一种具有安全性约束的智能车辆路径规划方法及系统技术方案

本发明专利技术请求保护一种具有安全性约束的智能车辆路径规划方法及系统，包括建模阶段和运行阶段。建模阶段首先提取智能车辆安全相关的环境因素，针对环境中每一目标，根据环境因素和目标特征构造静态威胁场，再考虑每一目标的运动学特征，构造目标动态威胁场并融合，最后根据安全性约束构造最短时间最优化目标函数来建立路径规划模型。运行阶段首先利用车载传感器实时采集环境因素与目标特性数据，计算融合的全局目标动态威胁场，然后根据设定的安全阈值分割全局目标动态威胁场，在安全区域内规划出最短时间路径。本发明专利技术能使得智能车辆在满足安全性要求的条件下行驶时间最短，可以同时兼顾规划出的路径的通行效率和安全性。

An intelligent vehicle path planning method and system with security constraints

【技术实现步骤摘要】
一种具有安全性约束的智能车辆路径规划方法及系统
本专利技术属于自动化与计算机
，特别是智能车辆的路径规划
，具体涉及一种具有安全性约束的智能车辆路径规划方法及系统。
技术介绍
路径规划是智能车辆技术的重要环节之一，是车辆行为控制的前提。在执行任务时，要求智能车辆按照一定的标准规划一条从起点到终点的最优路径。目前已有很多成熟的路径规划方法，这些方法多以规划最短路径为目标，虽然这样能保证规划的路径长度最短，但路径很可能紧贴障碍物，对车辆产生很大的威胁，降低了行车安全性。此外，当车辆行驶到障碍物附近时只能以很小的速度通过，反而增加了车辆行驶的时间，降低了行车效率。在现有的路径规划方法中，中国专利申请：基于威胁估计的智能车辆路径规划方法(申请号：CN201610050880)采用威胁估计技术实现对外部目标的威胁指数推理，并建立智能车辆的综合势场模型，求解后得到智能车辆的路径规划。该方法虽然加入了目标的影响，可以提高行驶的安全性，但在求解路径时容易陷入局部最优，路径的行车效率也不高。中国专利申请：一种在指定路径上的绕障路径规划方法及系统(申请号：CN201811321625)利用机器人运动学模型模拟若干条生长轨迹，将机器人的速度和角速度进行组合，按每个组合模拟预设时间，得到对应的生长轨迹，将绕行时间短的轨迹作为最终的绕障路径。该方法虽然可以规划出行驶时间最短的路径，但是由于没有考虑外部目标对行车的威胁，有时规划的路径会紧贴目标，无法保证车辆行驶的安全。中国专利申请：基于自适应动态窗口的移动机器人局部动态路径规划方法(申请号：CN201711119755.3)在密集障碍物区域时计算障碍物间距和车辆线速度动态权值，搜索备选速度空间计算不发生碰撞时的允许速度，并代入目标函数中计算下一时刻车辆的最优速度，执行最优速度直到终点。该方法只通过障碍物的距离来计算车辆的最优行驶速度，并未考虑障碍物速度、环境等因素的影响，降低了行车安全。此外，该方法规划的路径只能保证每个时刻的速度最优，并不能保证路径和总体行驶时间最优。本专利技术针对规划路径时难于综合考虑行驶时间和目标威胁这一问题，提出一种具有安全性约束的智能车辆路径规划方法，根据周围环境信息，建立目标全局威胁场和路径规划模型，从而规划出合适的路径和速度，提高行驶的安全性，提升行驶效率。
技术实现思路
本专利技术旨在解决以上现有技术的问题。提出了一种具有安全性约束的智能车辆路径规划方法及系统。本专利技术的技术方案如下：一种具有安全性约束的智能车辆路径规划方法，其包括建模阶段和运行阶段，其中，建模阶段包括步骤：首先提取智能车辆安全相关的环境因素，针对环境中每一目标，根据环境因素和目标特征构造静态威胁场，然后考虑每一目标的运动学特征，构造目标动态威胁场，再对多目标的威胁场进行融合，得到融合的全局目标动态威胁场，最后根据安全性约束构造最短时间最优化目标函数来建立路径规划模型；运行阶段包括步骤：首先利用车载传感器实时采集环境因素与目标特性数据，结合建模阶段建立的威胁场模型，计算道路上多目标对智能车辆形成的全局目标动态威胁场；根据车辆行驶的安全性要求，设定安全阈值，以安全阈值作为约束条件将全局目标动态威胁场分割成安全与不安全两个部分，在安全区域内规划出最短时间路径。进一步的，所述建模阶段提取智能车辆的威胁因素具体包括：目标特征因素、环境因素和目标运动学因素，其中，目标特征指目标的类型大小，用pcartp表示；环境因素指当前气候状况，用penvir表示；目标运动学因素包括目标速度和位置，目标速度是矢量，用表示，目标的位置用(xobs,yobs)表示。进一步的，所述建模阶段构造目标静态威胁场具体包括：在静态场景中，根据目标特征、气候环境和目标位置，构造单目标的静态威胁场E，如式(1)所示。该场是标量场，不受目标速度的影响；目标类型越大产生的威胁场越大；天气状况越差，产生的威胁场越大；式中，kcartp、kenvir、kdis分别表示目标特征、气候环境、位置距离的比例因子；pcartp、penvir分别表示目标特征值、气候环境值；(x,y)表示智能车辆所在位置；(xobs,yobs)表示目标所在位置；E表示目标静态威胁场。进一步的，所述构造目标动态威胁场：在静态威胁场的基础上，结合智能车辆的运动状态，加入目标运动学因素，构造目标动态威胁场，该场是一个矢量场，单个目标i对智能车辆产生的动态威胁场如式(2)所示。式中，kcar、kobs分别表示智能车辆速度、目标速度的比例因子；表示智能车辆速度和目标速度；θ表示以逆时针方向到坐标轴x的夹角，表示目标与智能车辆的距离值；表示目标动态威胁场。在多目标场景下，通过叠加方式对威胁场进行融合，得出全局威胁场如式(3)所示。式中，m表示目标数量。进一步的，所述设定安全阈值具体包括：为了保证行驶的安全性，在全局目标威胁场的基础上设定一个安全阈值，以安全阈值作为约束条件将全局目标动态威胁场分割成安全与不安全两个部分，若智能车辆在位置(x,y)处以速度v行驶，在位置(xobs,yobs)有一个速度为的目标，L0为设定的安全阈值，则判断是否能安全通行的准则是：进一步的，所述构造最优化目标函数具体包括：在安全通行区域中，为使车辆行驶的时间最短，规划的路径性能达到最优，建立最短时间最优化目标函数：式中，(x0,y0)表示起点，(xn,yn)表示终点；(x,y)表示智能车辆位置，v表示智能车辆在(x,y)时行驶的速度；s表示智能车辆的行驶长度；t表示从起点到终点的总行驶时间；Δx和Δy表示智能车辆在x和y方向上搜索的步长。进一步的，所述运行阶段包括以下步骤：(1)数据采集：用于在车辆行驶过程中，利用车载传感器实时采集环境因素、目标特征、目标运动学数据；(2)威胁场计算：利用采集到的环境、目标特征、目标运动学的数据，结合建模阶段建立的威胁场模型，计算道路上各目标形成的全局威胁场；(3)最优路径计算：为了获得满足最短行驶时间的最优路径，实时计算所在位置的全局威胁场，并根据安全性约束条件，不断调节车辆速度，计算出满足最短时间的最优路径。进一步的，所述计算出满足最短时间的最优路径具体过程是：根据式(5)最优化目标函数的要求，将连续模型离散化，如式(6)所示，计算出一条带有速度的最优路径。式中，Δxi∈[-1,0)∪(0,1]，Δyi∈[-1,0)∪(0,1]；Lv表示智能车辆速度变化的阈值；路径点(xi+1,yi+1)受上一位置(xi,yi)的影响，相邻时刻的速度变化量在一定范围内，避免引起速度的突变；按照上述方法，如果可求解出路径Path＝{(xi,yi,vi)|i＝0,1,2,……,n}，n表示路径点数量，则该解为最优解，方能保证车辆行驶的效率最高；迭代优化：若不能求解出路径，则需要重新调节车辆的行驶速度，车辆在(xi+1,yi+1)处的全局威胁场与安全阈值的差的绝对值小于本文档来自技高网...

【技术保护点】
1.一种具有安全性约束的智能车辆路径规划方法，其特征在于，包括建模阶段和运行阶段，其中，/n建模阶段包括步骤：首先提取智能车辆安全相关的环境因素；然后针对环境中每一目标，根据环境因素和目标特征构造静态威胁场；再考虑每一目标的运动学特征，构造目标动态威胁场，并对多目标的威胁场进行融合，得到融合的全局目标动态威胁场；最后根据安全性约束构造最短时间最优化目标函数来建立路径规划模型；/n运行阶段包括步骤：首先利用车载传感器实时采集环境因素与目标特性数据；结合建模阶段建立的威胁场模型，计算道路上多目标对智能车辆形成的全局目标动态威胁场；根据车辆行驶的安全性要求，设定安全阈值，以安全阈值作为约束条件将全局目标动态威胁场分割成安全与不安全两个部分，在安全区域内规划出最短时间路径。/n

【技术特征摘要】
1.一种具有安全性约束的智能车辆路径规划方法，其特征在于，包括建模阶段和运行阶段，其中，
建模阶段包括步骤：首先提取智能车辆安全相关的环境因素；然后针对环境中每一目标，根据环境因素和目标特征构造静态威胁场；再考虑每一目标的运动学特征，构造目标动态威胁场，并对多目标的威胁场进行融合，得到融合的全局目标动态威胁场；最后根据安全性约束构造最短时间最优化目标函数来建立路径规划模型；
运行阶段包括步骤：首先利用车载传感器实时采集环境因素与目标特性数据；结合建模阶段建立的威胁场模型，计算道路上多目标对智能车辆形成的全局目标动态威胁场；根据车辆行驶的安全性要求，设定安全阈值，以安全阈值作为约束条件将全局目标动态威胁场分割成安全与不安全两个部分，在安全区域内规划出最短时间路径。


2.根据权利要求1所述的一种具有安全性约束的智能车辆路径规划方法，其特征在于，所述建模阶段提取智能车辆的威胁因素具体包括：目标特征因素、环境因素和目标运动学因素。其中，目标特征指目标的类型大小，用pcartp表示；环境因素指当前气候状况，用penvir表示；目标运动学因素包括目标速度和位置，目标速度是矢量，用表示，目标的位置用(xobs,yobs)表示。


3.根据权利要求2所述的一种具有安全性约束的智能车辆路径规划方法，其特征在于，所述建模阶段构造目标静态威胁场具体包括：在静态场景中，根据目标特征、气候环境和目标位置，构造单目标的静态威胁场E，如式(1)所示，该场是标量场，不受目标速度的影响：



式中，kcartp、kenvir、kdis分别表示目标特征、气候环境、位置距离的比例因子；pcartp、penvir分别表示目标特征值、气候环境值；(x,y)表示智能车辆所在位置；(xobs,yobs)表示目标所在位置；E表示目标静态威胁场。目标类型越大产生的威胁场越大；天气状况越差，产生的威胁场越大。


4.根据权利要求3所述的一种具有安全性约束的智能车辆路径规划方法，其特征在于，所述目标动态威胁场，是在静态威胁场的基础上，结合智能车辆的运动状态，加入目标运动学因素构造出来。该场是一个矢量场，单目标i对智能车辆产...

【专利技术属性】
技术研发人员：岑明，杜悦，雷阳，杨东，刘漱行，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50