CN107085938B - 基于车道线与gps跟随的智能驾驶局部轨迹容错规划方法 - Google Patents

基于车道线与gps跟随的智能驾驶局部轨迹容错规划方法 Download PDF

Info

Publication number
CN107085938B
CN107085938B CN201710428534.8A CN201710428534A CN107085938B CN 107085938 B CN107085938 B CN 107085938B CN 201710428534 A CN201710428534 A CN 201710428534A CN 107085938 B CN107085938 B CN 107085938B
Authority
CN
China
Prior art keywords
lane
gps
follow
mode
error
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
CN201710428534.8A
Other languages
English (en)
Other versions
CN107085938A (zh
Inventor
余伶俐
邵玄雅
周开军
龙子威
夏旭梅
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN201710428534.8A priority Critical patent/CN107085938B/zh
Publication of CN107085938A publication Critical patent/CN107085938A/zh
Application granted granted Critical
Publication of CN107085938B publication Critical patent/CN107085938B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/22Platooning, i.e. convoy of communicating vehicles
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34Route searching; Route guidance
    • G01C21/3446Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes

Abstract

本发明公开了一种基于车道线与GPS跟随的智能驾驶局部轨迹容错规划方法,其步骤包括:首先初始化跟随模式并建立智能驾驶车辆坐标系;其次根据GPS、车道线信息进行GPS数据和车道线识别状态的甄别;然后根据甄别后的识别状态计算容错偏差,并更新跟随模式;最后基于新跟随模式进行局部路径、轨迹规划;该方法通过对各种数据的有效性做出了判断,提高了后续计算的准确度,同时,基于各数据状态设计了容错偏差,并对其进行实时动态的更新,简化系统复杂度,易于实际应用,提高了数据处理的鲁棒性;针对GPS、车道线等多传感数据对跟随模式进行实时状态转移,实现了多跟随状态之间的连续、平滑控制,提高了智能驾驶车辆的舒适性和稳定性。

