火星探测器路径规划方法及装置

1.本发明涉及深空探测技术领域，具体而言，涉及一种火星探测器路径规划方法及装置。


背景技术：

2.随着近年来，世界各国对于地球以外其它行星的探索到了比较火热的阶段。行星表面的探索成为了深空探索领域的一个重要问题，为了更好地了解一个外星球，最好的办法是能够在其表面着陆并完成在该行星表面的自主移动。行星表面漫游器开发的主要国家是美国、欧洲航天局和中国。截止到目前，只有美国和中国的漫游车成功地探索了火星并在火星上运行。
3.人类对深空的探索是航天任务的重要组成，也是航天事业发展的必然趋势，更是人类扩展对宇宙认知的必经之路。火星作为与地球最为相似的行星，将成为人类下一个进行探索的重要目标行星。进入21世纪以来，各航天大国都相继加入到深空探测任务的浪潮中，使火星探测和小行星探测成为了研究热点。几十年来，国外某航空航天局已经向火星发射了包括人造卫星、着陆器、漫游器在内的多个航天器，极大地增加了人类对火星的认识，前期这些工作都在为未来的火星深入探测、载人火星探测等任务铺平道路。
″
机遇
″
号火星漫游器对火星表面区域地貌和若干陨石坑进行了探测，收集了大量的地形数据；
″
好奇
″
号火星漫游器探测了火星表面陨石坑内的环境是否曾经能够支持生命，为日后人类的进一步探索提供了基础。
4.火星上拥有丰富的矿产资源和能源资源，作为地球向外探索的前哨，它可以帮助人类更快、更有效地探索其他天体。火星的探测是一项较复杂的多协同工程。它不仅可以极大地促进科学技术的发展和技术进步，并衍生出许多的新科技产品，而且它还可以增强国家的软实力。对于国家在世界上的地位的提高有很大的促进作用。因此，开发火星的资源、建立火星基地，已成为世界航天活动的必然趋势和竞争热点。探测器是完成月球探测所需的一系列任务不可缺少的工具之一。无论是火星表面的巡逻和测量，还是研究火星环境信息、探测和收集资源储备，都需要火星表面探测器。人类无法长期在太空中生活和工作以及由于火星环境的复杂，载人火星探测的成本和不确定性都很高，而探测器不仅能适应火星的恶劣环境。，还可以携带完成任务所需的各种载荷，所以使用探测器探索火星成为一种非常不错的选择。
5.申请号cn201910388920.8的专利申请虽然能提高全局的最优解，但由于蚁群算法的局限性和要求迭代较多的特点，导致算法的收敛速度较慢，无法实现在复杂地图的路径规划；申请号cn202210118037.9的专利申请提供了一种基于q学习的室内测量机器人多目标点移动路径规划方法，在回报函数中设定符合测量机器人的移动策略用于机器人实践学习，利用状态、动作、奖励这三个要素，根据测量机器人当前所处状态来采取行动，并记录被反馈的奖励，决策到下个状态时能采取的更优动作，从而实现在测量点数量和位置已知的情况下，测量机器人自动获取一条顺序合理的移动路径。虽然能够较快的完成路径的规划，
但所寻路径并非最优，且没有考虑机器人的运动过程中对于拐角的处理，不符合运动学模型。
6.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

7.本发明实施例提供了一种火星探测器路径规划方法及装置，以至少解决相关技术中路径规划速度慢、规划的路径不是较佳路径的技术问题。
8.根据本发明实施例的一个方面，提供了一种火星探测器路径规划方法，包括：基于预先建立的火星环境模型，利用改进a-star算法，对火星探测器进行全局路径规划，寻找出所述火星探测器全局路径；针对所寻找出的全局路径，进行拐角优化处理，以得到所述火星探测器的最优路径。
9.根据本发明实施例的另一方面，还提供了一种火星探测器路径规划装置，包括：全局路径规划模块，被配置为基于预先建立的火星环境模型，利用改进a-star算法，对火星探测器进行全局路径规划，寻找出所述火星探测器全局路径；拐角优化规划模块，被配置为针对所寻找出的全局路径，进行拐角优化处理，以得到所述火星探测器的最优路径。
