CN108860139B - 一种基于深度增强学习的自动泊车轨迹规划方法 - Google Patents

一种基于深度增强学习的自动泊车轨迹规划方法 Download PDF

Info

Publication number
CN108860139B
CN108860139B CN201810324107.XA CN201810324107A CN108860139B CN 108860139 B CN108860139 B CN 108860139B CN 201810324107 A CN201810324107 A CN 201810324107A CN 108860139 B CN108860139 B CN 108860139B
Authority
CN
China
Prior art keywords
parking
automatic parking
vehicle
track
enhancing study
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
CN201810324107.XA
Other languages
English (en)
Other versions
CN108860139A (zh
Inventor
杜卓
缪其恒
王江明
许炜
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.)
Zhejiang Zero Run Technology Co Ltd
Original Assignee
Zhejiang Zero Run Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Zero Run Technology Co Ltd filed Critical Zhejiang Zero Run Technology Co Ltd
Priority to CN201810324107.XA priority Critical patent/CN108860139B/zh
Publication of CN108860139A publication Critical patent/CN108860139A/zh
Application granted granted Critical
Publication of CN108860139B publication Critical patent/CN108860139B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3626—Details of the output of route guidance instructions
    • G01C21/3644—Landmark guidance, e.g. using POIs or conspicuous other objects
    • 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, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/06—Automatic manoeuvring for parking
    • 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
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3626—Details of the output of route guidance instructions
    • G01C21/3647—Guidance involving output of stored or live camera images or video streams
    • 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
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3626—Details of the output of route guidance instructions
    • G01C21/3655—Timing of guidance instructions
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B9/00—Simulators for teaching or training purposes
    • G09B9/02—Simulators for teaching or training purposes for teaching control of vehicles or other craft
    • G09B9/04—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of land vehicles

Abstract

本发明涉及一种基于深度增强学习的自动泊车轨迹规划方法，包括下列步骤：根据视觉系统获得的信息，建立二维虚拟泊车环境；模拟车辆泊车运动，获取方向盘转角；建立基于深度增强学习的自动泊车模型，采用深度增强学习的方法，获得自动泊车过程中一系列对应的方向盘转角，并生成自动泊车轨迹；判断在虚拟泊车环境中车辆是否发生碰撞，若发生碰撞，则初始化二维虚拟泊车环境，开始下一次泊车训练，反之则进入下一步；规划自动泊车轨迹，综合考虑轨迹的长短及耗时，筛选出最优自动泊车轨迹。本发明能应用到不同的泊车环境中，规划出来的轨迹更合理和优化，结合控制策略，汽车能在无驾驶员操作的情况下遵循轨迹快速自动泊入车位，提高精确性及可靠性。

Description

一种基于深度增强学习的自动泊车轨迹规划方法
技术领域
本发明涉及汽车无人驾驶技术领域，尤其涉及一种基于深度增强学习的自动泊车轨迹规划方法。
背景技术
汽车的自动泊车，是汽车无人驾驶系统中重要的一部分，车辆能在无驾驶员操作的情况下自动泊入车位。现有的自动泊车方法主要分为两大类：一类基于毫米波雷达，另一类基于视觉系统。其中，基于毫米波雷达的方法，对中近距离物体的测距误差较大，并且相对成本较高。上述两大类方法，对于路径规划部分主要采用传统的PID控制原理确定方向盘转角，车辆位置以及控制误差累计，易受周围环境因素影响，很难做到精准控制，并且仿真实验数据相对较少，因此精确性及可靠性都不够理想。
发明内容
本发明为了解决上述技术问题，提供一种基于深度增强学习的自动泊车轨迹规划方法，运用该方法规划出合理优化的自动泊车轨迹，结合控制策略，汽车能够遵循轨迹快速自动泊入车位，提高汽车自动泊车的精确性及可靠性。
本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明一种基于深度增强学习的自动泊车轨迹规划方法，包括下列步骤：
①根据视觉系统获得的信息，建立二维虚拟泊车环境；
②模拟车辆泊车运动，获取方向盘转角，并更新二维虚拟泊车环境；
③建立基于深度增强学习的自动泊车模型，采用深度增强学习的方法，获得自动泊车过程中一系列对应的方向盘转角，并生成自动泊车轨迹；
④判断在虚拟泊车环境中车辆是否发生碰撞，若发生碰撞，则初始化二维虚拟泊车环境，开始下一次泊车训练，反之则进入下一步；
⑤规划自动泊车轨迹，综合考虑轨迹的长短及耗时，筛选出最优自动泊车轨迹。
本发明在虚拟泊车环境中采用深度增强学习模型训练数百万次自动泊车过程，整个训练过程中基本覆盖了车辆处于虚拟泊车环境中不同位置下对应的方向盘转角操作，实验具有普遍性。运用该方法规划出合理优化的自动泊车轨迹，结合控制策略，汽车能够遵循轨迹快速自动泊入车位，提高汽车自动泊车的精确性及可靠性。
作为优选，所述的步骤①为：通过车载相机获取车位信息及车辆和车位的相对位置，用不同颜色在获得的图像中表示障碍物和车辆，并标出比实际车位小的虚拟车位用作泊车训练车位，建立二维虚拟泊车环境。本发明中用作泊车训练车位的虚拟车位足够小、足够窄。例如：侧方位泊车时，虚拟车位的长度为1.2倍的车长；倒库泊车时，虚拟车位的宽度为1.2倍的车宽。虚拟车位的大小可以根据实际需要进行调节。确保后期自动泊车轨迹规划中车位大于泊车训练车位的情况都能成功规划出车辆的自动泊车轨迹。
作为优选，所述的步骤②为：在低速情况下，即车辆的车速在10km/h以下，模拟车辆泊车运动，设定方向盘转角范围在-40°至40°之间，均匀等分后获取等分点的方向盘转角，利用车辆运动学模型计算各等分点的车辆位置及朝向，并更新二维虚拟泊车环境。例如每隔4°取一个对应的方向盘转角操作。每当获取一个车辆控制的方向盘转角操作，添加合适的方向盘转角误差利用车辆运动学模型计算车辆位置及朝向，并添加适度的噪声误差使之更接近实际情况。
作为优选，所述的步骤③为：建立基于深度增强学习的自动泊车模型，利用神经网络结构，采用深度增强学习的方法，输入为初始的二维虚拟泊车环境图像，输出为自动泊车过程中一系列对应的方向盘转角操作，车辆按照这些操作能够无碰撞地快速泊入车位，根据各等分点上的车辆转向半径及转向角将各等分点用曲线平滑连接即可得到自动泊车轨迹。可采用卷积神经网络CNN和Q学习相结合的方法DQN训练自动泊车过程，也可采用循环神经网络RNN和Q学习相结合的方法DRQN训练自动泊车过程。对于侧方位和倒库两种不同的泊车类型，两侧模拟障碍车，分别训练100万次自动泊车过程。可利用训练前期手动加入若干泊车成功例子加快训练过程。
作为优选，所述的步骤④为：在虚拟泊车环境中，每次更新车辆位置后，判断障碍物区域类像素是否发生变化，若像素变化则说明车辆发生碰撞，则初始化二维虚拟泊车环境，开始下一次泊车训练；如果车辆没发生碰撞，则进入下一步。
作为优选，所述的步骤⑤为：将初始车位信息和车辆位置输入到训练好的深度增强学习的自动泊车模型中，迭代N次输出N条自动泊车轨迹和对应的方向盘转角操作，综合考虑轨迹的长短及耗时，筛选出最优自动泊车轨迹。
作为优选，所述的一种基于深度增强学习的自动泊车轨迹规划方法，包括镜像处理方法：在训练自动泊车过程中，只需训练车辆相对于车位的一种位置的自动泊车过程，利用镜像处理方法进行坐标系变换就能获得车辆相对于车位的其他三种镜像位置的自动泊车过程，大幅缩短训练时间。如只需训练车辆位于车位左后方一种位置的自动泊车过程，对于车辆位于车位左前方、右前方、右后方的三种位置则通过镜像处理方法就能获得三种位置的自动泊车过程，从而大幅缩短训练时间。
本发明的有益效果是：通过建立最小的虚拟泊车环境，通过深度增强学习的方法训练大量自动泊车过程，能有效地将该方法应用到不同的泊车环境中去，规划出合理优化的自动泊车轨迹以及对应的方向盘转角，规划出来的路径更短，也能推广到更大的车位情况中去，结合控制策略，汽车能在无驾驶员操作的情况下遵循轨迹快速自动泊入车位，提高汽车自动泊车的精确性及可靠性。
附图说明
图1是本发明侧方位泊车时二维虚拟泊车环境的一种示意图。
图2是本发明倒库泊车时二维虚拟泊车环境的一种示意图。
图3是本发明的一种流程图。
图4是本发明中卷积神经网络结构的一种示意图。
图中1.车辆，2.车位，3.障碍车。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：本实施例的一种基于深度增强学习的自动泊车轨迹规划方法，如图3所示，包括下列步骤：
①通过车载相机获取车位信息及车辆和车位的相对位置，用不同颜色在获得的图像中表示障碍物和车辆，并标出足够小、足够窄的虚拟车位用作泊车训练车位(侧方位泊车时，虚拟车位的长度为1.2倍的车长；倒库泊车时，虚拟车位的宽度为1.2倍的车宽)，建立二维虚拟泊车环境；
②在低速情况下，即车辆的车速在10km/h以下，模拟车辆泊车运动，设定方向盘转角范围在-40°至40°之间，均匀等分，每隔4°取一个对应的方向盘转角操作，每当获取一个车辆控制的方向盘转角操作，添加合适的方向盘转角误差利用车辆运动学模型计算各等分点的车辆位置及朝向，并添加适度的噪声误差使之更接近实际情况，并更新二维虚拟泊车环境；
③建立基于深度增强学习的自动泊车模型，利用如图4所示的卷积神经网络结构，采用深度增强学习的方法，对于侧方位和倒库两种不同的泊车类型，两侧模拟障碍车，如图1、图2所示，车辆1停在车位2外面，车位的两侧有障碍车3，分别训练100万次自动泊车过程，训练过程中添加由车辆离泊车位置的距离大小、是否发生碰撞以及泊车轨迹长短三部分构成的奖励函数，可利用训练前期手动加入若干泊车成功例子加快训练过程，输入为初始的二维虚拟泊车环境图像，输出为自动泊车过程中一系列对应的方向盘转角操作，车辆按照这些操作能够无碰撞地快速泊入车位，根据各等分点上的车辆转向半径及转向角将各等分点用曲线平滑连接即可得到自动泊车轨迹；
在训练自动泊车过程中，只需训练车辆相对于车位的一种位置的自动泊车过程，利用镜像处理方法进行坐标系变换就能获得车辆相对于车位的其他三种镜像位置的自动泊车过程，大幅缩短训练时间；
④在虚拟泊车环境中，每次更新车辆位置后，判断障碍物区域类像素是否发生变化，若像素变化则说明车辆发生碰撞，则初始化二维虚拟泊车环境，开始下一次泊车训练；如果车辆没发生碰撞，则进入下一步；
⑤将初始车位信息和车辆位置输入到训练好的深度增强学习的自动泊车模型中，迭代五次输出五条自动泊车轨迹和对应的方向盘转角操作，综合考虑轨迹的长短及耗时，筛选出最优自动泊车轨迹以及对应的方向盘转角。
再结合控制策略，汽车能在无驾驶员操作的情况下遵循选出的轨迹快速自动泊入车位。
本发明在虚拟环境中采用深度增强学习模型利用GPU加速大规模模拟训练数百万次自动泊车过程，实验具有普遍性。整个训练过程中基本覆盖了车辆处于虚拟环境中不同位置下对应的方向盘转角操作，并且设置泊车耗时和路径长短的奖励函数，通过模型训练获得最优的自动泊车轨迹。除此之外，本发明采用建立虚拟泊车环境的方法，不需要考虑车位周围环境的差异带来的影响，建立一个足够小足够窄的泊车环境，标注出障碍物位置，划出最优的泊车路径，可以推演到实际泊车环境差异性大的不同情况，并且能训练和对比在不同精度的方向盘转角和汽车运动条件下的泊车轨迹规划，使结果更加具有实际意义。本发明适用于多种泊车类型，如侧方位泊车、倒库泊车等，并且不受车位周围环境的影响，能自动泊入更小更窄的车位，适用条件宽泛，确保汽车自动泊车更精确、更可靠。

Claims (7)

1.一种基于深度增强学习的自动泊车轨迹规划方法，其特征在于包括下列步骤：
①根据视觉系统获得的信息，建立二维虚拟泊车环境；
②模拟车辆泊车运动，获取方向盘转角，并更新二维虚拟泊车环境；
③建立基于深度增强学习的自动泊车模型，采用深度增强学习的方法，获得自动泊车过程中一系列对应的方向盘转角，并生成自动泊车轨迹；
④判断在虚拟泊车环境中车辆是否发生碰撞，若发生碰撞，则初始化二维虚拟泊车环境，开始下一次泊车训练，反之则进入下一步；
⑤规划自动泊车轨迹，综合考虑轨迹的长短及耗时，筛选出最优自动泊车轨迹。
2.根据权利要求1所述的一种基于深度增强学习的自动泊车轨迹规划方法，其特征在于所述的步骤①为：通过车载相机获取车位信息及车辆和车位的相对位置，用不同颜色在获得的图像中表示障碍物和车辆，并标出比实际车位小的虚拟车位用作泊车训练车位，建立二维虚拟泊车环境。
3.根据权利要求1所述的一种基于深度增强学习的自动泊车轨迹规划方法，其特征在于所述的步骤②为：在低速情况下，即车辆的车速在10km/h以下，模拟车辆泊车运动，设定方向盘转角范围在-40°至40°之间，均匀等分后获取等分点的方向盘转角，利用车辆运动学模型计算各等分点的车辆位置及朝向，并更新二维虚拟泊车环境。
4.根据权利要求1所述的一种基于深度增强学习的自动泊车轨迹规划方法，其特征在于所述的步骤③为：建立基于深度增强学习的自动泊车模型，利用神经网络结构，采用深度增强学习的方法，输入为初始的二维虚拟泊车环境图像，输出为自动泊车过程中一系列对应的方向盘转角操作，车辆按照这些操作能够无碰撞地快速泊入车位，根据各等分点上的车辆转向半径及转向角将各等分点用曲线平滑连接即可得到自动泊车轨迹。
5.根据权利要求1所述的一种基于深度增强学习的自动泊车轨迹规划方法，其特征在于所述的步骤④为：在虚拟泊车环境中，每次更新车辆位置后，判断障碍物区域类像素是否发生变化，若像素变化则说明车辆发生碰撞，则初始化二维虚拟泊车环境，开始下一次泊车训练；如果车辆没发生碰撞，则进入下一步。
6.根据权利要求1所述的一种基于深度增强学习的自动泊车轨迹规划方法，其特征在于所述的步骤⑤为：将初始车位信息和车辆位置输入到训练好的深度增强学习的自动泊车模型中，迭代N次输出N条自动泊车轨迹和对应的方向盘转角操作，综合考虑轨迹的长短及耗时，筛选出最优自动泊车轨迹。
7.根据权利要求1或2或3或4或5所述的一种基于深度增强学习的自动泊车轨迹规划方法，其特征在于包括镜像处理方法：在训练自动泊车过程中，只需训练车辆相对于车位的一种位置的自动泊车过程，利用镜像处理方法进行坐标系变换就能获得车辆相对于车位的其他三种镜像位置的自动泊车过程，大幅缩短训练时间。
CN201810324107.XA 2018-04-11 2018-04-11 一种基于深度增强学习的自动泊车轨迹规划方法 Active CN108860139B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810324107.XA CN108860139B (zh) 2018-04-11 2018-04-11 一种基于深度增强学习的自动泊车轨迹规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810324107.XA CN108860139B (zh) 2018-04-11 2018-04-11 一种基于深度增强学习的自动泊车轨迹规划方法

Publications (2)

Publication Number Publication Date
CN108860139A CN108860139A (zh) 2018-11-23
CN108860139B true CN108860139B (zh) 2019-11-29

Family

ID=64326302

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810324107.XA Active CN108860139B (zh) 2018-04-11 2018-04-11 一种基于深度增强学习的自动泊车轨迹规划方法

Country Status (1)

Country Link
CN (1) CN108860139B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022268274A1 (de) * 2021-06-25 2022-12-29 Continental Automotive Technologies GmbH Verfahren zur trajektorienoptimierung

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109606356A (zh) * 2018-12-29 2019-04-12 百度在线网络技术（北京）有限公司 泊车控制方法、装置、电子设备及存储介质
CN109866761B (zh) * 2019-03-05 2020-07-10 重庆长安汽车股份有限公司 自动泊车路径规划方法、系统及计算机可读存储介质
CN110040132A (zh) * 2019-04-19 2019-07-23 宝能汽车有限公司 智能泊车方法、装置和车辆
CN110901632B (zh) 2019-11-29 2021-04-06 长城汽车股份有限公司 一种自动泊车控制方法及装置
CN111126598B (zh) * 2019-12-19 2023-08-01 深圳南方德尔汽车电子有限公司 自动泊车方法、装置、计算机设备和存储介质
CN112109700A (zh) * 2020-06-18 2020-12-22 上汽通用五菱汽车股份有限公司 记忆泊车系统及其控制方法和计算机存储介质
CN112158195B (zh) * 2020-09-16 2022-07-08 重庆长安汽车股份有限公司 泊车路径规划方法、系统、车辆及存储介质
CN113008256A (zh) * 2021-02-18 2021-06-22 恒大新能源汽车投资控股集团有限公司 自动泊车路径的规划方法、规划装置以及存储介质
CN113525357B (zh) * 2021-08-25 2022-12-09 吉林大学 自动泊车决策模型优化系统及方法
CN113859226B (zh) * 2021-11-04 2023-05-23 赵奕帆 一种基于强化学习的运动规划与自动泊车方法
CN116311878A (zh) * 2022-10-21 2023-06-23 广州金王科技股份有限公司 一种智能停车器控制方法及其控制系统
CN116863429A (zh) * 2023-07-26 2023-10-10 小米汽车科技有限公司 检测模型的训练方法、可行使区域的确定方法和装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014144708A (ja) * 2013-01-29 2014-08-14 Toyota Motor Corp 駐車支援装置及び駐車支援方法
CN105109482A (zh) * 2015-08-24 2015-12-02 奇瑞汽车股份有限公司 停车入库方法及装置
CN105128856A (zh) * 2015-08-24 2015-12-09 奇瑞汽车股份有限公司 停车入库方法及装置
DE102014220144A1 (de) * 2014-10-06 2016-04-07 Robert Bosch Gmbh Verfahren und Vorrichtung zur Unterstützung eines Fahrers eines Kraftfahrzeugs
CN105589461A (zh) * 2015-11-18 2016-05-18 南通大学 一种基于改进蚁群算法的泊车系统路径规划方法
CN106774290A (zh) * 2016-12-22 2017-05-31 奇瑞汽车股份有限公司 一种自动取车方法及装置
CN107424116A (zh) * 2017-07-03 2017-12-01 浙江零跑科技有限公司 基于侧环视相机的泊车位检测方法
CN107745710A (zh) * 2017-09-12 2018-03-02 南京航空航天大学 一种基于机器视觉与机器学习的自动泊车方法及系统
CN107792062A (zh) * 2017-10-16 2018-03-13 北方工业大学 一种自动泊车控制系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170253237A1 (en) * 2016-03-02 2017-09-07 Magna Electronics Inc. Vehicle vision system with automatic parking function

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014144708A (ja) * 2013-01-29 2014-08-14 Toyota Motor Corp 駐車支援装置及び駐車支援方法
DE102014220144A1 (de) * 2014-10-06 2016-04-07 Robert Bosch Gmbh Verfahren und Vorrichtung zur Unterstützung eines Fahrers eines Kraftfahrzeugs
CN105109482A (zh) * 2015-08-24 2015-12-02 奇瑞汽车股份有限公司 停车入库方法及装置
CN105128856A (zh) * 2015-08-24 2015-12-09 奇瑞汽车股份有限公司 停车入库方法及装置
CN105589461A (zh) * 2015-11-18 2016-05-18 南通大学 一种基于改进蚁群算法的泊车系统路径规划方法
CN106774290A (zh) * 2016-12-22 2017-05-31 奇瑞汽车股份有限公司 一种自动取车方法及装置
CN107424116A (zh) * 2017-07-03 2017-12-01 浙江零跑科技有限公司 基于侧环视相机的泊车位检测方法
CN107745710A (zh) * 2017-09-12 2018-03-02 南京航空航天大学 一种基于机器视觉与机器学习的自动泊车方法及系统
CN107792062A (zh) * 2017-10-16 2018-03-13 北方工业大学 一种自动泊车控制系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022268274A1 (de) * 2021-06-25 2022-12-29 Continental Automotive Technologies GmbH Verfahren zur trajektorienoptimierung

Also Published As

Publication number Publication date
CN108860139A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
CN108860139B (zh) 一种基于深度增强学习的自动泊车轨迹规划方法
CN110136481B (zh) 一种基于深度强化学习的停车策略
Zhang et al. Reinforcement learning-based motion planning for automatic parking system
CN110322017A (zh) 基于深度强化学习的自动驾驶智能车轨迹跟踪控制策略
CN109492763B (zh) 一种基于强化学习网络训练的自动泊车方法
Zhao et al. Dynamic motion planning for autonomous vehicle in unknown environments
CN107168303A (zh) 一种汽车的自动驾驶方法及装置
CN112356830A (zh) 一种基于模型强化学习的智能泊车方法
CN107092256B (zh) 一种无人车转向控制方法
Tan et al. Experimental development of a new target and control driver steering model based on DLC test data
CN109212973A (zh) 一种基于强化学习的仿人智能控制的避障控制方法
CN107901909A (zh) 一种车道自动更换的控制方法、装置及控制器
CN113359771B (zh) 一种基于强化学习的智能自动驾驶控制方法
CN110509923A (zh) 自动驾驶路径规划方法、系统、计算机可读存储介质及车辆
Heinen et al. Seva3d: Using arti cial neural networks to autonomous vehicle parking control
Almási et al. Robust reinforcement learning-based autonomous driving agent for simulation and real world
Hartmann et al. Competitive driving of autonomous vehicles
CN116224996A (zh) 一种基于对抗强化学习的自动驾驶优化控制方法
Basile et al. Ddpg based end-to-end driving enhanced with safe anomaly detection functionality for autonomous vehicles
CN111413974B (zh) 一种基于学习采样式的汽车自动驾驶运动规划方法及系统
CN114997048A (zh) 基于探索策略改进的td3算法的自动驾驶车辆车道保持方法
CN115339516B (zh) 转向盘旋转角度确定方法、装置及电子设备
Reda et al. Deep learning-based automated vehicle steering
Imam et al. Autonomous driving system using proximal policy optimization in deep reinforcement learning
Tan et al. Driver steering model based on a target & control scheme

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
CP01 Change in the name or title of a patent holder

Address after: 310051 1st and 6th floors, no.451 Internet of things street, Binjiang District, Hangzhou City, Zhejiang Province

Patentee after: Zhejiang Zero run Technology Co.,Ltd.

Address before: 310051 1st and 6th floors, no.451 Internet of things street, Binjiang District, Hangzhou City, Zhejiang Province

Patentee before: ZHEJIANG LEAPMOTOR TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder