开云优惠体育网页版入口

专利名称：一种基于改进RRT的车辆动态路径规划方法及系统

专利类型：发明专利

专利申请号：CN202210894584.6

专利申请（专利权）人：安徽师范大学
权利人地址：安徽省芜湖市九华南路189号

专利发明（设计）人：孙丽萍,段孝宇,陈付龙,陈传明,王涛春,赵传信,罗永龙

专利摘要：本发明实施例提供一种基于改进RRT的车辆动态路径规划方法及系统，属于路径规划的技术领域。所述基于改进RRT的车辆动态路径规划方法包括：建立栅格地图模型，确定起点和终点；利用改进的RRT算法获取初始路径，其中，所述初始路径被配置为基于邻接关系的结点扩展策略并融合传统RRT算法在所述栅格地图模型的自由空间中进行搜索而得到；基于迪杰斯特拉算法和重复序列优化算法进行优化后获得第一路径；在存在动态障碍物时，结合动态窗口法和深度强化学习模型进行路径优化以更新所述第一路径得到第二路径作为最终路径。本发明能降低采样随机性、提高路径规划效率，应用于存在动态障碍物复杂环境中的车辆动态路径规划。

主权利要求：
1.一种基于改进RRT的车辆动态路径规划方法，其特征在于，所述基于改进RRT的车辆动态路径规划方法包括：建立栅格地图模型，确定起点和终点；
利用改进的RRT算法获取初始路径，其中，所述初始路径被配置为基于邻接关系的结点扩展策略并融合传统RRT算法在所述栅格地图模型的自由空间中进行搜索而得到；
基于迪杰斯特拉算法和重复序列优化算法进行优化后获得第一路径；以及在存在动态障碍物时，结合动态窗口法和深度强化学习模型进行路径优化以更新所述第一路径得到第二路径作为最终路径；
所述建立栅格地图模型，确定起点和终点包括：
定义一棵基于邻接关系的快速探索随机树T，初始化一棵只有结点D的树T和一个队列Q，将目标结点D加入到队列Q中；
并且，所述利用改进的RRT算法获取初始路径包括：
定义Adjacent(v)为与结点v相邻并且能从结点v直接通行的结点集合，结点c∈Adjacent(v)，队首结点vt出队，Adjacent(vt)入队，若与队首结点相邻并且能够直接通行的结点v未被探索过，根据式(1)计算结点v的相邻结点到达目标结点D的最短路径长度，选取路径长度最小的结点连接结点v，作为结点v在T中的双亲结点，根据式(2)将结点v与双亲结点间的路径长度记录在Uv中，直至队列Q变为空为止；
Uv←Uv.parent+distance(v.parent,v)(2)其中，式(1)中，定义结点v到达目标结点D的最短路径长度表示为Uv，定义distance(vi,vj)≥0为任意两个结点vi与vj间的欧式距离长度，改进的RRT生成树中结点v的双亲结点表示为v.parent；
所述基于迪杰斯特拉算法和重复序列优化算法进行优化后获得的第一路径作为最终路径包括：基于迪杰斯特拉算法优化路径的方法包括：
在初始路径序列Pinit中，若任意两个结点vi和vj之间的连线在地图M上没有障碍结点阻碍，则在初始路径序列Pinit中增加边；
初始化结点集合V和L为空，将Vinit的结点v加入集合V中并计算结点v与S的最短距离dist(v)及prev(v)，利用Dijkstra算法，在初始路径序列Pinit中搜索起始结点S到目标结点D的最短路径P；
将集合V中的dist(v)最小的结点u从V中删去，并加入L中，更新起始结点S到v的最短距离并保存u为prev(v)中结点v的上一个结点，直至队列Q变为空为止；
初始化路径序列P，从目标结点D开始，加入起始结点S到达结点v的有序最短距离序列中结点v的上一个结点，得到Dijkstra路径序列P；
基于重复序列优化算法优化路径的方法包括：
初始化路径序列Popt，其中，结点集中只有起始结点S，边集为空，初始化Cur_S和Cur_D的值；
找到使得结点vCur_S和vCur_D间的连线没有障碍结点阻碍的Cur_D的最大值；若结点vCur_D不是目标结点D，则执行以下步骤：如果Cur_D?1和Cur_S+1相等，则向Eopt中加入边，否则加入边，更新Cur_S和Cur_D的值并将结点vCur_S加入到Vopt中；
重复循环直至结点vCur_D是目标结点D；
在优化路径序列Popt的Vopt中加入目标结点D，在Eopt中加入边，路径序列优化工作完成。
2.根据权利要求1所述的基于改进RRT的车辆动态路径规划方法，其特征在于，所述基于迪杰斯特拉算法和重复序列优化算法进行优化后获得的路径作为最终路径的步骤被配置为在不存在动态障碍物时执行。
