CN113867334B - 一种移动机械无人驾驶的路径规划方法和系统 - Google Patents
一种移动机械无人驾驶的路径规划方法和系统 Download PDFInfo
- Publication number
- CN113867334B CN113867334B CN202111044560.3A CN202111044560A CN113867334B CN 113867334 B CN113867334 B CN 113867334B CN 202111044560 A CN202111044560 A CN 202111044560A CN 113867334 B CN113867334 B CN 113867334B
- Authority
- CN
- China
- Prior art keywords
- path planning
- vehicle
- information
- unmanned
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 230000008447 perception Effects 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000016776 visual perception Effects 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 8
- 230000007613 environmental effect Effects 0.000 abstract description 8
- 238000012549 training Methods 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000002787 reinforcement Effects 0.000 abstract 1
- 230000009466 transformation Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 11
- 238000010276 construction Methods 0.000 description 8
- 230000009194 climbing Effects 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013209 evaluation strategy Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011404 masonry cement Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
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
- G05D1/0231—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 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
- G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
-
- 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
- G05D1/0231—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
- G05D1/0251—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 extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
-
- 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
- G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means
-
- 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
-
- 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
Abstract
本发明公开一种移动机械无人驾驶的路径规划方法,涉及运动学模型与控制。具体包括对自身的定位信息(GNSS)和目标地点的定位信息进行坐标转换;感知信息预处理;并将以上信息进行处理后将信息传入计算平台,计算平台接收到环境障碍物信息输入深度强化学习神经网络,进行行走跨越代价评价的训练。计算平台在全局地图中对最低代价路线进行搜索匹配,搜索匹配到的内容载入到行走系统的局部路径规划中,以供行走到可选择路线大于等于二时进行方向参考。局部路径对将要行走的轨迹曲线,进行基于数学模型的规划,再控制车辆行走,实现对先前规划的轨迹曲线跟踪控制,本发明提供的方法能够针对不同的任务自主更改路线选择策略,以及对不同环境特性使用对应的轨迹跟踪控制的物理模型。
