CN111238521A - 一种无人驾驶车辆的路径规划方法及系统 - Google Patents
一种无人驾驶车辆的路径规划方法及系统 Download PDFInfo
- Publication number
- CN111238521A CN111238521A CN202010086688.5A CN202010086688A CN111238521A CN 111238521 A CN111238521 A CN 111238521A CN 202010086688 A CN202010086688 A CN 202010086688A CN 111238521 A CN111238521 A CN 111238521A
- Authority
- CN
- China
- Prior art keywords
- path
- population
- fitness
- sub
- point
- 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
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
- G01C21/26—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
- G05D1/0088—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种无人驾驶车辆的路径规划方法及系统。该方法包括:随机生成多条由起始点到目标点的路径,路径为连接多个路径点得到的路径;采用路径由起始点到目标点依次经过的路径点的编号对路径进行编码;将路径点数量相同的路径划分到同一子种群中;对各子种群进行并行的遗传操作;选取遗传操作后的子种群中适度值最优的子种群,记为最优子种群;对最优子种群中的各个体进行遗传操作,结合最优子种群中各个体的适应度值,确定最优路径,其中,本发明中的适应度函数、交叉概率函数以及变异概率函数均为自适应函数。本发明可避免算法陷入局部最优,进一步提升算法性能,适应能力更强,有效提升车辆乘坐人员的使用体验。
Description
技术领域
本发明涉及无人驾驶技术领域,特别是涉及一种无人驾驶车辆的路径规划方法及系统。
背景技术
无人驾驶车辆作为未来智能交通系统的重要组成部分,是集环境感知、车辆状态测量、路径规划与底层控制等多个子系统于一体的大型综合系统,通过各子系统相辅相成的协同合作能够实现无人驾驶车辆高效,稳定,安全的自动驾驶。
作为无人驾驶车辆的智能核心,路径规划系统决定车辆如何在多种约束条件下到达目标位置。这些约束包括环境约束(体现为安全性)、系统运动学约束(体现为可行性)、系统动力学约束(体现为平顺性和稳定性)、以及特定的优化指标约束(如最短时间或最短距离)等。目前常用的路径规划方法主要是传统算法和智能优化算法,具体包括A*算法、栅格法、滚动窗口规划方法、人工势场法、神经网络法和遗传算法等。其中,传统遗传算法的路径规划方法,搜索效率低、易陷入局部最优解、计算量大,不适合未来自动驾驶车辆的进一步推广。
发明内容
本发明的目的是提供一种无人驾驶车辆的路径规划方法及系统,既具有效率高的特点,又能够避免使遗传算法陷入局部收敛或早熟的问题。
为实现上述目的,本发明提供了如下方案:
一种无人驾驶车辆的路径规划方法,包括:
随机生成多条由起始点到目标点的路径,所述路径为连接多个路径点得到的路径;
采用路径由起始点到目标点依次经过的路径点的编号对所述路径进行编码;
将路径点数量相同的路径划分到同一子种群中;
对各所述子种群进行并行的遗传操作;
选取遗传操作后的子种群中适度值最优的子种群,记为最优子种群;
对所述最优子种群中的各个体进行遗传操作,结合所述最优子种群中各个体的适应度值,确定最优路径。
可选的,所述随机生成多条由起始点到目标点的路径,具体包括:
以起始点为原点,以起始点到目标点的连线为x轴构建二维坐标系;
将起始点到目标点的连线随机n等分;
过等分点作直线Pi与x轴正交,以道路为约束,随机在所述直线上选择点作为路径点;
根据所述路径点,随机生成多条由起始点到目标点的路径。
可选的,所述对所述最优子种群中的各个体进行遗传操作,结合所述最优子种群中各个体的适应度值,确定最优路径,具体包括:
计算所述初始化种群中各个体的适应度值;
结合个体适应度值,对个体进行变异、交叉操作;
选择适应度值大于设定阈值的个体,组成下一代种群;
跳转至所述结合个体适应度值,对个体进行变异、交叉操作步骤,对下一代种群中的个体进行遗传操作;直至满足设定条件时,停止跳转,得到目标种群;设定条件可以是设定的迭代次数,也可以是设定的精度;
选择所述目标种群中适应度值最优的个体作为最优路径。
可选的,所述适应度值的计算方法包括:
