CN113741453B - 一种非结构化环境的路径规划方法、装置、设备和介质 - Google Patents
一种非结构化环境的路径规划方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN113741453B CN113741453B CN202111017128.5A CN202111017128A CN113741453B CN 113741453 B CN113741453 B CN 113741453B CN 202111017128 A CN202111017128 A CN 202111017128A CN 113741453 B CN113741453 B CN 113741453B
- Authority
- CN
- China
- Prior art keywords
- grid
- target
- path
- obstacle
- sampling
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005070 sampling Methods 0.000 claims abstract description 245
- 238000010586 diagram Methods 0.000 claims description 40
- 238000013138 pruning Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 18
- 238000004364 calculation method Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000004888 barrier function Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- 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
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种非结构化环境的路径规划方法、装置、设备和介质，应用于自动驾驶车辆，方法包括：响应移动至目标位置的行驶指令，获取多个障碍物分别对应的障碍物轮廓和障碍物类型；根据障碍物类型对预设的初始网格图内的各个障碍物轮廓进行调整，得到动态网格图；遍历动态网格图，获得与周围障碍物的欧式距离最远的目标网格，以目标位置和自动驾驶车辆的当前位置距离最近的目标网格为终点和起点，从起点开始选取相邻目标网格进行连接，构建最短可连通路径，并从中提取多个启发式采样点进行路径搜索，生成目标路径。通过动态网格图对非结构环境进行分析，减少路径搜索算法输入的采样点数量，从而减少路径规划所需要的计算耗时与随机性。
Description
技术领域
本发明涉及路径规划技术领域，尤其涉及一种非结构化环境的路径规划方法、装置、设备和介质。
背景技术
随着科技的不断发展，自动驾驶越来越受到人们的青睐，许多车辆也配置了自动驾驶功能。在对自动驾驶的研究中，通常主要集中在感知、决策、路径规划、车辆自动控制等几个领域，而路径规划作为车辆行驶路径的设定，车辆自动控制的前提基础，其具有极其重要的地位。
在实际行驶过程中，自动驾驶车辆不仅在结构化道路上行驶，还会面临停车场和城中村等复杂狭窄的非结构化道路环境。
为此，现有技术通常是采用基于采样的路径搜索算法进行路径规划，以使自动驾驶车辆摆脱当前复杂狭窄的道路环境。然而由于采样随机性与环境复杂度的影响，难以快速准确地对可连通的关键点进行采样，所规划的路径存在随机性，可能并不适合当前车辆的行驶，重复迭代规划的次数过多，进而导致路径规划的成本增加。
发明内容
本发明提供了一种非结构化环境的路径规划方法、装置、设备和介质，解决了现有的路径规划方法由于采样随机性与环境复杂度的影响，难以快速准确地对可连通的关键点进行采样，所规划的路径存在随机性，可能并不适合当前车辆的行驶，重复迭代规划的次数过多，进而导致路径规划的成本增加的技术问题。
本发明第一方面提供的一种非结构化环境的路径规划方法，应用于自动驾驶车辆，所述方法包括：
响应移动至目标位置的行驶指令，获取当前环境信息；所述当前环境信息包括多个障碍物分别对应的障碍物轮廓和障碍物类型；
根据所述障碍物类型对预设的初始网格图内的各个所述障碍物轮廓进行调整，得到动态网格图；
遍历所述动态网格图，获取距离所述障碍物轮廓最远的目标网格；
从所述目标网格内选取距离所述自动驾驶车辆的当前位置最近的目标网格为初始搜索网格，距离所述目标位置最近的目标网格为目标搜索网格，并沿相邻的所述目标网格连接，构建最短可连通路径；
从所述最短可连通路径上提取多个启发式采样点；
采用所述多个启发式采样点进行路径搜索，生成目标路径。
可选地，所述根据所述障碍物类型对预设的初始网格图内的各个所述障碍物轮廓进行调整，得到动态网格图的步骤，包括：
采用所述当前位置作为网格原点结合预定规格的网格，创建初始网格图；
采用所述障碍物类型作为关键字检索预设的映射关系库，确定对应的障碍物轮廓调整策略；
按照所述障碍物轮廓调整策略调整所述初始网格图内的各个障碍物轮廓，得到包含目标障碍物轮廓的动态网格图。
可选地，所述当前环境信息还包括多个所述障碍物分别对应的障碍物位置；所述遍历所述动态网格图，获取距离所述障碍物轮廓最远的目标网格的步骤，包括：
遍历所述动态网格图内的所有网格，确定与各个所述障碍物的欧式距离最远的网格作为中间网格；
分别判断每个所述中间网格是否满足剪枝条件；
将满足所述剪枝条件的所述中间网格确定为目标网格。
可选地，所述从所述目标网格内选取距离所述自动驾驶车辆的当前位置最近的目标网格为初始搜索网格，距离所述目标位置最近的目标网格为目标搜索网格，并沿相邻的所述目标网格连接，构建最短可连通路径的步骤，包括：
从所述目标网格内选取距离所述自动驾驶车辆的当前位置最近的目标网格作为初始搜索网格；
从所述目标网格内选取距离所述目标位置最近的目标网格作为目标搜索网格；
逐一计算所述初始搜索网格与各个相邻的所述目标网格之间的网格距离；
连接所述初始搜索网格与所述网格距离最小的所述目标网格，得到中间路径；
将所述网格距离最小的所述目标网格作为新的初始搜索网格，跳转执行所述逐一计算所述初始搜索网格与各个相邻的所述目标网格之间的网格距离的步骤，直至所述目标网格与所述目标搜索网格重合，得到最短可连通路径。
可选地，所述从所述最短可连通路径上提取多个启发式采样点的步骤，包括：
遍历所述最短可连通路径上的所述目标网格，确定每个所述目标网格与最近的所述障碍物之间的待定空间距离；
比较所述待定空间距离、预设的最小空间距离和预设的最大空间距离，基于比较结果确定启发式采样点对应的采样间隔；
按照所述采样间隔在所述最短可连通路径上分别进行横向区域采样和角度区域采样，得到多个启发式采样点。
