基于改进高斯采样PRM算法和狭窄通道识别的路径规划方法技术

本发明专利技术公开了基于改进高斯采样PRM算法和狭窄通道识别的路径规划方法，通过改进高斯采样增大狭窄通道内的采样点数以保证机器人在含有狭窄通道的地图中规划的实施效率，属于路径规划的技术领域。所述方法首先对路况的地图进行栅格化处理，得到栅格地图模型，设置规划的起始点和目标点；改进高斯采样应用于栅格地图狭窄通道的局部采样，增加狭窄通道的路标点数量；对局部路标点进行聚类识别处理，识别出狭窄通道；接着利用PRM算法根据路标点生成无向图；最后在无向图中根据要求查询最优路径。本发明专利技术改进PRM算法的采样策略，实现狭窄通道环境中的路径规划，增加了PRM算法在狭窄通道环境中采样点数，提高了PRM算法在狭窄通道下路径搜索的效率。路径搜索的效率。路径搜索的效率。

【技术实现步骤摘要】
基于改进高斯采样PRM算法和狭窄通道识别的路径规划方法


[0001]本专利技术涉及机器人路径规划
，尤其是基于改进高斯采样PRM算法和狭窄通道识别的路径规划方法。

技术介绍

[0002]PRM算法是一种基于随机概率图的路径规划方法，当环境中存在诸如狭窄通道环境时，PRM算法的性能急剧下降，虽然可以通过大量采样进行弥补狭窄通道采样概率低的问题，但是这增加了离线学习阶段构建高连通性路线图的计算时间，导致PRM算法的效率低下。为了提高路线图狭窄通道环境的实施效率，学者们提出了许多针对PRM算法的改进。中国专利CN110411454A提出一种改进随机路径图法的移动机器人路径规划方法，使用自适应采样和高斯采样相结合的方法提高在狭窄通道的采样点数量，从而提高机器人在含有困难区域(如狭窄通道)地图路径规划的实时效率，该方法利用地图环境中的障碍物密度进行自适应采样，虽然提高了狭窄通道内的采样点密度，但是在障碍物周围也会存在大量的采样点，降低算法性能。中国专利CN109683630A提出了基于粒子群和PRM算法的无人机航迹规划方法，该方法针对传统PRM算法中对于狭窄通道路径搜索覆盖范围低的问题，在PRM采样阶段，对落在障碍物内的采样点不是直接舍弃，而是在其周围搜索不在障碍物内的点，从而在采样过程中增加在障碍物附近的采样点数量，但是该方法虽然增加了狭窄通道中的采样点密度，但是在非狭窄通道的采样点密度同样增加，这样在路线图的构建阶段会影响算法性能。中国专利CN113778090A提出基于蚁群优化和PRM算法的移动机器人路径规划方法,针对规划的路径需要通过密集的障碍物或者需要经过狭窄的通道时，PRM算法的效率变低下的问题，将蚁群算法的信息浓度与PRM算法相结合，将PRM生成的随机采样点通过比较信息素浓度进一步筛选有效的采样点，从而进行路径规划，可更加快速地寻找最佳路径。但是该方法是对信息浓度的依赖程度较大，这样会导致搜索过程中出现局部最优情况的出现，不利于路径的规划。

