CN109213153A - 一种车辆自动驾驶方法及电子设备 - Google Patents
一种车辆自动驾驶方法及电子设备 Download PDFInfo
- Publication number
- CN109213153A CN109213153A CN201810895490.4A CN201810895490A CN109213153A CN 109213153 A CN109213153 A CN 109213153A CN 201810895490 A CN201810895490 A CN 201810895490A CN 109213153 A CN109213153 A CN 109213153A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- cost
- lane
- time
- calculated
- 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 43
- 238000006073 displacement reaction Methods 0.000 claims abstract description 66
- 238000010586 diagram Methods 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 23
- 230000001133 acceleration Effects 0.000 claims description 16
- 230000004888 barrier function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims 2
- 230000006870 function Effects 0.000 description 23
- 230000010391 action planning Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 125000006850 spacer group Chemical group 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0227—Control of position or course in two dimensions specially adapted to land vehicles using mechanical sensing means, e.g. for sensing treated area
- G05D1/0229—Control of position or course in two dimensions specially adapted to land vehicles using mechanical sensing means, e.g. for sensing treated area in combination with fixed guiding means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
Abstract
本发明公开车辆自动驾驶方法及电子设备,方法包括:每间隔预设决策时间段,执行:将本车的预设决策道路区域内的每个车道在位移方向上的位置沿时间展开,得到每个车道的位置时间图;步骤(S102),根据多个车道的位移时间图,将本车在待计算时间节点,从待计算位置出发,在下一时间节点可以到达的所有到达位置的集合作为搜索域;计算搜索域中到达每个到达位置的代价,将代价满足要求的到达位置作为选定位置加入选定集合;如果达到终止条件,则执行步骤(S105),否则执行步骤(S102);步骤(S105),控制本车在选定集合的选定位置对应的时间节点到达对应的选定位置。本发明根据动态环境中自身及其他交通参与者的运动规律,根据规则计算出合理的行驶动作。
Description
技术领域
本发明涉及车辆相关技术领域,特别是一种车辆自动驾驶方法及电子设备。
背景技术
自动驾驶技术可以降低车辆使用者与驾驶相关的劳动强度和安全责任。业内普遍认为,车辆自动驾驶技术分为全局路径规划、环境感知及定位、局部运动规划及运动执行四个关键部分。其中,局部运动规划负责根据车辆自身及环境状况,决定车辆的运动方式。
自动驾驶车辆的运动包括横向运动和纵向运动两部分,分别对应车辆行驶方向和行驶速度的状态变化。
一些技术方案中,将横向运动和纵向运动分别规划。首先在地图上绘制从起点到终点的行驶路径。之后沿设定的行驶路径进行速度规划,避让路径上出现的障碍物。实时行驶环境中往往存在运动的障碍物,包括车辆、自行车及行人等交通参与者。当自动驾驶车辆因速度变化造成到达路径上某个位置的时间不同时,环境中的障碍物分布也会发生变化。因此轨迹规划和速度规划应存在耦合性,前述技术方案在此方面存在局限。
另一些技术方案中,为解决横向规划和纵向规划的耦合性和同步性,使用了端对端的方法。基于神经网络和机器学习技术,由自动驾驶车辆自身及环境在当前时刻,或一段时间内的状态,直接计算得到横向和纵向的运动控制指令。端对端方法存在两个主要缺点:其一是依赖大量良好标记的训练数据以及强大的车载计算能力,提高自动驾驶技术的开发和使用成本;其二是神经网络对开发者和使用者而言都是黑箱系统,其行为表现很难预估及控制,存在不透明性和不确定性。
发明内容
基于此,有必要针对现有自动驾驶存在的技术问题,提供一种车辆自动驾驶方法及电子设备。
本发明提供一种车辆自动驾驶方法,包括:
每间隔预设决策时间段,执行步骤S101~S105:
步骤S101,将本车的预设决策道路区域内的每个车道在位移方向上的位置沿时间展开,得到每个车道的位置时间图,将每个车道在所述决策道路区域内的所有车辆的运动过程映射在所在车道的位移时间图上;
步骤S102,根据多个车道的位移时间图,将本车在待计算时间节点,从待计算位置出发,在下一时间节点可以到达的所有到达位置的集合作为搜索域;
步骤S103,计算到达所述搜索域中每个所述到达位置的代价,将代价满足要求的到达位置作为选定位置加入选定集合;
步骤S104,如果达到终止条件,则执行步骤S105,否则将待计算位置设定为所述选定位置,将待计算时间节点设定为下一时间节点后,执行步骤S102;
步骤S105,控制本车在所述选定集合的选定位置对应的时间节点到达对应的选定位置。
进一步的,所述步骤S101具体包括:
获取本车的规划路线;