根据适应度函数fit(rl)=w1fit1(rl)+w2fit2(rl)+w3fit3(rl)计算个体路径的适应度值,rl表示第l个候选路径,其中,第一适应度函数(xi-1,yi-1)和(xi,yi)为相邻路径点的坐标,n为路径点个数,第二适应度函数k表示障碍物的个数,(xobs,j,yobs,j)表示障碍物j的坐标,(xdot,j,ydot,j)表示路径上与障碍物j距离最近的路径点的坐标,第三适应度函数fit3(rl)=afco(rl)+bfsm(rl),其中,一致性函数平滑度函数a为一致性函数的权重系数,b为平滑度函数的权重系数;路径规划过程中,车辆的位置实时更新,如果车辆随机生成的路径受到障碍物的干扰,那么在生成路径时为避障会对原始路径进行修正,X1为原始路径与修正后路径的初始分歧点,X2为修正目标点,Δθi(x)=|θpre(x)-θi(x)|,θpre(x)为原始路径上位于直线Pi上的路径点x=xi处的切向与x轴的夹角,θi(x)为修正后的路径上位于直线Pi上的路径点x=xi处的切向与x轴的夹角,一致性函数的路径点i只计算从X1到X2之间的所有路径点;ki(x)用于表示新生成路径l上车辆实时位置到车辆目标点中所有路径点i的曲率,w1,w2,w3分别为第一适应度函数值、第二适应度函数值和第三适应度函数值的权重。
可选的,所述结合个体适应度值,对个体进行变异、交叉操作,具体包括:
其中,fmax是种群中适应度值的最大值;favg是种群的适应度平均值;f'是需要交叉的两个染色体中适应度较大的值;f是要进行变异染色体的适应度值;
根据所述交叉概率和所述变异概率,对个体进行变异、交叉操作。
本发明还提供了一种无人驾驶车辆的路径规划系统,包括:
路径随机生成模块,用于随机生成多条由起始点到目标点的路径,所述路径为连接多个路径点得到的路径;
路径编码模块,用于采用路径由起始点到目标点依次经过的路径点的编号对所述路径进行编码;
子种群划分模块,用于将路径点数量相同的路径划分到同一子种群中;
并行遗传操作模块,用于对各所述子种群进行并行的遗传操作;
最优子种群选取模块,用于选取遗传操作后的子种群中适度值最优的子种群,记为最优子种群;
最优路径确定模块,用于对所述最优子种群中的各个体进行遗传操作,结合所述最优子种群中各个体的适应度值,确定最优路径。
可选的,所述路径随机生成模块,具体包括:
坐标系构建单元,用于以起始点为原点,以起始点到目标点的连线为x轴构建二维坐标系;
等分单元,用于将起始点到目标点的连线随机n等分;
路径点确定单元,用于过等分点作直线Pi与x轴正交,以道路为约束,随机在所述直线上选择点作为路径点;
路径生成单元,用于根据所述路径点,随机生成多条由起始点到目标点的路径。
可选的,所述最优路径确定模块,具体包括:
适应度值计算单元,用于计算所述初始化种群中各个体的适应度值;
交叉变异操作单元,用于结合个体适应度值,对个体进行变异、交叉操作;
下一代种群生成单元,用于选择适应度值大于设定阈值的个体,组成下一代种群;跳转至所述交叉变异操作单元,对下一代种群中的个体进行遗传操作;直至满足设定条件时,停止跳转,得到目标种群;
最优路径选择单元,用于选择所述目标种群中适应度值最优的个体作为最优路径。
可选的,所述适应度值计算单元,具体包括:
适应度值计算子单元,用于根据适应度函数fit(rl)=w1fit1(rl)+w2fit2(rl)+w3fit3(rl)计算个体路径的适应度值,rl表示第l个候选路径,其中,第一适应度函数(xi-1,yi-1)和(xi,yi)为相邻路径点的坐标,n为路径点个数,第二适应度函数k表示障碍物的个数,(xobs,j,yobs,j)表示障碍物j的坐标,(xdot,j,ydot,j)表示路径上与障碍物j距离最近的路径点的坐标,第三适应度函数fit3(rl)=afco(rl)+bfsm(rl),其中,一致性函数平滑度函数a为一致性函数的权重系数,b为平滑度函数的权重系数;路径规划过程中,车辆的位置实时更新,如果车辆随机生成的路径受到障碍物的干扰,那么在生成路径时为避障会对原始路径进行修正,X1为原始路径与修正后路径的初始分歧点,X2为修正目标点,Δθi(x)=|θpre(x)-θi(x)|,θpre(x)为原始路径上位于直线Pi上的路径点x=xi处的切向与x轴的夹角,θi(x)为修正后的路径上位于直线Pi上的路径点x=xi处的切向与x轴的夹角,一致性函数的路径点i只计算从X1到X2之间的所有路径点;ki(x)用于表示新生成路径l上车辆实时位置到车辆目标点中所有路径点i的曲率,w1,w2,w3分别为第一适应度函数值、第二适应度函数值和第三适应度函数值的权重。
可选的,所述交叉变异操作单元,具体包括:
其中,fmax是种群中适应度值的最大值;favg是种群的适应度平均值;f'是需要交叉的两个染色体中适应度较大的值;f是要进行变异染色体的适应度值;
交叉变异操作子单元,用于根据所述交叉概率和所述变异概率,对个体进行变异、交叉操作。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的无人驾驶车辆的路径规划方法及系统,首先,在起始点到目标点之间随机生成了多个路径点,根据路径点随机生成多条由起始点到目标点的路径,并将路径点数量相同的路径划分到同一子种群中,对各子种群进行并行遗传操作,选取自适应度值最优的子种群作为后续遗传操作的初始种群,对最优子种群中的个体进行遗传操作,选取其中最优的个体作为最优路径。本发明将路径点数量相同的路径划分到同一子种群中,避免了陷入局部最优或早熟的问题,而且,只对各子种群中适应度值最优的子种群进行后续遗传操作,有效的提供了计算效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中无人驾驶车辆的路径规划方法流程示意图;
图2为本发明实施例中路径坐标示意图;
图3a为本发明实施例中路径点数量不同的路径示意图;
图3b为本发明实施例中路径对应染色体编码格式图;
图4为本发明实施例中一致性函数计算原理图;
