CN111427368A - 一种改进的多目标无人智能车避碰行驶方法 - Google Patents

Abstract

本发明属于智能车路径规划技术领域，具体涉及一种改进的多目标无人智能车避碰行驶方法。本发明包括：获取无人智能车的位置、姿态角以及障碍物位置；计算无人智能车的碰撞危险度；规划多目标无人智能车避碰路径。本发明无人智能车通过收集并分析障碍物信息制定避碰对策，完成对障碍物的躲避的一系列过程，能有效提升无人智能车避障的智能化，减少驾驶人员的工作量；本发明使用分布式遗传算法对无人智能车行驶的路径进行规划，克服了传统算法易于陷于局部最优解的问题，使得规划路径的质量有所提升。

Description

一种改进的多目标无人智能车避碰行驶方法

技术领域

本发明属于智能车路径规划技术领域，具体涉及一种改进的多目标无人智能车避碰行驶方法。

背景技术

无人驾驶智能车是能够借助一定方式感知周围环境和车辆自身状态，能够实现行驶在有障碍物的路段或其它环境中面向设定目标的自主运动，进而完成设定作业功能的机器人***。到目前为止，无人驾驶智能车***经过科研人员努力，在长久时间的研究和实验下发展已经取得了令人惊讶的成果和先见经验。在可以提前确定的环境中，与智能车导航与避障策略相关的研究已经取得了可观的成果和应用，但在未知环境中，相关研究取得的成果并不能够实现人们的期望目标。新问题和新要求的产生永远不会停止，由于一些基础理论和技术中的局限性让智能车在实际应用中的问题仍然没有较好的解决方法，没有形成一个完整的理论体系，只有较少的先见知识，还有很多关键理论和实验有待研究和验证。因此，智能车在未知环境、非结构化道路行驶过程中依旧存在种种缺陷。在针对智能车避碰危险度和智能车避碰规则的研究的基础上，利用GSP等设备，提出了通过使用改进分布式遗传算法来规划智能车避碰路径的想法。分布式遗传算法是一种并行算法，具有快速随机搜索能力，在其被提出之后就得到了国内外学者的普遍认可。因此，本发明希望能够探索一种在低速环境下无人驾驶智能车的障碍物检测方法，实现对优化方案的验证。符合目前智能车的发展方向，对于其在相关领域的应用提供经验并有着深远的意义。

发明内容

本发明的目的在于提供使无人智能车可以有效实现多目标无人智能车避碰路径规划的一种改进的多目标无人智能车避碰行驶方法。

本发明的目的是这样实现的：

改进的多目标无人智能车避碰行驶方法，包括如下步骤：

(1)获取无人智能车的位置、姿态角以及障碍物位置；

(2)计算无人智能车的碰撞危险度；

(3)规划多目标无人智能车避碰路径。

获取无人智能车的位置、姿态角以及障碍物位置，具体过程为：

对已知周围道路环境规划出一条无人智能车行驶的最优路径，在未达到避碰要求时无人智能车按照最优路径在道路环境中行驶，扫描监测周围道路环境判断是否存在避碰目标，在行驶中，如果发现道路上存在其它目标，利用无人智能车的传感器，分别测得行驶中无人智能车的位置、姿态角以及障碍物位置。

计算无人智能车的碰撞危险度，具体过程为：

将最近会遇距离、最近会遇时间作为BP神经网络的输入，将无人智能车碰撞危险度作为网络输出。通过BP神经网络，得到各神经元的连接权值和阈值，输出无人智能车碰撞危险度。

