CN113984062A - 一种基于机动性评估的地面车辆路径规划方法 - Google Patents

Abstract

本发明公开了一种基于机动性评估的地面车辆路径规划方法，包括获取多源数据并利用地统计方法进行地形与坏境三维重构，得到三维点云地形模型，多源数据包括遥感高程地形数据、土地利用数据、土壤类型分布数据，以及车辆数据；根据地形因素以及地面力学效应的通过性分析和机动性代价量化，对通行区域进行车辆机动性的评估；采用改进A‑Star算法的代价函数进行路径规划。本发明通过获取多源数据重构三维点云地形模型，再利用地形和土壤数据分析后进行车辆机动性评估，最后根据改进A‑Star算法获取最优规划的路径。解决了在无路网的野外环境下的特种作业车辆的路径规划技术匮乏问题。提供了直观的三维可视化展示，辅助决策者进行规划路径后分析和优化。

Description

一种基于机动性评估的地面车辆路径规划方法

技术领域

本发明涉及车辆路径规划技术领域，特别涉及一种基于机动性评估的地面车辆路径规划方法。

背景技术

目前随着城市发展的加快，针对城市路网的数字化地图技术已经颇为成熟，车辆可以根据特定的城市场景进行起始点和目标之间有效的路径规划。然而在没有路网的野外环境下，对于用来进行特种作业车辆的路径规划技术比较匮乏，比如在军事领域，军用车辆在野外会面临各种未知复杂地面环境，为保障军事战术机动性，首先应对车辆在该区域的机动性进行评估并进行路径规划。车辆的机动性受地形、土壤、车辆本身参数等因素影响，因此车辆机动性评估是一个复杂的多因素耦合的结果。

目前的机动性评估方法，往往是评估车辆的通过性能，将地形分为可通行区域以及不可通行区域，然而对于任务决策者而言，难以从可通行区域内甄别出更优的适合车辆行驶的区域，因此需要对可通行区域进行车辆机动性的量化，与此同时，在判定可通行及不可通行区域时，未考虑土壤力学效应对车辆机动性能的影响，不同的土壤类型不仅制约着车辆能否通过，其土壤力学效应也制约着车辆速度，因此量化车辆在某片地形的机动性时，需考虑土壤的力学效应对车辆机动性的影响。在路径规划过程中，仅考虑起始点和目标点之间的距离和地形成本等因素，未顾及到车辆的上坡次数、累计上坡长度以及道路曲率，并且基于二维栅格的路径规划结果，难以进行直观的三维可视化展示，对任务决策者观察地形的起伏，分析生成的路径是否满足任务需求，以及之后的路径调优造成了一定的困难。

发明内容

本发明的目的克服现有技术存在的不足，为实现以上目的，采用一种基于机动性评估的地面车辆路径规划方法，以解决上述背景技术中提出的问题。

一种基于机动性评估的地面车辆路径规划方法，包括：

获取多源数据并利用地统计方法进行地形与坏境三维重构，得到三维点云地形模型，所述多源数据包括获取通行区域的遥感高程地形数据、土地利用数据、土壤类型分布数据，以及车辆数据；

根据地形因素以及地面力学效应的通过性分析和机动性代价量化，对通行区域进行车辆机动性的评估；

采用改进A-Star算法的代价函数进行路径规划。

作为本发明的进一步的方案：所述获取多源数据并利用地统计方法进行地形与坏境三维重构的具体步骤包括：

将遥感高程地形数据转化为点云，并建立三维地形点云模型；

利用克里金插值方法细化地形点云分辨率，并计算各点的坡度值；

将土地利用数据和土壤类型分布数据投影到相对应的各地形点上，所述土壤类型分布数据包括土壤类别、土壤强度值，以及影响车辆机动性的力学参数。

作为本发明的进一步的方案：通过性分析的具体步骤包括：

步骤一：根据计算得到各点的坡度值β_i，定义

为不可通行点，反之则为可通行点，其中

是车辆横滚角的阈值，

为俯仰角的阈值。

步骤二：根据土地利用数据定义为不可通行区域和可通行区域；

步骤三：根据车辆数据计算车辆机动性指数MI，所述机动性指数计算公式为：

式中，P_FG为接地压力系数、W为重量系数、T为轮胎系数、G为轮刺系数、L为车轮负载系数、H为离地间隙系数、E为发动机系数、X为传动系数；

根据车辆机动指数得到车辆能通过的最小土壤强度值VCI，所述最小土壤强度值VCI计算公式为：VCI＝25.5+0.456MI；

根据最小土壤强度值VCI和土壤强度值CI进行大小判断，若VCI大于CI则在不同的土壤类型上车辆能通过，反之不能通过；

步骤四：根据通过性分析结果，进行可通行点和不可通行点的标记，同时生成可通行和不可通行地图。

作为本发明的进一步的方案：所述机动性代价量化的具体步骤包括：

步骤一：根据车辆轮胎的不同模式，计算在不同强度的土壤类型上的行驶阻力，其中轮模式包括弹性轮模式和刚性轮模式；

当车辆以刚性轮模式进行行驶时，行驶阻力计算公式为：

F_rc＝(3W)^{(2n+2)/(2n+1)}/(3-n)^{(2n+2)/(2n+1)}(n+1)(k_c+bk_φ)^1/(2n+1)D^(n+1)/(2n+1)；

当车辆以弹性轮模式进行行驶时，行驶阻力计算公式为：

F_rc＝(W/L)^(n+1)/n1/(n+1)(k_c+bk_φ)^1/n；

式中，F_rc为车辆在土壤上的行驶阻力、k_c为土壤内聚力变形模量、k_φ为土壤内摩擦变形模量、n为土壤变形指数、W为车轮上垂向载荷、b为轮胎宽度、D为车轮轮直径、L为轮胎被压平的投影长度；

步骤二：根据计算不同模式下的行驶阻力F_rc，以及坡度产生的坡道阻力F_s，车辆的额定功率P_e，计算能够达到的最大速度V_MAX，计算公式为：V_MAX＝P_e/(F_rc+F_s)；

步骤三：根据各个地形点的高程值，坡度值、土壤强度值以及车辆在该地形点的最大可能速度进行归一化处理，得到各个地形点的高程成本

坡度成本

土壤强度成本

最大可能速度成本

再根据权重叠加成本值得到各个地形点的机动性代价值Cost，表达式为：

式中，ω₁+ω₂+ω₃+ω₄＝1、ω₁为坡度代价的权重值、ω₂为土壤强度代价的权重值、ω₃为最大可能速度代价的权重值、ω₄为高程代价的权重值；

步骤四：获取各项成本的标准差σ_i和平均值

计算各项成本的变异系数γ_i：

并通过各项成本的变异系数占比确定其权重值ω_i(i＝1,2,3,4)，计算公式为：

且将不可通行点的成本值设为1；

步骤五：根据上述步骤遍历所有的地形点，建立可视化车辆机动性分布地图，其中利用数值反映车辆在该地形上的机动能力，数值越趋近于1，代表车辆机动能力越低，越趋近于0，代表车辆机动性越高。

作为本发明的进一步的方案：所述采用改进A-Star算法的代价函数进行路径规划的具体步骤包括：

获取代价函数的参数，包括机动性代价、上坡次数、累计上坡距离、路径曲率以及距离，所述代价函数的公式为：

式中，C_i为机动性代价、N_i为累计上坡次数代价、L_i为累计上坡距离代价、P_i为路径曲率代价、ω_a、ω_b、ω_c、ω_d分别为各代价的权重值；

通过预设高机动性代价点和不可通行点，用以减少算法遍历数量，且根据路径规划结果进行调整优化。

与现有技术相比，本发明存在以下技术效果：

通过采用上述的技术方案，利用获取的多源数据，以及地统计方法进行地形与环境的重构，建立三维地形点云模型。再利用获取多源数据中的遥感高程地形数据、土地利用数据、土壤类型分布数据，以及车辆数据，进行车辆通过性分析和机动性代价量化。最后根据改进的A-Star算法进行路径规划，得到最优路径。通过上述路径规划方法，解决了在没有路网的野外环境下，对于用来进行特种作业车辆的路径规划技术比较匮乏的问题，保障车辆在野外会面临各种未知复杂地面环境的机动性。

附图说明

下面结合附图，对本发明的具体实施方式进行详细描述：

图1为本申请公开的一些实施例的地面车辆路径规划方法的步骤示意图；

图2为本申请公开的一些实施例的遥感地形高程数据转为三维地形点云模型示意图；

图3为本申请公开的一些实施例的3×3移动窗口坡度值计算方法示意图；

图4为本申请公开的一些实施例的车轮在不同土壤上的行驶状态示意图；

图5为本申请公开的一些实施例的可通行和不可通行的三维地形点云模型示意图；

图6为本申请公开的一些实施例的车辆机动性代价三维示意图；

图7为本申请公开的一些实施例的路径曲率计算示意图；

图8为本申请公开的一些实施例的A-Star算法流程示意图；

图9为本申请公开的一些实施例的车辆路径规划三维示意图；

图10为本申请公开的一些实施例的车辆路径规划俯视示意图。

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。

请参考图1，本发明实施例中，一种基于机动性评估的地面车辆路径规划方法，包括：

S1、获取多源数据并利用地统计方法进行地形与坏境三维重构，得到三维点云地形模型，所述多源数据包括获取通行区域的遥感高程地形数据、土地利用数据、土壤类型分布数据，以及车辆数据；

具体实施方式中，所述获取多源数据并利用地统计方法进行地形与坏境三维重构的具体步骤包括：

S11、将遥感高程地形数据转化为点云，并建立三维地形点云模型；

具体的，如图2所示，选取某片感兴趣的真实的野外地形，从地理信息系统中获取该区域的分辨率较低的地形高程数据；以及该区域的土地利用数据和土壤类型分布数据，将数据转为点数据，导出x、y、z三维坐标形式的文本文件；将上述地形的三维坐标文本文件导入Matlab软件中生成具有可视化的三维点云地形模型。

S12、利用克里金插值方法细化地形点云分辨率，并计算各点的坡度值；

具体的，将该地形高程数据，通过基于空间自相关性的克里金插值方法重构生成分辨率为d的三维点云地形模型。

将土地利用数据和土壤类型分布数据投影到相对应的各地形点上，所述土壤类型分布数据包括土壤类别、土壤强度值，以及影响车辆机动性的力学参数。

S13、根据插值获得的三维点云地形模型，计算数据中每个点的坡度值，如图3所示，采用3×3的移动窗口遍历整个三维点云，计算各点的坡度值β_i，各点的坡度值β_i的计算公式为：

其中，S_L＝[(h₈+2h₁+h₅)-(h₇+2h₃+h₆)]|/(8×d)；

S_T＝[(h₇+2h₄+h₈)-(h₆+2h₂+h₅)]|/(8×d)；

式中，h_i为点的高程值，d为分辨率大小。

S2、根据地形因素以及地面力学效应的通过性分析和机动性代价量化，对通行区域进行车辆机动性的评估；

具体实施方式中，通过性分析的具体步骤包括：

S21、根据计算得到各点的坡度值β_i，定义

为不可通行点，反之则为可通行点，其中

是车辆横滚角的阈值，

为俯仰角的阈值。

S22、根据土地利用数据定义为不可通行区域和可通行区域；

具体的，根据地理国情监测云平台提供的土地利用数据，将林地、水体区域所覆盖的点定义为不可通行点，将农业用地、草地、沙地所覆盖的点定义为可通行点。

S23、根据车辆数据计算车辆机动性指数MI，具体的，根据土壤类型分布数据，不同土壤类型的圆锥指数CI定义为土壤的强度值，结合目标车辆的参数，具体的参数有接地压力系数P_FG，重量系数W，轮胎系数T，轮刺系数G，车轮负载系数L，离地间隙系数H，发动机系数E，传动系数X，从而计算车辆机动性指数MI；

所述机动性指数计算公式为：

式中，P_FG为接地压力系数、W为重量系数、T为轮胎系数、G为轮刺系数、L为车轮负载系数、H为离地间隙系数、E为发动机系数、X为传动系数；

根据车辆机动指数得到车辆能通过的最小土壤强度值VCI，所述最小土壤强度值VCI计算公式为：VCI＝25.5+0.456MI；

根据最小土壤强度值VCI和土壤强度值CI进行大小判断，若VCI大于CI则在不同的土壤类型上车辆能通过，反之不能通过；

S24、根据通过性分析结果，进行可通行点和不可通行点的标记，同时生成可通行和不可通行地图。具体的，如图4所示，可通行点标记为GO，不可通行点标记为NOGO。

具体实施方式中，所述机动性代价量化的具体步骤包括：

S25、根据车辆轮胎的不同模式，计算在不同强度的土壤类型上的行驶阻力，如图5所示，其中轮模式包括弹性轮模式和刚性轮模式；

当车辆以刚性轮模式进行行驶时，行驶阻力计算公式为：

F_rc＝(3W)^{(2n+2)/(2n+1)}/(3-n)^{(2n+2)/(2n+1)}(n+1)(k_c+bk_φ)^1/(2n+1)D^(n+1)/(2n+1)；

当车辆以弹性轮模式进行行驶时，行驶阻力计算公式为：

F_rc＝(W/L)^(n+1)/n1/(n+1)(k_c+bk_φ)^1/n；

式中，F_rc为车辆在土壤上的行驶阻力、k_c为土壤内聚力变形模量、k_φ为土壤内摩擦变形模量、n为土壤变形指数、W为车轮上垂向载荷、b为轮胎宽度、D为车轮轮直径、L为轮胎被压平的投影长度；

S26、根据计算不同模式下的行驶阻力F_rc，以及坡度产生的坡道阻力F_s，具体的，坡道阻力公式为：F_s＝Wsinβ，车辆的额定功率P_e，计算能够达到的最大速度V_MAX，计算公式为：V_MAX＝P_e/(F_rc+F_s)；

S27、根据各个地形点的高程值，坡度值、土壤强度值以及车辆在该地形点的最大可能速度进行归一化处理，得到各个地形点的高程成本

坡度成本

土壤强度成本

最大可能速度成本

具体的，根据该点的高程值h_i，所有可通行点中高程最大h_max和最小值h_min，根据公式

得到其高程成本

根据该点的坡度值S_i，所有可通行点中坡度最大值S_max和最小值S_min，根据公式

得到其坡度成本

根据该点的土壤强度值CI_i，所有可通行点中土壤强度最大值CI_max和最小值CI_min,根据公式

得到其土壤强度

根据车辆在该点的最大可能速度V_i，所有可通行点中速度最大值V_max和最小值V_min,根据公式

得到其速度成本

根据上述过程遍历所有可通行点，得到每个点的各项成本值，再根据权重叠加成本值得到各个地形点的机动性代价值Cost，表达式为：

式中，ω₁+ω₂+ω₃+ω₄＝1、ω₁为坡度代价的权重值、ω₂为土壤强度代价的权重值、ω₃为最大可能速度代价的权重值、ω₄为高程代价的权重值；

S28、获取各项成本的标准差σ_i和平均值

计算各项成本的变异系数γ_i：

从而避免由于各项成本的量纲不同，消除各项成本的量纲不同的影响；

并通过各项成本的变异系数占比确定其权重值ω_i(i＝1,2,3,4)，计算公式为：

且将不可通行点的成本值设为1；

S29、根据上述步骤遍历所有的地形点，建立可视化车辆机动性分布地图，如图6所示，其中利用数值反映车辆在该地形上的机动能力，数值越趋近于1，代表车辆机动能力越低，越趋近于0，代表车辆机动性越高。

S3、采用改进A-Star算法的代价函数进行路径规划。具体步骤包括：

S31、基于A-Star算法的搜索流程进行起始点和目标点之间的最优路径规划，具体的，考虑距离、上坡次数、累计上坡长度、路径曲率以及机动性代价值。

S32、基于车辆在各地形点的机动性代价值，获取代价函数的参数，包括机动性代价、上坡次数、累计上坡距离、路径曲率以及距离。

所述代价函数的公式为：

式中，C_i为机动性代价、N_i为累计上坡次数代价、L_i为累计上坡距离代价、P_i为路径曲率代价、ω_a、ω_b、ω_c、ω_d分别为各代价的权重值；

具体的，如图7所示，C_i为节点i与其父节点间的机动性代价距离，其表达式为：C_i＝b×d×(Cost_i-1+Cost_i)/2，其中d为分辨率大小，Cost_i-1，Cost_i分别为节点i-1，节点i的机动性代价，当节点i-1与节点i为单位分辨率相邻时，b＝1，当节点i-1与节点i为对角相邻时，

N_i为节点i沿着父节点到起始位置产生路径的爬坡次数，N_i＝Count(h_i-h_i-1＞0)，统计从节点i，沿着父节点，到起始状态产生路径中h_i-h_i-1＞0的次数。L_i为节点i沿着父节点到起始位置产生的路径的上坡长度，

其中当h_i-h_i-1＞0时K＝1，否则K＝0。P_i为节点i沿着父节点到起始位置产生的路径的最大曲率，

其中L_AB表示节点i沿着父节点到起始状态产生的路径长度，L为产生的路径。

改进A-Star算法的启发函数h(n)为：h(n)＝D_i，其中D_i为节点i到终点的欧氏距离。

具体的，如图8、图9和图10所示，根据A-Star算法的搜索流程计算起始点到目标点的路径；

Step1：从起始点开始探索,不断访问其8邻域节点，将已访问但未探索的自由节点存入开启列表OPEN,已探索的节点存入封闭列表CLOSE。

Step2：遍历列表中的节点,若无目标点,则进入Step3,否则进入Step7。

Step3：根据上述改进A-Star代价函数计算所述OPEN表中节点的代价函数值f,设置代价函数值最小的节点为当前处理节点。如果代价函数值最小的节点有多个,选择最后加入OPEN表的节点为当前处理节点。将其从OPEN表删除,然后移到CLOSE表。

Step4：遍历当前处理节点8邻域可达节点,忽略为NGGO点或在CLOSE表中的节点。

Step5：判断上述8邻域可达节点是否在OPEN表中。

Step6：若否将其加入OPEN表,并把当前处理节点设置为它的父节点,记录该节点的f,g和h。若是,查询当前处理节点到上述8邻域节点的g值是否更小。若是，把它的父节点设置为当前处理节点,并重新计算g和f值，重复步骤4-6,直到遍历完当前处理节点的8邻域可达节点，返回Step2。

Step7：搜索到目标点，从目标点开始,沿着父节点移动至起点得到路径输出。

S33、通过预设高机动性代价点和不可通行点，用以减少算法遍历数量，且根据路径规划结果进行调整优化。

具体的，根据可通行成本量化结果生成三维可视化的场景，通过该场景任务决策者可以更加直观的评估该区域的车辆机动性；并根据任务需求，调节不同成本的权重值，生成路径，决策者可以通过存储路径节点，分析各路径节点的属性值进行当前路径的调优并对比。

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，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于机动性评估的地面车辆路径规划方法，其特征在于，包括：

获取多源数据并利用地统计方法进行地形与坏境三维重构，得到三维点云地形模型，所述多源数据包括获取通行区域的遥感高程地形数据、土地利用数据、土壤类型分布数据，以及车辆数据；

根据地形因素以及地面力学效应的通过性分析和机动性代价量化，对通行区域进行车辆机动性的评估；

采用改进A-Star算法的代价函数进行路径规划。

2.根据权利要求1所述一种基于机动性评估的地面车辆路径规划方法，其特征在于，所述获取多源数据并利用地统计方法进行地形与坏境三维重构的具体步骤包括：

将遥感高程地形数据转化为点云，并建立三维地形点云模型；

利用克里金插值方法细化地形点云分辨率，并计算各点的坡度值；

将土地利用数据和土壤类型分布数据投影到相对应的各地形点上，所述土壤类型分布数据包括土壤类别、土壤强度值，以及影响车辆机动性的力学参数。

3.根据权利要求2所述一种基于机动性评估的地面车辆路径规划方法，其特征在于，通过性分析的具体步骤包括：

步骤一：根据计算得到各点的坡度值β_i，定义

为不可通行点，反之则为可通行点，其中

是车辆横滚角的阈值，

为俯仰角的阈值；

步骤二：根据土地利用数据定义为不可通行区域和可通行区域；

步骤三：根据车辆数据计算车辆机动性指数MI，所述机动性指数计算公式为：

式中，P_FG为接地压力系数、W为重量系数、T为轮胎系数、G为轮刺系数、L为车轮负载系数、H为离地间隙系数、E为发动机系数、X为传动系数；

根据车辆机动指数得到车辆能通过的最小土壤强度值VCI，所述最小土壤强度值VCI计算公式为：VCI＝25.5+0.456MI；

根据最小土壤强度值VCI和土壤强度值CI进行大小判断，若VCI大于CI则在不同的土壤类型上车辆能通过，反之不能通过；

步骤四：根据通过性分析结果，进行可通行点和不可通行点的标记，同时生成可通行和不可通行地图。

4.根据权利要求2所述一种基于机动性评估的地面车辆路径规划方法，其特征在于，所述机动性代价量化的具体步骤包括：

步骤一：根据车辆轮胎的不同模式，计算在不同强度的土壤类型上的行驶阻力，其中轮模式包括弹性轮模式和刚性轮模式；

当车辆以刚性轮模式进行行驶时，行驶阻力计算公式为：

F_rc＝(3W)^{(2n+2)/(2n+1)}/(3-n)^{(2n+2)/(2n+1)}(n+1)(k_c+bk_φ)^1/(2n+1)D^(n+1)/(2n+1)；

当车辆以弹性轮模式进行行驶时，行驶阻力计算公式为：

F_rc＝(W/L)^(n+1)/n1/(n+1)(k_c+bk_φ)^1/n；

式中，F_rc为车辆在土壤上的行驶阻力、k_c为土壤内聚力变形模量、k_φ为土壤内摩擦变形模量、n为土壤变形指数、W为车轮上垂向载荷、b为轮胎宽度、D为车轮轮直径、L为轮胎被压平的投影长度；

步骤二：根据计算不同模式下的行驶阻力F_rc，以及坡度产生的坡道阻力F_s，车辆的额定功率P_e，计算能够达到的最大速度V_MAX，计算公式为：V_MAX＝P_e/(F_rc+F_s)；

步骤三：根据各个地形点的高程值，坡度值、土壤强度值以及车辆在该地形点的最大可能速度进行归一化处理，得到各个地形点的高程成本

坡度成本

土壤强度成本

最大可能速度成本

再根据权重叠加成本值得到各个地形点的机动性代价值Cost，表达式为：

式中，ω₁+ω₂+ω₃+ω₄＝1、ω₁为坡度代价的权重值、ω₂为土壤强度代价的权重值、ω₃为最大可能速度代价的权重值、ω₄为高程代价的权重值；

步骤四：获取各项成本的标准差σ_i和平均值

计算各项成本的变异系数γ_i：

并通过各项成本的变异系数占比确定其权重值ω_i(i＝1,2,3,4)，计算公式为：

且将不可通行点的成本值设为1；

步骤五：根据上述步骤遍历所有的地形点，建立可视化车辆机动性分布地图，其中利用数值反映车辆在该地形上的机动能力，数值越趋近于1，代表车辆机动能力越低，越趋近于0，代表车辆机动性越高。

5.根据权利要求1所述一种基于机动性评估的地面车辆路径规划方法，其特征在于，所述采用改进A-Star算法的代价函数进行路径规划的具体步骤包括：

获取代价函数的参数，包括机动性代价、上坡次数、累计上坡距离、路径曲率以及距离，所述代价函数的公式为：

式中，C_i为机动性代价、N_i为累计上坡次数代价、L_i为累计上坡距离代价、P_i为路径曲率代价、ω_a、ω_b、ω_c、ω_d分别为各代价的权重值；

通过预设高机动性代价点和不可通行点，用以减少算法遍历数量，且根据路径规划结果进行调整优化。

Images