CN113850915A - 一种基于Autoware的车辆循迹方法 - Google Patents

一种基于Autoware的车辆循迹方法 Download PDF

Info

Publication number
CN113850915A
CN113850915A CN202111054142.2A CN202111054142A CN113850915A CN 113850915 A CN113850915 A CN 113850915A CN 202111054142 A CN202111054142 A CN 202111054142A CN 113850915 A CN113850915 A CN 113850915A
Authority
CN
China
Prior art keywords
point cloud
map
node
vehicle tracking
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.)
Pending
Application number
CN202111054142.2A
Other languages
English (en)
Inventor
刘飞
邹钰杰
景晖
匡兵
柴文静
杨起鸣
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.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
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 Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202111054142.2A priority Critical patent/CN113850915A/zh
Publication of CN113850915A publication Critical patent/CN113850915A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G06T17/205—Re-meshing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30244—Camera pose

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

一种基于Autoware的车辆循迹方法，属于自动驾驶控制技术领域。本发明为了解决现有的车辆循迹方法存在实现过程繁琐的问题和偏差较大的问题。本发明基于激光雷达采集数据，在Autoware中使用NDTmapping算法建图，对NDT_mapping建立的pcd点云图使用pcl点云库进行后处理，得到最终的地图点云图；然后基于地图点云图，使用仿真simulation功能模块并选择waypoint_saver形成csv路径节点文件；在地图点云图中载入csv路径节点文件，基于A*算法使用astar_avoid以及velocity_set形成车辆循迹轨迹，并基于纯追踪算法使用循迹指令pure_pursuit和twist_filter得到车辆循迹结果。主要用于车辆的循迹。

