[发明专利]一种基于概率模型的路径规划方法、系统及介质

说明书

本发明公开了一种基于概率模型的路径规划方法、系统及介质，该方法包括给定地图或点云上的起点和终点位置；多次执行改进的RRT算法；构造概率转移矩阵；基于概率模型进行路径规划；基于push动态规划算法进行最优路径计算。本发明对RRT方法进行了改进，克服其因步长固定而自由度较低的问题，使得RRT模型具有更大的随机性，在RRT实验中可覆盖尽可能多的节点。本发明采用基于push的方法实现高效的动态规划解法，不仅克服出现局部最优解的问题，而且对比常规动态规划方法的空间复杂度较低，占用的计算机内存较小，运行计算效率更高。

技术领域

本发明属于机器人的技术领域，具体涉及一种基于概率模型的路径规划方法、系统及介质。

背景技术

路径规划是寻找给定两点之间的一条距离最短或者其它最优准则下的路径，且沿着这路径路行走不会和其它的物体发生碰撞。两点之间的最优路径可能是拐弯最少的路径，也可能是减速最少的路径，亦或是任何其它应用要求的最优路径。路径规划不仅在机器人领域受到广泛关注，其在无人车驾驶，无人机避障，GPS导航，GIS道路规划，基因序列和电脑游戏等领域也发挥了巨大的作用。本发明给出的路径规划方案强调机器人在行走时与周围环境交互时的安全性，能够保证比较友好的人机交互过程，此发明能够广泛地应用于服务型机器人，也能够应用在无人车导航领域，具有较好的市场应用前景和产业化价值。

设计路径需要满足约束条件的能量函数，然后通过优化技术搜索最优的路径是一种常用的路径规划方案。人工势场法通过建模引力场和斥力场以达到设计最优路径的目的。人工势场将障碍物对机器人的阻碍作用建模为斥力场，排斥机器人靠近障碍物，将目标位置对机器人的吸引建模为引力场，在引力场和斥力场的作用下引导机器人到达目标位置。人工势场法设计的路径比较光滑，而且不会撞上障碍物，但该方法存在一些伪目标点，当机器人到达这些位置时，算法不能给出下一步机器人前进的方向，但其陷入局部最优解。整数规划，深度优先，广度优先，最佳优先，神经网络等方法也是基于能量函数的路径规划方法。

用几何方法设计机器人行走的路径一般是将空间划分为一些基本的几何单元，然后将这些基本几何单元中不包含障碍物的单元组成一个集合，形成无碰撞空间，最后在无碰撞空间中寻找最优路径，常见的几何路径规划方法有自由空间法，Voronoi图方法和可视图方法等。几何路径规划方法首先构建一个路径图络，然后基于网络的路径规划方法寻找最优路径,在路径寻找以后进一步平滑路径，使机器人在此路径上易于行走。

上面所述的都是传统的路径规划方法，一般这些方法在地图比较复杂且规模较大时会出现计算复杂度较高，计算时间长，和局部极小值点等问题。而且传统的路径规划方法处理静态场景的情形，对于动态场景更是不易处理。

模拟退火算法由Alfaro和Garcia于1998年首次引入到机器人路径规划领域，使得大场景的路径规划问题的求解成为可能，但是此方法收敛速度较慢，而且搜索得到的路径具有随机性。基于增强的模拟退火方法搜索动态环境下的最优路径，部分地克服了模拟退火算法的弱点。禁忌搜索应用于路径规划的能够有效地避免陷入局部最优点。蚁群优化方法是另一种有效地最优路径计算方法,如SCAO-MH(Simple Ant Colony OptimizationMeta-Heuristic)方法存储一张已访问节点信息表的方法，能够有效地克服蚁群算法处理路径规划时的局部极值点问题。概率路径图法构建了一个启发函数，然后根据此启发函数寻找最优路径。另外，粒子群方法在路径规划中也有广泛的应用。上述的这些方法都可视为元启发式方法，这些方法的优点是能够高效地获得路径解，但是这些方法一般都是随机的，故不能获得唯一解，而且很多时候它们也并不能获得实时解。

Dijkstra算法是图上的最短路径搜索算法，但是其效率较低。为了利用Dijkstra算法的优点，并提高其效率，研究人员提出了A*算法，目前A*算法及其变种是使用的比较广泛的一种启发式路径规划算法。A*算法的高效性主要在于应用启发函数减少搜索节点。