CN114840001A - 一种封闭环境下的多车协同轨迹规划方法 - Google Patents

一种封闭环境下的多车协同轨迹规划方法 Download PDF

Info

Publication number
CN114840001A
CN114840001A CN202210619199.0A CN202210619199A CN114840001A CN 114840001 A CN114840001 A CN 114840001A CN 202210619199 A CN202210619199 A CN 202210619199A CN 114840001 A CN114840001 A CN 114840001A
Authority
CN
China
Prior art keywords
vehicle
planning
track
path
result
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.)
Pending
Application number
CN202210619199.0A
Other languages
English (en)
Inventor
刘伟隆
王进
于欢
庄儒洪
张科文
陆国栋
张芷菱
涂杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Qiantang Robot And Intelligent Equipment Research Co ltd
Zhejiang University ZJU
Original Assignee
Zhejiang Qiantang Robot And Intelligent Equipment Research Co ltd
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Qiantang Robot And Intelligent Equipment Research Co ltd, Zhejiang University ZJU filed Critical Zhejiang Qiantang Robot And Intelligent Equipment Research Co ltd
Priority to CN202210619199.0A priority Critical patent/CN114840001A/zh
Publication of CN114840001A publication Critical patent/CN114840001A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • 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
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • 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)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及一种封闭环境多车协同轨迹规划的方法，属于自动驾驶技术领域，尤其是涉及关于多无人车集中进行轨迹规划的方案。解决智能物流行业多车封闭环境中运输效率低的问题。具体包括：分为多阶段的轨迹规划，第一阶段为粗略路径生成，第二阶段是建立在第一阶段求解结果上的平滑动态可行地轨迹生成。该方法能对大规模车辆集中求解无冲突轨迹且具有较短求解时间。

Description

一种封闭环境下的多车协同轨迹规划方法
技术领域
本申请属于自动驾驶技术领域，尤其涉及一种封闭环境下的多车协同轨迹规划方法。
背景技术
新一轮工业制造的转型升级，对运输无人车提出了新的性能要求。对多个无人车协同规划技术的攻克，可以帮助解决智能物流行业效率的瓶颈，减轻工人的劳动强度，对提高行业的生产效率、缩短物流周期和提高经济效益都具有着重要的现实意义。
研究多个运输无人车协同轨迹规划技术，有助于解决智能物流行业多车封闭环境中运输效率低的问题。
针对多个非完整约束无人车在封闭运输环境中的最优轨迹规划问题，目前集中式方法存在仅适用小规模规划，在没有初始解作引导的前提下，即便处理三四辆车的协同运动问题都会经常遇到收敛缓慢乃至收敛失败的现象。解耦式方法，计算速度较快完备性不足的缺点。
本发明提供一种封闭环境中多车协同轨迹规划的方法，采用两级规划分步实施，第一阶段为粗略路径生成，第二阶段是建立在第一阶段求解结果上的平滑动态可行地轨迹生成。该方法能对大规模车辆集中求解无冲突轨迹且具有较短求解时间。
发明内容
本申请实施例提供了一种封闭环境下的多车协同轨迹规划方法，能够使得多车在同一场地同时运行且无冲突到达各自目的地，求解效率更高且结果接近总体行程最短的路径。
本申请实施例的技术方案是这样实现的：
在已知待规划车辆可运行区域的环境信息和车辆具体大小的情况下，将环境信息抽象为用于车行驶规划的二维地图，车占地大小转化为等比例投影到所述二维地图的大小；
在已知每辆车的任务起点和终点下，分为两阶段进行规划，首先单车进行基于时空A*图搜索算法的路径搜索，最终得出每辆车匀速情况下的轨迹结果；
然后对在同一二维平面，同一时间段内，各个车轨迹结果产生冲突的位置，进行冲突协调，将所述产生冲突的位置，在该时间段内建立位置约束后再进行路径图搜索，最终生成整体多车无冲突轨迹结果；
然后对无冲突的图搜索的结果进行基于优化方法的轨迹平滑，使得行车轨迹动态可行且速度变化小；
最终该轨迹结果可直接作为多车协同运行的结果可发送速度指令或信号到控制端多车直接运行。
在本申请的示例性实施例中，所述已知待规划车辆可运行区域的环境信息和车辆具体大小：通过车车通信、车路通信以及各类传感器获取的信息，处理后可用于表达该区域二维平面的实际环境情况，作为后续路径规划的基础。车体所占大小包括在已知二维平面环境信息后，规划时车在该二维平面所占的大小。具体表现形式可以为二维栅格地图、点云地图等。
在本申请的示例性实施例中，所述基于图搜索算法的路径搜索：首先构建车体的运动学模型，然后对二维平面进行合适的栅格化，栅格的大小根据车辆的运动学特征进行选择，并非固定大小。栅格图上的搜索采样阶段，可拓展的采样范围将考虑车运动学具体的可行位置，而非直接选取几何相邻位置的范围直接采样。采样拓展的步长可根据环境信息调整，以取得最好的次优路径结果。
在本申请的示例性实施例中，所述构建车体的运动学模型包括：使用Lf和Lb分别表示从后轴到车体前部和车体后部的距离。Wr表示车体的宽度。对于车体的状态表示为(x0,y0,θ0)，笛卡儿坐标系中车体的矩形形状可以定义为：
Figure BDA0003674452560000021
Figure BDA0003674452560000022
其中
Figure BDA0003674452560000023
在本申请的示例性实施例中，所述进行冲突协调：在每辆车执行图搜索产生路径结果后，对所有单车路径做统一的速度赋值，假设以某一速度匀速运动，且所有车辆执行任务的初始时间相同，在同一二维规划平面遍历每辆车的轨迹结果，可能有位置会发生轨迹冲突。对于冲突位置的处理方法，采用限制某一辆车该时间段出现在该规划位置，并在限制后再次规划该车的路径，搜索方法同初次单车的图搜索方法，同时需要考虑路径以该匀速速度执行时不能经过限制位置，另一未限制的车辆无需重新规划。由于不知道限制的最优选择对象，将产生两种限制的分配情况，限制A或限制B。将对两种情况都执行，此流程类似多叉树结构，每个分叉点为分情况进行讨论的位置。这里的限制A或B仅列举了同一时段在同一位置，AB两车产生冲突后将添加约束。若有更多的车辆同一时段在同一位置产生冲突，因该位置已被A或B设置为时空限制，所以后续该时间段的该位置都会成为路径约束，其它车辆中分段路径同一时间段包含该位置则也需要重新执行图搜索，直到所有车辆在时空轨迹中都不冲突。
在本申请的示例性实施例中，所述生成整体多车无冲突轨迹结果：在执行所述的冲突协调后，将产生多条相互无碰撞的搜索结果，将根据评价准则选择出符合最优准则的路径，作为第一阶段求解的结果。
在本申请的示例性实施例中，所述基于优化方法的轨迹平滑：在所述已知可行路径结果后，将结果作为集中式基于优化方法的多车协同轨迹方法的初始值或者直接作为构建问题的关键优化变量。同时可将运行速度、车与车之间的距离、路径平滑性、回避障碍物的程度、到终点位置的时间等作为变量，构建为凸优化问题，采用非线性优化的方法求解。
将结果作为集中式基于优化方法的多车协同轨迹方法的构建问题的关键优化变量包括：原始路径中的每条路径线段被分成h等分，这里每条路径的时间采用进行冲突协调时，每条路径被赋予的匀速速度计算出的时间记为ΔT，所以每小段的时间间隔为Δt＝ΔT/h。最小化的目标方程为轨迹的平滑性、实际每h小段路径与原始路径的偏离程度、运行的时间，构建优化问题的形式为二次规划。作用域的限制条件分别为，起始点和终点约束、***状态转换、碰撞约束、输入量速度约束、机器人之间距离约束。
在本申请的示例性实施例中，所述构建凸优化问题，构建流程：对车与环境中可接触物体的距离、车与车之间距离等变量进行连续性的处理转化为凸可行集。优化问题可采用非线性最小二乘、二次规划等形式，构建为非线性优化问题。
在本申请的示例性实施例中，所述将变量进行连续性的处理转化为凸可行集：以二维规划平面为基平面，将车体所占面积抽象为边缘连续闭合的规则图形，且车体进行规划的范围为图搜索产生的路径结果拓展延伸而成的多个相互相交连接的类矩形框体。同一时段内，每个车路径结果的框体不会相交，所以车体规划的结果不会发生碰撞。框体与二维规划环境中的障碍物也不会相交。
由上述对本方法的描述可知,和现有技术相比,本发明具有如下优点：
(1)采用两级多车路径规划，图搜索方法与基于优化的方法结合，可兼顾多个目标规划的解的质量与求解效率。
(2)图搜索的邻域拓展范围与步长考虑车体运动学与环境因素，利于在障碍物密集区搜索出合适的路径。
(3)构建多车轨迹优化问题中，将车体与碰撞约束的形式转换为利于求解的线性形式。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本申请实施例提供的一种封闭环境多车协同轨迹规划方法实现流程的示意图；
图2是本申请实施例提供的一种图搜索邻域的示意图；
图3是本申请实施例提供的一种碰撞冲突决策多叉树的示意图；
图4本申请实施例提供的一种路径线段转化为矩形形状的示意图；
具体实施方法
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。下面参照附图说明本发明的具体实施方式。为了全面理解本发明，下面描述到许多细节,但对于本领域技术人员来说,无需这些细节也可实现本发明。
本申请实施例提供了一种封闭环境下的多车协同轨迹规划方法，能够使得多车在同一场地同时运行且无冲突到达各自目的地，求解效率更高且结果接近总体行程最短的路径。
本申请实施例的技术方案是这样实现的，如图1所示，所述方法可以包括步骤S101-S105：
S101、在已知待规划车辆可运行区域的环境信息和车辆具体大小的情况下，将环境信息抽象为用于车行驶规划的二维地图，车占地大小转化为等比例投影到所述二维地图的大小；
S102、在已知每辆车的任务起点和终点下，分为两阶段进行规划，首先单车进行基于基于时空A*图搜索算法的路径搜索，最终得出每辆车匀速情况下的轨迹结果；
S103、对在同一二维平面，同一时间段内，各个车轨迹结果产生冲突的位置，进行冲突协调，将所述产生冲突的位置，在该时间段内建立位置约束后再进行路径图搜索，最终生成整体多车无冲突轨迹结果；
S104、对无冲突的图搜索的结果进行基于优化方法的轨迹平滑，使得行车轨迹动态可行且速度变化小；
S105与S106、对问题简化并求解，最终该轨迹结果可直接作为多车协同运行的结果可发送速度指令或信号到控制端多车直接运行。
在本申请示例性实施例中，所述获取待规划车辆可运行区域的环境信息和车辆具体大小包括：通过车车通信，车路通信以及各类传感器获取的信息，处理后可用于表达该区域二维平面的实际情况，作为后续路径规划的基础。车体所占大小包括在已知二维平面环境信息后，规划时车在该二维平面所占的大小。
在本申请示例性实施例中，所述基于图搜索算法的路径搜索包括：首先构建车体的运动学模型，然后对二维平面进行合适的栅格化，栅格的大小根据车辆的运动学特征进行选择，并非固定大小。栅格图上的搜索采样阶段，可拓展的采样范围将考虑车运动学具体的可行位置，而非直接选取几何相邻位置的范围直接采样。采样拓展的步长可根据环境信息调整，以取得最好的次优路径结果。
在本申请的示例性实施例中，所述构建车体的运动学模型包括：使用Lf和Lb分别表示从后轴到机器人车体前部和机器人车体后部的距离。Wr表示机器人车体的宽度。对于机器人车体的状态表示为(x0,y0,θ0)，笛卡儿坐标系中机器人车体的矩形形状可以定义为：
Figure BDA0003674452560000051
Figure BDA0003674452560000052
其中
Figure BDA0003674452560000053
这里，使用基于时空A*图搜索算法，因每台车的起始位置与终止位置不同，所以是逐一针对每一辆车进行路径规划。在规划的阶段会考虑车体的运动学特征，这里以常见四轮运输车作为例子阐述如何确定运动学模型以及，将运动学模型与搜索采样的范围结合。
在实施时，选取车辆通常为四轮车，其两并列前轮辅助转向，这里假设在二维平面初始搜索阶段，车位于如图2中栅格框的中心E点位置。不结合车体运动学约束进行图搜索将能沿B、D、F、H等方向采样，这里结合前轮限制，一次采样车仅能到达前向C、F、I位置，或后向A、D、G位置。而不可能横向侧移到B、H位置。这样的搜索更符合实际车体可运行情况，为后续轨迹可行性与优化做铺垫。
在实施时，搜索的栅格网络大小与运动学的结合考虑，这里提出一种方法主要是在线速度和转向角度上做结合。设D表示图
Figure BDA0003674452560000054
的栅格大小，ΔT表示机器人穿过一条边所需的时间。由于每个车体转向的物理限制，为了保证图中对角线可以一步越过，栅格的大小也与车体的控制速度相关，必须满足以下条件
Figure BDA0003674452560000061
公式中的D和ΔT都是可预先定义后逆推出许可的最大速度与带上前轮转角后综合的角速度。
这里，图搜索阶段中采样的栅格大小将直接影响最终得出的路径结果最优性，为尽量让结果接近次优，在实施时在相对于车体尺寸较为狭窄的环境中，将扩展步长缩小，在相对宽阔的场景中将拓展步长拉长。保证在较空旷的场景中搜索速度更快。
在本申请示例性实施例中，所述进行冲突协调包括：在每辆车执行图搜索产生路径结果后，对所有单车路径做统一的速度赋值，假设以某一速度匀速运动，且所有车辆执行任务的初始时间相同，在同一二维规划平面遍历每辆车的轨迹结果，可能有位置会发生轨迹冲突。对于冲突位置的处理方法，采用限制某一辆车该时间段出现在该规划位置，并在限制后再次规划该车的路径，路径方面搜索方法与单车图搜索方法相同，同时需要考虑路径以该匀速速度执行时不能经过限制位置，另一未限制的车辆无需重新规划。由于不知道限制的最优选择对象，将产生两种限制的分配情况，限制A或限制B。将对两种情况都执行，此流程类似多叉树结构，每个分叉点为分情况进行讨论的位置。
在实施时，在判断各匀速车辆是否相撞上可以采用多种判断方式，这里列举两种实现方式。
第一种，首先对车体之间的最小碰撞半径做出定义，若假设车体在二维平面的投影占地轮廓形状为圆心，则两车体碰撞的最小距离为两车半径之和。确定碰撞半径后，可以较小的半径划分栅格大小。遍历整个车匀速运行中轨迹所占据的栅格，检测哪些栅格在什么时刻与什么车发生碰撞。可将碰撞区域周围确定为障碍物区域。
第二种，可直接计算所有轨迹路段上车体中心点到其它车体中心的距离，若距离小于安全距离，将可能发生碰撞的时段和区域确定为障碍物区域。
这里，针对该限制A或限制B车，分情况多叉树讨论的形式可以为：如图3所示，在根节点中是两车经过的路径ACE与BCD，但在对应第二个位置的时间段，二者规划位置都有C，将发生冲突。对冲突点分别对两车做该时间段位置限制，左子树表示1车被限制后将在A位置等待单位时间段。右子树表示2车被限制后将在B位置等待。并各自记录整体的成本花销情况。这里的限制A或B仅列举了同一时段在同一位置，AB两车产生冲突后将添加约束。若有更多的车辆同一时段在同一位置产生冲突，因该位置已被A或B设置为时空限制，所以后续该时间段的该位置都会成为路径约束，其它车辆中分段路径同一时间段包含该位置则也需要重新执行图搜索，直到所有车辆在时空轨迹中都不冲突。
这里等待的结果不是必须的，是在冲突的时间段和位置添加约束后，再执行一次图搜索，而等待的结果为该情况下的最优。在其他场景，可能搜索后发现绕行为成本更低的选择。
