CN115079693A - 基于改进遗传算法和b样条拟合的无人车路径规划方法 - Google Patents
基于改进遗传算法和b样条拟合的无人车路径规划方法 Download PDFInfo
- Publication number
- CN115079693A CN115079693A CN202210640393.7A CN202210640393A CN115079693A CN 115079693 A CN115079693 A CN 115079693A CN 202210640393 A CN202210640393 A CN 202210640393A CN 115079693 A CN115079693 A CN 115079693A
- Authority
- CN
- China
- Prior art keywords
- path
- unmanned vehicle
- spline fitting
- genetic algorithm
- random
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000002068 genetic effect Effects 0.000 title claims abstract description 29
- 239000002245 particle Substances 0.000 claims abstract description 15
- 230000004888 barrier function Effects 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000010187 selection method Methods 0.000 claims abstract description 4
- 230000035772 mutation Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 230000001788 irregular Effects 0.000 claims description 9
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- YZCKVEUIGOORGS-IGMARMGPSA-N Protium Chemical compound [1H] YZCKVEUIGOORGS-IGMARMGPSA-N 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009401 outcrossing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供基于改进遗传算法和B样条拟合的无人车路径规划方法，采用多面模型表示法来表示无人车所处的环境空间；使用二维坐标来表示无人车行驶的路径；采用随机和定向两种搜索策略来产生算法的初始化路径集，从而保证生成种群的多样性和随机性；根据环境地图信息和障碍物特点等先验知识，采用了一种合适的碰撞检测方法；使用了一种带有惩罚的适应度函数；采用轮盘赌选择法、单点交叉、随机变异等方式对初始化种群进行遗传操作；通过引入粒子群算法，对种群中每个个体进行速度更新和位置更新，提高算法的全局搜索能力。仿真实验表明本发明在解决无人车路径规划问题方面具有一定的可行性和有效性。本发明为解决无人车路径规划问题提供了新的思路。
Description
技术领域
本发明涉及无人车技术领域，具体涉及基于改进遗传算法和B样条拟合的无人车路径规划方法。
背景技术
如今人工智能技术得到了不断发展和应用，其中无人车作为汽车逐渐智能化的一个方面备受关注。无人车技术不仅可以减少由于驾驶员疲劳或操作不当等造成的交通事故以及拥堵现象的发生，而且可以提高能源的利用率，是未来汽车重要的技术发展趋势之一。路径规划作为无人驾驶汽车运行的关键环节，具有重大的研究意义。
路径规划是指无人车在具有障碍物的环境中，能够规划出一条从起始位置到目标位置无碰撞的最优路径或次优路径，并满足所有约束条件，是实现汽车智能化的关键技术之一。根据路径规划的目标范围，可以将其分为全局路径规划和局部路径规划。全局路径规划主要是对局部路径规划起到导向和约束作用，使车辆沿着导航系统提供的一系列期望局部目标点行驶。全局路径规划不算复杂，前提是有拓扑级地图，而局部路径规划是在车辆沿期望路径行驶时，通过车载传感器感知周围环境及交通信息，从而实现车道保持、动态避障等功能，又可以称作避障规划。局部规划要求算法具有较高的实时性，以应对实时变化的环境信息。目前，对于已知环境的路径规划，已存在很多成熟算法，可实现车辆无碰撞地到达目标地点。
