[发明专利]基于改进的多目标粒子群算法的无人车路径规划方法

摘要

本发明属于智能无人车与控制技术领域，尤其涉及一种基于改进的多目标粒子群算法的无人车路径规划方法。本发明步骤主要为：环境建模及目标函数构建、输入路径参数、初始化有效粒子的信息、目标空间分解、计算目标函数值以及粒子方向向量、利用新的适应值公式进行粒子分类更新、计算新粒子方向向量、利用全局最优和个体最优粒子的信息产生新一代粒子，接着进行循环，当达到最大迭代次数时跳出并根据最优解集规划出无人车最优路径。本发明能利用复杂环境下全局或局部位置的信息以及待定无人车的状态参数快速规划出适合此无人车行驶的最优路径。

主权项

基于改进的多目标粒子群算法的无人车路径规划方法，包括如下步骤：(1)利用直角坐标系来对无人车的行驶环境进行二维空间模拟，现实环境中的障碍物用不同半径的圆形表示，无人车用点代替，将无人车整个路程的位置通过起止点用线连接起来，然后将该路程分成若干等分路段，规定无人车行驶过程中的位置点为相邻两路段的连接点，将这些点包括起止点连起来就可以得到一条路径；在本发明中，粒子x是由p1，p2，...pn组成的集合，pi(i∈[1..n])为粒子x中的第i个位置点，p0和pn+1表示无人车运动的起点和终点位置，将粒子与起止位置组合成该粒子对应的路径，并将该路径表示为P＝[p0，p1，p2，...pn，pn+1]，|pipi+1|表示路段pipi+1的长度，n表示无人车行驶过程中运动点的个数；(2)无人车最优路径的参考指标建模即目标函数的构建如下所示：min F(x)＝(f1(x)，f2(x)，f3(x))f1(x)=Σi=0n|pipi+1|]]>f2(x)=Σi=1ncosθi]]>f3(x)=Σt=1sΣk=1g1||Qk-Rt||]]>其中f1(x)就是这条路径上所有路段之和，即路径长度，f1(x)越小，表明无人车行驶路程越短；f2(x)中的θi表示粒子x对应的路径P在pi位置点处的两个相邻路段的夹角，f2(x)越小，表明相邻两个路段的夹角越大，路线越平滑；f3(x)指障碍物附近的路径上位置点集合Q中的点与障碍物圆心距离的倒数之和，值越小表明无人车与障碍物发生碰撞的可能性越小，其中无人车的行驶路径上距离第t个障碍物圆心Rt最近的位置点为q，以圆心Rt为起点，在Rtq两侧作两条射线与无人车路径相交，Rtq两侧的射线与其夹角都是两射线之间的路径上的点集合记为Q，当集合Q中的点的个数大于9时，保留离圆心最近的9个位置点，其余的从Q中删除，g为集合Q中位置点的个数，s为障碍物的个数，||Qk‑Rt||指Q中第k个位置点Qk到第t个障碍物圆心Rt的距离；(3)初始化2N个粒子的位置，这些粒子的位置集合记为POP，初始化N个速度，这些速度集合记为V，设目标函数的个数为m、当前迭代次数为t、障碍物的个数s，初始化最大迭代次数gmax、粒子位置在x轴方向约束的范围xmin和xmax、y轴方向的约束范围ymin和ymax、每个子区域容量Vol∈[1，3]、邻域个数T以及子区域数目M；(4)进行目标空间分解操作：把目标空间Y分成M个子区域Y1，Y2，...，YM，令j∈{1，2...M}，对任一给定的第j个子区域，每个目标函数在所有目标函数中所占有的权重所组成的向量(a1，a2...am)定义为该子区域的中心向量Aj，当目标函数个数m＝2时，则第j子区域的中心向量Aj表示为当m＝3时，进行两层循环，令k1为第1层(外层)循环变量，k2为第2层(内层)循环变量，k1从0取到h，k2从0取到h‑k1，每次循环其中h和M满足以下关系：h取满足时的最小值，则第u个子区域的中心向量为当m＞3时，进行m‑1层循环，k1为第一层循环变量(最外层)，依次由外向内，令ki为第i层循环变量，km‑1为第m‑1层(最内层)循环变量，k1从0取到h，k2从0取到h‑k1，ki从0取到h‑k1‑k2‑...‑ki‑1，最里层循环变量km‑1从0取到h‑k1‑k2‑...‑km‑2，每次循环令下标u=Σk1=0hΣk2=0h-k1...Σki=0h-k1-...ki-1...Σkm-3=0h-k1-...km-4[Σkm-2=1h-k1-...km-3(h+2-Σl=1m-2kl)+km-1+1]]]>其中参数h、m和子区数M满足以下关系：h取满足时的最小值，则第u个子区域的中心向量为当m≥3时，一共产生个中心向量，这些向量的下标为若则从下标u＝2开始，以为步长依次删除个下标对应的中心向量，然后将剩下的M个中心向量依次作为Aj，j＝1，2，...，M，通过每个子区域的中心向量找出该子区域的T个相邻的子区域，参考指标为两个中心向量的余弦值；(5)计算粒子群POP中每个粒子目标函数值时，将每个粒子的位置和无人车起止点的位置组合，形成该粒子相对应的路径，计算该粒子对应路径的各目标函数值即各最优路径的参考指标，然后将其作为该粒子的目标函数值，接着确定参考点R，用于计算每个粒子的方向向量，本发明方法中令参考点R为原点O；(6)进行粒子的分类与更新操作，接着将当前所有子区域的粒子位置信息存入集合EPOP中，并计算新粒子的方向向量，清空POP备用；(7)gbest的选择：产生[0，1]之间的随机数rd1，当rd1大于阈值0.8时，随机从EPOP集合中选择一个粒子作为当前粒子的gbest；否则，在该粒子所在区域的邻域内操作：首先计算该粒子邻域中每个子区域的中心向量和该子区域中粒子方向向量的余弦值，然后选出余弦值最大的子区域中的粒子作为当前粒子的gbest；由于过多的使用变异会让算法变得更加随机，降低了算法的效率，所以产生[0，1]之间的随机数rd2，当rd2小于阈值0.6时，对选出的引导粒子位置进行连续变异操作，否则，不对gbest进行变异操作；(8)pbest的选择：产生[0，1]之间的随机数rd3，当rd3大于阈值0.8时，随机从EPOP集合中选择一个粒子；否则，从该粒子的所在区域的邻域中随机选择一个粒子，让当前粒子和这个随机选出的粒子进行比较，选出支配权优先的作为当前粒子的pbest；(9)通过上述选出的gbest和pbest，根据粒子速度和位置更新公式产生下一代新的粒子群体，若新的粒子位置超出相应的约束范围，就令新粒子的该位置为边界值，所有新粒子的位置集合记为NPOP，下一代新的速度集合重新覆盖集合V，公式如下：Vkt+1=WVkt+C1R1(P-Xkt)+C2R2(G-Xkt)]]>Xkt+1=Vkt+1+Xkt]]>其中k指粒子群中第k个粒子，t为当前迭代次数，W为权衡局部搜索和全局搜索的参数，W∈[0.1，0.9]，C1和C2为学习因子，其大小都为2，R1和R2都是[0，1]之间的随机数，P指当前粒子最好位置pbest，G指引导粒子gbest的位置，指在第t次迭代中第k个粒子的速度，指在第t次迭代中第k个粒子的位置；(10)如果t＞gmax，则循环结束，输出EPOP作为最优解集，否则把EPOP和NPOP合并放入POP中，然后跳转至步骤(5)继续循环；(11)通过最优解中的粒子和起止点规划出无人车的行驶路径。