一种智能驾驶中路径快速生成方法与流程

本发明涉及智能驾驶技术领域，具体涉及一种智能驾驶过程中路径快速生成方法。

背景技术：

汽车在避障等自动驾驶过程中，需要进行局部路径规划，常用的方法有a*算法和pmm算法等。a*(a-star)算法是一种静态路网中求解最短路径最有效的直接搜索方法，也是解决许多搜索问题的有效算法。算法中的距离估算值与实际值越接近，最终搜索速度越快。pmm算法是周期矩量法。

现有技术方案存在的问题和缺点：利用a*(astar)算法难以保证避障路径的平滑性和选择合适的安全距离；pmm算法计算量较大。

迄今为止，还没有有效的处理逻辑技术能够简化算法计算量，提高路径实时性。

技术实现要素：

为了克服以上问题，本发明旨在一种智能驾驶过程中的路径快速生成方法，从而提高逻辑处理效率，大幅降低运算量，确保快速路径生成的实时性。

为了实现上述目的，本发明提供了一种智能驾驶中路径快速生成方法，包括：

步骤01：确定待生成路径的起点和终点的位置；

步骤02：确定待生成路径的起点和终点的航向角；

步骤03：生成连接所述起点和所述终点的车辆可通行路径，且所述车辆可通行路径满足车辆运动学模型。

优选的，所述步骤03中提供了多条车辆可通行路径，然后，还包括：提示最优路径。

优选的，所述步骤03具体包括：

步骤031：建立车辆运动学模型，如下：

其中，(x,y)表示车辆位置坐标，θ表示航向角，κ表示对应曲率，v表示车速，u表示控制量，s表示路径长度，pi表示路径三等分时特定位置的曲率；

步骤032：建立车辆运动预测模型，进行车辆运动规划；其中，车辆运动预测模型的建立的具体过程包括：

其中，表示终点位姿，表示起点位姿，fpmm(s)表示运动预测模型；

对(2)的求解，定义变量来表示车辆实际位姿与预期位姿之间的偏差，于是车辆运动规划问题，转换为求解得出最优化问题：

s.t.sffree(3)；

对(3)的求解，引入满足如(1)所示车辆运动学模型的fpmm(s)，如下：

利用梯度下降法依次迭代计算与以不断缩小中间解所对应位姿与预期位姿之间的偏差并当且仅当足够小时，计算收敛得到最终解。

优选的，在求解(4)时，均采用如式(5)所示的四维因变量和自变量，相应的jacobian矩阵也是4x4的矩阵；

xp(sf).＝[xp(sf)yp(sf)θp(sf)κp(sf)]

p＝[p0p1p2p3sf](5)

基于θp(sf)和kp(sf)存在直接的多项式可微、p0和p3为待生成路径的已知起点和终点的曲率，故对这两者进行简化为采用如(6)所示的三个纬度的因变量和自变量：

xp(sf)＝[xp(sf),yp(sf),θp(sf)]

p＝[p1,p2,sf]

其中，lr(0～1)为学习率，其中，(x,y)表示车辆位置坐标，θ表示航向角，κ表示对应曲率，v表示车速，u表示控制量，s表示路径长度，pi表示路径三等分时特定位置的曲率；从而将相应的jacobian矩阵降低为3x3的矩阵。

优选的，式(4)的生成还结合采用了newton’smethod或shootingmethod方法。

优选的，所述车辆运动模型中式(1)的建立具体包括：

生成车辆运动学模型的非线性约束方程，如下：

其中，(x,y)表示车辆位置坐标，θ表示航向角，κ表示对应曲率，v表示车速，u表示控制量；

然后，将车辆的位置及其姿态，包括位置坐标(x,y)、航向角θ和曲率κ参数，定义为位姿，如下：

对应输入或控制向量：

不失一般性，将以上方程组的自变量由时间项等价转换成空间距离，如下：

其中s表示路径长度；

接着，将曲率采用高阶多项式来表示，如下：

k(s)＝a+bs+cs²+ds³(1-5)

对应地，对每个起始位姿及与之相对终点位姿，使用中间参数将以上多项式的系数转换为有关的变量，得到如下方程：

其中，sf表示路径长度，pi表示路径三等分时特定位置的曲率：

κ(0)＝p0

κ(sf/3)＝p1

κ2sf/3)＝p2

κ(sf)＝p3

将(1-6)代入(1-4)中，则得到最终待求解的高阶非线性的车辆运动学模型方程组，如下所示：

本发明的快速路径生成方法，智能驾驶中可以获得更高系统实时性能，不仅降低了算法计算维度，还提高了算法的实时性能，而且还引入了学习率，提高了算法的收敛性。

附图说明

图1为本发明的一个较佳实施例的路径快速生成方法的流程示意图。

图2为本发明路径生成效果的示意图。

具体实施方式

为使本发明的内容更加清楚易懂，以下结合说明书附图，对本发明的内容作进一步说明。当然本发明并不局限于该具体实施例，本领域内的技术人员所熟知的一般替换也涵盖在本发明的保护范围内。

以下结合附图1和具体实施例对本发明作进一步详细说明。需说明的是，附图均采用非常简化的形式、使用非精准的比例，且仅用以方便、清晰地达到辅助说明本实施例的目的。

请参阅图1，本实施例中，一种智能驾驶中路径快速生成方法，包括：

步骤01：确定待生成路径的起点和终点的位置；

具体的，待生成路径的起点和终点的位置根据实际需要来设定，本发明不做限制。这里，确定待生成路径的七点和终点的位置的坐标(x,y)。

步骤02：确定待生成路径的起点和终点的航向角；

具体的，关于航向角的设置也可以根据实际需求来设定。这里不做限制。

步骤03：生成连接起点和终点的车辆可通行路径，车辆可通行路径满足车辆运动学模型。这里的车辆运动学模型满足车辆运动学定律。

具体的，步骤03中，提供了多条车辆可通行路径，然后，还包括：提示最优路径。

步骤031：建立车辆运动学模型，如下：

其中，(x,y)表示车辆位置坐标，θ表示航向角，κ表示对应曲率，v表示车速，u表示控制量，s表示路径长度，pi表示路径三等分时特定位置的曲率；

本实施例中，车辆运动模型中式(1)的建立具体包括：

生成车辆运动学模型的非线性约束方程，如下：

其中，(x,y)表示车辆位置坐标，θ表示航向角，κ表示对应曲率，v表示车速，u表示控制量；

然后，将车辆的位置及其姿态，包括位置坐标(x，y)、航向角θ和曲率κ参数，定义为位姿，如下：

对应输入或控制向量：

不失一般性，将以上方程组的自变量由时间项等价转换成空间距离，如下：

其中s表示路径长度；

接着，将曲率采用高阶多项式来表示，如下：

κ(s)＝a+bs+cs²+ds³(1-5)

对应地，对每个起始位姿及与之相对终点位姿，使用中间参数

将以上多项式的系数转换为有关的变量，得到如下方程：

其中，sf表示路径长度，pi表示路径三等分时特定位置的曲率：

κ(0)＝p0

κ(sf/3)＝p1

κ(2sf/3)＝p2

κ(sf)＝p3

将(1-6)代入(1-4)中，则得到最终待求解的高阶非线性的车辆运动学模型方程组，如下所示：

从而得到车辆运动学模型。

步骤032：建立车辆运动预测模型，进行车辆运动规划；其中，车辆运动预测模型的建立的具体过程包括：

其中，表示终点位姿，表示起点位姿，fpmm(s)表示运动预测模型；

对(2)的求解，定义变量来表示车辆实际位姿与预期位姿之间的偏差，于是车辆运动规划问题，转换为求解得出最优化问题：

s.t.sffree(3)；s在0和sf之间，而sf不受限制；

对(3)的求解，引入满足如(1)所示车辆运动学模型的fpmm(s)，如下：

利用梯度下降法依次迭代计算与以不断缩小中间解所对应位姿与预期位姿之间的偏差并当且仅当足够小时，计算收敛得到最终解。

这里，在求解(4)时，结合采用了newton’smethod或shootingmethod方法，均采用如式(5)所示的四维因变量和自变量，相应的jacobian矩阵也是4x4的矩阵；

xp(sf).＝[xp(xf)yp(sf)θp(sf)kp(sf)|

p＝[p0p1p2p3sf](5)

基于θp(sf)和kp(sf)存在直接的多项式可微、p0和p3为待生成路径的已知起点和终点的曲率，故对这两者进行简化为采用如(6)所示的三个纬度的因变量和自变量：

xp(sf)＝[xp(sf),yp(sf),θp(sf)]

p＝[p1,p2,sf]

其中，lr(0～1)为学习率，其中，(x,y)表示车辆位置坐标，θ表示航向角，κ表示对应曲率，v表示车速，u表示控制量，s表示路径长度，pi表示路径三等分时特定位置的曲率。

从而将相应的jacobian矩阵降低为3x3的矩阵。

因此，进行以上改进后相应的jacobian矩阵降低为3x3的矩阵，从而大幅降低了对非大角度(-90度～90度)路径生成的计算量，提高了算法效率和试试性能(20次以内迭代能收敛)；同时引入学习率lr(0～1)，通过适当的调参以保证算法的收敛性不至于计算发散。路径生成效果如图2所示。

因此，本发明的智能驾驶中路径快速生成方法，使得智能驾驶中可以获得更高系统实时性能，不仅降低了算法计算维度，提高了算法的实时性能；而且引入了学习率，提高了算法的收敛性。

虽然本发明已以较佳实施例揭示如上，然所述实施例仅为了便于说明而举例而已，并非用以限定本发明，本领域的技术人员在不脱离本发明精神和范围的前提下可作若干的更动与润饰，本发明所主张的保护范围应以权利要求书所述为准。