基于大型障碍物形态信息的车辆避障路径规划方法及系统与流程

1.本发明涉及智能避障技术领域，特别是涉及一种基于大型障碍物形态信息的车辆避障路径规划方法及系统。


背景技术：

2.现有的针对大型障碍物的避障技术大多为：检测到大型障碍物后，将大型障碍物附近分为更小的区块，针对每一区块单独进行路径规划。然而，无人驾驶车辆在接近大型障碍物时，由于受到车辆与大型障碍物之间的相对位置限制，传感器仅能够采集到的大型障碍物朝向车辆一侧的形态信息；且大型障碍物一般呈不规则形状，极大地增加了无人驾驶车辆碰撞大型障碍物的风险。现有的这一类大型障碍物避障策略较为简单，没有考虑到未被采集的大型障碍物形态特征对避障安全性的影响，并且没有有效利用大型障碍物的表面起伏程度等形态信息。
3.也就是说，现有的无人驾驶车辆躲避大型障碍物的方法均存在无法合理利用采集到的大型障碍物形态信息的问题，原因之一在于这类无人驾驶车辆躲避障碍物的策略多从障碍物与车辆的位置信息单一维度的考虑，对大型障碍物形态信息的利用程度较低，进而对避障策略的适用性以及避障路径的安全性产生了影响。由于现有技术对大型障碍物形态信息采集与利用不足，导致避障过程中碰撞风险增加。


技术实现要素：

4.本发明的目的是提供一种基于大型障碍物形态信息的车辆避障路径规划方法及系统，以提高无人驾驶车辆避障过程的安全性。
5.为实现上述目的，本发明提供了如下方案：
6.一种基于大型障碍物形态信息的车辆避障路径规划方法，包括：
7.获取避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息；所述避障区域的地图道路信息包括目标位置；所述车辆姿态与位置信息包括无人驾驶智能车的车辆位置；所述障碍物形态与位置信息包括大型障碍物的障碍物位置；
8.根据所述避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息，建立所述避障区域的人工风险场模型；
9.根据所述人工风险场模型规划车辆避障路径；
10.在所述无人驾驶智能车沿所述车辆避障路径行驶的避障过程中，判断所述无人驾驶智能车是否接近所述大型障碍物；
11.若所述无人驾驶智能车未接近所述大型障碍物，所述无人驾驶智能车依照所述车辆避障路径行驶；
12.若所述无人驾驶智能车接近所述大型障碍物，通过所述无人驾驶智能车上安装的传感器采集所述大型障碍物的形态信息；
13.根据所述大型障碍物的形态信息建立大型障碍物的立体模型；
14.根据所述大型障碍物的立体模型，通过形态包络模型进行分析，获得大型障碍物的膨胀立体模型；
15.根据所述大型障碍物的膨胀立体模型确定人工风险场模型调整参数；
16.根据所述人工风险场模型调整参数来调整所述避障区域的人工风险场模型，返回所述根据所述人工风险场模型规划车辆避障路径的步骤。
17.可选地，所述根据所述避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息，建立所述避障区域的人工风险场模型，具体包括：
18.根据所述避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息，建立所述避障区域的人工风险场模型；所述人工风险场模型包括引力势场函数斥力势场函数合力势场函数引力函数斥力函数以及合力函数其中u
att
(q)、u
rep
(q)、u
total
(q)分别表示引力势场、斥力势场、合力势场；f
att
(q)、f
rep
(q)、f
total
(q)分别表示引力、斥力、合力；k
att
、k
rep
分别表示引力势场增益因子、斥力势场增益因子；q、qg、qo分别表示车辆位置、目标位置、障碍物位置；ρ(q,qg)表示q与qg间的欧式距离；ρ(q,qo)表示q与qo间的欧式距离；ρ0表示障碍物的斥力影响范围；n表示障碍物的个数。
19.可选地，所述根据所述大型障碍物的立体模型，通过形态包络模型进行分析，获得大型障碍物的膨胀立体模型，具体包括：
