發(fā)布時間：2021-08-13 22:45

　　針對無人機路徑規(guī)劃中全局靜態(tài)路徑優(yōu)化和局部動態(tài)避障的需求,提出一種基于生物神經動力學模型的改進A^*算法實現全局冬天路徑規(guī)劃。建立生物神經動力學模型,并應用該模型實時獲取環(huán)境中的動態(tài)障礙物信息,通過神經元的活性值來引導無人機的局部動態(tài)避障。設計了一種A^*算法的優(yōu)化啟發(fā)函數,有效地減少A^*算法在全局路徑搜索過程中的節(jié)點數量,提高A^*算法的全局搜索效率。最后,將生物動力學模型中神經元的活性值融入到A^*算法的實際代價函數中,融合算法保證了A^*算法在全局路徑優(yōu)化的性能,又秉承了生物神經動力學模型的局部實時避障能力。靜態(tài)路徑和動態(tài)路徑下仿真結果表明:與生物動力學模型相比,該融合算法考慮到實際代花費問題,能夠在動態(tài)和靜態(tài)環(huán)境下規(guī)劃出一條低代價的全局路徑;與A^*算法相比,該融合算法可提高全局搜索效率,且實現實時動態(tài)避障性能。 

【文章來源】：農業(yè)裝備與車輛工程. 2019,57(06)

【文章頁數】：5 頁

【部分圖文】：

神經動力學模型中神經元i與周圍26個神經元三維結構

勵輸入常量：E=50。設置無人機的起始點坐標為（1，1，1），終點坐標為（8，8，9），靜態(tài)環(huán)境中的障礙物如圖4（a）所示。為了驗證基于生物神經動力學模型的A*算法在三維路徑規(guī)劃中實時避障、全局優(yōu)化的性能，進行了2組實驗。實驗1是基于靜態(tài)環(huán)境下無人機的全局路徑規(guī)劃，實驗2是在實驗1的基礎上加上動態(tài)障礙物，以驗證融合算法的實時避障性能。3.1全局靜態(tài)環(huán)境下路徑規(guī)劃為了驗證融合算法在全局靜態(tài)環(huán)境下路徑規(guī)劃的性能，分別加入傳統的A*算法和生物神經動力學模型法進行實驗仿真比較，仿真結果如圖3所示。如圖3（a）所示，生物神經動力學模型以消耗路徑為代價尋找最小活性值的神經元為路徑節(jié)點，雖然能夠在靜態(tài)全局路徑規(guī)劃中找到一條從起點到終點的無碰撞的路徑，但是不能滿足全局路徑最優(yōu)性能。如圖3（b）所示，基于生物神經動力學模型的A*算法考慮到實際路徑代價，利用A*的啟發(fā)函數對活性值相對較低的神經元節(jié)點進行代價估算，可以避免舍棄全局最優(yōu)路徑上的節(jié)點,保證融合算法在靜態(tài)環(huán)境下路徑規(guī)劃的全局最優(yōu)性能。結合表1可以看出：與傳統的A*算法比較，本文的融合算法利用優(yōu)化的啟發(fā)函數將搜索的節(jié)點從105個減少到23個，相應的搜索時間從30.7s降低到6.4s，融合算法的效率明顯提高；相比較生物神經動力學模型，本文的融合算法雖然在搜索時間和節(jié)點數目上相近，但是在全局路徑上有明顯的改善，路徑長度從18.2m縮短為14.9m。從實際路徑代價和耗時兩方面綜合考慮，本文的融合算法比傳統的算法有明顯的提升，能夠找到一條耗時少、低代價的全局路徑。表1融合算法與傳統算法在全局靜態(tài)路徑規(guī)劃的性能比較Tab.1Performancecomparisonbetweenfusionalgorithmandtraditionalalgorithminglobalstaticpathplanning算法規(guī)

54農業(yè)裝備與車輛工程2019年能。如圖4（c）所示，能夠在全局動態(tài)環(huán)境下尋找到一條從起始點到目標點無碰撞的低代價路徑。從表2的數據可以看出，在動態(tài)環(huán)境中，三維神經動力學模型獲取動態(tài)障礙物的信息需要更新全局的神經元活性，比在靜態(tài)環(huán)境下的規(guī)劃時間增加了一倍，無法完成動態(tài)環(huán)境下的實時避障性能。本文的融合算法通過啟發(fā)函數對擴展節(jié)點的約束，在有動態(tài)障礙物時僅僅更新局部障礙物的神經元活性值，時間從12.5s減小到8.6s，提升了算法的效率；同時該算法秉承了A*算法的全局優(yōu)化性能，全局路徑從21.4m縮短為16.7m。表2融合算法與傳統算法在全局動態(tài)路徑規(guī)劃的性能比較Tab.2Performancecomparisonbetweenfusionalgorithmandtraditionalalgorithminglobaldynamicpathplanning算法規(guī)劃時間/s搜索節(jié)點數目全局路徑長度/m神經元更新個數基于生物神經動力學模型12.52821.410×10×10=1000本文的融合算法8.63116.71454結論針對無人機路徑規(guī)劃過程中全局靜態(tài)路徑優(yōu)化和局部動態(tài)避障的問題，本文提出一種基于生物神經動力學模型和改進A*算法的融合算法。本文對A*算法的啟發(fā)函數進行改進，能夠有效減少A*算法搜索空間，提高了算法的實時效率�；谏锷窠泟恿W模型的動態(tài)避障效果，結合A*算法的全局優(yōu)化性能，設計了一種顧及全局動態(tài)路徑規(guī)劃的代價函數。實驗仿真表明，在靜態(tài)或動態(tài)的工作環(huán)境下，該融合算法兼并了全局路徑最優(yōu)性能和實時動態(tài)避障性能。參考文獻[1]WuChaoshuai,LiuGuorong,ZhangWenli,etal.A*algorithmusedinthree-dimensionalenvironmentforoptimalpathplanning[C].Xiamen,China:InternationalConferenceonAutomaticControlandArtificialIntelligence(ACAI2012),2012:5-8.[2]Re


本文編號：3341260