CN108445750A

CN108445750A - 用于车辆运动规划的方法和系统

Info

Publication number: CN108445750A
Application number: CN201810150128.4A
Authority: CN
Inventors: A·巴拉钱德兰; C·J-K·霍
Original assignee: Faraday and Future Inc
Current assignee: Faraday and Future Inc
Priority date: 2017-02-16
Filing date: 2018-02-13
Publication date: 2018-08-24
Anticipated expiration: 2038-02-13
Also published as: US20190146498A1; CN108445750B

Abstract

在此描述了运动规划。运动规划包括确定一个或多个轨道和/或速度。轨道和速度随后被提供给引起车辆行进到某一位置的一个或多个控制器。通过使用各种数学方程式动态地确定运动路径，可以通过消除在多个运动规划之间选择的需要来节省时间。

Description

用于车辆运动规划的方法和系统

技术领域

本发明一般涉及自动驾驶和驾驶辅助系统，并且更具体地涉及运动规划。

背景技术

现代车辆，尤其是汽车，越来越多地提供自动驾驶和驾驶辅助系统，例如，自适应巡航控制、自动停车，以及自动导航。运动规划通常用于实现这些任务。运动规划包括确定一个或多个轨道和/或速度。轨道和速度随后被提供给使车辆行进到某一位置的一个或多个控制器。

附图说明

图1示出了根据本公开的示例的包括车辆、障碍和目标的示例图。

图2示出了根据本公开的示例的包括车辆、障碍和目标的示例图。

图3示出了根据本公开的示例的用于运动规划的示例性过程。

图4示出了根据本公开的示例的车辆多边形的示例图。

图5示出了根据本公开的示例的包括自动驾驶软件的自动车辆系统的示例性系统框图。

具体实施方式

在以下对示例的描述中，参考形成本文一部分的附图，并且其中通过说明示出了可以实施的具体示例。应理解，能够使用其他示例、并且可以在不脱离所公开的示例的范围的情况下进行结构改变。

现代车辆，尤其是汽车，越来越多地提供自动驾驶和驾驶辅助系统，例如，自动停车和自动导航。若要完成这些任务，运动规划方法典型地确定用于车辆的路径。运动规划方法通常合并了搜索要跟随的路径、规避障碍，以及生成确保安全、舒适和效率的最佳轨道。正如在此描述，运动规划器(例如，能够运动规划的一个或多个系统，其可以包括一系列的姿势、速度、轨道或其组合)能够使用来自地图(例如，高度自动化驾驶地图(HAD地图)也被称为HD地图)、传感器、数据库、知识图、和/或决策器的信息，以生成车辆使用的轨道和/或速度，从而使车辆运动到所需的位置。在一些实施例中，决策器是确定用于车辆的目标位置/姿势的系统(举例来说，自动驾驶系统意图使车辆运动的位置/姿势，例如，停车空间、直接地位于自动车辆前方的车辆后面的位置、或者由移动应用程序的用户提供的位置)。在此，姿势指的是车辆的位置和方向。而且，在此，轨道可以包括一系列路径点、一系列姿势、一个或多个轮偏转角和/或其他车辆特征。

正如在此描述，运动规划器能够操作而无需通过多个路径搜索(例如，经由树遍历或其他搜索算法)。在此处描述的实施例中，运动规划器隐含地处理障碍，而不生成多个轨道并通过它们搜索。例如，运动规划器可以持续地优化轨道和/或速度，以发现一个或多个最优的轨道和/或速度。在一些实施例中，将由传感器和/或决策器提供的输入凸性化(例如，基于障碍、目标位置等等设置问题并将问题凸性化，使得可以通过发现最大值或最小值解决此问题)可以通过运动规划器执行。在一些实施例中，运动规划器可以输出最优的轨道和/或速度。换句话说，在接收到一组输入以后，运动规划器可以运行优化，并且运动规划器输出轨道和/或速度(与运动规划器在多个轨道和/速度之间选择并且输出一个或多个轨道和/或速度相反)。在一些实施例中，由运动规划器输出的轨道和/或速度可以包括一系列用于预定时间范围(例如，自动车辆、决策器和/或运动规划器正在使用的时间的量)的轨道点(例如，路径点)。在一些实施例中，轨道点可以包括向东、向北和/或向前(例如，作为全局坐标)、所需的速度、所需的加速度、以及所需的曲率和/或转向角。