3.根据权利要求2所述的基于改进RRT的车辆动态路径规划方法，其特征在于，所述结合动态窗口法和深度强化学习模型进行路径优化以更新所述第一路径得到第二路径作为最终路径包括：步骤1，构建基于深度强化学习的动态窗口法的模型及其优化目标；
步骤2，初始化基于深度强化学习的动态窗口法的模型所有的参数值，随机生成数据集；
步骤3，构建模型的训练过程，将随机生成的所述数据集输入所述模型，计算每一轮训练结果的奖励值；
步骤4，根据损失值采用基于深度强化学习的动态窗口法对模型进行优化；
步骤5，设置最大训练轮数，重复步骤3?步骤4，得到训练完成的模型，采用训练完成的模型进行动态避障，更新最优路径。
4.根据权利要求3所述的基于改进RRT的车辆动态路径规划方法，其特征在于，所述构建模型的训练过程，将随机生成的所述数据集输入所述模型，计算每一轮训练结果的奖励值包括：将随机生成的所述数据集输入车辆的运动环境，获得周围环境的信息和当前状态，然后利用卷积神经网络对数据集进行处理，智能体在当前状态与环境进行交互；
探索环境，由策略选择动作，将该动作其对应的动态窗口法的评价函数的权重与初始权重加和后，选择速度窗口中与最大评价函数对应的最优速度，移动到下一控制周期的状态，在交互过程中会产生一个奖励，将数据存入经验存放池中。
5.根据权利要求4所述的基于改进RRT的车辆动态路径规划方法，其特征在于，所述根据损失值采用基于深度强化学习的动态窗口法对模型进行优化包括：当经验存放池中样本数大于n时，从经验存放池中均匀随机取出一组样本；
将取出的一组样本送到优化目标函数中以更新网络参数。
6.一种基于改进RRT的车辆动态路径规划系统，其特征在于，所述基于改进RRT的车辆动态路径规划系统使用权利要求1?5中任意一项所述的方法，所述基于改进RRT的车辆动态路径规划系统包括：模型建立单元，用于建立栅格地图模型，确定起点和终点；
初始路径获取单元，用于利用改进的RRT算法获取初始路径，其中，所述初始路径被配置为基于邻接关系的结点扩展策略并融合传统RRT算法在所述栅格地图模型的自由空间中进行搜索而得到；以及第一路径获得单元，用于基于迪杰斯特拉算法和重复序列优化算法进行优化后获得的第一路径；
路径更新单元，用于在存在动态障碍物时，结合动态窗口法和深度强化学习模型进行路径优化以更新所述第一路径得到第二路径作为最终路径。
7.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令用于使得机器执行权利要求1?5中任意一项所述的基于改进RRT的车辆动态路径规划方法。
8.一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1?5中任意一项所述的基于改进RRT的车辆动态路径规划方法。 说明书 : 一种基于改进RRT的车辆动态路径规划方法及系统技术领域[0001] 本发明涉及路径规划的技术领域，具体地涉及一种基于改进RRT的车辆动态路径规划方法及系统。背景技术[0002] 随着我国经济的快速发展和城市化的不断深入，城市的交通运输供求矛盾日益突出，拥有私家车的人们越来越多，城市的拥堵和多变的路况都给人们的生活带来不便，但是车辆动态路径规划系统可以给人们的出行带来很大的方便。车辆动态路径规划系统是通过传感器将周围的环境信息采集下来经过处理来指导车辆行驶，在获得环境信息以后建立环境模型，通过计算机的运算处理，将反馈信息传递给控制系统，使得车辆能够有效躲避临时出现的一些动态障碍，顺利到达目的地。车辆动态路径规划系统的核心技术是路径规划算法，其主要思想为结合当前所在的环境，生成栅格地图数据，成功规划处一条当前车辆位置到目的地的自由空间中的无碰撞可行路径。[0003] 传统的路径规划算法包括基于构造势场的人工势场法、遗传算法、蚁群算法和基于图搜索的A*等，但是基于构造势场的人工势场法在存在不规则障碍物的环境中的计算量会增大，容易在障碍物前出现受力平衡导致停滞不前或者在范围内震荡的问题，遗传算法和蚁群算法计算成本高且难以在实际路径规划中应用，基于图搜索的A*的空间增长是指数级别的，以上算法不适合在复杂动态环境中进行路径规划。快速探索随机树(Rapid?exploration RandomTree，RRT)的优势在于其结构简单，搜索能力强，易于其他算法相结合，能够避免对状态空间进行建模，解决高维空间和复杂约束的路径规划问题。[0004] 传统的RRT算法以一个初始结点作为根结点，通过随机采样的方法增加叶子结点，生成随机扩展树。通常因为需要求解路径空间的复杂性，随机扩展树会生成较多冗余的叶子结点，不仅降低了算法的时间效率，而且增加了算法的存储消耗和生成的最短路径长度，规划的路径无法满足车辆行驶的实时避障要求，从而无法满足车辆快速有效的到达终点。