CN116501030A - 基于改进人工势场法的自动驾驶车辆路径规划方法 - Google Patents
基于改进人工势场法的自动驾驶车辆路径规划方法 Download PDFInfo
- Publication number
- CN116501030A CN116501030A CN202211107113.2A CN202211107113A CN116501030A CN 116501030 A CN116501030 A CN 116501030A CN 202211107113 A CN202211107113 A CN 202211107113A CN 116501030 A CN116501030 A CN 116501030A
- Authority
- CN
- China
- Prior art keywords
- potential field
- path
- vehicle
- rep
- artificial potential
- 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 64
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 241000196324 Embryophyta Species 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012805 post-processing Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
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
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
-
- 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
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- 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
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- 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)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种自动驾驶车辆路径规划算法，具体涉及一种基于改进人工势场法的路径规划算法，第一步，识别障碍物和周边环境信息。第二步，根据传感器获取的障碍与道路环境信息，使用改进人工势场法规划路径；第三步，融入入侵杂草算法解决陷入局部最优解问题；本发明使用改进人工势场法进行路径规划，引入入侵杂草算法，有效提高算法的搜索效率，且规划路径更加平滑，进一步降低车辆碰撞的可能性，提高车辆行驶安全性。
Description
技术领域
本发明涉及自动驾驶车辆路径规划领域，具体是指一种基于改进人工势场法的自动驾驶车辆路径规划方法。
背景技术
近年来，随着机动车保有量的持续增加，传统交通已无法满足人们的出行需求。研究自动驾驶技术将有助于解决交通事故，交通拥堵，能源损耗和环境污染等一系列问题。此外，随着计算机技术与通信技术的快速发展，自动驾驶技术代替繁重的驾驶任务不再是一种想象，正在渐渐变成一种现实。自动驾驶概念是由美国于1939率先提出，并且他们将技术创新性和适用性结合的相对较好，走在了世界前列。而我国由于交通行业发展缓慢，对于自动驾驶领域的研究不够充分，其研究要追溯到上世纪80年代。
众多车辆在同一道路环境中行驶，而且是一个高度动态的环境中，所以必须要考虑其运行的稳定性，避免车辆之间发生碰撞。人工势场法的基本原理是在障碍物和目标点四周构建出虚拟力场，其中障碍物构建斥力势场，目标点构建引力势场，自动给车辆在斥力场和引力场的复合作用下进行路径探索，完成路径规划任务。相较于其他算法，它具有计算简单，信息处理难度低，实时性很高等优点。但该算法也有其自身的缺陷，容易出现目标不可达和局部最优解等问题，且并未考虑动态场景下的路径规划，算法的适用性较差。
发明内容
针对现有技术中的问题，本发明提出了一种改进人工势场法，在传统人工势场法的基础上，首先建立基于车速变化的动态道路边界斥力势场，保证汽车能在规定的道路中间安全平稳的行驶；其次对传统的人工势场法的引力势场函数和斥力势场函数进行改进，增加与目标点的距离调节因子解决目标不可达问题；通过建立速度斥力场和加速度斥力场构建出符合实际要求的动态交通场景信息，解决行驶过程中的碰撞问题，使得路径规划算法的应用范围更广；最后通过融入入侵杂草算法解决陷入局部最优解问题。
