CN116300973B - 一种复杂天气下无人驾驶矿车自主避障方法 - Google Patents

Abstract

本发明涉及车辆驾驶控制技术领域，具体涉及一种复杂天气下无人驾驶矿车自主避障方法，该方法包括：获取无人驾驶矿车的至少两条初始规划路径及其特征信息，获取下一时刻的预测行驶信息；根据预测行驶信息、目的地的位置信息、每条初始规划路径的特征信息以及每条初始规划路径上障碍物的位置信息，确定每条初始规划路径的损失评价指标；获取影响度向量和吸引度向量，并将初始规划路径划分为候选规划路径和其他规划路径；根据候选规划路径和其他规划路径对应的损失评价指标确定最佳避障路径。本发明能够自适应的选取无人驾驶矿车行驶过程中的实时避障路线。

Description

一种复杂天气下无人驾驶矿车自主避障方法

技术领域

本发明涉及车辆驾驶控制技术领域，具体涉及一种复杂天气下无人驾驶矿车自主避障方法。

背景技术

无人矿山涉及开采、通讯、后台管理、运输等多个环节的交互，是一项复杂的系统工程，而其核心是无人驾驶矿车。无人驾驶矿车可以自动控制车辆，自动按照矿山调度指令完成装载、运输和卸载等循环作业。在无人驾驶矿车运行的过程中，无人驾驶矿车的自主避障问题是至关重要的，特别是无人驾驶矿车在运输矿物的过程中，环境较为复杂，将会对无人驾驶矿车自主避障带来较大的困难。

现有的矿场无人驾驶技术通过采集矿场环境信息和道路上的障碍物信息，利用深度学习模型对采集的信息进行处理，得到无人驾驶矿车的最佳行驶路径，无人驾驶矿车按照预先设置好的最佳行驶路径进行行驶。但是，当遇到突发状况时，无人驾驶矿车不能提前规划避障路径，容易导致无人驾驶矿车出现安全问题。

发明内容

为了解决无人驾驶矿车按照预先设置好的最佳行驶路径进行行驶遇到突发状况时，无人驾驶矿车不能提前规划避障路径的技术问题，本发明的目的在于提供一种复杂天气下无人驾驶矿车自主避障方法，所采用的技术方案具体如下：

获取无人驾驶矿车的至少两条初始规划路径及其特征信息，利用无人驾驶矿车在当前时刻的行驶信息，获取下一时刻的预测行驶信息；

根据无人驾驶矿车的预测行驶信息、目的地的位置信息、每条初始规划路径的特征信息以及每条初始规划路径上障碍物的位置信息，确定每条初始规划路径的损失评价指标；

根据无人驾驶矿车在当前时刻的位置信息与每条初始规划路径上障碍物的位置信息得到无人驾驶矿车的影响度向量，根据无人驾驶矿车在当前时刻的位置信息与目的地的位置信息得到无人驾驶矿车的吸引度向量，根据影响度向量和吸引度向量将初始规划路径划分为候选规划路径和其他规划路径；

根据候选规划路径和其他规划路径对应的损失评价指标确定最佳避障路径。

优选地，所述获取无人驾驶矿车的至少两条初始规划路径及其特征信息具体为：

利用路径规划算法获取无人驾驶矿车对应的至少两条初始规划路径；

在每条初始规划路径上，将距离无人驾驶矿车预设长度的位置处记为采样点，同时在无人驾驶矿车和采样点之间等间隔获取预设数量个检测点；

初始规划路径的特征信息包括初始规划路径上采样点的位置信息与每个检测点在初始规划路径上的曲率。

优选地，所述根据影响度向量和吸引度向量将初始规划路径划分为候选规划路径和其他规划路径具体为：

以无人驾驶矿车在当前时刻的位置与目的地所在位置的连线为中间线，以无人驾驶矿车在当前时刻的位置为圆心，以中间线为半径，以预设角度为圆心角，获取对应的扇形区域，构成无人驾驶矿车在当前时刻的视野范围；所述扇形区域关于中间线对称；

在视野范围内，计算所有障碍物对应的影响度向量之和得到综合影响度向量；计算综合影响度向量与吸引度向量之和得到无人驾驶矿车的目标行驶向量；

将目标行驶向量对应的方向与水平向右方向的夹角记为第一夹角，获取初始规划路径上采样点与无人驾驶矿车在当前时刻所在位置之间的连线线段，将连线线段与水平向右方向的夹角记为初始规划路径对应的第二夹角；

