CN116300913A - 一种基于视觉信息的无人艇多约束局部路径规划方法 - Google Patents
一种基于视觉信息的无人艇多约束局部路径规划方法 Download PDFInfo
- Publication number
- CN116300913A CN116300913A CN202310199189.0A CN202310199189A CN116300913A CN 116300913 A CN116300913 A CN 116300913A CN 202310199189 A CN202310199189 A CN 202310199189A CN 116300913 A CN116300913 A CN 116300913A
- Authority
- CN
- China
- Prior art keywords
- curve
- path
- unmanned ship
- distance
- points
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000000007 visual effect Effects 0.000 title claims abstract description 20
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000036461 convulsion Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供了一种基于视觉信息的无人艇多约束局部路径规划方法,涉及无人艇运动规划技术领域,包括如下步骤:基于深度图像信息对无人艇所处的周围环境进行建模,得到三维占据栅格地图;将所述三维占据栅格地图作为路径规划所依靠的地图信息,采用杜宾斯曲线对三维占据栅格地图进行路径点的搜索,得到路径点;得到参考中心线;在曲线法线方向进行路径点的动态扩张,确定狭窄河道的左右边界,得到横向距离约束;对关于横向距离、艏摇角、曲率、曲率变化率、松弛变量的二次规划问题进行求解获得最终无人艇可以通行的最优路径。本发明在路径点搜索的基础上加上了岸线的约束做进一步优化,提高了无人艇航行路径的安全性。
Description
技术领域
本发明涉及无人艇运动规划技术领域,具体而言,尤其涉及一种基于视觉信息的无人艇多约束局部路径规划方法。
背景技术
无人艇因具有航行速度快、机动性强的特点,不仅在海洋环境监测、搜救等领域具有广泛应用,而且在军事领域同样起到了重要作用,已经成为人们探索海洋环境和开发海洋资源的重要工具。无人艇可以在没有人为参与的前提下,在确定航线之后,进行复杂环境下的自主导航,实现避障避碰,从而帮助人们更好地完成在海洋环境下多种多样的复杂任务。
狭长航道广泛地分布在国内外江河,同时包括海上的狭水道,在无人艇航行过程中属于困难航段。相对于开阔水域,狭长航道的环境更加复杂,航行环境会受到岸线等因素的约束,航行范围较小,因此对无人艇在狭长航道的路径规划提出了更高的要求。其中,航线规划所用到的路径规划技术在近几年无人艇研究中得到了极大的关注,一般包括环境建模、路径搜索、路径平滑三个部分,通过对周围环境的感知完成对环境的建模,在已建模环境的基础上进行路径搜索得到一条避开障碍物的路径,最终通过构造优化问题对路径进行优化得到最终无人艇运动的路径,这对无人艇在狭窄河道里面的航行具有极其重要的作用。
从目前现有的关于无人艇的路径规划方法来看,其中的大部分是借助卫星地图或者高清地图进行规划,已知的无人艇路径规划的方法,会存在如下问题:第一,无人艇路径规划算法中A星算法和快速搜索随机树算法应用较为广泛,结合广度优先搜索和深度优先搜索二者的优点,可以解决小范围狭窄航道内的航线规划问题,但是由于算法启发性的特点,搜索路线可能会靠近岸线和障碍物,无法保证路径的安全性。第二,路径规划算法依赖于电子海图所构建的栅格地图,受栅格限制较大,并且不能实时更新周围较近的障碍物信息,在平滑航线或者路径优化等方面无法满足无人艇运动规划的需求。第三,没有在已建模的二维占据栅格地图上作进一步的地图优化,使地图信息更加丰富和完善,同时只具备栅格信息不足以满足复杂轨迹优化的需求,从而无法保障无人艇所规划路径的安全性。
发明内容
有鉴于此,本发明的目的在于提出一种基于视觉信息的无人艇多约束局部路径规划方法,根据双目视觉信息,进行局部环境下的建模,通过前端路径点的搜索、路径平滑以及路径优化,最终生成无人艇航行路径的路径规划,以解决现有无人艇的狭窄路径规划方法安全性差的技术问题。
本发明采用的技术手段如下:
一种基于视觉信息的无人艇多约束局部路径规划方法,包括如下步骤:
使用单目深度相机采集深度图像信息,对所述深度图像信息采用同步定位与实时建图的方法得到无人艇当前的位置和姿态,基于所述深度图像信息对无人艇所处的周围环境进行建模,得到三维占据栅格地图;
将所述三维占据栅格地图作为路径规划所依靠的地图信息,采用杜宾斯曲线对三维占据栅格地图进行路径点的搜索,得到路径点;
对所述路径点采用不过控制点的三次B样条曲线进行曲线拟合,得到参考中心线;
对所述参考中心线构造有关于横向距离、曲线一阶导数、曲线二阶导数、曲线三阶导数的二次规划问题,得到平滑后的曲线;
对所述的平滑后的曲线根据曲率进行离散化采样,得到离散采样点;
在曲线法线方向进行路径点的动态扩张,确定狭窄河道的左右边界,得到横向距离约束;
对离散采样点结合扩张所得到的横向距离约束构造关于横向距离、艏摇角、曲率、曲率变化率、松弛变量的二次规划问题,对关于横向距离、艏摇角、曲率、曲率变化率、松弛变量的二次规划问题进行求解获得最终无人艇可以通行的最优路径。
进一步地,建立三维占据栅格地图包括如下步骤:
对深度图像信息进行灰度处理并利用边缘检测算法进行边缘提取,逐个读取像素点,将像素点不为0的部分转换为栅格,对地图进行缩放,最终构成三维环境下的狭窄河道地图;根据无人艇所在位置构造三维占据栅格地图,栅格被占据则用1表示,空闲则用0表示;以无人艇上的单目深度相机第t次观测到深度图像信息的后验概率表示栅格的被占据情况;设对于栅格gi,单目深度相机第t次的观测记作lt(gi),前t-1次的累计观测记作lt-1(gi),则三维占据栅格地图公式如下:
p(zt|gi)为传感器模型,根据传感器每次得到的信息实时更新lt(gi);当lt(gi)的累加值超过1时,则表示该栅格被占据,累加值小于0时则表示栅格空闲。
进一步地,采用杜宾斯曲线对三维占据栅格地图进行路径点的搜索包括:
所述杜宾斯曲线包括左转L、右转R、直行S三个无人艇基本动作,对于任意给定起点和终点之间,有对应六种可以选择的曲线,曲线集合如下所示:
{LRL,LSL,LSR,RLR,RSR,RSL}
计算生成的每条曲线对应的距离,选择给定两点之间距离最小的曲线作为两点之间的杜宾斯曲线;对生成轨迹进行离散化采样,最终获得所需要的路径点。
进一步地,构造有关于横向距离、曲线一阶导数、曲线二阶导数、曲线三阶导数的二次规划问题的形式如下所示:
其中,为离B样条曲线离散点的距离,/>为表示速度的曲线一阶导数,/>为表示加速度的曲线二阶导数,/>为表示加加速度的曲线三阶导数,(xni,yni)为位置变量,l'为速度变量,l″为加速度变量,l'"为加加速度变量,ωl,ωl',ωl",ωl"'为权重值。
进一步地,确定狭窄河道的左右边界,包括:根据采样的路径点,沿着法线方向进行左右拓展,根据欧式距离算法确定每个栅格中心离最近障碍物的距离,通过三线性插值算法计算任意拓展点里最近障碍物的距离;考虑与障碍物的距离阈值,计算最左侧靠近障碍物的边界和最右侧靠近障碍物的边界;如果在未拓展之前,采样的路径点与障碍物的距离小于阈值,需要重新进行路径点采样,然后计算左边界和右边界。
进一步地,构造关于横向距离、艏摇角、曲率、曲率变化率、松弛变量的二次规划问题的形式为:
本发明还提供了一种存储介质,所述存储介质包括存储的程序,其中,所述程序运行时,执行上述任一项基于视觉信息的无人艇多约束局部路径规划方法。
本发明还提供了一种电子装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器通过所述计算机程序运行执行上述任一项基于视觉信息的无人艇多约束局部路径规划方法。
较现有技术相比,本发明具有以下优点:
第一,与无人艇路径规划目前现有的A星算法和快速搜索随机树算法相比,本发明在路径点搜索的基础上加上了岸线的约束做进一步优化,提高了无人艇航行路径的安全性。
第二,与现有的无人艇依靠电子海图中的栅格信息进行路径规划的方法相比,本发明利用实时的视觉信息反馈的点云信息构建栅格地图,可以调节栅格大小,进一步提高路径点搜索的效率,同时地图范围较小,可以很好地满足无人艇航线平滑的要求。
第三,与目前现有的无人艇仅依靠栅格地图进行规划相比较,本发明在占据栅格的基础上,运用线性插值的方法,进一步计算了占据栅格地图中路径点离最近障碍物的距离,为路径点后续的优化提供了更多信息,更方便地解决了狭窄河道情况下避障距离计算的问题。
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,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图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为本发明的流程图。
图2为本发明构造的狭窄河道的三维地图的示意图。
图3是基于杜宾斯曲线沿RSL方向进行路径点搜索的算法示意图。
图4是基于杜宾斯曲线沿LSL方向进行路径点搜索的算法示意图。
图5为本发明得到的路径点进行三次B样条曲线拟合的示意图。
图6为本发明根据平滑路径点得到左右边界约束的示意图。
图7为本发明单个无人艇在狭窄河道环境下按照二次规划方法求解的最优路径进行自主导航的示意图。
图8为本发明单个无人艇在狭窄河道环境的仿真环境下进行路径规划的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明提供了一种基于视觉信息的无人艇多约束局部路径规划方法,包括以下步骤:
A、三维仿真狭窄河道环境以及三维占据栅格地图的建立
对仿真环境的图片进行灰度处理并利用边缘检测算法进行边缘提取,逐个读取像素点,将像素点不为0的部分转换为栅格,对地图进行缩放,最终构成三维环境下的狭窄河道地图。根据无人艇所在位置构造三维占据栅格地图,栅格被占据则用1表示,空闲则用0表示。以无人艇上的单目深度相机第t次观测到深度图像信息的后验概率表示栅格的被占据情况。设对于栅格gi,单目深度相机第t次的观测记作lt(gi),前t-1次的累计观测记作lt-1(gi),则可得如下式子:
p(zt|gi)为传感器模型,根据传感器每次得到的信息实时更新lt(gi)。当lt(gi)的累加值超过1时,则表示该栅格被占据,累加值小于0时则表示栅格空闲。
B、基于杜宾斯曲线的路径点搜索
已知无人艇的运动学模型如下所示:
其中r为无人艇的艏摇角速度,υ为无人艇纵向速度,θ为无人艇的艏摇角。将上述运动学方程离散化,取采样时间为dt,设无人艇当前位置坐标以及艏摇角为(x0,y0,θ0),运动之后位置坐标以及艏摇角为(xt,yt,θt),无人艇从一个状态运动到另一个状态公式如下所示:
杜宾斯曲线包含无人艇3个基本动作,包括左转L、右转R、直行S。对于任意给定起点和终点之间,有对应6种可以选择的曲线,曲线集合如下所示:
{LRL,LSL,LSR,RLR,RSR,RSL}(4)
计算生成的每条曲线对应的距离,选择给定两点之间距离最小的曲线作为两点之间的杜宾斯曲线。对生成轨迹进行离散化采样,最终获得所需要的路径点。
C、不过控制点的三次B样条曲线对路径点进行曲线拟合
已知平面四个离散点可以确定一条三次B样条曲线,所以要求基于杜宾斯曲线的路径点搜索至少生成四个路径点,假设搜索路径点为n个,可以确定n-3条连续的B样条曲线。对于第i段B样条曲线的四个离散点分别设为(xi,yi),(xi+1,yi+1),(xi+2,yi+2),(xi+3,yi+3),设置曲线参变量t,范围为(0,1),对于x轴和y轴,设x轴曲线分量系数变量为(ai0,ai1,ai2,ai3),y轴曲线分量系数变量为(bi0,bi1,bi2,bi3),对应x轴和y轴的曲线参数方程xi(t),yi(t)如下所示:
对应系数变量表达形式如下所示:
根据取第i段B样条曲线的倒数c,将t进行c等分采样得到离散点以及离散点之间的距离。
D、构造关于曲线光滑的二次规划问题
得到上述离散的三次B样条曲线点,根据离散点构造关于距离参考中心的距离、曲线一阶导数、曲线二阶导数、曲线三阶导数的二次规划问题,构造问题的形式如下所示:
表示离B样条曲线离散点的距离,/>表示曲线一阶导数,用于表示速度。/>表示曲线二阶导数,用于表示加速度。/>表示曲线三阶导数,用于表示加加速度。需要优化的是位置变量(xni,yni),速度变量l',加速度变量l″、加加速度变量l'",ωl,ωl',ωl",ωl"'分别代表对应的权重值,由于曲线以距离为参数,可得到如下关系:
将上述式子带入构造的优化问题中。经过变换,可得如下关系:
根据公式(8)分别构造x轴和y轴的约束条件,设对于第i个点曲率为κi,用于代替该点的二阶导数。该二次规划问题约束条件如下所示:
其中i∈[0,n],通过求解上述二次规划问题获得平滑后的路径点,根据曲率不同进行路径点重采样,采样公式如下所示:
设最大曲率为κub,最小曲率为κlb。最大采样距离为sub,最小采样距离为slb。根据路径点处的曲率不同确定κi,进而确定采样距离Δsi,保证曲率大的时候路径点采样的密一些,曲率小的时候路径点采样的疏一些。根据采样的路径点,沿着法线方向进行左右拓展,根据欧式距离算法确定每个栅格中心离最近障碍物的距离,通过三线性插值算法计算任意拓展点里最近障碍物的距离。考虑与障碍物的距离阈值,计算最左侧靠近障碍物的边界和最右侧靠近障碍物的边界。如果在未拓展之前,采样的路径点与障碍物的距离小于阈值,需要重新进行路径点采样,然后计算左边界和右边界。
E、构造关于生成安全路径的二次规划问题
E1、二次规划问题的构造
构造问题的形式如下:
为路径点离已采样路径点的横向距离变化量,/>内为无人艇艏摇角变化量,/>为路径点的曲率,/>为路径点的曲率变化率,/>系为松弛变量,松弛变量是为了保证二次规划问题有解以及求解更快收敛。ωpq,ωθ,ωc,ωcr,ωs为对应的权重系数。
E2、无人艇碰撞检测
用四个外接圆覆盖无人艇,将无人艇矩形轮廓的碰撞检测转换为圆的碰撞检测,设在第i个路径点上,设覆盖无人艇的四个外接圆的圆心位置坐标分别为(ci1x,ci1y),(ci2x,ci2y),(ci3x,ci3y),(ci4x,ci4y),半径人为设定,这里设为r,距离矩形中心的距离为di1,di2,di3,di4,无人艇的艏摇角为θi,路径点坐标为(xi,yi)则外接圆圆心的表达式如下所示:
根据三线性插值的方法计算每个圆心距离最近障碍物的距离与圆的半径做比较进而实现对无人艇的碰撞检测。
E3、边界约束以及曲率约束条件等的构建
对于上述关于生成安全路径的二次规划问题构造如下约束条件,其中对横向距离变化量的约束,公式如下所示:
Δli+ΔsiΔθi-Δli+1=0 (14)
其中i∈[0,n-2],Δsi设为第i个路径点离第i+1个路径点的距离。对曲率的约束,公式如下所示:
其中i∈[0,n-2],κlb表示曲率的最小值,κub表示曲率的最大值,代表曲率变化满足上述等式约束,同时曲率值在设定范围内。在平滑路径之后,进行左右扩展得到离障碍物最近的左右边界这步中,得到第i个路径点针对碰撞检测的四个圆心所得到的左边界为li0,li1,li2,li3,右边界为ri0,ri1,ri2,ri3,则对于左右边界得到的碰撞约束如下所示:
其中i∈[0,n-1],结合公式(12)所提出的二次规划问题和上述所列约束条件进行二次规划求解即可得到优化后的路径点以及每个路径点对应无人艇的艏摇角。
本发明可以归结为以下步骤:
第一步,在构造的狭窄河道地图的基础上,利用图像信息按照比例构造狭窄河道场景,如图2所示,根据提供的地图信息,基于杜宾斯曲线进行路径点搜索,如图3和图4所示,则为无人艇在给定起点和给定终点之间采用杜宾斯曲线进行连接。得到路径点之后采用B样条曲线进行拟合,如图5所示。
第二步,在得到B样条路径的基础上,根据采样点构造关于横向距离、曲线一阶导数、曲线二阶导数、曲线三阶导数的二次规划问题,得到平滑曲线后。在法线方向对路径点进行扩张。设置距离阈值得到左右边界点,如图6所示。最终,基于左右边界点构造关于横向距离变化量、艏摇角变化量、曲率、松弛变量的二次规划问题,求解得到安全路径,实现过程以及运动过程中的优化路径如图7和图8所示。
在进行无人艇路径规划时,初始位姿由视觉建图获得,在构造的狭窄河道的仿真平台上进行目标点的点击选取,无人艇按照优化后的路径点进行运动,最终运动至终点。
本发明还提供了一种存储介质,所述存储介质包括存储的程序,其中,所述程序运行时,执行上述基于视觉信息的无人艇多约束局部路径规划方法。
本发明还提供了一种电子装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器通过所述计算机程序运行执行上述基于视觉信息的无人艇多约束局部路径规划方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种基于视觉信息的无人艇多约束局部路径规划方法,其特征在于,包括如下步骤:
使用单目深度相机采集深度图像信息,对所述深度图像信息采用同步定位与实时建图的方法得到无人艇当前的位置和姿态,基于所述深度图像信息对无人艇所处的周围环境进行建模,得到三维占据栅格地图;
将所述三维占据栅格地图作为路径规划所依靠的地图信息,采用杜宾斯曲线对三维占据栅格地图进行路径点的搜索,得到路径点;
对所述路径点采用不过控制点的三次B样条曲线进行曲线拟合,得到参考中心线;
对所述参考中心线构造有关于横向距离、曲线一阶导数、曲线二阶导数、曲线三阶导数的二次规划问题,得到平滑后的曲线;
对所述的平滑后的曲线根据曲率进行离散化采样,得到离散采样点;
在曲线法线方向进行路径点的动态扩张,确定狭窄河道的左右边界,得到横向距离约束;
对离散采样点结合扩张所得到的横向距离约束构造关于横向距离、艏摇角、曲率、曲率变化率、松弛变量的二次规划问题,对关于横向距离、艏摇角、曲率、曲率变化率、松弛变量的二次规划问题进行求解获得最终无人艇可以通行的最优路径。
2.根据权利要求1所述的基于视觉信息的无人艇多约束局部路径规划方法,其特征在于,建立三维占据栅格地图包括如下步骤:
对深度图像信息进行灰度处理并利用边缘检测算法进行边缘提取,逐个读取像素点,将像素点不为0的部分转换为栅格,对地图进行缩放,最终构成三维环境下的狭窄河道地图;根据无人艇所在位置构造三维占据栅格地图,栅格被占据则用1表示,空闲则用0表示;以无人艇上的单目深度相机第t次观测到深度图像信息的后验概率表示栅格的被占据情况;设对于栅格gi,单目深度相机第t次的观测记作lt(gi),前t-1次的累计观测记作lt-1(gi),则三维占据栅格地图公式如下:
p(zt|gi)为传感器模型,根据传感器每次得到的信息实时更新lt(gi);当lt(gi)的累加值超过1时,则表示该栅格被占据,累加值小于0时则表示栅格空闲。
3.根据权利要求1所述的基于视觉信息的无人艇多约束局部路径规划方法,其特征在于,采用杜宾斯曲线对三维占据栅格地图进行路径点的搜索包括:
所述杜宾斯曲线包括左转L、右转R、直行S三个无人艇基本动作,对于任意给定起点和终点之间,有对应六种可以选择的曲线,曲线集合如下所示:
{LRL,LSL,LSR,RLR,RSR,RSL}
计算生成的每条曲线对应的距离,选择给定两点之间距离最小的曲线作为两点之间的杜宾斯曲线;对生成轨迹进行离散化采样,最终获得所需要的路径点。
5.根据权利要求1所述的基于视觉信息的无人艇多约束局部路径规划方法,其特征在于,确定狭窄河道的左右边界,包括:根据采样的路径点,沿着法线方向进行左右拓展,根据欧式距离算法确定每个栅格中心离最近障碍物的距离,通过三线性插值算法计算任意拓展点里最近障碍物的距离;考虑与障碍物的距离阈值,计算最左侧靠近障碍物的边界和最右侧靠近障碍物的边界;如果在未拓展之前,采样的路径点与障碍物的距离小于阈值,需要重新进行路径点采样,然后计算左边界和右边界。
7.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序运行时,执行所述权利要求1至6中任一项权利要求所述的基于视觉信息的无人艇多约束局部路径规划方法。
8.一种电子装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器通过所述计算机程序运行执行所述权利要求1至6中任一项权利要求所述的基于视觉信息的无人艇多约束局部路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310199189.0A CN116300913A (zh) | 2023-03-03 | 2023-03-03 | 一种基于视觉信息的无人艇多约束局部路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310199189.0A CN116300913A (zh) | 2023-03-03 | 2023-03-03 | 一种基于视觉信息的无人艇多约束局部路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116300913A true CN116300913A (zh) | 2023-06-23 |
Family
ID=86782824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310199189.0A Pending CN116300913A (zh) | 2023-03-03 | 2023-03-03 | 一种基于视觉信息的无人艇多约束局部路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116300913A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117055601A (zh) * | 2023-09-05 | 2023-11-14 | 广东工业大学 | 一种无人机送餐路径规划方法、装置、设备及存储介质 |
CN117055601B (zh) * | 2023-09-05 | 2024-05-31 | 广东工业大学 | 一种无人机送餐路径规划方法、装置、设备及存储介质 |
-
2023
- 2023-03-03 CN CN202310199189.0A patent/CN116300913A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117055601A (zh) * | 2023-09-05 | 2023-11-14 | 广东工业大学 | 一种无人机送餐路径规划方法、装置、设备及存储介质 |
CN117055601B (zh) * | 2023-09-05 | 2024-05-31 | 广东工业大学 | 一种无人机送餐路径规划方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564202B (zh) | 一种基于环境预报信息的无人艇航线优化方法 | |
CN108711312B (zh) | 基于bp神经网络的船舶与静态物标碰撞风险预判方法 | |
TWI725677B (zh) | 自航船舶的模擬系統及其運作方法 | |
CN110906935B (zh) | 一种无人艇路径规划方法 | |
CN112650246B (zh) | 一种船舶自主导航方法及装置 | |
Wang et al. | Local path optimization method for unmanned ship based on particle swarm acceleration calculation and dynamic optimal control | |
CN110095120A (zh) | 自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法 | |
CN106503837A (zh) | 一种基于改进水平集算法的时间最优航路规划方法 | |
CN113837461A (zh) | 一种基于lstm网络的船舶轨迹预测方法 | |
Lan et al. | Path planning for underwater gliders in time-varying ocean current using deep reinforcement learning | |
CN117214904A (zh) | 一种基于多传感器数据的鱼类智能识别监测方法和系统 | |
CN110320907B (zh) | 一种基于改进蚁群算法和椭圆碰撞锥推演模型的无人水面艇双层避碰方法 | |
CN109556609A (zh) | 一种基于人工智能的避碰方法及装置 | |
CN114387822B (zh) | 船舶避碰方法 | |
Dalang et al. | Stochastic optimization of sailing trajectories in an upwind regatta | |
Zhang et al. | Intelligent vector field histogram based collision avoidance method for auv | |
CN116466701A (zh) | 一种无人水面艇能耗最小轨迹规划方法 | |
CN117234210A (zh) | 一种基于lstm神经网络的船舶路径动态规划方法 | |
Zhou et al. | A system for the validation of collision avoidance algorithm performance of autonomous ships | |
CN116300913A (zh) | 一种基于视觉信息的无人艇多约束局部路径规划方法 | |
CN114609925B (zh) | 水下探索策略模型的训练方法及仿生机器鱼水下探索方法 | |
CN114594776B (zh) | 一种基于层次化和模块化学习的导航避障方法 | |
Cheng et al. | Trajectory optimization for ship navigation safety using genetic annealing algorithm | |
CN116400679A (zh) | 快速行进平方法与虚拟障碍势场法相结合的船舶编队算法 | |
JP6944015B1 (ja) | 操船計算装置 |
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 |