CN116817957B - 基于机器视觉的无人车行驶路径规划方法及系统 - Google Patents
基于机器视觉的无人车行驶路径规划方法及系统 Download PDFInfo
- Publication number
- CN116817957B CN116817957B CN202311082806.5A CN202311082806A CN116817957B CN 116817957 B CN116817957 B CN 116817957B CN 202311082806 A CN202311082806 A CN 202311082806A CN 116817957 B CN116817957 B CN 116817957B
- Authority
- CN
- China
- Prior art keywords
- path
- unmanned vehicle
- driving
- planning
- machine vision
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000008447 perception Effects 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000010276 construction Methods 0.000 claims abstract description 11
- 230000007547 defect Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 10
- 238000005265 energy consumption Methods 0.000 abstract description 4
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于机器视觉的无人车行驶路径规划方法及系统，涉及路径规划技术领域，所述规划方法包括以下步骤：通过基于地图和感知数据，在行驶区域中搜索可行驶路径，并生成路径排序表，依据路径排序表正序选择最优行驶路径，并在行驶过程中实时更新路径排序表，从而提高无人车的行驶效率，减少行驶时间和能耗，并提供更好的乘车体验。本发明通过持续感知环境变化，并根据最新的感知数据和地图信息进行路径重新规划，无人车可以在行驶过程中根据实时情况选择更优的路径，这可以帮助无人车应对交通拥堵、道路施工或其他突发情况，保证行驶的安全性和可靠性。
Description
技术领域
本发明涉及路径规划技术领域，具体涉及基于机器视觉的无人车行驶路径规划方法及系统。
背景技术
随着人工智能和自动驾驶技术的不断发展，无人车成为了现代交通领域的研究热点，无人车的行驶路径规划是其中的重要环节之一，它决定了无人车如何从出发点到达目标点，并在行驶过程中遵守交通规则、避开障碍物等；
无人车行驶路径规划系统是指利用计算机技术和相关算法，为无人车提供合理、高效的行驶路径的一种系统，无人车是指没有人类驾驶员的自动驾驶车辆，它依靠激光雷达、摄像头、传感器等设备来感知周围环境，并通过计算机系统进行决策和控制。
现有技术存在以下不足：
现有的规划系统主要是在车辆行驶过程中，监测路径障碍物并进行避障处理，在复杂的交通环境中，当存在多条可行驶路径时，规划系统通常是选择最短路径进行行驶，从而可能选择不合理的道路或无法适应实时变化的路况，降低无人车的行驶效率、增加行驶时间和能耗。
发明内容
本发明的目的是提供基于机器视觉的无人车行驶路径规划方法及系统，以解决背景技术中不足。
为了实现上述目的，本发明提供如下技术方案：基于机器视觉的无人车行驶路径规划方法，所述规划方法包括以下步骤：
S1：无人车感知周围环境获取感知数据，并将感知数据进行融合处理；
S2：利用感知数据构建地图，基于地图和感知数据，在行驶区域中搜索可行驶路径，并生成路径排序表；
S3：依据路径排序表正序选择行驶路径，并在行驶过程中实时更新路径排序表；
S4：车辆在选择的路径上行驶时，通过机器视觉算法识别和跟踪障碍物，并判断是否需要重新规划行驶路径；
S5：根据行驶路径信息规划无人车的速度；
S6：根据行驶路径和速度，生成轨迹并对无人车进行控制。
优选的，所述感知数据包括选择指数、道路缺陷占比、道路通行系数。
优选的，步骤S2中，在行驶区域中搜索可行驶路径，并生成路径排序表包括以下步骤：
S2.1：将选择指数、道路缺陷占比、道路通行系数综合计算获取路径系数，计算表达式为：
式中，/>为选择指数，/>为道路差异物占比，/>为道路通行系数，/>、/>分别为道路通行系数、道路缺陷占比的比例系数，且/>、/>均大于0；
S2.2：获取路径系数后，将所有路径依据路径系数/>由大到小进行排序，生成路径排序表。
优选的，所述选择指数的获取逻辑为：
若路径禁止通行、路径为单行道且与无人车行驶方向相反，则由大到小进行排序，生成路径排序表。
优选的，所述选择指数的获取逻辑为：
若路径禁止通行、路径为单行道且与无人车行驶方向相反，则；若路径允许通行、路径为单行道且与无人车行驶方向相同，则/>1。
优选的，所述道路缺陷占比的计算表达式为：
式中，/>为第j个差异物的网格占取数量之和，/>为第i段路径网格数量之和，m、n均为正整数。
优选的，所述差异物的网格占取数量以及路径网格数量获取逻辑：
规划系统通过卫星遥感影像获取路径图像，将路径根据长度划分为多段路径，将多段路径的边缘作为影像边沿，通过网格法将影像划分为若干网格，使用颜色阈值分割法选择与路径路面颜色明显不同的颜色阈值，从而将差异物与路径区分，获取差异物的网格占取数量。
优选的，所述道路通行系数的计算表达式为：
式中，/>为路径平均限速比，/>为路径平均流量比，/>为路径通行时长比。
优选的，所述路径平均限速比的计算表达式为：，式中，/>为路径平均限速，/>为路径长度；
所述路径平均流量比的计算表达式为：，式中，/>为路径平均流量，为路径长度；
所述路径通行时长比的计算表达式为：，式中，/>为路径通行时长，/>为路径长度。
优选的，步骤S4中，判断是否需要重新规划行驶路径包括以下步骤：
S4.1：当路径中存在障碍物导致路径无法通行时，需要重新规划行驶路径；
S4.2：计算获取更新值，表达式为：
式中，/>为更新值，/>为其它路径与行驶路径的距离，/>为路径系数；
S4.3：获取更新值后，通过更新值由大到小重新对其它路径进行排序，生成更新排序表，依据更新排序表选择下一条行驶路径。
本发明还提供基于机器视觉的无人车行驶路径规划系统，包括感知融合模块、地图构建模块、路径规划模块、避障模块、速度规划模块以及轨迹生成模块：
感知融合模块感知周围环境获取感知数据并进行融合，地图构建模块利用感知数据构建地图，路径规划模块基于地图和感知数据，在行驶区域中搜索可行驶路径，并生成路径排序表，依据路径排序表正序选择行驶路径，并在行驶过程中实时更新路径排序表，车辆在路径排序表中选择的路径上行驶时，避障模块通过机器视觉算法识别和跟踪障碍物，若路径中所有道路均无法通行，则在允许情况下结合路径排序表更换其它路径，速度规划模块根据路径信息规划无人车的速度，轨迹生成模块根据行驶路径和速度，生成轨迹并对无人车进行控制。
在上述技术方案中，本发明提供的技术效果和优点：
本发明通过基于地图和感知数据，在行驶区域中搜索可行驶路径，并生成路径排序表，依据路径排序表正序选择最优行驶路径，并在行驶过程中实时更新路径排序表，从而提高无人车的行驶效率，减少行驶时间和能耗，并提供更好的乘车体验，通过持续感知环境变化，并根据最新的感知数据和地图信息进行路径重新规划，无人车可以在行驶过程中根据实时情况选择更优的路径，这可以帮助无人车应对交通拥堵、道路施工或其他突发情况，保证行驶的安全性和可靠性；
本发明在无人车行驶前，规划系统获取选择指数、道路缺陷占比、道路通行系数，将选择指数、道路缺陷占比、道路通行系数综合计算获取路径系数，有效提高数据的处理效率，并且，将所有路径依据路径系数由大到小进行排序，生成路径排序表，从而能够使无人车选择最佳行驶路径行驶。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
实施例1：请参阅图1所示，本实施例所述基于机器视觉的无人车行驶路径规划方法，所述规划方法包括以下步骤：
A、感知与感知融合：通过激光雷达、摄像头、传感器等设备感知周围环境，获取道路、障碍物、交通标志等信息，这些传感器数据需要进行融合，以获得更准确、完整的环境感知；
a、数据预处理：对传感器数据进行预处理，包括去噪、滤波和校正等操作，以消除传感器数据中的噪声和误差；
b、坐标转换与校准：如果不同传感器使用的坐标系统不一致，需要进行坐标转换，使其能够在同一坐标系下进行融合，同时，进行传感器校准，以保证各个传感器的测量结果准确；
c、数据配准与对齐：将来自不同传感器的数据进行配准和对齐，使其在时间和空间上保持一致，这可以通过时间戳、位置信息或特征匹配等方法实现；
d、特征提取与跟踪：对传感器数据进行特征提取和目标跟踪，识别出道路、障碍物、交通标志等感兴趣的目标，并跟踪它们在连续帧中的运动和变化；
