CN109933068A - 驾驶路径规划方法、装置、设备和存储介质 - Google Patents
驾驶路径规划方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN109933068A CN109933068A CN201910196948.1A CN201910196948A CN109933068A CN 109933068 A CN109933068 A CN 109933068A CN 201910196948 A CN201910196948 A CN 201910196948A CN 109933068 A CN109933068 A CN 109933068A
- Authority
- CN
- China
- Prior art keywords
- sampled point
- attribute
- path
- coordinate
- barrier
- 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.)
- Pending
Links
Abstract
本发明涉及一种驾驶路径规划方法、装置、设备和存储介质，终端通过获取确定性采样点集，其中确定性采样点集包括通过预设的采样规则采样得到的采样点，由于采样点是通过预设的采样规则一次性生成的确定性的采样点，因此终端可以在路径规划几何区域确定时，即可确定所有采样点的可行驶属性，其中，可行驶属性用于描述采样点是否位于可行驶路径上，同时，根据路径规划几何区域和障碍物感知信息确定采样点的碰撞属性，其中，碰撞属性用于描述采样点的位置是否与障碍物的位置重合，使得确定采样点的可行驶属性和碰撞属性可以是同步进行的，进而提高了根据采样点的可行驶属性和碰撞属性，生成自动驾驶车辆的行驶路径的速度。
Description
技术领域
本发明涉及无人驾驶技术领域，特别是涉及了一种驾驶路径规划方法、装置、设备和存储介质。
背景技术
无人驾驶车辆，又称自动驾驶汽车，是一种通过电脑系统实现自动驾驶的智能汽车。自动驾驶车辆依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让车辆可以在没有任何人类主动的操作下，自动安全地操作机动车辆。通常，自动驾驶车辆获取目的地后，根据自动驾驶车辆的位置，通过算法计算自动驾驶车辆的行驶路径，并根据该路径控制车辆行驶。
面对复杂的行驶环境下，通常采用随机采样路径规划算法来对应自动驾驶车辆的行驶路径进行规划。当随机采样点生成后，通过将上述随机采样点所代表的车身轮廓与预设的可行驶区域进行几何相交运算，判断该随机采样点是否在地图的可行驶区域内，进而确定自动驾驶车辆的行驶路径。
采用上述随机采样路径规划算法，由于采样点为随机数据，生成自动驾驶车辆的行驶路径较慢。
发明内容
基于此，有必要针对生成自动驾驶车辆的行驶路径较慢的问题，提供了一种驾驶路径规划方法、装置、设备和存储介质。
第一方面，一种驾驶路径规划方法，所述方法包括：
获取确定性采样点集；所述确定性采样点集包括通过预设的采样规则采样得到的采样点；
获取路径规划几何区域，根据所述路径规划几何区域，确定所述确定性采样点集中每个采样点的可行驶属性；并根据障碍物感知信息和所述路径规划几何区域确定所述确定性采样点集中每个采样点的碰撞属性；所述可行驶属性用于描述采样点是否位于可行驶路径上；所述碰撞属性用于描述采样点的位置是否与障碍物的位置重合；
根据所述采样点的可行驶属性和碰撞属性，生成自动驾驶车辆的行驶路径。
在其中一个实施例中，所述方法还包括：
根据所述自动驾驶车辆行驶的目的地点和所述自动驾驶车辆的当前位置信息，获得所述路径规划几何区域。
在其中一个实施例中，所述根据路径规划几何区域，确定所述确定性采样点集中每个采样点的可行驶属性，包括：
将所述路径规划几何区域的坐标转换为地图坐标系的坐标，确定可行驶路径信息；所述可行驶路径信息包括可行驶路径的坐标范围；
根据所述可行驶路径信息和所述确定性采样点集，获得所述确定性采样点集各采样点的可行驶属性。
在其中一个实施例中，所述根据所述可行驶路径信息和所述确定性采样点集，获得所述确定性采样点集各采样点的可行驶属性，包括：
若所述确定性采样点集中的采样点的坐标在所述坐标范围内，则所述采样点的可行驶属性为所述采样点位于所述可行驶路径上。
在其中一个实施例中，所述根据障碍物感知信息和所述路径规划几何区域确定所述确定性采样点集中每个采样点的碰撞属性，包括：
根据所述确定性采样点集中采样点的坐标，确定所述采样点对应的自动驾驶车辆的坐标；
判断所述自动驾驶车辆的坐标是否与所述障碍物感知信息中障碍物的坐标重合；
若所述自动驾驶车辆的坐标与所述障碍物感知信息中障碍物的坐标不重合，则所述自动驾驶车辆的坐标对应的采样点的碰撞属性为所述采样点的位置与所述障碍物的位置不重合。
在其中一个实施例中，所述方法还包括：
若所述自动驾驶车辆的坐标与所述障碍物感知信息中障碍物的坐标重合，则判断所述确定性采样点集中的下一个采样点对应的所述自动驾驶车辆的坐标是否与所述障碍物感知信息中的障碍物的坐标重合。
在其中一个实施例中，所述根据所述采样点的可行驶属性和碰撞属性，生成自动驾驶车辆的行驶路径，包括：
根据满足预设采样条件的采样点，生成自动驾驶采样点集合；所述预设采样条件包括可行驶属性为采样点位于可行驶路径上，和碰撞属性为采样点的位置与障碍物的位置不重合；
根据所述自动驾驶采样点集合，生成自动驾驶车辆的行驶路径。
在其中一个实施例中，所述根据所述自动驾驶采样点集合，生成自动驾驶车辆的行驶路径，包括：
获取邻居点集合；所述邻居点集合包括与所述自动驾驶采样点集合中的各采样点之间的距离小于预设阈值的邻居点；
将所述自动驾驶采样点集合中的各采样点与对应的邻居点连接，生成所述自动驾驶车辆的行驶路径。
在其中一个实施例中，所述将所述自动驾驶采样点集合中的各采样点与对应的邻居点连接，生成所述自动驾驶车辆的行驶路径之后，所述方法还包括：
判断所述自动驾驶车辆的行驶路径是否满足预设的行驶条件；
若否，则更新所述障碍物感知信息，并根据更新后的障碍物感知信息和所述路径规划几何区域确定所述确定性采样点集中每个采样点的碰撞属性。
第二方面，一种驾驶路径规划装置，所述装置包括：
第一获取模块，用于获取确定性采样点集；所述确定性采样点集包括通过预设的采样规则生成的采样点；
确定模块，用于获取路径规划几何区域，根据所述路径规划几何区域，确定所述确定性采样点集中每个采样点的可行驶属性；并根据障碍物感知信息和所述路径规划几何区域确定所述确定性采样点集中每个采样点的碰撞属性；所述可行驶属性包括所述采样点在可行驶路径上，或所述采样点不在可行驶路径上；所述碰撞属性包括所述采样点与所述障碍物重合，或所述采样点与所述障碍物不重合；
生成模块，用于根据所述采样点的可行驶属性和碰撞属性，生成自动驾驶车辆的行驶路径。
第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述驾驶路径规划方法所述的方法步骤。
第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述驾驶路径规划方法所述的方法步骤。
