CN117268403A - 基于优化部署传感技术的改进式gbnn动态路径规划方法 - Google Patents
基于优化部署传感技术的改进式gbnn动态路径规划方法 Download PDFInfo
- Publication number
- CN117268403A CN117268403A CN202311550059.3A CN202311550059A CN117268403A CN 117268403 A CN117268403 A CN 117268403A CN 202311550059 A CN202311550059 A CN 202311550059A CN 117268403 A CN117268403 A CN 117268403A
- Authority
- CN
- China
- Prior art keywords
- sensor
- coverage
- deployment
- gbnn
- test point
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000005516 engineering process Methods 0.000 title claims abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 39
- 230000008859 change Effects 0.000 claims abstract description 31
- 239000007787 solid Substances 0.000 claims abstract description 13
- 238000013529 biological neural network Methods 0.000 claims abstract description 8
- 239000011521 glass Substances 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 91
- 238000005457 optimization Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 19
- 210000004027 cell Anatomy 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 230000005284 excitation Effects 0.000 claims description 14
- 230000007613 environmental effect Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 241000801924 Sena Species 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000008035 nerve activity Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000001537 neural effect Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002964 excitative effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Radar, Positioning & Navigation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Automation & Control Theory (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于智能设备路径规划技术领域,具体涉及一种基于优化部署传感技术的改进式GBNN动态路径规划方法,步骤包括构建网络栅格地图,对网络栅格地图进行单元化处理;通过无线传感器网络WSN覆盖初始数据,在网络栅格地图中进行传感器节点部署;建立优化WSN覆盖模型,通过K‑means分类器对传感器节点的部署进行优化;控制Glasius生物神经网络GBNN输出活性值;基于RRT随机采样中的扩展函数,获取固态输出活性值及其变化趋势,根据固态输出活性值的动态变化,规划得到最优路径。本发明可以在复杂环境中高效地进行路径规划,更好地理解动态环境,从而提高路径规划的效率,在动态变化方面具有更好的适应性,可以避免碰撞或更快地适应新的障碍物。
Description
技术领域
本发明属于智能设备路径规划技术领域,具体涉及一种基于优化部署传感技术的改进式GBNN动态路径规划方法。
背景技术
GBNN(Gradient-Based Neural Network)动态路径规划方法是一种基于神经网络的路径规划方法,其目的是在动态环境中为机器人或自主系统寻找最佳路径。该方法利用神经网络来学习环境信息和智能设备(如机器人)的动力学,并基于这些信息生成路径。
目前关于GBNN动态路径规划的常用策略包括梯度下降优化、损失函数设计、深度神经网络架构、深度感知和动态调整等。以上几种策略普遍存在以下几个问题:
