CN117129001B - 基于人工智能的自动驾驶路径规划方法及系统 - Google Patents

基于人工智能的自动驾驶路径规划方法及系统 Download PDF

Info

Publication number
CN117129001B
CN117129001B CN202311380949.4A CN202311380949A CN117129001B CN 117129001 B CN117129001 B CN 117129001B CN 202311380949 A CN202311380949 A CN 202311380949A CN 117129001 B CN117129001 B CN 117129001B
Authority
CN
China
Prior art keywords
point cloud
cloud data
data
point
node
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
Application number
CN202311380949.4A
Other languages
English (en)
Other versions
CN117129001A (zh
Inventor
陶伟
潘嗣南
翁雷
磨键琨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bochuang Linkage Technology Co ltd
Original Assignee
Bochuang Linkage Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bochuang Linkage Technology Co ltd filed Critical Bochuang Linkage Technology Co ltd
Priority to CN202311380949.4A priority Critical patent/CN117129001B/zh
Publication of CN117129001A publication Critical patent/CN117129001A/zh
Application granted granted Critical
Publication of CN117129001B publication Critical patent/CN117129001B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了基于人工智能的自动驾驶路径规划方法及系统，方法包括数据采集、道路提取、人工势场生成、路径规划和车辆驾驶方案生成。本发明属于路径规划技术领域，具体是指基于人工智能的自动驾驶路径规划方法及系统，本方案采用基于欧几里得聚类的道路提取方法，有效地从复杂交通环境中提取道路信息，为路径规划提供了准确的道路数据；采用基于路面点云的人工势场生成方法，灵活应对多种交通参与者和复杂路况，通过调整势场权重，提高驾驶安全性；采用启发式搜索算法进行路径规划，提高了路径规划的效率，增加了路径规划的可靠性。

Description

基于人工智能的自动驾驶路径规划方法及系统
技术领域
本发明属于路径规划技术领域，具体是指基于人工智能的自动驾驶路径规划方法及系统。
背景技术
自动驾驶路径规划是自动驾驶的一项重要技术，它旨在选择最佳行驶路线、优化车速和减少路程中的不必要停顿，从而提高驾驶效率、减少交通拥堵、降低事故风险和增强行驶舒适性。
但在现有的自动驾驶路径规划过程中，存在由于车辆、行人、电动车等因素变化，导致交通环境复杂，缺少一种高效感知交通环境的方法的技术问题；存在由于交通参与者较多，路况条件复杂，导致驾驶安全风险高的技术问题；存在道路状况和交通流量动态变化，缺乏一种高效规划路径的方法的技术问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了基于人工智能的自动驾驶路径规划方法及系统，针对在自动驾驶路径规划过程中，存在由于车辆、行人、电动车等因素变化，导致交通环境复杂，缺少一种高效感知交通环境的方法的技术问题，本方案采用基于欧几里得聚类的道路提取方法，有效地从复杂交通环境中提取道路信息，为路径规划提供了准确的道路数据；针对在自动驾驶路径规划过程中，存在由于交通参与者较多，路况条件复杂，导致驾驶安全风险高的技术问题，本方案采用基于路面点云的人工势场生成方法，灵活应对多种交通参与者和复杂路况，通过调整势场权重，提高驾驶安全性；针对自动驾驶路径规划过程中，存在道路状况和交通流量动态变化，缺乏一种高效规划路径的方法的技术问题，本方案采用启发式搜索算法进行路径规划，提高了路径规划的效率，增加了路径规划的可靠性。
本发明采取的技术方案如下：本发明提供的基于人工智能的自动驾驶路径规划方法，该方法包括以下步骤：
步骤S1：数据采集，具体为通过数据采集设备，获取车辆环境数据；
步骤S2：道路提取，具体为从车辆环境数据中获取点云数据，对点云数据进行数据校正，计算得到点云校正数据Pic1，通过欧几里得聚类算法，进行道路提取，计算得到路面点云数据Pic2和障碍物点云数据Oli；
步骤S3：人工势场生成，具体为依据路面点云数据Pic2，计算目标点云数据点lic引力势能，依据障碍物点云数据点bli，计算障碍物点云数据点bli斥力势能，通过势能叠加，计算得到目标点合力势能；
步骤S4：路径规划，具体为依据目标点合力势能，优化启发式函数，计算得到启发式优化函数，依据启发式优化函数，优化总代价函数，计算得到总代价优化函数，采用启发式搜索算法，通过总代价优化函数进行路径规划，计算得到最优路径；
步骤S5：车辆驾驶方案生成。
作为本方案的进一步改进，在步骤S1中，所述数据采集设备包括摄像头、激光雷达和全球导航卫星系统，所述车辆环境数据包括图像数据、点云数据、雷达数据、地图数据和车辆定位数据。
作为本方案的进一步改进，在步骤S2中，所述道路提取，具体指基于欧几里得聚类的道路提取，包括以下步骤：
步骤S21：通过数据采集设备时间戳，将雷达数据和车辆定位数据进行匹配，计算得到融合数据Fda，从融合数据Fda中获取驾驶车辆位置，初始化驾驶车辆坐标cs；
步骤S22：对点云数据进行数据校正，包括以下步骤：
步骤S221：获取雷达在采集数据期间的姿态信息，所述姿态信息包括偏航角a，俯仰角b，横滚角c；
步骤S222：依据姿态信息，构建三维旋转矩阵Ot，计算公式为：
；
式中，Ot是三维旋转矩阵，Otz（a）是绕Z轴旋转偏航角a的旋转矩阵，Oty（b）是绕y轴旋转俯仰角b的旋转矩阵，Otx（c）是绕x轴旋转横滚角c的旋转矩阵；
步骤S223：获取点云数据点，计算公式为：
；
式中，Pic是点云数据，pic1是第1个点云数据点，u是点云数据点数量；
步骤S224：构建平移向量Mt，依据三维旋转矩阵Ot和平移向量Mt，定义数据校正函数，计算公式为：
；
式中，f（pici）是数据校正函数，i是点云数据点索引，pici是第i个点云数据点，Mt是平移向量；
步骤S225：通过数据校正函数，对每个点云数据点进行数据校正，计算得到点云校正数据Pic1；
步骤S23：依据点云校正数据Pic1，进行道路提取，包括以下步骤：
步骤S231：采用欧几里得聚类算法，对点云校正数据Pic1进行特征提取，计算得到路面点云数据Pic2，所述路面点云数据Pic2由n个路面点云数据点licn构成；
步骤S232：依据路面点云数据Pic2，计算每个左右相邻的路面点云数据点licn之间的距离比值；
步骤S233：通过检测距离比值的突变点，计算得到潜在边界点Pbi1；
步骤S234：对潜在边界点Pbi1进行平滑处理，计算得到m个平滑边界点Pbi2；
步骤S235：通过最小二乘法算法，对平滑边界点Pbi2进行拟合，计算得到道路边界线Bli；
步骤S236：依据路面点云数据Pic2和道路边界线Bli，通过空间关联特征提取，将道路边界线以内的非路面点云数据进行聚类，计算得到障碍对象点云数据Pic3，所述障碍对象点云数据Pic3由N个障碍对象点云数据点Aic构成；
步骤S237：将障碍对象点云数据点Aic和平滑边界点Pbi2进行拼接，得到障碍物点云数据Oli，所述障碍物点云数据Oli由N+m个障碍物点云数据点bli构成；
步骤S24：从地图数据中获取目标点位置，初始化目标点坐标，通过坐标匹配，从点云校正数据Pic1中获取目标点云数据点lic。
作为本方案的进一步改进，在步骤S3中，所述人工势场生成，具体指基于路面点云的人工势场生成，包括以下步骤：
步骤S31：依据路面点云数据Pic2，计算目标点云数据点lic引力势能，计算公式为：
；
式中，Gratt（cs）是目标点云数据点lic引力势能，cs是驾驶车辆坐标，cslic是目标点云数据点lic坐标，qatt是引力场强度因子，k是引力场影响范围因子，dk（cs，cslic）是驾驶车辆坐标cs与目标点云数据点lic坐标cslic两者之间距离的k次方；
步骤S32：依据障碍物点云数据Oli，计算障碍物点云数据点bli斥力势能，计算公式为：
；
式中，Grrep（cs）是障碍物点云数据点bli斥力势能，csbli是障碍物点云数据点bli坐标，qrep是斥力场强度因子，是斥力场影响范围因子，d（cs，csbli）是驾驶车辆坐标cs与障碍物点云数据点bli坐标csbli两者之间的距离；
步骤S33：通过势能叠加，计算得到目标点合力势能，计算公式为：
；
式中，Gr（cs）是目标点合力势能，N+m是障碍物点云数据点bli数量，j是障碍物点云数据点bli索引；
步骤S34：通过计算目标点合力，来评估驾驶车辆在人工势场中的受力情况，包括以下步骤：
步骤S341：通过梯度计算，得到目标点云数据点lic引力，计算公式为：
；
式中，Gaatt（cs）是目标点云数据点lic引力，∇是梯度算子，||cs，cslic||是驾驶车辆坐标cs与目标点云数据点lic坐标cslic两者之间的欧几里得距离；
步骤S342：通过梯度计算，得到障碍物点云数据点bli斥力，计算公式为：
；
式中，Garep（cs）是障碍物点云数据点bli斥力，∂是偏导数符号；
步骤S343：依据目标点云数据点lic引力和障碍物点云数据点bli斥力，计算得到目标点合力，计算公式为：
；
式中，Ga（cs）是目标点合力。
作为本方案的进一步改进，在步骤S4中，所述路径规划，包括以下步骤：
步骤S41：初始化数据结构，包括以下步骤：
步骤S411：创建开放列表，计算公式为：
；
式中，OL是开放列表，nod1是开放列表OL第1个节点，nod2是开放列表OL第2个节点，nod3是开放列表OL第3个节点；
步骤S412：创建关闭列表，计算公式为：
；
式中，CL是关闭列表，cod1是关闭列表CL第1个节点，cod2是关闭列表CL第2个节点，cod3是关闭列表CL第3个节点；
步骤S413：将目标位置作为目标节点，将驾驶车辆位置作为起始节点，将起始节点加入到开放列表中；
步骤S42：依据目标点合力势能，优化启发式函数，得到启发式优化函数，计算公式为：
；
式中，fh（v）是启发式优化函数，v是当前节点，γ是目标点合力势能权重，L是当前节点与目标节点之间的距离，Lmap是地图总长度，δ是安全距离因子，s是父节点沿当前节点v方向与障碍物相交的距离；
步骤S43：依据启发式优化函数，优化总代价函数，得到总代价优化函数，计算公式为：
；
式中，fto（v）是总代价优化函数，g（v）是实际代价，具体指从起始节点到当前节点的代价；
步骤S44：采用启发式搜索算法，通过总代价优化函数进行路径规划，包括以下步骤：
步骤S441：将起始节点的实际代价设为0；
步骤S442：设置程序启动循环条件，具体为检测开放列表是否为空，如果所述开放列表为空，则退出循环，执行步骤S45及后续操作，如果不为空，则执行步骤S443及后续步骤操作；
步骤S443：依据节点总代价函数值，从开放列表中选取节点总代价函数值最小的节点作为当前节点；
步骤S444：检查当前节点是否是目标节点，如果是目标节点，则退出循环，执行步骤S45及后续操作，如果不是目标节点，则执行步骤S445及后续操作；
步骤S445：将当前节点从开放列表移入关闭列表，并对当前节点的相邻节点进行遍历，如果相邻节点在开放列表中，则跳过所述相邻节点，如果不在开放列表中，则将相邻节点加入到开放列表；
步骤S446：通过总代价优化函数，计算所述相邻节点的总代价函数值，并将当前节点设置为相邻节点的父节点；
步骤S447：重复执行步骤S443及其后续步骤操作；
步骤S45：重构最优路径，具体为从目标节点开始，通过回溯每个节点的父节点，计算得到最优路径。
作为本方案的进一步改进，在步骤S5中，所述车辆驾驶方案生成，具体为通过将最优路径进行平滑处理，得到平滑路径，将平滑路径转化为行驶指令，并生成车辆驾驶方案。
本发明提供的基于人工智能的自动驾驶路径规划系统，包括：数据采集模块、道路提取模块、人工势场生成模块、路径规划模块和车辆驾驶方案生成模块；
所述数据采集模块采集车辆环境数据，并将所述车辆环境数据发送至道路提取模块；
所述道路提取模块接收来自数据采集模块的车辆环境数据，采用基于欧几里得聚类的道路提取方法，计算得到路面点云数据和障碍物点云数据，并将所述路面点云数据和所述障碍物点云数据发送至人工势场生成模块；
所述人工势场生成模块接收来自道路提取模块的路面点云数据和障碍物点云数据，从所述路面点云数据和所述障碍物点云数据中获取数据并进行人工势场生成，计算得到目标点合力势能，并将所述目标点合力势能发送至路径规划模块；
所述路径规划模块接收来自人工势场生成模块的目标点合力势能，从所述目标点合力势能中获取数据，并采用启发式搜索算法进行路径规划，计算得到最优路径，并将所述最优路径发送至车辆驾驶方案生成模块；
所述车辆驾驶方案生成模块接收来自路径规划模块的最优路径，通过将所述最优路径进行平滑处理，得到平滑路径，将平滑路径转化为行驶指令，并生成车辆驾驶方案。
采用上述方案本发明取得的有益效果如下：
（1）针对在自动驾驶路径规划过程中，存在由于车辆、行人、电动车等因素变化，导致交通环境复杂，缺少一种高效感知交通环境的方法的技术问题，本方案采用基于欧几里得聚类的道路提取方法，有效地从复杂交通环境中提取道路信息，为路径规划提供了准确的道路数据。
（2）针对在自动驾驶路径规划过程中，存在由于交通参与者较多，路况条件复杂，导致驾驶安全风险高的技术问题，本方案采用基于路面点云的人工势场生成方法，灵活应对多种交通参与者和复杂路况，通过调整势场权重，提高驾驶安全性。
（3）针对自动驾驶路径规划过程中，存在道路状况和交通流量动态变化，缺乏一种高效规划路径的方法的技术问题，本方案采用启发式搜索算法进行路径规划，提高了路径规划的效率，增加了路径规划的可靠性。
附图说明
图1为本发明提供的基于人工智能的自动驾驶路径规划方法的流程示意图；
图2为本发明提供的基于人工智能的自动驾驶路径规划系统的示意图；
图3为步骤S2的流程示意图；
图4为步骤S3的流程示意图；
图5为步骤S4的流程示意图。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
具体实施方式
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，所描述的实施例仅仅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做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。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的基于人工智能的自动驾驶路径规划方法，该方法包括以下步骤：
步骤S1：数据采集，具体为通过数据采集设备，获取车辆环境数据；
步骤S2：道路提取，具体为从车辆环境数据中获取点云数据，对点云数据进行数据校正，计算得到点云校正数据Pic1，通过欧几里得聚类算法，进行道路提取，计算得到路面点云数据Pic2和障碍物点云数据Oli；
步骤S3：人工势场生成，具体为依据路面点云数据Pic2，计算目标点云数据点lic引力势能，依据障碍物点云数据点bli，计算障碍物点云数据点bli斥力势能，通过势能叠加，计算得到目标点合力势能；
步骤S4：路径规划，具体为依据目标点合力势能，优化启发式函数，计算得到启发式优化函数，依据启发式优化函数，优化总代价函数，计算得到总代价优化函数，采用启发式搜索算法，通过总代价优化函数进行路径规划，计算得到最优路径；
步骤S5：车辆驾驶方案生成。
实施例二，参阅图1，在步骤S1中，所述数据采集设备包括摄像头、激光雷达和全球导航卫星系统，所述车辆环境数据包括图像数据、点云数据、雷达数据、地图数据和车辆定位数据。
实施例三，参阅图1和图3，该实施例基于上述实施例，进一步地，在步骤S2中，所述道路提取，具体指基于欧几里得聚类的道路提取，包括以下步骤：
步骤S21：通过数据采集设备时间戳，将雷达数据和车辆定位数据进行匹配，计算得到融合数据Fda，从融合数据Fda中获取驾驶车辆位置，初始化驾驶车辆坐标cs；
步骤S22：对点云数据进行数据校正，包括以下步骤：
步骤S221：获取雷达在采集数据期间的姿态信息，所述姿态信息包括偏航角a，俯仰角b，横滚角c；
步骤S222：依据姿态信息，构建三维旋转矩阵Ot，计算公式为：
；
式中，Ot是三维旋转矩阵，Otz（a）是绕Z轴旋转偏航角a的旋转矩阵，Oty（b）是绕y轴旋转俯仰角b的旋转矩阵，Otx（c）是绕x轴旋转横滚角c的旋转矩阵；
步骤S223：获取点云数据点，计算公式为：
；
式中，Pic是点云数据，pic1是第1个点云数据点，u是点云数据点数量；
步骤S224：构建平移向量Mt，依据三维旋转矩阵Ot和平移向量Mt，定义数据校正函数，计算公式为：
；
式中，f（pici）是数据校正函数，i是点云数据点索引，pici是第i个点云数据点，Mt是平移向量；
步骤S225：通过数据校正函数，对每个点云数据点进行数据校正，计算得到点云校正数据Pic1；
步骤S23：依据点云校正数据Pic1，进行道路提取，包括以下步骤：
步骤S231：采用欧几里得聚类算法，对点云校正数据Pic1进行特征提取，计算得到路面点云数据Pic2，所述路面点云数据Pic2由n个路面点云数据点licn构成；
步骤S232：依据路面点云数据Pic2，计算每个左右相邻的路面点云数据点licn之间的距离比值；
步骤S233：通过检测距离比值的突变点，计算得到潜在边界点Pbi1；
步骤S234：对潜在边界点Pbi1进行平滑处理，计算得到m个平滑边界点Pbi2；
步骤S235：通过最小二乘法算法，对平滑边界点Pbi2进行拟合，计算得到道路边界线Bli；
步骤S236：依据路面点云数据Pic2和道路边界线Bli，通过空间关联特征提取，将道路边界线以内的非路面点云数据进行聚类，计算得到障碍对象点云数据Pic3，所述障碍对象点云数据Pic3由N个障碍对象点云数据点Aic构成；
步骤S237：将障碍对象点云数据点Aic和平滑边界点Pbi2进行拼接，得到障碍物点云数据Oli，所述障碍物点云数据Oli由N+m个障碍物点云数据点bli构成；
步骤S24：从地图数据中获取目标点位置，初始化目标点坐标，通过坐标匹配，从点云校正数据Pic1中获取目标点云数据点lic；
通过执行上述操作，针对在自动驾驶路径规划过程中，存在由于车辆、行人、电动车等因素变化，导致交通环境复杂，缺少一种高效感知交通环境的方法的技术问题，本方案采用基于欧几里得聚类的道路提取方法，有效地从复杂交通环境中提取道路信息，为路径规划提供了准确的道路数据。
实施例四，参阅图1和图4，该实施例基于上述实施例，进一步地，在步骤S3中，所述人工势场生成，具体指基于路面点云的人工势场生成，包括以下步骤：
步骤S31：依据路面点云数据Pic2，计算目标点云数据点lic引力势能，计算公式为：
；
式中，Gratt（cs）是目标点云数据点lic引力势能，cs是驾驶车辆坐标，cslic是目标点云数据点lic坐标，qatt是引力场强度因子，k是引力场影响范围因子，dk（cs，cslic）是驾驶车辆坐标cs与目标点云数据点lic坐标cslic两者之间距离的k次方；
步骤S32：依据障碍物点云数据Oli，计算障碍物点云数据点bli斥力势能，计算公式为：
；
式中，Grrep（cs）是障碍物点云数据点bli斥力势能，csbli是障碍物点云数据点bli坐标，qrep是斥力场强度因子，是斥力场影响范围因子，d（cs，csbli）是驾驶车辆坐标cs与障碍物点云数据点bli坐标csbli两者之间的距离；
步骤S33：通过势能叠加，计算得到目标点合力势能，计算公式为：
；
式中，Gr（cs）是目标点合力势能，N+m是障碍物点云数据点bli数量，j是障碍物点云数据点bli索引；
步骤S34：通过计算目标点合力，来评估驾驶车辆在人工势场中的受力情况，包括以下步骤：
步骤S341：通过梯度计算，得到目标点云数据点lic引力，计算公式为：
；
式中，Gaatt（cs）是目标点云数据点lic引力，∇是梯度算子，||cs，cslic||是驾驶车辆坐标cs与目标点云数据点lic坐标cslic两者之间的欧几里得距离；
步骤S342：通过梯度计算，得到障碍物点云数据点bli斥力，计算公式为：
；
式中，Garep（cs）是障碍物点云数据点bli斥力，∂是偏导数符号；
步骤S343：依据目标点云数据点lic引力和障碍物点云数据点bli斥力，计算得到目标点合力，计算公式为：
；
式中，Ga（cs）是目标点合力；
通过执行上述操作，针对在自动驾驶路径规划过程中，存在由于交通参与者较多，路况条件复杂，导致驾驶安全风险高的技术问题，本方案采用基于路面点云的人工势场生成方法，灵活应对多种交通参与者和复杂路况，通过调整势场权重，提高驾驶安全性。
实施例五，参阅图1和图5，该实施例基于上述实施例，进一步地，在步骤S4中，所述路径规划，包括以下步骤：
步骤S41：初始化数据结构，包括以下步骤：
步骤S411：创建开放列表，计算公式为：
；
式中，OL是开放列表，nod1是开放列表OL第1个节点，nod2是开放列表OL第2个节点，nod3是开放列表OL第3个节点；
步骤S412：创建关闭列表，计算公式为：
；
式中，CL是关闭列表，cod1是关闭列表CL第1个节点，cod2是关闭列表CL第2个节点，cod3是关闭列表CL第3个节点；
步骤S413：将目标位置作为目标节点，将驾驶车辆位置作为起始节点，将起始节点加入到开放列表中；
步骤S42：依据目标点合力势能，优化启发式函数，得到启发式优化函数，计算公式为：
；
式中，fh（v）是启发式优化函数，v是当前节点，γ是目标点合力势能权重，L是当前节点与目标节点之间的距离，Lmap是地图总长度，δ是安全距离因子，s是父节点沿当前节点v方向与障碍物相交的距离；
步骤S43：依据启发式优化函数，优化总代价函数，得到总代价优化函数，计算公式为：
；
式中，fto（v）是总代价优化函数，g（v）是实际代价，具体指从起始节点到当前节点的代价；
步骤S44：采用启发式搜索算法，通过总代价优化函数进行路径规划，包括以下步骤：
步骤S441：将起始节点的实际代价设为0；
步骤S442：设置程序启动循环条件，具体为检测开放列表是否为空，如果所述开放列表为空，则退出循环，执行步骤S45及后续操作，如果不为空，则执行步骤S443及后续步骤操作；
步骤S443：依据节点总代价函数值，从开放列表中选取节点总代价函数值最小的节点作为当前节点；
步骤S444：检查当前节点是否是目标节点，如果是目标节点，则退出循环，执行步骤S45及后续操作，如果不是目标节点，则执行步骤S445及后续操作；
步骤S445：将当前节点从开放列表移入关闭列表，并对当前节点的相邻节点进行遍历，如果相邻节点在开放列表中，则跳过所述相邻节点，如果不在开放列表中，则将相邻节点加入到开放列表；
步骤S446：通过总代价优化函数，计算所述相邻节点的总代价函数值，并将当前节点设置为相邻节点的父节点；
步骤S447：重复执行步骤S443及其后续步骤操作；
步骤S45：重构最优路径，具体为从目标节点开始，通过回溯每个节点的父节点，计算得到最优路径；
通过执行上述操作，针对自动驾驶路径规划过程中，存在道路状况和交通流量动态变化，缺乏一种高效规划路径的方法的技术问题，本方案采用启发式搜索算法进行路径规划，提高了路径规划的效率，增加了路径规划的可靠性。
实施例六，参阅图1，该实施例基于上述实施例，进一步地，在步骤S5中，所述车辆驾驶方案生成，具体为通过将最优路径进行平滑处理，得到平滑路径，将平滑路径转化为行驶指令，并生成车辆驾驶方案。
实施例七，参阅图2，该实施例基于上述实施例，本发明提供的基于人工智能的自动驾驶路径规划系统，包括：数据采集模块、道路提取模块、人工势场生成模块、路径规划模块和车辆驾驶方案生成模块；
所述数据采集模块采集车辆环境数据，并将所述车辆环境数据发送至道路提取模块；
所述道路提取模块接收来自数据采集模块的车辆环境数据，采用基于欧几里得聚类的道路提取方法，计算得到路面点云数据和障碍物点云数据，并将所述路面点云数据和所述障碍物点云数据发送至人工势场生成模块；
所述人工势场生成模块接收来自道路提取模块的路面点云数据和障碍物点云数据，从所述路面点云数据和所述障碍物点云数据中获取数据并进行人工势场生成，计算得到目标点合力势能，并将所述目标点合力势能发送至路径规划模块；
所述路径规划模块接收来自人工势场生成模块的目标点合力势能，从所述目标点合力势能中获取数据，并采用启发式搜索算法进行路径规划，计算得到最优路径，并将所述最优路径发送至车辆驾驶方案生成模块；
所述车辆驾驶方案生成模块接收来自路径规划模块的最优路径，通过将所述最优路径进行平滑处理，得到平滑路径，将平滑路径转化为行驶指令，并生成车辆驾驶方案。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其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。总而言之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 (8)

