[发明专利]一种改进型D*Lite车辆动态路径规划方法

说明书

本发明公开了一种改进型D*Lite车辆动态路径规划方法，包括以下步骤：1)获取车辆当前状态及目标状态，并获取当前环境地图信息，再使用形态学操作对当前环境地图中的障碍物进行膨胀；2)构建车辆运行学模型；3)基于车辆运动学模型的限制，使用D*Lite算法在膨胀后的环境地图上搜索路径；4)根据Reeds‑Shepp曲线对到达终点时车辆的朝向角进行调整；5)根据步骤3)生成的最短路径及步骤4)中的Reeds‑Shepp曲线构建最终路径，然后使用能量函数及梯度下降法对最终路径进行平滑，完成改进型D*Lite车辆动态路径规划，该方法能够在动态的环境下实现路径的规划。

技术领域

本发明属于无人驾驶汽车路径规划领域，涉及一种改进型D*Lite 车辆动态路径规划方法。

背景技术

无人驾驶车辆的研究起源于20世纪60年代，通过车身传感器信息和环境信息，在有障碍物的环境中，完成定位、避障、目标寻找等一系列自动操作过程，是近年来的国内外学界和企业界研究热点。无人驾驶技术主要包括环境感知，路径规划，运动控制三个部分。其中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。

无人车路径规划中常见的基于启发式的搜索算法有A*类，D*类算法，A*类算法适用于静态环境，D*类算法适用于动态环境。无人车所处的环境时刻在变化，这就要求路径重新规划的速度足够快，以满足车辆行驶实时性的要求，这使得A*类算法不能满足实时路况下车辆重新规划的要求。D*类算法是基于A*类算法的改进，在环境发生变动时会利用先前的搜索信息来提高本次搜索效率，与重复使用A*类算法进行重规划相比，搜索效率更高，所以D*类算法更适合解决无人车的动态路径规划问题。D*类算法中D*Lite算法原理简单，容易实现，更适合用于无人车的动态路径规划中。

然而，在栅格化环境中，如果直接将A*类、D*类算法应用于车辆路径规划中，则只能将车辆看成一个点，利用四邻域或者八邻域的搜索方法搜索路径，这样生成的路径不平滑，不受车辆运动学的限制，常常导致路径不可行驶。

中国专利CN104590259公开了一种基于车辆运动学模型的A*算法，列出了车辆运动学方微分方程，这样在使用A*算法搜索路径时就考虑了车辆的运动学模型，最终得到的路径一定是可行的。但是该专利所使用的方法只能应用于静态环境中，如果环境发生变动，则需要遍历整张地图重新规划，不适合动态环境下的规划，而无人车所处的环境又是在不断变化的，所以该算法并不适合无人车的实时路径规划。另外，该专利提出的方法的由于只使用了车辆运动学模型，所以到达终点时车辆的朝向角只能近似到达目标状态，误差取决于朝向角分辨率的大小，这在非结构化环境下(如停车场)是不实用的。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种改进型 D*Lite车辆动态路径规划方法，该方法能够在动态的环境下实现路径的规划。

为达到上述目的，本发明所述的改进型D*Lite车辆动态路径规划方法包括以下步骤：

1)获取车辆当前状态及目标状态，并获取当前环境地图信息，再使用形态学操作对当前环境地图中的障碍物进行膨胀；

2)构建车辆运行学模型；

3)基于车辆运动学模型的限制，使用D*Lite算法在膨胀后的环境地图上生成最短路径；

4)根据Reeds-Shepp曲线对到达终点时车辆的朝向角进行调整；

5)根据步骤3)生成的最短路径及步骤4)中的Reeds-Shepp曲线构建最终路径，然后使用能量函数及梯度下降法对最终路径进行平滑，完成改进型D*Lite车辆动态路径规划。

步骤2)的具体操作为：