[发明专利]基于多目标动态粒子群优化的智能公交车辆路径规划方法

权利要求书

1.一种基于多目标动态粒子群优化的智能公交车辆路径规划方法，其特征在于，包括以下步骤：

步骤1，全局参考路径生成；

根据车载传感器实时获取车辆和道路信息，从道路信息提取道路规则线，生成符合道路规则线的全局参考路径；

步骤2，初始化粒子群及相应的轨迹；

基于道路规则线和全局参考路径，构建以前进方向为纵向X轴、垂直方向为横向Y轴的二维环境模型，在二维环境模型中初始化粒子群；

其中，每个粒子的位置编码规则为：每个维度对应二维环境模型中的一个坐标点，每相邻两个维度坐标点之间设定一条曲线段，则M-1条曲线段的总和得到与粒子对应的寻优轨迹，粒子群对应得到轨迹集；

步骤3，静态多目标设定及动态障碍物避让；

根据每条寻优轨迹的长度、平滑度以及与静态障碍物关联的静态安全度指标，设计静态多目标适应度函数；

采用粒子群算法，并应用静态多目标适应度函数，从粒子群轨迹集中筛选出适应度最优的前K条寻优轨迹，构成最优轨迹候选集；

根据动态障碍物及其与当前位置的关系，设计动态多目标适应度函数，并与静态多目标适应度函数结合得到综合适应度函数，从最优轨迹候选集中选择综合适应度最优的一条轨迹；

其中，动态多目标适应度函数的设计规则为：

f_{dynamic_fitness}＝ω_dynamic(L₄-r)|a|，

式中，f_{dynamic_fitness}表示轨迹的动态多目标适应度，ω_dynamic表示动态适应度权重，a表示车辆沿轨迹行驶的加速度，L₄表示车辆沿轨迹跟随环境车辆的行驶距离，L₅表示车辆在轨迹当前位置与动态碰撞物的碰撞点之间的路径弧长，v₀表示车辆沿轨迹行驶的初速度，v_limit表示车辆的限制速度；r表示障碍物的几何半径。

2.根据权利要求1所述的方法，其特征在于，每个粒子的每相邻两个维度坐标点之间设定的曲线，均采用三次样条插值方法得到。

3.根据权利要求2所述的方法，其特征在于，在生成M-1条样条曲线时，包括以下约束条件：

a，起点约束，起点坐标的函数值及一阶导数值均为0；

b，终点约束，终点坐标的函数值已知且一阶导数值为0；

c，中间点约束，每个中间点在相邻两条曲线段上的函数值相同、一阶导数值相同、二阶导数值相同。

4.根据权利要求1所述的方法，其特征在于，所述静态多目标适应度函数的表达式具体为：

f_{stastic_fitness}＝ω_df_{fit_distence}+ω_sf_{fit_smoothness}+ω_uf_{fit_security}；

上式中，f_{stastic_fitness}表示轨迹的静态多目标适应度，f_{fit_distence}表示轨迹长度，ω_d表示长度权重，f_{fit_smoothness}表示平滑度，ω_s表示平滑度权重，f_{fit_security}表示静态安全度，ω_u表示静态安全度权重，且有：

上式中，f_{calculate_security}表示障碍物到轨迹中各曲线段的最短距离，f_(j+1)表示轨迹在第j个维度坐标与第j+1个维度坐标之间的曲线段，f″_(j+1)表示曲线段f_(j+1)的曲率，(x_j,y_j)表示粒子的第j个维度的坐标，且粒子的M个维度的横坐标依次等间距分布，间距为L₁；

若障碍物到轨迹的最短距离小于障碍物的几何半径，设置静态安全度为：f_{calculate_security}＝9999。