路径规划算法学习
共 4612字,需浏览 10分钟
·
2022-02-26 05:57
点击下方卡片,关注“新机器视觉”公众号
视觉/图像重磅干货,第一时间送达
前言
算法原理:参考路径规划算法学习Day1
https://blog.csdn.net/CltCj/article/details/110529598
此方法会结合网络占用法-栅格法来进行实现
提示:
本文会用matlab实现Dijkstra算法,并且会分享一些函数用法的链接,也是本人学习得来,供大家参考,批评指正。
1、Dijkstra算法
1.1、地图创建
总所周知:栅格法生成地图常规是的自己一个一个打,这样既麻烦还浪费时间。
这里介绍几种方法:
way1:在命令框中码:map=rand(k)>0.7 %k代表多少维地图
way2:在matlab中安装Robotics Toolbox工具箱 里有专门的函数makemap可以帮助我们生成一张地图
https://petercorke.com/toolboxes/robotics-toolbox/
1.2、matlab实现
function path=DJS(Map,origin,destination)
cmap = [1 1 1; ...white
0 0 0; ...black
0 1 0; ...green
1 1 0; ...yellow
1 0 0; ...red
0 0 1; ...blue
0 1 1];
colormap(cmap);%map visualization
[rows, cols]=size(Map);
logical_map = logical(Map);
map=zeros(rows, cols);
map(~logical_map)=1;%free
map(logical_map)=2;%obstacle
%定义一个变量node_cost_list来保存邻居以及它们到起始格的路程
%node_cost_list来保存这些信息,初始化为 Inf,表示从没有访问过。一旦有值,就说明是邻居,赋值的大小就表示该点跟起始点的路程。一旦变成红色,就把它的值再改回 Inf。
node_cost_list = Inf(rows, cols);
node_cost_list(origin(1),origin(2))=0;% set the node_cost of the origin node zero
%定义变量parent_list来保存路径
parent_list=zeros(rows, cols);% create parent_list
destination_index=sub2ind(size(Map),destination(1),destination(2));
origin_index=sub2ind(size(Map),origin(1),origin(2));
plan_success=false;
while true
map(origin(1),origin(2))=3;
map(destination(1),destination(2))=4;
image(0.5,0.5,map);
grid on;
set(gca,'xtick',1:1:rows);
set(gca,'ytick',1:1:cols);
axis image;
drawnow;
%找出距离最小的节点
%搜索中心与起始点的路程min_node,搜索中心的索引坐标:current_node,
[min_node,current_node]=min(node_cost_list(:));
if(min_node == inf || current_node == destination_index)
plan_success=true;
break;
end
node_cost_list(current_node) = inf;%当前搜索中心这个位置赋值为 Inf,表示它已经当过搜索中心了。min函数就不会再找这个位置
map(current_node) = 5;
[i,j]=ind2sub(size(Map),current_node);
for k = 0:3 % four direction
if(k == 0)
adjacent_node = [i-1,j];
elseif (k == 1)
adjacent_node = [i+1,j];
elseif (k == 2)
adjacent_node = [i,j-1];
elseif(k == 3)
adjacent_node = [i,j+1];
end
if((adjacent_node(1)>0 && adjacent_node(1)<=rows) && (adjacent_node(2)>0 &&adjacent_node(2)<=cols))
if(map(adjacent_node(1),adjacent_node(2)) ~= 2 && map(adjacent_node(1),adjacent_node(2)) ~= 5)
if(node_cost_list(adjacent_node(1),adjacent_node(2)) > min_node + 1)
node_cost_list(adjacent_node(1),adjacent_node(2)) = min_node + 1;
if(map(adjacent_node(1),adjacent_node(2)) == 3)
parent_list(adjacent_node(1),adjacent_node(2)) = 0;%如果相邻节点是原点,则将父节点设置为0。
else
parent_list(adjacent_node(1),adjacent_node(2))=current_node;%否则设置当前节点为父节点
end
map(adjacent_node(1),adjacent_node(2)) = 6;
end
end
end
end
end
if(plan_success)
path=[];
node=destination_index;
while parent_list(node)~=0
path=[parent_list(node),path];
node=parent_list(node);
end
for k = 2:size(path,2)
map(path(k)) = 7;
image(0.5,0.5,map);
grid on;
set(gca,'xtick',1:1:rows);
set(gca,'ytick',1:1:cols);
axis image;
drawnow;
end
else
path=[];
end
end
1.3、20*20地图
1.4、50*50地图
gif太大无法上传,后面我会完善。
主要就是想对比一下,可以让大家看到迪杰斯特拉算法的缺点
2、A*(Astar)算法
2.1、原理
A*(A-Star)算法是一种静态路网中求解最短路径最有效的直接搜索方法,也是解决许多搜索问题的有效算法。
算法中的距离估算值与实际值越接近,最终搜索速度越快。
公式表示为:f(n)=g(n)+h(n)。
f(n) :是从初始状态经由状态n到目标状态的代价估计, g(n):是在状态空间中从初始状态到状态n的实际代价, h(n):是从状态n到目标状态的最佳路径的估计代价。
对于路径搜索问题,状态就是图中的节点,代价就是距离
h(n)的选取保证找到最短路径(最优解的)条件,关键在于估价函数f(n)的选取(或者说h(n)的选取)。
如果h(n)< d(n)到目标状态的实际距离,这种情况下,搜索的点数多,搜索范围大,效率低。但能得到最优解。 如果h(n)=d(n),即距离估计h(n)等于最短距离,那么搜索将严格沿着最短路径进行, 此时的搜索效率是最高的。 如果 h(n)>d(n),搜索的点数少,搜索范围小,效率高,但不能保证得到最优解。
A* 算法是在迪杰斯特拉算法的基础上进行改进的一种算法。
与之不同的是,A算法是一种启发式搜索,不会像dijkstra算法一样对整个地图都进行遍历,A算法是有方向的遍历。
2.2、启发式搜索
启发式搜索(Heuristically Search)又称为有信息搜索(Informed Search)。
它是利用问题拥有的启发信息来引导搜索,达到减少搜索范围、降低问题复杂度的目的。
这种利用启发信息的搜索过程称为启发式搜索。
这种搜索方式优点是搜索快,提高了效率,缺点就是得到的解有可能是次优解也有可能什么都得不到。
一句话就是牺牲了精度得到了效率。
3、总结
Dijkstra与A* 对比
两者都是以寻找最短路径为目的的算法。
Dijkstra算法遍历的时候是对4周平等对待,没有区分的盲目进行遍历。
A* 算法是在迪杰斯特拉算法的基础上进行改进的一种算法。
与之不同的是,A* 算法是一种启发式搜索,不会像dijkstra算法一样对整个地图都进行遍历,A* 算法是有方向的遍历。
它会对周围各点进行评估,然后再进行搜索。
后续程序依旧是基于栅格进行,用matlab实现
版权声明:本文为CSDN博主「CC-Mac」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:
https://blog.csdn.net/CltCj/article/details/111650780
本文仅做学术分享,如有侵权,请联系删文。