CN115344052A - 基于改进的群优化算法的车辆路径控制方法及控制*** - Google Patents

基于改进的群优化算法的车辆路径控制方法及控制*** Download PDF

Info

Publication number
CN115344052A
CN115344052A CN202211264397.6A CN202211264397A CN115344052A CN 115344052 A CN115344052 A CN 115344052A CN 202211264397 A CN202211264397 A CN 202211264397A CN 115344052 A CN115344052 A CN 115344052A
Authority
CN
China
Prior art keywords
path
vehicle
state
road
obstacle
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.)
Granted
Application number
CN202211264397.6A
Other languages
English (en)
Other versions
CN115344052B (zh
Inventor
单萍
单帅
马列
马敏
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.)
Jiangsu Tianyi Aviation Industry Co Ltd
Original Assignee
Jiangsu Tianyi Aviation Industry Co Ltd
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 Jiangsu Tianyi Aviation Industry Co Ltd filed Critical Jiangsu Tianyi Aviation Industry Co Ltd
Priority to CN202211264397.6A priority Critical patent/CN115344052B/zh
Publication of CN115344052A publication Critical patent/CN115344052A/zh
Application granted granted Critical
Publication of CN115344052B publication Critical patent/CN115344052B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05D1/0214—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
    • 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群优化算法的车辆路径控制方法及控制***，所述控制方法为：选择车辆运行模式；基于改进的群优化算法生成全局路径规划；根据电子地图、障碍物预测结果、当前点和目标点的位置，在状态空间生成运动到多个轨迹状态的采样空间，并生成多个轨迹状态对应的多个控制动作；基于机器学习算法获得多个控制动作中的每个控制动作的预期奖赏，通过评价函数给路径评分，获得评分最高的轨迹为局部最优路径；控制单元根据不同的地形及规划的路径对车辆进行自动控制，可以实现车辆的最优路径规划及对各种地形及复杂道路进行有效避障。

Description

基于改进的群优化算法的车辆路径控制方法及控制***
技术领域
本发明属于智能车辆控制领域，具体本发明涉及一种基于改进的群优化算法的车辆路径控制方法及控制***。
背景技术
近年来，随着自动驾驶技术的发展，自动驾驶车辆也得到进一步发展，自动驾驶车辆的应用不仅能够解放驾驶员，更能够减少能源消耗、减少交通事故。而对于自动驾驶车辆，路径规划与控制是自动驾驶车辆的重要研究内容。但现有的自动驾驶车辆的自动驾驶程度不够，不能有效的对地形分类，进而得到最优的路径规划。其路径规划及主动避障能力也不足，不能对各种地形及复杂道路进行有效避障。在路径规划过程中，存在优化性能依赖于人为的参数设置，容易收敛速度慢，或过早收敛陷入局部最优，不能达到最优的性能。在适应度函数设置中，没有充分考虑路径的耗能、避障能力、平滑度、路径长度、路径的堵塞程度等因素，导致不能根据用户的需要得到最优的路径规划。为解决上述问题，本发明提供一种基于改进的群优化算法的车辆路径控制方法及控制***。
发明内容
本发明要解决现有车辆的自动驾驶程度不够、路径规划及避障过程中存在的问题，提供一种基于改进的群优化算法的车辆路径控制方法及控制***。
本发明的技术方案：
本发明提供一种基于改进的群优化算法的车辆路径控制方法，该方法包括如下步骤：步骤1：选择车辆运行模式，其中车辆运行模式包括手动驾驶模式和自动驾驶模式；当车辆运行模式为手动驾驶模式时，车辆伺服制动***切换为助力模式；根据踏板踩踏行程，施加制动力；当车辆运行模式切换为自动驾驶模式时，通过多个激光雷达、视觉传感器、车辆状态传感器单元采集车辆的环境信息、道路标线、交通标志、障碍物数据及车辆的状态数据；通过模式识别算法对采集的车辆的环境信息、道路标线、交通标志、障碍物数据及车辆的状态数据进行分析，进行道路标线识别、交通标志识别、障碍物识别和车辆状态识别；
步骤2：将识别的信息与已存储的地图进行匹配，获得实时电子地图，并分析可供行驶的道路范围；生成可行驶区域和障碍物区域，并在地图中实时显示；
步骤3：基于改进的群优化算法生成全局路径规划，若检测不到动态障碍物，则根据全局路径行驶；当检测到动态障碍物时，则基于机器学习算法得到局部路径规划；
步骤4：根据实时电子地图及道路地形分类规则将道路分类为水平道路、复杂场景路段和起伏路段；并根据不同的道路地形及路径规划对车辆进行自动控制。
优选的，在步骤1中，当车辆运行模式切换为自动驾驶时，自动驾驶模式扩展二级 目录，二级目录包括4种控制模式，分别为距离最短模式、时间最短模式、耗能最少模式和指 定点运行模式，其中不同的自动驾驶模式通过权值
Figure 100002_DEST_PATH_IMAGE001
进行调节，该权值通过神经网络训练 获得。
优选的，所述基于改进的群优化算法生成全局路径规划包括：步骤3.1对地图进行 栅格化；每个栅格为可行驶状态或障碍物状态；对粒子种群进行初始化，包括种群规模、初 始位置、初始速度及迭代次数；根据起点和目标点，生成多组初始路径点集，即多个粒子；步 骤3.2使用适应度函数计算粒子适应度；步骤3.3更新粒子位置和速度；步骤3.4根据适应度 函数，得到个体最优值和全局最优值；步骤3.5重复步骤3.2至步骤3.4，直到达到最大迭代 次数；步骤3.6输出全局最优解；步骤3.7取输出的最优解作为路径点；对路径点插值处理以 生成平滑路径；其中适应度函数为：
Figure 559017DEST_PATH_IMAGE002
； 其中X k ={
Figure 100002_DEST_PATH_IMAGE003
,
Figure 272895DEST_PATH_IMAGE004
,…,
Figure 100002_DEST_PATH_IMAGE005
}，X k 为第k个粒子，每个粒子为一条路径，
Figure 895376DEST_PATH_IMAGE006
为第k个粒子的第i路径 点，
Figure 759426DEST_PATH_IMAGE001
常数，
Figure 100002_DEST_PATH_IMAGE007
，
Figure 167274DEST_PATH_IMAGE008
为避障函数，
Figure 100002_DEST_PATH_IMAGE009
为路径距离函数；
Figure 724157DEST_PATH_IMAGE010
为路径平滑度函 数；
Figure 100002_DEST_PATH_IMAGE011
为耗能函数；
Figure 538661DEST_PATH_IMAGE012
为路径点的拥堵函数。
1）避障函数：
Figure DEST_PATH_IMAGE013
；
其中
Figure 331036DEST_PATH_IMAGE014
为邻近路径点向量到障碍物中心的距离，
Figure 100002_DEST_PATH_IMAGE015
；
Figure 734336DEST_PATH_IMAGE016
表示第j个障碍物的半径；
Figure 100002_DEST_PATH_IMAGE017
为障碍物的膨胀因子；当
Figure 788353DEST_PATH_IMAGE008
为1时，表示路径是安全的， 可以避障；当
Figure 808262DEST_PATH_IMAGE008
为0表示存在障碍物。
2）路径距离函数：
Figure 873170DEST_PATH_IMAGE018
，其中
Figure 100002_DEST_PATH_IMAGE019
为起始点到终点的距离，
Figure 130976DEST_PATH_IMAGE020
为路径长度；路径长度越短，
Figure 100002_DEST_PATH_IMAGE021
越大。
3）路径平滑度函数：
Figure 905028DEST_PATH_IMAGE022
，
Figure 100002_DEST_PATH_IMAGE023
(i=1,2,…,n)；
Figure 943391DEST_PATH_IMAGE024
；
Figure 100002_DEST_PATH_IMAGE025
；其中
Figure 687356DEST_PATH_IMAGE026
为相邻路 径的角度变化，范围为[0,π]，相邻路径的角度变化越小，
