CN116795108A - 基于多源感知信号的智能无人车配送方法 - Google Patents

Abstract

本发明涉及无人配送车技术领域，涉及一种基于多源感知信号的智能无人车配送方法，其包括以下步骤：1)根据车载传感器获取车辆周围环境信息，完成车辆的自身定位，并构建点云地图；2)采用改进的蚁群算法规划出全局最优路径；3)利用车载传感器实时更新障碍物信息，并将信息融进栅格地图中，利用动态窗口法完成局部避障；4)基于全局规划路径，实时设置局部目标点，采用预瞄追踪法根据路径规划过程中的控制参数追踪目标点，实现车辆的实时避障，获取局部最优路径；5)判断当前追踪到的目标点是否是最终目标点，若不是，则跳转到之前的外部环境信息获取继续前进，若是，则智能车到达了最终目标点。本发明能够更高效地完成配送任务。

Description

基于多源感知信号的智能无人车配送方法

技术领域

本发明涉及无人配送车技术领域，具体地说，涉及一种基于多源感知信号的智能无人车配送方法。

背景技术

目前，基于多源感知信号的智能无人车配送方案目前正处于快速发展的阶段，一些物流公司和零售商始尝试利用智能无人车实现配送。例如，Amazon和星巴克已经开始测试无人车送货和咖啡等物品的配送服务；顺丰速运、京东物流、菜鸟网络等物流企业也在积极探索无人车配送的应用。

现有也有很多关于无人配送车的技术，例如，公开号为CN113570309B的专利公开了一种基于物联网技术的无人驾驶配送车智慧管理系统及其实现方法，通过设置多个无人配送车对应的物联网采集器获取无人配送车的行驶信息和配送信息，将获取的信息发送给各区域的区域管理节点；通过区域信息整合和无人配送车辆驾驶作业强度数据统计，实现无人配送车辆行驶配额管理。车辆在无人配送车智能系统管理层实现，在无人配送车智能管理系统平台端进行系统综合管理和相关操作指令的下发。通过四层架构的无人配送车智能管理，实现无人配送车网络切片管理，为每个区域设置差异化管理指令，基于无人配送的指令池管理模式车辆智能管理系统平台端，提升系统综合管控能力，提高管理效率。并达到更好的无人配送车辆管理系统性能水平。

例如，公开号为CN106897855B的专利公开了一种智能无人配送车和无人配送系统，包括通信模块、行走模块、定位模块、监控模块、控制模块和存储模块。储存装置用于储存被投递物件，并设有称重模块。称重模块获取投递物品的重量，与投递建立对应关系地址，如果送达的物品与送达地址不符，则给出警告信息。该无人送货车具有提高送货地址匹配准确度的技术效果。

基于多源感知信号的智能无人车配送方案可以从多个方面进行设计和实现，下面列举一些常见的方案以及它们的缺陷：

感知技术：无人车需要通过各种感知技术获取周围环境信息，包括雷达、摄像头、激光雷达等，以便进行路径规划和障碍物避让等操作。缺陷包括：感知技术的准确度和可靠性需要进一步提高，同时感知设备的成本较高，对商业化运营造成一定的压力。

路径规划和决策：无人车需要通过算法进行路径规划和决策，以便实现最优路径和安全的行驶。这需要考虑到交通流量、道路状况、障碍物等因素。缺陷包括：算法的准确度和效率需要进一步提高，同时在复杂的交通环境中，无人车的决策可能会受到不确定性的影响。

通信技术：无人车需要与其他车辆、交通信号灯、路边设施等进行通信，以便获取实时交通信息并调整行驶策略。缺陷包括：通信技术的可靠性需要进一步提高，同时通信设备的成本也较高。

发明内容

本发明的内容是提供一种基于多源感知信号的智能无人车配送方法，其能够更高效地完成配送任务。

根据本发明的一种基于多源感知信号的智能无人车配送方法，其包括以下步骤：

1)根据车载传感器获取车辆周围环境信息，完成车辆的自身定位，并构建点云地图；

2)采用改进的蚁群算法规划出全局最优路径；

3)利用车载传感器实时更新障碍物信息，并将信息融进栅格地图中，利用动态窗口法完成局部避障；

4)基于全局规划路径，实时设置局部目标点，采用预瞄追踪法根据路径规划过程中的控制参数追踪目标点，实现车辆的实时避障，获取局部最优路径；

5)判断当前追踪到的目标点是否是最终目标点，若不是，则跳转到之前的外部环境信息获取继续前进，若是，则智能车到达了最终目标点。

作为优选，步骤1)中，构建点云地图的具体步骤如下：

1.1)使用ROS进行映射，启动LCshadow_driver和fslidar_front节点；

1.2)在实际场景中手动移动LCshadow车辆，让LCshadow_driver和fslidar_front节点与car-tographer_node通信，传输获取到的车辆运行状态信息；

1.3)LCshadow_driver、robot_state_publisher、cartographer_node发布tf主题来传递车辆的位姿信息；

1.4)tf主题向cartographer_node提供实时姿态信息，并将该信息传递给n_rviz，在rviz界面显示车辆的实时位置；

1.5)cartographer_node根据车辆的状态和位姿信息构建地图，并发布submap_list、landmark_poses_list、scan_matched_points2和trajectory_node_list主题作为建图的关键信息；

1.6)submap_list主题的信息传递给cartogra-pher_occupancy_grid_node，建立SLAM地图。

作为优选，在建图过程中，在rviz中可视化LCshadow车辆和激光雷达扫描图像；LCshadow车辆应在实际环境中行走3次，以确保所有障碍物都准确反映在SLAM地图中；随着车辆的移动，SLAM地图会不断更新；完成环境映射后，在ROS中运行停止映射命令，将构建好的SLAM地图保存到指定路径。

作为优选，步骤2)中，改进的蚁群算法具体如下特点：

2.1)采用改进的启发式函数N_ij(t)给定蚁群一个初步的指导方向：

N_ij(t)＝1/(σ·l_ij+(1-σ)·l_jE)²

其中，σ∈[0,1]，是用来表示l_ij与l_iE对N_ij的影响程度的常数，由实时环境确定，l_ij表示节点i到节点j之间距离，l_iE表示节点i到目标点E之间的距离；

2.2)采用混合策略来更新信息素

对最大值T_max和最小值T_min进行确认：

其中D_s为某次迭代之后蚁群走过的最优路径长度，n为循环次数；

每结束一次循环，路径上信息素会发生变化，因此采用如下方式对信息素进行调整：

T_ig(t+1)＝(1-λ)·T_ij(t)+ΔT_ij(t)

T_ij(t)表示t时刻的信息素含量；λ表示信息素的挥发系数，λ∈[0,1]，ΔT_ij(t)表示节点i到节点j之间的信息素增量，表示蚂蚁c在节点i到j之间的信息素增量，m∈[1，50]，为蚂蚁数量；r_s表示目前找到的最优解；

2.3)采用三次B样条曲线平滑路径。

作为优选，步骤3)中，动态窗口法的实现过程如下：

3.1)确定机器人的当前状态，包括位置、朝向、速度；

3.2)根据机器人的状态和环境信息，计算机器人可采取的速度和转角的范围，即确定速度-转角空间中的动态窗口；

3.3)在动态窗口内进行采样，得到一组速度-转角的组合；对于每个组合，都可计算出机器人在下一个时间步中的位置和姿态；根据机器人的运动学模型和环境信息，筛选出可行的速度-转角组合；

