[发明专利]一种无人车路径规划方法、客户端及服务器

说明书

本发明提供了一种无人车路径规划方法，包括如下步骤：S1，将地图导入无人车系统中，并将所述地图栅格化；S2，在所述栅格化地图中设定起始节点和目标节点，基于改进的A*算法，在所述起始节点和目标节点之间的栅格节点中进行逐步遍历；S3，逐步遍历相邻所述栅格节点间的平均高程值，得到满足车辆运动学的多条规划路径；S4，计算所述多条规划路径的路径代价函数值，获取最小路径代价函数值所对应的规划路径为最优路径。本发明结合基于改进的A*算法，考虑路面高度变化，并且计算效率高，路径规划精度高。

技术领域

本发明涉及寻路算法技术领域，尤其涉及一种无人车路径规划方法、客户端、服务器及计算机可读存储介质。

背景技术

无人驾驶汽车是通过车载传感系统感知道路环境，自动规划行车路线并控制车辆到达预定目标的智能汽车。路径规划技术是无人驾驶汽车中关键技术之一，主要使无人车能够快速平稳到达目标地。其中需要考虑无人车以怎样的路径到达设定目标地，能否以最优的路径，能否遵守交通规则，以能否越过障碍物等。

在对无人车的路径规划中，A*算法是常用的一种无人车路径规划算法。A*算法需要给定地图信息，将地图信息栅格化，遍历周围节点寻找最优路径。但是A*算法适用于在平坦地带进行路径规划，即需要假定地面高度恒定，对于山路环境或者高低起伏的道路环境，通过常规的A*算法规划的路径可能会存在路面高度变化突变，导致无人车无法通行的情况。

发明内容

本发明提供了一种无人车路径规划方法、客户端、服务器及计算机可读存储介质，可以有效解决上述问题。

本发明是这样实现的：

本发明提供一种无人车路径规划方法，包括如下步骤：

S1，将地图导入无人车系统中，并将所述地图栅格化；

S2，在所述栅格化地图中设定起始节点和目标节点，基于改进的A*算法，在所述起始节点和目标节点之间的栅格节点中进行逐步遍历；

S3，逐步遍历相邻所述栅格节点间的平均高程值，得到满足车辆运动学的多条规划路径；

S4，计算所述多条规划路径的路径代价函数值，获取最小路径代价函数值所对应的规划路径为最优路径。

作为进一步改进的，在步骤S1中，所述地图为三维地图模型，且所述地图栅格化后得到每个栅格节点的尺寸和平均高程值。

作为进一步改进的，在步骤S2中，所述基于改进的A*算法，在所述起始节点和目标节点之间的栅格节点中进行逐步遍历的步骤包括：

基于路径代价函数：F(n)＝G(n)+H(n)+C(n)，在所述起始节点和目标节点之间的栅格节点中进行逐步遍历；其中，所述G(n)为所述栅格化地图中无人车从起始节点到当前节点的实际代价；所述H(n)为所述栅格化地图中无人车从当前节点到目标节点的估算代价；所述C(n)为曲率代价函数，用来计算所述栅格化地图中相邻栅格节点的曲率代价。

作为进一步改进的，所述曲率代价通过公式获得，其中，Z_k为第k个栅格节点高程值。

作为进一步改进的，定义所述车辆运动学约束的无人车可通过高程值阈值为H，且在步骤S3中，所述逐步遍历相邻所述栅格节点间的平均高程值的步骤包括：

当|Z_k-Z_k-1|H时，判断相邻所述栅格节点间的平均高程值满足所述车辆运动学约束,即无人车可从第k-1个栅格节点进入第k个栅格节点。

作为进一步改进的，在步骤S4中，所述计算所述多条规划路径的路径代价函数值的步骤包括：

通过CUDA调用GPU加速多线程，计算每个所述栅格节点的路径代价函数,从而获得每条规划路径的路径代价函数值。