(1)数据需求量大:GBNN路径规划方法通常需要大量的训练数据,特别是在深度神经网络的情况下。数据采集和标注是一项耗时费力的工作,而且可能需要大规模的实验或仿真环境。
(2)超参数调优:选择合适的超参数是一项具有挑战性的任务。不同的问题可能需要不同的参数设置。如学习率、神经网络架构、迭代次数等。因此需要进行大量的超参数调优实验。
(3)计算复杂度高:GBNN方法通常需要大量的计算资源,特别是在深度学习中。在实时导航应用中,高计算复杂度可能限制了路径规划的实时性。
此外,现有的解决策略还存在规划时间长、平均响应周期长、容易陷入局部最优等问题。
发明内容
根据以上现有技术中的不足,本发明提供了一种具有高效性、规划时间短、路径更优等优点,可以更好的应对动态复杂多样化的环境,能够为智能设备的导航和路径规划带来显著改进的基于优化部署传感技术的改进式GBNN动态路径规划方法。
为达到以上目的,本发明提供了一种基于优化部署传感技术的改进式GBNN动态路径规划方法,包括以下步骤:
S1、构建网络栅格地图,对网络栅格地图进行单元化处理;
S2、通过无线传感器网络WSN覆盖初始数据,在网络栅格地图中进行传感器节点部署,并获取初始的传感器对于任意测试点的覆盖概率;
S3、建立优化WSN覆盖模型,通过K-means分类器对传感器节点的部署进行优化;
S4、基于S3中的优化WSN覆盖模型,控制Glasius生物神经网络GBNN输出活性值;
S5、基于RRT随机采样中的扩展函数,从S4的输出活性值中获取固态输出活性值及其变化趋势,根据固态输出活性值的动态变化,规划得到最优路径。
S1中,构建的网络栅格地图的大小根据所需路径规划的环境信息而定。S5中,利用了RRT随机采样算法,通过其中的扩展函数来获取固态输出活性值,此部分采用公知的RRT算法实现获取即可。
所述的S1中,构建网络栅格地图和单元化处理的步骤为:
对于动态路径规划问题,建立栅格网络地图。该地图是一种常见的表示地理空间信息的方式。它将地理区域划分为一系列规则的网格单元,每个网格单元通常代表一个离散的区域或位置。该离散化表示方式可用于提供本发明所具备的路径规划地图信息。为寻找起点到终点的最佳路径提供环境背景。通过MATLAB创建二维Tensor地图。二维Tensor地图不仅可以实现线性索引,还可以将数据轻松转换为可视化类型,便于进行可视化分析和展示。
S11、网络栅格地图是将地理区域划分为一系列规则的网格单元,每个网格单元代表一个离散的区域或位置,通过MATLAB,依据环境信息,借助image函数和colormap函数创建二维Tensor地图,即为网络栅格地图;
S12、对网络栅格地图进行单位化处理,使得所创建的二维Tensor地图的每个单位栅格都被继续分割成10×10的更小单位栅格地图。
分割更小单位栅格地图的目的在于实现传感器WSN覆盖模型的完整性和精确性,可提高地图信息发生动态变化之后,从前端最优分支点继续进行最优规划的准确性。
所述的S2中,传感器节点部署的步骤为:
S21、分割后的栅格地图的横轴、纵轴索引分别用xi、yi表示,每个传感器的感知半径设为Rs,对分割后10×10的更小单位栅格地图进行传感器部署;
S22、设置每个更小单位栅格的测试点,并用集合来表示,即:
;
S23、对于任意测试点而言,设定所部署的传感器总数量为Senm,其集合表示为:
;
S24、计算以上任意传感器与任意测试点的欧氏距离:
;
式中,xi、yi为任意传感器的坐标位置,xj、yj为任意测试点的坐标位置;
S25、传感器的感知范围以布置位置为中心,以Rs为感知半径,测试点若位于某传感器感知半径Rs之内,则被该传感器感知覆盖,通过以下公式来表示:
;
式中,Pij为任意传感器对于任意测试点的覆盖概率。
所述的S3中,对于任意测试点,存在测试点被若干个传感器同时覆盖的问题,因此建立优化WSN覆盖模型,通过K-means分类器实现传感器节点的优化部署,步骤为:
S31、设定任意测试点的覆盖传感器数量为n,集合表示为:
;
该测试点与覆盖传感器的欧氏距离集合为:
;
S32、设定另一任意测试点的覆盖传感器数量为p,集合表示为:
;
该测试点与覆盖传感器的欧氏距离集合为:
;
S33、S31和S32的两个测试点的覆盖传感器存在重复的可能,以这两个任意测试点和/>作为初始质心样本,分别计算两个任意测试点的所有覆盖传感器对于它们的欧式距离,实现一次分类,计算公式如下:
;
式中,Sa为第a个传感器(1≤a≤n+p),C1、C2为一次分类样本集合;
S34、分类后的样本集合设为:
,/>;
分类后的测试点与覆盖传感器的欧氏距离集合变为:
;
;
经过一次K-means分类优化之后,解决了接近传感器归属临近测试点问题,分别取得两个样本集合对于测试点的最小欧式距离,分别记为:Distancemin1和Distancemin2;
S35、设第m次优化后的传感器个数为Senom,m≥1,第m次优化后实际工作的传感器数量为Senam,其中,,S34中的最小欧式距离所对应的传感器分别为两个测试点的优化传感部署,此时m=1,Seno1=1,Sena1=1,两个分类后的传感器样本数量变为/>,对应的样本集合变为/>;
S36、对于任意测试点,存在被/>同时覆盖的可能,其被覆盖的联合概率可表示为:
;
式中,为第nm1个传感器对于任意测试点/>的覆盖概率;
S37、同理,对于任意测试点,其被/>中的传感器所覆盖的联合概率可表示为:
;
式中,为第nm2个传感器对于任意测试点/>的覆盖概率;
S38、对于S36和S37中两个测试点的覆盖率,可以通过以下公式来表示:
;
;
式中,Pcov1、Pcov2分别为两个测试点的覆盖率,S1、S2为两个测试点的邻域区域面积;
S39、综上,即为通过优化WSN覆盖模型对于两个测试点的一次优化传感部署,其优化目标在于覆盖率最大化,即:
;
式中,f(x)1、f(x)2分别为最大化的覆盖率目标函数;
S40、建立一次优化传感部署后,可将此时中距离测试点最大距离的传感器去除,随后重复上述步骤,继续对剩余的/>进行测试点的二次优化传感部署,直至迭代原有的/>仅为一个元素样本为止,当该10×10的更小单位栅格地图实现WSN优化部署之后,继续以相同的方式完成其他单位栅格地图的部署(即为先对一个分割为10×10的更小单位栅格地图的单位栅格优化部署,然后进行二维Tensor地图的其他单位栅格的优化部署)。可见,每次迭代优化,都会有一部分传感器被去除,一部分被用于优化部署。
随后,使用GBNN,即生物启发式神经网络来表示工作空间,代替二维Tensor地图。GBNN为一种离散时间霍普菲尔德型神经网络。分割后的更小单位栅格网络的每个网格视为一个神经单元。它的作用是对WSN覆盖模型中的传感器不断发送激励,即输出活性值。该输出活性值对于障碍物、传感器以及目标位置都有激励或抑制作用。采用GBNN,使得在动态变化过程中的迁移学习复杂度降低,从而加快路径规划的效率。
所述的S4中,通过优化WSN覆盖模型控制Glasius生物神经网络GBNN输出活性值的步骤为:
依据所建立的二维Tensor地图,建立GBNN数学模型,获取输出活性值:
;
;
;
式中,t为时间,row、colu分别为二维Tensor地图单位化处理后的索引,Verow,colu是索引值为row,colu的输出活性值,wrow,colu为第row个神经元与第colu个神经元的连接系数,t时刻,索引为colu的传入神经活动记为,/>为对应索引针对于目标位置的激励,τ为常数,τ>0,xobstacle、yobstacle、xgoal、xgoal分别为障碍物和目标位置的位置信息,该障碍物会随着GBNN工作空间的动态变化而变化,g(x)为转换函数;此刻覆盖任意测试点的传感器即为经过优化WSN覆盖模型多次优化后的实际工作传感器。
所述的S4中,输出活性值满足以下条件:
;
式中,Disrg(t)为t时刻规划探测位置和目标位置之间的距离。
对于激励,可在在障碍物、目标位置以及此外的全部区域分别设置E、-E、0的不同激励内容。这里的激励就是在障碍物、目标位置以及此外的全部区域分别设置E、-E、0三种不同的激励。激励的含义:其实就是一个数值。该数值作为激励内容。遇到障碍物,激励内容就是E、遇到目标位置激励内容就是-E,其余区域激励就是0。
上述神经网络对于来自横向连接的输入信号,每个神经元都有一个依赖于相应细胞状态的外部输入。该外部输入即为每个神经单元的外部环境信息。当神经单元发现目标或障碍时,给出一个兴奋性激励输入,改变活性值。相反,当神经单元不可访问时,给出抑制性输入,并且对已经访问的细胞给出中性输入,同时改变活性值。可见,输出活性值的控制,实现了生物启发式神经网络的激励固定。使得WSN传感器的优化部署借助GBNN生物启发式神经网络有效的解决了工作空间动态变化时的路径规划问题。
本发明涉及到的建模和算法可以通过电子设备执行,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,通过处理器执行程序实现上述的建模和算法。
本发明所具有的有益效果是:
本发明通过对传统的GBNN加以改进,依据环境信息建立网络栅格地图,对栅格地图实现单元化操作。单位化处理可使得后期接近WSN传感器的优化部署更加精确。构建地图过程可通过二维Tensor仿真演示。对于单元化处理后的栅格地图,根据WSN覆盖初始数据,实现接近传感器栅格地图节点的部署,并通过K-means分类器实现传感器节点的优化部署。不断迭代更新,直到传感器样本集合剩余一个传感器为止。在该过程中,接近传感器部署数量不断实现优化,实际工作中的传感器以最大效率实现感知覆盖。迭代结束后,建立优化WSN覆盖模型。最后,通过优化部署传感技术控制Glasius生物启发神经网络的输出活性值,获取固态输出活性值变化趋势。根据动态变化,随机扩展规划出最优路径。
综上,本发明具有高效性,可以在复杂环境中高效地进行路径规划。生物神经网络GBNN的改进可以使得本发明大量学习数据,以更好地理解动态环境,从而提高路径规划的效率,在动态变化方面具有更好的适应性。传感器节点的优化部署和GBNN方法的结合使得路径规划可以更好地适应动态环境变化,智能设备便可以更好的实时感知和响应环境中的变化,以避免碰撞或更快地适应新的障碍物。
最后,本发明与传统动态规划方法在规划时间、可扩展节点数等技术指标方面还进行了仿真对比。仿真结果表明了本发明对于规划问题有明显改善,具有良好的可行性。
附图说明
图1是本发明的流程原理图;