3.4)对于所有可行的速度-转角组合，计算出每个组合对应的代价函数；

3.5)选择代价函数最小的速度-转角组合作为机器人的下一步移动方案；

3.6)重复以上步骤，直到机器人到达目标点或者无法找到可行解为止。

作为优选，步骤4)中，预瞄追踪法的具体步骤如下：

4.1)确定车辆的运动模型；

4.2)设定目标轨迹；

4.3)预测车辆未来的轨迹：根据车辆的运动模型和当前状态，预测车辆未来的轨迹；

4.4)计算控制指令：根据车辆的当前状态和预测的轨迹，计算出需要施加到车辆上的控制指令；

4.5)执行控制指令：将计算出的控制指令实施到车辆上，控制车辆沿着目标轨迹行驶；

4.6)实时调整：根据车辆的实际运动和环境变化，实时调整预测模型和控制指令。

本发明设计了一种基于多源感知信号的智能无人车配送方法，并对其路径优化算法进行了改进，使其能够更高效地完成配送任务。该智能无人车配送方法可在无人监控的情况下完成配送任务，特别适用于医疗酒店等需要防止传染或保护隐私的场景。

附图说明

图1为实施例中一种基于多源感知信号的智能无人车配送方法的流程图。

具体实施方式

为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。

实施例

如图1所示，本实施例提供了一种基于多源感知信号的智能无人车配送方法，其包括以下步骤：

1)根据车载传感器获取车辆周围环境信息，完成车辆的自身定位，并构建点云地图；

车载传感器主要有：激光测距仪、摄像机、雷达等，各个传感器都具有各自的优缺点和适用范围。因此，多传感器信息融合技术是保证车辆可以平稳运行的关键。图像数据包含周围环境的大量信息，但在强度变化、视野狭窄、深度信息等方面数据精度低；激光雷达可以测量传感器到目标点的距离和相对角度，但精确度会随着距离的增加而降低。因此，可以利用两传感器的互补特性完成对障碍物信息的准确检测。

步骤1)中，构建点云地图的具体步骤如下：

1.1)使用ROS进行映射，启动LCshadow_driver和fslidar_front节点；

1.2)在实际场景中手动移动LCshadow车辆，让LCshadow_driver和fslidar_front节点与car-tographer_node通信，传输获取到的车辆运行状态信息；

1.3)LCshadow_driver、robot_state_publisher、cartographer_node发布tf主题来传递车辆的位姿信息；

1.4)tf主题向cartographer_node提供实时姿态信息，并将该信息传递给n_rviz，在rviz界面显示车辆的实时位置；

1.5)cartographer_node根据车辆的状态和位姿信息构建地图，并发布submap_list、landmark_poses_list、scan_matched_points2和trajectory_node_list主题作为建图的关键信息；

1.6)submap_list主题的信息传递给cartogra-pher_occupancy_grid_node，建立SLAM地图。

在建图过程中，在rviz中可视化LCshadow车辆和激光雷达扫描图像；为了构建更准确的SLAM地图，LCshadow车辆应在实际环境中行走3次，以确保所有障碍物都准确反映在SLAM地图中；随着车辆的移动，SLAM地图会不断更新；完成环境映射后，在ROS中运行停止映射命令，将构建好的SLAM地图保存到指定路径。

2)采用改进的蚁群算法规划出全局最优路径；

路径规划是确保智能车辆在不碰撞障碍物的情况下，获取一条从起点到终点的最优路线。目前，全局路径规划和局部路径规划是路径规划研究中的重点。全局路径规划是在静态环境中搜索一条满足静态约束的最佳路径；局部路径规划是在未知环境下保证智能车辆可以实现实时避障，并保持局部最优。在生活中设计的智能车路径规划是将全局路径和局部路径综合起来应用的，以此达到优势互补的目的，使得行车更为高效、安全。本实施例中，使用蚁群算法，并进行了相关改进，用于路径规划。通过蚁群算法的优化，我们可以更好地实现路径规划，使得智能车能够更加高效、安全地行驶。

蚁群算法(Ant Colony Optimization，简称ACO)是一种基于蚂蚁生物群体行为的优化算法，用于求解各种优化问题，例如最短路径问题、旅行商问题、资源调度问题等。

传统的蚁群算法通常需要根据起点和终点来规划出一条无碰撞的全局最优路径。在本实施例中，我们也使用了蚁群算法作为路径规划的基础算法，并对其进行了相关改进，以更好地适应智能无人车的需求。以下为传统蚁群算法的实现：

a.在蚁群算法中，初始状态下，蚂蚁对路径的选择概率是一定的。然而，蚂蚁会根据信息素含量来决定它们的移动方向。假设有一只蚂蚁c要从栅格图上的点i移动到点j，它的状态转移概率为由点i到点j的信息素含量为/>启发函数/>信息素启发因子为a，启发期望因子为w，那么它的转移概率可以通过以下公式计算：

其中all(i)表示蚂蚁c在节点i处可选择的转移节点集合.。

b.信息素更新：在蚂蚁完成一次循环后，路径上的信息素会自动更新。为了实现最优路径，我们需要对整条路径上的信息素进行调整。具体而言，信息素的更新遵循以下公式：

T_ij(t+1)＝(1-λ)·T_ij(t)+ΔT_ij(t)

N_ij(t)＝1/l_ij

其中，λ表示信息素的挥发系数，λ∈[0,1]，ΔT_ij(t)表示节点i到节点j之间的信息素增量，表示蚂蚁c在节点i到节点j之间的信息素增量，m∈[1,20]；O表示信息素总量；D_c表示本次循环时，蚂蚁c所走的路径长度。

然而传统的蚁群算法收敛速度慢和易陷入局部最优的问题，对此本实施例将采取三点改进措施：

2.1)采用改进的启发式函数N_ij(t)给定蚁群一个初步的指导方向：

N_ij(t)＝1/(σ·l_ij+(1-σ)·l_iE)²

其中，σ∈[0,1]，是用来表示l_ij与l_iE对N_ij的影响程度的常数，由实时环境确定，l_ij表示节点i到节点j之间距离，l_iE表示节点i到目标点E之间的距离；改进的启发函数增加了蚁群对下一个目标点的选择导向作用，有利于减少蚁群的搜索时间和收敛速度。

2.2)采用混合策略来更新信息素

对于信息素的更新，随着信息素的不断更新，更多蚂蚁只能选择同一路径进行搜索，导致算法收敛速度慢。因此我们对信息素更新策略进行改进，降低选择已走路线的概率，同时为了避免信息素浓度过低或者积累过多，需要确定两点间信息素浓度的最大值T_max和最小值T_min，因此对最大值T_max和最小值T_min进行确认：

其中D_s为某次迭代之后蚁群走过的最优路径长度，n为循环次数；

每结束一次循环，路径上信息素会发生变化，因此采用如下方式对信息素进行调整：

T_ig(t+1)＝(1-λ)·T_ij(t)+ΔT_ij(t)

T_ij(t)表示t时刻的信息素含量；λ表示信息素的挥发系数，λ∈[0,1]，ΔT_ij(t)表示节点i到节点j之间的信息素增量，表示蚂蚁c在节点i到j之间的信息素增量，m∈[1，50]，为假设的蚂蚁数量；r_s表示目前找到的最优解；

2.3)采用三次B样条曲线平滑路径：基于蚁群算法规划出来的路径是由各个栅格中心点形成的直线段，所以它会在转弯处形成一定的尖峰，因此会一定程度上增加路径的转弯角度，因此需要对全局路径平滑处理。而B样条曲线表达式简单，具有局部修改性和凸包性等优点，并且三次B样条曲线具有二阶导数连续性，因此应用三次B样条曲线的优化功能，可以保证智能车在转弯处平滑通过。

3)利用车载传感器实时更新障碍物信息，并将信息融进栅格地图中，利用动态窗口法完成局部避障；

动态窗口法(Dynamic Window Approach,DWA)是一种用于机器人路径规划的算法，其基本原理是在机器人当前状态下，利用动态窗口的方式在速度-转角空间内搜索可行解。

动态窗口法的实现过程如下：

3.1)确定机器人的当前状态，包括位置、朝向、速度；

3.2)根据机器人的状态和环境信息，计算机器人可采取的速度和转角的范围，即确定速度-转角空间中的动态窗口；动态窗口的大小取决于机器人当前的状态和环境条件，通常是根据机器人的运动学参数和环境障碍物的分布来确定的。

3.3)在动态窗口内进行采样，得到一组速度-转角的组合；对于每个组合，都可计算出机器人在下一个时间步中的位置和姿态；根据机器人的运动学模型和环境信息，筛选出可行的速度-转角组合；

3.4)对于所有可行的速度-转角组合，计算出每个组合对应的代价函数；代价函数通常包括机器人与目标点之间的距离、机器人与障碍物之间的距离、机器人的速度和转角等因素。

3.5)选择代价函数最小的速度-转角组合作为机器人的下一步移动方案；

3.6)重复以上步骤，直到机器人到达目标点或者无法找到可行解为止。

4)基于全局规划路径，实时设置局部目标点，采用预瞄追踪法根据路径规划过程中的控制参数追踪目标点，实现车辆的实时避障，获取局部最优路径；

预瞄追踪法(Preview Control)是一种常用于车辆控制的方法，它可以通过预测车辆未来的运动轨迹，实现车辆的精确控制和路径跟踪。其具体步骤如下：

4.1)确定车辆的运动模型：预瞄追踪法通常采用车辆的动力学模型，如单轮模型、双轮模型或多体模型等，来描述车辆的运动规律。对于不同的车型和应用场景，需要选择合适的运动模型。

4.2)设定目标轨迹：预瞄追踪法需要提供一个目标轨迹，作为车辆跟踪的参考。目标轨迹可以是预先设定的路径，也可以是实时生成的轨迹。

4.3)预测车辆未来的轨迹：根据车辆的运动模型和当前状态，预测车辆未来的轨迹；预测的时间范围和精度需要根据具体情况进行选择和调整。

4.4)计算控制指令：根据车辆的当前状态和预测的轨迹，计算出需要施加到车辆上的控制指令，包括转向角和速度等。控制指令的计算通常采用优化方法，如模型预测控制(MPC)或线性二次调节(LQR)等。

4.5)执行控制指令：将计算出的控制指令实施到车辆上，控制车辆沿着目标轨迹行驶；控制指令的执行需要考虑实际的控制延迟和噪声等因素。

4.6)实时调整：根据车辆的实际运动和环境变化，实时调整预测模型和控制指令，以保证车辆的稳定性和安全性。

预瞄追踪法的实现需要考虑多个因素，如车辆的动力学特性、环境信息、预测模型的准确性和计算效率等。好的预瞄追踪算法能够实现车辆的高效、精确路径跟踪，应用广泛于自动驾驶、智能交通等领域。

5)判断当前追踪到的目标点是否是最终目标点，若不是，则跳转到之前的外部环境信息获取继续前进，若是，则智能车到达了最终目标点。

以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，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。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (6)

1.基于多源感知信号的智能无人车配送方法，其特征在于：包括以下步骤：

1)根据车载传感器获取车辆周围环境信息，完成车辆的自身定位，并构建点云地图；

2)采用改进的蚁群算法规划出全局最优路径；

3)利用车载传感器实时更新障碍物信息，并将信息融进栅格地图中，利用动态窗口法完成局部避障；

4)基于全局规划路径，实时设置局部目标点，采用预瞄追踪法根据路径规划过程中的控制参数追踪目标点，实现车辆的实时避障，获取局部最优路径；

5)判断当前追踪到的目标点是否是最终目标点，若不是，则跳转到之前的外部环境信息获取继续前进，若是，则智能车到达了最终目标点。

2.根据权利要求1所述的基于多源感知信号的智能无人车配送方法，其特征在于：步骤1)中，构建点云地图的具体步骤如下：

1.1)使用ROS进行映射，启动LCshadow_driver和fslidar_front节点；

1.2)在实际场景中手动移动LCshadow车辆，让LCshadow_driver和fslidar_front节点与car-tographer_node通信，传输获取到的车辆运行状态信息；

1.3)LCshadow_driver、robot_state_publisher、cartographer_node发布tf主题来传递车辆的位姿信息；

1.4)tf主题向cartographer_node提供实时姿态信息，并将该信息传递给n_rviz，在rviz界面显示车辆的实时位置；

1.5)cartographer_node根据车辆的状态和位姿信息构建地图，并发布submap_list、landmark_poses_list、scan_matched_points2和trajectory_node_list主题作为建图的关键信息；

1.6)submap_list主题的信息传递给cartogra-pher_occupancy_grid_node，建立SLAM地图。

3.根据权利要求2所述的基于多源感知信号的智能无人车配送方法，其特征在于：在建图过程中，在rviz中可视化LCshadow车辆和激光雷达扫描图像；LCshadow车辆应在实际环境中行走3次，以确保所有障碍物都准确反映在SLAM地图中；随着车辆的移动，SLAM地图会不断更新；完成环境映射后，在ROS中运行停止映射命令，将构建好的SLAM地图保存到指定路径。

4.根据权利要求3所述的基于多源感知信号的智能无人车配送方法，其特征在于：步骤2)中，改进的蚁群算法具体如下特点：

2.1)采用改进的启发式函数N_ij(t)给定蚁群一个初步的指导方向：

N_ij(t)＝1/(σ·l_ij+(1-σ)·l_iE)²

其中，σ是用来表示l_ij与l_iE对N_ij的影响程度的常数，由实时环境确定，l_ij表示节点i到节点j之间距离，l_iE表示节点i到目标点E之间的距离；

2.2)采用混合策略来更新信息素

对最大值T_max和最小值T_min进行确认：

其中D_s为某次迭代之后蚁群走过的最优路径长度，n为循环次数；

每结束一次循环，路径上信息素会发生变化，因此采用如下方式对信息素进行调整：

T_ig(t+1)＝(1-λ)·T_ij(t)+ΔT_ij(t)

T_ij(t)表示t时刻的信息素含量；λ表示信息素的挥发系数，λ∈[0,1]，ΔT_ij(t)表示节点i到节点j之间的信息素增量，表示蚂蚁c在节点i到j之间的信息素增量，m为蚂蚁数量；r_s表示目前找到的最优解；

2.3)采用三次B样条曲线平滑路径。

5.根据权利要求4所述的基于多源感知信号的智能无人车配送方法，其特征在于：步骤3)中，动态窗口法的实现过程如下：

3.1)确定机器人的当前状态，包括位置、朝向、速度；

3.2)根据机器人的状态和环境信息，计算机器人可采取的速度和转角的范围，即确定速度-转角空间中的动态窗口；

3.3)在动态窗口内进行采样，得到一组速度-转角的组合；对于每个组合，都可计算出机器人在下一个时间步中的位置和姿态；根据机器人的运动学模型和环境信息，筛选出可行的速度-转角组合；

3.4)对于所有可行的速度-转角组合，计算出每个组合对应的代价函数；

3.5)选择代价函数最小的速度-转角组合作为机器人的下一步移动方案；

3.6)重复以上步骤，直到机器人到达目标点或者无法找到可行解为止。

6.根据权利要求5所述的基于多源感知信号的智能无人车配送方法，其特征在于：步骤4)中，预瞄追踪法的具体步骤如下：

4.1)确定车辆的运动模型；

4.2)设定目标轨迹；

4.3)预测车辆未来的轨迹：根据车辆的运动模型和当前状态，预测车辆未来的轨迹；

4.4)计算控制指令：根据车辆的当前状态和预测的轨迹，计算出需要施加到车辆上的控制指令；

4.5)执行控制指令：将计算出的控制指令实施到车辆上，控制车辆沿着目标轨迹行驶；

4.6)实时调整：根据车辆的实际运动和环境变化，实时调整预测模型和控制指令。