本发明专利技术公开一种无人车局部路径规划方法、装置、设备及存储介质，方法包括：根据无人车周围环境车的历史轨迹信息以及道路环境上下文信息获取无人车周围环境车的未来轨迹预测信息；采用人工势场法对所述无人车的行驶环境进行建模，在栅格图中建立概率地图；基于所述环境车的未来轨迹预测信息和所述概率地图，采用改进RRT算法对所述无人车进行局部路径规划，以获取无人车的规划路径；采用B样条曲线对所述无人车的规划路径进行拟合，以生成满足车辆运动约束的无人车的局部路径。本发明专利技术解决了现有技术中局部路径规划时计算强度大、耗时长、安全性不够的技术问题。
【技术实现步骤摘要】
一种无人车局部路径规划方法、装置、设备及存储介质
本专利技术涉及路径规划
，具体涉及一种无人车局部路径规划方法、装置、设备及存储介质。
技术介绍
自动驾驶汽车是促进智能交通系统发展的重要工具，能够有效减少因人为错误引发的交通事故，具有重要的理论意义和实用价值。轨迹规划作为自动驾驶汽车的核心组成部分，负责解决自动驾驶汽车如何具体行驶的问题，即实时规划出安全且舒适的局部轨迹，轨迹规划的结果直接影响到自动驾驶的安全性、智能性和舒适性。围绕轨迹规划问题已经开展了许多研究，目前常用的方法有：基于图搜索的算法、基于曲线插值的算法、基于空间采样的算法、基于数值优化的算法、基于强化学习的算法。不同类型的路径规划方法各有优劣，基于图搜索的轨迹规划方法适用于在已知环境中找到最短路径,但输入维度和计算复杂度随着搜索范围和维度的增加而大幅增长，不适用于复杂动态环境。基于曲线插值的轨迹规划方法计算过程简单，但针对于复杂动态场景的插值曲线一般阶次较高，能够准确到达终端状态的高阶曲线的关键系数难以计算。基于采样的轨迹规划方法虽然可以解决高维空间规划的时间约束问题，但生成的轨迹规划结果可能具有次优性。基于数值优化的轨迹规划方法能够在规划周期内综合考虑多种约束条件，但计算复杂度较高，轨迹生成耗时，并且依赖于全局参考轨迹。基于强化学习的路径规划方法可以得到较优路径，但需要前期长时间、多场景的训练过程，且泛化能力差，尤其应对极端场景的能力难以考证。因此，目前的局部路径规划方法，在复杂动态环境下的规划能力较差，而且计算强度大，耗时长。
技术实现思路
本专利技术的目的在于克服上述技术不足，提供一种无人车局部路径规划方法、设备及存储介质，解决现有技术中局部路径规划时计算强度大、耗时长、安全性不够的技术问题。为达到上述技术目的，本专利技术采取了以下技术方案：第一方面，本专利技术提供了一种无人车局部路径规划方法，包括如下步骤：根据无人车周围环境车的历史轨迹信息以及道路环境上下文信息获取无人车周围环境车的未来轨迹预测信息；采用人工势场法对所述无人车的行驶环境进行建模，在栅格图中建立概率地图；基于所述环境车的未来轨迹预测信息和所述概率地图，采用改进RRT算法对所述无人车进行局部路径规划，以获取无人车的规划路径；采用B样条曲线对所述无人车的规划路径进行拟合，以生成满足车辆运动约束的无人车的局部路径。优选的，所述的无人车局部路径规划方法中，所述根据无人车周围环境车的历史轨迹信息以及道路环境上下文信息获取无人车周围环境车的未来轨迹预测信息具体包括：获取不同场景下环境车的历史轨迹坐标以及对应的历史场景上下文信息，利用不同场景下交通车辆的历史轨迹坐标以及对应的历史场景上下文信息对长短期记忆网络进行训练；采用奖励函数对所述长短期记忆网络进行正则化处理；获取无人车周围环境车的实时场景上下文信息，将所述实时场景上下文信息输入所述正则化处理后的长短期记忆网络中，以得到环境车的未来轨迹预测信息。优选的，所述的无人车局部路径规划方法中，所述采用人工势场法对所述无人车的行驶环境进行建模，在栅格图中建立概率地图具体包括：基于无人车的实时行车环境信息建立势场函数，采用所述势场函数计算出所述无人车在实时行车环境信息下的各类势场后，基于计算出的各类势场建立概率地图。优选的，所述的无人车局部路径规划方法中，所述势场函数具体为：Uall＝Ulane+Uroad+Ucar+Uobstacle+Ugoal，Ugoal＝ε-κ·(x-xcar)，其中，Ulane表示分道线势场，Uroad表示道路边界线势场，Ucar表示环境车势场，Uobstace表示障碍物势场，Ugoal表示目标点势场，Uall表示势场总和，Alane表示分道线势场系数，ylane，i表示第i条分道线在Y方向上的位置，σlane表示分道线势场的收敛系数，Aroad表示道路边界势场系数，j的取值为1或2，yroad，j为第j条道路边界线的位置，Acar，long表示纵向势场系数，K表示距离无人车安全范围最右侧的距离，λ表示汤川势系数，σcar表示环境车势场的收敛系数，d表示横向距离，Aobstacle表示障碍物系数，dods表示距离障碍物前后两侧的距离，ε是正的势场常数，κ是目标点势场的系数。优选的，所述的无人车局部路径规划方法中，所述基于计算出的各类势场建立概率地图具体为：其中，ci，j表示栅格地图中的某一位置，ε是正的势场常数。优选的，所述的无人车局部路径规划方法中，所述基于所述环境车的未来轨迹预测信息和所述概率地图，采用改进RRT算法对所述无人车进行局部路径规划，以获取无人车的局部路径具体包括：将栅格地图中计算得到的采样概率值作为适应度度量，根据概率地图得到每个栅格点的适应度后，计算出每个栅格点的横纵坐标被选中的概率，并基于各个栅格点的横纵坐标被选中的概率计算出横纵两个维度的累积概率；基于所述横纵两个维度的累积概率进行节点扩展，在节点之间的距离约束条件和角度约束条件下选取合适的采样新节点；基于所述环境车的未来轨迹和所述无人车的采样新节点，对无人车进行碰撞检测；根据所述碰撞检测结果，对无人车的路径节点进行连接或删除，并继续进行节点扩展，直至达到目标节点后，得到无人车的局部路径。优选的，所述的无人车局部路径规划方法中，采用三次B样条曲线对所述无人车的规划路径进行拟合。第二方面，本专利技术还提供一种无人车局部路径规划装置，包括：未来轨迹预测模块，用于根据无人车周围环境车的历史轨迹信息以及道路环境上下文信息获取无人车周围环境车的未来轨迹预测信息；概率地图建立模块，用于采用人工势场法对所述无人车的行驶环境进行建模，在栅格图中建立概率地图；规划路径获取模块，用于基于所述环境车的未来轨迹预测信息和所述概率地图，采用改进RRT算法对所述无人车进行局部路径规划，以获取无人车的规划路径；曲线拟合模块，用于采用B样条曲线对所述无人车的规划路径进行拟合，以生成满足车辆运动约束的无人车的局部路径。第三方面，本专利技术还提供一种无人车局部路径规划设备，包括：处理器和存储器；所述存储器上存储有可被所述处理器执行的计算机可读程序；所述处理器执行所述计算机可读程序时实现如上所述的无人车局部路径规划方法中的步骤。第四方面，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的无人车局部路径规划方法中的步骤。与现有技术相比，本专利技术提供的无人车局部路径规划方法、装置、设备及存储介质，针对驾驶场景中其他交通车辆不确定性的影响，在轨迹规划的过程中综合考虑其他交通车辆未来的运动轨迹，将车辆的交互作用融入轨迹规划的结果中，及时处理未来时刻存在的碰撞可能性对RRT算法搜索过程的影响本文档来自技高网...
【技术保护点】
1.一种无人车局部路径规划方法，其特征在于，包括如下步骤：/n根据无人车周围环境车的历史轨迹信息以及道路环境上下文信息获取无人车周围环境车的未来轨迹预测信息；/n采用人工势场法对所述无人车的行驶环境进行建模，在栅格图中建立概率地图；/n基于所述环境车的未来轨迹预测信息和所述概率地图，采用改进RRT算法对所述无人车进行局部路径规划，以获取无人车的规划路径；/n采用B样条曲线对所述无人车的规划路径进行拟合，以生成满足车辆运动约束的无人车的局部路径。/n
【技术特征摘要】
1.一种无人车局部路径规划方法，其特征在于，包括如下步骤：
根据无人车周围环境车的历史轨迹信息以及道路环境上下文信息获取无人车周围环境车的未来轨迹预测信息；
采用人工势场法对所述无人车的行驶环境进行建模，在栅格图中建立概率地图；
基于所述环境车的未来轨迹预测信息和所述概率地图，采用改进RRT算法对所述无人车进行局部路径规划，以获取无人车的规划路径；
采用B样条曲线对所述无人车的规划路径进行拟合，以生成满足车辆运动约束的无人车的局部路径。
2.根据权利要求1所述的无人车局部路径规划方法，其特征在于，所述根据无人车周围环境车的历史轨迹信息以及道路环境上下文信息获取无人车周围环境车的未来轨迹预测信息具体包括：
获取不同场景下环境车的历史轨迹坐标以及对应的历史场景上下文信息，利用不同场景下环境车的历史轨迹坐标以及对应的历史场景上下文信息对长短期记忆网络进行训练；
采用奖励函数对所述长短期记忆网络进行正则化处理；
获取无人车周围环境车的实时场景上下文信息，将所述实时场景上下文信息输入所述正则化处理后的长短期记忆网络中，以得到环境车的未来轨迹预测信息。
3.根据权利要求1所述的无人车局部路径规划方法，其特征在于，所述采用人工势场法对所述无人车的行驶环境进行建模，在栅格图中建立概率地图具体包括：
基于无人车的实时行车环境信息建立势场函数，采用所述势场函数计算出所述无人车在实时行车环境信息下的各类势场后，基于计算出的各类势场建立概率地图。
4.根据权利要求3所述的无人车局部路径规划方法，其特征在于，所述势场函数具体为：
Uall＝Ulane+Uroad+Ucar+Uobstacle+Ugoal，
Ugoal＝ε-κ·(x-xcar)，
其中，Ulane表示分道线势场，Uroad表示道路边界线势场，Ucar表示环境车势场，Uobstacle表示障碍物势场，Ugoal表示目标点势场，Uall表示势场总和，Alane表示分道线势场系数，ylane，i表示第i条分道线在Y方向上的位置，σlane表示分道线势场的收敛系数，Aroad表示道路边界势场系数，j的取值为1或2，yroad，j为第j条道路边界线的位置，Acar，long表示纵向势场系数，K表示距离无人车安全范围最右侧的距离，λ表示汤川势系数，σcar表示环境车势场的收敛系数，d表示横向距离，Aobstacle表示障碍...
【专利技术属性】
技术研发人员：陆丽萍，邱雨洁，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。