CN112356851A - 一种无人驾驶矿车骑坑规划方法 - Google Patents

Abstract

本发明提供了一种无人驾驶矿车骑坑规划方法，包括以下步骤：感知信息的接收与处理，依靠车辆装备的各类传感器实时获取原始信息，感知层在接收传感器输入的原始信息后，对原始信息进行处理，并将处理后的数据输入到规划层；规划层包括规划算法模块和碰撞检测模块，规划算法模块基于Hybrid‑Astar，用于扩展点的规划设计，碰撞检测模块利用特殊的碰撞检测算法对输入的扩展点进行碰撞检测，可判断规划算法输入的扩展点是否可行。本发明提供的无人驾驶矿车骑坑规划方法，能够对深坑属性障碍物进行特殊的碰撞检测处理，使得车辆遇到深坑障碍物时能够骑行而非绕行，并使车辆快速、安全地通过深坑，节省了能量。

Description

一种无人驾驶矿车骑坑规划方法

技术领域

本发明涉及矿区无人驾驶技术、汽车节能安全领域，具体涉及一种无人驾驶矿车骑坑规划方法。

背景技术

近年来无人驾驶技术飞速发展，无人驾驶汽车是指在没有人为参与下，依靠车内装载的中央计算系统以及车身装备的各类传感器，感知周围环境，并据相应的道路信息做出决策判断，最后控制车辆安全行驶，实现车辆高效自主、快速安全的到达目的地。随着无人驾驶技术研究的深入，现已渗透到各个特定领域，其中矿产领域的无人化尤为重要。众所周知，矿车驾驶难度高、环境恶劣、安全隐患大，矿车无人化使得矿区驾驶更加安全，对于保证采矿任务在任何恶劣的环境下都能安全进行，具有重要的意义。

然而，在现有的无人机驾驶矿车行驶过程中，车辆常常与道路边沿、障碍物等发生碰撞，因此，安全、快速以及精确的进行路径规划，显得十分有必要。

作为无人驾驶技术中的一项重要环节，路径规划实质是其根据感知决策层输入的信息规划出一条安全可行的轨迹并用于控制跟踪。现有技术中的路径规划步骤如下所述：

（1）感知信息的接收与处理。在接收感知层输入的原始信息后，对原始信息进行一系列处理，比如聚类分析，目标类别识别等，目的是将环境中的障碍物提取出来并使用2D凸多边形包围盒将障碍物包围起来，之后将使用这个凸多边形来代替障碍物进行后续的处理；

（2）路径规划。设计碰撞检测模块，将从第一步获得的所有2D凸多边形全部作为实际存在的障碍物进行处理，即车辆要全部避开这些2D多凸边形。

按照现有技术的路径规划方式，当遇到道路中的深坑时，例如，可以想象矿区道路中有个面积为4平方米，深度为20公分以上的坑，实际上这种道路情况在矿区是常有情况，那么现有技术会将这种深坑直接作为障碍物处理，在现有技术碰撞检测模块的作用下，对该深坑进行绕障处理，但实际上，矿区往往有深坑和非深坑两种情形，对于非深坑，现有技术的碰撞检测模块仍然是做出绕障处理，因此，这必然会违背安全性和快速性的指标要求，此外，还不利于节能的要求，因此，如何进行高质量的路径规划，使得车辆能够区分深坑和非深坑，并作出相应的处理，成为急需要解决的技术难题。

发明内容

本发明的目的在于提供一种无人驾驶矿车骑坑规划方法，解决了如何进行高质量的路径规划的技术问题，使得车辆能够区分深坑和非深坑，并作出相应的处理，使得车辆快速、安全地通过深坑，节省了能量。

一种无人驾驶矿车骑坑规划方法，包括以下步骤：

步骤S1：感知信息的接收与处理

依靠车辆装备的各类传感器实时的获取原始信息，感知层在接收传感器输入的原始信息后，对原始信息进行一系列处理，例如，进行聚类分析以及目标类别识别，并将数据输入到规划层，以获得道路环境信息、车辆状态信息、包含属性的障碍物信息、规划始点和终点，将环境中的障碍物提取出来，并采用2D凸多边形包围盒将障碍物包围起来，使凸多边形来代替障碍物来进行后续的处理，其中，深坑是面积4m²、深度为20cm的坑；

步骤S2：基于规划算法获得扩展点

规划层包括规划算法模块和碰撞检测模块，基于Hybrid-Astar，规划算法模块用于扩展点的规划设计，其中，扩展点即表示车辆由当前节点位置行驶一定距离所达到的位置状态；

步骤S3：碰撞检测

输入扩展点信息，利用碰撞检测模块对扩展点进行碰撞检测处理，可判断规划算法输入的扩展点是否可行；

（1）若不可行，说明会发生碰撞，该信息反馈到规划算法模块上，重新进行扩展点的规划设计；

（2）若可行，说明没有发生碰撞，则输出路径，规划路径进入控制层。

所述步骤S3中，其具体流程：

步骤S31：向碰撞检测模块输入扩展点位姿信息(x，y，heading)、车辆尺寸信息以及所有障碍物信息，判断扩展点处的环境信息是否有障碍物;

步骤S32：若有障碍物，则判断障碍物的属性信息, 即判断其为普通障碍物或深坑,根据不同的障碍物属性进行相应的处理；

步骤S33：综合两种类型障碍物判断的信息，最终得到扩展点是否可行的信息。

所述步骤S32中，碰撞检测模块针对不同的属性进行分类：

①当2D凸多边形包围盒的属性为“普通障碍物”时，碰撞检测模块设计将进行绕障处理，随后判断是否发生碰撞，若发生碰撞，则此时规划算法模块继续规划设计新的扩展点，若不发生碰撞，则输出规划路径，规划路径进入控制层。

②当2D凸多边形包围盒的属性为“深坑”时，本提案将会进行“骑坑”规划，即当矿车底盘的尺寸大于深坑的面积时，矿车行驶在深坑上。

基于AABB+OBB算法对普通障碍物进行绕障处理过程。

在进行深坑属性障碍物的碰撞检测时，所述深坑避障处理过程的算法包括以下步骤：

步骤S321：判断矿车轮内距与深坑2D凸多边形包围盒面积的大小，即判断矿车2D凸多边形包围盒的左边线和右边线与深坑2D凸多边形包围盒是否有相交即可，其中，通过使用车辆尺寸信息可以构造出一个2D凸多边形包围盒来表示车辆的位姿状态；

步骤S322：判断是否相交

（1）若表示深坑的2D凸多边形包围盒中的任意一条边与表示矿车2D凸多边形包围盒的左边线或右边线相交，即为发生碰撞，此时规划算法模块继续规划设计新的扩展点；

（2）若检测完所有的边，未发现有相交，即没有发生碰撞，可知扩展点为终点，输出规划路径，规划路径进入控制层。

本发明达成以下显著效果：

（1）整体规划耗时降低，使得无人驾驶系统对外界的响应更加快速，响应时间减少最终使得安全性指标提高，也会使得规划出的结果精度更高与实际偏差更小，避免了车辆与道路边沿、障碍物等发生任何碰撞的可能性，这样的路径结果也更加安全；

（2）由于搜索空间中的深坑在一定的工况下变为可行区域，所以减少了搜索时的扩展点数，从而减少了整体算法的耗时，能够更加快速的规划出路径，规划速度越快则系统的响应越快，从一定层面上说，规划速度越快越能够保障车辆行驶的安全；

（3）本专利中采用骑坑规划的思想，使得由绕行深坑转变到骑行深坑，即当2D凸多边形包围盒实际对应的是深坑时，并不需要绕行而是正常的行驶，避免了以往将2D凸多边形包围盒信息全部作为障碍物处理，从而需要绕开这些2D凸多边形包围盒的弊端，使得路径规划结果更短，使矿车行驶距离更短，在保证安全、快速指标的前提下，使得车辆在行驶轨迹上消耗的能量最小，最终达到了节能的目的。

附图说明

图1为本发明实施例中无人矿车整体系统描述图。

图2为本发明实施例中车辆当前节点和扩展点的位置图。

图3为本发明实施例中碰撞检测模块的描述图。

图4为本发明实施例中深坑避障处理的位置示意图。

图5为本发明实施例中骑坑的效果图。

图6为本发明实施例中绕行深坑的效果图。

图7为本发明实施例中整体算法流程图。

图8为本发明实施例中碰撞检测处理流程图。

其中，附图标记为：A-车辆当前所处位置点；B-扩展点一；C-扩展点二；D-扩展点三；E-规划始点；F-深坑属性障碍物；G-规划终点；H-相交判断逻辑图。

具体实施方式

为了能更加清楚说明本方案的技术特点，下面通过具体实施方式，对本方案进行阐述。

参见图1，一种无人驾驶矿车骑坑规划方法，包括以下步骤：

步骤S1：感知信息的接收与处理

依靠车辆装备的各类传感器实时的获取原始信息，感知层在接收传感器输入的原始信息后，对原始信息进行一系列处理，例如，进行聚类分析以及目标类别识别，并将数据输入到规划层，以获得道路环境信息、车辆状态信息、包含属性的障碍物信息、规划始点和终点，将环境中的障碍物提取出来，并采用2D凸多边形包围盒将障碍物包围起来，使凸多边形来代替障碍物来进行后续的处理，其中，深坑是面积4m²、深度为20cm的坑；

步骤S2：基于规划算法获得扩展点

规划层包括规划算法模块和碰撞检测模块，基于Hybrid-Astar，规划算法模块用于扩展点的规划设计，其中，扩展点即表示车辆由当前节点位置行驶一定距离所达到的位置状态；

参见图3，步骤S3：碰撞检测

输入扩展点信息，利用碰撞检测模块对扩展点进行碰撞检测处理，可判断规划算法输入的扩展点是否可行；

（1）若不可行，说明会发生碰撞，该信息反馈到规划算法模块上，重新进行扩展点的规划设计；

（2）若可行，说明没有发生碰撞，则输出路径，规划路径进入控制层。

参见图8，所述步骤S3中，其具体流程：

步骤S31：向碰撞检测模块输入扩展点位姿信息(x，y，heading)、车辆尺寸信息以及所有障碍物信息，判断扩展点处的环境信息是否有障碍物;

步骤S32：若有障碍物，则判断障碍物的属性信息, 即判断其为普通障碍物或深坑,根据不同的障碍物属性进行相应的处理；

步骤S33：综合两种类型障碍物判断的信息，最终得到扩展点是否可行的信息。

所述步骤S32中，碰撞检测模块针对不同的属性进行分类：

①当2D凸多边形包围盒的属性为“普通障碍物”时，碰撞检测模块设计将进行绕障处理，随后判断是否发生碰撞，若发生碰撞，则此时规划算法模块继续规划设计新的扩展点，若不发生碰撞，则输出规划路径，规划路径进入控制层。

②当2D凸多边形包围盒的属性为“深坑”时，本提案将会进行“骑坑”规划，即当矿车底盘的尺寸大于深坑的面积时，矿车行驶在深坑上。

基于AABB+OBB算法对普通障碍物进行绕障处理过程。

在进行深坑属性障碍物的碰撞检测时，所述深坑避障处理过程的算法包括以下步骤：

步骤S321：判断矿车轮内距与深坑2D凸多边形包围盒面积的大小，即判断矿车2D凸多边形包围盒的左边线和右边线与深坑2D凸多边形包围盒是否有相交即可，其中通过使用车辆尺寸信息可以构造出一个2D凸多边形包围盒来表示车辆的位姿状态；

步骤S322：判断是否相交

（1）若表示深坑的2D凸多边形包围盒中的任意一条边与表示矿车2D凸多边形包围盒的左边线或右边线相交，即为发生碰撞，此时规划算法模块继续规划设计新的扩展点；

（2）若检测完所有的边，未发现有相交，即没有发生碰撞，可知扩展点为终点，输出规划路径，规划路径进入控制层。

针对附图8中的H区域，进一步描述相交判断的逻辑过程：在分别获得表示矿车的左右边线的m条边以及深坑2D凸多边形包围盒的n条边之后，分别将m条边中的每一条边都与表示深坑的n条边进行相交判断，所以总的判断次数为m*n次。在这m*n次的判断过程中，如果任意一次判断的结果为相交则输出“发生碰撞”的信号，若m*n次的相交判断都为不想交，则输出“不发生碰撞”的信号；

判断次数是由0开始计数的(使用一个计数变量，初始化为0)，每次判断之后，计数变量都会增加1，当增加到m*n时，说明所有的相交检测都已完成。若是其中有一次检测发生了相交，则直接退出这个循环，直接输出“发生碰撞”的信号。

本专利中的路径输出为一系列的控制点，例如路径中的其中一个点为[x,y,heading]，其中，x和y表示笛卡尔坐标系中的位置，heading为车辆在(x，y)处的车头朝向角；本专利中的控制层是一个由算法程序驱动的黑匣子，其输入为规划层的路径，其输出将直接对车辆的节气门开度、方向盘转动角度、档位进行控制，控制层对规划层输出的路径进行跟踪，可以将控制层看作是一个理想的跟踪器，会完美的跟踪规划层输出的路径点。由于专利的创新点主要是在规划层部分，且控制层为可实现的现有技术，在此不再详述。

本发明具体工作过程：

参见图7，本专利依靠车辆装备的各类传感器实时的获取原始数据，通过特定的方法对原始信息进行处理得到道路环境信息、车辆状态信息、包含属性的障碍物信息等，之后将数据传入规划层进行规划，最后将规划结果用于控制层的跟踪轨迹；

本发明专利申请将传感器数据的处理统称为“数据的融合与处理”，可以将感知层理解为一个理想的传感器数据处理工具，其目的是为了向规划层输入车辆状态信息、障碍物信息、规划起点与终点等信息；

本发明专利中的规划层可以理解为一个黑匣子，有输入就会自动产生输出，是主要依靠算法来实现的，具体来说，其所依靠设备是微型计算机，或者称之为工控机，算法是运行在工控机上的；

参见图2，A点代表车辆当前所处位置点，B，C，D三个点代表扩展点，当前所处位置点与扩展点间的连线即为扩展步长；

参见图4，深坑避障处理作为本专利的核心创新点，在进行深坑属性障碍物的碰撞检测时，其基本原理为：判断两条直线是否相交；若两个2D凸多边形包围盒中任何两条直线相交即为发生碰撞。规划层输入的信息中有障碍物的2D凸多边形包围盒、车辆状态信息等，通过使用车辆尺寸信息可以构造出一个2D凸多边形包围盒来表示车辆的位姿状态；

E点表示规划始点，其所在的2D凸多边形包围盒表示矿车尺寸轮廓，F点为深坑属性障碍物，通过2D凸多边形包围盒来表示深坑的位置与大小，G点为规划终点，当前规划场景为开阔空间；判断车辆能否骑坑方法：判断矿车轮内距与深坑2D凸多边形包围盒面积的大小，即判断矿车2D凸多边形包围盒的左边线和右边线与深坑2D凸多边形包围盒是否有相交即可；

参见图5，E点表示规划始点，G点表示规划终点，深色长方形区域为矿车行驶轨迹，F为深坑属性障碍物，该附图5展示的是骑坑效果，深坑尺寸小于矿车左右边线之间的距离，成功骑坑；

参见图6，改变深坑位置，通过规划算法运行时的对生成路径安全、快速、节能三大指标的分析考量，得出绕行深坑最为合理。

本发明未经描述的技术特征可以通过或采用现有技术实现，在此不再赘述，当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (5)

1.一种无人驾驶矿车骑坑规划方法，其特征在于，包括以下步骤：

步骤S1：感知信息的接收与处理

依靠车辆装备的各类传感器实时的获取原始信息，感知层在接收传感器输入的原始信息后，对原始信息进行一系列处理，例如，进行聚类分析以及目标类别识别，并将数据输入到规划层，以获得道路环境信息、车辆状态信息、包含属性的障碍物信息、规划始点和终点，将环境中的障碍物提取出来，并采用2D凸多边形包围盒将障碍物包围起来，使凸多边形来代替障碍物来进行后续的处理，其中，深坑是面积4m²、深度为20cm的坑；

步骤S2：基于规划算法获得扩展点

规划层包括规划算法模块和碰撞检测模块，基于Hybrid-Astar的规划算法模块用于扩展点的规划设计，其中，扩展点即表示车辆由当前节点位置行驶一定距离所达到的位置状态；

步骤S3：碰撞检测

输入扩展点信息，利用碰撞检测模块对扩展点进行碰撞检测处理，可判断规划算法输入的扩展点是否可行；

（1）若不可行，说明会发生碰撞，该信息反馈到规划算法模块上，重新进行扩展点的规划设计；

（2）若可行，说明没有发生碰撞，则输出规划路径，规划路径进入控制层。

2.根据权利要求1所述的无人驾驶矿车骑坑规划方法，其特征在于，所述步骤S3中，其具体流程：

步骤S31：向碰撞检测模块输入扩展点位姿信息(x，y，heading)、车辆尺寸信息以及所有障碍物信息，判断扩展点处的环境信息是否有障碍物;

步骤S32：若有障碍物，则判断障碍物的属性信息, 即判断其为普通障碍物或是深坑,根据不同的障碍物属性进行相应的处理；

步骤S33：综合两种类型障碍物判断的信息，最终得到扩展点是否可行的信息。

3.根据权利要求2所述的无人驾驶矿车骑坑规划方法，其特征在于，所述步骤S32中，碰撞检测模块针对不同的属性进行分类：

①当2D凸多边形包围盒的属性为“普通障碍物”时，碰撞检测模块设计将进行绕障处理，随后判断是否发生碰撞，若发生碰撞，则此时规划算法模块继续规划设计新的扩展点，若不发生碰撞，则输出规划路径，规划路径进入控制层；

②当2D凸多边形包围盒的属性为“深坑”时，本提案将会进行“骑坑”规划，即当矿车底盘的尺寸大于深坑的面积时，矿车行驶在深坑上。

4.根据权利要求3所述的无人驾驶矿车骑坑规划方法，其特征在于，基于AABB+OBB算法对普通障碍物进行绕障处理过程。

5.根据权利要求3所述的无人驾驶矿车骑坑规划方法，其特征在于，在进行深坑属性障碍物的碰撞检测时，所述深坑避障处理过程的算法包括以下步骤：

步骤S321：判断矿车轮内距与深坑2D凸多边形包围盒面积的大小，即判断矿车2D凸多边形包围盒的左边线和右边线分别与深坑2D凸多边形包围盒是否有相交即可，其中，通过使用车辆尺寸信息可以构造出一个2D凸多边形包围盒来表示车辆的位姿状态；

步骤S322：判断是否相交

（1）若表示深坑的2D凸多边形包围盒中的任意一条边与表示矿车2D凸多边形包围盒的左边线或右边线相交，即为发生碰撞，此时规划算法模块继续规划设计新的扩展点；

（2）若检测完所有的边，未发现有相交，即没有发生碰撞，可知扩展点为终点，输出规划路径，规划路径进入控制层。

Images