一种越野环境下基于势能场概率图的智能车路径规划方法技术

本发明专利技术公开了一种越野环境下基于势能场概率图的智能车路径规划方法，该方法包括：S1，采用人工势能场方法建立评估越野环境风险用的多层次环境态势场模型；S2，建立越野环境空间拓扑图，生成多维度节点连接评估模型；S3，由当前节点出发，搜索该当前节点周边与其连通的扩展节点，评估各扩展节点的通行代价；S4，从路径的起始点出发，搜索新扩展节点，评估各新扩展节点的通行代价，直至扩展至目标终点为止；S5，生成车辆运动轨迹。本发明专利技术能够根据车辆周边多维度越野环境信息输出环境态势场势能值，并采用随机采样方法建立越野环境空间拓扑图，通过评估拓扑图中节点之间的越野环境通行风险生成优化路径，达到可行、安全、高效的智能车辆行驶目标。

【技术实现步骤摘要】
一种越野环境下基于势能场概率图的智能车路径规划方法
本专利技术涉及自动驾驶
，特别是涉及一种越野环境下基于势能场概率图的智能车路径规划方法。
技术介绍
智能车能够在复杂越野环境中完成情报获取、侦察监视、后勤运输和通信中转等任务，在突发疫情、自然灾害、事故抢险等应急救援行动中起到至关重要的作用。越野环境下智能车路径规划决定了智能车在行驶过程中能否安全、高效、顺畅地完成各种驾驶行为，顺利到达目标终点，是智能车自动驾驶领域的一项关键技术。近年来智能车自动驾驶路径规划技术发展迅速，可分为5大类：使用最广泛的一种是基于随机采样的路径规划方法，如快速搜索随机树(RRT)、概率图(PRM)、和路径定向细分树方法(PDST)，随机采样法在越野环境路径规划过程中，存在着无法适应环境中的威胁要素和越野道路的问题；基于图搜索的路径规划方法采用全方向扩展搜索技术，优化路段连接生成距离最短的无碰撞路径，规划算法包括Dijkstra、A*、D*、及其变种等，图搜索法能够搜索到最优路径，却存在着规划时间长，越野环境适应性差的问题；几何曲线法是将智能车路径规划问题转化成两点边界值问题求解，该方法通常采用固定类型的曲线生成路径轨迹，如B样条曲线、五次多项式曲线、立体螺旋线等，几何曲线法生成的轨迹平滑顺畅，能符合车辆运动学要求，却存在着环境条件适应度差的严重缺陷，不能满足车辆越野环境下的路径规划要求；人工势场法将环境信息抽象为引力或斥力场函数，通过势能场来规划从起始点到目标终点的无碰撞路径，具有规划速度快、路径平滑、动态安全避障的优点，然而却存在着势能陷阱和路径振荡的缺陷；此外仿生学算法近年来发展迅速，如蚁群算法、基因算法、粒子群算法等，然而仿生学算法存在规划时间长，收敛速度慢的问题。
技术实现思路
本专利技术的目的在于提供一种越野环境下基于势能场概率图的智能车路径规划方法，其能够根据车辆周边多维度越野环境信息输出其环境态势场势能值，并在此基础上采用随机采样方法建立越野环境空间拓扑图，通过评估拓扑图中节点之间的越野环境通行风险来生成优化路径，达到可行、安全、高效的智能车辆行驶目标。为实现上述目的，本专利技术提供一种越野环境下基于势能场概率图的智能车路径规划方法，其特征在于，包括：S1，根据智能车获取的环境信息，采用人工势能场方法建立评估越野环境风险用的多层次环境态势场模型；S2，通过随机采样生成越野环境空间中的节点，建立越野环境空间拓扑图，并生成评估节点之间路段的可行性和通行代价用的多维度节点连接评估模型，所述多维度节点连接评估模型包括连通评估矩阵和通行代价矩阵；S3，由当前节点出发，搜索该当前节点周边与其连通的扩展节点，并评估各所述各个所述扩展节点的通行代价；S4，从路径的起始点出发，采用S3中提供的方法，不断重复地由当前通行代价最小的节点出发，搜索该当前通行代价最小的节点周边与其连通的新扩展节点，并评估各新扩展节点的通行代价，直至扩展至路径的目标终点为止；S5，采用动态曲率平滑方法生成车辆运动轨迹。本专利技术由于采取以上技术方案，其具有以下优点：本专利技术提供的越野环境下的路径规划方法首先采用势能场法对越野环境中的障碍、威胁和道路分别建立了层次化的越野环境态势场量化模型，并使用环境态势场量化模型建立了一种综合可行性、安全性、高效性多层次环境节点之间的通行代价评估方法；针对复杂越野环境条件下的车辆通行风险评估问题，采用离线学习的方式建立了节点之间的多维度节点连接评估模型，对复杂越野环境下的车辆通行风险进行评估，并提出了以通行代价为评估指标的路径节点扩展和优化方法，能够根据车辆性能和任务要求调整权重系数矩阵，选择与自车性能相适应的通行路径；最后采用动态曲率平滑方法生成车辆运动轨迹。该方法为智能车辆在复杂越野环境下行驶提供一种具有多目标优化功能的路径规划方法，使得智能车辆能够在越野环境下中安全、高效地行驶。因此，本专利技术提出将人工势能场方法和概率图方法结合，在考虑多维度越野环境信息的基础上，利用随机采样生成的环境空间拓扑图，通过评估拓扑图中节点之间的越野环境通行风险来生成优化路径，形成一种智能车路径规划方法。附图说明图1是本专利技术实施例中越野环境下基于势能场概率图的智能车路径规划框架结构图。图2是采用本专利技术实施例中智能车行驶的越野环境中的节点分布示意图。图3是本专利技术实施例中节点数量的优化示意图。图4是本专利技术实施例提供的智能车路径规划方法的流程图。图5a和5b是本专利技术实施例中越野环境节点之间路段与对应连通评估矩阵示意图。图6a和6b是本专利技术实施例中越野环境节点之间路段与对应通行安全代价矩阵示意图。图7a和7b是本专利技术实施例中越野环境节点之间路段与对应通行距离代价矩阵示意图。图8a和8b是本专利技术实施例中越野环境节点之间路段与对应通行扩展道路代价评估矩阵示意图。图9a和9b是本专利技术实施例中越野环境节点之间路段与对应启发障碍代价评估矩阵示意图。图10a和10b是本专利技术实施例中越野环境节点之间路段与对应启发距离代价评估矩阵示意图。图11a和11b是本专利技术实施例中越野环境节点之间路段与对应启发道路代价评估矩阵示意图。图12是图4中的越野环境中路径规划的优化节点与车辆运动轨迹平滑方法示意图。图13是图4中的越野环境中智能车路径规划方法生成的车辆运动轨迹的示意图。图14是本专利技术实施例中多维度节点连接评估模型的结构示意图。具体实施方式下面结合附图和实施例对本专利技术进行详细的描述。如图1至图4所示，本专利技术实施例提供的越野环境下基于势能场概率图的智能车路径规划方法包括：S1，根据智能车周边的环境信息，采用人工势能场方法建立多层次环境态势场模型。上述的环境信息可以由智能车自身获取得到，其包括图像信息，如图2示出的图像中的越野环境示意图，其中：越野环境中存在4处建筑障碍B1～B4，1处树林障碍物B4，1处威胁要素T1，2片草地越野道路区域P1、P2，其余为土路区域。图中的S点为车辆出发起始点(表示符号为ves)，G点为车辆目标终点(表示符号为veg)。上述的多层次环境态势场模型包括障碍层势能场模型、威胁层势能场模型和道路层势能场模型。通过障碍层势能场模型可计算车辆周边一定范围内的障碍层势能值Uobs，通过威胁层势能场模型可计算车辆周边一定范围内的威胁层势能值Uthr，通过道路层势能场模型可计算车辆周边一定范围内的道路层势能值Uroa，通过求和获得越野环境态势场势能值∑U，以评估越野环境风险。S1包括如下步骤：S11，栅格化处理环境信息的图像中的越野环境进行，得由二维矩阵表示的栅格化的越野环境W，W∈R2。S12，根据越野环境W中的建筑、树林、山地等不可穿越障碍物的分布，建立由下式(1)表示的障碍层势能场模型，所述障碍层势能场模型用于将越野环境W划分为障碍层禁行区域Pobs、障碍层节点采样限制区域Pres和障碍层可行区域Pfre，其中：障碍层节点采样限制区域Pres根据车辆的宽度和转弯本文档来自技高网...

【技术保护点】
1.一种越野环境下基于势能场概率图的智能车路径规划方法，其特征在于，包括：/nS1，根据智能车周边的环境信息，采用人工势能场方法建立评估越野环境风险用的多层次环境态势场模型；/nS2，通过随机采样生成越野环境空间中的节点，建立越野环境空间拓扑图，并生成多维度节点连接评估模型，所述多维度节点连接评估模型包括评估节点之间路段连通可行性用的连通评估矩阵和评估节点之间路段通行代价用的通行代价矩阵；/nS3，由当前节点出发，搜索该当前节点周边与其连通的扩展节点，并评估各所述扩展节点的通行代价；/nS4，从路径的起始点出发，采用S3中提供的方法，不断重复地由当前通行代价最小的节点出发，搜索该当前通行代价最小的节点周边与其连通的新扩展节点，并评估各新扩展节点的通行代价，直至扩展至路径的目标终点为止；/nS5，采用动态曲率平滑方法生成车辆运动轨迹。/n

【技术特征摘要】
1.一种越野环境下基于势能场概率图的智能车路径规划方法，其特征在于，包括：
S1，根据智能车周边的环境信息，采用人工势能场方法建立评估越野环境风险用的多层次环境态势场模型；
S2，通过随机采样生成越野环境空间中的节点，建立越野环境空间拓扑图，并生成多维度节点连接评估模型，所述多维度节点连接评估模型包括评估节点之间路段连通可行性用的连通评估矩阵和评估节点之间路段通行代价用的通行代价矩阵；
S3，由当前节点出发，搜索该当前节点周边与其连通的扩展节点，并评估各所述扩展节点的通行代价；
S4，从路径的起始点出发，采用S3中提供的方法，不断重复地由当前通行代价最小的节点出发，搜索该当前通行代价最小的节点周边与其连通的新扩展节点，并评估各新扩展节点的通行代价，直至扩展至路径的目标终点为止；
S5，采用动态曲率平滑方法生成车辆运动轨迹。


2.如权利要求1所述的越野环境下基于势能场概率图的智能车路径规划方法，其特征在于，S1中的“多层次环境态势场模型”表示为下式(5)：
Ubat＝∑Uobs+∑Uthr-obs+∑Uroa(5)















式中，(x,y)为越野环境中的点坐标，为障碍层势能最大值，为障碍层节点采样限制区域势能值，为障碍层势能最小值，r为威胁要素对应的威胁层禁行区域与行驶车辆之间的距离，rmin、rmax分别为威胁层产生威胁的有效作用距离、最远作用距离，为威胁层势能最小值，为威胁层势能最大值，为道路层通行条件最好的结构化道路势能值，为道路层通行条件最差的泥沼道路势能值，aij为所述连通评估矩阵对应的元素值，kw为威胁要素的威胁系数，kr为道路通行系数，Pobs、Pres、Pfre、Pthr、Peff分别为越野环境中的障碍层禁行区域、障碍层节点采样限制区域、障碍层可行区域、威胁层禁行区域、威胁层限制通行区域。


3.如权利要求2所述的越野环境下基于势能场概率图的智能车路径规划方法，其特征在于，S2中的“越野环境空间拓扑图”表示为下式(7)：
GF＝(Ve,Ev)(7)
节点集合Ve中节点的采样要求表示为式(8)：



采用公式(9)优化节点集合Ve中节点的数量kn：
J(kn)＝F(kn)+λkT(kn)(9)
式中，GF表示越野环境空间拓扑图，Ve表示节点集合，Ev表示节点之间连接路段集合，vef和veh表示Ve中两个不同节点，W表示由二维矩阵表示的栅格化的越野环境，J(kn)为节点数量的优化指标，F(kn)为实验平均通行代价，T(kn)为实验平均路径规划时间，λk为设定的优化均衡系数。


4.如权利要求3所述的越野环境下基于势能场概率图的智能车路径规划方法，其特征在于，S2中的所述连通评估矩阵Av表示为式(11)：



式中，Av中的第i行第j列的元素aij取值为1时表示节点vei与节点vej连通；取值为0时表示节点vei与节点vej之间的路段ei,j不连通，当路段eij与区域Pobs、Pthr相交时，eij∈Pobs、eij∈Pthr；当路段eij与区域Pobs、Pthr不相交时，


5.如权利要求4所述的越野环境下基于势能场概率图的智能车路径规划方法，其特征在于，S2中的所述通行代价包括扩展代价，通过扩展安全代价评估矩阵Sv、扩展距离代价评估矩阵Dv和扩展道路代价评估矩阵Pv中的一种或多种矩阵评估所述扩展代价；
Sv表示为下式(13)，用于评估两节点之间路段的通行安全代价：



Dv表示为下式(15)，用于评估节点之间路段的通行距离代价：



Pv表示为下式(17)，用于评估两节点之间路段的通行道路代价：



式中，Sv中的第i行第j列的元素sij为两连通节点之间的设定子节点vt(1)～vt(ns)的威胁层势能值Uthr(1)～Uthr(ns)的累加值，Dv中的第i行第j列的元素dij为两连通节点之间的欧式距离||vei-vej||，Pv中的第i行第j列的元素pij为两连通节点之间的设定子节点vr(1)～vr(np)的道路层势能值Uroa(1)～Uroa(np)的累加值，sij、dij和pij在两未连通节点设置为无穷大。


6.如权利要求5所述的越野环境下基于势能场概率图的智能车路径规划方法，其特征在于，S2中的所述通行代价还包括启发代价，通过启发障碍代价评估矩阵Bv、启发距离代价评估矩阵Hv、启发道路代价评估矩阵Mv中的一种或多种矩阵评估所述启发代价；
Bv表示为下式(19)，用于评估节点与目标终点之间的启发障碍代价：



Hv表示为下式(21)，用于评估节点与目标终点之间的启发距离代价：
hij＝||vei-veg||(21)
Mv表示为下式(23)，用于评估节点与目标终点之间的启发道路代价：



式中，Bv中的第i行第j列的元素bij为在障碍层和威胁层势能场模型中的各节点vei与目标终点veg之间设定的子节点vb(1)～vb(nb)的障碍层势能值Uobj(1)～Uobj(nb)的累加值与威胁层势能值Uthr(1)～Uthr(nb)的累加值之和，H...

【专利技术属性】
技术研发人员：王建强，田洪清，黄荷叶，丁峰，李克强，许庆，郑四发，谢杉杉，高博麟，罗禹贡，李升波，边明远，袁泉，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11