Description
技术领域
本发明的实施方式涉及智能交通技术领域,更具体地,本发明的实施方式涉及一种路径规划方法与路径规划系统。
背景技术
无人驾驶技术近年来在民用出行领域得到了飞速发展和广泛关注。工程机械的无人驾驶技术相较于公路车辆而言,其应用场景广泛、任务要求差异较大、车辆类型多的特点。在进行无人驾驶工程机械时,路径规划作为无人驾驶行走任务的底层模块,对行走的效率、平稳具有决定性的影响。
路径规划的任务是对无人驾驶设备从全局的角度,根据任务的需要,选择对任务而言最为高效的路线;再在具体行走的过程中对根据环境特点决定行走的曲线。但工程机械与公路车辆在工作环境上截然不同,工程机械的任务也更加的多元和复杂,行走任务往往只是其他任务执行过程中的子任务。因此工程车辆的路径规划需要有根据任务特点对曲线进行优化,使其能在满足行走任务的无碰撞要求之外,还要在高效率、平稳行驶等方面取得平衡;最后对所规划出的曲线进行跟踪控制,实现行走任务。
工程机械由于通过性强、平顺性要求较低、爬坡性能强、对路面要求低的特点,因此对小型障碍物并不敏感,对大型障碍物的翻越能力好,因此,路径规划的原则与传统的路径规划有一定的差异。无人工程机械由于其不同任务的指标不同,工作的场地也有较大的差异。在结构化道路与非结构化道路甚至不同状态的非结构化道路其行走的物理模型都有巨大的差异。因此,无人驾驶工程机械的路径必须要考虑到对多种环境的适应能力。工程机械在矿山、建筑等行业的应用决定了其应用场景环境变化速度快且缺少地图指导,因此需要一种高效的建立地图的方法。
发明内容
本发明的目的在于针对现有路径规划对无人驾驶工程机械的任务适应能力的不足,对众多工作环境差异性巨大,提出在工程机械上使用的一种能够广泛应用与多变环境、任务的智能路径规划方法和装置。能够针对不同的任务自主更改路线选择策略;对不同的环境和任务特点能够采取不同的行走曲线规划策略;对不同的路面环境特性使用对应的轨迹跟踪控制的物理模型。
本发明是一种应用于无人驾驶工程机械的智能环境/任务适应型路径规划方法,其中涉及到全局路径规划策略、路面状态描述神经网络、轨迹规划策略、智能轨迹跟踪控制策略、无人驾驶工程机械自我状态感知装置,其特征在于,包括有如下内容:
一种移动机械无人驾驶的路径规划方法,其特征在于,该方法包括如下步骤:
步骤1、环境信息和自身状态信息获取:
获取环境信息,所述环境信息包括摄像头经过目标识别、语义分割、场景理解的视觉感知数据,获取激光雷达经过分割处理的点云数据;所述自身状态信息包括电磁传感器分别测量的左、右履带的行进速度,以及毫米波雷达测量的车体到地面距离以间接获得工程机械在当前路面上的土壤下沉量,GNSS定位设备获取位置、姿态、航向、速度、速度方向;
步骤2、近场环境评估:
将所述环境信息和自身状态信息传入近场环境评估模块,将其中的位置信息与视觉感知信息进行交叉融合,以进行精确定位,近场环境评估模块收集熟练驾驶员的操作与相对应的环境信息和自身状态信息,训练深度学习神经网络模型,再在计算平台中更新经过训练的深度学习神经网络模型,使深度学习模型能够在环境中根据任务特征:目标位置,环境信息,自身状态进行判断行走路线的策略;
步骤3、全局路径规划:
根据车辆的经度、纬度、海拔、航向角信息,在拓扑地图中使用启发搜索算法,获得全局路线规划。全局路线规划按照前述节点连接顺序成为行走的子目标点,定位信息为依据依次前往子目标点。当到达子目标点附近时,接入近场环境评估模块对子目标点进行精确定位,确定到达目标子节点。
步骤4、局部路径规划:
依次从车载计算平台获取所述节点位置,以及所述行走路线策略,结合目标点位置调整位姿,获取所述环境信息,在目标行驶区域内规划出规避障碍物的目标轨迹曲线,对轨迹曲线进行速度约束、转向半径约束、爬坡度约束下的多目标优化,将优化后的曲线返回给车载计算平台;
步骤5、轨迹跟踪控制:
载入所述规划的目标轨迹曲线,基于工程机械的运动学模型结合描述路面信息的深度神经网络的预测模型方法对车辆进行轨迹跟踪控制,并利用无人驾驶系统工程机械的整车控制器,使车辆实际行走的路径与规划的曲线相一致。
具体地,全局路径规划还包括根据任务的特征,对拓扑地图中节点间连接代价进行差异评估。
具体地,局部路径规划中依赖的坐标是一种前向的球面坐标系,具体为:
在行走的目标曲线中轴线的路程,称为深度;
上车架转轴中心为原点测量周边距离,称为广度;
以所述深度和广度两参量相组合,形成一种前向的球面坐标系。
具体地,近场环境评估模块包括输入层、全连接层、全连接层、第一级网络结构、第二级网络结构、上采样层、全连接层和输出层,所述第一级网络结构和第二级网络结构均包括上采样层和基础网络结构。
具体地,其特征在于,局部路径规划中在目标行驶区域内规划出规避障碍物的目标轨迹曲线,具体包括::
在指定区域内向目标子节点前向曲线;
规划出规避障碍物的曲线;
对规划出规避障碍物的曲线进行离散化;
使用三次多项式曲线对离散化的曲线的离散点进行拟合,并满足工程机械的转向约束、速度约束。
具体地,所述局部路径规划后,还包括,应用模型预测控制对目标轨迹曲线进行跟踪拟合控制。
具体地,所述模型分为车辆运动学描述模块和路面状态描述模块。
具体地,所述路面状态描述模块采用深度神经网络的方法,当工程车辆断电后启动时,深度神经网络根据定位设备获取的地点信息,根据感知系统获取的周围环境信息,根据地点信息和周围环境信息采用不同的权重数据。
本发明实施实例还包括一种应用所述方法的一种工程机械无人驾驶的路径规划系统,包括工程机械本体,感知系统,无人驾驶系统工程机械的整车控制器和无人驾驶系统的车载计算平台,所述感知系统包括摄像头、激光雷达、GNSS 定位设备、电磁传感器和毫米波雷达。
与现有技术相比,本发明的有益效果:
本发明提供的无人驾驶工程机械路径规划方法和装置,能够广泛应用与多变环境、任务的智能路径规划方法和装置,能够针对不同的任务自主更改路线选择策略;对不同的环境和任务特点能够采取不同的行走曲线规划策略;对不同的路面环境特性使用对应的轨迹跟踪控制的物理模型。
附图说明
图1是本发明的无人驾驶工程机械路径规划装置示意图;
图2是本发明的路径规划整体工作流程图;
图3是本发明的躲避障碍物的工作流程图;
图4是本发明的有位姿要求的定点停车工作流程图;
图5是本发明的路面状态描述模块的网络结构;
附图图1标识说明:
1、工程机械本体 2、摄像头
3、整车控制器 4、激光雷达
5、GNSS定位 6.倾角传感器
7、计算平台 8、电磁传感器
9、毫米波雷达
具体实施方式
本发明提供了一种能够完成多种任务、适用于多种环境,并且拥有自我成长进化能力的无人驾驶工程机械的路径规划方法。以及能够对车辆本身的状态进行感知以实现数据闭环的无人驾驶工程机械装置。下面结合各个图示和实例对本公开的技术方案进行描述。
路径规划在无人驾驶中的主要任务是将车辆从起点到终点进行全程的导航,在行进的过程中,局部路径规划应解决具体行走的轨迹问题,在规划与拟合轨迹的过程中,工程机械行走过程中无碰撞是行走任务的基本要求。但由于工程机械的特殊性:工程机械具有极好的通过性,对小型障碍物和沟渠都可以视为通过难度较低;对于在公路车辆难以通过的无道路坡道,工程机械由于其具有较好的爬坡性能,所以在遇到山地陡坡时,工程机械的路径规划不可将其视为无法通过的区域,而应该将其视为需要付出相较于平地路面更高代价的可行驶区域;工程机械无人驾驶所要实现的任务是围绕作业任务展开的,因此路径规划作为行走任务的基础规划模块,需要考虑的不仅仅是行走任务本身,还需要结合作业任务来实现规划。在工程机械的无人作业任务中,例如在装载机装载土方过程中,需要行走不能过于颠簸,并且需要的行走时考虑工程机械在到达地点后的位姿问题;工程机械行走的道路变化较大,既有结构化道路,又有半结构化道路,还有非结构化道路,面对非结构化道路时,道路的土壤松软程度和湿度都会对行走运动的结果产生影响,因此工程机械的行走控制若是使用开环控制则结果高度不可靠;工程机械的类型丰富,但不同车型的工程机械的运动学模型截然不同,使用通用模型控制精度难以保证,因此,本发明设计了以通用框架下应用多种不同的运动学模型的架构。
硬件装置具体布置请参照附图1所示,其显示出本发明的较佳实施案例的具体结构。其包括工程机械本体(1),感知系统的主要传感器:摄像头(2),无人驾驶系统工程机械的整车控制器(3),感知系统的测距传感器:激光雷达(4),工程机械位置、姿态、速度传感器:GNSS定位设备(5),获取车辆所在场地的坡度的倾角传感器(6),无人驾驶系统的车载计算平台(7),能够分别测量左、右履带的行进速度的电磁传感器(8)、通过测量车体到地面距离以间接获得工程机械在当前路面上的土壤下沉量的毫米波雷达(9)。
图2是根据本发明的无人驾驶工程机械的自适应性路径规划方法的一个的实施实例的流程图,如图2所示:
S101:环境信息和自身状态信息获取:
获取环境信息,所述环境信息包括摄像头经过目标识别、语义分割、场景理解的视觉感知数据,获取激光雷达经过分割处理的点云数据;所述自身状态信息包括电磁传感器分别测量的左、右履带的行进速度,以及毫米波雷达测量的车体到地面距离以间接获得工程机械在当前路面上的土壤下沉量
在工程机械无人驾驶系统启动后,启动图2感知模块1,并将无人驾驶工程机械的具体任务传入2任务解析模块中。在模块1中,摄像头作为视觉感知模块的主要传感器,使用语义分割算法和目标识别算法对环境进行感知和物体识别,激光雷达作为具有测距功能的传感器,则是对物体位置距离信息进行获取。摄像头对物体进行种类划分,与激光雷达对物体的位置距离信息进行融合,得到带有方向和精确距离的近场环境信息。毫米波雷达装备在(图1中标记9)位置,在车体上塔的底部冲地面,以测量上塔距离路面的距离。
图2模块1中的GNSS定位装置具有两根天线,两天线连线方向则为工程机械的行驶方向(图1中标记5),所以在安装的过程中两天线应尽可能的安装在同一纵线上,GNSS定位设备能够获取的信息包括经度、维度、海拔、车辆速度、车辆航向角、车辆速度角、车辆俯仰角(但俯仰角精度较低)、以及定位精度等级。电磁传感器在轮式车辆上,可以在轮毂部安装一带凸起的磁性金属圆环,再在悬架部分安装电磁传感器,下图以履带式工程机械举例,仅为对电磁传感器的作用加以注释,发明内容不局限于使用图中方式。在工程机械的上塔侧面安装电磁传感器,利用履带上本身就有的金属凸起部分,当工程机械行走时,履带向前(向后)运动,履带凸起部分则会经过电磁传感器下方,电磁传感器感受到磁性金属的吸引,则获得一次阶跃型电信号。阶跃信号的周期则为履带金属凸起间距除以两次信号间的间隔时间,则可获得履带移动的速度,但无法获得工程机械履带移动的方向。结合GNSS定位信号展现出来的工程机械运动方向、航向变化量等信息,则可获得履带的运动方向。倾角传感器安装在工程机械的车体内部的水平面上,当工程机械在进行爬坡/下坡时,倾角传感器获得工程机械的倾斜程度,近似为所行驶的坡道的倾角。以上四传感器获取到的信息相互验证融合,得到车辆状态信息,同时也作为路面状态信息的参考量,供后续轨迹跟踪中的模型预测控制模块使用。
