矿用无人驾驶车辆的路径规划方法和矿用无人驾驶车辆

摘要

本发明公开一种路径规划方法和矿用无人驾驶车辆，属于矿用无人驾驶领域，解决现有路径规划效率低的问题，主要应用于采矿作业。该路径规划方法包括步骤S1基于矿用无人驾驶车辆的当前位置确定第一节点，将第一节点作为起始点；步骤S2基于起始点获得与起始点相连的候选路径集合；步骤S3基于道路历史平均通过时间、路况因子和天气因子确定候选路径集合中的至少一条路径Rn的权值Qn；步骤S4基于权值Qn中的最小值判断至少一条路径Rn的第二节点是否为目标点，当第二节点为目标点时，确定第二节点对应的路径Rn为规划路径；当第二节点不为所述目标点时，将第二节点作为起始点，执行步骤S2‑S4，直至获得的权值Qn中的最小值所对应的路径的第二节点为目标点。

权利要求

1.一种矿用无人驾驶车辆的路径规划方法，包括：步骤S1 基于矿用无人驾驶车辆的当前位置确定与所述当前位置距离最近的第一节点，将所述第一节点作为起始点；

步骤S2基于所述起始点的第一位置信息获得与所述起始点相连的候选路径集合；

步骤S3 基于道路历史平均通过时间、路况因子和天气因子确定候选路径集合中的至少一条路径Rn的权值Qn;步骤S4 确定所述权值Qn中的最小值所对应的路径Rmin，确定路径Rmin的远离所述起始点的第二节点的第二位置信息，并判断所述第二节点是否为目标点，当所述第二节点为所述目标点时，则确定所述第二节点对应的路径Rmin为规划路径；

当所述第二节点不为所述目标点时，则将所述第二节点作为起始点，并执行步骤S2‑S4，直至获得的权值Qn中的最小值所对应的路径的第二节点为所述目标点，所述路径规划方法在步骤S1之前还包括加载信息，所述信息包括所述矿用无人驾驶车辆所在矿区的道路拓扑结构，所述道路拓扑结构包括矿区所有节点的位置坐标和所有节点之间的道路信息。

2.根据权利要求1所述的路径规划方法，其中，在步骤S3中，基于如下公式确定所述权值Qn：Qn = G(n)+D(n)/Vavg，G(n) = G(n‑1)+ h(n)，h(n)= (Tn*a+(Ln/Vn)*b*Conn*W)*Cn*Tn*c + (Ln/Vn)*b*Conn*W,其中，Vavg为一时间段内的所述矿用无人驾驶车辆所在矿区的全矿平均行驶速度；

D(n)为路径Rn的远离所述起始点的第二节点到目标点的距离；

G（n）为累计权值，G(n‑1)为步骤S1中的所述起始点的权值；

h(n)为路径Rn的控制因子；

Tn为路径Rn的一时间段内的历史平均通过时间；

a为第一调控系数，b为第二调控系数，c为第三调控系数，a

Ln为路径Rn的长度；

Vn为路径Rn在晴天的正常路况下的限速；

Conn为路径Rn的拥堵系数；

Cn为路径Rn的路况因子；

W为天气因子。

3.根据权利要求2所述的路径规划方法，其中，Conn=max(1,Sumn/Smaxn),Sumn为路径Rn当前行驶的矿用无人驾驶车辆的数量，Smaxn为路径Rn的最大非拥堵行驶的矿用无人驾驶车辆的数量。

4.根据权利要求3所述的路径规划方法，其中，Cn与路况变量x有关，C（n x） = Vn/Vnx，Vnx为在晴天的路况变量x下的限速,所述路况变量x包括上坡、下坡和连续弯道中的至少一种。

5.根据权利要求4所述的路径规划方法，其中，W与天气变量y有关，W（y）= Vn/Vny，Vny为天气变量y下正常路况的限速，所述天气变量y包括雨天、晴天和雪天中的至少一种。