Description

一种基于Autoware的车辆循迹方法
技术领域
本发明涉及一种车辆循迹方法，属于自动驾驶控制技术领域。
背景技术
随着智能汽车和自动驾驶技术的发展，车辆已经能够基于道路和环境信息等实现车辆的自动驾驶。实现自动驾驶的一个重要的环节就是对车辆进行准确的循迹，而已知的车辆循迹方法有多种，但基本都是采用GPS+IMU实现的。
由于GPS+IMU受制于天气等因素会导致循迹定位点与采用激光雷达的方法相比有较大的偏差，而且使用GPS+IMU完成路径规划需要多个软件，不仅易产生误差，而且过程比较繁琐，因此现有的车辆循迹方法存在准确性较低、实现过程繁琐的问题。
发明内容
本发明为了解决现有的车辆循迹方法存在实现过程繁琐的问题和偏差较大的问题，进而提出了一种基于Autoware的车辆循迹方法。
一种基于Autoware的车辆循迹方法，包括以下步骤：
S1、基于设置在车辆上的robosense激光雷达采集数据；
S2、在Autoware中使用NDTmapping算法建图；
S3、对NDT_mapping建立的pcd点云图使用pcl点云库进行后处理，后处理的过程包括降采样和和点云地图区域划分；
降采样的过程中采用voxel_leaf_size减小点云文件体积，通过pcl点云库将点云文件进行voxel_filter；点云地图区域划分的过程中通过设置网格大小对点云地图进行区域划分；
后处理得到最终的地图点云图；
S4、基于地图点云图，使用仿真simulation功能模块并选择waypoint_saver形成csv路径节点文件；
S5、在地图点云图中载入csv路径节点文件，基于A*算法使用astar_avoid以及velocity_set形成车辆循迹轨迹，并基于纯追踪算法使用循迹指令pure_pursuit和twist_filter得到车辆循迹结果。
进一步地，在robosense激光雷达采集数据之前需要对robosense激光雷达进行标定和高度测量，并进行rosbag录包，在进行rosbag录包时需要勾选话题points_raw。
进一步地，使用NDTmapping算法建图时需要进行进行点云配准，进行点云配准的过程包括以下步骤：
(1)先固定一个点云数据作为目标点云，并对目标点云进行网格划分；
(2)目标点云划分好网格后，将点云加载到网格内，首先计算均值向量
Figure BDA0003253920110000029
Figure BDA0003253920110000021
其中，
Figure BDA0003253920110000022
表示网格内扫描点k的坐标；m表示网格内扫描点的数量；
由式
Figure BDA0003253920110000023
计算协方差矩阵；
最后由式
Figure BDA0003253920110000024
求出每一个网格内的正态分布概率密度函数；
(3)确定源点云相对于目标点云的初始坐标变换参数；
所述的源点云为需要与目标点云进行配准的点云；
(4)根据初始坐标变换参数将源点云坐标转换到目标点云坐标系下，此时源点云会分布在目标点云网格中，由对应所在网格的正态分布概率密度函数，求出源点云坐标为X'的概率，即确定源点云经坐标变换后在目标点云网格中的概率；
(5)求出最大目标似然函数：
将每一个点的概率乘积起来作为目标似然函数；
Figure BDA0003253920110000025
其中，n为分布在目标点云网格中源点云的数量；
(6)利用牛顿迭代法进行优化，找出最佳变换参数p完成点云配准。
进一步地，步骤(3)所述确定初始坐标变换参数的过程中需要使一半以上的源点云处于目标点云的坐标平面当中。
进一步地，步骤(6)所述利用牛顿迭代法进行优化，找出最佳变换参数p完成点云配准的过程包括以下步骤：
求解目标函数公式
Figure BDA0003253920110000026
其中，H是目标函数的黑塞矩阵，
Figure BDA0003253920110000027
是目标函数的梯度向量；
Figure BDA0003253920110000028
是最佳变换参数p的向量变化值；
迭代更新公式T＝T+ΔT；
其中，ΔT是坐标变换参数T的变化值，迭代参数T是坐标变换参数T。
进一步地，在Autoware中使用NDTmapping算法建图的过程中选择参数resolution为1。
进一步地，采用voxel_leaf_size减小点云文件体积的过程选取leaf_size为0.1-0.2。
进一步地，在形成csv路径节点文件的过程中通过autoware生成包含车速车辆在x，y，z方向上的位姿信息以及车辆绕z轴旋转的偏航角。
进一步地，基于A*搜索算法使用astar_avoid以及velocity_set形成车辆循迹轨迹的过程包括以下步骤：
(511)栅格化地图，用二维列表存储地图数据；
(512)构造评估函数：F(n)＝H(n)+G(n)；
H(n)是距离评估函数，n代表地图上的每一个方格；G(n)是起点到终点的代价函数；
(513)基于A*搜索算法进行搜索，A*搜索的每一次寻径都会寻找评估值最小节点。
进一步地，基于A*搜索算法进行搜索的过程包括以下步骤：
A*搜索涉及开放列表和关闭列表；算法先将起点加入到开放列表当中，然后遍历开放列表，找到评估函数最小的节点作为当前搜索起始节点，再将该点加入到关闭列表中，作为已走过的节点；探索评估函数最小的节点周围相邻且不在关闭列表的每一个节点，计算它们的H、G、F值；并把评估函数最小值节点作为这些节点的父节点，将这些节点作为探索节点加入到节点集Q中；如果Q中节点不在开放列表中，将其加入开放列表中；如果Q中的节点已经存在于开放列表中，比较这些节点的F值和他们在开放列表中的F值哪个更小，如果开放列表中的F值更小或二者相等，不做任何改变，否则即用Q中的节点替换开放列表中的节点；如果终点在开放列表中，退出搜索，确定最优路径。
有益效果：
使用激光雷达完成建图和路径规划的步骤与传统使用GPS+IMU定位相比的优点在于精确性高，步骤简单，仅在autoware上就能完成所有步骤。
附图说明
图1为voxel_filter代码截图；
图2为使用激光雷达建图后最终的地图点云图；
图3为基于二维信息(x，y)得到的路线示意图；
图4为基于三维信息(x，y，z)得到的路线示意图；
图5为纯跟踪算法中的智能车简化示意图；
图6至图15分别为autoware车辆循迹仿真的示意图。
具体实施方式
具体实施方式一：
本实施方式所述的一种基于Autoware的车辆循迹方法，包括以下步骤：
S1、将robosense激光雷达设置在车顶，并将车辆与robosense激光雷达连接；
在连接之前要对robosense激光雷达进行标定和高度测量，进行rosbag录包，即将激光雷达的标定数据和高度数据记录到.bag后缀的数据包中，在进行rosbag录包时需要勾选话题points_raw；设定正确的激光雷达高度与完成车辆循迹找点的准确性有很大相关性；
S2、在Autoware中使用NDTmapping算法建图，通过已经录好的包进行simulation仿真以完成NDTmapping建图，此处在室外建图中考虑到数据以及运行速度的影响选择参数resolution为1；
在使用NDTmapping算法建图时需要进行进行点云配准；在激光点云地图建图过程中由于激光雷达扫描距离存在限制，所以一次扫描不能获取整个目标环境，并且距离激光雷达越远，点云会变得越稀疏，所以经过多次连续的扫描以及将每一次扫描的点云数据进行配准和拼接最终才能形成完整激光点云地图；从不同角度扫描同一场景所得到的点云数据统一转换到同一坐标系叫做点云配准；就是将离散的点云数据在统一的坐标系下拼接成一整个完整的点云数据；通常点云配准算法能够利用两个点集之间的最小距离得到两个点集之间的变换关系，使得点云达到变换配准的效果。
进行点云配准的过程包括以下步骤：
(1)网格化目标点云：
由于匹配过程先固定一个点云数据作为目标点云，再将源点云(另外一个点云)数据通过平移旋转和固定的点云进行匹配拼接；所以需要先利立方体将目标点云进行网格划分，使得激光点处于立方体中；
(2)注册激光点云：
目标点云划分好网格后，将点云加载到网格内，首先计算均值向量
Figure BDA0003253920110000041
Figure BDA0003253920110000042
其中，
Figure BDA0003253920110000043
表示网格内扫描点k的坐标；m表示网格内扫描点的数量；
由式
Figure BDA0003253920110000044
计算协方差矩阵；
最后由式
Figure BDA0003253920110000045
求出每一个网格内的正态分布概率密度函数
(3)求出源点云相对于目标点云的初始坐标变换参数：
寻找一个初始坐标变换使得源点云大部分(一半以上)处于目标点云的坐标平面当中，提供变换参数的初值，为下一步变换参数的迭代提供距离最优点较近的初值；
(4)源点云进行初始坐标变换，并计算在目标点云网格中的概率：
根据初始坐标变换参数将源点云坐标转换到目标点云坐标系下，此时源点云会分布在目标点云网格中，由对应所在网格的正态分布概率密度函数，求出源点云坐标为X'的概率，即确定源点云经坐标变换后在目标点云网格中的概率；
(5)求出最大目标似然函数：
将每一个点的概率乘积起来作为目标似然函数；
Figure BDA0003253920110000051
其中，n为分布在目标点云网格中源点云的数量；
(6)利用牛顿迭代法进行优化，找出最佳变换参数p完成点云配准；
求解目标函数公式
Figure BDA0003253920110000052
其中，H是目标函数的黑塞矩阵，
Figure BDA0003253920110000053
是目标函数的梯度向量；
Figure BDA0003253920110000054
是最佳变换参数p的向量变化值；
迭代更新公式T＝T+ΔT；
其中，ΔT是坐标变换参数T的变化值，迭代参数T是坐标变换参数T；
S3、对NDT_mapping建立的pcd点云图使用pcl点云库进行后处理以提高图的点云清晰度，减小文件大小并提高运行速度；后处理包括降采样和区域划分；
对NDT_mapping生成的点云地图使用pcl点云库进行降采样和区域划分的过程包括以下步骤：
由于建立好的点云文件中有很多点云会有重合的效果，为了滤除重合点，需要采用voxel_leaf_size(用于设置体素大小)减小点云文件体积，通过降采样使其体积降到原来一半以下；采用voxel_leaf_size减小点云文件体积的过程中需要在选取leaf_size为0.1-0.2的范围内保持图像清晰度；
由于NDT的特性，降采样后不会影响最终匹配定位效果；
通过pcl点云库将点云文件进行voxel_filter(体素栅滤波)，如图1所示，然后保存到新文件中；
点云地图网格划分：通过设置一定的网格大小对点云地图进行区域划分，对地图进行区域划分后即实现了有序化；经过验证有序化后加载速度比原来加快非常多；
本发明使用体素栅滤波进行下采样，体素栅格的大小选择很重要，体素栅格过大容易出现点云失真。例如，如表1所示的一些实施例仿真结果，当体素边长由10cm变为5cm(扩充2倍)时，建图算法CPU最大占用率没有明显上升，点云数量却增加了54％，这是由于体素设置过小，点云总体数量过大，体素数量超过Voxel_Grid函数设定值，导致数据溢出。因此在大场景中使用体素栅格滤波时，需要根据实际情况设定体素大小和/或将点云分块(区域划分)处理，避免数据溢出情况的发生。
表1
Figure BDA0003253920110000061
当体素尺寸设定值较大时，可以观察到点云地图的深度信息较为稀疏，无法真实反映出环境特征。当体素逐渐减小时，环境特征逐渐清晰，此时未发生下采样数据的溢出情况，因此在小场景下，可以适当减小体素(尺寸设定减小到2-4倍)大小来获得更新丰富的环境深度信息。
选择不同的体素大小，会给激光点云地图带来不同的显示效果，较小的体素可以显著增加激光点云地图的密度，使地图对环境信息的表达更加细腻，在激光雷达与相机的数据融合算法中可以为更多图像像素提供深度信息。相比于大场景，使用体素栅格滤波算法在走廊、室内等小场景中对于点云密度的增加更明显，且不容易发生体素数量溢出的情况。较小的体素会增加处理器运算量，可能会出现无法实时建图的情况，因此需要在算法实时性与点云密度之间进行选择。
使用激光雷达建图后得到最终的地图点云图，如图2所示。
S4、基于地图点云图，使用仿真simulation功能模块并选择waypoint_saver形成csv路径节点文件(文件中包含车辆实时位姿信息以及车速)；
建图完成以后，通过autoware生成包含车速车辆在x，y，z方向上的位姿信息以及车辆绕z轴旋转的偏航角；通过二维信息(x，y)或三维信息(x，y，z)得到大致路线，如图3至图4所示；
S5、在地图点云图中载入csv路径节点文件，基于A*算法使用astar_avoid以及velocity_set形成车辆循迹轨迹，并基于纯追踪算法使用循迹指令pure_pursuit和twist_filter得到车辆循迹结果；
基于A*搜索算法使用astar_avoid以及velocity_set形成车辆循迹轨迹的过程包括以下步骤：
(511)栅格化地图：
A*算法第一步是将地图栅格化，用一个大型的二维列表存储地图数据；
(512)构造评估函数：
F(n)＝H(n)+G(n)
H(n)是距离评估函数，n代表地图上的每一个方格；G(n)是起点到终点的代价函数；
某个节点n的评估函数F(n)是将该点的距离估值H(n)和代价函数G(n)相加；A*搜索的每一次寻径都会寻找评估值最小节点；
(513)搜索步骤：
A*搜索涉及两个重要列表，开放列表和关闭列表；算法先将起点加入到开放列表当中，然后遍历开放列表，找到评估函数最小的节点作为当前搜索起始节点，再将该点加入到关闭列表中，作为已走过的节点；探索评估函数最小的节点周围相邻且不在关闭列表的每一个节点，计算它们的H、G、F值；并把评估函数最小值节点作为这些节点的父节点，将这些节点作为探索节点加入到节点集Q中；如果Q中节点不在开放列表中，将其加入开放列表中；如果Q中的节点已经存在于开放列表中，比较这些节点的F值和他们在开放列表中的F值哪个更小，F值越小说明这条路径更优，如果开放列表中的F值更小或二者相等，不做任何改变，否则即用Q中的节点替换开放列表中的节点；如果终点在开放列表中，退出搜索，确定最优路径。最优路径即沿着父节点逆向溯源直至起点对应的路径。
所述的纯追踪算法的追踪过程包括以下步骤：
纯追踪算法是一种基于几何追踪的轨迹跟踪方法，纯跟踪算法把智能车简化为自行车模型，如图5所示，以车的后轴中心为切点，车辆纵向车身为切线，通过控制前轮的转向偏角δ，使车辆可以沿着一条经过目标路径点的圆弧行驶(车辆沿着一条经过预瞄点的圆弧行驶)；
通过车辆后轴经过目标的路径点来追踪下一个路点，即在已经建好全局路径上，控制车辆后轴经过这些路点；根据正弦定理可以得到如下表达式
Figure BDA0003253920110000071
Figure BDA0003253920110000072
Figure BDA0003253920110000073
式中，ld表示车辆后轴到目标路点的距离，R表示车辆转向半径，α表示车辆偏向角；上式也可以表示为
Figure BDA0003253920110000081
其中κ是计算出来的圆弧的曲率，那么前轮的转角δ的表达式为
δ＝tan-1(κL)
其中L表示，车辆前轴和后轴之间距离；
得到纯追踪算法控制量的最终表达式
Figure BDA0003253920110000082
autoware车辆循迹仿真的部分示意图如图6至图15所示。
使用激光雷达完成建图和路径规划的步骤与传统使用GPS+IMU定位相比的优点在于精确性高，步骤简单(仅在autoware上完成所有步骤)；而使用GPS+IMU完成路径规划需要多个软件、易产生误差。

Claims (10)

1.一种基于Autoware的车辆循迹方法，其特征在于，包括以下步骤：
S1、基于设置在车辆上的robosense激光雷达采集数据；
S2、在Autoware中使用NDTmapping算法建图；
S3、对NDT_mapping建立的pcd点云图使用pcl点云库进行后处理，后处理的过程包括降采样和和点云地图区域划分；
降采样的过程中采用voxel_leaf_size减小点云文件体积，通过pcl点云库将点云文件进行voxel_filter；点云地图区域划分的过程中通过设置网格大小对点云地图进行区域划分；
后处理得到最终的地图点云图；
S4、基于地图点云图，使用仿真simulation功能模块并选择waypoint_saver形成csv路径节点文件；
S5、在地图点云图中载入csv路径节点文件，基于A*算法使用astar_avoid以及velocity_set形成车辆循迹轨迹，并基于纯追踪算法使用循迹指令pure_pursuit和twist_filter得到车辆循迹结果。
2.根据权利要求1所述的一种基于Autoware的车辆循迹方法，其特征在于，在robosense激光雷达采集数据之前需要对robosense激光雷达进行标定和高度测量，并进行rosbag录包，在进行rosbag录包时需要勾选话题points_raw。
3.根据权利要求1所述的一种基于Autoware的车辆循迹方法，其特征在于，使用NDTmapping算法建图时需要进行进行点云配准，进行点云配准的过程包括以下步骤：
(1)先固定一个点云数据作为目标点云，并对目标点云进行网格划分；
(2)目标点云划分好网格后，将点云加载到网格内，首先计算均值向量
Figure FDA0003253920100000011
Figure FDA0003253920100000012
其中，
Figure FDA0003253920100000013
表示网格内扫描点k的坐标；m表示网格内扫描点的数量；
由式
Figure FDA0003253920100000014
计算协方差矩阵；
最后由式
Figure FDA0003253920100000015
求出每一个网格内的正态分布概率密度函数；
(3)确定源点云相对于目标点云的初始坐标变换参数；
所述的源点云为需要与目标点云进行配准的点云；
(4)根据初始坐标变换参数将源点云坐标转换到目标点云坐标系下，此时源点云会分布在目标点云网格中，由对应所在网格的正态分布概率密度函数，求出源点云坐标为X'的概率，即确定源点云经坐标变换后在目标点云网格中的概率；
(5)求出最大目标似然函数：
将每一个点的概率乘积起来作为目标似然函数；
Figure FDA0003253920100000021
其中，n为分布在目标点云网格中源点云的数量；
(6)利用牛顿迭代法进行优化，找出最佳变换参数p完成点云配准。
4.根据权利要求3所述的一种基于Autoware的车辆循迹方法，其特征在于，步骤(3)所述确定初始坐标变换参数的过程中需要使一半以上的源点云处于目标点云的坐标平面当中。
5.根据权利要求4所述的一种基于Autoware的车辆循迹方法，其特征在于，步骤(6)所述利用牛顿迭代法进行优化，找出最佳变换参数p完成点云配准的过程包括以下步骤：
求解目标函数公式
Figure FDA0003253920100000022
其中，H是目标函数的黑塞矩阵，
Figure FDA0003253920100000023
是目标函数的梯度向量；
Figure FDA0003253920100000024
是最佳变换参数p的向量变化值；
迭代更新公式T＝T+ΔT；
其中，ΔT是坐标变换参数T的变化值，迭代参数T是坐标变换参数T。
6.根据权利要求5所述的一种基于Autoware的车辆循迹方法，其特征在于，在Autoware中使用NDTmapping算法建图的过程中选择参数resolution为1。
7.根据权利要求6所述的一种基于Autoware的车辆循迹方法，其特征在于，采用voxel_leaf_size减小点云文件体积的过程选取leaf_size为0.1-0.2。
8.根据权利要求1至7之一所述的一种基于Autoware的车辆循迹方法，其特征在于，在形成csv路径节点文件的过程中通过autoware生成包含车速车辆在x，y，z方向上的位姿信息以及车辆绕z轴旋转的偏航角。
9.根据权利要求8所述的一种基于Autoware的车辆循迹方法，其特征在于，基于A*搜索算法使用astar_avoid以及velocity_set形成车辆循迹轨迹的过程包括以下步骤：
(511)栅格化地图，用二维列表存储地图数据；
(512)构造评估函数：F(n)＝H(n)+G(n)；
H(n)是距离评估函数，n代表地图上的每一个方格；G(n)是起点到终点的代价函数；
(513)基于A*搜索算法进行搜索，A*搜索的每一次寻径都会寻找评估值最小节点。
10.根据权利要求9所述的一种基于Autoware的车辆循迹方法，其特征在于，基于A*搜索算法进行搜索的过程包括以下步骤：
A*搜索涉及开放列表和关闭列表；算法先将起点加入到开放列表当中，然后遍历开放列表，找到评估函数最小的节点作为当前搜索起始节点，再将该点加入到关闭列表中，作为已走过的节点；探索评估函数最小的节点周围相邻且不在关闭列表的每一个节点，计算它们的H、G、F值；并把评估函数最小值节点作为这些节点的父节点，将这些节点作为探索节点加入到节点集Q中；如果Q中节点不在开放列表中，将其加入开放列表中；如果Q中的节点已经存在于开放列表中，比较这些节点的F值和他们在开放列表中的F值哪个更小，如果开放列表中的F值更小或二者相等，不做任何改变，否则即用Q中的节点替换开放列表中的节点；如果终点在开放列表中，退出搜索，确定最优路径。
CN202111054142.2A 2021-09-09 2021-09-09 一种基于Autoware的车辆循迹方法 Pending CN113850915A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111054142.2A CN113850915A (zh) 2021-09-09 2021-09-09 一种基于Autoware的车辆循迹方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111054142.2A CN113850915A (zh) 2021-09-09 2021-09-09 一种基于Autoware的车辆循迹方法

Publications (1)

Publication Number Publication Date
CN113850915A true CN113850915A (zh) 2021-12-28

Family

ID=78973652

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111054142.2A Pending CN113850915A (zh) 2021-09-09 2021-09-09 一种基于Autoware的车辆循迹方法

Country Status (1)

Country Link
CN (1) CN113850915A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116500638A (zh) * 2023-06-25 2023-07-28 江苏大学 一种基于slam技术的收割机机耕道自动导航方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116500638A (zh) * 2023-06-25 2023-07-28 江苏大学 一种基于slam技术的收割机机耕道自动导航方法及系统
CN116500638B (zh) * 2023-06-25 2023-10-10 江苏大学 一种基于slam技术的收割机耕道自动导航方法及系统

Similar Documents

Publication Publication Date Title
Badue et al. Self-driving cars: A survey
CN111771141B (zh) 自动驾驶车辆中使用3d cnn网络进行解决方案推断的lidar定位
CN114526745B (zh) 一种紧耦合激光雷达和惯性里程计的建图方法及系统
WO2022056770A1 (zh) 一种路径规划方法和路径规划装置
CN110386142A (zh) 用于自动驾驶车辆的俯仰角校准方法
US11125861B2 (en) Mesh validation
CN108981730A (zh) 用于为操作自动驾驶车辆生成参考路径的方法和系统
CN110388931A (zh) 将对象的二维边界框转换成自动驾驶车辆的三维位置的方法
CN108995657A (zh) 操作自动驾驶车辆的方法和数据处理系统
CN110412635A (zh) 一种环境信标支持下的gnss/sins/视觉紧组合方法
CN109094573A (zh) 用于确定自动驾驶车辆的控制器的最佳系数的方法和系统
CN112923933A (zh) 一种激光雷达slam算法与惯导融合定位的方法
CN113865580A (zh) 构建地图的方法、装置、电子设备及计算机可读存储介质
CN114119920A (zh) 三维点云地图构建方法、系统
CN114964212B (zh) 面向未知空间探索的多机协同融合定位与建图方法
CN115639823A (zh) 崎岖起伏地形下机器人地形感知与移动控制方法及系统
CN114325634A (zh) 一种基于激光雷达的高鲁棒性野外环境下可通行区域提取方法
CN111221334A (zh) 一种用于自动驾驶汽车仿真的环境传感器模拟方法
Farag Real-time autonomous vehicle localization based on particle and unscented kalman filters
CN115371662B (zh) 一种基于概率栅格移除动态对象的静态地图构建方法
EP4148599A1 (en) Systems and methods for providing and using confidence estimations for semantic labeling
CN116858269A (zh) 基于激光slam的烟草行业成品库平库盘点机器人路径优化方法
CN117078870A (zh) 融合高精地图与激光稀疏点云的道路环境三维重建方法
CN113379915B (zh) 一种基于点云融合的行车场景构建方法
CN113850915A (zh) 一种基于Autoware的车辆循迹方法

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