CN114384919A - 基于大型障碍物形态信息的车辆避障路径规划方法及系统 - Google Patents
基于大型障碍物形态信息的车辆避障路径规划方法及系统 Download PDFInfo
- Publication number
- CN114384919A CN114384919A CN202210048921.XA CN202210048921A CN114384919A CN 114384919 A CN114384919 A CN 114384919A CN 202210048921 A CN202210048921 A CN 202210048921A CN 114384919 A CN114384919 A CN 114384919A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- model
- vehicle
- obstacle avoidance
- att
- 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 51
- 238000013459 approach Methods 0.000 claims abstract description 16
- 230000004888 barrier function Effects 0.000 claims description 14
- 230000000877 morphologic effect Effects 0.000 claims description 11
- 239000007787 solid Substances 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001788 irregular Effects 0.000 description 2
- 230000010339 dilation Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001502 supplementing 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
- G05D1/0212—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
-
- 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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种基于大型障碍物形态信息的车辆避障路径规划方法及系统。所述方法包括:获取避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息,据此建立人工风险场模型并规划车辆避障路径;在无人驾驶智能车沿车辆避障路径行驶的避障过程中,判断智能车是否接近大型障碍物;若是,采集大型障碍物的形态信息并建立立体模型,进而通过形态包络模型进行分析,建立大型障碍物的膨胀立体模型;根据膨胀立体模型确定人工风险场模型调整参数;根据人工风险场模型调整参数来调整避障区域的人工风险场模型。本发明方法能够提高无人驾驶车辆避障过程的安全性,为无人驾驶车辆避障策略的研究提供新的研究思路。
Description
技术领域
本发明涉及智能避障技术领域,特别是涉及一种基于大型障碍物形态信息的车辆避障路径规划方法及系统。
背景技术
现有的针对大型障碍物的避障技术大多为:检测到大型障碍物后,将大型障碍物附近分为更小的区块,针对每一区块单独进行路径规划。然而,无人驾驶车辆在接近大型障碍物时,由于受到车辆与大型障碍物之间的相对位置限制,传感器仅能够采集到的大型障碍物朝向车辆一侧的形态信息;且大型障碍物一般呈不规则形状,极大地增加了无人驾驶车辆碰撞大型障碍物的风险。现有的这一类大型障碍物避障策略较为简单,没有考虑到未被采集的大型障碍物形态特征对避障安全性的影响,并且没有有效利用大型障碍物的表面起伏程度等形态信息。
也就是说,现有的无人驾驶车辆躲避大型障碍物的方法均存在无法合理利用采集到的大型障碍物形态信息的问题,原因之一在于这类无人驾驶车辆躲避障碍物的策略多从障碍物与车辆的位置信息单一维度的考虑,对大型障碍物形态信息的利用程度较低,进而对避障策略的适用性以及避障路径的安全性产生了影响。由于现有技术对大型障碍物形态信息采集与利用不足,导致避障过程中碰撞风险增加。
发明内容
本发明的目的是提供一种基于大型障碍物形态信息的车辆避障路径规划方法及系统,以提高无人驾驶车辆避障过程的安全性。
为实现上述目的,本发明提供了如下方案:
一种基于大型障碍物形态信息的车辆避障路径规划方法,包括:
