CN110553660B - 一种基于a*算法和人工势场的无人车轨迹规划方法 - Google Patents
一种基于a*算法和人工势场的无人车轨迹规划方法 Download PDFInfo
- Publication number
- CN110553660B CN110553660B CN201910820014.0A CN201910820014A CN110553660B CN 110553660 B CN110553660 B CN 110553660B CN 201910820014 A CN201910820014 A CN 201910820014A CN 110553660 B CN110553660 B CN 110553660B
- Authority
- CN
- China
- Prior art keywords
- potential field
- obstacle
- track
- lane
- value
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于A*算法和人工势场的无人车轨迹规划方法,包括以下步骤:1)将道路栅格化;2)将道路前方固定距离为a的所有栅格作为目标点;3)采用A*算法,进行轨迹规划,并基于多项式拟合方法平滑处理,得到多条期望轨迹;4)根据人工势场计算各轨迹的势场峰值和累积值,评价期望轨迹的安全性;5)根据各个期望轨迹的势场峰值和累积值,结合轨迹筛选函数选定最优轨迹。本发明利用A*搜索和三次多项式拟合平滑处理进行多目标点轨迹规划,并基于人工势场方法计算各规划轨迹的势场峰值和累积值,根据无人车在各规划轨迹上的行驶安全性,来选定最优轨迹。既能保证轨迹的便捷性、平滑性,又能保证轨迹的安全性。
Description
技术领域
本发明涉及汽车路径规划技术,尤其涉及一种基于A*算法和人工势场的无人车轨迹规划方法。
背景技术
汽车,作为人们日常生活与生产中不可或缺的交通工具之一,在为人类带来极大的便利之时,另一方面,也衍生了一系列有关交通安全的问题。为此,集传感器技术、数据通讯、信息处理、智能控制等技术的智能交通***(ITS)应运而生。ITS是未来交通***的发展趋势,能有效利用现有交通设施、减轻交通压力、减少环境污染、提高交通安全和运输效率、增强交通运输的能力。在智能交通***中,无人驾驶车辆则是一个关键的组成部分。
所谓无人驾驶车辆就是在传统车辆上增加先进的传感器设备、控制器、执行器等装置,通过人、车、路等信息的交互,使得车辆具有环境感知、自动导航和控制等功能,并且能够分析行驶状况、判断安全危险状态和按照驾驶员的意愿到达目的地的车辆。无人驾驶车辆是集多种先进技术为一体的多学科综合性***,其关键技术主要有:外部信息感知技术、信息处理融合技术、路径规划技术、智能控制技术。
路径规划技术可以分为全局路径规划和局部路径规划,目的在于根据驾驶员给出的目的位置信息和当前外部的环境情况为智能车辆发现可驾驶路径信息和提供驾驶辅助导引。全局路径规划首先需要当地的地图信息,然后再根据目的位置等信息可在离线的条件下,确定可行区域和最优的路径。局部路径规划是在车辆当前传感器能够探测的范围内,对外部环境信息以及各种道路条件及意外事件做出迅速、准确的判断并制定出智能车辆最优的可控行驶路径。
无人驾驶的局部避障路径规划是在具有障碍物的环境中,按照一定的评价标准比如时间最快、路径最短,寻找一条从起始点到目标点的无碰撞路径或者是最优路径。对于无人驾驶车辆领域,车辆的轨迹规划是非常重要的部分,规划的轨迹安全、平滑,满足驾驶需求,符合交通法规则尤其重要。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种基于A*算法和人工势场的无人车轨迹规划方法。
本发明解决其技术问题所采用的技术方案是:一种基于A*算法和人工势场的无人车轨迹规划方法,包括以下步骤:
1)把道路栅格化划分,其中,栅格长度为被控车长栅格宽度为车道宽;
2)将被控车辆前方距离a的多个车道栅格作为目标点;
3)根据A*算法,进行轨迹规划,得到多条期望轨迹;
4)根据人工势场方法计算各条期望轨迹的路径势场峰值和累积值;
5)基于各路径势场峰值和累积值和轨迹筛选函数选定最优路径输出。
按上述方案,所述步骤3)中,还包括对根据A*算法进行轨迹规划得到的多条期望轨迹进行基于多项式拟合方法的平滑处理。
按上述方案,所述步骤3)中,平滑处理轨迹的多项式拟合方法为:
y=a+bx+cx2+dx3+ex4
其中,x、y表示栅格点纵横坐标,a、b、c、d、e为待定系数,以无人车所在栅格位置记为P1(x1,y1),A*规划结果后四个点分别记为P2(x2,y2)、P3(x3,y3)、P4(x4,y4)、P5(x5,y5),根据P1、P2、P3、P4、P5确定系数a、b、c、d、e。
按上述方案,所述步骤4)中人工势场方法如下:对被控车的总势场U定义为车线势场、道路边界线势场、障碍物势场的势场总和:
U=Ulane+Uroad+Uobstacle
其中,Ulane为车道线势场,Uroad为道路边界势场,Uobstacle为障碍物势场,分别表示如下:
Ulane=klaneem
其中,klane、kroad、σlane、ylane,j、yroad,i分别表示车道线势场系数、道路边界势场系数、车道线势场的收敛系数、第j条车道线在Y方向上的位置、第i条道路边界线的位置;
障碍物分为可跨越障碍物和不可跨越障碍物,障碍物势场为可跨越障碍物势场和不可跨越障碍物势场之和,如下:
Uostacle=Uobstacle-cross+Uobstacle-nocross
其中,Uostacle-cross表示可跨越障碍物势场,Uostacle-nocross表示不可跨越障碍物势场,分别表示如下:
Uobstacle-cross=KvVkobstacle-crosse(-d2/2σo 2)
Uobstacle-nocross=KvVkobstacle-nocross/d2
其中,V、Kv、kobstacle-cross、kobstacle-nocross、d、σo分别表示被控车辆和障碍物的相对速度,相对速度系数,可跨越障碍物势场系数,不可跨越障碍物系数,与障碍物的距离,障碍物影响范围系数;
根据上述方法计算所规划路径的势场峰值以及势场累计值,势场峰值即轨迹上势场最大的点的势场值,势场累计值即轨迹上所有点势场值之和。
按上述方案,所述步骤5)中,轨迹筛选函数如下:
Ui=p×Upeak+q×Uall
其中,Ui表示轨迹筛选函数值,Upeak表示规划轨迹的势场峰值,Uall表示规划轨迹势场累计值,p、q表示权重系数,轨迹筛选函数值越低,轨迹越优。
按上述方案,所述步骤5)中,各路径势场峰值和累积值需满足安全性评价,安全性评价方式如下:
U≤Upeak-threshold-value
Uall≤Uall-threshold-value
其中,Uall表示规划轨迹势场累计值,Upeak-threshold value为规划路径的安全性评价所设定的势场峰值阈值,Uall-threshold value为规划路径的安全性评价所设定的势场累计值的阈值,当同时满足上述条件时,则认为轨迹可行,满足安全性评价。
本发明产生的有益效果是:本发明针对无人车的轨迹规划问题,利用A*搜索和三次多项式拟合平滑处理进行多目标点轨迹规划,并基于人工势场方法计算各规划轨迹的势场峰值和累积值,根据无人车在各规划轨迹上的行驶安全性,来选定最优轨迹。既能保证轨迹的便捷性、平滑性,又能保证轨迹的安全性。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例的方法流程图;
图2是本发明实施例的车道栅格目标点示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,一种基于A*算法和人工势场的无人车轨迹规划方法,针对无人车局部路径规划问题,提出了基于A*算法进行多目标轨迹规划,并基于人工势场方法计算各规划路径的势场峰值和累积值用来评价路径的安全性,从而决策出最优的规划路径。具体步骤及过程方法如下:
步骤S1,首先把道路栅格化划分,栅格长度为被控车长,宽度为车道宽。
步骤S2,将被控车辆前方距离纵向距离为a的多个车道栅格作为目标点,如图2,而并非以前方道路某一位置作为轨迹规划的目标点。
步骤S3,根据A*算法,进行轨迹规划,并基于多项式拟合方法平滑处理,得到多期望轨迹。
步骤S4,根据人工势场方法计算各路径势场峰值和累积值,评价路径的安全性。
步骤S5,基于路径势场峰值和累积值和轨迹筛选函数选定最优路径输出。
步骤S3中,A*算法具体步骤如下:将车辆现在位置作为起点,向八向扩散。定义车辆行驶方向为前方,车辆周围栅格共有八个,分别为左前方(left-front),前方(front),右前方(right-front),左方(left),右方(right),左后方(left-rear),右后方(right-rear),后方(rear)。应用A*算法进行轨迹规划,规划到多个目标点到路径,标记为Ti,i表示到第i个目标点的规划轨迹。
步骤S3中,所述平滑处理轨迹的多项式拟合方法为:
y=a+bx+cx2+dx3+ex4
其中,x、y表示栅格点纵横坐标,a、b、c、d、e为待定系数。
以无人车所在栅格位置记为P1(x1,y1),A*规划结果后四个点分别记为P2(x2,y2)、P3(x3,y3)、P4(x4,y4)、P5(x5,y5),根据P1、P2、P3、P4、P5确定系数a、b、c、d、e。
