欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024116495987
申请人: 成都理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 控制;调节
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种自动行驶小车的路径规划方法,其特征在于,包括:

获取水下环境的声波传感器数据,其中声波传感器数据包括发射声波的频率、强度以及接收到的反射声波的时间戳和振幅信息,并根据发射声波的第一时间戳和接收声波的第二时间戳之间的差值,经过声波传播时间计算处理,得到水下地形的轮廓和障碍物的位置信息;

基于水下地形的轮廓和障碍物的位置信息,经过动态环境建模处理,得到水下环境的动态模型,所述动态模型包括地形、障碍物分布以及水流影响;

利用欧几里得距离作为启发式函数对水下环境的动态模型进行计算,得到从起点到终点的第一优化路径,其中第一优化路径为从水下环境的动态模型中计算得到的全局最短最优路径;结合第一优化路径,通过模型预测控制算法计算处理,得到符合自动行驶小车的运动学和动力学约束的第二优化路径,其中第二优化路径为考虑运动学和动力学约束后经过处理得到的路径,其中约束包括最大速度、加速度限制以及转向角度限制;

经过动态运动基元技术对第二优化路径进行平滑处理,得到符合自动行驶小车跟踪的平滑轨迹;通过获取激光雷达和惯性测量单元数据,应用激光雷达惯性同步定位与地图构建算法进行处理,已构建用于路径规划和避障的水下环境的三维地图,其中惯性测量单元数据包括加速度、角速度、俯仰角和横滚角;

通过传感器融合感知对三维地图进行处理,提取出周围环境中动态障碍物的当前状态信息,利用预测模型构建处理,并基于障碍物的当前状态及其运动特征,预测其在未来一段时间内的行动轨迹;

根据自动行驶小车跟踪的平滑轨迹和障碍物的未来行动轨迹,经过自适应控制系统实时调整处理,得到能够适应不同风浪和水流变化的稳定路径跟踪控制指令,从而完成自动行驶小车的路径规划。

2.根据权利要求1所述的自动行驶小车的路径规划方法,其特征在于,所述利用欧几里得距离作为启发式函数对水下环境的动态模型进行计算,得到从起点到终点的第一优化路径,其中包括:将水下环境的动态模型作为输入项输入至启发式函数中进行计算,在计算过程中选择具有最小f(n)值的节点作为当前节点,并将其从开放列表移动到关闭列表,对于当前节点的每个邻居节点,若它不在关闭列表中,计算其f(n)值,并根据需要更新其父节点、从起点到当前节点的实际代价以及启发式函数估计的代价值,重复上述过程,直到目标节点被添加到关闭列表中,或者开放列表为空,若找到目标节点,通过回溯每个节点的父节点来构建从起点到终点的路径,从而得到全局最短最优到达目标节点的路径,其计算公式如下:式中,(xn,yn)为当前节点的坐标,(xg,yg)为目标节点的坐标,h(n)为启发式函数估计的代价;

f(n)=g(n)+h(n)

式中,g(n)为从起点到当前节点的实际代价,h(n)为启发式函数估计的代价,f(n)为一个节点n的总代价估计,即第一优化路径。

3.根据权利要求1所述的自动行驶小车的路径规划方法,其特征在于,所述结合第一优化路径,通过模型预测控制算法计算处理,得到符合自动行驶小车的运动学和动力学约束的第二优化路径,其中包括:建立自动行驶小车的运动学模型,经过状态空间表示处理,得到状态变量和控制输入的初始条件,其计算公式如下:式中,为状态变量随时间的变化率,f为状态转移函数,x为状态变量,u为控制输入;

基于初始条件,在每个控制周期,经过模型预测控制算法的状态预测处理,得到未来一段时间内自动行驶小车的状态预测序列,其计算公式如下:xt+k=f(xt,ut)k=1,2,...,N

