买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中科微至科技股份有限公司

摘要：本发明公开了基于人工势场算法的复杂环境路径规划优化系统及方法，涉及三维航道控制领域，本发明对区域中的各个静止的障碍物进行人工势场建模，通过采用人工势场算法对路径上的障碍物进行建模，只需对行进装置受到的合力这一单个因素进行考虑，为后续对行进装置的行进路径优化目标进行了确定；使得后续的对最优路径的分析过程更加简单和方便；再对多种除静止障碍物之外的影响因素进行全面分析，预测出这些动态影响因素在未来时刻行进装置行进时的发生状态，从而提前对这些影响因素的发生情况进行了预测，从而为最优路径的选择提供了又一个的依据，使得行进装置在最优路径上进行行驶时更加顺利，保证了行进的效率以及稳定性。

主权项：1.基于人工势场算法的复杂环境路径规划优化方法，其特征在于，包括以下步骤：S1、设定路径规划总区域、路径起点坐标以及路径终点坐标并对所述路径规划总区域中所有的静止障碍物的坐标进行采集，得到静止障碍物坐标集；设定当前运动位置坐标并根据所述当前运动位置坐标、路径终点坐标构建引力场函数；再根据所述当前运动位置坐标以及静止障碍物坐标集构建斥力场函数；最后根据所述斥力场函数以及引力场函数构建合力函数；S2、对所述路径规划总区域进行子区域划分，得到路径规划子区域集；并设定行进影响因素集以及采集时间点集；根据所述行进影响因素集以及采集时间点集对在各个路径规划子区域出现的行进影响因素集中的行进影响因素数据进行采集，得到行进影响因素历史数据矩阵；再根据所述行进影响因素历史数据矩阵对未来时间点行进影响因素出现的数据进行预测，得到行进影响因素预测数据矩阵；S3、对所述路径起点坐标和路径终点坐标之间的待选路径进行优化，最终得到最优路径；所述S1包括以下步骤：S11、设定路径规划总区域、路径起点坐标为以及路径终点坐标为；、和分别表示路径起点所在位置的经度值、纬度值以及高度值；、和分别表示路径终点的经度值、纬度值以及高度值；再采用监控设备对所述路径规划总区域中所有的静止障碍物的坐标进行采集，得到静止障碍物坐标集；、和分别表示所述路径规划总区域中第个静止障碍物所在位置的经度值、纬度值以及高度值，表示所述路径规划总区域中静止障碍物的总个数；S12、设定当前运动位置坐标为，、和分别表示当前运动位置的经度值、纬度值以及高度值；根据所述当前运动位置坐标、路径终点坐标构建引力场函数；如下， ；式中，表示所述当前运动位置处受到的吸引力大小；表示引力尺度因子；表示当前运动位置与路径终点所在位置之间的距离；根据所述当前运动位置坐标以及静止障碍物坐标集构建斥力场函数；如下， ；式中，表示当前运动位置与所述路径规划总区域中第个静止障碍物所在位置之间的距离；表示所述当前运动位置处受到的排斥力大小；表示斥力尺度因子；表示为障碍物与当前运动位置之间的最小安全距离；根据所述斥力场函数以及引力场函数构建合力函数；如下， ；式中，表示所述当前运动位置处受到的合力大小；所述S2包括以下步骤：S21、对所述路径规划总区域进行子区域划分，得到路径规划子区域集，表示划分出的第个子区域，表示划分处的子区域的总个数；再设定行进影响因素集，表示设定的第个行进影响因素，表示设定的行进影响因素的总个数；设定历史行进影响因素数据采集周期，对所述历史行进影响因素数据采集周期进行时间点划分，得到采集时间点集，表示对所述历史行进影响因素数据采集周期划分出的第个时间点，表示划分的采集时间点的总个数；S22、在所述采集时间点集中各个时间点对在各个路径规划子区域出现的行进影响因素集中的行进影响因素数据进行采集，得到行进影响因素历史数据矩阵；如下， ；其中，表示在第个时间点对第个路径规划子区域出现的行进影响因素的数据集；，表示中的第个行进影响因素对应的数据；S23、设定训练数据比例为以及测试数据比例为；根据所述训练数据比例以及测试数据比例对所述行进影响因素历史数据矩阵进行数据划分，得到历史训练数据矩阵、历史测试数据矩阵以及历史待预测数据矩阵；分别如下， ；；；其中，表示历史训练数据矩阵中在第个时间点对第个路径规划子区域出现的行进影响因素的数据集；表示历史测试数据矩阵中在第个时间点对第个路径规划子区域出现的行进影响因素的数据集；表示历史待预测数据矩阵中在第个时间点对第个路径规划子区域出现的行进影响因素的数据集；、和分别表示所述历史训练数据矩阵、历史测试数据矩阵以及历史待预测数据矩阵中划分的时间点的总个数；S24、设定未来预测时间点集，表示设定的未来预测的第个时间点，表示设定的未来预测时间点的总个数；根据所述历史训练数据矩阵、历史测试数据矩阵以及历史待预测数据矩阵对未来时间点行进影响因素出现的数据进行预测，得到行进影响因素预测数据矩阵；如下， ；其中，表示预测得到的未来第个时间点在第个路径规划子区域出现的行进影响因素的数据集；，表示中的第个行进影响因素对应的数据；所述S24包括以下步骤：S241、构建初始BP神经网络模型；将所述历史训练数据矩阵输入至初始BP神经网络模型中对初始BP神经网络模型进行训练操作，得到训练好的BP神经网络模型；S242、采用历史测试数据矩阵对所述训练好的BP神经网络模型进行测试，测试完成后，得到最终BP神经网络模型；S243、采用所述最终BP神经网络模型根据历史待预测数据矩阵对未来时间的行进影响因素数据进行预测，得到所述行进影响因素预测数据矩阵；所述S241包括以下步骤：S2411、构建初始BP神经网络模型，设定所述初始BP神经网络模型的输入节点的个数为、隐节点的个数为以及输出节点的个数为；同时设定所述初始BP神经网络模型的初始权重为以及初始阈值为；S2412、设定训练误差阈值为；将所述历史训练数据矩阵输入至初始BP神经网络模型中对初始BP神经网络模型进行训练操作，对所述初始权重以及初始阈值进行调优；当训练过程中的训练误差小于或者等于时，停止训练，得到所述训练好的BP神经网络模型；所述S242包括以下步骤：S2421、将所述历史测试数据矩阵等分为两份，得到第一历史测试数据矩阵和第二历史测试数据矩阵；S2422、将所述第一历史测试数据矩阵输入至训练好的BP神经网络模型中进行预测，得到历史测试预测数据矩阵；设定准确度阈值；将所述历史测试预测数据矩阵与第二历史测试数据矩阵进行对比计算准确度；当所述准确度大于或者等于准确度阈值时，将所述训练好的BP神经网络模型作为最终BP神经网络模型；否则，重复S2421和S2422，直到计算得到的准确度大于或者等于准确度阈值为止；所述S3包括以下步骤：S31、构建海鸥种群，设定所述海鸥种群的规模为，所述海鸥种群表示为，表示所述海鸥种群中的第只海鸥；设定所述海鸥种群的最大迭代次数为、当前迭代次数为以及初始步长为；S32、根据所述路径起点坐标、静止障碍物坐标集、路径终点坐标为以及初始步长设定第一初始路径位置点矩阵；如下， ；其中，、和分别表示第条初始路径上的第个位置点的经度值、纬度值以及高度值；表示第条初始路径上除位置点以及路径终点外的位置点的总个数；所述第一初始路径位置点矩阵中每行相邻的两个位置点之间的欧式距离小于初始步长；将所述第一初始路径位置点矩阵的每行位置点的坐标数据作为海鸥种群中每只海鸥的初始位置；S33、根据所述行进影响因素预测数据矩阵对第一初始路径位置点矩阵中的点进行替换；得到第二初始路径位置点矩阵；如下， ；其中，、和分别表示进行替换后的第条初始路径上的第个位置点的经度值、纬度值以及高度值；S34、根据所述第二初始路径位置点矩阵、合力函数构建海鸥种群的适应度函数；S35、开始迭代操作，每轮迭代过程中根据所述适应度函数对海鸥种群中每只海鸥的位置进行更新，同时在每轮迭代过程中计算全局最优海鸥个体并将其作为下一轮迭代对每只海鸥的位置进行更新的最优位置；当时，输出最优路径；所述S33包括以下步骤：S331、根据所述行进影响因素集设定对应的行进影响因素影响权重值，得到行进影响因素权重数据矩阵，表示第个行进影响因素对应的权重数据；根据所述行进影响因素权重数据矩阵和行进影响因素预测数据矩阵计算得到行进影响因素预测影响数据矩阵；如下， ；其中，表示预测得到的未来第个时间点在第个路径规划子区域出现的行进影响因素的数据集对应的影响数据；；S332、设定行进影响数据阈值；对所述第一初始路径位置点矩阵中每行的位置点进行遍历，当在未来第个时间点行进至第个路径规划子区域的范围内且，则将第一初始路径位置点矩阵中该行中位于第个路径规划子区域内的位置点进行删除，再重新随机选取其他位置点进行替换；遍历完成后得到所述第二初始路径位置点矩阵；所述S34包括以下步骤：S341、采用所述合力函数计算第二初始路径位置点矩阵中各个位置点的合力，得到合力数据矩阵；如下， ；其中，表示进行替换后的第条初始路径上的第个位置点所受到的合力数据；再根据所述第二初始路径位置点矩阵计算每条初始路径的总长度值，得到初始总长度数据集，表示第条初始路径的总长度；S342、根据所述初始总长度数据集以及合力数据矩阵构建适应度函数；如下， 。

全文数据：

权利要求：

百度查询： 中科微至科技股份有限公司 基于人工势场算法的复杂环境路径规划优化系统及方法