图5为本发明实施例中无人驾驶车辆的路径规划系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明的第一方面提供了一种无人驾驶车辆的路径规划方法,如图1所示,该方法具体包括以下步骤:
步骤101:随机生成多条由起始点到目标点的路径,所述路径为连接多个路径点得到的路径;
步骤102:采用路径由起始点到目标点依次经过的路径点的编号对所述路径进行编码;
步骤103:将路径点数量相同的路径划分到同一子种群中;
步骤104:对各所述子种群进行并行的遗传操作;
步骤105:选取遗传操作后的子种群中适度值最优的子种群,记为最优子种群;
步骤106:对所述最优子种群中的各个体进行遗传操作,结合所述最优子种群中各个体的适应度值,确定最优路径。
在上述实施例中,步骤101可以进一步包括以下步骤:
以起始点为原点,以起始点到目标点的连线为x轴构建二维坐标系;
将起始点到目标点的连线随机n等分;
过等分点作直线Pi与x轴正交,以道路为约束,随机在所述直线上选择点作为路径点;
根据所述路径点,随机生成多条由起始点到目标点的路径。
本发明设定全局环境信息已知,环境模型为二维结构化空间,障碍物在环境中的位置为Oi(xobs,i,yobs,i),将环境中设定的障碍物引入到初始种群的生成中,设置检查装置,避免车辆经过的点或路径在障碍物内或边缘,引导初始种群的路径向避障路径的方向生成,防止陷入局部最优解。
在上述实施例中,步骤102中遗传算法编码主要采用二进制编码的方式,具体实现方式可以如下:
在基础坐标系XOY中,路径点序列的坐标是二维的,通过坐标变换,新的坐标系为xoy,坐标原点为车辆起始点,x轴为起始点与目标点的连线。将起始点与目标点的线段随机n等分,在计算机的计算能力范围内对等分数目设置上下界区间(即设置路径点的采样范围),其中,等分点为xi(i=1,2,…,n-1),过xi点作直线Pi与x轴正交,随机地在Pi上选择一点pi,因此共产生n-1个路径点,形成一条随机路径∑。为了车辆行驶的安全性,中间各路径点yi坐标需满足以下条件:
(1)路径点位于规划空间内。由于车辆行驶在结构化的道路中,因此,在xoy坐标中,车道宽度的约束将限制各路径点yi的取值范围,yi取值范围必须在过每一等分点的直线方程Pi与车道边界的2个交点之内。
(2)点位于障碍物之外。为了车辆行驶安全,本发明用圆形表示各障碍物,当点在圆的边上或者圆内即判定该点与障碍物相交。
(3)各路径点的连线不能与各障碍物相交。在XOY坐标中,路径点的连线不应该与障碍物所处的半径范围相交。如图2所示。
在本发明所研究的路径规划问题中,模型的自变量有两个方面:路径点的数目以及路径点的位置。这两个自变量构成了遗传算法中实际问题的参数集合,该变量组成的集合即为一组可行解,遗传算法中的遗传操作基于这两个变量所对应编码后的搜索空间,因此需要令这两个变量同时表现在一组位串中,为了简化计算,本发明将路径点的优化简化为一维坐标编码优化问题,另外,由于不同数目的路径点参数集合长度各不相同,因此本发明使用可变长度的染色体编码来表示个体,编码采用二进制形式,格式如图3所示。
针对本发明的路径规划问题,由于车辆不同路径点的染色体长度并不相同,导致经过编码之后的各染色体上的等位基因可能不能一一对应,在遗传操作的过程中可能会造成一些优秀个体的缺失。因此,本发明在初始种群中考虑配对策略,令染色体结构相似的个体进行并行的遗传操作,之后再从并行操作的种群中选择一个最优的种群进行后续遗传运算,这样既保证了基因的多样性,又避免了使遗传算法陷入局部收敛或早熟等问题。
设计初始种群中需要确定的参数:
1、子种群数目:每个子种群由染色体结构相似的个体组成,即由相同路径点数目的路径方案组成,子种群的数目等于约束条件中路径点取值范围的上下限之差,在运行前应根据实际问题的具体情况确定。
2、每个子种群中的个体数:子种群中的个体数决定了子种群中基因的多样性。子种群中的个体数应该足够大,以确保遗传算法能够通过一系列的遗传操作得到理想的结果,但是考虑到计算机的运行效率,个体数不能无限的扩大。
在上述实施例中,步骤106可以进一步包括以下步骤:
计算所述初始化种群中各个体的适应度值;
结合个体适应度值,对个体进行变异、交叉操作;
选择适应度值大于设定阈值的个体,组成下一代种群;
跳转至所述结合个体适应度值,对个体进行变异、交叉操作步骤,对下一代种群中的个体进行遗传操作;直至满足设定条件时,停止跳转,得到目标种群;
选择所述目标种群中适应度值最优的个体作为最优路径。
在上述实施例中,所述适应度值的计算方法如下:
根据适应度函数fit(rl)=w1fit1(rl)+w2fit2(rl)+w3fit3(rl)计算个体路径的适应度值,rl表示第l个候选路径,其中,第一适应度函数(xi-1,yi-1)和(xi,yi)为相邻路径点的坐标,n为路径点个数,第二适应度函数k表示障碍物的个数,(xobs,j,yobs,j)表示障碍物j的坐标,(xdot,j,ydot,j)表示路径上与障碍物j距离最近的路径点的坐标,第三适应度函数fit3(rl)=afco(rl)+bfsm(rl),其中,一致性函数平滑度函数a为一致性函数的权重系数,b为平滑度函数的权重系数;路径规划过程中,车辆的位置实时更新,如果车辆随机生成的路径受到障碍物的干扰,那么在生成路径时为避障会对原始路径进行修正,X1为原始路径与修正后路径的初始分歧点,X2为修正目标点,Δθi(x)=|θpre(x)-θi(x)|,θpre(x)为原始路径上位于直线Pi上的路径点x=xi处的切向与x轴的夹角,θi(x)为修正后的路径上位于直线Pi上的路径点x=xi处的切向与x轴的夹角,一致性函数的路径点i只计算从X1到X2之间的所有路径点;ki(x)用于表示新生成路径l上车辆实时位置到车辆目标点中所有路径点i的曲率,w1,w2,w3分别为第一适应度函数值、第二适应度函数值和第三适应度函数值的权重。
适应度函数作为遗传算法中衡量群体中个体优劣程度的标准,是遗传算法收敛性和稳定性的重要影响因素。适应性优良的个体在群体中存活的概率更大,遗传到下一代的概率更高。在本发明中,适应值越大表示个体适应情况越好。通过适应度函数的计算,可以对庞大的并行种群方案进行“粗筛选”,过滤适应度较差的子种群从而快速定位到最优适应度值的子种群方案,再对选择出来的子种群方案进行“细筛选”,引导车辆逐步向最优的路径靠拢,需要指出的是,被淘汰的种群将不参与后续的遗传操作,这可以有效提高整个算法的运行效率且节省计算资源。为了尽可能模拟无人驾驶车辆真实的驾驶环境,本发明提出的路径规划方法不仅考虑了路径最短要素和避障安全性要素,还增加了车辆驾驶的行驶舒适度指标。适应度函数具体计算方式如下:
(1)最短路径
Li表示相邻两个路径点的长度,(xi,yi)表示车辆当前的位置坐标,(xi-1,yi-1)表示车辆前一位置的坐标。
Length表示整条路径的长度,n为车辆的步数,因此最短路径的适应度函数fit1如下所示:
(2)壁障安全性
对于适应度函数的选择,除了保证路径最短之外还要确保规划的车辆路径能够无碰撞的安全行驶,
上式中,k表示障碍物的个数,d表示路径中无人驾驶车辆的第i个点距离所有障碍物的最短距离,则安全行驶适应度函数fit2如下所示
(3)行驶舒适性
道路的平顺性和一致性是影响驾驶舒适性的两个主要因素。不平坦的路面可能会使乘坐者感到不适,甚至导致车轮打滑,从而降低车辆的稳定性。由于路径的平滑度与曲率有关,故选取沿路径长度的曲率平方的积分作为平滑度代价函数:
式中,fsm(xi)表示关于xi的平滑度函数,ki(x)表示规划路径点x上的曲率
在当前规划中虽然考虑了平滑因子,但不能阻止生成下一步生成的路径与前一步路径明显不同。如果当前步骤中的路径与前一步的路径之差太大,则可能导致突变。针对这种情况,必须考虑路径一致性。以上一步路径点与当前时刻的路径点在重叠区间上的航向角差的积分作为相似性准则,为了消除车速对一致性的影响,用相似度准则除以重叠起点和终点圆弧长度的差值,则一致性函数:
上式中,如图4所示,Δθi(x)=|θpre(x)-θi(x)|,θpre(x),θi(x)∈[0,π]其中,θpre(x)和θi(x)分别表示前一步和当前时刻路径在x=xi的航向角。
因此,本发明将舒适性函数fit3定义为平滑度函数和一致性函数的加权和,定义如下:
fit3=afco(xi)+bfsm(xi)
最终本发明用于表示车辆路径规划的最优适应度函数如下所示:
fit=w1fit1+w2fit2+w3fit3
其中w1、w2和w3分别为最短路径、壁障安全性和行驶舒适性三个要素的加权系数。
在上述实施例中,本发明的交叉和变异概率可以采用如下自适应交叉和变异概率方法计算:
其中,fmax是种群中适应度值的最大值;favg是种群的适应度平均值;f'是需要交叉的两个染色体中适应度较大的值;f是要进行变异染色体的适应度值其中,k1∈[1.9,2.3],k2∈[0,1];
根据所述交叉概率和所述变异概率,对个体进行变异、交叉操作。
由上式可得,如果个体的适应度值高于种群平均值,取较低的pc和pm,有利于该解进入下一迭代参与优化工作,否则随机取较高的pc和pm,使该解容易被迭代搜索淘汰掉。本发明设计的自适应交叉和变异概率方法不但能够随适应度值自动改变,而且能够使种群中最大适应度值个体的pc和pm不会等于零,可避免它们处于近似停滞不前的状态,从而跳出局部最优解,提高搜索效率。
本发明的第二方面提供了一种无人驾驶车辆的路径规划系统,如图5所示,该系统包括:
路径随机生成模块501,用于随机生成多条由起始点到目标点的路径,所述路径为连接多个路径点得到的路径;
路径编码模块502,用于采用路径由起始点到目标点依次经过的路径点的编号对所述路径进行编码;
子种群划分模块503,用于将路径点数量相同的路径划分到同一子种群中;
并行遗传操作模块504,用于对各所述子种群进行并行的遗传操作;
最优子种群选取模块505,用于选取遗传操作后的子种群中适度值最优的子种群,记为最优子种群;
最优路径确定模块506,用于对所述最优子种群中的各个体进行遗传操作,结合所述最优子种群中各个体的适应度值,确定最优路径。
在上述实施例中,路径随机生成模块501,具体包括:
坐标系构建单元,用于以起始点为原点,以起始点到目标点的连线为x轴构建二维坐标系;
等分单元,用于将起始点到目标点的连线随机n等分;
路径点确定单元,用于过等分点作直线Pi与x轴正交,以道路为约束,随机在所述直线上选择点作为路径点;
路径生成单元,用于根据所述路径点,随机生成多条由起始点到目标点的路径。
在上述实施例中,所述最优路径确定模块506,具体包括:
适应度值计算单元,用于计算所述初始化种群中各个体的适应度值;
交叉变异操作单元,用于结合个体适应度值,对个体进行变异、交叉操作;
下一代种群生成单元,用于选择适应度值大于设定阈值的个体,组成下一代种群;跳转至所述交叉变异操作单元,对下一代种群中的个体进行遗传操作;直至满足设定条件时,停止跳转,得到目标种群;
最优路径选择单元,用于选择所述目标种群中适应度值最优的个体作为最优路径。
在上述实施例中,所述适应度值计算单元,具体包括:
适应度值计算子单元,用于根据适应度函数fit(rl)=w1fit1(rl)+w2fit2(rl)+w3fit3(rl)计算个体路径的适应度值,rl表示第l个候选路径,其中,第一适应度函数(xi-1,yi-1)和(xi,yi)为相邻路径点的坐标,n为路径点个数,第二适应度函数k表示障碍物的个数,(xobs,j,yobs,j)表示障碍物j的坐标,(xdot,j,ydot,j)表示路径上与障碍物j距离最近的路径点的坐标,第三适应度函数fit3(rl)=afco(rl)+bfsm(rl),其中,一致性函数平滑度函数a为一致性函数的权重系数,b为平滑度函数的权重系数;路径规划过程中,车辆的位置实时更新,如果车辆随机生成的路径受到障碍物的干扰,那么在生成路径时为避障会对原始路径进行修正,X1为原始路径与修正后路径的初始分歧点,X2为修正目标点,Δθi(x)=|θpre(x)-θi(x)|,θpre(x)为原始路径上位于直线Pi上的路径点x=xi处的切向与x轴的夹角,θi(x)为修正后的路径上位于直线Pi上的路径点x=xi处的切向与x轴的夹角,一致性函数的路径点i只计算从X1到X2之间的所有路径点;ki(x)用于表示新生成路径l上车辆实时位置到车辆目标点中所有路径点i的曲率,w1,w2,w3分别为第一适应度函数值、第二适应度函数值和第三适应度函数值的权重。
在上述实施例中,所述交叉变异操作单元,具体包括:
其中,fmax是种群中适应度值的最大值;favg是种群的适应度平均值;f'是需要交叉的两个染色体中适应度较大的值;f是要进行变异染色体的适应度值;
交叉变异操作子单元,用于根据所述交叉概率和所述变异概率,对个体进行变异、交叉操作。
本发明提供的无人驾驶车辆的路径规划方法及系统,在初始种群设计中,针对由于规划的各个路径的路径点数目不一致,可能在遗传操作的过程中会造成一些优秀个体的缺失问题,提出在初始种群中考虑配对策略,令染色体结构相似的个体进行并行的遗传操作,之后再从并行操作的种群中选出最优个体组成新的种群进行下一步迭代计算的方法,确保子种群的优良基因得到继承,避免陷入局部收敛或早熟;在设计适应度函数时,为了尽可能模型无人驾驶车辆真实的驾驶环境,促进无人驾驶车辆的进一步推广,本发明提出的路径规划方法不仅考虑了路径最短要素和避障安全性要素,还增加了车辆驾驶的行驶舒适度指标,使规划的路径更趋向完美;针对传统的遗传算法中交叉概率和变异概率固定不变的问题,为了使算法能够克服早熟,提高搜索效率且跳出局部最优,本发明设计了一种全新的自适应交叉和变异概率方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种无人驾驶车辆的路径规划方法,其特征在于,包括:
随机生成多条由起始点到目标点的路径,所述路径为连接多个路径点得到的路径;
采用路径由起始点到目标点依次经过的路径点的编号对所述路径进行编码;
将路径点数量相同的路径划分到同一子种群中;
对各所述子种群进行并行的遗传操作;
选取遗传操作后的子种群中适度值最优的子种群,记为最优子种群;
对所述最优子种群中的各个体进行遗传操作,结合所述最优子种群中各个体的适应度值,确定最优路径。
2.根据权利要求1所述的无人驾驶车辆的路径规划方法,其特征在于,所述随机生成多条由起始点到目标点的路径,具体包括:
以起始点为原点,以起始点到目标点的连线为x轴构建二维坐标系;
将起始点到目标点的连线随机n等分;
过等分点作直线Pi与x轴正交,以道路为约束,随机在所述直线上选择点作为路径点;
根据所述路径点,随机生成多条由起始点到目标点的路径。
3.根据权利要求2所述的无人驾驶车辆的路径规划方法,其特征在于,所述对所述最优子种群中的各个体进行遗传操作,结合所述最优子种群中各个体的适应度值,确定最优路径,具体包括:
计算所述初始化种群中各个体的适应度值;
结合个体适应度值,对个体进行变异、交叉操作;
选择适应度值大于设定阈值的个体,组成下一代种群;
跳转至所述结合个体适应度值,对个体进行变异、交叉操作步骤,对下一代种群中的个体进行遗传操作;直至满足设定条件时,停止跳转,得到目标种群;
选择所述目标种群中适应度值最优的个体作为最优路径。
4.根据权利要求3所述的无人驾驶车辆的路径规划方法,其特征在于,所述适应度值的计算方法包括:
根据适应度函数fit(rl)=w1fit1(rl)+w2fit2(rl)+w3fit3(rl)计算个体路径的适应度值,rl表示第l个候选路径,其中,第一适应度函数(xi-1,yi-1)和(xi,yi)为相邻路径点的坐标,n为路径点个数,第二适应度函数k表示障碍物的个数,(xobs,j,yobs,j)表示障碍物j的坐标,(xdot,j,ydot,j)表示路径上与障碍物j距离最近的路径点的坐标,第三适应度函数fit3(rl)=afco(rl)+bfsm(rl),其中,一致性函数平滑度函数fsm(rl)=∫ki 2(x)dx,a为一致性函数的权重系数,b为平滑度函数的权重系数;路径规划过程中,车辆的位置实时更新,如果车辆随机生成的路径受到障碍物的干扰,那么在生成路径时为避障会对原始路径进行修正,X1为原始路径与修正后路径的初始分歧点,X2为修正目标点,Δθi(x)=|θpre(x)-θi(x)|,θpre(x)为原始路径上位于直线Pi上的路径点x=xi处的切向与x轴的夹角,θi(x)为修正后的路径上位于直线Pi上的路径点x=xi处的切向与x轴的夹角,一致性函数的路径点i只计算从X1到X2之间的所有路径点;ki(x)用于表示新生成路径l上车辆实时位置到车辆目标点中所有路径点i的曲率,w1,w2,w3分别为第一适应度函数值、第二适应度函数值和第三适应度函数值的权重。
6.一种无人驾驶车辆的路径规划系统,其特征在于,包括:
路径随机生成模块,用于随机生成多条由起始点到目标点的路径,所述路径为连接多个路径点得到的路径;
路径编码模块,用于采用路径由起始点到目标点依次经过的路径点的编号对所述路径进行编码;
子种群划分模块,用于将路径点数量相同的路径划分到同一子种群中;
并行遗传操作模块,用于对各所述子种群进行并行的遗传操作;
最优子种群选取模块,用于选取遗传操作后的子种群中适度值最优的子种群,记为最优子种群;
最优路径确定模块,用于对所述最优子种群中的各个体进行遗传操作,结合所述最优子种群中各个体的适应度值,确定最优路径。
7.根据权利要求6所述的无人驾驶车辆的路径规划系统,其特征在于,所述路径随机生成模块,具体包括:
坐标系构建单元,用于以起始点为原点,以起始点到目标点的连线为x轴构建二维坐标系;
等分单元,用于将起始点到目标点的连线随机n等分;
路径点确定单元,用于过等分点作直线Pi与x轴正交,以道路为约束,随机在所述直线上选择点作为路径点;
路径生成单元,用于根据所述路径点,随机生成多条由起始点到目标点的路径。
8.根据权利要求7所述的无人驾驶车辆的路径规划系统,其特征在于,所述最优路径确定模块,具体包括:
适应度值计算单元,用于计算所述初始化种群中各个体的适应度值;
交叉变异操作单元,用于结合个体适应度值,对个体进行变异、交叉操作;
下一代种群生成单元,用于选择适应度值大于设定阈值的个体,组成下一代种群;跳转至所述交叉变异操作单元,对下一代种群中的个体进行遗传操作;直至满足设定条件时,停止跳转,得到目标种群;
最优路径选择单元,用于选择所述目标种群中适应度值最优的个体作为最优路径。
9.根据权利要求8所述的无人驾驶车辆的路径规划系统,其特征在于,所述适应度值计算单元,具体包括:
适应度值计算子单元,用于根据适应度函数fit(rl)=w1fit1(rl)+w2fit2(rl)+w3fit3(rl)计算个体路径的适应度值,rl表示第l个候选路径,其中,第一适应度函数(xi-1,yi-1)和(xi,yi)为相邻路径点的坐标,n为路径点个数,第二适应度函数k表示障碍物的个数,(xobs,j,yobs,j)表示障碍物j的坐标,(xdot,j,ydot,j)表示路径上与障碍物j距离最近的路径点的坐标,第三适应度函数fit3(rl)=afco(rl)+bfsm(rl),其中,一致性函数平滑度函数fsm(rl)=∫ki 2(x)dx,a为一致性函数的权重系数,b为平滑度函数的权重系数;路径规划过程中,车辆的位置实时更新,如果车辆随机生成的路径受到障碍物的干扰,那么在生成路径时为避障会对原始路径进行修正,X1为原始路径与修正后路径的初始分歧点,X2为修正目标点,Δθi(x)=|θpre(x)-θi(x)|,θpre(x)为原始路径上位于直线Pi上的路径点x=xi处的切向与x轴的夹角,θi(x)为修正后的路径上位于直线Pi上的路径点x=xi处的切向与x轴的夹角,一致性函数的路径点i只计算从X1到X2之间的所有路径点;ki(x)用于表示新生成路径l上车辆实时位置到车辆目标点中所有路径点i的曲率,w1,w2,w3分别为第一适应度函数值、第二适应度函数值和第三适应度函数值的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010086688.5A CN111238521B (zh) | 2020-02-11 | 2020-02-11 | 一种无人驾驶车辆的路径规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010086688.5A CN111238521B (zh) | 2020-02-11 | 2020-02-11 | 一种无人驾驶车辆的路径规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111238521A true CN111238521A (zh) | 2020-06-05 |
CN111238521B CN111238521B (zh) | 2021-10-26 |
Family
ID=70865069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010086688.5A Active CN111238521B (zh) | 2020-02-11 | 2020-02-11 | 一种无人驾驶车辆的路径规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111238521B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111665846A (zh) * | 2020-06-24 | 2020-09-15 | 哈尔滨工程大学 | 一种基于快速扫描法的水面无人艇路径规划方法 |
CN112070309A (zh) * | 2020-09-10 | 2020-12-11 | 西南民族大学 | 一种智慧收奶平台 |
CN112232602A (zh) * | 2020-11-19 | 2021-01-15 | 湘潭大学 | 一种大规模节点的物流配送路径优化方法及系统 |
CN112859857A (zh) * | 2021-01-12 | 2021-05-28 | 武汉光庭信息技术股份有限公司 | 自动驾驶横向控制方法、系统、电子设备及存储介质 |
CN112947480A (zh) * | 2021-03-24 | 2021-06-11 | 武汉理工大学 | 一种移动机器人路径规划方法、存储介质及系统 |
CN112965476A (zh) * | 2021-01-22 | 2021-06-15 | 西安交通大学 | 一种基于多窗口抽样的高速无人车轨迹规划系统及方法 |
CN113124891A (zh) * | 2021-04-20 | 2021-07-16 | 东软睿驰汽车技术(沈阳)有限公司 | 一种行驶路径规划方法及相关装置 |
CN113135127A (zh) * | 2021-05-28 | 2021-07-20 | 南昌智能新能源汽车研究院 | 一种汽车电动座椅姿态协同运动路径规划方法 |
CN113625714A (zh) * | 2021-08-11 | 2021-11-09 | 重庆大学 | 一种基于并行求解的自动驾驶运动规划方法 |
CN114185355A (zh) * | 2022-02-16 | 2022-03-15 | 科大智能物联技术股份有限公司 | 图信息和改进型遗传算法相结合的路径规划方法、系统 |
CN114355918A (zh) * | 2021-12-27 | 2022-04-15 | 北京航天数据股份有限公司 | 一种除冰车路径规划方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436604A (zh) * | 2011-09-08 | 2012-05-02 | 哈尔滨工程大学 | 一种基于多目标进化方法的多弹协同航路计算方法 |
CN106681334A (zh) * | 2017-03-13 | 2017-05-17 | 东莞市迪文数字技术有限公司 | 基于遗传算法的自动搬运小车调度控制方法 |
CN109459026A (zh) * | 2018-11-08 | 2019-03-12 | 北京理工大学 | 一种多运动体协同全覆盖路径规划方法 |
CN110097218A (zh) * | 2019-04-18 | 2019-08-06 | 北京邮电大学 | 一种时变环境下无人商品配送方法及系统 |
-
2020
- 2020-02-11 CN CN202010086688.5A patent/CN111238521B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436604A (zh) * | 2011-09-08 | 2012-05-02 | 哈尔滨工程大学 | 一种基于多目标进化方法的多弹协同航路计算方法 |
CN106681334A (zh) * | 2017-03-13 | 2017-05-17 | 东莞市迪文数字技术有限公司 | 基于遗传算法的自动搬运小车调度控制方法 |
CN109459026A (zh) * | 2018-11-08 | 2019-03-12 | 北京理工大学 | 一种多运动体协同全覆盖路径规划方法 |
CN110097218A (zh) * | 2019-04-18 | 2019-08-06 | 北京邮电大学 | 一种时变环境下无人商品配送方法及系统 |
Non-Patent Citations (5)
Title |
---|
SOH CHIN YUN等: "Improved genetic algorithms based optimum path planning for mobile robot", 《2010 11TH INT.CONF.CONTROL,AUTOMATION,ROBOTICS AND VISION》 * |
孟宪权等: "遗传算法在路径规划中的应用", 《计算机工程》 * |
曾孝平等: "实数自适应并行遗传算法的研究", 《计算机应用研究》 * |
海冉冉: "基于云自适应遗传算法的优化问题研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
苗振华等: "一种并行变异自适应遗传算法及其性能分析", 《信息与控制》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111665846A (zh) * | 2020-06-24 | 2020-09-15 | 哈尔滨工程大学 | 一种基于快速扫描法的水面无人艇路径规划方法 |
CN111665846B (zh) * | 2020-06-24 | 2022-04-19 | 哈尔滨工程大学 | 一种基于快速扫描法的水面无人艇路径规划方法 |
CN112070309A (zh) * | 2020-09-10 | 2020-12-11 | 西南民族大学 | 一种智慧收奶平台 |
CN112070309B (zh) * | 2020-09-10 | 2021-03-30 | 西南民族大学 | 一种智慧收奶平台系统 |
CN112232602A (zh) * | 2020-11-19 | 2021-01-15 | 湘潭大学 | 一种大规模节点的物流配送路径优化方法及系统 |
CN112859857A (zh) * | 2021-01-12 | 2021-05-28 | 武汉光庭信息技术股份有限公司 | 自动驾驶横向控制方法、系统、电子设备及存储介质 |
CN112965476A (zh) * | 2021-01-22 | 2021-06-15 | 西安交通大学 | 一种基于多窗口抽样的高速无人车轨迹规划系统及方法 |
CN112965476B (zh) * | 2021-01-22 | 2022-06-07 | 西安交通大学 | 一种基于多窗口模型的高速无人车轨迹规划系统及方法 |
CN112947480A (zh) * | 2021-03-24 | 2021-06-11 | 武汉理工大学 | 一种移动机器人路径规划方法、存储介质及系统 |
CN113124891A (zh) * | 2021-04-20 | 2021-07-16 | 东软睿驰汽车技术(沈阳)有限公司 | 一种行驶路径规划方法及相关装置 |
CN113135127A (zh) * | 2021-05-28 | 2021-07-20 | 南昌智能新能源汽车研究院 | 一种汽车电动座椅姿态协同运动路径规划方法 |
CN113625714A (zh) * | 2021-08-11 | 2021-11-09 | 重庆大学 | 一种基于并行求解的自动驾驶运动规划方法 |
CN113625714B (zh) * | 2021-08-11 | 2024-03-15 | 重庆大学 | 一种基于并行求解的自动驾驶运动规划方法 |
CN114355918A (zh) * | 2021-12-27 | 2022-04-15 | 北京航天数据股份有限公司 | 一种除冰车路径规划方法、装置及存储介质 |
CN114185355A (zh) * | 2022-02-16 | 2022-03-15 | 科大智能物联技术股份有限公司 | 图信息和改进型遗传算法相结合的路径规划方法、系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111238521B (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111238521B (zh) | 一种无人驾驶车辆的路径规划方法及系统 | |
CN110442135B (zh) | 一种基于改进遗传算法的无人艇路径规划方法及系统 | |
CN110749333B (zh) | 基于多目标优化的无人驾驶车辆运动规划方法 | |
CN112677995B (zh) | 一种车辆轨迹规划方法、装置、存储介质及设备 | |
EP3730370B1 (en) | Method and device for acquiring automatic driving track | |
CN112904842B (zh) | 一种基于代价势场的移动机器人路径规划与优化方法 | |
CN111898211A (zh) | 基于深度强化学习的智能车速度决策方法及其仿真方法 | |
CN107813820A (zh) | 一种仿优秀驾驶员的无人车换道路径规划方法 | |
CN111273686B (zh) | 一种三维环境下多无人机同时到达指定地的路径规划方法 | |
CN112071059B (zh) | 一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法 | |
CN112965476B (zh) | 一种基于多窗口模型的高速无人车轨迹规划系统及方法 | |
CN109931943B (zh) | 无人船舶全局路径规划方法及电子设备 | |
CN113593228B (zh) | 一种高速公路瓶颈区域自动驾驶协同控制方法 | |
CN112857385B (zh) | 一种基于非均匀栅格模型的快速无人车局部路径规划方法 | |
CN114706400B (zh) | 一种越野环境下基于改进的a*算法的路径规划方法 | |
CN111338356A (zh) | 改进分布式遗传算法的多目标无人船避碰路径规划方法 | |
CN109765890B (zh) | 一种基于遗传算法的多usv群体协同避碰规划方法 | |
CN116797002B (zh) | 电动汽车充电站规划方法、装置及存储介质 | |
CN112550314A (zh) | 适用于无人驾驶的嵌入优化式控制方法及其驾驶控制模块和自动驾驶控制系统 | |
CN110427690A (zh) | 一种基于全局粒子群算法生成ato速度曲线的方法及装置 | |
CN113032896A (zh) | 一种基于船舶驾驶员偏好的避碰辅助决策方法 | |
CN116118780A (zh) | 一种车辆避障轨迹规划方法、系统、车辆及存储介质 | |
CN116594425A (zh) | 一种基于概率地图和改进遗传算法的多无人机路径规划方法 | |
CN114519931B (zh) | 一种路口环境下目标车辆行为预测方法及装置 | |
CN111310919B (zh) | 基于场景切分和局部路径规划的驾驶控制策略训练方法 |
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 |