可选地，所述比较所述待定空间距离、预设的最小空间距离和预设的最大空间距离，基于比较结果确定启发式采样点对应的采样间隔的步骤，包括：
比较所述待定空间距离、预设的最小空间距离和预设的最大空间距离；
若所述待定空间距离小于或等于所述最小空间距离，则将启发式采样点对应的采样间隔确定为预设的密集采样间隔；
若所述待定空间距离大于所述最小空间距离且小于所述最大空间距离，则将启发式采样点对应的采样间隔确定为预设的正常采样间隔；
若所述待定空间距离大于所述最大空间距离，则将所述启发式采样点对应的采样间隔确定为预设的稀疏采样间隔。
可选地，所述启发式采样点包括横向采样点和方向采样点；所述按照所述采样间隔在所述最短可连通路径上分别进行横向区域采样和角度区域采样，得到多个启发式采样点的步骤，包括：
以距离所述自动驾驶车辆的当前位置最近的目标网格作为起点，距离所述目标位置最近的目标网格为终点，按照所述采样间隔在所述最短可连通路径上分别确定多个中间采样点；
以各个所述中间采样点的方向为基点旋转预设采样角度后的方向作为角度采样方向，沿所述角度采样方向执行点采样操作，得到多个方向采样点；
以各个所述中间采样点为中心，沿所述最短可连通路径的垂直方向执行预定横向距离的点采样操作，得到多个横向采样点。
可选地，所述采用所述多个启发式采样点进行路径搜索，生成目标路径的步骤，包括：
以所述自动驾驶车辆的当前位置为搜索起点，检索在预设的搜索范围内的启发式采样点作为初始路径点；
计算所述自动驾驶车辆的当前位置与每个所述初始路径点之间的欧氏距离，确定所述欧氏距离最小的所述初始路径点作为目标路径点；
连接所述搜索起点与所述目标路径点，得到初始目标路径；
判断所述初始目标路径是否与各个所述障碍物存在交集；
若不存在交集，则将所述搜索起点更新为所述目标路径点，跳转执行所述以所述自动驾驶车辆的当前位置为搜索起点，检索在预设的搜索范围内的启发式采样点作为初始路径点的步骤，直至所述目标路径点与所述目标位置重合；
采用当前时刻的初始目标路径确定为目标路径。
可选地，所述方法还包括：
当所述当前环境信息变更时，采用变更后的当前环境信息对所述动态网格图进行更新，得到新的动态网格图。
本发明第二方面提供了一种非结构化环境的路径规划装置，应用于自动驾驶车辆，所述装置包括：
当前环境信息获取模块，用于响应移动至目标位置的行驶指令，获取当前环境信息；所述当前环境信息包括多个障碍物分别对应的障碍物轮廓和障碍物类型；
动态网格图构建模块，用于根据所述障碍物类型对预设的初始网格图内的各个所述障碍物轮廓进行调整，得到动态网格图；
目标网格获取模块，用于遍历所述动态网格图，获取距离所述障碍物轮廓最远的目标网格；
最短可连通路径构建模块，用于从所述目标网格内选取距离所述自动驾驶车辆的当前位置最近的目标网格为初始搜索网格，距离所述目标位置最近的目标网格为目标搜索网格，并沿相邻的所述目标网格连接，构建最短可连通路径；
启发式采样点提取模块，用于从所述最短可连通路径上提取多个启发式采样点；
路径搜索模块，用于采用所述多个启发式采样点进行路径搜索，生成目标路径。
本发明第三方面提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如本发明第一方面任一项所述的非结构化环境的路径规划方法的步骤。
本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如本发明第一方面任一项所述的非结构化环境的路径规划方法。
从以上技术方案可以看出，本发明具有以下优点：
在本发明中，自动驾驶车辆响应于服务器或云端发送的移动至目标位置的行驶指令，获取自动驾驶车辆所对应的当前环境信息，根据当前环境信息所包括的各个障碍物类型对相应的障碍物轮廓进行调整，并构建自动驾驶车辆所处当前位置的动态网格图，通过遍历动态网格图内的全部网格，获得与周围障碍物的欧式距离最远的目标网格，以目标位置和自动驾驶车辆的当前位置距离最近的目标网格为终点和起点，从起点开始选取相邻目标网格进行连接，构建最短可连通路径，再从最短可连通路径上提取多个启发式采样点，最后采用多个启发式采样点作为路径搜索算法的输入进行路径搜索，生成自动驾驶车辆当前位置所对应的目标路径。以通过动态网格图的形式分析自动驾驶车辆当前所处非结构环境内的障碍物轮廓以及位置，减少路径搜索算法所输入的无用采样点，从而减少路径规划过程所需要的计算耗时与随机性，进而降低路径规划成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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。
图1为本发明实施例一提供的一种非结构化环境的路径规划方法的步骤流程图；
图2为本发明实施例二提供的一种非结构化环境的路径规划方法的步骤流程图；
图3为本发明实施例二提供的一种动态网格图；
图4a为本发明实施例二提供的当前网格与相邻网格之间的部分连通路径示意图；
图4b为本发明实施例二提供的当前网格与相邻网格之间的部分等待连通路径示意图；
图5为本发明实施例二提供的横向采样点和方向采样点的获取过程示意图；
图6为本发明实施例三提供的一种非结构化环境的路径规划装置的结构框图。
具体实施方式
本发明实施例提供了一种非结构化环境的路径规划方法、装置、设备和介质，用于解决现有的路径规划方法由于采样随机性与环境复杂度的影响，难以快速准确地对可连通的关键点进行采样，所规划的路径存在随机性，可能并不适合当前车辆的行驶，重复迭代规划的次数过多，进而导致路径规划的成本增加的技术问题。
非结构化环境指的是障碍物布局复杂且不规则的环境，通常存在多个障碍物随机排列，且道路规划较为复杂狭窄，例如城中村、大型停车场等场景。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例一提供的一种非结构化环境的路径规划方法的步骤流程图，本发明实施例的方法可以通过非结构化环境的路径规划装置实现，以下对本方法实施例进行详细描述。
本发明提供的一种非结构化环境的路径规划方法，应用于自动驾驶车辆，方法包括以下步骤：
步骤101，响应移动至目标位置的行驶指令，获取当前环境信息；当前环境信息包括多个障碍物分别对应的障碍物轮廓和障碍物类型；
本发明实施例中的自动驾驶车辆指的是通过视频摄像头、各种传感器以及激光测距器等设备获取并分析周围的交通状况，并基于标注详尽的地图进行导航行驶的车辆。其中还设有中央处理器，通过根据各个设备所获取到的当前环境信息，对车辆当前所处环境进行分析，构建可行导航线路。
在本发明实施例中，当自动驾驶车辆接收到外部或云端服务器发送的移动至目标位置的行驶指令时，通过设置在自动驾驶车辆上的各种传感器例如障碍物传感器、测距传感器等设备，获取当前自动驾驶车辆所处的当前环境信息，以确定自动驾驶车辆周围的多个障碍物对应信息。