本发明为解决技术问题所采取的技术方案为：
所述基于改进人工势场法的自动驾驶车辆路径规划算法，包括以下步骤：
第一步，通过多种传感器获取道路长度、道路宽度、道路边界线、障碍物位置等环境信息，然后将这些环境信息传递给路径规划层；
第二步，根据传感器获取的障碍物与道路环境信息，使用改进人工势场法规划车辆路径；
第三步，当改进人工势场法规划的路径陷入局部最优解问题时，调用入侵法杂草法进行斥力重分布，计算出子代杂草数量，控制迭代的次数，并由适应值和种群阈值控制杂草总量。依据单位步长时间内距离局部最小点越远且距离目的地越近为准则进行优化求解，当相对位置坐标的协方差数值最小时，即为最优子目的地。路径规划完成后，需对路径进行后处理，去除多余的节点，并使用B样条曲线对整体的路径进行平滑。
所述第一步中，需要在车身周围安装摄像头、雷达等设备进行联合检测，然后将各种传感器的信息进行融合，对融合后的信息进行二次处理，识别道路长度、道路宽度、道路边界线、障碍物位置等环境信息，最后将所处理的环境信息传递给路径规划层。
所述第二步中，改进人工势场法的具体步骤：
根据传感器获取的道路环境信息，建立基于车速变化的动态道路边界斥力势场；在车道上建立直角坐标系，将道路等分为n等份，汽车行驶时将其视为一个质点，此时通过计算可以得到汽车距离左右两个道路边界的距离以及汽车本身的坐标，然后根据车辆当前坐标选择对应的斥力函数。
下道路边界区域力场，方向指向y轴正向；
F_rep_edge＝[0，Eta_rep_edge*norm(Pi(：，：))*(exp(-d/2-Pi(1，2)))]；
下道路分界线区域力场，方向指向y轴负向；
F_rcp_cdgc＝[0，1/3*Eta_rep_edge*Pi(1，2).^2]；
上道路分界线区域力场，方向指向y轴正向；
F_rep_edge＝[0，-1/3*Eta_rep_edge*Pi(1，2).^2]；
上道路边界区域力场，方向指向y轴负向；
F_rep_edge＝[0，Eta_rep_edge*norm(Pi(：，：))*(exp(Pi(1，2)-d/2))]；
对传统的人工势场法的引力势场函数和斥力势场函数进行改进，增加与目标点的距离调节因子，如果车辆与目标点距离大于等于障碍物的影响范围时，斥力F_rep_ob(j，：)为0。否则：
障碍物的斥力1，方向由障碍物指向车辆；
F_rep_ob1_abs＝Eta_rep_ob*(1/dist(j，1)-1/d0)*dist(n，1)/dist(j，1)^2；
F_rep_ob1＝[F_rep_ob1abs*unitVector(j，1)，F_rep_ob1_abs*unitVector(j，2)]；
障碍物的斥力2，方向由车辆指向目标点；
F_rep_ob2_abs＝0.5*Eta_rep_ob*(1/dist(j，1)-1/d0)^2；
F_rep_ob2＝[F_rep_ob2_abs*unitVector(n，1)，F_rep_ob2_abs*unitVector(n，2)]；
改进后的障碍物合斥力计算；
F_rep_ob(j，：)＝F_rep_ob1+F_rep_ob2；
建立基于障碍物的速度斥力势场和加速度斥力势场，构建出符合实际运动的动态交通环境信息，车辆与障碍物之间的距离distToObs＝norm(ego.pos-obs(i).pos)；当车辆与障碍物之间的距离＜障碍物影响距离时，如果ego.pos(1)＜obs(i).pos(1)&&ego.v(1)＞obs(i).v(1)...|| ego.pos(1)＞obs(i).pos(1)&&ego.v(1)＜obs(i).v(1)，则v_or＝obs(i).v-ego.v；F_rep(end+1，：)＝ kv*v_or。
对引力场和斥力场的改进后产生的合力并不是直接作用于自动驾驶汽车本身，而是将汽车视为一个质点，对环境中的车辆进行二维平面建立直角坐标系，使得汽车能在横向运动中躲避障碍物，纵向行驶中能沿着前进方向进行规划。
所述第三步中，融入入侵杂草算法之前需要明确以下几点：
(1)需要确定汽车是否已到达目标点；
(2)需要确定汽车当前时刻是否陷入了局部最优解陷阱；
(3)选取恰当的最优子目的地，重新分配斥力；
(4)需要确定当前时刻是否已经逃离了局部最优解陷阱
设定以下原则，当汽车在二维平面内连续移动十步以内，其横坐标和纵坐标的变化值均比二倍步长小时，则判定汽车陷入了局部最优陷阱。
改进人工势场法与入侵杂草法融合后的路径规划步骤为：
Step1初始化系统各参数值；
Step2汽车按照改进的人工势场法进行路径规划；
Step3判断车辆是否到达目标点，若到达则结束，转到Step8；
Step4判断车辆是否陷入局部最优解，若是，则进行下一步，若不是，则转到Step2；
Step5调用入侵杂草法确定最优子目的地；
Step6重新分配斥力场，进行路径规划；
Step7判断是否逃离局部最优解陷阱，若是，则转到Step2，若不是，则转到Step5；
Step8完成路径规划，算法结束。
路径规划完成后，需对路径进行后处理，去除多余的节点，并使用B样条曲线对整体的路径进行平滑，使得规划的路径更加平滑。
与现有技术相比，本发明具有有益效果：
首先建立基于车速变化的动态道路边界斥力势场，保证汽车能在规定的道路中间安全平稳的行驶；其次对传统的人工势场法的引力势场函数和斥力势场函数进行改进，增加与目标点的距离调节因子解决目标不可达问题；通过建立速度斥力场和加速度斥力场构建出符合实际要求的动态交通场景信息，解决行驶过程中的碰撞问题，使得路径规划算法的应用范围更广；最后将改进的人工势场算法与入侵杂草算法进行融合，入侵杂草算法具有收敛速度快，计算相对简单等优点，能有效提高算法的搜索效率，从而解决路径规划陷入局部最优解问题。
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简单地介绍。
图1为改进人工势场法与入侵杂草算法融合后路径规划运行流程图；
图2为改进人工势场法势场图；
图3为道路边界斥力势场图；
图4为道路势场斥力图；
图5为改进人工势场法仿真路径结果图；
图6为人工势场法改进前后仿真路径对比图；
具体实施方式
下面结合附图及技术方案，对本发明实施例做进一步详细说明。
本发明的流程示意图如图1所示，具体步骤如下：
通过多种传感器获取障碍物与道路环境信息，传感器包括摄像头、雷达等设备。
将各种传感器的信息进行融合，对融合后的信息进行二次处理，识别道路长度、道路宽度、道路边界线、障碍物位置等环境信息，最后将所处理的环境信息传递给路径规划层。
影响引力场大小的因素主要是汽车与目的地之间的距离，二者的距离越大，产生的引力势能也就越大，反之则越小。
影响斥力势场大小的因素主要是汽车与障碍物的距离和障碍物的斥力场半径大小，当汽车处于障碍物的斥力场半径之内时，汽车与障碍车辆之间的距离越小，形成的斥力势场值就越大，反之就越小；而当汽车不在障碍物的影响范围之内时，斥力势场则为零。
计算车辆当前位置与障碍物的单位方向向量、速度向量。用车辆点-障碍点表达斥力， delta(j，：)＝Pi(1，：)-P(j，：)；车辆当前位置与障碍物的距离dist(j，1)＝norm(delta(j，：))；斥力的单位方向向量unitVector(j，：)＝[delta(j，1)/dist(j，1)，delta(j，2)/dist(j，1)]；
计算车辆当前位置与目标点的单位方向向量、速度向量。用目标点-车辆点表达引力， delta(n，：)＝P(n，：)-Pi(1，：)；车辆当前位置与目标点的距离dist(n，1)＝norm(delta(n，：))；引力的单位方向向量unitVector(n，：)＝[delta(n，1)/dist(n，1)，delta(n，2)/dist(n，1)]；
根据传感器获取的道路环境信息，建立基于车速变化的动态道路边界斥力势场，如图4 所示；在车道上建立直角坐标系，将道路等分为n等份，汽车行驶时将其视为一个质点，此时通过计算可以得到汽车距离左右两个道路边界的距离以及汽车本身的坐标，如图3所示。然后根据车辆当前坐标选择对应的斥力函数。
下道路边界区域力场，方向指向y轴正向；
F_rep_edge＝[0，Eta_rep_edge*norm(Pi(：，：))*(exp(-d/2-Pi(1，2)))]；
下道路分界线区域力场，方向指向y轴负向；
F_rep_edge＝[0，1/3*Eta_rep_edge*Pi(1，2).^2]；
上道路分界线区域力场，方向指向y轴正向；
F_rep_edge＝[0，-1/3*Eta_rep_edge*Pi(1，2).^2]；
上道路边界区域力场，方向指向y轴负向；
F_rep_edge＝[0，Eta_rep_edge*norm(Pi(：，：))*(exp(Pi(1，2)-d/2))]；
对传统人工势场法的斥力势场函数进行改进，在原斥力势场函数增加与目标点的距离调节因子(即车辆距目标点的距离)，当车辆与目标点距离大于等于障碍物的影响范围时，斥力 F_rep_ob(j，：)为0。否则：
障碍物的斥力1，方向由障碍物指向车辆；
F_rep_ob1_abs＝Eta_rep_ob*(1/dist(j，1)-1/d0)*dist(n，1)/dist(j，1)^2；
F_rep_ob1＝[F_rep_ob1_abs*unitVector(j，1)，F_rep_ob1_abs*unitVector(j，2)]；
障碍物的斥力2，方向由车辆指向目标点；
F_rep_ob2_abs＝0.5*Eta_rep_ob*(1/dist(j，1)-1/d0)^2；
F_rep_ob2＝[F_rep_ob2_abs*unitVector(n，1)，F_rep_ob2_abs*unitVector(n，2)]；
改进后的障碍物合斥力计算；
F_rep_ob(j，：)＝F_rep_ob1+F_rep_ob2；
建立基于障碍物的速度斥力势场和加速度斥力势场，构建出符合实际运动的动态交通环境信息，车辆与障碍物之间的距离distToObs＝norm(ego.pos-obs(i).pos)；当车辆与障碍物之间的距离＜障碍物影响距离时，如果ego.pos(1)＜obs(i).pos(1)&&ego.v(1)＞obs(i).v(1)...|| ego.pos(1)＞obs(i).pos(1)&&ego.v(1)＜obs(i).v(1)，则v_or＝obs(i).v-ego.v；F_rep(end+1，：)＝ kv*v_or。
将汽车视为一个质点，对环境中的车辆进行二维平面建立直角坐标系，使得汽车能在横向运动中躲避障碍物，纵向行驶中能沿着前进方向进行规划。
当改进人工势场法规划的路径陷入局部最优解问题时，调用入侵法杂草法进行斥力重分布，计算出子代杂草数量，控制迭代的次数，并由适应值和种群阈值控制杂草总量。
依据单位步长时间内距离局部最小点越远且距离目的地越近为准则进行优化求解，当相对位置坐标的协方差数值最小时，即为最优子目的地。
设定以下原则，当汽车在二维平面内连续移动十步以内，其横坐标和纵坐标的变化值均比三倍步长小时，则判定汽车陷入了局部最优陷阱。
改进人工势场法与入侵杂草法融合后的路径规划步骤为：
Step1初始化系统各参数值，设定道路标准宽度、汽车宽度、车辆长度；确定车辆起点信息(坐标、速度)、目标位置、障碍物位置；计算引力、斥力、边界斥力的增益系数；明确障碍影响距离、障碍与目标点个数、步长、最大循环迭代次数；
Step2车辆按照改进的人工势场法进行路径规划；
Step3判断车辆是否到达目标点，若到达则结束，转到Step8；
Step4判断车辆是否陷入局部最优解，若是，则进行下一步，若不是，则转到Step2；
Step5调用入侵杂草法确定最优子目的地；
Step6重新分配斥力场，进行路径规划；
Step7判断是否逃离局部最优解陷阱，若是，则转到Step2，若不是，则转到Step5，直到逃离局部最优解时，结束循环；
Step8完成路径规划，算法结束。
路径规划完成后，需对路径进行后处理，去除多余的节点，并使用B样条曲线对整体的路径进行平滑。
通过Matlab对改进人工势场算法进行仿真，可以得到如图5的路径规划结果，然后将传统人工势场算法与改进人工势场算法规划的路径进行对比得到图6。从仿真结果可以看出传统人工势场算法路径规划容易出现目标不可达和局部最优解等情况，且并未考虑动态场景下的路径规划，算法的适用性较差。改进人工势场算法通过增加与目标点的距离调节因子解决目标不可达问题；引入入侵杂草算法，解决路径规划陷入局部最优解问题，使得规划路径更加平滑，提高车辆行驶安全性。
与现有技术相比，本发明使用改进人工势场算法，使得规划路径更加平滑，进一步降低车辆碰撞的可能性，提高车辆行驶安全性。通过建立基于车速变化的动态道路边界斥力势场，保证汽车能在规定的道路中间安全平稳的行驶；增加与目标点的距离调节因子解决目标不可达问题；通过建立速度斥力场和加速度斥力场构建出符合实际要求的动态交通场景信息，解决行驶过程中的碰撞问题，使得路径规划算法的应用范围更广；最后将改进的人工势场算法与入侵杂草算法进行融合，有效提高算法的搜索效率，从而解决路径规划陷入局部最优解问题。
以上对本发明及实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。凡在本发明的精神和原则之内，所做的修饰，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于改进人工势场法的自动驾驶车辆路径规划方法，其特征在于，包含以下步骤：
第一步，通过多种传感器获取道路长度、道路宽度、道路边界线、障碍物位置等环境信息，然后将这些环境信息传递给路径规划层；
第二步，根据传感器获取的障碍与道路环境信息，使用改进人工势场法规划车辆路径；
第三步，当改进人工势场法规划的路径陷入局部最优解问题时，调用入侵法杂草法进行斥力重分布，计算出子代杂草数量，控制迭代的次数，并由适应值和种群阈值控制杂草总量。依据单位步长时间内距离局部最小点越远且距离目的地越近为准则进行优化求解，当相对位置坐标的协方差数值最小时，即为最优子目的地。路径规划完成后，需对路径进行处理，去除多余的节点，并使用B样条曲线对整体的路径进行平滑。
2.根据权利要求1所述的基于改进人工势场法的自动驾驶车辆路径规划方法，其特征在于，所述第一步中，需要在车身周围安装摄像头、雷达等设备进行联合检测，然后将各种传感器的信息进行融合，对融合后的信息进行二次处理，识别周边道路环境信息，最后将处理的环境信息传递给路径规划层。
3.根据权利要求1所述的基于改进人工势场法的自动驾驶车辆路径规划方法，其特征在于，所述第二步中，改进人工势场法的具体步骤为：
第一步，根据传感器获取的道路环境信息，建立基于车速变化的动态道路边界斥力势场；在车道上建立直角坐标系，将道路等分为n等份，汽车行驶时将其视为一个质点，此时通过计算可以得到汽车距离左右两个道路边界的距离以及汽车本身的坐标，然后根据车辆当前坐标选择对应的斥力函数。
第二步，对传统的人工势场法的引力势场函数和斥力势场函数进行改进，增加与目标点的距离调节因子，如果车辆与目标点距离大于等于障碍物的影响范围时，斥力F_rep_ob(j，：)为0。否则：
障碍物的斥力1，方向由障碍物指向车辆；
F_rep_ob1_abs＝Eta_rep_ob*(1/dist(j，1)-1/d0)*dist(n，1)/dist(j，1)^2；
F_rep_ob1＝[F_rep_ob1_abs*unitVector(j，1)，F_rep_ob1_abs*unitVector(j，2)]；
障碍物的斥力2，方向由车辆指向目标点；
F_rep_ob2_abs＝0.5*Eta_rep_ob*(1/dist(j，1)-1/d0)^2；
F_rep_ob2＝[F_rep_ob2_abs*unitVector(n，1)，F_rep_ob2_abs*unitVector(n，2)]；
改进后的障碍物合斥力计算；
F_rep_ob(j，：)＝F_rep_ob1+F_rep_ob2；
第三步，建立基于障碍物的速度斥力势场和加速度斥力势场，构建出符合实际运动的动态交通环境信息。
4.根据权利要求1所述的基于改进人工势场法的自动驾驶车辆路径规划方法，其特征在于，所述第二步中，对引力场和斥力场的改进后产生的合力并不是直接作用于自动驾驶汽车本身，而是将汽车视为一个质点，对环境中的车辆进行二维平面建立直角坐标系，使得汽车能在横向运动中躲避障碍物，纵向行驶中能沿着前进方向进行规划。
5.根据权利要求1所述的基于改进人工势场法的自动驾驶车辆路径规划方法，其特征在于，所述第三步中，融入入侵杂草算法之前需要明确以下几点：
(1)需要确定汽车是否已到达目标点；
(2)需要确定汽车当前时刻是否陷入了局部最优解陷阱；
(3)选取恰当的最优子目的地，重新分配斥力；
(4)需要确定当前时刻是否已经逃离了局部最优解陷阱。
6.根据权利要求1所述的基于改进人工势场法的自动驾驶车辆路径规划方法，其特征在于，所述第三步中，为了检测自动驾驶汽车是否陷入了局部最优解，设定以下原则，即当汽车在二维平面内连续移动十步以内，其横坐标和纵坐标的变化值均比三倍步长小时，则判定汽车陷入了局部最优陷阱。
7.根据权利要求1所述的基于改进人工势场法的自动驾驶车辆路径规划方法，其特征在于，所述第三步中，改进人工势场法与入侵杂草法融合后的路径规划步骤为：
Step1初始化系统各参数值；
Step2汽车按照改进的人工势场法进行路径规划；
Step3判断车辆是否到达目标点，若到达则结束，转到Step8；
Step4判断车辆是否陷入局部最优解，若是，则进行下一步，若不是，则转到Step2；
Step5调用入侵杂草法确定最优子目的地；
Step6重新分配斥力场，进行路径规划；
Step7判断是否逃离局部最优解陷阱，若是，则转到Step2，若不是，则转到Step5；
Step8完成路径规划，算法结束。
8.根据权利要求1所述的基于改进人工势场法的自动驾驶车辆路径规划方法，其特征在于，路径规划完成后，需对路径进行后处理，去除多余的节点，并使用B样条曲线对整体的路径进行平滑，使得规划的路径更加平滑。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211107113.2A CN116501030A (zh) | 2022-09-09 | 2022-09-09 | 基于改进人工势场法的自动驾驶车辆路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211107113.2A CN116501030A (zh) | 2022-09-09 | 2022-09-09 | 基于改进人工势场法的自动驾驶车辆路径规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116501030A true CN116501030A (zh) | 2023-07-28 |
Family
ID=87318962
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211107113.2A Pending CN116501030A (zh) | 2022-09-09 | 2022-09-09 | 基于改进人工势场法的自动驾驶车辆路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116501030A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117129001A (zh) * | 2023-10-24 | 2023-11-28 | 博创联动科技股份有限公司 | 基于人工智能的自动驾驶路径规划方法及系统 |
