CN116499486A - 一种复杂越野环境路径规划方法、***及电子设备 - Google Patents
一种复杂越野环境路径规划方法、***及电子设备 Download PDFInfo
- Publication number
- CN116499486A CN116499486A CN202310752885.XA CN202310752885A CN116499486A CN 116499486 A CN116499486 A CN 116499486A CN 202310752885 A CN202310752885 A CN 202310752885A CN 116499486 A CN116499486 A CN 116499486A
- Authority
- CN
- China
- Prior art keywords
- path
- information
- planning
- road
- safety distance
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000005070 sampling Methods 0.000 claims abstract description 49
- 238000005457 optimization Methods 0.000 claims abstract description 45
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 14
- 238000006073 displacement reaction Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 10
- 238000004422 calculation algorithm Methods 0.000 abstract description 8
- 230000001133 acceleration Effects 0.000 description 17
- 238000006243 chemical reaction Methods 0.000 description 9
- 238000005096 rolling process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000001788 irregular Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000010426 asphalt Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
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
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开的复杂越野环境路径规划方法、***及电子设备,涉及路径规划技术领域。本发明基于垂直单元分解法划分信息单元,以获取可行采样点,相对传统规划方法减少了采样点的数量,降低了路径规划均匀采样计算成本。并且,本发明通过建立纵侧向安全距离模型,为建立和求解考虑有安全性、平滑性和运行效率的第一优化问题得到初步路径曲线(即第一路径曲线)提供可靠依据;综合考虑约束条件和任务指标以对初步路径曲线进行优化,最终得到了一条安全平滑且符合车辆动力学约束的路径曲线(即第二路径曲线),以在提高路径规划算法计算效率的同时,提高车辆适应越野环境复杂道路条件的能力,进而能够提高车辆在越野环境运行的安全性。
Description
技术领域
本发明涉及路径规划技术领域,特别是涉及一种复杂越野环境路径规划方法、***及电子设备。
背景技术
路径规划是自动驾驶关键技术之一,是实现自动驾驶车辆运行安全稳定的基础。路径规划的目的是生成一条连接起点与终点的路径,该路径需满足以下要求:不与静态障碍物发生碰撞;满足车辆运动学的限制条件;路径平滑,以保证舒适性。
当前,路径规划多针对于结构化环境,考虑交通限制以及车辆本身的运动特性限制,进行路径规划。而在越野环境中,因地形复杂、通行区域不规则使得车辆运行状态受到多种因素的影响,而现有的传统路径规划并未考虑复杂地形对于车辆运动状态及其与障碍物间安全距离的影响,不适用于复杂越野环境,并且传统路径规划均匀采样计算成本较高。
发明内容
为解决现有技术存在的上述问题,本发明提供了一种复杂越野环境路径规划方法、***及电子设备。
为实现上述目的,本发明提供了如下方案:
一种复杂越野环境路径规划方法,包括:
获取规划信息;所述规划信息包括:全局参考路径信息、车辆状态信息、越野道路参数信息和障碍物状态信息;
采用垂直单元分解法将所述规划信息划分为信息单元;
获取所述信息单元的可行区域,并将可行区域内边界的中点确定为可行采样点;
