一种无人驾驶环卫车队的路径规划方法技术

本发明专利技术公开了一种无人驾驶环卫车队的路径规划方法，其包括：全局路径规划，采用A*算法进行全局路径规划，并检测剩余电量，确保有足够电量返回充电站；局部路径规划，采用改进动态窗口法，通过传感器检测周围信息，实时进行最优路径规划；当遇到障碍物堵塞全局路径规划的路径时，重新规划全局路径。本发明专利技术具有原理简单、适用范围广、能够提高路径规划效率和准确性等优点。确性等优点。确性等优点。

【技术实现步骤摘要】
一种无人驾驶环卫车队的路径规划方法


[0001]本专利技术主要涉及到无人环卫车
，特指一种无人驾驶环卫车队的路径规划方法。

技术介绍

[0002]电动无人驾驶环卫车需要根据环境地图场景和车辆电量等约束规划出一条能够完成其覆盖式清洁任务的路径，并确保车辆可沿着规划的线路安全、快速和稳定地从起点抵达目标终点。
[0003]对于无人环卫车的路径规划会遇到各种复杂的情况，可以归结为以下几点：
[0004](1)随机性：由于各种不可预测的环境因素，工作环境处于不完全确定的状态，例如无法确定临时障碍物的实际大小和形状，这就增加了环卫车路径规划的难度。
[0005](2)多指标：对于电动无人驾驶环卫车，单一的路径规划最优性能已不能满足实际需求，这就需要同时考虑距离、时间、能耗等多个指标。
[0006](3)多约束：路径规划中需要考虑几何和物理约束。几何约束主要指无人清扫车的外部形状和尺寸，物理约束主要指最大速度、加速度、最小转弯半径等约束。
[0007]国内外已有很多关于无人驾驶环卫车的路径规划研究，其中全局路径规划研究主要集中于园区场景下的路径搜索算法，没有考虑电动车辆的电量以及道路作业方法；部分研究把全局路径规划归为弧路径问题(CARP)，考虑了充电、调度、容量等方面，建立路径优化模型，但该方向对局部路径规划考虑的较少，或者假设遇到的障碍物主要为静态障碍物，明显与实际行驶环境相差过大。因此现有的技术要求不能满足电动无人驾驶环卫车的路径规划问题。

技术实现思路

[0008]本专利技术要解决的技术问题就在于：针对现有技术存在的技术问题，本专利技术提供一种原理简单、适用范围广、能够提高路径规划效率和准确性的无人驾驶环卫车队的路径规划方法。
[0009]为解决上述技术问题，本专利技术采用以下技术方案：
[0010]一种无人驾驶环卫车队的路径规划方法，其包括：
[0011]全局路径规划，采用A*算法进行全局路径规划，并检测剩余电量，确保有足够电量返回充电站；
[0012]局部路径规划，采用改进动态窗口法，通过传感器检测周围信息，实时进行最优路径规划；
[0013]当遇到障碍物堵塞全局路径规划的路径时，重新规划全局路径。
[0014]作为本专利技术方法的进一步改进：所述全局路径规划的流程包括：
[0015]步骤S10：初始化；初始化静态离散地图以及参数，并初始化起始点、目标点、速度。
[0016]步骤S20：在拓扑地图中，基于A*算法搜索全局路径节点，确定和保存关键节点序
列；
[0017]步骤S30：判断当前电量是否剩余一定阈值，如果小于等于该阈值，将关键节点逆排序，即以当前点为起点，目标点为初始起点；如果大于该阈值，则继续步骤S40；
[0018]步骤S40：检测当前点最近的关键点以及下一个关键点之间的路径；
[0019]步骤S50：当传感器检测到动态障碍堵塞目标关键点或规划的全局路径时，重新进行步骤S20中的规划；当传感器检测到没有动态障碍堵塞目标关键点或规划的全局路径时，以当前点为起点，当前速度为起始速度，局部目标点为下一个关键点。
[0020]作为本专利技术方法的进一步改进：所述局部路径规划的流程包括：
[0021]步骤S100：以局部的目标点作为动态窗口法的目标输入，对输出的局部速度值进行轨迹预测，使用评价函数选择最优轨迹对应的速度运动；
[0022]步骤S200：判断是否到达局部目标点，如果没有到达局部目标点，迭代执行步骤S100，直到到达局部目标点执行下一步；
[0023]步骤S300：检测是否到达全局目标节点，如果没有到达，执行步骤S40，通过不断地迭代，直到到达目标节点，完成清扫任务；如果到达了目标节点，则输出最优路径。
[0024]作为本专利技术方法的进一步改进：所述步骤S100中，对车辆速度进行采样，然后基于运动模型预测轨迹，基于评价函数选择最优轨迹，以最优轨迹对应的速度进行控制。
[0025]作为本专利技术方法的进一步改进：所述拓扑地图中使用一系列的点和连接线表示环境信息，所述点代表环境中的一些关键点，所述连接线表示不同节点之间的连通性，即可行驶路径；根据地图中道路的连通性，忽略大部分环境信息，只保留拓扑点和边，形成根据连通性构造的拓扑地图。
[0026]作为本专利技术方法的进一步改进：所述A*算法用来求解静态道路最短路径，通过引入带有成本函数的启发式函数来提高搜索速度，其代价函数为f(n)＝g(n)+h(n)；其中，g(n)表示从起点到达节点n的实际成本，h(n)表示从节点n到达终点的估计成本；如果h(n)为零，A*算法退化为Dijkstra算法，并且成本估算越接近实际值，则搜索最终进行得越快。
[0027]作为本专利技术方法的进一步改进：选用行程时间作为全局路径规划的代价函数，节点的f值为起点到达节点的实际时间和节点到达终点的估计时间之和；应用Dijkstra算法计算时间权值的步骤，将父节点f值作为子节点路段速度的自变量，再结合父节点与子节点的距离计算得到子节点的g值；其中h为节点到达终点的估计时间，直接从行程时间权值矩阵获取；将每两个相邻的任务点分别作为起点和目标点采用A*算法进行全局路径规划，从终点开始依次查找父节点可以得到一组路段序列，将全部路段序列按任务点顺序进行组合即可生成全局路径。
[0028]作为本专利技术方法的进一步改进：所述A*算法的迭代过程包括：
[0029]步骤S1000：将起始点加到开放列表中，设置起点f值为零，其他节点f值为正无穷；
[0030]步骤S2000：寻找起点周围所有可到达或者可通过的方格，将其加入开启列表；遍当前所能到达的所有方格，将其加入开启列表中；选取f值最小的节点n移动到封闭列表中；
[0031]步骤S3000：判断当前节点是否为终点，如果是，则流程结束；
[0032]步骤S4000：如果邻接节点不在列表中，将其加入开放列表，设置n的子节点并计算f值；若邻接节点在开放列表中，当n作为父节点时g值更小，更换其父节点并计算f值；
[0033]步骤S5000：如果未遍历完n的全部邻接点，则重复步骤S4000；如果遍历完n的全部
邻接点且开放列表为空，则不存在满足要求的路径；如果遍历完n的全部邻接点且开放列表不为空，则返回步骤S2000。
[0034]作为本专利技术方法的进一步改进：进行所述局部路径规划时采用DWA算法，其流程包括：
[0035]步骤S10000：建立电动环卫无人车运动模型；在窗口区域内对电动环卫无人车的速度空间进行采样，并在速度空间(v
x
,w
y
)内模拟可行运动轨迹；
[0036]步骤S20000：速度约束；
[0037]步骤S30000：速度采样与轨迹推算；在速度空间中进行采样，采样出不同组的速度，然后根据无人车运动模型预测电动环卫无人车的轨迹，通过评价函数对这些轨迹进行最优选择；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人驾驶环卫车队的路径规划方法，其特征在于，包括：全局路径规划，采用A*算法进行全局路径规划，并检测剩余电量，确保有足够电量返回充电站；局部路径规划，采用改进动态窗口法，通过传感器检测周围信息，实时进行最优路径规划；当遇到障碍物堵塞全局路径规划的路径时，重新规划全局路径。2.根据权利要求1所述的无人驾驶环卫车队的路径规划方法，其特征在于，所述全局路径规划的流程包括：步骤S10：初始化；初始化静态离散地图以及参数，并初始化起始点、目标点、速度。步骤S20：在拓扑地图中，基于A*算法搜索全局路径节点，确定和保存关键节点序列；步骤S30：判断当前电量是否剩余一定阈值，如果小于等于该阈值，将关键节点逆排序，即以当前点为起点，目标点为初始起点；如果大于该阈值，则继续步骤S40；步骤S40：检测当前点最近的关键点以及下一个关键点之间的路径；步骤S50：当传感器检测到动态障碍堵塞目标关键点或规划的全局路径时，重新进行步骤S20中的规划；当传感器检测到没有动态障碍堵塞目标关键点或规划的全局路径时，以当前点为起点，当前速度为起始速度，局部目标点为下一个关键点。3.根据权利要求2所述的无人驾驶环卫车队的路径规划方法，其特征在于，所述局部路径规划的流程包括：步骤S100：以局部的目标点作为动态窗口法的目标输入，对输出的局部速度值进行轨迹预测，使用评价函数选择最优轨迹对应的速度运动；步骤S200：判断是否到达局部目标点，如果没有到达局部目标点，迭代执行步骤S100，直到到达局部目标点执行下一步；步骤S300：检测是否到达全局目标节点，如果没有到达，执行步骤S40，通过不断地迭代，直到到达目标节点，完成清扫任务；如果到达了目标节点，则输出最优路径。4.根据权利要求3所述的无人驾驶环卫车队的路径规划方法，其特征在于，所述步骤S100中，对车辆速度进行采样，然后基于运动模型预测轨迹，基于评价函数选择最优轨迹，以最优轨迹对应的速度进行控制。5.根据权利要求2
‑
4中任意一项所述的无人驾驶环卫车队的路径规划方法，其特征在于，所述拓扑地图中使用一系列的点和连接线表示环境信息，所述点代表环境中的一些关键点，所述连接线表示不同节点之间的连通性，即可行驶路径；根据地图中道路的连通性，忽略大部分环境信息，只保留拓扑点和边，形成根据连通性构造的拓扑地图。6.根据权利要求1
‑
4中任意一项所述的无人驾驶环卫车队的路径规划方法，其特征在于，所述A*算法用来求解静态道路最短路径，通过引入带有成本函数的启发式函数来提高搜索速度，其代价函数为f(n)＝g(n)+h(n)；其中，g(n)表示从起点到达节点n的实际成本，h(n)表示从节点n到达终点的估计成本；如果h(n)为零，A*算法退化为Dijkstra算法，并且成本估算越接近实际...

【专利技术属性】
技术研发人员：肖海波，龙腾蛟，刘凯，陈本庆，石亦磊，姜勇钢，
申请(专利权)人：湖南湘江智车出行科技有限公司，
类型：发明
国别省市：