CN114384916A - 一种越野车路径规划的自适应决策方法及系统 - Google Patents
一种越野车路径规划的自适应决策方法及系统 Download PDFInfo
- Publication number
- CN114384916A CN114384916A CN202210037454.0A CN202210037454A CN114384916A CN 114384916 A CN114384916 A CN 114384916A CN 202210037454 A CN202210037454 A CN 202210037454A CN 114384916 A CN114384916 A CN 114384916A
- Authority
- CN
- China
- Prior art keywords
- index
- path
- performance
- candidate
- weight
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000003044 adaptive effect Effects 0.000 title claims description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 71
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 230000006870 function Effects 0.000 claims description 60
- 230000003068 static effect Effects 0.000 claims description 19
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000006116 polymerization reaction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010304 firing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 11
- 230000007246 mechanism Effects 0.000 description 8
- 238000013461 design Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 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
- G05D1/0212—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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
Abstract
本发明提供一种越野车路径规划的自适应决策方法及系统，以解决越野车在非结构化道路场景中进行路径规划时面临的评价及决策问题。方法具体为：以越野车的多个性能指标构建用于越野车路径规划的评价函数；同时设计模糊神经网络用于自适应调整每个指标权重，确定适合当前路况的评价函数，以实现对路径规划的最佳决策。相比于现有的单目标或者多目标固定权重的决策方法，本发明能够适应于复杂时变的非结构化路况以及不确定性能偏好的多目标最优驾驶需求。
Description
技术领域
本发明涉及越野车辅助驾驶领域，更具体地，涉及一种越野车路径规划的自适应决策方法及系统。
背景技术
越野车作为能在野地、山地里行进的车辆，其行程场景相较于其他类型车辆更为复杂，不仅包括了高速公路、城镇主干道等结构化路况，也包括了山地路、冰雪路、草地等各类非结构化野外路况。为增强车辆的安全性、驾驶的舒适性以及减轻驾驶员的驾驶负担，越来越多研究机构和公司开始研发越野车的辅助驾驶系统。其中，路径规划和决策技术是辅助驾驶系统的核心之一，是车辆安全避障、快速行进的基础。在越野车的局部路径规划过程中，基于信息的智能决策是不容忽视的关键步骤，其性能将直接影响最终规划结果的效用。
越野车路径规划涉及的性能评估和决策需要考虑复杂未知的工况，综合多尺度评价指标去评估已有的候选路径或者指导搜索算法求解期望的最优路径。虽然，现有文献中已有关于车辆决策系统的设计或者车辆局部路径规划方法的设计，例如，专利201710077048.6提出了一种面向未知状况的车辆辅助驾驶决策系统和装置，专利201910015057.1提出了一种复杂工况下自动驾驶车辆决策系统及其轨迹规划方法，《复杂动态环境下智能汽车局部路径规划与跟踪》提出基于代价函数选择最优路径，但是大多数为系统组成设计并未针对路径规划给出有效的决策方法。同时，越野车所面临的驾驶环境及驾驶需求是复杂多变的，恒定的评价及决策机制难以满足越野车路径规划的现实需求。
