CN114407927B - 一种物流运输车辆智能辅助驾驶系统及方法 - Google Patents

Abstract

一种物流运输车辆智能辅助驾驶系统及方法。所述的物流运输车辆智能辅助驾驶系统包括服务器、GPS接收装置、单线激光雷达、深度摄像头、IMU惯性测量单元和力传感器。首先，物流运输车通过GPS接收装置获取自身的坐标以及驾驶员指定的目的地的坐标；服务器融合单线激光雷达与深度摄像头各自扫描的图像信息，并对融合后的图像数据进行存储。服务器根据IMU反馈的物流运输车的线速度值以及车辆行驶方向，根据GPS接收装置获取的物流运输车当前所在的位置、驾驶员指定的目的地的位置计算并筛选出最佳路径，并向电机发送指令，调整车轮转向以及行驶速度；在行驶过程中物流运输车可根据不同的地势自主地切换行驶方式，且性能、效果良好。

Description

一种物流运输车辆智能辅助驾驶系统及方法

技术领域

本发明属于自动驾驶领域，具体涉及到一种户外非结构化场景中的物流运输车辆智能辅助驾驶系统装置及方法。

背景技术

自动驾驶又称无人驾驶，是指通过计算机、传感器、互联网、物联网、移动通信等技术，实现无人驾驶的一种技术，该技术在20世纪已有数十年的历史，21世纪初呈现出接近实用化的趋势。自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。

截止到现在，市场上的多数汽车企业都能够达到L2级别的自动化水平，诸多国内外巨头企业都在研发自动驾驶技术，如：百度、华为、滴滴、Google等企业。截止到目前，百度的技术已经在诸多区域落地，但都是在实验区，并未实现真正的上道行驶。现阶段，自动驾驶仍应用基于技术层面，许多企业都已研发出L4级别的无人驾驶技术，但在进行测试过程中存在诸多问题：车辆无法交替通行、十字路口变道等。而卡车自动驾驶行业拥有典型的轿车不具备的优势：路线固定、车速稳定，例如高速公路自动巡航，如果能实现无人驾驶货车广泛普及意味着货运公司可以节约大量的人力成本。但是随着物流配送任务的多元化以及交通状况的日趋复杂化，使用无人驾驶技术往往不能满足物流运输行业的需求，而智能辅助驾驶技术可以实现货物的灵活配送并大大降低运输成本，明显提高货物的配送效率。

发明内容

为解决现有的物流运输车辆的装置以及系统无法满足运输行业的需求问题，本发明提供一种物流运输车辆智能辅助驾驶系统、装置及方法。

本发明的主要意义是：物流运输车辆利用自身搭载的激光雷达、摄像头、IMU等传感器融合后的数据绘制高精地图并实时进行自主定位，快速规划出通往驾驶员所设定的目标地点的路线，且在行驶途中可智能地切换行驶模式从而应对各种复杂的交通状况，保障车身行驶的稳定性。

本发明为解决技术问题，采用技术方案如下：

一种物流运输车辆智能辅助驾驶系统，所述的物流运输车辆智能辅助驾驶系统包括服务器、GPS接收装置、单线激光雷达、深度摄像头、IMU惯性测量单元和力传感器；

所述的服务器用于对GPS接收装置、单线激光雷达、深度摄像头、IMU惯性测量单元和力传感器的数据进行接收、格式转换、存储并计算物流运输车在移动过程中所耗费的代价；

所述的GPS接收装置用于获取物流运输车当前地点以及驾驶员指定的目的地的三维坐标；

所述的单线激光雷达用于与360°高速云台协同扫描构建三维点云地图以及测量物流运输车与行驶的车辆之间的距离；

所述的深度摄像头用于采集物流运输车周围环境的深度图像；

所述的IMU惯性测量单元用于测量物流运输车行驶时的线速度、角速度；

所述的力传感器用于获取物流运输车的轮胎所承受的压力值；

所述物流运输车辆中，安装在车架中心两侧的车轮由履带包裹，履带通过液压缸与车架连接形成收放系统；车架上方的车厢外侧的锁环与后车轮的车轴通过铁杆连接，铁杆与车厢外侧的液压缸连接；车头顶端处设置云台减震器，云台减震器上表面装有360°高速云台；360°高速云台集成深度摄像头和单线激光雷达。