上述驾驶路径规划方法、装置、设备和存储介质，终端通过获取确定性采样点集，其中确定性采样点集包括通过预设的采样规则采样得到的采样点，由于采样点是通过预设的采样规则一次性生成的确定性的采样点，因此终端可以在路径规划几何区域确定时，即可确定所有采样点的可行驶属性，其中，可行驶属性用于描述采样点是否位于可行驶路径上，同时，根据路径规划几何区域和障碍物感知信息确定采样点的碰撞属性，其中，碰撞属性用于描述采样点的位置是否与障碍物的位置重合，由于确定采样点的可行驶属性和碰撞属性可以是同步进行的，因此提高了根据采样点的可行驶属性和碰撞属性，生成自动驾驶车辆的行驶路径的速度。
附图说明
图1为一个实施例中驾驶路径规划方法的应用环境的示意图；
图2为一个实施例中驾驶路径规划方法的流程示意图；
图2a为一个实施例中路径规划几何区域的示意图；
图3为另一个实施例中驾驶路径规划方法的流程示意图；
图4为另一个实施例中驾驶路径规划方法的流程示意图；
图5为另一个实施例中驾驶路径规划方法的流程示意图；
图6为另一个实施例中驾驶路径规划方法的流程示意图；
图7为另一个实施例中驾驶路径规划方法的流程示意图；
图8为另一个实施例中驾驶路径规划方法的流程图；
图9为一个实施例中提供的驾驶路径规划装置的结构示意图；
图10为另一个实施例中提供的驾驶路径规划装置的结构示意图；
图11为另一个实施例中提供的驾驶路径规划装置的结构示意图；
图12为另一个实施例中提供的驾驶路径规划装置的结构示意图；
图13为另一个实施例中提供的驾驶路径规划装置的结构示意图；
图14为一个实施例中计算机设备的内部结构图。
具体实施方式
本申请提供的驾驶路径规划方法、装置、设备和存储介质，旨在解决生成自动驾驶车辆的行驶路径较慢的问题。下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
本实施例提供的驾驶路径规划方法，可以适用于如图1所示的应用环境中。其中自动驾驶路径终端102通过网络与车辆104通过网络进行通信。自动驾驶路径终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
需要说明的是，本申请实施例提供的驾驶路径规划方法，其执行主体可以是驾驶路径规划的装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为驾驶路径规划的终端的部分或者全部。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。
图2为一个实施例中驾驶路径规划方法的流程示意图。本实施例涉及的是通过确定性采样点集中的采样点的可行驶属性和碰撞属性，生成自动驾驶车辆的行驶路径的具体过程。如图2所示，该方法包括以下步骤：
S101、获取确定性采样点集；确定性采样点集包括通过预设的采样规则采样得到的采样点。
具体地，确定性采样点集可以包括通过预设的采样规则采样得到的采样点，预设的采样规则可以是霍尔顿序列(Halton sequence)，其中，Halton sequence是确定采样序列，该Halton sequence是一种通过数值方法产生顶点的系列生成算法。这些序列是以确定的方法算出来的，且它们的偏差很小。预设的采样规则还可以是以van der Corput为基础的任意确定性采样序列，本申请实施例对此不做限制。通过上述预设的采样规则获得的采样点是具有可重现性的数据。采样点可以是三维采样点，也可以任意维度的采样点，本申请实施例对此不做限制。例如，采样点可以是三维采样点(xi,yi,ti)，其中xi和yi表示该车辆后轴中心点在x轴和y轴上的位置，ti表示车辆的朝向角度。
S102、获取路径规划几何区域，根据路径规划几何区域，确定确定性采样点集中每个采样点的可行驶属性；并根据障碍物感知信息和路径规划几何区域确定确定性采样点集中每个采样点的碰撞属性；可行驶属性用于描述采样点是否位于可行驶路径上；碰撞属性用于描述采样点的位置是否与障碍物的位置重合。
具体地，路径规划几何区域可以是自动驾驶车辆行驶的区域，其可以是一个方形区域，也可以是圆形区域，还可以是正方形区域，还可以是其它不规则形状区域，本申请实施例对此不做限制。上述路径规划几何区域可以是自定义的坐标系下的区域，该区域内各点的坐标可以是自定义坐标系下的坐标；也可以是世界地图坐标系下的区域，该区域内各点的坐标也可以是世界地图坐标下的坐标，本申请实施例对此不做限制。路径规划几何区域中可以包括道路信息，障碍物信息等，其中障碍物信息可以表示车辆行驶中遇到障碍的信息，其可以对应路沿、建筑物等固定设置的使得车辆不可行驶的物体，也可以对应车道中的路障，巨石等临时设置的使得车辆不可行驶的物体，本申请实施例对此不做限制。可行驶属性可以用于描述采样点是否位于可行驶路径上，其中可行驶路径可以是车辆可以行驶的，不包括障碍物的道路。例如，可行驶路径可以是无障碍的车行道。上述可行驶属性可以包括采样点在可行驶路径上，和采样点不在可行驶路径上。碰撞属性可以用于描述采样点的位置是否与障碍物的位置重合。其中采样点的位置可以代表车身轮廓，因此，碰撞属性可以用于表示车身轮廓是否与障碍物的位置重合，若重合，则表示车身与障碍物发生碰撞，若不重合，则表示车身不与障碍物发生碰撞。障碍物感知信息可以是通过传感器获得的障碍物的感知数据，上述传感器可以是激光雷达、毫米波雷达或摄像机，本申请实施例对此不做限制，上述感知数据可以是通过传感器获得点云数据、雷达数据或图像数据，本申请实施例对此不做限制。
在具体地获取路径规划几何区域的过程中，可以是根据自动驾驶车辆当前所在的位置，实时的获取路径规划几何区域。进而在具体的根据路径规划几何区域，确定确定性采样点集中每个采样点的可行驶属性时，可以是逐一确定每个采样点的可行驶属性，也可以是一次性获得所有采样点的可行驶属性，本申请实施例对此不做限制。终端可以在获取了确定性采样点集时，在另一个线程中计算所有采样点的可行驶属性。在具体的根据根据障碍物感知信息和路径规划几何区域确定确定性采样点集中每个采样点的碰撞属性时，可以通过将障碍物感知信息与路径规划几何区域标定至同一坐标系下，进而确定采样点的碰撞属性。其可以是逐一确定每个采样点的碰撞属性，也可以是一次性获得所有采样点的碰撞属性，本申请实施例对此不做限制。终端可以在主线程内计算所有采样点的碰撞属性，在另一个次线程中计算所有采样点的可行驶属性。也即是说，终端可以同时计算采样点的可行驶属性和碰撞属性。
S103、根据采样点的可行驶属性和碰撞属性，生成自动驾驶车辆的行驶路径。
具体地，在上述实施例的基础上，确定了采样点的可行驶属性和碰撞属性时，可以根据采样点的可行驶属性和碰撞属性，将可行驶属性为采样点位于可行驶路径上，碰撞属性为采样点的位置不与障碍物的位置重合的采样点连接，形成行驶路径。通过上述方法可以形成多条行驶路径，可以从中选取一条作为自动驾驶车辆的行驶路径，也可以选取多条作为自动驾驶车辆的行驶路径，本申请实施例对此不做限制。在具体地根据采样点的可行驶属性和碰撞属性，生成自动驾驶车辆的行驶路径的过程中，可以根据规划树及采样点的可行驶属性和碰撞属性，生成自动驾驶车辆的行驶路径。
