买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国人民解放军军事科学院国防科技创新研究院申请的专利一种基于深度强化学习和A星算法的无人车路径规划方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115933629B 。

龙图腾网通过国家知识产权局官网在2025-10-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210357348.0，技术领域涉及：G05D1/43；该发明授权一种基于深度强化学习和A星算法的无人车路径规划方法是由王旭;商尔科;聂一鸣;肖良;赵大伟;戴斌设计研发完成，并于2022-04-01向国家知识产权局提交的专利申请。

本一种基于深度强化学习和A星算法的无人车路径规划方法在说明书摘要公布了：本发明公开了基于深度强化学习和A星算法的无人车路径规划方法，属于无人驾驶汽车技术。驾驶无人车在越野环境中采集3D点云数据，记录无人车行驶路径；从采集的点云数据中生成多张栅格障碍图，从无人车行驶过的路径中生成当前栅格图中的目标点；利用栅格障碍图以及一张表示无人车的矩形构建仿真环境；利用A星算法从每张障碍图中生成引导路径；根据引导路径的长度和光滑度为不同障碍图设定不同的难度；并利用引导路径设计奖励函数；利用近端策略优化算法和奖励函数，使用深度神经网络和数据增强、课程学习在仿真环境中训练无人车智能体；利用无人车走过的路径当作对应障碍图的路径规划结果。本发明适用于不同越野场景和不同尺寸的无人车路径规划。

本发明授权一种基于深度强化学习和A星算法的无人车路径规划方法在权利要求书中公布了：1.一种基于深度强化学习和A星搜索算法的路径规划方法，其特征在于，包括如下步骤： S1:驾驶无人车在越野环境中行驶并采集3D点云数据，记录无人车行驶过的路径； S2:从S1采集的点云数据中生成多张栅格障碍图，从无人车行驶过的路径中生成当前栅格图中的目标点； S3:利用S2中的栅格障碍图以及一张表示无人车的矩形构建仿真环境，矩形上标有箭头，用来标识无人车的方向； S4:利用A星算法从S2中的每张障碍图中生成引导路径； S400：记录S2中每个障碍图中障碍物的坐标，根据环境来设定膨胀系数并进行障碍物膨胀； S401：利用膨胀后的障碍物重新绘制障碍图，并保存障碍物坐标； S402：在新的障碍图中执行A星算法，得到并记录每条最短路径； S403：从最短路径中均匀选取包含起点和目标点的10个点，用作引导路径； S5:根据S4中引导路径的长度和光滑度为不同障碍图设定不同的难度； S500：计算所有A星搜索出来的路径长度的平均值和曲率的平均值S501：利用S500中的路径长度平均值和曲率平均值计算每条最短路径的难度，计算方法为： 其中，i为障碍图和最短路径的序号，Li表示第i条路径的长度，Ci表示第i条路径的曲率； S6:利用S4中的引导路径设计奖励函数； S600：计算无人车当前坐标距目标点的距离与上一时刻坐标距目标点的距离之差δgoal； S601：计算无人车当前坐标距目标点的距离与上一时刻坐标距目标点的距离之差δstart； S602：计算无人车当前位置与引导路径上每个点的距离，并选取最短距离记为dmin； S603：以引导路径设计奖励函数Rastar： 其中Wv为无人车的宽度； S604：以无人车当前角度Ot与上一时刻角度Ot‑1之差的绝对值设计奖励函数Rorient： Rorient＝‑m×|Ot‑Ot‑1|其中m为常数项，用来平衡Rorient的大小； S605：最终奖励函数为： R＝Rastar+Rorient+c其中c为常数项，奖励或惩罚无人车执行的每一个动作； S7:利用近端策略优化算法和S6中的奖励函数，使用深度神经网络和数据增强、课程学习在S3中的仿真环境中训练无人车智能体； S700：以仿真环境的截图当做状态空间； S701：无人车的动作空间为二维连续动作空间，范围是[0,1]，每个维度分别代表无人车的线加速度la和角速度av； S702：使用数据增强技巧处理神经网络输入数据； S703：根据经验设置PPO算法超参数； S704:搭建Actor‑Critic结构的深度神经网络用来训练强化学习智能体； S705：使用S6中定义的奖励函数，采用课程学习的方式进行训练； S8:利用S7中无人车走过的路径当作对应障碍图的路径规划结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国人民解放军军事科学院国防科技创新研究院，其通讯地址为：100071 北京市丰台区丰台东大街53号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。