在本申请示例性实施例中，所述生成整体多车无冲突轨迹结果包括：在执行所述的冲突协调后，将产生多条相互无碰撞的搜索结果，将根据评价准则选择出符合最优准则路径，作为第一阶段求解的结果。
在本申请的示例性实施例中，所述基于优化方法的轨迹平滑包括：在所述已知可行路径结果后，将结果作为集中式基于优化方法的多车协同轨迹方法的初始值或者直接作为构建问题的关键优化变量。同时可将运行速度、车与车之间的距离、路径平滑性、回避障碍物的程度、到终点位置的时间等作为变量，构建为凸优化问题，采用非线性优化的方法求解。
在实施时，所述的最优准则路径可以有多种准则标准，包括但不限于所有车辆行驶路径的长度和、所有车辆能完成的运输货物量、整体搬运的效率、平均单车的任务耗能量和协调冲突的次数等等。具体可根据实际实施过程希望偏向的指标来选择。
在实施时，将协调后的图搜索路径的结果作为基于优化方法的多车协同轨迹方法的初始值或者直接作为考虑的关键优化变量，需要首先构建合适优化问题，优化问题的构建可以有多种形式，这里采取一种实施。原始路径中的每条路径线段被分成h等分，这里每一段的时间采用之前碰撞冲突判断时每段路径被赋予的匀速速度计算的时间，记为ΔT，所以Δt＝ΔT/h。
Figure BDA0003674452560000071
Figure BDA0003674452560000072
Figure BDA0003674452560000073
Figure BDA0003674452560000074
Figure BDA0003674452560000075
Figure BDA0003674452560000076
这里H为原始路径的H段划分，N为所有N辆车的轨迹，
Figure BDA0003674452560000077
表示前后段分段路径车体速度的变化值，
Figure BDA0003674452560000078
表示当前运行轨迹与图搜索阶段提供的参考路径之间的差值。k为时间τ的权重系数。其中P与Q为两个半正定加权矩阵。所以最终最小化的目标方程为：轨迹的平滑性、与原始路径的偏离程度、运行的时间。限制条件b到f分别为，b.起始点和终点约束，其中
Figure BDA0003674452560000081
与
Figure BDA0003674452560000082
表示车体在轨迹起始点和轨迹终止点必须到的位置约束、c.***状态转换，具体形式为[0030]公式中所述的状态转移方程、d.碰撞约束，其中
Figure BDA0003674452560000083
表示道路运行空间中可供车体通过的自由空间、e.输入量速度约束，其中
Figure BDA0003674452560000084
表示要限制的车体运行的速度u的范围、f.机器人之间距离约束，其中pos(z)表示车体轨迹的位置，R表示车体投影到地图上外接圆形的半径。
最终求解的结果为N辆车的可行轨迹，实际为直接可运行的速度值。
在本申请的示例性实施例中，所述构建凸优化问题，构建流程包括：对车与环境中可接触物体的距离、车与车之间距离等变量进行连续性的处理转化为凸可行集。优化问题可采用非线性最小二乘、二次规划等形式，构建为非线性优化问题。
在本申请的示例性实施例中，所述将变量进行连续性的处理转化为凸可行集包括：以二维规划平面为基平面，将车体所占面积抽象为边缘连续闭合的规则图形，且车体进行规划的范围为图搜索产生的路径结果拓展延伸而成的多个相互相交连接的类矩形框体。同一时段内，每个车路径结果的框体不会相交，所以车体规划的结果不会发生碰撞。框体与二维规划环境中的障碍物也不会相交。
在实施时，所述的将车体所占面积抽象构建为规则图形，具体形式可以为矩形或圆形等，要满足可以转化为凸函数或线性约束函数形式的条件。
在实施时，所述的类矩形框体可以有多种构建形式，可以为如图4所示，以图搜索规划出的路径结果(黑色实线)的车体行驶方向为x轴构建笛卡尔坐标系，矩形将在栅格化的二维平面沿x轴和y轴延伸，直到四条边都接近可触及的障碍物则不再遍历拓展，最终该车该轨迹段的安全规划区域为虚线框所示。是否与空间静态环境碰撞的约束转换为二维平面的线性约束，该变量利于构建凸优化约束条件与计算。
该执行方法的优势在于：采用两级多车路径规划，图搜索方法与基于优化的方法结合，可兼顾多个目标规划的解的质量与求解效率。图搜索的邻域拓展范围与步长考虑车体运动学与环境因素，利于在障碍物密集区搜索出合适的路径。构建多车轨迹优化问题中，将车体与碰撞约束的形式转换为利于求解的线性形式。

Claims (10)

1.一种封闭环境下的多车协同轨迹规划方法，其特征在于，所述方法包括：
步骤一，在已知待规划车辆可运行区域的环境信息和车辆具体大小的情况下，将环境信息抽象为用于车行驶规划的二维地图，车占地大小转化为等比例投影到所述二维地图的大小；
步骤二，在已知每辆车的任务起点和终点下，分为两阶段进行规划，首先单独对于每辆车进行基于图搜索算法的路径搜索，最终得出每辆车匀速情况下的轨迹结果；
步骤三，对在同一二维平面，同一时间段内，各个车轨迹结果产生冲突的位置，进行冲突协调，将所述产生冲突的位置，在该时间段内建立位置约束后再进行步骤二所述路径搜索，最终生成整体多车无冲突轨迹结果；
步骤四，对无冲突轨迹结果进行基于优化方法的轨迹平滑；
步骤五，将所得轨迹结果直接作为多车协同运行的结果发送速度指令或信号到控制端控制多车直接运行。
2.根据权利要求1所述的封闭环境下的多车协同轨迹规划方法，其特征在于，所述步骤一，待规划车辆可运行区域的环境信息包括通过车车通信、车路通信以及各类传感器获取的信息，车体所占大小为在已知二维平面环境信息后，规划时车在该二维平面所占的大小。
3.根据权利要求1所述的封闭环境下的多车协同轨迹规划方法，其特征在于，所述步骤二，基于图搜索算法的路径搜索包括：首先构建车体的运动学模型，然后对二维平面进行栅格化，栅格的大小根据车辆的运动学特征进行选择，并非固定大小，还包括栅格图上的搜索采样阶段，可拓展的采样范围将考虑车运动学具体的可行位置，而非直接选取几何相邻位置的范围直接采样，采样拓展的步长可根据环境信息调整，以取得最好的次优路径结果。
4.根据权利要求3所述的封闭环境下的多车协同轨迹规划方法，其特征在于，所述构建车体的运动学模型包括：使用Lf和Lb分别表示从后轴到车体前部和车体后部的距离，Wr表示车体的宽度；对于车体的状态表示为(x0,y0,θ0)，笛卡儿坐标系中车体的矩形形状可以定义为：
Figure FDA0003674452550000021
Figure FDA0003674452550000022
其中
Figure FDA0003674452550000023
5.根据权利要求1所述的封闭环境下的多车协同轨迹规划方法，其特征在于，所述步骤三，进行冲突协调，包括：对于每一车辆，限制其在该时间段出现在所述冲突位置，并在限制后采用基于图搜索算法的路径搜索再次规划该车的路径，而对其余车辆无需重新规划；对所有车辆进行上述操作。
6.根据权利要求5所述的封闭环境下的多车协同轨迹规划方法，其特征在于，在执行所述的冲突协调后，将产生多条相互无碰撞的搜索结果，根据评价准则选择出符合最优准则的路径，即得到整体多车无冲突轨迹结果，作为第一阶段求解的结果。
7.根据权利要求1所述的封闭环境下的多车协同轨迹规划方法，其特征在于，所述步骤四中基于优化方法的轨迹平滑包括：已知可行路径结果后，将结果作为集中式基于优化方法的多车协同轨迹方法的初始值或者直接作为构建问题的关键优化变量，同时将运行速度、车与车之间的距离、路径平滑性、回避障碍物的程度、到终点位置的时间等作为变量，构建为凸优化问题，采用非线性优化的方法求解。
8.根据权利要求7所述的封闭环境下的多车协同轨迹规划方法，其特征在于，将结果作为集中式基于优化方法的多车协同轨迹方法的构建问题的关键优化变量包括：原始路径中的每条路径线段被分成h等分，每等分的时间间隔为Δt＝ΔT/h，ΔT为执行冲突协同时，每段路径被赋予的匀速速度计算出的时间；所以最小化的目标方程为轨迹的平滑性、实际每等分路径与原始路径的偏离程度、运行的时间，构建优化问题的形式为二次规划，作用域的限制条件分别为：起始点和终点约束、***状态转换、碰撞约束、输入量速度约束、机器人之间距离约束。
9.根据权利要求7所述的封闭环境下的多车协同轨迹规划方法，其特征在于所述构建为凸优化问题的构建流程包括：对车与环境中可接触物体的距离、车与车之间距离等变量进行连续性的处理转化为凸可行集，优化问题可采用非线性最小二乘、二次规划等形式，构建为非线性优化问题。
10.根据权利要求9所述的封闭环境下的多车协同轨迹规划方法，其特征在于所述将变量进行连续性的处理转化为凸可行集，包括：以二维规划平面为基平面，将车体所占面积抽象为边缘连续闭合的规则图形，且车体进行规划的范围为权利要求5所述路径结果拓展延伸而成的多个相互相交连接的类矩形框体；同一时段内，每个车路径结果的框体不会相交，所以车体规划的结果不会发生碰撞；框体与二维规划环境中的障碍物也不会相交。
CN202210619199.0A 2022-06-01 2022-06-01 一种封闭环境下的多车协同轨迹规划方法 Pending CN114840001A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210619199.0A CN114840001A (zh) 2022-06-01 2022-06-01 一种封闭环境下的多车协同轨迹规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210619199.0A CN114840001A (zh) 2022-06-01 2022-06-01 一种封闭环境下的多车协同轨迹规划方法

