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: 202510208552X
申请人: 南京林业大学
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:

1.一种基于二维激光雷达点云的多无人车编队避障方法,其特征在于,包括如下步骤:将多个无人车按照预设的集群队形摆放,并在各无人车上配置二维激光雷达,以对相应无人车周围的环境信息进行感知,获取各二维激光雷达在扫描范围内对应的障碍物点云,预处理后即可获得相应无人车的局部二维点云;

将所获得的局部二维点云转换为局部三维点云,并对所得到的局部三维点云进行三维方向上的膨胀,形成全局三维点云地图;

基于所形成的全局三维点云地图,构造全局三维占据栅格地图;

基于所构建的全局三维占据栅格地图,获取避障路径点;

对避障路径点进行曲线拟合,以获得避障路径拟合曲线;

基于所获得的避障路径拟合曲线,采用优化项构建轨迹优化问题;优化项包括曲线光滑度、速度、加速度以及避障距离;

针对无人车的集群队形问题,采用分布式共享网络进行实时广播自车和其他车的实时定位坐标,同时利用无向图优化的方法在轨迹优化问题中构造编队约束,对上述轨迹优化问题进行求解,即可得到每辆无人车行驶的最优轨迹;

采用LMPC轨迹跟踪算法对所获得的最优轨迹进行跟踪:设计该无人车的系统模型为线性时不变系统,并设计满足线性时不变系统的速度约束条件和加速度约束条件;根据获得的最优轨迹设计最优代价函数进行优化求解,最终得到最优控制输出线速度和角速度,以实现无人车在复杂场景下编队避障运行。

2.根据权利要求1所述的基于二维激光雷达点云的多无人车编队避障方法,其特征在于,全局点云地图的构建,具体包括如下步骤:针对局部二维点云LaserScan的扫描点云起始弧度angle_min和扫描点云终止弧度angle_max的结束角度,提取上述范围内的二维坐标点;

将各二维坐标点一一转换为三维坐标点,形成局部三维点云;转换公式为:其中,angle为计算得到的二维激光的角度信息,range为每个测量点所得到的距离信息,h代表三维点云自定义的高度信息;px,py,pz代表二维坐标点转换得到的局部三维点云位置信息;

对局部三维点云位置信息,在z轴方向上保持各三维点云对应的x,y坐标不变,向上和向下进行扩展,最终得到膨胀后的三维点云,以形成全局三维点云;

将得到的全局三维点云进行机器人局部坐标系向世界坐标系下的转换,以获得世界坐标系下的点云,变换公式如下所示:Pti=RiPi+Ti (2)

式中:Pi表示第i个无人车的全局三维点云;Pti表示全局三维点云Pi经过坐标系变换后的世界坐标系下的点云;Ri表示坐标系变换的旋转矩阵;Ti表示坐标系变换的平移矩阵;

世界坐标系下的点云Pti形成的区域即为三维点云地图。

3.根据权利要求1所述的基于二维激光雷达点云的多无人车编队避障方法,其特征在于,全局三维占据栅格地图的构建,具体包括如下步骤:步骤3.1、针对得到的世界坐标系下的点云Pti,计算三维点云地图的长l、宽w、高h,计算公式如下所示:式中:xmin表示三维点云地图在x方向上的最小边界值,ymin表示三维点云地图在y方向上的最小边界值,zmin表示三维点云地图在z方向上的最小边界值,xmax表示三维点云地图在x方向上的最大边界值,ymax表示三维点云地图在y方向上的最大边界值,zmax表示三维点云地图在z方向上的最大边界值;r表示三维点云地图的分辨率;

步骤3.2、针对第i个三维点云位置坐标xi,yi,zi,计算第i个三维点云的栅格位置ixi,iyi,izi,计算公式如下所示:步骤3.3、计算第i个三维点云位置的栅格索引值indexi,计算公式如下所示:indexi=ixiwh+iyih+h (5)

上述栅格设为被占据,不被遍历的栅格设置为空闲,根据上述公式即可构造全局三维占据栅格地图。

4.根据权利要求1所述的基于二维激光雷达点云的多无人车编队避障方法,其特征在于,采用Informed-RRT*算法对所构建的全局三维占据栅格地图进行采样,以获得避障路径点,具体是:Informed-RRT*算法采用标准椭圆方程作为边界定义,以起点xstart和终点xgoal,标准椭圆方程为:起点xstart和终点xgoal之间的距离设为标准椭圆方程的左右焦点距离c,距离值设为cmin,椭圆长轴距离a设为cbest;

在椭圆采样区域中进行采样并不断迭代,通过距离值cbest逐渐减小来缩短采样范围进而得到避障路径点。

5.根据权利要求1所述的基于二维激光雷达点云的多无人车编队避障方法,其特征在于,采用MINCO曲线进行避障路径点的拟合,具体是:将第i段轨迹按照相同时间间隔Ti分成mi段曲线,每个曲线均由一个n阶多项式表达,其中n的表达式为:n=2s-1 (7)

式中,s代表需要保证轨迹连续的最小阶次;

第i段轨迹的第j个曲线,基于时间t的N阶表达式表示为:其中,多项式系数的计算公式如下所示:

式中:表示实数,Ti代表第i段轨迹的总时间,t代表离散时间;

计算轨迹离散位置pi(t)的表达式为:

6.根据权利要求1所述的基于二维激光雷达点云的多无人车编队避障方法,其特征在于,获取每辆无人车行驶的最优轨迹,具体包括:设计代价方程,其表达式如下所示:

其中,J(ci,j,Ti)为设计的代价函数,μi(t)表示为第i段拟合曲线方程,Ti表示为第i段拟合曲线方程的总时间,wT表示时间优化权重;

计算代价方程对决策变量ci,j,Ti的梯度:

设计约束条件如下所示:

上式中:mi代表曲线数量,n代表多项式阶数;μi(t)表示第i段拟合曲线方程;表示第i段轨迹方程;表示第0段轨迹的起点,记为P0,表示第n段轨迹的终点,记为Pf;表示每i段轨迹在Ti处计算的位置点,记为Pi;第i+1段轨迹在初始位置的位置点;表示每i段轨迹的第j段在时间δTi处的位置点;表示每i段轨迹的第j+1段的起始位置点;

在约束条件中增加加速度约束

其中,vm表示最大速度,表示速度曲线;一阶函数表达式如下所示:将加速度拆分成切向加速度at和法向加速度an分别进行约束,切向加速度约束和法向加速度约束定义如下:其中,atm,anm分别表示最大切向加速度和最大法向加速度,表示速度曲线;一表示加速度曲线;B表示常值矩阵;

切向加速度约束关于速度的一阶导数法向加速度约束关于速度的一阶导数切向加速度约束关于速度的二阶导数法向加速度约束关于速度的二阶导数表达式如下所示:在约束条件中增加曲率约束

其中,κm代表曲率最大值,其中B同公式16中的B,为常值矩阵,表达式如下所示:曲率关于速度的一阶导数表达式和曲率关于加速度的一阶导数表达式如下:其中,代表速度曲线的转置矩阵、速度曲线、加速度曲线的转置矩阵、加速度曲线;

设计超平面约束PH,表达式如下所示:

其中,p代表无人车位置,A和b代表超平面系数,n代表超平面个数、R,Ie分别代表旋转矩阵和单位矩阵;

无人车的避障约束定义为:

Gζ(p)=Ai(p+RIe)-bi,i∈[0,n] (22)式中:Ai表示无人车的避障约束针对位置的一阶导数即:构建的无向图模型:设第i个无人车与相邻第j个无人车的权重为wij,得到加权无向图,设计无向图的邻接矩阵A、度矩阵D和拉普拉斯矩阵L;拉普拉斯矩阵L的计算公式为:L=D-A (24)

通过度矩阵D对拉普拉斯矩阵L进行归一化处理得到对称规范拉普拉斯阵F,设计表达式如下所示:F=I-D-1/2AD-1/2 (25)

其中针对无向图约束Gf,根据现有队形Fc以及期望队形Fr设计编队约束:Gf(p)=||Fc-Fr||2       (26)其中,编队关于位置的一阶导数表达为:

对上述优化问题J以及对应的约束条件,采用无约束优化求解的方式得到最优轨迹,得到一系列位置和速度信息,供路径跟踪算法使用。

7.根据权利要求1所述的基于二维激光雷达点云的多无人车编队避障方法,其特征在于,采用LMPC轨迹跟踪算法对所获得的最优轨迹进行跟踪,以实现无人车在复杂场景下编队避障运行,具体流程为:采用两轮差速模型进行无人车的运动学分析,表达形式如下所示:需要对运动模型进行线性化,系统状态设为z,具体表达式为:其中,A,B,C,u表达式分别为:

其中,v为车辆纵向速度,ω为转弯的角速度,φ为车辆航向角;

设LMPC控制器的预测步数为N,无人车的控制周期为T,以未来N个周期内的控制序列U={uk,uk+1,...,uk+N-1}为决策变量,其中k为机器人的当前控制周期,设计代价函数J(xk,uk),表达式如下所示:其中,Q为控制约束,R1为控制变化的约束;xk为无人车当前位置的横坐标;rk为无人车期望位置的横坐标;uk为无人车速度控制量;xN为N个步长之后的无人车位置横坐标;rN为N个步长之后的无人车期望位置横坐标。

求解上述最优问题,得到无人车的车辆纵向速度和角速度。

8.一种电子装置,包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序,该计算机程序运行执行所述权利要求1至7中任一项权利要求所述的基于二维激光雷达点云的多无人车编队避障方法。