CN108692734A - 一种路径规划方法和装置 - Google Patents
一种路径规划方法和装置 Download PDFInfo
- Publication number
- CN108692734A CN108692734A CN201810157756.5A CN201810157756A CN108692734A CN 108692734 A CN108692734 A CN 108692734A CN 201810157756 A CN201810157756 A CN 201810157756A CN 108692734 A CN108692734 A CN 108692734A
- Authority
- CN
- China
- Prior art keywords
- path
- score
- planning
- gradient
- automatic driving
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000009795 derivation Methods 0.000 claims description 6
- 230000004888 barrier function Effects 0.000 abstract description 15
- 238000012545 processing Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/04—Traffic conditions
-
- 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
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- 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
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0029—Mathematical model of the driver
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/865—Combination of radar systems with lidar systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
Abstract
本发明公开一种自动驾驶车辆的路径规划方法和装置,用以解决现有技术中自动驾驶车辆无法实时有效的避开动态障碍物、实现安全驾驶的问题。该方法包括:根据预先建立的路径规划模型和物体数据,生成第一路径;根据预定的打分模型和物体数据对第一路径进行打分,确定得到第一路径分数;确定第一路径的梯度;根据第一路径的梯度、路径规划模型和物体数据,生成第二路径;根据打分模型对第二路径进行打分,得到第二路径分数;判断第一路径分数和第二路径分数之间的差值是否小于预定的差值阈值,在判断小于的情况下,确定第二路径为规划路径;输出规划路径包括的多个路径点。
Description
技术领域
本发明涉及智能交通领域,特别涉及一种路径规划方法和装置。
背景技术
在现有技术中,自动驾驶车辆(或者称为无人驾驶车辆)通常沿着一条计算出来的驾驶路线行驶。当障碍物出现在计算出来的驾驶路线上时,自动驾驶车辆需要通过避障控制来实时地改变驾驶路线,实现安全驾驶。
在现有技术中,为了避开静态障碍物,避障控制将运动距离上的空间信息(例如坐标、方位角、曲率等)表达为一个数学表达式。但是,当动态物体出现在驾驶路线上时,自动驾驶车辆可能无法准确的预测出是否会与动态障碍物相碰撞。并且通过现有避开静态障碍物的方法来实现避开动态障碍物,将导致计算量非常大,无法应用在实时的环境中。
可见,在现有技术中存在自动驾驶车辆无法实时有效的避开动态障碍物、实现安全驾驶的问题。
发明内容
有鉴于此,本发明提供一种自动驾驶车辆的路径规划方法和装置,用以解决现有技术中自动驾驶车辆无法实时有效的避开动态障碍物、实现安全驾驶的问题。
根据本申请的一个方面,提供了一种路径规划方法,包括:
自动驾驶车辆在检测到驾驶路径上出现至少一个动态物体时,根据车载感测装置获取的感测数据确定物体数据,其中,物体数据中包括自动驾驶车辆的当前位置和当前速度,和至少一个动态物体的当前位置和当前速度;
根据预先建立的路径规划模型和物体数据,生成第一路径;
根据预定的打分模型和物体数据对第一路径进行打分,确定得到第一路径分数;
确定第一路径的梯度;
根据第一路径的梯度、路径规划模型和物体数据,生成第二路径;
根据打分模型对第二路径进行打分,得到第二路径分数;
判断第一路径分数和第二路径分数之间的差值是否小于预定的差值阈值,在判断小于的情况下,确定第二路径为规划路径;
输出规划路径包括的多个路径点。
根据本申请的另一个方面,提供了一种路径规划装置,位于自动驾驶车辆中,包括:
数据确定模块,用于在自动驾驶车辆检测到驾驶路径上出现至少一个动态物体时,根据车载感测装置获取的感测数据确定物体数据,其中,物体数据中包括自动驾驶车辆的当前位置和当前速度,和至少一个动态物体的当前位置和当前速度;
路径规划模块,用于根据预先建立的路径规划模型和物体数据,生成第一路径;根据预定的打分模型和物体数据对第一路径进行打分,确定得到第一路径分数;确定第一路径的梯度;根据第一路径的梯度、路径规划模型和物体数据,生成第二路径;根据打分模型对第二路径进行打分,得到第二路径分数;判断第一路径分数和第二路径分数之间的差值是否小于预定的差值阈值,在判断小于的情况下,确定第二路径为规划路径;
输出模块,用于输出规划路径包括的多个路径点。
根据本申请的另一个方面,提供了一种路径规划装置,位于自动驾驶车辆中,包括:一个处理器和至少一个存储器,至少一个存储器中存储有至少一条机器可执行指令,处理器执行至少一条机器可执行指令实现:
在自动驾驶车辆检测到驾驶路径上出现至少一个动态物体时,根据车载感测装置获取的感测数据确定物体数据,其中,物体数据中包括自动驾驶车辆的当前位置和当前速度,和至少一个动态物体的当前位置和当前速度;
根据预先建立的路径规划模型和物体数据,生成第一路径;
根据预定的打分模型和物体数据对第一路径进行打分,确定得到第一路径分数;
确定第一路径的梯度;
根据第一路径的梯度、路径规划模型和物体数据,生成第二路径;
根据打分模型对第二路径进行打分,得到第二路径分数;
判断第一路径分数和第二路径分数之间的差值是否小于预定的差值阈值,在判断小于的情况下,确定第二路径为规划路径;
输出规划路径包括的多个路径点。
根据本申请实施例的技术方案,根据将自动驾驶车辆的位置和速度、以及动态物体的位置和速度,输入到预定的路径规划模型中,确定得到自动驾驶车辆的第一路径,并且根据第一路径的梯度和路径规划模型确定得到第二路径,从而能够在实时应用的场景中快速高效地确定得到规划路径,能够解决现有技术中自动驾驶车辆无法实时有效的避开动态障碍物的问题。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1a为本申请实施例提供的路径规划方法的处理流程图;
图1b为本申请实施例提供的路径规划方法的另一处理流程图;
图2为图1a中步骤102生成第一路径的示意图;
图3为图1a中步骤104确定第一路径的梯度的示意图;
图4为图1a或者图1b中步骤105确定第二路径的示意图;
图5为本申请实施例提供的路径规划方法的另一处理流程图;
图6为本申请实施例提供的路径规划装置的结构框图;
图7为本申请实施例提供的路径规划装置的另一结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
在当前自动驾驶车辆的决策系统中,通常会为自动驾驶车辆规划出一条驾驶路径,自动驾驶车辆沿着这条计算出来的驾驶路线行驶。当障碍物出现在计算出来的驾驶路线上时,自动驾驶车辆需要通过避障控制来实时地改变驾驶路线,实现安全驾驶。为了避开静态障碍物,避障决策将运动距离上的空间信息(例如坐标、方位角、曲率等)表达为一个数学表达式。但是,当动态物体出现在驾驶路线上时,自动驾驶车辆可能无法准确的预测出是否会与动态障碍物相碰撞。并且通过现有避开静态障碍物的方法来实现避开动态障碍物,将导致计算量非常大,无法应用在实时的环境中。
本申请实施例提供了一种路径规划方法和装置,用于解决现有技术中自动驾驶车辆无法实时有效的避开动态障碍物、实现安全驾驶的问题。在本申请实施例提供的技术方案中,根据感测数据确定得到包括自动驾驶车辆和动态物体的位置和速度的物体数据,根据物体数据和预设的路径规划模型确定得到自动驾驶车辆的第一路径;根据预设的打分模型对第一路径进行打分,确定第一路径的梯度,根据第一路径的梯度修改路径规划模型中的至少一个参数,根据修改后的路径规划模型和物体参数生成第二路径,根据打分模型对第二路径进行打分,在第一路径分数和第二路径分数的差值小于预定的差值阈值的情况下,确定第二路径为最终的规划路径,并输出规划路径包括的多个路径点。
从而,本申请实施例能够根据将自动驾驶车辆的位置和速度、以及动态物体的位置和速度,输入到预定的路径规划模型中,映射得到自动驾驶车辆的第一路径,并且利用梯度下降方法对路径规划模型进行修正,根据修正后的路径规划模块映射得到更优的第二路径,能够快速地得到较优的规划路径,从而能够实时、快速、高效地确定得到规划路径,能够解决现有技术中自动驾驶车辆无法实时有效的避开动态障碍物的问题。
以上是本发明的核心思想,为了使本技术领域的人员更好地理解本发明实施例中的技术方案,并使本发明实施例的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明实施例中技术方案作进一步详细的说明。
图1a中示出了本申请实施例提供的路径规划方法的处理流程,该处理流程包括:
步骤101、自动驾驶车辆在检测到驾驶路径上出现至少一个动态物体时,根据车载感测装置获取的感测数据确定物体数据,其中,物体数据中包括自动驾驶车辆的当前位置和当前速度,和至少一个动态物体的当前位置和当前速度。
其中,感测数据是车载传感器系统获取得到的数据,包括摄像头数据和/或其它多种传感器数据,例如激光雷达获取的点云数据。对感测数据进行分析和处理,能够得到关于自动驾驶车辆的当前位置和当前速度,以及车辆的行驶路径上的动态物体的当前位置和当前速度。
步骤102、根据预先建立的路径规划模型和物体数据,生成第一路径。
按照现有的相关技术,要为自动驾驶车辆规划出一条躲避驾驶路径上的动态物体的路径,通常包括:分别为每一个动态物体预测出一条运动路径,得到与至少一个动态物体对应的至少一条动态物体运动路径;自动驾驶车辆的当前位置和当前速度,生成车辆路径,车辆路径与至少一条动态物体运动路径不相交。但是显然这样的处理过程需要分别对每一个动态物体进行预测和计算,需要大量的计算资源,并带来较大的计算量,以及在实时应用的场景中可能会带来延时,无法适应在对实时性要求较高的场景中。
在本申请实施例中,预先根据车辆实际运行中的物体数据、并基于学习的方法训练得到路径规划模型,车辆实际运行中的物体数据例如包括车辆的行为(包括刹车操作、油门操作和转向操作)、车辆的位置和速度、动态物体的位置和速度、以及车辆的实际驾驶路径等的相关数据。建立路径规划模型也即建立物体数据和路径之间的对应关系。
从而能够根据路径规划模型,将实际应用中的物体数据作为输入,就能映射得到为车辆规划的第一路径。能够有效地降低计算量、提供计算效率和速度,能够适用于实时的应用场景中。
在本申请实施例中,可以将路径规划模型表示为P(u,v,w),第一路径表示为P1(x,y),将物体数据输入到路径规划模型P(u,v,w)中,可确定得到第一路径P1(x,y)。其中,u为刹车变量,u=f(x,y,s),v为油门变量,v=f(x,y,s),w为转向变量,w=f(x,y,s),y=f(x),x为自动驾驶车辆或者动态物体的当前位置的横坐标,y为自动驾驶车辆或者动态物体的当前位置的纵坐标,s为自动驾驶车辆的当前速度或者动态物体的当前速度。
如图2所示,车辆1为应用本申请实施例的自动驾驶车辆,车辆1行驶在车道2上,驾驶路径为沿车道2直行。车辆2为检测到的出现在车辆的驾驶路径上的动态物体,也即车辆2为障碍车辆。车辆1为了躲避车辆2应用本申请实施例提供的方法,规划出来第一路径,即P1,P1为车辆1从车道2上转向到车道3上、并从车道3上超越车辆2回到车道2上的一条路径,P1中包括多个路径点。
步骤103、根据预定的打分模型和物体数据对第一路径进行打分,确定得到第一路径分数。
在步骤102中得到的第一路径不一定是一条较优或者最优的路径,可以通过对第一路径进行打分,通过分数来衡量第一路径是否是最后规划得到的路径。
在本申请的实施例中,打分模型可以是预先根据避开动态物体的需求而设定的,或者通过实际的车辆实际运行的物体数据、并基于学习的方法而训练得到的。
在本申请的实施例中,预定的打分模型可表示为S(d,Se),其中,d为自动驾驶车辆与动态物体之间的距离,d=f(P1),Se为自动驾驶车辆的当前速度。
在确定第一路径的分数时,将第一路径P1和物体数据中自动驾驶车辆的当前速度输入到预定的打分模型S(d,Se)中,确定得到第一路径分数。
步骤104、确定第一路径的梯度。
本申请实施例进一步确定第一路径的梯度。第一路段的梯度能够表示第一路径趋向更优、增长更快的一个方向。也即第一路径还可以在梯度方向上进行修正,得到更优的一条路径。
具体地,可以对第一路径P1(x,y)求导得到第一路径P1的梯度x’,其中,y=f(x)。
例如,如图3所示,第一路径P1的梯度可以如图中各个路径点的箭头方向所示。
步骤105、根据第一路径的梯度、路径规划模型和物体数据,生成第二路径。
在一些实施例中,如图1b所示,步骤105可以包括如下步骤105a~105b:
步骤105a、根据第一路径的梯度修改路径规划模型的至少一个参数。
步骤105b、根据修改后的路径规划模型和物体数据生成第二路径。
得到第一路径的梯度后,可以根据该梯度来修正路径规划模型中的至少一个参数,也即通过修正路径规划模型来得到一个更优的物体数据和路径之间的映射关系,根据更优的映射关系能够得到更优的输出路径。
在本申请实施例中,可以根据公式new_Q=Q-ax’确定路径规划模型中修改后的参数,Q为u、v或者w。在具体的应用中,可以对路径规划模型中的部分参数进行修改,也可以对全部参数进行修改。
根据修正后的路径规划模块生成第二路径的处理参考上述步骤102中的处理。
例如,如图4所示,根据第一路径的梯度修改后的第二路径P2如图4中虚线所示。
步骤106、根据打分模型对第二路径进行打分,得到第二路径分数。
对第二路径进行打分的处理可以参考上述步骤103中的处理。
步骤107、判断第一路径分数和第二路径分数之间的差值是否小于预定的差值阈值,在判断小于的情况下,处理进行到步骤108a;在第一路径分数和第二路径分数大于或等于预定阈值的情况下,处理进行到108b;
步骤108a、确定第二路径为规划路径,处理进行到步骤109。
步骤108b、将第二路径确定为新的第一路径,处理返回步骤104,并生成新的第二路径,直至确定出规划路径。
也即,在第一路径分数和第二路径分数之间的差值小于预定的差值阈值的情况下,可以认为第二路径是一条较优的路径,从而确定第二路径为规划路径;
在第一路径分数和第二路径分数之间的差值大于或等于预定的差值阈值的情况下,可以认为第二路径不是一条较优的路径,可以对路径进行进一步优化,从而将第二路径确定为第一路径,并进一步确定新的第二路径,直至确定得到规划路径。
步骤109、输出规划路径包括的多个路径点。
根据本申请实施例的技术方案,根据将自动驾驶车辆的位置和速度、以及动态物体的位置和速度,输入到预定的路径规划模型中,确定得到自动驾驶车辆的第一路径,并且利用梯度下降法对路径规划模型进行修正,确定得到更优的第二路径,从而能够在实时应用的场景中快速高效地确定得到规划路径,能够解决现有技术中自动驾驶车辆无法实时有效的避开动态障碍物的问题。
在本申请的另一些实施例中,还提供了另一种路径规划的方法,该方法在图1b所示方法的基础上,在步骤103确定第一路径分数之后,还对第一路径分数进行对比判断,在第一路径分数大于或等于预定的分数阈值的情况下,即可确定第一路径为规划路径。如图5所示,该方法包括:
步骤101、自动驾驶车辆在检测到驾驶路径上出现至少一个动态物体时,根据车载感测装置获取的感测数据确定物体数据,其中,物体数据中包括自动驾驶车辆的当前位置和当前速度,和至少一个动态物体的当前位置和当前速度。
步骤102、根据预先建立的路径规划模型和物体数据,生成第一路径。
步骤103、根据预定的打分模型和物体数据对第一路径进行打分,确定得到第一路径分数。
步骤103a、判断第一路径的分数是否大于预定的分数阈值,在判断大于的情况下,处理进行到步骤103b,在判断小于或等于的情况下,处理进行到步骤104。
步骤103b、确定第一路径为规划路径,处理进行到步骤109。
步骤104、确定第一路径的梯度。
步骤105a、根据第一路径的梯度修改路径规划模型的至少一个参数。
步骤105b、根据修改后的路径规划模型和物体数据生成第二路径。
步骤106、根据打分模型对第二路径进行打分,得到第二路径分数。
步骤107、判断第一路径分数和第二路径分数之间的差值是否小于预定的差值阈值,在判断小于的情况下,处理进行到步骤108a;在第一路径分数和第二路径分数大于或等于预定阈值的情况下,处理进行到步骤108b。
步骤108a、确定第二路径为规划路径。
步骤108b、将第二路径确定为新的第一路径,处理返回步骤103a,并生成新的第二路径,直至确定出规划路径。
步骤109、输出规划路径包括的多个路径点。
根据图5提供的技术方案,在步骤103a中判断第一路径的分数是否大于预定分数阈值,在大于的情况下,即将第一路径确定为规划路径,也即第一路径即是一条较优的路径了,即可确定第一路径为规划路径,从而能够更为快速地确定得到规划路径。
基于相同的发明构思,本申请实施例还提供了一种路径规划装置。
图6示出了本申请实施例提供的路径规划装置的结构,图6所示的路径规划装置位于自动驾驶车辆中,包括:
数据确定模块61,用于在自动驾驶车辆检测到驾驶路径上出现至少一个动态物体时,根据车载感测装置获取的感测数据确定物体数据,其中,物体数据中包括自动驾驶车辆的当前位置和当前速度,和至少一个动态物体的当前位置和当前速度。
路径规划模块62,用于根据预先建立的路径规划模型和物体数据,生成第一路径;根据预定的打分模型和物体数据对第一路径进行打分,确定得到第一路径分数;确定第一路径的梯度;根据第一路径的梯度、路径规划模型和物体数据,生成第二路径;根据打分模型对第二路径进行打分,得到第二路径分数;判断第一路径分数和第二路径分数之间的差值是否小于预定的差值阈值,在判断小于的情况下,确定第二路径为规划路径;在第一路径分数和第二路径分数大于或等于预定阈值的情况下,将第二路径确定为新的第一路径,并生成新的第二路径,直至确定出规划路径。
输出模块63,用于输出规划路径包括的多个路径点。
其中,路径规划模块62生成第一路径,包括:将物体数据输入到路径规划模型P(u,v,w)中,确定得到第一路径P1(x,y),其中,u为刹车变量,u=f(x,y,s),v为油门变量,v=f(x,y,s),w为转向变量,w=f(x,y,s),y=f(x),x为自动驾驶车辆或者动态物体的当前位置的横坐标,y为自动驾驶车辆或者动态物体的当前位置的纵坐标,s为自动驾驶车辆的当前速度或者动态物体的当前速度。
路径规划模块62根据预定的打分模型和物体数据对第一路径进行打分,确定得到第一路径分数,包括:将第一路径P1和物体数据中自动驾驶车辆的当前速度输入到预定的打分模型S(d,Se)中,确定得到第一路径分数,其中,d为自动驾驶车辆与动态物体之间的距离,d=f(P1),Se为自动驾驶车辆的当前速度。
路径规划模块62确定第一路径的梯度,包括:对第一路径P1(x,y)求导得到第一路径P1的梯度x’,其中,y=f(x)。
路径规划模块62根据第一路径的梯度、路径规划模型和物体数据,生成第二路径,包括:根据第一路径的梯度修改路径规划模型的至少一个参数;根据修改后的路径规划模型和物体数据生成第二路径。
路径规划模块62根据第一路径的梯度修改路径规划模型的至少一个参数,包括:根据公式new_Q=Q-ax’确定修改后的参数,Q为u、v或者w。
