CN110531770B - 一种基于改进的rrt路径规划方法和*** - Google Patents
一种基于改进的rrt路径规划方法和*** Download PDFInfo
- Publication number
- CN110531770B CN110531770B CN201910814519.6A CN201910814519A CN110531770B CN 110531770 B CN110531770 B CN 110531770B CN 201910814519 A CN201910814519 A CN 201910814519A CN 110531770 B CN110531770 B CN 110531770B
- Authority
- CN
- China
- Prior art keywords
- module
- path
- point
- obstacle
- path planning
- 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.)
- Active
Links
- 238000013439 planning Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000006872 improvement Effects 0.000 title description 5
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 230000000877 morphologic effect Effects 0.000 claims abstract description 7
- 238000010586 diagram Methods 0.000 claims description 22
- 238000013178 mathematical model Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 230000004888 barrier function Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 230000010365 information processing Effects 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 13
- 239000000284 extract Substances 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于改进的RRT路径规划方法和***,其特征在于:包括以下步骤,避障模块通过快速扩展随机树生成随机点构建随机树,找出路径;分段拟合模块对所述快速扩展随机树找出的路径进行分段拟合求出路径控制点;信息提取模块以所述路径控制点为圆心和可调半径作圆,制作掩模mask,提取所述mask掩模的ROI区域,对ROI区域运用形态学图像处理,检测障碍物的轮廓,计算各个障碍物轮廓点到控制点的最小距离并提取该障碍物点的位置信息。本发明的有益效果:能够生成一条可执行的、避障效果好的、路径控制点稀疏的、周围障碍物信息可知的一条完整路径,能够更好的应用于无人车自主导航决策模块。
Description
技术领域
本发明涉及自动驾驶的技术领域,尤其涉及一种感知决策基于改进的RRT路径规划方法和***。
背景技术
近年来路径规划是运动规划的主要研究内容之一。运动规划由路径规划和轨迹规划组成,连接起点位置和终点位置的序列点或曲线称之为路径,构成路径的策略称之为路径规划。路径规划在很多领域都具有广泛的应用。在高新科技领域的应用有:机器人的自主无碰行动;无人机的避障突防飞行;巡航导弹躲避雷达搜索、防反弹袭击、完成突防***任务等。在日常生活领域的应用有:GPS导航;基于GIS***的道路规划;城市道路网规划导航等。在决策管理领域的应用有:物流管理中的车辆问题(VRP)及类似的资源管理资源配置问题。通信技术领域的路由问题等。凡是可拓扑为点线网络的规划问题基本上都可以采用路径规划的方法解决。本文建立在经典路径规划算法基础上,提出了一种改进的RRT路径规划算法。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明解决的一个技术问题是:提供一种改进的RRT路径规划算法,能够更好地用于轨迹规划决策导航。
为解决上述技术问题,本发明提供如下技术方案:一种基于改进的RRT路径规划方法,其特征在于:包括以下步骤,避障模块通过快速扩展随机树生成随机点构建随机树,找出路径;分段拟合模块对所述快速扩展随机树找出的路径进行分段拟合求出路径控制点;信息提取模块以所述路径控制点为圆心和可调半径作圆,制作掩模mask,提取所述mask掩模的ROI区域,对ROI区域运用形态学图像处理,检测障碍物的轮廓,计算各个障碍物轮廓点到控制点的最小距离并提取该障碍物点的位置信息。