需要说明的是，当前环境信息可以包括多个障碍物分别对应的障碍物轮廓和障碍物类型等信息。障碍物轮廓指的是各种障碍物对应的标注框，障碍物类型指的是通过传感器识别或上游感知模块所确定的障碍物类型，包括但不限于卡车、轿车、行人、自行车和视觉盲区等。
步骤102，根据障碍物类型对预设的初始网格图内的各个障碍物轮廓进行调整，得到动态网格图；
在获取到自动驾驶车辆所对应的当前环境信息后，为增加后续路线规划的容错能力，可以预先创建初始网格图，再根据各个障碍物类所对应的障碍物类型，分别对初始网格图内各自对应的障碍物轮廓进行调整。在对各个障碍物轮廓调整后，可以基于自动驾驶车辆的当前位置进行动态网格图的构建，以将调整后的各个障碍物轮廓囊括在与自动驾驶车辆相同的动态网格图中。
值得一提的是，当自动驾驶车辆的当前位置发生变化时，动态网格图也会随着当前位置的更新而更新，以提供最新的障碍物位置、轮廓等信息。
步骤103，遍历动态网格图，获取距离障碍物轮廓最远的目标网格；
步骤104，从目标网格内选取距离自动驾驶车辆的当前位置最近的目标网格为初始搜索网格，距离目标位置最近的目标网格为目标搜索网格，并沿相邻的目标网格连接，构建最短可连通路径；
最短可连通路径指的是在动态网格图中，以距离自动驾驶车辆的当前位置最近的目标网格为起点，目标位置所处网格为终点，由多个距离障碍物位置最远的目标网格连接构成的最短路径。
在本发明实施例中，在构建得到动态网格图后，可以通过遍历动态网格图内的全部网格，分别确定各个网格与最为接近的障碍物之间的距离，选取距离障碍物轮廓最远的网格作为目标网格。在得到目标网格后，可以从中选取距离自动驾驶车辆的当前位置最近的目标网格作为初始搜索网格，选取距离目标位置最近的目标网格作为目标搜索网格，从初始搜索网格开始沿相邻的目标网格开始搜索，选取距离最近的目标网格进行连接，直至距离最近的目标网格与目标搜索网格重叠，从而构建得到最短可连通路径。
步骤105，从最短可连通路径上提取多个启发式采样点；
在本发明实施例中，在确定最短可连通路径后，为减少后续路径搜索过程的无用采样点数量，可以按照预定规则从最短可连通路径上进行启发式采样点的提取。
在具体实现中，可以根据最短可连通路径与障碍物位置之间的距离，选取不同密集度进行启发式采样点的提取，例如在距离障碍物位置大于某一最大阈值时，表明此时周围环境较为开阔，所提取的启发式采样点的密集程度可以降低，以减少不必要的计算量；若是距离障碍物位置小于某一最小阈值时，表明此时周围环境较为狭窄，需要进行密集程度较高的启发式采样点采样；若是距离适中，则可以按照正常密集程度进行启发式采样点采样，从而平衡在最短可连通路径上的资源消耗量。
步骤106，采用多个启发式采样点进行路径搜索，生成目标路径。
在本发明的一个示例中，在通过上述处理提取得到多个启发式采样点后，可以采用其作为路径搜索算法的输入进行路径搜索，以生成从自动驾驶车辆的当前位置到目标位置的目标路径。
在本发明实施例中，自动驾驶车辆响应于服务器或云端发送的移动至目标位置的行驶指令，获取自动驾驶车辆所对应的当前环境信息，根据当前环境信息所包括的各个障碍物类型对相应的障碍物轮廓进行调整，并构建自动驾驶车辆所处当前位置的动态网格图，通过遍历动态网格图内的全部网格，获得与周围障碍物的欧式距离最远的目标网格，以目标位置和自动驾驶车辆的当前位置距离最近的目标网格为终点和起点，从起点开始选取相邻目标网格进行连接，构建最短可连通路径的，再从最短可连通路径上提取多个启发式采样点，最后采用多个启发式采样点作为路径搜索算法的输入进行路径搜索，生成自动驾驶车辆当前位置所对应的目标路径。以通过动态网格图的形式分析自动驾驶车辆当前所处非结构环境内的障碍物轮廓以及位置，减少路径搜索算法所输入的无用采样点，从而减少路径规划过程所需要的计算耗时与随机性，进而降低路径规划成本。
请参阅图2，图2为本发明实施例二提供的一种非结构化环境的路径规划方法的步骤流程图。
本发明提供的一种非结构化环境的路径规划方法，应用于自动驾驶车辆，方法包括以下步骤：
步骤201，响应移动至目标位置的行驶指令，获取当前环境信息；当前环境信息包括多个障碍物分别对应的障碍物轮廓和障碍物类型；
本发明实施例中的自动驾驶车辆指的是通过视频摄像头、各种传感器以及激光测距器等设备获取并分析周围的交通状况，并基于标注详尽的地图进行导航行驶的车辆。其中还设有中央处理器，通过根据各个设备所获取到的当前环境信息，对车辆当前所处环境进行分析，构建可行导航线路。
在本发明实施例中，当自动驾驶车辆接收到外部或云端服务器发送的移动至目标位置的行驶指令时，通过设置在自动驾驶车辆上的各种传感器例如障碍物传感器、测距传感器等设备，获取当前自动驾驶车辆所处的当前环境信息，以确定自动驾驶车辆周围的多个障碍物对应信息。
需要说明的是，当前环境信息可以包括多个障碍物分别对应的障碍物轮廓、障碍物类型和障碍物位置等信息。障碍物轮廓指的是各种障碍物对应的标注框，障碍物类型指的是通过传感器识别或上游感知模块所确定的障碍物类型，包括但不限于卡车、轿车、行人、自行车和视觉盲区等；障碍物位置的是障碍物与自动驾驶车辆当前位置的相对位置。
步骤202，根据障碍物类型对预设的初始网格图内的各个障碍物轮廓进行调整，得到动态网格图；
可选地，步骤202可以包括以下子步骤：
采用当前位置作为网格原点结合预定规格的网格，创建初始网格图；
采用障碍物类型作为关键字检索预设的映射关系库，确定对应的障碍物轮廓调整策略；
按照障碍物轮廓调整策略调整初始网格图内的各个障碍物轮廓，得到包含目标障碍物轮廓的动态网格图。
本发明实施例中的映射关系库指的是包括障碍物类型—障碍物轮廓调整策略的数据库，其中障碍物类型可以包括但不限于轿车、卡车、自行车和视觉盲区等，障碍物轮廓调整策略包括但不限于：若障碍物类型为轿车，则按照同等大小增加障碍物轮廓的长度与宽度；若障碍物类型为视觉盲区，则按照距离视觉盲区最近的障碍物类型进行对应的长度与宽度调整；若障碍物类型为卡车，则分别增加障碍物轮廓的长度和宽度，长度调整幅度为宽度调整幅度的N1倍，N1为正数，N1＞1；若障碍物类型为自行车，则分别增加障碍物轮廓的长度和宽度，宽度调整幅度为长度调整幅度的N2倍，N2为正数，N2＞1；对于 N1或N2的具体数值，本发明实施例对此不作限制。
在本发明的一个示例中，为增加后续路线规划的容错能力，在获取到当前环境内的多个障碍物的障碍物类型和障碍物轮廓后，可以先采用自动驾驶车辆的当前位置作为网格原点，以预定规格的网格创建初始网格图。再采用障碍物类型作为关键字对预设的映射关系库进行检索，以确定各个障碍物轮廓所需要执行的障碍物轮廓调整策略；再基于障碍物轮廓调整策略对初始网格图内的各个障碍物轮廓进行调整，从而得到调整后的目标障碍物轮廓，以及包括全部目标障碍物轮廓的动态网格图。
