技术特征：
1.基于分层监测域和自适应人工势场法的车辆路径规划方法，其特征在于：包括以下步骤：步骤一：利用分层监测域模型获取无人驾驶车辆的速度：设定无人驾驶车辆的动态监测域，根据障碍物在动态监测域中的位置，计算当前无人驾驶车辆的行驶速度；步骤二：计算无人驾驶车辆所受到的合力；障碍物对无人驾驶车辆产生斥力作用，目标点对无人驾驶车辆产生引力作用，所述合力为斥力和引力的和；步骤三：根据当前无人驾驶车辆的行驶速度和无人驾驶车辆所受到的合力，计算下一个路径点的位置；然后无人驾驶车辆移动到下一位置；步骤四：判断无人驾驶车辆是否到达目标点；如果无人驾驶车辆到达目标点，则步骤结束，输出无人驾驶车辆已经到达目标点；如果无人驾驶车辆未到达目标点，则转至步骤五；步骤五：判断无人驾驶车辆是否陷入局部极小值点；如果无人驾驶车辆未陷入局部极小值点，则转至步骤一；如果无人驾驶车辆陷入了局部极小值点，则转至步骤六；步骤六：以距离无人驾驶车辆最近的障碍物为中心，无人驾驶车辆与障碍物之间的距离为半径，构造出斥力等势圈，判断目标点是否在斥力等势圈内；若目标点在斥力等势圈范围外或在斥力等势圈上，则采用切点-贝塞尔曲线模型引导无人驾驶车辆摆脱局部极小值点或震荡点区域；若目标点位于斥力等势圈内部，则使用虚拟随机引导策略引导车辆摆脱局部极小值点或震荡点区域；然后转至步骤四。2.如权利要求1所述的基于分层监测域和自适应人工势场法的车辆路径规划方法，其特征在于：在步骤一中，利用分层监测域模型获取无人驾驶车辆的速度的具体过程为：将监测域分为level
σ0
、level
σ1
、level
σ2
三个预警级别：其中，d
min
为无人驾驶车辆到各障碍物的欧几里得距离的最小值，r
σ
为动态监测域的半径长度，r1为内圆距离半径，level表示分层监测域的预警级别；定义count1统计车辆速度随迭代次数增加而递增的次数，定义count2统计车辆速度随迭代次数增加而递减的次数；利用分层监测域模型获取无人驾驶车辆速度的执行流程如下：s2.1令count1＝0，count2＝0；转至步骤s2.2；s2.2无人驾驶车辆监测周围障碍物的位置，利用公式(1)，判断无人驾驶车辆的分层监测域的预警等级，转至步骤s2.3；s2.3若当前预警等级为level
σ0
，则令count1＝count1+1，count2＝0，然后令v
σ0
＝countl*v
β
，如果v
σ0
大于v
α
，则令v
σ0
＝v
α
；若当前预警等级为level
σ1
，则令count2＝count2+1，count1＝0，然后令v
σ0
＝v
σ0-v
β
，如果v
σ0
小于v
β
，则令v
σ0
＝v
β
；若当前预警等级为level
σ2
，则令v
σ0
＝v
β
；其中，v
σ0
为当前无人驾驶车辆的行驶速度；无人驾驶车辆行驶速度的上限值v
α
＝2/5*
r
σ
，下限值v
β
＝0.2m/s。3.如权利要求1所述的基于分层监测域和自适应人工势场法的车辆路径规划方法，其特征在于：在步骤二中，无人驾驶车辆所受到的合力的计算公式如下所示：无人驾驶车辆当前位置的坐标为q＝(x
veh
，y
veh
)
t
，目标点的坐标为q
goal
＝(x
goal
，y
goal
)
t
，障碍物的坐标为q
oi
＝((x
oi
，y
oi
)
t
；无人驾驶车辆所受到的引力f
att
(q)如式(2)所示：f
att
(q)＝k
att
·
ρ(q，q
goal
)
ꢀꢀ
(2)其中，k
att
为引力增益系数，ρ(q，q
goal
)＝||q
goal-q||，即为无人驾驶车辆到目标点的欧几里得距离；无人驾驶车辆所受到的第i个障碍物的斥力f
rep，i
(q)如式(3)所示：(q)如式(3)所示：(q)如式(3)所示：其中，η为斥力增益系数，ρ0为斥力场半径，ρ
i
(q，q
oi
)表示无人驾驶车辆到障碍物的欧几里得距离，ρ(q，q
goal
)为无人驾驶车辆当前位置到目标点之间的相对距离，m为一个大于0的任意整数，f
rep1，i
(q)的方向是由障碍物指向无人驾驶车辆，该力对无人驾驶车辆产生斥力作用，f
rep2，i
(q)的方向是由无人驾驶车辆指向目标点，该力引导无人驾驶车辆向目标点移动；无人驾驶车辆所受到的合力f
sum
在x轴、y轴上的合力分量f
sumx
、f
sumy
的计算过程如下所示：其中，n为障碍物的数量，i表示第几个障碍物，f
attx
(q)、f
atty
(q)分别为f
att
(q)在x轴、y轴的引力分量；f
rep，ix
(q)、f
rep，iy
(q)分别为f
rep，i
