一种智能汽车路径规划及避障跟踪方法技术

本发明专利技术提出一种智能汽车路径规划及避障跟踪方法，所述方法基于改进的蚁群算法获取全局路径，减少计算时间并提高搜索效率。进一步地，通过对全局路径进行拟合优化，以提高驾驶舒适性。并对障碍物进行了考虑，进行了路径局部优化，提高驾驶安全性。提高驾驶安全性。提高驾驶安全性。

【技术实现步骤摘要】
一种智能汽车路径规划及避障跟踪方法


[0001]本公开涉及智能汽车决策规划领域，具体涉及一种智能汽车路径规划及避障跟踪算法。

技术介绍

[0002]智能车辆通过车上装备的传感装置感知周围环境，利用人工智能技术模拟人类的驾驶习惯和处理紧急事故的应对方式，避免了人类在极端条件下心理压力对行为能力影响的缺陷，这使得汽车具有自主行驶的能力，让汽车的行驶变得安全可靠。
[0003]路径跟踪控制是指智能车辆能够跟随路径规划层所得到的路径并使车辆安全稳定地在路面上行驶，路径跟踪控制的主要目的是能够根据智能车辆的运动学和动力学约束，从而输出相应的控制变量，如车轮制动力、前轮转角等。
[0004]目前的智能汽车规划控制的步骤为先进行全局路径规划，然后进行局部路径规划，最后进行跟踪控制。常用的全局路径规划主要方法有A*算法、遗传算法和蚁群算法。其中，A*算法有易于陷入局部最优、搜索量大的缺点，遗传算法存在计算量庞大、规划时间长，无法满足实时性要求的问题，而蚁群算法搜索能力强但容易陷入局部最优。

技术实现思路

[0005]有鉴于此，本专利技术主要目的在于提供一种智能汽车路径规划及避障跟踪方法。所述方法包括下述步骤：
[0006]S100、获取路段经纬度、高度坐标，利用高斯投影得到路段平面坐标，进而获取路段位置连接关系；
[0007]S200、根据路段位置连接关系，设置路段的相交点为节点，建立邻接矩阵，邻接矩阵上的元素表示在交通规则上允许由一个节点驶向另一个节点的路段，元素的值表示两个节点间的距离；
[0008]S300、利用改进的蚁群算法获取全局路径并输出；
[0009]S400、对输出的全局路径进行障碍物位置判断，以实现路径局部优化；
[0010]S500、基于局部优化后的路径，利用车辆动力学方程建立预测模型，获取智能车辆的状态量和控制量，从而实现智能车辆的路径规划及轨迹跟踪。
[0011]优选地，在所述方法中，述改进的蚁群算法包括下述步骤：
[0012]S301、将当前循环次数设置为0，当前蚂蚁个数设置为0，设置信息素浓度初始值，循环总数，蚂蚁总数；
[0013]S302、判断循环次数是否不大于循环总数；若是，则将当前循环次数增加1，执行S303；否则，输出当前最优路径；
[0014]S303、判断当前蚂蚁编号是不大于蚂蚁总数；若是，执行步骤S304；否则，执行步骤S309；
[0015]S304、利用改进的启发函数计算候选节点概率；
[0016]所述改进的启发函数通过下式计算：
[0017][0018]式中：d
ij
表示路段(i，j)之间的欧式距离，d
jE
表示下一个可行节点j和目标节点E之间的欧氏距离；C1和C2是服从0和1之间均匀分布的随机数，C1表示节点j对路径选择的影响的权重，C2表示目标节点E对路径选择影响的权重；S305、利用信息素浓度和启发函数计算候选节点概率，基于所述概率利用轮盘赌原则，确定下一个节点，并将其加入路径中；
[0019]S306、判断当前蚂蚁是否完成了搜索；若当前蚂蚁完成了搜索，执行S308；若当前蚂蚁未完成搜索，执行S307；
[0020]S307、判断当前蚂蚁是否还存在可选择的节点，若当前蚂蚁还有可选择的节点，则返回S304；若当前蚂蚁没有可选择的节点，执行S308；
[0021]S308、将当前蚂蚁编号加1，返回S303；
[0022]S309、从此次迭代中所有蚂蚁的路径中，获取此次迭代的最优路径；
[0023]S310、判断此次迭代的最优路径是否为所有迭代中的最优路径；若是将在此次路径上的信息浓度通过下式更新：
[0024]τ
ij
(t)＝(1
‑
ρ)
×
τ
ij
(t
‑
1)+Δτ
ij
[0025]否则，将在此次路径上的信息浓度通过下式更新：
[0026]τ
ij
(t)＝(1
‑
2ρ)
×
τ
ij
(t
‑
1)
[0027]上述两个式中：ρ∈(0,0.5)，用于防止信息素无限积累的信息素挥发程度)；；τ
ij
(t)为更新后信息素浓度；Δτ
ij
为此轮蚂蚁遗留信息素，计算公式如下：
[0028][0029]式中：m为每轮迭代蚂蚁总数量，Q为信息素增加强度系数，L为当只蚂蚁从起始节点到达目标节点的路径长度；返回S302。
[0030]优选的，在所述方法中，所述S300之后还包括下述步骤：
[0031]利用三次B样条曲线拟合，对全局优化路径进行拟合优化后输出，提高道路行驶舒适性。
[0032]优选的，在所述方法中，所述障碍物局部优化通过下述步骤实现：
[0033]利用势场法思想建立如下障碍物威胁代价函数：
[0034][0035][0036]式中：W
i
表示第i个障碍物在所有障碍物威胁代价中的权重；(x,y)表示当前智能车辆所在位置；(x
obsi
,y
obsi
)表示当前障碍物所在位置；δ为一个设定值，用于防止J
obsi
计算结果为无穷大。
[0037]优选的，在所述方法中，所述局部优化还包括使跟踪代价与控制代价的总和最小。
[0038]与现有技术相比：
[0039]本专利技术在路径规划中基于改进的蚁群算法，能够快速地生成可行路径，实现路径规划。进一步地，通过对全局路径进行拟合优化，以提高驾驶舒适性。并对障碍物进行了考虑，进行了路径局部优化，躲避障碍物提高驾驶安全性。
附图说明
[0040]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0041]图1、为本专利技术方法流程示意图；
[0042]图2、为一个实施例中的经纬度地图示意图；
[0043]图3、为将图1的经纬度地图转化为平面地图示意图；
[0044]图4、为本专利技术中路口的道路节点示意图；
[0045]图5、为一个实施例中进行路径规划结果示意图；
[0046]图6、为本专利技术中涉及的改进的蚁群算法流程示意图。
具体实施方式
[0047]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0048]在一个实施例中，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能汽车路径规划及避障跟踪方法，其特征在于，所述方法包括下述步骤：S100、获取路段经纬度、高度坐标，利用高斯投影得到路段平面坐标，进而获取路段位置连接关系；S200、根据路段位置连接关系，设置路段的相交点为节点，建立邻接矩阵，邻接矩阵上的元素表示在交通规则上允许由一个节点驶向另一个节点的路段，元素的值表示两个节点间的距离；S300、利用改进的蚁群算法获取全局路径并输出；S400、对输出的全局路径进行障碍物位置判断，以实现路径局部优化；S500、基于局部优化后的路径，利用车辆动力学方程建立预测模型，获取智能车辆的状态量和控制量，从而实现智能车辆的路径规划及轨迹跟踪。2.根据权利要求1所述的方法，其特征在于，所述改进的蚁群算法包括下述步骤：S301、将当前循环次数设置为0，当前蚂蚁个数设置为0，设置信息素浓度初始值，循环总数，蚂蚁总数；S302、判断循环次数是否不大于循环总数；若是，则将当前循环次数增加1，执行S303；否则，输出当前最优路径；S303、判断当前蚂蚁编号是不大于蚂蚁总数；若是，执行步骤S304；否则，执行步骤S309；S304、利用改进的启发函数计算候选节点概率；所述改进的启发函数通过下式计算：式中：d
ij
表示路段(i，j)之间的欧式距离，d
jE
表示下一个可行节点j和目标节点E之间的欧氏距离；C1和C2是服从0和1之间均匀分布的随机数，C1表示节点j对路径选择的影响的权重，C2表示目标节点E对路径选择影响的权重；S305、利用当前的信息素浓度和改进的启发函数计算候选节点概率，基于所述概率利用轮盘赌原则，确定下一个节点，并将其加入路径中；S306、判断当前蚂蚁是否完成了搜索；若当前蚂蚁完成了搜索，执行S308；若当前蚂蚁未完成搜索，执行S307；S307、判断当前蚂蚁是否还存在可选择的节点，若当前蚂蚁还有可选择的节点，则返回S304；若当前蚂蚁没有可选择的节点，执行S308；S308、将当前蚂蚁编号加1，返回S303；S30...

【专利技术属性】
技术研发人员：金立生，白宇飞，马祥生，韩广德，谢宪毅，郭柏苍，朱文涛，刘国峰，魏青嵩，
申请(专利权)人：燕山大学，
类型：发明
国别省市：