CN109084798A - 网络下发带有道路属性的控制点的路径规划方法 - Google Patents

Abstract

本发明提出了一种网络下发带有道路属性的控制点的路径规划方法，根据高精度地图、端到端的方法利用卷积神经网络，学习道路属性并在道路上分布不同的控制点，利用深度学习得到驾驶轨迹集，并利用驾驶轨迹集对控制点赋予对应的属性，通过云端服务器将控制点下发给车辆，车辆自身根据控制点按照路径拟合函数以及代价值计算获得最优的规划路径，车辆按照最优的规划路径行驶，本发明相比常规的无人驾驶路径规划而言具有能够适应复杂道路结构和交通规则，且实时应变能力强的优点。

Description

网络下发带有道路属性的控制点的路径规划方法

技术领域

本发明涉及路径规划方法，尤其涉及一种网络下发带有道路属性的控制点的路径规划方法。

背景技术

路径规划是环境感知和车辆控制的桥梁，规划算法的性能优劣直接影响汽车能否在复杂交通场景中的自主驾驶。目前的规划方法没有与地图深度结合，没法适应错综复杂的道路结构及交通规则、实时变化的交通状况以及大量频繁的路径规划。随着城市道路越来越复杂、道路上车辆越来越多，路径规划的问题越来越重要。

现有自动驾驶技术一般包括两大类，一张是采用环境与汽车自身控制系统相互映射的方法，该方法类似于仿真驾驶技术，利用传感设备获取外界信息并通过仿真模拟直接映射汽车的方向盘、油门和刹车等操作部件，进行实时的映射和反馈操作，但是该方法的数据处理量庞大，仿真困难，且对于复杂路况难以实现。另一种技术则是建立道路网格系统，利用网格系统生成相应的目标路径点，汽车根据路径点前进，该方法能够产生大量的候选路径，但是该方法也难以应用在复杂路况下。

发明内容

有鉴于此，本发明提出了一种能够适应不同道路状况、规划灵活且处理数据量小的网络下发带有道路属性的控制点的路径规划方法。

本发明的技术方案是这样实现的：本发明提供了一种网络下发带有道路属性的控制点的路径规划方法，包括如下步骤：

步骤一、云端服务器以高精度地图为基础，在道路不同位置布置控制点，通过端到端的方法利用卷积神经网络学习控制点的道路属性并建立驾驶轨迹集；

步骤二、在驾驶轨迹集的基础上，对道路的不同位置的控制点赋予对应的控制点属性；

步骤三、车辆将实时的车辆信息和道路信息传输给云端服务器，云端服务器根据驾驶轨迹集下发车辆附件的控制点；

步骤四、车辆的规划计算模块根据下发的控制点计算最优路径，并将最优路径传输给车辆控制模块。

步骤一中，无人汽车在道路行驶并根据车身的数据采集系统，例如行车记录仪、激光雷达以及车身的各种传感器收集数据信息，数据信息上传至云端处理器，云端服务器将数据信息与高精度地图相结合并通过端到端的方法以卷积神经网络进行学习，最终云端服务器建立驾驶轨迹集。

步骤二中，由于云端服务器对驾驶轨迹的不同位置均预设有控制点，控制点在高精度地图对应位置处会有多条轨迹经过，这多条轨迹所包含的数据集合构成了该处控制点的属性。

步骤三中，车辆在道路上行驶并产生对应的车辆信息，包括车辆位置、车辆速度、车辆目的地等，这些车辆信息传输给云端服务器，云端服务器根据车辆信息以及由步骤一的深度学习产生的驾驶轨迹集对车辆的下一步行驶路径分配对应的控制点，所有控制点都能产生多种行驶轨迹的可能。

步骤四中，车辆自身根据控制点的状态以及车辆当前的状态进行曲线生成计算，并将计算得出的路径进行代价值计算，代价值计算结果最小的则为最优的路径，汽车则按照该最优的路径进行行驶。

在以上技术方案的基础上，优选的，步骤一中还包括利用行车记录仪、激光雷达和车载传感器中的一种或几种对道路信息进行提取，提取的道路信息上传至云端服务器，云端服务器则将道路信息补充到高精度地图中。

由于正常的道路中会有车辆和其他障碍物，因此通过获取实时的道路信息对高精度地图进行补充，能够应对各种复杂路况，

在以上技术方案的基础上，优选的，步骤一中所述道路的不同位置包括距离路口、进弯道、出弯道和道路宽度发生变化处50～100米处布设离线控制点。以上道路位置的交通情况通常比较复杂，通过提前预设离线控制点可以强制让进入该路段的车辆提前进行路段规划准备，一方面复杂路段的车辆多，信息传递繁忙，网络容易拥堵，另一方面，复杂路段进行提前规划可以及时避免交通拥堵。

在以上技术方案的基础上，优选的，步骤二中所述控制点属性包括ID、坐标、头指向、头指向变化范围、曲率、曲率变化范围、速率、所在车道与相邻车道的连通性、所在车道方向和控制点的拓扑结构；

其中ID包括控制点所在车道信息以及控制点为与所在车道上的具体编号信息；

坐标为控制点的坐标，改坐标可以是相对全局坐标系的坐标，也可以是相对车身位置的相对坐标；

头指向为控制点处车辆的建议行驶方向与控制点所在车道所成的角度；

头指向变化范围为上述行驶方向与控制点所在车道所成角度的变化范围；

曲率为经过该控制点的路径曲线在该控制点处的曲率；

曲率变化范围是所有能够经过该控制点的路径曲线在该控制点处的曲率的变化范围；

速率为车辆在该控制点处的建议行驶速度；

所在车道与相邻车道的连通性为该控制点所在车道与其左车道和右车道的连通性；

所在车道方向为该控制点所在位置处是否直行、左转、右转和可掉头；

控制点的拓扑结构表示该控制点与相邻控制点之间的连接关系，从而提供车辆到下一个控制点的大致规划。

更进一步优选的，所述头指向变化范围为-30～30°，所述曲率的变化范围为-k～krad/m，所述其中R_min为车辆的最小转弯半径，所述L为车辆车轴的长度，θ_max为车辆最大前轮转角。

在以上技术方案的基础上，优选的，步骤四中计算最优路径的方法包括：

步骤一、赋予车辆当前状态q_init＝[x_Iy_Iθ_Iκ_I]和目标控制点的状态q_goal＝[x_Gy_Gθ_Gκ_G]，其中

θ_P(s)＝a(P)s+b(P)s²/2+c(P)s³/3+d(P)s⁴/4

κ_P(s)＝a(P)+b(P)s+c(P)s²/3+d(P)s³；

步骤二、根据车辆当前状态和目标控制点的状态进行曲率拟合，曲率拟合函数为κ(s)＝a(P)+b(P)s+c(P)s²+d(P)s³。

在以上技术方案的基础上，优选的，所述x、y为控制点的坐标值，所述θ为汽车的航向角，所述k为曲率，所述s为汽车行驶里程，所述P为参数，P＝[p_0...3，s_G]，S_G表示目标点的里程，P采用梯度下降法求解，具体求解方式如下：

所述a、b、c、d为拟合函数中的系数，所述J是梯度下降的雅克比矩阵，Δq为求解的目标点状态和实际目标点状态之间的差异。

在以上技术方案的基础上，优选的，所述系数a、b、c、d与参数P之间的关系为：

a(P)＝p₀

κ(s_G)＝p₃。

在以上技术方案的基础上，优选的，步骤四中所述计算最优路径还包括计算每条轨迹的代价值，所述最优路径为代价值最小的路径。

在以上技术方案的基础上，优选的，所述代价值计算公式为CoSt＝C_collision+C_s+C_θ+C_κ+C_lane，所述C_collision为碰撞代价，如果行驶路径中存在与障碍物的碰撞，则C_collision＝3000，否则C_collision＝0，所述C_s为里程代价，具体为每条行驶路径的总长度，所述C_θ为头指向和头指向的变化率过大产生的代价，具体为每条行驶路径中的相邻两个控制点之间的头指向的差值的累加，所述C_k为曲率和曲率的变化过大产生的代价，具体为每条行驶路径中的相邻两个控制点之间的曲率差值的累加，所述C_lane为道路的代价值，越偏离道路中心线，C_lane值越大。

本发明的相对于现有技术具有以下有益效果：

(1)本发明采用端对端的方法利用卷积神经网络进行深度学习，利用高精度地图对道路上可能的行驶路径进行汇总形成驾驶轨迹集，利用端对端的方法将车辆行驶信息转化为控制点信息，控制点信息通过云端服务器下发至车辆，车辆自身对控制点信息进行计算并得出最佳的路径，控制点具有范围变化的属性值让规划的路径更加灵活多样，可应对复杂的交通路况；

(2)本发明的路径规划方法大大减少了车辆的运算量，同时该方法规划的路径灵活多变，能够适应复杂的路况，通过实时上传的路况情况和端对端的计算方式，大大增强规划路径的实时应变能力。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明路径规划方法的流程框图。

具体实施方式

下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。

如图1所示，本发明的网络下发带有道路属性的控制点的路径规划方法，用于对无人驾驶车辆的路径规划，包括如下步骤：

步骤一、云端服务器以通过高精度地图，在地图道路不通位置处布置控制点，车辆在道路行驶的数据信息上传至云端服务器，云端服务器通过卷积神经网络进行学习，并建立驾驶轨迹集；

步骤二、以驾驶轨迹集作为基础，对道路上的控制点赋予对应的控制点属性，控制点属性来源于驾驶轨迹集中经过该控制点处的轨迹在该控制点处的属性集合；

步骤三、车辆在道路行驶的过程中，通过车身的传感器或其他数据获取装置获取道路信息和车辆信息，并将道路信息和车辆信息传输给云端服务器，云端服务器根据端到端的方法将信息输入，通过高精度地图信息以及驾驶轨迹集数据下发车辆附近的控制点；

步骤四、车辆接收到控制点后利用规划计算模块通过路径规划算法和代价值算法进行计算，获得最佳路径规划，车辆控制模块通过执行该最佳路径规划进行行驶。

卷积神经网络(Convolutional Neural Network)，是人工神经网络中的一种，它由多层的神经网络构成，它的权值共享网络结构使之更类似于生物的神经网络，降低了网络模型的复杂度，减少了权值的数量。

该神经网络在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。因此采用基于卷积神经网络的方法可以快速识别道路上车辆目标或路障目标的相关信息，然后可以进一步地提取该路段实时交通信息，从而达到快速有效地进行车辆的最优路径规划。

为了适应车道实时的变化，在步骤一中会对高精度地图进行实时的修订，修订的方式包括利用行车记录仪、激光雷达、车身的传感器等进行数据上传，云端服务器会根据上传的信息对高精度地图进行暂时的适应性修改，云端服务器同时会对修改位置的控制点进行停用或属性修改，例如实际路面进行维修、路面有障碍物、车祸堵塞、潮汐车道的车流变化等。

对于道路发生变化位置处，例如弯道的进出口、交叉路口、道路合并或分开等道路宽度发生变化位置，常常会发生拥堵或交通事故，本发明通过驾驶轨迹集在这距离这些位置50～100米位置处预设控制点，并且将这些控制点作为离线控制点，不需要云端服务器进行下发，车辆自身会对这些离线控制点进行保存，当车辆进入这些路段时，规划计算模块自动将这些控制点作为最优路径计算的控制点。

本发明赋予控制点的属性包括：控制点的ID，ID可以直接反映控制点的车道信息以及在车道上的编号信息，用于区分位于相同车道相同位置的不同控制点；控制点坐标、用于计算机直接辨识控制点的空间位置，通过全局坐标系或相对坐标系进行标定；头指向和头指向变化范围，代表控制点处的路径运行方向以及方向的变化范围；曲率以及曲率变化范围，代表经过该控制点的路径的曲率以及曲率的变化范围；所在车道与相邻车道的连通性，代表控制点所在车道是否可以换道；速率，代表在该控制点处的允许行驶速率；所在车道方向和控制点的拓扑结构，代表控制点处的下一步行驶方向，用于指导车辆的总体行驶方向。

以上属性足以构成车辆完整的行驶行为，指导车辆以符合道路交通法以及当前路况的行驶方式运行。

在具体实施方式中，车辆头指向的变化范围一般为-30～30°，路径的曲率变化范围根据车辆的最小转弯半径以车辆的传动轴长度相关，具体的，曲率的变化范围为-k～krad/m，其中R_min为车辆的最小转弯半径，L代表车辆车轴的长度，θ_max为车辆最大前轮转角。

在具体实施方式中，车辆规划计算模块需要根据下发的控制点进行路径的计算，本发明中采用曲率拟合的函数进行计算，拟合函数：κ(s)＝a(P)+b(P)s+c(P)s²+d(P)s³，拟合函数根据车辆当前状态q_init＝[x_Iy_Iθ_Iκ_I]和目标控制点的状态q_goal＝[x_Gy_Gθ_Gκ_G]进行计算，其中x、y代表坐标，θ代表在对应位置处的转向角，θ_P(s)＝a(P)s+b(P)s²/2+c(P)s³/3+d(P)s⁴/4；

k代表曲率，κ_P(s)＝a(P)+b(P)s+c(P)s²/3+d(P)s³；s代表里程数，a、b、c、d是拟合函数中的系数，在实际计算中，上述拟合计算方式的系数的数量级会相差很大，例如一次项中的系数b要显著大于三次项的系数d，这会导致在数值的计算过程中误差大大增加，因此本发明提出新的参数P，P＝[p_0...3，s_G]，P采用梯度下降法求解，求解方式如下：

参数P与a、b、c、d分别构成对应的数量关系，具体的：

a(P)＝p₀

κ(s_G)＝p₃。

利用上述拟合函数进行曲线的拟合，计算不同曲线的代价值Cost，选取具有最小Cost值的曲线作为最优的规划路径，具体的，所述代价值的计算公式为：

CoSt＝C_collision+C_s+C_θ+C_κ+C_lane

公式中，C_collision表示障碍物的碰撞代价，形势路径中存在与障碍物的碰撞，则C_collision＝3000，否则C_collision＝0；所述C_s为每条行驶路径的里程代价，具体为每条行驶路径的总长度；所述C_θ为头指向和头指向的变化率过大产生的代价，具体为每条行驶路径中的相邻两个控制点之间的头指向角度差值的累加；所述C_k为曲率和曲率的变化过大产生的代价，具体为每条行驶路径中的相邻两个控制点之间的曲率的差值的累加；所述C_lane为道路的代价值，越偏离道路中心线，述C_lane的代价值越大。

具体一实施例中，汽车在直行车道上行驶，还要一左车道，可以换车道，左车道为左转车道，但是直行车道前方存在障碍物，若按照常规路径点前进则会选择避开障碍物走左车道，按照该方法，汽车就只能选择左转，本发明则会在障碍物的后方布置控制点，汽车通过控制点计算路径则会得到预先左转避开障碍物后继续右转的路径，既可以避开路障又可以达到继续直行的目的。

具体一实施例中，汽车在十字路口，初始目标地点为直行，若临时需要左转或掉头，常规的规划方法是无法直接办到的，本发明则可以直接通过云端下发新的控制点，汽车自身通过规划计算模块迅速计算路径就可以继续前进了。

具体一实施例中，潮汐车道上，在不同时间具有不同的汽车行驶方向，常规的路径规划方法无法准确给汽车前进方向的指示，本发明下发控制点自带头指向属性，汽车可以直接获取前进方向，无需复杂判断过程。

以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种网络下发带有道路属性的控制点的路径规划方法，其特征在于，包括如下步骤：

步骤一、云端服务器以高精度地图为基础，在道路不同位置布置控制点，通过端到端的方法利用卷积神经网络学习控制点的道路属性并建立驾驶轨迹集；

步骤二、在驾驶轨迹集的基础上，对道路的不同位置的控制点赋予对应的控制点属性；

步骤三、车辆将实时的车辆信息和道路信息传输给云端服务器，云端服务器根据驾驶轨迹集下发车辆附件的控制点；

步骤四、车辆的规划计算模块根据下发的控制点计算最优路径，并将最优路径传输给车辆控制模块。

2.如权利要求1所述的网络下发带有道路属性的控制点的路径规划方法，其特征在于，所述步骤一还包括利用行车记录仪、激光雷达和车载传感器中的一种或几种提取道路信息并补充到高精度地图中。

3.如权利要求1所述的网络下发带有道路属性的控制点的路径规划方法，其特征在于，步骤一中所述道路的不同位置包括距离路口、进弯道、出弯道和道路宽度发生变化处50～100米位置布设离线控制点。

4.如权利要求1所述的网络下发带有道路属性的控制点的路径规划方法，其特征在于，步骤二中所述控制点属性包括ID、坐标、头指向、头指向变化范围、曲率、曲率变化范围、速率、所在车道与相邻车道的连通性、所在车道方向和控制点的拓扑结构；

所述ID包括控制点所在车道以及控制点在所在车道上的编号；

所述坐标为控制点全局坐标系的坐标或相对车身位置的相对坐标；

所述头指向为控制点的建议行驶方向与控制点所在车道所成角度；

所述头指向变化范围为该行驶方向与控制点所在车道所成角度的变化范围；

所述曲率为经过该控制点的路径曲线在该控制点处的曲率；

所述曲率变化范围是所有能够经过该控制点的路径曲线在该控制点处的曲率的变化范围；

所述速率为在该控制点处的建议行驶速度；

所述所在车道与相邻车道的连通性为该控制点所在车道与其左车道和右车道的连通性；

所述所在车道方向为该控制点所在位置处是否直行、左转、右转和可掉头；

所述控制点的拓扑结构表示该控制点与相邻控制点之间的连接关系。

5.如权利要求4所述的网络下发带有道路属性的控制点的路径规划方法，其特征在于，所述头指向变化范围为-30～30°，所述曲率变化范围为-k～krad/m，所述其中R_min为车辆的最小转弯半径，所述L为车辆车轴的长度，θ_max为车辆最大前轮转角。

6.如权利要求1所述的网络下发带有道路属性的控制点的路径规划方法，其特征在于，步骤四中所述最优路径的计算方法包括：

步骤一、赋予车辆当前状态q_init＝[x_Iy_Iθ_Iκ_I]和目标控制点的状态q_goal＝[x_Gy_Gθ_Gκ_G]，其中

θ_P(s)＝a(P)s+b(P)s²/2+c(P)s³/3+d(P)s⁴/4

κ_P(s)＝a(P)+b(P)s+c(P)s²/3+d(P)s³；

步骤二、根据车辆当前状态和目标控制点的状态进行曲率拟合，曲率拟合函数为κ(s)＝a(P)+b(P)s+c(P)s²+d(P)s³。

7.如权利要求6所述的网络下发带有道路属性的控制点的路径规划方法，其特征在于，所述x、y为控制点的坐标值，所述θ为汽车的航向角，所述k为曲率，所述s为汽车行驶里程，所述P为参数，P＝[p_0...3，s_G]，S_G表示目标点的里程；

P采用梯度下降法求解，具体求解方式如下：

所述a、b、c、d为拟合函数中的系数，所述J是梯度下降的雅克比矩阵，Δq为求解的目标点状态和实际目标点状态之间的差异。

8.如权利要求7所述的网络下发带有道路属性的控制点的路径规划方法，其特征在于，所述系数a、b、c、d与参数P之间的关系为：

a(P)＝p₀

κ(s_G)＝p₃。

9.如权利要求1所述的网络下发带有道路属性的控制点的路径规划方法，其特征在于，步骤四中所述计算最优路径还包括计算每条轨迹的代价值，所述最优路径为代价值最小的路径。

10.如权利要求9所述的网络下发带有道路属性的控制点的路径规划方法，其特征在于，所述代价值的计算公式为Cost＝C_collision+C_s+C_θ+C_κ+C_lane，所述C_collision为碰撞代价，所述C_s为里程代价，所述C_θ为头指向和头指向的变化率过大产生的代价，所述C_k为曲率和曲率的变化过大产生的代价，所述C_lane为道路的代价值。