CN114372375A - 一种越野车安全行驶区域求解方法及系统 - Google Patents
一种越野车安全行驶区域求解方法及系统 Download PDFInfo
- Publication number
- CN114372375A CN114372375A CN202210037453.6A CN202210037453A CN114372375A CN 114372375 A CN114372375 A CN 114372375A CN 202210037453 A CN202210037453 A CN 202210037453A CN 114372375 A CN114372375 A CN 114372375A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- road
- solving
- safe driving
- driving area
- 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 43
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 238000013178 mathematical model Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000010845 search algorithm Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种越野车安全行驶区域求解方法及系统,该方法首先基于多源传感和多源信息融合,识别越野车当前行驶的外部环境及路面特征状态,从而构建非结构化道路场景中虚拟车道线以及路面特征参数与规划变量的映射关系;然后,设计安全边界的约束条件,将越野车安全行驶区域求解问题公式化为安全边界的约束优化问题;最终,求解所建立的约束优化问题,所求安全边界内的区域即为越野车安全行驶区域。本发明可有效解决越野车辅助驾驶系统中,因非结构化道路的复杂多样路面状态和没有清晰的车道线区分行驶路径和障碍物,带来的安全行驶区域未知、路径规划缺乏基准等问题,可为越野车提供非结构化道路场景中的安全行驶区域,为车辆安全行驶提供保障。
Description
技术领域
本发明涉及越野车辅助驾驶领域,更具体地,涉及一种越野车安全行驶区域求解方法及系统。
背景技术
辅助驾驶技术的发展在提升车辆的交通安全与通行效率等方面上具有重大意义。越野车辅助驾驶系统的工作模式主要包括:驾驶员-机器协同驾驶以及无人驾驶。在无人驾驶的模式中,控制系统会自动规划最优路径与车速,并自动操作执行器跟随规划指令,控制车辆在道路安全区域内全速行驶。驾驶员-机器协同驾驶模式下,控制系统会实时监控车辆状态,修正驾驶员潜在的危险操控指令,将车辆的行驶状态限定在安全区域内,并及时对未知不确定障碍进行紧急避险。因此,实时规划越野车安全行驶区域将是越野车实现高效辅助驾驶的重要前提之一。
目前,在高速道路、城市主干道路场景下的低速辅助驾驶相关技术已经得到了显著的发展与应用。在车辆辅助驾驶领域,已有学者和工程人员研究路径规划问题,例如:《基于激光雷达与摄像机的车辆辅助驾驶技术研究》和《基于机器视觉的先进辅助驾驶系统关键技术硏究》分别采用不同传感器研究了车道线、前方车辆以及交通指示牌等外部环境感知和实时局部路径规划,《基于道路安全边界的汽车主动转向与制动集成控制研究》研究了结构化道路场景下的道路安全边界问题,专利202010750613.2提出了一种基于四线激光雷达的道路边界检测方法,专利201910138854.9提出了一种无人驾驶越野车跨壕沟的自动识别与控制系统及方法。但是,非结构化道路场景下的越野车辅助驾驶技术仍待进一步研究。相比于高速公路、城市主干道等结构化道路,非结构化道路没有清晰的道路边界,存在着坑洼、水迹、泥沙、杂草、碎石等复杂路面状态。
发明内容
针对以上现有技术的不足,本发明的目的是提供一种越野车安全行驶区域的求解方法及系统。该方法首先基于多源传感和多源信息融合,识别了越野车当前行驶的外部环境及路面特征状态,从而构建了非结构化道路场景中虚拟车道线和构建路面特征参数与规划变量的映射关系;然后,根据环境信息与汽车运动状态设计安全边界的约束条件,将越野车安全行驶区域求解问题公式化为安全边界的约束优化问题;最终,基于约束演化学习算法进行求解所建立的约束优化问题,所求安全边界内的区域即为越野车安全行驶区域。
