CN113467476A - 考虑转角约束的无碰撞检测快速随机树全局路径规划方法 - Google Patents

考虑转角约束的无碰撞检测快速随机树全局路径规划方法 Download PDF

Info

Publication number
CN113467476A
CN113467476A CN202110879163.1A CN202110879163A CN113467476A CN 113467476 A CN113467476 A CN 113467476A CN 202110879163 A CN202110879163 A CN 202110879163A CN 113467476 A CN113467476 A CN 113467476A
Authority
CN
China
Prior art keywords
point
random
vehicle
angle
sampling
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
Application number
CN202110879163.1A
Other languages
English (en)
Other versions
CN113467476B (zh
Inventor
张卫波
陈慧鸿
黄绍斌
黄志鹏
罗星
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN202110879163.1A priority Critical patent/CN113467476B/zh
Publication of CN113467476A publication Critical patent/CN113467476A/zh
Application granted granted Critical
Publication of CN113467476B publication Critical patent/CN113467476B/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
    • 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
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
    • 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)
  • Aviation & Aerospace Engineering (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种考虑转角约束的无碰撞检测快速随机树全局路径规划方法。包括：区域区分采样与启发式可变范围采样策略；考虑车辆姿态与下一路径点夹角约束的改进目标偏向临近点采样策略；无需碰撞检测的随机树扩展策略。本发明方法可提高有效采样次数与采样效率，并且在邻近点选择方法中考虑车辆姿态与下一路径点夹角约束及目标点距离因素，能够快速高效地规划符合车辆运动学角度约束的路径。后对规划路径进行路径简化剔除冗余节点，并使用杜宾斯曲线拟合剩余路径简化点，从而得到曲率连续的平滑路径。

Description

考虑转角约束的无碰撞检测快速随机树全局路径规划方法
技术领域
本发明属于无人驾驶路径规划和导航技术领域，具体涉及一种考虑转角约束的无碰撞检测快速随机树全局路径规划方法。
背景技术
无人车路径规划就是在综合考虑行驶时间、速度、油耗和安全等因素的前提下，为无人车规划出最优等行驶轨迹。无人车为了完成在复杂的道路上的行驶，其自主移动能力则是基础，其中路径规划和导航是保证无人车自主移动能力的核心算法，是体现车辆智慧水平的关键。
从路径规划的目标范围看，通常分为全局路径规划和局部路径规划；从规划环境是否随时间变化方面看，还可以分为静态路径规划和动态路径规划。全局路径规划通常假设环境信息完全已知，在无人车运动之前，离线计算出一条从起点到终点的路径；但是环境并不是一成不变的，当环境信息改变时全局路径规划方法不能快速规划出一条安全的路径。
发明内容
本发明的目的在于针对复杂狭窄环境智能车路径规划问题，提供一种考虑转角约束的无碰撞检测快速随机树全局路径规划方法，该方法使得无人车可以在全局路径的引领下，安全平稳的避开障碍物。
为实现上述目的，本发明的技术方案是：一种考虑转角约束的无碰撞检测快速随机树全局路径规划方法，包括如下步骤：
S1、建立无人车运动模型，并获取地图的可行区域信息与障碍物区域信息；
S2、启发式可变范围随机点采样策略：利用步骤S1的障碍物区域信息生成启发概率，此时产生0到1之间的随机数，若随机数大于启发概率，则在障碍物区域预定范围内的可行区域生成随机采样点；反之，在障碍物区域预定范围之外生成随机采样点；
S3、利用步骤S1建立的无人车运动模型得到车辆转角约束关系，引入考虑车辆转角约束的临近点采样策略，使得随机采样点的角度选取范围符合车辆转角约束特性；
S4、引入自适应步长目标偏向引导策略：目标偏向有时会导致随机采样点的角度选取超出步骤S3得到的车辆转角约束范围，此时随机树扩展方向偏离目标点，故对目标偏向后的角度进行归一化处理，使得处理后的角度在车辆转角约束范围内，且步长的选取与目标偏向角度呈反比关系，使随机树扩展方向尽快偏向目标点；
S5、通过步骤S1获取的地图的可行区域信息与障碍物区域信息，使随机采样点完成无需碰撞检测的随机树扩展；
S6、随机树找到目标点后，生成一条可行路径，算法对路径进行冗余点删除，并完成无碰撞的路径点简化；
S7、使用杜宾斯平滑曲线拟合步骤S6得到的路径简化点，得到符合车辆行驶特性的路径。
在本发明一实施例中，所述步骤S1具体实现方式为：建立无人车运动模型并通过无人车自身携带的包括摄像头、激光雷达、GPS、惯导及里程计的传感器的数据融合进行建模得到地图信息，对地图进行灰度化与二值化处理，将地图区分出可行区域与障碍物区域，获取可行区域与障碍物区域的坐标信息。
在本发明一实施例中，所述步骤S2具体实现方式为：由步骤S1获取的可行区域信息与障碍物区域信息，统计各区域坐标点个数；即状态空间坐标个数m、可行区域坐标个数mf与障碍物区域坐标个数mo；通过状态空间的障碍域系数Co对采样范围进行调节，同时利用障碍域系数Co确定采样点的启发概率ph，即调整在障碍物周围采样的概率；产生区间为(0,1)的随机数prand，若prand＜ph，在障碍物区域内进行随机采样，反之，在可行域内进行随机采样；具体计算公式如下：
Figure BDA0003190989230000021
式中：可行域系数Cf为可行域坐标点个数mf与状态空间坐标点个数m的比值，障碍域系数Co为障碍域坐标点个数mo与状态空间坐标点个数m的比值，Cr为可变范围系数，Ph为可变范围内的采样启发概率，R为可变范围的大小。
在本发明一实施例中，所述步骤S3具体实现方式为：
设当前点qcurrent的车辆姿态与下一个路径点qnext的车辆姿态的夹角为
Figure BDA0003190989230000022
则车辆转弯半径R与车辆转向角
Figure BDA0003190989230000023
的关系为：
Figure BDA0003190989230000024
式中，B为步长；
在随机树T中找出与随机点qrand距离最近的点qi，计算随机点qrand和当前点qi的连线与X轴的夹角
Figure BDA0003190989230000025
qi和其父节点qi-1的连线与X轴的夹角
Figure BDA0003190989230000026
再比较
Figure BDA0003190989230000027
与
Figure BDA0003190989230000028
的角度差值θ的绝对值是否小于车辆最大转向角
Figure BDA0003190989230000031
若小于车辆最大转向角，计算qrand与qi的距离d(qi,qrand)；比较d(qi,qrand)是否小于步长B，若小于步长B，在qrand与qi的连线上以d(qi,qrand)作为qi与qi+1的距离；若大于步长B，在qrand与qi的连线上以B作为qi与qi+1的距离；具体计算公式如下：
Figure BDA0003190989230000032
Figure BDA0003190989230000033
式中，qrand为可行区域中生成的随机点，qi为距离qrand最近的点，qi-1为qi的父节点，
Figure BDA0003190989230000034
为车辆最大转向角；d(qi,qrand)为qrand与qi的距离,d(qi，qi+1)为qi与其子节点qi+1的距离。
在本发明一实施例中，所述步骤S4具体实现方式为：利用步骤S3中计算得到的
Figure BDA0003190989230000035
与
Figure BDA0003190989230000036
相减得到角度差值θ与车辆最大转向角
Figure BDA0003190989230000037
的大小关系对d(qi，qi+1)与
Figure BDA0003190989230000038
进行自适应调整，即当角度差值θ大于车辆最大转向角
Figure BDA0003190989230000039
时，令角度差值θ等于车辆最大转向角
Figure BDA00031909892300000310
当角度差值θ小于车辆最大转向角
Figure BDA00031909892300000311
时，角度差值θ取其本身数值；具体计算公式如下：
Figure BDA00031909892300000312
Figure BDA00031909892300000313
Figure BDA00031909892300000314
式中，
Figure BDA00031909892300000315
为随机点qrand和当前点qi的连线与X轴的夹角，
Figure BDA00031909892300000316
为随机树T当前点qi和其父节点qi+1的连线与X轴的夹角，
Figure BDA00031909892300000317
为经过自适应步长目标偏向引导策略采样的采样点qi+1和其父节点qi的连线与X轴的夹角，θ为
Figure BDA00031909892300000318
与
Figure BDA00031909892300000319
的角度差值，θ′为
Figure BDA00031909892300000320
与
Figure BDA00031909892300000321
的角度差值，d(qi，qi+1)为随机树T当前点qi与其子节点qi+1的距离，
Figure BDA00031909892300000322
为车辆最大转向角。
在本发明一实施例中，所述步骤S5具体实现方式为：将步骤S1获取的障碍物区域作为当前障碍物区域，将当前障碍物尺寸加上两倍步长作为运行时的障碍物区域；将快速随机树T的随机采样点设定为随机落在可行区域内，由此随机采样点总是落在距离实际障碍物两倍步长的位置，不与障碍物发生碰撞，免去传统RRT的碰撞检测环节，加快算法运算速度。
在本发明一实施例中，所述步骤S6具体实现方式为：利用随机树T可得到从起始状态到目标状态的可行路径点，将起点qstart作为第一次连接的开始点qk，开始依次连接后续的路径点，在两路径点间的连线不与障碍物发生碰撞的情况下，对开始点qk与路径点qi-1之间的路径进行剔除；依次类推，直到不满足条件的路径点qi的父节点qi-1作为新的开始点qk，重复上述操作，直到连接到目标点qgoal。
相较于现有技术，本发明具有以下有益效果：本发明方法使得无人车可以在全局路径的引领下，安全平稳的避开障碍物。
附图说明
图1为本发明方法流程图。
图2为转角约束示意图。
图3为自适应步长目标偏向引导示意图。
图4为传统RRT算法。
图5为MSF-算法。
图6为路径简化示意图。
图7为路径平滑示意图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明一种考虑转角约束的无碰撞检测快速随机树全局路径规划方法，包括如下步骤：
S1、建立无人车运动模型，并获取地图的可行区域信息与障碍物区域信息；
S2、启发式可变范围随机点采样策略：利用步骤S1地图信息中的障碍物区域信息并生成启发概率，此时产生0到1之间的随机数，若随机数大于启发概率，则在障碍物区域一定范围内的可行区域生成随机采样点；反之，在障碍物区域一定范围之外生成随机采样点。以此限定随机采样点的选取范围；
S3、利用步骤S1建立的无人车运动模型得到车辆转角约束关系，引入考虑车辆转角约束的临近点采样策略，使得随机采样点的角度选取范围符合车辆转角约束特性；
S4、引入自适应步长目标偏向引导策略使算法加快向终点收敛的速度，但目标偏向有时会导致随机采样点的角度选取超出步骤S3得到的车辆转角约束范围，此时随机树扩展方向偏离目标点。故对目标偏向后的角度进行归一化处理，使得处理后的角度在车辆转角约束范围内，且步长的选取与目标偏向角度呈反比关系，使随机树扩展方向尽快偏向目标点；
S5、通过步骤S1获取地图信息，使随机采样点完成无需碰撞检测的随机树扩展，加快算法运行速度；
S6、随机树找到目标点后，生成一条可行路径，算法对路径进行冗余点删除，并完成无碰撞的路径点简化；
S7、使用杜宾斯平滑曲线拟合步骤S6得到的路径简化点，得到符合车辆行驶特性的路径。
以下为本发明具体实现过程。
图1为本发明一种考虑转角约束的无碰撞检测快速随机树全局路径规划方法流程图，具体实现步骤如下：
步骤一：地图预处理以获取地图信息，建立无人车运动模型；
建立无人车运动模型并通过无人车自身携带的摄像头、激光雷达、GPS、惯导及里程计等传感器的数据融合进行建模得到地图信息。算法对地图进行灰度化与二值化处理，将地图区分出可行区域与障碍物区域，获取可行区域与障碍物区域的坐标信息。
步骤二：启发式可变范围随机点采样；
在步骤一获取的可行区域与障碍物区域的坐标信息的基础上，统计各区域坐标点个数。即状态空间坐标个数m、可行区域坐标个数mf与障碍物区域坐标个数mo。通过状态空间的障碍域系数Co对采样范围进行调节，同时利用障碍域系数Co确定采样点的启发概率ph，即调整算法在障碍物周围采样的概率。算法产生区间为(0,1)的随机数prand，若prand＜ph，算法在障碍物采样范围内进行随机采样，反之，算法在其余可行域内进行随机采样。这种方法使得无人车既能在狭窄复杂环境中快速穿过狭窄可行区域减少路径规划时间，也使得算法在空旷环境中保持随机性，通过障碍物周围区域引导也加快了向目标状态的收敛速度。
具体计算公式如下：
Figure BDA0003190989230000051
式中：可行域系数Cf为可行域坐标点个数mf与状态空间坐标点个数m的比值，障碍域系数Co为障碍域坐标点个数mo与状态空间坐标点个数m的比值，Cr为可变范围系数，Ph为算法在可变范围内的采样启发概率,R为可变范围的大小。
步骤三：考虑车辆转角约束的临近点采样策略(如图2所示)
当前点qcurrent的车辆姿态与下一个路径点qnext的车辆姿态的夹角为
Figure BDA0003190989230000061
则车辆转弯半径R与车辆转向角
Figure BDA0003190989230000062
的关系为：
Figure BDA0003190989230000063
式中，B为步长。
在随机树T中找出与随机点qrand距离最近的点qi，计算随机点qrand和当前点qi的连线与X轴的夹角
Figure BDA0003190989230000064
qi和其父节点qi-1的连线与X轴的夹角
Figure BDA0003190989230000065
再比较
Figure BDA0003190989230000066
与
Figure BDA0003190989230000067
的角度差值θ的绝对值是否小于车辆最大转向角
Figure BDA0003190989230000068
若小于车辆最大转向角，计算qrand与qi的距离d(qi,qrand)。比较d(qi,qrand)是否小于步长B，若小于步长B，在qrand与qi的连线上以d(qi,qrand)作为qi与qi+1的距离；反之，在qrand与qi的连线上以B作为qi与qi+1的距离。
具体计算公式如下：
Figure BDA0003190989230000069
Figure BDA00031909892300000610
式中，qrand为可行域中生成的随机点，qi为距离qrand最近的点，qi-1为qi的父节点，
Figure BDA00031909892300000611
为车辆最大转向角；d(qi,qrand)为qrand与qi的距离,d(qi，qi+1)为qi与其子节点qi+1的距离，B为步长。
步骤四：自适应步长目标偏向引导策略(如图3所示)
结合步骤三提出考虑角度约束的自适应步长目标偏向引导策略。该策略利用步骤三中计算得到的
Figure BDA00031909892300000612
与
Figure BDA00031909892300000613
相减得到角度差值θ与车辆最大转向角
Figure BDA00031909892300000614
的大小关系对d(qi，qi+1)与
Figure BDA00031909892300000615
进行自适应调整，即当角度差值θ大于车辆最大转向角
Figure BDA00031909892300000616
时，角度差值θ等于车辆最大转向角
Figure BDA00031909892300000617
当角度差值θ小于车辆最大转向角
Figure BDA00031909892300000618
时，角度差值θ取其本身数值。使算法出现目标偏向引导情形时实现有效采样并快速朝目标点方向收敛。
具体公式如下：
Figure BDA00031909892300000619
Figure BDA0003190989230000071
Figure BDA0003190989230000072
式中，
Figure BDA0003190989230000073
为随机点qrand与当前点qi的连线与X轴的夹角，
Figure BDA0003190989230000074
为随机树T当前点qi与其父节点qi+1的连线与X轴的夹角，
Figure BDA0003190989230000075
为经过改进目标偏向引导策略采样的合理采样点qi+1与其父节点qi的连线与X轴的夹角。θ为
Figure BDA0003190989230000076
与
Figure BDA0003190989230000077
的角度差值，θ′为
Figure BDA0003190989230000078
与
Figure BDA0003190989230000079
的角度差值。d(qi，qi+1)为随机树T当前点qi与其子节点qi+1的距离，B为步长，
Figure BDA00031909892300000710
为车辆最大转向角。
步骤五：无需碰撞检测的随机树扩展(如图5所示)
将步骤一获取障碍物区域作为当前障碍物区域，将当前障碍物尺寸加上两倍步长作为算法运行时的障碍物区域。将快速随机树T的随机采样点设定为随机落在可行区域内，由此随机采样点总是落在距离实际障碍物两倍步长的位置，不与障碍物发生碰撞，免去传统RRT(如图4所示)的碰撞检测环节，加快算法运算速度。
步骤六：无碰撞的路径点简化(如图6所示)
利用随机树T可以得到从起始状态到目标状态的可行路径点，将起点qstart作为第一次连接的开始点qk，开始依次连接后续的路径点，在两路径点间的连线不与障碍物发生碰撞的情况下，对开始点qk与路径点qi-1之间的路径进行剔除。依次类推，直到不满足条件的路径点qi的父节点qi-1作为新的开始点qk，重复上述操作，直到连接到目标点qgoal。
步骤七：杜宾斯平滑曲线拟合(如图7所示)
采用杜宾斯曲线对步骤六得到的路径简化点进行路径平滑拟合，得到符合车辆行驶特性的路径。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (7)

1.一种考虑转角约束的无碰撞检测快速随机树全局路径规划方法，其特征在于，包括如下步骤：
S1、建立无人车运动模型，并获取地图的可行区域信息与障碍物区域信息；
S2、启发式可变范围随机点采样策略：利用步骤S1的障碍物区域信息生成启发概率，此时产生0到1之间的随机数，若随机数大于启发概率，则在障碍物区域预定范围内的可行区域生成随机采样点；反之，在障碍物区域预定范围之外生成随机采样点；
S3、利用步骤S1建立的无人车运动模型得到车辆转角约束关系，引入考虑车辆转角约束的临近点采样策略，使得随机采样点的角度选取范围符合车辆转角约束特性；
S4、引入自适应步长目标偏向引导策略：目标偏向有时会导致随机采样点的角度选取超出步骤S3得到的车辆转角约束范围，此时随机树扩展方向偏离目标点，故对目标偏向后的角度进行归一化处理，使得处理后的角度在车辆转角约束范围内，且步长的选取与目标偏向角度呈反比关系，使随机树扩展方向尽快偏向目标点；
S5、通过步骤S1获取的地图的可行区域信息与障碍物区域信息，使随机采样点完成无需碰撞检测的随机树扩展；
S6、随机树找到目标点后，生成一条可行路径，算法对路径进行冗余点删除，并完成无碰撞的路径点简化；
S7、使用杜宾斯平滑曲线拟合步骤S6得到的路径简化点，得到符合车辆行驶特性的路径。
2.根据权利要求1所述的考虑转角约束的无碰撞检测快速随机树全局路径规划方法，其特征在于，所述步骤S1具体实现方式为：建立无人车运动模型并通过无人车自身携带的包括摄像头、激光雷达、GPS、惯导及里程计的传感器的数据融合进行建模得到地图信息，对地图进行灰度化与二值化处理，将地图区分出可行区域与障碍物区域，获取可行区域与障碍物区域的坐标信息。
3.根据权利要求1所述的考虑转角约束的无碰撞检测快速随机树全局路径规划方法，其特征在于，所述步骤S2具体实现方式为：由步骤S1获取的可行区域信息与障碍物区域信息，统计各区域坐标点个数；即状态空间坐标个数m、可行区域坐标个数mf与障碍物区域坐标个数mo；通过状态空间的障碍域系数Co对采样范围进行调节，同时利用障碍域系数Co确定采样点的启发概率ph，即调整在障碍物周围采样的概率；产生区间为(0，1)的随机数prand，若prand＜ph，在障碍物区域内进行随机采样，反之，在可行域内进行随机采样；具体计算公式如下：
Figure FDA0003190989220000021
式中：可行域系数Cf为可行域坐标点个数mf与状态空间坐标点个数m的比值，障碍域系数Co为障碍域坐标点个数mo与状态空间坐标点个数m的比值，Cr为可变范围系数，Ph为可变范围内的采样启发概率，R为可变范围的大小。
4.根据权利要求1所述的考虑转角约束的无碰撞检测快速随机树全局路径规划方法，其特征在于，所述步骤S3具体实现方式为：
设当前点qcurrent的车辆姿态与下一个路径点qnext的车辆姿态的夹角为
Figure FDA0003190989220000022
则车辆转弯半径R与车辆转向角
Figure FDA0003190989220000023
的关系为：
Figure FDA0003190989220000024
式中，B为步长；
在随机树T中找出与随机点qrand距离最近的点qi，计算随机点qrand和当前点qi的连线与X轴的夹角
Figure FDA0003190989220000025
qi和其父节点qi-1的连线与X轴的夹角
Figure FDA0003190989220000026
再比较
Figure FDA0003190989220000027
与
Figure FDA00031909892200000215
的角度差值θ的绝对值是否小于车辆最大转向角
Figure FDA0003190989220000029
若小于车辆最大转向角，计算qrand与qi的距离d(qi，qrand)；比较d(qi，qrand)是否小于步长B，若小于步长B，在qrand与qi的连线上以d(qi，qrand)作为qi与qi+1的距离；若大于步长B，在qrand与qi的连线上以B作为qi与qi+1的距离；具体计算公式如下：
Figure FDA00031909892200000210
Figure FDA00031909892200000211
式中，qrand为可行区域中生成的随机点，qi为距离qrand最近的点，qi-1为qi的父节点，
Figure FDA00031909892200000212
为车辆最大转向角；d(qi，qrand)为qrand与qi的距离，d(qi，qi+1)为qi与其子节点qi+1的距离。
5.根据权利要求4所述的考虑转角约束的无碰撞检测快速随机树全局路径规划方法，其特征在于，所述步骤S4具体实现方式为：利用步骤S3中计算得到的
Figure FDA00031909892200000213
与
Figure FDA00031909892200000214
相减得到角度差值θ与车辆最大转向角
Figure FDA0003190989220000031
的大小关系对d(qi，qi+1)与
Figure FDA0003190989220000032
进行自适应调整，即当角度差值θ大于车辆最大转向角
Figure FDA0003190989220000033
时，令角度差值θ等于车辆最大转向角
Figure FDA0003190989220000034
当角度差值θ小于车辆最大转向角
Figure FDA0003190989220000035
时，角度差值θ取其本身数值；具体计算公式如下：
Figure FDA0003190989220000036
Figure FDA0003190989220000037
Figure FDA0003190989220000038
式中，
Figure FDA0003190989220000039
为随机点qrand和当前点qi的连线与X轴的夹角，
Figure FDA00031909892200000310
为随机树T当前点qi和其父节点qi-1的连线与X轴的夹角，
Figure FDA00031909892200000311
为经过自适应步长目标偏向引导策略采样的采样点qi+1和其父节点qi的连线与X轴的夹角，θ为
Figure FDA00031909892200000312
与
Figure FDA00031909892200000313
的角度差值，θ′为
Figure FDA00031909892200000314
与
Figure FDA00031909892200000315
的角度差值，d(qi，qi+1)为随机树T当前点qi与其子节点qi+1的距离，
Figure FDA00031909892200000316
为车辆最大转向角。
6.根据权利要求1所述的考虑转角约束的无碰撞检测快速随机树全局路径规划方法，其特征在于，所述步骤S5具体实现方式为：将步骤S1获取的障碍物区域作为当前障碍物区域，将当前障碍物尺寸加上两倍步长作为运行时的障碍物区域；将快速随机树T的随机采样点设定为随机落在可行区域内，由此随机采样点总是落在距离实际障碍物两倍步长的位置，不与障碍物发生碰撞，免去传统RRT的碰撞检测环节，加快算法运算速度。
7.根据权利要求1所述的考虑转角约束的无碰撞检测快速随机树全局路径规划方法，其特征在于，所述步骤S6具体实现方式为：利用随机树T可得到从起始状态到目标状态的可行路径点，将起点qstart作为第一次连接的开始点qk，开始依次连接后续的路径点，在两路径点间的连线不与障碍物发生碰撞的情况下，对开始点qk与路径点qi-1之间的路径进行剔除；依次类推，直到不满足条件的路径点qi的父节点qi-1作为新的开始点qk，重复上述操作，直到连接到目标点qgoal。
CN202110879163.1A 2021-08-02 2021-08-02 考虑转角约束的无碰撞检测快速随机树全局路径规划方法 Active CN113467476B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110879163.1A CN113467476B (zh) 2021-08-02 2021-08-02 考虑转角约束的无碰撞检测快速随机树全局路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110879163.1A CN113467476B (zh) 2021-08-02 2021-08-02 考虑转角约束的无碰撞检测快速随机树全局路径规划方法

Publications (2)

Publication Number Publication Date
CN113467476A true CN113467476A (zh) 2021-10-01
CN113467476B CN113467476B (zh) 2023-04-28

Family

ID=77883758

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110879163.1A Active CN113467476B (zh) 2021-08-02 2021-08-02 考虑转角约束的无碰撞检测快速随机树全局路径规划方法

Country Status (1)

Country Link
CN (1) CN113467476B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116295443A (zh) * 2023-05-16 2023-06-23 北京科技大学 铰链式无人采矿装备的路径规划方法、装置、装备及介质
CN117055591A (zh) * 2023-10-11 2023-11-14 青岛哈尔滨工程大学创新发展中心 综合洋流影响和机动性约束的auv全局路径规划方法
CN117387633A (zh) * 2023-12-13 2024-01-12 山东常林智能装备科技有限公司 一种无人驾驶挖掘机的路径规划方法、电子设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107943053A (zh) * 2017-12-15 2018-04-20 陕西理工大学 一种移动机器人的路径规划方法
CN108762270A (zh) * 2018-06-01 2018-11-06 上海理工大学 变概率双向快速搜索随机树改进路径规划算法
CN110285802A (zh) * 2019-06-11 2019-09-27 安徽理工大学 快速扩展随机树路径光滑方法
CN111141304A (zh) * 2019-12-30 2020-05-12 福州大学 一种基于同心圆采样引导rrt算法的路径规划方法
CN111238518A (zh) * 2020-01-13 2020-06-05 山东交通学院 一种基于改进rrt算法的智能农业车辆路径规划方法
CN112677153A (zh) * 2020-12-16 2021-04-20 东北林业大学 一种改进的rrt算法及工业机器人路径避障规划方法
CN112987737A (zh) * 2021-02-26 2021-06-18 华中科技大学 考虑转角约束的Bi-RRT无人艇多艇导航方法及设备
CN113064426A (zh) * 2021-03-17 2021-07-02 安徽工程大学 一种改进双向快速搜索随机树算法的智能车路径规划方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107943053A (zh) * 2017-12-15 2018-04-20 陕西理工大学 一种移动机器人的路径规划方法
CN108762270A (zh) * 2018-06-01 2018-11-06 上海理工大学 变概率双向快速搜索随机树改进路径规划算法
CN110285802A (zh) * 2019-06-11 2019-09-27 安徽理工大学 快速扩展随机树路径光滑方法
CN111141304A (zh) * 2019-12-30 2020-05-12 福州大学 一种基于同心圆采样引导rrt算法的路径规划方法
CN111238518A (zh) * 2020-01-13 2020-06-05 山东交通学院 一种基于改进rrt算法的智能农业车辆路径规划方法
CN112677153A (zh) * 2020-12-16 2021-04-20 东北林业大学 一种改进的rrt算法及工业机器人路径避障规划方法
CN112987737A (zh) * 2021-02-26 2021-06-18 华中科技大学 考虑转角约束的Bi-RRT无人艇多艇导航方法及设备
CN113064426A (zh) * 2021-03-17 2021-07-02 安徽工程大学 一种改进双向快速搜索随机树算法的智能车路径规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张卫波 等: "改进ＲＲＴ算法在复杂环境下智能车路径规划中的应用", 《中国公路学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116295443A (zh) * 2023-05-16 2023-06-23 北京科技大学 铰链式无人采矿装备的路径规划方法、装置、装备及介质
CN116295443B (zh) * 2023-05-16 2023-08-04 北京科技大学 铰链式无人采矿装备的路径规划方法、装置、装备及介质
CN117055591A (zh) * 2023-10-11 2023-11-14 青岛哈尔滨工程大学创新发展中心 综合洋流影响和机动性约束的auv全局路径规划方法
CN117055591B (zh) * 2023-10-11 2024-03-15 青岛哈尔滨工程大学创新发展中心 综合洋流影响和机动性约束的auv全局路径规划方法
CN117387633A (zh) * 2023-12-13 2024-01-12 山东常林智能装备科技有限公司 一种无人驾驶挖掘机的路径规划方法、电子设备及介质
CN117387633B (zh) * 2023-12-13 2024-05-14 山东常林智能装备科技有限公司 一种无人驾驶挖掘机的路径规划方法、电子设备及介质

Also Published As

Publication number Publication date
CN113467476B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
Li et al. Path planning based on combinaion of improved A-STAR algorithm and DWA algorithm
CN113467476A (zh) 考虑转角约束的无碰撞检测快速随机树全局路径规划方法
CN110703762B (zh) 一种复杂环境下水面无人艇混合路径规划方法
CN107702716B (zh) 一种无人驾驶路径规划方法、系统和装置
CN111830979B (zh) 一种轨迹优化方法和装置
CN109579854B (zh) 基于快速扩展随机树的无人车避障方法
CN111260963A (zh) 一种多船会遇避碰方法
CN115079705A (zh) 基于改进a星融合dwa优化算法的巡检机器人路径规划方法
CN112327850A (zh) 一种水面无人艇路径规划方法
CN113805597B (zh) 基于粒子群算法的障碍物自我保护人工势场法局部路径规划方法
CN113625702B (zh) 基于二次规划的无人车同时路径跟踪与避障方法
CN113608531A (zh) 基于安全a*引导点的动态窗口的无人车实时全局路径规划方法
CN115562290A (zh) 一种基于a星惩罚控制优化算法的机器人路径规划方法
CN113515111B (zh) 一种车辆避障路径规划方法及装置
CN112731929A (zh) 一种基于阿克曼模型的移动机器人避障路径规划方法
Gong et al. VPH+: An enhanced vector polar histogram method for mobile robot obstacle avoidance
CN110262473B (zh) 一种基于改进Bi-RRT算法的无人艇自动避碰方法
CN113701777B (zh) 基于空间向量的高精地图车道关联轨迹线自动生成方法
CN114428499A (zh) 一种融合Astar与DWA算法的移动小车路径规划方法
CN113341999A (zh) 一种基于优化d*算法的叉车路径规划方法及装置
CN115061470A (zh) 适用狭窄空间的无人车改进teb导航方法
Wu et al. VFH+ based local path planning for unmanned surface vehicles
CN114545971A (zh) 一种通讯约束下多智能体分布式可飞路径规划方法、系统、计算机设备及介质
Shi et al. Local path planning of unmanned vehicles based on improved RRT algorithm
Wang et al. Reference path correction for autonomous ground vehicles driving over rough terrain

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