一种基于流场的无人车路径规划方法与流程

本发明涉及一种无人车路径规划方法，尤其是涉及一种基于流场的无人车路径规划方法。

背景技术：

无人驾驶汽车是一种智能汽车，可以实现在无人驾驶的条件下自动行驶。无人驾驶汽车一般利用激光雷达、视觉传感器、毫米波雷达等车载传感器感知车辆周围环境，根据环境感知获得的环境信息，决策所执行的行为。依据行为生成所需的参考轨迹，并依此控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。无人驾驶汽车从根本上改变了传统的“人—车—路”闭环控制方式，将不可控的驾驶员从该闭环系统中请出去，从而大大提高了交通系统的效率和安全性。

无人驾驶技术的实现主要包括环境感知，驾驶行为决策，路径规划，车辆控制和车辆定位等五个部分。路径规划技术是无人驾驶技术中十分关键的组成部分，在环境感知、行为决策和运动控制之间起着承上启下的作用。基于环境感知数据和决策系统所提供的信息，无人驾驶系统需要在复杂的道路环境中，规划出一条安全可靠的、车辆可行驶的路径。随着无人驾驶技术的迅速发展，无人驾驶汽车的路径规划问题再次成为国内外学界和工业界关注的问题之一。

如今已有许多研究路径规划方法的成果，也取得了一些成果，但是都不可避免的存在各自的局限性。

基于图搜索算法的路径规划方法。传统的基于图搜索概念的算法主要包括Dijkstra算法、A*算法、D*算法和Theta*算法，这些算法的完备性较强，可以在复杂地形下求出可行解，但是基于图搜索算法的路径规划方法不适用于非完整性约束，具有生成路径不光滑的缺点。

基于智能优化方法的路径规划方法。这种算法主要包括模糊逻辑算法、遗传算法和人工神经网络的方法。这些方法均已经在路径规划方法里实现。但是这种方法的缺点在于在一些较为复杂的情况无法求出可行解。

基于人工势场的方法。人工势场在可行驶区域生成引力和斥力，再虚拟粒子在力的作用下的运动轨迹，生成路径。这种方法的优点在于路径光滑，而且可以应用于非完整性系统，局限性在于会陷入局部最小点，可能无法得到路径。

最近一些研究主要基于采样的方法。主要有概率随机图法(PRM)和快速随机树法(RRT)，这两种方法都是基于概率采样的方法，当采样密度趋近于1时，此方法逐渐趋近于完备。但是这种方法缺点在于无法应用于非完整性系统，路径不光滑。

综上所述，现有的规划方法往往无法在路径光滑、求解复杂地形两项指标上均取得较好效果。另外，无人驾驶汽车具有特定的结构和运动学特性，在进行无人车的路径规划时，势必要考虑模型的约束，也就是说，对于不满足模型约束的路径，无人车是无法执行的。另一方面，在实际环境中，无人车的行驶环境有时比较复杂，可能路径比不是固定的形状，也不是一种明确的任务，而路径规划方法需要保证自身在复杂环境，多种任务下，都可以求得解，才能保障路径规划方法的实用性。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于流场的无人车路径规划方法。

本发明的目的可以通过以下技术方案来实现：

一种基于流场的无人车路径规划方法，包括以下步骤：

根据车辆的起点、终点和环境中的障碍物，建立流场计算模型；

以前轮转角为输入量，坐标和航向角为状态量，建立车辆运动学模型；

采用车辆运动学模型作为滚动方程，求解流场的滚动时域优化问题，将流场速度向量分布作为路径规划的引导信息，得到规划路径，其中，优化量为前轮转角，优化目标包括车辆运动和流场运动达到一致以及车辆运动过程中不与障碍物发生碰撞，约束条件为前轮转角不超过方向盘最大转角。

进一步的，在优化问题中，根据车辆运动学模型和车身几何量，计算得到车身上任意点速度与车后轴中心点速度之间的关系，根据流场的速度分布和车身的速度分布之间的差异，描述车辆运动和流场运动的差异量，通过最小化差异量，使车辆运动和流场运动达到一致。

进一步的，所述的流场计算模型中，流场的入口为车辆起点的正后方。

进一步的，所述的流场为分层流场。

进一步的，所述的流场计算模型中，流体为不可压缩流体。

进一步的，所述的流场计算模型中，流体物性为常数。

进一步的，所述的流场计算模型中，流体重力为零。

进一步的，所述的车辆运动学模型满足以下运动学方程：

其中，x、y分别是以车后轴中心点为原点建立的坐标系下的横向和纵向的坐标，θ是车身相对于x轴的航向角，v和δ分别为车后轴中心点速度和前轮转角，l是前轴与后轴之间的距离，分别对应x、y、θ的一阶导数。

