融合人工势场和随机树的APF-RRT方法和装置

融合人工势场和随机树的apf-rrt方法和装置
技术领域
1.本技术涉及人工势场中进行路径规划技术领域，特别是涉及一种融合人工势场和随机树的apf-rrt方法、装置、计算机设备和存储介质。


背景技术：

2.传统的人工势场法，虽然有着运算速度快、不需要较多的先验知识的优点，在不发生死锁的情况下，在人工势场中规划的路径通常是最优路线。但正因如此，在动态不完全信息的环境中，人工势场法这“良好的”稳定性却略显颓势，因为动态环境中的随机性和这种稳定性是相悖的。在作战地图上进行路径规划时，作战态势瞬息万变，显然，传统的人工势场法不能满足作战地图上路径规划的需求，存在适应性不佳的问题。


技术实现要素：

3.基于此，有必要针对上述技术问题，提供一种能够适应于在动态不完全信息的态势下进行路径规划的融合人工势场和随机树的apf-rrt方法、装置、计算机设备和存储介质。
4.一种融合人工势场和随机树的apf-rrt方法，所述方法包括：
5.获取作战态势地图，在所述作战态势地图中确定起点、目标点、障碍物信息；
6.根据所述目标点和所述障碍物信息，通过人工势场法控制智能体从所述起点朝着所述目标点移动；
7.当检测到智能体陷入死锁状态时，以智能体当前位置为起始点，通过快速扩展随机树算法构建以所述起始点为根节点的随机树；
8.根据所述随机树进行遍历查询，直到找到从所述起始点到所述目标点的路径规划数据包。
9.在其中一个实施例中，还包括：根据所述目标点和所述障碍物信息，通过改进的人工势场法控制智能体从所述起点朝着所述目标点移动；所述改进的人工势场法中排斥势场为修正排斥势场，所述修正排斥势场为：
[0010][0011]
其中，k
rep
为所述修正排斥势场正相关增益因子，x为所述智能体的当前位置，x0为所述局部最小值点的位置，ρ0为所述修正排斥势场最大影响距离，ρ(x,x0)＝||x
0-x||为智能体与阻碍物的距离，ρ(x,xg)＝||x
g-x||为智能体与目标的距离。
[0012]
在其中一个实施例中，还包括：当检测到智能体陷入死锁状态时，以智能体当前位置为起始点，通过rrt-goalbias算法构建以所述起始点为根节点的随机树。
[0013]
在其中一个实施例中，还包括：所述rrt-goalbias算法中随机采样点被替换为目
标点的概率设置为0.2。
[0014]
一种融合人工势场和随机树的apf-rrt装置，所述装置包括：
[0015]
初始化模块，用于获取作战态势地图，在所述作战态势地图中确定起点、目标点、障碍物信息；
[0016]
人工势场法路径规划模块，用于根据所述目标点和所述障碍物信息，通过人工势场法控制智能体从所述起点朝着所述目标点移动；
[0017]
rrt法路径规划模块，用于当检测到智能体陷入死锁状态时，以智能体当前位置为起始点，通过快速扩展随机树算法构建以所述起始点为根节点的随机树；根据所述随机树进行遍历查询，直到找到从所述起始点到所述目标点的路径规划数据包。
[0018]
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0019]
获取作战态势地图，在所述作战态势地图中确定起点、目标点、障碍物信息；
[0020]
根据所述目标点和所述障碍物信息，通过人工势场法控制智能体从所述起点朝着所述目标点移动；
[0021]
当检测到智能体陷入死锁状态时，以智能体当前位置为起始点，通过快速扩展随机树算法构建以所述起始点为根节点的随机树；
[0022]
根据所述随机树进行遍历查询，直到找到从所述起始点到所述目标点的路径规划数据包。
[0023]
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0024]
获取作战态势地图，在所述作战态势地图中确定起点、目标点、障碍物信息；
[0025]
根据所述目标点和所述障碍物信息，通过人工势场法控制智能体从所述起点朝着所述目标点移动；
[0026]
当检测到智能体陷入死锁状态时，以智能体当前位置为起始点，通过快速扩展随机树算法构建以所述起始点为根节点的随机树；
[0027]
根据所述随机树进行遍历查询，直到找到从所述起始点到所述目标点的路径规划数据包。
[0028]
上述融合人工势场和随机树的apf-rrt方法、装置、计算机设备和存储介质，基于作战态势地图进行路径规划时，在确定起点和目标点之后，首先通过人工势场法控制智能体从起点朝着目标点移动，当检测到智能体陷入死锁状态时，通过rrt算法控制智能体移动，直到找到从起始点到目标点的路径规划数据包。通过本发明的方案，结合人工势场法计算复杂度低、目标性强和实时性高的优点，以及快速扩展随机树法能够有效逃离局部最小值的优势，使得障碍物能够顺利抵达目标点。
附图说明
[0029]
图1为一个实施例中融合人工势场和随机树的apf-rrt方法的流程示意图；
[0030]
图2为一个具体实施例中融合人工势场和随机树的apf-rrt方法的路径规划效果图，其中，(a)为仿真算例一的路径规划效果图，(b)为仿真算例二的路径规划效果图；
[0031]
图3为另一个实施例中融合人工势场和随机树的apf-rrt步骤的流程示意图；
[0032]
图4为一个实施例中融合人工势场和随机树的apf-rrt装置的结构框图；
[0033]
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
[0034]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0035]
在一个实施例中，如图1所示，提供了一种融合人工势场和随机树的apf-rrt方法，包括以下步骤：
[0036]
步骤102，获取作战态势地图，在作战态势地图中确定起点、目标点、障碍物信息。
[0037]
步骤104，根据目标点和障碍物信息，通过人工势场法控制智能体从起点朝着目标点移动。
[0038]
人工势场法进行路径规划的优点是计算复杂度低、目标性强和实时性高。
[0039]
步骤106，当检测到智能体陷入死锁状态时，以智能体当前位置为起始点，通过快速扩展随机树算法构建以起始点为根节点的随机树。
[0040]
rrt算法是基于随机抽样将新的叶节点加入到扩展树中，直到扩展树的子节点中包含了目标或其附近位置，最终规划的路径就是其中连通起点终点的分支。主要包括两个过程：
[0041]
1.树的扩展过程，用于在已知的环境空间中，通过随机采样的方式，以起点为根生成一棵二叉树。这棵树的生长只有一个终止条件，那就是其抵达了目标或目标附近的位置，此时，一棵用于查询的随机扩展树便构建完成；
[0042]
2.遍历查询过程，根据扩展过程所生成的扩展子树，计算出来一条包含有起始节点和目标节点的有效查询路径，其本质就是一种在树中进行搜索的算法。
[0043]
快速扩展随机树方法这种基于采样的路径规划方法，数据搜索效率较高。
[0044]
步骤108，根据随机树进行遍历查询，直到找到从起始点到目标点的路径规划数据包。
[0045]
上述融合人工势场和随机树的apf-rrt方法中，基于作战态势地图进行路径规划时，在确定起点和目标点之后，首先通过人工势场法控制智能体从起点朝着目标点移动，当检测到智能体陷入死锁状态时，通过rrt算法控制智能体移动，直到找到从起始点到目标点的路径规划数据包。通过本发明的方案，结合人工势场法计算复杂度低、目标性强和实时性高的优点，以及快速扩展随机树法能够有效逃离局部最小值的优势，能够较好地实现在未知条件环境下路径规划，使得障碍物顺利抵达目标点。
[0046]
在其中一个实施例中，还包括：根据目标点和障碍物信息，通过改进的人工势场法控制智能体从起点朝着目标点移动；改进的人工势场法中排斥势场为修正排斥势场，修正排斥势场为：
[0047]
[0048]
其中，k
rep
为修正排斥势场正相关增益因子，x为智能体的当前位置，x0为局部最小值点的位置，ρ0为修正排斥势场最大影响距离，ρ(x,x0)＝||x
0-x||为智能体与阻碍物的距离，ρ(x,xg)＝||x
g-x||为智能体与目标的距离。
[0049]
修正排斥势场相对于传统排斥势场在距离与修正斥力因子的影响下，斥力的作用得到了改进修正，从而规避了智能体因斥力过大在目标附近徘徊的情况。
[0050]
在其中一个实施例中，还包括：当检测到智能体陷入死锁状态时，以智能体当前位置为起始点，通过rrt-goalbias算法构建以起始点为根节点的随机树。
[0051]
rrt-goalbias随机算法是指同时由智能体控制随机设置的随机运动概率，以一定的趋势概率到最终目标随机运动，使得扩展随机树除随机抽样外，保持一定趋势以最终目标方向抽样搜索。rrt-goalbias算法可以降低搜索目标树的增长过程中的随机性，而且设定了一定的增长目标和偏差，从而使搜索树能够有偏向性地增长，提高其搜索的速度。
[0052]
在其中一个实施例中，还包括：rrt-goalbias算法中随机采样点被替换为目标点的概率设置为0.2。
[0053]
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0054]
在一个具体实施例中，如图2所示，提供了融合人工势场和随机树的apf-rrt算法下的两个路径规划实例，在默认情况下，避障功能由改进的apf算法完成，当局部极小情况被检测到时，调用改进的rrt方法在移动过程中扩展，取0.2为q
rand
＝q
goal
的可能性，这样可以利用目标的拉动效应，使扩展树的扩展更偏向与目标方向。可见，在局部最小值区域内，智能体经过较少的采样后利用rrt算法远离局部最小值。此外，扩展随机树的收敛会逐渐加速，这一过程发生在，智能体由于目标引力因子对rrt算法的牵引作用下接近目标状态点。通过融合后的算法能够同时结合两种方法的优点，增强了规划效果的高效性和实时性。
[0055]
在一个具体实施例中，如图3所示，提供了一种融合人工势场和随机树的apf-rrt方法，在载入地图，进行智能体参数初始化后，首先获取态势，若受到障碍物斥力影响，则计算障碍物的斥力和目标的吸引力的合力，若没有被障碍物影响，则以目标的吸引力为合力，以合力控制智能体移动，当智能体陷入死锁状态后，起点更改为当前位置，利用rrt方法向目标前进，直到达到目标点或者达到迭代结束条件，完成路径规划。
[0056]
在一个实施例中，如图4所示，提供了一种融合人工势场和随机树的apf-rrt装置，包括：初始化模块402、人工势场法路径规划模块404和rrt法路径规划模块406，其中：
[0057]
初始化模块402，用于获取作战态势地图，在作战态势地图中确定起点、目标点、障碍物信息；
[0058]
人工势场法路径规划模块404，用于根据目标点和障碍物信息，通过人工势场法控制智能体从起点朝着目标点移动；
[0059]
rrt法路径规划模块406，用于当检测到智能体陷入死锁状态时，以智能体当前位置为起始点，通过快速扩展随机树算法构建以起始点为根节点的随机树；根据随机树进行
遍历查询，直到找到从起始点到目标点的路径规划数据包。
[0060]
人工势场法路径规划模块404还用于：根据目标点和障碍物信息，通过改进的人工势场法控制智能体从起点朝着目标点移动；改进的人工势场法中排斥势场为修正排斥势场，修正排斥势场为：
[0061][0062]
其中，k
rep
为修正排斥势场正相关增益因子，x为智能体的当前位置，x0为局部最小值点的位置，ρ0为修正排斥势场最大影响距离，ρ(x,x0)＝||x
0-x||为智能体与阻碍物的距离，ρ(x,xg)＝||x
g-x||为智能体与目标的距离。
[0063]
rrt法路径规划模块406还用于：当检测到智能体陷入死锁状态时，以智能体当前位置为起始点，通过rrt-goalbias算法构建以起始点为根节点的随机树。
[0064]
关于融合人工势场和随机树的apf-rrt装置的具体限定可以参见上文中对于融合人工势场和随机树的apf-rrt方法的限定，在此不再赘述。上述融合人工势场和随机树的apf-rrt装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0065]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种融合人工势场和随机树的apf-rrt方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0066]
本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0067]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例中的步骤。
[0068]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例中的步骤。
[0069]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可
包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0070]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0071]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。