1.基于人工智能的自动驾驶路径规划方法，其特征在于：该方法包括以下步骤：
步骤S1：数据采集，具体为通过数据采集设备，获取车辆环境数据；
步骤S2：道路提取，具体为从车辆环境数据中获取点云数据，对点云数据进行数据校正，计算得到点云校正数据Pic1，通过欧几里得聚类算法，进行道路提取，计算得到路面点云数据Pic2和障碍物点云数据Oli；
步骤S3：人工势场生成，具体为依据路面点云数据Pic2，计算目标点云数据点lic引力势能，依据障碍物点云数据点bli，计算障碍物点云数据点bli斥力势能，通过势能叠加，计算得到目标点合力势能；
步骤S4：路径规划，具体为依据目标点合力势能，优化启发式函数，计算得到启发式优化函数，依据启发式优化函数，优化总代价函数，计算得到总代价优化函数，采用启发式搜索算法，通过总代价优化函数进行路径规划，计算得到最优路径；
步骤S5：车辆驾驶方案生成；
在步骤S3中，所述人工势场生成，具体指基于路面点云的人工势场生成，包括以下步骤：
步骤S31：依据路面点云数据Pic2，计算目标点云数据点lic引力势能，计算公式为：
式中，Gratt(cs)是目标点云数据点lic引力势能，cs是驾驶车辆坐标，cslic是目标点云数据点lic坐标，qatt是引力场强度因子，k是引力场影响范围因子，dk(cs，cslic)是驾驶车辆坐标cs与目标点云数据点lic坐标cslic两者之间距离的k次方；
步骤S32：依据障碍物点云数据Oli，计算障碍物点云数据点bli斥力势能，计算公式为：
式中，Grrep(cs)是障碍物点云数据点bli斥力势能，csbli是障碍物点云数据点bli坐标，qrep是斥力场强度因子，k′是斥力场影响范围因子，d(cs，csbli)是驾驶车辆坐标cs与障碍物点云数据点bli坐标csbli两者之间的距离；
步骤S33：通过势能叠加，计算得到目标点合力势能，计算公式为：
式中，Gr(cs)是目标点合力势能，N+m是障碍物点云数据点bli数量，j是障碍物点云数据点bli索引；
步骤S34：通过计算目标点合力，来评估驾驶车辆在人工势场中的受力情况，包括以下步骤：
步骤S341：通过梯度计算，得到目标点云数据点lic引力，计算公式为：
式中，Gaatt(cs)是目标点云数据点lic引力，是梯度算子，||cs，cslic||是驾驶车辆坐标cs与目标点云数据点lic坐标cslic两者之间的欧几里得距离；
步骤S342：通过梯度计算，得到障碍物点云数据点bli斥力，计算公式为：
式中，Garep(cs)是障碍物点云数据点bli斥力，是偏导数符号；
步骤S343：依据目标点云数据点lic引力和障碍物点云数据点bli斥力，计算得到目标点合力，计算公式为：
式中，Ga(cs)是目标点合力；
在步骤S4中，所述路径规划，包括以下步骤：
步骤S41：初始化数据结构；
步骤S42：依据目标点合力势能，优化启发式函数，得到启发式优化函数；
步骤S43：依据启发式优化函数，优化总代价函数，得到总代价优化函数；
步骤S44：采用启发式搜索算法，通过总代价优化函数进行路径规划；
步骤S45：重构最优路径，具体为从目标节点开始，通过回溯每个节点的父节点，计算得到最优路径。
2.根据权利要求1所述的基于人工智能的自动驾驶路径规划方法，其特征在于：在步骤S2中，所述道路提取，具体指基于欧几里得聚类的道路提取，包括以下步骤：
步骤S21：通过数据采集设备时间戳，将雷达数据和车辆定位数据进行匹配，计算得到融合数据Fda，从融合数据Fda中获取驾驶车辆位置，初始化驾驶车辆坐标cs；
步骤S22：对点云数据进行数据校正；
步骤S23：依据点云校正数据Pic1，进行道路提取；
步骤S24：从地图数据中获取目标点位置，初始化目标点坐标，通过坐标匹配，从点云校正数据Pic1中获取目标点云数据点lic。
3.根据权利要求2所述的基于人工智能的自动驾驶路径规划方法，其特征在于：在步骤S22中，所述对点云数据进行数据校正，包括以下步骤：
步骤S221：获取雷达在采集数据期间的姿态信息，所述姿态信息包括偏航角a，俯仰角b，横滚角c；
步骤S222：依据姿态信息，构建三维旋转矩阵Ot，计算公式为：
Ot＝Otz(a)Oty(b)Otx(c)；
式中，Ot是三维旋转矩阵，Otz(a)是绕Z轴旋转偏航角a的旋转矩阵，Oty(b)是绕y轴旋转俯仰角b的旋转矩阵，Otx(c)是绕x轴旋转横滚角c的旋转矩阵；
步骤S223：获取点云数据点，计算公式为：
Pic＝[pic1，pic2，pic3，...，picu]；
式中，Pic是点云数据，pic1是第1个点云数据点，u是点云数据点数量；
步骤S224：构建平移向量Mt，依据三维旋转矩阵Ot和平移向量Mt，定义数据校正函数，计算公式为：
f(pici)＝Ot*pici+Mt；
式中，f(pici)是数据校正函数，i是点云数据点索引，pici是第i个点云数据点，Mt是平移向量；
步骤S225：通过数据校正函数，对每个点云数据点进行数据校正，计算得到点云校正数据Pic1。
4.根据权利要求3所述的基于人工智能的自动驾驶路径规划方法，其特征在于：在步骤S23中，所述依据点云校正数据Pic1，进行道路提取，包括以下步骤：
步骤S231：采用欧几里得聚类算法，对点云校正数据Pic1进行特征提取，计算得到路面点云数据Pic2，所述路面点云数据Pic2由n个路面点云数据点licn构成；
步骤S232：依据路面点云数据Pic2，计算每个左右相邻的路面点云数据点licn之间的距离比值；
步骤S233：通过检测距离比值的突变点，计算得到潜在边界点Pbi1；
步骤S234：对潜在边界点Pbi1进行平滑处理，计算得到m个平滑边界点Pbi2；
步骤S235：通过最小二乘法算法，对平滑边界点Pbi2进行拟合，计算得到道路边界线Bli；
步骤S236：依据路面点云数据Pic2和道路边界线Bli，通过空间关联特征提取，将道路边界线以内的非路面点云数据进行聚类，计算得到障碍对象点云数据Pic3，所述障碍对象点云数据Pic3由N个障碍对象点云数据点Aic构成；
步骤S237：将障碍对象点云数据点Aic和平滑边界点Pbi2进行拼接，得到障碍物点云数据Oli，所述障碍物点云数据Oli由N+m个障碍物点云数据点bli构成。
5.根据权利要求4所述的基于人工智能的自动驾驶路径规划方法，其特征在于：在步骤S41中，所述初始化数据结构，包括以下步骤：
步骤S411：创建开放列表，计算公式为：
OL＝{nod1，nod2，nod3，...}；
式中，OL是开放列表，nod1是开放列表OL第1个节点，nod2是开放列表OL第2个节点，nod3是开放列表OL第3个节点；
步骤S412：创建关闭列表，计算公式为：
CL＝{cod1，cod2，cod3，...}；
式中，CL是关闭列表，cod1是关闭列表CL第1个节点，cod2是关闭列表CL第2个节点，cod3是关闭列表CL第3个节点；
步骤S413：将目标位置作为目标节点，将驾驶车辆位置作为起始节点，将起始节点加入到开放列表中；
在步骤S42中，所述依据目标点合力势能，优化启发式函数，得到启发式优化函数，计算公式为：
式中，fh(v)是启发式优化函数，v是当前节点，γ是目标点合力势能权重，L是当前节点与目标节点之间的距离，Lmap是地图总长度，δ是安全距离因子，s是父节点沿当前节点v方向与障碍物相交的距离；
在步骤S43中，所述依据启发式优化函数，优化总代价函数，得到总代价优化函数，计算公式为：
式中，fto(v)是总代价优化函数，g(v)是实际代价，具体指从起始节点到当前节点的代价；
在步骤S44中，所述采用启发式搜索算法，通过总代价优化函数进行路径规划，包括以下步骤：
步骤S441：将起始节点的实际代价设为0；
步骤S442：设置程序启动循环条件，具体为检测开放列表是否为空，如果所述开放列表为空，则退出循环，执行步骤S45及后续操作，如果不为空，则执行步骤S443及后续步骤操作；
步骤S443：依据节点总代价函数值，从开放列表中选取节点总代价函数值最小的节点作为当前节点；
步骤S444：检查当前节点是否是目标节点，如果是目标节点，则退出循环，执行步骤S45及后续操作，如果不是目标节点，则执行步骤S445及后续操作；
步骤S445：将当前节点从开放列表移入关闭列表，并对当前节点的相邻节点进行遍历，如果相邻节点在开放列表中，则跳过所述相邻节点，如果不在开放列表中，则将相邻节点加入到开放列表；
步骤S446：通过总代价优化函数，计算所述相邻节点的总代价函数值，并将当前节点设置为相邻节点的父节点；
步骤S447：重复执行步骤S443及其后续步骤操作；
在步骤S45中，所述重构最优路径，具体为从目标节点开始，通过回溯每个节点的父节点，计算得到最优路径。
6.根据权利要求5所述的基于人工智能的自动驾驶路径规划方法，其特征在于：在步骤S1中，所述数据采集设备包括摄像头、激光雷达和全球导航卫星系统，所述车辆环境数据包括图像数据、点云数据、雷达数据、地图数据和车辆定位数据；
在步骤S5中，所述车辆驾驶方案生成，具体为通过将最优路径进行平滑处理，得到平滑路径，将平滑路径转化为行驶指令，并生成车辆驾驶方案。
7.基于人工智能的自动驾驶路径规划系统，用于实现如权利要求1-6中任一项所述的基于人工智能的自动驾驶路径规划方法，其特征在于：包括数据采集模块、道路提取模块、人工势场生成模块、路径规划模块和车辆驾驶方案生成模块。
8.根据权利要求7所述的基于人工智能的自动驾驶路径规划系统，其特征在于：所述数据采集模块采集车辆环境数据，并将所述车辆环境数据发送至道路提取模块；
所述道路提取模块接收来自数据采集模块的车辆环境数据，采用基于欧几里得聚类的道路提取方法，计算得到路面点云数据和障碍物点云数据，并将所述路面点云数据和所述障碍物点云数据发送至人工势场生成模块；
所述人工势场生成模块接收来自道路提取模块的路面点云数据和障碍物点云数据，从所述路面点云数据和所述障碍物点云数据中获取数据并进行人工势场生成，计算得到目标点合力势能，并将所述目标点合力势能发送至路径规划模块；
所述路径规划模块接收来自人工势场生成模块的目标点合力势能，从所述目标点合力势能中获取数据，并采用启发式搜索算法进行路径规划，计算得到最优路径，并将所述最优路径发送至车辆驾驶方案生成模块；
所述车辆驾驶方案生成模块接收来自路径规划模块的最优路径，通过将所述最优路径进行平滑处理，得到平滑路径，将平滑路径转化为行驶指令，并生成车辆驾驶方案。
CN202311380949.4A 2023-10-24 2023-10-24 基于人工智能的自动驾驶路径规划方法及系统 Active CN117129001B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311380949.4A CN117129001B (zh) 2023-10-24 2023-10-24 基于人工智能的自动驾驶路径规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311380949.4A CN117129001B (zh) 2023-10-24 2023-10-24 基于人工智能的自动驾驶路径规划方法及系统

Publications (2)

Publication Number Publication Date
CN117129001A CN117129001A (zh) 2023-11-28
CN117129001B true CN117129001B (zh) 2024-01-09

Family

ID=88863099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311380949.4A Active CN117129001B (zh) 2023-10-24 2023-10-24 基于人工智能的自动驾驶路径规划方法及系统

Country Status (1)

Country Link
CN (1) CN117129001B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107037812A (zh) * 2017-03-31 2017-08-11 南京理工大学 一种基于仓储无人车的车辆路径规划方法
CN110471408A (zh) * 2019-07-03 2019-11-19 天津大学 基于决策过程的无人驾驶车辆路径规划方法
EP3885867A1 (en) * 2020-03-27 2021-09-29 embotech AG Method and system for controlling autonomous or semi-autonomous vehicle
CN114046791A (zh) * 2021-11-02 2022-02-15 天津城建大学 基于分层监测域和自适应人工势场法的车辆路径规划方法
CN114166235A (zh) * 2021-12-06 2022-03-11 福建工程学院 一种基于优化a-star算法的全局动态平滑路径规划方法
CN114460936A (zh) * 2022-01-13 2022-05-10 华中科技大学 基于离线增量学习的自动驾驶汽车路径规划方法及系统
CN116501030A (zh) * 2022-09-09 2023-07-28 南京工业大学 基于改进人工势场法的自动驾驶车辆路径规划方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3798574B1 (en) * 2019-09-26 2024-04-24 Tata Consultancy Services Limited Method and system for real-time path planning

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107037812A (zh) * 2017-03-31 2017-08-11 南京理工大学 一种基于仓储无人车的车辆路径规划方法
CN110471408A (zh) * 2019-07-03 2019-11-19 天津大学 基于决策过程的无人驾驶车辆路径规划方法
EP3885867A1 (en) * 2020-03-27 2021-09-29 embotech AG Method and system for controlling autonomous or semi-autonomous vehicle
CN114046791A (zh) * 2021-11-02 2022-02-15 天津城建大学 基于分层监测域和自适应人工势场法的车辆路径规划方法
CN114166235A (zh) * 2021-12-06 2022-03-11 福建工程学院 一种基于优化a-star算法的全局动态平滑路径规划方法
CN114460936A (zh) * 2022-01-13 2022-05-10 华中科技大学 基于离线增量学习的自动驾驶汽车路径规划方法及系统
CN116501030A (zh) * 2022-09-09 2023-07-28 南京工业大学 基于改进人工势场法的自动驾驶车辆路径规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
无人机集群动态避撞算法研究;蒋进;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;全文 *

Also Published As

Publication number Publication date
CN117129001A (zh) 2023-11-28

Similar Documents

Publication Publication Date Title
CN110850873B (zh) 无人船路径规划方法、装置、设备和存储介质
CN111080659A (zh) 一种基于视觉信息的环境语义感知方法
US20170168485A1 (en) System and Method for Controlling Autonomous Vehicles
CN106548486B (zh) 一种基于稀疏视觉特征地图的无人车位置跟踪方法
CN104007760B (zh) 一种自主机器人视觉导航中的自定位方法
CN110009029B (zh) 基于点云分割的特征匹配方法
JP4495703B2 (ja) 水中ロボットの動作制御方法、装置及びプログラム
CN111274847B (zh) 一种定位方法
CN110631596B (zh) 一种基于迁移学习的装备车辆路径规划方法
CN112965063B (zh) 一种机器人建图定位方法
CN114005021B (zh) 基于激光视觉融合的水产养殖车间无人巡检系统和方法
CN110658814B (zh) 一种应用于船舶运动控制的自适应船舶运动建模方法
CN113534668B (zh) 基于最大熵的演员-评论家框架的auv运动规划方法
CN112329749B (zh) 点云的标注方法及标注设备
CN116263335A (zh) 一种基于视觉与雷达信息融合与强化学习的室内导航方法
CN110705385B (zh) 一种障碍物角度的检测方法、装置、设备及介质
CN114119920A (zh) 三维点云地图构建方法、系统
CN111380557A (zh) 一种无人车全局路径规划方法及装置
CN108279026A (zh) 一种基于t型rfid信标的agv惯性导航系统及方法
CN117129001B (zh) 基于人工智能的自动驾驶路径规划方法及系统
CN113064422B (zh) 基于双神经网络强化学习的自主水下航行器路径规划方法
CN115049825B (zh) 水面清洁方法、装置、设备及计算机可读存储介质
CN111427373A (zh) 一种位姿确定方法、装置、介质和设备
CN111854776A (zh) 导航的处理方法、装置、设备及存储介质
CN115218907B (zh) 无人机路径规划方法、装置、电子设备及存储介质

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