[发明专利]基于跳点路径搜索的几何容器数据压缩方法及系统

说明书

一种基于跳点路径搜索的几何容器数据压缩方法，第一步：对均匀网格地图进行结构分析，识别出所有轴向跳点，生成轴向跳点集；第二步：根据轴向跳点集识别出所有有源对角跳点，生成有源对角跳点集；第三步：分别以生成的所有轴向跳点和所有有源对角跳点塌缩的位置为源节点搜索整个所述均匀网格地图，针对每个塌缩位置进行几何容器标识预处理，以完成任意两个可通行节点之间的最优路径搜索。一种基于本发明所述方法的系统：包括存储器和处理器，所述存储器存储有均匀网格地图和跳点路径搜索的几何容器数据压缩程序，所述处理器在运行所述跳点路径搜索的几何容器数据压缩程序时执行所述方法的步骤。

技术领域

本发明的基本应用领域为机器人导航和游戏人工智能中智能体的快速路径规划，技术领域主要涉及人工智能中经典的启发式搜索问题求解技术、地图空间拓扑结构提取技术等。

背景技术

作为机器人和游戏非玩家角色各方面技术的基础，很多场景中有限的计算资源需要同时应答大量智能体的路径规划请求，因此规划技术的快速响应能力最受关注。

其中最为著名的一类算法称为跳点搜索(JPS,Jump Point Search)。当智能体在网格地图上移动时，跳点搜索在相同起点和终点、相等长度的对称路径中，将对角移动优先路径确定为主要偏序，将不满足该原则的其他所有路径剔除在搜索空间之外。跳点搜索应用A*算法时并不将中间节点加入Open表中，除非遇到需要将前进方向向其他分支扩展的节点时，才将这样的节点加入Open表中以待扩展。跳点搜索算法仅需在线处理，不涉及地图预处理，相较单纯的A*算法速度提高了一个数量级。

跳点搜索的主要缺点是扩展节点时需要进行大量的逐行逐列的中间节点扫描和判断。作为跳点搜索的改进是JPS+，JPS+在离线阶段为每一可通行节点的每一可通行方向计算和存储与通过该方向可到达的第一个跳点或障碍物的距离。这一预存信息进一步提高了搜索速度。更进一步地，JPS+(P)在搜索时采用中转节点剪枝技术，将对角跳点视为过渡节点不加入Open表进行处理，相比JPS+一定程度降低了Open表操作次数。

通过与几何容器(Geometric Containers)剪枝技术的结合，跳点搜索的性能得到了进一步大幅度的提升。几何容器剪枝技术是一类目标引导的加速技术，用来在搜索阶段剪除不可能引导当前节点通过最短路径到达目标位置的边，其中最简单有效的几何容器版本称为矩形包围盒(Bounding Boxes)。结合了包围盒技术的跳点搜索方法简称JPS+BB。

离线阶段JPS+BB首先为图中每一条边初始化一个空白矩形盒，然后从每一可通行节点运行采用了对角移动优先偏序的Dijkstra算法覆盖所有与其通行的节点。当Dijkstra算法扩展到某一节点时，就将其加入到源节点对应边的矩形盒中。当所有节点的预处理进行完毕后，就为每一条边形成了一个包围所有可通过最优的对角移动优先路径到达的矩形范围，尽管因为形状简单的原因其中可能含有多余节点。

这一基于离线预先计算的剪枝技术为JPS+算法提升了一个数量级左右的性能提升，使其能够在经典测试集下取得平均数十微秒的搜索速度。然而，这一显著进步的代价则是必须在预处理阶段投入大量的CPU时间和存储空间。JPS+BB需要在所有可通行点对之间执行一次修正后的Dijkstra搜索。假设某一网格地图含有n个可通行节点，则该算法的时间和空间复杂度均为O(n²)，即二次复杂度。从实验结果来看，通常完成一张1024*1024规模StarCraft地图的计算需要十个小时左右的时间和数百兆存储空间。这样的代价在为路径规划指定的CPU时间和内存空间有限的应用中是不可接受的，而机器人导航和游戏AI中一般都是这样的场景。

目前，尚无研究成果能够在预处理代价可接受的前提下实现超快搜索速度。因此，本发明旨在利用地图空间结构分析解决JPS+BB算法面临的严峻的地图预处理复杂度问题。

发明内容