[发明专利]一种基于环境不确定性的无人车动态路径规划方法

说明书

本发明涉及一种基于环境不确定性的无人车动态路径规划方法，包括以下步骤：S1：建立车辆运动学模型；S2：建立动态环境模型和重新规划路径的满足条件；S3：获取无人车的车辆运动状态起始值、车辆运动状态初始目标值和车辆运动状态候选目标值；S4：生成候选路径；S5：基于安全性指标和快速性指标选取得到最优路径；S6：当无人车运动环境满足重新规划路径的满足条件时，重新规划无人车的最优路径。与现有技术相比，本发明不仅可以满足车辆行驶的安全性要求，还能够在满足车辆模型约束的情况下保证行驶效率，通过不同的权重分配实现性能指标的协调优化，同时在多个动态障碍物存在条件下实现实时规划，有效提高无人车行驶的安全性。

技术领域

本发明涉及无人驾驶汽车路径规划领域，尤其是涉及一种基于环境不确定性的无人车动态路径规划方法。

背景技术

随着计算机技术和人工智能的发展，无人驾驶汽车(以下简称无人车)在军事、交通、工业生产、物流仓储、日常生活等方面展现出巨大的应用前景。在国防军事方面，无人车多用于执行危险场景下的军事任务，如军事救援和物资输送等。在交通安全方面，无人驾驶技术是促进智能交通系统发展的有效手段，基于人工智能的无人驾驶技术可以提高车辆行驶的主动安全性，能够有效减少驾驶员由于误操作导致的交通事故，从而提高交通行驶效率和安全性。在工业生产、物流仓储方面，无人车可以配合自动化生产线实现全自主无人生产，进一步推进工业生产的自动化和智能化，进而提高生产效率。另外，无人车的出现也将极大地方便人们的工作、旅游等日常生活。

无人驾驶技术主要包括环境信息的感知，驾驶行为的智能决策，无碰撞路径的规划，以及车辆的运动控制等四个部分。路径规划是无人驾驶技术中十分关键的组成部分，为环境感知和运动控制起着承上启下的作用。基于感知系统的环境数据，车辆需要在复杂的道路环境中，基于一定的性能指标(安全性最高、车辆可行驶、能量最优等)规划出一条安全可靠的、车辆可行驶的、从起始位置到目标位置的最短无碰撞路径。

移动机器人的路径规划问题由来已久，且很多学者已经提出了许多成熟的方法。但近10年来，随着无人驾驶技术的迅速发展，无人车的路径规划问题再次成为国内外学者最为关注的问题之一。

基于启发式的搜索算法被用于无人车的路径规划。最常见的有A*、D*算法，分别用于解决静态和动态栅格环境下的路径规划问题。通过引入起始点到目标点之间的启发函数，提出了基于栅格化方法的A*算法。A*对起始栅格与目标栅格之间的距离以及栅格的被占用情况进行估价，向邻居节点中估价最小的栅格扩散而最终到达目标栅格。A*算法在全局环境信息已知、障碍物为静态的情况下，能够很好的规划出一条无碰撞的路径。针对复杂多变的动态环境，提出了动态A*算法(即D*算法)，首先进行全局静态规划，在环境没有更新时，不断保持上一次的搜索结果，当有新的障碍物出现时，对搜索结果进行修正，从而实现动态避障。在栅格化环境中，只要最短路径存在，A*和D*就能够求得最短路径，但是在两种算法中只是将机器人看成质点，并没有考虑机器人的结构特性和模型约束，生成的路径不够平滑，可能导致路径不可行，另外随着栅格数目的增多，算法的运算量会急剧增加。

人工势场法等、遗传算法和神经网络等人工智能方法也被应用于无人车的路径规划。人工势场法通过引进势场的概念，分别建立与目标点和障碍物之间的引力场和斥力场，机器人在引力场和斥力场的共同作用下沿着势场减小的方向行驶。但是这种方法的缺陷是存在极小值点，从而导致机器人陷入死区而不能到达目标点。部分学者将路径规划问题转化为多目标优化问题，将路径的快速性、平顺性等作为优化指标，通过遗传迭代求得最优解，实现避障。神经网络方法也应用于无人车的路径规划，外部的输入激活相应的神经元，从而执行相应的动作到达相应的位置，但算法的运算量会随神经网络规模的增大急剧增加，算法的运算效率较低。