CN109945885B - 无人摩托的动态障碍物避障路径规划计算方法 - Google Patents

Abstract

本发明公开了一种无人摩托的动态障碍物避障路径规划计算方法，该方法包括以下步骤：建立无人摩托的平衡动力学模型与运动学模型；使用自适应分辨率的A*算法，在栅格地图上获取一条连接初始节点与目标节点的通路；结合平衡动力学模型与运动学模型，使用基于视锥的动态障碍物避障算法获得实时控制量，对障碍物进行避让。该方法通过采用低精度地图，多层次展现环境，极大降低算法的运行时间，实现路径规划当中对于实时性的需求，并采用基于视锥的局部规划方式，对障碍物的敏感度调制稳定，有利于穿越多个障碍物。

Description

无人摩托的动态障碍物避障路径规划计算方法

技术领域

本发明涉及无人车智能决策规划与控制执行技术领域，特别涉及一种无人摩托的动态障碍物避障路径规划计算方法。

背景技术

随着交通需求的日益增长，驾驶成为日常生活必不可少的技能，同时也占据了人们大量的时间，可以预见在未来将会有大量驾驶工作的需求。各类汽车厂商以及高校均期望在数年时间之内研发出能够适应绝大多数路面条件的无人驾驶。而无人驾驶摩托车又是在无人驾驶中相对较新的领域，能够进行更为灵活的运动。摩托车作为一种特殊构型的机器人，兼备速度高、噪音小与野外通过性好的特性，其无人化在各领域均有较广应用前景。

路径规划是指车辆根据传感器接收到的，或事先在地图上采集到的信息，对于所即将采取的行进路径进行规划，寻求一条在两点之间符合约束条件的路径，约束条件可以为路径最短、机械功最小、可实现性、安全性、曲线平滑性等。

路径规划当中对于约束条件影响最大的为障碍物，若假设障碍物均可以视作动态障碍物，也即障碍物均为具有一定速度、具有一定几何形状的物体。根据障碍物进行避障操作是需要研究的目标。与一般车辆相比，摩托车重量较轻，加减速过程时间短，且面对障碍物时，摩托车体型更小，较容易穿越障碍物，从而具有更强的在野外运动能力。

目前应用较为广泛的传统路径规划算法为A*(A star)算法，其缺点在于存在大量不必要的冗余计算，实时性不高，远远达不到在线规划的要求。另外一类研究较为广泛的方法是人工势场法，若障碍物非凸或斥力与引力达到平衡等情况，运动路径容易进入局部最小点，并且人工势场法难以在安全性和避障的灵活性当中进行平衡。

基于上述分析，相关路径规划算法还存在很大缺陷，提出一种新路径规划算法解决在现有问题的同时，能够保留原有优越性能是十分必要的。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的目的在于提出一种无人摩托的动态障碍物避障路径规划计算方法，该方法能够保留其优越性能，且大大降低了算法运行时间，最终能够生成可执行的、完备的、实时规划的路径。

为达到上述目的，本发明提出了无人摩托的动态障碍物避障路径规划计算方法，包括以下步骤：建立无人摩托的平衡动力学模型与运动学模型；使用自适应分辨率的A*算法，在栅格地图上获取一条连接初始节点与目标节点的通路；结合所述平衡动力学模型与所述运动学模型，使用基于视锥的动态障碍物避障算法获得实时控制量，对障碍物进行避让。

本发明实施例的无人摩托的动态障碍物避障路径规划计算方法，通过采用低精度地图，多层次展现环境，极大降低算法的运行时间，实现路径规划当中对于实时性的需求，又由于实时性能够保障，当环境变化时也能够较快地适应，也可以在动态障碍物中进行避障；通过利用路径规划的完备性，也即若存在从起点到终点的路径，则必定能够找到路径，否则将会返回规划失败的信息，同时，拓展得到的路径完全基于车体的动力学特性，因而完全可实现，路径能够满足所有的约束条件；通过采用图搜索的方法，可十分直观地表现出路径规划的过程和结果，便于分析，易于可视化，对于算法的调整带来较大的便利条件，又由于路径规划是完备的且结合了人工势场法，可以保证安全性，不会发生意外碰撞；通过采用基于视锥的局部规划方式，不会对障碍物过于敏感，有利于穿越多个障碍物。