根据本申请实施例的技术方案,根据将自动驾驶车辆的位置和速度、以及动态物体的位置和速度,输入到预定的路径规划模型中,确定得到自动驾驶车辆的第一路径,并且利用梯度下降法对路径规划模型进行修正,确定得到更优的第二路径,从而能够在实时应用的场景中快速高效地确定得到规划路径,能够解决现有技术中自动驾驶车辆无法实时有效的避开动态障碍物的问题。
在本申请的另一些实施例中,路径规划模块62在确定得到第一路径分数之后,还用于:在第一路径分数大于预定的分数阈值的情况下,确定第一路径为规划路径;则,确定第一路径的梯度包括:在第一路径分数小于或等于分数阈值的情况下,确定第一路径的梯度。根据该技术方案,能够更为快速地确定得到规划路径。
基于相同的发明构思,本申请实施例还提供了一种路径规划装置。
图7示出了本申请实施例提供的路径规划装置的结构,该装置位于自动驾驶车辆中,包括:一个处理器71和至少一个存储器72,至少一个存储器72中存储有至少一条机器可执行指令,处理器71执行至少一条机器可执行指令实现:
在自动驾驶车辆检测到驾驶路径上出现至少一个动态物体时,根据车载感测装置获取的感测数据确定物体数据,其中,物体数据中包括自动驾驶车辆的当前位置和当前速度,和至少一个动态物体的当前位置和当前速度。
根据预先建立的路径规划模型和物体数据,生成第一路径;根据预定的打分模型和物体数据对第一路径进行打分,确定得到第一路径分数;确定第一路径的梯度;根据第一路径的梯度、路径规划模型和物体数据,生成第二路径;根据打分模型对第二路径进行打分,得到第二路径分数;判断第一路径分数和第二路径分数之间的差值是否小于预定的差值阈值,在判断小于的情况下,确定第二路径为规划路径;在第一路径分数和第二路径分数大于或等于预定阈值的情况下,将第二路径确定为新的第一路径,并生成新的第二路径,直至确定出规划路径。
输出规划路径包括的多个路径点。
其中,处理器71执行至少一条机器可执行指令实现生成第一路径,包括:将物体数据输入到路径规划模型P(u,v,w)中,确定得到第一路径P1(x,y),其中,u为刹车变量,u=f(x,y,s),v为油门变量,v=f(x,y,s),w为转向变量,w=f(x,y,s),y=f(x),x为自动驾驶车辆或者动态物体的当前位置的横坐标,y为自动驾驶车辆或者动态物体的当前位置的纵坐标,s为自动驾驶车辆的当前速度或者动态物体的当前速度。
处理器71执行至少一条机器可执行指令实现根据预定的打分模型和物体数据对第一路径进行打分,确定得到第一路径分数,包括:将第一路径P1和物体数据中自动驾驶车辆的当前速度输入到预定的打分模型S(d,Se)中,确定得到第一路径分数,其中,d为自动驾驶车辆与动态物体之间的距离,d=f(P1),Se为自动驾驶车辆的当前速度。
处理器71执行至少一条机器可执行指令实现确定第一路径的梯度,包括:对第一路径P1(x,y)求导得到第一路径P1的梯度x’,其中,y=f(x)。
处理器71执行至少一条机器可执行指令实现根据第一路径的梯度、路径规划模型和物体数据,生成第二路径,包括:根据第一路径的梯度修改路径规划模型的至少一个参数;根据修改后的路径规划模型和物体数据生成第二路径。
处理器71执行至少一条机器可执行指令实现根据第一路径的梯度修改路径规划模型的至少一个参数,包括:根据公式new_Q=Q-ax’确定修改后的参数,Q为u、v或者w。
根据本申请实施例的技术方案,根据将自动驾驶车辆的位置和速度、以及动态物体的位置和速度,输入到预定的路径规划模型中,确定得到自动驾驶车辆的第一路径,并且利用梯度下降法对路径规划模型进行修正,确定得到更优的第二路径,从而能够在实时应用的场景中快速高效地确定得到规划路径,能够解决现有技术中自动驾驶车辆无法实时有效的避开动态障碍物的问题。
在本申请的另一些实施例中,处理器71执行至少一条机器可执行指令实现在确定得到第一路径分数之后,还包括:在第一路径分数大于预定的分数阈值的情况下,确定第一路径为规划路径;处理器执行至少一条机器可执行指令实现确定第一路径的梯度包括:在第一路径分数小于或等于分数阈值的情况下,确定第一路径的梯度。根据该技术方案,能够更为快速地确定得到规划路径。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (24)
1.一种路径规划方法,其特征在于,包括:
自动驾驶车辆在检测到驾驶路径上出现至少一个动态物体时,根据车载感测装置获取的感测数据确定物体数据,其中,物体数据中包括自动驾驶车辆的当前位置和当前速度,和至少一个动态物体的当前位置和当前速度;
根据预先建立的路径规划模型和物体数据,生成第一路径;
根据预定的打分模型和物体数据对第一路径进行打分,确定得到第一路径分数;
确定第一路径的梯度;
根据第一路径的梯度、路径规划模型和物体数据,生成第二路径;
根据打分模型对第二路径进行打分,得到第二路径分数;
判断第一路径分数和第二路径分数之间的差值是否小于预定的差值阈值,在判断小于的情况下,确定第二路径为规划路径;
输出规划路径包括的多个路径点。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在第一路径分数和第二路径分数大于或等于预定阈值的情况下,将第二路径确定为新的第一路径,并生成新的第二路径,直至确定出规划路径。
3.根据权利要求1所述的方法,其特征在于,生成第一路径,包括:
将物体数据输入到路径规划模型P(u,v,w)中,确定得到第一路径P1(x,y),其中,u为刹车变量,u=f(x,y,s),v为油门变量,v=f(x,y,s),w为转向变量,w=f(x,y,s),y=f(x),x为自动驾驶车辆或者动态物体的当前位置的横坐标,y为自动驾驶车辆或者动态物体的当前位置的纵坐标,s为自动驾驶车辆的当前速度或者动态物体的当前速度。
4.根据权利要求3所述的方法,其特征在于,根据预定的打分模型和物体数据对第一路径进行打分,确定得到第一路径分数,包括:
将第一路径P1和物体数据中自动驾驶车辆的当前速度输入到预定的打分模型S(d,Se)中,确定得到第一路径分数,其中,d为自动驾驶车辆与动态物体之间的距离,d=f(P1),Se为自动驾驶车辆的当前速度。
5.根据权利要求3所述的方法,其特征在于,确定第一路径的梯度,包括:
对第一路径P1(x,y)求导得到第一路径P1的梯度x’,其中,y=f(x)。
6.根据权利要求5所述的方法,其特征在于,根据第一路径的梯度、路径规划模型和物体数据,生成第二路径,包括:
根据第一路径的梯度修改路径规划模型的至少一个参数;
根据修改后的路径规划模型和物体数据生成第二路径。
7.根据权利要求6所述的方法,其特征在于,根据第一路径的梯度修改路径规划模型的至少一个参数,包括:
根据公式new_Q=Q-ax’确定修改后的参数,Q为u、v或者w。
8.根据权利要求1所述的方法,其特征在于,在确定得到第一路径分数之后,所述方法还包括:
在第一路径分数大于预定的分数阈值的情况下,确定第一路径为规划路径;
确定第一路径的梯度包括:
在第一路径分数小于或等于分数阈值的情况下,确定第一路径的梯度。
9.一种路径规划装置,其特征在于,位于自动驾驶车辆中,包括:
数据确定模块,用于在自动驾驶车辆检测到驾驶路径上出现至少一个动态物体时,根据车载感测装置获取的感测数据确定物体数据,其中,物体数据中包括自动驾驶车辆的当前位置和当前速度,和至少一个动态物体的当前位置和当前速度;
路径规划模块,用于根据预先建立的路径规划模型和物体数据,生成第一路径;根据预定的打分模型和物体数据对第一路径进行打分,确定得到第一路径分数;确定第一路径的梯度;根据第一路径的梯度、路径规划模型和物体数据,生成第二路径;根据打分模型对第二路径进行打分,得到第二路径分数;判断第一路径分数和第二路径分数之间的差值是否小于预定的差值阈值,在判断小于的情况下,确定第二路径为规划路径;
输出模块,用于输出规划路径包括的多个路径点。
10.根据权利要求9所述的装置,其特征在于,路径规划模块还用于:
在第一路径分数和第二路径分数大于或等于预定阈值的情况下,将第二路径确定为新的第一路径,并生成新的第二路径,直至确定出规划路径。
11.根据权利要求9所述的装置,其特征在于,路径规划模块生成第一路径,包括:
将物体数据输入到路径规划模型P(u,v,w)中,确定得到第一路径P1(x,y),其中,u为刹车变量,u=f(x,y,s),v为油门变量,v=f(x,y,s),w为转向变量,w=f(x,y,s),y=f(x),x为自动驾驶车辆或者动态物体的当前位置的横坐标,y为自动驾驶车辆或者动态物体的当前位置的纵坐标,s为自动驾驶车辆的当前速度或者动态物体的当前速度。
12.根据权利要求11所述的装置,其特征在于,路径规划模块根据预定的打分模型和物体数据对第一路径进行打分,确定得到第一路径分数,包括:
将第一路径P1和物体数据中自动驾驶车辆的当前速度输入到预定的打分模型S(d,Se)中,确定得到第一路径分数,其中,d为自动驾驶车辆与动态物体之间的距离,d=f(P1),Se为自动驾驶车辆的当前速度。
13.根据权利要求11所述的装置,其特征在于,路径规划模块确定第一路径的梯度,包括:
对第一路径P1(x,y)求导得到第一路径P1的梯度x’,其中,y=f(x)。
14.根据权利要求13所述的装置,其特征在于,路径规划模块根据第一路径的梯度、路径规划模型和物体数据,生成第二路径,包括:
根据第一路径的梯度修改路径规划模型的至少一个参数;
根据修改后的路径规划模型和物体数据生成第二路径。
15.根据权利要求14所述的装置,其特征在于,路径规划模块根据第一路径的梯度修改路径规划模型的至少一个参数,包括:
根据公式new_Q=Q-ax’确定修改后的参数,Q为u、v或者w。
16.根据权利要求9所述的装置,其特征在于,路径规划模块在确定得到第一路径分数之后,还用于:
在第一路径分数大于预定的分数阈值的情况下,确定第一路径为规划路径;
则,确定第一路径的梯度包括:
在第一路径分数小于或等于分数阈值的情况下,确定第一路径的梯度。
17.一种路径规划装置,其特征在于,位于自动驾驶车辆中,包括:一个处理器和至少一个存储器,至少一个存储器中存储有至少一条机器可执行指令,处理器执行至少一条机器可执行指令实现:
在自动驾驶车辆检测到驾驶路径上出现至少一个动态物体时,根据车载感测装置获取的感测数据确定物体数据,其中,物体数据中包括自动驾驶车辆的当前位置和当前速度,和至少一个动态物体的当前位置和当前速度;
根据预先建立的路径规划模型和物体数据,生成第一路径;
