基于連續路網環境的實體化主體路徑規劃算法

2024-03-27 13:38:26安志鏢張茂軍

系統工程與電子技術 2024年4期

劉鋼, 安志鏢, 張茂軍, 劉煜, 李武

(1. 湖南理工學院信息科學與工程學院, 湖南岳陽 414000; 2. 國防科技大學系統工程學院, 湖南長沙 410073; 3. 湖南民族職業學院, 湖南岳陽 414000)

0 引言

復雜環境下的路徑規劃問題始終是任務規劃領域研究的熱點。隨著環境的實時動態變化,需要同時考慮環境連續變化和規劃主體大小,使得規劃路徑能夠切實支撐規劃主體順利通過連續變化的環境。

實體化主體路徑規劃就是指根據主體的實體屬性,規劃出能夠在真實環境中正常行駛的最優或可行路線。真實環境信息往往無法直接使用,所以需要對環境信息進行建模操作。周夢如等[1]提出了基于激光雷達和可見光相機的道路幾何通行性分析方法,利用圖像語義分割技術獲得大致可通行區域,使用三維點云獲取地面幾何信息,并結合履帶車輛的幾何通行性約束和高斯混合聚類,獲得道路野外環境模型。Papadakis[2]對于車輛可通行性的研究做了調查,使用激光雷達等技術獲得三維地形數據,并將獲得三維地形數據與車輛模型相結合進行路徑規劃,是越野行駛、星球探索等環境下較常用的路徑規劃環境建模的方法。Hosseinpoor等[3]提出語義地形分割(semantic terrain segmentation, STS)方法,通過根據不同高度分割地形,并使用深度卷積神經網絡獲得結果。目前,環境信息建模大多采用二元分類的方式進行,即僅將環境信息分為可通行性和不可通行性兩種狀態,環境信息未得到有效利用,為更有效利用環境信息,提出了連續環境建模方式。

針對路徑規劃的環境建模,目前主要分為柵格法和可視圖法。Alireza等[4]提出以柵格為單元表示該區域環境信息。Yao等[5]針對環境特征,將柵格圖中的障礙物分為靜態障礙物、動態障礙物和準靜態障礙物。Lozano-Perez等[6]提出以多邊形描述環境邊界和障礙物輪廓,即可視圖法。針對路徑規劃的環境建模方法一般都將路徑規劃的實體化主體視為一個質點,但在實際應用中,將實體化主體視為一個質點將損失實體化主體的信息,所以針對主體的大小提出實體化主體連續環境模型(model continuous environment with subject objective, MCESO)構建方式。

1 MCESO

1.1 建模思路

MCESO的影響因子主要包含地形因子、植被因子、水文因子、人工設施因子和實體化主體因子。地形因子主要表示地形起伏及坡度信息;植被因子、水文因子和人工設施因子是根據實際場景地物分類信息;實體化主體因子主要考慮實體化主體的大小。實體化主體連續環境建模需要在坡度信息和地物分類信息融合的連續環境模型的基礎上,通過考慮實體化主體大小膨脹操作和清除小連通區域得到MCESO,本文實體化主體以車輛為例。MCESO生成框架圖如圖1所示。

圖1 MCESO框架圖Fig.1 Frame diagram of MCESO

1.2 連續環境建模

為降低連續環境建模的數據存儲量,將每個像素值的大小設為1 bit,其對應的數值范圍為[0,255],數據應符合如下公式:

data(x,y)=m,m=0,1,…,255

(1)

式中:data表示野外環境的數據;m為0～255的正整數。

由于野外環境信息主要為坡度信息和地物分類信息,為方便使用,將數據做如下定義:

其中obstacle表示障礙:

data(x,y)=255, data(x,y)=obstacle

(2)

首先處理地形因子。地形因子主要是坡度信息,為滿足式(1),坡度信息表達式為

(3)

式中:rad表示弧度制結果;int表示對括號內結果取整數部分;ang表示角度值結果。

以車輛為例,在實際行駛的過程中都存在最大坡度。當坡度大于最大坡度時可能出現側滑情況。為避免車輛發生側滑現象,將坡度大于最大坡度的位置設為障礙。根據式(2),坡度處理公式為

(4)

式中:slope表示處理后的坡度值;maxslope表示行駛時的最大坡度。

對于植被因子、水文因子和人工設施因子,由于數據是數字正射影像圖(digital orthophoto map, DOM),需要對DOM數據做地物分類操作,然后對分類結果定性分析。根據式(2),認為植被、水體、房屋為障礙obstacle,認為道路street等為易通行。地物分類處理公式為

(5)

式中:classify表示處理后的分類結果;dom為原始的DOM數據。

通過式(4)和式(5)可以生成處理后的坡度信息和地物分類信息。對坡度信息和地物分類信息進行融合操作,即可得到最終的連續環境模型。判斷公式為

(6)

式中:accessibility表示連續環境模型的柵格值;classify表示地物分類信息的柵格值;slope表示坡度信息的柵格值。

通過式(6)生成的連續環境模型充分利用坡度信息和地物分類信息的結果。

1.3 MCESO建模

通過第1.2節生成的連續環境建模考慮了坡度信息和地物分類信息對于環境模型的影響,構建連續環境模型的主要目的是為了能夠在路徑規劃時能夠充分利用環境信息。但車輛路徑規劃不僅要考慮自然環境對于路徑規劃的影響,還需要考慮車輛本身屬性對于路徑規劃的影響。

對于車輛路徑規劃,需考慮的車輛屬性應包含車輛大小和車輛轉彎半徑。由于在大范圍全局路徑規劃時不需考慮車輛的具體姿態,所以提出在連續環境模型中加入實體化主體約束,然后在路徑規劃時通過利用MCESO建模得到考慮主體自身約束的規劃結果。

實體化主體約束中包含實體化主體大小與轉彎半徑約束,其實際意義是確保實體化主體能夠安全平穩的行駛。為將實體化主體約束融合到連續環境模型中,提出使用膨脹操作,將實體化主體約束融合到膨脹核中,使用膨脹操作對連續環境模型進行操作。膨脹操作示意圖如圖2所示,膨脹操作的公式如下:

圖2 膨脹操作Fig.2 Expansion operation

swell(x-a,y-a)=

(7)

式中:f(x,y)表示原始圖像(x,y)位置的像素值;w(a,b)表示膨脹核(a,b)位置的像素值。

膨脹操作的核心是膨脹核的設計。膨脹核的設計以使用實體化主體大小作為基準。以車輛為例,基于設計的簡單性,僅考慮車輛的8個方向。如圖3所示,A、B、C、D分別表膨脹核的4個頂點;M、N、P、Q分別表示車輛的大小。其中,白色視為車輛,其像素值設為0;綠色為非車輛位置,像素值為1。由于車輛的8個方向可以認為是車輛的4個姿態,圖3(a)為車身上下方向姿態;圖3(b)為車身左右方向姿態;圖3(c)為車身向左傾斜45°方向姿態;圖3(d)為車身向右傾斜45°方向姿態。

圖3 膨脹核設計Fig.3 Expansion kernel design

使用圖3中的所有膨脹核對連續環境模型做膨脹操作,膨脹操作的結果可以認為車輛在膨脹后的任意一點都可通行。對4個膨脹核膨脹后的結果做融合,即認為只要4個膨脹核膨脹后結果中的像素有一個點可通行,該像素點認為可通行。膨脹融合公式為

fusion(i,j)=max(fusion1(i,j),

fusion2(i,j),fusion3(i,j),

fusion4(i,j))

(8)

式中:fusion表示膨脹融合的結果;fusion1, fusion2, fusion3, fusion4分別表示對于4個膨脹核膨脹后的結果。式(8)表示當前像素點的數值為4個膨脹結果像素值的最大值。

對實體化主體連續環境建模進行膨脹操作后會出現大量小連通區域。小連通區域是指該區域不與其余區域連通,并且區域較小,該區域進行路徑規劃計算是不合理的,所以需要對小連通區域進行清除工作,清除小連通區域的方法如圖4所示。

圖4 清除小連通區域方法流程圖Fig.4 Flowchart of clearing small connected domaining method

1.4 建模流程

實體化主體連續環境建模的構建步驟如下。

步驟 1根據數字高程模型利用坡度計算公式得到坡度信息數據。

步驟 2根據DOM利用深度學習方法得到地物分類信息數據。

步驟 3將坡度信息數據與地物分類信息數據進行融合,得到連續環境模型。

步驟 4將野外環境模型根據車輛參數信息進行膨脹操作,得到連續環境膨脹模型。

步驟 5將可通行性膨脹分析結果進行清除小連通區域操作,得到MCESO。

MCESO算法流程圖如圖5所示。

圖5 MCESO流程圖Fig.5 Flow chart of MCESO

2 MCESO-RNP-路徑規劃算法

2.1 MCESO-算法的估價函數優化

圖6 MCESO示意圖Fig.6 Diagram of MCESO

(9)

式中:ln-1.n表示上一個節點到當前節點的距離;ln,goal表示從當前節點到終點的距離;slope表示MCESO通過某一位置的代價;α表示對環境模型的懲罰程度。

2.2 MCESO-RNP-算法的估價函數優化

圖7 道路權重圖示意圖Fig.7 Diagram of road weights

(10)

式中:weight表示道路權重圖在某一位置的權重值。

2.3 算法流程

圖8 MCESO-RNP-算法流程圖Fig.8 Flow chart of MCESO-RNP- algorithm

算法流程如下所示。

步驟 1初始化起點列表StartSet,終點列表EndSet和搜索過的列表CloseSet。起點列表表示從起點開始搜索的OpenSet,終點列表表示從終點開始搜索的OpenSet。

步驟 3通過代價表判斷起點或終點是否在障礙中。若在障礙中,則結束算法;若不在,則執行步驟4。

步驟 4將起點放入StartSet中,終點放入EndSet中,并從代價表中查出通過當前節點的代價。

步驟 5分別從StartSet和EndSet取出代價最小的節點作為當前節點,并從StartSet和EndSet刪除該節點。

步驟 6判斷當前節點是否相遇或StartSet、EndSet中是否為空。若相遇或為空,則執行步驟8;若否,則執行步驟7。

步驟 7使用八鄰域的方式擴展當前節點,并將擴展的節點放入StartSet或EndSet中,并將當前節點放入CloseSet中,然后執行步驟5。

步驟 8從終點回溯到起點,得到最終路徑。

3 仿真試驗與分析

MCESO仿真分別對連續環境模型,連續環境模型膨脹后結果和MCESO進行對比。

表1 不同算法對比Table 1 Comparison of different algorithms

3.1 MCESO仿真

實驗需要真實環境下的數字高程模型和DOM,實驗的真實環境如圖9所示,分別對真實環境中的數字高程模型和DOM進行處理。

圖9 真實環境圖Fig.9 Real environment diagram

將坡度圖與地物分類圖進行融合操作得到連續環境模型如圖10所示,圖中白色部分表示障礙區域,黑色表示道路,灰色部分表示該區域的坡度。構建使用車輛參數為4 m×7.5 m,構建膨脹所需的膨脹核,使用該膨脹核膨脹后的膨脹圖如圖11所示。從圖10和圖11可以看出,連續環境模型由于沒有考慮運動實體大小,可通過區域明顯大于使用膨脹后的結果。MCESO膨脹圖如圖12所示,通過圖11和圖12可以看出,存在小部分的非連通區域。為避免路徑規劃時出現非必要的路徑不可通行的情況,所以對膨脹結果圖進行連通性分析操作,即根據的閾值為全部面積的0.001,進行消除小連通區域操作。