上述驾驶路径规划方法，终端通过获取确定性采样点集，由于采样点是通过预设的采样规则一次性生成的确定性的采样点，因此终端可以在路径规划几何区域确定时，即可确定所有采样点的可行驶属性，其中，可行驶属性用于描述采样点是否位于可行驶路径上，同时，根据路径规划几何区域和障碍物感知信息确定采样点的碰撞属性，其中，碰撞属性用于描述采样点的位置是否与障碍物的位置重合，由于确定采样点的可行驶属性和碰撞属性可以是同步进行的，因此提高了根据采样点的可行驶属性和碰撞属性，生成自动驾驶车辆的行驶路径的速度。
可选地，根据自动驾驶车辆行驶的目的地点和自动驾驶车辆的当前位置信息，获得路径规划几何区域。
具体地，终端可以根据自动驾驶车辆行驶的目的地点和自动驾驶车辆的当前位置信息，可以以上述目的地点和当前位置信息对应的坐标点为方形的两个顶点，确定一个方形的区域为路径规划几何区域，也可以是以上述目的地点和当前位置信息，确定一个圆形区域，作为路径规划几何区域。进一步地，终端还可以将上述目的地点和自动驾驶车辆的当前位置信息向外延伸预设的阈值，获得的区域作为路径规划几何区域，本申请实施例对此不做限制。例如，如图2a所示，自动驾驶车辆行驶的目的地点的坐标为(10,10)，自动驾驶车辆的当前位置信息的坐标为(1,1)，将自动驾驶车辆行驶的目的地点向外延伸，得到坐标(12,12)，将自动驾驶车辆的当前位置信息向外延伸，得到坐标(0,0)，根据向外延伸后的坐标，获得如图2a所示的区域1为路径规划几何区域。
图3为另一个实施例中驾驶路径规划方法的流程示意图。本实施例涉及的是终端如何确定采样点的可行驶属性的具体过程。如图3所示，上述S102“根据路径规划几何区域，确定确定性采样点集中每个采样点的可行驶属性”一种可能的实现方法包括以下步骤：
S201、将路径规划几何区域的坐标转换为地图坐标系的坐标，确定可行驶路径信息；可行驶路径信息包括可行驶路径的坐标范围。
具体地，在上述实施例的基础上，将路径规划几何区域中各点的坐标，通过坐标转换关系，转换为地图坐标系下的坐标，其中，坐标转换关系可以是简单的坐标偏移。路径规划几何区域中的各点，对应地图中的多个点。地图中包括的道路位置信息、障碍物位置信息，可以将地图中的不包括障碍物的道路的位置信息确定为可行驶路径信息，其中，可行驶路径信息可以包括可行驶路径的坐标范围。
S202、根据可行驶路径信息和确定性采样点集，获得确定性采样点集各采样点的可行驶属性。
具体地，在上述实施例的基础上，确定了可行驶路径信息之后，可以根据可行驶路径信息确定可行驶路径的坐标范围，将可行驶路径的坐标范围与确定性采样点集中各采样点的坐标进行比较，获得确定性采样点集中各采样点的可行驶属性。在上述实施例的基础上，确定性采样点集中各采样点是具有可重现性的数据。因此，当获取了可行驶路径信息和确定性采样点集时，即可确定各采样点的可行驶属性，且每次确定的各采样点的可行驶属性时一致的。可选地，若确定性采样点集中的采样点的坐标在坐标范围内，则采样点的可行驶属性为采样点位于可行驶路径上。
上述驾驶路径规划方法，终端将路径规划几何区域的坐标转换为地图坐标系的坐标，确定可行驶路径信息，其中，可行驶路径信息包括可行驶路径的坐标范围，并根据可行驶路径信息和具有可重现性的确定性采样点集，获得确定性采样点集各采样点的可行驶属性更加准确，进而使得终端可以根据采样点的可行驶属性和碰撞属性，生成的自动驾驶车辆的行驶路径更加准确。
上述实施例重点描述了终端如何确定采样点的可行驶属性的具体过程，下面通过图4所示实施例来详细描述终端如何确定采样点的碰撞属性的具体过程。
图4为另一个实施例中驾驶路径规划方法的流程示意图。本实施例涉及的是终端如何确定采样点的碰撞属性的具体过程。如图4所示，上述S102“根据障碍物感知信息和路径规划几何区域确定确定性采样点集中每个采样点的碰撞属性”一种可能的实现方法包括以下步骤：
S301、根据确定性采样点集中采样点的坐标，确定采样点对应的自动驾驶车辆的坐标。
具体地，采样点的坐标可以用于表示自动驾驶车辆上一个预设的位置的坐标，其可以是一个自动驾驶车辆上一个点的坐标。可以通过自动驾驶车辆的尺寸，及采样点的坐标，确定该采样点对应的自动驾驶车辆的坐标，即自动驾驶车辆的轮廓，该自动驾驶车辆的坐标可以是一组坐标，也可以是一个坐标范围，本申请实施例对此不做限制。
S302、判断自动驾驶车辆的坐标是否与障碍物感知信息中障碍物的坐标重合。
具体地，在上述实施例的基础上，获得障碍物感知信息时，可以通过预设的标定方法，将障碍物感知信息中的障碍物的位置信息转换至地图坐标系下的坐标。障碍物可以是不规则的物体。其中，障碍物的坐标可以是一个坐标范围，障碍物的坐标也可以是多个坐标，本申请实施例对此不做限制。在判断自动驾驶车辆的坐标是否与障碍物感知信息中的障碍物的坐标重合时，可以是判断自动驾驶车辆的坐标种任一坐标是否与障碍物的坐标中的任一坐标重合，只要有一组坐标重合，则自动驾驶车辆的坐标与障碍物感知信息中的障碍物的坐标重合。也可以是自动驾驶车辆的坐标任一维度的数据在对应的障碍物的坐标维度范围内，则自动驾驶车辆的坐标与障碍物感知信息中障碍物的坐标重合。例如，障碍物的坐标为一个坐标范围,该范围为0≤x≤10,0≤y≤10,0≤t≤10,采样点对应的自动驾驶车辆的坐标也是一个坐标范围，为100≤x≤108,15≤y≤20,33≤t≤36,自动驾驶车辆的坐标的三个维度均不在障碍物的坐标的范围内，因此，自动驾驶车辆的坐标与障碍物的坐标不重合。
S303、若自动驾驶车辆的坐标与障碍物感知信息中障碍物的坐标不重合，则自动驾驶车辆的坐标对应的采样点的碰撞属性为采样点的位置与障碍物的位置不重合。
上述驾驶路径规划方法，终端根据确定性采样点集中采样点的坐标，确定采样点对应的自动驾驶车辆的坐标，进而判断自动驾驶车辆的坐标是否与障碍物感知信息中障碍物的坐标重合，当自动驾驶车辆的坐标与障碍物感知信息中障碍物的坐标不重合，则自动驾驶车辆的坐标对应的采样点的碰撞属性为采样点的位置与障碍物的位置不重合，使得根据碰撞属性为采样点的位置与障碍物的位置不重合采样点可行驶属性和碰撞属性，生成自动驾驶车辆的行驶路径不包括与障碍物重合的路径，提高自动驾驶车辆的行驶路径的安全性。
可选地，若自动驾驶车辆的坐标与障碍物感知信息中障碍物的坐标重合，则判断确定性采样点集中的下一个采样点对应的所述自动驾驶车辆的坐标是否与障碍物感知信息中的障碍物的坐标重合。具体地，在上述实施例的基础上，当采样点的坐标与障碍物感知信息中障碍物的坐标重合，则返回判断采样点的坐标是否与障碍物感知信息中的障碍物的坐标重合的步骤，判断确定性采样点集中的下一个采样点的坐标是否与障碍物感知信息中的障碍物的坐标重合。
在上述实施例的基础上，终端还可以通过采样点的可行驶属性和碰撞属性来生成自动驾驶行驶路径，下面通过图5-7所示实施例来详细描述。
图5为另一个实施例中驾驶路径规划方法的流程示意图。本实施例涉及的是终端如何根据采样点的可行驶属性和碰撞属性，生成自动驾驶行驶路径的具体过程。如图5所示，上述S103“根据采样点的可行驶属性和碰撞属性，生成自动驾驶车辆的行驶路径”一种可能的实现方法包括以下步骤：
S401、根据满足预设采样条件的采样点，生成自动驾驶采样点集；预设采样条件包括可行驶属性为采样点位于可行驶路径上，和碰撞属性为采样点的位置与障碍物的位置不重合。