| CN117369482A (zh) * | 2023-12-06 | 2024-01-09 | 华润数字科技有限公司 | 移动机器人的路径规划方法、装置、设备及存储介质 |
-
2022
- 2022-09-09 CN CN202211107113.2A patent/CN116501030A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117129001A (zh) * | 2023-10-24 | 2023-11-28 | 博创联动科技股份有限公司 | 基于人工智能的自动驾驶路径规划方法及系统 |
| CN117129001B (zh) * | 2023-10-24 | 2024-01-09 | 博创联动科技股份有限公司 | 基于人工智能的自动驾驶路径规划方法及系统 |
| CN117369482A (zh) * | 2023-12-06 | 2024-01-09 | 华润数字科技有限公司 | 移动机器人的路径规划方法、装置、设备及存储介质 |
| CN117369482B (zh) * | 2023-12-06 | 2024-03-12 | 华润数字科技有限公司 | 移动机器人的路径规划方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110333714B (zh) | 一种无人驾驶汽车路径规划方法和装置 | |
| CN116501030A (zh) | 基于改进人工势场法的自动驾驶车辆路径规划方法 | |
| Hu et al. | Lane detection and trajectory tracking control of autonomous vehicle based on model predictive control | |
| CN111830979B (zh) | 一种轨迹优化方法和装置 | |
| CN114384920A (zh) | 一种基于局部栅格地图实时构建的动态避障方法 | |
| CN109270933A (zh) | 基于圆锥曲线的无人驾驶避障方法、装置、设备及介质 | |
| CN115328152B (zh) | 基于改进人工势场法的无人车局部实时避障路径规划方法 | |
| CN106371439B (zh) | 一种统一的自动驾驶横向规划方法与系统 | |
| CN105809130A (zh) | 一种基于双目深度感知的车辆可行驶区域计算方法 | |
| CN112965476B (zh) | 一种基于多窗口模型的高速无人车轨迹规划系统及方法 | |
| CN111367283B (zh) | 一种基于障碍物构型重构的无人车避障方法及系统 | |
| CN112639849A (zh) | 路径选择方法和路径选择装置 | |
| CN111397622B (zh) | 基于改进A*算法与Morphin算法的智能汽车局部路径规划方法 | |
| CN115303297B (zh) | 基于注意力机制与图模型强化学习的城市场景下端到端自动驾驶控制方法及装置 | |
| CN114610016A (zh) | 基于障碍物动态虚拟膨胀的智能车辆避碰路径规划方法 | |
| CN114442637A (zh) | 一种无人车局部动态避障路径规划方法 | |
| CN116540731B (zh) | 融合堆叠lstm与sac算法的路径规划方法及系统 | |
| CN112644486A (zh) | 一种基于新型驾驶安全场的智能车避障轨迹规划方法 | |
| JP7125286B2 (ja) | 行動予測装置及び自動運転装置 | |
| WO2022228358A1 (zh) | 一种自动驾驶避障方法及系统、存储介质 | |
| CN116811916A (zh) | 一种基于5g车路协同的自动驾驶系统 | |
| Zhang et al. | Structured road-oriented motion planning and tracking framework for active collision avoidance of autonomous vehicles | |
| WO2024109763A1 (zh) | 一种基于场景自适应识别的自动驾驶方法及系统 | |
| CN114763996A (zh) | 一种基于多传感器融合的复杂场景路径规划方法 | |
| CN114265410A (zh) | 一种基于多算力融合的局部路径规划方法与系统 |
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 |