式中,xt+k为从当前时间t起的未来第k个时间步长,其中k从1到N的自动行驶小车状态,k为预测时域中的步数索引,表示从当前时间t起,未来第k个时间步长,f为状态转移函数,xt为自动行驶小车在当前时间t的状态,N为预测时域的总长度,ut为在当前时间t应用于自动行驶小车的控制输入;

根据状态预测序列,经过代价函数定义引入来评估路径的质量,得到路径质量评估结果,其中代价函数包括跟踪误差、控制输入的变化以及约束条件,其计算公式如下:式中,w1和w2为权重系数,J为路径的总成本或性能指标,为对从当前时间步t到未来时间步t+N的所有时间步长的代价进行求和,N为预测时域的总长度,tracking_error(xt+k,xtarget)为自动行驶小车的实际状态xt+k与期望目标状态xtarget之间的差异,control_effort(ut+k)为达到期望状态所需的控制输入ut+k的代价,xt+k为从当前时间t起的未来第k个时间步长,其中k从1到N的自动行驶小车状态,xtarget为在时间步t+k的期望目标状态,ut+k为在时间步t+k的控制输入;

利用数值优化技术对路径质量评估结果评估求解,得到未来一段时间内自动行驶小车的控制输入序列,并应用第一个控制输入在每个控制周期根据最新的系统状态重复优化,以实现路径跟踪与调整,得到第二优化路径。

4.根据权利要求1所述的自动行驶小车的路径规划方法,其特征在于,所述经过动态运动基元技术对第二优化路径进行平滑处理,得到符合自动行驶小车跟踪的平滑轨迹;通过获取激光雷达和惯性测量单元数据,应用激光雷达惯性同步定位与地图构建算法进行处理,已构建用于路径规划和避障的水下环境的三维地图,其中包括:根据第二优化路径的顶点序列,通过径向基函数神经网络对路径点进行动态调整,生成连续的平滑轨迹,其计算公式如下:式中,y(t)为在时间t时小车的位置或速度,N为用于生成轨迹的基函数数量,ωi为每个基函数对应的权重,Ψi为基函数,τi为基函数的中心,t为时间,i为索引变量;

获取激光雷达数据,根据激光雷达数据中的点云数据,经过点云处理和特征提取,得到环境的三维结构信息,其中点云处理的计算公式如下:Pglobal=T·Psensor

式中,Pglobal为全局坐标系下的点云数据,T为从传感器坐标系到全局坐标系的变换矩阵,Psensor为传感器坐标系下的点云数据;

获取惯性测量单元数据,根据惯性测量单元数据中的加速度和角速度信息,经过数据预处理和滤波处理,得到去噪后的惯性测量数据集;

通过三维结构信息和惯性测量数据集的紧耦合,利用同步定位与地图构建算法,结合图优化技术,实现对水下环境的三维建模,其中三维建模包括对水下地图的构建和更新,从而生成用于路径规划和避障的水下环境的三维地图。

5.根据权利要求1所述的自动行驶小车的路径规划方法,其特征在于,所述通过传感器融合感知对三维地图进行处理,提取出周围环境中动态障碍物的当前状态信息,利用预测模型构建处理,并基于障碍物的当前状态及其运动特征,预测其在未来一段时间内的行动轨迹,其中包括:利用随机样本一致算法识别和分离动态障碍物的特征点,其中通过随机选择数据点并拟合模型,计算模型和所有观测数据的残差,判断残差与预设的阈值大小,若残差小于给定的阈值时,将其判断为内点,将得到的所有内点进行聚集,得到动态障碍物的内点集,其中内点集包括动态障碍物的特征点信息;

根据内点集,利用支持向量机进行建模,得到动态障碍物的运动特征模型,其中运动特征模型用于预测障碍物的未来状态,其中支持向量机通过在特征空间中找到一个最优的超平面,将不同类别的数据进行分离,其计算公式如下:s.t.yi(w·φ(xi)+b)≥1-ξi,ξi≥0

式中,w为超平面的法向量,b为偏置项,ξi、ξ为松弛变量,C为惩罚参数,yi为类别标签,φ(xi)为映射到高维空间的特征向量,l为样本总数,i为数据集中的第i个样本,s.t.为指定优化问题中的约束条件;

基于动态障碍物的运动特征模型,利用卡尔曼滤波器动态更新障碍物的在未来一段时间内的预期轨迹,其中预期轨迹包括位置和速度信息,其计算公式如下:Pk|k-1=APk-1|k-1AT+Q

式中,为在时间k的先验状态估计,A为状态转移矩阵,B为控制输入矩阵,uk为控制输入,Pk|k-1为先验误差协方差矩阵,Q为过程噪声协方差矩阵。

6.根据权利要求1所述的自动行驶小车的路径规划方法,其特征在于,所述根据自动行驶小车跟踪的平滑轨迹和障碍物的未来行动轨迹,经过自适应控制系统实时调整处理,得到能够适应不同风浪和水流变化的稳定路径跟踪控制指令,从而完成自动行驶小车的路径规划,其中包括:基于自动行驶小车跟踪的平滑轨迹、障碍物的未来行动轨迹以及预设的自动行驶小车的动力学模型,经过实时风浪和水流数据的集成处理,得到自动行驶小车在风浪和水流影响下的运动状态,其中自适应控制算法通过调整控制参数,以适应环境的动态变化;

根据运动状态采用模糊逻辑控制法调整动态控制策略,计算出适应风浪和水流变化的路径跟踪控制指令,其中包括调整自动行驶小车的速度、方向和推进器力度,同时避开障碍物并适应变化的环境条件,从而完成路径规划和跟踪任务。

7.一种自动行驶小车的路径规划系统,基于权利要求1所述的自动行驶小车的路径规划方法,其特征在于,包括:获取模块:用于获取水下环境的声波传感器数据,其中声波传感器数据包括发射声波的频率、强度以及接收到的反射声波的时间戳和振幅信息,并根据发射声波的第一时间戳和接收声波的第二时间戳之间的差值,经过声波传播时间计算处理,得到水下地形的轮廓和障碍物的位置信息;

第一处理模块:用于基于水下地形的轮廓和障碍物的位置信息,经过动态环境建模处理,得到水下环境的动态模型,所述动态模型包括地形、障碍物分布以及水流影响;

计算模块:用于利用欧几里得距离作为启发式函数对水下环境的动态模型进行计算,得到从起点到终点的第一优化路径,其中第一优化路径为从水下环境的动态模型中计算得到的全局最短最优路径;结合第一优化路径,通过模型预测控制算法计算处理,得到符合自动行驶小车的运动学和动力学约束的第二优化路径,其中第二优化路径为考虑运动学和动力学约束后经过处理得到的路径,其中约束包括最大速度、加速度限制以及转向角度限制;

第二处理模块:用于经过动态运动基元技术对第二优化路径进行平滑处理,得到符合自动行驶小车跟踪的平滑轨迹;通过获取激光雷达和惯性测量单元数据,应用激光雷达惯性同步定位与地图构建算法进行处理,已构建用于路径规划和避障的水下环境的三维地图,其中惯性测量单元数据包括加速度、角速度、俯仰角和横滚角;

预测模块:用于通过传感器融合感知对三维地图进行处理,提取出周围环境中动态障碍物的当前状态信息,利用预测模型构建处理,并基于障碍物的当前状态及其运动特征,预测其在未来一段时间内的行动轨迹;

规划模块:用于根据自动行驶小车跟踪的平滑轨迹和障碍物的未来行动轨迹,经过自适应控制系统实时调整处理,得到能够适应不同风浪和水流变化的稳定路径跟踪控制指令,从而完成自动行驶小车的路径规划。

8.根据权利要求7所述的自动行驶小车的路径规划系统,其特征在于,所述计算模块,其中包括:计算单元:用于将水下环境的动态模型作为输入项输入至启发式函数中进行计算,在计算过程中选择具有最小f(n)值的节点作为当前节点,并将其从开放列表移动到关闭列表,对于当前节点的每个邻居节点,若它不在关闭列表中,计算其f(n)值,并根据需要更新其父节点、从起点到当前节点的实际代价以及启发式函数估计的代价值,重复上述过程,直到目标节点被添加到关闭列表中,或者开放列表为空,若找到目标节点,通过回溯每个节点的父节点来构建从起点到终点的路径,从而得到全局最短最优到达目标节点的路径,其计算公式如下:式中,(xn,yn)为当前节点的坐标,(xg,yg)为目标节点的坐标,h(n)为启发式函数估计的代价;

f(n)=g(n)+h(n)

式中,g(n)为从起点到当前节点的实际代价,h(n)为启发式函数估计的代价,f(n)为一个节点n的总代价估计,即第一优化路径。

9.根据权利要求7所述的自动行驶小车的路径规划系统,其特征在于,所述第二处理模块,其中包括:调整单元:用于根据第二优化路径的顶点序列,通过径向基函数神经网络对路径点进行动态调整,生成连续的平滑轨迹,其计算公式如下:式中,y(t)为在时间t时小车的位置或速度,N为用于生成轨迹的基函数数量,ωi为每个基函数对应的权重,Ψi为基函数,τi为基函数的中心,t为时间,i为索引变量;

提取单元:用于获取激光雷达数据,根据激光雷达数据中的点云数据,经过点云处理和特征提取,得到环境的三维结构信息,其中点云处理的计算公式如下:Pglobal=T·Psensor

式中,Pglobal为全局坐标系下的点云数据,T为从传感器坐标系到全局坐标系的变换矩阵,Psensor为传感器坐标系下的点云数据;

获取单元:用于获取惯性测量单元数据,根据惯性测量单元数据中的加速度和角速度信息,经过数据预处理和滤波处理,得到去噪后的惯性测量数据集;

结合单元:用于通过三维结构信息和惯性测量数据集的紧耦合,利用同步定位与地图构建算法,结合图优化技术,实现对水下环境的三维建模,其中三维建模包括对水下地图的构建和更新,从而生成用于路径规划和避障的水下环境的三维地图。

10.根据权利要求7所述的自动行驶小车的路径规划系统,其特征在于,所述预测模块,其中包括:判断单元:用于利用随机样本一致算法识别和分离动态障碍物的特征点,其中通过随机选择数据点并拟合模型,计算模型和所有观测数据的残差,判断残差与预设的阈值大小,若残差小于给定的阈值时,将其判断为内点,将得到的所有内点进行聚集,得到动态障碍物的内点集,其中内点集包括动态障碍物的特征点信息;

建模单元:用于根据内点集,利用支持向量机进行建模,得到动态障碍物的运动特征模型,其中运动特征模型用于预测障碍物的未来状态,其中支持向量机通过在特征空间中找到一个最优的超平面,将不同类别的数据进行分离,其计算公式如下:s.t.yi(w·φ(xi)+b)≥1-ξi,ξi≥0

式中,w为超平面的法向量,b为偏置项,ξi、ξ为松弛变量,C为惩罚参数,yi为类别标签,φ(xi)为映射到高维空间的特征向量,l为样本总数,i为数据集中的第i个样本,s.t.为指定优化问题中的约束条件;

更新单元:用于基于动态障碍物的运动特征模型,利用卡尔曼滤波器动态更新障碍物的在未来一段时间内的预期轨迹,其中预期轨迹包括位置和速度信息,其计算公式如下:Pk|k-1=APk-1|k-1AT+Q

式中,为在时间k的先验状态估计,A为状态转移矩阵,B为控制输入矩阵,uk为控制输入,Pk|k-1为先验误差协方差矩阵,Q为过程噪声协方差矩阵。