CN111982142A - 一种基于改进a星算法的智能车全局路径规划方法 - Google Patents
一种基于改进a星算法的智能车全局路径规划方法 Download PDFInfo
- Publication number
- CN111982142A CN111982142A CN202010763228.1A CN202010763228A CN111982142A CN 111982142 A CN111982142 A CN 111982142A CN 202010763228 A CN202010763228 A CN 202010763228A CN 111982142 A CN111982142 A CN 111982142A
- Authority
- CN
- China
- Prior art keywords
- point
- path planning
- intelligent vehicle
- improved
- star 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
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
- G05D1/02—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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于改进A星算法的智能车全局路径规划方法,包括如下步骤:本发明将室外特定区域停车场划分为网格,每个网格中心视为一个控制点,将所有控制点放入L集并编号,根据空间状态初始化各控制点初始权重矩阵OM,自动确定起点、手动选择目标终点,动态识别障碍物;然后根据改进A星算法的智能车全局路径规划方法,规划出全局最优的路径;在用户界面显示可行驶路径,进行路口信息、减速、转向等安全性提示。本发明解决了智能车辆路径规划不能高效规划最短路径问题,完成室外停车场最短路径规划和全局路径避障的综合行驶的目标,且路口信息、减速、转向等安全性提醒,本发明直观明了,功能完善,可适用于大多数场景路径规划。
Description
技术领域
本发明涉及智能车辆路径规划技术领域,尤其是涉及一种基于改进A星算法的智能车全局路径规划方法。
背景技术
智能驾驶汽车是通过车载传感器,通过车周环境重建,获取当前位置和环境信息,自动规划出可以到达目标点位,智能驾驶汽车是人工智能、计算机视觉、控制工程、算法融合等多学科为一体的技术,代表着科研实力水平和工业水平发展,在国内有着广泛的用途和发展前景。路径规划技术是智能驾驶研究中的重要研究方向,其主要目的是让智能车能够快速而高效地通过障碍物,以达到安全高效。
室外停车场路径规划导航,当前停车场大多数多而大,当用户行驶至车库时,需要寻求车位信息,在车辆拥堵且可用的停车位较少时,需要花费驾驶员大量时间寻找车位,同时考虑大量车主情况,将会出现交通拥挤的情况,合理规划出一条最佳路径,可减少车辆违停的现象,维护交通秩序安全等。
A星算法是一个经典的路径规划算法,在路径规划算法中应用概率较高。该算法通过在所给定地图信息,循环遍历周围节点信息来找寻最佳路径的,其算法具有很好的稳定性。但由于A星算法根据所给的地图信息和对节点的遍历,会消耗大量的计算时间,同时较难实现全局最优化设计实时性不好且不能应对新出现障碍物等问题。改进后的A星算法可执行效率高,计算量小,能较好地用于室外停车场自主引导泊车系统路径规划中。
发明内容
本发明为解决上述问题与不足,使智能驾驶车辆顺利绕开障碍物,减少搜索时间和运算内存,实现高效的最短路径规划,在室外停车场实现高效自主引导泊车,且在路径转向处,可弹出提示信息,本文提出一种基于改进A星算法的智能车全局路径规划方法。
本发明至少通过如下技术方案之一实现。
一种基于改进A星算法的智能车全局路径规划方法,其特征在于,包括以下步骤:
步骤一、在室外停车场路网路段中,将搜索区域划分为多个网格,每个网格中心视为控制点,确定起点、目标点、障碍物点;
步骤二、根据路网信息,创建初始权重ORM;
步骤三、初始化O集、C集、路径P,将起点加入到O集合,置空C集合;
步骤四、判断O集合中是否有目标点,如果是,路径搜索成功,智能车全局路径规划结束;如果不是,继续如下步骤;
步骤五、将可行驶区域加入到O集合,对O集合检索,寻求最小代价值f,确定暂定的父节点,加入C集,进行子节点重塑;
步骤六、检查暂定父节点是否有最小代价G值,如果是,重复步骤四;如果否,寻求最小G值,确定目标父节点,加入C集,子节点重塑,重复步骤四。
步骤七、在地图界面,显示出动态路径,并进行转向、减速、路口信息显示提醒。
优选的,步骤一中,结合GPS信息和路网信息确定起点,目标点根据人为选取控制点,障碍物点根据雷达信息和路网信息确定障碍物点。
优选的,步骤二中,初始权重矩阵确定原则,直线可直接到达点定义为10,对角可到达点定义为14,自身到达点定义为0,不可到达点定义为inf。
优选的,步骤三中,初始化O集合,起点序号加入到O集合, O集合作为可行初始区域。
优选的,步骤四中,目标终点加入到O集合,则目标点在可行驶区域,则路径规划成功。
优选的,步骤五中,代价函数f确定原则:f=g+h,g是指当前点移动至指定点所付出的代价,h是指指定点移动至目标点所估算的代价,用距离所表示,由最小代价函数确定暂定父节点。
优选的,步骤六中,为了优化路径规划,使路径规划具有全局最优目标,需检索最小G值,以确定下一父节点,进行路径循环检索。
优选的,步骤七中,动态路径显示,提高可视化程度和安全性能,根据行驶工况和行驶位置,判断是否为转向、减速、路口控制点等,如果是,则进行转向、减速、路口信息界面显示提醒。
本发明相对于现有技术的优点在于:
1.本发明对传统A星算法进行改进,可得到网格中任意两点最短路径,且可以高效避障,运行速度快,占用内存小。
2.本发明将改进的A星算法应用于智能车辆路径规划中,实现室外停车场起点到终点最短路径规划,动态规避障碍物,高效完成智能车辆全局路径规划自主引导泊车,对无人驾驶路径规划具有重要意义。
3.本发明在路径转向时,会及时进行转向提示,方便使用,同时提高安全性。
4.可以对实际问题进行扩展,在障碍物位置发生变动时,也可以完成最佳全局路径规划,以适应实际的道路状况,具有直观明了,可适用多种场合。
附图说明
图1为本实施例的一种基于改进A星算法的智能车全局路径规划方法的室外停车场及控制点权重点位图;
图2为本实施例的一种基于改进A星算法的智能车全局路径规划方法的基本原理示意图;
图3为本实施例的一种基于改进A星算法的智能车全局路径规划方法的具体流程图;
图4为本实施例的一种基于改进A星算法的智能车全局路径规划方法的邻域搜索图;
图5为本实施例的一种基于改进A星算法的智能车全局路径规划方法的显示流程图。
具体实施方式
为了使本发明更容易被解释清楚,下面结合附图和具体实施例对本发明作进一步详细的说明。
如图2所示,基于改进A星算法的智能车全局路径规划方法,在室外停车场规划权重控制点信息,确定起始点、终点、障碍物信息,自主引导车辆从起点到高效避障到达目标点,且在路口会提示转向、路口、减速等安全提示,并显示优化路径。改方法具体包括下述步骤:
步骤一、如图1所示在室外停车场路网路段中,将搜索区域划分为多个网格,每个网格中心视为控制点,对各控制点进行编号,确定起点、目标点、障碍物点。如图3所示,根据路网信息,确定各控制点属性L矩阵,包括控制点点位属性和航向属性;行驶过程中结合gps信号所给出的实时定位,在L矩阵中检索确定起点;在人工交互界面点击目标终点和结合L矩阵确定目标终点;在行驶的过程中,结合雷达检测车辆前方障碍物信号,进行预处理生成障碍物点集Abs,在L矩阵中检索障碍物点序号;
步骤二、根据路网信息,创建初始权重矩阵ORM(Original matrix),如图4所示为初始权重矩阵简图示例,s为起点位置,e为终点位置,标有数字的为可行驶区域位置,没标有数字的表示障碍物位置。初始权重矩阵确定原则:直线可直接到达点定义为10,对角可到达点定义为14,自身到达点定义为0,不可到达点定义为inf;例如s右边的点,10为s点到当前点的移动代价,20为当前点到终点的移动代价,30为10和20的和。
步骤三、初始化当前点可行驶区域O集合,将起点加入到O集合,作为可行初始区域,置空不可行驶区域或已处理过点位C集合;
步骤四、判断O集合中是否有目标点,如果是,路径搜索成功,智能车全局路径规划结束,目标终点加入到O集合,则目标点在可行驶区域,则路径规划成功;如果不是,继续下一步骤;
步骤五、将可行驶区域加入到O集合,对O集合检索,寻求最小代价值f,确定暂定的父节点,加入C集,进行子节点重塑,其中,代价函数f确定原则:f=g+h,g是指当前点移动至指定点所付出的代价,h是指指定点移动至目标点所估算的代价,常用距离所表示,由最小代价函数确定暂定父节点;
步骤六、检查暂定父节点是否有最小代价G值,如果是,重复步骤四;如果否,寻求最小G值,确定目标父节点,加入C集,同时去除遍历的或障碍物的O集,子节点重塑,重复步骤四。
步骤七、如图5所示,在确定了起点和终点、同时规划出全局路径后在地图界面,显示出全局路径,提高可视化程度和安全性能,根据行驶工况和行驶位置,判断是否为减速点、路口点、转向点,如果是,则进行转向、减速、路口信息界面显示提醒。
上述实例仅用于解释说明,描述较为详细,帮助理解本发明的技术特点。但不限制本发明的保护范围,在智能车路径规划领域的普通研究人员的知识范围内,不脱离本发明本质的改进和变形,这些都属于本发明的保护范围内。
Claims (8)
1.一种基于改进A星算法的智能车全局路径规划方法,其特征在于,包括以下步骤:
步骤一、在室外停车场路网路段中,将搜索区域划分为多个网格,每个网格中心视为控制点,确定起点、目标点、障碍物点;
步骤二、根据路网信息,创建初始权重ORM;
步骤三、初始化O集、C集、路径P,将起点加入到O集合,置空C集合;
步骤四、判断O集合中是否有目标点,如果是,路径搜索成功,智能车全局路径规划结束;如果不是,继续如下步骤;
步骤五、将可行驶区域加入到O集合,对O集合检索,寻求最小代价值f,确定暂定的父节点,加入C集,进行子节点重塑;
步骤六、检查暂定父节点是否有最小代价G值,如果是,重复步骤四;如果否,寻求最小G值,确定目标父节点,加入C集,子节点重塑,重复步骤四;
步骤七、在地图界面,显示出动态路径,并进行转向、减速、路口信息显示提醒。
2.根据权利要求1所述的基于改进A星算法的智能车全局路径规划方法,其特征在于,步骤一中,结合GPS信息和路网信息确定起点,目标点根据人为选取控制点,障碍物点根据雷达信息和路网信息确定障碍物点。
3.根据权利要求1所述的基于改进A星算法的智能车全局路径规划方法,其特征在于,步骤二中,初始权重矩阵确定原则,直线可直接到达点定义为10,对角可到达点定义为14,自身到达点定义为0,不可到达点定义为inf。
4.根据权利要求1所述的基于改进A星算法的智能车全局路径规划方法,其特征在于,步骤三中,初始化O集合,起点序号加入到O集合, O集合作为可行初始区域。
5.根据权利要求1所述的基于改进A星算法的智能车全局路径规划方法,其特征在于,步骤四中,目标终点加入到O集合,则目标点在可行驶区域,则路径规划成功。
6.根据权利要求1所述的基于改进A星算法的智能车全局路径规划方法,其特征在于,步骤五中,代价函数f确定原则:f=g+h,g是指当前点移动至指定点所付出的代价,h是指指定点移动至目标点所估算的代价,用距离所表示,由最小代价函数确定暂定父节点。
7.根据权利要求1所述的基于改进A星算法的智能车全局路径规划方法,其特征在于,步骤六中,为了优化路径规划,使路径规划具有全局最优目标,需检索最小G值,以确定下一父节点,进行路径循环检索。
8.根据权利要求1所述的基于改进A星算法的智能车全局路径规划方法,其特征在于,步骤七中, 动态路径显示,提高可视化程度和安全性能,根据行驶工况和行驶位置,进行转向、减速、路口信息界面显示提醒。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010763228.1A CN111982142B (zh) | 2020-07-31 | 2020-07-31 | 一种基于改进a星算法的智能车全局路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010763228.1A CN111982142B (zh) | 2020-07-31 | 2020-07-31 | 一种基于改进a星算法的智能车全局路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111982142A true CN111982142A (zh) | 2020-11-24 |
CN111982142B CN111982142B (zh) | 2023-04-18 |
Family
ID=73444945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010763228.1A Active CN111982142B (zh) | 2020-07-31 | 2020-07-31 | 一种基于改进a星算法的智能车全局路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111982142B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112908027A (zh) * | 2021-02-03 | 2021-06-04 | 芜湖泊啦图信息科技有限公司 | 基于停车场内主定位点特征路径构建的控制算法及其系统 |
CN113009918A (zh) * | 2021-03-09 | 2021-06-22 | 京东鲲鹏(江苏)科技有限公司 | 路径规划方法、装置、系统及可读存储介质 |
CN113064436A (zh) * | 2021-03-31 | 2021-07-02 | 翁嘉琦 | 一种agv系统中动态路径规划和去中心化避障方法 |
CN113741453A (zh) * | 2021-08-31 | 2021-12-03 | 广州文远知行科技有限公司 | 一种非结构化环境的路径规划方法、装置、设备和介质 |
CN114281084A (zh) * | 2021-12-28 | 2022-04-05 | 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 |
CN114593731A (zh) * | 2020-12-07 | 2022-06-07 | 山东新松工业软件研究院股份有限公司 | 一种机器人寻找路径的规化优化的方法及其系统 |
CN115657973A (zh) * | 2022-12-28 | 2023-01-31 | 江苏龙威中科技术有限公司 | 导航数据显示方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108711307A (zh) * | 2018-06-08 | 2018-10-26 | 盐城工学院 | 大型地下停车场反向寻车系统 |
CN109115220A (zh) * | 2018-07-31 | 2019-01-01 | 大连理工大学 | 一种用于停车场系统路径规划的方法 |
CN109471444A (zh) * | 2018-12-12 | 2019-03-15 | 南京理工大学 | 基于改进Dijkstra算法的停车AGV路径规划方法 |
CN109859525A (zh) * | 2019-04-03 | 2019-06-07 | 哈尔滨工业大学 | 基于a星算法的车位导航方法 |
CN111397623A (zh) * | 2020-03-27 | 2020-07-10 | 湖南大学 | 一种基于最佳泊车起始点的路径规划方法 |
-
2020
- 2020-07-31 CN CN202010763228.1A patent/CN111982142B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108711307A (zh) * | 2018-06-08 | 2018-10-26 | 盐城工学院 | 大型地下停车场反向寻车系统 |
CN109115220A (zh) * | 2018-07-31 | 2019-01-01 | 大连理工大学 | 一种用于停车场系统路径规划的方法 |
CN109471444A (zh) * | 2018-12-12 | 2019-03-15 | 南京理工大学 | 基于改进Dijkstra算法的停车AGV路径规划方法 |
CN109859525A (zh) * | 2019-04-03 | 2019-06-07 | 哈尔滨工业大学 | 基于a星算法的车位导航方法 |
CN111397623A (zh) * | 2020-03-27 | 2020-07-10 | 湖南大学 | 一种基于最佳泊车起始点的路径规划方法 |
Non-Patent Citations (1)
Title |
---|
COLIN: "《A星算法详解》", 7 April 2014 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114593731A (zh) * | 2020-12-07 | 2022-06-07 | 山东新松工业软件研究院股份有限公司 | 一种机器人寻找路径的规化优化的方法及其系统 |
CN112908027A (zh) * | 2021-02-03 | 2021-06-04 | 芜湖泊啦图信息科技有限公司 | 基于停车场内主定位点特征路径构建的控制算法及其系统 |
CN113009918A (zh) * | 2021-03-09 | 2021-06-22 | 京东鲲鹏(江苏)科技有限公司 | 路径规划方法、装置、系统及可读存储介质 |
CN113009918B (zh) * | 2021-03-09 | 2023-12-05 | 京东鲲鹏(江苏)科技有限公司 | 路径规划方法、装置、系统及可读存储介质 |
CN113064436A (zh) * | 2021-03-31 | 2021-07-02 | 翁嘉琦 | 一种agv系统中动态路径规划和去中心化避障方法 |
CN113741453A (zh) * | 2021-08-31 | 2021-12-03 | 广州文远知行科技有限公司 | 一种非结构化环境的路径规划方法、装置、设备和介质 |
CN114281084A (zh) * | 2021-12-28 | 2022-04-05 | 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 |
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 |
CN115657973A (zh) * | 2022-12-28 | 2023-01-31 | 江苏龙威中科技术有限公司 | 导航数据显示方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111982142B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111982142B (zh) | 一种基于改进a星算法的智能车全局路径规划方法 | |
US20210323537A1 (en) | Automatic Parking Method and Device | |
CN112590775B (zh) | 一种自动泊车方法、装置、车辆及存储介质 | |
Zheng et al. | RRT based path planning for autonomous parking of vehicle | |
CN111007862B (zh) | 一种多agv协同工作的路径规划方法 | |
JP7330142B2 (ja) | 車両のuターン経路を決定する方法、装置、デバイスおよび媒体 | |
CN110136426A (zh) | 一种还车招车系统及方法 | |
CN111413959A (zh) | 任意点至任意点的全局路径规划、泊车方法及系统 | |
US11964669B2 (en) | System, method, and computer program product for topological planning in autonomous driving using bounds representations | |
US11035685B2 (en) | Route planning algorithm for efficiently searching through meaningful links within a defined topology | |
CN113375678A (zh) | 一种行车路径规划方法、管理服务器及停车管理系统 | |
CN111176276A (zh) | 一种智能仓储机器人的开发及应用 | |
CN110843768B (zh) | 汽车自动泊车控制方法、装置、设备及存储介质 | |
WO2018090661A1 (en) | Path planning for autonomous vehicle using bidirectional search | |
CN113515111B (zh) | 一种车辆避障路径规划方法及装置 | |
Meng et al. | Improved hybrid A-star algorithm for path planning in autonomous parking system based on multi-stage dynamic optimization | |
CN117075613A (zh) | 无人车辆感知及避障方法、系统、计算机设备及存储介质 | |
CN115981323A (zh) | 一种多传感融合智能清洁车自动避障方法及智能清洁车 | |
CN114264313A (zh) | 基于势能的车道级路径规划方法、系统、设备及存储介质 | |
Moreira | Deep Reinforcement Learning for Automated Parking | |
Adnan et al. | A deep learning based autonomous electric vehicle on unstructured road conditions | |
WO2023174080A1 (zh) | 一种路径规划方法和装置以及一种云平台 | |
CN116653963B (zh) | 车辆变道控制方法、系统和智能驾驶域控制器 | |
EP4160152A1 (en) | Lane search for self-driving vehicles | |
Liu et al. | An Automatic Parking Strategy Optimization Based on Open-drive and BIM |
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 |