一种无人车路径规划方法、客户端及服务器技术

本发明专利技术提供了一种无人车路径规划方法，包括如下步骤：S1，将地图导入无人车系统中，并将所述地图栅格化；S2，在所述栅格化地图中设定起始节点和目标节点，基于改进的A*算法，在所述起始节点和目标节点之间的栅格节点中进行逐步遍历；S3，逐步遍历相邻所述栅格节点间的平均高程值，得到满足车辆运动学的多条规划路径；S4，计算所述多条规划路径的路径代价函数值，获取最小路径代价函数值所对应的规划路径为最优路径。本发明专利技术结合基于改进的A*算法，考虑路面高度变化，并且计算效率高，路径规划精度高。度高。度高。

【技术实现步骤摘要】
一种无人车路径规划方法、客户端及服务器
[0001]本申请要求于2021年3月29日提交的中国专利申请号为202110332643.6、申请名称为“一种无人车路径规划方法、客户端及服务器”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。


[0002]本专利技术涉及寻路算法
，尤其涉及一种无人车路径规划方法、客户端、服务器及计算机可读存储介质。

技术介绍

[0003]无人驾驶汽车是通过车载传感系统感知道路环境，自动规划行车路线并控制车辆到达预定目标的智能汽车。路径规划技术是无人驾驶汽车中关键技术之一，主要使无人车能够快速平稳到达目标地。其中需要考虑无人车以怎样的路径到达设定目标地，能否以最优的路径，能否遵守交通规则，以能否越过障碍物等。
[0004]在对无人车的路径规划中，A*算法是常用的一种无人车路径规划算法。A*算法需要给定地图信息，将地图信息栅格化，遍历周围节点寻找最优路径。但是A*算法适用于在平坦地带进行路径规划，即需要假定地面高度恒定，对于山路环境或者高低起伏的道路环境，通过常规的A*算法规划的路径可能会存在路面高度变化突变，导致无人车无法通行的情况。

技术实现思路

[0005]本专利技术提供了一种无人车路径规划方法、客户端、服务器及计算机可读存储介质，可以有效解决上述问题。
[0006]本专利技术是这样实现的：
[0007]本专利技术提供一种无人车路径规划方法，包括如下步骤：
[0008]S1，将地图导入无人车系统中，并将所述地图栅格化；
[0009]S2，在所述栅格化地图中设定起始节点和目标节点，基于改进的A*算法，在所述起始节点和目标节点之间的栅格节点中进行逐步遍历；
[0010]S3，逐步遍历相邻所述栅格节点间的平均高程值，得到满足车辆运动学的多条规划路径；
[0011]S4，计算所述多条规划路径的路径代价函数值，获取最小路径代价函数值所对应的规划路径为最优路径。
[0012]作为进一步改进的，在步骤S1中，所述地图为三维地图模型，且所述地图栅格化后得到每个栅格节点的尺寸和平均高程值。
[0013]作为进一步改进的，在步骤S2中，所述基于改进的A*算法，在所述起始节点和目标节点之间的栅格节点中进行逐步遍历的步骤包括：
[0014]基于路径代价函数：F(n)＝G(n)+H(n)+C(n)，在所述起始节点和目标节点之间的
栅格节点中进行逐步遍历；其中，所述G(n)为所述栅格化地图中无人车从起始节点到当前节点的实际代价；所述H(n)为所述栅格化地图中无人车从当前节点到目标节点的估算代价；所述C(n)为曲率代价函数，用来计算所述栅格化地图中相邻栅格节点的曲率代价。
[0015]作为进一步改进的，所述曲率代价通过公式获得，其中，Z
k
为第k个栅格节点高程值。
[0016]作为进一步改进的，定义所述车辆运动学约束的无人车可通过高程值阈值为H，且在步骤S3中，所述逐步遍历相邻所述栅格节点间的平均高程值的步骤包括：
[0017]当|Z
k
‑
Z
k
‑1|<H时，判断相邻所述栅格节点间的平均高程值满足所述车辆运动学约束,即无人车可从第k
‑
1个栅格节点进入第k个栅格节点。
[0018]作为进一步改进的，在步骤S4中，所述计算所述多条规划路径的路径代价函数值的步骤包括：
[0019]通过CUDA调用GPU加速多线程，计算每个所述栅格节点的路径代价函数,从而获得每条规划路径的路径代价函数值。
[0020]本专利技术进一步提供一种客户端，所述客户端包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的数据处理程序，所述数据处理程序被所述处理器执行时实现如下步骤：
[0021]S1，将地图导入无人车系统中，并将所述地图栅格化；
[0022]S2，在所述栅格化地图中设定起始节点和目标节点，基于改进的A*算法，在所述起始节点和目标节点之间的栅格节点中进行逐步遍历；
[0023]S3，逐步遍历相邻所述栅格节点间的平均高程值，得到满足车辆运动学的多条规划路径；
[0024]S4，计算所述多条规划路径的路径代价函数值，获取最小路径代价函数值所对应的规划路径为最优路径。
[0025]本专利技术进一步提供一种服务器，所述服务器包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的数据处理程序，所述数据处理程序被所述处理器执行时实现如下步骤：
[0026]S1，将地图导入无人车系统中，并将所述地图栅格化；
[0027]S2，在所述栅格化地图中设定起始节点和目标节点，基于改进的A*算法，在所述起始节点和目标节点之间的栅格节点中进行逐步遍历；
[0028]S3，逐步遍历相邻所述栅格节点间的平均高程值，得到满足车辆运动学的多条规划路径；
[0029]S4，计算所述多条规划路径的路径代价函数值，获取最小路径代价函数值所对应的规划路径为最优路径。
[0030]本专利技术进一步提供一种计算机可读存储介质，所述计算机可读存储介质上存储有数据处理程序，所述数据处理程序可被一个或者多个处理器执行，以实现以上所述的无人车路径规划方法的步骤。
[0031]本专利技术的有益效果是：
[0032]其一：本专利技术提供了一种无人车路径规划方法、客户端、服务器及计算机可读存储
介质，在无人车系统中导入三维地图模型，并将地图栅格化，在栅格化的地图中确认起始节点和目标节点，基于改进的A*算法，逐步遍历起始节点和目标节点之间的栅格节点；其中，考虑每个相邻栅格节点之间的高程差值，并且基于车辆运动学约束，判断无人车能否从一个栅格节点进入下个栅格节点，最终得到多条能够通行的规划路径，并计算每个规划路径的路径代价函数值，其中路径代价函数值最小的即为最优路径；该路径规划方法可以考虑山路环境或者高低起伏的道路环境，得到一条考虑车辆运动学约束的最优路径，使车辆运动行驶更加平稳。
[0033]其二：本专利技术中通过CUDA调用GPU加速多线程的计算方式，计算每个所述栅格节点的路径代价函数,从而获得每条规划路径的路径代价函数值；有效提高了路径代价函数值的计算效率，降低路径规划时间，可以快速获取考虑路面高低起伏的最优路径规划。
附图说明
[0034]为了更清楚地说明本专利技术实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0035]图1是本专利技术实施例提供的一种无人车路径规划方法的流程图。
具体实施方式
[0036]为使本专利技术实施方式的目的、技术方案和优点更加清楚，下面将结合本专利技术实施方式中的附图，对本专利技术实施方式中的技术方案进行清楚、完整地描述，显然，所描本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人车路径规划方法，其特征在于，包括如下步骤：S1，将地图导入无人车系统中，并将所述地图栅格化；S2，在所述栅格化地图中设定起始节点和目标节点，基于改进的A*算法，在所述起始节点和目标节点之间的栅格节点中进行逐步遍历；S3，逐步遍历相邻所述栅格节点间的平均高程值，得到满足车辆运动学的多条规划路径；S4，计算所述多条规划路径的路径代价函数值，获取最小路径代价函数值所对应的规划路径为最优路径。2.根据权利要求1所述的无人车路径规划方法，其特征在于，在步骤S1中，所述地图为三维地图模型，且所述地图栅格化后得到每个栅格节点的尺寸和平均高程值。3.根据权利要求1所述的无人车路径规划方法，其特征在于，在步骤S2中，所述基于改进的A*算法，在所述起始节点和目标节点之间的栅格节点中进行逐步遍历的步骤包括：基于路径代价函数：F(n)＝G(n)+H(n)+C(n)，在所述起始节点和目标节点之间的栅格节点中进行逐步遍历；其中，所述G(n)为所述栅格化地图中无人车从起始节点到当前节点的实际代价；所述H(n)为所述栅格化地图中无人车从当前节点到目标节点的估算代价；所述C(n)为曲率代价函数，用来计算所述栅格化地图中相邻栅格节点的曲率代价。4.根据权利要求3所述的无人车路径规划方法，其特征在于，所述曲率代价通过公式获得，其中，Z
k
为第k个栅格节点高程值。5.根据权利要求4所述的无人车路径规划方法，其特征在于，定义所述车辆运动学约束的无人车可通过高程值阈值为H，且在步骤S3中，所述逐步遍历相邻所述栅格节点间的平均高程值的步骤包括：当|Z
k
‑
Z
k
‑1|<H时，判断相邻所述栅格节点间的平均高程值满足所述车辆运动学约束,即无...

【专利技术属性】
技术研发人员：ꢀ七四专利代理机构，
申请(专利权)人：世光厦门智能科技有限公司，
类型：发明
国别省市：