針對(duì)無人機(jī)路徑規(guī)劃中全局靜態(tài)路徑優(yōu)化和局部動(dòng)態(tài)避障的需求,提出一種基于生物神經(jīng)動(dòng)力學(xué)模型的改進(jìn)A^*算法實(shí)現(xiàn)全局冬天路徑規(guī)劃。建立生物神經(jīng)動(dòng)力學(xué)模型,并應(yīng)用該模型實(shí)時(shí)獲取環(huán)境中的動(dòng)態(tài)障礙物信息,通過神經(jīng)元的活性值來引導(dǎo)無人機(jī)的局部動(dòng)態(tài)避障。設(shè)計(jì)了一種A^*算法的優(yōu)化啟發(fā)函數(shù),有效地減少A^*算法在全局路徑搜索過程中的節(jié)點(diǎn)數(shù)量,提高A^*算法的全局搜索效率。最后,將生物動(dòng)力學(xué)模型中神經(jīng)元的活性值融入到A^*算法的實(shí)際代價(jià)函數(shù)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(jīng)動(dòng)力學(xué)模型的局部實(shí)時(shí)避障能力。靜態(tài)路徑和動(dòng)態(tài)路徑下仿真結(jié)果表明:與生物動(dòng)力學(xué)模型相比,該融合算法考慮到實(shí)際代花費(fèi)問題,能夠在動(dòng)態(tài)和靜態(tài)環(huán)境下規(guī)劃出一條低代價(jià)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(shí)現(xiàn)實(shí)時(shí)動(dòng)態(tài)避障性能。 

【文章來源】：農(nóng)業(yè)裝備與車輛工程. 2019,57(06)

【文章頁數(shù)】：5 頁

【部分圖文】：

神經(jīng)動(dòng)力學(xué)模型中神經(jīng)元i與周圍26個(gè)神經(jīng)元三維結(jié)構(gòu)

勵(lì)輸入常量：E=50。設(shè)置無人機(jī)的起始點(diǎn)坐標(biāo)為（1，1，1），終點(diǎn)坐標(biāo)為（8，8，9），靜態(tài)環(huán)境中的障礙物如圖4（a）所示。為了驗(yàn)證基于生物神經(jīng)動(dòng)力學(xué)模型的A*算法在三維路徑規(guī)劃中實(shí)時(shí)避障、全局優(yōu)化的性能，進(jìn)行了2組實(shí)驗(yàn)。實(shí)驗(yàn)1是基于靜態(tài)環(huán)境下無人機(jī)的全局路徑規(guī)劃，實(shí)驗(yàn)2是在實(shí)驗(yàn)1的基礎(chǔ)上加上動(dòng)態(tài)障礙物，以驗(yàn)證融合算法的實(shí)時(shí)避障性能。3.1全局靜態(tài)環(huán)境下路徑規(guī)劃為了驗(yàn)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(tǒng)的A*算法和生物神經(jīng)動(dòng)力學(xué)模型法進(jìn)行實(shí)驗(yàn)仿真比較，仿真結(jié)果如圖3所示。如圖3（a）所示，生物神經(jīng)動(dòng)力學(xué)模型以消耗路徑為代價(jià)尋找最小活性值的神經(jīng)元為路徑節(jié)點(diǎn)，雖然能夠在靜態(tài)全局路徑規(guī)劃中找到一條從起點(diǎn)到終點(diǎn)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(jīng)動(dòng)力學(xué)模型的A*算法考慮到實(shí)際路徑代價(jià)，利用A*的啟發(fā)函數(shù)對(duì)活性值相對(duì)較低的神經(jīng)元節(jié)點(diǎn)進(jìn)行代價(jià)估算，可以避免舍棄全局最優(yōu)路徑上的節(jié)點(diǎn),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(jié)合表1可以看出：與傳統(tǒng)的A*算法比較，本文的融合算法利用優(yōu)化的啟發(fā)函數(shù)將搜索的節(jié)點(diǎn)從105個(gè)減少到23個(gè)，相應(yīng)的搜索時(shí)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(jīng)動(dòng)力學(xué)模型，本文的融合算法雖然在搜索時(shí)間和節(jié)點(diǎn)數(shù)目上相近，但是在全局路徑上有明顯的改善，路徑長(zhǎng)度從18.2m縮短為14.9m。從實(shí)際路徑代價(jià)和耗時(shí)兩方面綜合考慮，本文的融合算法比傳統(tǒng)的算法有明顯的提升，能夠找到一條耗時(shí)少、低代價(jià)的全局路徑。表1融合算法與傳統(tǒng)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(nóng)業(yè)裝備與車輛工程2019年能。如圖4（c）所示，能夠在全局動(dòng)態(tài)環(huán)境下尋找到一條從起始點(diǎn)到目標(biāo)點(diǎn)無碰撞的低代價(jià)路徑。從表2的數(shù)據(jù)可以看出，在動(dòng)態(tài)環(huán)境中，三維神經(jīng)動(dòng)力學(xué)模型獲取動(dòng)態(tài)障礙物的信息需要更新全局的神經(jīng)元活性，比在靜態(tài)環(huán)境下的規(guī)劃時(shí)間增加了一倍，無法完成動(dòng)態(tài)環(huán)境下的實(shí)時(shí)避障性能。本文的融合算法通過啟發(fā)函數(shù)對(duì)擴(kuò)展節(jié)點(diǎn)的約束，在有動(dòng)態(tài)障礙物時(shí)僅僅更新局部障礙物的神經(jīng)元活性值，時(shí)間從12.5s減小到8.6s，提升了算法的效率；同時(shí)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(tǒng)算法在全局動(dòng)態(tài)路徑規(guī)劃的性能比較Tab.2Performancecomparisonbetweenfusionalgorithmandtraditionalalgorithminglobaldynamicpathplanning算法規(guī)劃時(shí)間/s搜索節(jié)點(diǎn)數(shù)目全局路徑長(zhǎng)度/m神經(jīng)元更新個(gè)數(shù)基于生物神經(jīng)動(dòng)力學(xué)模型12.52821.410×10×10=1000本文的融合算法8.63116.71454結(jié)論針對(duì)無人機(jī)路徑規(guī)劃過程中全局靜態(tài)路徑優(yōu)化和局部動(dòng)態(tài)避障的問題，本文提出一種基于生物神經(jīng)動(dòng)力學(xué)模型和改進(jìn)A*算法的融合算法。本文對(duì)A*算法的啟發(fā)函數(shù)進(jìn)行改進(jìn)，能夠有效減少A*算法搜索空間，提高了算法的實(shí)時(shí)效率�；谏锷窠�(jīng)動(dòng)力學(xué)模型的動(dòng)態(tài)避障效果，結(jié)合A*算法的全局優(yōu)化性能，設(shè)計(jì)了一種顧及全局動(dòng)態(tài)路徑規(guī)劃的代價(jià)函數(shù)。實(shí)驗(yàn)仿真表明，在靜態(tài)或動(dòng)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(shí)時(shí)動(dòng)態(tài)避障性能。參考文獻(xiàn)[1]WuChaoshuai,LiuGuorong,ZhangWenli,etal.A*algorithmusedinthree-dimensionalenvironmentforoptimalpathplanning[C].Xiamen,China:InternationalConferenceonAutomaticControlandArtificialIntelligence(ACAI2012),2012:5-8.[2]Re


本文編號(hào)：3341260