基于改进蚁群算法的路径规划方法、装置、介质及无人机

技术领域

本公开实施例涉及路径规划技术领域，尤其涉及一种改进蚁群算法的路径规划方法、改进蚁群算法的路径规划装置、实现改进蚁群算法的路径规划方法的无人机及计算机可读存储介质。

背景技术

近年来，随着无人机和移动机器人技术在工业、农业、医药、社会服务等领域的应用前景越来越广阔，无人机或机器人的路径规划成为了一个不可避免的问题。因此如何将无人机或机器人以最优路径引导向目标位置点，并避开路径中的障碍物和威胁，成为了一个热门的研究课题。

相关技术中，无人机或机器人的路径规划时，蚁群算法是在路径规划中应用广泛的一种智能优化算法，该算法通过模拟蚂蚁的觅食行为进行最优路径规划，具有良好的鲁棒性、通用性和并行性。

但是，目前的蚁群算法收敛速度依然较慢，容易出现停滞现象，从而容易陷入局部最优解，导致为无人机或机器人规划路径时计算效率较低，且规划路径的准确性也较低。

发明内容

基于此，有必要针对上述技术问题，提供一种基于改进蚁群算法的路径规划方法、装置、无人机及计算机可读存储介质。旨在一定程度上解决现有技术中利用蚁群算法为无人机或机器人规划路径时计算效率较低，且规划路径的准确性也较低的技术问题。

第一方面，本申请实施例提供了一种基于改进蚁群算法的路径规划方法，所述方法包括：获取无人机周围场景地图信息，所述场景地图信息中至少包含障碍物图像信息；

将所述场景地图信息离散化转换为栅格场景地图，基于所述栅格场景地图生成栅格场景地图模型，所述栅格场景地图模型至少包括通行区域和障碍物区域；

获取所述无人机的下一时刻位置点和目标位置点，所述目标位置点位于所述场景地图信息中；

基于改进蚁群算法、所述下一时刻位置点、所述目标位置点，以及所述栅格场景地图模型确定最优路径，所述蚁群算法中的启发式因子由下一时刻位置点与所述目标位置点之间的欧氏距离确定；

对所述最优路径进行曲线化处理，得到最终规划路径。

在一个实施例中，所述启发式因子在所述蚁群算法中用于确定转移概率函数，所述转移概率函数由以下表达式限定：

其中，τ

在一个实施例中，所述方法还包括：所述β的取值为5～10。

在一个实施例中，所述将所述场景地图信息离散化转换为栅格场景地图，包括：基于单元格方法将所述场景地图信息离散化转换为栅格场景地图。

在一个实施例中，所述基于所述栅格场景地图生成栅格场景地图模型，包括：

判断所述栅格场景地图中每个单元格区域内是否包含障碍物图像的至少部分或全部；

若是，则将相应的单元格区域设置为黑色，若否，则将相应的单元格区域设置为白色以得到二值图，即为所述栅格场景地图模型。

在一个实施例中，所述对所述最优路径进行曲线化处理，包括：

基于Dubins曲线对所述最优路径进行曲线化处理。

第二方面，本申请实施例提供了一种基于改进蚁群算法的路径规划装置，所述装置包括：

场景地图信息获取单元，用于获取无人机周围场景地图信息，所述场景地图信息中至少包含障碍物图像信息；

场景地图信息离散化单元，用于将所述场景地图信息离散化转换为栅格场景地图，基于所述栅格场景地图生成栅格场景地图模型，所述栅格场景地图模型至少包括通行区域和障碍物区域；

位置点获取单元，用于获取所述无人机的下一时刻位置点和目标位置点，所述目标位置点位于所述场景地图信息中；

最优路径确定单元，用于基于改进蚁群算法、所述下一时刻位置点、所述目标位置点，以及所述栅格场景地图模型确定最优路径，所述蚁群算法中的启发式因子由下一时刻位置点与所述目标位置点之间的欧氏距离确定；

最终规划路径确定单元，用于对所述最优路径进行曲线化处理，得到最终规划路径。

在一个实施例中，所述装置还包括：所述启发式因子在所述蚁群算法中用于确定转移概率函数，所述转移概率函数由以下表达式限定：

其中，τ

第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现本申请任意实施例所提供的一种基于改进蚁群算法的路径规划方法的步骤。

第四方面，本申请实施例提供了一种无人机，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行所述计算机程序时实现本申请任意实施例所提供的一种基于改进蚁群算法的路径规划方法的步骤。

本申请实施例所提供一种基于改进蚁群算法的路径规划方法、装置、无人机及计算机可读存储介质，通过获取无人机周围场景地图信息，所述场景地图信息中至少包含障碍物图像信息；将所述场景地图信息离散化转换为栅格场景地图，基于所述栅格场景地图生成栅格场景地图模型，所述栅格场景地图模型至少包括通行区域和障碍物区域；获取所述无人机的下一时刻位置点和目标位置点，所述目标位置点位于所述场景地图信息中；基于改进蚁群算法、所述下一时刻位置点、所述目标位置点，以及所述栅格场景地图模型确定最优路径，所述蚁群算法中的启发式因子由下一时刻位置点与所述目标位置点之间的欧氏距离确定；对所述最优路径进行曲线化处理，得到最终规划路径。这样，本实施例的方案在规划无人机的最优路径时，通过改进蚁群算法，用无人机在飞行过程的下一时刻位置与目标位置的欧氏距离来确定启发式因子，采用该启发式因子可以加快该算法收敛向最优解的速度，从而在为无人机规划路径时提高了计算效率，同时规划路径的准确性也较高。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本公开实施例一种基于改进蚁群算法的路径规划方法流程图；

图2为本公开实施例无人机飞行过程中周围的场景地图信息示意图；

图3为本公开实施例无人机飞行过程中的栅格场景地图示意图；

图4为本公开实施例无人机飞行过程中的栅格场景地图模型示意图；

图5为本公开实施例无人机的规划路径时的路径迭代变化曲线示意图；

图6为本公开实施例无人机的规划路径示意图；

图7为本公开实施例无人机的规划路径时的又一路径迭代变化曲线示意图；

图8为本公开实施例无人机的又一规划路径示意图；

图9为本公开实施例无人机的曲线化处理的规划路径示意图；

图10为本公开实施例一种基于改进蚁群算法的路径规划装置示意图；

图11为本公开实施例中无人机系统的内部结构图。

具体实施方式

为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。

目前在对场景地图离散化之后，基于传统蚁群算法规划路径时，该蚁群算法采用当前节点与下一节点的距离长度确定启发式因子，这主要是考虑到更加符合蚂蚁觅食的特征，同时可以增加算法的通用性。但是该启发式因子的采用导致该蚁群算法收敛速度较慢，进而导致路径规划时的计算效率较低，不能较好的引导蚂蚁前往目标点位置，也即规划路径的准确性也较低。

在一个实施例中，如图1所示，提供了一种基于改进蚁群算法的路径规划方法。本实施例主要以该方法应用于无人机来举例说明，但不限于此，还适用于移动机器人，汽车等，本公开不具体限制。该方法包括以下步骤：

步骤S101：获取无人机周围场景地图信息，场景地图信息中至少包含障碍物图像信息。

具体的，无人机通过自身机载摄像头等检测采集获取无人机起始位置与目标位置在飞行过程中周围的场景地图信息，如图2所示，该周围的场景地图信息例如可以包括障碍物区域的位置信息，需要说明的是，该障碍物区域是指在飞行过程中的静态障碍物，例如可以是包含楼房等有建筑物的区域，但不限于此，本公开不具体限制。机载传感器例如可以是雷达传感器、红外传感器、激光传感器等，但不限于此，本公开不具体限制。

步骤S102：将场景地图信息离散化转换为栅格场景地图，基于栅格场景地图生成栅格场景地图模型，栅格场景地图模型至少包括通行区域和障碍物区域。

其中，栅格场景地图是指把环境划分成一系列栅格，其中每一栅格给定一个可能值，表示该栅格被占据的概率，需要说明的是，由于蚁群算法不能直接处理连续性的问题，因此采用蚁群算法进行无人机最优路径规划求解之前，应首先将采集获取到的场景地图信息进行离散化建模，如图3所示，基于无人机采集获取的周围的场景地图信息作为建模数据进行离散化建模，通过该方式从而将连续区域转换为离散区域。栅格场景地图模型是指根据无人机在飞行过程中周围的场景地图信息进行离散化处理获取得到的栅格场景地图，通过判断栅格场景地图中的可通行区域与障碍物区域例如可以是建筑物、电线杆等进一步标注，以此获得的栅格场景地图模型，如图4所示。

步骤S103：获取无人机的下一时刻位置点和目标位置点，目标位置点位于场景地图信息中。

其中，下一时刻位置点是指无人机在飞行过程中下一时刻的位置点信息。在一示例中，利用无人机自身的定位装置如GPS定位模组等采集获取无人机的目标位置点信息以及实时的采集获取无人机在飞行过程中下一时刻的位置点信息。需要说明的是，该采集获取目标位置点信息位于无人机的场景地图信息中。

步骤S104：基于改进蚁群算法、下一时刻位置点、目标位置点，以及栅格场景地图模型确定最优路径，蚁群算法中的启发式因子由下一时刻位置点与目标位置点之间的欧氏距离确定。

其中，蚁群算法是指一种灵感来源于蚂蚁在寻找食物过程中发现路径的行为，用来在图中寻找优化路径的智能优化算法，该算法通过模拟蚂蚁的觅食行为，利用信息素浓度作为启发信息引导搜索，从而进行路径求解，具有良好的鲁棒性、通用性和并行性。启发式因子是蚁群算法中包含的重要参数之一，在传统蚁群算法中，启发式因子由无人机在飞行过程中当前点的位置与下一点的位置的距离决定。欧氏距离也称欧几里得距离，是最常见的距离度量，衡量的是多维空间中两个点之间的绝对距离。也可以理解为：多维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)，在二维和三维空间中的欧氏距离就是两点之间的实际距离。

具体的，在本实施例中，对启发式因子进行改进，通过引进当前时刻位置点距离目标位置点的欧氏距离确定启发式因子，即将下一时刻位置点距离目标位置点的欧氏距离的作为改进后的启发式因子。

一示例中，根据下一时刻位置点距离目标位置点的欧氏距离的构建启发式因子，进一步对蚁群算法中的转移概率函数进行改进，基于无人机自身的定位装置如GPS定位模组等采集获取的下一时刻位置点信息、目标位置点信息作为数据信息，在无人机飞行过程中周围的场景地图信息进行离散化建模后获取的栅格场景地图模型中，对无人机进行路径规划获取无人机的最优路径，该最优路径在一定程度上能够规避无人机周围环境信息对无人机飞行过程中的影响的同时，也能够满足无人机在飞行时通过最短的路径距离到达目的地。

步骤S105：对最优路径进行曲线化处理，得到最终规划路径。

具体的，在上述实施例中，由于蚁群算法是基于离散化处理后的栅格场景地图模型获取得到的最优路径，即此时基于蚁群算法获取的最优路径适用于离散区域，若将此最优路径应用于无人机飞行的实际场景中的连续区域里时，则需要进一步对其进行曲线化处理，从而得到最终规划路径。

在本实施例中，通过获取无人机周围场景地图信息，场景地图信息中至少包含障碍物图像信息；将场景地图信息离散化转换为栅格场景地图，基于栅格场景地图生成栅格场景地图模型，栅格场景地图模型至少包括通行区域和障碍物区域；获取无人机的下一时刻位置点和目标位置点，目标位置点位于场景地图信息中；基于改进蚁群算法、下一时刻位置点、目标位置点，以及栅格场景地图模型确定最优路径，蚁群算法中的启发式因子由下一时刻位置点与目标位置点之间的欧氏距离确定；对最优路径进行曲线化处理，得到最终规划路径。这样，本实施例的方案在规划无人机的最优路径时，通过改进蚁群算法，用无人机在飞行过程的下一时刻位置与目标位置的欧氏距离来确定启发式因子，采用该启发式因子可以加快该算法收敛向最优解的速度，从而在为无人机规划路径时提高了计算效率，同时规划路径的准确性也较高。

在上述各实施例的基础上，本公开的一些实施例中，启发式因子在蚁群算法中用于确定转移概率函数，转移概率函数由以下表达式限定：

其中，τ

其中，转移概率函数是指在蚁群算法中第k只蚂蚁当前所在节点为i，则其选择节点j作为下一个访问对象的概率大小。

一示例中，基于蚁群算法模拟蚂蚁的觅食活动，在一代一代的蚂蚁觅食过程中，逐渐在路径上积累信息素，后代的蚂蚁通过路径上的信息素浓度从而判断前往哪条路径，以此最终收敛至最优解，基于此，对于该算法进行无人机规划路径时，具体步骤如下：

步骤1：初始化所述蚁群算法相关参数，该相关参数至少包括：信息素浓度、启发式因子、最大迭代次数、信息素挥发系数等；

步骤2：计算转移概率函数，该转移概率函数由启发式因子确定；

步骤3：在蚂蚁完成一次迭代时，记录当前迭代次数最优解，同时进行各路径的信息素浓度更新，信息素浓度更新由以下表达式限定：

τ

其中，ρ为信息素挥发系数，取值范围为[0,1]，Δτ

步骤4：判断种群是否进化结束？如果进化结束，则输出最优路径；否则建立新的种群并重复步骤2-4。

需要说明的是，在传统蚁群算法中，启发式因子的计算公式是由蚂蚁在觅食过程中当前位置点与下一点的距离确定，在本实施例中，通过采用下一时刻位置与目标位置的欧氏距离来确定启发式因子，采用该启发式因子以此改进蚁群算法，该改进的启发式因子具体由以下表达式限定：

其中，d

具体的，基于传统蚁群算法的基础上，利用无人机在飞行时下一时刻的位置点与目标位置点的欧氏距离的确定启发式因子，进一步利用启发式因子和信息素浓度共同计算求解转移概率，通过信息素浓度的积累从而求解无人机的最优路径。这样，本实施例的方案在规划无人机的最优路径时，通过改进蚁群算法，用无人机在飞行过程的下一时刻位置与目标位置的欧氏距离来确定启发式因子，采用该启发式因子可以加快该算法收敛向最优解的速度，从而在为无人机规划路径时提高了计算效率，同时规划路径的准确性也较高。

在上述各实施例的基础上，本公开的一些实施例中，β的取值为5～10。

其中，β表示启发式因子的重要度系数，它反映了启发式信息在指导蚁群在路径搜索中的相对重要程度，其大小反映的是蚁群寻优过程种先验性、确定性因素作用的强度，当它越大也是更容易导致收敛过快。

具体的，在一实施例中，基于改进的蚁群算法在进行无人机路径规划时，通过改变启发式因子的重要度系数β从而增大启发式信息对于信息素浓度的比例，通过该方式在一定程度上能够加快蚁群算法的收敛速度，但是如果启发式因子的重要度系数β相对过大时，会导致蚁群算法退化为启发式算法，从而降低蚁群算法的鲁棒性与通用性，在本实施例中，设置启发式因子的重要度系数β的取值范围为5～10，这样，本实施例的方案在规划无人机的路径时，能够通过启发式因子的重要度系数β的取值大小从而控制对启发式因子的影响，进一步的加快该算法收敛向最优解的速度，从而在为无人机规划路径时提高了计算效率，同时规划路径的准确性也较高。

一示例中，基于蚁群算法进行无人机的路径规划时，通过实验，设置该启发式因子的重要度系数β的取值范围为6～10，但不限于此，本公开不具体限制，可以进一步在规划无人机的最优路径时，通过改进蚁群算法，用无人机在飞行过程的下一时刻位置与目标位置的欧氏距离来确定启发式因子，采用该启发式因子可以加快该算法收敛向最优解的速度，从而在为无人机规划路径时提高了计算效率，同时规划路径的准确性也较高。

在上述各实施例的基础上，本公开的一些实施例中，将场景地图信息离散化转换为栅格场景地图包括：基于单元格方法将场景地图信息离散化转换为栅格场景地图。

其中，单元格法是在路径规划时对环境离散化建模时常见的离散化方法，示例性的，通过单元格法将无人机的飞行场景进行单元分割，将其用大小相等的方块表示出来，其中栅格大小的选取是影响规划算法性能的一个很重要的因素。若栅格较小的话，由栅格地图所表示的环境信息将会非常清晰，但由于需要存储较多的信息，会增大存储开销，同时干扰信号也会随之增加，规划速度会相应降低，实时性得不到保证；反之，由于信息存储量少，抗干扰能力有所增强，规划速随之增快，但环境信息划分会变得较为模糊，不利于有效路径的规划。

具体的，在进行无人机的路径时，优先采用单元格法对无人机采集获取的场景地图信息进行离散化处理，如图3所示，将整个场景地图信息离散处理为20*20的方形区域，每个栅格边长大小设置为10m，但不限于此，本公开不具体限制，以此构建栅格场景地图，这样，本实施例的方案在规划无人机的路径时，对地图场景信息进行离散化处理后得到离散区域，便于后续利用改进的蚁群算法进行无人机的路径规划，加快该算法收敛向最优解的速度，从而在为无人机规划路径时提高了计算效率，同时规划路径的准确性也较高。

在上述各实施例的基础上，本公开的一些实施例中，基于栅格场景地图生成栅格场景地图模型包括：判断栅格场景地图中每个单元格区域内是否包含障碍物图像的至少部分或全部；若是，则将相应的单元格区域设置为黑色，若否，则将相应的单元格区域设置为白色以得到二值图，即为栅格场景地图模型。

具体的，通过采用单元格法获取得到无人机的栅格场景地图，对于栅格场景地图中的每一个栅格，判断该栅格场景地图中每个单元格区域内是否包含障碍物图像，如果该单元格区域内包含障碍物例如楼房等有建筑物的区域，为了保证在对无人机规划路径时的准确性，如图4所示，对于每个单元格区域内只要包含障碍物图像，即可以确定该单元格为不可通行的区域即障碍物区域，则将该单元格区域赋值为1，即不可通行的区域表现为黑色，如果该单元格不包含任何障碍物图像，即确定该单元格区域为可通行区域，则将该单元格区域赋值为0，即可通行的区域表现为白色，从而获得二值图，即通过该方式构建栅格场景地图模型。这样，本实施例的方案在规划无人机的路径时，对栅格场景地图进一步二值化处理得到栅格场景地图模型，便于后续利用改进的蚁群算法进行无人机的路径规划，加快该算法收敛向最优解的速度，从而在为无人机规划路径时提高了计算效率，同时规划路径的准确性也较高。

在上述各实施例的基础上，本公开的一些实施例中，对最优路径进行曲线化处理包括：基于Dubins曲线对所述最优路径进行曲线化处理。

其中，Dubins曲线是指在满足曲率约束和规定的始端和末端的切线方向的条件下，连接两个二维平面的最短路径，且限制运动目标只能向前前进。具体的，通过改进的蚁群算法在离散化与二值化处理后的栅格场景地图模型中求解得到无人机的最优路径为一条折线解，如图8所示，但是当将离散区域还原到现实区域时，即将对无人机规划的最优路径应用到连续区域中时，折线解并不能满足连续区域中的路径规划需求，即对于无人机该折线解不能进行精准的折线转弯，尤其是对于高速行驶状态下的无人机，在转弯时对转弯半径都有着严格的限制，因此，需要将通过改进的蚁群算法求解得到的无人机的最优路径进行曲线化处理，通过采用Dubins曲线进行曲线化处理，即设定无人机的转弯最大曲率为定值，以此对最优路径的折线解进行曲线化处理，如图9所示，从而得到最终规划路径，这样，本实施例的方案采用Dubins曲线对无人机的最优路径的折线解进行曲线化处理，在一定程度上能够加快该算法收敛向最优解的速度，从而在为无人机规划路径时提高了计算效率及规划路径的准确性也同时兼顾了无人机的性能限制，使得最终规划路径满足无人机的性能要求。

为验证改进蚁群算法在进行无人机路径规划时在一定程度上能够加快该算法收敛向最优解的速度，从而在为无人机规划路径时提高了计算效率及规划路径的准确性。分别选用传统蚁群算法和改进蚁群算法对无人机的路径规划进行仿真实验。

下表所示为在20*20的栅格场景地图模型中，选用传统蚁群算法进行仿真实验时不同参数的设置：

即在种群大小为100，迭代次数为200的情况下，基于传统蚁群算法获取无人机的飞行路径时的路径迭代变化曲线如图5所示，其中，图5中X轴代表迭代次数，Y轴代表最小路径长度，实线代表基于传统蚁群算法规划无人机路径时的路径迭代变化曲线；基于传统蚁群算法获取得到的无人机的规划路径如图6所示，图6中实线代表基于传统蚁群算法对无人机的规划路径。

下表所示为在20*20的栅格场景地图模型中，选用改进蚁群算法进行仿真实验时不同参数的设置：

即在种群大小为100，迭代次数为200的情况下，基于传统蚁群算法获取无人机的飞行路径时的路径迭代变化曲线如图7所示，基于传统蚁群算法获取得到的无人机的规划路径如图8所示。

本实施例中，通过对保持其它参数相同，基于传统蚁群算法与改进的蚁群算法进行仿真实验，图5至图8可得如下结论：

(1)基于传统蚁群算法在进行无人机路径规划时，在对场景地图离散化之后，传统蚁群算法收敛速度较慢，并不适合与离散化处理后的栅格场景地图模型的路径规划问题。

(2)相比于传统蚁群算法，通过设计新的启发式因子改进蚁群算法在一定程度上更加适合于与对场景地图离散化处理后的栅格场景地图模型的路径规划问题。即在相同的条件下，传统蚁群算法求解得到的路径长度为39.90，而改进蚁群算法求解得到的路径长度为29.21，即通过改进后的蚁群算法相比起传统算法在一定程度上能够提高无人机路径规划的准确性。

(3)由图5、图7的路径迭代变化曲线图可以看出，改进的蚁群算法折线的收敛速度也比传统蚁群算法的折线的收敛速度更快，即改进蚁群算法的最优路径的计算效率比传统蚁群算法的优路径的计算效率较高。

应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图10所示，提供了一种基于改进蚁群算法的路径规划装置，该装置包括场景地图信息获取单元1001，场景地图信息离散化单元1002，位置点获取单元1003，最优路径确定单元1004，最终规划路径确定单元1005。其中，场景地图信息获取单元1001用于获取无人机周围场景地图信息，场景地图信息中至少包含障碍物图像信息；场景地图信息离散化单元1002用于将场景地图信息离散化转换为栅格场景地图，基于栅格场景地图生成栅格场景地图模型，栅格场景地图模型至少包括通行区域和障碍物区域；位置点获取单元1003用于获取无人机的下一时刻位置点和目标位置点，目标位置点位于场景地图信息中；最优路径确定单元1004用于基于改进蚁群算法、下一时刻位置点、目标位置点，以及栅格场景地图模型确定最优路径，蚁群算法中的启发式因子由下一时刻位置点与所述目标位置点之间的欧氏距离确定；最终规划路径确定单元1005用于对最优路径进行曲线化处理，得到最终规划路径。

在本发明实施例一实施方式中，启发式因子在所述蚁群算法中用于确定转移概率函数，转移概率函数由以下表达式限定：

其中，τ

在本发明实施例一实施方式中，最优路径确定单元1004还用于确定β的取值为5～10。

在本发明实施例一实施方式中，场景地图信息离散化单元1002还用于基于单元格方法将所述场景地图信息离散化转换为栅格场景地图。

在本发明实施例一实施方式中，场景地图信息离散化单元1002还用于判断所述栅格场景地图中每个单元格区域内是否包含障碍物图像的至少部分或全部；若是，则将相应的单元格区域设置为黑色，若否，则将相应的单元格区域设置为白色以得到二值图，即为所述栅格场景地图模型。

在上述实施例中，最终规划路径确定单元1005用于基于Dubins曲线对所述最优路径进行曲线化处理。

在上述实施例中，场景地图信息获取单元1001用于获取无人机周围场景地图信息，场景地图信息中至少包含障碍物图像信息；场景地图信息离散化单元1002用于将场景地图信息离散化转换为栅格场景地图，基于栅格场景地图生成栅格场景地图模型，栅格场景地图模型至少包括通行区域和障碍物区域；位置点获取单元1003用于获取无人机的下一时刻位置点和目标位置点，目标位置点位于场景地图信息中；最优路径确定单元1004用于基于改进蚁群算法、下一时刻位置点、目标位置点，以及栅格场景地图模型确定最优路径，蚁群算法中的启发式因子由下一时刻位置点与所述目标位置点之间的欧氏距离确定；最终规划路径确定单元1005用于对最优路径进行曲线化处理，得到最终规划路径。这样，本实施例的方案在规划无人机的最优路径时，通过改进蚁群算法，用无人机在飞行过程的下一时刻位置与目标位置的欧氏距离来确定启发式因子，采用该启发式因子可以加快该算法收敛向最优解的速度，从而在为无人机规划路径时提高了计算效率，同时规划路径的准确性也较高。

关于上述实施例中的系统，其中各个模块执行操作的具体方式以及带来的相应技术效果已经在有关该方法的实施例中进行了对应的详细描述，此处将不做详细阐述说明。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。作为模块或单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现木公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

在一个实施例中，提供了一种无人机系统，其内部结构图可以如图11所示。该无人机系统包括通过系统总线连接的处理器、存储器、通信接口。其中，该无人机的处理器用于提供计算和控制能力。该无人机的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该无人机的通信接口用于与外部的电子设备进行有线或无线方式的通信，无线方式可通过WiFi、运营商网络、近场通信(NFC)或其他技术实现。该计算机程序被处理器执行时以实现一种基于改进蚁群算法的路径规划方法。

本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的无人机系统的限定，具体的无人机系统可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，本申请提供的基于改进蚁群算法的路径规划装置可以实现为一种计算机程序的形式，计算机程序可在如图11所示的无人机系统运行。无人机系统的存储器中可存储组成该多旋翼无人机航迹规划装置的各个程序模块，比如，图10所示的场景地图信息获取单元1001，场景地图信息离散化单元1002，位置点获取单元1003，最优路径确定单元1004，最终规划路径确定单元1005。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的一种基于改进蚁群算法的路径规划方法中的步骤。

例如，图11所示的无人机系统可以通过如图10所示的基于改进蚁群算法的路径规划装置的场景地图信息获取单元1001执行步骤S101、场景地图信息离散化单元1002执行步骤S102、位置点获取单元1003执行步骤S103、最优路径确定单元1004执行步骤S104、最终规划路径确定单元1005执行步骤S105。

本公开实施例还提供一种无人机，包括处理器以及存储器，存储器用于存储所述处理器的可执行指令。该处理器执行计算机程序时实现以下步骤：获取无人机周围场景地图信息，场景地图信息中至少包含障碍物图像信息；将场景地图信息离散化转换为栅格场景地图，基于栅格场景地图生成栅格场景地图模型，栅格场景地图模型至少包括通行区域和障碍物区域；获取无人机的下一时刻位置点和目标位置点，目标位置点位于场景地图信息中；基于改进蚁群算法、下一时刻位置点、目标位置点，以及栅格场景地图模型确定最优路径，蚁群算法中的启发式因子由下一时刻位置点与目标位置点之间的欧氏距离确定；对最优路径进行曲线化处理，得到最终规划路径。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：启发式因子在蚁群算法中用于确定转移概率函数，转移概率函数由以下表达式限定：

其中，τ

在一个实施例中，处理器执行计算机程序时还实现以下步骤：β的取值为5～10。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将场景地图信息离散化转换为栅格场景地图包括基于单元格方法将场景地图信息离散化转换为栅格场景地图。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：基于栅格场景地图生成栅格场景地图模型包括：判断栅格场景地图中每个单元格区域内是否包含障碍物图像的至少部分或全部；若是，则将相应的单元格区域设置为黑色，若否，则将相应的单元格区域设置为白色以得到二值图，即为所述栅格场景地图模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：对最优路径进行曲线化处理包括：基于Dubins曲线对最优路径进行曲线化处理。

在上述实施例中，通过获取无人机周围场景地图信息，场景地图信息中至少包含障碍物图像信息；将场景地图信息离散化转换为栅格场景地图，基于栅格场景地图生成栅格场景地图模型，栅格场景地图模型至少包括通行区域和障碍物区域；获取无人机的下一时刻位置点和目标位置点，目标位置点位于场景地图信息中；基于改进蚁群算法、下一时刻位置点、目标位置点，以及栅格场景地图模型确定最优路径，蚁群算法中的启发式因子由下一时刻位置点与目标位置点之间的欧氏距离确定；对最优路径进行曲线化处理，得到最终规划路径。这样，本实施例的方案在规划无人机的最优路径时，通过改进蚁群算法，用无人机在飞行过程的下一时刻位置与目标位置的欧氏距离来确定启发式因子，采用该启发式因子可以加快该算法收敛向最优解的速度，从而在为无人机规划路径时提高了计算效率，同时规划路径的准确性也较高。

本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取无人机周围场景地图信息，场景地图信息中至少包含障碍物图像信息；将场景地图信息离散化转换为栅格场景地图，基于栅格场景地图生成栅格场景地图模型，栅格场景地图模型至少包括通行区域和障碍物区域；获取无人机的下一时刻位置点和目标位置点，目标位置点位于场景地图信息中；基于改进蚁群算法、下一时刻位置点、目标位置点，以及栅格场景地图模型确定最优路径，蚁群算法中的启发式因子由下一时刻位置点与目标位置点之间的欧氏距离确定；对最优路径进行曲线化处理，得到最终规划路径。

在一个实施例中，计算机程序被处理器执行时实现以下步骤：启发式因子在蚁群算法中用于确定转移概率函数，转移概率函数由以下表达式限定：

其中，τ

在一个实施例中，计算机程序被处理器执行时实现以下步骤：β的取值为5～10。

在一个实施例中，计算机程序被处理器执行时实现以下步骤：将场景地图信息离散化转换为栅格场景地图包括基于单元格方法将场景地图信息离散化转换为栅格场景地图。

在一个实施例中，计算机程序被处理器执行时实现以下步骤：基于栅格场景地图生成栅格场景地图模型包括：判断栅格场景地图中每个单元格区域内是否包含障碍物图像的至少部分或全部；若是，则将相应的单元格区域设置为黑色，若否，则将相应的单元格区域设置为白色以得到二值图，即为所述栅格场景地图模型。

在一个实施例中，计算机程序被处理器执行时实现以下步骤：对最优路径进行曲线化处理包括：基于Dubins曲线对最优路径进行曲线化处理。

在上述实施例中，通过获取无人机周围场景地图信息，场景地图信息中至少包含障碍物图像信息；将场景地图信息离散化转换为栅格场景地图，基于栅格场景地图生成栅格场景地图模型，栅格场景地图模型至少包括通行区域和障碍物区域；获取无人机的下一时刻位置点和目标位置点，目标位置点位于场景地图信息中；基于改进蚁群算法、下一时刻位置点、目标位置点，以及栅格场景地图模型确定最优路径，蚁群算法中的启发式因子由下一时刻位置点与目标位置点之间的欧氏距离确定；对最优路径进行曲线化处理，得到最终规划路径。这样，本实施例的方案在规划无人机的最优路径时，通过改进蚁群算法，用无人机在飞行过程的下一时刻位置与目标位置的欧氏距离来确定启发式因子，采用该启发式因子可以加快该算法收敛向最优解的速度，从而在为无人机规划路径时提高了计算效率，同时规划路径的准确性也较高。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，比如静态随机存取存储器(Static Random Access Memory，SRAM)和动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。