多信息域多分辨率的类人化双层运动规划方法技术

本发明专利技术公开了基于多信息域、多分辨率场景描述模型的类人化全局方向引导性路径和局部实际应变性路径相结合的双层运动规划方法。首先，借鉴人类自身运动规划的实际过程，在全局引导路径生成时，仅需要低分辨率的粗略场景描述模型；在局部实际路径生成时，根据当前高分辨率的实际场景信息灵活调整，基于全局引导路径、局部实际路径完全解耦思路，既可以完全按照全局引导路径进行，也可以完全的重新生成，提高了传统运动规划算法的灵活度。其次，为充分描述各种约束信息，将不同信息域下的任务需求，分别在全局和局部两个层次上进行灵活描述，可同时实现运动规划结果在全局和局部两个层次上的多样性。层次上的多样性。层次上的多样性。

【技术实现步骤摘要】
多信息域多分辨率的类人化双层运动规划方法


[0001]本专利技术涉及运动规划算法
，具体为多信息域多分辨率的类人化双层运动规划方法

技术介绍

[0002]所谓路径规划，是指依据某种准则，在状态空间中寻找一条从起始状态到目标状态，并可规避所有障碍物的最优或近似最优路径。路径规划是物理世界中各类智能体基本的行为能力之一，是保证其在现实生活中不与其他障碍物和个体发生碰撞，更好地向目标前进的关键。在智能体运动规划研究中，也应体现这一基本行为特性，使得Agent能够按照自然合理的路径运动，顺利到达目标位置。真实有效地模拟智能体路径规划行为，不仅能提高路径规划算法的智能性，还能为更高层的多智能体行为仿真提供重要的基础保障。
[0003]现有的路径规划方法可分为为环境建模和路径搜索两个子问题，其基本思想是首先对环境模型进行建模表达，然后利用搜索算法在起始点和目标点之间寻找最优路径。但现有运动规划算法在环境建模与路径搜索过程中，大多仅考虑空间可达关系，环境模型分辨率固定，较少考虑高层任务需求及个体偏好约束等信息，导致运动规划结果单一，灵活度与逼真度不够，因此本方案基于概率路径图算法，提出了一种多信息域、多分辨率的层次化描述模型，将不同约束信息分别在全局和局部两个层次上进行描述，并同时在全局和局部层次上构建不同分辨率的概率路径图，可保证运动规划结果同时满足不同信息域下的各类任务约束要求，生成多样化的运动路径，提高了传统运动规划算法的灵活度与求解效率。
[0004]针对上述两个子问题，可以将运动规划算法可分为两个关键步骤：首先需要定义一个场景描述模型，在对运动场景中各种几何关系信息进行恰当描述的基础上，构建运动场景自由可达空间之间的连通关系图；然后基于连通关系图，完成具体运动路径的生成。对于运动场景连通关系图的构建问题，传统方法可分为两大类，一是直接描述思路，借助于各种图形学算法(如单元网格、三角面片、Voronoi图等)，将复杂运动场景拆分为互相连通的基本自由可达空间(Cell Decomposition)后，然后直接基于几何连通关系进行描述，如各类网格导航图(Navigation Meshes)算法；二是随机采样思路，通过对运动场景的随机采样，构建路径图(Roadmap)来实现对空间几何连接关系的间接描述，如概率路径图PRM、快速随机扩展树RRT等。但对于复杂动态场景，除静态几何连通关系外，更需要充分描述各类动态变化信息，近期人们提出了各种改进算法，以同时实现对诸如与障碍物的间隙信息、时空变化信息等的描述，但很难基于某一特定描述模型，实现对所有信息的完美描述。为提高对场景动态变化(如动态障碍及多智能体之间相互的配合、规避) 的适应能力，当前运动规划算法通常解耦成两部分，一是全局规划(GlobalNavigation)，二是局部规划(Local Navigation)。
[0005]根据以上情况，申请人针对现有运动规划算法在环境建模与路径搜索过程中，大多仅考虑空间可达关系，较少考虑个体偏好约束信息，局部路径与总体路径要求耦合过于紧密，导致运动规划结果单一，灵活度与逼真度不够的问题，研发出了一种多信息域多分辨
率的类人化双层运动规划方法。

