CN114115291A - 一种复杂非凸环境下的车辆路径规划方法 - Google Patents
一种复杂非凸环境下的车辆路径规划方法 Download PDFInfo
- Publication number
- CN114115291A CN114115291A CN202111537717.6A CN202111537717A CN114115291A CN 114115291 A CN114115291 A CN 114115291A CN 202111537717 A CN202111537717 A CN 202111537717A CN 114115291 A CN114115291 A CN 114115291A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- path
- new
- convex
- point
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000009499 grossing Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 29
- 101150064138 MAP1 gene Proteins 0.000 claims description 14
- 101100075995 Schizosaccharomyces pombe (strain 972 / ATCC 24843) fma2 gene Proteins 0.000 claims description 8
- 101100400452 Caenorhabditis elegans map-2 gene Proteins 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 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, 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
- G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
- G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
- G05D1/0231—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
-
- 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
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- 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
- G05D1/0276—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (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)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种复杂非凸环境下的车辆路径规划方法,是用于在非凸环境下符合阿克曼转向原理的车辆进行路径规划,该方法先通过激光雷达对环境进行建图,并按照比例转换为栅格地图;再通过图像处理方法识别出栅格地图中的非凸障碍物,将所识别的非凸障碍物填充成凸障碍物后得到新的栅格地图,最后,采用改进的快速搜索随机树对车辆路径进行规划,并将规划得到的路径进行平滑处理后,用于车辆的跟踪控制。本发明能提高车辆路径规划的速度和成功率。
Description
技术领域
本发明涉及移动设备路径规划技术领域,尤其涉及针对阿克曼车辆的一种全局路径规划方法。
背景技术
路径规划是在起始点和目标点之间找到一条安全可行的路径,该技术广泛应用于机器人、航空航天、和智能制造等领域。近年来,快速发展的车辆辅助驾驶及更高级别的自动驾驶方案又对路径规划技术提出了完备性高、收敛速度快、路径平滑性好等要求。常用的蚁群算法、遗传算法、神经网络算法等仿生算法实时性较差;Dijkstra和A*等图搜索方法需建立邻接矩阵,且随着节点数量的增加,求解时间复杂度指数增加;基于采样的快速随机搜索树(RRT) 方法具有概率完备性的优点,但其在找到初始路径后才考虑车辆运动学约束进行平滑处理,存在规划路径无法满足车辆运动学约束的可能性,此外采用全局均匀随机方法采样时在复杂的非凸环境下会有较多的无效采样点,增加车辆的路径规划时间。
发明内容
为了解决上述现有技术存在的不足,本发明提出,一种复杂非凸环境下的车辆路径规划方法,以期能解决复杂非凸环境下车辆路径规划时无效采样点过多,规划路径不适用于车辆的跟踪控制等问题,从而提高车辆路径规划的速度和成功率。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种复杂非凸环境下的车辆路径规划方法的特点在于,包括以下步骤:
步骤一:使用激光雷达对环境进行建图,并按照比例转换为栅格地图,从而得到栅格矩阵map1;在所述栅格矩阵map1中,令数值“1”代表障碍物,表示车辆不能通行;数值“0”代表自由空间,车辆能通行;