发明内容
针对以上现有技术的不足，基于权重聚合法和模糊神经网络设计了一种越野车路径规划的自适应决策方法及系统，能够综合考虑各种道路、车辆因素的影响，从安全性、路径平滑性、通行效率等多种角度对候选路径进行综合评价，同时基于模糊神经网络自适应调整对每种性能的偏好权重，从而在一系列候选路径中选择一条最适合当前工况的路径。
根据本发明的第一方面，提供了一种越野车路径规划的自适应决策方法，包括：
对于越野车的多条候选规划路径，构建每一条候选规划路径的性能指标集合；
根据所述性能指标集合中的多个性能指标，基于权重聚合法构造越野车规划路径的评价函数；
根据每一条候选规划路径的当前道路环境和驾驶需求，基于模糊神经网络对各个性能指标的权重进行自适应调整，确定各个性能指标的权重；
基于确定的各个性能指标的权重和构造的评价函数，计算每一条候选规划路径的评价值；
确定评价值最高的候选规划路径为最优路径。
在上述技术方案的基础上，本发明还可以作出如下改进。
可选的，所述对于越野车的多条候选规划路径，构建每一条候选规划路径的性能指标集合，包括：
以环境信息、车辆状态和运动需求为依据，构建每一条候选规划路径的静态安全性指标、动态安全性指标、路径平滑性指标、路径长度指标、通行效率指标和全局路径约束指标，构成每一条候选规划路径的性能指标集合。
可选的，所述根据所述性能指标集合中的多个性能指标，基于权重聚合法构造越野车规划路径的评价函数，包括：
f＝wsfs+wdfd+wqfq+wvfv+wlfl+wofo；
式中，f是评价函数，fs、fd、fq、fv、fl和fo分别是静态安全性指标、动态安全性指标、路径平滑性指标、通行效率指标、路径长度指标和全局路径约束指标各方面的评价函数，ws、wd、wq、wv、wl和wo是静态安全性指标、动态安全性指标、路径平滑性指标、通行效率指标、路径长度指标和全局路径约束指标的权重，其被分别归一化为0-1之间的值且满足ws+wd+wq+wv+wl+wo＝1。
可选的，所述根据每一条候选规划路径的当前道路环境和驾驶需求，基于模糊神经网络对各个性能指标的权重进行自适应调整，确定各个性能指标的权重，包括：
将每一条候选规划路径所在区域的障碍物相对速度、碰撞危险角、碰撞危险指数、路面附着系数、滑移率、期望车速、期望通行时间输入模糊神经网络中，获取所述模糊神经网络输出的静态安全性指标、动态安全性指标、路径平滑性指标、通行效率指标、路径长度指标和全局路径约束指标的权重。
可选的，所述模糊神经网络包括输入层、模糊化层、模糊推理层、归一化层和输出层；
所述输入层，用于将自然论域的输入变量映射到模糊论域，以便以进行模糊化处理；
所述模糊化层，用于采用高斯函数作为各节点隶属度函数，对输入层的输出值进行模糊化处理；
所述模糊推理层，用于基于模糊规则进行模糊推理，通过模糊运算获得控制输入在每条模糊规则下的开火度；
所述归一化层，用于对所述模糊推理层的输出进行归一化；
所述输出层，用于对模糊输出量进行去模糊化，得到实际论域的清晰值。
根据本发明的第二方面，提供一种越野车路径规划的自适应决策系统，包括：
构建模块，用于对于越野车的多条候选规划路径，构建每一条候选规划路径的性能指标集合；
构造模块，用于根据所述性能指标集合中的多个性能指标，基于权重聚合法构造越野车规划路径的评价函数；
第一确定模块，用于根据每一条候选规划路径的当前道路环境和驾驶需求，基于模糊神经网络对各个性能指标的权重进行自适应调整，确定各个性能指标的权重；
计算模块，用于基于确定的各个性能指标的权重和构造的评价函数，计算每一条候选规划路径的评价值；
第二确定模块，用于确定评价值最高的候选规划路径为最优路径。
可选的，所述构造模块，用于根据所述性能指标集合中的多个性能指标，基于权重聚合法构造越野车规划路径的评价函数，包括：
f＝wsfs+wdfd+wqfq+wvfv+wlfl+wofo；
式中，f是评价函数，fs、fd、fq、fv、fl和fo分别是静态安全性指标、动态安全性指标、路径平滑性指标、通行效率指标、路径长度指标和全局路径约束指标各方面的评价函数，ws、wd、wq、wv、wl和wo是静态安全性指标、动态安全性指标、路径平滑性指标、通行效率指标、路径长度指标和全局路径约束指标的权重，其被分别归一化为0-1之间的值且满足ws+wd+wq+wv+wl+wo＝1。
可选的，所述第一确定模块，用于根据每一条候选规划路径的当前道路环境和驾驶需求，基于模糊神经网络对各个性能指标的权重进行自适应调整，确定各个性能指标的权重，包括：
将每一条候选规划路径所在区域的障碍物相对速度、碰撞危险角、碰撞危险指数、路面附着系数、滑移率、期望车速、期望通行时间输入模糊神经网络中，获取所述模糊神经网络输出的静态安全性指标、动态安全性指标、路径平滑性指标、通行效率指标、路径长度指标和全局路径约束指标的权重。
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路径规划的自适应决策方法的步骤。
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路径规划的自适应决策方法的步骤。
本发明的有益效果有以下：
1、本发明针对车辆路径规划过程中的决策机制进行了改进，所设计的基于权重聚合法和模糊神经网络的自适应决策方法，相比于现有的单目标或者多目标固定权重的决策方法，能够适应于复杂时变的非结构化路况以及不确定性能偏好的多目标最优驾驶需求。
2、本方法基于模糊神经网络设计了评价函数权重的自适应调节机制，能够利用三维地形、障碍物、路面状态、运动需求等信息自主调整评价函数，进而选路径中筛选出当前的最佳局部路径。
3、所设计的自适应决策机制可利用模糊神经网络的自学习机制，在系统运行过程中，迭代修正以不断提高决策精度和效率。
4、本发明的自适应决策机制也提供了一种越野车路径规划用的评价函数，可适用于越野车辅助驾驶系统的设计。
附图说明
图1为本发明实施例提供的一种越野车规划路径的自适应决策方法流程图；
图2为越野车规划路径的自适应决策方法的整体示意图；
图3为基于模糊神经网络确定各性能指标权重的示意图；
图4为本发明实施例提供的越野车路径规划的自适应决策系统的结构示意图；
图5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6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。
实施例一
一种越野车路径规划的自适应决策方法，参见图1，该自适应决策方法包括：对于越野车的多条候选规划路径，构建每一条候选规划路径的性能指标集合；根据所述性能指标集合中的多个性能指标，基于权重聚合法构造越野车规划路径的评价函数；根据每一条候选规划路径的当前道路环境和驾驶需求，基于模糊神经网络对各个性能指标的权重进行自适应调整，确定各个性能指标的权重；基于确定的各个性能指标的权重和构造的评价函数，计算每一条候选规划路径的评价值；确定评价值最高的候选规划路径为最优路径。
可以理解的是，基于信息的智能决策技术是局部路径规划核心部分，能够根据设计的性能评价函数，评估已有的候选路径或者指导搜索算法求解期望的最优路径。然而，越野车路径规划涉及的性能评估和决策，包括了多种指标，且对每一指标的偏好是时变的。从指标的角度，越野车路径规划的评估和决策需要考虑静态安全性指标、动态安全性指标、路径平滑性、通行效率等；从性能偏好的角度，决策机制需要考虑不同行驶区域特征和不同驾驶需求的影响，因此每个指标的权重将需要不断调整。
基于此，本发明实施例基于权重聚合法和模糊神经网络设计了一种用于越野车路径规划的自适应决策方法。如图1所示，以环境信息、车辆状态、运动需求为依据，利用权重聚合法整合多种指标构建了用于越野车路径规划的评价函数，同时设计了模糊神经网络用于自适应调整每个指标权重，确定适合当前路况的评价函数，以实现对路径规划的最佳决策。
实施例二
一种越野车路径规划的自适应决策方法，该方法主要包括以下步骤：
S1，对于越野车的多条候选规划路径，构建每一条候选规划路径的性能指标集合。
作为实施例，所述对于越野车的多条候选规划路径，构建每一条候选规划路径的性能指标集合，包括：以环境信息、车辆状态和运动需求为依据，构建每一条候选规划路径的静态安全性指标、动态安全性指标、路径平滑性指标、路径长度指标、通行效率指标和全局路径约束指标，构成每一条候选规划路径的性能指标集合。
具体的，根据规划的越野车的多条候选路径，建立性能指标集合，对车辆安全、平稳性、速度、效率等多种性能进行数学描述。
在本发明实施例中，构建的性能指标主要包括：
(1)静态安全性指标fs：利用离散高斯卷积结合碰撞检测的方法来描述该候选路径上车辆躲避已知障碍物的能力：
式中，ψ(k)为候选路径碰撞检测值，N为候选路径数量，σ是碰撞风险的标准偏差，i代表第i条候选路径。
(2)动态安全性指标fd：基于描述该候选路径上车辆加速度描述躲避不确定障碍物的能力：
fd＝|min(a1,a2)|；
