運動體路徑規劃屬於最優化問題中的一種,我們先來介紹一下最優化問題。
最優化問題(Optimization Problems)是從最多候選解中確定某種意義下的精確最優解的數學問題。**在很多複雜問題的求解中,由於問題本身的複雜度和計算代價的限制,往往很難找到理論意義上的的最優解。**
最優化問題的與方法研究源於運籌學(Operations Research),通常又稱爲數學規劃(Mathematical Programming),數學建模的小夥伴應該不陌生,是運籌學的主要分支之一,因此最優化問題又稱爲數學規劃問題。
下面直接進入正題
-
運動體路徑規劃問題的分類
a)根據運動體類型分類 可分爲無人機、無人車、巡航導彈、智能車輛等的路徑規劃問題 b)根據運動環境分類 ①全局路徑規劃(靜態或離線路徑規劃) : 環境信息完全已知。(信息完全已知的環境成爲結構化環境) ②局部路徑規劃(動態或在線路徑規劃) : 環境信息完全位置或部分未知。 (信息完全未知或部分未知的環境成爲非結構化環境) c)根據是否受到微分約束分類 ①受微分約束 : 是指運動體的運動學方程在路徑規劃中作爲約束存在。 ②無微分約束 : 是指路徑規劃過程中可以使用不受限的加速度和速度來實現路徑 在很多情況下,路徑規劃得到的結果是多邊形路徑,在獲得路徑的過程中並沒有考慮內在的運動學約束,比如地面機器人,其在運動過程中可以先停止 運動再轉彎,因此多邊形路徑是可行的。然而對於高速飛行且無法懸停的很多飛行器,又或者是具有最小轉彎半徑限制的汽車而言,多邊形路徑顯然是不可 行的,此時將適當形式的曲線運用於路徑規劃中更顯合理。 d)根據障礙物類型分類 ①動態障礙物 ②靜態障礙物 e)根據任務類型分類 ①點到點的路徑規劃 : 尋找兩點之間的最短路徑問題。 ②完全遍歷路徑規劃 : 尋找一條在工作區域內從始點到終點且經過所有可達區域的連續的避障路徑,並保證規劃路徑的最優性(比如最短)或合理性。例子有許多:中國郵遞員問題、旅行商問題等。
-
運動體路徑規劃算法
傳統以及基於圖論的算法以後不會介紹,以後會詳細更新基於計算智能的路徑規劃方法中的智能優化算法。a)傳統路徑規劃算法 ①A*算法 ②人工勢場法 ③數學規劃方法 b)基於圖論的算法 ①可視圖法 ②Voronoi圖法 ③柵格分解法(單元分解法) ④基於隨機採樣的規劃方法 c)基於計算智能的路徑規劃方法 ①模糊邏輯法 ②神經網絡算法 ③智能優化方法 包括模擬退火算法、禁忌搜索算法、遺傳算法、分佈估計算法、蟻羣優化算法、粒子羣優化算法、免疫算法和差分進化算法等。
什麼是智能優化算法?
如果算法在採樣方式上採用“向大自然學習”的思想,通過擬物或仿生等手段是算法的搜索優化行爲呈現出一定的自適應、自組織、自學習等“智能”特徵, 則稱這種方法爲智能優化算法。
這類方法具有以下典型特徵
a)借鑑自然規律建立啓發式的解空間採樣策略。(定義中有體現) b)通過迭代搜索實現優化問題求解。(迭代) c)以搜索算法爲主,具有一定程度的全局搜索能力。(隨機性) d)不依賴梯度信息,對問題的性質幾乎無任何要求。(不要求目標函數連續) e)它是一種解決複雜困難優化問題的通用求解方法。(方法通用性) 大多數智能優化算法具有“隨機性”。導致有許多參數的選擇依賴於經驗,缺乏理論支撐和指導。
這一篇文章是智能優化算法在道路規劃中的應用開頭之作,後面會寫許多文章詳細介紹。