[发明专利]基于蚁群算法和极坐标变换的无人自行车路径规划方法

说明书

技术领域

本发明涉及无人自行车技术，特别是一种面向无人自行车的基于蚁群算法和极坐标变换的路径规划方法。

背景技术

自20世纪60年代移动机器人诞生以来，研究人员一直梦想研究无人智能交通工具，作为智能交通系统的重要组成部分，无人自行车排除了人为不确定因素的影响，不仅可以提高驾驶安全性，而且可以解决交通拥堵，提高能源利用率，百度曾宣布开发复杂人工智能无人自行车，该产品是具备环境感知、规划和自平衡控制等复杂人工智能的无人自行车，主要集合了百度在人工智能、深度学习、大数据和云计算技术的成就，然而对技术细节没有任何披露。目前大多采用采用覆盖面广、成本低，且针对性强的运动干预服务系统，对无人自行车的运动进行符合实际情况的干预，有望解决自行车避障等问题。

作为无人自行车的智能核心，避障路径规划系统决定车辆如何在多种约束条件和路径障碍物条件下到达目标位置，这些约束包括体现为安全性的环境约束，体现可行性的系统运动学约束，体现平顺性和稳定性的系统动力学约束以及特定的优化指标约束，如最短时间或最短距离等。在无人自行车应用中，这些约束集中在全局路径规划中得到满足，全局路径规划问题等同于起点和终点间路径生成的问题，解决全局路径规划问题一般要求提前获知完成的典型道路及其数字化存储方式，也就是环境地图，当环境变化或其他因素导致规划结果不可行时，需要重启全局规划得到新的可行路径才能继续行使。

然而，现有的路径规划方法算法收敛性不够良好，并且初始分布是正态分布时，计算时间比较长，不利于快速响应障碍物。

发明内容

本发明的目的在于提供一种面向无人自行车的基于蚁群算法和极坐标变换的路径规划方法，包括如下步骤：

(1)根据无人自行车的工作环境，利用栅格法进行环境建模；

(2)设置蚁群算法的详细参数：信息素维度D、最大迭代次数M、信息素数N、信息素变量的最大速度V_max、学习因子c₁，c₂和惯性权重W，这三个参数按照一般的蚁群算法选取，信息素维度则由以下参数决定：D≈distance(path)bike_length，信息素变量的最大速度为：

V_max＝0.1(α_max-α_min)/D；

(3)设定极坐标的长度、探测最大角度和最小角度，探测最大角度和最小角度一般取0～π/2；

(4)根据均匀分布生成随机数的方法，进行蚁群的初始化，并设定环境地图位置范围内的信息素位置范围和速度范围；

(5)进行极坐标和直角坐标之间的变换，获得路径x，y坐标值，根据信息素的约束条件判断信息素是否有效，无效则重新初始化，直到保证所有信息素有效，检查信息素位置和障碍物位置；

(6)采用路径规划的适应度函数，计算每个信息素的适应度值，将信息素的个体历史最优值和当前信息素适应度值进行比较，若当前的适应度值比历史最优值小，则用当前的适应度值替换个体历史最优值；

(7)将信息素历史最优适应值数组中最小值与当前的全局历史最优值进行比较，若其值小于全局最优值，则用最小值替换全局最优值，否则不替换，根据信息素上次取得的迭代历史最优值和当前迭代历史最优值，计算并保存两者之间的最优值；

(8)更新种群中信息素的位置和速度信息，若信息素搜索的位置超过了已设定的空间范围，则选取最大位置；

(9)将本次迭代的信息素最优值与之前连续迭代结果进行比较，若未发生变化则采用以前优化值，并检查是否达到最大迭代次数，若未达到则反复计算。

(10)到达最大迭代次数后，采用舒曼滤波法进行平滑处理，对算出的路径进行修改，显示计算结果与最优路径。

优选的，步骤(1)中栅格粒度大小的确定是根据无人自行车自身的尺寸大小以及障碍物的面积大小来设置。

优选的，所述无人自行车前进的方向上设置三个模拟传感器，以探测前方到障碍物的距离情况。

优选的，所述信息素构成信息素表，每个元素代表一定距离下选择沿一角度运动的信息素强度，采用矩阵A表示信息素表，将无人自行车与地面障碍物距离在初始距离与地面目标之差上10等分，而无人自行车单次移动方向选择相对于障碍物连线夹角的-90度-90度上角度18等分，并选择其中的17个作为搜索方向，从而确定340个元素作为信息素表的各个元素，将无人自行车与地面站该物初始距离与地面目标之差定义为M，无人自行车与障碍物目标连线角度设定为α。