(q)在x轴、y轴的斥力分量。4.如权利要求1所述的基于分层监测域和自适应人工势场法的车辆路径规划方法，其特征在于：在步骤三中，无人驾驶车辆所受到的合力的方向与x轴正半轴之间的夹角θ的计算公式如下所示：
则下一个路径点位置的计算公式如式(8)所示：其中，θ为无人驾驶车辆所受到的合力的方向与x轴正半轴之间的夹角，(x
veh
，y
veh
)为无人驾驶车辆当前位置的坐标，(x
veh
1，y
veh
1)为无人驾驶车辆的下一个路径点的坐标，l为无人驾驶车辆的移动步长。5.如权利要求1所述的基于分层监测域和自适应人工势场法的车辆路径规划方法，其特征在于：在步骤五中，判断无人驾驶车辆是否陷入局部极小值点的具体过程为：以无人驾驶车辆当前位置为圆心，r
a
为半径做圆，无人驾驶车辆当前位置为路径中的第k个路径点，j＝z表示路径中的第z个路径点，n
count
为圆内无人驾驶车辆已经过的路径点数量，则判断无人驾驶车辆是否陷入局部极小值点的执行过程如下所示：s3.1令n
count
＝0，j＝1，转至步骤s3.2；s3.2若第j个路径点到第k个路径点的距离不大于r
a
，则转至步骤s3.3；若第j个路径点到第k个路径点的距离大于r
a
，则转至步骤s3.4；s3.3令n
count
＝n
count
+1；若n
count
的值达到设定的阈值则流程结束，输出无人驾驶车辆已陷入局部极小值点；若n
count
的值没有达到设定的阈值则转至步骤s3.4；s3.4令j＝j+1；若j＜＝k，则转至步骤s3.2；若j＞k，则流程结束，输出无人驾驶车辆未陷入局部极小值点。6.如权利要求1所述的基于分层监测域和自适应人工势场法的车辆路径规划方法，其特征在于：所述步骤六中，采用切点-贝塞尔曲线模型引导车辆摆脱局部极小值点或震荡点区域的具体过程为：s4.1判断目标点与斥力等势圈的位置关系；若目标点在斥力等势圈范围外，则以目标点为起点向斥力等势圈做两条切线，转至步骤s4.2；若目标点在斥力等势圈上，则目标点位置即为最终切点位置，转至步骤s4.4；s4.2通过斥力等势圆方程与切线方程计算出两条切线对应的两个切点位置，转至步骤s4.3；s4.3计算无人驾驶车辆当前位置与两个切点之间的距离，并取最小距离所对应的切点位置为最终切点位置，转至步骤s4.4；s4.4在无人驾驶车辆当前位置与最终切点位置之间添加一个新的位置点，新的位置点的横坐标为最终切点位置的横坐标，新的位置点的纵坐标为无人驾驶车辆当前位置的纵坐
标；然后结合这三个定点，利用二次贝塞尔函数生成一条二次贝塞尔曲线，无人驾驶车辆沿着三个定点所做出的贝塞尔曲线到达最终切点位置。7.如权利要求1所述的基于分层监测域和自适应人工势场法的车辆路径规划方法，其特征在于：所述步骤六中，使用虚拟随机引导策略引导车辆摆脱局部极小值点或震荡点区域的具体过程为：s5.1以局部极小值点为中心，构造一个环形区域，并在内圆半径和外圆半径范围内，随机选取一个数值作为新的半径长度，构造一个虚拟圆，在虚拟圆上随机选取一点作为待选随机引导点，转至步骤s5.2；s5.2采用步骤s5.1生成δ个待选随机引导点，并转至步骤s5.3；s5.3求取δ个待选随机引导点与目标点和无人驾驶车辆当前位置之间的距离，然后计算出每一个待选随机引导点的引导常量，基于δ个待选随机引导点的引导常量，得到最小的引导常量，转至步骤s5.4；s5.4将最小的引导常量对应的待选随机引导点作为虚拟目标点，同时，暂时消除最终目标点对无人驾驶车辆的引力作用，只保留虚拟目标点对无人驾驶车辆的引力作用，转至步骤s5.5；s5.5通过虚拟目标点的引力作用及障碍物的斥力作用，无人驾驶车辆在合力的作用下移动到虚拟目标点位置。
技术总结
本发明提供了基于分层监测域和自适应人工势场法的车辆路径规划方法，包括以下步骤：利用分层监测域模型获取无人驾驶车辆的速度；计算无人驾驶车辆所受到的合力；计算下一个路径点的位置；然后无人驾驶车辆移动到下一位置；判断无人驾驶车辆是否到达目标点；如果无人驾驶车辆未到达目标点，判断无人驾驶车辆是否陷入局部极小值点；采用切点-贝塞尔曲线模型引导无人驾驶车辆摆脱局部极小值点或震荡点区域或使用虚拟随机引导策略引导车辆摆脱局部极小值点或震荡点区域。本发明利用分层监测域模型控制无人驾驶车辆的速度，利用切点-贝塞尔曲线模型和虚拟随机引导策略引导无人驾驶车辆摆脱局部极小值点或震荡点区域，适用于复杂的空间环境。于复杂的空间环境。于复杂的空间环境。
技术研发人员：潘玉恒 陶艺鑫 鲁维佳 孟卓 王丽
受保护的技术使用者：天津博科光电科技有限公司
技术研发日：2021.11.02
技术公布日：2022/2/15