[发明专利]自适应路径规划的系统和方法

说明书

描述了使用局部学习和全局规划来提供自适应路径规划技术的系统和方法。实施例的自适应路径规划提供全局指引并且基于局部学习来执行局部规划，其中全局指引提供从起始位置到所选目的地的、穿过动态环境的规划的路径，而局部规划在到达目的地过程中提供了环境中的动态交互，例如对进入规划的路径的障碍物作出响应。全局指引可以结合初始全局路径与历史信息，以提供避免经常发生交通冲突的地点的全局路径。局部规划使用局部深度强化学习来指导自动车辆在动态环境中穿过全局路径的交互，例如响应于进入全局路径的障碍物。可以生成顺序局部地图，用于局部学习技术所使用的深度学习模型。

【技术领域】

本发明涉及自适应路径规划，特别涉及利用局部学习和全局规划的自适应路径规划技术。

【背景技术】

在当今世界，各种形式的自动汽车(AV)越来越流行。例如，在工业化国家中，在仓库和工厂中使用的自动导航汽车、自动送货车和自动导引车(AGV)形式的AV即使没有广泛使用，也并不罕见。

路径规划算法，也称为路径查找算法，通常用于AV进行导航到所需目的地。流行的路径规划方法通常实施静态搜索算法，例如Dijkstra(请参见“Anote on two problems inconnexion with graphs与图有关的两个问题的注释”，Numerische Mathematik.1：269-271，Dijkstra，E.，其公开内容通过引用并入本文)和A*(参见“A Formal Basis for theHeuristic Determination of Minimum Cost Paths启发式确定最小成本路径的正式基础”，IEEE Transactions on Systems Science and Cybemetics SSC4.4(2)：100-107.Hart，P.E.；Nilsson，N.J.；Raphael，B.，其公开内容通过引用并入本文)。这种静态搜索算法在静态环境中获得最佳路径是非常有用的。

但是，AV可能会在多车和动态环境中运行(例如，仓库、工厂或城市街道网格中，有其他AV、非自动化车辆正在运行，人和其他自主生物正在交互等)。这些动态环境特征会导致AV在沿着计划路径运行时受到未知障碍物的阻碍。这种延迟会导致任何预先计划变得过时，因为AV的交互可能会导致死锁，对时间要求严格的任务就会有完不成风险。

现有的实施静态搜索算法的路径规划方法需要在动态环境中进行重复的重新规划，以处理与障碍物(例如其路径中的其他AV)的冲突。但是，这种重复的重新计划再规划有着高昂的计算成本，并且可能需要可观大量的计算时间，从而导致执行任务的延迟。对于多个目标节点(例如在环境中运行的多个其他AV)，A*路径规划方法不起作用，并且需要良好的启发式功能来进行有效的路径规划。与A*方法相比，Dijkstra方法进行路径规划的计算成本要高得多。

协同方法已被用于约束机器人来确定路线图，从而为路径规划提供了一个完整且相对快速的解决方案，可以避免作为协同对象的AV之间发生冲突。例如，用于非完整车辆的近似最优的多车辆方法可以专注于避免移动障碍物的曲线路径。但是，这种协同方法中的问题考虑范围不够广，无法直接在复杂的动态环境(例如上述仓库、工厂或城市街道网格)中使用。

基于学习的算法，例如基于深度和强化学习的实时在线路径规划方法(参见中国专利公开号CN106970615A，其公开内容通过引用并入本文)和强化学习A*和深度启发式方法(参见“Reinforcement Learning with A*and a Deep Heuristic”arXiv，2018年11月19日，https：//arxiv.org/abs/1811.07745，Kesleman，A.；Ten，S.；Ghazali，A；Jubeh，M，其公开内容通过引用并入本文)已经提出了用于路径规划。但是，这些基于学习的算法尚未针对复杂、动态环境的路径规划提供适当的解决方案。例如，基于深度和强化学习的实时在线路径规划方法不能很好地推广到非常大的环境，并且在复杂环境中的性能很差。强化学习的A*和深度启发式方法在复杂环境中的表现也很差。