作为本发明所述的基于改进的RRT路径规划方法的一种优选方案,其中:所述避障模块的路径生成包括以下步骤,基于Windows平台搭建VS2015+OPencv3.4.3+Egien3环境;VSLAM构建室外场景的3D点云图;将3D点云图转换到2D栅格地图;在地图上指定起点和终点位置信息,读入栅格地图;根据指定起始点和终止点坐标信息,利用快速扩展随机树算法,生成从起点到终点的路径。
作为本发明所述的基于改进的RRT路径规划方法的一种优选方案,其中:所述分段拟合模块包括以下步骤,根据生成路径点的离散信息绘制出离散点图;根据散点图构造数学模型;根据数学模型构造优化判据将离散点分段拟合,并求出各个拟合折线段的交点作为路径控制点。
作为本发明所述的基于改进的RRT路径规划方法的一种优选方案,其中:所述信息提取模块包括以下步骤,对ROI区域的障碍物信息做形态学图像处理,得到障碍物块;对障碍物块在进行轮廓查找,给障碍物块赋予索引信息;再用递归算法分别求出各个障碍物块距离控制点的最小距离,求出最小距离点。
作为本发明所述的基于改进的RRT路径规划方法的一种优选方案,其中:所述生成路径还包括以下步骤,将初始状态点qinit作为随机树的根节点;然后在状态空间内以均匀分布的概率生成一个随机采样点qrand,遍历当前随机树中所有节点并找到距离qrand点最近的子节点qnear,在qrand和qnear的连线上以一定的步长step扩展一个新的子节点qnew;若qnew和qnear的连线段与障碍物未发生碰撞,则将qnear以及该连线段分别作为新的子节点和新的边加入到随机扩展树中。
作为本发明所述的基于改进的RRT路径规划方法的一种优选方案,其中:还包括以下步骤,若发生碰撞,则舍弃该点重新选择qnear。重复上述过程直至qnear到达qgoal或qgoal附近的目标区域,则成功找到一条从qinit到qgoal的规划路径;若超过一定数量的扩展节点仍未到达目标区域或客观上不存在一条从起点至终点的无碰路径,则返回规划失败。
作为本发明所述的基于改进的RRT路径规划方法的一种优选方案,其中:所述分段拟合模块包括以下步骤,已知的二维数据xi、i,用绘图函数plot绘出其散点图;根据散点图,判断分段曲线的分段区间,同时判断每个分段区间内的散点符合某个数学模型;所述分段区间分别用拟合函数,去拟合其数学模型的系数;拟合后的数学模型的数值和已知的散点值作对比,判断拟合的数学模型是否合理,用决定系数R2来判断,当R2≈1拟合为合理。
本发明解决的另一个技术问题是:提供一种改进的RRT路径规划***,上述方法能依托于本***实现,能够更好地用于轨迹规划决策导航。
为解决上述技术问题,本发明提供如下技术方案:一种基于改进的RRT路径规划***,其特征在于:包括雷达数据处理模块、定位信息处理模块、相机数据处理模块、数据融合模块、路径规划模块、底层控制模块和显示控制模块;所述路径规划模块包括所述避障模块、所述分段拟合模块以及所述信息提取模块。
作为本发明所述的基于改进的RRT路径规划***的一种优选方案,其中:所述雷达数据处理模块、所述定位信息处理模块和所述相机数据处理模块负责对各个传感器采集数据的处理;所述数据融合模块对传感器数据融合至同一个坐标系,并进行时间对齐、相互验证处理,最终建立出环境模型;所述路径规划模块根据所述数据融合模块的环境数据进行实时规划,对障碍物信息、道边及行道线信息、交通标识及红绿灯信息等进行处理,选择最优路径,生成规划结果;所述底层控制模块接收所述规划结果,根据路径规划模块的规划结果,对车辆的机械***进行操控,包括车辆的加减速、转向操作;所述显示控制模块用于对各模块工作状态的实时监控。
本发明的有益效果:能够生成一条可执行的、避障效果好的、路径控制点稀疏的、周围障碍物信息可知的一条完整路径,能够更好的应用于无人车自主导航决策模块。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一种实施例所述快速扩展随机树流程示意图;
图2为本发明第一种实施例所述基于改进的RRT路径规划方法的整体流程结构示意图;
图3为本发明第一种实施例所述快速扩展随机树扩展示意图;
图4为本发明第二种实施例所述基于改进的RRT路径规划***应用于车辆路径控制的示意图;
图5为本发明第二种实施例所述基于改进的RRT路径规划***的整体原理结构示意图;
图6为本发明所述基于改进的RRT路径规划在一个场景下的路径规划效果示意图;
图7为本发明所述基于改进的RRT路径规划在另一个场景下的路径规划效果示意图;
图8为本发明所述原始算法路径规划在一个场景下的路径规划效果示意图;
图9为本发明所述原始算法路径规划在另一个场景下的路径规划效果示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
