[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN113110431A - 无人靶车野外试验路径实时规划方法 - Google Patents

无人靶车野外试验路径实时规划方法 Download PDF

Info

Publication number
CN113110431A
CN113110431A CN202110363973.1A CN202110363973A CN113110431A CN 113110431 A CN113110431 A CN 113110431A CN 202110363973 A CN202110363973 A CN 202110363973A CN 113110431 A CN113110431 A CN 113110431A
Authority
CN
China
Prior art keywords
path
information
target vehicle
unmanned
planning
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
Application number
CN202110363973.1A
Other languages
English (en)
Inventor
肖泽龙
蔡雯怡
胡泰洋
薛文
周阳
吴礼
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202110363973.1A priority Critical patent/CN113110431A/zh
Publication of CN113110431A publication Critical patent/CN113110431A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Optics & Photonics (AREA)
  • Electromagnetism (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种无人靶车野外试验路径实时规划方法，所述方法包括：采集无人靶车的GPS/BDS数据信息，根据全局地图中的信息构建栅格环境模型；基于改进的蚁群算法进行全局路径规划；无人靶车沿着期望路径行驶并接收从各类传感器传来的实时视频信号，并判断是否需要进行局部路径规划；局部路径规划策略；将生成的实时局部路径发给无人靶车控制层。本发明提高了无人靶车野外路径规划的效率，并且利用环境感知信息使无人靶车在野外未知环境中能高效合理地规划安全的路径，保证了野外路径规划全局最优性和局部实时性。

