CN109263639B - 基于状态栅格法的驾驶路径规划方法 - Google Patents

基于状态栅格法的驾驶路径规划方法 Download PDF

Info

Publication number
CN109263639B
CN109263639B CN201810972719.XA CN201810972719A CN109263639B CN 109263639 B CN109263639 B CN 109263639B CN 201810972719 A CN201810972719 A CN 201810972719A CN 109263639 B CN109263639 B CN 109263639B
Authority
CN
China
Prior art keywords
vehicle
state
des
driving
grid
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
CN201810972719.XA
Other languages
English (en)
Other versions
CN109263639A (zh
Inventor
褚端峰
张超勇
刘世东
吴超仲
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201810972719.XA priority Critical patent/CN109263639B/zh
Publication of CN109263639A publication Critical patent/CN109263639A/zh
Application granted granted Critical
Publication of CN109263639B publication Critical patent/CN109263639B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • B60W30/14—Adaptive cruise control
    • 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
    • G05D1/0214—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

Abstract

本发明设计了一种基于状态栅格法的驾驶路径规划方法，首先，根据自动驾驶汽车所处的外界环境信息以及初始全局参考轨迹，利用车载设备对车辆运动状态以及车辆周围环境信息进行探测，实时更新车辆周围环境信息；然后，通过驾驶模拟器实验提取反映驾驶员个性化轨迹的相关指标：驾驶员轨迹预瞄时间，车辆行驶时的车道中心线横向距离补偿值和距离障碍物的横向距离最小值等，根据以上相关指标确定路径搜索策略；最终确定局部轨迹的预瞄点状态并基于状态栅格法生成局部参考轨迹。本发明提出的驾驶路径规划方法，综合考虑了不同驾驶员在行驶过程中的个性化差异，所考虑的因素更加全面，并可为自动驾驶车辆的个性化开发提供支持。

