CN108983781A - 一种无人车目标搜索系统中的环境探测方法 - Google Patents

Abstract

本发明涉及一种无人车目标搜索系统中的环境探测方法，包括以下步骤：S1、创建无人车全局环境地图和车载相机视场覆盖地图；S2、在当前位置对要搜索的目标进行组合式环境探索，提取边缘区域并进行评估，确定无人车下一步行进的目标点位置；S3、生成无碰撞期望路径，控制无人车到达目标点位置；S4、判断目标点位置是否有要搜索的目标，有，则完成环境探测；无，则返回S1。本发明实现了未知环境下基于边缘区域引导的自主环境探测，实现对未知区域待侦察目标的高效搜索，规划的行进路径更真实的反映车辆行驶特点。

Description

一种无人车目标搜索系统中的环境探测方法

技术领域

本发明涉及无人车技术领域，尤其涉及一种无人车目标搜索系统中的环境探测方法。

背景技术

未知环境下的自主探测技术作为机器人技术的一个重要研究领域，在无先验环境信息的场景中应用广泛。事实上，在很多实际应用场合中，先验环境信息并不具备，因此机器人必须具备在未知工作环境中进行自主环境探测的能力，才能完成导航、目标搜索等其他任务。目前基于边缘区域引导的环境探测策略在全向型小型移动机器人上应用较多，通常环境探测策略和同步定位和地图创建技术共同来完成对未知环境创建环境地图的任务，环境探测策略强调建图的精准性和全面性，但对于无人车辆的目标搜索任务而言，环境探测方法更多应强调对目标的快速搜索。目前，对于应用于目标搜索任务中的无人车的环境探测方法还没有成熟的方案，还有很多关键技术问题有待完善。

发明内容

鉴于上述的分析，本发明旨在提供一种无人车目标搜索系统中的环境探测方法，实现在无人车目标搜索任务中的环境探测。

本发明的目的主要是通过以下技术方案实现的：

一种无人车目标搜索系统中的环境探测方法，包括以下步骤：

S1、创建无人车全局环境地图和车载相机视场覆盖地图；

S2、基于所述全局环境地图和相机视场覆盖地图，在当前位置对要搜索的目标进行组合式环境探索，提取用于分割已探索区域和未探索区域交界的边缘区域；对所述边缘区域进行评估，确定无人车下一步行进的目标点位置；

S3、生成当前位置到行进的目标点位置之间的无碰撞期望路径，控制无人车到达目标点位置；

S4、判断目标点位置是否有要搜索的目标，有，则完成环境探测；无，则返回S1。

进一步地，所述无人车全局环境地图的创建包括：

利用激光雷达感知车身周围环境信息，创建车身周围的局部环境图；

获取车辆实时位置；

根据位置信息，对所述局部环境图进行拼接，获取得到全局环境地图。

进一步地，所述局部环境图和全局环境地图为栅格地图，栅格地图中的栅格有三种状态：可通行状态、障碍物状态和未知状态。

进一步地，所述获取得到全局环境地图包括以下步骤：

1)创建一张全部栅格为未知状态的全局栅格地图，将全局栅格地图的中心设置为车辆起点位置；

2)根据车辆定位系统输出的车辆当前位置信息，找到所述局部环境地图中可通行状态和障碍物状态栅格在全局栅格地图上对应的位置；

3)对全局栅格地图上对应位置的栅格状态进行更新，得到全局环境地图；所述栅格状态的更新采用贝叶斯概率更新。

进一步地，所述车载相机视场覆盖区域地图的创建包括：

创建尺寸和分辨率和全局环境地图一致的栅格地图；所述栅格地图中栅格存在3种状态：未探索状态，已探索状态和障碍物状态；初始状态全部栅格为未探索状态。

得到当前车辆位姿的相机水平视场覆盖区域；

判断所述相机水平视场覆盖区域中栅格的状态，若为未探索状态，且栅格点到相机安装位置之间的连线上无障碍物栅格，则将该栅格状态赋值为已探索状态。

进一步地，所述组合式环境探索方法包括：

1)基于全局环境地图对探测目标进行粗疏搜索，并提取边缘区域栅格点，记录地图的搜索覆盖率；

2)判断是否检测到目标；是，则停止粗疏搜索，进入4)；否，则判断地图的搜索覆盖率是否超过阈值；是，则进入步骤3)，否，则，返回1)；

3)基于视场覆盖地图对探测目标进行精细搜索，提取边缘区域栅格点，直到检测到目标；

4)对提取的边缘区域栅格点进行综合评估，根据综合评估结果，确定车辆下一步的目标栅格；所述综合评估指标包括，目标栅格的信息增益、连接车辆当前位置到目标栅格位置的Reeds-Shepp曲线长度。

进一步地，所述粗疏搜索和精细搜索均采用快速探索随机树算法检测边缘区域栅格。

进一步地，所述综合评估包括：

1)找到有效边缘区域栅格到车辆当前位置的最远Reeds-Shepp曲线长度D_max和最大的信息增益值I_max；

2)按照公式计算综合评估值，式中，R_all为综合评估值，W_d、W_i分别为距离权重因子、信息增益权重因子；d为当前位置到目标栅格位置的Reeds-Shepp曲线长度；i为边缘区域栅格的信息增益值；

3)按照预先设定的评估阈值区间，选择有效边缘区域栅格作为车辆下一步的目标栅格。

进一步地，所述无碰撞期望路径采用混合A星算法进行规划；包括以下步骤：

1)对无人车航向进行离散化处理，分解为K个方向，最小航向角θ_min＝2π/K，航向角集合Θ为{θ|θ＝kθ_min，k∈Z}；

2)建立包括左转最大角，直行和右转最大角在内的运动基元库；

3)采用A星搜索法，对运动基元进行迭代扩展，搜索从起点到终点的无碰路径；

4)通过对最后的节点进行回溯，得到从起点到终点的无碰路径。

进一步地，所述A星搜索法过程包括：

1)输入搜索起点和终点的包括航向在内的位姿信息；

2)从搜索起点开始，按照A星搜索方法对子节点进行迭代扩展，计算有效子节点到搜索起点的运动代价值；

3)当判断扩展节点与终点位姿的距离差和航向差小于设定的阈值时；停止搜索过程；

4)通过对节点进行回溯，得到从起点到终点的无碰路径。

本发明有益效果如下：

(1)组合利用相机和激光雷达两种设备，相机主要负责对待搜索目标进行识别，激光雷达负责提供车辆周围实时的环境地图，结合二者信息，实现对未知区域待侦察目标的高效搜索；

(2)通过组合式边缘区域探索策略，对目标进行检测，一方面能够极大缩短搜索时间，另一方面增大了目标被检测到的概率；

(3)考虑无人车非完整性约束特点选取边缘区域评价函数指标，更能真实的反映车辆行驶特点。

(4)使用混合A星算法规划无碰撞期望路径，使规划的路径符合车辆非完整约束，可更好的被车辆跟踪。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分的从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为本发明实施例探测方法流程图；

图2为本发明实施例相机水平视场示意图；

图3(a)为本发明实施例全局环境栅格地图；

图3(b)为与图3(a)对应的相机视场覆盖地图；

图4为本发明实施例利用RRT算法检测边缘区域栅格的实际效果图；

图5为本发明实施例探测系统结构示意图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。

本发明的一个具体实施例，公开了一种无人车目标搜索系统中的环境探测方法，实现未知环境下基于边缘区域引导的自主环境探测。

如图1所示，包括以下步骤：

步骤S1、创建无人车全局环境地图和车载相机视场覆盖地图；

激光雷达可以实时提供车身周围的环境信息，快速获取环境中障碍物相对于车身的位置信息，可用于快速构建环境地图，但无法实现高效精准的目标检测；

在未知环境下进行目标搜索，由于事先并不知道待侦察区域的全局地图信息，而激光雷达提供的车身环境信息也只是当前车辆位置的单帧子地图信息；因此，利用车辆实时定位信息对获取到的单帧子地图进行地图拼接处理，获取到全局环境地图；

激光雷达获取的全局环境可以作为粗疏搜索层的地图输入源，实现对未知环境的快速探索，粗疏搜索层能够保证激光雷达快速构建环境地图，但无法保证搜索目标能够被检测到。

相机可以获取更加丰富的信息，如色彩、形状等特征信息，可以利用图像识别技术对搜索目标进行快速精准识别，但相机一般不用于构建环境地图；

相机视场覆盖地图考虑了相机的可视范围，相比激光雷达输出的环境地图更能真实反映相机已探索区域和未探索区域的边界信息；因此，将相机视场覆盖地图更适合作为精细搜索层的地图输入源。

将全局环境地图和车载相机视场覆盖地图相结合更有利于无人车对地图中目标的搜索。

全局环境地图的创建具体包括以下子步骤：

1)利用激光雷达感知车身周围环境信息，建立车身周围的局部环境图；

本发明实施例采用单线激光雷达感知车身周围环境信息，局部环境地图的表现形式采用2D占据栅格地图，栅格地图分辨率为0.2m/cell，占据栅格地图中的栅格有三种状态：可通行区域(Free)、障碍物区域(Occupied)和未知区域(Unknown)。

激光雷达返回障碍物相对位置信息位于激光雷达的极坐标系下，需要将极坐标下的相位位置信息转换到栅格地图中的坐标。

单线激光雷达只能提供最近障碍物的信息，可以通过Bresenham算法来计算可通行区域栅格点和未知区域栅格点的集合，具体而言，对于某一角度的一束激光射线而言，该射线上障碍物栅格之前的栅格是可通行区域栅格点，该射线上障碍物栅格之后的栅格是未知区域栅格。

2)获取无人车辆实时位置；

无人车实现定位可以通过多种方式，GPS定位方法存在信号容易被遮挡和更新速度慢的缺点，可以结合惯性导航系统构成组合定位系统，保证GPS信号短暂丢失时无人车还能获取比较可靠的定位信息。如果无人车工作环境比较恶劣，GPS信号无法覆盖，如地下停车场等，可以考虑采用同步定位与地图创建技术，实现无人车在特定区域下的局部定位。

3)根据位置信息，对所述局部环境图进行拼接，获取全局环境地图。

得到实时车身周围的局部栅格地图后，为了能够获取到车辆已探索区域的全局环境信息，需要维护一张已探索区域的全局栅格地图，创建全局栅格地图的过程贯穿了整个环境探测过程。

具体方法包括：

首先，创建一张全部栅格为未知状态(s＝-1)的全局栅格地图，栅格地图分辨率为0.2m/cell，将全局栅格地图的中心设置为车辆起点位置；

然后，根据车辆定位系统输出车辆当前的位置信息，找到局部环境栅格地图中有效状态栅格(自由状态或障碍物状态)在全局栅格地图上对应的位置；

最后，更新全局栅格地图的栅格状态。

由于这种创建全局栅格地图的方式十分依赖车辆的定位精度，为了削弱车辆定位噪声对地图拼接的影响，本发明实例利用了贝叶斯概率更新来对全局栅格地图中的栅格状态进行更新。

具体方法为，在占据栅格地图中，对于一个栅格，我们用p(s＝1)来表示它是Free状态的概率，用p(s＝0)来表示它是Occupied状态的概率，我们引入两个两者的比值作为该栅格的状态：对于获取到激光雷达返回占据情况测量值(z～{0，1})的每个栅格，我们需要更新它的状态。假设测量值到来之前，该栅格的状态为Odd(s)，状态更新概率为根据贝叶斯公式，我们有，

带入之后，可以得到

对两边取对数得到：

由上可知，状态更新后的概率只与包含测量值的有关，该值被称为测量模型，测量模型的值是定值，因此经过推导后，栅格的状态更新只需要做简单的加减法。通过利用贝叶斯概率更新后，全局栅格地图中的栅格状态不再只取决于当前局部地图中栅格状态，而是随着同一位置局部地图中的栅格状态更新而跟新，从而能够削弱定位误差而带来的全局栅格地图信息误差。

具体的，创建相机视场覆盖地图需要已知相机数量、安装位置、相机视角、车辆当前位置和环境中的障碍物位置信息。

图2为本发明实例中相机水平视场示意图，本发明实例中无人车辆安装了3个单目相机，分别安装在车的前方、左方和右方。相机型号为GT1290，水平视场角为51度，由于本发明实例中相机能稳定识别目标的最远距离为10米，因此将相机最远可视距离设置为10米；

创建相机视场覆盖区域地图过程如下：

首先，创建一张全部为未探索状态的栅格地图，此栅格地图中栅格存在3种状态：未探索状态，已探索状态和障碍物状态；栅格地图尺寸和分辨率和全局环境栅格地图一致；

然后，得到当前车辆位姿的相机水平视场覆盖区域；

建立初始车辆位姿相机视场模板，当车辆位姿发生改变时，对初始相机视场模板进行平移和旋转可以得到当前车辆位姿的相机水平视场覆盖区域；

最后，对该水平视场覆盖区域中栅格点的状态进行判断，若栅格状态为未探索，且栅格点到相机安装位置之间的连线上无障碍物栅格，则将该栅格状态赋值为已探索。

在创建相机视场覆盖区域地图的每一周期，首先需要将全局环境栅格地图中的障碍物信息加入到相机视场覆盖区域地图中，若上一周期栅格状态为障碍物，此时检测状态不是障碍物时，需要将相机视场覆盖地图中对应栅格的状态由障碍物状态替换为未探索状态。图3(a)显示了全局环境栅格地图，图3(b)显示对应的相机视场覆盖地图。

步骤S2、在当前位置对要搜索的目标进行组合式环境探索，提取边缘区域；并对所述边缘区域进行评估，确定无人车下一步的行进目标点；

本发明实施例采用的环境探测策略属于一种基于边缘区域引导的组合式环境探测策略，包括两层搜索，即在全局环境地图上进行的粗疏搜索和基于视场覆盖地图进行的精细搜索。

具体的，所述组合式环境探索方法包括：

1)基于全局环境地图对探测目标进行粗疏搜索，并提取地图边缘区域栅格点，记录地图的搜索覆盖率；

2)判断是否检测到目标；是，则停止粗疏搜索，进入4)；否，则判断地图的搜索覆盖率是否超过阈值；是，则进入步骤3)，否，则，返回1)；

3)基于视场覆盖地图对探测目标进行精细搜索，提取地图边缘区域栅格点，直到检测到目标；

4)对提取的边缘区域栅格点进行综合评估，根据综合评估结果，确定车辆下一步的目标栅格；所述综合评估指标包括，目标栅格的信息增益、连接车辆当前位置到目标栅格位置的Reeds-Shepp曲线长度。

特殊的，粗疏搜索和精细搜索都采用基于边缘区域引导的环境探测策略；粗疏搜索用作提取边缘区域的地图是全局环境地图，精细搜索用作提取边缘区域的地图为相机视场覆盖地图。

基于边缘区域引导的环境探测策略本质上是为了获取到更多未探索区域的环境信息，边缘区域的定义是分割已探索自由区域和未探索区域的交界区域；

具体的，本发明实施例采用快速探索随机树(RRT)算法检测边缘区域栅格。

快速探索随机树是一种通过随机构建空间填充树来有效搜索非凸、高维空间的机器人路径规划算法，用于搜索从初始位姿到终点位姿的无碰路径，随机树是从搜索空间中随机抽取的样本逐渐构建的，并且本质上倾向于朝向大部分未探测区域生长，基于快速探索随机树算法这种特点，我们对原始快速探索随机树算法进行改进，使之适用于对未知环境中的边缘区域栅格进行检测，改进后的快速探索随机树的边缘检测算法流程相对于标准的快速探索随机树算法具有如下改进：

a.在标准RRT算法中，frontierCheck函数作为顶点连线的碰撞检测；在改进后的边缘检测算法中，通过判断顶点连线上的栅格是否为未探索区域，且没有被障碍物占据的栅格，将该连线添加为边缘；

b.基于快速探索随机树的边缘检测算法可以扩展出局部边缘检测和全局边缘检测两种版本；

版本一、局部边缘检测；当检测到边缘栅格后，清空现有随机树的顶点集合和边集合，并将当前车辆位置加入随机树顶点集合中，这属于局部边缘检测算法，局部边缘检测算法可以快速探测车辆周围的边缘区域栅格；

版本二、全局边缘检测；当检测到边缘栅格后，不清空现有随机树的顶点集合和边集合，在车辆行进中，一直对随机树进行拓展，可以扩展出全局边缘检测算法；全局边缘检测算法可以探测距离车辆较远的边缘，全面地检测边缘区域栅格。

在实际运用中，同时利用基于RRT的局部边缘检测和全局边缘检测，通过设置搜索区域阈值，当搜索区域为超过阈值时，采用局部边缘检测，当超过阈值时，采用全局边缘检测，从而实现快速全面地检测边缘区域栅格。图4为本发明实例利用快速探索随机树(RRT)算法检测边缘区域栅格的实际效果图。

特殊的，还对检测得到的边缘区域栅格进行过滤和聚类处理；

在利用RRT对边缘区域栅格进行检测时，为了实时检测，没有考虑边缘区域栅格对于车辆的可通行性，另外有些边缘区域栅格周围并没有大量未探索区域，不满足最小信息增益条件，因此需要过滤掉这些栅格。

可选的，在考虑栅格对于车辆的可通行性时，采用Opencv中的距离变换方法，该方法用于计算图像中非零像素点到最近的零像素点的最近距离；在将距离变化用于考虑栅格对于车辆的可通行性时，首先需要对视场区域覆盖栅格地图进行二值化处理，对障碍物栅格赋值为0，其他栅格赋值为255，然后对二值化后的栅格图像进行距离变换，距离变化后的图像上的每个栅格存储了到最近障碍物栅格的距离，接下来只需将该距离值与车辆车身外接圆半径作比较，即可以得到该栅格对于车辆的可通行性；

具体的，在考虑边缘区域栅格的信息增益时，假想存在一个半径为5米的圆，圆心为待测边缘区域栅格，通过计算该圆内的未探索栅格的数目，可以评定该边缘区域栅格的信息增益；

具体在本应用实例中，我们对该圆内栅格首先进行二值化操作，将未探索栅格赋值为200，圆内其他栅格赋值为0，再利用Opencv中的countNonZero函数可以快速计算圆内未探索栅格的数目，最后将小于设定信息增益数量的栅格过滤，本发明实例中选取最小信息增益数量为50；

若经过过滤后的边缘区域栅格数目仍然很多，直接将过滤后的边缘区域栅格传输给边缘区域评价模块，会造成计算资源的浪费，因此需要对边缘区域栅格进行聚类处理；

可选的，采用对滤波后边缘区域栅格采用均值漂移聚类方法进行聚类，该聚类方法是一种无参密度估计算法，可以使多个随机中心点向着数据集密度最大的方向移动，最终得到多个最大密度中心；

特殊的，本发明实例实际运用该算法时，只需要将过滤后所有边缘栅格点的2D位置信息输入到开源机器学习框架Scikit-Learn中cluster模块的meanShift函数中，便可以得到均值漂移聚类后的结果。

具体的，对提取的边缘区域栅格点进行综合评估取选取的评价指标包括：目标栅格的信息增益以及连接车辆当前位置到目标栅格位置的Reeds-Shepp曲线长度。信息增益代表了目标栅格区域包含未知栅格的数量，信息增益越大，未知栅格越多。Reeds-Shepp曲线长度代表了车辆从当前位置前往目标栅格的路径距离代价，相比于欧式距离，Reeds-Shepp曲线长度更能真实反映具备非完整性约束车辆的行驶路径距离。

特殊的，有效边缘区域栅格的评估值的计算方法包括：

1)找到有效边缘区域栅格到车辆当前位置的最远Reeds-Shepp曲线长度D_max和最大的信息增益值I_max；

2)按照公式计算综合评估值，式中，R_all为综合评估值，W_d，W_i，为距离权重因子、信息增益权重因子；d为当前位置到目标栅格位置的Reeds-Shepp曲线长度；i为边缘区域栅格的信息增益值；

3)按照预先设定的评估阈值区间，选择有效边缘区域栅格作为车辆下一步的目标栅格；其中，评估阈值区间为边缘区域栅格的综合评估值最大值到选定值之间的区间，选定值根据需要选定的车辆下一步目标栅格的数量决定，综合评估值越大，该栅格越可能被选为下一时刻车辆应该前往的目标栅格。

具体的，距离权重因子和信息增益的权重因子可设置为1；评估阈值区间为综合评估值前10名；

这样设置是因为一方面不能绝对保证路径规划模块能够规划到综合评估值最高的栅格的无碰路径，另一方面也是为了提供路径规划模块更多的选择自由，当出现某一目标栅格失效时，仍然可以继续选择下一目标栅格进行路径规划。

具体的，在判断是否由粗疏搜索转为精细搜索时，是根据地图的搜索覆盖率是否超过了阈值，其中，搜索覆盖率计算公式如下；

Rate_cov＝Area_cov/Area

其中，Area_cov为当前已搜索区域的地图面积，Area为全局地图的面积。

当搜索覆盖率达到设定的阈值后，若目标仍然未被检测到，此时结束粗疏搜索层的环境探测过程，开启精细搜索层的环境探测过程；

其中，阈值根据具体的搜索任务和目标进行调整，实现既能准确的实现目标的搜索，同时又能减少搜索时间的目的。

步骤S3、生成当前位置到行进目标点位置的无碰撞期望路径，控制无人车到达目标点位置；

依赖未知环境边缘探索决策模块，我们得到了下一时刻车辆需要前往的目标位置。此时，需要路径规划模块规划出从当前车辆位置到目标位置的符合车辆非完整性约束的无碰路径。本发明实例中路径规划模块采用混合A星路径规划算法，该算法属于一种基于图搜索的路径规划算法，该算法通过生成考虑车辆运动约束的运动基元对空间进行采样，因此混合A星的状态转移过程发生在连续空间，而不是离散空间，这样得到的路径可以被车辆跟踪控制。该算法主要包括以下几个步骤：

1)对无人车航向进行离散化处理；

探索车辆为阿克曼转向车辆，具有非完整性约束，在给定状态下，受到最小转弯半径的限制。因此，对于具备非完整约束的车辆而言，必须将航向约束加入到状态空间中，构成三维状态空间ζ＝(x,y,θ)为了能够将三维空间的路径规划问题简化为图搜索问题，需要对状态空间进行离散化处理，将航向空间分解为K个方向，最小航向角θ_min＝2π/K,航向角集合Θ为Z为整数集。

2)建立运动基元库；

考虑到车辆的非完整性约束，混合A星算法采取符合车辆运动学约束的车辆运动基元对空间进行采样；

根据车辆的单轨模型，L为车辆轴距，当车辆转弯半径为R时，可以根据下式很容易的算出前轮偏角δ。

为了简化搜索过程，本发明实例只考虑三种运动基元形式：左转最大角，直行和右转最大角。运动基元的生成过程可看作输入不同的转角控制输入，持续控制输入一定时间后得到的圆弧曲线，该圆弧曲线半径不小于最小转弯半径，因此该路径可以被车辆跟踪执行。运动基元生成过程中的状态转移过程可由公式得到，式中，L为轴距，α为转向角，β为航向角变化量，θ为当前航向角，d圆弧曲线长度，(X，Y，θ)为当前节点状态，(X′，Y′，θ′)为扩展节点状态。

3)采用A星搜索法，对运动基元进行迭代扩展，搜索从起点到终点的无碰路径；

A星搜索作为一种启发式搜索算法，每个搜索状态包括两部分代价：搜索起始点到当前点的代价g_cost和当前点到目标点的估计代价h_cost，估计代价需要小于真实代价，本发明实例中选择欧式距离作为估计代价。

具体搜索过程包括：

1)输入搜索起点和终点位姿(包括航向)；

2)从搜索起点开始，按照A星搜索法对子节点进行迭代扩展，计算有效子节点到搜索起点的运动代价值；

从搜索起点开始，根据当前的航向，可以扩展出不同转向角下的子节点，忽略与障碍物发生碰撞的子节点，并对有效子节点赋予到搜索起始节点的运动代价，该部分运动代价可以由父节点到搜索起始节点的代价加上父节点到子节点之间的运动代价计算得到；

特殊的，运动代价与车辆的转向角相关，转向角越大，运动代价相应越大，这是为了保证在节点扩展过程优先选择转角小的运动基元，这样运动基元构成的路径会方便车辆跟踪；

另外，如果设置倒车的运动基元，也需要对倒车的运动基元设置较大的运动代价，这也是从车辆跟踪路径的容易程度的角度考虑。

3)判断扩展节点与终点位姿的距离差和航向差小于某一阈值；即认为搜索到从起点到终点的无碰可行路径，则停止A星搜索过程；

4)通过对节点进行回溯，得到从起点到终点的无碰路径。

通过对最后的节点进行回溯，便可以得到从起点到终点的无碰路径，由于该路径是有运动基元组合而成，因此该路径符合车辆非完整约束，可以被车辆跟踪。

通过对车辆的转向和速度进行控制，使无人车辆能够按照无碰撞期望路径到达目标点位置。

S4、判断目标点位置是否有要搜索的目标，有，则完成环境探测；无，则返回S1。

一种无人车目标搜索环境探测系统，包括上层任务调度模块，地图创建与定位模块，目标识别模块，边缘探索决策模块，路径规划模块，路径跟踪控制模块，各模块组织关系框图如图5所示；

上层任务调度模块主要负责读取侦查区域范围、待识别目标样本，目标数量等信息，同时负责启动和退出边缘探索决策模块。

地图创建与定位模块主要负责建立全局环境栅格地图和相机视场覆盖地图，同时提供精确的定位信息。

目标识别模块主要负责对待识别目标进行实时检测，当检测到所有的目标物体后，告知上层任务调度模块，退出边缘探索决策模块。

边缘探索决策模块主要负责从相机视场覆盖地图中提取边缘区域栅格，并对边缘区域栅格评估，最后发送目标栅格位姿信息给路径规划模块。

路径规划模块主要负责规划从车辆当前位置到目标位置的可行无碰路径。

路径跟踪控制模块主要负责控制车辆转向和速度，保证车辆能够跟踪路径规划模块输出的期望路径。

综上所述，本实施例公开的无人车目标搜索系统中的环境探测方法，组合利用相机和激光雷达两种设备，相机主要负责对待搜索目标进行识别，激光雷达负责提供车辆周围实时的环境地图，结合二者信息，实现对未知区域待侦察目标的高效搜索；通过组合式边缘区域探索策略，对目标进行检测，一方面能够极大缩短搜索时间，另一方面增大了目标被检测到的概率；考虑无人车非完整性约束特点选取边缘区域评价函数指标，更能真实的反映车辆行驶特点。使用混合A星算法规划无碰撞期望路径，使规划的路径符合车辆非完整约束，可更好的被车辆跟踪。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种无人车目标搜索系统中的环境探测方法，其特征在于，包括以下步骤：

S1、创建无人车全局环境地图和车载相机视场覆盖地图；

S2、基于所述全局环境地图和相机视场覆盖地图，在当前位置对要搜索的目标进行组合式环境探索，提取用于分割已探索区域和未探索区域交界的边缘区域；对所述边缘区域进行评估，确定无人车下一步行进的目标点位置；

S3、生成当前位置到行进的目标点位置之间的无碰撞期望路径，控制无人车到达目标点位置；

S4、判断目标点位置是否有要搜索的目标，有，则完成环境探测；无，则返回S1。

2.根据权利要求1所述的环境探测方法，其特征在于，所述无人车全局环境地图的创建包括：

利用激光雷达感知车身周围环境信息，创建车身周围的局部环境图；

获取车辆实时位置；

根据位置信息，对所述局部环境图进行拼接，获取得到全局环境地图。

3.根据权利要求2所述的环境探测方法，其特征在于，所述局部环境图和全局环境地图为栅格地图，栅格地图中的栅格有三种状态：可通行状态、障碍物状态和未知状态。

4.根据权利要求3所述的环境探测方法，其特征在于，所述获取全局环境地图包括以下步骤：

1)创建一张全部栅格为未知状态的全局栅格地图，将全局栅格地图的中心设置为车辆起点位置；

2)根据车辆定位系统输出的车辆当前位置信息，找到所述局部环境地图中可通行状态和障碍物状态栅格在全局栅格地图上对应的位置；

3)对全局栅格地图上对应位置的栅格状态进行更新，得到全局环境地图；所述栅格状态的更新采用贝叶斯概率更新。

5.根据权利要求1所述的环境探测方法，其特征在于，所述车载相机视场覆盖区域地图的创建包括：

创建尺寸和分辨率和全局环境地图一致的栅格地图；所述栅格地图中栅格存在3种状态：未探索状态，已探索状态和障碍物状态；初始状态全部栅格为未探索状态。

得到当前车辆位姿的相机水平视场覆盖区域；

判断所述相机水平视场覆盖区域中栅格的状态，若为未探索状态，且栅格点到相机安装位置之间的连线上无障碍物栅格，则将该栅格状态赋值为已探索状态。

6.根据权利要求1所述的环境探测方法，其特征在于，所述组合式环境探索方法包括：

1)基于全局环境地图对探测目标进行粗疏搜索，并提取边缘区域栅格点，记录地图的搜索覆盖率；

2)判断是否检测到目标；是，则停止粗疏搜索，进入4)；否，则判断地图的搜索覆盖率是否超过阈值；是，则进入步骤3)，否，则，返回1)；

3)基于视场覆盖地图对探测目标进行精细搜索，提取边缘区域栅格点，直到检测到目标；

4)对提取的边缘区域栅格点进行综合评估，根据综合评估结果，确定车辆下一步的目标栅格；所述综合评估指标包括，目标栅格的信息增益、连接车辆当前位置到目标栅格位置的Reeds-Shepp曲线长度。

7.根据权利要求6所述的环境探测方法，其特征在于，所述粗疏搜索和精细搜索均采用快速探索随机树算法检测边缘区域栅格。

8.根据权利要求1所述的环境探测方法，其特征在于，所述综合评估包括：

1)找到有效边缘区域栅格到车辆当前位置的最远Reeds-Shepp曲线长度D_max和最大的信息增益值I_max；

2)按照公式计算综合评估值，式中，R_all为综合评估值，W_d、W_i分别为距离权重因子、信息增益权重因子；d为当前位置到目标栅格位置的Reeds-Shepp曲线长度；i为边缘区域栅格的信息增益值；

3)按照预先设定的评估阈值区间，选择有效边缘区域栅格作为车辆下一步的目标栅格。

9.根据权利要求1所述的环境探测方法，其特征在于，所述无碰撞期望路径采用混合A星算法进行规划；包括以下步骤：

1)对无人车航向进行离散化处理，分解为K个方向，最小航向角θ_min＝2π/K,航向角集合Θ为{θ|θ＝kθ_min,k∈Z}；

2)建立包括左转最大角，直行和右转最大角在内的运动基元库；

3)采用A星搜索法，对运动基元进行迭代扩展，搜索从起点到终点的无碰路径；

4)通过对最后的节点进行回溯，得到从起点到终点的无碰路径。

10.根据权利要求9所述的环境探测方法，其特征在于，所述A星搜索法过程包括：

1)输入搜索起点和终点的包括航向在内的位姿信息；

2)从搜索起点开始，按照A星搜索方法对子节点进行迭代扩展，计算有效子节点到搜索起点的运动代价值；

3)当判断扩展节点与终点位姿的距离差和航向差小于设定的阈值时；停止搜索过程；

4)通过对节点进行回溯，得到从起点到终点的无碰路径。