6.根据权利要求5所述的路径规划方法，其中，所述路径规划方法在步骤S1之前还包括：

在接收到矿用无人驾驶车辆的路径规划请求后，获得矿用无人驾驶车辆的当前位置和目标点，初始化否决路径集合为空集，初始化路径规划结果集合为空集，初始化开放路径集合为空集，初始化所有路径的Conn为1。

7.根据权利要求6所述的路径规划方法，其中，所述路径规划方法在步骤S2和S3之间还包括：从候选路径集合中选择至少一条路径Rn，并确定所述至少一条路径Rn中的每一条路径是否在否决路径集合中，如果路径在否决路径集合中，则从选择的至少一条路径Rn中删除该路径；

如果路径未在否决路径集合中，则继续执行步骤S3，在步骤S3中，将确定过权值Qn的路径加入到开放路径集合中。

8.根据权利要求7所述的路径规划方法，其中，在步骤S4中，当确定所述第二节点为所述目标点时，将所述第二节点对应的路径Rmin加入到路径规划结果集合中，并将规划的结果传输给所述矿用无人驾驶车辆，当确定所述第二节点不是所述目标点时，则将路径Rmin从开放路径集合中移入到否决路径集合中,并将所述第二节点作为起始点，将所获得的路径Rmin的权值Qn作为起始点的权值，并重新执行步骤S2‑S4。

9.根据权利要求2‑8中任一项所述的路径规划方法，其中，所述路径规划方法还包括：

步骤S5 实时上传矿用无人驾驶车辆的实时状态信息和天气信息，并基于所述实时状态信息和天气信息更新历史平均通过时间Tn、拥堵系数Conn、天气因子W和矿区内所有道路上当前行驶的矿用无人驾驶车辆的数量。

10.根据权利要求1‑8中任一项所述的路径规划方法，其中，所述信息还包括所述矿用无人驾驶车辆所在矿区的所有节点的初始权值，在步骤S1中，根据所述道路拓扑结构获得所述第一位置信息。

11.根据权利要求10所述的路径规划方法，其中，所述信息还包括所述矿用无人驾驶车辆所在矿区的道路历史通行信息、所述矿用无人驾驶车辆的实时状态信息和实时天气信息，在步骤S3中，根据所述道路历史通行信息、实时状态信息和实时天气信息确定所述历史平均通过时间Tn、路况因子Cn和天气因子W。

12.一种矿用无人驾驶车辆，其中，所述矿用无人驾驶车辆包括路径规划装置，所述路径规划装置配置成实施权利要求1‑11中任一项所述的路径规划方法。

说明书

矿用无人驾驶车辆的路径规划方法和矿用无人驾驶车辆

技术领域

[0001] 本发明涉及矿用无人驾驶技术领域，特别涉及一种矿用无人驾驶车辆的路径规划方法和一种矿用无人驾驶车辆。

背景技术

[0002] 路径规划是指为车辆（例如矿用无人驾驶车辆）制定从出发地到目的地的行驶路线，是无人驾驶技术的核心技术之一。适用于矿用无人驾驶车辆的路径规划方法主要包括人工预规划路径方法和最短路径算法。

[0003] 人工预规划路径是由操作人员根据自己的经验对每台矿用无人驾驶车辆的往返路线进行预先规划。但是，这种规划方式对于操作人员的要求较高，并且需要经常性的人工干预，较为耗费人力。而且，由此规划的方案不一定为最优方案，主要依赖于规划人员的主观想法，无法实时规划，对矿区道路突发情况应对能力差。例如，在矿区因作业或其他原因导致道路状况发生变化时，无法及时更新规划，导致降低作业效率。另外，人工预规划路径也容易导致部分道路过于拥挤、阻塞，矿用无人驾驶车辆（例如矿卡和挖机）分配不均，降低作业效率。

[0004] 最短路径算法是通过一些算法(例如A*,Dijkstra等)获得到目标坐标的最短路径。然而，最短路径算法的规划结果只能保证物理路径最短，这就导致了规划的结果往往忽视了道路的实际路况、道路阻塞情况等，容易出现部分道路车辆过多，极端天气下规划结果与实际情况偏差较大的情况。

发明内容

[0005] 为了解决现有技术中存在的上述问题和缺陷的至少一个方面，本发明提供了一种矿用无人驾驶车辆的路径规划方法和一种矿用无人驾驶车辆，其同时考虑了多路径长度、路况、天气、道路拥堵状况等多种因素，并结合历史道路通行状况提出了路径规划方法，解决了因上述两种方式所导致的矿用无人驾驶车辆工作效率降低的技术问题。

[0006] 根据本发明的一个方面，提供了一种矿用无人驾驶车辆的路径规划方法，包括：

[0007] 步骤S1 基于矿用无人驾驶车辆的当前位置确定与所述当前位置距离最近的第一节点，将所述第一节点作为起始点；

[0008] 步骤S2基于所述起始点的第一位置信息获得与所述起始点相连的候选路径集合；

[0009] 步骤S3 基于道路历史平均通过时间、路况因子和天气因子确定候选路径集合中的至少一条路径Rn的权值Qn;

[0010] 步骤S4 基于所述权值Qn中的最小值判断所述至少一条路径Rn的远离所述起始点的第二节点是否为目标点，

[0011] 当所述第二节点为所述目标点时，则确定所述第二节点对应的路径Rn为规划路径；

[0012] 当所述第二节点不为所述目标点时，则将所述第二节点作为起始点，并执行步骤S2‑S4，直至获得的权值Qn中的最小值所对应的路径的第二节点为所述目标点。

[0013] 根据本发明的另一个方面，还提供了一种矿用无人驾驶车辆，所述矿用无人驾驶车辆包括路径规划装置，所述路径规划装置配置成实施上述实施例中任一实施例所述的路径规划方法。

[0014] 根据本发明实施例所述的矿用无人驾驶车辆的路径规划方法和矿用无人驾驶车辆具有以下优点中的至少一个：

[0015] （1）本发明的路径规划方法和矿用无人驾驶车辆的路线规划效率高，结合了路况、天气、道路拥堵状况及历史数据后，能更智能地规划出最优路径；

[0016] （2）本发明的路径规划方法和矿用无人驾驶车辆能够提高矿用无人驾驶车辆的工作效率，进而提高了矿区的作业效率和产量；

[0017] （3）本发明的路径规划方法和矿用无人驾驶车辆的实时性好，可以在矿用无人驾驶车辆的行驶过程中，根据实时情况不断更新期望路径；

[0018] （4）本发明的路径规划方法和矿用无人驾驶车辆在路径规划过程中基本无需人工干预，可以自动运行，减少了人力成本。

附图说明

[0019] 本发明的这些和/或其他方面和优点从下面结合附图对优选实施例的描述中将变得明显和容易理解，其中：

[0020] 图1是根据本发明的一个实施例的路径规划方法的流程图；

[0021] 图2示出了路径规划方法的具体应用场景的一个示例。

具体实施方式

[0022] 下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。在说明书中，相同或相似的附图标号指示相同或相似的部件。下述参照附图对本发明实施方式的说明旨在对本发明的总体发明构思进行解释，而不应当理解为对本发明的一种限制。

[0023] 现有的矿用无人驾驶车辆的路径规划方法主要采用人工预规划路径和最短路径算法规划等方式。这些方式存在规划方式不够灵活、规划效率低等缺点，无法满足矿区安全高效生产的要求。

[0024] 本发明的实施例的路径规划方法结合了多种因素，可以同时考虑到路径长度、路况、天气、道路拥堵状况，并结合历史道路通行状况，可以解决上述两种方法存在的一些问题，提高矿区作业效率。

[0025] 具体地，在本发明的实施例中，提供了一种矿用无人驾驶车辆的路径规划方法。如图1所示，该路径规划方法包括：

[0026] 步骤S1 基于矿用无人驾驶车辆的当前位置确定与所述当前位置距离最近的第一节点P0，将所述第一节点P0作为起始点；

[0027] 步骤S2基于所述起始点的第一位置信息获得与所述起始点相连的候选路径集合L0；

[0028] 步骤S3 基于道路历史平均通过时间、路况因子和天气因子确定候选路径集合L0中的至少一条路径Rn的权值Qn;

[0029] 步骤S4 基于所述权值Qn中的最小值判断所述至少一条路径Rn的远离所述起始点的第二节点P1是否为目标点，

[0030] 当所述第二节点P1为所述目标点时，则确定所述第二节点P1对应的路径Rn为规划路径；

[0031] 当所述第二节点P1不为所述目标点时，则将所述第二节点P1作为起始点，并执行步骤S2‑S4，直至获得的权值Qn中的最小值所对应的路径的第二节点P1为所述目标点。

[0032] 在本发明实施例的路径规划方法中，同时考虑到了道路历史平均通过时间、路况因子和天气因子，所以能更加智能地规划出最优路径，消除了部分道路过分拥挤的情况，提高了矿区的作业效率和产量。

[0033] 本发明实施例的路径规划方法基本无需人工干预，可以自动运行，减少了人力成本。

[0034] 在一示例中，所述路径规划方法在步骤S1之前还包括加载信息。例如，可以从无人驾驶云控平台系统加载信息。

[0035] 所述信息包括所述矿用无人驾驶车辆所在矿区的道路拓扑结构，以供后续的路径规划使用。道路拓扑结构包括矿区所有节点的位置坐标和所有节点之间的道路信息（包括道路的两端节点、道路长度等）。

[0036] 所述信息还包括所述矿用无人驾驶车辆所在矿区的所有节点的初始权值，以供在基于第一次的起始点进行路径规划时使用。

[0037] 所述信息还包括所述矿用无人驾驶车辆所在矿区的道路历史通行信息。道路历史通行信息包括：所有道路的路况信息，例如拥堵情况、上坡和下坡、连续弯道、每条道路的限速、每条道路的非拥堵行驶的最大的矿用无人驾驶车辆的数量等；一时间段内的全矿平均行驶速度；和所有道路的通行时间等。限速包括不同天气下的限速，例如正常天气下的限速、雨天的限速、雪天的限速等。限速还可以包括不同路况下的限速，例如正常路况的限速、上坡的限速、下坡的限速、急转弯的限速等。

[0038] 所述信息还包括所述矿用无人驾驶车辆的实时状态信息。实时状态信息包括矿用无人驾驶车辆的实时位置和工作状态等。工作状态例如包括矿用无人驾驶车辆的速度、加速度、朝向、朝向变化率等。

[0039] 所述信息还包括实时天气信息，例如雨天、雪天、晴天等，以便于在后期路径规划过程中加入天气因素的考量。

[0040] 所述信息还包括矿区内所有道路上当前行驶的矿用无人驾驶车辆的数量，以便于后期判断拥堵系数。

[0041] 在一示例中，所述路径规划方法在步骤S1之前还包括：在接收到矿用无人驾驶车辆的路径规划请求后，获得矿用无人驾驶车辆的当前位置和目标点，初始化否决路径集合为空集，初始化路径规划结果集合为空集，初始化开放路径集合为空集，初始化所有路径的Conn为1。例如，矿用无人驾驶车辆在进行路径规划请求后，会发送自身的当前位置和目标位置或目标点，以便于进行路径规划。

[0042] 在步骤S1中，根据所述道路拓扑结构获得起始点的第一位置信息。也就是，根据道路拓扑结构中找到起始点的位置坐标。

[0043] 在步骤S2中，基于起始点的第一位置信息和加载的道路拓扑结构，获得与起始点相连的候选路径集合L0。可以在道路拓扑结构中找到起始点的位置，并基于这一位置在道路拓扑结构中找到与起始点相连的候选路径集合L0。

[0044] 所述路径规划方法在步骤S2和S3之间还包括：

[0045] 从候选路径集合L0中选择至少一条路径Rn，并确定所述至少一条路径Rn中的每一条路径是否在否决路径集合中。可以选择候选路径集合L0中的所有路径，也可以选择候选路径集合L0中的一条、两条或更多条。当然，选择候选路径集合L0中的所有路径能够更加准确地进行路径规划。本发明的实施例对于选择的顺序并不作特别限定。

[0046] 如果路径在否决路径集合中，则删除该路径。可以继续确定所选择的至少一条路径Rn中的其他路径，直至全部确定完毕。如果所选择的至少一条路径Rn都在否决路径集合中，则重新从候选路径集合中进行选择。如果候选路径集合中所有的路径都在否决路径集合中，则重新选择第一节点。

[0047] 如果路径未在否决路径集合中，则继续执行步骤S3。对于第一条路径来说，由于初始化操作所以否决路径集合一开始为空集，所以选择完第一条路径后可以直接执行步骤S3。

[0048] 在步骤S3中，基于如下公式确定所述权值Qn：

[0049] Qn = G(n)+D(n)/Vavg，

[0050] G(n) = G(n‑1)+ h(n)，

[0051] h(n)= (Tn*a+(Ln/Vn)*b*Conn*W)*Cn*Tn*c + (Ln/Vn)*b*Conn*W。

[0052] Vavg为一时间段内的所述矿用无人驾驶车辆所在矿区的全矿平均行驶速度。所述全矿平均行驶速度通过加载的道路历史通行信息获得。一时间段可以是1小时、1天、或者更长或更短的时间。本领域技术人员可以根据需要进行设置，本公开的实施例并不特别限定。在一示例中，Vavg的单位为米每秒。

[0053] G（n）为累计权值，G(n‑1)为步骤S1中的所述起始点的权值。第一次的起始点的权值（即，初始权值）通过加载的信息获得。对于第二次以及之后确定的起始点而言，其权值为该起始点作为第二节点时所确定的权值。

[0054] D(n)为路径Rn的远离所述起始点的第二节点P1到目标点的距离。该距离可以是第二节点和目标点之间的直线距离，并且可以用欧几里得距离表示。可以通过所述道路拓扑结构确定第二节点P1的位置信息（例如坐标），再利用欧几里得距离表示方式获得所述距离。在一示例中，D(n)的单位为米。

[0055] h(n)为路径Rn的控制因子。该控制因子与矿用无人驾驶车辆所处的天气、路径Rn的具体状况有关。

[0056] Tn为路径Rn的一时间段内的历史平均通过时间。所述历史平均通过时间通过加载的道路历史通行信息获得。一时间段可以是1小时、2小时、或者更长或更短的时间。本领域技术人员可以根据需要进行设置，本公开的实施例并不特别限定。在一示例中，Tn的单位为秒。

[0057] a为第一调控系数，b为第二调控系数，c为第三调控系数，其中a

[0058] Ln为路径Rn的长度。可以根据所述道路拓扑结构获得路径Rn的长度。在一示例中，Ln的单位为米。

[0059] Vn为路径Rn的限速。Vn是指在晴天的正常路况下的限速。正常路况是指非上坡、非上坡且非转弯的路况。可以根据道路历史通行信息获得路径Rn的限速。在一示例中，Vn的单位为米每秒。

[0060] Conn为路径Rn的拥堵系数。可以根据道路历史通行信息和当前行驶的矿用无人驾驶车辆的数量确定拥堵系数。

[0061] 在一示例中，Conn=max(1,Sumn/Smaxn),其中Sumn为路径Rn当前行驶的矿用无人驾驶车辆的数量，Smaxn为路径Rn的非拥堵行驶的最大的矿用无人驾驶车辆的数量。

[0062] Cn为路况因子，可以根据道路历史通行信息获得路况因子。

[0063] 在一示例中，Cn与路况变量x有关，C（n x）= Vn/Vnx，Vn为在晴天的正常路况下的限速，Vnx为在晴天的路况变量x下的限速。所述路况变量x包括上坡、下坡和连续弯道中的至少一种。例如，在上坡的路况下，路况因子Cn为1.6；在下坡的路况下，路况因子Cn为1.25；在连续弯道的情况下，路况因子Cn为1.3。本公开的实施例并不限制路况因子的具体数值，可以根据具体情况（例如矿区的道路情况）进行确定。

[0064] W为天气因子，可以根据实时天气信息和道路历史通行信息获得天气因子。

[0065] 在一示例中，W与天气变量y有关，W（y）= Vn/Vny。Vn为在晴天的正常路况下的限速，Vny为天气变量y下正常路况的限速，可以根据道路历史通行信息获得Vny。所述天气变量y包括雨天、晴天和雪天中的至少一种。可以根据加载的实时天气信息确定矿用无人驾驶车辆所处的天气，并根据道路历史通行信息和确定的天气确认天气因子。例如，雨天的天气因子为1.25，雪天的天气因子为1.4，晴天的天气因子为1。

[0066] 进一步地，在步骤S4中，所述基于所述权值Qn中的最小值判断所述至少一条路径Rn的远离所述起始点的第二节点是否为目标点的方法包括：

[0067] 确定所述权值Qn中的最小值所对应的路径Rmin。根据步骤S3确定的至少一条路径Rn（开放路径集合中）的权值Qn，获得权值Qn的最小值，再确定与该最小值对应的是哪一条路径，将其确定为Rmin。

[0068] 确定路径Rmin的所述第二节点P1的第二位置信息。根据加载的道路拓扑结构找到第二节点P1的坐标，也就是，第二位置信息。

[0069] 判断所述第二节点P1是否为所述目标点。例如，可以将第二节点P1的第二位置信息与目标点的位置信息进行比较，并确定二者是否一致。

[0070] 如果二者的位置信息一致，则确定第二节点P1是所述目标点，并将第二节点P1对应的路径（即，Rmin）确定为规划路径，结束路径规划，将该路径放入到路径规划结果集合中并将该结果返回给矿用无人驾驶车辆。

[0071] 如果二者的位置信息不一致，则确定第二节点P1不是所述目标点，并将路径Rmin从开放路径集合中移入到否决路径集合中,将所述第二节点作为起始点，将所获得的路径Rmin的权值Qn作为起始点的初始权重，并重新执行步骤S2‑S4，直至结束路径规划。

[0072] 在一示例中，所述路径规划方法还包括：

[0073] 步骤S5 实时上传矿用无人驾驶车辆的行驶情况和天气情况，并基于所述行驶情况和天气情况更新历史平均通过时间Tn、拥堵系数Conn、天气因子W和矿区内所有道路上当前行驶的矿用无人驾驶车辆的数量。例如，矿用无人驾驶车辆当前在路径Rm上行驶，当其行驶到下一条路径（例如路径Rm+1）上时，路径Rm上行驶的车辆数量会减一，而路径Rm+1上行驶的车辆数量会加一，如此，可以实时更新所有路径上当前行驶的矿用无人驾驶车辆的数量。

[0074] 如此，本公开的实施例的路径规划方法可以根据实时情况不断更新期望路径，具有较好的实时性。另外，实时更新的信息也可以为下一次的路径规划做准备。

[0075] 在本发明的另一实施例中，提供了一种矿用无人驾驶车辆。所述矿用无人驾驶车辆包括路径规划装置，所述路径规划装置配置成实施上述实施例中任一实施例所述的路径规划方法。

[0076] 在一示例中，路径规划装置可以是服务器、个人电脑、笔记本电脑、平板电脑、手机等设备。

[0077] 下面将以一具体示例将本发明的实施例的路径规划方法与现有的两种路径规划方式进行对比。

[0078] 如图2所示，起点到终点一共存在三条路径，分别是R1、R2、R3。

[0079] （1）最短路径规划:

[0080] 最短路径规划方法会寻找最短的路径。所以无论规划多少次，最短路径规划方法都会选择路径R2。如果有多辆车同时请求规划并开始作业，则会导致路径R2拥堵，降低作业效率。

[0081] （2）人工预规划路径:

[0082] 人工预规划路径的结果很大程度上取决于规划人的主观意见。该方法需要经常性的人工干预，较为耗费人力，无法实时规划。在此处不再做具体场景的对比。

[0083] （3）本发明的实施例的路径规划方法：

[0084] 在作业初期，本发明的实施例的规划结果与最短路径的规划结果相似，大部分矿卡会选择路径R2行驶。例如，在此情况下，对于路径R2来说，

[0085] h(n)= (Tn*a+(Ln/Vn)*b*Conn*W)*Cn*Tn*c + (Ln/Vn)*b*Conn*W

[0086] = (1*0.2 +(100/20)*0.4*0.5 *1)* 1*1* 0.6 +(100/20)*0.4*0.5*1[0087] =1.72，

[0088] G(n) = G(n‑1)+ h(n)=5+1.72=6.72，

[0089] Qn = G(n)+D(n)/Vavg=6.72+100/20=11.72。

[0090] 也就是，在这种情况下，路径R2的权值Qn最小，本发明的实施例会将路径R2规划为所选路径。

[0091] 在作业一段时间后，路径R2即将产生拥堵，历史通行时间上升，同时道路R2拥堵系数上升。例如，在这种情况下，对于路径R2来说，

[0092] h(n)= (Tn*a+(Ln/Vn)*b*Conn*W)*Cn*Tn*c + (Ln/Vn)*b*Conn*W

[0093] = (1*0.2 +(100/20)*0.4*0.5 *1)* 1.8*1* 0.6 +(100/20)*0.4*0.5*1[0094] =2.3，

[0095] G(n) = G(n‑1)+ h(n)=5+2.3=7.3，

[0096] Qn = G(n)+D(n)/Vavg=7.3+100/20=12.3。

[0097] 然而，在这种情况下，对于路径R1来说，

[0098] h(n)= (Tn*a+(Ln/Vn)*b*Conn*W)*Cn*Tn*c + (Ln/Vn)*b*Conn*W

[0099] = (1*0.2 +(100/20)*0.4*0.5 *1)* 1*1* 0.6 +(100/20)*0.4*0.5*1[0100] =1.72，

[0101] G(n) = G(n‑1)+ h(n)=5.1+1.72=6.82，

[0102] Qn = G(n)+D(n)/Vavg=6.82+100/20=11.82。

[0103] 由此可知，这种情况下的路径R1的权值将小于路径R2的上述权值，本发明的实施例将路径R1规划为所选路径。

[0104] 基于这种构思，本发明的实施例使得最终规划结果达到一个动态平衡，R1、R2、R3三条道路都会有矿卡行驶，减少了道路拥堵的情况，相比最短道路规划提高了作业效率。

[0105] 例如，在新疆一矿区中，对于同一矿卡在相同的情况下，在采用最短路径规划的情况下将需要30分钟完成单次作业；而在采用本发明的实施例的路径规划方法的情况下将需要20分钟完成单次作业。

[0106] 根据本发明实施例所述的矿用无人驾驶车辆的路径规划方法和矿用无人驾驶车辆具有以下优点中的至少一个：

[0107] （1）本发明的路径规划方法和矿用无人驾驶车辆的路线规划效率高，结合了路况、天气、道路拥堵状况及历史数据后，能更智能地规划出最优路径；

[0108] （2）本发明的路径规划方法和矿用无人驾驶车辆能够提高矿用无人驾驶车辆的工作效率，进而提高了矿区的作业效率和产量；

[0109] （3）本发明的路径规划方法和矿用无人驾驶车辆的实时性好，可以在矿用无人驾驶车辆的行驶过程中，根据实时情况不断更新期望路径；

[0110] （4）本发明的路径规划方法和矿用无人驾驶车辆在路径规划过程中基本无需人工干预，可以自动运行，减少了人力成本。

[0111] 虽然本总体发明构思的一些实施例已被显示和说明，本领域普通技术人员将理解，在不背离本总体发明构思的原则和精神的情况下，可对这些实施例做出改变，本发明的范围以权利要求和它们的等同物限定。