Description

基于状态栅格法的驾驶路径规划方法
技术领域
本发明属于无人车参考轨迹生成技术领域，尤其涉及一种基于状态栅格法的驾驶路径规划方法。
背景技术
目前世界上大多数的自动驾驶汽车均采用“感知-规划-控制”(sense-plan-act)三层结构模式，首先利用车身装载的计算机视觉系统和先进的传感装置构筑的感知系统采集车身周围的道路环境信息；再采用复杂高效的智能算法处理环境信息，根据交通法规制定安全可靠的行驶策略，实时规划出可行的参考轨迹；最后对规划出的局部参考轨迹进行精确地跟踪。其中“局部路径规划”是连接控制层和规划层的枢纽，局部路径规划优劣能够直接体现无人车能否安全、平顺、高效的行驶，所以路径规划是自动驾驶系统中致为关键的一部分，目前仍然是自动驾驶技术研究当中的一项挑战。目前国内外研究学者对驾驶员特征的研究主要是利用K-means聚类、回归等方法对驾驶员风格(激进、保守、适中)、经验(熟练、非熟练)等特征的辨识。在高级驾驶辅助系统中选取不同的行车安全间距来满足不同驾驶员的需求。但是在自动驾驶技术上均缺乏系统的体现出驾驶员个性化的驾驶特征。
发明内容
本发明所要解决的技术问题是，提供一种基于状态栅格法的驾驶路径规划方法，适用于任意车速条件下，并且充分考虑驾驶员对路径选择的差异性，具有特征全面、计算简便、运算速度快、可靠性高的优点，为自动驾驶车辆的个性化研究提供了理论方法支撑。
本发明解决其技术问题所采用的技术方案是：提供一种基于状态栅格法的驾驶路径规划方法，通过车载设备，如感知系统，定位系统等，感知车辆周围环境，确定车辆行驶状态，并根据不同驾驶员在模拟驾驶实验中对预瞄点的选取特征指标，确定路径规划搜索策略，在每个规划周期内，确定预瞄点的位置，从而通过状态栅格法规划出一条保证车辆安全、平滑跟踪的个性化参考轨迹。
自动驾驶汽车个性化参考轨迹生成方法应满足以下几方面的需求：
第一，自动驾驶的优势在于避免人类感知和判断能力的局限性，从而减少甚至消除交通事故的发生，这就要求路径规划系统能充分考虑“人-车-环境”等因素的影响，保证路径的安全性。
第二，不同驾驶员的驾驶技能不同，驾驶经验不同，驾驶习惯不同，故在每个控制周期内，对预瞄点的选择也不同，因此路径规划的目标是尽可能的“拟人化”，满足不同驾驶员的舒适性要求。
第三，在城市交通环境中，交通状况是复杂的，面对不同的工况，所采用的策略也是不同的，因而需考虑不同工况，制定个性化的策略，保证安全性。
本发明方法包括以下步骤：
步骤S1，将全局参考轨迹录入车辆控制系统；
步骤S2，通过车辆传感器获取车辆行驶时外部环境信息，包括障碍物，车道线位置；通过定位系统获取车辆位置信息，包括横纵向位置、横摆角；
步骤S3，根据个性化预瞄点指标，构造个性化路径搜索策略，在每个路径规划周期里选择个性化的预瞄点，使用状态栅格算法计算车辆当前位置与预瞄点之间的参考轨迹，生成局部路径。
按上述技术方案，所述步骤S3中，具体包括以下步骤，
步骤一，对车辆进行运动学建模；
步骤二，考虑道路曲线形状对道路进行建模，以车辆沿道路中心线前进方向为S轴，垂直于道路中心线方向为L轴，对道路进行栅格离散化，(s(i)，l(j))表示栅格节点在S-L坐标系下的坐标；根据沿道路中心线上的栅格节点状态，可以计算道路上任意栅格节点的状态；
步骤三，不同的驾驶员由于驾驶技能、驾驶经验、驾驶习惯的不同，不同驾驶员驾驶汽车时在每个控制周期内对车辆前方道路的预瞄点的选取是不同的。本发明考虑个性化预瞄点，通过汽车模拟实验提取反映个性化轨迹指标，实验工况包括：固定半径转弯实验，符合ISO-3888标准双移线实验，不同速度下超车实验，不同速度下障碍物躲避实验；根据汽车模拟实验提取个性化指标：车辆横向距离补偿值，纵向预瞄距离，距离障碍物横向最小距离，通过这些参数指标进一步选择个性化预瞄点；
步骤四，局部路径参考轨迹生成：采用三次多项式样条曲线拟合生成轨迹。
按上述技术方案，所述步骤一中，具体为，
Figure BDA0001776622840000031
其中，(x，y)为车辆后轴中心在大地坐标系中的坐标，θ为车辆航向角，k为车辆行驶轨迹的曲率，s为行驶轨迹的弧长；
所述步骤二中，具体为，
Figure BDA0001776622840000032
其中，s表示采样点沿S轴方向的弧长，也称作经度，l表示道路中心线的横向补偿值，也称作纬度，(i，j)表示离散状态格的离散化坐标，as表示每个状态格S方向的长度，bl表示状态格L方向单位长度，al表示车道边界线在L反方向上的坐标，
