一种无人越野车辆通过障碍地形的安全行为检测方法

技术领域

本发明涉及车辆安全控制技术领域，尤其涉及一种无人越野车辆通过障碍地形的安全行为检测方法。

背景技术

基于无人驾驶技术的无人越野车辆如今广泛应用于城市物流、矿区运输、野外探测及军事等多个领域。在城市环境中的无人驾驶技术考虑的是二维环境中的交互关系，目前相关技术较成熟，应用也较多。除了城市场景的自动驾驶车辆，越野无人驾驶汽车在探险和野外研究领域具有巨大潜力。

越野车辆作为在野外实现无人驾驶功能与完成任务的平台，常需要在具有较大风险的障碍地形下行驶，如果不提前识别无人越野车辆能否安全通过规划的路径，可能造成侧翻等严重后果，丧失行驶与任务完成能力。这类问题严重危害了无人驾驶越野车辆的作业效率与自身安全性。因此在进行相关行为之前，对于越野车辆通过障碍地形的安全行为检测是至关重要的。

针对这些技术问题，现有的技术主要是基于传感器数据的实时监测和控制策略。例如，利用惯导、力传感器、悬架位移传感器等获取本体感知数据。同时，利用动力学微分模型对车辆当前行驶状态进行安全性判断，以实现对车辆行驶状态的实时安全检测。然而在障碍地形下，为了使应用于野外探测越野车辆具备翻越垂直墙、跨越壕沟等工况下的通过能力，需要综合考虑三维障碍地形信息、车辆的通过性和车辆的连续通行状态。目前相关的研究还不够充分，对规划路径的安全性检测不完善，导致路径的可通行性不高。

发明内容

鉴于上述的分析，本发明实施例旨在提供一种无人越野车辆通过障碍地形的安全行为检测方法，用以解决现有障碍地形的路径可通行性不高的问题。

本发明实施例提供一种无人越野车辆通过障碍地形的安全行为检测方法，包括以下步骤：

按照固定时间间隔获取规划路线上轨迹点序列，从轨迹点序列中获取障碍地形内的轨迹点作为待检测轨迹点；

根据地面点云拟合的地面模型，计算出无人越野车辆在待检测轨迹点的位姿和各车轮接触点数据；

根据各车轮接触点数据、障碍地形的尺寸和预设的障碍地形通行序列，依次检测无人越野车辆是否满足地形通行约束及待检测轨迹点是否满足通行序列约束，当任意一个约束不满足，则将待检测的轨迹点标记为危险，否则，标记为安全；

对下一轨迹点序列中障碍地形内的轨迹点进行安全行为检测。

基于上述方法的进一步改进，根据地面点云通过以下步骤拟合地面模型：

每个地面点云作为一个控制点，采用三次B样条方法拟合出曲面；将曲面划分为由矩形单元组成的栅格地图，将每个栅格内的地面点云的高度平均值作为该栅格的高度；根据每个栅格的中心坐标和高度拟合出地面的数学模型，作为地面模型。

基于上述方法的进一步改进，根据地面点云拟合的地面模型，计算出无人越野车辆在各轨迹点的位姿和各车轮接触点数据，包括：

构建底盘的栅格地图，根据地面模型中的地面高度，获取无人越野车辆在每个栅格中底盘距离地面的高度，得到底盘高度图；

初始化旋转矩阵，根据地面模型和底盘高度图，获取无人越野车辆与地面的接触栅格作为接触点数据，根据接触点数据得到支撑多边形；

根据支撑多边形对位姿不稳定的轨迹点计算出旋转轴，并围绕旋转轴以固定角度旋转无人越野车辆，更新旋转矩阵和底盘高度图，重新获取接触点数据和支撑多边形，直至轨迹点位姿稳定；根据最终的接触点数据和无人越野车辆尺寸，得到各车轮接触点数据，并根据最终的旋转矩阵得到无人越野车辆在对应轨迹点的位姿。

基于上述方法的进一步改进，根据支撑多边形对位姿不稳定的轨迹点计算出旋转轴，包括：

计算无人越野车辆质心在底盘高度图上的投影点到支撑多边形每个点和每条边的距离；如果最短距离对应的是点，则旋转轴是经过该点且与该点到投影点的直线正交的直线；否则，旋转轴是最短距离对应的边所在直线。

基于上述方法的进一步改进，障碍地形包括垂直墙和壕沟；障碍地形的尺寸通过以下步骤获取：采集无人越野车辆拍摄的图像，利用训练好的神经网络识别出图像中的垂直墙和壕沟区域，根据对应区域的地面点云，估计出障碍地形中垂直墙高度、垂直墙的上下沿区域、壕沟宽度和壕沟的前后沿区域。

基于上述方法的进一步改进，检测无人越野车辆是否满足地形通行约束包括：无人越野车辆翻越垂直墙的最大高度是否大于估计的垂直墙高度，无人越野车辆跨越壕沟的最大宽度是否大于估计的壕沟宽度；如果大于，则满足地形通行约束。

基于上述方法的进一步改进，无人越野车辆翻越垂直墙的最大高度是根据无人越野车辆驱动电机的输出扭矩和路面附着系数，计算出无人越野车辆前轮和后轮最大爬坡高度中的最小值；无人越野车辆跨越壕沟的最大宽度是根据无人越野车辆前轮和后轮跨越壕沟时驱动电机的输出扭矩以及无人越野车辆车轮直径分别计算出最大跨越宽度中的最小值。

基于上述方法的进一步改进，障碍地形通行序列是基于翻越垂直墙和跨越壕沟的各阶段，采集有人驾驶模式下无人越野车辆在各阶段各车轮与地面的接触情况及各车轮与垂直墙和壕沟的相对位置而统计得到的车轮状态转移顺序。

基于上述方法的进一步改进，障碍地形通行序列中每种车轮状态至少有一种车轮接触情况，每种车轮状态对应的前后轮与垂直墙或壕沟的相对位置不同；前后轮与垂直墙或壕沟的相对位置包括：前后轮相对于垂直墙的上下沿区域的位置，及，前后轮相对于壕沟的前后沿区域的位置。

基于上述方法的进一步改进，检测待检测轨迹点是否满足通行序列约束包括：根据障碍地形通行序列，比对出待检测轨迹点的车轮接触点数据对应的状态；依次检测每相邻两个待检测轨迹点的状态，记录不同的状态，得到实际通行序列；当实际通行序列存在于障碍地形通行序列中，则满足通行序列约束，否则不满足通行序列约束。

与现有技术相比，本发明至少可实现如下有益效果之一：使用垂直墙/壕沟通行性粗检测和障碍地形通行序列的精检测，实现了对障碍地形的多种安全行为的检测，提高了障碍地形的路径可通行性和安全性；这种精确到点的安全性分级，对错误的规划路线做出提前的预警，可以更好地在危险发生之前发出警报而及时纠正危险行为，有利于无人越野车辆及时调整预期行为。

本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件；

图1为本发明实施例中一种无人越野车辆通过障碍地形的安全行为检测方法流程图；

图2为本发明实施例中无人越野车辆前轮翻越垂直墙的受力示意图；

图3为本发明实施例中无人越野车辆后轮翻越垂直墙的受力示意图；

图4为本发明实施例中无人越野车辆前轮跨越壕沟状态受力示意图；

图5为本发明实施例中无人越野车辆后轮跨越壕沟状态受力示意图；

图6为本发明实施例中无人越野车辆翻越垂直墙的通行序列示意图；

图7为本发明实施例中无人越野车辆跨越壕沟的通行序列示意图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

本发明的一个具体实施例，公开了一种无人越野车辆通过障碍地形的安全行为检测方法，如图1所示，包括以下步骤：

S11、按照固定时间间隔获取规划路线上轨迹点序列，从轨迹点序列中获取障碍地形内的轨迹点作为待检测轨迹点；

S12、根据地面点云拟合的地面模型，计算出无人越野车辆在待检测轨迹点的位姿和各车轮接触点数据；

S13、根据各车轮接触点数据、障碍地形的尺寸和预设的障碍地形通行序列，依次检测无人越野车辆是否满足地形通行约束及待检测轨迹点是否满足通行序列约束，当任意一个约束不满足，则将待检测的轨迹点标记为危险，否则，标记为安全

S14、对下一轨迹点序列中障碍地形内的轨迹点进行安全行为检测。

实施时，首先利用地面点云计算出无人越野车辆在待检测轨迹点的位姿和各车轮的接触点数据，通过障碍地形的尺寸和障碍地形通行序列依次进行地形通行约束的粗检测和通行序列约束的精检测，对待检测轨迹点的预期行为打上安全或危险的标记，反映规划轨迹的安全状态。当存在危险状态时，将危险轨迹点和其违反的约束类型反馈给路径规划模块作为轨迹调整的参考，保证无人越野车辆的安全行进。

接下来，对步骤S11-S14分别进行说明。

在步骤S11中，按照固定的时间间隔从路径规划模块获取未来一段时间的规划路线，包括：各时刻轨迹点的x轴和y轴坐标及预期速度；根据每相邻两个轨迹点的预期速度，可以获取各轨迹点的预期加速度和朝向角。

本实施例中障碍地形包括垂直墙和壕沟。利用无人越野车辆上安装摄像头采集图像，以垂直墙和壕沟作为目标，利用训练好的神经网络识别出图像中的垂直墙和壕沟区域。进一步地，根据对应区域的地面点云，估计出障碍地形中垂直墙高度、垂直墙的上下沿区域、壕沟宽度和壕沟的前后沿区域。

地面点云是通过对无人越野车辆上激光雷达采集的点云进行分割和提取而得到。

在步骤S12中，根据地面点云通过以下步骤拟合地面模型，包括：将每个地面点云作为一个控制点，采用三次B样条方法拟合出光滑和连续的曲面；将曲面划分为由矩形单元组成的栅格地图，将每个栅格内的地面点云的高度平均值作为该栅格的高度；根据每个栅格的中心坐标和高度拟合出地面的数学模型，作为地面模型。

根据地面模型M

进一步地，根据地面模型，基于高度迭代的位姿估计算法计算出无人越野车辆在各轨迹点的位姿和各车轮接触点数据，包括：

①构建底盘的栅格地图，根据地面模型中的地面高度，获取无人越野车辆在每个栅格中底盘距离地面的高度，得到底盘高度图。

底盘高度图是车体坐标系下由矩形单元组成的栅格地图，根据地面模型中地面高度及无人越野车辆的尺寸，计算出无人越野车辆在每个栅格中底盘距离地面的高度，得到底盘高度图。根据底盘高度图M

②初始化旋转矩阵，根据地面模型和底盘高度图，获取无人越野车辆与地面的接触栅格作为接触点数据，根据接触点数据得到支撑多边形。

具体来说，初始化俯仰角和侧倾角为0的旋转矩阵，高度设置为H

根据以下公式，获取小于或等于地面模型上对应位置高度与接触增量之和的栅格，作为接触点数据：

p

其中，δ

支撑多边形是一个能够包围无人越野车辆所有接触点的最小凸包。如果只有一个接触点，则支撑多边形就是这一个接触点；如果有两个接触点，则支撑多边形为这两个点形成的线段；如果有超过两个的接触点，则使用Graham扫描对接触点进行凸包检测，得到支撑多边形。

③根据支撑多边形对位姿不稳定的轨迹点计算出旋转轴，并围绕旋转轴以固定角度旋转无人越野车辆，更新旋转矩阵和底盘高度图，重新获取接触点数据和支撑多边形，直至轨迹点位姿稳定，根据最终的接触点数据和无人越野车辆尺寸，得到各车轮接触点数据，并根据最终的旋转矩阵得到无人越野车辆在对应轨迹点的位姿。

具体来说，如果无人越野车辆质心在底盘高度图上的投影点在支撑多边形内部，则当前轨迹点位姿稳定，否则，位姿不稳定，根据投影点到支撑多边形的距离计算出旋转轴，包括：计算投影点到支撑多边形每个点和每条边的距离，如果最短距离对应的是点，则旋转轴是经过该点且与该点到投影点的直线正交的直线；否则，旋转轴是最短距离对应的边所在直线。为了准确计算出位姿，将无人越野车辆围绕旋转轴旋转的固定角度是一个预置的小角度，比如0.1rad，更新旋转矩阵和底盘高度图，迭代执行步骤②③，直至位姿稳定，得到最终的接触点数据和旋转矩阵。

最后，根据最终的接触点数据和无人越野车辆尺寸解析出无人越野车辆各车轮与地面的接触情况，包括：各车轮对应的接触点及各接触点的坐标；通过X-Y-Z的固定轴姿态矩阵的逆向推算方法，从最终的旋转矩阵中解析出无人越野车辆的俯仰角和侧倾角。结合步骤S11得到的无人越野车辆的位置和朝向角，以及，根据底盘高度图得到无人越野车辆在各轨迹点的高度，得到无人越野车辆在各轨迹点完整的位姿数据。

优选地，在步骤S13检测之前，如果无人越野车辆在待检测轨迹点处的接触点数据中包含除车轮以外的接触点数据，则说明无人越野车辆在此轨迹点发生“托底”，则该待检测轨迹点所属的障碍地形内的轨迹点均判定为不安全行为，标记为危险，否则，进入步骤S13进一步检测。

如果在步骤S11中识别出多个障碍地形，则在步骤S13中分别各障碍地形内的待检测轨迹点依次进行步骤S131的地形通行约束粗检测和步骤S132的障碍地形通行序列约束的精检测。当对各障碍地形内的待检测轨迹点全部检测并标记完成后，进入步骤S14。

S131、检测无人越野车辆是否满足地形通行约束。

具体来说，地形通行约束是检测无人越野车辆翻越垂直墙的最大高度是否大于估计的垂直墙高度，无人越野车辆跨越壕沟的最大宽度是否大于估计的壕沟宽度；如果大于，则满足地形通行约束，进入步骤S132，否则，待检测轨迹点均标记为危险，进入步骤S14。

需要说明的是，无人越野车辆翻越垂直墙的最大高度是根据无人越野车辆驱动电机的输出扭矩和路面附着系数计算的无人越野车辆前轮和后轮最大爬坡高度中的最小值。

具体来说，F

式中，F

根据力矩平衡原理，以无人越野车辆前轮与接地面的接触点为矩心，则无人越野车辆前轮翻越垂直墙时的力矩平衡方程为：

式中，a为前轮和质心的距离，L

两前轮在翻越垂直墙过程中，假设路面附着系数足够大以至于不发生滑转，则两前轮能爬上的最大垂直墙高度取决于驱动电机的输出扭矩，公式如下所示：

式中，T

将几何关系式(4)代入到式(5)中，得到在路面附着系数足够大时前轮翻越高度H

两前轮在翻越垂直墙过程中，如果驱动电机输出扭矩足够大，则两前轮能爬上的最大垂直墙高度取决于路面附着系数。因此，将式(4)代入式(2)与式(3)中计算出的H

综上两种情况，在实际行驶过程中，无人越野车辆前轮翻越垂直墙的最大高度受到滑移率和无人越野车辆电机驱动力的共同影响，为了保证安全情况，取上述两种情况中的最小值min(H

后轮跨越垂直墙的过程中，前轮已处于垂直墙的上部，整车车身呈ψ角倾斜，作用在无人越野车辆后轮上的作用力如图3所示。

根据静力学平衡原理，无人越野车辆在水平方向以及竖直方向的合力为：

根据力矩平衡方程，以无人越野车辆后轮与接地面的接触点为矩心，则无人越野车辆后轮翻越垂直墙时的力矩平衡方程为：

F

式中，ψ为前后轮轮心连线和水平路面的夹角，即后轮翻越垂直墙时车身的倾斜角；b表示质心到后轮的距离。

两后轮在翻越垂直墙过程中，假设路面附着系数足够大以至于不发生滑转，则两后轮能爬上的最大垂直墙高度取决于驱动电机的输出扭矩。

式中，T

后轮翻越垂直墙时，具有与前轮翻越垂直墙一样的几何关系，将式(4)带入到式(8)中，得到在路面附着系数足够大时后轮翻越高度H

两后轮在翻越垂直墙过程中，如果驱动电机输出扭矩足够大，则两后轮能爬上的最大垂直墙高度取决于路面附着系数。因此，将式(4)代入式(6)与式(7)计算出的H

综上两种情况，在实际行驶过程中，选择上述两种情况中的最小值min(H

最终，翻越垂直墙的最大高度H

需要说明的是，无人越野车辆前后轮跨越壕沟的阶段和翻越垂直墙的阶段一样，也可划分为三个阶段，第一阶段为无人越野车辆前轮接触到壕沟，在此过程中，由于车体重力作用，若壕沟太宽，则会发生无人越野车辆前端坠落；第二阶段为前后轮间的部分通过壕沟，壕沟宽度小于前后轴车轮的宽度；第三阶段为无人越野车辆后轮接触到壕沟，在此阶段中若壕沟太宽，则会发生无人越野车辆后端坠落，不能安全通过壕沟，导致越壕失败。无人越野车辆前轮、后轮跨越壕沟过程如图4和图5所示。跨越壕沟的最大宽度是根据无人越野车辆前轮和后轮跨越壕沟时驱动电机的输出扭矩以及无人越野车辆车轮直径分别计算的最大跨越宽度中的最小值。

具体来说，根据无人越野车辆尺寸计算得到第一最大跨越宽度W

W

当假设摩擦系数足够大不发生滑移滑转时，对于前轮跨越壕沟进行分析：

根据静力学平衡原理，无人越野车辆在水平方向以及竖直方向的合力为：

式中，ρ为前轮跨越壕沟时前轮受力与壕沟之间的夹角。

前轮跨越壕沟时存在几何关系如下：

其中，ψ为前轮跨越壕沟时前后轮中心线与水平面之间的夹角。

根据力矩平衡原理，以前轮与壕沟的接触点为矩心，则无人越野车辆前轮跨越壕沟时的力矩平衡方程为：

G(a cosψ+R sinρ)＝F

式中，

两前轮能跨越的最大壕沟宽度取决于驱动电机的输出扭矩，用以下公式表示：

T

根据式(11)-式(13)中，得到前轮跨越壕沟过程中的W，作为第二最大跨越宽度W

当假设摩擦系数足够大不发生滑移滑转时，对于后轮跨越壕沟进行分析：

根据静力学平衡原理，无人越野车辆在水平方向以及竖直方向的合力为：

式中，ρ为前轮跨越壕沟时前轮受力与壕沟之间的夹角。

后轮跨越壕沟存在与式(11)前轮跨越壕沟一样的几何关系，只是此时ψ为后轮跨越壕沟时前后轮中心线与水平面之间的夹角。

根据力矩平衡原理，以后轮与壕沟的接触点为矩心，则无人越野车辆后轮跨越壕沟时的力矩平衡方程为：

G(b cosψ-R sinρ)＝F

则两后轮能越过的最大壕沟宽度取决于驱动电机的输出扭矩：

T

根据式(11)，式(14)-式(16)中，得到后轮跨越壕沟过程中的W，作为第三最大跨越宽度W

综上可知，无人越野车辆最终跨越壕沟的宽度受到几何关系与力平衡的共同限制，即最终最大跨越宽度W

S132、检测待检测轨迹点是否满足通行序列约束。

对无人越野车辆可通行的垂直墙和壕沟，检测无人越野车辆在待检测轨迹点的各车轮接触点数据能否匹配障碍地形通行序列，如果能，则判定当前障碍地形内的待检测轨迹点均满足通行约束，标记为安全，否则，均不满足通行约束，标记为危险。如果无其它障碍地形内的轨迹点，则进入步骤S14，如果其它障碍地形内的轨迹点还为检测，则返回步骤S131。

需要说明的是，障碍地形通行序列是基于翻越垂直墙和跨越壕沟的各阶段，采集有人驾驶模式下无人越野车辆在各阶段各车轮与地面的接触情况及各车轮与垂直墙和壕沟的相对位置而统计得到的车轮状态转移顺序。每种状态至少有一种车轮接触情况，在每种车轮状态对应的前后轮与垂直墙或壕沟的相对位置不同。进一步地，前后轮与垂直墙或壕沟的相对位置包括：前后轮相对于垂直墙的上下沿区域的位置，及，前后轮相对于壕沟的前后沿区域的位置。

具体来说，图6是本实施例中无人越野车辆翻越垂直墙的障碍地形通行序列示意图，图中黑色表示车轮与地面接触受力，白色表示车轮悬空不接触地面，箭头表示从当前状态可以安全转移到的下一状态。图6中共有5种状态：状态1是无人越野车辆翻越垂直墙之前，四轮接触地面提供向前的驱动力，前轮和后轮的接触点均在垂直墙下沿；状态2是前轮接触垂直墙，开始受到向上抬升的力，前轮接触点在垂直墙上沿和/或下沿，后轮接触点在垂直墙下沿；状态3是前轮与后轮接触地面受力，提供向前的驱动力与向上的支持力，此时无人越野车辆达到最大倾角，前轮在垂直墙上沿，后轮在垂直墙下沿；状态4是无人越野车辆后轮接触垂直墙，前后轮共同提供支持力与驱动力，后轮接触点在垂直墙上沿和/或下沿；状态5是无人越野车辆到达垂直墙上方，后轮接触点在垂直墙上沿，完成翻越垂直墙的工作。在保证安全的状态下翻越垂直墙，其车轮与地面的接触情况一定与从状态1到状态5的一条转移路径相同。

图7是本实施例中无人越野车辆跨越壕沟的障碍地形通行序列示意图，图中标志含义与图6相同。图7共有5种状态：状态1是无人越野车辆跨越壕沟之前，前轮和后轮接触点均在壕沟后沿；状态2是无人越野车辆前轮经过壕沟，前轮接触点在壕沟的前沿和/或后沿，后轮的接触点在壕沟的后沿；状态3与状态4是无人越野车辆后轮经过壕沟，其中状态3中前轮接触点在壕沟前沿，后轮接触点在壕沟后沿，状态4中前轮接触点在壕沟前沿，后轮接触点在壕沟前沿和/或后沿；状态5是整车顺利通过壕沟，前轮和后轮接触点在壕沟前沿。在保证安全的状态下经过壕沟，其车轮与地面的接触情况一定与从状态1到状态5的一条转移路径相同。

将图6和图7中各个状态下车轮与垂直墙和壕沟的相对位置及其与地面接触情况进行编码，按图中的箭头存储安全的状态转移顺序，分别形成翻越垂直墙和跨越壕沟时的多条障碍地形通行序列。

在进行安全行为检测时，落入垂直墙和壕沟地形区域的是多个轨迹点，将这多个轨迹点的接触点数据按相同的方式编码，与障碍地形通行序列进行比对。具体来说，根据障碍地形通行序列中各状态下各车轮与地面的接触情况及各车轮与垂直墙和壕沟的相对位置，比对出待检测轨迹点的车轮接触点数据对应的状态；依次检测每相邻两个待检测轨迹点的状态，记录不同的状态，得到实际通行序列；当实际通行序列存在于障碍地形通行序列中，则满足通行序列约束，否则不满足通行序列约束。

需要注意的是，考虑到轨迹点是按固定时间间隔获取的，落入障碍地形的轨迹点有可能分成两个未检测的轨迹点序列，因此，待检测的轨迹点的车轮接触点数据对应的状态并不要求必须从障碍地形通行序列的状态1开始，也不要求一定要覆盖所有状态。而且，实际情况下，多个轨迹点的车轮接触点数据对应的状态可能相同，因此，本步骤在进行比对时，是依次检测相邻两个待检测轨迹点的状态，记录不同的状态后得到实际通行序列，而且只要存在于障碍地形通行序列中，即判定为满足通行约束。

示例性地，采用2位编码，第1位表示状态编号，第二位表示同一状态下的子状态编号。无人越野车辆在跨越壕沟时，落入壕沟区域的有ABCD四个轨迹点，经比对，在轨迹点A对应状态22，在轨迹点B对应状态32，在轨迹点C仍然对应状态32，在轨迹点D对应状态41，实际通行序列是22—>32—>41，存在于图7中一条障碍地形通行序列中，满足通行约束。如果轨迹点D对应状态51，则实际通行序列是22—>32—>51，状态发生了跳变，不存在于图7的障碍地形通行序列中，不满足通行约束。

优选地，为障碍地形通行序列中不同的车轮状态转移顺序设置不同的安全级别。示例性地，将图6和图7中4个车轮均与地面接触的车轮状态组成的序列的安全级别设置为安全，其它序列的安全级别设置为风险。仍以上述2位编码为例，图6中11—>22—>31—>42—>51序列，及图7中11—>22—>32—>42—>51序列为安全，其它序列为风险。

当在步骤S13中对步骤S11获取的各障碍地形内未检测的轨迹点序列均已检测完，步骤S14根据已标记的轨迹点序列生成规划路线的安全性反馈信息，包括：轨迹点的安全行为标记，对标记为危险的轨迹点对应有违反的约束类型和比对数据；反馈给路径规划模块作为轨迹调整的参考，并返回步骤S11，对下一轨迹点序列中各障碍地形内的轨迹点进行安全行为检测。

综上所述，在无人驾驶场景中，规划路线反应了无人越野车辆未来的机动过程。为了保证行驶的安全性，通过上述步骤S11-S14的循环检测，对未来障碍地形内轨迹点在发生风险动作之前对错误的规划路线做出提前的预警，这种预期行为检测提高了通过障碍地形的可行性和安全性。

与现有技术相比，本实施例提供的一种无人越野车辆通过障碍地形的安全行为检测方法，使用垂直墙/壕沟通行性粗检测和障碍地形通行序列的精检测，实现了对障碍地形的多种安全行为的检测，提高了障碍地形的路径可通行性和安全性；这种精确到点的安全性分级，对错误的规划路线做出提前的预警，可以更好地在危险发生之前发出警报而及时纠正危险行为，有利于无人越野车辆及时调整预期行为。

本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。