获取避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息;所述避障区域的地图道路信息包括目标位置;所述车辆姿态与位置信息包括无人驾驶智能车的车辆位置;所述障碍物形态与位置信息包括大型障碍物的障碍物位置;
根据所述避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息,建立所述避障区域的人工风险场模型;
根据所述人工风险场模型规划车辆避障路径;
在所述无人驾驶智能车沿所述车辆避障路径行驶的避障过程中,判断所述无人驾驶智能车是否接近所述大型障碍物;
若所述无人驾驶智能车未接近所述大型障碍物,所述无人驾驶智能车依照所述车辆避障路径行驶;
若所述无人驾驶智能车接近所述大型障碍物,通过所述无人驾驶智能车上安装的传感器采集所述大型障碍物的形态信息;
根据所述大型障碍物的形态信息建立大型障碍物的立体模型;
根据所述大型障碍物的立体模型,通过形态包络模型进行分析,获得大型障碍物的膨胀立体模型;
根据所述大型障碍物的膨胀立体模型确定人工风险场模型调整参数;
根据所述人工风险场模型调整参数来调整所述避障区域的人工风险场模型,返回所述根据所述人工风险场模型规划车辆避障路径的步骤。
可选地,所述根据所述避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息,建立所述避障区域的人工风险场模型,具体包括:
根据所述避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息,建立所述避障区域的人工风险场模型;所述人工风险场模型包括引力势场函数斥力势场函数合力势场函数引力函数斥力函数以及合力函数其中Uatt(q)、Urep(q)、Utotal(q)分别表示引力势场、斥力势场、合力势场;Fatt(q)、Frep(q)、Ftotal(q)分别表示引力、斥力、合力;katt、krep分别表示引力势场增益因子、斥力势场增益因子;q、qg、qo分别表示车辆位置、目标位置、障碍物位置;ρ(q,qg)表示q与qg间的欧式距离;ρ(q,qo)表示q与qo间的欧式距离;ρ0表示障碍物的斥力影响范围;n表示障碍物的个数。
可选地,所述根据所述大型障碍物的立体模型,通过形态包络模型进行分析,获得大型障碍物的膨胀立体模型,具体包括:
根据所述大型障碍物的立体模型,通过形态包络模型进行分析,获得大型障碍物的膨胀立体模型其中,A表示所述大型障碍物的立体模型;B表示结构元素;Adil表示所述大型障碍物的膨胀立体模型;(x,y,z)表示所述避障区域的三维坐标点;B(x,y,z)表示原点为(x,y,z)的结构元素B。
可选地,所述根据所述大型障碍物的膨胀立体模型确定人工风险场模型调整参数,具体包括:
根据所述膨胀操作的膨胀值d,采用公式katt=latt(catt)d、krep=lrep(crep)d、ρo=lρ(cρ)d确定人工风险场模型调整参数;所述人工风险场模型调整参数包括katt、krep以及ρ0;其中latt、lrep、lρ分别表示引力势场倾斜因子、斥力势场倾斜因子、斥力影响范围倾斜因子;catt、crep、cρ分别表示引力势场截断因子、斥力势场截断因子、斥力影响范围截断因子。
一种基于大型障碍物形态信息的车辆避障路径规划系统,包括:
信息获取模块,用于获取避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息;所述避障区域的地图道路信息包括目标位置;所述车辆姿态与位置信息包括无人驾驶智能车的车辆位置;所述障碍物形态与位置信息包括大型障碍物的障碍物位置;
人工风险场模型建立模块,用于根据所述避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息,建立所述避障区域的人工风险场模型;
避障路径规划模块,用于根据所述人工风险场模型规划车辆避障路径;
障碍物判断模块,用于在所述无人驾驶智能车沿所述车辆避障路径行驶的避障过程中,判断所述无人驾驶智能车是否接近所述大型障碍物;
车辆行驶模块,用于若所述无人驾驶智能车未接近所述大型障碍物,所述无人驾驶智能车依照所述车辆避障路径行驶;
障碍物形态信息采集模块,用于若所述无人驾驶智能车接近所述大型障碍物,通过所述无人驾驶智能车上安装的传感器采集所述大型障碍物的形态信息;
障碍物立体模型建立模块,用于根据所述大型障碍物的形态信息建立大型障碍物的立体模型;
障碍物膨胀立体模型建立模块,用于根据所述大型障碍物的立体模型,通过形态包络模型进行分析,获得大型障碍物的膨胀立体模型;
模型调整参数计算模块,用于根据所述大型障碍物的膨胀立体模型确定人工风险场模型调整参数;
模型参数调整模块,用于根据所述人工风险场模型调整参数来调整所述避障区域的人工风险场模型,返回所述根据所述人工风险场模型规划车辆避障路径的步骤。
可选地,所述人工风险场模型建立模块具体包括:
人工风险场模型建立单元,用于根据所述避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息,建立所述避障区域的人工风险场模型;所述人工风险场模型包括引力势场函数斥力势场函数合力势场函数引力函数斥力函数以及合力函数其中Uatt(q)、Urep(q)、Utotal(q)分别表示引力势场、斥力势场、合力势场;Fatt(q)、Frep(q)、Ftotal(q)分别表示引力、斥力、合力;katt、krep分别表示引力势场增益因子、斥力势场增益因子;q、qg、qo分别表示车辆位置、目标位置、障碍物位置;ρ(q,qg)表示q与qg间的欧式距离;ρ(q,qo)表示q与qo间的欧式距离;ρ0表示障碍物的斥力影响范围;n表示障碍物的个数。
可选地,所述障碍物膨胀立体模型建立模块具体包括:
障碍物膨胀立体模型建立单元,用于根据所述大型障碍物的立体模型,通过形态包络模型进行分析,获得大型障碍物的膨胀立体模型其中,A表示所述大型障碍物的立体模型;B表示结构元素;Adil表示所述大型障碍物的膨胀立体模型;(x,y,z)表示所述避障区域的三维坐标点;B(x,y,z)表示原点为(x,y,z)的结构元素B。
可选地,所述模型调整参数计算模块具体包括:
模型调整参数计算单元,用于根据所述膨胀操作的膨胀值d,采用公式katt=latt(catt)d、krep=lrep(crep)d、ρo=lρ(cρ)d确定人工风险场模型调整参数;所述人工风险场模型调整参数包括katt、krep以及ρ0;其中latt、lrep、lρ分别表示引力势场倾斜因子、斥力势场倾斜因子、斥力影响范围倾斜因子;catt、crep、cρ分别表示引力势场截断因子、斥力势场截断因子、斥力影响范围截断因子。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种基于大型障碍物形态信息的车辆避障路径规划方法及系统,所述方法包括:获取避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息并建立所述避障区域的人工风险场模型;根据所述人工风险场模型规划车辆避障路径;在所述无人驾驶智能车沿所述车辆避障路径行驶的避障过程中,判断所述无人驾驶智能车是否接近所述大型障碍物;若否,所述无人驾驶智能车依照所述车辆避障路径行驶;若是,通过所述无人驾驶智能车上安装的传感器采集所述大型障碍物的形态信息;根据所述大型障碍物的形态信息建立大型障碍物的立体模型;根据所述大型障碍物的立体模型,通过形态包络模型进行分析,获得大型障碍物的膨胀立体模型;根据所述大型障碍物的膨胀立体模型确定人工风险场模型调整参数;根据所述人工风险场模型调整参数来调整所述避障区域的人工风险场模型,返回所述根据所述人工风险场模型规划车辆避障路径的步骤。本发明方法解决了现有技术存在的对大型障碍物形态信息采集与利用不足、导致避障过程中碰撞风险增加的问题,能够提高无人驾驶车辆避障过程的安全性,为无人驾驶车辆避障策略的研究提供新的研究思路。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种基于大型障碍物形态信息的车辆避障路径规划方法的流程图;
图2为本发明实施例一种基于大型障碍物形态信息的车辆避障路径规划方法的原理示意图;
图3为本发明实施例一种基于大型障碍物形态信息的车辆避障路径规划系统的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于大型障碍物形态信息的车辆避障路径规划方法及系统,以提高无人驾驶车辆避障过程的安全性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例一种基于大型障碍物形态信息的车辆避障路径规划方法的流程图,图2为本发明实施例一种基于大型障碍物形态信息的车辆避障路径规划方法的原理示意图。参见图1和图2,本发明一种基于大型障碍物形态信息的车辆避障路径规划方法包括:
步骤101:获取避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息。
获取避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息。具体地,通过激光雷达采集避障区域障碍物形态与位置信息,标记避障区域内的大型障碍物。其中避障区域是车辆根据激光雷达采集到的信息进行路径规划的区域。所述障碍物形态与位置信息包括大型障碍物的障碍物位置qo。所述避障区域的地图道路信息包括目标位置qg,通过道路地图文件获得。所述车辆姿态与位置信息包括无人驾驶智能车的车辆位置q,通过无人驾驶智能车上安装的传感器获得。
步骤102:根据所述避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息,建立所述避障区域的人工风险场模型。
根据避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息,建立避障区域的人工风险场模型,从而规划车辆避障路径。
进一步地,建立的人工风险场模型表示为:
其中,Uatt、Urep、Utotal分别表示引力势场函数、斥力势场函数、合力势场函数;Fatt、Frep、Ftotal分别表示引力函数、斥力函数、合力函数;katt、krep分别表示引力势场增益因子、斥力势场增益因子,均为大于零的常数;q、qg、qo分别表示车辆位置、目标位置、障碍物位置;ρ(q1,q2)表示q1与q2间的欧式距离;ρ0表示障碍物的斥力影响范围,为常数。
因此,所述步骤102根据所述避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息,建立所述避障区域的人工风险场模型,具体包括:
根据所述避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息,建立所述避障区域的人工风险场模型;所述人工风险场模型包括引力势场函数斥力势场函数合力势场函数引力函数斥力函数以及合力函数其中Uatt(q)、Urep(q)、Utotal(q)分别表示引力势场、斥力势场、合力势场;Fatt(q)、Frep(q)、Ftotal(q)分别表示引力、斥力、合力;katt、krep分别表示引力势场增益因子、斥力势场增益因子;q、qg、qo分别表示车辆位置、目标位置、障碍物位置;ρ(q,qg)表示q与qg间的欧式距离;ρ(q,qo)表示q与qo间的欧式距离;ρ0表示障碍物的斥力影响范围;表示第i个障碍物对应的斥力势场,表示第i个障碍物对应的斥力;n表示障碍物的个数。
步骤103:根据所述人工风险场模型规划车辆避障路径。
步骤104:在所述无人驾驶智能车沿所述车辆避障路径行驶的避障过程中,判断所述无人驾驶智能车是否接近所述大型障碍物。
步骤105:若所述无人驾驶智能车未接近所述大型障碍物,所述无人驾驶智能车依照所述车辆避障路径行驶。
步骤106:若所述无人驾驶智能车接近所述大型障碍物,通过所述无人驾驶智能车上安装的传感器采集所述大型障碍物的形态信息。
在避障过程中,如果车辆接近大型障碍物,通过大型障碍物的位置信息计算大型障碍物相对于车辆的距离与角度信息,进而通过电机转动调节传感器指向的方位,实现追踪大型障碍物的效果,以对大型障碍物的形态信息进行补充采集。
步骤107:根据所述大型障碍物的形态信息建立大型障碍物的立体模型。
根据大型障碍物的形态信息,建立大型障碍物的立体模型A。
步骤108:根据所述大型障碍物的立体模型,通过形态包络模型进行分析,获得大型障碍物的膨胀立体模型。
根据大型障碍物的立体模型,通过形态包络模型进行分析,获得大型障碍物的膨胀立体模型,并获得人工风险场模型调整参数。
进一步地,形态包络模型表示为对大型障碍物的三维轮廓进行膨胀操作。膨胀操作公式如下:
其中,A表示障碍物的立体模型;B表示结构元素;Adil表示障碍物的膨胀立体模型;(x,y,z)表示避障区域的三维坐标点。
大型障碍物的表面起伏程度越大,大型障碍物背向车辆一侧出现不规则起伏的可能性越大,增大了避障过程中发生碰撞的风险。通过形态包络模型,能够根据大型障碍物表面起伏程度自适应调整人工风险场模型的部分参数,进而调整车辆避障路径,最终达到大型障碍物表面起伏程度越大、避障路径越远离大型障碍物的效果,为后续的避障过程提供更大的调整空间。由于信息采集精度不足,容易导致大型障碍物的立体模型边界小于大型障碍物的真实边界,进而增加发生碰撞的可能性。而形态包络模型对障碍物的立体模型进行了膨胀处理,减轻了该形况发生的可能性,增加了避障的安全性。
因此,所述步骤108根据所述大型障碍物的立体模型,通过形态包络模型进行分析,获得大型障碍物的膨胀立体模型,具体包括:
根据所述大型障碍物的立体模型,通过形态包络模型进行分析,获得大型障碍物的膨胀立体模型其中,A表示所述大型障碍物的立体模型;B表示结构元素;Adil表示所述大型障碍物的膨胀立体模型;(x,y,z)表示所述避障区域的三维坐标点;B(x,y,z)表示原点为(x,y,z)的结构元素B。
步骤109:根据所述大型障碍物的膨胀立体模型确定人工风险场模型调整参数。
根据Adil与A的交集占Adil的比例,调整人工风险场模型的参数katt、krep、ρ0。人工风险场模型参数调整公式如下:
katt=latt(catt)d
krep=lrep(crep)a
ρo=lρ(cρ)d
其中,d表示膨胀操作的膨胀值;latt、lrep、lρ分别表示引力势场倾斜因子、斥力势场倾斜因子、斥力影响范围倾斜因子;catt、crep、cρ分别表示引力势场截断因子、斥力势场截断因子、斥力影响范围截断因子。
因此,所述步骤109根据所述大型障碍物的膨胀立体模型确定人工风险场模型调整参数,具体包括:
根据所述膨胀操作的膨胀值d,采用公式katt=latt(catt)d、krep=lrep(crep)d、ρo=lρ(cρ)d确定人工风险场模型调整参数;所述人工风险场模型调整参数包括katt、krep以及ρ0;其中latt、lrep、lρ分别表示引力势场倾斜因子、斥力势场倾斜因子、斥力影响范围倾斜因子;catt、crep、cρ分别表示引力势场截断因子、斥力势场截断因子、斥力影响范围截断因子。
步骤110:根据所述人工风险场模型调整参数来调整所述避障区域的人工风险场模型,返回所述根据所述人工风险场模型规划车辆避障路径的步骤。
根据大型障碍物的膨胀立体模型与位置信息,通过调整参数后的人工风险场模型重新规划车辆避障路径。
本发明提出一种基于大型障碍物形态信息的自适应避障路径规划策略,一方面通过大型障碍物表面的起伏程度调整人口风险场模型参数,进而在大型障碍物表面的起伏程度大时,使避障路径远离大型障碍物;另一方面,避障过程中,通过激光雷达补充大型障碍物形态信息,并调整避障路径。本发明方法探究大型障碍物形态信息利用程度对于避障策略的适用性以及避障路径的安全性的影响,提高了无人驾驶车辆避障过程的安全性,为无人驾驶车辆避障策略的研究提供了新的研究思路。
基于本发明提供的一种基于大型障碍物形态信息的车辆避障路径规划方法,本发明还提供一种基于大型障碍物形态信息的车辆避障路径规划系统。参见图3,所述系统包括:
信息获取模块301,用于获取避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息;所述避障区域的地图道路信息包括目标位置;所述车辆姿态与位置信息包括无人驾驶智能车的车辆位置;所述障碍物形态与位置信息包括大型障碍物的障碍物位置;
人工风险场模型建立模块302,用于根据所述避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息,建立所述避障区域的人工风险场模型;
避障路径规划模块303,用于根据所述人工风险场模型规划车辆避障路径;
障碍物判断模块304,用于在所述无人驾驶智能车沿所述车辆避障路径行驶的避障过程中,判断所述无人驾驶智能车是否接近所述大型障碍物;
车辆行驶模块305,用于若所述无人驾驶智能车未接近所述大型障碍物,所述无人驾驶智能车依照所述车辆避障路径行驶;
障碍物形态信息采集模块306,用于若所述无人驾驶智能车接近所述大型障碍物,通过所述无人驾驶智能车上安装的传感器采集所述大型障碍物的形态信息;
障碍物立体模型建立模块307,用于根据所述大型障碍物的形态信息建立大型障碍物的立体模型;
障碍物膨胀立体模型建立模块308,用于根据所述大型障碍物的立体模型,通过形态包络模型进行分析,获得大型障碍物的膨胀立体模型;
模型调整参数计算模块309,用于根据所述大型障碍物的膨胀立体模型确定人工风险场模型调整参数;
模型参数调整模块310,用于根据所述人工风险场模型调整参数来调整所述避障区域的人工风险场模型,返回所述根据所述人工风险场模型规划车辆避障路径的步骤。
其中,所述人工风险场模型建立模块302具体包括:
人工风险场模型建立单元,用于根据所述避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息,建立所述避障区域的人工风险场模型;所述人工风险场模型包括引力势场函数斥力势场函数合力势场函数引力函数斥力函数以及合力函数其中Uatt(q)、Urep(q)、Utotal(q)分别表示引力势场、斥力势场、合力势场;Fatt(q)、Frep(q)、Ftotal(q)分别表示引力、斥力、合力;katt、krep分别表示引力势场增益因子、斥力势场增益因子;q、qg、qo分别表示车辆位置、目标位置、障碍物位置;ρ(q,qg)表示q与qg间的欧式距离;ρ(q,qo)表示q与qo间的欧式距离;ρ0表示障碍物的斥力影响范围;n表示障碍物的个数。
所述障碍物膨胀立体模型建立模块308具体包括:
障碍物膨胀立体模型建立单元,用于根据所述大型障碍物的立体模型,通过形态包络模型进行分析,获得大型障碍物的膨胀立体模型其中,A表示所述大型障碍物的立体模型;B表示结构元素;Adil表示所述大型障碍物的膨胀立体模型;(x,y,z)表示所述避障区域的三维坐标点;B(x,y,z)表示原点为(x,y,z)的结构元素B。
所述模型调整参数计算模块309具体包括:
模型调整参数计算单元,用于根据所述膨胀操作的膨胀值d,采用公式katt=latt(catt)d、krep=lrep(crep)d、ρo=lρ(cρ)d确定人工风险场模型调整参数;所述人工风险场模型调整参数包括katt、krep以及ρ0;其中latt、lrep、lρ分别表示引力势场倾斜因子、斥力势场倾斜因子、斥力影响范围倾斜因子;catt、crep、cρ分别表示引力势场截断因子、斥力势场截断因子、斥力影响范围截断因子。
本发明提出基于障碍物形态特征的避障路径规划策略,能够实现无人驾驶智能车躲避大型障碍物的路径规划与控制。本发明提出的车辆避障路径规划方法及系统充分考虑了真实避障环境的实际需求,相比于其他控制方法有更高的灵活性。本发明提出的车辆避障路径规划方法及系统缓解了无人驾驶车辆躲避大型障碍物时无法有效利用障碍物形态信息的特点,优化了避障路径规划方法,提升了无人驾驶车辆避障过程的安全性,保障了道路交通安全。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于大型障碍物形态信息的车辆避障路径规划方法,其特征在于,包括:
获取避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息;所述避障区域的地图道路信息包括目标位置;所述车辆姿态与位置信息包括无人驾驶智能车的车辆位置;所述障碍物形态与位置信息包括大型障碍物的障碍物位置;
根据所述避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息,建立所述避障区域的人工风险场模型;
根据所述人工风险场模型规划车辆避障路径;
在所述无人驾驶智能车沿所述车辆避障路径行驶的避障过程中,判断所述无人驾驶智能车是否接近所述大型障碍物;
若所述无人驾驶智能车未接近所述大型障碍物,所述无人驾驶智能车依照所述车辆避障路径行驶;
若所述无人驾驶智能车接近所述大型障碍物,通过所述无人驾驶智能车上安装的传感器采集所述大型障碍物的形态信息;
根据所述大型障碍物的形态信息建立大型障碍物的立体模型;
根据所述大型障碍物的立体模型,通过形态包络模型进行分析,获得大型障碍物的膨胀立体模型;
根据所述大型障碍物的膨胀立体模型确定人工风险场模型调整参数;
根据所述人工风险场模型调整参数来调整所述避障区域的人工风险场模型,返回所述根据所述人工风险场模型规划车辆避障路径的步骤。
2.根据权利要求1所述的方法,其特征在于,所述根据所述避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息,建立所述避障区域的人工风险场模型,具体包括:
根据所述避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息,建立所述避障区域的人工风险场模型;所述人工风险场模型包括引力势场函数斥力势场函数合力势场函数引力函数斥力函数以及合力函数其中Uatt(q)、Urep(q)、Utotal(q)分别表示引力势场、斥力势场、合力势场;Fatt(q)、Frep(q)、Ftotal(q)分别表示引力、斥力、合力;katt、krep分别表示引力势场增益因子、斥力势场增益因子;q、qg、qo分别表示车辆位置、目标位置、障碍物位置;ρ(q,qg)表示q与qg间的欧式距离;ρ(q,qo)表示q与qo间的欧式距离;ρ0表示障碍物的斥力影响范围;n表示障碍物的个数。
5.一种基于大型障碍物形态信息的车辆避障路径规划系统,其特征在于,包括:
信息获取模块,用于获取避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息;所述避障区域的地图道路信息包括目标位置;所述车辆姿态与位置信息包括无人驾驶智能车的车辆位置;所述障碍物形态与位置信息包括大型障碍物的障碍物位置;
人工风险场模型建立模块,用于根据所述避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息,建立所述避障区域的人工风险场模型;
避障路径规划模块,用于根据所述人工风险场模型规划车辆避障路径;
障碍物判断模块,用于在所述无人驾驶智能车沿所述车辆避障路径行驶的避障过程中,判断所述无人驾驶智能车是否接近所述大型障碍物;
车辆行驶模块,用于若所述无人驾驶智能车未接近所述大型障碍物,所述无人驾驶智能车依照所述车辆避障路径行驶;
障碍物形态信息采集模块,用于若所述无人驾驶智能车接近所述大型障碍物,通过所述无人驾驶智能车上安装的传感器采集所述大型障碍物的形态信息;
障碍物立体模型建立模块,用于根据所述大型障碍物的形态信息建立大型障碍物的立体模型;
障碍物膨胀立体模型建立模块,用于根据所述大型障碍物的立体模型,通过形态包络模型进行分析,获得大型障碍物的膨胀立体模型;
模型调整参数计算模块,用于根据所述大型障碍物的膨胀立体模型确定人工风险场模型调整参数;
模型参数调整模块,用于根据所述人工风险场模型调整参数来调整所述避障区域的人工风险场模型,返回所述根据所述人工风险场模型规划车辆避障路径的步骤。
6.根据权利要求5所述的系统,其特征在于,所述人工风险场模型建立模块具体包括:
人工风险场模型建立单元,用于根据所述避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息,建立所述避障区域的人工风险场模型;所述人工风险场模型包括引力势场函数斥力势场函数合力势场函数引力函数斥力函数以及合力函数其中Uatt(q)、Urep(q)、Utotal(q)分别表示引力势场、斥力势场、合力势场;Fatt(q)、Frep(q)、Ftotal(q)分别表示引力、斥力、合力;katt、krep分别表示引力势场增益因子、斥力势场增益因子;q、qg、qo分别表示车辆位置、目标位置、障碍物位置;ρ(q,qg)表示q与qg间的欧式距离;ρ(q,qo)表示q与qo间的欧式距离;ρ0表示障碍物的斥力影响范围;n表示障碍物的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210048921.XA CN114384919B (zh) | 2022-01-17 | 2022-01-17 | 基于大型障碍物形态信息的车辆避障路径规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210048921.XA CN114384919B (zh) | 2022-01-17 | 2022-01-17 | 基于大型障碍物形态信息的车辆避障路径规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114384919A true CN114384919A (zh) | 2022-04-22 |
CN114384919B CN114384919B (zh) | 2023-06-27 |
Family
ID=81201638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210048921.XA Active CN114384919B (zh) | 2022-01-17 | 2022-01-17 | 基于大型障碍物形态信息的车辆避障路径规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114384919B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114879698A (zh) * | 2022-06-13 | 2022-08-09 | 天津大学 | 基于改进人工势场和mpc的机器人驾驶车辆避障方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060241827A1 (en) * | 2005-03-04 | 2006-10-26 | Masaki Fukuchi | Obstacle avoiding apparatus, obstacle avoiding method, obstacle avoiding program and mobile robot apparatus |
CN110908373A (zh) * | 2019-11-11 | 2020-03-24 | 南京航空航天大学 | 一种基于改进人工势场的智能车辆轨迹规划方法 |
US20200330159A1 (en) * | 2019-04-22 | 2020-10-22 | Beihang University | Path planning method with artificial potential field based on obstacle classification and medical system for steering flexible needle |
CN113110453A (zh) * | 2021-04-15 | 2021-07-13 | 哈尔滨工业大学 | 一种基于图形变换的人工势场避障方法 |
CN113190004A (zh) * | 2021-05-07 | 2021-07-30 | 河南科技大学 | 一种基于算法融合的无人驾驶车辆避碰路径规划方法 |
CN113759900A (zh) * | 2021-08-12 | 2021-12-07 | 中南大学 | 基于障碍区域预测的巡检机器人轨迹规划与实时避障方法及系统 |
-
2022
- 2022-01-17 CN CN202210048921.XA patent/CN114384919B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060241827A1 (en) * | 2005-03-04 | 2006-10-26 | Masaki Fukuchi | Obstacle avoiding apparatus, obstacle avoiding method, obstacle avoiding program and mobile robot apparatus |
US20200330159A1 (en) * | 2019-04-22 | 2020-10-22 | Beihang University | Path planning method with artificial potential field based on obstacle classification and medical system for steering flexible needle |
CN110908373A (zh) * | 2019-11-11 | 2020-03-24 | 南京航空航天大学 | 一种基于改进人工势场的智能车辆轨迹规划方法 |
CN113110453A (zh) * | 2021-04-15 | 2021-07-13 | 哈尔滨工业大学 | 一种基于图形变换的人工势场避障方法 |
CN113190004A (zh) * | 2021-05-07 | 2021-07-30 | 河南科技大学 | 一种基于算法融合的无人驾驶车辆避碰路径规划方法 |
CN113759900A (zh) * | 2021-08-12 | 2021-12-07 | 中南大学 | 基于障碍区域预测的巡检机器人轨迹规划与实时避障方法及系统 |
Non-Patent Citations (1)
Title |
---|
李军;李古月;: "基于改进人工势场的路径规划与跟踪控制", 重庆交通大学学报(自然科学版), vol. 39, no. 9, pages 25 - 30 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114879698A (zh) * | 2022-06-13 | 2022-08-09 | 天津大学 | 基于改进人工势场和mpc的机器人驾驶车辆避障方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114384919B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109074490B (zh) | 通路检测方法、相关装置及计算机可读存储介质 | |
US8630806B1 (en) | Image processing for vehicle control | |
CN105809130B (zh) | 一种基于双目深度感知的车辆可行驶区域计算方法 | |
CN108647646B (zh) | 基于低线束雷达的低矮障碍物的优化检测方法及装置 | |
CN111873995A (zh) | 高速公路自动驾驶上下匝道的系统及方法 | |
CN110077397A (zh) | 一种智能车避障轨迹规划方法及装置 | |
CN110979313B (zh) | 一种基于空间地图的自动泊车定位方法及系统 | |
CN111469127B (zh) | 代价地图更新方法、装置、机器人及存储介质 | |
CN111461048B (zh) | 基于视觉的停车场可行驶区域检测与局部地图构建方法 | |
CN112947415A (zh) | 一种基于障碍物语义信息的室内路径规划方法 | |
CN112230638B (zh) | 一种车辆的停车路径规划方法和装置 | |
CN113537046A (zh) | 基于检测车辆轨迹大数据的地图车道线标注方法及系统 | |
CN115230729A (zh) | 一种自动驾驶避障方法及系统、存储介质 | |
CN114384919A (zh) | 基于大型障碍物形态信息的车辆避障路径规划方法及系统 | |
CN112991550A (zh) | 基于伪点云的障碍物位置检测方法、装置和电子设备 | |
CN109241855A (zh) | 基于立体视觉的智能车辆可行驶区域探测方法 | |
CN117912295A (zh) | 车辆数据的处理方法、装置、电子设备和存储介质 | |
CN115512542B (zh) | 一种基于路侧激光雷达的考虑遮挡的轨迹复原方法及系统 | |
CN114426030A (zh) | 一种行人穿行意图估计方法、装置、设备和汽车 | |
CN117191419A (zh) | 一种基于虚实集成技术的自动驾驶测试平台 | |
CN116736852A (zh) | 一种基于自动驾驶的车辆避障规划方法及系统 | |
CN115273068A (zh) | 一种激光点云动态障碍物剔除方法、装置及电子设备 | |
Chen et al. | The research on control and dynamic property of autonomous vehicle adaptive Lidar system | |
CN115236637B (zh) | 一种基于车辆数据的车载激光雷达点云地面提取方法 | |
CN118205353B (zh) | 空气悬架的高度调整方法、装置、电子设备及存储介质 |
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 |