[发明专利]基于多任务点约束的非结构化道路宏观路径规划方法

说明书

本发明公开了一种基于多任务点约束的非结构化道路宏观路径规划方法，包括如下步骤：S10，在起点和终点之间选取多个任务点，将距各个任务点最近的道路确定为各个任务点对应的道路节点；S20，根据各个任务点对应的道路节点搜索途径各个任务点至终点的道路层最短路径；S30，根据所述道路层最短路径确定车道层最短行驶路径。其可以高效准确地确定非结构化道路的车道级地图中汽车等交通工具的行驶路径。

技术领域

本发明涉及路径搜索技术领域，尤其涉及一种基于多任务点约束的非结构化道路宏观路径规划方法。

背景技术

随着智能机器人(如智能车)技术的发展，相关研究的应用环境已逐步扩展到特定区域的真实道路区域，智能机器人运动需要面对大量的未知环境，由于传统电子地图的导航信息无法满足智能机器人对高精度导航需求，车道级的宏观路径导航需求日趋明显。在此背景下，展开基于车道的宏观路径规划研究是必需的。

当节点权重定义为几何距离时，宏观路径规划旨在搜索连接起点和终点的最短路径。目前，文献中的相关研究内容主要围绕道路级和结构化道路车道级的宏观路径规划展开。

针对宏观路径规划问题，常见方法包括广度优先搜索算法、Dijkstra算法、A*算法、遗传算法、蚁群算法等。随着研究深入，研究学者提出多种改进方法，IDWAN等利用hMetis分区技术将大型地图划分为片段，在广度优先搜索的启发算法基础上，采用分层搜索策略，减少数据处理量而提高了搜索速度。ZHAO等为节省煤矿水灾下的逃生时间，在Dijkstra算法基础上提出了一种基于双向搜索的K则最短路径算法，提高了准确性和实用性。

近年来，构建结构化道路条件下车道级高精度地图是制图领域的一个研究热点。相比传统导航地图，高精度地图具有精度高、道路元素全的特点。Guo等将GPS、INS和视觉测程技术结合，构建了基于车道模型的地图，提高了ADAS系统的性能和可靠性。刘经南等从地图学理论提出智能高精度地图的数据逻辑结构，并分析其在自动驾驶中的应用。Jiang等建立了城市结构化环境下多层地图模型，并提出了一种基于A*算法的分层规划策略，获得了较优导航路径且保证了规划时效性。李陆浩提出了车道级电子地图抽象方法，讨论了不同类型的路阻目标，在此基础上形成了车道级动态路径规划的框架。

前文研究内容的成果已逐步成熟并实用，但非结构化道路的车道级地图的构建与路径规划研究尚有所欠缺，而应用需求日趋明显，如无人农业收割设备、野外无人巡逻车等，在这些非结构化道路的车道确定方案中，传统的路径规划方案往往存在时效性差的问题。

发明内容

针对以上问题，本发明提出一种基于多任务点约束的非结构化道路宏观路径规划方法。

为实现本发明的目的，提供一种基于多任务点约束的非结构化道路宏观路径规划方法，包括如下步骤：

S10，在起点和终点之间选取多个任务点，将距各个任务点最近的道路确定为各个任务点对应的道路节点；

S20，根据各个任务点对应的道路节点搜索途径各个任务点至终点的道路层最短路径；

S30，根据所述道路层最短路径确定车道层最短行驶路径。

在一个实施例中，所述根据各个任务点对应的道路节点搜索途径各个任务点至终点的道路层最短路径包括：

S21，根据任务需求设置任务点排列顺序；

S22，根据任务点排列顺序依次搜索途径各个任务点至终点的道路层最短路径；

S23，遍历所有任务点，若遍历完成，则执行步骤S30，否则，返回执行步骤S22。

作为一个实施例，所述根据任务点的排列顺序依次搜索途径各个任务点至终点的道路层最短路径包括：