CN113625711B - 一种基于危险系数的自适应动态窗口无人车实时避障方法 - Google Patents

一种基于危险系数的自适应动态窗口无人车实时避障方法 Download PDF

Info

Publication number
CN113625711B
CN113625711B CN202110879348.2A CN202110879348A CN113625711B CN 113625711 B CN113625711 B CN 113625711B CN 202110879348 A CN202110879348 A CN 202110879348A CN 113625711 B CN113625711 B CN 113625711B
Authority
CN
China
Prior art keywords
unmanned vehicle
dynamic
speed
obstacle
obstacle avoidance
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
CN202110879348.2A
Other languages
English (en)
Other versions
CN113625711A (zh
Inventor
张卫波
黄绍斌
陈慧鸿
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 CN202110879348.2A priority Critical patent/CN113625711B/zh
Publication of CN113625711A publication Critical patent/CN113625711A/zh
Application granted granted Critical
Publication of CN113625711B publication Critical patent/CN113625711B/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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • 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)
  • Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Electromagnetism (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及一种基于危险系数的自适应动态窗口无人车实时避障方法。包括：初始化无人车状态信息；通过传感器获取动态障碍物的状态信息；根据采样的线速度和角速度，计算可达动态速度矢量窗口；根据获取的状态信息建立动态障碍物的危险系数；根据危险系数判断是否要开始避障；若需要避障则根据动态障碍物的危险指数自适应的调整评价参数；在可达速度矢量窗口中，根据评价函数选择最佳避障速度矢量；输出最佳避障速度的大小和方向；重复以上循环，直至无人车避开动态障碍物到达目标。本发明通过建立基于动态障碍物运动状态的危险系数，再基于危险系数实时的，动态的调整动态窗口法的评价参数，实现了无人车在动态环境下的实时避障。

Description

一种基于危险系数的自适应动态窗口无人车实时避障方法
技术领域
本发明属于无人车实时避障领域，具体涉及一种基于危险系数的自适应动态窗口无人车实时避障方法。
背景技术
实时避障技术是自动驾驶无人车研究的一个重要领域，是实现无人车自主导航与避障的关键技术，其主要的任务就是让无人车能够在动态环境中快速的规避运动的障碍物，以保证无人车行驶的高效性与安全性，其中实时避障算法是无人车动态避障的核心算法，是体现无人驾驶车辆智慧水平的关键。
在无人车实时避障算法中，动态窗口法是一种经典的实时避障算法。该算法在一定的时间间隔内对无人车的速度进行采样，并通过对无人车系统动力学和运动学的约束，以及判断采样速度在时间间隔内是否与障碍物发生碰撞，最后通过建立的评价函数寻找出一组当前状态下的最优速度反馈给执行机构，驱动无人车运动。然而动态窗口法虽然在针对静态障碍物能达到良好的避障功能，但是在动态环境下该方法的避障能力明显不足，究其原因在于动态窗口法在规划过程中评价函数系数是固定的，不能针对不同状态的障碍物自适应地调整评价系数，以调节无人车的实时避障能力。
发明内容
本发明的目的在于针对已有动态窗口法的局限性，提供一种基于危险系数的自适应动态窗口无人车实时避障方法，通过建立一种基于动态障碍物运动状态的危险系数，再基于危险系数实时的，动态的调整动态窗口法的评价参数，克服了动态窗口法在动态环境中避障能力不足，实现无人车在动态环境下的良好的实时避障。
为实现上述目的，本发明的技术方案是：一种基于危险系数的自适应动态窗口无人车实时避障方法，包括如下步骤：
S1、初始化无人车状态信息；
S2、通过传感器获取动态障碍物的状态信息；
S3、根据采样的无人车状态信息中线速度和角速度，计算可达动态速度矢量窗口；
S4、根据获取的状态信息建立动态障碍物的危险系数；
S5、根据危险系数判断是否要开始避障；
S6、若需要避障则根据动态障碍物的危险指数自适应的调整评价参数；
S7、在可达速度矢量窗口中，根据评价函数选择最佳避障速度矢量；
S8、输出最佳避障速度的大小和方向；
S9、重复以上循环，直至无人车避开动态障碍物到达目标。
在本发明一实施例中，所述步骤S1实现方式为：进行初始化，并通过无人车上包括GPS、惯导、里程计的传感器，获取无人车的初始状态信息，包括线速度、角速度、位置以及朝向。
在本发明一实施例中，所述步骤S2实现方式为：通过无人车自身携带的摄像头和激光雷达获取环境信息数据，通过数据融合得到环境中动态障碍物的运动速度及位置信息。
在本发明一实施例中，所述步骤S3实现方式为：动态窗口法的速度空间约束由运动学速度约束、动力学速度约束和障碍物速度约束所决定；通过计算得到无人车的容许动态窗口Vr，无人车在该容许动态窗口内以预定的时间分辨率Δt对速度(υ，ω)进行采样，获取到若干组采样速度(υt+Δt,ωt+Δt)。
在本发明一实施例中，所述无人车的容许动态窗口Vr计算方式如下：
根据无人车的运动学限制，计算出动态窗口的运动学速度约束：
Vs＝{(υ,ω)|υ∈[0，υmax]∧ω∈[-ωmax，ωmax]}
动力学速度约束，由于无人车驱动电机转矩限制，在动态窗口采样时间间隔Δt内，智能车加减速能达到的最大、最小速度：
Figure BDA0003190989160000021
障碍物速度约束，为保证为无人车不与障碍物发生碰撞，采样速度必须保证智能车能在碰到障碍物前停止：
Figure BDA0003190989160000022
最终智能车可行的采样速度窗口，即容许动态窗口Vr，为运动学速度约束、动力学速度约束和障碍物速度约束的交集：
Vr＝Vs∩Vd∩Va。
在本发明一实施例中，所述步骤S4实现方式为：当环境中存在动态障碍物时，根据步骤S2中传感器获取的动态障碍物的状态信息中的位置信息和速度信息，分别计算动态障碍物的相对距离因子fD(s)和相对速度因子fV(υ)，再将相对距离因子fD(s)与相对速度因子fV(υ)相乘得到危险系数DI。
在本发明一实施例中，所述危险系数DI具体计算方式如下：
(a)相对距离因子：相对距离因子fD(s)的定义为能够保证当无人车与动态障碍物的距离大于作用距离Dmax时fD(s)的值为零；
Figure BDA0003190989160000031
其中，s代表运动障碍物到无人车的距离；Dmax定义为距离因子作用距离，
Figure BDA0003190989160000032
是距离缩放常量，Dmin代表安全距离；
(b)相对速度因子：相对速度因子fV(υ)的定义为能够保证当动态障碍物的速度低于危险速度Vmin时fV(υ)的值为零；相对速度因子fV是基于临界点到无人车上最近点的速度v在距离方向上的分解，当运动障碍物向无人车方向移动时，速度v定义为正；
Figure BDA0003190989160000033
其中，v是障碍物的速度；Vmin为速度影响因子作用速度，设置为负值，即远离无人车；
Figure BDA0003190989160000034
是速度缩放常量；
(c)危险系数DI：
DI＝fD·fV
当fD(s)和fV(υ)的值大于1时，代表无人车由碰撞危险，需要动态避障；所以，当DI＝0时，无人车无碰撞危险，不需要避障；当DI≥1，无人车有碰撞危险，需要实时避障。
在本发明一实施例中，所述步骤S6实现方式为：根据步骤S5的判断结果，选择动态窗口法的不同评价函数，若不需要避障则选则原评价函数，若需要动态避障则选择自适应评价函数；
动态窗口法的评价函数为：
G(υ,ω)＝α·H(υ，ω)+β·D(υ，ω)+γ·V(υ，ω)
式中，G(υ，ω)表示采样速度的总代价值；H(υ，ω)表示当前速度下，模拟轨迹终点方向与引导点之间的方位角偏差；D(υ，ω)表示模拟轨迹终点到障碍物的最近距离；V(υ，ω)是对采样速度大小的评价函数；α、β、γ分别为目标函数、避障函数和速度函数的权重系数；其中，α越大则无人车朝向目标的能力越强；β越大则无人车的避障能力越强；γ越大则无人车的越趋向于直线行驶；
基于动态窗口法评价函数的参数特性，设计新的评价函数：
Figure BDA0003190989160000035
由新的评价函数可知，当DI＝0时，即无人车不需要动态避障时，动态窗口的评价函数参数保持不变；当DI≥1时，无人车需要开始动态避障时，根据动态障碍物的危险系数，自适应地调节评价函数的权重系数，即根据危险系数DI的大小增大评价函数中避障函数的权重β，减小评价函数中目标函数权重α和速度函数权重γ，以增大无人车的转弯避障倾向。
在本发明一实施例中，所述步骤S7实现方式为：无人车在速度空间采样得到的速度矢量(υt+Δt，ωt+Δt)，经过步骤S6中的自适应评价函数寻找出一组当前最优的速度矢量(υop，ωop)。
在本发明一实施例中，所述步骤S8实现方式为：根据步骤S7中求出的一组当前最优的速度矢量(υop，ωop)，并将其发送至无人车的执行机构，通过电信号控制电机的转速和方向盘转角，控制无人车沿着最优避障路径行驶。
相较于现有技术，本发明具有以下有益效果：
第一，本发明根据动态障碍物的状态建立了统一的评价指标——危险系数，危险系数的建立主要考虑动态障碍物与无人车的距离、速度大小以及速度方向的影响。第二，在本发明建立的危险系数的基础上，重新设计动态窗口法的算法流程，并且建立了新的自适应的评价函数，实现无人车的动态避障；
本发明通过建立一种基于动态障碍物运动状态的危险系数，再基于危险系数实时的，动态的调整动态窗口法的评价参数，克服了动态窗口法在动态环境中避障能力不足，实现无人车在动态环境下的良好的实时避障。
附图说明
图1为本发明方法流程图。
图2为本发明一实例的无人车进行动态避障示意图。
图3为本发明一实例的无人车完成动态避障到达终点示意图。
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。
如图1所示，本发明一种基于危险系数的自适应动态窗口无人车实时避障方法，包括如下步骤：
S1、初始化无人车状态信息；
S2、通过传感器获取动态障碍物的状态信息；
S3、根据采样的无人车状态信息中线速度和角速度，计算可达动态速度矢量窗口；
S4、根据获取的状态信息建立动态障碍物的危险系数；
S5、根据危险系数判断是否要开始避障；
S6、若需要避障则根据动态障碍物的危险指数自适应的调整评价参数；
S7、在可达速度矢量窗口中，根据评价函数选择最佳避障速度矢量；
S8、输出最佳避障速度的大小和方向；
S9、重复以上循环，直至无人车避开动态障碍物到达目标。
以下为本发明具体实现过程。
步骤一：初始化无人车状态信息；
算法进行初始化，通过无人车上的GPS、惯导、里程计等传感器，获取无人车的初始状态信息，包括线速度、角速度、位置以及朝向等。
步骤二：通过传感器获取动态障碍物的状态信息；
通过无人车自身携带的摄像头和激光雷达获取的环境信息数据，通过数据融合得到环境中动态障碍物的运动速度及位置信息。
步骤三：根据无人车的动力学和运动学限制，计算可达动态速度矢量窗口；
动态窗口法的速度空间约束主要由运动学速度约束、动力学速度约束和障碍物速度约束所决定。根据无人车的运动学限制，计算出动态窗口的运动学约束：
Vs＝{(υ,ω)|υ∈[0，υmax]^ω∈[-ωmax，ωmax]}
动力学速度约束，由于无人车驱动电机转矩限制，在动态窗口采样时间间隔Δt内，智能车加减速能达到的最大、最小速度：
Figure BDA0003190989160000051
障碍物速度约束，为保证为无人车不与障碍物发生碰撞，采样速度必须保证智能车能在碰到障碍物前停止。
Figure BDA0003190989160000052
最终智能车可行的采样速度窗口为上述3个速度约束的交集：
Vr＝Vs∩Vd∩Va
无人车在当前的状态下以一定的时间分辨率Δt在可行的速度空间内对速度(υ，ω)进行采样，获取到若干组采样速度(υt+Δt,ωt+Δt)。
步骤四：根据获取的状态信息建立动态障碍物的危险系数；
危险系数主要负责对当前环境下的动态障碍物的状态和运动意图进行评估，确定动态障碍物的危险等级。无人车根据相应的危险等级来调整避障状态，实现良好的实时避障。危险系数主要包括两个方面：相对距离影响因子和相对速度影响因子。
(a)相对距离因子：
Figure BDA0003190989160000061
其中，s代表运动障碍物到无人车的距离；Dmax定义为距离因子作用距离，是距离缩放常量，Dmin代表安全距离。
(b)相对速度因子：
相对速度因子fV是基于临界点到无人车上最近点的速度v在距离方向上的分解，当运动障碍物向无人车方向移动时，速度v定义为正。
Figure BDA0003190989160000062
其中，v是障碍物的速度；Vmin为速度影响因子作用速度，通常设置为负值(远离无人车)；
Figure BDA0003190989160000063
是速度缩放常量。
(c)危险指数定义为：
DI＝fD·fV
当环境中存在动态障碍物时，根据步骤二中，无人车传感器获取的动态障碍物的位置信息和速度信息，分别计算动态障碍物的相对距离因子fD(s)和相对速度因子fV(v)。其中相对距离因子fD(s)的定义能够保证当无人车与动态障碍物的距离大于作用距离Dmax时fD(s)的值为零；相对速度因子fV(υ)的定义能够保证当动态障碍物的速度低于危险速度Vmin时fV(υ)的值为零。而当fD(s)和fV(υ)的值大于1时，代表无人车由碰撞危险，需要动态避障。所以，当DI＝0时，无人车无碰撞危险，不需要避障；当DI≥1，无人车有碰撞危险，需要实时避障。
步骤五：根据危险系数判断是否要开始避障；
由步骤四可知，危险系数是由相对距离影响因子与相对速度影响因子相乘得到，使得只有其中所有影响因子不为零时，危险系数才会为非零值，而只有危险系数不为零时，才会激活无人车的动态避障行为。
步骤六：若需要避障则根据动态障碍物的危险指数自适应的调整评价参数；
传统动态窗口法的评价函数为：
G(υ，ω)＝α·H(υ，ω)+β·D(υ，ω)+γ·V(υ，ω)
式中，G(υ，ω)表示采样速度的总代价值；H(υ，ω)表示当前速度下，模拟轨迹终点方向与引导点之间的方位角偏差；D(υ，ω)表示模拟轨迹终点到障碍物的最近距离；V(υ，ω)是对采样速度大小的评价函数。α、β、γ分别为目标函数、避障函数和速度函数的权重系数；其中，α越大则无人车朝向目标的能力越强；β越大则无人车的避障能力越强；γ越大则无人车的越趋向于直线行驶。
基于动态窗口法评价函数的参数特性，本发明设计了新的评价函数：
Figure BDA0003190989160000071
由新的评价函数可知，当DI＝0时，即无人车不需要动态避障时，动态窗口的评价函数参数保持不变；当DI≥1时，无人车需要开始动态避障时，根据动态障碍物的危险系数，自适应地调节评价函数的权重系数，具体来说，就是根据危险系数DI的大小增大评价函数中避障函数的权重β，减小评价函数中目标函数权重α和速度函数权重γ，以增大无人车的转弯避障倾向。
步骤七：在可达速度矢量窗口中，根据评价函数选择最佳避障速度矢量；
无人车在速度空间采样得到的速度矢量(υt+Δt，ωt+Δt)，经过步骤六中的自适应评价函数寻找出一组当前最优的速度矢量(υop，ωop)。
步骤八：输出最佳避障速度的大小和方向；
步骤七中求出评价函数最大时对应轨迹的(υop，ωop)，并将其发送至无人车的执行机构，通过电信号控制电机的转速和方向盘转角，控制无人车沿着最优避障路径行驶。
步骤九：重复以上循环，直至无人车避开动态障碍物到达目标。
图2为本发明无人车进行动态避障示意图。图3为本发明无人车完成动态避障到达终点示意图。
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 (9)

1.一种基于危险系数的自适应动态窗口无人车实时避障方法，其特征在于，包括如下步骤：
S1、初始化无人车状态信息；
S2、通过传感器获取动态障碍物的状态信息；
S3、根据采样的无人车状态信息中线速度和角速度，计算可达动态速度矢量窗口；
S4、根据获取的状态信息建立动态障碍物的危险系数；
S5、根据危险系数判断是否要开始避障；
S6、若需要避障则根据动态障碍物的危险指数自适应的调整评价参数；
S7、在可达速度矢量窗口中，根据评价函数选择最佳避障速度矢量；
S8、输出最佳避障速度的大小和方向；
S9、重复以上循环，直至无人车避开动态障碍物到达目标；
所述步骤S6实现方式为：根据步骤S5的判断结果，选择动态窗口法的不同评价函数，若不需要避障则选则原评价函数，若需要动态避障则选择自适应评价函数；
动态窗口法的评价函数为：
G(v,ω)＝α·H(v,ω)+β·D(v,ω)+γ·V(v,ω)
式中，G(v,ω)表示采样速度的总代价值；H(v,ω)表示当前速度下，模拟轨迹终点方向与引导点之间的方位角偏差；D(υ,ω)表示模拟轨迹终点到障碍物的最近距离；V(v,ω)是对采样速度大小的评价函数；α、β、γ分别为目标函数、避障函数和速度函数的权重系数；其中，α越大则无人车朝向目标的能力越强；β越大则无人车的避障能力越强；γ越大则无人车的越趋向于直线行驶；
基于动态窗口法评价函数的参数特性，设计新的评价函数：
Figure FDA0004144988230000011
由新的评价函数可知，当DI＝0时，即无人车不需要动态避障时，动态窗口的评价函数参数保持不变；当DI≥1时，无人车需要开始动态避障时，根据动态障碍物的危险系数，自适应地调节评价函数的权重系数，即根据危险系数DI的大小增大评价函数中避障函数的权重β，减小评价函数中目标函数权重α和速度函数权重γ，以增大无人车的转弯避障倾向。
2.根据权利要求1所述的一种基于危险系数的自适应动态窗口无人车实时避障方法，其特征在于，所述步骤S1实现方式为：进行初始化，并通过无人车上包括GPS、惯导、里程计的传感器，获取无人车的初始状态信息，包括线速度、角速度、位置以及朝向。
3.根据权利要求1所述的一种基于危险系数的自适应动态窗口无人车实时避障方法，其特征在于，所述步骤S2实现方式为：通过无人车自身携带的摄像头和激光雷达获取环境信息数据，通过数据融合得到环境中动态障碍物的运动速度及位置信息。
4.根据权利要求1所述的一种基于危险系数的自适应动态窗口无人车实时避障方法，其特征在于，所述步骤S3实现方式为：动态窗口法的速度空间约束由运动学速度约束、动力学速度约束和障碍物速度约束所决定；通过计算得到无人车的容许动态窗口Vr，无人车在该容许动态窗口内以预定的时间分辨率Δt对速度(v,ω)进行采样，获取到若干组采样速度(vt+Δt,ωt+Δt)。
5.根据权利要求4所述的一种基于危险系数的自适应动态窗口无人车实时避障方法，其特征在于，所述无人车的容许动态窗口Vr计算方式如下：
根据无人车的运动学限制，计算出动态窗口的运动学速度约束：
Vs＝{(v,ω)|v∈[0,vmax]∧ω∈[-ωmax,ωmax]}
动力学速度约束，由于无人车驱动电机转矩限制，在动态窗口采样时间间隔Δt内，智能车加减速能达到的最大、最小速度：
Figure FDA0004144988230000021
障碍物速度约束，为保证为无人车不与障碍物发生碰撞，采样速度必须保证智能车能在碰到障碍物前停止：
Figure FDA0004144988230000022
最终智能车可行的采样速度窗口，即容许动态窗口Vr，为运动学速度约束、动力学速度约束和障碍物速度约束的交集：
Vr＝Vs∩Vd∩Va。
6.根据权利要求1所述的一种基于危险系数的自适应动态窗口无人车实时避障方法，其特征在于，所述步骤S4实现方式为：当环境中存在动态障碍物时，根据步骤S2中传感器获取的动态障碍物的状态信息中的位置信息和速度信息，分别计算动态障碍物的相对距离因子fD(s)和相对速度因子fV(v)，再将相对距离因子fD(s)与相对速度因子fV(v)相乘得到危险系数DI。
7.根据权利要求6所述的一种基于危险系数的自适应动态窗口无人车实时避障方法，其特征在于，所述危险系数DI具体计算方式如下：
(a)相对距离因子：相对距离因子fD(s)的定义为能够保证当无人车与动态障碍物的距离大于作用距离Dmax时fD(s)的值为零；
Figure FDA0004144988230000031
其中，s代表运动障碍物到无人车的距离；Dmax定义为距离因子作用距离，
Figure FDA0004144988230000032
是距离缩放常量，Dmin代表安全距离；
(b)相对速度因子：相对速度因子fV(v)的定义为能够保证当动态障碍物的速度低于危险速度Vmin时fV(v)的值为零；相对速度因子fV是基于临界点到无人车上最近点的速度v在距离方向上的分解，当运动障碍物向无人车方向移动时，速度v定义为正；
Figure FDA0004144988230000033
其中，v是障碍物的速度；Vmin为速度影响因子作用速度，设置为负值，即远离无人车；
Figure FDA0004144988230000034
是速度缩放常量；
(c)危险系数DI：
DI＝fD·fV
当fD(s)和fV(v)的值大于1时，代表无人车有碰撞危险，需要动态避障；所以，当DI＝0时，无人车无碰撞危险，不需要避障；当DI≥1，无人车有碰撞危险，需要实时避障。
8.根据权利要求1所述的一种基于危险系数的自适应动态窗口无人车实时避障方法，其特征在于，所述步骤S7实现方式为：无人车在速度空间采样得到的速度矢量(vt+Δt,ωt+Δt)，经过步骤S6中的自适应评价函数寻找出一组当前最优的速度矢量(vop,ωop)。
9.根据权利要求8所述的一种基于危险系数的自适应动态窗口无人车实时避障方法，其特征在于，所述步骤S8实现方式为：根据步骤S7中求出的一组当前最优的速度矢量(vop,ωop)，并将其发送至无人车的执行机构，通过电信号控制电机的转速和方向盘转角，控制无人车沿着最优避障路径行驶。
CN202110879348.2A 2021-08-02 2021-08-02 一种基于危险系数的自适应动态窗口无人车实时避障方法 Active CN113625711B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110879348.2A CN113625711B (zh) 2021-08-02 2021-08-02 一种基于危险系数的自适应动态窗口无人车实时避障方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110879348.2A CN113625711B (zh) 2021-08-02 2021-08-02 一种基于危险系数的自适应动态窗口无人车实时避障方法

Publications (2)

Publication Number Publication Date
CN113625711A CN113625711A (zh) 2021-11-09
CN113625711B true CN113625711B (zh) 2023-05-30

Family

ID=78382282

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110879348.2A Active CN113625711B (zh) 2021-08-02 2021-08-02 一种基于危险系数的自适应动态窗口无人车实时避障方法

Country Status (1)

Country Link
CN (1) CN113625711B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109318890A (zh) * 2018-06-29 2019-02-12 北京理工大学 一种基于动态窗口及障碍物势能场的无人车动态避障方法
CN110018689A (zh) * 2019-05-15 2019-07-16 福州大学 一种基于动态窗口的多虚拟目标点全局动态路径规划算法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT201600114161A1 (it) * 2016-11-11 2018-05-11 Info Solution S P A Metodo e dispositivo di pilotaggio di un veicolo semovente e relativo sistema di pilotaggio
CN108664020A (zh) * 2018-04-11 2018-10-16 上海大学 一种基于速度障碍法和动态窗口法的无人艇动态避障算法
US11945434B2 (en) * 2019-11-08 2024-04-02 Baidu Usa Llc Delay decision making for autonomous driving vehicles in response to obstacles based on confidence level and distance
CN112046494B (zh) * 2020-09-11 2021-10-29 中国第一汽车股份有限公司 一种车辆控制方法、装置、设备及存储介质
CN112906542B (zh) * 2021-02-08 2023-11-24 北京理工大学 一种基于强化学习的无人车避障方法及装置
CN113050646B (zh) * 2021-03-22 2022-09-23 西安工业大学 一种用于室内移动机器人动态环境路径规划方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109318890A (zh) * 2018-06-29 2019-02-12 北京理工大学 一种基于动态窗口及障碍物势能场的无人车动态避障方法
CN110018689A (zh) * 2019-05-15 2019-07-16 福州大学 一种基于动态窗口的多虚拟目标点全局动态路径规划算法

Also Published As

Publication number Publication date
CN113625711A (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
CN112677995B (zh) 一种车辆轨迹规划方法、装置、存储介质及设备
US10928832B2 (en) Impedance-based motion control for autonomous vehicles
CN109871031B (zh) 一种固定翼无人机的轨迹规划方法
CN113848914B (zh) 动态环境下碰撞系数人工势场法局部路径规划方法
CN108459605B (zh) 基于agv系统的轨迹跟踪控制方法
CN113022553B (zh) 一种矿区无人驾驶车辆的泊车方法及系统
CN113895463A (zh) 一种适用于自动驾驶车辆掉头的路径规划方法
WO2019003302A1 (ja) 車両制御装置
CN112859871A (zh) 一种基于模型预测的动态避障控制方法
CN114523982A (zh) 一种自动驾驶并行行驶回避的速度规划方法
CN114637292A (zh) 一种兼顾避障的车辆轨迹跟踪鲁棒控制方法和系统
Singh et al. Control of closed-loop differential drive mobile robot using forward and reverse kinematics
Kim et al. Design of an adaptive cruise control/collision avoidance with lane change support for vehicle autonomous driving
CN114802250A (zh) 数据处理方法、装置、设备、自动驾驶车辆及介质
CN113625711B (zh) 一种基于危险系数的自适应动态窗口无人车实时避障方法
CN116465427A (zh) 一种基于时空风险量化的智能车辆换道避障路径规划方法
KR102563074B1 (ko) 차동 구동형 이동로봇의 운동역학을 고려한 장애물 회피 및 경로 추종방법
CN116360420A (zh) 一种clf-cbf优化的无人车辆运动规划控制方法
Guo et al. Research on path-tracking control method of intelligent vehicle based on adaptive two-point preview
CN115447615A (zh) 基于车辆运动学模型预测控制的轨迹优化方法
Yang et al. ESO-based lateral control for electrical vehicles with unmodeled tire dynamics on uneven road
Wei et al. Driver-centred autonomous vehicle motion control within a blended corridor
CN112706770B (zh) 一种考虑线控转向迟滞的车辆汇入控制系统及方法
Chen et al. Research and application of improved pure pursuit algorithm in low-speed driverless vehicle system
Chen et al. Ribbon model based path tracking method for autonomous ground vehicles

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