改进的A*算法的路径规划(3)

5.4实验结果与讨论

为验证本文算法的有效性,在模拟越野环境中完成路径规划,并通过仿真对比 实验验证了本文改进算法的可行性和综合性能的优越性。

5.4.1   A*实验对比

为了验证改进A* 算法与传统A* 的优越性,建立了70×50的栅格地图(并不是 越野地图,因为传统 A*算法不适用于越野栅格地图),传统 A* 算法本文也设置为 16邻域节点选择,设置单位栅格长度cell₄=1m,  步长 k=2, 原自适应评估函数则变 为。

f(n)=R(g(n₂)+D_P*Step)+R,(h(n))

同时为了量化算法性能,本文设定了评定函数P,P 设定为智能车辆按算法规 划的路径进行移动所需要的时间,具体为:

P=1/v+N₀+0/45°

式中:1为路径长度, v 为智能车速度,本文假设1m/s,N₀    为路径拐点数,θ为转角和。

 (a)传统A*算法规划的路径

(b)改进A*算法规划的路径

图5-14传统 A*算法与改进A*算法比较

 5 - 3        

比较参数

传统A*算法

改进A*算法

节点数/个

597

416

路径长度/m

110.46

98.77

转角和/度

247.6

90

拐点数/个

11

2

评定函数P/s

126.96

102.86

通过观察图5-14,可以明显的看出改进的A* 算法规划的路径更为平滑,由于 引入了方向变化惩罚,使得规划的路径只有2个拐点,而传统A* 却有11个拐点。 通过表5-3可看出,改进的A*算法基本各个方面均优于传统A*,  在算法效率上提 高了30%,尤其在拐点数上减少了5倍。实验表明改进 A* 算法灵活性更高,能依据环境信息的不同,有效改变搜索空间,获得全局上的最优路径。

  map2d=Array2D(w,h)for x in range(4,20):for y in range(0,13):map2d[x][y]=1for x in range(0,18):for y in range(16,20):map2d[x][y]=1for x in range(25,30):for y in range(5,20):map2d[x][y]=1"""""" #设置障碍(地图二) 

5.4.2 越野环境路径规划对比

为了验证本文所提算法在越野环境下的性能,建立70×50的越野栅格地图,并 将规划出结果与传统 A* 算法(传统 A* 算法在越野环境只考虑障碍物),APF 算法 (假设在越野栅格地图值大于0.7的栅格为障碍物)进行对比。图5-15(c)和图 5-15(d) 分别为改进 A*算法在不同环境威胁敏感度ε规划的路径。当越野智能车辆越野性 能较差、防碰撞能力较差时,可选择威胁敏感度ε=2,如图5-15(d)所示规划的路 径能够避开障碍物、通过性差的路面和有效威胁区域,安全的到达终点;但如果越 野车辆具有较好的越野性能,可选择威胁敏感度ε=1,此时规划的路径如图5-15(c) 所示,能过穿越沙地通过性差的路面,安全的避开有效威胁区到达终点。

 

图5-15(a)和图5-15(b)分别为传统 A* 算法和 APF 算法所规划的路径,它们规 划的路径均能避开障碍物到达终点,但是与改进A* 相比,本文方法具有以下优势: 1)通过对越野环境建模,能够识别环境威胁和不同道路,能够避免智能车辆从有效 威胁区和通过性差的路面中通过,造成安全风险。2)引入了方向变化惩罚,使得规 划的路径具有拐点少、路径平滑和转弯角度小的优点。3)根据环境位置信息,自适 应调整算法搜索范围,提高算法效率。4)能够通过智能车辆特性,根据取不同的威胁敏感度ε来进行个性化路径规划。

表5 - 4越野环境路径规划算法对比

路径算法

路径长度

拐点数

运行时间

路径平滑

规避障碍

规避威胁

道路选择

改进A*1

165.7

4

1.81

V

改进A*2

171.1

3

1.98

V

传统A*

160.8

10

1.41

×

×

×

APF

182.3

19

1.37

×

V

X

改进 A*算法与其余算法性能指标对比如表5-4 所示。由表5-4可知,改进的 算法考虑多种越野环境因素影响,因而规划时间略长,但是结合局部区域复杂度惩 罚,只比传统 A*算法少0.4s 。规划路径时要避开威胁要素的影响和通过性差的区 域,所以规划的路径距离略远,但智能车辆行驶的安全性高,生成的路径更为平滑,因此其综合性能较优。

 #地图五       for x in range(15,20):for y in range(0,13):map2d[x][y]=1for x in range(0,18):for y in range(16,20):map2d[x][y]=1for x in range(25,30):for y in range(5,20):map2d[x][y]=1 for x in range(6,20):for y in range(6,7):map2d[x][y]=1for x in range(8,10):for y in range(11,18):map2d[x][y]=1 for x in range(0,8):for y in range(3,4):map2d[x][y]=1 

为了进一步验证所提算法的有效性,建立尺寸为50×50和30×80的越野地图 A 和越野地图B,  并测试在不同威胁敏感度ε规划路径的特点,所得结果如图5-16和图5-17所示。

5.5 本章小节

本节针对越野场景路径规划问题,采用栅格法建立障碍物、威胁物和越野道路 模型,模拟真实的越野环境场景。引入方向变化惩罚和局部区域复杂度惩罚来优化 A*算法,使算法规划出的路径更平滑,算法效率更高效。采用改进 Floyd 算法对路 径进行双向平滑,并且进行了防碰撞处理,来确保规划出路径的安全可靠性。仿真 结果表明,所改进的A*算法与传统算法相比较,效率提高了30%,拐点数减少了 4倍,所提算法能够在越野环境多重因素综合影响以及不同车辆性能和任务的要求下快速的规划出安全的路径 

第六章 总结与展望

6.1 总结

基于视觉的无人驾驶系统在实际复杂场景中存在光照、阴影、道路种类和其他 噪声等问题的影响,使得基于视觉的感知算法在检测精度和效率上仍然存在不足, 例如光照干扰严重影响立体匹配算法精度、背景噪声大大提高道路分割算法的时 间复杂度和不同道路类型要求规划算法具有更好的鲁棒性等。本文以智能车辆的 环境感知技术和路径规划为研究出发点,针对现有的障碍物检测、道路识别和路径规划算法中存在的问题进行了研究,研究结果总结如下:

(1)针对在视差不连续区域、遮挡部分和弱纹理区域,传统局部立体匹配算法 匹配精度低下等问题,提出了一种基于双目立体视觉结构的道路场景三维重建和 障碍物检测算法。首先,针对传统立体匹配算法对光照场景与小物件匹配效果不好 的缺陷,提出了一种基于特征金字结构的卷积神经网络立体匹配算法来计算初始 匹配代价;然后,引入了快速引导图滤波算法实现了代价聚合,减少了计算时间复 杂度;改进动态规划视差值算法用于视差值选取,解决了传统 WTA 视差值选择算 法的视差不连续性问题和传统的动态规划视差值选择计算时间复杂性高的缺陷; 最后左右一致性检测、子像素拟合和唯一性检测等视差求精算法,解决了遮挡与视 差值不连续区域图像的匹配问题。通过对所提的网络进行消融试验,结果证明了所 设计的网络结构拥有更佳的匹配准确度,并拥有更高的运算效率。通过与其他优秀 的算法所进行的定性对比,证明了所提的算法拥有的对光照变化不敏感、运算效率 高和精度高等优点。

 #路面分类地图1for i in range(0,13):for j in range(20,30):map2d[i][j]=0.7for i in range(4,8):for j in range(15,20):map2d[i][j]=1.0for i in range(2,7):for j in range(0,13):map2d[i][j]=0.8       for i in range(5,8):for j in range(0,10):map2d[i][j]=1.0for i in range(17,30):for j in range(0,12):map2d[i][j]=0.2for i in range(10,17):for j in range(10,17):map2d[i][j]=0.8

(2)针对非结构化场景具有缺乏清晰的道路线和存在复杂的背景干扰等问题,  提出了一种结合立体视觉的道路消失点检测方法。首先,结合双目视觉技术,实现  对路面区域与背景区域的快速估计;其次提出了一系列投票点与候选点的选择规  则,以提高检测的准确性与减少计算时长,结合一种有效的投票策略,将在投票空  间中获得票数最高的候选点视为消失点;最后,在消失点约束下,融合路面颜色特  征、路面区域占比特征和纹理特征,在积分图方法加速下快速准确的分割出道路线。  KITTK 数据集下选择各种非结构道路场景上的实验结果表明,消失点检测上与  现有的3种方法相比,该方法具有精度高、检测速度快的特点,在道路线分割上与现有的2种方法相比,该方法的精度更高,鲁棒性更好。

 

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/218747.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

如何制作AI数字人高清模型?

数字人是什么?重新下一个定义:"把人数字化,以行人的职责“它是用AI技术根据你的真人形象克隆出一个数字人,跟真人的相似度可以达到100%以上的,像你的动作、表情还有声音,都是可以被克隆出来。克隆出来…

SpringBoot程序打包失败处理

🙈作者简介:练习时长两年半的Java up主 🙉个人主页:程序员老茶 🙊 ps:点赞👍是免费的,却可以让写博客的作者开心好久好久😎 📚系列专栏:Java全栈,…

最新鸿蒙HarmonyOS4.0开发登陆的界面2

登陆功能 代码如下: import router from ohos.router; Entry Component struct Index {State message: string XXAPP登陆State userName: string ;State password: string ;build() {Row() {Column({space:50}) {Image($r(app.media.icon)).width(200).interpol…

josef约瑟 静态电压继电器 HWY-41B 19-240V 导轨式安装

HWY-40系列无辅源静态电压继电器 HWY-41A无辅源静态电压继电器 HWY-42A无辅源静态电压继电器 HWY-43A无辅源静态电压继电器 HWY-44A无辅源静态电压继电器 HWY-45A无辅源静态电压继电器 HWY-41B无辅源静态电压继电器 HWY-42B无辅源静态电压继电器 HWY-43B无辅源静态电压继电器 …

Qt之QSlider和QProgressBar

Qt之QSlider和QProgressBar 实验结果 #include "widget.h" #include "ui_widget.h"Widget::Widget(QWidget *parent) :QWidget(parent),ui(new Ui::Widget) {ui->setupUi(this);connect(ui->dial,&QDial::valueChanged,this,&Widget::do_val…

腾讯云:AI云探索之路

随着科技的飞速发展,人工智能(AI)云计算领域日益显现出其巨大的潜力和价值。在这个充满挑战和机遇的领域,腾讯云凭借其卓越的技术和创新能力,取得了令人瞩目的成果。本文将深入探讨腾讯云在AI云计算领域的优势,以及其为人工智能发…

【概率方法】MCMC 之 Gibbs 采样

上一篇文章讲到,MCMC 中的 HM 算法,它可以解决拒绝采样效率低的问题,但是实际上,当维度高的时候 HM 算法还是在同时处理多个维度,以两个变量 x [ x , y ] \mathbf{x} [x,y] x[x,y] 来说,也就是同时从联合…

值类型相关函数与对象类型相关函数内存调用过程

值类型相关函数内存调用: 先来看这样一段代码,你认为它的运行结果是多少呢? 20和11还是20和10? package org.example;public class Main {public static void main(String[] args) {int a10;add(a);System.out.println(a);}pub…

js Array.every()的使用

2023.12.13今天我学习了如何使用Array.every()的使用,这个方法是用于检测数组中所有存在的元素。 比如我们需要判断这个数组里面的全部元素是否都包含张三,可以这样写: let demo [{id: 1, name: 张三}, {id: 2, name: 张三五}, {id: 3, name…

一文读懂持续集成和持续部署的差异?

持续集成(CI)和持续部署(CD)是现代软件开发中的关键实践。虽然它们经常被同时提到并具有共同的目标,但它们的方法、目的和对开发周期的影响是不同的。对于任何寻求根据特定项目需求优化工作流程的开发团队来说&#xf…

我的隐私计算学习——隐私集合求交(2)

笔记内容来自多本书籍、学术资料、白皮书及ChatGPT等工具,经由自己阅读后整理而成。 前篇可见:我的隐私计算学习——隐私集合求交(1) (三)PSI应用场景问题 ​在目前的实际应用中,衍生出一些新…

[MySQL]事务原理之redo log,undo log

🌈键盘敲烂,年薪30万🌈 目录 一、log日志文件 📕 事务执行流程 📕 redo log 📕 undo log 二、总结 👀再来一遍ACID 1. 原子性:原子性确保事务作为一个整体执行,要么…

Linux操作系统学习(零)、计算机概论

计算机概论 指令集 CPU中含有多种指令集,指令集对于CPU运算具有指导和优化的硬程序,用来引导CPU进行加减运算和控制计算机操作系统的一系列指令的集合 常见的就有微指令集RISC和复杂指令集CISC RISC:包括ARM架构和PPC架构 CISC&#xff…

Nginx【通俗易懂】《中篇》

目录 1.Url重写rewrite 2.防盗链 3.静态资源压缩 4.跨域问题 1.Url重写rewrite 🤩🤩🤩 1.1.rewrite书写格式 rewrite是实现URL重写的关键指令,根据regex(正则表达式)部分内容,重定向到rep…

物联网与低代码:构建智能化的连接世界

物联网(IoT)是指通过互联网将各种物理设备、传感器、车辆等连接起来,从而实现数据交互和智能化控制的技术领域。而低代码开发平台则是一种快速构建应用程序的方法,通过简化开发过程,使开发人员能够更迅速地实现创意和创…

猫粮哪个牌子质量好性价比高?十大质量好主食冻干猫粮牌子推荐

近年来,冻干猫粮作为备受追捧的高品质猫粮,吸引了越来越多养猫人的关注。新手养猫就弄不明白了,什么是冻干猫粮呢?冻干猫粮可以作为日常主食一直喂吗? 像我这种养猫老司机早就开始了冻干喂养。我把我这些年总结的经验…

Leetcode 46 全排列

题意理解: 首先明确全排列是什么? 使用集合里所有的元素,使用不同的顺序进行排列,所有的排列集合即为全排列。 输入:nums [1,2,3] 输出:[[1,2,3],[1,3,2],[2,1,3],[2,3,1],[3,1,2],[3,2,1]] 这里的元素不会…

【Jenkins】Centos环境安装Jenkins(通过docker安装)

通过docker环境安装Jenkins 参考官网 https://hub.docker.com/r/jenkins/jenkins/ 1、安装docker环境 # 删除已有安装包 sudo yum remove docker \docker-client \docker-client-latest \docker-common \docker-latest \docker-latest-logrotate \docker-logrotate \docker-…

如何使用自动化工具编写测试用例?

以下为作者观点,仅供参考: 在快速变化的软件开发领域,保证应用程序的可靠性和质量至关重要。随着应用程序复杂性和规模的不断增加,仅手动测试无法满足行业需求。 这就是测试自动化发挥作用的地方,它使软件测试人员能…

「C++」内存管理

🎇个人主页:Ice_Sugar_7 🎇所属专栏:C启航 🎇欢迎点赞收藏加关注哦! 文章目录 🍉内存分布🍉关键字new🍉关键字delete🍉new和delete的封装实现🍉总…