进一步的，所述的滚动时域优化问题采用SQP方法进行优化。

进一步的，所述的滚动时域优化问题中，流场速度向量分布采用fluent软件，依据N-S方程计算得到。

与现有技术相比，本发明具有以下优点：

(1)由于流场始终可以找到出口，复杂地形下的求解能力非常强，完备性好。

(2)流场本身具有流线光滑的特点，因此由流场生成的路径的形状也较为光滑。

(3)基于车辆运动学模型和约束条件，可以保证生成的路径满足车辆运动学各项模型约束，能够在复杂地形环境下，稳定生成光滑、避免碰撞的路径，确保生成的路径的可执行性。

(4)可以解决多种任务，对情景、环境和任务不敏感，在多种情况下表现均较好。

附图说明

图1为情景1流场计算结果；

图2为车辆运动学模型；

图3为几何推导示意图；

图4为流场速度分布与车身速度分布的一致性示意图；

图5为情景1路径规划结果；

图6为情景1路径规划性能指标；

图7为情景2路径规划结果；

图8为情景2流场计算结果；

图9为情景2性能指标；

图10为情景3路径规划结果；

图11为情景4路径规划结果；

图12为情景5路径规划结果；

图13为情景6路径规划结果；

图14为本发明流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

如图14所示，一种基于流场的无人车路径规划方法，包括以下步骤：

根据车辆的起点、终点和环境中的障碍物，建立流场计算模型；

以前轮转角为输入量，坐标和航向角为状态量，建立车辆运动学模型；

采用车辆运动学模型作为滚动方程，求解流场的滚动时域优化问题，将流场速度向量分布作为路径规划的引导信息，得到规划路径，其中，优化量为前轮转角，优化目标包括车辆运动和流场运动达到一致以及车辆运动过程中不与障碍物发生碰撞，约束条件为前轮转角不超过方向盘最大转角。

流场具有流线光滑、在复杂地图条件下得到路径的能力强的优点，可以作为路径规划方法的引导信息。然而由于流场本身没有车辆模型的特点，不满足车辆运动学的非完整性约束。所以单独由流场生成的路径不足以保证车辆可执行，因此，在方法中加入车辆模型约束，可以发挥流场的优点的基础上，兼顾路径的可执行性。

具体步骤如下：

1.针对任务建立流场

根据决策层所指定的任务，由起点和终点确定流场的入口和出口，检测的障碍物设置为墙，构建计算流场的基本元素。使用ICEM CFD软件，将可行驶区域划分成网格，利用fluent软件，依据N-S方程，计算出可行驶区域的流场速度向量分布。将流场速度向量分布作为路径规划的引导信息。

1)基本假设

由于流场并非用来生成一个真实的流动现象，而是为路径规划提供一个参考。所以为了简便计算，这里做了一些必要的假设：

由于路径光滑性的要求，流场的湍流特性无益于路径的生成，因此生成的流场是分层的并且其雷诺数应较低。

为了对于所有可能的情况都能得到一致的路径规划策略，边界条件的设定应当与情景无关，只需确定流场的起点、终点和障碍物。

出于引导车辆运动的考虑，离散化的网格的大小应当相对较小，一般而言，每一个网格占据0.5～1m²的面积，车身大小面积可以包括10～20个网格。

对于流场设置的简化有助于摒弃流场其他一些不利于规划的特性，由此可以为路径规划提供一个比较好的参考，而不必把关注点放在解决一个真实复杂的物理问题。简化了的设置包括：

流体的物性是常数；

流体不可压缩；

忽视重力作用。

2)控制方程

流场的控制方程是连续性方程和动量守恒方程：

其中，u是速度向量，ρ是流体密度，μ是分子粘度。根据在正常状况下的空气来选择这些值。

3)边界条件

在求解流场的过程，对于流场的入出口和壁面作了如下设置：

流场的入口被设置为车的后方，入口流速为10^-5m/s，空气粘性系数μ为17.9×10^-6Pa·s，空气密度ρ为1.293g/L。流场速度方向不指向墙，一般平行于墙，指向求解区域。

目标点前设置壁面为完全出口；

所有墙壁被设置为光滑。

最终生成流场作为下一步搜索路径的参考信息，如图1所示。

2.建立车辆模型

车辆模型如图2所示。模型的状态为x＝[x,y,θ]^T，其中(x,y)是以车辆后轴中心点为原点建立的坐标系下的横纵坐标，θ是车体相对于x轴的航向角，v和δ分别为车后轴中点速和前轮转角，这里作为模型的输入，l是前轴与后轴之间的距离。车辆的运动学方程为：

3.分析车身速度分布

由于流场的表达形式是散点，所以需要分析车辆作为一个整体在运动过程中，车身各个点的运动情况，才可以将流场与车辆作对比，描述车辆与流场的运动状态的差异。

由车辆运动学模型可知，车辆在运动过程中满足一定的几何规律，而车身是刚体，车身上各点的相对位置保持不变。因此，可以由车身上一点的运动和其他点与此点的相对位置关系，推算出车身其他点的运动。

依据车辆运动学模型，可知车辆后轴中心点的运动状态可以被求得，所以需要推导出后轴中心点与车身上任意一点的速度的相对关系。

以车身左前方任意一点为例，如图3所示，设后轴中心点的坐标为(x_a,y_a)，车身左前方任意一点的坐标为(x_c,y_c)，B点是车辆运动所绕的圆心，α为几何推导里的一个辅助值，为车身在后轴中点的速度，为x轴方向单位向量，用来刻画角度。

依据余弦定理：

由于本模型忽略侧偏角(侧偏角是指车辆的航向角和速度方向的夹角，这里选用的模型忽略该夹角，即车辆的航向角即为速度方向，简化问题)，所以C点速度方向可得：

4.建立滚动时域优化问题

建立滚动时域优化问题，优化目标方程包括表征与流场的一致性的指标项和检测碰撞发生的惩罚项，约束包括车辆运动学模型的最大转角约束，优化方法采用SQP优化方法，滚动方程采用车辆运动学模型。

其中|δ|≤δ_max，方程中F_a和F_c分别表示下述的与流场的一致性和碰撞惩罚项，δ指方向盘转角，δmax指最大方向盘转角。F是指总的优化目标，优化量为δ。

1)表征流场的一致性

如图4所示，根据流场的速度分布和车辆车身的速度分布之间的差异，描述车辆运动和流场运动的差异，通过最小化差异量，确保车辆跟随流场。

其中，是指C点处车身速度方向，是指流场速度方向，两者都是向量，向量间的夹角表示在C点两者的差异。C点是车身范围内的任意一点，Ω_t即指t时刻车身范围。N_t是指Ω_t内点的个数。这里取所有差异量的均值，所以要除以N_t。

2)碰撞惩罚项

当车辆被输入方向盘转角时，预测以此方向盘转角运动，车辆是否会与障碍物发生碰撞。由于流场的性质，流场的速度向量是不会指向障碍物的，也就是说流场本身是不会发生碰撞。但是由于车辆的非完整性约束和刚体性质，车辆不能完全跟随流场运动，在跟随流场行驶的过程中，也会发生碰撞情况。引入惩罚项的目的是让车辆在跟随流场的同时，避免由于流体和车辆模型的差异而产生碰撞，让跟随流场的过程在避免碰撞的约束下进行。

3)求解优化问题

本优化问题的优化量为方向盘转角，优化目标函数，约束为方向盘最大转角约束。综合考虑本发明所提的优化问题非线性程度和优化方法所耗费的时间，SQP方法被选取为本研究的优化方法。还可以选用“有效集法”和“内点法”，优化效果更好，但是SQP方法的优化速度最快，且效果可以满足要求。

4)更新车辆位置

依据车辆模型，输入方向盘转角和恒定速度，可以推算出在此输入下，下一时刻车辆的各个状态。

其中，d为一个时间单位内向前移动的距离。

由于状态不断滚动，最终会得到一条尽可能跟随流场、避免碰撞、满足车辆约束条件的路径。

本实施例设计了六个测试案例情景：

1.迷宫，测试算法的完备性，如图5、图6和图7，图6(a)为车辆航向角指标，图6(b)为方向盘转角指标；

2.变道，如图7、图8和图9，图9(a)为车辆航向角指标，图6(b)为方向盘转角指标；

3.离开车库，如图10；

4.寻找车库出口，如图11；

5.路口掉头，如图12；

6.路口转向，如图13。

本专利以流场为参考信息，基于车辆运动学模型，考虑车辆各项约束，在可行驶区域内生成一条光滑、避免碰撞的路径。由于流场的流动特性，参考流场往往可以在复杂地形里找到连接起点与终点、光滑且避障的路径。在避障的前提下、路径的光滑性和完备性同时取得较好的效果，是本专利与其他专利相比最突出、最根本的特点。为了确保生成的路径可以被无人车执行，本专利通过设计滚动时域优化问题，将车辆模型和约束加入对流场的运用中。可以确保生成的路径满足车辆的各项约束指标。本专利对于任务不敏感，可以应用于多种任务的路径规划中，甚至可以应用于其他非完整系统中，具有较强的普适性。本专利兼具创新性实用性，并且具有上述各项优点，对于无人车路径规划算法具有启发意义。