图2是本发明实施例1的二维Tensor地图单位化处理过程图,图2中的(a)为初始二维Tensor地图,图2中的(b)为第一次分割后的栅格地图,图2中的(c)为第二次分割后的栅格地图,图2中的(d)为最终分割的更小单位栅格地图;
图3是本发明实施例1传感器优化部署迭代过程的初始传感部署图;
图4是本发明实施例1传感器优化部署迭代过程的第一次迭代优化后的传感部署图;
图5是本发明实施例1传感器优化部署迭代过程的第二次迭代优化后的传感部署图;
图6是本发明实施例1传感器优化部署迭代过程最终优化的传感部署图;
图7是本发明实施例2的基于动态变化的路径规划仿真对比图,图7中的(a)为传统动态规划方法在初始地图的路径规划情况,图7中的(b)为本发明动态规划方法在初始地图的路径规划情况,图7中的(c)为传统动态规划方法在第一次地图动态变化时的路径规划情况,图7中的(d)为本发明动态规划方法在第一次地图动态变化时的路径规划情况,图7中的(e)为传统动态规划方法在第二次地图动态变化时的路径规划情况,图7中的(f)为本发明动态规划方法在第二次地图动态变化时的路径规划情况。
具体实施方式
下面结合附图对本发明的实施例做进一步描述:
实施例1:
如图1所示,一种基于优化部署传感技术的改进式GBNN动态路径规划方法包括如下步骤:
S1、构建网络栅格地图,对网络栅格地图进行单元化处理;
S2、通过无线传感器网络WSN覆盖初始数据,在网络栅格地图中进行传感器节点部署,并获取初始的传感器对于任意测试点的覆盖概率;
S3、建立优化WSN覆盖模型,通过K-means分类器对传感器节点的部署进行优化;
S4、基于S3中的优化WSN覆盖模型,控制Glasius生物神经网络GBNN输出活性值;
S5、基于RRT随机采样中的扩展函数,从S4的输出活性值中获取固态输出活性值及其变化趋势,根据固态输出活性值的动态变化,规划得到最优路径。
最后,可以通过仿真实验验证本发明方法的有效性,例如实施例2给出了一个验证案例。
S1中,构建网络栅格地图和单元化处理的步骤为:
S11、网络栅格地图是将地理区域划分为一系列规则的网格单元,每个网格单元代表一个离散的区域或位置,通过MATLAB,依据环境信息,借助image函数和colormap函数创建二维Tensor地图,即为网络栅格地图;本实施例中,通过MATLAB创建10×10的二维Tensor地图,如图2中的(a)所示,图2中,黑色为随机生成的障碍物。
S12、对网络栅格地图进行单位化处理,使得所创建的二维Tensor地图的每个单位栅格都被继续分割成10×10的更小单位栅格地图。
分割过程如图2中的(b)、图2中的(c)、图2中的(d)所示,将图2中的(a)逐步分割直到最终分割为图2中的(d)的10×10更小单位栅格地图。
更为具体的,图2中的(b)将初始的每个单位栅格分割为4×4更小单位栅格,图2中的(b)进一步将其分割为6×6更小单位栅格,图2中的(d)最终将其分割为10×10更小单位栅格,即为图2中的(a)的每个单位栅格均被分成了10×10更小单位栅格。
由于本发明实现的是动态路径规划,因此图2中的(a)、图2中的(b)、图2中的(c)、图2中的(d)的障碍物每次均为随机生成,即为环境不断发生变化时,障碍物的个数、位置也会发生变化。
S2中,传感器节点部署的步骤为:
S21、分割后的栅格地图的横轴、纵轴索引分别用xi、yi表示,每个传感器的感知半径设为Rs,对分割后10×10的更小单位栅格地图进行传感器部署;
S22、设置每个更小单位栅格的测试点,并用集合来表示,即:
;
S23、对于任意测试点而言,设定所部署的传感器总数量为Senm,其集合表示为:
;
S24、计算以上任意传感器与任意测试点的欧氏距离:
;
式中,xi、yi为任意传感器的坐标位置,xj、yj为任意测试点的坐标位置;
S25、传感器的感知范围以布置位置为中心,以Rs为感知半径,测试点若位于某传感器感知半径Rs之内,则被该传感器感知覆盖,通过以下公式来表示:
;
式中,Pij为任意传感器对于任意测试点的覆盖概率。
S3中,对于任意测试点,存在测试点被若干个传感器同时覆盖的问题,因此建立优化WSN覆盖模型,通过K-means分类器实现传感器节点的优化部署,步骤为:
S31、设定任意测试点的覆盖传感器数量为n,集合表示为:
;
该测试点与覆盖传感器的欧氏距离集合为:
;
S32、设定另一任意测试点的覆盖传感器数量为p,集合表示为:
;
该测试点与覆盖传感器的欧氏距离集合为:
;
S33、S31和S32的两个测试点的覆盖传感器存在重复的可能,以这两个任意测试点和/>作为初始质心样本,分别计算两个任意测试点的所有覆盖传感器对于它们的欧式距离,实现一次分类,计算公式如下:
;
式中,Sa为第a个传感器(1≤a≤n+p),C1、C2为一次分类样本集合;
S34、分类后的样本集合设为:
,/>;
分类后的测试点与覆盖传感器的欧氏距离集合变为:
;
;
经过一次K-means分类优化之后,解决了接近传感器归属临近测试点问题,分别取得两个样本集合对于测试点的最小欧式距离,分别记为:Distancemin1和Distancemin2;
S35、设第m次优化后的传感器个数为Senom,m≥1,第m次优化后实际工作的传感器数量为Senam,其中,,S34中的最小欧式距离所对应的传感器分别为两个测试点的优化传感部署,此时m=1,Seno1=1,Sena1=1,两个分类后的传感器样本数量变为/>,对应的样本集合变为/>;
