CN115903823A - 一种无人驾驶环卫车队的路径规划方法 - Google Patents
一种无人驾驶环卫车队的路径规划方法 Download PDFInfo
- Publication number
- CN115903823A CN115903823A CN202211520464.6A CN202211520464A CN115903823A CN 115903823 A CN115903823 A CN 115903823A CN 202211520464 A CN202211520464 A CN 202211520464A CN 115903823 A CN115903823 A CN 115903823A
- Authority
- CN
- China
- Prior art keywords
- node
- path
- speed
- point
- planning
- 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
Links
Images
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种无人驾驶环卫车队的路径规划方法，其包括：全局路径规划，采用A*算法进行全局路径规划，并检测剩余电量，确保有足够电量返回充电站；局部路径规划，采用改进动态窗口法，通过传感器检测周围信息，实时进行最优路径规划；当遇到障碍物堵塞全局路径规划的路径时，重新规划全局路径。本发明具有原理简单、适用范围广、能够提高路径规划效率和准确性等优点。
Description
技术领域
本发明主要涉及到无人环卫车技术领域，特指一种无人驾驶环卫车队的路径规划方法。
背景技术
电动无人驾驶环卫车需要根据环境地图场景和车辆电量等约束规划出一条能够完成其覆盖式清洁任务的路径，并确保车辆可沿着规划的线路安全、快速和稳定地从起点抵达目标终点。
对于无人环卫车的路径规划会遇到各种复杂的情况，可以归结为以下几点：
(1)随机性：由于各种不可预测的环境因素，工作环境处于不完全确定的状态，例如无法确定临时障碍物的实际大小和形状，这就增加了环卫车路径规划的难度。
(2)多指标：对于电动无人驾驶环卫车，单一的路径规划最优性能已不能满足实际需求，这就需要同时考虑距离、时间、能耗等多个指标。
(3)多约束：路径规划中需要考虑几何和物理约束。几何约束主要指无人清扫车的外部形状和尺寸，物理约束主要指最大速度、加速度、最小转弯半径等约束。
国内外已有很多关于无人驾驶环卫车的路径规划研究，其中全局路径规划研究主要集中于园区场景下的路径搜索算法，没有考虑电动车辆的电量以及道路作业方法；部分研究把全局路径规划归为弧路径问题(CARP)，考虑了充电、调度、容量等方面，建立路径优化模型，但该方向对局部路径规划考虑的较少，或者假设遇到的障碍物主要为静态障碍物，明显与实际行驶环境相差过大。因此现有的技术要求不能满足电动无人驾驶环卫车的路径规划问题。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种原理简单、适用范围广、能够提高路径规划效率和准确性的无人驾驶环卫车队的路径规划方法。
为解决上述技术问题，本发明采用以下技术方案：
一种无人驾驶环卫车队的路径规划方法，其包括：
全局路径规划，采用A*算法进行全局路径规划，并检测剩余电量，确保有足够电量返回充电站；
局部路径规划，采用改进动态窗口法，通过传感器检测周围信息，实时进行最优路径规划；
当遇到障碍物堵塞全局路径规划的路径时，重新规划全局路径。
作为本发明方法的进一步改进：所述全局路径规划的流程包括：
步骤S10：初始化；初始化静态离散地图以及参数，并初始化起始点、目标点、速度。
步骤S20：在拓扑地图中，基于A*算法搜索全局路径节点，确定和保存关键节点序列；
步骤S30：判断当前电量是否剩余一定阈值，如果小于等于该阈值，将关键节点逆排序，即以当前点为起点，目标点为初始起点；如果大于该阈值，则继续步骤S40；
步骤S40：检测当前点最近的关键点以及下一个关键点之间的路径；
步骤S50：当传感器检测到动态障碍堵塞目标关键点或规划的全局路径时，重新进行步骤S20中的规划；当传感器检测到没有动态障碍堵塞目标关键点或规划的全局路径时，以当前点为起点，当前速度为起始速度，局部目标点为下一个关键点。
作为本发明方法的进一步改进：所述局部路径规划的流程包括：
步骤S100：以局部的目标点作为动态窗口法的目标输入，对输出的局部速度值进行轨迹预测，使用评价函数选择最优轨迹对应的速度运动；
步骤S200：判断是否到达局部目标点，如果没有到达局部目标点，迭代执行步骤S100，直到到达局部目标点执行下一步；
步骤S300：检测是否到达全局目标节点，如果没有到达，执行步骤S40，通过不断地迭代，直到到达目标节点，完成清扫任务；如果到达了目标节点，则输出最优路径。
作为本发明方法的进一步改进：所述步骤S100中，对车辆速度进行采样，然后基于运动模型预测轨迹，基于评价函数选择最优轨迹，以最优轨迹对应的速度进行控制。
作为本发明方法的进一步改进：所述拓扑地图中使用一系列的点和连接线表示环境信息，所述点代表环境中的一些关键点，所述连接线表示不同节点之间的连通性，即可行驶路径；根据地图中道路的连通性，忽略大部分环境信息，只保留拓扑点和边，形成根据连通性构造的拓扑地图。
作为本发明方法的进一步改进：所述A*算法用来求解静态道路最短路径，通过引入带有成本函数的启发式函数来提高搜索速度，其代价函数为f(n)＝g(n)+h(n)；其中，g(n)表示从起点到达节点n的实际成本，h(n)表示从节点n到达终点的估计成本；如果h(n)为零，A*算法退化为Dijkstra算法，并且成本估算越接近实际值，则搜索最终进行得越快。
作为本发明方法的进一步改进：选用行程时间作为全局路径规划的代价函数，节点的f值为起点到达节点的实际时间和节点到达终点的估计时间之和；应用Dijkstra算法计算时间权值的步骤，将父节点f值作为子节点路段速度的自变量，再结合父节点与子节点的距离计算得到子节点的g值；其中h为节点到达终点的估计时间，直接从行程时间权值矩阵获取；将每两个相邻的任务点分别作为起点和目标点采用A*算法进行全局路径规划，从终点开始依次查找父节点可以得到一组路段序列，将全部路段序列按任务点顺序进行组合即可生成全局路径。
作为本发明方法的进一步改进：所述A*算法的迭代过程包括：
步骤S1000：将起始点加到开放列表中，设置起点f值为零，其他节点f值为正无穷；
步骤S2000：寻找起点周围所有可到达或者可通过的方格，将其加入开启列表；遍当前所能到达的所有方格，将其加入开启列表中；选取f值最小的节点n移动到封闭列表中；
步骤S3000：判断当前节点是否为终点，如果是，则流程结束；
步骤S4000：如果邻接节点不在列表中，将其加入开放列表，设置n的子节点并计算f值；若邻接节点在开放列表中，当n作为父节点时g值更小，更换其父节点并计算f值；
步骤S5000：如果未遍历完n的全部邻接点，则重复步骤S4000；如果遍历完n的全部邻接点且开放列表为空，则不存在满足要求的路径；如果遍历完n的全部邻接点且开放列表不为空，则返回步骤S2000。
作为本发明方法的进一步改进：进行所述局部路径规划时采用DWA算法，其流程包括：
步骤S10000：建立电动环卫无人车运动模型；在窗口区域内对电动环卫无人车的速度空间进行采样，并在速度空间(vx,wy)内模拟可行运动轨迹；
步骤S20000：速度约束；
步骤S30000：速度采样与轨迹推算；在速度空间中进行采样，采样出不同组的速度，然后根据无人车运动模型预测电动环卫无人车的轨迹，通过评价函数对这些轨迹进行最优选择；
步骤S40000：当前最优速度选择；通过对不同速度推算的轨迹进行评价，取评价函数值最大的(v,w)进行控制电动环卫无人车运动。
作为本发明方法的进一步改进：令电动环卫无人车在时间间隔Δt内移动，运动学模型表述如下：
式中:(x′,y′,θ′t)是t+Δt时刻世界坐标系下的无人车位姿，(x,y,θt)是t时刻世界坐标系下的无人车位姿。
与现有技术相比，本发明的优点就在于：本发明的无人驾驶环卫车队的路径规划方法，原理简单、适用范围广、能够提高路径规划效率和准确性，它是一种考虑电量的基于动态窗口法的全局动态路径规划方法，其关键技术点是使用A*算法进行全局路径规划，并检测剩余电量确保有足够电量返回充电站。而且，在局部规划时采用改进动态窗口法，通过传感器检测周围信息，实时规划最优路径，如果遇到障碍物堵塞全局路径规划的路径时，重新规划全局路径，满足环卫车行驶的基本路径需求。
附图说明
图1是本发明方法的流程示意图。
图2是本发明在具体应用实例中测试地图的原理示意图。
图3是本发明在具体应用实例中测试区拓扑地图构建的原理示意图。
图4是本发明在具体应用实例中采用A*算法的流程示意图。
图5是本发明在具体应用实例中采用DWA算法后建立无人环卫车的运动模型示意图。
具体实施方式
以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
本发明是一种结合全局路径信息的动态窗口规划方法，先基于已有的高精度地图规划车辆的全局最优工作路径，即使部分环境信息未知，无人环卫车仍能进行局部路径规划，用于避障和追踪动态目标。
如图1所示，本发明的无人驾驶环卫车队的路径规划方法，包括：
全局路径规划，采用A*算法进行全局路径规划，并检测剩余电量，确保有足够电量返回充电站；
局部路径规划，采用改进动态窗口法，通过传感器检测周围信息，实时进行最优路径规划；
当遇到障碍物堵塞全局路径规划的路径时，重新规划全局路径。
在具体应用实例中，所述全局路径规划的流程包括：
步骤S10：初始化；
初始化静态离散地图以及参数，并初始化起始点、目标点、速度。
步骤S20：在拓扑地图中，基于A*算法搜索全局路径节点，确定和保存关键节点序列；即，采用A*算法优化后的关键节点作为全局路径，确定并保存关键节点序列。
步骤S30：判断当前电量是否剩余一定阈值(如60％)，如果小于等于该阈值，将关键节点逆排序，即以当前点为起点，目标点为初始起点。
在该步骤中，所述电量约束条件是为了防止电量不足，预留返程电量(如50％)和安全冗余电量(如10％)；使电动车在返程中继续作业。如果大于该阈值，则继续步骤S40。
步骤S40：检测当前点最近的关键点以及下一个关键点之间的路径；
具体应用时，本发明可以将关键点作为电动环卫无人车运动的局部目标点，当电动环卫无人车与关键节点距离超过设定距离阈值时(如0.5m)，则设定下一个关键点作为局部目标点。
步骤S50：当传感器检测到动态障碍堵塞目标关键点或规划的全局路径时，重新进行步骤S20中的规划；即：以当前点最近的关键点为起点，更新地图，返回步骤S20中进行规划；
当传感器检测到没有动态障碍堵塞目标关键点或规划的全局路径时，以当前点为起点，当前速度为起始速度，局部目标点为下一个关键点。
在具体应用实例中，所述局部路径规划的流程包括：
步骤S100：以局部的目标点作为动态窗口法的目标输入，对输出的局部速度值进行轨迹预测，使用评价函数选择最优轨迹对应的速度运动；
在具体应用时，本发明可以对速度进行采样，然后基于运动模型预测轨迹，基于评价函数选择最优轨迹，以最优轨迹对应的速度进行控制。
步骤S200：判断是否到达局部目标点，如果没有到达局部目标点，迭代执行步骤S100，直到到达局部目标点执行下一步。
步骤S300：检测是否到达全局目标节点，如果没有到达，执行步骤S40，通过不断地迭代，直到到达目标节点，完成清扫任务。如果到达了目标节点，则输出最优路径。
由上可知，在本发明中，不但采用融合A*算法和动态窗口法的方法，以A*算法作为动态窗口法的全局引导，还与动态窗口法进行融合，并加入了基于动态障碍物重规划方法。本发明的融合方法可以保证环卫车在整体规划最优，又可以兼顾速度与安全性。另外，本发明还补全了电动无人驾驶环卫车在路径规划中缺失的电量和作业任务等实际问题，使之能够落地使用。
在具体应用实例中，上述拓扑图是使用一系列的点和连接线表示环境信息，这些点代表环境中的一些关键点，如拐点、交叉路口等。拓扑结构中的连接线则表示不同节点之间的连通性(即可行驶路径)，例如安全行驶区域。拓扑法创建数字地图所占计算机储存空间较小，不仅可以表示各个节点的标签信息，而且可以表示各个路径的长度信息(即各个节点之间的距离信息)、路径与路径之间的角度信息。拓扑地图的抽象度非常高，特别是在环境庞大而障碍物较少的情况下。通过拓扑法建立的环境地图，对路径的搜索空间进行了限制，因此适用于多点之间的路径规划。
使用拓扑图法建模时具有以下优点：便于进一步的路径规划以及任务规划；储存空间占用较小，计算效率高；可以套用很多现有高效、成熟的搜索算法。
在一个具体应用实例中，无人驾驶车辆按照图2所示的道路行驶。道路之间的连通性是无人车可以行驶的区域，其余的是无人驾驶车辆不可行的障碍区域或危险区域。本发明进一步根据地图中道路的连通性，忽略大部分环境信息，只保留拓扑点和边，就形成了根据连通性构造的拓扑图，如图3所示。利用所述拓扑图，这样就很有可能避免在搜索路径时为了找到最短路径而搜索危险区域的路径。
在具体应用实例中，上述本发明所采用的A*算法是求解静态道路最短路径的最有效直接搜索方法，其通过引入带有成本函数的启发式函数来提高搜索速度，其代价函数为f(n)＝g(n)+h(n)。g(n)表示从起点到达节点n的实际成本，h(n)表示从节点n到达终点的估计成本。如果h(n)为零，A*算法退化为Dijkstra算法，并且成本估算越接近实际值，则搜索最终进行得越快。
由于进行路径规划时采用交通流速度计算行程时间和能耗，两种优化目标间的冲突较弱，因此本发明选用行程时间作为全局路径规划的代价函数，节点的f值为起点到达节点的实际时间和节点到达终点的估计时间之和。为了体现路段速度的时间依赖性，本发明应用Dijkstra算法计算时间权值的步骤，将父节点f值作为子节点路段速度的自变量，再结合父节点与子节点的距离计算得到子节点的g值。h为节点到达终点的估计时间，可以直接从行程时间权值矩阵获取。将每两个相邻的任务点分别作为起点和目标点采用A*算法进行全局路径规划，从终点开始依次查找父节点可以得到一组路段序列，将全部路段序列按任务点顺序进行组合即可生成全局路径。
在具体应用实例中，参见图4所示，本发明所采用的A*算法的具体迭代过程如下所示：
步骤S1000：将起始点加到开放列表中，设置起点f值为零，其他节点f值为正无穷。
步骤S2000：寻找起点周围所有可到达或者可通过的方格，把他们加入开启列表。遍历当前所能到达的所有方格，把他们加入开启列表中。选取f值最小的节点n移动到封闭列表中。
步骤S3000：判断当前节点是否为终点，如果是，则流程结束。
步骤S4000：如果邻接节点不在列表中，将其加入开放列表，设置n的子节点并计算f值。若邻接节点在开放列表中，当n作为父节点时g值更小，更换其父节点并计算f值。
步骤S5000：如果未遍历完n的全部邻接点，则重复步骤S4000。如果遍历完n的全部邻接点且开放列表为空，则不存在满足要求的路径。如果遍历完n的全部邻接点且开放列表不为空，则返回步骤S2000。
在具体应用实例中，本发明进行局部路径规划时采用DWA算法，其流程包括：
步骤S10000：建立电动环卫无人车运动模型；
在动态窗口算法中，速度矢量空间的最优解取决于无人环卫车运动模型的建立。无人环卫车的运动可以分解为直线运动和旋转运动，其轨迹被视为圆弧。当旋转角速度为零时，轨迹为直线。预测时间分为几个小时间段，因此车辆在每个时间段内的运动可以视为线性运动。参见图5，是无人环卫车运动模型的示意图。
在动态窗口算法中，速度矢量空间的最优解取决于无人环卫车运动模型的建立。无人环卫车的运动可以分解为直线运动和旋转运动，其轨迹被视为圆弧。当旋转角速度为零时，轨迹为直线。预测时间分为几个小时间段，因此车辆在每个时间段内的运动可以视为线性运动。图4是无人环卫车运动模型的示意图。
DWA主要在窗口区域内对电动环卫无人车的速度空间进行采样，并在速度空间(vx,wy)内模拟可行运动轨迹。速度空间中线速度和角速度的变化代表了电动环卫无人车的运动状态。在所有可行轨迹中，利用评价函数得到最优轨迹。因此，假设电动环卫无人车在时间间隔Δt内移动，运动学模型可表述如下：
式中:(x′,y′,θ′t)是t+Δt时刻世界坐标系下的无人车位姿，(x,y,θt)是t时刻世界坐标系下的无人车位姿。
步骤S20000：速度约束；
电动环卫无人车在实际运动中，存在自身的限制及传感器检测的周围障碍物距离的限制，速度的范围受到限制。主要包括以下3个限制。
限制1：在速度空间中有无限多个组，但是在实际操作中，需要根据电动环卫无人车的约束以及环境约束来约束采样速度范围。电动环卫无人车的速度限制见公式(2)
式中：V3为安全距离限制下的速度范围集合；dist(v,w)为速度(v,w)对应轨迹上离障碍物最近的距离；v1、w1分别为电动环卫无人车最大线减速度、角减速度
V1＝{(v,ω)|v∈[vmin,vmax]},w∈[wmin,wmax] (2)
式中：V1为电动环卫无人车自身最大速度、最小速度的限制下的速度范围集合；vmin，vmax分别为最小和最大线速度；wmin，wmax分别为最小和最大角速度。
限制2：在动态窗口的移动时间间隔内，由电机的加减约束引起的电动环卫无人车速度约束如公式3所示。
V2＝{(v,w)|v∈[vc-v1Δt,vc+v2Δt],w∈[wc-w1Δt,wc+w2Δt]} (3)
式中：V2为动力加速度约束下的速度范围集合；vc，wc分别为电动环卫无人车当前线速度、角速度；v1，w1分别为电动环卫无人车最大线减速度、角减速度；v2，w2分别为电动环卫无人车最大线加速度、角加速度。
限制3：电动环卫无人车制动距离约束：在局部环境中躲避障碍物时，需要保证移动机器人的安全性。在最大减速度的约束下，撞击前速度可降至0m/s。制动约束表示如下：
三个限制的交集即为电动环卫无人车最终速度的范围V为：V＝V1∩V2∩V3。
步骤S30000：速度采样与轨迹推算；
在速度空间中进行采样，采样出不同组的速度，然后根据无人车运动模型预测电动环卫无人车的轨迹，通过评价函数对这些轨迹进行最优选择，其评价函数是
G(v,w)＝α·H(v,w)+β·D(v,w)+γ·V(v,w) (5)
