一种面向野外地形的多车组合体构型迭代优化方法

阅读：评论：0

1.本发明涉及基于遗传算法的构型优化，具体而言涉及多车组合体在山地复杂环境中自动寻最优构型进行越障的方法。

背景技术：

2.四轮车体平台目前是机器人领域的重要技术载体，它承担着很多特定的工作，在复杂山地越障上面体现尤为突出。面对复杂野外山地，当单个四轮车体平台无法顺利通过地形完成任务，多车组合体的优势即刻显现：当多个四轮车通过铰链连接杆进行连接，在运动过程中互相牵引控制，同时增强结构体平稳性和稳定性，就能实现多车在复杂地形完成单个车体不能完成的越障前进任务。大大提高多车组合体在无人自主前提下的性能和优势，实现更加灵活的无人自主目的。
3.进一步来讲，针对不同的复杂地形条件，如何得到最优构型，更是机器人研究领域的一项问题，而目前现有的构型优化技术不足以获得最佳构型，或者获得构型存在各种问题，使得多车组合体构型的可行性、稳定性大大降低，难以完成后续的前进工作。

技术实现要素：

4.针对多车组合体在复杂地形下难以生成最优构型以完成越障的问题，本发明提供一种基于遗传算法的面向野外地形的多车组合体构型迭代优化方法，通过对高程地图的处理和转化获得稀疏语义地图，提取参数约束和遍历寻最优路径，结合遗传算法，优化构型参数，对构型编码转化为与之一一对的关联矩阵，最后可视化呈现构型模拟简化图。
5.本发明的面向野外地形的多车组合体构型迭代优化方法，多车组合体是指已知m辆四轮模块机器人平台，将每辆平台简化为矩形，上下左右四侧边中只有左侧边和上侧边为连杆，可主动与被链接模块凹槽对接；则右侧边和下侧边为被连接凹槽；多车组合体根据地形特点进行组合，从而实现构型的选择和变化，具体包括以下步骤：
6.(1)获取高程地图环境信息，建立3d地形模型；
7.结合实际山地高程地形数据库，导入整体等高线数据以及测剖面图等文件信息，通过数据分析获取地图参数，即计算地图中相邻两点间高度差；通过特征分析确定属性及类别，生成对应稀疏语义地图，提取详细障碍物参数，得到精确地图矩阵信息。
8.计算地图中相邻两点间高度差的方法是：
9.设将实际高程地图转化为稀疏语义地图，语义地图相应矩阵元素为该点平均高度值。障碍物部分横向元素i个，即有i个起始点。每条路线有j个纵向元素，即有j个途径点。path[i]表示第i个起始元素，遍历每个元素表示路径的一个起始点。path[j]表示第j个途径元素，每个元素表示路径中的一个途径点，每条路线计算下一点path[j+1]与当前点path[j]的高度差，并于下一高度差进行比较，随即得到该地形下最大和最小高度差，与地形摩擦因数下的临界纵向高度差进行对比，得到该障碍物属性。
[0010]
所述障碍物属性的地形分析包括：
[0011]
①
高墙：计算相邻两点间纵向高度差，当障碍物最小高度大于60单位(无量纲，为地图对应矩阵数值)时，视为可通过高墙类障碍。当满足(高墙高度/单车长)*单车重量≤障碍物表面动摩擦因数*单车重量*构型长度，且高墙高度《构型长度时，将获得的高墙高度视为地图参数条件。
[0012]
②
缓坡：计算相邻两点间纵向高度差，当障碍物最大高度小于60单位(无量纲，为地图对应矩阵数值)时，视为可通过缓坡类障碍。当满足动摩擦因数≤斜面倾角正切值，且高墙高度《构型长度*斜面倾角正弦值时，将获得的缓坡高度视为地图参数条件。
[0013]
③
沟壑：计算相邻两点间纵向高度差，当前后两点高度持平且纵向间距小于组合体最大纵向长度时，视为可通过沟壑类障碍。将获得的纵向高度差视为地图参数条件。
[0014]
④
峡谷：当横向最大高度差小于45单位(无量纲，为地图对应矩阵数值)时，视为可通过峡谷类障碍。将获得的横向最小容纳通行宽度视为参数条件。
[0015]
(2)获取初始路径；
[0016]
通过计算相邻两点间纵向最大高度差(height)和横向最小高度差(width)，到可通行路线中代价最小的路线，确定起始点，计算跨越障碍最终代价(cost)，得到最优路径3d建模；
[0017]
根据(1)的矩阵信息，探索路径确定地形最大障碍物坡度和路径两侧横向最小容纳宽度以及其他障碍物参数，这些作为后续遗传算法的约束集合，并以此确定最佳起始点，直线相连确定通过路线。
[0018]
计算地图中相邻两点间纵向最大高度差的方法，是：
[0019]
设复杂组合地图的起始点和终止点已知，由平坦地面进入障碍物的时候，设障碍物部分横向元素i个，即有i个起始点。每条路线有j个纵向元素，即有j个途径点。给定该地形摩擦因数下的临界坡度“θ”。path[i]表示第i个起始元素，每个元素表示路径的一个起始点。path[j]表示第j个途径元素，每个元素表示路径中的一个途径点，每条路线计算下一点path[j+1]与当前点path[j]的高度差，若该路线每个高度差均小于“θ”，则视为可通过i存入p；直到出现高度差大于“θ”，则视为此路不通，i＝i+1继续横向遍历下一条路线。最后将所有“可通过”路线p[i]储存并进行比较，路线中最大高度差最小的路线对应的i视为代价最小的道路，代价函数为：q＝a*y(max)。其中a为对应地形下的纵向代价权重，y(max)为所有可通过路线中最大纵向高度差。可知路线代价与高度差呈正相关。即确定最终起始点，令location＝i，坐标记为start＝ggcc(1,location)，终点坐标为goal＝ggcc(j,location)。得到该路线的最大纵向高度差存为“height”，同时获得该路线跨越总长度l，为后续遗传算法的构型长度约束。
[0020]
计算地图中相邻两点间横向最小高度差的方法，是：
[0021]
以location为起始点，该路线有j个元素，向两侧搜索至边缘结束，步数左+步数右＝(i-1)，即每个途径点，向两侧分别求解坡度。给定该地形摩擦因数下的临界坡度“ω”。先向左侧搜索，当横向坡度小于“ω”，则width＝width+1；当左侧大于“ω”，则左侧停止搜索，存入当前搜索宽度width；再向右侧搜索，当横向坡度小于“ω”，重复width＝width+1；当右侧大于“ω”，则停止搜索，存入当前搜索步数“width”；两侧搜索结束获得最终width，储存数据。继续迭代循环则j＝j+1，重复以上操作，直到获得该路径所有步长的全部两侧宽度，比较得出最小横向高度差最小width，记为横向最小容纳通行宽度x(min)，横向代价权重记
为b(纵向代价a占比大一些，横向代价b相对小一点)。width记为后续遗传算法的构型宽度约束。
[0022]
至此得到基本通过道路参数，通过障碍总代价(跨越障碍最终代价)为至此得到基本通过道路参数，通过障碍总代价(跨越障碍最终代价)为
[0023]
(3)对构型编码，确定关联矩阵；唯一关联矩阵对于唯一构型；
[0024]
关联矩阵编码规则如下：初始化m*m零方阵，第一行至第m行与车序号对应，第一列至第m列为被连接车序号。当i车左侧边连接j右侧边，该关联矩阵对应位置(i，j)置2，(j，i)仍为0；当i车上侧边连接j下侧边，该关联矩阵对应位置(i，j)置1，(j，i)仍为0。以此类推，最后得到对应车序号和连接方式的关联矩阵，按照规律其和构型一一对应。按照此规律，可以将其输入matlab的gui可视化界面，实现矩阵到构型的相互转化。
[0025]
(4)遗传算法，流程包括：
[0026]
①
设计目标函数y＝h*(x(1)+l)-k*x(2)；其中x(1)是构型长度，x(2)是构型宽度，y是通过障碍所需时间的正相关，三者构型遗传算法的输出结果。优化目标越障时间，在使得y尽可能小的情况下也要保障宽度适中，照顾平稳性和通过性。函数权重系数h、k根据不同地形实际情况进行改变，l为障碍物路程总长度。
[0027]
②
约束条件合集；用步骤(2)中获得不同地形下的参数height、width、cost，取并集作为整体约束输入目标函数约束集合中。
[0028]
③
初始化个体，随机产生个体，挑选最好的染体之后进行适应度计算，公式为min(y)。
[0029]
④
进化过程：选择、交叉、变异获得更多染体可能性，分别计算适应度函数。到最小和最大适应度的染体以及所在种位置，进行代替上一次进化中最好的染体，视为不断进化。
[0030]
⑤
结果显示：迭代至800代时，曲线完全收敛，在figure图像上刻画：函数值曲线；终止代数；进化代数；函数值；变量。输出x(1)，x(2)，y，得到最优解。
[0031]
(5)matlab可视化gui界面构型展现；
[0032]
将优化获得的构型长度x(1)、宽度x(2)参数经转化，输入m*m零矩阵，在对应位置将所需连接的位置置1或2，得到对应关联矩阵形式，设计gui可视化页面，分为关联矩阵输入部分，可视化确定按键部分，所得构型展示部分。
[0033]
上述过程多重精准约束的加入，可以改善遗传算法的优化效果。遗传算法从地图参数和尺度分析出所需约束，结合预先设定的目标函数，多次迭代寻适应度最大的一组值，即为最优解。之后进行最优解参数变为可视化构型，联合vrep进行仿真。至此得到基于遗传算法的多车构型优化山地越障方法。
[0034]
本发明在获取任意实际高程地图的前提下，将其转化为3d地图模型，同时得到精确栅格地图，作为高程地图信息准备；同时本发明能够结合遗传算法，将地形条件转化为遗传算法的约束，结合预先设定的目标函数，多次迭代寻适应度最大的一组值，即为最优解，因而得到组合体的最优构型。
[0035]
本发明最优路径选择法，提出将高程稠密地图转化为稀疏语义地图，并通过高度差、坡度值等参数的计算获取地图参数约束，进而遍历路线获得代价最小的路径，记为最优
路径；进而，针对已知地图数据，提出基于遗传算法的构型迭代优化。将车体和构型连接形式进行编码，以关联矩阵的形式展示，结合gui可视化呈现。因此得到最佳唯一构型，改善了以往对地图数据处理不全面、最优路径不具备最优性、构型非最佳、越障能力不强等问题，旨在平稳、节能、安全、快速通过复杂地形，为后续控制运动打下基础。
附图说明
[0036]
图1为本发明面向野外地形的多车组合体构型迭代优化方法的整体流程图。
[0037]
图2为获取最优路径的示意图。
[0038]
图3为6*6关联矩阵对应构型示意图。
[0039]
图4为gui界面关联矩阵生成可视化构型示意图。
具体实施方式
[0040]
已知m辆四轮模块机器人平台，将每辆平台简化为矩形，上下左右四侧边中只有左侧边和上侧边为连杆，可主动与被链接模块凹槽对接；则右侧边和下侧边为被连接凹槽。在此基础上根据地形特点进行组合，从而实现构型的选择和变化。
[0041]
图1给出了本发明基于遗传算法的多车构型优化山地越障方法的整体流程，具体包括以下步骤。
[0042]
一.获取高程地图环境信息，建立3d地形模型
[0043]
结合实际山地高程地形数据库，导入整体等高线数据以及测剖面图等文件信息，通过数据分析获取地图参数，即计算相邻点间横纵向高度差；通过特征分析确定属性及类别，生成对应稀疏语义地图，提取详细障碍物参数，得到精确地图矩阵信息。
[0044]
计算地图中相邻两点间高度差方法是：
[0045]
设将实际高程地图转化为稀疏语义地图，语义地图相应矩阵元素为该点平均高度值。障碍物部分横向元素i个，即有i个起始点。每条路线有j个纵向元素，即有j个途径点。path[i]表示等i个起始元素，遍历每个元素表示路径的一个起始点。path[j]表示第j个途径元素，每个元素表示路径中的一个途径点，每条路线计算下一点path[j+1]与当前点path[j]的高度差，并于下一高度差进行比较，随即得到该地形下最大和最小高度差，与以下四种地形摩擦因数下的临界纵向高度差进行对比，即可得到该障碍物属性。
[0046]
四种常见地形障碍物属性分析及参数提取转化如下所述：
[0047]
1.高墙：计算相邻两点间纵向高度差，当障碍物最小高度大于60单位(无量纲，为地图对应矩阵数值)时，视为可通过高墙类障碍。当满足(高墙高度/单车长)*单车重量≤障碍物表面动摩擦因数*单车重量*构型长度，且高墙高度《构型长度时，将获得的高墙高度视为地图参数条件。
[0048]
2.缓坡：计算相邻两点间纵向高度差，当障碍物最大高度小于60单位时，视为可通过缓坡类障碍。当满足动摩擦因数≤斜面倾角正切值，且高墙高度《构型长度*斜面倾角正弦值时，将获得的缓坡高度视为地图参数条件。
[0049]
3.沟壑：计算相邻两点间纵向高度差，当前后两点高度持平且纵向间距小于组合体最大纵向长度时，视为可通过沟壑类障碍。将获得的纵向高度差视为地图参数条件。
[0050]
4.峡谷：当横向最大坡度小于45单位时，视为可通过峡谷类障碍。将获得的横向最
小容纳通行宽度视为参数条件。
[0051]
二.获取初始路径
[0052]
整个过程如图2所示。
[0053]
通过计算相邻两点间纵向最大高度差和横向最小高度差，到可通行路线中代价最小的路线，确定起始点，计算跨越障碍最终代价，得到最优路径3d建模。
[0054]
根据步骤一的矩阵信息，探索路径确定地形最大障碍物坡度、路径两侧横向最小容纳宽度以及其他障碍物参数，这些作为后续遗传算法的约束集合。并以此确定最佳起始点，直线相连确定通过路线。
[0055]
计算地图中相邻两点间纵向最大高度差方法，是：
[0056]
设复杂组合地图的起始点和终止点已知，由平坦地面进入障碍物的时候，设障碍物部分横向元素i个，即有i个起始点。每条路线有j个纵向元素，即有j个途径点。给定该地形摩擦因数下的临界坡度“θ”。path[i]表示第i个起始元素，每个元素表示路径的一个起始点。path[j]表示第j个途径元素，每个元素表示路径中的一个途径点，每条路线计算下一点path[j+1]与当前点path[j]的高度差，若该路线每个高度差均小于“θ”，则视为可通过i存入p；直到出现高度差大于“θ”，则视为此路不通，i＝i+1继续横向遍历下一条路线。最后将所有“可通过”路线p[i]储存并进行比较，路线中最大高度差最小的路线对应的i视为代价最小的道路，代价函数为：q＝a*y(max)。其中a为对应地形下的代价权重，y(max)为所有可通过路线中最大纵向高度差。可知路线代价与高度差呈正相关。即确定最终起始点，令location＝i，坐标记为start＝ggcc(1,location)，终点坐标为goal＝ggcc(j,location)。得到该路线的最大纵向高度差存为“height”，同时获得该路线跨越总长度l，为后续遗传算法的构型长度约束。
[0057]
计算地图中横向最小高度差方法，是：
[0058]
以location为起始点，该路线有j个元素，向两侧搜索至边缘结束，步数左+步数右＝(i-1)，即每个途径点，向两侧分别求解坡度。给定该地形摩擦因数下的临界坡度“ω”。先向左侧搜索，当横向坡度小于“ω”，则width＝width+1；当左侧大于“ω”，则左侧停止搜索，存入当前搜索宽度width；再向右侧搜索，当横向坡度小于“ω”，重复width＝width+1；当右侧大于“ω”，则停止搜索，存入当前搜索步数“width”；两侧搜索结束获得最终width，储存数据。继续迭代循环则j＝j+1，重复以上操作，直到获得该路径所有步长的全部两侧宽度，比较得出最小横向高度差最小width，记为横向最小容纳通行宽度x(min)，代价权重记为b。width记为后续遗传算法的构型宽度约束。
[0059]
至此得到基本通过道路参数，通过障碍总代价为纵向代价a占比大一些，横向代价b相对小一点。
[0060]
三.对构型编码，确定关联矩阵
[0061]
以6模块为例，关联矩阵为6*6方阵，如图3所示。
[0062]
要想进行遗传算法的计算，首先要对构型进行编码。唯一关联矩阵对于唯一构型，又能唯一对应构型长宽、中点坐标等数据。
[0063]
关联矩阵编码规则如下：初始化6*6零方阵，第一行至第6行与车序号对应，第一列至第6列为被连接车序号。当i车左侧边连接j右侧边，该关联矩阵对应位置(i，j)置2，(j，i)
仍为0；当i车上侧边连接j下侧边，该关联矩阵对应位置(i，j)置1，(j，i)仍为0。以此类推，最后得到对应车序号和连接方式的关联矩阵，按照规律其和构型一一对应。按照此规律，可以将其输入matlab的gui可视化界面，实现矩阵到构型的相互转化。
[0064]
四.遗传算法的流程
[0065]
遗传算法是一种基于自然选择和体遗传机理的搜索算法，它模拟了自然选择和自然遗传过程中的繁殖、杂交和突变现象。利用遗传算法求解本问题时，构型的每一个可能解都被编码成一个“染体”，即个体，若干个个体构成了体。对多车构型进行关联矩阵描述，使得不同关联矩阵唯一对应一种构型。在遗传算法开始时，随机产生一些个体(初始解)，根据预定的目标函数对每一个个体进行评估，给出一个适应度值，基于此适应度值，选择一些个体用来产生下一代,选择操作体现了“适者生存”的原理，“好”的构型个体被用来产生下一代，“坏”的构型个体则被淘汰，这样逐步朝着适应地图的构型最优解方向进化。因此，遗传算法可以看成是一个由可行解组成的体初步进化的过程。
[0066]
1.设计目标函数y＝h*(x(1)+l)-k*x(2)；其中x(1)是构型长度，x(2)是构型宽度，y是通过障碍所需时间的正相关，三者构型遗传算法的输出结果。优化目标越障时间，在使得y尽可能小的情况下也要保障宽度适中，照顾平稳性和通过性。函数权重系数h、k根据不同地形实际情况进行改变，l为障碍物路程总长度。
[0067]
2.约束条件合集；用步骤(2)中获得不同地形下的参数height、width、cost，取并集作为整体约束输入目标函数约束集合中。
[0068]
3.初始化个体，随机产生个体，挑选最好的染体之后进行适应度计算，公式为min(y)。
[0069]
4.进化过程：选择、交叉、变异获得更多染体可能性，分别计算适应度函数。到最小和最大适应度的染体以及所在种位置，进行代替上一次进化中最好的染体，视为不断进化。
[0070]
5.结果显示：迭代至800代时，曲线完全收敛，在figure图像上刻画：函数值曲线；终止代数；进化代数；函数值；变量。输出x(1)，x(2)，y，得到最优解。
[0071]
五.matlab可视化gui界面构型展现
[0072]
将优化获得的构型长度x(1)、宽度x(2)参数经转化，输入m*m零矩阵，在对应位置将所需连接的位置置1或2，得到对应关联矩阵形式，设计gui可视化页面，分为关联矩阵输入部分，可视化确定按键部分，所得构型展示部分，如图4所示。

技术特征：

1.一种面向野外地形的多车组合体构型迭代优化方法，多车组合体是指已知m辆四轮模块机器人平台，将每辆平台简化为矩形，上下左右四侧边中只有左侧边和上侧边为连杆，主动与被链接模块凹槽对接，则右侧边和下侧边为被连接凹槽，多车组合体根据地形特点进行组合，从而实现构型的选择和变化；其特征是，包括以下步骤：(1)获取高程地图环境信息，建立3d地形模型；结合实际山地高程地形数据库，导入整体等高线数据以及测剖面图文件信息，通过数据分析获取地图参数，即计算地图中相邻两点间高度差；通过特征分析确定属性及类别，生成对应稀疏语义地图，提取详细障碍物参数，得到精确地图矩阵信息。(2)获取初始路径；通过计算相邻两点间纵向最大高度差和横向最小高度差，到可通行路线中代价最小的路线，确定起始点，计算跨越障碍最终代价，得到最优路径3d建模；根据步骤(1)的矩阵信息，探索路径确定地形最大障碍物坡度和路径两侧横向最小容纳宽度以及其他障碍物参数，这些作为后续遗传算法的约束集合，并以此确定最佳起始点，直线相连确定通过路线。(3)对构型编码，确定关联矩阵；唯一关联矩阵对于唯一构型；(4)进行遗传算法；(5)matlab可视化gui界面构型展现。2.根据权利要求1所述的面向野外地形的多车组合体构型迭代优化方法，其特征是，所述步骤(1)中计算地图中相邻两点间高度差的方法是：设将实际高程地图转化为稀疏语义地图，语义地图相应矩阵元素为该点平均高度值，障碍物部分横向元素i个，即有i个起始点，每条路线有j个纵向元素，即有j个途径点，path[i]表示第i个起始元素，遍历每个元素表示路径的一个起始点，path[j]表示第j个途径元素，每个元素表示路径中的一个途径点，每条路线计算下一点path[j+1]与当前点path[j]的高度差，并于下一高度差进行比较，随即得到该地形下最大和最小高度差，与地形摩擦因数下的临界纵向高度差进行对比，得到该障碍物属性。3.根据权利要求2所述的面向野外地形的多车组合体构型迭代优化方法，其特征是，所述障碍物属性的地形分析包括：
①
高墙：计算相邻两点间纵向高度差，当障碍物最小高度大于60单位时，视为可通过高墙类障碍；当满足(高墙高度/单车长)*单车重量≤障碍物表面动摩擦因数*单车重量*构型长度，且高墙高度<构型长度时，将获得的高墙高度视为地图参数条件；
②
缓坡：计算相邻两点间纵向高度差，当障碍物最大高度小于60单位时，视为可通过缓坡类障碍；当满足动摩擦因数≤斜面倾角正切值，且高墙高度<构型长度*斜面倾角正弦值时，将获得的缓坡高度视为地图参数条件；
③
沟壑：计算相邻两点间纵向高度差，当前后两点高度持平且纵向间距小于组合体最大纵向长度时，视为可通过沟壑类障碍，将获得的纵向高度差视为地图参数条件。
④
峡谷：当横向最大高度差小于45单位时，视为可通过峡谷类障碍，将获得的横向最小容纳通行宽度视为参数条件。4.根据权利要求1所述的面向野外地形的多车组合体构型迭代优化方法，其特征是，所述步骤(2)中计算地图中相邻两点间纵向最大高度差的方法，是：
设复杂组合地图的起始点和终止点已知，由平坦地面进入障碍物的时候，设障碍物部分横向元素i个，即有i个起始点；每条路线有j个纵向元素，即有j个途径点；给定该地形摩擦因数下的临界坡度“θ”；path[i]表示第i个起始元素，每个元素表示路径的一个起始点；path[j]表示第j个途径元素，每个元素表示路径中的一个途径点，每条路线计算下一点path[j+1]与当前点path[j]的高度差，若该路线每个高度差均小于“θ”，则视为可通过i存入p，直到出现高度差大于“θ”，则视为此路不通，i＝i+1继续横向遍历下一条路线；最后将所有“可通过”路线p[i]储存并进行比较，路线中最大高度差最小的路线对应的i视为代价最小的道路，代价函数为：q＝a*y(max)；其中a为对应地形下的代价权重，y(max)为所有可通过路线中最大纵向高度差；路线代价与高度差呈正相关，即确定最终起始点，令location＝i，坐标记为start＝ggcc(1,location)，终点坐标为goal＝ggcc(j,location)，得到该路线的最大纵向高度差存为“height”，同时获得该路线跨越总长度l，为后续遗传算法的构型长度约束。5.根据权利要求1所述的面向野外地形的多车组合体构型迭代优化方法，其特征是，所述步骤(2)中计算地图中相邻两点间横向最小高度差的方法，是：以location为起始点，该路线有j个元素，向两侧搜索至边缘结束，步数左+步数右＝(i-1)，即每个途径点，向两侧分别求解坡度，给定该地形摩擦因数下的临界坡度“ω”，先向左侧搜索，当横向坡度小于“ω”，则width＝width+1；当左侧大于“ω”，则左侧停止搜索，存入当前搜索宽度width；再向右侧搜索，当横向坡度小于“ω”，重复width＝width+1；当右侧大于“ω”，则停止搜索，存入当前搜索步数“width”；两侧搜索结束获得最终width，储存数据；继续迭代循环则j＝j+1，重复以上操作，直到获得该路径所有步长的全部两侧宽度，比较得出最小横向高度差最小width，记为横向最小容纳通行宽度x(min)，代价权重记为b；width记为后续遗传算法的构型宽度约束。6.根据权利要求1所述的面向野外地形的多车组合体构型迭代优化方法，其特征是，所述步骤(2)中跨越障碍最终代价为其中a为对应地形下的纵向代价权重，b为横向代价权重，y(max)为所有可通过路线中最大纵向高度差，x(min)为横向最小容纳通行宽度。7.根据权利要求1所述的面向野外地形的多车组合体构型迭代优化方法，其特征是，所述步骤(3)中关联矩阵编码规则如下：初始化m*m零方阵，第一行至第m行与车序号对应，第一列至第m列为被连接车序号；当i车左侧边连接j右侧边，该关联矩阵对应位置(i，j)置2，(j，i)仍为0；当i车上侧边连接j下侧边，该关联矩阵对应位置(i，j)置1，(j，i)仍为0；以此类推，最后得到对应车序号和连接方式的关联矩阵，按照规律其和构型一一对应。8.根据权利要求1所述的面向野外地形的多车组合体构型迭代优化方法，其特征是，所述步骤(4)中遗传算法的流程包括：
①
设计目标函数y＝h*(x(1)+l)-k*x(2)；其中x(1)是构型长度，x(2)是构型宽度，y是通过障碍所需时间的正相关，三者构型遗传算法的输出结果；函数权重系数h、k根据不同地形实际情况进行改变，l为障碍物路程总长度；
②
约束条件合集；用步骤(2)中获得不同地形下的参数height、width、cost，取并集作
为整体约束输入目标函数约束集合中；height为最大纵向高度差，width为最小横向高度差，cost为跨越障碍最终代价；
③
初始化个体，随机产生个体，挑选最好的染体之后进行适应度计算，公式为min(y)；
④
进化过程：选择、交叉、变异获得更多染体可能性，分别计算适应度函数，到最小和最大适应度的染体以及所在种位置，进行代替上一次进化中最好的染体，视为不断进化；
⑤
结果显示：迭代至800代时，曲线完全收敛，在figure图像上刻画：函数值曲线；终止代数；进化代数；函数值；变量；输出x(1)，x(2)，y，得到最优解。9.根据权利要求1所述的面向野外地形的多车组合体构型迭代优化方法，其特征是，所述步骤(5)中matlab可视化gui界面构型展现的过程：将优化获得的构型长度x(1)、宽度x(2)参数经转化，输入m*m零矩阵，在对应位置将所需连接的位置置1或2，得到对应关联矩阵形式，设计gui可视化页面，分为关联矩阵输入部分，可视化确定按键部分，所得构型展示部分。

技术总结

一种面向野外地形的多车组合体构型迭代优化方法，包括以下步骤：(1)获取高程地图环境信息，建立3D地形模型；计算地图中相邻两点间高度差；通过特征分析确定属性及类别，生成对应稀疏语义地图，提取详细障碍物参数，得到精确地图矩阵信息；(2)获取初始路径；(3)对构型编码，确定关联矩阵；唯一关联矩阵对于唯一构型；(4)进行遗传算法；(5)MATLAB可视化GUI界面构型展现。该方法结合预先设定的目标函数，多次迭代寻适应度最大的一组值，得到最佳唯一构型，改善了以往对地图数据处理不全面、最优路径不具备最优性、构型非最佳、越障能力不强等问题，旨在平稳、节能、安全、快速通过复杂地形，为后续控制运动打下基础。为后续控制运动打下基础。为后续控制运动打下基础。