本发明涉及自动驾驶技术领域，更具体地说，涉及一种无人驾驶车辆局部路径规划方法及装置。
背景技术：
路径规划是自动驾驶关键技术之一。局部路径规划的目标是生成一条不与其他交通参与者发生碰撞的、符合车辆性能约束和交通规则约束的可行驶路径。
当规划场景较为复杂时，比如结构化道路上车速高、相邻车辆距离近、交通参与者种类多等，局部路径规划面临着较大的挑战。因此，如何提高局部路径规划的实时性和安全性是亟待解决的重要问题。
技术实现要素：
有鉴于此，为解决上述问题，本发明提供一种无人驾驶车辆局部路径规划方法及装置，技术方案如下：
一种无人驾驶车辆局部路径规划方法，所述方法包括：
获取车辆周边环境的栅格地图、所述车辆的当前位置和目标位置；
建立所述栅格地图的分层多粒度地图，所述分层多粒度地图包括多个具有不同分辨率的地图层，相邻两个地图层中上一地图层的分辨率高于下一地图层的分辨率、且所述相邻两个地图层中下一地图层的障碍物信息是对上一地图层的障碍物信息聚类分析所得；
在以分辨率由低到高的次序、分层搜索所述分层多粒度地图的过程中，针对每个地图层，根据其下一地图层被搜索的路径确定该地图层中的搜索区域，并将所述搜索区域内的障碍物信息作为环境代价搜索该地图层中的路径，所述路径连接所述当前位置和所述目标位置；
输出分层搜索所述分层多粒度地图最终所得的路径。
优选的，所述建立所述栅格地图的分层多粒度地图，包括：
将所述栅格地图作为当前地图层；
识别所述当前地图层的多个栅格，并将所述当前地图层划分为多个大小相同的矩形区域，所述矩形区域对应所述多个栅格中的至少两个栅格；
通过将所述矩形区域对应的至少两个栅格抽象为一个栅格获得一个新地图层，所述新地图层的分辨率小于所述当前地图层；
将所述新地图层作为当前地图层，并返回执行所述识别所述当前地图层的多个栅格的步骤，直到获得预设数量的地图层时结束。
优选的，所述根据其下一地图层被搜索的路径确定该地图层中的搜索区域，包括：
确定其下一地图层被搜索的路径所在的第一栅格；
确定该地图层中与所述第一栅格相对应的第二栅格；
将该地图层中所述第二栅格所在的区域作为核心搜索区域。
优选的，所述根据其下一地图层被搜索的路径确定该地图层中的搜索区域，还包括：
确定该地图层中与所述第二栅格相邻的第三栅格；
将该地图层中所述第三栅格所在的区域作为边缘搜索区域。
优选的，所述方法还包括：
将所述栅格地图中的车道中心线投影到每个地图层中，所述车道中心线的投影结果是分层搜索每个地图层的基础或依据。
一种无人驾驶车辆局部路径规划装置，所述装置包括：
获取模块，用于获取车辆周边环境的栅格地图、所述车辆的当前位置和目标位置；
建立模块，用于建立所述栅格地图的分层多粒度地图，所述分层多粒度地图包括多个具有不同分辨率的地图层，相邻两个地图层中上一地图层的分辨率高于下一地图层的分辨率、且所述相邻两个地图层中下一地图层的障碍物信息是对上一地图层的障碍物信息聚类分析所得；
搜索模块，用于在以分辨率由低到高的次序、分层搜索所述分层多粒度地图的过程中，针对每个地图层，根据其下一地图层被搜索的路径确定该地图层中的搜索区域，并将所述搜索区域内的障碍物信息作为环境代价搜索该地图层中的路径，所述路径连接所述当前位置和所述目标位置；
输出模块，用于输出分层搜索所述分层多粒度地图最终所得的路径。
优选的，所述建立模块，具体用于：
将所述栅格地图作为当前地图层；识别所述当前地图层的多个栅格，并将所述当前地图层划分为多个大小相同的矩形区域，所述矩形区域对应所述多个栅格中的至少两个栅格；通过将所述矩形区域对应的至少两个栅格抽象为一个栅格获得一个新地图层，所述新地图层的分辨率小于所述当前地图层；将所述新地图层作为当前地图层，并返回执行所述识别所述当前地图层的多个栅格的步骤，直到获得预设数量的地图层时结束。
优选的，用于根据其下一地图层被搜索的路径确定该地图层中的搜索区域的所述搜索模块，具体用于：
确定其下一地图层被搜索的路径所在的第一栅格；确定该地图层中与所述第一栅格相对应的第二栅格；将该地图层中所述第二栅格所在的区域作为核心搜索区域。
优选的，所述搜索模块，还用于：
确定该地图层中与所述第二栅格相邻的第三栅格；将该地图层中所述第三栅格所在的区域作为边缘搜索区域。
优选的，所述装置还包括：
将所述栅格地图中的车道中心线投影到每个地图层中，所述车道中心线的投影结果是分层搜索每个地图层的基础或依据。
本发明提供一种无人驾驶车辆局部路径规划方法及装置，通过建立栅格地图的分层多粒度地图，以分层搜索路径方式在搜索区域中障碍物出现概率最低处进行路径规划，从而最大限度降低感知信息局限性带来的规划结果不安全问题，提高路径规划的效率和安全性。此外，通过分层搜索的方式能够有效减少路径规划的耗时。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的无人驾驶车辆局部路径规划方法的方法流程图；
图2为本发明实施例提供的无人驾驶车辆局部路径规划方法的部分方法流程图；
图3为本发明实施例提供的高分辨率、细粒度地图层示例；
图4为本发明实施例提供的低分辨率、粗粒度地图层示例；
图5为本发明实施例提供的粗略路径示例；
图6为本发明实施例提供的精细路径示例；
图7为本发明实施例提供的无人驾驶车辆局部路径规划装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明适用于具有自动驾驶功能的车辆。现阶段，车辆的规划决策层以车载设备提供的定位、地图、障碍物等感知信息作为输入，而自动驾驶车辆传感器的感知范围有限，并且受限于复杂的交通环境以及硬件和算法的局限性，感知信息的准确性和稳定性有时并不能够得到保证，这为复杂工况下的路径规划带来了安全隐患，比如障碍物位置不准确导致规划结果未能避开障碍物。
本发明针对自动驾驶车辆局部路径规划，设计了一种基于分层多粒度地图、无监督学习统计障碍物信息、分层搜索算法的路径规划方法，应用于规划决策层。主要解决了结构化道路环境下，自动驾驶车辆在局部路径规划过程中面对复杂交通环境时，路径规划效率低、安全性不足的问题。当然，本发明不仅适用于结构化道路环境下的换道、掉头、超车等场景，还适用于非结构化道路场景下的路径规划。
本发明效果如下：有效地减少路径规划计算耗时；提高车辆路径规划的成功率；提高车辆沿规划结果行驶的安全性；生成尽可能符合交通规则的路径。以下对本发明的内容进行详细说明。
本发明实施例提供一种无人驾驶车辆局部路径规划方法，该方法的方法流程图如图1所示，包括如下步骤：
s10，获取车辆周边环境的栅格地图、车辆的当前位置和目标位置。
本发明实施例中，自动驾驶系统通过传感器等设备获取车辆周边环境的栅格地图，由用户或者自动驾驶系统设定路径规划的终点，即目标位置。规划决策层接收到栅格地图、车辆的当前位置以及目标位置后，开始路径规划。
其中，车辆的当前位置可以通过车载传感器获得，本实施例对此不做限定。
s20，建立栅格地图的分层多粒度地图，分层多粒度地图包括多个具有不同分辨率的地图层，相邻两个地图层中上一地图层的分辨率高于下一地图层的分辨率、且相邻两个地图层中下一地图层的障碍物信息是对上一地图层的障碍物信息聚类分析所得。
为了保证规划结果的精度，道路环境下的路径规划往往需要高分辨率的地图，由此带来了算法计算量较大、对计算效率要求较高的问题。本发明先在低分辨率的地图层上规划出一条粗略路径，再在粗略路径所对应的高分辨率的地图层上进行精细路径搜索的路径规划，因此首先要建立适用于该路径规划方法的分层多粒度地图。
本发明实施例中，分层多粒度地图包含至少两个分辨率不同的地图层，即至少两个粒度级别不同的地图层。当然，地图层的粒度级别(即粗细)是相对与栅格地图所定义的，对应于构成地图层的基本元素的规模，分辨率越高、即粒度越细的地图层具有更小的基本元素。
其中，栅格地图是分层多粒度地图中分辨率最高、粒度最细的地图层，经过抽象等手段后可以生成一个分辨率较低、粒度较粗的地图层。根据规划需求，还可以进一步对该分辨率较低的地图层继续抽象以获得分辨率更低、粒度更粗的地图层。因此，分层多粒度地图中各地图层与栅格地图的类型相同，只是分辨率有所区别。
此外，栅格地图中包含着由传感器等设备获取的障碍物信息，本发明采用无监督学习的方法补充粒度较低的地图层中的障碍物信息，以便规划出一条障碍物更少、更安全的路径。
在对一个高分辨率、细粒度地图层抽象得到一个低分辨率、粗粒度地图层的过程中，可以采用无监督学习算法对该高分辨率、细粒度地图层进行障碍物的聚类分析。
栅格地图常为用0和1表示有无障碍物的二值栅格地图。步骤s20中“建立栅格地图的分层多粒度地图”可以采用如下步骤，方法流程图如图2所示：
s201，将栅格地图作为当前地图层。
本发明实施例中，栅格地图作为分辨率最高、栅格粒度最细的地图层，将其作为分层多粒度地图的最上面的地图层。
s202，识别当前地图层的多个栅格，并将当前地图层划分为多个大小相同的矩形区域，矩形区域对应多个栅格中的至少两个栅格。
参见图3所示的高分辨率、细粒度地图层，相较于抽象后的地图层，其每一个栅格都是一个细粒度的栅格。其作为当前地图层时，将其均匀划分为若干个矩形区域，每个矩形区域对应至少两个栅格。
s203，通过将矩形区域对应的至少两个栅格抽象为一个栅格获得一个新地图层，新地图层的分辨率小于当前地图层。
继续参见图3所示的地图层，将每一个矩形区域对应的所有栅格抽象为一个粗粒度的栅格，由此得到一个由粗粒度的栅格所构成的低分辨率、粗粒度地图层，具体可以参见图4，相较于图3，其每一个栅格都是一个粗粒度的栅格。
需要说明的是，地图层分辨率的高与低、粒度的粗与细，是地图层被抽象前后的对比，即图3所示的地图层相较于图4所示的地图层是一个高分辨率、细粒度地图层，而图4所示的地图层相较于图3所示的地图层是一个低分辨率、粗粒度地图层。
需要说明的是，本发明实施例以分层多粒度地图包含图3和图4两个地图层来说明。可以理解的是，针对不同的计算效率需求、地图尺寸等影响因素，分层多粒度地图的地图层不限于两个，并且，相邻两个地图层间栅格抽象的比例，即一个矩形区域对应栅格的数量也可以根据实际需求选择，本实施例对此不做限定。
s204，将新地图层作为当前地图层，并返回执行步骤s202，直到获得预设数量的地图层时结束。
继续参见图3和图4，图4低分辨率、粗粒度地图层中每一个粗粒度的栅格由图3高分辨率、细粒度地图层中若干个细粒度的栅格抽象而来，因此可以认为图4中每一个粗粒度的栅格都对应图3中若干个细粒度的栅格。因此，在聚类分析得到图4中每一个粗粒度的栅格的障碍物信息时，可以采用基于密度的聚类算法(dbscan，densitybasedspatialclusteringofapplicationwithnoise)对其对应的图3中的若干个细粒度的栅格的障碍物信息进行聚类分析。即，将粗粒度的栅格所对应的若干个细粒度的栅格中障碍物栅格作为dbscan聚类算法的输入，以聚类后形成簇的数量作为衡量粗粒度的栅格障碍物代价的指标。粗粒度的栅格对应的簇越多，则通行代价越大。
s30，在以分辨率由低到高的次序、分层搜索分层多粒度地图的过程中，针对每个地图层，根据其下一地图层被搜索的路径确定该地图层中的搜索区域，并将搜索区域内的障碍物信息作为环境代价搜索该地图层中的路径，路径连接当前位置和目标位置。
本发明实施例中，继续参见图3和图4。分层搜索时，首先在图4低分辨率、粗粒度地图层上采用a*算法进行路径搜索，得到一条连接当前位置和目标位置的粗略路径，如图5所示。
由于图5所示的路径精度精度较低、且并不一定满足车辆动力学约束，因此需要在更细粒度的地图层，即图3高分辨率、细粒度地图层中用a*算法进行第二次搜索。而为了提高搜索效率，第二次搜索的区域不再是整张地图层，而是确定一个粗略路径所对应的搜索区域，在该搜索区域内再次采用a*算法进行路径搜索，得到一条连接当前位置和目标位置的精细路径，如图6所示。至此，规划过程结束。
当然，在对每个地图层搜索路径时，车辆的当前位置和目标位置也分别被投影到各地图层中，作为所规划路径的起点和终点。
在确定粗略路径所对应的搜索区域的过程中，可以确定粗略路径在图4中所在的第一栅格，并且由于图4中每一个粗粒度的栅格由图3中若干个细粒度的栅格抽象而来，因此，可以确定第一栅格在图3中所对应的第二栅格，进而将图3中第二栅格所在的区域作为核心搜索区域。
此外，为了增加图4低分辨率、粗粒度地图层搜索的灵活性，进一步可以将图3中与核心搜索区域直接相邻的其他细粒度栅格也接入搜索区域中，即作为边缘搜索区域。具体的，可以确定图3中与第二栅格相邻的第三栅格，进入将图3中第三栅格所在的区域作为边缘搜索区域。由此，核心搜索区域和边缘搜索区域共同组成粗略路径所对应的搜索区域。
在其他一些实施例中，为了使车辆尽可能行驶在车道中心线上，可以在a*搜索算法的代价函数中增加车道中心线吸引项。具体将栅格地图中的车道中心线投影到分层多粒度地图的每个地图层中，距离车道中心线投影越近的栅格，其车道中心线吸引项的代价越小。
需要说明的是，栅格地图中的车道中心线可以通过高精度地图或者车载传感器获得，本实施例对此不做限定。
s40，输出分层搜索分层多粒度地图最终所得的路径。
本发明实施例中，在对分层多粒度地图搜索分层搜索结束后，会最终获得一个路径，将将路径输出至车辆的控制层，由控制层控制执行层不断接近该路径、并最终按照该路径行驶。以此实现车辆按照规划决策层所规划的路径行驶。
本发明实施例提供的无人驾驶车辆局部路径规划方法，通过建立栅格地图的分层多粒度地图，以分层搜索路径方式在搜索区域中障碍物出现概率最低处进行路径规划，从而最大限度降低感知信息局限性带来的规划结果不安全问题，提高路径规划的效率和安全性。此外，通过分层搜索的方式能够有效减少路径规划的耗时。
基于上述实施例提供的无人驾驶车辆局部路径规划方法，本发明实施例则对应提供执行上述无人驾驶车辆局部路径规划方法的装置，该装置的结构示意图如图7所示，包括：
获取模块10，用于获取车辆周边环境的栅格地图、车辆的当前位置和目标位置；
建立模块20，用于建立栅格地图的分层多粒度地图，分层多粒度地图包括多个具有不同分辨率的地图层，相邻两个地图层中上一地图层的分辨率高于下一地图层的分辨率、且相邻两个地图层中下一地图层的障碍物信息是对上一地图层的障碍物信息聚类分析所得；
搜索模块30，用于在以分辨率由低到高的次序、分层搜索分层多粒度地图的过程中，针对每个地图层，根据其下一地图层被搜索的路径确定该地图层中的搜索区域，并将搜索区域内的障碍物信息作为环境代价搜索该地图层中的路径，路径连接当前位置和目标位置；
输出模块40，用于输出分层搜索分层多粒度地图最终所得的路径。
可选的，建立模块20，具体用于：
将栅格地图作为当前地图层；识别当前地图层的多个栅格，并将当前地图层划分为多个大小相同的矩形区域，矩形区域对应多个栅格中的至少两个栅格；通过将矩形区域对应的至少两个栅格抽象为一个栅格获得一个新地图层，新地图层的分辨率小于当前地图层；将新地图层作为当前地图层，并返回执行识别当前地图层的多个栅格的步骤，直到获得预设数量的地图层时结束。
可选的，用于根据其下一地图层被搜索的路径确定该地图层中的搜索区域的搜索模块30，具体用于：
确定其下一地图层被搜索的路径所在的第一栅格；确定该地图层中与第一栅格相对应的第二栅格；将该地图层中第二栅格所在的区域作为核心搜索区域。
可选的，搜索模块30，还用于：
确定该地图层中与第二栅格相邻的第三栅格；将该地图层中第三栅格所在的区域作为边缘搜索区域。
可选的，上述装置还包括：
将栅格地图中的车道中心线投影到每个地图层中，车道中心线的投影结果是分层搜索每个地图层的基础或依据。
本发明实施例提供的无人驾驶车辆局部路径规划装置，通过建立栅格地图的分层多粒度地图，以分层搜索路径方式在搜索区域中障碍物出现概率最低处进行路径规划，从而最大限度降低感知信息局限性带来的规划结果不安全问题，提高路径规划的效率和安全性。此外，通过分层搜索的方式能够有效减少路径规划的耗时。
以上对本发明所提供的一种无人驾驶车辆局部路径规划方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备所固有的要素，或者是还包括为这些过程、方法、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
1.一种无人驾驶车辆局部路径规划方法，其特征在于，所述方法包括：
获取车辆周边环境的栅格地图、所述车辆的当前位置和目标位置；
建立所述栅格地图的分层多粒度地图，所述分层多粒度地图包括多个具有不同分辨率的地图层，相邻两个地图层中上一地图层的分辨率高于下一地图层的分辨率、且所述相邻两个地图层中下一地图层的障碍物信息是对上一地图层的障碍物信息聚类分析所得；
在以分辨率由低到高的次序、分层搜索所述分层多粒度地图的过程中，针对每个地图层，根据其下一地图层被搜索的路径确定该地图层中的搜索区域，并将所述搜索区域内的障碍物信息作为环境代价搜索该地图层中的路径，所述路径连接所述当前位置和所述目标位置；
输出分层搜索所述分层多粒度地图最终所得的路径。
2.根据权利要求1所述的方法，其特征在于，所述建立所述栅格地图的分层多粒度地图，包括：
将所述栅格地图作为当前地图层；
识别所述当前地图层的多个栅格，并将所述当前地图层划分为多个大小相同的矩形区域，所述矩形区域对应所述多个栅格中的至少两个栅格；
通过将所述矩形区域对应的至少两个栅格抽象为一个栅格获得一个新地图层，所述新地图层的分辨率小于所述当前地图层；
将所述新地图层作为当前地图层，并返回执行所述识别所述当前地图层的多个栅格的步骤，直到获得预设数量的地图层时结束。
3.根据权利要求2所述的方法，其特征在于，所述根据其下一地图层被搜索的路径确定该地图层中的搜索区域，包括：
确定其下一地图层被搜索的路径所在的第一栅格；
确定该地图层中与所述第一栅格相对应的第二栅格；
将该地图层中所述第二栅格所在的区域作为核心搜索区域。
4.根据权利要求3所述的方法，其特征在于，所述根据其下一地图层被搜索的路径确定该地图层中的搜索区域，还包括：
确定该地图层中与所述第二栅格相邻的第三栅格；
将该地图层中所述第三栅格所在的区域作为边缘搜索区域。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述栅格地图中的车道中心线投影到每个地图层中，所述车道中心线的投影结果是分层搜索每个地图层的基础或依据。
6.一种无人驾驶车辆局部路径规划装置，其特征在于，所述装置包括：
获取模块，用于获取车辆周边环境的栅格地图、所述车辆的当前位置和目标位置；
建立模块，用于建立所述栅格地图的分层多粒度地图，所述分层多粒度地图包括多个具有不同分辨率的地图层，相邻两个地图层中上一地图层的分辨率高于下一地图层的分辨率、且所述相邻两个地图层中下一地图层的障碍物信息是对上一地图层的障碍物信息聚类分析所得；
搜索模块，用于在以分辨率由低到高的次序、分层搜索所述分层多粒度地图的过程中，针对每个地图层，根据其下一地图层被搜索的路径确定该地图层中的搜索区域，并将所述搜索区域内的障碍物信息作为环境代价搜索该地图层中的路径，所述路径连接所述当前位置和所述目标位置；
输出模块，用于输出分层搜索所述分层多粒度地图最终所得的路径。
7.根据权利要求6所述的装置，其特征在于，所述建立模块，具体用于：
将所述栅格地图作为当前地图层；识别所述当前地图层的多个栅格，并将所述当前地图层划分为多个大小相同的矩形区域，所述矩形区域对应所述多个栅格中的至少两个栅格；通过将所述矩形区域对应的至少两个栅格抽象为一个栅格获得一个新地图层，所述新地图层的分辨率小于所述当前地图层；将所述新地图层作为当前地图层，并返回执行所述识别所述当前地图层的多个栅格的步骤，直到获得预设数量的地图层时结束。
8.根据权利要求7所述的装置，其特征在于，用于根据其下一地图层被搜索的路径确定该地图层中的搜索区域的所述搜索模块，具体用于：
确定其下一地图层被搜索的路径所在的第一栅格；确定该地图层中与所述第一栅格相对应的第二栅格；将该地图层中所述第二栅格所在的区域作为核心搜索区域。
9.根据权利要求8所述的装置，其特征在于，所述搜索模块，还用于：
确定该地图层中与所述第二栅格相邻的第三栅格；将该地图层中所述第三栅格所在的区域作为边缘搜索区域。
10.根据权利要求6所述的装置，其特征在于，所述装置还包括：
将所述栅格地图中的车道中心线投影到每个地图层中，所述车道中心线的投影结果是分层搜索每个地图层的基础或依据。
技术总结