技术实现思路

[0006]本专利技术的目的在于提供多信息域多分辨率的类人化双层运动规划方法，以解决上述
技术介绍
中提出的目前在现有运动规划算法在环境建模与路径搜索过程中，大多仅考虑空间可达关系，局部路径与总体路径要求耦合过于紧密，较少考虑个体偏好约束信息，导致运动规划结果单一，灵活度与逼真度不够的问题。
[0007]为实现上述目的，本专利技术提供如下技术方案：多信息域多分辨率的类人化双层运动规划方法，其特征在于，包括以下步骤：
[0008]步骤一：问题数学化建模；假设运动场景为W，其中有m个障碍区域 O
obs
＝{O1…
O
m
}，除去障碍外的自由位形空间用C
free
表示，即W＝C
free
+O
obs
，运动场景内有个互不相邻的任务目标区域R＝{R1,
…
,R
n
}，满足 (i≠j)，智能体目标任务为：按一定的高层时空任务逻辑要求T
R
，规划出一条无碰撞的最优运动路径；一个目标区域到达顺序表示为Π
i
＝{π
i1
…
π
in
}，其中表示智能体到达目标区域R
i
，i1
…
in为满足具体任务约束T
R
的1
…
n一种之间的具体顺序排列方式；C
i
(i＝1
…
k)为在路径生成过程中，根据实际路径状况对智能体施加各类偏好性约束；
[0009]步骤二：高层时空逻辑任务约束的表示；采用时态逻辑要求和空间约束分开描述的思路，时态逻辑要求采用规则表达式进行描述，空间约束要求采用全局PRM和局部PRM相结合的思路进行描述，
[0010]1)依次先后到达任务区域，仅要求到达区域R1,R2…
,R
n
，的时态逻辑要求先采用规则表达式分别进行描述为：
[0011]φ
seq
(π1,π2,
…
π
n
)＝π1π2…
π
n
，式中π
i
表示已到达目标区域R
i
；
[0012]其中，perm(1,n)表示 {1,
…
,n}所有可能的排列形式；
[0013]2)对于交替到达区域和的情形，可表示为：
[0014]3)更复杂的高层任务约束可用上述基本规则表达式进行复合描述，如先以任意顺序到达区域然后再以任意顺序到达区域可表示为：
[0015][0016]上述公式进一步扩充为将任务目标分割为若干个组，按先后顺序依次到达不同组的情形，可表示为：
[0017]φ
groups
(π1,π2,
…
π
n
)＝φ
cov
(G1)φ
cov
(G2)
…
φ
cov
(G
k
)
[0018]其中，G1,G2,
…
G
k
表示将任务{π1,π2…
π
n
}分成k个组；
[0019]然后转换为DFA(Deterministic Finite Automata)的形式对其进行统一刻画；给出所有可能的时态逻辑路径；
[0020]步骤三：全局概率路径图的生成；采用基本PRM算法进行全局运动路径图的生成；
[0021]步骤四：全局多样化引导路径的生成；
[0022]得到全局概率路径图后，进行全局引导路径生成时，需要同时满足时态逻辑约束图DFA和全局概率路径图PRM。
...

