CN116429145B - 一种复杂场景下无人车与垃圾桶自动对接导航方法及系统 - Google Patents

Abstract

本发明涉及一种复杂场景下无人车与垃圾桶自动对接导航方法，包括以下步骤：定位目标物体位置；基于目标物体位置，通过局部路径规划方法构造若干局部路径；生成局部代价地图；对局部代价地图进行均值滤波处理；提取局部代价地图的边缘；基于局部代价地图，计算局部路径与所述边缘的距离；根据局部路径与边缘的距离，对各局部路径进行碰撞检测，滤除不通过碰撞检测的局部路径；构建评价函数；通过评价函数计算各局部路径评分值，选取评分值最高的局部路径为输出结果。

Description

一种复杂场景下无人车与垃圾桶自动对接导航方法及系统

技术领域

本发明涉及一种复杂场景下无人车与垃圾桶自动对接导航方法及系统，属于路径规划领域。

背景技术

无人驾驶技术应用能够缓解环卫服务行业用工难、人力成本高等问题。不管是公路级市政道路还是封闭、半封闭园区内道路，都可以将自动驾驶功能搭载于车辆上实现无人化。在整体运营成本方面，自动驾驶结合智能化清洁作业的方案，能够提升清扫作业效率，同时能够精简环卫工人数量，降低人员招聘与管理成本。在环卫具体场景中，道路清扫是最适合于自动驾驶技术应用落地的，其行驶速度低、硬件要求低、行驶路线重复固定、不需过分考虑车辆舒适度、人机交互相对简单，在成本和效率上都具有极大的优势。

为防止无人清扫车与垃圾桶对接过程中与其他的人或物相碰撞带来的安全隐患，需要在路径规划后进行碰撞检测。碰撞检测需要计算各路径与障碍物的距离，以此判断是否会碰撞，计算量较大，实时性差。

公开号为CN115451983A的专利《一种复杂场景下的动态环境建图与路径规划方法及装置》公开了：获取车辆周围雷达扫描空间范围内的物体点云数据；对激光雷达扫描的点云数据进行分割获取地面点云和非地面点云，对非地面点云，进行障碍物识别；对非地面点云进行栅格化及二值化处理，生成二维栅格化环境地图；根据车辆当前行驶状态，实时生成多条局部路径；根据二维栅格化环境地图以及安全驾驶需求设置约束条件以及损失函数；根据约束条件对各条局部路径进行筛选，得到可安全通行的局部路径；利用损失函数计算可安全通行的局部路径的损失大小，其中损失最小即为最优路径。该方案设置约束条件筛选路径，需要计算车辆与绝对不能通行障碍物之间的距离，实时性有待进一步优化。

发明内容

为了克服现有技术中存在的问题，本发明设计了一种复杂场景下无人车与垃圾桶自动对接导航方法，对局部代价地图进行均值滤波处理，合理放大孤立栅格点的影响，并提取点云簇边缘点作为后续参与计算的不可通行区域，减少所需计算的栅格点数量，在较大环境或障碍物较多环境中可显著提升计算速度。

为了实现上述目的，本发明采用如下技术方案：

技术方案一

一种复杂场景下无人车与垃圾桶自动对接导航方法，包括以下步骤：

定位目标物体位置；

基于目标物体位置，通过局部路径规划方法构造若干局部路径；

生成局部代价地图；对局部代价地图进行均值滤波处理；提取局部代价地图的边缘；基于局部代价地图，计算局部路径与所述边缘的距离；根据局部路径与边缘的距离，对各局部路径进行碰撞检测，滤除不通过碰撞检测的局部路径；

构建评价函数；通过评价函数计算各局部路径评分值，选取评分值最高的局部路径为输出结果。

进一步地，所述定位目标物体位置，包括如下步骤：

目标物体上至少设有两块竖直安装的反光板；通过激光雷达获取点云数据；根据反射强度，滤除点云数据；根据点云与水平线的夹角，滤除点云数据；通过区域生长方法，获取若干聚类；根据若干聚类的相对位置关系，计算目标物体位置。

进一步地，所述构造若干局部路径，具体为：

生成全局代价地图及全局路径；基于目标物体位置，选取参考线；通过分段插值法调整参考线路径点密度；将参考线划分为参考线首段、参考线中段、参考线末段；对参考线末段进行平行采样，得到若干路径簇为各局部路径第三部分；对参考线首段作为各局部路径第一部分；将各路径簇中第一个点与参考线首段最末点相连，得到各局部路径第二部分。

进一步地，还包括对局部路径进行平滑处理，具体如下：

设置平滑阈值、参考权重以及平滑权重；

遍历局部路径中各待平滑路径点；根据平滑权重，计算当前待平滑路径点与邻近路径点位置差的第一加权值；根据第一加权值，调整当前待平滑路径点位置；根据参考权重，计算待平滑路径点位置调整前后位置差值的第二加权值；根据第二加权值，再次调整当前待平滑路径点位置并将该调整结果作为平滑值；累加该次遍历过程中所有待平滑路径点原始值与平滑值的差值，得到平滑差量；

若平滑差量小于平滑阈值，则完成路径平滑；否则，对平滑权重进行自增，对参考权重进行自减，重新对该局部路径进行平滑处理，直至平滑差量小于平滑阈值。

进一步地，所述对滤波处理后的局部代价地图进行边缘提取，包括如下步骤：

将局部代价地图中属性为不可通行的栅格修改为可通行；

将局部代价地图中属性不为可通行、未知的栅格修改为不可通行。

进一步地，所述对局部路径进行碰撞检测，包括如下步骤：

遍历局部路径中各路径点，计算各路径点与边缘的距离；若所述距离小于安全阈值，则删去该局部路径；所述安全阈值为车身一半宽度与缓冲区宽度之和。

进一步地，所述评价函数，以公式表达为：

式中，、/>、/>和/>分别表示安全性、高效性、可靠性和稳定性的权重；/>、/>和/>分别表示路径/>的安全性因素代价、高效性因素代价、可靠性因素代价、稳定性因素代价；/>表示路径/>的代价；N为路径总数；安全性因素代价为路径/>与各不可通行区域的距离的最小值；高效性因素代价为路径/>与移动物体的距离；可靠性因素代价为路径/>与参考线的距离；稳定性因素代价为路径/>与上一最优局部路径的距离。

技术方案二

一种复杂场景下无人车与垃圾桶自动对接导航系统，包括：

定位单元，定位单元用于定位目标物体位置；

路径生成单元，路径生成单元用于基于目标物体位置，通过局部路径规划方法构造若干局部路径；

碰撞检测单元，碰撞检测单元用于生成局部代价地图；对局部代价地图进行均值滤波处理；提取局部代价地图的边缘；基于局部代价地图，计算局部路径与所述边缘的距离；根据局部路径与边缘的距离，对各局部路径进行碰撞检测，滤除不通过碰撞检测的局部路径；

评价单元，评价单元设有评价函数，用于计算各局部路径评分值，选取评分值最高的局部路径为输出结果。

进一步地，所述定位目标物体位置，包括如下步骤：

目标物体上至少设有两块竖直安装的反光板；通过激光雷达获取点云数据；根据反射强度，滤除点云数据；根据点云与水平线的夹角，滤除点云数据；通过区域生长方法，获取若干聚类；根据若干聚类的相对位置关系，计算目标物体位置。

进一步地，所述构造若干局部路径，具体为：

生成全局代价地图及全局路径；基于目标物体位置，选取参考线；通过分段插值法调整参考线路径点密度；将参考线划分为参考线首段、参考线中段、参考线末段；对参考线末段进行平行采样，得到若干路径簇为各局部路径第三部分；对参考线首段作为各局部路径第一部分；将各路径簇中第一个点与参考线首段最末点相连，得到各局部路径第二部分。