在感知系同对环境外在信息和方位等车辆状态信息进行感知时,任务的具体信息也被派发到任务解析模块(2)中,任务解析模块的主要任务为两部分,一部分是对完成作业任务时的目的地和到达目的地时的工程机械姿态进行分析与规划,并将这一部分的分析结果传入计算平台中,结合全局拓扑地图进行路线参考,供全局路径规划搜索使用。另一部分则是将任务的类型、特点、需求进行基于专家系统的解析,解析结果针对工程机械的各项动力学指标:平顺性、速度、安全系数,进行分配,在各个指标中使用多目标多约束优化计算出结果,优化得到的结果作为局部路径规划的规划策略和近场环境评价策略的参考。
S102:步骤2、近场环境评估:
将所述环境信息和自身状态信息传入近场环境评估模块,近场环境评估模块收集熟练驾驶员的操作与相对应的环境信息和自身状态信息,训练深度学习神经网络模型,再在计算平台中更新经过训练的深度学习神经网络模型,使深度学习模型能够在环境中根据任务特征:目标位置,环境信息,自身状态进行判断行走路线的策略;
图2的近场环境评估模块(3)是根据运动策略指标的指导对摄像头和激光雷达可以感知到的范围内进行对感知范围内的环境进行“工程机械通过某一区域所需要付出的代价”的评价。作为较好的实施实例的评价方法有:人工势场法和深度神经网络。深度神经网络的工作与训练如下:将环境信息传入近场环境评估模块,将其中的位置信息与视觉感知信息进行交叉融合,实现定位矫正。近场环境评估模块收集熟练驾驶员的操作与相对应的环境信息,训练深度学习神经网络模型,再在计算平台中更新经过训练的深度学习神经网络模型。将工程机械对这些障碍物的通过性的代价进行数学建模。神经网络模型作为描述人类驾驶员操作习惯的方式,在局部路径规划使用近场环境评价和全局路径规划的结果共同作为参考信息,将信息融合进行反馈。若前进过程中障碍物等因素导致无法行走,深度神经网络受惩罚,惩罚值为-0.5。若任务按时按量完成,深度神经网络受奖励,奖励值为1,若任务得到了完成但为按时或按量,深度神经网络受惩罚,惩罚值为-0.2。
S103:全局路径规划:
车载GNSS设备获取车辆定位信息并进行坐标转换后传入车载计算平台,车载计算平台载入三维拓扑地图,使用全局历遍算法搜索最优当前任务的路径,并将当前节点位置到下一节点位置之间的方向指示返回给车载计算平台;
全局路径规划模块(4)是在任务执行的目的地距离较远(超出当前感知系统的可感知范围)时,则需要执行全局路径的路线选择这一步骤,若距离较近,则绕过路线选择的步骤,直接将目标点作为下一目标子节点。全局路径规划是在起点到终点之间,选择代价最小的路线进行行走,在系统所使用的拓扑节点地图上,根据拓扑地图节点间的连通信息,连通信息上包括距离、阻塞度、道路等级。拓扑地图提供节点的经、纬度和海拔高度信息,工程机械在已通过GNSS定位设备获取到当前车辆的位置时,则对作为子目标的节点得到方向的指示性。行走时根据方向指示前行。
全局路径规划出的线路在拓扑节点地图上体现为一个个带有位置信息的节点与节点间的连通信息。每个节点可分解为一个个的子目标点。在行走到下一子目标点的过程中,则由局部路径规划进行指导(图2模块5)。
S104:局部路径规划:
依次从车载计算平台获取所述节点位置,以及所述行走路线策略,结合目标点位置调整位姿,获取所述环境信息,在目标行驶区域内规划出规避障碍物的目标轨迹曲线并返回给车载计算平台;
局部路径规划主要为三个步骤,步骤一是针对近场环境感知到的空间状态,对即将要行走的轨迹曲线进行规划,这一规划需要结合任务的需求,也就是前述中对任务解析后的平顺性、速度、安全系数这些指标分配到的具体数值对环境的评估置以不同的参数,针对某一障碍物可得到因为任务状态不同而不同的跨越代价:在任务的时效性要求高时,跨越代价则低,在平顺性要求高时,则跨越代价高。以此为依据地,在路面上规划出初级的轨迹。步骤二,针对无人驾驶工程机械所受到的约束:速度约束、最小转弯半径约束、最大爬坡度约束等,在这些约束下对初级轨迹进行优化。优化的方法是首先将规划出的初级轨迹进行离散采样,再前述约束下使用三次多项式对采样得到的离散点进行拟合,得到优化后的轨迹曲线。步骤三,对优化后的轨迹曲线进行轨迹跟踪控制,使无人驾驶工程机械实际行走的路径与所规划出的曲线尽可能的相贴近。
S105:轨迹跟踪控制:
载入所述规划的目标轨迹曲线,基于工程机械的运动学模型结合描述路面信息的深度神经网络的预测模型方法对车辆进行轨迹跟踪控制,并利用无人驾驶系统工程机械的整车控制器,使车辆实际行走的路径与规划的曲线相一致。
通过感知系统感知路面状态、结合位置信息,获取工程机械-路面系统的数学模型,将工程机械的动作作为输入到这一数学模型,可得到工程机械完成这一动作后所会产生的位置、姿态、速度变化作为输出,控制工程机械输出的位置与所规划出的曲线拟合,控制工程机械的航向角与对应曲线的目标点的切向一致。其中工程机械的运动学模型为确切模型,地面模型为深度神经网络,在(1)获取得到感知系统感知路面状态、结合位置信息后,获取相似环境或者当前地点的地面模型对应的神经网络权重文件。在行走的过程中结合地面状况的变化使用权重文件。对于未知的路面状态,通过装置(7)对工程机械本身的物理参数进行感知,训练得到新的权重数据并于路面状态进行对应保存,以应用于未来;
轨迹跟踪控制较好的实施实例是使用模型预测控制。使用提前建立起的被控制体的物理模型,则当获取到每一时刻的模型输入量后则可知模型的输出量,由此可实现精确的控制。工程机械的运动学特性相对稳定,但工程机械行走环境中诸如泥地、沙石地面和砖石水泥路面的滑移量与工程机械运动的输入量对应关系是不一致的。因此,模型预测控制所使用的模型不能是单一的工程机械运动学模型,本发明提出将工程机械运动学模型和地面物理模型分为两部分。地面物理模型可以根据路面的不同材料、状态等物理特性进行建模,也可以使用深度神经网络对地面进行描述。使用深度神经网络对路面状态进行描述建模是一种优秀的实施实例,以下对深度神经网络法在模型预测控制中的工作过程进行分析:当无人驾驶工程机械进入局部路径规划模块后,GNSS定位系统首先工作,以确定目前工程机械所在地点是否是之前执行过作业任务的区域。若是已经执行过任务的区域,则调用数据库中过往的该区域中训练得到的深度神经网络权重数据。若是未曾在该区域执行过任务,首先开启摄像头与激光雷达,摄像头获得的地面的图片数据和激光雷达在地面的反射率综合判断工程机械所在区域的地面是否为硬化后的结构化道路。若为结构化道路,则统一执行结构化道路的深度神经网络权重文件,因为不同类型的结构化道路之间的差异对工程机械的运动产生影响的变化较小。若为非结构化道路,则收集根据摄像头的图像识别和激光雷达的点云反射率推算工程机械所在路面的类型、车体在路面上的下沉量、以及工程机械所在坡面的倾斜角。以上信息作为判断系统的特征信息,利用深度神经网络对信息特征的提取能力匹配系统特性,并对不同类型的系统模型的拟合能力,实现对对路面系统的模型构建。工程机械两侧所装备的电磁传感器(图1零件8)同时监控左、右履带的运动量,结合GNSS定位设备所获取的车辆位姿速度信息,判断工程机械的行进与规划是否一致,若不一致,则对模型预测控制所用到的模型进行自我纠错。纠错方式是对收集到的路面状态信息和作为输出的工程机械运动量之间的映射关系的神经网络进行重新训练。
图3、图4是无人驾驶工程机械在执行作业/行走任务时,路径规划针对不同的任务所执行的不同的流程。在图3的车辆避障任务与图4的有位姿要求的定点停车任务中,都是执行的行走任务中的末端任务,因此仅涉及局部路径规划中的部分。在需要确定停车时的工程机械的姿态问题的停车工况下,需要在车辆第一次停车后对车辆的位置和姿态进行一次验证,确保工程机械的姿态符合要求。有位姿要求的定点停车流程可用于装载机转运土方的任务、工程机械自行行走到加油站/充电站的任务。
图5是对无人驾驶工程机械的路径规划中的路面状态模型的核心是隐层层数为5的神经网络结构,每层中设置10个神经元。这一神经网络负担起对所规划出的路径曲线的跟踪模块中所使用的模型预测控制中的路面模块的模型构建。模型在工作的过程中需要环境感知传感器在获取环境相关的数据后,将环境数据在数据库中进行比对获取相对应的神经网络权重文件。不同的权重文件输入到神经网络之中则可以表示出不同环境对无人驾驶工程机械有所影响的物理模型。权重文件的配置遵循在线感知到的环境数据优先,位置-先验信息数据库获取到的权重文件仅作为模型初始化时作为初始参数使用。
路面状态模型是作为车辆运动模型的补充项进行使用,其对运动的影响是车辆行进过程中的误差项。
应该理解的是,本发明所公开的实施例不限于这里所公开的特定结构、处理步骤或材料,而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是,在此使用的术语仅用于描述特定实施例的目的,而并不意味着限制。
以上所述,仅是本发明的较佳实施例,并非对本发明的技术范围作任何限制,故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰,均仍属于本发明技术方案的范围内。本发明要求保护范围由所附权利要求书及其等效物界定。
Claims (10)
1.一种移动机械无人驾驶的路径规划方法,其特征在于,该方法包括如下步骤:
步骤1、环境信息和自身状态信息获取:
获取环境信息,所述环境信息包括摄像头经过目标识别、语义分割、场景理解的视觉感知数据,激光雷达经过分割处理的点云数据,以及倾角传感器获取的车辆所在场地的坡度;所述自身状态信息包括电磁传感器分别测量的左、右履带的行进速度,以及毫米波雷达测量的车体到地面距离以间接获得工程机械在当前路面上的土壤下沉量;
步骤2、近场环境评估:
将所述环境信息和自身状态信息传入近场环境评估模块,近场环境评估模块收集熟练驾驶员的操作与相对应的环境信息和自身状态信息,训练深度学习神经网络模型,再在计算平台中更新经过训练的深度学习神经网络模型,使深度学习模型能够在环境中根据任务特征:目标位置,环境信息,自身状态进行判断行走路线的策略;
步骤3、全局路径规划:
车载GNSS设备获取车辆定位信息并进行坐标转换后传入车载计算平台,车载计算平台载入三维拓扑地图,使用全局历遍算法搜索最优当前任务的路径,并将当前节点位置到下一节点位置之间的方向指示返回给车载计算平台;
步骤4、局部路径规划:
依次从车载计算平台获取所述节点位置,以及所述行走路线策略,结合目标点位置调整位姿,获取所述环境信息,在目标行驶区域内规划出规避障碍物的目标轨迹曲线并返回给车载计算平台;
步骤5、轨迹跟踪控制:
载入所述规划的目标轨迹曲线,基于工程机械的运动学模型结合描述路面信息的深度神经网络的预测模型方法对车辆进行轨迹跟踪控制,并利用无人驾驶系统工程机械的整车控制器,使车辆实际行走的路径与规划的曲线相一致。
2.根据权利要求1所述的一种移动机械无人驾驶的路径规划方法,其特征在于,全局路径规划还包括根据任务的特征,对拓扑地图中节点间连接代价进行差异评估。
3.根据权利要求1所述的一种移动机械无人驾驶的路径规划方法,其特征在于,局部路径规划中依赖的坐标是一种前向的球面坐标系,具体为:
在行走的目标曲线中轴线的路程,称为深度;
上车架转轴中心为原点测量周边距离,称为广度;
以所述深度和广度两参量相组合,形成一种前向的球面坐标系。
4.根据权利要求3所述的一种移动机械无人驾驶的路径规划方法,其特征在于,近场环境评估模块包括输入层、全连接层、全连接层、第一级网络结构、第二级网络结构、上采样层、全连接层和输出层,所述第一级网络结构和第二级网络结构均包括上采样层和基础网络结构。
5.根据权利要求1所述的一种移动机械无人驾驶的路径规划方法,其特征在于,任务目标地点和任务特征分别传入全局路径规划模块,任务特征作用于拓扑节点地图,改变地图上节点间的代价函数,再依据地图做出全局路径规划。
6.根据权利要求1所述的一种移动机械无人驾驶的路径规划方法,其特征在于,局部路径规划中在目标行驶区域内规划出规避障碍物的目标轨迹曲线,具体包括:
在指定区域内向目标子节点前向曲线;
规划出规避障碍物的曲线;
对规划出规避障碍物的曲线进行离散化;
使用三次多项式曲线对离散化的曲线的离散点进行拟合,并满足工程机械的转向约束、速度约束。
7.根据权利要求1所述的一种移动机械无人驾驶的路径规划方法,其特征在于,所述局部路径规划后,还包括,应用模型预测控制对目标轨迹曲线进行跟踪拟合控制。
8.根据权利要求7所述的一种移动机械无人驾驶的路径规划方法,其特征在于,所述模型分为车辆运动学描述模块和路面状态描述模块。
9.根据权利要求8所述的一种的工程机械无人驾驶的路径规划方法,其特征在于,所述路面状态描述模块采用深度神经网络的方法,当工程车辆断电后启动时,深度神经网络根据定位设备获取的地点信息,根据感知系统获取的周围环境信息,根据地点信息和周围环境信息采用不同的权重数据。
10.一种应用权利要求1-9之一所述方法的一种工程机械无人驾驶的路径规划系统,其特征在于,包括工程机械本体,感知系统,无人驾驶系统工程机械的整车控制器和无人驾驶系统的车载计算平台,所述感知系统包括摄像头、激光雷达、GNSS定位设备、电磁传感器毫米波雷达和倾角传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111044560.3A CN113867334B (zh) | 2021-09-07 | 2021-09-07 | 一种移动机械无人驾驶的路径规划方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111044560.3A CN113867334B (zh) | 2021-09-07 | 2021-09-07 | 一种移动机械无人驾驶的路径规划方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113867334A CN113867334A (zh) | 2021-12-31 |
CN113867334B true CN113867334B (zh) | 2023-05-05 |
Family
ID=78994630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111044560.3A Active CN113867334B (zh) | 2021-09-07 | 2021-09-07 | 一种移动机械无人驾驶的路径规划方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113867334B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114442616A (zh) * | 2022-01-05 | 2022-05-06 | 中联重科土方机械有限公司 | 用于挖掘机的控制方法、装置、处理器及挖掘机 |
CN115305984A (zh) * | 2022-08-29 | 2022-11-08 | 山推工程机械股份有限公司 | 一种工程机械传动系统 |
CN115309169B (zh) * | 2022-10-11 | 2022-12-20 | 天地科技股份有限公司 | 一种井下无人车控制方法及装置 |
CN115609594B (zh) * | 2022-12-15 | 2023-03-28 | 国网瑞嘉(天津)智能机器人有限公司 | 机械臂路径的规划方法、装置、上位控制端及存储介质 |
CN116176690B (zh) * | 2023-04-15 | 2023-07-04 | 济南科亚电子科技有限公司 | 一种位置自动记忆的无人驾驶方向盘舵机控制系统 |
CN116713992A (zh) * | 2023-06-12 | 2023-09-08 | 之江实验室 | 一种用于人形机器人的电气控制系统、方法及装置 |
CN116719329B (zh) * | 2023-08-10 | 2023-11-14 | 浙江菜鸟供应链管理有限公司 | 路径规划方法、系统、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104943684A (zh) * | 2014-03-31 | 2015-09-30 | 比亚迪股份有限公司 | 无人驾驶汽车控制系统和具有其的汽车 |
CN108196535A (zh) * | 2017-12-12 | 2018-06-22 | 清华大学苏州汽车研究院(吴江) | 基于增强学习和多传感器融合的自动驾驶系统 |
WO2020056875A1 (zh) * | 2018-09-20 | 2020-03-26 | 初速度(苏州)科技有限公司 | 一种基于深度强化学习的停车策略 |
CN111780777A (zh) * | 2020-07-13 | 2020-10-16 | 江苏中科智能制造研究院有限公司 | 一种基于改进a*算法和深度强化学习的无人车路径规划方法 |
WO2020216316A1 (zh) * | 2019-04-26 | 2020-10-29 | 纵目科技(上海)股份有限公司 | 基于毫米波雷达的辅助驾驶系统、方法、终端和介质 |
CN112212872A (zh) * | 2020-10-19 | 2021-01-12 | 合肥工业大学 | 基于激光雷达和导航地图的端到端自动驾驶方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106114507B (zh) * | 2016-06-21 | 2018-04-03 | 百度在线网络技术(北京)有限公司 | 用于智能车辆的局部轨迹规划方法和装置 |
US11393097B2 (en) * | 2019-01-08 | 2022-07-19 | Qualcomm Incorporated | Using light detection and ranging (LIDAR) to train camera and imaging radar deep learning networks |
-
2021
- 2021-09-07 CN CN202111044560.3A patent/CN113867334B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104943684A (zh) * | 2014-03-31 | 2015-09-30 | 比亚迪股份有限公司 | 无人驾驶汽车控制系统和具有其的汽车 |
CN108196535A (zh) * | 2017-12-12 | 2018-06-22 | 清华大学苏州汽车研究院(吴江) | 基于增强学习和多传感器融合的自动驾驶系统 |
WO2020056875A1 (zh) * | 2018-09-20 | 2020-03-26 | 初速度(苏州)科技有限公司 | 一种基于深度强化学习的停车策略 |
WO2020216316A1 (zh) * | 2019-04-26 | 2020-10-29 | 纵目科技(上海)股份有限公司 | 基于毫米波雷达的辅助驾驶系统、方法、终端和介质 |
CN111780777A (zh) * | 2020-07-13 | 2020-10-16 | 江苏中科智能制造研究院有限公司 | 一种基于改进a*算法和深度强化学习的无人车路径规划方法 |
CN112212872A (zh) * | 2020-10-19 | 2021-01-12 | 合肥工业大学 | 基于激光雷达和导航地图的端到端自动驾驶方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113867334A (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113867334B (zh) | 一种移动机械无人驾驶的路径规划方法和系统 | |
Wooden et al. | Autonomous navigation for BigDog | |
RU2691679C1 (ru) | Способ создания трека пути движения для автономного движения подвижного объекта и способ осуществления автономного движения подвижного объекта по треку пути движения | |
CN114564027A (zh) | 足式机器人的路径规划方法、电子设备及可读存储介质 | |
Miller et al. | Cornell university's 2005 DARPA grand challenge entry | |
US20230131553A1 (en) | Environment-aware path planning for a self-driving vehicle using dynamic step-size search | |
Kanchwala et al. | Development of an intelligent transport system for EV | |
Yang et al. | Automatic Parking Path Planning of Tracked Vehicle Based on Improved A* and DWA Algorithms | |
Lee et al. | Ods-bot: Mobile robot navigation for outdoor delivery services | |
Tardioli et al. | A robotized dumper for debris removal in tunnels under construction | |
CN211427151U (zh) | 一种应用于封闭场地无人驾驶货运车辆上的自动引导系统 | |
CN113419521A (zh) | 一种自动驾驶车辆局部避障路径的规划及跟踪方法 | |
Ugur et al. | Fast and efficient terrain-aware motion planning for exploration rovers | |
CN114383598B (zh) | 一种隧道施工作业车及其自动驾驶系统 | |
Wang et al. | Research on mobile robot localization and mapping method for underground long-narrow tunnels | |
Vincke et al. | Static and dynamic fusion for outdoor vehicle localization | |
Smaili et al. | Multi-sensor fusion method using bayesian network for precise multi-vehicle localization | |
Igneczi et al. | Node point optimization for local trajectory planners based on human preferences | |
CN116795108B (zh) | 基于多源感知信号的智能无人车配送方法 | |
Murthy et al. | Human Behaviour-Based Trajectory Planning for Autonomous Overtaking Maneuver | |
Dou et al. | A novel relative navigation control strategy based on relation space method for autonomous underground articulated vehicles | |
Diehl et al. | Navigation with Uncertain Map Data for Automated Vehicles | |
Dragt | Modelling and Control of an Autonomous Underground Mine Vehicle | |
Naranjo et al. | Automation of haulers for debris removal in tunnel construction | |
Wang et al. | A survey on path planning for autonomous ground vehicles in unstructured environments |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230828 Address after: Unit 1301-2, No. 15 Longhe Erli, Jimei District, Xiamen City, Fujian Province, 361000 Patentee after: Xiamen guoxineng Construction Machinery Co.,Ltd. Address before: 362000 North China Road, Dongcheng, Fengze District, Quanzhou City, Fujian Province, 269 Patentee before: HUAQIAO University |
|
TR01 | Transfer of patent right |