1.本发明属于无人车的技术领域，具体涉及一种无人车全局路径优化方法。
背景技术：
2.基于frenet坐标对自动驾驶车辆进行路径规划，是常见的无人车技术。现有基于frenet坐标的路径规划技术，是根据中间线轨迹及障碍物情况来确定无人车的下一步动作。
3.但是，现有基于frenet坐标的路径规划技术为局部规划，通常用于避障和自动驾驶轨迹引导，没有对无人车的目的地和起点之间的路线进行全局规划的能力，更缺乏对已知无人车行驶路径进一步优化的功能。
4.另一方面，其它全局路径规划算法往往需要多种类型的数据以及大量的运算步骤，算法的时间复杂度和空间复杂度都不够理想，难以适应实际应用的需求。
技术实现要素：
5.为了克服现有技术存在的缺陷与不足，本发明的目的在于提供一种无人车全局路径优化方法，用于实现较低复杂度的全局路径优化功能。
6.为了达到上述目的，本发明采用以下技术方案：
7.一种无人车全局路径优化方法，包括步骤如下：
8.s1、获取无人车行驶区域上的地图信息；
9.s2、获取无人车在地图上前次从目标起点到目标终点的gps轨迹；
10.s3、根据前次采样得到的gps轨迹，计算其在frenet坐标系下进行全局路径优化的基准线的数据；
11.s4、计算地图中每个障碍物的坐标点在基准线上的投影点；
12.s5、将每个障碍物的笛卡尔坐标转换成基于基准线的frenet坐标；
13.s6、根据障碍物的frenet坐标对障碍物进行基于基准线的左右分类和排序；
14.s7、计算基于frenet坐标下无人车的中心轨迹；
15.s8、将基于frenet坐标下的中心轨迹转换为笛卡尔坐标，以中心轨迹作为对前次的gps轨迹进行全局路径优化后的结果。
16.优选地，所述地图信息为全部障碍物基于笛卡尔坐标系的坐标点。
17.进一步地，所述gps轨迹为无人车从目标起点到目标终点经过一次行驶，以设定采样的轨迹点进行采集得到的笛卡尔坐标点。
18.进一步地，所述设定采样的相邻的轨迹点之间的欧式距离设定在10cm到20cm之间。
19.进一步地，计算frenet坐标系下的基准线包括：
20.s31、获取每个轨迹点在frenet坐标系下的坐标数据；
21.s32、计算frenet坐标系下每个轨迹点到gps轨迹的目标起点的距离，根据每个轨
迹点到gps轨迹的目标起点的距离，计算笛卡尔坐标系下gps轨迹的航向角和曲率；
22.frenet坐标包含s横向和l纵向，其中基准线上轨迹点的纵坐标l都为0，s是每个轨迹点距离其第一个点的距离，也就是每个轨迹点到目标起点的路程(s1＝0)；
23.具体的计算公式如下式所示：
[0024][0025][0026][0027]
其中，xi、yi、θi、ki分别表示第i个轨迹点基于笛卡尔坐标系下的横坐标、纵坐标、航向角、曲率，以i＝1时表示目标起点。
[0028]
进一步地，计算障碍物在基准线上的投影点包括：
[0029]
s41、计算每个障碍物与所有轨迹点的欧式距离，然后选取其中欧式距离数值最小的轨迹点为其对应的匹配点(xm,ym)，计算方式如下式所示：
[0030][0031]
其中，x、y分别表示每个障碍物的横坐标和纵坐标，xi、yi分别表示第i个轨迹点的横坐标、纵坐标，n为轨迹点的总数；
[0032]
s42、通过匹配点(xm,ym)计算基于笛卡尔坐标下的投影点、航向角、曲率，计算方式如下式所示：
[0033][0034][0035][0036]
kr≈km[0037][0038]
其中，(x,y)、(xm,ym)、θm、θr、km、kr、(xr,yr)分别为障碍物的坐标点、匹配点的坐标、匹配点的航向角、投影点的航向角、匹配点的曲率、投影点的曲率、投影点的坐标，m为表示第几个匹配点，r表示第几个投影点，为匹配点到障碍物的向量，为匹配点的切向量，为的转置，为匹配点到笛卡尔坐标原点的向量，为投影点到笛卡尔坐标原点的向量。
[0039]
进一步地，所述将每个障碍物的笛卡尔坐标转换成基于基准线的frenet坐标包括：
[0040]
以s表示沿gps轨迹的纵向距离，l表示障碍物距离gps轨迹的横向距离，计算方式如下式所示：
[0041][0042]
s＝sr[0043][0044]
其中，sr为投影点距离目标起点的路程，δs为投影点到匹配点的距离，sign(
·
)表示符号函数。
[0045]
进一步地，对障碍物进行左右分类和排序包括：
[0046]
基于frenet坐标，通过障碍物距离gps轨迹的横坐标l的正负，区分全部障碍物在gps轨迹的相对位置，其中l＞0时是在gps轨迹的左边，l＜0是在gps轨迹的右边；