技术实现思路

[0003]为了克服上述现有技术中的缺陷，本专利技术提供基于改进高斯采样PRM算法和狭窄通道识别的路径规划方法，通过改进高斯采样算法结合基于DBSCAN聚类实现狭窄通道的识别，增大狭窄通道内的采样点，从而解决传统的PRM算法在狭窄通道下路径规划效率低和狭窄通道识别困难的问题。
[0004]为实现上述目的，本专利技术采用以下技术方案，包括：
[0005]基于改进高斯采样PRM算法和狭窄通道识别的路径规划方法，在高斯采样阶段限制其采样点分布的位置，增加PRM算法在狭窄通道的采样点数量；提出基于密度的聚类识别狭窄通道的方法，将环境中的狭窄通道准确的识别出来。
[0006]优选的，根据狭窄通道的几何特征，对于高斯采样算法中的每一采样点，通过在障碍物空间的采样点A(x1,y1)和自由空间的采样点B(x2,y2)的有向线段的延长线上选取
一点C(x3,y3)，若点C位于障碍物空间上，则自由空间的采样点B同时位于狭窄通道；
[0007]点C的计算如下：假设点A(x1,y1)和点B(x2,y2)分别位于障碍物空间和自由空间，如果点B位于狭窄通道，则的斜率K
ab
：
[0008][0009]若点C位于障碍物空间，存在参数α使得在有向线段延长线上存在一点C，C(x3,y3)坐标为：
[0010][0011]狭窄通道采样点的获取方式如下所示：
[0012]S1，首先根据高斯采样原理得到障碍物空间的采样点A和自由空间的采样点B，在此基础上计算点A到点B的有向线段的斜率K
ab
，以此计算出点A和点B的直线方程；
[0013]S2，根据步骤S1的直线方程和参数α得到点C，判断C的位置，如果C位于障碍物空间，则将点B作为狭窄通道采样点加入狭窄通道样本集，否则更新点A和点B进行下一次的选择；
[0014]S3，按照以下步骤循环：
[0015]更新点A和点B，并通过更新的点A和点B重复进行步骤S1～S2；
[0016]S4，当所述狭窄通道内的采样点个数达到预先设定的狭窄通道采样点阈值时，停止检测。
[0017]优选的，
[0018]S5，使用基于密度的聚类算法DBSCAN对狭窄通道样本集中的采样点进行识别处理，设置聚类算法中的密度区域ξ和区域样本个数minPts，区分出噪声点，识别出狭窄通道；
[0019]S6，得到狭窄通道处理后的样本集。
[0020]优选的，在非狭窄通道进行均匀采样，得到非狭窄通道样本集，狭窄通道的样本集和均匀采样得到的样本集添加到总样本集中，根据总样本集生成连通图，在连通图中进行PRM路径规划。
[0021]本专利技术的优点在于：
[0022]在机器人的路径规划采用的概率路线图(PRM)算法中的采样策略决定采样点数量，从而和路径规划的效率联系在一起。现有的采样大多是基于均匀采样的算法实现，当存在狭窄通道或者复杂地图时，概率路线图的规划效率会急剧下降，传统的高斯采样算法虽然可以增加狭窄通道的采样密度，但是其所有障碍物周围都会存在大量采样点，造成了采样点的冗余。本专利技术针对机器人路径规划问题，改进高斯采样策略应用到概率路线图中，增加了狭窄通道的采样点密度，减少了采样点的冗余，解决概率路线图在狭窄通道地图中效率低下的问题。针对环境中的狭窄通道的识别问题，提出基于DBASCAN聚类的方法，可以实现对狭窄通道的精确识别，有效的去除了非狭窄通道的采样点，提高了路径规划的计算效率，减少计算冗余，具有高效性的优点。本专利技术可以应用于在狭窄通道路径规划的场景。
附图说明
[0023]图1为本专利技术的方法流程图；
[0024]图2为地图划分示意图；
[0025]图3为改进高斯采样算法的示意图；
[0026]图4为改进高斯采样结果；
[0027]图5为DBASCAN聚类算法识别结果；
[0028]图6为狭窄通道识别示意图；
[0029]图7为最终路径示意图。
具体实施方式
[0030]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0031]由图1所示，基于高斯采样的PRM算法和狭窄通道识别的路径规划方法，包括以下步骤；
[0032]S1，读取地图：首先使用栅格法对地图进行预处理，将环境地图划分为自由空间和障碍物空间。其中障碍物空间表示机器人不能到达的位置，自由空间表示机器人可以到达自由行走的位置，如图2所示。
[0033]S2，初始化机器人的起点Qstart和终点Qgoal，起点和终点的位置均位于自由空间内。
[0034]S3，使用改进高斯采样算法对机器人进行路径规划，所述改进算法包括：
[0035]S31，根据栅格地本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进高斯采样PRM算法和狭窄通道识别的路径规划方法，其特征在于，在高斯采样阶段限制其采样点分布的位置，增加PRM算法在狭窄通道的采样点数量；提出基于密度的聚类识别狭窄通道的方法，将环境中的狭窄通道准确的识别出来。2.根据权利要求1所述的基于改进高斯采样PRM算法和狭窄通道识别的路径规划方法，其特征在于，根据狭窄通道的几何特征，对于高斯采样算法中的每一采样点，通过在障碍物空间的采样点A(x1,y1)和自由空间的采样点B(x2,y2)的有向线段的延长线上选取一点C(x3,y3)，若点C位于障碍物空间上，则自由空间的采样点B同时位于狭窄通道；点C的计算如下：假设点A(x1,y1)和点B(x2,y2)分别位于障碍物空间和自由空间，如果点B位于狭窄通道，则的斜率K
ab
：若点C位于障碍物空间，存在参数α使得在有向线段延长线上存在一点C，C(x3,y3)坐标为：狭窄通道采样点的获取方式如下所示：S1，首先根据高斯采样原理得到障碍物空间的采样点A和自由空间的采样点B，在此基础上计算点A到点B的有向线段的斜率K

【专利技术属性】
技术研发人员：黄云志，徐玉全，韩亮，牛平安，汪辉，柴冲，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：