CN116380110A - 一种基于大数据无人驾驶车辆实时路径规划方法 - Google Patents

Abstract

本发明涉及路径规划技术领域，提出了一种基于大数据无人驾驶车辆实时路径规划方法，包括：采集露天矿场的实时俯视视频，根据实时俯视视频中的视频帧数据，通过动态跟踪及识别提取其中的落石对象，得到每块落石的时序轨迹数据及时序速度数据；根据落石的时序数据的变化获取轨迹复杂度及速度复杂度，得到当前每块落石的初始膨胀率；对无人驾驶车辆通过DWA算法获取预测轨迹，根据预测轨迹及当前每块落石的初始膨胀率，获取当前状态预测下的无人驾驶车辆与落石的碰撞可能性；根据碰撞可能性对落石的初始膨胀率进行调整，完成对无人驾驶车辆的实时路径规划。本发明旨在解决现有路径规划方法对于障碍进行整体膨胀导致规划结果较差的问题。

Description

一种基于大数据无人驾驶车辆实时路径规划方法

技术领域

本发明涉及路径规划技术领域，具体涉及一种基于大数据无人驾驶车辆实时路径规划方法。

背景技术

露天矿场中的无人驾驶车辆在行驶过程中，矿体可能会发生滑落，如果无人驾驶车辆与滑落的矿体发生碰撞，会导致矿场产生经济损失，并影响前后方其他无人驾驶车辆的运行；现有技术通过局部路径规划算法DWA实现实时的车辆行驶避障；但在局部路径规划时，由于露天矿场中矿山上的矿体可能会发生滑落，而矿山坡体较为复杂，滑落矿体的速度和轨迹具有较大变化性；同时由于车辆在无人驾驶中具有较高的实时性要求，导致在进行路径规划选择最优轨迹时，不能采用复杂的轨迹预测方法，使得在对于动态障碍进行避障时效果较差。

在提高DWA算法中对动态障碍的避障能力时，现有方法会对障碍物进行膨胀；但现有方法的膨胀过程通常为整体膨胀，膨胀严重会导致无法获取有效路径，膨胀过小会导致碰撞可能发生，无法进行有效的膨胀进而导致规划结果较差；因此需要可以针对不同动态障碍实现自适应有效膨胀的方法，进而完成无人驾驶车辆的实时路径规划。

发明内容

本发明提供一种基于大数据无人驾驶车辆实时路径规划方法，以解决现有的路径规划方法对于障碍进行整体膨胀导致规划结果较差的问题，所采用的技术方案具体如下：

本发明一个实施例提供了一种基于大数据无人驾驶车辆实时路径规划方法，该方法包括以下步骤：

采集露天矿场的实时俯视视频，根据实时俯视视频中的视频帧数据，通过动态跟踪及识别提取其中的落石对象，得到每块落石的时序轨迹数据及时序速度数据；获取无人驾驶车辆的速度及加速度数据；

根据每块落石的时序轨迹数据获取每块落石的轨迹复杂度，根据每块落石的时序速度数据获取每块落石的速度复杂度，根据轨迹复杂度及速度复杂度获取当前每块落石的初始膨胀率；

根据无人驾驶车辆的速度及加速度数据获取无人驾驶车辆的速度空间，通过运动学模型预测获取速度空间中每个速度的预测轨迹，根据任意一个预测轨迹及每块落石的时序轨迹数据及初始膨胀率获取每块落石的膨胀后区域与该预测轨迹的最小距离，将任意一个预测轨迹对应的若干最小距离中的最小值作为该预测轨迹对应的速度的最近距离，根据每个速度的最近距离获取最近距离序列，根据最近距离序列获取最优速度及对应的最近距离，并通过DWA算法得到规划路径，根据最优速度的最近距离获取碰撞可能性；

根据碰撞可能性判断落石是否需要调整初始膨胀率，根据规划路径及每块落石的初始膨胀率获取每块落石的调整膨胀率，根据无人驾驶车辆的速度空间及每块落石的调整膨胀率获取调整后的最优速度及对应的最近距离，并通过DWA算法得到调整后的规划路径，根据调整后的最优速度的最近距离获取调整后的碰撞可能性，根据调整后的碰撞可能性判断是否需要调整，直到得到满足不需要调整的规划路径；

将满足预设条件规划路径作为无人驾驶车辆的实时路径规划结果。

可选的，所述根据每块落石的时序轨迹数据获取每块落石的轨迹复杂度，包括的具体方法为：

获取任意一块落石的时序轨迹数据，构建时间及时序轨迹数据中每个元素的二维坐标的三维坐标系，按照时序将时序轨迹数据中每个元素转化为该三维坐标系中的坐标点，对坐标点通过线性最小二乘法进行线性拟合，获取到每个坐标点对应的三维线性拟合坐标点，提取三维线性拟合坐标点中的非时间坐标，按照时序排列得到该块落石的轨迹拟合序列，计算轨迹拟合序列与时序轨迹数据的汉明距离，并作为该块落石的轨迹复杂度。

可选的，所述根据每块落石的时序速度数据获取每块落石的速度复杂度，包括的具体方法为：

获取任意一块落石的时序速度数据，构建时间及速度的二维坐标系，按照时序将时序速度数据中每个元素转化为该二维坐标系中的坐标点，对坐标点通过线性最小二乘法进行线性拟合，获取到每个坐标点对应的二维线性拟合坐标点，提取二维线性拟合坐标点中的速度坐标，按照时序排列得到该块落石的速度拟合序列，计算速度拟合序列与时序速度数据的汉明距离，并作为该块落石的速度复杂度。

可选的，所述根据轨迹复杂度及速度复杂度获取当前每块落石的初始膨胀率，包括的具体方法为：

其中，

表示第/>

块矿石的初始膨胀率，/>

表示第/>

块落石的轨迹复杂度，/>

表示第/>

块落石的速度复杂度，/>

表示最大扩张率，/>

表示一种归一化函数。

可选的，所述根据任意一个预测轨迹及每块落石的时序轨迹数据及初始膨胀率获取每块落石的膨胀后区域与该预测轨迹的最小距离，包括的具体方法为：

将无人驾驶车辆及落石均转换到同一二维坐标系中，记为统一坐标系；获取任意一块落石的时序轨迹数据中最后一个元素对应的落石区域，该区域的中心坐标即为该块落石的时序轨迹数据中最后一个元素转换到统一坐标系后的坐标，获取该块落石区域边界部分每个坐标点与中心坐标的差值坐标，获取每个差值坐标与初始膨胀率的乘积，将每个差值坐标对应的乘积与中心坐标的和值坐标作为该块落石区域膨胀后的边界坐标，将每个膨胀后边界坐标按照膨胀前边界坐标点的相邻关系进行相连，得到的新边界即为该块落石区域根据初始膨胀率膨胀后的边界，则得到了该块落石的膨胀后区域；

获取任意一个预测轨迹，获取该膨胀后区域内每个坐标点与该预测轨迹的距离，将该膨胀后区域中所有距离的最小值作为该块落石膨胀后区域与该预测轨迹的最小距离。

可选的，所述根据最优速度的最近距离获取碰撞可能性，包括的具体方法为：

最优速度的最近距离大于0，规划路径的碰撞可能性为0；最优速度的最近距离等于0，规划路径的碰撞可能性为1。

可选的，所述根据碰撞可能性判断落石是否需要调整初始膨胀率，包括的具体方法为：

碰撞可能性为0，落石不需要调整初始膨胀率；碰撞可能性为1，落石需要调整初始膨胀率。

可选的，所述根据规划路径及每块落石的初始膨胀率获取每块落石的调整膨胀率，包括的具体方法为：

其中，

表示第/>

块落石的调整程度，/>

表示得到的规划路径中与第/>

块落石的距离为0的个数，/>

表示得到的规划路径与第/>

块落石边界的最小距离；获取每块落石的调整程度，将所有落石的调整程度进行线性归一化处理，将每块落石的调整程度归一化的值作为每块落石的调整率；

将每块落石的调整率分别与

相乘，得到的乘积作为每块矿石的调整标准；/>

表示膨胀率调整控制力度；

将每块落石的初始膨胀率与调整标准的差值作为每块落石的调整膨胀率。

可选的，所述将满足预设条件规划路径作为无人驾驶车辆的实时路径规划结果，包括的具体方法为：

将碰撞可能性为0时的规划路径，作为无人驾驶车辆的实时路径规划结果。

本发明的有益效果是：通过获取露天矿场实时俯视视频，提取其中落石的时序轨迹数据及时序速度数据；根据落石的时序数据的变化表现获取当前每块落石的初始膨胀率，并根据当前每块落石的初始膨胀率及对无人驾驶车辆利用DWA算法得到的预测轨迹，获取当前状态预测下的碰撞可能性；根据碰撞可能性对可能发生碰撞的落石的初始膨胀率进行调整，完成对无人驾驶车辆的实时路径规划；降低了无人驾驶车辆在路径规划中碰撞的可能性，若发生碰撞也尽量减少可能带来的损失，同时保证了路径规划的高实时性。

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，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为本发明一个实施例所提供的一种基于大数据无人驾驶车辆实时路径规划方法流程示意图。

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。

请参阅图1，其示出了本发明一个实施例所提供的一种基于大数据无人驾驶车辆实时路径规划方法流程图，该方法包括以下步骤：

步骤S001、采集露天矿场的实时俯视视频，根据实时俯视视频中的视频帧数据，通过动态跟踪及识别提取其中的落石对象，得到每块落石的时序轨迹数据及时序速度数据，并通过传感器获取无人驾驶车辆的速度及加速度数据。

本实施例的目的是根据露天矿场中滑落的矿体的运动轨迹对无人驾驶车辆进行实时路径规划，降低无人驾驶车辆与滑落矿体发生碰撞的风险，因此首先需要获取滑落矿体的运动轨迹相关数据，本实施例中将滑落矿体用落石表述，后续均采用落石来表示滑落矿体。

具体的，首先需要采集露天矿场的实时俯视视频，以便能实时监测到矿场中出现的落石及其运动轨迹；本实施例中通过若干固定相机采集露天矿场的俯视视频，相机固定位置需要保证可以完整获取矿场中可行进道路的两侧俯视图像，因此相机需要架设到足够高的位置以满足要求；若固定相机无法采集到完整的俯视图像，则采用无人机来获取实时的俯视视频；各相机或无人机的固定坐标系与现实世界的三维坐标系都是通过标定的，相机标定为公知技术，本实施例不再赘述；通过蜂窝数据将采集到的若干俯视视频传输到露天矿场的数据处理中心，同时由于相机已经标定，可以得到每个俯视视频中视频帧数据的每个像素在现实世界对应的长度值。

进一步的，获取同一相机或无人机采集到的俯视视频中的相邻两视频帧数据，对两视频帧数据采用稀疏流光法进行光流检测，实现对两帧之间的动态数据的跟踪，得到两帧之间的动态物体的运动轨迹，同时由于视频帧数据中每个像素在现实世界对应的长度值已经获取，因此可以得到动态物体的实际运动路程；稀疏光流法为现有技术，本实施例不再赘述。

