[发明专利]一种基于改进双向informed-RRT*的车辆路径规划方法

说明书

本发明公开了一种基于改进双向informed‑RRT*的车辆路径规划方法，包括：1建立栅格地图，确定起始点和目标点；2利用组合扩展策略并融合双向RRT*算法进行采样，获取初始路径；3利用改进双向informed‑RRT*算法获得椭圆状态子集空间，获取采样点；4利用目标引力融合双向RRT*算法对初始路径进行优化，得到优化路径，优化路径的长度更新椭圆区域，在更新后的椭圆区域中采样，获得采样点；5重复步骤4并得到最终路径；6对最终路径进行剪枝后，利用四阶贝塞尔曲线进行平滑处理。本发明降低采样随机性、提高收敛效率，生成的路径最优且满足车辆动力学约束，从而能使车辆成功避开障碍物快速到达目标点。

技术领域

本发明涉及一种基于改进双向informed-RRT*的车辆路径规划方法，属于车辆路径规划领域。

背景技术

目前，随着无人驾驶技术的迅猛发展，路径规划作为无人驾驶车辆的关键技术之一越来越受到重视。无人驾驶车辆的路径规划是在一定的环境模型基础上，给定起始点和目标点，成功规划处一条起始点到目标点的自由空间中的无碰撞可行路径。

传统的路径规划算法包括基于构造势场的人工势场法、遗传算法、基于图搜索的Dijkstra和A*等，但是以上算法都需要在一个确定的空间内对障碍物建模，不适合在复杂环境中进行路径规划。快速探索随机树(RRT)使用随机采样的方式，从而避免对状态空间进行建模，能够有效地解决高维空间和复杂约束的路径规划问题。

传统的双向informed-RRT*从初始位置和目标位置同时生成两颗快速扩展随机树来搜索状态空间，生成一条能够有效避开障碍物的路径，是一种该算法在利用RRT*-connect找到初始解之后，立即生成由起点、目标点、当前路径长度决定的椭圆状态空间区域，之后进行将采样范围控制在椭圆状态空间子集内，加速收敛到最优解。但是该算法规划初始路径时，存在很多对空白区域的无用搜索，浪费搜索时间，规划效率低，且规划的路径无法满足车辆行驶要求，从而无法满足车辆快速有效的到达目标点。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种基于改进双向informed-RRT*的车辆路径规划方法，以期能降低采样随机性、提高收敛效率，规划的路径更短且满足车辆动力学约束，从而能使车辆成功避开障碍物并快速到达目标点。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于改进双向informed-RRT*的车辆路径规划方法的特点是按如下步骤进行：

步骤1、利用车辆自带的激光雷达传感器或深度相机传感器采集车辆周围的环境信息，并用于建立栅格地图，将所述栅格地图中的每一个栅格标记为障碍空间或自由空间，在标记后的栅格地图中选择一起始点x_start和目标点x_goal；

步骤2、采用目标约束和目标引力相结合的组合扩展策略并融合传统双向RRT*算法在栅格地图的自由空间中进行采样，以获取初始路径；

步骤3、获得初始路径后，利用改进双向informed-RRT*算法获得启发式子集，以确定标记后的栅格地图中的椭圆状态子集空间，从而在椭圆状态子集空间中进行采样，获取随机采样点x_rand；

步骤4、根据随机采样点x_rand，利用目标引力方法并融合传统双向RRT*算法对初始路径进行优化，从而得到渐近最优性路径，根据渐近最优性路径的长度更新椭圆区域，从而在更新后的椭圆区域中进行采样，获得更新后的随机采样点；

步骤5、重复步骤4的过程，直到达到迭代次数为止，从而得到最终规划的路径；

步骤6、对最终规划的路径进行剪枝处理后，再利用四阶贝塞尔曲线进行平滑处理，从而得到一条符合车辆约束的有效路径。