[发明专利]一种基于自动驾驶平台的地图生成与导航避障的方法

说明书

本发明公开了一种基于自动驾驶平台上的地图生成与导航避障方法，所述方法包含以下步骤：基于EKF的改进Hector SLAM的地图算法，获得小车驾驶的空间地图；利用获得的空间地图，运用融合A*与DWA的导航避障算法获得小车在这张空间地图中驾驶过程中的路线规划；通过实验评估和验证对地图生成算法和导航避障算法的效果。本发明提出的导航避障方法可以融合现有的不同的导航避障的算法，具有有效性、完备性和可修正性。

技术领域

本发明涉及人工智能中自动驾驶领域，尤其涉及一种基于自动驾驶平台的地图生成与导航避障的方法。

背景技术

扩展卡尔曼滤波(Extended Kalman Filter，EKF)是卡尔曼滤波的非线性版本。它主要是一种将系统的输入输出观测数据利用线性状态方程处理后，根据结果对系统状态进行最优估计的算法。卡尔曼滤波是一种线性方程式，它最初是用来进行雷达跟踪实验，后续发展成为可以在导航，通讯等各领域使用的滤波算法。

地图生成属于同步定位与地图构建(Simultaneous Localization And Mapping，SLAM)的范畴。该问题可以描述为将机器人放入一个未知的环境，然后让其一边移动进行位置估计和自身定位，一边绘制出环境的增量式地图，走遍环境的每个角落后绘制出场景的完整地图。地图生成可用于定位和导航相关研究中。地图生成算法分为基于激光滤波和基于视觉两种。基于激光滤波的方法技术成熟，应用广泛。基于视觉的方法发展时间短，目前研究方法难以解决计算复杂度高、数据量大、实时性的问题，在研究领域内少有应用研究。

导航避障是自动驾驶中非常重要的一个研究领域，它关系着设备运行时的安全性和稳定性。虽然深度神经网络有取代路径规划进行导航避障的趋势，但它仍然存在结果不可控以及需要高性能硬件支持其运行等问题。所以目前研究领域中进行导航避障的方法还是以路径规划结合局部避障算法为主。

导航避障中的路径规划又称全局路径规划，是在已有地图中，给定起点与终点，规划出从起点到终点的近似最短路径的过程。常用的算法有Dijkstra^[1]、A*^[2]、人工势场法^[3](Artifical Potential Field，APF)。局部避障又可称局部路径规划，其用来处理小车运行过程中遇到障碍物时的躲避问题。动态窗口(Dynamic Window Approach，DWA)模糊逻辑、神经网络以及自然启发算法都可用于解决局部避障问题。

路径规划中的APF算法在实验过程中出现无法完全收敛到目标点的情况。局部避障中的模糊逻辑和神经模糊算法的输出将小车位姿划分成若干段，每段中所有位姿对应的当前速度都是同一个值，这导致小车行驶过程中速度不是连续的。而神经网络的实现通常需要GPU，使用CPU运行神经网络效率会非常低。

参考文献

[1]Kruskal Jr.,J.B.:On the Shortest Spanning Subtree of a Graph andthe Travelling Salesman Problem.Proc.Amer.Math.Soc.7,48–50(1956).

[2]熊壬浩,刘羽.A*算法的改进及并行化[J].计算机应用,2015,35(07):1843-1848.

[3]Khatib O.Realtime Abstract Avoidance for Manipulators,and MobileRobots in Proe[J].IEEE Int Conf.On.Robotics and Automation March 25-381985.500-505,also in Int JRobot Res,1986,5(1):90-98.