一种基于空地信息共享的无人车路径规划方法技术

本发明专利技术提供一种基于空地信息共享的无人车路径规划方法，包括以下步骤：基于无人机搭载的感知系统和定位导航系统建立地面环境的栅格地图，无人车获取无人机建立的栅格地图，并结合自身感知的环境信息修正补充栅格地图；根据修正补充后的栅格地图，建立以移动路径最短，或耗时最短，或消耗能量最少为约束的无人车路径规划的目标函数；根据目标函数，通过改进型乌燕鸥优化算法进行最优位置更新，确定最优乌燕鸥位置；根据预设的最大迭代次数依次更新的最优乌燕鸥位置，确定最优路径规划结果；该方法克服了乌燕鸥优化算法存在的几点不足，能够显著提升无人车路径规划的效果。能够显著提升无人车路径规划的效果。能够显著提升无人车路径规划的效果。

【技术实现步骤摘要】
一种基于空地信息共享的无人车路径规划方法


[0001]本专利技术涉及无人车
，具体涉及一种基于空地信息共享的无人车路径规划方法。

技术介绍

[0002]基于空地信息共享的无人车路径规划是空地异构机器人系统的关键技术之一。首先，基于无人机搭载的感知系统和定位导航系统等建立地面环境的栅格地图；其次，无人车实时接收无人机栅格地图信息，结合自身感知的环境信息修正补充栅格地图，然后自行规划出一条从出发点至终点的无碰撞的最优移动路径，这条最优路径可以是满足移动路径最短，可以是满足耗时最短，还可以满足能量消耗最少等。
[0003]基于空地信息共享的无人车路径规划问题，实际上可以看成是一个带约束条件的复杂优化问题。因此，一些智能优化算法对于提高无人车路径规划的效果发挥了积极的作用，很多学者开展了大量的研究工作。例如，陈雪俊等对智能水滴算法进行了改进，提出了改进水滴算法的无人车避障路径规划方法（陈雪俊,贝绍轶. 一种基于改进智能水滴算法的无人车避障路径规划方法[P]. 江苏省：CN110703767A,2020
‑
01
‑
17.）；刘洪丹等提出了量子狼群算法并用于无人驾驶智能车的自动避障研究（刘胜,张兰勇,丁一轩,李冰,李芃,孙玥. 基于量子狼群算法的无人驾驶智能车自动避碰方法[P]. 黑龙江省：CN110471426A,2019
‑
11
‑
19.）；江鹏程等提出了基于蚁群算法的无人车路径规划方法（江鹏程,丛华,邱绵浩,张楠,冯辅周,张传清,刘西侠,张丽霞,何嘉武,张小明,王志荣,杨昌伟. 无人车混合路径规划算法[P]. 北京市：CN110609557A,2019
‑
12
‑
24.）；葛洪伟等提出了改进的多目标粒子群算法，并以此为优化方法进行了无人车的路径规划研究（葛洪伟,钱小宇,葛阳. 基于改进的多目标粒子群算法的无人车路径规划方法[P]. 江苏：CN107992051A,2018
‑
05
‑
04.）。
[0004]根据目前的研究成果来看，智能优化算法是一种有效的路径规划方法。其中，乌燕鸥优化算法（Sooty tern optimization algorithm，STOA）是一种模拟乌燕鸥觅食行为的新型智能优化算法，同样可以应用于路径规划问题。但是，乌燕鸥优化算法存仍然存在有一些缺陷，使得算法容易陷入局部最优和收敛精度不高，在进行路径规划时，往往达不到理想的路径规划效果。

