CN111578926A - 一种基于自动驾驶平台的地图生成与导航避障的方法 - Google Patents

Abstract

本发明公开了一种基于自动驾驶平台上的地图生成与导航避障方法，所述方法包含以下步骤：基于EKF的改进Hector SLAM的地图算法，获得小车驾驶的空间地图；利用获得的空间地图，运用融合A*与DWA的导航避障算法获得小车在这张空间地图中驾驶过程中的路线规划；通过实验评估和验证对地图生成算法和导航避障算法的效果。本发明提出的导航避障方法可以融合现有的不同的导航避障的算法，具有有效性、完备性和可修正性。

Description

一种基于自动驾驶平台的地图生成与导航避障的方法

技术领域

本发明涉及人工智能中自动驾驶领域，尤其涉及一种基于自动驾驶平台的地图生成与导航避障的方法。

背景技术

扩展卡尔曼滤波(Extended Kalman Filter，EKF)是卡尔曼滤波的非线性版本。它主要是一种将系统的输入输出观测数据利用线性状态方程处理后，根据结果对系统状态进行最优估计的算法。卡尔曼滤波是一种线性方程式，它最初是用来进行雷达跟踪实验，后续发展成为可以在导航，通讯等各领域使用的滤波算法。

地图生成属于同步定位与地图构建(Simultaneous Localization And Mapping，SLAM)的范畴。该问题可以描述为将机器人放入一个未知的环境，然后让其一边移动进行位置估计和自身定位，一边绘制出环境的增量式地图，走遍环境的每个角落后绘制出场景的完整地图。地图生成可用于定位和导航相关研究中。地图生成算法分为基于激光滤波和基于视觉两种。基于激光滤波的方法技术成熟，应用广泛。基于视觉的方法发展时间短，目前研究方法难以解决计算复杂度高、数据量大、实时性的问题，在研究领域内少有应用研究。

导航避障是自动驾驶中非常重要的一个研究领域，它关系着设备运行时的安全性和稳定性。虽然深度神经网络有取代路径规划进行导航避障的趋势，但它仍然存在结果不可控以及需要高性能硬件支持其运行等问题。所以目前研究领域中进行导航避障的方法还是以路径规划结合局部避障算法为主。

导航避障中的路径规划又称全局路径规划，是在已有地图中，给定起点与终点，规划出从起点到终点的近似最短路径的过程。常用的算法有Dijkstra^[1]、A*^[2]、人工势场法^[3](Artifical Potential Field，APF)。局部避障又可称局部路径规划，其用来处理小车运行过程中遇到障碍物时的躲避问题。动态窗口(Dynamic Window Approach，DWA)模糊逻辑、神经网络以及自然启发算法都可用于解决局部避障问题。

路径规划中的APF算法在实验过程中出现无法完全收敛到目标点的情况。局部避障中的模糊逻辑和神经模糊算法的输出将小车位姿划分成若干段，每段中所有位姿对应的当前速度都是同一个值，这导致小车行驶过程中速度不是连续的。而神经网络的实现通常需要GPU，使用CPU运行神经网络效率会非常低。

参考文献

[1]Kruskal Jr.,J.B.:On the Shortest Spanning Subtree of a Graph andthe Travelling Salesman Problem.Proc.Amer.Math.Soc.7,48–50(1956).

[2]熊壬浩,刘羽.A*算法的改进及并行化[J].计算机应用,2015,35(07):1843-1848.

[3]Khatib O.Realtime Abstract Avoidance for Manipulators,and MobileRobots in Proe[J].IEEE Int Conf.On.Robotics and Automation March 25-381985.500-505,also in Int JRobot Res,1986,5(1):90-98.

[4]BALLESTEROS J,URDIALES C,VELASCO A B M,et al.A biomimeticaldynamic window approach to navigation for collaborative control[J].IEEETransactions on Human-Machine Systems,2017,47(6):1123-1133.

