基于环境特征和随机方法的柔性针路径规划方法与流程

技术特征：

1.一种基于环境特征和随机方法的柔性针路径规划方法，其特征在于，包括根据评估函数Evaluation_Function()选择最优的规划路径；

其中，路径评估函数Evaluation_Function()的表达式为：

F＝w₁F_L+w₂F_S+w₃F_N (1)

其中，F_L是路径长度评估函数，F_L＝L/L_avg，L是路径的长度，L_avg是生成的所有样本路径的长度L的平均值；F_S是安全评估函数，F_S＝S/S_avg，S是障碍物距每段弧的距离小于一个预设长度D₁的数目，S_avg是规划的样本路径的S的平均值；F_N是弧段数评估函数，F_N＝N/N_avg，N是路径的弧段数，N_avg是规划的样本路径的N的平均值，w₁，w₂和w₃表示各子函数对应的权重系数；所述权重系数根据医生的临床经验进行设定。

2.根据权利要求1所述的方法，其特征在于，所述权重系数根据医生的临床经验进行设定包括：医生根据自身的临床经验判断F_L、F_N、F_S这三个评估函数在实际情况中哪个更为重要，根据重要程度将对应的权重系数调高，将相对不重要的评估函数对应的权重系数调低。

3.一种基于环境特征和随机方法的柔性针路径规划方法，其特征在于，包括根据考虑障碍物风险分级的路径评估函数ObsGrade_Function()选择最优的规划路径；

其中，ObsGrade_Function()的表达式为：

F′＝w₁F_L+w₂f/f_avg+w₃F_N (2)

其中，F_L是路径长度评估函数，F_L＝L/L_avg，L是路径的长度，L_avg是生成的所有样本路径的长度L的平均值；F_N是弧段数评估函数，F_N＝N/N_avg，N是路径的弧段数，N_avg是规划的样本路径的N的平均值，f是风险分级评估函数，f_avg是规划的样本路径的f的平均值，f表达式为：

其中，i(i＝1，2...n)表示各障碍物的风险等级，G_i表示相对应的风险等级障碍物距每段弧的距离小于一个预设长度D₂的数目；a_i表示对应的风险等级系数，风险级别越高，相对应的a_i值越大；

w₁，w₂和w₃表示各子函数对应的权重系数；所述权重系数根据医生的临床经验进行设定。

4.根据权利要求3所述的方法，其特征在于，所述权重系数根据医生的临床经验进行设定包括：医生根据自身的临床经验判断F_L、F_N、f这三个评估函数在实际情况中哪个更为重要，根据重要程度将对应的权重系数调高，将相对不重要的评估函数对应的权重系数调低。

5.根据权利要求1-4任一所述的方法，其特征在于，所述路径的计算方法包括以下步骤：

步骤1：建立一棵树T，起始点x_init为其根节点；

步骤2：在无障碍物空间X_free中随机选取某个状态点x_rand；

步骤3：基于点x_rand执行Extend()对树进行扩展，得到一个新的节点x_new；

步骤4：将此新节点添加到树中，重复以上步骤，直到找到目标点为止；

步骤5：重复步骤1-4，规划出多条样本路径；

其中，Extend()的具体步骤为：

(1)在树上找到离x_rand最近的点x_near；

(2)选择一个控制输入量U，将其作用在x_rand得到新的点x_new；

(3)根据x_rand、x_near、x_new这三个参数确定一段新的圆弧，即Arc_new；

(4)检测弧Arc_new看其是否在无障碍空间X_free中，并且检测弧Arc_new的半径r_new是否大于r_min；

(5)判断搜索是否成功，如果||x_new-x_goal||＜ε，ε是一个事先设定好的非常小的常数，表示搜索成功，算法停止。