式中，a1为越野车在被评估候选路径上的加速度,a2为越野车在所有候选路径的最大加速度。
(3)路径平滑性指标fq：以曲率的平方在候选路径长度上的积分描述该候选路径上车辆平稳不侧翻的安全性：
式中，s1为车辆当前位置，s2为规划路径的末端位置，θ(s)是候选路径上弧长位置为s点的曲率。
(4)路径长度指标fl：描述该候选路径上车辆的能耗：
fl＝s2-s1；
式中，s1为车辆当前位置，s2为规划路径的末端位置。
(5)通行效率指标fv：以候选路径上车辆的平均通行时间描述快速通过某一区域能力：
式中，s1为车辆当前位置，s2为规划路径的末端位置，v为越野车在规划路径上的平均车速。
(6)全局路径约束指标fo：候选局部路径与原全局路径的偏离度：
式中，s1为车辆当前位置，s2为规划路径的末端位置，Δρ(s)为曲线坐标下两条路径在同一弧长处的横向偏移距离之差。
S2，根据所述性能指标集合中的多个性能指标，基于权重聚合法构造越野车规划路径的评价函数；
可以理解的是，上述步骤S1确定了越野车每一条候选路径的多个性能指标，本步骤根据多个性能指标制定多目标的越野车候选路径决策问题的评价函数。
具体的，利用权重聚合法整合步骤1的各类性能指标，制定越野车路径规划的评价函数：
f＝wsfs+wdfd+wqfq+wvfv+wlfl+wofo；
式中，f是总评价函数，fs、fd、fq、fv、fl和fo分别是静态安全性、动态安全性、路径平滑性、通行效率、路径长度和全局路径约束等方面的评价函数，ws、wd、wq、wv、wl和wo是评价函数的权重，其被分别归一化为0-1之间的值且满足ws+wd+wq+wv+wl+wo＝1。
通过调整评价函数的权重组合值，将生成具有不同性能偏好的决策。例如增大ws会倾向产生更安全却更慢的路径，增大wc会倾向产生较短的路径，增大wd会倾向使车辆保持其原始速度绕过动态障碍物。
S3，根据每一条候选规划路径的当前道路环境和驾驶需求，基于模糊神经网络对各个性能指标的权重进行自适应调整，确定各个性能指标的权重。
作为实施例，所述根据每一条候选规划路径的当前道路环境和驾驶需求，基于模糊神经网络对各个性能指标的权重进行自适应调整，确定各个性能指标的权重，包括：将每一条候选规划路径所在区域的障碍物相对速度、碰撞危险角、碰撞危险指数、路面附着系数、滑移率、期望车速、期望通行时间输入模糊神经网络中，获取所述模糊神经网络输出的静态安全性指标、动态安全性指标、路径平滑性指标、通行效率指标、路径长度指标和全局路径约束指标的权重。
可以理解的是，本步骤设计模糊神经网络，根据实时环境信息和车辆运动偏好，自适应调整评价函数中各性能指标的权重。
由于适应复杂度多变的道路环境以及不确定性的驾驶需求，因此设计模糊神经网络在线自适应调整评价函数的权重ws、wd、wq、wv、wl和wo，从而生成针对性的路径评价函数。参见图2，本实施例的模糊神经网络模型是一个五层的网络模型，包括了输入层、模糊化层、模糊推理层、归一化层以及输出层，其中模糊推理层包含了权值规则库是模糊控制器的核心。所设计模糊神经网络模型能够根据输入的障碍物相对速度、碰撞危险角、碰撞危险指数、路面附着系数、滑移率、期望车速、期望通行时间等实时信息输出与之匹配的评价函数权值，进而从备选路径中筛选出最佳局部路径。因此，模糊神经网络模型的输入为：
X＝{x1 x2 x3 x4 x5 x6 x7}；
其中，x1为障碍物相对速度，x2为碰撞危险角，x3为碰撞危险指数，x4为路面附着系数，x5为滑移率，x6为期望车速，x7为期望通行时间；模型输出为Y＝{ws wd wq wv wl wo}，即评价函数权重。
其中，模糊神经网络模型的各层设计如下：
第一层：输入层：该层有7个节点，对应7个输入变量。该层节点将自然论域的输入变量映射到模糊论域，以便以进行模糊化处理，其中第j的输出表示为
其中，ki为第i个输入变量和第j个节点的连接权重，i＝j，输入变量
第二层：模糊化层：采用高斯函数作为各节点隶属度函数，对输入层的输出值进行模糊化处理，每个节点的输出为输入值对应该节点代表模糊变量的隶属函数值，即
式中，
是输入变量即上层节点的输出变量，
为模糊化层节点的输出变量，uij是隶属度函数的均值，σj是模糊化层中第j个隶属度函数的标准差。本层的节点数为L2＝21，模糊神经网络的每个输入变量都可以用“大L”、“中M”、“小S”来划分。
第三层：模糊推理层：模糊推理层中每个神经元节点代表一条模糊规则，所有节点组成模糊规则库。本实施例中模糊规则的数目r为2187，即2187个模糊推理层节点。根据模糊规则，通过乘积推理模糊推理获得控制输入在每条模糊规则下的开火度，即模糊推理层第j个节点的输出
为该节点所有输入信号
的乘积：
第四层：归一化层：该层的节点数与模糊推理层的节点数相等，即r＝2187。第j个结点的输出为
式中，
是输入变量即上层节点的输出变量。
第五层：输出层：输出层有6个节点，代表6个输出变量ws、wd、wq、wv、wl和wo。采用加权平均法作为去模糊化方法，输出层对模糊输出量进行去模糊化，得到实际论域的清晰值，即第j个节点的输出为
式中，
是输入变量即上层节点的输出变量，参数λij为上层第i个结点与当前第j节点之间的连接权重。
构建了模糊神经网络后，利用构建的模糊神经网络确定每一条候选规划路径对应的多个性能指标的权重。
S4，基于确定的各个性能指标的权重和构造的评价函数，计算每一条候选规划路径的评价值。
可以理解的是，将步骤S3中确定的每一个性能指标的权重代入到步骤S2构造的评价函数中，计算出每一条候选规划路径对应的评价值。
S5，确定评价值最高的候选规划路径为最优路径。
可以理解的是，计算出了每一条候选规划路径的评价值之后，将评价值最高的候选规划路径作为最佳路径。
参见图2和图3，在系统运行过程中，越野车路径规划自适应决策方法的工作流程如下：
1)基于环境感知和状态检测模块，实时获取输入的障碍物相对速度、碰撞危险角、碰撞危险指数、路面附着系数、滑移率、期望车速、期望通行时间等输入信息；
2)模糊神经网络输出与当前道路环境以及驾驶需求匹配的评价函数权重ws、wd、wq、wv、wl和wo；
3)重新制定适合当前路况的评价函数；
4)对候选路径进行评估和决策。
实施例三
一种越野车路径规划的自适应决策系统，参见图4，该自适应决策系统包括构建模块401、构造模块402、第一确定模块403、计算模块404和第二确定模块405。
其中，构建模块401，用于对于越野车的多条候选规划路径，构建每一条候选规划路径的性能指标集合；构造模块402，用于根据所述性能指标集合中的多个性能指标，基于权重聚合法构造越野车规划路径的评价函数；第一确定模块403，用于根据每一条候选规划路径的当前道路环境和驾驶需求，基于模糊神经网络对各个性能指标的权重进行自适应调整，确定各个性能指标的权重；计算模块404，用于基于确定的各个性能指标的权重和构造的评价函数，计算每一条候选规划路径的评价值；第二确定模块405，用于确定评价值最高的候选规划路径为最优路径。
可以理解的是，本发明提供的一种越野车路径规划的自适应决策系统与前述各实施例提供的越野车路径规划的自适应决策方法相对应，越野车路径规划的自适应决策系统的相关技术特征可参考越野车路径规划的自适应决策方法的相关技术特征，在此不再赘述。
实施例四
请参阅图5，图5为本发明实施例提供的电子设备的实施例示意图。如图5所示，本发明实施例提了一种电子设备500，包括存储器510、处理器520及存储在存储器510上并可在处理器520上运行的计算机程序511，处理器520执行计算机程序511时实现实施例一或实施例二的越野车路径规划的自适应决策方法。
实施例五
请参阅图6，图6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6所示，本实施例提供了一种计算机可读存储介质600，其上存储有计算机程序611，该计算机程序611被处理器执行时实现实施例一或实施例二的越野车路径规划的自适应决策方法。
本发明实施例提供的一种越野车路径规划的自适应决策方法及系统，以越野车的多个性能指标构建用于越野车路径规划的评价函数；同时设计模糊神经网络用于自适应调整每个指标权重，确定适合当前路况的评价函数，以实现对路径规划的最佳决策。相比于现有的单目标或者多目标固定权重的决策方法，本发明能够适应于复杂时变的非结构化路况以及不确定性能偏好的多目标最优驾驶需求。
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)
1.一种越野车路径规划的自适应决策方法，其特征在于，包括：
对于越野车的多条候选规划路径，构建每一条候选规划路径的性能指标集合；
根据所述性能指标集合中的多个性能指标，基于权重聚合法构造越野车规划路径的评价函数；
根据每一条候选规划路径的当前道路环境和驾驶需求，基于模糊神经网络对各个性能指标的权重进行自适应调整，确定各个性能指标的权重；
基于确定的各个性能指标的权重和构造的评价函数，计算每一条候选规划路径的评价值；
确定评价值最高的候选规划路径为最优路径。
2.根据权利要求1所述的自适应决策方法，其特征在于，所述对于越野车的多条候选规划路径，构建每一条候选规划路径的性能指标集合，包括：
以环境信息、车辆状态和运动需求为依据，构建每一条候选规划路径的静态安全性指标、动态安全性指标、路径平滑性指标、路径长度指标、通行效率指标和全局路径约束指标，构成每一条候选规划路径的性能指标集合。
3.根据权利要求2所述的自适应决策方法，其特征在于，所述根据所述性能指标集合中的多个性能指标，基于权重聚合法构造越野车规划路径的评价函数，包括：
f＝wsfs+wdfd+wqfq+wvfv+wlfl+wofo；
式中，f是评价函数，fs、fd、fq、fv、fl和fo分别是静态安全性指标、动态安全性指标、路径平滑性指标、通行效率指标、路径长度指标和全局路径约束指标各方面的评价函数，ws、wd、wq、wv、wl和wo是静态安全性指标、动态安全性指标、路径平滑性指标、通行效率指标、路径长度指标和全局路径约束指标的权重，其被分别归一化为0-1之间的值且满足ws+wd+wq+wv+wl+wo＝1。
4.根据权利要求1或3所述的自适应决策方法，其特征在于，所述根据每一条候选规划路径的当前道路环境和驾驶需求，基于模糊神经网络对各个性能指标的权重进行自适应调整，确定各个性能指标的权重，包括：
将每一条候选规划路径所在区域的障碍物相对速度、碰撞危险角、碰撞危险指数、路面附着系数、滑移率、期望车速、期望通行时间输入模糊神经网络中，获取所述模糊神经网络输出的静态安全性指标、动态安全性指标、路径平滑性指标、通行效率指标、路径长度指标和全局路径约束指标的权重。
5.根据权利要求4所述的自适应决策方法，其特征在于，所述模糊神经网络包括输入层、模糊化层、模糊推理层、归一化层和输出层；
所述输入层，用于将自然论域的输入变量映射到模糊论域，以便以进行模糊化处理；
所述模糊化层，用于采用高斯函数作为各节点隶属度函数，对输入层的输出值进行模糊化处理；
所述模糊推理层，用于基于模糊规则进行模糊推理，通过模糊运算获得控制输入在每条模糊规则下的开火度；
所述归一化层，用于对所述模糊推理层的输出进行归一化；
所述输出层，用于对模糊输出量进行去模糊化，得到实际论域的清晰值。
6.一种越野车路径规划的自适应决策系统，其特征在于，包括：
构建模块，用于对于越野车的多条候选规划路径，构建每一条候选规划路径的性能指标集合；
构造模块，用于根据所述性能指标集合中的多个性能指标，基于权重聚合法构造越野车规划路径的评价函数；
第一确定模块，用于根据每一条候选规划路径的当前道路环境和驾驶需求，基于模糊神经网络对各个性能指标的权重进行自适应调整，确定各个性能指标的权重；
计算模块，用于基于确定的各个性能指标的权重和构造的评价函数，计算每一条候选规划路径的评价值；
第二确定模块，用于确定评价值最高的候选规划路径为最优路径。
7.根据权利要求6所述的自适应决策系统，其特征在于，所述构造模块，用于根据所述性能指标集合中的多个性能指标，基于权重聚合法构造越野车规划路径的评价函数，包括：
f＝wsfs+wdfd+wqfq+wvfv+wlfl+wofo；
式中，f是评价函数，fs、fd、fq、fv、fl和fo分别是静态安全性指标、动态安全性指标、路径平滑性指标、通行效率指标、路径长度指标和全局路径约束指标各方面的评价函数，ws、wd、wq、wv、wl和wo是静态安全性指标、动态安全性指标、路径平滑性指标、通行效率指标、路径长度指标和全局路径约束指标的权重，其被分别归一化为0-1之间的值且满足ws+wd+wq+wv+wl+wo＝1。
8.根据权利要求7所述的自适应决策系统，其特征在于，所述第一确定模块，用于根据每一条候选规划路径的当前道路环境和驾驶需求，基于模糊神经网络对各个性能指标的权重进行自适应调整，确定各个性能指标的权重，包括：
将每一条候选规划路径所在区域的障碍物相对速度、碰撞危险角、碰撞危险指数、路面附着系数、滑移率、期望车速、期望通行时间输入模糊神经网络中，获取所述模糊神经网络输出的静态安全性指标、动态安全性指标、路径平滑性指标、通行效率指标、路径长度指标和全局路径约束指标的权重。
9.一种电子设备，其特征在于，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如权利要求1-5任一项所述的越野车路径规划的自适应决策方法的步骤。
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1-5任一项所述的越野车路径规划的自适应决策方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210037454.0A CN114384916A (zh) | 2022-01-13 | 2022-01-13 | 一种越野车路径规划的自适应决策方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210037454.0A CN114384916A (zh) | 2022-01-13 | 2022-01-13 | 一种越野车路径规划的自适应决策方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114384916A true CN114384916A (zh) | 2022-04-22 |
Family
ID=81202501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210037454.0A Pending CN114384916A (zh) | 2022-01-13 | 2022-01-13 | 一种越野车路径规划的自适应决策方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114384916A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116588087A (zh) * | 2023-07-14 | 2023-08-15 | 上海伯镭智能科技有限公司 | 基于多模态数据的无人驾驶矿车装卸点停靠方法 |
| CN117490703A (zh) * | 2023-12-29 | 2024-02-02 | 博创联动科技股份有限公司 | 一种农机作业路径规划方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102043870A (zh) * | 2009-10-10 | 2011-05-04 | 中国北车集团大同电力机车有限责任公司 | 电力机车最优布线路径的评价选择方法 |
| CN108072382A (zh) * | 2016-11-11 | 2018-05-25 | 现代自动车株式会社 | 用于自主驾驶车辆的路径确定装置及路径确定方法 |
| CN111123934A (zh) * | 2019-12-25 | 2020-05-08 | 深圳深岚视觉科技有限公司 | 轨迹评估方法、轨迹评估装置及移动机器人 |
| JP2021047153A (ja) * | 2019-09-20 | 2021-03-25 | 株式会社デンソー | 追従経路生成装置、方法及びプログラム |
| CN112965498A (zh) * | 2021-02-23 | 2021-06-15 | 上海电机学院 | 一种智能扫路车运行轨迹跟踪控制方法 |
-
2022
- 2022-01-13 CN CN202210037454.0A patent/CN114384916A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102043870A (zh) * | 2009-10-10 | 2011-05-04 | 中国北车集团大同电力机车有限责任公司 | 电力机车最优布线路径的评价选择方法 |
| CN108072382A (zh) * | 2016-11-11 | 2018-05-25 | 现代自动车株式会社 | 用于自主驾驶车辆的路径确定装置及路径确定方法 |
| JP2021047153A (ja) * | 2019-09-20 | 2021-03-25 | 株式会社デンソー | 追従経路生成装置、方法及びプログラム |
| CN111123934A (zh) * | 2019-12-25 | 2020-05-08 | 深圳深岚视觉科技有限公司 | 轨迹评估方法、轨迹评估装置及移动机器人 |
| CN112965498A (zh) * | 2021-02-23 | 2021-06-15 | 上海电机学院 | 一种智能扫路车运行轨迹跟踪控制方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116588087A (zh) * | 2023-07-14 | 2023-08-15 | 上海伯镭智能科技有限公司 | 基于多模态数据的无人驾驶矿车装卸点停靠方法 |
| CN116588087B (zh) * | 2023-07-14 | 2023-09-29 | 上海伯镭智能科技有限公司 | 基于多模态数据的无人驾驶矿车装卸点停靠方法 |
| CN117490703A (zh) * | 2023-12-29 | 2024-02-02 | 博创联动科技股份有限公司 | 一种农机作业路径规划方法及系统 |
| CN117490703B (zh) * | 2023-12-29 | 2024-03-08 | 博创联动科技股份有限公司 | 一种农机作业路径规划方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110749333B (zh) | 基于多目标优化的无人驾驶车辆运动规划方法 | |
| Huang et al. | Personalized trajectory planning and control of lane-change maneuvers for autonomous driving | |
| US8510034B2 (en) | Perception model for trajectory following autonomous and human augmented steering control | |
| CN114384916A (zh) | 一种越野车路径规划的自适应决策方法及系统 | |
| CN110395250A (zh) | 用于车辆弯道速度限制的方法和系统 | |
| Huang et al. | Use of neural fuzzy networks with mixed genetic/gradient algorithm in automated vehicle control | |
| CN108303982A (zh) | 自动引导运输车、其控制方法及控制系统 | |
| CN112249008B (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
| CN110254422B (zh) | 一种基于多目标增强学习及贝塞尔曲线的汽车避障方法 | |
| WO2022257377A1 (zh) | 一种基于模糊神经网络的自动换挡控制方法 | |
| US20120158247A1 (en) | Perception Model For Trajectory Following Autonomous And Human Augmented Steering Control | |
| CN115257745A (zh) | 一种基于规则融合强化学习的自动驾驶换道决策控制方法 | |
| Zhang et al. | An autonomous overtaking maneuver based on relative position information | |
| Shi et al. | Physics-informed deep reinforcement learning-based integrated two-dimensional car-following control strategy for connected automated vehicles | |
| CN117032203A (zh) | 基于svo的自动驾驶智能控制方法 | |
| CN108827331B (zh) | 一种基于邻域系统的智能车辆轨迹规划方法 | |
| CN113200054A (zh) | 一种自动驾驶接管的路径规划方法及系统 | |
| Pirjanian et al. | Multiple objective vs. fuzzy behavior coordination | |
| CN114919578B (zh) | 智能车行为决策方法、规划方法、系统及存储介质 | |
| Oentaryo et al. | Self-trained automated parking system | |
| CN116588123A (zh) | 基于安全势场模型的风险感知的预警策略方法 | |
| Balal et al. | Comparative evaluation of fuzzy inference system, support vector machine and multilayer feed-forward neural network in making discretionary lane changing decisions | |
| Faruffini et al. | Vehicle autonomous navigation with context awareness | |
| CN114613127B (zh) | 一种基于多层面多维度指标体系的行车风险预测方法 | |
| CN111857112A (zh) | 一种汽车局部路径规划方法及电子设备 |
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 |