UAVs和UGVs长时多目标路径规划问题及求解算法

摘要

本发明公开了一种UAVs和UGVs长时多目标路径规划问题及求解算法，包括MOALP算法；求解的步骤为，S1：问题模型建立；S2：OALP算法的设计，通过将帕累托局部搜索和多目标自适应大邻域搜索算法相结合，提出一个混合帕累托局部搜索算法；在算法中维持一个基于分解进化的种群，在多目标自适应大邻域搜索中，通过开发新的移除和插入启发式，从而实现多目标自适应大邻域搜索与算法整体框架的相关联；S3：实验设置；S4：实验结果分析。本发明提供一种UAVs和UGVs长时多目标路径规划问题及求解算法能有效的优化目标路径总长度和最大完工时间的效果。

说明书

技术领域

本发明涉及长时多目标路径规划问题及求解算法领域。

背景技术

多目标组合优化问题(Combinatorial Multi-Objective Optimization，CMOP)的求解一般是NP难的。对于组合优化问题的求解，目前局部搜索(Local Search，LS)的效率是相对较高的，例如针对单目标组合优化的变邻域搜索(Variable Neighborhood Search，VNS)、禁忌搜索(Tabu Search)、迭代局部搜索(Iterative Local Search，ILS)、大邻域搜索(Large Neighborhood Search，LNS)、模拟退火(Simulated Annealing，SA)、蚁群算法(Ant Colony Optimization，ACO)等。针对CMOP，一个有效的局部搜索算法是Pareto局部搜索(Pareto Local Search，PLS)，PLS是一个将局部搜索扩展到多目标组合优化中的算法。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种UAVs和UGVs长时多目标路径规划问题及求解算法能有效的优化目标路径总长度和最大完工时间的效果。

技术方案：为实现上述目的，本发明的技术方案为：UAVs和UGVs长时多目标路径规划问题及求解算法，包括MOALP算法；求解的步骤为，S1：问题模型建立；S2：OALP算法的设计，通过将帕累托局部搜索和多目标自适应大邻域搜索算法相结合，提出一个混合帕累托局部搜索算法；在算法中维持一个基于分解进化的种群，在多目标自适应大邻域搜索中，通过开发新的移除和插入启发式，从而实现多目标自适应大邻域搜索与算法整体框架的相关联；S3：实验设置；S4：实验结果分析。

进一步的，问题模型建立：给出如下的符号描述，用以对问题进行数学模型的建立；

定义一个后置子解的子段如下：对于一个后置子解中的每个UGV路径

建立的问题模型为：

进一步的，所述MPALP算法的设计包括解的编码；所述解的编码包括前置子解和后置子解。

进一步的，所述MOALP算法设计还包括算法框架；MOALP算法首先初始化种群P

进一步的，所述前置子解的局部搜索及变化算子；选用PMX作为交叉算子；突变算子的设计使用单点交换的方法。

进一步的，所述后置子解的MO-ALNS算法，所述MO-ALNS算法包括MO-ALNS算法框架、移除启发式、插入启发式、局部优化、权重自适应、接受准则和停止准则；

所述移除启发式包括工作点最差移除：

给定一个后置子解p

所述移除启发式还包括工作点随机移除：从所有的UGV路径中随机选择一个UGV工作点v∈V

所述移除启发式还包括工作点段移除：总是随机从当前后置子解中移除一个连续的段，段移除只针对UGV工作点进行移除；

所述移除启发式还包括充电点最差移除：每个充电点的移除代价由两部分组成：路径长度和充电时间窗约束代价；提出一个充电点最差移除启发式，在最差移除启发式中，待移除的充电点的选择总是根据式公式(4.28)得到：