与现有技术相比本发明有以下特点和有益效果：

1、目前在无人清扫车与垃圾桶的对接作业任务中，对垃圾桶的定位多采用在垃圾桶上贴二维码的方式，然后是通过相机识别该二维码。由于相机的特性，这种方式会有诸多缺点，比如，在夜间或地下停车场等光线昏暗场景和雨雪雾霾等场景中，相机的识别效果会大大折扣，识别出错率会大幅度提升。同时，由于相机感知距离较近，对于同样尺寸的二维码和反光板，相机识别二维码的方式会要求无人清扫车和垃圾桶的初始距离较近。而本申请通过采用激光雷达点云数据，适用于复杂场景以及远距离的作业任务；基于反光板反射点云特性筛选点云，降低后续需要计算的点云法向量计算量。同时，设置多块反光板，当有外界环境影响导致部分反光板被遮住时，本发明采用的点云区域生长方法，依然可以准确定位出垃圾桶的位置。

2、现有技术中使用基于参数插值的方法调整参考线路径点密度，但此方法对噪声非常敏感，输出结果质量受噪声影响并不稳定，如使用三次样条曲线时可能导致结果产生大幅震荡的曲线。本发明通过分段插值法调整参考线路径点密度，能保证局部路径的路径点间距合理且规整。

3、与专利CN114879678A《一种基于距离权重的移动机器人全局路径平滑方法》相比，本发明对局部路径进行平滑处理，进一步减少计算量；同时通过设置参考权重和平滑阈值，迭代优化路径点坐标，得到更接近原始局部路径的平滑路径，减少平滑产生的路径偏差。

4、本发明对局部代价地图进行均值滤波处理，合理放大孤立栅格点的影响，并提取点云簇边缘点作为后续参与计算的不可通行区域，减少所需计算的栅格点数量，在较大环境或障碍物较多环境中可显著提升计算速度。

5、现有技术中主要从行车安全如障碍物距离、速度、加速度、曲率等角度筛选路径。本发明考虑路径与障碍物的距离、路径与移动物体实时位置的距离、路径与上一最优局部路径的距离、路径与参考路径的距离，并将各因素作归一化处理后赋予不同权值以得到评价值，选取最优路径，具有较高的安全性、高效性、可靠性和稳定性。

附图说明

图1本发明流程图；

图2为区域生长方法结果示例图；

图3为路径平滑结果示例图；

图4为局部代价地图处理过程示意图；

图5为局部路径评分结果示意图；

图6为无人清扫车与垃圾桶自动对接导航路径示意图。

具体实施方式

下面结合实施例对本发明进行更详细的描述。

实施例一

如图1所示，一种复杂场景下无人车与垃圾桶自动对接导航方法，包括以下步骤：

S1、定位目标物体：

目标物体为垃圾桶；无人清扫车设置有激光雷达。本实施例中，选用Ouster-OS-1型号32线的激光雷达，将激光雷达安装在无人清扫车后方，确保激光雷达可以完整探测到车辆后方区域。

垃圾桶对接无人清扫车一面安装有n块反光板，各反光板垂直于地面。

在无人清扫车与垃圾桶对接场景中，主要存在以下几类物体：地面或墙壁，一般为漫反射材质；其余车辆，部分车辆表面会贴有反光膜。本实施例中，垃圾桶反光板采用超高反射强度材质，面积大于对接场景中其他强反光材质制成物体的面积。考虑到对接场景中物体反光强度不如超高反射强度材质制成的反光板，因此本发明使用超高反射强度材质反光板作为辅助定位材料，根据激光雷达反射强度区分反光板与其他反光物体，可以滤除环境中无关的反射材质和漫反射材质所形成的点云噪点。