20.根据所述大型障碍物的立体模型，通过形态包络模型进行分析，获得大型障碍物的膨胀立体模型其中，a表示所述大型障碍物的立体模型；b表示结构元素；a
dil
表示所述大型障碍物的膨胀立体模型；(x,y,z)表示所述避障区域的三维坐标点；b
(x,y,z)
表示原点为(x,y,z)的结构元素b。
21.可选地，所述根据所述大型障碍物的膨胀立体模型确定人工风险场模型调整参数，具体包括：
22.根据所述大型障碍物的膨胀立体模型a
dil
，采用公式确定膨胀操作的膨胀值d；
23.根据所述膨胀操作的膨胀值d，采用公式k
att
＝l
att
(c
att
)d、k
rep
＝l
rep
(c
rep
)d、ρo＝l
ρ
(c
ρ
)d确定人工风险场模型调整参数；所述人工风险场模型调整参数包括k
att
、k
rep
以及ρ0；其中l
att
、l
rep
、l
ρ
分别表示引力势场倾斜因子、斥力势场倾斜因子、斥力影响范围倾斜因子；c
att
、c
rep
、c
ρ
分别表示引力势场截断因子、斥力势场截断因子、斥力影响范围截断因子。
24.一种基于大型障碍物形态信息的车辆避障路径规划系统，包括：
25.信息获取模块，用于获取避障区域的地图道路信息、车辆姿态与位置信息、障碍物
形态与位置信息；所述避障区域的地图道路信息包括目标位置；所述车辆姿态与位置信息包括无人驾驶智能车的车辆位置；所述障碍物形态与位置信息包括大型障碍物的障碍物位置；
26.人工风险场模型建立模块，用于根据所述避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息，建立所述避障区域的人工风险场模型；
27.避障路径规划模块，用于根据所述人工风险场模型规划车辆避障路径；
28.障碍物判断模块，用于在所述无人驾驶智能车沿所述车辆避障路径行驶的避障过程中，判断所述无人驾驶智能车是否接近所述大型障碍物；
29.车辆行驶模块，用于若所述无人驾驶智能车未接近所述大型障碍物，所述无人驾驶智能车依照所述车辆避障路径行驶；
30.障碍物形态信息采集模块，用于若所述无人驾驶智能车接近所述大型障碍物，通过所述无人驾驶智能车上安装的传感器采集所述大型障碍物的形态信息；
31.障碍物立体模型建立模块，用于根据所述大型障碍物的形态信息建立大型障碍物的立体模型；
32.障碍物膨胀立体模型建立模块，用于根据所述大型障碍物的立体模型，通过形态包络模型进行分析，获得大型障碍物的膨胀立体模型；
33.模型调整参数计算模块，用于根据所述大型障碍物的膨胀立体模型确定人工风险场模型调整参数；
34.模型参数调整模块，用于根据所述人工风险场模型调整参数来调整所述避障区域的人工风险场模型，返回所述根据所述人工风险场模型规划车辆避障路径的步骤。
35.可选地，所述人工风险场模型建立模块具体包括：
36.人工风险场模型建立单元，用于根据所述避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息，建立所述避障区域的人工风险场模型；所述人工风险场模型包括引力势场函数斥力势场函数合力势场函数引力函数斥力函数以及合力函数其中u
att
(q)、u
rep
(q)、u
total
(q)分别表示引力势场、斥力势场、合力势场；f
att
(q)、f
rep
(q)、f
total
(q)分别表示引力、斥力、合力；k
att
、k
rep
分别表示引力势场增益因子、斥力势场增益因子；q、qg、qo分别表示车辆位置、目标位置、障碍物位置；ρ(q,qg)表示q与qg间的欧式距离；ρ(q,qo)表示q与qo间的欧式距离；ρ0表示障碍物的斥力影响范围；n表示障碍物的个数。
37.可选地，所述障碍物膨胀立体模型建立模块具体包括：
38.障碍物膨胀立体模型建立单元，用于根据所述大型障碍物的立体模型，通过形态包络模型进行分析，获得大型障碍物的膨胀立体模型其中，a表示所述大型障碍物的立体模型；b表示结构元素；a
dil
表示所述大型障碍物的膨胀立体模型；(x,y,z)表示所述避障区域的三维坐标点；b
(x,y,z)
表示原点为(x,y,z)的结构元素b。
39.可选地，所述模型调整参数计算模块具体包括：
40.膨胀值计算单元，用于根据所述大型障碍物的膨胀立体模型a
dil
，采用公式确定膨胀操作的膨胀值d；
41.模型调整参数计算单元，用于根据所述膨胀操作的膨胀值d，采用公式k
att
＝l
att
(c
att
)d、k
rep
＝l
rep
(c
rep
)d、ρo＝l
ρ
(c
ρ
)d确定人工风险场模型调整参数；所述人工风险场模型调整参数包括k
att
、k
rep
以及ρ0；其中l
att
、l
rep
、l
ρ
分别表示引力势场倾斜因子、斥力势场倾斜因子、斥力影响范围倾斜因子；c
att
、c
rep
、c
ρ
分别表示引力势场截断因子、斥力势场截断因子、斥力影响范围截断因子。
42.根据本发明提供的具体实施例，本发明公开了以下技术效果：
43.本发明提供了一种基于大型障碍物形态信息的车辆避障路径规划方法及系统，所述方法包括：获取避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息并建立所述避障区域的人工风险场模型；根据所述人工风险场模型规划车辆避障路径；在所述无人驾驶智能车沿所述车辆避障路径行驶的避障过程中，判断所述无人驾驶智能车是否接近所述大型障碍物；若否，所述无人驾驶智能车依照所述车辆避障路径行驶；若是，通过所述无人驾驶智能车上安装的传感器采集所述大型障碍物的形态信息；根据所述大型障碍物的形态信息建立大型障碍物的立体模型；根据所述大型障碍物的立体模型，通过形态包络模型进行分析，获得大型障碍物的膨胀立体模型；根据所述大型障碍物的膨胀立体模型确定人工风险场模型调整参数；根据所述人工风险场模型调整参数来调整所述避障区域的人工风险场模型，返回所述根据所述人工风险场模型规划车辆避障路径的步骤。本发明方法解决了现有技术存在的对大型障碍物形态信息采集与利用不足、导致避障过程中碰撞风险增加的问题，能够提高无人驾驶车辆避障过程的安全性，为无人驾驶车辆避障策略的研究提供新的研究思路。
附图说明
44.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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
45.图1为本发明实施例一种基于大型障碍物形态信息的车辆避障路径规划方法的流程图；
46.图2为本发明实施例一种基于大型障碍物形态信息的车辆避障路径规划方法的原理示意图；
47.图3为本发明实施例一种基于大型障碍物形态信息的车辆避障路径规划系统的结构图。
具体实施方式
48.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。
49.本发明的目的是提供一种基于大型障碍物形态信息的车辆避障路径规划方法及系统，以提高无人驾驶车辆避障过程的安全性。
50.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。
51.图1为本发明实施例一种基于大型障碍物形态信息的车辆避障路径规划方法的流程图，图2为本发明实施例一种基于大型障碍物形态信息的车辆避障路径规划方法的原理示意图。参见图1和图2，本发明一种基于大型障碍物形态信息的车辆避障路径规划方法包括：
52.步骤101：获取避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息。
53.获取避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息。具体地，通过激光雷达采集避障区域障碍物形态与位置信息，标记避障区域内的大型障碍物。其中避障区域是车辆根据激光雷达采集到的信息进行路径规划的区域。所述障碍物形态与位置信息包括大型障碍物的障碍物位置qo。所述避障区域的地图道路信息包括目标位置qg，通过道路地图文件获得。所述车辆姿态与位置信息包括无人驾驶智能车的车辆位置q，通过无人驾驶智能车上安装的传感器获得。
54.步骤102：根据所述避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息，建立所述避障区域的人工风险场模型。
55.根据避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息，建立避障区域的人工风险场模型，从而规划车辆避障路径。
56.进一步地，建立的人工风险场模型表示为：
[0057][0058][0059][0060]
[0061][0062][0063]
其中，u
att
、u
rep
、u
total
分别表示引力势场函数、斥力势场函数、合力势场函数；f
att
、f
rep
、f
total
分别表示引力函数、斥力函数、合力函数；k
att
、k
rep
分别表示引力势场增益因子、斥力势场增益因子，均为大于零的常数；q、qg、qo分别表示车辆位置、目标位置、障碍物位置；ρ(q1,q2)表示q1与q2间的欧式距离；ρ0表示障碍物的斥力影响范围，为常数。
[0064]
因此，所述步骤102根据所述避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息，建立所述避障区域的人工风险场模型，具体包括：
[0065]
根据所述避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息，建立所述避障区域的人工风险场模型；所述人工风险场模型包括引力势场函数斥力势场函数合力势场函数引力函数斥力函数以及合力函数其中u
att
(q)、u
rep
(q)、u
total
(q)分别表示引力势场、斥力势场、合力势场；f
att
(q)、f
rep
(q)、f
total
(q)分别表示引力、斥力、合力；k
att
、k
rep
分别表示引力势场增益因子、斥力势场增益因子；q、qg、qo分别表示车辆位置、目标位置、障碍物位置；ρ(q,qg)表示q与qg间的欧式距离；ρ(q,qo)表示q与qo间的欧式距离；ρ0表示障碍物的斥力影响范围；表示第i个障碍物对应的斥力势场，表示第i个障碍物对应的斥力；n表示障碍物的个数。
[0066]
步骤103：根据所述人工风险场模型规划车辆避障路径。
[0067]
步骤104：在所述无人驾驶智能车沿所述车辆避障路径行驶的避障过程中，判断所述无人驾驶智能车是否接近所述大型障碍物。
[0068]
步骤105：若所述无人驾驶智能车未接近所述大型障碍物，所述无人驾驶智能车依照所述车辆避障路径行驶。
[0069]
步骤106：若所述无人驾驶智能车接近所述大型障碍物，通过所述无人驾驶智能车上安装的传感器采集所述大型障碍物的形态信息。
[0070]
在避障过程中，如果车辆接近大型障碍物，通过大型障碍物的位置信息计算大型障碍物相对于车辆的距离与角度信息，进而通过电机转动调节传感器指向的方位，实现追踪大型障碍物的效果，以对大型障碍物的形态信息进行补充采集。
[0071]
步骤107：根据所述大型障碍物的形态信息建立大型障碍物的立体模型。
[0072]
根据大型障碍物的形态信息，建立大型障碍物的立体模型a。
[0073]
步骤108：根据所述大型障碍物的立体模型，通过形态包络模型进行分析，获得大型障碍物的膨胀立体模型。
[0074]
根据大型障碍物的立体模型，通过形态包络模型进行分析，获得大型障碍物的膨胀立体模型，并获得人工风险场模型调整参数。
[0075]
进一步地，形态包络模型表示为对大型障碍物的三维轮廓进行膨胀操作。膨胀操作公式如下：
[0076][0077]
其中，a表示障碍物的立体模型；b表示结构元素；a
dil
表示障碍物的膨胀立体模型；(x,y,z)表示避障区域的三维坐标点。
[0078]
大型障碍物的表面起伏程度越大，大型障碍物背向车辆一侧出现不规则起伏的可能性越大，增大了避障过程中发生碰撞的风险。通过形态包络模型，能够根据大型障碍物表面起伏程度自适应调整人工风险场模型的部分参数，进而调整车辆避障路径，最终达到大型障碍物表面起伏程度越大、避障路径越远离大型障碍物的效果，为后续的避障过程提供更大的调整空间。由于信息采集精度不足，容易导致大型障碍物的立体模型边界小于大型障碍物的真实边界，进而增加发生碰撞的可能性。而形态包络模型对障碍物的立体模型进行了膨胀处理，减轻了该形况发生的可能性，增加了避障的安全性。
[0079]
因此，所述步骤108根据所述大型障碍物的立体模型，通过形态包络模型进行分析，获得大型障碍物的膨胀立体模型，具体包括：
[0080]
根据所述大型障碍物的立体模型，通过形态包络模型进行分析，获得大型障碍物的膨胀立体模型其中，a表示所述大型障碍物的立体模型；b表示结构元素；a
dil
表示所述大型障碍物的膨胀立体模型；(x,y,z)表示所述避障区域的三维坐标点；b
(x,y,z)
表示原点为(x,y,z)的结构元素b。
[0081]
步骤109：根据所述大型障碍物的膨胀立体模型确定人工风险场模型调整参数。
[0082]
根据a
dil
与a的交集占a
dil
的比例，调整人工风险场模型的参数k
att
、k
rep
、ρ0。人工风险场模型参数调整公式如下：
[0083][0084]katt
＝l
att
(c
att
)d[0085]krep
＝l
rep
(c
rep
)a[0086]
ρo＝l
ρ
(c
ρ
)d[0087]
其中，d表示膨胀操作的膨胀值；l
att
、l
rep
、l
ρ
分别表示引力势场倾斜因子、斥力势场倾斜因子、斥力影响范围倾斜因子；c
att
、c
rep
、c
ρ
分别表示引力势场截断因子、斥力势场截断因子、斥力影响范围截断因子。
[0088]
因此，所述步骤109根据所述大型障碍物的膨胀立体模型确定人工风险场模型调整参数，具体包括：
[0089]
根据所述大型障碍物的膨胀立体模型a
dil
，采用公式确定膨胀操作的膨胀值d；
[0090]
根据所述膨胀操作的膨胀值d，采用公式k
att
＝l
att
(c
att
)d、k
rep
＝l
rep
(c
rep
)d、ρo＝l
ρ
(c
ρ
)d确定人工风险场模型调整参数；所述人工风险场模型调整参数包括k
att
、k
rep
以及ρ0；其中l
att
、l
rep
、l
ρ
分别表示引力势场倾斜因子、斥力势场倾斜因子、斥力影响范围倾斜因子；c
att
、c
rep
、c
ρ
分别表示引力势场截断因子、斥力势场截断因子、斥力影响范围截断因子。
[0091]
步骤110：根据所述人工风险场模型调整参数来调整所述避障区域的人工风险场模型，返回所述根据所述人工风险场模型规划车辆避障路径的步骤。
[0092]
根据大型障碍物的膨胀立体模型与位置信息，通过调整参数后的人工风险场模型重新规划车辆避障路径。
[0093]
本发明提出一种基于大型障碍物形态信息的自适应避障路径规划策略，一方面通过大型障碍物表面的起伏程度调整人口风险场模型参数，进而在大型障碍物表面的起伏程度大时，使避障路径远离大型障碍物；另一方面，避障过程中，通过激光雷达补充大型障碍物形态信息，并调整避障路径。本发明方法探究大型障碍物形态信息利用程度对于避障策略的适用性以及避障路径的安全性的影响，提高了无人驾驶车辆避障过程的安全性，为无人驾驶车辆避障策略的研究提供了新的研究思路。
[0094]
基于本发明提供的一种基于大型障碍物形态信息的车辆避障路径规划方法，本发明还提供一种基于大型障碍物形态信息的车辆避障路径规划系统。参见图3，所述系统包括：
[0095]
信息获取模块301，用于获取避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息；所述避障区域的地图道路信息包括目标位置；所述车辆姿态与位置信息包括无人驾驶智能车的车辆位置；所述障碍物形态与位置信息包括大型障碍物的障碍物位置；
[0096]
人工风险场模型建立模块302，用于根据所述避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息，建立所述避障区域的人工风险场模型；
[0097]
避障路径规划模块303，用于根据所述人工风险场模型规划车辆避障路径；
[0098]
障碍物判断模块304，用于在所述无人驾驶智能车沿所述车辆避障路径行驶的避障过程中，判断所述无人驾驶智能车是否接近所述大型障碍物；
[0099]
车辆行驶模块305，用于若所述无人驾驶智能车未接近所述大型障碍物，所述无人驾驶智能车依照所述车辆避障路径行驶；
[0100]
障碍物形态信息采集模块306，用于若所述无人驾驶智能车接近所述大型障碍物，通过所述无人驾驶智能车上安装的传感器采集所述大型障碍物的形态信息；
[0101]
障碍物立体模型建立模块307，用于根据所述大型障碍物的形态信息建立大型障碍物的立体模型；
[0102]
障碍物膨胀立体模型建立模块308，用于根据所述大型障碍物的立体模型，通过形态包络模型进行分析，获得大型障碍物的膨胀立体模型；
[0103]
模型调整参数计算模块309，用于根据所述大型障碍物的膨胀立体模型确定人工
风险场模型调整参数；
[0104]
模型参数调整模块310，用于根据所述人工风险场模型调整参数来调整所述避障区域的人工风险场模型，返回所述根据所述人工风险场模型规划车辆避障路径的步骤。
[0105]
其中，所述人工风险场模型建立模块302具体包括：
[0106]
人工风险场模型建立单元，用于根据所述避障区域的地图道路信息、车辆姿态与位置信息、障碍物形态与位置信息，建立所述避障区域的人工风险场模型；所述人工风险场模型包括引力势场函数斥力势场函数合力势场函数引力函数斥力函数以及合力函数其中u
att
(q)、u
rep
(q)、u
total
(q)分别表示引力势场、斥力势场、合力势场；f
att
(q)、f
rep
(q)、f
total
(q)分别表示引力、斥力、合力；k
att
、k
rep
分别表示引力势场增益因子、斥力势场增益因子；q、qg、qo分别表示车辆位置、目标位置、障碍物位置；ρ(q,qg)表示q与qg间的欧式距离；ρ(q,qo)表示q与qo间的欧式距离；ρ0表示障碍物的斥力影响范围；n表示障碍物的个数。
[0107]
所述障碍物膨胀立体模型建立模块308具体包括：
[0108]
障碍物膨胀立体模型建立单元，用于根据所述大型障碍物的立体模型，通过形态包络模型进行分析，获得大型障碍物的膨胀立体模型其中，a表示所述大型障碍物的立体模型；b表示结构元素；a
dil
表示所述大型障碍物的膨胀立体模型；(x,y,z)表示所述避障区域的三维坐标点；b
(x
,y
,z)
表示原点为(x,y,z)的结构元素b。
[0109]
所述模型调整参数计算模块309具体包括：
[0110]
膨胀值计算单元，用于根据所述大型障碍物的膨胀立体模型a
dil
，采用公式确定膨胀操作的膨胀值d；
[0111]
模型调整参数计算单元，用于根据所述膨胀操作的膨胀值d，采用公式k
att
＝l
att
(c
att
)d、k
rep
＝l
rep
(c
rep
)d、ρo＝l
ρ
(c
ρ
)d确定人工风险场模型调整参数；所述人工风险场模型调整参数包括k
att
、k
rep
以及ρ0；其中l
att
、l
rep
、l
ρ
分别表示引力势场倾斜因子、斥力势场倾斜因子、斥力影响范围倾斜因子；c
att
、c
rep
、c
ρ
分别表示引力势场截断因子、斥力势场截断因子、斥力影响范围截断因子。
[0112]
本发明提出基于障碍物形态特征的避障路径规划策略，能够实现无人驾驶智能车躲避大型障碍物的路径规划与控制。本发明提出的车辆避障路径规划方法及系统充分考虑
了真实避障环境的实际需求，相比于其他控制方法有更高的灵活性。本发明提出的车辆避障路径规划方法及系统缓解了无人驾驶车辆躲避大型障碍物时无法有效利用障碍物形态信息的特点，优化了避障路径规划方法，提升了无人驾驶车辆避障过程的安全性，保障了道路交通安全。
[0113]
本说明书中各个实施例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部分互相参见即可。对于实施例公开的系统而言，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。
[0114]
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。