规划多目标无人智能车避碰路径的具体过程为：

3.1无人智能车按照出发前规划好的最优路径行驶时，以迭代方式检测道路上存在的其它目标，依据目标参数判断目标的危险度；

3.2若目标的危险度高于0.2则进入避碰程序；否则无人智能车继续沿既定路径行驶；

3.3判断无人智能车与目标的会遇姿态角；

3.4依照***采集到的信息规划合理避碰路径；

3.5若所有目标的危险度小于0.3，则返回到原路径继续行驶；

3.6输出能够规避障碍物的最优可行路径。

以迭代方式检测道路上存在的其它目标具体包括：

3.1.1：对目标进行编码。

3.1.2：将目标作为种群并初始化种群。

3.1.3：产生子群。

3.1.4：在未达到迁移周期T时在子群内部执行原始遗传算法，达到迁移周期T的整数倍后执行3.1.5。

3.1.5：得到各个子群最优个体，从而比较得到种群最优个体，判断是否达到最大迭代次数，若达到最大迭代次数则输出结果，否则进行迁移操作，执行3.1.6。

3.1.6：根据子群再分配公式计算各子群的分配空间，若分配空间大于子群原来空间，则比较判断子群i空间是否大于子群j的空间，若子群i空间大于子群j空间，则复制子群j最优个体到子群i中，否则复制子群i最佳个体到子群j。若分配空间小于子群原来空间，则随意丢弃部分个体。

3.1.7：重组子群，返回步骤3.1.3。

所述的迁移操作包括：

3.1.5.1子群再分配：在进行目标迁移的过程中，计算每个子群中的最优个体的适应度并使每个子群按照适应度由大到小的顺序排队，子群下一次进化得到的空间大小和其当前的适应度成线性关系：

q_j为下一次第j个子群被分配的个体数量，f(q_j)是第j个子群的最优个体的适应度值，

是所有子群的适应度值的和，q是第j个子群的个体数量。

3.1.5.2个体迁移：在子种群中按照适应度值的大小挑选个体作为迁移对象，即挑选适应度函数值高的个体，适应度函数低于阈值的子种群将子群自身的局部最优解迁移到适应度函数高于阈值的子种群，如下式：

M_qj＝{q_i|f(q_j)≤f(q_i)}

其中M_qj表示接受适应度值比自己小的第j个子种群个体的子种群集，i代表与j不同的子群数。

本发明包括以下有益效果：

本发明无人智能车通过收集并分析障碍物信息制定避碰对策，完成对障碍物的躲避的一系列过程，能有效提升无人智能车避障的智能化，减少驾驶人员的工作量；本发明使用分布式遗传算法对无人智能车行驶的路径进行规划，克服了传统算法易于陷于局部最优解的问题，使得规划路径的质量有所提升。本发明通过对不同会遇姿态的检测，设定不同的适应度函数，有利于为无人智能车规划出一条安全又经济的航线。本发明通过根据障碍物危险度及路上避碰规则制定实施避碰策略，确保无人智能车行驶时的安全性。

附图说明

图1为多目标无人智能车避碰行驶方法流程图。

具体实施方式

下面结合附图对本发明作进一步的描述。

本发明涉及的是一种改进的多目标无人智能车避碰行驶方法。改进分布式遗传算法，实现无人智能车在行驶过程中能够自主搜索障碍物，根据障碍物的分布情况实施避碰策略。本发明的目的按以下步骤实现：

1.获取障碍物位置与无人智能车位置姿态角：

由卫星、激光和雷达等位置参考***测得无人智能车与障碍物的位置信息，由电罗经、运动参考单元等测得无人智能车的方向等姿态角信息。对获取的姿态角及位置信息进行滤波及时空对准，得到无人智能车的精确位置姿态与障碍物的位置。

2.建立无人智能车的碰撞危险度模型，计算船舶碰撞危险度。

3.确定目标函数，规划多目标无人智能车避碰路径。

具体细节包括：

一种改进的多目标无人智能车避碰行驶方法，包括如下步骤：

(1)获取无人智能车的位置、姿态角以及障碍物位置；由卫星或激光或雷达测得无人智能车与障碍物的位置信息，由电罗经或运动参考单元测得无人智能车的方向、姿态角信息；对获取的姿态角及位置信息进行滤波及时空对准，得到无人智能车的精确位置姿态与障碍物的位置；

(2)计算无人智能车的碰撞危险度；

(3)规划多目标无人智能车避碰路径。

获取无人智能车的位置、姿态角以及障碍物位置，具体过程为：

对已知周围道路环境规划出一条无人智能车行驶的最优路径，在未达到避碰要求时无人智能车按照最优路径在道路环境中行驶，扫描监测周围道路环境判断是否存在避碰目标，在行驶中，如果发现道路上存在其它目标，利用无人智能车的传感器，分别测得行驶中无人智能车的位置、姿态角以及障碍物位置。

计算无人智能车的碰撞危险度，具体过程为：

将最近会遇距离、最近会遇时间作为BP神经网络的输入，将无人智能车碰撞危险度作为网络输出；通过BP神经网络，得到各神经元的连接权值和阈值，输出无人智能车碰撞危险度。

规划多目标无人智能车避碰路径的具体过程为：

3.1无人智能车按照出发前规划好的最优路径行驶时，以迭代方式检测道路上存在的其它目标，依据目标参数判断目标的危险度；

3.2若目标的危险度高于0.2则进入避碰程序；否则无人智能车继续沿既定路径行驶；

3.3判断无人智能车与目标的会遇姿态角；

3.4依照***采集到的信息规划合理避碰路径；

3.5若所有目标的危险度小于0.3，则返回到原路径继续行驶；

3.6输出能够规避障碍物的最优可行路径。

以迭代方式检测道路上存在的其它目标，具体包括：

3.1.1：对目标进行编码；

3.1.2：将目标作为种群并初始化种群；

3.1.3：产生子群；

3.1.4：在未达到迁移周期T时在子群内部执行原始遗传算法，达到迁移周期T的整数倍后执行3.1.5；

3.1.5：得到各个子群最优个体，从而比较得到种群最优个体，判断是否达到最大迭代次数，若达到最大迭代次数则输出结果，否则进行迁移操作，执行3.1.6；

3.1.6：根据子群再分配公式计算各子群的分配空间，若分配空间大于子群原来空间，则比较判断子群i空间是否大于子群j的空间，若子群i空间大于子群j空间，则复制子群j最优个体到子群i中，否则复制子群i最佳个体到子群j；若分配空间小于子群原来空间，则随意丢弃部分个体；

3.1.7：重组子群，返回步骤3.1.3。

所述的迁移操作包括：

3.1.5.1子群再分配：在进行目标迁移的过程中，计算每个子群中的最优个体的适应度并使每个子群按照适应度由大到小的顺序排队，子群下一次进化得到的空间大小和其当前的适应度成线性关系：

q_j为下一次第j个子群被分配的个体数量，f(q_j)是第j个子群的最优个体的适应度值，

是所有子群的适应度值的和，q是第j个子群的个体数量；

3.1.5.2个体迁移：在子种群中按照适应度值的大小挑选个体作为迁移对象，即挑选适应度函数值高的个体，适应度函数低于阈值的子种群将子群自身的局部最优解迁移到适应度函数高于阈值的子种群，如下式：

M_qj＝{q_i|f(q_j)≤f(q_i)}

其中M_qj表示接受适应度值比自己小的第j个子种群个体的子种群集，i代表与j不同的子群数。

当子种群规模减小时，其中适应度最小的那一部分个体被丢弃；当子种群规模增大时，除了吸收外部来的最优个体外，还要随机复制自己来填充空间。适应度最高的子种群不会迁移任何个体到其它子种群中，而适应度最低的子种群将没有个体迁移过来，并且还要丢失一部分个体

对获取的姿态角及位置信息进行滤波及时空对准包括：

无人智能车行驶方向为：

式中v_Ox，v_Oy分别为无人智能车的速度在参考系x，y轴上速度的大小，β₀为无人智能车初始角度；

根据无人智能车与障碍物的地理坐标解算出无人智能车与障碍物相对距离为：

式中，x_T，y_T为障碍物的横纵坐标；x_O，y_O为无人智能车的横纵坐标。

障碍物相对于无人智能车的真方位为θ_T：

无人智能车相对于障碍物的真方位为θ₀：

障碍物的相位方位为α_T：

障碍物相对于无人智能车的相对行驶向

障碍物位置的获取与无人智能车位置姿态的获取。

对已知周围道路环境规划出一条无人智能车行驶的最优路径，在未达到避碰要求时无人智能车按照最优路径在道路环境中行驶，扫描监测周围道路环境判断是否存在避碰目标，在行驶中，如果发现道路上存在其它目标，利用无人智能车的传感器，分别测得行驶中无人智能车的位置、姿态角以及障碍物位置。

无人智能车行驶方向为：

式中v_Ox，v_Oy分别为无人智能车的速度在参考系x，y轴上速度的大小，β₀为无人智能车初始角度。

根据无人智能车与障碍物的地理坐标解算出无人智能车与障碍物相对距离为：

式中，x_T，y_T为障碍物的横纵坐标；x_O，y_O为无人智能车的横纵坐标。

障碍物相对于无人智能车的真方位为θ_T：

无人智能车相对于障碍物的真方位为θ₀：

障碍物的相位方位为α_T：

障碍物相对于无人智能车的相对行驶向

建立无人智能车的避碰危险度模型，计算出目标与无人智能车碰撞的危险度值。

在行驶过程中，如果发现道路上存在其他目标，利用无人智能车上的测量***测得的目标行驶数据，计算无人智能车危险度。

最近会遇距离：

最近会遇时间：

在无人智能车碰撞危险度的研究中，DCPA和TCPA是影响危险度的两个重要原因。为了使计算的速度快些，将DCPA、TCPA的值作为BP神经网络的输入，将无人智能车碰撞危险度作为网络输出。通过对专家数据的学习，得到各神经元的连接权值和阈值。

遵照交通规则，针对无人智能车与目标具体的会遇姿态，***应作出不同的避碰指令。也就是说，在不同的会遇姿态下，设定不同的适应度函数。为了得到一条安全又经济的行驶，适应度函数应由两部分组成。

第一部分是路径的安全评估函数，先找到危险度最大的目标，求得该目标与无人智能车的最短距离，并且依据提前设定好的安全距离来评价路径的安全性。安全性评价函数如下所示：

其中，x是个体，表示一条航迹，i是该路径上的任意节点，i的取值从1到N-1，N是个体中节点的总数，也就是说每一条路径有N-1个小段

当无人智能车沿着避碰路径行驶时，在不同的小段上会面临不同的会遇局面，每当无人智能车行驶到一个节点，便会对周围所有目标进行检测，求出各个目标的碰撞危险度，并找到与无人智能车碰撞危险度最大的目标。g_i表示无人智能车从第i个节点行驶到第i+1个节点间，与无人智能车碰撞危险度最大的目标与无人智能车的最小距离。d表示设定好的最小安全距离。由于的目标时求取最小值，所以在安全的情况下，即g_i＞d时，clear(x_i)的值便会很小，在不安全时，相反clear(x_i)的值就很大。其中k，h为比例系数，设定k＝0.01，h＝10。

当无人智能车行驶于避让路径时，在不同的节点与目标的会遇姿态都会发生改变，这样将使算法难以实现，于是做出相应的简化。先找到在某一节点与无人智能车碰撞危险度最大的目标，并判断无人智能车与其会遇姿态，这时分析从当前节点到下一个节点无人智能车的位置情况，即可判断无人智能车的转向情况。交通规则评价函数如下所示：

式中：

设定T_Cost(x_i)∈(0,1]，该函数取值越小，说明该段路径越遵守交通规则。首先将每段路径上各目标与无人智能车的碰撞危险度排序，从而找到与无人智能车碰撞危险度最大的目标j，依据目标j与无人智能车所构成的会遇格局，判断每路径对交通规则的符合度。

根据以上两个评价函数，加上合适的权值，构成一个目标函数：

f(x)＝0.5S(x)+0.5T(x)

由于要解决的是最小值问题，根据遗传算法的基本知识，确定适应度函数为：

依据此适应度函数，当种群的进化程度符合终止条件时，最后一代个体中中适应度值最大的个体就是本问题所需要的最优解。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种改进的多目标无人智能车避碰行驶方法，其特征在于，包括如下步骤：

(1)获取无人智能车的位置、姿态角以及障碍物位置；由卫星或激光或雷达测得无人智能车与障碍物的位置信息，由电罗经或运动参考单元测得无人智能车的方向、姿态角信息；对获取的姿态角及位置信息进行滤波及时空对准，得到无人智能车的精确位置姿态与障碍物的位置；

(2)计算无人智能车的碰撞危险度；

(3)规划多目标无人智能车避碰路径。

2.根据权利要求1所述的一种改进的多目标无人智能车避碰行驶方法，其特征在于，获取无人智能车的位置、姿态角以及障碍物位置，具体过程为：

对已知周围道路环境规划出一条无人智能车行驶的最优路径，在未达到避碰要求时无人智能车按照最优路径在道路环境中行驶，扫描监测周围道路环境判断是否存在避碰目标，在行驶中，如果发现道路上存在避碰目标，利用无人智能车的传感器，分别测得行驶中无人智能车的位置、姿态角以及障碍物位置。

3.根据权利要求2所述的一种改进的多目标无人智能车避碰行驶方法，其特征在于，计算无人智能车的碰撞危险度，具体过程为：

将最近会遇距离、最近会遇时间作为BP神经网络的输入，将无人智能车碰撞危险度作为网络输出；通过BP神经网络，得到各神经元的连接权值和阈值，输出无人智能车碰撞危险度。

4.根据权利要求3所述的一种改进的多目标无人智能车避碰行驶方法，其特征在于，规划多目标无人智能车避碰路径的具体过程为：

3.1无人智能车按照出发前规划好的最优路径行驶时，以迭代方式检测道路上存在的其它目标，依据目标参数判断目标的危险度；

3.2若目标的危险度高于0.2则进入避碰程序；否则无人智能车继续沿既定路径行驶；

3.3判断无人智能车与目标的会遇姿态角；

3.4依照***采集到的信息规划合理避碰路径；

3.5若所有目标的危险度小于0.3，则返回到原路径继续行驶；

3.6输出能够规避障碍物的最优可行路径。

5.根据权利要求4所述的一种改进的多目标无人智能车避碰行驶方法，其特征在于，以迭代方式检测道路上存在的其它目标，具体包括：

3.1.1：对目标进行编码；

3.1.2：将目标作为种群并初始化种群；

3.1.3：产生子群；

3.1.4：在未达到迁移周期T时在子群内部执行原始遗传算法，达到迁移周期T的整数倍后执行3.1.5；

3.1.5：得到各个子群最优个体，从而比较得到种群最优个体，判断是否达到最大迭代次数，若达到最大迭代次数则输出结果，否则进行迁移操作，执行3.1.6；

3.1.6：根据子群再分配公式计算各子群的分配空间，若分配空间大于子群原来空间，则比较判断子群i空间是否大于子群j的空间，若子群i空间大于子群j空间，则复制子群j最优个体到子群i中，否则复制子群i最佳个体到子群j；若分配空间小于子群原来空间，则随意丢弃部分个体；

3.1.7：重组子群，返回步骤3.1.3。

6.根据权利要求5所述的一种改进的多目标无人智能车避碰行驶方法，其特征在于，所述的迁移操作包括：

3.1.5.1子群再分配：在进行目标迁移的过程中，计算每个子群中的最优个体的适应度并使每个子群按照适应度由大到小的顺序排队，子群下一次进化得到的空间大小和其当前的适应度成线性关系：

q_j为下一次第j个子群被分配的个体数量，f(q_j)是第j个子群的最优个体的适应度值，

是所有子群的适应度值的和，q是第j个子群的个体数量；

3.1.5.2个体迁移：在子种群中按照适应度值的大小挑选个体作为迁移对象，即挑选适应度函数值高的个体，适应度函数低于阈值的子种群将子群自身的局部最优解迁移到适应度函数高于阈值的子种群，如下式：

M_qj＝{q_i|f(q_j)≤f(q_i)}

其中M_qj表示接受适应度值比自己小的第j个子种群个体的子种群集，i代表与j不同的子群数。

7.根据权利要求5所述的一种改进的多目标无人智能车避碰行驶方法，其特征在于，对获取的姿态角及位置信息进行滤波及时空对准包括：

无人智能车行驶方向为：

式中v_Ox，v_Oy分别为无人智能车的速度在参考系x，y轴上速度的大小，β₀为无人智能车初始角度；

根据无人智能车与障碍物的地理坐标解算出无人智能车与障碍物相对距离为：

式中，x_T，y_T为障碍物的横纵坐标；x_O，y_O为无人智能车的横纵坐标。

障碍物相对于无人智能车的真方位为θ_T：

无人智能车相对于障碍物的真方位为θ₀：

障碍物的相位方位为α_T：

障碍物相对于无人智能车的相对行驶向

8.根据权利要求3所述的一种改进的多目标无人智能车避碰行驶方法，其特征在于，所述的最近会遇距离：

最近会遇时间：

B为通过对专家数据的学习，得到各神经元的连接权值和阈值。

Images