一种自动驾驶下的全局路径规划方法及系统与流程

控制;调节装置的制造及其应用技术1.本发明应用于自动驾驶领域技术领域，尤其涉及一种自动驾驶下的全局路径规划方法及系统。背景技术：2.近年来，随着科学技术的发展，无人驾驶技术正在逐步地改变着人们的出行方式。整个无人驾驶技术可以简单地分为定位、感知、决策、规划和控制等几个模块。其中规划模块需要做的工作就是在整个过程中规划出合理的路径以供车辆行驶。3.规划分为两部分：全局路径规划和局部路径规划。其中全局路径规划解决的问题是如何在一个给定的环境下生成一条从起点到终点的可行驶的路径，该路径在一定程度上可以满足车辆的运动学约束，同时在整个环境中需要是无碰撞的。4.目前的全局路径规划方法一般包括基于搜索的路径规划和基于采样的路径规划，还有一些基于两者的优化方法，比如基于拓扑的路径搜索等。基于搜索的全局路径规划方法的思路是：在可搜索区域中，以栅格为步长进行四周的搜索，同时建立代价函数对每次搜索结果进行评价，并选取较优的结果进行搜索，直到搜索到终点为止。基于采样的全局路径规划算法的思路是：在可通行区域中，按照一定的采样函数在空间中进行采样，对采样点进行一定的评价之后，选取较优采样点进行下次迭代，直到采样到终点附近为止。基于拓扑的路径搜索的思路是：在可搜索的区域内建立拓扑环境模型，在这样的环境模型下，去寻找起点和终点的最近拓扑点，然后从起点进行一步步的路径搜索，对每次的搜索结果进行距离评价后，择优到达终点。5.基于搜索的路径规划方法，其运算效率与地图大小强相关，在地图尺寸较大的情况下，搜索效率会显著变低；同时，在地图地形较复杂的情况下，基于搜索的路径规划方法可能会仅为局部最优的问题导致搜索效率变慢。基于采样的路径规划方法虽然在一定程度上避免了因地图导致运算效率变慢的问题，但是其本身存在一定的随机性，难以保证最终路径的合理性，同时也无法保证车辆行驶的运动学约束。而基于拓扑的路径搜索方法虽然可以从模型上避免了搜索效率慢的问题，但由于其一般应用于移动机器人方面，并未关注车辆模型，会导致规划出来的路径存在一些尖刺，这种情况无法保证路径的平滑以及车辆的运动约束。同时，单纯地寻找起终点的最近拓扑点容易造成路径绕远的问题。技术实现要素：6.为了解决上述问题，本技术的目的在于提供一种自动驾驶下的全局路径规划方法及系统。7.为实现本发明的目的，本发明提供了一种自动驾驶下的全局路径规划方法，包括如下步骤：8.步骤一：建立类结构化拓扑地图；9.步骤二：起点和终点的近邻匹配；10.步骤三：路径搜索；11.步骤四：路径平滑；12.其中，步骤二具体包括：以起点和终点为中心，分别搜索有限距离阈值l 内是否存在相应的拓扑点，在搜索到的这些拓扑点中，根据其连接关系，过滤不必要的拓扑点，从而筛选出距离较远的匹配拓扑点作为近邻点。13.其中，步骤三具体包括：直接在拓扑点之间利用a*搜索算法进行路径规划，在设计代价函数时，将车辆的宽度信息和转弯信息考虑在内，建立优化后的代价函数如下：14.g＝func(dishistory，dir，distopo，errangle)15.其中dishistory为起点到待搜索点的已搜索路径长度；dir为待搜索点与父节点的方向值，若顺行，则dir为0，若逆行，则dir为1；distopo为待搜索点的距离属性，该属性与车辆的宽度进行比较，从而保证车辆能够顺利通过拓扑点；errangle为待搜索点、父节点之间连线和父节点、父父节点之间连线的角度偏差，若角度偏差超出车辆本身的转弯阈值，则认为车辆在转弯时存在一定困难性。16.其中，步骤四具体包括：将路径中的各路点作为待平滑点，取前一路点和后一路点连线的垂线方向作为平滑方向，将待平滑点向平滑方向移动单个距离 d；根据各拓扑点的距离属性，可以得到平滑后的距离属性为distopo-d，若新的距离已经达到距离安全余量，则不需要再平滑该点；同时计算该点前后路段的平滑程度是否满足设定的阈值；如此在有限次的迭代下，直至得到一条较为平滑的路径。17.其中，所述类结构化拓扑地图通过如下方式获取：18.整体的地图包括两部分，黑色栅格区域为不可通行区域，可认为是障碍物，白色栅格区域为可通行区域。从黑色区域开始向四周延伸，直到两个不同障碍物延伸到相同的栅格为止，从而得到整个可通行区域的骨架图，同时，考虑到车辆靠右行驶的需求，在延伸的过程中，将靠近障碍物一定距离的栅格记录下来，并根据栅格与障碍物的位置关系将这些栅格点组成顺逆图，将骨架图和顺逆图合成之后，得到类结构化拓扑地图。19.与上述方法相对应地，本发明还提供了一种自动驾驶下的全局路径规划系统，包括如下单元：20.建立类结构化拓扑地图单元，起点和终点的近邻匹配单元，路径搜索单元以及路径平滑单元；21.其中，所述起点和终点的近邻匹配单元用于：以起点和终点为中心，分别搜索有限距离阈值l内是否存在相应的拓扑点，在搜索到的这些拓扑点中，根据其连接关系，过滤不必要的拓扑点，从而筛选出距离较远的匹配拓扑点作为近邻点。22.其中，所述路径搜索单元用于：直接在拓扑点之间利用a*搜索算法进行路径规划，在设计代价函数时，将车辆的宽度信息和转弯信息考虑在内，建立优化后的代价函数如下：23.g＝func(dishistory，dir，distopo，errangle)24.其中dishistory为起点到待搜索点的已搜索路径长度；dir为待搜索点与父节点的方向值，若顺行，则dir为0，若逆行，则dir为1；distopo为待搜索点的距离属性，该属性与车辆的宽度进行比较，从而保证车辆能够顺利通过拓扑点；errangle为待搜索点、父节点之间连线和父节点、父父节点之间连线的角度偏差，若角度偏差超出车辆本身的转弯阈值，则认为车辆在转弯时存在一定困难性。25.其中，所述路径平滑单元用于：将路径中的各路点作为待平滑点，取前一路点和后一路点连线的垂线方向作为平滑方向，将待平滑点向平滑方向移动单个距离d；根据各拓扑点的距离属性，可以得到平滑后的距离属性为distopo-d，若新的距离已经达到距离安全余量，则不需要再平滑该点；同时计算该点前后路段的平滑程度是否满足设定的阈值；如此在有限次的迭代下，直至得到一条较为平滑的路径。26.其中，27.所述建立类结构化拓扑地图单元，通过如下方式建立类结构化拓扑地图：28.整体的地图包括两部分，黑色栅格区域为不可通行区域，可认为是障碍物，白色栅格区域为可通行区域。从黑色区域开始向四周延伸，直到两个不同障碍物延伸到相同的栅格为止，从而得到整个可通行区域的骨架图，同时，考虑到车辆靠右行驶的需求，在延伸的过程中，将靠近障碍物一定距离的栅格记录下来，并根据栅格与障碍物的位置关系将这些栅格点组成顺逆图，将骨架图和顺逆图合成之后，得到类结构化拓扑地图。29.与现有技术相比，本发明的有益效果为，30.1.本发明中的近邻匹配思路通过扩大匹配范围，避免直接最近匹配导致的绕远情况；31.2.在路径搜索中考虑车辆模型和运动学约束，保证了路径的合理性；32.3.路径平滑的思路在很大程度上考虑了路径的曲率问题，保证路径可以正常行驶。附图说明33.图1所示为本技术中类结构化生成关系图；34.图2所示为本技术中类结构化拓扑地图；35.图3所示为本技术中近邻匹配示意图；36.图4所示为本技术中distopo示意图；37.图5所示为本技术中errangle示意图；38.图6所示为本技术中路径平滑时，平滑方向示意图；39.图7所示为本技术中路径平滑效果示意图。具体实施方式40.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。41.以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。42.本技术实施例公开了一种自动驾驶下的全局路径规划方法，43.整个全局路径规划方法主要包括四个步骤，分别是建立类结构化拓扑地图，起点和终点的近邻匹配，路径搜索以及路径平滑。44.各个步骤如下：45.步骤一：建立类结构化拓扑地图46.如图1、图2所示。47.整体的地图包括两部分，黑色栅格区域为不可通行区域，可认为是障碍物，白色栅格区域为可通行区域。从黑色区域开始向四周延伸，直到两个不同障碍物延伸到相同的栅格为止，从而得到整个可通行区域的骨架图。同时，考虑到车辆靠右行驶的需求，在延伸的过程中，将靠近障碍物一定距离的栅格记录下来，并根据栅格与障碍物的位置关系将这些栅格点组成顺逆图。将骨架图和顺逆图合成之后，得到类结构化拓扑地图。48.步骤二：起点和终点的近邻匹配49.如图3所示，在一张拓扑地图上，每个拓扑点都有一个距离属性(到障碍物的最近距离)。以起点和终点为中心，分别搜索有限距离阈值l内是否存在相应的拓扑点。在这些拓扑点，根据其连接关系，过滤不必要的拓扑点，从而筛选出距离较远的匹配拓扑点作为近邻点。50.步骤三：基于搜索的路径规划51.在获得起点和终点的匹配拓扑点之后，由于地图中的各个拓扑点之间存在着连接关系，因此可以直接在拓扑点之间利用a*搜索算法进行路径规划。为了车辆模型和运动学约束，在设计代价函数时，将车辆的宽度信息和转弯信息考虑在内。建立优化后的代价函数如下：52.g＝func(dishistory，dir，distopo，errangle)53.其中dishistory为起点到待搜索点的已搜索路径长度；dir为待搜索点与父节点的方向值，若顺行，则dir为0，若逆行，则dir为1；distopo为待搜索点的距离属性，该属性与车辆的宽度进行比较，从而保证车辆能够顺利通过拓扑点；errangle为待搜索点、父节点之间连线和父节点、父父节点之间连线的角度偏差，若角度偏差超出车辆本身的转弯阈值，则认为车辆在转弯时存在一定困难性。其中，图4为distopo示意图，图5为errabgle示意图。54.步骤四：路径平滑55.如图7所示，在获取到路径之后，需要对路径进行平滑，使得路径能够在距离障碍物有一定安全余量的同时又具备一定的平滑性。这里，将路径中的各路点作为待平滑点，取前一路点和后一路点连线的垂线方向作为平滑方向，将待平滑点向平滑方向移动单个距离d。56.根据各拓扑点的距离属性，可以得到平滑后的距离属性为distopo-d，若新的距离已经达到距离安全余量，则不需要再平滑该点；同时计算该点前后路段的平滑程度是否满足设定的阈值。57.如此在有限次的迭代下，直至得到一条较为平滑的路径。58.本发明提供了一种优化的全局路径规划方法，通过对拓扑点的优化匹配以及对路径的搜索和平滑，得到一条较优路径，其主要优点是：59.1.近邻点匹配的优化策略可以在一定程度上避免车辆绕远。60.2.设计更符合车辆运动约束的代价函数，较好地满足了车辆运动学约束。61.3.通过路径平滑的思路，保证了路径的平滑性。62.与上述方法相对应地，本发明还提供了一种自动驾驶下的全局路径规划系统，包括如下单元：63.建立类结构化拓扑地图单元，起点和终点的近邻匹配单元，路径搜索单元以及路径平滑单元；64.其中，所述起点和终点的近邻匹配单元用于：以起点和终点为中心，分别搜索有限距离阈值l内是否存在相应的拓扑点，在搜索到的这些拓扑点中，根据其连接关系，过滤不必要的拓扑点，从而筛选出距离较远的匹配拓扑点作为近邻点。65.需要说明的是，本技术中未详述的技术方案，采用公知技术。66.以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!