根据预定的打分模型和物体数据对第一路径进行打分,确定得到第一路径分数;
确定第一路径的梯度;
根据第一路径的梯度、路径规划模型和物体数据,生成第二路径;
根据打分模型对第二路径进行打分,得到第二路径分数;
判断第一路径分数和第二路径分数之间的差值是否小于预定的差值阈值,在判断小于的情况下,确定第二路径为规划路径;
输出规划路径包括的多个路径点。
18.根据权利要求17所述的装置,其特征在于,处理器执行至少一条机器可执行指令还实现:
在第一路径分数和第二路径分数大于或等于预定阈值的情况下,将第二路径确定为新的第一路径,并生成新的第二路径,直至确定出规划路径。
19.根据权利要求17所述的装置,其特征在于,处理器执行至少一条机器可执行指令实现生成第一路径,包括:
将物体数据输入到路径规划模型P(u,v,w)中,确定得到第一路径P1(x,y),其中,u为刹车变量,u=f(x,y,s),v为油门变量,v=f(x,y,s),w为转向变量,w=f(x,y,s),y=f(x),x为自动驾驶车辆或者动态物体的当前位置的横坐标,y为自动驾驶车辆或者动态物体的当前位置的纵坐标,s为自动驾驶车辆的当前速度或者动态物体的当前速度。
20.根据权利要求19所述的装置,其特征在于,处理器执行至少一条机器可执行指令实现根据预定的打分模型和物体数据对第一路径进行打分,确定得到第一路径分数,包括:
将第一路径P1和物体数据中自动驾驶车辆的当前速度输入到预定的打分模型S(d,Se)中,确定得到第一路径分数,其中,d为自动驾驶车辆与动态物体之间的距离,d=f(P1),Se为自动驾驶车辆的当前速度。
21.根据权利要求19所述的装置,其特征在于,处理器执行至少一条机器可执行指令实现确定第一路径的梯度,包括:
对第一路径P1(x,y)求导得到第一路径P1的梯度x’,其中,y=f(x)。
22.根据权利要求21所述的装置,其特征在于,处理器执行至少一条机器可执行指令实现根据第一路径的梯度、路径规划模型和物体数据,生成第二路径,包括:
根据第一路径的梯度修改路径规划模型的至少一个参数;
根据修改后的路径规划模型和物体数据生成第二路径。
23.根据权利要求22所述的装置,其特征在于,处理器执行至少一条机器可执行指令实现根据第一路径的梯度修改路径规划模型的至少一个参数,包括:
根据公式new_Q=Q-ax’确定修改后的参数,Q为u、v或者w。
24.根据权利要求17所述的装置,其特征在于,处理器执行至少一条机器可执行指令实现在确定得到第一路径分数之后,还包括:
在第一路径分数大于预定的分数阈值的情况下,确定第一路径为规划路径;
处理器执行至少一条机器可执行指令实现确定第一路径的梯度包括:
在第一路径分数小于或等于分数阈值的情况下,确定第一路径的梯度。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/481,877 US10710592B2 (en) | 2017-04-07 | 2017-04-07 | System and method for path planning of autonomous vehicles based on gradient |
USUS15/481,877 | 2017-04-07 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108692734A true CN108692734A (zh) | 2018-10-23 |
CN108692734B CN108692734B (zh) | 2020-07-07 |
Family
ID=63710887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810157756.5A Active CN108692734B (zh) | 2017-04-07 | 2018-02-24 | 一种路径规划方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (3) | US10710592B2 (zh) |
CN (1) | CN108692734B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934164A (zh) * | 2019-03-12 | 2019-06-25 | 杭州飞步科技有限公司 | 基于轨迹安全度的数据处理方法和装置 |
CN110503040A (zh) * | 2019-08-23 | 2019-11-26 | 斯坦德机器人(深圳)有限公司 | 障碍物检测方法及装置 |
CN110758381A (zh) * | 2019-09-18 | 2020-02-07 | 北京汽车集团有限公司 | 生成转向轨迹的方法、装置、存储介质及电子设备 |
CN114715194A (zh) * | 2022-04-29 | 2022-07-08 | 中汽创智科技有限公司 | 一种车辆避障轨迹规划方法、装置、设备以及存储介质 |
CN115164931A (zh) * | 2022-09-08 | 2022-10-11 | 南开大学 | 一种盲人出行辅助系统、方法及设备 |
US11560153B2 (en) | 2019-03-07 | 2023-01-24 | 6 River Systems, Llc | Systems and methods for collision avoidance by autonomous vehicles |
CN116045982A (zh) * | 2022-12-23 | 2023-05-02 | 中国船舶集团有限公司综合技术经济研究院 | 一种面向紧急救援情况的船上路径规划方法以及装置 |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6431594B2 (ja) * | 2015-03-31 | 2018-11-28 | 日立オートモティブシステムズ株式会社 | 自動運転制御装置 |
US20180003511A1 (en) * | 2016-07-01 | 2018-01-04 | Uber Technologies, Inc. | Autonomous vehicle localization using submaps |
KR102237072B1 (ko) * | 2017-01-06 | 2021-04-06 | 현대자동차 주식회사 | 자율 주행 시스템 |
US10710592B2 (en) * | 2017-04-07 | 2020-07-14 | Tusimple, Inc. | System and method for path planning of autonomous vehicles based on gradient |
US10317907B2 (en) * | 2017-04-28 | 2019-06-11 | GM Global Technology Operations LLC | Systems and methods for obstacle avoidance and path planning in autonomous vehicles |
DE102017210171A1 (de) * | 2017-06-19 | 2018-12-20 | Robert Bosch Gmbh | Trajektorienbasiertes Führen eines Kraftfahrzeugs |
US10782694B2 (en) * | 2017-09-07 | 2020-09-22 | Tusimple, Inc. | Prediction-based system and method for trajectory planning of autonomous vehicles |
US10649458B2 (en) * | 2017-09-07 | 2020-05-12 | Tusimple, Inc. | Data-driven prediction-based system and method for trajectory planning of autonomous vehicles |
US10739775B2 (en) * | 2017-10-28 | 2020-08-11 | Tusimple, Inc. | System and method for real world autonomous vehicle trajectory simulation |
US11091162B2 (en) * | 2018-01-30 | 2021-08-17 | Toyota Motor Engineering & Manufacturing North America, Inc. | Fusion of front vehicle sensor data for detection and ranging of preceding objects |
US10655978B2 (en) * | 2018-06-27 | 2020-05-19 | Harman International Industries, Incorporated | Controlling an autonomous vehicle based on passenger behavior |
US11092458B2 (en) * | 2018-10-30 | 2021-08-17 | Telenav, Inc. | Navigation system with operation obstacle alert mechanism and method of operation thereof |
US20210403041A1 (en) * | 2018-12-13 | 2021-12-30 | Siemens Aktiengesellschaft | Automated system including reachability analysis |
CN110069064B (zh) * | 2019-03-19 | 2021-01-29 | 驭势科技(北京)有限公司 | 一种自动驾驶系统升级的方法、自动驾驶系统及车载设备 |
GB2611225B (en) * | 2019-05-29 | 2023-10-18 | Motional Ad Llc | Estimating speed profiles |
US11531100B2 (en) * | 2019-06-13 | 2022-12-20 | The Boeing Company | Methods and systems for acoustic machine perception for an aircraft |
US20220324467A1 (en) * | 2019-12-27 | 2022-10-13 | Intel Corporation | Driving safety systems |
US11945472B2 (en) * | 2020-08-28 | 2024-04-02 | Motional Ad Llc | Trajectory planning of vehicles using route information |
US11927967B2 (en) * | 2020-08-31 | 2024-03-12 | Woven By Toyota, U.S., Inc. | Using machine learning models for generating human-like trajectories |
US20220063666A1 (en) * | 2020-09-01 | 2022-03-03 | Motional Ad Llc | Scoring autonomous vehicle trajectories using reasonable crowd data |
US12017649B2 (en) * | 2020-09-25 | 2024-06-25 | Ford Global Technologies, Llc | Blockchain system to aid vehicle actions |
US20220196425A1 (en) * | 2020-12-18 | 2022-06-23 | Here Global B.V. | Network support for vehicle routing |
CN114510050A (zh) * | 2022-02-14 | 2022-05-17 | 北京路凯智行科技有限公司 | 矿区无人驾驶系统卸载位的指定方法以及指定系统 |
US20240176360A1 (en) * | 2022-11-29 | 2024-05-30 | Stratotegic Inc. | Autonomous Control and Navigation of Unmanned Vehicles |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9120485B1 (en) * | 2012-09-14 | 2015-09-01 | Google Inc. | Methods and systems for smooth trajectory generation for a self-driving vehicle |
CN105151044A (zh) * | 2015-08-24 | 2015-12-16 | 奇瑞汽车股份有限公司 | 车辆辅助驾驶方法及装置 |
US9229453B1 (en) * | 2014-08-29 | 2016-01-05 | GM Global Technology Operations LLC | Unified motion planner for autonomous driving vehicle in avoiding the moving obstacle |
CN105974917A (zh) * | 2016-05-11 | 2016-09-28 | 江苏大学 | 一种基于新型人工势场法的车辆避障路径规划研究方法 |
CN106094812A (zh) * | 2015-04-27 | 2016-11-09 | 通用汽车环球科技运作有限责任公司 | 用于自主驾驶的反应式路径规划 |
CN106225797A (zh) * | 2016-06-30 | 2016-12-14 | 银江股份有限公司 | 一种路径规划方法 |
CN106444738A (zh) * | 2016-05-24 | 2017-02-22 | 武汉科技大学 | 基于动态运动基元学习模型的移动机器人路径规划方法 |
Family Cites Families (92)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6822563B2 (en) | 1997-09-22 | 2004-11-23 | Donnelly Corporation | Vehicle imaging system with accessory control |
US5877897A (en) | 1993-02-26 | 1999-03-02 | Donnelly Corporation | Automatic rearview mirror, vehicle lighting control and vehicle interior monitoring system using a photosensor array |
US7103460B1 (en) | 1994-05-09 | 2006-09-05 | Automotive Technologies International, Inc. | System and method for vehicle diagnostics |
US7783403B2 (en) | 1994-05-23 | 2010-08-24 | Automotive Technologies International, Inc. | System and method for preventing vehicular accidents |
US7655894B2 (en) | 1996-03-25 | 2010-02-02 | Donnelly Corporation | Vehicular image sensing system |
WO2003093857A2 (en) | 2002-05-03 | 2003-11-13 | Donnelly Corporation | Object detection system for vehicle |
US6777904B1 (en) | 2003-02-25 | 2004-08-17 | Ford Global Technologies, Llc | Method and system for controlling a motor |
EP1741079B1 (en) | 2004-04-08 | 2008-05-21 | Mobileye Technologies Limited | Collision warning system |
US20070230792A1 (en) | 2004-04-08 | 2007-10-04 | Mobileye Technologies Ltd. | Pedestrian Detection |
WO2005098751A1 (en) | 2004-04-08 | 2005-10-20 | Mobileye Technologies Limited | Crowd detection |
US7526103B2 (en) | 2004-04-15 | 2009-04-28 | Donnelly Corporation | Imaging system for vehicle |
US8553088B2 (en) | 2005-11-23 | 2013-10-08 | Mobileye Technologies Limited | Systems and methods for detecting obstructions in a camera field of view |
US8164628B2 (en) | 2006-01-04 | 2012-04-24 | Mobileye Technologies Ltd. | Estimating distance to an object using a sequence of images recorded by a monocular camera |
US7689559B2 (en) | 2006-02-08 | 2010-03-30 | Telenor Asa | Document similarity scoring and ranking method, device and computer program product |
US7786898B2 (en) | 2006-05-31 | 2010-08-31 | Mobileye Technologies Ltd. | Fusion of far infrared and visible images in enhanced obstacle detection in automotive applications |
EP2383679A1 (en) | 2006-12-06 | 2011-11-02 | Mobileye Technologies Limited | Detecting and recognizing traffic signs |
US20080249667A1 (en) | 2007-04-09 | 2008-10-09 | Microsoft Corporation | Learning and reasoning to enhance energy efficiency in transportation systems |
US7839292B2 (en) | 2007-04-11 | 2010-11-23 | Nec Laboratories America, Inc. | Real-time driving danger level prediction |
US8041111B1 (en) | 2007-10-15 | 2011-10-18 | Adobe Systems Incorporated | Subjective and locatable color theme extraction for images |
US9176006B2 (en) | 2008-01-15 | 2015-11-03 | Mobileye Vision Technologies Ltd. | Detection and classification of light sources using a diffraction grating |
US9117133B2 (en) | 2008-06-18 | 2015-08-25 | Spectral Image, Inc. | Systems and methods for hyperspectral imaging |
US20100049397A1 (en) | 2008-08-22 | 2010-02-25 | Garmin Ltd. | Fuel efficient routing |
US8126642B2 (en) | 2008-10-24 | 2012-02-28 | Gray & Company, Inc. | Control and systems for autonomously driven vehicles |
US9459515B2 (en) | 2008-12-05 | 2016-10-04 | Mobileye Vision Technologies Ltd. | Adjustable camera mount for a vehicle windshield |
US8175376B2 (en) | 2009-03-09 | 2012-05-08 | Xerox Corporation | Framework for image thumbnailing based on visual similarity |
JP2012521708A (ja) | 2009-03-26 | 2012-09-13 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 色周波数に基づく顕著性マップを用いて画像を修正する方法及び装置 |
US8271871B2 (en) | 2009-04-30 | 2012-09-18 | Xerox Corporation | Automated method for alignment of document objects |
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 |
US8645480B1 (en) | 2009-07-19 | 2014-02-04 | Aaron T. Emigh | Trust representation by similarity |
JP2011176748A (ja) | 2010-02-25 | 2011-09-08 | Sony Corp | 画像処理装置および方法、並びにプログラム |
US9280711B2 (en) | 2010-09-21 | 2016-03-08 | Mobileye Vision Technologies Ltd. | Barrier and guardrail detection using a single camera |
US9118816B2 (en) | 2011-12-06 | 2015-08-25 | Mobileye Vision Technologies Ltd. | Road vertical contour detection |
US8509982B2 (en) | 2010-10-05 | 2013-08-13 | Google Inc. | Zone driving |
EP2448251B1 (en) | 2010-10-31 | 2019-09-25 | Mobileye Vision Technologies Ltd. | Bundling night vision and other driver assistance systems (DAS) using near infra red (NIR) illumination and a rolling shutter |
US9355635B2 (en) | 2010-11-15 | 2016-05-31 | Futurewei Technologies, Inc. | Method and system for video summarization |
US9251708B2 (en) | 2010-12-07 | 2016-02-02 | Mobileye Vision Technologies Ltd. | Forward collision warning trap and pedestrian advanced warning system |
US8401292B2 (en) | 2011-04-26 | 2013-03-19 | Eastman Kodak Company | Identifying high saliency regions in digital images |
US9233659B2 (en) | 2011-04-27 | 2016-01-12 | Mobileye Vision Technologies Ltd. | Pedestrian collision warning system |
KR101777875B1 (ko) | 2011-04-28 | 2017-09-13 | 엘지디스플레이 주식회사 | 입체 영상 표시장치와 그 입체 영상 조절 방법 |
US9183447B1 (en) | 2011-06-09 | 2015-11-10 | Mobileye Vision Technologies Ltd. | Object detection using candidate object alignment |
WO2013015416A1 (ja) | 2011-07-28 | 2013-01-31 | 本田技研工業株式会社 | ワイヤレス送電方法 |
DE102011083749B4 (de) | 2011-09-29 | 2015-06-11 | Aktiebolaget Skf | Rotorblatt einer Windkraftanlage mit einer Vorrichtung zum Erfassen eines Abstandswertes und Verfahren zum Erfassen eines Abstandswertes |
US9297641B2 (en) | 2011-12-12 | 2016-03-29 | Mobileye Vision Technologies Ltd. | Detection of obstacles at night by analysis of shadows |
US8938348B2 (en) * | 2011-12-13 | 2015-01-20 | Mitsubishi Electric Research Laboratories, Inc. | Method for optimizing run curve of vehicles |
FR2984254B1 (fr) | 2011-12-16 | 2016-07-01 | Renault Sa | Controle de vehicules autonomes |
US9317776B1 (en) | 2013-03-13 | 2016-04-19 | Hrl Laboratories, Llc | Robust static and moving object detection system via attentional mechanisms |
JP5605381B2 (ja) | 2012-02-13 | 2014-10-15 | 株式会社デンソー | クルーズ制御装置 |
US9042648B2 (en) | 2012-02-23 | 2015-05-26 | Microsoft Technology Licensing, Llc | Salient object segmentation |
US9476970B1 (en) | 2012-03-19 | 2016-10-25 | Google Inc. | Camera based localization |
US9134402B2 (en) | 2012-08-13 | 2015-09-15 | Digital Signal Corporation | System and method for calibrating video and lidar subsystems |
US9025880B2 (en) | 2012-08-29 | 2015-05-05 | Disney Enterprises, Inc. | Visual saliency estimation for images and video |
US9111444B2 (en) | 2012-10-31 | 2015-08-18 | Raytheon Company | Video and lidar target detection and tracking system and method for segmenting moving targets |
US9092430B2 (en) | 2013-01-02 | 2015-07-28 | International Business Machines Corporation | Assigning shared catalogs to cache structures in a cluster computing system |
US8788134B1 (en) | 2013-01-04 | 2014-07-22 | GM Global Technology Operations LLC | Autonomous driving merge management system |
CN104969238B (zh) | 2013-01-15 | 2019-06-18 | 移动眼视力科技有限公司 | 车辆和用于车辆的成像系统 |
US9277132B2 (en) | 2013-02-21 | 2016-03-01 | Mobileye Vision Technologies Ltd. | Image distortion correction of a camera with a rolling shutter |
US9147255B1 (en) | 2013-03-14 | 2015-09-29 | Hrl Laboratories, Llc | Rapid object detection by combining structural information from image segmentation with bio-inspired attentional mechanisms |
US9342074B2 (en) | 2013-04-05 | 2016-05-17 | Google Inc. | Systems and methods for transitioning control of an autonomous vehicle to a driver |
US9438878B2 (en) | 2013-05-01 | 2016-09-06 | Legend3D, Inc. | Method of converting 2D video to 3D video using 3D object models |
WO2014201324A1 (en) | 2013-06-13 | 2014-12-18 | Gideon Stein | Vision augmented navigation |
US9315192B1 (en) | 2013-09-30 | 2016-04-19 | Google Inc. | Methods and systems for pedestrian avoidance using LIDAR |
US9122954B2 (en) | 2013-10-01 | 2015-09-01 | Mobileye Vision Technologies Ltd. | Performing a histogram using an array of addressable registers |
US9738280B2 (en) | 2013-10-03 | 2017-08-22 | Robert Bosch Gmbh | Adaptive cruise control with on-ramp detection |
US9299004B2 (en) | 2013-10-24 | 2016-03-29 | Adobe Systems Incorporated | Image foreground detection |
US9330334B2 (en) | 2013-10-24 | 2016-05-03 | Adobe Systems Incorporated | Iterative saliency map estimation |
US9090260B2 (en) | 2013-12-04 | 2015-07-28 | Mobileye Vision Technologies Ltd. | Image-based velocity control for a turning vehicle |
WO2015103159A1 (en) | 2013-12-30 | 2015-07-09 | Tieman Craig Arnold | Connected vehicle system with infotainment interface for mobile devices |
US9365214B2 (en) | 2014-01-30 | 2016-06-14 | Mobileye Vision Technologies Ltd. | Systems and methods for determining the status of a turn lane traffic light |
US9664789B2 (en) | 2014-02-20 | 2017-05-30 | Mobileye Vision Technologies Ltd. | Navigation based on radar-cued visual imaging |
CN103793925B (zh) | 2014-02-24 | 2016-05-18 | 北京工业大学 | 融合时空特征的视频图像视觉显著程度检测方法 |
DE102014205170A1 (de) | 2014-03-20 | 2015-11-26 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zum Ermitteln einer Trajektorie für ein Fahrzeug |
CN105100134A (zh) | 2014-04-28 | 2015-11-25 | 思科技术公司 | 屏幕共享缓存管理 |
EP4187523A1 (en) | 2014-05-14 | 2023-05-31 | Mobileye Vision Technologies Ltd. | Systems and methods for curb detection and pedestrian hazard assessment |
US9720418B2 (en) | 2014-05-27 | 2017-08-01 | Here Global B.V. | Autonomous vehicle monitoring and control |
CN106796648B (zh) | 2014-06-03 | 2020-11-24 | 御眼视觉技术有限公司 | 用于检测对象的系统和方法 |
US9457807B2 (en) | 2014-06-05 | 2016-10-04 | GM Global Technology Operations LLC | Unified motion planning algorithm for autonomous driving vehicle in obstacle avoidance maneuver |
US9554030B2 (en) | 2014-09-29 | 2017-01-24 | Yahoo! Inc. | Mobile device image acquisition using objects of interest recognition |
US9746550B2 (en) | 2014-10-08 | 2017-08-29 | Ford Global Technologies, Llc | Detecting low-speed close-range vehicle cut-in |
KR101664582B1 (ko) | 2014-11-12 | 2016-10-10 | 현대자동차주식회사 | 자율주행차량의 주행경로 생성장치 및 방법 |
US10115024B2 (en) | 2015-02-26 | 2018-10-30 | Mobileye Vision Technologies Ltd. | Road vertical contour detection using a stabilized coordinate frame |
JP6421684B2 (ja) | 2015-04-17 | 2018-11-14 | 井関農機株式会社 | 乗用草刈機 |
US10635761B2 (en) | 2015-04-29 | 2020-04-28 | Energid Technologies Corporation | System and method for evaluation of object autonomy |
DE102015211926A1 (de) | 2015-06-26 | 2016-12-29 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Ermitteln bzw. Bewerten einer Soll-Trajektorie eines Kraftfahrzeugs |
EP3327955B1 (en) | 2015-07-23 | 2021-11-10 | Nec Corporation | Route switching device, route switching system, and route switching method |
US10956855B1 (en) * | 2015-08-16 | 2021-03-23 | Palidian Incorporated | Integrated multi-location scheduling, routing, and task management |
US9587952B1 (en) | 2015-09-09 | 2017-03-07 | Allstate Insurance Company | Altering autonomous or semi-autonomous vehicle operation based on route traversal values |
US9568915B1 (en) | 2016-02-11 | 2017-02-14 | Mitsubishi Electric Research Laboratories, Inc. | System and method for controlling autonomous or semi-autonomous vehicle |
US9535423B1 (en) | 2016-03-29 | 2017-01-03 | Adasworks Kft. | Autonomous vehicle with improved visual detection ability |
US9989964B2 (en) * | 2016-11-03 | 2018-06-05 | Mitsubishi Electric Research Laboratories, Inc. | System and method for controlling vehicle using neural network |
EP3566106B1 (en) * | 2017-03-20 | 2024-03-06 | Mobileye Vision Technologies Ltd. | Trajectory selection for an autonomous vehicle |
US20180292830A1 (en) * | 2017-04-06 | 2018-10-11 | Uber Technologies, Inc. | Automatic Tuning of Autonomous Vehicle Cost Functions Based on Human Driving Data |
US10710592B2 (en) * | 2017-04-07 | 2020-07-14 | Tusimple, Inc. | System and method for path planning of autonomous vehicles based on gradient |
-
2017
- 2017-04-07 US US15/481,877 patent/US10710592B2/en active Active
-
2018
- 2018-02-24 CN CN201810157756.5A patent/CN108692734B/zh active Active
-
2020
- 2020-06-12 US US16/900,611 patent/US11673557B2/en active Active
-
2023
- 2023-06-05 US US18/205,944 patent/US20230391340A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9120485B1 (en) * | 2012-09-14 | 2015-09-01 | Google Inc. | Methods and systems for smooth trajectory generation for a self-driving vehicle |
US9229453B1 (en) * | 2014-08-29 | 2016-01-05 | GM Global Technology Operations LLC | Unified motion planner for autonomous driving vehicle in avoiding the moving obstacle |
CN106094812A (zh) * | 2015-04-27 | 2016-11-09 | 通用汽车环球科技运作有限责任公司 | 用于自主驾驶的反应式路径规划 |
CN105151044A (zh) * | 2015-08-24 | 2015-12-16 | 奇瑞汽车股份有限公司 | 车辆辅助驾驶方法及装置 |
CN105974917A (zh) * | 2016-05-11 | 2016-09-28 | 江苏大学 | 一种基于新型人工势场法的车辆避障路径规划研究方法 |
CN106444738A (zh) * | 2016-05-24 | 2017-02-22 | 武汉科技大学 | 基于动态运动基元学习模型的移动机器人路径规划方法 |
CN106225797A (zh) * | 2016-06-30 | 2016-12-14 | 银江股份有限公司 | 一种路径规划方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11560153B2 (en) | 2019-03-07 | 2023-01-24 | 6 River Systems, Llc | Systems and methods for collision avoidance by autonomous vehicles |
CN109934164A (zh) * | 2019-03-12 | 2019-06-25 | 杭州飞步科技有限公司 | 基于轨迹安全度的数据处理方法和装置 |
CN110503040A (zh) * | 2019-08-23 | 2019-11-26 | 斯坦德机器人(深圳)有限公司 | 障碍物检测方法及装置 |
CN110758381A (zh) * | 2019-09-18 | 2020-02-07 | 北京汽车集团有限公司 | 生成转向轨迹的方法、装置、存储介质及电子设备 |
CN114715194A (zh) * | 2022-04-29 | 2022-07-08 | 中汽创智科技有限公司 | 一种车辆避障轨迹规划方法、装置、设备以及存储介质 |
CN114715194B (zh) * | 2022-04-29 | 2024-07-05 | 中汽创智科技有限公司 | 一种车辆避障轨迹规划方法、装置、设备以及存储介质 |
CN115164931A (zh) * | 2022-09-08 | 2022-10-11 | 南开大学 | 一种盲人出行辅助系统、方法及设备 |
CN116045982A (zh) * | 2022-12-23 | 2023-05-02 | 中国船舶集团有限公司综合技术经济研究院 | 一种面向紧急救援情况的船上路径规划方法以及装置 |
Also Published As
Publication number | Publication date |
---|---|
US20180292222A1 (en) | 2018-10-11 |
US20230391340A1 (en) | 2023-12-07 |
CN108692734B (zh) | 2020-07-07 |
US10710592B2 (en) | 2020-07-14 |
US11673557B2 (en) | 2023-06-13 |
US20200298863A1 (en) | 2020-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108692734A (zh) | 一种路径规划方法和装置 | |
CN106595631B (zh) | 一种躲避障碍物的方法及电子设备 | |
CN111795832B (zh) | 一种智能驾驶车辆测试方法、装置及设备 | |
CN106272425B (zh) | 避障方法及机器人 | |
CN106873599A (zh) | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 | |
CN107544500B (zh) | 一种考虑约束的无人艇靠泊行为轨迹规划方法 | |
CN108225364A (zh) | 一种无人驾驶汽车驾驶任务决策系统及方法 | |
CN110081894A (zh) | 一种基于道路结构权值融合的无人车轨迹实时规划方法 | |
CN104897168B (zh) | 基于道路危险评估的智能车路径搜索方法及系统 | |
CN107553490A (zh) | 一种基于深度学习的单目视觉避障方法 | |
CN108694367A (zh) | 一种驾驶行为模型的建立方法、装置和系统 | |
CN103149937A (zh) | 一种基于曲率补偿的横侧向曲线航迹跟踪方法 | |
CN108919802A (zh) | 无人驾驶的车辆行驶和装置 | |
JP2018063524A (ja) | 車両制御装置 | |
CN108801273A (zh) | 一种道路参考线的生成方法及装置 | |
CN109690649A (zh) | 车辆行驶控制方法及车辆行驶控制装置 | |
RU2018102681A (ru) | Способ управления скоростью для транспортного средства и соответствующее транспортное средство | |
CN110146087B (zh) | 一种基于动态规划思想的船舶路径规划方法 | |
CN110287529A (zh) | 测试方法、装置、设备以及存储介质 | |
CN109407666A (zh) | 一种无人车辆的控制方法、装置、设备及存储介质 | |
CN105843256B (zh) | 一种多机编队飞行控制方法 | |
CN106362897A (zh) | 一种自动化喷涂系统集成喷涂工艺的喷涂路径规划算法 | |
CN112254727B (zh) | 基于teb的路径规划方法及装置 | |
CN105151044B (zh) | 车辆辅助驾驶方法及装置 | |
CN107883954A (zh) | 用于生成旨在供飞行器遵循的最佳飞行路径的方法和设备 |
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 | ||
CP03 | Change of name, title or address |
Address after: No.1, Linkong 2nd Road, Shunyi Park, Zhongguancun Science and Technology Park, Shunyi District, Beijing Patentee after: BEIJING TUSEN WEILAI TECHNOLOGY Co.,Ltd. Patentee after: Tucson Ltd. Address before: 101300 Shunyi District Zhongguancun Science Park, Shunyi Park, No. 1 Linkong Second Road, Shunyi District, Beijing Patentee before: BEIJING TUSEN WEILAI TECHNOLOGY Co.,Ltd. Patentee before: TUSIMPLE |
|
CP03 | Change of name, title or address |