具体地，自动驾驶采样点集中可以包括多个满足预设采样条件的采样点。在上述实施例的基础上，可以选择确定性采样点集中满足预设采样条件的采样点，生成自动驾驶采样点集。其中预设采样条件包括可行驶属性为采样点位于可行驶路径上，和碰撞属性为采样点与障碍物不重合，也即是说，采样点需位于可行驶路径上，且不与障碍物重合时，将该采样点确定为自动驾驶采样点集合中的采样点。
S402、根据自动驾驶采样点集合，生成自动驾驶车辆的行驶路径。
具体地，在上述实施例的基础上，获得了自动驾驶采样点集合，自动驾驶采样点集合中包括多个满足预设采样条件的采样点，可以将自动驾驶采样点集合中采样点连接，生成自动驾驶车辆的行驶路径。上述自动驾驶车辆的行驶路径可以是多条行驶路径，可以从中选择一条或多条行驶路径，为自动驾驶车辆的行驶路径。
上述驾驶路径规划方法，终端根据满足预设采样条件的采样点，生成自动驾驶采样点集，其中，预设采样条件包括可行驶属性为采样点位于可行驶路径上，和碰撞属性为采样点与障碍物不重合，使得根据自动驾驶采样点集合，生成自动驾驶车辆的行驶路径不包括不可行驶路径和与障碍物重合的路径，提高了自动驾驶车辆的行驶路径的安全性。
图6为另一个实施例中驾驶路径规划方法的流程示意图。本实施例涉及的是终端如何根据采样点和邻居点，生成自动驾驶行驶路径的具体过程。如图6所示，上述S402“根据所述自动驾驶采样点集合，生成自动驾驶车辆的行驶路径”一种可能的实现方法包括以下步骤：
S501、获取邻居点集合；邻居点集合包括与自动驾驶采样点集合中的各采样点之间的距离小于预设阈值的邻居点。
具体地，邻居点可以是与采样点之间的距离小于预设阈值的采样点，各采样点与邻居点之间存在对应关系，也即是说，一个采样点的邻居点可以不是另一个采样点的邻居点，也可以是另一个采样点的邻居点。进一步地，邻居点集合中可以包括邻居点和邻居点与采样点之间的对应关系。
S502、将自动驾驶采样点集合中的各采样点与对应的邻居点连接，生成自动驾驶车辆的行驶路径。
具体地，在上述实施例的基础上，邻居点与采样点之间存在对应关系，因此可以将自动驾驶采样点集合中的各采样点与对应的邻居点连接，生成自动驾驶车辆的行驶路径。上述自动驾驶车辆的行驶路径可以是多条行驶路径，可以从中选择一条或多条行驶路径，为自动驾驶车辆的行驶路径。
上述驾驶路径规划方法，终端通过获取邻居点集合，其中，邻居点集合包括与自动驾驶采样点集合中的各采样点之间的距离小于预设阈值的邻居点，并将自动驾驶采样点集合中的各采样点与对应的邻居点连接，生成自动驾驶车辆的行驶路径。由于邻居点为与自动驾驶采样点集合中各采样点之间的距离小于预设阈值的点，因此，将自动驾驶采样点集合中的各采样点与对应的邻居点连接的速度较快，提高了生成自动驾驶车辆的行驶路径的速度。
进一步地，当终端生成自动驾驶车辆的行驶路径之后，还可以对该行驶路径进行检查，确定该行驶路径是否满足预设的行驶条件。下面通过图7所示实施例来详细描述。
图7为另一个实施例中驾驶路径规划方法的流程示意图。本实施例涉及的是终端如何对该行驶路径进行检查，确定该行驶路径是否满足预设的行驶条件的具体过程。如图7所示，该方法还包括以下步骤：
S601、判断自动驾驶车辆的行驶路径是否满足预设的行驶条件。
具体地，预设的行驶条件可以是换挡次数小预设的换挡次数阈值，也可以是车辆拐弯的次数小于预设的拐弯次数阈值，本申请实施例对此不做限制。在上述实施例的基础上，获取了自动驾驶车辆的行驶路径之后，可以对自动驾驶车辆的行驶路径进行检查，判断该自动驾驶车辆的行驶路径是否满足上述预设的行驶条件。例如，当自动驾驶车辆的行驶路径中包括4个拐弯的路径，而预设的行驶条件为车辆的拐弯次数小于5次，则该自动驾驶车辆的行驶路径满足预设的行驶条件。
S602、若否，则更新障碍物感知信息，并根据更新后的障碍物感知信息和路径规划几何区域确定确定性采样点集中每个采样点的碰撞属性。
具体地，当自动驾驶车辆的行驶路径不满足预设的行驶条件，则返回根据障碍物感知信息和和路径规划几何区域确定确定性采样点集中每个采样点的碰撞属性的步骤，此时，障碍物的位置信息可能发生变化，因此需要更新障碍物感知信息，并根据更新后的障碍物感知信息和路径规划几何区域重新确定确定性采样点集中每个采样点的碰撞属性。
上述驾驶路径规划方法，终端判断自动驾驶车辆的行驶路径是否满足预设的行驶条件，若否，则更新障碍物感知信息，并根据更新后的障碍物感知信息和路径规划几何区域确定确定性采样点集中每个采样点的碰撞属性。使得终端是根据更新的障碍物感知信息确定的采样点的碰撞属性，进而使得根据更新的采样点的碰撞属性的可行驶属性，生成自动驾驶车辆的行驶路径更加准确。
图8为另一个实施例中驾驶路径规划方法的流程图，其涉及根据采样点的可行驶属性和碰撞属性生成自动驾驶车辆的行驶路径的流程，如图8所示，该方法包括：
S701、获取确定性采样点集；
S702、确定路径规划几何区域；
S703、获取障碍物感知信息；
S704、选取确定性采样点集中采样点的可行驶属性为采样点位于可行驶路径上的采样点；
S705、获取确定性采样点集中的一个采样点；
S706、判断采样点的碰撞属性是否为采样点的位置与障碍物的位置重合；若是，则返回S705；若否，则执行S707；
S707、获取邻居点集合，并将自动驾驶采样点集合中的各采样点与对应的邻居点连接，生成自动驾驶车辆的行驶路径；
S708、判断自动驾驶车辆的行驶路径是否满足预设的行驶条件，若否，则返回S703。
本实施例提供的驾驶路径规划方法，其实现原理和技术效果与上述方法类似，在此不再赘述。
应该理解的是，虽然图2-8的流程图中的各个步骤按照箭头的指示，依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-8中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图9为一个实施例中提供的驾驶路径规划装置的结构示意图，如图9所示，该驾驶路径规划装置包括：获取模块10、确定模块20和生成模块30，其中：
第一获取模块10，用于获取确定性采样点集；所述确定性采样点集包括通过预设的采样规则生成的采样点；
确定模块20，用于获取路径规划几何区域，根据所述路径规划几何区域，确定所述确定性采样点集中每个采样点的可行驶属性；并根据障碍物感知信息和所述路径规划几何区域确定所述确定性采样点集中每个采样点的碰撞属性；所述可行驶属性包括所述采样点在可行驶路径上，或所述采样点不在可行驶路径上；所述碰撞属性包括所述采样点与所述障碍物重合，或所述采样点与所述障碍物不重合；
生成模块30，用于根据所述采样点的可行驶属性和碰撞属性，生成自动驾驶车辆的行驶路径。
本发明实施例提供的驾驶路径规划装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图10为另一个实施例中提供的驾驶路径规划装置的结构示意图，在图9所示实施例的基础上，如图10所示，驾驶路径规划装置还包括：第二获取模块40，其中：
第二获取模块40，用于根据所述自动驾驶车辆行驶的目的地点和所述自动驾驶车辆的当前位置信息，获得所述路径规划几何区域。
本发明实施例提供的驾驶路径规划装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图11为另一个实施例中提供的驾驶路径规划装置的结构示意图，在图9或图10所示实施例的基础上，如图11所示，确定模块20包括：转换单元201和第一确定单元202，其中：
转换单元201，用于将所述路径规划几何区域的坐标转换为地图坐标系的坐标，确定可行驶路径信息；所述可行驶路径信息包括可行驶路径的坐标范围；
第一确定单元202，用于根据所述可行驶路径信息和所述确定性采样点集，获得所述确定性采样点集各采样点的可行驶属性。
在一个实施例中，第一确定单元202具体用于若所述确定性采样点集中的采样点的坐标在所述坐标范围内，则所述采样点的可行驶属性为所述采样点位于所述可行驶路径上。
需要说明的是，图11是基于图10的基础上进行示出的，当然图11也可以基于图9的结构进行示出，这里仅是一种示例。
本发明实施例提供的驾驶路径规划装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图12为另一个实施例中提供的驾驶路径规划装置的结构示意图，如图12所示，确定模块20还包括：第二确定单元203、判断单元204和第三确定单元205，其中：
第二确定单元203，用于根据所述确定性采样点集中采样点的坐标，确定所述采样点对应的自动驾驶车辆的坐标；
判断单元204，用于判断所述确定性采样点集中的采样点的坐标是否与所述障碍物感知信息中障碍物的坐标重合；
第三确定单元205，用于若所述采样点的坐标与所述障碍物感知信息中障碍物的坐标不重合，则所述采样点的碰撞属性为所述采样点的位置与所述障碍物的位置不重合。
在一个实施例中，第三确定单元205具体用于若所述自动驾驶车辆的坐标与所述障碍物感知信息中障碍物的坐标重合，则判断所述确定性采样点集中的下一个采样点对应的所述自动驾驶车辆的坐标是否与所述障碍物感知信息中的障碍物的坐标重合。
本发明实施例提供的驾驶路径规划装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图13为另一个实施例中提供的驾驶路径规划装置的结构示意图，如图13所示，生成模块30还包括：第一生成单元301和第二生成单元302，其中：
第一生成单元301，用于根据满足预设采样条件的采样点，生成自动驾驶采样点集合；所述预设采样条件包括可行驶属性为采样点位于可行驶路径上，和碰撞属性为采样点的位置与障碍物的位置不重合；
第二生成单元302，用于根据所述自动驾驶采样点集合，生成自动驾驶车辆的行驶路径。
在一个实施例中，第二生成单元302具体用于获取邻居点集合；所述邻居点集合包括与所述自动驾驶采样点集合中的各采样点之间的距离小于预设阈值的邻居点；将所述自动驾驶采样点集合中的各采样点与对应的邻居点连接，生成所述自动驾驶车辆的行驶路径。
在一个实施例中，生成模块30还用于判断所述自动驾驶车辆的行驶路径是否满足预设的行驶条件；若否，则更新所述障碍物感知信息，并根据更新后的障碍物感知信息和所述路径规划几何区域确定所述确定性采样点集中每个采样点的碰撞属性。
关于一种驾驶路径规划装置的具体限定可以参见上文中对驾驶路径规划方法的限定，在此不再赘述。上述驾驶路径规划装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端设备，其内部结构图可以如图14所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种驾驶路径规划方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图14中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种终端设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取确定性采样点集；所述确定性采样点集包括通过预设的采样规则采样得到的采样点；
获取路径规划几何区域，根据所述路径规划几何区域，确定所述确定性采样点集中每个采样点的可行驶属性；并根据障碍物感知信息和所述路径规划几何区域确定所述确定性采样点集中每个采样点的碰撞属性；所述可行驶属性用于描述采样点是否位于可行驶路径上；所述碰撞属性用于描述采样点的位置是否与障碍物的位置重合；
根据所述采样点的可行驶属性和碰撞属性，生成自动驾驶车辆的行驶路径。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据所述自动驾驶车辆行驶的目的地点和所述自动驾驶车辆的当前位置信息，获得所述路径规划几何区域。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述路径规划几何区域的坐标转换为地图坐标系的坐标，确定可行驶路径信息；所述可行驶路径信息包括可行驶路径的坐标范围；根据所述可行驶路径信息和所述确定性采样点集，获得所述确定性采样点集各采样点的可行驶属性。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：若所述确定性采样点集中的采样点的坐标在所述坐标范围内，则所述采样点的可行驶属性为所述采样点位于所述可行驶路径上。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据所述确定性采样点集中采样点的坐标，确定所述采样点对应的自动驾驶车辆的坐标；判断所述自动驾驶车辆的坐标是否与所述障碍物感知信息中障碍物的坐标重合；若所述自动驾驶车辆的坐标与所述障碍物感知信息中障碍物的坐标不重合，则所述自动驾驶车辆的坐标对应的采样点的碰撞属性为所述采样点的位置与所述障碍物的位置不重合。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：若所述自动驾驶车辆的坐标与所述障碍物感知信息中障碍物的坐标重合，则判断所述确定性采样点集中的下一个采样点对应的所述自动驾驶车辆的坐标是否与所述障碍物感知信息中的障碍物的坐标重合。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据满足预设采样条件的采样点，生成自动驾驶采样点集合；所述预设采样条件包括可行驶属性为采样点位于可行驶路径上，和碰撞属性为采样点与障碍物不重合；根据所述自动驾驶采样点集合，生成自动驾驶车辆的行驶路径。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取邻居点集合；所述邻居点集合包括与所述自动驾驶采样点集合中的各采样点之间的距离小于预设阈值的邻居点；将所述自动驾驶采样点集合中的各采样点与对应的邻居点连接，生成所述自动驾驶车辆的行驶路径。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：判断所述自动驾驶车辆的行驶路径是否满足预设的行驶条件；若否，则更新所述障碍物感知信息，并根据更新后的障碍物感知信息和所述路径规划几何区域确定所述确定性采样点集中每个采样点的碰撞属性。
本实施例提供的终端设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取确定性采样点集；所述确定性采样点集包括通过预设的采样规则采样得到的采样点；
获取路径规划几何区域，根据所述路径规划几何区域，确定所述确定性采样点集中每个采样点的可行驶属性；并根据障碍物感知信息和所述路径规划几何区域确定所述确定性采样点集中每个采样点的碰撞属性；所述可行驶属性用于描述采样点是否位于可行驶路径上；所述碰撞属性用于描述采样点的位置是否与障碍物的位置重合；
根据所述采样点的可行驶属性和碰撞属性，生成自动驾驶车辆的行驶路径。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：根据所述自动驾驶车辆行驶的目的地点和所述自动驾驶车辆的当前位置信息，获得所述路径规划几何区域。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：将所述路径规划几何区域的坐标转换为地图坐标系的坐标，确定可行驶路径信息；所述可行驶路径信息包括可行驶路径的坐标范围；根据所述可行驶路径信息和所述确定性采样点集，获得所述确定性采样点集各采样点的可行驶属性。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：若所述确定性采样点集中的采样点的坐标在所述坐标范围内，则所述采样点的可行驶属性为所述采样点位于所述可行驶路径上。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：根据所述确定性采样点集中采样点的坐标，确定所述采样点对应的自动驾驶车辆的坐标；判断所述自动驾驶车辆的坐标是否与所述障碍物感知信息中障碍物的坐标重合；若所述自动驾驶车辆的坐标与所述障碍物感知信息中障碍物的坐标不重合，则所述自动驾驶车辆的坐标对应的采样点的碰撞属性为所述采样点的位置与所述障碍物的位置不重合。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：若所述自动驾驶车辆的坐标与所述障碍物感知信息中障碍物的坐标重合，则判断所述确定性采样点集中的下一个采样点对应的所述自动驾驶车辆的坐标是否与所述障碍物感知信息中的障碍物的坐标重合。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：根据满足预设采样条件的采样点，生成自动驾驶采样点集合；所述预设采样条件包括可行驶属性为采样点位于可行驶路径上，和碰撞属性为采样点与障碍物不重合；根据所述自动驾驶采样点集合，生成自动驾驶车辆的行驶路径。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：获取邻居点集合；所述邻居点集合包括与所述自动驾驶采样点集合中的各采样点之间的距离小于预设阈值的邻居点；将所述自动驾驶采样点集合中的各采样点与对应的邻居点连接，生成所述自动驾驶车辆的行驶路径。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：判断所述自动驾驶车辆的行驶路径是否满足预设的行驶条件；若否，则更新所述障碍物感知信息，并根据更新后的障碍物感知信息和所述路径规划几何区域确定所述确定性采样点集中每个采样点的碰撞属性。
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
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)
1.一种驾驶路径规划方法，其特征在于，所述方法包括：
获取确定性采样点集；所述确定性采样点集包括通过预设的采样规则采样得到的采样点；
获取路径规划几何区域，根据所述路径规划几何区域，确定所述确定性采样点集中每个采样点的可行驶属性；并根据障碍物感知信息和所述路径规划几何区域确定所述确定性采样点集中每个采样点的碰撞属性；所述可行驶属性用于描述采样点是否位于可行驶路径上；所述碰撞属性用于描述采样点的位置是否与障碍物的位置重合；
根据所述采样点的可行驶属性和碰撞属性，生成自动驾驶车辆的行驶路径。
2.根据权利要求1所述方法，其特征在于，所述方法还包括：
根据所述自动驾驶车辆行驶的目的地点和所述自动驾驶车辆的当前位置信息，获得所述路径规划几何区域。
3.根据权利要求1或2所述方法，其特征在于，所述根据路径规划几何区域，确定所述确定性采样点集中每个采样点的可行驶属性，包括：
将所述路径规划几何区域的坐标转换为地图坐标系的坐标，确定可行驶路径信息；所述可行驶路径信息包括可行驶路径的坐标范围；
根据所述可行驶路径信息和所述确定性采样点集，获得所述确定性采样点集各采样点的可行驶属性。
4.根据权利要求3所述方法，其特征在于，所述根据所述可行驶路径信息和所述确定性采样点集，获得所述确定性采样点集各采样点的可行驶属性，包括：
若所述确定性采样点集中的采样点的坐标在所述坐标范围内，则所述采样点的可行驶属性为所述采样点位于所述可行驶路径上。
5.根据权利要求1或2所述方法，其特征在于，所述根据障碍物感知信息和所述路径规划几何区域确定所述确定性采样点集中每个采样点的碰撞属性，包括：
根据所述确定性采样点集中采样点的坐标，确定所述采样点对应的自动驾驶车辆的坐标；
判断所述自动驾驶车辆的坐标是否与所述障碍物感知信息中障碍物的坐标重合；
若所述自动驾驶车辆的坐标与所述障碍物感知信息中障碍物的坐标不重合，则所述自动驾驶车辆的坐标对应的采样点的碰撞属性为所述采样点的位置与所述障碍物的位置不重合。
6.根据权利要求5所述方法，其特征在于，所述方法还包括：
若所述自动驾驶车辆的坐标与所述障碍物感知信息中障碍物的坐标重合，则判断所述确定性采样点集中的下一个采样点对应的所述自动驾驶车辆的坐标是否与所述障碍物感知信息中的障碍物的坐标重合。
7.根据权利要求1或2所述方法，其特征在于，所述根据所述采样点的可行驶属性和碰撞属性，生成自动驾驶车辆的行驶路径，包括：
根据满足预设采样条件的采样点，生成自动驾驶采样点集合；所述预设采样条件包括可行驶属性为采样点位于可行驶路径上，和碰撞属性为采样点的位置与障碍物的位置不重合；
根据所述自动驾驶采样点集合，生成自动驾驶车辆的行驶路径。
8.根据权利要求7所述方法，其特征在于，所述根据所述自动驾驶采样点集合，生成自动驾驶车辆的行驶路径，包括：
获取邻居点集合；所述邻居点集合包括与所述自动驾驶采样点集合中的各采样点之间的距离小于预设阈值的邻居点；
将所述自动驾驶采样点集合中的各采样点与对应的邻居点连接，生成所述自动驾驶车辆的行驶路径。
9.根据权利要求8所述方法，其特征在于，所述将所述自动驾驶采样点集合中的各采样点与对应的邻居点连接，生成所述自动驾驶车辆的行驶路径之后，所述方法还包括：
判断所述自动驾驶车辆的行驶路径是否满足预设的行驶条件；
若否，则更新所述障碍物感知信息，并根据更新后的障碍物感知信息和所述路径规划几何区域确定所述确定性采样点集中每个采样点的碰撞属性。
10.一种驾驶路径规划装置，其特征在于，所述装置包括：