[0047]
将全部障碍物的横坐标s进行递增排序，得到沿着gps轨迹两边依次排列的障碍物位置。
[0048]
进一步地，计算无人车的中心轨迹包括：
[0049]
将frenet坐标系下两边的障碍物进行样条插值，使每相隔10cm都有对应基准线两边的障碍物位置，然后以10cm的间隔求左右两边障碍物的中心点位置(sc,lc)，由全部中心点构成中心轨迹，其中c表示第几个中心点。
[0050]
进一步地，所述将基于frenet坐标下的中心轨迹转换为笛卡尔坐标包括：
[0051]
在frenet坐标系中，找到每个中心点的横坐标与基准线上最近的匹配点，然后通过中心点(sc,lc)和匹配点的航向角，把frenet坐标系下的中心点坐标转换成笛卡尔坐标(xc,yc)，计算方式如下式所示：
[0052]
xc＝x
m-lcsinθm[0053]
yc＝ym lccosθm。
[0055]
本发明与现有技术相比，具有如下优点和有益效果：
[0056]
相比现有其他的全局路径规划算法，本发明通过frenent坐标和笛卡尔坐标的相互转换即可实现基于笛卡尔坐标下的全局路径规划，具有算法简单准确和延时低的优势；不需要在空间中进行大量的采样，时间复杂度和空间复杂度低；本发明只需地图信息有明确的坐标数据，不需要借助其他信息，大幅降低了对地图精确度和信息类型的需求。
附图说明
[0057]
图1为本发明无人车全局路径优化方法的流程示意图；
[0058]
图2为本发明方法在赛道场景的笛卡尔坐标系下的gps轨迹图；
[0059]
图3为本发明方法在赛道场景下障碍物坐标在基准线上投影的示意图；
[0060]
图4为本发明方法在赛道场景的frenet坐标系下的中心轨迹图；
[0061]
图5为本发明方法在赛道场景的笛卡尔坐标系下优化后的中心轨迹与原本gps轨迹的对比图。
具体实施方式
[0062]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0063]
需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本公开和简
化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本公开的限制。
[0064]
此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。同样，“一个”、“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在该词前面的元素或者物件涵盖出现在该词后面列举的元素或者物件及其等同，而不排除其他元素或者物件。“连电连接”或者“相连”等类似的词语并非限定于物理的或者机械的连电连接，而是可以包括电性的连电连接，不管是直电连接的还是间电连接的。
[0065]
实施例
[0066]
如图1至图5所示。本实施例提供一种无人车全局路径优化方法，包括步骤如下：
[0067]
s1、获取无人车行驶区域上的地图信息；具体包括：
[0068]
在行驶区域的地图上，获取全部障碍物基于笛卡尔坐标系的坐标点数据；
[0069]
本实施例优选，障碍物的坐标点可以不经过任何排序或其它操作，也可以根据设定的规则进行排序；
[0070]
s2、获取无人车在地图上前次从目标起点到目标终点的gps轨迹，以便后续对该gps轨迹进行优化得到无人车从目标起点到目标终点的中心轨迹；
[0071]
本实施例优选，gps轨迹是由无人车前次从目标起点到目标终点经过一次行驶后，对设定采样的轨迹点进行采集得到的笛卡尔坐标点数据，本实施例进一步优选，相邻的轨迹点之间的欧式距离设定在10cm到20cm之间；
[0072]
如图2所示，本实施例优以无人车在特定的赛道中行驶跑圈为例，图2中的地图处于笛卡尔坐标系下，一圈粗线条表示gps轨迹，分布在gps轨迹两侧的圆点表示障碍物桩桶；
[0073]
s3、根据前次采样得到的gps轨迹，计算其在frenet坐标系下进行全局路径优化的基准线的数据；具体包括：
[0074]
s31、获取每个轨迹点在frenet坐标系下的坐标数据；
[0075]
s32、计算frenet坐标系下每个轨迹点到gps轨迹的目标起点的距离，根据每个轨迹点到gps轨迹的目标起点的距离，计算笛卡尔坐标系下gps轨迹的航向角和曲率；
[0076]
