CN111060108A - 路径规划方法和装置、工程车辆 - Google Patents

路径规划方法和装置、工程车辆 Download PDF

Info

Publication number
CN111060108A
CN111060108A CN201911416418.XA CN201911416418A CN111060108A CN 111060108 A CN111060108 A CN 111060108A CN 201911416418 A CN201911416418 A CN 201911416418A CN 111060108 A CN111060108 A CN 111060108A
Authority
CN
China
Prior art keywords
path
point
end point
starting point
algorithm
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
Application number
CN201911416418.XA
Other languages
English (en)
Other versions
CN111060108B (zh
Inventor
周长成
王飞跃
杨超
冯皓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu XCMG Construction Machinery Institute Co Ltd
Original Assignee
Jiangsu XCMG Construction Machinery Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu XCMG Construction Machinery Institute Co Ltd filed Critical Jiangsu XCMG Construction Machinery Institute Co Ltd
Priority to CN201911416418.XA priority Critical patent/CN111060108B/zh
Publication of CN111060108A publication Critical patent/CN111060108A/zh
Application granted granted Critical
Publication of CN111060108B publication Critical patent/CN111060108B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas

Abstract

本公开提供一种路径规划方法和装置、工程车辆。路径规划装置获取车辆的起点信息和终点信息；分别根据起点信息和终点信息，确定车辆的起点和终点所在区域，其中起点所在区域和终点所在区域为在结构化道路上或在作业面内；利用与车辆的起点所在区域和终点所在区域相匹配的路径规划算法，以获得从起点到终点的路径。本公开能够在保证路径最短的同时，还能够保证轨迹足够平滑，减少轮胎磨损。

Description

路径规划方法和装置、工程车辆
技术领域
本公开涉及控制领域，特别涉及一种路径规划方法和装置、工程车辆。
背景技术
在现有的矿山施工方法中，运输车辆通常是有人驾驶，存在危险系数高、劳动强度大、人力成本高等缺点。而无人化矿山可以在提高生产效率的同时，从根本上避免人员伤亡。此外，在矿山运行过程中，矿卡的行驶轨迹与车辆的轮胎损耗程度和燃油消耗量密切相关，较好的行驶轨迹能够降低矿山的运营成本。而在有人驾驶的情况下，矿卡的行驶轨迹取决于司机的个人习惯，熟练程度，难以统一控制。
发明内容
本公开提供一种路径规划方案，以便在无人矿山中，能够根据高精度地图统一规划可行驶路径，在保证路径最短的同时，还能够保证轨迹足够平滑，满足车辆的动力学约束，减少轮胎磨损。
根据本公开实施例的第一方面，提供一种路径规划方法，包括：获取车辆的起点信息和终点信息；分别根据起点信息和终点信息，确定车辆的起点和终点所在区域，其中起点所在区域和终点所在区域为在结构化道路上或在作业面内；利用与车辆的起点所在区域和终点所在区域相匹配的路径规划算法，以获得从起点到终点的路径。
在一些实施例中，利用与车辆的起点所在区域和终点所在区域相匹配的路径规划算法，以获得从起点到终点的路径包括：在起点和终点都在结构化道路上的情况下，执行第一路径规划算法以获得从起点到终点的路径，其中所使用的代价函数与有向图中各段路径的路况信息相关联。
在一些实施例中，有向图中各段路径的路况信息包括路径的长度、平均坡度和平均粗糙程度。
在一些实施例中，在起点和终点在同一个作业面内的情况下，执行第二路径规划算法以获得从起点到终点的路径，其中所使用的代价函数与作业面内的障碍物信息和路况信息相关。
在一些实施例中，作业面内的障碍物信息包括车辆到达指定点时是否发生倒车、车辆到达指定点时的车辆转向角的变化量和车辆在指定点相距最近障碍物的距离；作业面内的路况信息包括车辆到达指定点时行走的路径长度、所经过全部栅格的平均坡度和平均粗糙度。
在一些实施例中，在起点在结构化道路上、终点在一个作业面内的情况下，确定结构化道路与作业面的交点；执行第一路径规划算法以获得从起点到交点的路径；执行第二路径规划算法以获得从交点到终点的路径；合并所得到的路径以得到最终路径。
在一些实施例中，在起点在一个作业面内、终点在结构化道路上的情况下，确定作业面与结构化道路的交点；执行第二路径规划算法以获得从起点到交点的路径；执行第一路径规划算法以获得从交点到终点的路径；合并所得到的路径以得到最终路径。
在一些实施例中，在起点在第一作业面内、终点在第二作业面内的情况下，确定第一作业面与结构化道路的第一交点，以及第二作业面与结构化道路的第二交点；执行第二路径规划算法以获得从起点到第一交点的路径；执行第一路径规划算法以获得从第一交点到第二交点的路径；执行第二路径规划算法以获得从第二交点到终点的路径；合并所得到的路径以得到最终路径。
在一些实施例中，为了获取从起点到终点的路径，执行第二路径规划算法包括：计算起点和终点之间的直线距离；判断直线距离是否大于距离门限；若直线距离大于距离门限，根据第一规划参数执行第二路径规划算法在起点和终点之间进行路径规划；将所规划的路径进行分段处理，并根据第二规划参数执行第二路径规划算法，对每一段进行路径规划以得到每一段的路径，其中第二规划参数的颗粒度大于第一规划参数的颗粒度；将每一段的路径进行拼接合并，以得到从起点和终点的路径。
在一些实施例中，在对当前段进行路径规划的过程中，若未能则指定时间范围内完成路径规格，则对当前段进行分段处理，然后根据第二规划参数执行第二路径规划算法，对所得到的每一分段进行路径规划。
若直线距离不大于距离门限，则根据第二规划参数执行第二路径规划算法，在第一点和第二点之间进行路径规划，以得到从起点和终点的路径。
在一些实施例中，执行第二路径规划算法包括：获取起点和终点的位姿信息，以及车辆的关联参数信息；判断起点和终点是否在障碍物中；若起点和终点均不在障碍物中，则利用回旋曲线优化算法或Reeds-Shepp算法寻找起点和终点之间的路径，其中若设置的最大速度大于速度门限，则采用回旋曲线优化算法，若设置的最大速度不大于速度门限，则采用Reeds-Shepp算法；判断车辆沿所寻找的路径行驶是否会遇到固定障碍物；若车辆沿所寻找的路径行驶会遇到固定障碍物，则利用Hybrid-State A*算法，从下一步可到达的位姿集合中挑选出代价最小的位姿信息以作为下一次规划的起点的位姿信息；判断下一步可到达的位姿集合中是否包括终点；若下一步可到达的位姿集合中不包括终点，则执行利用回旋曲线优化算法或Reeds-Shepp算法寻找起点和终点之间的路径的步骤；若下一步可到达的位姿集合中包括终点，则将已确定的各路径进行拼接，以得到从起点到终点的路径；若车辆沿所寻找的路径行驶不会遇到固定障碍物，则将已确定的各路径进行拼接，以得到从起点到终点的路径。
根据本公开实施例的第二方面，提供一种路径规划装置，包括：信息获取模块，被配置为获取车辆的起点信息和终点信息；类型识别模块，被配置为分别根据起点信息和终点信息，确定车辆的起点和终点所在区域，其中起点所在区域和终点所在区域为在结构化道路上或在作业面内；路径规划模块，被配置为利用与车辆的起点所在区域和终点所在区域相匹配的路径规划算法，以获得从起点到终点的路径。
在一些实施例中，路径规划模块被配置为在起点和终点都在结构化道路上的情况下，执行第一路径规划算法以获得从起点到终点的路径，其中所使用的代价函数与有向图中各段路径的路况信息相关联。
在一些实施例中，有向图中各段路径的路况信息包括路径的长度、平均坡度和平均粗糙程度。
在一些实施例中，路径规划模块被配置为在起点和终点在同一个作业面内的情况下，执行第二路径规划算法以获得从起点到终点的路径，其中所使用的代价函数与作业面内的障碍物信息和路况信息相关。
在一些实施例中，作业面内的障碍物信息包括车辆到达指定点时是否发生倒车、车辆到达指定点时的车辆转向角的变化量和车辆在指定点相距最近障碍物的距离；作业面内的路况信息包括车辆到达指定点时行走的路径长度、所经过全部栅格的平均坡度和平均粗糙度。
在一些实施例中，路径规划模块被配置为在起点在结构化道路上、终点在一个作业面内的情况下，确定结构化道路与作业面的交点；执行第一路径规划算法以获得从起点到交点的路径；执行第二路径规划算法以获得从交点到终点的路径；合并所得到的路径以得到最终路径。
在一些实施例中，路径规划模块被配置为在起点在一个作业面内、终点在结构化道路上的情况下，确定作业面与结构化道路的交点；执行第二路径规划算法以获得从起点到交点的路径；执行第一路径规划算法以获得从交点到终点的路径；合并所得到的路径以得到最终路径。
在一些实施例中，路径规划模块被配置为在起点在第一作业面内、终点在第二作业面内的情况下，确定第一作业面与结构化道路的第一交点，以及第二作业面与结构化道路的第二交点；执行第二路径规划算法以获得从起点到第一交点的路径；执行第一路径规划算法以获得从第一交点到第二交点的路径；执行第二路径规划算法以获得从第二交点到终点的路径；合并所得到的路径以得到最终路径。
在一些实施例中，路径规划模块被配置为计算起点和终点之间的直线距离，判断直线距离是否大于距离门限；若直线距离大于距离门限，根据第一规划参数执行第二路径规划算法在起点和终点之间进行路径规划；将所规划的路径进行分段处理，并根据第二规划参数执行第二路径规划算法，对每一段进行路径规划以得到每一段的路径，其中第二规划参数的颗粒度大于第一规划参数的颗粒度；将每一段的路径进行拼接合并，以得到从起点和终点的路径。
在一些实施例中，路径规划模块被配置为在对当前段进行路径规划的过程中，若未能则指定时间范围内完成路径规格，则对当前段进行分段处理，然后根据第二规划参数执行第二路径规划算法，对所得到的每一分段进行路径规划。
在一些实施例中，路径规划模块被配置为若直线距离不大于距离门限，则根据第二规划参数执行第二路径规划算法，在第一点和第二点之间进行路径规划，以得到从起点和终点的路径。
在一些实施例中，路径规划模块被配置为获取起点和终点的位姿信息，以及车辆的关联参数信息；判断起点和终点是否在障碍物中；若起点和终点均不在障碍物中，则利用回旋曲线优化算法或Reeds-Shepp算法寻找起点和终点之间的路径，其中若设置的最大速度大于速度门限，则采用回旋曲线优化算法，若设置的最大速度不大于速度门限，则采用Reeds-Shepp算法；判断车辆沿所寻找的路径行驶是否会遇到固定障碍物；若车辆沿所寻找的路径行驶会遇到固定障碍物，则利用Hybrid-State A*算法，从下一步可到达的位姿集合中挑选出代价最小的位姿信息以作为下一次规划的起点的位姿信息；判断下一步可到达的位姿集合中是否包括终点；若下一步可到达的位姿集合中不包括终点，则执行利用回旋曲线优化算法或Reeds-Shepp算法寻找起点和终点之间的路径的步骤；若下一步可到达的位姿集合中包括终点，则将已确定的各路径进行拼接，以得到从起点到终点的路径；若车辆沿所寻找的路径行驶不会遇到固定障碍物，则将已确定的各路径进行拼接，以得到从起点到终点的路径。
根据本公开实施例的第三方面，提供一种路径规划装置，包括：存储器，被配置为存储指令；处理器，耦合到存储器，处理器被配置为基于存储器存储的指令执行实现如上述任一实施例所述的方法。
根据本公开实施例的第四方面，提供一种工程车辆，包括如上述任一实施例所述的路径规划装置。
根据本公开实施例的第五方面，提供一种计算机可读存储介质，其中，计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如上述任一实施例涉及的方法。
通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
图1是根据本公开一个实施例的路径规划方法的流程示意图；
图2是根据本公开一个实施例的有向图的示意图；
图3是根据本公开一个实施例的作业面的示意图；
图4是根据本公开一个实施例的回旋曲线示意图；
图5是根据本公开一个实施例的通过Reeds-Shepp曲线算法生成的路径示意图；
图6是根据本公开一个实施例的通过回旋曲线算法生成的路径示意图；
图7是根据本公开另一个实施例的路径规划方法的流程示意图；
图8是根据本公开又一个实施例的路径规划方法的流程示意图；
图9是根据本公开一个实施例的路径规划装置的结构示意图；
图10是根据本公开另一个实施例的路径规划装置的结构示意图；
图11是根据本公开一个实施例的工程车辆的结构示意图。
应当明白，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。此外，相同或类似的参考标号表示相同或类似的构件。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。对示例性实施例的描述仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。本公开可以以许多不同的形式实现，不限于这里所述的实施例。提供这些实施例是为了使本公开透彻且完整，并且向本领域技术人员充分表达本公开的范围。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、材料的组分和数值应被解释为仅仅是示例性的，而不是作为限制。
本公开中使用的“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其他要素的可能。
本公开使用的所有术语(包括技术术语或者科学术语)与本公开所属领域的普通技术人员理解的含义相同，除非另外特别定义。还应当理解，在诸如通用字典中定义的术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
图1是根据本公开一个实施例的路径规划方法的流程示意图。在一些实施例中，下面的路径规划方法步骤由路径规划装置执行。
在步骤101，获取车辆的起点信息和终点信息。
在一些实施例中，通过读取矿山的高精度地图，以获得车辆的起点信息和终点信息。
高精度地图信息包括三类地图信息：结构化道路信息、作业面信息和静态障碍物信息。首先，读取矿山高精度地图中结构化道路的数据信息，形成有向图拓扑结构。然后再读取高精度地图中作业面和静态障碍物信息，形成基于栅格网络的拓扑结构。其中：结构化道路信息通常由车道信息组成，每个车道信息包括：车道长度、车道中心线信息、车道边线信息、车道限速信息、车道的平均坡度、车道的路面粗糙程度、车道中心线起点坐标和车道中心线终点坐标。作业面信息主要包括作业面的边界经纬度信息、高程信息、坡度信息和路面粗糙度信息等。静态障碍物信息包括：作业面中静态障碍物的几何轮廓信息。
在步骤102，分别根据起点信息和终点信息，确定车辆的起点所在区域和终点所在区域。起点所在区域和终点所在区域为在结构化道路上或在作业面内。
在步骤103，利用与车辆的起点所在区域和终点所在区域相匹配的路径规划算法，以获得从起点到终点的路径。
例如，在起点和终点都在结构化道路上的情况下，执行第一路径规划算法以获得从起点到终点的路径。
在起点和终点在同一个作业面内的情况下，执行第二路径规划算法以获得从起点到终点的路径，其中所使用的代价函数与作业面内的障碍物信息和路况信息相关。
在起点在结构化道路上、终点在一个作业面内的情况下，确定结构化道路与作业面的交点，执行第一路径规划算法以获得从起点到交点的路径，执行第二路径规划算法以获得从交点到终点的路径，合并所得到的路径以得到最终路径。
在起点在一个作业面内、终点在结构化道路上的情况下，确定作业面与结构化道路的交点，执行第二路径规划算法以获得从起点到交点的路径，执行第一路径规划算法以获得从交点到终点的路径，合并所得到的路径以得到最终路径。
在起点在第一作业面内、终点在第二作业面内的情况下，确定第一作业面与结构化道路的第一交点，以及第二作业面与结构化道路的第二交点，执行第二路径规划算法以获得从起点到第一交点的路径，执行第一路径规划算法以获得从第一交点到第二交点的路径，执行第二路径规划算法以获得从第二交点到终点的路径，合并所得到的路径以得到最终路径。
这里需要说明的是，第一路径规划算法主要是利用结构化道路信息所生成的有向图，通过进行节点搜索，找到最优路径。
图2是根据本公开一个实施例的有向图的示意图。如图2所示，每个带箭头的边代表一条有方向的车道，箭头的末端指向车道的终点。由图2可以看到一条车道的终点可能又是另外一条车道的起点。在有向图中还会保存每条有向边的代价信息。代价信息通常与车道的长度、路面的粗糙程度和路面的坡度相关。同时代价信息也可以人为设定，如果将代价信息设置为无穷大，则代表该车道禁止车辆通过。
在有向图的基础上，通过使用基于图搜索的Dijkstra(迪杰斯特拉)算法或者A*算法寻找一条总代价最小的路径。结合矿山和矿卡的实际情况，本公开对每段路径的代价函数定义如下：
C＝k1*Length+k2*Length*Gradient+k3*Length*Rough
其中，Length为每段路径的长度，Gradient为这段路径的平均坡度，Rough为这段路径的平均粗糙程度。k1、k2、k3是每种代价的系数，用于调节每种代价所占的比重。
通过优化路径的代价函数，能够生成出更易于行走，能够减小轮胎磨损的路径。
还需要说明的是，第二路径规划算法主要描述了在作业面内进行路径规划。它在Hybird-State A*算法的基础上，结合Reeds-Shepp曲线算法和回旋曲线优化算法生成一条合理路径。
图3是根据本公开一个实施例的作业面的示意图。如图3所示，读取作业面的边界信息，并根据预先设定的栅格网络分辨率划分栅格。然后读取静态障碍物信息，将静态障碍物所占用的区域映射到栅格网络中。每个栅格网络具有如下属性：平均高程信息、平均坡度信息、平均粗糙度信息以及是否被障碍物占用信息。在图3中，黑色区域为作业面的边界以及障碍物所占用的栅格，空白区域为可供行驶的区域。
作业面内的路径规划主要在Hybird-State A*算法的基础上，结合Reeds-Shepp曲线算法或者回旋曲线优化算法生成一条合理的路径。
简化后的车辆动力学模型表达式如下：
Figure BDA0002351304780000101
其中，δ代表车辆的转向角，L代表车辆的轴距，v代表车辆的速度。
Hybrid-State A*算法会根据运输车辆当前的坐标和朝向信息得到起点位姿(x,y,θ)，再结合车辆的动力学模型，计算运输车辆下一步可到达的位姿集合和到达该位姿的代价，将每个可到达的位姿加入到open集合中。可到达的位姿包含两层含义：(1)达到该位姿的路径需要满足车辆动力学，比如转向角度小于车辆的最大转向角；(2)到达该位姿点的路径不能碰到障碍物。然后从open集合中选择代价最小的位姿加入到closed集合中，并将其作为下一次计算的起点。在计算达到每个位姿的代价时使用如下公式：
CH＝α*Bu_turn+β*Anglewheel+γ*Length+ε*Dob+η*Gavg+λ*Ravg
公式中，Bu_turn代表到达该位姿时车辆是否发生了倒车，发生倒车时为1，否则为0。Length代表到达该位姿时车辆转向角的变化量，Anglewheel代表车辆到达该位姿需要行走的路径长度，Dob代表该位姿距离最近障碍物的距离，Gavg代表到达该位姿经过的所有栅格的平均坡度，Ravg代表到达该位姿经过的所有栅格的平均粗糙度。α、β、γ、ε、η和λ分别代表每种代价的系数，用于调节每种代价所占比重。
采用Hybrid-State A*算法需要进行大量的搜索和遍历，当地图很大时，计算量很大，耗时较长。为此，又采用了Reeds-Shepp曲线算法和回旋曲线优化算法快速计算可行驶路径，减少搜索次数。
Reeds-Shepp曲线算法能够在无障碍物的情况下求出任意起点位姿和终点位姿之间的连续路径。Reeds-Shepp曲线主要由若干段圆弧和直线构成，每个圆弧的半径为车辆的最小转弯半径。通过Reeds-Shepp曲线能够得到一条满足车辆最小转弯半径约束的最短路径。
由于Reeds-Shepp算法生成的路径中只包含圆弧和直线，所以路径的曲率在圆弧和直线连接处会出现跳变。这会导致运输车辆在连接处需要快速转动方向盘。当运输车辆行驶速度较快时，将会导致底层控制模块难以按照规划路径行驶，容易发生侧滑。
回旋曲线优化算法生成的路径主要由若干段圆弧、回旋曲线和直线构成。圆弧和直线之间通过回旋曲线连接。回旋曲线优化算法中用回旋曲线的基本模型取代了Reeds-Shepp算法中的圆弧。如图4所示：在从点qs到点qg的路径包括两部分，回旋曲线和圆弧，其中曲线qsq1和q2qg为回旋曲线，而曲线q1q2为圆弧。阴影部分的小圆代表以最小转弯半径rmin为半径长度的圆弧，外面的大圆是根据曲率变化率σmax得到的圆弧。这两个圆拥有相同的圆心。
如图5所示，起点位姿空间为(0,0,0)，终点位姿空间为(10,10,π/2)，虚线是通过Reeds-Shepp曲线算法生成的路径。如图6所示，在相同的起点和终点下，通过回旋曲线优化算法生成的轨迹。通过对比图5和图6，可以看出回旋曲线优化算法生成的路径更加平滑，但是距离会相应的增加。
Reeds-Shepp曲线算法能够保证路径最短，而回旋曲线算法能够保证路径平缓，车辆不容易发生侧滑。为此根据整个系统设置的速度上限，进行两种算法的自适应切换。
图7是根据本公开另一个实施例的路径规划方法的流程示意图。如图7所示，在一个作业面内，规划从起点到终点的路径的方法步骤如下：
在步骤701，计算起点和终点之间的直线距离。
这里需要说明的是，如果作业面和静态障碍物的高精度地图不经常更新，则读取高精度地图，并根据设置的栅格精度，形成栅格网络拓扑结构。然后通过Dijkstra算法计算栅格中任意两个栅格之间的绕开障碍物的路径，并将路径长度预先存储在一个M*N大小数组里面，其中M为栅格网络的长度，N为栅格网络的宽度。然后，将起点和终点映射到栅格网络中，分别获取起点和终点所在的栅格索引，通过查询数组获取两点之间的距离。
反之，如果作业面和静态障碍物的高精度地图频繁更新，则计算起点和终点的欧式距离，将欧式距离作为预估距离。
在步骤702，判断直线距离是否大于距离门限。
若直线距离大于距离门限，则执行步骤703；若直线距离不大于距离门限，则执行步骤705。
在步骤703，根据第一规划参数执行第二路径规划算法在起点和终点之间进行路径规划。
通过利用第一规划参数调用第二路径规划算法以规划一条从起点到终点的路径Pathfirst，然后计算出该第一次规划的路径总长度Lfirst和曲线路段长度占比Rfirst。
在步骤704，将所规划的路径进行分段处理。
例如，根据第一次规划路径总长度及曲线路段长度占比来判断需要将路径分为几段。可采用的公式如下：
Figure BDA0002351304780000121
其中，Lstraight_thr代表当曲线路段占比小于门限时，系统设定的每段路径的长度，而Lcurve_thr代表当曲线路段占比大于门限时，系统设定的每段路径的长度。通常Lcurve_seg应该小于等于Lstraight_seg，保证在道路曲折的情况下多划分几个路段。
在步骤705，根据第二规划参数执行第二路径规划算法，对每一段进行路径规划以得到每一段的路径。其中第二规划参数的颗粒度大于第一规划参数的颗粒度。
这里需要说明的是，在对当前段进行路径规划的过程中，若未能则指定时间范围内完成路径规格，则对当前段进行分段处理，然后根据第二规划参数执行第二路径规划算法，对所得到的每一分段进行路径规划。
在步骤706，将每一段的路径进行拼接合并，以得到从起点和终点的路径。
这里需要说明的是，对应直线距离不大于距离门限的情况，则无需进行粗颗粒度的路径规划和路径分段，直接进行细颗粒度的路径规划处理。
图8是根据本公开又一个实施例的路径规划方法的流程示意图。如图8所示，图7所示实施例中的第二路径规划算法如下：
在步骤801，获取起点和终点的位姿信息，以及车辆的关联参数信息。
在一些实施例中，车辆的关联参数包括车辆的长宽高、后轴中心位置、轴距、最大和最小行驶速度、最大和最小加速度、以及车最小转弯半径等信息。
在步骤802，判断起点和终点是否在障碍物中。
若起点或终点在障碍物中，则执行步骤803；若起点和终点均不在障碍物中，则执行步骤804。
在步骤803，退出本次流程。
在步骤804，利用回旋曲线优化算法或Reeds-Shepp算法寻找起点和终点之间的路径。
这里需要说明的是，若设置的最大速度大于速度门限，则采用回旋曲线优化算法，以确保路径平缓，车辆不易发生侧滑。若设置的最大速度不大于速度门限，则采用Reeds-Shepp算法，以确保路径最短。
在步骤805，判断车辆沿所寻找的路径行驶是否会遇到固定障碍物。
若车辆沿所寻找的路径行驶会遇到固定障碍物，则执行步骤806；若车辆沿所寻找的路径行驶不会遇到固定障碍物，则执行步骤808。
在步骤806，利用Hybrid-State A*算法，从下一步可到达的位姿集合中挑选出代价最小的位姿信息以作为下一次规划的起点的位姿信息。
在步骤807，判断下一步可到达的位姿集合中是否包括终点。
若下一步可到达的位姿集合中不包括终点，则重复执行步骤804；若下一步可到达的位姿集合中包括终点，则执行步骤808。
在步骤808，将已确定的各路径进行拼接，以得到从起点到终点的路径。
图9是根据本公开一个实施例的路径规划装置的结构示意图。如图9所示，路径规划装置包括信息获取模块91、类型识别模块92和路径规划模块93。
信息获取模块91被配置为获取车辆的起点信息和终点信息。
类型识别模块92被配置为分别根据起点信息和终点信息，确定车辆的起点所在区域和终点所在区域。起点所在区域和终点所在区域为在结构化道路上或在作业面内。
路径规划模块93被配置为利用与车辆的起点所在区域和终点所在区域相匹配的路径规划算法，以获得从起点到终点的路径。
例如，路径规划模块93在起点和终点都在结构化道路上的情况下，执行第一路径规划算法以获得从起点到终点的路径，其中所使用的代价函数与有向图中各段路径的路况信息相关联。其中，有向图中各段路径的路况信息包括路径的长度、平均坡度和平均粗糙程度。
路径规划模块93在起点和终点在同一个作业面内的情况下，执行第二路径规划算法以获得从起点到终点的路径，其中所使用的代价函数与作业面内的障碍物信息和路况信息相关。作业面内的障碍物信息包括车辆到达指定点时是否发生倒车、车辆到达指定点时的车辆转向角的变化量和车辆在指定点相距最近障碍物的距离；作业面内的路况信息包括车辆到达指定点时行走的路径长度、所经过全部栅格的平均坡度和平均粗糙度。
路径规划模块93在起点在结构化道路上、终点在一个作业面内的情况下，确定结构化道路与作业面的交点；执行第一路径规划算法以获得从起点到交点的路径；执行第二路径规划算法以获得从交点到终点的路径；合并所得到的路径以得到最终路径。
路径规划模块93在起点在一个作业面内、终点在结构化道路上的情况下，确定作业面与结构化道路的交点；执行第二路径规划算法以获得从起点到交点的路径；执行第一路径规划算法以获得从交点到终点的路径；合并所得到的路径以得到最终路径。
路径规划模块93在起点在第一作业面内、终点在第二作业面内的情况下，确定第一作业面与结构化道路的第一交点，以及第二作业面与结构化道路的第二交点；执行第二路径规划算法以获得从起点到第一交点的路径；执行第一路径规划算法以获得从第一交点到第二交点的路径；执行第二路径规划算法以获得从第二交点到终点的路径；合并所得到的路径以得到最终路径
在一些实施例中，路径规划模块93在作业面内进行路径规划时，计算起点和终点之间的直线距离，判断直线距离是否大于距离门限；若直线距离大于距离门限，根据第一规划参数执行第二路径规划算法在起点和终点之间进行路径规划；将所规划的路径进行分段处理，并根据第二规划参数执行第二路径规划算法，对每一段进行路径规划以得到每一段的路径，其中第二规划参数的颗粒度大于第一规划参数的颗粒度；将每一段的路径进行拼接合并，以得到从起点和终点的路径。若直线距离不大于距离门限，则根据第二规划参数执行第二路径规划算法，在第一点和第二点之间进行路径规划，以得到从起点和终点的路径。
在一些实施例中，路径规划模块93在对当前段进行路径规划的过程中，若未能则指定时间范围内完成路径规格，则对当前段进行分段处理，然后根据第二规划参数执行第二路径规划算法，对所得到的每一分段进行路径规划。
在一些实施例中，路径规划模块93在执行第二路径规划算法时，获取起点和终点的位姿信息，以及车辆的关联参数信息；判断起点和终点是否在障碍物中；若起点和终点均不在障碍物中，则利用回旋曲线优化算法或Reeds-Shepp算法寻找起点和终点之间的路径，其中若设置的最大速度大于速度门限，则采用回旋曲线优化算法，若设置的最大速度不大于速度门限，则采用Reeds-Shepp算法；判断车辆沿所寻找的路径行驶是否会遇到固定障碍物；若车辆沿所寻找的路径行驶会遇到固定障碍物，则利用Hybrid-State A*算法，从下一步可到达的位姿集合中挑选出代价最小的位姿信息以作为下一次规划的起点的位姿信息；判断下一步可到达的位姿集合中是否包括终点；若下一步可到达的位姿集合中不包括终点，则执行利用回旋曲线优化算法或Reeds-Shepp算法寻找起点和终点之间的路径的步骤；若下一步可到达的位姿集合中包括终点，则将已确定的各路径进行拼接，以得到从起点到终点的路径；若车辆沿所寻找的路径行驶不会遇到固定障碍物，则将已确定的各路径进行拼接，以得到从起点到终点的路径。
图10是根据本公开另一个实施例的路径规划装置的结构示意图。如图10所示，路径规划装置包括存储器1001和处理器1002。
存储器1001用于存储指令。处理器1002耦合到存储器1001。处理器1002被配置为基于存储器存储的指令执行实现如图1、7、8中任一实施例涉及的方法。
如图10所示，路径规划装置还包括通信接口1003，用于与其它设备进行信息交互。同时，该路径规划装置还包括总线1004，处理器1002、通信接口1003、以及存储器1001通过总线1004完成相互间的通信。
存储器1001可以包含高速RAM(Random Access Memory，随机存取存储器)，也可还包括NVM(Non-Volatile Memory，非易失性存储器)。例如至少一个磁盘存储器。存储器1001也可以是存储器阵列。存储器1001还可能被分块，并且块可按一定的规则组合成虚拟卷。
此外，处理器1002可以是一个中央处理器，或者可以是ASIC(ApplicationSpecific Integrated Circuit，专用集成电路)，或者是被配置成实施本公开实施例的一个或多个集成电路。
本公开还提供一种计算机可读存储介质。计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如图1、7、8中任一实施例涉及的方法。
图11是根据本公开一个实施例的工程车辆的结构示意图。如图11所示，工程车辆1101中设有路径规划装置1102。路径规划装置1102为图9或图10中任一实施例所述的路径规划装置。
在一些实施例中，上述功能模块可以实现为用于执行本公开所描述功能的通用处理器、可编程逻辑控制器(Programmable Logic Controller，简称：PLC)、数字信号处理器(Digital Signal Processor，简称：DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称：ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称：FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
通过实施本公开的上述方案，可以得到以下有益效果：
(1)规划出的路径具有较高的经济性。在规划过程中综合衡量了路径的距离，路面的粗糙程度，路面的坡度，路径是否发生倒车等因素，尽量减少运输车辆的磨损和油耗。
(2)规划出的路径具有较高的安全性。车辆沿着规划出的路径循迹时能够躲避开静态障碍物。
(3)规划出的路径具有较高的可行驶性。规划出的路径满足车辆的动力学约束，车辆能够平稳通过。
至此，已经详细描述了本公开的实施例。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改或者对部分技术特征进行等同替换。本公开的范围由所附权利要求来限定。

Claims (27)

1.一种路径规划方法，包括：
获取车辆的起点信息和终点信息；
分别根据起点信息和终点信息，确定车辆的起点和终点所在区域，其中起点所在区域和终点所在区域为在结构化道路上或在作业面内；
利用与车辆的起点所在区域和终点所在区域相匹配的路径规划算法，以获得从起点到终点的路径。
2.根据权利要求1所述的方法，其中，利用与车辆的起点所在区域和终点所在区域相匹配的路径规划算法，以获得从起点到终点的路径包括：
在起点和终点都在结构化道路上的情况下，执行第一路径规划算法以获得从起点到终点的路径，其中所使用的代价函数与有向图中各段路径的路况信息相关联。
3.根据权利要求2所述的方法，其中，
有向图中各段路径的路况信息包括路径的长度、平均坡度和平均粗糙程度。
4.根据权利要求2所述的方法，还包括：
在起点和终点在同一个作业面内的情况下，执行第二路径规划算法以获得从起点到终点的路径，其中所使用的代价函数与作业面内的障碍物信息和路况信息相关。
5.根据权利要求4所述的方法，其中，
作业面内的障碍物信息包括车辆到达指定点时是否发生倒车、车辆到达指定点时的车辆转向角的变化量和车辆在指定点相距最近障碍物的距离；
作业面内的路况信息包括车辆到达指定点时行走的路径长度、所经过全部栅格的平均坡度和平均粗糙度。
6.根据权利要求4所述的方法，还包括：
在起点在结构化道路上、终点在一个作业面内的情况下，确定结构化道路与作业面的交点；
执行第一路径规划算法以获得从起点到交点的路径；
执行第二路径规划算法以获得从交点到终点的路径；
合并所得到的路径以得到最终路径。
7.根据权利要求4所述的方法，还包括：
在起点在一个作业面内、终点在结构化道路上的情况下，确定作业面与结构化道路的交点；
执行第二路径规划算法以获得从起点到交点的路径；
执行第一路径规划算法以获得从交点到终点的路径；
合并所得到的路径以得到最终路径。
8.根据权利要求4所述的方法，还包括：
在起点在第一作业面内、终点在第二作业面内的情况下，确定第一作业面与结构化道路的第一交点，以及第二作业面与结构化道路的第二交点；
执行第二路径规划算法以获得从起点到第一交点的路径；
执行第一路径规划算法以获得从第一交点到第二交点的路径；
执行第二路径规划算法以获得从第二交点到终点的路径；
合并所得到的路径以得到最终路径。
9.根据权利要求4-8中任一项所述的方法，其中，为了获取从起点到终点的路径，执行第二路径规划算法包括：
计算起点和终点之间的直线距离；
判断直线距离是否大于距离门限；
若直线距离大于距离门限，根据第一规划参数执行第二路径规划算法在起点和终点之间进行路径规划；
将所规划的路径进行分段处理，并根据第二规划参数执行第二路径规划算法，对每一段进行路径规划以得到每一段的路径，其中第二规划参数的颗粒度大于第一规划参数的颗粒度；
将每一段的路径进行拼接合并，以得到从起点和终点的路径。
10.根据权利要求9所述的方法，其中，
在对当前段进行路径规划的过程中，若未能则指定时间范围内完成路径规格，则对当前段进行分段处理，然后根据第二规划参数执行第二路径规划算法，对所得到的每一分段进行路径规划。
11.根据权利要求9所述的方法，其中，
若直线距离不大于距离门限，则根据第二规划参数执行第二路径规划算法，在第一点和第二点之间进行路径规划，以得到从起点和终点的路径。
12.根据权利要求9所述的方法，其中，执行第二路径规划算法包括：
获取起点和终点的位姿信息，以及车辆的关联参数信息；
判断起点和终点是否在障碍物中；
若起点和终点均不在障碍物中，则利用回旋曲线优化算法或Reeds-Shepp算法寻找起点和终点之间的路径，其中若设置的最大速度大于速度门限，则采用回旋曲线优化算法，若设置的最大速度不大于速度门限，则采用Reeds-Shepp算法；
判断车辆沿所寻找的路径行驶是否会遇到固定障碍物；
若车辆沿所寻找的路径行驶会遇到固定障碍物，则利用Hybrid-State A*算法，从下一步可到达的位姿集合中挑选出代价最小的位姿信息以作为下一次规划的起点的位姿信息；
判断下一步可到达的位姿集合中是否包括终点；
若下一步可到达的位姿集合中不包括终点，则执行利用回旋曲线优化算法或Reeds-Shepp算法寻找起点和终点之间的路径的步骤；
若下一步可到达的位姿集合中包括终点，则将已确定的各路径进行拼接，以得到从起点到终点的路径；
若车辆沿所寻找的路径行驶不会遇到固定障碍物，则将已确定的各路径进行拼接，以得到从起点到终点的路径。
13.一种路径规划装置，包括：
信息获取模块，被配置为获取车辆的起点信息和终点信息；
类型识别模块，被配置为分别根据起点信息和终点信息，确定车辆的起点和终点所在区域，其中起点所在区域和终点所在区域为在结构化道路上或在作业面内；
路径规划模块，被配置为利用与车辆的起点所在区域和终点所在区域相匹配的路径规划算法，以获得从起点到终点的路径。
14.根据权利要求13所述的装置，其中，
路径规划模块被配置为在起点和终点都在结构化道路上的情况下，执行第一路径规划算法以获得从起点到终点的路径，其中所使用的代价函数与有向图中各段路径的路况信息相关联。
15.根据权利要求14所述的装置，其中，
有向图中各段路径的路况信息包括路径的长度、平均坡度和平均粗糙程度。
16.根据权利要求14所述的装置，其中，
路径规划模块被配置为在起点和终点在同一个作业面内的情况下，执行第二路径规划算法以获得从起点到终点的路径，其中所使用的代价函数与作业面内的障碍物信息和路况信息相关。
17.根据权利要求16所述的装置，其中，
作业面内的障碍物信息包括车辆到达指定点时是否发生倒车、车辆到达指定点时的车辆转向角的变化量和车辆在指定点相距最近障碍物的距离；作业面内的路况信息包括车辆到达指定点时行走的路径长度、所经过全部栅格的平均坡度和平均粗糙度。
18.根据权利要求16所述的装置，其中，
路径规划模块被配置为在起点在结构化道路上、终点在一个作业面内的情况下，确定结构化道路与作业面的交点；执行第一路径规划算法以获得从起点到交点的路径；执行第二路径规划算法以获得从交点到终点的路径；合并所得到的路径以得到最终路径。
19.根据权利要求16所述的装置，其中，
路径规划模块被配置为在起点在一个作业面内、终点在结构化道路上的情况下，确定作业面与结构化道路的交点；执行第二路径规划算法以获得从起点到交点的路径；执行第一路径规划算法以获得从交点到终点的路径；合并所得到的路径以得到最终路径。
20.根据权利要求16所述的装置，其中，
路径规划模块被配置为在起点在第一作业面内、终点在第二作业面内的情况下，确定第一作业面与结构化道路的第一交点，以及第二作业面与结构化道路的第二交点；执行第二路径规划算法以获得从起点到第一交点的路径；执行第一路径规划算法以获得从第一交点到第二交点的路径；执行第二路径规划算法以获得从第二交点到终点的路径；合并所得到的路径以得到最终路径。
21.根据权利要求16-20中任一项所述的装置，其中，
路径规划模块被配置为计算起点和终点之间的直线距离，判断直线距离是否大于距离门限；若直线距离大于距离门限，根据第一规划参数执行第二路径规划算法在起点和终点之间进行路径规划；将所规划的路径进行分段处理，并根据第二规划参数执行第二路径规划算法，对每一段进行路径规划以得到每一段的路径，其中第二规划参数的颗粒度大于第一规划参数的颗粒度；将每一段的路径进行拼接合并，以得到从起点和终点的路径。
22.根据权利要求21所述的装置，其中，
路径规划模块被配置为在对当前段进行路径规划的过程中，若未能则指定时间范围内完成路径规格，则对当前段进行分段处理，然后根据第二规划参数执行第二路径规划算法，对所得到的每一分段进行路径规划。
23.根据权利要求21所述的装置，其中，
路径规划模块被配置为若直线距离不大于距离门限，则根据第二规划参数执行第二路径规划算法，在第一点和第二点之间进行路径规划，以得到从起点和终点的路径。
24.根据权利要求21所述的装置，其中，
路径规划模块被配置为获取起点和终点的位姿信息，以及车辆的关联参数信息；判断起点和终点是否在障碍物中；若起点和终点均不在障碍物中，则利用回旋曲线优化算法或Reeds-Shepp算法寻找起点和终点之间的路径，其中若设置的最大速度大于速度门限，则采用回旋曲线优化算法，若设置的最大速度不大于速度门限，则采用Reeds-Shepp算法；判断车辆沿所寻找的路径行驶是否会遇到固定障碍物；若车辆沿所寻找的路径行驶会遇到固定障碍物，则利用Hybrid-State A*算法，从下一步可到达的位姿集合中挑选出代价最小的位姿信息以作为下一次规划的起点的位姿信息；判断下一步可到达的位姿集合中是否包括终点；若下一步可到达的位姿集合中不包括终点，则执行利用回旋曲线优化算法或Reeds-Shepp算法寻找起点和终点之间的路径的步骤；若下一步可到达的位姿集合中包括终点，则将已确定的各路径进行拼接，以得到从起点到终点的路径；若车辆沿所寻找的路径行驶不会遇到固定障碍物，则将已确定的各路径进行拼接，以得到从起点到终点的路径。
25.一种路径规划装置，包括：
存储器，被配置为存储指令；
处理器，耦合到存储器，处理器被配置为基于存储器存储的指令执行实现如权利要求1-12中任一项所述的方法。
26.一种工程车辆，包括如权利要求13-25中任一项所述的路径规划装置。
27.一种计算机可读存储介质，其中，计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如权利要求1-12中任一项所述的方法。
CN201911416418.XA 2019-12-31 2019-12-31 路径规划方法和装置、工程车辆 Active CN111060108B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911416418.XA CN111060108B (zh) 2019-12-31 2019-12-31 路径规划方法和装置、工程车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911416418.XA CN111060108B (zh) 2019-12-31 2019-12-31 路径规划方法和装置、工程车辆

Publications (2)

Publication Number Publication Date
CN111060108A true CN111060108A (zh) 2020-04-24
CN111060108B CN111060108B (zh) 2021-10-12

Family

ID=70305702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911416418.XA Active CN111060108B (zh) 2019-12-31 2019-12-31 路径规划方法和装置、工程车辆

Country Status (1)

Country Link
CN (1) CN111060108B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111750859A (zh) * 2020-05-29 2020-10-09 广州极飞科技有限公司 过渡路径规划方法及相关装置
CN112389421A (zh) * 2020-11-17 2021-02-23 湖南三一智能控制设备有限公司 工程车辆平行就位的控制方法、控制系统和工程车辆
CN113759926A (zh) * 2021-09-18 2021-12-07 吉林大学 一种基于汽车油耗的路径规划方法
CN113848985A (zh) * 2021-11-01 2021-12-28 西南交通大学 基于Hybird A*算法的多舰载无人机路径规划方法
CN113916246A (zh) * 2021-09-26 2022-01-11 江苏徐工工程机械研究院有限公司 一种无人驾驶避障路径规划方法和系统
CN114184201A (zh) * 2020-09-15 2022-03-15 郑州宇通客车股份有限公司 一种用于路口的转向路径生成方法、系统及车辆
CN114326737A (zh) * 2021-12-30 2022-04-12 深兰人工智能(深圳)有限公司 路径规划方法、装置、电子设备及计算机可读存储介质
WO2022252790A1 (zh) * 2021-06-04 2022-12-08 深圳市优必选科技股份有限公司 非完整移动机器人及其连续调节方法和系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104215253A (zh) * 2013-05-30 2014-12-17 中国电信股份有限公司 室内外导航路径的计算方法与装置
CN104408771A (zh) * 2014-11-12 2015-03-11 东北大学 一种基于三维模型的地下矿山斜坡道构建方法
CN106595688A (zh) * 2016-12-08 2017-04-26 济南佰意兴网络科技有限公司 一种多agv导向和动态路径规划方法
CN107478242A (zh) * 2017-08-31 2017-12-15 城市生活（北京）资讯有限公司 一种导航方法和系统
CN107525514A (zh) * 2017-08-16 2017-12-29 城市生活（北京）资讯有限公司 一种导航方法及装置
CN107831773A (zh) * 2017-11-30 2018-03-23 深圳市沃特沃德股份有限公司 扫地机器人全覆盖清扫的方法及扫地机器人
CN108073176A (zh) * 2018-02-10 2018-05-25 西安交通大学 一种改进型D*Lite车辆动态路径规划方法
CN108444488A (zh) * 2018-02-05 2018-08-24 天津大学 基于等步采样a*算法的无人驾驶局部路径规划方法
CN109085825A (zh) * 2018-07-13 2018-12-25 安徽灵图壹智能科技有限公司 一种无人驾驶矿车采矿最优路径选择方法
CN109959377A (zh) * 2017-12-25 2019-07-02 北京东方兴华科技发展有限责任公司 一种机器人导航定位系统及方法
CN110260865A (zh) * 2019-07-11 2019-09-20 国网上海市电力公司 一种特高压变电站运检路线规划方法
CN110428161A (zh) * 2019-07-25 2019-11-08 北京航空航天大学 一种基于端边云架构的无人驾驶矿车云智能调度方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104215253A (zh) * 2013-05-30 2014-12-17 中国电信股份有限公司 室内外导航路径的计算方法与装置
CN104408771A (zh) * 2014-11-12 2015-03-11 东北大学 一种基于三维模型的地下矿山斜坡道构建方法
CN106595688A (zh) * 2016-12-08 2017-04-26 济南佰意兴网络科技有限公司 一种多agv导向和动态路径规划方法
CN107525514A (zh) * 2017-08-16 2017-12-29 城市生活（北京）资讯有限公司 一种导航方法及装置
CN107478242A (zh) * 2017-08-31 2017-12-15 城市生活（北京）资讯有限公司 一种导航方法和系统
CN107831773A (zh) * 2017-11-30 2018-03-23 深圳市沃特沃德股份有限公司 扫地机器人全覆盖清扫的方法及扫地机器人
CN109959377A (zh) * 2017-12-25 2019-07-02 北京东方兴华科技发展有限责任公司 一种机器人导航定位系统及方法
CN108444488A (zh) * 2018-02-05 2018-08-24 天津大学 基于等步采样a*算法的无人驾驶局部路径规划方法
CN108073176A (zh) * 2018-02-10 2018-05-25 西安交通大学 一种改进型D*Lite车辆动态路径规划方法
CN109085825A (zh) * 2018-07-13 2018-12-25 安徽灵图壹智能科技有限公司 一种无人驾驶矿车采矿最优路径选择方法
CN110260865A (zh) * 2019-07-11 2019-09-20 国网上海市电力公司 一种特高压变电站运检路线规划方法
CN110428161A (zh) * 2019-07-25 2019-11-08 北京航空航天大学 一种基于端边云架构的无人驾驶矿车云智能调度方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111750859A (zh) * 2020-05-29 2020-10-09 广州极飞科技有限公司 过渡路径规划方法及相关装置
CN114184201A (zh) * 2020-09-15 2022-03-15 郑州宇通客车股份有限公司 一种用于路口的转向路径生成方法、系统及车辆
CN114184201B (zh) * 2020-09-15 2023-08-25 宇通客车股份有限公司 一种用于路口的转向路径生成方法、系统及车辆
CN112389421A (zh) * 2020-11-17 2021-02-23 湖南三一智能控制设备有限公司 工程车辆平行就位的控制方法、控制系统和工程车辆
WO2022252790A1 (zh) * 2021-06-04 2022-12-08 深圳市优必选科技股份有限公司 非完整移动机器人及其连续调节方法和系统
CN113759926A (zh) * 2021-09-18 2021-12-07 吉林大学 一种基于汽车油耗的路径规划方法
CN113916246A (zh) * 2021-09-26 2022-01-11 江苏徐工工程机械研究院有限公司 一种无人驾驶避障路径规划方法和系统
CN113916246B (zh) * 2021-09-26 2023-09-01 江苏徐工工程机械研究院有限公司 一种无人驾驶避障路径规划方法和系统
CN113848985A (zh) * 2021-11-01 2021-12-28 西南交通大学 基于Hybird A*算法的多舰载无人机路径规划方法
CN113848985B (zh) * 2021-11-01 2022-09-09 西南交通大学 基于Hybird A*算法的多舰载无人机路径规划方法
CN114326737A (zh) * 2021-12-30 2022-04-12 深兰人工智能(深圳)有限公司 路径规划方法、装置、电子设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN111060108B (zh) 2021-10-12

Similar Documents

Publication Publication Date Title
CN111060108B (zh) 路径规划方法和装置、工程车辆
CN111426330B (zh) 路径生成方法和设备、无人化运输系统和存储介质
US11460311B2 (en) Path planning method, system and device for autonomous driving
CN113204236B (zh) 一种智能体路径跟踪控制方法
Ziegler et al. Trajectory planning for Bertha—A local, continuous method
CN110954122B (zh) 高速场景下的自动驾驶轨迹生成方法
CN108227695A (zh) 自动驾驶控制装置、包括该装置的系统及其方法
CN104897168A (zh) 基于道路危险评估的智能车路径搜索方法及系统
CN111026133A (zh) 路径规划方法及车辆、计算机可读介质
CN113721637B (zh) 智能车动态避障路径连续规划方法、系统及存储介质
CN113830079B (zh) 任意起始位姿的连续曲率泊车路径在线规划方法及系统
CN110657814A (zh) 轨迹规划方法和装置、车辆及其控制方法和系统
CN111177934B (zh) 参考路径规划的方法、设备和存储介质
CN111896004A (zh) 一种狭窄通道车辆轨迹规划方法及系统
CN116185014A (zh) 一种基于动态规划的智能车全局最优轨迹规划方法与系统
CN107289938A (zh) 一种地面无人平台局部路径规划方法
CN115564140A (zh) 矿区非结构化道路全局及局部路径分层规划方法及装置
CN116182884A (zh) 基于frenet坐标系横纵解耦的智能车辆局部路径规划方法
CN114488185A (zh) 基于多线激光雷达的机器人导航系统方法及系统
CN113341999A (zh) 一种基于优化d*算法的叉车路径规划方法及装置
CN117170377A (zh) 一种自动驾驶方法、装置及车辆
CN111857148A (zh) 一种非结构化道路车辆路径规划方法
CN114404985A (zh) 虚拟角色的路径规划方法及装置、电子设备、存储介质
US20230126130A1 (en) Drivable surface map for autonomous vehicle navigation
US20230127185A1 (en) Drivable surface map for autonomous vehicle navigation

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