基于威胁估计的智能车辆路径规划方法
【技术领域】
[0001] 本发明属于计算机和自动化技术，特别是智能车辆决策与控制技术领域，具体设 及一种利用贝叶斯网络进行智能车辆威胁估计并藉此实现智能车辆路径规划的方法。
【背景技术】
[0002] 路径规划是智能车辆的重要组成部分，是实现智能车辆自动驾驶控制的基础。与 移动机器人相比，智能车辆由于其面临高速、动态的复杂环境、严格的实时性与安全性约束 等诸多因素，从而需要在路径规划时充分考虑不同类型、不同运动特征的道路车辆、行人及 障碍物细节，规划出合理的路径，W支持智能车辆实现安全、高效的自动驾驶。
[0003] 在现有的路径规划方法中，文献"基于人工势场法的移动机器人最优路径规划" (《航空学报》2007年Sl期)采用人工势场方法实现移动机器人的局部路径规划，但并没有考 虑环境对移动机器人路径规划的影响。中国专利申请:一种危险源环境下的机器人全局路 径规划方法（【申请号】2011100048825)仅考虑了威胁源与机器人之间的距离所造成的威胁 程度，对威胁源的运动状态、身份特征、尺寸等因素并没有考虑。中国专利申请:一种车辆路 径规划方法、系统及一种车载导航设备（【申请号】2011103339004)依据当前位置坐标、终点 坐标和实时交通路况信息动态地规划路径，未考虑外部环境中的目标对路径规划的影响， 本质上属于全局路径规划。中国专利申请:一种语音播报式智能车辆路径规划装置与实施 方法（申请号:2014100504696)中仅考虑了障碍物的距离、角度，并未考虑其运动状态、身份 特征、尺寸等因素。文献"Threat-aware Path Planning in Uncertain Urban Environments"(2010IEEE/RSJ International Conference on Intelligent Robotsfe Systems)提出了一种基于威胁评估模型的自主车辆路径规划方法，威胁评估模块由意图预 测器和威胁评估器组成，首先采用威胁评估算法计算出其他每辆车辆的意图可达性集合， 然后根据其他车辆的意图可达性集合计算出在主车行驶路径上的威胁值，最后利用闭环快 速捜索随机树算法计算一条威胁最小的路径。但该方法没有考虑环境因素、目标车辆威胁 能力、智能车辆车况等因素对车辆路径规划的影响，威胁评估模型不充分。
[0004] 本发明针对现有车辆路径规划方法在评估外部环境中的道路车辆、行人及障碍物 等目标的威胁时，未考虑目标类型、运动特征的问题，提出一种利用贝叶斯网络进行智能车 辆威胁估计并藉此实现智能车辆路径规划的方法，该方法首先构造包含目标类型、运动特 征及环境因素的贝叶斯网络模型，用W估计外部环境中的道路车辆、行人及障碍物等目标 的威胁指数，然后建立基于威胁指数的外部环境中的目标对智能车辆的斥力势场模型，结 合智能车辆行驶的终点对智能车辆的引力势场模型，求得智能车辆在当前位置的综合势场 模型，从而规划出能兼顾安全性与效率的智能车辆路径，W支持自动驾驶。
【发明内容】
[0005] 针对W下现有的不足，提出了一种可W形成对智能车辆驾驶环境的更充分的认 知，W规划出合理的路径，对智能车辆实现安全、高效的自动驾驶的基于威胁估计的智能车 辆路径规划方法方法。。本发明的技术方案如下:一种基于威胁估计的智能车辆路径规划方 法，其包括W下步骤：
[0006] 步骤1、根据智能车辆当前位置及终点位置进行全局路径规划，获得全局最优路 径；
[0007] 步骤2、建立基于贝叶斯网络的智能车辆威胁估计模型，计算外部环境中的各目标 对智能车辆的威胁指数；
[0008] 步骤3、建立基于威胁指数的外部环境中的各目标对智能车辆的斥力势场模型，与 智能车辆行驶终点对智能车辆的引力势场模型融合，得到智能车辆的综合势场模型；
[0009] 步骤4、对步骤3建立的综合势场模型求解，捜索原始局部最优路径；
[0010] 步骤5、对原始局部最优路径进行优化处理，得到智能车辆最终的行驶路径。
[0011] 进一步的，步骤1根据智能车辆当前位置及终点位置进行全局路径规划，获得全局 最优路径的步骤具体为:利用卫星导航或/和惯性导航装置来实现智能车辆的定位和状态 估计，并确定智能车辆行驶的终点，然后与地图数据库匹配，进行全局路径规划;采用路网 地图模型实现环境构建，用A*最短路径捜索算法实现全局最优路径规划。
[0012] 进一步的，步骤2包括了智能车辆威胁建模的步骤与威胁估计的步骤。
[0013] 进一步的，智能车辆威胁建模的步骤主要包括：
[0014] (1)确定影响智能车辆威胁评估的因素，包括外部环境中的目标的类型与运动特 征、环境参数；
[0015] (2)根据步骤(1)的上述影响因素，确定贝叶斯网络拓扑结构；
[0016] (3)分析各因素对智能车辆威胁的影响程度，确定局部条件概率表；
[0017] 进一步的，所述智能车辆威胁估计的步骤主要包括：
[0018] (1)采集威胁因素的实时数据，经模糊化处理后为贝叶斯网络模型各输入节点提 供证据信息；
[0019] (2)根据贝叶斯网络的推理算法计算威胁指数节点的后验概率，即各目标对智能 车辆的威胁指数。
[0020] 进一步的，所述步骤3智能车辆行驶终点对智能车辆的引力势场模型为：
[0021] 终点对智能车辆的引力势场模型定义为
(1)
[0023] 式中：C为位置增益系数;q为智能车辆中屯、位置[x，y]T;qgnai为终点的位置[xg，yg ]T;P(q，qg〇al)为智能车辆当前位置与终点位置的相对距离；
[0024] 外部环境中的目标对智能车辆的斥力势场模型确定：
[0025] 第i个外部环境中的目标对智能车辆的斥力势场模型定义为
(2)
[0027] 式中：iE(l，2,…，m)，m为外部环境中的目标的总数;n是位置增益系数;q功第i 个目标的位置[Xi，yi]T;p(q，q〇是智能车辆与第i个目标之间的距离;P日是目标的临界影响 半径，即在目标P日范围之外不会受到目标斥力影响;Pi是目标的威胁指数。
[0028] 进一步的，所述智能车辆的综合势场模型为：智能车辆在q位置的综合势场模型定 义为m个外部环境中的目标对智能车辆的斥力势场与智能车辆行驶终点对智能车辆的引力 势场的叠加
(3)
[0030] 进一步的，步骤4对综合势场模型求解采用梯度下降法或随机捜索方法。
[0031] 进一步的，所述步骤5对原始局部最优路径进行W下优化处理：
[0032] (1)路径危险点排除；（2)路径缩短化处理；（3)路径平滑处理。
[0033] 本发明的优点及有益效果如下：
[0034] 本发明现有智能车辆路径规划方法忽略外部环境及其中的目标的多样性、动态性 等诸多因素，建立在对环境的不充分的认知上，造成规划的路径不完全合理。为此本发明提 出一种基于威胁估计的智能车辆路径规划方法，构造出包含了道路车辆、行人及障碍物等 目标的类型、运动特征W及环境等多种因素的贝叶斯网络模型来评估目标对智能车辆的威 胁，根据威胁值构造势场模型来进行路径规划。通过对目标的类型、运动特征W及环境等多 种因素的考虑，本发明可W形成对智能车辆驾驶环境的更充分的认知，W规划出合理的路 径，对智能车辆实现安全、高效的自动驾驶具有重要意义与使用价值。
【附图说明】
[0035] 图1是本发明提供优选实施例基于威胁估计的智能车辆路径规划方法的总体框 架；
[0036] 图2本发明基于贝叶斯网络的智能车辆威胁建模与评估过程；
[0037] 图3本发明基于贝叶斯网络的智能车辆威胁估计模型；
[0038] 图4本发明智能车