CN112379679B - 一种无人车辆局部路径规划方法 - Google Patents

一种无人车辆局部路径规划方法 Download PDF

Info

Publication number
CN112379679B
CN112379679B CN202110051442.9A CN202110051442A CN112379679B CN 112379679 B CN112379679 B CN 112379679B CN 202110051442 A CN202110051442 A CN 202110051442A CN 112379679 B CN112379679 B CN 112379679B
Authority
CN
China
Prior art keywords
vehicle
point
planning
obstacle
target
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
CN202110051442.9A
Other languages
English (en)
Other versions
CN112379679A (zh
Inventor
张旭东
邹渊
徐福康
杜国栋
孙逢春
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202110051442.9A priority Critical patent/CN112379679B/zh
Publication of CN112379679A publication Critical patent/CN112379679A/zh
Application granted granted Critical
Publication of CN112379679B publication Critical patent/CN112379679B/zh
Priority to PCT/CN2022/072247 priority patent/WO2022152283A1/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 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
    • 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
    • G05D1/0221—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 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

Abstract

本发明公开了一种无人车辆局部路径规划方法。该方法包括：通过测距传感器获取障碍物信息，构建规划参考点集合和局部地图，规划参考点集合包括位于测距传感器探测边界上的点、基于障碍物边界点旋转采样后的点以及目标点，障碍物边界点为经过车辆坐标点的直线与障碍物边缘的切点，局部地图为描述车辆附近空间被障碍物占据情况的栅格地图；选取规划参考点集合中的元素作为规划终点，生成规划路径Dubins曲线；对规划路径进行碰撞检测；通过碰撞检测的规划路径作为运动控制的参考路径。本发明融合了TangentBug算法与Dubins曲线，考虑了车辆几何外形以及定位系统和测距传感器的误差，满足了轮式车辆最小转向半径的运动限制。

Description

一种无人车辆局部路径规划方法
技术领域
本发明涉及路径规划领域，特别是涉及一种融合TangentBug和Dubins曲线的无人车辆局部路径规划方法。
背景技术
随着汽车智能化的发展，自动驾驶技术成为智能车辆领域研究的重要方向，而路径规划是其关键技术之一。智能车辆的路径规划是指在一定环境模型的基础上，给定起点与目标点后，按照性能指标规划出一条无碰撞、能安全到达目标点的有效路径。
目前路径规划按不同算法可分为图搜索类算法、采样类算法、势场法和智能仿生类算法等。图搜索和采样类算法最为常见，运算速度较快，但需要路径平滑处理以适应车辆的运动特性，并常用于已知全局地图的情况。势场法对障碍物的适应性较好，但容易陷入局部最优解。智能仿生类算法参考了生物的行为模式和特性，相比其他算法可以得出更优的结果，其中Lumelsky等参考爬虫（Bug）的行为模式，针对仅能获取局部地图和定位信息的情况，提出了Bug1和Bug2算法。
Bug1和Bug2面向可全向运动的机器人，解决其在二维平面上的局部路径规划问题，要求机器人装有接触式传感器以探测周围障碍物，并有精确的实时定位。Bug1和Bug2均由朝目标移动和环绕障碍物两种状态组成，但Bug2在简单场景下规划路径的总长度可能更短，而在复杂场景时Bug1更为稳健。基于Bug1和Bug2，衍生出了在某些场景下规划路径总长度更短的Alg1算法，使用了测距传感器的TangentBug算法，基于模糊逻辑的FuzzyBug算法，采用向量化路径的InsertBug算法等等。由于TangentBug算法通过测距传感器并结合局部切线图，解决了Bug类算法必须接触障碍物的问题，在实际中得到了较为广泛的应用。然而，现有的基于TangentBug算法的局部路径规划算法仍存在以下不足：
1. 对被控对象的外形尺寸没有充分考虑。为保证规划路径的安全性，对局部切线图中障碍物边界点的偏移距离过于保守，且局部切线图易受传感器精度的制约和环境的干扰。
2. 没有考虑定位系统的误差，而在实际应用中的定位误差对Bug类算法的收敛性有较大的影响。
3. 目前Bug类算法大多要求被控对象可全向运动，而对于采用Ackermann转向的轮式车辆，其存在最小转向半径的运动限制。
发明内容
本发明的目的是提供一种无人车辆局部路径规划方法。
为实现上述目的，本发明提供了如下方案：
一种无人车辆局部路径规划方法，包括：
通过测距传感器获取障碍物信息，构建规划参考点集合和局部地图，所述规划参考点集合包括位于测距传感器探测边界上的点、基于障碍物边界点旋转采样后的点以及目标点，所述障碍物边界点为经过车辆坐标点的直线与障碍物边缘的切点，所述局部地图为描述车辆附近空间被障碍物占据情况的栅格地图；
选取规划参考点集合中的元素作为规划终点，生成规划路径Dubins曲线；
对规划路径进行碰撞检测；通过碰撞检测的规划路径作为运动控制的参考路径。
可选的，通过测距传感器获取的障碍物信息，构建规划参考点集合，具体包括：
测距传感器在各个方向上获取的点的集合
Figure DEST_PATH_IMAGE001
，集合
Figure 486050DEST_PATH_IMAGE002
中包括测距传感器探测边界上的点
Figure DEST_PATH_IMAGE003
，其构成的集合为
Figure 858650DEST_PATH_IMAGE004
；障碍物边界点
Figure DEST_PATH_IMAGE005
，其构成的集合为
Figure 28600DEST_PATH_IMAGE006
；障碍物边界点
Figure DEST_PATH_IMAGE007
，其构成的集合为
Figure 345181DEST_PATH_IMAGE008
；其中，
Figure DEST_PATH_IMAGE009
，
Figure 157890DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE011
为测距传感器的最大探测距离，
Figure 901724DEST_PATH_IMAGE012
，
Figure DEST_PATH_IMAGE013
表示
Figure 93058DEST_PATH_IMAGE014
顺时针方向上相邻的
Figure DEST_PATH_IMAGE015
个点，
Figure 682171DEST_PATH_IMAGE016
表示
Figure 678946DEST_PATH_IMAGE014
逆时针方向上相邻的
Figure 531365DEST_PATH_IMAGE015
个点，
Figure DEST_PATH_IMAGE017
表示点
Figure 944416DEST_PATH_IMAGE018
相对于点
Figure 540482DEST_PATH_IMAGE003
的方位角；
Figure DEST_PATH_IMAGE019
表示点
Figure 985239DEST_PATH_IMAGE018
与点
Figure 477400DEST_PATH_IMAGE003
之间的距离，
Figure 781343DEST_PATH_IMAGE020
为测距传感器的角度分辨率，
Figure DEST_PATH_IMAGE021
为车辆在车辆坐标系下的位置点，
Figure 184030DEST_PATH_IMAGE022
为实际应用中测距传感器获取的障碍物距离，
Figure DEST_PATH_IMAGE023
为n倍
Figure 952134DEST_PATH_IMAGE024
的角度值，
Figure DEST_PATH_IMAGE025
为用于障碍物边界点判断的距离阈值；
基于所述障碍物边界点进行旋转采样，得到顺时针采样点集合
Figure 146355DEST_PATH_IMAGE026
和逆时针采样点集合
Figure DEST_PATH_IMAGE027
，其中，
Figure 999911DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE029
，
Figure 194570DEST_PATH_IMAGE030
为集合
Figure 20443DEST_PATH_IMAGE026
中的元素；
Figure DEST_PATH_IMAGE031
为集合
Figure 916724DEST_PATH_IMAGE027
中的元素；
Figure 929679DEST_PATH_IMAGE032
为旋转角度；
Figure DEST_PATH_IMAGE033
为旋转矩阵，
Figure 936819DEST_PATH_IMAGE034
表示逆时针旋转
Figure 351619DEST_PATH_IMAGE032
角度，
Figure DEST_PATH_IMAGE035
表示顺时针旋转
Figure 421731DEST_PATH_IMAGE032
角度；
Figure 921983DEST_PATH_IMAGE036
为旋转角度的下限；
Figure DEST_PATH_IMAGE037
为旋转角度的上限；
Figure 201654DEST_PATH_IMAGE038
为旋转采样的步长；
确定规划参考点集合
Figure DEST_PATH_IMAGE039
和仅考虑车辆前方信息的规划参考点集合
Figure 533278DEST_PATH_IMAGE040
，其中，
Figure 709045DEST_PATH_IMAGE039
=
Figure DEST_PATH_IMAGE041
，
Figure 230681DEST_PATH_IMAGE040
=
Figure 517305DEST_PATH_IMAGE042
，
Figure DEST_PATH_IMAGE043
为目标点的集合，若目标点
Figure 172278DEST_PATH_IMAGE044
位于测距传感器探测范围内，记目标点
Figure 518945DEST_PATH_IMAGE044
在车辆坐标系下的坐标点为
Figure DEST_PATH_IMAGE045
，则
Figure 56106DEST_PATH_IMAGE046
，否则
Figure DEST_PATH_IMAGE047
。
可选的，所述选取规划参考点集合中的元素作为规划终点，生成规划路径Dubins曲线，具体包括：
当满足以下条件时，车辆转换为朝目标移动状态：1）车辆处于初始时刻或2）车辆处于环绕障碍物状态，且集合
Figure 943159DEST_PATH_IMAGE039
中存在一元素比已确定的局部最近点
Figure 189989DEST_PATH_IMAGE048
到目标点的距离更小，且基于所述元素生成的Dubins曲线能够通过碰撞检测，其中，所述局部最近点
Figure 176399DEST_PATH_IMAGE048
为测距传感器探测到的位于障碍物上距离目标位置最近的点；
在所述朝目标移动状态中：
确定集合
Figure 872960DEST_PATH_IMAGE039
中各元素的代价，所述代价根据所述元素到车辆当前位置的距离以及所述元素到目标位置的距离确定；
规划Dubins曲线：选取当前集合
Figure 501387DEST_PATH_IMAGE039
中代价最小的元素，以车辆的位姿为起点，以选取元素的位姿为终点，规划Dubins曲线；其中，终点的航向为选取元素相对车辆的方位角；
如果规划出的Dubins曲线不能通过碰撞检测，则在集合
Figure 599793DEST_PATH_IMAGE039
中排除当前参考元素，跳转至规划Dubins曲线步骤，直至规划出的Dubins曲线通过碰撞检测时或不存在能够通过碰撞检测的Dubins曲线时停止跳转。
可选的，所述选取规划参考点集合中的元素作为规划终点，生成规划路径Dubins曲线，具体包括：
当满足以下条件时，车辆转换为环绕障碍物状态：车辆处于朝目标移动状态，且当前时刻定位系统反馈的车辆位置与目标点间的距离和当前时刻之前记录的车辆与目标点间的最近距离之差大于设定的距离阈值；
在所述环绕障碍物状态中，若车辆由朝目标移动状态转换为环绕障碍物状态时的目标位置处于车辆当前位置的右侧，则按顺时针方向环绕障碍物，对集合
Figure 288263DEST_PATH_IMAGE040
中的元素按方位角由小到大排序，否则按逆时针方向环绕障碍物，对集合
Figure 472120DEST_PATH_IMAGE040
中的元素按方位角由大到小排序；
规划Dubins曲线：选取集合
Figure 904238DEST_PATH_IMAGE040
中排序最前的元素，以车辆的位姿为起点，以选取元素的位姿为终点，规划Dubins曲线；其中，终点的航向为选取元素相对车辆的方位角；
如果Dubins曲线不能通过碰撞检测，则在集合
Figure DEST_PATH_IMAGE049
中排除当前参考元素，跳转至规划Dubins曲线步骤，直至规划出的Dubins曲线通过检测碰撞或不存在能够通过碰撞检测的Dubins曲线时停止跳转。
可选的，所述方法还包括：在朝目标移动状态时，除按目标点的位姿规划出的Dubins曲线通过碰撞检测外，根据
Figure 934116DEST_PATH_IMAGE050
、
Figure DEST_PATH_IMAGE051
确定当前时刻
Figure 590226DEST_PATH_IMAGE052
之前车辆
Figure DEST_PATH_IMAGE053
与目标点
Figure 58116DEST_PATH_IMAGE044
之间欧式距离的最小值
Figure 28346DEST_PATH_IMAGE054
，其中，
Figure DEST_PATH_IMAGE055
为
Figure 898082DEST_PATH_IMAGE052
时刻定位系统反馈的车辆位置
Figure 662776DEST_PATH_IMAGE053
与目标位置
Figure 558575DEST_PATH_IMAGE044
之间的距离，
Figure 332496DEST_PATH_IMAGE056
为初始时刻定位系统反馈的车辆位置
Figure 994421DEST_PATH_IMAGE053
与目标位置
Figure 195596DEST_PATH_IMAGE044
之间的距离，
Figure DEST_PATH_IMAGE057
表示正整数。
可选的，所述方法还包括：
在所述环绕障碍物状态中，当检测到车辆环绕障碍物一周时，确定目标不可到达。
可选的，所述方法还包括：
若目标位置位于测距传感器的探测范围内，则按目标点处规定的航向生成Dubins曲线并进行碰撞检测，否则执行所述朝目标移动状态中规划Dubins曲线步骤并进行碰撞检测。
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：本发明提供的无人车辆局部路径规划方法，面向采用Ackermann转向的轮式车辆，融合了TangentBug算法与Dubins曲线，考虑了车辆几何外形以及定位系统和测距传感器的误差，满足了轮式车辆最小转向半径的运动限制。在保证局部路径规划方法的实时性和收敛性的同时，提升了安全性和鲁棒性。
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为本发明实施例提供的自动驾驶系统框架图；
图2为本发明实施例提供的局部路径规划方法决策规划层总体流程图；
图3为本发明实施例中的规划结果示意图；
图4为本发明实施例中朝目标移动状态的流程图；
图5为本发明实施例中沿规划路径进行碰撞检测的示意图；
图6为本发明实施例中环绕障碍物状态的流程图。
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。
基于自动驾驶系统，如图1所示，本实施例提供了一种无人车辆局部路径规划方法，该方法按架构分为环境建模和决策规划两层，其输入为测距传感器和定位系统的数据，输出为一条参考路径。环境建模层接收的障碍物信息用于构建规划参考点集合和局部地图，之后决策规划层利用上述信息结合车辆自身和目标的位姿生成参考路径。具体方法如下：
1、通过测距传感器获取障碍物信息，构建规划参考点集合和局部地图，所述规划参考点集合包括位于测距传感器探测边界上的点、基于障碍物边界点旋转采样后的点以及目标点，所述障碍物边界点为经过车辆坐标点的直线与障碍物边缘的切点，所述局部地图为描述车辆附近空间被障碍物占据情况的栅格地图。具体如下：
（1）将测距传感器在任意方向上获取的障碍物距离信息表示为：
Figure 372499DEST_PATH_IMAGE058
其中，
Figure DEST_PATH_IMAGE059
为车辆处于状态
Figure 481269DEST_PATH_IMAGE060
，在方位角
Figure DEST_PATH_IMAGE061
上获取的障碍物距离；
Figure 328527DEST_PATH_IMAGE062
表示点a与点b在二维平面上的欧氏距离；o表示车辆在车辆坐标系下的位置点；λ为比例系数；WO i 表示第i个障碍物。
对实际应用中存在角度分辨率和最大探测距离的测距传感器，将其获取的障碍物距离信息表示为：
Figure DEST_PATH_IMAGE063
其中，
Figure 497340DEST_PATH_IMAGE064
为实际应用中测距传感器获取的障碍物距离，
Figure DEST_PATH_IMAGE065
为测距传感器的最大探测距离，
Figure 427119DEST_PATH_IMAGE066
为测距传感器的角度分辨率，n为比例系数，
Figure DEST_PATH_IMAGE067
为n倍
Figure 339580DEST_PATH_IMAGE066
的角度值。
设在某一方向
Figure 241677DEST_PATH_IMAGE023
，探测到距离为
Figure 784654DEST_PATH_IMAGE022
的点为
Figure 876762DEST_PATH_IMAGE014
，定义点
Figure 796177DEST_PATH_IMAGE014
构成的集合
Figure 287201DEST_PATH_IMAGE002
为：
Figure 1079DEST_PATH_IMAGE068
其中，atan2(a, b)表示点a相对于点b的方位角。
对于没有障碍物遮挡，位于传感器探测边界的点b，定义其构成的集合B为：
Figure DEST_PATH_IMAGE069
由于在障碍物的边界附近，距离
Figure 639871DEST_PATH_IMAGE022
会发生较大的变化，因此，通过对点
Figure 97397DEST_PATH_IMAGE014
相邻点的距离进行分析，可得到不同类型的障碍物边界点。对于障碍物边界点的旋转采样，本发明将其分为顺时针和逆时针采样两种情况。对于集合
Figure 442928DEST_PATH_IMAGE002
中的任意一点
Figure 593286DEST_PATH_IMAGE014
，令
Figure 648268DEST_PATH_IMAGE013
表示该点顺时针方向上相邻的m个点，令
Figure 909485DEST_PATH_IMAGE016
表示该点逆时针方向上相邻的m个点。设用于障碍物边界点判断的距离阈值为
Figure 109523DEST_PATH_IMAGE070
，
Figure DEST_PATH_IMAGE071
为顺时针采样的边界点集合，
Figure 227520DEST_PATH_IMAGE072
为逆时针采样的边界点集合，
Figure DEST_PATH_IMAGE073
和
Figure 840904DEST_PATH_IMAGE072
分别如下表示：
Figure 374654DEST_PATH_IMAGE074
Figure DEST_PATH_IMAGE075
其中，点
Figure 757093DEST_PATH_IMAGE076
为集合
Figure DEST_PATH_IMAGE077
中的元素，点
Figure 48922DEST_PATH_IMAGE078
为集合
Figure DEST_PATH_IMAGE079
中的元素，j为元素下标。
基于上述边界点进行顺时针旋转采样和逆时针旋转采样，将顺时针采样点的集合定义为
Figure 884023DEST_PATH_IMAGE080
，逆时针采样点的集合定义为
Figure DEST_PATH_IMAGE081
，那么有：
Figure 549359DEST_PATH_IMAGE082
Figure DEST_PATH_IMAGE083
其中，点
Figure 317464DEST_PATH_IMAGE084
为集合
Figure DEST_PATH_IMAGE085
中的元素；点
Figure 249035DEST_PATH_IMAGE086
为集合
Figure DEST_PATH_IMAGE087
中的元素；θ为旋转角度；R为旋转矩阵，R(θ)表示逆时针旋转θ角度，R(-θ)表示顺时针旋转θ角度；θ safe为旋转角度的下限；θ sample为旋转角度的上限；h为旋转采样的步长。
对于θ safe和θ sample的取值，可以但不限于用下式计算：
Figure 837012DEST_PATH_IMAGE088
Figure DEST_PATH_IMAGE089
其中，k safe为安全系数，r safe为安全距离，k sample为采样比例系数。
本实施例中规划参考点有三种：一是不受障碍物遮挡，位于测距传感器探测边界上的点；二是经旋转采样后的障碍物边界点；三是在测距传感器探测范围内的目标点T。对于集合T'，若目标点T位于测距传感器探测范围内，记目标点T在车辆坐标系下的坐标点为t，则T' = {t}，否则T' = Ø。当考虑全部方向时，设规划参考点的集合为F，当仅考虑自身前方信息，设规划参考点的集合为F'，那么有：
Figure 774881DEST_PATH_IMAGE090
=
Figure DEST_PATH_IMAGE091
Figure 131913DEST_PATH_IMAGE092
其中，点f为集合F中的元素，点f’为集合F’中的元素。
（2）环境建模层利用测距传感器获取的障碍物信息构建局部地图。首先基于空间分割法，把周围环境分解为栅格单元，然后根据障碍物信息确定每个栅格单元是否被障碍物占据，最后计算每个栅格单元到最近被占据栅格的距离。
根据测距传感器的最大探测距离确定局部地图的边长s map，保证
Figure DEST_PATH_IMAGE093
。其中，把周围环境分解为栅格单元的方法包括但不限于均匀分解法和递阶分解法等。
基于测距传感器的障碍物信息，判断每个栅格单元是否被障碍物占据，若被占据则为障碍栅格，否则为自由栅格。通过对栅格单元进行遍历，计算每个栅格单元与其最近障碍栅格的距离，该距离包括但不限于欧式距离和曼哈顿距离等。
2、决策规划层结合环境建模层构建的局部地图和规划参考点集合，以及定位系统提供的车辆和目标位姿，生成一条参考路径。本发明提出的局部路径规划方法融合了TangentBug和Dubins曲线，并加入了沿规划路径的碰撞检测和考虑定位误差的状态转换规则。具体如下：
决策规划层的总体流程图见图2，其输入为环境建模层生成的局部地图和规划参考点集合，以及定位系统提供的车辆和目标位姿，其输出为一条参考路径。首先对相关变量进行初始化，其中，目标是否不可到达用旗标unreachable表示，令unreachable =false，令状态旗标state = “朝目标移动”，令局部最近点M i 到目标点T的欧式距离d min = ∞，令停止环绕参考点L Ri 与目标点T间的欧式距离d leave = d(S, T)。然后对目标是否可以到达和是否接近目标进行判断，其中，若车辆出现环绕障碍物一周的情况，则认为目标不可到达，此时unreachable = true。是否接近目标由生成的Dubins曲线的长度l d进行判断，对于距离阈值d t，若l d < d t，则认为车辆接近目标点。若均未满足条件则进入朝目标移动或环绕障碍物状态，接着对是否生成安全的参考路径进行判断，最后对车辆与目标点间的距离进行更新，并进入下一程序循环。
本发明规划结果示意图如图3所示，其中从起点S开始车辆以朝目标移动状态前进，直到在碰撞点H 1处车辆探测到障碍物WO 1，然后车辆开始沿障碍物边缘前进，直到在驶离障碍物点D 1处驶离障碍物WO 1，之后车辆在碰撞点H 2处探测到障碍物WO 2，车辆再次开始沿障碍物边缘前进，直到在状态转换点SW 2处车辆转换为环绕障碍物模式并记录下局部最近点M 2，车辆开始以逆时针方向环绕障碍物，直到在停止环绕点L 2处发现停止环绕参考点L R2满足安全驶离障碍物WO 2的条件并转换回朝目标移动状态，直到最后在目标点T处停止。
在本实施例中朝目标移动状态的流程图见图4，其中state为状态旗标，state初始值为“朝目标移动”；d'(P, T)用于记录车辆与目标点的距离；d m为一距离阈值，用于状态转换判断。
在朝目标移动状态时，首先判断当前时刻定位系统反馈的车辆位置与目标点间的距离和当前时刻之前记录的车辆与目标点间的最近距离之差，是否大于设定的距离阈值d m，若是则转换为环绕障碍物状态，并记录下此时目标点的相对位置。然后判断目标点是否在测距传感器的探测范围内，若是则尝试以目标点的位姿为终点生成Dubins曲线并进行碰撞检测，否则计算规划参考点中元素的代价，尝试以规划参考点的位姿为终点生成对应的Dubins曲线并进行碰撞检测，此时规划参考点的航向为规划参考点相对车辆位姿的方位角。
设目标点T在车辆坐标系下为点t，集合F中任意元素f i 的代价c fi 可以但不限于用车辆自身到该元素的距离加该元素到目标点的欧式距离计算，即：
Figure 765544DEST_PATH_IMAGE094
按代价由小到大的顺序，依次生成Dubins曲线并进行碰撞检测，一旦通过碰撞检测，则以此Dubins曲线作为局部参考路径，否则认为没有安全的路径并停车。
沿规划路径进行碰撞检测的示意图如图5所示，采用覆盖圆将车辆包围，其圆心分别位于车辆中心，前轴中心和后轴中心，覆盖圆的半径为r safe。根据圆心在栅格地图中对应栅格单元到最近障碍物的距离，判断覆盖圆内是否存在障碍物，若任意覆盖圆内存在障碍物，则认为存在碰撞的风险。从Dubins曲线起点q o 开始，沿曲线以固定步长选取车辆位置参考点，该参考点与车辆后轴中心点重合，参考点处切向量的方向为车辆的航向。若从规划出的Dubins曲线的起点到终点q fi 均通过了碰撞检测，那么认为该规划路径是安全的，否则认为有碰撞的风险。覆盖圆将车辆包围的方式不限于图5中所示方法。
对于存在最小转向半径的车辆，即使不受障碍物的影响，也会因为自身状态等原因远离目标点。此外，由于定位系统存在误差，即使车辆实际没有远离目标，也会出现距离d(P, T)增大的情况。因此，对于在某一时刻i的距离d i ’(P, T)，在朝目标移动状态时，除按目标点航向规划成功外，其取值d i ’(P, T)由式
Figure DEST_PATH_IMAGE095
和
Figure 840816DEST_PATH_IMAGE096
确定，此时d i ’(P, T)为当前时刻i之前到目标点距离的最小值。而其他情况下均为d i ’(P, T) = d i (P, T)。
设一距离阈值d m，若在某一时刻i，
Figure DEST_PATH_IMAGE097
成立，那么认为存在局部最近点M i ，随即转换为环绕障碍物状态。当在任何情况下均令d i ’(P, T) = d i (P, T)，且d m = 0时，对应定位系统无误差的理想情况。d m应结合定位系统的误差取一较小的正值。
本实施例中环绕障碍物状态的流程图见图6。在此状态下首先更新局部最近点M i 。设点M i 到目标点的距离为d min，在初始化时令d min = ∞。若
Figure 316797DEST_PATH_IMAGE098
成立，则更新d min=d(p, t)，并记录点p在惯性坐标系下的坐标为局部最近点M i 和此时在惯性坐标系下的车辆坐标为的车辆状态转换点SW i 。
设一集合L，有：
Figure DEST_PATH_IMAGE099
若
Figure 528335DEST_PATH_IMAGE100
，使得从q o到q li 生成的Dubins曲线通过碰撞检测，令d leave = d(l i , t)，那么
Figure DEST_PATH_IMAGE101
成立，即在集合F中存在一元素比局部最近点到目标的距离更小，且生成的Dubins曲线通过碰撞检测。随后车辆转换为朝目标移动状态。记此时在惯性坐标系下的车辆坐标为点L i ，l i 的坐标为L Ri 。在环绕障碍物状态下，d leave需要实时更新，在初始化时d leave= d(S, T)。
环绕障碍物的方向由状态转换时记录的目标方位确定，若此时atan2(t, o) < 0，则环绕方向为顺时针，否则为逆时针。以逆时针为例，如图3所示，车辆从状态转换点SW 2处开始逆时针环绕障碍物，直到点L 2处驶离障碍物。为防止在环绕障碍物状态下出现规划路径的局部振荡，以仅考虑自身前方信息的集合F’作为规划参考点集合。逆时针环绕时，按方位角由大到小的顺序对集合F'中的元素进行排序，而顺时针时，按由小到大的顺序排序。依次生成Dubins曲线并进行碰撞检测，一旦通过则以此作为参考路径，否则认为没有安全的路径并停车。
对于环绕障碍物一周的情况，由以下规则判断：
(1)若存在一车辆位置o，满足d(sw i , o) > d sw且|atan2(sw i , o)| > π/2，则认为车辆驶离状态转换点SW i ，其中点sw i 为点SW i 在车辆坐标系下的位置，d sw为距离阈值。
(2)在满足条件(1)的情况下，若存在一车辆位置o，满足d(sw i , o) < d sw且|atan2(sw i , o)| < π/2，则认为车辆再次回到状态转换点SW i 。
当条件(1)和(2)均满足时，认为车辆绕障碍物一周回到了状态转换点SW i ，即得出目标不可到达的结论并停车，此时令unreachable = true。
本发明设涉及到的变量的物理含义如表1所示：
表1 变量参照表格
Figure 595517DEST_PATH_IMAGE102
Figure DEST_PATH_IMAGE103
本发明提供的无人车辆局部路径规划方法具有以下优势：
1. 本发明通过融合TangentBug和Dubins曲线，针对仅能获取局部地图和定位信息的情况，提出了一种局部路径规划方法，仅需获取局部地图信息以及车辆自身和目标点的位姿，无需全局地图等信息。
2. 本发明提出了一种用于构建局部规划参考点集合的方法，无需建立局部切线图。对测距传感器的精度没有过高的要求，对障碍物的形状没有要求。
3. 基于第2点，本发明以Dubins曲线作为规划路径，可以满足车辆存在最小转向半径的运动限制和目标点处的航向要求。
4. 基于第3点，本发明考虑了车辆的几何外形，沿规划路径进行严格的碰撞检测，可以满足规划路径的安全性要求。
5. 本发明结合TangentBug的证明结果，提出了适应定位系统误差的行为状态转换规则，提高了本发明算法对定位误差的鲁棒性。
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。
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 (5)

1.一种无人车辆局部路径规划方法，其特征在于，包括：
通过测距传感器获取障碍物信息，构建规划参考点集合和局部地图，所述规划参考点集合包括位于测距传感器探测边界上的点、基于障碍物边界点旋转采样后的点以及目标点，所述障碍物边界点为经过车辆坐标点的直线与障碍物边缘的切点，所述局部地图为描述车辆附近空间被障碍物占据情况的栅格地图；
选取规划参考点集合中的元素作为规划终点，生成规划路径Dubins曲线；
对规划路径进行碰撞检测；通过碰撞检测的规划路径作为运动控制的参考路径；
其中，通过测距传感器获取的障碍物信息，构建规划参考点集合，具体包括：
测距传感器在各个方向上获取的点的集合
Figure 523647DEST_PATH_IMAGE002
，集合
Figure 909629DEST_PATH_IMAGE004
中包括测距传感器探测边界上的点
Figure 158208DEST_PATH_IMAGE006
，其构成的集合为
Figure 22259DEST_PATH_IMAGE008
；障碍物边界点
Figure 39894DEST_PATH_IMAGE010
，其构成的集合为
Figure 331198DEST_PATH_IMAGE012
；障碍物边界点
Figure 67072DEST_PATH_IMAGE014
，其构成的集合为
Figure 734814DEST_PATH_IMAGE016
；其中，
Figure 872534DEST_PATH_IMAGE018
Figure 334740DEST_PATH_IMAGE020
，
Figure 557911DEST_PATH_IMAGE022
Figure 763764DEST_PATH_IMAGE024
，
Figure 755991DEST_PATH_IMAGE026
为测距传感器的最大探测距离，
Figure 654677DEST_PATH_IMAGE028
，
Figure 362214DEST_PATH_IMAGE030
表示
Figure 106179DEST_PATH_IMAGE032
顺时针方向上相邻的
Figure 218492DEST_PATH_IMAGE034
个点，
Figure 22500DEST_PATH_IMAGE036
表示
Figure 220263DEST_PATH_IMAGE032
逆时针方向上相邻的
Figure 767919DEST_PATH_IMAGE034
个点，
Figure 734738DEST_PATH_IMAGE038
表示点
Figure 975226DEST_PATH_IMAGE040
相对于点
Figure 660286DEST_PATH_IMAGE006
的方位角；
Figure 11632DEST_PATH_IMAGE042
表示点
Figure 832958DEST_PATH_IMAGE040
与点
Figure 244348DEST_PATH_IMAGE006
之间的距离，
Figure 151124DEST_PATH_IMAGE044
为测距传感器的角度分辨率，
Figure 40582DEST_PATH_IMAGE046
为车辆在车辆坐标系下的位置点，
Figure 981994DEST_PATH_IMAGE048
为实际应用中测距传感器获取的障碍物距离，
Figure 564285DEST_PATH_IMAGE050
为n倍
Figure 223936DEST_PATH_IMAGE052
的角度值，
Figure 937593DEST_PATH_IMAGE054
为用于障碍物边界点判断的距离阈值；
基于所述障碍物边界点进行旋转采样，得到顺时针采样点集合
Figure 202353DEST_PATH_IMAGE056
和逆时针采样点集合
Figure 955545DEST_PATH_IMAGE058
，其中，
Figure 102493DEST_PATH_IMAGE060
，
Figure 599333DEST_PATH_IMAGE062
，
Figure 984178DEST_PATH_IMAGE064
为集合
Figure 908272DEST_PATH_IMAGE056
中的元素；
Figure 276936DEST_PATH_IMAGE066
为集合
Figure 311888DEST_PATH_IMAGE058
中的元素；
Figure 82398DEST_PATH_IMAGE068
为旋转角度；
Figure 911814DEST_PATH_IMAGE070
为旋转矩阵，
Figure 767774DEST_PATH_IMAGE072
表示逆时针旋转
Figure 606417DEST_PATH_IMAGE068
角度，
Figure 965855DEST_PATH_IMAGE074
表示顺时针旋转
Figure 497330DEST_PATH_IMAGE068
角度；
Figure 575007DEST_PATH_IMAGE076
为旋转角度的下限；
Figure 214412DEST_PATH_IMAGE078
为旋转角度的上限；
Figure 693935DEST_PATH_IMAGE080
为旋转采样的步长；
确定规划参考点集合
Figure 130732DEST_PATH_IMAGE082
和仅考虑车辆前方信息的规划参考点集合
Figure 695706DEST_PATH_IMAGE084
，其中，
Figure 876151DEST_PATH_IMAGE086
，
Figure 210181DEST_PATH_IMAGE088
，
Figure 817880DEST_PATH_IMAGE090
为目标点的集合，若目标点
Figure 870149DEST_PATH_IMAGE092
位于测距传感器探测范围内，记目标点
Figure 854286DEST_PATH_IMAGE092
在车辆坐标系下的坐标点为
Figure 308401DEST_PATH_IMAGE094
，则
Figure 87001DEST_PATH_IMAGE096
，否则
Figure 626567DEST_PATH_IMAGE098
；
所述选取规划参考点集合中的元素作为规划终点，生成规划路径Dubins曲线，具体包括：
当满足以下条件时，车辆转换为朝目标移动状态：1）车辆处于初始时刻或2）车辆处于环绕障碍物状态，且集合
Figure 148815DEST_PATH_IMAGE082
中存在一元素比已确定的局部最近点
Figure 457437DEST_PATH_IMAGE100
到目标点的距离更小，且基于所述元素生成的Dubins曲线能够通过碰撞检测，其中，所述局部最近点
Figure 406938DEST_PATH_IMAGE100
为测距传感器探测到的位于障碍物上距离目标位置最近的点；
在所述朝目标移动状态中：
确定集合
Figure 168221DEST_PATH_IMAGE082
中各元素的代价，所述代价根据所述元素到车辆当前位置的距离以及所述元素到目标位置的距离确定；
规划Dubins曲线：选取当前集合
Figure 759739DEST_PATH_IMAGE082
中代价最小的元素，以车辆的位姿为起点，以选取元素的位姿为终点，规划Dubins曲线；其中，终点的航向为选取元素相对车辆的方位角；
如果规划出的Dubins曲线不能通过碰撞检测，则在集合
Figure 654358DEST_PATH_IMAGE082
中排除当前参考元素，跳转至规划Dubins曲线步骤，直至规划出的Dubins曲线通过碰撞检测时或不存在能够通过碰撞检测的Dubins曲线时停止跳转。
2.根据权利要求1所述的无人车辆局部路径规划方法，其特征在于，所述选取规划参考点集合中的元素作为规划终点，生成规划路径Dubins曲线，具体包括：
当满足以下条件时，车辆转换为环绕障碍物状态：车辆处于朝目标移动状态，且当前时刻定位系统反馈的车辆位置与目标点间的距离和当前时刻之前记录的车辆与目标点间的最近距离之差大于设定的距离阈值；
在所述环绕障碍物状态中，若车辆由朝目标移动状态转换为环绕障碍物状态时的目标位置处于车辆当前位置的右侧，则按顺时针方向环绕障碍物，对集合
Figure 40340DEST_PATH_IMAGE084
中的元素按方位角由小到大排序，否则按逆时针方向环绕障碍物，对集合
Figure 554498DEST_PATH_IMAGE084
中的元素按方位角由大到小排序；
规划Dubins曲线：选取集合
Figure 418549DEST_PATH_IMAGE084
中排序最前的元素，以车辆的位姿为起点，以选取元素的位姿为终点，规划Dubins曲线；其中，终点的航向为选取元素相对车辆的方位角；
如果Dubins曲线不能通过碰撞检测，则在集合
Figure 436183DEST_PATH_IMAGE102
中排除当前参考元素，跳转至规划Dubins曲线步骤，直至规划出的Dubins曲线通过检测碰撞或不存在能够通过碰撞检测的Dubins曲线时停止跳转。
3.根据权利要求1所述的无人车辆局部路径规划方法，其特征在于，所述方法还包括：在朝目标移动状态时，除按目标点的位姿规划出的Dubins曲线通过碰撞检测外，根据
Figure 993067DEST_PATH_IMAGE104
、
Figure 728942DEST_PATH_IMAGE106
确定当前时刻
Figure 396683DEST_PATH_IMAGE108
之前车辆
Figure 534404DEST_PATH_IMAGE110
与目标点
Figure 262188DEST_PATH_IMAGE092
之间欧式距离的最小值
Figure 485359DEST_PATH_IMAGE112
，其中，
Figure 691212DEST_PATH_IMAGE114
为
Figure 683439DEST_PATH_IMAGE108
时刻定位系统反馈的车辆位置
Figure 582125DEST_PATH_IMAGE110
与目标位置
Figure 27013DEST_PATH_IMAGE092
之间的距离，
Figure 302136DEST_PATH_IMAGE116
为初始时刻定位系统反馈的车辆位置
Figure 414449DEST_PATH_IMAGE110
与目标位置
Figure 949948DEST_PATH_IMAGE092
之间的距离，
Figure 413290DEST_PATH_IMAGE118
表示正整数。
4.根据权利要求2所述的无人车辆局部路径规划方法，其特征在于，所述方法还包括：
在所述环绕障碍物状态中，当检测到车辆环绕障碍物一周时，确定目标不可到达。
5.根据权利要求1或2所述的无人车辆局部路径规划方法，其特征在于，所述方法还包括：
若目标位置位于测距传感器的探测范围内，则按目标点处规定的航向生成Dubins曲线并进行碰撞检测，否则执行所述朝目标移动状态中规划Dubins曲线步骤并进行碰撞检测。
CN202110051442.9A 2021-01-15 2021-01-15 一种无人车辆局部路径规划方法 Active CN112379679B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110051442.9A CN112379679B (zh) 2021-01-15 2021-01-15 一种无人车辆局部路径规划方法
PCT/CN2022/072247 WO2022152283A1 (zh) 2021-01-15 2022-01-17 一种无人车辆局部路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110051442.9A CN112379679B (zh) 2021-01-15 2021-01-15 一种无人车辆局部路径规划方法

Publications (2)

Publication Number Publication Date
CN112379679A CN112379679A (zh) 2021-02-19
CN112379679B true CN112379679B (zh) 2021-04-23

Family

ID=74581833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110051442.9A Active CN112379679B (zh) 2021-01-15 2021-01-15 一种无人车辆局部路径规划方法

Country Status (2)

Country Link
CN (1) CN112379679B (zh)
WO (1) WO2022152283A1 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112379679B (zh) * 2021-01-15 2021-04-23 北京理工大学 一种无人车辆局部路径规划方法
CN113050684B (zh) * 2021-03-06 2022-05-24 南京航空航天大学 一种面向突发威胁的无人机航迹规划算法
CN113485453A (zh) * 2021-08-20 2021-10-08 中国华能集团清洁能源技术研究院有限公司 一种海上无人机巡检飞行路径生成方法、装置及无人机
CN113819917A (zh) * 2021-09-16 2021-12-21 广西综合交通大数据研究院 自动驾驶路径规划方法、装置、设备及存储介质
CN113985881B (zh) * 2021-10-29 2023-07-11 温州大学 一种基于双向爬虫的移动机器人路径规划方法
TWI828330B (zh) * 2022-09-23 2024-01-01 優式機器人股份有限公司 用於自走設備的移動控制方法及系統
CN115451988A (zh) * 2022-09-29 2022-12-09 国能宝日希勒能源有限公司 路径规划方法、其装置及导航仪
CN115540892B (zh) * 2022-11-28 2023-03-24 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) 一种固定线路车辆绕障终点选择方法及系统
CN115912183B (zh) * 2023-03-09 2023-05-26 国网湖北省电力有限公司经济技术研究院 高压输电线路生态措施巡视方法、系统及可读存储介质
CN116429145B (zh) * 2023-06-07 2023-08-25 福龙马城服机器人科技有限公司 一种复杂场景下无人车与垃圾桶自动对接导航方法及系统
CN117472066B (zh) * 2023-12-27 2024-03-26 成都流体动力创新中心 一种航向角速度局部最优的避障控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100121517A1 (en) * 2008-11-10 2010-05-13 Electronics And Telecommunications Research Institute Method and apparatus for generating safe path of mobile robot
CN103278164A (zh) * 2013-06-13 2013-09-04 北京大学深圳研究生院 一种复杂动态场景下机器人仿生路径规划方法及仿真平台
CN107340768A (zh) * 2016-12-29 2017-11-10 珠海市微半导体有限公司 一种智能机器人的路径规划方法
CN110346814A (zh) * 2018-04-08 2019-10-18 浙江国自机器人技术有限公司 一种基于3d激光的障碍物检测及避障控制方法和系统
CN111301409A (zh) * 2020-03-11 2020-06-19 中国第一汽车股份有限公司 一种泊车路径规划方法、装置、车辆和存储介质
CN111338352A (zh) * 2020-03-24 2020-06-26 云南和富科技有限公司 一种机器人自主路径规划的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103455034B (zh) * 2013-09-16 2016-05-25 苏州大学张家港工业技术研究院 一种基于最近距离向量场直方图的避障路径规划方法
CN109540159B (zh) * 2018-10-11 2020-11-27 同济大学 一种快速完备的自动驾驶轨迹规划方法
CN112379679B (zh) * 2021-01-15 2021-04-23 北京理工大学 一种无人车辆局部路径规划方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100121517A1 (en) * 2008-11-10 2010-05-13 Electronics And Telecommunications Research Institute Method and apparatus for generating safe path of mobile robot
CN103278164A (zh) * 2013-06-13 2013-09-04 北京大学深圳研究生院 一种复杂动态场景下机器人仿生路径规划方法及仿真平台
CN107340768A (zh) * 2016-12-29 2017-11-10 珠海市微半导体有限公司 一种智能机器人的路径规划方法
CN110346814A (zh) * 2018-04-08 2019-10-18 浙江国自机器人技术有限公司 一种基于3d激光的障碍物检测及避障控制方法和系统
CN111301409A (zh) * 2020-03-11 2020-06-19 中国第一汽车股份有限公司 一种泊车路径规划方法、装置、车辆和存储介质
CN111338352A (zh) * 2020-03-24 2020-06-26 云南和富科技有限公司 一种机器人自主路径规划的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
AUTONOMOUS NAVIGATION OF UAV IN LARGE-SCALE UNKNOWN COMPLEX ENVIRONMENT WITH DEEP REINFORCEMENT LEARNING;Wang, Chao 等;《5th IEEE Global Conference on Signal and Information Processing》;20171116;858-862 *
基于极值法的静态路径规划算法;杨晶所 等;《软件导刊》;20181031;第17卷(第10期);72-75,80 *

Also Published As

Publication number Publication date
CN112379679A (zh) 2021-02-19
WO2022152283A1 (zh) 2022-07-21

Similar Documents

Publication Publication Date Title
CN112379679B (zh) 一种无人车辆局部路径规划方法
Filipenko et al. Comparison of various slam systems for mobile robot in an indoor environment
JP7060625B2 (ja) 自動運転車において３ｄｃｎｎネットワークを用いてソリューション推断を行うｌｉｄａｒ測位
US20200049511A1 (en) Sensor fusion
JP7256758B2 (ja) 自動運転車両においてｒｎｎとｌｓｔｍを用いて時間平滑化を行うｌｉｄａｒ測位
JP7086111B2 (ja) 自動運転車のｌｉｄａｒ測位に用いられるディープラーニングに基づく特徴抽出方法
EP3929046A1 (en) Vertical parking method
Santamaria‐Navarro et al. Terrain classification in complex three‐dimensional outdoor environments
Du et al. Trajectory planning for automated parking systems using deep reinforcement learning
US11731649B2 (en) High precision position estimation method through road shape classification-based map matching and autonomous vehicle thereof
US11506511B2 (en) Method for determining the position of a vehicle
CN114527478A (zh) 用于自主车辆应用的多普勒辅助的对象映射
Pandey et al. Trajectory planning and the target search by the mobile robot in an environment using a behavior-based neural network approach
CN116576857A (zh) 一种基于单线激光雷达的多障碍物预测导航避障方法
Kim et al. Collision avoidance based on predictive probability using Kalman filter
CN114578834A (zh) 基于目标分层双感知域的强化学习的无人车路径规划方法
Xu et al. Dynamic vehicle pose estimation and tracking based on motion feedback for LiDARs
CN116774247A (zh) 基于ekf的多源信息融合的slam前端策略
Hoy A method of boundary following by a wheeled mobile robot based on sampled range information
CN116225007A (zh) 一种基于新型蚁群优化算法的自主路径规划及避障系统
US20230072966A1 (en) Systems and methods for providing and using confidence estimations for semantic labeling
CN112526991B (zh) 机器人运动方法、装置、电子设备及存储介质
Rodrigues et al. Clutter-resilient autonomous mobile robot navigation with computationally efficient free-space features
A Bekhti Traversability cost prediction of outdoor terrains for mobile robot using image features
Faisal et al. Adaptive Self-Localization System for Low-Cost Autonomous Robot

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