[发明专利]基于虚拟雷达模型和深度神经网络的导航控制方法

权利要求书

1.一种基于虚拟雷达模型和深度神经网络的导航控制方法，其特征在于，包括如下步骤：

N1、初始化虚拟雷达模型关键参数，虚拟雷达模型是指假设的专门扫描路径边界的抽象雷达，初始化虚拟雷达模型关键参数最大探测距离l_max和角度分辨率α_r，角度分辨率α_r确定每一个车辆位置对周围360°内扫描的波束个数，设波束总数为n，则根据对虚拟雷达模型的实际需求，对最大探测距离l_max和角度分辨率α_r进行赋值，通过公式(1)计算扫描的波束总数；

N2、通过导航传感器获取车辆当前时刻的位姿和运动状态数据，包括车辆位置信息(x_p,y_p)和航向角θ_p；车辆的位姿信息用P(x_p,y_p,θ_p)描述；x_p、y_p是车辆在大地坐标系下车辆位置的横纵坐标；

N3、根据实际果园种植环境确定规划路径起始点S(x_s,y_s)、终点E(x_e,y_e)，x_s,y_s表示规划路径起始点的横纵坐标，x_e,y_e表示规划路径终点的横纵坐标；依据规划的直线路径f₀(x,y)＝0，向两侧偏移生成虚拟路径边界f₁(x,y)＝0,f₂(x,y)＝0，描述规划路径的函数f₀(x,y)＝0、虚拟路径边界函数f₁(x,y)＝0、虚拟路径边界函数f₂(x,y)＝0分别如公式(2)、(3)、(4)所示：

A₀x+B₀y+C₀＝0 (2)

A₁x+B₁y+C₁＝0 (3)

A₂x+B₂y+C₂＝0 (4)

其中，A₀＝y_s-y_e，B₀＝x_e-x_s，C₀＝x_s×y_e-x_e×y_s，A₂＝A₁＝A₀ B₂＝B₁＝B₀，

计算生成虚拟雷达模型的过程如下：

其中，l_j⁽ⁱ⁾表示所述步骤N1中第i道波束到两侧虚拟边界的距离,j的取值为1或2，对应两侧虚拟路径边界，i代表步骤N1中雷达向周围360°扫描波束总数n的第i个，α_r为步骤N1中所确定的虚拟雷达模型的角度分辨率，p_w为虚拟路径边界宽度，A₀、B₀、C₀规划路径边界函数的参数，A₁、A₂、B₁、B₂、C₁、C₂是两侧虚拟路径边界函数的参数，x_p、y_p、θ_p是车辆的位姿信息；

对于A_j×cos(θ_p+i×a_r)+B_j×sin(θ_p+i×a_r)＝0、探测距离l⁽ⁱ⁾＜0以及探测距离l⁽ⁱ⁾＞l_max的情况，令l⁽ⁱ⁾＝l_max，其余情况，虚拟雷达模型的探测距离l⁽ⁱ⁾＝min(l₁⁽ⁱ⁾,l₂⁽ⁱ⁾)，最终对探测距离l⁽ⁱ⁾进行归一化得到虚拟雷达模型的第i个探测结果；

重复该步骤，直至扫描个数i等于步骤N1中规定的总数n，虚拟雷达模型探测图即生成完毕；

N4、将生成的虚拟雷达模型探测图输入训练好的深度神经网络生成驾驶指令，实现车辆对规划路径的追踪。

2.根据权利要求1所述的基于虚拟雷达模型和深度神经网络的导航控制方法，其特征在于，所述步骤N4中，深度神经网络采用Python3.7和Keras模块进行搭建，采用简单的Sequential模型，包括输入层，两个全连接隐藏层和一个输出层，数据集按照6:2:2划分为训练集，验证集和测试集，依据车辆自身尺寸以及路径规划方法，将按照距离将横向偏差划分为多个区间，并依据每个区间的车辆自身的位姿信对应的转向规则进行转向，从而实现对规划路径的追踪。