[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

说明书

本发明属于多智能体系统路径规划技术领域，具体涉及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。本发明提供了一种基于分布式结构的带有反馈混联注意力的生成对抗神经网络模型，并获得了更好的路径规划效果。本发明通过上卷积将聚合后的图像特征恢复到原图像水平，同时将高维图像和低维图像进行融合，从而可以完成对图像的多维度特征提取，最终得到预测路径图像。之后将预测路径图和真实路径图输入到判别器进行迭代学习，使得生成的路径预测图更加贴近真实路径图。所以该模型能够精确地生成路径预测图。

技术领域

本发明属于多智能体系统路径规划技术领域，具体涉及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。

背景技术

路径规划技术在自主机器人、无人机群和无人舰队等多智能体系统中占有重要地位，它的优劣直接决定了多智能体任务的成功率和完成度。路径规划问题的目标是为多智能体生成一条从初始状态到目标状态的无碰撞最优路径。传统的路径规划方法主要是基于图网络法和启发式算法，它们经常会出现路径局部最优的问题，并且在高维空间环境下，算法计算量庞大，不仅占用了内存空间，也无法保证生成一条最优路径。解决该问题的有效方法是针对环境图，提出一种随机搜索树算法，从而引导多智能体以安全的路线向目标点运动。在完成物品运输、空中巡航和海上侦察等任务时，多智能体可以精准地避开障碍物并且运动轨迹更加合理，提高了工作效率的同时避免了不必要的资源损耗。

目前，对多智能体进行路径规划的方法有以下几种：

1)基于随机搜索树算法的路径规划方法。

该方法是在环境图中确定一个起始点，以该点为根节点，对地图进行随机采样，将新的采样点和最近的节点相连，若两节点间的连线没有经过障碍物，则认定新的采样点为有效节点，加入到随机树内；若经过障碍物，则认定新的采样点为无效节点，继续下一次采样。直到目标点进入到随机树的一定范围内，停止搜索，连接目标点和最终的采样点，生成一条由起始点到终止点的可行路径。该方法在全局地图上进行随机采样，具有概率完备性，并且搜索效率高，能保证生成一条从起始点到终点的可行路径，但是该路径不一定为最优路径，并且在障碍物之间的空隙较小的情况下，无法产生连续可行路径，所以该算法路径规划效果欠佳。

2)基于改进的随机搜索树算法的路径规划方法。

该方法是以环境图中的初始点为根节点，在环境图中进行随机采样，若新采样点和最近节点的连线没有经过障碍物，则添加新的采样点到搜索树内，若经过障碍物，则新的采样点无效，进行下一次采样。每次采样过后重新对随机树布线，使得新的采样点到初始点的连线总距离最短，从而达到整体路径最优的效果。该方法能生成一条由起始点到终点的最优路径，但是该方法的搜索路径为全局地图，采样点过多，每次迭代后需要重新布线，导致最终收敛到最优路径的速度缓慢。

综合以上论述，本发明设计的基于分布式结构的带有反馈混联注意力机制的生成对抗神经网络模型可以高效地完成多智能体的路径规划任务。本专利由中国博士后科学基金(2022TQ0179)和国家重点研发计划(2022YFF0610900)资助。

发明内容

本发明针对随机搜索树算法和改进的随机搜索树算法在多智能体路径规划中所带来的局限性问题，提供了一种基于分布式结构的带有反馈混联注意力的生成对抗神经网络模型，并获得了更好的路径规划效果。由于路径规划的好坏直接决定了多智能体的任务完成度，传统的随机搜索树算法和改进的随机搜索树算法通过对环境图进行全局搜索生成一条由起始点到终点的可行路径，具有概率完备性但欠聚焦性，因此如何在环境图中预测路径区域进行重点采样一直是一个具有挑战性的难题。

本发明的技术方案：

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，步骤如下：

步骤1：生成真实路径图像

(1.1)准备环境图