一种中草药除草机器人的路径规划方法及系统
本发明涉及路径规划,具体涉及一种中草药除草机器人的路径规划方法及系统。
背景技术:
1、中草药规模化种植中,除草作业是保障药材品质和产量的重要环节。除草机器人需在复杂农田环境中自主规划从起点至终点的作业路径,同时规避田垄、灌溉设施等障碍物。因此,路径规划算法的搜索效率、收敛精度及鲁棒性直接影响作业的安全性和经济性。
2、传统路径规划方法如a*算法、dijkstra算法在结构化环境中表现良好,但应用于大规模或复杂动态场景时存在计算量大、实时性差等问题。群智能优化算法因无需梯度信息、机制灵活等优点被广泛引入路径规划领域。河马优化(hippopotamus optimization,ho)算法是近年提出的一种新型群智能方法,通过模拟河马在河流中的群体行为、防御捕食者及逃离捕食者等社会活动实现搜索。但标准ho算法在路径规划场景中存在以下不足:(1)在迭代前期缺乏足够大的搜索步长,难以在大范围地图中充分探索不同区域,导致前期搜索范围受限,进而导致除草机器人无法在有限的迭代次数内完成对大面积种植区域的全面搜索,容易遗漏可能存在的最优通行路径,造成机器人实际行驶距离过长、作业耗时长、能耗增加,降低除草作业的整体效率;(2)迭代后期个体逐渐趋同,缺乏有效的多样性维持机制,一旦路径陷入障碍物包围或通道死区,算法难以跳出,无法搜索到更优路径,导致除草机器人在复杂障碍物环境中容易规划出过度绕行、反复折返的无效路径,甚至因无法及时生成可行路径而被迫停机等待,严重影响除草作业的连续性和自动化水平。
3、因此,亟需提供一种中草药除草机器人的路径规划方法及系统,能够在中草药农田这一复杂场景下,为除草机器人规划出高质量作业路径,提升路径规划效率和合理性。
技术实现思路
1、有鉴于此,有必要提供一种中草药除草机器人的路径规划方法及系统,用以解决现有技术中因迭代前期搜索范围受限导致除草机器人难以在有限迭代次数内完成大面积种植区域全面搜索,以及迭代后期因个体趋同导致机器人在复杂障碍物环境中容易规划出过度绕行或被迫停机等待的技术问题。
2、为了解决上述技术问题,第一方面,本发明提供了一种中草药除草机器人的路径规划方法,包括:
3、获取中草药种植区域二维地图中的障碍物信息及除草机器人的起点和终点;
4、对所述除草机器人的除草路径进行初始化,生成表示从所述起点到所述终点的候选路径的多个初始河马位置;
5、基于适应度函数计算各初始河马位置的适应度值,基于适应度值确定当前最优河马;
6、基于当前迭代次数确定随迭代次数增加而线性减小的动态学习因子;
7、基于所述当前最优河马对满足适应度值需求的河马进行位置更新,得到第一更新位置;
8、随机生成表征障碍物的捕食者,根据所述第一更新位置对应的各河马与捕食者的适应度值的比较结果对河马进行位置更新,得到第二更新位置;
9、在所述第二更新位置的邻近范围内生成新候选位置,将所述新候选位置与所述第二更新位置中适应度值的更高者作为第三更新位置,所述邻近范围随迭代次数增加而减小;
10、基于适应度值将河马划分为觅食河马和跟随河马,控制所述觅食河马以所述动态学习因子为学习步长系数向所述当前最优河马定向学习,并将觅食莱维飞行步长作为随机扰动项叠加于定向学习,更新觅食河马位置,控制所述跟随河马从所述觅食河马中随机选择学习对象进行差异化学习,更新跟随河马位置,得到第四更新位置;
11、将所述第四更新位置中适应度值最高的河马个体作为目标最优河马;
12、判断迭代次数是否达到最大迭代次数,若是,则将所述目标最优河马对应的路径点作为规划路径。
13、在一种可能的实现方式中,所述中草药种植区域二维地图包括作业走廊区域和作物缓冲保护区域,所述作业走廊区域为允许除草机器人通行的区域,所述作物缓冲保护区域为禁止除草机器人通行的区域;
14、当所述候选路径或所述规划路径的路径点落入所述作物保护缓冲区域时,将所述路径点强制调整至所述作业走廊区域。
15、在一种可能的实现方式中,所述适应度函数为:
16、
17、
18、
19、式中,为路径
x的适应度值;为路径长度;为路径与障碍物的相交次数;为平滑性惩罚;、、分别为路径长度、相交次数和平滑性惩罚的权重;、为路径x中第s+1个路径点的二维坐标;、为路径x中第s个路径点的二维坐标;为路径中路径点的总数量;为路径s中相邻两个路段的转角。
20、在一种可能的实现方式中,所述适应度函数为:
21、
22、
23、
24、式中,为作物损伤风险惩罚项;为能耗惩罚项;、为作物损伤风险惩罚项和能耗惩罚项的权重;为预设安全距离;为路径点s到作物缓冲保护区域边界的距离。
25、在一种可能的实现方式中,所述基于所述当前最优河马对满足适应度值需求的河马进行位置更新,得到第一更新位置,包括:
26、按适应度值对河马个体进行排序,将适应度值排名前50%的河马个体作为第一目标个体;
27、若所述第一目标个体为雄性河马,所述雄性河马的第一候选更新位置为:
28、;
29、若所述第一目标个体为雌性河马或未成年河马,则根据当前迭代次数计算温度参数,所述温度参数随迭代次数增加而呈指数衰减;
30、当所述温度参数大于温度阈值时,所述雌性河马或未成年河马的第二候选更新位置为:
31、;
32、当所述温度参数小于或等于温度阈值,且随机数大于随机数阈值时,所述第二候选更新位置为:
33、;
34、当所述温度参数小于或等于温度阈值,且随机数小于或等于随机数阈值时,所述第二候选更新位置为:
35、;
36、式中,为第一目标个体的当前位置;为随机处理;为当前最优河马的位置;、为随机参数,i1、i2∈[1,2];为第一目标个体的群体平均位置;为第一行为模式;为第二行为模式;、为搜索空间的上限和下限;
37、当所述第一候选更新位置或所述第二候选更新位置的适应度大于第一目标个体的当前位置对应的适应度值时,将第一候选更新位置或所述第二候选更新位置作为第一更新位置,当所述第一候选更新位置或所述第二候选更新位置的适应度小于或等于第一目标个体的当前位置对应的适应度值时,将第一目标个体的当前位置作为第一更新位置。
38、在一种可能的实现方式中,所述随机生成表征障碍物的捕食者,根据所述第一更新位置对应的各河马与捕食者的适应度值的比较结果对河马进行位置更新,得到第二更新位置,包括:
39、在搜索空间内随机生成捕食者位置,并计算所述捕食者位置的适应度值;
40、按适应度值对河马个体进行排序,将适应度值排名后50%的河马个体作为第二目标个体;
41、计算所述第二目标个体的当前位置与所述捕食者位置之间的欧氏距离,并生成防御莱维飞行步长;
42、若所述第二目标个体的适应度值大于所述捕食者的适应度值,所述第二更新位置为:
43、;
44、若所述第二目标个体的适应度值小于或等于所述捕食者的适应度值,所述第二更新位置为:
45、;
46、式中,为第二更新位置;为防御莱维飞行步长;为第o个捕食者位置;、、、为随机参数,
b∈[2,4],c∈[1,1.5],d∈[2,3],l∈[-2π,2π];为第二目标个体的当前位置与所述捕食者位置之间的欧氏距离。
47、在一种可能的实现方式中,所述在所述第二更新位置的邻近范围内生成新候选位置,将所述新候选位置与所述第二更新位置中适应度值的更高者作为第三更新位置,包括:
48、根据当前迭代次数分别计算局部搜索范围的下界和上界;所述下界和上界均随迭代次数增加而减小;
49、随机选择方向向量,基于所述方向向量、所述上界、所述下界和所述第二更新位置确定新候选位置,所述新候选位置为:
50、;
51、式中,为第二更新位置;为随机处理;为上界;为下界;为方向向量;
52、若所述新候选位置的适应度值大于所述第二更新位置的适应度值,则将所述新候选位置作为所述第三更新位置;若所述新候选位置的适应度值小于或等于所述第二更新位置的适应度值,则将所述第二更新位置作为所述第三更新位置。
53、在一种可能的实现方式中,所述觅食河马为适应度值为前50%的第三更新位置对应的河马个体,所述跟随河马为适应度值为后50%的第三更新位置对应的河马个体;
54、所述觅食河马位置为:
55、;
56、所述跟随河马位置为:
57、
58、式中,为第三更新位置;为动态学习因子;、为随机向量;为当前最优河马的位置;为觅食莱维飞行步长;为随机选择的觅食河马的当前位置。
59、在一种可能的实现方式中,还包括:
60、当检测到新增障碍物、障碍物位置发生移动或通行区域发生变化时,以所述除草机器人的当前位置为中心截取局部规划窗口;
61、基于所述局部规划窗口确定所述规划路径中的受影响路段,并对所述受影响路段执行得到第二更新位置、第三更新位置和第四更新位置的位置更新操作,得到局部更新路径;
62、将所述局部更新路径和所述规划路径中的未受影响路段进行组合,获得全局更新路径。
63、第二方面,本发明还提供了一种中草药除草机器人的路径规划系统,包括:存储器和处理器,其中,
64、所述存储器,用于存储程序;
65、所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现上述任意一种可能的实现方式中的中草药除草机器人的路径规划方法中的步骤,生成规划路径,以指示除草机器人进行除草。
66、本发明的有益效果是:本发明提供的中草药除草机器人的路径规划方法,基于当前迭代次数确定随迭代次数增加而线性减小的动态学习因子,并基于动态学习因子更新觅食河马位置,可实现在迭代初期保持较大的动态学习因子,即较大的学习步长,增强全局探索能力,能够在有限迭代次数内完成对大面积种植区域的充分探索,有效避免遗漏最优通行区域,克服了现有技术中因前期搜索范围受限导致机器人行驶距离过长、作业耗时长、能耗增加的问题,显著提升了除草机器人在大面积中草药种植场景下的路径规划效率。在迭代后期保持较小的动态学习因子,即较小的学习步长,增强局部搜索能力,提高收敛精度,进而提高得到的规划路径的可靠性。换言之,动态学习因子的设置能够更好的适应不同阶段的优化需求,兼顾前期规划效率和后期规划精度。
67、进一步地,本发明在觅食河马位置更新中叠加觅食莱维飞行步长作为随机扰动项,利用莱维飞行重尾分布的大尺度跳跃特性,使算法在迭代后期仍具备跳出局部最优的能力,更快的逼近优质解;同时,跟随河马通过随机选择觅食河马进行差异化学习,能够在保持种群多样性的同时减少无效搜索,实现快速收敛和高质量路径输出。同时,莱维飞行机制和动态学习因子的结合,进一步增加了搜索的随机性和跳跃性,在复杂故障环境下有助于跳出局部最优并保持后期高精度寻求,进而使除草机器人在障碍物密集或通道狭窄的复杂环境中能够持续搜索更优路径,避免规划出过度绕行、反复折返的无效路径或因无法及时生成可行路径而被迫停机等待,保障了除草作业的连续性和自动化水平。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com