路径规划方法和系统、电子设备及可读存储介质技术方案

本发明专利技术提供一种路径规划方法和系统、电子设备及可读存储介质，其中所述方法包括：获取地图和机器人特征属性；将获取的地图和机器人特征属性输入至神经网络模型，输出预测的采样分布结果；其中，所述神经网络模型是通过输入的地图样本和机器人特征属性样本、以及预先确定的地图节点的最优路径的概率分布标签训练得到的；基于所述预测的采样分布结果，利用RRT*算法确定地图中的最优路径。本发明专利技术通过将获取的地图和机器人特征属性输入至神经网络模型，输出预测的采样分布结果；再将采样分布结果应用于RRT*算法，规划速度更快，根据预测模型进行采样，减少了许多的无效采样路径，可以很好的得到最优路径，节省了大量的时间和内存占用。存占用。存占用。

【技术实现步骤摘要】
路径规划方法和系统、电子设备及可读存储介质


[0001]本专利技术涉及路径规划领域，尤其涉及一种路径规划方法和系统、电子设备及可读存储介质。

技术介绍

[0002]海洋占据了地球70％的空间，其中蕴含了无法估量的资源，各国对于海洋资源的探索与开采也愈发的重视。但人类是无法直接潜入深海海底进行资源的探索以及信息的收集。随着现代技术的发展，人们开始使用水下的智能机器人(AUV)来代替人类潜入海底完成操作作业。
[0003]由于操作机器人在水底执行任务时，受到燃料或是电力能源容量的限制，作业时间无法持续过久，因此能够根据水底环境的实际情况，快速找到一条短路径，对于完成一次下潜操作任务是至关重要的。
[0004]目前已经有许多成熟的路径规划算法被提出使用，常用的有：
[0005]人工势场法(APF)，类比于自然界中的电势场和重力势场，人工构建一个起点、终点以及途径障碍物势场的机制，利用整个配置空间上的势函数来指导机器人的运动。是一种效果良好的局部路径规划解决方案。但是容易陷入局部极小，出现无法规划出完整路径的问题，对于势力场的建立，单纯的依靠限制范围无法得到很好的解决。
[0006]基于采样的算法，如概率路线图(PRM)和快速随机探索树(RRT)，但是PRM的效果不稳定，且在进行规划前需要提前对路标做准备。RRT相比PRM，路径规划的能力更强，采用树叶般随即生长的方式，对状态空间采样点不断进行碰撞检测，能够快速且有效的探索状态空间。快速随机探索树(RRT)以及对于RRT的各种改进方法，凭借基于随机采样的规划方法，采用树叶般随即生长的方式，对状态空间采样点不断进行碰撞检测，探索状态空间。快速随机探索树(RRT)以及对于RRT的各种改进方法，均对初始解敏感，且对最优解的收敛缓慢，导致在寻找最优路径时需要消耗大量的内存和时间，而且生成的路径不一定是最优的，采样的分布很大程度决定了规划的性能。
[0007]基于网格的算法包括A*和D*，静态路网中求解最短路径最有效的直接搜索方法，算法中的距离估算值与实际值越接近，最终搜索速度越快。如果存在最优路径，则可以保证找到最优路径。但其时间成本和内存消耗和规划范围大小以及状态空间维度成正比，范围越大，状态空间维度越高，则时间以及内存消耗会成倍的增加。性能无法满足水下操作机器人复杂动态的环境。

