CN117308964B - 智能游船的路径规划方法、装置、无人船及介质 - Google Patents

智能游船的路径规划方法、装置、无人船及介质 Download PDF

Info

Publication number
CN117308964B
CN117308964B CN202311578907.1A CN202311578907A CN117308964B CN 117308964 B CN117308964 B CN 117308964B CN 202311578907 A CN202311578907 A CN 202311578907A CN 117308964 B CN117308964 B CN 117308964B
Authority
CN
China
Prior art keywords
obstacle
target
intelligent
coordinate system
pleasure boat
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
CN202311578907.1A
Other languages
English (en)
Other versions
CN117308964A (zh
Inventor
程宇威
李伟明
薛瑞鑫
王培栋
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.)
Shaanxi Orca Electronic Intelligent Technology Co ltd
Original Assignee
Shaanxi Orca Electronic Intelligent 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 Shaanxi Orca Electronic Intelligent Technology Co ltd filed Critical Shaanxi Orca Electronic Intelligent Technology Co ltd
Priority to CN202311578907.1A priority Critical patent/CN117308964B/zh
Publication of CN117308964A publication Critical patent/CN117308964A/zh
Application granted granted Critical
Publication of CN117308964B publication Critical patent/CN117308964B/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
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/203—Specially adapted for sailing ships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种智能游船的路径规划方法、装置、无人船及介质，其中方法包括：获取智能游船的动力学模型参数和环境约束条件；获取智能游船的任务路线，并进行平滑处理得到平滑任务路线；构建平滑任务路线对应的Frenet坐标系，并将障碍物约束信息投影至Frenet坐标系中，得到目标Frenet坐标系；获取在平滑任务路线上与智能游船存在碰撞概率的障碍物约束信息得到障碍物列表；构建智能游船在平滑任务路线上允许通过的有向图，得到目标有向图；对目标有向图进行遍历检索得到可行驶区域，并生成多条初始行驶路线；分别对每条初始行驶路线进行优化计算得到多条目标行驶路线。本申请克服了传统单一路径规划处理能力不足的问题。

Description

智能游船的路径规划方法、装置、无人船及介质
技术领域
本申请涉及无人驾驶技术领域，尤其涉及一种智能游船的路径规划方法、装置、无人船及介质。
背景技术
近年来，随着无人驾驶技术的快速发展，智能游船领域在交通、文旅等应用日益广泛。智能游船能够安全、舒适、高效的自主航行是评价智能化的关键指标，而路径规划是其自主航行中一个重要的环节，传统的路径规划往往没有充分考虑游船的动力学和环境约束，且仅仅规划了单一的路径，使得下游速度规划只能根据单一的路径来规划速度，这使得整个规划对周围实时变化的环境处理能力大大减弱。因此，现亟需一种能够综合考虑游船动力学特性和环境约束并获得多条路径的路径规划方法，以克服传统单一路径规划处理能力不足的问题。
发明内容
本申请实施例的目的在于提出一种智能游船的路径规划方法、装置、无人船及介质，以综合考虑游船动力学特性和环境约束并获得多条路径的路径规划，实现克服传统单一路径规划处理能力不足的问题。
为了解决上述技术问题，本申请实施例提供一种智能游船的路径规划方法，包括：
获取智能游船的动力学模型参数和环境约束条件，其中，环境约束条件包括行驶边界约束和障碍物约束信息；
获取所述智能游船的任务路线，并对所述任务路线进行平滑处理，得到平滑任务路线；
构建所述平滑任务路线对应的Frenet坐标系，并将所述障碍物约束信息投影至所述Frenet坐标系中，得到目标Frenet坐标系；
获取在所述平滑任务路线上与所述智能游船存在碰撞概率的所述障碍物约束信息，得到障碍物列表；
基于所述障碍物列表和所述目标Frenet坐标系构建所述智能游船在所述平滑任务路线上允许通过的有向图，得到目标有向图；
根据宽度优先遍历算法对所述目标有向图进行遍历检索，得到可行驶区域，并基于所述可行驶区域生成多条初始行驶路线；
分别对每条所述初始行驶路线进行优化计算，得到多条目标行驶路线。
为了解决上述技术问题，本申请实施例提供一种智能游船的路径规划装置，包括：
数据获取单元，用于获取智能游船的动力学模型参数和环境约束条件，其中，环境约束条件包括行驶边界约束和障碍物约束信息；
路线获取单元，用于获取所述智能游船的任务路线，并对所述任务路线进行平滑处理，得到平滑任务路线；
坐标系构建单元，用于构建所述平滑任务路线对应的Frenet坐标系，并将所述障碍物约束信息投影至所述Frenet坐标系中，得到目标Frenet坐标系；
障碍物识别单元，用于获取在所述平滑任务路线上与所述智能游船存在碰撞概率的所述障碍物约束信息，得到障碍物列表；
有向图构建单元，用于基于所述障碍物列表和所述目标Frenet坐标系构建所述智能游船在所述平滑任务路线上允许通过的有向图，得到目标有向图；
路线生成单元，用于根据宽度优先遍历算法对所述目标有向图进行遍历检索，得到可行驶区域，并基于所述可行驶区域生成多条初始行驶路线；
路线优化单元，用于分别对每条所述初始行驶路线进行优化计算，得到多条目标行驶路线。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种无人船，包括，一个或多个处理器；存储器，用于存储一个或多个程序，使得一个或多个处理器实现上述任意一项所述的智能游船的路径规划方法。
为解决上述技术问题，本发明采用的一个技术方案是：一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的智能游船的路径规划方法。
本发明实施例提供了一种智能游船的路径规划方法、装置、无人船及介质。其中，方法包括：获取智能游船的动力学模型参数和环境约束条件，其中，环境约束条件包括行驶边界约束和障碍物约束信息；获取所述智能游船的任务路线，并对所述任务路线进行平滑处理，得到平滑任务路线；构建所述平滑任务路线对应的Frenet坐标系，并将所述障碍物约束信息投影至所述Frenet坐标系中，得到目标Frenet坐标系；获取在所述平滑任务路线上与所述智能游船存在碰撞概率的所述障碍物约束信息，得到障碍物列表；基于所述障碍物列表和所述目标Frenet坐标系构建所述智能游船在所述平滑任务路线上允许通过的有向图，得到目标有向图；根据宽度优先遍历算法对所述目标有向图进行遍历检索，得到可行驶区域，并基于所述可行驶区域生成多条初始行驶路线；分别对每条所述初始行驶路线进行优化计算，得到多条目标行驶路线。本发明实施例综合考虑游船动力学特性和环境约束并获得多条路径的路径规划，实现克服传统单一路径规划处理能力不足的问题。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的智能游船的路径规划方法流程的实现流程图；
图2是本申请实施例提供的智能游船的路径规划方法中子流程的实现流程图；
图3是本申请实施例提供的智能游船的路径规划方法中子流程的实现流程图；
图4是本申请实施例提供的智能游船的路径规划方法中子流程的实现流程图；
图5是本申请实施例提供的智能游船的路径规划方法中子流程的实现流程图；
图6示出了本申请实施例提供的新的目标Frenet坐标系示意图；
图7示出了本申请实施例提供的目标有向图；
图8是本申请实施例提供的智能游船的路径规划方法中子流程的实现流程图；
图9是本申请实施例提供的智能游船的路径规划方法中子流程的实现流程图；
图10是本申请实施例提供的智能游船的路径规划装置示意图；
图11是本申请实施例提供的无人船的示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
下面结合附图和实施方式对本发明进行详细说明。
需要说明的是，本申请实施例所提供的智能游船的路径规划方法一般由无人船执行，相应地，智能游船的路径规划装置一般配置于无人船中。
请参阅图1，图1示出了智能游船的路径规划方法的一种具体实施方式。
需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限，该方法包括如下步骤：
S1：获取智能游船的动力学模型参数和环境约束条件，其中，环境约束条件包括行驶边界约束和障碍物约束信息。
具体地，在智能游船的非自动模式下，控制船体以不同速度、不同转动速率运动，记录加速度、速度等信息；根据最小二乘法获得智能游船的最大加速度、最大减加速度/>、最大前进速度/>、最大后退速度/>、转动时船体角加速度/>与线加速度的椭球关系/>。进一步地，可以将游船模型分解为纵向和横向两个模型，其中纵向模型如下（其中s为位置，v为速度，a为加速度，j为加加速度）：
；
其中，表示智能游船在纵向的位置速度；/>表示纵向加速度；与游船动力输入以及摩擦阻力等在纵向的分量相关；/>为系数矩阵。对于横向模型，将类似于纵向的加速度速度模型转换成基于虚拟路线的误差模型并简化得到：
；
其中，表示智能游船相对于虚拟路线的横向误差及导数，角度误差及角度误差导数，/>表示角加速度，与游船动力输入、摩擦阻力等在横向的分量以及游船自身的转动惯量相关;/>为期望角度的导数；/>为系数矩阵。动力学模型参数包括上述的最大加速度/>、最大减加速度/>、最大前进速度、最大后退速度/>、转动时船体角加速度/>、线加速度/>、横向模型和纵向模型对应参数等等。
本申请实施中，环境约束条件可以分为两个方面，一是行驶边界约束（左右边界坐标），二是行驶范围内的所有障碍物约束信息（障碍物轮廓,速度，角度，预测轨迹等信息）。行驶边界约束既可以通过预先设定的方式获得（语义地图），也可以通过实时接收的方式获得（实时建图）；而对于障碍物约束信息通过实时的接收感知模块来获取。
S2：获取所述智能游船的任务路线，并对所述任务路线进行平滑处理，得到平滑任务路线。
请参阅图2，图2示出了步骤S2的一种具体实施方式，详叙如下：
S21：获取所述智能游船的所述任务路线和最大偏离路线范围。
S22：基于所述最大偏离路线范围采用二次规划方法对所述任务路线进行平滑处理，得到所述平滑任务路线。
具体地，智能游船的任务形式多种多样，本申请实施例只关心任务转化成任务路线后的平滑，并不关注任务的形式和任务具体业务。一般而言任务路线是特定任务经过特定处理之后给出的一段未经平滑的任务路线，并同时给出能够偏离任务路线的最大范围（最大偏离路线范围）。在本申请实施中，根据任务路线以及最大偏离路线范围利用二次规划（QP）方法对任务路线进行平滑，得到平滑任务路线，而平滑任务路线可以获取轨迹位置（x,y）、角度（theta）、曲率（kappa）、曲率导数（dkappa)等信息。
S3：构建所述平滑任务路线对应的Frenet坐标系，并将所述障碍物约束信息投影至所述Frenet坐标系中，得到目标Frenet坐标系。
请参阅图3，图3示出了步骤S3的一种具体实施方式，详叙如下：
S31：将所述平滑任务路线作为所述Frenet坐标系的s轴，以构建所述Frenet坐标系。
S32：根据Frenet坐标系与笛卡尔坐标之间的转换关系将障碍物约束信息转换到Frenet坐标系中，以将所述障碍物约束信息投影至所述Frenet坐标系中，得到所述目标Frenet坐标系。
具体地，本申请实施例将平滑任务路线作为Frenet坐标系的s轴，根据Frenet坐标与笛卡尔坐标（xy）之间的转换关系将环境约束转换到Frenet坐标(sl)系中。其中，Frenet坐标系是一种在几何学中用于描述曲线的坐标系。它是一种三维坐标系，其中包含一条曲线和两个正交平面，曲线通常被称为"法线"，而平面则被称为"正交平面"。Frenet坐标系中的坐标可以用来描述曲线的位置和方向。
S4：获取在所述平滑任务路线上与所述智能游船存在碰撞概率的所述障碍物约束信息，得到障碍物列表。
具体地，本申请实施例需要识别出智能游船在平滑任务路线上行驶时存在障碍物，从而得到障碍物列表。
请参阅图4，图4示出了步骤S4的一种具体实施方式，详叙如下：
S41：基于所述动力学模型参数和所述障碍物约束信息，计算所述智能游船与周围障碍物在所述平滑任务路线上是否发生碰撞，得到初始障碍物，其中，所述初始障碍物为存在碰撞概率的障碍物。
S42：计算所述初始障碍物对应的横向躲避概率和纵向躲避概率。
S43：将所述横向躲避概率大于所述纵向躲避概率的初始障碍物作为目标障碍物，并基于所述目标障碍物生成所述障碍物列表。
具体地，根据动力学模型参数中游船当前速度和位置信息，遍历障碍物，计算智能游船与周围障碍物是否有可能在未来某个时刻在平滑任务路线上发生碰撞。如果绝对不会发生碰撞，则直接忽略；对于未忽略障碍物（存在碰撞概率的障碍物），分别计算横向躲避和纵向躲避的概率，如果概率超过横向躲避概率大于纵向躲避的概率，则将其加到路径规划需要到障碍物列表中。
S5：基于所述障碍物列表和所述目标Frenet坐标系构建所述智能游船在所述平滑任务路线上允许通过的有向图，得到目标有向图。
请参阅图5至图7，图5示出了步骤S5的一种具体实施方式，图6示出了本申请实施例提供的新的目标Frenet坐标系示意图，图7示出了本申请实施例提供的目标有向图，详叙如下：
S51：将所述障碍物列表中的静态障碍物信息与预设长度内边距进行计算处理，得到目标静态障碍物，并将所述障碍物列表中的动态障碍物信息与所述智能游船进行碰撞计算，得到目标动态障碍物。
S52：基于所述目标静态障碍物与所述目标动态障碍物构建出包括二维图形式的障碍物图的目标Frenet坐标系，得到新的目标Frenet坐标系。
在一具体的实施例中，遍历障碍物列表，计算需要在哪些距离s(Frenet坐标)段考虑该障碍物，对于静态障碍物而言，考虑的距离s范围为障碍物最大距离s加上固定长度的padding（预设长度内边距）,以及最小距离s减去固定长度padding，对于动态障碍物而言，需要考虑更长距离的s,该距离s根据游船与障碍物碰撞概率计算获得。将上述所有需要考虑的障碍物可以用二维图的形式直观的展示出来，从而形成如图6的新的目标Frenet坐标系。
S53：基于所述新的目标Frenet坐标系获取边界列表和节点，并根据所述边界列表和所述节点构建所述目标有向图。
请参阅图8，图8示出了步骤S53的一种具体实施方式，详叙如下：
S531：在所述新的目标Frenet坐标系进行等间距采样和扫描处理，得到所述边界列表。
S532：将所述边界列表中的每一边界与等间距采用的当前位置的交点作为节点。
S533：获取等间距采样后所有位置的节点，并获取两个节点之间形成的区间宽度。
S534：判断所述智能游船是否正常通过所述区间宽度，若是，则将所述区间宽度对应的节点作为目标节点，并基于所有的所述目标节点构建所述目标有向图。
本申请实施例中，在新的目标Frenet坐标系中进行等间距采样s轴，每个点处扫描l轴，获得当前处所有可以通行的边界列表l_bounds，每个边界l_bound和当前/>形成sl_graph的节点Node，当前点所有的节点构成sl_graph的一层，/>层节点计算与完全相同。对/>层的节点/>与每个/>层的节点/>计算两个节点之间的l_bound形成的共有区间宽度是否能够保证游船通行，如果能通行，则将/>层的这个节点的起始节点设置为/>。最终形成目标有向图sl_graph。
S6：根据宽度优先遍历算法对所述目标有向图进行遍历检索，得到可行驶区域，并基于所述可行驶区域生成多条初始行驶路线。
本申请实施例中，用宽度优先遍历算法（BFS）,可以获得目标有向图sl_graph中所有可行驶区域，可行驶区域以列表的形式给出，然后基于所述可行驶区域生成多条初始行驶路线。基于上述图7对应的4四条初始行驶路线分别为：1.Node0 ->Node1 0 ->Node2 0 ->Node3 0；2.Node0 ->Node1 0 ->Node2 0 ->Node3 1；3.Node0 ->Node1 1 ->Node2 0 ->Node3 0；4.Node0 ->Node1 1 ->Node2 0 ->Node3 1。
S7：分别对每条所述初始行驶路线进行优化计算，得到多条目标行驶路线。
请参阅图9，图9示出了步骤S7的一种具体实施方式，详叙如下：
S71：将每条所述初始行驶路线分别转换为可行驶序列，其中，所述可行驶序列包括硬边界。
S72：获取预设的软边界，并将所述硬边界减去所述预设的软边界以形成目标软边界。
S73：基于动力学模型参数中的横向模型与预设代价函数构建所述可行驶序列中每一个位置对应的约束信息，并基于所述约束信息进行优化计算，得到多条所述行驶路线。
本申请实施例中，每条路径分别转换成可行驶序列，其中，该可行驶区域中每个坐标表示在Frenet坐标系/>的位置，该条可行驶区域游船的可通行的最大位置为/>，最小位置为/>，该可行驶区域构成游船路径的hard边界（硬边界）。根据游船本身在其使用环境下控制能够达到的最大误差等因素，设计soft_padding，也即为获取预设的软边界；将硬边界减去预设的软边界以形成目标软边界。将每个点处的/>作为优化变量，设计如下代价函数：
；
对于每个,将hard/soft边界（硬/软边界）转换成如下约束,其中/>为松弛因子
；
进一步地，将上述步骤S1中建立的横向模型简化成线性模型，并作为优化方程的模型约束。最终可以变换成类似如下的QP优化问题：
；
其中，QP优化问题用OSQP开源库，求解获得最终解(，将其在转到笛卡尔坐标系形成一条目标行驶路径。最后将每一条初始行驶路线按照以上处理方式，得到多条目标行驶路径。
本申请实施例中，获取智能游船的动力学模型参数和环境约束条件，其中，环境约束条件包括行驶边界约束和障碍物约束信息；获取所述智能游船的任务路线，并对所述任务路线进行平滑处理，得到平滑任务路线；构建所述平滑任务路线对应的Frenet坐标系，并将所述障碍物约束信息投影至所述Frenet坐标系中，得到目标Frenet坐标系；获取在所述平滑任务路线上与所述智能游船存在碰撞概率的所述障碍物约束信息，得到障碍物列表；基于所述障碍物列表和所述目标Frenet坐标系构建所述智能游船在所述平滑任务路线上允许通过的有向图，得到目标有向图；根据宽度优先遍历算法对所述目标有向图进行遍历检索，得到可行驶区域，并基于所述可行驶区域生成多条初始行驶路线；分别对每条所述初始行驶路线进行优化计算，得到多条目标行驶路线。本申请实施例综合考虑游船动力学特性和环境约束并获得多条路径的路径规划，实现克服传统单一路径规划处理能力不足的问题。
请参考图10，作为对上述图1所示方法的实现，本申请提供了一种智能游船的路径规划装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种无人船中。
如图10所示，本实施例的智能游船的路径规划装置包括：数据获取单元81、路线获取单元82、坐标系构建单元83、障碍物识别单元84、有向图构建单元85、路线生成单元86及路线优化单元87，其中：
数据获取单元81，用于获取智能游船的动力学模型参数和环境约束条件，其中，环境约束条件包括行驶边界约束和障碍物约束信息；
路线获取单元82，用于获取所述智能游船的任务路线，并对所述任务路线进行平滑处理，得到平滑任务路线；
坐标系构建单元83，用于构建所述平滑任务路线对应的Frenet坐标系，并将所述障碍物约束信息投影至所述Frenet坐标系中，得到目标Frenet坐标系；
障碍物识别单元84，用于获取在所述平滑任务路线上与所述智能游船存在碰撞概率的所述障碍物约束信息，得到障碍物列表；
有向图构建单元85，用于基于所述障碍物列表和所述目标Frenet坐标系构建所述智能游船在所述平滑任务路线上允许通过的有向图，得到目标有向图；
路线生成单元86，用于根据宽度优先遍历算法对所述目标有向图进行遍历检索，得到可行驶区域，并基于所述可行驶区域生成多条初始行驶路线；
路线优化单元87，用于分别对每条所述初始行驶路线进行优化计算，得到多条目标行驶路线。
进一步地，路线获取单元82包括：
任务路线获取单元，用于获取所述智能游船的所述任务路线和最大偏离路线范围；
平滑处理单元，用于基于所述最大偏离路线范围采用二次规划方法对所述任务路线进行平滑处理，得到所述平滑任务路线。
进一步地，坐标系构建单元83包括：
Frenet坐标系构建单元，用于将所述平滑任务路线作为所述Frenet坐标系的s轴，以构建所述Frenet坐标系；
目标Frenet坐标系生成单元，用于根据Frenet坐标系与笛卡尔坐标之间的转换关系将障碍物约束信息转换到Frenet坐标系中，以将所述障碍物约束信息投影至所述Frenet坐标系中，得到所述目标Frenet坐标系。
进一步地，障碍物识别单元84包括：
初始障碍物生成单元，用于基于所述动力学模型参数和所述障碍物约束信息，计算所述智能游船与周围障碍物在所述平滑任务路线上是否发生碰撞，得到初始障碍物，其中，所述初始障碍物为存在碰撞概率的障碍物；
躲避概率计算单元，用于计算所述初始障碍物对应的横向躲避概率和纵向躲避概率；
障碍物列表生成单元，用于将所述横向躲避概率大于所述纵向躲避概率的初始障碍物作为目标障碍物，并基于所述目标障碍物生成所述障碍物列表。
进一步地，有向图构建单元85包括：
目标动态障碍物生成单元，用于将所述障碍物列表中的静态障碍物信息与预设长度内边距进行计算处理，得到目标静态障碍物，并将所述障碍物列表中的动态障碍物信息与所述智能游船进行碰撞计算，得到目标动态障碍物；
障碍物图构建单元，用于基于所述目标静态障碍物与所述目标动态障碍物构建出包括二维图形式的障碍物图的目标Frenet坐标系，得到新的目标Frenet坐标系；
目标有向图构建单元，用于基于所述新的目标Frenet坐标系获取边界列表和节点，并根据所述边界列表和所述节点构建所述目标有向图。
进一步地，目标有向图构建单元包括：
边界列表生成单元，用于在所述新的目标Frenet坐标系进行等间距采样和扫描处理，得到所述边界列表；
节点识别单元，用于将所述边界列表中的每一边界与等间距采用的当前位置的交点作为节点；
区间宽度获取单元，用于获取等间距采样后所有位置的节点，并获取两个节点之间形成的区间宽度；
目标节点识别单元，用于判断所述智能游船是否正常通过所述区间宽度，若是，则将所述区间宽度对应的节点作为目标节点，并基于所有的所述目标节点构建所述目标有向图。
进一步地，路线优化单元87包括：
可行驶序列转换单元，用于将每条所述初始行驶路线分别转换为可行驶序列，其中，所述可行驶序列包括硬边界；
目标软边界形成单元，用于获取预设的软边界，并将所述硬边界减去所述预设的软边界以形成目标软边界；
优化计算单元，用于基于动力学模型参数中的横向模型与预设代价函数构建所述可行驶序列中每一个位置对应的约束信息，并基于所述约束信息进行优化计算，得到多条所述行驶路线。
为解决上述技术问题，本申请实施例还提供无人船。具体请参阅图11，图11为本实施例无人船基本结构框图。
无人船9包括通过系统总线相互通信连接存储器91、处理器92、网络接口93。需要指出的是，图中仅示出了具有三种组件存储器91、处理器92、网络接口93的无人船9，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的无人船是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器 (Digital Signal Processor，DSP)、嵌入式设备等。
存储器91至少包括一种类型的可读存储介质，可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，存储器91可以是无人船9的内部存储单元，例如该无人船9的硬盘或内存。在另一些实施例中，存储器91也可以是无人船9的外部存储设备，例如该无人船9上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。当然，存储器91还可以既包括无人船9的内部存储单元也包括其外部存储设备。本实施例中，存储器91通常用于存储安装于无人船9的操作系统和各类应用软件，例如智能游船的路径规划方法的程序代码等。此外，存储器91还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器92在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器92通常用于控制无人船9的总体操作。本实施例中，处理器92用于运行存储器91中存储的程序代码或者处理数据，例如运行上述智能游船的路径规划方法的程序代码，以实现智能游船的路径规划方法的各种实施例。
网络接口93可包括无线网络接口或有线网络接口，该网络接口93通常用于在无人船9与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序可被至少一个处理器执行，以使至少一个处理器执行如上述的一种智能游船的路径规划方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (9)

1.一种智能游船的路径规划方法，其特征在于，包括：
获取智能游船的动力学模型参数和环境约束条件，其中，环境约束条件包括行驶边界约束和障碍物约束信息，所述障碍物约束信息为所述智能游船在行驶时存在的阻碍信息，所述障碍物约束信息包括障碍物的轮廓、速度、角度和预测轨迹；所述行驶边界约束为所述智能游船的最左端船体坐标和最右端船体坐标组成；所述动力学模型参数包括最大加速度、最大减加速度、最大前进速度、最大后退速度、转动时船体角加速度、线加速度、横向模型和纵向模型对应参数；
获取所述智能游船的任务路线，并对所述任务路线进行平滑处理，得到平滑任务路线；
构建所述平滑任务路线对应的Frenet坐标系，并将所述障碍物约束信息投影至所述Frenet坐标系中，得到目标Frenet坐标系；
获取在所述平滑任务路线上与所述智能游船存在碰撞概率的所述障碍物约束信息，得到障碍物列表；
基于所述障碍物列表和所述目标Frenet坐标系构建所述智能游船在所述平滑任务路线上允许通过的有向图，得到目标有向图；
根据宽度优先遍历算法对所述目标有向图进行遍历检索，得到可行驶区域，并基于所述可行驶区域生成多条初始行驶路线；
分别对每条所述初始行驶路线进行优化计算，得到多条目标行驶路线；
其中，所述基于所述障碍物列表和所述目标Frenet坐标系构建所述智能游船在所述平滑任务路线上允许通过的有向图，得到目标有向图，包括：
将所述障碍物列表中的静态障碍物信息与预设长度内边距进行计算处理，得到目标静态障碍物，并将所述障碍物列表中的动态障碍物信息与所述智能游船进行碰撞计算，得到目标动态障碍物；
基于所述目标静态障碍物与所述目标动态障碍物构建出包括二维图形式的障碍物图的目标Frenet坐标系，得到新的目标Frenet坐标系；
基于所述新的目标Frenet坐标系获取边界列表和节点，并根据所述边界列表和所述节点构建所述目标有向图。
2.根据权利要求1所述的智能游船的路径规划方法，其特征在于，所述获取所述智能游船的任务路线，并对所述任务路线进行平滑处理，得到平滑任务路线，包括：
获取所述智能游船的所述任务路线和最大偏离路线范围；
基于所述最大偏离路线范围采用二次规划方法对所述任务路线进行平滑处理，得到所述平滑任务路线。
3.根据权利要求1所述的智能游船的路径规划方法，其特征在于，所述构建所述平滑任务路线对应的Frenet坐标系，并将所述障碍物约束信息投影至所述Frenet坐标系中，得到目标Frenet坐标系，包括：
将所述平滑任务路线作为所述Frenet坐标系的s轴，以构建所述Frenet坐标系；
根据Frenet坐标系与笛卡尔坐标之间的转换关系将障碍物约束信息转换到Frenet坐标系中，以将所述障碍物约束信息投影至所述Frenet坐标系中，得到所述目标Frenet坐标系。
4.根据权利要求1所述的智能游船的路径规划方法，其特征在于，所述获取在所述平滑任务路线上与所述智能游船存在碰撞概率的所述障碍物约束信息，得到障碍物列表，包括：
基于所述动力学模型参数和所述障碍物约束信息，计算所述智能游船与周围障碍物在所述平滑任务路线上是否发生碰撞，得到初始障碍物，其中，所述初始障碍物为存在碰撞概率的障碍物；
计算所述初始障碍物对应的横向躲避概率和纵向躲避概率；
将所述横向躲避概率大于所述纵向躲避概率的初始障碍物作为目标障碍物，并基于所述目标障碍物生成所述障碍物列表。
5.根据权利要求1所述的智能游船的路径规划方法，其特征在于，所述基于所述新的目标Frenet坐标系获取边界列表和节点，并根据所述边界列表和所述节点构建所述目标有向图，包括：
在所述新的目标Frenet坐标系进行等间距采样和扫描处理，得到所述边界列表；
将所述边界列表中的每一边界与等间距采用的当前位置的交点作为节点；
获取等间距采样后所有位置的节点，并获取两个节点之间形成的区间宽度；
判断所述智能游船是否正常通过所述区间宽度，若是，则将所述区间宽度对应的节点作为目标节点，并基于所有的所述目标节点构建所述目标有向图。
6.根据权利要求1至5任一项所述的智能游船的路径规划方法，其特征在于，所述分别对每条所述初始行驶路线进行优化计算，得到多条目标行驶路线，包括：
将每条所述初始行驶路线分别转换为可行驶序列，其中，所述可行驶序列包括硬边界；
获取预设的软边界，并将所述硬边界减去所述预设的软边界以形成目标软边界；
基于动力学模型参数中的横向模型与预设代价函数构建所述可行驶序列中每一个位置对应的约束信息，并基于所述约束信息进行优化计算，得到多条所述行驶路线。
7.一种智能游船的路径规划装置，其特征在于，包括：
数据获取单元，用于获取智能游船的动力学模型参数和环境约束条件，其中，环境约束条件包括行驶边界约束和障碍物约束信息，所述障碍物约束信息为所述智能游船在行驶时存在的阻碍信息，所述障碍物约束信息包括障碍物的轮廓、速度、角度和预测轨迹；所述行驶边界约束为所述智能游船的最左端船体坐标和最右端船体坐标组成；所述动力学模型参数包括最大加速度、最大减加速度、最大前进速度、最大后退速度、转动时船体角加速度、线加速度、横向模型和纵向模型对应参数；
路线获取单元，用于获取所述智能游船的任务路线，并对所述任务路线进行平滑处理，得到平滑任务路线；
坐标系构建单元，用于构建所述平滑任务路线对应的Frenet坐标系，并将所述障碍物约束信息投影至所述Frenet坐标系中，得到目标Frenet坐标系；
障碍物识别单元，用于获取在所述平滑任务路线上与所述智能游船存在碰撞概率的所述障碍物约束信息，得到障碍物列表；
有向图构建单元，用于基于所述障碍物列表和所述目标Frenet坐标系构建所述智能游船在所述平滑任务路线上允许通过的有向图，得到目标有向图；
路线生成单元，用于根据宽度优先遍历算法对所述目标有向图进行遍历检索，得到可行驶区域，并基于所述可行驶区域生成多条初始行驶路线；
路线优化单元，用于分别对每条所述初始行驶路线进行优化计算，得到多条目标行驶路线；
其中，所述有向图构建单元包括：
目标动态障碍物生成单元，用于将所述障碍物列表中的静态障碍物信息与预设长度内边距进行计算处理，得到目标静态障碍物，并将所述障碍物列表中的动态障碍物信息与所述智能游船进行碰撞计算，得到目标动态障碍物；
障碍物图构建单元，用于基于所述目标静态障碍物与所述目标动态障碍物构建出包括二维图形式的障碍物图的目标Frenet坐标系，得到新的目标Frenet坐标系；
目标有向图构建单元，用于基于所述新的目标Frenet坐标系获取边界列表和节点，并根据所述边界列表和所述节点构建所述目标有向图。
8.一种无人船，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的智能游船的路径规划方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的智能游船的路径规划方法。
CN202311578907.1A 2023-11-24 2023-11-24 智能游船的路径规划方法、装置、无人船及介质 Active CN117308964B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311578907.1A CN117308964B (zh) 2023-11-24 2023-11-24 智能游船的路径规划方法、装置、无人船及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311578907.1A CN117308964B (zh) 2023-11-24 2023-11-24 智能游船的路径规划方法、装置、无人船及介质

Publications (2)

Publication Number Publication Date
CN117308964A CN117308964A (zh) 2023-12-29
CN117308964B true CN117308964B (zh) 2024-02-13

Family

ID=89281355

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311578907.1A Active CN117308964B (zh) 2023-11-24 2023-11-24 智能游船的路径规划方法、装置、无人船及介质

Country Status (1)

Country Link
CN (1) CN117308964B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118210318B (zh) * 2024-05-22 2024-08-16 陕西欧卡电子智能科技有限公司 一种无人船的规划方法、装置、计算机设备及无人船

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014215244A1 (de) * 2014-08-01 2016-02-04 Bayerische Motoren Werke Aktiengesellschaft Kollisionsfreie Quer-/Längsführung eines Fahrzeugs
CN110749333A (zh) * 2019-11-07 2020-02-04 中南大学 基于多目标优化的无人驾驶车辆运动规划方法
CN111399506A (zh) * 2020-03-13 2020-07-10 大连海事大学 一种基于动力学约束的全局-局部混合无人船路径规划方法
CN111845774A (zh) * 2020-07-20 2020-10-30 上海大学 一种基于横纵向协调的自动驾驶汽车动态轨迹规划及跟踪方法
CN114527744A (zh) * 2022-01-11 2022-05-24 燕山大学 基于天牛须搜索优化的无人帆船路径跟踪制导方法
CN114923496A (zh) * 2022-03-29 2022-08-19 武汉路特斯汽车有限公司 一种路径规划方法、装置、电子设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11999376B2 (en) * 2022-02-01 2024-06-04 Huawei Technologies Co., Ltd. Systems, methods, and computer-readable media for spatio-temporal motion planning

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014215244A1 (de) * 2014-08-01 2016-02-04 Bayerische Motoren Werke Aktiengesellschaft Kollisionsfreie Quer-/Längsführung eines Fahrzeugs
CN110749333A (zh) * 2019-11-07 2020-02-04 中南大学 基于多目标优化的无人驾驶车辆运动规划方法
CN111399506A (zh) * 2020-03-13 2020-07-10 大连海事大学 一种基于动力学约束的全局-局部混合无人船路径规划方法
CN111845774A (zh) * 2020-07-20 2020-10-30 上海大学 一种基于横纵向协调的自动驾驶汽车动态轨迹规划及跟踪方法
CN114527744A (zh) * 2022-01-11 2022-05-24 燕山大学 基于天牛须搜索优化的无人帆船路径跟踪制导方法
CN114923496A (zh) * 2022-03-29 2022-08-19 武汉路特斯汽车有限公司 一种路径规划方法、装置、电子设备及存储介质
WO2023185419A1 (zh) * 2022-03-29 2023-10-05 宁波路特斯机器人有限公司 一种路径规划方法、装置、电子设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Path planning algorithm combining A* with DWA;Li wengang et al.;Systems Engineering and Electronics;20210131;全文 *
基于Frenet标架下三维元胞自动机的航母舰载机集群运动建模;王华;韩璐;楚世理;甘勇;朱睿杰;吕培;郭毅博;徐明亮;;计算机辅助设计与图形学学报(第09期);全文 *
核应急多约束条件下人员行动路径规划仿真研究;魏强;朱波;谢长记;;核动力工程;20130831(第04期);全文 *
面向无人艇自主靠泊的分层轨迹规划与试验;李晔;贾知浩;张伟斌;廖煜雷;;哈尔滨工程大学学报(第06期);全文 *

Also Published As

Publication number Publication date
CN117308964A (zh) 2023-12-29

Similar Documents

Publication Publication Date Title
JP6494872B2 (ja) 車両の運動を制御する方法、及び車両の制御システム
Zhang et al. Multilevel humanlike motion planning for mobile robots in complex indoor environments
US10012984B2 (en) System and method for controlling autonomous vehicles
US9821801B2 (en) System and method for controlling semi-autonomous vehicles
Konolige A gradient method for realtime robot control
CN111507157A (zh) 基于强化学习而在自动驾驶时优化资源分配的方法及装置
CN117308964B (zh) 智能游船的路径规划方法、装置、无人船及介质
Lan et al. Continuous curvature path planning for semi-autonomous vehicle maneuvers using RRT
CN112284393A (zh) 一种智能移动机器人全局路径规划方法和系统
Lin et al. Sampling-based trajectory repairing for autonomous vehicles
CN115562290A (zh) 一种基于a星惩罚控制优化算法的机器人路径规划方法
CN113671941A (zh) 一种轨迹规划方法、装置、设备和存储介质
Vallon et al. Data-driven strategies for hierarchical predictive control in unknown environments
Karlsson et al. Intention-aware motion planning with road rules
Xu et al. Potential gap: A gap-informed reactive policy for safe hierarchical navigation
Huy et al. A practical and optimal path planning for autonomous parking using fast marching algorithm and support vector machine
Yevsieiev et al. Building a traffic route taking into account obstacles based on the A-star algorithm using the python language
US20210398014A1 (en) Reinforcement learning based control of imitative policies for autonomous driving
Nagatani et al. Sensor-based navigation for car-like mobile robots based on a generalized Voronoi graph
US20230330853A1 (en) System and Method for Controlling a Motion of a Robot
CN115657675A (zh) 一种车辆运动路径生成方法、系统及存储介质
CN115933467A (zh) 基于李雅普诺夫神经网络的无人系统控制方法及控制系统
Shi et al. Local path planning of unmanned vehicles based on improved RRT algorithm
Raj et al. Dynamic Obstacle Avoidance Technique for Mobile Robot Navigation Using Deep Reinforcement Learning
US20230281511A1 (en) Device and method for determining safe actions to be executed by a technical system

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