获取第一夹角与第二夹角之间差值绝对值的最小值对应的初始规划路径，记为候选规划路径；将除候选规划路径外的初始规划路径记为其他规划路径。

优选地，所述根据无人驾驶矿车的预测行驶信息、目的地的位置信息、每条初始规划路径的特征信息以及每条初始规划路径上障碍物的位置信息，确定每条初始规划路径的损失评价指标，具体包括：

对于任意一条初始规划路径，根据无人驾驶矿车的预测行驶信息、目的地位置信息、无人驾驶矿车在当前时刻的位置信息以及采样点的位置信息得到第一特征系数；根据初始规划路径上采样点的位置信息和障碍物的位置信息得到第二特征系数；根据初始规划路径上检测点对应的曲率得到第三特征系数；

对第一特征系数、第二特征系数和第三特征系数进行加权求和，得到初始规划路径的损失评价指标。

优选地，所述损失评价指标的计算公式具体为：

;

;

;

;

其中，表示初始规划路径a的损失评价指标，/>表示无人驾驶矿车在下一时刻预测行驶时的航向角，/>表示初始规划路径a上的采样点与当前时刻无人驾驶矿车所在位置之间的连线线段与水平向右方向的夹角角度，/>表示初始规划路径a上的采样点与目的地所在位置之间的连线线段与水平向右方向的夹角角度，/>表示初始规划路径a上采样点到第i个障碍物之间的距离，min( )表示求最小值的函数，n表示初始规划路径a上障碍物的数量，/>表示初始规划路径a上检测点的数量，m表示第m个检测点，/>表示初始规划路径a上第m个检测点的曲率，/>、/>和/>为权重系数，π为圆周率，ε为超参数，/>为第一特征系数，/>为第二特征系数，/>为第三特征系数。

优选地，所述根据候选规划路径和其他规划路径对应的损失评价指标确定最佳避障路径具体为：

当候选规划路径对应的损失评价指标小于或等于评价指标阈值时，将候选规划路径确定为最佳避障路径；

当候选规划路径对应的损失评价指标大于评价指标阈值时，将损失评价指标的最小值对应的其他规划路径确定为最佳避障路径。

优选地，所述评价指标阈值的获取方法具体为：

将候选规划路径对应的损失评价指标与所有其他规划路径对应的损失评价指标按照从小到大的顺序进行排列，按照排列顺序，将第n个损失评价指标作为评价指标阈值；其中，，且n为正整数，N为候选规划路径和其他规划路径的总条数。

优选地，所述根据无人驾驶矿车在当前时刻的位置信息与每条初始规划路径上障碍物的位置信息得到无人驾驶矿车的影响度向量具体为：

对于路径上任意一个障碍物，该障碍物对无人驾驶矿车的影响度向量的方向为障碍物所在位置到无人驾驶矿车在当前时刻的位置的方向；

获取无人驾驶矿车在当前时刻的位置与该障碍物所在位置之间的距离，记为第一路径距离；

当第一路径距离大于或等于预设的最大路径距离时，障碍物对应的影响度向量的大小取值为第一预设值；所述第一预设值的取值大于等于0且小于0.1；

当第一路径距离小于预设的最大路径距离时，基于第一路径距离得到障碍物对应的影响度向量的大小，所述第一路径距离与影响度向量的大小之间的关系为负相关关系。

优选地，所述根据无人驾驶矿车在当前时刻的位置信息与目的地的位置信息得到无人驾驶矿车的吸引度向量具体为：

吸引度向量的方向为无人驾驶矿车在当前时刻的位置到目的地所在位置的方向；

基于无人驾驶矿车在当前时刻的位置与目的地所在位置之间的距离，得到目的地对无人驾驶矿车的吸引度向量的大小，所述无人驾驶矿车在当前时刻的位置与目的地所在位置之间的距离与吸引度向量的大小呈正相关关系。