发明内容[0005] 本发明实施例的目的是提供一种基于改进RRT的车辆动态路径规划方法及系统，该基于改进RRT的车辆动态路径规划方法及系统能降低采样随机性、提高路径规划效率，应用于存在动态障碍物复杂环境中的车辆动态路径规划。[0006] 为了实现上述目的，本发明实施例提供一种基于改进RRT的车辆动态路径规划方法，所述基于改进RRT的车辆动态路径规划方法包括：[0007] 建立栅格地图模型，确定起点和终点；[0008] 利用改进的RRT算法获取初始路径，其中，所述初始路径被配置为基于邻接关系的结点扩展策略并融合传统RRT算法在所述栅格地图模型的自由空间中进行搜索而得到；[0009] 基于迪杰斯特拉算法和重复序列优化算法进行优化后获得第一路径；以及[0010] 在存在动态障碍物时，结合动态窗口法和深度强化学习模型进行路径优化以更新所述第一路径得到第二路径作为最终路径。[0011] 优选地，所述建立栅格地图模型，确定起点和终点包括：[0012] 定义一棵基于邻接关系的快速探索随机树T，初始化一棵只有结点D的树T和一个队列Q，将目标结点D加入到队列Q中；[0013] 并且，所述利用改进的RRT算法获取初始路径包括：[0014] 定义Adjacent(v)为与结点v相邻并且能从结点v直接通行的结点集合，结点c∈Adjacent(v)，队首结点vt出队，Adjacent(vt)入队，若与队首结点相邻并且能够直接通行的结点v未被探索过，根据式(1)计算结点v的相邻结点到达目标结点D的最短路径长度，选取路径长度最小的结点连接结点v，作为结点v在T中的双亲结点，根据式(2)将结点v与双亲结点间的路径长度记录在Uv中，直至队列Q变为空为止；[0015][0016] Uv←Uv.parent+distance(v.parent,v)(2)[0017] 其中，式(1)中，定义结点v到达目标结点D的最短路径长度表示为Uv，定义distance(vi,vj)≥0为任意两个结点vi与vj间的欧式距离长度，改进的RRT生成树中结点v的双亲结点表示为v.parent；[0018] 优选地，所述基于迪杰斯特拉算法和重复序列优化算法进行优化后获得的第一路径作为最终路径包括：[0019] 基于迪杰斯特拉算法优化路径的方法包括：[0020] 在初始路径序列Pinit中，若任意两个结点vi和vj之间的连线在地图M上没有障碍结点阻碍，则在初始路径序列Pinit中增加边；[0021] 初始化结点集合V和L为空，将Vinit的结点v加入集合V中并计算结点v与S的最短距离dist(v)及prev(v)，利用Dijkstra算法，在初始路径序列Pinit中搜索起始结点S到目标结点D的最短路径P；[0022] 将集合V中的dist(v)最小的结点u从V中删去，并加入L中，更新起始结点S到v的最短距离并保存u为prev(v)中结点v的上一个结点，直至队列Q变为空为止；[0023] 初始化路径序列P，从目标结点D开始，加入起始结点S到达结点v的有序最短距离序列中结点v的上一个结点，得到Dijkstra路径序列P；[0024] 基于重复序列优化算法优化路径的方法包括：[0025] 初始化路径序列Popt，其中，结点集中只有起始结点S，边集为空，初始化Cur_S和Cur_D的值；[0026] 找到使得结点vCur_S和vCur_D间的连线没有障碍结点阻碍的Cur_D的最大值；若结点vCur_D不是目标结点D，则执行以下步骤：如果Cur_D?1和Cur_S+1相等，则向Eopt中加入边，否则加入边，更新Cur_S和Cur_D的值并将结点vCur_S加入到Vopt中；重复循环直至结点vCur_D是目标结点D；[0027] 在优化路径序列Popt的Vopt中加入目标结点D，在Eopt中加入边，路径序列优化工作完成。[0028] 优选地，所述基于迪杰斯特拉算法和重复序列优化算法进行优化后获得的路径作为最终路径的步骤被配置为在不存在动态障碍物时执行。[0029] 优选地，所述结合动态窗口法和深度强化学习模型进行路径优化以更新所述第一路径得到第二路径作为最终路径包括：[0030] 步骤1，构建基于深度强化学习的动态窗口法的模型及其优化目标；[0031] 步骤2，初始化基于深度强化学习的动态窗口法的模型所有的参数值，随机生成数据集；[0032] 步骤3，构建模型的训练过程，将随机生成的所述数据集输入所述模型，计算每一轮训练结果的奖励值；[0033] 步骤4，根据损失值采用基于深度强化学习的动态窗口法对模型进行优化；[0034] 步骤5，设置最大训练轮数，重复步骤3?