本發明涉及軌跡規劃，尤其涉及一種無高精地圖下的越野場景類人軌跡規劃方法。

背景技術：

1、高精地圖具有重要的語義價值和幾何信息，但是在越野場景下，構建厘米級的高精地圖并不可行，因此在僅有粗糙路網提示的前提下，擺脫對高精地圖的依賴進行軌跡規劃是重要的自動駕駛解決方案。

2、現有通常構建規則和代價函數，通過求解而得到規劃方案。

3、但是基于規則和代價函數優化的方案往往靈活性不足，嚴重依賴于預設的規則和模型，難以適應復雜和動態的環境變化，可能導致路徑規劃的局限性。同時，代價函數優化中，設計一個合理的代價函數需要充分理解環境和車輛性能，在越野場景中，多樣的環境變化導致很難設計出準確適用的代價函數，錯誤的設計很有可能導致不理想的路徑或效率低下。

技術實現思路

1、鑒于上述的分析，本發明實施例旨在提供一種無高精地圖下的越野場景類人軌跡規劃方法，用以解決現有在無高精地圖的情況下規劃的路徑的合理性和安全性不足的問題。

2、本發明實施例提供了一種無高精地圖下的越野場景類人軌跡規劃方法，包括以下步驟：

3、從無人駕駛車輛每幀局部高程地圖中提取高度特征點，根據每幀的高度特征點、車輛軌跡點和全局稀疏路網中的路點構建幀序列數據集；

4、按時間窗從幀序列數據集中取出多幀數據構建圖數據，傳入時空圖卷積網絡，提取圖特征向量后傳入時序預測網絡，得到多幀軌跡點；將多幀軌跡點傳入目標點預測網絡，預測出對應多幀軌跡點最后一幀的多個目標點，根據多個目標點和最后一幀的高度特征點構建目標熱力矩陣；提取目標熱力矩陣的特征向量與圖特征向量融合后再次傳入時序預測網絡，得到當前時間窗預測的軌跡點；

5、滑動時間窗，依次覆蓋和拼接各時間窗預測的軌跡點得到規劃軌跡。

6、基于上述方法的進一步改進，從無人駕駛車輛每幀局部高程地圖中提取高度特征點，包括：

7、將每幀局部高程地圖中每個像素點坐標轉換至全局坐標系中；對每幀局部高程地圖中的像素點進行聚類，將每個聚類簇作為高度特征點，取每個聚類簇的中心點坐標和最小外接矩形的尺寸作為高度特征點的坐標和尺寸，取每個聚類簇平均像素值作為高度特征點的像素值。

8、基于上述方法的進一步改進，對每幀局部高程地圖中的像素點進行聚類，是根據像素點的像素值和像素點之間的距離，將同時滿足小于等于像素值容差閾值和距離容差閾值的像素點歸為同一聚類簇而得到。

9、基于上述方法的進一步改進，構建幀序列數據集包括：將每幀的高度特征點和車輛軌跡點，以及全局稀疏路網中的路點作為三類特征點，對每類特征點中的每個特征點均提取相同的多維特征屬性作為每幀數據，其中，多維特征屬性包括：幀序列號、id標識、類型標識、x坐標、y坐標、z坐標、x方向尺寸、y方向尺寸、像素值和航向角。

10、基于上述方法的進一步改進，多維特征屬性中的類型標識用于區分高度特征點、車輛軌跡點和路點；在相鄰兩幀局部高程地圖中，對像素值差距和坐標差距均小于等于對應閾值的高度特征點賦予相同的id標識，否則，賦予不同的id標識；高度特征點的航向角均為0。

11、基于上述方法的進一步改進，按時間窗從幀序列數據集中取出多幀數據構建圖數據，包括：

12、按時間窗對應的幀數取出多幀數據，將其中每幀數據中的高度特征點、車輛軌跡點和路點作為每幀圖數據中的節點；根據每幀中節點間的距離閾值構建空間邊集，進而得到空間連接鄰接矩陣；根據幀間相同節點間的幀數閾值構建幀間邊集，進而得到時間空間自連接鄰接矩陣。

13、基于上述方法的進一步改進，根據多個目標點和最后一幀的高度特征點構建目標熱力矩陣，包括：

14、從多個目標點中選取概率較高的若干個目標點；

15、根據輻射閾值采用基于網格的方法獲取若干個目標點的輻射區域，通過疊加輻射區域中相同位置的熱力值得到初始熱力矩陣；

16、根據最后一幀的高度特征點即與目標點在同一幀的高度特征點的坐標，對應初始熱力矩陣中的元素，并將像素值大于最大閾值的高度特征點對應元素的熱力值置為0，得到目標熱力矩陣。

17、基于上述方法的進一步改進，提取目標熱力矩陣的特征向量，是通過將目標熱力矩陣傳入訓練好的卷積神經網絡中進行編碼而得到的特征向量。

18、基于上述方法的進一步改進，時序預測網絡采用門控循環單元網絡。

19、基于上述方法的進一步改進，目標點預測網絡由多層感知機組成，以歷史數據中的車輛軌跡點為訓練樣本，以駕駛員的真實軌跡點為真值進行訓練，預測出多個目標點位置及各目標點的概率。