Description

基于车道线与GPS跟随的智能驾驶局部轨迹容错规划方法
技术领域
本发明属于无人驾驶及路径规划技术领域,特别涉及一种基于车道线与GPS跟随的智能驾驶局部轨迹容错规划方法。
背景技术
智能驾驶车辆是能通过车载传感器系统感知道路环境,自动规划行车路线并控制车辆到达预定目标的智能汽车。智能驾驶技术中的路径轨迹规划是智能驾驶领域的关键技术之一。在半结构化环境下的智能驾驶过程中,易遇到GPS/IMU干扰不稳定、车道线不清晰或不连续或错误识别车道线等复杂突发情况。该局部轨迹规划为非特定场景下的动态规划,要求准确完成车道跟随,且需对异常突发情况快速响应。
目前,国内外学者围绕智能驾驶车辆局部路径轨迹规划方法开展了大量研究工作,主要包括基于启发式搜索、智能仿生、行为规划以及再励学习等路径规划方法,在全局路径规划方面取得了良好的效果。但并未考虑如半结构化道路下车道不连续和车道错误识别或 GPS/IMU定位失真等因数据不稳定对规划系统带来的难适应性。如何利用现有数据信息提高车道跟随的稳定性和实时性,是值得深入研究的实际问题。
在半结构化环境下,对智能驾驶局部轨迹规划的连续性、误数据的高容错性提出了较高的要求。半结构化环境下的导航过程存在突发异常,包括车道不连续和车道错误识别,或 GPS/IMU定位失真等。该情况下的局部路径轨迹规划需要具备对异常问题的高容错性和稳定性。为此,需研究一种基于车道线和GPS跟随的智能驾驶局部轨迹容错规划方法,使得该方法具有高容错性和高稳定性,提升智能车辆路径轨迹规划的实时性和鲁棒性。
发明内容
本发明为了克服上述现有技术的不足,提供了一种基于车道线与GPS跟随的智能驾驶局部轨迹容错规划方法,通过对多传感器数据的有效甄别,设计容错偏差算法,充分考虑各种数据异常情况下的轨迹规划方法,实现智能驾驶车道跟随,简化局部规划系统的设计,提升鲁棒性和稳定性。
一种基于车道线与GPS跟随的智能驾驶局部轨迹容错规划方法,包括以下步骤:
步骤一:初始化车辆驾驶跟随模式,建立智能驾驶车辆坐标系,并设定期望路径;
步骤二:根据GPS信息对GPS数据进行有效性判别;
步骤三:获取智能车辆上摄像头实时采集的车辆所在车道的车道线的识别状态;
所述车辆所在车道的车道线包括左、右两条车道线;
步骤四:根据车道线识别状态计算容错误差;
步骤五:根据当前GPS数据有效性、车道线识别状态和容错误差,更新车辆驾驶跟随模式;
步骤六:基于更新后的车辆驾驶跟随模式进行局部路径与轨迹规划。
进一步地,所述步骤一的具体过程如下:
步骤1a:初始化车辆驾驶跟随模式Mfollow为GPS跟随模式Mgps,即Mfollow=Mgps
步骤1b:设定车辆坐标系,坐标原点为车头中心位置,车辆正前方为X轴,车辆正左方为Y轴,车辆正上方为Z轴;
GPS/IMU接收器安装在智能驾驶车辆车头位置,有效减少车辆转向误差及GPS反馈误差;因此定义车辆坐标系;
步骤1c:设定期望路径,包括基于GPS的期望路径Pgps和基于车道线的期望路径Plane,每50ms重新刷新一次;
其中,Pgps来自地图全局规划提供的基于GPS车道中心路径,Plane从智能驾驶车辆摄像头检测图像中提取的智能车辆当前行驶车道线,所述智能车辆当前行驶车道线为车辆摄像头采集的图像中的左侧车道线PlaneLeft和右侧车道线PlaneRight的中值线;
给定基于三次多项式的车辆期望路径表达形式:
P(x)=A3x3+A2x2+A1x+A0
其中,x为车辆坐标系下X轴位置坐标,P为期望路径,针对不同情景共分为两种类型:基于GPS的期望路径Pgps和基于车道线的期望路径Plane
进一步地,所述根据GPS信息对GPS数据进行有效性判别的具体过程如下:
步骤2a:计算t与t-1时刻的GPS位置误差errorgps:errorgps=Pgps(x=0|t)-Pgps(x=0|t-1)
步骤2b:对GPS数据有效性validgps进行判别:
其中,Pgps(x=0|t)表示智能车辆在t时刻,在车辆坐标系下X轴位置坐标为0时的位置值,errormove为t与t-1时刻下GPS在局部坐标系下因智能车辆移动产生的运动误差,errormove=a1v+b1,a1,b1为由经验试凑得到的常数,a1取值为0~0.5,b1取值为-1~+1;v为智能车辆行驶速度。
进一步地,所述智能车辆上摄像头实时采集的车辆所在车道的车道线的识别状态的获取过程如下:
步骤3a:计算期望路径下车辆行驶车道中心线分别基于GPS和车道线的Y轴位置YcenterGps、 YcenterLane,其中,YcenterLane包括车辆行驶车道中心线分别基于左车道线和右车道线的Y轴位置 YcenterLeft和YcenterRight
其中,x1,x2,x3为三个不同位置点横坐标,取x1=5,x2=10,x3=15;
步骤3b:根据车道线的追踪帧数FtrackLeft、FtrackRight来判别左、右车道线的有效性validleft、 validright
左、右两车道线的原始有效性为validOriLeft、validOriRight,随车道线50ms更新一次,有效为true,无效为false;
当FtrackLeft≤Fthreshold时,左车道线判别为无效validleft=false;当FtrackRight≤Fthreshold,右车道线判别为无效validright=false,车道线须至少被追踪Fthreshold帧,Fthreshold的取值为不小于30的整数;
步骤3c:根据期望路径下车辆行驶车道中心线在Y轴上的位置YcenterGps与YcenterLeft、YcenterRight之间的距离误差errorlaneLeft、errorlaneRight和中心偏差阈值errorcenterThreshold来判别车道线的有效性 validleft、validright
其中,Wreal为真实车道宽度;
若errorlaneLeft≤errorcenterThreshold,则左车道线判别为无效validleft=false;若errorlaneRight≤errorcenterThreshold,则右车道线判别为无效validright=false;
步骤3d:比较检测出的车道宽度与真实车道宽度来判别车道线的有效性:
W=YcenterLeft-YcenterRight
errorlaneWidth=W-Wreal
其中,W为检测出的车道宽度,Wreal为真实车道宽度,errorlaneWidth表示车道宽度误差;
若errorlaneWidth≤errorwidthThreshold,errorwidthThreshold表示车道宽度误差阈值,则左右车道线均判别无效validleft=false、validright=false;
步骤3e:根据判别后的validleft、validright确定车道线的识别状态Statuslane
若validleft、validright均为false,则Statuslane=NoneLaneDetected;
若validleft、validright均为true,则Statuslane=DoubleLaneDetected;
若validleft、validright仅有一个为true,则Statuslane=SingleLaneDetected;
其中,NoneLaneDetected表示未正确识别车道线,DoubleLaneDetected表示正确识别双车道线,SingleLaneDetected表示正确识别单车道线。
进一步地,所述根据车道线识别状态计算容错误差的具体过程如下:
步骤4a:根据车道线识别状态Statuslane,在期望路径的更新周期内分别计算单车道线持续时长、丢失左车道线持续时长以及丢失右车道线持续时长:
当正确识别双车道线时,三种时长均置0;当正确识别单车道线时,对应无效车道线的丢失时长加1,对应有效车道线的丢失时长置0;当未正确识别车道线时,三种时长均置INF;
步骤4b:计算当前容错偏差erroroffsetCurrent
errorGpsLane=(YcenterLeft+YcenterRight)/2-YcenterGps
erroroffsetCurrent=λerrorGpsLane+errorcalibration
其中,errorGpsLane为采集的车道线中心线与GPS位置之间偏差;λ为由经验试凑得到的偏差比例系数;
步骤4c:计算不同跟随模式下的真实容错偏差erroroffset
其中,Mgradient表示渐变模式,Mgps表示GPS跟随模式,Mlane表示车道线跟随模式;
渐变模式是指从车道线跟随模式逐渐变化到GPS跟随模式的中间过渡模式,在车道线跟随模式下,不断地在每个周期内逐步减小当前期望路径的容错偏差,直至容错偏差为0,使得当前期望路径完全变为GPS跟随模式下的期望路径;
所述容错偏差是指GPS获取的路径数据与车道线之间的误差。
进一步地,所述更新车辆驾驶跟随模式的具体过程如下:
当GPS数据有效时,即validgps=true:
(1)若当前跟随模式Mfollow为GPS跟随模式Mgps,则按以下表达式更新跟随模式:
(2)若当前跟随模式Mfollow为车道线跟随模式Mlane,则按以下表达式更新跟随模式:
case1:若左右车道线均判别无效,则更新为渐变模式,即Mfollow=Mgradient
case2:若单车道线识别有效,则比较单车道线的丢失持续时长和单车道线持续时长,如果丢失时长大于车道保留时长,则更新跟随模式为渐变模式;
(3)若当前跟随模式Mfollow为渐变模式Mgradient,则按以下表达式更新跟随模式:
其中,case3:如果容错偏差不为0且双车道线均判别有效,则更新为车道线跟随模式,
当GPS数据无效时,即validgps=false,且validOriLeft=true或validOriRight=true,则更新跟随模式为车道线跟随模式并置零容错偏差,即Mfollow=Mlane,erroroffset=0;若validgps=false,且validOriLeft=false、validOriRight=false,则停止局部规划并警示报错。
进一步地,基于更新后的车辆驾驶跟随模式进行局部路径与轨迹规划的过程如下:
步骤6a:根据跟随模式确定路径,路径P的表述为:
P=PfollowMode+erroroffset
其中,valuedecrease为每间隔50ms,容错偏差|erroroffset|的减小值,取值为0.005-0.008;
步骤6b:根据路径P规划基于三次多项式的运动轨迹:
(3)由当前车辆速度确定轨迹终点坐标(Xf,Yff):
(4)计算基于三次多项式的最优轨迹Ptrajectory
其中,P'(Xf)为P(Xf)的导数,P(x)=A3x3+A2x2+A1x+A0,yoffset为终点偏移量,即原点到终点切线方向的距离,A3,A2,A1,A0为轨迹Ptrajectory的系数。
有益效果
本发明提供了一种基于车道线与GPS跟随的智能驾驶局部轨迹容错规划方法,其步骤包括:首先初始化跟随模式并建立智能驾驶车辆坐标系;其次根据GPS、车道线信息进行GPS 数据和车道线识别状态的甄别;然后根据甄别后的识别状态计算容错偏差,并更新跟随模式;最后基于新跟随模式进行局部路径、轨迹规划;
该规划方法相对于现有技术具有以下几点优点:
1.数据有效性判别的过程中包括对GPS、车道线的甄别算法,有效提高了系统对数据异常的甄别能力。
2.基于各数据状态设计了容错偏差,并对其进行实时动态的更新,简化系统复杂度,易于实际应用,提高了数据处理的鲁棒性。
3.针对GPS、车道线等多传感数据对跟随模式进行实时状态转移,简化各模式之间的关系,实现多跟随状态之间的连续、平滑控制,提高了智能驾驶车辆的舒适性和稳定性。
附图说明
图1为局部轨迹容错规划的跟随模式转移链图;
图2为实验场地航拍图;
图3为局部轨迹容错规划方法流程图;
图4为实验车辆坐标系示意图。
具体实施方式
下面将结合附图和实施例对本发明做进一步地说明。
本实施例采用长12m,宽2.5m大客车改装的智能驾驶车辆,装有激光雷达、毫米波雷达、摄像头以及GPS/IMU系统,在标准直线道路展开局部轨迹容错规划实验,如图2所示,本实施例的实验场地航拍图。
如图1所示,本发明用于局部轨迹容错规划的跟随模式转移链图。
如图3所示局部轨迹容错规划方法流程图,一种基于车道线与GPS跟随的智能驾驶局部轨迹容错规划方法,局部规划周期50ms,每规划周期具体包括以下步骤:
一种基于车道线与GPS跟随的智能驾驶局部轨迹容错规划方法,包括以下步骤:
步骤一:初始化车辆驾驶跟随模式,建立智能驾驶车辆坐标系,并设定期望路径;
步骤二:根据GPS信息对GPS数据进行有效性判别;
步骤三:获取智能车辆上摄像头实时采集的车辆所在车道的车道线的识别状态;
所述车辆所在车道的车道线包括左、右两条车道线;
步骤四:根据车道线识别状态计算容错误差;
步骤五:根据当前GPS数据有效性、车道线识别状态和容错误差,更新车辆驾驶跟随模式;
步骤六:基于更新后的车辆驾驶跟随模式进行局部路径与轨迹规划。
所述步骤一的具体过程如下:
步骤1a:初始化车辆驾驶跟随模式Mfollow为GPS跟随模式Mgps,即Mfollow=Mgps
步骤1b:设定车辆坐标系,坐标原点为车头中心位置,车辆正前方为X轴,车辆正左方为Y轴,车辆正上方为Z轴;
GPS/IMU接收器安装在智能驾驶车辆车头位置,有效减少车辆转向误差及GPS反馈误差;因此定义车辆坐标系,如图4所示;
步骤1c:设定期望路径,包括基于GPS的期望路径Pgps和基于车道线的期望路径Plane,每50ms重新刷新一次;
其中,Pgps来自地图全局规划提供的基于GPS车道中心路径,Plane从智能驾驶车辆摄像头检测图像中提取的智能车辆当前行驶车道线,所述智能车辆当前行驶车道线为车辆摄像头采集的图像中的左侧车道线PlaneLeft和右侧车道线PlaneRight的中值线;
给定基于三次多项式的车辆期望路径表达形式:
P(x)=A3x3+A2x2+A1x+A0
其中,x为车辆坐标系下X轴位置坐标,P为期望路径,针对不同情景共分为两种类型:基于GPS的期望路径Pgps和基于车道线的期望路径Plane
所述根据GPS信息对GPS数据进行有效性判别的具体过程如下:
步骤2a:计算t与t-1时刻的GPS位置误差errorgps:errorgps=Pgps(x=0|t)-Pgps(x=0|t-1)
步骤2b:对GPS数据有效性validgps进行判别:
其中,Pgps(x=0|t)表示智能车辆在t时刻,在车辆坐标系下X轴位置坐标为0时的位置值,errormove为t与t-1时刻下GPS在局部坐标系下因智能车辆移动产生的运动误差,errormove=a1v+b1,a1,b1为由经验试凑得到的常数,a1取值为0~0.5,b1取值为-1~+1;v为智能车辆行驶速度。
所述智能车辆上摄像头实时采集的车辆所在车道的车道线的识别状态的获取过程如下:
步骤3a:计算期望路径下车辆行驶车道中心线分别基于GPS和车道线的Y轴位置YcenterGps、 YcenterLane,其中,YcenterLane包括车辆行驶车道中心线分别基于左车道线和右车道线的Y轴位置 YcenterLeft和YcenterRight
其中,x1,x2,x3为三个不同位置点横坐标,取x1=5,x2=10,x3=15;
步骤3b:根据车道线的追踪帧数FtrackLeft、FtrackRight来判别左、右车道线的有效性validleft、 validright
左、右两车道线的原始有效性为validOriLeft、validOriRight,随车道线50ms更新一次,有效为true,无效为false;
当FtrackLeft≤Fthreshold时,左车道线判别为无效validleft=false;当FtrackRight≤Fthreshold,右车道线判别为无效validright=false,车道线须至少被追踪Fthreshold帧,Fthreshold的取值为不小于30的整数;
步骤3c:根据期望路径下车辆行驶车道中心线在Y轴上的位置YcenterGps与YcenterLeft、YcenterRight之间的距离误差errorlaneLeft、errorlaneRight和中心偏差阈值errorcenterThreshold来判别车道线的有效性 validleft、validright
其中,Wreal为真实车道宽度;
若errorlaneLeft≤errorcenterThreshold,则左车道线判别为无效validleft=false;若errorlaneRight≤errorcenterThreshold,则右车道线判别为无效validright=false;
步骤3d:比较检测出的车道宽度与真实车道宽度来判别车道线的有效性:
W=YcenterLeft-YcenterRight
errorlaneWidth=W-Wreal
其中,W为检测出的车道宽度,Wreal为真实车道宽度,errorlaneWidth表示车道宽度误差;
若errorlaneWidth≤errorwidthThreshold,errorwidthThreshold表示车道宽度误差阈值,则左右车道线均判别无效validleft=false、validright=false;
步骤3e:根据判别后的validleft、validright确定车道线的识别状态Statuslane
若validleft、validright均为false,则Statuslane=NoneLaneDetected;
若validleft、validright均为true,则Statuslane=DoubleLaneDetected;
若validleft、validright仅有一个为true,则Statuslane=SingleLaneDetected;
其中,NoneLaneDetected表示未正确识别车道线,DoubleLaneDetected表示正确识别双车道线,SingleLaneDetected表示正确识别单车道线。
所述根据车道线识别状态计算容错误差的具体过程如下:
步骤4a:根据车道线识别状态Statuslane,在期望路径的更新周期内分别计算单车道线持续时长、丢失左车道线持续时长以及丢失右车道线持续时长:
当正确识别双车道线时,三种时长均置0;当正确识别单车道线时,对应无效车道线的丢失时长加1,对应有效车道线的丢失时长置0;当未正确识别车道线时,三种时长均置INF;
步骤4b:计算当前容错偏差erroroffsetCurrent
errorGpsLane=(YcenterLeft+YcenterRight)/2-YcenterGps
erroroffsetCurrent=λerrorGpsLane+errorcalibration
其中,errorGpsLane为采集的车道线中心线与GPS位置之间偏差;λ为由经验试凑得到的偏差比例系数;
步骤4c:计算不同跟随模式下的真实容错偏差erroroffset
其中,Mgradient表示渐变模式,Mgps表示GPS跟随模式,Mlane表示车道线跟随模式;
渐变模式是指从车道线跟随模式逐渐变化到GPS跟随模式的中间过渡模式,在车道线跟随模式下,不断地在每个周期内逐步减小当前期望路径的容错偏差,直至容错偏差为0,使得当前期望路径完全变为GPS跟随模式下的期望路径;
所述容错偏差是指GPS获取的路径数据与车道线之间的误差。
所述更新车辆驾驶跟随模式的具体过程如下:
当GPS数据有效时,即validgps=true:
(1)若当前跟随模式Mfollow为GPS跟随模式Mgps,则按以下表达式更新跟随模式:
(2)若当前跟随模式Mfollow为车道线跟随模式Mlane,则按以下表达式更新跟随模式:
case1:若左右车道线均判别无效,则更新为渐变模式,即Mfollow=Mgradient
case2:若单车道线识别有效,则比较单车道线的丢失持续时长和单车道线持续时长,如果丢失时长大于车道保留时长,则更新跟随模式为渐变模式;
(3)若当前跟随模式Mfollow为渐变模式Mgradient,则按以下表达式更新跟随模式:
其中,case3:如果容错偏差不为0且双车道线均判别有效,则更新为车道线跟随模式,
当GPS数据无效时,即validgps=false,且validOriLeft=true或validOriRight=true,则更新跟随模式为车道线跟随模式并置零容错偏差,即Mfollow=Mlane,erroroffset=0;若validgps=false,且validOriLeft=false、validOriRight=false,则停止局部规划并警示报错。
基于更新后的车辆驾驶跟随模式进行局部路径与轨迹规划的过程如下:
步骤6a:根据跟随模式确定路径,路径P的表述为:
P=PfollowMode+erroroffset
其中,valuedecrease为每间隔50ms,容错偏差|erroroffset|的减小值,取值为0.005-0.008;
步骤6b:根据路径P规划基于三次多项式的运动轨迹:
(5)由当前车辆速度确定轨迹终点坐标(Xf,Yff):
(6)计算基于三次多项式的最优轨迹Ptrajectory
其中,P'(Xf)为P(Xf)的导数,P(x)=A3x3+A2x2+A1x+A0,yoffset为终点偏移量,即原点到终点切线方向的距离,A3,A2,A1,A0为轨迹Ptrajectory的系数。
最后,将规划轨迹传入跟踪控制系统,当前规划周期结束后,在新的规划周期内重复上述6个步骤,依次循环实现基于GPS与车道线的局部容错路径规划。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种基于车道线与GPS跟随的智能驾驶局部轨迹容错规划方法,其特征在于,包括以下步骤:
步骤一:初始化车辆驾驶跟随模式,建立智能驾驶车辆坐标系,并设定期望路径;
步骤二:根据GPS信息对GPS数据进行有效性判别;
步骤三:获取智能车辆上摄像头实时采集的车辆所在车道的车道线的识别状态;
所述车辆所在车道的车道线包括左、右两条车道线;
步骤四:根据车道线识别状态计算容错误差;
步骤五:根据当前GPS数据有效性、车道线识别状态和容错误差,更新车辆驾驶跟随模式;
步骤六:基于更新后的车辆驾驶跟随模式进行局部路径与轨迹规划;
所述步骤一的具体过程如下:
步骤1a:初始化车辆驾驶跟随模式Mfollow为GPS跟随模式Mgps,即Mfollow=Mgps
步骤1b:设定车辆坐标系,坐标原点为车头中心位置,车辆正前方为X轴,车辆正左方为Y轴,车辆正上方为Z轴;
步骤1c:设定期望路径,包括基于GPS的期望路径Pgps和基于车道线的期望路径Plane,每50ms重新刷新一次;
其中,Pgps来自地图全局规划提供的基于GPS车道中心路径,Plane从智能驾驶车辆摄像头检测图像中提取的智能车辆当前行驶车道线,所述智能车辆当前行驶车道线为车辆摄像头采集的图像中的左侧车道线PlaneLeft和右侧车道线PlaneRight的中值线;
所述智能车辆上摄像头实时采集的车辆所在车道的车道线的识别状态的获取过程如下:
步骤3a:计算期望路径下车辆行驶车道中心线分别基于GPS和车道线的Y轴位置YcenterGps、YcenterLane,其中,YcenterLane包括车辆行驶车道中心线分别基于左车道线和右车道线的Y轴位置YcenterLeft和YcenterRight
其中,x1,x2,x3为三个不同位置点横坐标,取x1=5,x2=10,x3=15;
步骤3b:根据车道线的追踪帧数FtrackLeft、FtrackRight来判别左、右车道线的有效性validleft、validright
左、右两车道线的原始有效性为validOriLeft、validOriRight,随车道线50ms更新一次,有效为true,无效为false;
当FtrackLeft≤Fthreshold时,左车道线判别为无效validleft=false;当FtrackRight≤Fthreshold,右车道线判别为无效validright=false,车道线须至少被追踪Fthreshold帧,Fthreshold的取值为不小于30的整数;
步骤3c:根据期望路径下车辆行驶车道中心线在Y轴上的位置YcenterGps与YcenterLeft、YcenterRight之间的距离误差errorlaneLeft、errorlaneRight和中心偏差阈值errorcenterThreshold来判别车道线的有效性validleft、validright
其中,Wreal为真实车道宽度;
若errorlaneLeft≤errorcenterThreshold,则左车道线判别为无效validleft=false;若errorlaneRight≤errorcenterThreshold,则右车道线判别为无效validright=false;
步骤3d:比较检测出的车道宽度与真实车道宽度来判别车道线的有效性:
W=YcenterLeft-YcenterRight
errorlaneWidth=W-Wreal
其中,W为检测出的车道宽度,Wreal为真实车道宽度,errorlaneWidth表示车道宽度误差;
若errorlaneWidth≤errorwidthThreshold,errorwidthThreshold表示车道宽度误差阈值,则左右车道线均判别无效validleft=false、validright=false;
步骤3e:根据判别后的validleft、validright确定车道线的识别状态Statuslane
若validleft、validright均为false,则Statuslane=NoneLaneDetected;
若validleft、validright均为true,则Statuslane=DoubleLaneDetected;
若validleft、validright仅有一个为true,则Statuslane=SingleLaneDetected;
其中,NoneLaneDetected表示未正确识别车道线,DoubleLaneDetected表示正确识别双车道线,SingleLaneDetected表示正确识别单车道线;
所述根据车道线识别状态计算容错误差的具体过程如下:
步骤4a:根据车道线识别状态Statuslane,在期望路径的更新周期内分别计算单车道线持续时长、丢失左车道线持续时长以及丢失右车道线持续时长:
当正确识别双车道线时,三种时长均置0;当正确识别单车道线时,对应无效车道线的丢失时长加1,对应有效车道线的丢失时长置0;当未正确识别车道线时,三种时长均置INF;
步骤4b:计算当前容错偏差erroroffsetCurrent
errorGpsLane=(YcenterLeft+YcenterRight)/2-YcenterGps
erroroffsetCurrent=λerrorGpsLane+errorcalibration
其中,errorGpsLane为采集的车道线中心线与GPS位置之间偏差;λ为由经验试凑得到的偏差比例系数;
步骤4c:计算不同跟随模式下的真实容错偏差erroroffset
其中,Mgradient表示渐变模式,Mgps表示GPS跟随模式,Mlane表示车道线跟随模式;
渐变模式是指从车道线跟随模式逐渐变化到GPS跟随模式的中间过渡模式,在车道线跟随模式下,不断地在每个周期内逐步减小当前期望路径的容错偏差,直至容错偏差为0,使得当前期望路径完全变为GPS跟随模式下的期望路径;
所述容错偏差是指GPS获取的路径数据与车道线之间的误差。
2.根据权利要求1所述的方法,其特征在于,所述根据GPS信息对GPS数据进行有效性判别的具体过程如下:
步骤2a:计算t与t-1时刻的GPS位置误差errorgps:errorgps=Pgps(x=0|t)-Pgps(x=0|t-1)
步骤2b:对GPS数据有效性validgps进行判别:
其中,Pgps(x=0|t)表示智能车辆在t时刻,在车辆坐标系下X轴位置坐标为0时的位置值,errormove为t与t-1时刻下GPS在局部坐标系下因智能车辆移动产生的运动误差,errormove=a1v+b1,a1,b1为由经验试凑得到的常数,a1取值为0~0.5,b1取值为-1~+1;v为智能车辆行驶速度。
3.根据权利要求2所述的方法,其特征在于,所述更新车辆驾驶跟随模式的具体过程如下:
当GPS数据有效时,即validgps=true:
(1)若当前跟随模式Mfollow为GPS跟随模式Mgps,则按以下表达式更新跟随模式:
(2)若当前跟随模式Mfollow为车道线跟随模式Mlane,则按以下表达式更新跟随模式:
case1:若左右车道线均判别无效,则更新为渐变模式,即Mfollow=Mgradient
case2:若单车道线识别有效,则比较单车道线的丢失持续时长和单车道线持续时长,如果丢失时长大于车道保留时长,则更新跟随模式为渐变模式;
(3)若当前跟随模式Mfollow为渐变模式Mgradient,则按以下表达式更新跟随模式:
其中,case3:如果容错偏差不为0且双车道线均判别有效,则更新为车道线跟随模式,
当GPS数据无效时,即validgps=false,且validOriLeft=true或validOriRight=true,则更新跟随模式为车道线跟随模式并置零容错偏差,即Mfollow=Mlane,erroroffset=0;若validgps=false,且validOriLeft=false、validOriRight=false,则停止局部规划并警示报错。
4.根据权利要求3所述的方法,其特征在于,基于更新后的车辆驾驶跟随模式进行局部路径与轨迹规划的过程如下:
步骤6a:根据跟随模式确定路径,路径P的表述为:
P=PfollowMode+erroroffset
其中,valuedecrease为每间隔50ms,容错偏差|erroroffset|的减小值,取值为0.005-0.008;
步骤6b:根据路径P规划基于三次多项式的运动轨迹:
(1)由当前车辆速度确定轨迹终点坐标(Xf,Yff):
(2)计算基于三次多项式的最优轨迹Ptrajectory
其中,P'(Xf)为P(Xf)的导数,P(x)=A3x3+A2x2+A1x+A0,yoffset为终点偏移量,即原点到终点切线方向的距离,A3,A2,A1,A0为轨迹Ptrajectory的系数。
CN201710428534.8A 2017-06-08 2017-06-08 基于车道线与gps跟随的智能驾驶局部轨迹容错规划方法 Active CN107085938B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710428534.8A CN107085938B (zh) 2017-06-08 2017-06-08 基于车道线与gps跟随的智能驾驶局部轨迹容错规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710428534.8A CN107085938B (zh) 2017-06-08 2017-06-08 基于车道线与gps跟随的智能驾驶局部轨迹容错规划方法

Publications (2)

Publication Number Publication Date
CN107085938A CN107085938A (zh) 2017-08-22
CN107085938B true CN107085938B (zh) 2019-07-02

Family

ID=59608575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710428534.8A Active CN107085938B (zh) 2017-06-08 2017-06-08 基于车道线与gps跟随的智能驾驶局部轨迹容错规划方法

Country Status (1)

Country Link
CN (1) CN107085938B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111559373A (zh) * 2020-04-26 2020-08-21 东风汽车集团有限公司 一种车辆主动转向控制方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107589434A (zh) * 2017-08-23 2018-01-16 西安中阔卫星技术应用有限责任公司 一种自动获取并记录实际道路标线gps坐标的装置和方法
US10988139B2 (en) 2017-08-30 2021-04-27 Nissan Motor Co., Ltd. Vehicle position control method and device vehicle position control device for correcting position in drive-assisted vehicle
CN109724600A (zh) * 2017-10-30 2019-05-07 湖南中车时代电动汽车股份有限公司 一种用于智能驾驶车辆的局部轨迹容错方法
JP6766798B2 (ja) * 2017-12-15 2020-10-14 株式会社デンソー 道路地図生成システム及び道路地図生成方法
CN108955728A (zh) * 2018-08-30 2018-12-07 乐跑体育互联网(武汉)有限公司 一种运动轨迹纠偏方法
CN109740464B (zh) * 2018-12-21 2021-01-26 北京智行者科技有限公司 目标的识别跟随方法
CN111352139A (zh) * 2018-12-24 2020-06-30 同方威视技术股份有限公司 扫描设备自主导向方法、装置和扫描设备
CN110293970B (zh) * 2019-05-22 2020-10-16 重庆长安汽车股份有限公司 一种自动驾驶汽车的行驶控制方法、装置及汽车
CN110930714B (zh) * 2020-02-10 2020-11-13 北京万集科技股份有限公司 位置匹配方法及装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6090146B2 (ja) * 2013-12-16 2017-03-08 株式会社デンソー 車線逸脱抑制システム
JP5977270B2 (ja) * 2014-01-14 2016-08-24 株式会社デンソー 車両制御装置、及びプログラム
CN103921788B (zh) * 2014-04-02 2018-03-16 奇瑞汽车股份有限公司 一种汽车行驶控制系统及方法
CN104210493A (zh) * 2014-09-16 2014-12-17 成都衔石科技有限公司 基于线阵图像传感器的跟驰车辆道路车道线检测装置
US20160364621A1 (en) * 2015-06-11 2016-12-15 Garmin Switzerland Gmbh Navigation device with integrated camera
CN105015548B (zh) * 2015-07-23 2017-10-17 江苏大学 一种纵向避撞提醒和自动跟随集成系统及方法
CN106652468B (zh) * 2016-12-09 2019-09-10 武汉极目智能技术有限公司 车辆道路前车违规检测和自车违规预警提醒装置及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111559373A (zh) * 2020-04-26 2020-08-21 东风汽车集团有限公司 一种车辆主动转向控制方法

Also Published As

Publication number Publication date
CN107085938A (zh) 2017-08-22

Similar Documents

Publication Publication Date Title
CN107085938B (zh) 基于车道线与gps跟随的智能驾驶局部轨迹容错规划方法
CN107264531B (zh) 一种半结构化环境中智能车辆自主换道超车运动规划方法
JP6800168B2 (ja) 走行レーンを推定するための方法
CN109556615A (zh) 基于自动驾驶的多传感器融合认知的驾驶地图生成方法
CN106774313B (zh) 一种基于多传感器的室外自动避障agv导航方法
CN103454919B (zh) 智能空间中移动机器人的运动控制系统的控制方法
CN107169468A (zh) 用于控制车辆的方法和装置
CN108983781B (zh) 一种无人车目标搜索系统中的环境探测方法
US20050179580A1 (en) Road curvature estimation and automotive target state estimation system
CN109059944B (zh) 基于驾驶习惯学习的运动规划方法
CN106696961A (zh) 高速公路自动驾驶上下匝道控制系统及方法
WO2020007161A1 (zh) 无人驾驶的车辆行驶和装置
CN107664993A (zh) 一种路径规划方法
CN108445503A (zh) 基于激光雷达与高精度地图融合的无人驾驶路径规划算法
CN108536149A (zh) 一种基于Dubins路径的无人驾驶车辆避障控制装置及控制方法
CN105205805A (zh) 基于视觉的智能车辆横向控制方法
CN110861642A (zh) 车辆横向运动控制
CN106569214A (zh) 结合导航信息的自适应巡航车载雷达数据处理方法及系统
CN110296713A (zh) 路侧自动驾驶车辆定位导航系统及单个、多个车辆定位导航方法
US20190391594A1 (en) Travel history storage method, method for producing travel path model, method for estimating local position, and travel history storage device
CN110208842A (zh) 一种车联网环境下车辆高精度定位方法
Zheng et al. RRT based path planning for autonomous parking of vehicle
CN110288835A (zh) 一种基于运动学预测补偿机制的周边车辆行为实时识别方法
CN109946732A (zh) 一种基于多传感器数据融合的无人车定位方法
CN111006667B (zh) 高速场景下的自动驾驶轨迹生成系统

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