运动体路径规划属于最优化问题中的一种,我们先来介绍一下最优化问题。
最优化问题(Optimization Problems)是从最多候选解中确定某种意义下的精确最优解的数学问题。**在很多复杂问题的求解中,由于问题本身的复杂度和计算代价的限制,往往很难找到理论意义上的的最优解。**
最优化问题的与方法研究源于运筹学(Operations Research),通常又称为数学规划(Mathematical Programming),数学建模的小伙伴应该不陌生,是运筹学的主要分支之一,因此最优化问题又称为数学规划问题。
下面直接进入正题
-
运动体路径规划问题的分类
a)根据运动体类型分类 可分为无人机、无人车、巡航导弹、智能车辆等的路径规划问题 b)根据运动环境分类 ①全局路径规划(静态或离线路径规划) : 环境信息完全已知。(信息完全已知的环境成为结构化环境) ②局部路径规划(动态或在线路径规划) : 环境信息完全位置或部分未知。 (信息完全未知或部分未知的环境成为非结构化环境) c)根据是否受到微分约束分类 ①受微分约束 : 是指运动体的运动学方程在路径规划中作为约束存在。 ②无微分约束 : 是指路径规划过程中可以使用不受限的加速度和速度来实现路径 在很多情况下,路径规划得到的结果是多边形路径,在获得路径的过程中并没有考虑内在的运动学约束,比如地面机器人,其在运动过程中可以先停止 运动再转弯,因此多边形路径是可行的。然而对于高速飞行且无法悬停的很多飞行器,又或者是具有最小转弯半径限制的汽车而言,多边形路径显然是不可 行的,此时将适当形式的曲线运用于路径规划中更显合理。 d)根据障碍物类型分类 ①动态障碍物 ②静态障碍物 e)根据任务类型分类 ①点到点的路径规划 : 寻找两点之间的最短路径问题。 ②完全遍历路径规划 : 寻找一条在工作区域内从始点到终点且经过所有可达区域的连续的避障路径,并保证规划路径的最优性(比如最短)或合理性。例子有许多:中国邮递员问题、旅行商问题等。
-
运动体路径规划算法
传统以及基于图论的算法以后不会介绍,以后会详细更新基于计算智能的路径规划方法中的智能优化算法。a)传统路径规划算法 ①A*算法 ②人工势场法 ③数学规划方法 b)基于图论的算法 ①可视图法 ②Voronoi图法 ③栅格分解法(单元分解法) ④基于随机采样的规划方法 c)基于计算智能的路径规划方法 ①模糊逻辑法 ②神经网络算法 ③智能优化方法 包括模拟退火算法、禁忌搜索算法、遗传算法、分布估计算法、蚁群优化算法、粒子群优化算法、免疫算法和差分进化算法等。
什么是智能优化算法?
如果算法在采样方式上采用“向大自然学习”的思想,通过拟物或仿生等手段是算法的搜索优化行为呈现出一定的自适应、自组织、自学习等“智能”特征, 则称这种方法为智能优化算法。
这类方法具有以下典型特征
a)借鉴自然规律建立启发式的解空间采样策略。(定义中有体现) b)通过迭代搜索实现优化问题求解。(迭代) c)以搜索算法为主,具有一定程度的全局搜索能力。(随机性) d)不依赖梯度信息,对问题的性质几乎无任何要求。(不要求目标函数连续) e)它是一种解决复杂困难优化问题的通用求解方法。(方法通用性) 大多数智能优化算法具有“随机性”。导致有许多参数的选择依赖于经验,缺乏理论支撑和指导。
这一篇文章是智能优化算法在道路规划中的应用开头之作,后面会写许多文章详细介绍。