步骤二:用图像处理算法对栅格地图map1中的非凸障碍物进行识别,并将识别到的非凸障碍物补全为凸障碍物,再按照同样的比例得到新的栅格矩阵map2;在所述新的栅格矩阵 map2中,令数值“1”代表障碍物,表示车辆不能通行;数值“0”代表自由空间,车辆能通行;
步骤三:确定路径的起始点为Qstart、目标点为Qend、概率参数为P、阈值参数为M,并使用改进的RRT算法中进行路径求解:
步骤3-1:考虑车辆的实际尺寸,并采用单圆模型对栅格矩阵map1和新的栅格矩阵map2 中的障碍物进行膨胀处理;
步骤3-2:令所述起始点Qstart的父节点标记为“0”,并与起始点Qstart一起加入树T中,从而构成初始节点信息;定义循环变量为i,并初始化i=1;
步骤3-3:生成第i次循环的随机数Random_i,如果Random_i大于P,则在膨胀后的栅格矩阵map1中随机获取第i个采样点Qrand_i,否则,在膨胀后的栅格矩阵map2中获取第i个采样点Qrand_i;
步骤3-4:若第i个采样点Qrand_i的数值为“0”,则表示为可行采样点,并执行步骤3-5,否则,表示不可行采样点,并将i+1赋值给i后,返回步骤3-3顺序执行;
步骤3-5:在树T中搜寻距离第i个采样点Qrand_i最近的节点Qnear_i,并根据Qnear_i向第i 个采样点Qrand_i的方向延长阈值参数M的距离,从而得到新节点Qnew_i,令新节点Qnew_i的父节点标识为“Qnear_i”;
步骤3-6:判断节点Qnear_i至新节点Qnew_i间的路径是否满足可行性和车辆的运动学约束,若满足,则执行步骤3-7,否则,将i+1赋值给i后,返回步骤3-3顺序执行;
步骤3-7:将新节点Qnew_i及其父节点标识“Qnear_i”加入树T中,判断新节点Qnew_i与目标点Qend的距离是否在M内,若在范围内,且新节点Qnew_i与目标点Qend间路径满足可行性和车辆的运动学约束,则代表找到从起始点Qstart到目标点Qend间的安全路径,并执行步骤四,否则,将i+1赋值给i后,转到步骤3-3顺序执行;
步骤四:将所述安全路径利用B样条曲线进行平滑后,输出给小车用于跟踪控制。
本发明所述的复杂非凸环境下的车辆路径规划方法的特点也在于,所述步骤二中,是先提取栅格地图map1中的障碍物角点,根据角点判断相应的障碍物是否为非凸形状,若为非凸形状且目标点Qend不在所要填充的区域内,则根据图像处理算法将非凸形状的障碍物填充为凸形障碍物,并将填充后的栅格矩阵记为map2。
所述步骤3-6中的可行性节点Qnear_i至新节点Qnew_i间的路径可行性是指两点间路径上的所有节点均为数值为“0”的可行点;
所述步骤3-6中的车辆运动学约束如式(1)-式(3)所示:
β≤αmax (3)
式(1)-式(3)中:β为相邻路段的向量夹角,为相邻路段中的第一条路段,为相邻路段中的第二条路段;α为车辆速度的侧偏角,Lf为车辆质心到前轴距离,Lr为车辆质心到后轴距离,δf为车辆的前轮转角;αmax为最大速度侧偏角。
与现有技术相比,本发明的有益效果在于:
1、本发明通过激光雷达建图转化得到二维栅格地图后,对栅格地图进行图像算法处理,通过识别出非凸障碍物,并将其填充成凸障碍物后得到一个新的地图;通过概率参数P,调整采样点在两张图中的采样概率,从而减小了采样点在无效区域概率,提高了车辆在复杂非凸环境下的路径规划速度。
2、本发明通过在规划过程中考虑车辆的阿克曼转向约束,限制路径点的生成范围,不仅有利于后面的路径平滑处理,而且可以避免原始方法中规划路径曲折,不适用于车辆跟踪的缺点,从而提高了车辆路径规划的成功率。
附图说明
图1是本发明实施例中的原始栅格地图;
图2是本发明实施例中经图像算法处理后的栅格地图;
图3是本发明简化的小车单圆避障模型;
图4是本发明相邻路段的夹角示意图;
图5是本发明阿克曼小车的简化运动学模型;
图6是本发明在膨胀地图中规划的可行路径;
图7是本发明对可行路径进行平滑处理后的效果图。
具体实施方式
本实施例中,一种复杂非凸环境下的车辆路径规划方法是用于在非凸环境下符合阿克曼转向原理的车辆路径规划及跟踪控制。该方法通过激光雷达获取环境地图,将环境地图转化为栅格地图后;通过图像处理方法识别地图中的非凸障碍物,将其并填充成凸障碍物后得到新的栅格矩阵。其后,采用改进的快速搜索随机树方法对车辆路径进行规划,具体改进如下: 1.采用不均匀采样方式,降低填充区域的采样概率,提高在非凸环境下车辆路径规划的速度; 2.在随机树生成过程中考虑了车辆的运动学约束,使生成路径较为平滑。最后,将规划的初始路径进行三次B样条平滑处理用于车辆的跟踪控制。具体的说,是按如下步骤进行:
步骤一:使用激光雷达对环境进行建图,本实施例中你,根据小车尺寸及地图大小确定比例为1:1cm,根据此比例转换为栅格地图,从而得到栅格矩阵map1;在栅格矩阵map1中,令数值“1”代表障碍物,表示车辆不能通行;数值“0”代表自由空间,车辆能通行;栅格地图如图1所示,其中黑色部分代表障碍物,车辆不能通行,白色部门代表自由空间,车辆能通行。
步骤二:用Harris角点检测算法对栅格地图map1中的障碍物角点进行识别,根据角点确定该障碍物是否为非凸形状,若为非凸形状且Qend不在填充区域内,则根据Graham扫描法将识别到的非凸障碍物补全为凸障碍物,再按照同样的比例得到新的栅格矩阵map2;在新的栅格矩阵map2中,令数值“1”代表障碍物,表示车辆不能通行;数值“0”代表自由空间,车辆能通行;处理后的栅格地图如图2所示,其中黑色部分代表障碍物,车辆不能通行,白色部门代表自由空间,车辆能通行。相比图1,可以看出填充处理后,map2中车辆能通行的空间减少,而这些减少的空间对于车辆的路径规划意义较小,本发明将这部分填充区域称为低效采样区域。结合步骤3-3中的概率参数P,可以通过调整P的大小改变在map1和map2中的采样概率,从而减少采样点位于低效采样区域的概率,使更多采样点位于高效采样区域,提高车辆的路径规划速度。
步骤三:确定路径的起始点Qstart为(270,800)、目标点Qend为(825,200)、概率参数P为0.8、阈值参数M为30,使用改进的RRT算法中进行路径求解:
步骤3-1:如图3所示,采用单圆模型对栅格矩阵map1和新的栅格矩阵map2中的障碍物进行膨胀处理,可以观察到当将障碍物膨胀到虚框处,只要车辆中心点不侵入虚框范围内,则车辆的所有部位都在可行空间内,不会与障碍物相撞;
膨胀尺寸Lp计算方法如式(1):
式(1)中:b为车辆横向尺寸;Lf为车辆质心到前轴距离,Lr为车辆质心到后轴距离,本实施例中,Lf、Lr均为20cm,b为18cm,根据式(1)计算取整数后得到Lp为22cm;
步骤3-2:令起始点Qstart的父节点标记为“0”,并与起始点Qstart一起加入树T中,从而构成初始节点信息;定义循环变量为i,并初始化i=1;
步骤3-3:生成第i次循环的随机数Random_i,如果Random_i大于P,则在膨胀后的栅格矩阵map1中随机获取第i个采样点Qrand_i,否则,在膨胀后的栅格矩阵map2中获取第i个采样点Qrand_i;
步骤3-4:若第i个采样点Qrand_i的数值为“0”,则表示为可行采样点,并执行步骤3-5,否则,表示不可行采样点,并将i+1赋值给i后,返回步骤3-3顺序执行;
步骤3-5:在树T中搜寻距离第i个采样点Qrand_i最近的节点Qnear_i,并根据Qnear_i向第i 个采样点Qrand_i的方向延长阈值参数M的距离,从而得到新节点Qnew_i,令新节点Qnew_i的父节点标识为“Qnear_i”;
步骤3-6:判断节点Qnear_i至新节点Qnew_i间的路径是否满足可行性和车辆的运动学约束,若满足,则执行步骤3-7,否则,将i+1赋值给i后,返回步骤3-3顺序执行;
路径可行性是指两点间路径上的所有节点均为数值为“0”的可行点;
车辆运动学约束由式(2)~(4)所示:
β≤αmax (4)
式(2)-式(4)中:β为相邻路段的向量夹角,如图4所示,为相邻路段中的第一条路段,为相邻路段中的第二条路段;α为车辆速度的侧偏角,Lf为车辆质心到前轴距离,Lr为车辆质心到后轴距离,δf为车辆的前轮转角,如图5所示,本实施例中,将δf最大值设定为0.6rad;αmax为最大速度侧偏角。
步骤3-7:将新节点Qnew_i及其父节点标识“Qnear_i”加入树T中,判断新节点Qnew_i与目标点Qend的距离是否在M内,若在范围内,且新节点Qnew_i与目标点Qend间路径满足可行性和车辆的运动学约束,则代表找到从起始点Qstart到目标点Qend间的安全路径,并执行步骤四,否则,将i+1赋值给i后,转到步骤3-3顺序执行;
步骤四:将安全路径利用B样条曲线进行平滑后,输出给小车用于跟踪控制。
B样条曲线平滑时公式如下:
式(5)中:0≤t≤1;k=0,1,2,…,n;i=1,2,…,m-n;m为控制点个数;n为样条曲线阶次;整条曲线由m-n段B样条曲线平滑连接而成,每段曲线由n+1个控制点生成;Pi+k为第i+k 个控制点的坐标;Fk,n为n次B样条的基函数;Qi为第i段曲线上任意一点的坐标。
本实施例采用3次B样条曲线进行平滑处理,故n为3。
车辆在膨胀地图中的规划路径如图6所示,其中左下角处三角为起始点Qstart,右上角处正方形为目标点Qend,连接两点间的实线为规划的车辆路径。
经3次B样条曲线平滑处理后,在实际地图中的路径如图7所示,其中路径上的长方形框仿真了小车在路径跟踪时的空间位置,可以观察到车辆的路径较为平滑,且车辆的任一部分均避开了障碍物。
本发明经过与原有的路径规划方法进行仿真对比,发现本发明的方法在提高车辆路径规划成功率的同时,还提高了车辆的路径规划速度,更适用于车辆中实时性高的要求。
Claims (4)
1.一种复杂非凸环境下的车辆路径规划方法,其特征在于,包括以下步骤:
步骤一:使用激光雷达对环境进行建图,并按照比例转换为栅格地图,从而得到栅格矩阵map1;在所述栅格矩阵map1中,令数值“1”代表障碍物,表示车辆不能通行;数值“0”代表自由空间,车辆能通行;
步骤二:用图像处理算法对栅格地图map1中的非凸障碍物进行识别,并将识别到的非凸障碍物补全为凸障碍物,再按照同样的比例得到新的栅格矩阵map2;在所述新的栅格矩阵map2中,令数值“1”代表障碍物,表示车辆不能通行;数值“0”代表自由空间,车辆能通行;
步骤三:确定路径的起始点为Qstart、目标点为Qend、概率参数为P、阈值参数为M,并使用改进的RRT算法中进行路径求解:
步骤3-1:考虑车辆的实际尺寸,并采用单圆模型对栅格矩阵map1和新的栅格矩阵map2中的障碍物进行膨胀处理;
步骤3-2:令所述起始点Qstart的父节点标记为“0”,并与起始点Qstart一起加入树T中,从而构成初始节点信息;定义循环变量为i,并初始化i=1;
步骤3-3:生成第i次循环的随机数Random_i,如果Random_i大于P,则在膨胀后的栅格矩阵map1中随机获取第i个采样点Qrand_i,否则,在膨胀后的栅格矩阵map2中获取第i个采样点Qrand_i;
步骤3-4:若第i个采样点Qrand_i的数值为“0”,则表示为可行采样点,并执行步骤3-5,否则,表示不可行采样点,并将i+1赋值给i后,返回步骤3-3顺序执行;
步骤3-5:在树T中搜寻距离第i个采样点Qrand_i最近的节点Qnear_i,并根据Qnear_i向第i个采样点Qrand_i的方向延长阈值参数M的距离,从而得到新节点Qnew_i,令新节点Qnew_i的父节点标识为“Qnear_i”;
步骤3-6:判断节点Qnear_i至新节点Qnew_i间的路径是否满足可行性和车辆的运动学约束,若满足,则执行步骤3-7,否则,将i+1赋值给i后,返回步骤3-3顺序执行;
步骤3-7:将新节点Qnew_i及其父节点标识“Qnear_i”加入树T中,判断新节点Qnew_i与目标点Qend的距离是否在M内,若在范围内,且新节点Qnew_i与目标点Qend间路径满足可行性和车辆的运动学约束,则代表找到从起始点Qstart到目标点Qend间的安全路径,并执行步骤四,否则,将i+1赋值给i后,转到步骤3-3顺序执行;
步骤四:将所述安全路径利用B样条曲线进行平滑后,输出给小车用于跟踪控制。
2.根据权利要求1所述的复杂非凸环境下的车辆路径规划方法,其特征在于,所述步骤二中,是先提取栅格地图map1中的障碍物角点,根据角点判断相应的障碍物是否为非凸形状,若为非凸形状且目标点Qend不在所要填充的区域内,则根据图像处理算法将非凸形状的障碍物填充为凸形障碍物,并将填充后的栅格矩阵记为map2。
3.根据权利要求1的复杂非凸环境下的车辆路径规划方法,其特征在于,所述步骤3-6中的可行性节点Qnear_i至新节点Qnew_i间的路径可行性是指两点间路径上的所有节点均为数值为“0”的可行点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111537717.6A CN114115291B (zh) | 2021-12-15 | 2021-12-15 | 一种复杂非凸环境下的车辆路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111537717.6A CN114115291B (zh) | 2021-12-15 | 2021-12-15 | 一种复杂非凸环境下的车辆路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114115291A true CN114115291A (zh) | 2022-03-01 |
CN114115291B CN114115291B (zh) | 2023-06-27 |
Family
ID=80365724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111537717.6A Active CN114115291B (zh) | 2021-12-15 | 2021-12-15 | 一种复杂非凸环境下的车辆路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114115291B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017173990A1 (zh) * | 2016-04-07 | 2017-10-12 | 北京进化者机器人科技有限公司 | 一种机器人避障中的最短路径规划方法 |
CN113219998A (zh) * | 2021-06-15 | 2021-08-06 | 合肥工业大学 | 一种基于改进双向informed-RRT*的车辆路径规划方法 |
CN113359757A (zh) * | 2021-06-30 | 2021-09-07 | 湖北汽车工业学院 | 一种改进型混合a*算法的无人驾驶车辆路径规划与轨迹跟踪方法 |
CN113467456A (zh) * | 2021-07-07 | 2021-10-01 | 中国科学院合肥物质科学研究院 | 一种未知环境下用于特定目标搜索的路径规划方法 |
-
2021
- 2021-12-15 CN CN202111537717.6A patent/CN114115291B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017173990A1 (zh) * | 2016-04-07 | 2017-10-12 | 北京进化者机器人科技有限公司 | 一种机器人避障中的最短路径规划方法 |
CN113219998A (zh) * | 2021-06-15 | 2021-08-06 | 合肥工业大学 | 一种基于改进双向informed-RRT*的车辆路径规划方法 |
CN113359757A (zh) * | 2021-06-30 | 2021-09-07 | 湖北汽车工业学院 | 一种改进型混合a*算法的无人驾驶车辆路径规划与轨迹跟踪方法 |
CN113467456A (zh) * | 2021-07-07 | 2021-10-01 | 中国科学院合肥物质科学研究院 | 一种未知环境下用于特定目标搜索的路径规划方法 |
Non-Patent Citations (1)
Title |
---|
董敏;陈铁桩;杨浩;: "基于改进RRT算法的无人车路径规划仿真研究", 计算机仿真, no. 11 * |
Also Published As
Publication number | Publication date |
---|---|
CN114115291B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109885883B (zh) | 一种基于gk聚类算法模型预测的无人车横向运动的控制方法 | |
CN111694364A (zh) | 一种应用于智能车路径规划的基于改进蚁群算法与动态窗口法的混合算法 | |
CN106056643B (zh) | 一种基于点云的室内动态场景slam方法及系统 | |
Song et al. | Laser‐based SLAM automatic parallel parking path planning and tracking for passenger vehicle | |
CN113345008B (zh) | 考虑轮式机器人位姿估计的激光雷达动态障碍物检测方法 | |
Jian et al. | Putn: A plane-fitting based uneven terrain navigation framework | |
CN113701780B (zh) | 基于a星算法的实时避障规划方法 | |
CN112650256A (zh) | 一种基于改进双向rrt机器人路径规划方法 | |
CN115755908B (zh) | 一种基于JPS引导Hybrid A*的移动机器人路径规划方法 | |
Wang et al. | Research on AGV task path planning based on improved A* algorithm | |
CN113311828A (zh) | 一种无人车局部路径规划方法、装置、设备及存储介质 | |
Bi et al. | CURE: A hierarchical framework for multi-robot autonomous exploration inspired by centroids of unknown regions | |
Zhao et al. | A hybrid A* path planning algorithm based on multi-objective constraints | |
CN114877904A (zh) | 一种道路曲率的估计方法、测量装置和计算机设备 | |
CN116147653B (zh) | 一种面向无人驾驶车辆的三维参考路径规划方法 | |
CN114115291B (zh) | 一种复杂非凸环境下的车辆路径规划方法 | |
CN115731747B (zh) | 一种低空多无人机概率型冲突探测方法及存储介质 | |
CN116009558A (zh) | 一种结合运动学约束的移动机器人路径规划方法 | |
Chen et al. | A robust trajectory planning method based on historical information for autonomous vehicles | |
Xue et al. | Real-time 3D grid map building for autonomous driving in dynamic environment | |
Wang et al. | A Path Planning Framework Based on an Improved Weighted Heuristic RRT and Optimization Strategy | |
Shi et al. | Local path planning of unmanned vehicles based on improved RRT algorithm | |
Wang et al. | APG-RRT: Sampling-Based Path Planning Method for Small Autonomous Vehicle in Closed Scenarios | |
Chen et al. | An Intelligent Navigation Control Approach for Autonomous Unmanned Vehicles via Deep Learning-Enhanced Visual SLAM Framework | |
Meng et al. | A navigation framework for mobile robots with 3D LiDAR and monocular camera |
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 |