将本车的规划路线进行坐标转换,得到笛卡尔正交坐标系下的规划路线,笛卡尔正交坐标系的原点为道路中心线上距离本车几何中心最近的点,与道路中心线平行的方向定义为位移方向,与位移方向垂直的方向定义为偏离方向;
选择所述笛卡尔正交坐标系下的规划路线中本车的前方预设位移距离和本车的后方预设位移距离作为决策道路区域;
将决策道路区域在位移方向上根据距离划分栅格区间,所述栅格区间在偏离方向上根据车道进行划分;
每个车道在位移方向上所处于的栅格的位置沿时间展开,得到每个车道的位置时间图;
将每个车道在所述决策道路区域内的所有车辆的运动过程映射在所在车道的位移时间图上。
进一步的,所述步骤S102,具体包括:
根据多个车道的位移时间图,将从待计算位置出发,在下一时间节点,在本车所在的车道及全部相邻车道内满足如下条件的到达位置的集合作为搜索域:
slower<s<supper;
其中,
s为到达位置所产生的纵向位移,slower=s0+vmin×t,supper=s0+vmax×t,t为相邻两个时间节点的时间差,vmin=max(0,v-dmax/2),vmax=min(vlimit,v+amax/2),其中,s0为本车在待计算时间节点的纵向坐标,v为本车在待计算时间节点的速度,dmax是本车的最大减速度,amax是本车的最大加速度,vlimit是车速上限。
进一步的,所述代价包括本车从所述待计算位置到达所述到达位置所产生的实际代价和从所述到达位置到达决策道路区域的边界所产生的预测代价。
更进一步的:
所述实际代价Gcost=Gtime+Gaccel+Glanechange+Gparasitical+Gcollision,其中Gtime为本车从所述待计算位置到达所述到达位置所用过的总时间,Gaccel为判断本车为从所述待计算位置到达所述到达位置是否需要加速或减速所产生的代价系数,所述Glanechange为判断本车为从所述待计算位置到达所述到达位置是否需要变换车道所产生的代价系数,所述Gparasitical为判断本车从所述待计算位置到达所述到达位置是否保持在中间车道所产生的代价系数,所述Gcollision为判断本车从所述待计算位置到达所述到达位置是否需要与前方障碍物车辆发生碰撞所产生的代价系数;
所述预测代价其中为本车从所述到达位置在考虑该到达位置所在车道内障碍物车辆时,到达决策道路区域的边界的时间,所述Hparasitical为判断本车的到达位置是否保持在中间车道所产生的代价系数;
所述代价G=Gcost+Hcost。
进一步的,所述终止条件为:所述选定位置到达所述决策道路区域的边界或者经历的时间节点达到预设的时间边界。
本发明提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
每间隔预设决策时间段,执行步骤S101~S105:
步骤S101,将本车的预设决策道路区域内的每个车道在位移方向上的位置沿时间展开,得到每个车道的位置时间图,将每个车道在所述决策道路区域内的所有车辆的运动过程映射在所在车道的位移时间图上;
步骤S102,根据多个车道的位移时间图,将本车在待计算时间节点,从待计算位置出发,在下一时间节点可以到达的所有到达位置的集合作为搜索域;
步骤S103,计算到达所述搜索域中每个所述到达位置的代价,将代价满足要求的到达位置作为选定位置加入选定集合;
步骤S104,如果达到终止条件,则执行步骤S105,否则将待计算位置设定为所述选定位置,将待计算时间节点设定为下一时间节点后,执行步骤S102;
步骤S105,控制本车在所述选定集合的选定位置对应的时间节点到达对应的选定位置。
进一步的,所述步骤S101具体包括:
获取本车的规划路线;
将本车的规划路线进行坐标转换,得到笛卡尔正交坐标系下的规划路线,笛卡尔正交坐标系的原点为道路中心线上距离本车几何中心最近的点,与道路中心线平行的方向定义为位移方向,与位移方向垂直的方向定义为偏离方向;
选择所述笛卡尔正交坐标系下的规划路线中本车的前方预设位移距离和本车的后方预设位移距离作为决策道路区域;
将决策道路区域在位移方向上根据距离划分栅格区间,所述栅格区间在偏离方向上根据车道进行划分;
每个车道在位移方向上所处于的栅格的位置沿时间展开,得到每个车道的位置时间图;
将每个车道在所述决策道路区域内的所有车辆的运动过程映射在所在车道的位移时间图上。
进一步的,所述步骤S102,具体包括:
根据多个车道的位移时间图,将从待计算位置出发,在下一时间节点,在本车所在的车道及全部相邻车道内满足如下条件的到达位置的集合作为搜索域:
slower<s<supper;
其中,
s为到达位置所产生的纵向位移,slower=s0+vmin×t,supper=s0+vmax×t,t为相邻两个时间节点的时间差,vmin=max(0,v-dmax/2),vmax=min(vlimit,v+amax/2),其中,s0为本车在待计算时间节点的纵向坐标,v为本车在待计算时间节点的速度,dmax是本车的最大减速度,amax是本车的最大加速度,vlimit是车速上限。
进一步的,所述代价包括本车从所述待计算位置到达所述到达位置所产生的实际代价和从所述到达位置到达决策道路区域的边界所产生的预测代价。
更进一步的:
所述实际代价Gcost=Gtime+Gaccel+Glanechange+Gparasitical+Gcollision,其中Gtime为本车从所述待计算位置到达所述到达位置所用过的总时间,Gaccel为判断本车为从所述待计算位置到达所述到达位置是否需要加速或减速所产生的代价系数,所述Glanechange为判断本车为从所述待计算位置到达所述到达位置是否需要变换车道所产生的代价系数,所述Gparasitical为判断本车从所述待计算位置到达所述到达位置是否保持在中间车道所产生的代价系数,所述Gcollision为判断本车从所述待计算位置到达所述到达位置是否需要与前方障碍物车辆发生碰撞所产生的代价系数;
所述预测代价其中为本车从所述到达位置在考虑该到达位置所在车道内障碍物车辆时,到达决策道路区域的边界的时间,所述Hparasitical为判断本车的到达位置是否保持在中间车道所产生的代价系数;
所述代价G=Gcost+Hcost。
进一步的,所述终止条件为:所述选定位置到达所述决策道路区域的边界或者经历的时间节点达到预设的时间边界。
本发明可以根据动态环境中自身及其他交通参与者的运动规律,根据规则计算出合理的行驶动作。
附图说明
图1为本发明一种车辆自动驾驶方法的工作流程图;
图2为弯曲道路示意图;
图3为转弯道路示意图;
图4为将图2或图3所选取的局部道路进行坐标变换,所形成的笛卡尔正交坐标系;
图5为将单车道的车辆映射到位移时间图的示意图;
图6为将多车道的车辆映射到位移时间图的示意图;
图7为本发明一种电子设备的硬件结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细的说明。
如图1所示为本发明一种车辆自动驾驶方法的工作流程图,包括:
每间隔预设决策时间段,执行步骤S101~S105:
步骤S101,将本车的预设决策道路区域内的每个车道在位移方向上的位置沿时间展开,得到每个车道的位置时间图,将每个车道在所述决策道路区域内的所有车辆的运动过程映射在所在车道的位移时间图上;
步骤S102,根据多个车道的位移时间图,将本车在待计算时间节点,从待计算位置出发,在下一时间节点可以到达的所有到达位置的集合作为搜索域;
步骤S103,计算到达所述搜索域中每个所述到达位置的代价,将代价满足要求的到达位置作为选定位置加入选定集合;
步骤S104,如果达到终止条件,则执行步骤S105,否则将待计算位置设定为所述选定位置,将待计算时间节点设定为下一时间节点后,执行步骤S102;
步骤S105,控制本车在所述选定集合的选定位置对应的时间节点到达对应的选定位置。
本发明提供的算法,所需的输入信息包括全局路径、本车自身信息、局部道路信息、环境中其他参与者信息。全局路径是指由车辆使用者设置目的地后,自动驾驶车辆根据路途最短、时间最短、高速优先等目标,在地图上搜寻得到的从起始位置到目的地的最优路线。该过程可由现有导航设备完成。本车自身信息包括本车位置信息和本车速度信息,本车位置信息可由GPS等定位设备取得,本车速度信息可由GPS设备或车辆上装载的速度传感器取得。局部道路信息是指在全局路径上,本车位置附近的道路信息。本发明提供的算法主要面向结构化道路,有明确的道路边缘和车道划分,因此局部道路信息包括车道数量、各车道的宽度、车道限速要求。环境中其他参与者主要包括车辆、自行车、行人及其他可能出现的障碍物。为简化描述本发明提供的算法,以下应用实例中不做具体区分,统一定义为参与者。参与者信息包括与本车的相对位置关系及其速度。参与者信息可通过本车搭载的摄像机、雷达、声呐或激光雷达等传感器取得,亦可通过V2X的方式得知。在任一时刻,仅考虑局部道路范围内的其他参与者。
本发明提供的算法,输出的结果是综合考虑安全性、快捷性、舒适性和平顺性的目标前提下,局部道路范围内的动作规划。更为具体的,是在局部道路范围内,最优运动轨迹在时间轴上的展开。换而言之,本发明提供的算法可以计算出为了满足上述目标前提,自动驾驶车辆在各时间节点应该到达的位置。车辆可由运动轨迹对时间求导,换算成转向系统、动力系统及制动系统等执行机构的操作指令,实现自动驾驶。
本发明可以根据动态环境中自身及其他交通参与者的运动规律,根据规则计算出合理的行驶动作。
在其中一个实施例中,所述步骤S101具体包括:
获取本车的规划路线;
将本车的规划路线进行坐标转换,得到笛卡尔正交坐标系下的规划路线,笛卡尔正交坐标系的原点为道路中心线上距离本车几何中心最近的点,与道路中心线平行的方向定义为位移方向,与位移方向垂直的方向定义为偏离方向;
选择所述笛卡尔正交坐标系下的规划路线中本车的前方预设位移距离和本车的后方预设位移距离作为决策道路区域;
将决策道路区域在位移方向上根据距离划分栅格区间,所述栅格区间在偏离方向上根据车道进行划分;
每个车道在位移方向上所处于的栅格的位置沿时间展开,得到每个车道的位置时间图;
将每个车道在所述决策道路区域内的所有车辆的运动过程映射在所在车道的位移时间图上。
在图2~图4所示的实例中,为从全局路径中,本车当前所在位置附近的局部道路。为便于理解,本实例中,规定沿全局路径方向为纵向,垂直于全局路径方向为横向。由于道路存在图2弯曲及图3转弯的情况,全局路径上的道路中心线并不一定是直线,给动作规划带来困难。本发明提供的算法中,将图2或图3所选取的局部道路进行坐标变换,形成图4所示的笛卡尔正交坐标系。坐标系原点为道路中心线上距离本车几何中心最近的点,与道路中心线对应的方向定义为位移(shift)方向,与位移方向垂直的方向定义为偏离(offset)方向。本实例中,考虑的决策道路区域为横向覆盖允许本车行驶的全部车道线,纵向覆盖以道路中心线为基准,本车几何中心前方400米至后方50米范围对应的道路区域。
为将坐标离散化,需要将地图划分为栅格。局部道路划分为有限个单元栅格,本车及每个参与者分别占据若干个单元栅格,由各自的位置和尺寸决定。
局部道路在位移方向上根据距离划分栅格区间,单位为米。即本车前方划分为400个区间,本车后方划分为50个区间。
注意到结构化道路中,本车及其他道路参与者绝大部分时间都在车道线的约束下,在当前车道内运动,间插变换车道的行为。因此将局部道路在偏离方向上根据车道划分栅格。每个车道对应一个偏离方向上的区间。
对局部道路中的每个车道,将其位移方向上的坐标沿时间(time)展开,即可得到位移时间图(shift-time图),以下简称s-t图,s-t图上的横轴代表时间,纵轴代表沿车道中心线方向的位移。时间轴的间隔单位为秒。图5左边为在车道内的车辆51,在一段时间内由起始位置匀速运动到终点位置。车辆的运动过程映射在图5右边所示的s-t图上,分别形成两个连续的带状区域。带状区域指代该车辆在任一时间在车道中的位置,带状区域的纵向宽度是该车辆占据的长度,带状区域的斜率是该车辆的纵向速度。
以此类推,局部道路内的每个车道信息都可对应映射在一个s-t图上,显示该车道内被参与者的占用情况。多车道场景下,将每个车道内除本车外的其他参与者分别表示在各自车道的s-t图上并依次排列,可形成一组多层s-t图谱,如图6所示。(a)是一个多车道结构化道路场景实例,其中斜线方框代表本车61,无斜线方框代表其他参与者62。(b)是每个车道分别对应的s-t图,用于描述各车道内的其他参与者运动信息。每个s-t图中带状区域63内被障碍物车辆占据,其余位置可以行驶。动作规划中,本车可以占据空置的道路空间,不可在同车道内占据或跨越被占据的道路空间,以免与其他参与者发生碰撞。本车可以在相邻车道对应的s-t图之间跳转,即做出变道动作。在按上述方法定义的多层s-t图谱中,搜索最优的动作规划。
在其中一个实施例中,所述步骤S102,具体包括:
根据多个车道的位移时间图,将从待计算位置出发,在下一时间节点,在本车所在的车道及全部相邻车道内满足如下条件的到达位置的集合作为搜索域:
Slower<s<supper;
其中,
s为到达位置所产生的纵向位移,slower=s0+vmin×t,supper=s0+vmax×t,t为相邻两个时间节点的时间差,vmin=max(0,v-dmax/2),vmax=min(vlimit,v+amax/2),其中,s0为本车在待计算时间节点的纵向坐标,v为本车在待计算时间节点的速度,dmax是本车的最大减速度,amax是本车的最大加速度,vlimit是车速上限。
在其中一个实施例中,所述代价包括本车从所述待计算位置到达所述到达位置所产生的实际代价和从所述到达位置到达决策道路区域的边界所产生的预测代价。
在其中一个实施例中:
所述实际代价Gcost=Gtime+Gaccel+Glanechange+Gparasitical+Gcollision,其中Gtime为本车从所述待计算位置到达所述到达位置所用过的总时间,Gaccel为判断本车为从所述待计算位置到达所述到达位置是否需要加速或减速所产生的代价系数,所述Glanechange为判断本车为从所述待计算位置到达所述到达位置是否需要变换车道所产生的代价系数,所述Gparasitical为判断本车从所述待计算位置到达所述到达位置是否保持在中间车道所产生的代价系数,所述Gcollision为判断本车从所述待计算位置到达所述到达位置是否需要与前方障碍物车辆发生碰撞所产生的代价系数;
所述预测代价其中为本车从所述到达位置在考虑该到达位置所在车道内障碍物车辆时,到达决策道路区域的边界的时间,所述Hparasitical为判断本车的到达位置是否保持在中间车道所产生的代价系数;
所述代价G=Gcost+Hcost。
代价函数用于评估计算结果的合理性。运动规划的目标是寻找到达路径终点的最优方式,使整体的代价函数最小,实现安全性、快捷性、舒适性和平顺性的平衡。因此,每次选择时,选择代价最小的到达位置加入选定集合。
本专利提供的算法中,对自动驾驶车辆在每个时间节点采取的动作进行代价函数G的评估,代价函数G包括Gcost和Hcost两部分:
G=Gcost+Hcost
其中,Gcost是从起始点到某个栅格位置的累计代价函数,包括时间代价、加速度代价、变道代价等。被障碍物车辆占据的位置代价设定为Gcollision=∞,作为可能碰撞的惩罚。对于左侧超车道和右侧慢车道上的位置,附加一个微小的额外代价,引导车辆优先行驶在中间车道。具体来说:
Gcost=Gtime+Gaccel+Glanechange+Gparasitical+Gcollision (1)
Hcost负责预测从可能栅格位置到路径终点的代价函数,如公式(2)所示。需要注意的是,Gtime记录的是到达指定位置实际用过的总时间,估算的是考虑该位置所在车道内障碍物车辆时,到达终点所需的时间。Hparasitical是位置所在车道带来的附加代价。
在其中一个实施例中,所述终止条件为:所述选定位置到达所述决策道路区域的边界或者经历的时间节点达到预设的时间边界。
作为本发明最佳实施例,本发明提供的动作规划算法,是一种逐步搜索式算法。从初始状态出发,每次搜索下一时间节点可能到达的位置,评估各可能位置的代价函数,选取最优位置进行下一步搜索,如此循环直至满足终止条件。具体细节包括a)初始状态,b)搜索域定义,c)代价函数,d)搜索方法,e)终止条件五部分,依次详细说明如下。
a)初始状态
按照前述的局部道路定义方法,初始状态下,本车体现在当前所在车道对应的s-t上,初始坐标为(0,0),代表初始时刻为0,初始位置为0。其他道路参与者根据其位置、尺寸及速度信息,分别体现在s-t图谱上。
b)搜索域定义
定义搜索域为本车在任一时间节点,从当前所在位置出发,在下一时刻可以到达的所有位置的集合。具体的说,搜索域为当前车道及全部相邻车道内,纵向位移s满足以下关系的所有位置:
slower<s<supper;
其中,
s为到达位置所产生的纵向位移,slower=s0+vmin×t,supper=s0+vmax×t,t为相邻两个时间节点的时间差,vmin=max(0,v-dmax/2),vmax=min(vlimit,v+amax/2),其中,s0为本车在待计算时间节点的纵向坐标,v为本车在待计算时间节点的速度,dmax是本车的最大减速度,amax是本车的最大加速度,vlimit是车速上限。
c)代价函数
代价函数用于评估计算结果的合理性。运动规划的目标是寻找到达路径终点的最优方式,使整体的代价函数最小,实现安全性、快捷性、舒适性和平顺性的平衡。
本专利提供的算法中,对自动驾驶车辆在每个时间节点采取的动作进行代价函数G的评估,代价函数G包括G-cost和H-cost两部分。
代价函数G包括Gcost和Hcost两部分:
G=Gcost+Hcost
其中,Gcost是从起始点到某个栅格位置的累计代价函数,包括时间代价、加速度代价、变道代价等。被障碍物车辆占据的位置代价设定为Gcollision=∞,作为可能碰撞的惩罚。对于左侧超车道和右侧慢车道上的位置,附加一个微小的额外代价,引导车辆优先行驶在中间车道。具体来说:
Gcost=Gtime+Gaccel+Glanechanαe+Gparasitical+Gcollision
Hcost负责预测从可能栅格位置到路径终点的代价函数,如公式(2)所示。需要注意的是,Gtime记录的是到达指定位置实际用过的总时间,估算的是考虑该位置所在车道内障碍物车辆时,到达终点所需的时间。Hparasitical是位置所在车道带来的附加代价。
d)搜索方法
本专利提供的算法从本车所处的初始位置出发,计算待计算位置的Gcost,并计算待计算位置对应的搜索域内各位置的Hcost。搜索域中的位置加入open集合,计算每个位置的Gcost与Hcost之和,作为该位置的代价函数G。选取open集合中G最低的位置,并作为下一时刻搜索的待计算位置。本时刻的待计算位置记做新位置的前序节点并加入close集合,后续搜索中不再访问。上述操作重复执行,直至满足终止条件。
e)终止条件
上述搜索在达到任何下记条件之一时,搜索结束。
本车达到s-t图上,纵向位置为400时;
从初始时刻开始,经历的时间节点超过20时。
上述a)-e)步骤完成后,从最终的位置,依次追溯其前序节点直至初始位置,得到自动驾驶车辆在各时间节点,应该到达的位置序列。换而言之,得到自动驾驶车辆在时间轴上的路径规划。路径对时间分别求取一阶和二阶导数,即可得到自动驾驶车辆在各时间节点的速度和加速度,至此动作规划完成。
如图7所示为本发明一种电子设备的硬件结构示意图,包括:
至少一个处理器701;以及,
与所述至少一个处理器701通信连接的存储器702;其中,
所述存储器702存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
每间隔预设决策时间段,执行步骤S101~S105:
步骤S101,将本车的预设决策道路区域内的每个车道在位移方向上的位置沿时间展开,得到每个车道的位置时间图,将每个车道在所述决策道路区域内的所有车辆的运动过程映射在所在车道的位移时间图上;
步骤S102,根据多个车道的位移时间图,将本车在待计算时间节点,从待计算位置出发,在下一时间节点可以到达的所有到达位置的集合作为搜索域;
步骤S103,计算到达所述搜索域中每个所述到达位置的代价,将代价满足要求的到达位置作为选定位置加入选定集合;
步骤S104,如果达到终止条件,则执行步骤S105,否则将待计算位置设定为所述选定位置,将待计算时间节点设定为下一时间节点后,执行步骤S102;
步骤S105,控制本车在所述选定集合的选定位置对应的时间节点到达对应的选定位置。
图7中以一个处理器702为例。
电子设备还可以包括:输入装置703和输出装置704。
处理器701、存储器702、输入装置703及显示装置704可以通过总线或者其他方式连接,图中以通过总线连接为例。
存储器702作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的车辆自动驾驶方法对应的程序指令/模块,例如,图1所示的方法流程。处理器701通过运行存储在存储器702中的非易失性软件程序、指令以及模块,从而执行各种功能应用以及数据处理,即实现上述实施例中的车辆自动驾驶方法。
存储器702可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据车辆自动驾驶方法的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至执行车辆自动驾驶方法的装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置703可接收输入的用户点击,以及产生与车辆自动驾驶方法的用户设置以及功能控制有关的信号输入。显示装置704可包括显示屏等显示设备。
在所述一个或者多个模块存储在所述存储器702中,当被所述一个或者多个处理器701运行时,执行上述任意方法实施例中的车辆自动驾驶方法。
本发明实施例的电子设备以多种形式存在,包括但不限于:
(1)电子控制单元(Electronic Control Unit,ECU)又称“行车电脑”、“车载电脑”等。主要由微处理器(CPU)、存储器(ROM、RAM)、输入/输出接口(I/O)、模数转换器(A/D)以及整形、驱动等大规模集成电路组成。
(2)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等。
(3)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如iPad。
(4)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod),掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(5)服务器:提供计算服务的设备,服务器的构成包括处理器、硬盘、内存、系统总线等,服务器和通用的计算机架构类似,但是由于需要提供高可靠的服务,因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(6)其他具有数据交互功能的电子装置。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台移动终端(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-0nly Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在其中一个实施例中,所述步骤S101具体包括:
获取本车的规划路线;
将本车的规划路线进行坐标转换,得到笛卡尔正交坐标系下的规划路线,笛卡尔正交坐标系的原点为道路中心线上距离本车几何中心最近的点,与道路中心线平行的方向定义为位移方向,与位移方向垂直的方向定义为偏离方向;
选择所述笛卡尔正交坐标系下的规划路线中本车的前方预设位移距离和本车的后方预设位移距离作为决策道路区域;
将决策道路区域在位移方向上根据距离划分栅格区间,所述栅格区间在偏离方向上根据车道进行划分;
每个车道在位移方向上所处于的栅格的位置沿时间展开,得到每个车道的位置时间图;
将每个车道在所述决策道路区域内的所有车辆的运动过程映射在所在车道的位移时间图上。
在其中一个实施例中,所述步骤S102,具体包括:
根据多个车道的位移时间图,将从待计算位置出发,在下一时间节点,在本车所在的车道及全部相邻车道内满足如下条件的到达位置的集合作为搜索域:
Slower<s<Supper;
其中,
s为到达位置所产生的纵向位移,slower=s0+vmin×t,supper=s0+vmax×t,t为相邻两个时间节点的时间差,vmin=max(0,v-dmax/2),vmax=min(vlimit,v+amax/2),其中,s0为本车在待计算时间节点的纵向坐标,v为本车在待计算时间节点的速度,dmax是本车的最大减速度,amax是本车的最大加速度,vlimit是车速上限。
进一步的,所述代价包括本车从所述待计算位置到达所述到达位置所产生的实际代价和从所述到达位置到达决策道路区域的边界所产生的预测代价。
在其中一个实施例中:
所述实际代价Gcost=Gtime+Gaccel+Glanechange+Gparasitical+Gcollision,其中Gtime为本车从所述待计算位置到达所述到达位置所用过的总时间,Gaccel为判断本车为从所述待计算位置到达所述到达位置是否需要加速或减速所产生的代价系数,所述Glanechange为判断本车为从所述待计算位置到达所述到达位置是否需要变换车道所产生的代价系数,所述Gparasitical为判断本车从所述待计算位置到达所述到达位置是否保持在中间车道所产生的代价系数,所述Gcollision为判断本车从所述待计算位置到达所述到达位置是否需要与前方障碍物车辆发生碰撞所产生的代价系数;
所述预测代价其中为本车从所述到达位置在考虑该到达位置所在车道内障碍物车辆时,到达决策道路区域的边界的时间,所述Hparasitical为判断本车的到达位置是否保持在中间车道所产生的代价系数;
所述代价G=Gcost+Hcost。
在其中一个实施例中,所述终止条件为:所述选定位置到达所述决策道路区域的边界或者经历的时间节点达到预设的时间边界。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (12)
1.一种车辆自动驾驶方法,其特征在于,包括:
每间隔预设决策时间段,执行步骤(S101)~(S105):
步骤(S101),将本车的预设决策道路区域内的每个车道在位移方向上的位置沿时间展开,得到每个车道的位置时间图,将每个车道在所述决策道路区域内的所有车辆的运动过程映射在所在车道的位移时间图上;
步骤(S102),根据多个车道的位移时间图,将本车在待计算时间节点,从待计算位置出发,在下一时间节点可以到达的所有到达位置的集合作为搜索域;
步骤(S103),计算到达所述搜索域中每个所述到达位置的代价,将代价满足要求的到达位置作为选定位置加入选定集合;
步骤(S104),如果达到终止条件,则执行步骤(S105),否则将待计算位置设定为所述选定位置,将待计算时间节点设定为下一时间节点后,执行步骤(S102);
步骤(S105),控制本车在所述选定集合的选定位置对应的时间节点到达对应的选定位置。
2.根据权利要求1所述的车辆自动驾驶方法,其特征在于,所述步骤(S101)具体包括:
获取本车的规划路线;
将本车的规划路线进行坐标转换,得到笛卡尔正交坐标系下的规划路线,笛卡尔正交坐标系的原点为道路中心线上距离本车几何中心最近的点,与道路中心线平行的方向定义为位移方向,与位移方向垂直的方向定义为偏离方向;
选择所述笛卡尔正交坐标系下的规划路线中本车的前方预设位移距离和本车的后方预设位移距离作为决策道路区域;
将决策道路区域在位移方向上根据距离划分栅格区间,所述栅格区间在偏离方向上根据车道进行划分;
每个车道在位移方向上所处于的栅格的位置沿时间展开,得到每个车道的位置时间图;
将每个车道在所述决策道路区域内的所有车辆的运动过程映射在所在车道的位移时间图上。
3.根据权利要求1所述的车辆自动驾驶方法,其特征在于,所述步骤(S102),具体包括:
根据多个车道的位移时间图,将从待计算位置出发,在下一时间节点,在本车所在的车道及全部相邻车道内满足如下条件的到达位置的集合作为搜索域:
slower<s<supper;
其中,
s为到达位置所产生的纵向位移,slower=s0+vmin×t,supper=s0+vmax×t,t为相邻两个时间节点的时间差,vmin=max(0,v-dmax/2),vmax=min(vlimit,v+amax/2),其中,s0为本车在待计算时间节点的纵向坐标,v为本车在待计算时间节点的速度,dmax是本车的最大减速度,amax是本车的最大加速度,vlimit是车速上限。
4.根据权利要求1所述的车辆自动驾驶方法,其特征在于,所述代价包括本车从所述待计算位置到达所述到达位置所产生的实际代价和从所述到达位置到达决策道路区域的边界所产生的预测代价。
5.根据权利要求4所述的车辆自动驾驶方法,其特征在于:
所述实际代价Gcost=Gtime+Gaccel+Glanechange+Gparasitical+Gcollision,其中Gtime为本车从所述待计算位置到达所述到达位置所用过的总时间,Gaccel为判断本车为从所述待计算位置到达所述到达位置是否需要加速或减速所产生的代价系数,所述Glanechange为判断本车为从所述待计算位置到达所述到达位置是否需要变换车道所产生的代价系数,所述Gparasitical为判断本车从所述待计算位置到达所述到达位置是否保持在中间车道所产生的代价系数,所述Gcollision为判断本车从所述待计算位置到达所述到达位置是否需要与前方障碍物车辆发生碰撞所产生的代价系数;
所述预测代价其中为本车从所述到达位置在考虑该到达位置所在车道内障碍物车辆时,到达决策道路区域的边界的时间,所述Hparasitical为判断本车的到达位置是否保持在中间车道所产生的代价系数;
所述代价G=Gcost+Hcost。
6.根据权利要求1所述的车辆自动驾驶方法,其特征在于,所述终止条件为:所述选定位置到达所述决策道路区域的边界或者经历的时间节点达到预设的时间边界。
7.一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
每间隔预设决策时间段,执行步骤(S101)~(S105):
步骤(S101),将本车的预设决策道路区域内的每个车道在位移方向上的位置沿时间展开,得到每个车道的位置时间图,将每个车道在所述决策道路区域内的所有车辆的运动过程映射在所在车道的位移时间图上;
步骤(S102),根据多个车道的位移时间图,将本车在待计算时间节点,从待计算位置出发,在下一时间节点可以到达的所有到达位置的集合作为搜索域;
步骤(S103),计算到达所述搜索域中每个所述到达位置的代价,将代价满足要求的到达位置作为选定位置加入选定集合;
步骤(S104),如果达到终止条件,则执行步骤(S105),否则将待计算位置设定为所述选定位置,将待计算时间节点设定为下一时间节点后,执行步骤(S102);
步骤(S105),控制本车在所述选定集合的选定位置对应的时间节点到达对应的选定位置。
8.根据权利要求7所述的电子设备,其特征在于,所述步骤(S101)具体包括:
获取本车的规划路线;
将本车的规划路线进行坐标转换,得到笛卡尔正交坐标系下的规划路线,笛卡尔正交坐标系的原点为道路中心线上距离本车几何中心最近的点,与道路中心线平行的方向定义为位移方向,与位移方向垂直的方向定义为偏离方向;
选择所述笛卡尔正交坐标系下的规划路线中本车的前方预设位移距离和本车的后方预设位移距离作为决策道路区域;
将决策道路区域在位移方向上根据距离划分栅格区间,所述栅格区间在偏离方向上根据车道进行划分;
每个车道在位移方向上所处于的栅格的位置沿时间展开,得到每个车道的位置时间图;
将每个车道在所述决策道路区域内的所有车辆的运动过程映射在所在车道的位移时间图上。
9.根据权利要求7所述的电子设备,其特征在于,所述步骤(S102),具体包括:
根据多个车道的位移时间图,将从待计算位置出发,在下一时间节点,在本车所在的车道及全部相邻车道内满足如下条件的到达位置的集合作为搜索域:
slower<s<supper;
其中,
s为到达位置所产生的纵向位移,slower=s0+vmin×t,supper=s0+vmax×t,t为相邻两个时间节点的时间差,vmin=max(0,v-dmax/2),vmax=min(vlimit,v+amax/2),其中,s0为本车在待计算时间节点的纵向坐标,v为本车在待计算时间节点的速度,dmax是本车的最大减速度,amax是本车的最大加速度,vlimit是车速上限。
10.根据权利要求7所述的电子设备,其特征在于,所述代价包括本车从所述待计算位置到达所述到达位置所产生的实际代价和从所述到达位置到达决策道路区域的边界所产生的预测代价。
11.根据权利要求10所述的电子设备,其特征在于:
所述实际代价Gcost=Gtime+Gaccel+Glanechange+Gparasitical+Gcollision,其中Gtime为本车从所述待计算位置到达所述到达位置所用过的总时间,Gaccel为判断本车为从所述待计算位置到达所述到达位置是否需要加速或减速所产生的代价系数,所述Glanechange为判断本车为从所述待计算位置到达所述到达位置是否需要变换车道所产生的代价系数,所述Gparasitical为判断本车从所述待计算位置到达所述到达位置是否保持在中间车道所产生的代价系数,所述Gcollision为判断本车从所述待计算位置到达所述到达位置是否需要与前方障碍物车辆发生碰撞所产生的代价系数;
所述预测代价其中为本车从所述到达位置在考虑该到达位置所在车道内障碍物车辆时,到达决策道路区域的边界的时间,所述Hparasitical为判断本车的到达位置是否保持在中间车道所产生的代价系数;
所述代价G=Gcost+Hcost。
12.根据权利要求7所述的电子设备,其特征在于,所述终止条件为:所述选定位置到达所述决策道路区域的边界或者经历的时间节点达到预设的时间边界。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810895490.4A CN109213153B (zh) | 2018-08-08 | 2018-08-08 | 一种车辆自动驾驶方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810895490.4A CN109213153B (zh) | 2018-08-08 | 2018-08-08 | 一种车辆自动驾驶方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109213153A true CN109213153A (zh) | 2019-01-15 |
CN109213153B CN109213153B (zh) | 2022-01-07 |
Family
ID=64988257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810895490.4A Active CN109213153B (zh) | 2018-08-08 | 2018-08-08 | 一种车辆自动驾驶方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109213153B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109724614A (zh) * | 2019-02-22 | 2019-05-07 | 百度在线网络技术(北京)有限公司 | 自动驾驶车辆的速度规划方法、装置和存储介质 |
CN109814577A (zh) * | 2019-02-25 | 2019-05-28 | 上海木木聚枞机器人科技有限公司 | 一种基于信息共享的运动控制方法以及移动装置 |
CN109901575A (zh) * | 2019-02-20 | 2019-06-18 | 百度在线网络技术(北京)有限公司 | 车辆路线规划调试方法、装置、设备及计算机可读介质 |
CN110488816A (zh) * | 2019-08-06 | 2019-11-22 | 华为技术有限公司 | 自动驾驶纵向规划方法及相关设备 |
CN111708361A (zh) * | 2020-05-19 | 2020-09-25 | 上海有个机器人有限公司 | 多机器人碰撞预测方法和装置 |
CN112455445A (zh) * | 2020-12-04 | 2021-03-09 | 苏州挚途科技有限公司 | 自动驾驶的变道决策方法、装置和车辆 |
CN112498351A (zh) * | 2020-11-20 | 2021-03-16 | 东风汽车集团有限公司 | 一种基于v2v的自动驾驶优化系统及方法 |
CN112652160A (zh) * | 2019-10-11 | 2021-04-13 | 株式会社日立制作所 | 车辆管控系统和运算装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105043376A (zh) * | 2015-06-04 | 2015-11-11 | 上海物景智能科技有限公司 | 一种适用于非全向移动车辆的智能导航方法及系统 |
CN106777747A (zh) * | 2016-12-29 | 2017-05-31 | 广西航程威特科技有限公司 | 一种三维交通仿真模拟系统 |
CN106931970A (zh) * | 2015-12-30 | 2017-07-07 | 北京雷动云合智能技术有限公司 | 一种动态环境中机器人安全自主规划导航方法 |
CN107843267A (zh) * | 2017-10-25 | 2018-03-27 | 广州汽车集团股份有限公司 | 施工路段无人驾驶车辆的路径生成方法及装置 |
US20180150081A1 (en) * | 2018-01-24 | 2018-05-31 | GM Global Technology Operations LLC | Systems and methods for path planning in autonomous vehicles |
-
2018
- 2018-08-08 CN CN201810895490.4A patent/CN109213153B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105043376A (zh) * | 2015-06-04 | 2015-11-11 | 上海物景智能科技有限公司 | 一种适用于非全向移动车辆的智能导航方法及系统 |
CN106931970A (zh) * | 2015-12-30 | 2017-07-07 | 北京雷动云合智能技术有限公司 | 一种动态环境中机器人安全自主规划导航方法 |
CN106777747A (zh) * | 2016-12-29 | 2017-05-31 | 广西航程威特科技有限公司 | 一种三维交通仿真模拟系统 |
CN107843267A (zh) * | 2017-10-25 | 2018-03-27 | 广州汽车集团股份有限公司 | 施工路段无人驾驶车辆的路径生成方法及装置 |
US20180150081A1 (en) * | 2018-01-24 | 2018-05-31 | GM Global Technology Operations LLC | Systems and methods for path planning in autonomous vehicles |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109901575A (zh) * | 2019-02-20 | 2019-06-18 | 百度在线网络技术(北京)有限公司 | 车辆路线规划调试方法、装置、设备及计算机可读介质 |
CN109724614A (zh) * | 2019-02-22 | 2019-05-07 | 百度在线网络技术(北京)有限公司 | 自动驾驶车辆的速度规划方法、装置和存储介质 |
CN109814577A (zh) * | 2019-02-25 | 2019-05-28 | 上海木木聚枞机器人科技有限公司 | 一种基于信息共享的运动控制方法以及移动装置 |
CN110488816A (zh) * | 2019-08-06 | 2019-11-22 | 华为技术有限公司 | 自动驾驶纵向规划方法及相关设备 |
CN110488816B (zh) * | 2019-08-06 | 2021-12-31 | 华为技术有限公司 | 自动驾驶纵向规划方法及相关设备 |
CN112652160A (zh) * | 2019-10-11 | 2021-04-13 | 株式会社日立制作所 | 车辆管控系统和运算装置 |
CN112652160B (zh) * | 2019-10-11 | 2022-10-18 | 株式会社日立制作所 | 车辆管控系统和运算装置 |
CN111708361A (zh) * | 2020-05-19 | 2020-09-25 | 上海有个机器人有限公司 | 多机器人碰撞预测方法和装置 |
CN111708361B (zh) * | 2020-05-19 | 2023-09-08 | 上海有个机器人有限公司 | 多机器人碰撞预测方法和装置 |
CN112498351A (zh) * | 2020-11-20 | 2021-03-16 | 东风汽车集团有限公司 | 一种基于v2v的自动驾驶优化系统及方法 |
CN112498351B (zh) * | 2020-11-20 | 2021-11-23 | 东风汽车集团有限公司 | 一种基于v2v的自动驾驶优化系统及方法 |
CN112455445A (zh) * | 2020-12-04 | 2021-03-09 | 苏州挚途科技有限公司 | 自动驾驶的变道决策方法、装置和车辆 |
Also Published As
Publication number | Publication date |
---|---|
CN109213153B (zh) | 2022-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109213153A (zh) | 一种车辆自动驾驶方法及电子设备 | |
US11726477B2 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
US10976741B2 (en) | Safety and comfort constraints for navigation | |
KR102306939B1 (ko) | V2x 통신 및 이미지 처리를 이용한 정보 융합을 통해 자율 주행의 단기 경로를 플래닝하기 위한 방법 및 장치 | |
US11554785B2 (en) | Driving scenario machine learning network and driving environment simulation | |
CN110389581A (zh) | 用于为自动驾驶车辆生成障碍物的预测轨迹的方法 | |
CN108602509A (zh) | 基于运动规划来操作自动驾驶车辆的方法和系统 | |
CN110389583A (zh) | 生成自动驾驶车辆的轨迹的方法 | |
CN109947090A (zh) | 用于自动驾驶车辆规划的非阻塞边界 | |
US11899453B2 (en) | Systems and methods to control autonomous vehicle motion | |
CN111133485A (zh) | 自主交通工具的对象预测优先级排序系统和方法 | |
CN110427021A (zh) | 用于生成自动驾驶车辆交叉路口导航指令的系统和方法 | |
WO2018158642A1 (en) | Systems and methods for navigating with sensing uncertainty | |
CN110345957A (zh) | 车辆路径识别 | |
US11499834B2 (en) | Aligning road information for navigation | |
JP7048455B2 (ja) | 学習装置、シミュレーションシステム、学習方法、およびプログラム | |
CN112406905B (zh) | 基于交通工具的数据处理方法、装置、计算机及存储介质 | |
CN114670870A (zh) | 障碍物slt空间风险场环境建模方法及其装置、相关产品 | |
JP2023531927A (ja) | 運転意思決定方法および運転意思決定装置ならびにチップ | |
CN117032201B (zh) | 一种基于车路协同的矿井下自动驾驶车辆协调规划方法 | |
US11485387B2 (en) | System and method for predictive navigation control | |
Bajić et al. | Trajectory planning for autonomous vehicle using digital map | |
CN117104272A (zh) | 一种智能驾驶方法、系统、交通工具及存储介质 | |
Ouyang et al. | An IMPC Based Parking Assistance System | |
CN115432008A (zh) | 一种基于优化多任务的自动驾驶决策规划方法、电子设备及计算机存储介质 |
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 |