如图3所示，调整幅度为2，若障碍物类型为轿车，则可以将轿车的原障碍物轮廓a*a增加为(a+2)*(a+2)；若障碍物类型为卡车，长度与宽度的倍数为1.1，则可以将卡车的原障碍物轮廓b*c增加为(2.2+1.1b)*(2+c)；若障碍物类型为视觉盲区，视觉盲区与卡车的距离最近，则可以将视觉盲区所对应的障碍物轮廓调整策略确定与卡车的障碍物轮廓调整策略相同，可以将视觉盲区的原障碍物轮廓d*e增加为(2.2+1.1d)*(2+e)；若障碍物类型为自行车，则宽度与长度的倍数为1.1，则可以将自行车的原障碍物轮廓f*g调整为 (2+f)*(2.2+1.1g)，从而得到各个障碍物类型对应的目标障碍物轮廓，生成动态网格图。
步骤203，遍历动态网格图，获取距离障碍物轮廓最远的目标网格；
可选地，当前环境信息还包括多个障碍物分别对应的障碍物位置，步骤 203可以包括以下子步骤S11-S13：
S11、遍历动态网格图内的所有网格，确定与各个障碍物位置之间的欧式距离最远的网格作为中间网格；
在本发明实施例中，在获取到动态网格图后，可以通过遍历动态网格图内的所有网格，分别计算每个网格与最近的障碍物位置之间的欧式距离；在得到各个欧式距离后，比较相邻网格对应的欧式距离，确定欧式距离最远的网格作为中间网格。
需要说明的是，在动态网格图中，被障碍物占据的网格都表示为零单位网格距离。
S12、分别判断每个中间网格是否满足剪枝条件；
S13、将满足剪枝条件的中间网格确定为目标网格；
在本发明实施例中的剪枝条件指的是当前网格和相邻网格之间存在唯一确定的连通路径。若当前网格和相邻网格之间存在的连通路径不唯一，则进一步将各个相邻网格分别作为当前网格，再次判断是否满足剪枝条件。
在本发明的一个示例中，在获取到动态网格图筛选得到的中间网格后，分别判断每个中间网格是否满足剪枝条件，将满足剪枝条件的中间网格确定为目标网格，以提供后续最短可连通路径的数据基础。
在本实施例中，在动态网格图内所有离障碍物最远的网格，也就是中间网格标识为*，其余的数字标识则表示在动态网格图中除中间网格外的其他网格。当前网格指的是九宫格排列中处于正中央位置的中间网格，其余则为相邻网格。
在具体实现中，若当前网格与相邻网格之间的连通路径唯一，如图4a中的A、B、C或D所示，而对于当前网格与相邻网格的排列如图4b中的E、F 或G时，表明此时的当前网格不能被判定是否为连通路径的一部分，此时可以进一步以相邻网格作为当前网格再次进行剪枝条件的判断进行确定。
可选地，满足剪枝条件的中间网格除图4a中的A、B、C或D外，还可以包括其中心旋转后的其他类型网格。
步骤204，从目标网格内选取距离自动驾驶车辆的当前位置最近的目标网格为初始搜索网格，距离目标位置最近的目标网格为目标搜索网格，并沿相邻的目标网格连接，构建最短可连通路径。
可选地，步骤204可以包括以下子步骤S21-S25：
S21、从目标网格内选取距离自动驾驶车辆的当前位置最近的目标网格作为初始搜索网格；
S22、从目标网格内选取距离目标位置最近的目标网格作为目标搜索网格；
S23、逐一计算初始搜索网格与各个相邻的目标网格之间的网格距离；
S24、连接初始搜索网格与网格距离最小的目标网格，得到中间路径；
S25、将网格距离最小的目标网格作为新的初始搜索网格，跳转执行逐一计算初始搜索网格与各个相邻的目标网格之间的网格距离的步骤，直至目标网格与目标搜索网格重合，得到最短可连通路径。
在本发明实施例中，每个网格对应的网格距离为1，在对中间网格进行筛选得到目标网格后，从中选取距离自动驾驶车辆的当前位置最近的目标网格作为初始搜索网格，选取距离目标位置最近的目标网格作为目标搜索网格，以此作为最短可连通路径的起点和终点。再逐一计算初始搜索网格与各个相邻的目标网格之间的网格距离，选取网格距离最小的目标网格作为连接目标与初始搜索网格进行连接，得到中间路径；再采用网格距离最小的目标网格作为新的初始搜索网格，再次跳转执行步骤S23，直至目标网格与目标搜索网格重合，表明此时路径搜索已到达目标位置最近的目标网格，将当前时刻的中间路径作为最短可连通路径，从而实现从自动驾驶车辆的当前位置所处网格逐步延伸至目标网格的最短可连通路径的搜索。
在具体实现中，为减少计算资源消耗，可以采用图搜索算法，例如A*(A- staralgorithm)或者Dijkstra算法，根据剪枝条件筛选得到的目标网格进行图搜索，确定最短可连通路径。
需要说明的是，A*算法是一种静态路网中求解最短路径最有效的直接搜索方法，表达式为f(n)＝g(n)+h(n)，其中f(n)是从初始状态经由状态n到目标状态的最小代价估计，g(n)是在状态空间中从初始状态到状态n的最小代价， h(n)是从状态n到目标状态的路径的最小估计代价。Dijkstra(迪杰斯特拉)算法是典型的单源最短路径算法，用于计算一个节点到其他所有节点的最短路径。主要特点是以起始点为中心向外层层扩展，直到扩展到终点为止。
步骤205，遍历最短可连通路径上的目标网格，确定每个目标网格与最近的障碍物之间的待定空间距离；
在本发明实施例中，在确定最短可连通路径后，由于最短可连通路径所构建的仅是动态网格图内网格与网格之间的直线连接，并不能供自动驾驶车辆使用。此时为生成后续自动驾驶车辆的可行路径，可以通过遍历最短可连通路径上的目标网格，分别确定每个目标网格和与之最近的障碍物之间的待定空间距离。
需要说明的是，待定空间距离可以通过障碍物位置和目标网格之间的欧几里得距离进行确定。
可选地，还可以通过取目标网格中点与障碍物位置所对应的坐标进行欧几里得距离的计算。
步骤206，比较待定空间距离、预设的最小空间距离和预设的最大空间距离，基于比较结果确定启发式采样点对应的采样间隔；
在本发明实施例中的最小空间距离指的是自动驾驶车辆与障碍物之间的最小可通过距离dshort，最大空间距离指的是自动驾驶车辆与障碍物之间的最大可通过距离dlong，dshort≠dlong，本发明实施例对具体的距离数值并不限制。
在本发明实施例中，将待定空间距离、最小空间距离和最大空间距离进行比较，基于比较结果确定启发式采样点所采用的采样间隔。
进一步地，步骤206可以包括以下子步骤：
比较待定空间距离、预设的最小空间距离和预设的最大空间距离；
若待定空间距离小于或等于最小空间距离，则将启发式采样点对应的采样间隔确定为预设的密集采样间隔；
若待定空间距离大于最小空间距离且小于最大空间距离，则将启发式采样点对应的采样间隔确定为预设的正常采样间隔；
若待定空间距离大于最大空间距离，则将启发式采样点对应的采样间隔确定为预设的稀疏采样间隔。
在本发明实施例中，待定空间距离、最小空间距离和最大空间距离的比较过程可以表示如下：
其中，dspace为采样间隔，dshort为预设的最小空间距离，dlong为预设的最大空间距离，ddense为预设的密集采样间隔，dnormal为预设的正常采样间隔， dcoarse为预设的稀疏采样间隔，dobstacle为待定空间距离。
在本发明的一个示例中，通过比较待定空间距离、最小空间距离和最大空间距离。若是待定空间距离小于或等于最小空间距离，则表明目标网格距离障碍物的距离比较近，周围环境十分狭窄，此时需要进行密集采样以获取自动驾驶车辆的关键采样点，将启发式采样点的采样间隔确定为密集采样间隔。