建立纵侧向安全距离模型,基于所述可行采样点和所述规划信息确定期望纵侧向安全距离;
基于所述可行采样点、所述规划信息和所述期望纵侧向安全距离构建第一优化问题;
基于动态规划方法求解所述第一优化问题,得到第一路径曲线;
在所述第一路径曲线的基础上,考虑约束条件,以安全性和平滑性为目标构建第二优化问题;所述约束条件包括连续性约束和边界约束;
求解所述第二优化问题得到第二路径曲线;所述第二路径曲线为复杂越野环境的路径规划结果。
可选地,基于所述可行采样点建立纵侧向安全距离模型,具体包括:
基于所述规划信息中的车辆状态信息和越野道路参数信息分析车辆制动受力情况和车辆制动过程;
在分析得到车辆制动受力情况和车辆制动过程的基础上,建立所述纵侧向安全距离模型;所述纵侧向安全距离模型包括:纵向安全距离模型和侧向安全距离模型。
可选地,所述纵向安全距离模型为:
;
式中,为纵向安全距离,/>为纵向位移跟随误差,/>为越野道路的纵向风险权重因子,/>为停车安全距离,/>为自车速度,/>为制动响应时间,/>为自车运行状态和道路条件带来的制动距离。
可选地,所述侧向安全距离模型为:
;
式中,为侧向位移跟随误差,/>为越野道路侧向的风险权重因子,/>为侧向安全距离阈值,/>为侧向安全距离。
可选地,所述第一优化问题为:
;
式中,为安全权重系数,/>为平滑权重系数,/>为偏差权重系数,/>为安全性代价项,/>为与全局参考路径的偏差代价项,/>为平滑度代价项,/>为代价总和,min为取最小值。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的复杂越野环境路径规划方法,针对越野环境地形复杂,通行区域不规则的特点,基于垂直单元分解法划分信息单元,基于所划分的信息单元获取可行采样点,相对传统规划方法减少了采样点的数量,降低路径规划均匀采样计算成本。并且,本发明考虑越野道路条件和轨迹跟随误差对于车辆与障碍物间安全距离的影响,提出纵侧向安全距离模型,为建立和求解考虑安全性、平滑性和运行效率的第一优化问题得到初步路径曲线(即第一路径曲线)提供可靠依据;综合考虑约束条件和任务指标以对初步路径曲线进行优化,最终得到了一条安全平滑且符合车辆动力学约束的路径曲线,以在提高路径规划算法计算效率的同时,提高车辆适应越野环境复杂道路条件的能力,进而能够提高车辆在越野环境运行的安全性。
此外,本发明还提供了以下实施结构:
一种复杂越野环境路径规划***,应用于上述提供的复杂越野环境路径规划方法;所述***包括:
信息获取模块,用于获取规划信息;所述规划信息包括:全局参考路径信息、车辆状态信息、越野道路参数信息和障碍物状态信息;
信息划分模块,用于采用垂直单元分解法将所述规划信息划分为信息单元;
采样点确定模块,用于获取所述信息单元的可行区域,并将可行区域内边界的中点确定为可行采样点;
安全距离模型构建模块,用于建立纵侧向安全距离模型,基于所述可行采样点和规划信息确定期望纵侧向安全距离;
基于所述可行采样点、所述规划信息和所述期望纵侧向安全距离构建第一优化问题;
第一路径曲线确定模块,用于基于动态规划方法求解所述第一优化问题,得到第一路径曲线;
第二优化问题构建模块,用于在所述第一路径曲线的基础上,考虑约束条件,以安全性和平滑性为目标构建第二优化问题;所述约束条件包括连续性约束和边界约束;
第二路径曲线确定模块,用于求解所述第二优化问题得到第二路径曲线;所述第二路径曲线为复杂越野环境的路径规划结果。
一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,与所述存储器连接,用于调取并执行所述计算机程序,以实施上述提供的复杂越野环境路径规划方法。
可选地,所述存储器为计算机可读存储介质。
因本发明提供的上述两种实施结构实现的技术效果与本发明提供的复杂越野环境路径规划方法实现的技术效果相同,故在此不再进行赘述。
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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的复杂越野环境路径规划方法的流程图;
图2为本发明实施例提供的可行采样点示意图;
图3为本发明实施例提供的基于动态规划方法求解第一优化问题示意图;
图4为本发明实施例提供的车辆与障碍物横纵向距离示意图;
图5为本发明实施例提供的侧向边界约束示意图;
图6为本发明实施例提供的车辆轮廓示意图。
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。
本发明的目的是提供一种复杂越野环境路径规划方法、***及电子设备,能够适用于复杂越野环境的同时,降低路径规划均匀采样计算成本。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示,本实施例提供的复杂越野环境路径规划方法,包括:
步骤100:获取规划信息。规划信息包括:全局参考路径信息、车辆状态信息、越野道路参数信息和障碍物状态信息。该步骤的目的是为划分单元获取可行解提供参数信息,为路径规划提供信息基础。其中,越野道路参数信息和障碍物状态信息通过感知***获取。
进一步的,上述步骤100中的全局参考路径为全局规划得到的参考路径,其包括一系列航向点。航向点具体包括航向点横纵坐标和对应的曲率。车辆状态信息包括车辆位姿信息和车辆执行机构信息。车辆位姿信息包括车辆位置横纵坐标、车辆速度、车辆航向角和横摆角速度。车辆执行机构信息包括油门开度信息、制动压力信息和前轮转角信息。越野道路参数包括线形条件、路面类型及路面类型对应的附着系数和滚动阻力系数。线形条件包括坡道角度、曲率和起伏程度。障碍物状态信息(静态)包括静态障碍物位置信息。静态障碍物位置信息具体包括静态障碍物位置的横纵坐标以及高度。
进一步,路面类型及其对应的附着系数和滚动阻力系数的获取方式可以为:利用多源信息融合算法融合激光雷达点云信息和图像信息,通过卷积神经网络对路面类型进行识别,根据识别得到的路面类型获取对应附着系数和滚动阻力系数。各路面附着系数和滚动阻力系数如表1所示。
步骤101:采用垂直单元分解法将规划信息划分为信息单元。该步骤实施时,需要判断前方是否存在障碍物,若不存在障碍物则直接沿参考线继续行驶。若存在障碍物,将障碍物投影到frenet坐标系下,建立SL图,通过垂直单元分解法划分信息单元。
步骤102:获取信息单元的可行区域,并将可行区域内边界的中点确定为可行采样点。具体的,在通过垂直单元分解法划分信息单元后,获取各信息单元可行区域内的边界,获取边界中点以及边界与参考线交点作为可行采样点,如图2所示。
步骤103:建立纵侧向安全距离模型,基于可行采样点和规划信息确定期望纵侧向安全距离。在本实施例中,建立的纵侧向安全距离模型包括考虑道路条件、道路风险和轨迹跟随误差的纵向安全距离模型和考虑道路条件和轨迹跟随误差的侧向安全距离模型。基于此,纵侧向安全距离模型的建立过程为:
步骤1031、获取车辆状态信息和越野道路参数信息。
步骤1032、基于获取的车辆状态信息和越野道路参数信息分析车辆制动受力情况及制动过程。
步骤1033、在分析车辆制动受力情况及制动过程的基础上,建立考虑道路条件下道路风险和轨迹跟随误差的纵向安全距离模型:
1) 传统基于制动过程的安全距离模型可表示为:
。
其中,为制动响应时间,/>为安全距离,/>为停车安全距离,与具体道路条件有关,一般取2-5m,/>为自车速度。/>为最大制动减速度,一般为给定值,不随道路条件发生变化。
2)传统基于制动过程的安全距离模型并未考虑道路条件,而考虑道路条件,根据制动受力分析图可以得到下坡过程中最大制动减速度。最大制动减速度可表示为:
。
其中,为附着系数,不同路面类型对应于不同的附着系数,本实施例认为良好道路条件为平直干燥沥青路面,其附着系数为0.8。/>为坡道角度。/>为重力加速度。
根据制动过程分析可得简化后的车辆总制动距离(即安全距离),表示为:
。
其中,为制动***响应时间。/>为制动器作用时间,由于本实施例针对自动驾驶***,所以忽略驾驶人反应时间,而是关注制动***响应时间。
则综合考虑道路条件对于车辆间安全距离的影响的安全距离模型为:
。
其中,。
3)量化越野环境道路条件风险:
根据车辆当前状态计算良好道路条件下的制动距离,为:
。
其中,为良好道路条件下的制动距离。
根据参数辨识得到前方道路坡度、曲率及路面类型等道路参数信息,计算当前道路条件下车辆的制动距离:
。
其中,为当前道路条件下车辆的制动距离,/>为前方路段路面类型所对应的路面附着系数。/>为前方路段坡道角度。
最后,根据两种道路条件下车辆的制动距离确定越野道路纵向风险权重因子,以评估前方路段风险。越野道路纵向风险权重因子表示为:
。
其中,为越野道路纵向风险权重因子。
则,将纵向风险权重因子引入到纵向安全距离模型中,考虑道路条件和道路风险的纵向安全距离模型为:
。
其中,为期望纵向安全距离与实际纵向安全距离间的差值,/>为考虑道路条件和道路风险的纵向安全距离。
4)实际轨迹跟随过程中会因为环境干扰等因素导致出现纵向位移跟随误差和速度跟随误差,考虑到纵向位移跟随误差和速度跟随误差的影响,速度跟随误差会最终表现为纵向位移误差,所以将总线位移误差考虑到纵向安全距离模型中,则综合考虑轨迹跟随误差、道路条件和道路风险的纵向安全距离模型可表示为:
。
其中,为纵向位移跟随误差,可表示为:
。
其中,为Frenet坐标系下车辆t时刻的纵向位置,/>为Frenet坐标系下车辆t时刻的纵向参考位置。
步骤1034、建立考虑道路条件和轨迹跟随误差的侧向安全距离模型,过程为:
1)量化道路风险:
考虑弯道曲率变化对于车辆运行的影响,弯道曲率变化改变侧向加速度大小,侧向加速度可表示为:
。
其中,为侧向加速度,/>为汽车和空气的相对速度,/>为道路曲率。
侧向反作用力可表示为:
。其中,/>为车辆质量,/>为侧向反作用力。
以直道为基准,定义由曲率带来的风险权重因子为:
