基于神经网络和动态窗口法的无人车局部路径规划方法

本发明属于无人车路径规划，特别涉及一种基于神经网络和动态窗口法的无人车局部路径规划方法。

背景技术：

1、路径规划是无人车运动规划系统的核心部分，合理的路径可保证无人车快速准确到达目的地的同时安全有效地躲避障碍物，包括全局路径规划和局部路径规划。其中全局路径规划是在已知全局的环境中规划路径，局部路径规划是在未知环境或动态环境中规划路径。由于无人车往往无法获取地图全局环境信息，因此局部路径规划应用范围更加广泛。

2、传统局部路径规划方法中，在存在多个障碍物或复杂地形的情况下，算法可能会陷入局部极小值，使得无人车不能安全到达目的地。此外，传统的局部路径规划方法通常是为特定场景设计的，缺乏泛化到不同环境的学习能力。当遇到未经验证的环境时，可能无法有效工作。基于神经网络的局部路径规划方法已经有了许多可行方案，但其规划结果往往是一条轨迹，还需通过循迹算法来实际控制无人车运动，在运动过程中没有对障碍物的检测易碰到障碍物，且不便于直接部署应用。

技术实现思路

1、为了解决上述问题，本发明的目的在于提供一种基于神经网络和动态窗口法的无人车局部路径规划方法。

2、为了达到上述目的，本发明提供的基于神经网络和动态窗口法的无人车局部路径规划方法包括按顺序进行的下列步骤：

3、1)基于无人车工作环境，批量生成栅格地图并利用a*算法规划出全局最优路径，然后对全局最优路径进行采样以获取各种局部环境情况及对应的方位角动作，建立数据集，并将数据集按比例划分为训练集和测试集；

4、2)构建残差神经网络，然后利用上述训练集中的训练数据对残差神经网络进行迭代优化，得到训练后的残差神经网络；

5、3)利用测试集对上述训练后的残差神经网络进行评估，评测训练后的残差神经网络是否能够达到预期效果，如果评估结果为是，获得优化残差神经网络，否则返回步骤1)；

6、4)利用无人车上的传感器扫描当前环境信息而获得地图信息矩阵，然后输入上述优化残差神经网络进行路径规划，获得对应的规划方位角动作；

7、5)基于上述规划方位角动作，通过动态窗口法获得对应的最佳角速度和最佳线速度，然后无人车根据所述的最佳角速度和最佳线速度运动至下一位置；

8、6)无人车运动时不断检测目标点是否出现在检测窗口内且无人车与目标点之间无障碍物阻隔；若检测结果为是，则视为导航完成，无人车直接直线运动至目标点并结束导航；否则在无人车以最优轨迹对应的最佳角速度和最佳线速度运动一定时间后，重复步骤4)-5)，立刻开始下一次规划过程，并以下一次规划出的最优运动轨迹进行运动，重复此过程直到导航完成。

9、在步骤1)中，所述基于无人车工作环境，批量生成栅格地图并利用a*算法规划出全局最优路径，然后对全局最优路径进行采样以获取各种局部环境情况及对应的方位角动作，建立数据集，并将数据集按比例划分为训练集和测试集的具体方法如下：

10、1.1)选定无人车工作环境，对该工作环境进行建图，从图中提取出地形、地物在内的地理信息；

11、1.2)将上述地理信息输入arcgis、gis在内的地图软件，批量生成大量具有相似地理信息的栅格地图，然后在栅格地图中随机指定起始点和目标点，并利用a*算法规划出全局最优路径；

12、1.3)在上述全局最优路径中每隔一定距离设置一个采样点作为当前采样点，采集以当前采样点为中心周围7×7栅格范围内的地图信息矩阵并作为当前采样点的局部环境情况；

13、1.4)对于上述地图信息矩阵内的每个栅格，如果该栅格内具有障碍物，则将-1标记在该栅格内，否则将栅格中心点至目标点的欧式距离标记在该栅格内；

14、1.5)计算下一采样点和当前采样点的连线与水平方向间的夹角并作为当前采样点的方位角动作；

15、1.6)以当前采样点的局部环境情况作为输入，对应的方位角动作作为输出，组成一组完整的训练数据，对批量生成的栅格地图中的所有全局最优路径进行采样即可得到足够的训练数据，由所有训练数据构成数据集，并将数据集按9：1的比例划分为训练集和测试集。