一种物流运输车辆智能辅助驾驶方法，是通过物流运输车辆智能辅助驾驶系统实现的，步骤如下：

步骤2.1、物流运输车在行驶过程中需要实时地获取自身的位置并构建周围环境地图，其利用软件系统主要包括：ROS、3D可视化工具RVIZ。首先，物流运输车通过GPS接收装置获取自身的坐标以及驾驶员指定的目的地的坐标；同时，服务器融合单线激光雷达与深度摄像头各自扫描的图像信息，并对融合后的图像数据进行存储。

步骤2.2、服务器根据IMU反馈的物流运输车的线速度值以及车辆行驶方向，根据GPS接收装置获取的物流运输车当前所在的位置、驾驶员指定的目的地的位置计算并筛选出一条最佳路径，根据所述最佳路径信息向物流运输车的电机发送指令，调整车轮转向以及行驶速度；当物流运输车在移动过程中遇到泥泞、坑洼地形时，将力传感器采集的压力值转化成电信号，服务器通过判断电信号的变化情况，向电机发送指令：使电机分别驱动与车架连接的液压缸舒张将履带放置地面，与后车轮相连接的液压缸收缩将后轮提起。

进一步地，所述的步骤2.1中，物流运输车在行驶过程中需要实时地获取自身的位置并构建周围环境地图，按照以下步骤执行：

步骤3.1、服务器对单线激光雷达发射的点云数据以及IMU获取的物流运输车的位姿分别进行预处理；

步骤3.2、基于步骤3.1所述单线激光雷达随360°高速云台转动而扫描建立的点云地图，利用IMU实时采集的物流车的位姿数据校正点云地图中的畸变点；

步骤3.3、将步骤3.2中纠正后的点云地图与深度摄像头采集的道路的深度图进行融合；

步骤3.4、重复步骤3.1-步骤3.3，构建增量式地图。

进一步地，对单线激光雷达发射的点云数据以及IMU获取的物流运输车的位姿分别进行预处理，按照如下方式进行：

服务器初始化队列Q，给定高度阈值h₀，h₀为物流运输车高度的一半，以物流运输车重心为原点O，以物流运输车行驶方向为X轴正方向，垂直于行驶方向为Y轴正方向，以垂直重力方向且垂直车辆的行驶方向为Z轴正方向，建立OX_carY_carZ_car车辆坐标系；

设激光雷达坐标系OX_lidarY_lidarZ_lidar与车辆坐标系重合；设IMU坐标系OX_imuY_imuZ_imu以车辆的重力方向为IMU坐标系中Z轴的正方向，以物流运输车行驶方向为X轴的正方向，以垂直重力方向且垂直车辆的行驶方向为Y轴的正方向；

设单线激光雷达发射的点云的初始时刻为t_begin，接收时刻t_end，若在t₀时刻存在一帧点云的平均高度

时，则按如下步骤处理：

步骤4.1、通过式(4-1)对(t_begin,t_end)内的点云进行均值化操作后保存至队列Q；

式(4-1)中：

x_cloudi表示第i帧激光点云中最后一个激光点的横坐标；

y_cloudi表示第i帧激光点云中最后一个激光点的纵坐标；

z_cloudi表示第i帧激光点云中最后一个激光点垂直于地面的高度坐标；

x_begin表示第i帧激光点云中第一个激光点的横坐标；

y_begin表示第i帧激光点云中第一个激光点的纵坐标；

z_begin表示第一个激光点垂直于地面的高度坐标；

步骤4.2、在t_begin时刻获取IMU估计物流运输车辆的偏向角度

在t_end时刻获取IMU估计物流运输车辆的偏向角度/>

利用式(4-2)可获得(t_begin,t_end)内物流运输车辆的偏向角度的平均值：

步骤4.3、利用式(4-3)将t₀时刻的点云转化到IMU坐标系下；

步骤4.4、将转化后的点云插入到队列Q中；

步骤4.5、在物流运输车辆行驶过程中不断重复步骤4.1～4.4；

进一步地，所述的步骤3.3中，纠正后的点云地图与深度摄像头采集的道路的深度图进行融合，按照以下步骤进行：

步骤5.1、对于深度图像中的任意像素点(x_d,y_d)，通过式(5-1)转换到点云坐标系下；

式(5-1)中：

f_x，f_y分别为像素点在x轴、y轴方向的物理尺寸；

x_d，y_d分别为所述深度图像中任意像素点的横、纵坐标；

D为深度摄像头的深度值；

x_{camera_cloud}，y_{camera_cloud}，z_{camera_cloud}分别为所述像素点(x_d,y_d)转化到点云坐标系后的横坐标、纵坐标、垂直于地面的高度坐标；

步骤5.2、依次将深度图像的各个像素点转化到点云坐标系下构建新的点云图；

步骤5.3、重复执行步骤5.1～步骤5.2；

进一步地，所述的步骤2.2中，所述最佳路径的计算方法按如下步骤实施：

步骤6.1、以物流运输车重心为原点O，以车头朝向为X轴，垂直于车头朝向为Y轴，垂直于地面朝向为Z轴，建立O-XYZ空间直角坐标系。物流运输车当前地点A坐标记为(x_pre,y_pre,z_pre)，利用GPS接收装置获取的目标地点B坐标记为(x_f,y_f,z_f)。将目标地点坐标存入服务器中的集合visited_path_B，将物流运输车位置坐标存入服务器中的集合：visited_path_A；

步骤6.2、计算物流运输车当前位置A与目标地点B之间的距离d。物流运输车以当前地点A作为中心，以r_A作为扩展半径做球体，其中，

m为所述球体内包含的地点数目，且所述球体包含若干地点坐标{L_a1,L_a2,L_a3,...,L_am}，服务器将地点坐标存入集合future_path_A；同理以目标地点B作为中心，以r_B作为扩展半径做球体，其中，/>

m为所述球体内包含的地点的数目，且所述球体中包含的若干地点坐标为：{L_b1,L_b2,L_b3,...,L_bm}，服务器将地点坐标存入集合future_path_B；

步骤6.3、服务器分别计算物流运输车从当前地点A到所述集合future_path_A中各个地点的所需预耗费代价集合List_P_A；物流运输车从目标地点B到所述集合future_path_B中各个地点所需预耗费代价集合List_P_B；

步骤6.4、服务器分别计算出所述集合List_P_A中预耗费代价值P_A最小所对应集合future_path_A中的地点坐标L_ak，k≤m，并将该地点记为min_L_A、所述集合List_P_B中预耗费代价值P_B最小所对应集合future_path_B中的地点坐标L_bk，k≤m，并将该地点记为min_L_B；

步骤6.5、服务器对物流运输车从当前地点A到所述集合future_path_A中min_L_A所需预耗费代价值min_P_A与物流运输车从目标地点B到所述集合future_path_B中min_L_B所需预耗费代价值min_P_B的大小进行比较，分为两种情况：

情况1、若min_P_B＜min_P_A，则服务器自目标地点B向min_L_B生成一条路径，并将B、min_L_B从集合future_path_B中释放存入服务器中的集合visited_path_B；

情况2、若min_P_B＞min_P_A，则服务器自当前地点A向min_L_A生成一条路径，并将A、min_L_A从集合future_path_A中释放存入服务器中的集合visited_path_A；

步骤6.6、若情况1被执行，则下一次以min_L_A作为步骤6.2中所述‘当前地点’并从步骤6.2开始执行；若情况2被执行，则下一次以min_L_B作为步骤6.2中所述‘当前地点’并从步骤6.2开始执行，且执行步骤6.2时，所述地点数目m增加1个；

步骤6.7、若服务器对visited_path_A与visited_path_B取交集后不为空，则物流运输车从当前位置A与目标地点B生成路径成功；反之，则重复执行所述步骤6.2至步骤6.6。

进一步地，所述步骤6.3中，服务器计算物流运输车到达各个地点所需预耗费的代价值P，所述代价P由式(7-1)计算获得：

其中，(x_next,y_next,z_next)为所述集合future_path_A中各个地点的坐标或所述集合future_path_B中各个地点的坐标；

(x_current,y_current,z_current)为物流运输车当前所在地点的坐标；

式(7-1)所述U，热量增益，如式(7-2)所示，表示由于车辆行驶状态变化而引起的车辆机械系统损耗。

式(7-2)中：

ε表征在物流运输车在行驶过程中由于外界因素干扰所造成的抖动的物理量；

v表示物流运输车的行驶速度；

d_min表示在道路上行驶的车辆中与物流运输车之间的最短距离；

式(7-2)中所述外界因素，ε可由式(7-3)表示：

式(7-3)中：

T代表路面对车辆的作用力，可由力传感器测量获得；

λ代表摩擦损耗，L表示道路的结构类型：λ_L表示车辆的轮胎与不同结构类型的道路经摩擦而出现的损耗，共有三种结构类型，分别以L＝I、L＝II、L＝III进行表征，即，L＝3：

