CN109540166A - 一种基于高斯过程的安全路径规划方法 - Google Patents

Abstract

本发明公开了一种基于高斯过程的安全路径规划方法，通过采集传感器的风险数据，计算当前位置风险的风险系数，构建出风险图，然后通过风险系数对全局环境通过高斯过程进行更新，从而更新风险图，接着，根据更新后的风险图计算风险最小及信息熵减幅最大路径，并作为规划路径进行安全行驶。

Description

一种基于高斯过程的安全路径规划方法

技术领域

本发明属于无人驾驶汽车技术领域，更为具体地讲，涉及一种基于高斯过程的安全路径规划方法。

背景技术

路径规划是无人驾驶和机器人问题中的重要研究方向。实现路径规划，通常需要实现路线规划和动作规划。本方法专注于实现路线规划中的新方法。据统计，有94％的道路交通事故来源于驾驶员的错误判断。无人驾驶汽车为了进一步提升其安全性，需要极强的环境感知和定位能力。现有的感知、通信技术在复杂的显示环境中无法在可控的预算下达到完美的环境感知。因此，我们提出一种基于环境不确定性的路径规划方法，将多种传感器数据归纳为具有不确定性的危险系数，本方法动态地更新危险系数地图并根据此重新规划路径。

现有的主要路径规划算法如下：1)、基于图的路径规划：基于图的路径规划方法可以看作网格式的路径规划，通过节点和连接节点的边以及边的权重进行路径规划，主要的方法有Dijkstra算法，A*算法，Anytime A*算法，D*lite以及Field D*等。2)、基于采样的路径规划：基于采样的路径规划算法有Rapidly-exploring Random Trees(RRT)和Probabilistic Road Maps,这类方法通过根据车辆动态模型生成可能的轨迹并且遍历这些轨迹从中选择路径。3)、路径优化问题：这类方法将路径规划转化成最优化问题，如modelpredictive control(MPC)问题，通过考虑各种约束来选出最佳的路径。

大部分在不确定性条件下的安全路径规划问题都使用基于采样的路径规划框架，他们将采样出的路径通过一个危险性评估器，其返还的矩阵会指引下一次采样的策略，直到得到最有路径或者终止条件。Bournaine等人提出了针对未知动态环境的一种p-safeRRT方法，通过不断的重复采样RRT路径直到满足p-safe条件。

另一种主要的研究方向是将此问题转化为规避风险问题，此类问题将环境中的不确定性转化为确定的或者随机的风险。本方法中主要研究随机的风险，因此此处主要列出将随风看作为随机变量的方法。这类研究领域可以看作为随机风险规避路径规划方法，通常是问题转化到一个最优化问题框架中，并且风险可以被转化为一个风险系数，条件风险系数或是风险的均值方差最小化。此类方法通常会通过探索预测的方法建立一个风险图。如Pierson等人提出了一种将风险转化为一种空间上的H函数的方法来解决车辆的超车安全问题。Yang等人通过神经网络近似出一种在环境场中泛化风险值表达的方法。

在不确定性下的安全决策是近年来比较热门的研究方向之一，其中之一就是在用高斯过程进行环境规划的条件下进行安全决策。Berkenkamp等人提出了一种基于模型的保障系统在未知环境下的安全探索控制的方法。Turchetta等人提出了无模型的高斯过程规划环境下的未知环境探索方法，并应用到了无人机中。Wachi等人在高斯过程规划环境中运用安全强化学习在未知环境下进行信息收集。

当前的路径规划算法只能应用在环境信息充分且确定的条件下，在未知环境或不确定性高的环境下不能保证安全的路径规划。现有的安全路径规划方法只关注于重复采样选取最优路径，并不会构建危险图，也不会根据新的采样更新危险图已降低环境的不确定性。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于高斯过程的安全路径规划方法，通过动态地更新危险系数地图，并以此重新规划路径。

为实现上述发明目的，本发明一种基于高斯过程的安全路径规划方法，其特征在于，包括以下步骤：

(1)、采集传感器的风险数据，计算当前位置风险的风险系数，构建出风险图；

(2)、通过风险系数对全局环境通过高斯过程进行更新，从而更新风险图；

(3)、计算风险最小及信息熵减幅最大路径

构建一个有向图，并删除确定危险的节点，并将每个节点的风险系数赋值在此节点的内向边，然后通过Dijkstra或者A*等方法求出累计风险最小且信息熵减幅最大的路径；

(4)、将步骤(3)找到的路径作为规划路径，并按照该路径安全走完全程，待到达终点后再返回步骤(2)，进行下一轮的规划。

本发明的发明目的是这样实现的：

本发明一种基于高斯过程的安全路径规划方法，通过采集传感器的风险数据，计算当前位置风险的风险系数，构建出风险图，然后通过风险系数对全局环境通过高斯过程进行更新，从而更新风险图，接着，根据更新后的风险图计算风险最小及信息熵减幅最大路径，并作为规划路径进行安全行驶。

附图说明

图1是本发明一种基于高斯过程的安全路径规划方法流程图；

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明一种基于高斯过程的安全路径规划方法流程图。

在本实施例中，如图1所示，本发明一种基于高斯过程的安全路径规划方法，包括以下步骤：

(1)、采集传感器的风险数据，计算当前位置风险的风险系数，构建出风险图；

(2)、通过风险系数对全局环境通过高斯过程进行更新，从而更新风险图；

(3)、计算风险最小及信息熵减幅最大路径

构建一个有向图，并删除确定危险的节点，并将每个节点的风险系数赋值在此节点的内向边，然后通过Dijkstra或者A*等方法求出累计风险最小且信息熵减幅最大的路径；

(4)、将步骤(3)找到的路径作为规划路径，并按照该路径安全走完全程，待到达终点后再返回步骤(2)，进行下一轮的规划。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种基于高斯过程的安全路径规划方法，其特征在于，包括以下步骤：

(1)、采集传感器的风险数据，计算当前位置风险的风险系数，构建出风险图；

(2)、通过风险系数对全局环境通过高斯过程进行更新，从而更新风险图；

(3)、计算风险最小及信息熵减幅最大路径

构建一个有向图，并删除确定危险的节点，并将每个节点的风险系数赋值在此节点的内向边，然后通过Dijkstra或者A*等方法求出累计风险最小且信息熵减幅最大的路径；

(4)、将步骤(3)找到的路径作为规划路径，并按照该路径安全走完全程，待到达终点后再返回步骤(2)，进行下一轮的规划。