[发明专利]一种基于双反向传播神经网络的无人系统智能局部路径规划方法

说明书

本发明涉及一种基于双反向传播神经网络的无人系统智能局部路径规划方法，针对智能无人系统动态障碍规避问题，首先，建立智能无人系统运行的环境模型；其次，建立无人系统运行的运动学模型；第三，设计由两个反向传播神经网络组成拓扑结构的双反向传播神经网络，进行局部路径规划，第一个反向传播神经网络经过适当的离线训练，在动态避障中起到主导作用，第二个反向传播神经网络在线训练以获得输出的补偿；最后，此方法可用于无人机、无人车、无人船等智能无人系统规避静态障碍物和动态障碍物，对于速度不断变化的障碍物，该方法可根据障碍物先前的运动情况进行预测并规避，减少智能无人系统的决策次数和运算负担，可提升避碰性能和效率。

技术领域

本发明涉及一种基于双反向传播神经网络的无人系统智能局部路径规划方法，可应用于无人机、无人车、无人船等智能无人系统进行局部路径规划，规避静态障碍物和动态障碍物。

背景技术

随着人工智能的快速发展，使用智能无人系统来完成特定任务愈发受到工业界的关注。路径规划分为全局路径规划和局部路径规划。全局路径规划即环境信息对于无人系统是完全已知的。局部路径规划即在存在未知障碍物的动态环境下，智能无人系统通过自身传感器系统根据实时感知的环境信息和自身状态信息的变化，进行融合处理，避开障碍物，对已规划出的全局路径进行可能的局部修正。在局部路径规划中，由于智能无人系统的不能够完全知晓周围环境，所以其被认为是一个挑战。

专利201810300692.X中提出了一种人工势场法和随机路径图法进行局部规划的方法，使机器人可以安全的避开动态障碍，降低了局部避障的随机性，避免规划的路径陷入局部极小值，但是该方法过分依赖与规划的全局路径，对于快速连续变化的环境难以做出及时调整。

专利201710643365.X中提出了一种移动机器人路径的多神经网络控制规划方法，该方法将利用全局训练样本集中每个全局样本的起点-终点坐标和对应的最优设计全局路径分别作为输入数据和输出数据进行训练一个模糊神经网络。但该方法仅用先验样本进行训练，得到的路径不是最高效的，规划次数过多，对连续变化环境的适应性不强。

专利201811189513.6提出了一种实时避障的方法，该方法中机器人每一步的移动方向是根据经验值从不同方位角选取四个方向的离散点，进而计算得到下一步运动方向，因而无法获得精准连续的规划路径。

文献1(J.Ni,L.Wu,P.Shi and S.X.Yang,“A dynamic bioinspired neuralnetwork based real-time path planning method for autonomous underwatervehicles.”Computational Intelligence and Neuroscience,vol.2017,pp.1-16,2017.)提出了一种生物启发式神经网络算法用于水下无人系统，该算法提高了路径规划的计算实时性。然而，该算法没有用最优的先验样本进行训练，得到的路径不是最高效的，并且每一次规划仅用当前的数据，无法应对连续变化的环境。

文献2(B.K.Patle,D.R.K.Parhi,A.Jagadeesh,and S.K.Kashyap,“Applicationof probability to enhance the performance of fuzzy based mobile robotnavigation.”Applied Soft Computing Journal,vol.75,pp.265–283,2019.)提出了一种基于概率和模糊逻辑的路径规划算法，应用于移动机器人。模糊逻辑算法参考人的驾驶经验，通过查表得到规划信息，实现局部路径规划。但是该方法是分段式的查表无法获得最优解，存在自主性较差等缺点。

上述现有技术可实现无人系统自主避障，但普遍存在无法进行连续避障、自主性较差、规划次数过多运算负担重、无法获得全局最优解的不足。

发明内容