智能车也即无人驾驶汽车,是一种集合了自动控制理论、人工智能理论、视觉计算理论、体系结构理论、组合导航技术等多种理论及技术于一体的综合技术。目前,智能车在民用和军用领域都开始扮演越来越重要的角色,它代表了一个国家的综合科技水平和工业水平,具有重要的研究价值和实用价值。而路径规划是车辆智能性的集中体现,属于整个智能车***中的决策部分,对路径规划的研究不仅能提高车辆的智能水平,还能增强智能车的实用性。本文主要针对自主驾驶车辆路径规划提出一种基于改进的RRT路径规划方法,改进点包括一是利用避障模块算法;二是对路径分段拟合,简化路径点数量,求出控制点;三是以控制点为圆心,半径可调范围内,求出最近的障碍物块位置信息。经过以上的改进能够更好地用于轨迹规划决策导航,该方法已经用于无人车导航规划的实际场景,效果较好。具体的,
参照图1~3的示意,本实施例中该方法包括以下步骤,
S1:避障模块100通过快速扩展随机树生成随机点构建随机树,找出路径;避障模块100的路径生成包括以下步骤,
基于Windows平台搭建VS2015+OPencv3.4.3+Egien3环境;
VSLAM(基于视觉的定位与建图)构建室外场景的3D点云图;
将3D点云图转换到2D栅格地图;
在地图上指定起点和终点位置信息,读入栅格地图;
根据指定起始点和终止点坐标信息,利用快速扩展随机树算法,生成从起点到终点的路径。本步骤中VS2015+OPencv3.4.3+Egien3环境,其中为VS2015是Windows平台应用程序的集成开发环境,OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉库,可以运行在Linux、Windows、Android和MacOS操作***上,Eigen是一个高层次的C++库,有效支持线性代数,矩阵和矢量运算,数值分析及其相关的算法。
S2:分段拟合模块200对快速扩展随机树找出的路径进行分段拟合求出路径控制点;分段拟合模块200包括以下步骤,
根据生成路径点的离散信息绘制出离散点图;
根据散点图构造数学模型;
根据数学模型构造优化判据将离散点分段拟合,并求出各个拟合折线段的交点作为路径控制点。分段拟合模块200包括以下步骤,
已知的二维数据xi、i,用绘图函数plotx,y,'k*'绘出其散点图;
根据散点图,判断分段曲线的分段区间,同时判断每个分段区间内的散点符合某个数学模型;
分段区间分别用拟合函数,去拟合其数学模型的系数;拟合后的数学模型的数值和已知的散点值作对比,判断拟合的数学模型是否合理,用决定系数R2来判断,当R2≈1拟合为合理。
S2:信息提取模块300以路径控制点为圆心和可调半径作圆,制作掩模mask,提取mask掩模的ROI区域,对ROI区域运用形态学图像处理,检测障碍物的轮廓,计算各个障碍物轮廓点到控制点的最小距离并提取该障碍物点的位置信息。信息提取模块300包括以下步骤,
对ROI区域的障碍物信息做形态学图像处理,得到障碍物块;
对障碍物块在进行轮廓查找,给障碍物块赋予索引信息;
再用递归算法分别求出各个障碍物块距离控制点的最小距离,求出最小距离点。
本实施例还需要说明的是,快速扩展随机树是一种增量式的前向搜索算法,是基于微分约束的单查询随机采样规划方法。RRT算法分为搜索树的构造和路径产生两个阶段,不需要对车辆的位姿空间进行预处理。将起点位姿点加入随机树后,直接在空间中先随机采样一个位姿点,遍历整个随机树中的节点并选出距离该随机位姿点最近的节点,在满足约束的前提下,以一定的步长向着随机点方向生长,直至到达目标区域。从目标位姿点出发,依次寻找当前位姿点的父节点直至回到起始位姿点,即可得到规划路径。
RRT(快速探索随机树)作为一种高效的数据结构和算法,在算法执行前不需要进行预处理,直接通过随机扩展节点的方式快速地搜索整个状态空间,且能适应动态环境,具备快速重规划能力。通过将各种约束条件集成到算法中,RRT算法近年来在受微分约束的***中得到了广泛的应用。且由于随机算法的固有属性,理论上只要路径客观存在,算法就能找到一条可通行路径,RRT具有概率完备性。
快速扩展随机树从状态空间中的初始点开始,通过一定的概率在状态空间中通过获取随机采样子节点的方式来增量构造随机树,当随机树中的子节点包含了目标点或目标区域的点时停止扩展,从目标点开始依次遍历父节点即可找到一条从根节点到目标点的路径。具体包括如下过程:
定义:
状态空间:一个拓扑空间X;
碰撞检测:一个函数D:X→{true,false},判断状态x是否满足无碰的全局约束;
输入:一个集合U,可以影响状态点的控制与行为的完整集合;
增量模拟器:对于给定的当前状态x(t),在一定时间间隔内,计算x(t+Δt);
度量函数:一个实值函数ρ:X×X→[0,∞),描述了空间中两个点的距离,路径规划通常被定义为在状态空间x中找到一条从初始状态开始的连续路径,即从xinit点到目标区域或目标状态xgoal无碰路径,对于碰撞检测结果用Xfree来表示满足碰撞检测约束的状态点的集合,称为自由空间,输入集合中的控制与行为和增量模拟器通常决定了微分约束。增量模拟器可被理解为***在离散时间中的变化。度量函数用来描述状态空间中的点对之间的距离。
