CN116202533A - 一种基于地形重构的车辆轨迹导航规划方法及设备 - Google Patents
一种基于地形重构的车辆轨迹导航规划方法及设备 Download PDFInfo
- Publication number
- CN116202533A CN116202533A CN202310491034.4A CN202310491034A CN116202533A CN 116202533 A CN116202533 A CN 116202533A CN 202310491034 A CN202310491034 A CN 202310491034A CN 116202533 A CN116202533 A CN 116202533A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- grid
- reconstruction
- path
- 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
Links
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
本发明公开了一种基于地形重构的车辆轨迹导航规划方法及设备,属于路径导航规划技术领域,用于解决现有的越野车辆受地面的高程、坡度、坡向、附着率等多因素耦合的影响,难以实现车辆的越野轨迹规划,以及难以进行最优的自动化导航规划的技术问题。方法包括:获取车辆待通行区域的DEM(数字高程模型)数据,对数据中的地面高程数据与地表属性数据进行数据重构,得到栅格重构数据;并确定出允许车辆通行的可通行域数据;对栅格重构数据中的特征因子与风险特征进行相关性提取,得到风险特征矩阵;对车辆待通行区域进行有关地面势场模型的路径规划与车速规划,得到最佳行驶路径与节点参考速度;以进行对车辆的导航规划。
Description
技术领域
本申请涉及路径导航规划领域,尤其涉及一种基于地形重构的车辆轨迹导航规划方法及设备。
背景技术
自动驾驶在城市结构化道路上的已初具规模,国内外大型整车厂均在不同程度推出自动驾驶辅助系统(ADAS)以提高车辆行驶主动安全性。在山地、越野等复杂环境的非结构化道路上,自动驾驶技术被广泛应用在农用、军事、消防等多个领域中,被称作无人地面车辆(Unmanned Ground Vehicle,UGV)。从上世纪90年代开始,随着图形处理、数据融合技术的更新,UGV步入快速发展的阶段。
而在越野环境下,环境则更为复杂,UGV需要适应复杂地形环境,这些环境没有车道线、交通灯等标志,在这样的非结构化环境下,道路并不明显,道路与非道路的界限非常模糊,因此越野环境下无人地面车辆的轨迹规划面临着很大困难。
由于在野外环境复杂工况下行驶的越野车辆受地面高程、坡度、坡向、地面附着率等多因素耦合的影响,难以进行地形重构来实现车辆的轨迹规划,且现有自动驾驶车辆轨迹规划策略,不适用于非结构化路面越野场景下的轨迹规划,难以根据规划出的越野路径实现对车辆的最优导航。
发明内容
本申请实施例提供了一种基于地形重构的车辆轨迹导航规划方法及设备,用于解决如下技术问题:现有的越野车辆受地面的高程、坡度、坡向、附着率等多因素耦合的影响,难以通过地形重构来实现车辆的越野轨迹规划,以及对越野车辆难以进行最优的自动化导航规划。
本申请实施例采用下述技术方案:
一方面,本申请实施例提供了一种基于地形重构的车辆轨迹导航规划方法,包括:获取车辆待通行区域的DEM(数字高程模型)数据,并对所述DEM(数字高程模型)数据进行数据处理,得到地面高程数据与地表属性数据;根据三维栅格地图,对所述地面高程数据与所述地表属性数据进行数据重构,得到栅格重构数据;并根据所述栅格重构数据,确定出允许车辆通行的可通行域数据;基于Pearson(皮尔森)相关系数法,对所述栅格重构数据中的特征因子与风险特征进行相关性提取,得到有关栅格重构数据的风险特征矩阵;根据所述风险特征矩阵与所述可通行域数据,对所述车辆待通行区域进行有关地面势场模型的路径规划,得到最佳行驶路径;对所述最佳行驶路径中的路径节点进行对应车速规划,得到每个路径节点的节点参考速度;通过所述最佳行驶路径以及所述节点参考速度,以进行对越野车辆的导航规划。
本申请实施例通过获取的DEM(数字高程模型)数据对地面高程数据与地表属性数据进行重构后,对其中的特征因子与风险因子进行相关性提取,有利于找到车辆待通行区域的三维栅格地图下限制车辆行驶速度的主要因素,利用风险特征构建出的势场模型,有利于规划出最适合车辆越野场景的最优路径,结合越野车辆受地面的高程、坡度、坡向、附着率等多因素耦合的影响,对越野车辆规划出最优的自动化导航规划。
