CN116972865A - 基于车辆机动性评估的复杂越野环境导航方法及系统 - Google Patents
基于车辆机动性评估的复杂越野环境导航方法及系统 Download PDFInfo
- Publication number
- CN116972865A CN116972865A CN202310476606.1A CN202310476606A CN116972865A CN 116972865 A CN116972865 A CN 116972865A CN 202310476606 A CN202310476606 A CN 202310476606A CN 116972865 A CN116972865 A CN 116972865A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- navigation
- path
- module
- complex
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000008447 perception Effects 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 41
- 238000004458 analytical method Methods 0.000 claims description 26
- 210000002569 neuron Anatomy 0.000 claims description 23
- 238000012512 characterization method Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 8
- 238000011160 research Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 239000002689 soil Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000011056 performance test Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 108010077641 Nogo Proteins Proteins 0.000 description 2
- 102100029831 Reticulon-4 Human genes 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- 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
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于车辆机动性评估的复杂越野环境导航方法及系统,涉及越野环境导航技术领域,包括:步骤S1:对复杂越野环境车辆机动性进行评估与预测;步骤S2:对复杂环境泛在导航性能进行评估与预测;步骤S3:根据前述步骤得到的结果,构建基于体素模型空间拓扑关系的地图数据结构;步骤S4:根据地图数据结构,规划面向多种应用需求的全局路径,以及基于短距三维感知的局域动态路径。本发明能够构造更加精确的可通行区域图,提供多种路径规划服务。
Description
技术领域
本发明涉及越野环境导航技术领域,具体地,涉及一种基于车辆机动性评估的复杂越野环境导航方法及系统。
背景技术
导航是指对车辆实施机动的时刻、路径规划与线路推荐和耗时进行分析计算。现阶段导航技术侧重于道路网中的导航,对复杂越野环境等无路网环境下的车辆导航研究不足,即使有相关研究,也大多针对于无人车或其它无人设备,普通越野车辆的野外路径规划问题一直有待解决。与此同时在导航计算过程中考虑的因素过于单一,无法满足车辆在复杂越野环境中对导航的需求。越野机动导航是越野机动分析的重要内容,它以测绘地理、装备性能等方面的理论和技术为基础,重点研究复杂越野区域的环境要素类别和分布特征、车辆机动与地面交互等内容,分析越野环境、机动装备对越野机动的影响,进行与实际环境相符的越野导航辅助决策。越野机动导航在越野机动中尤为重要,它与两地之间的地形、土质、水系、植被、居民地分布、实时天气信息、实时突发事件以及机动平台本身的转弯半径、高度、宽度、重量等要素都有很大的关系。
目前已有的越野环境导航技术的不足主要包括如下几点:
(1)要素评估单一。机动性评估主要靠指挥员经验,定量化辅助决策能力不足、考虑因素单一,如仅考虑地形因素,未考虑天气、土壤土质、自然灾害、突发事件等多种因素的综合影响。地面车辆种类及功能的增加,以及地质种类多样性、几何复杂性等复杂环境对装备的模型参数及性能评估带来较高的不确定性,导致系统力学模型亟需进行适应性和扩展化改进。
(2)未考虑越野环境下地理、气象、电磁等环境数据对机动车辆的卫星及组合导航系统的影响,从而影响越野环境下车辆行驶路线的选择和导航能力。
(3)实时态势信息考虑不足。主要基于已有的路网数据进行简单的最短路径分析为主,研究主要关注道路、地形等静态信息,未综合考虑天气、气象、突发事件等实时态势信息对越野机动导航的影响,如雨雪冰冻、大风、大雾及其导致的土壤土质湿度、滑度等;
(4)建模与预测能力不足,主要基于基本的地理信息系统(GIS)进行算法和模型优化,缺乏跨领域联合建模分析能力,如车辆动力学、车辆与土壤的交互力学建模,缺乏越野环境下的机动速度、油料消耗、行程时间预估等能力;
现有相关文献中:张勤,李岳炀,赵钦君的《四足机器人野外导航关键技术研究进展》[J].济南大学学报(自然科学版),2016,30(05):391-396.DOI:10.13349/j.cnki.jdxbn.20160606.013.中提到,综述国内外四足机器人野外导航技术的研究现状和发展趋势;从当前国内外最具代表性的四足机器人平台入手,从场景三维重建、复杂地形识别和可通过性评价3个方面对野外环境下四足机器人导航的关键技术进行剖析;总结了目前四足机器人野外导航研究中存在的技术难点,如复杂环境信息获取的准确性、视觉/深度数据处理的实时性和决策规划的智能性、稳定性问题;指出应进一步将大范围环境感知、模型重构和地形识别作为技术手段,针对复杂野外环境下可通过区域的识别及其安全性评价进行研究,以提高其野外工作的自主性。
技术要点比较:
1.在进行可通过性评价时,未考虑不同路面材质对机器速度及油耗的影响,因此只能获取一个简单的通过性评估(GO/NOGO)结果,无法获取车辆可通行时的最大通行速度以及最优安全速度、不可通行时的不可通行原因以及车辆稳定性等信息。
2.没有考虑实时天气、地质等自然灾害和突发事件等动态实时信息,无法进行实时动态路径规划、导航与机动引导。
现有相关文献中:钱燮晖,何秀凤,郭俊文等的《基于二次A算法的复杂环境下车辆导航路径规划方法》[J].甘肃科学学报,2020,32(02):7-15.DOI:10.16468/j.cnki.issn1004-0366.2020.02.002.中提到,在部队作战或演习中,复杂且未知的野外环境给作战车辆的路径规划造成了极大的影响。针对车辆无法在环境信息未知的复杂野外环境下快速到达目的地的问题,通过改进搜索策略来提高车辆的机动性,同时提出一种加入预处理的二次A*算法来提高车辆实时避障的能力。首先,针对A*算法的搜索策略进行改进;其次,通过预处理算法明确目标区域的环境信息,规划得到全局最优路径,当行进过程中突然出现未知障碍物时,根据车辆的实时位置以及障碍物确定局部规划区域,再一次应用A*算法进行局部最优路径规划;最后,进行实验验证。实验结果表明,车辆在不同地形条件的行驶过程中尽管牺牲了一部分搜索时间和路径长度,但行驶时间分别减少了26.6%、29.5%、32.4%和35.2%。随着地形条件的复杂程度不断变大,算法使车辆的行驶时间减少更多,极大地提高了车辆的机动性,具有重要的现实意义。
技术要点比较:
1.考虑的动态实时信息不够全面,未考虑实时天气以及实时水文等信息。
2.仅提供距离最短路径规划,未提供速度优先、道路优先、安全优先、油耗优先等服务。
现有相关文献中:王帅,刘向阳的《基于黎曼流形的野外综合地形路径规划方法》[J/OL].计算机工程与应用:1-10[2023-02-23].中提到,在野外综合地形上实现路径规划具有较大的现实意义,它需综合考虑高程、地表覆盖分类、植被密度和风向等多种行进阻力。针对此类多阻力要素下的全局路径规划问题,目前的方案由于欧式距离空间的限制,无法给出此类问题的统一数学表达,使得在各向同性、各向异性阻力并存的情况下,求解系统较为混乱。从黎曼流形的视角来看待大地表面,便可以导出能够反映局部信息的黎曼度量,并导出广义测地距离(综合寻路代价)形成距离空间,从而给出此类问题具备一定的推广性的统一数学表达形式,能够十分贴切地反映野外行进的现实情况与需求。以此为基础,使用改进热方法给出森林火灾逃生路径规划问题的求解,作为野外综合路径规划应用实例。
技术要点比较:
缺少对动态实时信息的处理,处理高程信息时,只计算了坡度对导航的影响,未考虑坡向的影响。
发明内容
针对现有技术中的缺陷,本发明提供一种基于车辆机动性评估的复杂越野环境导航方法及系统。
根据本发明提供的一种基于车辆机动性评估的复杂越野环境导航方法及系统,所述方案如下:
第一方面,提供了一种基于车辆机动性评估的复杂越野环境导航方法,所述方法包括:
步骤S1:对复杂越野环境车辆机动性进行评估与预测;
步骤S2:对复杂环境泛在导航性能进行评估与预测;
步骤S3:根据前述步骤得到的结果,构建基于体素模型空间拓扑关系的地图数据结构;
步骤S4:根据地图数据结构,规划面向多种应用需求的全局路径,以及基于短距三维感知的局域动态路径。
优选地,所述步骤S1包括:
步骤S1.1:基于Bekker理论以及压强-沉陷量表征模型,建立车辆-地面力学模型;
步骤S1.2:根据所述车辆-地面力学模型,对地面进行参数化表征,综合路面信息、地形信息、地貌信息和气候信息,基于主客观结合的方法对各类信息进行特征提取及选择,获得与车辆通过性相关性较高的特征种类;
步骤S1.3:根据特征种类,构建涵盖几何和地质特性的地面综合表征参数模型,获得车辆的区域通过性评估结果。
优选地,所述步骤S2包括:
步骤S2.1:设置待评估区域范围,从地理数据库中调用相应的GIS数据,作为导航信号视距分析及导航对抗态势分析的环境信息输入;
步骤S2.2:将不同类型机动平台的导航装备特征信息汇总为机动车辆导航系统装备模型库,根据待评估平台调取相应的导航装备模型;
步骤S2.3:通过引入的导航信号监测网数据,结合待评估区域GIS信息形成区域导航干扰态势反演预测结果;
步骤S2.4:根据区域导航干扰态势及导航装备模型,获得待评估区域或待评估路径上的导航性能预测评估结果,同时作为对路径规划插件的反馈或输入。
优选地,所述步骤S3包括:
步骤S3.1:建立基于体素模型空间拓扑关系,利用不同实例物体之间的空间连续性,将基于语义点云的空间信息进行增量式聚类,得到的每一个簇将认为是空间中的一个独立物体;同时,体素格对象将由全局体素格集合管理,按照物体实例进行组织;
步骤S3.2:聚类结束后得到总体的野外环境空间语义拓扑体素格地图,或转换为仅局部的物体实例,实现野外环境空间中覆盖物体大小、种类广泛的态势感知;
步骤S3.3:利用语义分割后的体素格实例信息间的内在关联,生成拓扑关系,进而生成越野环境的复杂地形地图数据结构。
优选地,所述步骤S4中规划面向多种应用需求的全局路径,采用LSTM来学习历史轨迹的连续特征;
路径规划网络第一层和第二层包括含有256个神经元的LSTM层,采用修正线性单元RELU作为网络的激活函数,第三层是由128个神经元组成的全连接层,最后的输出层采用全连接层;神经元个数与输出相等,网络输入为单元历史观测量,输出包括越野车辆的未来轨迹坐标和速度,由输入的应用需求对未来轨迹在内的相关合理性进行评估。
优选地,所述步骤S4中规划基于短距三维感知的局域动态路径,包括:
步骤S4.1:待选局部路径库生成;随机生成N条局部路径形成待选局部路径库,对于路径库中的每条路径,采样M个点作为不确定的查询点,总共有N×M个状态需要进行评估;
步骤S4.2:路径点状态查询;对于局部路径库中的N×M个状态,每个状态都是一个查询点,将每个查询点处的机动车辆看作近似球体的高斯分布;通过查询算法迭代在历史传感器测量的坐标帧中对查询点进行查询,直到找到一个包含查询点的视图;
步骤S4.3:车辆碰撞概率计算;根据查询算法所得的视图下的点云数据,对车辆是否碰撞进行计算,如果点云数据障碍物的k个最近邻在查询点的高斯分布内,则碰撞概率为1;如果障碍物的k个最近邻不在查询点的高斯分布内,则对查询点机动车辆位置取平均值,用查询点高斯概率乘以机动车辆高斯分布的球体体积,计算得到碰撞概率的近似值;
步骤S4.4:局部路径评分选择;对于一条局部路径,路径上的M个查询点都要进行碰撞概率计算,计算所得概率相加就是这条局部路径的评分,对于路径库中N条路径,每条路径计算评分,选择评分最高的局部路径作为输出。
第二方面,提供了一种基于车辆机动性评估的复杂越野环境导航系统,所述系统包括:
模块M1:对复杂越野环境车辆机动性进行评估与预测;
模块M2:对复杂环境泛在导航性能进行评估与预测;
模块M3:根据前述步骤得到的结果,构建基于体素模型空间拓扑关系的地图数据结构;
模块M4:根据地图数据结构,规划面向多种应用需求的全局路径,以及基于短距三维感知的局域动态路径。
优选地,所述模块M1包括:
模块M1.1:基于Bekker理论以及压强-沉陷量表征模型,建立车辆-地面力学模型;
模块M1.2:根据所述车辆-地面力学模型,对地面进行参数化表征,综合路面信息、地形信息、地貌信息和气候信息,基于主客观结合的方法对各类信息进行特征提取及选择,获得与车辆通过性相关性较高的特征种类;
模块M1.3:根据特征种类,构建涵盖几何和地质特性的地面综合表征参数模型,获得车辆的区域通过性评估结果;
模块M2包括:
模块M2.1:设置待评估区域范围,从地理数据库中调用相应的GIS数据,作为导航信号视距分析及导航对抗态势分析的环境信息输入;
模块M2.2:将不同类型机动平台的导航装备特征信息汇总为机动车辆导航系统装备模型库,根据待评估平台调取相应的导航装备模型;
模块M2.3:通过引入的导航信号监测网数据,结合待评估区域GIS信息形成区域导航干扰态势反演预测结果;
模块M2.4:根据区域导航干扰态势及导航装备模型,获得待评估区域或待评估路径上的导航性能预测评估结果,同时作为对路径规划插件的反馈或输入;
所述模块M3包括:
模块M3.1:建立基于体素模型空间拓扑关系,利用不同实例物体之间的空间连续性,将基于语义点云的空间信息进行增量式聚类,得到的每一个簇将认为是空间中的一个独立物体;同时,体素格对象将由全局体素格集合管理,按照物体实例进行组织;
模块M3.2:聚类结束后得到总体的野外环境空间语义拓扑体素格地图,或转换为仅局部的物体实例,实现野外环境空间中覆盖物体大小、种类广泛的态势感知;
模块M3.3:利用语义分割后的体素格实例信息间的内在关联,生成拓扑关系,进而生成越野环境的复杂地形地图数据结构;
所述模块M4中规划面向多种应用需求的全局路径,采用LSTM来学习历史轨迹的连续特征;
路径规划网络第一层和第二层包括含有256个神经元的LSTM层,采用修正线性单元RELU作为网络的激活函数,第三层是由128个神经元组成的全连接层,最后的输出层采用全连接层;神经元个数与输出相等,网络输入为单元历史观测量,输出包括越野车辆的未来轨迹坐标和速度,由输入的应用需求对未来轨迹在内的相关合理性进行评估;
所述模块M4中规划基于短距三维感知的局域动态路径,包括:
模块M4.1:待选局部路径库生成;随机生成N条局部路径形成待选局部路径库,对于路径库中的每条路径,采样M个点作为不确定的查询点,总共有N×M个状态需要进行评估;
模块M4.2:路径点状态查询;对于局部路径库中的N×M个状态,每个状态都是一个查询点,将每个查询点处的机动车辆看作近似球体的高斯分布;通过查询算法迭代在历史传感器测量的坐标帧中对查询点进行查询,直到找到一个包含查询点的视图;
模块M4.3:车辆碰撞概率计算;根据查询算法所得的视图下的点云数据,对车辆是否碰撞进行计算,如果点云数据障碍物的k个最近邻在查询点的高斯分布内,则碰撞概率为1;如果障碍物的k个最近邻不在查询点的高斯分布内,则对查询点机动车辆位置取平均值,用查询点高斯概率乘以机动车辆高斯分布的球体体积,计算得到碰撞概率的近似值;
模块M4.4:局部路径评分选择;对于一条局部路径,路径上的M个查询点都要进行碰撞概率计算,计算所得概率相加就是这条局部路径的评分,对于路径库中N条路径,每条路径计算评分,选择评分最高的局部路径作为输出。
第三方面,提供了一种存储有计算机程序的计算机可读存储介质,所述计算机程序被处理器执行时实现所述基于车辆机动性评估的复杂越野环境导航方法中的步骤。
第四方面,提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被处理器执行时实现所述基于车辆机动性评估的复杂越野环境导航方法中的步骤。
与现有技术相比,本发明具有如下的有益效果:
1、本发明能够构造更加精确的可通行区域图:基于多要素体素格的三维可通行域地图,帮助导航实现精准和多元化的路径规划;图中包含丰富的数据,包括但不限于可通行/不可通行信息、车辆可通行时的最大通行速度以及最优安全速度、不可通行时的不可通行原因以及车辆稳定性等信息;根据基于多要素体素格的三维可通行域地图后续可以包括栅格地图、Voronoi多边形地图、可视化地图、拓扑地图和三维体素格地图等,满足不同导航任务需求;
2、本发明能够以越野环境地理、气象、电磁等环境数据和越野机动路径规划区域为基础,对路径规划区域下机动车辆加装的卫星及组合导航系统可用性和定位精度的可信性进行评估预测,从而为越野环境导航提供更加精确和贴合实际导航需求的支撑;
3、本发明在车辆机动过程中能够根据实时天气、地质等自然灾害和野外突发事件进行实时动态路径规划、导航与机动引导,且响应时间能够达到秒级;
4、本发明能够提供多种路径规划服务,包括速度优先、距离优先、道路优先、安全优先、油耗优先和驾驶员自主决策等多种模式。
本发明的其他有益效果,将在具体实施方式中通过具体技术特征和技术方案的介绍来阐述,本领域技术人员通过这些技术特征和技术方案的介绍,应能理解所述技术特征和技术方案带来的有益技术效果。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为车辆机动性评估与预测概要流程;
图2为复杂环境泛在导航性能预测评估概要流程示意图;
图3为复杂环境泛在导航性能预测评估实现流程示意图;
图4为基于体素格地图的实时环境理解示意图;
图5为体素格拓扑关系图;
图6为LSTM网络架构图;
图7为LTSM整体轨迹预测模型;
图8为NanoMap地图序列原理示意图;
图9为局部动态路径规划流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明实施例提供了一种基于车辆机动性评估的复杂越野环境导航方法,参照图1所示,该方法具体包括:
步骤S1:对复杂越野环境车辆机动性进行评估与预测;
针对野外环境复杂性、越野车辆多样性和性能评估单一性造成的复杂野外环境区域越野车辆通过性和机动性难以量化评估的问题,开展影响越野车辆通行的障碍物智能识别及陆战场地面力学特性的关键因素(岩土的类型、湿度等)的研究,反演解译陆战场地面力学特征,进一步,建立地面力学与车辆的耦合模型,并通过地面综合表征分析、车辆-地面力学建模及参数识别等技术研究,建立典型地面综合表征、车辆通过性评估、机动速度预测等机动分析模型,研究基于多元分析的通过性评估和结合车辆性能参数和动力学模型的机动性预测等关键算法,以满足履带、轮式车辆在越野环境下通过性和机动性评估与预测的需求,从而克服地形的多样性、扩展车辆的适应性、提高机动性评估广度。此外,还需研制越野环境机动性评估与预测算法服务,该服务主要提供对驶入区域的可通行性评估、不可通行原因分析、机动速度预测、车辙深度估计、油耗计算等算法,供给其他模块使用;同时构建越野环境机动性评估可视化语义地图,以生成某一时间区域内可驶入/不可驶入(Go/NoGo)机动性评估可视化产品。
该步骤S1具体包括:
步骤S1.1:基于Bekker理论以及压强-沉陷量表征模型,建立车辆-地面力学模型;
步骤S1.2:根据车辆-地面力学模型,对地面进行参数化表征,综合路面信息、地形信息、地貌信息和气候信息,基于主客观结合的方法对各类信息进行特征提取及选择,获得与车辆通过性相关性较高的特征种类;
步骤S1.3:根据特征种类,构建涵盖几何和地质特性的地面综合表征参数模型,获得车辆的区域通过性评估结果。
步骤S2:对复杂环境泛在导航性能进行评估与预测;
针对机动车辆在环境多变的复杂越野环境中难以获得可用、可信的导航信息以及其泛在导航能力受限的问题,重点开展导航干扰态势感知与反演、多形态泛在导航装备建模、泛在导航可用性评估预测、导航性能预测评估数据服务等关键技术研究,建立在越野环境中的车辆导航性能评估和预测模型,以满足车辆在机动越野中准确获取自身的PVT(位置、速度、时间)信息,确定位于复杂环境中的空间位置的需求,避免定位失效造成无法确定行进方向或精度不足导致关键区域机动错误的问题。此外,还需研制复杂环境泛在导航性能预测评估插件,该插件可基于越野环境地理气象信息、信号监测网信息等对导航干扰态势进行分析预测,对多形态机动导航装备特征进行建模,并对拟定区域及路线上的导航性能作出评估预测。
该步骤S2具体包括:
步骤S2.1:设置待评估区域范围,从地理数据库中调用相应的GIS数据,作为导航信号视距分析及导航对抗态势分析的环境信息输入;
步骤S2.2:将不同类型机动平台的导航装备特征信息汇总为机动车辆导航系统装备模型库,根据待评估平台调取相应的导航装备模型;
步骤S2.3:通过引入的导航信号监测网数据,结合待评估区域GIS信息形成区域导航干扰态势反演预测结果;
步骤S2.4:根据区域导航干扰态势及导航装备模型,获得待评估区域或待评估路径上的导航性能预测评估结果,同时作为对路径规划插件的反馈或输入。
步骤S3:根据前述步骤得到的结果,构建基于体素模型空间拓扑关系的地图数据结构;
充分利用车辆机动性评估与预测得到的越野车辆通过性测试的大量经验数据,基于多要素体素格的三维可通行域地图开展数据驱动的全局路径规划算法研究。根据应用需求和越野车辆机动性要求,建立多状态约束的优化目标函数,对体素格化的复杂野外环境地图进行分层搜索,使用启发式搜索算法迭代查找可通行节点计算,结合深度神经网络等方法,探索出给予不同奖励的经验可通行路径结果,实现满足目标函数的最优路径点集合;于复杂野外环境下的多种应用需求,根据提供的导航单元机动性评估结果和导航性能态势评估结果进行快速、实时的全局路径规划搜索,提供路径选取的依据,为越野车辆机动路径提供依据。除了开展传统的路径规划算法研究之外,还将探索一种基于长短时记忆神经网络(Long Short Term Memory Network,LSTM)的神经网络路径规划方法。
该步骤S3具体包括:
步骤S3.1:建立基于体素模型空间拓扑关系,利用不同实例物体之间的空间连续性,将基于语义点云的空间信息进行增量式聚类,得到的每一个簇将认为是空间中的一个独立物体;同时,体素格对象将由全局体素格集合管理,按照物体实例进行组织;
步骤S3.2:聚类结束后得到总体的野外环境空间语义拓扑体素格地图,或转换为仅局部的物体实例,实现野外环境空间中覆盖物体大小、种类广泛的态势感知;
步骤S3.3:利用语义分割后的体素格实例信息间的内在关联,生成拓扑关系,进而生成越野环境的复杂地形地图数据结构。
步骤S4:根据地图数据结构,规划面向多种应用需求的全局路径,以及基于短距三维感知的局域动态路径。
充分利用车辆机动性评估与预测得到的越野车辆通过性测试的大量经验数据,基于多要素体素格的三维可通行域地图开展数据驱动的实时动态局部路径规划算法研究。面向快速运动越野车辆在动态环境中的导航需求,研究基于短距三维感知地图(NanoMap)的局域动态路径规划算法。建立基于三维体素的局部概率地图,实现越野车辆自身位姿估计不确定性与局部概率地图融合;使用越野车辆自身瞬时深度信息估计车辆的瞬时速度以及随时间变化的碰撞概率,建立具备快速迭代更新能力的路径规划与局部概率地图重构方法。基于复杂野外环境的天气、地质变化和战场突发事件等因素,触发路径规划服务进行实时动态响应,在复杂要素的地形地图文件中快速调整路径,搜索新的安全可通行路径,满足性能指标要求。
该步骤S4中规划面向多种应用需求的全局路径,采用LSTM来学习历史轨迹的连续特征;
路径规划网络第一层和第二层包括含有256个神经元的LSTM层,采用修正线性单元RELU作为网络的激活函数,第三层是由128个神经元组成的全连接层,最后的输出层采用全连接层;神经元个数与输出相等,网络输入为单元历史观测量,输出包括越野车辆的未来轨迹坐标和速度,由输入的应用需求对未来轨迹在内的相关合理性进行评估。
该步骤S4中规划基于短距三维感知的局域动态路径,包括:
步骤S4.1:待选局部路径库生成;随机生成N条局部路径形成待选局部路径库,对于路径库中的每条路径,采样M个点作为不确定的查询点,总共有N×M个状态需要进行评估;
步骤S4.2:路径点状态查询;对于局部路径库中的N×M个状态,每个状态都是一个查询点,将每个查询点处的机动车辆看作近似球体的高斯分布。通过查询算法迭代在历史传感器测量的坐标帧中对查询点进行查询,直到找到一个包含查询点的视图;
步骤S4.3:车辆碰撞概率计算;根据查询算法所得的视图下的点云数据,对车辆是否碰撞进行计算。如果点云数据障碍物的k个最近邻在查询点的高斯分布内,则碰撞概率为1;如果障碍物的k个最近邻不在查询点的高斯分布内,则对查询点机动车辆位置取平均值,用查询点高斯概率乘以机动车辆高斯分布的球体体积,计算得到碰撞概率的近似值;
步骤S4.4:局部路径评分选择;对于一条局部路径,路径上的M个查询点都要进行碰撞概率计算,计算所得概率相加就是这条局部路径的评分。对于路径库中N条路径,每条路径计算评分,选择评分最高的局部路径作为输出。
本发明还提供一种基于车辆机动性评估的复杂越野环境导航系统,所述基于车辆机动性评估的复杂越野环境导航系统可以通过执行所述基于车辆机动性评估的复杂越野环境导航方法的流程步骤予以实现,即本领域技术人员可以将所述基于车辆机动性评估的复杂越野环境导航方法理解为所述基于车辆机动性评估的复杂越野环境导航系统的优选实施方式。
模块M1:对复杂越野环境车辆机动性进行评估与预测;
针对野外环境复杂性、越野车辆多样性和性能评估单一性造成的复杂野外环境区域越野车辆通过性和机动性难以量化评估的问题,开展影响越野车辆通行的障碍物智能识别及陆战场地面力学特性的关键因素(岩土的类型、湿度等)的研究,反演解译陆战场地面力学特征,进一步,建立地面力学与车辆的耦合模型,并通过地面综合表征分析、车辆-地面力学建模及参数识别等技术研究,建立典型地面综合表征、车辆通过性评估、机动速度预测等机动分析模型,研究基于多元分析的通过性评估和结合车辆性能参数和动力学模型的机动性预测等关键算法,以满足履带、轮式车辆在越野环境下通过性和机动性评估与预测的需求,从而克服地形的多样性、扩展车辆的适应性、提高机动性评估广度。此外,还需研制越野环境机动性评估与预测算法服务,该服务主要提供对驶入区域的可通行性评估、不可通行原因分析、机动速度预测、车辙深度估计、油耗计算等算法,供给其他模块使用;同时构建越野环境机动性评估可视化语义地图,以生成某一时间区域内可驶入/不可驶入(Go/NoGo)机动性评估可视化产品。
该模块M1具体包括:
模块M1.1:基于Bekker理论以及压强-沉陷量表征模型,建立车辆-地面力学模型;
模块M1.2:根据车辆-地面力学模型,对地面进行参数化表征,综合路面信息、地形信息、地貌信息和气候信息,基于主客观结合的方法对各类信息进行特征提取及选择,获得与车辆通过性相关性较高的特征种类;
模块M1.3:根据特征种类,构建涵盖几何和地质特性的地面综合表征参数模型,获得车辆的区域通过性评估结果。
模块M2:对复杂环境泛在导航性能进行评估与预测;
针对机动车辆在环境多变的复杂越野环境中难以获得可用、可信的导航信息以及其泛在导航能力受限的问题,重点开展导航干扰态势感知与反演、多形态泛在导航装备建模、泛在导航可用性评估预测、导航性能预测评估数据服务等关键技术研究,建立在越野环境中的车辆导航性能评估和预测模型,以满足车辆在机动越野中准确获取自身的PVT(位置、速度、时间)信息,确定位于复杂环境中的空间位置的需求,避免定位失效造成无法确定行进方向或精度不足导致关键区域机动错误的问题。此外,还需研制复杂环境泛在导航性能预测评估插件,该插件可基于越野环境地理气象信息、信号监测网信息等对导航干扰态势进行分析预测,对多形态机动导航装备特征进行建模,并对拟定区域及路线上的导航性能作出评估预测。
该模块M2具体包括:
模块M2.1:设置待评估区域范围,从地理数据库中调用相应的GIS数据,作为导航信号视距分析及导航对抗态势分析的环境信息输入;
模块M2.2:将不同类型机动平台的导航装备特征信息汇总为机动车辆导航系统装备模型库,根据待评估平台调取相应的导航装备模型;
模块M2.3:通过引入的导航信号监测网数据,结合待评估区域GIS信息形成区域导航干扰态势反演预测结果;
模块M2.4:根据区域导航干扰态势及导航装备模型,获得待评估区域或待评估路径上的导航性能预测评估结果,同时作为对路径规划插件的反馈或输入。
模块M3:根据前述步骤得到的结果,构建基于体素模型空间拓扑关系的地图数据结构;
充分利用车辆机动性评估与预测得到的越野车辆通过性测试的大量经验数据,基于多要素体素格的三维可通行域地图开展数据驱动的全局路径规划算法研究。根据应用需求和越野车辆机动性要求,建立多状态约束的优化目标函数,对体素格化的复杂野外环境地图进行分层搜索,使用启发式搜索算法迭代查找可通行节点计算,结合深度神经网络等方法,探索出给予不同奖励的经验可通行路径结果,实现满足目标函数的最优路径点集合;于复杂野外环境下的多种应用需求,根据提供的导航单元机动性评估结果和导航性能态势评估结果进行快速、实时的全局路径规划搜索,提供路径选取的依据,为越野车辆机动路径提供依据。除了开展传统的路径规划算法研究之外,还将探索一种基于长短时记忆神经网络(Long Short Term Memory Network,LSTM)的神经网络路径规划方法。
该模块M3具体包括:
模块M3.1:建立基于体素模型空间拓扑关系,利用不同实例物体之间的空间连续性,将基于语义点云的空间信息进行增量式聚类,得到的每一个簇将认为是空间中的一个独立物体;同时,体素格对象将由全局体素格集合管理,按照物体实例进行组织;
模块M3.2:聚类结束后得到总体的野外环境空间语义拓扑体素格地图,或转换为仅局部的物体实例,实现野外环境空间中覆盖物体大小、种类广泛的态势感知;
模块M3.3:利用语义分割后的体素格实例信息间的内在关联,生成拓扑关系,进而生成越野环境的复杂地形地图数据结构。
模块M4:根据地图数据结构,规划面向多种应用需求的全局路径,以及基于短距三维感知的局域动态路径。
充分利用车辆机动性评估与预测得到的越野车辆通过性测试的大量经验数据,基于多要素体素格的三维可通行域地图开展数据驱动的实时动态局部路径规划算法研究。面向快速运动越野车辆在动态环境中的导航需求,研究基于短距三维感知地图(NanoMap)的局域动态路径规划算法。建立基于三维体素的局部概率地图,实现越野车辆自身位姿估计不确定性与局部概率地图融合;使用越野车辆自身瞬时深度信息估计车辆的瞬时速度以及随时间变化的碰撞概率,建立具备快速迭代更新能力的路径规划与局部概率地图重构方法。基于复杂野外环境的天气、地质变化和战场突发事件等因素,触发路径规划服务进行实时动态响应,在复杂要素的地形地图文件中快速调整路径,搜索新的安全可通行路径,满足性能指标要求。
该模块M4中规划面向多种应用需求的全局路径,采用LSTM来学习历史轨迹的连续特征;
路径规划网络第一层和第二层包括含有256个神经元的LSTM层,采用修正线性单元RELU作为网络的激活函数,第三层是由128个神经元组成的全连接层,最后的输出层采用全连接层;神经元个数与输出相等,网络输入为单元历史观测量,输出包括越野车辆的未来轨迹坐标和速度,由输入的应用需求对未来轨迹在内的相关合理性进行评估。
该模块M4中规划基于短距三维感知的局域动态路径,包括:
模块M4.1:待选局部路径库生成;随机生成N条局部路径形成待选局部路径库,对于路径库中的每条路径,采样M个点作为不确定的查询点,总共有N×M个状态需要进行评估;
模块M4.2:路径点状态查询;对于局部路径库中的N×M个状态,每个状态都是一个查询点,将每个查询点处的机动车辆看作近似球体的高斯分布。通过查询算法迭代在历史传感器测量的坐标帧中对查询点进行查询,直到找到一个包含查询点的视图;
模块M4.3:车辆碰撞概率计算;根据查询算法所得的视图下的点云数据,对车辆是否碰撞进行计算。如果点云数据障碍物的k个最近邻在查询点的高斯分布内,则碰撞概率为1;如果障碍物的k个最近邻不在查询点的高斯分布内,则对查询点机动车辆位置取平均值,用查询点高斯概率乘以机动车辆高斯分布的球体体积,计算得到碰撞概率的近似值;
模块M4.4:局部路径评分选择;对于一条局部路径,路径上的M个查询点都要进行碰撞概率计算,计算所得概率相加就是这条局部路径的评分。对于路径库中N条路径,每条路径计算评分,选择评分最高的局部路径作为输出。
接下来,对本发明进行更为具体的说明。
本发明提供的一种基于车辆机动性评估的复杂越野环境导航方法,参照图1所示,具体内容如下:
步骤1:复杂越野环境车辆机动性评估与预测;
车辆机动性评估与预测整体流程如图1所示,首先基于Bekker理论以及压强-沉陷量表征模型,建立车辆-地面力学模型,研究履带/轮式与不同类型地面的交互机理,有效地反映其相互作用关系,得到对应车辆和地面的力学参数种类,为通过性评估和机动性速度预测提供基础。
有了车辆-地面力学模型,可以对地面进行参数化表征,综合路面信息、地形信息、地貌信息和气候信息,基于主客观结合的方法对各类信息进行特征提取及选择,获得与车辆通过性相关性较高的特征种类,由此构建涵盖几何和地质特性的地面综合表征参数模型,最终得到车辆的区域通过性评估(GO/NOGO)结果。
在通过性评估的基础上,针对不同的车辆和地面种类,基于车辆动力传动特性和车辆-地面耦合动力学模型,开展基于动力流模型的机动速度预测方法研究,针对车辆运行安全性,结合车辆试验数据、地面综合表征模型和车辆机动速度,开展基于深度学习的行驶稳定性分类研究。对快速机动区域的判断研究,则需结合车辆稳定性和速度性,综合二者开展可快速机动规则研究,形成可快速机动区域评估模型,由此实现可快速机动区域判定。
步骤2:复杂环境泛在导航性能预测评估;
复杂环境泛在导航性能预测的概要流程如图2图3所示,运行中由其它插件调用唤起并设置待评估区域范围,从地理数据库中调用相应的GIS数据,作为导航信号视距分析及导航对抗态势分析的环境信息输入;将不同类型机动平台的导航装备特征信息汇总为机动车辆导航系统装备模型库,根据待评估平台调取相应的导航装备模型;通过引入的导航信号监测网数据,结合待评估区域GIS信息形成区域导航干扰态势反演预测结果;进而根据干扰态势及导航装备模型,获得待评估区域或待评估路径上的导航性能预测评估结果,作为对路径规划插件的反馈或输入;同时形成评估预测结果数据集,并根据使用需要以复杂环境泛在导航性能插件自身展示的方式将电磁态势、评估结果等进行可视呈现,支持多形态导航干扰态势与性能信息服务。
其基本流程描述为:
(1)机动车辆依据机动安排实施越野机动导航,根据即时位置和形成导航路径规划需求,形成需要机动性能评估预测的区域和时间段,输出给物理机动能力和泛在导航性能评估预测分系统;
(2)分系统根据机动车辆导航装备特征,建立相应的卫星导航接收处理、多阵元抗干扰、自主传感器导航、多源组合导航、协同导航模型,支持在动态即时设置接收信号质量、车辆动态特征等数据参数下,输出即时的导航性能;
(3)分系统基于路径规划输入评估预测的区域、时间段和分辨力参数,从监测网、数据库读取越野区域导航信号监测参数、地形地貌和气象等战场环境参数,对导航干扰样式、信号功率等参数进行辨识、反演,并对拟定区域和时间内导航干扰参数的空间分布进行预测计算;
(4)分系统基于导航系统模型、导航干扰态势和数据库信息,对越野环境导航系统的信号链路遮蔽、衰减、干扰情况进行评估预测,进而对导航性能,包括导航可用性和精度可信性进行评估和预测;
(5)分系统将获得的越野环境导航干扰分布态势、泛在导航性能评估预测结果以及其他潜在数据反馈给用户和路径规划,用以确定当前位置、进行局域或更精细分辨率的路径规划过程。
步骤3:构建基于体素模型空间拓扑关系的地图数据结构;
为了更加高效地存储和检索可通行域地图,需要建立基于体素模型空间拓扑关系。利用不同实例物体之间的空间连续性,将基于语义点云的空间信息进行增量式聚类,得到的每一个簇将被认为是空间中的一个独立物体,同时为了避免每个类别独立存储体素格信息的情况下析构体素格对象和重新构造体素格浪费时间,体素格对象将由全局体素格集合管理,按照物体实例进行组织,用于后续路径规划中预测车辆不可通行区域。聚类结束后得到总体的野外环境空间语义拓扑体素格地图(如图4所示),精确表示草地、大型建筑物、废墟、森林等难以使用实例信息表征的物体,也可转换为仅局部的物体实例,实现野外环境空间中覆盖物体大小、种类广泛的态势感知。
为了有效组织越野环境中体素模型各标签要素的空间关系,利用语义分割后的体素格实例信息间的内在关联,生成其拓扑关系。体素模型主要是通过立方体之间的邻接关系来反应空间对象间的拓扑关系。体素与体素之间存在着三种共用关系——共用面、共用边和共用点,将这三种情况分别称之为面相邻、边相邻和点相邻。每个体素都有26个相邻的体素,即6个面相邻、12个边和8个面。邻接关系描述了两个相邻体素之间的拓扑关系,对于多个连续体素间的拓扑关系则应用路径和连通关系来描述,如图5体素格拓扑关系图所示,进而生成越野环境的复杂地形地图数据结构。
步骤4:面向多种应用需求的全局路径规划;
为了精准预测不同车辆最优的运动轨迹,采用LSTM来学习历史轨迹的连续特征。LSTM由存储过去输入序列信息的单元内存、控制输入、输出和单元内存之间的信息流的门控机制组成,其时间复杂度为O(n2)。LSTM的网络核心设计中三个门:输入门、遗忘门、输出门。LSTM交互层如图6所示。
路径规划网络第一层和第二层由含有256个神经元的LSTM层组成,采用修正线性单元(RELU)作为网络的激活函数,第三层是由128个神经元组成的全连接层,最后的输出层采用全连接层。神经元个数与输出相等。网络输入为单元历史观测量,输出包括越野车辆的未来轨迹坐标和速度,由输入的应用需求对未来轨迹等合理性进行评估。由于场景的先验知识是通过预测参考基线来表示,所以网络仅需要通过历史轨迹与预测参考基线的相对关系来学习车辆越野机动场景的后验知识,网络模型整体如图7所示。
与现有的路径规划框架模型相比,本发明基于丰富的先验知识,且本发明的拓扑式数据结构可以使系统快速读取写入数据,选择适当的时间序列长度,降低了神经网络训练的难度,大幅降低了平台对计算性能的要求,确保单次路径规划任务耗时小于5分钟,提升算法实时性。
步骤5:基于短距三维感知的局域动态路径规划;
NanoMap是一个由局部三维数据结构和搜索该数据结构的算法组成的框架。该算法的工作原理是通过传感器测量视图进行反向搜索,直到找到一个满意的空间子集的视图,然后从该视图的传感器测量结果中返回k-近邻关系(k-nearest-neighbors),如图8示。该框架的重要组成部分包括:帧内视图的确定(IsInFOV()函数)、不确定性的传播以及处理异步数据有效性的数据结构设计。主要流程如图9所示,流程图中的各项模块结束如下:
(1)轨迹生成算法。随机生成N条轨迹形成轨迹库。对生成的轨迹库中的轨迹,每条轨迹采样M个点作为不确定的查询点,一共有N×M个状态需要被评估。每个状态处的机动车辆查询点看作是近似球体的高斯分布。
(2)查询算法。查询算法迭代地将不确定的查询点转化为前序传感器测量的坐标帧,直到找到一个包含查询的视图。一个不确定的查询点是沿着随机运动计划的采样点,并以主体框架提供,
式中,表示主体框架下的查询点;query表示查询;/>表示高斯分布;/>表示主体框架;R表示实数域;μ表示均值;Σ表示方差;
原始体框架中的查询点和每个相对变换都有高斯平移不确定性的模型。在与给定的传感器测量相关的每个框架中,查询点/>具有该框架特有的不确定性。NanoMap与常规方法不同,它返回转化为不同框架的不确定查询点本身。虽然NanoMap的实现只针对R3中的查询点,但在后续的查询返回点可能会因碰撞几何的球面近似而膨胀。/>
(3)计算不可通行区域碰撞概率。如果查询算法返回的所有最近邻在查询点的分布内,则碰撞概率为1。如果存在最近邻不在查询点的分布内,则可以得到每个状态评估的机动装备位置平均值。通过点高斯概率密度乘以机动装备球体的体积,得到某个空间返回点和机动装备都发生碰撞概率的近似值,轨迹碰撞概率为1减去所有查询点无碰撞概率乘积。然后进行评分计算,计算方式为:轨迹无碰撞概率*导航函数+轨迹碰撞概率*成本,本发明中导航函数用欧几里得指标进行计算,欧几里得指标为路径起止点距离的二范数加上当前点与目标点距离的二范数,成本是与导航速度成正比的数值,最后选择评分最高的轨迹。
(4)异步数据的数据结构。数据结构与查询算法的形式相匹配,并且考虑到了异步数据和连续添加和删除数据的要求,具有良好的性能。核心数据结构是一条边-顶点对(Edge-Vertex Pairs)的链表,其中边是转换顶点包含原始点云数据和先前处理的k-d-树(k-d-tree)。原始点云和要素拓扑关系数据(行-列-组织)用于评估IsInFOV()函数,而如果IsInFOV()=真,k-d树则用于评估k-近邻关系。
下面定义数据结构设计的假设与应用场景。本服务假设快速插入一个新的边-顶点对的同时,快速删除最旧的边-顶点对。由于在数据结构中的搜索也总是以线性方式进行,一个双链的边缘-顶点对列表符合这些要求,有效地支持在末端添加/移除操作的复杂度为O(1)和每一步IsInFOV()的复杂度也为O(1)。NanoMap能够有效地处理异步更新的最新状态信息,在收到一系列更新的世界帧状态后,NanoMap只有在能够完全插值两个顶点的更新的世界帧状态时,才会更新一个变换边这可以通过在边-顶点链中用时间序列的姿势更新列表进行搜索来有效完成,从而实现在复杂地形环境下,机动车辆基于实时感知结果完成自主避开障碍物区域,进行局域动态路径规划。
本发明实施例提供了一种基于车辆机动性评估的复杂越野环境导航方法及系统,解决了以下问题:
1)本发明解决了现有技术中导航与机动性评估要素单一的问题。综合考虑越野环境内地形、地质、土壤土质、植被、气象信息、道路和桥梁的承重能力、隧道、车辆本身转弯半径、高度、宽度、重量和动力学等条件和因素。
2)本发明解决了现有技术中导航定位能力对越野环境导航的影响问题。以越野环境中地理、气象、电磁等环境数据和越野机动路径规划区域为基础,对路径规划区域下机动车辆加装的卫星及组合导航系统可用性和定位精度的可信性进行评估预测,通过仿真建模预测、评估路径规划区域导航信号干扰态势和定位性能,为越野环境机动性评估与预测和智能路径规划提供导航信息支撑。
3)本发明解决了现有技术中实时态势信息考虑不足的问题。从越野环境导航的实际需求出发,在路径规划和导航过程中综合考虑天气、气象、突发事件等实时态势信息对越野机动的影响。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于车辆机动性评估的复杂越野环境导航方法,其特征在于,包括:
步骤S1:对复杂越野环境车辆机动性进行评估与预测;
步骤S2:对复杂环境泛在导航性能进行评估与预测;
步骤S3:根据前述步骤得到的结果,构建基于体素模型空间拓扑关系的地图数据结构;
步骤S4:根据地图数据结构,规划面向多种应用需求的全局路径,以及基于短距三维感知的局域动态路径。
2.根据权利要求1所述的基于车辆机动性评估的复杂越野环境导航方法,其特征在于,所述步骤S1包括:
步骤S1.1:基于Bekker理论以及压强-沉陷量表征模型,建立车辆-地面力学模型;
步骤S1.2:根据所述车辆-地面力学模型,对地面进行参数化表征,综合路面信息、地形信息、地貌信息和气候信息,基于主客观结合的方法对各类信息进行特征提取及选择,获得与车辆通过性相关性较高的特征种类;
步骤S1.3:根据特征种类,构建涵盖几何和地质特性的地面综合表征参数模型,获得车辆的区域通过性评估结果。
3.根据权利要求1所述的基于车辆机动性评估的复杂越野环境导航方法,其特征在于,所述步骤S2包括:
步骤S2.1:设置待评估区域范围,从地理数据库中调用相应的GIS数据,作为导航信号视距分析及导航对抗态势分析的环境信息输入;
步骤S2.2:将不同类型机动平台的导航装备特征信息汇总为机动车辆导航系统装备模型库,根据待评估平台调取相应的导航装备模型;
步骤S2.3:通过引入的导航信号监测网数据,结合待评估区域GIS信息形成区域导航干扰态势反演预测结果;
步骤S2.4:根据区域导航干扰态势及导航装备模型,获得待评估区域或待评估路径上的导航性能预测评估结果,同时作为对路径规划插件的反馈或输入。
4.根据权利要求1所述的基于车辆机动性评估的复杂越野环境导航方法,其特征在于,所述步骤S3包括:
步骤S3.1:建立基于体素模型空间拓扑关系,利用不同实例物体之间的空间连续性,将基于语义点云的空间信息进行增量式聚类,得到的每一个簇将认为是空间中的一个独立物体;同时,体素格对象将由全局体素格集合管理,按照物体实例进行组织;
步骤S3.2:聚类结束后得到总体的野外环境空间语义拓扑体素格地图,或转换为仅局部的物体实例,实现野外环境空间中覆盖物体大小、种类广泛的态势感知;
步骤S3.3:利用语义分割后的体素格实例信息间的内在关联,生成拓扑关系,进而生成越野环境的复杂地形地图数据结构。
5.根据权利要求1所述的基于车辆机动性评估的复杂越野环境导航方法,其特征在于,所述步骤S4中规划面向多种应用需求的全局路径,采用LSTM来学习历史轨迹的连续特征;
路径规划网络第一层和第二层包括含有256个神经元的LSTM层,采用修正线性单元RELU作为网络的激活函数,第三层是由128个神经元组成的全连接层,最后的输出层采用全连接层;神经元个数与输出相等,网络输入为单元历史观测量,输出包括越野车辆的未来轨迹坐标和速度,由输入的应用需求对未来轨迹在内的相关合理性进行评估。
6.根据权利要求1所述的基于车辆机动性评估的复杂越野环境导航方法,其特征在于,所述步骤S4中规划基于短距三维感知的局域动态路径,包括:
步骤S4.1:待选局部路径库生成;随机生成N条局部路径形成待选局部路径库,对于路径库中的每条路径,采样M个点作为不确定的查询点,总共有N×M个状态需要进行评估;
步骤S4.2:路径点状态查询;对于局部路径库中的N×M个状态,每个状态都是一个查询点,将每个查询点处的机动车辆看作近似球体的高斯分布;通过查询算法迭代在历史传感器测量的坐标帧中对查询点进行查询,直到找到一个包含查询点的视图;
步骤S4.3:车辆碰撞概率计算;根据查询算法所得的视图下的点云数据,对车辆是否碰撞进行计算,如果点云数据障碍物的k个最近邻在查询点的高斯分布内,则碰撞概率为1;如果障碍物的k个最近邻不在查询点的高斯分布内,则对查询点机动车辆位置取平均值,用查询点高斯概率乘以机动车辆高斯分布的球体体积,计算得到碰撞概率的近似值;
步骤S4.4:局部路径评分选择;对于一条局部路径,路径上的M个查询点都要进行碰撞概率计算,计算所得概率相加就是这条局部路径的评分,对于路径库中N条路径,每条路径计算评分,选择评分最高的局部路径作为输出。
7.一种基于车辆机动性评估的复杂越野环境导航系统,其特征在于,包括:
模块M1:对复杂越野环境车辆机动性进行评估与预测;
模块M2:对复杂环境泛在导航性能进行评估与预测;
模块M3:根据前述步骤得到的结果,构建基于体素模型空间拓扑关系的地图数据结构;
模块M4:根据地图数据结构,规划面向多种应用需求的全局路径,以及基于短距三维感知的局域动态路径。
8.根据权利要求7所述的基于车辆机动性评估的复杂越野环境导航系统,其特征在于,所述模块M1包括:
模块M1.1:基于Bekker理论以及压强-沉陷量表征模型,建立车辆-地面力学模型;
模块M1.2:根据所述车辆-地面力学模型,对地面进行参数化表征,综合路面信息、地形信息、地貌信息和气候信息,基于主客观结合的方法对各类信息进行特征提取及选择,获得与车辆通过性相关性较高的特征种类;
模块M1.3:根据特征种类,构建涵盖几何和地质特性的地面综合表征参数模型,获得车辆的区域通过性评估结果;
模块M2包括:
模块M2.1:设置待评估区域范围,从地理数据库中调用相应的GIS数据,作为导航信号视距分析及导航对抗态势分析的环境信息输入;
模块M2.2:将不同类型机动平台的导航装备特征信息汇总为机动车辆导航系统装备模型库,根据待评估平台调取相应的导航装备模型;
模块M2.3:通过引入的导航信号监测网数据,结合待评估区域GIS信息形成区域导航干扰态势反演预测结果;
模块M2.4:根据区域导航干扰态势及导航装备模型,获得待评估区域或待评估路径上的导航性能预测评估结果,同时作为对路径规划插件的反馈或输入;
所述模块M3包括:
模块M3.1:建立基于体素模型空间拓扑关系,利用不同实例物体之间的空间连续性,将基于语义点云的空间信息进行增量式聚类,得到的每一个簇将认为是空间中的一个独立物体;同时,体素格对象将由全局体素格集合管理,按照物体实例进行组织;
模块M3.2:聚类结束后得到总体的野外环境空间语义拓扑体素格地图,或转换为仅局部的物体实例,实现野外环境空间中覆盖物体大小、种类广泛的态势感知;
模块M3.3:利用语义分割后的体素格实例信息间的内在关联,生成拓扑关系,进而生成越野环境的复杂地形地图数据结构;
所述模块M4中规划面向多种应用需求的全局路径,采用LSTM来学习历史轨迹的连续特征;
路径规划网络第一层和第二层包括含有256个神经元的LSTM层,采用修正线性单元RELU作为网络的激活函数,第三层是由128个神经元组成的全连接层,最后的输出层采用全连接层;神经元个数与输出相等,网络输入为单元历史观测量,输出包括越野车辆的未来轨迹坐标和速度,由输入的应用需求对未来轨迹在内的相关合理性进行评估;
所述模块M4中规划基于短距三维感知的局域动态路径,包括:
模块M4.1:待选局部路径库生成;随机生成N条局部路径形成待选局部路径库,对于路径库中的每条路径,采样M个点作为不确定的查询点,总共有N×M个状态需要进行评估;
模块M4.2:路径点状态查询;对于局部路径库中的N×M个状态,每个状态都是一个查询点,将每个查询点处的机动车辆看作近似球体的高斯分布;通过查询算法迭代在历史传感器测量的坐标帧中对查询点进行查询,直到找到一个包含查询点的视图;
模块M4.3:车辆碰撞概率计算;根据查询算法所得的视图下的点云数据,对车辆是否碰撞进行计算,如果点云数据障碍物的k个最近邻在查询点的高斯分布内,则碰撞概率为1;如果障碍物的k个最近邻不在查询点的高斯分布内,则对查询点机动车辆位置取平均值,用查询点高斯概率乘以机动车辆高斯分布的球体体积,计算得到碰撞概率的近似值;
模块M4.4:局部路径评分选择;对于一条局部路径,路径上的M个查询点都要进行碰撞概率计算,计算所得概率相加就是这条局部路径的评分,对于路径库中N条路径,每条路径计算评分,选择评分最高的局部路径作为输出。
9.一种存储有计算机程序的计算机可读存储介质,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的基于车辆机动性评估的复杂越野环境导航方法的步骤。
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的基于车辆机动性评估的复杂越野环境导航方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310476606.1A CN116972865A (zh) | 2023-04-27 | 2023-04-27 | 基于车辆机动性评估的复杂越野环境导航方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310476606.1A CN116972865A (zh) | 2023-04-27 | 2023-04-27 | 基于车辆机动性评估的复杂越野环境导航方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116972865A true CN116972865A (zh) | 2023-10-31 |
Family
ID=88473792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310476606.1A Pending CN116972865A (zh) | 2023-04-27 | 2023-04-27 | 基于车辆机动性评估的复杂越野环境导航方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116972865A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117406754A (zh) * | 2023-12-01 | 2024-01-16 | 湖北迈睿达供应链股份有限公司 | 一种物流机器人环境感知与避障方法及系统 |
CN117571012A (zh) * | 2024-01-15 | 2024-02-20 | 北京理工大学 | 一种越野环境无人车辆全局路径规划方法、系统及设备 |
CN117649584A (zh) * | 2024-01-30 | 2024-03-05 | 中国地质大学(武汉) | 一种越野机动能力评价方法、系统、存储介质、设备 |
-
2023
- 2023-04-27 CN CN202310476606.1A patent/CN116972865A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117406754A (zh) * | 2023-12-01 | 2024-01-16 | 湖北迈睿达供应链股份有限公司 | 一种物流机器人环境感知与避障方法及系统 |
CN117406754B (zh) * | 2023-12-01 | 2024-02-20 | 湖北迈睿达供应链股份有限公司 | 一种物流机器人环境感知与避障方法及系统 |
CN117571012A (zh) * | 2024-01-15 | 2024-02-20 | 北京理工大学 | 一种越野环境无人车辆全局路径规划方法、系统及设备 |
CN117571012B (zh) * | 2024-01-15 | 2024-03-15 | 北京理工大学 | 一种越野环境无人车辆全局路径规划方法、系统及设备 |
CN117649584A (zh) * | 2024-01-30 | 2024-03-05 | 中国地质大学(武汉) | 一种越野机动能力评价方法、系统、存储介质、设备 |
CN117649584B (zh) * | 2024-01-30 | 2024-05-10 | 中国地质大学(武汉) | 一种越野机动能力评价方法、系统、存储介质、设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108983781B (zh) | 一种无人车目标搜索系统中的环境探测方法 | |
CN116972865A (zh) | 基于车辆机动性评估的复杂越野环境导航方法及系统 | |
Chen et al. | Driving maneuvers prediction based autonomous driving control by deep Monte Carlo tree search | |
Zhou et al. | Automatic construction of lane-level hd maps for urban scenes | |
WO2012086029A1 (ja) | 自律移動システム | |
Yeap et al. | On early cognitive mapping | |
Yguel et al. | Update policy of dense maps: Efficient algorithms and sparse representation | |
Hofmann et al. | Usage of fuzzy spatial theory for modelling of terrain passability | |
Hashimoto et al. | An agent-based model of lost person dynamics for enabling wilderness search and rescue | |
Bai et al. | A sensor fusion framework using multiple particle filters for video-based navigation | |
Charroud et al. | Fast and accurate localization and mapping method for self-driving vehicles based on a modified clustering particle filter | |
Hara et al. | Moving object removal and surface mesh mapping for path planning on 3D terrain | |
Moorehead | Autonomous surface exploration for mobile robots | |
Ugur et al. | Fast and efficient terrain-aware motion planning for exploration rovers | |
Caley et al. | Data-driven comparison of spatio-temporal monitoring techniques | |
Yin et al. | Synchronous adversarial feature learning for lidar based loop closure detection | |
CN114419877B (zh) | 基于道路特征的车辆轨迹预测数据处理方法和装置 | |
Zhu et al. | Cloud‐based Real‐time Outsourcing Localization for a Ground Mobile Robot in Large‐scale Outdoor Environments | |
Peng et al. | Design of constrained dynamic path planning algorithms in large-scale 3D point cloud maps for UAVs | |
Chipka et al. | Estimation and navigation methods with limited information for autonomous urban driving | |
Williams et al. | Terrain reconstruction of glacial surfaces: Robotic surveying techniques | |
Mao et al. | An adaptive localization system for image storage and localization latency requirements | |
Yang et al. | An optimization-based selection approach of landing sites for swarm unmanned aerial vehicles in unknown environments | |
Kim et al. | Cloud Update of Geodetic Normal Distribution Map Based on Crowd‐Sourcing Detection against Road Environment Changes | |
Zhu et al. | Terrain‐inclination‐based Three‐dimensional Localization for Mobile Robots in Outdoor Environments |
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 |