CN115683141A - 一种未知环境下用于自动驾驶的局部参考路径生成方法 - Google Patents

Abstract

本发明公开了一种未知环境下用于自动驾驶的局部参考路径生成方法，包括建立全局坐标系，再生成全局路径，并进行平滑拟合处理，获取自动驾驶车辆的定位信息，以及截取局部路径片段作为初始全局路径段；构建自动驾驶车辆周围区域的局部占据栅格地图，并投影车辆当前位置周围的障碍物和初始全局路径段，得到局部障碍物栅格图；根据局部障碍物栅格图，获取已知的道路可行驶区域及边界信息，生成参考路径的基准；计算全局路径与道路可行驶区域的横向偏差与方向偏差，在全局路径的基础上修正偏差，生成精确的局部参考路径。本发明通过在未知环境下获取卫星信息进行处理，规划生成精确的局部参考路径，能够提高期望轨迹的准确性和跟踪控制的稳定性。

Description

一种未知环境下用于自动驾驶的局部参考路径生成方法

技术领域

本发明涉及自动驾驶轨迹规划技术领域，特别涉及一种未知环境下用于自动驾驶的局部参考路径生成方法。

背景技术

当前自动驾驶轨迹规划算法大多基于Frenet坐标系，Frenet坐标系一般是以道路的中心线作为参考路径，使用参考路径的切线向量和法线向量建立的坐标系，因此构建精确稳定的参考路径是自动驾驶车辆进行路径规划的基础。

现有路径规划方法大多针对结构化道路，且主要依据已知的高精度地图，而针对未知非结构化道路环境的路径规划方法很少，未知环境下的全局路径规划通常依据卫星地图信息离线构建，由于卫星地图精度有限，依据卫星地图描绘的道路结构往往与实际道路存在偏差，且感知信息具有较大的不确定性，使得参考路径的获取难度更大，如何生成精确的局部参考路径，成为未知环境中路径规划亟需解决的重要问题。

发明内容

本发明的目的克服现有技术存在的不足，为实现以上目的，采用一种未知环境下用于自动驾驶的局部参考路径生成方法，以解决上述背景技术中提出的问题。

一种未知环境下用于自动驾驶的局部参考路径生成方法，具体步骤包括：

步骤S1、建立全局坐标系，再根据任务点顺序生成全局路径，并进行平滑拟合处理，获取自动驾驶车辆的定位信息，以及截取局部路径片段作为初始全局路径段；

步骤S2、构建自动驾驶车辆周围区域的局部占据栅格地图，并投影车辆当前位置周围的障碍物和初始全局路径段，得到局部障碍物栅格图；

步骤S3、根据局部障碍物栅格图，获取已知的道路可行驶区域及边界信息，生成参考路径的基准；

步骤S4、计算全局路径与道路可行驶区域的横向偏差与方向偏差，在全局路径的基础上修正偏差，生成精确的局部参考路径。

作为本发明的进一步的方案：所述步骤S1的具体步骤包括：

基于卫星地图信息建立全局坐标系，全局坐标系中的每个像素点转化为经纬度坐标点，描绘地图中可行驶的道路信息，构建拓扑关系，读取任务点，根据任务点顺序在拓扑地图中基于A*算法生成全局路径；