S36、对于任意测试点,存在被/>同时覆盖的可能,其被覆盖的联合概率可表示为:
;
式中,为第nm1个传感器对于任意测试点/>的覆盖概率;
S37、同理,对于任意测试点,其被/>中的传感器所覆盖的联合概率可表示为:
;
式中,为第nm2个传感器对于任意测试点/>的覆盖概率;
S38、对于S36和S37中两个测试点的覆盖率,可以通过以下公式来表示:
;
;
式中,Pcov1、Pcov2分别为两个测试点的覆盖率,S1、S2为两个测试点的邻域区域面积;
S39、综上,即为通过优化WSN覆盖模型对于两个测试点的一次优化传感部署,其优化目标在于覆盖率最大化,即:
;
式中,f(x)1、f(x)2分别为最大化的覆盖率目标函数;
S40、建立一次优化传感部署后,可将此时中距离测试点最大距离的传感器去除,随后重复上述步骤,继续对剩余的/>进行测试点的二次优化传感部署,直至迭代原有的/>仅为一个元素样本为止,当该10×10的更小单位栅格地图实现WSN优化部署之后,继续以相同的方式完成其他单位栅格地图的部署。
针对某个10×10更小单位栅格地图,其迭代过程如图3-图6所示,图3-图6中传感器周边的虚线为其覆盖范围,从图3的初始传感部署开始依次迭代,每次迭代优化,都会有一部分传感器被去除,一部分被用于优化部署,图5和图6分别为第一次迭代优化和第二次迭代优化之后的传感部署,至图6时即为该10×10更小单位栅格地图最优的传感部署。
其中,可选的一种最小欧式距离获取的伪代码如表1所示。
表1 最小欧式距离获取伪代码
S4中,通过优化WSN覆盖模型控制Glasius生物神经网络GBNN输出活性值的步骤为:
依据所建立的二维Tensor地图,建立GBNN数学模型,获取输出活性值:
;
;
;
式中,t为时间,row、colu分别为二维Tensor地图单位化处理后的索引,Verow,colu是索引值为row,colu的输出活性值,wrow,colu为第row个神经元与第colu个神经元的连接系数,t时刻,索引为colu的传入神经活动记为,/>为对应索引针对于目标位置的激励,τ为常数,τ>0,xobstacle、yobstacle、xgoal、xgoal分别为障碍物和目标位置的位置信息,该障碍物会随着GBNN工作空间的动态变化而变化,g(x)为转换函数;此刻覆盖任意测试点的传感器即为经过优化WSN覆盖模型多次优化后的实际工作传感器。
S4中,输出活性值满足以下条件:
;
式中,Disrg(t)为t时刻规划探测位置和目标位置之间的距离。
最后基于RRT随机采样中的扩展函数从输出活性值中获取固态输出活性值及其变化趋势,根据固态输出活性值的动态变化,规划得到该环境信息下的最优路径。
实施例2:
本实施例中,S1步骤通过MATLAB创建50cm×30cm的二维Tensor地图,将本发明动态规划方法与传统动态规划方法在规划时间、可扩展节点数等技术指标方面进行仿真对比,对比结果如图4所示。
图7中,图7中的(a)、图7中的(c)、图7中的(e)分别为采用传统动态规划方法在初始地图、第一次地图动态变化、第二次地图动态变化时的路径规划情况,图7中的(b)、图7中的(d)、图7中的(f)分别为采用本发明动态规划方法在初始地图、第一次地图动态变化、第二次地图动态变化时的路径规划情况。
图7中,圆形、方形为障碍物,起始点为左下,终止点为右上,从起始点到终止点的曲线为规划路线,其余分支曲线为扩展节点。分支曲线越多,则说明路径规划更为低效。
对比可以看出,采用本发明规划方法可以更好地适应动态环境变化,更好的实时感知和响应环境中的变化,生成的路径可以避免碰撞或更快地适应新的障碍物。
Claims (6)
1.一种基于优化部署传感技术的改进式GBNN动态路径规划方法,其特征在于包括以下步骤:
S1、构建网络栅格地图,对网络栅格地图进行单元化处理;
S2、通过无线传感器网络WSN覆盖初始数据,在网络栅格地图中进行传感器节点部署,并获取初始的传感器对于任意测试点的覆盖概率;
S3、建立优化WSN覆盖模型,通过K-means分类器对传感器节点的部署进行优化;
S4、基于S3中的优化WSN覆盖模型,控制Glasius生物神经网络GBNN输出活性值;
S5、基于RRT随机采样中的扩展函数,从S4的输出活性值中获取固态输出活性值及其变化趋势,根据固态输出活性值的动态变化,规划得到最优路径。
2.根据权利要求1所述的基于优化部署传感技术的改进式GBNN动态路径规划方法,其特征在于:所述的S1中,构建网络栅格地图和单元化处理的步骤为:
S11、网络栅格地图是将地理区域划分为一系列规则的网格单元,每个网格单元代表一个离散的区域或位置,通过MATLAB,依据环境信息,借助image函数和colormap函数创建二维Tensor地图,即为网络栅格地图;
S12、对网络栅格地图进行单位化处理,使得所创建的二维Tensor地图的每个单位栅格都被继续分割成10×10的更小单位栅格地图。
3.根据权利要求2所述的基于优化部署传感技术的改进式GBNN动态路径规划方法,其特征在于:所述的S2中,传感器节点部署的步骤为:
S21、分割后的栅格地图的横轴、纵轴索引分别用xi、yi表示,每个传感器的感知半径设为Rs,对分割后10×10的更小单位栅格地图进行传感器部署;
S22、设置每个更小单位栅格的测试点,并用集合来表示,即:
;
S23、对于任意测试点而言,设定所部署的传感器总数量为Senm,其集合表示为:
;
S24、计算以上任意传感器与任意测试点的欧氏距离:
;
式中,xi、yi为任意传感器的坐标位置,xj、yj为任意测试点的坐标位置;
S25、传感器的感知范围以布置位置为中心,以Rs为感知半径,测试点若位于某传感器感知半径Rs之内,则被该传感器感知覆盖,通过以下公式来表示:
;
式中,Pij为任意传感器对于任意测试点的覆盖概率。
4.根据权利要求3所述的基于优化部署传感技术的改进式GBNN动态路径规划方法,其特征在于:所述的S3中,对于任意测试点,存在测试点被若干个传感器同时覆盖的问题,因此建立优化WSN覆盖模型,通过K-means分类器实现传感器节点的优化部署,步骤为:
S31、设定任意测试点的覆盖传感器数量为n,集合表示为:
;
该测试点与覆盖传感器的欧氏距离集合为:
;
S32、设定另一任意测试点的覆盖传感器数量为p,集合表示为:
;
该测试点与覆盖传感器的欧氏距离集合为:
;
S33、S31和S32的两个测试点的覆盖传感器存在重复的可能,以这两个任意测试点和/>作为初始质心样本,分别计算两个任意测试点的所有覆盖传感器对于它们的欧式距离,实现一次分类,计算公式如下:
;
式中,Sa为第a个传感器(1≤a≤n+p),C1、C2为一次分类样本集合;
S34、分类后的样本集合设为:
,/>;
分类后的测试点与覆盖传感器的欧氏距离集合变为:
;
;
经过一次K-means分类优化之后,解决了接近传感器归属临近测试点问题,分别取得两个样本集合对于测试点的最小欧式距离,分别记为:Distancemin1和Distancemin2;
S35、设第m次优化后的传感器个数为Senom,m≥1,第m次优化后实际工作的传感器数量为Senam,其中,,S34中的最小欧式距离所对应的传感器分别为两个测试点的优化传感部署,此时m=1,Seno1=1,Sena1=1,两个分类后的传感器样本数量变为,对应的样本集合变为/>;
S36、对于任意测试点,存在被/>同时覆盖的可能,其被覆盖的联合概率可表示为:
;
式中,为第nm1个传感器对于任意测试点/>的覆盖概率;
S37、同理,对于任意测试点,其被/>中的传感器所覆盖的联合概率可表示为:
;
式中,为第nm2个传感器对于任意测试点/>的覆盖概率;
S38、对于S36和S37中两个测试点的覆盖率,可以通过以下公式来表示:
;
;
式中,Pcov1、Pcov2分别为两个测试点的覆盖率,S1、S2为两个测试点的邻域区域面积;
S39、综上,即为通过优化WSN覆盖模型对于两个测试点的一次优化传感部署,其优化目标在于覆盖率最大化,即:
;
式中,f(x)1、f(x)2分别为最大化的覆盖率目标函数;
S40、建立一次优化传感部署后,可将此时中距离测试点最大距离的传感器去除,随后重复上述步骤,继续对剩余的/>进行测试点的二次优化传感部署,直至迭代原有的/>仅为一个元素样本为止,当该10×10的更小单位栅格地图实现WSN优化部署之后,继续以相同的方式完成其他单位栅格地图的部署。
5.根据权利要求4所述的基于优化部署传感技术的改进式GBNN动态路径规划方法,其特征在于:所述的S4中,通过优化WSN覆盖模型控制Glasius生物神经网络GBNN输出活性值的步骤为:
依据所建立的二维Tensor地图,建立GBNN数学模型,获取输出活性值:
;
;
;
式中,t为时间,row、colu分别为二维Tensor地图单位化处理后的索引,Verow,colu是索引值为row,colu的输出活性值,wrow,colu为第row个神经元与第colu个神经元的连接系数,t时刻,索引为colu的传入神经活动记为,/>为对应索引针对于目标位置的激励,τ为常数,τ>0,xobstacle、yobstacle、xgoal、xgoal分别为障碍物和目标位置的位置信息,该障碍物会随着GBNN工作空间的动态变化而变化,g(x)为转换函数;此刻覆盖任意测试点的传感器即为经过优化WSN覆盖模型多次优化后的实际工作传感器。
6.根据权利要求5所述的基于优化部署传感技术的改进式GBNN动态路径规划方法,其特征在于:所述的S4中,输出活性值满足以下条件:
;
式中,Disrg(t)为t时刻规划探测位置和目标位置之间的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311550059.3A CN117268403B (zh) | 2023-11-21 | 2023-11-21 | 基于优化部署传感技术的改进式gbnn动态路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311550059.3A CN117268403B (zh) | 2023-11-21 | 2023-11-21 | 基于优化部署传感技术的改进式gbnn动态路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117268403A true CN117268403A (zh) | 2023-12-22 |
CN117268403B CN117268403B (zh) | 2024-01-30 |
Family
ID=89202887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311550059.3A Active CN117268403B (zh) | 2023-11-21 | 2023-11-21 | 基于优化部署传感技术的改进式gbnn动态路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117268403B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110053934A (ko) * | 2011-04-28 | 2011-05-24 | 연세대학교 산학협력단 | 무선 센서 네트워크의 수명 관리 시스템과 그 방법 |
CN102802164A (zh) * | 2012-08-30 | 2012-11-28 | 吴军 | 无线传感器网络中覆盖控制理论与算法的优化方法 |
CN105091884A (zh) * | 2014-05-08 | 2015-11-25 | 东北大学 | 基于传感器网络动态环境监测的室内移动机器人路径规划方法 |
US20180046153A1 (en) * | 2016-07-10 | 2018-02-15 | Beijing University Of Technology | Method of Constructing Navigation Map by Robot using Mouse Hippocampal Place Cell Model |
CN109635793A (zh) * | 2019-01-31 | 2019-04-16 | 南京邮电大学 | 一种基于卷积神经网络的无人驾驶行人轨迹预测方法 |
CN109818798A (zh) * | 2019-02-19 | 2019-05-28 | 上海海事大学 | 一种融合kpca和elm的无线传感器网络入侵检测系统及方法 |
CN112748397A (zh) * | 2020-12-22 | 2021-05-04 | 重庆邮电大学 | 一种非视距条件下基于自适应bp神经网络的uwb定位方法 |
CN114019983A (zh) * | 2021-12-09 | 2022-02-08 | 中国海洋大学 | 面向多任务点的无人艇协同路径规划方法 |
JP2022089797A (ja) * | 2020-12-04 | 2022-06-16 | 株式会社Nttドコモ | ニューラルネットワークに基づく目標追跡方法、装置、機器及び記憶媒体 |
CN116872212A (zh) * | 2023-08-14 | 2023-10-13 | 山东工商学院 | 一种基于A-Star算法和改进人工势场法的双机械臂避障规划方法 |
CN117041996A (zh) * | 2023-08-25 | 2023-11-10 | 北京工商大学 | 一种混合传感器网络移动节点的二次部署方法 |
-
2023
- 2023-11-21 CN CN202311550059.3A patent/CN117268403B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110053934A (ko) * | 2011-04-28 | 2011-05-24 | 연세대학교 산학협력단 | 무선 센서 네트워크의 수명 관리 시스템과 그 방법 |
CN102802164A (zh) * | 2012-08-30 | 2012-11-28 | 吴军 | 无线传感器网络中覆盖控制理论与算法的优化方法 |
CN105091884A (zh) * | 2014-05-08 | 2015-11-25 | 东北大学 | 基于传感器网络动态环境监测的室内移动机器人路径规划方法 |
US20180046153A1 (en) * | 2016-07-10 | 2018-02-15 | Beijing University Of Technology | Method of Constructing Navigation Map by Robot using Mouse Hippocampal Place Cell Model |
CN109635793A (zh) * | 2019-01-31 | 2019-04-16 | 南京邮电大学 | 一种基于卷积神经网络的无人驾驶行人轨迹预测方法 |
CN109818798A (zh) * | 2019-02-19 | 2019-05-28 | 上海海事大学 | 一种融合kpca和elm的无线传感器网络入侵检测系统及方法 |
JP2022089797A (ja) * | 2020-12-04 | 2022-06-16 | 株式会社Nttドコモ | ニューラルネットワークに基づく目標追跡方法、装置、機器及び記憶媒体 |
CN112748397A (zh) * | 2020-12-22 | 2021-05-04 | 重庆邮电大学 | 一种非视距条件下基于自适应bp神经网络的uwb定位方法 |
CN114019983A (zh) * | 2021-12-09 | 2022-02-08 | 中国海洋大学 | 面向多任务点的无人艇协同路径规划方法 |
CN116872212A (zh) * | 2023-08-14 | 2023-10-13 | 山东工商学院 | 一种基于A-Star算法和改进人工势场法的双机械臂避障规划方法 |
CN117041996A (zh) * | 2023-08-25 | 2023-11-10 | 北京工商大学 | 一种混合传感器网络移动节点的二次部署方法 |
Non-Patent Citations (4)
Title |
---|
DAQI ZHU; CHEN TIAN; XIAOFEI JIANG; CHAOMIN LUO: "Multi-AUVs cooperative complete coverage path planning based on GBNN algorithm", 2017 29TH CHINESE CONTROL AND DECISION CONFERENCE * |
温志文;杨春武;蔡卫军;毛金明;: "复杂环境下UUV完全遍历路径规划方法", 鱼雷技术, vol. 25, no. 01 * |
边鹏飞;何志琴;唐杰;: "无线传感器网络数据融合算法的改进与实现", 自动化与仪表, no. 06 * |
郝启润, 吴韵哲, 吴浩峻, 等: "基于改进A*GBNN算法的AUV路径规划", 船舶工程, vol. 42, no. 9 * |
Also Published As
Publication number | Publication date |
---|---|
CN117268403B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107103164B (zh) | 无人机执行多任务的分配方法及装置 | |
Roodposhti et al. | Towards automatic calibration of neighbourhood influence in cellular automata land-use models | |
CN108090443A (zh) | 基于深度强化学习的场景文本检测方法及系统 | |
CN108229730B (zh) | 一种基于模糊奖励的无人驾驶车辆轨迹生成方法 | |
Perez-Carabaza et al. | A real world multi-UAV evolutionary planner for minimum time target detection | |
CN108320051B (zh) | 一种基于gru网络模型的移动机器人动态避碰规划方法 | |
Dhahri et al. | Hierarchical multi-dimensional differential evolution for the design of beta basis function neural network | |
CN115563674B (zh) | 初始平面布置生成方法和装置、电子设备和存储介质 | |
CN113406955B (zh) | 基于复杂网络的自动驾驶汽车复杂环境模型、认知系统及认知方法 | |
CN108376183A (zh) | 一种基于最大熵原理的城市ca模型构建方法 | |
CN115018039A (zh) | 一种神经网络蒸馏方法、目标检测方法以及装置 | |
CN113342029B (zh) | 基于无人机群的最大传感器数据采集路径规划方法及系统 | |
CN108876144B (zh) | 一种基于深度学习算法的变电站预选址方法 | |
CN110726416A (zh) | 一种基于障碍区域扩张策略的强化学习路径规划方法 | |
CN117268403B (zh) | 基于优化部署传感技术的改进式gbnn动态路径规划方法 | |
CN117037483A (zh) | 一种基于多头注意力机制的交通流预测方法 | |
Liu et al. | Intelligent robot motion trajectory planning based on machine vision | |
CN114153216B (zh) | 基于深度强化学习和块规划的月面路径规划系统和方法 | |
CN113741461B (zh) | 一种面向受限通信的复杂场景下多机器人避障方法 | |
CN114613159B (zh) | 基于深度强化学习的交通信号灯控制方法、装置及设备 | |
CN115438841A (zh) | 基于人工智能精准预测降雨模型的训练方法及预测方法 | |
CN111486847B (zh) | 一种无人机导航方法及系统 | |
Xu et al. | A cell potential and motion pattern driven multi-robot coverage path planning algorithm | |
CN115047871A (zh) | 动态目标的多无人车协同搜索方法、装置、设备及介质 | |
CN114495036A (zh) | 一种基于三阶段注意力机制的车辆轨迹预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |