CN114384919B - 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 PDF

Info

Publication number
CN114384919B
CN114384919B CN202210048921.XA CN202210048921A CN114384919B CN 114384919 B CN114384919 B CN 114384919B CN 202210048921 A CN202210048921 A CN 202210048921A CN 114384919 B CN114384919 B CN 114384919B
Authority
CN
China
Prior art keywords
obstacle
model
vehicle
obstacle avoidance
expansion
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
Application number
CN202210048921.XA
Other languages
English (en)
Other versions
CN114384919A (zh
Inventor
徐晓明
洪吉超
陈东方
赤骋
胡松
王越
李跃华
李仁政
孙旭东
唐伟
赵磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Gerui Energy Technology Co ltd
Original Assignee
Beijing Gerui Energy Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Gerui Energy Technology Co ltd filed Critical Beijing Gerui Energy Technology Co ltd
Priority to CN202210048921.XA priority Critical patent/CN114384919B/zh
Publication of CN114384919A publication Critical patent/CN114384919A/zh
Application granted granted Critical
Publication of CN114384919B publication Critical patent/CN114384919B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

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
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
Figure BDA0003473034520000021
斥力势场函数/>
Figure BDA0003473034520000022
合力势场函数/>
Figure BDA0003473034520000023
引力函数/>
Figure BDA0003473034520000024
斥力函数/>
Figure BDA0003473034520000031
以及合力函数/>
Figure BDA0003473034520000032
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
Figure BDA0003473034520000033
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：
根据所述大型障碍物的膨胀立体模型Adil，采用公式
Figure BDA0003473034520000034
确定膨胀操作的膨胀值d；
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
Figure BDA0003473034520000041
斥力势场函数
Figure BDA0003473034520000051
合力势场函数/>
Figure BDA0003473034520000052
引力函数/>
Figure BDA0003473034520000053
斥力函数/>
Figure BDA0003473034520000054
以及合力函数
Figure BDA0003473034520000055
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
Figure BDA0003473034520000056
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：
膨胀值计算单元，用于根据所述大型障碍物的膨胀立体模型Adil，采用公式
Figure BDA0003473034520000057
确定膨胀操作的膨胀值d；
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：
Figure BDA0003473034520000071
Figure BDA0003473034520000072
Figure BDA0003473034520000081
Figure BDA0003473034520000082
Figure BDA0003473034520000083
Figure BDA0003473034520000084
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
Figure BDA0003473034520000085
斥力势场函数/>
Figure BDA0003473034520000086
合力势场函数/>
Figure BDA0003473034520000087
引力函数/>
Figure BDA0003473034520000088
斥力函数/>
Figure BDA0003473034520000089
以及合力函数/>
Figure BDA00034730345200000810
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；/>
Figure BDA0003473034520000091
表示第i个障碍物对应的斥力势场，/>
Figure BDA0003473034520000092
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：
Figure BDA0003473034520000093
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
Figure BDA0003473034520000101
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：
Figure BDA0003473034520000102
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：
根据所述大型障碍物的膨胀立体模型Adil，采用公式
Figure BDA0003473034520000111
确定膨胀操作的膨胀值d；
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
Figure BDA0003473034520000121
斥力势场函数
Figure BDA0003473034520000122
合力势场函数/>
Figure BDA0003473034520000131
引力函数/>
Figure BDA0003473034520000132
斥力函数/>
Figure BDA0003473034520000133
以及合力函数
Figure BDA0003473034520000134
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
Figure BDA0003473034520000135
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：
膨胀值计算单元，用于根据所述大型障碍物的膨胀立体模型Adil，采用公式
Figure BDA0003473034520000136
确定膨胀操作的膨胀值d；
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 (6)

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；
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：
根据所述大型障碍物的膨胀立体模型Adil，采用公式
Figure FDA0004192537070000011
确定膨胀操作的膨胀值d；其中A表示所述大型障碍物的立体模型；
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katt、krep分别表示引力势场增益因子、斥力势场增益因子；ρ0表示障碍物的斥力影响范围；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
Figure FDA0004192537070000021
斥力势场函数/>
Figure FDA0004192537070000022
合力势场函数/>
Figure FDA0004192537070000023
引力函数/>
Figure FDA0004192537070000024
斥力函数/>
Figure FDA0004192537070000025
以及合力函数/>
Figure FDA0004192537070000026
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；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；n表示障碍物的个数。
3.根据权利要求2所述的方法，其特征在于，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
Figure FDA0004192537070000027
其中，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。
4.一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；
所述模型调整参数计算模块具体包括：
膨胀值计算单元，用于根据所述大型障碍物的膨胀立体模型Adil，采用公式
Figure FDA0004192537070000031
确定膨胀操作的膨胀值d；其中A表示所述大型障碍物的立体模型；
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katt、krep分别表示引力势场增益因子、斥力势场增益因子；ρ0表示障碍物的斥力影响范围；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；
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。
5.根据权利要求4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
Figure FDA0004192537070000041
斥力势场函数
Figure FDA0004192537070000042
合力势场函数/>
Figure FDA0004192537070000043
引力函数/>
Figure FDA0004192537070000044
斥力函数/>
Figure FDA0004192537070000045
以及合力函数
Figure FDA0004192537070000046
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；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；n表示障碍物的个数。
6.根据权利要求5所述的系统，其特征在于，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
Figure FDA0004192537070000047
其中，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。
CN202210048921.XA 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 Active CN114384919B (zh)

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 CN114384919A (zh) 2022-04-22
CN114384919B true 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)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006239844A (ja) * 2005-03-04 2006-09-14 Sony Corp 障害物回避装置、障害物回避方法及び障害物回避プログラム並びに移動型ロボット装置
CN110111880B (zh) * 2019-04-22 2021-09-28 北京航空航天大学 柔性针的基于障碍分级的人工势场路径规划方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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)

* Cited by examiner, † Cited by third party
Title
基于改进人工势场的路径规划与跟踪控制;李军;李古月;;重庆交通大学学报(自然科学版);第39卷(第9期);第25-30、37页 *

Also Published As

Publication number Publication date
CN114384919A (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
CN109649393B (zh) 一种自动驾驶变换车道的路径规划方法及装置
CN105809130B (zh) 一种基于双目深度感知的车辆可行驶区域计算方法
CN111422196A (zh) 一种适用于微巴的智能网联自动驾驶系统及方法
CN111653113B (zh) 车辆的局部路径确定方法、装置、终端和存储介质
CN112650220B (zh) 一种车辆自动驾驶方法、车载控制器及系统
US11584388B2 (en) Driving control method and driving control apparatus
CN109270933A (zh) 基于圆锥曲线的无人驾驶避障方法、装置、设备及介质
CN110723141B (zh) 一种车辆主动避撞系统及其避撞方式切换方法
CN108536149A (zh) 一种基于Dubins路径的无人驾驶车辆避障控制装置及控制方法
CN105160356B (zh) 一种车辆主动安全系统传感器数据融合方法及系统
US11747166B2 (en) Driving environment information generation method, driving control method, driving environment information generation device
CN103065151A (zh) 一种基于深度信息的车辆识别方法
CN110553660A (zh) 一种基于a*算法和人工势场的无人车轨迹规划方法
CN114610016A (zh) 基于障碍物动态虚拟膨胀的智能车辆避碰路径规划方法
CN111223320A (zh) 基于v2i的低附路面智能驾驶安全控制方法
CN114924559A (zh) 一种控制虚拟力方向的智能车路径规划方法
CN113720346A (zh) 基于势能场和隐马尔可夫模型的车辆路径规划方法及系统
CN115562281A (zh) 一种复杂环境下自动泊车系统动态路径规划方法
CN115520218A (zh) 自动驾驶车辆四点转弯轨迹规划方法
CN116501030A (zh) 基于改进人工势场法的自动驾驶车辆路径规划方法
CN111103882A (zh) 一种无人驾驶电动汽车的自主跟车控制方法
CN114384919B (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
CN115230729A (zh) 一种自动驾驶避障方法及系统、存储介质
Li et al. Lane keeping control based on model predictive control under region of interest prediction considering vehicle motion states
CN208061025U (zh) 一种基于Dubins路径的无人驾驶车辆避障控制装置

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