需要说明的是，由于俯视视频中的动态物体不一定是落石，可能是车辆或动物在运动，因此需要对动态物体进行识别，判断其是否为落石对象。

具体的，本实施例通过yolov3神经网络对动态物体进行识别判断，构建及训练yolov3神经网络的具体过程为：

（1）构建一个yolov3神经网络，采用现有的yolov3神经网络结构；

（2）随机初始化yolov3神经网络的参数；

（3）将互联网中的落石数据集作为训练数据集，由具有相关经验员工采集落石图像并进行标注，标注方法为现有技术，不再赘述；

（4）将落石数据集中的每一张落石图像输入到yolov3神经网络中，输出结果为落石图像中落石的判断结果；

（5）使用该训练数据集，得到训练好的yolov3神经网络，所述yolov3神经网络的训练方法为公知技术。

将任意一个动态物体的相邻两视频帧数据输入到训练好的yolov3神经网络中，两视频帧数据中的动态物体都判定为落石时，则该动态物体为落石对象；获取所有俯视视频中相邻两视频帧数据中的落石对象，相邻两视频帧数据的时间间隔固定，动态物体的实际运动路程已经得到，通过速度公式，可以得到任意一块落石的时序轨迹数据及时序速度数据，所述时序轨迹数据及时序速度数据均为序列，时序轨迹数据中的元素为落石在视频帧数据中的中心坐标，时序速度数据中的元素为落石的速度，两时序数据中的元素都按照时间顺序排列。

进一步的，在无人驾驶车辆中安装速度传感器及加速度传感器，获取无人驾驶车辆的速度数据及加速度数据，用于获取车辆的位移及行驶方向，并传输至数据处理中心。

至此，通过露天矿场的俯视视频，获取了露天矿场中每块落石的时序轨迹数据及时序速度数据，同时得到了无人驾驶车辆的速度数据及加速度数据。

步骤S002、根据落石的时序轨迹数据的变化获取轨迹复杂度，根据落石的时序速度数据的变化获取速度复杂度，根据轨迹复杂度及速度复杂度获取当前每块落石的初始膨胀率。

需要说明的是，由于矿山坡体复杂，落石在滑落过程中轨迹及速度会发生较大变化，通过轨迹复杂度及速度复杂度表征落石在滑落过程中轨迹及速度的变化性，而对于变化性较大的落石，在通过预测其轨迹并计算与无人驾驶车辆碰撞的可能性时，误差就会较大，因此为了避免这种较大误差的产生，需要对落石进行膨胀，变化性越大的落石膨胀率越大，以避免其与无人驾驶车辆在实际中发生碰撞。

具体的，首先对于任意一块落石的时序轨迹数据，其中每个元素为该落石的中心坐标，构建时间及二维坐标的三维坐标系，按照时序将时序轨迹数据中每个元素转化为该三维坐标系中的坐标点，对坐标点通过线性最小二乘法进行线性拟合，获取到每个坐标点对应的三维线性拟合坐标点，提取三维线性拟合坐标点中的非时间坐标，按照时序排列得到该块落石的轨迹拟合序列，计算轨迹拟合序列与时序轨迹数据的汉明距离，并作为该块落石的轨迹复杂度，按照上述方法获取每块落石的轨迹复杂度，第

块落石的轨迹复杂度记为/>

；轨迹拟合序列与时序轨迹数据的汉明距离越大，该块落石的运动轨迹越不规则，轨迹复杂度越大。

进一步的，对于任意一块落石的时序速度数据，其中每个元素为该落石的速度，构建时间及速度的二维坐标系，按照时序将时序速度数据中每个元素转化为该二维坐标系中的坐标点，对坐标点通过线性最小二乘法进行线性拟合，获取到每个坐标点对应的二维线性拟合坐标点，提取二维线性拟合坐标点中的速度坐标，按照时序排列得到该块落石的速度拟合序列，计算速度拟合序列与时序速度数据的汉明距离，并作为该块落石的速度复杂度，按照上述方法获取每块落石的速度复杂度，第

块落石的速度复杂度记为/>

；速度拟合序列与时序速度数据的汉明距离越大，该块落石的速度变化越大，时间上预测该块落石的轨迹越不准确，速度复杂度越大。

进一步的，根据轨迹复杂度及速度复杂度，获取当前状态下，对于每块落石进行轨迹预测需要进行膨胀的初始膨胀率，以第

块矿石为例，其初始膨胀率/>

的计算方法为：

其中，

表示第/>

块落石的轨迹复杂度，/>

表示第/>

块落石的速度复杂度，/>

表示最大扩张率，为初始膨胀率与轨迹及速度变化程度之间的映射系数，是一个超参数，本实施例中采用/>

进行计算，/>

为一种归一化函数，用于将轨迹复杂度与速度复杂度的乘积映射到/>

中，由于轨迹复杂度及时间复杂度均大于0，则归一化后的值的范围为/>

，本实施例中初始膨胀率的范围为/>

；需要说明的是，由于采集的是实时俯视视频，则对于每块落石获取的时序轨迹数据及时序速度数据都是截止到当前状态，根据这些数据对落石轨迹进行预测，即为当前状态下对落石轨迹的预测。

