CN105571596B - 多车辆环境探索方法及装置 - Google Patents

Abstract

一种多车辆环境探索方法及装置，其中方法包括如下步骤，整合多车辆的格点占据式地图，所述格点占据式地图包括代表空间环境的单元格及单元格占据信息；根据当前车辆位置及格点占据式地图计算目标格点的移动成本和探索效用；根据所述移动成本和探索效用确定最优移动格点；车辆向最优移动格点进行移动探索。本方案通过计算格点占据式图中的信息确定目标格点，通过移动成本和探索效用计算来确定最优目标，统筹多个车辆对环境的探索优化。达到了解决协调探索问题的效果。

Description

多车辆环境探索方法及装置

技术领域

本发明涉及环境探索领域，尤其涉及一种多车辆之间协同进行环境探索的方法及装置。

背景技术

对环境的探索一直以来都是无人驾驶车辆领域的一个基础问题。为了构建相对完整足够细致的环境地图，车辆必须要能够有效率地对环境进行探索。在车辆对环境进行探索的过程中，一个关键问题就在于要如何移动车辆，以使得车辆能在最短时间内完成对环境的完整探测。不幸的是，在已知的、图状的环境中，这个问题就已经是一个非确定性多项式困难问题(NP-hard)－在这种情况下问题的本质其实就是著名的旅行推销员问题：如何在找到经过图中所以节点一次并仅一次且回到起始节点的最短回路。

比起使用单一的车辆系统，使用多架车辆进行环境探索有以下三个好处。第一，比起单架车辆，多假车辆协同合作有潜力更快的完成一次对环境的探索任务。第二，多架车辆每当在能互相感知的时候，可以通过交换关于各自位置的信息，从而更有效率地对自身进行定位。第三，使用多个相对便宜的车辆探测系统会带来冗余性，因此我们能够得到比使用单单一个强大的昂贵的车辆探测系统更好的容错能力。

待解决的问题的关键在于如何去协调多架车辆的行动。如果不去对车辆的行动进行调配，所以的车辆可能会沿着同一条探索路径行驶，这样下来多车辆系统与单一车辆系统探索环境会消耗同样的时间，并不划算。所以，多车辆系统探索的关键在于，如何去为每一个车辆选择不同的行动路径，使得它们能在同一时间探测环境中不同的区域。

发明内容

为此，需要提供一种多车辆协同对环境探索的方法及装置，解决协调探索不同区域的问题。

为实现上述目的，发明人提供了一种多车辆环境探索方法，包括如下步骤，整合多车辆的格点占据式地图，所述格点占据式地图包括代表空间环境的单元格及单元格占据信息；根据当前车辆位置及格点占据式地图计算目标格点的移动成本和探索效用；根据所述移动成本和探索效用确定最优移动格点；车辆向最优移动格点进行移动探索。

优选地，所述根据当前车辆位置及格点占据式地图计算目标格点的探索效用还包括步骤，根据启发式搜索算法计算多车辆传感器覆盖到单元格的概率，根据所述覆盖概率降低单元格的探索效用。

具体地，所述整合多车辆的格点占据式地图还包括步骤，计算整合后格点占据式地图中单元格(x，y)被占据的概率

这里

其中

为在车辆的格点占据式地图中单元格(x，y)被占据的概率。

一种多车辆环境探索装置，包括整合模块、成本效用模块、最优格点计算模块、移动探索模块，

所述整合模块用于整合多车辆的格点占据式地图，所述格点占据式地图包括代表空间环境的单元格及单元格占据信息；

所述成本效用模块用于根据当前车辆位置及格点占据式地图计算目标格点的移动成本和探索效用；

所述最优格点计算模块用于根据所述移动成本和探索效用确定最优移动格点；

所述移动探索模块用于使车辆向最优移动格点进行移动探索。

优选地，所述成本效用模块还用于根据启发式搜索算法计算多车辆传感器覆盖到单元格的概率，根据所述覆盖概率降低单元格的探索效用。

具体地，所述整合模块还用于计算整合后格点占据式地图中单元格(x，y)被占据的概率

这里

其中

为在车辆的格点占据式地图中单元格(x，y)被占据的概率。

区别于现有技术，上述技术方案通过计算格点占据式图中的信息确定目标格点，通过移动成本和探索效用计算来确定最优目标，统筹多个车辆对环境的探索优化。达到了解决协调探索问题的效果。

附图说明

图1为本发明具体实施方式所述的对车辆环境探索方法流程图；

图2为本发明具体实施方式所述的格点占据式地图合并示意图；

图3为本发明具体实施方式所述的成本选择结果示意图；

图4为本发明具体实施方式所述的狭窄空间获得的距离直方图；

图5为本发明具体实施方式所述的开阔空间获得的距离直方图；

图6为本发明具体实施方式所述的最优边缘格选择结果示意图；

图7为本发明具体实施方式所述的多车辆环境探索装置模块图。

附图标记说明：

700、整合模块；

702、成本效用模块；

704、最优格点计算模块；

706、移动探索模块。

具体实施方式

为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。

1、总体思路

接下来，本文将会提出一种协调多架车辆去探索统一环境的技术。这种方法使用了基于不同车辆收集到的数据构建出来的一张地图。除了仅仅将车辆导航至能带来最小行动成本的目标点之外，我们的方法还额外考虑了未探索方位的效用(utility)。一旦有一架车辆选择了能见距离种的一个目标方位，那么探索这个方位的效用就马上被减少了。我们的方法通过在未探索方位的效用和其探索成本间的不断权衡，以达到最终的协调结果。

在无人驾驶车辆领域的研究中，已有许多关于单一车辆系统的环境探索问题的详细讨论，然而针对多车辆系统的探索方法却屈指可数。比起其他的一切有不同侧重点的方法，比如说Rekleitis et al所提出的一种旨在减小测距错误的方法，由比如K.Singhand、K.Fujimura和B.Yamauchi所提出的一种共享同一张在探索过程建立的地图的方法，本文所提出的方法的重点在于：通过刻意的调配，使得车辆不去选择同一个路径，同时采用基于现有地图的距离计算方法而不是相对没那么精准的直线距离。通过这样的调配与计算，在同一个环境中，用我们的方法进行探索所需的时间显著小于其他方法。

2、方法概述

本方法的目标在于用最少的时间，完成能覆盖整个环境的探测过程。因此，至关重要地，系统中的车辆要能够保持对于环境区域中已探测区域的追踪了解。此外，系统中的车辆必须要建立一个全局地图，以用于计划车辆轨迹和协调车辆行动。本方法使用的是一种格点占据式地图(occupancy grid map)来对环境进行表达。同时，我们要保持对环境中已探测区域的了解，以更好的识别目标方位。由于我们对待探索环境的结构完全没有任何先验了解，我们通过估算某一车辆到底目标点是的其传感器的探测范围来估计已探测区域的大小与方位。了解到这个信息后，我们变安排剩下的车辆去选择不同的目标方法。本方法建立在唯一一个假设上：车辆在探测过程中知道它们的相对位置。

3、具体实现方法

请参阅图1所示的实施例，为本发明的一种多车辆环境探索方法流程图，包括如下步骤：S100整合多车辆格点占据式地图。

3.1整合格点占据式地图

格点占据式地图的概念是：使用一张由空间相等的单元格组成的网格，在每一个单元格中储存这个单元格被干扰物或障碍占据的概率P(occ_x,y)。由于格点占据式地图的概率特性，只要知道每架车辆的相对位置，它们所构建的不同的格点占据式地图很方便地就能被合并到一起。假设有N架车辆，每架车辆都构建了独立的格点占据式地图m_i。此外，我们用来表示在全局坐标框架中，在车辆的格点地图中坐标〈x,y〉代表的位置被障碍占据的概率。接下来，我们通过以下的方程去合并整合这些不同的格点地图：

这里

其中

图2所示的实施例阐释了一个运用以上方程进行格点占据式地图的合并的例子。这里左边所示的两幅独立的局部地图被整合成了右边所示的一张全局地图。

3.2目标方位的选择

对位置关键进行探索的关键就在于如何将车辆导航至目标方位，从而最小化探索完整的环境所需要的时间。本方法使用了边缘单元格的概念(frontier cells)。一个边缘单元格本身是已知的，换句话说也就是已经探测过的单元格，同时它必须是一个未知的(未探测的)单元格的邻近单元格。

我们的技术通过构建环境地图，并迭代地通过权衡接近目标点的成本以及这个目标点的探索效用来选择独立车辆的目标点。由于环境是未知的，我们通过估算某一车辆到底目标点是的其传感器的探测范围来估计已探测区域的大小与方位。接着，我们会相应降低已选择目标点旁边的未探索区域的效用，以用来计算剩余车辆的最佳目标方位。在图1所示的实施例中，本发明方法还包括步骤S102，根据当前车辆位置及格点占据式地图计算目标格点的移动成本和探索效用。具体方式如下述：

3.2.1接近目标点的成本

为了确定某一车辆接近当前边缘单元格的成本，我们要通过一种普及的动态程序设计算法－值迭代的一种确定性变体(deterministic variant of value iteration)－来计算从此车辆的当前位置到所用边缘单元格的最优化路线。在我们的方法中，穿过某一个单元格〈x,y〉的成本是与其被占据概率P(occ_x,y)成正比的。最低成本路线是通过以下两步计算得出的：

1)初始化。包含车辆方位的单元格被初始化为0，而其他单元格责备初始化为正无穷∞：

2)更新循环。对单元格进行：

这个技术利用每一个单元格的最邻近格的值加上移动到这个最邻近格的成本来更新所有单元格的值。这里，移动成本等于单元格〈x,y〉的被占据概率P(occ_x,y)乘以抵达这个单元格要行使的(直线)距离。通过迭代进行更新循环，直到更新值收敛。当更新值收敛时，每一个V_x,y值代表了移动到相应点的累积成本。这样得到的价值方程V同时可以用来有效率地求出从车辆当前位置到任意目标位置的最低成本路线－通过从目标位置开始，对价值方程V运用最陡下降法(steepest descent)。

图3的实施例中展示了两个在图2中间的地图上由两个不同车辆方位得出的相应的价值方程。黑色的矩形指示了未知区域中移动成本最低的点。值得注意的是，在两种情况下被选中的是同一个目标点。

3.2.2预计能见范围

如上文所提到的，将所有车辆移动至离它当前方位最近的边缘单元格是一种过于天真的多车辆系统环境探索方法。利用这种方法，我们无法避免两架车辆会接近同一个目标点的情况(如图3所示)。为了取得高效率的协调探索，避免两架车辆选择同一个目标点(或者选择两个能见距离有重叠区域的点)是非常重要的。因此，当某一车辆选择好了一个目标点后，我们需要马上了解环境中的哪些区域是能够被在目标点上车辆传感器感应范围所覆盖到的。不幸的是，车辆传感器能覆盖的精确范围是无法预计的－否则我们也就没有探索问题了。

在这一部分我们会设计一种启发式搜索法(heuristic)去估算这个被覆盖面积。这个方法基于概率方面的考虑，并经实验在现实中有良好的测试表现。这个启发式搜索法的关键概念是：在环境中的开阔地势进行探索的车辆要比在环境中狭窄区域进行探索的车辆能覆盖大很多的区域。

在探索过程中，我们定义一个距离的离散集合d₁,…,d_n，由h(d_i)来代表距离d_i被任何车辆测量过的次数。基于这个直方图，我们能够计算出在一个特定的距离d上的一个单元格，被一条传感器激光覆盖(也就是当车辆抵达目标点时这个单元格会被探索到)的概率。本质上，我们感兴趣的是车辆传感器能覆盖到与其相隔距离d的物体的概率P(d):

运用这个方法的好处在于它会自动根据环境中的空余空间来对自己进行调整。比如说，相比于狭窄的空间(比如巷道)，在一个宽敞开阔的空间里(比如旷野上)，车辆传感器自然能够收集到更多远距离数据。图4和图5分别展示的不同直方图就是很好的一个例子。这里车辆分别从狭窄空间和开阔空间出发。显然，车辆在狭窄空间中取得的距离数据要比开阔空间中的小的多。

3.2.3目标点选择算法

在有了预计的能见范围后，我们就可以估算边缘单元格〈x,y〉的效用U_x,y了。在效用计算出来后，再进行步骤S104，根据所述移动成本和探索效用确定最优移动格点。一开始，效用会被初始化为1。每当一个目标点被一辆车选中后，我们就会减少距离这个目标相隔d的邻近点的效用，具体减少多少是基于这些点的能见概率P(d)决定的。目标点的选择是基于对其效用U_x,y和移动到此点的成本之间进行权衡决定的。表格1展示了目标点的选择算法。

1、确定边缘单元格的集合

2、对每一架车辆i计算到达每一个边缘单元格的成本

3、将所有边缘单元格的效用U_x,y进行初始化，设定为1

4、当有一架车辆还未选择目标点时

(a)确定一架车辆i和一个边缘单元格〈x,y〉，以满足：

(b)根据能见概率减少每一个在能见范围内的目标点〈x‘,y’〉的效用

U_x′，y′←U_x′，y′·(1-P(‖〈x,y〉-〈x‘,y’〉‖))

这里请注意，在第4(a)步，本方法选择了一对总体来说拥有最佳评估的车辆和目标点组合(i,〈x,y〉)。图6中展示了这种协调技巧的效果。在车辆没有经过协调处理时，它们会选择同一个目标点(如图3所示)，而经过处理后，它们选择的目标点是不同的(如图6所示的实施例中，通过使用上述协调方法，得到的目标方位。经过算法的处理，这次第二架车辆选择的目标点不再与第一辆车相同)。最后再进行步骤S106：车辆向最优格点进行移动探索。通过上述方法，结合实际问题进行计算格点占据式图中的信息确定目标格点，通过移动成本和探索效用计算来确定最优目标，统筹多个车辆对环境的探索优化，达到了提供高效的多车辆环境探索方法的目的，解决了实际应用中多车辆环境探索的问题。

在图7所示的实施例中，为一种多车辆环境探索装置模块示意图，该装置包括整合模块700、成本效用模块702、最优格点计算模块704、移动探索模块706，

所述整合模块700用于整合多车辆的格点占据式地图，所述格点占据式地图包括代表空间环境的单元格及单元格占据信息；

所述成本效用模块702用于根据当前车辆位置及格点占据式地图计算目标格点的移动成本和探索效用；

所述最优格点计算模块704用于根据所述移动成本和探索效用确定最优移动格点；

所述移动探索模块706用于使车辆向最优移动格点进行移动探索。

上述模块设计通过计算格点占据式图中的信息确定目标格点，通过移动成本和探索效用计算来确定最优目标，统筹多个车辆对环境的探索优化。达到了解决协调探索问题的效果。

优选地，所述成本效用模块702还用于根据启发式搜索算法计算多车辆传感器覆盖到单元格的概率，根据所述覆盖概率降低单元格的探索效用。通过上述设计更好地解决了多车辆环境探索的问题。

具体地，所述整合模块700还用于计算整合后格点占据式地图中单元格(x，y)被占据的概率

这里

其中

为在车辆i的格点占据式地图中单元格(x，y)被占据的概率。

通过上述模块设计定义了格点占据式地图的被占据概率的数学表示，提高了车辆探索的效率。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括……”或“包含……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外，在本文中，“大于”、“小于”、“超过”等理解为不包括本数；“以上”、“以下”、“以内”等理解为包括本数。

本领域内的技术人员应明白，上述各实施例可提供为方法、装置、或计算机程序产品。这些实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。上述各实施例涉及的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机设备可读取的存储介质中，用于执行上述各实施例方法所述的全部或部分步骤。所述计算机设备，包括但不限于：个人计算机、服务器、通用计算机、专用计算机、网络设备、嵌入式设备、可编程设备、智能移动终端、智能家居设备、穿戴式智能设备、车载智能设备等；所述的存储介质，包括但不限于：RAM、ROM、磁碟、磁带、光盘、闪存、U盘、移动硬盘、存储卡、记忆棒、网络服务器存储、网络云存储等。

上述各实施例是参照根据实施例所述的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到计算机设备的处理器以产生一个机器，使得通过计算机设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机设备以特定方式工作的计算机设备可读存储器中，使得存储在该计算机设备可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机设备上，使得在计算机设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上所述仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。

Claims (6)

1.一种多车辆环境探索方法，其特征在于，包括如下步骤，整合多车辆的格点占据式地图，所述格点占据式地图包括代表空间环境的单元格及单元格占据信息；根据当前车辆位置及格点占据式地图计算目标格点的移动成本和探索效用；根据所述移动成本和探索效用确定最优移动格点，具体为，

当有一架车辆还未选择目标点时，确定一架车辆i和一个边缘单元格<x,y>，以满足：

其中，边缘单元格为已经探测过的单元格，且是一个未探测的单元格的邻近单元格；U_x,y为单元格探索效用；为车辆i到单元格的移动成本；

根据能见概率P减少每一个在能见范围内的目标点<x‘,y’>的效用：

U_x′,y′←U_x′,y′·(1-P(‖<x,y>-<x‘,y’>‖))；

所述能见概率为车辆传感器能覆盖到与其相隔距离d的物体的概率P(d)；

车辆向最优移动格点进行移动探索。

2.根据权利要求1所述的多车辆环境探索方法，其特征在于，所述根据当前车辆位置及格点占据式地图计算目标格点的探索效用还包括步骤，根据启发式搜索算法计算多车辆传感器覆盖到单元格的概率，根据所述覆盖概率降低单元格的探索效用。

3.根据权利要求1所述的多车辆环境探索方法，其特征在于，所述整合多车辆的格点占据式地图还包括步骤，计算整合后格点占据式地图中单元格(x，y)被占据的概率

这里

其中

为在车辆i的格点占据式地图中单元格(x，y)被占据的概率。

4.一种多车辆环境探索装置，其特征在于，包括整合模块、成本效用模块、最优格点计算模块、移动探索模块，

所述整合模块用于整合多车辆的格点占据式地图，所述格点占据式地图包括代表空间环境的单元格及单元格占据信息；

所述成本效用模块用于根据当前车辆位置及格点占据式地图计算目标格点的移动成本和探索效用；

所述最优格点计算模块用于根据所述移动成本和探索效用确定最优移动格点；具体为，

当有一架车辆还未选择目标点时，确定一架车辆i和一个边缘单元格<x,y>，以满足：

其中，边缘单元格为已经探测过的单元格，且是一个未探测的单元格的邻近单元格；U_x,y为单元格探索效用；为车辆i到单元格的移动成本；

根据能见概率P减少每一个在能见范围内的目标点<x‘,y’>的效用：

U_x′,y′←U_x′,y′·(1-P(‖<x,y>-<x‘,y’>‖))

所述车辆传感器能覆盖到与其相隔距离d的物体的概率P(d)；

所述移动探索模块用于使车辆向最优移动格点进行移动探索。

5.根据权利要求4所述的多车辆环境探索装置，其特征在于，所述成本效用模块还用于根据启发式搜索算法计算多车辆传感器覆盖到单元格的概率，根据所述覆盖概率降低单元格的探索效用。

6.根据权利要求4所述的多车辆环境探索装置，其特征在于，所述整合模块还用于计算整合后格点占据式地图中单元格(x，y)被占据的概率

这里

其中

为在车辆i的格点占据式地图中单元格(x，y)被占据的概率。