CN109828564A - 一种无人驾驶汽车路径规划的优化方法、装置及终端设备 - Google Patents
一种无人驾驶汽车路径规划的优化方法、装置及终端设备 Download PDFInfo
- Publication number
- CN109828564A CN109828564A CN201910084628.7A CN201910084628A CN109828564A CN 109828564 A CN109828564 A CN 109828564A CN 201910084628 A CN201910084628 A CN 201910084628A CN 109828564 A CN109828564 A CN 109828564A
- Authority
- CN
- China
- Prior art keywords
- path
- pilotless automobile
- along ent
- evaluation function
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Traffic Control Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种无人驾驶汽车路径规划的优化方法、装置及终端设备,包括:根据信息采集***采集的信息,建立无人驾驶汽车路径规划的数学模型;根据所述信息采集***采集的信息,构建所述无人驾驶汽车路径规划的评价函数;根据所述数学模型及所述评价函数,获取全局最优行驶路径;根据折线等效算法及拐角优化算法,对所述全局最优行驶路径进行局部优化,获得局部最优行驶路径。本发明提供的技术方案先获取全局路径,再通过折线等效算法及拐角优化优化算法获取最终优化路径,收敛速度快及优化精度高。
Description
技术领域
本发明涉及无人驾驶领域,尤其涉及一种无人驾驶汽车路径规划的优化方法、装置及终端设备。
背景技术
汽车已经是人们日常生活中必不可少的交通工具,随着人工智能的发展,智能化技术在汽车行业得到广泛应用,其中,无人驾驶汽车是比较典型和热门的应用。相比传统的人工驾驶汽车,无人驾驶汽车解放了人工劳动力,为不方便驾驶人员提供便利。
路径规划是无人驾驶汽车的关键技术之一,传统的无人驾驶汽车路径规划方法主要包括人工势场算法、蚁群算法、粒子群算法等,但是这些算法基本都存在收敛速度慢、易陷入局部最优解或优化精度有限等问题。
发明内容
针对现有技术的缺点,本发明实施例的目的是提供一种无人驾驶汽车路径规划的优化方法、装置及终端设备,本发明实施例先获取全局路径,再通过折线等效算法及拐角优化算法获取最终优化路径,收敛速度快及优化精度高。
为实现上述目的,本发明实施例一方面提供了一种无人驾驶汽车路径规划的优化方法,所述方法包括:
根据信息采集***采集的信息,建立无人驾驶汽车路径规划的数学模型;
根据所述信息采集***采集的信息,构建所述无人驾驶汽车路径规划的评价函数;
根据所述数学模型及所述评价函数,获取全局最优行驶路径;
根据折线等效算法及拐角优化算法,对所述全局最优行驶路径进行局部优化,获得局部最优行驶路径。
优选地,所述信息采集***包括:
激光测距仪,用于测定无人驾驶汽车到障碍物的距离;
红外摄像机,用于捕捉视线范围内障碍物的图像;
定位***,用于确定无人驾驶汽车的具***置;
电子地图,用于采集障碍物形状、环境信息及无人驾驶汽车的行驶信息。
优选地,所述根据信息采集***采集的信息,建立所述无人驾驶路径规划的数学模型,包括:
根据所述定位***及所述电子地图采集的信息,建立以起始点和目标点为X轴的直角坐标系;其中,所述起始点为所述无人驾驶汽车行驶路劲的起点,所述目标点为所述无人驾驶汽车行驶路劲的终点;
在所述起始点和所述目标点的直线段上取N-1个等分点;其中,N大于1;
从所述起始点到所述目标点按顺序在每个所述等分点的垂线上任取一点组成一条无人驾驶汽车的初始路径;其中,所述垂线为经过所述等分点且相对所述X轴的垂线。
优选地,所述根据所述信息采集***采集的信息,构建所述无人驾驶汽车路径规划的评价函数,包括:
根据所述电子地图、所述红外摄像机及所述激光测距仪获取障碍物的半径和各所述等分点到障碍物中心的距离,并计算各所述等分点的危险值;
根据相邻两个所述等分点的总危险值及所述相邻两个等分点之间的路径总长度构建评价函数。
优选地,所述危险值的计算公式如下:
其中,i表示第i个等分点,j表示第j个障碍物,M(i,j)表示无人驾驶汽车第i个等分点到第j个障碍物的危险值,Rij表示第j个障碍物的半径,rij表示第i个等分点到第j个障碍物中心的距离,K表示危险模值。优选地,所述评价函数的计算公式为:
其中,D(ai,ai+1)表示第i个及i+1个等分点的总危险值,表示第i个等分点到第i+1个等分点的之间路径总长度;Q1及Q2表示加权系数。
优选地,所述根据所述数学模型及所述评价函数,获取全局优化路径,包括:
根据所述数学模型初始化所述行驶路径上各所述等分点的位置,并构建初始群体;
根据所述评价函数搜索所述初始群体中各所述等分点的评价函数值;
记录所述搜索的迭代次数n,并比较n与预设的最大迭代次数N1的大小;其中,n及N1均大于1;
当n不大于N1时;若所述等分点的评价函数值优于该等分点的历史最优值,则将所述评价函数值更新为历史最优值;若所述等分点的评价函数值优于群体中所有等分点的所述历史最优值,则将所述评价函数值更新为该等分点的全局最优值;
当n大于N1时,则搜索停止,并以群体中各等分点的全局最优值对应的点组成的连线作为全局最优行驶路径。
优选地,所述根据折线等效算法及拐角优化算法,对所述全局最优行驶路径进行优化,获得局部最优行驶路径,包括:
根据所述折线等效算法将起始点与所述全局最优行驶路径上的各等分点依次连接,直至连接线经过所述障碍物,则将该等分点的前一等分点保存,并将所述前一等分点作为新的起始点继续连接剩余的各等分点,直至目标点结束后形成新的优化路径;
