基于改进的A * 算法在三维路径规划中的仿真应用
发布时间：2021-08-13 22:45
针对无人机路径规划中全局静态路径优化和局部动态避障的需求,提出一种基于生物神经动力学模型的改进A*算法实现全局冬天路径规划。建立生物神经动力学模型,并应用该模型实时获取环境中的动态障碍物信息,通过神经元的活性值来引导无人机的局部动态避障。设计了一种A*算法的优化启发函数,有效地减少A*算法在全局路径搜索过程中的节点数量,提高A*算法的全局搜索效率。最后,将生物动力学模型中神经元的活性值融入到A*算法的实际代价函数中,融合算法保证了A*算法在全局路径优化的性能,又秉承了生物神经动力学模型的局部实时避障能力。静态路径和动态路径下仿真结果表明:与生物动力学模型相比,该融合算法考虑到实际代花费问题,能够在动态和静态环境下规划出一条低代价的全局路径;与A*算法相比,该融合算法可提高全局搜索效率,且实现实时动态避障性能。
【文章来源】：农业装备与车辆工程. 2019,57(06)
【文章页数】：5 页
【部分图文】：
神经动力学模型中神经元i与周围26个神经元三维结构
励输入常量：E=50。设置无人机的起始点坐标为（1，1，1），终点坐标为（8，8，9），静态环境中的障碍物如图4（a）所示。为了验证基于生物神经动力学模型的A*算法在三维路径规划中实时避障、全局优化的性能，进行了2组实验。实验1是基于静态环境下无人机的全局路径规划，实验2是在实验1的基础上加上动态障碍物，以验证融合算法的实时避障性能。3.1全局静态环境下路径规划为了验证融合算法在全局静态环境下路径规划的性能，分别加入传统的A*算法和生物神经动力学模型法进行实验仿真比较，仿真结果如图3所示。如图3（a）所示，生物神经动力学模型以消耗路径为代价寻找最小活性值的神经元为路径节点，虽然能够在静态全局路径规划中找到一条从起点到终点的无碰撞的路径，但是不能满足全局路径最优性能。如图3（b）所示，基于生物神经动力学模型的A*算法考虑到实际路径代价，利用A*的启发函数对活性值相对较低的神经元节点进行代价估算，可以避免舍弃全局最优路径上的节点,保证融合算法在静态环境下路径规划的全局最优性能。结合表1可以看出：与传统的A*算法比较，本文的融合算法利用优化的启发函数将搜索的节点从105个减少到23个，相应的搜索时间从30.7s降低到6.4s，融合算法的效率明显提高；相比较生物神经动力学模型，本文的融合算法虽然在搜索时间和节点数目上相近，但是在全局路径上有明显的改善，路径长度从18.2m缩短为14.9m。从实际路径代价和耗时两方面综合考虑，本文的融合算法比传统的算法有明显的提升，能够找到一条耗时少、低代价的全局路径。表1融合算法与传统算法在全局静态路径规划的性能比较Tab.1Performancecomparisonbetweenfusionalgorithmandtraditionalalgorithminglobalstaticpathplanning算法规
54农业装备与车辆工程2019年能。如图4（c）所示，能够在全局动态环境下寻找到一条从起始点到目标点无碰撞的低代价路径。从表2的数据可以看出，在动态环境中，三维神经动力学模型获取动态障碍物的信息需要更新全局的神经元活性，比在静态环境下的规划时间增加了一倍，无法完成动态环境下的实时避障性能。本文的融合算法通过启发函数对扩展节点的约束，在有动态障碍物时仅仅更新局部障碍物的神经元活性值，时间从12.5s减小到8.6s，提升了算法的效率；同时该算法秉承了A*算法的全局优化性能，全局路径从21.4m缩短为16.7m。表2融合算法与传统算法在全局动态路径规划的性能比较Tab.2Performancecomparisonbetweenfusionalgorithmandtraditionalalgorithminglobaldynamicpathplanning算法规划时间/s搜索节点数目全局路径长度/m神经元更新个数基于生物神经动力学模型12.52821.410×10×10=1000本文的融合算法8.63116.71454结论针对无人机路径规划过程中全局静态路径优化和局部动态避障的问题，本文提出一种基于生物神经动力学模型和改进A*算法的融合算法。本文对A*算法的启发函数进行改进，能够有效减少A*算法搜索空间，提高了算法的实时效率。基于生物神经动力学模型的动态避障效果，结合A*算法的全局优化性能，设计了一种顾及全局动态路径规划的代价函数。实验仿真表明，在静态或动态的工作环境下，该融合算法兼并了全局路径最优性能和实时动态避障性能。参考文献[1]WuChaoshuai,LiuGuorong,ZhangWenli,etal.A*algorithmusedinthree-dimensionalenvironmentforoptimalpathplanning[C].Xiamen,China:InternationalConferenceonAutomaticControlandArtificialIntelligence(ACAI2012),2012:5-8.[2]Re
本文编号：3341260
【文章来源】：农业装备与车辆工程. 2019,57(06)
【文章页数】：5 页
【部分图文】：
神经动力学模型中神经元i与周围26个神经元三维结构
励输入常量：E=50。设置无人机的起始点坐标为（1，1，1），终点坐标为（8，8，9），静态环境中的障碍物如图4（a）所示。为了验证基于生物神经动力学模型的A*算法在三维路径规划中实时避障、全局优化的性能，进行了2组实验。实验1是基于静态环境下无人机的全局路径规划，实验2是在实验1的基础上加上动态障碍物，以验证融合算法的实时避障性能。3.1全局静态环境下路径规划为了验证融合算法在全局静态环境下路径规划的性能，分别加入传统的A*算法和生物神经动力学模型法进行实验仿真比较，仿真结果如图3所示。如图3（a）所示，生物神经动力学模型以消耗路径为代价寻找最小活性值的神经元为路径节点，虽然能够在静态全局路径规划中找到一条从起点到终点的无碰撞的路径，但是不能满足全局路径最优性能。如图3（b）所示，基于生物神经动力学模型的A*算法考虑到实际路径代价，利用A*的启发函数对活性值相对较低的神经元节点进行代价估算，可以避免舍弃全局最优路径上的节点,保证融合算法在静态环境下路径规划的全局最优性能。结合表1可以看出：与传统的A*算法比较，本文的融合算法利用优化的启发函数将搜索的节点从105个减少到23个，相应的搜索时间从30.7s降低到6.4s，融合算法的效率明显提高；相比较生物神经动力学模型，本文的融合算法虽然在搜索时间和节点数目上相近，但是在全局路径上有明显的改善，路径长度从18.2m缩短为14.9m。从实际路径代价和耗时两方面综合考虑，本文的融合算法比传统的算法有明显的提升，能够找到一条耗时少、低代价的全局路径。表1融合算法与传统算法在全局静态路径规划的性能比较Tab.1Performancecomparisonbetweenfusionalgorithmandtraditionalalgorithminglobalstaticpathplanning算法规
54农业装备与车辆工程2019年能。如图4（c）所示，能够在全局动态环境下寻找到一条从起始点到目标点无碰撞的低代价路径。从表2的数据可以看出，在动态环境中，三维神经动力学模型获取动态障碍物的信息需要更新全局的神经元活性，比在静态环境下的规划时间增加了一倍，无法完成动态环境下的实时避障性能。本文的融合算法通过启发函数对扩展节点的约束，在有动态障碍物时仅仅更新局部障碍物的神经元活性值，时间从12.5s减小到8.6s，提升了算法的效率；同时该算法秉承了A*算法的全局优化性能，全局路径从21.4m缩短为16.7m。表2融合算法与传统算法在全局动态路径规划的性能比较Tab.2Performancecomparisonbetweenfusionalgorithmandtraditionalalgorithminglobaldynamicpathplanning算法规划时间/s搜索节点数目全局路径长度/m神经元更新个数基于生物神经动力学模型12.52821.410×10×10=1000本文的融合算法8.63116.71454结论针对无人机路径规划过程中全局静态路径优化和局部动态避障的问题，本文提出一种基于生物神经动力学模型和改进A*算法的融合算法。本文对A*算法的启发函数进行改进，能够有效减少A*算法搜索空间，提高了算法的实时效率。基于生物神经动力学模型的动态避障效果，结合A*算法的全局优化性能，设计了一种顾及全局动态路径规划的代价函数。实验仿真表明，在静态或动态的工作环境下，该融合算法兼并了全局路径最优性能和实时动态避障性能。参考文献[1]WuChaoshuai,LiuGuorong,ZhangWenli,etal.A*algorithmusedinthree-dimensionalenvironmentforoptimalpathplanning[C].Xiamen,China:InternationalConferenceonAutomaticControlandArtificialIntelligence(ACAI2012),2012:5-8.[2]Re
本文编号：3341260
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3341260.html