步骤S4中,人工势场方法如下:对被控车的总势场U定义为车线势场、道路边界线势场、障碍物势场等各类势场总和:
U=Ulane+Uroad+Uobstacle
其中,Ulane为车道线势场,Uroad为道路边界势场,分别表示如下:
Ulane=klaneem
其中,klane、kroad、σlane、ylane,j、yroad,i分别表示车道线势场系数、道路边界势场系数、分道线势场的收敛系数、第j条分道线在Y方向上的位置、第i条道路边界线的位置。
障碍物分别可跨越障碍物和不可跨越障碍物,障碍物势场为可跨越障碍物势场和不可跨越障碍物势场之和,如下:
Uobstacle=Uobstacle-cross+Uobstacle-nocross
其中,Uobstacle-cross表示可跨越障碍物势场,Uobstacle-nocross表示不可跨越障碍物势场,分别表示如下:
Uobstacle-cross=KvVkobstacle-crosse(-d2/2σo 2)
Uobstacle-nocross=KvVkobstacle-nocross/d2
其中,V、Kv、kobstacle-cross、kobstacle-nocross、d、σo分别表示被控车辆和障碍物的相对速度,相对速度系数,可跨越障碍物势场系数,不可跨越障碍物系数,距离障碍物的距离,障碍物影响范围系数。根据上述方法计算所规划路径的势场峰值以及势场累计值。
步骤S5中,轨迹筛选函数如下:
Ui=a×Upeak+b×Uall
其中,Ui表示轨迹筛选函数值,Upeak表示规划轨迹的势场峰值,Uall表示规划轨迹势场累计值,a、b表示权重系数。轨迹筛选函数值越低,轨迹越优。
综上所述,针对无人车局部路径规划问题,提出了基于A*算法进行多目标轨迹规划,并基于人工势场方法计算各规划路径的势场峰值和累积值用来评价路径的安全性,从而决策出最优的规划路径。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (4)
1.一种基于A*算法和人工势场的无人车轨迹规划方法,其特征在于,包括以下步骤:
1)把道路栅格化划分,其中,栅格长度为被控车长栅格宽度为车道宽;
2)将被控车辆所在栅格前方的多个车道栅格作为目标点;
3)根据A*算法,进行轨迹规划,得到多条期望轨迹;
4)根据人工势场方法计算各条期望轨迹的路径势场峰值和累积值;
所述步骤4)中人工势场方法如下:对被控车的总势场U定义为车线势场、道路边界线势场、障碍物势场的势场总和:
U=Ulane+Uroad+Uobstacle
其中,Ulane为车道线势场,Uroad为道路边界势场,Uobstacle为障碍物势场,分别表示如下:
Ulane=klaneem
其中,klane、kroad、σlane、ylane,j、yroad,i分别表示车道线势场系数、道路边界势场系数、车道线势场的收敛系数、第j条车道线在Y方向上的位置、第i条道路边界线的位置;
障碍物分为可跨越障碍物和不可跨越障碍物,障碍物势场为可跨越障碍物势场和不可跨越障碍物势场之和,如下:
Uostacle=Uobstacle-cross+Uobstacle-nocross
其中,Uostacle-cross表示可跨越障碍物势场,Uostacle-nocross表示不可跨越障碍物势场,分别表示如下:
Uobstacle-cross=KvVkobstacle-crosse(-d2/2σo 2)
Uobstacle-nocross=KvVkobstacle-nocross/d2
其中,V、Kv、kobstacle-cross、kobstacle-nocross、d、σo分别表示被控车辆和障碍物的相对速度,相对速度系数,可跨越障碍物势场系数,不可跨越障碍物系数,与障碍物的距离,障碍物影响范围系数;
根据上述方法计算所规划路径的势场峰值以及势场累计值,势场峰值即轨迹上势场最大的点的势场值,势场累计值即轨迹上所有点势场值之和;
5)基于各路径势场峰值和累积值和轨迹筛选函数选定最优路径输出;
所述步骤5)中,轨迹筛选函数如下:
Ui=p×Upeak+q×Uall
其中,Ui表示轨迹筛选函数值,Upeak表示规划轨迹的势场峰值,Uall表示规划轨迹势场累计值,p、q表示权重系数,轨迹筛选函数值越低,轨迹越优。
2.根据权利要求1所述的基于A*算法和人工势场的无人车轨迹规划方法,其特征在于,所述步骤3)中,还包括对根据A*算法进行轨迹规划得到的多条期望轨迹进行基于多项式拟合方法的平滑处理。
3.根据权利要求2所述的基于A*算法和人工势场的无人车轨迹规划方法,其特征在于,所述步骤3)中,平滑处理轨迹的多项式拟合方法为:
y=a+bx+cx2+dx3+ex4
其中,x、y表示栅格点纵横坐标,a、b、c、d、e为待定系数,以无人车所在栅格位置记为P1(x1,y1),A*规划结果后四个点分别记为P2(x2,y2)、P3(x3,y3)、P4(x4,y4)、P5(x5,y5),根据P1、P2、P3、P4、P5确定系数a、b、c、d、e。
4.根据权利要求1所述的基于A*算法和人工势场的无人车轨迹规划方法,其特征在于,所述步骤5)中,各路径势场峰值和累积值需满足安全性评价,安全性评价方式如下:
U≤Upeak-threshold-value
Uall≤Uall-threshold-value
其中,Uall表示规划轨迹势场累计值,Upeak-thresholdvalue为规划路径的安全性评价所设定的势场峰值阈值,Uall-thresholdvalue为规划路径的安全性评价所设定的势场累计值的阈值,当同时满足上述条件时,则认为轨迹可行,满足安全性评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910820014.0A CN110553660B (zh) | 2019-08-31 | 2019-08-31 | 一种基于a*算法和人工势场的无人车轨迹规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910820014.0A CN110553660B (zh) | 2019-08-31 | 2019-08-31 | 一种基于a*算法和人工势场的无人车轨迹规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110553660A CN110553660A (zh) | 2019-12-10 |
CN110553660B true CN110553660B (zh) | 2023-03-24 |
Family
ID=68738704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910820014.0A Active CN110553660B (zh) | 2019-08-31 | 2019-08-31 | 一种基于a*算法和人工势场的无人车轨迹规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110553660B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111857160B (zh) * | 2020-08-17 | 2023-06-02 | 武汉中海庭数据技术有限公司 | 一种无人车路径规划方法和装置 |
CN112013866A (zh) * | 2020-08-31 | 2020-12-01 | 电子科技大学 | 一种基于智能导览***的路径规划方法 |
CN112762950B (zh) * | 2020-12-15 | 2022-11-11 | 浙江大学 | 基于人工势场引导的Hybrid A*自主泊车路径规划方法 |
CN112622932B (zh) * | 2020-12-23 | 2022-02-01 | 同济大学 | 一种基于势能场启发式搜索的自动驾驶换道轨迹规划算法 |
WO2022160100A1 (zh) * | 2021-01-26 | 2022-08-04 | 深圳市大疆创新科技有限公司 | 可移动平台的控制方法和装置 |
CN112965496B (zh) * | 2021-02-23 | 2022-04-22 | 武汉理工大学 | 基于人工势场算法的路径规划方法、装置及存储介质 |
CN112947469A (zh) * | 2021-03-16 | 2021-06-11 | 安徽卡思普智能科技有限公司 | 汽车换道轨迹规划与动态轨迹跟踪控制方法 |
CN112947492B (zh) * | 2021-04-14 | 2023-09-22 | 北京车和家信息技术有限公司 | 车辆控制方法、装置、存储介质、电子设备及车辆 |
CN113311828B (zh) * | 2021-05-08 | 2023-07-25 | 武汉理工大学 | 一种无人车局部路径规划方法、装置、设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105511457B (zh) * | 2014-09-25 | 2019-03-01 | 科沃斯机器人股份有限公司 | 机器人静态路径规划方法 |
CN105911992B (zh) * | 2016-06-14 | 2019-02-22 | 广东技术师范学院 | 一种移动机器人的自动规划路径方法及移动机器人 |
CN107168305B (zh) * | 2017-04-01 | 2020-03-17 | 西安交通大学 | 路口场景下基于Bezier和VFH的无人车轨迹规划方法 |
-
2019
- 2019-08-31 CN CN201910820014.0A patent/CN110553660B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110553660A (zh) | 2019-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110553660B (zh) | 一种基于a*算法和人工势场的无人车轨迹规划方法 | |
CN110081894B (zh) | 一种基于道路结构权值融合的无人车轨迹实时规划方法 | |
CN107992050B (zh) | 无人驾驶汽车局部路径运动规划方法和装置 | |
González et al. | Continuous curvature planning with obstacle avoidance capabilities in urban scenarios | |
CN104819724B (zh) | 一种基于gis的无人地面车辆自主行驶辅助*** | |
CN104897168B (zh) | 基于道路危险评估的智能车路径搜索方法及*** | |
CN105809130B (zh) | 一种基于双目深度感知的车辆可行驶区域计算方法 | |
Sotelo et al. | Virtuous: Vision-based road transportation for unmanned operation on urban-like scenarios | |
CN114005280B (zh) | 一种基于不确定性估计的车辆轨迹预测方法 | |
CN111599179B (zh) | 一种基于风险动态平衡的无信号交叉口车辆运动规划方法 | |
CN109084798A (zh) | 网络下发带有道路属性的控制点的路径规划方法 | |
Kim et al. | Design of integrated risk management-based dynamic driving control of automated vehicles | |
CN101576384A (zh) | 一种基于视觉信息校正的室内移动机器人实时导航方法 | |
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*** | |
CN112394725B (zh) | 用于自动驾驶的基于预测和反应视场的计划 | |
CN112965476A (zh) | 一种基于多窗口抽样的高速无人车轨迹规划***及方法 | |
CN113291318B (zh) | 基于部分可观测马尔科夫模型的无人车盲区转弯规划方法 | |
CN111896004A (zh) | 一种狭窄通道车辆轨迹规划方法及*** | |
CN115042820A (zh) | 自动驾驶车辆控制方法、装置、设备及存储介质 | |
CN114815853B (zh) | 一种考虑路面障碍特征的路径规划方法和*** | |
Abramov et al. | A flexible modeling approach for robust multi-lane road estimation | |
Guo et al. | Toward human-like behavior generation in urban environment based on Markov decision process with hybrid potential maps | |
Ren et al. | Self-learned intelligence for integrated decision and control of automated vehicles at signalized intersections | |
CN108961353B (zh) | 道路模型的构建 | |
DE102017219377A1 (de) | Verfahren zur Optimierung einer Pfadplanung für ein Fahrzeug |
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 |