[发明专利]基于改进遗传算法和B样条拟合的无人车路径规划方法

说明书

本发明提供基于改进遗传算法和B样条拟合的无人车路径规划方法，采用多面模型表示法来表示无人车所处的环境空间；使用二维坐标来表示无人车行驶的路径；采用随机和定向两种搜索策略来产生算法的初始化路径集，从而保证生成种群的多样性和随机性；根据环境地图信息和障碍物特点等先验知识，采用了一种合适的碰撞检测方法；使用了一种带有惩罚的适应度函数；采用轮盘赌选择法、单点交叉、随机变异等方式对初始化种群进行遗传操作；通过引入粒子群算法，对种群中每个个体进行速度更新和位置更新，提高算法的全局搜索能力。仿真实验表明本发明在解决无人车路径规划问题方面具有一定的可行性和有效性。本发明为解决无人车路径规划问题提供了新的思路。

技术领域

本发明涉及无人车技术领域，具体涉及基于改进遗传算法和B样条拟合的无人车路径规划方法。

背景技术

如今人工智能技术得到了不断发展和应用，其中无人车作为汽车逐渐智能化的一个方面备受关注。无人车技术不仅可以减少由于驾驶员疲劳或操作不当等造成的交通事故以及拥堵现象的发生，而且可以提高能源的利用率，是未来汽车重要的技术发展趋势之一。路径规划作为无人驾驶汽车运行的关键环节，具有重大的研究意义。

路径规划是指无人车在具有障碍物的环境中，能够规划出一条从起始位置到目标位置无碰撞的最优路径或次优路径，并满足所有约束条件，是实现汽车智能化的关键技术之一。根据路径规划的目标范围，可以将其分为全局路径规划和局部路径规划。全局路径规划主要是对局部路径规划起到导向和约束作用，使车辆沿着导航系统提供的一系列期望局部目标点行驶。全局路径规划不算复杂，前提是有拓扑级地图，而局部路径规划是在车辆沿期望路径行驶时，通过车载传感器感知周围环境及交通信息，从而实现车道保持、动态避障等功能，又可以称作避障规划。局部规划要求算法具有较高的实时性，以应对实时变化的环境信息。目前，对于已知环境的路径规划，已存在很多成熟算法，可实现车辆无碰撞地到达目标地点。

遗传算法(Genetic Algorithm，GA)最早是由美国的John Holland于20世纪70年代提出，该算法是根据大自然中生物体进化规律而设计提出的。是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；采用概率化的寻优方法，不需要确定的规则就能自动获取和指导优化的搜索空间，自适应地调整搜索方向。该算法通过数学的方式，利用计算机仿真运算，将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时,相对一些常规的优化算法,通常能够较快地获得较好的优化结果。

现有的遗传算法虽然具有很强的全局寻优能力和适应性，被广泛地应用于路径规划问题，或者用来对原有路径规划方法进行改进，但是，现有的遗传算法在求解路径规划问题时容易陷入局部最优以及曲线不光滑的问题。

发明内容

为全面解决上述问题，尤其是针对现有技术所存在的不足，本发明提供了基于改进遗传算法和B样条拟合的无人车路径规划方法能够全面解决上述问题。

为实现上述目的，本发明采用以下技术手段：

基于改进遗传算法和B样条拟合的无人车路径规划方法，包括以下步骤：

S1：使用多面模型表示法对无人车的工作环境进行建模；

S2：设置算法的初始化参数，种群数量、最大迭代次数、交叉率、变异率、学习因子、随机惯性权重的最大值和最小值等；

S3：编码；

S4：初始化种群，并将每个个体的初始速度设置为0；

S5：利用三次B样条拟合方法在节点之间插入节点；

S6：进行碰撞检测，判断路径中每个路径节点是否与障碍物发生碰撞，如果发生碰撞，则在适应度函数中添加惩罚；