CN111857160B - 一种无人车路径规划方法和装置 - Google Patents

一种无人车路径规划方法和装置 Download PDF

Info

Publication number
CN111857160B
CN111857160B CN202010827561.4A CN202010827561A CN111857160B CN 111857160 B CN111857160 B CN 111857160B CN 202010827561 A CN202010827561 A CN 202010827561A CN 111857160 B CN111857160 B CN 111857160B
Authority
CN
China
Prior art keywords
grid
track
repulsive force
vehicle
obstacle
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.)
Active
Application number
CN202010827561.4A
Other languages
English (en)
Other versions
CN111857160A (zh
Inventor
裴嘉政
李�浩
郑武贞
刘奋
罗跃军
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.)
Heading Data Intelligence Co Ltd
Original Assignee
Heading Data Intelligence 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 Heading Data Intelligence Co Ltd filed Critical Heading Data Intelligence Co Ltd
Priority to CN202010827561.4A priority Critical patent/CN111857160B/zh
Publication of CN111857160A publication Critical patent/CN111857160A/zh
Application granted granted Critical
Publication of CN111857160B publication Critical patent/CN111857160B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • 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, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例提供一种无人车路径规划方法和装置，通过对高精度地图信息进行分析，将地图栅格化后对每个栅格根据地图障碍物信息计算斥力，并将斥力作为搜索的代价，能有效提高混合A*算法的避障效率，生成的轨迹符合车辆动力学约束。同时使用梯度下降的算法对生成的轨迹进行平滑，最终输出最优轨迹。考虑车辆运动学约束，使得规划路径具备可行驶性；对每个网格计算势场，能够一定程度减少路径搜索的时间；势场法一定程度的增强了传感误差的容忍度，提高了路径规划的鲁棒性；为不同类别的障碍物分配不同的斥力等级，并且针对车道级道路边界宽度动态设置斥力权重；采用梯度下降平滑模块对生成的路径进行平滑，更加适合车辆行驶。

Description

一种无人车路径规划方法和装置
技术领域
本发明实施例涉及自动驾驶技术领域，尤其涉及一种无人车路径规划方法和装置。
背景技术
在自动驾驶车辆行驶过程中，路径规划是一个很重要的部分，无人驾驶车辆在行走过程中需要规划出能避开障碍物，同时又符合车辆动力学约束的轨迹，是路径跟踪控制等模块的基础。
传统路径规划算法中通常使用A*算法、势场法、RRT算法等，根据地图障碍物信息进行路径规划。这些算法都不考虑车辆动力学参数，生成的轨迹无法满足车辆动力学参数约束，因此自动驾驶车辆不一定能够按照既定轨迹稳态行驶。传统的混合A*算法在搜索的过程中会考虑车辆动力学，但是在搜索的过程中不考虑每个栅格的代价优先度，导致搜索效率低下，同时生成的轨迹也不够平滑。
发明内容
本发明实施例提供一种无人车路径规划方法和装置，通过对高精度地图信息进行分析，将地图栅格化后对每个栅格根据地图障碍物信息计算斥力，并将斥力作为搜索的代价，能有效提高混合A*算法的避障效率，生成的轨迹符合车辆动力学参数约束。
第一方面，本发明实施例提供一种无人车路径规划方法，包括：
提取高精度地图中道路的障碍物信息，并构建道路的栅格地图；
基于所述障碍物信息，利用人工势场法获取栅格地图中每个栅格的斥力系数，并基于所述斥力系数得到每个栅格的斥力权重；
获取栅格地图中的占用栅格和未占用栅格，所述占用栅格为存在障碍物的栅格，所述未占用栅格为不存在障碍物的栅格；若判断获知栅格的斥力权重大于预设斥力权重阈值，则判断栅格存在障碍物；
基于起点位置、终点位置、朝向和所述栅格地图，利用混合A*算法和车辆动力学参数进行车辆路径规划，生成车辆行驶轨迹。
进一步，还包括：
对生成的车辆行驶轨迹进行合理性检测，剔除车辆行驶轨迹中不合理的轨迹点并重新进行车辆路径规划。
进一步，还包括：
对生成的车辆行驶轨迹进行平滑处理，去掉车辆行驶轨迹中抖动的轨迹点。
进一步，提取高精度地图中道路的障碍物信息，并构建道路的栅格地图，具体包括：
获取起点位置和终点位置，并基于导航请求确定规划空间的范围；
从高精度地图中读取规划空间内障碍物元素的位置，所述障碍物元素包括车道级道路边界、路沿石、安全岛、交通护栏和杆状物；
将经纬度转换至通用横轴墨卡托格网系统UTM坐标系，以所述障碍物元素的最小坐标值为原点建立矩形，并基于矩形范围设定栅格分辨率，以所述栅格分辨率的数值为间隔延横纵轴进行切分，得到道路的栅格地图。
进一步，获取栅格地图中每个栅格的斥力系数，具体包括：
对不同的障碍物设置不同的初始斥力等级，其中，路沿石、交通护栏和杆状物为第一初始斥力等级，安全岛为第二初始斥力等级，车道级道路边界为第三初始斥力等级；所述第一初始斥力等级大于所述第二初始斥力等级，所述第二初始斥力等级大于第三初始斥力等级；
在行驶区域内引入势能函数使得障碍物对车辆产生斥力，终点位置对车辆产生引力；基于障碍物元素的位置获取每个栅格的斥力系数。
进一步，对生成的车辆行驶轨迹进行合理性检测，剔除车辆行驶轨迹中不合理的轨迹点并重新进行车辆路径规划，具体包括：
将车辆行驶轨迹作为待检测轨迹进行三次样条插值，以使待检测轨迹中的轨迹点密度不小于栅格地图的分辨率；
碰撞检测，检验三次样条插值后待检测轨迹的第一轨迹点的栅格占位状态，所述第一轨迹点为待检测轨迹中任一轨迹点；若判断获知栅格的斥力权重大于预设斥力权重阈值，则记录第一轨迹点的坐标，返回混合A*算法查找和所述第一轨迹点最近两个扩展轨迹点，在两个所述扩展轨迹点间的连接直线上选取中心点；
将所述第一轨迹点替换为所述中心点，并重复碰撞检测的步骤；
若判断获知待检测轨迹的所有轨迹点所在栅格均不存在障碍物，则输出合理车辆行驶轨迹。
进一步，对生成的车辆行驶轨迹进行平滑处理，去掉车辆行驶轨迹中按照既定轨迹稳态行驶的轨迹点，具体包括：
设定包括障碍物约束、平滑约束和曲率约束的目标函数，设置迭代总次数、学习率，及障碍物约束、平滑约束和曲率约束的约束权重；
对车辆行驶轨迹中每个轨迹点进行障碍物约束、平滑约束和曲率约束的梯度计算，其中，平滑约束和曲率约束的计算不包括起点位置和终点位置；
基于障碍物约束、平滑约束和曲率约束的预设权重获取使目标函数减小的总梯度值；
基于学习率和所述总梯度值获取轨迹点的修正量，基于修正量更新对应轨迹点的位置。
第二方面，本发明实施例提供一种无人车路径规划装置，包括：
高精度地图处理模块，用于提取高精度地图中道路的障碍物信息，并构建道路的栅格地图；
障碍物提取模块，基于所述障碍物信息，利用人工势场法获取栅格地图中每个栅格的斥力系数，并基于所述斥力系数得到每个栅格的斥力权重；
获取栅格地图中的占用栅格和未占用栅格，所述占用栅格为存在障碍物的栅格，所述未占用栅格为不存在障碍物的栅格；若判断获知栅格的斥力权重大于预设斥力权重阈值，则判断栅格存在障碍物；
车辆路径规划模块，用于基于起点位置、终点位置、朝向和所述栅格地图，利用混合A*算法和车辆动力学参数进行车辆路径规划。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明第一方面实施例所述无人车路径规划方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如本发明第一方面实施例所述无人车路径规划方法的步骤。
本发明实施例提供的一种无人车路径规划方法和装置，通过对高精度地图信息进行分析，将地图栅格化后对每个栅格根据地图障碍物信息计算斥力，并将斥力作为搜索的代价，能有效提高混合A*的避障效率，生成的轨迹符合车辆动力学参数。同时使用梯度下降的算法对生成的轨迹进行平滑，最终输出最优轨迹。考虑车辆运动学学约束，使得规划路径具备可行驶性；对每个网格计算势场，能够一定程度减少路径搜索的时间；势场法增强了规划路径的安全性；势场法一定程度的增强了传感误差的容忍度，提高了路径规划的鲁棒性；利用高精地图元素丰富的优势，为不同类别的障碍物分配不同的斥力等级，并且针对车道级道路边界宽度动态斥力权重；采用梯度下降平滑模块对生成的路径进行平滑，更加适合车辆行驶。
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，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明实施例提供的无人车路径规划方法流程框图；
图2为本发明实施例提供的无人车路径规划方法具体流程图；
图3为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
传统路径规划算法中通常使用A*算法、势场法、RRT算法等，根据地图障碍物信息进行路径规划。这些算法都不考虑车辆动力学参数，生成的轨迹无法满足车辆动力学参数因此自动驾驶车辆不一定能够行驶。传统的混合A*算法在搜索的过程中会考虑车辆动力学，但是在搜索的过程中不考虑每个栅格的代价优先度，同时生成的轨迹也不够平滑。
针对现有技术的上述问题，本发明实施例提供一种无人车路径规划方法，通过对高精度地图信息进行分析，将地图栅格化后对每个栅格根据地图障碍物信息计算斥力，并将斥力作为搜索的代价，能有效提高混合A*的避障效率，生成的轨迹符合车辆动力学参数。同时使用梯度下降的算法对生成的轨迹进行平滑，最终输出最优轨迹。参见图1，该方法包括但不限于如下步骤：