道路中心线上栅格点状态可以表示为[x(s) y(s) θ(s) k(s)]，其中：
x表示在大地坐标系下的纵向坐标；
y表示在大地坐标系下的横向坐标；
θ表示航向角；
k表示节点沿车道中心线方向的曲率；
根据沿道路中心线上的栅格节点状态计算道路上任意栅格节点的状态，具体为，设γ(s，l)为S-L坐标系中任意栅格节点，则
γ(s，l)＝[x(s，l) y(s，l) θ(s，l) k(s，l)]
其中：
Figure BDA0001776622840000033
Figure BDA0001776622840000034
θ(s，l)＝θ(s，0)
k(s，l)＝(k(s)-1+l)-1
按上述技术方案，所述步骤四中，具体为，
由步骤一可知，确定了曲线的曲率就确定了轨迹点的状态，而曲率只与弧长s有关，以弧长为自变量，以曲率为因变量，建立曲率多项式，即：
k(s)＝a+b·s+c·s2+d·s3
用一维参数矩阵p＝[p0 p1 p2 p3 sf]对[a b c d]进行参数化表示，即：
k(s)＝a(p)+b(p)·s+c(p)·s2+d(p)·s3
此时，
k(0)＝p0
k(sf/3)＝p1
k(2sf/3)＝p2
k(sf)＝p3
在每一个规划周期，由车载设备定位系统对车辆进行定位，以车辆当前位置状态为起始状态，起始点弧长s＝0，预瞄点弧长为sf，(由于起点状态和预瞄点状态均为已知。故p0＝k(0)，p3＝k(sf)均为已知量。所求参数仅为[p1 p2 sf]。轨迹生成的问题进一步转化为求解参数p＝[p1 p2 sf]。)
每个规划周期，车辆从当前位置出发，此时车辆状态为：
γp(0)＝[xp(0) yp(0) θp(0) kp(0)]
车辆在行驶过程中的状态可以表示为：
γp(s)＝[xp(s) yp(s) θp(s) kp(s)]
根据车辆运动微分方程，得：
kp(s)＝a(p)+b(p)·s+c(p)·s2+d(p)·s3
θp(s)＝a(p)·s+b(p)·s2/2+c(p)·s3/3+d(p)·s4/4+θp(0)
Figure BDA0001776622840000041
Figure BDA0001776622840000051
预瞄终点状态为：
γdes(s)＝[xdes(s) ydes(s) θdes(s) kdes(s)]
当γp(sf)与γdes(s)的状态相等，或者相差很小时，可以求得一维参数矩阵p＝[p1p2 sf]，从而可以求得[a b c d]，进而得到生成的轨迹。因此，轨迹生成的问题转化为求解一维参数矩阵p＝[p1 p2 sf]，使得γp(sf)与γdes(s)的误差足够小。即：
J＝minΣ(||xpi-xdes||Q1+||ypi-ydes||Q2+||θpi-θdes||Q3+||kpi-kdes||Q4
其中Q1表示车辆纵向位置偏差的权重系数，Q2表示横向位置偏差的权重系数，Q3表示车辆航向角偏差权重系数，Q4表示车辆行驶曲率偏差权重系数。
本发明使用高斯牛顿法对其进行求解，使规划时间在毫秒级，保证车辆控制与规划实时性。
按上述技术方案，所述步骤三中，纵向预瞄距离的选取，具体为：
spre＝v·T
其中，v为车速，T为预瞄时间，预瞄时间根据模拟驾驶实验所得驾驶员平均预瞄时间。
按上述技术方案，所述步骤三中，车辆横向距离补偿值由模拟驾驶实验获取：
Figure BDA0001776622840000053
其中，n表示采集到的数据数量，loff表示在模拟驾驶实验中，车辆单车道行驶过程中，偏离车道中心线的距离，向左为正，向右为负。驾驶员在行车过程中，无法一直保持在车道中心线上，不同驾驶员行车过程中距离中心线距离不同。
按上述技术方案，所述步骤三中，车辆在躲避障碍物或者超车过程中，距离障碍物横向最小距离及前方车辆最小距离的选取，其包括纵向距离sdis和横向距离ldis，具体为：
Figure BDA0001776622840000054
Figure BDA0001776622840000055
其中：Tobj表示实验中采集到的车头时距，lmin表示车辆中心到障碍物最小距离，vcar表示车速。
按上述技术方案，在每一个规划周期内，根据具体工况，将其应用于局部路径规划期望终点γdes(s)＝[xdes(s) ydes(s) θdes(s) kdes(s)]的选取当中，在沿车道线行驶过程中：
