CN110861650B - 车辆的路径规划方法、装置,车载设备和存储介质 - Google Patents
车辆的路径规划方法、装置,车载设备和存储介质 Download PDFInfo
- Publication number
- CN110861650B CN110861650B CN201911148409.7A CN201911148409A CN110861650B CN 110861650 B CN110861650 B CN 110861650B CN 201911148409 A CN201911148409 A CN 201911148409A CN 110861650 B CN110861650 B CN 110861650B
- Authority
- CN
- China
- Prior art keywords
- path
- planning
- vehicle
- driving
- curvature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/109—Lateral acceleration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/12—Lateral speed
- B60W2520/125—Lateral acceleration
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开实施例涉及一种车辆的路径规划方法,包括:获取智能驾驶车辆的当前车速,以及横向加速度阈值;基于所述智能驾驶车辆的当前车速,以及横向加速度阈值生成路径曲率约束条件;基于所述路径曲率约束条件进行行驶路径规划。本公开实施例还公开了对应的车辆的路径规划装置、车载设备和非暂态计算机可读存储介质。本公开实施例中的技术方案能够有效避免车辆在换道、避障或者超车时,发生转向过猛、强制动以及低速状态下转向不足等问题。
Description
技术领域
本公开实施例涉及车辆控制技术领域,具体涉及一种车辆的路径规划方法、装置,车载设备和存储介质。
背景技术
随着车辆智能化技术的发展,车辆的自动驾驶技术逐渐成为车辆研究领域的一个热点,由于道路环境的复杂性,车辆在行驶过程中需要自主完成换道、避障或者超车时,需要进行路径规划。
目前常用的路径规划方法是离散差值曲线算法,离散插值曲线算法由于实时性好、鲁邦性高和轨迹结果曲率连续的优点,逐渐成为路径规划领域的重要算法。该算法将每条路径轨迹分为横向路径规划和纵向速度规划,并且先进行横向路径规划,再进行纵向速度规划,但是横向路径规划为解耦规划,通常无法保证得到横向路径在纵向速度规划时有可行解,进而容易导致最终生成的路径规划不平顺,行驶舒适性差。
上述对问题的发现过程的描述,仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
为了解决现有技术存在的至少一个问题,本发明的至少一个实施例提供了一种车辆的路径规划方法、装置,车载设备和存储介质。
第一方面,本公开实施例提出一种车辆的路径规划方法,该方法包括:
获取智能驾驶车辆的当前车速,以及横向加速度阈值;
基于智能驾驶车辆的当前车速,以及横向加速度阈值生成路径曲率约束条件;
基于路径曲率约束条件进行行驶路径规划。
第二方面,本公开实施例提出一种车辆的路径规划装置,该装置包括:
参数获取模块,用于获取智能驾驶车辆的当前车速,以及横向加速度阈值;
约束条件生成模块,用于基于智能驾驶车辆的当前车速,以及横向加速度阈值生成路径曲率约束条件;
路径规划模块,基于路径曲率约束条件进行行驶路径规划。
第三方面,本公开实施例提出一种车载设备,包括:处理器和存储器;
处理器通过调用存储器存储的程序或指令,用于执行上述第一方面所述的方法的步骤。
第四方面,本公开实施例提出一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储程序或指令,该程序或指令使计算机执行如上述第一方面所述方法的步骤。
可见,本公开实施例的至少一个实施例中,其中在进行行驶路径规划时,先通过获取智能驾驶车辆的当前车速,以及横向加速度阈值,然后基于上述的当前车速和横向加速度阈值生成路径曲率约束条件,最后在基于该路径曲率约束条件进行行驶路径规划,实现了在横向和纵向上的协同规划,使得最终得到的行驶路径具有平顺性好,行驶舒适性高的优点,能够有效避免车辆在换道、避障或者超车时,发生转向过猛、强制动以及低速状态下转向不足等问题。
附图说明
为了更清楚地说明本公开实施例的技术方案,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一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是本公开实施例提供的一种智能驾驶车辆的整体架构图;
图2是本公开实施例提供的一种智能驾驶系统的框图;
图3是本公开实施例提供的一种路径规划装置的框图;
图4是本公开实施例提供的行驶路径规划示意图;
图5是本公开实施例中三次多项式曲线的曲率分布图;
图6是本公开实施例中拟合曲线的示意图;
图7是本公开实施例提供的一种车载设备的框图;
图8是本公开实施例提供的一种车辆的路径规划方法的流程示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
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。
针对现有技术中在利用离散差值曲线算法进行路径规划时,容易导致最终生成的路径规划不平顺,行驶舒适性差问题,本公开实施例提供一种车辆的路径规划方案,该方案在进行行驶路径规划时,先通过获取智能驾驶车辆的当前车速,以及横向加速度阈值,然后基于上述的当前车速和横向加速度阈值生成路径曲率约束条件,最后在基于该路径曲率约束条件进行行驶路径规划,实现了在横向和纵向上的协同规划,能够实现最终得到的行驶路径具有平顺性好,行驶舒适性高的优点。
本公开实施例提供的路径规划方案,可应用于智能驾驶车辆。
图1为本公开实施例提供的一种智能驾驶车辆的整体架构图。如图1所示,智能驾驶车辆包括:传感器组、智能驾驶系统100、车辆底层执行系统以及其他可用于驱动车辆和控制车辆运行的部件。
传感器组,用于采集车辆外界环境的数据和探测车辆的位置数据。传感器组例如包括但不限于摄像头、激光雷达、毫米波雷达、GPS(Global Positioning System,全球定位系统)和IMU(Inertial Measurement Unit,惯性测量单元)中的至少一个。
在一些实施例中,传感器组,还用于采集车辆的动力学数据,传感器组例如还包括但不限于车轮转速传感器、速度传感器、加速度传感器、方向盘转角传感器、前轮转角传感器中的至少一个。
智能驾驶系统100,用于获取传感器组的数据,传感器组中所有传感器在智能驾驶车辆行驶过程中都以较高的频率传送数据。
智能驾驶系统100,还用于基于传感器组的数据进行环境感知和车辆定位,并基于环境感知信息和车辆定位信息进行路径规划和决策,以及基于规划的路径生成车辆控制指令,从而控制车辆按照规划路径行驶。上述的路径规划和决策包括但不限于进行换道、避障或者超车等决策,以及在执行上述决策时所需的行驶路径规划。