10.在本发明实施例中，基于预先建立的火星环境模型，利用改进a-star算法，对火星探测器进行全局路径规划，寻找出所述火星探测器全局路径；针对所寻找出的全局路径，进行拐角优化处理，以得到所述火星探测器的最优路径，进而解决了相关技术中路径规划速度慢、规划的路径不是较佳路径的技术问题。
附图说明
11.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
12.图1是根据本发明实施例的火星探测器路径规划方法的流程图；
13.图2是根据本发明实施例的火星探测器路径规划方法的流程图；
14.图3是根据本发明实施例的a-star改进方法的流程图；
15.图4是根据本发明实施例的w(n)/v(n)取不同参数时路径仿真效果图；
16.图5是根据本发明实施例的进行了拐角优化的火星探测器路径规划方法的流程图；
17.图6是根据本发明实施例的不同环境下拐角优化性能对比图；
18.图7是根据本发明实施例的进行了平滑处理的火星探测器路径规划方法的流程图；
19.图8是根据本发明实施例的不同阶贝塞尔曲线效果对比图；
20.图9是根据本发明实施例的不同环境下路径平滑效果图；
21.图10是根据本发明实施例的火星探测器路径规划装置的结构示意图。
具体实施方式
22.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是
本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
23.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
24.实施例1
25.根据本发明实施例，提供了一种基于改进a-star算法的火星探测器路径规划方法，如图1所示，该方法包括以下步骤：
26.步骤s102，基于预先建立的火星环境模型，利用改进a-star算法，对火星探测器进行全局路径规划，寻找出所述火星探测器全局路径；
27.步骤s104，针对所寻找出的全局路径，进行拐角优化处理，以得到所述火星探测器的最优路径。
28.在一个示例性实施例中，基于改进a-star算法，对火星探测器进行全局路径规划，包括：通过调节实际代价的权重系数和估计代价的权重系数，来改进a-star算法的估价函数，得到所述改进a-star算法；基于所述改进a-star算法的估价函数，对火星探测器进行全局路径规划。
29.在一个示例性实施例中，所述改进a-star算法改变路径搜索过程中对a-start算法的影响，使得所述估计代价的权重系数越大，a-star算法越趋近于广度优先搜索bfs算法，所述实际代价的权重系数越大，则a-star算法越趋近于迪克斯特拉dijkstra算法。
30.在一个示例性实施例中，基于所述改进a-star算法的估价函数，对火星探测器进行全局路径规划，包括：将所述火星探测器的起始位置加入开放列表(ol)中，基于所述改进a-star算法的估价函数，循环迭代进行路径规划；判断所规划的路径中是否有可拓展的点且是否没有找到目标点；在判断结果为是的情况下，将所述ol中的最优的待选放入关闭列表(cl)中，并进行路径回溯，否则，直接进行路径回溯。
31.在一个示例性实施例中，进行拐角优化处理包括：在所述火星探测器全局路径中，获取拓展点位置信息，利用循环迭代进行路径规划；基于所述拓展点的位置信息，进行拐角优化处理。
32.在一个示例性实施例中，基于所述拓展点的位置信息，进行拐角优化处理，包括：通过所述拓展点在域指针中储存的位置信息，计算该拓展点的父节点的索引值；判断该拓展点的父节点的索引值是否等于起始点，如果等于起始点，则表明该点是由起始点拓展出来的点，跳过优化，否则，利用该点的父节点的索引值，查看所述父节点在元胞数组域指针中的位置信息，并通过该元胞数组域指针中的位置信息来计算获取期望下一步要走的点的索引值。
33.在一个示例性实施例中，基于以下方法构建所述火星环境模型：采用栅格法将所
述火星探测器的巡视探测区域分成多个均匀的含有二值信息的栅格，并得到栅格模型；基于所述栅格，根据所述火星探测器的运动能力，建立所述火星探测器的坡度代价函数、粗糙度代价函数和起伏度代价函数；其中，所述火星环境模型包括以下至少之一：所述栅格模型、所述坡度代价函数、所述粗糙度代价函数和所述起伏度代价函数。
34.在一个示例性实施例中，建立所述火星探测器的坡度代价函数包括：采用最小二乘法来拟合平面，得到拟合的平面方程；基于所述平面方程，计算所述栅格的坡度；基于所述栅格的坡度，建立坡度代价函数。
35.在一个示例性实施例中，建立所述粗糙度代价函数包括：计算所述栅格内所有高程点到所述拟合平面的距离，基于所述距离计算所述栅格的粗糙度，并基于所述粗糙度建立所述粗糙度代价函数；建立所述起伏度代价函数包括：计算所述栅格内所有高程值的算数平均值；根据所述高程值的算数平均值建立所述起伏度代价函数。
36.在一个示例性实施例中，在进行拐角优化处理之后，所述方法还包括：通过四阶贝塞尔曲线对拐角优化后的路径进行平滑处理。
37.传统的蚁群算法需要通过多次迭代的方式进行路径规划，收敛速度较慢，程序比较复杂。基于q学习的室内测量机器人多目标点移动路径规划方法，虽然能够较快的完成路径的规划，但所寻路径并非最优，且没有考虑机器人的运动过程中对于拐角的处理，不符合运动学模型。传统的a*算法工作效率较低。
38.本技术实施例针对现有技术中的上述问题，提供了基于改进a-star算法的火星探测器路径规划技术，通过对参数进行改进，能够更快的寻得最优路径，克服了现有技术中路径规划速度慢、规划的路径不是较佳路径的缺点，能够实现路径规划的快速收敛，且能够适用于复杂环境下的路径规划并能够规划出较佳的路径。
39.实施例2
40.根据本发明实施例，提供了一种基于改进a-star算法的火星探测器路径规划方法，如图2所示，该方法包括以下步骤：
41.步骤s202，建立基于火星的环境模型。
42.环境建模的方法主要由栅格地图法、几何特征地图法和拓扑地图法这三种基本地图表示方法构成。栅格地图法是公认最成熟且安全系数较高的环境建模算法，且其相较于其他环境建模的方法来说，其地图信息与实际的环境信息是一一对应的，使环境被量化成分辨率可变的地图，对人眼来说更加的简单直观，且方便建立和修改，而火星面环境信息冗杂且难，故本技术采用栅格地图法进行环境建模。
43.环境模型建立过程如下：
44.栅格法是将火星探测器的巡视探测区域(尺寸为m
×
n，其单位通常以其所含的像素来表达)分成无数个均匀的含有二值信息的单元。通常是根据寻找并定位原始的环境地图所存在的障碍物边缘点的坐标，给其障碍物的尺寸增加一个安全距离，从而得到栅格单元的尺寸为m
×
n，故栅格的数量为从而可以得到栅格模型：
45.m
(i，j)
＝{(xa，yb)|i
×
m≤a≤(i 1)
×
m，j
×
n≤b≤(j 1)
×
n}(1)
46.式中，m
(i，j)
表示栅格单元，i表示横坐标；j表示纵坐标；(xa，yb)表示原始图像的像素坐标，a表示原始图像的横坐标，b表示原始图像的纵坐标。每个栅格单元通常用0或1这两
个数值来表示环境信息，即0为该环境内无障碍物，探测器可以自由行走于区域；1为该环境内存在障碍物，探测器无法通过该区域。通过这样的方式，创建出与环境地图相对应的栅格地图，再对所有的栅格按照一定的规律进行排序，使路径规划变成在栅格地图中从指定的起始栅格到所要探测的目标栅格中搜索出优化的路径。其中，路径经过的栅格就可以用栅格序号来表达。
47.采用最小二乘法来拟合平面，即通过将误差的平方和最小化得到最佳的匹配值。假设拟合的平面方程的表达式为：
48.z＝a0x a1y a2(2)
49.其中，x，y，z分别表示x轴，y轴，z轴坐标，a0、a1、a2是方程式的参数，可以由下面的公式(6)求得。