从起始点依次计算所述新的优化路径中各个拐角的角度;
比较所述拐角的角度与预设角度的大小;
当所述拐角的角度大于所述预设角度时,该拐角的角度不需要优化;当所述拐角的角度小于所述预设角度时,则检验该拐点相邻两拐点的连线是否有效;其中,有效线段表示未经过障碍物;
若有效,则向所述相邻两拐点两边分别扩展一个拐点继续检验所述连接线的有效性,直至所述连接线无效,并以该无效线段的前一个有效线段对应的路径作为所述局部最优行驶路径。
为实现上述目的,本发明实施例第二方面提供一种无人驾驶汽车路径规划的优化装置,所述装置包括:
数学模型建立模块,用于根据信息采集***采集的信息,建立无人驾驶汽车路径规划的数学模型;
评价函数构建模块,用于根据所述信息采集***采集的信息,构建所述无人驾驶汽车路径规划的评价函数;
全局路径优化模块,用于根据所述数学模型及所述评价函数,获取全局最优行驶路径;
局部路径优化模块,用于根据折线等效算法及拐角优化算法,对所述全局最优行驶路径进行局部优化,获得局部最优行驶路径。
为实现上述目的,本发明实施例第三方面提供一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述的无人驾驶汽车路径规划的优化方法。
与现有技术相比,本发明实施例具有如下有益效果:本发明实施例根据信息采集***采集的信息,建立无人驾驶汽车路径规划的数学模型及评价函数,再根据所述数学模型及所述评价函数,获取全局最优行驶路径,然后根据折线等效算法及拐角优化算法,对所述全局最优行驶路径进行局部优化获得局部最优行驶路径;根据数学模型及评价函数获取全局最优行驶路径,收敛速度快、不会陷入局部最优解、搜索精度高;根据两点之间直线最短,采用折线等效算法在不触碰障碍物的前提下用若干条直线段对原轨迹进行等效替换,进一步缩短了无人驾驶汽车的路径长度;然后采用拐角优化算法对无人驾驶汽车的行驶路径进行三段式平滑,进一步缩短了路径长度,同时使行驶路径更加平滑。
附图说明
图1是本发明实施例1提供的一种无人驾驶汽车路径规划的优化方法的结构示意图;
图2是本发明实施例2提供的一种无人驾驶汽车路径规划的数学模型的示意图;
图3是本发明实施例3提供的一种无人驾驶汽车路径规划的局部最优行驶路径的示意图;
图4是本发明实施例4提供的一种人驾驶汽车路径规划的优化装置的结构示意图;
图5是本发明实施例5提供的一种终端设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,为本发明实施例提供的一种无人驾驶汽车路径规划的优化方法,所述方法包括步骤S11至S14:
S11、根据信息采集***采集的信息,建立无人驾驶汽车路径规划的数学模型;
S12、根据所述信息采集***采集的信息,构建所述无人驾驶汽车路径规划的评价函数;
S13、根据所述数学模型及所述评价函数,获取全局最优行驶路径;
S14、根据折线等效算法及拐角优化算法,对所述全局最优行驶路径进行局部优化,获得局部最优行驶路径。
无人驾驶汽车路径规划的优化方法,首先根据信息采集***采集的信息,建立无人驾驶汽车路径规划的数学模型及评价函数,再根据所述数学模型及所述评价函数,获取全局最优行驶路径,然后根据折线等效算法及拐角优化算法,对所述全局最优行驶路径进行局部优化获得局部最优行驶路径。
根据数学模型及评价函数获取全局最优行驶路径,收敛速度快、不会陷入局部最优解、搜索精度高;根据两点之间直线最短,采用折线等效算法在不触碰障碍物的前提下用若干条直线段对原轨迹进行等效替换,进一步缩短了无人驾驶汽车的路径长度;然后采用拐角优化算法对无人驾驶汽车的行驶路径进行三段式平滑,进一步缩短了路径长度,同时使行驶路径更加平滑。
作为优选方案,所述信息采集***包括:
激光测距仪,用于测定无人驾驶汽车到障碍物的距离;
红外摄像机,用于捕捉视线范围内障碍物的图像;
定位***,用于确定无人驾驶汽车的具***置;
电子地图,用于采集障碍物形状、环境信息及无人驾驶汽车的行驶信息。
信息采集***采用激光测距仪测定无人驾驶汽车到障碍物的距离,采用红外摄像机捕捉视线范围内障碍物的图像,采用定位***确定无人驾驶汽车的具***置,采用电子地图采集障碍物形状、环境信息及无人驾驶汽车的行驶信息。
根据无人驾驶汽车到障碍物的距离及障碍物危险半径计算危险值,根据无人驾驶汽车的具***置、环境信息及无人驾驶汽车的行驶信息通过折线等效及拐角优化对全局最优行驶路径优化获取局部最优行驶路径。
作为优选方案,所述根据信息采集***采集的信息,建立所述无人驾驶汽车路径规划的数学模型,包括:
根据所述定位***及所述电子地图,建立以起始点和目标点为X轴的直角坐标系;其中,所述起始点为所述无人驾驶汽车行驶路径的起点,所述目标点为所述无人驾驶汽车行驶路径的终点;
在所述起始点和所述目标点的直线段上取N-1个等分点;其中,N大于1;
从所述起始点到所述目标点按顺序在每个所述等分点的垂线上任取一点组成一条无人驾驶汽车的初始路径;其中,所述垂线为经过所述等分点且相对所述X轴的垂线。
请参阅图2,首先以起始点为原点,起始点与目标点的连线MN为X轴,建立直角坐标系,其中灰色部分代表障碍物。将线段MN划分为N-1等分,在每个等分点做横轴的垂线,从起始点到目标点按顺序取各垂线上任一点组成一个车辆路径点序列。由于横坐标是等距选取,用路径点的纵坐标组成的向量y=(yM,y1,y2,…,yn,yN)即可确定一条唯一的汽车行驶路径。所以对于路径规划问题,在迭代过程中每个个体代表一条路径的经过点,这里采用均匀分布来表示初始化种群个体y分量的值。
作为优选方案,所述根据所述信息采集***采集的信息,构建所述无人驾驶汽车路径规划的评价函数,包括:
根据所述电子地图、所述红外摄像机及所述激光测距仪获取障碍物的半径和各所述等分点到障碍物中心的距离,并计算各所述等分点的危险值;
根据相邻两个所述等分点的总危险值及所述相邻两个等分点之间的路径总长度构建评价函数。
无人驾驶汽车面临的环境复杂,因此,综合考虑了障碍物和行程两大影响因素来构建评价函数。把障碍物看成单个的危险体,落在障碍物危险范围以内的点称为危险点,落在障碍物危险范围以外的点则称为安全点。为了对危险点的危险程度加以区分,用不同的危险值来描述。采用路径规划的评价函数可以从众多的解中寻找出一个最优解,从而找到一条全局最优行驶路径。
作为优选方案,所述危险值的计算公式如下:
其中,i表示第i个等分点,j表示第j个障碍物,M(i,j)表示无人驾驶汽车第i个等分点到第j个障碍物的危险值,Rij表示第j个障碍物的半径,rij表示第i个等分点到第j个障碍物中心的距离,K表示危险模值。
需要说明的是,将障碍物近似看成一个圆形,障碍物的半径即为危险半径;危险模值可根据实际行驶车辆测试获得,危险模值设置的越大,无人驾驶汽车安全系数越高。
作为优选方案,所述评价函数的计算公式为:
其中,D(ai,ai+1)表示第i个及i+1个等分点的总危险值,表示第i个等分点到第i+1个等分点之间的路径总长度;Q1及Q2表示加权系数。
需要说明的是,Q1及Q2的取值范围为0至1之间,评价函数通过危险值和路径长度加权的方法构建,并作为路径中各个个体更新的评价标准。在实际应用中,可根据无人驾驶汽车具体的需求,设置危险值及路径长度的权重。评价函数值的评价标准是:在躲避障碍物的前提下使路程最短,因此,评价函数值越小越好。
作为优选方案,所述根据所述数学模型及所述评价函数,获取全局最优行驶路径,包括:
根据所述数学模型初始化所述行驶路径上各所述等分点的位置,并构建初始群体;
根据所述评价函数搜索所述初始群体中各所述等分点的评价函数值;
记录所述搜索的迭代次数n,并比较n与预设的最大迭代次数N1的大小;其中,n及N1均大于1;
当n不大于N1时;若所述等分点的评价函数值优于该等分点的历史最优值,则将所述评价函数值更新为历史最优值;若所述等分点的评价函数值优于群体中所有等分点的所述历史最优值,则将所述评价函数值更新为该等分点的全局最优值;
当n大于N1时,则搜索停止,并以所述群体中各等分点的全局最优值对应的点组成的连线作为全局最优行驶路径。
需要说明的是,根据所述数学模型及所述评价函数,获取全局优化路径的过程如下:
步骤01:将计数器的迭代次数设置为n(n初始值为0),最大迭代次数设置为N1,初始群体的规模设置为Size(即初始群体的个体个数)。
步骤02:初始化群体中各个***置,在搜索区域内产生Size个个体组成初始群体。
步骤03:根据公式(1)、(2)搜素计算群体中各个体的评价函数值,并将各个体的当前评价函数值与该个体的历史最优评价函数值mbest及全局所有个体的最优评价函数值gbest比较;如果某个体的当前评价函数值优于该个体的历史最优评价函数值mbest,则将mbest更新为该个体的当前评价函数值,如果该个体的评价函数值优于全局所有个体的最优评价函数值gbest,则将gbest更新为该个体的当前评价函数值。
步骤04:根据公式(1)、(2)更新个体的位置,每更新一次位置将迭代次数更新为n=n+1;如果当前迭代次数n>N1,则搜索停止,输出全局最优评价函数值(gbest1,gbest2,…,gbestN),最优评价函数值对应的点组成的连线即为最优行驶路径;否则转步骤03,继续执行搜索更新个***置。
作为优选方案,所述根据折线等效算法及拐角优化算法,对所述全局最优行驶路径进行优化,获得局部最优行驶路径,包括:
根据所述折线等效将起始点与所述全局最优行驶路径上的各等分点依次连接,直至连接线经过所述障碍物,则将该等分点的前一等分点保存,并将所述前一等分点作为新的起始点继续连接剩余的各等分点,直至目标点结束后形成新的优化路径;
从起始点依次计算所述新的优化路径中各个拐角的角度;
比较所述拐角的角度与预设角度的大小;
当所述拐角的角度大于所述预设角度时,该拐角的角度不需要优化;当所述拐角的角度小于所述预设角度时,则检验该拐点相邻两拐点的连线是否有效;其中,有效线段表示未经过障碍物;
若有效,则向所述相邻两拐点两边分别扩展一个拐点继续检验所述连接线的有效性,直至所述连接线无效,并以该无效线段的前一个有效线段对应的路径作为所述局部最优行驶路径。
需要说明的是,对全局最优行驶路径的局部路径再次优化,其主要目的是使汽车行驶路径在不改变原行驶轨迹安全性的前提下使该段路径尽可能短。此过程分为两个步骤:折线等效和拐角优化。请参阅图3,具体的方法如下:
(1)折线等效算法:在保证安全行驶的前提下尽可能使路径最短,根据两点之间直线最短,用若干条直线段对原路径进行等效替换,则得到的线段总长会大幅度减少。具体方法为:假设由前面得到的最优全局行驶路径为A-B-C-D-E-F-G-H-I,先检查直线段AB,若未穿过障碍物,则继续检查直线段AC,依次类推直到有线段穿过障碍物为止,连接起点A与无效端点F的前一点E,将E点存起来,并以E作为新的起点进行判定,用同样的方法得到I点,因此路径变为A-E-I。
(2)拐角优化算法:折线等效后所得的路径长度虽有了大幅减小,但有时折线的拐角过于剧烈,为了使路径尽可能的平滑以及进一步缩减行程,需要对所得路径进行拐角“切割”,将原来两条线段表示的路径用三条线段表示。具体方法为:将折线优化后的路径作为输入路径,计算拐角∠AEI的角度,如果拐角∠AEI小于预设的阈值θ,则先检验线段J-K的有效性,若有效则继续检验下一条线段,直到线段无效为止。如图,线段J-K作为最后的有效线段,因此最后路径变为A-J-K-I,因此,保证了新生成的路径更平滑、路程更短。如果如果拐角∠AEI大于预设的阈值θ,则不需要进行拐角优化。
与现有技术相比,本发明实施例具有如下有益效果:本发明实施例根据信息采集***采集的信息,建立无人驾驶汽车路径规划的数学模型及评价函数,再根据所述数学模型及所述评价函数,获取全局最优行驶路径,然后根据折线等效及拐角优化,对所述全局最优行驶路径进行局部优化获得局部最优行驶路径;根据数学模型及评价函数获取全局最优行驶路径,收敛速度快、不会陷入局部最优解、搜索精度高;根据两点之间直线最短,采用折线等效算法在不触碰障碍物的前提下用若干条直线段对原轨迹进行等效替换,进一步缩短了无人驾驶汽车的路径长度;然后采用拐角优化算法对无人驾驶汽车的行驶路径进行三段式平滑,进一步缩短了路径长度,同时使行驶路径更加平滑。
本发明实施例还提供了一种无人驾驶汽车路径规划的优化装置,如图4所示,所述装置包括:
数学模型建立模块11,根据信息采集***采集的信息,建立无人驾驶汽车路径规划的数学模型;
评价函数构建模块12,用于根据所述信息采集***采集的信息,构建所述无人驾驶汽车路径规划的评价函数;
全局路径优化模块13,用于根据所述数学模型及所述评价函数,获取全局最优行驶路径;
局部路径优化模块14,用于根据折线等效算法及拐角优化算法,对所述全局最优行驶路径进行局部优化,获得局部最优行驶路径。
优选地,所述信息采集***包括:
激光测距仪,用于测定无人驾驶汽车到障碍物的距离;
红外摄像机,用于捕捉视线范围内障碍物的图像;
定位***,用于确定无人驾驶汽车的具***置;
电子地图,用于采集障碍物形状、环境信息及无人驾驶汽车的行驶信息。
优选地,模型建立模块包括:
坐标系确定单元,用于根据所述定位***及所述电子地图,建立以起始点和目标点为X轴的直角坐标系;其中,所述起始点为所述无人驾驶汽车行驶路径的起点,所述目标点为所述无人驾驶汽车行驶路径的终点;
等分单元,用于在所述起始点和所述目标点的直线段上取N-1个等分点;其中,N大于1;
路径确定单元,用于从所述起始点到所述目标点按顺序在每个所述等分点的垂线上任取一点组成一条无人驾驶汽车的初始路径;其中,所述垂线为经过所述等分点且相对所述X轴的垂线。
优选地,所述评价函数构建模块包括:
危险值计算单元,用于根据所述电子地图、所述红外摄像机及所述激光测距仪获取障碍物的半径和各所述等分点到障碍物中心的距离,并计算各所述等分点的危险值;
评价函数构建单元,用于根据相邻两个所述等分点的总危险值及所述相邻两个等分点之间的路径总长度构建评价函数。
优选地,所述危险值的计算公式如下:
其中,i表示第i个等分点,j表示第j个障碍物,M(i,j)表示无人驾驶汽车第i个等分点到第j个障碍物的危险值,Rij表示第j个障碍物的半径,rij所述第i个等分点到第j个障碍物中心的距离,K表示危险模值。
优选地,所述评价函数的计算公式为:
其中,D(ai,ai+1)表示第i个及第i+1个等分点的总危险值,表示第i个等分点到第i+1个等分点的之间路径总长度;Q1及Q2表示加权系数。
优选地,所述全局路径优化模块包括:
初始群体构建单元,用于根据所述数学模型初始化所述行驶路径上各所述等分点的位置,并构建初始群体;
评价函数值搜索单元,用于根据所述评价函数搜索所述初始群体中各所述等分点的评价函数值;
记录单元,用于记录所述搜索的迭代次数n,并比较n与预设的最大迭代次数N1的大小;其中,n及N1均大于1;
比较单元,当n不大于N1时,若所述等分点的评价函数值优于该等分点的历史最优值,则将所述评价函数值更新为历史最优值;若所述等分点的评价函数值优于群体中所有等分点的所述历史最优值,则将所述评价函数值更新为该等分点的全局最优值;
当n大于N1时,则搜索停止,并以所述群体中各等分点的全局最优值对应的点组成的连线作为全局最优行驶路径。
优选地,所述局部路径优化模块包括:
路径优化单元,用于根据所述折线等效将起始点与所述全局最优行驶路径上的各等分点依次连接,直至连接线经过所述障碍物,则将该等分点的前一等分点保存,并将所述前一等分点作为新的起始点继续连接剩余的各等分点,直至目标点结束后形成新的优化路径;
拐角计算单元,用于从起始点依次计算所述新的优化路径中各个拐角的角度;
拐角角度比较单元,用于比较所述拐角的角度与预设角度的大小;
当所述拐角的角度小于所述预设角度时,则检验该拐点相邻两拐点的连线是否有效;其中,有效线段表示未经过障碍物;
若有效,则向所述相邻两拐点两边分别扩展一个拐点继续检验所述连接线的有效性,直至所述连接线无效,并以该无效线段的前一个有效线段对应的路径作为所述局部最优行驶路径。
需要说明的是,本发明实施例提供的一种无人驾驶汽车路径规划的优化装置用于执行上述一种无人驾驶汽车路径规划的优化方法的所有方法流程,两者的工作原理和有益效果一一对应,因而不再赘述。
相应地,本发明实施例还提供了一种终端设备,如图5所述,包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序,所述处理器10执行所述计算机程序时实现上述任一实施例所述的无人驾驶汽车路径规划的优化方法,例如图1所述的步骤S11~S14。或者所述处理器10执行所述计算机程序时实现所述无人驾驶汽车路径规划的优化装置实施例中各模块/单元的功能。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。
与现有技术相比,本发明实施例具有如下有益效果:本发明实施例根据信息采集***采集的信息,建立无人驾驶汽车路径规划的数学模型及评价函数,再根据所述数学模型及所述评价函数,获取全局最优行驶路径,然后根据折线等效及拐角优化,对所述全局最优行驶路径进行局部优化获得局部最优行驶路径;根据数学模型及评价函数获取全局最优行驶路径,收敛速度快、不会陷入局部最优解、搜索精度高;根据两点之间直线最短,采用折线等效算法在不触碰障碍物的前提下用若干条直线段对原轨迹进行等效替换,进一步缩短了无人驾驶汽车的路径长度;然后采用拐角优化算法对无人驾驶汽车的行驶路径进行三段式平滑,进一步缩短了路径长度,同时使行驶路径更加平滑。
虽然本发明以较佳实施例揭露如上,但并非用以限定本发明实施的范围。任何本领域的普通技术人员,在不脱离本发明的发明范围内,当可作些许的改进,即凡是依照本发明所做的同等改进,应为本发明的范围所涵盖。
Claims (10)
1.一种无人驾驶汽车路径规划的优化方法,其特征在于,所述方法包括:
根据信息采集***采集的信息,建立无人驾驶汽车路径规划的数学模型;
根据所述信息采集***采集的信息,构建所述无人驾驶汽车路径规划的评价函数;
根据所述数学模型及所述评价函数,获取全局最优行驶路径;
根据折线等效算法及拐角优化算法,对所述全局最优行驶路径进行局部优化,获得局部最优行驶路径。
2.如权利要求1所述的无人驾驶汽车路径规划的优化方法,其特征在于,所述信息采集***包括:
激光测距仪,用于测定无人驾驶汽车到障碍物的距离;
红外摄像机,用于捕捉视线范围内障碍物的图像;
定位***,用于确定无人驾驶汽车的具***置;
电子地图,用于采集障碍物形状、环境信息及无人驾驶汽车的行驶信息。
3.如权利要求2所述的无人驾驶汽车路径规划的优化方法,其特征在于,所述根据信息采集***采集的信息,建立无人驾驶汽车路径规划的数学模型,包括:
根据所述定位***及所述电子地图采集的信息,建立以起始点和目标点为X轴的直角坐标系;其中,所述起始点为所述无人驾驶汽车行驶路径的起点,所述目标点为所述无人驾驶汽车行驶路径的的终点;
在所述起始点和所述目标点的直线段上取N-1个等分点;其中,N大于1;
从所述起始点到所述目标点按顺序在每个所述等分点的垂线上任取一点组成一条无人驾驶汽车的初始路径;其中,所述垂线为经过所述等分点且相对所述X轴的垂线。
4.如权利要求3所述的无人驾驶汽车路径规划的优化方法,其特征在于,所述根据所述信息采集***采集的信息,构建所述无人驾驶汽车路径规划的评价函数,包括:
根据所述电子地图、所述红外摄像机及所述激光测距仪采集的信息,获取障碍物的半径和各所述等分点到障碍物中心的距离,并计算各所述等分点的危险值;
根据相邻两个所述等分点的总危险值及所述相邻两个等分点之间的路径总长度构建评价函数。
5.如权利要求4所述的无人驾驶汽车路径规划的优化方法,其特征在于,所述危险值的计算公式如下:
其中,i表示第i个等分点,j表示第j个障碍物,M(i,j)表示无人驾驶汽车第i个等分点到第j个障碍物的危险值,Rij表示第j个障碍物的半径,rij表示第i个等分点到第j个障碍物中心的距离,K表示危险模值。
6.如权利要求5所述的无人驾驶汽车路径规划的优化方法,其特征在于,所述评价函数的计算公式为:
其中,D(ai,ai+1)表示第i个及第i+1个等分点的总危险值,表示第i个等分点到第i+1个等分点之间的路径总长度;Q1及Q2表示加权系数。
7.如权利要求6所述的无人驾驶汽车路径规划的优化方法,其特征在于,所述根据所述数学模型及所述评价函数,获取全局最优行驶路径,包括:
根据所述数学模型初始化所述无人驾驶汽车行驶路径上各所述等分点的位置,并构建初始群体;
根据所述评价函数搜索所述初始群体中各所述等分点的评价函数值;
记录所述搜索的迭代次数n,并比较n与预设的最大迭代次数N1的大小;其中,n及N1均大于1;
当n不大于N1时;若所述等分点的评价函数值优于该等分点的历史最优值,则将所述评价函数值更新为历史最优值;若所述等分点的评价函数值优于群体中所有等分点的所述历史最优值,则将所述评价函数值更新为该等分点的全局最优值;
当n大于N1时,则搜索停止,并以群体中各等分点的全局最优值对应的点组成的连线作为全局最优行驶路径。
8.如权利要求7所述的无人驾驶汽车路径规划的优化方法,其特征在于,所述根据折线等效算法及拐角优化算法,对所述全局最优行驶路径进行局部优化,获得局部最优行驶路径,包括:
根据所述折线等效算法将起始点与所述全局最优行驶路径上的各等分点依次连接,直至连接线经过所述障碍物,则将该等分点的前一等分点保存,并将所述前一等分点作为新的起始点继续连接剩余的各等分点,直至目标点结束后形成新的优化路径;
从起始点依次计算所述新的优化路径中各个拐角的角度;
比较所述拐角的角度与预设角度的大小;
当所述拐角的角度大于所述预设角度时,该拐角的角度不需要优化;当所述拐角的角度小于所述预设角度时,则检验该拐点相邻两拐点的连线是否有效;其中,有效线段表示未经过障碍物;
若有效,则向所述相邻两拐点两边分别扩展一个拐点继续检验所述连接线的有效性,直至所述连接线无效,并以该无效线段的前一个有效线段对应的路径作为所述局部最优行驶路径。
9.一种无人驾驶汽车路径规划的优化装置,其特征在于,所述装置包括:
数学模型建立模块,用于根据信息采集***采集的信息,建立无人驾驶汽车路径规划的数学模型;
评价函数构建模块,用于根据所述信息采集***采集的信息,构建所述无人驾驶汽车路径规划的评价函数;
全局路径优化模块,用于根据所述数学模型及所述评价函数,获取全局最优行驶路径;
局部路径优化模块,用于根据折线等效算法及拐角优化算法,对所述全局最优行驶路径进行局部优化,获得局部最优行驶路径。
10.一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至8中任意一项所述的无人驾驶汽车路径规划的优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910084628.7A CN109828564B (zh) | 2019-01-28 | 2019-01-28 | 一种无人驾驶汽车路径规划的优化方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910084628.7A CN109828564B (zh) | 2019-01-28 | 2019-01-28 | 一种无人驾驶汽车路径规划的优化方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109828564A true CN109828564A (zh) | 2019-05-31 |
