[发明专利]一种用于神经网络训练的多路径规划数据集生成方法

说明书

本发明涉及一种用于神经网络训练的多路径规划数据集生成方法，运用随机矩阵生成算法生成01矩阵地图，通过二次循环遍历提高矩阵地图的准确性，再利用随机函数设置起点以及终点位置，引入时间维度在传统寻路A*算法生成的单路径基础上进行多路径生成，从而实现碰撞避免。考虑数据集的丰富性，针对不同起点和终点、相同终点、相同起点三种情况分别制作了对应的数据集，最终设定循环次数来完成数据集的制作。

技术领域

本发明涉及一种路径规划方法，具体来说，特别涉及一种基于神经网络训练的多路径规划数据集生成方法。

背景技术

随着现代机器人的高速发展，路径规划技术作为机器人研究领域的一个重要分支和重点，已经得到了广泛的关注和应用。现存的路径规划方法，包括遗传算法、人工势场法、随机拓展树算法、自由空间法、栅格法等一些智能启发算法，由于算法本身存在的固有缺陷，路径规划寻路过程中容易陷入局部最优值，得不到全局最优解。

近年来，随着人工智能产业和机器算力的大幅度发展，深度学习已经在计算机视觉、图像识别、语音识别、图像分割、自然语言处理等方面得到了广泛的应用，如何利用神经网络进行路径规划也逐渐成为了研究热点。深度学习能够取得成功很大程度上取决于能否拥有足够数量并且优秀的数据集样本进行训练，而目前世界范围内并没有大量的统一用于机器人路径规划的数据集可用于学者进行研究评估使用，并且能够实现多路径同时预测的目标。

因此，需要提出一种用于神经网络训练的多路径规划数据集生成方法，来实现神经网络进行路径规划的目的。

发明内容

本发明解决了现有技术中存在的问题，提供了一种用于神经网络训练的多路径规划数据集生成方法。

本发明所采用的技术方案为，一种用于神经网络训练的多路径规划数据集生成方法，所述方法包括以下步骤：

步骤1：利用随机矩阵生成算法生成只含有0和1的地图矩阵，地图矩阵的横向纵向的大小均设定为正整数n，地图矩阵中0生成的概率为p，0p1；在矩阵中以1代表为障碍物，0代表为无障碍物，将最终生成的结果矩阵保存为n*n并标记为D1；

步骤2：运用循环方法对生成的地图矩阵地图进行二次遍历来保证数据集的准确性；

步骤3：利用随机函数在生成的地图矩阵中设置起点和终点的位置，分别构建为与地图矩阵同样大小的起点矩阵n*n和终点矩阵n*n，将起点矩阵标记为D2、终点矩阵标记为D3；

步骤4：运用传统A*寻路算法结合起点矩阵、终点矩阵以及地图矩阵信息进行单路径生成；

步骤5：引入时间维度进行多路径生成，对步骤4生成的单路径信息进行二次遍历来防止碰撞发生，得到最终的路径矩阵信息，从而完成多路径生成并保存为n*n；

步骤6：针对不同起点和终点、相同终点、相同起点三种情况，在步骤3中添加相对应的约束条件并继续进行步骤4和5，得到三种情况下的多路径矩阵并保存，不同起点和终点标记为D4、相同终点标记为D5、相同起点标记为D6；

步骤7：对步骤1～6循环进行M次，并将每次运行的结果保存，最终将D1，2，3的矩阵进行维度整合得到三维输入M*(n*n*3)，根据具体训练要求，可选取D4，5，6中的任一组二维矩阵作为输出M*(n*n*1)，传入到神经网络中训练。

优选地，所述步骤1中，所述步骤1中，随机矩阵生成算法是先利用python的numpy拓展库进行全为1的矩阵生成，再利用矩阵选择，基于设置的0生成的概率p，使得一部分为1的值改为0，最后通过numpy库里的shuffle函数进行矩阵随机打乱，得到初始的地图矩阵。所述步骤1中，n为5的倍数，p为0.6；