20、與現有技術相比，本發明至少可實現如下有益效果之一：

21、1、以全局稀疏路網的粗引導為基礎，基于類人駕駛知識預測出多個目標點并去除高度危險區域，實現對全局稀疏路網的安全可靠的加密，生成局部熱力引導，在雙重引導下生成的軌跡既滿足全局導航要求，又滿足對于局部環境的類人響應，規劃出與真實類人軌跡更為接近，安全性更強的軌跡。

22、2、通過對像素值聚類提取出高度特征點，有效地減少圖網絡的節點數量，構建輕量精簡的圖結構，極大提高模型的處理效率；同時聚類得出的高度特征突出的區域，使得時序預測網絡關注的特征更明確，促進網絡學習車輛自身與環境間的理解與交互。

23、3、目標點預測網絡通過模擬專家駕駛員的駕駛軌跡進行訓練，不僅關注車輛的行駛路徑，還包括駕駛員在面對動態障礙、地形變化和環境特征時的決策過程，學習人類在復雜非結構化環境中的場景理解；通過模仿專家駕駛員的行為，不僅能夠降低對預設規則的依賴，還能在面對未知的復雜環境時表現出更高的魯棒性和靈活性，顯著提升了自動駕駛在非結構化環境中的操作能力。

24、本發明中，上述各技術方案之間還可以相互組合，以實現更多的優選組合方案。本發明的其他特征和優點將在隨后的說明書中闡述，并且，部分優點可從說明書中變得顯而易見，或者通過實施本發明而了解。本發明的目的和其他優點可通過說明書以及附圖中所特別指出的內容中來實現和獲得。

技術特征：

1.一種無高精地圖下的越野場景類人軌跡規劃方法，其特征在于，包括以下步驟：

2.根據權利要求1所述的無高精地圖下的越野場景類人軌跡規劃方法，其特征在于，所述從無人駕駛車輛每幀局部高程地圖中提取高度特征點，包括：

3.根據權利要求2所述的無高精地圖下的越野場景類人軌跡規劃方法，其特征在于，所述對每幀局部高程地圖中的像素點進行聚類，是根據像素點的像素值和像素點之間的距離，將同時滿足小于等于像素值容差閾值和距離容差閾值的像素點歸為同一聚類簇而得到。

4.根據權利要求1所述的無高精地圖下的越野場景類人軌跡規劃方法，其特征在于，所述構建幀序列數據集包括：將每幀的高度特征點和車輛軌跡點，以及全局稀疏路網中的路點作為三類特征點，對每類特征點中的每個特征點均提取相同的多維特征屬性作為每幀數據，其中，多維特征屬性包括：幀序列號、id標識、類型標識、x坐標、y坐標、z坐標、x方向尺寸、y方向尺寸、像素值和航向角。

5.根據權利要求4所述的無高精地圖下的越野場景類人軌跡規劃方法，其特征在于，所述多維特征屬性中的類型標識用于區分高度特征點、車輛軌跡點和路點；在相鄰兩幀局部高程地圖中，對像素值差距和坐標差距均小于等于對應閾值的高度特征點賦予相同的id標識，否則，賦予不同的id標識；高度特征點的航向角均為0。

6.根據權利要求4所述的無高精地圖下的越野場景類人軌跡規劃方法，其特征在于，所述按時間窗從幀序列數據集中取出多幀數據構建圖數據，包括：

7.根據權利要求2所述的無高精地圖下的越野場景類人軌跡規劃方法，其特征在于，所述根據所述多個目標點和最后一幀的高度特征點構建目標熱力矩陣，包括：

8.根據權利要求1所述的無高精地圖下的越野場景類人軌跡規劃方法，其特征在于，所述提取目標熱力矩陣的特征向量，是通過將所述目標熱力矩陣傳入訓練好的卷積神經網絡中進行編碼而得到的特征向量。

9.根據權利要求1所述的無高精地圖下的越野場景類人軌跡規劃方法，其特征在于，所述時序預測網絡采用門控循環單元網絡。

10.根據權利要求1所述的無高精地圖下的越野場景類人軌跡規劃方法，其特征在于，所述目標點預測網絡由多層感知機組成，以歷史數據中的車輛軌跡點為訓練樣本，以駕駛員的真實軌跡點為真值進行訓練，預測出多個目標點位置及各目標點的概率。

技術總結
本發明涉及一種無高精地圖下的越野場景類人軌跡規劃方法，屬于軌跡規劃技術領域，解決了現有在無高精地圖的情況下規劃的路徑的合理性和安全性不足的問題。包括提取每幀的高度特征點，與車輛軌跡點和全局稀疏路網中的路點構建幀序列數據集；按時間窗從中取出多幀數據構建圖數據傳入時空圖卷積網絡，提取圖特征向量后傳入時序預測網絡得到多幀軌跡點；將多幀軌跡點傳入目標點預測網絡，預測出對應多幀軌跡點最后一幀的多個目標點；構建目標熱力矩陣并將目標熱力矩陣的特征向量與圖特征向量融合后再次傳入時序預測網絡，得到當前時間窗預測的軌跡點；滑動時間窗，依次覆蓋和拼接各時間窗預測的軌跡點得到規劃軌跡。實現了安全可靠的類人軌跡的規劃。

技術研發人員：劉海鷗,陳思恩,王博洋,李世豪,李驥,陽依婷
受保護的技術使用者：北京理工大學
技術研發日：
技術公布日：2025/4/28