CN109828564B CN109828564B (zh) | 2022-06-17 |
Family
ID=66862791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910084628.7A Active CN109828564B (zh) | 2019-01-28 | 2019-01-28 | 一种无人驾驶汽车路径规划的优化方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109828564B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110487290A (zh) * | 2019-07-29 | 2019-11-22 | 中国人民解放军军事科学院国防科技创新研究院 | 基于变步长a星搜索的无人驾驶汽车局部路径规划方法 |
CN110514224A (zh) * | 2019-08-26 | 2019-11-29 | 中国人民解放军军事科学院国防科技创新研究院 | 一种无人驾驶汽车局部路径规划性能评价方法 |
CN110633843A (zh) * | 2019-08-23 | 2019-12-31 | 广州杰赛科技股份有限公司 | 园区巡检方法、装置、设备及存储介质 |
CN111338379A (zh) * | 2020-03-19 | 2020-06-26 | 北京航空航天大学 | 自动控制飞行器的协同路径规划方法 |
CN111428919A (zh) * | 2020-03-17 | 2020-07-17 | 深圳先进技术研究院 | 路径规划方法、装置、电子设备及存储介质 |
CN112859842A (zh) * | 2020-12-31 | 2021-05-28 | 中山大学 | 一种路径跟随导航方法及其*** |
CN112857385A (zh) * | 2021-01-18 | 2021-05-28 | 北京理工大学 | 一种基于非均匀栅格模型的快速无人车局部路径规划方法 |
CN112937563A (zh) * | 2021-03-30 | 2021-06-11 | 湖南铁道职业技术学院 | 一种基于模型预测控制的无人车避障方法 |
CN113075921A (zh) * | 2019-12-17 | 2021-07-06 | 北京京东尚科信息技术有限公司 | 无人驾驶设备的局部路径规划方法和装置 |
CN113124891A (zh) * | 2021-04-20 | 2021-07-16 | 东软睿驰汽车技术(沈阳)有限公司 | 一种行驶路径规划方法及相关装置 |
CN113479219A (zh) * | 2021-09-06 | 2021-10-08 | 智己汽车科技有限公司 | 一种行车轨迹规划方法、装置、计算机设备和介质 |
WO2021213141A1 (zh) * | 2020-04-20 | 2021-10-28 | 华为技术有限公司 | 数据处理方法、装置及设备 |
CN113747400A (zh) * | 2021-07-28 | 2021-12-03 | 东风柳州汽车有限公司 | 车对车通讯传输优化方法、装置、设备及存储介质 |
CN114237237A (zh) * | 2021-12-06 | 2022-03-25 | 首都经济贸易大学 | 一种无人驾驶汽车自主转向控制的路径优化方法 |
CN115357034A (zh) * | 2022-10-21 | 2022-11-18 | 上海伯镭智能科技有限公司 | 基于智慧交通的无人驾驶矿车转向控制方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000020117A (ja) * | 1998-06-29 | 2000-01-21 | Yaskawa Electric Corp | ロボットの動作経路計画方法およびその装置 |
US20070290918A1 (en) * | 2006-06-20 | 2007-12-20 | Eurocopter | System for detecting obstacles in the vicinity of a touchdown point |
WO2012091807A2 (en) * | 2010-12-30 | 2012-07-05 | Irobot Corporation | Mobile human interface robot |
CN102768536A (zh) * | 2012-07-20 | 2012-11-07 | 哈尔滨工程大学 | 一种基于多目标萤火虫算法的路径规划方法 |
CN103177595A (zh) * | 2011-12-26 | 2013-06-26 | 北京易华录信息技术股份有限公司 | 一种基于实时交通信息的动态路径寻优***及方法 |
CN103760907A (zh) * | 2013-12-30 | 2014-04-30 | 哈尔滨工程大学 | 一种基于布谷鸟搜索算法的水下潜器三维路径规划方法 |
CN104897168A (zh) * | 2015-06-24 | 2015-09-09 | 清华大学 | 基于道路危险评估的智能车路径搜索方法及*** |
CN106225788A (zh) * | 2016-08-16 | 2016-12-14 | 上海理工大学 | 基于路径拓展蚁群算法的机器人路径规划方法 |
CN108234221A (zh) * | 2018-03-15 | 2018-06-29 | 广州杰赛科技股份有限公司 | 无线网络节点定位方法、装置和监狱人员定位*** |
CN108645409A (zh) * | 2018-05-14 | 2018-10-12 | 深圳万发创新进出口贸易有限公司 | 一种基于无人驾驶的行车安全*** |
CN108645411A (zh) * | 2018-05-15 | 2018-10-12 | 深圳大学 | 基于粒子群算法的机器人路径规划方法、装置及终端设备 |
CN108872978A (zh) * | 2018-05-11 | 2018-11-23 | 湖北中南鹏力海洋探测***工程有限公司 | 一种基于高频地波雷达洋流数据的水上船只路径规划方法 |
-
2019
- 2019-01-28 CN CN201910084628.7A patent/CN109828564B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000020117A (ja) * | 1998-06-29 | 2000-01-21 | Yaskawa Electric Corp | ロボットの動作経路計画方法およびその装置 |
US20070290918A1 (en) * | 2006-06-20 | 2007-12-20 | Eurocopter | System for detecting obstacles in the vicinity of a touchdown point |
WO2012091807A2 (en) * | 2010-12-30 | 2012-07-05 | Irobot Corporation | Mobile human interface robot |
CN103177595A (zh) * | 2011-12-26 | 2013-06-26 | 北京易华录信息技术股份有限公司 | 一种基于实时交通信息的动态路径寻优***及方法 |
CN102768536A (zh) * | 2012-07-20 | 2012-11-07 | 哈尔滨工程大学 | 一种基于多目标萤火虫算法的路径规划方法 |
CN103760907A (zh) * | 2013-12-30 | 2014-04-30 | 哈尔滨工程大学 | 一种基于布谷鸟搜索算法的水下潜器三维路径规划方法 |
CN104897168A (zh) * | 2015-06-24 | 2015-09-09 | 清华大学 | 基于道路危险评估的智能车路径搜索方法及*** |
CN106225788A (zh) * | 2016-08-16 | 2016-12-14 | 上海理工大学 | 基于路径拓展蚁群算法的机器人路径规划方法 |
CN108234221A (zh) * | 2018-03-15 | 2018-06-29 | 广州杰赛科技股份有限公司 | 无线网络节点定位方法、装置和监狱人员定位*** |
CN108872978A (zh) * | 2018-05-11 | 2018-11-23 | 湖北中南鹏力海洋探测***工程有限公司 | 一种基于高频地波雷达洋流数据的水上船只路径规划方法 |
CN108645409A (zh) * | 2018-05-14 | 2018-10-12 | 深圳万发创新进出口贸易有限公司 | 一种基于无人驾驶的行车安全*** |
CN108645411A (zh) * | 2018-05-15 | 2018-10-12 | 深圳大学 | 基于粒子群算法的机器人路径规划方法、装置及终端设备 |
Non-Patent Citations (1)
Title |
---|
朱颢东等: "基于改进蚁群算法的移动机器人三维路径规划", 《华中师范大学学报(自然科学版)》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110487290A (zh) * | 2019-07-29 | 2019-11-22 | 中国人民解放军军事科学院国防科技创新研究院 | 基于变步长a星搜索的无人驾驶汽车局部路径规划方法 |
CN110487290B (zh) * | 2019-07-29 | 2020-05-19 | 中国人民解放军军事科学院国防科技创新研究院 | 基于变步长a星搜索的无人驾驶汽车局部路径规划方法 |
CN110633843B (zh) * | 2019-08-23 | 2022-04-12 | 广州杰赛科技股份有限公司 | 园区巡检方法、装置、设备及存储介质 |
CN110633843A (zh) * | 2019-08-23 | 2019-12-31 | 广州杰赛科技股份有限公司 | 园区巡检方法、装置、设备及存储介质 |
CN110514224B (zh) * | 2019-08-26 | 2021-04-02 | 中国人民解放军军事科学院国防科技创新研究院 | 一种无人驾驶汽车局部路径规划性能评价方法 |
CN110514224A (zh) * | 2019-08-26 | 2019-11-29 | 中国人民解放军军事科学院国防科技创新研究院 | 一种无人驾驶汽车局部路径规划性能评价方法 |
CN113075921B (zh) * | 2019-12-17 | 2024-02-09 | 北京京东尚科信息技术有限公司 | 无人驾驶设备的局部路径规划方法和装置 |
CN113075921A (zh) * | 2019-12-17 | 2021-07-06 | 北京京东尚科信息技术有限公司 | 无人驾驶设备的局部路径规划方法和装置 |
CN111428919B (zh) * | 2020-03-17 | 2022-07-19 | 深圳先进技术研究院 | 路径规划方法、装置、电子设备及存储介质 |
WO2021184793A1 (zh) * | 2020-03-17 | 2021-09-23 | 深圳先进技术研究院 | 路径规划方法、装置、电子设备及存储介质 |
CN111428919A (zh) * | 2020-03-17 | 2020-07-17 | 深圳先进技术研究院 | 路径规划方法、装置、电子设备及存储介质 |
CN111338379A (zh) * | 2020-03-19 | 2020-06-26 | 北京航空航天大学 | 自动控制飞行器的协同路径规划方法 |
WO2021213141A1 (zh) * | 2020-04-20 | 2021-10-28 | 华为技术有限公司 | 数据处理方法、装置及设备 |
CN112859842A (zh) * | 2020-12-31 | 2021-05-28 | 中山大学 | 一种路径跟随导航方法及其*** |
CN112859842B (zh) * | 2020-12-31 | 2022-06-14 | 中山大学 | 一种路径跟随导航方法及其*** |
CN112857385A (zh) * | 2021-01-18 | 2021-05-28 | 北京理工大学 | 一种基于非均匀栅格模型的快速无人车局部路径规划方法 |
CN112857385B (zh) * | 2021-01-18 | 2022-09-27 | 北京理工大学 | 一种基于非均匀栅格模型的快速无人车局部路径规划方法 |
CN112937563A (zh) * | 2021-03-30 | 2021-06-11 | 湖南铁道职业技术学院 | 一种基于模型预测控制的无人车避障方法 |
CN113124891A (zh) * | 2021-04-20 | 2021-07-16 | 东软睿驰汽车技术(沈阳)有限公司 | 一种行驶路径规划方法及相关装置 |
CN113747400A (zh) * | 2021-07-28 | 2021-12-03 | 东风柳州汽车有限公司 | 车对车通讯传输优化方法、装置、设备及存储介质 |
CN113479219A (zh) * | 2021-09-06 | 2021-10-08 | 智己汽车科技有限公司 | 一种行车轨迹规划方法、装置、计算机设备和介质 |
CN113479219B (zh) * | 2021-09-06 | 2021-11-26 | 智己汽车科技有限公司 | 一种行车轨迹规划方法、装置、计算机设备和介质 |
CN114237237A (zh) * | 2021-12-06 | 2022-03-25 | 首都经济贸易大学 | 一种无人驾驶汽车自主转向控制的路径优化方法 |
CN115357034A (zh) * | 2022-10-21 | 2022-11-18 | 上海伯镭智能科技有限公司 | 基于智慧交通的无人驾驶矿车转向控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109828564B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109828564A (zh) | 一种无人驾驶汽车路径规划的优化方法、装置及终端设备 | |
CN111860155B (zh) | 一种车道线的检测方法及相关设备 | |
JP6637088B2 (ja) | ウォルシュ・カーネル・投影技術に基づく自動運転車両の位置決め | |
JP6644742B2 (ja) | 頑健で効率的な車両測位用のアルゴリズム及びインフラ | |
KR102292277B1 (ko) | 자율 주행 차량에서 3d cnn 네트워크를 사용하여 솔루션을 추론하는 lidar 위치 추정 | |
US9563808B2 (en) | Target grouping techniques for object fusion | |
CN110648529B (zh) | 一种车辆行驶轨迹的渲染方法、装置、设备及存储介质 | |
CN108645411B (zh) | 基于粒子群算法的机器人路径规划方法、装置及终端设备 | |
CN113682318B (zh) | 车辆行驶控制方法及装置 | |
KR20200096410A (ko) | 자율 주행 차량의 lidar 위치 추정을 위한 심층 학습 기반 특징 추출 | |
CN110386142A (zh) | 用于自动驾驶车辆的俯仰角校准方法 | |
CN105606113B (zh) | 快速规划最优路径方法及装置 | |
JP2023508794A (ja) | 軌跡計画方法及び装置、機器、記憶媒体並びにプログラム製品 | |
CN110967019A (zh) | 一种规划机器人局部路径的方法及机器人 | |
CN114777799B (zh) | 一种路口高精地图生成方法、装置、电子设备及存储介质 | |
CN114003613A (zh) | 高精地图车道线更新方法、装置、电子设备以及存储介质 | |
CN115346183A (zh) | 一种车道线检测方法、终端及存储介质 | |
CN110619280B (zh) | 一种基于深度联合判别学习的车辆重识别方法及装置 | |
WO2021000787A1 (zh) | 道路几何识别方法及装置 | |
CN112541464A (zh) | 关联道路对象的确定方法、装置、路侧设备和云控平台 | |
CN113673288A (zh) | 空闲车位检测方法、装置、计算机设备及存储介质 | |
CN114954532A (zh) | 一种车道线确定方法、装置、设备和存储介质 | |
CN115583254A (zh) | 路径规划方法、装置、设备以及自动驾驶车辆 | |
CN115331199A (zh) | 障碍物的检测方法、装置、电子设备及存储介质 | |
CN114510053A (zh) | 机器人规划路径校验方法、装置、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |