CN117782055A - 无人车自主建图方法、系统、设备及存储介质 - Google Patents
无人车自主建图方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN117782055A CN117782055A CN202311800202.XA CN202311800202A CN117782055A CN 117782055 A CN117782055 A CN 117782055A CN 202311800202 A CN202311800202 A CN 202311800202A CN 117782055 A CN117782055 A CN 117782055A
- Authority
- CN
- China
- Prior art keywords
- target point
- boundary
- unmanned vehicle
- grid
- grids
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000010276 construction Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000004519 manufacturing process Methods 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了无人车自主建图方法、系统、设备及存储介质，方法包括：获取激光雷达数据，基于激光雷达数据构建当前实时栅格图；从当前实时栅格图中提取若干个边界，计算每个边界的代价值；将边界和代价值存入候选边界数组中；将候选边界数组中，代价值最小的边界的质心作为初始前沿目标点；基于初始前沿目标点，采用基于固定窗口的前沿目标生成算法，生成新的目标点；判断新的目标点是否存在碰撞风险，如果存在，则采用考虑碰撞安全的临时目标点生产算法，生成临时目标点，将临时目标点作为新的目标点；如果不存在，则采用路径规划算法，驱动无人车导航至新的目标点；无人车运行过程中，重复上述步骤直至地图中不存在边界，从而完成自主建图。
Description
技术领域
本发明涉及无人车自主探索建图技术领域，特别是涉及无人车自主建图方法、系统、设备及存储介质。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。
近年来，随着无人车技术智能化程度的不断加深，无人车在人们生产生活中扮演着越来越多的角色，无人驾驶的研究受到了广泛关注。目前多数无人车都需要预先对应用场景的环境地图进行构建，然而环境地图的绘制需要人工对环境信息进行采集，流程复杂且工作量较大，另外在实际应用中还存在人员无法进入或人为遍历困难的特殊环境，为人工构建地图带来了许多困难。为解决此类问题，无人车在没有先验信息的未知环境中通过自主导航遍历整个环境并实现自主建图的自主探索技术成为国内外学者的研究重点。
无人车自主探索建图技术是一种基于SLAM算法和路径规划算法的技术，自主寻找有建图路径的目标点以探索环境未知区域，实现环境完整构图的方法，涉及无人车定位、构图与路径规划等多方面技术。
在自主探索领域，Yamauchi提出了基于边界的自主探索算法将已知区域与未知区域的交界定义为边界(frontier)，通过引导机器人连续移动到边界以不断增加环境的探索面积。但该方法没有考虑路径最优，因此在未知环境面积比较大的时候，机器人探索会耗费大量时间。Dirk Holz提出通过Dijkstra算法更新和存储栅格地图中机器人与所有边界栅格的路径长度，缩短了自主建图的探索路径。但是该方法仅仅考虑了机器人与边界的路径信息，忽略了地图自身携带的有效信息，所以建图时间优化效果一般。Topiwala提出基于WFD算法的探测方法，在寻找地图边界时，算法只扫描栅格地图的空闲栅格和占有栅格，无需扫描整个地图栅格。该方法虽然降低了边界探索算法的时间复杂度，但是对候选边界的评估有所欠缺，容易产生无效不可达边界。
综上所述，现有技术均没有考虑到基于阿克曼模型的无人车的特点，如无法实现原地掉头、倒车耗时长和车尾往往没有传感器等。因此现有技术仍存在着诸多不足，如自主探索建图耗时较长、前沿目标点朝向固定、前沿目标点不可达以及目标点存在碰撞风险等问题。
发明内容
为了解决解决当前无人车自主探索建图过程中存在的前沿目标点朝向固定、前沿目标点不可达、目标点存在碰撞风险和等问题，本发明提供了无人车自主建图方法、系统、设备及存储介质；
一方面，提供了无人车自主建图方法，包括：
获取激光雷达数据，基于激光雷达数据构建当前实时栅格图；
从当前实时栅格图中提取若干个边界，计算每个边界的代价值；按照代价值从小到大的顺序，将边界和边界的代价值存入候选边界数组中；
将候选边界数组中，代价值最小的边界的质心作为初始前沿目标点；基于初始前沿目标点，采用基于固定窗口的前沿目标生成算法，生成新的目标点；
判断新的目标点是否存在碰撞风险，如果存在，则采用考虑碰撞安全的临时目标点生产算法，生成临时目标点，将临时目标点作为新的目标点；采用路径规划算法，驱动无人车导航至新的目标点；如果不存在，则采用路径规划算法，驱动无人车导航至新的目标点；
无人车运行过程中，执行上述步骤，直至地图中不存在边界，从而完成自主建图。
另一方面，提供了无人车自主建图系统，包括：
构建模块，其被配置为：获取激光雷达数据，基于激光雷达数据构建当前实时栅格图；
提取模块，其被配置为：从当前实时栅格图中提取若干个边界，计算每个边界的代价值；按照代价值从小到大的顺序，将边界和边界的代价值存入候选边界数组中；
生成模块，其被配置为：将候选边界数组中，代价值最小的边界的质心作为初始前沿目标点；基于初始前沿目标点，采用基于固定窗口的前沿目标生成算法，生成新的目标点；
判断模块，其被配置为：判断新的目标点是否存在碰撞风险，如果存在，则采用考虑碰撞安全的临时目标点生产算法，生成临时目标点，将临时目标点作为新的目标点；采用路径规划算法，驱动无人车导航至新的目标点；如果不存在，则采用路径规划算法，驱动无人车导航至新的目标点；
迭代模块，其被配置为：无人车运行过程中，迭代完成构建模块、提取模块、生成模块和判断模块的过程，直至地图中不存在边界，从而完成自主建图。
再一方面，还提供了一种电子设备，包括：
存储器，用于非暂时性存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，
其中，所述计算机可读指令被所述处理器运行时，执行上述第一方面所述的方法。
再一方面，还提供了一种存储介质，非暂时性存储计算机可读指令，其中，当非暂时性计算机可读指令由计算机执行时，执行第一方面所述方法的指令。
再一方面，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一方面所述的方法。
上述技术方案具有如下优点或有益效果：
1、本发明针对基于阿克曼模型的无人车倒车掉头耗时长的特性，提出了一种改进的前沿目标点代价函数，通过引入目标点与无人车当前朝向的夹角代价，减少无人车掉头这种耗时行为，从而加快建图速度，减少建图时间。
2、本发明针对传统技术目标点不可达且固定朝向等问题，提出了一种基于固定窗口的前沿目标点生成方法，对初始前沿目标点的位置和朝向进行调整，使得前沿点位置始终处于空闲栅格，保证前沿目标点是可达的，同时使得目标点朝向始终朝向未知区域，从而获得较高的地图增益。
3、本发明针对目标点存在碰撞风险的问题，提出一种考虑碰撞安全的临时目标点生成方法，对存在碰撞风险的前沿目标点的周边进行广度优先搜索，搜索出具有碰撞安全的临时目标点，避免出现碰撞风险，从而保证无人车的安全行驶。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明提出的基于改进边界探索算法的无人车自主建图方法的步骤示意图；
图2为本发明中的栅格地图和边界区域示意图；
图3为本发明中边界搜索算法示意图；
图4为本发明中边界的初始前沿点和无人车位置连线同无人车朝向的夹角示意图；
图5(a)和图5(b)为本发明中未考虑朝向代价和考虑朝向代价对比仿真实验效果图；
图6为本发明中基于固定窗口的前沿目标点生成方法示意图；
图7为本发明中前沿目标点生成方法实验效果图；
图8(a)和图8(b)为本发明中考虑碰撞安全的临时目标点生成方法实验效果图；
图9为本发明中基于改进边界探索算法的无人车自主建图方法流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
实施例一
本实施例提供了无人车自主建图方法；
如图1所示，无人车自主建图方法，包括：
S101：获取激光雷达数据，基于激光雷达数据构建当前实时栅格图；
S102：从当前实时栅格图中提取若干个边界，计算每个边界的代价值；按照代价值从小到大的顺序，将边界和边界的代价值存入候选边界数组中；
S103：将候选边界数组中，代价值最小的边界的质心作为初始前沿目标点；基于初始前沿目标点，采用基于固定窗口的前沿目标生成算法，生成新的目标点；
S104：判断新的目标点是否存在碰撞风险，如果存在，则采用考虑碰撞安全的临时目标点生产算法，生成临时目标点，将临时目标点作为新的目标点；采用路径规划算法，驱动无人车导航至新的目标点；如果不存在，则采用路径规划算法，驱动无人车导航至新的目标点；
S105：无人车运行过程中，不断执行S101～S104，直至地图中不存在边界，从而完成自主建图。
进一步地，S101：基于激光雷达数据构建当前实时栅格图，采用Karto算法实现，栅格图包括：占用栅格、空闲栅格以及未知栅格，占用栅格的定义为：代价值大于253且代价值小于255的栅格；空闲栅格的定义为：代价值小于128的栅格；未知栅格的定义为：代价值等于255的栅格；具有碰撞风险的栅格定义为：代价值大于128且代价值小于253的栅格；边界栅格的定义为：与空闲栅格连通的未知栅格。
如图2所示，未知栅格的上、下、左、右的四个连通栅格中，至少一个为空闲栅格，则与空闲栅格连通的未知栅格被定义为边界栅格，也称为边界点。而由多个连通的边界栅格组成的区域为边界区域，也称为边界。
在无人车路径规划中，实际所采用的为由move_base功能包所提供的代价地图Costmap，其代价值Cost范围为[0，255]。
move_base功能包是机器人操作系统ROS中一个重要的导航功能包，用于实现机器人在环境中的移动和导航。它提供了一个高层次的接口，使得机器人能够规划路径、执行路径、避障等，以实现自主移动。
而代价地图Costmap是move_base功能包中的一个重要概念。代价地图Costmap是一个二维网格地图，用于表示机器人周围环境的可行性和代价信息。它将机器人周围的环境分为不同的区域，并为每个区域分配一个代价值。代价值反映了机器人在该区域内移动的难易程度或风险程度。
进一步地，所述S102：从当前实时栅格图中提取若干个边界，是采用双重广度优先搜索算法实现的。
进一步地，如图3所示，所述S102：从当前实时栅格图中提取若干个边界，具体包括：
S102-1：获取当前无人车位置作为初始位置S，并将初始位置S加入初始搜索队列中，同时标记初始位置S为已访问，开始第一重广度优先搜索；
S102-2：取出初始搜索队列头部位置，搜索其8邻域，并将空闲且未访问的栅格存入队列中，若邻域栅格为未知栅格，且当前邻域栅格的4邻域中存在至少一个空闲栅格，则将当前邻域栅格标记为边界栅格f，同时将边界栅格加入边界搜索队列中，进行第二重广度优先搜索，得到一个边界区域，并将边界区域存入候选边界数组中；
S102-3：不断执行S102-2，直至搜索队列为空。
进一步地，所述S102-2第二重广度优先搜索，具体包括：
取出边界搜索队列头部位置，搜索其8邻域，并将8邻域中满足边界栅格条件的栅格加入边界搜索队列，并将新加入的栅格标记为边界栅格和已访问栅格，并同时记录边界栅格数量Count，不断更新边界栅格与当前无人车位置之间的最短距离，作为边界栅格的最短距离dismin，将边界栅格的横坐标x和纵坐标y分别进行累加，直至边界搜索队列为空，则获取到边界，再分别将累加的横坐标和纵坐标与边界栅格数量相除，得到边界的质心centroid，将边界的质心作为边界的初始前沿点，具体公式如下：
然后，通过改进边界代价函数得出边界的代价值Costfrontier，具体公式如下：
Costfrontier＝α*dismin*Res-β*Conut*Res+γ*θorient
其中，α,β,γ为权重系数，Res为栅格地图分辨率，dismin为边界到无人车位置的最短距离，Conut为边界中边界点的数量，θorient为边界的初始前沿点和无人车位置连线同无人车朝向的夹角，取值范围为[0,π]，如图4所示。
应理解地，引入朝向代价，原因在于对于本发明中这类基于阿克曼模型的无人车来说，倒车调头属于一种较为耗时的行为，因此引入朝向代价，可以让无人车优先考虑前向的前沿目标点，防止无人车频繁倒车调头这种耗时行为，从而可以加快建图速度，缩短建图时间，其效果可以如图5(a)和图5(b)所示。最后将该边界区域存入候选边界数组中，并按照代价值从小到大排序。
进一步地，如图6所示，所述S103：将候选边界数组中，代价值最小的边界的质心作为初始前沿目标点；基于初始前沿目标点，采用基于固定窗口的前沿目标生成算法，生成新的目标点；具体包括：
S103-1：将候选边界数组中，代价值最小的边界的质心作为初始前沿目标点；
S103-2：如图6所示，以初始前沿目标点为中心，设定搜索窗口的尺寸，遍历搜索窗口，分别得出空闲区域和未知区域的质心；空闲区域是由空闲栅格组成的，未知区域是由未知栅格组成的；
S103-3：将空闲区域的质心作为新的目标点，同时将新的目标点的朝向定义为指向未知区域的朝向。
应理解地，将空闲区域的质心作为新的目标点，从而保证了目标点的可达性。同时将新的目标点的朝向定义为指向未知区域的朝向，从而可以获取较高的地图增益。本发明中无人车上所搭载的激光雷达只能探测车头前180°的范围，因此若想获得更高的地图增益，因此需要车头朝向未知区域。此外，让前沿目标点始终朝向未知区域，也可以一定程度减少倒车到目标点这种较为耗时行为，也可以缩短建图时间，实现效果如图7所示。
进一步地，S104：判断新的目标点是否存在碰撞风险，如果存在，则采用考虑碰撞安全的临时目标点生产算法，生成临时目标点，包括：
S104-1：首先判断新的目标点的代价值是否小于设定的安全门限值Costsafe，如小于安全门限值，则直接将新的目标点作为导航目标点，否则将新的目标点定义为存在碰撞风险的目标点，进入S104-2；
S104-2：将存在碰撞风险的目标点，作为广度优先搜索的起始点，存入搜索队列中，并标记为已访问；
S104-3：取出搜索队列头部位置，搜索其8邻域，并将8邻域中具有碰撞风险且未被访问的栅格存入搜索队列，并标记为已经访问；
S104-4：不断重复S104-3，直到搜索到空闲栅格，结束搜索，并将搜索到的空闲栅格作为临时目标点，作为实际导航目标点，驱动无人车导航至实际导航目标点。
进一步地，采用路径规划算法，驱动无人车导航至新的目标点，所述路径规划算法采用A*算法和TEB算法融合的路径规划算法，路径规划算法由全局路径规划算法和局部路径规划算法相融合，全局路径规划算法为无人车提供全局最优路径，而局部路径规划算法用于实现实时避障，本发明所采用的全局路径规划算法为A*算法，局部路径规划算法为TEB算法。
图8(a)和图8(b)为本发明中考虑碰撞安全的临时目标点生成方法实验效果图；图9为本发明中基于改进边界探索算法的无人车自主建图方法流程图。本发明提出一种改进的前沿目标点代价函数，引入目标点与无人车当前朝向的夹角代价，减少无人车掉头这种耗时行为，从而减少建图耗时；提出一种基于固定窗口的前沿目标点生成方法，对初始前沿目标点的位置和朝向进行调整，保证前沿目标点是可达的，同时保证了朝向始终朝向未知区域，从而获得较高的地图增益；提出一种考虑碰撞安全的临时目标点生成方法，对存在碰撞风险的前沿目标点的周边进行搜索，搜索出具有碰撞安全的临时目标点，从而保证无人车的安全行驶。
实施例二
本实施例提供了无人车自主建图系统；
无人车自主建图系统，包括：
构建模块，其被配置为：获取激光雷达数据，基于激光雷达数据构建当前实时栅格图；
提取模块，其被配置为：从当前实时栅格图中提取若干个边界，计算每个边界的代价值；按照代价值从小到大的顺序，将边界和边界的代价值存入候选边界数组中；
生成模块，其被配置为：将候选边界数组中，代价值最小的边界的质心作为初始前沿目标点；基于初始前沿目标点，采用基于固定窗口的前沿目标生成算法，生成新的目标点；
判断模块，其被配置为：判断新的目标点是否存在碰撞风险，如果存在，则采用考虑碰撞安全的临时目标点生产算法，生成临时目标点，将临时目标点作为新的目标点；采用路径规划算法，驱动无人车导航至新的目标点；如果不存在，则采用路径规划算法，驱动无人车导航至新的目标点；
迭代模块，其被配置为：无人车运行过程中，迭代完成构建模块、提取模块、生成模块和判断模块的过程，直至地图中不存在边界，从而完成自主建图。
此处需要说明的是，上述构建模块、提取模块、生成模块、判断模块和迭代模块对应于实施例一中的步骤S101至S105，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统，可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
实施例三
本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.无人车自主建图方法，其特征是，包括：
获取激光雷达数据，基于激光雷达数据构建当前实时栅格图；
从当前实时栅格图中提取若干个边界，计算每个边界的代价值；按照代价值从小到大的顺序，将边界和边界的代价值存入候选边界数组中；
将候选边界数组中，代价值最小的边界的质心作为初始前沿目标点；基于初始前沿目标点，采用基于固定窗口的前沿目标生成算法，生成新的目标点；
判断新的目标点是否存在碰撞风险，如果存在，则采用考虑碰撞安全的临时目标点生产算法，生成临时目标点，将临时目标点作为新的目标点；采用路径规划算法，驱动无人车导航至新的目标点；如果不存在，则采用路径规划算法，驱动无人车导航至新的目标点；
无人车运行过程中，执行上述步骤，直至地图中不存在边界，从而完成自主建图。
2.如权利要求1所述的无人车自主建图方法，其特征是，基于激光雷达数据构建当前实时栅格图，采用Karto算法实现，栅格图包括：占用栅格、空闲栅格以及未知栅格，占用栅格的定义为：代价值大于253且代价值小于255的栅格；空闲栅格的定义为：代价值小于128的栅格；未知栅格的定义为：代价值等于255的栅格；具有碰撞风险的栅格定义为：代价值大于128且代价值小于253的栅格；边界栅格的定义为：与空闲栅格连通的未知栅格。
3.如权利要求1所述的无人车自主建图方法，其特征是，从当前实时栅格图中提取若干个边界，是采用双重广度优先搜索算法实现的。
4.如权利要求1所述的无人车自主建图方法，其特征是，从当前实时栅格图中提取若干个边界，具体包括：
获取当前无人车位置作为初始位置S，并将初始位置S加入初始搜索队列中，同时标记初始位置S为已访问，开始第一重广度优先搜索；
取出初始搜索队列头部位置，搜索其8邻域，并将空闲且未访问的栅格存入队列中，若邻域栅格为未知栅格，且当前邻域栅格的4邻域中存在至少一个空闲栅格，则将当前邻域栅格标记为边界栅格f，同时将边界栅格加入边界搜索队列中，进行第二重广度优先搜索，得到一个边界区域，并将边界区域存入候选边界数组中；
不断执行上一步骤，直至搜索队列为空。
5.如权利要求4所述的无人车自主建图方法，其特征是，第二重广度优先搜索，具体包括：
取出边界搜索队列头部位置，搜索其8邻域，并将8邻域中满足边界栅格条件的栅格加入边界搜索队列，并将新加入的栅格标记为边界栅格和已访问栅格，并同时记录边界栅格数量Conut，不断更新边界栅格与当前无人车位置之间的最短距离，作为边界栅格的最短距离dismin，将边界栅格的横坐标x和纵坐标y分别进行累加，直至边界搜索队列为空，则获取到边界，再分别将累加的横坐标和纵坐标与边界栅格数量相除，得到边界的质心centroid，将边界的质心作为边界的初始前沿点，具体公式如下：
然后，通过改进边界代价函数得出边界的代价值Costfrontier，具体公式如下：
Costfrontier＝α*dismin*Res-β*Conut*Res+γ*θorient
其中，α,β,γ为权重系数，Res为栅格地图分辨率，dismin为边界到无人车位置的最短距离，Conut为边界中边界点的数量，θorient为边界的初始前沿点和无人车位置连线同无人车朝向的夹角，取值范围为[0,π]。
6.如权利要求1所述的无人车自主建图方法，其特征是，将候选边界数组中，代价值最小的边界的质心作为初始前沿目标点；基于初始前沿目标点，采用基于固定窗口的前沿目标生成算法，生成新的目标点；具体包括：
将候选边界数组中，代价值最小的边界的质心作为初始前沿目标点；
以初始前沿目标点为中心，设定搜索窗口的尺寸，遍历搜索窗口，分别得出空闲区域和未知区域的质心；空闲区域是由空闲栅格组成的，未知区域是由未知栅格组成的；
将空闲区域的质心作为新的目标点，同时将新的目标点的朝向定义为指向未知区域的朝向。
7.如权利要求1所述的无人车自主建图方法，其特征是，判断新的目标点是否存在碰撞风险，如果存在，则采用考虑碰撞安全的临时目标点生产算法，生成临时目标点，包括：
首先判断新的目标点的代价值是否小于设定的安全门限值Costsafe，如小于安全门限值，则直接将新的目标点作为导航目标点，否则将新的目标点定义为存在碰撞风险的目标点，进入下一步；
将存在碰撞风险的目标点，作为广度优先搜索的起始点，存入搜索队列中，并标记为已访问；
取出搜索队列头部位置，搜索其8邻域，并将8邻域中具有碰撞风险且未被访问的栅格存入搜索队列，并标记为已经访问；
对搜索队列进行遍历，直到搜索到空闲栅格，结束搜索，并将其作为临时目标点，作为实际导航目标点，驱动无人车导航至实际导航目标点。
8.无人车自主建图系统，其特征是，包括：
构建模块，其被配置为：获取激光雷达数据，基于激光雷达数据构建当前实时栅格图；
提取模块，其被配置为：从当前实时栅格图中提取若干个边界，计算每个边界的代价值；按照代价值从小到大的顺序，将边界和边界的代价值存入候选边界数组中；
生成模块，其被配置为：将候选边界数组中，代价值最小的边界的质心作为初始前沿目标点；基于初始前沿目标点，采用基于固定窗口的前沿目标生成算法，生成新的目标点；
判断模块，其被配置为：判断新的目标点是否存在碰撞风险，如果存在，则采用考虑碰撞安全的临时目标点生产算法，生成临时目标点，将临时目标点作为新的目标点；采用路径规划算法，驱动无人车导航至新的目标点；如果不存在，则采用路径规划算法，驱动无人车导航至新的目标点；
迭代模块，其被配置为：无人车运行过程中，迭代完成构建模块、提取模块、生成模块和判断模块的过程，直至地图中不存在边界，从而完成自主建图。
9.一种电子设备，其特征是，包括：
存储器，用于非暂时性存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，
其中，所述计算机可读指令被所述处理器运行时，执行上述权利要求1-7任一项所述的方法。
10.一种存储介质，其特征是，非暂时性存储计算机可读指令，其中，当非暂时性计算机可读指令由计算机执行时，执行权利要求1-7任一项所述方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311800202.XA CN117782055A (zh) | 2023-12-25 | 2023-12-25 | 无人车自主建图方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311800202.XA CN117782055A (zh) | 2023-12-25 | 2023-12-25 | 无人车自主建图方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117782055A true CN117782055A (zh) | 2024-03-29 |
Family
ID=90380969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311800202.XA Pending CN117782055A (zh) | 2023-12-25 | 2023-12-25 | 无人车自主建图方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117782055A (zh) |
-
2023
- 2023-12-25 CN CN202311800202.XA patent/CN117782055A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12061486B2 (en) | Area cleaning planning method for robot walking along boundary, chip and robot | |
| CN109541634B (zh) | 一种路径规划方法、装置和移动设备 | |
| CN108983777B (zh) | 一种基于自适应前沿探索目标点选取的自主探索与避障方法 | |
| JP7462244B2 (ja) | ロボットの縁沿い走行中の清掃区画領域の計画方法、チップ及びロボット | |
| US20180180428A1 (en) | Navigation for vehicles | |
| CN108334080A (zh) | 一种针对机器人导航的虚拟墙自动生成方法 | |
| WO2021243978A1 (zh) | 一种基于激光地图的工作区域拓展方法、芯片及机器人 | |
| JP6649743B2 (ja) | 一致性評価装置および一致性評価方法 | |
| CN115061499B (zh) | 无人机控制方法及无人机控制装置 | |
| CN112987749A (zh) | 一种智能割草机器人混合路径规划方法 | |
| CN111609853B (zh) | 三维地图构建方法、扫地机器人及电子设备 | |
| CN110763247A (zh) | 基于可视图和贪心算法结合的机器人路径规划方法 | |
| CN115248042A (zh) | 一种清扫路径的规划方法及装置 | |
| CN114812539B (zh) | 地图探索、地图使用方法、装置、机器人和存储介质 | |
| CN114911228A (zh) | 机器人路径规划方法、装置及机器人 | |
| CN115494834A (zh) | 机器人路径规划方法、装置及机器人 | |
| CN117389305A (zh) | 一种无人机巡检路径规划方法、系统、设备及介质 | |
| CN113985894B (zh) | 一种自主避障路径规划方法、装置、设备及存储介质 | |
| CN117782055A (zh) | 无人车自主建图方法、系统、设备及存储介质 | |
| CN113561962A (zh) | 一种自动泊车路径规划方法及系统、泊车控制设备 | |
| CN116429144A (zh) | 基于改进Astar和DWA融合算法的自主车辆路径规划方法 | |
| CN112489131B (zh) | 基于路面检测构建代价地图的方法、装置、介质和机器人 | |
| CN115540852A (zh) | 电子栅格地图构建方法、装置、电子设备及存储介质 | |
| CN115220448A (zh) | 一种基于稀疏化可视图的机器人快速路径规划方法 | |
| CN115082629A (zh) | 环境地图构建方法及使用该环境地图构建方法的机器人 |
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 |