基于三次样条曲线算法对生成的全局路径进行平滑拟合，三次样条曲线由n个多项式曲线段组成：S_i,i＝0,1,…,n-1，且在每个连接点处满足二阶连续可导；

其中，每个曲线段S_i定义为：S_i(x)＝a_i+b_i(x-x_i)+c_i(x-x_i)²+d_i(x-x_i)³；

在自动驾驶车辆行驶过程中，计算车辆与全局路径各点的垂直投影距离，根据最小距离的点定位车辆，并截取车辆前后一定范围的路径片段作为初始全局路径段。

作为本发明的进一步的方案：所述步骤S2的具体步骤包括：

首先根据自动驾驶车辆周围实时感知的范围构建局部占据栅格图，以车辆当前位置为中心，建立局部坐标系；

通过自主环境感知系统获取车辆当前位置周围的障碍物信息，将障碍物点投影至栅格地图；

根据全局坐标系与车辆的局部坐标系的关系，将初始全局路径段通过坐标转换映射到局部栅格地图。

作为本发明的进一步的方案：所述步骤S3的具体步骤包括：

感知系统根据激光点云数据基于路面分割算法获得可行驶区域信息可行驶区域，并将结果表达在局部栅格图中；

通过随机提取局部栅格图可行驶区域内的离散参考点，基于RBF网络对数据做逼近处理，生成的曲线能够对任意道路形状进行拟合，并满足车辆运动特性的约束。

对局部栅格地图中的可通行区域进行随机离散采样，采样结果作为样本输入，使用Gaussian函数的径向基函数，以及使用梯度训练方法进行网络训练，最终网络输出的结果作为生成参考路径的基准。

作为本发明的进一步的方案：所述步骤S4的具体步骤包括：

计算初始全局路径与道理中心基线之间的横向偏移和角度偏差，首先选取道路中心基线的中间点M(x_m,y_m)，计算初始全局路径段上距离M点最近的一点C(x_c,y_c),计算横向偏移：d_c＝x_c-x_m，再根据由M(x_m,y_m)，C(x_c,y_c)两点处切线方向的夹角计算获得角度偏差θ；

在初始全局路径段的基础上，对参考路径进行偏移校正和曲率校正，生成最终精确的局部参考路径。

与现有技术相比，本发明存在以下技术效果：

通过采用上述的技术方案，能够在未知非结构化环境中构造精确的参考路径，初始的全局路径在卫星航拍图中描绘构建，路径往往与实际道路的位置形状存在偏差，通过本方案的参考路径生成方法，能有效减小参考路径中的位置和曲率误差，从而提高未知环境下局部轨迹规划的鲁棒性和准确性。

附图说明

下面结合附图，对本发明的具体实施方式进行详细描述：

图1为本申请公开实施例的局部参考路径生成方法的步骤示意图；

图2为本申请公开实施例的整体流程示意图；

图3为本申请公开实施例的车辆位置在全局路径中的定位过程示意图；

图4为本申请公开实施例的以车辆为中心的局部栅格地图示意图；

图5为本申请公开实施例的局部参考路径最终生成结果示意图。

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。

请参考图1和图2，本发明实施例中，一种未知环境下用于自动驾驶的局部参考路径生成方法，具体步骤包括：

步骤S1、建立全局坐标系，再根据任务点顺序生成全局路径，并进行平滑拟合处理，获取自动驾驶车辆的定位信息，以及截取局部路径片段作为初始全局路径段；

本实施例中，基于卫星地图信息建立全局坐标系，坐标系中每个像素点转化为经纬度坐标点，计算过程如下：

已知图像坐标下，坐标原点的GPS坐标为(V_lon，V_lat)，航向角θ，待转换点A的图像像素点坐标为(A_x，A_y)；

第一步，在图像坐标系下求出当前点和目标点横向、纵向距离差Δx，Δy；

第二步，求出当前点与目标点间的实际距离L：

第三步，求出两点间连线与正北的夹角：

第四步，根据第二、三步的公式，求出GPS坐标系下横纵向距离：

第五步，求出目标点的经度、纬度坐标，R为地球半径：

描绘地图中可行驶的道路信息构建路网并存储为地图文件，所述路网代表可以访问的道路信息，为路点的集合以及道路的连接关系。读取任务点，所述任务点信息包括任务点序号、经度、纬度、高度及相关属性，根据任务点顺序，基于A*算法通过路网进行检索，生成全局路径。

基于三次样条曲线算法对全局路径进行平滑拟合，三次样条曲线由n个多项式曲线段组成：S_i,i＝0,1,…,n-1,且在每个连接点处满足二阶连续可导。其中每个曲线段S_i定义为：S_i(x)＝a_i+b_i(x-x_i)+c_i(x-x_i)²+d_i(x-x_i)³。

自动驾驶车辆行驶过程中，根据车辆与全局路径各点的垂直投影距离，选择车辆与全局路径距离最小的点P作为车辆的定位点，并截取车辆前100米(E点)，后50米(S点)范围内的路径片段作为初始全局参考路径段，如图3所示，图示为车辆位置在全局路径中的定位过程示意图。

步骤S2、构建自动驾驶车辆周围区域的局部占据栅格地图，并投影车辆当前位置周围的障碍物和初始全局路径段，得到局部障碍物栅格图；

本实施例中，具体方法如下：

由于未知环境缺少先验知识，全局路径由卫星航拍图获得，往往与实际道路的位置形状存在偏差，当偏差较大时，需要根据车辆的实时环境感知对初始参考路径进行校正。首先需要构建局部栅格图以表达实时感知的结果。所述局部占据栅格图是当前时刻感知范围内的实时障碍物占用信息建立栅格地图，并以车身位置作为中心，并建立坐标系，如图4所示，图示为局部参考路径最终生成结果示意图。栅格图大小为500×750，对应实际环境中的100米×150米的区域范围，每个单元格对应实际环境中20cm×20cm的区域范围，无人车辆中心在时空坐标系中的位置固定为(250，500)；其次，通过自主环境感知系统获取车辆当前位置周围的障碍物信息，将障碍物点投影至栅格地图；最后，根据经纬度坐标系与车身局部坐标系的关系，将初始全局路径段通过坐标转换映射到局部栅格地图。

步骤S3、根据局部障碍物栅格图，获取已知的道路可行驶区域及边界信息，生成参考路径的基准；

本实施例中，感知系统提供的可行驶区域信息可行驶区域是指自动驾驶车辆前方无障碍通行的路面区域，一般根据激光点云数据基于路面分割算法获得，最终将结果表达在局部栅格图中。

通过随机提取栅格图可行驶区域内的离散参考点，基于RBF神经网络方法，采用正则化网络对参考点数据做逼近处理，采用一种带遗忘因子的单输出RBF网络学习方法——梯度下降法，选取网络参数值。最终网络输出的轨迹能够对任意道路形状进行拟合，并且满足车辆运动特性的约束。

RBF网络隐节点的激活函数选择Gaussian函数的径向基函数，距离函数被用作隐节点的基函数。在n个维度的空间中，径向基函数具有关于其中心点的空间对称性。径向基函数Ф_i(*)；

其中，δ_i为扩展常数(Spread)，基函数的筛选能力随着扩展常数的增大而减小。

RBF网络的输出为：

RBF网络的学习算法采用梯度学习方法，其目标函数如下所示：

其中β_i为遗忘因子，误差信号e_j定义为

F(x)对于数据中心c_i和权值w_i的的梯度分别为：

其中Ф_i(x_j)为第i个隐节点对X_j的输出，η为学习率。

具体实施步骤中，选用梯度训练方法进行网络训练，学习速率均为0.001，目标误差为0.05，训练结果可以保证较高的精度和曲线的平滑度。

步骤S4、计算全局路径与道路可行驶区域的横向偏差与方向偏差，在全局路径的基础上，生成精确的局部参考路径。

计算初始全局路径与道理中心基线之间的横向偏移和角度偏差，偏移量计算方法如下：选取道路中心基线的中间点M(x_m,y_m)，计算初始全局路径上离M点最近的一点C(x_c,y_c),计算横向偏移：d_c＝x_c-x_m，角度偏差θ根据由(x_m,y_m)，(x_c,y_c)两点处切线方向的夹角计算获得。

参考路径将在初始全局路径的基础上，以两种方式进行校正生成，即偏移校正及曲率校正。首先进行偏移校正，按照计算得到的横向偏移dc，对全局初始路径的所有点(x_i,y_i)进行校正，计算公式如下：

为了避免频繁的校正可能引起的车辆控制性能的不稳定，其中Δs定义为:

即，偏移量较小时，认为初始路径不需要进行横向偏移校正。

同样，角度偏差较小时，认为初始路径不需要校正；当角度偏差θ大于10°时，将通过调整初始路径曲线的曲率来进行校正。通过增加控制点的方式拟合一个新的三次多项式曲线来重建：控制点包括该段初始路径的起点S(x_s,y_s)、终点E(x_e,y_e)，道路中心基线的中点M(x_m,y_m)和车辆的位置V(x_v,y_v)，并由这些控制点插值生成三次多项式曲线，曲线结果如图5所示，图示为局部参考路径最终生成结果示意图，将该曲线作为最终精确的局部参考路径输出。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定，均应包含在本发明的保护范围之内。

Claims (5)

1.一种未知环境下用于自动驾驶的局部参考路径生成方法，其特征在于，具体步骤包括：

步骤S1、建立全局坐标系，再根据任务点顺序生成全局路径，并进行平滑拟合处理，获取自动驾驶车辆的定位信息，以及截取局部路径片段作为初始全局路径段；

步骤S2、构建自动驾驶车辆周围区域的局部占据栅格地图，并投影车辆当前位置周围的障碍物和初始全局路径段，得到局部障碍物栅格图；

步骤S3、根据局部障碍物栅格图，获取已知的道路可行驶区域及边界信息，生成参考路径的基准；

步骤S4、计算全局路径与道路可行驶区域的横向偏差与方向偏差，在全局路径的基础上修正偏差，生成精确的局部参考路径。

2.根据权利要求1所述一种未知环境下用于自动驾驶的局部参考路径生成方法，其特征在于，所述步骤S1的具体步骤包括：

基于卫星地图信息建立全局坐标系，全局坐标系中的每个像素点转化为经纬度坐标点，描绘地图中可行驶的道路信息，构建拓扑关系，读取任务点，根据任务点顺序在拓扑地图中基于A*算法生成全局路径；

基于三次样条曲线算法对生成的全局路径进行平滑拟合，三次样条曲线由n个多项式曲线段组成：S_i,i＝0,1,…,n-1，且在每个连接点处满足二阶连续可导；

其中，每个曲线段S_i定义为：S_i(x)＝a_i+b_i(x-x_i)+c_i(x-x_i)²+d_i(x-x_i)³；

在自动驾驶车辆行驶过程中，计算车辆与全局路径各点的垂直投影距离，根据最小距离的点定位车辆，并截取车辆前后一定范围的路径片段作为初始全局路径段。

3.根据权利要求1所述一种未知环境下用于自动驾驶的局部参考路径生成方法，其特征在于，所述步骤S2的具体步骤包括：

首先根据自动驾驶车辆周围实时感知的范围构建局部占据栅格图，以车辆当前位置为中心，建立局部坐标系；

通过自主环境感知系统获取车辆当前位置周围的障碍物信息，将障碍物点投影至栅格地图；

根据全局坐标系与车辆的局部坐标系的关系，将初始全局路径段通过坐标转换映射到局部栅格地图。

4.根据权利要求1所述一种未知环境下用于自动驾驶的局部参考路径生成方法，其特征在于，所述步骤S3的具体步骤包括：

感知系统根据激光点云数据基于路面分割算法获得可行驶区域信息可行驶区域，并将结果表达在局部栅格图中；

通过随机提取局部栅格图可行驶区域内的离散参考点，基于RBF网络对数据做逼近处理，生成的曲线能够对任意道路形状进行拟合，并满足车辆运动特性的约束。

对局部栅格地图中的可通行区域进行随机离散采样，采样结果作为样本输入，使用Gaussian函数的径向基函数，以及使用梯度训练方法进行网络训练，最终网络输出的结果作为生成参考路径的基准。

5.根据权利要求1所述一种未知环境下用于自动驾驶的局部参考路径生成方法，其特征在于，所述步骤S4的具体步骤包括：

计算初始全局路径与道理中心基线之间的横向偏移和角度偏差，首先选取道路中心基线的中间点M(x_m,y_m)，计算初始全局路径段上距离M点最近的一点C(x_c,y_c),计算横向偏移：d_c＝x_c-x_m，再根据由M(x_m,y_m)，C(x_c,y_c)两点处切线方向的夹角计算获得角度偏差θ；

在初始全局路径段的基础上，对参考路径进行校正，包括偏移校正和曲率校正，生成最终精确的局部参考路径。

Images