首先将初始状态点qinit作为随机树的根节点,然后在状态空间内以均匀分布的概率生成一个随机采样点qrand,遍历当前随机树中所有节点并找到距离qrand点最近的子节点qnear,在qrand和qnear的连线上以一定的步长step扩展一个新的子节点qnew,若qnew和qnear的连线段与障碍物未发生碰撞,则将qnear以及该连线段分别作为新的子节点和新的边加入到随机扩展树中;若发生碰撞,则舍弃该点重新选择qnear。重复上述过程直至qnear到达qgoal或qgoal附近的目标区域,则成功找到一条从qinit到qgoal的规划路径,若超过一定数量的扩展节点仍未到达目标区域或客观上不存在一条从起点至终点的无碰路径,则返回规划失败。
根据均匀分布获取状态空间内的随机采样点qrand,获取当前随机树中离随机采样点qrand最近的子节点qnear,在qrand和qnear的连线上以一定的步长step扩展新的子节点qnear,计算公式如下:
qnew=qnear+step*(qrand-qnear)/||qrand-qnear||
若qnear满足碰撞检测等约束条件,则扩展成功,并将新的子节点qnear,以及qnear和qnew连线unew作为边加入到随机树中,若不满足约束条件则重新获取qnew。当qnew与目标点qgoal之间的距离小于一定值时,则返回Reached,表示到达目标点qgoal,否则需要继续扩展子节点;返回值Advanced表示找到了新的扩展节点qnew,Trapped表示扩展失败,未找到新的子节点。
本实施例路径规划算法具备合理性:路径能完成基本避障任务,每一次算法返回的规划结果可以被车辆跟踪执行。完备性:如果客观上存在搜索空间内从起点至终点的无碰连续路径,则该规划算法一定能返回一条合理路径;若客观上不存在,则返回规划失败。最优性:算法返回的规划结果在时间花费、路径代价或其他某测度上最优。实时性:算法的时间空间复杂度能满足实时运动的需求。环境适应性:对于动态环境中的规划路径是否具有跟随环境而变化的能力。
场景一:
本文实例针对避障效果对比传统算法和本文改进的算法,根据实验数据输入地图、起点、终点等信息,进行路径规划,选取了两个不同的场景,分别通过本方法的改进后算法的路径规划和传统原始算法路径规划进行路径规划,其实际路径规划的效果如下图6~9所示。
效果说明:图6~7所示改进算法效果图,VSLAM构建一个真实场景的环境地图,设定起点和终点位置信息,蓝色折线段是对路径拟合后的路径,浅绿色是算法生成路径过程的随机树,黑色表示障碍物区域(本实施例中为便于灰度下的表示,在图中进行标注示意)。从效果图可以看出规划的路径能够很好地避障且折线段拐点的障碍点信息能够很好地感知到。
图8~9所示为原始算法效果图,起点位于绿色圆点,终点位于红色位置,同样分别设定的两个不同场景,首先来看,随机树生长和障碍物区域很近,规划出的路径不适合无人车落地行驶,其次路径未经平滑或者拟合处理,且障碍物信息紊乱,不能提供各个位置障碍物信息容易让车行驶过程中碰到障碍物。最后路径不够最简化,出现很多冗余拐点位置信息,不顺滑。
实施例2
参照图4~5的示意,示意为本实施例提出的一种基于改进的RRT路径规划***,上述方法能够依托于本***实现,具体的,该包括雷达数据处理模块400、定位信息处理模块500、相机数据处理模块600、数据融合模块700、路径规划模块、底层控制模块800和显示控制模块900;路径规划模块包括避障模块100、分段拟合模块200以及信息提取模块300。
进一步的,更加具体的,雷达数据处理模块400、定位信息处理模块500和相机数据处理模块600负责对各个传感器采集数据的处理;数据融合模块700对传感器数据融合至同一个坐标系,并进行时间对齐、相互验证处理,最终建立出环境模型;路径规划模块根据数据融合模块700的环境数据进行实时规划,对障碍物信息、道边及行道线信息、交通标识及红绿灯信息等进行处理,选择最优路径,生成规划结果;底层控制模块800接收规划结果,根据路径规划模块的规划结果,对车辆的机械***进行操控,包括车辆的加减速、转向操作;显示控制模块900用于对各模块工作状态的实时监控。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于改进的RRT路径规划方法,其特征在于:包括以下步骤,
避障模块(100)通过快速扩展随机树生成随机点,利用新的子节点的扩展公式:qnew=qnear+step*(qrand-qnear)/||qrand-qnear||来扩展新的子节点并构建随机树,找出路径;
分段拟合模块(200)根据生成路径点的离散信息绘制出离散点图包括已知的二维数据xi、i,用绘图函数plot(x,y,′k*′)绘出其散点图;根据散点图,判断分段曲线的分段区间,同时判断每个分段区间内的散点符合某个数学模型;根据散点图构造数学模型;根据数学模型构造优化判据将离散点分段拟合,并求出各个拟合折线段的交点作为路径控制点;
信息提取模块(300)以所述路径控制点为圆心和可调半径作圆,制作掩模mask,提取所述掩模mask的ROI区域,对ROI区域运用形态学图像处理,检测障碍物的轮廓,计算各个障碍物轮廓点到控制点的最小距离并提取该障碍物点的位置信息。
2.如权利要求1所述的基于改进的RRT路径规划方法,其特征在于:所述避障模块(100)的路径生成包括以下步骤,
基于Windows平台搭建VS2015+OPencv3.4.3+Egien3环境;
VSLAM构建室外场景的3D点云图;
将3D点云图转换到2D栅格地图;
在地图上指定起点和终点位置信息,读入栅格地图;
根据指定起始点和终止点坐标信息,利用快速扩展随机树算法,生成从起点到终点的路径。
3.如权利要求2所述的基于改进的RRT路径规划方法,其特征在于:所述信息提取模块(300)包括以下步骤,
对ROI区域的障碍物信息做形态学图像处理,得到障碍物块;
对障碍物块在进行轮廓查找,给障碍物块赋予索引信息;
再用递归算法分别求出各个障碍物块距离控制点的最小距离,求出最小距离点。
4.如权利要求1~2或3任一所述的基于改进的RRT路径规划方法,其特征在于:所述生成路径还包括以下步骤,
将初始状态点qinit作为随机树的根节点;
然后在状态空间内以均匀分布的概率生成一个随机采样点qrand,遍历当前随机树中所有节点并找到距离qrand点最近的子节点qnear,在qrand和qnear的连线上以一定的步长step扩展一个新的子节点qnew;
若qnew和qnear的连线段与障碍物未发生碰撞,则将qnear以及该连线段分别作为新的子节点和新的边加入到随机扩展树中。
5.如权利要求4所述的基于改进的RRT路径规划方法,其特征在于:还包括以下步骤,
若发生碰撞,则舍弃该点重新选择qnear。重复上述过程直至qnear到达qgoal或qgoal附近的目标区域,则成功找到一条从qinit到qgoal的规划路径;
若超过一定数量的扩展节点仍未到达目标区域或客观上不存在一条从起点至终点的无碰路径,则返回规划失败。
6.如权利要求5所述的基于改进的RRT路径规划方法,其特征在于:所述分段拟合模块(200)包括以下步骤,
所述分段区间分别用拟合函数,去拟合其数学模型的系数;
拟合后的数学模型的数值和已知的散点值作对比,判断拟合的数学模型是否合理,用决定系数R2来判断,当R2≈1拟合为合理。
7.一种基于改进的RRT路径规划***应用于权利要求1~6所述的基于改进的RRT路径规划方法,其特征在于:包括雷达数据处理模块(400)、定位信息处理模块(500)、相机数据处理模块(600)、数据融合模块(700)、路径规划模块、底层控制模块(800)和显示控制模块(900);所述路径规划模块包括避障模块(100)、分段拟合模块(200)以及信息提取模块(300)。
8.如权利要求7所述的基于改进的RRT路径规划***,其特征在于:所述雷达数据处理模块(400)、所述定位信息处理模块(500)和所述相机数据处理模块(600)负责对各个传感器采集数据的处理;
所述数据融合模块(700)对传感器数据融合至同一个坐标系,并进行时间对齐、相互验证处理,最终建立出环境模型;
所述路径规划模块根据所述数据融合模块(700)的环境数据进行实时规划,对障碍物信息、道边及行道线信息、交通标识及红绿灯信息等进行处理,选择最优路径,生成规划结果;
所述底层控制模块(800)接收所述规划结果,根据路径规划模块的规划结果,对车辆的机械***进行操控,包括车辆的加减速、转向操作;
所述显示控制模块(900)用于对各模块工作状态的实时监控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910814519.6A CN110531770B (zh) | 2019-08-30 | 2019-08-30 | 一种基于改进的rrt路径规划方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910814519.6A CN110531770B (zh) | 2019-08-30 | 2019-08-30 | 一种基于改进的rrt路径规划方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110531770A CN110531770A (zh) | 2019-12-03 |
CN110531770B true CN110531770B (zh) | 2023-06-02 |
Family
ID=68665587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910814519.6A Active CN110531770B (zh) | 2019-08-30 | 2019-08-30 | 一种基于改进的rrt路径规划方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110531770B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110968659B (zh) * | 2019-12-05 | 2023-07-25 | 湖北工业大学 | 一种基于连续道路链的高层导航路网的去冗方法 |
CN111580548B (zh) * | 2020-04-17 | 2021-10-19 | 中山大学 | 一种基于样条-rrt和速度障碍的无人机避障方法 |
CN111582566B (zh) * | 2020-04-26 | 2024-01-26 | 上海高仙自动化科技发展有限公司 | 路径规划方法及规划装置、智能机器人及存储介质 |
CN111723983B (zh) * | 2020-06-12 | 2022-09-09 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种未知环境下无人机的时间参数化航路规划方法与*** |
CN111752306B (zh) * | 2020-08-14 | 2022-07-12 | 西北工业大学 | 一种基于快速扩展随机树的无人机航路规划方法 |
CN112947467B (zh) * | 2021-03-11 | 2021-11-02 | 东莞职业技术学院 | 遍历多点归原的车辆路径规划方法 |
CN112987799B (zh) * | 2021-04-16 | 2022-04-05 | 电子科技大学 | 一种基于改进rrt算法的无人机路径规划方法 |
CN113352319B (zh) * | 2021-05-08 | 2022-10-21 | 上海工程技术大学 | 基于改进快速扩展随机树的冗余机械臂避障轨迹规划方法 |
CN113219998B (zh) * | 2021-06-15 | 2022-07-05 | 合肥工业大学 | 一种基于改进双向informed-RRT*的车辆路径规划方法 |
CN113534844B (zh) * | 2021-08-18 | 2024-02-27 | 广东电网有限责任公司 | 一种未知环境下的旋翼飞行器输电线路巡检方法及装置 |
CN114355910A (zh) * | 2021-12-23 | 2022-04-15 | 西安建筑科技大学 | 一种基于Jetson Nano的室内机器人自主建图导航***及方法 |
CN115237157B (zh) * | 2022-08-08 | 2024-01-23 | 南京理工大学 | 一种路网约束下的空地无人集群多任务点路径规划方法 |
CN115617053B (zh) * | 2022-12-19 | 2023-03-17 | 松灵机器人(深圳)有限公司 | 障碍物遍历方法、装置、割草机器人以及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102207736A (zh) * | 2010-03-31 | 2011-10-05 | 中国科学院自动化研究所 | 基于贝塞尔曲线的机器人路径规划方法及装置 |
CN102707671A (zh) * | 2012-05-29 | 2012-10-03 | 苏州新代数控设备有限公司 | 应用于工具机的加工路径最佳化方法 |
KR20150121931A (ko) * | 2014-04-22 | 2015-10-30 | 부산대학교 산학협력단 | 하이브리드 경로 생성 방법을 이용한 무인 지상 차량 경로 제어 시스템 |
CN107368086A (zh) * | 2017-07-04 | 2017-11-21 | 哈尔滨工程大学 | 基于探测威胁域的无人潜航器路径规划装置及方法 |
CN109910010A (zh) * | 2019-03-23 | 2019-06-21 | 广东石油化工学院 | 一种高效控制机器人的***及方法 |
Family Cites Families (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7228227B2 (en) * | 2004-07-07 | 2007-06-05 | The Boeing Company | Bezier curve flightpath guidance using moving waypoints |
US20090144031A1 (en) * | 2007-12-04 | 2009-06-04 | Tele Atlas North America, Inc. | System for applying clothoid curve values to roadways in a geographic data information system |
CN101882313B (zh) * | 2010-07-14 | 2011-12-21 | 中国人民解放军国防科学技术大学 | 单线激光雷达与ccd相机之间相互关系的标定方法 |
CN102303605A (zh) * | 2011-06-30 | 2012-01-04 | 中国汽车技术研究中心 | 基于多传感器信息融合的碰撞及偏离预警装置及预警方法 |
CN102708242B (zh) * | 2012-05-07 | 2014-08-06 | 上海飞机制造有限公司 | 产品管路件的拆卸路径求解方法及装置 |
KR101519261B1 (ko) * | 2013-12-17 | 2015-05-11 | 현대자동차주식회사 | 차량의 모니터링 방법 및 자동 제동 장치 |
CN103837869B (zh) * | 2014-02-26 | 2016-06-01 | 北京工业大学 | 基于向量关系的单线激光雷达和ccd相机标定方法 |
CN104716903A (zh) * | 2015-03-17 | 2015-06-17 | 上海交通大学 | 适用于光伏阵列输出特性曲线的自动分段多项式拟合方法 |
CN106406320B (zh) * | 2016-11-29 | 2019-08-20 | 重庆重智机器人研究院有限公司 | 机器人路径规划方法及规划路线的机器人 |
CN106682424A (zh) * | 2016-12-28 | 2017-05-17 | 上海联影医疗科技有限公司 | 医学图像的调节方法及其*** |
CN107085437A (zh) * | 2017-03-20 | 2017-08-22 | 浙江工业大学 | 一种基于eb‑rrt的无人机航迹规划方法 |
CN107422730A (zh) * | 2017-06-09 | 2017-12-01 | 武汉市众向科技有限公司 | 基于视觉导引的agv运输***及其驾驶控制方法 |
CN107883961A (zh) * | 2017-11-06 | 2018-04-06 | 哈尔滨工程大学 | 一种基于Smooth‑RRT算法的水下机器人路径优化方法 |
CN107991671A (zh) * | 2017-11-23 | 2018-05-04 | 浙江东车智能科技有限公司 | 一种基于雷达数据和视频信号融合识别危险目标的方法 |
CN108196536B (zh) * | 2017-12-21 | 2021-07-20 | 同济大学 | 一种改进的无人车快速搜索随机树路径规划方法 |
CN108681787B (zh) * | 2018-04-28 | 2021-11-16 | 南京航空航天大学 | 基于改进双向快速扩展随机树算法的无人机路径优化方法 |
CN108458717B (zh) * | 2018-05-07 | 2020-04-07 | 西安电子科技大学 | 一种迭代的快速扩展随机树irrt的无人机路径规划方法 |
CN108764108A (zh) * | 2018-05-22 | 2018-11-06 | 湖北省专用汽车研究院 | 一种基于贝叶斯统计决策的前车检测方法 |
CN108983780A (zh) * | 2018-07-24 | 2018-12-11 | 武汉理工大学 | 一种基于改进rrt*算法的移动机器人路径规划方法 |
CN109344687B (zh) * | 2018-08-06 | 2021-04-16 | 深圳拓邦股份有限公司 | 基于视觉的障碍物检测方法、装置、移动设备 |
CN109542117B (zh) * | 2018-10-19 | 2023-08-11 | 哈尔滨工业大学(威海) | 基于改进rrt的水下航行器滚动规划算法 |
CN109520507B (zh) * | 2018-12-05 | 2021-05-07 | 智灵飞(北京)科技有限公司 | 一种基于改进rrt的无人机实时路径规划方法 |
CN109668573A (zh) * | 2019-01-04 | 2019-04-23 | 广东工业大学 | 一种改进rrt算法的车辆路径规划方法 |
CN109814557A (zh) * | 2019-01-23 | 2019-05-28 | 西北工业大学 | 一种全局规划器主导的机器人路径规划方法 |
CN109753072A (zh) * | 2019-01-23 | 2019-05-14 | 西安工业大学 | 一种移动机器人混合路径规划方法 |
CN109945873B (zh) * | 2019-04-04 | 2022-07-15 | 东南大学 | 一种用于室内移动机器人运动控制的混合路径规划方法 |
-
2019
- 2019-08-30 CN CN201910814519.6A patent/CN110531770B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102207736A (zh) * | 2010-03-31 | 2011-10-05 | 中国科学院自动化研究所 | 基于贝塞尔曲线的机器人路径规划方法及装置 |
CN102707671A (zh) * | 2012-05-29 | 2012-10-03 | 苏州新代数控设备有限公司 | 应用于工具机的加工路径最佳化方法 |
KR20150121931A (ko) * | 2014-04-22 | 2015-10-30 | 부산대학교 산학협력단 | 하이브리드 경로 생성 방법을 이용한 무인 지상 차량 경로 제어 시스템 |
CN107368086A (zh) * | 2017-07-04 | 2017-11-21 | 哈尔滨工程大学 | 基于探测威胁域的无人潜航器路径规划装置及方法 |
CN109910010A (zh) * | 2019-03-23 | 2019-06-21 | 广东石油化工学院 | 一种高效控制机器人的***及方法 |
Non-Patent Citations (3)
Title |
---|
向传杰等.一种基于Multi-Agent的高效路径规划***研究.计算机应用研究.2004,(第11期),全文. * |
苏中等.《仿生蛇形机器人技术》.国防工业出版社,2015,(第978-7-118-10756-2版),全文. * |
韩丽等.三维虚拟飞行角色的路径规划和姿态控制.太原理工大学学报.2013,(第02期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110531770A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110531770B (zh) | 一种基于改进的rrt路径规划方法和*** | |
Badue et al. | Self-driving cars: A survey | |
US11400925B2 (en) | Planning for unknown objects by an autonomous vehicle | |
US10095234B2 (en) | Planning for unknown objects by an autonomous vehicle | |
US11790668B2 (en) | Automated road edge boundary detection | |
WO2022206942A1 (zh) | 一种基于行车安全风险场的激光雷达点云动态分割及融合方法 | |
US10234864B2 (en) | Planning for unknown objects by an autonomous vehicle | |
Weng et al. | Pole-based real-time localization for autonomous driving in congested urban scenarios | |
CN108088456A (zh) | 一种具有时间一致性的无人驾驶车辆局部路径规划方法 | |
WO2021238306A1 (zh) | 一种激光点云的处理方法及相关设备 | |
Sato et al. | Multilayer lidar-based pedestrian tracking in urban environments | |
Ulbrich et al. | Graph-based context representation, environment modeling and information aggregation for automated driving | |
CN114419152B (zh) | 一种基于多维度点云特征的目标检测与跟踪方法及*** | |
CN106780524A (zh) | 一种三维点云道路边界自动提取方法 | |
CN113654564A (zh) | 用于运载工具的方法 | |
Mi et al. | Automated 3D road boundary extraction and vectorization using MLS point clouds | |
CN116678394A (zh) | 基于多传感器信息融合实时动态智能路径规划方法及*** | |
KR20230004212A (ko) | 대상체 검출을 위한 교차 모달리티 능동 학습 | |
Shangguan et al. | Interactive perception-based multiple object tracking via CVIS and AV | |
Guo et al. | Curb detection and compensation method for autonomous driving via a 3-D-LiDAR sensor | |
Yang et al. | Vision-based intelligent vehicle road recognition and obstacle detection method | |
CN117036374A (zh) | 一种用于自动驾驶的激光雷达点云分割与运动规划方法 | |
Han et al. | Research on UAV indoor path planning algorithm based on global subdivision grids | |
de Frías et al. | Intelligent cooperative system for traffic monitoring in smart cities | |
CN114830202A (zh) | 通过自主运载工具针对未知对象的规划 |
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 |