基于蚁群算法和极坐标变换的无人自行车路径规划方法技术

基于蚁群算法和极坐标变换的无人自行车路径规划方法，包括如下步骤：(1)利用栅格法进行环境建模；(2)设置蚁群算法的详细参数；(3)设定极坐标的长度、探测最大角度和最小角度；(4)蚁群的初始化，并设定信息素位置范围和速度范围；(5)极坐标和直角坐标之间变换，判断信息素是否有效，直到保证所有信息素有效，检查信息素位置和障碍物位置；(6)计算每个信息素的适应度值并处理；(7)将信息素历史最优适应值数组中最小值与当前全局历史最优值比较并处理；(8)更新信息素的位置和速度信息；(9)将本次迭代的信息素最优值与之前结果比较并处理；(10)最大迭代次数后平滑处理，修改路径并显示结果。

Path planning method of unmanned bicycle based on ant colony algorithm and polar coordinate transformation

Bicycle path planning method for unmanned ant colony algorithm and polar coordinate transformation based on, which comprises the following steps: (1) the environment modeling based on grid method; (2) the detailed parameters of ant colony algorithm; (3) the set length, the maximum angle detection of polar coordinates and the minimum angle; (4) ant colony initialization and configuration information prime position range and speed range; (5) the transformation between polar coordinates and Cartesian coordinates, judging the pheromone is valid until that all effective pheromone pheromone, check the position and the obstacle position; (6) the calculation value and adapt to each information processing; (7) the pheromone history optimal fitness value in the array of minimum and deal with the current global optimal value of history; (8) the position and speed of information updating pheromone; (9) the iteration of the pheromone value and optimal results and before treatment; (10) the maximum iteration After smoothing, modify the path and display the result.

【技术实现步骤摘要】
基于蚁群算法和极坐标变换的无人自行车路径规划方法
本专利技术涉及无人自行车技术，特别是一种面向无人自行车的基于蚁群算法和极坐标变换的路径规划方法。
技术介绍
自20世纪60年代移动机器人诞生以来，研究人员一直梦想研究无人智能交通工具，作为智能交通系统的重要组成部分，无人自行车排除了人为不确定因素的影响，不仅可以提高驾驶安全性，而且可以解决交通拥堵，提高能源利用率，百度曾宣布开发复杂人工智能无人自行车，该产品是具备环境感知、规划和自平衡控制等复杂人工智能的无人自行车，主要集合了百度在人工智能、深度学习、大数据和云计算技术的成就，然而对技术细节没有任何披露。目前大多采用采用覆盖面广、成本低，且针对性强的运动干预服务系统，对无人自行车的运动进行符合实际情况的干预，有望解决自行车避障等问题。作为无人自行车的智能核心，避障路径规划系统决定车辆如何在多种约束条件和路径障碍物条件下到达目标位置，这些约束包括体现为安全性的环境约束，体现可行性的系统运动学约束，体现平顺性和稳定性的系统动力学约束以及特定的优化指标约束，如最短时间或最短距离等。在无人自行车应用中，这些约束集中在全局路径规划中得到满足，全局路径规划问题等同于起点和终点间路径生成的问题，解决全局路径规划问题一般要求提前获知完成的典型道路及其数字化存储方式，也就是环境地图，当环境变化或其他因素导致规划结果不可行时，需要重启全局规划得到新的可行路径才能继续行使。然而，现有的路径规划方法算法收敛性不够良好，并且初始分布是正态分布时，计算时间比较长，不利于快速响应障碍物。
技术实现思路
本专利技术的目的在于提供一种面向无人自行车的基于蚁群算法和极坐标变换的路径规划方法，包括如下步骤：(1)根据无人自行车的工作环境，利用栅格法进行环境建模；(2)设置蚁群算法的详细参数：信息素维度D、最大迭代次数M、信息素数N、信息素变量的最大速度Vmax、学习因子c1，c2和惯性权重W，这三个参数按照一般的蚁群算法选取，信息素维度则由以下参数决定：D≈distance(path)bike_length，信息素变量的最大速度为：Vmax＝0.1(αmax-αmin)/D；(3)设定极坐标的长度、探测最大角度和最小角度，探测最大角度和最小角度一般取0～π/2；(4)根据均匀分布生成随机数的方法，进行蚁群的初始化，并设定环境地图位置范围内的信息素位置范围和速度范围；(5)进行极坐标和直角坐标之间的变换，获得路径x，y坐标值，根据信息素的约束条件判断信息素是否有效，无效则重新初始化，直到保证所有信息素有效，检查信息素位置和障碍物位置；(6)采用路径规划的适应度函数，计算每个信息素的适应度值，将信息素的个体历史最优值和当前信息素适应度值进行比较，若当前的适应度值比历史最优值小，则用当前的适应度值替换个体历史最优值；(7)将信息素历史最优适应值数组中最小值与当前的全局历史最优值进行比较，若其值小于全局最优值，则用最小值替换全局最优值，否则不替换，根据信息素上次取得的迭代历史最优值和当前迭代历史最优值，计算并保存两者之间的最优值；(8)更新种群中信息素的位置和速度信息，若信息素搜索的位置超过了已设定的空间范围，则选取最大位置；(9)将本次迭代的信息素最优值与之前连续迭代结果进行比较，若未发生变化则采用以前优化值，并检查是否达到最大迭代次数，若未达到则反复计算。(10)到达最大迭代次数后，采用舒曼滤波法进行平滑处理，对算出的路径进行修改，显示计算结果与最优路径。优选的，步骤(1)中栅格粒度大小的确定是根据无人自行车自身的尺寸大小以及障碍物的面积大小来设置。优选的，所述无人自行车前进的方向上设置三个模拟传感器，以探测前方到障碍物的距离情况。优选的，所述信息素构成信息素表，每个元素代表一定距离下选择沿一角度运动的信息素强度，采用矩阵A表示信息素表，将无人自行车与地面障碍物距离在初始距离与地面目标之差上10等分，而无人自行车单次移动方向选择相对于障碍物连线夹角的-90度-90度上角度18等分，并选择其中的17个作为搜索方向，从而确定340个元素作为信息素表的各个元素，将无人自行车与地面站该物初始距离与地面目标之差定义为M，无人自行车与障碍物目标连线角度设定为α。优选的，在完成若干轮单次迭代后，若按每次新信息素表出发的无人自行车都能成功避开障碍物，则判定算法结束。优选的，所述信息素更新用于无人自行车释放信息素的过程，分为两个阶段进行，第一个阶段是在无人自行车追踪地面障碍物的阶段，第二个阶段是在无人自行车在保持与地面障碍物安全距离的阶段。优选的，所述第一个阶段的信息素更新方法是：在每个时间片内，如果单次前进方向连续若干次都是所有方向中使无人自行车与地面障碍物目标距离减小最多的那个方向，结合其距离在信息素表中找到对应信息素，进行更新即累加操作。优选的，所述第二个阶段的信息素更新方法是按照一定的时间间隔实时判断与地面障碍物的距离，并在一定区域范围内对选择的移动方向对应的位置信息素全部进行更新。优选的，对于使无人自行车靠近地面障碍物的角度，进行信息素挥发操作，减小无人自行车选择该条路径作为前进方向的概率。优选的，当无人自行车与障碍物处于一个实际的状态，无人自行车通过信息表决定下一步的移动方向，首先判断无人自行车与障碍物的距离，并根据距离在信息素表中相应的行去查找，移动角度的选择根据随机数方法按照每个角度的发生概率选择，仅在无人自行车的距离发生跨越时才重新选择移动角度。采用本专利技术的避障局部路径规划方法，可使得自行车严格按照规划路径行驶，并且车速自动根据路径曲率调整，遇到移动或者固定障碍物的情况下，可以提前进行避障路径规划。根据下文结合附图对本专利技术具体实施例的详细描述，本领域技术人员将会更加明了本专利技术的上述以及其他目的、优点和特征。附图说明后文将参照附图以示例性而非限制性的方式详细描述本专利技术的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。本专利技术的目标及特征考虑到如下结合附图的描述将更加明显，附图中：图1为根据本专利技术实施例的前进搜索方向示意图；图2为根据本专利技术实施例的信息素仿真迭代矩阵图；图3为根据本专利技术实施例的方法流程图。具体实施方式结合附图如下详细说明一种面向无人自行车的基于蚁群算法和极坐标变换的路径规划方法，如图3所示包括如下步骤：(1)根据无人自行车的工作环境，利用栅格法进行环境建模，栅格粒度大小的确定是根据无人自行车自身的尺寸大小以及障碍物的面积大小来设置，其中前进搜索方向如图1所示；(2)设置蚁群算法的详细参数：信息素维度D、最大迭代次数M、信息素数N、信息素变量的最大速度Vmax、学习因子c1，c2和惯性权重W，这三个参数按照一般的蚁群算法选取，信息素维度则由以下参数决定：D≈distance(path)bike_length，信息素变量的最大速度为：Vmax＝0.1(αmax-αmin)/D；(3)设定极坐标的长度、探测最大角度和最小角度，探测最大角度和最小角度一般取0～π/2；(4)根据均匀分布生成随机数的方法，进行蚁群的初始化，并设定环境地图位置范围内的信息素位置范围和速度范围；(5)进行极坐标和直角坐标之间的变换，获得路径x，本文档来自技高网...

【技术保护点】
基于蚁群算法和极坐标变换的无人自行车路径规划方法，其特征在于包括如下步骤：(1)根据无人自行车的工作环境，利用栅格法进行环境建模；(2)设置蚁群算法的详细参数：信息素维度D、最大迭代次数M、信息素数N、信息素变量的最大速度V

【技术特征摘要】
1.基于蚁群算法和极坐标变换的无人自行车路径规划方法，其特征在于包括如下步骤：(1)根据无人自行车的工作环境，利用栅格法进行环境建模；(2)设置蚁群算法的详细参数：信息素维度D、最大迭代次数M、信息素数N、信息素变量的最大速度Vmax、学习因子c1，c2和惯性权重W，这三个参数按照一般的蚁群算法选取，信息素维度则由以下参数决定：D≈distance(path)bike_length，信息素变量的最大速度为：Vmax＝0.1(αmax-αmin)/D；(3)设定极坐标的长度、探测最大角度和最小角度，探测最大角度和最小角度一般取0～π/2；(4)根据均匀分布生成随机数的方法，进行蚁群的初始化，并设定环境地图位置范围内的信息素位置范围和速度范围；(5)进行极坐标和直角坐标之间的变换，获得路径x，y坐标值，根据信息素的约束条件判断信息素是否有效，无效则重新初始化，直到保证所有信息素有效，检查信息素位置和障碍物位置；(6)采用路径规划的适应度函数，计算每个信息素的适应度值，将信息素的个体历史最优值和当前信息素适应度值进行比较，若当前的适应度值比历史最优值小，则用当前的适应度值替换个体历史最优值；(7)将信息素历史最优适应值数组中最小值与当前的全局历史最优值进行比较，若其值小于全局最优值，则用最小值替换全局最优值，否则不替换，根据信息素上次取得的迭代历史最优值和当前迭代历史最优值，计算并保存两者之间的最优值；(8)更新种群中信息素的位置和速度信息，若信息素搜索的位置超过了已设定的空间范围，则选取最大位置；(9)将本次迭代的信息素最优值与之前连续迭代结果进行比较，若未发生变化则采用以前优化值，并检查是否达到最大迭代次数，若未达到则反复计算。(10)到达最大迭代次数后，采用舒曼滤波法进行平滑处理，对算出的路径进行修改，显示计算结果与最优路径。2.根据权利要求1的基于蚁群算法和极坐标变换的无人自行车路径规划方法，其特征在于：步骤(1)中栅格粒度大小的确定是根据无人自行车自身的尺寸大小以及障碍物的面积大小来设置。3.根据权利要求1的基于蚁群算法和极坐标变换的无人自行车路径规划方法，其特征在于：所述无人自行车前进的方向上设置三个模拟传感器，以探测前方到障碍物的距离情况。4.根据权利要求1的基于蚁群算法和极坐标变...

【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：深圳市靖洲科技有限公司，
类型：发明
国别省市：广东,44