具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

为便于对本申请实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本申请实施例的限定。

实施例1

本实施例提供了一种机场自动驾驶牵引车调度导航系统，参照图2。

所述机场自动驾驶牵引车调度导航系统包括云端控制中心、智慧路侧系统以及自动驾驶平台，所述云端控制中心、所述智慧路侧系统以及所述自动驾驶平台通过5GAeroMACS(Aeronautical Mobile Airport Communications System航空空港移动通讯系统)进行信息传输。

云端控制中心，包括通信系统、信息处理系统、牵引车匹配系统和实时导航地图生成系统。

所述通信系统通过5G AeroMACS与所述自动驾驶平台和智慧路侧系统进行通信。

所述信息处理系统从机场运控中心获取当日所有航班信息，根据每架航空器的预计离港时刻，按照时间顺序从早到晚排序，在系统中排列航班信息形成离港航空器等待队列。

所述牵引车匹配系统中包括有多种型号的牵引车，对应于多种型号的航空器，所述牵引车匹配系统将检索与发出申请推出的航空器型号相对应的空闲牵引车，将其实时匹配。

所述实时导航地图生成系统先将机场场面地图抽象成场面网络图，所述场面网络图包括节点和路径。

所述通信系统将所述智慧路侧系统中的多元路侧感知单元接收到的数据传输给所述实时当行地图生成系统，通过处理多元路侧感知单元采集到的点云数据和视频数据，在场面网络图的基础上标明障碍和提示信息，生成实时导航地图。

智慧路侧系统，所述智慧路侧系统包括路侧通信单元、多元路侧感知单元和标志线。

所述路侧通信单元通过5G AeroMACS与所述云端控制中心以及自动驾驶平台进行通信。

所述多元路侧感知单元包括激光雷达和相机，所述激光雷达和所述相机安装在机场场面上。

所述激光雷达使用水平视场角和垂直视场角分别为360°和40°的32线激光雷达，所述激光雷达用于采集所在位置点云数据，点云数据用于辅助生成实时导航地图。

所述相机使用CMOS相机，具有图像捕获灵活、高灵敏度、宽动态范围和高分辨率的优点，用于采集机场场面视频图像。

所述标志线用于提供所处的环境信息及界定车道，给自动驾驶牵引车提供辅助，辅助牵引车在机场场面上移动至目标位置。所述标志线由所述自动驾驶平台上的相机识别，示例性的，所述相机识别车道线辅助牵引车进行车道保持；在交叉位置处设置有类似红绿灯的动态通行标志。

自动驾驶平台，所述自动驾驶平台包括多传感器、通信单元、感知单元、决策规划单元和控制单元，是本发明实施例中方法的执行主体。

所述多传感器包括，高精度定位模块、相机和激光雷达。

所述高精度定位模块，由卫星天线、惯性/卫星组合导航主机及上位机软件组成，分别用于接收卫星信号、计算提供多参数导航信息、辅助定位和解析数据等。

所述相机使用GigE相机，高速传输图像数据，用于采集牵引车前方视频图像及识别标志线。

激光雷达使用水平视场角和垂直视场角分别为360°和40°的32线激光雷达，用于检测牵引车四周障碍物，并将环境信息发送给决策规划单元。

通信单元，所述通信单元通过5G AeroMACS与所述云端控制中心以及智慧路侧系统进行通信。

感知单元用于接收多传感器获取的信息，并对其进行分布式融合，即先对各个独立传感器所获得的原始数据进行局部处理，然后再将结果送入信息融合中心进行智能优化组合来获得最终的结果。

决策规划单元分为三个层次：路径规划、行为决策和运动规划。首先路径规划层生成一条全局的路径，行为决策层在接收到全局路径后，结合从感知单元接收的信息，作出具体的行为决策，最后，运动规划层根据具体的行为决策，规划生成一条满足特定约束条件的轨迹，该轨迹作为控制单元的输入决定车辆最终行驶路径。

路径规划层，即对全局路径进行规划，又称导航规划，这里采用A*算法进行路径规划。A*算法是一种静态路网中求解最短路径最有效的直接搜索方法，在某一时刻的实时导航地图可以看作一个静态路网。首先将待搜索的区域简化成一个个小方格，最终找到的路径就是一些小方格的组合，初始节点和目标节点分别表示路径的起点和终点。A*算法通过f(n)＝g(n)+h(n)这个启发函数来计算每个节点的优先级。f(n)是节点n的综合优先级，当选择下一个要遍历的节点时，总会选取综合优先级最高(值最小)的节点。g(n)是节点n距离起点的代价。h(n)是节点n距离终点的预计代价。A*算法在运算过程中，每次从优先队列中选取f(n)值最小(优先级最高)的节点作为下一个待遍历的节点，最终确定一条最短路径。

行为决策，又称行为规划，依据全局规划路线信息，根据当前交通场景和环境感知的信息，加上自身当前驾驶状态，在交通规则的约束下规划出合理的驾驶行为。这里采用分层有限状态机，有限状态机中构造有限数量的状态，外界的输入只能让状态机在这中间切换。分层有限状态机包含如下几部分：1.输入集合：也叫刺激集合，包含状态机可能收到的所有输入；2.输出集合：即状态机能够作出的响应的集合；3.使用有向图来描述状态机内部的状态和转移逻辑；4.状态机有一个固定的初始状态；5.结束状态集合；6.转移逻辑：即状态机从一个状态转移到另一个状态的条件。

运动规划，是根据局部环境信息、上层决策任务和车身实时位姿信息，在满足一定的运动学约束下，规划决断出局部空间和时间内车辆期望的运动轨迹，包括行驶轨迹、速度、方向和状态等，并将规划输出的期望车速以及可行驶轨迹等信息给入控制单元，从而能够最终生成对车辆的一系列具体控制信号，实现车辆按照规划目标的行驶。

控制单元采用PID控制，根据规划的行驶轨迹和速度以及当前的位置、姿态和速度，产生对牵引车底层油门、刹车、方向盘和变速杆的控制命令，从而使牵引车沿着目标轨迹以目标速度和加速度行驶。

所述云端控制中心、所述智慧路侧系统以及所述自动驾驶平台由各自系统中包含的通信单元通过5G AeroMACS建立通信网络，进行数据交换。

机场场内安装的激光雷达以及相机采集点云数据以及视频数据，将采集到的数据通过路侧通信单元传输给云端控制中心的通信系统，所述云端控制中心将接收到的数据信息进行处理，由实时导航地图生成系统在机场场面地图的基础上生成实时当行地图，并将更新的地图通过所述通信系统发送给自动驾驶平台上的通信单元，所述决策规划单元将接收到的更新后的地图信息结合感知单元获得的信息，规划生成一条满足特定约束条件的轨迹，该轨迹作为控制单元的输入决定车辆最终行驶路径。

实施例2

本实施例提供了一种机场自动驾驶牵引车调度导航方法，参照图1。

S1，云端控制中心获取航班信息，按时间顺序排列所有航班信息形成航空器等待队列，待牵引航空器在其预计离港前发出推出申请，同时将自身信息发送给云端控制中心，所述信息包括航空器型号、位置、姿态以及目标位置。

云端控制中心从机场运控中心获取当日所有航班信息，根据每架航空器的预计离港时刻，按照时间顺序从早到晚排序，在系统中排列航班信息形成离港航空器等待队列。

待牵引航空器在离港时刻前T分钟发出推出申请，T可根据航空器与牵引车泊车处距离取值，优选的，在本实施例中取值[30,40]。同时，航空器将自身信息发送给云端控制中心，所述信息中航空器型号用于匹配航空器等待队列，位置、姿态及目标位置用于提供给牵引车进行导航。

S2，云端控制中心的牵引车匹配系统根据发出申请的待牵引航空器，检索与所述待牵引航空器型号相对应的自动驾驶牵引车，并在同类空闲的自动驾驶牵引车中寻找距离所述待牵引航空器最近的自动牵引车，向其发送指派命令和待牵引航空器信息。

在云端控制中心的牵引车匹配系统中，航空器和牵引车进行实时匹配。

所述牵引车匹配系统中有多种型号的牵引车，分别对应不同型号的航空器，根据发出申请的待牵引航空器的型号，实时匹配与之相对应的自动驾驶牵引车，所述自动驾驶牵引车具有工作中和空闲两种状态。

牵引车匹配系统在空闲的牵引车中寻找距离待牵引航空器最近的一辆，通过通信系统向其发送指派命令和待牵引航空器信息。

S3，空闲状态的自动驾驶牵引车上的通信单元接收到指派命令，向自动驾驶牵引车上的自动驾驶平台发出唤醒信号，所述自动驾驶平台启动各个单元，进入预备状态。

自动驾驶平台包括通信单元，所述通信单元保持长期在线，所述自动驾驶平台的其他单元长期处于待机状态。

接收到云端控制中心发送的指派命令后，所述通信单元向自动驾驶平台发出唤醒信号，自动驾驶平台启动感知单元、决策规划单元和控制单元，所述自动行驶牵引车进入预备状态。

S4，所述云端控制中心通过处理智慧路侧系统中的多元路侧感知单元采集到的数据，在机场场面地图的基础上生成实时导航地图，发送给牵引车，所述多元路侧感知单元包括激光雷达和摄像头，所述数据包括激光雷达采集的点云数据以及摄像头采集的视频数据。

所述激光雷达和所述相机安装在机场场面上。

云端控制中心的实时导航地图生成系统可以为牵引车提供导航辅助。首先将机场场面地图抽象成场面网络图，所述场面网格图包括节点与路径；然后通过处理多元路侧感知单元采集到的点云数据和视频数据，在场面网络图的基础上标明障碍和提示信息，从而生成实时导航地图，发送给牵引车。

S5，自动驾驶平台根据待牵引航空器的信息得到牵引作业的起点位置，根据实时导航地图规划处前往所述起点位置的最佳路线；所述自动驾驶牵引车根据所述最佳路线向所述起点位置行驶。

牵引作业的起点位置设置在待牵引航空器正前方L m处，L取10-15m。牵引车从此位置开始进行后续与飞机对接作业及牵引作业。

根据云端控制中心提供的实时导航地图，自动驾驶平台的决策规划单元规划出前往牵引作业起点的最佳路线。

所述自动驾驶平台包括决策规划单元，所述决策规划单元采用A*算法进行路径规划，依靠已知的环境地图以及地图中的障碍物信息构造从起点到终点的可行路径，并选择其中行驶时间最短的一条作为前往牵引作业起点的最佳路线。

需要说明的是，最佳路线可能存在障碍物，静态障碍物需要牵引车自主避障，动态障碍物会产生一个等待时间，无论何种情况，最佳路线总是可到达牵引作业起点的。

在牵引车行驶至牵引作业起点过程中，自动驾驶平台的多传感器不断采集四周环境信息并反馈给自动驾驶平台的感知单元，经过处理后发送给决策规划单元。

其中，高精度定位模块实现高精度定位，相机采集牵引车前方视频图像及识别标志线，激光雷达采集牵引车四周点云数据。

同时，在牵引车行驶至牵引作业起点过程中，智慧路侧系统的路侧通信单元不断将所在处环境信息发送给自动驾驶平台，包括该处有无障碍物、障碍物信息、可通行时间等。

自动驾驶平台的决策规划单元对从感知单元和路侧通信单元接受的信息进行分析处理，做出决策，再由控制单元对牵引车运动状态进行控制。

实施本发明实施例的方法，可以实现机场自动驾驶牵引车的调度导航，减轻工作人员负担，提高牵引作业的安全性及效率。

以上所述的具体实施方式，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施方式而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。