本發明涉及無人車輛的全局路徑規劃，具體涉及一種基于優化采樣的無人車快速路徑規劃方法。
背景技術：
1、隨著自動駕駛技術的快速發展，路徑規劃作為其核心技術之一，在提升駕駛安全性和效率方面發揮著關鍵作用。路徑規劃方法根據規劃范圍可分為全局和局部兩類：全局規劃基于已知起點和終點信息，旨在生成全局最優路徑；局部規劃則側重于實時動態調整，充分考慮道路條件和交通環境等因素，以確保路徑的實時性和適應性。從算法原理來看，全局路徑規劃主要包括基于隨機采樣的方法(如rrt及其改進算法rrt*)、基于圖搜索的方法(如a*算法和dijkstra算法)以及基于智能優化的方法(如深度學習、遺傳算法和蟻群算法)。然而，這些方法均存在一定局限性：圖搜索算法在路徑連續性、動力學約束和計算效率方面表現不足；深度學習方法的計算成本較高；而rrt類算法則存在搜索盲目性、節點冗余以及難以滿足車輛運動學約束等問題。
技術實現思路
1、本發明的目的在于提供一種基于優化采樣的無人車快速路徑規劃方法。提高傳統rrt算法效率同時提高自動駕駛車輛行駛路徑的平滑性及安全性。
2、為實現上述目的，本發明提供了一種基于優化采樣的無人車快速路徑規劃方法，包括下列步驟：
3、步驟1：裁剪采樣空間；
4、步驟2：以偏置概率p進行非障礙物空間采樣；
5、步驟3：將人工勢場法引入角度系數；
6、步驟4：基于改進人工勢場法加入引力場、斥力場；
7、步驟5：基于引力、斥力、優化后的采樣點選取新節點并以動態步長進行擴展；
8、步驟6：基于b樣條曲線擬合形成最終路徑。
9、可選的，在步驟1的執行過程中裁剪采樣空間，首先，確立起點和目標點的位置。其次，將起點和目標點作為一個矩形的兩個對角點畫矩形，所畫矩形包圍的空間就是新的采樣區域。最后，讀取障礙物的位置，位于矩形內的障礙物區域同樣不作為采樣區域。完成地圖裁剪。
10、可選的，在步驟2執行過程中，以偏置概率p進行非障礙物空間采樣。首先，需要設定一個偏置概率p,用于控制采樣過程中目標點偏向的程度，p需要根據實際情況自行調整，不可過大或過小。過大會導致錯過潛在最優路徑，過小則會降低搜索路徑，增加路徑長度。基于隨機數函數獲取一個0到1之間的隨機數，將其與定義的偏置概率p進行比較，如果小于偏置概率，則本次采樣將以目標點作為采樣點，若大于偏置概率則隨機采樣，具體表達式如下：
11、
12、其中，p為偏置概率，rand為0到1之間的隨機樹，xrand為隨機采樣生成的采樣點，xgoal為以目標點作為采樣點采樣所得到的采樣點，xsample為最終生成的采樣點。
13、可選的，在步驟3執行過程中將人工勢場法引入角度系數，傳統人工勢場法中，車輛靠近障礙物時，其受到的斥力主要受排斥力增益系數以及車輛與障礙物間距離的影響。當車輛繞過障礙物后，斥力仍然會干擾其向目標點的移動，從而可能導致多余路徑的繞行。針對這一問題，引入障礙物角度系數kang減少多余路徑繞行，具體表達式如下：
14、
15、其中，θ為車輛與障礙物之間連線與車輛到目標點連線的夾角車輛遠離障礙物時，θ逐漸增大。
16、可選的，在步驟4執行過程中，基于改進人工勢場法加入引力場、斥力場。其基本思想是在障礙物周圍構建斥力勢場，在目標點周圍構建引力勢場。引力場的強度與被控對象到目標點的距離成正比，而斥力場的強度則與被控對象到障礙物的距離成反比。如此，被控對象在這兩種勢場組成的總勢場中受到斥力作用和引力作用，斥力和引力的合力指引著被控對象的運動，搜索無碰撞路徑。具體表達式如下：
17、
18、其中，uatt(x)表示由目標點產生的引力勢場，urep(x)表示由障礙物產生的斥力勢場。katt為引力場增益常數，|x-xgoal|2為當前位置到目標點距離的平方。ρran代表斥力作用范圍，超出范圍則該障礙物的斥力不再作用于被控對象。krep為排斥力增益系數，ρ(x,xobs)為被控對象與障礙物之間的距離。
19、可選的，在步驟5的執行過程中，得到最終的總勢能向量uall(x),具體表達式如下：
20、uall(x)＝uatt(x)+urep(x)
21、其中,uall(x)為總勢能。
22、可選的，在步驟5的執行過程中，被控對象需要沿著勢能減小的方向移動，因此，定義引力fatt(x)和斥力frep(x)分別為引力場函數和斥力場函數的負梯度，具體表達式如下：
23、fatt(x)＝-katt|x-xgoal|
24、
25、其中，fatt(x)為目標點產生的引力，frep(x)為障礙物產生的斥力，katt為引力場增益常數，krep為斥力場增益常數，ρran代表斥力作用范圍，超出范圍則該障礙物的斥力不再作用于被控對象。ρ(x,xobs)為被控對象與障礙物之間的距離。
26、可選的，在步驟5執行過程中，步驟5中求得的斥力當被控對象繞過障礙物后，斥力仍然會干擾其向目標點的移動，從而可能導致多余路徑的繞行。針對這一問題，引入步驟3所述的障礙物角度系數kang減少多余路徑繞行，具體表達式如下：
27、
28、其中，frep1(x)為引入障礙物角度系數kang后的障礙物斥力。
29、可選的，在步驟5執行過程中，基于引力、斥力選取新節點并以動態步長進行擴展，首先計算引力分量和斥力分量，并結合隨機生成的節點坐標，依據平行四邊形法則進行矢量合成，從而確定合力的方向與大小。在步長確定環節，算法通過計算隨機節點與鄰近節點的歐氏距離，采用自適應調整策略：當節點間距小于預設步長時，將當前距離作為臨時步長；反之，則保持初始步長設定不變。具體表達式如下：
30、
31、其中,xnew為新擴展節點，xnear為離隨機采樣點最近的樹節點，ptem為動態步長，u(n)為最終合力向量。
32、可選的，在步驟6執行過程中，為了確保車輛在運動過程中的平穩性，對步驟5最終生成的節點的連續性提出了嚴格要求。三次b樣條曲線以其獨特的在節點矢量處實現二階連續的特性，這與車輛運動學中對速度、加速度連續變化的要求高度契合。b樣條曲線函數通過綜合運用插值、逼近和擬合等多種數學方法，對路徑規劃中的不平滑部分進行精細處理。這種處理方式不僅提升了路徑的可行性，也增強了軌跡的實際可執行性。
33、本發明提供了一種基于優化采樣的無人車快速路徑規劃方法，該方法首先在rrt算法的基礎之上，裁剪采樣空間并以偏置概率p進行非障礙物空間采樣；然后引入角度系數改進人工勢場法；接著基于改進人工勢場法在rrt算法生成的隨機樹中引入引力場，在障礙物的周圍建立斥力場；基于引力、斥力、優化后的采樣點選取新節點，并以動態步長進行擴展，得到粗解路徑；最后基于b樣條曲線擬合粗解路徑上的節點，形成最終路徑。本發明克服了rrt算法搜索隨機性強、擴展節點冗余的問題，在rrt全局路徑規劃算法的時間，路徑長度，采樣點數量以及路徑曲率方面都有明顯優化效果。