[发明专利]一种基于FLOYD和Astar的混合路径规划方法

说明书

本发明公开的一种基于FLOYD和Astar的混合路径规划方法，首先建立车辆数学模型和构建高精度地图，在此条件下，将Floyd算法和A*算法相结合，使用混合型算法进行自动驾驶车辆的路径规划。常见的路径规划算法中，Floyd算法时间复杂高，其计算得到的距离矩阵和路径矩阵无法满足自动驾驶车辆动态行驶时的高实时性要求；A*算法由于存在逻辑设计问题，其规划结果不一定是全局最优的。本发明提出的方法针对传统路径规划算法中Floyd算法与A*算法的问题，提出了一种结合两种方法特点的混合型路径规划算法，同时兼顾了全局最优性和实时性，增强了算法对环境的适应性，以此实现自动驾驶参考路径的在线规划和动态全局避障。

技术领域

本发明涉及自动驾驶技术领域，特别涉及一种基于FLOYD和Astar的混合路径规划方法。

背景技术

路径规划是自动驾驶的关键技术之一，是重点和难点。自动驾驶车辆路径规划是指基于一定的环境模型和行车规则策略，给定行驶起始点与目标点后，按照特定性能指标，在保证行车安全和效率最大的基础上，规划出一条无碰撞、能安全到达目标点的可行驶路径。路径规划主要包含两个步骤，一是建立包含障碍物区域与自由区域的环境地图，二是结合环境地图选择合适的路径搜索算法，快速实时地搜索可行驶路径。自动驾驶车辆路径规划包括全局路径规划和局部路径规划。全局路径规划是基于环境信息(如地图、障碍物、道路边界)规划出满足车辆行驶约束的最优可行驶路径，具有导航能力。局部路径规划是指在全局路径的基础上，车辆为躲避障碍物而快速规划出的安全可行驶路径。参考机器人移动技术和机器学习技术，局部路径规划主要有人工势场算法、蚁群算法和神经网络算法等。

在传统算法中，Floyd路径规划算法时间复杂度高，道路节点分布均匀，距离矩阵和路径矩阵的迭代过程无法满足自动驾驶车辆动态行驶规划的高实时性要求，不能及时适应环境模型的改变；A*(A-Star)算法结合启发搜索思想和Dijkstra算法，是典型的启发式搜索算法，通过构建代价函数F搜索每一步代价最小的节点从而找到最短路径，但其规划结果可能非全局最优，存在因算法逻辑设计而出现的方向性或结构性结果倾向问题，这对于自动驾驶路径规划而言存在不可跟踪性路径；快速探索随机树(RRT)是基于随机采样理论的一种路径规划算法，它存在采样节点密集，路径曲折复杂等问题。此外，在传统路径规划算法中，通常将环境内的物体进行“轮廓膨胀处理”，将物体占用位置面积按一定比例增大，以此进行参考路径行驶时的动态规划，但会使得环境模型有一定的失真，狭窄路段的通过性降低。

针对单个算法存在缺陷，江鹏程等在专利申请“无人车混合路径规划算法(CN110609557A)”中，提出了结合蚁群算法、A*算法和VFH算法的无人车混合路径规划算法，首先利用周围环境信息构建栅格地图，然后用改进蚁群算法进行两次全局路径规划，若两次得到的结果不完全重合，则判定为陷入局部最优，此时引入A*算法进行对比和优化，得到最终最优路径。对于行驶过程中的未知障碍物，采用VFH+算法进行局部路径规划。与单个算法相比，该方法减少路径搜索时长、增强了自动驾驶车辆实时性、避免陷入局部最优解，但仍存在以下问题：将周围环境信息构建为栅格地图，无法保证路径的可行驶性；使用改进蚁群算法进行了两次全局路径规划，且在陷入局部最优后再进行A*算法的重新优化，耗时仍较长；改进蚁群算法在进行节点选择时，仍包含有随机数选择的形式，是一种盲目性的选择，缺乏启发信息。

发明内容

本发明提供一种基于FLOYD和Astar的混合路径规划方法，通过将传统的Floyd算法和A*算法相结合，解决当前传统算法中存在的实时性与全局最优性问题。

针对上述描述的路径规划算法的实时性和全局最优性问题，本发明提供的一种基于FLOYD和Astar的混合路径规划方法，其特征在于，包括以下步骤：

根据车辆的几何特征与车身角点约束，建立车辆数学几何模型，用以分析车辆的运动覆盖空间；

建立包含有道路层语义信息的电子地图，并在电子地图的道路上设定行驶航点；