第一获取模块，用于获取确定性采样点集；所述确定性采样点集包括通过预设的采样规则生成的采样点；
确定模块，用于获取路径规划几何区域，根据所述路径规划几何区域，确定所述确定性采样点集中每个采样点的可行驶属性；并根据障碍物感知信息和所述路径规划几何区域确定所述确定性采样点集中每个采样点的碰撞属性；所述可行驶属性包括所述采样点在可行驶路径上，或所述采样点不在可行驶路径上；所述碰撞属性包括所述采样点与所述障碍物重合，或所述采样点与所述障碍物不重合；
生成模块，用于根据所述采样点的可行驶属性和碰撞属性，生成自动驾驶车辆的行驶路径。
11.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-9中任一项所述方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-9中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910196948.1A CN109933068A (zh) | 2019-03-15 | 2019-03-15 | 驾驶路径规划方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910196948.1A CN109933068A (zh) | 2019-03-15 | 2019-03-15 | 驾驶路径规划方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109933068A true CN109933068A (zh) | 2019-06-25 |
Family
ID=66987168
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910196948.1A Pending CN109933068A (zh) | 2019-03-15 | 2019-03-15 | 驾驶路径规划方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109933068A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110435648A (zh) * | 2019-07-26 | 2019-11-12 | 中国第一汽车股份有限公司 | 车辆的行驶控制方法、装置、车辆和存储介质 |
| CN111158359A (zh) * | 2019-12-02 | 2020-05-15 | 北京京东乾石科技有限公司 | 障碍物处理方法和装置 |
| CN111220786A (zh) * | 2020-03-09 | 2020-06-02 | 生态环境部华南环境科学研究所 | 一种深水沉积物有机污染快速监测方法 |
| CN111311627A (zh) * | 2020-02-24 | 2020-06-19 | 广州小鹏汽车科技有限公司 | 一种车辆轮廓线的生成方法及系统、车辆、存储介质 |
| CN111694356A (zh) * | 2020-06-10 | 2020-09-22 | 上海高仙自动化科技发展有限公司 | 一种行驶控制方法、装置、电子设备及存储介质 |
| CN112363511A (zh) * | 2020-11-23 | 2021-02-12 | 上海欧菲智能车联科技有限公司 | 车辆路径规划方法、装置、车载装置及存储介质 |
| CN115326100A (zh) * | 2022-10-17 | 2022-11-11 | 北京智行者科技股份有限公司 | 路径规划方法、装置、自动驾驶设备及计算机存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103837154A (zh) * | 2014-03-14 | 2014-06-04 | 北京工商大学 | 路径规划的方法及系统 |
| US20170057087A1 (en) * | 2014-05-02 | 2017-03-02 | Hanwha Techwin Co., Ltd. | Device for planning path of mobile robot and method for planning path of mobile robot |
| US20170308102A1 (en) * | 2014-10-28 | 2017-10-26 | Sikorsky Aircraft Corporation | Space partitioning for motion planning |
| CN108088447A (zh) * | 2017-12-15 | 2018-05-29 | 陕西理工大学 | 一种移动机器人的路径后处理方法 |
| CN108827336A (zh) * | 2018-09-26 | 2018-11-16 | 广东工业大学 | 一种基于无人驾驶的路径规划方法、装置及设备 |
-
2019
- 2019-03-15 CN CN201910196948.1A patent/CN109933068A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103837154A (zh) * | 2014-03-14 | 2014-06-04 | 北京工商大学 | 路径规划的方法及系统 |
| US20170057087A1 (en) * | 2014-05-02 | 2017-03-02 | Hanwha Techwin Co., Ltd. | Device for planning path of mobile robot and method for planning path of mobile robot |
| US20170308102A1 (en) * | 2014-10-28 | 2017-10-26 | Sikorsky Aircraft Corporation | Space partitioning for motion planning |
| CN108088447A (zh) * | 2017-12-15 | 2018-05-29 | 陕西理工大学 | 一种移动机器人的路径后处理方法 |
| CN108827336A (zh) * | 2018-09-26 | 2018-11-16 | 广东工业大学 | 一种基于无人驾驶的路径规划方法、装置及设备 |
Non-Patent Citations (2)
| Title |
|---|
| YU ZHANG 等: "Hybrid Trajectory Planning for Autonomous Driving in Highly Constrained Environments", 《IEEE ACCESS》 * |
| 孙锡国: "动态环境下多机器人协调控制的编队方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110435648A (zh) * | 2019-07-26 | 2019-11-12 | 中国第一汽车股份有限公司 | 车辆的行驶控制方法、装置、车辆和存储介质 |
| CN110435648B (zh) * | 2019-07-26 | 2021-02-26 | 中国第一汽车股份有限公司 | 车辆的行驶控制方法、装置、车辆和存储介质 |
| CN111158359A (zh) * | 2019-12-02 | 2020-05-15 | 北京京东乾石科技有限公司 | 障碍物处理方法和装置 |
| CN111158359B (zh) * | 2019-12-02 | 2023-08-04 | 北京京东乾石科技有限公司 | 障碍物处理方法和装置 |
| CN111311627A (zh) * | 2020-02-24 | 2020-06-19 | 广州小鹏汽车科技有限公司 | 一种车辆轮廓线的生成方法及系统、车辆、存储介质 |
| CN111311627B (zh) * | 2020-02-24 | 2023-08-25 | 广州小鹏汽车科技有限公司 | 一种车辆轮廓线的生成方法及系统、车辆、存储介质 |
| CN111220786A (zh) * | 2020-03-09 | 2020-06-02 | 生态环境部华南环境科学研究所 | 一种深水沉积物有机污染快速监测方法 |
| CN111694356A (zh) * | 2020-06-10 | 2020-09-22 | 上海高仙自动化科技发展有限公司 | 一种行驶控制方法、装置、电子设备及存储介质 |
| CN111694356B (zh) * | 2020-06-10 | 2023-06-27 | 上海高仙自动化科技发展有限公司 | 一种行驶控制方法、装置、电子设备及存储介质 |
| CN112363511A (zh) * | 2020-11-23 | 2021-02-12 | 上海欧菲智能车联科技有限公司 | 车辆路径规划方法、装置、车载装置及存储介质 |
| CN115326100A (zh) * | 2022-10-17 | 2022-11-11 | 北京智行者科技股份有限公司 | 路径规划方法、装置、自动驾驶设备及计算机存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109933068A (zh) | 驾驶路径规划方法、装置、设备和存储介质 | |
| US11016500B2 (en) | Simulation-based method to evaluate perception requirement for autonomous driving vehicles | |
| US10515321B2 (en) | Cost based path planning for autonomous driving vehicles | |
| US11378956B2 (en) | Perception and planning collaboration framework for autonomous driving | |
| US10824153B2 (en) | Cost design for path selection in autonomous driving technology | |
| US20190079523A1 (en) | Dp and qp based decision and planning for autonomous driving vehicles | |
| US20200363814A1 (en) | Offline agent using reinforcement learning to speedup trajectory planning for autonomous vehicles | |
| US10816985B2 (en) | Method on moving obstacle representation for trajectory planning | |
| US11480967B2 (en) | Pass route planning method and apparatus, device and readable storage medium | |
| EP3518066B1 (en) | Method and system for generating reference lines for autonomous driving vehicles using multiple threads | |
| CN110389584A (zh) | 用于评估自动驾驶车辆的轨迹候选项的方法 | |
| CN110239562A (zh) | 自动驾驶车辆的基于周围车辆行为的实时感知调整与驾驶调适 | |
| CN109085608A (zh) | 车辆周围障碍物检测方法及装置 | |
| US20180364657A1 (en) | Method and system for determining optimal coefficients of controllers for autonomous driving vehicles | |
| CN110109449B (zh) | 速度规划方法、装置、计算机设备和存储介质 | |
| US20190315357A1 (en) | Novel method for speed adjustment of autonomous driving vehicles prior to lane change | |
| CN109901138A (zh) | 激光雷达标定方法、装置、设备和存储介质 | |
| US10732632B2 (en) | Method for generating a reference line by stitching multiple reference lines together using multiple threads | |
| CN114945959B (zh) | 行驶轨迹确定方法、装置、计算机设备和存储介质 | |
| CN108628298A (zh) | 用于自动驾驶车辆的控制型规划和控制系统 | |
| CN114846425A (zh) | 移动机器人的预测和规划 | |
| CN111177934B (zh) | 参考路径规划的方法、设备和存储介质 | |
| CN112327826A (zh) | 一种路径规划方法、装置、设备和介质 | |
| JP2023523350A (ja) | 乗り物に基づくデータ処理方法、データ処理装置、コンピュータ機器、及びコンピュータプログラム | |
| CN107831496A (zh) | 一种智能汽车自动获取前车速度的方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190625 |
|
| RJ01 | Rejection of invention patent application after publication |