Figure 100002_DEST_PATH_IMAGE027
的值越大，路径越平滑。
4）耗能函数：
Figure 439149DEST_PATH_IMAGE028
；
Figure 100002_DEST_PATH_IMAGE029
；
Figure 243157DEST_PATH_IMAGE030
；其中，
Figure 100002_DEST_PATH_IMAGE031
为路径点，
Figure 768816DEST_PATH_IMAGE032
分别表示路径 点的坐标，
Figure 100002_DEST_PATH_IMAGE033
为路径点的地势高度；
Figure 191839DEST_PATH_IMAGE034
>1>
Figure 100002_DEST_PATH_IMAGE035
；通过系数
Figure 424237DEST_PATH_IMAGE036
，区分车辆在上坡与下坡时不同的 耗能；车辆上坡时，耗能增高，下坡时，耗能降低。
5）拥堵函数：
Figure 100002_DEST_PATH_IMAGE037
；集合
Figure 789359DEST_PATH_IMAGE038
表示路径点
Figure 100002_DEST_PATH_IMAGE039
出现的次数；其表示在T时间 段内，该路径点相对于总路径点的比重。
优选的，局部路径规划包括：根据电子地图和检测信息，对道路中障碍物预测，并 基于电子地图、预测结果、当前点和目标点的位置，在状态空间生成运动到多个轨迹状态的 采样空间，并生成多个轨迹状态对应的多个控制动作；基于机器学习算法获得每个控制参 数对应的控制动作的奖赏，通过奖赏函数给路径评分，获得奖赏最大的轨迹为局部最优路 径；所述奖赏为：
Figure 100002_DEST_PATH_IMAGE041
；
Figure 54512DEST_PATH_IMAGE042
；
Figure 140279DEST_PATH_IMAGE044
；
Figure 86239DEST_PATH_IMAGE046
；其中，
Figure 100002_DEST_PATH_IMAGE047
表示当行李车到达终点的状态；
Figure 497628DEST_PATH_IMAGE048
表示当行李车与障碍物的距离 小于设定阈值的状态；
Figure 100002_DEST_PATH_IMAGE049
表示当前时刻状态势能值小于上一时刻状态势能值状态；
Figure 545350DEST_PATH_IMAGE050
表示 当前时刻状态时能大于上一时刻状态的势能值状态；
Figure 100002_DEST_PATH_IMAGE051
表示其他状态；
Figure 434808DEST_PATH_IMAGE052
表示与目标的距 离；
Figure 100002_DEST_PATH_IMAGE053
为惩罚因子；
Figure 704116DEST_PATH_IMAGE054
为当前时刻的奖赏值；
Figure DEST_PATH_IMAGE055
为当前时刻状态势能值，表示其与目标 点的势能；
Figure 660308DEST_PATH_IMAGE056
为t时刻车辆的观测状态；
Figure DEST_PATH_IMAGE057
为状态
Figure 54380DEST_PATH_IMAGE058
的控制策略。
优选的，所述根据不同的道路地形及路径规划对车辆进行自动控制包括：其中在水平道路上，车辆能够沿着道路中心线行驶，能根据车辆速度和道路限速进行控制；对于复杂路段及起伏路段，实现分类道路限速控制。
进一步的，一种基于改进的群优化算法的车辆路径控制***，包括人机交互模块、检测模块、地图构建模块、路径规划模块和控制模块；用户通过人机交互模块选择车辆运行模式，并显示电子地图和路径规划信息，其中车辆运行模式包括手动驾驶模式和自动驾驶模式；所述自动驾驶模式可扩展二级目录，二级目录包括4种控制模式，分别为距离最短模式、时间最短模式、耗能最少模式和指定点运行模式；检测模块采集车辆的环境信息、道路标线、交通标志、障碍物数据和车辆的状态数据；通过模式识别算法对检测模块采集的数据进行分析，进行道路标线识别、交通标志识别、障碍物识别和车辆状态识别；地图构建模块将检测模块识别的信息与已存储的地图进行匹配，获得实时电子地图，并分析可供行驶的道路范围；生成可行驶区域和障碍物区域，并在地图中实时显示；路径规划模块基于改进的群优化算法生成全局路径规划，若检测不到动态障碍物，则根据全局路径行驶；当检测到动态障碍物时，基于机器学***道路、复杂场景路段和起伏路段；并根据不同的道路地形及路径规划对车辆进行自动控制。
优选的，所述检测模块包括视觉传感器，用于获得道路标线、交通标志、障碍物检测数据；多个激光雷达，用于获得障碍物与车辆的距离和障碍物的速度信息；车辆状态传感器，用于获得车辆的状态数据，包括车辆的位置、速度、角速度；数据融合模块，用于将视觉传感器、激光雷达及车辆状态传感器的数据进行融合。
本发明的有益效果：
1.车辆行驶的复杂道路上时，能够根据地形不同，对地形进行分类，根据地形不同进行分类控制；分类控制包括对车速、转向等设置限制。2.可实现手动驾驶和自动驾驶；当车辆运行模式为手动驾驶时，车辆伺服制动***切换为助力模式；根据踏板踩踏行程，施加制动力；当车辆运行模式切换为自动驾驶时，车辆伺服制动***响应控制器发送的控制命令，对车辆进行控制；其自动驾驶模式可扩展二级目录，二级目录包括4种控制模式，包括距离最短模式、时间最短模式、耗能最少模式、指定点运行模式，其中不同的自动驾驶模式通过权值进行调节。3.通过改进的群优化算法获得全局最优路径，通过权值设置不同的适应度函数，能够实现对不同车辆运行模式下的最优路径的规划，对粒子群优化算法的适应度函数进行改进，通过对适应度函数的设置，考虑路径的耗能、避障能力、路径平滑度、路径长度、路径的堵塞程度，生成更加安全、平滑、高效的全局路径。4.局部路径规划采用机器学习算法，实现对动态障碍物的避障及局部的路径规划，通过改奖赏函数，避免陷入局部最优，实现有效的动态避障。
附图说明
图1为本发明的流程图；
图2为改进的群优化算法的流程图；
图3为障碍物的安全距离示意图；