激光雷达获取点云数据；点云数据具体包括点云集合，点云法向量集合/>，点云曲率值集合/>，点云强度值集合/>；设置点云曲率阈值/>，夹角阈值/>、强度阈值/>。

根据点云强度值集合和强度阈值/>，滤除低于强度阈值/>的点云。

计算剩余点云的表面法线及表面法线与水平方向的夹角，将夹角大于夹角阈值的点云加入点云集合/>。由于反光板在安装时严格竖直于地面，过滤出水平法线方向的点进行区域生长，可以快速分割出竖直平面，有效地减少迭代次数。此外，该夹角筛选步骤不与反射强度筛选步骤一同进行，而选择在其之后进行，这是由于点云法向量计算量较大，在经过一次点云反射强度大规模筛取后进行计算，降低需要计算的点云法向量计算量。

建立近邻点云簇集合、种子点云簇集合，并初始化为空集；选取点云集合中曲率最小的点作为种子点放入种子点云簇集合，并为当前种子点寻找若干近邻点。对于每一个近邻点，判断该近邻点是否为第一次处理，若是则将该近邻点加入近邻点云簇集合，并从点云集合/>中删去。若该近邻点的曲率小于曲率阈值，则将该近邻点加入种子点云簇集合。重复上述步骤直至当前种子点的近邻点遍历完成。将此次循环中的得到近邻点云簇集合并为一个聚类区块/>。

按照曲率值升序排列，顺序选取点云集合中的点作为种子点加入种子点云簇集合，重复以上过程，直至完成所有点云的区域生长分割，得到聚类区块集合/>，即得到环境中所有由高反射强度点云所构成的竖直平面区块的集合/>。选取集合/>中点云数量最多的n个平面点云簇，这n个点云簇分别属于n个反光板。依据反光板之间的相对位置关系获得垃圾桶的准确定位。

图2所示为一实施案例中，垃圾桶上安装2块反光板，激光雷达识别到2块点云簇即反光板，依据2块反光板的位置关系识别到垃圾桶的中心位置。

S2、构造若干局部路径：

生成全局代价地图及全局路径；基于目标物体位置，即依据无人清扫车在全局代价地图中的定位，从全局路径中截取无人清扫车朝向前方长度为20米的全局路径作为局部路径规划方法的参考线。由于全局路径已由膨胀全局代价地图进行约束，其曲率与方向皆可控，在此基础上截取出参考线并进行平行采样，则最终经选取的局部路径同样可以控制在合理的曲率和方向内，避免自由度过高的绕行路线，防止在无人清扫车与垃圾桶对接导航中造成不可预知的风险。

通过局部路径规划方法构造局部路径，具体包括如下步骤：

通过分段插值法调整参考线路径点密度,以保证局部路径的路径点间距合理且规整。现有技术中使用基于参数插值的方法，但此方法对噪声非常敏感，输出结果质量受噪声影响并不稳定，如使用三次样条曲线时可能导致结果产生大幅震荡的曲线。本发明技术人员经实践确定分段差值方法在此应用中较为稳定。

得到路径点密度规整的参考线后，将参考线划分为三部分，参考线首段、参考线中段、参考线末段长度分别为、/>、/>。本实施例中，参考线首段长度/>取无人清扫车前后轴中心（无人清扫车转向中心与坐标系中心）至车后轮中心。

对参考线末段进行平行采样：分别从头至尾依次取参考线末段的路径点作为参考点，依据参考点的坐标、参考点的偏航角以及当前局部路径与参考线的既定横向距离计算采样点坐标，得到若干路径簇为各局部路径第三部分。通过设置路径横向采样间隔与采样个数n，可控制轨迹的横向覆盖面积与轨迹调整幅度。

对参考线首段不进行采样，取参考线上与车身坐标最为邻近的一个路径点作为起始点，随后沿参考线截取一段既定长度的线段作为各局部路径第一部分。本发明对参考线首段不进行平行采样，以保证无人清扫车在对横向局部路径进行切换时保证转向的平滑性。

将各路径簇中第一个点与参考线首段最末点相连，得到各局部路径第二部分，连线使用共轭梯度进行平滑。

导航系统在运行过程中会实时检测当前车辆与参考线的偏离，若当前无人清扫车由于绕障正处于平行部分则会重新采样生成局部路径，引导无人清扫车回归参考线。

由于此时构造的局部路径含有曲率突变，如图3左部分所示，在实际执行过程中将造成转向突变或无法跟随等后果。本发明设计了路径平滑方法对局部路径进行平滑。该方法的输入为待平滑路径、平滑阈值、参考权重以及平滑权重，输出为一条平滑路径，如图3右部分所示。平滑过程中，通过提高参考权重或者提高平滑权重，使平滑后的路线将更加贴近原路径或者路径将更加平滑。方法伪代码如下表：

路径平滑方法，包括如下步骤：

A1、平滑局部路径中各路径点：

根据平滑权重，计算待平滑路径中第i路径点与邻近路径点（本实施例为第i-1、i+1路径点）坐标差值的第一加权值；以第一加权值与第i路径点坐标之和更新第i路径点坐标；根据参考权重，计算第i路径点坐标更新前后坐标差值的第二加权值；以第二加权值与更新后第i路径点坐标之和再次更新第i路径点坐标，并作为输出路径的第i路径点坐标；累加待平滑路径与输出路径的第i路径点坐标的坐标差值，得到平滑差量；重复上述步骤，直至待平滑路径中所有路径点坐标完成更新，即得到输出路径中所有路径点坐标；

A2、若平滑差量小于平滑阈值，则完成路径平滑；否则，对平滑权重进行自增，对参考权重进行自减，进入步骤A1重新平滑局部路径中各路径点，直至平滑差量小于平滑阈值。

S3、对各局部路径进行碰撞检测：

由于在采样生成局部路径的过程中未纳入环境障碍物信息进行考量，这些路径目前仍是无法保证安全无碰撞的。为此引入局部代价地图，依据无人清扫车在全局代价地图中的定位位置截取车身周围一定区域作为局部代价地图的主体。在此基础上，将激光雷达获取的点云信息实时映射到局部代价地图对应的位置上，形成局部代价地图。如图4(a)所示，局部代价地图中环境建筑和障碍物所构成的不可通行区域均由灰度值为0的黑色栅格表示，可通行区域由灰度值为255的白色栅格表示，通行属性未知的区域由灰度值205的灰色栅格表示。

无人清扫车对安全性极度苛求，因此在进行碰撞检测决不能直接忽略孤立的单一栅格点，孤立栅格点所代表的障碍物存在对无人清扫车导航造成实质干扰的可能性。为此，本发明提出基于均值滤波的局部代价地图，扩大孤立栅格影响，同时便于后续提取出对应各物体的点云簇的边缘点。

为了保证均值滤波对于由孤立栅格表示的不可行驶区域点有很好的区分效果，同时也保证不至于过度放大影响正常区域，本实施例选用3×3栅格矩阵的滤波内核，即m为9。在原始局部代价地图中，以点云簇内点为中心的3×3矩阵的9个栅格的灰度值应全部为0，以点云簇的边缘轮廓点为中心的3×3矩阵的9个栅格中必然至少有一点灰度值为255。而在均值滤波处理后，中心点处灰度值将被重新定义为该点周围9个点的平均灰度值。对于点云簇的内点而言，其灰度值则将仍旧保持为0，而点云簇边缘轮廓点的灰度值将会被新的非零值所替代。图4(b)即为经均值滤波处理后的示意图，可以观察到该图相较原图在视觉上更为模糊，这是由于均值滤波模糊了灰度值跃变处，平滑了边界处的灰度值变化。对于孤立栅格点而言，其矩阵内点都有了灰度值变化，将该点从空白区域凸显并扩散了一个栅格点的距离。

具体地，对任一栅格点其灰度值的计算过程为：

其中，m为滤波内核的栅格点数，S为滤波内核中所有栅格点的灰度值集合。

基于均值滤波处理后栅格的灰度值特点，利用灰度值对点云簇边缘点进行判断。从均值滤波处理后的局部代价地图中遍历读取栅格灰度值，修改各栅格的灰度值，由公式表示为:

对局部代价地图中属性为不可通行的栅格（灰度值为0）修改为可通行（灰度值为255），属性不为可通行、未知的栅格（灰度值不为0、不为205）修改为不可通行（灰度值为0）。对属为可通行、未知的栅格（灰度值为205、255）灰度值为205、255的栅不做改变。如图4(c)所示,则将点云簇边缘点修改为不可通行区域；将点云簇内部点修改为可通行区域，使其不再参与后续的碰撞检测与横向距离的计算，减少所需计算的栅格点数量，在较大环境或障碍物较多环境中可显著提升计算速度。

基于局部代价地图，对各局部路径进行碰撞检测。具体而言，每条局部路径都是由一系列密度均匀的路径点所构成的，遍历局部路径中各路径点与周围每个黑色栅格的距离，当距离小于设定的安全阈值时，即可退出对于该条路径的碰撞检测进程，判断其为不安全碰撞路线，不继续参与后续的评价函数计算和选取。其中，安全阈值不仅仅设置了半个车身的宽度，出于安全考虑额外填加了一个缓冲区宽度，确保将可能发生碰撞的不安全路线全部剔除。

S4、选取最优局部路径：

构建局部路径评价函数：

式中，、/>、/>和/>分别表示安全性、高效性、可靠性和稳定性的权重；/>、/>和/>分别表示路径/>的安全性因素代价、高效性因素代价、可靠性因素代价、稳定性因素代价；/>表示路径/>的代价；N为路径总数；安全性因素代价为路径/>与各不可通行区域的距离的最小值；高效性因素代价为路径/>与移动物体实时位置的距离；可靠性因素代价为路径/>与参考线的距离；稳定性因素代价为路径/>与上一最优局部路径的距离。

本实施例中，计算安全性因素代价时，为减少冗余计算，路径与不可通行区域距离的获取基于改进的局代价地图，并与碰撞检测共用计算数据，节约了大量计算资源。计算高效性因素代价时，获取无人清扫车实时位置并与参考线进行比较，将其与参考线的横向距离除以路径横向采样密度作为/>；以与无人清扫车最为接近的局部路径为中心，其两侧路径代价依次上升。

对可靠性因素代价，考虑各局部路径与参考线的相对位置关系（以局部路径中任意点到参考线中路径点的最大值或最小值为），以参考线为中心，两侧路径代价依次上升。

对稳定性因素代价，以上一帧中局部路径规划方法输出的最优路径为中心考虑各局部路径与其相对位置关系（以局部路径中任意点到上一帧最优路径中路径点的最大值或最小值为），在其两侧的路径代价依次上升。

分别计算得到每条局部路径的四项因素代价值后，对每个因素代价值进行均一化处理，保证最后代价计算的有效性。此外，在表达一条路径的代价时，四项因素互有牵制，为此本发明将每个因素代价值都乘上对应的权重，在权重的设置上需考虑实际场景下的需求与决策偏好，在安全性、高效性、可靠性和稳定性间进行衡量。

由此，完成所有局部路径代价的计算后，选取最小代价路径作为局部导航路径，其路径编号可表示为：

所有局部路径评分结果如图5所示，图中黑色点块为障碍物，存在四条未通过碰撞检测的路线（从上往下数第7~10条），其他通过碰撞检测的路径颜色从浅至深分别代表着代价值从低到高，代价值最低的局部路径则为局部最优路径，图中对其加粗表示（从上往下数第3条）。此实验中选取的最优路径与障碍物的横向距离为0.6米。该实验中无人清扫车自身即位于参考线处，上一帧的最优路径也是参考线，因此都引导了其在保证安全性的前提下选择了距离中心参考线最近的局部路径，满足无人清扫车导航任务要求。最终得到无人清扫车与垃圾桶自动对接的导航路径，如图6所示。

需要说明的是，上述提出的一种复杂场景下无人车与垃圾桶自动对接导航系统，还用于实现如上述图1所示的一种复杂场景下无人车与垃圾桶自动对接导航方法中各实施例对应的方法步骤，本申请在此不重复叙述。

需要说明的是，在本发明各个实施例中的各功能单元/模块可以集成在一个处理单元/模块中，也可以是各个单元/模块单独物理存在，也可以是两个或两个以上单元/模块集成在一个单元/模块中。上述集成的单元/模块既可以采用硬件的形式实现，也可以采用软件功能单元/模块的形式实现。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解应当理解，可以以硬件、软件、固件、中间件、代码或其任何恰当组合来实现这里描述的实施例。对于硬件实现，处理器可以在一个或多个下列单元中实现：专用集成电路（ASIC）、数字信号处理器（DSP）、数字信号处理设备（DSPD）、可编程逻辑器件（PLD）、现场可编程门阵列（FPGA）、处理器、控制器、微控制器、微处理器、设计用于实现这里所描述功能的其他电子单元或其组合。对于软件实现，实施例的部分或全部流程可以通过计算机程序来指令相关的硬件来完成。实现时，可以将上述程序存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。计算机可读介质可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当分析，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (9)

1.一种复杂场景下无人车与垃圾桶自动对接导航方法，其特征在于，包括以下步骤：

定位目标物体位置；

基于目标物体位置，通过局部路径规划方法构造若干局部路径；对局部路径进行平滑处理，具体如下：

设置平滑阈值、参考权重以及平滑权重；遍历局部路径中各待平滑路径点；根据平滑权重，计算当前待平滑路径点与邻近路径点位置差的第一加权值；根据第一加权值，调整当前待平滑路径点位置；根据参考权重，计算待平滑路径点位置调整前后位置差值的第二加权值；根据第二加权值，再次调整当前待平滑路径点位置并将该调整结果作为平滑值；累加该次遍历过程中所有待平滑路径点原始值与平滑值的差值，得到平滑差量；若平滑差量小于平滑阈值，则完成路径平滑；否则，对平滑权重进行自增，对参考权重进行自减，重新对该局部路径进行平滑处理，直至平滑差量小于平滑阈值；

生成局部代价地图；对局部代价地图进行均值滤波处理；提取局部代价地图的边缘；基于局部代价地图，计算局部路径与所述边缘的距离；

根据局部路径与边缘的距离，对各局部路径进行碰撞检测，滤除不通过碰撞检测的局部路径；

构建评价函数；通过评价函数计算各局部路径评分值，选取评分值最高的局部路径为输出结果。

2.根据权利要求1所述的一种复杂场景下无人车与垃圾桶自动对接导航方法，其特征在于，所述定位目标物体位置，包括如下步骤：

目标物体上至少设有两块竖直安装的反光板；通过激光雷达获取点云数据；根据反射强度，滤除点云数据；根据点云与水平线的夹角，滤除点云数据；通过区域生长方法，获取若干聚类；根据若干聚类的相对位置关系，计算目标物体位置。

3.根据权利要求1所述的一种复杂场景下无人车与垃圾桶自动对接导航方法，其特征在于，所述构造若干局部路径，具体为：

生成全局代价地图及全局路径；基于目标物体位置，选取参考线；通过分段插值法调整参考线路径点密度；将参考线划分为参考线首段、参考线中段、参考线末段；对参考线末段进行平行采样，得到若干路径簇为各局部路径第三部分；对参考线首段作为各局部路径第一部分；将各路径簇中第一个点与参考线首段最末点相连，得到各局部路径第二部分。

4.根据权利要求1所述的一种复杂场景下无人车与垃圾桶自动对接导航方法，其特征在于，对滤波处理后的局部代价地图进行边缘提取，包括如下步骤：

将局部代价地图中属性为不可通行的栅格修改为可通行；

将局部代价地图中属性不为可通行、未知的栅格修改为不可通行。

5.根据权利要求1所述的一种复杂场景下无人车与垃圾桶自动对接导航方法，其特征在于，对局部路径进行碰撞检测，包括如下步骤：

遍历局部路径中各路径点，计算各路径点与边缘的距离；若所述距离小于安全阈值，则删去该局部路径；所述安全阈值为车身一半宽度与缓冲区宽度之和。

6.根据权利要求1所述的一种复杂场景下无人车与垃圾桶自动对接导航方法，其特征在于，所述评价函数，以公式表达为：

式中，、/>、/>和/>分别表示安全性、高效性、可靠性和稳定性的权重；/>、/>和/>分别表示路径/>的安全性因素代价、高效性因素代价、可靠性因素代价、稳定性因素代价；/>表示路径/>的代价；N为路径总数；安全性因素代价为路径/>与各不可通行区域的距离的最小值；高效性因素代价为路径/>与无人车的距离；可靠性因素代价为路径/>与参考线的距离；稳定性因素代价为路径/>与上一最优局部路径的距离。

7.一种复杂场景下无人车与垃圾桶自动对接导航系统，其特征在于，包括：

定位单元，定位单元用于定位目标物体位置；

路径生成单元，路径生成单元用于基于目标物体位置，通过局部路径规划方法构造若干局部路径；对局部路径进行平滑处理，具体如下：

设置平滑阈值、参考权重以及平滑权重；遍历局部路径中各待平滑路径点；根据平滑权重，计算当前待平滑路径点与邻近路径点位置差的第一加权值；根据第一加权值，调整当前待平滑路径点位置；根据参考权重，计算待平滑路径点位置调整前后位置差值的第二加权值；根据第二加权值，再次调整当前待平滑路径点位置并将该调整结果作为平滑值；累加该次遍历过程中所有待平滑路径点原始值与平滑值的差值，得到平滑差量；若平滑差量小于平滑阈值，则完成路径平滑；否则，对平滑权重进行自增，对参考权重进行自减，重新对该局部路径进行平滑处理，直至平滑差量小于平滑阈值；

碰撞检测单元，碰撞检测单元用于生成局部代价地图；对局部代价地图进行均值滤波处理；提取局部代价地图的边缘；基于局部代价地图，计算局部路径与所述边缘的距离；根据局部路径与边缘的距离，对各局部路径进行碰撞检测，滤除不通过碰撞检测的局部路径；

评价单元，评价单元设有评价函数，用于计算各局部路径评分值，选取评分值最高的局部路径为输出结果。

8.根据权利要求7所述的一种复杂场景下无人车与垃圾桶自动对接导航系统，其特征在于，所述定位目标物体位置，包括如下步骤：

目标物体上至少设有两块竖直安装的反光板；通过激光雷达获取点云数据；根据反射强度，滤除点云数据；根据点云与水平线的夹角，滤除点云数据；通过区域生长方法，获取若干聚类；根据若干聚类的相对位置关系，计算目标物体位置。

9.根据权利要求7所述的一种复杂场景下无人车与垃圾桶自动对接导航系统，其特征在于，所述构造若干局部路径，具体为：

生成全局代价地图及全局路径；基于目标物体位置，选取参考线；通过分段插值法调整参考线路径点密度；将参考线划分为参考线首段、参考线中段、参考线末段；对参考线末段进行平行采样，得到若干路径簇为各局部路径第三部分；对参考线首段作为各局部路径第一部分；将各路径簇中第一个点与参考线首段最末点相连，得到各局部路径第二部分。