《低速环境下无人驾驶智能车路径规划及避障策略 丁永哲》由会员分享，可在线阅读，更多相关《低速环境下无人驾驶智能车路径规划及避障策略 丁永哲（16页珍藏版）》请在金锄头文库上搜索。
1、低速环境下无人驾驶智能车路径规划及避障策略 丁永哲摘要：智能车的导航策略和避障方法作为无人驾驶系统对外界环境感知和处理 的核心技术，其功能实现主要是使智能车能够无碰撞的、满足一定性能指标(时 间、能量等)从当前状态移动到目的状态。而作为无人驾驶智能车系统中的核心 组成部分，对于其研究和设计则显得不可或缺。论文首先阐述了无人驾驶智能车技术发展现状，介绍了与局部避障和全局导 航相关的基础理论研究，并基于动力学、运动学建立了智能车的数学模型，使用 Gmapping 算法对智能车所处的周身环境进行了建模。为了尽可能提高智能车避 障和导航的能效性，论文根据已有理论分析了多种导航和避障策略在半结构化低 速
2、环境下应用的优缺点，设计了基于激光雷达传感器数据建环境地图，局部避障 与全局导航相结合的智能车避障导航系统。其次，研究了局部避障策略中多传感器组合方案，基于超声波测距传感器和 激光测距传感器建立近距离避障传感器组合，对其无人车采集数据进行融合处理。 为降低融合算法的冗余度，将联合卡尔曼数据融合算法中子滤波器替换为互补滤 波器，得到优化后数据融合算法。通过仿真分析可得该优化的数据融合算法提高 了检测障碍物距离的精确度，降低了算法融合运行时间。再次，以智能车无碰撞、且避碰路径最短为判断准则，基于优化的A*算法结 合高优先级的近距离避障策略，设计了智能无人车避障导航方案，从而实现对智 能车的自主移动
3、导航，并通过软件仿真验证，该策略方案能够保持智能车在低速 环境下无碰撞的、以最短路径抵达目标地点，证明了该设计方案的合理性。最后，设计了半结构智能车仿真测试硬件系统，通过智能车样车对提出的避 碰导航系统进行测试，证明了基于优化的A*算法的避障导航方案在智能车的路径 规划中的有效性和可行性。关键词：无人驾驶；智能车；Gmapping；优化A*算法；联合卡尔曼算法1 绪论1.1 课题研究背景与意义无人驾驶智能车(Driverless smart car)又称为智能轮式移动机器人。理论上 它被解释为一类能够借助一定方式感知周围环境和车辆自身状态，能够实现行驶 在有障碍物的路段或其它环境中面向设定目标
4、的自主运动，进而完成设定作业功 能的机器人系统16。这类机器人不同于其他机器人之处在于凸显了独特的移动 方式和应用场景，是一类在尖端科学领域和平常生活中都有广泛应用和科研价值 的类别。对于它的研究，包含了经济、国防、科技、教育、文化和生活等众多领 域，人们对它的关注度也越来越高，随着近年MCU微处理器以及传感器的高速 发展，超大规模集成电路系统(VLSI System)的普及，传感器数据融合、动态环境 建模与定位、导航策略等诸多相关领域算法得以在智能车上实现。与此同时，对 无人驾驶技术的研究也成为当今研究热点领域之一。进入二十一世纪，国家经济依然保持高速发展阶段，人民生活水准不断提高 其中，汽
5、车工业领域和智能化领域也呈现井喷式高速发展。 2011年7月，我国机 动车保有量达到2.19 亿辆，回顾上世纪八十年代，我国汽车社会保有量才仅仅为 1219 万辆。数量增长让整个世界都为之震惊。这一发展一方面改变了人们的生活 习惯，改变了人们的出行方式，与此同时也带来了很多社会问题。就目前较为突 出的几个方面，安全事故、尾气污染、交通堵塞等，让各个领域的研究者和人们 头疼不已。为了解决上述问题，诞生了无人驾驶智能汽车、城市公共轨道交通， 使用绿色能源的新能源汽车等各种新概念汽车。其中，无人驾驶智能车的研究以 及实验表明在减少交通事故，降低驾驶人员驾驶疲劳，优化城市交通环境等方面 有着卓越表现，
6、从而受到了相关领域科研人员的关注与青睐。按照智能车应用环境，可以大致分类为高速公路环境、城市低速环境和特殊 环境。城市低速环境包含一般的城市道路，也包括企业库房、商厂、机场、住宅 区、公园等。这些运行环境对智能车提出了更高的要求，需要保障准确性、安全 性、交互性、舒适性等众多影响因素9。然而事实证明，在可以提前确定的环境中，与智能车导航与避障策略相关的 研究已经取得了可观的成果和应用，但在未知环境中，相关研究取得的成果并不 够实现人们的期望目标。在这个领域，还没有形成成熟和完善的体系结构，只有 较少的先见知识，还有很多关键理论和实验有待研究和验证。在此背景下，论文进一步研究了低速环境下无人驾驶
7、智能车的车体硬件结构 平台设计、传感器组合、导航策略和障碍物检测方法。符合目前智能车的发展方 向，对于其在相关领域的应用提供经验并有着十分深远的意义。.2 国内外研究现状 在智能车研究领域，美国、德国、法国和日本等少数发达国家一直处与世界 领先地位。它的发展历史可追溯到20 世纪60 年代，在这历史的慢慢长河中，取 得较为明显成果的有NavLab系列智能车，典型型号有NavLab-1系统、NavLab-5 系统和 NavLab-11 系统等。图 1.1NavLab-1 系统结构框图NavLab-1系统在80年代设计完成并投入实验，成功完成了以10Km/h的运行 速度在非结构化道路上行驶，在典型
8、结构化道路上运行速度可以更高。车辆传感 器选用了 1台ERIM激光雷达测距仪，1台JVC BY110U带云台彩色摄像机，激光 雷达，单点激光测距模块等，并配备了三台计算机作为处理器。系统体系结构图 如图1.1 所示。其系统的体系结构十分典型，至今依然具有很大的借鉴意义。系 统划分为三个功能模组，一台Sun 3/75计算机处理ERIM激光测距仪数据；一台 Sun 3/75计算机负责对JVC摄像机采集的视频信号进行处理，数据首先会被帧缓 冲器进行一级处理，再传至计算机进行二级处理；一台 Sun 3/75 计算机作为控制 器间的中转桥，将三个执行传感器所需要的执行数据以及反馈数据传输。三台计 算机通
9、过局域网两两互联，可以实现数据共享也可以进行处理，底层执行机构通 过 Intel 多总线连接驱动执行器、转向执行器和状态传感器。提高了数据传输速率 降低了执行机构响应时间。NavLab-1的环境感知传感器安装结构特点在云台摄像 机安装在测距仪的上方，激光测距仪的响应时间和数据量都远小于摄像机，可以 作为摄像机的冗余系统补偿其特性缺陷。在智能车研究的编年史里，二十世纪90年代，VaMoRs-P型无人驾驶智能车 系统在当时十分闪耀。该无人车结构体系以 Mercedes-Benz 500 作为车体移动平 台。传感器选用融合了加速度计和角度传感器的陀螺仪、速度传感器、执行机构 状态参数测量仪器和两组双
10、目视觉图像处理系统构成。数据处理部分选择使用两 台计算机和一台基于Transputer的分布并行处理单元构成。实现了 1600公里的 无人自主驾驶，其导航与避障性能在同时期比较及其突出。智能车的行驶环境大多为路面，将行驶环境分为两个部分，其一是结构化道 路，另一个便是非结构化道路。结构化道路具有比较清晰的道路标示和较好的路 面行驶环境，道路特征比较全面和突出，容易被相关传感器检测到，例如高速公 路、城市主干道路等10。相比而言，非结构化道路相比较结构化道路就没有那 么明显的道路标志了，一般指城市非主干道、乡间道路或其他结构化程度低的环 境路面，这类道路没有明显的道路特征，环境较为恶劣，道路背景
11、也比较复杂， 因此也成为了无人驾驶技术中道路识别部分的主要研究方向19。2001 美国国防 部设立无人驾驶技术研发项目，研制了一辆无人驾驶侦查车，命名为Demo III系 统。该系统最大的特点在于能够轻松行驶在结构化道路和非结构化道路上，即便 是在两种路况环境下切换成功率和安全系数都非常高。与此同时，它能够实现单 车运行以及编队运行。该系统传感器选择了立体视觉摄像头系统、多频段雷达组 合系统（多个频段能够穿透的障碍物不同，实现了在同一纬度的障碍物识别扩 展）、超声波测距模块、激光测距模块、GPS导航以及陀螺仪。并使用数据融合 算法对各个传感器回传的数据进行了融合，发挥了重要作用，成功的使该系统
12、在 复杂的天气环境情况下，例如雨天、雾天、沙尘天气等中均保持准确的障碍物判 断并实现精准导航，通过处理器给出合理的行驶方案，控制车辆行驶路径和安全 的行驶速度，从而实现了真正意义上的无人驾驶侦察功能。在无人驾驶智能车领域，我国研究起步的比较晚，先见经验少，主要研究人 员集中在研究院和各大高校。因为我国城乡结构梯度跨度较大，道路交通发展受 限，种种因素导致智能车研究在一段时间内发展比较缓慢。 80 年代末，国防科技 大学开始将目光投降智能车领域，逐步研制出多型号CITAVT系列无人驾驶智能小 车。在2000年，该校最新型号CITAVT-IV型新一代地面无人驾驶车问世。该车移 动平台选用了 BJ2
13、020SG 吉普车，搭载的无人驾驶系统实现了两个突出的功能， 一是在非结构化道路上的低速自主驾驶，另一个是在结构化道路上的自主驾驶。 车载传感器方案选用了图像采集处理器作为主要的感知传感器，配合里程计数码 盘、激光陀螺仪、磁敏感转速仪等车辆位姿传感器。通过视觉导航加传感器避障 策略实现了在结构化道路上75Km/h左右速度的自主航行。现场实验图如图1.2 所示：图1.2CITAVT-IV现场实验图我国企业在智能车研究的行列中，百度在2013年与国内第三方汽车厂商签署 了百度无人驾驶车项目，该项目由百度研究院主导研发，其核心技术为“百度汽车 大脑”，该项目在 2015 年成功推出第一辆百度无人驾驶
14、车。在该系统中，导航控 制体系包含高精度地图、定位、感知、智能决策四个模块，可自动识别交通指示 牌和行车信息，只要车主将目的地输入导航系统，汽车就可以自动前往目的地。 该项目至今取得的实验成果在国内属于领先地位， 2018年2月15日，新一代 Apollo 型智能车成功行驶在珠港澳大桥上，完成各种具有代表性和技术难度的无 人驾驶模式下的动作。我国无人驾驶技术目前在结构化道路上取得了较多的成果和经验理论，在非 结构化道路方面，虽然已经开展了相关研究，但是缺少先见经验，理论空白还有 很多。无论在哪种环境下工作，智能车运行对设定功能的完成度和安全性是首当重 要的。高精度传感器和高性能处理器的价格和数
15、据处理量是否与功能要求匹配需 要我们进行探索。低速环境下不同于其他应用场景，具有一定的优越条件从而降 低了对传感器和处理器的要求，所以如何利用较低成本的传感器实现某些特定环 境下的智能车功能具有一定的研究意义。国内高校在该背景下联合举办了全国大学生智能汽车竞赛，鼓励大学生参赛 队伍制作一个能够自主识别路径的智能车，以时间最短为衡量性能指标，在专门 设计的结构化跑道上自动识别道路元素并实现无碰撞行驶。比赛包含多个组别， 电磁组、光电组、摄像头组、直立组、双车追逐组等。各个组别或使用独立传感 器，或使用组合传感器对预先设计的赛道进行识别，例如使用 CCD 摄像头、灰度 模拟采集摄像头、磁场感应器、
16、超声波测距模块、激光测距模块等。以较为贴近现实行驶路况的双车追逐组别来说，系统设计选用两辆小型车辆 模型，分别搭载各自的微处理器芯片，一般设计选用单核(单个MCU芯片)或 双核系统进行传感器数据处理、导航和通讯。传感器选用模拟摄像头采集道路图 像，经过硬件电路阈值处理可转化为二值化图像，或者使用数字处理器，将图像 进行逆透视处理，再使用动态阈值法将道路特征提取出来。避障传感器选用超声 波测距模块、单点测距激光雷达，磁场传感器等，使用归一化算法将传感器采集 的数据进行处理，然后进行数据融合，得到较优得的避障策略，实现单车避障和 导航。该系统设计可以完成设计道路的最优速度航行，十字路口、环岛、大小 S 型弯道、坡道等诸多道路元素的识别和导航，并且能够做到车辆跟随、超车、汇 车避让、规定区域内停车等多种现实路况中会出现的行为。车辆模型设计图如图1.3 所示。电磁组设计面向对象为铺设了电磁引导线的结构化道路。选用电感阵列，超 声波测距模块，激光测距模块等传感器识别道路特征