50.因此，需要使最小，其中，n表示所取的个数，s是方程连加的和。
51.那么就需要满足的条件为
[0052][0053]
所以就有：
[0054][0055]
即
[0056][0057]
其中，xi，yi，zi分别表示横坐标、轴坐标、垂直坐标。
[0058]
最终可以求得：
[0059][0060]
其中，z＝[z1z2…zn
]
t
[0061]
栅格e的坡度：
[0062][0063]
为了避免探测器因栅格坡度过大而无法通过该区域，根据火星探测器的爬坡能力限制探测器可行驶区域的坡度，从而建立了坡度代价函数：
[0064][0065]
其中，k1是常值，可根据实际需要或经验知识确定，θ
max
表示探测器爬坡能力最大值。
[0066]
地形的粗糙度会影响探测器的行驶能力，地形粗糙度过大会造成火星探测器行动困难，甚至陷入其中，无法动弹。粗糙度r用拟合平均偏差来描述。
[0067]
其中，粗糙度的计算公式为：
[0068][0069]
其中，为各高程点到拟合平面的距离，n表示所选坐标点个数。
[0070]
同样为了避免探测器因栅格粗糙度过大而无法通过该区域，根据火星探测器的行驶能力限制探测器可行驶区域的粗糙度，从而建立粗糙度代价函数：
[0071][0072]
其中，k2是常值，可根据实际需要或经验知识确定，r
max
表示探测器行驶能力最大值。
[0073]
地形的起伏度会影响探测器的攀爬能力，起伏度过大会造成出现侧翻或碰撞等情况。起伏度h用所属栅格内所有离散点的高程标准差来描述，这种方法相较于只用最大高程点和最小高程点之间的差值来描述更为客观和真实，即：
[0074][0075]
其中，为栅格e内所有高程值的算数平均值。
[0076]
同样为了避免火星探测器因栅格起伏度过大而无法通过该区域，根据探测器的越障能力限制探测器可行驶区域的起伏度，从而建立了起伏度代价函数。
[0077][0078]
其中，k3是常值，可根据实际需要或经验知识确定，h表示探测器的高度。
[0079]
步骤s204，改进a-star算法的路径寻优。
[0080]
a-star是一种结合dijkstra算法与bfs算法的启发式搜索算法，在状态空间中的搜索，首先对每一个搜索的位置进行评估，得到最好的位置，再从这个位置进行搜索直到目标。这样可以省略大量无谓的搜索路径，提高了效率。在启发式搜索中，对位置的估价是十分重要的。不同的估价可以有不同的效果。其中传统a-star算法的估价函数可以表示为：
[0081]
f(n)＝g(n) h(n)(14)
[0082]
其中，f(n)表示从初始状态经由状态n到目标状态的代价估计，g(n)表示在状态空间中从初始状态到状态n的实际代价，h(n)表示从状态n到目标状态的最佳路径的估计代价。
[0083]
h(n)的选取需要保证找到最短路径条件，关键在于估价函数f(n)的选取(或者说h(n)的选取)。本实施例以d(n)表示状态n到目标状态的距离，那么h(n)的选取大致有如下三种情况：
[0084]
(1)如果h(n)＜d(n)到目标状态的实际距离，这种情况下，搜索的点数多，搜索范围大，效率低。但能得到最优解。
[0085]
(2)如果h(n)＝d(n)，即距离估计h(n)等于最短距离，那么搜索将严格沿着最短路径进行，此时的搜索效率是最高的。
[0086]
(3)如果h(n)＞d(n)，搜索的点数少，搜索范围小，效率高，但不能保证得到最优解。
[0087]
考虑到a-star算法估价函数的特性，在一个优选的实施例中，采用改进a-star算法进行全局路径规划，改进a-star算法估价函数为：
[0088]
f(n)＝v(n)g(n) w(n)h(n)(15)
[0089]
式中，v(n)表示为实际代价的权重系数，w(n)表示估计代价h(n)的权重系数。改进的a-star算法增加了权重系数v(n)和w(n)。可以通过调节权重因子的系数，改变路径搜索过程中对算法的影响，w(n)越大，越趋近于bfs算法，v(n)越大，则趋近于dijkstra算法。
[0090]
步骤s206，拐角优化处理。
[0091]
通过改进a-star算法规划的路线只是数学上的最优路径，对于探测器实际运行过程来说，最终目标是为了得到探测器的最优运行的路线，九十度拐角的转弯对于实际的运行非常不利，所以需要对路线拐角做进一步优化，在保证不增加路径代价的基础上尽量减少转弯次数。
[0092]
在一个示例中，拐角优化算法的步骤如下：
[0093]
(1)通过原来准备拓展的点计算在指针中储存的位置信息，若该点在指针中储存的位置信息是l，则表示当前的拓展点是由左边的点拓展出来的，也就是其父节点的索引值就是在该点的索引值的基础上减去n(n是每一行或者每一列的长度)，同理可得其他三个位置信息的处理方法。
[0094]
(2)在计算获取期望下一步要走的点的索引值之前，判断上一步中算出来的父节点的索引值是不是等于起始点，如果等于起始点则说明这个点是由起始点拓展出来的点，朝哪走都是直线，跳过优化，否则进入下一步。
[0095]
(3)利用第一步中得到的父节点的索引值，查看父节点在元胞数组指针中的位置信息，并通过该位置信息来计算获取期望下一步要走的点的索引值。
[0096]
本技术实施例提出了基于改进a-star算法的全局路径规划方案，设置权重比w(n)/v(n)，来对目标函数f(n)产生影响，从而寻找到最优的权重比，减少运行时间，提高了算法的运算效率。此外，在局部上对路径做拐角优化，能够有效减少探测器在运行过程中转弯的次数，保证探测器在火星表面运行的稳定性。
[0097]
实施例3
[0098]
本技术实施例采用火星探测器在火星表面路径规划为实例分析。根据本技术实施例，提供了又一种基于改进a-star算法的火星探测器路径规划方法。
[0099]
本实施例中得到火星表面的环境模型以及拐角优化与实施例2中相同，此处不再赘述。不同之处在于本实施例中采用的改进a-star算法对探测器进行路径规划的步骤。
[0100]
图3是根据本技术实施例的采用a-start算法对全局路径进行优化的流程图，如图3所示，该方法包括以下步骤：
[0101]
步骤s302，参数初始化。
[0102]
对所有参数初始化，避免上次结果的影响。
[0103]
步骤s304，将起始位置加入ol中。
[0104]
将路径规划的起始点和目标点加入环境地图的开放列表中，形成路径规划的起始点和目标点。
[0105]
步骤s306，循环迭代进行路径规划。
[0106]
在循环语句中运行算法函数，进行路径规划。
[0107]
步骤s308，有可拓展的点且没有找到目标点？
[0108]
在没有达到目标点时，下一步可以前进点的坐标。
[0109]
步骤s310，把ol中的最优的待选放入cl中。
[0110]
将提取到的坐标最好的放入cl中，最好的判断标准为路径最短。
[0111]
步骤s312，路径回溯。
[0112]
整体路径长度比较，选择最短的那条路径。
[0113]
本实施例综合火星探测器在火星表面运行的复杂性问题，所选的路径考虑路径长度，运行时间和路径平滑等因素。将路径规划分为全局路径规划与局部路径避障。
[0114]
本技术实施例采用优化系统函数来描述调整代价函数的权重值，从而提高系统的运行速度。根据生成的障碍物环境地图进行了路径规划仿真，栅格地图尺寸为40
×
40，障碍物占总方格数的比例为50％，基于障碍物环境地图随机设置路径起始点和目标点，在路径搜索过程中，为拓展的子节点着色。当权重v(n)和w(n)取不同值时，基于改进a-star算法的路径规划结果如图4所示，其中，圆圈表示起始位置，方块表示目标位置，实线表示生成的全局路径。
[0115]
图4中的(a)、(b)、(c)、(d)、(e)、(f)分别是w(n)/v(n)＝0.5、w(n)/v(n)＝1、w(n)/v(n)＝2、w(n)/v(n)＝3、w(n)/v(n)＝4、w(n)/v(n)＝5时路径仿真效果图。
[0116]
当w(n)/v(n)取不同值时，基于改进a-star算法规划的路径长度和运行时间分别如表1所示。相对于传统a-star算法w(n)/v(n)＝1的情况，在w(n)/v(n)＝0.5时，虽然路径长度均为48，但运行时间却明显增加；而在w(n)/v(n)＝3时，算法搜索效率明显加快，运行时间为1.17s，但与此同时，随着拓展子节点的减少，获得的路径并不是最短路径，所以在实际应用时，需要根据具体情况灵活地调节w(n)与v(n)的比值。
[0117]
实施例4
[0118]
根据本技术实施例，提供了一种进行了拐角优化的路径规划方法，如图5所示，该方法包括以下步骤：
[0119]
步骤s502，参数初始化。
[0120]
对所有参数初始化，避免上次结果的影响。
[0121]
步骤s504，获取拓展点位置信息。
[0122]
在没有达到目标点时，下一步可以前进点的坐标。
[0123]
步骤s506，利用循环迭代进行路径规划。
[0124]
在循环语句中运行算法函数，进行路径规划。
[0125]
步骤s508，扩展节点索引值与目标索引值相同？
[0126]
判断下一步前进的点是不是已经到了目标点。
[0127]
步骤s510，查看父节点索引值。
[0128]
查看当前所在的坐标，即父节点索引值。
[0129]
步骤s512，进行拐点优化。
[0130]
根据四叉树和八叉树混合方向原理，优先选择可以走直线的方向，减少直角的出现。
[0131]
分别建立30*30，40*40，100*100的栅格地图，障碍物占总方格数的比例为50％，根据试验验证结果，权重w(n)/v(n)设为3，拐角优化前后仿真结果如图6所示，分别呈现了在复杂程度不同的环境下来对拐角进行优化前后对比。其中，图6中的(a)和(b)分别是30*30环境下拐角未优化和30*30环境下拐角已优化的仿真结果图，(c)和(d)分别是40*40环境下拐角未优化和40*40环境下拐角已优化的仿真结果图，(e)和(f)分别是100*100环境下拐角未优化和100*100环境下拐角已优化的仿真结果图。
[0132]
表2是不同环境下拐角优化前后的拐角数量。如表2所示，可以看出，无论是在简单的30*30环境下还是100*100的环境下，拐角优化前后效果相当明显，有效减少16.77％的拐角个数，在路径长度和系统运行时间相近的情况下，路径存在拐角数量有较明显的减少，在30*30地图中，未进行拐角优化时，拐角的数量为23，优化以后为18，减少了转弯次数。
[0133][0134]
表1
[0135][0136]
表2
[0137]
本技术实施例提供的基于改进a-star算法的火星探测器路径规划技术，能够实现路径规划的快速收敛，且能够适用于复杂环境下的路径规划。
[0138]
相较于基于q学习的室内多目标点移动路径规划算法，通过在回报函数中设定符合测量机器人的移动策略用于机器人实践学习，根据测量机器人当前所处状态来采取行动，并记录被反馈的奖励，决策到下个状态时能采取的更优动作，从而实现在测量点数量和位置已知的情况下，测量机器人自动获取一条顺序合理的移动路径。此外，本技术实施例基于改进a-star算法对路径进行规划，使得计算过程更为简单，节省更多时间和资源。
[0139]
本技术实现的基于改进a-star算法的火星探测器路径规划，能够较快的完成路径的规划，相较于其他测量路径规划的算法，所寻的路径更优。能够更快的达到收敛的效果。并且考虑到探测器运动学模型特点，在程序中对于拐角进行优化，减少拐角的数量，使得路径更加的平滑。
[0140]
实施例5
[0141]
根据本技术实施例，提供了一种进行了拐角优化的路径规划方法，如图7所示，该方法包括以下步骤：
[0142]
步骤s702，建立基于火星的环境模型。
[0143]
步骤s704，路径寻优。
[0144]
由于路径规划的算法存在较多的选择，除了上面实施例提出的a-star算法，还有模拟退火算法、人工势场法、蚁群算法、模糊逻辑等算法。通过这些算法中的任一种算法全局规划出一条路径。
[0145]
步骤s706，拐角优化处理。
[0146]
对全局规划路径中的局部路径进行优化处理，例如，拐角优化处理。
[0147]
步骤s708，四阶贝塞尔曲线平滑路径。
[0148]
利用贝塞尔曲线或动态切点算法对局部优化处理后的路径进行曲线化处理，例如四阶贝塞尔曲线处理，得到一条平滑的路径。
[0149]
贝塞尔曲线是应用于二维图形应用程序的数学曲线，具有皮筋效应的特点。可以随着选择的点有规律性的移动，曲线产生皮筋收缩一样的变换。
[0150]
在实际的探测器运行过程中，探测器的转弯角度为90
°
时，容易加快探测器的物理磨损，不符合探测器的运动约束模型。针对路径存在较多拐角的问题，利用四阶贝塞尔曲线对路径进行优化。在贝塞尔曲线中，m个特征点可以定义为m-1阶的贝塞尔曲线。通过图8对比可以看出，四阶贝塞尔曲线的效果优于二阶和三阶贝塞尔曲线。故本文选择四阶贝塞尔曲线对路径进行平滑处理。高阶的贝塞尔可以通过不停的递归直到一阶，贝塞尔曲线的表达式为：
[0151][0152][0153]
其中，b
i，m
(t)为m次贝塞尔方程式，为二次项系数；m为贝塞尔曲线的阶次，pi为i点的坐标，i为当前位置的横坐标。当m＝4时，四阶贝塞尔曲线的表达式为：
[0154]
p(t)＝p0(1-f)4 p1t(1-f)3 p2t2(1-t)2 p3t3(1-t) p4t4(18)
[0155]
利用四阶bezier曲线进行路径平滑后，能避免直角转弯的出现，最终确保所得为平滑路径，更适合于探测器的实际运行需求。在不同环境仿真效果如图9，黑色轨迹为原路径，白色为路径平滑后效果。其中，图9中的(a)、(b)和(c)分别是30*30环境路径平滑、40*40环境路径平滑和100*100环境路径平滑的仿真效果图。
[0156]
通过四阶贝塞尔曲线对路径进行平滑处理，能够避免直角转弯的出现。在探测器运行的过程中所受干扰因素较少，稳定性、应用范围以及测量范围更为优秀，能够更好的实现复杂环境下路径的规划。
[0157]
本实施例提出的基于改进a-star算法的全局路径规划方案，设置权重比w(n)/v(n)对目标函数f(n)产生影响，寻找到最优的权重比，减少运行时间，提高算法的运算效率。在局部上对路径做拐角优化，减少探测器在运行过程中转弯的次数。并且，利用四阶贝塞尔曲线对理解平滑处理，避免拐角峰值的出现，得到一条平滑的路径。
[0158]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
[0159]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0160]
实施例7
[0161]
根据本发明实施例，还提供了一种用于火星探测器路径规划装置，如图10所示，该装置包括：全局路径规划模块12和拐角优化规划模块14。
[0162]
全局路径规划模块，被配置为基于预先建立的火星环境模型，利用改进a-star算法，对火星探测器进行全局路径规划，寻找出所述火星探测器全局路径；拐角优化规划模块，被配置为针对所寻找出的全局路径，进行拐角优化处理，以得到所述火星探测器的最优路径。
[0163]
在一个示例性实施例中，全局路径规划模块还被配置为：通过调节实际代价的权重系数和估计代价的权重系数，来改进a-star算法的估价函数，得到所述改进a-star算法；
基于所述改进a-star算法的估价函数，对火星探测器进行全局路径规划。
[0164]
在一个示例性实施例中，所述改进a-star算法改变路径搜索过程中对a-start算法的影响，使得所述估计代价的权重系数越大，a-star算法越趋近于广度优先搜索bfs算法，所述实际代价的权重系数越大，则a-star算法越趋近于迪克斯特拉dijkstra算法。
