[发明专利]一种针对最优路径规划的分布式反馈混联注意力网络模型

权利要求书

1.一种针对最优路径规划的分布式反馈混联注意力网络模型，其特征在于，步骤如下：

步骤1：生成真实路径图像

(1.1)准备环境图

环境图是由黑白两种颜色构成的灰度图，静态障碍物由黑色表示，可运动区域由白色表示，图中两点分别代表运动的起始点和终止点；

(1.2)选择改进的随机搜索树算法生成真实路径

改进的随机搜索树算法的输入为环境图，将图中的起始点作为搜索树的根节点，在环境图上进行随机采样，新的采样点为X_rand，在搜索树中找寻距离X_rand最近的点，记为X_near，连接X_rand和X_near，X_near指向X_rand的方向为搜索树生长的方向，选取一个步长Step作为随机树生长的距离，若X_near与X_rand之间的距离小于Step，则X_rand即为下一个新的节点X_new，若X_rand与X_near之间的距离大于Step，则从X_near沿树生长的方向计算一个Step距离，得到新的节点X_new；之后判断X_near到X_new的连线是否穿过障碍物，如果穿过代表该路径无效，放弃节点X_new；如果没有穿过代表该路径有效，则将X_new加入到搜索树中；以X_new为中心，在一定半径范围内找寻与X_new相邻节点X_nearest，计算起始点到X_nearest的路径距离与X_nearest到X_new的路径距离之和，选取路径距离最小的节点X_min作为新的父节点代替原有的采样点X_near，并且为X_min的相邻节点重新布线，使得所有节点到起始点的距离总和最小；当终止点进入到搜索树节点的一定范围内，连接终止点和末端节点，所有起点到终点的路径集合为真实路径集；

步骤2：构建反馈混联注意力机制模型

(2.1)混联注意力网络

混联注意力网络主体由通道注意力机制、空间注意力机制和位置注意力机制三部分组成，空间注意力和位置注意力机制并联再与通道注意力机制串联，空间注意力模块利用特征的空间关系得到特征间的相关性，位置注意模块将范围更广的上下文信息编码为局部特征，从而增强其表示能力；

(2.2)循环反馈网络

首先将初始特征(x)经过卷积核为1*1的卷积网络(Conv2)，另一部分经过卷积核为1*1的卷积网络(Conv3)、卷积核为3*3的卷积网络(Conv4)和卷积核为1*1的卷积网络(Conv5)，二者求和为第一次提取特征的结果之后开始进行循环反馈过程，将t＝0时刻得到的结果正反馈到输入位置，此时经通过下面Conv3、Conv4和Conv5的卷积网络，所有时刻的循环反馈过程表示如下：

其中F表示卷积运算，下标表示卷积模块名称，上标表示第t次时刻下的卷积，x表示输出特征输入；

整个循环反馈过程如图所示，初始特征通过并联的位置注意力机制和空间注意力机制，将结果拼接后输入通道注意力机制，同时初始特征输入循环反馈网络，将最后一次反馈的输出与Conv1之后的结果相加，整个流程如下：

其中F_PSCAF表示反馈混联注意力模块的输出结果，F_Conv1表示经过卷积模块Conv1的输出，F_CA表示经过通道注意力模块的输出，F_PA表示经过位置注意力模块的输出，F_SA经过空间注意力模块的输出，经过t次反馈卷积之后的输出；步骤3：生成对抗网络

(3.1)分布式结构的生成器网络

生成器网络基于U-net的网络架构，该网络分为编码器和解码器两部分；编码器主体由分布式结构的卷积和反馈混联注意力模块构成；生成器的损失定义为生成映射和目标映射的sigmoid交叉熵损失函数，生成器部分损失表达为：

CE(g,t)＝-[t*ln(M)+(1-g)*ln(1-M)](13)

其中g,t代表两组输入，M表示经过sigmoid函数的结果，CE为两组输入的交叉熵损失函数；

(3.2)判别器

判别器网络包括两组输入，一组为环境图和真实路径图像，判别器网络应将其判别为真，另一对为全局环境图和基于分布式结构的带有反馈混联注意力机制的神经网络预测路径图，判别器网络应将其判别为假；

步骤4：对输入的环境图进行路径预测

首先根据输入的环境图，通过步骤1的随机搜索树算法获得真实路径图，然后把环境图输入到基于分布式结构的带有反馈混联注意力机制的生成器生成路径预测图，通过不断迭代学习，最终得到针对初始环境图的路径预测图。