步骤4，得到训练完成的模型，采用训练完成的模型进行动态避障，更新最优路径。[0035] 优选地，所述构建模型的训练过程，将随机生成的所述数据集输入所述模型，计算每一轮训练结果的奖励值包括：[0036] 将随机生成的所述数据集输入车辆的运动环境，获得周围环境的信息和当前状态，然后利用卷积神经网络对数据集进行处理，智能体在当前状态与环境进行交互；[0037] 探索环境，由策略选择动作，将该动作其对应的动态窗口法的评价函数的权重与初始权重加和后，选择速度窗口中与最大评价函数对应的最优速度，移动到下一控制周期的状态，在交互过程中会产生一个奖励，将数据存入经验存放池中。[0038] 优选地，所述根据损失值采用基于深度强化学习的动态窗口法对模型进行优化包括：[0039] 当经验存放池中样本数大于n时，从经验存放池中均匀随机取出一组样本；[0040] 将取出的一组样本送到优化目标函数中以更新网络参数。[0041] 另外，本发明还提供一种基于改进RRT的车辆动态路径规划系统，所述基于改进RRT的车辆动态路径规划系统包括：[0042] 模型建立单元，用于建立栅格地图模型，确定起点和终点；[0043] 初始路径获取单元，用于利用改进的RRT算法获取初始路径，其中，所述初始路径被配置为基于邻接关系的结点扩展策略并融合传统RRT算法在所述栅格地图模型的自由空间中进行搜索而得到；[0044] 第一路径获得单元，用于基于迪杰斯特拉算法和重复序列优化算法进行优化后获得第一路径；以及[0045] 路径更新单元，用于在存在动态障碍物时，结合动态窗口法和深度强化学习模型进行路径优化以更新所述第一路径得到第二路径作为最终路径。[0046] 另外，本发明还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的基于改进RRT的车辆动态路径规划方法。[0047] 另外，本发明还提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述的基于改进RRT的车辆动态路径规划方法。[0048] 与现有技术相比，本发明的有益效果在于：[0049] 1、基于邻接关系的结点扩展策略，降低RRT算法采样的随机性，提高了随机树的搜索效率，从而在车辆路径规划中规划路径时间短，路径规划效率高；[0050] 2、采用Dijkstra路径序列搜索算法和重复序列优化算法对规划的路径进行剪枝处理，减少了时间的消耗，减少了规划的路径长度，使得规划的路径更加平稳与光滑。[0051] 本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。附图说明[0052] 附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：[0053] 图1为本发明基于改进RRT的车辆动态路径规划方法具体实施例的示意流程图；[0054] 图2为本发明基于改进RRT的车辆动态路径规划方法在复杂环境中对初始路径优化后的结果示意图；[0055] 图3为本发明基于改进RRT的车辆动态路径规划方法另一实施例的示意流程图；[0056] 图4为本发明基于改进RRT的车辆动态路径规划方法在复杂环境中动态障碍轨迹示意图；[0057] 图5为本发明基于改进RRT的车辆动态路径规划方法在复杂环境中寻找最优路径结果示意图；[0058] 图6为本发明基于改进RRT的车辆动态路径规划系统具体实施例的结构示意图。具体实施方式[0059] 以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。[0060] 本发明公开了基于改进RRT的车辆动态路径规划方法，如图1所示，[0061] S101，建立栅格地图模型，确定起点和终点；[0062] S102，利用改进的RRT算法获取初始路径，其中，所述初始路径被配置为基于邻接关系的结点扩展策略并融合传统RRT算法在所述栅格地图模型的自由空间中进行搜索而得到；以及[0063] S103，基于迪杰斯特拉算法和重复序列优化算法进行优化后获得的第一路；[0064] S104，在存在动态障碍物时，结合动态窗口法和深度强化学习模型进行路径优化以更新所述第一路径得到第二路径作为最终路径。[0065] 其中，在步骤S101中，[0066] 所述建立栅格地图模型，确定起点和终点包括：[0067] 定义一棵基于邻接关系的快速探索随机树T，初始化一棵只有结点D的树T和一个队列Q，将目标结点D加入到队列Q中；[0068] 并且，所述利用改进的RRT算法获取初始路径包括：[0069] 定义Adjacent(v)为与结点v相邻并且能从结点v直接通行的结点集合，结点c∈Adjacent(v)，队首结点vt出队，Adjacent(vt)入队，若与队首结点相邻并且能够直接通行的结点v未被探索过，根据式(1)计算结点v的相邻结点到达目标结点D的最短路径长度，选取路径长度最小的结点连接结点v，作为结点v在T中的双亲结点，根据式(2)将结点v与双亲结点间的路径长度记录在Uv中，直至队列Q变为空为止；[0070][0071] Uv←Uv.parent+distance(v.parent,v)(2)[0072] 其中，式(1)中，定义结点v到达目标结点D的最短路径长度表示为Uv，定义distance(vi,vj)≥0为任意两个结点vi与vj间的欧式距离长度，改进的RRT生成树中结点v的双亲结点表示为v.parent；[0073] 优选地，如图2所示，所述基于迪杰斯特拉算法(Dijkstra路径序列搜索算法)和重复序列优化算法进行优化后获得的第一路径作为最终路径包括：[0074] 利用Dijkstra路径序列搜索算法和重复序列优化算法分别对初始路径进行剪枝优化和平滑处理，得到从起点(三角符号表示)到终点(圆点符号表示)优化后的路径(轨迹用虚线表示)，基于迪杰斯特拉算法优化路径的方法包括：[0075] 在初始路径序列Pinit中，若任意两个结点vi和vj之间的连线在地图M上没有障碍结点阻碍，则在初始路径序列Pinit中增加边；[0076] 初始化结点集合V和L为空，将Vinit的结点v加入集合V中并计算结点v与S的最短距离dist(v)及prev(v)，利用Dijkstra算法，在初始路径序列Pinit中搜索起始结点S到目标结点D的最短路径P；[0077] 将集合V中的dist(v)最小的结点u从V中删去，并加入L中，更新起始结点S到v的最短距离并保存u为prev(v)中结点v的上一个结点，直至队列Q变为空为止；[0078] 初始化路径序列P，从目标结点D开始，加入起始结点S到达结点v的有序最短距离序列中结点v的上一个结点，得到Dijkstra路径序列P；[0079] 基于重复序列优化算法优化路径的方法包括：[0080] 初始化路径序列Popt，其中，结点集中只有起始结点S，边集为空，初始化Cur_S和Cur_D的值；[0081] 找到使得结点vCur_S和vCur_D间的连线没有障碍结点阻碍的Cur_D的最大值；若结点vCur_D不是目标结点D，则执行以下步骤：如果Cur_D?1和Cur_S+1相等，则向Eopt中加入边，否则加入边，更新Cur_S和Cur_D的值并将结点vCur_S加入到Vopt中；重复循环直至结点vCur_D是目标结点D；[0082] 在优化路径序列Popt的Vopt中加入目标结点D，在Eopt中加入边，路径序列优化工作完成。[0083] 优选地，所述基于迪杰斯特拉算法和重复序列优化算法进行优化后获得的路径作为最终路径的步骤被配置为在不存在动态障碍物时执行。[0084] 优选地，如图3所示，所述基于改进RRT的车辆动态路径规划方法还可以包括：[0085] 在存在动态障碍物时，结合动态窗口法和深度强化学习模型进行路径优化以更新所述第一路径得到第二路径作为最终路径。[0086] 具体地，步骤可以包括：[0087] 步骤1，首先利用车辆自带的激光雷达传感器或深度相机传感器采集车辆周围的环境信息，并用于建立栅格地图，将所述栅格地图中的每一个栅格标记为障碍空间或自由空间，在标记后的栅格地图中选择起点和终点；[0088] 步骤2，通过改进RRT算法，得到初始路径；[0089] 步骤3，基于迪杰斯特拉算法(Dijkstra路径序列搜索算法)和重复序列优化算法进行优化后获得的第一路径；[0090] 步骤4，将优化路径上的路径点作为改进的动态窗口法的虚拟子目标点；[0091] 步骤5，确定当前的虚拟子目标点。[0092] 步骤6，具体地，如图4所示，车辆通过改进动态窗口法实现对周边环境的实时检测，在发现有未知障碍物(五角星符号表示)和动态障碍物(绿色符号和红色符号表示)，动态障碍物以随机方向移动(轨迹用实线表示)的情况下，为避免与其发生碰撞，通过改进动态窗口法进行动态避障，更新最优路径，所述结合动态窗口法和深度强化学习模型进行路径优化以更新所述第一路径得到第二路径作为最终路径包括：[0093] 步骤6.1，构建基于深度强化学习的动态窗口法的模型及其优化目标；[0094] 步骤6.2，初始化基于深度强化学习的动态窗口法的模型所有的参数值，随机生成数据集；[0095] 步骤6.3，构建模型的训练过程，将随机生成的所述数据集输入所述模型，计算每一轮训练结果的奖励值；[0096] 步骤6.4，根据损失值采用基于深度强化学习的动态窗口法对模型进行优化；[0097] 步骤6.5，设置最大训练轮数，重复步骤6.3?