[0165]
在一个示例性实施例中，全局路径规划模块还被配置为：将所述火星探测器的起始位置加入ol中，基于所述改进a-star算法的估价函数，循环迭代进行路径规划；判断所规划的路径中是否有可拓展的点且是否没有找到目标点；在判断结果为是的情况下，将所述ol中的最优的待选放入cl中，并进行路径回溯，否则，直接进行路径回溯。
[0166]
在一个示例性实施例中，拐角优化规划模块还被配置为：在所述火星探测器全局路径中，获取拓展点位置信息，利用循环迭代进行路径规划；基于所述拓展点的位置信息，进行拐角优化处理。
[0167]
在一个示例性实施例中，拐角优化规划模块还被配置为：通过所述拓展点在域指针中储存的位置信息，计算该拓展点的父节点的索引值；判断该拓展点的父节点的索引值是否等于起始点，如果等于起始点，则表明该点是由起始点拓展出来的点，跳过优化，否则，利用该点的父节点的索引值，查看所述父节点在元胞数组域指针中的位置信息，并通过该元胞数组域指针中的位置信息来计算获取期望下一步要走的点的索引值。
[0168]
在一个示例性实施例中，所述装置还包括火星环境模型构建模块，被配置为：采用栅格法将所述火星探测器的巡视探测区域分成多个均匀的含有二值信息的栅格，并得到栅格模型；基于所述栅格，根据所述火星探测器的运动能力，建立所述火星探测器的坡度代价函数、粗糙度代价函数和起伏度代价函数；其中，所述火星环境模型包括以下至少之一：所述栅格模型、所述坡度代价函数、所述粗糙度代价函数和所述起伏度代价函数。
[0169]
在一个示例性实施例中，火星环境模型构建模块还被配置为：采用最小二乘法来拟合平面，得到拟合的平面方程；基于所述平面方程，计算所述栅格的坡度；基于所述栅格的坡度，建立坡度代价函数。
[0170]
在一个示例性实施例中，火星环境模型构建模块还被配置为：计算所述栅格内所有高程点到所述拟合平面的距离，基于所述距离计算所述栅格的粗糙度，并基于所述粗糙度建立所述粗糙度代价函数；
[0171]
在一个示例性实施例中，火星环境模型构建模块还被配置为计算所述栅格内所有高程值的算数平均值；根据所述高程值的算数平均值建立所述起伏度代价函数。
[0172]
在一个示例性实施例中，所述装置还包括平滑处理模块，被配置为：通过四阶贝塞尔曲线对拐角优化后的路径进行平滑处理。
[0173]
本技术实施例提出的改进a-star算法，相比于现有技术能够更快的使得系统收敛，满足在火星探测过程中对复杂环境的路径规划。
[0174]
本技术实施例基于改进a-star算法进行全局路径规划方案，并在局部上对路径做拐角优化，减少探测器在运行过程中转弯的次数。保证系统运行的稳定性，更加符合探测器的运动学模型。此外，还利用四阶贝塞尔曲线对理解平滑处理，避免拐角峰值的出现，从而得到一条平滑的路径。
[0175]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0176]
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品
销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
[0177]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0178]
在本技术所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0179]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0180]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0181]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。