CN114791734A - 一种基于语义信息串联的履带车辆的控制方法及系统 - Google Patents

一种基于语义信息串联的履带车辆的控制方法及系统 Download PDF

Info

Publication number
CN114791734A
CN114791734A CN202210466055.6A CN202210466055A CN114791734A CN 114791734 A CN114791734 A CN 114791734A CN 202210466055 A CN202210466055 A CN 202210466055A CN 114791734 A CN114791734 A CN 114791734A
Authority
CN
China
Prior art keywords
semantic
motion
information
point cloud
laser radar
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
Application number
CN202210466055.6A
Other languages
English (en)
Inventor
刘海鸥
关海杰
陈慧岩
龚建伟
周梦如
卢佳兴
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 Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202210466055.6A priority Critical patent/CN114791734A/zh
Publication of CN114791734A publication Critical patent/CN114791734A/zh
Pending legal-status Critical Current

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
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • 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
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及一种基于语义信息串联的履带车辆的控制方法及系统。该方法包括将激光雷达点云信息和图像语义信息进行融合，并根据融合后的信息、全局拓扑参考路径以及履带车辆的几何通过性参数确定三维语义栅格地图；运动规划模块根据三维语义栅格地图、全局拓扑参考路径以及运动基元簇中的运动基元的扩展代价对运动基元进行拼接与过渡；运动控制模块利用带有行为语义信息的轨迹对控制目标函数的权重系数进行实时更新，并根据更新后的控制目标函数和带有行为语义信息的轨迹在执行机构的机械约束、平台的运动学约束以及平台动力学约束下，基于模型预测控制算法进行履带车辆的控制。本发明能够提升地面无人机动平台在越野环境中的通行能力。

Description

一种基于语义信息串联的履带车辆的控制方法及系统
技术领域
本发明涉及车辆控制领域，特别是涉及一种基于语义信息串联的履带车辆的控制方法及系统。
背景技术
地面无人机动履带车辆能够代替人类在越野环境下完成诸如危险物资运输、灾情救援、战场环境侦察等任务，减轻或避免人类在越野危险环境中的负担与消耗。地面无人机动履带车辆一般由环境感知、运动规划、运动控制、底盘执行四个基本模块组成。
前期的研究针对地面无人机动履带车辆中的各个模块均开展了相应的工作，但各个模块之的串联方式比较弱化，使地面无人机动履带车辆模块之间的输出信息比较单一，进而，造成地面无人机动履带车辆在越野环境中的通行能力比较低。
因此，为解决上述问题，亟需提供一种新的控制方法或系统，提升地面无人机动平台在越野环境中的通行能力。
发明内容
本发明的目的是提供一种基于语义信息串联的履带车辆的控制方法及系统，能够提升地面无人机动平台在越野环境中的通行能力。
为实现上述目的，本发明提供了如下方案：
一种基于语义信息串联的履带车辆的控制方法，包括：
根据环境感知模块获取的激光雷达数据提取激光雷达点云信息；并根据环境感知模块获取的相机图像提取图像语义信息；
将激光雷达点云信息和图像语义信息进行融合，并根据融合后的信息、全局拓扑参考路径以及履带车辆的几何通过性参数确定三维语义栅格地图；所述三维语义栅格地图为带有局部可通行度语义栅格地图；几何通过性参数包括：最大坡度，垂直墙跨越高度以及发生倾覆的最大横坡角度；
运动规划模块根据三维语义栅格地图、全局拓扑参考路径以及运动基元簇中的运动基元的扩展代价对运动基元簇中的运动基元进行拼接与过渡，确定带有行为语义信息的轨迹；运动基元簇包括：通过采样不同的目标位姿形成的运动基元；运动基元为履带车辆在设定时间内，在履带车辆的运动学约束、平滑过渡约束、平台-地形约束以及平台行为约束下，履带车辆从起始位姿到目标位姿的轨迹；扩展代价包括：运动基元与全局拓扑参考路径的横纵向偏差、碰撞风险代价、平滑代价以及通行度代价；
运动控制模块利用带有行为语义信息的轨迹对控制目标函数的权重系数进行实时更新，并根据更新后的控制目标函数和带有行为语义信息的轨迹在执行机构的机械约束、平台的运动学约束以及平台动力学约束下，基于模型预测控制算法进行履带车辆的控制；所述控制目标函数根据轨迹跟踪控制的横向偏差、航向偏差以及控制量变化率进行构建。
可选地，所述将激光雷达点云信息和图像语义信息进行融合，并根据融合后的信息、全局拓扑参考路径以及履带车辆的几何通过性参数确定三维语义栅格地图，具体包括：
通过环境感知模块中激光雷达与相机之间的坐标转换关系，将图像语义信息投影至激光雷达点云信息，确定激光雷达语义点云；激光雷达语义点云为融合后的信息；
根据激光雷达语义点云进行可通行区域的第一次粗提取；
根据第一次粗提取后的激光雷达语义点云信息提取点云特征；点云特征包括：道路的不平度信息、纵坡坡度以及横坡坡度；
根据点云特征与几何通过性参数进行可通行区域的第二次粗提取；
根据第二次粗提取后的激光雷达语义点云信息的点云特征，采用高斯混合聚类方法，确定点云特征对应位置的可通行度；进而根据全局拓扑参考路径，采用八叉树以及贝叶斯核推理，确定三维语义栅格地图。
可选地，所述运动规划模块根据三维语义栅格地图、全局拓扑参考路径以及运动基元库中的运动基元的扩展代价对运动基元库中的运动基元进行拼接与过渡，确定带有行为语义信息的轨迹，具体包括：
根据履带车辆的参考速度以及履带车辆前方可通行区域的通行度确定运动基元簇；
根据运动基元簇中的运动基元的扩展代价，确定最优扩展的运动基元；
将所有的最优扩展的运动基元进行拼接与过渡，确定带有行为语义信息的轨迹。
可选地，所述运动控制模块利用带有行为语义信息的轨迹对控制目标函数的权重系数进行实时更新，并根据更新后的控制目标函数和带有行为语义信息的轨迹在执行机构的机械约束、平台的运动学约束以及平台动力学约束下，基于模型预测控制算法进行履带车辆的控制，之前还包括：
获取履带车辆的运动学模型；
根据轨迹跟踪控制的横向偏差、航向偏差以及控制量变化率构建控制目标函数。
一种基于语义信息串联的履带车辆的控制系统，包括：
信息获取单元，用于根据环境感知模块获取的激光雷达数据提取激光雷达点云信息；并根据环境感知模块获取的相机图像提取图像语义信息；
三维语义栅格地图确定单元，用于将激光雷达点云信息和图像语义信息进行融合，并根据融合后的信息、全局拓扑参考路径以及履带车辆的几何通过性参数确定三维语义栅格地图；所述三维语义栅格地图为带有局部可通行度语义栅格地图；几何通过性参数包括：最大坡度，垂直墙跨越高度以及发生倾覆的最大横坡角度；
带有行为语义信息的轨迹确定单元，用于运动规划模块根据三维语义栅格地图、全局拓扑参考路径以及运动基元簇中的运动基元的扩展代价对运动基元簇中的运动基元进行拼接与过渡，确定带有行为语义信息的轨迹；运动基元簇包括：通过采样不同的目标位姿形成的运动基元；运动基元为履带车辆在设定时间内，在履带车辆的运动学约束、平滑过渡约束、平台-地形约束以及平台行为约束下，履带车辆从起始位姿到目标位姿的轨迹；扩展代价包括：运动基元与全局拓扑参考路径的横纵向偏差、碰撞风险代价、平滑代价以及通行度代价；
履带车辆的控制单元，用于运动控制模块利用带有行为语义信息的轨迹对控制目标函数的权重系数进行实时更新，并根据更新后的控制目标函数和带有行为语义信息的轨迹在执行机构的机械约束、平台的运动学约束以及平台动力学约束下，基于模型预测控制算法进行履带车辆的控制；所述控制目标函数根据轨迹跟踪控制的横向偏差、航向偏差以及控制量变化率进行构建。
可选地，所述三维语义栅格地图确定单元具体包括：
激光雷达语义点云确定子单元，用于通过环境感知模块中激光雷达与相机之间的坐标转换关系，将图像语义信息投影至激光雷达点云信息，确定激光雷达语义点云；激光雷达语义点云为融合后的信息；
第一次粗提取子单元，用于根据激光雷达语义点云进行可通行区域的第一次粗提取；
点云特征提取子单元，用于根据第一次粗提取后的激光雷达语义点云信息提取点云特征；点云特征包括：道路的不平度信息、纵坡坡度以及横坡坡度；
第二次粗提取子单元，用于根据点云特征与几何通过性参数进行可通行区域的第二次粗提取；
三维语义栅格地图确定子单元，用于根据第二次粗提取后的激光雷达语义点云信息的点云特征，采用高斯混合聚类方法，确定点云特征对应位置的可通行度；进而根据全局拓扑参考路径，采用八叉树以及贝叶斯核推理，确定三维语义栅格地图。
可选地，所述带有行为语义信息的轨迹确定单元具体包括：
运动基元簇确定子单元，用于根据履带车辆的参考速度以及履带车辆前方可通行区域的通行度确定运动基元簇；
最优扩展的运动基元确定子单元，用于根据运动基元簇中的运动基元的扩展代价，确定最优扩展的运动基元；
带有行为语义信息的轨迹确定子单元，用于将所有的最优扩展的运动基元进行拼接与过渡，确定带有行为语义信息的轨迹。
可选地，还包括：
运动学模型确定单元，用于获取履带车辆的运动学模型；
控制目标函数构建单元，用于根据轨迹跟踪控制的横向偏差、航向偏差以及控制量变化率构建控制目标函数。
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：
本发明所提供的一种基于语义信息串联的履带车辆的控制方法及系统，环境感知模块通过相机与激光雷达的融合感知方法，利用图像语义信息与激光雷达点云特征，结合平台通过性几何参数确定三维语义栅格地图；相较于平面二值栅格地图能够提供更多的环境通行度信息。运动规划模块根据三维语义栅格地图、全局拓扑参考路径以及运动基元簇中的运动基元的扩展代价对运动基元簇中的运动基元进行拼接与过渡，确定带有行为语义信息的轨迹；在运动规划中更多考虑平台姿态，平台稳定性的影响，提升了无人系统在复杂越野环境中的通行稳定性。运动控制模块利用带有行为语义信息的轨迹对控制目标函数的权重系数进行实时更新，并根据更新后的控制目标函数和带有行为语义信息的轨迹在执行机构的机械约束、平台的运动学约束以及平台动力学约束下，基于模型预测控制算法进行履带车辆的控制；即通过语义信息串联环境感知模块，运动规划模块，运动控制模块，丰富了无人驾驶系统模块之间的输出信息，提升了地面无人机动平台在越野环境的通行能力。
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为本发明所提供的一种基于语义信息串联的履带车辆的控制方法流程示意图；
图2为基于语义信息串联的履带车辆框架示意图；
图3为三维可通行度语义栅格地图；
图4为图像语义信息投影至激光雷达点云信息的效果图；
图5为履带车辆纵向受力简图；
图6为履带车辆横向受力简图；
图7为履带车辆跨越垂直墙过程简图；
图8为车体水平坐标系示意图；
图9为控制参数语义匹配原则示意图；
图10为本发明所提供的一种基于语义信息串联的履带车辆的控制系统结构示意图。
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语义信息串联的履带车辆的控制方法及系统，能够提升地面无人机动平台在越野环境中的通行能力。
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为本发明所提供的一种基于语义信息串联的履带车辆的控制方法流程示意图，图2为基于语义信息串联的履带车辆框架示意图，如图1和图2所示，本发明所提供的一种基于语义信息串联的履带车辆的控制方法，包括：
S101，根据环境感知模块获取的激光雷达数据提取激光雷达点云信息；并根据环境感知模块获取的相机图像提取图像语义信息；激光雷达点云信息包括障碍物、起伏地形以及地表粗糙度；
S102，将激光雷达点云信息和图像语义信息进行融合，并根据融合后的信息、全局拓扑参考路径以及履带车辆的几何通过性参数确定三维语义栅格地图，并如图3所示；所述三维语义栅格地图为带有局部可通行度语义栅格地图；几何通过性参数包括：最大坡度，垂直墙跨越高度以及发生倾覆的最大横坡角度；
首先基于BiSeNet V2网络在数据集上训练来提取图像特征完成输入图像语义分割，在图像分割出的可通行语义的类别中，如土路，草地等。之后基于传感器坐标系转换关系将图像分割结果转化为语义点云。激光雷达与相机的相对位姿可以表示成旋转矩阵
Figure 816479DEST_PATH_IMAGE001
和平移向量
Figure 874565DEST_PATH_IMAGE002
，按照式（1），可以将激光雷达坐标系中的点
Figure 732930DEST_PATH_IMAGE003
投影到相机坐标系得到点
Figure 472347DEST_PATH_IMAGE004
，进而通过式（2），再从相机坐标系转换到图像像素坐标系。式（2）为相机成像的针孔相机模型，其包括从相机坐标系到图像物理坐标系以及图像像素坐标系的一系列转换，式中
Figure 627998DEST_PATH_IMAGE005
为图像像素坐标系中的像素坐标值，
Figure 309515DEST_PATH_IMAGE006
分别表示单个像素在U轴、V轴方向上的物理尺寸，
Figure 920756DEST_PATH_IMAGE007
表示由图像物理坐标系原点到图像像素坐标系原点的平移像素量，
Figure 667126DEST_PATH_IMAGE008
为相机焦距，
Figure 195059DEST_PATH_IMAGE009
为相机坐标系中点
Figure 735893DEST_PATH_IMAGE010
的坐标值。
Figure 433018DEST_PATH_IMAGE011
（1）
Figure 966767DEST_PATH_IMAGE012
（2）
S102具体包括：
通过环境感知模块中激光雷达与相机之间的坐标转换关系，将图像语义信息投影至激光雷达点云信息，确定激光雷达语义点云；激光雷达语义点云为融合后的信息；从点云中筛选了一定距离和高度范围内的点投影到图像并覆盖在原始像素上，投影后点的像素的颜色设置为像素位置对应的类别颜色，并赋予同样的分类信息，如图3所示，左侧为原始点云，右侧分别为原始图像。即不可通行语义类别如车辆、灌木等，直接赋值为不可通行区域，后采用激光雷达语义点云进行可通行区域的粗提取。
根据激光雷达语义点云进行可通行区域的第一次粗提取；
根据第一次粗提取后的激光雷达语义点云信息提取点云特征；点云特征包括：道路的不平度信息、纵坡坡度以及横坡坡度；
根据点云特征与几何通过性参数进行可通行区域的第二次粗提取；
根据第二次粗提取后的激光雷达语义点云信息的点云特征，采用高斯混合聚类方法，确定点云特征对应位置的可通行度；进而根据全局拓扑参考路径，采用八叉树以及贝叶斯核推理，确定三维语义栅格地图。
几何通过性参数确定过程为：
考虑平台（履带车辆）不发生倾覆的纵向稳定性，其极限上坡角
Figure 834360DEST_PATH_IMAGE013
和极限下坡角
Figure 608412DEST_PATH_IMAGE014
可由式（3）、（4）得到，平台纵向受力简图如图5所示。
Figure 709092DEST_PATH_IMAGE015
（3）
Figure 531686DEST_PATH_IMAGE016
（4）
式中，
Figure 782014DEST_PATH_IMAGE017
为前负重轮着地点到平台质心距离；
Figure 913918DEST_PATH_IMAGE018
为平台质心高度；
Figure 987047DEST_PATH_IMAGE019
为履带接地长度。
考虑平台不发生下滑的纵向稳定性，极限下滑角
Figure 675649DEST_PATH_IMAGE020
可由式（5）得到，
Figure 970364DEST_PATH_IMAGE021
（5）
式中，
Figure 882956DEST_PATH_IMAGE022
为地面最大附着系数，与地面属性有关。
因此，平台的纵向上下坡稳定角分别为
Figure 378135DEST_PATH_IMAGE023
和
Figure 854116DEST_PATH_IMAGE024
。
另外，不同尺寸大小的平台对纵坡的连续长度应该有不同的考虑，在本文中认为纵坡长度应大于等于履带接地长度。
考虑平台不发生倾覆的横向稳定性，平台横向受力简图如图6所示。图中，
Figure 816387DEST_PATH_IMAGE025
为横坡角度，B为履带中心距，b为履带接地宽度，e为质心偏离纵向平面的距离，
Figure 306405DEST_PATH_IMAGE026
为地面垂向反作用力，
Figure 603394DEST_PATH_IMAGE027
为地面横向反作用力，G为平台重力。
当平台在横坡上开始倾覆时，重力作用线通过左侧履带外侧边缘，由此可得平台的极限横坡角
Figure 837061DEST_PATH_IMAGE028
为：
Figure 650908DEST_PATH_IMAGE029
（6）
考虑平台不发生侧滑的横向稳定性，极限下滑角
Figure 561096DEST_PATH_IMAGE030
可由式（7）得到，
Figure 627272DEST_PATH_IMAGE031
（7）
式中，
Figure 399050DEST_PATH_IMAGE032
为地面横向附着系数，与地面属性有关。
因此，平台的横向稳定角为
Figure 335913DEST_PATH_IMAGE033
。
不同尺寸大小的平台对横坡的连续长度也应该有不同的考虑，在认为横坡长度应大于等于履带中心距。
履带车辆跨越垂直墙时，分为前段履带接触壁缘、前端负重轮升上壁缘、重心前进至与垂直壁缘线重合的位置以及平缓地与垂直壁的顶部平面接触四个阶段，过程简图如图7所示。
对于第一阶段，即前段履带接触壁缘时，若要通过此垂直墙，则有：
Figure 492700DEST_PATH_IMAGE034
（8）
式中，
Figure 46172DEST_PATH_IMAGE035
为垂直墙高度；
Figure 667647DEST_PATH_IMAGE036
为主动轮中心离地距离；
Figure 927858DEST_PATH_IMAGE037
为主动轮半径。
对于第三阶段，即重心前进至与垂直壁缘线重合的位置时，有：
Figure 461738DEST_PATH_IMAGE038
（9）
式中，
Figure 968419DEST_PATH_IMAGE039
为此时履带倾斜角，
Figure 862425DEST_PATH_IMAGE040
。当继续增大垂直墙高度时，平台重心始终无法与垂直壁缘线重合，即无法通过该垂直墙。
因此，平台能跨越的垂直墙最高高度为
Figure 508301DEST_PATH_IMAGE041
。
点云特征的提取过程为：
考虑点云中一查询点
Figure 744242DEST_PATH_IMAGE042
，其邻域表示为
Figure 272306DEST_PATH_IMAGE043
（
Figure 983386DEST_PATH_IMAGE044
为邻域内点的数量），则点
Figure 952610DEST_PATH_IMAGE042
的局部描述符定义为
Figure 625031DEST_PATH_IMAGE045
,其中各元素的定义如式（10）和式（11）所示。
Figure 92921DEST_PATH_IMAGE046
（10）
Figure 610621DEST_PATH_IMAGE047
（11）
式中，
Figure 962581DEST_PATH_IMAGE048
为各点的法向量，可通过计算邻域点构建的协方差矩阵的最小特征值对应的特征向量得到；
Figure 9165DEST_PATH_IMAGE049
分别为车体水平坐标系三轴的单位向量，车体水平坐标系
Figure 698773DEST_PATH_IMAGE050
为车体坐标系
Figure 223426DEST_PATH_IMAGE051
经平台俯仰角和侧倾角修正后得到，平台向右为
Figure 229559DEST_PATH_IMAGE052
轴正方向，正前方为
Figure 467553DEST_PATH_IMAGE053
轴正方向，沿向上为
Figure 926347DEST_PATH_IMAGE054
轴正方向，示意图如图8。通过将查询点邻域内点的法向量求和得到
Figure 317008DEST_PATH_IMAGE055
，提供了局部表面的全局方向信息，而
Figure 177648DEST_PATH_IMAGE056
则评估了局部的粗糙程度，可以解释为局部的负不平度指数。
在不均匀点局部描述符的基础上，进一步提取点云的局部特征向量
Figure 80882DEST_PATH_IMAGE057
。各特征具体解释如下：
Figure 696147DEST_PATH_IMAGE058
：查询点及其邻域点的法向量矢量和的模的均值，可以表示道路的不平度信息。
Figure 359340DEST_PATH_IMAGE059
（12）
Figure 792596DEST_PATH_IMAGE060
：查询点及其邻域点的法向量矢量和在车体水平坐标系
Figure 351884DEST_PATH_IMAGE061
平面投影与Z轴的夹角，表示纵坡坡度。
Figure 519692DEST_PATH_IMAGE062
（13）
Figure 514805DEST_PATH_IMAGE063
：查询点及其邻域点的法向量矢量和在车体水平坐标系
Figure 287720DEST_PATH_IMAGE064
平面投影与Z轴的夹角，表示横坡坡度。
Figure 283489DEST_PATH_IMAGE065
（14）
通过利用高斯混合聚类方法（GMM）训练出聚类模型，并对输入点云进行在线实时估计，分为三类，即易通行、可通行和难通行。
在点云特征的提取过程中，首先利用平台搭载惯导对点云位姿进行矫正，之后在平台水平坐标系计算所有点云特征，所有环境地形特征全部基于当前时刻平台所处位置进行判断。
点云特征的高斯聚类模型
Figure 469751DEST_PATH_IMAGE066
是根据点云样本集
Figure 737396DEST_PATH_IMAGE067
为过滤后的m个点，每个点的局部特征向量为
Figure 879665DEST_PATH_IMAGE068
，高斯混合聚类的目标是最大化对数似然函数，如式（15）。
Figure 843073DEST_PATH_IMAGE069
（15）
其中，m为点云样本个数，
Figure 985472DEST_PATH_IMAGE070
为高斯混合分布，k为可通行度标签数目，所以
Figure 263001DEST_PATH_IMAGE071
是第i个高斯混合成分的均值向量和协方差矩阵，而
Figure 538737DEST_PATH_IMAGE072
为各高斯分量的先验概率值。
其中，领近区域选取平台几何形状占据的区域。将特征向量进行归一化处理，如式（16），利用GMM进行多元聚类，得到易通行、可通行和难通行三类可通行度标签。
Figure 938625DEST_PATH_IMAGE073
（16）
在实际在线感知过程中将点云的特征向量输入至GMM模型得到当前点云的对应环境的可通行度。
最后采用八叉树的数据管理地图数据，采用基于贝叶斯核推理的栅格属性推理，对三维栅格的可通行性属性进行建模，从而对点云缺失部分的栅格的属性进行推理，以实现连续的三维建图。
S103，运动规划模块根据三维语义栅格地图、全局拓扑参考路径以及运动基元簇中的运动基元的扩展代价对运动基元簇中的运动基元进行拼接与过渡，确定带有行为语义信息的轨迹；运动基元簇包括：通过采样不同的目标位姿形成的运动基元；运动基元为履带车辆在设定时间内，在履带车辆的运动学约束、平滑过渡约束、平台-地形约束以及平台行为约束下，履带车辆从起始位姿到目标位姿的轨迹；扩展代价包括：运动基元与全局拓扑参考路径的横纵向偏差、碰撞风险代价、平滑代价以及通行度代价；
S103基于最优控制理论的二维运动基元生成与在线基于三维语义栅格地图与全局参考路径的运动基元选择扩展。通过将二维运动基元向三维环境进行投影，最终输出具备三维姿态信息的轨迹
Figure 37163DEST_PATH_IMAGE074
。
其中，
Figure 852803DEST_PATH_IMAGE075
为轨迹点以在平台局部三维坐标系的三维坐标，
Figure 969664DEST_PATH_IMAGE076
为轨迹点在绕平台局部三维坐标系
Figure 537524DEST_PATH_IMAGE077
轴的旋转角度量，
Figure 857778DEST_PATH_IMAGE078
是轨迹点上的期望速度，
Figure 945951DEST_PATH_IMAGE079
是轨迹点对应行为基元的类型。
S103具体包括：
根据履带车辆的参考速度以及履带车辆前方可通行区域的通行度确定运动基元簇；
根据运动基元簇中的运动基元的扩展代价，确定最优扩展的运动基元；
将所有的最优扩展的运动基元进行拼接与过渡，确定带有行为语义信息的轨迹。
S103之前还包括：构建离线的运动基元库，具体的构建过程为：
运动基元的生成考虑履带车辆的基本运动学约束、平滑过渡约束、平台-地形约束、平台行为约束，以生成运动基元尽可能平滑为目标，离线生成用于在线规划时所用的运动基元库。生成运动基元的优化问题定义如式（17）。
Figure 393429DEST_PATH_IMAGE081
（17）
其中，
Figure 729208DEST_PATH_IMAGE082
是履带车辆的运动学约束；
Figure 355493DEST_PATH_IMAGE083
为考虑生成运动基元在路径曲率和速度层的平滑性目标函数；
Figure 712525DEST_PATH_IMAGE084
为区分运动基元的行为约束；
Figure 562800DEST_PATH_IMAGE085
考虑平台-地形之间关系对控制量与状态量的不等式约束；
Figure 326488DEST_PATH_IMAGE086
为考虑平台执行机械结构与运动学约束的不等式约束；
Figure 802469DEST_PATH_IMAGE087
为考虑运动基元拼接过渡的约束。优化的控制量为
Figure 965072DEST_PATH_IMAGE088
，
Figure 251828DEST_PATH_IMAGE089
为平台纵向的冲击度，
Figure 548817DEST_PATH_IMAGE090
为速差变化率的导数；平台的状态参量
Figure 313642DEST_PATH_IMAGE091
，其中
Figure 333682DEST_PATH_IMAGE092
、
Figure 775028DEST_PATH_IMAGE093
和
Figure 330553DEST_PATH_IMAGE094
是全局坐标系下的位置坐标值和航向角，
Figure 102331DEST_PATH_IMAGE095
是平台坐标系下沿平台坐标系
Figure 288462DEST_PATH_IMAGE096
轴的纵向速度，
Figure 917020DEST_PATH_IMAGE097
是相对应的加速度，
Figure 877017DEST_PATH_IMAGE098
是两侧履带的速差，
Figure 498492DEST_PATH_IMAGE099
是两侧履带速差的变化率；
Figure 224615DEST_PATH_IMAGE100
是基元生成的起始时刻，
Figure 24074DEST_PATH_IMAGE101
是基元生成的终止时刻。
双侧独立驱动无人履带车辆的运动学微分约束f如式（18）。
Figure 782952DEST_PATH_IMAGE102
（18）
其中，
Figure 693270DEST_PATH_IMAGE103
为两侧履带接地点中心距，
Figure 73567DEST_PATH_IMAGE104
为履带接地长，
Figure 496458DEST_PATH_IMAGE105
为左右两侧履带速差。
平台行为约束主要对生成运动基元的起始与目标状态进行限制，常见的行为如类直线行驶，类直角弯转向，类U形弯大角度转向，调头，双移线，上下坡等行为。起始与目标状态的约束如式（19）所示。
Figure 224855DEST_PATH_IMAGE106
（19）
其中，
Figure 142127DEST_PATH_IMAGE107
为首末位姿横向移动的距离，
Figure 891777DEST_PATH_IMAGE108
为首末位姿的角度差。
在运动基元生成过程中，由于平台执行机构的机械结构约束，以及平台-地形之间关系，在运动基元生成过程需要满足不等式约束如式（20）所示。
Figure 298619DEST_PATH_IMAGE109
（20）
其中，
Figure 986083DEST_PATH_IMAGE110
、
Figure 500854DEST_PATH_IMAGE111
、
Figure 370589DEST_PATH_IMAGE112
、
Figure 151595DEST_PATH_IMAGE113
为平台纵向参量的上下极限，
Figure 310044DEST_PATH_IMAGE114
、
Figure 100276DEST_PATH_IMAGE115
、
Figure 778513DEST_PATH_IMAGE116
是平台横向参量的上下极限。利用履带车辆在转向动力学模型，结合底盘驱动模块中驱动电机的外特性曲线，可以求出上述上下限在不同工况下的取值。
由于运动规划最终的输出轨迹是由运动基元序列组成，所以在离线生成基元时需要考虑横向和纵向参量的平滑过渡，约束形式如式（21）。
Figure 510846DEST_PATH_IMAGE117
（21）
运动基元生成的目标函数从横纵向两个方面考虑了横纵参量的平滑度，离散化的目标函数表示如式（22）。
Figure 701131DEST_PATH_IMAGE118
（22）
其中，
Figure 498317DEST_PATH_IMAGE119
、
Figure 358957DEST_PATH_IMAGE120
、
Figure 262191DEST_PATH_IMAGE121
、
Figure 942702DEST_PATH_IMAGE122
、
Figure 540649DEST_PATH_IMAGE123
是目标函数中各参量的权重系数。
本文全局规划采用基于谷歌地球卫星地图制作的环境拓扑地图，在环境拓扑地图的基础上利用A*搜索，完成经过必经点的全局规划，输出具有良好引导效果的全局参考轨迹。
因此被选择的运动基元上的轨迹点需要与参考轨迹匹配点在横向偏差、航向偏差、速度偏差尽可能小，代价计算如式（23）所示。
Figure 239484DEST_PATH_IMAGE124
（23）
其中，
Figure 64351DEST_PATH_IMAGE125
是运动基元上等间隔采样点的总数目，
Figure 904263DEST_PATH_IMAGE126
是正态分布函数，
Figure 354836DEST_PATH_IMAGE127
是生成轨迹采样点与参考线匹配点之间的横纵向偏差代价。
Figure 658909DEST_PATH_IMAGE128
分别为横向偏差，航向角偏差、速度偏差的系数。
碰撞风险代价的计算首先将地面无人平台利用覆盖圆的方法对地面无人平台外形结构进行近似，采用6覆盖圆圆心距离最近障碍物的距离与覆盖圆半径的差值作为运动基元的碰撞风险代价，如式（24）。
Figure 651748DEST_PATH_IMAGE129
（24）
运动基元的平滑度评价采用综合曲率和长度的轨迹能量函数，该值越小反应该运动基元的能量越低，轨迹越平滑，该代价值计算如式（25）。
Figure 493802DEST_PATH_IMAGE130
（25）
其中，
Figure 233219DEST_PATH_IMAGE131
是基元采样点上的曲率值，
Figure 391799DEST_PATH_IMAGE132
是相邻采样点之间的间距。
在环境感知提供的三维语义栅格地图下，运动基元的通行度代价计算包含两个方面，一方面是将运动基元轨迹点匹配栅格附近平台外形结构大小区域的拟合平面法向量与垂直方向的夹角，另一方面是与匹配区域通行度代价的均值。拟合平面法向量计算方法如式（26）。
Figure 558470DEST_PATH_IMAGE133
（26）
其中：
Figure 963519DEST_PATH_IMAGE134
与
Figure 490315DEST_PATH_IMAGE135
为匹配栅格附近平台大小区域内的全部栅格的坐标均值和协方差矩阵；eig表示求矩阵的特征值；
Figure 503401DEST_PATH_IMAGE136
为拟合平面的法向量。最终该代价的计算如式（27）。
Figure 309815DEST_PATH_IMAGE137
（27）
其中：
Figure 939510DEST_PATH_IMAGE138
为栅格的可通行度，
Figure 738839DEST_PATH_IMAGE139
为垂向
Figure 626940DEST_PATH_IMAGE140
轴单位向量。
行为基元的最终选择是对多目标进行综合评价，选择代价的计算如式（28）。
Figure 400992DEST_PATH_IMAGE141
（28）
其中，
Figure 439355DEST_PATH_IMAGE142
为相应代价的权重系数。
在线基元选择的原则是选择总代价值最小的运动基元，通过选择基元向前扩展，当运动基元的末状态与规划终点区域后完成扩展，形成最终的具有时空信息的三维轨迹。
在选择过程中，相邻运动基元之间的过渡基元为变速直线运动，采用三次Hermite插值完成过渡段中速度的生成。
S104，运动控制模块利用带有行为语义信息的轨迹对控制目标函数的权重系数进行实时更新，并根据更新后的控制目标函数和带有行为语义信息的轨迹在执行机构的机械约束、平台的运动学约束以及平台动力学约束下，基于模型预测控制算法进行履带车辆的控制；所述控制目标函数根据轨迹跟踪控制的横向偏差、航向偏差以及控制量变化率进行构建。
S104之前还包括：
获取履带车辆的运动学模型；
采用基于转速控制的方法对进行轨迹跟踪控制，控制量为左右侧履带的速度，即
Figure 589845DEST_PATH_IMAGE143
，状态量为平台平台的运动学模型如式（29）。
Figure 764474DEST_PATH_IMAGE144
（29）
其中，
Figure 50706DEST_PATH_IMAGE145
是平台在全局坐标系下的坐标，
Figure 123835DEST_PATH_IMAGE146
是平台的航向角，
Figure 61704DEST_PATH_IMAGE147
分别是平台左右履带接地点在平台坐标系中的纵坐标，
Figure 638310DEST_PATH_IMAGE148
分别是平台左右履带的卷绕速度。
根据轨迹跟踪控制的横向偏差、航向偏差以及控制量变化率构建控制目标函数。运动基元组成的轨迹包括道路的坡度、路面不平度、曲率特征等语义信息，以上信息对运动控制模型约束以及目标函数设计上提供更多的参考信息。在进行模型预测轨迹跟踪控制模型的建立过程中，主要考虑执行机构的机械约束、平台的运动学约束以及平台动力学约束。根据道路类型、曲率特征、平台速度等信息，对电机外特性以及履带车辆坡道转向的动力学分析，增加关于驱动系统后备功率的约束，保证极限工况下履带车辆的轨迹跟踪的稳定性，当平台在坡道上进行低速匀速转向时，结合参考轨迹上平台姿态与规划速度，对车辆在坡道上跟踪行驶时所需的功率和力矩进行预测，结合电机外特性的边界值，对车辆的控制量进行约束，使得平台可以在坡道上进行稳定的轨迹跟踪。最终建立如式（30）的约束不等式。
Figure 285323DEST_PATH_IMAGE149
（30）
其中，
Figure 842819DEST_PATH_IMAGE150
、
Figure 69532DEST_PATH_IMAGE151
的约束求解主要是结合电机外特性，道路坡道信息、车辆动力学模型等，在保证车辆具备足够的后备功率、转向力矩的前提下，得到的该工况下车辆速度边界值。
Figure 15491DEST_PATH_IMAGE152
、
Figure 567826DEST_PATH_IMAGE153
为驱动电机调速的变化率约束。
Figure 84390DEST_PATH_IMAGE154
分别是预测时域和控制时域。
Figure 908602DEST_PATH_IMAGE155
为状态量的约束输出。
基于模型预测控制方法的运动控制模块根据运动规划模块提供的由行为运动基元组成的具有语义分类的参考轨迹，采用多组控制目标函数权重系数对不同语义分类轨迹进行跟踪。
根据控制目标函数如式（31）中所考虑的轨迹跟踪控制的横向偏差、航向偏差以及控制量变化率为指标反应的轨迹跟踪稳定性等构建最优轨迹跟踪控制精度的评价体系，从而得出不同控制目标函数权重系数以及不同的系数比例对最终轨迹跟踪控制效果的影响规律，建立不同语义轨迹下的控制策略数据集。
Figure 459800DEST_PATH_IMAGE156
（31）
其中，
Figure 369987DEST_PATH_IMAGE157
为横向偏差；
Figure 639425DEST_PATH_IMAGE158
为航向偏差；
Figure 473520DEST_PATH_IMAGE159
为期望速度值；后两项为两侧履带卷绕速度的变化率；
Figure 673033DEST_PATH_IMAGE160
为横向偏差的权重系数；
Figure 36012DEST_PATH_IMAGE161
为航向偏差的权重系数；
Figure 323905DEST_PATH_IMAGE162
为速度偏差的权重系数；
Figure 945379DEST_PATH_IMAGE163
为控制量变化率的权重系数；
Figure 471170DEST_PATH_IMAGE164
为预测时域内的时刻；
通过试验数据积累和分析，在平台能够进行稳定轨迹跟踪控制的可行域内，平台的轨迹跟踪效果主要受到横向跟踪权重
Figure 267700DEST_PATH_IMAGE160
以及航向跟踪权重
Figure 511731DEST_PATH_IMAGE161
的影响，同时两权重系数的比例关系在不同语义轨迹下平台的表现具有较大差异。
如图9所示，平台在跟踪具有语义分类的参考轨迹时，在不同语义属性的轨迹上采用不同的控制参数，提升轨迹跟踪的精度与稳定性。
图10为本发明所提供的一种基于语义信息串联的履带车辆的控制系统结构示意图，如图10所示，本发明所提供的一种基于语义信息串联的履带车辆的控制系统，包括：
信息获取单元1001，用于根据环境感知模块获取的激光雷达数据提取激光雷达点云信息；并根据环境感知模块获取的相机图像提取图像语义信息；
三维语义栅格地图确定单元1002，用于将激光雷达点云信息和图像语义信息进行融合，并根据融合后的信息、全局拓扑参考路径以及履带车辆的几何通过性参数确定三维语义栅格地图；所述三维语义栅格地图为带有局部可通行度语义栅格地图；几何通过性参数包括：最大坡度，垂直墙跨越高度以及发生倾覆的最大横坡角度；
带有行为语义信息的轨迹确定单元1003，用于运动规划模块根据三维语义栅格地图、全局拓扑参考路径以及运动基元簇中的运动基元的扩展代价对运动基元簇中的运动基元进行拼接与过渡，确定带有行为语义信息的轨迹；运动基元簇包括：通过采样不同的目标位姿形成的运动基元；运动基元为履带车辆在设定时间内，在履带车辆的运动学约束、平滑过渡约束、平台-地形约束以及平台行为约束下，履带车辆从起始位姿到目标位姿的轨迹；扩展代价包括：运动基元与全局拓扑参考路径的横纵向偏差、碰撞风险代价、平滑代价以及通行度代价；
履带车辆的控制单元1004，用于运动控制模块利用带有行为语义信息的轨迹对控制目标函数的权重系数进行实时更新，并根据更新后的控制目标函数和带有行为语义信息的轨迹在执行机构的机械约束、平台的运动学约束以及平台动力学约束下，基于模型预测控制算法进行履带车辆的控制；所述控制目标函数根据轨迹跟踪控制的横向偏差、航向偏差以及控制量变化率进行构建。
所述三维语义栅格地图确定单元1002具体包括：
激光雷达语义点云确定子单元，用于通过环境感知模块中激光雷达与相机之间的坐标转换关系，将图像语义信息投影至激光雷达点云信息，确定激光雷达语义点云；激光雷达语义点云为融合后的信息；
第一次粗提取子单元，用于根据激光雷达语义点云进行可通行区域的第一次粗提取；
点云特征提取子单元，用于根据第一次粗提取后的激光雷达语义点云信息提取点云特征；点云特征包括：道路的不平度信息、纵坡坡度以及横坡坡度；
第二次粗提取子单元，用于根据点云特征与几何通过性参数进行可通行区域的第二次粗提取；
三维语义栅格地图确定子单元，用于根据第二次粗提取后的激光雷达语义点云信息的点云特征，采用高斯混合聚类方法，确定点云特征对应位置的可通行度；进而根据全局拓扑参考路径，采用八叉树以及贝叶斯核推理，确定三维语义栅格地图。
所述带有行为语义信息的轨迹确定单元1003具体包括：
运动基元簇确定子单元，用于根据履带车辆的参考速度以及履带车辆前方可通行区域的通行度确定运动基元簇；
最优扩展的运动基元确定子单元，用于根据运动基元簇中的运动基元的扩展代价，确定最优扩展的运动基元；
带有行为语义信息的轨迹确定子单元，用于将所有的最优扩展的运动基元进行拼接与过渡，确定带有行为语义信息的轨迹。
本发明所提供的一种基于语义信息串联的履带车辆的控制系统，还包括：
运动学模型确定单元，用于获取履带车辆的运动学模型；
控制目标函数构建单元，用于根据轨迹跟踪控制的横向偏差、航向偏差以及控制量变化率构建控制目标函数。
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)

1.一种基于语义信息串联的履带车辆的控制方法，其特征在于，包括：
根据环境感知模块获取的激光雷达数据提取激光雷达点云信息；并根据环境感知模块获取的相机图像提取图像语义信息；
将激光雷达点云信息和图像语义信息进行融合，并根据融合后的信息、全局拓扑参考路径以及履带车辆的几何通过性参数确定三维语义栅格地图；所述三维语义栅格地图为带有局部可通行度语义栅格地图；几何通过性参数包括：最大坡度、垂直墙跨越高度以及发生倾覆的最大横坡角度；
运动规划模块根据三维语义栅格地图、全局拓扑参考路径以及运动基元簇中的运动基元的扩展代价对运动基元簇中的运动基元进行拼接与过渡，确定带有行为语义信息的轨迹；运动基元簇包括：通过采样不同的目标位姿形成的运动基元；运动基元为履带车辆在设定时间内，在履带车辆的运动学约束、平滑过渡约束、平台-地形约束以及平台行为约束下，履带车辆从起始位姿到目标位姿的轨迹；扩展代价包括：运动基元与全局拓扑参考路径的横纵向偏差、碰撞风险代价、平滑代价以及通行度代价；
运动控制模块利用带有行为语义信息的轨迹对控制目标函数的权重系数进行实时更新，并根据更新后的控制目标函数和带有行为语义信息的轨迹在执行机构的机械约束、平台的运动学约束以及平台动力学约束下，基于模型预测控制算法进行履带车辆的控制；所述控制目标函数根据轨迹跟踪控制的横向偏差、航向偏差以及控制量变化率进行构建。
2.根据权利要求1所述的一种基于语义信息串联的履带车辆的控制方法，其特征在于，所述将激光雷达点云信息和图像语义信息进行融合，并根据融合后的信息、全局拓扑参考路径以及履带车辆的几何通过性参数确定三维语义栅格地图，具体包括：
通过环境感知模块中激光雷达与相机之间的坐标转换关系，将图像语义信息投影至激光雷达点云信息，确定激光雷达语义点云；激光雷达语义点云为融合后的信息；
根据激光雷达语义点云进行可通行区域的第一次粗提取；
根据第一次粗提取后的激光雷达语义点云信息提取点云特征；点云特征包括：道路的不平度信息、纵坡坡度以及横坡坡度；
根据点云特征与几何通过性参数进行可通行区域的第二次粗提取；
根据第二次粗提取后的激光雷达语义点云信息的点云特征，采用高斯混合聚类方法，确定点云特征对应位置的可通行度；进而根据全局拓扑参考路径，采用八叉树以及贝叶斯核推理，确定三维语义栅格地图。
3.根据权利要求2所述的一种基于语义信息串联的履带车辆的控制方法，其特征在于，所述运动规划模块根据三维语义栅格地图、全局拓扑参考路径以及运动基元库中的运动基元的扩展代价对运动基元库中的运动基元进行拼接与过渡，确定带有行为语义信息的轨迹，具体包括：
根据履带车辆的参考速度以及履带车辆前方可通行区域的通行度确定运动基元簇；
根据运动基元簇中的运动基元的扩展代价，确定最优扩展的运动基元；
将所有的最优扩展的运动基元进行拼接与过渡，确定带有行为语义信息的轨迹。
4.根据权利要求1所述的一种基于语义信息串联的履带车辆的控制方法，其特征在于，所述运动控制模块利用带有行为语义信息的轨迹对控制目标函数的权重系数进行实时更新，并根据更新后的控制目标函数和带有行为语义信息的轨迹在执行机构的机械约束、平台的运动学约束以及平台动力学约束下，基于模型预测控制算法进行履带车辆的控制，之前还包括：
获取履带车辆的运动学模型；
根据轨迹跟踪控制的横向偏差、航向偏差以及控制量变化率构建控制目标函数。
5.一种基于语义信息串联的履带车辆的控制系统，其特征在于，包括：
信息获取单元，用于根据环境感知模块获取的激光雷达数据提取激光雷达点云信息；并根据环境感知模块获取的相机图像提取图像语义信息；
三维语义栅格地图确定单元，用于将激光雷达点云信息和图像语义信息进行融合，并根据融合后的信息、全局拓扑参考路径以及履带车辆的几何通过性参数确定三维语义栅格地图；所述三维语义栅格地图为带有局部可通行度语义栅格地图；几何通过性参数包括：最大坡度，垂直墙跨越高度以及发生倾覆的最大横坡角度；
带有行为语义信息的轨迹确定单元，用于运动规划模块根据三维语义栅格地图、全局拓扑参考路径以及运动基元簇中的运动基元的扩展代价对运动基元簇中的运动基元进行拼接与过渡，确定带有行为语义信息的轨迹；运动基元簇包括：通过采样不同的目标位姿形成的运动基元；运动基元为履带车辆在设定时间内，在履带车辆的运动学约束、平滑过渡约束、平台-地形约束以及平台行为约束下，履带车辆从起始位姿到目标位姿的轨迹；扩展代价包括：运动基元与全局拓扑参考路径的横纵向偏差、碰撞风险代价、平滑代价以及通行度代价；
履带车辆的控制单元，用于运动控制模块利用带有行为语义信息的轨迹对控制目标函数的权重系数进行实时更新，并根据更新后的控制目标函数和带有行为语义信息的轨迹在执行机构的机械约束、平台的运动学约束以及平台动力学约束下，基于模型预测控制算法进行履带车辆的控制；所述控制目标函数根据轨迹跟踪控制的横向偏差、航向偏差以及控制量变化率进行构建。
6.根据权利要求5所述的一种基于语义信息串联的履带车辆的控制系统，其特征在于，所述三维语义栅格地图确定单元具体包括：
激光雷达语义点云确定子单元，用于通过环境感知模块中激光雷达与相机之间的坐标转换关系，将图像语义信息投影至激光雷达点云信息，确定激光雷达语义点云；激光雷达语义点云为融合后的信息；
第一次粗提取子单元，用于根据激光雷达语义点云进行可通行区域的第一次粗提取；
点云特征提取子单元，用于根据第一次粗提取后的激光雷达语义点云信息提取点云特征；点云特征包括：道路的不平度信息、纵坡坡度以及横坡坡度；
第二次粗提取子单元，用于根据点云特征与几何通过性参数进行可通行区域的第二次粗提取；
三维语义栅格地图确定子单元，用于根据第二次粗提取后的激光雷达语义点云信息的点云特征，采用高斯混合聚类方法，确定点云特征对应位置的可通行度；进而根据全局拓扑参考路径，采用八叉树以及贝叶斯核推理，确定三维语义栅格地图。
7.根据权利要求6所述的一种基于语义信息串联的履带车辆的控制系统，其特征在于，所述带有行为语义信息的轨迹确定单元具体包括：
运动基元簇确定子单元，用于根据履带车辆的参考速度以及履带车辆前方可通行区域的通行度确定运动基元簇；
最优扩展的运动基元确定子单元，用于根据运动基元簇中的运动基元的扩展代价，确定最优扩展的运动基元；
带有行为语义信息的轨迹确定子单元，用于将所有的最优扩展的运动基元进行拼接与过渡，确定带有行为语义信息的轨迹。
8.根据权利要求5所述的一种基于语义信息串联的履带车辆的控制系统，其特征在于，还包括：
运动学模型确定单元，用于获取履带车辆的运动学模型；
控制目标函数构建单元，用于根据轨迹跟踪控制的横向偏差、航向偏差以及控制量变化率构建控制目标函数。
CN202210466055.6A 2022-04-29 2022-04-29 一种基于语义信息串联的履带车辆的控制方法及系统 Pending CN114791734A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210466055.6A CN114791734A (zh) 2022-04-29 2022-04-29 一种基于语义信息串联的履带车辆的控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210466055.6A CN114791734A (zh) 2022-04-29 2022-04-29 一种基于语义信息串联的履带车辆的控制方法及系统

Publications (1)

Publication Number Publication Date
CN114791734A true CN114791734A (zh) 2022-07-26

Family

ID=82461151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210466055.6A Pending CN114791734A (zh) 2022-04-29 2022-04-29 一种基于语义信息串联的履带车辆的控制方法及系统

Country Status (1)

Country Link
CN (1) CN114791734A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115495882A (zh) * 2022-08-22 2022-12-20 北京科技大学 一种非平坦地形下的机器人运动基元库构建方法及装置
CN116147606A (zh) * 2022-12-02 2023-05-23 浙江大学 一种基于轮式移动机器人的自主探索建图方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115495882A (zh) * 2022-08-22 2022-12-20 北京科技大学 一种非平坦地形下的机器人运动基元库构建方法及装置
CN115495882B (zh) * 2022-08-22 2024-02-27 北京科技大学 一种非平坦地形下的机器人运动基元库构建方法及装置
CN116147606A (zh) * 2022-12-02 2023-05-23 浙江大学 一种基于轮式移动机器人的自主探索建图方法及系统
CN116147606B (zh) * 2022-12-02 2023-09-08 浙江大学 一种基于轮式移动机器人的自主探索建图方法及系统

Similar Documents

Publication Publication Date Title
CN111771141B (zh) 自动驾驶车辆中使用3d cnn网络进行解决方案推断的lidar定位
CN109375632B (zh) 自动驾驶车辆实时轨迹规划方法
JP7256758B2 (ja) 自動運転車両においてｒｎｎとｌｓｔｍを用いて時間平滑化を行うｌｉｄａｒ測位
Levinson et al. Towards fully autonomous driving: Systems and algorithms
CN114791734A (zh) 一种基于语义信息串联的履带车辆的控制方法及系统
CN115344052B (zh) 基于改进的群优化算法的车辆路径控制方法及控制系统
Burnett et al. Building a winning self-driving car in six months
CN115639823A (zh) 崎岖起伏地形下机器人地形感知与移动控制方法及系统
Gao et al. Autonomous driving of vehicles based on artificial intelligence
CN115494849A (zh) 一种自动驾驶车辆导航控制方法及系统
CN113515128B (zh) 一种无人车实时路径规划方法及存储介质
CN115230729A (zh) 一种自动驾驶避障方法及系统、存储介质
Paz et al. Lessons learned from deploying autonomous vehicles at UC San Diego
CN111452786B (zh) 一种无人车辆避障方法及系统
Huy et al. A practical and optimal path planning for autonomous parking using fast marching algorithm and support vector machine
CN117036374A (zh) 一种用于自动驾驶的激光雷达点云分割与运动规划方法
Seraji New traversability indices and traversability grid for integrated sensor/map‐based navigation
CN116642491A (zh) 一种地面无人平台野外机动路径规划方法
Zhang AI based algorithms of path planning, navigation and control for mobile ground robots and UAVs
CN116331256A (zh) 分布式驱动电动汽车换道轨迹规划方法、设备及存储介质
CN116136417A (zh) 一种面向越野环境的无人驾驶车辆局部路径规划方法
CN116009558A (zh) 一种结合运动学约束的移动机器人路径规划方法
CN113850915A (zh) 一种基于Autoware的车辆循迹方法
Wolf et al. Traction optimization for robust navigation in unstructured environments using deep neural networks on the example of the off-road truck Unimog
Rosero et al. CNN-Planner: A neural path planner based on sensor fusion in the bird's eye view representation space for mapless autonomous driving

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