基于高精地图的导航算法模型.docx

基于高精地图的导航算法模型.docx

《基于高精地图的导航算法模型.docx》由会员分享，可在线阅读，更多相关《基于高精地图的导航算法模型.docx（7页珍藏版）》请在冰豆网上搜索。

基于高精地图的导航算法模型

基于高精地图的导航算法模型

传统的导航电子地图因交通路网在微观层面表现粒度不细，在满足先进的汽车辅助驾驶系统（ＡＤＡＳ），乃至无人驾驶汽车需求方面常显不足，为了增加驾驶辅助系统或者自动驾驶的可靠性，可以将静态交通信息例如道路线、交通灯等信息提前采集存储在电子地图中，同时根据城市周期性的变化更新电子地图，以便在行驶过程中通过地图数据库就能够获取周边环境的详尽信息。

汽车智能驾驶系统有两大关键技术，车辆定位和车辆控制技术。

车辆定位和控制在很大程度上依赖于精确的导航电子地图。

这就对地图提出了新的要求，不仅需要分辨率高，还需要信息详细。

本文提出的高精细地图，主要是指分辨率达到亚米级的道路级地图，而高精度导航地图能否有效发挥其功能取决于路网数据模型的准确性。

因此下文将会对道路级网络模型以及路径规划引导两方面进行详细阐述，同时也会对其应用进行说明。

一、道路交通网络

道路（Ｌａｎｅ）作为车辆行驶过程中所占道路的最小单元，以道路作为基本单元，顾及道路的属性、拓扑语义关系及与道路的连接关系是本文研究的基本出发点。

建立道路级交通网络就是将物理上的实际道路网络抽象为可借助卫星定位手段，进行导航控制的道路级交通网络，下面将从

数据规格设计以及模型路口处理两个方面对道路交通网络模型进行说明。

（一）基础数据规格定义

道路功能划分包括各流向道路数和各流向道路位置的划分，也包括每条道路的宽度设计、分隔线性质设计、允许的车种、行驶的速度、限行的时间等交通规则的制定。

因此在进行规格设计的时候需要考虑到与道路相关的所有属性。

1.道路与道路连接关系道路级交通网络是由道路中心线网络和行道路路网络组成，每条道路直接隶属于一条行道路路，多条平行的道路组成一条行道路路。

因此道路与行道路路的关系是多对一的关系，可在道路的属性中给出其所属的行道路路的ＩＤ号，而行道路路的属性中，则给出其下属的各条道路的ＩＤ号集合以及道路数，如表１、表２所示。

2.相同道路不同道路关联关系设计按照目前ＮＤＳ（ＮａｖｉｇａｔｉｏｎＤａｔａＳｔａｎｄａｒｄ）提出的道路组概念，每一组道路左右边线都必须一致，这会导致数据冗余，如图１中的四个道路，如果按照道路组的概念，１，２两个道路在Ｂ，Ｃ，Ｄ三个位置处都会被打断并生成结点（方框部分），但是这些结点并没有实际意义，而３，４号道路在那几个位置打断都代表着右转起始点／禁止右转起始点。

为了解决这个问题，我们提出一种解决方案，不使用车道组，而是通过在两车道之间建立特殊的关联关系，让不同的车道根据左右边线的不同有不同的断开方式，如图２所示，我们需要新建一个图层存储这种特殊的连接关系。

3.车道结点规格设计

为了方便表达车道网络的拓扑关系，还需要设计车道结点规格，如表３所示

二）模型路口处理

路口是道路与道路连通交汇的地方，物理上为一片空旷区域，不具有道路线，车辆在此区域按交通指示行驶，从一条道路通向另一条道路。

因此就道路而言，通过标线划定的道路为实际道路，而在路口进行不同道路上道路的连接而虚设的线条，称虚拟道路。

目前了解到的路口处理方式主要有三种：

（１）没有抽象的线进行表达，道路之间的拓扑关系只是通过关系表进行描述，如图３所示，图中框内的结点可以通向路口对面三条道路，因此我们在道路节点图层中预留一个字段存储结点通向道路的集合。

这样的模型在引导道路集合上不会出现问题，但是会导致在交叉路口无法对车辆的位置进行定位，无法很好的描绘出行车轨迹。

２）在路口使用虚拟道路进行描述，为鸡爪形，将通行方向一致的几条道路汇总为一点，连接到虚拟行驶道路（图４）。

虚拟行驶道路则为交通流单向的一条供转向或直行的通道方向线，作用只是指示通行趋势。

这种路口表达方式也存在模式一的问题，无法对车辆的位置进行定位，并且无法很好的描绘出行车轨迹。

（３）在路口使用虚拟道路来表达路口处各道路的连接关系，与模式二不同的是直接将路口两端可以通行的道路进行连接，如图５所示，由于这种模型已经把行车轨迹线描绘出来，因此在路口对车辆能够进行较准确的定位。

根据对比，本次研究使用了第三种路口模型，并且对该模型进行了一定的优化。

在一开始的数据设计时，使用折线来进行路口虚拟道路线的表达，但是由于某些交叉路口比较复杂，如果单纯使用折线，想要表达出连续且光滑的转弯行车线比较困难，为了达到理想的效果只能增加折点的数量，导致数据存储量及工作量增加。

为了减少数据量及工作量，且能够对转弯虚拟道路进行较好的表达，我们使用三次样条曲线来对路口道路进行抽象表达。

图６说明在只有三个节点的情况下，折线表现出来的

曲线效果较差（如果想要表达出更好的曲线效果就必须增加节点的数量，这不仅增加了数据存储量，也增加了工作量），而三次样条曲线（图７）可以很好的表达出虚拟道路的形状。

二、基于高精度地图的路径规划及引导

最基本的路径规划问题是在完全已知的静态环境中为导航车寻找一条从给定的起始点到目标点的满足一定规划指标的路径。

根据对环境信息的把握程度可划分为全局路径规划和局部路径规划。

其中，全局路径规划需要掌握关于环境的所有信息，在本文中指的就是道路级的路径规划，首先按照路线距离最短原则使用Ａ算法进行路径的计算。

局部路径规划，本文中指的是道路级引导，只需要了解行进中的导航车周围的障碍物信息，并在其行走过程中，根据道路的实时信息进行引导（如某条道路可以通行，但是其中一条道路封闭施工，这时候就需要知道导航车所处的道路，然后在引导时告知导航车需要变换道路），并且确定出导航车在地图的当前位置及其局部的障碍物分布情况以选出从当前结点到某一子目标结点的较优弧。

在规划算法中，通过对路阻进行不同类型的标定（例如将某些道路设置为拥堵或者设置为施工限行），同时修改Ａ算法中相应的启发函数，可以实现的最优目标，本文在应用试验中，首先以最短出行距离为目标进行路径规划，通过设定任务进行路径规划，验证道路级地图的正确性。

之后，通过为地图中各路段设定不同的道路类型属性，

使其拥有不同的设计车速，此时，对比以最短出行距离为目标的路径规划结果与以最短静态出行时间为目标的路径规划结果，验证静态最短出行实现规划的有效性。

三、实际应用为了验证高精度地图的正确性，我们对其进行了应用

试验，试验结果见图８

整体算法描述：

给定路网和起点、终点，计算出从起点到终点的最佳行驶路线，并且应对道路上的交通事件，把路线细化到道路，从而做到在地图上模拟车辆在真实道路行驶的轨迹。

（一）道路规划算法

道路规划算法只是使用到传统的道路级的地图，根据道路之间的拓扑关系计算出给定起始点之间的最短路径，这里并未涉及到道路图层．道路规划分为两个步骤：

（１）从路网数据构建图模型；（２）用户给定起点和终点，程序在图模型中执行经典单向Ａ算法搜索从起点到终点的最优路径。

（二）道路细化算法

道路细化算法是在Ａ算法规划好的路径上，根据道路连结性和权值，把具体的路径细化到道路。

对路径上某条道路Ｌ，找出其对应的所有道路，对每一条道路，执行深度优先搜索，直到找到有对应道路的道路，并判断其对应的道路是否为道路Ｌ的下一条道路。

以上算法求出路径对应的道路集合，由于权值、连通性等问题，集合中的道路可能需要执行并道才能最终连成连通起点和终点的轨迹。

（三）道路并道算法

道路细化算法算出规划路径中各道路对应的必经道路和可选道路，道路并道算法通过选取、新增、截断、连结，把这些道路连成一条道路级的道路行驶轨迹。

（１）选取：

将道路中的道路分为必经道路和可选道路两类，必经道路为如下道路之一：

①起点、终点的最右道路；②道路唯一道路；③与必经道路相连的道路。

所有其他非必经道路则为可选道路。

（２）新增：

因为所有的必经道路不一定连通，通过新增并道轨迹，通过可选道路把必经道路连接在一起。

（３）截断：

把原道路轨迹在并道轨迹的前后部分截断，保持线性连通。

（４）连结：

把截断后的道路和并道轨迹合并形成道路级行车路径。

（四）引导事件处理算法

引导事件，模拟现实生活中导致交通堵塞的交通事件，当事件发生在道路轨迹上时，需要重新计算行驶轨迹。

根据事件发生的位置不同，系统执行不同的反应：

（１）事件发生在道路唯一道路上，如右转专用道，则重新从道路级规划开始计算道路轨迹；

（２）事件发生在道路非唯一道路上，尝试利用道路并道算法，通过其他道路绕过事件点。

四、结束语

随着人工智能技术以及超级计算机技术的发展，道路

采集成本逐渐降低并且道路级引导速度逐渐加快，为了增加驾驶辅助系统或者自动驾驶的可靠性，需要设计出高分辨率地图规格及模型。

本文通过研究目前的道路设计方案，提出了两点优化方式以减少数据的冗余存储。

在两道路之间建立特殊的关联关系，让不同的道路根据左右边线的不同有不同的断开方式；对虚拟路口道路线进行优化使用三次样条曲线来对路口道路进行抽象表达。

（１）根据道路实际情况提出了一种优化的道路结点存储方式，通过在两道路之间建立特殊的关联关系，让不同的道路根据左右边线的不同有不同的断开方式，从而减少结点的存储数量。

（２）针对模型路口的复杂情况，对虚拟路口道路线进行优化使用三次样条曲线来对路口道路进行抽象表达，从而减少虚拟道路线节点的存储数量。

该研究存在一定的局限性，目前只能在道路环境相对简单的园区进行，如果数据量太多或者道路连接关系太复杂，采集道路数据的成本会大大增加，同时由于计算量太大导致引导反应时间变长，道路级引导的体验可能还不如道路级引导。