发明内容

本发明提供了一种基于自动驾驶平台的地图生成与导航避障的方法，本发明可以避免现有地图生成算法存在地图错位、地图信息缺失、系统资源占用率高等问题，从而改善地图生成的效果；本发明提出的导航避障方法可以融合现有的不同的导航避障的算法，具有有效性、完备性和可修正性，详见下文描述：

一种基于自动驾驶平台上的地图生成与导航避障方法，所述方法包含以下步骤：

基于EKF的改进Hector SLAM的地图算法，获得小车驾驶的空间地图；

利用获得的空间地图，运用融合A*与DWA的导航避障算法获得小车在这张空间地图中驾驶过程中的路线规划；

通过实验评估和验证对地图生成算法和导航避障算法的效果。

其中，所述基于EKF的改进Hector SLAM的地图算法，获得小车驾驶的空间地图具体为：

使用EKF对轮式里程计、惯性测量单元、激光雷达的数据进行融合，初始时刻时，对多传感器信息融合系统状态与协方差矩阵进行初始化；

在k时刻，第一个传感器观测状态修正后得到的系统状态量x¹(k)；将x¹(k)用于第二个传感器的状态修正中得到新的系统状态量x²(k)；最后第三个传感器使用x²(k)进行修正得到最终系统状态量x(k)；

使用EKF对Hector SLAM算法中的每时刻的位姿信息进行修正，使用里程计数据中的坐标(x,y)、偏移角yaw、仰俯角pitch来对坐标转换公式中的数据进行修正；直接使用原有数据与融合里程计数据进行线性组合的方式得到新的数据，利用修正完的信息更新栅格地图。

进一步地，所述利用获得的空间地图，运用融合A*与DWA的导航避障算法获得小车在这张空间地图中驾驶过程中的路线规划具体为：

在小车启动时，利用A*算法规划出从起点到终点的路径，在小车行驶过程中使用激光雷达实时监测周围环境信息，如果在范围阈值内没有检测到障碍物时，小车将沿着A*算法规划出的路径行驶；

若激光雷达在范围阈值内检测到障碍物，则小车切换成DWA算法进行实时避障；当确认躲避障碍物之后，重新生成路径，并沿着路径前进，重复前两步，直至小车行驶到达目标点。

本发明提供的技术方案的有益效果是：

1、本发明提出了基于EKF的Hector SLAM算法，EKF分为预测未来与修正当下两个过程。Hector SLAM算法由于只考虑激光雷达的信息，通过上一帧位姿信息得到当前帧位姿信息，该过程与EKF中“预测未来”原理相同。所以，该过程中出现信息错误时，理论上同样能够使用EKF对其进行修正。因此本发明提出的地图生成算法可以改善地图生成的效果。

2、对于导航避障问题本发明提出了融合A*与DWA的导航避障算法。A*算法由于其良好的完备性以及处理速度快等优势，适合应用在实时性要求高的导航避障功能中。DWA算法的运行效率相比于其它导航避障算法要高很多，因为DWA算法只根据一系列的评价函数选择可行解。相比于找到局部最优解而言，DWA算法仅需要依据评分选择路径即可。因此选择融合A*与DWA的算法使导航避障算法更具有有效性、完备性和可修正性。

3、利用本文提出的地图生成算法生成的地图中无地图错位现象，房间边界检测完整，场景中障碍物信息也如实反映在地图中。在10次实验结果中，出现重新生成地图现象的概率为0％。地图边界与障碍物信息清晰度也优于原HectorSLAM算法与IMU功能节点改进HectorSLAM算法。本文设计的导航避障算法在动态环境中实验中效果良好。小车能够合理躲避环境中的移动障碍物并朝目标点前进，每次躲避障碍物的路径选择也会根据当前的环境因素和自身速度，距离目标点方向等因素综合考虑选择合理的方案。每次躲避障碍之后都会在原有路径基础上重新规划路径，也说明了本文融合导航避障算法的完备性和可修正性。

附图说明

图1为一种基于自动驾驶平台上的地图生成与导航避障方法的流程图；

图2为修正传感器部分的流程图；

图3为原Hector SLAM算法实验结果的示意图；

图4为功能节点改进Hector SLAM实验结果的示意图；

图5为基于EKF的改进Hector SLAM算法实验结果示意图；

图6为动态环境下小车运行过程示意图；

图7为动态环境下小车避障过程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

为实现上述目的，本发明提出一种基于自动驾驶平台上的地图生成与导航避障方法，参见图1，该方法包含以下步骤：

步骤101：基于EKF的改进Hector SLAM的地图算法，获得小车驾驶的空间地图；

步骤102：利用步骤101获得的空间地图，运用融合A*与DWA的导航避障算法获得小车在这张空间地图中驾驶过程中的路线规划；

步骤103：通过实验评估和验证对本发明提出的地图生成算法和导航避障算法的效果。

在一个实例中，步骤101用来得到驾驶空间的地图，具体步骤如下：

使用EKF对轮式里程计(odometry)、惯性测量单元(Inertial MeasurementUnit，IMU)、激光雷达(Lidar)的数据进行融合，初始时刻时，对多传感器信息融合系统状态与协方差矩阵Σ进行初始化。在k时刻，第一个传感器观测状态修正后得到的系统状态量x¹(k)。将x¹(k)用于第二个传感器的状态修正中得到新的系统状态量x²(k)。最后第三个传感器使用x²(k)进行修正得到最终系统状态量x(k)。x(k)即为k时刻融合后的系统输出，以及k+1时刻的预测过程输入，得到新的融合里程计数据。

使用EKF对Hector SLAM算法中的每时刻的位姿信息进行修正，使用里程计数据中的坐标(x,y)、偏移角yaw、仰俯角pitch来对坐标转换公式中的数据进行修正。为了减少计算量，改进算法直接使用原有数据与融合里程计数据进行线性组合的方式得到新的数据。利用修正完成的信息更新栅格地图。

在一个实例中，步骤102在步骤101的基础上运用融合A*与DWA的导航避障算法获得小车驾驶过程中的路线规划，具体步骤如下：

在小车启动时，首先利用A*算法规划出从起点到终点的路径。在小车行驶过程中使用激光雷达实时监测周围环境信息，如果在范围阈值内没有检测到障碍物时，小车将沿着A*算法规划出的路径行驶。若激光雷达在范围阈值内检测到障碍物，则小车切换成DWA算法进行实时避障。当确认躲避障碍物之后，重新生成路径，并沿着路径前进。重复前两步，直至小车行驶到达目标点。

在一个实例中，步骤103在步骤101和步骤102的基础上对地图生成算法与导航避障算法进行实验，具体步骤如下：

实验中使用不同地图生成算法得到不同的地图结果，从是否错位，边界检测是否完整，障碍物信息是否反映等方面对地图生成结果的质量进行评估及验证。对实验中小车驾驶的路径长度方差、平均运行时间和碰撞次数进行计算从而实现对模型效果的评估，为更好地平衡这三个指标，采用不同导航避障算法对比实验，对算法的效果进行评估及验证。

实施例2

下面结合具体的计算公式、实例对实施例1中的方案进行进一步地介绍，详见下文描述：

地图生成算法为基于EKF的改进Hector SLAM算法，导航避障算法为融合A*与DWA的导航避障算法，包括：

步骤201：使用EKF对轮式里程计(odometry)、惯性测量单元(InertialMeasurement Unit，IMU)、激光雷达(Lidar)的数据进行融合，得到新的融合里程计数据；

具体实现时，使用odometry初始化系统状态量以及协方差矩阵。协方差矩阵初始化为非零矩阵，系统输入初始化为[0,0]^T。通过机器人操作系统(ROS)的rostopic命令监听各传感器和odometry的信息。系统输入[u₁,u₂]^T是两个相邻时刻内通过小车底盘编码器得到的位移以及偏移角，结合系统状态量使用系统方程对状态进行预测。系统方程如公式(1)、(2)、(3)、(4)所示。

x(t)＝x(t-1)+u₁(t)*cos(yaw(t-1)) (1)

y(t)＝y(t-1)+u₂(t)*sin(yaw(t-1)) (2)

yaw(t)＝yaw(t-1)+u₂(t) (3)

Σ update (4)

其中，公式(1)、(2)中的x,y为小车坐标，yaw为偏移角，公式(1)、(2)、(3)中的u₁、u₂是两个相邻时刻内通过小车底盘编码器得到的位移以及偏移角，公式(4)中的update为第一协方差矩阵。

步骤202：修正传感器；

1)获取odometry信息作为观测量，根据第一协方差矩阵判断步骤201中预测的状态是否准确，若准确则进行状态修正，得到第一系统状态与第二协方差矩阵，执行步骤203，若不准确则执行步骤201；

2)获取IMU信息作为观测量，根据第二协方差矩阵判断步骤201中预测的状态是否准确，若准确则进行状态修正，得到第二系统状态与第三协方差矩阵，执行步骤203；若不准确则维持odometry中的状态不变，执行步骤201；

3)将激光雷达的极坐标信息使用ROS中transform功能转为笛卡尔系坐标，根据第三协方差矩阵判断步骤201中预测的状态是否准确，若准确则进行状态修正，得到第三系统状态与第四协方差矩阵，执行步骤203；若不准确则维持odometry和IMU中的状态不变，执行步骤201。

步骤203：三个传感器均完成修正后，发布融合后的系统状态信息，同时将该信息与第四协方差矩阵作为下一时刻系统状态预测的输入；

步骤204：使用现有激光雷达数据初始化系统状态量以及第四协方差矩阵，第四协方差矩阵初始化为非零矩阵，系统输入初始化为零向量；

步骤205：在当前时刻计算位姿增量前，根据第四协方差矩阵估计出一个准确率s，根据s的值使用Hector SLAM算法中的公式将公偏移角、世界坐标与里程计数据进行线性融合得到新的值。

其中，如公式(5)所示，公式(5)中的数据修正完成后，使用原Hector SLAM算法中的公式计算位姿增量，同时更新协方差矩阵为第五协方差矩阵。使用修正后求得的位姿增量用于预测过程，求得当前时刻的位姿，将当前时刻的位姿与第五协方差矩阵作为下一时刻预测过程的输入重复该步骤直至地图生成完毕。

在公式(5)中，ψ为偏移角、(p_x,p_y)为世界坐标，S_i为激光束端点坐标。

步骤206：启动时，使用A*算法规划出从起点到终点的路径，输入起点坐标与终点坐标，初始化为空的open list和close list，输出从起点到终点的路径。

步骤207：小车在行驶过程中使用激光雷达实时监测周围环境信息，在范围阈值内没有检测到障碍物时沿着A*算法规划出的路径行驶；

步骤208：在范围阈值内检测到障碍物，切换成DWA算法进行实时避障，当确认躲避障碍物之后，重新生成路径，并沿着路径前进。

其中，DWA算法根据轨迹是线段或者圆弧，可分为两种运动模型。第一种模型将线段轨迹分解成x方向和y方向对应到世界坐标系中。将轨迹近似成线段，则机器人沿自身的坐标系x轴移动了vt*Δt的距离，映射到世界坐标系上可得t+1时刻相对于t时刻机器人移动距离为公式(6)、(7)。

Δx＝vΔtcos(θ_t) (6)

Δy＝vΔt sin(θ_t) (7)

在公式(6)、(7)中，Δx和Δy为运动变化的坐标，v为线速度，Δt为间隔时间，θ_t为角度。

一段时间内的运动只需要把位移累加求和，如公式(8)、(9)、(10)所示。

x＝x+vΔtsin(θ_t) (8)

y＝y+vΔtsin(θ_t) (9)

θ_t＝θ_t+wΔt (10)

在公式(10)中，w为角速度。

如果是全向运动，在y方向也有速度，沿y方向分解轨迹得到公式(11)、(12)。

在公式(11)、(12)中，v_y为y方向的速度。

第二种模型将机器人相邻时间段内移动的轨迹近似为圆弧。非全向运动时，机器人圆弧运动的半径为

当旋转速度w不为0时，机器人坐标的更新如公式(13)、(14)、(15)。

θ_t＝θ_t+wΔt (15)

运动模型确定之后只需采样多组速度值，然后推算轨迹进行评价。

步骤209：对实验中小车驾驶的路径长度方差、平均运行时间和碰撞次数进行计算从而实现对模型效果的评估，为更好地平衡这三个指标，采用不同导航避障算法对比实验，对算法的效果进行评估及验证。

实验中使用不同地图生成算法得到不同的地图结果，从是否错位，边界检测是否完整，障碍物信息是否反映等方面对地图生成结果的质量进行评估及验证。

本发明所述的一种基于自动驾驶平台上的地图生成与导航避障方法对自动驾驶过程实现了地图生成与导航避障的功能，提出的基于EKF的改进Hector SLAM算法经过可行性分析，算法设计、真实环境测试、对比实验等流程，验证该算法在真实环境下是有效的。实验结果证明了本文提出的改进算法有很好的实际应用性，适合在后续的人工智能教学平台上使用。本发明设计的融合A*与DWA的导航避障算法、实现了简单的环境探索功能。实验结果证实了本文设计的导航避障算法在低算力平台上的有效性、完备性与可修正性，适合在后续的人工智能教学平台上使用。

实施例3

本发明提出的地图生成算法为基于EKF的改进Hector SLAM算法，在用于自动驾驶的地图生成算法的实验中，通过分析生成的地图效果进行算法的评估。

通过实验效果可以看出，在改进现有的地图生成算法Hector SLAM后，用于自动驾驶的地图生成技术有了一定的实践意义和优秀的效果。

实验平台软件系统使用Ubuntu 16.04纯净版+ROS Kinetic。实验环境为有10排桌椅的室内，过道处有两根支柱，无其它障碍物。为减少透明障碍物对实验产生影响，窗户均已用窗帘遮挡。为了实时观测地图生成情况，实验中采用主从机形式进行设备连接。小车为主机，笔记本电脑为从机，从机软件系统与主机一致。在从机的host文件中配置主机的IP地址和名称即可进行主从机通信。在主机中运行程序，在从机上显示运行结果。

本实验对原Hector SLAM算法、使用ROS提供的hector_imu_attitude_to_tf的功能节点改进后的Hector SLAM算法和本文提出的基于EKF的改进Hector SLAM算法进行了对比实验。从地图生成结果方面来分析改进算法的性能和效果。

实验中对每种算法进行了多次实验，选择其中几幅有代表性的结果图进行展示。图3、图4、图5分别是原Hector SLAM算法、功能节点改进的Hector SLAM算法和基于EKF的改进Hector SLAM算法的实验结果。由于地图生成研究领域中没有固定标准指标来衡量一幅地图生成好坏，只能直观观察图片，分析细节来进行对比。

实验过程中，原Hector SLAM算法由于稳定性差，小车速度超过0.2m/s时由于车身晃动导致地图生成结果中错位现象高达80％。图3的结果是在小车最高速不超过0.2m/s的情况下得到的。即使如此，结果仍然很差。图3(a)中出现激光扫描端点坐标误差过大导致重新生成地图的现象。图3(b)与图3(c)虽然无错位现象，但地图中边界以及障碍物细节很粗糙。

图4与图5的实验中将最大车速设为0.5m/s。行驶过程中，保证安全同时刻意让小车走弧形路径，同时与桌子墙壁产生一些不大的擦碰来造成车身的倾斜震荡。图4的结果表明，IMU功能节点改进Hector SLAM算法实验虽有提升，但效果不大。图4(a)中右上角出现地图缺失，图4(b)的结果也差强人意，图4(c)出现与图3(a)中相同的问题。

图5是本发明提出的改进算法结果。图中无地图错位现象，房间边界检测完整，场景中障碍物信息也如实反映在地图中。在10次实验结果中，出现如图3(a)中重新生成地图现象的概率为0％。地图边界与障碍物信息清晰度也优于原Hector SLAM算法与IMU功能节点改进Hector SLAM算法。结合实验条件与实验结果可知，基于EKF的改进Hector SLAM算法改进效果显著，算法确实能解决Hector SLAM算法的不稳定性问题。

结合实验条件与实验结果可知，基于EKF的改进Hector SLAM算法改进效果显著，算法确实能解决Hector SLAM算法的不稳定性问题。

本发明提出的导航避障算法为融合A*与DWA的导航避障算法，在用于自动驾驶的导航避障算法的实验中，通过分析小车驾驶的路径长度方差、平均运行时间和碰撞次数进行计算从而实现对模型效果的评估。

在实验之前首先需要启动ROS中的相关节点，其中move base节点是一个必不可少的核心节点。它的主要功能是在导航过程中控制导航避障算法运行和调整小车运行速度。其功能主要是通过Costmap来实现。它会在原有地图的基础之上生成代价地图，在一定范围内实时更新激光雷达检测出的相关信息，将固定地图和实时地图相结合之后进行膨化处理。最后的路径规划就是在膨化处理过后的代价地图中进行的。

实验首先使小车与生成地图的原点进行对齐，在Rviz可视化界面中使用“2D PoseEstimate”进行微调。然后使用“2D Nav Goal”设定目标点，此时在界面中会出现一条绿色的路径，即为A*算法产生的全局路径。之后小车会沿着这条路径进行行驶，同时在安全范围内检测到障碍物时会使用DWA算法进行避障。实验中安全范围设定为0.6m。在每一次躲避障碍物之后，路径会重新在之前路径的基础上进行规划。最终小车在允许的误差范围内安全到达目标点，结束导航。为了保障小车行驶过程中的安全，小车行进过程的最大速度设定在0.5m/s。

实验中使用人作为移动的障碍物来对小车进行测试，初始，人在小车的正前方一段距离，当小车第一次绕过人之后，人从右侧走到小车前方，再次挡住小车。小车第二次成功躲避之后，人从小车左侧超过小车第三次挡在路径中。最后观察小车是否能够顺利到达终点，路径规划的状况如何。实验过程如图6和图7。图6中曲线是小车在动态避障过程中的运行轨迹，圆圈为每次小车避障时人所在的位置，圆圈之间的连线大致反映人移动的轨迹。

图7(a)中开始时人位于小车的正前方，小车从左边躲过。图7(c)中人第二次挡在小车前方，小车仍然成功躲避。图7(e)中人第三次挡在小车偏左处且距离小车较近，而此时的目标点设置在小车行进方向的右上方，算法此时仍然能够合理躲避人，并让小车朝着右边偏移使其更靠近目标点。

实验完成后，将10次动态环境导航避障的实验结果进行统计，并与实验团队实现的神经网络端到端的导航结果进行对比，结果如下表1所示。表1中结果表明，神经网络端到端的导航算法平均时间与路径规划长度均比本文的算法更短。但避障效果远不如本文的导航避障算法。分析其中原因可能为神经网络对避障的训练数据量欠缺。神经网络实现避障功能需要通过大量的数据去训练模型，并且障碍物形状的改变一定程度上也能影响神经网络避障的效率。本文算法避障效果明显优于神经网络，且路径长度与运行时间相比于神经网络提升了仅6.00％和9.87％。

表1

	平均路径长度	平均运行时间	碰撞次数(10次总计)
				本文设计的导航避障算法	14.3361m	23.3514s	2
神经网络端到端	13.5243m	21.2536s	23

综上所述，本方法设计的导航避障算法在动态环境中实验中效果良好。小车能够合理躲避环境中的移动障碍物并朝目标点前进，每次躲避障碍物的路径选择也会根据当前的环境因素和自身速度，距离目标点方向等因素综合考虑选择合理的方案。每次躲避障碍之后都会在原有路径基础上重新规划路径，也说明了本文融合导航避障算法的完备性和可修正性。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于自动驾驶平台上的地图生成与导航避障方法，其特征在于，所述方法包含以下步骤：

基于EKF的改进Hector SLAM的地图算法，获得小车驾驶的空间地图；

利用获得的空间地图，运用融合A*与DWA的导航避障算法获得小车在这张空间地图中驾驶过程中的路线规划；

通过实验评估和验证对地图生成算法和导航避障算法的效果。

2.根据权利要求1所述的一种基于自动驾驶平台上的地图生成与导航避障方法，其特征在于，所述基于EKF的改进Hector SLAM的地图算法，获得小车驾驶的空间地图具体为：

使用EKF对轮式里程计、惯性测量单元、激光雷达的数据进行融合，初始时刻时，对多传感器信息融合系统状态与协方差矩阵进行初始化；

在k时刻，第一个传感器观测状态修正后得到的系统状态量x¹(k)；将x¹(k)用于第二个传感器的状态修正中得到新的系统状态量x²(k)；最后第三个传感器使用x²(k)进行修正得到最终系统状态量x(k)；

使用EKF对Hector SLAM算法中的每时刻的位姿信息进行修正，使用里程计数据中的坐标(x,y)、偏移角yaw、仰俯角pitch来对坐标转换公式中的数据进行修正；直接使用原有数据与融合里程计数据进行线性组合的方式得到新的数据，利用修正完的信息更新栅格地图。

3.根据权利要求1所述的一种基于自动驾驶平台上的地图生成与导航避障方法，其特征在于，所述利用获得的空间地图，运用融合A*与DWA的导航避障算法获得小车在这张空间地图中驾驶过程中的路线规划具体为：

在小车启动时，利用A*算法规划出从起点到终点的路径，在小车行驶过程中使用激光雷达实时监测周围环境信息，如果在范围阈值内没有检测到障碍物时，小车将沿着A*算法规划出的路径行驶；

若激光雷达在范围阈值内检测到障碍物，则小车切换成DWA算法进行实时避障；当确认躲避障碍物之后，重新生成路径，并沿着路径前进，重复前两步，直至小车行驶到达目标点。

Images