【技术保护点】

【技术特征摘要】
1.多信息域多分辨率的类人化双层运动规划方法，其特征在于，包括以下步骤：步骤一：问题数学化建模；假设运动场景为W，其中有m个障碍区域O
obs
＝{O1…
O
m
}，除去障碍外的自由位形空间用C
free
表示，即W＝C
free
+O
obs
，运动场景内有个互不相邻的任务目标区域R＝{R1,
…
,R
n
}，满足(i≠j)，智能体目标任务为：按一定的高层时空任务逻辑要求T
R
，规划出一条无碰撞的最优运动路径；一个目标区域到达顺序表示为Π
i
＝{π
i1
…
π
in
}，其中表示智能体到达目标区域R
i
，i1
…
in为满足具体任务约束T
R
的1
…
n一种之间的具体顺序排列方式；C
i
(i＝1
…
k)为在路径生成过程中，根据实际路径情况对智能体施加各类偏好性约束；步骤二：高层时空逻辑任务约束的表示；采用时态逻辑要求和空间约束分开描述的思路，时态逻辑要求采用规则表达式进行描述，空间约束要求采用全局PRM和局部PRM相结合的思路进行描述，具体包括：1)依次先后到达任务区域，仅要求到达区域R1,R2…
,R
n
的时态逻辑要求先采用规则表达式分别进行描述为：φ
seq
(π1,π2,
…
π
n
)＝π1π2…
π
n
，式中π
i
表示已到达目标区域R
i
；其中，perm(1,n)表示{1,
…
,n}所有可能的排列形式；2)对于交替到达区域和的情形，表示为：3)更复杂的高层任务约束可用上述基本规则表达式进行复合描述，如先以任意顺序到达区域然后再以任意顺序到达区域可表示为：上述公式进一步扩充为将任务目标分割为若干个组，按先后顺序依次到达不同组的情形，可表示为：φ
groups
(π1,π2,
…
π
n
)＝φ
cov
(G1)φ
cov
(G2)
…
φ
cov
(G
k
)；其中，G1,G2,
…
G
k
表示将任务{π1,π2…
π
n
}分成k个组；然后转换为DFA(Deterministic Finite Automata)的形式对其进行统一刻画；给出所有可能的时态逻辑路径；步骤三：全局概率路径图的生成；采用基本PRM算法进行全局运动路径图的生成；在全局路径图生成时，首先需要在各个子任务目标区域中采样，然后再在除目标区域外的自由位形空间中进行采样，从而确保最终能生成一个连接所有目标区域的概率路径
图；步骤四：全局多样化引导路径的生成；得到全局概率路径图后，进行全局引导路径生成时，需要同时满足时态逻辑约束图DFA和全局概率路径图PRM；首先需要基于时态逻辑约束描述图DFA得到所有可能的任务完成路径Z
l
(l＝1,
…
n)，然后根据全局概率路径图，分别找出每条任务完成路径Z
l
在全局概率路径图PRM上对应的最优路径Q
l
，路径代价通过路径代价既可用概率路径图PRM中对应节点之间的欧式距离简单表示，并进一步引入全局约束，通过将约束描述成路径权重的方式对路径代价进行修正，从而可以生成偏好性的全局引导路径；最后，基于各类搜索算法，在所有Q
l
(l＝1,
…
n)中找出代价最小的路径Q＝min(Q1,
…
,Q
n
)作为最终的全局引导路径，全局最优引导路径Q＝{q0,q1,
…
q
k
,q
g
}，其中q0为全局引导路径在PRM上的起始位置，q
g
为全局引导路径在PRM上的终点，{q0,q1,
…
q
k
,q
g
}为PRM上满足时态逻辑约束且代价最小的一条路径；步骤五：局部高分辨率概率路径图的生成；考虑局部偏好性约束后，提高场景描述模型的精度，实现对局部约束的充分表达；引入隧道概念，将引导路径由一维直线扩展成一个二维或三维安全隧道，以原始的全局引导路径为中心轴，以一定宽度向外围扩充，在隧道范围内随机增加采样点，生成高分辨率的局部概率路径图，通过将全局引导路径作为阶段子任务之间运动路径的一个基本方向性约束，使智能体在隧道范围内，既可根据自身偏好生成多样化的运动轨迹，又可保证运动方向与全局引导路径总体上的一致性；具体来讲，包括：1)首先判断当前全局引导路径段两个端点上的节点q
i
、q
j
满足是否采样充分，即是否满足l(q
i
,q
j
)＜r(q
i
)+r(q
j
)，l(q
i
,q
j
)是直线路径(q
i
,q
j
)的长度，r(q
i
)表示全局采样点q
i
到最近一个障碍的距离，如果采样不充分，在当前路径段上增加采样点，直至采样充分；2)根据公式得到隧道宽度，x表示直线l(q
i
,q
j
)上的某个点；3)在由该公式确定的隧道宽度范围内，利用均匀随机采样方...

【专利技术属性】
技术研发人员：李石磊，陈云，李猛，罗芳，欧庆于，高飞，
申请(专利权)人：中国人民解放军海军工程大学，
类型：发明
国别省市：