Publications (1)

Publication Number Publication Date
CN114840001A true CN114840001A (zh) 2022-08-02

Family

ID=82573489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210619199.0A Pending CN114840001A (zh) 2022-06-01 2022-06-01 一种封闭环境下的多车协同轨迹规划方法

Country Status (1)

Country Link
CN (1) CN114840001A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115409430A (zh) * 2022-10-31 2022-11-29 湖南省交通科学研究院有限公司 基于货车行驶轨迹的物流强度分析方法、***及存储介质
CN117351714A (zh) * 2023-10-11 2024-01-05 深圳达普信科技有限公司 基于车联网的智能交通流优化方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115409430A (zh) * 2022-10-31 2022-11-29 湖南省交通科学研究院有限公司 基于货车行驶轨迹的物流强度分析方法、***及存储介质
CN117351714A (zh) * 2023-10-11 2024-01-05 深圳达普信科技有限公司 基于车联网的智能交通流优化方法及***

Similar Documents

Publication Publication Date Title
CN113074728B (zh) 基于跳点寻路与协同避障的多agv路径规划方法
CN114840001A (zh) 一种封闭环境下的多车协同轨迹规划方法
CN112833905B (zh) 基于改进a*算法的分布式多agv无碰撞路径规划方法
Digani et al. Hierarchical traffic control for partially decentralized coordination of multi AGV systems in industrial environments
KR101339480B1 (ko) Ｒｒｔ 기반의 듀얼 트리 구조를 이용한 이동 로봇의 궤적 계획 방법
CN111007862B (zh) 一种多agv协同工作的路径规划方法
CN114489062B (zh) 面向车间物流的多自动导引车分布式动态路径规划方法
CN113780633B (zh) 面向复杂环境的带实时冲突消解的多agv智能协同调度方法
CN112197778A (zh) 基于改进a*算法的轮式机场巡界机器人路径规划方法
CN112539750B (zh) 一种智能运输车路径规划方法
Jian et al. A global-local coupling two-stage path planning method for mobile robots
Kessler et al. Cooperative multi-vehicle behavior coordination for autonomous driving
JP2021071891A (ja) 走行制御装置、走行制御方法、及びコンピュータプログラム
Feng et al. Model-based decision making with imagination for autonomous parking
CN110412990B (zh) 一种用于工厂环境下的agv避碰方法
CN115116220B (zh) 一种用于矿区装卸场景的无人驾驶多车协同控制方法
Wang et al. Research on AGV task path planning based on improved A* algorithm
CN111879327A (zh) 集群自动驾驶车辆泊位作业的空间配置和时序规划方法
Fan et al. Research and implementation of multi-robot path planning based on genetic algorithm
CN114924538A (zh) 一种基于图结构的多agv实时调度与冲突消解方法
CN115638804A (zh) 一种无死锁的无人车辆在线路径规划方法
CN114661047A (zh) 一种基于时间窗的多agv实时调度的路径优化方法
Chen et al. Coordinated optimal path planning of multiple substation inspection robots based on conflict detection
CN114460933A (zh) 一种面向动态环境的移动机器人局部路径规划算法
Haiming et al. Algorithm of path planning based on time window for multiple mobile robots in warehousing system

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