在此处描述的实施例中，运动规划器接收包括来自地图和/或感知系统(例如，用于感知车辆周围的环境所使用的传感器(例如，超声波传感器、视频、激光定位器、雷达等等))的右车道和左车道边界的输入。运动规划器也可以接收包括来自感知系统的障碍(也被称为障碍多边形)的输入。在一些实施例中，运动规划器可以接收与障碍如何随着时间运动相关联的输入。这些输入可以由预测引擎提供，预测引擎能够预测运动的目标在特定时间的位置。其他输入包括与车辆所在道路相关联的速度限制(可以由地图提供)、以及目标位置(可以由决策器提供)。

运动规划器的目标可以包括保持车道、自适应巡航控制以及停止和起步、障碍规避以及舒适驾驶。在一些实施例中，保持车道包括从地图和/或感知系统获取车道边界信息并生成轨道和/或速度以使车辆保持在其车道的运动规划器。在一些实施例中，自适应巡航控制以及“停止和起步”包括提供轨道和/或速度的运动规划器，所述轨道和/或速度能够被用于使车辆在跟车时保持速度、使车辆保持速度限制、和/或使车辆停止和/或开始运动(例如，停止和起步)。在一些实施例中，障碍规避包括运动规划器，所述运动规划器基于各种因素(包括但不局限于：障碍的尺寸、障碍的运动、车道边界信息等等)从感知系统接收障碍(例如，表示车辆、行人、骑自行车的人的障碍多边形)，并且将它们合并到运动规划中(例如，由运动规划器执行)，围绕着障碍停止和/或操纵。此外，在一些实施例中，舒适驾驶指的是生成当与替代的轨道和/或速度比较时，提供增加乘客舒适感的轨道和/或速度。

运动规划器的一些贡献在于将车辆运动规划以及障碍规避问题公式化和凸性化为优化问题，随后，通过能够将此问题以现有方法易于控制地解决、实时地解决的方式将此问题简化/凸性化。这个公式包括能够随着时间变化尺寸和形状的障碍、确保轨道的可行性的车辆模型、以及确保目标的舒适、有效的满意的目标函数。

图1示出了根据本公开的示例的示例性的示意图100A，包括车辆100、障碍110(也被称为障碍多边形)、以及目标120(也被称为目的、目的目标、位置、目的位置等等)。图1还包括左车道边界102和右车道边界104(也分别被称为左车道边界折线和右车道边界折线)。此外，图1示出了时间(t)＝0时的示例性障碍110。

图2示出了根据本公开的示例的示例性的示意图100B，包括车辆100、障碍110(也被称为障碍多边形)、目标120(也被称为目的、目的目标、位置、目的位置等等。图2还包括左车道边界102和右车道边界104(也分别被称为左车道边界折线和右车道边界折线)。此外，图2示出了时间(t)＝horizon_length时的示例性障碍110。在各种实施例中，horizon_length指的是决策器或运动规划器向前规划的时间的量。

序列二次规划法

广义来说，运动规划可以被作为优化问题。这涉及到以这样的方式优化轨道和/或速度，以最小化代价函数并且满足约束。代价函数可以包括诸如舒适度(例如，促进或恶化的大小)的数值表示的项，以及目标的满意度的数值表示的项，例如，到目标姿势的距离。应用于运动规划的优化问题的约束可以包括物理约束，例如，最大可行的或可允许的加速度、车辆可以在姿势之间如何运动、或者确保维持到障碍的最小距离。

一个具有不等式约束m和等式约束n的通用优化问题具有如下形式：

具有优化向量

在这个最通用的形式中，对优化目标的形式没有约束，对任何约束的形式也没有约束(例如，这些函数无需为仿射的、也无需为二次的或凸的)。

在各种实施例中，序列二次规划法(SQP)的目标为将(非凸的或非线性的)优化问题局部近似为易控制的二次规划(QP)，并且反复地解决，从而在θ空间中获得向着局部最优解的“步”。

使用SQP用于解决优化问题的伪代码随后可以为：

Set initial guess θ₀ (方程式2)

Repeat until||θ-θ₀||＜ε

(方程式3)

θ₀←θ

(方程式5)

其中目标函数现在成为目标函数关于点θ₀的二阶逼近，约束变为也是关于点θ₀的ne(线性+偏置)逼近。

在一些实施例中，约束被添加到更新的尺寸(例如，L_∞范数)中，并且在更新尺寸参数的每次解决迭代以后可以执行线搜索，以确定真目标函数是否真正地改进了(如果没有改进，在一些实施例中，可以增加尺寸步约束)。

SQP范例的另一个扩展能够包括即在非线性约束的位置带有补偿的序列二次规划。具体地，凸子问题表示如下：

其中，μ为惩罚权重，s为信任区域的参数控制尺寸，v、w和t为松弛变量，L为拉格朗日函数：

由于μ增加了大小，约束条件必须满足，类似于内点法中使用的步骤。具体地，此方法将目标函数修改如下：

优化函数的先前形式仅做了修改，以处理绝对值和最大函数的非线性形式。

TrajOpt(也被称为轨道优化)

在各个实施例中，TrajOpt算法(可以由运动规划器生成)能够被认为是使用障碍/接触约束的运动规划公式化的

TrajOpt算法的关键是符号距离(最小平移距离的变体)的概念。当目标相交(向量和大小为最近的点之间的距离)时符号距离为负。当目标不接触时，此值可以为正。两个凸多边形目标P和Q之间的符号距离表示为sd(P(θ),Q)，给定解决方案，我们通常将P(θ)设为机器人(车辆的)多边形(例如，表示车辆的多边形)，并且Q是障碍多边形。

计算符号距离为非线性操作，因此能够被线性化为如下形式：

是最小平移距离的标准(从汽车多边形P到障碍多边形Q)，J_p是相对于汽车多边形P上的点p的机器人雅可比矩阵。

回想起给定从配置空间到物理空间的映射随后，机器人雅可比矩阵随后被限定为：

此算法的主循环在图3中描述。

图3示出了根据本公开的示例的用于运动规划的示例过程。

在步骤310，初始猜测是θ。

●这个初始猜测可以被创建为车辆的当前姿势的级联向量——即假定车辆保持静止时的初始轨道

●这个初始猜测也可以是解决器已经生成的最后一个有效的轨道，以这样的方式进行修改，使其与车辆的当前姿势和目标一致

在步骤320，创建了具有猜测θ的问题的凸逼近。

●非线性约束可以转变为目标函数中的L1惩罚。

●还引入用于非线性约束的松弛变量(2用于每个约束，1用于每个不等式约束)。

●当前猜测的变化被绑定为最多为s。

在步骤330，解决了凸逼近(例如，图5的过程500)。

在步骤340，确定真目标函数是否关于凸逼近足够地改进。如果是，则适当地更新信任区域变量。

●如果改进足够好，则接受更新为θ←θ+d，并且扩展信任区域：s←τ+s。前进到步骤350。

●否则，使用更小的信任区域s←τ-s(线性搜索)返回到步骤330。

在步骤350，增加L1惩罚因子，过程返回到步骤320。在一些实施例中，过程可以在预定的超时停止。

在一些实施例中，如果凸子问题被满意地解决，则增加L1惩罚因子：μ←kμ，方法返回到步骤320，直到超时，或者在阈值内满足所有的约束(例如，在一些∈容限内)。

跟随运动规划的路径点

正如在此描述，运动规划器能够跟随路径点(例如，行进到可能包括目的目标的位置/点)。在一些实施例中，运动规划器提供的路径点跟随能够被限定为轨道优化问题。这些实施例中的目标的这样的公式允许来自其他系统到运动规划器的通用交互，其他系统可以包括用户界面或更高水平的决策软件。

首先，在各种实施例中，状态变量被限定为：

x＝[E，N，ψ，u_x，a_x，δ_rw]^T

(方程式11)

具体地，这些状态变量是重心位置、车辆前进方向、纵向的速度和加速度、道路轮偏转角、纵向拉力、以及道路轮偏转角的时间导数。

我们可以令全状态(在给定的时间步)被限定为z＝[x,u]。注意以下等价：N≡y_c、E≡x_c，并且运动方程式假定前进方向Ψ是将北方(y轴正向)作为0的逆时针正值。

给定时间范围T(使得t∈[0,T])在某种程度上离散，使得这里，l∈{1，...，L}可以被认为是关于给定时间步的状态变量的指数。

完整的优化向量现在能够被限定如下：

在一些实施例中，也可以引入如下约束：

●初始条件：z₁＝z_init

●边界约束：

●障碍约束：

●动态(等价约束)：

障碍约束：

图4示出了根据本公开的示例的车辆多边形410的示例图400。我们寻求在每个时间步中车辆不与任何障碍碰撞。将碰撞建模为违反不等式约束，允许将障碍规避合并到运动规划优化问题中。我们现在引入以下表示：

令Q_k，lk∈{1，...，K}指向凸障碍多边形(具有点q∈Q_k，l)，预期其位置和方向在某个时间步l上。我们随后需要AV多边形在每个时间步l上距离每个多边形某个最小的安全距离。

为了普遍性，我们假定每个多边形Q_k为给定的某种分类(例如，汽车、卡车、行人、自行车等等)。我们还假定每个多边形分类都具有一些相对于分类独特的安全距离。例如，用于行人的安全距离可能大于用于自行车的安全距离，用于自行车的安全距离大于用于卡车的安全距离，用于卡车的安全距离大于用于汽车的安全距离。

类似地，P(z_l)指向在某一时间步l的车辆的边界框，包括被添加到多边形的前方的某种依赖于速度的安全车头时距(safety headway)。为了具体化，车辆多边形被参数化为x_l、y_l、Ψ_l和u_x,l。

车辆模型：

为了提供车辆可能如何运动的近似值，可以使用车辆模型。在各种实施例中，将这样的模型合并到优化问题中确保动态可行性，意味着由优化问题生成的轨道和/或速度规划在物理上是可能用于驾驶的。

这些值没有被显式地编码为约束条件，但是而是在目标函数中被使用。这些值来自稳态转向假设。

L是前后轮的车轮轴距离的长度，K是转向梯度，C_ar是后轮胎侧偏刚度，W_r是后部重量分配，b是从重心到后车轴的距离。这些值中的每一个是特定于汽车的，并且不随时间变化，因此，在最终问题中应仅为常数。

动态等式约束

以上陈述的车辆模型能够被应用于更新方程式，方程式更具体地描述了车辆应该从一个姿势以及一组输入运动到哪一个姿势。使用以上节描述的车辆模型方程式能够确保输出的轨道的动态可行性。

广义来说，我们应用数值积分方案获得动态约束。一些直接导数链仅随时间变化，因此数值积分方法仅导致类似于泰勒展开式的动态约束：

a_x，l+1＝a_x，l+j_x，lΔl_l

(方程式20)

虽然这些动态约束是线性的，但约束的其余部分可能是这样的非线性函数：

a_y(t)＝f(δ_rw(t)，u_x(t))

(方程式23)

以上限定的导数随后能够允许使用数值积分方案对后续优化变量进行前向估计，下一节中将描述其中一个这样的示例。

计算动态约束：

在一些实施例中，可以使用一阶中点更新来计算线性等式约束。在一些实施例中，可以获得以下真等式：

其中

这些约束可以被线性化为与后面的节中的Sl1QP问题公式一致。

目标函数

需要轨道的好的数值表示以进行比较，因此，优化这样的轨道。这个表示可以被称为目标函数，目标函数可以包括与某个目标或某些目标的舒适度和满意度有关的项。

在一些实施例中，目标函数可以被限定用于优化问题。假定目的目标和标题：

W＝(N_w，E_w，ψ_w)

(方程式36)

其中，w指路径点。

在一些实施例中，目标函数可以被限定为：

其中U(u,v)被限定如下：

该方程式被这样塑造，从而对太多的速度(开得太快)比对太少的速度(开得太慢)惩罚得更多。

atan2表达式用于生成角度差异的光滑、可区分的测量(例如，用于发现|ψw-ψ_L|²而无需使用最小、最大和/或按模计算)。

用于车辆运动规划的轨道优化问题的公式

以下，示例性雅可比矩阵和海森矩阵被限定和用于障碍感知的运动规划问题的凸逼近。解决运动规划问题是高度地非凸的，因此，很难直接地解决。在直接地考虑封闭形式的障碍信息的运动规划器的实施例中，运动规划问题甚至更难解决。凸优化问题能够更容易地解决。以下限定的示例性雅可比矩阵和海森矩阵提供了用于障碍感知的运动规划的模板，所述障碍感知的运动规划将被从非常困难的非凸问题转化为一系列容易解决的凸问题，在此大致地描述了这个过程。

障碍约束

解决组合的运动规划和障碍规避问题需要是否撞到障碍的解析表达式。一些这样的解析表达式可以涉及多边形(或其他形状，例如椭圆)，所述多边形表示可以在尺寸、形状或位置上随时间变化的车辆。以下描述了代表尺寸变化的车辆的多边形的一个这样的示例的方程式。可变车辆多边形的该示例使用时间车头时距的概念来确保安全性并且模拟人类的驾驶行为。

假定给定标准的和接触点p、q，我们现在获得在给定接触点的用于机器人(例如车辆)的雅可比矩阵。

这里描述的注释可以如下：假定有某个用于车辆多边形(例如，表示为多边形的车辆)P的固定参考点被表示为p_c＝(x_c，y_c)。注意，此点也可以是QP解决方案(z_l∈θ)在每个时间步可能被收回的(E,N)。

也可以限定P表面上的接触点，表示为p＝(x_p，y_p)。

若要完全地限定用于任何前进的车辆多边形的表面上的任一点，可以使用以下“机器人/车辆运动”方程式：

x_p＝f₁(z_l)＝x_c-r_p(θ_p，u_x，l)sin(ψ+θ_p)

(方程式39)

y_p＝f₂(z_l)＝y_c+r_p(θ_p，u_x，l)cos(ψ+θ_p)

(方程式40)

其中，(r_p，θ_p)完全地限定车辆多边形的表面上的任一点，因为车辆多边形的前部由于时间车头时距而扩大，r_p是θ_p和u_x，l的函数。此外，在一些实施例中，下面的点(以θ来说)可以被限定为如下：

●θ₁：名义车辆多边形430的最左前角。

●θ₂：名义车辆多边形432的最右前角。

●θ_s：车头时距扩大的车辆多边形434的最左角。

●θ_s’：车头时距扩大的车辆多边形436的最右角。

在一些实施例中，如果如示意图400中示出的θ_p位于由于时间车头时距而变化的车辆多边形的区域中，则表达式可以为：

L′(θ_p)＝(w-w(θ_p))tan(atan2(L，w(θ_p)))

(方程式42)

其中，第一种情况对应于前表面上的点，第二种情况对应于侧表面上的点。

机器人/车辆雅可比矩阵现在可以为：

其中

在一些实施例中，符号距离的几何函数的输出通常地使(x_p，y_p)对于车辆多边形410的基本方向是不可知的，通过转换机器人/车辆运动方程式，可以改为使用以下简化式：

其中，k∈K_l是如下目标之一：这些目标在时间步l时与车辆多边形410足够近，以许可一次距离检查(设置K_l)，并且能够为在相同时间步的车辆多边形410与目标之间相关联的标准。

以上能够扩展到超过时间步(例如，持续的时间碰撞探测)。修改可以包括使用J_p，k(z_l，z_l+1)而不是雅可比矩阵，能够关于扫描体积计算标准，并且每个涉及到的时间步的雅可比矩阵都能够接收以上雅可比矩阵的缩放量。

目标雅可比矩阵

通用的非线性优化问题的凸逼近需要计算和限定目标函数的雅可比矩阵。这节导出以上描述的示例性目标函数的雅可比矩阵。

雅可比矩阵可以具有关于目标函数和距离约束的项：

其中

和上一次时间戳的项为：

应理解，在构造这些向量/矩阵时，用于前进误差的表达式能够被角度距离的最小、最大、和/或按模计算的版本代替。

动态方程式雅可比矩阵

通用非线性优化问题的凸逼近需要描述待计算和待限定的约束的函数的雅可比矩阵。本节导出在前面章节中描述的示例性的动态方程式约束的雅可比矩阵。

下面的限定可能是有用的：

非线性化动态约束方程式在凸子问题中变为线性化的：

其中

通过使用链式法则(例如，由于不适用而忽视产品法则)能够计算以上值，例如：

使用链式法则易控制地计算更高阶的数值逼近可以是可能的。

目标海森矩阵

通用非线性优化问题的凸逼近需要计算和限定目标函数的海森矩阵。本节导出前面章节中描述的示例性目标函数的海森矩阵。

目标函数的海森矩阵可以是每个时间步的块对角线，并且可以具有以下形式：

其中

方程式80的第一项是关于横向加速度的，第二项是关于纵向速度惩罚的。在一些实施例中，用于横向加速度的其他项包括：

如在此描述，可以假定变量排序为：

由于最终的路径点约束，对应于时间步L的最后一块可以具有稍微不同的形式：

最大多数的其他约束可以是线性的，并且可以直接地传递给二次规划(QP)。在一些实施例中，非线性碰撞约束能够是线性的，并且可以不具有曲率。

在一些实施例中，因为动态约束被推入目标函数中，也评估用于这些项的海森矩阵。这可以得到以下(对称)海森矩阵：

其中

H_e，l＝H_ψ，l+H_x，l+H_y，l

(方程式84)

完全SQP子问题

在一些实施例中，以下是在每个时间步(例如，过程300的步骤330)解决的完全优化问题。

为了简洁起见，d＝θ-θ₀。而且，目标雅可比矩阵和目标海森矩阵可以是：

J＝[J₁...J_l...J_L]

(方程式85)

H＝diag([H₁+H_e，1...H_l+H_e，l...H_L])

(方程式86)

为了清晰起见，以上描述的函数可以被转化为：

·_l(θ₀)＝[0 ... 0 ·_l(z_l) 0 ...0]

(方程式87)

其中·是从用于车辆运动规划一节的轨道优化问题公式导出的雅可比矩阵表达式之一，并且θ＝[z₁...z_L]。

其中μ是在SQP解决器的最外层循环中递增的L1惩罚权重。具体地，μ_k，l可以是用于不同目标(例如，折线可以被补偿小于车辆，车辆可以被补偿小于行人)的不同权重，并且μ_e，l是用于等式约束的权重，例如，对于更小的l，权重可以更大。

约束能够被总结(按顺序)如下：

●信任区域((盒)约束)

●初始条件

●线性动态等式约束(内在地线性更新)

●线性碰撞约束

●松弛变量的非负性

●状态变量范围的约束

在各种实施例中，这导致QP具有8L+6(L-1)+2L+K的参数和6(L-1)的等式约束，以及16L+K+12L的不等式约束，其中L是在范围中的时间步的数量，K是当前求解的目标数量。简化地，三元组(#参数，#等式约束，#不等式约束)变为：(16L+K-6,6L-6,28L+K)。

图5示出了根据本公开的示例的包括自动驾驶软件的自动车辆系统的示例性系统框图。车辆控制系统500能够执行自动驾驶和驾驶辅助。

系统500能够被合并到车辆中，例如消费者汽车。可以合并系统500的其他示例车辆包括(没有限制地)飞机、船舶、摩托车、机器人或工业汽车。车辆控制系统500能够包括一个或多个照相机506，所述照相机506能够捕获用于确定车辆周围的各种特征的图像数据(例如，视频数据)。车辆控制系统500也能够包括一个或多个其他传感器507(例如，雷达、超声、激光定位器等等)，所述传感器507能够探测车辆周围的各种特征(例如，使用场景的场景参数)。例如，传感器507能够被用于探测目标的出现以及目标和车辆之间的距离。全球定位系统(GPS)接收器508能够确定车辆的位置。在一些实施例中，交通信息505能够被接收(例如，通过天线)或被访问(例如，从存储器512或者内存516)，并且能够被用于确定自动驾驶路线。

车辆控制系统500能够包括一个与交通信息505、照相机506、传感器507和GPS接收器508联接的车载计算机610。车载计算机610能够从照相机、从传感器507的输出和GPS接收器508接收一个或多个交通信息、图像数据。车载计算机510能够包括存储器512、内存516、以及处理器(中央处理器(CPU))514。CPU514能够执行存储在存储器512和/或内存514中的自动驾驶软件。例如，CPU514能够处理交通信息、图像数据、传感器输出和GPS输出，并且随即做出驾驶决策。例如，处理能够包括探测和跟踪环境中的目标、跟踪车辆参数(例如，里程表、位置)、导航规划、车道选择/更改规划、运动规划、确定自动驾驶命令等等。此外，存储器512和/或内存516能够存储用于执行以上处理的数据和指令。存储器512和/或内存516能够为任何非暂时的计算机可读存储介质，例如，在其他可能中的固态硬盘、硬盘驱动器、或随机访问内存(RAM)。

车辆控制系统500还能够包括基于从处理器接收到的自动驾驶命令控制车辆操作的一个或多个方面的控制器520。在一些示例中，车辆控制系统500能够连接至(例如，经由控制器520)车辆中的一个或多个致动器系统530以及车辆中的一个或多个指示器系统540。所述一个或多个致动器系统530能够包括但不局限于发动机531或引擎532、电池系统533、传动装置534、悬挂装置535、刹车536、转向系统537、以及门系统538。在车辆操作过程中，车辆控制系统500能够经由控制器520控制一个或多个这些致动器系统630；例如，使用门致动系统538打开或关闭一个或多个车门，在自动驾驶或停车操作过程中，使用发动机531或引擎532、电池系统533、传动装置534、悬挂装置535、刹车536和/或转向系统537等等控制车辆。一个或多个指示器系统540能够包括但不局限于车辆中的一个或多个灯542、车辆中的一个或多个触觉致动器544(例如，作为车辆中的转向轮或座位的部分)、以及一个或多个娱乐信息节目系统545(例如，向用户提供娱乐和/或信息)。车辆控制系统500能够经由控制器520控制这些指示器系统640中的一个或多个，以向车辆的用户提供指示。

此外，车辆控制系统500能够包括一个决策器550、以及一个运动规划器560。如在此描述，决策器550和运动规划器560可以互相协调工作，以创建运动规划(例如，轨道和/或速度)。在一些实施例中，可以通过运动规划器560执行包括过程300的在此描述的过程。在一些实施例中，决策器550和运动规划器560也可以被包括在车载计算机510中。

虽然本公开的示例已经被关于附图完全地描述，应注意，各种变动和改动对于本领域的技术人员将是明显的。应理解，这些变动和改动包括在本公开的示例的范围内，由附加的权利要求所限定。

Claims

1.一种系统，包括：

一个或多个处理器；以及

包括指令的内存，当所述指令被所述一个或多个处理器执行时，引起所述一个或多个处理器执行方法，所述方法包括：

接收车辆的姿势、目的目标和障碍；

从所述姿势、所述目的目标和所述障碍导出约束；

至少部分基于所述约束凸性化问题；

至少部分基于所述问题的凸性化生成轨道；

至少部分基于所述轨道使得车辆行进。

2.根据权利要求1所述的系统，其中，所述方法还包括：

基于所述车辆的姿势的级联向量检索初始猜测。

3.根据权利要求2所述的系统，其中，所述凸性化问题包括：

在目标函数中将非线性约束转为惩罚；以及

引入用于所述非线性约束的松弛变量。

4.根据权利要求3所述的系统，其中，所述方法还包括：

确定真目标函数关于所述凸性化问题的结果是否足够地改进；

如果所述真目标函数足够地改进，则相应地更新真区域变量；以及

如果所述真目标函数没有足够地改进，则减小真区域。

5.根据权利要求4所述的系统，其中，所述方法还包括增加所述惩罚。

6.根据权利要求1所述的系统，其中，所述方法还包括生成所述轨道的良好程度的数字表示。

7.根据权利要求6所述的系统，其中，所述表示包括目标函数。

8.根据权利要求7所述的系统，其中，所述目标函数包括关于所述目的目标的舒适度和满意度的项。