本发明实施例至少具有如下有益效果：

本发明首先获取无人驾驶矿车预先设置好的行驶路径，即初始规划路径，并获取路径的相关特征信息，路径的特征信息反映了路径的分布特征，同时基于无人驾驶矿车在当前时刻的行驶信息对下一时刻的行驶信息进行预测，得到预测行驶信息，能够使得后续对初始规划路径进行评价的过程中，结合无人驾驶矿车的预测行驶信息，使得评价结果更加准确；然后，考虑了无人驾驶矿车的预测行驶信息、目的地的位置信息、每条初始规划路径的特征信息以及路径上障碍物的位置信息，对每条初始规划路径进行评价，得到损失评价指标，利用损失评价指标表征初始规划路径是否属于较优的规划路线；进一步的，考虑了障碍物对无人驾驶矿车的影响情况得到影响度向量，同时，考虑了目的地对无人驾驶矿车的吸引情况得到吸引度向量，综合这两个方面获取效果较佳的候选规划路径，同时考虑候选规划路径和初始规划路径的损失评价指标确定最佳避障路径，可对无人驾驶矿车行驶过程中的实时路线进行自适应的选取，且避障效果较好精度较高。本发明通过多方面对无人驾驶矿车的周围状况进行分析，降低了避障误判的情况，提高了自主避障精度，保证了无人驾驶矿车运行过程中的安全性。

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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。

图1是本发明的一种复杂天气下无人驾驶矿车自主避障方法的方法流程图；

图2是本发明实施例中无人驾驶矿车在当前时刻的视野范围的示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种复杂天气下无人驾驶矿车自主避障方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种复杂天气下无人驾驶矿车自主避障方法的具体方案。

实施例：

请参阅图1，其示出了本发明一个实施例提供的一种复杂天气下无人驾驶矿车自主避障方法的方法流程图，该方法包括以下步骤：

步骤一，获取无人驾驶矿车的至少两条初始规划路径及其特征信息，利用无人驾驶矿车在当前时刻的行驶信息，获取下一时刻的预测行驶信息。

首先，在对无人驾驶矿车进行路径规划之前，需要通过无人驾驶矿车车载监控设备获取无人驾驶矿车的相关信息以及矿车周围的环境信息。在本实施例中，考虑到无人驾驶矿车的工作环境较为恶劣，天气较为复杂，为了避免无人驾驶矿车基于视觉对障碍物进行识别的精度产生一定的影响，因此在无人驾驶矿车上安装障碍物检测的激光雷达，激光雷达可以获取无人驾驶矿车车身周围一定范围内存在的障碍物信息。

同时，为了使得无人驾驶矿车能够应对突发的状况，实现自主避障，还需要获取无人驾驶矿车实时的行驶信息以及位置信息，在本实施例中，采集无人驾驶矿车在当前时刻的行驶信息和位置信息，其中，行驶信息包括无人驾驶矿车的速度、角速度以及航向角。通过相应的传感器可以进行相关的数据采集工作，例如，无人驾驶矿车的速度可以通过光电式车速传感器进行实时监控；无人驾驶矿车的角速度以及航向角通过惯性传感器进行采集，具体采集过程为公知技术，在此不再过多介绍。

然后，利用路径规划算法获取无人驾驶矿车对应的至少两条初始规划路径。对于无人驾驶矿车的全局路线是预先设定完成的，也即每一辆无人驾驶矿车均对应多条路线，进而后续在无人驾驶矿车的实时运行过程中，对突发状况中的障碍物进行规避时，需要选择能够及时自主避障的最佳路线。其中，路径规划算法为现有技术，常见的路径规划算法有A*算法、D*算法以及人工势场算法等，实施者可根据具体实施场景进行设置，在此不再过多介绍。

获取到无人驾驶矿车的初始规划路径后，考虑到无人驾驶矿车在实际行驶过程中，从起始地到目的地的过程中，可能会出现突发情况，或者实际情况与采集的信息出现偏差，在行驶路线上仍有障碍物存在，因此需要根据无人驾驶矿车周围环境的实际情况，对无人驾驶矿车行驶路线进行实时设定，以避免行驶过程中与障碍物发生碰撞等问题。

为了能够及时应对突发状况，提前规划无人驾驶矿车的避障路径，通过无人驾驶矿车在当前时刻的行驶信息，对下一时刻无人驾驶矿车的行驶信息进行预测。在本实施例中，采集到了无人驾驶矿车在当前时刻的速度、角速度以及航向角，利用DWA路径规划算法可以实现对无人驾驶矿车的行驶信息进行预测，即输入无人驾驶矿车在当前时刻的速度、角速度以及航向角，能够获得无人驾驶矿车在下一时刻的速度、角速度以及航向角，该算法为公知技术，在此不再过多介绍。

同时，对无人驾驶矿车的行驶信息进行分析后，还需获取无人驾驶矿车的位置信息，即获取无人驾驶矿车在当前时刻的坐标位置，利用DWA路径规划算法同样能够获得无人驾驶矿车在下一时刻的坐标位置。需要说明的是，无人驾驶矿车的坐标位置和航向角均为大地坐标系下的信息。

最后，对每辆无人驾驶矿车对应的多条初始规划路径进行分析，获取每条初始规划路径的特征信息。在每条初始规划路径上，将距离无人驾驶矿车预设长度的位置处记为采样点，其中，在本实施例中，预设长度的取值可以为无人驾驶矿车下一时刻所在位置与当前时刻所在位置之间的欧氏距离。同时，在无人驾驶矿车和采样点之间等间隔获取预设数量个检测点，在本实施例中，预设数量的取值为10，实施者可根据具体实施场景进行设置。

进一步的，初始规划路径的特征信息包括初始规划路径上采样点的位置信息与每个检测点在初始规划路径上的曲率。初始规划路径的特征信息反映了路径的分布特征，初始规划路径上的采样点位置能够表征无人驾驶矿车在未来时刻可能会行驶到的位置，初始规划路径上的检测点的曲率信息能够反映路径的弯曲程度。

步骤二，根据无人驾驶矿车的预测行驶信息、目的地的位置信息、每条初始规划路径的特征信息以及每条初始规划路径上障碍物的位置信息，确定每条初始规划路径的损失评价指标。

由于无人驾驶矿车对应多条初始规划路线，为了选取最佳路线作为无人驾驶矿车的实时路线，考虑在每条初始规划路径上未来时刻无人驾驶矿车可能会经过的障碍物情况，对每条初始规划路径进行评价，获取每条初始规划路径的损失评价指标。

具体地，对于任意一条初始规划路径，根据无人驾驶矿车的预测行驶信息、目的地位置信息、无人驾驶矿车在当前时刻的位置信息以及采样点的位置信息得到第一特征系数；根据初始规划路径上采样点的位置信息和障碍物的位置信息得到第二特征系数；根据初始规划路径上检测点对应的曲率得到第三特征系数；对第一特征系数、第二特征系数和第三特征系数进行加权求和，得到初始规划路径的损失评价指标，用公式表示为：

;

;

;

;

其中，表示初始规划路径a的损失评价指标，/>表示无人驾驶矿车在下一时刻预测行驶时的航向角，/>表示初始规划路径a上的采样点与当前时刻无人驾驶矿车所在位置之间的连线线段与水平向右方向的夹角角度，/>表示初始规划路径a上的采样点与目的地所在位置之间的连线线段与水平向右方向的夹角角度，/>表示初始规划路径a上采样点到第i个障碍物之间的距离，min( )表示求最小值的函数，n表示初始规划路径a上障碍物的数量，/>表示初始规划路径a上检测点的数量，m表示第m个检测点，/>表示初始规划路径a上第m个检测点的曲率，/>、/>和/>为权重系数，π为圆周率，ε为超参数，/>为第一特征系数，/>为第二特征系数，/>为第三特征系数。

第一特征系数从行驶角度方面对初始规划路径进行分析，表示矿车在下一时刻行驶到采样点位置处相对于当前时刻矿车所在位置的角度与矿车在下一时刻行驶到采样点位置处相对于目的地的角度之间的差异，/>表示矿车在下一时刻行驶到采样点位置处相对于当前时刻矿车所在位置的角度与矿车在下一时刻预测行驶时的航向角之间的差异，当这两个差异较小时，说明无人驾驶矿车选择该初始规划路径的效果较佳，对应的损失评价指标越小，进而说明该初始规划路径较优。其中，利用/>将角度差值转化为弧度数值，避免在计算中出现量纲不同的情况。

第二特征系数从行驶路径上障碍物信息方面对初始规划路径进行分析，表示在初始规划路径a上采样点与障碍物之间的最近距离，该距离越小，说明在初始规划路径上的采样点位置的不远处存在障碍物，对应的损失评价指标越大，进而说明该初始规划路径不是最佳路线，ε为超参数，为了防止分母的取值为0，在本实施例中的取值为0.01。

第三特征系数从行驶路径的路线特征方面对初始规划路径进行分析，第三特征系数表示初始规划路径在所有检测点处的曲率的均值，该取值越大，说明在初始规划路径上各检测点处路径的弯曲程度较大，进而说明该路径行驶较为困难，对应的损失评价指标越大，进而说明该初始规划路径不是最佳路线。

综合三个方面的分析，获取初始规划路径的损失评价指标，用于评价初始规划路径是否属于较优的规划路线，损失评价指标的取值越小，说明无人驾驶矿车选择对应的初始规划路径的效果越佳。初始规划路径的损失评价指标能够表征在该初始规划路径上无人驾驶矿车是否能够朝着目的地的方向快速前进，以及避开障碍物的影响程度大小和行驶路线的弯曲程度等信息。

在本实施例中，权重系数、/>和/>的取值分别为0.3，0.5和0.2，实施者可根据具体实施场景进行设置。

步骤三，根据无人驾驶矿车在当前时刻的位置信息与每条初始规划路径上障碍物的位置信息得到无人驾驶矿车的影响度向量，根据无人驾驶矿车在当前时刻的位置信息与目的地的位置信息得到无人驾驶矿车的吸引度向量，根据影响度向量和吸引度向量将初始规划路径划分为候选规划路径和其他规划路径。

为了提高无人驾驶矿车自主避障的精度，进一步的基于无人驾驶矿车在当前时刻周围的环境状况对初始规划路径进行检测分析。首先，对无人驾驶矿车在当前时刻所在位置处的周围环境中的障碍物信息进行分析，获取各个障碍物，计算每个障碍物对无人驾驶矿车的影响度向量，影响度向量为矢量，影响度向量的大小表征了障碍物对无人驾驶矿车的影响程度大小，影响度向量的方向表征了障碍物对无人驾驶矿车的影响方向。

具体地，对于路径上任意一个障碍物，该障碍物对无人驾驶矿车的影响度向量的方向为障碍物所在位置到无人驾驶矿车在当前时刻的位置的方向。获取无人驾驶矿车在当前时刻的位置与该障碍物所在位置之间的距离，记为第一路径距离；当第一路径距离大于或等于预设的最大路径距离时，障碍物对应的影响度向量的大小取值为第一预设值；所述第一预设值的取值大于等于0且小于0.1；当第一路径距离小于预设的最大路径距离时，基于第一路径距离得到障碍物对应的影响度向量的大小，所述第一路径距离与影响度向量的大小之间的关系为负相关关系。

例如，将障碍物s与无人驾驶矿车在当前时刻的位置之间的距离记为，即第一路径距离为/>，将最大路径距离记为/>，最大路径距离表示能够对无人驾驶矿车当前时刻所在位置产生影响的障碍物所在位置的最远距离，在本实施例中的取值为20，实施者可根据具体实施情况进行设置。

当时，说明第一路径距离较大，障碍物s与无人驾驶矿车在当前时刻的位置之间的距离较远，进而说明障碍物s不会对无人驾驶矿车在当前时刻所在位置产生较大的影响，因此，此时障碍物s对无人驾驶矿车的影响度向量的大小取值为第一预设值，在本实施例中第一预设值的取值为0，实施者可根据具体实施场景进行设置。

当时，说明第一路径距离较小，障碍物s与无人驾驶矿车在当前时刻的位置之间的距离较近，该距离越近，障碍物s对无人驾驶矿车的影响越大，因此，此时基于第一路径距离得到障碍物对应的影响度向量的大小，所述第一路径距离与影响度向量的大小之间的关系为负相关关系。在本实施例中，将第一路径距离的倒数作为障碍物对无人驾驶矿车的影响度向量的大小。

然后，考虑到影响无人驾驶矿车行驶的障碍物一般是位于无人驾驶矿车与目的地之间一定范围内的障碍物，因此，需要设定一定的角度范围，综合考虑该范围内的所有障碍物对无人驾驶矿车的影响度向量。

具体地，以无人驾驶矿车在当前时刻的位置与目的地所在位置的连线为中间线，以无人驾驶矿车在当前时刻的位置为圆心，以中间线为半径，以预设角度为圆心角，获取对应的扇形区域，构成无人驾驶矿车在当前时刻的视野范围；所述扇形区域关于中间线对称，在本实施例中，预设角度的取值为120°，即以中间线为基准线向两侧分别扩展60°，如图2，示出了本发明实施例中无人驾驶矿车在当前时刻的视野范围的示意图，其中A1为无人驾驶矿车，A2为目的地，扇形区域为视野范围，实施者可根据具体实施场景进行设置。

进一步的，目的地对无人驾驶矿车在当前时刻所在位置具有吸引力作用，即无人驾驶矿车始终会朝着目的地的方向进行行驶，基于此，计算目的地对无人驾驶矿车的吸引度向量，吸引度向量为矢量，吸引度向量的大小表征了目的地对无人驾驶矿车的吸引程度大小，吸引度向量的方向表征了目的地相对于无人驾驶矿车的位置分布方向。

吸引度向量的方向为无人驾驶矿车在当前时刻的位置到目的地所在位置的方向；基于无人驾驶矿车在当前时刻的位置与目的地所在位置之间的距离，得到目的地对无人驾驶矿车的吸引度向量的大小，所述无人驾驶矿车在当前时刻的位置与目的地所在位置之间的距离与吸引度向量的大小呈正相关关系。在本实施例中，将无人驾驶矿车在当前时刻的位置与目的地所在位置之间的距离的归一化值，作为目的地对无人驾驶矿车的吸引度向量的大小，两者之间的距离越近，说明目的地对无人驾驶矿车的吸引程度越小，两者之间的距离越远，目的地对无人驾驶矿车的吸引程度越大。

最后，综合考虑障碍物对无人驾驶矿车的影响程度以及目的地对无人驾驶矿车的吸引程度，获得无人驾驶矿车的目标行驶向量，目标行驶向量也为矢量，目标行驶向量的方向即表征了无人驾驶矿车能够安全行驶的最佳方向，基于该方向对初始规划路径进行筛选，即可获得最佳的规划路线。

具体地，在视野范围内，计算所有障碍物对应的影响度向量之和得到综合影响度向量；计算综合影响度向量与吸引度向量之和得到无人驾驶矿车的目标行驶向量。综合影响度向量为视野范围内所有障碍物对无人驾驶矿车的影响度向量的矢量和，反映了视野范围内所有障碍物对无人驾驶矿车的影响程度，目标行驶向量为综合度向量与吸引度向量的矢量和，目标行驶向量的方向即表征了无人驾驶矿车能够安全行驶的最佳方向。

根据无人驾驶矿车的目标行驶向量的方向对初始规划路径进行筛选，即最佳的规划路线相对于无人驾驶矿车在当前时刻所在位置的方位角，与目标行驶向量的方向对应的角度之间的差异应当较小。

具体地，将目标行驶向量对应的方向与水平向右方向的夹角记为第一夹角，获取初始规划路径上采样点与无人驾驶矿车在当前时刻所在位置之间的连线线段，将连线线段与水平向右方向的夹角记为初始规划路径对应的第二夹角；获取第一夹角与第二夹角之间差值绝对值的最小值对应的初始规划路径，记为候选规划路径；将除候选规划路径外的初始规划路径记为其他规划路径。

第一夹角表示无人驾驶矿车能够安全行驶的最佳方向对应的角度，第二角度表示无人驾驶矿车在初始规划路径上即将行驶到的位置相对于当前时刻所在位置的角度，每条初始规划路径均对应了一个第二夹角。第一夹角与第二夹角之间的差值绝对值表示初始规划路径对应的方位角与无人驾驶矿车进行行驶的最佳方向角度之间的差异，该差异越小，说明无人驾驶矿车选择对应初始规划路径效果越好，故将第一夹角与第二夹角之间差值绝对值的最小值对应的初始规划路径，记为候选规划路径；将除候选规划路径外的初始规划路径记为其他规划路径。候选规划路径为综合考量下无人驾驶矿车进行行驶的最佳的路线。

步骤四，根据候选规划路径和其他规划路径对应的损失评价指标确定最佳避障路径。

具体地，候选规划路径是基于障碍物对无人驾驶矿车的影响程度以及目的地对无人驾驶矿车的吸引程度确定的最佳路线，为了提高无人驾驶矿车自主避障的精度，需要同时考虑候选规划路径的损失评价指标。

在本实施例中，当候选规划路径对应的损失评价指标小于或等于评价指标阈值时，说明候选规划路径的损失评价指标取值较小，进而说明无人驾驶矿车选择对应的初始规划路径的效果较佳，故将候选规划路径确定为最佳避障路径。

当候选规划路径对应的损失评价指标大于评价指标阈值时，说明候选规划路径的损失评价指标取值较大，进而说明无人驾驶矿车选择对应的初始规划路径的效果较差，故需选择损失评价指标较小的其他规划路径，即将损失评价指标的最小值对应的其他规划路径确定为最佳避障路径。

其中，评价指标阈值的获取方法具体为，将候选规划路径对应的损失评价指标与所有初始规划路径对应的损失评价指标按照从小到大的顺序进行排列，按照排列顺序，将第n个损失评价指标作为评价指标阈值，其中，，且n为正整数，N为候选规划路径和其他规划路径的总条数。在本实施例中，n的取值为3，实施者可根据具体实施场景进行设置。

在其他实施例中，根据候选规划路径和其他规划路径对应的损失评价指标确定最佳避障路径的具体步骤还可以是，将候选规划路径和其他规划路径对应的损失评价指标按照从小到大的顺序进行排列，若候选规划路径的损失评价指标属于排列顺序中的Top-3内，则将候选规划路径作为最佳避障路径，否则，将损失评价指标的最小值对应的初始规划路径作为最佳避障路径。

综上所述，本发明实施例通过对无人驾驶矿车周围环境信息进行实时采集，结合无人驾驶矿车预测行驶信息以及行驶路径的环境特征信息，对初始规划路径进行评价，实时性较强，可对无人驾驶矿车行驶过程中的实时路线进行自适应的选取，有效提高无人驾驶矿车的避障效率，提高无人驾驶矿车的行驶安全，通过多方面对无人驾驶矿车的周围状况进行分析，降低了避障误判的情况，提高了自主避障精度。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (6)

1.一种复杂天气下无人驾驶矿车自主避障方法，其特征在于，该方法包括以下步骤：

获取无人驾驶矿车的至少两条初始规划路径及其特征信息，利用无人驾驶矿车在当前时刻的行驶信息，获取下一时刻的预测行驶信息；

根据无人驾驶矿车的预测行驶信息、目的地的位置信息、每条初始规划路径的特征信息以及每条初始规划路径上障碍物的位置信息，确定每条初始规划路径的损失评价指标；

根据无人驾驶矿车在当前时刻的位置信息与每条初始规划路径上障碍物的位置信息得到无人驾驶矿车的影响度向量，根据无人驾驶矿车在当前时刻的位置信息与目的地的位置信息得到无人驾驶矿车的吸引度向量，根据影响度向量和吸引度向量将初始规划路径划分为候选规划路径和其他规划路径；

根据候选规划路径和其他规划路径对应的损失评价指标确定最佳避障路径；

所述获取无人驾驶矿车的至少两条初始规划路径及其特征信息具体为：

利用路径规划算法获取无人驾驶矿车对应的至少两条初始规划路径；

在每条初始规划路径上，将距离无人驾驶矿车预设长度的位置处记为采样点，同时在无人驾驶矿车和采样点之间等间隔获取预设数量个检测点；

初始规划路径的特征信息包括初始规划路径上采样点的位置信息与每个检测点在初始规划路径上的曲率；

所述根据无人驾驶矿车的预测行驶信息、目的地的位置信息、每条初始规划路径的特征信息以及每条初始规划路径上障碍物的位置信息，确定每条初始规划路径的损失评价指标，具体包括：

对于任意一条初始规划路径，根据无人驾驶矿车的预测行驶信息、目的地位置信息、无人驾驶矿车在当前时刻的位置信息以及采样点的位置信息得到第一特征系数；根据初始规划路径上采样点的位置信息和障碍物的位置信息得到第二特征系数；根据初始规划路径上检测点对应的曲率得到第三特征系数；

对第一特征系数、第二特征系数和第三特征系数进行加权求和，得到初始规划路径的损失评价指标；

所述损失评价指标的计算公式具体为：

;

;

;

;

其中，表示初始规划路径a的损失评价指标，/>表示无人驾驶矿车在下一时刻预测行驶时的航向角，/>表示初始规划路径a上的采样点与当前时刻无人驾驶矿车所在位置之间的连线线段与水平向右方向的夹角角度，/>表示初始规划路径a上的采样点与目的地所在位置之间的连线线段与水平向右方向的夹角角度，/>表示初始规划路径a上采样点到第i个障碍物之间的距离，min( )表示求最小值的函数，n表示初始规划路径a上障碍物的数量，/>表示初始规划路径a上检测点的数量，m表示第m个检测点，/>表示初始规划路径a上第m个检测点的曲率，/>、/>和/>为权重系数，π为圆周率，ε为超参数，/>为第一特征系数，/>为第二特征系数，/>为第三特征系数。

2.根据权利要求1所述的一种复杂天气下无人驾驶矿车自主避障方法，其特征在于，所述根据影响度向量和吸引度向量将初始规划路径划分为候选规划路径和其他规划路径具体为：

以无人驾驶矿车在当前时刻的位置与目的地所在位置的连线为中间线，以无人驾驶矿车在当前时刻的位置为圆心，以中间线为半径，以预设角度为圆心角，获取对应的扇形区域，构成无人驾驶矿车在当前时刻的视野范围；所述扇形区域关于中间线对称；

在视野范围内，计算所有障碍物对应的影响度向量之和得到综合影响度向量；计算综合影响度向量与吸引度向量之和得到无人驾驶矿车的目标行驶向量；

将目标行驶向量对应的方向与水平向右方向的夹角记为第一夹角，获取初始规划路径上采样点与无人驾驶矿车在当前时刻所在位置之间的连线线段，将连线线段与水平向右方向的夹角记为初始规划路径对应的第二夹角；

获取第一夹角与第二夹角之间差值绝对值的最小值对应的初始规划路径，记为候选规划路径；将除候选规划路径外的初始规划路径记为其他规划路径。

3.根据权利要求1所述的一种复杂天气下无人驾驶矿车自主避障方法，其特征在于，所述根据候选规划路径和其他规划路径对应的损失评价指标确定最佳避障路径具体为：

当候选规划路径对应的损失评价指标小于或等于评价指标阈值时，将候选规划路径确定为最佳避障路径；

当候选规划路径对应的损失评价指标大于评价指标阈值时，将损失评价指标的最小值对应的其他规划路径确定为最佳避障路径。

4.根据权利要求3所述的一种复杂天气下无人驾驶矿车自主避障方法，其特征在于，所述评价指标阈值的获取方法具体为：

将候选规划路径对应的损失评价指标与所有其他规划路径对应的损失评价指标按照从小到大的顺序进行排列，按照排列顺序，将第n个损失评价指标作为评价指标阈值；其中，，且n为正整数，N为候选规划路径和其他规划路径的总条数。

5.根据权利要求1所述的一种复杂天气下无人驾驶矿车自主避障方法，其特征在于，所述根据无人驾驶矿车在当前时刻的位置信息与每条初始规划路径上障碍物的位置信息得到无人驾驶矿车的影响度向量具体为：

对于路径上任意一个障碍物，该障碍物对无人驾驶矿车的影响度向量的方向为障碍物所在位置到无人驾驶矿车在当前时刻的位置的方向；

获取无人驾驶矿车在当前时刻的位置与该障碍物所在位置之间的距离，记为第一路径距离；

当第一路径距离大于或等于预设的最大路径距离时，障碍物对应的影响度向量的大小取值为第一预设值；所述第一预设值的取值大于等于0且小于0.1；

当第一路径距离小于预设的最大路径距离时，基于第一路径距离得到障碍物对应的影响度向量的大小，所述第一路径距离与影响度向量的大小之间的关系为负相关关系。

6.根据权利要求1所述的一种复杂天气下无人驾驶矿车自主避障方法，其特征在于，所述根据无人驾驶矿车在当前时刻的位置信息与目的地的位置信息得到无人驾驶矿车的吸引度向量具体为：

吸引度向量的方向为无人驾驶矿车在当前时刻的位置到目的地所在位置的方向；

基于无人驾驶矿车在当前时刻的位置与目的地所在位置之间的距离，得到目的地对无人驾驶矿车的吸引度向量的大小，所述无人驾驶矿车在当前时刻的位置与目的地所在位置之间的距离与吸引度向量的大小呈正相关关系。