。
其中,为曲率带来的风险权重因子,/>为车辆最小转弯半径,/>为前方道路曲率,/>为取最小值函数。
道路条件的变化会导致地面可提供的侧向反作用力降低,地面可提供的最大侧向反作用力可表示为:
。
其中,为地面纵向反作用力,可表示为:
。
其中,为纵向加速度,规划过程中认为车辆保持当前时刻速度和加速度,/>为滚动阻力系数,/>为空气阻力系数,/>为迎风面积,/>为空气密度。
其他道路条件(坡道、路面类型等)的变化形成的地面可提供的最大侧向反作用力变化量为:
。
其中,和/>分别表示前方道路条件和当前道路条件地面能够提供的最大侧向反作用力,/>,/>,/>为前方道路条件下地面纵向反作用力,/>,/>为当前道路条件下地面纵向反作用力,/>。
定义由其他道路条件带来的风险权重因子为:
。
其中,和/>分别为前方规划点处路径坡道角度和基准坡道角度,基准坡道角度为0,/>和/>分别为前方规划点处路面滚动阻力系数和基准路面滚动阻力系数,和/>为前方规划点处路面附着系数和基准路面附着系数。
越野道路侧向风险权重因子可表示为:
。
考虑道路条件的侧向安全距离模型为:
。
其中,为侧向安全距离阈值,/>为侧向安全距离,/>为越野道路侧向风险权重因子。
2)实际轨迹跟随过程中会因为环境干扰等因素导致侧向位移跟随误差,考虑到侧向位移跟随误差对于侧向安全距离模型的影响,综合考虑道路条件和轨迹跟随误差的安全距离模型可表示为:
。
其中,为侧向位移跟随误差,/>,/>为Frenet坐标系下车辆t时刻的侧向位置,/>为Frenet坐标系下车辆t时刻的侧向参考位置。
步骤104:基于可行采样点、规划信息和期望纵侧向安全距离构建第一优化问题。在该实施例中,主要建立综合考虑车辆运行安全性、运行效率和平滑性的优化问题,即第一优化问题。基于此,综合考虑车辆运行安全性、任务指标和速度曲线平滑性的第一优化问题为:
。
式中,为安全权重系数,/>为平滑权重系数,/>为偏差权重系数,为安全性代价项,/>为与全局参考路径的偏差代价项,/>为平滑度代价项,/>为代价总和,min为取最小值。
其中,安全性代价项表示如下:
。
式中,表示纵向维度,/>表示侧向维度,/>表示障碍物标签,/>表示可行采样点纵向列数,/>表示可行采样点侧向行数,取所有列的最大行数为/>,/>表示障碍物数量,和/>分别为可行采样点(i,j)处车辆与障碍物/>之间的期望纵向安全距离和期望侧向安全距离。/>和/>分别为可行采样点(i,j)处车辆与障碍物/>之间的纵向距离和侧向距离,如图4所示,具体可表示为:
。
式中,为可行采样点/>的纵向位置,/>为障碍物/>的纵向位置,为可行采样点/>的侧向位置,/>为障碍物/>的侧向位置。
为与全局参考路径的偏差代价项,表示如下:
。
为平滑度代价项,表示为:
。
其中,为侧向速度的权重系数,/>为侧向加速度的权重系数,/>为侧向冲击度的权重系数,/>为可行采样点/>处的侧向速度,/>为可行采样点处的侧向加速度,/>为可行采样点/>处的侧向冲击度,其中、/>和/>可表示为:
。
其中,为可行采样点/>的侧向位置,/>为第/>列节点与第/>列节点的纵向间隔,/>为可行采样点/>处的侧向速度,/>为可行采样点/>处的侧向加速度。
步骤105:基于动态规划方法求解第一优化问题,得到第一路径曲线。第一路径曲线求解如图3所示。
步骤106:在第一路径曲线的基础上,考虑约束条件,以安全性和平滑性为目标构建第二优化问题。约束条件包括连续性约束和边界约束。第二优化问题的建立过程为:
1)、优化问题的目标是得到N个路径点的坐标,组成最终的曲线,由于符号较多,在此说明优化过程中/>表示N个路径点中的任一个,区别于步骤104中的纵向维度。从S=0开始,每隔固定间隔/>取值,得到N个S坐标:/>。/>为坐标/>相对于坐标S的变化率,其表示了相对于全局路径侧向运动的速度。/>为坐标/>相对于坐标(即弧长)S的二阶导数,表示了相对于全局路径侧向运动的加速度。因此,优化变量可表示为/>:。
代价函数主要包括全局路径的偏移程度和曲线的平滑性两个指标。全局路径的偏移程度可以通过最小化侧向距离来完成。对于曲线的平滑性,可以使曲线相对于全局路径的侧向变化尽量轻微,即最小化第路径点的侧向距离/>的一阶导数/>、二阶导数/>和侧向冲击度/>。因此代价函数可表示为:
。
其中,分别表示偏移程度代价权重、侧向速度代价权重、侧向加速度代价权重和侧向冲击度代价权重。
2)、建立约束条件,保证路径曲线的连续性以及车辆运行的安全平滑,具体为:
建立连续性约束:由于优化问题中的曲线是通过离散点来表示的,因此路径点与点之间需要施加连续性约束,从而确定、/>和/>表示的意义。在第/>个路径点和第/>+1个路径点之间,需要满足以下关系:
。
其中,为第/>个路径点至第/>+1个路径点的侧向冲击度,/>,为第/>+1个路径点的侧向加速度,/>为第/>+1个路径点的侧向距离/>的一阶导数。
建立边界约束:路径曲线上每一个路径点都应满足边界约束,保障车辆运动在合理区域且不会与障碍物相碰撞,因此全部N个路径点都应在方向满足位置的上下界约束,车辆侧向边界约束如图5所示。设侧向位移、侧向速度、侧向加速度和侧向冲击度上、下边界分别为/>、/>、/>、/>、/>、/>、/>和/>,/>,边界约束可表示为:
。
其中,为全部路径点侧向位移、侧向速度、侧向加速度和侧向冲击度信息,/>和分别为全部路径点侧向位移、侧向速度、侧向加速度和侧向冲击度上下界,具体可以表示为:/>
式中,为路径点/>处的侧向位移下界,/>为路径点/>处的侧向位移上界,/>为路径点/>处的侧向速度下界,/>为路径点/>处的侧向速度上界,/>为路径点/>处的侧向加速度下界,/>为路径点/>处的侧向加速度上界。
其中,侧向位移边界由路径曲线初解所在的可通行范围给出,侧向速度、侧向加速度和侧向冲击度边界可通过车辆动力学模型计算得到。
由于车辆并非点质量模型,所以考虑其形状,考虑车头和车尾需要保持在边界约束范围内,防止出现碰撞事故的发生,添加车头、车尾约束如下:
。
其中,、/>、/>和/>分别为轮廓左前、右前、左后和右后四个顶点在第/>个路径点上的最大侧向位移,/>、/>、/>和/>分别为轮廓左前、右前、左后和右后四个顶点在第/>个路径点上的最大侧向位移,/>分别表示车辆轮廓左前、右前、左后和右后四个顶点,如图6所示,具体可表示为:
。
式中,分别为第/>个可行性采样点的车辆轮廓左前、右前、左后和右后四个顶点,/>分别为车辆轮廓的左顶点和右顶点,/>为车辆航向角,/>表示车辆宽度。
步骤107:求解第二优化问题得到第二路径曲线。第二路径曲线为复杂越野环境的路径规划结果。该过程主要是通过求解第二优化问题得到一条安全平滑且符合车辆动力学约束的路径曲线。
综上,本实施例从越野环境复杂道路条件出发,针对越野环境道路不规则,道路条件复杂特点,考虑复杂道路条件和轨迹跟随误差对于车辆与障碍物间安全距离的影响,设计融合垂直单元分解法和动态规划且综合考虑复杂道路条件和轨迹跟随误差的路径规划方法,可提高路径规划算法计算效率以及车辆适应越野环境复杂道路条件的能力,进而提高车辆在越野环境运行的安全性。针对越野环境地形复杂,通行区域不规则的特点,提出融合垂直单元分解法和多阶段动态决策的方法求解路径曲线初解(即第一路径曲线),基于垂直单元分解法划分信息单元,基于所划分的信息单元获取可行采样点,相对传统规划方法减少采样点的数量。并且,建立综合考虑安全性、平滑性和运行效率的最优化问题,基于动态决策方法求解该最优化问题得到一条初步路径曲线。考虑越野道路条件和轨迹跟随误差对于车辆与障碍物间安全距离的影响,分别提出纵侧向安全距离模型,为选取最优路径点提供可靠依据。综合考虑约束条件和任务指标优化初步路径曲线,最终得到一条安全平滑且符合车辆动力学约束的路径曲线。本发明可提高路径规划算法计算效率以及车辆适应越野环境复杂道路条件的能力,进而提高车辆在越野环境运行的安全性。
实施例二
该实施例提供了一种复杂越野环境路径规划***,以应用于上述实施例一提供的复杂越野环境路径规划方法。该***包括:
信息获取模块,用于获取规划信息。规划信息包括:全局参考路径信息、车辆状态信息、越野道路参数信息和障碍物状态信息。
信息划分模块,用于采用垂直单元分解法将规划信息划分为信息单元。
采样点确定模块,用于获取信息单元的可行区域,并将可行区域内边界的中点确定为可行采样点。
安全距离模型构建模块,用于建立纵侧向安全距离模型,基于可行采样点和规划信息确定期望纵侧向安全距离。
第一优化问题构建模块,用于基于可行采样点、规划信息和期望纵侧向安全距离构建第一优化问题;
第一路径曲线确定模块,用于基于动态规划方法求解第一优化问题,得到第一路径曲线。
第二优化问题构建模块,用于在第一路径曲线的基础上,考虑约束条件,以安全性和平滑性为目标构建第二优化问题。约束条件包括连续性约束和边界约束。
第二路径曲线确定模块,用于求解第二优化问题得到第二路径曲线。第二路径曲线为复杂越野环境的路径规划结果。
实施例三
该实施例提供了一种电子设备。该电子设备包括:
存储器,用于存储计算机程序。
处理器,与存储器连接,用于调取并执行计算机程序,以实施上述实施例一提供的复杂越野环境路径规划方法。
此外,上述的存储器中的计算机程序通过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、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
基于上述描述,本发明填补了考虑复杂道路条件和轨迹跟随误差的复杂越野环境路径规划技术空白。传统路径规划多针对于结构化环境,考虑交通限制以及车辆本身的运动特性限制,进行路径规划。而越野环境,地形复杂、通行区域不规则,车辆运行状态受到多种因素的影响,传统路径规划未考虑复杂地形对于车辆运动状态及其与障碍物间安全距离的影响,不适用于复杂越野环境。且传统路径规划均匀采样计算成本较高。
针对越野环境,为解决路径规划算法不能适应越野环境道路不规则、道路条件复杂等特点的规划最优路径曲线的问题,本发明设计了一种复杂越野环境路径规划方法,采用垂直单元分解法的思想获取可行采样点,基于动态规划算法获取路径曲线初解,分别建立综合考虑越野道路条件和轨迹跟随误差的纵侧向安全距离模型,可提高路径规划算法计算效率以及车辆适应越野环境复杂道路条件的能力,进而提高车辆在越野环境运行的安全性。
本发明的技术方案转化后的预期收益和商业价值为:对于越野环境自动驾驶车辆,如矿山车辆、基建运输车辆执行运输任务搭载本技术方案提出的路径规划方法,可提高车辆适应越野环境复杂道路条件的能力,进而提高车辆在越野环境运行的安全性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种复杂越野环境路径规划方法,其特征在于,包括:
获取规划信息;所述规划信息包括:全局参考路径信息、车辆状态信息、越野道路参数信息和障碍物状态信息;
采用垂直单元分解法将所述规划信息划分为信息单元;
获取所述信息单元的可行区域,并将可行区域内边界的中点确定为可行采样点;
建立纵侧向安全距离模型,基于所述可行采样点和所述规划信息确定期望纵侧向安全距离;
基于所述可行采样点、所述规划信息和所述期望纵侧向安全距离构建第一优化问题;
基于动态规划方法求解所述第一优化问题,得到第一路径曲线;
在所述第一路径曲线的基础上,考虑约束条件,以安全性和平滑性为目标构建第二优化问题;所述约束条件包括连续性约束和边界约束;
求解所述第二优化问题得到第二路径曲线;所述第二路径曲线为复杂越野环境的路径规划结果。
2.根据权利要求1所述的复杂越野环境路径规划方法,其特征在于,建立纵侧向安全距离模型,具体包括:
基于所述规划信息中的车辆状态信息和越野道路参数信息分析车辆制动受力情况和车辆制动过程;
在分析得到车辆制动受力情况和车辆制动过程的基础上,建立所述纵侧向安全距离模型;所述纵侧向安全距离模型包括:纵向安全距离模型和侧向安全距离模型。
3.根据权利要求2所述的复杂越野环境路径规划方法,其特征在于,所述纵向安全距离模型为:
;
式中,为纵向安全距离,/>为纵向位移跟随误差,/>为越野道路的纵向风险权重因子,/>为停车安全距离,/>为自车速度,/>为制动响应时间,/>为自车运行状态和道路条件带来的制动距离。
4.根据权利要求2所述的复杂越野环境路径规划方法,其特征在于,所述侧向安全距离模型为:
;
式中,为侧向位移跟随误差,/>为越野道路侧向的风险权重因子,/>为侧向安全距离阈值,/>为侧向安全距离。
5.根据权利要求1所述的复杂越野环境路径规划方法,其特征在于,所述第一优化问题为:
;
式中,为安全权重系数,/>为平滑权重系数,/>为偏差权重系数,/>为安全性代价项,/>为与全局参考路径的偏差代价项,/>为平滑度代价项,/>为代价总和,min为取最小值。
6.一种复杂越野环境路径规划***,其特征在于,应用于如权利要求1-5任意一项所述的复杂越野环境路径规划方法;所述***包括:
信息获取模块,用于获取规划信息;所述规划信息包括:全局参考路径信息、车辆状态信息、越野道路参数信息和障碍物状态信息;
信息划分模块,用于采用垂直单元分解法将所述规划信息划分为信息单元;
采样点确定模块,用于获取所述信息单元的可行区域,并将可行区域内边界的中点确定为可行采样点;
安全距离模型构建模块,用于建立纵侧向安全距离模型,基于所述可行采样点和所述规划信息确定期望纵侧向安全距离;
第一优化问题构建模块,用于基于所述可行采样点、所述规划信息和所述期望纵侧向安全距离构建第一优化问题;
第一路径曲线确定模块,用于基于动态规划方法求解所述第一优化问题,得到第一路径曲线;
第二优化问题构建模块,用于在所述第一路径曲线的基础上,考虑约束条件,以安全性和平滑性为目标构建第二优化问题;所述约束条件包括连续性约束和边界约束;
第二路径曲线确定模块,用于求解所述第二优化问题得到第二路径曲线;所述第二路径曲线为复杂越野环境的路径规划结果。
7.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,与所述存储器连接,用于调取并执行所述计算机程序,以实施如权利要求1-5任意一项所述的复杂越野环境路径规划方法。
8.根据权利要求7所述的电子设备,其特征在于,所述存储器为计算机可读存储介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310752885.XA CN116499486B (zh) | 2023-06-26 | 2023-06-26 | 一种复杂越野环境路径规划方法、***及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310752885.XA CN116499486B (zh) | 2023-06-26 | 2023-06-26 | 一种复杂越野环境路径规划方法、***及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116499486A true CN116499486A (zh) | 2023-07-28 |
CN116499486B CN116499486B (zh) | 2023-09-22 |
Family
ID=87325072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310752885.XA Active CN116499486B (zh) | 2023-06-26 | 2023-06-26 | 一种复杂越野环境路径规划方法、***及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116499486B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077869A (zh) * | 2023-10-11 | 2023-11-17 | 鱼快创领智能科技(南京)有限公司 | 一种场景化的定制访问顺序的车辆分配及路线规划的方法 |
CN117091618A (zh) * | 2023-10-18 | 2023-11-21 | 理工雷科智途(北京)科技有限公司 | 一种无人驾驶车辆路径规划方法、装置及电子设备 |
CN117571012A (zh) * | 2024-01-15 | 2024-02-20 | 北京理工大学 | 一种越野环境无人车辆全局路径规划方法、***及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109669461A (zh) * | 2019-01-08 | 2019-04-23 | 南京航空航天大学 | 一种复杂工况下自动驾驶车辆决策***及其轨迹规划方法 |
CN110377039A (zh) * | 2019-07-26 | 2019-10-25 | 吉林大学 | 一种车辆避障轨迹规划与跟踪控制方法 |
CN112068545A (zh) * | 2020-07-23 | 2020-12-11 | 哈尔滨工业大学(深圳) | 一种无人驾驶车辆在十字路口的行驶轨迹规划方法、***及存储介质 |
CN113276848A (zh) * | 2021-04-09 | 2021-08-20 | 江苏大学 | 一种智能驾驶换道避障轨迹规划、跟踪控制方法及*** |
CN114372375A (zh) * | 2022-01-13 | 2022-04-19 | 华中科技大学 | 一种越野车安全行驶区域求解方法及*** |
CN114895676A (zh) * | 2022-05-12 | 2022-08-12 | 扬州大学 | 基于空间智能***实现地面自动驾驶车辆高速行驶的方法 |
US20220355792A1 (en) * | 2021-05-10 | 2022-11-10 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Method and device for trajectory planning for a vehicle |
CN115933641A (zh) * | 2022-11-17 | 2023-04-07 | 杭州电子科技大学 | 基于模型预测控制指导深度强化学习的agv路径规划方法 |
-
2023
- 2023-06-26 CN CN202310752885.XA patent/CN116499486B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109669461A (zh) * | 2019-01-08 | 2019-04-23 | 南京航空航天大学 | 一种复杂工况下自动驾驶车辆决策***及其轨迹规划方法 |
CN110377039A (zh) * | 2019-07-26 | 2019-10-25 | 吉林大学 | 一种车辆避障轨迹规划与跟踪控制方法 |
CN112068545A (zh) * | 2020-07-23 | 2020-12-11 | 哈尔滨工业大学(深圳) | 一种无人驾驶车辆在十字路口的行驶轨迹规划方法、***及存储介质 |
CN113276848A (zh) * | 2021-04-09 | 2021-08-20 | 江苏大学 | 一种智能驾驶换道避障轨迹规划、跟踪控制方法及*** |
US20220355792A1 (en) * | 2021-05-10 | 2022-11-10 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Method and device for trajectory planning for a vehicle |
CN114372375A (zh) * | 2022-01-13 | 2022-04-19 | 华中科技大学 | 一种越野车安全行驶区域求解方法及*** |
CN114895676A (zh) * | 2022-05-12 | 2022-08-12 | 扬州大学 | 基于空间智能***实现地面自动驾驶车辆高速行驶的方法 |
CN115933641A (zh) * | 2022-11-17 | 2023-04-07 | 杭州电子科技大学 | 基于模型预测控制指导深度强化学习的agv路径规划方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077869A (zh) * | 2023-10-11 | 2023-11-17 | 鱼快创领智能科技(南京)有限公司 | 一种场景化的定制访问顺序的车辆分配及路线规划的方法 |
CN117077869B (zh) * | 2023-10-11 | 2023-12-19 | 鱼快创领智能科技(南京)有限公司 | 一种场景化的定制访问顺序的车辆分配及路线规划的方法 |
CN117091618A (zh) * | 2023-10-18 | 2023-11-21 | 理工雷科智途(北京)科技有限公司 | 一种无人驾驶车辆路径规划方法、装置及电子设备 |
CN117091618B (zh) * | 2023-10-18 | 2024-01-26 | 理工雷科智途(北京)科技有限公司 | 一种无人驾驶车辆路径规划方法、装置及电子设备 |
CN117571012A (zh) * | 2024-01-15 | 2024-02-20 | 北京理工大学 | 一种越野环境无人车辆全局路径规划方法、***及设备 |
CN117571012B (zh) * | 2024-01-15 | 2024-03-15 | 北京理工大学 | 一种越野环境无人车辆全局路径规划方法、***及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116499486B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116499486B (zh) | 一种复杂越野环境路径规划方法、***及电子设备 | |
CN110362096B (zh) | 一种基于局部最优性的无人驾驶车辆动态轨迹规划方法 | |
CN109669461B (zh) | 一种复杂工况下自动驾驶车辆决策***及其轨迹规划方法 | |
CN108256233B (zh) | 基于驾驶员风格的智能车轨迹规划及跟踪方法和*** | |
CN110286681B (zh) | 一种变曲率弯道的动态自动驾驶换道轨迹规划方法 | |
CN111089594B (zh) | 一种适用于多场景的自主泊车轨迹规划方法 | |
CN109727469B (zh) | 一种多车道下自动驾驶车辆综合危险度评估方法 | |
CN112389427A (zh) | 车辆轨迹优化方法、装置、电子设备和存储介质 | |
CN114234998A (zh) | 基于语义道路地图的无人驾驶多目标点轨迹并行规划方法 | |
CN111717192A (zh) | 一种自动驾驶车辆的控制方法及*** | |
CN112896188B (zh) | 一种考虑前车遭遇的自动驾驶决策控制的*** | |
CN116513246B (zh) | 一种越野环境速度规划方法、***及设备 | |
CN112578672B (zh) | 基于底盘非线性的无人驾驶汽车轨迹控制***及其轨迹控制方法 | |
CN112977411A (zh) | 一种智能底盘控制方法及装置 | |
CN114987461A (zh) | 一种多车复杂交通环境下的智能客车动态变道轨迹规划方法 | |
CN114637292A (zh) | 一种兼顾避障的车辆轨迹跟踪鲁棒控制方法和*** | |
CN117141489B (zh) | 一种基于最小作用量原理的智能车辆轨迹分层规划方法 | |
CN112238856B (zh) | 一种基于混合粒子群算法的智能车超车轨迹优化方法 | |
US20220176987A1 (en) | Trajectory limiting for autonomous vehicles | |
CN116465427B (zh) | 一种基于时空风险量化的智能车辆换道避障路径规划方法 | |
CN115712950A (zh) | 一种用于半拖挂汽车的自动驾驶决策方法 | |
CN116039672A (zh) | 一种面向自动驾驶决策控制功能的数据-模型后端融合方法 | |
CN112793566B (zh) | 一种避撞方法及装置 | |
CN114889589A (zh) | 一种智能汽车转向与制动协同避撞控制***及方法 | |
CN111857112B (zh) | 一种汽车局部路径规划方法及电子设备 |
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 |