步骤S1、提取高精度地图中道路的障碍物信息，并构建道路的栅格地图；
步骤S2、基于所述障碍物信息，利用人工势场法获取栅格地图中每个栅格的斥力系数，并基于所述斥力系数得到每个栅格的斥力权重；
步骤S3、获取栅格地图中的占用栅格和未占用栅格，所述占用栅格为存在障碍物的栅格，所述未占用栅格为不存在障碍物的栅格；若判断获知栅格的斥力权重大于预设斥力权重阈值，则判断栅格存在障碍物；
步骤S4、基于起点位置、终点位置、朝向和所述栅格地图，利用混合A*算法和车辆动力学参数进行车辆路径规划，生成车辆行驶轨迹。
自动驾驶汽车，又称无人驾驶汽车、电脑驾驶汽车或者轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能汽车。自动驾驶汽车是通过视频摄像头、雷达传感器以及激光测距器来了解汽车行驶过程中周围的交通状况，并通过本地高精度地图对前方的道路进行导航。
需要说明的是，适用于自动驾驶汽车的高精度地图，不同于日常生活中用于导航的普通电子地图。高精度地图包含的数据信息更加丰富和详细，可以划分为动、静两方面的数据信息。其中，静态数据信息不仅包括基础性的二维道路数据，如车道标记、周边基础设施等，也涵盖了交通管制、道路施工、广域气象等准静态数据。其中，动态数据信息，包括事故、道路拥堵情况以及周边车辆、行人及信号灯等瞬息万变的动态信息数据。此外，不同于普通地图几个月甚至几年更新一次，高精度地图必须保持分钟级、乃至秒级的更新速度。而且，与普通的电子地图相比，高精度地图的定位精准度更高。例如，目前在手机上使用的GNSS导航，其精准度一般在5至10米范围内，即使搭载差分源信号，在楼宇密集地区或地下隧道等场景下也易出现多普勒效应或丢星现象导致定位误差急剧增大。而要满足L3及以上的自动驾驶技术等级，通常需要分米级以上的定位精度，由此能稳定提供厘米级定位的高精度地图在近些年便被广泛推广。
人工势场法路径规划是一种虚拟力法。它的基本思想是将车辆在周围环境中的运动，设计成一种抽象的人造引力场中的运动，目标点对移动车辆产生“引力”，障碍物对移动车辆产生“斥力”，最后通过求合力来控制移动车辆的运动。应用势场法规划出来的路径一般是比较平滑并且安全。
A*算法，A*(A-Star)算法是一种静态路网中求解最短路径最有效的直接搜索方法，也是解决许多搜索问题的有效算法。算法中的距离估算值与实际值越接近，最终搜索速度越快。
图2为本发明实施例提供的无人车路径规划方法具体流程图，参照图1和图2，具体的，本实施例中，通过对高精度地图信息进行分析，将地图栅格化后对每个栅格根据地图障碍物信息计算斥力，并将斥力作为搜索的代价，能有效提高混合A*的避障效率，生成的轨迹符合车辆动力学约束。同时使用梯度下降的算法对生成的轨迹进行平滑，最终输出最优轨迹。考虑车辆运动学约束，使得规划路径具备可行驶性；对每个网格计算势场，能够一定程度减少路径搜索的时间；势场法增强了规划路径的安全性；势场法一定程度的增强了传感误差的容忍度，提高了路径规划的鲁棒性；利用高精地图元素丰富的优势，为不同类别的障碍物分配不同的斥力等级，并且针对车道级道路边界宽度动态斥力权重；采用梯度下降平滑模块对生成的路径进行平滑，更加适合车辆行驶。
具体的，利用混合A*算法，结合车辆动力学参数进行轨迹规划，以下为具体步骤：
步骤1：获取起点位置和终点位置和朝向；
步骤2：根据起点位置获取高精度地图完成栅格化，并根据以上方法对每个栅格计算斥力权重；
步骤3：设置斥力权重阈值，如栅格斥力权重大于此阈值，则判定该栅格存在障碍物；
步骤4：依据车辆的动力学约束生成可行驶运动基元；
步骤5：创建两个储存节点的列表：OpenList列表和CloseList列表；
步骤6：将起点确定为当前点，并放入CloseList列表中；
步骤7：使用运动基元对当前点进行扩展搜索，获得多个扩展节点，判断扩展节点是否在一定误差范围内满足终点位置和航向要求，如是则结束搜索，跳向步骤14；否则进入步骤8；
步骤8：确定扩展节点占据栅格的斥力权重，对每个扩展节点进行碰撞检测，如判定扩展节点占据栅格存在障碍物，则舍弃该节点，否则进入步骤9；
步骤9：计算当前点到扩展节点的代价值g，将斥力权重与原g值的乘积作为新的代价值，并对g值更新；
步骤10：计算扩展节点到终点的代价值h，将g与h的和记录为总代价值f，且确定当前点为扩展节点的父节点；
步骤11：判断扩展节点是否存在于OpenList列表中，如不在，则添加进OpenList列表中，如在，则更新对应的三个代价值与父节点；
步骤12：将当前点放入CloseList列表中；
步骤13：如OpenList列表中仍存在节点，选择f值最小的节点为下一个当前点，跳向步骤7进行下一次搜索；
步骤14：在CloseList列表中根据父节点逆向回溯获得规划路径点(即轨迹点)，得到规划的行驶轨迹。
在一个实施例中，无人车路径规划方法还包括：
对生成的车辆行驶轨迹进行合理性检测，剔除车辆行驶轨迹中不合理的轨迹点并重新进行车辆路径规划。
具体的，由于使用HybridA star算法进行路径搜索时，已经删除了扩展到障碍物所占栅格的节点，因此搜索而得的路径是可行驶的。但是对搜索路径进行轨迹优化时，优化后的轨迹存在碰触到障碍物的可能性，因此在进行轨迹优化后有必要进行碰撞检测，剔除车辆行驶轨迹中不合理的轨迹点并重新进行车辆路径规划。
在一个实施例中，还包括：
对生成的车辆行驶轨迹进行平滑处理，去掉车辆行驶轨迹中按照既定轨迹稳态行驶的轨迹点。
在一个实施例中，提取高精度地图中道路的障碍物信息，并构建道路的栅格地图，具体包括：
获取起点位置和终点位置，并基于导航请求确定规划空间的范围；
从高精度地图中读取规划空间内障碍物元素的位置，所述障碍物元素包括车道级道路边界、路沿石、安全岛、交通护栏和杆状物；
将经纬度转换至通用横轴墨卡托格网系统UTM坐标系，以所述障碍物元素的最小坐标值为原点建立矩形，并基于矩形范围设定栅格分辨率，以所述栅格分辨率的数值为间隔延横纵轴进行切分，得到道路的栅格地图。
在测绘(例如高精度地图的绘制)和导航(例如无人车的导航)中，两点间的相对位置的比较和距离的计算往往建立在投影平面坐标系中，然而GNSS定位系统较多使用地心地固坐标系(ECEF坐标系)，WGS84坐标系即为其中一种，故首先需完成两种坐标系的单位转换(经纬度到米)。通用横墨卡托格网系统(Universal Transverse Mercartor Grid System，UTM)坐标系，是一种平面直角坐标,这种坐标格网系统及其所依据的投影已经广泛用于地形图中，同时作为卫星影像和自然资源数据库的参考格网被应用于各行各业的精确定位。UTM的基本思想是把椭球形的地图面按照小的区块展开，投影到一个曲面(圆柱面或椭球柱面)上，曲面再次展开铺成平面，进而构成平面直角坐标系。
具体的，在本实施例中，对高精度地图数据进行解析，获取其中的道路边界及障碍物信息，构建占位栅格地图，对每个栅格的属性进行分类；其中，栅格存在两种状态；占用或未占用。栅格划分的步骤包括：
确定起终点，并发出导航请求；
根据导航请求信息，确定规划空间的范围；
从高精度地图读取规划空间内的车道级道路边界、路沿石、安全岛、交通护栏和杆状物的位置；
将经纬度转换至UTM平面坐标系，以上述高精地图元素的最小坐标值作为原点建立矩形；
为上述矩形范围设定栅格分辨率，并以分辨率的数值为间隔沿横轴纵轴进行切分。
在一个实施例中，利用人工势场法获取栅格地图中每个栅格的斥力系数，具体包括：
对不同的障碍物设置不同的初始斥力等级，其中，路沿石、交通护栏和杆状物为第一初始斥力等级，安全岛为第二初始斥力等级，车道级道路边界为第三初始斥力等级；所述第一初始斥力等级大于所述第二初始斥力等级，所述第二初始斥力等级大于第三初始斥力等级；
在行驶区域内引入势能函数使得障碍物对车辆产生斥力，终点位置对车辆产生引力；基于障碍物元素的位置获取每个栅格的斥力系数。
具体的，在本实施例中，对栅格化后的栅格根据障碍物信息计算每个栅格的斥力系数，对每个栅格计算权重；具体包括：
针对不同的障碍物类型设置不同的初始斥力等级，其中路沿石、交通护栏和杆状物为同一初始斥力等级，安全岛的初始斥力等级次之，车道级道路边界的初始斥力等级最低，在需满足如下公式：
Figure BDA0002636779080000111
其中WL表示车道宽度，WV表示车辆宽度，k0表示车道边界的初始斥力等级，因此，车道级道路边界的斥力等级kL在初始斥力等级的基础上随着车辆宽度对车道宽度占比的增大而减小。
势场法，把构型空间比作一个电势场平面，无人车比作空间中一点。如果让无人车的起点和障碍物带正电荷，终点带负电荷，无人车带正电荷。由于同性电荷相斥，异性电荷相吸的原理，无人车将会在电场力的作用下沿着某条路径向终点移动，并避开带正电荷的障碍物。
本实施例中，在可行驶区域内引入势能函数使得障碍物对车辆产生斥力，让终点对车辆产生引力，且栅格的斥力权重越小，表明越远离障碍物边界；可行驶区域即为根据导航请求信息，确定的规划空间。
在一个实施例中，对生成的车辆行驶轨迹进行合理性检测，剔除车辆行驶轨迹中不合理的轨迹点并重新进行车辆路径规划，具体包括：
将车辆行驶轨迹作为待检测轨迹进行三次样条插值，以使待检测轨迹中的轨迹点密度不小于栅格地图的分辨率；
碰撞检测，检验三次样条插值后待检测轨迹的第一轨迹点的栅格占位状态，所述第一轨迹点为待检测轨迹中任一轨迹点；若判断获知栅格的斥力权重大于预设斥力权重阈值，则记录第一轨迹点的坐标，返回混合A*算法查找和所述第一轨迹点最近两个扩展轨迹点，在两个所述扩展轨迹点间的连接直线上选取中心点；
将所述第一轨迹点替换为所述中心点，并重复碰撞检测的步骤；
若判断获知待检测轨迹的所有轨迹点所在栅格均不存在障碍物，则输出合理车辆行驶轨迹。
三次样条插值(Cubic Spline Interpolation)简称Spline插值，是通过一系列形值点的一条光滑曲线，数学上通过求解三弯矩方程组得出曲线函数组的过程。
具体的，在本实施例中，对生成的轨迹进行检查，包括一些不合理的情况，剔除不合理的路径并进行重新规划，直到通过检测；
合理性检测的步骤包括：
由于使用HybridA star算法进行路径搜索时，已经删除了扩展到障碍物所占栅格的节点，因此搜索而得的路径是可行驶的。但是对搜索路径进行轨迹优化时，优化后的轨迹存在碰触到障碍物的可能性，因此在进行轨迹优化后有必要进行碰撞检测。具体步骤如下：
将待检测轨迹进行三次样条插值，目的是令轨迹点的密度至少等于栅格地图分辨率；
检验插值后的轨迹点的栅格占位状态，如该栅格的斥力权重大于设定阈值，则认为该栅格存在障碍物，则记录下点的坐标，并返回混合A星查找和该点最接近的两个点，在两点间的直线上选取中心点，针对前点和中心点重新进行轨迹优化，并重复执行轨迹碰撞检测操作；
如整条轨迹点所处栅格均不存在障碍物，则将该条轨迹输出；
重新规划仅表示路径搜索或轨迹优化程序的再次调用。
在一个实施例中，对生成的车辆行驶轨迹进行平滑处理，去掉车辆行驶轨迹中按照既定轨迹稳态行驶的轨迹点，具体包括：
设定包括障碍物约束、平滑约束和曲率约束的目标函数，设置迭代总次数、学习率，及障碍物约束、平滑约束和曲率约束的约束权重；
对车辆行驶轨迹中每个轨迹点进行障碍物约束、平滑约束和曲率约束的梯度计算，其中，平滑约束和曲率约束的计算不包括起点位置和终点位置；
基于障碍物约束、平滑约束和曲率约束的预设权重获取使目标函数减小的总梯度值；
基于学习率和所述总梯度值获取轨迹点的修正量，基于修正量更新对应轨迹点的位置。
基于设置的迭代总次数迭代后，获得最终平滑的轨迹。
具体的，在本实施例中，对生成的路径进行平滑，去掉抖动的点，使轨迹更加平滑。
对于HybridA star规划而得的路径，确定由障碍物约束、平滑约束及曲率约束三项共同组成的目标函数；
步骤1：设置迭代总次数、学习率及各项约束权重；
步骤2：对路径中每个点进行各项约束的梯度计算，其中平滑约束及曲率约束计算不包括起始点和终止点；
步骤3：根据各项约束的权重计算使得目标函数减小的总梯度值；
步骤4：根据学习率与目标函数总梯度值计算当前点的修正量，并更新当前点位置；
步骤5：如当前迭代次数小于迭代总次数，则重复步骤3至步骤5，否则优化结束，获得优化路径。
本发明实施例还提供一种无人车路径规划装置，基于上述各实施例中的无人车路径规划方法，包括：
高精度地图处理模块，用于提取高精度地图中道路的障碍物信息，并构建道路的栅格地图；
障碍物提取模块，基于所述障碍物信息，利用人工势场法获取栅格地图中每个栅格的斥力系数，并基于所述斥力系数得到每个栅格的斥力权重；
获取栅格地图中的占用栅格和未占用栅格，所述占用栅格为存在障碍物的栅格，所述未占用栅格为不存在障碍物的栅格；若判断获知栅格的斥力权重大于预设斥力权重阈值，则判断栅格存在障碍物；
车辆路径规划模块，用于基于起点位置、终点位置、朝向和所述栅格地图，利用混合A*算法和车辆动力学参数进行车辆路径规划。
基于相同的构思，本发明实施例还提供了一种电子设备实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令，以执行如下方法：
提取高精度地图中道路的障碍物信息，并构建道路的栅格地图；
基于所述障碍物信息，利用人工势场法获取栅格地图中每个栅格的斥力系数，并基于所述斥力系数得到每个栅格的斥力权重；
获取栅格地图中的占用栅格和未占用栅格，所述占用栅格为存在障碍物的栅格，所述未占用栅格为不存在障碍物的栅格；若判断获知栅格的斥力权重大于预设斥力权重阈值，则判断栅格存在障碍物；
基于起点位置、终点位置、朝向和所述栅格地图，利用混合A*算法和车辆动力学参数进行车辆路径规划，生成车辆行驶轨迹。
基于相同的构思，本发明实施例还提供一种非暂态计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包含至少一段代码，该至少一段代码可由主控设备执行，以控制主控设备用以实现如上述各实施例所述无人车路径规划方法的步骤。例如包括：
提取高精度地图中道路的障碍物信息，并构建道路的栅格地图；
基于所述障碍物信息，利用人工势场法获取栅格地图中每个栅格的斥力系数，并基于所述斥力系数得到每个栅格的斥力权重；
获取栅格地图中的占用栅格和未占用栅格，所述占用栅格为存在障碍物的栅格，所述未占用栅格为不存在障碍物的栅格；若判断获知栅格的斥力权重大于预设斥力权重阈值，则判断栅格存在障碍物；
基于起点位置、终点位置、朝向和所述栅格地图，利用混合A*算法和车辆动力学参数进行车辆路径规划，生成车辆行驶轨迹。
基于相同的技术构思，本申请实施例还提供一种计算机程序，当该计算机程序被主控设备执行时，用以实现上述方法实施例。
所述程序可以全部或者部分存储在与处理器封装在一起的存储介质上，也可以部分或者全部存储在不与处理器封装在一起的存储器上。
基于相同的技术构思，本申请实施例还提供一种处理器，该处理器用以实现上述方法实施例。上述处理器可以为芯片。
综上所述，本发明实施例提供的一种无人车路径规划方法和装置，通过对高精度地图信息进行分析，将地图栅格化后对每个栅格根据地图障碍物信息计算斥力，并将斥力作为搜索的代价，能有效提高混合A*的避障效率，生成的轨迹符合车辆动力学参数。同时使用梯度下降的算法对生成的轨迹进行平滑，最终输出最优轨迹。考虑车辆运动学学约束，使得规划路径具备可行驶性；对每个网格计算势场，能够一定程度减少路径搜索的时间；势场法增强了规划路径的安全性；势场法一定程度的增强了传感误差的容忍度，提高了路径规划的鲁棒性；利用高精地图元素丰富的优势，为不同类别的障碍物分配不同的斥力等级，并且针对车道级道路边界宽度动态斥力权重；采用梯度下降平滑模块对生成的路径进行平滑，更加适合车辆行驶。
本发明的各实施方式可以任意进行组合，以实现不同的技术效果。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidStateDisk)等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种无人车路径规划方法，其特征在于，包括：
提取高精度地图中道路的障碍物信息，并构建道路的栅格地图；
基于所述障碍物信息，利用人工势场法获取栅格地图中每个栅格的斥力系数，并基于所述斥力系数得到每个栅格的斥力权重；
获取栅格地图中的占用栅格和未占用栅格，所述占用栅格为存在障碍物的栅格，所述未占用栅格为不存在障碍物的栅格；若判断获知栅格的斥力权重大于预设斥力权重阈值，则判断栅格存在障碍物；其中，利用人工势场法获取栅格地图中每个栅格的斥力系数，具体包括：对不同的障碍物设置不同的初始斥力等级，其中，路沿石、交通护栏和杆状物为第一初始斥力等级，安全岛为第二初始斥力等级，车道级道路边界为第三初始斥力等级；所述第一初始斥力等级大于所述第二初始斥力等级，所述第二初始斥力等级大于第三初始斥力等级；在行驶区域内引入势能函数使得障碍物对车辆产生斥力，终点位置对车辆产生引力；基于障碍物元素的位置获取每个栅格的斥力系数；
基于起点位置、终点位置、朝向和所述栅格地图，利用混合A*算法和车辆动力学参数进行车辆路径规划，生成车辆行驶轨迹；
所述无人车路径规划方法还包括：对生成的车辆行驶轨迹进行合理性检测，剔除车辆行驶轨迹中不合理的轨迹点并重新进行车辆路径规划；
其中，对生成的车辆行驶轨迹进行合理性检测，剔除车辆行驶轨迹中不合理的轨迹点并重新进行车辆路径规划，具体包括：
将车辆行驶轨迹作为待检测轨迹进行三次样条插值，以使待检测轨迹中的轨迹点密度不小于栅格地图的分辨率；
碰撞检测，检验三次样条插值后待检测轨迹的第一轨迹点的栅格占位状态，所述第一轨迹点为待检测轨迹中任一轨迹点；若判断获知栅格的斥力权重大于预设斥力权重阈值，则记录第一轨迹点的坐标，返回混合A*算法查找和所述第一轨迹点最近两个扩展轨迹点，在两个所述扩展轨迹点间的连接直线上选取中心点；
将所述第一轨迹点替换为所述中心点，并重复碰撞检测的步骤；
若判断获知待检测轨迹的所有轨迹点所在栅格均不存在障碍物，则输出合理车辆行驶轨迹。
2.根据权利要求1所述的无人车路径规划方法，其特征在于，还包括：
对生成的车辆行驶轨迹进行平滑处理，去掉车辆行驶轨迹中不利于车辆稳态行驶的轨迹点。
3.根据权利要求1所述的无人车路径规划方法，其特征在于，提取高精度地图中道路的障碍物信息，并构建道路的栅格地图，具体包括：
获取起点位置和终点位置，并基于导航请求确定规划空间的范围；
从高精度地图中读取规划空间内障碍物元素的位置，所述障碍物元素包括车道级道路边界、路沿石、安全岛、交通护栏和杆状物；
将经纬度转换至通用横轴墨卡托格网系统UTM坐标系，以所述障碍物元素的最小坐标值为原点建立矩形，并基于矩形范围设定栅格分辨率，以所述栅格分辨率的数值为间隔延横纵轴进行切分，得到道路的栅格地图。
4.根据权利要求2所述的无人车路径规划方法，其特征在于，对生成的车辆行驶轨迹进行平滑处理，去掉车辆行驶轨迹中不利于车辆稳态行驶的轨迹点，具体包括：
设定包括障碍物约束、平滑约束和曲率约束的目标函数，设置迭代总次数、学习率，及障碍物约束、平滑约束和曲率约束的约束权重；
对车辆行驶轨迹中每个轨迹点进行障碍物约束、平滑约束和曲率约束的梯度计算，其中，平滑约束和曲率约束的计算不包括起点位置和终点位置；
基于障碍物约束、平滑约束和曲率约束的预设权重获取使目标函数减小的总梯度值；
基于学习率和所述总梯度值获取轨迹点的修正量，基于修正量更新对应轨迹点的位置；
基于设置的迭代总次数迭代后，获得最终平滑优化轨迹。
5.一种无人车路径规划装置，所述无人车路径规划装置用于实现如权利要求1至4任一项所述无人车路径规划方法的步骤，其特征在于，包括：
高精度地图处理模块，用于提取高精度地图中道路的障碍物信息，并构建道路的栅格地图；
障碍物提取模块，基于所述障碍物信息，利用人工势场法获取栅格地图中每个栅格的斥力系数，并基于所述斥力系数得到每个栅格的斥力权重；
获取栅格地图中的占用栅格和未占用栅格，所述占用栅格为存在障碍物的栅格，所述未占用栅格为不存在障碍物的栅格；若判断获知栅格的斥力权重大于预设斥力权重阈值，则判断栅格存在障碍物；
车辆路径规划模块，用于基于起点位置、终点位置、朝向和所述栅格地图，利用混合A*算法和车辆动力学参数进行车辆路径规划。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述无人车路径规划方法的步骤。
7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一项所述无人车路径规划方法的步骤。
CN202010827561.4A 2020-08-17 2020-08-17 一种无人车路径规划方法和装置 Active CN111857160B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010827561.4A CN111857160B (zh) 2020-08-17 2020-08-17 一种无人车路径规划方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010827561.4A CN111857160B (zh) 2020-08-17 2020-08-17 一种无人车路径规划方法和装置

Publications (2)

Publication Number Publication Date
CN111857160A CN111857160A (zh) 2020-10-30
CN111857160B true CN111857160B (zh) 2023-06-02

Family

ID=72970237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010827561.4A Active CN111857160B (zh) 2020-08-17 2020-08-17 一种无人车路径规划方法和装置

Country Status (1)

Country Link
CN (1) CN111857160B (zh)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11873004B2 (en) 2020-10-31 2024-01-16 Huawei Technologies Co., Ltd. Method and system for motion planning for an autonmous vehicle
CN112212874B (zh) * 2020-11-09 2022-09-16 福建牧月科技有限公司 车辆轨迹预测方法、装置、电子设备及计算机可读介质
CN113758484A (zh) * 2020-11-30 2021-12-07 北京京东乾石科技有限公司 路径规划方法和装置
CN112762950B (zh) * 2020-12-15 2022-11-11 浙江大学 基于人工势场引导的Hybrid A*自主泊车路径规划方法
CN112987724B (zh) * 2021-02-04 2023-05-02 京东科技信息技术有限公司 路径优化方法、装置、机器人及存储介质
CN113012457B (zh) * 2021-02-18 2022-06-07 湖南国科微电子股份有限公司 一种地下车库的导航停车方法、装置、设备及介质
CN113009912A (zh) * 2021-02-20 2021-06-22 中国重汽集团济南动力有限公司 一种基于混合a星的低速商用无人车路径规划算法
CN113085895B (zh) * 2021-04-19 2022-07-22 陕西理工大学 车辆换道轨迹规划方法、装置、设备、存储介质及车辆
CN115246416B (zh) * 2021-05-13 2023-09-26 上海仙途智能科技有限公司 轨迹预测方法、装置、设备及计算机可读存储介质
CN113359755A (zh) * 2021-06-28 2021-09-07 暨南大学 一种循迹运输车辆的调度系统及方法
CN113359758A (zh) * 2021-06-30 2021-09-07 山东新一代信息产业技术研究院有限公司 一种基于人工势场法的环境代价地图生成方法及系统
CN113759400B (zh) * 2021-08-04 2024-02-27 江苏怀业信息技术股份有限公司 卫星定位轨迹的平滑化方法和装置
CN113682318B (zh) * 2021-09-30 2022-09-06 阿波罗智能技术(北京)有限公司 车辆行驶控制方法及装置
CN114234987A (zh) * 2021-11-05 2022-03-25 河北汉光重工有限责任公司 离线电子地图随无人车动态轨迹自适应平滑调整方法
CN113741179B (zh) * 2021-11-08 2022-03-25 北京理工大学 一种面向异构车辆的统一运动规划方法和系统
CN114237061A (zh) * 2021-12-10 2022-03-25 珠海格力电器股份有限公司 设备控制方法、装置、非易失性存储介质及智能网关
CN114355909A (zh) * 2021-12-22 2022-04-15 的卢技术有限公司 一种路径规划的方法、装置、计算机设备和存储介质
CN114281084B (zh) * 2021-12-28 2023-02-21 太原市威格传世汽车科技有限责任公司 一种基于改进a*算法的智能车全局路径规划方法
CN114407919B (zh) * 2021-12-31 2023-06-02 武汉中海庭数据技术有限公司 一种基于自动驾驶的碰撞检测方法及系统
CN114460936B (zh) * 2022-01-13 2024-04-02 华中科技大学 基于离线增量学习的自动驾驶汽车路径规划方法及系统
CN114475657A (zh) * 2022-02-23 2022-05-13 北京百度网讯科技有限公司 自动驾驶车辆的控制方法、装置和电子设备
CN114779766B (zh) * 2022-04-07 2023-05-30 北京理工大学重庆创新中心 一种自主避障陆空两栖装置及其控制方法
CN114511044B (zh) * 2022-04-18 2022-06-28 新石器慧通（北京）科技有限公司 无人车通行控制方法及装置
CN115060279B (zh) * 2022-06-08 2024-04-16 合众新能源汽车股份有限公司 路径规划方法、装置、电子设备和计算机可读介质
CN115097857B (zh) * 2022-07-18 2024-04-30 浙江大学 复杂环境下考虑旋翼无人机外形的实时轨迹规划方法
CN115046557B (zh) * 2022-08-11 2022-11-01 合肥井松智能科技股份有限公司 一种结合b样条曲线和a星算法的agv路径规划方法
CN115200604B (zh) * 2022-09-16 2023-05-16 广州小鹏自动驾驶科技有限公司 转弯路径规划方法、设备、车辆及存储介质
CN116147654B (zh) * 2023-04-19 2023-07-25 广东工业大学 一种基于离线路径库的路径规划方法
CN117333626B (zh) * 2023-11-28 2024-04-26 深圳魔视智能科技有限公司 图像采样数据获取方法、装置、计算机设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107037812A (zh) * 2017-03-31 2017-08-11 南京理工大学 一种基于仓储无人车的车辆路径规划方法
CN107357293A (zh) * 2017-07-31 2017-11-17 上海应用技术大学 移动机器人路径规划方法和系统
CN108253984A (zh) * 2017-12-19 2018-07-06 昆明理工大学 一种基于改进a星算法的移动机器人路径规划方法
CN109945873B (zh) * 2019-04-04 2022-07-15 东南大学 一种用于室内移动机器人运动控制的混合路径规划方法
CN110553660B (zh) * 2019-08-31 2023-03-24 武汉理工大学 一种基于a*算法和人工势场的无人车轨迹规划方法

Also Published As

Publication number Publication date
CN111857160A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111857160B (zh) 一种无人车路径规划方法和装置
US20240085922A1 (en) Trajectory selection for an autonomous vehicle
CN109839935B (zh) 多agv的路径规划方法及设备
CN112212874B (zh) 车辆轨迹预测方法、装置、电子设备及计算机可读介质
JP6197393B2 (ja) レーン地図生成装置及びプログラム
Schreier et al. Compact representation of dynamic driving environments for ADAS by parametric free space and dynamic object maps
CN114440916B (zh) 一种导航方法、装置、设备及存储介质
CN111680747A (zh) 用于占据栅格子图的闭环检测的方法和装置
EP4177570A1 (en) Standard-definition to high-definition navigation route determination
Schreier et al. From grid maps to parametric free space maps—A highly compact, generic environment representation for ADAS
CN114371703A (zh) 一种无人车轨迹预测方法及装置
CN113178091B (zh) 安全行驶区域方法、装置和网络设备
Zipfl et al. Relation-based motion prediction using traffic scene graphs
Awang Salleh et al. Longitudinal error improvement by visual odometry trajectory trail and road segment matching
CN115230688B (zh) 障碍物轨迹预测方法、系统和计算机可读存储介质
CN114631124A (zh) 三维点云分割方法和装置、可移动平台
EP4270352A1 (en) Controlling a future traffic state on a road segment
CN115577314A (zh) 一种基于多传感器信息融合的智能汽车协作控制系统
US20220036173A1 (en) Systems and methods for corridor intent prediction
CN114556419A (zh) 三维点云分割方法和装置、可移动平台
Barsi et al. Offline path planning of automated vehicles for slow speed maneuvering
WO2004100106A1 (en) Method and apparatus for displaying map for navigation
CN110686693A (zh) 封闭场景内路网信息的构建方法
Kreibich et al. Lane-level matching algorithm based on GNSS, IMU and map data
CN114322987B (zh) 一种构建高精地图的方法及装置

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