技术实现思路

[0005]为解决上述问题，本专利技术提供一种基于空地信息共享的无人车路径规划方法，克服了乌燕鸥优化算法存在的几点不足，能够显著提升无人车路径规划的效果。
[0006]为实现上述目的，本专利技术提供了如下的技术方案。
[0007]一种基于空地信息共享的无人车路径规划方法，包括以下步骤：基于无人机搭载的感知系统和定位导航系统建立地面环境的栅格地图，无人车获取无人机建立的栅格地图，并结合自身感知的环境信息修正补充栅格地图；
根据修正补充后的栅格地图，建立以移动路径最短，或耗时最短，或消耗能量最少为约束的无人车路径规划的目标函数；根据目标函数，通过改进型乌燕鸥优化算法进行最优位置更新，确定最优乌燕鸥位置；根据预设的最大迭代次数依次更新的最优乌燕鸥位置，确定最优路径规划结果；其中，所述改进型乌燕鸥优化算法为：引入高斯映射初始化乌燕鸥种群位置，并考虑历史全局最优乌燕鸥位置和本次迭代最优乌燕鸥位置进行位置更新；所述改进型乌燕鸥优化算法还包括，通过逐维度双向sine变异进一步进行最优位置更新。
[0008]优选地，所述引入高斯映射初始化乌燕鸥种群位置，包括以下步骤：确定种群的大小N，乌燕鸥寻优下边界LB和乌燕鸥寻优上边界UB；通过高斯映射产生随机数x
t
：式中，mod(
·
)为求余函数，x
t+1
为下一个随机数；利用产生的高斯随机数初始化乌燕鸥位置：。
[0009]优选地，所述考虑历史全局最优乌燕鸥位置和本次迭代最优乌燕鸥位置进行位置更新，包括以下步骤：冲突避免：模拟乌燕鸥的冲突避免行为过程，用如下公式表达：式中：表示当前第t次迭代的乌燕鸥的位置；表示的是在不与其他乌燕鸥碰撞的情况下乌燕鸥的新位置；代表一个避免碰撞的变量因素，用来计算避免碰撞后的位置，它的约束条件公式如下：式中：为用来调整的控制变量；t表示当前迭代次数；随着迭代次数的增加，从逐渐减小为0；如假设为2，将从2逐渐减小为0；为迭代次数；聚集：聚集是指当前乌燕鸥在避免冲突的前提下向相邻乌燕鸥中最好的位置靠拢，也就是向最优位置靠拢，其数学表达式如下：式中：是第t次迭代乌燕鸥的最优位置；表示在不同位置向最优位置移动的过程；是一个使勘探更加全面的随机变量，按照以下公式变化：式中：为[0,1]范围内的随机数；更新：更新是指当前乌燕鸥朝着最优位置的所在方向进行移动，更新位置，其数学
表达式为：+式中：是乌燕鸥从当前位置向最优位置方向移动的距离；攻击行为：在迁移过程中，乌燕鸥可以通过翅膀提高飞行高度，也可以调整自身的速度和攻击角度，在攻击猎物的时候，它们在空中的盘旋行为可定义为以下数学模型：式中：是每个螺旋的半径；是[0，2π]范围内的随机角度值；u和v是定义螺旋形状的相关常数，均可设定为1；e是自然对数的底数；综合考虑历史最优乌燕鸥位置和本次迭代最优乌燕鸥位置来进行搜索，改进后的乌燕鸥位置更新如下表达式所示：乌燕鸥位置更新如下表达式所示：乌燕鸥位置更新如下表达式所示：其中，r1和r2为随机学习权重，调节乌燕鸥的向历史最优乌燕鸥学习和本次最优乌燕鸥学习的影响，总和为1；表示历史全局最佳乌燕鸥位置，表示本次迭代最佳乌燕鸥位置；计算适应度值：式中，为计算适应度值时的适应度函数；记录当次迭代中最优乌燕鸥。
[0010]优选地，所述通过逐维度双向sine变异进一步进行最优位置更新，包括以下步骤：对于维度j，根据当前迭代次数计算sine混沌值，并等概率切换正负方向：对于维度j，根据当前迭代次数计算sine混沌值，并等概率切换正负方向：式中，rand为0到1的随机数；x0为迭代序列值；对最优位置进行变异扰动：式中：表示第t+1次迭代的最优位置的第j维；贪婪更新：
每个维度都进行变异后，停止变异。
[0011]本专利技术的有益效果：本专利技术提出一种基于空地信息共享的无人车路径规划方法，该方法通过引入高斯映射进行乌燕鸥种群位置的初始化，可以提升种群位置分布的均匀性和多样性，进而算法的稳定性得以增强。该方法对乌燕鸥的位置更新方式进行了改进，乌燕鸥位置更新综合考虑历史全局最优乌燕鸥位置和本次迭代最优乌燕鸥位置，实现了算法搜索范围的增大，算法的适应性得以增强。该方法对最优乌燕鸥利用双向sine混沌映射变异，实现了算法在后期跳出局部最优解的能力。
附图说明
[0012]图1是本专利技术实施例的一种基于空地信息共享的无人车路径规划方法的流程图；图2是本专利技术实施例的一种基于空本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于空地信息共享的无人车路径规划方法，其特征在于，包括以下步骤：基于无人机搭载的感知系统和定位导航系统建立地面环境的栅格地图，无人车获取无人机建立的栅格地图，并结合自身感知的环境信息修正补充栅格地图；根据修正补充后的栅格地图，建立以移动路径最短，或耗时最短，或消耗能量最少为约束的无人车路径规划的目标函数；根据目标函数，通过改进型乌燕鸥优化算法进行最优位置更新，确定最优乌燕鸥位置；根据预设的最大迭代次数依次更新的最优乌燕鸥位置，确定最优路径规划结果；其中，所述改进型乌燕鸥优化算法为：引入高斯映射初始化乌燕鸥种群位置，并考虑历史全局最优乌燕鸥位置和本次迭代最优乌燕鸥位置进行位置更新；所述改进型乌燕鸥优化算法还包括，通过逐维度双向sine变异进一步进行最优位置更新。2.根据权利要求1所述的一种基于空地信息共享的无人车路径规划方法，其特征在于，所述引入高斯映射初始化乌燕鸥种群位置，包括以下步骤：确定种群的大小N，乌燕鸥寻优下边界LB和乌燕鸥寻优上边界UB；通过高斯映射产生随机数x
t
：式中，mod(
·
)为求余函数，x
t+1
为下一个随机数；利用产生的高斯随机数初始化乌燕鸥位置：。3.根据权利要求1所述的一种基于空地信息共享的无人车路径规划方法，其特征在于，所述考虑历史全局最优乌燕鸥位置和本次迭代最优乌燕鸥位置进行位置更新，包括以下步骤：冲突避免：模拟乌燕鸥的冲突避免行为过程，用如下公式表达：式中： 表示当前第t次迭代的乌燕鸥的位置；表示的是在不与其他乌燕鸥碰撞的情况下乌燕鸥的新位置；代表一个避免碰撞的变量因素，用来计算避免碰撞后的位置，它的约束条件公式如下：式中：为用来调整的控制变量；t表示当前迭代次数；随着迭代次数的增加，从逐渐减小为0；如假设为2，将从2逐渐减...

【专利技术属性】
技术研发人员：陈克伟，袁东，张嘉曦，尚颖辉，石海滨，李晓燕，
申请(专利权)人：中国人民解放军陆军装甲兵学院，
类型：发明
国别省市：