CN106094812B - 用于自主驾驶的反应式路径规划 - Google Patents

用于自主驾驶的反应式路径规划 Download PDF

Info

Publication number
CN106094812B
CN106094812B CN201610267697.8A CN201610267697A CN106094812B CN 106094812 B CN106094812 B CN 106094812B CN 201610267697 A CN201610267697 A CN 201610267697A CN 106094812 B CN106094812 B CN 106094812B
Authority
CN
China
Prior art keywords
path
main vehicle
line segment
planning path
lane
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
Application number
CN201610267697.8A
Other languages
English (en)
Other versions
CN106094812A (zh
Inventor
S.曾
R.贾法里
N.K.莫什楚克
B.B.利特库希
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.)
GM Global Technology Operations LLC
Original Assignee
GM Global Technology Operations LLC
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 GM Global Technology Operations LLC filed Critical GM Global Technology Operations LLC
Publication of CN106094812A publication Critical patent/CN106094812A/zh
Application granted granted Critical
Publication of CN106094812B publication Critical patent/CN106094812B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/10—Path keeping
    • B60W30/12—Lane keeping
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/14—Adaptive cruise control
    • B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18163—Lane change; Overtaking manoeuvres
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00272—Planning or execution of driving tasks using trajectory prediction for other traffic participants relying on extrapolation of current movement
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D15/00—Steering not otherwise provided for
    • B62D15/02—Steering position indicators ; Steering position determination; Steering aids
    • B62D15/025—Active steering aids, e.g. helping the driver by actively influencing the steering system after environment evaluation
    • B62D15/0255—Automatic changing of lane, e.g. for passing another vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D15/00—Steering not otherwise provided for
    • B62D15/02—Steering position indicators ; Steering position determination; Steering aids
    • B62D15/025—Active steering aids, e.g. helping the driver by actively influencing the steering system after environment evaluation
    • B62D15/0265—Automatic obstacle avoidance by steering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/161—Decentralised systems, e.g. inter-vehicle communication
    • G08G1/163—Decentralised systems, e.g. inter-vehicle communication involving continuous checking
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及用于自主驾驶的反应式路径规划。公开了一种适应性地重新生成用于自主驾驶操纵的规划路径的方法。基于行驶道路中感测到的物体生成物体图。重新设置并且致动计时器。生成用于在感测到的物体周围自主地操纵车辆的规划路径。沿着所述规划路径自主地操纵车辆。基于来自基于车辆的装置的感测到的数据来更新物体图。基于更新的物体图执行安全性检验以便确定所述规划路径是否可行。响应于现有路径不可行的决策重新生成规划路径，否则作出关于所述计时器是否已期满的决策。如果所述计时器未期满，则重新执行安全性检验，否则返回以重新规划路径。

Description

用于自主驾驶的反应式路径规划
技术领域
实施例涉及自主路径规划。
背景技术
自主和半自主公路驾驶和诸如避免碰撞的高级驾驶员辅助系统均需要路径规划。路径规划必须对主车辆动态以及道路上其它静态和动态的物体的变化作出反应。所规划的路径必须产生在道路边界内的安全无碰撞路径，其对于根据诸如最大横向加速度/加加速度（jerk）的车辆动态约束进行主车辆控制而言也必须是可行的。已知的路径规划技术或者没有考虑到主车辆和其它运动的目标车辆的动态，或者对于实时应用在恰当时间中作出反应而言过于计算密集。
发明内容
实施例的优点在于一种用于自主驾驶操纵的快速路径规划技术，其对于主车辆和其它运动车辆的动态以及主车辆周围的静止物体作出反应。该技术利用德洛内三角剖分（Delaunay Triangulation）方法来识别用于生成规划的路径的线段。所识别的线段基于成本-距离函数来选择，其考虑了各种因素，包括：最短长度、从之前规划的路径的偏移、从车道中心的偏移、每个所选择的线段相对于相邻线段的斜率，以及与其它车辆和目标的距离。此外，例程通过以下方式来改善规划的路径：识别从规划的路径偏移的狭带（corridor）并且识别狭带内的平滑路径。该技术进一步通过如下方式来确定重新规划的路径的可行性：识别车辆的横向加速度和与其它动态车辆的距离。此外，该技术在预定时间段之后将重新确定规划路径；然而，该技术将在预定时间段期间连续地检验现有路径的安全性。因此，本文描述的技术通过仅以定时的间隔或者当现有路径不再可行时重新生成规划路径来减少重新生成规划路径所需要的时间量；不过，不断地在定时间隔之间执行检验，以核实规划的路径是否保持可行。
实施例设想一种用于自主驾驶操纵的适应性地重新生成规划路径的方法，所述方法包括如下步骤：（a）通过基于车辆的装置获取与在行驶道路中感测到的物体相关联的物体数据；（b）基于所述在行驶道路中感测到的物体由处理器构造物体图（object map）；（c）重新设置并且致动计时器；（d）由所述处理器生成用于在所述感测到的物体周围自主地操纵车辆的规划路径，所述规划路径基于成本-距离函数生成；（e）沿着所述规划路径自主地操纵所述车辆；（f）基于来自所述基于车辆的装置的更新的感测到的数据来更新所述物体图；（g）基于所述更新的物体图确定所述规划路径是否可行；（h）响应于所述规划路径不可行的决策，返回至步骤（a）；否则继续至步骤（i）；（i）确定所述计时器是否已经期满；以及（j）响应于所述计时器期满返回至步骤（a）；否则，返回至步骤（f）。
本发明还公开了以下技术方案：
方案1. 一种适应性地重新生成用于自主驾驶操纵的规划路径的方法，所述方法包括以下步骤：
（a）由基于车辆的装置获得与行驶道路中感测到的物体相关联的物体数据；
（b）基于所述行驶道路中感测到的物体由处理器构造物体图；
（c）重新设置并且致动计时器；
（d）由所述处理器生成用于在所述感测到的物体周围自主地操纵所述车辆的规划路径，所述规划路径基于成本-距离函数生成；
（e）沿着所述规划路径自主地操纵所述车辆；
（f）基于来自所述基于车辆的装置的更新的感测到的数据更新所述物体图；
（g）基于更新的所述物体图确定所述规划路径是否可行；
（h）响应于所述规划路径不可行的决策，返回至步骤（a）；否则继续至步骤（i）；
（i）确定所述计时器是否期满；以及
（j）响应于所述计时器期满返回至步骤（a）；否则返回至步骤（f）。
方案2. 根据方案1所述的方法，其中，生成所述规划路径还包括以下步骤：
基于所述行驶道路中感测到的物体识别虚拟节点；以及
应用德洛内三角剖分以便在所选择的虚拟节点当中生成三角形。
方案3. 根据方案2所述的方法，其中，所述虚拟节点包括车道虚拟节点、主车辆虚拟节点、终点虚拟节点以及移位扫描节点，其中，所述车道虚拟节点表示所述道路的车道边界，其中，所述主车辆虚拟节点表示所述主车辆的位置和搜索空间的起点，其中，所述终点虚拟节点表示所述搜索空间的终点，以及其中，所述移位扫描节点表示基于所检测到的动态物体相对于所述主车辆的速度的动态物体的位移。
方案4. 根据方案3所述的方法，还包括以下步骤：沿所述三角形的边缘识别顶点，所述顶点沿每个三角形边缘均匀地间隔；以及
在每个三角形内的每对顶点之间形成线性线段。
方案5. 根据方案4所述的方法，其中，只有当相应的顶点对属于相同的相应三角形并且当所述顶点不属于所述相应三角形的相同边缘时，才形成连接所述相应三角形的所述相应顶点对的相应线性线段。
方案6. 根据方案4所述的方法，其中，不在所述道路的车道边界上形成顶点。
方案7. 根据方案5所述的方法，其中，通过从每个三角形中选择相应线性线段来从所识别的主虚拟节点至所识别的终点虚拟节点生成所述规划路径，其中，从每个三角形选择的每个线性线段从所述所识别的主虚拟节点至所述所识别的终点虚拟节点形成连续规划路径。
方案8. 根据方案7所述的方法，其中，基于成本-距离函数识别每个所述所选择的线性线段，所述成本函数生成为关于所述规划路径的长度的距离函数分量、每个线段的相对斜率、所述规划路径相对先前确定的路径的偏移、从当前驾驶车道的中心的偏移以及距周围障碍的偏移距离。
方案9. 根据方案8所述的方法，其中，对每个所述相应距离函数分量进行加权，以便识别在所述成本-距离函数中的使用程度。
方案10. 根据方案9所述的方法，其中，所述成本-距离函数由以下公式表示：
其中，Di是对于第i条路径从源顶点至目标顶点的距离，、、 、和是第i条路径的第j个线段的距离函数分量，α L 、α S 、α d 和α p 是恒定权重系数，以及n path 和n seg 分别是从所述源顶点至目标顶点的多条路径和每条路径中的多个线性线段。
方案11. 根据方案10所述的方法，其中，所述距离函数分量对应于所述第i条路径的第j个线段的实际长度，并且其中，由以下方程表示：
其中,和分别指明所述对应线段的源顶点和目标顶点。
方案12. 根据方案11所述的方法，其中，距离函数分量对应于所述第i条路径的第j个线段相对于所述主车辆或者所述车道的前行方向的相对斜率，其中，项表示如下：
其中，是所述线性线段在地球参照系中的角度，D HV 是表示所述主车辆前方的近距离的正的常数，是调整参数，以及是所述线性线段的位置处的所述车道前行方向。
方案13. 根据方案10所述的方法，其中，距离函数分量对应于所述第i条路径的第j个线段相对于所述主车辆或者所述车道的前行方向的相对斜率，其中，项表示如下：
其中，是所述线性线段在地球参照系中的角度，D HV 是表示所述主车辆前方的近距离的正的常数，是调整参数，以及是所述线性线段的位置处的所述车道前行方向。
方案14. 根据方案10所述的方法，其中，所述距离函数分量对应于所述搜索图中的线段至在先前规划时间找到的所述主车辆路径的距离，以便防止从所述先前的规划路径显著偏离，其中，所述距离函数分量表示如下：
其中，和是所述线段的源顶点和目标顶点距所述先前的主车辆路径的加权偏移，并且权重作用于更接近所述主车辆的顶点。
方案15. 根据方案10所述的方法，其中，所述距离函数分量对应于所述搜索图中的线段至当前车道的中心线的距离，其中，所述距离函数分量表示如下：
其中，、和分别是每个线性线段距所述当前车道的中心、相邻左车道以及相邻右车道的偏移值。
方案16. 根据方案15所述的方法，其中，距离分量函数确保最短的所述规划路径至少与所述周围障碍相距安全距离阈值，同时考虑运动目标的动态，并且其中，虚拟势场值表示如下：
其中，和 是距所识别的所述障碍的纵向安全距离和横向安全距离。
方案17. 根据方案8所述的方法，还包括以下步骤：通过识别所述规划路径周围的狭带来改善所述规划路径，所述狭带具有从所述规划路径偏移的左狭带边界和右狭带边界。
方案18. 根据方案17所述的方法，其中，基于左狭带点和右狭带点形成所述左狭带边界和所述狭带边界，其中，所述左狭带点和所述右狭带点通过使用以下条件来确定：
其中，和指明在线段的局部参照系中的第j个左狭带点和右狭带点。
方案19. 根据方案17所述的方法，还包括以下步骤：在所述狭带内重新生成规划路径，所述规划路径随着各种路径点处的估计的曲率和曲率变化率而改变。
方案20. 根据方案19所述的方法，还包括以下步骤：确定所述重新生成的规划路径的可行性，所述重新生成的规划路径的可行性随着所述车辆的横向加速度和与距周围物体的距离而改变。
附图说明
图1是路径规划系统的框图。
图2是反应式路径规划技术的流程图。
图3是示例性规划路径。
图4是涉及障碍的示例性驾驶情景。
图5是虚拟扫描节点的示例性情景。
图6是用于扫描的虚拟节点的德洛内三角剖分的示例性演示。
图7是展示顶点的示例性图。
图8是基于生成的规划路径。
图9是规划路径狭带。
图10是在规划路径狭带内重新生成的规划路径。
图11是在规划时间之间进行主车辆规划路径安全性检验的图示。
具体实施方式
图1图示了用于车辆的路径规划系统10的框图。车辆（下文称为主车辆）包括基于车辆的图像捕获装置12和至少一个基于感测的装置14。
图像捕获装置12捕获车辆外部的图像。分析由图像捕获装置12捕获的图像，以便检测由车道标线表示的道路的行驶车道。
基于感测的装置14可以包括但不限于：基于雷达的装置、基于激光雷达的装置、基于超声波的装置，以便感测车辆周围的静止物体和运动物体两者。
处理器16处理由图像捕获装置12捕获的图像数据以及由感测装置14感测到的感测数据。处理器16分析相应数据并且识别行驶道路中的物体以便确定用于生成规划路径操纵的规划路径。
处理器16可以联接至一个或多个控制器18，以便发起或者致动控制动作，从而生成规划路径操纵。可以致动和控制一个或多个车辆子系统，以便执行规划路径操纵。可以被控制以便执行规划路径操纵的相应车辆子系统包括但不限于：转向控制子系统20、速度控制子系统22，以及制动控制子系统24。还可以利用通信系统26以便利用车辆间通信将规划路径传输至检测到的目标车辆，从而使检测到的目标车辆知晓该规划路径操纵。
可以控制转向子系统20以便致动转向操纵，从而在主车辆行驶车道中围绕检测到的目标使车辆转向。
在当执行车道变更操纵时车辆需要自主轻制动力的情况中制动策略已准备就绪时，制动子系统24可以启用电气制动系统、电液压制动系统或者液压制动系统。
速度控制子系统22可以控制车辆的速度，以便在车道变更操纵期间使车辆或者加速或者减速。
图2图示了反应式路径规划（RPP）技术的流程图。RPP技术优选地用于公路道路上的自主驾驶。RPP技术使用从基于图像的捕获装置检测到的车道数据和来自基于传感器的装置的感测数据并且将数据融合成物体图，以便生成针对前方短距离的主车辆的路径路点（waypoint）。处理器可以包括基于预测的处理器，其能够被用于针对主车辆追踪生成的路径。RPP技术确保首先，所生成的路径与诸如其它运动的目标车辆和静止物体（例如，施工桶（construction barrel））的检测到的周围物体相距安全距离。其次，RPP技术确保路径是当考虑到主车辆的动态约束时能够被追踪的可行路径。最后，RPP技术确保在车道变更操纵期间主车辆保持在道路上。
本文描述的RPP技术被称为反应式RPP技术，这是因为在短时间段（例如，0.5秒）之后甚至在之前确定的路径到达终点之前就基于新的传感器数据重新生成主车辆路径。因此，RPP技术对于车道数据或者物体图数据的任何变化是反应性的。
在步骤30中，启用例程，并且该例程进行至步骤31。在步骤31中，分析标准以便识别是否生成新的规划路径或者继续分析当前的规划路径。应当理解，RPP技术是重复性的，因为其基于周围环境不断地分析和修改规划路径。因此，步骤31中的决定就是贯穿RPP例程不断分析的条件的结果。如下条件用于确定是否应当生成新的规划路径或者例程是否应当继续监测现有路径。条件包括但不限于：（1）识别现有规划时间（Tplan）是否期满；（2）确定之前的主车辆路径是否不安全；（3）确定之前的主车辆路径是否不可行；（4）确定从主车辆路径的偏移是否大于预定偏移阈值。如果存在这些条件中的任何条件，则例程前进至步骤32，以便生成下一个规划路径；否则，例程前进至步骤42，以继续分析现有规划路径。
在步骤32中，获取物体图数据和车道数据。图3图示了RPP技术的示例性情景，其中，已经在三个不同瞬间生成主车辆路径。生成车辆规划路径的每个瞬间被称为规划时间。用于RPP技术的主要输入是物体图和车道数据。物体图来源于物体图数据输入，其包括检测到的目标及其对应的扫描点的列表，如由如下表达式中所识别的：
其中，n是检测到的目标的数量，是第i个目标的唯一索引号，是变换至地球参照系的第i个目标的中点，和分别表示第i个目标的前行方向角度和速度，表示地球参照系中第i个目标的第j个扫描点，以及m i 是对应于第i个目标的多个扫描点。
车道数据呈两个三次多项式的系数的形式，所述两个三次多项式表示左车道标线和右车道标线。表达式如下：
其中，y L 和y R 分别表示主车辆参照系中的左车道标线和右车道标线。
车道数据还包括参数，该参数确定视觉传感器读数的品质以及车道标线的类型（诸如实线或者虚线）。
RPP技术进一步利用其它主车辆数据，诸如车辆在地球参照系中的位置（X h ,Y h ）、前行方向角度 、速度V h 、偏航率，以及纵向加速度和横向加速度。
主车辆参照系是指附接至主车辆的重心的参照系，并且x轴朝向车辆的前方。在每个规划瞬间时间地球参照系与主车辆参照系相同。这表明，只要生成新的路径，地球参照系就被变换为当前主车辆参照系。这还表明，当前主车辆参照系在规划时间之间当场固定。
应当忽略对路径规划没有影响的被检测为远离当前主车辆位置的目标。因此，围绕主车辆以及在方程（1）中识别出的对规划路径具有影响的所有目标形成虚拟窗口。窗口表示如下：
其中，L win 和W win 表示围绕车辆的窗口，1.5 L win 是该窗口的长度并且2 W win 是该窗口的宽度，在该窗口中计算相应的规划路径。每个目标的扫描点也通过使用道格拉斯-普克（Douglas–Peucker）方法进行简化，以减少计算成本。
如果摄像机读数的品质具有不充分的分辨率，则用于左车道标线和右车道标线的笔直车道的以下默认值表示如下：
其中，车道系数的单位使得方程（2）的结果以米为单位。
在步骤33中，通过添加利用德洛内三角剖分技术形成的虚拟节点来确定用于主车辆操纵的安全空间。德洛内三角剖分技术在扫描点、相邻车道和主车辆之间的空间中使用三角形的组合。德洛内三角剖分技术采用虚拟节点的一部分作为输入并且形成三角形以表示由这些节点限定的凸空间。对于本文中所描述的RPP技术，德洛内三角剖分中利用的输入节点被限定为车道虚拟节点、主车辆虚拟节点、终点（ending）虚拟节点、以及移位扫描节点。
车道虚拟节点在道路的车道边界上生成，以确保主车辆路径处于道路上。车道虚拟节点被定位成沿着车道边界彼此相距相等的距离，并且计算如下：
其中，和分别表示沿着左车道边界和右车道边界的主车辆参照系中的虚拟节点，L h 是被采取为虚拟节点之间的纵向距离的主车辆的长度，W lane 是当前车道的宽度，并且如果左车道标线和右车道标线是实线从而意味着在该侧上不存在相邻车道，则布尔（Boolean）变量T L 和T R 为真。
应当理解，方程（5）中的节点需要变换至地球参照系，以便由德洛内三角剖分技术使用。
主车辆虚拟节点包括与主车辆的当前位置相距相等距离的两个虚拟节点。这限定搜索空间的起点并且由以下参数表示：
。
终点虚拟节点限定搜索空间的终点并且表示如下：
方程（7）中的节点处于主车辆参照系中并且需要变换至地球参照系中。如果左车道标线和/或右车道标线是实线，则分别忽略虚拟节点和/或，或者如果在规划窗口内未检测到目标，则忽略上述虚拟节点。
移位扫描节点是基于每个检测到的目标车辆的相对速度移位的节点。方程（1）中的扫描点根据以下方程所确定的那样沿着道路移位：
其中，是变量，表示主车辆到达第i个目标需要的时间量。被计算如下：
，
其中，D min 和V min 是恒定参数，指明使扫描点移位的距离和速度的阈值。如果满足以下三个条件，则将在三角剖分计算中考虑那些移位的扫描点：
其中，
并且
。
图4表示包括两辆低速运动的目标车辆沿与主车辆相同的方向运动的示例性情景。主车辆（HV）左侧的目标车辆（TV2）正以大约30 km/h行驶，并且主车辆前方的目标车辆（TV1）正以大约30 km/h行驶。若干施工桶相对于主车辆位于右车道中。
图5示出如何使对应于TV1的扫描点移位以随着时间的过去基于TV1的速度预测该车辆相对于主车辆的位置的示例。注意的是，由于TV2的位置过于接近HV，所以没有使TV2移位。这由方程（9）中的第一个条件表示。
图6中示出图4中的示例性情景的德洛内三角剖分演示，其包括车道虚拟节点100、主车辆虚拟节点102、终点虚拟节点104，以及移位扫描点106。扫描点的移位考虑到目标车辆动态，使得能够为主车辆确定安全的路径。这还具有使所确定的路径更接近驾驶员选择的路径的优点。
在步骤34中，生成搜索图。搜索图是限定在三角剖分空间中的图，并且由多个顶点和连接相关联的顶点的线段组成。顶点生成并且位于满足以下条件的特定三角形边缘上：（1）每个边缘不是边界上的边缘；（2）每个边缘不连接来自相同目标的两个扫描点；（3）每个边缘不连接两个车道虚拟节点；（4）每个边缘长度具有大于阈值（L min ）的长度；（5）每个边缘处于由车道虚拟节点限定的凸多边形内。
如果三角形边缘满足上述条件中的每一个，则如图7所示的那样沿该边缘限定顶点108。顶点108被定位为沿着每个边缘彼此等距并且在相应的扫描节点对之间或者在扫描节点与车道虚拟节点之间相等地间隔。以下方程组用于求解顶点：
其中，指明第i个边缘上的第j个顶点，和分别表示第i个边缘的源节点和目标节点，d v 是沿着边缘的顶点之间的恒定距离，n e 是满足上述条件的边缘的数量，以及是第i个边缘的长度。
如果第i个边缘在地球参照系中是竖直的（即，），则使用以下公式来寻找顶点：
。
除了在方程（13）和（14）中获得的顶点之外，在当前主车辆位置处添加源顶点。此外，添加目标顶点，并且该目标顶点的X坐标值大于其它顶点的最大X值并且其Y坐标值是方程（7）中的终点虚拟节点的Y坐标的平均值。在迪杰斯特拉算法（Dijkstra’s algorithm）中使用源顶点和目标顶点以找出最短路径，这将在后文详细地讨论。
参数d v 是沿着边缘的顶点之间的恒定距离，其在生成搜索图中具有重要作用。如果d v 被选择为小，则图中的顶点的数量将增加，这导致相应的三角形区域内的空间的图形分辨率更加精细，并且使最终路径的平滑度增加，此外，该最终路径还更接近驾驶员选择的路径；不过，具有更精细的分辨率将需要算法具有更多的计算能力。因此，当选择d v 时，平衡是优选的，原因在于在该技术中这是工具调节参数。为了减少计算能力同时保持所选择的路径的合理的平滑度水平，为d v 和每个三角形边缘设置两个候选值。基于所选择的边缘至主车辆以及道路上移位的目标车辆的接近性选择相应值。如果三角形边缘接近主车辆或者目标车辆的移位点，则为d v 选择更小的值，否则选择相对于该更小的值的更大的值。
一旦确定顶点108，则由图段（graph segment）110来连接它们。图段连接两个顶点，这两个顶点：（1）属于相同三角形，并且（2）不属于相同边缘。示例情景的顶点108和图段110在图7中标绘示出。
在步骤35中，通过使用迪杰斯特拉算法来执行搜索，以在搜索图中寻找连接源顶点与目标顶点的最短路径。该最短路径不是依据传统距离定义来寻找，而是依据定义如下的成本-距离函数：
其中，D i 是第i条路径从源顶点至目标顶点的距离，、、、和是第i条路径的第j个线段的距离函数分量，α L 、α S 、α d 和α p 是恒定权重系数，以及n path 和n seg 分别是从源顶点至目标顶点的路径的数量和每条路径中的线段的数量。
方程（15）中的项对应于第i条路径的第j个线段的长度。该项考虑了来自传统测量的最短距离。用于确定项的方程表示如下：
其中，和分别指明对应线段的源顶点和目标顶点。
距离函数中包括方程（15）中的项，使得路径的实际长度在计算最短距离中发挥作用。分母中的表示线段的最大可能长度并且被用于将长度成本归一化至[0, 1]范围。权重系数α L 是正的常数，其需要与其它权重系数一起调整以针对不同情景生成实用的主车辆路径。
方程（15）中的项对应于第i条路径的第j个线段相对于主车辆或者车道的前行方向的相对斜率。该参数考虑了转向操纵的平滑过渡，诸如使转向操纵中的突变/冲击最小化。用于确定项的方程表示如下：
其中，是线段在地球参照系中的角度，D HV 是表示主车辆前方的近距离的正的常数，是调整参数，以及是该线段的位置处的车道前行方向。车道前行方向表示如下：
。
方程（15）中的项包括在距离函数中，以确保所产生的最短路径在当前主车辆前方的邻近区域中充分地与该车辆前行方向对齐并且随后与车道前行方向对齐。采用正的角度以将成本归一化至[0, 1]范围，并且权重系数是调整参数，相比于其它距离函数分量，该调整参数将影响最短路径与主车辆的前行方向的对齐。
方程（15）中的项与搜索图中的线段至在先前的规划时间所找出的主车辆路径的距离有关。这防止从先前的规划路径的任何显著偏离，否则这会导致车辆的显著转向变化。用于确定项的方程表示如下：
其中，和是线段的源顶点和目标顶点从先前的主车辆路径的加权偏移，并且具体地，更多的权重作用于更接近主车辆的顶点，
其中，指明在先前可行的主车辆路径中的第k个路点，并且n HV 是主车辆路径路点的数量。
