【技术实现步骤摘要】
本专利技术涉及一种非结构化环境的特种车辆自动驾驶路径规划方法，属于运动规划。
技术介绍
1、自动驾驶技术有助于提高交通安全，改善通行效率并推动汽车产业跨越式发展。路径规划系统是自动驾驶系统中的核心部分，其主要是根据环境信息进行决策判断，规划出兼顾安全性、舒适性和行车效率的连接起点和终点的轨迹。
2、目前无人驾驶相关技术的应用场景主要集中于对城市道路、停车场、乡村道路等结构化或半结构化场景，对诸如越野地貌、露天矿场等非结构化环境下的应用较少。尤其是对于无人矿卡、野外救援车辆等特种车辆，其行驶作业环境主要为典型的非结构化环境，区别于具有大量行车先验信息的结构化环境，非结构化环境的可通行区域没有严格形状规定，路径规划阶段具有更高的路径信息复杂度和更可行性搜索度，并且会受到地貌地势变化造成的多种通行阻力。因此，开发一种能够在非结构化环境下高效的处理环境信息，并且适应地形环境的路径规划系统，对特种车辆实现有效的自动驾驶具有重大意义。
技术实现思路
1、本专利技术提供一种非结构化环境的特种车辆自动驾驶路径规划方法，该方法能够实现非结构化环境下高效的处理环境信息，提高特种车辆面对不同地形的适应性和泛化性，实现特种车辆有效的自动驾驶。
2、为了实现上述目的，本专利技术采用的技术方案是：一种非结构化环境的特种车辆自动驾驶路径规划方法，包括如下步骤：
3、步骤一、数据预处理：基于真实非结构化地形3d点云数据，通过simultaneouslocalization an
4、步骤二、风险图构建：结合感知模块输入信息以及特种车辆动力学建模，从栅格图地形数据中提取可通行区域，并在此基础上实现风险图的构建；
5、步骤三、模型构建：根据风险图构造自适应性的奖励函数，搭建强化学习模型以及agent的神经网络；
6、步骤四、模型训练：基于构建非结构化环境测试机进行训练，在每一个训练周期初始化阶段构建随机函数，随机化起点和终点位置，使系统具有泛化性；
7、步骤五、规划路径：通过强化学习训练获得策略网络，在测试集中执行路径规划。
8、进一步地，所述步骤一中，simultaneous localization and mapping地面分割算法的工作过程为：在环境中选择一个基准坐标系来描述摄像机的位置，并用它描述环境中任何物体的位置，该基准坐标系称为世界坐标系；采用视觉slam算法框架，以相机作为传感器获取非结构化环境的信息，再经过视觉里程计算法来估计相邻两帧图像间相机的运动，进而估计相机位姿；经回环检测判断当前位置机器人曾经是否达到过；最后经后端优化对相机位姿与地图点坐标进行优化处理，构建出具有高精度、全局一致的地图。
9、进一步地，所述步骤二中的风险图构建通过评估可通行区域和障碍物，为规划模块提供可靠的先验知识，风险图由地形风险、静态障碍风险和动态障碍风险构成，风险图中每个栅格均有对应的风险成本，其计算公式为：
10、rm(i,j)＝λterrainrmterrain(xi,yj)+λstaticrmstatic+λdynamicrmdynamic(xi,yj) (1)
11、式中，λterrain、λstatic、λdynamic分别表示地形、静态障碍、动态障碍在风险图中所占风险的权重，rmterrain(xi,yj)、rmstatic(xi,yj)、rmdynamic(xi,yj)分别表示栅格(xi,yj)的地形风险指数、静态风险指数、动态风险指数，xi、yi分别为栅格在横向、纵向上的坐标；
12、(1)地形风险指数的计算：
13、地形风险指数主要基于坡度进行确定，对于栅格图中某一结点的坡度，采用horn算法进行计算，horn算法能够对dtm数据进行坡度分析和分类，同时还能够对大面积地形进行绘制和可视化处理，适用于不同分辨率和不同类型的地形数据；栅格(i,j)的坡度具体定义为：
14、
15、式中，dz/dx表示高度z在x方向上的增量，dz/dy表示高度z在y方向上的增量；当车辆在斜坡上行驶时，其受力情况通常表示为：
16、ma(t)＝ft(t)-(fg(t)+fr(t)+fa(t)) (3)
17、式中，m表示车辆的质量，a(t)表示车辆在t时刻上的加速度，ft(t)表示车辆在t时刻上所受的牵引力，fg表示坡道阻力，fr表示滚动阻力，fa表示空气阻力；
18、假设车辆以恒定速度行驶，同时忽略空气阻力和内部能量损失，与其他值相比，它们通常非常小；因此，边坡上的阻力可以表示为滚动阻力和坡道阻力之和，其分别表示为：
19、fr(t)＝ηmg*cosθslope(t)
20、 (4)
21、fg(t)＝mg*sinθslope(t)
22、式中，g＝9.8n/kg为常数，θslope(t)表示当前时刻所处的坡度，η表示滚动阻力系数，通常由路型、行驶速度、轮胎结构、材料因素决定；因此，非结构化环境下行驶的车辆爬坡的形式方程表示为：
23、ft＝fg+fr＝mg*sinθslope(t)+ηmg*cosθslope(t) (5)
24、当av以最大牵引力ftmax行驶时，由公式(5)求解最大爬坡坡度θmax的近似值，具体为通过图像逼近方法，通过θmax与slope(xi,yj)的数值比对划分出不可通行区域即坡度超过了车辆最大爬坡度的栅格；
25、对于不可通行区域的边界，通过边界线表征车辆行驶的潜在风险，起到限制行驶区域的作用，车辆与边界的距离越近，危险程度就越高，因道路边界产生的风险被定义为：
26、
27、式中，ki表示边界i的危险程度，ri表示当前位置(x,y)到边界i的直线距离；
28、得到地形风险指数函数如下：
29、rmterrain＝λ1rmboundary+λ2slope (7)
30、式中，λ1和λ2分别为边界与坡度风险权重参数；
31、(2)静态障碍风险指数的计算：
32、本系统的障碍物表示均使用平面直角坐标系，静态障碍风险指数计算公式如下：
33、
34、式中，ko1表示当前静态障碍物的影响程度，ko2表示当前障碍物场沿空间变化的程度，x、y分别表示栅格的横、纵位置坐标，xo、yo分别表示障碍物的横、纵位置坐标，mo为障碍物的等效质量，表示静态障碍物风险场的梯度方向，即：
35、
36、(3)动态障碍风险指数的计算：
37、对于特种车辆行驶中的动态风险，将动态障碍物分为低速障碍物和高速障碍物，动态障碍物的低速本文档来自技高网...
【技术保护点】
1.一种非结构化环境的特种车辆自动驾驶路径规划方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的非结构化环境的特种车辆自动驾驶路径规划方法，其特征在于，所述步骤一中，Simultaneous Localization and Mapping地面分割算法的工作过程为：在环境中选择一个基准坐标系来描述摄像机的位置，并用它描述环境中任何物体的位置，该基准坐标系称为世界坐标系；采用视觉SLAM算法框架，以相机作为传感器获取非结构化环境的信息，再经过视觉里程计算法来估计相邻两帧图像间相机的运动，进而估计相机位姿；经回环检测判断当前位置机器人曾经是否达到过；最后经后端优化对相机位姿与地图点坐标进行优化处理，构建出具有高精度、全局一致的地图。
3.根据权利要求1所述的非结构化环境的特种车辆自动驾驶路径规划方法，其特征在于，所述步骤二中的风险图构建通过评估可通行区域和障碍物，为规划模块提供可靠的先验知识，风险图由地形风险、静态障碍风险和动态障碍风险构成，风险图中每个栅格均有对应的风险成本，其计算公式为：
4.根据权利要求1所述的非结构化环境的特种车辆自
5.根据权利要求1所述的非结构化环境的特种车辆自动驾驶路径规划方法，其特征在于，所述步骤三中，所述的强化学习模型以及Agent的神经网络为通过强化学习的方法智能决策特种车辆的下一目标位置，以当前状态周围可行节点为强化学习智能体的输出动作，采用兼具离散动作空间和连续动作空间的近端策略优化算法，基于训练集训练非结构化环境下特种车辆自动驾驶路径规划模型，近端策略优化算法采用两个策略网络的方法来更新策略，使用Actor-Critic结构表示策略和值函数，其中，Actor表示策略网络，负责输出动作概率分布；Critic表示值函数网络，负责输出状态值的估计；本系统中Actor和Critic网络均包含2层全连接层，隐藏神经元个数均为64，激活函数选择tanh函数，强化学习Agent的输入为观测值，包括当前位置(x,y)、起点(xs,ys)、终点(xe,ye)、当前地图信息、当前路径集合，智能体基于t时刻输入，输出特种车辆下一个目标位置(xt+1,yt+1)，并且(xt+1,yt+1)的范围设定是基于环境以及当前位置变化的，以车辆抵达终点，即(xt+1,yt+1)＝(xe,ye)作为进入下一个训练周期的中止条件，具体步骤如下：
6.根据权利要求1所述的非结构化环境的特种车辆自动驾驶路径规划方法，其特征在于，所述步骤四中，随机函数为起点位置初始化要求在可行域内随机化位置，并且应该保证位置的随机化是均匀的，即在可行域内的所有位置出现的概率相等，具体执行时将可通行区域分成若干个小区域，在每个小区域内随机采样一个点作为位置，结合栅格图特性，使用离散均匀分布，所有可通行栅格点依次记为N1，N2，...,Np，分别对应(x1,y1)，(x2,y2)，...,(xp,yp)，即所有可通行点的坐标，离散均匀分布的分布函数为：
...【技术特征摘要】
1.一种非结构化环境的特种车辆自动驾驶路径规划方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的非结构化环境的特种车辆自动驾驶路径规划方法，其特征在于，所述步骤一中，simultaneous localization and mapping地面分割算法的工作过程为：在环境中选择一个基准坐标系来描述摄像机的位置，并用它描述环境中任何物体的位置，该基准坐标系称为世界坐标系；采用视觉slam算法框架，以相机作为传感器获取非结构化环境的信息，再经过视觉里程计算法来估计相邻两帧图像间相机的运动，进而估计相机位姿；经回环检测判断当前位置机器人曾经是否达到过；最后经后端优化对相机位姿与地图点坐标进行优化处理，构建出具有高精度、全局一致的地图。
3.根据权利要求1所述的非结构化环境的特种车辆自动驾驶路径规划方法，其特征在于，所述步骤二中的风险图构建通过评估可通行区域和障碍物，为规划模块提供可靠的先验知识，风险图由地形风险、静态障碍风险和动态障碍风险构成，风险图中每个栅格均有对应的风险成本，其计算公式为：
4.根据权利要求1所述的非结构化环境的特种车辆自动驾驶路径规划方法，其特征在于，所述步骤三中，所述的自适应性的奖励函数为为了提高系统对地形的适应性，所设计的函数，具体公式如下：
5.根据权利要求1所述的非结构化环境的特种车辆自动驾驶路径规划方法，其特征在于，所述步骤三中，所述的强化学习模型以及agent的神经网络为通过强化学习的方法智能决策特种车辆的下一目标位置，以当前状态...
【专利技术属性】
技术研发人员：程德强，王衍辰，徐飞翔，寇旗旗，吕晨，张皓翔，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：
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。