树第一次采样成功时，其扩展节点的扩展步长step为算法的初始扩展步长step_init，具体如下：

step＝step_init

之后在每次采样时，根据采样信息和节点扩展过程中通过障碍物检测的概率判断随机搜索树扩展结点附近的环境因素，当采样和节点扩展通过障碍物检测时，加快快速搜索树的生长速度同时缩短算法的运行时间，加大扩展步长step_new

当节点扩展过程中存在禁航区障碍时，使快速搜索树探索障碍物多的区域同时在有效避障的情况下兼顾航线的平滑度，减小扩展步长step_new

在上述公式中，λ₁、λ₂为控制扩展树的扩展步长调整幅度的调节参数。

6.根据权利要求2所述的一种基于自适应步长Informed-RRTstar算法的船舶航线规划方法，其特征在于，S38中重新选择父节点并重布搜索树的具体过程如下：

首先，定义任意两个节点x_i和x_j之间的距离，具体计算公式如下：

其中，x_i表示节点1，x_j表示节点2，x_i.x表示节点1的横坐标，x_j.x表示节点2的横坐标，x_i.y表示节点1的纵坐标，x_j.y表示节点2的纵坐标；

重新选择父节点的具体过程如下：首先遍历整个树，计算得到新节点x_new的距离小于一定阈值的所有节点，分别将每个节点作为新节点x_new的父节点；然后计算新节点x_new到出发点的距离；最后选择新节点x_new到出发点的距离中最小的节点作为新节点x_new的父节点；

重布搜索树的具体过程如下：首先以新节点x_new为中心，搜索一定范围内所有的叶子节点，记作邻近节点；假设将邻近节点分别作为新节点x_new的子节点；然后分别计算每个邻近节点到初始节点的距离代价；最后筛选能够减少距离代价的节点，作为新节点x_new的子节点。