根据本发明的第一方面,提供了一种越野车安全行驶区域求解方法,包括:
基于多源传感和多源信息融合,识别越野车当前行驶的外部环境信息和路面特征参数;
基于所述外部环境信息构建非结构化道路场景中虚拟车道线,以及根据路面特征参数构建路面特征参数和规划变量的映射关系;
基于数学模型描述安全边界,且根据外部环境信息、规划变量和越野车运动状态设计安全边界的约束条件;
将越野车安全行驶区域求解问题建模为安全边界的约束优化问题,基于约束演化学习算法进行求解,所求安全边界内的区域为越野车的安全行驶区域。
根据本发明的第二方面,提供一种越野车安全行驶区域求解系统,包括:
识别模块,用于基于多源传感和多源信息融合,识别越野车当前行驶的外部环境信息和路面特征参数;
第一构建模块,用于基于所述外部环境信息构建非结构化道路场景中虚拟车道线,以及根据路面特征参数构建路面特征参数和规划变量的映射关系;
第二构建模块,用于基于数学模型描述安全边界,根据外部环境信息、规划变量和越野车运动状态设计安全边界的约束条件;
求解模块,用于将越野车安全行驶区域求解问题建模为安全边界的约束优化问题,基于约束演化学习算法进行求解,所求安全边界内的区域为越野车的安全行驶区域。
根据本发明的第三方面,提供了一种电子设备,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现越野车安全行驶区域求解方法的步骤。
根据本发明的第四方面,提供了一种计算机可读存储介质,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现越野车安全行驶区域求解方法的步骤。
本发明提供的一种越野车安全行驶区域求解方法及系统,其有益效果为:
(1)本发明针对越野车在非结构化场景中的辅助驾驶问题,提供了一种越野车安全行驶区域求解方法,可为越野车实时提供安全行驶区域,便于越野车在复杂路况进行实时安全校核,同时也为后续的路径规划奠定基础。
(2)本发明基于多源传感识别车辆可感知范围内的虚拟车道线,将非结构化路况规范化为结构化路况,便于利用现有结构化路况的辅助驾驶技术来降低非结构化路况场景中辅助驾驶系统的设计难度。
(3)本发明将越野车安全行驶区域求解问题公式化为安全边界的约束优化问题,并基于约束蝙蝠算法等约束演化学习算法进行求解,具有灵活性好、扩展性强、易于实现等优势。
附图说明
图1为本发明提供的一种越野车安全行驶区域求解方法流程图;
图2为本发明实施例的构建越野车虚拟车道线的操作流程图;
图3为本发明实施例的基于虚拟道路基准线建立的Frenet坐标系;
图4为本发明实施例的安全行驶区域示例;
图5为本发明提供的一种越野车安全行驶区域求解方法的整体流程示意图;
图6为本发明提供的一种越野车安全行驶区域求解系统的结构示意图;
图7为本发明提供的一种可能的电子设备的硬件结构示意图;
图8为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
越野车作为一种为越野而特别设计的汽车,主要在质量很差的路面或者根本没有路的地区和战场上行驶。此类非结构化道路情况复杂多样,且没有清晰的车道线区分行驶路径和障碍物。在此路况中行驶时,越野车经常面临着障碍物、崎岖路面、恶劣环境等带来的车辆倾覆、碰撞、落坑等各类驾驶风险。越野车的辅助驾驶技术能过够有效提升车辆的交通安全与通行效率。但高性能的辅助驾驶功能的实现迫切需要预知车辆的实时安全行驶区域,为车辆的路径规划奠定基础。
实施例一
一种越野车安全行驶区域求解方法,参见图1,该方法主要包括以下步骤:
步骤1,基于多源传感和多源信息融合,识别越野车当前行驶的外部环境信息和路面特征参数;
步骤2,基于所述外部环境信息构建非结构化道路场景中虚拟车道线,以及根据路面特征参数构建路面特征参数和规划变量的映射关系。
作为实施例,基于所述外部环境信息构建非结构化道路场景中虚拟车道线,包括:基于多源传感器采集车辆周围环境信息,构建局部环境地图;识别车辆可感知范围内的障碍物,拟合车辆不可跨越障碍物边线,构建越野车在非结构路面上的虚拟车道线。
作为实施例,所述识别车辆可感知范围内的障碍物,拟合车辆不可跨越障碍物边线,构建越野车在非结构路面上的虚拟车道线,包括:对于车辆可感知范围内的障碍物,若障碍物的宽度、高度和深度在车辆可跨越的阈值之内,则为可行障碍物,否则,为危险障碍物;对局部环境地图进行栅格化处理,根据危险障碍物尺寸、危险障碍物中心、车辆自身尺寸、车辆纵向轴线夹角构建搜索图;以三次样条曲线为模型,基于图搜索算法拟合虚拟车道线。
