[发明专利]一种基于融合算法的智能汽车局部路径规划方法

说明书

本发明涉及一种基于融合算法的智能汽车局部路径规划方法，通过车载传感器获取地理信息，并作为改进的A星算法模块的输入值；在全局路径生成单元中通过改进的A星算法对地理信息进行运算，输出值为全局路径规划信息；在局部路径生成单元中通过lattice算法对全局路径规划信息进行运算，输出值为局部路径规划信息；在局部路径规划信息中选择最优路线并反馈至控制模块。本发明改进的A星算法可以消除经典A星算法中存在的无必要点进而提高运算效率，同时考虑物体的方向属性和实际运动约束，优化启发式函数，采样生成多条候选路径，结合障碍等其他信息计算不同路径的代价函数，选择出平滑且无障碍的最优局部路径。

技术领域

本发明属于智能汽车的局部路径规划方法技术领域，具体涉及一种基于融合算法的智能汽车局部路径规划方法。

背景技术

汽车的智能化是当今汽车行业转型的重点，汽车的自动驾驶技术是汽车智能化的重要技术之一，自动驾驶技术的安全性是该技术最重要的考量标准。如何更加有效地、稳定地保证智能汽车的安全性，是行业专家、各国政府的研究、关心重点，自动驾驶技术被公认为可有效地、直接地减少交通安全事故的发生率，进而成为全世界研究汽车、智能交通领域的热点与重点。

汽车的自动驾驶技术依赖于环境感知、规划控制、预测决策等技术，其中规划控制是智能汽车将外部环境感知与车辆预测决策连接的桥梁。智能汽车的规划控制技术可以实现车辆的主动避让、自动导航等功能，是汽车智能化的重要技术之一。

目前智能汽车的路径规划方法主要分为三类，分别是基于搜索的规划算法，基于采样的规划算法和基于强化学习的算法。其中应用最为广泛的是基于搜索的路径规划算法。目前主要的图搜索方法包括：Dijkstra算法、Floyd算法、A*、D*等。传统的A*算法步骤如下：

a) 设置输入起始点A，目标点S以及障碍物图costmap；

b) 建立OPEN表以及CLOSE表；

c) 建立评估函数F(i)=G(i)+H(i)。其中，i为costmap中的第i个节点，映射关系G表示函数自变量与起始点的代价关系，并设置步长为1，同理映射关系H表示自变量节点与终点的代价关系，可取为二者的距离值，即H(i)=distance(i,T)；

d) 在OPEN表中放入初始点；

e) 计算OPEN表中评估函数的值，并按从小到大的顺序进行排列；

f) 若OPEN表不空，则取表中最小函数值对应的自变量K=i_min，否则算法无解；

g) 对节点K进行判断：是否为目标点，若是则算法结束，若不是则继续步骤h；

h) 拓展K节点的四邻域或八邻域节点，得到新的四或八个节点；

i) 判断新得到的四个或八个节点是否已在CLOSE表中，若是则舍弃该点，若否则继续步骤j；

j) 根据评估函数F(i)计算上述步骤点的评估值，并放入OPEN表中。

k) 将K点及其相关函数值放入CLOSE表中。

l) 返回步骤e；

上述的A星算法步骤是一个寻优过程，具备最优性和完备性的特点，但存在的问题如下：缺乏动态性，且由于规划路径均是由节点之间连接起来的，所以造成了规划路径不够平滑，不满足车辆非完整性约束。

发明内容

针对现有技术的上述不足，本发明要解决的技术问题是提供一种基于融合算法的智能汽车局部路径规划方法，避免经典A星算法中存在的无必要遍历点和夹点的问题，取得选择出平滑且无障碍的最优局部路径的效果。

为解决上述技术问题，本发明采用如下技术方案：

一种基于融合算法的智能汽车局部路径规划方法，包括以下步骤：

S1：通过车载传感器获取地理信息，并作为改进的A星算法模块的输入值；