若是待定空间距离大于最小空间距离且小于最大空间距离，则表明目标网格距离障碍物的距离适中，自动驾驶车辆所处的环境狭窄程度适中，此时可以设定采样间隔为正常采集间隔，通过固定距离的采样间隔进行启发式采样点的采样；若是待定空间距离大于最大空间距离，则表明自动驾驶车辆处于较为宽阔的环境中，此时为减少计算消耗量，可以将采样间隔设定为稀疏采样间隔进行启发式采样点的采样。
步骤207，按照采样间隔在最短可连通路径上分别进行横向区域采样和角度区域采样，得到多个启发式采样点。
进一步地，启发式采样点包括横向采样点和方向采样点，步骤207可以包括以下子步骤：
以距离自动驾驶车辆的当前位置最近的目标网格作为起点，距离目标位置最近的目标网格为终点，按照采样间隔在最短可连通路径上分别确定多个中间采样点；
以各个中间采样点的方向为基点旋转预设采样角度后的方向作为角度采样方向，沿角度采样方向执行点采样操作，得到多个方向采样点；
以各个中间采样点为中心，沿最短可连通路径的垂直方向执行预定横向距离的点采样操作，得到多个横向采样点。
在本发明实施例中，启发式采样点可以包括横向采样点和方向采样点，通过以距离自动驾驶车辆的当前位置的目标网格为起点，距离目标位置最近的目标网格为终点，按照采样间隔在最短可连通路径上分别确定多个中间采样点，准备进行不同方向的启发式采样点的采样。
同时，自动驾驶车辆需要满足碰撞检测和跟车距离的需求，因此在确定得到多个中间采样点后，以各个中间采样点为基点旋转预设采样角度，以此作为角度采样方向，沿角度采样方向在每个中间采样点执行点采样操作，得到多个方向采样点。从而满足在狭窄环境中自动驾驶车辆的碰撞检测要求，避免车辆的轮廓与环境中的障碍物发生碰撞，进而提高随机采样算法得到可行路径的成功率，实现方向区域采样。而横向区域采样的目的主要是针对不同类型的障碍物，随机采样的算法能够在横向上与障碍物保持不同程度的距离，可以各个中间采样点为中心，沿当前中间采样点的最短可连通路径的垂直方向执行预定横向距离的点采样操作，从而得到多个横向采样点。
需要说明的是，预定横向距离可以根据最近的障碍物类型进行动态调整，例如针对大型障碍物如卡车、公交或者视觉盲区，横向距离设置为较为稀疏；针对小型障碍物如行人、交通锥或自行车等，横向距离可以设置为较为密集。
请参阅图5，图5示出了本发明实施例中的横向采样点和方向采样点的获取过程示意图。
在本发明实施例中，由于脱离了动态网格图的限制，在确定最短可连通路径和采样间隔后，在最短可连通路径上按照采样间隔选定多个中间采样点，以及在最短可连通路径的垂直方向上选定的多个预定横向距离的额外点作为横向起点，从横向起点开始，沿最短可连通方向执行点采样操作。
在本发明实施例中，由于脱离了动态网格图的限制，在确定最短可连通路径和采样间隔后，在最短可连通路径上按照采样间隔选定多个中间采样点，从多个中间采样点按照预定的角度采样方向执行点采样操作，获取到多个方向采样点。
步骤208，采用多个启发式采样点进行路径搜索，生成目标路径。
可选地，步骤208可以包括以下子步骤：
以自动驾驶车辆的当前位置为搜索起点，检索在预设的搜索范围内的启发式采样点作为初始路径点；
计算自动驾驶车辆的当前位置与每个初始路径点之间的欧氏距离，确定欧氏距离最小的初始路径点作为目标路径点；
连接搜索起点与目标路径点，得到初始目标路径；
判断初始目标路径是否与各个障碍物存在交集；
若不存在交集，则将搜索起点更新为目标路径点，跳转执行以自动驾驶车辆的当前位置为搜索起点，检索在预设的搜索范围内的启发式采样点作为初始路径点的步骤，直至目标路径点与目标位置重合；
采用当前时刻的初始目标路径确定为目标路径。
在本发明实施例中，可以自动驾车车辆的当前位置为起点，在预设的搜索范围内的启发式采样点进行检索，以得到初始路径点；再计算自动驾驶车辆的当前位置和每个初始路径点之间的欧氏距离，确定欧氏距离最小的初始路径点为目标路径点。以弧线连接搜索起点和目标路径点，得到初始目标路径，判断初始目标路径是否与各个障碍物存在交集，若是不存在交集，表明此时初始目标路径满足碰撞检测要，此时可以将搜索起点更新为目标路径点，再次执行检索过程，直至目标路径点和目标位置重合，将当前时刻的初始目标路径确定为目标路径进行输出。
若是初始目标路径与障碍物存在交集，表明此时该初始目标路径未通过碰撞检测，可以重新筛选欧氏距离次小的初始路径点作为目标路径点，再次连接搜索起点构建初始目标路径。
可选地，还可以通过随机采样算法RRT进行目标路径的规划，通过将多个启发式采样点作为算法的输入，快速搜索得到次优路径，再获取到次优路径后，通过随机采样算法RRT进行随机采样，逐步优化先前得到的次优路径，直至最终结果变化程度较小，得到最优路径作为目标路径。
可选地，方法还包括以下步骤：
当当前环境信息变更时，采用变更后的当前环境信息对动态网格图进行更新，得到新的动态网格图。
在本发明的一个示例中，通过自动驾驶车辆实时获取上流感知模块的当前环境信息，以确定当前环境中是否增加或减少障碍物，采用变更后的当前环境信息对动态网格图进行实时更新，以得到新的动态网格图，从而实时获得随机采样算法的启发式采样点，提高自动驾驶车辆在复杂狭窄道路环境下的动态避障能力，具体的动态网格图更新过程可以参见步骤202，在此不再赘述。
在本发明实施例中，通过自动驾驶车辆响应于服务器或云端发送的移动至目标位置的行驶指令，获取自动驾驶车辆所对应的当前环境信息，根据当前环境信息所包括的各个障碍物类型对相应的障碍物轮廓进行调整，并构建自动驾驶车辆所处当前位置的动态网格图，通过遍历动态网格图内的全部网格，获得与周围障碍物的欧式距离最远的目标网格，以目标位置和自动驾驶车辆的当前位置距离最近的目标网格为终点和起点，从起点开始选取相邻目标网格进行连接，构建最短可连通路径，再从最短可连通路径上提取多个启发式采样点，最后采用多个启发式采样点作为路径搜索算法的输入进行路径搜索，生成自动驾驶车辆当前位置所对应的目标路径。以通过动态网格图的形式分析自动驾驶车辆当前所处非结构环境内的障碍物轮廓以及位置，减少路径搜索算法所输入的无用采样点，从而减少路径规划过程所需要的计算耗时与随机性，进而降低路径规划成本。
请参阅图6，图6为本发明实施例三提供的一种非结构化环境的路径规划装置的结构框图。
本发明实施例提供了一种非结构化环境的路径规划装置，应用于自动驾驶车辆，装置包括：
当前环境信息获取模块601，用于响应移动至目标位置的行驶指令，获取当前环境信息；当前环境信息包括多个障碍物分别对应的障碍物轮廓和障碍物类型；
动态网格图构建模块602，用于根据障碍物类型对预设的初始网格图内的各个障碍物轮廓进行调整，得到动态网格图；
目标网格获取模块603，用于遍历动态网格图，获取距离障碍物轮廓最远的目标网格；
最短可连通路径构建模块604，用于从目标网格内选取距离自动驾驶车辆的当前位置最近的目标网格为初始搜索网格，距离目标位置最近的目标网格为目标搜索网格，并沿相邻的目标网格连接，构建最短可连通路径；
启发式采样点提取模块605，用于从最短可连通路径上提取多个启发式采样点；
路径搜索模块606，用于采用多个启发式采样点进行路径搜索，生成目标路径。
可选地，动态网格图构建模块602包括：
初始网格图构建子模块，用于采用当前位置作为网格原点结合预定规格的网格，创建初始网格图；
障碍物轮廓调整策略检索子模块，用于采用障碍物类型作为关键字检索预设的映射关系库，确定对应的障碍物轮廓调整策略；
动态网格图生成子模块，用于按照障碍物轮廓调整策略调整初始网格图内的各个障碍物轮廓，得到包含目标障碍物轮廓的动态网格图。
可选地，当前环境信息还包括多个障碍物分别对应的障碍物位置；目标网格获取模块603包括：
网格图遍历子模块，用于遍历动态网格图内的所有网格，确定与各个障碍物位置之间的欧式距离最远的网格作为中间网格；
剪枝条件满足判断子模块，用于分别判断每个中间网格是否满足剪枝条件；
目标网格确定子模块，用于将满足剪枝条件的中间网格确定为目标网格；
网格距离计算子模块，用于逐一计算自动驾驶车辆的当前位置所处网格与各个目标网格之间的网格距离。
最短可连通路径构建模块604包括：
初始搜索网格选取子模块，用于从目标网格内选取距离自动驾驶车辆的当前位置最近的目标网格作为初始搜索网格；
目标搜索网格选取子模块，用于从目标网格内选取距离目标位置最近的目标网格作为目标搜索网格；
网格距离计算子模块，用于逐一计算初始搜索网格与各个相邻的目标网格之间的网格距离；
中间路径构建子模块，用于连接初始搜索网格与网格距离最小的目标网格，得到中间路径；
最短可连通路径构建子模块，用于将网格距离最小的目标网格作为新的初始搜索网格，跳转执行逐一计算初始搜索网格与各个相邻的目标网格之间的网格距离的步骤，直至目标网格与目标搜索网格重合，得到最短可连通路径。
可选地，启发式采样点提取模块605包括：
待定空间距离确定子模块，用于遍历最短可连通路径上的目标网格，确定每个目标网格与最近的障碍物之间的待定空间距离；
采用间隔确定子模块，用于比较待定空间距离、预设的最小空间距离和预设的最大空间距离，基于比较结果确定启发式采样点对应的采样间隔；
区域采样子模块，用于按照采样间隔在最短可连通路径上分别进行横向区域采样和角度区域采样，得到多个启发式采样点。
可选地，采用间隔确定子模块具体用于：
比较待定空间距离、预设的最小空间距离和预设的最大空间距离；
若待定空间距离小于或等于最小空间距离，则将启发式采样点对应的采样间隔确定为预设的密集采样间隔；
若待定空间距离大于最小空间距离且小于最大空间距离，则将启发式采样点对应的采样间隔确定为预设的正常采样间隔；
若待定空间距离大于最大空间距离，则将启发式采样点对应的采样间隔确定为预设的稀疏采样间隔。
可选地，启发式采样点包括横向采样点和方向采样点；区域采样子模块具体用于：
以距离自动驾驶车辆的当前位置最近的目标网格作为起点，距离目标位置最近的目标网格为终点，按照采样间隔在最短可连通路径上分别确定多个中间采样点；
以各个中间采样点的方向为基点旋转预设采样角度后的方向作为角度采样方向，沿角度采样方向执行点采样操作，得到多个方向采样点；
以各个中间采样点为中心，沿最短可连通路径的垂直方向执行预定横向距离的点采样操作，得到多个横向采样点。
可选地，路径搜索模块606包括：
初始路径点搜索子模块，用于以自动驾驶车辆的当前位置为搜索起点，检索在预设的搜索范围内的启发式采样点作为初始路径点；
路径点筛选子模块，用于计算自动驾驶车辆的当前位置与每个初始路径点之间的欧氏距离，确定欧氏距离最小的初始路径点作为目标路径点；
初始目标路径生成子模块，用于连接搜索起点与目标路径点，得到初始目标路径；障碍物交集判断子模块，用于判断初始目标路径是否与各个障碍物存在交集；
循环子模块，用于若不存在交集，则将搜索起点更新为目标路径点，跳转执行以自动驾驶车辆的当前位置为搜索起点，检索在预设的搜索范围内的启发式采样点作为初始路径点的步骤，直至目标路径点与目标位置重合；
目标路径确定子模块，用于采用当前时刻的初始目标路径确定为目标路径。
可选地，装置还包括：动态网格图更新模块，用于当当前环境信息变更时，采用变更后的当前环境信息对动态网格图进行更新，得到新的动态网格图。
本发明实施例还提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如本发明任一实施例所述的非结构化环境的路径规划方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如本发明任一实施例所述的非结构化环境的路径规划方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的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取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (11)
1.一种非结构化环境的路径规划方法，其特征在于，应用于自动驾驶车辆，所述方法包括：
响应移动至目标位置的行驶指令，获取当前环境信息；所述当前环境信息包括多个障碍物分别对应的障碍物轮廓和障碍物类型；
根据所述障碍物类型对预设的初始网格图内的各个所述障碍物轮廓进行调整，得到动态网格图；
遍历所述动态网格图，获取距离所述障碍物轮廓最远的目标网格；
从所述目标网格内选取距离所述自动驾驶车辆的当前位置最近的目标网格为初始搜索网格，距离所述目标位置最近的目标网格为目标搜索网格，并沿相邻的所述目标网格连接，构建最短可连通路径；
从所述最短可连通路径上提取多个启发式采样点；
采用所述多个启发式采样点进行路径搜索，生成目标路径；
所述根据所述障碍物类型对预设的初始网格图内的各个所述障碍物轮廓进行调整，得到动态网格图的步骤，包括：
采用所述当前位置作为网格原点结合预定规格的网格，创建初始网格图；
采用所述障碍物类型作为关键字检索预设的映射关系库，确定对应的障碍物轮廓调整策略；
按照所述障碍物轮廓调整策略调整所述初始网格图内的各个障碍物轮廓，得到包含目标障碍物轮廓的动态网格图。
2.根据权利要求1所述的方法，其特征在于，所述当前环境信息还包括多个所述障碍物分别对应的障碍物位置；所述遍历所述动态网格图，获取距离所述障碍物轮廓最远的目标网格的步骤，包括：
遍历所述动态网格图内的所有网格，确定与各个所述障碍物的欧式距离最远的网格作为中间网格；
分别判断每个所述中间网格是否满足剪枝条件；
将满足所述剪枝条件的所述中间网格确定为目标网格。
3.根据权利要求1所述的方法，其特征在于，所述从所述目标网格内选取距离所述自动驾驶车辆的当前位置最近的目标网格为初始搜索网格，距离所述目标位置最近的目标网格为目标搜索网格，并沿相邻的所述目标网格连接，构建最短可连通路径的步骤，包括：
从所述目标网格内选取距离所述自动驾驶车辆的当前位置最近的目标网格作为初始搜索网格；
从所述目标网格内选取距离所述目标位置最近的目标网格作为目标搜索网格；
逐一计算所述初始搜索网格与各个相邻的所述目标网格之间的网格距离；
连接所述初始搜索网格与所述网格距离最小的所述目标网格，得到中间路径；
将所述网格距离最小的所述目标网格作为新的初始搜索网格，跳转执行所述逐一计算所述初始搜索网格与各个相邻的所述目标网格之间的网格距离的步骤，直至所述目标网格与所述目标搜索网格重合，得到最短可连通路径。
4.根据权利要求1所述的方法，其特征在于，所述从所述最短可连通路径上提取多个启发式采样点的步骤，包括：
遍历所述最短可连通路径上的所述目标网格，确定每个所述目标网格与最近的所述障碍物之间的待定空间距离；
比较所述待定空间距离、预设的最小空间距离和预设的最大空间距离，基于比较结果确定启发式采样点对应的采样间隔；
按照所述采样间隔在所述最短可连通路径上分别进行横向区域采样和角度区域采样，得到多个启发式采样点。
5.根据权利要求4所述的方法，其特征在于，所述比较所述待定空间距离、预设的最小空间距离和预设的最大空间距离，基于比较结果确定启发式采样点对应的采样间隔的步骤，包括：
比较所述待定空间距离、预设的最小空间距离和预设的最大空间距离；
若所述待定空间距离小于或等于所述最小空间距离，则将启发式采样点对应的采样间隔确定为预设的密集采样间隔；
若所述待定空间距离大于所述最小空间距离且小于所述最大空间距离，则将启发式采样点对应的采样间隔确定为预设的正常采样间隔；
若所述待定空间距离大于所述最大空间距离，则将所述启发式采样点对应的采样间隔确定为预设的稀疏采样间隔。
6.根据权利要求4所述的方法，其特征在于，所述启发式采样点包括横向采样点和方向采样点；所述按照所述采样间隔在所述最短可连通路径上分别进行横向区域采样和角度区域采样，得到多个启发式采样点的步骤，包括：
以距离所述自动驾驶车辆的当前位置最近的目标网格作为起点，距离所述目标位置最近的目标网格为终点，按照所述采样间隔在所述最短可连通路径上分别确定多个中间采样点；
以各个所述中间采样点的方向为基点旋转预设采样角度后的方向作为角度采样方向，沿所述角度采样方向执行点采样操作，得到多个方向采样点；
以各个所述中间采样点为中心，沿所述最短可连通路径的垂直方向执行预定横向距离的点采样操作，得到多个横向采样点。
7.根据权利要求1所述的方法，其特征在于，所述采用所述多个启发式采样点进行路径搜索，生成目标路径的步骤，包括：
以所述自动驾驶车辆的当前位置为搜索起点，检索在预设的搜索范围内的启发式采样点作为初始路径点；
计算所述自动驾驶车辆的当前位置与每个所述初始路径点之间的欧氏距离，确定所述欧氏距离最小的所述初始路径点作为目标路径点；
连接所述搜索起点与所述目标路径点，得到初始目标路径；
判断所述初始目标路径是否与各个所述障碍物存在交集；
若不存在交集，则将所述搜索起点更新为所述目标路径点，跳转执行所述以所述自动驾驶车辆的当前位置为搜索起点，检索在预设的搜索范围内的启发式采样点作为初始路径点的步骤，直至所述目标路径点与所述目标位置重合；
采用当前时刻的初始目标路径确定为目标路径。
8.根据权利要求1-7任一项所述的方法，其特征在于，所述方法还包括：
当所述当前环境信息变更时，采用变更后的当前环境信息对所述动态网格图进行更新，得到新的动态网格图。
9.一种非结构化环境的路径规划装置，其特征在于，应用于自动驾驶车辆，所述装置包括：
当前环境信息获取模块，用于响应移动至目标位置的行驶指令，获取当前环境信息；所述当前环境信息包括多个障碍物分别对应的障碍物轮廓和障碍物类型；
动态网格图构建模块，用于根据所述障碍物类型对预设的初始网格图内的各个所述障碍物轮廓进行调整，得到动态网格图；
目标网格获取模块，用于遍历所述动态网格图，获取距离所述障碍物轮廓最远的目标网格；
最短可连通路径构建模块，用于从所述目标网格内选取距离所述自动驾驶车辆的当前位置最近的目标网格为初始搜索网格，距离所述目标位置最近的目标网格为目标搜索网格，并沿相邻的所述目标网格连接，构建最短可连通路径；
启发式采样点提取模块，用于从所述最短可连通路径上提取多个启发式采样点；
路径搜索模块，用于采用所述多个启发式采样点进行路径搜索，生成目标路径；
所述动态网格图构建模块包括：
初始网格图构建子模块，用于采用所述当前位置作为网格原点结合预定规格的网格，创建初始网格图；
障碍物轮廓调整策略检索子模块，用于采用所述障碍物类型作为关键字检索预设的映射关系库，确定对应的障碍物轮廓调整策略；
动态网格图生成子模块，用于按照所述障碍物轮廓调整策略调整所述初始网格图内的各个障碍物轮廓，得到包含目标障碍物轮廓的动态网格图。
10.一种电子设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-8任一项所述的非结构化环境的路径规划方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1-8任一项所述的非结构化环境的路径规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111017128.5A CN113741453B (zh) | 2021-08-31 | 2021-08-31 | 一种非结构化环境的路径规划方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111017128.5A CN113741453B (zh) | 2021-08-31 | 2021-08-31 | 一种非结构化环境的路径规划方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113741453A CN113741453A (zh) | 2021-12-03 |
| CN113741453B true CN113741453B (zh) | 2024-06-25 |
Family
ID=78734538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111017128.5A Active CN113741453B (zh) | 2021-08-31 | 2021-08-31 | 一种非结构化环境的路径规划方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113741453B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114485611B (zh) * | 2021-12-28 | 2024-04-26 | 中科星图股份有限公司 | 基于北斗网格码的三维空间最短路径规划方法和装置 |
| CN114326737A (zh) * | 2021-12-30 | 2022-04-12 | 深兰人工智能(深圳)有限公司 | 路径规划方法、装置、电子设备及计算机可读存储介质 |
| CN116811914B (zh) * | 2023-06-29 | 2024-07-19 | 重庆亿连信息科技有限公司 | 一种无人驾驶车载障碍感应***和方法 |
| CN116661469B (zh) * | 2023-08-01 | 2023-11-03 | 苏州外延世电子材料有限公司 | 机器人轨迹误差修正方法及*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111380526A (zh) * | 2018-12-27 | 2020-07-07 | 北京航迹科技有限公司 | 一种路径确定的***和方法 |
| CN112612267A (zh) * | 2020-12-08 | 2021-04-06 | 苏州挚途科技有限公司 | 自动驾驶的路径规划方法和装置 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101409323B1 (ko) * | 2013-03-19 | 2014-07-02 | 국방과학연구소 | 무인자율차량 및 이의 동적환경 주행경로생성방법 |
| CN105606088B (zh) * | 2016-02-01 | 2019-05-28 | 北京理工大学 | 一种基于动态环境的路径规划方法 |
| CN106767860B (zh) * | 2016-11-21 | 2019-12-03 | 江苏大学 | 一种基于启发式搜索算法来缩短智能汽车路径规划搜索时间的方法 |
| CN109814576B (zh) * | 2019-02-22 | 2022-01-28 | 百度在线网络技术（北京）有限公司 | 自动驾驶车辆的速度规划方法、装置和存储介质 |
| CN112572424B (zh) * | 2019-09-11 | 2022-05-17 | 北京百度网讯科技有限公司 | 基于障碍物识别的车辆控制方法、装置、设备和介质 |
| CN111982142B (zh) * | 2020-07-31 | 2023-04-18 | 华南理工大学 | 一种基于改进a星算法的智能车全局路径规划方法 |
| CN113009918B (zh) * | 2021-03-09 | 2023-12-05 | 京东鲲鹏(江苏)科技有限公司 | 路径规划方法、装置、***及可读存储介质 |
| CN113212456A (zh) * | 2021-05-25 | 2021-08-06 | 银隆新能源股份有限公司 | 车辆控制方法、装置、车辆、非易失性存储介质及处理器 |
-
2021
- 2021-08-31 CN CN202111017128.5A patent/CN113741453B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111380526A (zh) * | 2018-12-27 | 2020-07-07 | 北京航迹科技有限公司 | 一种路径确定的***和方法 |
| CN112612267A (zh) * | 2020-12-08 | 2021-04-06 | 苏州挚途科技有限公司 | 自动驾驶的路径规划方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113741453A (zh) | 2021-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113741453B (zh) | 一种非结构化环境的路径规划方法、装置、设备和介质 | |
| US11216004B2 (en) | Map automation—lane classification | |
| US11255679B2 (en) | Global and local navigation for self-driving | |
| CN113486531B (zh) | 一种车辆行驶路径规划方法、设备及*** | |
| JP6561199B2 (ja) | レーザ点群に基づく都市道路の認識方法、装置、記憶媒体及び機器 | |
| JP2022516383A (ja) | 自律型車両の計画 | |
| CN110119140A (zh) | 用于加速曲线投影的***和方法 | |
| CN109491377A (zh) | 用于自动驾驶车辆的基于dp和qp的决策和规划 | |
| CN109489675A (zh) | 用于自动驾驶车辆的基于成本的路径规划 | |
| CN110325935A (zh) | 用于自动驾驶车辆的路径规划的基于驾驶场景的车道引导线 | |
| CN110531749A (zh) | 确定避开移动障碍物的自动驾驶的驾驶路径 | |
| JP2020514158A (ja) | 自車両の制御方法及び自車両の制御システム | |
| Niranjan et al. | Deep learning based object detection model for autonomous driving research using carla simulator | |
| JP2021524018A (ja) | 駐車ルートを生成する方法およびシステム | |
| CN113188562B (zh) | 可行驶区域的路径规划方法、装置、电子设备及存储介质 | |
| CN107917716B (zh) | 固定线路导航方法、装置、终端及计算机可读存储介质 | |
| CN112595337A (zh) | 避障路径规划方法、装置、电子装置、车辆及存储介质 | |
| US11878712B2 (en) | Trajectory planning with obstacle avoidance for autonomous driving vehicles | |
| CN109341698B (zh) | 一种移动机器人的路径选择方法及装置 | |
| CN115560771A (zh) | 基于采样的路径规划方法及装置、自动行驶设备 | |
| US20180143630A1 (en) | Path planning for autonomous vehicle using bidirectional search | |
| CN113867356A (zh) | 机器人路径规划方法、装置及机器人 | |
| Lakshna et al. | Smart traffic: traffic congestion reduction by shortest route* search algorithm | |
| CN114407919B (zh) | 一种基于自动驾驶的碰撞检测方法及*** | |
| WO2023135271A1 (en) | Motion prediction and trajectory generation for mobile agents |
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 |