路径规划系统（精选7篇）
路径规划系统 篇1
摘要：该文通过分析GIS空间数据和属性数据的特点,结合路径规划功能模块的要求,引用了直线优化和方向优化的模型,通过对A*算法的OPEN表进行改进,提高了路径规划中求解两点间的最短路径的查询速度。最后用JAVA编程语言和SQL SERVER数据库实现了本系统。
关键词：GIS,路径规划,A*算法
随着国际化城市的发展,交通网络也正以前所未有的速度迅速发展着。交通地图上的道路日益增多,交通管理部门对交通管制的作用也越来越大,比如单行线、路口禁止转向等。这对于出行者来说,一方面为他们提供了更大的出行路线的选择余地,保证了路网的畅通,但同时也增大了其出行的复杂性。因此智能交通已经受到了国际社会的普遍重视,而作为其重要组成部分的路径规划系统更是一个国际化城市的必备服务设施。
在现有的许多GIS系统中,路径分析是GIS中最基本最重要的功能,其核心是对两点间最佳路径和最短路径的求解。从网络模型的角度来看,最佳路径求解就是在指定网络中两节点间找一条速度最快或时间最省的路径。最佳路径的产生基于网线和结点转角(如果模型中结点具有转角)数据的阻碍强度。例如,如果要找最快的路径,阻碍强度要预先设定为通过网线或在结点处转弯所花费的时间;如果要找费用最小的路径,阻碍强度就应该是费用。当网线在顺逆两个方向上的阻碍强度都是该网线的长度,而结点无转角数据或转角数据都是0时,最佳路径就成为最短路径。在某些情况下,用户可能要求系统能一次求出所有结点对间的最佳路径,或者要了解两结点间的第二、第三乃至第K条最佳路径。
1 地理信息系统(GIS)概述
地理信息系统,简称GIS(Geographic Information System)。顾名思义,地理信息系统是处理地理信息的系统。地理信息是指直接或间接与地球上的空间位置有关的信息,又常称为空间信息。一般来说,GIS可定义为:“用于采集、存储、管理、处理、检索、分析和表达地理空间数据的计算机系统,是分析和处理海量地理数据的通用技术”。从GIS系统应用角度可进一步定义为:"GIS由计算机系统、地理数据和用户组成,通过对地理数据的集成、存储、检索、操作和分析,生成并输出各种地理信息,从而为土地利用、资源评价与管理、环境监测、交通运输、经济建设、城市规划以及政府部门行政管理提供新的知识,为工程设计和规划、管理决策服务。
2 基于GIS的路径规划系统的分析与设计
目前路径规划系统的研究中多采用静态类计算,计算结果与真实最短路存在较大差异。实时动态最优路径是真实的最短路径,并且,若想提高信息的准确度,拥挤程度最低、综合最优路径的计算都应以动态行程时间为依据,可见,路径规划系统应以动态行程时间作为计算最优路径的基础,并提供实时动态最优路径作为必备服务。因此本系统以动态的路况数据库为基础,属于动态路径规划系统。另外,针对现今交通规则日益复杂的状况,本系统特别强调了对交叉口转向限制和单行线等情况的处理,只有充分考虑交通规则的路径规划才是有意义的。
2.1 系统功能模块
本系统结合东莞市松山湖招商引资的项目———东莞市松山湖招商WEBGIS系统,结合用户的需求,WEBGIS系统提供了充足的地理信息数据的快速查询和地图的快速浏览等功能,同时具有对于陌生的投资商也能准确快速到达目的地的路径规划功能。具体的WEBGIS功能模块如图1所示。
2.2 路径分析算法
本系统的路径规划功能就是对从某一始点到某一终点的最短路径的求解过程。为了能够快速找到一条最短或最省路径,笔者采用了直线优化模型和A*算法相结合来对路径规划的最短路径进行优化,通过直线优化模型(方向优化)把相关的临时结点找出来,然后把所找的临时结点来对A*算法进行初始化,通过这样可以减少很多不必要的结点的计算,从而可以大大提高查询速度,节省系统的存储空间。
2.2.1 直线优化模型
最优路径算法分析的过程是一个从起始结点逐步趋向于目标结点的过程,GIS两点之间除空间距离关系之外,还有方向的关系,理想状态下,两点之间线段距离最短,而这条线段的斜率是固定的,即起始点到终点的方向角是固定的,因此在实际搜索过程中,可借助备选结点到目标节点的趋向程度来确定最佳邻近点。
直线优化最短路径算法的主要思想是,由于两点之间直线最短的定理,构造一条理想最短路径,这条直线段一定是两点间弧段中距离最短的一条。但实际上这条直线段作为一段道路存在的可能性极小,但这条从起点到终点的直线段却代表了一个路线的趋势,从概率的角度,顺着这个方向的某些路段的集合组成最短路径的可能性较大。如图2所示,从起始结点到目标结点之间的线段的斜率借助了大致的算法查询的方向,因此在如图所示的候选节点选择时,我们根据起始目标结点及临近结点的坐标值计算当前临近候选结点趋向于目标结点的角度,再对比其他候选结点到目标结点的矢量夹角,根据此夹角来选择到目标结点适量夹角最小即最趋向于目标结点的候选结点。下面是求二条线段夹角的计算公式描述如下:
设二条线段AB和CD四个顶点的坐标分别为:
A(X1,Y1),B(X2,Y2),C(X3,Y3),D(X4,Y4),dx1=X2-X1;dx2=X4-X3;dy1=Y2-Y1;dy2=Y4-Y3,设线段AB与线段CD的夹角的β,则β的计算公式以下:
如果β大于或等于90度,则说明该临时节点与目标结点要么是垂直,要么是与目标结点的方向相反,所以这些临时节点就会与目标结点的距离越来越远,故这些临时结点几乎与所查找的最短路径的中间节点不相符,可去掉。只要把小于90度的临时结点按由小到大排序放在节点堆栈表中提供给A*算法来对OPEN表进行初始化,通过这样可以减少许多不相关节点的计算时间,从而大大提高了查询速度。
2.2.2 A*算法的实现过程
在A*算法的路径规划最短路径搜索过程中,将采用两个表,其中的OPEN表用于保存所有已生成而未考查的节点,CLOSED表记录已访问过的节点。为了能够更快速地找到最短路径,对未考查的节点通过上面所讲的直线优化和方向优化模型进行初始化,使搜索方向和查询速度更加智能快速地趋向于目标节点,提高查询速度。对于A*算法具体实现过程,还多文章都有介绍,在此不做介绍。
2.3 数据库设计
WebGIS条件下的系统数据库设计的内容主要包括:道路网状况、交通设施、通讯设施等。比如道路网的空间信息主要包括:路段起点、路段终点等能表示路段空间位置的数据,存放到GSI表中,其属性信息主要包括:道路名称、路面宽度、车道数、路段长度、路段交通量等,存放到属性数据表中。通过这样建立起来的电子地图数据库能够充分满足如空间查询、叠加与缓冲区分析、网络分析、路径分析等现有GSI平台的强大功能需求。同时,为了有效地进行路径规划,还需要对每段路径的不同情况在数据库中有专门的字段记录这些信息,比如是收费公路,或者单行路,或者禁止行驶路径,使得算法能获得这些信息,进行更好的规划。
本系统主要建立了以下几个主要的数据表:节点表、弧段表和面状地物的数据表。
2.4 代码实现
该阶段是编程人员根据系统分析人员分析的结果,建立的各种设计模型,选择一种最好的编程语言进行的界面设计、代码实施。本系统采用JAVA作为前台软件开发工具,用SQL Server 2000作为后台属性数据库管理,用shafefile来管理空间数据。
2.5 系统测试和评价
路径规划系统通过直线优化和A*算法进行优化后,比原始Dijkstra算法的最大搜索范围得到了明显的减小,从而使搜索速度得到提高,图3显示了两种算法的最大搜索范围。图中圆为原始Dijkstra算法的最大搜索范围,椭圆为直线优化后的A*算法和改进后的A*算法最大搜索范围。通过图可知,圆的半径为2a,所以圆的面积为S圆=4πa2;椭圆面积为S椭圆=πa(1-e2)1/2,其中e=c/a,因为(1-e2)1/2<1,所以图3所示的圆的面积和椭圆的面积之比为:S圆/S椭圆>4,即说明原始的Dijkstra算法的搜索范围是直线优化的A*算法的搜索范围要大4倍以上。
通过东莞市的地图数据,路径规划通过对偶网络转换后,共有结点数为4258个,在PIV1.7G,256M内存的电脑进行模拟,各种算法的性能统计表以表4所示。通过表4可知,改进后的A*算法查找的临时标记结点和运行时间都要比Dijkstra算法要小很多,故可以提高路径规划的查询速度。
3 结束语
本文以东莞市地图为案例,通过采用直线优化模型和A*算法的改进,可以大大提高路径规划中两点间最短路径的查找。通过实现结果证明,通过这样的优化算法,比传统的Dijkstra算法和A*算法的查找运行时间更短,实践证明该方法是可行的。
参考文献
[1]刘南,刘仁义.WebGIS原理及其应用[M].北京:科学出版社,2002:89-165.
[2]龚健雅.地理信息系统基础[M].北京:科学出版社2002:45-120.
[3]项阳,顾其威.一种新的基于A*算法的分布式关系数据库查询优化[J].计算机工程与应用,2002(11):196-199.
[4]段莉琼,朱建军,王庆社,等.改进的最短路径搜索A*算法的高效实现[J].海洋测绘,2004(15):20-22.
路径规划系统 篇2
1 车载导航系统电子地图的实现
1.1 电子地图中道路网络数据模型
道路网络的数据模型是生成具有拓扑结构道路网络的基础。车载导航电子地图是由点、线和面三个基本元素组成。整个道路网络的表示一般采用Arc⁃Node模型,该模型的特点是易于表达实际路网的拓扑关系,且形式简洁。考虑到实际电子地图的面是由弧段组成,故可以将路网归结为节点V和弧段E两个基本元素的组合。Arc⁃Node模型的基本原理是在一定的精度范围之内,采用以直代曲的思想,由连续的小段直线代替和逼近真实的道路曲线,这样就形成了Arc⁃Node数据模型,其形式化定义为:
式中:R为路网;N为路网的节点集;M为路网的有向路段集;x和y为路段的起点和终点;L(x,y)为路段的属性集,可表示为距离、时间和花费等。
同时,根据实际交通网络的特点,做如下的分析假设:所有的边都是线段,对于弯曲弧度数较大的路段,可通过在该路段上插入一系列节点使该路段由一些弧度较小的路段构成,把弧度较小的路段假设为一条线段。如图1所示,节点1和2之间的路径弧度较大,在原路径上插入节点3和4,将原路段分割成弧度相对较小的三个路段。边长通常是双向可通的,边的权值为正值。
网络中有较多的节点和边,与节点相关联的边数为常数,且远小于网络中总的节点数。
1.2 导航电子地图中折线网络拓扑化算法实现
算法实现的原理可以简单的描述为:依据折线道路网络的组成特点及Arc⁃Node数据模型,由给定的折线道路网络生成表示其拓扑结构的Arc⁃Node数据模型。生成过程基本可以分成两个步骤:第一步是完善给定的折线道路网络数据,即对1.1节中介绍的道路网络的几个情况进行相应的处理;第二步是在第一步的基础上,由完善后的折线数据网络数据生成表示其拓扑结构的Arc⁃Node数据结构。整个算法流程如图2所示。
2 车载导航系统路径规划搜索算法
2.1 椭圆限制搜索区域路径规划算法
椭圆限制区域的最短路径算法思想如下:以起始点S和终点D为焦点,以μ0|SD|为长轴长画一个椭圆,然后在椭圆区域内的站点间寻找最短路径。其中,|SD|为起始点S到终点D的欧式距离,μ0是一个与城市路网信息有关的统计参数。所以,椭圆限制区域的最短路径算法是依赖于城市的统计参数μ0的,统计数据表明对于北京路网的μ0值为1.417。构造椭圆限制区域的方法如下:
(1)建立直角坐标系:x轴为SD,y轴为与其垂直的方向。
(2)以起始点S为圆心,SD的连线为半径,作圆S,该圆内的区域就是传统最短路径规划算法Dijkstra算法的搜索区域。
(3)以起始点S,终点D为焦点,作椭圆|SN|+|ND|=μ0|SD|,椭圆内的区域就是椭圆限制搜索区域路径规划算法的搜索区域。其中椭圆的长半轴与椭圆相交于点A和点K,形成的椭圆阴影区域就是算法的搜索范围。
椭圆限制搜索区域路径规划算法的实现步骤比较简单,具体如下:输入起始点S,终点D,完成道路的网络数据加载及程序运行环境设置等;根据起始点构造椭圆限制搜索的区域;在构造的限制搜索区域内,调用Di⁃jkstra算法进行最短路径计算;输出起始点S和终点D之间的最短路径。
2.2 改进的限制搜索区域路径规划算法
胶囊形限制搜索区域路径规划算法的原理与椭圆限制搜索区域路径规划算法类似,搜索起始点S到终点D的最短路径时,只需要考虑中间胶囊形阴影部分的路段和节点,该胶囊形限制搜索区域路径规划算法的搜索范围比Dijkstra搜索算法和椭圆限制搜索区域算法都大大缩小;并且以线段作为上下边界的限制,在一定程度上减少了判定节点是否落在限制区域内时椭圆算法需要进行的大量乘积和开方运算,从而提高了整个搜索过程的效率。具体的搜索区域设置方法如下:
(1)x轴为SD,y轴为与其垂直的方向,以起始点S为原点建立一个直角坐标系;
(2)以起始点S为圆心,SD的连线为半径,作圆S,该圆内的区域就是传统最短路径规划算法Dijkstra算法的搜索区域;
(3)以起始点S,终点D为焦点,作椭圆|SN|+|ND|=μ0|SD|,椭圆内的区域就是椭圆限制搜索区域路径规划算法的搜索区域。其中椭圆的长半轴与椭圆相交于点A和点K;
(4)分别以起始点S,终点D为圆心,线段AS(DK)为半径r作两个半圆EAF和VKG,连接点E,V和点F,G,形成了如图3所示的阴影的胶囊形限制区域,该区域即为改进算法的路径规划搜索范围。
由上面提到的道路路网统计参数μ0可知,椭圆限制搜索区域路径规划算法搜索的成功建立在95%的置信水平之上,也就是还有5%的可能性,实际最短路径上的节点落在限制区域之外,这就可能导致搜索的失败,胶囊形限制搜索区域路径规划跟椭圆限制搜索区域路径规划存在同样可能导致搜索失败的情况,因此就必须通过调节半圆的参数半径扩大搜索范围,保证搜索成功,提高算法的可靠性。修正后的算法步骤如下:
第1步:输入搜索起始点S和终点D,完成拓扑化路网数据加载及程序运行环境设置等;
第2步:根据起始点构造初始胶囊形限制区域算法的搜索区域,阈值半径为r0;
第3步:在构造完成的胶囊形限制区域中调用Dijk⁃stra算法,进行最短路径规划,若搜索成功则转步骤5,否则继续;
第4步:设置动态变化参数Δr,以起始点S,终点D为圆心,以上一次搜索的阈值半径加上Δr为半圆半径构造新的胶囊形限制搜索区域,如图4中虚线包围区域所示,构造完成后转第3步;
第5步:输出搜索得出的最短路径,算法结束。
3 中心监控式车载导航系统初步设计
3.1 中心监控式车载导航系统构成
中心监控式车载导航系统除具有导航功能外,通过借助通信网络,还能够采集信息、分析信息,路径规划在中心根据实时交通情况完成。实际应用时,通常需要根据车载终端的具体需要进行配置,通常至少应包含监控中心子系统、车载子系统和通信子系统三部分。
监控中心子系统:系统接收车载子系统发送的车辆速度、位置、报警等信息,然后在导航电子地图拓扑路网基础上对车辆状态进行实时显示、并且进行车载子系统的路径查询、数据分析处理要求。处理完成之后,并对系统和车载子系统进行参数设置及控制。
车载子系统:车载子系统负责与监控中心子系统通信,把车辆位置信息、报警状态发送给监控中心子系统,同时接收监控中心子系统的反馈指令对车辆进行相关控制。车载子系统结构组成如图5所示。
通信子系统:中心监控式车载导航系统的关键部分之一。选择正确的通信方式,连接车载子系统和监控中心子系统十分重要。首先必须考虑到通信系统网覆盖范围,其次还必须考虑车辆行驶过程中可能遭遇的恶劣环境影响。
3.2 中心监控式车载导航工作原理
车载GPS接收机接收定位卫星发来的定位数据,并且根据4颗不同卫星发来的星历数据计算出自身所处地理位置的坐标,该坐标数据通过符合GSM标准的无线模块,采用SMS形式,由车载终端将车辆的位置状态、报警器输入信息发送至GSM网,GSM网将接收到的车辆定位信息通过互联网或者通信接发设备送至中心控制子系统,以便监控中心及时掌握车辆的动态位置信息,进一步控制车载终端。其中的定位信息传输功能实现所需软件为通信服务器软件,主要完成车辆和监控中心之间的数据传输与通信,实现数据收发、编码、解码、数据入库等工作。监控中心则完成车辆位置信息的可视化、车辆行驶的最优路径规划及各种控制指令的发送等功能。基于GPS和GSM短消息业务的中心监控式车载导航系统的工作示意图如图6所示。
3.3 中心监控式车载导航软件实现
中心监控式车载导航系统的软件设计具有良好的人机交互界面和数据处理能力。首先构建一个客户端/服务器结构,数据库安装在控制中心子系统上,数据库管理采用结构化查询语言,客户端采用Windows操作系统,应用程序采用VC 2010进行开发。中心监控式导航监控中心软件设计通常要考虑5个功能模块组成:
地图显示模块:为达到对车辆监控的目的,能够显示车辆轨迹、车速等;
信息点管理模块:信息点被分类存储后,在管理用户界面中体现,用户可以对信息点数据库进行管理,如删除、添加或修改等;
数据显示模块:解码信息显示于终端;
指令下载模块:将路径导航指令实时下载到车载终端;
系统隐私保护模块:车辆管理数据库,存有车辆的电子编号用于计算机检索和处理,保证车辆信息的安全。
4 实验验证及结果分析
为了验证提出的胶囊形限制搜索区域路径规划算法的有效性和可靠性,使用1∶25 000比例尺下Map Info格式的北京2011年交通图作为电子地图数据源(该地图道路网络共有97 773个地理特征数量),在WIN 7平台Microsoft Visual Studio 2010编程环境下对椭圆限制搜索区域以及胶囊形限制搜索区域最短路径规划算法的性能进行测试。为了简洁,这里用SF1表示椭圆限制搜索区域路径规划算法;SF2表示胶囊形限制搜索区域路径规划算法。
为了保证两种算法的可靠性,反复给定不同的搜索起点和终点,对比各种算法的搜索时间和规划路径长度等实验数据。考虑到论文篇幅的限制,这里仅给出起点编号为797,终点编号为2 195情况下的算法的实际路径规划结果图。图7表示算法SF1路径规划结果,图8表示算法SF2路径规划结果。
两种算法的性能对比如表1所示。表中ST表示测试给定的起点,DT表示测试的目标终点;T1,T2分别表示算法SF1,SF2在相同情况下所用的搜索时间(单位:s)。D1,D2分别表示算法SF1,SF2在相同情况下所规划出的最短路径长度(单位:m)。
由表1可以看出,在相同的起点和终点下,在搜索的高效性方面,启发式搜索算法SF2明显比传统算法SF1优越很多,提出的改进路径规划方法比算法SF1的搜索效率有20%左右的提升;改进算法SF2,通过设置动态参数Δr,避免了此种情况的发生,很好的保证了搜索的可靠性。综上所述,可见本文提出的改进路径规划算法在搜索效率和搜索可靠性方面都具有相当的优越性。
5 结论
本文在拓扑化路网数据基础上,提出了一种改进的路径规划算法——胶囊形限制搜索区域路径规划算法。该方法在很大程度上减少了传统路径规划方法的搜索范围,再通过设置动态搜索参数保证了路径规划的成功率。并且以拓扑结构路网数据为实验载体,对椭圆限制区域算法及提出的改进算法进行了深入的对比和研究,通过实验验证了改进算法的高效性和稳定性。最后,给出了中心监控式车载导航系统的初步设计方案。
参考文献
[1]屈展.车载导航系统中路径规划问题的研究[D].兰州:兰州理工大学,2012:253-257.
[2]高星.浅论车载导航系统的现状及发展趋势[J].计算机光盘软件与应用,2011(6):76-77.
[3]陈圣,董林飞.Dijkstra和A*算法在智能导航中的应用分析[J].重庆科技学院学报,2010,12(6):159-161.
[4]尹路明,张志恒,张小朋.一种新型GPS/DR组合导航系统[J].现代电子技术,2014,37(13):136-138.
[5]罗国青.车辆定位导航系统动态路径规划研究[D].长沙:湖南大学,2011:321-323.
[6]CHEN Heping,LI Xianqin,GU Jinguan,et al.Research of path planning algorithms based on vector map data structure[J].Computer engineering and applications,2010,39(19):238-245.
[7]ZHAO Yilin.Vehicle location and navigation systems[M].Boston:Artech House,2010:108-111.
路径规划系统 篇3
农业车辆自动导航系统的研究已将近60年,是现代智能农业机械的一个重要组成部分,在自动喷洒农药肥料、收割作业、中耕除草、插秧耕作等许多方面有着广泛的用途[1]。加拿大学者J.N. Wilson[2]认为减轻农业劳动者工作强度,增加经济和环境效益以及高速作业情况下的作业精度要求是研究农业车辆导航系统的主要因素。农业车辆自动导航的研究在国外已经开展得比较广泛,而在国内则刚刚起步[3]。
农业车辆自动导航系统的基本组成元素有环境信息感知、车辆运动建模、路径规划以及转向控制4部分组成[4]。农田作业任务的特殊性决定了农业环境下的路径规划策略不同于传统机器人领域寻找点到点最优无碰路径的规划。因此,本文首先将机器人领域通常意义上的路径规划策略与农业领域路径规划进行比较,然后从作物行跟踪策略、地头转向最优路径规划策略和全区域路径规划策略3个方面综述国内外农业车辆自动导航系统中路径规划策略的研究进展。
1 路径规划
机器人领域通常的路径规划是指这样一个算法过程:找到一条从起始点到终点的路径,整个路径能够自动规避已有的障碍,并且使特定意义下的目标函数取到最优,如最小历经时间。此种旨在寻找无碰最优路径的规划方法主要分为定量导航和定性导航两部分。定性导航主要用在结构化环境下的导航,机器人能够自动识别路标,并使用这些路标来跟踪一个路径;而在定量导航中,一个精确描述环境且不依赖于任何特定视点的地图必不可少。
在农业机器人领域,路径规划任务不仅仅是寻找一条点到点的最优路径。农业机器人路径规划发展的最终目标是使其能鲁棒地代替人类劳动者在整个农田区域中的农业操作,并且在时间、经济效益等指标上达到最优。这就要求路径规划结果能够覆盖整个区域、减少重叠路径、保证农业操作持续不间断地进行,另外自动规避障碍和简单轨迹运用以减少控制算法复杂性也是农田最优路径的必要条件。
然而,目前世界范围内农业机器人领域的路径规划主要还停留在作物行跟踪阶段以及地头转向无约束最优路径规划阶段,农田环境全区域路径规划策略的研究还很少。下文主要从作物行跟踪策略、地头转向最优路径规划策略和全区域路径规划策略3个方面进行综述。
2 作物行跟踪策略
作物行跟踪策略是指农业车辆通过跟踪局部区域作物行进行导航,是迄今为止农业领域绝大多数应用采用的策略。它可以分为基于2D平面结构信息的行跟踪策略和基于3D空间信息的行跟踪策略。前一种策略已经在农业中应用比较广泛,而基于3D空间信息的行跟踪策略的文献报道还很少。
2.1 基于2D平面结构信息的行跟踪策略
农田环境中作物通常是整齐地按直线、彼此间平行的方式种植,因此局部视野中的多行农作物可以近似地当作若干相互平行的直线来处理。因此,美国学者Reid John F和Searcy S W将图像处理技术中可参数化特征的定位方法-Hough变换引入到农业工程中,对农业图像中作物行的线特征进行检测并用于计算拖拉机的转向控制信号[5]。时至今日,Hough变换已经成为农业环境图像作物行信息提取的基本方法,世界范围内有大量的学者对基于Hough变换的作物行信息提取方法进行了深入的研究[6,7,8,9,10]。Marchant[6]利用Hough方法将多个作物行的几何信息进行整合,从而提高了算法在作物缺失和杂草影响下的鲁棒性,花椰菜和甜菜地实验证明该算法横向误差为18mm,航向角偏差1°。Rovira-Mas[10]将Hough方法与连通性分析进行结合来确定图像中的最优路径。其中,Hough方法用来检测作物行,而连通性分析用来从多个候选作物行中找出最优路径,该方法对图像噪声具有很好的鲁棒性。
然而,Hough变换是基于对图像空间所有可能直线的投票过程,直接应用Hough原理进行作物行的检测具有相当大的计算复杂度,因此利用作物行先验知识、车辆短时间内位姿变化规律以及视觉系统投影几何关系来预测图像空间作物行出现的位置和减小Hough变换的计算复杂度成了很自然的想法。南京农业大学周俊博士[11]融合差分里程计等传感器信息,通过分析直线路径在图像序列间的运动规律,预测路径在未来时刻的成像位置以提高路径探测的实时性和可靠性;并通过建立路面直线路径与其在图像空间直线投影之间的对应关系,利用Hough变换直接给出导航参数。
其他作物行信息提取的算法主要包括模板拟合、频率域算法以及特征空间映射法等。Olsen[12]为了解决农业除草问题设计了基于正弦函数拟合的作物行中心线检测算法,该算法先将感兴趣窗口中的像素灰度值在垂直方向上进行相加得到一条灰度值累加曲线,然后用一个正弦函数来拟合灰度值累加曲线以确定作物行中心线位置。Hague等[13]利用平行作物行的周期性幅值变化特点,使用带通滤波器滤除杂草产生的高频信号以及阴影产生的低频信号来提取小麦行信息。Pinto等[14]将导航参数提取任务作为一个姿态识别问题,每一个不同偏向角和横向误差的组合作为一个姿态。虽然可能的姿态数量很大,但是由于姿态之间的差别很小,因此所有可能的姿态图像彼此具有强相关性。利用主分量分析方法将所有姿态映射到一个低维的特征空间中,姿态识别问题则最终转化为特征空间中的最短距离确定问题。
2.2 基于3D空间信息的行跟踪策略
基于3D空间信息的行跟踪策略研究当前主要集中在Kise[15],Rovira-Mas[16]等人。Kise[15]提出的作物行检测算法利用立体相机提供的深度信息对作物行进行三维重构,然后根据大豆植株分布特点用正弦函数对高程图进行互相关分析,在互相关系数最大值处得到每个横截面的导航点位置。实验证明,基于立体视觉的导航系统能够准确可靠地对作物行进行定位,在杂草多和大豆植株缺失的情况下也是如此。Rovira-Mas等人[16]开发了基于立体视觉的边缘检测算法,用来对玉米收割未收割的边界进行检测。该文还提出了一个置信指数(Confidence Index)来评价边缘位置估计,如果有效单元格离边缘拟合曲线越近并且单元格三维密度越大,则置信指数越大,认为作物边缘位置估计得越好。
3 地头转向最优路径规划策略
农田环境下车辆的行驶路径主要包括跟踪作物行的直线段路径以及连接直线段之间的曲线路径,直线段路径前面已讨论,而后一种曲线路径主要指地头转向情形。最大限度地减少地头转向所耗费的时间以及自动选择最优的地头转向运动轨迹是提高农业自动化作业效率的重要途径。
Torisu[17]运用最优控制理论研究了拖拉机地头路径创建方法,最优路径创建以最短时间为目标。Kise[18]以最小转弯半径和最大转向速度为目标,利用3阶样条函数创建了两种转弯路径,即前向转弯路径和后退转弯路径。实验证明,在所有的地头转向情况下,最大跟踪误差小于0.2m。Oksanen[19]运用最优控制数值方法实现了拖拉机加拖车组合的地头转向控制。地头转向最优路径创建综合考虑了拖拉机的机械参数和农田几何约束,对不同宽度和角度约束下的最优路径进行了详细求解,证明了不同约束对应着不同的最优转向路径,在极端情况下甚至无解。国内Zhu[20]也做了类似的研究,运用最短时间次优控制实现了参考转向路径的生成。
4 全区域路径规划策略
大多数农田作业如自动喷洒农药肥料、收割作业、中耕除草、插秧耕作等都需要对特定范围内的每个小块农田进行操作,因此一个预先规划好的全区域工作路径对提高农田作业的工作效率、减少化学肥料使用和保护环境具有重要的意义[21]。目前,全区域路径规划在不少机器人领域中已得到应用,如壁面清洗机器人、割草机器人、排雷机器人、水下搜索机器人等。移动机器人的发展极大地推动了全区域路径规划的研究。全区域路径规划问题和旅行商问题类似,是一个NP难问题,Arkin的工作[22]也证明了这一点。目前的很多算法都是显式或隐式地利用自由空间的胞状分解方法来求解全区域的最优路径,如Ryerson[23]应用遗传算法来解决全区域路径规划问题。该方法将田块表示为方格,而覆盖整个方格的路径则表述为多个小单元的序列。遗传算法用来寻找最短距离和最大的覆盖面积,但是农田作业过程的特殊性决定了一个好的任务规划算法不仅要考虑路径规划本身,还应该考虑农田作业本身的规划,与具体的农业操作结合起来[19,24]。
总之,农业环境下的全区域路径规划是一个比较新的研究领域,到目前为止还没有一个比较通用的算法,所以农业环境全区域路径规划问题需要更进一步的深入研究。
5 结论
农田环境本质上是一个半结构化环境,存在各种不确定因素,如单个植株不同生长时期的形态差异、光照天气障碍物等不可控环境因素以及车辆轮胎与土壤的复杂动力学关系。而目前几乎所有的路径规划算法都是将农田场景在现有先验知识和假设的框架下进行简化,各种算法都依赖于特定类型的农田场景。因此,设计一个鲁棒的路径规划策略是农业车辆导航系统深入发展的必由之路,可能的解决方法和思路有如下几点:
1)基于场景自动理解的路径规划算法。场景自动理解是机器视觉研究领域的核心问题[25],运用农田环境先验知识对场景信息进行分类和理解以适应不确定性环境因素的出现是一个很有挑战的研究方向。CMU学者Jean-Franois Lalonde[26]基于3D激光雷达感知的环境信息,利用点坐标统计特性对室外自然地形进行分类可以看作是这方面的一个尝试。
2)基于GIS信息的路径规划算法。GIS本身是一个高度集成的数据信息流[27],它可以为精准农业变量作业策略提供精确的参考信息,甚至可以将特定区域的不同输入量如化肥的使用量有机集成到GIS地图中。因此,利用当前成熟的GIS工具有效地组织、管理农田信息并进而指导大范围农田路径规划算法的设计将是一个有效途径。
3)由于农田环境因素的不确定特性,一个合理的路径规划策略应对随机出现的不确定因素具有较强的鲁棒性和自适应能力。而这种自适应能力的获得客观上要求从环境感知、建模到系统执行能力的全方位提升。因此,如何运用适当的数学工具在统计理论框架内对随机出现的不确定性因素进行描述和建模以及基于分布式智能的软件框架体系设计方法是值得深入研究的两个问题。
自主车辆路径规划算法研究 篇4
路径规划是自主车辆导航的最基本任务[1]。其目的是在特定环境中,按照一定的评价标准或者按照某一性能指标搜索出一条从起始状态到目标状态的最优或近似最优的路径。自主车辆的路径规划主要分为两大类型:环境信息已知全局路径规划和环境信息未知或部分未知的路径规划[2]。目前,对于路径规划应用较为典型方法有可视图法、拓扑法、人工势场法、蚁群算法等。但这些方法在大范围内求解最优路径时就会表现出缺乏灵活性和足够的鲁棒性的缺点。为此,学者们提出了更多新的解决方法,使自主车辆从单纯的路径规划逐渐发展为路径全局搜索、路径优化的问题。
本文在自主车辆无需经过特定点时,应用A*算法,自行建立地图信息,并对原始A*算法进行了技巧性改进,使车辆可以在有效时间内搜索到一条近似优化路径,且不会出现路径长度计算失效,以保证算法的灵活性和准确性;同时当车辆需要经过特定点时,应用Hopfield神经网络思想对算法进行改进,使车辆从起始点到终止点并再次返回起始点时,能够搜索到一条最优路径。最后通过仿真实验验证了算法的有效性。
1 无特定点的车辆路径规划
在常规行驶中,车辆遇到的实际情况会远远超过所预设的理想情况,例如,控制车辆从起始点到目标点不需要经过特定点时,采用全局搜索的方法找到一条最优(距离最短或消耗最小)路径。当车辆行驶在地图信息已知且无须经过特定点时,路径规划采用经典的全局搜索A*算法为最优。
1.1 A*算法改进
A*算法的最大特点是估价函数的建立。在经典的A*算法中,估价函数的表达式为:
式(1)中:f(n)是节点n从初始点到目标点的估计代价,称为估价函数;g(n)是起点到节点n的最短路径值;h(n)是从节点n到目标节点最短路径的估计代价,称为启发函数。
鉴于A*算法存在着随着搜索区间的增大,内部存储数据增加,最终导致路径搜索时间过长、实时性无法保证的问题[5,6],本文在传统A*算法估计函数建立的基础之上将估计函数改进。引入一个权值ω(n),其作用是:当车辆接近目标点时,降低启发函数的重要性,增加路径真实代价的相对重要性,即防止出现h(n)将远远大于g(n)的情况。
其表达式为:
式(2)中:ω(n)是节点n到目标节点启发函数引入的权值。
A*算法能否保证车辆找到一条优化路径,关键在于启发函数h(n)的选取。
1.2 启发函数h(n)选取改进
启发函数h(n)的选取,实际上就是距离的计算。通常在A*算法计算距离时,可以采用平方欧几里得距离(square Euclidean Distance)和欧几里得距离(Euclidean Distance)。
传统算法中,启发函数h(n)选取平方欧几里得距离,主要会出现以下三种明显错误:
(1)出现计算单位失效,路径长度计算错误;
(2)h(n)将远远大于g(n),并且会因为启发式函数评估值过高而停止计算;
(3)对于更长的距离,选取平方欧几里得距离,只会出现f(n)靠近g(n)这种极端情况,车辆会停止计算距离而提前结束路径点的搜索。
为了修正传统算法中存在的这种误差,本文采用欧几里克距离计算h(n),其表达式为:
式(3)中:d是启发系数;n.x和n.y是起始点的横坐标、纵坐标;g.x和g.y是下个目标节点的横坐标、纵坐标。
为了防止以上阐述几点错误的出现,权值ω(n)的选取不能太大,避免出现h(n)将远远大于g(n);也不能选取过小,忽略了h(n)的大小。所以本文中选取ω(n)值为0.8。.
1.3 A*算法流程图
算法在Matlab下主要包括四部分:(1)节点坐标的更新;(2)进入估计函数计算部分;(3)判断计算点是否为最佳节点;(4)如果不是最佳节点,放弃该点后继续寻找下个点。算法流程如图1所示。
2 特定点的车辆路径规划
当车辆从起始点到终止点要经过特定的点时,由于搜索区间增大、搜索点大量增加,A*算法这种经典的启发式搜索法就不再适用。而Hopfield神经网络具有分布式存储、存储与计算相结合的优点,能使搜索速度加快。
2.1 算法原理
Hopfield神经网络是1982年美国物理学家Hopfield首先提出来的。与之前存在的BP前行神经网络的特点不同,它采用反馈连接,考虑输出与输入在时间上传输延迟,所以它表示的是一个动态过程。反馈神经网络由于其输出端有反馈到其输入端,Hopfield网络在输入的激励下,会产生不断的状态变化。当有输入之后,可以求取出Hopfield的输出,这个输出反馈到输入从而产生新的输出,这个反馈过程一直进行下去。如果Hopfield网络是一个能收敛的稳定网络,则这个反馈与迭代的计算过程所产生的变化越来越小,一旦到达了稳定平衡状态,Hopfield网络就会输出一个稳定的恒值,可以求取出Hopfield的输出[3,4]。Hopfield网络一般分为离散型和连续型两种,本文采用的Hopfield网络为连续型网络,其结构如图2所示。
对网络第i个神经元,采用微分方程建立输入输出关系:
以及定义的李雅普诺夫函数:
由式(4)、式(5)可得:
式(6)中:ωij为神经元i和j的连接权值;ui为第i个神经元的输入;vi为第i个神经元的输出;Ii为第i个神经元的外加偏置电流;Ri为第i个神经元的电阻;Ci为第i个神经元的电容。
2.2 算法推导
Hopfield网络已经用于解决一些不同的组合优化问题,现已证明Hopfield网络是一种李雅普诺夫渐进稳定过程。Hopfield网络一般用能量函数来描述,能量函数的最低值表示最优解[7]。
对于车辆到达终点要经过n个目标点的路径规划问题,映射成为一个神经网络的动态过程,可以引入TSP的理念,采用换位矩阵构成一个n×n的矩阵,如表1所示。在该矩阵中各行各列只有一个元素为1,其余为0,采用Oxi表示神经元的输出,ixi表示为相应的输入。
神经网络的能量函数是与目标函数(最短路径)相对应的。同时,考虑到有效路径选取的实际意义,即就是在构成的换位矩阵中,每行、列都只能有一个1。因此,能量函数应该包含目标项(目标函数)和约束项(换位矩阵)两部分内容。
针对Hopfield神经网络方法在求解上存在局部极小、不稳定等问题,本文引用改进后的能量函数,由式(5)可得:
同理,由式(6)可以推导出,路径规划网络的动态方程为:
3 Matlab仿真及结果分析
文中选用的自主车辆为四轮农夫车,属于实验室专用车辆,它是一种场地特种车辆,行驶速度较低,适合校园及其它非结构化道路行驶。车辆的制动、加速踏板和转向走在驾驶舱呈开放状态,且车辆已经过了车体改装。下文以此车建立模型进行仿真实验来验证算法。
3.1 无特定点路径寻优仿真
假设车辆初始坐标(0,0),终止坐标为(0.9,0.9),初始速度为0 m/s,启发系数d=1.8,权值ω=0.8。在自行生成不规则地图的基础上,无特定点路径寻优仿真如图3所示。图3(a)为选取欧几里克距离(square Euclidean Distance)的实际仿真结果,图3(b)为选取平方欧几里得距离(square Euclidean Distance)的实际仿真结果。图中的“o”代表了搜索过程中输出的最佳节点。
仿真结果分析:两种距离下的算法都能达到搜索路径的目的。图3(a)输出的最佳节点较多,搜索结果要明显优于图3(b);同时由于选取Square Eucl-idean Distance所存在计算失衡问题,图3(b)中的路径距离计算结果也出现了明显错误。
3.2 特定点路径寻优仿真
选取6个坐标点代表实际中车辆要经过的特定点:D1(0.1,0.6),D2(0.2,0.3),D3(0.4,0.1),D4(0.5,0.5),D5(0.7,0.2),D6(0.8,0.4),能量函数初始值A=200,D=200,迭代次数num=20 000,采样时间间隔0.000 1。经过特定点路径寻优仿真如图4所示。图4(a)为优化前的仿真路径,图4(b)为采用神经网络优化后的仿真路径,图4(c)为能量函数变化曲线。
仿真结果分析:图4(a)中原始路径的长度Length＿init=2.361 4 m,而利用神经网络优化以后所得到的实际路径如图4(b)所示Length＿end=1.867 4 m,比优化以前路径长度明显缩短了21%。图4(c)中能量函数E在经过20 000次的迭代循环后,单调递减最终达到稳态,且E的最小点对应问题的最优解。
4 结论
(1)在无需经过特定点的路径规划中,全局路径搜索选取了较小的启发函数,扩展的节点虽然有所增加,搜索效率也相对降低,但从路径的准确性上得到了保证;在估价函数中增加权值,降低启发函数重要性的同时增加路径的真实性。
(2)在经过特定点的路径规划中,利用Hopfield神经网络的理念和能量函数,把车辆路径规划寻优问题的目标函数转换成网络的能量函数,把问题的变量对应于网络的状态,解决了车辆在行驶空间各站点的路径规划问题,使总距离达到最短,能量达到最小且稳定。
通过改进后算法的仿真实验,证明了算法的可行性和有效性,使车辆的路径寻优效果得到明显提高。
参考文献
[1]纪寿文,王荣本.国内外智能车辆研究进展.中国交通研究与探索(上册),第三届全国交通领域青年学者会议,1999
[2]王艳平.移动机器人路径规划方法研究.电脑与电信,2009;(1):66—68
[3]李国勇.神经模糊控制理论及应用.北京:电子工业出版社,2009
[4]张丽霞,赵又群.Hopfield神经网络算法求解路网最优路径.哈尔滨工业大学学报,2009;(40):222—224
[5]贾庆轩,陈钢,孙汉旭,等.基于A*算法的空间机械臂避障路径规划.机械工程学报,2010;46(13):109—115
[6] Chabini I,Lan S.Adaptations of the A*algorithm for the computa-tion of fastest paths in deterministic discrete-time dynamic networks.IEEE Transactions on Intelligent Transportation Systems,2002;3(1):60—74
UUV自主航行路径规划方法 篇5
水下无人航行器(underwater unmanned vehicle,UUV)在复杂海洋环境下执行各种使命时,首先要具备绕过障碍物向目标靠近的能力,即自主导航与避障能力[1]。UUV路径规划任务需要在安全航行区域内,按一定的优化准则搜索一条从指定起始点到目标点的最优路径(或次优路径)。根据对环境信息的了解程度不同,路径规划可分为两种类型:环境信息完全已知的全局路径规划,又称静态或离线路径规划;环境信息完全未知或部分未知的局部路径规划,又称动态或在线路径规划。文献[2]采用遗传算法实现了移动机器人在静态环境下的全局路径规划。文献[3]运用蚁群算法对水下潜器的全局路径规划进行了研究。文献[4]、文献[5]分别采用滚动窗口方法和基于碰撞预测的方法实现了未知环境下机器人的局部路径规划。然而,静态环境下的全局路径规划可以保证生成全局最优路径,但不能满足在线实时路径规划的需求,局部动态路径规划对动态未知环境具有良好的适应性,但由于缺乏全局环境信息,不能充分考虑全局优化指标(路径最短、耗能最低等)。
从实际应用的角度来看,由于UUV工作环境是动态变化的,很难得到全局环境的准确信息。在复杂的动态环境中,单纯使用全局静态路径规划或者局部动态路径规划都难以解决UUV在线实时路径规划的实际问题。因此,如何设计一种既能满足实时在线应用要求,又能保证路径的全局最优性或近似最优性的规划方法就成为有待进一步研究的问题。
本文通过加入“引导点”策略,提出了一种UUV自主航行路径规划方法。本文方法基本思想是结合全局离线路径规划与局部动态路径规划的优点,克服各自的不足。首先,根据已有的环境先验信息基于蚁群优化算法进行离线全局路径规划,得到初始航行路线。其次,根据地图环境、障碍物分布以及威胁区分布等信息,确定位于初始路线上的引导点。最后,UUV在引导点的导引作用下依次向目标位置航行。在两个引导点之间基于滚动窗口方法运用局部动态避障方法对动态障碍物、威胁区进行有效规避。
1 环境建模
目前电子海图在水中兵器的应用处于探索阶段,由于电子海图的复杂性,通常需要将电子海图转换成可以直接利用的海图数据环境模型。
文中采用海图信息栅格化方法对某海域的数字海图进行渲染,首先将二维规划空间均匀分解成m×n个栅格单元,以栅格单元为路径规划中的最小移动单位,栅格分辨率根据UUV的尺寸自适应调整。如果某个栅格属于碰撞区,记为1类栅格;如不属于碰撞区则记为0类栅格,以此表示海图的碰撞区信息;其次对碰撞区进行处理、合并,消除不可航行路段和陷阱路段,将碰撞区规范成多边形图形,这样构建出的数据空间包含了标识起始点、目标点、障碍区、威胁区以及航路位置信息,可方便利用算法进行路径规划。文中对环境模型作如下假设:
1)UUV可以实时获得自身以及声纳探测范围内动态障碍的位置和速度信息,规划路径的长度在UUV航程内。
2)规划环境为二维空间,将障碍物和危险区域统称为碰撞区,以不规则区域表示。
3)不考虑潮流、海流、电子干扰等其他干扰因素的影响。
本文在进行全局路径规划时采用直角坐标系,充分利用栅格化建模的优点,使规划路径简单明了、便于数学分析计算、易于实现。而在实现UUV的局部动态避障时采用极坐标系,这主要是因为UUV的障碍物探测仪器是声纳,声纳返回的数据是障碍物的相对距离和方位,而极坐标空间拥有对长度和角度敏感的特点。极坐标系和直角坐标相互转换关系如式(1)所示。
2 UUV全局离线路径规划
2.1 本文蚁群算法
本文运用蚁群优化算法(Ant Colony Optimization,ACO)[6]实现UUV在静态环境下的全局路径规划。为了使蚁群优化算法更好地适应于UUV的路径规划,本文在基本蚁群优化算法的基础上加入如下五个策略:
1)位置目标吸引策略
采用这一策略后,蚂蚁不再盲目地进行路径搜索,而是优先选择待选栅格集中离目标点最近的栅格,提高算法搜索速度,增强了蚂蚁寻优的“方向性”。
2)蚂蚁回退策略
加入蚂蚁回退策略后,保证了蚂蚁从起始节点开始安全经过每个栅格到达目标节点。蚂蚁可以自行逃脱陷讲,没有“死亡”的现象。大幅提高了算法的适应性以及鲁棒性。
3)轮盘赌选择策略
蚂蚁在路径选择时采用确定性选择和随机性选择相结合的策略,并且在搜索过程中动态地调整确定性选择概率,从而有效地加快了进化速度和克服了搜索过程中的停滞问题。
4)精英蚂蚁策略
采用锦标赛选择策略选择精英蚂蚁,使到目前为止所找出的最优解在下一循环中对蚂蚁更有吸引力,加快算法收敛速度。
5)基于优化排序的蚂蚁策略
该策略在信息素调节因子的引入下,这种信息素更新方式的变化使得搜索出的较差路径对最终结果作用不大,还能够增强较好路径的作用来提升收敛速度。
2.2 UUV离线路径规划
基于本文蚁群算法可以快速得到UUV在静态环境下的规划路径。本文采用路径平滑方法对规划路径进行优化。该方法通过将路径节点之间不必要的中间节点(尤其是拐点)去除,调整弯路使路径平滑。图2为未优化之前的UUV全局路径规划图,规划路线长度为53.36(栅格精度为单位1)。图3为采用平滑算法对路径优化以后的路线,规划路线长度为43.36。与图2的规划路线相比,路径长度大幅缩短,更具有全局优越性。
3 UUV动态环境局部避障方法
3.1 滚动窗口规划方法
在实际的UUV航行过程中,环境信息并不是完全不变的,在航路规划时需要考虑可能发生的不确定因素,例如动态障碍物以及各种突发威胁的出现。由于环境的复杂和无规律性,建立精确的避障过程数学模型非常困难,更多的目光投向了模糊逻辑控制算法。模糊逻辑控制算法的模糊控制本身所具有鲁棒性与基于生理学的感知——动作行为结合起来,为移动机器人在复杂环境中的避障导航提供了新的思路[7]。本文采用基于滚动窗口的局部路径规划方法,使得UUV能够通过滚动窗口内感知到的局部环境信息进行实时动态局部避障,提高了UUV的生存能力以及适应动态环境顺利完成任务的能力。
滚动窗口规划是根据UUV在运动过程中实时测得的局部环境信息,以滚动方式进行在线规划,实现优化与反馈的合理结合,在一定的环境约束下,能同时保证UUV的安全性和可达性。UUV根据窗口内的环境信息,依据规划的局部路径行进一步,窗口相应向前滚动。在新的滚动窗口产生后,由传感器获得最新信息,对窗口内的环境及障碍物状况进行更新,如图4所示。
图4中,OMN扇形区域为声纳可以探测的窗口范围,OPQ扇形区域为UUV向前规划一步的区域。Γ为声纳张角。
3.2 局部动态避障方法
在实际航行中,由于动态障碍物以及动态威胁的出现,UUV的规划环境为动态实时任务环境,在这种环境下对UUV进行路径规划时需要优先考虑UUV的安全性,即能够实时躲避动态障碍物。
目前,对动态障碍物的避障方法有很多,但最有效的是根据自身及动态障碍物的位置、速度信息,进行机动规避[8]。本文解决动态环境下的路径规划问题遵循的基本思路是:把动态障碍物运动的某一时刻都看成瞬时静态的,再解算此时刻需要满足的避碰条件。运用滚动窗口的方法,随着UUV的航行,窗口向前滚动,根据探测到的动态障碍物实时进行解算、判断和避障。本文以UUV的航行速度和期望航向为优化调整变量,对局部路径规划模型进行分析和必要的数学推导。
本文极坐标原点是UUV所在位置,极轴取UUV与下一导引点的连线,即建立运动的局部极坐标系。图5是动态障碍物环境下的避障建模示意图,其中UUV和障碍物都是运动的,图中vR是UUV的运动速度,v0是障碍物的运动速度。其中,α为X轴到vR的转角,表示α=∠(vR,eX),其中eX表示极轴。同理β=∠(v0,eX)为X轴到v0的转角,ϕ=∠(vR,∆v)为∆v到vR的转角,γ=∠(∆v,LRO),µ∠(LRQ,LRO)。为保证UUV能在下一时刻在安全区间内,γ应该取在(LRO-µ,LRO+µ)范围之外的角度,将此作为安全动态避障条件,通过求解γ,找到UUV速度和角度需要满足式(2)的条件。
式(2)说明了γ同UUV的∆vR和∆α存在关联,于是避障任务就转化成对UUV速度及其角度变化量∆vR和∆α的求解。而在UUV的实际航行中,因为UUV航行速度较低,所以首选改变航向的避碰方法,而很少使用改变速度的避碰方法。在这种情况下,UUV的速度变化量为常数,即∆vR=0,仅仅依靠UUV航向的改变来实现动态避碰。将其代入避碰条件不等式得到式(3)。
如果UUV航向变化量能满足不等式(3),说明UUV通过只调整前进的航向就能成功避障,从而逃离危险区(LRO-µ,LRO+µ)范围。但如果调整航向不能满足不等式(3),说明单纯调整航向大小是不够的,就要考虑降速甚至停车了。
4 UUV自主航行路径规划方法
4.1 本文自主航行路径规划方法
本文通过加入“引导点”策略,提出了一种UUV在线全局路径规划方法。本文方法基本思想是结合全局离线路径规划与局部动态避障的优点,克服各自的不足。首先,根据已有的环境先验信息进行离线全局路径规划,得到初始航行路线。其次,根据地图环境、障碍物分布以及威胁区分布等信息,确定位于初始路线上的引导点。最后,将整个路径规划贯穿于整个UUV航行过程当中。UUV从起始点出发,沿着导引点开始航行。在两个导引点之间,UUV根据自身位置、导引点位置以及动态环境信息实时进行路径规划,UUV沿着规划路线航行,经过多次循环后就可以到达目标。在航行过程中,遇到动态障碍物,UUV可以运用动态局部避障方法进行实时规避。然后根据UUV所处的新的位置和当前条件来生成进一步接近下一导引点的部分路线。这样生成的路线既考虑了全局优化指标,也可以满足在线实时应用的要求,并保证UUV最终到达目标位置。在UUV行进过程中根据局部的环境信息不断修正全局的路径,弥补了全局规划中由环境信息的偏差而造成的路径的偏差。
4.2 引导点的确定
本文提出的方法是将执行阶段与规划阶段交替进行,通过将航迹搜索与UUV运动结合在一起,可以满足在线实时规划的要求。在该方法中,引导点如何选取是个关键性问题。目前有两种可供选择的方法。一种是人工选取;另一种是智能算法自动选取。人工选取引导点可以充分发挥规划人员的经验,并利用人的高级生物智能对全局问题的把握能力,由规划人员根据具体的地形环境、障碍物分布、威胁区分布等快速确定引导点的个数和引导点在地图上的位置。人工选取引导点简单快捷,但对规划人员的经验和素质要求较高。智能算法自动选取是利用智能算法的全局搜索能力,规划出含有引导点的初始航迹,然后均匀选出引导点,智能选取的方法具有准确、客观的优点。
本文将上述两种方法相结合对引导点进行选取。首先,基于蚁群优化算法生成全局最优路线,称为初始路径。将引导点的选取限定在初始路径上,有效缩小了引导点的选取范围。然后依据环境中具体地形信息,障碍、威胁等分布情况人工在初始路径中选取引导点。选取的引导点并不一定是UUV必须经过的位置,它只对UUV在线路径规划起“导航”作用。引导点的设置比较灵活,如果UUV与某个引导点之间的距离小于设定的阈值ε,就可以直接向下一个引导点行进。
5 仿真试验及分析
为了验证本文自主航行路径规划方法的有效性和可行性,运用上述建立的环境模型进行仿真试验。本文采用VS2005设计仿真平台界面,仿真结果以直观、形象的方式显示。其中,蚁群算法使用经过试验测试的参数:蚂蚁数量m=31,迭代循环次数为NC_max=50,初始信息素Q=100,标准值q0=0.5。本文全局最优指标为规划路径长度最短。
由图3可知,UUV在航行之前可以根据已知的先验环境信息,基于蚁群优化算法快速、有效地规划出一条具有全局最优性的航行路线,为引导点的选取提供准确的条件信息。在此基础上,由人工选取若干引导点,UUV在引导点的导引作用下以滚动窗口的方法不断前行。遇到动态障碍物时,运用局部动态避障方法进行有效规避。图7为UUV在某一海域的自主航行路径规划图,红色位置代表起始点,绿色位置代表目标点。由图7可以看出,UUV在先验信息的基础上规划出的路线具有较优的全局性能指标,图中路径上的圆圈表示本文确定的引导点。
图8为UUV未加动态避障策略的局部路径规划图,由图8可知此时UUV从导引点A在前往导引点B,在E点与由G点向E点运动的动态障碍物DOb1相撞,不能有效规避动态障碍物DOb1(黄色实心圆代表动态障碍物)。图9为UUV加入动态避障策略的局部路径规划图。UUV在D点探测到声纳范围内有动态障碍物DOb1,此时根据局部动态避障方法,UUV由CDE航向改变为CDF航向,以改变航向的方式规避了动态障碍物。
由以上仿真实验可知,本文提出的UUV自主航行路径规划方法不仅能够有效躲避动态障碍物,而且规划出的路径具有较优的全局性能指标。
6 结束语
在UUV实际航行过程中,单纯使用全局离线路径规划和局部动态路径规划都难以解决UUV在复杂环境下的自主航行问题。本文通过加入“引导点”策略,提出了一种UUV自主航行路径规划方法,该方法既克服了全局规划不适应环境改变的不足,又避免了完全依赖局部规划而不能考虑全局优化指标的缺陷。仿真实验表明,该方法能够有效解决UUV自主航行路径规划问题。
参考文献
[1]Choset H.Coverage for robotics–A survey of recent results[J].Annals of Mathematics&Artificial Intelligence,2001,31(1-4):113-126.
[2]李锡群,王志华.无人水下航行器(UUV)技术综述[J].船电技术,2003,23(6):12-14.
[3]陈华华.杜歆,顾伟康.基于遗传算法的静态环境全局路径规划[J].浙江大学学招(理学版),2005,32(1):49-53.
[4]刘利强,戴运桃,王丽华,等.基于蚁群算法的水下潜器全局路径规划技术研究[J].系统仿真学报,2007,19(18):4174-4177.
[5]马宏伟,邹治辉,李晓鹏.滚动窗口局部路径规划在未知环境中的应用[J].西安科技大学学报,2010,30(2):222-226.
[6]高扬,孙树栋,赫东峰.动态环境中基于碰撞预测的局部路径规划方法[J].中国机械工程,2009(21):2553-2557.
[7]Nalepa J,Blocho M.Co-operation in the Parallel Memetic Algorithm[J].International Journal of Parallel Programming,2014:1-28.
[8]崔茂源,田彦涛,赵中祺.基于模糊逻辑的自主移动机器人实时滚动路径规划及控制[J].吉林工业大学自然科学学报,1999(1):58-63.
路径规划系统 篇6
城市规划为了实现一定时期内城市的经济和社会发展目标, 确定一个城市的性质、规模、发展方向, 合理利用城市土地, 协调城市空间功能布局及进行各项建设的综合布局和全面安排。城市规划是建设城市和管理城市的基本依据, 是保证城市合理进行建设和城市土地合理开发利用及其正常经营活动的前提和基础, 是实现城市社会经济发展目标的综合性手段。
我们要在总结土地资源利用和土地利用总体规划编制中经验和教训的基础上, 吸取国内外土地资源利用和管理的经验, 结合我国土地资源利用的实际情况, 搞好土地利用总体规划。城市总体规划和土地利用总体规划虽然在依据规范方面侧重点不同, 规程及标准等方面不尽一致, 但从“十分珍惜和合理利用每寸土地, 切实保护耕地”的基本国策出发, 两个规划必须充分进行协调和统一, 必须在规划用地指标和用地发展规模上协调一致。协调处理好土地利用总体规划与城市规划的关系, 也是协调好持续发展与城市规划的关系。为使国民经济协调发展, 我们应总结以往实践经验, 做好新一轮的规划, 在实践中探索出一套行之有效的实施办法, 使我们的国家按规划有条不紊地建设、发展。
一、改革传统的规划工作方式
为了使土地利用总体规划能够在保护国土资源尤其是耕地的同时, 确定出相对科学的用地结构以满足各部门对用地发展的要求, 就要在了解各部门和下级行政区域的用地特点和需求的基础上进行土地利用总体规划。建议土地利用总体规划最好是采取上下结合的工作方式, 并且以从下到上为主。尤其是不同的区域有不同的用地特点, 如深圳市的土地利用无法同一个山区县 (市) 相比。最好在一定的规划原则指导下由乡级开始逐渐往上开展土地利用总体规划, 使其符合实际情况, 促进区域经济和社会的发展。当然上级土地管理部门可以确定一些基本的规划原则制约下级土地利用总体规划, 如实现全国范围耕地总量的动态平衡等。这样, 不仅保护了耕地, 又符合实际情况, 同时又减少了同城市总体规划及其他规划的矛盾。当然, 城市规划也要符合土地利用总体规划的一些基本要求, 尽量少占耕地, 提高城市土地的使用效率。
“两规”不仅要上下结合, 而且要“左右结合”, 即在上下结合的同时, 还要考虑与部门规划的关系, 如同交通规划、农业规划、流域规划等的关系。
二、适当调整城市的空间格局
城市空间格局, 是在城市发展过程中人类的活动在城市空间中形成的物质和精神功能活动区的结构和内在联系体。确定新的城市空间格局, 是为了更好地满足人们多功能的现代生活的要求, 远远超出由勒·柯比西埃提出的居住、工作、交通和游憩等四大功能活动, 在新的用地制度下, 既要考虑到对城市功能的满足, 又要考虑到节约用地、尽量少占耕地的要求。特别是在土地有偿使用的制度下, 要重新调整城市的空间格局, 确定城市的空间格局要进行社会、经济和环境效益的论证。在受地形、基本农田保护等条件限制的情况下, 可适当考虑分散集团式的布局。
如左下图所示, 作为一个建制镇, 城镇的周围大多为基本农田, 附近有四个农村居民点, 为了保护基本农田, 规划可以基本不采取“摊大饼”的形式扩大原有中心镇的范围, 而是采取分散集团的形式将四个农村居民点加以改造, 使其变为城镇用地, 这就是采取农村城市化的方式扩大城市的范围, 既扩大了城市的范围, 也保护了耕地, 促进了农村城市化, 城市与乡村有机结合, 改善了城市的环境。这正是田园城市理论的具体应用, 这种布局模式在大城市也不失为一种好的形式。城市采取何种布局形式, 要经综合的社会、经济和环境效益评价。
三、确定“两规”统一的用地统计标准
就用地统计标准而言, “两规”应采用统一的区域用地和城市用地标准, 有关部门须进一步研究和统一规范。建议做如下变动:
1.区域用地应该分为大、中、小三类用地。其中, 居民点及工矿用地应该划分为居民点用地、独立工矿用地和特殊用地三大类用地, 其中, 居民点用地可划分为城镇用地、集镇用地和农村居民点用地三个中类, 城镇用地又可划分为城市用地和建制镇用地两个小类。
2.正确区分区域用地和城市用地中的特殊用地。城市用地中的特殊用地包括军事用地、外事用地和保安用地, 区域用地中的特殊用地指城乡居民点以外的国防、名胜古迹、风景旅游点、墓地、陵园等用地。
3.区域用地中的交通用地不应该包括城市对外交通用地, 并且要增加管道运输这一项用地。
4.城市用地中的水域和其他用地应该细分为耕地、林地、牧草地、农村居民点用地、农村交通用地、水域和未利用土地, 使区域用地分类相互衔接。
四、建立基于3S技术的动态性空间规划体系
近年来, 地球信息科学在世界范围内兴起, 其主要包括地理信息系统 (GIS) 、遥感 (RS) 全球定位系统 (GPS) , 即通常所说的3S (GIS, RS, GPS) 技术。3S技术在土地利用规划与监测管理、城市规划管理、环境预测等方面日益发挥着重要的作用。基于3S技术的动态性空间规划体系是将国土规划、土地利用总体规划、城市规划等有关空间的规划融为一体的综合规划体系, 通过利用3S技术为支撑, 建立系统统一的规范, 在统一采集数据的基础上建立系统数据库, 并建立统一的模型库和方法库, 对数据统一进行处理、综合、分析, 供有关部门查询, 并提供规划决策和管理服务, 对系统数据进行统一的定期更新, 使系统处于一个动态更新之中, 以适应城市与区域社会经济和环境的不断发展变化。这样, 就将土地利用总体规划和城市规划置身于统一的大系统中。可采用相互协调的基础数据、模型、规划决策手段, 并实现统一的管理。
五、改革现有的规划管理体制, 建立新的规划体系
我国大多数省市, 土地利用总体规划主要由土地管理局负责编制管理, 而城市整体规划由城市规划管理局或建设委员会负责编制管理, 一些部门往往想通过规划扩大部门的权限, 管理城市建设用地的权利较大、经济效益较高, 城市建设用地往往成为矛盾的焦点。建议各地区将土地利用规划和城市规划交由统一的机构管理。解决的方法主要有, 仿照深圳等城市模式将土地和城市规划部门合并, 成立国土规划局;省市县政府组织有关机构和专家成立规划委员会, 负责各种规划的编制和协调;仿照新加坡等国家, 规划委员会的主席由规划师等专家担任, 而不是由行政长官担任。
路径规划系统 篇7
我认为,课程领导在课程改革的进程中是有渐进性、累积性和阶段性特征的。尽管在学校课程中,课程领导是始终存在的,但在课程改革的不同阶段,课程领导亦面临不同的难点和问题。因此,与之相应的是,课程领导的阶段性任务和攻坚重点也有不同。特别是在从“应试教育”向素质教育转型的今天,更是要打破以往行政领导的单纯管理任务,向“革新的”“专业的”课程领导转型。
当下“革新的”课程领导最要紧的是要敏锐地捕捉课程改革阶段性动向,寻找有助于提升学校课程建设与实施效能的路径与实施策略,带领学校课程团队对决定课程改革能否得到有效实施的重要因素进行系统的关联性思考、创生和突围,进而提升学校课程品质,达成课程改革的美好愿景。
课程问题是一个整体问题,需要整体、全局的思考。因此,当下学校阶段性的首要任务是规划课程,然后才是实施课程、评价课程和完善课程等。基于此,在规划层面,笔者尝试提出当下学校课程领导的实施路径,即关注和统筹课程的“三项顶层设计”:整体建构学校的课程全景,系统设计学科课程“图谱”,创设并丰富学生“有意义的学习经历”。以下是我的几点想法。
一、整体构建学校课程“全景”
整体构建学校课程“全景”的抓手是规划学校课程,这是切入课程教学的核心。正如学者钟启泉所说:“校长‘转型的课程领导’的核心任务之一是‘唤醒课程意识’。要切入课程教学的核心,首先需要有课程意识和课程规划。”
学校课程规划的真正价值与意义在于,通过整体建构学校课程“全景”,激发学校由内而外的变革,促使学校面对课程与教学实践中的核心问题、关键问题和瓶颈问题,系统思考,准确判断,清晰定位,探索有效的解决问题的策略和举措,从而推动学校发展进入新的阶段。
学校课程规划要在学校现有基础上,结合学校自身实际,创造性地把国家课程方案进行校本化设计,一般最终以“学校课程计划”的文本形式来呈现,并作为学校课程实施、管理和评价的依据与参照。因此,学校课程计划是指导学校所有课程与教学活动的纲领性文件。
学校课程规划的内容主要包括对学校的课程背景、目标设定、课程结构、课程设置、课程实施、课程管理与评价等进行整体规划,其核心是建构学校课程结构。课程结构确立了课程内各构成要素、要素间的组织、排列形式以及各要素间的配比关系及其相互关系等,如学科门类、各学科内容的比例关系、开设顺序、课时分配、必修课与选修课、分科课程与综合课程的搭配等,以保证课程目标的实现。因此,在规划学校课程时,学校要把课程结构的建构作为重点和核心,因为它是课程体系的骨架。
二、系统设计学科课程“图谱”
以往,学校教育一直偏向以学科取向的知识本位,几乎把学科课程视作学校教育的全部。而今,随着课程观、教学观的改变,课程有从分科走向综合的趋势,上海二期课改引入的学习领域概念,就是关注到了课程的纵向衔接与横向统整,进而架构了由诸多学科课程构成的学习领域。然而,从分科课程走向综合课程仍是一个不断渐进的过程,就目前而言,学科课程仍是学校教育的主体部分。上海三类课程中的基础型课程,依然是由各学习领域体现共同基础要求的学科课程组成。因此,在倡导校本化实施国家课程的呼声下,对学科课程的领导不能仅依靠学科课程标准和教材,而是要对学科课程进行校本化的系统设计。
正如对学校课程的整体规划需要编制学校课程计划一样,对学科课程的规划,也需要对学科课程进行系统设计。有的学校把这样的规划称之为学科课程“纲要”或学科课程“图谱”(主要以图表的形式来呈现)。学科课程“图谱”是学科课程的蓝图,它可以清楚地揭示学校所开设的所有学科科目、类型(基础型学科课程还是拓展型学科课程)、隶属的学习领域,以及学科间的关系。学科课程图谱对学科课程的校本化建设与实施具有重要作用,不可小觑。
在学科课程图谱之下,每门学科又可下设“子图谱”,这样总图谱与子图谱相呼应,形成学科课程的总体架构。学科课程“子图谱(子纲要)”一般包括:学情分析、学科课程目标、学科课程内容(主题或单元活动内容)、学科能力指标、课程进度安排、教学策略、学法指导、教材使用及改编、资源开发、评价方式等。
在架构具有校本特色的学科课程“图谱(纲要)”时,要注意三点:一是要有“依据”,即要符合课程方案、学科课程标准、教师实际和学生实际等;二是要关注统整,包括学科内部的统整、跨学科跨领域的统整和教学实施上的统整;三是要增强课程的多样性、选择性,尊重学生的个别差异。
三、创设并丰富学生“有意义的学习经历”
杜威认为,学生的经验是教育的核心,学生不仅直接从课程中学习而且也从所参与的活动中学习。经验活动不仅使学生学到了很多在课堂上没有的知识和技能,还为学生提供了把课堂上所学的知识应用于实际并将各学科知识有机地联系在一起的机会。因此,创设“有意义的学习经历”就是一种值得不断探索的教育之路。实践证明,“有意义的学习经历”,对学生将产生影响,这种变化在课程结束后,甚至在学生毕业后还将在他们的生活中具有价值。
例如,美国中小学的“服务学习”是当前备受美国中小学校关注的课程形式之一。“服务学习”是指把服务直接地与课程相联系,即融入学校核心任务教育中。“服务学习”课程有以下特点:第一,它是以活动为取向的课程,其活动来自社区真正需要的具体服务,强调社区服务与学科课程整合,激发学生的学习主动性;第二,它重视学生的直接经验,在社区真实而非人为创设的问题情境中,让学生充分运用所学知识解决问题,享受服务实践带给他们的真实体验,发展探究意识、创新精神和问题解决能力;第三,关注学生对“服务学习”的反思。
不仅国外非常重视在校内外的教育中鼓励学生丰富学习经历和体验,香港正实施的新高中学制,也鼓励每个高中学生获得与一般学科不同的其他学习经历,让学生在没有太大压力的情况之下,享受并体验学习的乐趣。学生通过建立“学生学习概览”,记录和反映自己的学习经历、校外参与等,推动学生的发展,见证成长的历程。
上海一些区域所实施的“快乐拓展日”“创新实践活动日”等活动也是丰富学生学习经历的创造性课程实践。前不久召开的上海市基础教育工作会议明确提出了在全市小学推广“快乐活动日”,每周安排半天时间让小学生开展体育锻炼、班团队和社团活动、参观考察活动、社会实践、社会调查和研究等校内外综合实践活动,并适时向初中预备年级、初一年级拓展。
以上这些都说明了,对学生学习经历的关注,尤其是创设和不断丰富“有意义的学习经历”正成为当下学校课程领导需要着重考虑的内容。因此,学校需要为学生的“有意义的学习经历”创设条件和保障。我认为,以下视角值得关注:一是对学生的学习经历进行全面规划,让每一个学生有适合自己的学习“旅程”;二是要把重心放在活动的“过程”的设计上,放在学生“学习经历”的设计上,因为学习活动是否有价值、学习活动如何展开、学生如何学习最终决定了学生将获得怎样的经验与体验;三是采用灵活多样的方式,使学生的学习经历有意义。比如,课堂学习经历的设计可采用主题交流、课堂辩论、模拟情境、小组学习、案例教学等方式;课外学习经历的设计可考虑社区服务学习、体验学习、观察学习、真实项目等方式。