frenet坐标包含s横向和l纵向，其中基准线上轨迹点的纵坐标l都为0，s是每个轨迹点距离其第一个点的距离，也就是每个轨迹点到目标起点的路程(s1＝0)；
[0077]
具体的计算公式如下式所示：
[0078][0079][0080][0081]
其中，xi、yi、θi、ki分别表示第i个轨迹点基于笛卡尔坐标系下的横坐标、纵坐标、航向角、曲率，以i＝1时表示目标起点；
[0082]
s4、计算地图中每个障碍物的坐标点在基准线上的投影点；具体包括：
[0083]
s41、结合图3所示，找到每个障碍物距离基准线最近的匹配点；具体为计算每个障
碍物与所有轨迹点的欧式距离，然后选取其中欧式距离数值最小的轨迹点为其对应的匹配点(xm,ym)，计算方式如下式所示：
[0084][0085]
其中，x、y分别表示每个障碍物的横坐标和纵坐标，xi、yi分别表示第i个轨迹点的横坐标、纵坐标，n为轨迹点的总数；
[0086]
s42、通过匹配点(xm,ym)计算基于笛卡尔坐标下的投影点、航向角、曲率，计算方式如下式所示：
[0087][0088][0089][0090]
kr≈km[0091][0092]
其中，(x,y)、(xm,ym)、θm、θr、km、kr、(xr,yr)分别为障碍物的坐标点、匹配点的坐标、匹配点的航向角、投影点的航向角、匹配点的曲率、投影点的曲率、投影点的坐标，m为表示第几个匹配点，r表示第几个投影点，为匹配点到障碍物的向量，为匹配点的切向量，为的转置，为匹配点到笛卡尔坐标原点的向量，为投影点到笛卡尔坐标原点的向量；
[0093]
s5、将每个障碍物的笛卡尔坐标转换成基于基准线的frenet坐标；具体包括：
[0094]
以s表示沿gps轨迹的纵向距离，l表示障碍物距离gps轨迹的横向距离，计算方式如下式所示：
[0095][0096]
s＝sr[0097][0098]
其中，sr为投影点距离目标起点的路程，δs为投影点到匹配点的距离，sign(
·
)表示符号函数(变量大于零时函数值为1，变量小于零时函数值为-1，变量等于零时函数值为0)；
[0099]
s6、根据障碍物的frenet坐标对障碍物进行基于基准线的左右分类和排序；具体包括：
[0100]
基于frenet坐标下，通过障碍物距离gps轨迹的横坐标l的正负，区分全部障碍物在gps轨迹的相对位置，其中l＞0时是在gps轨迹的左边，l＜0是在gps轨迹的右边；
[0101]
再将全部障碍物的横坐标s进行递增排序，得到沿着gps轨迹两边依次排列的障碍物位置；
[0102]
s7、计算基于frenet坐标下无人车的中心轨迹；具体包括：
[0103]
将frenet坐标系下两边的障碍物进行样条插值，使每相隔10cm都有对应基准线两边的障碍物位置，也就是确定gps轨迹所在的道路区域的边界，然后以10cm的间隔求左右两边障碍物的中心点位置(sc,lc)，然后由全部中心点首尾依次相接的连线构成中心轨迹，其
中c表示第几个中心点；
[0104]
本实施例优选，在图2所描述的赛道行驶跑圈场景中，frenet坐标系下基准线与中心轨迹的关系如图4所示，可见中心轨迹能实现不碰撞障碍物的功能；
[0105]
s8、将基于frenet坐标下的中心轨迹转换为笛卡尔坐标，以中心轨迹作为对前次的gps轨迹进行全局路径优化后的结果；具体包括：
[0106]
在frenet坐标系中，找到每个中心点的横坐标与基准线上最近的匹配点，然后通过中心点(sc,lc)和匹配点的航向角，把frenet坐标系下的中心点坐标转换成笛卡尔坐标(xc,yc)，计算方式如下式所示：
[0107]
xc＝x
m-lcsinθm[0108]
yc＝ym lccosθm[0109]
本实施例优选，在图2的赛道场景下对gps轨迹进行优化后的中心轨迹，在笛卡尔坐标系的对比情况如图5所示，可以看到优化后中心轨迹相比gps轨迹具有更短的路径。
[0110]
本实施例相比现有技术，其有益效果在于：
[0111]
相比其他全局路径规划算法，本实施例通过frenent坐标和笛卡尔坐标的相互转换即可实现基于笛卡尔坐标下的全局路径规划，具有算法简单准确和延时低的优势；不需要在空间中进行大量的采样，时间复杂度和空间复杂度低；本实施例只需地图信息有明确的坐标数据，不需要借助其他信息，大幅降低了对地图精确度和信息类型的需求。
[0112]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。