所述移除启发式还包括充电点随机移除：在充电点随即移除启发式中，总是随机从当前后置子解中选择一个充电点进行移除；

所述插入启发式包括工作点长度代价最小插入：给定一个后置子解片段p

所述插入启发式还包括工作点最近插入：首先给出任意工作点至当前解中每个子段最小距离计算方法4.30：

插入点和待插入子段通过公式(4.31)选择：

当确定了待插入的点和子段之后，使用一个长度代价最小公式进行计算，从而插入点子段和位置可以确定；

所述插入启发式还包括充电点插入：提出一个基于代价加权和的充电点插入启发式，具体地，该插入启发式同时考虑了三个插入代价：充电点时间窗硬约束、充电点路径长度代价以及路径总长度代价；首先，充电点时间窗硬约束的存在可以保证相邻充电点之间的路径是可行的；其次，充电点路径长度代价的存在可以使得待插入点有更大的概率插入到距离其更近的充电点之间，从而可以有更多的工作点在这段时间内被访问，降低最大完成时间；计算路径总长度插入代价；将三项插入代价进行加权求和即可得到最终的充电点插入代价；

所述局部优化：提出一个局部解的工作点插入机制，该种工作点的插入代价由三项代价所组合：时间窗约束代价、路径长度代价、最大完成时间代价；

所述权重自适应：首先要每个启发式的权重进行更新；然后ALMS中采用基于权重选择的机制来对每次迭代过程中的移除启发式和插入启发式进行选择。

进一步的，所述实验设置包括评价指标；

所述评价指标包括超体积：令r＝(r

所述评价指标还包括集合覆盖率：令A和B分别为两个近似帕累托前沿解集，集合覆盖率C(A，B)表示解集B中的解被解集A中的解至少支配一次的百分比，即：

当C(A，B)＞C(B，A)时，表示解集A的收敛性优于解集B。

进一步的，所述实验设置包括测试算例，在测试算例中添加UAV速度：v

进一步的，所述实验设置包括参数设置；表4.3为MOALP算法参数配置表，充电点插入启发式中的λ

进一步的，还包括无人驾驶车辆的车顶传感集成装置；所述车顶传感集成装置包括接收端；所述接收端接收信号端远离无人驾驶车辆设置；所述接收端包括升降段；车顶传感集成装置上的驱动装置与升降段一端驱动连接；所述升降段另一端带动接收信号端远离或靠近驱动装置；所述升降段侧壁环向设置有信号增幅盘；所述信号增幅盘中部朝远离接收端接收信号端外凸设置；

所述信号增幅盘包括拼接遮挡盘和嵌入增扩环；所述拼接遮挡盘环绕拼接嵌入于升降段侧壁内设置；所述拼接遮挡盘包括伸缩杆和拼接挡片；所述升降段侧壁开设有嵌入环槽；所述嵌入环槽动力装置与伸缩杆一端驱动连接；所述伸缩杆另一端上固设有嵌入连接块；所述嵌入连接块远离伸缩杆一端上固定设置拼接挡片；所述拼接挡片为弧型，且所述拼接挡片的弧型内凹面朝向于接收端接收信号端；所述伸缩杆带动嵌入连接块进出于嵌入环槽；若干所述拼接挡片之间相互远离分散时，所述嵌入增扩环运动对应嵌入若干拼接挡片之间间隙中；若干所述拼接挡片之间相互靠拢拼接时，所述嵌入增扩环运动脱离若干拼接挡片之间；

所述嵌入增扩环对应设置于拼接遮挡盘遮挡内部；所述嵌入增扩环包括固定连接环和对应镶嵌条块；所述升降段侧壁环向固设有伸缩机构；所述固定连接环环套于升降段上，且伸缩机构的驱动端与固定连接环驱动连接；若干所述对应镶嵌条块环向固设于固定连接环底部；所述对应镶嵌条块为弧型，且所述对应镶嵌条块弧面与拼接挡片弧面相适应；所述对应镶嵌条块的外凸弧面两侧边缘倒角；若干所述拼接挡片分散时，所述固定连接环带动对应镶嵌条块嵌入若干拼接挡片之间间隙；若干所述拼接挡片靠拢时，所述固定连接环带动对应镶嵌条块运动脱离于若干拼接挡片。

有益效果：本发明能通过将帕累托局部搜索和多目标自适应大邻域搜索算法相结合，提出一个混合帕累托局部搜索算法，使得算法框架更加适用于该类型问题的求解，同时，在算法中维持一个基于分解进化的种群，从而提高种群的多样性；在多目标自适应大邻域搜索中，通过开发新的移除和插入启发式，从而实现多目标自适应大邻域搜索与算法整体框架的相关联。最后在实例上进行了算法测试，结果表明本文中提出的算法在对本文中的问题进行求解时，其非支配解集相比MOMAD、PLS以及MOALNS，在集合覆盖率和超体积指标上的表现更优。

附图说明

附图1为后置子解中一个子段示意图；

附图2为解的编码结构示意图；

附图3为解的提升流程示意图；

附图4为PMX交叉算子示意图；

附图5为变异算子示意图；

附图6为非支配解1；

附图7为分支配解2；

附图8为非支配解3；

附图9为非支配解4；

附图10为接收端结构图；

附图11为信号增幅盘结构图；

附图12为嵌入增扩环结构图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如附图1-12：UAVs和UGVs长时多目标路径规划问题及求解算法，包括MOALP算法；求解的步骤为，S1：问题模型建立；S2：OALP算法的设计，通过将帕累托局部搜索和多目标自适应大邻域搜索算法相结合，提出一个混合帕累托局部搜索算法；在算法中维持一个基于分解进化的种群，在多目标自适应大邻域搜索中，通过开发新的移除和插入启发式，从而实现多目标自适应大邻域搜索与算法整体框架的相关联；S3：实验设置；S4：实验结果分析。

问题模型建立：给出如下的符号描述，用以对问题进行数学模型的建立，并且在后面的工作中与下述符号保持一致。

1)

为了更好地进行问题的建模与分析，定义一个后置子解的子段如下：对于一个后置子解中的每个UGV路径

如图1所示为一个后置子解中包含的子段示意图，其中s

基于上述问题描述以及符号说明，我们可以得到UAV路径集和UGV路径集分别为：

定义4.1(UAVs/UGVs长时多目标路径规划问题)。令G

根据上述问题描述，可以对该问题建立如下的数学模型：

上述两个目标函数分别代表路径长度最小化和最大完工时间最小化，其中

该优化问题的约束如下：

公式(4.16)和公式(4.17)分别可以保证

所述MPALP算法的设计包括解的编码；如图2所示为解的结构示意图，其中上面的虚线框中结构为UAVs的路径集，也就是前置子解(后文中统称为前置子解)p

对于UAV路径，其长度是恒定的，当UAV数量为M，UAV工作点数量为K时，其长度为M+K-1。但是对于不同的解，由于UAV路径的不同，导致充电点也是不同的，所以UGV路径的长度是不定的。

所述MOALP算法设计还包括算法框架；MOALP算法在运行过程中维持着以下几个种群：1)P

MOALP算法首先初始化种群P

算法初始化：初始化环节主要是要对几个种群以及参考向量进行初始化。首先生成一组权重向量，代表每个子问题的方向，之后随机生成一组解P

对于初始解集，若只使用随机初始化的方式，由于问题中时间约束的存在将会使得初始解集中含有大量的不可行解，大量的不可行解会导致算法收敛速度较慢，并且可能会使得解集中含有许多不可行非支配解，这也会影响后面启发式搜索的效率。为了避免这个问题，提出在随机初始化序列的基础上，结合使用一个约束提升算法，形成一个解的提升算法。该提升算法的核心是基于时间约束提升的，首先引入以下定理。

定理4.1对于一个可行后置子解p

证明：上述定理的正确性是显而易见的，因为所有的UGV的访问是序列的，其必须要先访问时间较早的充电点，若其先访问时间较晚的充电点，则在访问较早的充电点时显然不满足时序约束。

定理4.2在一个UGV路径

证明：假定UGV当前所在的充电点为

定理4.1和定理4.2分别为一个后置子解为可行解的两个必要条件，当一个后置子解满足上述两个必要条件，如不考虑访问UGV工作点，则后置子解一定为可行解；在访问UGV工作点的情况下，只需要保证添加UGV工作点后，UGV从一个充电点

所述前置子解的局部搜索及变化算子；

1)PMX交叉：在使用遗传算法求解MTSP时，交叉算子是非常重要的，常见的针对该问题的交叉算子有回路交叉(Cycle Crossover，CX)、片段匹配(Partial MatchedCrossover，PMX)、顺序交叉(Order Crossover，OX)等，其中PMX具有较好的表现，选用PMX作为交叉算子；

如图4所示为一个PMX的示意图，X

在交换的过程中，会存在一个问题：由于两个交换的染色体所含有的基因可能不完全相同，故生成的子代染色体中将会有一定数量的重复基因，同时也会有相同数量的缺失基因。为了避免这个问题，在基因片段完成交换之后，检查其是否有重复，若有重复，则将重复的基因替换为交换基因中重复的基因所对应的位置的基因，例如在图4中，X

2)突变算子：对于UGV路径的突变算子设计，使用单点交换的方法，如图5所示为一个突变的过程示意图，X

混合帕累托局部搜索：在Pareto局部搜索中，对P

在HPLS中，首先初始化一个辅助集P

定理4.3对于同一个前置子解s

证明：已知p

由上述定理和推论可知，HPLS中在MO-ALNS的外部对解集进行更新是正确的，在此基础上，由于更新过程在MO-ALNS之后，并且P

后置子解的MO-ALNS算法以及MOALNS/D算法设计：对于MOALNS和MOALNS/D算法，其核心都是基于自适应大邻域搜索在多目标优化上的扩展。在本文中，二者具备相同的移除以及插入启发式，不同的是，MOALNS/D在MOALNS的基础上，引入了分解的思想，即后置子解之间的支配性由聚合函数给出，这一点具体体现在更新函数的设计上。

MOALNS及MOALNS/D算法框架：MOALNS算法框架如算法4.4所示，其输入为一个问题的一个解p，输入为p

对于MOALNS/D算法，其输入除了问题的一个解p之外，还要输入参考向量λ，根据该参考点来确定启发式的选择；除此以外，在该算法中，不再维持一个局部解集合，即输出的为该参考方向上的局部最优p′。

移除启发式：所述移除启发式包括工作点最差移除：给定一个后置子解p

上式中j为后置子解中顶点的索引，当

所述移除启发式还包括工作点随机移除：在工作点随机移除中，从所有的UGV路径中随机选择一个UGV工作点v∈V

所述移除启发式还包括工作点段移除：在段移除启发式中，总是随机从当前后置子解中移除一个连续的段，该启发式与为求解广义旅行商问题而提出的Segment Removal，段移除只针对UGV工作点进行移除；

所述移除启发式还包括充电点最差移除：给定一个后置子解p

上式中，令

可以看到，函数p(x，y)的功能是给出路径

试考虑两个相邻的充电点

在上式中，

所述移除启发式还包括充电点随机移除：在充电点随即移除启发式中，总是随机从当前后置子解中选择一个充电点进行移除；

插入启发式：所述插入启发式包括工作点长度代价最小插入：给定一个后置子解片段p

其中s

所述插入启发式还包括工作点最近插入：给定一个后置子解的片段p

工作点最近插入启发式中，插入点和待插入子段通过公式(4.31)选择：

当确定了待插入的点和子段之后，使用一个长度代价最小公式进行计算，从而插入点子段和位置可以确定。

所述插入启发式还包括充电点插入：提出一个基于代价加权和的充电点插入启发式，具体地，该插入启发式同时考虑了三个插入代价：充电点时间窗硬约束、充电点路径长度代价以及路径总长度代价；首先，充电点时间窗硬约束的存在可以保证相邻充电点之间的路径是可行的；借助公式(4.32)，可以得到：

其次，充电点路径长度代价的存在可以使得待插入点有更大的概率插入到距离其更近的充电点之间，从而可以有更多的工作点在这段时间内被访问，降低最大完成时间；该项插入代价可由下式4.33计算得到：

最后，路径总长度插入代价的计算方法4.34如下：

将三项插入代价进行加权求和即可得到最终的充电点插入代价；具体地，可通过下式获得，其中λ

所述局部优化：局部搜索的作用是对当前解进行局部优化，并且作用于移除和插入启发式执行之后。当一个新的解生成后，将当前后置子解的充电点访问序列作为一个局部结构，在此局部结构下，不同工作点访问序列构成不同的局部解。

给定一个后置子解为p

当插入的位置在某一条UGV路径的最后一个子段内时，该UGV路径的最大完工时间将会增加，从而有几率导致后置子解的最大完工时间增大。故对这种情况下最大完成时间插入代价进行计算，方法如下式4.36：

引入一个参数∈，并且使得最终的插入位置根据下式4.37选择：

上述计算公式引入∈的一个最重要的作用是权衡路径长度和最大完成时间，当∈较大时，会使得优化更倾向于路径总长度最小化，反之则会倾向于最大完工时间最小化；并且可以看到，这种方式同基于分解的多目标优化中的加权和聚合函数类似，即可将(∈，1-∈)看作方向向量λ，故其可以很好地与基于分解的算法配合使用。

权重自适应：首先要对每个启发式的权重进行更新；在ALMS中采用基于权重选择的机制来对每次迭代过程中的移除启发式和插入启发式进行选择。权重更新方法为：

其中μ为相似指数，通过计算新解与当前解之间的距离从而决定μ，以此来提高种群的多样性。提出一个基于解的单目标最优性以及多目标Pareto最优性相结合的分数划分方法，前者考虑新解在某一个目标上的最优性，后者考虑Pareto支配性为启发式分配分数。如表4.1所示，将启发式每次获得分数按照新解的情况分为五个等级。

当新解在整个算法中都是非支配解时，其获得最高的分数：σ

通过上述设计，将ALNS中启发式权重自适应过程与算法的外部集关联起来，从而提高算法的收敛效果，同时，其分数的等级的划分的主要依据是Pareto支配性，相比于传统的划分方法，其更加适用于多目标优化。

接受准则：使用一个标准的模拟退火算法，作为本算法的局部搜索框架。一个标准的模拟退火算法中，首先在算法的开始初始化一个温度T

T

其中T

其中f(s′)和f(s)分别为新解和当前解的值，T＞0为算法当前的温度，可以看到，如果f(x′)优f(x)，则x′被接受的概率为1，否则，随着f(x′)相比f(x)越来越差，则其被接受的概率越来越低，这个机制即保证了可以将局部最优解不断保存下来，并且同时以一定的概率来接受较差的解，提高了算法的探索性，使之收敛至全局最优解。

停止准则：解的连续无提升次数到达某一个值时停止迭代。由于此处为多目标优化问题，故针对多目标优化问题，重新定义无提升的概念如下：

定义4.9.(无提升解)：在一个多目标局部优化框架中，如果一个新解s′不能支配或若支配当前解s，则称该解是无提升解。在本文中，设置当连续R

所述实验设置包括评价指标；所述评价指标包括超体积和集合覆盖率；

超体积(Hypervolume，HV)：令r＝(r

集合覆盖率(Set Coverage，C-metric)：令A和B分别为两个近似帕累托前沿解集，集合覆盖率C(A，B)表示解集B中的解被解集A中的解至少支配一次的百分比，即：

需要注意的是，C(A，B)并不一定都是等于C(B，A)的；并且当C(A，B)＞C(B，A)时，表示解集A的收敛性优于解集B。

所述实验设置包括测试算例：在测试实例中添加UAV速度：v

UAV及UGV工作点数配置如表4.2所示，最终的15个算例在表4.3中可以看到，例如算例1-5-2-3表示UAV场景1，UGV场景2，并且UAV和UGV数量分别为2和3。

表4.2算例场景说明表

所述实验设置包括参数设置；选用两个多目标优化算法作为对比实验，这两个算法分别为：MO-ALNS算法：多目标自适应大邻域搜索算法(Multi-objective AdaptiveLarge Neighborhood Search，MO-ALNS)是在自适应大邻域搜索的基础上衍生出来的，核心包括局域解的破坏和生成，分别由移除和插入启发式实现，算法中可通过权重自适应实现多个移除和插入启发式，在算法的整体框架上，使用标准的模拟退火算法。实验中采用PMX生成前置子解的领域，MO-ALNS对后置子解进行搜索的策略。

PLS算法：帕累托局部搜索(Pareto Local Search，PLS)是专门为更好的解决组合优化问题提出的一种算法，算法中维持一个外部集和一个搜索集，在实验中，使用PMX生成前置子解的邻域，并使用本文中提出的多个局部搜索技术来生成后置子解的领域，从而实现PLS对本问题的求解。

对于MO-ALP、MOALNS、PLS，设置种群大小N为50，设置每次迭代中移除UGV工作数量为0.2H到0.3H之间的随机数，其中H为UGV工作点数量，充电点移除数量为0.2N

表4.3为MOALP算法参数配置表，充电点插入启发式中的λ1具有两个值，这表示充电点插入具有两个插入启发式，并且在算法中，具有两个不同的UGV工作点插入启发式，根据先进行工作点插入，后进行充电点插入的模式，算法中一共具有4个插入启发式；对于移除启发式而言，3个UGV工作点移除启发式和2个充电点移除启发式组合产生共计6个移除启发式；

表4.3 MOALP算法参数配置表

所述实验结果分析是将MOALP算法与MOMAD、MOALNS和PLS进行比较，主要是对超体积指标和集合覆盖率指标进行比对。

为了比较各个算法的超体积指标，设定参考点r为解集每个方向上的最大值，每个算例分别独立运行5次，C-metric和HV均由5次运行后的平均值得出。如表4.4所示为算法同三个不同的算法：MOALNS、MOMAD、PLS的集合覆盖率指标(C-metric)，表4.5展示了提出算法以及三个对比算法的超体积指标(HV)，表4.6为不同算法的平均收敛时间。

对于集合覆盖率指标，从表4.4可以看到，MOALP相比PLS在所有算例上的指标表现更好，并且随着算例规模的增大，PLS获得的解集中鲜少存在可以支配MOALP解集中的解。例如在算例2-1-2-3等10个算例中的C(B，A)均为0.0％；MOMAD在算例1-2-2-2上的集合覆盖率表现好于MOALP，但是在其他所有的算例中，其集合覆盖率均远远低于MOALP，而且在其中5个算例中，MOALP相对MOMAD的集合覆盖率均为100.0％；MOALP在13个算例上的支配率都大于MOALNS，并且在其中11个算例中，MOALP相比MOALNS的集合覆盖率指标表现高10％以上。从以上分析可以看到MOALP获得的解集支配性关系平均优于其他三种比较算法。

表4.4集合覆盖率对比表

从表4.5中可以看到，在总共运行的15个算例中，MOALP在11个算例上的超体积指标最优，并且，相比于PLS和MOMAD均有着较大的优势，相比于MOALNS，MOALP在除去算例2-1-2-3、3-1-3-2和算例3-5-3-5上的超体积指标均更优，由此可以看到，MOALP同其他三个算法相比，能更好的平衡收敛性和多样性。

在算法运行时间方面，从表4.6中可以看到，MOALP的平均运行时间低于PLS，同MOMAD相比，MOALP运行时间在较大规模算例上的运行时间较短。PLS在所有算例上的运行时间均为最长，这是因为在PLS中每次生成前置子解的邻域规模均是相同的，而对于MOMAD，会根据支配性选择部分解作为下一次后置子解帕累托搜索的输出解集，但是因为其局部搜索中无法保证解的可行性，故导致了算法得到的解集收敛性欠佳；而在MOALP中，使用了MOALNS/D生成新的邻域解，这即保证了新的邻域解的可行性，也确保了解集的分布性。

表4.5 HV对比表

表4.6运行时间对比表

结果可视化：如图6、7、8和9所示包含了通过MOALP在算例1-4-2-3上的四个非支配解，可以看到，规划后结果中包含了2条UAV路径和3条UGV路径；对于图6、7、8以及9，其目标值([路径总长度，最大完工时间])分别为：[2.548E+04,4489]、[2.696E+04,4433]、[2.798E+04,4264]和[2.969E+04,3505]，并且图6和图7的结果分别为两个理想点，即前者拥有非支配解集中的最优(最小)路径总长度，后者具有非支配解集中的最优(最小)最大完工时间。

提出了一个基于多目标优化的多UAV/UGV协同长时作业路径规划问题，并建立了相应的数学模型，结合相关标准问题，发现该问题是一个较为复杂的多目标组合优化问题.针对该问题的求解，提出一个称之为MOALP的模因演算法，在该算法中，通过将帕累托局部搜索和多目标自适应大邻域搜索算法相结合，提出一个混合帕累托局部搜索算法，使得算法框架更加适用于该类型问题的求解，同时，在算法中维持一个基于分解进化的种群，从而提高种群的多样性；在多目标自适应大邻域搜索中，通过开发新的移除和插入启发式，从而实现多目标自适应大邻域搜索与算法整体框架的相关联。最后在实例上的进行了算法测试，结果表明本章节中提出的算法在对本章中的问题进行求解时，其非支配解集相比MOMAD、PLS以及MOALNS，在集合覆盖率和超体积指标上的表现更优。

还包括无人驾驶车辆的车顶传感集成装置；所述车顶传感集成装置包括接收端01；所述接收端01接收信号端远离无人驾驶车辆设置；所述接收端01包括升降段02；车顶传感集成装置上的驱动装置与升降段02一端驱动连接；所述升降段02另一端带动接收信号端远离或靠近驱动装置；所述升降段02侧壁环向设置有信号增幅盘03；所述信号增幅盘03中部朝远离接收端01接收信号端外凸设置；接收端01设置于车顶传感集成装置中，升降段02能调节接收端01接收信号端的高度，远离近地面这样能减少近地面其他的干扰，提高信号接收的强度，信号增幅盘03能遮挡车顶传感集成装置中其他器件对接收端01的信号干扰，提高信号接收的强度。

所述信号增幅盘03包括拼接遮挡盘04和嵌入增扩环05；所述拼接遮挡盘04环绕拼接嵌入于升降段02侧壁内设置；所述拼接遮挡盘04包括伸缩杆06和拼接挡片07；所述升降段02侧壁开设有嵌入环槽08；所述嵌入环槽08动力装置与伸缩杆06一端驱动连接；所述伸缩杆09另一端上固设有嵌入连接块010；所述嵌入连接块010远离伸缩杆09一端上固定设置拼接挡片07；所述拼接挡片07为弧型，且所述拼接挡片07的弧型内凹面朝向于接收端01接收信号端；所述伸缩杆09带动嵌入连接块010进出于嵌入环槽08；若干所述拼接挡片07之间相互远离分散时，所述嵌入增扩环05运动对应嵌入若干拼接挡片07之间间隙中；若干所述拼接挡片07之间相互靠拢拼接时，所述嵌入增扩环05运动脱离若干拼接挡片07之间；当拼接挡片07拼接时，拼接遮挡盘04的遮挡范围较小，能起到一定的遮挡其他器件对信号的干扰，并且拼接遮挡盘04也不会遮挡住其他器件的信号接收；当拼接挡片07分散时，嵌入增扩环05嵌入拼接挡片07之间，形成的遮挡盘遮挡范围较大，这样就能更大范围的遮挡信号干扰，能提高接收端接收的信号强度。

所述嵌入增扩环05对应设置于拼接遮挡盘04遮挡内部；所述嵌入增扩环05包括固定连接环011和对应镶嵌条块012；所述升降段02侧壁环向固设有伸缩机构；所述固定连接环011环套于升降段02上，且伸缩机构的驱动端与固定连接环011驱动连接；若干所述对应镶嵌条块012环向固设于固定连接环011底部；所述对应镶嵌条块012为弧型，且所述对应镶嵌条块012弧面与拼接挡片07弧面相适应；所述对应镶嵌条块012的外凸弧面两侧边缘倒角013；若干所述拼接挡片07分散时，所述固定连接环011带动对应镶嵌条块012嵌入若干拼接挡片07之间间隙；若干所述拼接挡片07靠拢时，所述固定连接环011带动对应镶嵌条块012运动脱离于若干拼接挡片07。需要提高遮挡范围时，动力装置驱动伸缩杆06带动若干嵌入连接块010和拼接挡片07之间相互分散开，然后动力机构驱动固定连接环带动对应镶嵌条块012运动嵌入若干拼接挡片之间的间隙中；这样形成的遮挡盘的遮挡范围就增大了，并且嵌入连接块010能调节拼接挡片转动，相应的调节拼接挡片扩展的范围，且固定连接环能调节对应镶嵌条块转动，相应的跟拼接挡片相适应，这样就能起到扩大遮挡范围的目的，提高信号接收强度，相应的能起到增加防干扰的作用；这样接收端就能更好的接收到信号，这样能便于对无人驾驶车辆进行更好的路径规划。

以上是本发明的优选实施方案，对于本技术领域普通技术人员来说，在不脱离本发明原理前提的情况下，还可以做出若干改进和润色，这些改进和润色同样视为本发明的保护范围。