技术实现思路

[0008]本专利技术提供一种路径规划方法和系统、电子设备及可读存储介质，用以解决现有技术中存在的技术缺陷。
[0009]本专利技术提供一种路径规划方法，包括：
[0010]获取地图和机器人特征属性；
[0011]将获取的地图和机器人特征属性输入至神经网络模型，输出预测的采样分布结果；其中，所述神经网络模型是通过输入的地图样本和机器人特征属性样本、以及预先确定的地图节点的最优路径的概率分布标签训练得到的；
[0012]基于所述预测的采样分布结果，利用RRT*算法确定地图中的最优路径。
[0013]根据本专利技术所述的路径规划方法，所述获取地图和机器人特征属性包括：
[0014]获取以像素点描述每个自由空间的二维地图和机器人特征属性，所述机器人特征属性包括：机器人的属性包括机器人步长以及机器人与障碍物之间的间隔距离。
[0015]根据本专利技术所述的路径规划方法，所述神经网络模型的损失函数为每个像素位置的预测概率和真实标签的交叉熵，所述交叉熵是所述地图上所有可能位置的总和，所述损失函数为：
[0016]L＝∑ce(O,G)+λce(I,R)
[0017]其中，λ是权衡重建损失的参数，O表示预测概率图像，G表示真实概率图像，ce表示cross
‑
entropy交叉熵函数，I表示Input输入，R表示真实标签。
[0018]根据本专利技术所述的路径规划方法，所述将地图和机器人特征属性输入至神经网络模型，输出预测的采样分布之前，包括：
[0019]获取一随机数；
[0020]当所述随机数大于第一预设值，选取RRT*算法的随机采样器作为采样器；
[0021]当所述随机数不大于第一预设值，选取所述神经网络模型对应的采样器作为采样器。
[0022]根据本专利技术所述的路径规划方法，基于所述预测的采样分布结果，利用RRT*算法确定地图中的最优路径包括：
[0023]在所述预测的采样分布结果中选取预测概率大于第二预设值的采样点；
[0024]基于预测概率大于第二预设值的采样点，利用RRT*算法确定地图中的最优路径。
[0025]根据本专利技术所述的路径规划方法，所述基于预测概率大于第二预设值的采样点，利用RRT*算法确定地图中的最优路径，包括：
[0026]S1、将预测概率大于第二预设值的采样点中产生一个随机点xrand；
[0027]S2、在随机生长树上找到与随机点xrand最近的节点xnearest，连接xrand与xnearest形成第一路径；
[0028]S3、以xrand为中心，ri为半径，在所述随机生长树上搜索节点，找出潜在的父节点集合；
[0029]S4、将潜在的父节点xpotential_parent作为父节点时，将xpotential_parent与xrand连接起来形成第二路径，计算出所述第二路径的代价；
[0030]S5、将所述第二路径的代价与第一路径的代价作比较；
[0031]S6、若所述第二路径的代价更小，则进行碰撞检测；
[0032]S7、若碰撞检测失败，该潜在的父节点xpotential_parent不作为新的父节点，将潜在的父节点集合中的下一个潜在的父节点作为潜在的父节点xpotential_parent，并返回所述S4；
[0033]S8、若所述第二路径路径代价更大，则将潜在的父节点集合中的下一个潜在的父节点作为潜在的父节点xpotential_parent，并返回所述S4；
[0034]S9、若碰撞检测通过，则将潜在的父节点xpotential_parent加入到随机生成树中，确定出地图中的最优路径的路径点；
[0035]S10、判断是否遍历所述潜在的父节点集合中的潜在的父节点，若是，则基于所述地图中的最优路径的路径点，得到地图中的最优路径；若否，则将潜在的父节点集合中的下一个潜在的父节点作为潜在的父节点xpotential_parent，并返回所述S4。
[0036]根据本专利技术所述的路径规划方法，所述将预测概率大于第二预设值的采样点中产生一个随机点xrand之前，包括：
[0037]初始化一棵由顶点集和边缘集组成的随机生成树T＝(V，E)。
[0038]本专利技术还提供了一种路径规划系统，包括：
[0039]特征获取模块，用于获取地图和机器人特征属性；
[0040]采样分布预测模块，用于将获取的地图和机器人特征属性输入至神经网络模型，输出预测的采样分布结果；其中，所述神经网络模型是通过输入的地图样本和机器人特征属性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种路径规划方法，其特征在于，包括：获取地图和机器人特征属性；将获取的地图和机器人特征属性输入至神经网络模型，输出预测的采样分布结果；其中，所述神经网络模型是通过输入的地图样本和机器人特征属性样本、以及预先确定的地图节点的最优路径的概率分布标签训练得到的；基于所述预测的采样分布结果，利用RRT*算法确定地图中的最优路径。2.根据权利要求1所述的路径规划方法，其特征在于，所述获取地图和机器人特征属性包括：获取以像素点描述每个自由空间的二维地图和机器人特征属性，所述机器人特征属性包括：机器人的属性包括机器人步长以及机器人与障碍物之间的间隔距离。3.根据权利要求1所述的路径规划方法，其特征在于，所述神经网络模型的损失函数为每个像素位置的预测概率和真实标签的交叉熵，所述交叉熵是所述地图上所有可能位置的总和，所述损失函数为：L＝∑ce(O,G)+λce(I,R)其中，λ是权衡重建损失的参数，O表示预测概率图像，G表示真实概率图像，ce表示cross
‑
entropy交叉熵函数，I表示Input输入，R表示真实标签。4.根据权利要求1所述的路径规划方法，其特征在于，所述将地图和机器人特征属性输入至神经网络模型，输出预测的采样分布之前，包括：获取一随机数；当所述随机数大于第一预设值，选取RRT*算法的随机采样器作为采样器；当所述随机数不大于第一预设值，选取所述神经网络模型对应的采样器作为采样器。5.根据权利要求1所述的路径规划方法，其特征在于，基于所述预测的采样分布结果，利用RRT*算法确定地图中的最优路径包括：在所述预测的采样分布结果中选取预测概率大于第二预设值的采样点；基于预测概率大于第二预设值的采样点，利用RRT*算法确定地图中的最优路径。6.根据权利要求5所述的路径规划方法，其特征在于，所述基于预测概率大于第二预设值的采样点，利用RRT*算法确定地图中的最优路径，包括：S1、将预测概率大于第二预设值的采样点中产生一个随机点xrand；S2、在随机生长树上找到与随机点xrand最近的节点xnearest，连接xrand与xnearest形成第一路径；S3、以xrand为中心，ri为半径，在所述随机生长树上搜索节点，找出潜在的父节点...

【专利技术属性】
技术研发人员：周文迪，
申请(专利权)人：中移雄安信息通信科技有限公司中国移动通信集团有限公司，
类型：发明
国别省市：