在一些实施例中,智能驾驶系统100,在进行换道、避障或者超车等决策执行的路径规划,可以通过如下方式实现,例如首先获取智能驾驶车辆的当前车速,以及横向加速度阈值;然后基于智能驾驶车辆的当前车速,以及横向加速度阈值生成路径曲率约束条件;最后,基于路径曲率约束条件进行行驶路径规划。
本公开实施例中实现了在横向和纵向上的协同规划,使得最终得到的行驶路径轨迹具有平顺性好,行驶舒适性高的优点,能够有效避免车辆在换道、避障或者超车时,发生转向过猛、强制动以及低速状态下转向不足等问题。
在一些实施例中,基于智能驾驶车辆的当前车速,以及横向加速度阈值生成路径曲率约束条件包括:
基于横向加速度阈值与当前车速的平方之比获取行驶路径轨迹的最大曲率值,路径曲率约束条件为行驶路径轨迹的曲率小于或等于行驶路径轨迹的最大曲率值。
在一些实施例中,尤其是在上述的换道、避障或者超车等操作场景下,由于道路条件的限制或者其他因素,例如车道宽度等条件限制,车辆在进行上述操作时,其横向偏移距离往往可以相对固定,即可以规定在某一个数值范围内,或者可以取某一个数值范围内的几个固定值,此时在基于路径曲率约束条件进行行驶路径规划时,可以预先获取上述的N个候选横向偏移距离,N为大于或等于1的整数。进一步的,上述步骤中的基于路径曲率约束条件进行行驶路径规划可以具体为基于N个候选横向偏移距离,以及路径曲率约束条件进行行驶路径规划,此时能够降低行驶路径规划计算时的计算复杂度,减少计算量,提高行驶路径规划的效率。
在一些实施例中,基于N个候选横向偏移距离,以及路径曲率约束条件进行行驶路径规划包括:
基于预设的路径轨迹曲线算法获取对应的路径轨迹曲线上的系数取值和曲率分布信息;
基于路径轨迹曲线上的系数取值、曲率分布信息,以及行驶路径轨迹的路径曲率约束条件,获取智能驾驶车辆的当前车速与路径轨迹曲线上路径规划终点的关联关系;
基于N个候选横向偏移距离,智能驾驶车辆的当前车速与路径轨迹曲线上的路径规划终点的关联关系进行行驶路径规划。
在一些实施例中,预设的路径轨迹曲线算法可以包括三次多项式曲线算法、螺旋曲线算法和五次多项式曲线算法中的任意一种。
在一些实施例中,智能驾驶系统100可以为软件系统、硬件系统或者软硬件结合的系统。例如,智能驾驶系统100是运行在操作系统上的软件系统,车载硬件系统是支持操作系统运行的硬件系统。
在一些实施例中,智能驾驶系统100,还用于与云端服务器无线通信,交互各种信息。在一些实施例中,智能驾驶系统100与云端服务器通过无线通讯网络(例如包括但不限于GPRS网络、Zigbee网络、Wifi网络、3G网络、4G网络、5G网络等无线通讯网络)进行无线通信。
在一些实施例中,云端服务器用于统筹协调管理智能驾驶车辆。在一些实施例中,云端服务器可以用于与一个或多个智能驾驶车辆进行交互,统筹协调管理多个智能驾驶车辆的调度等。
在一些实施例中,云端服务器是由车辆服务商所建立的云端服务器,提供云存储和云计算的功能。在一些实施例中,云端服务器中建立车辆端档案。在一些实施例中,车辆端档案中储存智能驾驶系统100上传的各种信息。在一些实施例中,云端服务器可以实时同步车辆端产生的驾驶数据。
在一些实施例中,云端服务器可包括数据仓库和数据加工平台,其中数据仓库中存储云端服务器建立的车辆端档案。在一些实施例中,数据仓库可以从各种源头业务系统中把数据统一采集到数据仓库中,并在数据加工平台进行加工,以便车辆端使用。
在一些实施例中,数据仓库和数据加工平台可基于数据仓库云服务进行建立,例如采用阿里云提供的数据仓库云服务和MaxCompute云服务进行建立。MaxCompute服务可向用户提供完善的数据导入方案以及多种分布式计算模型,解决海量数据计算问题。
在一些实施例中,云端服务器是基于车载T-BOX终端,应用云技术搭建的信息服务后台。
在一些实施例中,云端服务器可以是一个服务器,也可以是一个服务器群组。服务器群组可以是集中式的,也可以是分布式的。分布式服务器,有利于任务在多个分布式服务器进行分配与优化,克服传统集中式服务器资源紧张与响应瓶颈的缺陷。在一些实施例中,云端服务器可以是本地的或远程的。
在一些实施例中,云端服务器可用于对车辆端进行停车收费、过路收费等。在一些实施例中,云端服务器还用于分析驾驶员的驾驶行为,并且对驾驶员的驾驶行为进行安全等级评估。
在一些实施例中,云端服务器可用于获取道路监测单元(RSU:Road Side Unit)和智能驾驶车辆的信息,以及可以发送信息至智能驾驶车辆。在一些实施例中,云端服务器可以根据智能驾驶车辆的信息将道路监测单元中的与智能驾驶车辆相对应的检测信息发送给智能驾驶车辆。
在一些实施例中,道路监测单元可以用于收集道路监测信息。在一些实施例中,道路监测单元可以是环境感知传感器,例如,摄像头、激光雷达等,也可以是道路设备,例如V2X设备,路边红绿灯装置等。在一些实施例中,道路监测单元可以监控隶属于相应道路监测单元的道路情况,例如,通过车辆的类型、速度、优先级别等。道路监测单元在收集到道路监测信息后,可将所述道路监测信息发送给云端服务器,也可以发送给通过道路的智能驾驶车辆。
车辆底层执行系统,用于接收车辆控制指令,实现对车辆行驶的控制。在一些实施例中,车辆底层执行系统包括但不限于:转向系统、制动系统和驱动系统。转向系统、制动系统和驱动系统属于车辆领域成熟系统,在此不再赘述。
在一些实施例中,智能驾驶车辆还可包括图1中未示出的车辆CAN总线,车辆CAN总线连接车辆底层执行系统。智能驾驶系统100与车辆底层执行系统之间的信息交互通过车辆CAN总线进行传递。
在一些实施例中,智能驾驶车辆既可以通过驾驶员又可以通过智能驾驶系统100控制车辆行驶。在人工驾驶模式下,驾驶员通过操作控制车辆行驶的装置驾驶车辆,控制车辆行驶的装置例如包括但不限于制动踏板、方向盘和油门踏板等。控制车辆行驶的装置可直接操作车辆底层执行系统控制车辆行驶。
在一些实施例中,智能驾驶车辆也可以为无人车,车辆的驾驶控制由智能驾驶系统100来执行。
图2为本公开实施例提供的一种智能驾驶系统200的框图。在一些实施例中,智能驾驶系统200可以实现为图1中的智能驾驶系统100或者智能驾驶系统100的一部分,用于控制车辆行驶。
如图2所示,智能驾驶系统200可划分为多个装置,例如可包括:感知装置201、路径规划装置202、控制装置203。
感知装置201用于进行环境感知与定位。
在一些实施例中,感知装置201用于获取的传感器数据、V2X(Vehicle to X,车用无线通信)数据、高精度地图等数据。
在一些实施例中,感知装置201用于基于获取的传感器数据、V2X(Vehicle to X,车用无线通信)数据、高精度地图等数据中的至少一种,进行环境感知与定位。
在一些实施例中,感知装置201用于生成感知定位信息,实现对障碍物感知、摄像头图像的可行驶区域识别以及车辆的定位等。
环境感知(Environmental Perception)可以理解为对于环境的场景理解能力,例如障碍物的位置,道路标志/标记的检测,行人/车辆的检测等数据的语义分类。