落石的轨迹复杂度越大，轨迹的变化越不规则，轨迹预测准确率较低，计算碰撞可能性时误差就越大，应膨胀更大的范围以避免发生碰撞；轨迹复杂度越小，轨迹的变化较为规则，轨迹预测准确率较高，计算碰撞可能性时误差就较小，应防止膨胀过大，导致无法得到有效的可通行路径；落石的速度复杂度越大，基于时间对落石的轨迹预测越不准确，计算碰撞可能性时误差就越大，应膨胀更大的范围以避免发生碰撞；速度复杂度越小，基于时间对落石的轨迹预测较为准确，计算碰撞可能性时误差就较小，应防止膨胀过大，导致无法得到有效的可通行路径；按照上述方法获取当前每块矿石的初始膨胀率。

至此，根据每块矿石的时序轨迹数据及时序速度数据，得到了当前每块矿石的初始膨胀率，用于预测轨迹并计算与无人驾驶车辆的碰撞可能性。

步骤S003、对无人驾驶车辆通过DWA算法获取预测轨迹，根据预测轨迹及当前每块落石的初始膨胀率，获取当前状态预测下的无人驾驶车辆与落石的碰撞可能性。

需要说明的是，获取到当前每块矿石的初始膨胀率后，需要利用DWA算法结合初始膨胀率来进行路径规划，可以先得到无人驾驶车辆的预测轨迹，基于预测轨迹及初始膨胀率获取无人驾驶车辆与落石的碰撞可能性。

具体的，根据无人驾驶车辆的速度数据及加速度数据，通过DWA算法获取当前无人驾驶车辆的速度空间，在所有速度空间中选择任意一个速度，对该速度利用运动学模型进行轨迹预测，进而得到预测轨迹上距离所有障碍物的最近距离，所述最近距离的具体获取方法为：

将无人驾驶车辆及落石均转换到同一二维坐标系中，记为统一坐标系，即是将所有俯视视频进行拼接，根据相机或无人机的标定关系完成转换，为现有技术，本实施例不再赘述；获取每块落石的时序轨迹数据中最后一个元素对应的落石位置，此时每块落石在统一坐标系中均为一个区域，获取任意一块落石对应的区域，该区域的中心坐标即为该块落石的时序轨迹数据中最后一个元素转换到统一坐标系后的坐标，获取该块落石区域边界部分每个坐标点与中心坐标的差值坐标，获取每个差值坐标与初始膨胀率的乘积，将每个差值坐标对应的乘积与中心坐标的和值坐标作为该块落石区域膨胀后的边界坐标，将每个膨胀后边界坐标按照膨胀前边界坐标点的相邻关系进行相连，得到的新边界即为该块落石区域根据初始膨胀率膨胀后的边界，则得到了该块落石的膨胀后区域；获取该膨胀后区域内每个坐标点与预测轨迹的距离，将该膨胀后区域中所有距离的最小值作为该块落石膨胀后区域与预测轨迹的最小距离；获取每块落石的膨胀后区域与预测轨迹的最小距离，将所有最小距离中的最小值作为最近距离；若预测轨迹经过某块落石，则最近距离为0；需要说明的是，由于无人驾驶车辆及落石均转换到统一坐标系中，则预测轨迹及时序轨迹数据也转换到了统一坐标系中进行计算。

进一步的，由于在速度空间中有多个速度，获取每个速度对应的最近距离，并将每个最近距离通过sigmoid函数进行归一化处理，若干最近距离的归一化值组成最近距离序列，最近距离序列中可能有多个元素为0；需要说明的是，速度空间获取及运动学模型预测均为DWA算法中的现有技术，本实施例不再赘述。

需要说明的是，现有方法在得到最近距离序列后，还需要得到各速度对应的方位角评价函数，以及各速度对应的线速度值，设定加权系数后，完成最终的速度选择，并实现路径规划；本实施例的目的是为了更好的避免碰撞发生，仅针对最近距离序列进行优化，对其他项不做调整。

进一步的，通过DWA算法获取到最终的速度选择即最优速度后，得到此时最优速度对应的最近距离，若最近距离大于0，则表明有可通行路径且不会发生碰撞，不需要调整初始膨胀率，碰撞可能性为0；若最近距离等于0，则表明规划的路径可能会发生碰撞，但此时已没有其他路径可以选择，则需要调整膨胀率以保证有可通行路径，碰撞可能性记为1。

至此，获取到当前状态预测下的碰撞可能性，碰撞可能性为1情况的需要调整落石的膨胀率一确保有可通行路径；碰撞可能性为0的情况，此时的规划路径即为实时路径规划结果。

步骤S004、根据碰撞可能性对可能发生碰撞的落石的初始膨胀率进行调整，完成对无人驾驶车辆的实时路径规划。

需要说明的是，对于碰撞可能性为1的情况，此时的规划路径会发生碰撞，需要调整所有落石的膨胀率并再次进行路径规划，如果调整后得到的规划路径的碰撞可能性为0，则得到了实时路径规划结果；如果调整后的碰撞可能性仍为1，则仍需要进行调整，直到获得碰撞可能性为0的规划路径。

具体的，以第

块落石为例，其调整程度/>

的计算方法为：

其中，

表示得到的规划路径中与第/>

块落石的距离为0的个数，/>

表示得到的规划路径与第/>

块落石边界的最小距离；所述最小距离的具体计算方法为：由于落石在统一坐标系中表示为一个区域，则通过线与区域的距离计算方法获取规划路径与落石边界的最小距离，为现有技术，本实施例不再赘述；所述规划路径中与第/>

块落石的距离为0的个数，表示规划路径这条线与落石这块区域的重叠部分的坐标点数量；/>

越大，规划路径经过该块落石的部分越多，碰撞后风险越大，需要对膨胀率进行较大调整；与落石边界的最小距离越大，越容易发生碰撞，且碰撞区域面积越大，碰撞后风险越大，需要对膨胀率进行较大调整；此时/>

与/>

的乘积的实际含义为：用矩形表示车辆与落石的接触部分，乘积即为矩形的面积，则面积越大，越容易发生碰撞，且碰撞后风险越大，需要对膨胀率进行较大调整；按照上述方法获取每块落石的调整程度，将所有落石的调整程度进行线性归一化处理，得到的归一化值范围为/>

，将每块落石的调整程度归一化的值记为每块落石的调整率。

进一步的，将每块落石的调整率分别与

相乘，得到的乘积作为每块矿石的调整标准；需要说明的是，/>

表示膨胀率调整控制力度，是一个超参数，本实施例采用/>

进行计算，由于调整率的范围为/>

，则本实施例中调整标准的范围为/>

。

进一步的，将每块落石的初始膨胀率与调整标准的差值作为每块落石的调整膨胀率，此时若初始膨胀率下的落石与规划路径没有重叠部分，则其调整程度为0，调整膨胀率与初始膨胀率仍相等；需要说明的是，由于初始膨胀率的范围为

，调整标准的范围为

，则本实施例中不会出现调整膨胀率小于0的情况，若实际实施过程/>

与/>

两个超参数采用其他值进行计算而出现调整膨胀率小于0的情况，则将小于0的调整膨胀率用0来进行计算处理；获取每块落石的调整膨胀率后，通过DWA算法获取调整后的最近距离序列，其中最近距离计算过程中，每块落石根据调整膨胀率进行膨胀后，计算与预测轨迹的距离并得到最近距离，所述根据调整膨胀率进行膨胀与根据初始膨胀率对每块落石进行膨胀的方法相同，仅是将初始膨胀率改为调整膨胀率，落石膨胀前对应的区域不改变；得到调整后的最近距离序列后，获取调整后的最优速度，得到调整后的规划路径，此时再次进行碰撞可能性计算，若调整后的最优速度对应的最近距离大于0，则碰撞可能性为0，调整后的规划路径即为实际路径规划结果；若调整后的最优速度对应的最近距离等于0，则碰撞可能性为1，按照上述方法继续进行膨胀率调整，直到规划路径的碰撞可能性为0，此时得到规划路径即为实际路径规划结果；需要说明的是，若干次调整后得到的规划路径为一条可通过路径，但对于落石可能膨胀后面积小于实际面积，即实际中仍会发生碰撞，但是得到的已经是碰撞损失最小的规划路径。

在得到实际路径规划结果后，由数据处理中心将规划路径中的速度数据及轨迹数据发送至无人驾驶车辆，进而由无人驾驶车辆自带的控制系统，完成最终的无人驾驶车辆实时路径规划。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于大数据无人驾驶车辆实时路径规划方法，其特征在于，该方法包括以下步骤：

采集露天矿场的实时俯视视频，根据实时俯视视频中的视频帧数据，通过动态跟踪及识别提取其中的落石对象，得到每块落石的时序轨迹数据及时序速度数据；获取无人驾驶车辆的速度及加速度数据；

根据每块落石的时序轨迹数据获取每块落石的轨迹复杂度，根据每块落石的时序速度数据获取每块落石的速度复杂度，根据轨迹复杂度及速度复杂度获取当前每块落石的初始膨胀率；

根据无人驾驶车辆的速度及加速度数据获取无人驾驶车辆的速度空间，通过运动学模型预测获取速度空间中每个速度的预测轨迹，根据任意一个预测轨迹及每块落石的时序轨迹数据及初始膨胀率获取每块落石的膨胀后区域与该预测轨迹的最小距离，将任意一个预测轨迹对应的若干最小距离中的最小值作为该预测轨迹对应的速度的最近距离，根据每个速度的最近距离获取最近距离序列，根据最近距离序列获取最优速度及对应的最近距离，并通过DWA算法得到规划路径，根据最优速度的最近距离获取碰撞可能性；

根据碰撞可能性判断落石是否需要调整初始膨胀率，根据规划路径及每块落石的初始膨胀率获取每块落石的调整膨胀率，根据无人驾驶车辆的速度空间及每块落石的调整膨胀率获取调整后的最优速度及对应的最近距离，并通过DWA算法得到调整后的规划路径，根据调整后的最优速度的最近距离获取调整后的碰撞可能性，根据调整后的碰撞可能性判断是否需要调整，直到得到满足不需要调整的规划路径；

将满足预设条件规划路径作为无人驾驶车辆的实时路径规划结果。

2.根据权利要求1所述的一种基于大数据无人驾驶车辆实时路径规划方法，其特征在于，所述根据每块落石的时序轨迹数据获取每块落石的轨迹复杂度，包括的具体方法为：

获取任意一块落石的时序轨迹数据，构建时间及时序轨迹数据中每个元素的二维坐标的三维坐标系，按照时序将时序轨迹数据中每个元素转化为该三维坐标系中的坐标点，对坐标点通过线性最小二乘法进行线性拟合，获取到每个坐标点对应的三维线性拟合坐标点，提取三维线性拟合坐标点中的非时间坐标，按照时序排列得到该块落石的轨迹拟合序列，计算轨迹拟合序列与时序轨迹数据的汉明距离，并作为该块落石的轨迹复杂度。

3.根据权利要求1所述的一种基于大数据无人驾驶车辆实时路径规划方法，其特征在于，所述根据每块落石的时序速度数据获取每块落石的速度复杂度，包括的具体方法为：

获取任意一块落石的时序速度数据，构建时间及速度的二维坐标系，按照时序将时序速度数据中每个元素转化为该二维坐标系中的坐标点，对坐标点通过线性最小二乘法进行线性拟合，获取到每个坐标点对应的二维线性拟合坐标点，提取二维线性拟合坐标点中的速度坐标，按照时序排列得到该块落石的速度拟合序列，计算速度拟合序列与时序速度数据的汉明距离，并作为该块落石的速度复杂度。

4.根据权利要求1所述的一种基于大数据无人驾驶车辆实时路径规划方法，其特征在于，所述根据轨迹复杂度及速度复杂度获取当前每块落石的初始膨胀率，包括的具体方法为：

;

其中，

表示第/>

块矿石的初始膨胀率，/>

表示第/>

块落石的轨迹复杂度，/>

表示第/>

块落石的速度复杂度，/>

表示最大扩张率，/>

表示一种归一化函数。

5.根据权利要求1所述的一种基于大数据无人驾驶车辆实时路径规划方法，其特征在于，所述根据任意一个预测轨迹及每块落石的时序轨迹数据及初始膨胀率获取每块落石的膨胀后区域与该预测轨迹的最小距离，包括的具体方法为：

将无人驾驶车辆及落石均转换到同一二维坐标系中，记为统一坐标系；获取任意一块落石的时序轨迹数据中最后一个元素对应的落石区域，该区域的中心坐标即为该块落石的时序轨迹数据中最后一个元素转换到统一坐标系后的坐标，获取该块落石区域边界部分每个坐标点与中心坐标的差值坐标，获取每个差值坐标与初始膨胀率的乘积，将每个差值坐标对应的乘积与中心坐标的和值坐标作为该块落石区域膨胀后的边界坐标，将每个膨胀后边界坐标按照膨胀前边界坐标点的相邻关系进行相连，得到的新边界即为该块落石区域根据初始膨胀率膨胀后的边界，则得到了该块落石的膨胀后区域；

获取任意一个预测轨迹，获取该膨胀后区域内每个坐标点与该预测轨迹的距离，将该膨胀后区域中所有距离的最小值作为该块落石膨胀后区域与该预测轨迹的最小距离。

6.根据权利要求1所述的一种基于大数据无人驾驶车辆实时路径规划方法，其特征在于，所述根据最优速度的最近距离获取碰撞可能性，包括的具体方法为：

最优速度的最近距离大于0，规划路径的碰撞可能性为0；最优速度的最近距离等于0，规划路径的碰撞可能性为1。

7.根据权利要求1所述的一种基于大数据无人驾驶车辆实时路径规划方法，其特征在于，所述根据碰撞可能性判断落石是否需要调整初始膨胀率，包括的具体方法为：

碰撞可能性为0，落石不需要调整初始膨胀率；碰撞可能性为1，落石需要调整初始膨胀率。

8.根据权利要求1所述的一种基于大数据无人驾驶车辆实时路径规划方法，其特征在于，所述根据规划路径及每块落石的初始膨胀率获取每块落石的调整膨胀率，包括的具体方法为：

;

其中，

表示第/>

块落石的调整程度，/>

表示得到的规划路径中与第/>

块落石的距离为0的个数，/>

表示得到的规划路径与第/>

块落石边界的最小距离；获取每块落石的调整程度，将所有落石的调整程度进行线性归一化处理，将每块落石的调整程度归一化的值作为每块落石的调整率；

将每块落石的调整率分别与

相乘，得到的乘积作为每块矿石的调整标准；/>

表示膨胀率调整控制力度；

将每块落石的初始膨胀率与调整标准的差值作为每块落石的调整膨胀率。

9.根据权利要求1所述的一种基于大数据无人驾驶车辆实时路径规划方法，其特征在于，所述将满足预设条件规划路径作为无人驾驶车辆的实时路径规划结果，包括的具体方法为：

将碰撞可能性为0时的规划路径，作为无人驾驶车辆的实时路径规划结果。

Images