遗传算法(Genetic Algorithm，GA)最早是由美国的John Holland于20世纪70年代提出，该算法是根据大自然中生物体进化规律而设计提出的。是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；采用概率化的寻优方法，不需要确定的规则就能自动获取和指导优化的搜索空间，自适应地调整搜索方向。该算法通过数学的方式，利用计算机仿真运算，将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时,相对一些常规的优化算法,通常能够较快地获得较好的优化结果。
现有的遗传算法虽然具有很强的全局寻优能力和适应性，被广泛地应用于路径规划问题，或者用来对原有路径规划方法进行改进，但是，现有的遗传算法在求解路径规划问题时容易陷入局部最优以及曲线不光滑的问题。
发明内容
为全面解决上述问题，尤其是针对现有技术所存在的不足，本发明提供了基于改进遗传算法和B样条拟合的无人车路径规划方法能够全面解决上述问题。
为实现上述目的，本发明采用以下技术手段：
基于改进遗传算法和B样条拟合的无人车路径规划方法，包括以下步骤：
S1：使用多面模型表示法对无人车的工作环境进行建模；
S2：设置算法的初始化参数，种群数量、最大迭代次数、交叉率、变异率、学习因子、随机惯性权重的最大值和最小值等；
S3：编码；
S4：初始化种群，并将每个个体的初始速度设置为0；
S5：利用三次B样条拟合方法在节点之间插入节点；
S6：进行碰撞检测，判断路径中每个路径节点是否与障碍物发生碰撞，如果发生碰撞，则在适应度函数中添加惩罚；
S7：根据适应度函数，计算初始化种群中所有个体的适应度值；
S8：执行选择操作，对初始化种群生成的路径进行更新；
S9：执行交叉操作，对选择操作生成的路径进行更新；
S10：执行变异操作，对交叉操作生成的路径进行更新；
S11：更新随机惯性权重；
S12：对种群中每个个体进行速度更新和位置更新；
S13：判断是否达到最大迭代次数，若达到最大迭代次数，则停止搜索，输出最优路径，否则跳转至S8进行下一次迭代寻优。
本发明进一步的优选方案：所述步骤S1的环境建模具体为：
使用多面模型表示法对无人车的工作环境建模，无人车的运动空间用二维平面图形表示，障碍物的顶点用(x,y)记录，障碍物被设置为静态的、已知的圆形或不规则多边形，无人车用质点代替。
本发明进一步的优选方案：所述步骤S3中编码操作具体为：
使用二维坐标表示无人车行驶的路径。
本发明进一步的优选方案：所述步骤S4中初始化种群具体为：
采用随机和定向两种搜索策略来生成改进遗传算法的初始化种群集，从而保证了初始化种群的多样性和随机性。
本发明进一步的优选方案：所述步骤S5中插入节点的方法具体为：
利用三次B样条拟合方法在路径起点、路径节点、路径终点之间插入若干个插入点。
本发明进一步的优选方案：所述步骤S6中碰撞检测的方法具体为：
对于圆形障碍物，若各个插值点到圆心的距离均小于圆的半径，即插值点位于圆形障碍物的内部时，此时路径发生了碰撞，反之则没有发生碰撞；
对于不规则障碍物，连接相邻的两个插值点(xi,yi)和(xi+1,yi+1)，分别判断两点之间的连线与障碍物的每一条边之间是否有交点，如果连线与每一条边都没有交点，则路径没有与不规则障碍物发生碰撞；反之，如果与其中任意一条边出现了交点，则路径发生了碰撞。
本发明进一步的优选方案：所述步骤S7中适应度函数具体为：
其中，p表示惩罚系数，用来淘汰生成的较差路径；c表示生成的路径与障碍物发生碰撞的次数，D表示无人车的路径长度，可根据公式(2)进行计算。
其中，(xi,yi)和(xi+1,yi+1)表示第i和i+1个节点的二维坐标；N表示生成路径所经过的节点数。
本发明进一步的优选方案：所述步骤S8，S9，S10中对应的选择、交叉、变异操作具体为：
选择操作采用轮盘赌选择法；
交叉操作采用单点交叉，当满足交叉条件时，随机选择两个个体中除起始节点和终止节点外的一个路径节点作为交叉点，然后这两个个体在交叉点进行交叉操作；
变异操作采用随机变异，当满足变异条件时，随机选取路径中除起点和终点外的一个位置作为变异点，按照种群初始化中的随机搜索策略在变异点处重新生成一个新的个体，然后利用三次B样条拟合方法生成光滑路径，从而完成变异操作。
本发明进一步的优选方案：所述步骤S11中随机惯性权重可根据公式(3)进行更新：
ω＝ωmin+(ωmax-ωmin)·r+σ·randn(·) (8)
其中，ωmax、ωmin表示随机惯性权重ω的最大值、最小值；σ表示权重误差，用来衡量随机惯性权重ω与其数学期望之间的偏离程度，randn(·)表示一个正态分布的随机数。
本发明进一步的优选方案：所述步骤S12中种群的每个个体的速度和位置可分别根据公式(4)和公式(5)进行更新：
其中，ω代表惯性权重；
表示粒子i在第b次迭代中速度的第w(w＝1,2,L,W)维分量；
表示粒子i在第b次迭代中位置的第w维分量；r1和r2为[0,1]范围内的随机数；c1和c2表示学习因子；
表示粒子i的个体最优解；
表示第b次迭代时种群的全局最优解。
与现有技术相比，本发明的有益效果为：
1、本发明通过将遗传算法与粒子群算法相结合，提高了算法的全局寻优能力；
2、本发明通过使用随机和定向两种搜索策略产生初始路径集，提高了算法初始解的质量；
3、本发明通过引入惯性权重公式，避免算法陷入局部极值；
4、本发明通过引入三次B样条拟合方法，保证了无人车移动曲线的光滑性，也满足了无人车实际运动的需求。
附图说明
图1为本发明基于改进遗传算法和B样条拟合的无人车路径规划的总体流程图；
图2为本发明实施例中圆形障碍物环境下四种算法的最小路径示意图；
图3为本发明实施例中圆形障碍物环境下四种算法的迭代曲线示意图；
图4为本发明实施例中三角形障碍物环境下四种算法的最小路径示意图；
图5为本发明实施例中三角形障碍物环境下四种算法的迭代曲线示意图；
图6为本发明实施例中五边形障碍物环境下四种算法的最小路径示意图；
图7为本发明实施例中五边形障碍物环境下四种算法的迭代曲线示意图。
具体实施方式
为了便于理解下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅是本发明的一部分实施例。
如图1所示，基于改进遗传算法和B样条拟合的无人车路径规划方法，主要包括以下步骤：
S1：使用多面模型表示法对无人车的工作环境进行建模；
使用多面模型表示法对无人车的工作环境建模；无人车的运动空间用二维平面图形表示，障碍物的顶点用(x,y)记录；障碍物被设置为静态的、已知的圆形或不规则多边形；无人车用质点代替；
S2：设置算法的初始化参数，种群数量、最大迭代次数、交叉率、变异率、学习因子、随机惯性权重的最大值和最小值等；
S3：编码；
使用二维坐标表示无人车行驶的路径；
S4：初始化种群，并将每个个体的初始速度设置为0；
采用随机和定向两种搜索策略来生成改进遗传算法的初始化种群集，从而保证了初始化种群的多样性和随机性；
S5：利用三次B样条拟合方法在节点之间插入节点；
利用三次B样条拟合方法在路径起点、路径节点、路径终点之间插入若干个插入点；
S6：进行碰撞检测，判断路径中每个路径节点是否与障碍物发生碰撞，如果发生碰撞，则在适应度函数中添加惩罚。碰撞检测的方法具体为：
对于圆形障碍物，若各个插值点到圆心的距离均小于圆的半径，即插值点位于圆形障碍物的内部时，此时路径发生了碰撞，反之则没有发生碰撞；对于不规则障碍物，连接相邻的两个插值点(xi,yi)和(xi+1,yi+1)，分别判断两点之间的连线与障碍物的每一条边之间是否有交点，如果连线与每一条边都没有交点，则路径没有与不规则障碍物发生碰撞；反之，如果与其中任意一条边出现了交点，则路径发生了碰撞；
S7：根据适应度函数，计算初始化种群中所有个体的适应度值；
其中，p表示惩罚系数，用来淘汰生成的较差路径；c表示生成的路径与障碍物发生碰撞的次数，D表示无人车的路径长度，可根据公式(12)进行计算；
其中，(xi,yi)和(xi+1,yi+1)表示第i和i+1个节点的二维坐标；N表示生成路径所经过的节点数；
S8：执行选择操作，对初始化种群生成的路径进行更新；
采用轮盘赌选择法作为选择操作；
S9：执行交叉操作，对选择操作生成的路径进行更新；
采用单点交叉作为交叉操作，当满足交叉条件时，随机选择两个个体中除起始节点和终止节点外的一个路径节点作为交叉点，然后这两个个体在交叉点进行交叉操作；
S10：执行变异操作，对交叉操作生成的路径进行更新；
采用随机变异作为变异操作，随机选取路径中除起点和终点外的一个位置作为变异点，按照种群初始化中的随机搜索策略在变异点处重新生成一个新的个体，然后利用三次B样条拟合方法生成光滑路径，从而完成变异操作；
S11：更新随机惯性权重；
ω＝ωmin+(ωmax-ωmin)·r+σ·randn(·) (13)
其中，ωmax、ωmin表示随机惯性权重ω的最大值、最小值；σ表示权重误差，用来衡量随机惯性权重ω与其数学期望之间的偏离程度，randn(·)表示一个正态分布的随机数；
S12：对种群中每个个体进行速度更新和位置更新；
其中，ω代表惯性权重；
表示粒子i在第b次迭代中速度的第w(w＝1,2,L,W)维分量；
表示粒子i在第b次迭代中位置的第w维分量；r1和r2为[0,1]范围内的随机数；c1和c2表示学习因子(或称加速系数)；
表示粒子i的个体最优解；
表示第b次迭代时种群的全局最优解。
图2表示本发明在圆形障碍物环境下四种算法的最小路径示意图的路径规划。其中，四种算法分别为粒子群算法(PSO)、随机权重粒子群算法(RandWPSO)、遗传算法(GA)和改进遗传算法(HPSOGA)。图中的四边形表示起点，五角星表示终点。图3表示本发明在圆形障碍物环境下四种算法的迭代曲线。其中，横坐标表示迭代次数，纵坐标表示适应度函数的平均值。从图2可以看出，HPSOGA的最小路径优于其他三种算法。从图3可以看出，随着迭代次数的增加，HPSOGA最先找到最优路径。因此，在四种算法中，HPSOGA的性能最好。图4展示了三角形障碍物环境下四种算法的最小路径曲线图。从图4中可以看出，PSO算法和HPSOGA所规划出的最小路径结果最好，RandWPSO次之，GA最差。图5表示本发明在三角形障碍物环境下四种算法的迭代曲线。从图5可以看出，随着迭代次数的增加，PSO、RandWPSO和GA均陷入了局部最优，只有HPSOGA没有陷入局部最优值，找到了全局最优解。图6展示了五边形障碍物环境下四种算法的最小路径曲线图。从图6中可以看出，HPSOGA找到的最优路径最短、最光滑，与HPSOGA相比，RandWPSO和GA规划出的最小路径存在转折，不够平滑。图7表示本发明在五角形障碍物环境下四种算法的迭代曲线。从图7中四种算法的迭代曲线可以看出，GA、PSO和RandWPSO三种算法都很快陷入了局部极值，从而导致分别陷入次优路径。而HPSOGA在迭代初期利用随机和定向两种搜索策略创建初始路径集，得到了质量较高的初始化路径集。随着迭代的进行，HPSOGA凭借着三次B样条拟合方法的引入，不断趋于全局最优，最终寻找到最优路径。仿真实验表明本发明对于求解无人车全局路径规划问题具有较好的可行性和有效性。
综上所述，本发明将遗传算法与粒子群算法相结合，增强了改进算法的全局寻优能力。通过引入三次B样条拟合方法，保证了无人车移动曲线的光滑性。为了验证HPSOGA的有效性，本发明设计了几种不同障碍物的仿真地图。仿真实验表明，HPSOGA在几幅不同的地图上都表现最好。无论在简单还是复杂的障碍物环境下，本发明都能为无人车规划出一条安全高效的行驶路径。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.基于改进遗传算法和B样条拟合的无人车路径规划方法，其特征在于，包括以下步骤：
S1：使用多面模型表示法对无人车的工作环境进行建模；
S2：设置算法的初始化参数，种群数量、最大迭代次数、交叉率、变异率、学习因子、随机惯性权重的最大值和最小值等；
S3：编码；
S4：初始化种群，并将每个个体的初始速度设置为0；
S5：利用三次B样条拟合方法在节点之间插入节点；
S6：进行碰撞检测，判断路径中每个路径节点是否与障碍物发生碰撞，如果发生碰撞，则在适应度函数中添加惩罚；
S7：根据适应度函数，计算初始化种群中所有个体的适应度值；
S8：执行选择操作，对初始化种群生成的路径进行更新；
S9：执行交叉操作，对选择操作生成的路径进行更新；
S10：执行变异操作，对交叉操作生成的路径进行更新；
S11：更新随机惯性权重；
S12：对种群中每个个体进行速度更新和位置更新；
S13：判断是否达到最大迭代次数，若达到最大迭代次数，则停止搜索，输出最优路径，否则跳转至S8进行下一次迭代寻优。
2.根据权利要求1所述的基于改进遗传算法和B样条拟合的无人车路径规划方法，其特征在于，所述步骤S1的环境建模具体为：
使用多面模型表示法对无人车的工作环境建模，无人车的运动空间用二维平面图形表示，障碍物的顶点用(x,y)记录，障碍物被设置为静态的、已知的圆形或不规则多边形，无人车用质点代替。
3.根据权利要求1所述的基于改进遗传算法和B样条拟合的无人车路径规划方法，其特征在于，所述步骤S3中编码操作具体为：
使用二维坐标表示无人车行驶的路径。
4.根据权利要求1所述的基于改进遗传算法和B样条拟合的无人车路径规划方法，其特征在于，所述步骤S4中初始化种群具体为：
采用随机和定向两种搜索策略来生成改进遗传算法的初始化种群集，从而保证了初始化种群的多样性和随机性。
5.根据权利要求1所述的基于改进遗传算法和B样条拟合的无人车路径规划方法，其特征在于，所述步骤S5中插入节点的方法具体为：
利用三次B样条拟合方法在路径起点、路径节点、路径终点之间插入若干个插入点。
6.根据权利要求1所述的基于改进遗传算法和B样条拟合的无人车路径规划方法，其特征在于，所述步骤S6中碰撞检测的方法具体为：
对于圆形障碍物，若各个插值点到圆心的距离均小于圆的半径，即插值点位于圆形障碍物的内部时，此时路径发生了碰撞，反之则没有发生碰撞；
对于不规则障碍物，连接相邻的两个插值点(xi,yi)和(xi+1,yi+1)，分别判断两点之间的连线与障碍物的每一条边之间是否有交点，如果连线与每一条边都没有交点，则路径没有与不规则障碍物发生碰撞；反之，如果与其中任意一条边出现了交点，则路径发生了碰撞。
7.根据权利要求1所述的基于改进遗传算法和B样条拟合的无人车路径规划方法，其特征在于，所述步骤S7中适应度函数具体为：
其中，p表示惩罚系数，用来淘汰生成的较差路径；c表示生成的路径与障碍物发生碰撞的次数，D表示无人车的路径长度，可根据公式(2)进行计算。
其中，(xi,yi)和(xi+1,yi+1)表示第i和i+1个节点的二维坐标；N表示生成路径所经过的节点数。
8.根据权利要求1所述的基于改进遗传算法和B样条拟合的无人车路径规划方法，其特征在于，所述步骤S8，S9，S10中对应的选择、交叉、变异操作具体为：
选择操作采用轮盘赌选择法；
交叉操作采用单点交叉，当满足交叉条件时，随机选择两个个体中除起始节点和终止节点外的一个路径节点作为交叉点，然后这两个个体在交叉点进行交叉操作；
变异操作采用随机变异，当满足变异条件时，随机选取路径中除起点和终点外的一个位置作为变异点，按照种群初始化中的随机搜索策略在变异点处重新生成一个新的个体，然后利用三次B样条拟合方法生成光滑路径，从而完成变异操作。
9.根据权利要求1所述的基于改进遗传算法和B样条拟合的无人车路径规划方法，其特征在于，所述步骤S11中随机惯性权重可根据公式(3)进行更新：
ω＝ωmin+(ωmax-ωmin)·r+σ·randn(·) (3)
其中，ωmax、ωmin表示随机惯性权重ω的最大值、最小值；σ表示权重误差，用来衡量随机惯性权重ω与其数学期望之间的偏离程度，randn(·)表示一个正态分布的随机数。
10.根据权利要求1所述的基于改进遗传算法和B样条拟合的无人车路径规划方法，其特征在于，所述步骤S12中种群的每个个体的速度和位置可分别根据公式(4)和公式(5)进行更新：
其中，ω代表惯性权重；
表示粒子i在第b次迭代中速度的第w(w＝1,2,L,W)维分量；
表示粒子i在第b次迭代中位置的第w维分量；r1和r2为[0,1]范围内的随机数；c1和c2表示学习因子；
表示粒子i的个体最优解；
表示第b次迭代时种群的全局最优解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210640393.7A CN115079693A (zh) | 2022-06-08 | 2022-06-08 | 基于改进遗传算法和b样条拟合的无人车路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210640393.7A CN115079693A (zh) | 2022-06-08 | 2022-06-08 | 基于改进遗传算法和b样条拟合的无人车路径规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115079693A true CN115079693A (zh) | 2022-09-20 |
Family
ID=83252177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210640393.7A Pending CN115079693A (zh) | 2022-06-08 | 2022-06-08 | 基于改进遗传算法和b样条拟合的无人车路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115079693A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117464693A (zh) * | 2023-12-27 | 2024-01-30 | 成都电科星拓科技有限公司 | 一种基于三次样条插值的三维机械臂粒子群路径规划方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000172664A (ja) * | 1998-10-02 | 2000-06-23 | Yoshinori Haseyama | 最適経路及び最適巡回経路探索方法 |
| CN109933067A (zh) * | 2019-03-12 | 2019-06-25 | 哈尔滨工程大学 | 一种基于遗传算法和粒子群算法的无人艇避碰方法 |
| CN113219986A (zh) * | 2021-05-28 | 2021-08-06 | 江苏师范大学 | 基于遗传算法和三次样条插值的机器人全局路径规划方法 |
| CN113219982A (zh) * | 2021-05-17 | 2021-08-06 | 安徽理工大学 | 一种基于随机冲量粒子群算法模型的矿井巡检机器人路径规划方法 |
| CN114117820A (zh) * | 2021-12-06 | 2022-03-01 | 福建工程学院 | 一种基于重启策略改进粒子群算法的机器人路径规划方法 |
-
2022
- 2022-06-08 CN CN202210640393.7A patent/CN115079693A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000172664A (ja) * | 1998-10-02 | 2000-06-23 | Yoshinori Haseyama | 最適経路及び最適巡回経路探索方法 |
| CN109933067A (zh) * | 2019-03-12 | 2019-06-25 | 哈尔滨工程大学 | 一种基于遗传算法和粒子群算法的无人艇避碰方法 |
| CN113219982A (zh) * | 2021-05-17 | 2021-08-06 | 安徽理工大学 | 一种基于随机冲量粒子群算法模型的矿井巡检机器人路径规划方法 |
| CN113219986A (zh) * | 2021-05-28 | 2021-08-06 | 江苏师范大学 | 基于遗传算法和三次样条插值的机器人全局路径规划方法 |
| CN114117820A (zh) * | 2021-12-06 | 2022-03-01 | 福建工程学院 | 一种基于重启策略改进粒子群算法的机器人路径规划方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117464693A (zh) * | 2023-12-27 | 2024-01-30 | 成都电科星拓科技有限公司 | 一种基于三次样条插值的三维机械臂粒子群路径规划方法 |
| CN117464693B (zh) * | 2023-12-27 | 2024-03-19 | 成都电科星拓科技有限公司 | 一种基于三次样条插值的三维机械臂粒子群路径规划方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022016941A1 (zh) | 行驶装置的避障路径的规划方法和装置 | |
| CN111238521B (zh) | 一种无人驾驶车辆的路径规划方法及系统 | |
| CN112904842B (zh) | 一种基于代价势场的移动机器人路径规划与优化方法 | |
| CN112558612B (zh) | 一种基于云模型量子遗传算法的异构智能体编队控制方法 | |
| CN112378408A (zh) | 一种实现轮式移动机器人实时避障的路径规划方法 | |
| CN114312830B (zh) | 一种考虑危险驾驶工况的智能车耦合决策模型及方法 | |
| CN113313957B (zh) | 基于增强型Dijkstra算法的无信号灯交叉路口车辆调度方法 | |
| LU102942B1 (en) | Path planning method based on improved a* algorithm in off-road environment | |
| CN113593228B (zh) | 一种高速公路瓶颈区域自动驾驶协同控制方法 | |
| CN112539750B (zh) | 一种智能运输车路径规划方法 | |
| CN106980741B (zh) | 一种面向分支线缆自动布线的路径搜索方法 | |
| CN113609784B (zh) | 一种交通极限场景生成方法、系统、设备和存储介质 | |
| CN112033413A (zh) | 一种结合环境信息的改进a*算法 | |
| CN113805597B (zh) | 基于粒子群算法的障碍物自我保护人工势场法局部路径规划方法 | |
| CN112099501B (zh) | 一种基于势场参数优化的无人艇路径规划方法 | |
| CN116331264A (zh) | 一种未知障碍物分布的避障路径鲁棒规划方法及系统 | |
| CN115079693A (zh) | 基于改进遗传算法和b样条拟合的无人车路径规划方法 | |
| Li et al. | Adaptive sampling-based motion planning with a non-conservatively defensive strategy for autonomous driving | |
| CN114545921B (zh) | 一种基于改进rrt算法的无人汽车路径规划算法 | |
| CN113701777B (zh) | 基于空间向量的高精地图车道关联轨迹线自动生成方法 | |
| CN118220214A (zh) | 面向复杂平行泊车场景的自动驾驶运动规划方法及系统 | |
| CN115826591B (zh) | 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 | |
| CN116608877A (zh) | 基于rrt算法的仿生模拟植物向光性全局路径规划方法 | |
| Song et al. | A TC-RRT-based path planning algorithm for the nonholonomic mobile robots | |
| Zhang et al. | An NSGA-II-based multi-objective trajectory planning method for autonomous driving |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |