郑以君 陈秋莲 蒋环宇

摘要：研究一种基于神经网络的无人车越过障碍自动抵达指定地点的路径规划算法。神经网络具有高度并行的结构且适用于提高无人车路径规划算法的运行速度，神经网络结构算法成了避过障碍、规划全局与局部较优路径过程必不可少的重要部分。理论表明该算法可以快速地规划无碰撞的较优路径。

关键词：神经网络；越障；路径规划

中图分类号：TP393 文献标识码：A

文章编号：1009-3044（2019）10-0181-03

开放科学（资源服务）标识码（OSID）：

1 引言

无人车路径规划是智能导航过程中必不可少的重要部分，它除了需要对在具有障碍物的环境中规划出一条从起始点至终点的无碰撞的路径，还应该对整体路径长度进行最短方案的优化。

无人车的行进环境空间可以利用前向型神经网络进行描述，将构成环境空间中的障碍物约束条件依次输入该神经网络结构中依照输出的结果即可判别此路径点是否在障碍物内。神经网络作为一个具有高度非线性并行处理的运算结构，同时具备网络的全局作用及高度鲁棒性，为无人车系统路径规划实时性提供了很高的可行性。在此研究中，神经网络的运算相当于一个代价约束函数，首先是因为在神经网络结构中障碍物是以凸多边形模型数值表示的，当行进向下一个路径点时只需要使用该路径点与环境中的障碍物信息[1]。神经网络将运动物体视作一个质点进行模拟。最后，运用模拟退火法对局部极值问题进行优化。

无人车路径规划可划分为环境全部或者部分未知的局部路径规划与已知环境的全局路经规划。环境已知的全局路径规划算法主要有人工势场法、粒子群算法等，但该类普遍用于二维运动环境中。人工势场法的应用于此类问题中的工作方式为构建目标点、环境障碍物与无人车的势场模型，无人车只需要顺延着势场能量的梯度方向行进方向就可以找到避开障碍物的路径，其好处是快速、高效，然而该算法有局部极小值的问题并且不适用于寻求最优结果[2]。本文主要介绍前向型神经网络路径规划为主，禹建丽等[3，4，5，6]给出的基于神经网络的路径规划算法，得出结果收敛快、运算简便，并且可以避免某些局部极小值问题并规划出最短路径，并且经过改良以后可以用于未知环境下的机器人路径规划问题[7，8]。同时易于从二维扩展到三维的情况中。

2 基于神经网络的越障路径规划算法

2.1 无人车行进环境障碍物的神经网络描述

前向型神经网络的作用之一是用于描述无人车行进至终点过程中所在的障碍物，通过神经网络对所在路径点与多边形障碍的约束条件的关系即可完整的描述障碍物信息，具体关系如下所述：无人车所在路径点[pi（xi，yi）]作为神经网络输入层的输入数据，每个多边形障碍物可以使用一个不等式组描述，每个不等式中变量的系数为输入层与隐藏之间的权值，常数项为隐层的阈值，示例如下：

图1描述的是长方形的障碍物和描述相应的障碍物不等式组。由图得知，通过判别某个路径点是否符合并同时符合该不等式组的条件即可了解该路径点是否位于障碍物里，通过规划出来的路径点与障碍物空间对比即可知路径点直接按是否经过障碍物，环境空间的点集[pi（xi，yi）]與凸多边形障碍物所坐落位置可用图2所示的神经网络结构模型来描述。

输入层的2个底层节点分别是计算路径点[pi]的[xi]，[yi]坐标，输入层节点到中间层节点的连接权值系数去为每个不等式中[x]，[y]的系数，中间层为神经网络隐层节点的阈值，用不等式中的常数项表示，隐层到顶层节点的连接权值系数均为常数1，顶层节点的输出值为环境中路径点对障碍物的碰撞罚函数，表示路径点对于障碍物的碰撞程度，顶层节点的阈值取每个不等式的个数减去0.5后的相反数。

式中，[IMm]为中间层第m个节点的输入；[Wxm]，[Wym]，为第m个不等式限制条件的系数；[θMm]为神经网络隐层第m个节点的阈值，G为该层的节点数；[OMm]为中间层第m个节点的输出值；T1为各个中间层结构与阈值的求和值作为顶层节点输入值；[θo]为顶层节点的阈值；[C]为输出层节点输出，数值范围为（0，1），数值越大表明越接近障碍物，其罚函数形状则相对于非障碍物位置越陡峭；选择S型函数[f（x）=1（exp（-xT））]为激活函数，参数T影响罚函数的形状，T（t）=[βlog（1+t）]，是模拟退火算法中的“温度”，其含义是，随着时间[t]路径点将向着尽可能避开障碍物并且使得整体路径比较短的位置移行进。但由于模拟退火位于在起始时温度比较高，无人车的路径点行进到远远避开障碍物的位置，随着该温度降低，无人车路径的长度将逐步减小，最终，将其路径收敛到避障的状态。

2.2 基于神经网络碰撞罚能量的最优路径规划

无人车路径规划需要处理两个优化问题：首先是无人车避开障碍物避免任何程度的碰撞；其次是规划的路径是最短的。这两个要求得以满足，则无人车规划的路径则可为最优路径规划。

3 结论

基于神经网络的路径规划算法的实现过程：首先根据已知障碍物环境的约束方程，建立障碍物模型；确定起点和终点，连接这两点，并取路径上若干点集均分线段作初始迭代路径点；利用神经网络对应其参数与激发函数运算出各个路径点的偏导数以作为下一个路径点的运算基础，经过完整的迭代过程后如果符合终止条件[x'<Δ]，[y'<Δ]，则退出运算。最后对最终结果进行保存与绘制仿真图形。

基于神经网络的路径规则算法可规划出最短路径，而且收敛较快，计算方式简便。该算法除了适用于环境中障碍物为凸多边形构成的形状外， 同时还适用于环境中障碍物是圆形的情形，并可以简单地避免某些情况下的局部极小值，为无人车的最优化行进路径规划提供了一个简便有效的算法。

参考文献：

[1] 孙增圻.智能控制理论与技术[M].北京：清华大学出版社，2000.

[2] 戴博，肖晓明，蔡自兴.移动机器人路径规划技术的研究现状与展望[J].控制工程， 2005， 12 （3） ： 113- 116 .

[3] 禹建丽，V.Kromov，孙增圻，成久洋之. 一种快速神经网络路径规划算法[J].机器人Robot ， 2001， 23 （3） ：201-205.

[4] 禹建丽，程思雅，孙增圻，V.Kromov.一种移动机器人三维路径规划优化算法[J].中南大学学报（自然科学版），2009， 40 （2） ：471-477.

[5] 魏冠伟，付梦印.基于神经网络的机器人路径规划算法[J].计算机仿真，2010，7：112-116.

[6] 陈志华，谢存禧，曾德怀.基于神经网络的移动机器人路径规划算法的仿真[J].华南理工大学（自然科学版），2003，6：56-59.

[7] 宫孟孟.基于神经网络的移动机器无人车路径规划方法研究[D].哈尔滨工业大学，2017.

[8] AnminZhu，Simon X. Yang.A Neural Network Approach to Dynamic Task Assignment of Multirobots[J].IEEE Transactions On Neural Networks，2006，9（17）：471-477.

【通联编辑：代影】