[发明专利]基于动态规划的局部路径规划方法

说明书

本发明提供了一种基于动态规划的局部路径规划方法，包括：获取当前参考路径；当当前层不为当前参考路径的终点时，确定当前层的每个节点与上一层的每个节点间的圆弧曲线，再进行筛选，直至得到终点的上一层与终点的上一层的上一层的第一目标圆弧曲线；当当前层为当前参考路径的终点时，确定终点与终点的上一层的每个节点的圆弧曲线；对终点与终点的上一层的每个节点的圆弧曲线进行筛选，确定终点与终点的上一层间的第二目标圆弧曲线；以第二目标圆弧曲线对应的终点的上一层的节点为目标节点，直至确定起点的下一层与起点间的第二目标圆弧曲线；将相邻层的第二目标圆弧曲线进行拼接，得到局部路径。

技术领域

本发明涉及数据处理领域，尤其涉及一种基于动态规划的局部路径规划方法。

背景技术

随着人工智能技术以及现代制造业的发展，无人驾驶技术已经逐渐走进人们的日常生活，并潜移默化的改变着人们的出行方式。无人驾驶技术可以简要的分为感知、预测、定位、决策、规划与控制这几个方面。规划通常指路径规划方法，主要任务是指根据当前车俩信息合理探索环境空间，最终规划出一条便于控制器执行，且无碰撞的路径。

局部路径规划是无人驾驶车辆智能性的最直观体现，如果车辆被临时出现的障碍物所遮挡，可以通过局部路径规划，快速准确的规划出一条躲避障碍物的平滑路径。

目前无人驾驶局部路径规划方案主要分为随机采样算法、启发式搜索算法以及动态规划方法三种，下面对这三种局部路径规划方案进行描述：

第一、随机采样算法是一种经典的树搜索算法，其中最著名的就是快速扩展随机树法(Randomly Exploring Randomized Trees，RRT)。RRT算法是从起始点开始向外拓展一个树状结构，而树状结构的拓展方向是通过在规划空间内随机采点确定的。该方法是概率完备且不最优的。但是随机采样算法存在路径突变等问题，需要通过后续优化生成符合车辆动力学的路径。

2.启发式搜索算法以动态窗口(Dynamic Window Approach，DWA)算法、A*(A-star)算法以及其变种算法等为代表。其主要思想是根据车辆速度、角速度、转弯半径等约束，在空间内进行采样。采样后对每个得到的采样点通过设计的启发式函数进行评价与筛选，择优后重复继续探索直至探索值设定的终点。在探索至终点后，依据探索时设定的“父节点”得到最终的搜索路径。

第三、动态规划方法大多选择在车辆参考路径两侧进行逐层采样，相邻两层之间通过多项式曲线进行连接，通过长度、平滑度、碰撞性等方式对曲线进行筛选，最终将所有层间曲线相连得到搜索路径。

但是上述三种局部路径规划方案存在下列问题：

随机采样算法规划的路径不可避免的存在一定的不确定性，且采样点的随机性导致了路径的波动性大，所以基于随机采样算法需要对路径进行进一步的优化，这大大增加了算法的耗时，增加了无人驾驶车辆的实时路径规划的负担。

启发式算法由于存在大量探索采样点，每个采样点都需要通过设计的启发值函数进行评价，因此通常计算量很大。同时，启发值函数对搜索结果影响很大，不同启发值函数得到的结果往往截然不同，因此启发值函数的设计存在较多的不确定性。启发式算法的优势是搜索能力较强，能够以较高的准确度搜索到终点，但是在绝大多数实际驾驶环境中，车辆往往不需要严格的按照所谓“最优”路径行驶，只需要躲避障碍物的路径足够符合驾驶习惯，因此启发式算法无法平衡计算复杂度与结果合理性。

动态规划方法在采样层的每个采样点上，都采用与原始参考路径的路点的朝向相同的方向进行采样，而原始参考路径的路点的朝向影响下一采样层的可选节点的个数，同理采样点的朝向也对下一采样层可选节点的个数造成影响，当路点的朝向不佳时，比如，路点的朝向与下一个采样层角度越不接近直角，导致采样点的朝向也不佳，这样的处理限制了路径搜索的范围，降低了搜索能力。同时，采用多项式曲线连接相邻采样层的方式往往存在寻优操作，存在着较大计算量以及局部最优的可能。

发明内容