e、数据融合与融合算法：将来自不同传感器的数据进行融合，生成更准确、完整的环境感知结果，常用的融合算法包括卡尔曼滤波、粒子滤波、扩展卡尔曼滤波等，通过融合不同传感器的测量结果来估计目标的状态和属性。
B、地图构建：利用感知数据构建地图，包括车辆所在位置、道路拓扑结构、交通标志和信号灯位置等信息，地图可以是预先制作的静态地图，也可以是动态更新的实时地图；
a、定位与建图：利用定位系统，如全球定位系统（GPS）、惯性测量单元（IMU）等，确定车辆的精确位置；结合感知数据和车辆位置，构建初始地图；
b、地图初始化：根据感知数据和车辆位置，初始化地图的道路拓扑结构，包括道路连接关系、车道数量、交叉口位置等；
c、特征提取与识别：通过图像处理和计算机视觉技术，从感知数据中提取道路标记、交通标志、信号灯等特征；可以使用目标检测、图像分割等算法来识别和定位这些特征；
d、地图更新：随着车辆行驶和感知数据的不断更新，地图需要进行实时更新；通过融合新的感知数据，更新地图中的道路拓扑、交通标志和信号灯位置等信息；
e、地图存储与管理：将构建和更新后的地图数据进行存储和管理；可以使用数据库或文件系统来管理地图数据，以便后续的路径规划和决策使用；
f、动态地图更新：根据实时感知数据和车辆位置，进行动态地图更新；通过持续感知和地图更新，及时反映道路变化、交通标志变化和交通信号灯状态的变化。
C、路径规划：基于地图和感知数据，在行驶区域中搜索可行驶路径，并生成路径排序表，依据路径排序表正序选择最优行驶路径，并在行驶过程中实时更新路径排序表。
D、障碍物检测与避障：车辆在选择的路径上行驶时，通过机器视觉算法识别和跟踪障碍物，如果发现障碍物阻挡了路径，需要进行避障处理，若路径中所有道路均无法通行，则在允许情况下结合路径排序表更换其它路径，本实施例中，允许情况包括路径允许掉头、路径存在岔路口更换其它路径等等；
a、障碍物检测和识别：使用机器视觉算法对感知数据进行处理，识别出道路上的障碍物；这可以通过目标检测、图像分割、激光雷达数据分析等方法来实现；
b、障碍物跟踪：跟踪已被识别的障碍物，通过连续帧之间的目标匹配和跟踪算法来估计障碍物的位置、速度和运动轨迹；
c、障碍物分析和评估：对识别和跟踪的障碍物进行分析和评估，了解其类型、大小、距离和对路径的阻挡程度；
d、路径规划和重规划：基于障碍物的位置和属性，进行路径规划和重规划，找到绕过障碍物的可行路径；这可以使用避障算法、动态规划、局部规划等方法来实现；
e、车辆控制和执行：根据规划的路径，调整车辆的速度和方向，实施避障动作；这涉及车辆底盘控制、转向控制、制动和加速等操作；
f、障碍物感知更新：持续感知环境变化，根据最新的感知数据和地图信息，更新障碍物的位置和属性；这有助于车辆实时调整行驶策略，应对动态的障碍物或新出现的障碍物。
E、速度规划：根据路径长度、交通流量和车辆动力性能等因素，规划无人车的速度，这可以通过考虑交通规则和路况，以及最小化行驶时间或最大化行驶舒适度等目标来实现；
a、路径规划：根据起点和终点，通过路径规划算法确定车辆需要行驶的路径；这可以考虑路径长度、交通流量和其他约束条件；
b、路况感知：通过传感器和地图信息感知当前道路的交通状况；这可以包括实时交通流量、拥堵情况、速度限制等；
c、速度限制和交通规则：根据道路上的速度限制和交通规则，确定车辆应该遵守的最大速度和其他行驶规则；
d、动力性能评估：考虑车辆的动力性能，如加速度、制动能力等，以确保车辆的行驶安全和稳定；
e、目标函数定义：根据具体的目标，如最小化行驶时间或最大化行驶舒适度，定义相应的目标函数；
f、速度规划：基于路径规划、路况感知和目标函数，利用优化算法或规划算法计算出最优的速度曲线；这可以通过动态规划、模型预测控制等方法来实现；
g、车辆控制：根据速度规划结果，调整车辆的加速度和制动力，控制车辆实际的速度；
h、实时更新：持续感知路况变化和目标变化，根据最新的信息对速度规划进行实时更新，以适应变化的道路条件。
F、轨迹生成与控制：根据行驶路径和速度，生成具体的轨迹并对无人车进行控制，轨迹生成可以采用插值、优化或模型预测控制等方法，确保车辆平稳、安全地跟随规划路径行驶;
a、路径插值：将规划路径离散化为一系列路径点；可以使用插值方法，如线性插值或样条插值，以填充路径之间的连续性，并生成平滑的轨迹；
b、时间分配：为每个路径点分配时间戳，确定每个路径点的到达时间；可以根据车辆速度和路径长度，以及其他限制条件，计算每个路径点的到达时间；
c、速度曲线生成：根据规划路径和速度要求，生成车辆的速度曲线；可以使用优化算法，如动态规划、模型预测控制或规划器等，以最小化行驶时间、最大化舒适度或遵循特定的行驶规则；
d、轨迹生成：基于速度曲线和路径插值结果，生成车辆的轨迹；这涉及根据速度和时间分配计算每个路径点的位置，并生成完整的轨迹；
e、控制策略：根据生成的轨迹，设计适当的控制策略来引导无人车沿着轨迹行驶；控制策略可能包括车辆速度控制、转向控制、制动和加速等操作，以确保车辆平稳、安全地跟随轨迹行驶；
f、实时调整：持续感知环境变化和车辆状态，根据最新的感知数据和目标更新，实时调整生成的轨迹和控制策略；这有助于适应变化的路况和实时需求，确保车辆的安全和性能。
本申请通过基于地图和感知数据，在行驶区域中搜索可行驶路径，并生成路径排序表，依据路径排序表正序选择最优行驶路径，并在行驶过程中实时更新路径排序表，从而提高无人车的行驶效率，减少行驶时间和能耗，并提供更好的乘车体验，通过持续感知环境变化，并根据最新的感知数据和地图信息进行路径重新规划，无人车可以在行驶过程中根据实时情况选择更优的路径，这可以帮助无人车应对交通拥堵、道路施工或其他突发情况，保证行驶的安全性和可靠性。
实施例2：基于地图和感知数据，在行驶区域中搜索可行驶路径，并生成路径排序表，依据路径排序表正序选择最优行驶路径，并在行驶过程中实时更新路径排序表。
在行驶区域中搜索可行驶路径，并生成路径排序表包括以下步骤：
获取选择指数、道路缺陷占比、道路通行系数；
将选择指数、道路缺陷占比、道路通行系数综合计算获取路径系数，计算表达式为：
式中，/>为选择指数，/>为道路差异物占比，/>为道路通行系数，/>、/>分别为道路通行系数、道路缺陷占比的比例系数，且/>、/>均大于0。
获取路径系数后，将所有路径依据路径系数/>由大到小进行排序，生成路径排序表，在路径排序表中，排序越靠前，无人车选择路径的倾向性越大。
本申请在无人车行驶前，规划系统获取选择指数、道路缺陷占比、道路通行系数，将选择指数、道路缺陷占比、道路通行系数综合计算获取路径系数，有效提高数据的处理效率，并且，将所有路径依据路径系数由大到小进行排序，生成路径排序表，从而能够使无人车选择最佳行驶路径行驶。
本申请中：
选择指数的获取逻辑为：
若路径禁止通行、路径为单行道且与无人车行驶方向相反，则；若路径允许通行、路径为单行道且与无人车行驶方向相同，则/>1。
道路缺陷占比的获取逻辑为：
规划系统通过卫星遥感影像获取路径图像，将路径根据长度划分为多段路径，将多段路径的边缘作为影像边沿，通过网格法将影像划分为若干网格，使用颜色阈值分割法选择与路径路面颜色明显不同的颜色阈值，从而将其他差异物与路径区分，获取其他差异物的网格占取数量（只要网格中存在差异物的边缘部分，该网格为差异物占取网格），差异物包括地面凹坑、地面凸起、不平整表面、车辆、行人等；
则道路缺陷占比的计算表达式为：
式中，/>为第j个差异物的网格占取数量之和，/>为第i段路径网格数量之和（多段路径通过网格法划分的网格数量），m、n均为正整数。
道路通行系数的计算表达式为：
式中，/>为路径平均限速比，/>为路径平均流量比，/>为路径通行时长比；
路径平均限速比的计算表达式为：，式中，/>为路径平均限速，为路径长度；
路径平均流量比的计算表达式为：，式中，/>为路径平均流量，/>为路径长度；
路径通行时长比的计算表达式为：，式中，/>为路径通行时长，/>为路径长度。
将路径平均限速、路径平均流量、路径通行时长均比上路径长度进行标准化处理后，在综合计算即可得到道路通行系数。
为了提高规划系统规划路径的效率，在获取路径系数后，将路径系数与筛除阈值进行对比，若路径的路径系数＜筛除阈值，则将该路径从路径排序表中筛除，从而提高规划系统后续重新规划路径的效率。
障碍物检测与避障：车辆在选择的路径上行驶时，通过机器视觉算法识别和跟踪障碍物，如果发现障碍物阻挡了路径，需要进行避障处理，若路径中所有道路均无法通行，则在允许情况下结合路径排序表更换其它路径，本实施例中，允许情况包括路径允许掉头、路径存在岔路口更换其它路径等等。
若路径中所有道路均无法通行，则在允许情况下结合路径排序表更换其它路径包括以下步骤：
由于无人车行驶路径的状况并不是唯一的，若无人车在行驶过程中，道路出现异常（例如出现车祸、道路坍塌等），导致该路径无法继续通行，无人车通过公式：，计算获取更新值/>，式中，/>为其它路径与行驶路径的距离，/>为其它路径的路径系数，获取更新值后，通过更新值由大到小重新对其它路径进行排序，生成更新排序表，依据更新排序表选择下一条行驶路径。
实施例3：本实施例所述基于机器视觉的无人车行驶路径规划系统，包括感知融合模块、地图构建模块、路径规划模块、避障模块、速度规划模块以及轨迹生成模块：
感知融合模块：通过激光雷达、摄像头、传感器等设备感知周围环境，获取道路、障碍物、交通标志等信息，这些传感器数据需要进行融合，以获得更准确、完整的环境感知，感知数据发送至地图构建模块以及路径规划模块。
地图构建模块：利用感知数据构建地图，包括车辆所在位置、道路拓扑结构、交通标志和信号灯位置等信息，地图可以是预先制作的静态地图，也可以是动态更新的实时地图，地图信息发送至路径规划模块。
路径规划模块：基于地图和感知数据，在行驶区域中搜索可行驶路径，并生成路径排序表，依据路径排序表正序选择行驶路径，并在行驶过程中实时更新路径排序表，路径排序表信息发送至避障模块，行驶路径发送至轨迹生成模块。
避障模块：车辆在路径排序表中选择的路径上行驶时，通过机器视觉算法识别和跟踪障碍物，如果发现障碍物阻挡了路径，需要进行避障处理，若路径中所有道路均无法通行，则在允许情况下结合路径排序表更换其它路径，本实施例中，允许情况包括路径允许掉头、路径存在岔路口更换其它路径等等，路径信息发送至速度规划模块。
速度规划模块：根据路径长度、交通流量和车辆动力性能等因素，规划无人车的速度，这可以通过考虑交通规则和路况，以及最小化行驶时间或最大化行驶舒适度等目标来实现，行驶速度信息发送至。
轨迹生成模块：根据行驶路径和速度，生成具体的轨迹并对无人车进行控制，轨迹生成可以采用插值、优化或模型预测控制等方法，确保车辆平稳、安全地跟随规划路径行驶。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (8)
1.基于机器视觉的无人车行驶路径规划方法，其特征在于：所述规划方法包括以下步骤：
S1：无人车感知周围环境获取感知数据，并将感知数据进行融合处理；
S2：利用感知数据构建地图，基于地图和感知数据，在行驶区域中搜索可行驶路径，并生成路径排序表；
S3：依据路径排序表正序选择行驶路径，并在行驶过程中实时更新路径排序表；
S4：车辆在选择的路径上行驶时，通过机器视觉算法识别和跟踪障碍物，并判断是否需要重新规划行驶路径；
S5：根据行驶路径信息规划无人车的速度；
S6：根据行驶路径和速度，生成轨迹并对无人车进行控制；
所述感知数据包括选择指数、道路缺陷占比、道路通行系数；
步骤S2中，在行驶区域中搜索可行驶路径，并生成路径排序表包括以下步骤：
S2.1：将选择指数、道路缺陷占比、道路通行系数综合计算获取路径系数，计算表达式为：
式中，/>为选择指数，/>为道路差异物占比，/>为道路通行系数，/>、/>分别为道路通行系数、道路缺陷占比的比例系数，且/>、/>均大于0；
S2.2：获取路径系数后，将所有路径依据路径系数/>由大到小进行排序，生成路径排序表。
2.根据权利要求1所述的基于机器视觉的无人车行驶路径规划方法，其特征在于：所述选择指数的获取逻辑为：
若路径禁止通行、路径为单行道且与无人车行驶方向相反，则；若路径允许通行、路径为单行道且与无人车行驶方向相同，则/>1。
3.根据权利要求2所述的基于机器视觉的无人车行驶路径规划方法，其特征在于：所述道路缺陷占比的计算表达式为：
式中，/>为第j个差异物的网格占取数量之和，/>为第i段路径网格数量之和，m、n均为正整数。
4.根据权利要求3所述的基于机器视觉的无人车行驶路径规划方法，其特征在于：所述差异物的网格占取数量以及路径网格数量获取逻辑：
规划系统通过卫星遥感影像获取路径图像，将路径根据长度划分为多段路径，将多段路径的边缘作为影像边沿，通过网格法将影像划分为若干网格，使用颜色阈值分割法选择与路径路面颜色明显不同的颜色阈值，从而将差异物与路径区分，获取差异物的网格占取数量。
5.根据权利要求4所述的基于机器视觉的无人车行驶路径规划方法，其特征在于：所述道路通行系数的计算表达式为：
中，/>为路径平均限速比，/>为路径平均流量比，/>为路径通行时长比。
6.根据权利要求5所述的基于机器视觉的无人车行驶路径规划方法，其特征在于：所述路径平均限速比的计算表达式为：，式中，/>为路径平均限速，/>为路径长度；
所述路径平均流量比的计算表达式为：，式中，/>为路径平均流量，/>为路径长度；
所述路径通行时长比的计算表达式为：，式中，/>为路径通行时长，/>为路径长度。
7.根据权利要求6所述的基于机器视觉的无人车行驶路径规划方法，其特征在于：步骤S4中，判断是否需要重新规划行驶路径包括以下步骤：
S4.1：当路径中存在障碍物导致路径无法通行时，需要重新规划行驶路径；
S4.2：计算获取更新值，表达式为：
式中，/>为更新值，/>为其它路径与行驶路径的距离，为路径系数；
S4.3：获取更新值后，通过更新值由大到小重新对其它路径进行排序，生成更新排序表，依据更新排序表选择下一条行驶路径。
8.基于机器视觉的无人车行驶路径规划系统，用于实现上述权利要求1-7中任意一项所述的基于机器视觉的无人车行驶路径规划方法，其特征在于：包括感知融合模块、地图构建模块、路径规划模块、避障模块、速度规划模块以及轨迹生成模块：
感知融合模块感知周围环境获取感知数据并进行融合，地图构建模块利用感知数据构建地图，路径规划模块基于地图和感知数据，在行驶区域中搜索可行驶路径，并生成路径排序表，依据路径排序表正序选择行驶路径，并在行驶过程中实时更新路径排序表，车辆在路径排序表中选择的路径上行驶时，避障模块通过机器视觉算法识别和跟踪障碍物，若路径中所有道路均无法同行，则在允许情况下结合路径排序表更换其它路径，速度规划模块根据路径信息规划无人车的速度，轨迹生成模块根据行驶路径和速度，生成轨迹并对无人车进行控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311082806.5A CN116817957B (zh) | 2023-08-28 | 2023-08-28 | 基于机器视觉的无人车行驶路径规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311082806.5A CN116817957B (zh) | 2023-08-28 | 2023-08-28 | 基于机器视觉的无人车行驶路径规划方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116817957A CN116817957A (zh) | 2023-09-29 |
| CN116817957B true CN116817957B (zh) | 2023-11-07 |
Family
ID=88122436
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311082806.5A Active CN116817957B (zh) | 2023-08-28 | 2023-08-28 | 基于机器视觉的无人车行驶路径规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116817957B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117906593A (zh) * | 2024-03-19 | 2024-04-19 | 广州小鹏自动驾驶科技有限公司 | 地图构建方法、终端设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101409323B1 (ko) * | 2013-03-19 | 2014-07-02 | 국방과학연구소 | 무인자율차량 및 이의 동적환경 주행경로생성방법 |
| US9984326B1 (en) * | 2015-04-06 | 2018-05-29 | Hrl Laboratories, Llc | Spiking neural network simulator for image and video processing |
| CN108845343A (zh) * | 2018-07-03 | 2018-11-20 | 河北工业大学 | 一种基于视觉、gps与高精度地图融合的车辆定位方法 |
| CN111737840A (zh) * | 2020-06-19 | 2020-10-02 | 中汽数据(天津)有限公司 | 一种用于自动路径规划的交通沙盘地图构建与应用方法 |
| CN112327865A (zh) * | 2020-11-17 | 2021-02-05 | 易特智行科技(广州)有限公司 | 一种自动驾驶系统及方法 |
| CN112762957A (zh) * | 2020-12-29 | 2021-05-07 | 西北工业大学 | 一种基于多传感器融合的环境建模及路径规划方法 |
| CN113495566A (zh) * | 2021-08-21 | 2021-10-12 | 福州大学 | 一种基于曲率约束融合势场法的D*Lite无人车局部路径规划方法 |
| CN113848927A (zh) * | 2021-10-07 | 2021-12-28 | 兰州理工大学 | 一种自主规划路径的自动驾驶系统 |
| CN116107321A (zh) * | 2023-04-13 | 2023-05-12 | 无锡科技职业学院 | 基于视觉与激光雷达融合的无人车路径规划系统及方法 |
-
2023
- 2023-08-28 CN CN202311082806.5A patent/CN116817957B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101409323B1 (ko) * | 2013-03-19 | 2014-07-02 | 국방과학연구소 | 무인자율차량 및 이의 동적환경 주행경로생성방법 |
| US9984326B1 (en) * | 2015-04-06 | 2018-05-29 | Hrl Laboratories, Llc | Spiking neural network simulator for image and video processing |
| CN108845343A (zh) * | 2018-07-03 | 2018-11-20 | 河北工业大学 | 一种基于视觉、gps与高精度地图融合的车辆定位方法 |
| CN111737840A (zh) * | 2020-06-19 | 2020-10-02 | 中汽数据(天津)有限公司 | 一种用于自动路径规划的交通沙盘地图构建与应用方法 |
| CN112327865A (zh) * | 2020-11-17 | 2021-02-05 | 易特智行科技(广州)有限公司 | 一种自动驾驶系统及方法 |
| CN112762957A (zh) * | 2020-12-29 | 2021-05-07 | 西北工业大学 | 一种基于多传感器融合的环境建模及路径规划方法 |
| CN113495566A (zh) * | 2021-08-21 | 2021-10-12 | 福州大学 | 一种基于曲率约束融合势场法的D*Lite无人车局部路径规划方法 |
| CN113848927A (zh) * | 2021-10-07 | 2021-12-28 | 兰州理工大学 | 一种自主规划路径的自动驾驶系统 |
| CN116107321A (zh) * | 2023-04-13 | 2023-05-12 | 无锡科技职业学院 | 基于视觉与激光雷达融合的无人车路径规划系统及方法 |
Non-Patent Citations (4)
| Title |
|---|
| Data filtering and auxiliary model based recursive least squares estimation algorithm for OEMA systems;Dongqing Wang;Proceedings of the 2011 4th International Symposium on Advanced Control of Industrial Processes;全文 * |
| GPS与GIS集成在交通指挥系统中的应用;黄书鹏;陈吉阳;李铁军;;北方交通(06);全文 * |
| Monocular depthorderingwithocclusionedgesextractionand local depthinference;SONG Guiling;JournalofSystemsEngineeringandElectronics;第30卷(第6期);全文 * |
| 结合混合粒子群算法的植保无人机航线设计方法;徐利锋;杨中柱;黄祖胜;丁维龙;;小型微型计算机系统(09);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116817957A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11427225B2 (en) | All mover priors | |
| US20210356962A1 (en) | Planning autonomous motion | |
| US10281920B2 (en) | Planning for unknown objects by an autonomous vehicle | |
| CN109643118B (zh) | 基于关于车辆的环境的与功能相关的信息来影响车辆的功能 | |
| CN109641589B (zh) | 用于自主车辆的路线规划 | |
| US10829116B2 (en) | Affecting functions of a vehicle based on function-related information about its environment | |
| US10234864B2 (en) | Planning for unknown objects by an autonomous vehicle | |
| RU2661963C1 (ru) | Устройство вычисления маршрута движения | |
| JP2022535351A (ja) | 車両ナビゲーションのためのシステム及び方法 | |
| US20220188695A1 (en) | Autonomous vehicle system for intelligent on-board selection of data for training a remote machine learning model | |
| EP3822945B1 (en) | Driving environment information generation method, driving control method, driving environment information generation device | |
| EP3647733A1 (en) | Automatic annotation of environmental features in a map during navigation of a vehicle | |
| EP4242998A1 (en) | Traffic stream information determination method and apparatus, electronic device and storage medium | |
| JP2019109675A (ja) | 運転行動データ生成装置、運転行動データベース | |
| CN116817957B (zh) | 基于机器视觉的无人车行驶路径规划方法及系统 | |
| CN114005280A (zh) | 一种基于不确定性估计的车辆轨迹预测方法 | |
| US20220234575A1 (en) | Vehicle operation using maneuver generation | |
| US11834077B2 (en) | Systems, methods, and media for occlusion-aware motion planning | |
| CN112394725A (zh) | 用于自动驾驶的基于预测和反应视场的计划 | |
| CN113743469A (zh) | 一种融合多源数据及综合多维指标的自动驾驶决策方法 | |
| US20200393253A1 (en) | Method for generating road map for autonomous vehicle navigation | |
| JP2021082286A (ja) | 車線変更の検出を改良するためのシステム、非一時的コンピュータ可読媒体および方法 | |
| US11436504B1 (en) | Unified scene graphs | |
| JP7167732B2 (ja) | 地図情報システム | |
| WO2022089627A1 (en) | Method and system for motion planning for an autonmous vehicle |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240201 Address after: A210-1, Taurus Tower, Software Park, No. 18 Zhenze Road, Xinwu District, Wuxi City, Jiangsu Province, 214000 Patentee after: Jiangsu yuanu Information Technology Co.,Ltd. Country or region after: China Address before: 214000 No.8 Xinxi Road, Wuxi New District, Jiangsu Province Patentee before: WUXI PROFESSIONAL College OF SCIENCE AND TECHNOLOGY Country or region before: China |