CN105573323A - 自动驾驶轨迹生成方法及装置 - Google Patents

自动驾驶轨迹生成方法及装置 Download PDF

Info

Publication number
CN105573323A
CN105573323A CN201610018234.8A CN201610018234A CN105573323A CN 105573323 A CN105573323 A CN 105573323A CN 201610018234 A CN201610018234 A CN 201610018234A CN 105573323 A CN105573323 A CN 105573323A
Authority
CN
China
Prior art keywords
node
vehicle
sampling
automatic driving
module
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.)
Pending
Application number
CN201610018234.8A
Other languages
English (en)
Inventor
潘晨劲
赵江宜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foochow Hua Ying Heavy Industry Machinery Co Ltd
Original Assignee
Foochow Hua Ying Heavy Industry Machinery Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Foochow Hua Ying Heavy Industry Machinery Co Ltd filed Critical Foochow Hua Ying Heavy Industry Machinery Co Ltd
Priority to CN201610018234.8A priority Critical patent/CN105573323A/zh
Publication of CN105573323A publication Critical patent/CN105573323A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

一种自动驾驶轨迹生成方法及装置，其中方法包括如下步骤，建立控制器模型、所述控制器模型用于根据期望目的地计算路径，并根据路径计算控制指令，采集采样数据、根据采样数据中得到的节点位置利用扩展树算法计算所有的潜在轨迹，对所述潜在轨迹进行可行性检查和风险评估、代价估算和安全性评价。上述技术方案通过设计控制器模型对目的地进行路径求解，并根据节点优化、安全性评估、采样策略优化等方式达到了根据采样节点自动规划行驶轨迹的目的。

Description

自动驾驶轨迹生成方法及装置
技术领域
本发明涉及无人车设计领域，尤其涉及一种自动驾驶轨迹生成方法及装置。
背景技术
无人驾驶汽车是一种智能汽车，也可以称之为轮式移动机器人，主要依靠车内的以计算机系统为主的智能驾驶仪来实现无人驾驶。无人驾驶汽车集自动控制、体系结构、人工智能、视觉计算等众多技术于一体，是计算机科学、模式识别和智能控制技术高度发展的产物，也是衡量一个国家科研实力和工业水平的一个重要标志，在国防和国民经济领域具有广阔的应用前景。无人驾驶汽车是通过车载传感系统感知道路环境，自动规划行车路线并控制车辆到达预定目标的智能汽车。它是利用车载传感器来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。
发明内容
为此，需要提供一种新的驾驶轨迹生成方法，达到安全可靠地为车辆规划路径的效果，
为实现上述目的，发明人提供了一种自动驾驶轨迹生成方法，包括如下步骤，建立控制器模型、所述控制器模型用于根据期望目的地计算路径，并根据路径计算控制指令，采集采样数据、根据采样数据中得到的节点位置利用扩展树算法计算所有的潜在轨迹，对所述潜在轨迹进行可行性检查和风险评估、代价估算和安全性评价。
优选地，所述采样步骤采用的策略包括物理环境偏置策略或逻辑环境偏置策略。
进一步地，所述可行性检查和风险评估具体包括步骤，为采样数据划分不可行区域、限定区域和惩罚区域，所述惩罚区域还包括风险系数属性；对自动驾驶轨迹的惩罚系数的路径积分和总时间进行相加。
优选地，还包括节点连接优化步骤，具体包括：利用车辆最小转向距离得到Dubins路径长度，用Dubins路径长度来度量车辆由于其转弯限制所需要定义的特殊距离，根据Dubins路径长度排序来选择最优节点。
进一步地，所述安全性评价步骤具体包括，确保树结构中的所有叶节点处于安全状态，当传播轨迹只有最后部分是不可行时，轨迹的可行部分会添加到树结构中；新添加的节点会标记为不安全节点，若不安全节点后有一个安全轨迹，该节点也会被标记为安全。
一种自动驾驶轨迹生成装置，包括模型建立模块、采样模块、扩展树模块、评估模块，
所述模型建立模块用于建立控制器模型、所述控制器模型用于根据期望目的地计算路径，并根据路径计算控制指令；
所述采样模块用于采集采样数据；
所述扩展树模块用于根据采样数据中得到的节点位置利用扩展树算法计算所有的潜在轨迹；
所述评估模块用于对所述轨迹进行可行性检查和风险评估、代价估算和安全性评价。
优选地，所述采样模块还用于采用包括物理环境偏置策略或逻辑环境偏置策略进行采样。
进一步地，所述评估模块具体还用于，为采样数据划分不可行区域、限定区域和惩罚区域，所述惩罚区域还包括风险系数属性；还用于对自动驾驶轨迹的惩罚系数的路径积分和总时间进行相加。
优选地，还包括节点连接优化模块，所述节点连接优化模块用于：利用车辆最小转向距离得到Dubins路径长度，用Dubins路径长度来度量车辆由于其转弯限制所需要定义的特殊距离，根据Dubins路径长度排序来选择最优节点。
进一步地，所述评估模块具体还用于，确保树结构中的所有叶节点处于安全状态，当传播轨迹只有最后部分是不可行时，轨迹的可行部分会添加到树结构中；新添加的节点会标记为不安全节点，若不安全节点后有一个安全轨迹，该节点也会被标记为安全。
区别于现有技术，上述技术方案通过设计控制器模型对目的地进行路径求解，并根据节点优化、安全性评估、采样策略优化等方式达到了根据采样节点自动规划行驶轨迹的目的。
附图说明
图1为本发明具体实施方式所述的自动驾驶轨迹生成方法流程图；
图2为本发明具体实施方式所述的运动规划器层级示意图；
图3为本发明具体实施方式所述的扩展树路径计算示意图；
图4a为本发明具体实施方式所述的市区环境的路口采样云示意图；
图4b为本发明具体实施方式所述的市区环境的停车场采样云示意图；
图4c为本发明具体实施方式所述的市区环境的掉头采样云示意图；
图5为本发明具体实施方式所述的可行驶区域示意图；
图6为本发明具体实施方式所述的Dubins距离中的成立范围示意图；
图7为本发明具体实施方式所述的自动驾驶轨迹生成装置模块图。
附图标记说明：
700、模型建立模块；
702、采样模块；
704、扩展树模块；
706、评估模块；
708、节点优化连接模块。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。
1、总体思路
本文的重点是介绍运动规划子系统(或称运动规划器)的总体思路
运动规划器是一个中层的规划器。其输入主要来高层规划器：决策系统，其输出由低层的控制器执行，见图2所示。
基于最新的环境信息和车辆状态，运动规划器计算出一个可行的轨迹，以到达导航指定的目标点。这个轨迹必须在以下意义里是“可行”(feasible)的：轨迹要绕过静态障碍物和其他车辆，而且同时遵守交通规则。运动规划器的输出然后会被发送到控制器里。控制器可以直接控制车辆，并负责运动规划的执行。
设计汽车运动规划子系统的主要挑战源于以下因素：
1.复杂和不稳定的车辆动态，特别是由于大量的滑移导致的非动力学乃至非线性的性质。
2.在一个不确定且随时间变化的环境里感知能力有限的问题，如感知范围、能见度。
3.从交通规则引起的对车辆行为的时间和逻辑约束关于复杂和不稳定的车辆动态，我们会在另外的文章里给予详细的阐述。简单总结，对于运动规划系统而言，二维平面内的汽车并不像某些其他机器人一样，满足所谓的完整约束条件(holonomicconstraint)。这是因为，汽车的输入量(油门刹车、方向盘转角)少于二维汽车的状态数目(x坐标、y坐标、姿势角度)。
运动规划产生的轨迹必须在有显著一些不确定的情况下证明其健壮性。这些不确定性不仅包括系统内部的不确定性(例如传感/过程噪声、定位误差、模型不确定性)，也包括了环境的不确定。
2、数学模型
本节定义上述的运动规划问题。车辆具有以下非线性动力学特性：
其中，为状态(汽车的位置、朝向等)。而为系统的输入(油门、刹车、方向盘)。则是系统在t＝0时的初始状态。输入u(t)则定义在某个尚未指定的有限范围[0,tf]内。而状态必须满足不同驾驶状况下的要求，例如静态和动态障碍物的回避和交通规则等。而系统输入自然也有范围的限制。这些限制可以表述为：
x(t)∈Xfree(t),u(t)∈U(2)
Xfree表示状态可行取值组成的集合。Xfree对时间的依赖用以描述会运动的障碍所造成的约束。
而运动规划的目标区域(终点)则有上级的规划器给定。(在这里就是上级的决策系统。)
考虑车辆的轨迹倘若太近制约因素(例如说车道边界)，那就应该招致惩罚。这是这种惩罚可以表示为函数
Ψ(Xfree(t),x(t))
最终，我们其实要解决一个最优化控制问题。我们要找到一个最优的目标轨迹Xoptimal(t)满足上述约束，并使得下列目标函数最小：
其中tgoal∈[0,tf]为到达目标的总时间。轨迹在必须满足在所有约束条件的前提下，一方面让最终的轨迹在尽量使到达目标时间变短，同时也要让危险(表现为函数Ψ())减少。此外，为了考虑不确定性，我们也可以把在系统里加入随机噪声并对优化问题进行概率的分析。我们会在接下来的文章对此进行考虑。
3、运动规划器的性能评价标准
如上所述，最佳轨迹的建立可以理解为一个最优控制问题。然而，由于物理以及碰撞等一系列相关的约束条件太复杂了，要获得上述最优控制问题的解析解并不可能。
因此，在解决道路上自动驾驶的轨迹规划时，大家常常选择抽样方法。其主要思想是查询为许多不同的可能轨迹，并选择满足约束条件的最优解。
要评定运动规划算法的性能，我们主要需要考虑完整性、可行性、最优和计算复杂度这四个标准。
3.1完整性(Completeness)
根据定义，
定义1.运动规划算法可以被认为具有完整性，如果它能表现出以下性质：
如果存在一个可行的轨迹，规划器在有限时间可以返回；否则，规划器应该在期限内报告查找失败。
基于抽样的运动规划方法是很少是完整的。不难想象，有时候解会隐藏没有被取样的空隙里，这样的可能性总是存在的。为此，分辨率完整性和概率完整性的概念应运而生。
定义2.运动规划算法可以被认为具有分辨率完整性，如果规划算法对离散化后的问题(而不是原问题)具有完整性。
基于确定性网格规划器通常具有分辨率完整性。而使用增量采样方法的快速探索随机树(RRT)运动规划器可以保证概率完整性。
定义3.运动规划算法可以被认为具有概率完整性，如果随着采样密度的持续增加，规划算法具有完整性的概率会趋向于一。
总而言之，规划器的完整性程度可以通过更密集地取样以及构建更加多样化轨迹得到改善。对于必须进行紧急避让的情况，完整性就非常关键了。只要汽车不处于“不可避免碰撞的状态(ICS)”，有效的自动驾驶系统应确保能找到一种方法去避免碰撞。其中ICS的定义如下：
定义4.不可避免碰撞的状态对于给定的机器人系统可以定义为这样的状态：不管系统随后采用什么样轨迹，它都会最终与环境内的障碍物发生碰撞。
基于抽样的运动规划方法由于其不完备性，并不能作出这样的承诺。因此，一个快速的应急处理模块对于应对紧急情况是必要的。此外，我们应该有一个行为层去进行有远见的决定，以尽可能早地避免临界状态。
3.2可行性(Feasibility)
定义5.轨迹是具有可行性，如果车辆可以在满足物理约束的前提下进行对其进行跟踪。
在大多数车类机器人的运动规划器里，轨迹的表示形式隐式地确保了可行性。我们可以通过增加轨迹的平滑性去改善轨迹可行性。
3.3最优性(Optimality)
自动驾驶汽车处于高度动态的驾驶环境里，而且受制于其感知的不完整。因此其运动规划系统只能搜索有限规划周期内的最佳轨迹。因此，以这种方式所得到的解是实际上仅仅是周期内最优而非全局最优(如果暂时不考虑由于规划器的取样离散性带来的损害)。
即使是这样，要得到规划周期内最优也很不容易。应该回答的第一个问题，最优的轨迹应该要考虑哪些方面。另一个挑战在于，最优驾驶行为在不同的交通情景可能有不同的定义。我们会在后面的章节讨论不同的费用函数以及其权重。在运行时，行为层根据场景相关的要求，为运动规划系统分配不同的权重。
可以预期的，为了标定这些权重，我们需要进一步的测试和验证。即使我们定义了什么是最优，在多大程度上能得到最优的轨迹仍然取决
于采样密度和轨迹的多样性。
3.4计算复杂度(ComputationalComplexity)
实现更大最优性和完整性，一个共同瓶颈是有限的计算资源。实际上，大多数的运动规划器必须为了实时性去牺牲最优性和完整性。此外，运动规划若需时太长，就会危及连续规划的一致性。而连续规划的一致性对于稳定的行驶至关重要。
4、具体算法CL-RRT
一种自动驾驶轨迹生成方法，包括如下步骤，步骤S100建立控制器模型、所述控制器模型用于根据期望目的地计算路径，并根据路径计算控制指令。
CL-RRT算法
本文的一些实施例中，重点是介绍运动规划子系统(或称运动规划器)和相关的控制器的具体实现。请注意，本文内的算法伪代码仅仅作为最终实现的参考，通过迭代最终的实现可能会有更好的架构组织。正如前文所述，运动规划模块需要求解底层控制器的输入。在此，我们之所以要同时考虑控制器的原因在于，这里的控制器和运动规划器紧密结合。
对于我们的运动规划系统，我们选择了在快速随机的探索树(RRT)算法进行构建，算法属于基于采样的增量方法。所谓RRT，读者可以直观地理解为一颗从起点以一定规律随机生长的二维树干。当二维树干的某条分支到达事先定义的终点区域时，我们就找到了一条可行的路径。为了对RRT算法有个定性的了解，RRT算法从概率完整性以及最优的角度分析，最终几乎总是会找到一个次优的结果。在我们会在其它章节介绍从概率最优角度几乎必然地收敛到最优结果的RRT*算法(即时间足够长)。
采取这个选择的主要原因是：
1.基于采样的算法适用于非常广泛动力学模型类型；
2.算法的递增性质容易让其适用于实时、在线的实施，但同时保证搜索空间的一定完整性。
3.基于采样的方法不需要地显式枚举所有约束，而且允许基于轨迹去进行可能非常复杂的约束检查。尽管算法很通用，但基于采样的增量运动规划方法在用于具有复杂和不稳定的动态机器人车辆时，其实也很不简单。
例如，车辆动力学的不稳定性质就要求了增加跟踪路径控制环路。而控制环路的性能通常难以确定和表述。此外，我们必须对高速运动车辆的动量加以考虑。
因此逐点约束检查也不足以确保避免碰撞。(即使在该点的约束满足了约束条件，汽车也可能由于煞刹车不及而超越可行界限。)事实上，在现有的实施例中，RRT的应用要么被限制在仿真场景里，或者限制在无滑移的运动学机器人应用中(也就是说，这种机器人可以通过控制输入设置瞬间地停止)。此前，这种算法从未用在有着前述特性的车辆机器人(自动汽车)的在线规划里。特别是，这里提出的方法可以在线将RRT应用在有复杂、不稳定的动力和显着漂移的机器人车辆里。同时这种方法可以在面对着不确定性和有限的传感能力的条件下里确保安全。
2闭环仿真
此前的RRT方法的采样方法对车辆输入u(t)(方向盘角度、油门刹车)的求解要么通过直接对u(t)进行采样，要么通过对车辆的状态进行取样，然后通过一个表格反求出所需的u(t)。也就是说，树枝的形状以及分布是取决于采样变量。本文介绍的闭环RRT(CL-RRT)算法采用了另一种采样变量。
本算法在RRT的基础上通过使用一个低级别的控制器进行了扩展，以此规划在闭环动态。(见图2)与此前的方法相反，CL-RRT对由车辆和控制器组成的稳定闭环系统输入进行采样，亦对图1的量r进行，也只需要求解所需要的r。而此前的RRT算法内的模型并没有控制器以及闭环回路，因此要直接求解车辆的输入u。这些算法内部只有最多只有车辆模型部分。因此带有车辆模型的传统RRT算法会对u进行取样。而有些传统RRT算法没有自带车辆模型，那这种算法就只能对x进行取样，然后反求出所需的u。
图2所示的实施例中介绍了闭环预测模型。在给定基准指令r时，控制器会产生高频率的车辆命令u对车辆动力学进行闭环控制。图2表示出了在算法内部进行行为预测的闭环动力学模型。低级控制器接受参考命令信号 对于有复杂的动力学特性的车辆，状态该维度nx可以相当大。但在车辆的基准命令信号通常具有较低的维度。也就是说nx>>nr。例如，对于我们对于汽车的参照命令信号是作用在转向控制装置的2D路径以及作用于速度控制器的速度命令曲线。
在这里，车辆模型包括七个状态。而参考命令则包括一系列的向量值x，y，vcmd，其中x和y是参考路径的位置。而vcmd则是期望的速度。对于市区行驶时，车辆运动的方向(正向或反向)也是参考命令的一部分。不过，对每条参考路径方向只需要定义一次。对于每个既定的参考命令，CL-RRT使用车辆模型加上控制器进行仿真以计算来预测状态轨迹x(t)。算法必须核对车辆和环境的约束条件，以此计算轨迹的可行性(例如翻转条件和避障约束)。
相比于对车辆输入u进行采样的标准RRT方法，本闭环方法有几个优点。首先，通过使用稳定的控制器，CL-RRT可以用于有不稳定动态的车辆，如汽车和直升机。然后，使用稳定的控制器可以保证更小的预测误差。原因是控制器不但减少了在的车辆动力学的任何建模误差对预测精度的影响，并且也减少了实际车辆上的扰动和噪声的作用。第三，向前进行仿真就可以处理任何非线性车辆模型和/或控制器，而且，结果得到的x(t)也会自动满足车辆的运动方程。最后，闭环系统的一项输入就可以创建一个较长的轨迹(几秒的数量级)而控制器则负责对车辆进行高频率的反馈控制。这令构建树结构所需要的样本少得多，从而提高随机规划方法的效率。
3、扩展树结构
接下来请看图1，本方法还包括步骤S102，采集采样数据、S104根据采样数据中得到的节点位置利用扩展树算法计算所有的潜在轨迹。
总结上一节，CL-RRT算法以当前车辆状态为原点，对储存可行轨迹的树结构进行扩展。而这些树结构自然会试图连通到特定目标集合。在树扩展阶段结束后，算法选择执行最好的轨迹。不断重复这个步骤,知道找到可行的最优结果为止。
本节的实施例中，进行讨论如何扩展车辆的轨迹树结构。这里会采用此前介绍的仿真预测方法，而且介绍现有工作基础上的一些扩展。
算法1展示了函数Expand_tree()的主要步骤。
类似于原来的RRT算法，CL-RRT需要一个取样(行2)，然后选择最佳的节点开始连接(行3)，连接取样到选择的节点(行5)，并评估轨迹的可行性(行8)。行7将新加入节点与原有节点间的连线分为nb>1份(但一般份数nb>4)。这样，算法就可以利用这些中间节点在树中创建新的分支。
CL-RRT算法与原始RRT的不同点在于以下几个方面：
Algorithm1扩展树算法
1:procedureExpand_TREE(tree,environment)运动规划主程序
2:s_in＝New_sample使对控制器输入s进行抽样。
3:Sort_nodes(s_i,tree)使用经验法则对树中的节点进行排序。
4:for每一个树结构内的节点q(按排序后的顺序)do
5:将q储存的控制器输入信号和s相连接，得到新的命令信号
6:将新的命令信号输入控制器模型，从q开始计算，一直到汽车停止。以此得到轨迹x(t),t∈[t1,t2]
7:在轨迹x(t)上添加中间节点qi
8:ifx(t)∈Xfree(t),then
9:储存取样s及中间节点至树结构。退出循环。
10:elseif若所有中间节点都可行then
11:将所有中间节点加入树结构。退出循环。
12:endif
13:endfor
14:for每一个新加入的元素qnewdo
15:将q储存的控制器输入信号和目标区域相连接，得到新的命令信号
16:将新的命令信号输入控制器模型，从qnew开始计算，一直到汽车停止。以此得到轨迹x(t),t∈[t3,t4]
17:在轨迹x(t)上添加中间节点qi
18:ifx(t)∈Xfree(t),then
19:将终节点加入树结构。
20:将轨迹的费用设定为qnew节点的费用上界CUB
21:endif
22:endfor
23:endprocedure
·采样空间为控制器的输入空间(行2)
·算法进行非线性闭环仿真计算动态可行的轨迹(行6)
·向前预测确保了车辆最后安全地停止在轨迹的最后(行6)；
·而该节点的费用则由另一次朝向终点的另一次仿真获得(行16)
如图3所示的实施例便表示出了CL-RRT算法Expand_tree()函数生成树的例子。树由输入到控制器(折线)参考路径和预测车辆的轨迹(曲线)构成。不可行的轨迹被标记为红色。树端点附近较大的点表明在车辆停止且处于安全状态。基于这一基本结构，以下小节会更详细地讨论了到RRT方法的其他扩展。
4、采样策略
在例如市区行驶这样的结构化环境有许多限制。如果纯粹使用随机采样去得出构型空间，由于没有考虑结构化环境里许多限制(例如汽车不应越线行走，不应随意便道，不能随意掉头)。
图4所示的实施例中介绍了各种不同的采样云(点表示在一个规划周期产生的样本；线表示预测轨迹)。图4(a)的实施例表示经过路口的点云示意图。汽车在图右方，试图向右转弯。图4(b)的实施例表示了停车场的点云示意图。车辆在图的左下方，目标在靠右边缘的中间。图4(c)的实施例表示了掉头的点云示意图。车辆前方竖条型的路障；白点和灰点分别表示前进和后退可能就会产生大量无用的采样点而导致浪费。为了提高效率，有好几种不同的方法。本小节讨论了一个基于物理和/或逻辑环境的简单策略。通过这个策略去改变高斯采样云端，以此实现实时生成复杂运动轨迹。而控制器的参考命令包括一系列的向量值(x,y,vcmd)i，而i∈1,2,…,nref，同时行驶方向也包括在内(正向/反向)。随机抽样产生的2-D位置点，并为每个点相关联的速度指令必须让参考命令信号的末尾处于停止状态。
在我们简单函数的情况，每个采样点由参考位置和参考姿势角度(x0,y0,θg,0)生成，如下：
其中
而其中，nr和nθ为高斯分布的随机变量。r为径向的标准差。为向的标准差。rg；0则是相对于(x0；y0)的偏移。
只要根据车辆位置和道路规则改变这些参数，算法就可以产生不同的运动轨迹。
因此在优选的实施例中，所述采样步骤采用的策略包括物理环境偏置策略或逻辑环境偏置策略。
1)物理环境作为偏置：在这里，车辆的物理环境指的是车辆周围可以行走的空间结构。
在一个车道上，为了充分利用车道形状，采样以车道中央点为基准在横向方向上随机地移位。经过几百个样本后，采样算法切换为一个长而窄的高斯云。这个新的高斯云纵轴方向沿着车头指向。在路口时，算法使用一个宽且相对较短的高斯分布，用以覆盖路口边界内的开放空间见[图4a]。
作为参考，MIT将在路口σr的值设定为到目标的距离。而σθ则设为0.4π。注意，采样不一定位于车道内。这是因为采样点仅用于构造参考路径。而最终所得到的车辆轨迹可能并不一定能准确地跟踪参考路径。样品s是一组有ns个点si的有序集合。我们将其称为批次采样。控制器输入是通过连接这些有序点产生的。而样品中的第一点被连接到树结构中的某个节点(行TODO)。
有时预期轨迹有一定具体的形状，例如说到达目标时同时要具有一定指向角度。这时批次采样就很有用了。只要将批次取样的最后两点沿着目标指向放置，规划器就可以调整车辆让其达到目标指向。
在停车场里，取样围绕车辆和以及停车位的周围得到。在车辆的周围，算法沿着车辆的指向使用既宽且长的高斯分布。而在停车地点的周围，采样会沿着既定停车点的中心线上。图4b为停车场取样的一个例子。作为参考，MIT将在停车区域里内σr的值设定为50m。而σθ则设为π。
2)逻辑环境作为偏置：在需要越过车道上的停止车辆或障碍物时，采样算法会使用一个相对更宽的高斯分布。(作为参考，MIT将此时的σθ则设为0.4π。而在普通沿着车道行驶的情况下，σθ一般设为0.056π。如果没有找到通向终点的路径，那么σθ会设为0.25π。)
对于掉头的情况，采样会被设置为为三点转掉头，如图4c中所示。在三点转弯掉头时，车辆首先向前行驶并向左转；然后后退时向右打方向，退入原车道；最后向前以正确的指向移动到目标车道。因此，对于三点掉头的每个所需区域均设定作为参考，这里列举了三步各自的参数：
其中单位采用国际单位制。
在某些情况下，有车会停的非常靠近路障。因此，此时在掉头前需要稍微向后退。所以，算法还在车辆后方产生了额外额外的采样点以供退后设置。
显然，三点掉头方式仅仅在十分狭窄的路面里有必要。注意在一般公路内的掉头时应采上述采样方式是否能得到应有的结果(即不退后的情况下进行掉头)。
这种排序方法的参考实现见下述算法2的实施例。
Algorithm2采样算法
1:procedureNew_sample(状态)采样算法程序
2:从状态中读取速度v、位置x0、y0、θ0
3:if状态为正常行驶then
4:设置σr＝f1(v),σθ＝0.0056π,rg,0＝f2(v),θg,0＝θ0。
5:用上述参数求标准差为σr均值为rg,0的高斯随机数，得到rii。θi同理。
6:
7:(可选)如果采样点完全没有用，那么删除这个点然后重新采样。
8:elseif状态为路口then
9:设置σr＝距离目标的距离；σθ＝0.4π,rg,0＝f(v),θg,0＝θ0。
10:用上述参数求高斯随机数，得到rii,θi。
11:
12:(可选)如果采样点完全没有用，那么删除这个点然后重新采样。
13:elseif…then
14:通过改变最终的分布，算法会对不同情况得出不同的采样值。
15:endif
16:return采样点si
17:endprocedure
5、可行性检查和风险评估
在进一步的实施例中，还包括步骤S106对所述潜在轨迹进行可行性检查和风险评估。进一步地，所述可行性检查和风险评估具体包括步骤，为采样数据划分不可行区域、限定区域和惩罚区域，所述惩罚区域还包括风险系数属性；对自动驾驶轨迹的惩罚系数的路径积分和总时间进行相加。
如图3所示，在进行前向仿真后，所得到的预测轨迹要符合障碍物和道路规则的约束。
所有的物理和逻辑约束，例如静态和动态障碍物、车道边界，以及跟车距离等会集中在一个可驾驶区域图内，并以10赫兹的频率更新。此可驾驶区域地图为(x,y)坐标的2-D网格，分辨率为20厘米。这在可行的大小内提供了足够的精度。每个网格单元会标志为可驾驶/不可驾驶。而在可驾驶的网格内，则会有对应的惩罚系数。这种实现优点在于可以一次同时进行惩罚系数评价以及二进制碰撞的测试，不需要再次计算。
图5显示了可驾驶区域地图的三个不同区域。这三个区域分别是不可行区域、受限区域以及可驾驶但是有惩罚区域。不可行的区域代表障碍和车道界限。受限区域可驾驶通过，但只满足车辆可以再次离开这个区域时，才是可行的。受限区域用以防止车辆停止太接近障碍物，以及保持超车前有充分的相隔距离。有风险的地区如靠近障碍或者车道边界，这些地区被标记为可驾驶，但同时有特定的惩罚系数。
通过将惩罚系数的路径积分和总时间进行相加，除非没有其他选择的情况下(例如在狭窄的通道内)，CL-RRT不会选择非常接近约束边界的路径。
6、节点连接策略
本小节描述了如何在树结构中的节点进行排序(Sort_Nodes(Nodes)函数)，主要为了优化部分采样点间连线策略问题导致的折线前进问题和基于车辆模型而不可能完成的一些小范围转向问题。
因此，在优选的实施例中，还包括步骤S108，节点连接优化，具体包括：利用车辆最小转向距离得到Dubins路径长度，用Dubins路径长度来度量车辆由于其转弯限制所需要定义的特殊距离，根据Dubins路径长度排序来选择最优节点。
1)距离度量：RRT会尝试将样品连接到树中的最近节点。由于较短的路径会减少碰撞的可能性，这种方法能够尽量少地调用计算花费巨大的碰撞检测函数。RRT因此可以迅速覆盖整个空间，而不浪费太多的采样点。通常，评价“接近”我们会使用欧几里得距离。但对于转弯能力有限的车辆(例如，汽车不能像坦克一样自由地在原地进行转向，原因仍然是此前提到的非完整约束)，RRT需要一定的扩展。一辆汽车可能要转一个大圈才能到达当前位置旁边的一个点，因此一般定义的几何距离在衡量两个节点间的差别并不适用。
因此，要得到该距离的最精确表示，我们可以对车辆模型进行仿真，得到其模拟轨迹。然而，对树结构上每个新节点都进行这样的运算会带来沉重的计算负担。因此，CL-RRT算法在这里使用的距离为节点与采样之间Dubins路径的长度。通过是用Dubins路径长度，我们可以表示简单计算解析解的方法去车辆由于其转弯限制所需要定义的特殊距离。
树结构中的节点具有2维位置和指向。为了简化表述的形式，在不失一般性的前提下，我们假设原点p0＝(0,0,0)(显然，在实际的算法里面，我们要对各个点进行坐标变换，将原坐标系的节点与采样点都转换为出发点为原点的坐标系)。而采样点为某个q＝(x,y)∈R2。由于p0在原点，因此p0到采样点(x,y)以及(x,-y)的距离相等，我们可以只考虑
因此，如果我们知道汽车的最小转弯半径ρ，从p0到q的Dubins距离可以直接定义如下：
其中的成立范围如图5所示。
而其中，对内的量我们有
且
上述的两个量分别表示到(0,ρ)的角度和距离其中角度θc 为负的y坐标轴到从到(0,ρ)的连线以逆时针方向所转过的角度。而atan2为一般程序语言(C、C++、Lisp、Python)内的反正切函数。
而对于内的量我们有
上述的表示到(0,-ρ)的距离。而则是轨迹的第二个转弯转过的角度。
这个解析解可用于快速评估树结构中的所有节点，以此找到适合的连接点。这种排序方法的参考实现见算法3。
2)选择标准：不同论文里已经提出数种不同的经验法则去选择采样点所应该连接的节点。因为CL-RRT是为了在有约束的环境中使用而设计的，在丢弃采样点前，算法(在MIT的实现中)会以某种顺序测试多个节点。
Algorithm3计算Dubins距离的算法
1:procedureDubins_distance(si,树节点)Dubins距离算法
2:从树节点q中读取状态(x,y,theta)。
3:将si转换到(x,y,theta)坐标系里，成为si,q。
4:计算Lρ(si,q)。
5:returnDubins距离Lρ
6:endprocedure
下面的一些实施例中介绍了用于对树结构中节点进行排序的经验法则。在发现能到达终点的轨迹前，树结构的生长主要根据一种注重探索的经验法则。该算法的重点是向树结构添加新节点，以此增加其覆盖的空间。如上所述，节点是根据Dubins距离Lρ(s)来排序的。
一旦发现了能到达终点的可行轨迹，树结构的增长会根据一种注重优化的经验法则。为了让新轨迹逐渐接近最短路径，如上所述，节点会根据总费用按升序来排序的。该总代价Ctotal由下式给出
其中Ccum表示从树结构的根部到某个q所需要的总费用。v则是抽样得到的速度。因此，表示从采样点到q点的所需的时间。
这种排序方法的参考实现见算法4。
Algorithm4经过某节点到采样点所需的总代价
1:procedureTotal_cost(si,树节点)采样点总代价算法
2:计算/读取从起点到节点的总代价Ccum(q)
3:从树节点q中读取状态(x,y,theta)。
4:用Dubings_distance计算Lρ,q(si,q)
5:根据方程14计算Ctotal＝Ccum(q)+Lρ,q(si,q)
6:return从起点到采样点的总花费Ctotal
7:endprocedure
经验表明，即使在轨迹达到目标前，也就是即使在重点探索的时候，使用一些优化经验法则也会有利于减少波浪形轨迹。同样，即使在轨迹达到目标后，也就是即使在重点优化的时候，使用一些优化经验法则也会有利于减少波浪形轨迹。例如，某些时候会有意外障碍物块闯入可行解的周围区域或者，为了应对终点变化而保持丰富的树结构。因此实现该算法时，在发现可行解之前，探索与优化法则使用的比例分别为70％和30％，之后则为30％对70％。这个比例体现在算法5里。
Algorithm5按距离进行排序的算法
1:procedureSort_nodes(si,树结构,找到可行路径)排序算法
2:if找到可行路径then
3:探索系数exploration_threshold＝0.3(优化系数为0.7)
4:else
5:探索系数exploration_threshold＝0.7(优化系数为0.3)
6:endif
7:计算0到1之间的随机数random_number＝rand(0,1)
8:if随机数random_number大于探索系数then
9:对树内元素q按Total_cost(s_i,q)升序排序。
10:else
11:对树内元素q按Dubins_distance(s_i,q)升序排序。
12:endif
13:return排序后的节点数组。
14:endprocedure
请注意，树结构内的停止节点一般不会视为潜在连接点，所以不会和新的采样点相连。除非停止节点是树结构的唯一节点或汽车的行驶方向发生了改变。排除停止节点可以防止车辆毫无理由地停车，并有助于实现流畅的驾驶行为。
7、代价估算
在图1所示的实施例中，本方法还包括步骤S110代价估算和安全性评价步骤。具体的，当添加到每个新节点q时，CL-RRT要估计从节点到终点的代价。树结构中的每个节点到终点的代价有两个估算值，一个下界和一个上界。下CLB由节点处的车辆位置和目标位置之间的欧几里得距离(几何距离)给出。上界CUB则有些不同。
对于每一个新添加的节点q，算法都会尝试从终点生成一条轨迹，并评估其可行性。如果轨迹不会产生碰撞，q的代价上界CUB等于轨迹的。此上限会向树结构的根部传播，看q是否能给其祖先节点提供更好的上限。
因此，对于某个节点CUB定义如下：
其中c表示该节点的子节点的序号。ec为该节点到序号为c的子节点所需的代价。而CUB，c为表示c子节点的代价上界。
注意，上述算法在节点q能直接到达终点时就会自动将终点添加到树结构里。这在大多数情况下有助于CL-RRT快速找到一个能到达终点的轨迹。随着时间的推移，更多能到达终点的轨迹会不断被添加到树结构里。
一旦发现了一个到达终点的可行轨迹，算法会通过上界CUB来选择节点。而在发现到达终点的可行轨迹前，算法会通过下界CLB去选择最好的节点，以此尽可能试图朝着目标前进。
8、安全第一
在某些进一步的实施例中，所述安全性评价步骤具体包括，确保树结构中的所有叶节点处于安全状态，当传播轨迹只有最后部分是不可行时，轨迹的可行部分会添加到树结构中；新添加的节点会标记为不安全节点，若不安全节点后有一个安全轨迹，该节点也会被标记为安全。
1)安全状态：确保车辆的安全性是任何规划系统的一个重要特征。尤其是车辆是运行在一个动态的、不确定的环境里的。
一个状态x(t0)为安全，如果车辆能够无限期保持该状态：
并且不违反交通规则，并在同一时间不处于与静止和/或运动障碍的碰撞状态/路径里。其中运动障碍被假定为维持其现在的运动路径。
在本文的某些实施例中，完全静止会用作安全状态。图3所示的实施例中中的大圆圈就是在树结构中的安全停止节点。给定一个参考路径(折线)，算法会将一个速度分布设计为令车辆在路径的末端停止。然后，当车辆停下来时，仿真预测就会停止。通过要求树结构中的所有叶节点处于安全状态，这种方法保证汽车在行驶中总是有停下来的可行方法。除非在路径的末端有一个安全停止节点，该车辆不会开始执行这个路径。所有叶段的安全节点，一些行为例如刹车就会自动出现。
2)不安全的节点：从以前的工作的一个重要区别在于本算法引进了的“不安全”的节点。
当传播轨迹只有最后部分是不可行时，轨迹的可行部分会添加到树结构中。通过保留来执行可行部分可能性，这避免了浪费计算资源。因为这个轨迹不处于停止状态结束时，新添加的节点会标记为“不安全”。不安全节点后有一个安全轨迹，该节点也会被标记为安全。这种方法使用不安全的节点作为样本的潜在连接点，从而在保证了车辆安全性的同时增加树结构的密度。
图7所示的实施例中，介绍了一种自动驾驶轨迹生成装置，包括模型建立模块700、采样模块702、扩展树模块704、评估模块706，
所述模型建立模块700用于建立控制器模型、所述控制器模型用于根据期望目的地计算路径，并根据路径计算控制指令；
所述采样模块702用于采集采样数据；
所述扩展树模块704用于根据采样数据中得到的节点位置利用扩展树算法计算所有的潜在轨迹；
所述评估模块706用于对所述轨迹进行可行性检查和风险评估、代价估算和安全性评价。
通过上述装置模块设计，能够建立控制器模型对采样数据及预设路径进行求解，并进行可行性检查、代价估算和安全性评价，提供了一种安全可靠的自动驾驶轨迹生成方法，解决了现有技术中没有自动驾驶轨迹规划装置的问题。
优选地，所述采样模块702还用于采用包括物理环境偏置策略或逻辑环境偏置策略进行采样。上述模块设计优化了采样节点的选择，提高了轨迹规划的效率。
进一步地，所述评估模块706具体还用于，为采样数据划分不可行区域、限定区域和惩罚区域，所述惩罚区域还包括风险系数属性；还用于对自动驾驶轨迹的惩罚系数的路径积分和总时间进行相加。上述模块设计提高了本装置的安全性。
优选地，还包括节点连接优化模块708，所述节点连接优化模块用于：利用车辆最小转向距离得到Dubins路径长度，用Dubins路径长度来度量车辆由于其转弯限制所需要定义的特殊距离，根据Dubins路径长度排序来选择最优节点。上述模块设计优化了节点连接策略，达到了提高效率的效果。
进一步地，所述评估模块706具体还用于，确保树结构中的所有叶节点处于安全状态，当传播轨迹只有最后部分是不可行时，轨迹的可行部分会添加到树结构中；新添加的节点会标记为不安全节点，若不安全节点后有一个安全轨迹，该节点也会被标记为安全。通过上述设计，提高了本发明的可靠性。
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。而且，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、物品或者终端设备不仅包括那些要素，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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括……”或“包含……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外，在本文中，“大于”、“小于”、“超过”等理解为不包括本数；“以上”、“以下”、“以内”等理解为包括本数。
本领域内的技术人员应明白，上述各实施例可提供为方法、装置、或计算机程序产品。这些实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。上述各实施例涉及的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机设备可读取的存储介质中，用于执行上述各实施例方法所述的全部或部分步骤。所述计算机设备，包括但不限于：个人计算机、服务器、通用计算机、专用计算机、网络设备、嵌入式设备、可编程设备、智能移动终端、智能家居设备、穿戴式智能设备、车载智能设备等；所述的存储介质，包括但不限于：RAM、ROM、磁碟、磁带、光盘、闪存、U盘、移动硬盘、存储卡、记忆棒、网络服务器存储、网络云存储等。
上述各实施例是参照根据实施例所述的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到计算机设备的处理器以产生一个机器，使得通过计算机设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机设备以特定方式工作的计算机设备可读存储器中，使得存储在该计算机设备可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机设备上，使得在计算机设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上所述仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。

Claims (10)

1.一种自动驾驶轨迹生成方法，其特征在于，包括如下步骤，建立控制器模型、所述控制器模型用于根据期望目的地计算路径，并根据路径计算控制指令，采集采样数据、根据采样数据中得到的节点位置利用扩展树算法计算所有的潜在轨迹，对所述潜在轨迹进行可行性检查和风险评估、代价估算和安全性评价。
2.根据权利要求1所述的自动驾驶轨迹生成方法，其特征在于，所述采样步骤采用的策略包括物理环境偏置策略或逻辑环境偏置策略。
3.根据权利要求1所述的自动驾驶轨迹生成方法，其特征在于，所述可行性检查和风险评估具体包括步骤，为采样数据划分不可行区域、限定区域和惩罚区域，所述惩罚区域还包括风险系数属性；对自动驾驶轨迹的惩罚系数的路径积分和总时间进行相加。
4.根据权利要求1所述的自动驾驶轨迹生成方法，其特征在于，还包括节点连接优化步骤，具体包括：利用车辆最小转向距离得到Dubins路径长度，用Dubins路径长度来度量车辆由于其转弯限制所需要定义的特殊距离，根据Dubins路径长度排序来选择最优节点。
5.根据权利要求1所述的自动驾驶轨迹生成方法，其特征在于，所述安全性评价步骤具体包括，确保树结构中的所有叶节点处于安全状态，当传播轨迹只有最后部分是不可行时，轨迹的可行部分会添加到树结构中；新添加的节点会标记为不安全节点，若不安全节点后有一个安全轨迹，该节点也会被标记为安全。
6.一种自动驾驶轨迹生成装置，其特征在于，包括模型建立模块、采样模块、扩展树模块、评估模块，
所述模型建立模块用于建立控制器模型、所述控制器模型用于根据期望目的地计算路径，并根据路径计算控制指令；
所述采样模块用于采集采样数据；
所述扩展树模块用于根据采样数据中得到的节点位置利用扩展树算法计算所有的潜在轨迹；
所述评估模块用于对所述轨迹进行可行性检查和风险评估、代价估算和安全性评价。
7.根据权利要求6所述的自动驾驶轨迹生成装置，其特征在于，所述采样模块还用于采用包括物理环境偏置策略或逻辑环境偏置策略进行采样。
8.根据权利要求6所述的自动驾驶轨迹生成装置，其特征在于，所述评估模块具体还用于，为采样数据划分不可行区域、限定区域和惩罚区域，所述惩罚区域还包括风险系数属性；还用于对自动驾驶轨迹的惩罚系数的路径积分和总时间进行相加。
9.根据权利要求6所述的自动驾驶轨迹生成装置，其特征在于，还包括节点连接优化模块，所述节点连接优化模块用于：利用车辆最小转向距离得到Dubins路径长度，用Dubins路径长度来度量车辆由于其转弯限制所需要定义的特殊距离，根据Dubins路径长度排序来选择最优节点。
10.根据权利要求6所述的自动驾驶轨迹生成装置，其特征在于，所述评估模块具体还用于，确保树结构中的所有叶节点处于安全状态，当传播轨迹只有最后部分是不可行时，轨迹的可行部分会添加到树结构中；新添加的节点会标记为不安全节点，若不安全节点后有一个安全轨迹，该节点也会被标记为安全。
CN201610018234.8A 2016-01-12 2016-01-12 自动驾驶轨迹生成方法及装置 Pending CN105573323A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610018234.8A CN105573323A (zh) 2016-01-12 2016-01-12 自动驾驶轨迹生成方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610018234.8A CN105573323A (zh) 2016-01-12 2016-01-12 自动驾驶轨迹生成方法及装置

Publications (1)

Publication Number Publication Date
CN105573323A true CN105573323A (zh) 2016-05-11

Family

ID=55883577

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610018234.8A Pending CN105573323A (zh) 2016-01-12 2016-01-12 自动驾驶轨迹生成方法及装置

Country Status (1)

Country Link
CN (1) CN105573323A (zh)

Cited By (44)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106643733A (zh) * 2016-12-30 2017-05-10 北京理工大学 面向多导航站接力导航的运动体路径规划方法
CN106679667A (zh) * 2016-12-30 2017-05-17 北京理工大学 面向多导航站接力导航的运动体路径规划方法
CN106828495A (zh) * 2017-02-16 2017-06-13 奇瑞汽车股份有限公司 一种控制车辆行驶的方法及装置
CN107368068A (zh) * 2016-05-13 2017-11-21 德尔福技术有限公司 用于自动车辆的脱险路径规划系统
CN108628284A (zh) * 2017-03-17 2018-10-09 Tttech电脑技术股份公司 用于识别用于控制受控对象的电子系统中的故障的容错方法
CN108628692A (zh) * 2017-03-17 2018-10-09 Tttech电脑技术股份公司 用于控制自主受控对象的容错方法
CN108647437A (zh) * 2018-05-09 2018-10-12 公安部交通管理科学研究所 一种自动驾驶汽车评价方法及评价系统
CN108820042A (zh) * 2018-05-25 2018-11-16 东软集团股份有限公司 一种自动驾驶方法及装置
CN109121513A (zh) * 2017-06-28 2019-01-04 株式会社久保田 作业车辆
CN109313445A (zh) * 2016-03-23 2019-02-05 优特诺股份有限公司 车辆驾驶和自动驾驶的促进
CN109358621A (zh) * 2018-09-30 2019-02-19 山东省计算中心（国家超级计算济南中心） 自动驾驶汽车轨迹跟踪控制方法
CN109358526A (zh) * 2018-10-15 2019-02-19 清华大学苏州汽车研究院（吴江） 基于仿真的自动驾驶循迹算法的软件在环测试方法
CN109540147A (zh) * 2018-12-03 2019-03-29 拉扎斯网络科技（上海）有限公司 数据处理方法、装置、电子设备及计算机可读存储介质
CN109579854A (zh) * 2019-02-01 2019-04-05 禾多科技（北京）有限公司 基于快速扩展随机树的无人车避障方法
CN109855637A (zh) * 2018-12-24 2019-06-07 北京新能源汽车股份有限公司 一种车辆的自动驾驶路径规划方法、装置及设备
CN109910880A (zh) * 2019-03-07 2019-06-21 百度在线网络技术（北京）有限公司 车辆行为规划的方法、装置、存储介质和终端设备
CN110019402A (zh) * 2017-12-26 2019-07-16 浙江宇视科技有限公司 数据分析方法、装置及可读存储介质
EP3514494A1 (en) * 2018-01-19 2019-07-24 Zenuity AB Constructing and updating a behavioral layer of a multi layered road network high definition digital map
CN110196602A (zh) * 2019-05-08 2019-09-03 河海大学 目标导向集中优化的快速水下机器人三维路径规划方法
CN110276985A (zh) * 2018-03-16 2019-09-24 华为技术有限公司 自动驾驶安全评估方法、装置和系统
CN110298122A (zh) * 2019-07-03 2019-10-01 北京理工大学 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法
CN110488815A (zh) * 2019-08-01 2019-11-22 广州小鹏汽车科技有限公司 一种车辆的路径跟踪方法及路径跟踪系统
CN110654396A (zh) * 2018-06-29 2020-01-07 哲纳提公司 用于生成用于自主道路车辆的控制命令的方法和装置
CN110703757A (zh) * 2019-10-24 2020-01-17 北京航盛新能科技有限公司 一种面向能耗优化的高铁列车速度规划方法
CN110794823A (zh) * 2018-07-17 2020-02-14 百度（美国）有限责任公司 预测自动驾驶车辆的对象移动的方法和系统
WO2020062029A1 (en) * 2018-09-28 2020-04-02 Baidu.Com Times Technology (Beijing) Co., Ltd. Enumeration-based three-point turn planning for autonomous driving vehicles
WO2020062030A1 (en) * 2018-09-28 2020-04-02 Baidu.Com Times Technology (Beijing) Co., Ltd. A spiral path based three-point turn planning for autonomous driving vehicles
CN111079800A (zh) * 2019-11-29 2020-04-28 上海汽车集团股份有限公司 一种智能驾驶虚拟测试的加速方法及加速系统
CN111164530A (zh) * 2017-09-29 2020-05-15 大众汽车有限公司 更新用于至少一个移动单元的自动控制的控制模型的方法和系统
CN111208814A (zh) * 2018-11-16 2020-05-29 长城汽车股份有限公司 用于自动车辆的、利用动态模型的、基于记忆的最优运动规划
CN111273655A (zh) * 2018-11-16 2020-06-12 长城汽车股份有限公司 用于自动驾驶车辆的运动规划方法和系统
WO2020119363A1 (zh) * 2018-12-13 2020-06-18 华为技术有限公司 自动驾驶方法、训练方法及相关装置
WO2020132954A1 (en) * 2018-12-26 2020-07-02 Baidu.Com Times Technology (Beijing) Co., Ltd. Optimal planner switch method for three point turn of autonomous driving vehicles
CN111721311A (zh) * 2019-03-22 2020-09-29 北京京东尚科信息技术有限公司 碰撞验证方法和装置
CN111815160A (zh) * 2020-07-07 2020-10-23 清华大学 一种多维度节点连接评估方法
CN112154088A (zh) * 2018-04-05 2020-12-29 图森有限公司 用于自主车辆的自动车道变更控制的系统和方法
CN112150805A (zh) * 2020-09-01 2020-12-29 福瑞泰克智能系统有限公司 一种可行驶区域的确定方法、装置、设备及存储介质
CN112269385A (zh) * 2020-10-23 2021-01-26 北京理工大学 云端无人车动力学控制系统和方法
CN113044058A (zh) * 2019-12-26 2021-06-29 百度（美国）有限责任公司 自动驾驶车辆三点转弯
CN113325855A (zh) * 2021-08-02 2021-08-31 北京三快在线科技有限公司 基于迁移场景用于预测障碍物轨迹的模型训练方法
CN114516343A (zh) * 2020-11-20 2022-05-20 国立大学法人东海国立大学机构 行驶控制管理系统、行驶控制管理方法以及计算机可读介质
CN114537435A (zh) * 2022-03-03 2022-05-27 湖州快飞智能科技有限公司 一种自动驾驶中的实时整车轨迹规划方法
CN114793599A (zh) * 2022-04-14 2022-07-29 宁波市华代科技有限公司 一种智能割草机用智能作业系统
CN114815825A (zh) * 2022-04-21 2022-07-29 合众新能源汽车有限公司 确定车辆最优行驶轨迹方法和装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104155974A (zh) * 2013-07-29 2014-11-19 深圳信息职业技术学院 一种用于机器人快速避碰的路径规划方法及设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104155974A (zh) * 2013-07-29 2014-11-19 深圳信息职业技术学院 一种用于机器人快速避碰的路径规划方法及设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LIANG MA等: "《A Fast RRT Algorithm for Motion Planning of Autonomous Road Vehicles》", 《2014 IEEE 17TH INTERNATIONAL CONFERENCE ON INTELLIGENT》 *
LIANG MA等: "《Efficient Sampling-Based Motion Planning for On-Road Autonomous Driving》", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, VOL.16, NO.4》 *
YOSHIAKI KUWATA等: "《Real-Time Motion Planning With Applications to Autonomous Urban Driving》", 《IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOHY,VOL.17, NO.5》 *

Cited By (70)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109313445B (zh) * 2016-03-23 2022-02-18 动态Ad有限责任公司 车辆驾驶和自动驾驶的促进
CN109313445A (zh) * 2016-03-23 2019-02-05 优特诺股份有限公司 车辆驾驶和自动驾驶的促进
CN107368068A (zh) * 2016-05-13 2017-11-21 德尔福技术有限公司 用于自动车辆的脱险路径规划系统
CN106679667A (zh) * 2016-12-30 2017-05-17 北京理工大学 面向多导航站接力导航的运动体路径规划方法
CN106679667B (zh) * 2016-12-30 2018-02-06 北京理工大学 面向多导航站接力导航的运动体路径规划方法
CN106643733B (zh) * 2016-12-30 2018-02-06 北京理工大学 面向多导航站接力导航的运动体路径规划方法
CN106643733A (zh) * 2016-12-30 2017-05-10 北京理工大学 面向多导航站接力导航的运动体路径规划方法
CN106828495A (zh) * 2017-02-16 2017-06-13 奇瑞汽车股份有限公司 一种控制车辆行驶的方法及装置
CN106828495B (zh) * 2017-02-16 2019-05-07 奇瑞汽车股份有限公司 一种控制车辆行驶的方法及装置
CN108628284B (zh) * 2017-03-17 2023-03-31 Tttech汽车股份公司 一种用于控制处于变化的环境中的受控对象的方法及其电子系统
CN108628692B (zh) * 2017-03-17 2023-09-22 Tttech汽车股份公司 用于控制自主受控对象的容错方法
CN108628692A (zh) * 2017-03-17 2018-10-09 Tttech电脑技术股份公司 用于控制自主受控对象的容错方法
CN108628284A (zh) * 2017-03-17 2018-10-09 Tttech电脑技术股份公司 用于识别用于控制受控对象的电子系统中的故障的容错方法
CN109121513A (zh) * 2017-06-28 2019-01-04 株式会社久保田 作业车辆
CN111164530A (zh) * 2017-09-29 2020-05-15 大众汽车有限公司 更新用于至少一个移动单元的自动控制的控制模型的方法和系统
CN110019402B (zh) * 2017-12-26 2021-09-28 浙江宇视科技有限公司 数据分析方法、装置及可读存储介质
CN110019402A (zh) * 2017-12-26 2019-07-16 浙江宇视科技有限公司 数据分析方法、装置及可读存储介质
EP3514494A1 (en) * 2018-01-19 2019-07-24 Zenuity AB Constructing and updating a behavioral layer of a multi layered road network high definition digital map
US11872999B2 (en) 2018-03-16 2024-01-16 Huawei Technologies Co., Ltd. Self-driving safety evaluation method, apparatus, and system
CN110276985B (zh) * 2018-03-16 2020-12-15 华为技术有限公司 自动驾驶安全评估方法、装置和系统
CN110276985A (zh) * 2018-03-16 2019-09-24 华为技术有限公司 自动驾驶安全评估方法、装置和系统
CN112154088B (zh) * 2018-04-05 2024-05-24 图森有限公司 用于自主车辆的自动车道变更控制的系统和方法
CN112154088A (zh) * 2018-04-05 2020-12-29 图森有限公司 用于自主车辆的自动车道变更控制的系统和方法
CN108647437A (zh) * 2018-05-09 2018-10-12 公安部交通管理科学研究所 一种自动驾驶汽车评价方法及评价系统
CN108820042A (zh) * 2018-05-25 2018-11-16 东软集团股份有限公司 一种自动驾驶方法及装置
CN108820042B (zh) * 2018-05-25 2020-04-10 东软集团股份有限公司 一种自动驾驶方法及装置
CN110654396A (zh) * 2018-06-29 2020-01-07 哲纳提公司 用于生成用于自主道路车辆的控制命令的方法和装置
CN110794823A (zh) * 2018-07-17 2020-02-14 百度（美国）有限责任公司 预测自动驾驶车辆的对象移动的方法和系统
WO2020062029A1 (en) * 2018-09-28 2020-04-02 Baidu.Com Times Technology (Beijing) Co., Ltd. Enumeration-based three-point turn planning for autonomous driving vehicles
WO2020062030A1 (en) * 2018-09-28 2020-04-02 Baidu.Com Times Technology (Beijing) Co., Ltd. A spiral path based three-point turn planning for autonomous driving vehicles
CN109358621A (zh) * 2018-09-30 2019-02-19 山东省计算中心（国家超级计算济南中心） 自动驾驶汽车轨迹跟踪控制方法
CN109358526B (zh) * 2018-10-15 2021-10-08 清华大学苏州汽车研究院（吴江） 基于仿真的自动驾驶循迹算法的软件在环测试方法
CN109358526A (zh) * 2018-10-15 2019-02-19 清华大学苏州汽车研究院（吴江） 基于仿真的自动驾驶循迹算法的软件在环测试方法
CN111208814B (zh) * 2018-11-16 2023-12-26 长城汽车股份有限公司 用于自动车辆的、利用动态模型的、基于记忆的最优运动规划
CN111273655A (zh) * 2018-11-16 2020-06-12 长城汽车股份有限公司 用于自动驾驶车辆的运动规划方法和系统
CN111208814A (zh) * 2018-11-16 2020-05-29 长城汽车股份有限公司 用于自动车辆的、利用动态模型的、基于记忆的最优运动规划
CN111273655B (zh) * 2018-11-16 2023-10-20 长城汽车股份有限公司 用于自动驾驶车辆的运动规划方法和系统
CN109540147A (zh) * 2018-12-03 2019-03-29 拉扎斯网络科技（上海）有限公司 数据处理方法、装置、电子设备及计算机可读存储介质
WO2020119363A1 (zh) * 2018-12-13 2020-06-18 华为技术有限公司 自动驾驶方法、训练方法及相关装置
CN109855637A (zh) * 2018-12-24 2019-06-07 北京新能源汽车股份有限公司 一种车辆的自动驾驶路径规划方法、装置及设备
CN111684379B (zh) * 2018-12-26 2023-12-22 百度时代网络技术（北京）有限公司 自动驾驶车辆的三点转弯的最优规划器切换方法
WO2020132954A1 (en) * 2018-12-26 2020-07-02 Baidu.Com Times Technology (Beijing) Co., Ltd. Optimal planner switch method for three point turn of autonomous driving vehicles
CN111684379A (zh) * 2018-12-26 2020-09-18 百度时代网络技术（北京）有限公司 自动驾驶车辆的三点转弯的最优规划器切换方法
CN109579854A (zh) * 2019-02-01 2019-04-05 禾多科技（北京）有限公司 基于快速扩展随机树的无人车避障方法
CN109910880A (zh) * 2019-03-07 2019-06-21 百度在线网络技术（北京）有限公司 车辆行为规划的方法、装置、存储介质和终端设备
CN111721311A (zh) * 2019-03-22 2020-09-29 北京京东尚科信息技术有限公司 碰撞验证方法和装置
CN110196602A (zh) * 2019-05-08 2019-09-03 河海大学 目标导向集中优化的快速水下机器人三维路径规划方法
CN110298122B (zh) * 2019-07-03 2021-04-27 北京理工大学 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法
CN110298122A (zh) * 2019-07-03 2019-10-01 北京理工大学 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法
CN110488815A (zh) * 2019-08-01 2019-11-22 广州小鹏汽车科技有限公司 一种车辆的路径跟踪方法及路径跟踪系统
CN110488815B (zh) * 2019-08-01 2022-10-14 广州小鹏汽车科技有限公司 一种车辆的路径跟踪方法及路径跟踪系统
CN110703757B (zh) * 2019-10-24 2022-09-23 海风智能科技(浙江)有限公司 一种面向能耗优化的高铁列车速度规划方法
CN110703757A (zh) * 2019-10-24 2020-01-17 北京航盛新能科技有限公司 一种面向能耗优化的高铁列车速度规划方法
CN111079800A (zh) * 2019-11-29 2020-04-28 上海汽车集团股份有限公司 一种智能驾驶虚拟测试的加速方法及加速系统
CN111079800B (zh) * 2019-11-29 2023-06-23 上海汽车集团股份有限公司 一种智能驾驶虚拟测试的加速方法及加速系统
CN113044058A (zh) * 2019-12-26 2021-06-29 百度（美国）有限责任公司 自动驾驶车辆三点转弯
CN111815160B (zh) * 2020-07-07 2022-05-24 清华大学 一种基于越野环境态势场模型的行车风险评估方法
CN111815160A (zh) * 2020-07-07 2020-10-23 清华大学 一种多维度节点连接评估方法
CN112150805A (zh) * 2020-09-01 2020-12-29 福瑞泰克智能系统有限公司 一种可行驶区域的确定方法、装置、设备及存储介质
CN112150805B (zh) * 2020-09-01 2022-02-25 福瑞泰克智能系统有限公司 一种可行驶区域的确定方法、装置、设备及存储介质
CN112269385A (zh) * 2020-10-23 2021-01-26 北京理工大学 云端无人车动力学控制系统和方法
CN112269385B (zh) * 2020-10-23 2021-09-07 北京理工大学 云端无人车动力学控制系统和方法
CN114516343A (zh) * 2020-11-20 2022-05-20 国立大学法人东海国立大学机构 行驶控制管理系统、行驶控制管理方法以及计算机可读介质
CN113325855B (zh) * 2021-08-02 2021-11-30 北京三快在线科技有限公司 基于迁移场景用于预测障碍物轨迹的模型训练方法
CN113325855A (zh) * 2021-08-02 2021-08-31 北京三快在线科技有限公司 基于迁移场景用于预测障碍物轨迹的模型训练方法
CN114537435A (zh) * 2022-03-03 2022-05-27 湖州快飞智能科技有限公司 一种自动驾驶中的实时整车轨迹规划方法
CN114537435B (zh) * 2022-03-03 2024-06-07 浙江大学 一种自动驾驶中的实时整车轨迹规划方法
CN114793599A (zh) * 2022-04-14 2022-07-29 宁波市华代科技有限公司 一种智能割草机用智能作业系统
CN114815825A (zh) * 2022-04-21 2022-07-29 合众新能源汽车有限公司 确定车辆最优行驶轨迹方法和装置
CN114815825B (zh) * 2022-04-21 2024-07-12 合众新能源汽车股份有限公司 确定车辆最优行驶轨迹方法和装置

Similar Documents

Publication Publication Date Title
CN105573323A (zh) 自动驾驶轨迹生成方法及装置
Stahl et al. Multilayer graph-based trajectory planning for race vehicles in dynamic scenarios
Plessen et al. Spatial-based predictive control and geometric corridor planning for adaptive cruise control coupled with obstacle avoidance
Cesari et al. Scenario model predictive control for lane change assistance and autonomous driving on highways
Li et al. Real-time trajectory planning for autonomous urban driving: Framework, algorithms, and verifications
Batkovic et al. Real-time constrained trajectory planning and vehicle control for proactive autonomous driving with road users
Lima et al. Spatial model predictive control for smooth and accurate steering of an autonomous truck
Baskar et al. Traffic control and intelligent vehicle highway systems: a survey
Ward et al. Probabilistic model for interaction aware planning in merge scenarios
Xu et al. System and experiments of model-driven motion planning and control for autonomous vehicles
Gu Improved trajectory planning for on-road self-driving vehicles via combined graph search, optimization & topology analysis
Eilbrecht et al. Cooperative driving using a hierarchy of mixed-integer programming and tracking control
Du et al. Online monitoring for safe pedestrian-vehicle interactions
Chen et al. Fast trajectory planning and robust trajectory tracking for pedestrian avoidance
Ajanović et al. Search-based task and motion planning for hybrid systems: Agile autonomous vehicles
Gritschneder et al. Adaptive learning based on guided exploration for decision making at roundabouts
Obayashi et al. Appropriate overtaking motion generating method using predictive control with suitable car dynamics
Bertolazzi et al. Efficient re-planning for robotic cars
Zhang et al. Structured road-oriented motion planning and tracking framework for active collision avoidance of autonomous vehicles
Akhtar et al. The interacting multiple model smooth variable structure filter for trajectory prediction
Obayashi et al. Real-time autonomous car motion planning using NMPC with approximated problem considering traffic environment
Wu et al. Motion planning of autonomous vehicles under dynamic traffic environment in intersections using probabilistic rapidly exploring random tree
Park et al. Path generation algorithm based on crash point prediction for lane changing of autonomous vehicles
Batkovic Enabling Safe Autonomous Driving in Uncertain Environments
Smit et al. Informed sampling-based trajectory planner for automated driving in dynamic urban environments

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20160511

RJ01 Rejection of invention patent application after publication