I、嵌锁结构；

II、混凝结构；

III、细粒结构；

E_j分别代表不同类型的天气对车辆状态造成的影响，主要有三种类型的天气即，j＝3：

①沙尘暴、雾霾天气；

②高温天气；

③雨雪天气。

所述物流运输车辆智能辅助驾驶装置可以依据地形自主地调节行驶方式，从而保证物流运输车辆在泥泞的路面平稳地行驶，避免车身过于颠簸而导致配送物品损坏的情况发生，从一定程度上也保证了驾驶员舒适的驾驶状态。

附图说明

图1是本发明原理框图。

图2是物流运输车辆结构示意图。

图3是本发明中构建三维点云地图流程图。

图4是本发明中物流运输车路径规划流程图。

具体实施方式

本发明物流运输车辆智能辅助驾驶系统、装置及方法的特征是：所述物流运输车辆智能辅助驾驶装置由以下部分构成：车头、安装在车架中心两侧的车轮(1)由履带(2)包裹，履带(2)通过液压缸(3)与车架(4)连接构成升降装置；车架(4)上方的车厢(6)外侧的锁环(7)与后车轮(8)的车轴(9)通过铁杆(10)连接，铁杆(10)与车厢外侧的液压缸(5)连接；车头顶端处设置了云台减震器，云台减震器上表面装有360°高速云台一座；云台集成了深度摄像头一个以及单线户外激光雷达一个。

一种物流运输车辆智能辅助驾驶系统，物流运输车在行驶过程中需要实时地获取自身的位置并构建地图，按照以下步骤执行：

步骤1.1、由所述服务器的服务器对单线激光雷达以及深度摄像头、IMU获取的数据分别进行预处理，从而为构建地图提供精确的基础数据；

步骤1.2、以步骤1.1所述单线激光雷达跟随云台转动而扫描建立的三维点云地图为主，利用IMU实时采集的车辆位姿数据校正三维点云中的畸变点云；

步骤1.3、由所述服务器的服务器将校正后的三维点云地图与深度摄像头采集的深度图进行融合，构建新的三维点云地图；

步骤1.4、重复步骤1.1～步骤1.3，增量式地构建点云地图，从而辅助物流运输车精准地进行自主导航。

其中，所述步骤1.1中对单线户外激光雷达、IMU获取的数据分别进行预处理，按照如下方式进行：

在服务器中初始化队列Q，给定高度阈值h₀，h₀为物流运输车高度的一半，以物流运输车重心为原点O，以物流运输车行驶方向为X轴正方向，垂直于行驶方向为Y轴正方向，以垂直重力方向且垂直车辆的行驶方向为Z轴正方向，建立OX_carY_carZ_car车辆坐标系；

假设激光雷达坐标系OX_lidarY_lidarZ_lidar与车辆坐标系重合；假设IMU坐标系OX_imuY_imuZ_imu，以车辆的重力方向为IMU坐标系中Z轴的正方向，以物流运输车行驶方向为X轴的正方向，以垂直重力方向且垂直车辆的行驶方向为Y轴的正方向；

设单线户外激光雷达发射点云的初始时刻为t_begin，接收时刻t_end，若在t₀时刻存在一帧点云的平均高度

时，则按如下步骤处理：

步骤1.1.1、通过式(1-1)对(t_begin,t_end)内的点云进行均值化操作后保存至队列Q；

式(1-1)中：

x_cloudi表示第i帧激光点云中最后一个激光点的横坐标；

y_cloudi表示第i帧激光点云中最后一个激光点的纵坐标；

z_cloudi表示第i帧激光点云中最后一个激光点垂直于地面的高度坐标；

x_begin表示第i帧激光点云中第一个激光点的横坐标；

y_begin表示第i帧激光点云中第一个激光点的纵坐标；

z_begin表示第一个激光点垂直于地面的高度坐标；

步骤1.1.2、在t_begin时刻获取IMU估计物流运输车辆的偏向角度

在t_end时刻获取IMU估计物流运输车辆的偏向角度/>

利用式(1-2)可获得(t_begin,t_end)内物流运输车辆的偏向角度的平均值：

步骤1.1.3、利用式(1-3)将t₀时刻的点云转化到IMU坐标系下；

步骤1.1.4、根据转化后的点云的时间戳，将转换后的点云按时间顺序插入到服务器的队列Q中；

步骤1.1.5、服务器在物流运输车行驶过程中不断重复执行步骤1.1.1～1.1.4；

所述步骤1.2中，利用深度摄像头捕获道路的深度图像与利用IMU校准后的点云图像与进行融合，按照以下步骤进行：

步骤1.2.1:、对于深度图像中的任意像素点(x_d,y_d)，通过式(2-1)转换到点云坐标系下；

式(5-1)中：

f_x，f_y分别为像素点在x轴、y轴方向的物理尺寸；

x_d，y_d分别为所述深度图像中任意像素点的横、纵坐标；

D为深度摄像头的深度值；

x_{camera_cloud}，y_{camera_cloud}，z_{camera_cloud}分别为所述像素点(x_d,y_d)转化到点云坐标系后的横坐标、纵坐标、垂直于地面的高度坐标；

步骤1.2.2、依次将深度图像的各像素点转化到点云坐标下与原先建立的点云图共同构建新的点云图；

步骤1.2.3、服务器重复执行步骤1.2.1～步骤1.2.2；

物流运输车在行驶过程中利用服务器重复执行上述步骤，从而实时精确地构建关于周围环境的三维点云地图，为自身自主导航提供精确的参考信息。

2、物流运输车的服务器的运算模块计算并筛选最佳路径的方法：一种是利用GPS获取的地图进行全局路径规划；另一种是在物流运输车行驶过程中需变更车道所临时进行的局部路径规划，分别按如下步骤进行：

步骤2.1、以物流运输车重心为原点O，以车头朝向为X轴，垂直于车头朝向为Y轴，垂直于地面朝向为Z轴，建立O-XYZ空间坐标系。物流运输车当前地点A坐标记为(x_pre,y_pre,z_pre)，利用GPS接收器获取的目标地点B坐标记为(x_f,y_f,z_f)。将目标地点坐标存入服务器中的集合visited_path_B，将物流运输车位置坐标存入服务器中的集合：visited_path_A；

步骤2.2、服务器计算物流运输车当前位置与目标地点之间的距离d。物流运输车以当前地点A作为中心，以r_A作为扩展半径做球体，其中

m为所述球体内包含的地点数目，且所述球体包含若干地点坐标{L_a1,L_a2,L_a3,L_am...}，服务器将所述地点坐标存入集合future_path_A；同理以目标地点B作为中心，以r_B作为扩展半径做球体，其中/>

m为所述球体内包含的地点数目，且所述球体包含若干地点坐标{L_b1,L_b2,L_b3,L_bm...}，服务器将所述地点坐标存入集合future_path_B；

步骤2.3、服务器分别计算物流运输车从当前地点A到所述集合future_path_A中各个地点的所需预耗费代价集合List_P_A；假设物流运输车从目标地点B到所述集合future_path_B中各个地点所需预耗费代价集合List_P_B；

步骤2.4、服务器分别计算出所述集合List_P_A中预耗费代价值P_A最小所对应集合future_path_A中的地点坐标L_ak(k≤m)，并将该地点记为min_L_A；所述集合List_P_B中预耗费代价值P_B最小所对应集合future_path_B中的地点坐标L_bk(k≤m)，并将该地点记为min_L_B；

步骤2.5、服务器对物流运输车从当前地点A到所述集合future_path_A中min_L_A所需预耗费代价值min_P_A与物流运输车从目标地点B到所述集合future_path_B中min_L_B所需预耗费代价值min_P_B的大小进行比较，分为两种情况：

情况1、若min_P_B＜min_P_A，则服务器自目标地点B向min_L_B生成一条路径，并将B、min_L_B从集合future_path_B中释放存入服务器中的集合visited_path_B；

情况2、若min_P_B＞min_P_A，则服务器自当前地点A向min_L_A生成一条路径，并将A、min_L_A从集合future_path_A中释放存入服务器中的集合visited_path_A；

步骤2.6、若情况1被执行，则下一次以min_L_A作为步骤2.2中所述‘当前地点’并从步骤2.2开始执行，且执行步骤2.2时，所述地点数目m增加1个；若情况2被执行，则下一次以min_L_B作为步骤2.2中所述‘当前地点’并从步骤2.2开始执行，且执行步骤2.2时，所述地点数目m增加1个；

步骤2.7、若服务器对visited_path_A与visited_path_B取交集后不为空，则物流运输车从当前位置A与目标地点B生成路径成功；反之，则重复执行所述步骤2.2至步骤2.6。

其中，服务器计算物流运输车到达各个地点所需预耗费的代价值P，所述代价P由式(7-1)计算获得：

其中，(x_next,y_next,z_next)为所述集合future_path_A中各个地点的坐标或所述集合future_path_B中各个地点的坐标；

式(7-1)所述U，热量增益，如式(7-2)所示，表示由于车辆行驶状态变化而引起的车辆机械部件的损耗。

/>

式(7-2)中：

ε表征在物流运输车在行驶过程中由于外界因素所造成的抖动的物理量；

v表示物流运输车的行驶速度；

d_min表示在所有行驶在道路的车辆中与物流运输车最近的距离；

式(7-2)中所述外界因素，ε可由式(7-3)表示：

式(7-3)中：

T代表路面对车辆的作用力，可由力传感器测量获得；

λ代表摩擦损耗，L表示道路的结构类型：λ_L表示车辆的轮胎与不同结构类型的道路经摩擦而出现的损耗，共有三种结构类型，分别以L＝I、L＝II、L＝III进行表征，即，L＝3：

I、嵌锁结构：主要由矿料构成，以中小规格碎石为主体，借碾压外力将骨料拧紧并相互锁嵌牢固；

II、混凝结构：主要由骨料构成，按比例掺入填充料，并使用凝聚性材料令骨料、填充料结合成板状；

III、细粒结构：以细粒和粘结料相结合，构成具有较高耐磨性但强度不高的机构层；

E_j分别代表不同类型的天气对车辆状态造成的影响，主要有三种类型的天气即，j＝3：

①沙尘暴、雾霾天气：使水平能见度小于一百米，且会对车辆部分的机械部件造成一定的磨损；部分尘埃颗粒进入车内会对驾驶员的驾驶状态造成干扰；

②高温天气：高温天气在一定程度上会导致汽车自燃；使得车辆各部件运转工况变得更加恶劣；

③雨雪天气：增大车辆浸水以及发动机涉水熄火的几率；路面湿滑在一定程度上增加车辆失控的概率。

所述物流运输车辆智能辅助驾驶系统的全局路径规划模块可以帮助物流运输车辆提前规划行驶路线，为物流车辆自主行使提供精确的先验信息，防止在行驶过程中因驾驶员误判而导致迷路或绕远情况的发生，减少车辆的能源消耗，提高运输效率。

3、一种物流运输车辆智能辅助驾驶装置，可以辅助物流运输车辆在遇到泥泞、坑洼等地形时切换物流运输车辆的行驶方式。所述物流运输车辆的底盘两侧各有5个车轮且呈对称分布；车身中央任意一侧的前轮与后轮之间的三个车轮由履带包裹，并将履带使用液压缸与车架连接，构成升降装置，正常情况下履带及其包裹的三个车轮悬挂在车架上，当遇到泥泞、坑洼等地形时，服务器将力传感器获取的压力值的变化量转化成信号并向电机发送：使电机分别驱动与车架连接的液压缸舒张，从而缓慢地将履带放置地面；使电机驱动与后车轮相连接的液压缸收缩将后轮缓慢地提起，从而保证物流运输车辆在泥泞的路面平稳地行驶。

Claims (3)

1.一种物流运输车辆智能辅助驾驶方法，其特征在于，所述的物流运输车辆智能辅助驾驶方法是通过物流运输车辆智能辅助驾驶系统实现的，所述的物流运输车辆智能辅助驾驶系统包括服务器、GPS接收装置、单线激光雷达、深度摄像头、IMU惯性测量单元和力传感器；

所述的服务器用于对GPS接收装置、单线激光雷达、深度摄像头、IMU惯性测量单元和力传感器的数据进行接收、格式转换、存储并计算物流运输车在移动过程中所耗费的代价；

所述的GPS接收装置用于获取物流运输车当前地点以及驾驶员指定的目的地的三维坐标；

所述的单线激光雷达用于与360°高速云台协同扫描构建三维点云地图以及测量物流运输车与行驶的车辆之间的距离；

所述的深度摄像头用于采集物流运输车周围环境的深度图像；

所述的IMU惯性测量单元用于测量物流运输车行驶时的线速度、角速度；

所述的力传感器用于获取物流运输车的轮胎所承受的压力值；

所述物流运输车辆中，安装在车架中心两侧的车轮由履带包裹，履带通过液压缸与车架连接形成收放系统；车架上方的车厢外侧的锁环与后车轮的车轴通过铁杆连接，铁杆与车厢外侧的液压缸连接；车头顶端处设置云台减震器，云台减震器上表面装有360°高速云台；360°高速云台集成深度摄像头和单线激光雷达；

所述的物流运输车辆智能辅助驾驶方法，步骤如下：

步骤2.1、物流运输车在行驶过程中需要实时地获取自身的位置并构建周围环境地图，首先，物流运输车通过GPS接收装置获取自身的坐标以及驾驶员指定的目的地的坐标；同时，服务器融合单线激光雷达与深度摄像头各自扫描的图像信息，并对融合后的图像数据进行存储；

步骤2.2、服务器根据IMU反馈的物流运输车的线速度值以及车辆行驶方向，根据GPS接收装置获取的物流运输车当前所在的位置、驾驶员指定的目的地的位置计算并筛选出一条最佳路径，根据所述最佳路径向物流运输车的电机发送指令，调整车轮转向以及行驶速度；当物流运输车在移动过程中遇到泥泞、坑洼地形时，将力传感器采集的压力值转化成电信号，服务器通过判断电信号的变化情况，向电机发送指令：使电机分别驱动与车架连接的液压缸舒张将履带放置地面，与后车轮相连接的液压缸收缩将后轮提起；

所述的步骤2.1中，物流运输车在行驶过程中需要实时地获取自身的位置并构建周围环境地图，按照以下步骤执行：

步骤3.1、服务器对单线激光雷达发射的点云数据以及IMU获取的物流运输车的位姿分别进行预处理；

步骤3.2、基于步骤3.1所述单线激光雷达随360°高速云台转动而扫描建立的点云地图，利用IMU实时采集的物流车的位姿数据校正点云地图中的畸变点；

步骤3.3、将步骤3.2中纠正后的点云地图与深度摄像头采集的道路的深度图进行融合；

步骤3.4、重复步骤3.1-步骤3.3，构建增量式地图；

所述步骤3.1中，对单线激光雷达发射的点云数据以及IMU获取的物流运输车的位姿分别进行预处理，按照如下方式进行：

服务器初始化队列Q，给定高度阈值h₀，h₀为物流运输车高度的一半，以物流运输车重心为原点O，以物流运输车行驶方向为X轴正方向，垂直于行驶方向为Y轴正方向，以垂直重力方向且垂直车辆的行驶方向为Z轴正方向，建立OX_carY_carZ_car车辆坐标系；

设激光雷达坐标系OX_lidarY_lidarZ_lidar与车辆坐标系重合；设IMU坐标系OX_imuY_imuZ_imu以车辆的重力方向为IMU坐标系中Z轴的正方向，以物流运输车行驶方向为X轴的正方向，以垂直重力方向且垂直车辆的行驶方向为Y轴的正方向；

设单线激光雷达发射的点云的初始时刻为t_begin，接收时刻t_end，若在t₀时刻存在一帧点云的平均高度

时，则按如下步骤处理：

步骤4.1、通过式(4-1)对(t_begin,t_end)内的点云进行均值化操作后保存至队列Q；

式(4-1)中：

x_cloudi表示第i帧激光点云中最后一个激光点的横坐标；

y_cloudi表示第i帧激光点云中最后一个激光点的纵坐标；

z_cloudi表示第i帧激光点云中最后一个激光点垂直于地面的高度坐标；

x_begin表示第i帧激光点云中第一个激光点的横坐标；

y_begin表示第i帧激光点云中第一个激光点的纵坐标；

z_begin表示第一个激光点垂直于地面的高度坐标；

步骤4.2、在t_begin时刻获取IMU估计物流运输车辆的偏向角度

在t_end时刻获取IMU估计物流运输车辆的偏向角度/>

利用式(4-2)可获得(t_begin,t_end)内物流运输车辆的偏向角度的平均值：

步骤4.3、利用式(4-3)将t₀时刻的点云转化到IMU坐标系下；

步骤4.4、将转化后的点云插入到队列Q中；

步骤4.5、在物流运输车辆行驶过程中不断重复步骤4.1～4.4；

所述的步骤2.2中，所述最佳路径的计算方法按如下步骤实施：

步骤6.1、以物流运输车重心为原点O，以车头朝向为X轴，垂直于车头朝向为Y轴，垂直于地面朝向为Z轴，建立O-XYZ空间直角坐标系；物流运输车当前地点A坐标记为(x_pre,y_pre,z_pre)，利用GPS接收装置获取的目标地点B坐标记为(x_f,y_f,z_f)；将目标地点坐标存入服务器中的集合visited_path_B，将物流运输车位置坐标存入服务器中的集合：visited_path_A；

步骤6.2、计算物流运输车当前位置A与目标地点B之间的距离d；物流运输车以当前地点A作为中心，以r_A作为扩展半径做球体，其中，

m为所述球体内包含的地点数目，且所述球体包含若干地点坐标{L_a1,L_a2,L_a3,...,L_am}，服务器将地点坐标存入集合future_path_A；同理以目标地点B作为中心，以r_B作为扩展半径做球体，其中，/>

m为所述球体内包含的地点的数目，且所述球体中包含的若干地点坐标为：{L_b1,L_b2,L_b3,...,L_bm}，服务器将地点坐标存入集合future_path_B；

步骤6.3、服务器分别计算物流运输车从当前地点A到所述集合future_path_A中各个地点的所需预耗费代价集合List_P_A；物流运输车从目标地点B到所述集合future_path_B中各个地点所需预耗费代价集合List_P_B；

步骤6.4、服务器分别计算出所述集合List_P_A中预耗费代价值P_A最小所对应集合future_path_A中的地点坐标L_ak，k≤m，并将该地点记为min_L_A、所述集合List_P_B中预耗费代价值P_B最小所对应集合future_path_B中的地点坐标L_bk，k≤m，并将该地点记为min_L_B；

步骤6.5、服务器对物流运输车从当前地点A到所述集合future_path_A中min_L_A所需预耗费代价值min_P_A与物流运输车从目标地点B到所述集合future_path_B中min_L_B所需预耗费代价值min_P_B的大小进行比较，分为两种情况：

情况1、若min_P_B＜min_P_A，则服务器自目标地点B向min_L_B生成一条路径，并将B、min_L_B从集合future_path_B中释放存入服务器中的集合visited_path_B；

情况2、若min_P_B＞min_P_A，则服务器自当前地点A向min_L_A生成一条路径，并将A、min_L_A从集合future_path_A中释放存入服务器中的集合visited_path_A；

步骤6.6、若情况1被执行，则下一次以min_L_A作为步骤6.2中所述‘当前地点’并从步骤6.2开始执行；若情况2被执行，则下一次以min_L_B作为步骤6.2中所述‘当前地点’并从步骤6.2开始执行，且执行步骤6.2时，所述地点数目m增加1个；

步骤6.7、若服务器对visited_path_A与visited_path_B取交集后不为空，则物流运输车从当前位置A与目标地点B生成路径成功；反之，则重复执行所述步骤6.2至步骤6.6。

2.根据权利要求1所述的一种物流运输车辆智能辅助驾驶方法，其特征在于，所述的步骤3.3中，纠正后的点云地图与深度摄像头采集的道路的深度图进行融合，按照以下步骤进行：

步骤5.1、对于深度图像中的任意像素点(x_d,y_d)，通过式(5-1)转换到点云坐标系下；

式(5-1)中：

f_x，f_y分别为像素点在x轴、y轴方向的物理尺寸；

x_d，y_d分别为所述深度图像中任意像素点的横、纵坐标；

D为深度摄像头的深度值；

x_{camera_cloud}，y_{camera_cloud}，z_{camera_cloud}分别为所述像素点(x_d,y_d)转化到点云坐标系后的横坐标、纵坐标、垂直于地面的高度坐标；

步骤5.2、依次将深度图像的各个像素点转化到点云坐标系下构建新的点云图；

步骤5.3、重复执行步骤5.1～步骤5.2。

3.根据权利要求1所述的一种物流运输车辆智能辅助驾驶方法，其特征在于，所述步骤6.3中，服务器计算物流运输车到达各个地点所需预耗费的代价P，所述代价P由式(7-1)计算获得：

其中，(x_next,y_next,z_next)为所述集合future_path_A中各个地点的坐标或所述集合future_path_B中各个地点的坐标；

(x_current,y_current,z_current)为物流运输车当前所在地点的坐标；

式(7-1)所述U，热量增益，如式(7-2)所示，表示由于车辆行驶状态变化而引起的车辆机械系统损耗：

式(7-2)中：

ε表征在物流运输车在行驶过程中由于外界因素干扰所造成的抖动的物理量；

v表示物流运输车的行驶速度；

d_min表示在道路上行驶的车辆中与物流运输车之间的最短距离；

式(7-2)中所述外界因素，ε可由式(7-3)表示：

式(7-3)中：

T代表路面对车辆的作用力，可由力传感器测量获得；

λ代表摩擦损耗，L表示道路的结构类型：λ_L表示车辆的轮胎与不同结构类型的道路经摩擦而出现的损耗，共有三种结构类型，分别以L＝I、L＝II、L＝III进行表征，即，L＝3：

I、嵌锁结构；

II、混凝结构；

III、细粒结构；

E_j分别代表不同类型的天气对车辆状态造成的影响，主要有三种类型的天气即，j＝3：

①沙尘暴、雾霾天气；

②高温天气；

③雨雪天气。

Images