16、在步骤2)中，所述构建残差神经网络，然后利用上述训练集中的训练数据对残差神经网络进行迭代优化，得到训练后的残差神经网络的具体方法如下：

17、2.1)构建包括输入层、池化层、残差层、恒等映射层和输出层的残差神经网络；所述残差神经网络中的残差层和恒等映射层的数量均为20-30层，残差层与所述恒等映射层之间为全连接；

18、2.2)将训练集中的局部环境情况输入上述残差神经网络，得到残差神经网络的输出值m；

19、2.3)利用式1所示的均方误差损失函数计算出上述残差神经网络的输出值m与训练集中对应的方位角动作n的损失值y：

20、y＝(n-m)2 (1)

21、2.4)根据上述损失值y，分别更新残差神经网络的残差层和恒等映射层之间的连接权值、隐含层的阈值和输出层的阈值；

22、2.5)重复步骤2.2)至2.4)，当残差神经网络的输出值m与对应的方位角动作n之间的损失值y小于预设误差阈值时，完成残差神经网络的训练，得到训练后的残差神经网络。

23、在步骤3)中，所述利用测试集对上述训练后的残差神经网络进行评估，评测训练后的残差神经网络是否能够达到预期效果，如果评估结果为是，获得优化残差神经网络，否则返回步骤1)的具体方法如下：

24、3.1)将所述测试集中的局部环境情况输入训练后的残差神经网络得到待检测输出数据集x，待检测输出数据集x中的具体数据为训练后的残差神经网络输出的方位角动作；

25、3.2)利用式(2)计算待检测输出数据集x中方位角动作与测试集中对应的方位角动作z之间的均方误差w，以均方误差w来衡量测试集中残差神经网络的输出和真实输出之间的整体误差程度；

26、

27、其中，n为待检测输出数据集x的数据总数；

28、3.3)当均方误差w小于0.01时，表明已达到训练后的残差神经网络的预期效果，获得优化残差神经网络，否则返回步骤1)。

29、在步骤4)中，所述传感器包括激光传感器、超声波传感器、激光雷达、深度相机、gps。

30、在步骤5)中，所述基于上述规划方位角动作，通过动态窗口法获得对应的最佳角速度和最佳线速度，然后无人车根据所述的最佳角速度和最佳线速度运动至下一位置的具体方法如下：

31、5.1)建立如式(3)所示的无人车关于速度和角速度的运动学模型：

32、

33、其中，(x,y)为无人车的当前位置坐标，θt为无人车的航向角，v为无人车的线速度，w为无人车的角速度，δt为无人车的运动时间区间，取3秒；

34、5.2)根据无人车的当前速度、加速度在内的物理限制约束条件，确定无人车能达到的速度空间，并在速度空间内采样获取一对速度组合(v,w)；

35、5.3)将无人车的当前位置坐标(x,y)和航向角θt，以及上述速度组合(v,w)代入无人车关于速度和角速度的运动学模型，获得无人车在运动时间区间δt内的运动轨迹；通过采样获得一系列速度组合(v,w)，对应获得一系列无人车的运动轨迹；

36、5.4)对上述获得的一系列无人车的运动轨迹，使用综合评价函数选取出最优运动轨迹；

37、5.5)获取最优运动轨迹对应的速度组合即可得到最佳角速度和最佳线速度；

38、5.6)无人车根据所述的最佳角速度和最佳线速度运动至下一位置。

39、所述综合评价函数的公式为：

40、g(v,w)＝σ(α*heading(v,w)+β*dist(v,w)+γ*velocity(v,w)) (4)

41、其中，heading(v,w)为航向角评价函数，dist(v,w)为障碍物距离评价函数，velocity(v,w)为速度评价函数，σ、α、β、γ为权重系数；三种评价函数相加构成了综合评价函数，以此作为标准筛选时间窗内的最优运动轨迹。

42、本发明提供的基于神经网络和动态窗口法的无人车局部路径规划方法具有如下有益效果：以神经网络规划无人车下一步动作，避免了局部最优和狭窄空间难以处理的问题，保证了在复杂环境下的目标可达性；以动态窗口法实际控制无人车运动，保证了无人车避障的绝对安全；具有自主学习能力，可以适应各种不同的工作环境；直接在速度空间进行规划也方便直接用于实际部署。