可以理解的是,基于多源传感识别车辆可感知范围内的障碍物,构建越野车在非结构路面上的虚拟车道线。
具体的,车道线检测技术是先进辅助驾驶系统的一项关键性技术,其为车辆的安全行驶区域评估、路径规划奠定了基础。在结构化道路中,车道线将行驶路面和树木、深坑、建筑物等分离,为车辆的行驶提供初始的安全保障。然而,在越野车的典型行驶场景即非结构化道路中,不存在实际的可供检测的车道线。车辆在行驶中,面临着各类障碍物带来的安全隐患。因此,现有的车道线检测技术难以满足越野车辅助驾驶系统设计特别是安全行驶区域规划的需求。
为此提出,多源传感识别车辆可感知范围内的障碍物,拟合车辆不可跨越障碍物边线,从而构建越野车在非结构路面上的虚拟车道线。障碍物不仅包括巨石、路障、树木等正障碍物,也包含深坑、壕沟等负障碍物。为更好的构建越野车在非结构路面上的虚拟车道线,设计了如图2所示的虚拟车道线识别策略,主要包括以下几个模块:
a)环境感知模块。基于激光雷达、超声波传感器及摄像头等多源传感器采集车辆周围三维地形和障碍物信息,构建局部环境地图。
b)数据处理模块。对于所检测到的正负障碍物,若其宽度及高(深)度在车辆可跨越的阈值之内,则标记为可行障碍,否则标记为危险障碍。例如,以某型号军用越野车为例,其所允许的跨壕沟宽0.7m,涉水深0.7m,则在这两个阈值之内的壕沟和水坑都可被标记为可行障碍。
c)虚拟车道线求解模块。首先对局部环境地图进行栅格化处理,然后,结合危险障碍物尺寸、危险障碍物中心、车辆自身尺寸、车辆纵向轴线夹角等信息构建搜索图,最后以三次样条曲线为模型,基于A*等图搜索算法拟合虚拟车道线。
作为实施例,根据路面特征参数构建路面特征参数和规划变量的映射关系的具体过程包括:基于视觉、激光雷达、车辆动态响应等多源信息融合算法,辨识车辆的路面特征参数,即滑移率λ和路面附着系数μ;进而构建路面特征参数(λ,μ)--车辆所允许最大车速vmax--规划路径长度Δs的映射关系。
其中,路面特征参数不仅是实现行驶安全运动控制的关键因素,也是智能车辆决策和规划的重要输入,其限制了车辆运行的最高车速和运行轨迹。道路宽度不变时,路径横向偏移量变化的速率主要与规划路径长度Δs和车速v有关。当横向偏移相同时,较短的Δs会导致生成路径的横向偏移变化速率较大,当车辆速度较大时,横向偏移变化速率也会变大,从而增大横向加速度,会降低越野车的操控性和安全性。
为此,首先基于视觉、激光雷达、车辆动态响应等多源信息融合算法,辨识车辆的路面特征参数,即滑移率λ和路面附着系数μ,构建路面特征参数(λ,μ)与车辆所允许最大车速vmax的映射关系。
基于视觉、激光雷达提取地面空间特征和纹理特征,根据上述特征向量结合多源信息主成份特征,基于支持向量机方法建立外部路况与路面类别的映射关系,确定当前路面类别。建立车辆的动力学模型和轮胎模型,利用车辆实时响应的状态数据,基于观测器在线辨识滑移率λ和路面附着系数μ。根据辨识的滑移率λ和路面附着系数μ确定当前路况所允许的最大车速vmax,即vmax=g(λ,μ)。其中映射关系g(g)由实验数据拟合,例如下列表格1所示。
表1路面特征参数与当前路况所允许的最大车速的映射关系表
最后,根据当前车辆所允许最大车速vmax,确定规划路径长度Δs,即Δs=f(vmax)+Δsmin,其中f(g)是vmax的非线性函数,由实验值拟合,Δsmin为最小规划路径长度。
步骤3,基于数学模型描述安全边界,根据外部环境信息、规划变量和越野车运动状态设计安全边界的约束条件。
可以理解的是,根据车辆当前行驶的外部环境信息建立了非结构化道路场景的虚拟车道线,以及确定了当前车辆所允许最大车速vmax和规划路径长度Δs,本步骤根据这些参数设计安全边界。基于虚拟道路基准线建立Frenet坐标系,设计数学模型描述安全边界,并根据环境信息与汽车运动状态设计安全边界的约束条件。
具体的,如图3所示,基于虚拟道路基准线建立Frenet坐标系来描述车辆、障碍物与车道的位置关系,其中,参见图3,拟合出的虚拟车道线的中心线即为虚拟道路基准线。在所述Frenet坐标系中,s轴为道路基准线,s轴正方向为车辆行驶方向,ρ轴为垂直于s轴的切线并随弧长变化而变化。考虑车辆初始航向角与相对于基准线的横向偏移,以三次样条曲线描述安全边界:
ρ(s)=a1(s-sstart)+a2(s-sstart)2+a3(s-sstart)3+ρstart;
式中,a1、a2、a3为样条曲线的系数,(sstart,ρstart)为当前车辆坐标。
