单舵轮AGV路径规划方法与流程

单舵轮agv路径规划方法
技术领域
1.本发明属于路径规划技术领域，尤其涉及一种单舵轮agv路径规划方法。


背景技术：

2.agv作为一种无人操作的智能化搬运设备，在制造业生产、仓储物流等作业环节中发挥着重要作用。其中，单舵轮agv具有底盘结构简单、驱动方式简明、成本低廉等优点，在工业物流领域被大量应用，但对该类型的agv进行路径规划及其运动控制时，需要额外考虑车轮的非完整约束条件，让机器人在给定运动路径下始终能保持车轮无滑动滚动的状态，才能使其在自主导航时保证较高的可控运动精度。如果能为单舵轮agv自主导航规划出合理、可达、无碰撞的全局路径，就可以减轻轨迹跟踪控制的难度，显著提高agv的运行效率和轨迹跟踪精度，以此为agv自主导航的准确运动提供技术支撑。
3.纵观国内外相关研究及技术方案可知，考虑非完整约束系统的路径规划方法主要包括曲线插值方法、图搜索方法、图采样方法、最优控制方法以及机器学习方法。其中，基于图搜索方法发展而来的hybrid a星算法（混合a星算法）由于具备较高的求解速度、求解结果稳定且在搜索分辨率下全局最优，是目前实际运用较为广泛的方法，也更符合agv的低算力特点和高实时性要求，因此是本发明的主要研究方向。
4.hybrid a星算法是由dolgov提出的从a星算法改进而得到，通过轮式底盘可实现的曲线轨迹来进行节点拓展，满足了轮式车辆的非完整约束。然而，通过hybrid a星算法所搜索出的路径会包含不必要的转弯和曲率不连续的问题，这在实用中还有待进一步平滑优化。因此，dolgov进一步提出采用梯度下降法对hybrid a星算法初步搜索得到的路径进行平滑后处理（后文将dolgov提出的算法称为原始hybrid a星算法）。综上所述，原始hybrid a星算法作为该领域的背景性技术，可简要概括为路径搜索和路径平滑两部分。
5.原始hybrid a星算法通过路径搜索和路径平滑两个步骤，可以为轮式车辆或机器人规划出一条平滑的、满足运动学非完整约束的全局路径，但仍存在以下几个问题：首先，基于图搜索算法得到的初搜路径由于趋向距离最短，因此往往紧贴障碍物。这种情况不利于agv的行驶，而且也会压缩路径平滑优化的空间，增加路径平滑的优化难度；如果初搜路径可以适当远离障碍物，虽然增加了路径的总长度，但从路径的安全性和平滑优化的难度上都更具备优越性。其次，在采用原始算法中提到的梯度下降法对初搜路径进行平滑时，是用惩罚代价的方式来描述障碍物对路径的影响。而在平滑优化过程中，由于同时考虑了障碍物代价、平滑代价和曲率代价，如果障碍物代价权重过高，则路径的平滑效果可能受影响；如果障碍物代价权重过低，则无法确保优化后的路径与障碍物不发生干涉。如果出现了干涉的情况，则需要反复调节发生碰撞的位置点，直到新的路径能够通过碰撞检测，这会给路径的规划效率和规划质量带来一定的不确定性。最后，路径规划方法的规划效率一直是评价算法可行性的重要指标，如对原始hybrid a星算法进行改进，改进后的路径规划方法的总体效率应进一步提升。
6.综上所述，可将原始hybrid a星算法存在的问题以及问题解决后应达到的效果概
括为以下两点：第一，路径规划的结果应确保安全性，这一问题可以从路径搜索（使初搜路径适当远离障碍物）和路径平滑（确保路径平滑算法的安全性）两个角度进行改进；第二，在路径规划的全过程中，计算效率都具有提升空间，改进后应具备更优的实时性。


技术实现要素：

7.本发明的目的在于提供一种单舵轮agv路径规划方法，有效解决原始hybrid a星算法在路径搜索阶段中搜索的路径容易贴近障碍物的问题。
8.为解决上述技术问题，本发明采用的技术方案是：一种单舵轮agv路径规划方法，首先，由物流调度总系统提供用于路径规划的场景的信息、规划起点的信息和规划终点的信息；然后，基于改进hybrid a星算法进行路径搜索，得到初搜路径；最后，采用二次规划的数值优化算法，在保证路径安全性的前提下对初搜路径进行路径平滑，并转化成在世界坐标系下的全局路径离散点，根据所述全局路径离散点规划单舵轮agv路径。
9.进一步地，所述路径搜索包括以下步骤：s1、计算所述规划起点到所述规划终点的rs曲线，所述rs曲线是在无障碍物情况下满足车辆运动学约束的距离最优曲线，如果所述rs曲线与环境障碍物无碰撞，则直接采纳所述rs曲线为初搜路径，结束路径搜索；反之，则将所述规划起点作为父节点，进行下一步操作。s2、扩展子节点：相对父节点的子节点为车辆以转弯半径行进离散步长的距离后所在的位置。s3、计算子节点的代价值：，式中，代表子节点的代价值，为累计代价函数，为启发式函数。，，式中， 为离散步长，为对转向的惩罚系数，为对倒车的惩罚系数。，式中，为a星算法搜索得到的从子节点n到所述规划终点所途径的总共k个节点中的第i个节点，为与第i个节点对应的障碍物距离代价函数，表示为：，式中，为第i个节点对应的距离场数值，为大于1的安全距离阈值。s4、计算子节点到所述规划终点的rs曲线，如果所述rs曲线与环境障碍物无碰撞，则直接采纳所述rs曲线为初搜路径的剩余路径，结束路径搜索；反之，则在所述父节点扩展的所有子节点中选择代价值最小的子节点作为下一个父节点，重复步骤s2～s4，直到所述rs曲线与环境障碍物无碰撞。
10.进一步地，所述二次规划的数值优化算法是以轨迹的距离代价和曲率代价作为优化目标，把经路径搜索得到的初搜路径上的路径离散点离障碍物的距离引入约束条件，以保证优化后的轨迹不会与障碍物发生碰撞，最后进行优化求解。
11.进一步地，对于初搜路径上的每一个原始路径离散点，其坐标表示为，再经所述路径平滑后的相应的路径离散点为，所述用三个变量进行描述，其中是的坐标，是路径平滑后的路径离散点的位置相对初搜路径上的原始路径离散点位置在路径法线方向上的偏移距离。
12.对于的位置约束条件为：，；对于偏移量的线性约束条件为：，其中是原始路径离散点到下界障碍物的实际距离，是原始路径离散点到上界障碍物的实际距离。
13.进一步地，由于所述路径平滑是以轨迹的距离代价和曲率代价作为优化目标，因此，所述路径平滑优化问题的优化代价函数包括距离代价函数和离散曲率代价函数两部分。，式中，表示距离代价函数的代价权重，表示初搜路径上的路径离散点的总数量。，式中，表示路径离散点处的曲率，表示路径离散点处的曲率的变化率，和均表示权重系数。，。综上，。
14.进一步地，在步骤s3中，直行节点的为1，左转和右转节点的为大于1的常数；前进节点的为1，后退节点的为大于的常数。
15.本发明的有益技术效果是：（1）本发明针对原始hybrid a星算法在路径搜索阶段中存在的搜索的路径容易贴近障碍物的问题，提出利用距离场地图对图搜索的启发式代价函数进行改进，高效搜索出一条初步满足运动学约束、并与障碍物保持一定距离的无碰撞路径，作为初搜路径，减少了节点拓展数目，提升了路径搜索的效率。
16.（2）本发明针对原始hybrid a星算法在路径平滑阶段中存在的可能与障碍物冲突的问题，提出将路径平滑问题描述成包含线性约束的二次规划优化问题，通过边界约束保证避障效果，使得路径平滑结果能够兼顾非完整约束特点和安全性，并显著提升了路径平滑的效率。
17.（3）本发明基于产品研发模式，提出了单舵轮agv的自主导航运动框架，该框架不仅可指导本发明所涉及的项目进行路径规划算法的技术研发，也能保证上下游技术要求的一致性，从而提高项目开发的效率，为其他物流场景下的自主导航研发项目提供依据并奠定基础。
附图说明
18.图1是本发明的单舵轮agv自主导航技术系统功能架构图，其中，（a）表示总系统，（b）表示子系统层1，（c）表示子系统层2。
19.图2是a星算法与hybrid a星算法的拓展子节点的方式比较示意图，其中，（a）表示a星算法拓展子节点的方式，（b）表示hybrid a星算法拓展子节点的方式。
20.图3是实施例1中拓展子节点的坐标计算示意图。
21.图4是实施例1中经路径平滑前后的路径离散点的描述示意图。
22.图5是测试例1中原始hybrid a星算法与本发明改进启发式函数后的hybrid a星算法的搜索路径的效果对比图，其中，（a）表示路径搜索实验在三种场景下的初始位姿start和目标位姿goal的布置位置，（b）表示图（a）中的（b）实验场景-s型连续弯的搜索结果，（c）表示图（a）中的（c）实验场景-直线避障的搜索结果，（d）表示图（a）中的（d）实验场景-u型弯的搜索结果。
具体实施方式
23.本发明给出一种基于原始hybrid a星算法的用于单舵轮agv物流场景下的全局路径规划方法。本发明能够在给定环境栅格地图的前提下规划出一条符合单舵轮agv非完整运动学约束条件限制的、确保安全性的参考路径，用于agv在物流场景下的自主导航功能。
24.本发明的整体思路分为路径搜索和路径平滑两个阶段，在路径搜索阶段，将距离场地图引入图搜索算法的启发式函数的设计，高效搜索出一条初步满足运动学约束、并与障碍物保持一定距离的无碰撞路径，作为初搜路径。在路径平滑阶段，将平滑问题描述成二次规划问题，通过边界约束保证避障效果，使得路径平滑结果能够兼顾非完整约束特点和安全性。
25.实施例1：本实施例根据应用场景中对单舵轮agv自主导航技术系统的技术研发需求，基于德国pahl/beitz产品研发模式对单舵轮agv自主导航技术系统进行功能分析，如图1所示。首先对企业研发需求的主系统—agv自主导航控制系统进行分析，如图1（a）总系统部分所示。该系统的输入信息是运动目标和agv状态反馈，输出信息是对单舵轮agv的控制量。agv要完成一次物流运输任务时，首先要由上位终端给出任务的运动目标，agv的自主导航控制系统接收目标后，自主给出对单舵轮转向电机和驱动轮电机的控制量，并不断接收agv电机和其他传感器的状态信息反馈，以驱动单舵轮agv按既定目标前进。
26.接下来，对主系统进行子功能划分。本实施例将agv自主导航控制系统功能分为定位与建图、决策与调度和规划与控制三个子功能，如图1（b）子系统层1部分所示。其中，规划与控制子功能要解决的问题是根据定位与建图子功能给出的环境信息，规划出一条到达终点目标的参考路径，并驱动单舵轮agv精准沿该路径行驶，该子功能即为本发明的研究内容。
27.最后，针对规划与控制功能进行信息流分析和子功能划分，如图1（c）子系统层2部分所示。其中，物理模型作为单舵轮agv的固有属性，主要为其他子功能模块提供约束条件；运动规划子功能接收其他功能传输来的规划始/终点信息及环境信息，并基于物理模型的约束限制规划出适合单舵轮agv行驶、满足单舵轮agv结构条件的非完整约束的参考路径；跟踪控制模块根据参考路径和自车信息计算并输出控制量，对单舵轮agv的两个电机进行实时控制。
28.（1）始点和终点信息：由决策与调度功能模块给出的始点和终点信息一般为起始点和目标点的坐标和位姿朝向，即，这是一个在世界坐标系下的三维变量。
29.（2）环境信息：环境信息由定位与建图功能模块提供，根据其数据类型一般分为特征地图、拓扑地图和栅格地图三种。其中，栅格地图的原理是将环境信息划分成有限个离散栅格，每个栅格对应一个由感知融合算法得到的数值，通过数值大小来确定栅格的状态，即
被占据或空闲。
30.（3）参考路径：参考路径可以理解为引导agv自主运动的指引线，一条优质的参考路径应当可以直接成为agv实际运动的轨迹，跟踪控制模块将根据自车实际位置与参考路径之间的差距来对agv进行实时闭环控制，使得其可以按照参考路径行驶。由于计算机系统的离散特性，参考路径一般由一系列离散的路径点组成，每一个路径点都包含其在世界坐标系下的坐标和角位置等信息。
31.（4）模型信息：模型信息是由物理模型决定的、向运动规划和跟踪控制子功能提供约束条件的描述信息，运动规划和跟踪控制子功能的具体实现都依赖于物理模型，不同底盘类型的agv具有不同的物理模型，其对应的另两个子功能也应有所不同。模型信息一般包括运动学模型和动力学模型。
32.（5）自车信息：自车信息是由定位与建图功能模块提供的agv实时运动信息，包括自车在世界坐标系中的位置、朝向、车速和前轮转角等。
33.（6）控制量：控制量是由跟踪控制子功能模块输出给agv具体执行元件的信息，对于单舵轮型agv，控制量应输出前轮目标转角δ和前轮目标轮速ω。
34.基于上述功能划分，本实施例设计的适用于单舵轮agv自主导航功能的单舵轮agv路径规划方法，首先，由物流调度总系统提供用于路径规划的场景的信息、规划起点的信息和规划终点的信息。然后，在接收上述信息后，基于改进启发函数的hybrid a星算法进行路径搜索，得到初搜路径；最后，采用二次规划的数值优化方法，在保证路径安全性的前提下对初搜路径进行路径平滑，并转化成在世界坐标系下的全局路径离散点，根据所述全局路径离散点规划单舵轮agv路径。
35.在路径搜索阶段，本实施例基于原始hybrid a星的图搜索算法部分改进得到，由于hybrid a星算法是在a星算法的基础上改进得到，因此，在此首先介绍a星算法的图搜索过程。在栅格地图中，a星算法从起始位置出发，并以该位置作为初始节点，在初始节点的周围不断扩展子节点，在这些子节点中选择代价函数总值最小的作为下一个搜索点。该过程不断往复，直至扩展的子节点中出现终点位置所在的节点。上述过程中的代价函数可以表示为： ，公式中，为累计代价函数，物理意义是从起始节点到当前节点的累计距离；为启发式函数，物理意义是当前节点到目标节点的预估距离。因此，代表路径在途经当前节点这一条件下，起始节点到目标节点的总估计距离。
36.a星算法的路径搜索的核心原理如下：第一，不断寻找总代价值最小的无碰撞节点进行扩展；第二，如新节点已经被扩展过，则通过比较的方式选择更优路径。采用这样的思路，可以将搜索方向引导向预估总路径最短的方向，而并非没有目标的依次遍历，因此可以高效率搜索到总距离最短的无碰撞路径。
37.在a星算法的基础上，本实施例对基于改进hybrid a星算法的所述路径搜索阶段的步骤如下：s1、计算所述规划起点到所述规划终点的rs曲线，如果所述rs曲线与环境障碍物无碰撞，则直接采纳所述rs曲线为初搜路径，结束路径搜索；反之，则将所述规划起点作为父节点，进行下一步操作。
38.s2、扩展子节点。
39.hybrid a星算法与a星算法不同的是，a星算法对父节点8的运动没有约束，认为父节点8可以向任意邻近栅格直接扩展，如图2（a）所示；hybrid a星算法则考虑了车辆的非完整运动学约束，子节点9位置为车辆以r的转弯半径行进l的距离后所在的位置，l即为离散步长，如图2（b）所示。
40.以针对子节点相对父节点向右转弯的情形为例，在该情况下，父子节点关系可以表示如下： 。以图3作为参考，（）为父节点，（）为子节点，代表两个节点离散步长l所对应的圆周角，和分别为父节点、子节点在世界坐标系下的朝向角。在子节点拓展中，应有向左转弯、向右转弯和直行三种情况，如果允许倒车，则还有倒车向左转弯、倒车向右转弯和直线倒车这另外三种情况。因此，以此类推，六种情况的子节点在世界坐标系下的位姿坐标信息应如下所示（其中父节点位姿坐标为，子节点位姿坐标中的符号含义为：前进为+，后退为-，右转为r,左转为l，直行为s）。
41.右转节点-前进：；左转节点-前进：；直行节点-前进：；右转节点-后退：；左转节点-后退：；直行节点-后退：。
42.s3、计算子节点的代价值：，式中，代表子节点的代价值，为累计代价函数，为启发式函数。
43.，即，每一步拓展过程中消耗的代价。在累计代价函数部分，对于由父节点拓展而来的子节点，其在拓展过程中的行驶距离应为离散步长l。
考虑到不必要的反复拐弯和长距离倒车都是不提倡和不被期望的，因此对于不同属性的拓展节点设置不同的惩罚系数k，则这一步拓展的代价，式中， 为离散步长，为对转向的惩罚系数，为对倒车的惩罚系数。惩罚系数k的意义在于，当节点的状态不符合期望时，就提高该节点的代价（将k设置为大于1的常数），使得路径搜索算法更倾向于选择其他节点。其中，直行节点的为1，左转和右转节点的为大于1的常数；前进节点的为1，后退节点的为大于的常数。
44.为了使初搜路径远离障碍物，本实施例在对启发式函数的设计时，引入了距离场地图的思想。距离场地图的原理是基于广度优先搜索思想对栅格地图进行遍历，得到每个栅格点和最近障碍物的距离，被障碍物占据的栅格数值为1，距离障碍物越远则数值越高。引入了距离场系数后的启发式函数，式中，为a星算法搜索得到的从子节点n到所述规划终点（即目标节点）所途径的总共k个节点中的第i个节点，为与第i个节点对应的障碍物距离代价函数，表示为：，式中，为第i个节点对应的距离场数值，为大于1的安全距离阈值。上式可理解为节点与障碍物的距离小于安全距离阈值时，赋较大的代价值；节点与障碍物的距离大于安全距离阈值时，则代价值随距离的增大而减小。
45.s4、计算子节点到所述规划终点的rs曲线，如果所述rs曲线与环境障碍物无碰撞，则直接采纳所述rs曲线为初搜路径的剩余路径，结束路径搜索；反之，则在所述父节点扩展的所有子节点中选择代价值最小的子节点作为下一个父节点，重复步骤s2～s4，直到所述rs曲线与环境障碍物无碰撞。
46.所述rs曲线是在无障碍物情况下满足车辆运动学约束（起点位姿、终点位姿、最小转弯半径和允许倒车）的距离最优曲线，该曲线由j reeds和l shepp提出，他们证明了车辆在无障碍的条件下，从某起点到终点的最短路径一定是下列字段的排列组合其中之一：{c|c|c、cc|c、c|cc、csc、cc
β
|c
β
c、c|c
βcβ
|c、c|c
π/2
sc、csc
π/2
|c、c|c
π/2
s c
π/2
|c }。各字段包含的运动组合见表1。
47.表1 各字段包含的运动组合。
48.。
49.表1中，基础字段中的“|”代表车辆运动朝向由前进转为后退，或由后退转为前进。运动组合中l为左转、r为右转、s为直线行驶。带π/2下标表示该段轨迹的弧长对应的角度为90
°
。带β下标的表示相邻两端轨迹的弧长对应的角度相等。加号上标代表前进，减号上标代表后退，左转或右转时的转弯半径为车辆所能达到的最小转弯半径（由硬件条件决定）。在表1所示48种运动组合中进行遍历，得到的运动路径最短的组合，即为在该运动条件下（起点位姿、终点位姿、最小转弯半径、允许倒车和不考虑障碍物）的最短路径。由于表1中48种组合中存在镜像等形状规律，因此可通过一些优化方法提高遍历效率。本实施例中使用了莱斯大学kavraki实验室提供的开源运动规划库ompl中的rs曲线计算功能，来得到目标场景下的rs曲线。
50.由于hybrid a星算法在搜索过程中采用了离散的点进行拓展，可能会出现算法发散的情况，即算法虽然可以将节点拓展至目标位姿附近，但是由于离散的特性使得其永远无法恰好满足目标位姿信息条件，而是在目标节点附近反复震荡。因此，每次在节点扩展循环时，都对扩展的子节点计算一次该子节点到目标位姿的rs曲线，如果rs曲线与环境障碍物无碰撞，则直接采纳该路径作为初搜路径的剩余路径，结束搜索过程。由于得到的rs曲线是曲线上一系列离散的坐标点，只需遍历一次这些坐标点，然后检查每一个坐标位置上是否存在障碍物，即可完成有无碰撞判断。
51.在路径平滑阶段，本实施例将路径平滑问题描述为一个标准二次规划问题，所述二次规划的数值优化算法是：以轨迹的距离代价和曲率代价作为优化目标，把经路径搜索得到的初搜路径上的路径离散点离障碍物的距离引入约束条件，以保证优化后的轨迹不会与障碍物发生碰撞，最后进行优化求解。
52.对于初搜路径上的每一个原始路径离散点5为，其坐标表示为，再经所述路径平滑后的相应的路径离散点4为，所述用三个变量进行描述，因此，对于初搜路径上的n个离散点，共有3n个变量。其中是的坐标，是路径平
滑后的路径离散点4的位置相对初搜路径上的原始路径离散点5的位置在路径法线方向上的偏移距离，如图4所示。
53.对于的位置约束条件为：，；对于偏移量的线性约束条件为：，其中，是原始路径离散点到下界障碍物的实际距离，是原始路径离散点到上界障碍物的实际距离。所述下界障碍物指初搜路径上方的障碍物，所述上界障碍物指初搜路径下方的障碍物。
54.对离散轨迹点的优化目标有两个，第一是使其减少不必要的拐弯，第二是保证路径的平滑性，避免曲率突变，因此，优化代价函数应包含两部分，即距离代价和离散曲率代价，分别对应两个优化目标。
55.一般来说，离散点间距之和越小，说明路径轨迹越直，拐弯越少，同时路径总长度越短，因此描述为距离代价，建立距离代价函数，式中，表示距离代价函数的代价权重，表示初搜路径上的路径离散点的总数量。
56.离散曲率代价主要考虑轨迹离散点的离散曲率和曲率的变化率，其中，离散曲率之和越小，说明路径的平均离散曲率越小；离散曲率的变化率之和越小，说明曲率越连续，两者都会对路径的平滑性产生影响。
57.首先，考虑离散曲率的计算方式，对于在圆弧上的3个离散点、和，假设各离散点间距s近似相等，可以得到处的离散曲率的计算公式，。
58.在优化代价函数中为了保持二次形式，将离散曲率公式简化得到曲率代价函数为： （1），不难看出，式（1）是一种一阶向前差分形式，由此可以推导其对应的二阶差分形式为：。
59.由此，得到离散曲率代价函数，式中，表示路径离散点处的曲率，表示路径离散点处的曲率的变化率，和均表示权重系数。； 。
60.综上，。在本实施例中，采用了开源的osqp求解器对优化代价函数进行求解，此外，也可以利用其他任意数值优化方法较为方便的求解。
61.测试例1：为了验证实施例1在路径搜索阶段相比现有技术的有益效果，本发明在ros rviz平台上建立了仿真障碍地图，分别以路径搜索中较常见三种场景：s型连续弯、直
线避障和u型弯，设定初始位姿start和目标位姿goal进行路径搜索实验，如图5所示。完整障碍地图的尺寸为30m
×
20m，搜索分辨率为0.1m，因而搜索栅格尺寸为300
×
200；三次实验（b）、（c）和（d）的初始位姿start和目标位姿goal已在图5（a）中标出。图5（b）对应（b）实验-s型连续弯的结果，图5（c）对应（c）实验-直线避障的结果，图5（d）对应（d）实验-u型弯的结果。在图5（b）、图5（c）和图5（d）中，曲线(1)为原始hybrid a星算法的搜索结果，曲线(2)为本发明的改进启发式函数后的搜索结果。由图5（b）、图5（c）和图5（d）可以看出，本发明的搜索路径能够相较原始hybrid a星算法搜索的路径离障碍物更远。
62.如表2所示，本发明改进启发式函数后在搜索路径的过程中拓展的节点更少，在转弯场景下提升尤其显著。
63.表2 在三种场景下hybrid a星算法改进前后的搜索结果。
64.。
65.在此基础上，为定量分析本发明提出的改进启发式函数后的hybrid a星算法的性能，本发明在所述仿真障碍地图上随机设定起始位姿和目标位姿进行50次重复实验，实验结果显示：相较于原始hybrid a星算法，改进启发式函数后的hybrid a星算法在搜索路径时往往拓展节点的个数更少、算法总用时更短。虽然在改进启发式函数后的hybrid a星算法中额外进行了距离场地图生成的过程，这会造成额外的计算时间，但总体上，改进启发式函数后的hybrid a星算法的计算效率仍优于原算法。此外，改进启发式函数后的hybrid a星算法搜索的路径长度略大于原始hybrid a星算法的搜索结果，这是在考虑安全避障、放弃距离最优的合理结果，与预期相符。
66.综合上述实验结果可以得出结论：本发明对于路径搜索部分提出的启发式函数改进策略能使搜索出的路径在一定程度上远离障碍物，并且能够提升搜索效率。
67.测试例2：在路径平滑阶段，在采用本发明提出的二次规划的数值优化算法进行路径平滑时，由于采用了线性约束的方式描述路径与障碍物的关系，优化的结果将严格遵循约束条件，从而保证了优化后路径的安全性。此外，将本发明采用的基于二次规划求解器的路径平滑算法与原始hybrid a星算法中基于共轭梯度下降法的路径平滑算法效率进行对比，在测试例1的仿真案例中，计算时间如表3所示，本发明的优化算法相比原始hybrid a星算法中的路径平滑算法，平均计算时间缩短了86.9%。
68.表3 在三种场景下不同路径平滑算法的效率。
69.。
70.当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

技术特征：
1.一种单舵轮agv路径规划方法，其特征在于，首先，由物流调度总系统提供用于路径规划的场景的信息、规划起点的信息和规划终点的信息；然后，基于改进hybrid a星算法进行路径搜索，得到初搜路径；最后，采用二次规划的数值优化算法，在保证路径安全性的前提下对初搜路径进行路径平滑，并转化成在世界坐标系下的全局路径离散点，根据所述全局路径离散点规划单舵轮agv路径。2.根据权利要求1所述的单舵轮agv路径规划方法，其特征在于，所述路径搜索包括以下步骤：s1、计算所述规划起点到所述规划终点的rs曲线，所述rs曲线是在无障碍物情况下满足车辆运动学约束的距离最优曲线，如果所述rs曲线与环境障碍物无碰撞，则直接采纳所述rs曲线为初搜路径，结束路径搜索；反之，则将所述规划起点作为父节点，进行下一步操作；s2、扩展子节点：相对父节点的子节点为车辆以转弯半径行进离散步长的距离后所在的位置；s3、计算子节点的代价值：，式中，代表子节点的代价值，为累计代价函数，为启发式函数；，，式中， 为离散步长，为对转向的惩罚系数，为对倒车的惩罚系数；，式中，为a星算法搜索得到的从子节点n到所述规划终点所途径的总共k个节点中的第i个节点，为与第i个节点对应的障碍物距离代价函数，表示为：，式中，为第i个节点对应的距离场数值，为大于1的安全距离阈值；s4、计算子节点到所述规划终点的rs曲线，如果所述rs曲线与环境障碍物无碰撞，则直接采纳所述rs曲线为初搜路径的剩余路径，结束路径搜索；反之，则在所述父节点扩展的所有子节点中选择代价值最小的子节点作为下一个父节点，重复步骤s2～s4，直到所述rs曲线与环境障碍物无碰撞。3.根据权利要求1所述的单舵轮agv路径规划方法，其特征在于，所述二次规划的数值优化算法是以轨迹的距离代价和曲率代价作为优化目标，把经路径搜索得到的初搜路径上的路径离散点离障碍物的距离引入约束条件，以保证优化后的轨迹不会与障碍物发生碰撞，最后进行优化求解。4.根据权利要求3所述的单舵轮agv路径规划方法，其特征在于，对于初搜路径上的每一个原始路径离散点，其坐标表示为，再经所述路径平滑后的相应的路径离散点为，所述用三个变量进行描述，其中是的坐标，是路径平滑后的路径离散点的位置相对初搜路径上的原始路径离散点位置在路径法线
方向上的偏移距离；对于的位置约束条件为：，；对于偏移量的线性约束条件为：，其中是原始路径离散点到下界障碍物的实际距离，是原始路径离散点到上界障碍物的实际距离。5.根据权利要求4所述的单舵轮agv路径规划方法，其特征在于，由于所述路径平滑是以轨迹的距离代价和曲率代价作为优化目标，因此，所述路径平滑优化问题的优化代价函数包括距离代价函数和离散曲率代价函数两部分；，式中，表示距离代价函数的代价权重，表示初搜路径上的路径离散点的总数量；，式中，表示路径离散点处的曲率，表示路径离散点处的曲率的变化率，和均表示权重系数；；；综上，。6.根据权利要求2所述的单舵轮agv路径规划方法，其特征在于，在步骤s3中，直行节点的为1，左转和右转节点的为大于1的常数；前进节点的为1，后退节点的为大于的常数。

技术总结
本发明属于路径规划技术领域，具体公开了一种单舵轮AGV路径规划方法，用于AGV在物流场景下的自主导航。首先，由物流调度总系统提供用于路径规划的场景的信息、规划起点的信息和规划终点的信息。然后，以利用距离场地图对图搜索的启发式代价函数改进混合A星算法进行路径搜索，得到初搜路径。最后，采用二次规划的数值优化算法，在保证路径安全性的前提下对初搜路径进行路径平滑，并转化成在世界坐标系下的全局路径离散点，根据所述全局路径离散点规划单舵轮AGV路径。本发明的初搜路径在一定程度上远离障碍物，并且能够提升搜索效率，在路径平滑阶段能够兼顾非完整约束特点和安全性，并显著提升路径平滑的效率。显著提升路径平滑的效率。显著提升路径平滑的效率。


技术研发人员：房殿军 林松 田雨 王平 蒋红琰 刘记忠 罗夫特
受保护的技术使用者：青岛中德智能技术研究院
技术研发日：2023.09.01
技术公布日：2023/10/11