步骤6.4，得到训练完成的模型，采用训练完成的模型进行动态避障，更新最优路径。[0098] 优选地，所述构建模型的训练过程，将随机生成的所述数据集输入所述模型，计算每一轮训练结果的奖励值包括：[0099] 6.3.1，将随机生成的所述数据集输入车辆的运动环境，获得周围环境的信息和当前状态，然后利用卷积神经网络对数据集进行处理，智能体在当前状态与环境进行交互；[0100] 6.3.2，探索环境，由策略选择动作，将该动作其对应的动态窗口法的评价函数的权重与初始权重加和后，选择速度窗口中与最大评价函数对应的最优速度，移动到下一控制周期的状态，在交互过程中会产生一个奖励，将数据存入经验存放池中。[0101] 优选地，所述根据损失值采用基于深度强化学习的动态窗口法对模型进行优化包括：[0102] 步骤6.4.1，当经验存放池中样本数大于n时，从经验存放池中均匀随机取出一组样本；[0103] 步骤6.4.2，将取出的一组样本送到优化目标函数中以更新网络参数。[0104] 步骤7，如图5所示，在移动到虚拟子目标点后(轨迹用蓝色实线表示)，判断当前的虚拟子目标点是不是终点，如果是则认为完成路径规划，否则确定下一虚拟子目标点，并跳转至步骤5。[0105] 另外，如图6所示，本发明还提供一种基于改进RRT的车辆动态路径规划系统，所述基于改进RRT的车辆动态路径规划系统包括：[0106] 模型建立单元，用于建立栅格地图模型，确定起点和终点；[0107] 初始路径获取单元，用于利用改进的RRT算法获取初始路径，其中，所述初始路径被配置为基于邻接关系的结点扩展策略并融合传统RRT算法在所述栅格地图模型的自由空间中进行搜索而得到；以及[0108] 第一路径获得单元，用于基于迪杰斯特拉算法和重复序列优化算法进行优化后获得第一路径；[0109] 路径更新单元，用于在存在动态障碍物时，结合动态窗口法和深度强化学习模型进行路径优化以更新所述第一路径得到第二路径作为最终路径。[0110] 本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述基于改进RRT的车辆动态路径规划方法。[0111] 本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述基于改进RRT的车辆动态路径规划方法。[0112] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD?ROM、光学存储器等)上实施的计算机程序产品的形式。[0113] 本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。[0114] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。[0115] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。[0116] 在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。[0117] 存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。存储器是计算机可读介质的示例。[0118] 计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD?ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。[0119] 还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。[0120] 本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD?ROM、光学存储器等)上实施的计算机程序产品的形式。[0121] 以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

专利地区：安徽

专利申请日期：2022-07-28

专利公开日期：2024-11-29

专利公告号：CN115373384B