一种基于无人机协同的无人车路径规划方法、系统及介质

本发明涉及路径规划，具体涉及一种基于无人机协同的无人车路径规划方法、系统及介质。

背景技术：

1、基于无人机协同的无人车路径规划是空地异构机器人系统的关键技术之一。首先，基于无人机搭载的感知系统和定位导航系统等建立地面环境的栅格地图；其次，无人车实时接收无人机栅格地图信息，结合自身感知的环境信息修正补充栅格地图，然后自行规划出一条从出发点至终点的无碰撞的最优移动路径，这条最优路径可以是满足移动路径最短，可以是满足耗时最短，还可以满足能量消耗最少等。

2、基于无人机协同的无人车路径规划问题，实际上可以看成一个带约束条件的复杂优化问题。因此，一些智能优化算法对于提高无人车路径规划的效果发挥了积极的作用，很多学者开展了大量的研究工作。根据目前的研究成果来看，智能优化算法是一种有效的路径规划方法。海鸥优化算法是一种模拟海鸥觅食行为的新型智能优化算法，同样可以应用于路径规划问题。

3、但是，常规的海鸥优化算法仍然存在一些缺陷，使得算法容易陷入局部最优和收敛精度不高，在进行路径规划时，往往达不到基于规划目标下的理想路径规划效果。

技术实现思路

1、为解决上述问题，本发明提供一种基于无人机协同的无人车路径规划方法，克服了现有的路径规划方法存在的局部最优的问题，能够有效提升无人车路径规划的效果。

2、为实现上述目的，本发明提供了如下的技术方案。

3、一种基于无人机协同的无人车路径规划方法，包括以下步骤：

4、基于无人机搭载的感知系统和定位导航系统建立地面环境的栅格地图，并结合自身感知的环境信息修正补充栅格地图；

5、根据修正补充后的栅格地图，建立以移动路径最短，或耗时最短，或消耗能量最少为约束的无人车路径规划的目标函数；

6、根据目标函数，通过改进型海鸥优化算法进行最优位置更新，确定最优海鸥位置；其中，所述改进型海鸥优化算法为：引入龙格-库塔优化算法和花粉授粉算法改进海鸥优化算法的最优位置更新机制，根据海鸥最优位置以及随机选择种群内部的其他海鸥位置的因素，产生三个最优海鸥位置，并选取其中最优海鸥位置作为当次迭代最优海鸥位置；

7、根据预设的最大迭代次数依次更新的最优海鸥位置，确定最优路径规划结果。

8、优选地，所述通过改进型海鸥优化算法进行最优位置更新，确定最优海鸥位置包括以下步骤：

9、利用高斯映射初始化海鸥种群位置；

10、模拟海鸥的迁徙行为和全局攻击行为；将龙格-库塔优化算法和花粉授粉算法的位置更新方式引入海鸥的全局攻击行为，搜索最优海鸥位置；

11、通过逐维度双向sine变异对最优海鸥位置进一步进行最优位置更新，确定更新后的最优海鸥位置。

12、优选地，所述利用高斯映射初始化海鸥种群位置，包括以下步骤：

13、确定种群的大小n，海鸥寻优下边界lb和海鸥寻优上边界ub；

14、通过高斯映射产生随机数xt：

15、

16、式中，mod(·)为求余函数，xt+1为下一个随机数；

17、利用产生的高斯随机数初始化海鸥位置：

18、ps(t)＝(ub-lb)×xt+lb。

19、优选地，所述模拟海鸥的迁徙行为，包括以下步骤：

20、避免碰撞，采用附加变量a计算海鸥的新位置。

21、cs(t)＝a×ps(t)

22、a＝fc-(t×fc/miter)

23、式中，cs(t)为不与其他海鸥存在位置冲突的新位置，ps(t)为海鸥当前位置，t表示当前迭代次数，miter为最大迭代次数，a表示海鸥在给定搜索空间中的运动行为，fc为控制系数，取值从2降到0；

24、在避免了与其他海鸥的位置重合之后，海鸥会向最佳位置所在的方向移动：

25、ms(t)＝b×(pbs(t)-ps(t))

26、b＝2×a2×rd

27、式中，ms(t)表示最佳位置所在的方向，pbs(t)表示第t次迭代的最佳位置，b是负责平衡全局和局部搜索的随机数，rd为[0,1]范围内的随机数；

28、海鸥移动到不与其他海鸥相撞的位置后，就朝着最佳位置的所在方向进行移动，到达新的位置：

29、ds(t)＝|cs(t)+ms(t)|

30、式中，ds(t)是海鸥的向新位置移动的距离。

31、优选地，所述将龙格-库塔优化算法和花粉授粉算法的位置更新方式引入海鸥的全局攻击行为，搜索最优海鸥位置，包括以下步骤：

32、攻击行为：海鸥在攻击猎物过程中，通过螺旋运动不断改变攻击角度和速度，螺旋运动行为如下式所示：

33、

34、式中：x、y、z为三个方向上的坐标，r是每个螺旋的半径；θ是[0，2π]范围内的随机角度值；u和v是定义螺旋形状的相关常数；e是自然对数的底数；

35、引入龙格-库塔优化算法和花粉授粉算法的位置更新方式，通过使用下式产生新解psnew2(t)：

36、

37、其中：

38、

39、pavg(t)＝η1·pr1(t)+η2·pr2(t)+η3·pr3(t)

40、psnew1(t)＝eβ·(ds(t)×x×y×z+pbs(t))+cos(1-eβ)·pavg(t)

41、φ＝round((1+rand)·(1-rand))

42、其中，rand为[0,1]之间的随机数；randn为服从正态分布的随机数；c为[0,5]之间的随机数；ρ为1、0或者-1之中的随机整数；w为一个随机数，随着迭代次数增加而减少；rand(0,2)为[0,2]之间的随机数；β为[0,1]之间的随机数；pr1(t)、pr2(t)和pr3(t)是表示第t次迭代时随机选择的三个海鸥个体，r1≠r2≠r3；pavg(t)是pr1(t)、pr2(t)和pr3(t)的加权平均值；η1、η2和η3为[0,1]之间的随机数，且三者相加的和为1；pbs(t)表示第t次迭代的最佳位置；psnew1(t)是一个新解，是pbs(t)和pavg(t)的加权和；φ为一个随机数；round(·)为四舍五入运算；

43、生成另一个新解psnew3(t)，定义如下：

44、

45、其中：

46、ppk(t)＝k1+2×k2+2×k3+k4

47、

48、其中，为[0,2]之间的随机数；ppk(t)是基于4阶龙格-库塔方法的位置更新机制，k1、k2、k3和k4是ppk(t)的权重因子；sf为自适应因子，a和b是自适应因子的控制参数；psbi(t)是pr1(t)、pr2(t)和pr3(t)中的最优位置；

49、综上，改进后的海鸥位置公式为：

50、

51、计算适应度值：

52、fitness(t)＝ff(ps(t+1))

53、式中，ff(·)为计算适应度值时的适应度函数；

54、记录当次迭代中最优海鸥。

55、优选地，所述通过逐维度双向sine变异对最优海鸥位置进一步进行最优位置更新，包括以下步骤：

56、对于维度j，根据当前迭代次数计算sine混沌值，并等概率切换正负方向：

57、sinvalue＝sin(πx0)

58、

59、式中，rand为0到1的随机数；x0为迭代序列值；

60、对最优位置进行变异扰动：

61、pbs(j)(t+1)′＝pbs(j)(t+1)+sinvalue×pbs(j)(t+1)

62、式中：pbs(j)(t+1)表示第t+1次迭代的最优位置pbs(t+1)的第j维；

63、贪婪更新：

64、

65、每个维度都进行变异后，停止变异。

66、一种基于无人机协同的无人车路径规划系统，所述系统包括：

67、处理器；

68、存储器，其上存储有可在所述处理器上运行的计算机程序；

69、其中，所述计算机程序被所述处理器执行时实现所述的基于无人机协同的无人车路径规划方法的步骤。

70、一种计算机可读存储介质，所述计算机可读存储介质上存储有数据处理程序，所述数据处理程序被处理器执行时实现所述的基于无人机协同的无人车路径规划方法的步骤。

71、本发明的有益效果：

72、本发明提出一种基于无人机协同的无人车路径规划方法，采用改进型海鸥优化算法进行路径规划，并对海鸥的位置更新方式进行了改进，引入龙格-库塔优化算法和花粉授粉算法改进海鸥算法的位置更新机制，综合考虑了本次迭代海鸥最优位置，随机选择种群内部的其他海鸥位置等因素，并依据不同条件产生新解，实现了算法搜索范围的增大，算法的适应性得以增强，获得更优的海鸥位置，即获得更优的路径规划点，克服了现有的路径规划方法存在的局部最优的问题，能够有效提升无人车路径规划的效果。该方法还通过引入高斯映射进行海鸥种群位置的初始化，可以提升种群位置分布的均匀性和多样性，进而算法的稳定性得以增强；此外，该方法还对最优海鸥利用双向sine混沌映射变异，实现了算法在后期跳出局部最优解的能力，进一步提升路径优化效果。