Description

无人靶车野外试验路径实时规划方法
技术领域
本发明涉及无人驾驶技术领域，具体涉及一种无人靶车野外试验路径实时规划方法。
背景技术
随着科技的进步，无人驾驶技术的研究也越来越多，得到广泛的关注，无人驾驶汽车是通过车载传感系统感知道路环境，根据特定的道路环境模型，定义车辆的起始点和目标点，进行方位引导，控制车辆到达预订目的地的智能汽车。无人驾驶汽车将先进的精确定位、环境感知、路径决策规划等技术融合到传统车辆载体中。而当前对于无人驾驶技术来说，路径规划是无人驾驶技术的至关重要的技术，需要解决的问题就是“怎么到这个地方去”。路径规划作是无人驾驶技术的一个关键环节，是实现无人驾驶车辆信息化、智能化、自动化的基础，它分别需要依赖基于环境模型的全局规划和基于传感器获得的外界信息下的局部路径规划。
根据对环境信息的把握程度可把路径规划分为基于先验完全信息的全局路径规划和基于传感器信息的局部路径规划。其中全局规划属于静态规划，局部路径规划属于动态规划，全局路径规划需要掌握所有的环境信息，根据环境地图的所有信息进行路径规划；局部路径规划只需要由传感器实时采集环境信息，了解环境地图信息，然后确定出所在地图的位置及其局部的障碍物分布情况，从而可以选出从当前节点某一子目标节点的最优路径。
道路环境日益复杂多变，对于未知的野外空旷区域，传统的路径规划算法已经不能很好的满足要求，无法实现路径的自动规划。
发明内容
本发明的目的在于提出一种无人靶车野外试验路径实时规划方法。
实现本发明目的的技术方案为：一种无人靶车野外试验路径实时规划方法，包括：
S1、采集无人靶车的GPS/BDS数据信息，获取本车状态位置信息，将无人靶车位置作为起始点，将目标点作为终点，加载全局地图信息；
S2、基于已选择的起始点和目标点信息，以及全局地图信息构建栅格环境模型，采用改进的蚁群算法进行全局路径规划，生成全局路径；
S3、无人靶车沿着期望路径行驶并接受从各类传感器传来的实时信号，根据信号获得无人靶车周围的环境信息，包括道路信息，障碍物信息，根据获得的传感器信息进行分析和判断是否需要进行局部路径规划，如果需要进行局部路径规划则进行步骤S4；如果不需要进行局部路径规划则转到步骤S5；
S4、局部实时路径规划策略：无人靶车沿着期望路径行驶中，利用自身携带的传感器持续地感知有限范围障碍物信息，并将障碍物信息表示在栅格模型中，以当前无人靶车实时位置为参考，以与障碍物栅格模型顶点邻边最近的点为可行点，当无人靶车行驶到此可行点后，将此可行点作为起始点，观察障碍物栅格是否与期望路径有重合部分，如果有，基于改进的蚁群算法进行局部路径规划；如果没有则进行步骤S5；
S5、将生成的期望路径发送给无人靶车底盘控制器；如果生成了局部路径，则对路径信息进行更新，并把更新后的路径信息发送给底盘控制器；如果未生成局部路径，无人靶车沿着期望路径继续行驶。
进一步的，步骤S1中的全局地图信息包括障碍物信息，其中障碍物为静态障碍物，是原有全局地图信息上所能获取到的障碍物信息；步骤S4中的障碍物信息为地图中未能获取的障碍物信息或者无人靶车在野外行驶过程中新增的静态障碍物。
进一步的，步骤S2中的全局路径规划过程如下：
S201、采用GPS/BDS系统、毫米波雷达、激光雷达、获取全局地图中障碍物信息以及无人靶车自身信息，包括速度，方位，位置信息；
S202、根据GPS/BDS获取模拟靶标车辆当前的位置信息作为起始点，选择目标点，加载全局地图信息获取车辆行驶范围信息，进行环境建模，采用1*1的栅格粒度对行驶区域进行栅格划分，对于环境中的不规则的障碍物，统一的采用栅格粒来表示，当不规则障碍物未填满栅格粒的时候将其补满；
S203、采用改进的蚁群算法进行全局路径规划，获得期望路径；
S204、采用三次B样条曲线对上述生成的全局路径进行平滑处理。
进一步的，改进的蚁群算法模型为：
Figure BDA0003006657710000031
allowk为蚂蚁k带访问点集合；
初始时刻，allowk中有n-1个元素，即除了蚂蚁当前所在位置点的其他多个点集合，蚂蚁每走一步，allowk中的元素越来越少，最后为空；
Figure BDA0003006657710000032
表示蚂蚁的转移概率函数；cid(t)表示点i到下一步邻点d路径上的信息素浓度；a为信息素重要程度因子；b为启发函数因子；cij(t)为点i到点j路径上的信息素浓度；d为与位置节点i相邻的可选节点的集合，nij(t)为启发函数，表示蚂蚁从i点转移到j的期望，nid(t)表示蚂蚁与邻点f之间的启发函数；
启发函数的计算公式为：
Figure BDA0003006657710000033
上述公式中，did表示节点i到其相邻点d之间的距离，ddj表示节点d到目标点j的距离，λ为节点间距离的权重系数，λ∈[0,1]。
进一步的，基于改进的蚁群算法的全局路径规划中信息素更新策略如下：
当所有蚂蚁完成一次迭代时，各条路径上的节点之间信息素量的计算方法如下：
cij(t+1)＝(1-ρ)*cij(t)+Δcij
Figure BDA0003006657710000034
Figure BDA0003006657710000035
为第k只蚂蚁在城市i与城市k连接路径上释放信息素而增加的信息素浓度；cij为所有蚂蚁在城市i与城市j连接路径上的信息素浓度，该信息素浓度会随着释放信息素而增加；ρ表示信息素蒸发率，0<ρ<1；
Figure BDA0003006657710000036
其中Q取常数，代表信息素增量的强度，在进行一次迭代后对所有蚂蚁迭代的路径长度进行堆排序，L0<L1<L2<…，路径越短排序k越小，当为最优路径L0时，k＝0；ω代表排序为k的蚂蚁迭代路径的权重，ω＝max-k，其中max表示最优路径的权重；
更新的信息素策略中，通过对一次迭代后蚂蚁迭代路径的排序，对各条路径进行权重不同的信息素更新，通过迭代，最优路径上的信息素不断叠加，从而吸引更多的蚂蚁向最优路径移动，若蚂蚁一次迭代后L’长度的路径在所有路径中排序为r，那么该路径权重为max-r，对各个路径节点间的信息素进行更新为
Figure BDA0003006657710000041
当达到最大迭代次数Nmax时，计算每只蚂蚁的搜索路径长度，找出最优路径。
进一步的，步骤S3中局部路径规划分析方法如下：
通过各类传感器获得的信息来判断是否影响无人靶车沿着期望路径安全行驶；
对无人靶车行驶路径栅格编号与传感器所检测到的障碍物的栅格编号进行对比：
若无人靶车行驶路径栅格编号与传感器所检测到的障碍物的栅格编号有交集，则判断需要进行局部路径规划；
若无人靶车行驶路径栅格编号与传感器所检测到的障碍物的栅格编号无交集，则判断不需要进行局部路径规划。
进一步的，步骤S4中进行局部路径规划的方法为：
S401：通过各类传感器获取障碍物信息，采用1*1的栅格粒对障碍物区域进行划分，对于环境中的不规则的障碍物，统一的采用栅格粒来表示，当不规则障碍物未填满栅格粒的时候将其补满；
S402：观察障碍物栅格是否与期望路径有重合部分，如果有，则为了避免碰撞会生成局部路径，如果没有则进行步骤S5；
S403：采集障碍物栅格顶点位置信息，选择离当前无人靶车最近的顶点，当无人靶车沿着期望路径行驶此处后将该顶点作为新的起始点，基于改进的蚁群算法进行局部路径规划；
S404：采用三次B样条曲线对上述生成的路径进行平滑处理。
进一步的，步骤S5中将路径规划信息发送给底盘控制器的方法具体为：
步骤S501：将生成的全局期望路径发送给底盘控制器，无人靶车将按照全局期望路径行驶；
步骤S502：如果生成了局部路径，则对路径信息进行更新，并把更新后的路径信息发送给底盘控制器；如果未生成局部路径，无人靶车沿着期望路径继续行驶。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的无人靶车野外试验路径实时规划方法。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的无人靶车野外试验路径实时规划方法。
与现有技术相比，本发明的有益效果为：
(1)针对传统蚁群算法易出现问题，如收敛速度慢、易陷入局部最优解等，本发明对蚁群算法做出了改进，加速了收敛速度，同时又缓解了易陷入局部最优解的情况；
(2)本发明提出了新的信息素更新策略，该信息素更新策略可以提高最优路径上的信息素浓度，但是也不会因为最优路径上的信息素浓度过于突出而使算法过早收敛陷入局部最优解；
(3)本发明无人靶车路径规划针对于野外环境，相对于城市环境，野外环境具有未知性的特点，在获得先验信息后无人靶车可以在野外未知环境中行驶；
(4)局部路径规划策略：将多种传感器信息融合用于局部路径规划，基于环境感知实时对局部路径中的障碍物避障问题进行决策，提高了无人靶车路径规划的安全性，可靠性；
(5)利用三次B样条曲线对路径进行了平滑处理，具有良好的稳定性。
附图说明
图1为本发明无人靶车野外试验路径实时规划方法流程示意图。
图2为本发明提出的改进蚁群算法流程示意图。
图3为本发明实施例中对无人靶车行驶范围环境建模的栅格图。
具体实施方式
为了更清楚的说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。
如图1所示，本发明实施例的无人靶车野外试验路径实时规划方法包含以下步骤：
步骤1、定位，具体步骤如下：
步骤S101、根据GPS/BDS系统获取无人靶车当前的位置信息，并将无人靶车当前的位置作为起始点；
步骤S102、根据起始点和目标点，加载全局地图信息，地图中包括所有已知的静止障碍物；
其中，全局地图信息包括障碍物信息，其中障碍物为静态障碍物，是原有全局地图信息上所能获取到的障碍物信息。
步骤2、基于已选择的起始点和目标点信息，以及全局地图信息构建栅格环境模型，采用改进的蚁群算法进行全局路径规划，生成全局路径，如图2所示，具体实施步骤如下：
步骤201、根据GPS/BDS获取模拟靶标车辆当前的位置信息作为起始点，选择目标点，加载全局地图信息获取车辆行驶范围信息，进行环境建模，采用1*1的栅格粒度对行驶区域进行栅格划分，对于环境中的不规则的障碍物，统一的采用栅格粒来表示，当不规则障碍物未填满栅格粒的时候将其补满；如图3所示，其中非障碍物栅格为可行栅格。无人靶车在当前栅格中可以沿其邻边方向移动，以图3中栅格45为例，无人靶车可以选择的自由栅格包括25,44,64,65,46。将栅格中的S、T分别设为无人驾驶车辆的起始点和终点，为表示障碍物的具体位置，构造障碍矩阵：
Figure BDA0003006657710000061
利用障碍矩阵可对无人驾驶车辆的行驶环境进行描述。
步骤202、全局路径规划，具体实施步骤如下：
通过对传统蚁群算法中节点状态转移概率的启发函数和信息素的更新进行改进优化，提出一群优化算法，生成所述出行点至所述终点的最短全局路径，所述改进蚁群算法模型为：
Figure BDA0003006657710000071
allowk为蚂蚁k带访问点集合，
初始时刻，allowk中有n-1个元素，即除了蚂蚁当前所在位置点的其他多个点集合，蚂蚁每走一步，allowk中的元素越来越少，最后为空。
Figure BDA0003006657710000072
表示蚂蚁的转移概率函数；
cid(t)表示点i到下一步邻点d路径上的信息素浓度；
a为信息素重要程度因子；
b为启发函数因子；
cij(t)为点i到点j路径上的信息素浓度；
d为与位置节点i相邻的可选节点的集合，nij(t)为启发函数，表示蚂蚁从i点转移到j的期望，nid(t)表示蚂蚁与邻点d之间的启发函数。
启发函数的计算公式为：
Figure BDA0003006657710000073
上述公式中，did表示的是节点i到其相邻点d之间的距离，ddj是节点d到目标点j的距离，λ是节点间距离的权重系数，λ∈[0,1]，表征了算法运行的随机性和目的性，增加找到最优路径的可能性。
修改启发函数的目的是，加强蚁群对目标节点和下一节点的选择导向作用，从而使蚁群的搜索时间减少，同时也保证了增加了蚁群选择节点的随机性，避免陷入局部最优，提高了路径规划的效率。
基于蚁群算法的全局路径规划中信息素更新策略：
蚂蚁个体从巢穴寻找食物源的过程中会在走过的路线上释放一种被称为信息素的化学物质，从而使蚂蚁在觅食的过程中能够通过此物质达到信息交流的目的。蚂蚁在觅食的过程中，将在蚂蚁所路过的路线上残留一定浓度的信息素，而其他蚂蚁能够在觅食过程中感知到残留在路线上信息素的浓度，并且蚂蚁的运动趋势趋向于想信息素浓度较高的位置，据此为依据，为蚂蚁的下一步行动指定方向，同时，信息素浓度会随着蚂蚁觅食的进行而有所降低。
当所有蚂蚁完成一次迭代时，各条路径上的节点之间信息素量的计算方法如下：
cij(t+1)＝(1-ρ)*cij(t)+Δcij
Figure BDA0003006657710000081
Figure BDA0003006657710000082
为第k只蚂蚁在城市i与城市k连接路径上释放信息素而增加的信息素浓度；cij为所有蚂蚁在城市i与城市j连接路径上的信息素浓度，该信息素浓度会随着释放信息素而增加；ρ表示信息素蒸发率，0<ρ<1；
Figure BDA0003006657710000083
其中Q取常数，代表信息素增量的强度，在进行一次迭代后对所有蚂蚁迭代的路径长度进行堆排序，L0<L1<L2<…，路径越短排序k越小，当为最优路径L0时，k＝0。ω代表排序为k的蚂蚁迭代路径的权重，ω＝max-k，其中max表示最优路径的权重。
更新的信息素策略中，通过对一次迭代后蚂蚁迭代路径的排序，对各条路径进行权重不同的信息素更新，可以提高信息素在当前最优路径上的强度，通过一次又一次的迭代，最优路径上的信息素不断叠加，从而吸引更多的蚂蚁向最优路径移动，若蚂蚁一次迭代后L’长度的路径在所有路径中排序为r,那么该路径权重为max-r,对各个路径节点间的信息素进行更新为
Figure BDA0003006657710000084
而当路径排序较大时，相对的权重会减小，从而削弱了信息素浓度，有效的防止了算法过早收敛而陷入局部最优解。当一条较差的路径，其权重为负值(当k>max)时，该路径上的信息素浓度会减少，因此减少了搜索最优路径花费时间，提高了路径搜索的效率，该信息素更新策略可以提高最优路径上的信息素浓度，但是也不会因为最优路径上的信息素浓度过于突出而使算法过早收敛陷入局部最优解。
当达到最大迭代次数Nmax时，输出各条搜索路径长度，找出最优路径。
采用三次B样条曲线对上述生成的全局路径进行平滑处理：
由于改进的蚁群算法搜索出来的路径不是平滑的，若要无人驾驶车辆能实际进行行驶，需要对全局路径进行平滑处理，保证路径转折次数少且光滑。
步骤S3、无人靶车沿着期望路径行驶并分析当前道路状况，具体实施步骤如下：
步骤S301、无人靶车沿着期望路径行驶；
步骤S302、分析野外道路情况：
通过各类传感器获得无人靶车周围环境信息进行分析的方法为：根据自身携带的传感器检测周围障碍物信息，包括道路面的坑，不易于行驶路段，路障等信息；通过各类传感器获得的信息来判断是否影响无人靶车沿着期望路径安全行驶
步骤S303、采用1*1的栅格粒对障碍物区域进行划分，对于环境中的不规则的障碍物，统一的采用栅格粒来表示，当不规则障碍物未填满栅格粒的时候将其补满,对于环境中的不规则的障碍物，统一的采用栅格粒来表示，当不规则障碍物未填满栅格粒的时候将其补满。如图3所示，栅格编号用来表示无人靶车和障碍物的具体位置。
步骤S4、局部路径规划分析，其步骤如下：
步骤S401、通过各类传感器获得的信息来判断是否影响无人靶车沿着期望路径安全行驶。
步骤S402、对无人靶车行驶路径栅格编号与传感器所检测到的障碍物的栅格编号进行对比
①若无人靶车行驶路径栅格编号与传感器所检测到的障碍物的栅格编号有交集，则判断需要进行局部路径规划
②若无人靶车行驶路径栅格编号与传感器所检测到的障碍物的栅格编号无交集，则判断不需要进行局部路径规划。
步骤S403、如果影响，则进入步骤S5，如果不影响则进入步骤S6。
步骤S5、局部路径规划，其步骤如下：
步骤S501、采集障碍物栅格顶点位置信息，选择离当前无人靶车最近的顶点，当无人靶车沿着期望路径行驶此处后将该顶点作为新的起始点，基于改进的蚁群算法进行局部路径规划，所述改进蚁群算法与步骤S2相同。
步骤S502、采用三次B样条曲线对上述生成的路径进行平滑处理。
步骤S6、路径规划信息发送给底盘控制器，车辆沿着期望路径行驶。
本发明还提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的无人靶车野外试验路径实时规划方法。
进一步的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的无人靶车野外试验路径实时规划方法。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例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同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种无人靶车野外试验路径实时规划方法，其特征在于，包括：
S1、采集无人靶车的GPS/BDS数据信息，获取本车状态位置信息，将无人靶车位置作为起始点，将目标点作为终点，加载全局地图信息；
S2、基于已选择的起始点和目标点信息，以及全局地图信息构建栅格环境模型，采用改进的蚁群算法进行全局路径规划，生成全局路径；
S3、无人靶车沿着期望路径行驶并接受从各类传感器传来的实时信号，根据信号获得无人靶车周围的环境信息，包括道路信息，障碍物信息，根据获得的传感器信息进行分析和判断是否需要进行局部路径规划，如果需要进行局部路径规划则进行步骤S4；如果不需要进行局部路径规划则转到步骤S5；
S4、局部实时路径规划策略：无人靶车沿着期望路径行驶中，利用自身携带的传感器持续地感知有限范围障碍物信息，并将障碍物信息表示在栅格模型中，以当前无人靶车实时位置为参考，以与障碍物栅格模型顶点邻边最近的点为可行点，当无人靶车行驶到此可行点后，将此可行点作为起始点，观察障碍物栅格是否与期望路径有重合部分，如果有，基于改进的蚁群算法进行局部路径规划；如果没有则进行步骤S5；
S5、将生成的期望路径发送给无人靶车底盘控制器；如果生成了局部路径，则对路径信息进行更新，并把更新后的路径信息发送给底盘控制器；如果未生成局部路径，无人靶车沿着期望路径继续行驶。
2.根据权利要求1所述的无人靶车野外路径实时规划方法，其特征在于，步骤S1中的全局地图信息包括障碍物信息，其中障碍物为静态障碍物，是原有全局地图信息上所能获取到的障碍物信息；步骤S4中的障碍物信息为地图中未能获取的障碍物信息或者无人靶车在野外行驶过程中新增的静态障碍物。
3.根据权利要求1所述的无人靶车野外试验路径实时规划方法，其特征在于，步骤S2中的全局路径规划过程如下：
S201、采用GPS/BDS系统、毫米波雷达、激光雷达、获取全局地图中障碍物信息以及无人靶车自身信息，无人靶车自身信息包括速度，方位，位置信息；
S202、根据GPS/BDS获取模拟靶标车辆当前的位置信息作为起始点，选择目标点，加载全局地图信息获取车辆行驶范围信息，进行环境建模，采用1*1的栅格粒度对行驶区域进行栅格划分，对于环境中的不规则的障碍物，统一的采用栅格粒来表示，当不规则障碍物未填满栅格粒的时候将其补满；
S203、采用改进的蚁群算法进行全局路径规划，获得期望路径；
S204、采用三次B样条曲线对上述生成的全局路径进行平滑处理。
4.根据权利要求3所述的无人靶车野外试验路径实时规划方法，其特征在于，改进的蚁群算法模型为：
Figure FDA0003006657700000021
allowk为蚂蚁k带访问点集合；
初始时刻，allowk中有n-1个元素，即除了蚂蚁当前所在位置点的其他多个点集合，蚂蚁每走一步，allowk中的元素越来越少，最后为空；
Figure FDA0003006657700000022
表示蚂蚁的转移概率函数；cid(t)表示点i到下一步邻点d路径上的信息素浓度；a为信息素重要程度因子；b为启发函数因子；cij(t)为点i到点j路径上的信息素浓度；d为与位置节点i相邻的可选节点的集合，nij(t)为启发函数，表示蚂蚁从i点转移到j的期望，nid(t)表示蚂蚁与邻点d之间的启发函数；
启发函数的计算公式为：
Figure FDA0003006657700000023
上述公式中，did表示节点i到其相邻点d之间的距离，ddj表示节点d到目标点j的距离，λ为节点间距离的权重系数，λ∈[0,1]。
5.根据权利要求4所述的无人靶车野外试验路径实时规划方法，其特征在于，基于改进的蚁群算法的全局路径规划中信息素更新策略如下：
当所有蚂蚁完成一次迭代时，各条路径上的节点之间信息素量的计算方法如下：
cij(t+1)＝(1-ρ)*cij(t)+Δcij
Figure FDA0003006657700000024
Figure FDA0003006657700000025
为第k只蚂蚁在城市i与城市k连接路径上释放信息素而增加的信息素浓度；cij为所有蚂蚁在城市i与城市j连接路径上的信息素浓度，该信息素浓度会随着释放信息素而增加；ρ表示信息素蒸发率，0<ρ<1；
Figure FDA0003006657700000031
其中Q取常数，代表信息素增量的强度，在进行一次迭代后对所有蚂蚁迭代的路径长度进行堆排序，L0<L1<L2<…，路径越短排序k越小，当为最优路径L0时，k＝0；ω代表排序为k的蚂蚁迭代路径的权重，ω＝max-k，其中max表示最优路径的权重；
更新的信息素策略中，通过对一次迭代后蚂蚁迭代路径的排序，对各条路径进行权重不同的信息素更新，通过迭代，最优路径上的信息素不断叠加，从而吸引更多的蚂蚁向最优路径移动，若蚂蚁一次迭代后L’长度的路径在所有路径中排序为r，那么该路径权重为max-r，对各个路径节点间的信息素进行更新为
Figure FDA0003006657700000032
当达到最大迭代次数Nmax时，计算每只蚂蚁的搜索路径长度，找出最优路径。
6.根据权利要求1所述的无人靶车野外试验路径实时规划方法，其特征在于，步骤S3中局部路径规划分析方法如下：
通过各类传感器获得的信息来判断是否影响无人靶车沿着期望路径安全行驶；
对无人靶车行驶路径栅格编号与传感器所检测到的障碍物的栅格编号进行对比：
若无人靶车行驶路径栅格编号与传感器所检测到的障碍物的栅格编号有交集，则判断需要进行局部路径规划；
若无人靶车行驶路径栅格编号与传感器所检测到的障碍物的栅格编号无交集，则判断不需要进行局部路径规划。
7.根据权利要求1所述的无人靶车野外试验路径实时规划方法，其特征在于，步骤S4中进行局部路径规划的方法为：
S401：通过各类传感器获取障碍物信息，采用1*1的栅格粒对障碍物区域进行划分，对于环境中的不规则的障碍物，统一的采用栅格粒来表示，当不规则障碍物未填满栅格粒的时候将其补满；
S402：观察障碍物栅格是否与期望路径有重合部分，如果有，则为了避免碰撞会生成局部路径，如果没有则进行步骤S5；
S403：采集障碍物栅格顶点位置信息，选择离当前无人靶车最近的顶点，当无人靶车沿着期望路径行驶此处后将该顶点作为新的起始点，基于改进的蚁群算法进行局部路径规划；
S404：采用三次B样条曲线对上述生成的路径进行平滑处理。
8.根据权利要求1所述的无人靶车野外试验路径实时规划方法，其特征在于，步骤S5中将路径规划信息发送给底盘控制器的方法具体为：
步骤S501：将生成的全局期望路径发送给底盘控制器，无人靶车将按照全局期望路径行驶；
步骤S502：如果生成了局部路径，则对路径信息进行更新，并把更新后的路径信息发送给底盘控制器；如果未生成局部路径，无人靶车沿着期望路径继续行驶。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一所述的无人靶车野外试验路径实时规划方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的无人靶车野外试验路径实时规划方法。
CN202110363973.1A 2021-04-03 2021-04-03 无人靶车野外试验路径实时规划方法 Pending CN113110431A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110363973.1A CN113110431A (zh) 2021-04-03 2021-04-03 无人靶车野外试验路径实时规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110363973.1A CN113110431A (zh) 2021-04-03 2021-04-03 无人靶车野外试验路径实时规划方法

Publications (1)

Publication Number Publication Date
CN113110431A true CN113110431A (zh) 2021-07-13

Family

ID=76713647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110363973.1A Pending CN113110431A (zh) 2021-04-03 2021-04-03 无人靶车野外试验路径实时规划方法

Country Status (1)

Country Link
CN (1) CN113110431A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113985896A (zh) * 2021-12-03 2022-01-28 中国重汽集团济南动力有限公司 一种自动驾驶车辆避障路径规划方法、车辆及可读存储介质
CN115309163A (zh) * 2022-08-26 2022-11-08 南京理工大学 基于改进方向评价函数dwa算法的局部路径规划方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109282815A (zh) * 2018-09-13 2019-01-29 天津西青区瑞博生物科技有限公司 一种动态环境下基于蚁群算法的移动机器人路径规划方法
CN110333714A (zh) * 2019-04-09 2019-10-15 武汉理工大学 一种无人驾驶汽车路径规划方法和装置
CN110375761A (zh) * 2019-08-07 2019-10-25 天津大学 基于增强蚁群优化算法的无人驾驶车辆路径规划方法
CN110609557A (zh) * 2019-10-09 2019-12-24 中国人民解放军陆军装甲兵学院 无人车混合路径规划算法
CN111784079A (zh) * 2020-07-28 2020-10-16 上海海事大学 一种基于人工势场和蚁群算法的无人机路径规划方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109282815A (zh) * 2018-09-13 2019-01-29 天津西青区瑞博生物科技有限公司 一种动态环境下基于蚁群算法的移动机器人路径规划方法
CN110333714A (zh) * 2019-04-09 2019-10-15 武汉理工大学 一种无人驾驶汽车路径规划方法和装置
CN110375761A (zh) * 2019-08-07 2019-10-25 天津大学 基于增强蚁群优化算法的无人驾驶车辆路径规划方法
CN110609557A (zh) * 2019-10-09 2019-12-24 中国人民解放军陆军装甲兵学院 无人车混合路径规划算法
CN111784079A (zh) * 2020-07-28 2020-10-16 上海海事大学 一种基于人工势场和蚁群算法的无人机路径规划方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113985896A (zh) * 2021-12-03 2022-01-28 中国重汽集团济南动力有限公司 一种自动驾驶车辆避障路径规划方法、车辆及可读存储介质
CN113985896B (zh) * 2021-12-03 2023-12-08 中国重汽集团济南动力有限公司 一种自动驾驶车辆避障路径规划方法、车辆及可读存储介质
CN115309163A (zh) * 2022-08-26 2022-11-08 南京理工大学 基于改进方向评价函数dwa算法的局部路径规划方法
CN115309163B (zh) * 2022-08-26 2024-01-26 南京理工大学 基于改进方向评价函数dwa算法的局部路径规划方法

Similar Documents

Publication Publication Date Title
CN112650229B (zh) 一种基于改进蚁群算法的移动机器人路径规划方法
CN112925315A (zh) 一种基于改进蚁群算法和a*算法的履带车路径规划方法
Wang et al. Off-road path planning based on improved ant colony algorithm
CN113110431A (zh) 无人靶车野外试验路径实时规划方法
Ming et al. A survey of path planning algorithms for autonomous vehicles
CN114964261A (zh) 基于改进蚁群算法的移动机器人路径规划方法
CN112484732A (zh) 一种基于ib-abc算法的无人机飞行路径规划方法
CN115355922A (zh) 一种基于改进蚁群算法的出行路径规划方法及系统
CN115167459B (zh) 一种融合空洞修复和信息采集的水下机器人路径规划方法
Bai et al. Design and Simulation of a Collision-free Path Planning Algorithm for Mobile Robots Based on Improved Ant Colony Optimization.
CN114625137A (zh) 一种基于agv的智能停车路径规划方法及系统
CN115237157A (zh) 一种路网约束下的空地无人集群多任务点路径规划方法
CN114815801A (zh) 一种基于策略-价值网络及mcts的自适应环境路径规划方法
CN116820110B (zh) 基于智能优化算法的生态环境监测任务规划方法及装置
CN112799420A (zh) 一种基于多传感器无人机的实时航迹规划的方法
Roque-Claros et al. UAV Path Planning Model Leveraging Machine Learning and Swarm Intelligence for Smart Agriculture
Li et al. Comparison of biological swarm intelligence algorithms for AUVs for three-dimensional path planning in ocean currents’ conditions
CN117371895A (zh) 未知环境下多地面无人车路径规划方法、系统及介质
Chen et al. GVD-Exploration: An Efficient Autonomous Robot Exploration Framework Based on Fast Generalized Voronoi Diagram Extraction
Zhongjing et al. Bayesian network based Ant Colony Optimization algorithm for USV path planning in a dynamic environment
Wu et al. Smooth path planning method of agricultural vehicles based on improved Hybrid A
Zhao et al. An improved ant colony algorithm based on Q-Learning for route planning of autonomous vehicle
CN118276604B (zh) 基于豆芫菁群机制的多无人机航迹规划方法及系统
Peng Study on the Characteristics of Special Cultural Tourism Securing and Enhancing Operations Based on Big Data
Yu et al. Deadlock avoidance based on connectivity detection and dynamic backtracking for path planning

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210713

RJ01 Rejection of invention patent application after publication