一种适应纹理退化环境的语义感知RRT路径规划方法

一种适应纹理退化环境的语义感知rrt路径规划方法
技术领域
1.本发明涉及一种适应纹理退化环境的语义感知快速探索随机树路径规划方法，属于无人机路径规划领域。


背景技术：

2.无人机(uavs)在工业检查、包裹运送、环境监测、农业喷洒、地理测绘等领域的广泛应用已引起广泛关注。在这些应用中，无人机需要具备强大的自主飞行能力，以在复杂、未知和动态的环境中实现安全、高效的飞行。为了达到这一目标，研究人员和工程师开发了多种路径规划方法，以解决不同场景下的自主飞行难题。
3.其中，快速拓展随机树(rrt)方法是一种基于采样的路径规划方法，已经被广泛应用于无人机自主飞行。无人机自主导航是自主飞行中的一个重要环节。通常情况下，在户外环境中无人机可以使用gps实现自主导航。然而，gps在某些情况下可能失效，如在树林下、高楼之间等场景中。基于视觉的导航是gps的替代方案。目前，基于视觉的同步定位与建图已被广泛用于无人机自主导航。
4.然而，在具有视觉纹理退化的导航环境中，传统的rrt方法可能表现出不足。例如，当无人机在视觉纹理退化或消失的区域中飞行时，基于视觉的导航方法可能受到严重影响，导致定位和建图的精度下降。这是因为传统的rrt方法所规划的路径未考虑视觉导航对纹理信息的需求，无人机可能会进入纹理匮乏的区域，从而影响其自主导航性能。
5.因此，本发明提出一种改进的rrt路径规划方法，避免飞往纹理退化或消失的区域，以提高无人机在具有纹理退化或消失的环境中的自主飞行性能。这种改进的方法在传统的rrt方法基础上，利用语义分割图像中所包含的环境纹理信息，增加对自主导航有帮助的纹理信息的权重，以引导无人机往特征丰富场景飞行，从而以提高无人机在纹理复杂度不均匀的环境中的导航精度和安全性。


技术实现要素：

6.本发明的目的是提出了一种适应纹理退化环境的语义感知快速拓展随机树路径规划方法。利用rgb图像以及深度图，建立路径规划所需的信息地图，并通过一种全新的启发式采样的方法选取采样点并进行连接和拓展，与此同时设计了基于重布线机制的方法使规划的路径尽可能的包含更多信息量，并且路径的距离更短，以达到无人机在保证定位正常的情况下，所飞行的路径最短。具体步骤包括：
7.步骤一：输入rgb图像和深度图像，建立信息地图
8.在非空旷环境通过双目相机，以15hz的频率，获取分辨率为1024
×
768的rgb图像和深度图像。深度图像用来构建无人机的局部环境3维占据栅格地图，用于无人机的局部避障。rgb图像通过语义分割得到语义掩码图像，并使用模糊评价法对场景中的每个语义类进行评价打分，为其赋予不同权重值，目的是引导无人机飞往环境纹理信息丰富的区域。语义类来自于cityscapes类的标量类标签，即{建筑，道路，天空，车辆，人类，自然}。利用光流法
并结合语义图像，产生一个无人机可视范围内环境的2维俯视投影图，投影图中每个栅格都包含语义信息。具体包括以下子步骤：
9.子步骤1：确定不同语义类的权重
10.建立因素集u＝(u1，u2，
…
，um)，其中元素ui代表影响视觉定位的第i个因素，建立综合评价的评价集v＝(v1，v2，
…
，vn)，其中元素vj代表第j种评价结果。
11.进行单因素模糊评价，获得模糊综合评价矩阵。第i个元素单因素评价的结果用模糊集合表示为：ri＝(r
i1
，r
i2
，
…
，r
in
)，以m个单因素评价集r1,r2,
…
，rm为行组成矩阵rm×n，称为模糊综合评价矩阵。采用熵权法确定各因素权重，各因素的权重集合的模糊集用a表示：
12.a＝(a1，a2，
…
，am)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
13.建立综合评价模型。确定单因素评判矩阵r和因素权向量a之后，通过模糊变化将u上的模糊向量a变为v上的模糊向量b，即
[0014][0015]
式中称为综合评价合成算子，此处取成矩阵乘法运算。
[0016]
综合评价模型确定后，确定系统得分，即其中f为系统总得分，s为v中相应因素的分级。
[0017]
子步骤2：建立信息地图
[0018]
在无人机的可视范围内，利用无人机的位置，将瞬时俯视图融合到以无人机为中心的滑动窗口语义图中。此图将作为一个全局地图，用来引导与无人机飞往视觉特征丰富的区域。信息地图的定义如下：
[0019][0020]
式中，n为信息地图中栅格的总数。每个栅格的中心位置pi＝[p
xi
，p
yi
]，语义类标签由描述符向量ci描述。即ci∈{建筑，道路，天空，车辆，人类，自然}。
[0021]
步骤二：利用信息地图，为无人机自主规划路线
[0022]
为使无人机在实际自主导航的过程中，避免飞往环境纹理退化的区域，本发明通过在信息地图m上采用改进的rrt方法进行路径规划。相比于传统的基于采样的路径规划方法，本发明提出了利用语义信息来引导树的扩展，方法的具体的步骤如下所示：
[0023]
子步骤1)：启发式采样
[0024]
本发明提出了一种启发式采样方法来获取新的采样点，其具体步骤如下：
[0025]
(1)通过函数random(
·
)在工作空间下均匀产生ns个随机采样点xi，即需要注意的是采样点的个数对方法的效率有着重要的影响。如果采样点个数太大，这将会在搜寻最佳采样点上花费太多时间；如果采样点个数太小，则所选取的采样点可能并不是最优的。
[0026]
(2)利用信息地图m来获取每个采样点的信息增益。引入一个三角形网格图，其大小取决于相机的视角范围，对这个三角形进行均匀的划分，只有在每个小网格中，所包含的信息大于阈值ε(保证无人机能够正常进行视觉定位的最小信息值)时，该网格才会被纳入计算中。每个采样点的信息增益定义如下：
[0027]
info(xi)＝||p(xi)-p(tgridcenter)||
·
free(xi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0028]
式中，p(
·
)表示在2维投影地图上的坐标，tgridcenter表示经过均匀划分后的小三角形网格的中心点坐标，下面提到的网格中心点含义与tgridcenter相同。参与计算的三角形网格是所有网格中包含信息最多的，并且优先考虑与无人机距离更近的网格，其定义如下：
[0029][0030]
式中δd表示网格中心与无人机之间的距离，normalization(
·
)函数表示对网格的信息分数进行归一化处理，其定义如下所示：
[0031][0032]
式中fi代表不同语义类的得分，ngridi表示相同语义类的栅格数量，在统计未完全沾满一个栅格的语义类时，定义只要这个语义类的占用面积大于整个栅格的一半，就将它算作1，否则为0。函数free(
·
)通过深度信息定义，其定义如下：
[0033][0034]
启发式采样点在这些随机采样点中将最具有启发性的采样点添加到树结构中。
[0035]
子步骤2)：最近邻点
[0036]
利用函数nearest(
·
)获取在树中距离x
info
最近的点x
near
，x
near
＝argmin
x∈v
||x
info-x||，式中v代表无碰撞节点的集合，e代表无碰撞节点连接的边的集合。
[0037]
子步骤3)：引导节点
[0038]
通过函数steer(
·
)获取一个新的节点x
new
。在x
near
朝x
info
移动的方向上以一个固定的步长δ来获取x
new
。
[0039]
子步骤4)：重布线机制
[0040]
为了使生成的路径信息量更大、路径长度更短，本发明提出了一个修改生成路径的重布线机制。对于一条由点n＝{n0，n1，
…
，nj}构成的初始路径ζ，其获得的总的信息增益计算如下所示：
[0041]
info(ζ)＝∑info(ni)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0042]
通过本发明提出的采样策略将会得到的一个新的采样点x
info
，节点x
new
通过steer(
·
)函数获取，检查x
new
周围的点，将一定范围内树中的点作为x
new
的邻居节点集合x
neighbor
。对于邻居节点x
neighbor
∈x
neighbor
，连接它和起点的路径由节点n
visited
＝{n0，n2，n3，n4}和边ei，i∈i1＝{1，2，4}构成。定义邻居节点的可用性：
[0043][0044]
式中，函数l(
·
)表示每条边的长度。
[0045]
如果u1＞u2，意味着存在一条更优的路径，它不仅能够获得更多的信息增益并且还有着更短的路径。此时，将节点x
new
的父节点更换为x
neighbor
，一个重布线过程到此结束。每当一个新的节点x
new
产生，重布线过程就会启动。本发明提出的重布线机制可以将路径修改为信息量更大，路径成本更低的路径，这能够大大提升方法的效率。
[0046]
子步骤5)：重复子步骤1)～4)，直到启发式采样点的数量达到一个预先设定的值。
[0047]
子步骤6)：滚动优化
[0048]
对树结构进行剪枝，保留一条包含信息丰富并且距离目标近的路径，其定义如下：
[0049][0050]
式中的α是优先考虑信息增益的加权因子，函数cost(
·
)表示一条路径接近目的地的程度，其定义如下：
[0051][0052]
式中，δdis表示轨迹末端的节点与目标点之间的距离，d
cur
表示无人机当前的位置与目标点之间的距离，d
attract
表示目标点附近具有强吸引力的区域，k表示对当前距离的依赖程度。
[0053]
本发明的有益效果在于：本发明所提出的语义感知快速探索随机树路径规划方法可以利用环境中的环境纹理信息，避免无人机进入环境纹理匮乏的区域；并设计了一种重布线机制，在保证无人机飞行路径上信息丰富的同时，使飞行路径的距离最短。
附图说明
[0054]
图1是基于语义信息的快速扩展随机树方法流程图；
[0055]
图2是二维俯视投影图；
[0056]
图3是重布线机制示意图。
具体实施方式
[0057]
无人机(uavs)在工业检查、包裹运送、环境监测、农业喷洒、地理测绘等领域的广泛应用已引起广泛关注。在这些应用中，无人机需要具备强大的自主飞行能力，以在复杂、未知和动态的环境中实现安全、高效的飞行。为了达到这一目标，研究人员和工程师开发了多种路径规划方法，以解决不同场景下的自主飞行难题。
[0058]
其中，快速拓展随机树(rrt)方法是一种基于采样的路径规划方法，已经被广泛应用于无人机自主飞行。无人机自主导航是自主飞行中另一个重要环节。通常情况下，在户外环境中无人机可以使用gps实现自主导航。然而，gps在某些情况下可能失效，如在树林下、高楼之间等场景中。基于视觉的导航是gps的替代方案。目前，基于视觉的同步定位与建图已被广泛用于无人机自主导航。然而，在具有视觉纹理退化的导航环境中，传统的rrt方法可能表现出不足。例如，当无人机在视觉纹理退化或消失的区域中飞行时，基于视觉的导航方法可能受到严重影响，导致定位和建图的精度下降。这是因为传统的rrt方法所规划的路径未考虑视觉导航对纹理信息的需求，无人机可能会进入纹理匮乏的区域，从而影响其自主导航性能。
[0059]
因此，本发明提出一种改进的rrt路径规划方法，避免无人机飞往纹理退化或消失的区域，以提高无人机在具有纹理退化或消失的环境中的自主飞行性能。这种改进的方法在传统的rrt方法基础上，利用语义分割图像中所包含的环境纹理信息，增加对定位有帮助的纹理信息的权重，以引导无人机朝向特征丰富场景飞行，从而提高无人机在纹理复杂度不均匀的环境中的导航精度和安全性。本发明利用语义信息引导无人机往特征丰富场景飞行，能够解决在使用rrt方法做路径搜索时，无人机飞往环境纹理退化的区域，而出现视觉定位漂移的问题。使用本发明提出的方法能够使无人机更加安全且高效的到达预定的目标点。
[0060]
本发明的目的是提出了一种适应纹理退化环境的语义感知快速拓展随机树路径规划方法。利用rgb图像以及深度图，建立路径规划所需的信息地图，并通过一种全新的启发式采样的方法选取采样点并进行连接和拓展，与此同时设计了基于重布线机制的方法使规划的路径尽可能的包含更多信息量，并且路径的距离更短，以达到无人机在保证定位正常的情况下，所飞行的路径最短。具体步骤包括：
[0061]
步骤一：输入rgb图像和深度图像，建立信息地图
[0062]
在非空旷环境通过双目相机，以15hz的频率，获取分辨率为1024
×
768的rgb图像和深度图像。深度图像用来构建无人机的局部环境3维占据栅格地图，用于无人机的局部避障。rgb图像通过语义分割得到语义掩码图像，并使用模糊评价法对场景中的每个语义类进行评价打分，为其赋予不同权重值，目的是引导无人机飞往环境纹理信息丰富的区域。语义类来自于cityscapes类的标量类标签，即{建筑，道路，天空，车辆，人类，自然}。利用光流法并结合语义图像，产生一个无人机可视范围内环境的2维俯视投影图，投影图中每个栅格都包含语义信息。具体包括以下子步骤：
[0063]
子步骤1：确定不同语义类的权重
[0064]
建立因素集u＝(u1，u2，
…
，um)，其中元素ui代表影响视觉定位的第i个因素，建立综合评价的评价集v＝(v1，v2，
…
，vn)，其中元素vj代表第j种评价结果。
[0065]
进行单因素模糊评价，获得模糊综合评价矩阵。第i个元素单因素评价的结果用模糊集合表示为：ri＝(r
i1
，r
i2
，
…
，r
in
)，以m个单因素评价集r1,r2,
…
，rm为行组成矩阵rm×n,称为模糊综合评价矩阵。采用熵权法确定各因素权重，各因素的权重集合的模糊集用a表示：
[0066]
a＝(a1，a2，
…
，am)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(23)
[0067]
建立综合评价模型。确定单因素评判矩阵r和因素权向量a之后，通过模糊变化将u上的模糊向量a变为v上的模糊向量b，即
[0068][0069]
式中称为综合评价合成算子，此处取成矩阵乘法运算。
[0070]
综合评价模型确定后，确定系统得分，即其中f为系统总得分，s为v中相应因素的分级。
[0071]
子步骤2：建立信息地图
[0072]
在无人机的可视范围内，利用无人机的位置，将瞬时俯视图融合到以无人机为中心的滑动窗口语义图中。此图将作为一个全局地图，用来引导与无人机飞往视觉特征丰富的区域。信息地图的定义如下：
[0073][0074]
式中，n为信息地图中栅格的总数。每个栅格的中心位置pi＝[p
xi
，p
yi
]，语义类标签由描述符向量ci描述。即ci∈{建筑，道路，天空，车辆，人类，自然}。
[0075]
步骤二：利用信息地图，为无人机自主规划路线
[0076]
为使无人机在实际自主导航的过程中，避免飞往环境纹理退化的区域，本发明通过在信息地图m上采用改进的rrt方法进行路径规划。相比于传统的基于采样的路径规划方法，本发明提出了利用语义信息来引导树的扩展，方法的流程图如图1所示，方法的具体的步骤如下所示：
[0077]
子步骤1)：启发式采样
[0078]
本发明提出了一种启发式采样方法来获取新的采样点，其具体步骤如下：
[0079]
(1)通过函数random(
·
)在工作空间下均匀产生ns个随机采样点xi，即需要注意的是采样点的个数对方法的效率有着重要的影响。如果采样点个数太大，这将会在搜寻最佳采样点上花费太多时间；如果采样点个数太小，则所选取的采样点可能并不是最优的。
[0080]
(2)利用信息地图m来获取每个采样点的信息增益。引入一个三角形网格图，其大小取决于相机的视角范围，对这个三角形进行均匀的划分，只有在每个小网格中，所包含的信息大于阈值ε(保证无人机能够正常进行视觉定位的最小信息值)时，该网格才会被纳入计算中。示意图如图2所示。图中不同的颜色代表不同的语义类。每个采样点的信息增益定义如下：
[0081]
info(xi)＝||p(xi)-p(tgridcenter)||
·
free(xi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(26)
[0082]
式中，p(
·
)表示在2维投影地图上的坐标，tgridcenter表示经过均匀划分后的小三角形网格的中心点坐标，下面提到的网格中心点含义与tgridcenter相同。参与计算的三角形网格是所有网格中包含信息最多的，并且优先考虑与无人机距离更近的网格，其定义如下：
[0083][0084]
式中δd表示网格中心与无人机之间的距离，normalization(
·
)函数表示对网格的信息分数进行归一化处理，其定义如下所示：
[0085][0086]
式中fi代表不同语义类的得分，ngridi表示相同语义类的栅格数量，在统计未完全沾满一个栅格的语义类时，定义只要这个语义类的占用面积大于整个栅格的一半，就将它算作1，否则为0。函数free(
·
)通过深度信息定义，其定义如下：
[0087]
[0088]
启发式采样点在这些随机采样点中将最具有启发性的采样点添加到树结构中。
[0089]
子步骤2)：最近邻点
[0090]
利用函数nearest(
·
)获取在树中距离x
info
最近的点x
near
，x
near
＝argmin
x∈v
||x
info-x||，式中v代表无碰撞节点的集合，e代表无碰撞节点连接的边的集合。
[0091]
子步骤3)：引导节点
[0092]
通过函数steer(
·
)获取一个新的节点x
new
。在x
nesr
朝x
info
移动的方向上以一个固定的步长δ来获取x
new
。
[0093]
子步骤4)：重布线机制
[0094]
为了使生成的路径信息量更大、路径长度更短，本发明提出了一个修改生成路径的重布线机制。对于一条由点n＝{n0，n1，
…
，nj}构成的初始路径ζ，其获得的总的信息增益计算如下所示：
[0095]
info(ζ)＝∑info(ni)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(30)
[0096]
如图3所示，通过本发明提出的采样策略将会得到的一个新的采样点x
info
，节点x
new
通过steer(
·
)函数获取，检查x
new
周围的点，将一定范围内树中的点作为x
new
的邻居节点集合x
neighbor
。对于邻居节点x
neighbor
∈x
neighbor
，连接它和起点的路径由节点n
visited
＝{n0，n2，n3，n4}和边ei，i∈i1＝{1，2，4)构成。定义邻居节点的可用性：
[0097][0098]
式中，函数l(
·
)表示每条边的长度。
[0099]
如果u1＞u2，意味着存在一条更优的路径，它不仅能够获得更多的信息增益并且还有着更短的路径。此时，将节点x
new
的父节点更换为x
neighbor
，一个重布线过程到此结束。每当一个新的节点x
new
产生，重布线过程就会启动。本发明提出的重布线机制可以将路径修改为信息量更大，路径成本更低的路径，这能够大大提升方法的效率。
[0100]
子步骤5)：重复子步骤1)～4)，直到启发式采样点的数量达到一个预先设定的值。
[0101]
子步骤6)：滚动优化
[0102]
对树结构进行剪枝，保留一条包含信息丰富并且距离目标近的路径，其定义如下：
[0103][0104]
式中的α是优先考虑信息增益的加权因子，函数cost(
·
)表示一条路径接近目的地的程度，其定义如下：
[0105][0106]
式中，δdis表示轨迹末端的节点与目标点之间的距离，d
cur
表示无人机当前的位置与目标点之间的距离，d
attract
表示目标点附近具有强吸引力的区域，k表示对当前距离的依赖程度。
[0107]
本发明所提出的语义感知快速探索随机树路径规划方法可以利用环境中的环境
纹理信息，保证无人机避免进入环境纹理匮乏的区域；并设计了一种重布线机制，在保证无人机飞行路径上信息丰富的同时，使飞行路径的距离最短。

技术特征：
1.一种适应纹理退化环境的语义感知rrt路径规划方法，其特征在于，利用rgb图像以及深度图，建立路径规划所需的信息地图，并通过一种启发式采样的方法选取采样点并进行连接和扩展，与此同时设计了基于重布线机制的方法使规划的路径，包含更多信息量，并且路径的距离更短，以达到无人机在保证定位正常的情况下，所飞行的路径最短；具体步骤包括：步骤一：输入rgb图像和深度图像，建立信息地图在非空旷环境通过双目相机，以15hz的频率，获取分辨率为1024
×
768的rgb图像和深度图像；深度图像用来构建无人机的局部环境3维占据栅格地图，用于无人机的局部避障；rgb图像通过语义分割得到语义掩码图像，并使用模糊评价法对场景中的每个语义类进行评价打分，为其赋予不同权重值，目的是引导无人机飞往环境纹理信息丰富的区域；语义类来自于cityscapes类的标量类标签，即{建筑，道路，天空，车辆，人类，自然}；利用光流法并结合语义图像，产生一个无人机可视范围内环境的2维俯视投影图，投影图中每个栅格都包含语义信息；具体包括以下子步骤：子步骤1：确定不同语义类的权重建立因素集u＝(u1，u2，
…
，u
m
)，其中元素u
i
代表影响视觉定位的第i个因素，建立综合评价的评价集v＝(v1，v2，
…
，v
n
)，其中元素v
j
代表第j种评价结果；进行单因素模糊评价，获得模糊综合评价矩阵；第i个元素单因素评价的结果用模糊集合表示为：r
i
＝(r
i1
，r
i2
，
…
，r
in
)，以m个单因素评价集r1，r2，
…
，r
m
为行组成矩阵r
m
×
n
，称为模糊综合评价矩阵；采用熵权法确定各因素权重，各因素的权重集合的模糊集用a表示：a＝(a1，a2，
…
，a
m
)
ꢀꢀꢀꢀ
(1)建立综合评价模型；确定单因素评判矩阵r和因素权向量a之后，通过模糊变化将u上的模糊向量a变为v上的模糊向量b，即式中称为综合评价合成算子，此处取成矩阵乘法运算；综合评价模型确定后，确定系统得分，即其中f为系统总得分，s为v中相应因素的分级；子步骤2：建立信息地图在无人机的可视范围内，利用无人机的位置，将瞬时俯视图融合到以无人机为中心的滑动窗口语义图中；此图将作为一个全局地图，用来引导与无人机飞往视觉特征丰富的区域；信息地图的定义如下：式中，n为信息地图中栅格的总数；每个栅格的中心位置p
i
＝[p
xi
，p
yi
]，语义类标签由描述符向量c
i
描述；即c
i
∈{建筑，道路，天空，车辆，人类，自然}；步骤二：利用信息地图，为无人机自主规划路线为使无人机在实际自主导航的过程中，避免飞往环境纹理退化的区域，通过在信息地图m上采用改进的rrt方法进行路径规划；相比于传统的基于采样的路径规划方法，提出了利用语义信息来引导树的扩展，方法的具体的步骤如下所示：子步骤1)：启发式采样
提出了一种启发式采样方法来获取新的采样点，其具体步骤如下：(1)通过函数random(
·
)在工作空间下均匀产生n
s
个随机采样点x
i
，即采样点的个数对方法的效率有着重要的影响；如果采样点个数太大，会在搜寻最佳采样点上花费太多时间；如果采样点个数太小，则所选取的采样点可能并不是最优的；(2)利用信息地图m来获取每个采样点的信息增益；引入一个三角形网格图，其大小取决于相机的视角范围，对这个三角形进行均匀的划分，只有在每个小网格中，所包含的信息大于阈值ε时，阈值ε为保证无人机能够正常进行视觉定位的最小信息值，该网格才会被纳入计算中；每个采样点的信息增益定义如下：info(x
i
)＝||p(x
i
)-p(tgridcenter)||
·
free(x
i
)
ꢀꢀꢀꢀꢀꢀꢀ
(4)式中，p(
·
)表示在2维投影地图上的坐标，tgridcenter表示经过均匀划分后的小三角形网格的中心点坐标；参与计算的三角形网格是所有网格中包含信息最多的，并且优先考虑与无人机距离更近的网格，其定义如下：式中δd表示网格中心与无人机之间的距离，normalization(
·
)函数表示对网格的信息分数进行归一化处理，其定义如下所示：式中f
i
代表不同语义类的得分，ngrid
i
表示相同语义类的栅格数量，在统计未完全沾满一个栅格的语义类时，定义只要这个语义类的占用面积大于整个栅格的一半，就将它算作1，否则为0；函数free(
·
)通过深度信息定义，其定义如下：启发式采样点在这些随机采样点中将最具有启发性的采样点添加到树结构中；子步骤2)：最近邻点利用函数nearest(
·
)获取在树中距离x
info
最近的点x
near
，x
near
＝argmin
x∈v
||x
info-x||，式中v代表无碰撞节点的集合，e代表无碰撞节点连接的边的集合；子步骤3)：引导节点通过函数steer(
·
)获取一个新的节点x
new
；在x
near
朝x
info
移动的方向上以一个固定的步长δ来获取x
new
；子步骤4)：重布线机制为了使生成的路径信息量更大、路径长度更短，提出了一个修改生成路径的重布线机制；对于一条由点n＝{n0，n1，
…
，n
j
}构成的初始路径ζ，其获得的总的信息增益计算如下所示：info(ζ)＝∑info(n
i
)
ꢀꢀꢀꢀ
(8)
通过提出的采样策略将会得到的一个新的采样点x
info
，节点x
new
通过steer(
·
)函数获取，检查x
new
周围的点，将一定范围内树中的点作为x
new
的邻居节点集合x
neighbor
；对于邻居节点x
neighbor
∈x
neighbor
，连接它和起点的路径由节点n
visited
＝{n0，n2，n3，n4}和边e
i
，i∈i1＝{1，2，4}构成；定义邻居节点的可用性：式中，函数l(
·
)表示每条边的长度；如果u1＞u2，意味着存在一条更优的路径，它不仅能够获得更多的信息增益并且还有着更短的路径；此时，将节点x
new
的父节点更换为x
neighbor
，一个重布线过程到此结束；每当一个新的节点x
new
产生，重布线过程就会启动；提出的重布线机制能将路径修改为信息量更大，路径成本更低的路径，这能够提升方法的效率；子步骤5)：重复子步骤1)～4)，直到启发式采样点的数量达到一个预先设定的值；子步骤6)：滚动优化对树结构进行剪枝，保留一条包含信息丰富并且距离目标近的路径，其定义如下：式中的α是优先考虑信息增益的加权因子，函数cost(
·
)表示一条路径接近目的地的程度，其定义如下：式中，δdis表示轨迹末端的节点与目标点之间的距离，d
cur
表示无人机当前的位置与目标点之间的距离，d
attract
表示目标点附近具有强吸引力的区域，k表示对当前距离的依赖程度。

技术总结
本发明公开了一种适应纹理退化环境的语义感知快速拓展随机树(RRT)路径规划方法，该方法首先获取视觉导航的RGB图像和深度图像；接着对输入的RGB图像进行语义分割，并采用模糊评价方法为不同的语义类赋予不同权重值，将语义掩码图像与深度图像建立的占据栅格地图结合，从而生成规划所需的信息地图；随后在信息地图上进行启发式采样，选取信息增益较大的节点作为树结构中的节点，并对其进行连接和拓展。该方法利用语义信息引导无人机往特征丰富场景飞行，能够解决在使用RRT方法做路径搜索时，无人机飞往环境纹理退化的区域，而出现视觉定位漂移的问题。使用本发明提出的方法能够使无人机更加安全且高效的到达预定的目标点。使无人机更加安全且高效的到达预定的目标点。使无人机更加安全且高效的到达预定的目标点。


技术研发人员：徐启敏 廖龙杰 李旭
受保护的技术使用者：东南大学
技术研发日：2023.05.16
技术公布日：2023/8/13