图4为本发明的***框图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。
第一实施例：如图1所示，本发明提供一种基于改进的群优化算法的车辆路径控制方法，该方法包括如下步骤：
步骤1：选择车辆运行模式，其中车辆运行模式包括手动驾驶模式和自动驾驶模式；当车辆运行模式为手动驾驶模式时，车辆伺服制动***切换为助力模式；根据踏板踩踏行程，施加制动力；当车辆运行模式切换为自动驾驶模式时，通过多个激光雷达、视觉传感器、车辆状态传感器单元采集车辆的环境信息、道路标线、交通标志、障碍物数据及车辆的状态数据；通过模式识别算法对检测模块采集的数据进行分析，进行道路标线识别、交通标志识别、障碍物识别和车辆状态识别；
步骤2：将检测模块识别的信息与已存储的地图进行匹配，获得实时电子地图，并分析可供行驶的道路范围；生成可行驶区域和障碍物区域，并在地图中实时显示；
步骤3：基于改进的群优化算法生成全局路径规划，若检测不到动态障碍物，则根据全局路径行驶；当检测到动态障碍物时，则基于机器学习算法得到局部路径规划；
步骤4：根据实时电子地图及道路地形分类规则将道路分类为水平道路、复杂场景路段和起伏路段；并根据不同的道路地形及路径规划对车辆进行自动控制。
进一步的，在步骤1中，当车辆运行模式切换为自动驾驶时，自动驾驶模式扩展二 级目录，二级目录包括4种控制模式，分别为距离最短模式、时间最短模式、耗能最少模式和 指定点运行模式，其中不同的自动驾驶模式通过权值
Figure DEST_PATH_IMAGE059
进行调节，该权值通过神经网络训 练获得。
进一步的，如图2所示，基于改进的群优化算法生成全局路径规划包括：步骤3.1对 地图进行栅格化；每个栅格为可行驶状态或障碍物状态；对粒子种群进行初始化，包括种群 规模、初始位置、初始速度及迭代次数Maxn；根据起点和目标点，生成多组初始路径点集，即 多个粒子X k ，k=1,2,…,Maxn，每个粒子为一条路径包括n个路径点；步骤3.2使用适应度函 数计算粒子适应度；步骤3.3更新粒子位置和速度；步骤3.4根据适应度函数，得到个体最优 值和全局最优值；步骤3.5重复步骤3.2至步骤3.4，直到达到最大迭代次数；步骤3.6输出全 局最优解；步骤3.7取输出的最优解作为路径点；对路径点插值处理以生成平滑路径；其中 适应度函数为：
Figure 872164DEST_PATH_IMAGE060
；其中X k ={
Figure DEST_PATH_IMAGE061
,
Figure 402502DEST_PATH_IMAGE062
,…,
Figure DEST_PATH_IMAGE063
}，X k 为第k个粒子，每个粒子为一条路径，
Figure 296640DEST_PATH_IMAGE039
为第k个粒子的第i路径点，
Figure 912429DEST_PATH_IMAGE059
常数，
Figure 206007DEST_PATH_IMAGE064
，
Figure DEST_PATH_IMAGE065
为避障函数，
Figure 981065DEST_PATH_IMAGE066
为路径距离函数；
Figure DEST_PATH_IMAGE067
为路径平滑度函数；
Figure 639580DEST_PATH_IMAGE068
为 耗能函数；
Figure DEST_PATH_IMAGE069
为路径点的拥堵函数。
1）避障函数：
Figure 588337DEST_PATH_IMAGE070
；如图3所示，O点为障碍物原点，路 径与障碍物的距离为：
Figure 420027DEST_PATH_IMAGE072
，则
Figure DEST_PATH_IMAGE073
，
Figure 315171DEST_PATH_IMAGE074
为邻近 路径点向量到障碍物中心的距离；
Figure 879007DEST_PATH_IMAGE016
表示第j个障碍物的半径；
Figure DEST_PATH_IMAGE075
为障碍物的膨胀因子；当
Figure 610334DEST_PATH_IMAGE065
为1时，表示路径是安全的，可以避障；当
Figure 245715DEST_PATH_IMAGE065
为0表示存在障碍物。
2）路径距离函数：
Figure 605152DEST_PATH_IMAGE076
，其中
Figure DEST_PATH_IMAGE077
为起始点到终点的距离，
Figure 995682DEST_PATH_IMAGE020
为路径长度；路径长度越短，
Figure 807780DEST_PATH_IMAGE021
越大。
3）路径平滑度函数：
Figure 246852DEST_PATH_IMAGE022
，
Figure 100276DEST_PATH_IMAGE023
(i=1,2,…,n)；
Figure 271495DEST_PATH_IMAGE024
；
Figure 633206DEST_PATH_IMAGE025
；其中
Figure 672706DEST_PATH_IMAGE078
为相邻路 径的角度变化，范围为[0,π]，相邻路径的角度变化越小，
Figure 803473DEST_PATH_IMAGE027
的值越大，路径越平滑。
4）耗能函数：
Figure 145593DEST_PATH_IMAGE028
；
Figure 73228DEST_PATH_IMAGE029
；
Figure 588523DEST_PATH_IMAGE030
；其中，
Figure 777059DEST_PATH_IMAGE031
为路径点，
Figure 352397DEST_PATH_IMAGE032
分别表示路径 点的坐标，
Figure 751017DEST_PATH_IMAGE033
为路径点的地势高度；
Figure 70003DEST_PATH_IMAGE034
>1>
Figure 113046DEST_PATH_IMAGE035
；通过系数
Figure 439378DEST_PATH_IMAGE036
，区分车辆在上坡与下坡时不同的 耗能；车辆上坡时，耗能增高，下坡时，耗能降低。
5）拥堵函数：
Figure 997398DEST_PATH_IMAGE037
；集合
Figure 57758DEST_PATH_IMAGE038
表示路径点
Figure 17624DEST_PATH_IMAGE039
出现的次数；其表示在T时间 段内，该路径点相对于总路径点的比重。
第二实施例，如图4所述，本发明提供一种基于改进的群优化算法的车辆路径控制***，该控制***可用于车辆的路径规划及避障，可用于货物装载车、AGV等装置，包括人机交互模块、检测模块、地图构建模块、路径规划模块和控制模块；
用户通过人机交互模块选择车辆运行模式，并显示电子地图和路径规划信息，其中车辆运行模式包括手动驾驶模式和自动驾驶模式；所述自动驾驶模式可扩展二级目录，二级目录包括4种控制模式，分别为距离最短模式、时间最短模式、耗能最少模式和指定点运行模式；检测模块采集车辆的环境信息、道路标线、交通标志、障碍物数据及车辆的状态数据；通过模式识别算法对检测模块采集的环境信息、道路标线、交通标志、障碍物数据及车辆的状态数据进行分析，进行道路标线识别、交通标志识别、障碍物识别和车辆状态识别；地图构建模块将检测模块识别的信息与已存储的地图进行匹配，获得实时电子地图，并分析可供行驶的道路范围；生成可行驶区域和障碍物区域，并在地图中实时显示；路径规划模块基于改进的群优化算法生成全局路径规划，若检测不到动态障碍物，则根据全局路径行驶；当检测到动态障碍物时，基于机器学***道路、复杂场景路段和起伏路段；并根据不同的道路地形及路径规划对车辆进行自动控制。
进一步的，所述检测模块包括视觉传感器，用于获得道路标线、交通标志、障碍物检测数据；多个激光雷达，用于获得障碍物与车辆的距离和障碍物的速度信息；车辆状态传感器，用于获得车辆的状态数据，包括车辆的位置、速度、角速度；数据融合模块，用于将视觉传感器、激光雷达及车辆状态传感器的数据进行融合。需要说明的，车辆状态传感器可包括GPS、罗盘、惯导***、速度传感器等设备。
进一步的，局部路径规划包括：根据电子地图和检测的动态障碍物信息，对动态障碍物进行预测，并基于环境地图、障碍物预测结果、当前点和目标点的位置，在状态空间生成运动到多个轨迹状态的采样空间，并生成多个轨迹状态对应的多个控制动作；基于机器学习算法获得多个控制动作中的每个控制动作的预期奖赏，通过评价函数给路径评分，获得评分最高的轨迹为局部最优路径。
优选的，为了避免算法陷入局部最优，在当前奖赏加上0.8倍的上一状态的奖赏， 得到奖赏：
Figure DEST_PATH_IMAGE079
；
Figure 262661DEST_PATH_IMAGE042
；
Figure 511239DEST_PATH_IMAGE080
；
Figure 172028DEST_PATH_IMAGE081
；其中，
Figure 65029DEST_PATH_IMAGE047
表示当行李车到达终点的状态；
Figure 356333DEST_PATH_IMAGE048
表示当行李车与障碍物的距离 小于设定阈值的状态；
Figure 888945DEST_PATH_IMAGE049
表示当前时刻状态势能值小于上一时刻状态势能值状态；
Figure 415741DEST_PATH_IMAGE050
表示 当前时刻状态时能大于上一时刻状态的势能值状态；
Figure 84620DEST_PATH_IMAGE051
表示其他状态；
Figure 546826DEST_PATH_IMAGE052
表示与目标的距 离；
Figure 566734DEST_PATH_IMAGE053
为惩罚因子；
Figure 880910DEST_PATH_IMAGE054
为当前时刻的奖赏值；
Figure 873136DEST_PATH_IMAGE056
为t时刻车辆的观测状态；
Figure 568560DEST_PATH_IMAGE057
为状态
Figure 872502DEST_PATH_IMAGE058
的 控制策略；
Figure 678784DEST_PATH_IMAGE055
为当前时刻状态势能值，表示其与目标点的势能；当前时刻状态势能小于 上一时刻状态的势能值表示行李车从远离目标的位置到达靠近目标的位置，给当前点增加 奖赏值；当前时刻状态时能大于上一时刻状态的势能值表示行李车从靠近目标的位置到达 远离目标的位置，给当前点减小奖赏值，引入状态势能，当行李车接近目标点时，会获得一 定的奖赏，反之减少奖赏，以此达到更好的收敛效果。
进一步的，所述机器学习算法包括Actor网络和Critic网络，Actor网络用于确定 路径状态对应的控制动作，形成新的运动状态；Critic网络用于基于给定的路径状态确定 控制动作的奖赏；Actor网络根据当前粒子观测状态s和目标g选择合适的控制动作a，通过 计算奖赏函数获得预期奖赏r后，状态从s转移到s′，将s，g，a，r，s′组合为一个元组X＝(s, g,a,r,s′)，并将其存放在经验回放池中；累积每步动作的预期奖赏来计算评价函数，
Figure DEST_PATH_IMAGE082
，其中E为数学期望，
Figure 791097DEST_PATH_IMAGE053
为代价因子；根据贝尔曼方程迭代直至策略 参数收敛至最优；贝尔曼方程描述如下：
Figure DEST_PATH_IMAGE084
，
Figure 673733DEST_PATH_IMAGE085
为t时刻行李 车的观测状态，
Figure DEST_PATH_IMAGE086
为控制策略在状态
Figure 996130DEST_PATH_IMAGE085
下的奖赏；
Figure 340524DEST_PATH_IMAGE087
为状态转移概率；
Figure DEST_PATH_IMAGE088
为使状态
Figure 307343DEST_PATH_IMAGE089
得到最高奖赏的策略。
进一步的，所述根据不同的道路地形及路径规划对车辆进行自动控制包括：其中在水平道路上，车辆能够沿着道路中心线行驶，能根据车辆速度和道路限速进行控制；对于复杂路段及起伏路段，实现分类道路限速控制。
以上所述仅为本发明的较佳实施例而已，并不以本发明为限制，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于改进的群优化算法的车辆路径控制方法，其特征在于，该方法包括如下步骤：
步骤1：选择车辆运行模式，其中车辆运行模式包括手动驾驶模式和自动驾驶模式；当车辆运行模式为手动驾驶模式时，车辆伺服制动***切换为助力模式；根据踏板踩踏行程，施加制动力；当车辆运行模式切换为自动驾驶模式时，通过多个激光雷达、视觉传感器、车辆状态传感器单元采集车辆的环境信息、道路标线、交通标志、障碍物数据及车辆的状态数据；通过模式识别算法对采集的车辆的环境信息、道路标线、交通标志、障碍物数据及车辆的状态数据进行分析，进行道路标线识别、交通标志识别、障碍物识别和车辆状态识别；
步骤2：将识别的信息与已存储的地图进行匹配，获得实时电子地图，并分析可供行驶的道路范围；生成可行驶区域和障碍物区域，并在地图中实时显示；
步骤3：基于改进的群优化算法生成全局路径规划，若检测不到动态障碍物，则根据全局路径行驶；当检测到动态障碍物时，则基于机器学习算法得到局部路径规划；
步骤4：根据实时电子地图及道路地形分类规则将道路分类为水平道路、复杂场景路段和起伏路段；并根据不同的道路地形及路径规划对车辆进行自动控制。
2.根据权利要求1所述的控制方法，其特征在于，所述基于改进的群优化算法生成全局 路径规划包括：步骤3.1对地图进行栅格化；每个栅格为可行驶状态或障碍物状态；对粒子 种群进行初始化，包括种群规模、初始位置、初始速度及迭代次数；根据起点和目标点，生成 多组初始路径点集，即多个粒子；步骤3.2使用适应度函数计算粒子适应度；步骤3.3更新粒 子位置和速度；步骤3.4根据适应度函数，得到个体最优值和全局最优值；步骤3.5重复步骤 3.2至步骤3.4，直到达到最大迭代次数；步骤3.6输出全局最优解；步骤3.7取输出的最优解 作为路径点；对路径点插值处理以生成平滑路径；其中适应度函数为：
Figure DEST_PATH_IMAGE001
；其中X k ={
Figure 452211DEST_PATH_IMAGE002
,
Figure DEST_PATH_IMAGE003
,…,
Figure 145361DEST_PATH_IMAGE004
}，X k 为第k个粒子，
Figure DEST_PATH_IMAGE005
为第k个粒子的第i路径点，
Figure 315180DEST_PATH_IMAGE006
常数，
Figure DEST_PATH_IMAGE007
，
Figure 333952DEST_PATH_IMAGE008
为避障函数，
Figure DEST_PATH_IMAGE009
为路径 距离函数；
Figure 339954DEST_PATH_IMAGE010
为路径平滑度函数；
Figure DEST_PATH_IMAGE011
为耗能函数；
Figure 649843DEST_PATH_IMAGE012
为路径点的拥堵函数。
3.根据权利要求1所述的控制方法，其特征在于，在步骤1中，当车辆运行模式切换为自 动驾驶时，自动驾驶模式扩展二级目录，二级目录包括4种控制模式，分别为距离最短模式、 时间最短模式、耗能最少模式和指定点运行模式，其中不同的自动驾驶模式通过权值
Figure 97005DEST_PATH_IMAGE006
进 行调节，该权值通过神经网络训练获得。
4.根据权利要求1所述的控制方法，其特征在于，所述局部路径规划包括：根据电子地 图和检测的动态障碍物信息，对动态障碍物进行预测，并基于环境地图、障碍物预测结果、 当前点和目标点的位置，在状态空间生成运动到多个轨迹状态的采样空间，并生成多个轨 迹状态对应的多个控制动作；基于机器学习算法获得多个控制动作中的每个控制动作的预 期奖赏，通过评价函数给路径评分，获得评分最高的轨迹为局部最优路径；所述奖赏为：
Figure 755520DEST_PATH_IMAGE014
；
Figure DEST_PATH_IMAGE015
；
Figure DEST_PATH_IMAGE017
；
Figure DEST_PATH_IMAGE019
；其中，
Figure 983239DEST_PATH_IMAGE020
表示当行李车到达终点的状态；
Figure DEST_PATH_IMAGE021
表示当行李车与障碍物的距离小于设定阈值的 状态；
Figure 395022DEST_PATH_IMAGE022
表示当前时刻状态势能值小于上一时刻状态势能值状态；
Figure DEST_PATH_IMAGE023
表示当前时刻状态时 能大于上一时刻状态的势能值状态；
Figure 227849DEST_PATH_IMAGE024
表示其他状态；
Figure DEST_PATH_IMAGE025
表示与目标的距离；
Figure 322844DEST_PATH_IMAGE026
为惩罚因 子；
Figure DEST_PATH_IMAGE027
为当前时刻的奖赏值；
Figure 54170DEST_PATH_IMAGE028
为当前时刻状态势能值，表示其与目标点的势能；
Figure DEST_PATH_IMAGE029
为控制策略在状态
Figure 627234DEST_PATH_IMAGE030
下的奖赏，
Figure 376884DEST_PATH_IMAGE030
为t时刻车辆的观测状态；
Figure DEST_PATH_IMAGE031
为状态
Figure 642781DEST_PATH_IMAGE032
的控制 策略。
5.根据权利要求1所述的控制方法，其特征在于，所述根据不同的道路地形及路径规划对车辆进行自动控制包括：其中在水平道路上，车辆能够沿着道路中心线行驶，能根据车辆速度和道路限速进行控制；对于复杂路段及起伏路段，实现分类道路限速控制。
6.一种基于改进的群优化算法的车辆路径控制***，其特征在于，包括人机交互模块、检测模块、地图构建模块、路径规划模块和控制模块；
用户通过人机交互模块选择车辆运行模式，并显示电子地图和路径规划信息，其中车辆运行模式包括手动驾驶模式和自动驾驶模式；所述自动驾驶模式可扩展二级目录，二级目录包括4种控制模式，分别为距离最短模式、时间最短模式、耗能最少模式和指定点运行模式；
检测模块采集车辆的环境信息、道路标线、交通标志、障碍物数据及车辆的状态数据；通过模式识别算法对检测模块采集的环境信息、道路标线、交通标志、障碍物数据及车辆的状态数据进行分析，进行道路标线识别、交通标志识别、障碍物识别和车辆状态识别；
地图构建模块将检测模块识别的信息与已存储的地图进行匹配，获得实时电子地图，并分析可供行驶的道路范围；生成可行驶区域和障碍物区域，并在地图中实时显示；
路径规划模块基于改进的群优化算法生成全局路径规划，若检测不到动态障碍物，则根据全局路径行驶；当检测到动态障碍物时，基于机器学习算法得到局部路径规划；
控制模块根据实时电子地图及道路地形分类规则将道路分类为水平道路、复杂场景路段和起伏路段；并根据不同的道路地形及路径规划对车辆进行自动控制。
7.根据权利要求6所述的***，其特征在于，所述检测模块包括视觉传感器，用于获得道路标线、交通标志和障碍物检测数据；多个激光雷达，用于获得障碍物与车辆的距离和障碍物的速度信息；车辆状态传感器，用于获得车辆的状态数据，包括车辆的位置、速度和角速度；数据融合模块，用于将视觉传感器、激光雷达和车辆状态传感器的数据进行融合。
8.根据权利要求6所述的***，其特征在于，所述基于改进的群优化算法生成全局路径 规划包括：1）对地图进行栅格化；每个栅格为可行驶状态或障碍物状态；对粒子种群进行初 始化，包括种群规模、初始位置、初始速度及迭代次数；根据起点和目标点，生成多组初始路 径点集，即多个粒子；2）使用适应度函数计算粒子适应度；3）更新粒子位置和速度；4）根据 适应度函数，得到个体最优值和全局最优值；5）重复步骤3）至4），直到达到最大迭代次数； 6）输出全局最优解；7）取输出的最优解作为路径点；对路径点插值处理以生成平滑路径；其 中适应度函数为：
Figure DEST_PATH_IMAGE033
；其中X k ={
Figure 94359DEST_PATH_IMAGE034
,
Figure DEST_PATH_IMAGE035
,…,
Figure 2273DEST_PATH_IMAGE036
}，X k 为第k个粒子，
Figure DEST_PATH_IMAGE037
为第k个粒子的第i路径点，
Figure 606429DEST_PATH_IMAGE038
常数，
Figure DEST_PATH_IMAGE039
，
Figure 121855DEST_PATH_IMAGE040
为避 障函数，
Figure DEST_PATH_IMAGE041
为路径距离函数；
Figure 952408DEST_PATH_IMAGE042
为路径平滑度函数；
Figure DEST_PATH_IMAGE043
为耗能函数；
Figure 991908DEST_PATH_IMAGE044
为路径 点的拥堵函数。
9.根据权利要求6所述的***，其特征在于，所述局部路径规划包括：根据电子地图和 检测的动态障碍物信息，对动态障碍物进行预测，并基于环境地图、障碍物预测结果、当前 点和目标点的位置，在状态空间生成运动到多个轨迹状态的采样空间，并生成多个轨迹状 态对应的多个控制动作；基于机器学习算法获得多个控制动作中的每个控制动作的预期奖 赏，通过评价函数给路径评分，获得评分最高的轨迹为局部最优路径；所述奖赏为：
Figure 325938DEST_PATH_IMAGE014
；
Figure DEST_PATH_IMAGE045
；
Figure 576047DEST_PATH_IMAGE046
；
Figure 362737DEST_PATH_IMAGE019
；其中，
Figure 878032DEST_PATH_IMAGE020
表示当行李车到达终点的状态；
Figure DEST_PATH_IMAGE047
表示当行李车与障碍物的距离小于设定阈值的 状态；
Figure 456781DEST_PATH_IMAGE048
表示当前时刻状态势能值小于上一时刻状态势能值状态；
Figure DEST_PATH_IMAGE049
表示当前时刻状态时 能大于上一时刻状态的势能值状态；
Figure 314010DEST_PATH_IMAGE050
表示其他状态；
Figure 650313DEST_PATH_IMAGE025
表示与目标的距离；
Figure 906982DEST_PATH_IMAGE026
为惩罚因 子；
Figure DEST_PATH_IMAGE051
为当前时刻的奖赏值；
Figure 340238DEST_PATH_IMAGE052
为当前时刻状态势能值，表示其与目标点的势能；
Figure DEST_PATH_IMAGE053
为控制策略在状态
Figure 555318DEST_PATH_IMAGE030
下的奖赏，
Figure 424923DEST_PATH_IMAGE030
为t时刻车辆的观测状态；
Figure 547600DEST_PATH_IMAGE031
为状态
Figure 445149DEST_PATH_IMAGE032
的控制 策略。
10.根据权利要求6所述的***，其特征在于，所述根据不同的道路地形及路径规划对车辆进行自动控制包括：其中在水平道路上，车辆能够沿着道路中心线行驶，能根据车辆速度和道路限速进行控制；对于复杂路段及起伏路段，实现分类道路限速控制。
CN202211264397.6A 2022-10-17 2022-10-17 基于改进的群优化算法的车辆路径控制方法及控制*** Active CN115344052B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211264397.6A CN115344052B (zh) 2022-10-17 2022-10-17 基于改进的群优化算法的车辆路径控制方法及控制***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211264397.6A CN115344052B (zh) 2022-10-17 2022-10-17 基于改进的群优化算法的车辆路径控制方法及控制***

Publications (2)

Publication Number Publication Date
CN115344052A true CN115344052A (zh) 2022-11-15
CN115344052B CN115344052B (zh) 2023-01-13

Family

ID=83957158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211264397.6A Active CN115344052B (zh) 2022-10-17 2022-10-17 基于改进的群优化算法的车辆路径控制方法及控制***

Country Status (1)

Country Link
CN (1) CN115344052B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100622A (zh) * 2021-12-29 2022-09-23 中国矿业大学 深部受限空间无人运输设备可行驶域检测和自主避障方法
CN116519005A (zh) * 2023-07-04 2023-08-01 上海云骥跃动智能科技发展有限公司 一种路径规划方法及装置
CN118274865A (zh) * 2024-06-04 2024-07-02 山东北骏重工有限公司 一种面向矿用车辆的分布式学习路径规划方法
CN118274865B (zh) * 2024-06-04 2024-07-30 山东北骏重工有限公司 一种面向矿用车辆的分布式学习路径规划方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050390A (zh) * 2014-06-30 2014-09-17 西南交通大学 一种基于可变维粒子群膜算法的移动机器人路径规划方法
CN109799822A (zh) * 2019-01-30 2019-05-24 中国石油大学(华东) 移动机器人全局平滑路径规划方法
CN111738396A (zh) * 2020-06-01 2020-10-02 北京中安智能信息科技有限公司 一种应用于潜艇路径规划的自适应栅格颗粒度蚁群算法
CN112286212A (zh) * 2020-12-29 2021-01-29 北京理工华创电动车技术有限公司 一种车网协同节能控制方法
CN113865603A (zh) * 2021-08-30 2021-12-31 东风柳州汽车有限公司 共享无人车路径规划方法、装置、设备及存储介质
CN114440908A (zh) * 2020-10-31 2022-05-06 华为技术有限公司 一种规划车辆驾驶路径的方法、装置、智能车以及存储介质
CN114859905A (zh) * 2022-04-25 2022-08-05 南京航空航天大学 一种基于人工势场法和强化学习的局部路径规划方法
CN114995425A (zh) * 2022-06-02 2022-09-02 航天时代(青岛)海洋装备科技发展有限公司 一种基于时间最优与能量最优的无人艇自主跟踪方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050390A (zh) * 2014-06-30 2014-09-17 西南交通大学 一种基于可变维粒子群膜算法的移动机器人路径规划方法
CN109799822A (zh) * 2019-01-30 2019-05-24 中国石油大学(华东) 移动机器人全局平滑路径规划方法
CN111738396A (zh) * 2020-06-01 2020-10-02 北京中安智能信息科技有限公司 一种应用于潜艇路径规划的自适应栅格颗粒度蚁群算法
CN114440908A (zh) * 2020-10-31 2022-05-06 华为技术有限公司 一种规划车辆驾驶路径的方法、装置、智能车以及存储介质
CN112286212A (zh) * 2020-12-29 2021-01-29 北京理工华创电动车技术有限公司 一种车网协同节能控制方法
CN113865603A (zh) * 2021-08-30 2021-12-31 东风柳州汽车有限公司 共享无人车路径规划方法、装置、设备及存储介质
CN114859905A (zh) * 2022-04-25 2022-08-05 南京航空航天大学 一种基于人工势场法和强化学习的局部路径规划方法
CN114995425A (zh) * 2022-06-02 2022-09-02 航天时代(青岛)海洋装备科技发展有限公司 一种基于时间最优与能量最优的无人艇自主跟踪方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100622A (zh) * 2021-12-29 2022-09-23 中国矿业大学 深部受限空间无人运输设备可行驶域检测和自主避障方法
CN115100622B (zh) * 2021-12-29 2023-09-22 中国矿业大学 深部受限空间无人运输设备可行驶域检测和自主避障方法
CN116519005A (zh) * 2023-07-04 2023-08-01 上海云骥跃动智能科技发展有限公司 一种路径规划方法及装置
CN116519005B (zh) * 2023-07-04 2023-10-03 上海云骥跃动智能科技发展有限公司 一种路径规划方法及装置
CN118274865A (zh) * 2024-06-04 2024-07-02 山东北骏重工有限公司 一种面向矿用车辆的分布式学习路径规划方法
CN118274865B (zh) * 2024-06-04 2024-07-30 山东北骏重工有限公司 一种面向矿用车辆的分布式学习路径规划方法

Also Published As

Publication number Publication date
CN115344052B (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
US11554785B2 (en) Driving scenario machine learning network and driving environment simulation
US11726477B2 (en) Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout
EP3678911B1 (en) Pedestrian behavior predictions for autonomous vehicles
CN115344052B (zh) 基于改进的群优化算法的车辆路径控制方法及控制***
US20220221866A1 (en) System and method for predictive path planning in autonomous vehicles
US20190145765A1 (en) Three Dimensional Object Detection
CN109643118B (zh) 基于关于车辆的环境的与功能相关的信息来影响车辆的功能
US20220105959A1 (en) Methods and systems for predicting actions of an object by an autonomous vehicle to determine feasible paths through a conflicted area
WO2020112649A1 (en) Probabilistic risk assessment for trajectory evaluation
CN112888612A (zh) 自动驾驶车辆规划
CN107886750B (zh) 一种基于超视距协同认知的无人驾驶汽车控制方法与***
CN116249947A (zh) 预测运动规划***及方法
Shimosaka et al. Modeling risk anticipation and defensive driving on residential roads with inverse reinforcement learning
WO2019134110A1 (en) Autonomous driving methods and systems
CN113071487B (zh) 自动驾驶车辆控制方法、装置及云端设备
WO2022178858A1 (zh) 一种车辆行驶意图预测方法、装置、终端及存储介质
WO2022088761A1 (zh) 一种规划车辆驾驶路径的方法、装置、智能车以及存储介质
Menéndez-Romero et al. Courtesy behavior for highly automated vehicles on highway interchanges
US20230150510A1 (en) Methods and systems for tracking a mover's lane over time
CN113743469A (zh) 一种融合多源数据及综合多维指标的自动驾驶决策方法
CN114415672A (zh) 用于自主驾驶车辆的动态模型评估
CN113120003B (zh) 无人驾驶车辆运动行为决策方法
CN113743767B (zh) 基于时间和安全性的车辆派单方法、***、计算机及介质
US20240092398A1 (en) Trajectory prediction based on a decision tree
WO2023177969A1 (en) Method and system for assessing whether a vehicle is likely to leave an off-road parking area

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20221115

Assignee: Jiangsu Tianyi Airport Equipment Maintenance Service Co.,Ltd.

Assignor: Jiangsu Tianyi Aviation Industry Co.,Ltd.

Contract record no.: X2023980044219

Denomination of invention: Vehicle Path Control Method and Control System Based on Improved Group Optimization Algorithm

Granted publication date: 20230113

License type: Common License

Record date: 20231024

EE01 Entry into force of recordation of patent licensing contract