在一些实施例中,环境感知可采用融合摄像头、激光雷达、毫米波雷达等多种传感器的数据进行环境感知。
定位(Localization)属于感知的一部分,是确定智能驾驶车辆相对于环境的位置的能力。
定位可采用:GPS定位,GPS的定位精度在数十米到厘米级别,定位精度高;定位还可采用融合GPS和惯性导航系统(Inertial Navigation System)的定位方法。定位还可采用SLAM(Simultaneous Localization And Mapping,同步定位与地图构建),SLAM的目标即构建地图的同时使用该地图进行定位,SLAM通过利用已经观测到的环境特征确定当前车辆的位置以及当前观测特征的位置。
V2X是智能交通运输系统的关键技术,使得车与车、车与基站、基站与基站之间能够通信,从而获得实时路况、道路信息、行人信息等一系列交通信息,提高智能驾驶安全性、减少拥堵、提高交通效率、提供车载娱乐信息等。
高精度地图是智能驾驶领域中使用的地理地图,与传统地图相比,不同之处在于:1)高精度地图包括大量的驾驶辅助信息,例如依托道路网的精确三维表征:包括交叉路口局和路标位置等;2)高精地图还包括大量的语义信息,例如报告交通灯上不同颜色的含义,又例如指示道路的速度限制,以及左转车道开始的位置;3)高精度地图能达到厘米级的精度,确保智能驾驶车辆的安全行驶。
路径规划装置202用于基于感知装置生成的感知定位信息,进行路径规划和决策。
在一些实施例中,路径规划模块202用于基于感知装置生成的感知定位信息,并结合V2X数据、高精度地图等数据中的至少一种,进行路径规划和决策。
在一些实施例中,路径规划装置202用于规划路径、决策:行为(例如包括但不限于跟车、超车、停车、绕行等)、车辆航向、车辆速度、车辆的期望加速度、期望的方向盘转角等,生成规划决策信息。
在一些实施例中,路径规划装置202在进行换道、避障或者超车等决策时的路径规划,可以通过如下的方式实现,例如首先获取智能驾驶车辆的当前车速,以及横向加速度阈值;然后基于智能驾驶车辆的当前车速,以及横向加速度阈值生成路径曲率约束条件;最后,基于路径曲率约束条件进行行驶路径规划。
本公开实施例中是通过在离散曲线路径生成过程中,考虑车辆的当前车速和横向加速度阈值,通过生成路径曲率约束条件,来保证曲线行驶路径轨迹在当前的车辆状态下是纵向可求解的,从而确保在完成路径规划后的行驶路径轨迹是行驶安全与舒适的。
在一些实施例中,基于智能驾驶车辆的当前车速,以及横向加速度阈值生成路径曲率约束条件包括:
基于横向加速度阈值与当前车速的平方之比获取行驶路径轨迹的最大曲率值,路径曲率约束条件为行驶路径轨迹的曲率小于或等于行驶路径轨迹的最大曲率值。
在一些实施例中,尤其是在上述的换道、避障或者超车等操作场景下,由于道路条件的限制或者其他因素,例如车道宽度等条件限制,车辆在进行上述操作时,其横向偏移距离往往可以相对固定,即可以规定在某一个数值范围内,或者可以取某一个数值范围内的几个固定值,此时在基于路径曲率约束条件进行行驶路径规划时,可以预先获取上述的N个候选横向偏移距离,N为大于或等于1的整数。进一步的,上述步骤中的基于路径曲率约束条件进行行驶路径规划可以具体为基于N个候选横向偏移距离,以及路径曲率约束条件进行行驶路径规划,此时能够降低行驶路径规划计算时的计算复杂度,减少计算量,提高行驶路径规划的效率。
在一些实施例中,基于N个候选横向偏移距离,以及路径曲率约束条件进行行驶路径规划包括:
基于预设的路径轨迹曲线算法获取对应的路径轨迹曲线上的系数取值和曲率分布信息;
基于路径轨迹曲线上的系数取值、曲率分布信息,以及行驶路径轨迹的路径曲率约束条件,获取智能驾驶车辆的当前车速与路径轨迹曲线上路径规划终点的关联关系;
基于N个候选横向偏移距离,智能驾驶车辆的当前车速与路径轨迹曲线上路径规划终点的关联关系进行行驶路径规划。
在一些实施例中,预设的路径轨迹曲线算法可以包括三次多项式曲线算法、螺旋曲线算法和五次多项式曲线算法中的任意一种。
控制装置203用于基于路径规划装置生成的规划决策信息,进行路径跟踪和轨迹跟踪。
在一些实施例中,控制装置203用于生成车辆底层执行系统的控制指令,并下发控制指令,以使车辆底层执行系统控制车辆按照期望路径行驶,例如通过控制方向盘、刹车以及油门对车辆进行横向和纵向控制。
在一些实施例中,控制装置203还用于基于路径跟踪算法计算前轮转角。
在一些实施例中,路径跟踪过程中的期望路径曲线与时间参数无关,跟踪控制时,可以假设智能驾驶车辆以当前速度匀速前进,以一定的代价规则使行驶路径趋近于期望路径;而轨迹跟踪时,期望路径曲线与时间和空间均相关,并要求智能驾驶车辆在规定的时间内到达某一预设好的参考路径点。
路径跟踪不同于轨迹跟踪,不受制于时间约束,只需要在一定误差范围内跟踪期望路径。
在一些实施例中,路径规划装置202的功能可集成到感知装置201、路径规划装置202或控制装置203中,也可配置为与智能驾驶系统200相独立的装置,路径规划装置202可以为软件装置、硬件装置或者软硬件结合的装置。例如,路径规划装置202是运行在操作系统上的软件装置,车载硬件系统是支持操作系统运行的硬件系统。
图3为本公开实施例提供的一种路径规划装置300的框图。在一些实施例中,路径规划装置300可以实现为图2中的路径规划装置202或者路径规划装置202的一部分。
如图3所示,路径规划装置300可包括但不限于以下单元:参数获取模块301、约束条件生成模块302和路径规划模块303。
本公开实施例提供的路径规划装置300,是针对现有技术中车辆行驶路径规划时,容易存在生成的路径规划轨迹不平顺,行驶舒适性差的问题。本公开实施例中考虑在车辆行驶过程中,对乘坐舒适性造成影响的是车辆的加速度,而加速度可以分为纵向加速度和横向加速度,纵向加速度即车辆的速度变化率,本公开实施例是针对横向加速度进行控制,并预先设定横向加速度阈值amax,使得车辆行驶过程中的横向加速度a控制在设定的横向加速度阈值amax的范围内。
进一步的,在进行行驶路径规划时,曲率ρ是用来表示行驶路径轨迹的重要参数,而行驶路径轨迹的曲率ρ与横向加速度a存在一定的对应关系,即存在如下的关系式:
a=ρ×v2
其中v为车辆的当前车速。由此,可以基于当前车速v和横向加速度阈值amax生成行驶路径轨迹的路径曲率约束条件,使得行驶路径规划最终得到的行驶路径轨迹能够满足上述路径曲率约束条件,以保证最终得到的行驶路径轨迹的平顺性,提高行驶舒适性。
具体的,上述的参数获取模块301用于获取智能驾驶车辆的当前车速,以及横向加速度阈值;约束条件生成模块302用于基于智能驾驶车辆的当前速度,以及横向加速度阈值生成路径曲率约束条件;路径规划模块303用于基于路径曲率约束条件进行行驶路径规划。
在一些实施例中,考虑到本公开实施例提供的技术方案中,可选的横向加速度a的取值小于或等于横向加速度阈值amax,此时根据行驶路径轨迹的曲率ρ与车辆的当前车速v和横向加速度a可以变换得到:
即可以基于横向加速度阈值与当前车速的平方之比获取行驶路径轨迹的最大曲率值,本公开实施例约束条件生成模块302生成的路径曲率约束条件可以为小于或等于上述行驶路径轨迹的最大曲率值。
可以理解的是,本公开实施例中约束条件生成模块302生成的路径曲率约束半径条件为行驶路径轨迹的曲率小于或等于车辆行驶路径的最大曲率值,只是一种举例,也可以根据车辆的当前车速,以及横向加速度阈值获取其他的约束条件,例如设定路径曲率约束条件为小于行驶路径轨迹的最大曲率值与一定的预设值之差,作为一个更严格的路径曲率约束条件。
在一些实施例中,尤其是在换道、避障或者超车等操作场景下,由于道路条件的限制或者其他因素,例如车道宽度等条件限制,车辆在进行上述操作时,其横向偏移距离往往可以相对固定,即可以规定在某一个数值范围内,或者可以取某一个数值范围内的几个固定值,此时在基于路径曲率约束条件进行行驶路径规划时,可以预先获取上述的N个候选横向偏移距离,N为大于或等于1的整数。进一步的,路径规划模块303可以具体用于:
基于N个候选横向偏移距离,以及路径曲率约束条件进行行驶路径规划,此时由于将横向偏移距离进行离散化,得到N个候选横向距离偏移,则可以将该N个候选横向偏移距离作为已知条件,仅获取每个候选横向偏移距离对应的纵向偏移距离,即可以确定路径规划终点,并可以基于该路径规划终端确定对应行驶路径轨迹。相较于不对横向偏移距离进行离散化获取N个候选横向偏移距离,本实施例的实施方式能够降低行驶路径规划计算时的计算复杂度,减少计算量,提高行驶路径规划的效率。
在一些实施例中,路径规划模块303可以利用路径轨迹曲线算法进行行驶路径规划,具体的,路径规划模块303可以利用的路径轨迹曲线算法包括但不限于三次多项式曲线算法、螺旋曲线算法和五次多项式曲线算法中的任意一种,在实际实施过程中,可以选择其中任意一种路径规划算法。其中n次多项式曲线算法对应的n次多项式曲线具有n-1阶导数连续,以及曲率连续的优点。
本公开实施例将主要以路径规划模块303利用三次多项式曲线算法进行行驶路径规划为例进行说明。
图4是本公开实施例提供的行驶路径规划示意图,如图4所示,其中的401为路径规划起点,该路径规划起点401可以选择车辆的后轴中心;402为路径规划终点,若上所述的,该路径规划终点的横向偏移距离可以为N个候选横向偏移距离。
本公开实施例中,以三次多项式曲线算法为例,行驶路径轨迹坐标(x,y)应当需要满足路径轨迹曲线,即三次多项式曲线:
y=ax3+bx2+cx+d
本公开实施例中,路径规划起点是智能驾驶车辆的后轴中心,若当前车速为v,在车体坐标系下路径规划起点坐标(xs,ys)=(0,0),路径规划起点的横向速度y’s=vs,行驶路径规划的目标是寻找合适的路径规划终点的位置,并保证路径规划曲线上各点的曲率均满足路径曲率约束条件。
假设路径规划终点的位置坐标为(xe,ye),并且为了保证车辆行驶过程中的姿态控制,路径规划终点处的横向速度设定为0。根据以上关系进行联立,具体的,分别将(xs,ys)=(0,0)、y’s=vs、(xe,ye),以及路径规划终点处的横向速度设定为0代入,可以得到如下的联立方程:
根据上述联立方程,即可以进一步求解得到路径规划曲线上系数取值,即本实施例中三次多项式曲线中的各个系数取值:
由此可见,对于任意一种预设的路径轨迹曲线算法,在预设好路径规划起点和路径规划终点,并且已知路径规划起点和路径规划终点的横向速度信息,即可进行求解,得到对应路径轨迹曲线的系数取值,本公开实施例中是得到三次多项式曲线的系数取值。
另外,对于任意一种预设的路径轨迹曲线算法而言,其对应路径轨迹曲线上的曲率分布信息也是确定的,因此,可以获取到路径轨迹曲线上的曲率分布信息。
在获取到上述路径轨迹曲线上的曲率分布信息后,可以进一步根据此曲率分布信息与路径曲率约束条件共同进行约束,并结合上述获取的路径轨迹曲线的系数取值,来获取智能驾驶车辆的当前车速与路径轨迹曲线上的路径规划终点的关联关系。
路径规划曲线上的路径规划终点包括纵向偏移距离和横向偏移距离构成,在已经获取N个候选横向偏移距离后,可以基于N个候选横向偏移距离,以及上述的智能驾驶车辆的当前车速与路径轨迹曲线上路径规划终点的关联关系进行行驶路径规划。
具体的,在本公开实施例中,对于三次多项式曲线而言,其曲率分布信息可以由如下计算公式计算得到:
图5是本公开实施例中三次多项式曲线的曲率分布图,其中分别给出了车辆的横向速度vs为0.1和0.0时,对应的曲率分布信息,其中的横坐标为纵向偏移距离,单位为m,纵坐标为曲率,并是以路径规划终点坐标(25m,3m)为例。根据图5可知,三次多项式曲线的曲率最大处均是在路径规划终点处,而根据行驶路径轨迹的路径曲率约束条件,即行驶路径轨迹的曲率小于或等于行驶路径轨迹的最大曲率值;因此,只要控制路径规划终点处的曲率,就能保证整条三次多项式曲线的曲率小于上述最大曲率值。令x=xe,并将系数a,b,c的取值带入曲率计算公式,即可以得到当前车速v、车辆的横向速度vs、路径规划终点的纵向偏移距离xe和路径规划终点的横向偏移距离ye四者之间的关系式如下:
对于智能驾驶车辆的横向速度vs,在进行换道、避障或者超车等操作的开始阶段,或者在换道、避障或者超车等操作的完成阶段,其值基本等于0,因此,可以对上述关系式进行简化,得到当前车速v、路径规划终点的纵向偏移距离xe和路径规划终点的横向偏移距离ye三者之间的关联关系式。
另外,由前述内容可知,对于智能驾驶车辆在换道、避障或者超车等操作场景下,可以有N个候选横向偏移距离ye,对于每个确定的候选横向偏移距离ye,上述关系式可以简化为当前车速v与纵向偏移距离xe的关联关系式。该方法不仅对应上述的三次多项式曲线适用,对于其他路径轨迹曲线算法所对应的路径轨迹曲线也适用。
路径规划模块303在获取到上述关联关系式的基础上,可以进一步的基于上述当前车速与纵向偏移值之间的关联关系式进行求解,获取每个候选横向偏移距离时,与当前车速对应的最短纵向偏移距离。并进一步的,基于上述每个候选横向偏移距离,以及与当前车速对应的最短纵向偏移距离构建与每个候选横向偏移距离对应的候选行驶路径轨迹。对于N个候选横向偏移距离,可以获取到N个候选行驶路径轨迹,本实施例中,可以从N个候选行驶路径轨迹中选择其中一个作为行驶路径轨迹,并根据该选中的行驶路径轨迹进行换道、避障或者超车等操作。
在一些实施例中,路径规划模块303从N个候选行驶路径轨迹中选择其中一个作为行驶路径轨迹可以包括:
根据N个候选行驶路径轨迹的路径代价选择行驶路径轨迹。即可以通过计算每条候选行驶路径轨迹的路径代价,选择最优路径作为行驶路径轨迹。具体的路径代价,可依据每条候选行驶路径轨迹与障碍物的碰撞概率情况、曲率以及相对于道路中心的横偏等参数综合计算一个路径代价,本公开实施例中对具体的计算方式不做具体限定。
上述对于每个确定的候选横向偏移距离ye,纵向偏移距离xe与当前车速v的关联关系式相对较为复杂,为了简化计算过程,降低计算量,可以采用最小二乘法进行二次拟合的方式,利用最小二乘法对当前车速与纵向偏移距离之间的关联关系式进行二次拟合处理,然后再基于二次拟合后的当前车速与纵向偏移距离之间的关联关系式进行求解,获取每个候选横向偏移距离时,与当前车速对应的最短纵向偏移距离。本公开实施例中利用二次拟合的方式得到当前车速与纵向偏移距离之间的关联关系式,能够保证行驶路径规划是纵向可行的。
仍以上述的三次多项式曲线算法为例,利用最小二乘法对其中当前车速v与纵向偏移距离xe的关联关系式进行拟合处理,得到在具有确定横向偏移距离ye的情况下,拟合后的当前车速v与纵向偏移距离xe之间的二次拟合关系式:
对于上述二次拟合关系式,其中纵向偏移距离xe取最小值时,即是关系式两侧相等的情况下满足如下的二次拟合关系式:
对上述二次拟合关系式进行求解,得到的关系式的正数根,便是与每个候选横向偏移距离ye对应的最短纵向偏移距离xe。对应于每个候选横向偏移距离ye,可以拟合得到一组系数c1、c2和c3,具体如下表所示:
在一些实施例中,路径规划装置300中各单元的划分仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如参数获取模块301、约束条件生成模块302和路径规划模块303可以实现为一个模块;参数获取模块301、约束条件生成模块302或路径规划模块303也可以划分为多个子单元。可以理解的是,各个单元或子单元能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能。
图7是本公开实施例提供的一种车载设备的框图。车载设备可支持智能驾驶系统的运行。
如图7所示,车载设备包括:至少一个处理器701、至少一个存储器702和至少一个通信接口703。车载设备中的各个组件通过总线系统704耦合在一起。通信接口703,用于与外部设备之间的信息传输。可理解,总线系统704用于实现这些组件之间的连接通信。总线系统704除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但为了清楚说明起见,在图7中将各种总线都标为总线系统704。
可以理解,本实施例中的存储器702可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。
在一些实施方式中,存储器702存储了如下的元素,可执行单元或者数据结构,或者他们的子集,或者他们的扩展集:操作系统和应用程序。
其中,操作系统,包含各种系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序,包含各种应用程序,例如媒体播放器(Media Player)、浏览器(Browser)等,用于实现各种应用业务。实现本公开实施例提供的车辆的路径规划方法的程序可以包含在应用程序中。
在本公开实施例中,处理器701通过调用存储器702存储的程序或指令,具体的,可以是应用程序中存储的程序或指令,处理器701用于执行本公开实施例提供的车辆的路径规划方法各实施例的步骤。
本公开实施例提供的车辆的路径规划方法可以应用于处理器701中,或者由处理器701实现。处理器701可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器701中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器701可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本公开实施例提供的车辆的路径规划方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器702,处理器701读取存储器702中的信息,结合其硬件完成方法的步骤。
图8为本公开实施例提供的一种车辆的路径规划方法的流程示意图。该方法的执行主体为车载设备,在一些实施例中,该方法的执行主体为车载设备所支持的智能驾驶系统。
针对现有技术中车辆行驶路径规划时,容易存在生成的路径规划轨迹不平顺,行驶舒适性差的问题。本公开实施例中考虑在车辆行驶过程中,对乘坐舒适性造成影响的是车辆的加速度,而加速度可以分为纵向加速度和横向加速度,纵向加速度即车辆的速度变化率,本公开实施例是针对横向加速度进行控制,并预先设定横向加速度阈值amax,使得车辆行驶过程中的横向加速度a控制在设定的横向加速度阈值amax的范围内。
进一步的,在进行行驶路径规划时,曲率ρ是用来表示行驶路径轨迹的重要参数,而行驶路径轨迹的曲率ρ与横向加速度a存在一定的对应关系,即存在如下的关系式:
a=ρ×v2
其中v为车辆的当前车速。由此,可以基于当前车速v和横向加速度阈值amax生成行驶路径轨迹的路径曲率约束条件,使得行驶路径规划最终得到的行驶路径轨迹能够满足上述路径曲率约束条件,以保证最终得到的行驶路径轨迹的平顺性,提高行驶舒适性。
具体的,如图8所示,本实施例提供的车辆的路径规划方法包括如下步骤:
步骤810、获取智能驾驶车辆的当前车速,以及横向加速度阈值;
步骤820、基于智能驾驶车辆的当前车速,以及横向加速度阈值生成路径曲率约束条件;
步骤830、基于路径曲率约束条件进行行驶路径规划。
在一些实施例中,考虑到本公开实施例提供的技术方案中,可选的横向加速度a的取值小于或等于横向加速度阈值amax,此时根据行驶路径轨迹的曲率ρ与车辆的当前车速v和横向加速度a可以变换得到:
即可以基于横向加速度阈值与当前车速的平方之比获取行驶路径轨迹的最大曲率值,本公开实施例中可以设置路径曲率约束条件为小于或等于上述行驶路径轨迹的最大曲率值。
可以理解的是,本公开实施例中将路径曲率约束半径条件设置为行驶路径轨迹的曲率小于或等于车辆行驶路径的最大曲率值,只是一种举例,也可以根据车辆的当前车速,以及横向加速度阈值获取其他的约束条件,例如设定路径曲率约束条件为小于行驶路径轨迹的最大曲率值与一定的预设值之差,作为一个更严格的路径曲率约束条件。
在一些实施例中,尤其是在换道、避障或者超车等操作场景下,由于道路条件的限制或者其他因素,例如车道宽度等条件限制,车辆在进行上述操作时,其横向偏移距离往往可以相对固定,即可以规定在某一个数值范围内,或者可以取某一个数值范围内的几个固定值,此时在基于路径曲率约束条件进行行驶路径规划时,可以预先获取上述的N个候选横向偏移距离,N为大于或等于1的整数。进一步的,则上述步骤中的基于路径曲率约束条件进行行驶路径规划可以具体包括:
基于N个候选横向偏移距离,以及路径曲率约束条件进行行驶路径规划,此时由于将横向偏移距离进行离散化,得到N个候选横向距离偏移,则可以将该N个候选横向偏移距离作为已知条件,仅获取每个候选横向偏移距离对应的纵向偏移距离,即可以确定路径规划终点,并可以基于该路径规划终端确定对应行驶路径轨迹。相较于不对横向偏移距离进行离散化获取N个候选横向偏移距离,本实施例的实施方式能够降低行驶路径规划计算时的计算复杂度,减少计算量,提高行驶路径规划的效率。
在一些实施例中,可以利用路径轨迹曲线算法进行行驶路径规划,具体的路径轨迹曲线算法包括但不限于三次多项式曲线算法、螺旋曲线算法和五次多项式曲线算法中的任意一种,在实际实施过程中,可以选择其中任意一种路径规划算法。其中n次多项式曲线算法对应的n次多项式曲线具有n-1阶导数连续,以及曲率连续的优点。
本公开实施例将主要以三次多项式曲线算法进行行驶路径规划为例进行说明。
图4是本公开实施中提供的行驶路径规划示意图,如图4所示,其中的401为路径规划起点,该路径规划起点401可以选择车辆的后轴中心;402为路径规划终点,若上所述的,该路径规划终点的横向偏移距离可以为N个候选横向偏移距离。
本公开实施例中,以三次多项式曲线算法为例,行驶路径轨迹坐标(x,y)应当需要满足路径轨迹曲线,即三次多项式曲线:
y=ax3+bx2+cx+d
本公开实施例中,路径规划起点是智能驾驶车辆的后轴中心,若当前车速为v,在车体坐标系下路径规划起点坐标(xs,ys)=(0,0),路径规划起点的横向速度y’s=vs,行驶路径规划的目标是寻找合适的路径规划终点的位置,并保证路径规划曲线上各位置的曲率均满足路径曲率约束条件。
假设路径规划终点的位置坐标为(xe,ye),并且为了保证车辆行驶过程中的姿态控制,路径规划终点处的横向速度设定为0。根据以上关系进行联立,具体的,分别将(xs,ys)=(0,0)、y’s=vs、(xe,ye),以及路径规划终点处的横向速度设定为0代入,可以得到如下的联立方程:
根据上述联立方程,即可以进一步求解得到路径规划曲线上系数取值,即本实施例中三次多项式曲线中的各个系数取值:
由此可见,对于任意一种路径轨迹曲线算法,在预设好路径规划起点和路径规划终点,并且已知路径规划起点和路径规划终点的横向速度信息,即可进行求解,得到对应路径轨迹曲线的系数取值,本公开实施例中是得到三次多项式曲线的系数取值。
另外,对于任意一种预设的路径轨迹曲线算法而言,其对应路径轨迹曲线上的曲率分布信息也是确定的,因此,可以获取到路径轨迹曲线上的曲率分布信息。
在获取到上述路径轨迹曲线上的曲率分布信息后,可以进一步根据此曲率分布信息与路径曲率约束条件共同进行约束,并结合上述获取的路径轨迹曲线的系数取值,来获取智能驾驶车辆的当前车速与路径轨迹曲线上的路径规划终点的关联关系。
路径规划曲线上的路径规划终点包括纵向偏移距离和横向偏移距离构成,在已经获取N个候选横向偏移距离后,可以基于N个候选横向偏移距离,以及上述的智能驾驶车辆的当前车速与路径轨迹曲线上路径规划终点的关联关系进行行驶路径规划。
具体的,在本公开实施例中,对于三次多项式曲线而言,其曲率分布信息可以由如下计算公式计算得到:
图5是本公开实施例中三次多项式曲线的曲率分布图,其中分别给出了车辆的横向速度vs为0.1和0.0时,对应的曲率分布信息,其中的横坐标为纵向偏移距离,单位为m,纵坐标为曲率,并是以路径规划终点坐标(25m,3m)为例。根据图5可知,三次多项式曲线的曲率最大处均是在路径规划终点处,而根据行驶路径轨迹的路径曲率约束条件,即行驶路径轨迹的曲率小于或等于行驶路径轨迹的最大曲率值;因此,只要控制路径规划终点处的曲率,就能保证整条三次多项式曲线的曲率小于上述最大曲率值。令x=xe,并将系数a,b,c的取值带入曲率计算公式,即可以得到当前车速v、车辆的横向速度vs、路径规划终点的纵向偏移距离xe和路径规划终点的横向偏移距离ye四者之间的关系式如下:
对于智能驾驶车辆的横向速度vs,在进行换道、避障或者超车等操作的开始阶段,或者在换道、避障或者超车等操作的完成阶段,其值基本等于0,因此,可以对上述关系式进行简化,得到当前车速v、路径规划终点的纵向偏移距离xe和路径规划终点的横向偏移距离ye三者之间的关联关系式。
另外,由前述内容可知,对于智能驾驶车辆在换道、避障或者超车等操作场景下,可以有N个候选横向偏移距离ye,对于每个确定的候选横向偏移距离ye,上述关系式可以简化为当前车速v与纵向偏移距离xe的关联关系式。该方法不仅对应上述的三次多项式曲线适用,对于其他路径轨迹曲线算法所对应的路径轨迹曲线也适用。
在获取到上述关联关系式的基础上,可以进一步的基于上述当前车速与纵向偏移值之间的关联关系式进行求解,获取每个候选横向偏移距离时,与当前车速对应的最短纵向偏移距离。并进一步的,基于上述每个候选横向偏移距离,以及与当前车速对应的最短纵向偏移距离构建与每个候选横向偏移距离对应的候选行驶路径轨迹。对于N个候选横向偏移距离,可以获取到N个候选行驶路径轨迹,本实施例中,可以从N个候选行驶路径轨迹中选择其中一个作为行驶路径轨迹,并根据该选中的行驶路径轨迹进行换道、避障或者超车等操作。
在一些实施例中,从N个候选行驶路径轨迹中选择其中一个作为行驶路径轨迹包括:
根据N个候选行驶路径轨迹的路径代价选择行驶路径轨迹。即可以通过计算每条候选行驶路径轨迹的路径代价,选择最优路径作为行驶路径轨迹。具体的路径代价,可依据每条候选行驶路径轨迹与障碍物的碰撞概率情况、曲率以及相对于道路中心的横偏等参数综合计算一个路径代价,本公开实施例中对具体的计算方式不做具体限定。
上述对于每个确定的候选横向偏移距离ye,纵向偏移距离xe与当前车速v的关联关系式相对较为复杂,为了简化计算过程,降低计算量,可以采用最小二乘法进行二次拟合的方式,利用最小二乘法对当前车速与纵向偏移距离之间的关联关系式进行二次拟合处理,然后再基于二次拟合后的当前车速与纵向偏移距离之间的关联关系式进行求解,获取每个候选横向偏移距离时,与当前车速对应的最短纵向偏移距离。本公开实施例中利用二次拟合的方式得到当前车速与纵向偏移距离之间的关联关系式,能够保证行驶路径规划是纵向可行的。
仍以上述的三次多项式曲线算法为例,利用最小二乘法对其中当前车速v与纵向偏移距离xe的关联关系式进行拟合处理,得到在具有确定横向偏移距离ye的情况下,拟合后的当前车速v与纵向偏移距离xe之间的二次拟合关系式:
对于上述二次拟合关系式,其中纵向偏移距离xe取最小值时,即是关系式两侧相等的情况下满足如下的二次拟合关系式:
对上述二次拟合关系式进行求解,得到的关系式的正数根,便是与每个候选横向偏移距离ye对应的最短纵向偏移距离xe。对应于每个候选横向偏移距离ye,可以拟合得到一组系数c1、c2和c3,具体如下表所示:
y<sub>e</sub>(m) | c<sub>1</sub> | c<sub>2</sub> | c<sub>3</sub> |
0.2 | 0.8332 | 0.1667 | 0.0350 |
0.4 | 0.4170 | 0.0832 | 0.0181 |
0.6 | 0.2782 | 0.0555 | 0.0126 |
0.8 | 0.2083 | 0.0414 | 0.0101 |
1.0 | 0.1667 | 0.0333 | 0.0081 |
1.2 | 0.1389 | 0.0277 | 0.006 |
1.4 | 0.1190 | 0.0237 | 0.0063 |
1.6 | 0.1042 | 0.0208 | 0.0060 |
1.8 | 0.0926 | 0.0184 | 0.0056 |
2.0 | 0.0833 | 0.0166 | 0.0054 |
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员能够理解,本公开实施例并不受所描述的动作顺序的限制,因为依据本公开实施例,某些步骤可以采用其他顺序或者同时进行。另外,本领域技术人员能够理解,说明书中所描述的实施例均属于可选实施例。
本公开实施例还提出一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行如车辆的路径规划方法各实施例的步骤,为避免重复描述,在此不再赘述。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。
本领域的技术人员能够理解,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (11)
1.一种车辆的路径规划方法,其特征在于,包括:
获取智能驾驶车辆的当前车速,以及横向加速度阈值;
基于所述智能驾驶车辆的当前车速,以及横向加速度阈值生成路径曲率约束条件;
基于所述路径曲率约束条件进行行驶路径规划;
所述基于所述路径曲率约束条件进行行驶路径规划之前还包括:
获取所述智能驾驶车辆的N个候选横向偏移距离,N为大于或等于1的整数;
所述基于所述路径曲率约束条件进行行驶路径规划包括:
基于所述N个候选横向偏移距离,以及所述路径曲率约束条件进行行驶路径规划。
2.根据权利要求1所述的路径规划方法,其特征在于,所述基于智能驾驶车辆的当前车速,以及横向加速度阈值生成路径曲率约束条件包括:
基于所述横向加速度阈值与当前车速的平方之比获取所述行驶路径轨迹的最大曲率值,所述路径曲率约束条件为行驶路径轨迹的曲率小于或等于所述行驶路径轨迹的最大曲率值。
3.根据权利要求1所述的路径规划方法,其特征在于,所述基于N个候选横向偏移距离,以及所述路径曲率约束条件进行行驶路径规划包括:
基于预设的路径轨迹曲线算法获取对应的路径轨迹曲线上的系数取值和曲率分布信息;
基于所述路径轨迹曲线上的系数取值、曲率分布信息,以及所述行驶路径轨迹的路径曲率约束条件,获取智能驾驶车辆的当前车速与路径轨迹曲线上路径规划终点的关联关系;
基于N个候选横向偏移距离,所述智能驾驶车辆的当前车速与路径轨迹曲线上的路径规划终点的关联关系进行行驶路径规划。
4.根据权利要求3所述的路径规划方法,其特征在于,所述预设的路径轨迹曲线算法包括三次多项式曲线算法、螺旋曲线算法和五次多项式曲线算法中的任意一种。
5.根据权利要求4所述的路径规划方法,其特征在于,所述路径轨迹曲线上的路径规划终点包括相对于路径规划起点的纵向偏移距离,以及相对于路径规划起点的横向偏移距离,所述路径规划起点为智能驾驶车辆的当前后轴中心。
6.根据权利要求5所述的路径规划方法,其特征在于,所述基于N个候选横向偏移距离,所述智能驾驶车辆的当前车速与路径轨迹曲线上的路径规划终点的关联关系进行行驶路径规划包括:
获取在每个候选横向偏移距离时,当前车速与纵向偏移距离之间的关联关系式;
基于所述当前车速与纵向偏移值之间的关联关系式进行求解,获取每个候选横向偏移距离时,与当前车速对应的最短纵向偏移距离;
基于每个候选横向偏移距离,以及与当前车速对应的最短纵向偏移距离构建与每个候选横向偏移距离对应的候选行驶路径轨迹;
从N个所述候选行驶路径轨迹中选择其中一个作为行驶路径轨迹。
7.根据权利要求6所述的路径规划方法,其特征在于,所述基于所述当前车速与纵向偏移距离之间的关联关系式进行求解,获取每个候选横向偏移距离时,与当前车速对应的最短纵向偏移距离包括:
利用最小二乘法对当前车速与纵向偏移距离之间的关联关系式进行二次拟合处理;
基于二次拟合后的当前车速与纵向偏移距离之间的关联关系式进行求解,获取每个候选横向偏移距离时,与当前车速对应的最短纵向偏移距离。
8.根据权利要求6所述的路径规划方法,其特征在于,所述从N个候选行驶路径轨迹中选择其中一个作为行驶路径轨迹包括:
根据所述N个候选行驶路径轨迹的路径代价选择行驶路径轨迹。
9.一种车辆的路径规划装置,其特征在于,所述装置包括:
参数获取模块,用于获取智能驾驶车辆的当前车速,以及横向加速度阈值;
约束条件生成模块,用于基于所述智能驾驶车辆的当前车速,以及横向加速度阈值生成路径曲率约束条件;
路径规划模块,基于所述路径曲率约束条件进行行驶路径规划。
10.一种车载设备,其特征在于,包括:处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行如权利要求1至8任一项所述方法的步骤。
11.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行如权利要求1至8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911148409.7A CN110861650B (zh) | 2019-11-21 | 2019-11-21 | 车辆的路径规划方法、装置,车载设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911148409.7A CN110861650B (zh) | 2019-11-21 | 2019-11-21 | 车辆的路径规划方法、装置,车载设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110861650A CN110861650A (zh) | 2020-03-06 |
CN110861650B true CN110861650B (zh) | 2021-04-16 |
Family
ID=69655375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911148409.7A Active CN110861650B (zh) | 2019-11-21 | 2019-11-21 | 车辆的路径规划方法、装置,车载设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110861650B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111252069B (zh) * | 2020-02-05 | 2021-08-31 | 北京百度网讯科技有限公司 | 车辆变道的方法及装置 |
US11427184B2 (en) * | 2020-03-11 | 2022-08-30 | Black Sesame Technologies Inc. | Breadth first search-depth first search three dimensional rapid exploring random tree search with physical constraints |
US11518404B2 (en) * | 2020-03-23 | 2022-12-06 | Baidu Usa Llc | Static-state curvature error compensation control logic for autonomous driving vehicles |
CN111665845B (zh) * | 2020-06-24 | 2023-09-22 | 阿波罗智能技术(北京)有限公司 | 用于规划路径的方法、装置、设备以及存储介质 |
CN112061115B (zh) * | 2020-08-18 | 2021-09-10 | 三一专用汽车有限责任公司 | 车辆行驶路径获取方法、装置和计算机可读存储介质 |
CN112099493B (zh) * | 2020-08-31 | 2021-11-19 | 西安交通大学 | 一种自主移动机器人轨迹规划方法、系统及设备 |
CN113033925B (zh) * | 2021-05-21 | 2021-08-31 | 禾多科技(北京)有限公司 | 用于控制自动驾驶车辆行驶、装置、电子设备和介质 |
CN113247023B (zh) * | 2021-06-30 | 2023-03-24 | 上海商汤临港智能科技有限公司 | 一种行驶规划方法、装置、计算机设备及存储介质 |
CN113525365A (zh) * | 2021-07-21 | 2021-10-22 | 上汽通用五菱汽车股份有限公司 | 道路规划方法、装置及计算机可读存储介质 |
CN113619574A (zh) * | 2021-08-27 | 2021-11-09 | 中国第一汽车股份有限公司 | 一种车辆避让方法、装置、计算机设备和存储介质 |
CN113696910B (zh) * | 2021-09-24 | 2022-03-18 | 紫清智行科技(北京)有限公司 | 一种自动驾驶车辆纠正横向漂移的方法及装置 |
CN114274974B (zh) * | 2021-11-30 | 2023-09-29 | 重庆长安汽车股份有限公司 | 自动驾驶中的弯道行驶控制方法、系统及车辆 |
CN114454878B (zh) * | 2022-04-13 | 2022-08-30 | 北京魔门塔科技有限公司 | 车速控制模型训练样本的确定方法及装置 |
CN115230680B (zh) * | 2022-09-23 | 2022-12-20 | 万向钱潮股份公司 | 车辆转向调整控制方法和车辆转向调整控制系统 |
CN117555340B (zh) * | 2024-01-12 | 2024-04-09 | 北京集度科技有限公司 | 路径规划方法及相关装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012098375A1 (en) * | 2011-01-18 | 2012-07-26 | Bae Systems Plc | Trajectory planning |
CN108995708A (zh) * | 2017-06-06 | 2018-12-14 | 蔚来汽车有限公司 | 一种车辆自动转弯控制方法和装置 |
CN109540159A (zh) * | 2018-10-11 | 2019-03-29 | 同济大学 | 一种快速完备的自动驾驶轨迹规划方法 |
CN109649393A (zh) * | 2018-11-30 | 2019-04-19 | 福瑞泰克智能系统有限公司 | 一种自动驾驶变换车道的路径规划方法及装置 |
-
2019
- 2019-11-21 CN CN201911148409.7A patent/CN110861650B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012098375A1 (en) * | 2011-01-18 | 2012-07-26 | Bae Systems Plc | Trajectory planning |
CN108995708A (zh) * | 2017-06-06 | 2018-12-14 | 蔚来汽车有限公司 | 一种车辆自动转弯控制方法和装置 |
CN109540159A (zh) * | 2018-10-11 | 2019-03-29 | 同济大学 | 一种快速完备的自动驾驶轨迹规划方法 |
CN109649393A (zh) * | 2018-11-30 | 2019-04-19 | 福瑞泰克智能系统有限公司 | 一种自动驾驶变换车道的路径规划方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110861650A (zh) | 2020-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110861650B (zh) | 车辆的路径规划方法、装置,车载设备和存储介质 | |
WO2021136130A1 (zh) | 一种轨迹规划方法及装置 | |
CN110603181B (zh) | 一种智能驾驶车辆让行方法、装置及车载设备 | |
CN110673602B (zh) | 一种强化学习模型、车辆自动驾驶决策的方法和车载设备 | |
US10614717B2 (en) | Drive envelope determination | |
US20200088539A1 (en) | Safety and comfort constraints for navigation | |
CN110562258B (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
WO2021102957A1 (zh) | 一种车道保持方法、车载设备和存储介质 | |
CN112146671B (zh) | 路径规划方法、相关设备及计算机可读存储介质 | |
US11499834B2 (en) | Aligning road information for navigation | |
EP4141736A1 (en) | Lane tracking method and apparatus | |
CN113916246A (zh) | 一种无人驾驶避障路径规划方法和系统 | |
CN113160547B (zh) | 一种自动驾驶方法及相关设备 | |
CN112829753B (zh) | 基于毫米波雷达的护栏估计方法、车载设备和存储介质 | |
CN110807412B (zh) | 一种车辆激光定位的方法、车载设备和存储介质 | |
CN110568847B (zh) | 一种车辆的智能控制系统、方法,车载设备和存储介质 | |
US20220084405A1 (en) | Determining vehicle path | |
US11935417B2 (en) | Systems and methods for cooperatively managing mixed traffic at an intersection | |
US11585669B2 (en) | Vehicle routing using connected data analytics platform | |
KR20190141724A (ko) | 운전 지원 방법 및 운전 지원 장치 | |
CN110599790B (zh) | 一种智能驾驶车辆进站停靠的方法、车载设备和存储介质 | |
CN110426215B (zh) | 一种用于车辆平顺性测试的模型建立方法及智能驾驶系统 | |
CN113227831B (zh) | 基于多传感器数据融合的护栏估计方法和车载设备 | |
US20230211802A1 (en) | Motion planning using spatio-temporal convex corridors | |
EP4270352A1 (en) | Controlling a future traffic state on a road segment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |