基于梯度的前向蚁群算法无人车路径规划方法技术

本发明专利技术涉及一种基于梯度的前向蚁群算法无人车路径规划方法，包括以下步骤：步骤S1：初始化无人车状态参数，生成栅格地图，并设置起始点和目标点信息；步骤S2：以八个领域扩展的方式向周为扩展节点，获取可行的扩展节点；步骤S3：结合动态规划与Dijkstra算法分别计算可行的扩展节点的总代价值,并生成动态规划地图；步骤S4：采用前向蚁群算法节点选择策略，获取最优路径；步骤S5：判断新扩展的节点是否为目标点，若不是，则返回步骤S2；步骤S6：对最优路径进行二次优化，得到关键节点；步骤S7：对相邻的关键节点进行等距离插值；步骤S8：构建目标函数，并采用梯度下降法进行求解；步骤S9：对路径三次样条插值，获取最终的最优路径。获取最终的最优路径。获取最终的最优路径。

【技术实现步骤摘要】
基于梯度的前向蚁群算法无人车路径规划方法


[0001]本专利技术涉及一种基于梯度的前向蚁群算法无人车路径规划方法。

技术介绍

[0002]车辆的路径规划指的是已知车辆的行驶环境，同时在环境中给定无人驾驶汽车行驶的起始点和目标点，在符合车辆行驶条件的前提下，避开行驶环境中的所有障碍物，同时生成有效的行驶路径，该路径为该行驶环境中的最优路径。无人驾驶汽车的路径规划主要包含以下两个方面：一是利用多种传感器采集获得所在行驶环境的地图，二是利用路径规划的搜索算法在获得的行驶环境地图上搜索规划一条可行的路径。其决策标准可以是基于最小的路径长度或是从初始位置到目标位置的最小运动时间。
[0003]路径规划可以分为静态环境下的全局路径规划和动态环境下的局部路径规划。静态环境下障碍物不会运动，因此全局路径规划算法的核心思想为在已知全局环境下各个障碍物的位置、大小等相关信息，以此进行最优路径的求取。而动态环境是在静态环境下，存在一些移动且运动轨迹未知的障碍物，传感器需要捕捉运动障碍物的信息，实时的进行路径规划。因此，局部路径规划算法则注重无人车的动态避障能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于梯度的前向蚁群算法无人车路径规划方法，其特征在于，包括以下步骤：步骤S1：初始化无人车状态参数，通过传感器扫描环境生成灰度地图，生成栅格地图，并在栅格地图上设置起始点和目标点信息；步骤S2：基于无人车的当前位置，以八个领域扩展的方式向周为扩展节点，获取可行的扩展节点；步骤S3：结合动态规划与Dijkstra算法分别计算可行的扩展节点的总代价值G
i,j
,并生成动态规划地图；步骤S4：基于动态规划地图，采用前向蚁群算法节点选择策略，获取最优路径；步骤S5：判断新扩展的节点是否为目标点，若是，则进行下一个步骤；若不是，则返回步骤S2；步骤S6：对最优路径进行二次优化，去除冗余路径节点，得到关键节点；步骤S7：对相邻的关键节点进行等距离插值；步骤S8：构建目标函数，并采用梯度下降法进行求解；步骤S9：对路径三次样条插值，保证光滑的路径具有二次连续性，获取最终的最优路径。2.根据权利要求1所述的基于梯度的前向蚁群算法无人车路径规划方法，其特征在于，所述步骤S1，具体为：根据无人车的状态参数构建运动学单车模型；通过无人车自身携带的摄像头、激光雷达、GPS、惯导、里程计、加速度和角速度传感器的数据融合进行建模获取障碍物坐标信息、建立栅格地图和初始状态信息；同时获取目标点信息。3.根据权利要求1所述的基于梯度的前向蚁群算法无人车路径规划方法，其特征在于，所述步骤S3，具体为：将终点代价值记为0，代价值G
i,j
的计算方式如下：其中，G
i,j
表示位于第i行第j列栅格的代价值，代价值采用欧几里德距离计算，即第i行第j列栅格的代价值与其上下左右栅格的代价值相差为1，与其左上，右上，左下，右下的栅格的代价值相差为4.根据权利要求1所述的基于梯度的前向蚁群算法无人车路径规划方法，其特征在于，所述前向蚁群算法节点选择策略，具体为：将地图划分为若干个大小相等的栅格，可达节点与初始航向的夹角用θ表示；获取所有可达节点与初始航向的夹角θ
ij
，其中i、j为节点序号；将无人车转向角定义为h
ij
，由于θ
ij
越大，转弯代价越大，为降低转弯代价，蚂蚁会以更大的概率选择较小的θ
ij
将蚁群算法的全局最优性和向前走节点选择策略具备的较低转弯代价的能力结合起来，构造顾及路径距离和行驶效率的转移概率函数：
式中：为第k只蚂蚁从i节点到节点j的转移概率；τ
ij
为由节点i到节点j的信息素强度；η
ij
为启发函数，是节点i到节点j之间距离的倒数；allow
k
为访问的节点集合；α和β分别为信息素启发因子和启发函数权重值；μ为转向因子，表示蚂蚁向前走的重要程度。5.根据权利要求1所述的基于梯度的前向蚁群算法无人车路径规划方法，其特征在于，所述步骤S6具体为：(1)获取向前走节点选择策略蚁群算法所规划的全部节点集P＝{P
i
,1<i≤n},其中P1表示规划路径的起点，P
n
表示规划路径的终点；创建初始值只包含起点P1和P
n
的关键节点集V＝{P1,P
n
}用来存放算法关键节点提取算法优化后的关键转折点；(2)从P1开始依次连接P3,P4,
…
,P
k
,若直到直线P1P
k
经过障碍物，则将P
k
‑1为关键节点，并添加到集合V中。并从P
k
‑1继续重复以上方式选取关键节点，直到连接到终点P
n
；(3)关键节点筛选完后，集合V＝{P1,P
k
‑1,
…
,P
n
}包含所有关键节点，连接集合V中所有的节点，得到优化后的路径。6.根据权利要求1所述的基于梯度的前向蚁群算法无人车路径规划方法，其特征在于，步骤S8中考虑路径的最优性，平滑性，安全性，运动学可行性构建目标函数，具体为：将路径优化问题看作非线性优化问题，把等距插值后的各路径点的曲率和至最近障碍物的距离作为目标函数的约束条件，同时，约束优化后的路径点与原始路径点的距离设等距插值后得到的路径点坐标序列为x
i
＝(x
i
,y
i
)，i∈[1,N]，其中N为路径点的数量；优化后的路径点坐标序列列为y
i
＝(x'
i
,y'
i
)，i∈[1,N]；考虑路径的平滑性f
s
，最优性f
d
，安全性f
ε
和运动学可行性f
k
，分别定义了...

【专利技术属性】
技术研发人员：张卫波，封士宇，温珍林，黄晓军，罗星，黄赐坤，
申请(专利权)人：福州大学，
类型：发明
国别省市：