[发明专利]一种基于阿米巴运动机制的路径规划方法

说明书

本发明涉及车辆控制技术领域，具体涉及一种基于阿米巴运动机制的路径规划方法，包括将城市各个道路状态设定为初始状态；基于工作时间段、车辆运行状态计算每段道路的状态值并结合初始状态判断每段道路为稳定状态或者失稳状态；基于车辆当前位置和目的地位置，并排除所述失稳状态的道路，生成所有到达路径；分别计算所有到达路径的状态值之和并生成最优路径。本发明采用仿生学‑‑阿米巴菌的运动机制，通过间隔收集道路的状态值，反馈给中心以后，求其中到目的地最小的状态值之和从而得到一个最优路径。利用阿米巴运动的特性，能够更快地收敛，且能够获取到一个全局最优的路径。

技术领域

本发明涉及车辆控制技术领域，尤其涉及一种基于阿米巴运动机制的路径规划方法。

背景技术

传统的路径规划算法有：模拟退火算法、人工势场法、模糊逻辑算法、禁忌搜索算法等。

模拟退火算法是一种适用于大规模组合优化问题的有效近似算法。它模仿固体物质的退火过程，通过设定初温、初态和降温率控制温度的不断下降，结合概率突跳特性，利用解空间的邻域结构进行随机搜索。具有描述简单、使用灵活、运行效率高、初始条件限制少等优点，但存在着收敛速度慢、随机性等缺陷，参数设定是应用过程中的关键环节。

人工势场法是一种虚拟力法。它模仿引力斥力下的物体运动，目标点和运动体间为引力，运动体和障碍物间为斥力，通过建立引力场斥力场函数进行路径寻优。优点是规划出来的路径平滑安全、描述简单等，但是存在局部最优的问题，引力场的设计是算法能否成功应用的关键。

模糊逻辑算法网模拟驾驶员的驾驶经验，将生理上的感知和动作结合起来，根据系统实时的传感器信息，通过查表得到规划信息，从而实现路径规划。算法符合人类思维习惯，免去数学建模，也便于将专家知识转换为控制信号，具有很好的一致性、稳定性和连续性。但总结模糊规则比较困难，而且一旦确定模糊规则在线调整困难，应变性差。最优的隶属度函数、控制规则及在线调整方法是最大难题。

在智能仿生学中，主要有蚁群算法、神经网络算法、粒子群算法、遗传算法等。蚁群算法的思想来自于对蚁群觅食行为的探索，每个蚂蚁觅食时都会在走过的道路上留下一定浓度的信息素，相同时间内最短的路径上由于蚂蚁遍历的次数多而信息素浓度高，加上后来的蚂蚁在选择路径时会以信息素浓度为依据，起到正反馈作用，因此信息素浓度高的最短路径很快就会被发现。算法通过迭代来模拟蚁群觅食的行为达到目的。具有良好的全局优化能力、本质上的并行性、易于用计算机实现等优点，但计算量大、易陷入局部最优解。神经网络算法因为路径规划中复杂多变的环境很难用数学公式进行描述，如果用神经网络去预测学习样本分布空间以外的点，其效果必然是非常差泛化能力差是其致命缺点。遗传算法是按照基因遗传学原理而实现的一种迭代过程的搜索算法，由于是使用迭代的方式，所以最终的效率也不高。

发明内容

本发明的目的在于提供一种基于阿米巴运动机制的路径规划方法，旨在提高路径规划算法的计算效率。

为实现上述目的，本发明提供了一种基于阿米巴运动机制的路径规划方法，包括将城市各个道路状态设定为初始状态；

基于工作时间段、车辆运行状态计算每段道路的状态值并结合初始状态判断每段道路为稳定状态或者失稳状态；

基于车辆当前位置和目的地位置，并排除所述失稳状态的道路，生成所有到达路径；

分别计算所有到达路径的状态值之和并生成最优路径。

其中，所述将城市各个道路状态设定为初始状态的具体步骤是：

将目标城市道路基于检测点进行分段；

将每段道路的状态设置为初始状态。

其中，所述基于工作时间段、车辆运行状态计算每段道路的状态值并结合初始状态判断每段道路为稳定状态或者失稳状态的具体步骤是：

间隔相同时间对每段道路的车辆运行状态进行收集；