[发明专利]星球车路径规划方法及装置

权利要求书

1.一种星球车路径规划方法，其特征在于，包括：

基于星球车行驶过程拍摄的影像数据和已执行路径规划策略，训练得到地形分类器；

基于星球车行驶过程拍摄的影像数据、地形分类器、星球车着陆星球表面后开始漫游的遥测数据、视觉定位结果和已执行路径规划策略，构建单次移动的滑移描述数据库，所述单次移动的滑移描述数据库包括多组单次移动的滑移描述数据，所述滑移描述数据包括滑移率、地形类型、几何特征和移动曲率；

利用单次移动的滑移描述数据库，构建滑移率预测模型，所述滑移率预测模型为考虑地形类型、几何特征与移动曲率的滑移率预测函数；

根据星球车当前位置的影像数据和星球车的移动性能数据，生成综合代价图；

基于综合代价图，进行路径预规划，获得预规划策略；

基于地形分类器，得到当前位置的地形类型，确定所述地形类型对应的滑移率预测函数，并基于预规划策略、当前位置的影像数据和所述对应的滑移率预测函数，计算预测滑移率；

根据预规划策略，插值生成多个二维点坐标，利用所述预测滑移率重新计算所述二维点坐标，连接重新计算的二维点坐标，获得基于滑移率预测的预期路径；

将基于滑移率预测的预期路径投影至当前位置的影像数据上，进行风险评估，在风险评估结果为风险不大于预设阈值时，输出预规划策略。

2.如权利要求1所述的方法，其特征在于，基于星球车行驶过程拍摄的影像数据和已执行路径规划策略，训练得到地形分类器，包括：

从所述影像数据中，挑选已执行路径规划策略对应的影像数据；

将已执行路径规划策略投影至所述影像数据；

对已执行路径规划策略投影至影像数据中的覆盖区域进行地形类型标记，构成地形类型标签集；

将地形类型标签集分为训练集和验证集；

使用卷积神经网络对训练集进行离线学习，生成地形分类器；

利用验证集，对地形分类器的正确性进行验证，在验证结果为正确性低于预设值时，修改卷积神经网络的训练参数，重新进行离线学习，直至验证结果为正确性不低于预设值。

3.如权利要求2所述的方法，其特征在于，将已执行路径规划策略投影至所述影像数据，包括：

根据相机标定数据，对所述影像数据进行三维重构，生成数字高程模型；

根据已执行路径规划策略进行间隔采样，生成已执行路径规划策略所对应的路径点的二维坐标；

在数字高程模型上插值，获得已执行路径规划策略所对应的路径点的三维坐标；

根据相机成像模型，求解已执行路径规划策略所对应的路径点在无畸变情况下的二维坐标；

在已执行路径规划策略所对应的路径点在无畸变情况下的二维坐标上添加相机畸变；

基于已执行路径规划策略所对应的路径点在添加相机畸变情况下的二维坐标，连接已执行路径规划策略所对应的路径点，获得已执行路径规划策略在所述影像数据中的投影。

4.如权利要求1所述的方法，其特征在于，基于星球车行驶过程拍摄的影像数据、地形分类器、星球车着陆星球表面后开始漫游的遥测数据、视觉定位结果和已执行路径规划策略，构建单次移动的滑移描述数据库，包括：

基于星球车的遥测数据，获得星球车的整车滑移率；

基于星球车的视觉定位结果、已执行路径规划策略，对单次移动过程进行整体滑移评价，依次计算纵向滑移率和侧向滑移率；

基于地形分类器，对已执行路径规划策略覆盖区域进行分类，获得地形类型；

根据已执行路径规划策略和影像数据，计算地形的几何特征，所述几何特征包括纵向坡度和侧向坡度；

获取已执行路径规划策略中的移动曲率；

确定所述整车滑移率、纵向滑移率和侧向滑移率、地形类型、几何特征和移动曲率为单次移动的滑移描述数据；

将多组单次移动的滑移描述数据按地形类型对应添加至单次移动的滑移描述数据库中。