距离函数中包括项，使得当前最短路径（尤其是更接近当前主车辆位置的线段）被迫充分地接近先前的规划路径。这有助于处理器更加有效地追踪所生成的主车辆路径。如前文所描述的，被用于使该成本归一化至[0, 1]范围，并且是调整参数。
方程（15）中的项与搜索图中的线段至当前车道的中心线的距离有关。这涉及从每个车道的中心的偏移。用于确定项的方程表示如下：
其中，、和分别是线段从当前车道的中心、从相邻左车道以及从相邻右车道的偏移值。这些偏移表示如下：
其中
。
距离函数中包括方程（15）中的项，使得最短路径被迫充分地接近距离对应线段最近的车道的中心。当周围没有目标车辆或者主车辆没有受到威胁时，这将产生车道居中行为。如前文所描述的，被用于使该成本归一化至[0, 1]范围，并且是调整参数。
包括方程（15）中的项，以确保最短路径至少与周围障碍（诸如其它运动的目标车辆或者静止物体）相距安全距离。当规划无碰撞路径时，该分量考虑运动目标的动态。参考方程（15），基于对应线段顶点的位置使扫描点移位如下：
其中，是第i条路径的第j个线段的扫描节点的移位点，并且指明主车辆到达该线段的最大X节点需要的时间段，其表示如下：
接着使用以下方程将移位扫描点变换至线段的局部参照系：
接着从以下表达式获得第i条路径的第j个线段的虚拟势场值：
（27）
其中，和是与障碍相距的纵向安全距离和横向安全距离，以及被用于使势场归一化至[0, 1]范围，并且是调整参数。
为了确保所产生的路径与障碍相距安全距离，优选地选择使在方程（15）中的所有权重系数当中具有最高值。这在确定用于操纵的规划路径中提供了对安全性的最大程度的强调。应当理解，不同于本文中所描述的权重系数，权重系数可以成比例变化，以适应制造商列出的驾驶条件。
如果线段的长度短于阈值或者其相对于当前车道的相对斜率大于阈值，则由当前车道的前行方向角度替换方程（26）中的线段前行方向。执行该替换以确保具有短的长度和/或相对大斜率的任何线段不会引起线段的非真实势场。
针对图4中图示的示例情景在图8中示出所产生的最短路径112以及方程（15）中的距离函数。如在本示例中所示，该技术将左车道识别为最短路径，原因在于与主车辆相比左车道上的目标车辆运动得显著更慢，因此是最安全的选项。应当理解，考虑到其它车辆的可能车辆动态或者由于连接线性线段之间所需要的高横向加速度，规划路径尽管可能是最短路径，但却可能不是最佳路径。因此，可能需要对规划路径的进一步分析和规划路径的完善。
在步骤36中，作出源顶点是否利用所产生的路径连接目标顶点的决策。如果作出规划路径未连接相应顶点的决策，则例程前进至步骤42，其中例程将该路径设置为不可行。例程返回至步骤31以重新规划路径。如果在步骤36中作出所产生的路径将源顶点连接至目标顶点的决策，则例程前进至步骤37。
在步骤37中，响应于确定最短路径，在最短路径周围生成安全狭带。识别安全狭带使得当主车辆路径处于该狭带内时其满足以下条件。条件如下：（1）主车辆路径十分接近最短路径；（2）主车辆路径与所有周围物体相距安全距离；以及（3）主车辆路径保持在道路上。
为寻找安全狭带，利用沿着最短路径的顶点。在利用这些参数时，针对每个顶点计算左狭带点和右狭带点。此外，在计算中必须考虑运动的目标的动态。扫描点首先移位如下：
其中，是最短路径的第j个线段的扫描节点的移位点，以及指明主车辆达到顶点所需要的时间段。时间段表示如下：
。
接着，通过使用以下公式将移位扫描点变换至最短路径线段的局部参照系：
其中，是将顶点连接至的线段的斜率。
接着，利用以下条件确定以下转移的扫描点的最小值和最大值：
。
通过使用以下条件计算相应最短路径顶点的左狭带点和右狭带点：
其中，和指明在线段的局部参照系中的第j个左狭带点和右狭带点。
接着，将方程（32）中的点变换回地球参照系，以获得和。如果线段的长度短于阈值或者其相对于当前车道的相对斜率大于阈值，则由当前车道的前行方向角度替换方程（30）中的线段前行方向。
图9图示了用于示例性情景的相应安全狭带。用于左侧狭带点的第一组连接线114表示安全狭带的左边界，并且用于右侧狭带点的第二组连接线116表示安全狭带的右边界。
在步骤38中，响应于识别安全狭带，例程为主车辆确定狭带内的路径，该路径足够平滑以被追踪。由主车辆施加的动态约束是道路上的最大横向加速度和横向加加速度。这意味着对于可行的主车辆路径的最大曲率和曲率变化率的限制。因此，该技术在狭带内改善路径点，使得最终路径尽可能接近能够由主车辆追踪的路径并且使规划路径中的过大曲率最小化。
这种步骤在本文中被描述为子例程。在步骤38-1中，确定在地球参照系中等距离竖直线处于安全狭带范围中，并且表示如下：
其中，d L 是表示竖直线之间的距离的恒定参数。
在步骤38-2中，使用左狭带线和右狭带线来确定方程（33）中的竖直线的交叉点。所产生的点被称为竖直狭带点。左狭带点由表示，并且右狭带点由表示。
在步骤38-3中，路径点（P i ）被限定如下：
其中，使路径点P i 沿着竖直线在狭带内运动。
在步骤38-4中，通过设置λ i ＝0.5，对于i＝1, 2, …, n HV ，使每个路径点最初被定位在竖直狭带点之间竖直线的中间点处。
在步骤38-5中，针对路径点P i ，将成本函数限定如下：
其中，C i 和△C i 分别指明P i 处的估计的曲率和曲率变化率，
方程（32）中的sin ()函数通过使用交叉乘积公式被计算成：
。
在步骤38-6中，假设和是恒定值，并且曲率和曲率变化率是λ i 的线性函数。因此，成本函数F i 将是λ i 的二次函数。通过求解来寻找成本函数的最小点。
在步骤38-7中，基于以下标准更新路径点P i ：
。
在步骤38-8中，重复步骤38-5至38-7直到所有路径P i , i-1,2,…,n HV 均更新一次。
在步骤38-9中，返回重复步骤38-5至38-8，重复最大数量的迭代次数N itr ，直到所有路径点处的曲率和曲率变化率小于预定阈值率值。如果在N itr 迭代次数之后，最大曲率和曲率变化率超过其相应预定阈值率，则例程停止，从而意味着不能够找到可行的主车辆路径。
图10中示出将这种技术应用至图9中的安全狭带所产生的路径，其中，线118表示平滑的主车辆规划路径。应当理解，针对主车辆路径，考虑的路点的最大数量是有限制的。因此，主车辆路径可能不覆盖整个路径规划范围，如图10中所示。
在步骤39中，响应于获得步骤38中所确定的主车辆路径，通过利用两个条件作出核实，以确保所产生的路径是可行的。首先，主车辆路径路点处的最大横向加速度必须小于预定阈值加速度值。可以通过利用以下方程来估计横向加速度：
其中，C i 是在方程（36）中计算的估计的曲率值。
第二个条件是主车辆路径必须与所有周围障碍相距安全距离。为了核实这个条件，首先通过使用方程（28）-（30）使扫描点移位并且将其变换至主车辆路径线段的局部参照系，其中，由主车辆路点替换最短路径顶点。然后针对所有主车辆路径路点检验以下条件，以确保主车辆路径充分地远离任何目标车辆或者其它障碍。条件表示如下：
。
在步骤40中，作出关于路径重新生成的规划路径是否可行的决定。如果基于在步骤40中执行的可行性分析作出路径不可行的决策，则例程前进至步骤31。如果作出路径可行的决策，则例程前进至步骤41。
在步骤41中，将确定为可行的主车辆规划路径发送至控制器，其中控制器自主地执行规划路径。响应于实施规划路径，返回至步骤31。
在步骤31中，检验自规划上一条路径以来的时间是否已期满。如前文所描述的，规划路径在每个周期时间T plan 的末尾生成。T plan 表示例程等待直到规划下一条路径的第一预定时间率（rate of time）。因此，系统将会等待等于T plan 的一定持续时间（除非作出返回，从而指示现有路径不安全或者不可行），并且然后在该等于T plan 的持续时间期满之后生成下一个规划路径。例如，T plan 可以是设置为0.5秒的持续时间。因此，处理器将每0.5秒就规划新的路径。应当理解，0.5秒的持续时间是示例性的并且可以利用0.5秒之外的其它时间。因此，当例程从步骤42循环至步骤32时，作出T plan （例如，0.5秒）是否已经消逝的决策。如果作出T plan 还未消逝并且现有规划路径不存在安全性或者可行性问题的决策，则例程前进至步骤42。
在步骤42中，从感测装置和成像装置获得物体图数据以执行安全性检验。安全性检验以第二预定时间率T s （例如，10毫秒）执行。应当理解，10毫秒是示例性的并且可以使用其它时间率。还应进一步理解，安全性检查不会确定或者生成下一个规划路径；而是安全性检验反复地在规划路径时间之间检验当前路径的安全性，以便核实没有新的威胁被引入上一个规划路径。因此，基于在路径规划阶段之间获得的新的传感器数据和成像数据反复地执行多次安全性检验。
在步骤43中，通过监测进入的传感器数据分析当前路径的安全性并且确定当前规划路径是否安全。在安全性检验期间，在基于新的传感器数据重新规划路径之前，被认为可行的最近一次的主车辆规划路径将在T plan 的时间段内保持不变。这样做是为了减少实现车辆上实际实时实施中的快速RPP规划过程的计算成本。尽管T plan 被设置为足够短以假设道路情景在该时间段期间不显著地变化，但还仍每T s 执行额外的安全性检验，以确保现有规划路径车辆路径在规划时间段之间是安全的。
为了检验当前规划路径的安全性，所有主车辆路径路点均被变换至每个运动的目标的局部参照系，如由以下表达式所表示：
如图11所示，限定每个运动目标前方的区域并且识别该区域内部的最小X路点（如果存在）。这表示如下：
然后通过以下表达来确定为了达到该最小点的用于运动目标的时间间隔和用于主车辆的时间间隔：
。
如果所有运动目标满足以下条件，则认为现有主车辆路径是安全的：
。
在步骤44中，作出现有规划路径是否仍然安全的决策。如果作出现有规划路径仍然安全的决策，则例程前进至步骤45。
在步骤45中，确定主车辆的偏移并且在步骤41中向控制器提供该信息。例程返回至步骤31，其中，如果T plan 还未期满，则例程执行另一安全性检验。如果作出T plan 期满的决策，则例程前进至步骤32以规划下一条路径。
再次参考步骤44，如果作出现有路径不安全的决策，则返回至步骤31。在步骤31中，关于现有路径的安全性作出标记，并且例程立即前进至步骤32，以基于新获得的物体图数据重新计算下一个规划路径，而不论T plan 是否期满。响应于新规划路径的决策，重新设置T plan ，并且在T plan 期满时设置用于下一个规划路径决策的时间段。
尽管已经对本发明的某些实施例进行了详细描述，但本发明所涉及领域的技术人员将认识到如以下权利要求所限定的那样的用于实践本发明的各种替代性设计和实施例。

Claims (13)

1.一种适应性地重新生成用于自主驾驶操纵的规划路径的方法，所述方法包括以下步骤：
（a）由基于主车辆的装置获得与行驶道路中感测到的物体相关联的物体数据；
（b）基于所述行驶道路中感测到的物体由处理器构造物体图；
（c）重新设置并且致动计时器；
（d）由所述处理器生成用于在所述感测到的物体周围自主地操纵所述主车辆的规划路径，所述规划路径基于成本-距离函数生成；
（e）沿着所述规划路径自主地操纵所述主车辆；
（f）基于来自所述基于主车辆的装置的更新的感测到的数据更新所述物体图；
（g）基于更新的所述物体图确定所述规划路径是否可行；
（h）响应于所述规划路径不可行的决策，返回至步骤（a）；否则继续至步骤（i）；
（i）确定所述计时器是否期满；以及
（j）响应于所述计时器期满返回至步骤（a）；否则返回至步骤（f）；
其中，生成所述规划路径还包括以下步骤：
基于所述行驶道路中感测到的物体识别虚拟节点；以及
应用德洛内三角剖分以便在所选择的虚拟节点当中生成三角形；
其中，所述虚拟节点包括车道虚拟节点、主车辆虚拟节点、终点虚拟节点以及移位扫描节点，其中，所述车道虚拟节点表示所述道路的车道边界，其中，所述主车辆虚拟节点表示所述主车辆的位置和搜索空间的起点，其中，所述终点虚拟节点表示所述搜索空间的终点，以及其中，所述移位扫描节点表示基于所检测到的动态物体相对于所述主车辆的速度的动态物体的位移；
还包括以下步骤：沿所述三角形的边缘识别顶点，所述顶点沿每个三角形边缘均匀地间隔；以及
在每个三角形内的每对顶点之间形成线性线段；
其中，只有当相应的顶点对属于相同的相应三角形并且当所述顶点不属于所述相应三角形的相同边缘时，才形成连接所述相应三角形的所述相应顶点对的相应线性线段；
其中，通过从每个三角形中选择相应线性线段来从所识别的主车辆虚拟节点至所识别的终点虚拟节点生成所述规划路径，其中，从每个三角形选择的每个线性线段从所述所识别的主车辆虚拟节点至所述所识别的终点虚拟节点形成连续规划路径；
其中，基于成本-距离函数识别每个所述所选择的线性线段，所述成本函数生成为关于所述规划路径的长度的距离函数分量、每个线段的相对斜率、所述规划路径相对先前确定的路径的偏移、从当前驾驶车道的中心的偏移以及距周围障碍的偏移距离。
2.根据权利要求1所述的方法，其中，不在所述道路的车道边界上形成顶点。
3.根据权利要求1所述的方法，其中，对每个所述相应距离函数分量进行加权，以便识别在所述成本-距离函数中的使用程度。
4.根据权利要求3所述的方法，其中，所述成本-距离函数由以下公式表示：
其中，D i 是第i条路径从源顶点至目标顶点的距离，、、、和是第i条路径的第j个线段的距离函数分量，α L 、α S 、α d 和α p 是恒定权重系数，以及n path 和n seg 分别是从所述源顶点至目标顶点的多条路径和每条路径中的多个线性线段；
分母中的表示线段的最大可能长度，表示正的角度，、被用于使成本归一化至[0, 1]范围，被用于使势场归一化至[0, 1]范围。
5.根据权利要求4所述的方法，其中，所述距离函数分量对应于所述第i条路径的第j个线段的实际长度，并且其中，由以下方程表示：
其中,和分别指明所述对应线段的源顶点和目标顶点。
6.根据权利要求4所述的方法，其中，距离函数分量对应于所述第i条路径的第j个线段相对于所述主车辆或者所述车道的前行方向的相对斜率，其中，项表示如下：
其中，是所述线性线段在地球参照系中的角度，D HV 是表示所述主车辆前方的近距离的正的常数，是调整参数，以及是所述线性线段的位置处的所述车道前行方向，X h 取自车辆在地球参照系中的位置（X h ,Y h ），是前行方向角度。
7.根据权利要求4所述的方法，其中，距离函数分量对应于所述第i条路径的第j个线段相对于所述主车辆或者所述车道的前行方向的相对斜率，其中，项表示如下：
其中，是所述线性线段在地球参照系中的角度，D HV 是表示所述主车辆前方的近距离的正的常数，是调整参数，以及是所述线性线段的位置处的所述车道前行方向，X h 取自车辆在地球参照系中的位置（X h ,Y h ），是前行方向角度。
8.根据权利要求4所述的方法，其中，所述距离函数分量对应于所述搜索图中的线段至在先前规划时间找到的所述主车辆路径的距离，以便防止从所述先前的规划路径显著偏离，其中，所述距离函数分量表示如下：
其中，和是所述线段的源顶点和目标顶点距所述先前的主车辆路径的加权偏移，并且权重作用于更接近所述主车辆的顶点。
9.根据权利要求4所述的方法，其中，所述距离函数分量对应于所述搜索图中的线段至当前车道的中心线的距离，其中，所述距离函数分量表示如下：
其中，、和分别是每个线性线段距所述当前车道的中心、相邻左车道以及相邻右车道的偏移值。
10.根据权利要求9所述的方法，其中，距离分量函数确保最短的所述规划路径至少与所述周围障碍相距安全距离阈值，同时考虑运动目标的动态，并且其中，虚拟势场值表示如下：
其中，和是距所识别的所述障碍的纵向安全距离和横向安全距离；、表示移位扫描点在线段的局部参照系中的坐标。
11.根据权利要求1所述的方法，还包括以下步骤：通过识别所述规划路径周围的狭带来改善所述规划路径，所述狭带具有从所述规划路径偏移的左狭带边界和右狭带边界。
12.根据权利要求11所述的方法，还包括以下步骤：在所述狭带内重新生成规划路径，所述规划路径随着各种路径点处的估计的曲率和曲率变化率而改变。
13.根据权利要求12所述的方法，还包括以下步骤：确定所述重新生成的规划路径的可行性，所述重新生成的规划路径的可行性随着所述主车辆的横向加速度和距周围物体的距离而改变。
CN201610267697.8A 2015-04-27 2016-04-27 用于自主驾驶的反应式路径规划 Active CN106094812B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US14/696877 2015-04-27
US14/696,877 US9868443B2 (en) 2015-04-27 2015-04-27 Reactive path planning for autonomous driving

Publications (2)

Publication Number Publication Date
CN106094812A CN106094812A (zh) 2016-11-09
CN106094812B true CN106094812B (zh) 2019-04-23

Family

ID=57110948

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610267697.8A Active CN106094812B (zh) 2015-04-27 2016-04-27 用于自主驾驶的反应式路径规划

Country Status (3)

Country Link
US (1) US9868443B2 (zh)
CN (1) CN106094812B (zh)
DE (1) DE102016107705B4 (zh)

Families Citing this family (127)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10427676B2 (en) * 2017-05-31 2019-10-01 GM Global Technology Operations LLC Trajectory planner for autonomous driving using bézier curves
DE102015205244B3 (de) * 2015-03-24 2015-12-10 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Bereitstellen von Hinderniskarten für Fahrzeuge
EP3141926B1 (en) * 2015-09-10 2018-04-04 Continental Automotive GmbH Automated detection of hazardous drifting vehicles by vehicle sensors
US9857795B2 (en) 2016-03-24 2018-01-02 Honda Motor Co., Ltd. System and method for trajectory planning for unexpected pedestrians
US9851212B2 (en) * 2016-05-06 2017-12-26 Ford Global Technologies, Llc Route generation using road lane line quality
JP6808992B2 (ja) * 2016-06-17 2021-01-06 株式会社デンソー 走行支援装置
GB2558866A (en) * 2016-07-15 2018-07-25 Kompetenzzentrum Das Virtuelle Fahrzeug Predictive control system for autonomous driving vehicle
US10093315B2 (en) * 2016-09-19 2018-10-09 Ford Global Technologies, Llc Target vehicle deselection
US10802484B2 (en) 2016-11-14 2020-10-13 Baidu Usa Llc Planning feedback based decision improvement system for autonomous driving vehicle
US11042161B2 (en) 2016-11-16 2021-06-22 Symbol Technologies, Llc Navigation control method and apparatus in a mobile automation system
US20180143641A1 (en) * 2016-11-23 2018-05-24 Futurewei Technologies, Inc. Motion controlling method for an autonomous vehicle and a computer device
IL288191B2 (en) * 2016-12-23 2023-10-01 Mobileye Vision Technologies Ltd A navigation system with forced commitment constraints
US10353393B2 (en) * 2016-12-29 2019-07-16 Baidu Usa Llc Method and system for improving stability of autonomous driving vehicles
US10137896B2 (en) * 2016-12-30 2018-11-27 Baidu Usa Llc Method and system for operating autonomous driving vehicles using graph-based lane change guide
US10710592B2 (en) * 2017-04-07 2020-07-14 Tusimple, Inc. System and method for path planning of autonomous vehicles based on gradient
US10726273B2 (en) 2017-05-01 2020-07-28 Symbol Technologies, Llc Method and apparatus for shelf feature and object placement detection from shelf images
US11449059B2 (en) 2017-05-01 2022-09-20 Symbol Technologies, Llc Obstacle detection for a mobile automation apparatus
AU2018261257B2 (en) 2017-05-01 2020-10-08 Symbol Technologies, Llc Method and apparatus for object status detection
US11367092B2 (en) 2017-05-01 2022-06-21 Symbol Technologies, Llc Method and apparatus for extracting and processing price text from an image set
WO2018204342A1 (en) 2017-05-01 2018-11-08 Symbol Technologies, Llc Product status detection system
US10949798B2 (en) 2017-05-01 2021-03-16 Symbol Technologies, Llc Multimodal localization and mapping for a mobile automation apparatus
WO2018201423A1 (en) 2017-05-05 2018-11-08 Symbol Technologies, Llc Method and apparatus for detecting and interpreting price label text
US10725470B2 (en) * 2017-06-13 2020-07-28 GM Global Technology Operations LLC Autonomous vehicle driving systems and methods for critical conditions
IL253769B (en) * 2017-07-31 2022-03-01 Israel Aerospace Ind Ltd Planning a path in motion
US10140530B1 (en) * 2017-08-09 2018-11-27 Wipro Limited Method and device for identifying path boundary for vehicle navigation
US11210744B2 (en) 2017-08-16 2021-12-28 Mobileye Vision Technologies Ltd. Navigation based on liability constraints
US10503171B2 (en) * 2017-08-17 2019-12-10 Wipro Limited Method and system for determining drivable navigation path for an autonomous vehicle
US10754339B2 (en) * 2017-09-11 2020-08-25 Baidu Usa Llc Dynamic programming and quadratic programming based decision and planning for autonomous driving vehicles
US20180004215A1 (en) * 2017-09-15 2018-01-04 GM Global Technology Operations LLC Path planning of an autonomous vehicle for keep clear zones
WO2019066949A1 (en) * 2017-09-29 2019-04-04 Intel Corporation RANDOMIZATION OF TRACK MOVEMENT OF AUTOMATED VEHICLES
CN107544514B (zh) * 2017-09-29 2022-01-07 广州唯品会研究院有限公司 机器人障碍物避让方法、装置、存储介质及机器人
CN107918396A (zh) * 2017-11-30 2018-04-17 深圳市智能机器人研究院 一种基于船体模型的水下清洗机器人路径规划方法及系统
KR102463720B1 (ko) * 2017-12-18 2022-11-07 현대자동차주식회사 차량의 경로 생성 시스템 및 방법
US11906625B2 (en) * 2018-01-08 2024-02-20 The Regents Of The University Of California Surround vehicle tracking and motion prediction
US20180164822A1 (en) * 2018-02-09 2018-06-14 GM Global Technology Operations LLC Systems and methods for autonomous vehicle motion planning
JP6927090B2 (ja) * 2018-03-05 2021-08-25 トヨタ自動車株式会社 経路生成装置
EP3543985A1 (de) * 2018-03-21 2019-09-25 dSPACE digital signal processing and control engineering GmbH Simulieren verschiedener verkehrssituationen für ein testfahrzeug
US11327504B2 (en) 2018-04-05 2022-05-10 Symbol Technologies, Llc Method, system and apparatus for mobile automation apparatus localization
US10832436B2 (en) 2018-04-05 2020-11-10 Symbol Technologies, Llc Method, system and apparatus for recovering label positions
US10823572B2 (en) 2018-04-05 2020-11-03 Symbol Technologies, Llc Method, system and apparatus for generating navigational data
US10740911B2 (en) 2018-04-05 2020-08-11 Symbol Technologies, Llc Method, system and apparatus for correcting translucency artifacts in data representing a support structure
US10809078B2 (en) * 2018-04-05 2020-10-20 Symbol Technologies, Llc Method, system and apparatus for dynamic path generation
US10864910B2 (en) 2018-05-16 2020-12-15 GM Global Technology Operations LLC Automated driving systems and control logic using sensor fusion for intelligent vehicle control
US10745011B2 (en) 2018-05-31 2020-08-18 Nissan North America, Inc. Predicting yield behaviors
US11040729B2 (en) 2018-05-31 2021-06-22 Nissan North America, Inc. Probabilistic object tracking and prediction framework
US10564643B2 (en) 2018-05-31 2020-02-18 Nissan North America, Inc. Time-warping for autonomous driving simulation
US10569773B2 (en) 2018-05-31 2020-02-25 Nissan North America, Inc. Predicting behaviors of oncoming vehicles
US10823575B2 (en) * 2018-06-27 2020-11-03 Baidu Usa Llc Reference line smoothing method using piecewise spiral curves with weighted geometry costs
US10838423B2 (en) 2018-08-07 2020-11-17 GM Global Technology Operations LLC Intelligent vehicle navigation systems, methods, and control logic for deriving road segment speed limits
US10761535B2 (en) 2018-08-21 2020-09-01 GM Global Technology Operations LLC Intelligent vehicle navigation systems, methods, and control logic for multi-lane separation and trajectory extraction of roadway segments
DE102018215448B3 (de) * 2018-09-11 2019-10-31 Conti Temic Microelectronic Gmbh Verfahren zur Schätzung der Geometrie eines Bewegungsweges
CN109443370A (zh) * 2018-09-13 2019-03-08 中通国脉物联科技南京有限公司 一种检测轨迹偏离的方法
US11144055B2 (en) * 2018-09-19 2021-10-12 Caterpillar Paving Products Inc. Construction site planning for autonomous construction vehicles
US11054831B2 (en) * 2018-09-27 2021-07-06 Caterpillar Paving Products Inc. Automatic site planning for autonomous construction vehicles
US11506483B2 (en) 2018-10-05 2022-11-22 Zebra Technologies Corporation Method, system and apparatus for support structure depth determination
US11010920B2 (en) 2018-10-05 2021-05-18 Zebra Technologies Corporation Method, system and apparatus for object detection in point clouds
US11003188B2 (en) 2018-11-13 2021-05-11 Zebra Technologies Corporation Method, system and apparatus for obstacle handling in navigational path generation
US11090811B2 (en) 2018-11-13 2021-08-17 Zebra Technologies Corporation Method and apparatus for labeling of support structures
TWI674984B (zh) * 2018-11-15 2019-10-21 財團法人車輛研究測試中心 自動駕駛車輛之行駛軌跡規劃系統及方法
US10901425B2 (en) 2018-11-30 2021-01-26 Honda Motor Co., Ltd. Systems and methods for navigational planning
US20210139048A1 (en) * 2018-12-05 2021-05-13 Waymo Llc Tree policy planning for autonomous vehicle driving solutions
US11192545B1 (en) 2018-12-05 2021-12-07 Waymo Llc Risk mitigation in speed planning
US11416000B2 (en) 2018-12-07 2022-08-16 Zebra Technologies Corporation Method and apparatus for navigational ray tracing
US11079240B2 (en) 2018-12-07 2021-08-03 Zebra Technologies Corporation Method, system and apparatus for adaptive particle filter localization
US11100303B2 (en) 2018-12-10 2021-08-24 Zebra Technologies Corporation Method, system and apparatus for auxiliary label detection and association
US11015938B2 (en) 2018-12-12 2021-05-25 Zebra Technologies Corporation Method, system and apparatus for navigational assistance
US10731970B2 (en) 2018-12-13 2020-08-04 Zebra Technologies Corporation Method, system and apparatus for support structure detection
US10552695B1 (en) 2018-12-19 2020-02-04 GM Global Technology Operations LLC Driver monitoring system and method of operating the same
CA3028708A1 (en) 2018-12-28 2020-06-28 Zih Corp. Method, system and apparatus for dynamic loop closure in mapping trajectories
US10928827B2 (en) 2019-01-07 2021-02-23 Toyota Research Institute, Inc. Systems and methods for generating a path for a vehicle
CN109669461B (zh) * 2019-01-08 2020-07-28 南京航空航天大学 一种复杂工况下自动驾驶车辆决策系统及其轨迹规划方法
US20200241541A1 (en) * 2019-01-28 2020-07-30 GM Global Technology Operations LLC System and method of an algorithmic solution to generate a smooth vehicle velocity trajectory for an autonomous vehicle with spatial speed constraints
US11288521B2 (en) * 2019-01-31 2022-03-29 Uatc, Llc Automated road edge boundary detection
US11226620B2 (en) 2019-02-08 2022-01-18 GM Global Technology Operations LLC Automated driving systems and control logic with enhanced longitudinal control for transitional surface friction conditions
CN109765902B (zh) * 2019-02-22 2022-10-11 阿波罗智能技术(北京)有限公司 无人车驾驶参考线处理方法、装置及车辆
CN109931942B (zh) * 2019-03-13 2021-02-19 浙江华睿科技有限公司 机器人路径生成方法、装置、机器人和存储介质
US11052914B2 (en) 2019-03-14 2021-07-06 GM Global Technology Operations LLC Automated driving systems and control logic using maneuver criticality for vehicle routing and mode adaptation
US11126188B2 (en) * 2019-04-15 2021-09-21 Caterpillar Inc. System and method for maintaining a work surface at a worksite
US11402846B2 (en) 2019-06-03 2022-08-02 Zebra Technologies Corporation Method, system and apparatus for mitigating data capture light leakage
US11080566B2 (en) 2019-06-03 2021-08-03 Zebra Technologies Corporation Method, system and apparatus for gap detection in support structures with peg regions
US11341663B2 (en) 2019-06-03 2022-05-24 Zebra Technologies Corporation Method, system and apparatus for detecting support structure obstructions
US11151743B2 (en) 2019-06-03 2021-10-19 Zebra Technologies Corporation Method, system and apparatus for end of aisle detection
US11960286B2 (en) 2019-06-03 2024-04-16 Zebra Technologies Corporation Method, system and apparatus for dynamic task sequencing
US11662739B2 (en) 2019-06-03 2023-05-30 Zebra Technologies Corporation Method, system and apparatus for adaptive ceiling-based localization
US11200677B2 (en) 2019-06-03 2021-12-14 Zebra Technologies Corporation Method, system and apparatus for shelf edge detection
US10915766B2 (en) * 2019-06-28 2021-02-09 Baidu Usa Llc Method for detecting closest in-path object (CIPO) for autonomous driving
US11300677B2 (en) 2019-07-08 2022-04-12 GM Global Technology Operations LLC Automated driving systems and control logic for host vehicle velocity estimation using wide aperture radar
US11474525B2 (en) * 2019-07-22 2022-10-18 GM Global Technology Operations LLC Method and apparatus for method for dynamic multi-segment path and speed profile shaping
US11754408B2 (en) * 2019-10-09 2023-09-12 Argo AI, LLC Methods and systems for topological planning in autonomous driving
RU2745804C1 (ru) * 2019-11-06 2021-04-01 Общество с ограниченной ответственностью "Яндекс Беспилотные Технологии" Способ и процессор для управления перемещением в полосе движения автономного транспортного средства
JP7272241B2 (ja) * 2019-11-18 2023-05-12 トヨタ自動車株式会社 車両走行制御装置及び車両制御システム
CN112818727A (zh) * 2019-11-18 2021-05-18 华为技术有限公司 一种道路约束确定方法及装置
US11507103B2 (en) 2019-12-04 2022-11-22 Zebra Technologies Corporation Method, system and apparatus for localization-based historical obstacle handling
US11107238B2 (en) 2019-12-13 2021-08-31 Zebra Technologies Corporation Method, system and apparatus for detecting item facings
RU2757234C2 (ru) * 2019-12-25 2021-10-12 Общество с ограниченной ответственностью "Яндекс Беспилотные Технологии" Способ и система для вычисления данных для управления работой беспилотного автомобиля
CN111123952B (zh) * 2019-12-31 2021-12-31 华为技术有限公司 一种轨迹规划方法及装置
EP3865819A1 (en) * 2020-02-11 2021-08-18 VTT SenseWay Oy Virtual corridor for vehicle navigation
US11822333B2 (en) 2020-03-30 2023-11-21 Zebra Technologies Corporation Method, system and apparatus for data capture illumination control
CN111521189B (zh) * 2020-04-10 2022-02-15 北京智行者科技有限公司 清扫路径规划方法及装置
GB202008368D0 (en) * 2020-06-03 2020-07-15 Five Ai Ltd Systems for testing and training autonomous vehicles
CN113759888A (zh) * 2020-06-08 2021-12-07 北京京东乾石科技有限公司 一种指引线平滑方法、装置、设备和存储介质
CN111665852B (zh) * 2020-06-30 2022-09-06 中国第一汽车股份有限公司 一种障碍物避让方法、装置、车辆及存储介质
US11450024B2 (en) 2020-07-17 2022-09-20 Zebra Technologies Corporation Mixed depth object detection
DE102020208981A1 (de) 2020-07-17 2022-01-20 Continental Automotive Gmbh Verfahren zur Schätzung der Geometrie eines Bewegungsweges
US11608067B2 (en) * 2020-08-12 2023-03-21 Honda Motor Co., Ltd. Probabilistic-based lane-change decision making and motion planning system and method thereof
US20220092985A1 (en) * 2020-09-24 2022-03-24 GM Global Technology Operations LLC Variable threshold for in-path object detection
US11593915B2 (en) 2020-10-21 2023-02-28 Zebra Technologies Corporation Parallax-tolerant panoramic image generation
DE102020213697A1 (de) 2020-10-30 2022-05-05 Continental Automotive Gmbh Verfahren zum Erkennen von Straßengrenzen sowie ein System zur Steuerung eines Fahrzeuges
US11873004B2 (en) 2020-10-31 2024-01-16 Huawei Technologies Co., Ltd. Method and system for motion planning for an autonmous vehicle
US11392891B2 (en) 2020-11-03 2022-07-19 Zebra Technologies Corporation Item placement detection and optimization in material handling systems
US11847832B2 (en) 2020-11-11 2023-12-19 Zebra Technologies Corporation Object classification for autonomous navigation systems
US11685262B2 (en) 2020-12-03 2023-06-27 GM Global Technology Operations LLC Intelligent motor vehicles and control logic for speed horizon generation and transition for one-pedal driving
US11851062B2 (en) * 2020-12-09 2023-12-26 Waymo Llc Physics-informed optimization for autonomous driving systems
US11752881B2 (en) 2021-01-20 2023-09-12 GM Global Technology Operations LLC Intelligent vehicles and control logic for brake torque request estimation for cooperative brake system control
EP4039557A1 (en) * 2021-02-09 2022-08-10 Aptiv Technologies Limited Trajectory validation for autonomous driving
US11954882B2 (en) 2021-06-17 2024-04-09 Zebra Technologies Corporation Feature-based georegistration for mobile computing devices
CN113188562B (zh) * 2021-07-01 2022-03-01 新石器慧通（北京）科技有限公司 可行驶区域的路径规划方法、装置、电子设备及存储介质
DE102021207609A1 (de) 2021-07-16 2023-01-19 Continental Autonomous Mobility Germany GmbH Verfahren zur Kennzeichnung eines Bewegungsweges
US11677931B2 (en) * 2021-07-23 2023-06-13 Embark Trucks Inc. Automated real-time calibration
CN113734198B (zh) * 2021-09-03 2023-04-07 智己汽车科技有限公司 一种目标相对航向获取方法及设备
US20230103248A1 (en) * 2021-09-28 2023-03-30 GM Global Technology Operations LLC Automated driving systems and control logic for lane localization of target objects in mapped environments
US20230094975A1 (en) * 2021-09-29 2023-03-30 Waymo Llc Lane search for self-driving vehicles
CN114019967B (zh) * 2021-10-29 2023-06-20 中国船舶重工集团公司第七0七研究所 一种适用于狭长航道的无人艇航线规划方法
US12014552B2 (en) 2021-12-07 2024-06-18 GM Global Technology Operations LLC Intelligent vehicle systems and control logic for incident prediction and assistance in off-road driving situations
CN114379594B (zh) * 2022-01-27 2023-06-30 广州小鹏自动驾驶科技有限公司 安全行驶走廊构建方法和装置、自动驾驶车辆及存储介质
US20230322270A1 (en) * 2022-04-08 2023-10-12 Motional Ad Llc Tracker Position Updates for Vehicle Trajectory Generation
US20240025452A1 (en) * 2022-07-22 2024-01-25 Motional Ad Llc Corridor/homotopy scoring and validation

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101578533A (zh) * 2007-01-09 2009-11-11 丰田自动车株式会社 车辆用环境监视设备
CN101898559A (zh) * 2009-02-09 2010-12-01 通用汽车环球科技运作公司 用于自动泊车的路径规划

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6667592B2 (en) * 2001-08-13 2003-12-23 Intellibot, L.L.C. Mapped robot system
US7680596B2 (en) * 2004-04-06 2010-03-16 Honda Motor Co., Ltd. Route calculation method for a vehicle navigation system
DE102006009191A1 (de) 2006-02-28 2007-06-06 Daimlerchrysler Ag Verfahren zum Betreiben eines Steuerungssystems für ein Fahrzeug
US20090088916A1 (en) 2007-09-28 2009-04-02 Honeywell International Inc. Method and system for automatic path planning and obstacle/collision avoidance of autonomous vehicles
DE102008024548A1 (de) 2008-05-21 2009-11-26 Continental Automotive Gmbh Verfahren zur Ermittlung des kürzesten Transitionsweges innerhalb eines zweidimensionalen Sicherheitskennfeldes von einem Ausgangspunkt zu einem Zielpunkt zur Steuerung zumindest eines Fahrzeuges
WO2010101749A1 (en) 2009-03-05 2010-09-10 Massachusetts Institute Of Technology Predictive semi-autonomous vehicle navigation system
US8392117B2 (en) 2009-05-22 2013-03-05 Toyota Motor Engineering & Manufacturing North America, Inc. Using topological structure for path planning in semi-structured environments
JP2011129095A (ja) * 2009-12-18 2011-06-30 Korea Electronics Telecommun 自律走行ロボットを利用した地図生成方法、これを利用した最適走行経路算出方法およびこれらを遂行するロボット制御装置
US9174672B2 (en) * 2013-10-28 2015-11-03 GM Global Technology Operations LLC Path planning for evasive steering maneuver in presence of target vehicle and surrounding objects
US9199668B2 (en) * 2013-10-28 2015-12-01 GM Global Technology Operations LLC Path planning for evasive steering maneuver employing a virtual potential field technique
US10022867B2 (en) * 2014-11-11 2018-07-17 X Development Llc Dynamically maintaining a map of a fleet of robotic devices in an environment to facilitate robotic action

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101578533A (zh) * 2007-01-09 2009-11-11 丰田自动车株式会社 车辆用环境监视设备
CN101898559A (zh) * 2009-02-09 2010-12-01 通用汽车环球科技运作公司 用于自动泊车的路径规划

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Collision-free Path Planning and Trajectory Generation for MAVs Flying in Urban Terrain;Rong Zhu 等 等;《Proceedings of the 2006 IEEE/RSJ International Conference on Intelligent Robots and Systems》;20070115;第2888-2893页

Also Published As

Publication number Publication date
DE102016107705A1 (de) 2016-10-27
CN106094812A (zh) 2016-11-09
US9868443B2 (en) 2018-01-16
US20160313133A1 (en) 2016-10-27
DE102016107705B4 (de) 2023-06-29

Similar Documents

Publication Publication Date Title
CN106094812B (zh) 用于自主驾驶的反应式路径规划
JP6712088B2 (ja) 車両を制御する方法、システム及び非一時的コンピューター可読記憶媒体
Guldenring et al. Learning local planners for human-aware navigation in indoor environments
KR101196374B1 (ko) 이동 로봇의 경로 생성 시스템
CN112639849A (zh) 路径选择方法和路径选择装置
CN107063280A (zh) 一种基于控制采样的智能车辆路径规划系统及方法
JP2022532920A (ja) レーダーデータからのヨーレート
CN113031583A (zh) 一种结构化道路避障方法
JP2016136378A (ja) 自己の乗り物のドライバを支援する方法およびシステム
US20220063651A1 (en) Vehicle path planning
JP7130062B2 (ja) 経路決定方法
Zhu et al. A hierarchical deep reinforcement learning framework with high efficiency and generalization for fast and safe navigation
JP2020160603A (ja) 経路決定装置、ロボット及び経路決定方法
Barua et al. A self-driving car implementation using computer vision for detection and navigation
CN114237256B (zh) 一种适用于欠驱动机器人的三维路径规划与导航方法
CN112577506A (zh) 一种自动驾驶局部路径规划方法和系统
Huy et al. A practical and optimal path planning for autonomous parking using fast marching algorithm and support vector machine
JP7258046B2 (ja) 経路決定装置、ロボット及び経路決定方法
JP7250571B2 (ja) 倒立振子型ロボット
Tehrani et al. Evaluating human & computer for expressway lane changing
WO2023102116A1 (en) Method and system for feasibility-based operation of an autonomous agent
CN111975775B (zh) 基于多角度视觉感知的自主机器人导航方法及系统
CN113415278A (zh) 用于使用周围车辆运动流跟随最近在径车辆的系统和过程
Singh End-to-end autonomous driving using deep learning: A systematic review
Jafari et al. Reactive path planning for emergency steering maneuvers on highway roads

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant