一种基于神经网络估计路径代价的多目标点路径规划方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115826591A(43)申请公布日2023.03.21(21)申请号202310157975.4(22)申请日2023.02.23(71)申请人中国人民解放军海军工程大学地址430033湖北省武汉市硚口区解放大道717号(72)发明人周帅王征李龙梅尹洋王黎明李厚朴王家林张朝亮赵永辉侯佳欣(74)专利代理机构武汉楚天专利事务所42113专利代理师孔敏(51)Int.Cl.G05D1/02(2020.01)权利要求书3页说明书7页附图5页(54)发明名称一种基于神经网络估计路径代价的多目标点路径规划方法(57)摘要本发明提供一种基于神经网络估计路径代价的多目标点路径规划方法，包括：构建抽象表示环境的特征地图；根据某起始点和目标点直线相连的线段与障碍圆相交的个数，分别制造数据集训练相应的路径代价估计神经网络；根据各线段与障碍圆相交的情况选择相应的路径代价估计神经网络计算所有条路径的估计路径代价，构建任意两点间的路径代价矩阵；运用遗传算法求解已知路径代价矩阵的旅行商问题，得到最佳遍历顺序；运用Informed‑RRT*算法，按最佳遍历顺序规划出从起点出发经过所有目标点后返回起点的总路径代价最小的路径。本发明可极大减少算法耗时，估计结果与实际规划路径代价相差极小，保证了TSP问题求解所得遍历顺序的最优性。CN115826591ACN115826591A权利要求书1/3页1.一种基于神经网络估计路径代价的多目标点路径规划方法，其特征在于，包括以下步骤：步骤A：构建抽象表示环境的特征地图，所述特征地图包括起点、目标点以及障碍圆，所述障碍圆表示处理后的圆形障碍物；步骤B：基于步骤A构建的特征地图，根据某起始点和目标点直线相连的线段与障碍圆相交的个数，分别制造数据集训练相应的路径代价估计神经网络；步骤C：根据各线段与障碍圆相交的情况选择相应的路径代价估计神经网络计算所有条路径的估计路径代价，构建任意两点间的路径代价矩阵；步骤D：运用遗传算法求解已知路径代价矩阵的旅行商问题，得到最佳遍历顺序；步骤E：运用Informed‑RRT*算法，按步骤D所得最佳遍历顺序规划出从起点出发经过所有目标点后返回起点的总路径代价最小的路径。2.根据权利要求1所述的一种基于神经网络估计路径代价的多目标点路径规划方法，其特征在于，所述步骤A具体包括：在特征地图上将移动机器人进入任务区域的起点以及各目标点的坐标位置表示在全局坐标系下；在不规则多边形障碍物的外接圆基础上进一步膨化，扩大半径为移动机器人的宽度，并通过圆心坐标及半径将障碍圆表示在全局坐标系下，表示不可到达的区域。3.根据权利要求1所述的一种基于神经网络估计路径代价的多目标点路径规划方法，其特征在于，所述步骤B具体包括：制作数据集：在特征地图中通过等值递增、递减或随机设置方式改变障碍圆半径大小、圆心坐标、起始点及目标点坐标，模拟出两点相连线段与障碍圆相交的各种情形，计算相应的表征参数，在每一种情形下调用Informed‑RRT*算法得到路径代价实际规划值，将所有情形下的表征参数作为输入、路径代价实际规划值作为输出整理为数据集以用于训练；训练路径代价估计神经网络：搭建包含输入层、隐藏层、输出层的全连接神经网络，将数据集打乱后按比例分为训练集、测试集，分别用于网络的训练和测试，训练后得到相应的神经网络。4.根据权利要求3所述的一种基于神经网络估计路径代价的多目标点路径规划方法，其特征在于，所述表征参数包括线段长度、线段与障碍圆相交形成两个弓形的弓高、弓高与线段的垂点到线段中点的归一化距离。5.根据权利要求3所述的一种基于神经网络估计路径代价的多目标点路径规划方法，其特征在于，所述调用Informed‑RRT*算法得到路径代价实际规划值，具体包括：初始椭圆采样区域以起始点、目标点为椭圆焦点，两点欧氏距离为焦距，初始RRT*算法规划路径代价为长轴长，在初始椭圆区域内迭代规划，若得到更优路径，则以更优的路径代价更新，从而得到离心率更大、面积更小的椭圆采样区域，在更新后的椭圆中继续迭代，直至达到最大迭代次数，输出此时的即为最终路径代价。6.根据权利要求1所述的一种基于神经网络估计路径代价的多目标点路径规划方法，其特征在于，所述步骤D具体包括：用的正整数表示起始点与第个目标点的基因编码，其中遍历目标点的顺序与染色体的基因顺序一一对应；用每条染色体代表的遍历顺序的总路径代价作为适应度函数，其中总路径代价越小，表示适应度越高；设置种群大小/遗传代数/交叉概率以及变异概率；随机生成初始种群，计算2CN115826591A权利要求书2/3页种群内个体适应度，淘汰部分适应度较低的个体，同时克隆适应度最高的个体填充种群，对新种群的个体实施染色体交叉、变异操作，完成一次迭