xdes(s)＝xp(0)+spre
Figure BDA0001776622840000061
在超车或者躲避障碍物的过程中：
xdes(s)＝xp(0)+sdis
ydes(s)＝yp(0)+ldis。
本发明产生的有益效果是：本发明基于自动驾驶技术，针对车辆自动驾驶提出一种基于状态栅格法的驾驶路径规划方法，保证轨迹安全、平滑，适合自动驾驶车辆跟踪，并考虑驾驶员的差异性，基于个性化驾驶员特性行为特征，建立个性化驾驶员路径规划方法。本发明充分考虑了汽车运动特征和驾驶员个性化差异特征。与现有路径规划方法比较，本发明提出的驾驶路径规划方法适用于任意车速条件下，并且充分考虑驾驶员对路径选择的差异性，具有特征全面、计算简便、运算速度快、可靠性高等优点，为自动驾驶车辆的个性化研究提供了理论方法支撑。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例基于状态栅格法的驾驶路径规划方法的技术路线图；
图2是本发明实施例中模拟驾驶实验路线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
在本发明实施例中，自动驾驶汽车个性化参考轨迹生成方法应满足以下几方面的需求：
第一，自动驾驶的优势在于避免人类感知和判断能力的局限性，从而减少甚至消除交通事故的发生，这就要求路径规划系统能充分考虑“人-车-环境”等因素的影响，保证路径的安全性。
第二，不同驾驶员的驾驶技能不同，驾驶经验不同，驾驶习惯不同，故在每个控制周期内，对预瞄点的选择也不同，因此路径规划的目标是尽可能的“拟人化”，满足不同驾驶员的舒适性要求。
第三，在城市交通环境中，交通状况是复杂的，面对不同的工况，所采用的策略也是不同的，因而需考虑不同工况，制定个性化的策略，保证安全性。
本发明实施例方法中包括以下步骤，如图1、图2所示。
步骤S1，将全局参考轨迹录入车辆控制系统；
步骤S2，通过车辆传感器获取车辆行驶时外部环境信息，包括障碍物，车道线位置；通过定位系统获取车辆位置信息，包括横纵向位置、横摆角；
步骤S3，根据个性化预瞄点指标，构造个性化路径搜索策略，在每个路径规划周期里选择个性化的预瞄点，使用状态栅格算法计算车辆当前位置与预瞄点之间的参考轨迹，生成局部路径。该步骤S3中，具体包括以下步骤，
步骤一，对车辆进行运动学建模；
步骤二，考虑道路曲线形状对道路进行建模，以车辆沿道路中心线前进方向为S轴，垂直于道路中心线方向为L轴，对道路进行栅格离散化，(s(i)，l(j))表示栅格节点在S-L坐标系下的坐标；根据沿道路中心线上的栅格节点状态，可以计算道路上任意栅格节点的状态；
步骤三，不同的驾驶员由于驾驶技能、驾驶经验、驾驶习惯的不同，不同驾驶员驾驶汽车时在每个控制周期内对车辆前方道路的预瞄点的选取是不同的。本发明考虑个性化预瞄点，通过汽车模拟实验提取反映个性化轨迹指标，实验工况包括：固定半径转弯实验，符合ISO-3888标准双移线实验，不同速度下超车实验，不同速度下障碍物躲避实验；根据汽车模拟实验提取个性化指标：车辆横向距离补偿值，纵向预瞄距离，距离障碍物横向最小距离，通过这些参数指标进一步选择个性化预瞄点；
步骤四，局部路径参考轨迹生成：采用三次多项式样条曲线拟合生成轨迹。
按上述技术方案，所述步骤一中，具体为，
Figure BDA0001776622840000081
其中，(x，y)为车辆后轴中心在大地坐标系中的坐标，θ为车辆航向角，k为车辆行驶轨迹的曲率，s为行驶轨迹的弧长；
所述步骤二中，具体为，
Figure BDA0001776622840000082
其中，s表示采样点沿S轴方向的弧长，也称作经度，l表示道路中心线的横向补偿值，也称作纬度，(i，j)表示离散状态格的离散化坐标，as表示每个状态格S方向的长度，bl表示状态格L方向单位长度，al表示车道边界线在L反方向上的坐标，
道路中心线上栅格点状态可以表示为[x(s) y(s) θ(s) k(s)]，其中：
x表示在大地坐标系下的纵向坐标；
y表示在大地坐标系下的横向坐标；
θ表示航向角；
k表示节点沿车道中心线方向的曲率；
根据沿道路中心线上的栅格节点状态计算道路上任意栅格节点的状态，具体为，设γ(s，l)为S-L坐标系中任意栅格节点，则
γ(s，l)＝[x(s，l) y(s，l) θ(s，l) k(s，l)]
其中：
Figure BDA0001776622840000083
Figure BDA0001776622840000084
θ(s，l)＝θ(s，0)
k(s，l)＝(k(s)-1+l)-1
上述步骤四中，具体包括，由步骤一可知，确定了曲线的曲率就确定了轨迹点的状态，而曲率只与弧长s有关，以弧长为自变量，以曲率为因变量，建立曲率多项式，即：
k(s)＝a+b·s+c·s2+d·s3
用一维参数矩阵p＝[p0 p1 p2 p3 sf]对[a b c d]进行参数化表示，即：
k(s)＝a(p)+b(p)·s+c(p)·s2+d(p)·s3
此时，
k(0)＝p0
k(sf/3)＝p1
k(2sf/3)＝p2
k(sf)＝p3
在每一个规划周期，由车载设备定位系统对车辆进行定位，以车辆当前位置状态为起始状态，起始点弧长s＝0，预瞄点弧长为sf，由于起点状态和预瞄点状态均为已知。故p0＝k(0)，p3＝k(sf)均为已知量。所求参数仅为[p1 p2 sf]。轨迹生成的问题进一步转化为求解参数p＝[p1 p2 sf]。
每个规划周期，车辆从当前位置出发，此时车辆状态为：
γp(0)＝[xp(0) yp(0) θp(0) kp(0)]
车辆在行驶过程中的状态可以表示为：
γp(s)＝[xp(s) yp(s) θp(s) kp(s)]
根据车辆运动微分方程，得：
kp(s)＝a(p)+b(p)·s+c(p)·s2+d(p)·s3
θp(s)＝a(p)·s+b(p)·s2/2+c(p)·s3/3+d(p)·s4/4+θp(0)
Figure BDA0001776622840000091
Figure BDA0001776622840000092
预瞄终点状态为：
γdes(s)＝[xdes(s) ydes(s) θdes(s) kdes(s)]
当γp(sf)与γdes(s)的状态相等，或者相差很小时，可以求得一维参数矩阵p＝[p1p2 sf]，从而可以求得[a b c d]，进而得到生成的轨迹。因此，轨迹生成的问题转化为求解一维参数矩阵p＝[p1 p2 sf]，使得γp(sf)与γdes(s)的误差足够小。即：
J＝minΣ(||xpi-xdes||Q1+||ypi-ydes||Q2+||θpi-θdes||Q3+||kpi-kdes||Q4
其中Q1表示车辆纵向位置偏差的权重系数，Q2表示横向位置偏差的权重系数，Q3表示车辆航向角偏差权重系数，Q4表示车辆行驶曲率偏差权重系数。
本发明使用高斯牛顿法对其进行求解，使规划时间在毫秒级，保证车辆控制与规划实时性。
上述步骤三中，纵向预瞄距离的选取，具体为：
sPre＝v·T
其中，v为车速，T为预瞄时间，预瞄时间根据模拟驾驶实验所得驾驶员平均预瞄时间。
车辆横向距离补偿值由模拟驾驶实验获取：
Figure BDA0001776622840000102
其中，n表示采集到的数据数量，loff表示在模拟驾驶实验中，车辆单车道行驶过程中，偏离车道中心线的距离，向左为正，向右为负。(驾驶员在行车过程中，无法一直保持在车道中心线上，不同驾驶员行车过程中距离中心线距离不同。)
车辆在躲避障碍物或者超车过程中，距离障碍物横向最小距离及前方车辆最小距离的选取，其包括纵向距离sdis和横向距离ldis，具体为：
Figure BDA0001776622840000103
Figure BDA0001776622840000104
其中：Tobj表示实验中采集到的车头时距，lmin表示车辆中心到障碍物最小距离，vcar表示车速。
优选地，在每一个规划周期内，根据具体工况，将其应用于局部路径规划期望终点γdes(s)＝[xdes(s) ydes(s) θdes(s) kdes(s)]的选取当中，在沿车道线行驶过程中：
xdes(s)＝xp(0)+spre
Figure BDA0001776622840000111
在超车或者躲避障碍物的过程中：
xdes(s)＝xp(0)+sdis
ydes(s)＝yp(0)+ldis。
本发明基于自动驾驶技术，针对车辆自动驾驶提出一种基于状态栅格法的驾驶路径规划方法，保证轨迹安全、平滑，适合自动驾驶车辆跟踪，并考虑驾驶员的差异性，基于个性化驾驶员特性行为特征，建立个性化驾驶员路径规划方法。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (7)

1.一种基于状态栅格法的驾驶路径规划方法，其特征在于，包括以下步骤，
步骤S1，将全局参考轨迹录入车辆控制系统；
步骤S2，通过车辆传感器获取车辆行驶时外部环境信息，包括障碍物，车道线位置；通过定位系统获取车辆位置信息，包括横纵向位置、横摆角；
步骤S3，根据个性化预瞄点指标，构造个性化路径搜索策略，在每个路径规划周期里选择个性化的预瞄点，使用状态栅格算法计算车辆当前位置与预瞄点之间的参考轨迹，生成局部路径，所述步骤S3中，具体包括以下步骤，
步骤一，对车辆进行运动学建模；
步骤二，考虑道路曲线形状对道路进行建模，以车辆沿道路中心线前进方向为S轴，垂直于道路中心线方向为L轴，对道路进行栅格离散化，(s(i)，l(j))表示栅格节点在S-L坐标系下的坐标；根据沿道路中心线上的栅格节点状态，可以计算道路上任意栅格节点的状态；
步骤三，根据汽车模拟实验提取个性化指标：车辆横向距离补偿值，纵向预瞄距离，距离障碍物横向最小距离，通过这些参数指标进一步选择个性化预瞄点；
步骤四，局部路径参考轨迹生成：采用三次多项式样条曲线拟合生成轨迹。
2.根据权利要求1所述的基于状态栅格法的驾驶路径规划方法，其特征在于，所述步骤一中，具体为，
Figure FDA0002521922540000011
其中，(x，y)为车辆后轴中心在大地坐标系中的坐标，θ为车辆航向角，k为车辆行驶轨迹的曲率，s为行驶轨迹的弧长；
所述步骤二中，具体为，
Figure FDA0002521922540000012
其中，s表示采样点沿S轴方向的弧长，l表示道路中心线的横向补偿值，(i，j)表示离散状态格的离散化坐标，as表示每个状态格S方向的长度，bl表示状态格L方向单位长度，al表示车道边界线在L反方向上的坐标，
道路中心线上栅格点状态可以表示为[x(s) y(s) θ(s) k(s)]，其中：
x表示在大地坐标系下的纵向坐标；
y表示在大地坐标系下的横向坐标；
θ表示航向角；
k表示节点沿车道中心线方向的曲率；
根据沿道路中心线上的栅格节点状态计算道路上任意栅格节点的状态，具体为，设γ(s，l)为S-L坐标系中任意栅格节点，则
γ(s，l)＝[x(s，l) y(s，l) θ(s，l) k(s，l)]
其中：
Figure FDA0002521922540000021
Figure FDA0002521922540000022
θ(s，l)＝θ(s，0)
k(s，l)＝(k(s)-1+l)-1。
3.根据权利要求2所述的基于状态栅格法的驾驶路径规划方法，其特征在于，所述步骤四中，具体为，
由步骤一可知，以弧长为自变量，以曲率为因变量，建立曲率多项式，即：
k(s)＝a+b·s+c·s2+d·s3
用一维参数矩阵p＝[p0 p1 p2 p3 sf]对[a b c d]进行参数化表示，即：
k(s)＝a(p)+b(p)·s+c(p)·s2+d(p)·s3
此时，
k(0)＝p0
k(sf/3)＝p1
k(2sf/3)＝p2
k(sf)＝p3
在每一个规划周期，由车载设备定位系统对车辆进行定位，以车辆当前位置状态为起始状态，起始点弧长s＝0，预瞄点弧长为sf，
每个规划周期，车辆从当前位置出发，此时车辆状态为：
γp(0)＝[xp(0) yp(0) θp(0) kp(0)]
车辆在行驶过程中的状态可以表示为：
γp(s)＝[xp(s) yp(s) θp(s) kp(s)]
根据车辆运动微分方程，得：
kp(s)＝a(p)+b(p)·s+c(p)·s2+d(p)·s3
θp(s)＝a(p)·s+b(p)·s2/2+c(p)·s3/3+d(p)·s4/4+θp(0)
xp(s)＝∫0 scos[θp(s)]ds+xp(0)
yp(s)＝∫0 ssin[θp(s)]ds+yp(0)
预瞄终点状态为：
γdes(s)＝[xdes(s) ydes(s) θdes(s) kdes(s)]
当γp(sf)与γdes(s)的状态相等，或者相差很小时，可以求得一维参数矩阵p＝[p1 p2sf]，从而可以求得[a b c d]，进而得到生成的轨迹。
4.根据权利要求2或3所述的基于状态栅格法的驾驶路径规划方法，其特征在于，
所述步骤三中，纵向预瞄距离的选取，具体为：
spre＝v·T
其中，v为车速，T为预瞄时间，预瞄时间根据模拟驾驶实验所得驾驶员平均预瞄时间。
5.根据权利要求2或3所述的基于状态栅格法的驾驶路径规划方法，其特征在于，
所述步骤三中，车辆横向距离补偿值由模拟驾驶实验获取：
Figure FDA0002521922540000041
其中，n表示采集到的数据数量，loff表示在模拟驾驶实验中，车辆单车道行驶过程中，偏离车道中心线的距离，向左为正，向右为负。
6.根据权利要求2或3所述的基于状态栅格法的驾驶路径规划方法，其特征在于，所述步骤三中，车辆在躲避障碍物或者超车过程中，距离障碍物横向最小距离及前方车辆最小距离的选取，其包括纵向距离sdis和横向距离ldis，具体为：
Figure FDA0002521922540000042
Figure FDA0002521922540000043
其中：Tobj表示实验中采集到的车头时距，lmin表示车辆中心到障碍物最小距离，vcar表示车速。
7.根据权利要求6所述的基于状态栅格法的驾驶路径规划方法，其特征在于，
在每一个规划周期内，根据具体工况，将其应用于局部路径规划期望终点γdes(s)＝[xdes(s) ydes(s) θdes(s) kdes(s)]的选取当中，在沿车道线行驶过程中：
xdes(s)＝xp(0)+spre
Figure FDA0002521922540000044
在超车或者躲避障碍物的过程中：
xdes(s)＝xp(0)+sdis
ydes(s)＝yp(0)+ldis。
CN201810972719.XA 2018-08-24 2018-08-24 基于状态栅格法的驾驶路径规划方法 Active CN109263639B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810972719.XA CN109263639B (zh) 2018-08-24 2018-08-24 基于状态栅格法的驾驶路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810972719.XA CN109263639B (zh) 2018-08-24 2018-08-24 基于状态栅格法的驾驶路径规划方法

Publications (2)

Publication Number Publication Date
CN109263639A CN109263639A (zh) 2019-01-25
CN109263639B true CN109263639B (zh) 2020-09-01

Family

ID=65154373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810972719.XA Active CN109263639B (zh) 2018-08-24 2018-08-24 基于状态栅格法的驾驶路径规划方法

Country Status (1)

Country Link
CN (1) CN109263639B (zh)

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109765902B (zh) * 2019-02-22 2022-10-11 阿波罗智能技术(北京)有限公司 无人车驾驶参考线处理方法、装置及车辆
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
WO2020191712A1 (en) * 2019-03-28 2020-10-01 Baidu.Com Times Technology (Beijing) Co., Ltd. A map-less and camera-based lane markings sampling method for level-3 autonomous driving vehicles
CN110196592B (zh) * 2019-04-26 2023-07-28 纵目科技（上海）股份有限公司 一种轨迹线的更新方法、系统、终端和存储介质
CN110077397B (zh) * 2019-05-14 2020-08-04 芜湖汽车前瞻技术研究院有限公司 一种智能车避障轨迹规划方法及装置
CN110132291B (zh) * 2019-05-16 2021-06-18 深圳数翔科技有限公司 用于港口的栅格地图生成方法、系统、设备及存储介质
CN110103968A (zh) * 2019-05-16 2019-08-09 北方工业大学 一种基于三维激光雷达的无人车自主超车轨迹规划系统
CN110103969B (zh) * 2019-05-16 2020-11-13 广州小鹏汽车科技有限公司 一种车辆控制方法、装置、系统及车辆
CN110103956A (zh) * 2019-05-16 2019-08-09 北方工业大学 一种无人车自动超车轨迹规划方法
CN110203193B (zh) * 2019-06-13 2020-02-11 智邮开源通信研究院(北京)有限公司 车辆控制方法、装置、汽车及存储介质
CN110244734B (zh) * 2019-06-20 2021-02-05 中山大学 一种基于深度卷积神经网络的自动驾驶车辆路径规划方法
CN112506176A (zh) * 2019-08-26 2021-03-16 上海汽车集团股份有限公司 路径规划方法及装置
CN110516880B (zh) * 2019-08-29 2022-05-13 广州小鹏汽车科技有限公司 一种路径处理方法、系统、车辆及计算机可读存储介质
CN110825093B (zh) * 2019-11-28 2021-04-16 安徽江淮汽车集团股份有限公司 自动驾驶策略生成方法、装置、设备及存储介质
CN110962858B (zh) * 2019-12-23 2021-11-19 潍柴动力股份有限公司 目标识别方法及设备
CN111341102B (zh) * 2020-03-02 2021-04-23 北京理工大学 运动基元库构建方法和装置、连接运动基元的方法和装置
CN111443709B (zh) * 2020-03-09 2023-08-29 北京百度网讯科技有限公司 车辆变道路线规划方法、装置、终端和存储介质
CN112327826B (zh) * 2020-09-27 2023-12-12 一汽解放汽车有限公司 一种路径规划方法、装置、设备和介质
JP2022082359A (ja) * 2020-11-20 2022-06-01 国立大学法人東海国立大学機構 走行制御管理システム、走行制御管理方法、および走行制御管理プログラム
CN113029151B (zh) * 2021-03-15 2023-04-14 齐鲁工业大学 一种智能车辆路径规划方法
CN112937592B (zh) * 2021-03-23 2022-04-15 武汉理工大学 基于车头时距来辨识驾驶风格的方法及系统
CN112937606B (zh) * 2021-03-29 2021-10-26 紫清智行科技(北京)有限公司 用于循迹自动驾驶车辆的防撞路径规划与控制方法及系统
CN113377102A (zh) * 2021-04-29 2021-09-10 中联重科土方机械有限公司 用于挖掘机的控制方法、处理器、装置及挖掘机
CN114265411B (zh) * 2021-12-28 2023-10-03 上汽大众汽车有限公司 一种解决车辆预测模型性能受限于感知数据性能的方法
CN114648551B (zh) * 2022-05-19 2022-08-16 武汉深图智航科技有限公司 轨迹预测方法及装置
CN114906173B (zh) * 2022-06-30 2023-07-21 电子科技大学 一种基于两点预瞄驾驶员模型的自动驾驶决策方法
CN117311369B (zh) * 2023-11-29 2024-02-09 江苏伊凡诺尔智能科技有限公司 一种多场景的机器人智能巡检方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7869946B2 (en) * 2005-02-04 2011-01-11 Microsoft Corporation Efficient navigation routing system and method
EP1754955B1 (en) * 2005-08-19 2015-05-06 Aisin Aw Co., Ltd. Navigation method and corresponding system for determining a travel related time
KR101633889B1 (ko) * 2009-02-18 2016-06-28 삼성전자주식회사 격자지도를 이용한 경로 생성 장치 및 방법
CN103760904B (zh) * 2014-02-13 2016-10-19 北京工业大学 一种语音播报式智能车辆路径规划装置与实施方法
CN106527428A (zh) * 2016-10-19 2017-03-22 东风汽车公司 基于高速公路的嵌入式集成自动驾驶控制器
CN107702716B (zh) * 2017-08-31 2021-04-13 广州小鹏汽车科技有限公司 一种无人驾驶路径规划方法、系统和装置

Also Published As

Publication number Publication date
CN109263639A (zh) 2019-01-25

Similar Documents

Publication Publication Date Title
CN109263639B (zh) 基于状态栅格法的驾驶路径规划方法
US10761535B2 (en) Intelligent vehicle navigation systems, methods, and control logic for multi-lane separation and trajectory extraction of roadway segments
US11328219B2 (en) System and method for training a machine learning model deployed on a simulation platform
US11635764B2 (en) Motion prediction for autonomous devices
US11545033B2 (en) Evaluation framework for predicted trajectories in autonomous driving vehicle traffic prediction
EP3299921B1 (en) Location specific assistance for an autonomous vehicle control system
KR102225006B1 (ko) 차량 제동 에너지 회수 방법 및 장치
US10896122B2 (en) Using divergence to conduct log-based simulations
CN109799828B (zh) 自动驾驶车辆横纵向协调控制方法
CN108137015A (zh) 用于自动驾驶车辆的侧滑补偿控制方法
JP2021515724A (ja) 自動運転車において３ｄｃｎｎネットワークを用いてソリューション推断を行うｌｉｄａｒ測位
CN107664993A (zh) 一种路径规划方法
Hecker et al. Learning accurate, comfortable and human-like driving
CN107664504A (zh) 一种路径规划装置
CN111797780A (zh) 一种跟车轨迹规划方法、装置、服务器及存储介质
CN113692373B (zh) 自动驾驶车辆服务的滞留和范围分析
CN113916246A (zh) 一种无人驾驶避障路径规划方法和系统
US20230215191A1 (en) Lane line detection method, related device, and computer-readable storage medium
US20220315037A1 (en) Lane changing based only on local information
US20240083458A1 (en) Using simulations to identify differences between behaviors of manually-driven and autonomous vehicles
JP2021024457A (ja) 車両の走行制御システム
CN116723970A (zh) 使用界限表示进行自动驾驶拓扑规划的系统、方法和计算机程序产品
CN211956223U (zh) 一种车道变更轨迹规划系统
Yan et al. Considering variable road geometry in adaptive vehicle speed control
US11262201B2 (en) Location-based vehicle operation

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