另外，根据本发明上述实施例的无人摩托的动态障碍物避障路径规划计算方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述无人摩托的平衡动力学模型为：

其中，φ为无人摩托的车身倾斜角，δ为无人摩托的车把转向角，a为无人摩托重心与后轮落地点的水平距离，h为车身无倾斜时无人摩托重心到地面的距离，λ为无人摩托的前叉角，v_x为无人摩托后轮的前向速度，c为无人摩托拖尾，b为无人摩托轴距，g为重力加速度，s为拉普拉斯算子。

进一步地，在本发明的一个实施例中，所述无人摩托的运动学模型为：

其中，v为车辆速度，θ为航向角，δ为无人摩托的车把转向角，c为无人摩托拖尾，λ为无人摩托的前叉角，φ为无人摩托的车身倾斜角，b为无人摩托轴距，

为在绝对坐标地图中的横向速度，

为在绝对坐标地图中的纵向速度，

为航向角速度。

进一步地，在本发明的一个实施例中，所述步骤S2包括：步骤S201，对所述栅格地图进行所述自适应分辨率；步骤S202，在粗精度地图上寻路，若寻路成功，进入下一步，否则当前地图没有所述初始节点与所述目标节点的通路；步骤S203，若路径途径模糊栅格，则将模糊栅格及其附近部分取出，进行局部重规划。

可选地，在本发明的一个实施例中，在所述栅格地图上的栅格由0和1布尔数组成，其中，0为障碍物区域，1为空旷区域。

进一步地，在本发明的一个实施例中，所述步骤S2还包括：步骤S204，若所述局部重规划成功，则输出整条路径，结束算法，否则将模糊栅格值置为0，设置重规划标志；步骤S205，若存在所述重规划标志，则重新执行算法，若当前地图上无可行路径，则提高地图精度，进入所述步骤S202重新执行算法。

进一步地，在本发明的一个实施例中，所述自适应分辨率以清晰度作为评价标准，清晰度map_def为：

其中，地图中两种类型的栅格个数分别为num_int和num_dec，num_int为完全的障碍或完全障碍，num_dec为其余格栅。

进一步地，在本发明的一个实施例中，所述步骤S3用五类情况细分视锥：无障碍部分，所有方向均为无障碍的空旷区域；有障碍部分，存在障碍的某个方向；障碍密集部分，障碍物较多的某个方向；有障碍威胁部分，存在障碍物经过的概率，考虑障碍物移动的因素的某个方向；不可逾越部分，与障碍物临近的某个方向。

进一步地，在本发明的一个实施例中，所述有障碍威胁部分计算方式为：

ω_left＝ω_⊥-ω_||

ω_right＝ω_⊥+ω_||

其中，ω_left和ω_right分别表示障碍物左边缘与右边缘在视锥中的移动导数信息，ω_⊥为纵向速度引起的角速度，ω_||为横向速度引起的角速度。

其中，在本发明的一个实施例中，

式中，

为障碍物横向速度，dis为距离，obs_r为障碍物半径，r为车身半径，v_||为接近障碍物的纵向速度。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明一个实施例的启发式的传统路径规划方法实现过程的效果图；

图2是本发明一个实施例的人工势场法的势场图像；

图3是本发明一个实施例的人工势场法中目标(450,450)所产生的引力势场图；

图4是本发明一个实施例的人工势场法中目标(450,450)与障碍物叠加所得总势场图；

图5是本发明一个实施例的人工势场法在静态凸障碍物下的路径规划图；

图6是本发明一个实施例的人工势场法陷入局部极小点的路径规划图；

图7是本发明一个实施例的无人摩托的动态障碍物避障路径规划计算方法流程图；

图8是本发明一个实施例的整个视锥五类情况细分图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

首先，下面现对现有技术的技术方案和技术方案存在的缺陷进行描述。

1)启发式的传统路径规划方法

A*算法是一种图搜索法。A*算法需要在离散的栅格化地图中才能够使用，在基本的A*算法中，按照以下步骤进行全局路径规划：

步骤一：将初始节点置入开启列表

步骤二：若开启列表中没有节点，则路径探索失败。否则进行下一步。

步骤三：选取当前节点。评估条件为开启列表中代价函数f(·)值最低的节点。对与当前节点相邻的节点做以下操作：

a)障碍或关闭列表中的节点，不操作。

b)不在开启列表中的节点，加入到开启列表。以当前节点作为父节点，计算其代价函数值。

c)已经在开启列表中，若以当前节点为父节点计算得到的代价函数值小于原值，则更新其父节点和代价函数值。

步骤四：当前节点置入关闭列表。若目标节点在开启列表中，则规划完毕。得到一条有效路径。否则回到步骤二。

如图1所示，a图将其分为了100×100块栅格，寻找一条从左上角到右下角的路径。黑色部分为障碍物，灰色部分为关闭列表中的节点，而与灰色部分相邻的白色部分在开启列表中，其余的白色部分为尚未探索到的部分。b图则为实行算法所得到的最终规划的路径。但该方法路径的平滑性较差，栅格地图精度越高则求解效率越低，存在大量不必要的冗余计算，求解时间较长，长达数十秒乃至数分钟，实时性不高，不适用于实时性要求高的环境。

2)人工势场法

人工势场法将对障碍物与目标点分别设置人工力场，障碍物将会产生较强的斥力，目标点产生较为平滑的引力，从而使得运动避开障碍物而向目标点接近。

人工势场表示为：

式中，

为目标点的相应势场，U_O为障碍物的斥力势场。势场最终产生的受力表示为：

目标势场一般取二次函数形式：

而障碍物势场选取的原则是仅在障碍物范围内作用的连续可微函数。第一种方法可选取为

当f(x)>f(x₀)时取值为0。其中f(x)取为距离函数ρ，即：

如图2-4所示，障碍物所产生的斥力势场为凸起形状，而目标所产生的引力势场为漏斗形状的平滑曲面，在目标点(450,450)处有极小值。两者叠加则得到了最终的总势场，即在总的引力势场曲面上有众多障碍所产生的凸起排斥力势场，物体的移动遵循梯度下降方向的方式，最终将在势场作用下避过障碍物到达目标位置。

在实际的方法使用过程中，车辆采用激光雷达及视觉传感器等设备对周遭情况感知，探测到障碍物的轮廓。因而在车辆运行中无法获取障碍物的所有信息，通过障碍物轮廓线数据可以得到障碍物位置，而具体形状只能通过传感器获取的数据进行估计。在实际使用中只能使用局部信息进行路径规划，即车体附近物体产生的斥力对于车辆偏转角进行指导，无法感知从而无法利用全局障碍物信息。

如图5所示，人工势场方法在障碍物为凸时有较好的表现，并且能够满足实时性的需求，路径规划算法过程如下：

步骤一：从当前车体位置开始，获取周围障碍物距离大小；

步骤二：依据障碍物距离计算人工势场U_art与受力大小F_art；

步骤三：依据人工势场U_art与受力大小F_art计算转向、车速改变量。使得车辆朝向人工势场下降梯度的方向前进，并在接近障碍物情况下适当减速；

步骤四：在新的车体转向与车速下行进小段距离，到达新的位置与姿态；

步骤五：若车辆到达了目标位置，则完成了路径规划，找到一条可行路径。否则返回步骤一，继续算法迭代。

但由于该方法的局部规划特性，使得路径规划容易陷入局部最小点，如图6所示，在凹形障碍物内反复寻路，无法跳出障碍物范围。也即若障碍物非凸或斥力与引力达到平衡等情况，运动路径容易进入局部最小点。之后若难以跳出，则导致无法到达目标点。

因此，本发明实施例提出一种将两种方法分别改进并加以结合的算法，通过接收当前地图信息，在全局路径规划基础上进行局部路径规划，在动态障碍物中寻找到可行的规划路径，以实现实时路径规划。

其中，本发明实施例的规划方法相对于A*算法，采用降低地图精度的方式大量减少拓展节点，能够体现较大尺度上的障碍物密集程度，从而在一个更高的全局范围下决定路径朝向的趋势，有助于更快地收敛于最优路径，从而大大加快算法计算速度。并且由于融合了人工势场方法，完全可以保证算法原有的有效性和安全性。并且利用车体自身的动力学特性进行节点拓展，使得路径更加平滑。

本发明实施例的规划方法相对于人工势场法，融入了A*算法作为导向信息，因而不会使得算法陷入局部最小点。同时采用基于视锥的人工势场方法，使得路径规划不会对障碍物过于敏感而无法穿越障碍物从而路径规划失败。

下面参照附图描述根据本发明实施例提出的无人摩托的动态障碍物避障路径规划计算方法。

图7是本发明一个实施例的无人摩托的动态障碍物避障路径规划计算方法流程图。

如图7所示，该无人摩托的动态障碍物避障路径规划计算方法包括以下步骤：

在步骤S1中，建立无人摩托的平衡动力学模型与运动学模型。

具体而言，步骤S1中动力学模型建立过程如下：

无人摩托的动力学模型为：

其中，φ为无人摩托的车身倾斜角，δ为无人摩托的车把转向角，a为无人摩托重心G与后轮落地点P1的水平距离，h为车身无倾斜时无人摩托重心到地面的距离，λ为无人摩托的前叉角，v_x为无人摩托后轮的前向速度，c为无人摩托拖尾，b为无人摩托轴距，g为重力加速度，s为拉普拉斯算子；

控制方式采用比例-微分与前馈控制相结合的控制律：

其中，δ_d为无人摩托的车把转向角指令，即控制器的输出，φ_d为无人摩托的目标车身倾斜角，即控制器的输入，

为关于φ的一阶导数，K₁为比例系数、K₂为微分系数、K₃为前馈系数；

车把转向角指令δ_d与实际车把转向角δ之间存在一个低通滤波环节，该环节为一个一阶惯性环节，T_s为时间常数；

控制系统整体控制过程可以表示为：

其中，M₁＝ahv_xs_λ，M₂＝hv_x ²s_λ-acgs_λ ²，M₃＝bh²，M₄＝bgh

状态方程可以简写为：

其中：

无人摩托的离散运动学模型为：

其中，(x,y)为车体坐标位置，v为车辆速度，θ为航向角。δ_real为车辆实际转把转角，根据几何上的关系，其计算方式：

可得到运动学模型：

在步骤S2中，使用自适应分辨率的A*算法，在栅格地图上获取一条连接初始节点与目标节点的通路。

具体地，初始在一张栅格地图上使用A*算法寻路，栅格由0、1布尔数值所组成，0为障碍物区域(黑色部分)，不可通过；1为空旷区域(白色部分)。选取八邻域作为搜索的结构。

主体搜索步骤如下：

步骤201：对栅格地图自适应分辨率。

步骤202：在粗精度地图上寻路，若寻路成功，进入下一步，否则表明当前地图没有能够连接初始节点与目标节点的通路。

步骤203：若路径途经模糊栅格，则将模糊栅格及其附近部分取出，做局部重规划。

步骤204：若局部重规划成功，则输出整条路径，结束算法。否则将模糊栅格值置为0，设置重规划标志。

步骤205：若有重规划标志，重新执行算法，此时若在当前地图上无可行路径，则提高地图精度，进入步骤202重新执行算法。

步骤202中的粗精度地图寻路算法、步骤203中的局部重规划算法如下：

步骤2001：初始化开启列表Open，将初始节点置入。初始化关闭列表Close，为空。

步骤2002：若开启列表Open非空，找到Open列表中代价函数值最小的节点Finest并从Open列表中删除。否则跳转至步骤205。

步骤2003：若节点Finest不为目标节点，则将其每一个不在关闭列表Close中的邻域节点neibor置入Open列表，若已经存在则更新节点其历史代价值、估计代价值、总代价值Cost。若节点Finest为目标节点，跳转至步骤205。

步骤2004：将节点Finest置入关闭列表。跳转至步骤202。

步骤2005：若已经到达目标节点，则由目标节点反向递推，得到完整路径。否则进入下一步。

步骤2006：当前地图没有能够连接初始节点与目标节点的通路。

其中，自适应分辨率使用清晰度为评价标准，清晰度map_def表示为：

其中整张地图中两种类型的栅格个数分别为num_int(为完全的障碍或完全无障碍)和num_dec(其余栅格)。

开启列表由五元数组构成，分别为节点位置、历史代价值、估计代价值、总代价值、序号。历史代价值Cost_his即为从初始点到当前节点的路径长度，估计代价值Cost_heu为：当前节点到目标点的欧氏距离。总代价值计算公式为：

Cost＝(Cost_his+Cost_heu)*(1+(1-value_cube))

其中：

当前栅格所占空间在原始地图中表示障碍物栅格的个数为num_obs，表示空旷栅格的个数为num_squ。

在步骤S3中，结合平衡动力学模型与运动学模型，使用基于视锥的动态障碍物避障算法获得实时控制量，对障碍物进行避让。

也就是说，结合动力学与运动学模型，针对动态障碍物，使用一种基于视锥的动态障碍物避障算法，进行实时避障。

具体而言，步骤S3的过程为：

结合了步骤S1中的动力学、运动学模型。在步骤S2的规划基础之上，朝向A*算法中给出的目标节点进行运动控制，得到实时的控制量。

在以上步骤的基础上对控制量进行修正，使得车体始终朝向无危胁区域运动，且修正量尽量小。为了区分车体周围环境的威胁程度，将车体周身划分成各个角度。如图8所示，并用五类情况细分整个视锥：

无障碍部分，所有方向均为无障碍的空旷区域。

有障碍部分，数字1部分均表明该方向上有障碍。

障碍密集部分，数字2部分表明该方向障碍物较多。

有障碍威胁部分，数字3部分表明将可能有障碍物经过，需要考虑障碍物移动的因素。此外该部分必定紧挨着有障碍部分。

不可逾越部分，数字4部分表示此方向上障碍物距离十分近，此时不可尝试从该部分移动跨越，否则将带来危险。

如图左下角的圆表示车体，其周围的外部圆形表示车体的视锥，数字表示传感器探测到的障碍物及其所计算的信息。右上角的圆形为障碍物。

其中有障碍威胁部分计算方式为：

ω_left＝ω_⊥-ω_||

ω_right＝ω_⊥+ω_||

分别表明障碍物左边缘与右边缘在视锥中的移动导数信息，ω_⊥为纵向速度引起的角速度，ω_||为横向速度引起的角速度。其中：

为障碍物横向速度，dis为距离，obs_r为障碍物半径，r为车身半径，v_||为接近障碍物的纵向速度。

车体在接下来的运动过程中应当朝向无障碍部分做转向避让动作；若无无障碍部分，则朝向有障碍威胁部分转向避让；否则只能向障碍物密集部分转向而永远不能够朝向不可逾越部分，哪怕是在转向过程中短暂地朝向。

综上，根据本发明实施例提出的无人摩托的动态障碍物避障路径规划计算方法，通过采用低精度地图，多层次展现环境，极大降低算法的运行时间，实现路径规划当中对于实时性的需求，又由于实时性能够保障，当环境变化时也能够较快地适应，也可以在动态障碍物中进行避障；通过利用路径规划的完备性，也即若存在从起点到终点的路径，则必定能够找到路径，否则将会返回规划失败的信息，同时，拓展得到的路径完全基于车体的动力学特性，因而完全可实现，路径能够满足所有的约束条件；通过采用图搜索的方法，可十分直观地表现出路径规划的过程和结果，便于分析，易于可视化，对于算法的调整带来较大的便利条件，又由于路径规划是完备的且结合了人工势场法，可以保证安全性，不会发生意外碰撞；通过采用基于视锥的局部规划方式，不会对障碍物过于敏感，有利于穿越多个障碍物。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (7)

1.一种无人摩托的动态障碍物避障路径规划计算方法，其特征在于，包括以下步骤：

步骤S1，建立无人摩托的平衡动力学模型与运动学模型；

步骤S2，使用自适应分辨率的A*算法，在栅格地图上获取一条连接初始节点与目标节点的通路，其中，所述自适应分辨率以清晰度作为评价标准，清晰度map_def为：

其中，地图中两种类型的栅格个数分别为num_int和num_dec，num_int为完全的障碍或完全无障碍，num_dec为其余格栅；

步骤S3，结合所述平衡动力学模型与所述运动学模型，使用基于视锥的动态障碍物避障算法获得实时控制量，对障碍物进行避让，进一步地，所述步骤S3用五类情况细分视锥：

无障碍部分，所有方向均为无障碍的空旷区域；

有障碍部分，存在障碍的某个方向；

障碍密集部分，障碍物较多的某个方向；

有障碍威胁部分，存在障碍物经过的概率，考虑障碍物移动的因素的某个方向，其中，所述有障碍威胁部分计算方式为：

ω_left＝ω_⊥-ω_||

ω_right＝ω_⊥+ω_||

其中，ω_left和ω_right分别表示障碍物左边缘与右边缘在视锥中的移动导数信息，ω_⊥为纵向速度引起的角速度，ω_||为横向速度引起的角速度；以及

不可逾越部分，与障碍物临近的某个方向。

2.根据权利要求1所述的无人摩托的动态障碍物避障路径规划计算方法，其特征在于，所述无人摩托的平衡动力学模型为：

其中，φ为无人摩托的车身倾斜角，δ为无人摩托的车把转向角，a为无人摩托重心与后轮落地点的水平距离，h为车身无倾斜时无人摩托重心到地面的距离，λ为无人摩托的前叉角，v_x为无人摩托后轮的前向速度，c为无人摩托拖尾，b为无人摩托轴距，g为重力加速度，s为拉普拉斯算子。

3.根据权利要求1所述的无人摩托的动态障碍物避障路径规划计算方法，其特征在于，所述无人摩托的运动学模型为：

其中，v为车辆速度，θ为航向角，δ为无人摩托的车把转向角，c为无人摩托拖尾，λ为无人摩托的前叉角，φ为无人摩托的车身倾斜角，b为无人摩托轴距，

为在绝对坐标地图中的横向速度，

为在绝对坐标地图中的纵向速度，

为航向角速度。

4.根据权利要求1所述的无人摩托的动态障碍物避障路径规划计算方法，其特征在于，所述步骤S2包括：

步骤S201，对所述栅格地图进行所述自适应分辨率；

步骤S202，在粗精度地图上寻路，若寻路成功，进入下一步，否则当前地图没有所述初始节点与所述目标节点的通路；

步骤S203，若路径途经模糊栅格，则将模糊栅格及其附近部分取出，进行局部重规划。

5.权利要求4所述的无人摩托的动态障碍物避障路径规划计算方法，其特征在于，在所述栅格地图上的栅格由0和1布尔数组成，其中，0为障碍物区域，1为空旷区域。

6.权利要求4所述的无人摩托的动态障碍物避障路径规划计算方法，其特征在于，所述步骤S2还包括：

步骤S204，若所述局部重规划成功，则输出整条路径，结束算法，否则将模糊栅格值置为0，设置重规划标志；

步骤S205，若存在所述重规划标志，则重新执行算法，若当前地图上无可行路径，则提高地图精度，进入所述步骤S202重新执行算法。

7.根据权利要求1所述的无人摩托的动态障碍物避障路径规划计算方法，其特征在于，其中，

式中，

为障碍物横向速度，dis为距离，obs_r为障碍物半径，r为车身半径，v_||为接近障碍物的纵向速度。

Images