【技术实现步骤摘要】
本专利技术涉及无人驾驶自主导航，具体指一种基于集群协同蚁群算法的无人驾驶路径规划方法。
技术介绍
1、路径规划作为无人驾驶的关键技术，为无人驾驶完成行驶任务提供了基础，该技术旨在通过规划算法在配置空间中找到从初始位置到目标位置的最优路径，而不会与任何障碍物发生碰撞。算法的设计是路径规划至关重要的核心，常见的路径规划算法包括蚁群算法、遗传算法、dijkstra算法、a*算法、人工势场法和粒子群算法等。
2、蚁群算法是一种模拟蚁群行为的自然群体智能算法，在觅食过程中，蚂蚁会沿着路径沿着释放一种名为信息素的化学物质，越短的路径释放的信息素越多。最后，信息素的不均匀分布会逐渐吸引越来越多的蚂蚁向较短的路径移动，最终找到最优路径。蚁群算法具有很强的适用性和鲁棒性，在全局路径规划问题上的研究有着广泛的应用。
3、但是蚁群算法在无人驾驶路径规划问题中，存在以下不足：
4、(1)在传统的蚁群算法框架内，蚂蚁的移动步长被固定为1，这导致每次节点转移时，除去走过的上一节点，其活动范围仅限于周围的七个相邻栅格。这一设定在很大程度上束缚了蚂蚁的灵活性，不仅增加了算法的整体复杂程度，而且严重影响了路径规划的平滑性和效率。
5、(2)在传统蚁群算法中，由于每次迭代探索中的蚁群数量相同，存在算法前期探索未完全遍历地图，后期探索结果又相对集中，会导致出现局部最优解和浪费部分计算资源的情况。
6、(3)传统蚁群算法迭代收敛速度慢且容易陷入局部最优解，此外算法在探索的过程中存在盲目性，使算法的收敛速度大大
7、(4)在蚁群算法中，当信息素浓度过高时，可能会产生负面效果，使得算法即便面临更优解，也会因当前路径上过高的信息素含量而无法正确识别，从而无法得出全局最优解。
技术实现思路
1、为解决上述传统蚁群算法的不足，本专利技术提出一种基于集群协同蚁群算法的无人驾驶路径规划方法。
2、针对传统蚁群算法蚂蚁的移动步长被固定为1，导致束缚了蚂蚁的灵活性，增加了算法的整体复杂程度，影响了路径规划的平滑性和效率，本专利技术引入自适应步长策略，将蚁群算法的节点选择逻辑为将当前节点可直线到达且不受障碍物阻碍的节点作为下一次移动的可选节点，改进后对比示意图如附图1所示。此方法使本专利技术避免了冗余节点的选择，减少了路径转折点和最优路径长度。
3、针对传统蚁群算法存在算法前期探索未完全遍历地图，后期探索结果又相对集中，导致出现局部最优解的情况。本专利技术引入自适应步长策略自适应蚁群数量策略，通过动态调整分配迭代过程中的蚁群数量，增大前期探索蚁群数量，减少后期探索蚁群数量。此方法使本专利技术在前期探索阶段广泛搜索，获得更多可行解，在后期探索阶段，避免出现大量收敛结果相同而导致浪费部分计算资源。
4、针对传统蚁群算法在探索的过程中存在盲目性、迭代收敛速度慢且容易陷入局部最优解等问题，本专利技术引入双向蚁群协同策略，将蚁群分为正向与反向双种群，交替进行迭代探索，并引入节点距离指数的使用。此方法使本专利技术在双向迭代探索时具有明确的导向性，在交替迭代中快速收敛出最优解。
5、最后，针对传统蚁群算法因局部出现过高的信息素含量而无法得出全局最优解的问题。本专利技术提出并使用双向蚁群的节点距离指数来代替信息素构建新的启发式函数，由节点距离指数与当前节点离待转移节点的欧几里得距离共同组成，并引入优化处理的概率扩展。此方法使本专利技术的集群协同蚁群算法更快地逼近最优解，可以在很大程度上提高优化算法的效率，加快收敛速度。
6、本专利技术采用的技术方案是一种基于集群协同蚁群算法的无人驾驶路径规划方法，包括以下步骤：
7、步骤1：收到无人驾驶车辆路径规划请求，通过车联网功能获取地图相关信息。
8、步骤2：建立栅格地图，根据自适应步长策略获取多步长邻接矩阵。
9、步骤3：使用传统蚁群算法进行初步阶段的路径规划，目的为更新正向与反向种群的节点距离指数数据矩阵，为集群协同蚁群算法提供数据基础。
10、步骤4：集群协同蚁群算法迭代过程中，根据自适应蚂蚁数量策略调整当前探索的蚂蚁数量，此方法使算法减少计算资源，加快收敛速度。
11、步骤5：采用双向蚁群协同策略，将蚁群分为正向与反向双种群，并根据以节点距离指数为主导的启发函数进行节点转移，节点转移后，记录自身前进的节点并更新节点距离指数数据矩阵。
12、步骤6：重新构建由节点距离指数与当前节点离待转移节点的欧几里得距离共同组成的启发函数εij，并引入优化处理的概率扩展。此方法使蚂蚁节点转移时具有更为明确的导向性，使算法更快收敛出最优解。
13、进一步地，所述获取地图相关信息，包括起始点、终点、道路、分岔路节点和障碍物位置等信息。
14、进一步地，所述多步长邻接矩阵指，记录每个节点直线到达且不受障碍物阻碍的节点集合，并记录距离探索起始点的长度。
15、进一步地，所述正向与反向节点距离指数数据矩阵为和记录各个节点的节点距离指数，其中nw为地图规模的边长大小。
16、进一步地，所述自适应蚂蚁数量策略的调整函数为mt(k)，定义式如下：
17、
18、式中，kmax表示最大迭代次数上限；k表示当前迭代的次数。
19、进一步地，所述由节点距离指数与当前节点离待转移节点的欧几里得距离共同组成的启发函数εij，以正向探索为例，定义式为：
20、
21、s.t.es(allowedi)＝{es(s)|s∈allowedi}.
22、式中，β1、β2和β3为概率转移影响因子，大小为常数；es(j)为中节点j对应的节点距离指数；k为当前迭代次数；m为每次迭代的蚂蚁数量；mines(allowedi)指集合es(allowedi)的最小值，allowedi为节点i的可行节点集合；dij表示当前节点i到下一节点j的距离，计算式如下：
23、
24、式中，(xi,yi)为节点i的栅格直角坐标，(xj,yj)为节点j的栅格直角坐标。
25、进一步地，优化后的概率转移公式pij，定义式如下：
26、
27、式中，α为启发函数影响因子；allowedi表示蚂蚁k在节点选择时可以选择的所有节点集合。
28、本专利技术集群协同蚁群算法的收敛性分析证明如下所述：
29、只需证明算法每次迭代后的路径长度趋于减小或不变即可。nw为地图规模的边长大小；和为正向与反向节点距离指数数据矩阵，se(i)和es(i)分别为节点i的正向和反向节点距离指数，指节点i距终点和起点的已知最短路径距离，证明如下：
30、(1)首先来分析算法的概率选择问题，证明算法在节点转移时如何选择最优节点。
31、根据启发函数εij和概率转移函数pij可以得到，随着迭代次数k的增加，选取最优节点的概率如下：
32、
3本文档来自技高网...
【技术保护点】
1.一种基于集群协同蚁群算法的无人驾驶路径规划方法，其特征在于，步骤如下：
2.针对权利要求1中所述的自适应步长策略，其特征在于，采用不限制步长范围的可行节点选择，使蚂蚁单次移动距离和移动方向更加灵活，自适应步长蚁群算法的节点选择逻辑为将当前节点可直线到达且不受障碍物阻碍的节点作为下一次移动的可选节点，单次搜索邻域数量的增加可以使算法的总的搜索次数减少，增强了算法的寻优能力。
3.针对权利要求1中所述的自适应蚁群数量策略，其特征在于，为了提高算法的稳定性和全局寻优能力，避免陷入局部最优解，本专利技术引入自适应蚁群数量策略，对迭代过程中的蚁群数量进行动态的调整，其调整函数表达式为：
4.针对权利要求1中所述的双向蚁群协同策略，其特征在于，将当前迭代次数的蚂蚁数量分为两个子种群，分别为正向种群和反向种群，使这两个种群交替从起点出发到终点和终点出发到起点进行探索，在前行过程中每只蚂蚁会记录自身已走过的每个节点离起点的距离，将这个数据命名为节点距离指数，并将其记录在对应子种群的节点距离指数数据集中，在每次迭代中的蚂蚁节点转移后都会将当前节点距离指数与数
5.针对权利要求1中所述的重新构建以节点距离指数为主导的启发式函数，其特征在于，为了提高优化算法的效率，加快收敛速度，本专利技术重新构建以节点距离指数为主导的启发函数εij，以正向探索为例，其表达式为：
6.针对权利要求4中所述的节点距离指数，其特征在于，节点距离指数是赋予在每个节点上为蚂蚁提供指引的特征值，蚂蚁可以通过评价每个节点的特征值来做出节点转移决策，正向与反向节点距离指数数据矩阵为和其中NW为地图规模的边长大小。
...【技术特征摘要】
1.一种基于集群协同蚁群算法的无人驾驶路径规划方法，其特征在于，步骤如下：
2.针对权利要求1中所述的自适应步长策略，其特征在于，采用不限制步长范围的可行节点选择，使蚂蚁单次移动距离和移动方向更加灵活，自适应步长蚁群算法的节点选择逻辑为将当前节点可直线到达且不受障碍物阻碍的节点作为下一次移动的可选节点，单次搜索邻域数量的增加可以使算法的总的搜索次数减少，增强了算法的寻优能力。
3.针对权利要求1中所述的自适应蚁群数量策略，其特征在于，为了提高算法的稳定性和全局寻优能力，避免陷入局部最优解，本发明引入自适应蚁群数量策略，对迭代过程中的蚁群数量进行动态的调整，其调整函数表达式为：
4.针对权利要求1中所述的双向蚁群协同策略，其特征在于，将当前迭代次数的蚂蚁数量分为两个子种群，分别为正向种群和反向种群，使这两个种群交替从起点出发到终点和终点出发到起点进行探索，在前行过程中每只蚂蚁会记录自身已走过的每个节点...
【专利技术属性】
技术研发人员：陈旭飞，王冬菊，胡耀炜，丛培龙，赵启超，汤萍萍，
申请(专利权)人：安徽师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。