若待求解安全边界长度为Δs,车辆目标点的坐标为(send,ρend),ρ(g)相对于s的一阶导数为ρ′(g),车辆航向角与基准线切线角的差值为Δθstart,则所述的根据环境信息与汽车运动状态设计的安全边界约束条件如下:
(1)安全边界应在虚拟道路边界以及规划路径长度之内,即sstart≤s≤send,send=sstart+Δs,ρstart≤ρ(s)≤ρend;
(2)车辆当前位置与安全边界起点一致,即ρ(sstart)=ρstart;
(3)车辆目标点与安全边界终点一致,即ρ(send)=ρend;
(4)车辆航向与所设计的安全边界在起点的切线方向一致,即ρ′(sstart)=tanΔθstart;
(5)在终点处路径切线方向应与基准线切线方向一致,即ρ′(send)=0。
步骤4,将越野车安全行驶区域求解问题建模为安全边界的约束优化问题,基于约束演化学习算法进行求解,所求安全边界内的区域为越野车的安全行驶区域。
根据步骤3给定的安全边界数学模型以及需要满足的约束条件,将安全边界的界定问题公式化为约束优化问题,通过求解三次样条曲线ρ(s)的可行系数a1、a2和a3,获得最大和最小ρ(send)值的两条安全边界。所述约束优化问题为,对于ρ(s)≥0,
max ρ(send)
对于ρ(s)<0,
min ρ(send)
基于约束蝙蝠算法等约束演化学习算法求解上述约束优化问题,获得满足给定约束两条安全边界。
如图4所示,在两条安全边界限定的行驶范围内,车辆将能拥有可实现安全行驶的路径轨迹。但如果超过两条安全边界限定的行驶范围,车辆开始无论采用什么样路径和速度,将必然发生安全故障。
通过上述步骤,本实施例可求解越野车在非结构化场景中的安全行驶区域,特别是基于多源传感识别车辆可感知范围内的虚拟车道线,将非结构化路况规范化为结构化路况,便于利用现有结构化路况的辅助驾驶技术来降低非结构化路况场景中辅助驾驶系统的设计难度;将越野车安全行驶区域求解问题公式化为安全边界的约束优化问题,并基于约束蝙蝠算法等约束演化学习算法进行求解,具有灵活性好、扩展性强、易于实现等优势。本实施例可为越野车实时提供安全行驶区域,便于越野车在复杂路况进行实时安全校核,同时也为后续的路径规划奠定基础。
实施例二
一种越野车安全行驶区域求解方法,参见图5,该方法包括以下步骤:
(1)基于多源传感识别车辆可感知范围内的障碍物,拟合车辆不可跨越障碍物边线,从而构建越野车在非结构路面上的虚拟车道线;
(2)基于视觉、激光雷达、车辆动态响应等多源信息融合算法,辨识车辆的路面特征参数,即滑移率λ和路面附着系数μ;进而构建路面特征参数(λ,μ)--车辆所允许最大车速vmax--规划路径长度Δs的映射关系;
(3)基于虚拟道路基准线建立Frenet坐标系,设计数学模型描述安全边界,并根据环境信息与汽车运动状态设计安全边界的约束条件;
(4)将越野车安全行驶区域求解问题建模为安全边界的约束优化问题,并基于约束演化学习算法进行求解,所求安全边界内的区域即为越野车的安全行驶区域。
实施例三
一种越野车安全行驶区域求解系统,参见图6,该系统包括识别模块601、第一构建模块602、第二构建模块603和求解模块604。
其中,识别模块601,用于基于多源传感和多源信息融合,识别越野车当前行驶的外部环境信息和路面特征参数;第一构建模块602,用于基于所述外部环境信息构建非结构化道路场景中虚拟车道线,以及根据路面特征参数构建路面特征参数和规划变量的映射关系;第二构建模块603,用于基于数学模型描述安全边界,根据外部环境信息、规划变量和越野车运动状态设计安全边界的约束条件;求解模块604,用于将越野车安全行驶区域求解问题建模为安全边界的约束优化问题,基于约束演化学习算法进行求解,所求安全边界内的区域为越野车的安全行驶区域。
可以理解的是,本发明提供的一种越野车安全行驶区域求解系统与前述各实施例提供的越野车安全行驶区域求解方法相对应,越野车安全行驶区域求解系统的相关技术特征可参考越野车安全行驶区域求解方法的相关技术特征,在此不再赘述。
实施例四
请参阅图7,图7为本发明实施例提供的电子设备的实施例示意图。如图7所示,本发明实施例提了一种电子设备700,包括存储器710、处理器720及存储在存储器710上并可在处理器720上运行的计算机程序711,处理器720执行计算机程序711时实现实施例一或实施例二的越野车安全行驶区域求解方法。
实施例二
请参阅图8,图8为本发明提供的一种计算机可读存储介质的实施例示意图。如图8所示,本实施例提供了一种计算机可读存储介质800,其上存储有计算机程序811,该计算机程序811被处理器执行时实现实施例一或实施例二的越野车安全行驶区域求解方法。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种越野车安全行驶区域求解方法,其特征在于,包括:
基于多源传感和多源信息融合,识别越野车当前行驶的外部环境信息和路面特征参数;
基于所述外部环境信息构建非结构化道路场景中虚拟车道线,以及根据路面特征参数构建路面特征参数和规划变量的映射关系;
基于数学模型描述安全边界,且根据外部环境信息、规划变量和越野车运动状态设计安全边界的约束条件;
将越野车安全行驶区域求解问题建模为安全边界的约束优化问题,基于约束演化学习算法进行求解,所求安全边界内的区域为越野车的安全行驶区域。
2.根据权利要求1所述的越野车安全行驶区域求解方法,其特征在于,基于所述外部环境信息构建非结构化道路场景中虚拟车道线,包括:
基于多源传感器采集车辆周围环境信息,构建局部环境地图;
识别车辆可感知范围内的障碍物,拟合车辆不可跨越障碍物边线,构建越野车在非结构路面上的虚拟车道线。
3.根据权利要求2所述的越野车安全行驶区域求解方法,其特征在于,所述识别车辆可感知范围内的障碍物,拟合车辆不可跨越障碍物边线,构建越野车在非结构路面上的虚拟车道线,包括:
对于车辆可感知范围内的障碍物,若障碍物的宽度、高度和深度在车辆可跨越的阈值之内,则为可行障碍物,否则,为危险障碍物;
对局部环境地图进行栅格化处理,根据危险障碍物尺寸、危险障碍物中心、车辆自身尺寸、车辆纵向轴线夹角构建搜索图;
以三次样条曲线为模型,基于图搜索算法拟合虚拟车道线。
4.根据权利要求1所述的越野车安全行驶区域求解方法,其特征在于,所述基于多源传感和多源信息融合,识别越野车当前行驶的外部环境信息和路面特征参数,包括:
基于多源信息融合算法,利用视觉、激光雷达、车辆动态响应,辨识车辆的路面特征参数,所述路面特征参数包括滑移率λ和路面附着系数μ;
相应的,所述根据路面特征参数构建路面特征参数和规划变量的映射关系,包括:
根据辨识的滑移率λ和路面附着系数μ确定当前路况所允许的最大车速vmax,即vmax=g(λ,μ);
根据所允许的最大车速vmax,设定规划路径长度Δs,即Δs=f(vmax)+Δsmin,其中Δsmin为最小规划路径长度。
5.根据权利要求1所述的越野车安全行驶区域求解方法,其特征在于,所述基于数学模型描述安全边界,包括:
考虑车辆初始航向角与相对于基准线的横向偏移,以三次样条曲线描述安全边界:
ρ(s)=a1(s-sstart)+a2(s-sstart)2+a3(s-sstart)3+ρstart;
式中,a1、a2、a3为样条曲线的系数,(sstart,ρstart)为当前车辆坐标。
6.根据权利要求5所述的越野车安全行驶区域求解方法,其特征在于,所述根据外部环境信息、规划变量和越野车运动状态设计安全边界的约束条件,包括:
设待求解安全边界长度为Δs,车辆目标点的坐标为(send,ρend),ρ(g)相对于s的一阶导数为ρ′(g),车辆航向角与基准线切线角的差值为Δθstart,则所述的根据环境信息与汽车运动状态设计的安全边界约束条件如下:
(1)安全边界应在虚拟道路边界以及规划路径长度之内,即sstart≤s≤send,send=sstart+Δs,ρstart≤ρ(s)≤ρend;
(2)车辆当前位置与安全边界起点一致,即ρ(sstart)=ρstart;
(3)车辆目标点与安全边界终点一致,即ρ(send)=ρend;
(4)车辆航向与所设计的安全边界在起点的切线方向一致,即ρ′(sstart)=tanΔθstart;
(5)在终点处路径切线方向应与基准线切线方向一致,即ρ′(send)=0。
8.根据权利要求1或7所述的越野车安全行驶区域求解方法,其特征在于,所述基于约束演化学习算法进行求解,所求安全边界内的区域为越野车的安全行驶区域,包括:
约束蝙蝠算法等约束演化学习算法求解上述约束优化问题,获得满足给定约束两条安全边界,所述两条安全边界内的区域为越野车安全行驶区域。
9.一种越野车安全行驶区域求解系统,其特征在于,包括:
识别模块,用于基于多源传感和多源信息融合,识别越野车当前行驶的外部环境信息和路面特征参数;
第一构建模块,用于基于所述外部环境信息构建非结构化道路场景中虚拟车道线,以及根据路面特征参数构建路面特征参数和规划变量的映射关系;
第二构建模块,用于基于数学模型描述安全边界,根据外部环境信息、规划变量和越野车运动状态设计安全边界的约束条件;
求解模块,用于将越野车安全行驶区域求解问题建模为安全边界的约束优化问题,基于约束演化学习算法进行求解,所求安全边界内的区域为越野车的安全行驶区域。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现如权利要求1-8任一项所述的越野车安全行驶区域求解方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210037453.6A CN114372375B (zh) | 2022-01-13 | 2022-01-13 | 一种越野车安全行驶区域求解方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210037453.6A CN114372375B (zh) | 2022-01-13 | 2022-01-13 | 一种越野车安全行驶区域求解方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114372375A true CN114372375A (zh) | 2022-04-19 |
CN114372375B CN114372375B (zh) | 2024-06-25 |
Family
ID=81143926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210037453.6A Active CN114372375B (zh) | 2022-01-13 | 2022-01-13 | 一种越野车安全行驶区域求解方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114372375B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114882706A (zh) * | 2022-05-31 | 2022-08-09 | 华中科技大学 | 一种基于非结构性路面的周向防碰撞预警方法及系统 |
CN116499486A (zh) * | 2023-06-26 | 2023-07-28 | 北京理工大学 | 一种复杂越野环境路径规划方法、系统及电子设备 |
CN116513246A (zh) * | 2023-07-04 | 2023-08-01 | 北京理工大学 | 一种越野环境速度规划方法、系统及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110749333A (zh) * | 2019-11-07 | 2020-02-04 | 中南大学 | 基于多目标优化的无人驾驶车辆运动规划方法 |
WO2021196145A1 (zh) * | 2020-04-02 | 2021-10-07 | 华为技术有限公司 | 一种车辆盲区识别方法、自动驾驶辅助系统以及包括该系统的智能驾驶车辆 |
-
2022
- 2022-01-13 CN CN202210037453.6A patent/CN114372375B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110749333A (zh) * | 2019-11-07 | 2020-02-04 | 中南大学 | 基于多目标优化的无人驾驶车辆运动规划方法 |
WO2021196145A1 (zh) * | 2020-04-02 | 2021-10-07 | 华为技术有限公司 | 一种车辆盲区识别方法、自动驾驶辅助系统以及包括该系统的智能驾驶车辆 |
Non-Patent Citations (1)
Title |
---|
王珂晟;宗磊强;曹琪;: "基于虚拟样机的战地越野车整车制动仿真分析", 计算机仿真, no. 08, 15 August 2011 (2011-08-15) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114882706A (zh) * | 2022-05-31 | 2022-08-09 | 华中科技大学 | 一种基于非结构性路面的周向防碰撞预警方法及系统 |
CN116499486A (zh) * | 2023-06-26 | 2023-07-28 | 北京理工大学 | 一种复杂越野环境路径规划方法、系统及电子设备 |
CN116499486B (zh) * | 2023-06-26 | 2023-09-22 | 北京理工大学 | 一种复杂越野环境路径规划方法、系统及电子设备 |
CN116513246A (zh) * | 2023-07-04 | 2023-08-01 | 北京理工大学 | 一种越野环境速度规划方法、系统及设备 |
CN116513246B (zh) * | 2023-07-04 | 2023-09-12 | 北京理工大学 | 一种越野环境速度规划方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114372375B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109263639B (zh) | 基于状态栅格法的驾驶路径规划方法 | |
CN114372375B (zh) | 一种越野车安全行驶区域求解方法及系统 | |
Ali et al. | Path planning and control of mobile robot in road environments using sensor fusion and active force control | |
JP2023536407A (ja) | 走行可能面識別技術 | |
CN110361013B (zh) | 一种用于车辆模型的路径规划系统及方法 | |
CN108088456A (zh) | 一种具有时间一致性的无人驾驶车辆局部路径规划方法 | |
Zhao et al. | Dynamic motion planning for autonomous vehicle in unknown environments | |
US20080059015A1 (en) | Software architecture for high-speed traversal of prescribed routes | |
Lee et al. | Automatic parking of self-driving car based on lidar | |
CN112141091B (zh) | 解决车位偏移和定位偏移的二次泊车方法、系统及车辆 | |
CN104897168A (zh) | 基于道路危险评估的智能车路径搜索方法及系统 | |
CN111238517A (zh) | 用于无人驾驶车辆的路径轨迹的生成方法和生成系统 | |
WO2023092870A1 (zh) | 一种适用于自动驾驶车辆的挡土墙检测方法及系统 | |
Jun et al. | Autonomous driving system design for formula student driverless racecar | |
CN113515111B (zh) | 一种车辆避障路径规划方法及装置 | |
JP2022543355A (ja) | 視覚追跡および画像再投影による自律運転のための物体位置特定 | |
CN114488185A (zh) | 基于多线激光雷达的机器人导航系统方法及系统 | |
CN116069037A (zh) | 无人车编队轨迹规划控制方法、装置、设备及存储介质 | |
CN115223039A (zh) | 一种面向复杂环境的机器人半自主控制方法及系统 | |
Jeong et al. | Sampling based vehicle motion planning for autonomous valet parking with moving obstacles | |
Diab et al. | Experimental lane keeping assist for an autonomous vehicle based on optimal PID controller | |
Wang et al. | A survey on path planning for autonomous ground vehicles in unstructured environments | |
Zhang et al. | Principles of intelligent automobiles | |
CN112666950B (zh) | 一种基于超声波距离检测的无人驾驶汽车避障方法 | |
Tian et al. | Autonomous formula racecar: Overall system design and experimental validation |
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 |