在一种可行的实施方式中,获取车辆待通行区域的DEM(数字高程模型)数据,并对所述DEM(数字高程模型)数据进行数据处理,得到地面高程数据与地表属性数据,具体包括:通过开源数据集,获取所述车辆待通行区域的DEM(数字高程模型)数据以及对应的区域遥感影像;其中,所述DEM(数字高程模型)数据的精度应高于12.5m级精度;对所述DEM(数字高程模型)数据进行均一化的数据采点,得到有关地面起伏的地面高程数据;根据Arcgis(地理信息系统系列软件)中ROI(Region Of Interest,感兴趣区域)采集分类功能,将所述区域遥感影像进行有关地表属性的土地分类,确定出所述地表属性数据;其中,所述地表属性至少包括:硬质路面、无植被土壤、草地、沙地、森林、灌木、沼泽以及湖泊。
在一种可行的实施方式中,根据三维栅格地图,对所述地面高程数据与所述地表属性数据进行数据重构,得到栅格重构数据,具体包括:获取所述车辆待通行区域的三维栅格地图;根据所述三维栅格地图中的分辨率栅格,对所述地面高程数据进行数据的矩阵重构,得到有关所述地面高程数据的高程矩阵;其中,所述高程矩阵由所述地面高程数据中点的三维坐标信息构成;根据所述高程矩阵中相邻高程点的高程值以及所述分辨率栅格,对相邻栅格进行差值计算,得到相邻栅格高程差数据;根据所述三维栅格地图中的分辨率栅格,将所述地表属性数据进行数据的对应重构,得到地表栅格数据;其中,所述栅格重构数据包括:所述相邻栅格高程差数据以及所述地表栅格数据。
本申请通过三维栅格地图对地面高程数据与地表属性数据的数据重构, 基于分辨率栅格,有利于得出能反映出地势特点的相邻格高程差与地表栅格。
在一种可行的实施方式中,根据所述栅格重构数据,确定出允许车辆通行的可通行域数据,具体包括:根据所述栅格重构数据中的相邻栅格高程差数据,确定出所述三维栅格地图中相邻栅格区域的相邻栅格坡度值;并将所述相邻栅格坡度值中小于30°的相邻栅格区域,确定为基于相邻栅格高程差数据的高程可通行栅格数据,对所述地表属性数据进行数据分类,得到可通行区域数据与不可通行区域数据,根据所述可通行区域数据与不可通行区域数据,对所述栅格重构数据中的地表栅格数据进行对应标注,分别确定出地表可通行域数据与地表不可通行域数据;通过所述地表不可通行域数据,对所述高程可通行栅格数据进行对应数据的剔除处理,得到允许车辆通行的可通行域数据。
在一种可行的实施方式中,基于Pearson(皮尔森)相关系数法,对所述栅格重构数据中的特征因子与风险特征进行相关性提取,得到有关栅格重构数据的风险特征矩阵,具体包括:根据,得到所述特征因子与所述风险特征之间的相互关联程度/>;其中,Xi和Yi分别表示第i个栅格中的特征因子与风险特征,/>和分别表示所述特征因子与所述风险特征的平均值,每个栅格中的风险特征用来表示所述每个栅格中车辆可行驶的最高车速表征;通过预设专家打分算法,将所述相互关联程度中相关性系数较大的特征因子进行权重的划分,得到风险特征参数;根据所述风险特征参数,对所述栅格重构数据中的风险特征进行提取,得到所述风险特征矩阵。
本申请通过Pearson(皮尔森)相关系数法从地形高程差、地势坡度及坡向变化、不同路面类型的路面附着率、环境天气因素等的特征因子,与每个栅格可行驶的最高车速表征下的风险特征进行特征之间的相互关联计算,根据 Pearson(皮尔森)相关性系数的绝对值取值范围,将相关性强度进行分级处理,有利于通过专家打分算法赋予的权值构建风险特征矩阵,实现风险特征的提取。
在一种可行的实施方式中,根据所述风险特征矩阵与所述可通行域数据,对所述车辆待通行区域进行有关地面势场模型的路径规划,得到最佳行驶路径,具体包括:获取所述车辆待通行区域中有关起点位置与终点位置的曼哈顿距离;根据所述曼哈顿距离,对所述可通行域数据进行所有可通行的路径规划,得到备选规划路径;根据所述风险特征矩阵,构建出有关车辆待通行区域的引力势场与斥力势场;将所述引力势场与斥力势场进行势场的合并,得到有关地面势场模型的合势场模型;通过所述合势场模型,对所述备选规划路径进行势场梯度的筛选,筛选出符合所述合势场模型中势场梯度下降最快的规划路径,并确定为所述最佳行驶路径。
本申请通过将车辆待通行区域的引力势场与斥力势场进行合并,构建出的合势场模型,能够更好对多条备选规划路径中进行势场模型梯度下降最快的路径筛选,从中选出最适合越野车辆行驶的最佳行驶路径。
在一种可行的实施方式中,根据所述风险特征矩阵,构建出有关车辆待通行区域的引力势场与斥力势场,具体包括:根据,得到有关车辆待通行区域的引力势场/>;其中,/>为引力势场的正比例系数且由所述风险特征矩阵中每个栅格的风险特征参数所确定,P0为车辆与所述终点位置的直线距离,m为引力势场因子;根据或者/>,得到有关车辆待通行区域的斥力势场/>;其中,/>为地表不可通行域数据对应的不可通行栅格,/>为所述不可通行栅格与车辆的距离,/>为斥力势场中的定值正比例系数。
在一种可行的实施方式中,在对所述最佳行驶路径中的路径节点进行对应车速规划,得到每个路径节点的节点参考速度之前,所述方法还包括:根据,得到第i个栅格中路径点的最大速度;其中,/>为路径点的最大横向加速度,/>为路径点的曲率,/>为路径点的限制速度,且所述限制速度/>由相互关联程度中的特征因子所决定;根据/>,得到每个路径点的期望速度/>;其中,adec为车辆制动的最大减速度,S为当前栅格至终点位置的曼哈顿距离。
在一种可行的实施方式中,对所述最佳行驶路径中的路径节点进行对应车速规划,得到每个路径节点的节点参考速度,具体包括:根据所述最佳行驶路径中每个路径节点的限制速度、曲率以及最大横向加速度,将每个路径节点中的最大速度确定为车辆的节点基本速度;若识别到当前节点的车辆所需制动距离小于或等于剩余路径长度时,则将所述期望速度确定为当前节点的节点限制速度;其中,所述节点参考速度包括:所述节点基本速度与所述节点限制速度。
本申请依据基本速度、期望速度等因素构建完整参考速度,对每个路径节点的行驶速度进行了最优的规划,有利于越野车辆根据规划出的最佳行驶路径与对应的节点参考速度,最终完成对越野车辆最优的自动化导航规划。
另一方面,本申请实施例还提供了一种基于地形重构的车辆轨迹导航规划设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有能够被所述至少一个处理器执行的指令,以使所述至少一个处理器能够执行上述任一实施例所述的一种基于地形重构的车辆轨迹导航规划方法。
本申请提供了一种基于地形重构的车辆轨迹导航规划方法及设备,通过获取的DEM(数字高程模型)数据对地面高程数据与地表属性数据进行重构后,对其中的特征因子与风险因子进行相关性提取,有利于找到车辆待通行区域的三维栅格地图下限制车辆行驶速度的主要因素,利用风险特征构建出的势场模型,有利于规划出最适合车辆越野场景的最优路径,结合越野车辆受地面的高程、坡度、坡向、附着率等多因素耦合的影响,对越野车辆规划出最优的自动化导航规划。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本申请实施例提供的一种基于地形重构的车辆轨迹导航规划方法流程图;
图2为本申请实施例提供的一种基于地形重构的车辆轨迹导航规划设备的结构示意图;如图2所示,200为基于地形重构的车辆轨迹导航规划设备,201为处理器以及202为与处理器201相连的存储器。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
本申请实施例提供了一种基于地形重构的车辆轨迹导航规划方法,如图1所示,基于地形重构的车辆轨迹导航规划方法具体包括步骤S101-S105:
需要说明的是,在越野环境下,地表类型多样,地面属性复杂,所以对车辆的行驶有较多阻碍,同时地形多起伏不定,若不事先对越野车辆行驶路径进行规划,会严重的影响汽车在指定区域的通行速度,同时在实车通行演练过程中总结经验,对人力物力财力的消耗较大,在行驶安全性上也无法保障驾驶人员及试验车辆。所以,基于地形重构的车辆轨迹导航规划方法,对我国农业发展、森林消防、军事行动等多个领域具有指导价值。
S101、获取车辆待通行区域的DEM(数字高程模型)数据,并对DEM(数字高程模型)数据进行数据处理,得到地面高程数据与地表属性数据。
具体地,通过开源数据集,获取车辆待通行区域的DEM(数字高程模型)数据以及对应的区域遥感影像。其中,DEM(数字高程模型)数据的精度应高于12.5m级精度。对DEM(数字高程模型)数据进行均一化的数据采点,得到有关地面起伏的地面高程数据。根据Arcgis(地理信息系统系列软件)中ROI(Region Of Interest,感兴趣区域)采集分类功能,将区域遥感影像进行有关地表属性的土地分类,确定出地表属性数据。其中,地表属性至少包括:硬质路面、无植被土壤、草地、沙地、森林、灌木、沼泽以及湖泊。
S102、根据三维栅格地图,对地面高程数据与地表属性数据进行数据重构,得到栅格重构数据。并根据栅格重构数据,确定出允许车辆通行的可通行域数据。
具体地,获取车辆待通行区域的三维栅格地图。根据三维栅格地图中的分辨率栅格,对地面高程数据进行数据的矩阵重构,得到有关地面高程数据的高程矩阵。其中,高程矩阵由地面高程数据中点的三维坐标信息构成。
进一步地,根据高程矩阵中相邻高程点的高程值以及分辨率栅格,对相邻栅格进行差值计算,得到相邻栅格高程差数据。根据三维栅格地图中的分辨率栅格,将地表属性数据进行数据的对应重构,得到地表栅格数据。其中,栅格重构数据包括:相邻栅格高程差数据以及地表栅格数据。
进一步地,根据栅格重构数据中的相邻栅格高程差数据,确定出三维栅格地图中相邻栅格区域的相邻栅格坡度值;并将相邻栅格坡度值中小于30°的相邻栅格区域,确定为基于相邻栅格高程差数据的高程可通行栅格数据。对地表属性数据进行数据分类,得到可通行区域数据与不可通行区域数据。
进一步地,根据可通行区域数据与不可通行区域数据,对栅格重构数据中的地表栅格数据进行对应标注,分别确定出地表可通行域数据与地表不可通行域数据。再通过地表不可通行域数据,对高程可通行栅格数据进行对应数据的剔除处理,得到允许车辆通行的可通行域数据。
在一个实施例中,依据相邻栅格高程差,确定出对应的坡度值,然后选取相邻栅格坡度值小于30°作为高程可通行栅格。将地表属性数据中硬质路面、无植被土壤、草地、沙地等类别确定为地表的可通行域区域,将森林、灌木、沼泽或湖泊等路面类别作为地表的不可通行域区域。将高程可通行栅格中含地表不可通行域的栅格剔除后,最终得到车辆的可通行域数据。
S103、基于Pearson(皮尔森)相关系数法,对栅格重构数据中的特征因子与风险特征进行相关性提取,得到有关栅格重构数据的风险特征矩阵。
具体地,根据,得到特征因子与风险特征之间的相互关联程度/>。其中,Xi和Yi分别表示第i个栅格中的特征因子与风险特征,/>和/>分别表示特征因子与风险特征的平均值,每个栅格中的风险特征用来表示每个栅格中车辆可行驶的最高车速表征。
进一步地,通过预设专家打分算法,将相互关联程度中相关性系数较大的特征因子进行权重的划分,得到风险特征参数。然后根据风险特征参数,对栅格重构数据中的风险特征进行提取,得到风险特征矩阵。
在一个实施例中,每个栅格的风险特征以该栅格可行驶的最高车速作为表征,车辆不可通行域内最高车速设0。根据Pearson(皮尔森)相关性系数的绝对值取值范围,可以将相关互联程度的强度分为以下5个等级:极强相关(0.8-1.0)、强相关(0.6-0.8)、中等程度相关(0.4-0.6)、弱相关(0.2-0.4)以及极弱相关或无相关(0.0-0.2)。根据Pearson(皮尔森)相关系数所筛选的特征因子,通过专家打分算法判定特征因子相对重要性,分别确定其权值,其中,专家打分算法由多驾驶员训练完成,将相关系数较大的特征因子赋予不同权重,各因素权值总和为1。根据专家打分算法法赋予的权值构建风险特征矩阵,以实现风险特征的提取。栅格分辨率n×q的风险特征矩阵:,式中,/>(i =1,2,……,n;j =1,2,……, q) 表示第i ,j个栅格的风险特征参数。
S104、根据风险特征矩阵与可通行域数据,对车辆待通行区域进行有关地面势场模型的路径规划,得到最佳行驶路径。
具体地,获取车辆待通行区域中有关起点位置与终点位置的曼哈顿距离。根据曼哈顿距离,对可通行域数据进行所有可通行的路径规划,得到备选规划路径。
进一步地,根据风险特征矩阵,构建出有关车辆待通行区域的引力势场与斥力势场。其中,根据,得到有关车辆待通行区域的引力势场/>。其中,/>为引力势场的正比例系数且由风险特征矩阵中每个栅格的风险特征参数所确定,P0为车辆与终点位置的直线距离,m为引力势场因子。以及,根据/>或者/>,得到有关车辆待通行区域的斥力势场/>。其中,/>为地表不可通行域数据对应的不可通行栅格,/>为不可通行栅格与车辆的距离,/>为斥力势场中的定值正比例系数,取定值20。
进一步地,将引力势场与斥力势场进行势场的合并,得到有关地面势场模型的合势场模型。
进一步地,通过合势场模型,对备选规划路径进行势场梯度的筛选,筛选出符合合势场模型中势场梯度下降最快的规划路径,并确定为最佳行驶路径。
作为一种可行的实施方式,合势场为:Utal(P)=Uatt(P)+Urep(P)。合力的表达式为:Ftal(P)=Fatt(P)+Frep(P),引力F是引力势场Uatt的负导数。合势场模型基于合势场与合力的表达式进行组建的,用于从大量备选规划路径中筛选出符合合势场模型中势场梯度下降最快的规划路径作为最佳行驶路径。
S105、对最佳行驶路径中的路径节点进行对应车速规划,得到每个路径节点的节点参考速度。通过最佳行驶路径以及节点参考速度,以进行对越野车辆的导航规划。
具体地,根据,得到第i个栅格中路径点的最大速度。其中,为路径点的最大横向加速度,/>为路径点的曲率,/>为路径点的限制速度,且限制速度/>由相互关联程度中的特征因子所决定。然后根据/>,得到每个路径点的期望速度/>。其中,adec为车辆制动的最大减速度,S为当前栅格至终点位置的曼哈顿距离。
进一步地,根据最佳行驶路径中每个路径节点的限制速度、曲率以及最大横向加速度,将每个路径节点中的最大速度确定为车辆的节点基本速度。若识别到当前节点的车辆所需制动距离小于或等于剩余路径长度时,则将期望速度确定为当前节点的节点限制速度。其中,节点参考速度包括:节点基本速度与节点限制速度。
作为一种可行的实施方式,根据最佳行驶路径中每个路径节点的限制速度、曲率及侧向加速度等因素依次计算出每个路径点的允许最高速度作为基本车速。在一个路径节点中,当前车速所需制动距离与路径剩余长度小于预设值时,采用期望速度作为越野车辆的控制速度,然后依据基本速度、期望速度等因素构建完整参考速度,对每个路径节点的行驶速度进行了最优的规划,有利于越野车辆根据规划出的最佳行驶路径与对应的节点参考速度,也为驾驶人员提供了对车辆待通行区域的最佳路线以及各个路线上不同节点的参考速度,最终完成对越野车辆最优的自动化导航规划。
另外,本申请实施例还提供了一种基于地形重构的车辆轨迹导航规划设备,如图2所示,基于地形重构的车辆轨迹导航规划设备200具体包括:
至少一个处理器201。以及,与至少一个处理器201通信连接的存储器202。其中,存储器202存储有能够被至少一个处理器201执行的指令,以使至少一个处理器201能够执行:
获取车辆待通行区域的DEM(数字高程模型)数据,并对DEM(数字高程模型)数据进行数据处理,得到地面高程数据与地表属性数据;
根据三维栅格地图,对地面高程数据与地表属性数据进行数据重构,得到栅格重构数据;并根据栅格重构数据,确定出允许车辆通行的可通行域数据;
基于Pearson(皮尔森)相关系数法,对栅格重构数据中的特征因子与风险特征进行相关性提取,得到有关栅格重构数据的风险特征矩阵;
根据风险特征矩阵与可通行域数据,对车辆待通行区域进行有关地面势场模型的路径规划,得到最佳行驶路径;
对最佳行驶路径中的路径节点进行对应车速规划,得到每个路径节点的节点参考速度;通过最佳行驶路径以及节点参考速度,以进行对越野车辆的导航规划。
本申请通过获取的DEM(数字高程模型)数据对地面高程数据与地表属性数据进行重构后,对其中的特征因子与风险因子进行相关性提取,有利于找到车辆待通行区域的三维栅格地图下限制车辆行驶速度的主要因素,利用风险特征构建出的势场模型,有利于规划出最适合车辆越野场景的最优路径,结合越野车辆受地面的高程、坡度、坡向、附着率等多因素耦合的影响,对越野车辆规划出最优的自动化导航规划。
Claims (10)
1.一种基于地形重构的车辆轨迹导航规划方法,其特征在于,所述方法包括:
获取车辆待通行区域的DEM数据,并对所述DEM数据进行数据处理,得到地面高程数据与地表属性数据;
根据三维栅格地图,对所述地面高程数据与所述地表属性数据进行数据重构,得到栅格重构数据;并根据所述栅格重构数据,确定出允许车辆通行的可通行域数据;
基于Pearson相关系数法,对所述栅格重构数据中的特征因子与风险特征进行相关性提取,得到有关栅格重构数据的风险特征矩阵;
根据所述风险特征矩阵与所述可通行域数据,对所述车辆待通行区域进行有关地面势场模型的路径规划,得到最佳行驶路径;
对所述最佳行驶路径中的路径节点进行对应车速规划,得到每个路径节点的节点参考速度;通过所述最佳行驶路径以及所述节点参考速度,以进行对越野车辆的导航规划。
2.根据权利要求1所述的一种基于地形重构的车辆轨迹导航规划方法,其特征在于,获取车辆待通行区域的DEM数据,并对所述DEM数据进行数据处理,得到地面高程数据与地表属性数据,具体包括:
通过开源数据集,获取所述车辆待通行区域的DEM数据以及对应的区域遥感影像;其中,所述DEM数据的精度应高于12.5m级精度;
对所述DEM数据进行均一化的数据采点,得到有关地面起伏的地面高程数据;
根据Arcgis中ROI采集分类功能,将所述区域遥感影像进行有关地表属性的土地分类,确定出所述地表属性数据;其中,所述地表属性至少包括:硬质路面、无植被土壤、草地、沙地、森林、灌木、沼泽以及湖泊。
3.根据权利要求1所述的一种基于地形重构的车辆轨迹导航规划方法,其特征在于,根据三维栅格地图,对所述地面高程数据与所述地表属性数据进行数据重构,得到栅格重构数据,具体包括:
获取所述车辆待通行区域的三维栅格地图;
根据所述三维栅格地图中的分辨率栅格,对所述地面高程数据进行数据的矩阵重构,得到有关所述地面高程数据的高程矩阵;其中,所述高程矩阵由所述地面高程数据中点的三维坐标信息构成;
根据所述高程矩阵中相邻高程点的高程值以及所述分辨率栅格,对相邻栅格进行差值计算,得到相邻栅格高程差数据;
根据所述三维栅格地图中的分辨率栅格,将所述地表属性数据进行数据的对应重构,得到地表栅格数据;
其中,所述栅格重构数据包括:所述相邻栅格高程差数据以及所述地表栅格数据。
4.根据权利要求3所述的一种基于地形重构的车辆轨迹导航规划方法,其特征在于,根据所述栅格重构数据,确定出允许车辆通行的可通行域数据,具体包括:
根据所述栅格重构数据中的相邻栅格高程差数据,确定出所述三维栅格地图中相邻栅格区域的相邻栅格坡度值;并将所述相邻栅格坡度值中小于30°的相邻栅格区域,确定为基于相邻栅格高程差数据的高程可通行栅格数据;
对所述地表属性数据进行数据分类,得到可通行区域数据与不可通行区域数据;
根据所述可通行区域数据与不可通行区域数据,对所述栅格重构数据中的地表栅格数据进行对应标注,分别确定出地表可通行域数据与地表不可通行域数据;
通过所述地表不可通行域数据,对所述高程可通行栅格数据进行对应数据的剔除处理,得到允许车辆通行的可通行域数据。
5.根据权利要求1所述的一种基于地形重构的车辆轨迹导航规划方法,其特征在于,基于Pearson相关系数法,对所述栅格重构数据中的特征因子与风险特征进行相关性提取,得到有关栅格重构数据的风险特征矩阵,具体包括:
根据,得到所述特征因子与所述风险特征之间的相互关联程度/>;其中,Xi和Yi分别表示第i个栅格中的特征因子与风险特征,/>和/>分别表示所述特征因子与所述风险特征的平均值,每个栅格中的风险特征用来表示所述每个栅格中车辆可行驶的最高车速表征;
通过预设专家打分算法,将所述相互关联程度中相关性系数较大的特征因子进行权重的划分,得到风险特征参数;
根据所述风险特征参数,对所述栅格重构数据中的风险特征进行提取,得到所述风险特征矩阵。
6.根据权利要求1所述的一种基于地形重构的车辆轨迹导航规划方法,其特征在于,根据所述风险特征矩阵与所述可通行域数据,对所述车辆待通行区域进行有关地面势场模型的路径规划,得到最佳行驶路径,具体包括:
获取所述车辆待通行区域中有关起点位置与终点位置的曼哈顿距离;
根据所述曼哈顿距离,对所述可通行域数据进行所有可通行的路径规划,得到备选规划路径;
根据所述风险特征矩阵,构建出有关车辆待通行区域的引力势场与斥力势场;
将所述引力势场与斥力势场进行势场的合并,得到有关地面势场模型的合势场模型;
通过所述合势场模型,对所述备选规划路径进行势场梯度的筛选,筛选出符合所述合势场模型中势场梯度下降最快的规划路径,并确定为所述最佳行驶路径。
9.根据权利要求8所述的一种基于地形重构的车辆轨迹导航规划方法,其特征在于,对所述最佳行驶路径中的路径节点进行对应车速规划,得到每个路径节点的节点参考速度,具体包括:
根据所述最佳行驶路径中每个路径节点的限制速度、曲率以及最大横向加速度,将每个路径节点中的最大速度确定为车辆的节点基本速度;
若识别到当前节点的车辆所需制动距离小于或等于剩余路径长度时,则将所述期望速度确定为当前节点的节点限制速度;
其中,所述节点参考速度包括:所述节点基本速度与所述节点限制速度。
10.一种基于地形重构的车辆轨迹导航规划设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有能够被所述至少一个处理器执行的指令,以使所述至少一个处理器能够执行根据权利要求1-9任一项所述的一种基于地形重构的车辆轨迹导航规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310491034.4A CN116202533B (zh) | 2023-05-05 | 2023-05-05 | 一种基于地形重构的车辆轨迹导航规划方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310491034.4A CN116202533B (zh) | 2023-05-05 | 2023-05-05 | 一种基于地形重构的车辆轨迹导航规划方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116202533A true CN116202533A (zh) | 2023-06-02 |
CN116202533B CN116202533B (zh) | 2023-07-21 |
Family
ID=86511528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310491034.4A Active CN116202533B (zh) | 2023-05-05 | 2023-05-05 | 一种基于地形重构的车辆轨迹导航规划方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116202533B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116513246A (zh) * | 2023-07-04 | 2023-08-01 | 北京理工大学 | 一种越野环境速度规划方法、系统及设备 |
CN116734879A (zh) * | 2023-06-13 | 2023-09-12 | 南京信息工程大学 | 基于六边形格网的时间最优路径规划方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017227992A (ja) * | 2016-06-20 | 2017-12-28 | 日本電信電話株式会社 | 経路探索装置、ユーザ特徴データ作成装置、リンク特徴データ作成装置、方法、及びプログラム |
US20190369290A1 (en) * | 2018-05-30 | 2019-12-05 | City University Of Hong Kong | System and method for determining optimal path arrangements for an infrastructure link with terrain slope consideration |
CN111080029A (zh) * | 2019-12-26 | 2020-04-28 | 山东大学 | 基于多路段时空相关的城市交通路段速度预测方法及系统 |
CN112859866A (zh) * | 2021-01-18 | 2021-05-28 | 西安电子科技大学 | 机器人滚动路径规划方法、系统、存储介质、设备及应用 |
US20210300357A1 (en) * | 2020-03-30 | 2021-09-30 | Denso International America, Inc. | Target-orientated navigation system for a vehicle using a generic navigation system and related method |
CN113625707A (zh) * | 2021-07-09 | 2021-11-09 | 江苏大学 | 一种多传感器融合的温室自动跟随平台及其控制方法 |
CN114326754A (zh) * | 2022-03-09 | 2022-04-12 | 中国科学院空天信息创新研究院 | 复杂地形路径规划方法、装置、电子设备和存储介质 |
-
2023
- 2023-05-05 CN CN202310491034.4A patent/CN116202533B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017227992A (ja) * | 2016-06-20 | 2017-12-28 | 日本電信電話株式会社 | 経路探索装置、ユーザ特徴データ作成装置、リンク特徴データ作成装置、方法、及びプログラム |
US20190369290A1 (en) * | 2018-05-30 | 2019-12-05 | City University Of Hong Kong | System and method for determining optimal path arrangements for an infrastructure link with terrain slope consideration |
CN111080029A (zh) * | 2019-12-26 | 2020-04-28 | 山东大学 | 基于多路段时空相关的城市交通路段速度预测方法及系统 |
US20210300357A1 (en) * | 2020-03-30 | 2021-09-30 | Denso International America, Inc. | Target-orientated navigation system for a vehicle using a generic navigation system and related method |
CN112859866A (zh) * | 2021-01-18 | 2021-05-28 | 西安电子科技大学 | 机器人滚动路径规划方法、系统、存储介质、设备及应用 |
CN113625707A (zh) * | 2021-07-09 | 2021-11-09 | 江苏大学 | 一种多传感器融合的温室自动跟随平台及其控制方法 |
CN114326754A (zh) * | 2022-03-09 | 2022-04-12 | 中国科学院空天信息创新研究院 | 复杂地形路径规划方法、装置、电子设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
WENLI WU ET AL.: "Virtual Force Vector Control Method of Intelligent Vehicle Path Planning", 2022 6TH CAA INTERNATIONAL CONFERENCE ON VEHICULAR CONTROL AND INTELLIGENCE (CVCI) * |
XU LI ET AL.: "Research on Vehicle Lane Change Recognition Based on ABC-SVM Algorithm", 2021 16TH INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE & EDUCATION (ICCSE) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116734879A (zh) * | 2023-06-13 | 2023-09-12 | 南京信息工程大学 | 基于六边形格网的时间最优路径规划方法 |
CN116513246A (zh) * | 2023-07-04 | 2023-08-01 | 北京理工大学 | 一种越野环境速度规划方法、系统及设备 |
CN116513246B (zh) * | 2023-07-04 | 2023-09-12 | 北京理工大学 | 一种越野环境速度规划方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116202533B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116202533B (zh) | 一种基于地形重构的车辆轨迹导航规划方法及设备 | |
CN110850439B (zh) | 一种高精度三维点云地图构建方法 | |
CN102208013B (zh) | 风景匹配参考数据生成系统和位置测量系统 | |
CN102208036B (zh) | 车辆位置检测系统 | |
CN104864878B (zh) | 基于电子地图的路况物理信息绘制及查询方法 | |
CN110715671B (zh) | 三维地图生成方法、装置、车辆导航设备和无人驾驶车辆 | |
CN102222236A (zh) | 图像处理系统及位置测量系统 | |
CN108986207A (zh) | 一种基于真实路面数据的道路及沿线建筑仿真建模方法 | |
CN110631596A (zh) | 一种基于迁移学习的装备车辆路径规划方法 | |
CN108645420A (zh) | 一种基于差分导航的自动驾驶车辆多路径地图的创建方法 | |
CN110851948B (zh) | 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 | |
Subramani et al. | National highway alignment using GIS | |
CN109544443A (zh) | 一种路线图生成方法及装置 | |
CN115206103A (zh) | 一种基于平行仿真系统的可变限速控制系统 | |
CN116129066A (zh) | 基于数字孪生的自动驾驶高精度地图模型及高精度静态地图制作方法 | |
Fazekas et al. | ANN-based classification of urban road environments from traffic sign and crossroad data | |
CN114359877B (zh) | 基于融合特征的无人履带车辆道路类型识别方法和系统 | |
CN108470460A (zh) | 一种基于智能手机与rnn的周边车辆行为识别方法 | |
Subramani et al. | Highway Alignment Using Geographical Information System | |
CN108973995A (zh) | 用于辅助驾驶的环境感知数据处理方法、装置及车辆 | |
CN113108807B (zh) | 一种自动驾驶路径规划方法及其可读存储介质 | |
CN115546551A (zh) | 一种基于深度学习的地理信息提取方法及系统 | |
CN106056953A (zh) | 基于低精度gps数据获取交通道路信息的方法 | |
CN108364456A (zh) | 一种确定高速公路桩号的方法、存储介质、装置及系统 | |
Kristalova et al. | Geographical data and algorithms usable for decision-making process |
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 |