式中：G(v,w)为电动环卫无人车在速度(v,w)下的轨迹评价值；H(v,w)为电动环卫无人车运动方向与目标点之间的夹角；D(v,w)为电动环卫无人车与障碍物最小的距离；V(v,w)为无人车当前的速度值；α，β，γ分别为电动环卫无人车方向权值参数、安全距离权值参数、速度权值参数。H(v,w)，D(v,w)，V(v,w)都是归一化后的数据。方向函数H(v,w)是指电动环卫无人车方向与目标的连线之间的夹角的函数，夹角值越大，说明与目标方向偏离越严重，反之说明电动环卫无人车与目标点方向一致，方向正确。安全距离函数D(v,w)是指电动环卫无人车距离最近的障碍物的距离的函数，也就是说，安全距离值越大，无人车越安全，反之，安全距离值越小，无人车越危险，越容易和障碍物发生碰撞。速度函V(v,w)是指电动环卫无人车当前的速度的函数，速度越大，迭代的步数就越少，运动耗时小。
步骤S40000：当前最优速度选择；
通过对不同速度推算的轨迹进行评价，取评价函数值最大的(v,w)进行控制电动环卫无人车运动。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (10)
1.一种无人驾驶环卫车队的路径规划方法，其特征在于，包括：
全局路径规划，采用A*算法进行全局路径规划，并检测剩余电量，确保有足够电量返回充电站；
局部路径规划，采用改进动态窗口法，通过传感器检测周围信息，实时进行最优路径规划；
当遇到障碍物堵塞全局路径规划的路径时，重新规划全局路径。
2.根据权利要求1所述的无人驾驶环卫车队的路径规划方法，其特征在于，所述全局路径规划的流程包括：
步骤S10：初始化；初始化静态离散地图以及参数，并初始化起始点、目标点、速度。
步骤S20：在拓扑地图中，基于A*算法搜索全局路径节点，确定和保存关键节点序列；
步骤S30：判断当前电量是否剩余一定阈值，如果小于等于该阈值，将关键节点逆排序，即以当前点为起点，目标点为初始起点；如果大于该阈值，则继续步骤S40；
步骤S40：检测当前点最近的关键点以及下一个关键点之间的路径；
步骤S50：当传感器检测到动态障碍堵塞目标关键点或规划的全局路径时，重新进行步骤S20中的规划；当传感器检测到没有动态障碍堵塞目标关键点或规划的全局路径时，以当前点为起点，当前速度为起始速度，局部目标点为下一个关键点。
3.根据权利要求2所述的无人驾驶环卫车队的路径规划方法，其特征在于，所述局部路径规划的流程包括：
步骤S100：以局部的目标点作为动态窗口法的目标输入，对输出的局部速度值进行轨迹预测，使用评价函数选择最优轨迹对应的速度运动；
步骤S200：判断是否到达局部目标点，如果没有到达局部目标点，迭代执行步骤S100，直到到达局部目标点执行下一步；
步骤S300：检测是否到达全局目标节点，如果没有到达，执行步骤S40，通过不断地迭代，直到到达目标节点，完成清扫任务；如果到达了目标节点，则输出最优路径。
4.根据权利要求3所述的无人驾驶环卫车队的路径规划方法，其特征在于，所述步骤S100中，对车辆速度进行采样，然后基于运动模型预测轨迹，基于评价函数选择最优轨迹，以最优轨迹对应的速度进行控制。
5.根据权利要求2-4中任意一项所述的无人驾驶环卫车队的路径规划方法，其特征在于，所述拓扑地图中使用一系列的点和连接线表示环境信息，所述点代表环境中的一些关键点，所述连接线表示不同节点之间的连通性，即可行驶路径；根据地图中道路的连通性，忽略大部分环境信息，只保留拓扑点和边，形成根据连通性构造的拓扑地图。
6.根据权利要求1-4中任意一项所述的无人驾驶环卫车队的路径规划方法，其特征在于，所述A*算法用来求解静态道路最短路径，通过引入带有成本函数的启发式函数来提高搜索速度，其代价函数为f(n)＝g(n)+h(n)；其中，g(n)表示从起点到达节点n的实际成本，h(n)表示从节点n到达终点的估计成本；如果h(n)为零，A*算法退化为Dijkstra算法，并且成本估算越接近实际值，则搜索最终进行得越快。
7.根据权利要求6所述的无人驾驶环卫车队的路径规划方法，其特征在于，选用行程时间作为全局路径规划的代价函数，节点的f值为起点到达节点的实际时间和节点到达终点的估计时间之和；应用Dijkstra算法计算时间权值的步骤，将父节点f值作为子节点路段速度的自变量，再结合父节点与子节点的距离计算得到子节点的g值；其中h为节点到达终点的估计时间，直接从行程时间权值矩阵获取；将每两个相邻的任务点分别作为起点和目标点采用A*算法进行全局路径规划，从终点开始依次查找父节点可以得到一组路段序列，将全部路段序列按任务点顺序进行组合即可生成全局路径。
8.根据权利要求6所述的无人驾驶环卫车队的路径规划方法，其特征在于，所述A*算法的迭代过程包括：
步骤S1000：将起始点加到开放列表中，设置起点f值为零，其他节点f值为正无穷；
步骤S2000：寻找起点周围所有可到达或者可通过的方格，将其加入开启列表；遍当前所能到达的所有方格，将其加入开启列表中；选取f值最小的节点n移动到封闭列表中；
步骤S3000：判断当前节点是否为终点，如果是，则流程结束；
步骤S4000：如果邻接节点不在列表中，将其加入开放列表，设置n的子节点并计算f值；若邻接节点在开放列表中，当n作为父节点时g值更小，更换其父节点并计算f值；
步骤S5000：如果未遍历完n的全部邻接点，则重复步骤S4000；如果遍历完n的全部邻接点且开放列表为空，则不存在满足要求的路径；如果遍历完n的全部邻接点且开放列表不为空，则返回步骤S2000。
9.根据权利要求1-4中任意一项所述的无人驾驶环卫车队的路径规划方法，其特征在于，进行所述局部路径规划时采用DWA算法，其流程包括：
步骤S10000：建立电动环卫无人车运动模型；在窗口区域内对电动环卫无人车的速度空间进行采样，并在速度空间(vx,wy)内模拟可行运动轨迹；
步骤S20000：速度约束；
步骤S30000：速度采样与轨迹推算；在速度空间中进行采样，采样出不同组的速度，然后根据无人车运动模型预测电动环卫无人车的轨迹，通过评价函数对这些轨迹进行最优选择；
步骤S40000：当前最优速度选择；通过对不同速度推算的轨迹进行评价，取评价函数值最大的(v,w)进行控制电动环卫无人车运动。
10.根据权利要求9所述的无人驾驶环卫车队的路径规划方法，其特征在于，令电动环卫无人车在时间间隔Δt内移动，运动学模型表述如下：
式中:(x′,y′,θ′t)是t+Δt时刻世界坐标系下的无人车位姿，(x,y,θt)是t时刻世界坐标系下的无人车位姿。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211520464.6A CN115903823A (zh) | 2022-11-30 | 2022-11-30 | 一种无人驾驶环卫车队的路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211520464.6A CN115903823A (zh) | 2022-11-30 | 2022-11-30 | 一种无人驾驶环卫车队的路径规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115903823A true CN115903823A (zh) | 2023-04-04 |
Family
ID=86483130
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211520464.6A Pending CN115903823A (zh) | 2022-11-30 | 2022-11-30 | 一种无人驾驶环卫车队的路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115903823A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116612654A (zh) * | 2023-07-21 | 2023-08-18 | 北京斯年智驾科技有限公司 | 一种无人驾驶车队调度方法、装置及电子设备 |
-
2022
- 2022-11-30 CN CN202211520464.6A patent/CN115903823A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116612654A (zh) * | 2023-07-21 | 2023-08-18 | 北京斯年智驾科技有限公司 | 一种无人驾驶车队调度方法、装置及电子设备 |
| CN116612654B (zh) * | 2023-07-21 | 2023-11-24 | 北京斯年智驾科技有限公司 | 一种无人驾驶车队调度方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dang et al. | Explore locally, plan globally: A path planning framework for autonomous robotic exploration in subterranean environments | |
| Lin et al. | Decision making through occluded intersections for autonomous driving | |
| Koenig et al. | Performance bounds for planning in unknown terrain | |
| Kim et al. | PLGRIM: Hierarchical value learning for large-scale exploration in unknown environments | |
| JP7330142B2 (ja) | 車両のｕターン経路を決定する方法、装置、デバイスおよび媒体 | |
| Shah et al. | Viking: Vision-based kilometer-scale navigation with geographic hints | |
| Fulgenzi et al. | Probabilistic motion planning among moving obstacles following typical motion patterns | |
| JP2023531831A (ja) | 駐車スペースのハイブリッド探索を用いた自律駐車 | |
| Yang et al. | Decentralized cooperative search in UAV's using opportunistic learning | |
| Lambert et al. | Safe path planning in an uncertain-configuration space | |
| CN115167459B (zh) | 一种融合空洞修复和信息采集的水下机器人路径规划方法 | |
| CN115903823A (zh) | 一种无人驾驶环卫车队的路径规划方法 | |
| Balan et al. | Optimal trajectory planning for multiple waypoint path planning using tabu search | |
| Sharma et al. | A survey on smooth path generation techniques for nonholonomic autonomous vehicle systems | |
| CN117249842A (zh) | 一种基于轨迹平滑优化的无人车混合轨迹规划方法 | |
| CN115981323A (zh) | 一种多传感融合智能清洁车自动避障方法及智能清洁车 | |
| Graba et al. | Toward safer and energy efficient global trajectory planning of self-guided vehicles for material handling system in dynamic environment | |
| CN116610109A (zh) | 基于梯度的前向蚁群算法无人车路径规划方法 | |
| Yan et al. | A study of improved global path planning algorithm for parking robot based on Ros | |
| CN115326070A (zh) | 城市低空环境下基于三维切线图法的无人机航迹规划方法 | |
| Fulgenzi et al. | Probabilistic rapidly-exploring random trees for autonomous navigation among moving obstacles | |
| Qiu | A Review of Motion Planning for Urban Autonomous Driving | |
| Valdés et al. | An efficient algorithm for optimal routing applied to convoy merging manoeuvres in urban environments | |
| Luo et al. | Planning optimal trajectory for histogram-enabled mapping and navigation by an efficient PSO algorithm | |
| Moreira | Deep Reinforcement Learning for Automated Parking |
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 |