CN114706400A - 一种越野环境下基于改进的a*算法的路径规划方法 - Google Patents

一种越野环境下基于改进的a*算法的路径规划方法 Download PDF

Info

Publication number
CN114706400A
CN114706400A CN202210377702.6A CN202210377702A CN114706400A CN 114706400 A CN114706400 A CN 114706400A CN 202210377702 A CN202210377702 A CN 202210377702A CN 114706400 A CN114706400 A CN 114706400A
Authority
CN
China
Prior art keywords
child node
threat
model
road
node
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
Application number
CN202210377702.6A
Other languages
English (en)
Other versions
CN114706400B (zh
Inventor
陈星�
郑讯佳
罗天洪
张涛
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.)
Chongqing University of Arts and Sciences
Original Assignee
Chongqing University of Arts and Sciences
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 Chongqing University of Arts and Sciences filed Critical Chongqing University of Arts and Sciences
Priority to CN202210377702.6A priority Critical patent/CN114706400B/zh
Priority to LU102942A priority patent/LU102942B1/en
Publication of CN114706400A publication Critical patent/CN114706400A/zh
Application granted granted Critical
Publication of CN114706400B publication Critical patent/CN114706400B/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 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
    • G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
    • 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
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
    • 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

Abstract

本发明公开了一种越野环境下基于改进的A*算法的路径规划方法，属于路径规划技术领域，包括以下步骤：将车辆的工作空间分成相同的栅格，采用数值矩阵来储存环境信息，建立障碍物模型
Figure DDA0003590880550000011
威胁模型
Figure DDA0003590880550000012
和道路模型
Figure DDA0003590880550000013
并融合得到最终的越野环境模型
Figure DDA0003590880550000014
分析子节点与障碍物的位置关系，建立子节点的选择区域；在选择区域中引入方向变化惩罚规则并通过量化局部区域的信息建立越野环境
Figure DDA0003590880550000015
下的评估函数；通过设置防碰撞安全距离D实现路径优化。本发明提供一种方法能够在障碍物、环境威胁和道路条件共同耦合作用的越野环境条件下快速有效的规划出安全、可行和高效的行驶路径，所规划的路径相比传统的A*算法拐点数减少了4倍，效率提高了30％。

Description

一种越野环境下基于改进的A*算法的路径规划方法
技术领域
本发明属于路径规划技术领域，具体涉及越野环境下基于改进的A*算法的路径规划方法。
背景技术
路径规划技术大致可以分为以下：基于最优算法智能搜索法，经典的有蚁群算法、粒子群算法、遗传算法、概率路线图和快速探索随机树算法等。基于几何模型的路径规划方法，其经典规划算法包括Dijkstra算法、A*算法、D*算法、Field D*算法等，其中Hybrid A*算法在非结构化道路环境下智能车路径规划中有着很好的效果。还有用于局部避障的算法，包括人工势场法和动态窗口方法。然而传统的路径规划算法在复杂的场景的表现并不如人意，例如复杂的越野环境。因此，针对越野场景的路径规划，有方法通过采集地形信息进行随机采样路径规划，然而规划的路径拐点太多。还有采用自适应变异遗传算法，建立优化搜索速度和方位的模型，在连续空间内进行路径规划，然而此类算法容易陷入局部最优点的问题。另一种方法提出了改进的A*算法，在地形坡度和地表属性的综合影响下，利用窗口移动法来提高搜索效率，然而该方法只针对越野环境进行建模，未对算法本身进行改进，使得算法效率低下。还有人提出了基于势能场模型的概率图算法，通过人工势场法对环境进行建模，利用概率图算法进行路径规划，缺点是未对人工势场进行改进，此类方法容易陷入局部最小值；
因此需要提出一种越野环境下基于改进的A*算法的路径规划方法，以解决上述问题。
发明内容
有鉴于此，本发明的目的在于提供一种越野环境下基于改进的A*算法的路径规划方法，用于解决现有技术中，路径规划所采用的传统算法，路径拐点太多、容易陷入局部最优点的问题、算法效率低下等问题。
为达到上述目的，本发明提供如下技术方案：
本发明提供一种越野环境下基于改进的A*算法的路径规划方法，包括以下步骤：
A1：将智能车辆的工作空间划分成大小相同的栅格，采用数值矩阵来储存环境信息，通过建立障碍物模型
Figure BDA0003590880530000011
威胁模型
Figure BDA0003590880530000012
和道路模型
Figure BDA0003590880530000013
并融合得到最终的越野环境模型
Figure BDA0003590880530000014
Figure BDA0003590880530000015
其中，
Figure BDA0003590880530000016
障碍物模型，
Figure BDA0003590880530000017
为威胁模型，
Figure BDA0003590880530000018
为道路模型；
A2：分析子节点与障碍物的位置关系，建立子节点的选择区域(i,j)；
A3：在子节点区域中引入方向变化惩罚规则并通过量化局部区域的信息建立所述越野环境
Figure BDA00035908805300000214
下的评估函数：
f(n)＝Rt(g(n父)+η*Step)+Ro(h(n))
Figure BDA0003590880530000021
Figure BDA0003590880530000022
其中，f(n)为全局评估函数，g(n父)为节点n父节点的真实代价值，D_P为方向变化惩罚，Step为移动代价，
Figure BDA0003590880530000023
为在节点坐标(i,j)越野栅格地图值，h(n)为节点n的预估代价，ε为环境威胁敏感度，dnt为节点到目标点的距离，dst起始点到目标点的距离；Rt和Ro是自适应调节系数，Qo和Qt为威胁率和通过率，η为调节系数；
A4：设置防碰撞安全距离D实现路径优化，保证所述安全距离D与威胁物的距离L满足L≥D：
Figure BDA0003590880530000024
其中，D为安全距离，
Figure BDA0003590880530000025
为在节点坐标(i,j)越野栅格地图值，celld为单元栅格的长度。
进一步，步骤A1所述的障碍物模型表示为：
Figure BDA0003590880530000026
Figure BDA0003590880530000027
其中，
Figure BDA0003590880530000028
障碍物模型，O障碍物区域，(xij,yij)为越野栅格模型的坐标点，R和C是所设置地图大小的长和宽,Mij是地图上的每个栅格上数值；
所述威胁模型
Figure BDA0003590880530000029
表示为：
Figure BDA00035908805300000210
Figure BDA00035908805300000211
其中，
Figure BDA00035908805300000212
为威胁模型，T为威胁物，Z为威胁等级，r为威胁范围半径，R和C是所设置地图大小的长和宽,Mij是地图上的每个栅格上数值；
所述道路模型
Figure BDA00035908805300000213
表示为：
Figure BDA0003590880530000031
Figure BDA0003590880530000032
其中，
Figure BDA0003590880530000033
为道路模型，H越野道路，k为道路通行系数,R和C是所设置地图大小的长和宽，Mij是地图上的每个栅格上数值。
进一步，步骤A2中所述子节点的选择区域需通过以下规则进行：
Relu1：若子节点4或子节点12具有威胁(在越野环境栅格地图
Figure BDA0003590880530000035
中值≥1)，则子节点2、子节点6、子节点4、子节点5或子节点13、子节点9、子节点14、子节点11不作为预选点。
Rule2：若子节点16或子节点8具有威胁，则子节点2、子节点13、子节点15、子节点1或子节点6、子节点9、子节点10、子节点7不作为预选点。
Rule3：均无具威胁，则不做处理。
进一步，步骤A3中所述越野环境
Figure BDA0003590880530000034
下的评估函数的设计包括以下步骤：
C1：引入方向惩罚规则：计算当前节点与该其父节点的方向Direction1和当前节点到其子节点的方向Direction2，计算方向变化D_Change＝|Direction1-Direction2|，若D_Change>4，则将方向变化惩罚D_P置为无穷大，若D_Change≤4，则选择相应的方向变化惩罚系数；
C2：通过量化局部区域信息判断是否存在障碍物，若有障碍物，则根据威胁率Qo寻找更优路径；若无障碍物，则根据通过率Qt缩小搜索范围。
C3：将得到的方向变化惩罚D_P、局部区域的威胁率Qo和通过率Qt，在越野环境
Figure BDA0003590880530000036
下代入评估函数计算。
进一步，所述步骤A4中，保证所述安全距离D与威胁物的距离L满足L≥D，具体步骤为：
D1：设置S为起始点，S坐标为(xS,yS)，正向Floyd算法，从起始点S开始，按步长k取下一路径点1，计算距离L与安全距离D并判断小大，若满足L≥D则取下一路径点2，直至存在不满足L≥D的路径点n，则重新设置点n-1为开始点，继续取点循环以上步骤直至遇到终点T循环结束；
D2：反向Floyd算法，将终点T设置为起始点，按T→S的方向遍历所述D1中的路径点直至遇见起始点S循环结束；
D3：若正向Floyd算法优化路径与反向Floyd算法优化路径存在交点，则取交点作为路径拐点；若不存在交点，则取拐点数与路径长度和小的路径。
进一步，步骤C2所述的威胁率Qo和通过率Qt通过以下公式计算：
Figure BDA0003590880530000041
Figure BDA0003590880530000042
其中，Qo为威胁率，Qt为通过率，Lo为局部区域，
Figure BDA0003590880530000043
越野环境栅格地图值，δt为环境敏感度，考虑到越野智能车辆，对于草地土路能够轻松驶过，设置为0.5，可根据车辆类型工作任务灵活选取。nL,nD为越野栅格地图中一行和一列均小于δt的条数，L和D为局部区域的行和列。
如上所述，本发明的越野环境下基于改进的A*算法的路径规划方法，具有以下有益效果：本发明采用栅格法建立模拟了真实的越野环境场景，通过对越野环境中的障碍物、威胁物和越野道路进行层次化建模，能够融合多层次地图，实现对越野环境的真实模拟，有利于在真实场景下对越野车进行路径规划；引入方向变化惩罚，来控制规划路径的平滑度，使得规划的路径更为笔直；设计局部区域复杂度惩罚，自适应控制算法的搜索空间，使得算法更为智能高效；改进的A*算法能够在越野环境中多中因素的综合影响，以及不同车辆性能和任务的要求下，能够快速的规划出安全、笔直和高效的优化路径。
本发明的其他优点、目标和特征将在随后的说明书中进行阐述，并且在某种程度上对本领域技术人员而言是显而易见的，或者本领域技术人员可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明的流程图；
图2为本发明的子节点细节图；
图3为本发明的子节点图；
图4为本明的方向变化惩罚定义示意图；
图5为本明的局部区域复杂度定义示意图；
图6为本发明的双向Floyd算法示意图。
具体实施方式
请参阅图1至图6，发明提供一种越野环境下基于改进的A*算法的路径规划方法，包括以下步骤：A1：将智能车辆的工作空间划分成大小相同的栅格，采用数值矩阵来储存环境信息，通过建立障碍物模型
Figure BDA0003590880530000051
威胁模型
Figure BDA0003590880530000052
和道路模型
Figure BDA0003590880530000053
并融合得到最终的越野环境模型
Figure BDA0003590880530000054
Figure BDA0003590880530000055
其中，
Figure BDA0003590880530000056
障碍物模型，
Figure BDA0003590880530000057
为威胁模型，
Figure BDA0003590880530000058
为道路模型；
A2：分析子节点与障碍物的位置关系，建立子节点的选择区域(i,j)；
A3：在子节点区域中引入方向变化惩罚规则并通过量化局部区域的信息建立所述越野环境
Figure BDA00035908805300000514
下的评估函数：
f(n)＝Rt(g(n父)+η*Step)+Ro(h(n))
Figure BDA0003590880530000059
Figure BDA00035908805300000510
其中，f(n)为全局评估函数，g(n父)为节点n父节点的真实代价值，D_P为方向变化惩罚，Step为移动代价，
Figure BDA00035908805300000511
为在节点坐标(i,j)越野栅格地图值，h(n)为节点n的预估代价，ε为环境威胁敏感度，dnt为节点到目标点的距离，dst起始点到目标点的距离；Rt和Ro是自适应调节系数，Qo和Qt为威胁率和通过率，η为调节系数；
A4：设置防碰撞安全距离D实现路径优化，保证所述安全距离D与威胁物的距离L满足L≥D：
Figure BDA00035908805300000512
其中，D为安全距离，
Figure BDA00035908805300000513
为在节点坐标(i,j)越野栅格地图值，celld为单元栅格的长度。
上述技术方案的工作原理：首先深入研究真实越野环境，采用栅格法将智能车辆的工作空间划分成大小相同的栅格，采用数值矩阵来储存环境信息，通过建立障碍模型、威胁模型和越野道路模型，融合三个层次模型来真实模型越野场景；然后分析子节点与障碍物的位置关系，建立子节点的选择区域，在子节点区域中引入方向变化惩罚和局部区域环境特征惩罚对A*算法的全局评估函数进行改进；最后设置防碰撞安全距离D实现路径优化。
上述技术方案的有益效果：采用栅格法建立模拟了真实的越野环境场景，通过对越野环境中的障碍物、威胁物和越野道路进行层次化建模，能够融合多层次地图，实现对越野环境的真实模拟，有利于在真实场景下对越野车进行路径规划；引入方向变化惩罚，来控制规划路径的平滑度，使得规划的路径更为笔直；设计局部区域复杂度惩罚，自适应控制算法的搜索空间，使得算法更为智能高效。
在本发明的一个实施例中，步骤A1所述的障碍物模型表示为：
Figure BDA0003590880530000061
Figure BDA0003590880530000062
其中，
Figure BDA0003590880530000063
障碍物模型，O障碍物区域，(xij,yij)为越野栅格模型的坐标点，R和C是所设置地图大小的长和宽,Mij是地图上的每个栅格上数值；
所述威胁模型
Figure BDA0003590880530000064
表示为：
Figure BDA0003590880530000065
Figure BDA0003590880530000066
其中，
Figure BDA0003590880530000067
为威胁模型，T为威胁物，Z为威胁等级，r为威胁范围半径，R和C是所设置地图大小的长和宽,Mij是地图上的每个栅格上数值；
所述道路模型
Figure BDA0003590880530000068
表示为：
Figure BDA0003590880530000069
Figure BDA00035908805300000610
其中，
Figure BDA00035908805300000611
为道路模型，H越野道路，k为道路通行系数,R和C是所设置地图大小的长和宽，Mij是地图上的每个栅格上数值。
上述技术方案的工作原理：障碍物模型即为越野环境中智能车辆无法驶过的区域，如建筑物、森林、山地等；威胁模型指的是越野环境中可能对智能车造成破坏损伤的存在，如地雷和敌军等；道路模型即为越野环境中智能车辆可安全行驶的区域，在越野环境中，可行驶区域大致可分为：硬质路面、土路、草地和沙地等。根据如表1提出的现有的地表属性与道路通行系数代入道路模型
Figure BDA00035908805300000612
中计算，本发明采用栅格法将智能车辆的工作空间划分成大小相同的栅格，采用数值矩阵来储存环境信息，通过建立障碍模型、威胁模型和越野道路模型，融合三个层次模型来真实模型越野场景；值得注意的是，三个模型的优先级为：威胁模型、障碍物模型、道路模型，当融合模型重叠时，优先考虑优先级高的模型以及模型数据值高的栅格。
表1 地表属性与道路通行系数
Figure BDA0003590880530000071
上述技术方案的有益效果：将越野环境中的障碍物、威胁物和越野道路进行层次化建模，能够融合多层次地图，实现对越野环境的真实模拟，有利于在真实场景下对越野车进行路径规划。
在本发明的一个实施例中，步骤A2中所述子节点的选择区域需通过以下规则进行：
Relu1：若子节点4或子节点12具有威胁(在越野环境栅格地图
Figure BDA0003590880530000072
中值≥1)，则子节点2、子节点6、子节点4、子节点5或子节点13、子节点9、子节点14、子节点11不作为预选点。
Rule2：若子节点16或子节点8具有威胁，则子节点2、子节点13、子节点15、子节点1或子节点6、子节点9、子节点10、子节点7不作为预选点。
Rule3：均无具威胁，则不做处理。
上述技术方案的工作原理：为了找到从起始点到终点的路径，需定义一种可以选择后续节点的方式。考虑到在复杂越野环境上，我们希望智能车辆允许更多的自由运动来更好规避危险，选择16-邻接(见图2)。在传统的子节点选择上，只考虑了子节点是否存在障碍物，而没有考虑子节点与障碍物的位置关系，则规划的路径存在斜着经过障碍物栅格顶点，可能发碰撞可能。如图3，为16个子节点分布图，设计的子节点选择规则为：Relu1：若子节点4或子节点12具有威胁(在越野环境栅格地图
Figure BDA0003590880530000073
中值≥1)，则子节点2、子节点6、子节点4、子节点5或子节点13、子节点9、子节点14、子节点11不作为预选点；Rule2：若子节点16或子节点8具有威胁，则子节点2、子节点13、子节点15、子节点1或子节点6、子节点9、子节点10、子节点7不作为预选点；Rule3：均无具威胁，则不做处理。
上述技术方案的有益效果：在复杂的越野环境下，考虑子节点与障碍物的位置关系，避免在规划的路径中出现斜着经过障碍物栅格顶点，导致发生碰撞的现象；设计一种子节点的选择规则，能够使智能车辆有效规避危险，达到安全高效的目的。
在本发明的一个实施例中，步骤A3中所述越野环境
Figure BDA0003590880530000081
下的评估函数的设计包括以下步骤：
C1：引入方向惩罚规则：计算当前节点与该其父节点的方向Direction1和当前节点到其子节点的方向Direction2，计算方向变化D_Change＝|Direction1-Direction2|，若D_Change>4，则将方向变化惩罚D_P置为无穷大，若D_Change≤4，则选择相应的方向变化惩罚系数；
C2：通过量化局部区域信息判断是否存在障碍物，若有障碍物，则根据威胁率Qo寻找更优路径；若无障碍物，则根据通过率Qt缩小搜索范围。
C3：将得到的方向变化惩罚D_P、局部区域的威胁率Qo和通过率Qt，在越野环境
Figure BDA0003590880530000082
下代入评估函数计算。
上述技术方案的工作原理：本发明引入方向变化惩罚，来减少路径的无用拐点。规定智能车的转弯角度范围为0°-90°，方向变化惩罚规则为：Step1：计算当前节点与该其父节点的方向Direction1，方向规定如图4(a)所示；Step2：计算当前节点到其子节点的方向Direction2。Step3：计算方向变化"D_Change＝"|"Direction1-Direction2"|，若"D_Change>4"，则将方向变化惩罚D_P置为无穷大，若"D_Change≤"4，则参考表2选择相应的方向变化惩罚系数。
表2 方向变化惩罚系数参照表
方向变化(D_Change) 方向变化惩罚系数(D_P)
0 1.0
1 1.2
2 1.4
3 1.6
4 1.8
上述技术方案的有益效果：引入方向变化惩罚，来控制规划路径的平滑度，使得规划的路径更为笔直、更少转弯和转弯的角度应小点；设计局部区域复杂度惩罚，自适应控制算法的搜索空间，使得算法更为智能高效。
在本发明的一个实施例中，所述步骤A4中，保证所述安全距离D与威胁物的距离L满足L≥D，具体步骤为：
D1：设置S为起始点，S坐标为(xS,yS)，正向Floyd算法，从起始点S开始，按步长k取下一路径点1，计算距离L与安全距离D并判断小大，若满足L≥D则取下一路径点2，直至存在不满足L≥D的路径点n，则重新设置点n-1为开始点，继续取点循环以上步骤直至遇到终点T循环结束；
D2：反向Floyd算法，将终点T设置为起始点，按T→S的方向遍历所述D1中的路径点直至遇见起始点S循环结束；
D3：若正向Floyd算法优化路径与反向Floyd算法优化路径存在交点，则取交点作为路径拐点；若不存在交点，则取拐点数与路径长度和小的路径。
上述技术方案的工作原理：通过威胁物点到连线的垂直距离L与设置的安全距离D的关系，判断优化的路径是否安全。如图6所示，设点a坐标为(xa,ya)，点S坐标为(xS,yS)，点n3的坐标为(xn3,yn3)，则可以计算得到点a距离直线S-n的距离L；优化的路径要保证距离威胁物的距离要满足。具体步骤为：Step1：从起始点S开始，设置S为开始点，按步长k取下一路径点1，计算距离L与安全距离D并判断小大，若满足则取下一路径点2，直至存在不满足L≥D的路径点n，则重新设置点n-1为开始点，继续取点循环以上步骤直至遇到终点T循环结束；Step2：反向Floyd算法，将终点T设置为开始点，按Step1反向遍历路径点直至遇见起始点S循环结束；Step3：若正向Floyd算法优化路径与反向Floyd算法优化路径存在交点，则取交点作为路径拐点；若不存在交点，则于拐点数与路径长度和小的路径。
上述技术方案的有益效果：改进的Floyd算法，设计了双向优化处理来实现双向平滑优化；设计了安全距离，来保证优化了路径避免与障碍物威胁物等发生碰撞；保证距离威胁物的距离满足L≥D，得到更优化的路径，使得智能车辆在行驶过程中更加安全。
在本发明的一个实施例中，步骤C2所述的威胁率Qo和通过率Qt通过以下公式计算：
Figure BDA0003590880530000091
Figure BDA0003590880530000092
其中，Qo为威胁率，Qt为通过率，Lo为局部区域，
Figure BDA0003590880530000093
越野环境栅格地图值，δt为环境敏感度，考虑到越野智能车辆，对于草地土路能够轻松驶过，设置为0.5，可根据车辆类型工作任务灵活选取。nL,nD为越野栅格地图中一行和一列均小于δt的条数，L和D为局部区域的行和列。
上述技术方案的工作原理和有益效果：通过公式计算威胁率Qo和通过率Qt，根据局部区域复杂度，来自适应调节节点的搜索空间，降低算法的时间复杂度。如图5(a)所示，若此时当前节点为节点1，它的父节点为父节点1，则可计算得到当前的方向为3，参考图5(b)可获得该方位上的局部区域，观察图5(a)局部区域，明显此区域存在障碍物、威胁物和草地等，在此区域内，希望算法能够扩大搜索范围，寻找更优路径在避免接触障碍物和威胁物；相反如果该区域不存在障碍物和威胁物体，则希望算法能够缩小搜索范围，提高效率。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (6)

1.一种越野环境下基于改进的A*算法的路径规划方法，其特征在于，包括以下步骤：
A1：将智能车辆的工作空间划分成大小相同的栅格，采用数值矩阵来储存环境信息，通过建立障碍物模型
Figure FDA0003590880520000011
威胁模型
Figure FDA0003590880520000012
和道路模型
Figure FDA0003590880520000013
并融合得到最终的越野环境模型
Figure FDA0003590880520000014
Figure FDA0003590880520000015
其中，
Figure FDA0003590880520000016
障碍物模型，
Figure FDA0003590880520000017
为威胁模型，
Figure FDA0003590880520000018
为道路模型；
A2：分析子节点与障碍物的位置关系，建立子节点的选择区域(i,j)；
A3：在子节点区域中引入方向变化惩罚规则并通过量化局部区域的信息建立所述越野环境
Figure FDA0003590880520000019
下的评估函数：
f(n)＝Rt(g(n父)+η*Step)+Ro(h(n))
Figure FDA00035908805200000110
Figure FDA00035908805200000111
其中，f(n)为全局评估函数，g(n父)为节点n父节点的真实代价值，D_P为方向变化惩罚，Step为移动代价，
Figure FDA00035908805200000118
为在节点坐标(i,j)越野栅格地图值，h(n)为节点n的预估代价，ε为环境威胁敏感度，dnt为节点到目标点的距离，dst起始点到目标点的距离；Rt和Ro是自适应调节系数，Qo和Qt为威胁率和通过率，η为调节系数；
A4：设置防碰撞安全距离D实现路径优化，保证所述安全距离D与威胁物的距离L满足L≥D：
Figure FDA00035908805200000112
其中，D为安全距离，
Figure FDA00035908805200000113
为在节点坐标(i,j)越野栅格地图值，celld为单元栅格的长度。
2.根据权利要求1所述的一种越野环境下基于改进的A*算法的路径规划方法，其特征在于：步骤A1所述的障碍物模型表示为：
Figure FDA00035908805200000114
Figure FDA00035908805200000115
其中，
Figure FDA00035908805200000116
障碍物模型，O障碍物区域，(xij,yij)为越野栅格模型的坐标点，R和C是所设置地图大小的长和宽,Mij是地图上的每个栅格上数值；
所述威胁模型
Figure FDA00035908805200000117
表示为：
Figure FDA0003590880520000021
Figure FDA0003590880520000022
其中，
Figure FDA0003590880520000023
为威胁模型，T为威胁物，Z为威胁等级，r为威胁范围半径，R和C是所设置地图大小的长和宽,Mij是地图上的每个栅格上数值；
所述道路模型
Figure FDA0003590880520000024
表示为：
Figure FDA0003590880520000025
Figure FDA0003590880520000026
其中，
Figure FDA0003590880520000027
为道路模型，H越野道路，k为道路通行系数,R和C是所设置地图大小的长和宽，Mij是地图上的每个栅格上数值。
3.根据权利要求1所述的一种越野环境下基于改进的A*算法的路径规划方法，其特征在于：步骤A2中所述子节点的选择区域需通过以下规则进行：
Relu1：若子节点4或子节点12具有威胁(在越野环境栅格地图
Figure FDA0003590880520000028
中值≥1)，则子节点2、子节点6、子节点4、子节点5或子节点13、子节点9、子节点14、子节点11不作为预选点。
Rule2：若子节点16或子节点8具有威胁，则子节点2、子节点13、子节点15、子节点1或子节点6、子节点9、子节点10、子节点7不作为预选点。
Rule3：均无具威胁，则不做处理。
4.根据权利要求1所述的一种越野环境下基于改进的A*算法的路径规划方法，其特征在于：步骤A3中所述越野环境
Figure FDA0003590880520000029
下的评估函数的设计包括以下步骤：
C1：引入方向惩罚规则：计算当前节点与该其父节点的方向Direction1和当前节点到其子节点的方向Direction2，计算方向变化D_Change＝|Direction1-Direction2|，若D_Change>4，则将方向变化惩罚D_P置为无穷大，若D_Change≤4，则选择相应的方向变化惩罚系数；
C2：通过量化局部区域信息判断是否存在障碍物，若有障碍物，则根据威胁率Qo寻找更优路径；若无障碍物，则根据通过率Qt缩小搜索范围。
C3：将得到的方向变化惩罚D_P、局部区域的威胁率Qo和通过率Qt，在越野环境
Figure FDA00035908805200000210
下代入评估函数计算。
5.根据权利要求1所述的一种越野环境下基于改进的A*算法的路径规划方法，其特征在于：所述步骤A4中，保证所述安全距离D与威胁物的距离L满足L≥D，具体步骤为：
D1：设置S为起始点，S坐标为(xS,yS)，正向Floyd算法，从起始点S开始，按步长k取下一路径点1，计算距离L与安全距离D并判断小大，若满足L≥D则取下一路径点2，直至存在不满足L≥D的路径点n，则重新设置点n-1为开始点，继续取点循环以上步骤直至遇到终点T循环结束；
D2：反向Floyd算法，将终点T设置为起始点，按T→S的方向遍历所述D1中的路径点直至遇见起始点S循环结束；
D3：若正向Floyd算法优化路径与反向Floyd算法优化路径存在交点，则取交点作为路径拐点；若不存在交点，则取拐点数与路径长度和小的路径。
6.根据权利要求4所述的一种越野环境下基于改进的A*算法的路径规划方法，其特征在于：步骤C2所述的威胁率Qo和通过率Qt通过以下公式计算：
Figure FDA0003590880520000031
Figure FDA0003590880520000032
其中，Qo为威胁率，Qt为通过率，Lo为局部区域，
Figure FDA0003590880520000033
越野环境栅格地图值，δt为环境敏感度，考虑到越野智能车辆，对于草地土路能够轻松驶过，设置为0.5，可根据车辆类型工作任务灵活选取。nL,nD为越野栅格地图中一行和一列均小于δt的条数，L和D为局部区域的行和列。
CN202210377702.6A 2022-04-12 2022-04-12 一种越野环境下基于改进的a*算法的路径规划方法 Active CN114706400B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210377702.6A CN114706400B (zh) 2022-04-12 2022-04-12 一种越野环境下基于改进的a*算法的路径规划方法
LU102942A LU102942B1 (en) 2022-04-12 2022-05-06 Path planning method based on improved a* algorithm in off-road environment

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210377702.6A CN114706400B (zh) 2022-04-12 2022-04-12 一种越野环境下基于改进的a*算法的路径规划方法

Publications (2)

Publication Number Publication Date
CN114706400A true CN114706400A (zh) 2022-07-05
CN114706400B CN114706400B (zh) 2023-04-07

Family

ID=82172174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210377702.6A Active CN114706400B (zh) 2022-04-12 2022-04-12 一种越野环境下基于改进的a*算法的路径规划方法

Country Status (2)

Country Link
CN (1) CN114706400B (zh)
LU (1) LU102942B1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115795697A (zh) * 2023-01-31 2023-03-14 中国电子科技集团公司第二十八研究所 一种基于空间网格的复杂环境下野外机动通道生成方法
CN116147653A (zh) * 2023-04-14 2023-05-23 北京理工大学 一种面向无人驾驶车辆的三维参考路径规划方法
CN116481557A (zh) * 2023-06-20 2023-07-25 北京斯年智驾科技有限公司 一种路口通行路径规划方法、装置、电子设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010191502A (ja) * 2009-02-16 2010-09-02 Toyota Motor Corp 移動ロボット制御システム、経路探索方法、経路探索プログラム
US20190217857A1 (en) * 2018-01-12 2019-07-18 Duke University Apparatus, method and article to facilitate motion planning of an autonomous vehicle in an environment having dynamic objects
CN110851948A (zh) * 2019-08-27 2020-02-28 清华大学 非结构化道路条件下的行车环境态势评估方法及评估装置
CN111780777A (zh) * 2020-07-13 2020-10-16 江苏中科智能制造研究院有限公司 一种基于改进a*算法和深度强化学习的无人车路径规划方法
CN111879328A (zh) * 2020-07-07 2020-11-03 清华大学 一种越野环境下基于势能场概率图的智能车路径规划方法
US20200377085A1 (en) * 2019-06-03 2020-12-03 Realtime Robotics, Inc. Apparatus, methods and articles to facilitate motion planning in environments having dynamic obstacles
CN112325892A (zh) * 2020-10-10 2021-02-05 南京理工大学 一种基于改进a*算法的类三维路径规划方法
CN112947406A (zh) * 2021-01-14 2021-06-11 华南理工大学 一种基于FLOYD和Astar的混合路径规划方法
CN113126618A (zh) * 2021-03-17 2021-07-16 中国科学院合肥物质科学研究院 一种越野环境下的无人驾驶全局路径规划及重规划方法
CN113156886A (zh) * 2021-04-30 2021-07-23 南京理工大学 一种智能物流路径规划方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010191502A (ja) * 2009-02-16 2010-09-02 Toyota Motor Corp 移動ロボット制御システム、経路探索方法、経路探索プログラム
US20190217857A1 (en) * 2018-01-12 2019-07-18 Duke University Apparatus, method and article to facilitate motion planning of an autonomous vehicle in an environment having dynamic objects
US20200377085A1 (en) * 2019-06-03 2020-12-03 Realtime Robotics, Inc. Apparatus, methods and articles to facilitate motion planning in environments having dynamic obstacles
CN110851948A (zh) * 2019-08-27 2020-02-28 清华大学 非结构化道路条件下的行车环境态势评估方法及评估装置
CN111879328A (zh) * 2020-07-07 2020-11-03 清华大学 一种越野环境下基于势能场概率图的智能车路径规划方法
CN111780777A (zh) * 2020-07-13 2020-10-16 江苏中科智能制造研究院有限公司 一种基于改进a*算法和深度强化学习的无人车路径规划方法
CN112325892A (zh) * 2020-10-10 2021-02-05 南京理工大学 一种基于改进a*算法的类三维路径规划方法
CN112947406A (zh) * 2021-01-14 2021-06-11 华南理工大学 一种基于FLOYD和Astar的混合路径规划方法
CN113126618A (zh) * 2021-03-17 2021-07-16 中国科学院合肥物质科学研究院 一种越野环境下的无人驾驶全局路径规划及重规划方法
CN113156886A (zh) * 2021-04-30 2021-07-23 南京理工大学 一种智能物流路径规划方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LI LINHUI 等: "Stereo Vision based Obstacle Avoidance Path-planning for Cross-country Intelligent Vehicle" *
耿宏飞 等: "Ａ*算法在AGV路径规划上的改进与验证" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115795697A (zh) * 2023-01-31 2023-03-14 中国电子科技集团公司第二十八研究所 一种基于空间网格的复杂环境下野外机动通道生成方法
CN116147653A (zh) * 2023-04-14 2023-05-23 北京理工大学 一种面向无人驾驶车辆的三维参考路径规划方法
CN116147653B (zh) * 2023-04-14 2023-08-22 北京理工大学 一种面向无人驾驶车辆的三维参考路径规划方法
CN116481557A (zh) * 2023-06-20 2023-07-25 北京斯年智驾科技有限公司 一种路口通行路径规划方法、装置、电子设备及存储介质
CN116481557B (zh) * 2023-06-20 2023-09-08 北京斯年智驾科技有限公司 一种路口通行路径规划方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
LU102942B1 (en) 2022-12-01
CN114706400B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN114706400B (zh) 一种越野环境下基于改进的a*算法的路径规划方法
CN107168305B (zh) 路口场景下基于Bezier和VFH的无人车轨迹规划方法
CN102854880B (zh) 面向混合地形区域不确定环境的机器人全局路径规划方法
CN111610786B (zh) 基于改进rrt算法的移动机器人路径规划方法
CN111238521B (zh) 一种无人驾驶车辆的路径规划方法及系统
CN111879328B (zh) 一种越野环境下基于势能场概率图的智能车路径规划方法
CN106681334A (zh) 基于遗传算法的自动搬运小车调度控制方法
CN112462803B (zh) 一种基于改进nsga-ii的无人机路径规划方法
CN110908386B (zh) 一种无人车分层路径规划方法
Maji et al. Multi‐objective highway alignment optimization using a genetic algorithm
CN112325892A (zh) 一种基于改进a*算法的类三维路径规划方法
CN113554467B (zh) 一种基于协同进化的铁路三维线形智能设计方法
CN110196602A (zh) 目标导向集中优化的快速水下机器人三维路径规划方法
CN109359350A (zh) 一种优化精细施工成本的风电场道路智能设计方法
CN113593228B (zh) 一种高速公路瓶颈区域自动驾驶协同控制方法
CN112833899A (zh) 一种用于无人环卫车的全覆盖路径规划方法
CN110045738A (zh) 基于蚁群算法和Maklink图的机器人路径规划方法
CN114877905A (zh) 一种双向动态生长的Informed-RRT*路径规划方法
CN115355922A (zh) 一种基于改进蚁群算法的出行路径规划方法及系统
CN113903173A (zh) 一种基于有向图结构和lstm的车辆轨迹特征提取方法
CN116203973B (zh) 轨道ai巡检机器人智能控制系统
CN112539751A (zh) 一种机器人路径规划方法
CN115826586B (zh) 一种融合全局算法和局部算法的路径规划方法及系统
Seegmiller et al. The Maverick planner: An efficient hierarchical planner for autonomous vehicles in unstructured environments
Maji Optimization of horizontal highway alignment using a path planner method

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