CN109947090B - 用于自动驾驶车辆规划的非阻塞边界 - Google Patents

用于自动驾驶车辆规划的非阻塞边界 Download PDF

Info

Publication number
CN109947090B
CN109947090B CN201810843009.7A CN201810843009A CN109947090B CN 109947090 B CN109947090 B CN 109947090B CN 201810843009 A CN201810843009 A CN 201810843009A CN 109947090 B CN109947090 B CN 109947090B
Authority
CN
China
Prior art keywords
obstacle
blocking
autonomous vehicle
path
speed
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
CN201810843009.7A
Other languages
English (en)
Other versions
CN109947090A (zh
Inventor
李栋
张亮亮
蒋一飞
胡江滔
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.)
Baidu USA LLC
Original Assignee
Baidu USA LLC
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 Baidu USA LLC filed Critical Baidu USA LLC
Publication of CN109947090A publication Critical patent/CN109947090A/zh
Application granted granted Critical
Publication of CN109947090B publication Critical patent/CN109947090B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/04—Traffic conditions
    • 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
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • 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
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • 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
    • G05D1/0088—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • 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
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • 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
    • B60W2554/00—Input parameters relating to 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
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/60—Traffic rules, e.g. speed limits or right of way
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/165—Anti-collision systems for passive traffic, e.g. including static obstacles, trees
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes

Abstract

根据一些实施方式，系统为ADV生成从起始点至目的地点的行驶轨迹。在一个实施方式中，系统基于地图和路线信息计算第一轨迹。系统基于第一轨迹、交通规则和由ADV感知的阻塞障碍物生成路径概况。系统确定由ADV感知的非阻塞障碍物。系统基于非阻塞障碍物生成ADV的针对路径概况的速度概况来确定ADV的速度，以在考虑到非阻塞障碍物的情况下避开阻塞障碍物。系统基于路径概况和速度概况生成第二轨迹，以根据第二轨迹自动地控制ADV。

Description

用于自动驾驶车辆规划的非阻塞边界
技术领域
本公开的实施方式总体上涉及操作自动驾驶车辆。更具体地，本公开的实施方式涉及自动驾驶车辆(ADV)的非阻塞ST边界。
背景技术
以自动驾驶模式(例如，无人驾驶)运行的车辆可以将乘员、尤其是驾驶员从一些驾驶相关的职责中解放出来。当以自动驾驶模式运行时，车辆可以使用车载传感器导航到各个位置，从而允许车辆在最少人机交互的情况下或在没有任何乘客的一些情况下行驶。
车辆可以使用参考线路导航。参考线路是在不存在周围障碍物时自动驾驶车辆在理想条件下应行驶的路径。ADV可以使用站-时间(ST)边界来模拟周围障碍物。
对于自动驾驶，阻塞障碍物的ST边界可以为反映在时间t处障碍物将在位置s(例如，阻塞障碍物)处阻挡ADV的路径的一组点(s，t)。这些ST边界映射在ADV的ST曲线图上，以避免撞击ST边界。然而，可影响驾驶员的行为(例如，相邻车辆的盲区)但是不阻挡ADV的路径的障碍物不被视为ST边界。这些障碍物的示例包括不避开相邻车道的车辆的决策、相邻车辆的盲区、远离保持通畅地带或为相对大的车辆让路的决策。需要对与将阻挡ADV的路径的障碍物类似的这些障碍物进行建模。
附图说明
本公开的实施方式在附图的各图中以举例而非限制的方式示出，附图中的相同的参考数字指代相似的元件。
图1是示出根据一个实施方式的网络化系统的框图。
图2是示出根据一个实施方式的自动驾驶车辆的示例的框图。
图3A至图3B是示出根据一些实施方式的由自动驾驶车辆使用的感知与规划系统的示例的框图。
图4是示出根据一个实施方式的决策和规划过程的示例的框图。
图5是示出根据一个实施方式的决策模块的示例的框图。
图6A示出了根据一个实施方式的SL地图的示例。
图6B是图6A的道路段的示例ST曲线图。
图7A示出了根据一个实施方式的SL地图的示例。
图7B是图7A的道路段的示例ST曲线图。
图8是示出根据一个实施方式的方法的流程图。
图9是示出根据一个实施方式的数据处理系统的框图。
具体实施方式
将参考以下所讨论的细节来描述本公开的各种实施方式和方面，并且附图将示出各种实施方式。以下描述和附图是对本公开的说明，并且不应被解释为限制本公开。描述了许多特定细节以提供对本公开各种实施方式的透彻理解。然而，在某些情况下，并未描述众所周知的或常规的细节以提供对本公开的实施方式的简洁讨论。
本说明书中对“一个实施方式”或“实施方式”的提及意味着结合该实施方式所描述的特定特征、结构或特性可以包括在本公开的至少一个实施方式中。短语“在一个实施方式中”在本说明书中各个地方的出现不必全部指相同的实施方式。
根据一些实施方式，系统为ADV生成从起始点至目的地点的行驶轨迹。在一个实施方式中，系统基于地图和路线信息计算第一轨迹。系统基于第一轨迹、交通规则和由ADV感知的阻塞障碍物生成路径概况。系统确定由ADV感知的非阻塞障碍物。系统基于非阻塞障碍物生成ADV的针对路径概况的速度概况来确定ADV的速度，以在考虑到非阻塞障碍物的情况下避开阻塞障碍物。系统基于路径概况和速度概况生成第二轨迹，以根据第二轨迹自动地控制ADV。
图1是示出根据本公开的一个实施方式的自动驾驶车辆网络配置的框图。参考图1，网络配置100包括可以通过网络102通信地联接到一个或多个服务器103至104的自动驾驶车辆101。尽管示出一个自动驾驶车辆，但多个自动驾驶车辆可以通过网络102联接到彼此和/或联接到服务器103至104。网络102可以是任何类型的网络，例如，有线或无线的局域网(LAN)、诸如互联网的广域网(WAN)、蜂窝网络、卫星网络或其组合。服务器103至104可以是任何类型的服务器或服务器群集，诸如，网络或云服务器、应用服务器、后端服务器或其组合。服务器103至104可以是数据分析服务器、内容服务器、交通信息服务器、地图和兴趣点(MPOI)服务器或者位置服务器等。
自动驾驶车辆是指可以被配置成处于自动驾驶模式下的车辆，在所述自动驾驶模式下车辆在极少或没有来自驾驶员的输入的情况下导航通过环境。这种自动驾驶车辆可以包括传感器系统，所述传感器系统具有被配置成检测与车辆运行环境有关的信息的一个或多个传感器。所述车辆和其相关联的控制器使用所检测的信息来导航通过所述环境。自动驾驶车辆101可以在手动模式下、在全自动驾驶模式下或者在部分自动驾驶模式下运行。
在一个实施方式中，自动驾驶车辆101包括，但不限于，感知与规划系统110、车辆控制系统111、无线通信系统112、用户接口系统113和传感器系统115。自动驾驶车辆101还可以包括普通车辆中包括的某些常用部件，诸如：发动机、车轮、方向盘、变速器等，所述部件可以由车辆控制系统111和/或感知与规划系统110使用多种通信信号和/或命令进行控制，该多种通信信号和/或命令例如，加速信号或命令、减速信号或命令、转向信号或命令、制动信号或命令等。
部件110至115可以经由互连件、总线、网络或其组合通信地联接到彼此。例如，部件110至115可以经由控制器局域网(CAN)总线通信地联接到彼此。CAN总线是被设计成允许微控制器和装置在没有主机的应用中与彼此通信的车辆总线标准。它是最初是为汽车内的复用电气布线设计的基于消息的协议，但也用于许多其它环境。
现在参考图2，在一个实施方式中，传感器系统115包括但不限于一个或多个摄像机211、全球定位系统(GPS)单元212、惯性测量单元(IMU)213、雷达单元214以及光探测和测距(LIDAR)单元215。GPS系统212可以包括收发器，所述收发器可操作以提供关于自动驾驶车辆的位置的信息。IMU单元213可以基于惯性加速度来感测自动驾驶车辆的位置和定向变化。雷达单元214可以表示利用无线电信号来感测自动驾驶车辆的本地环境内的对象的系统。在一些实施方式中，除感测对象之外，雷达单元214可以另外感测对象的速度和/或前进方向。LIDAR单元215可以使用激光来感测自动驾驶车辆所处环境中的对象。除其它系统部件之外，LIDAR单元215还可以包括一个或多个激光源、激光扫描器以及一个或多个检测器。摄像机211可以包括用来采集自动驾驶车辆周围环境的图像的一个或多个装置。摄像机211可以是静物摄像机和/或视频摄像机。摄像机可以是可机械地移动的，例如，通过将摄像机安装在旋转和/或倾斜平台上。
传感器系统115还可以包括其它传感器，诸如：声纳传感器、红外传感器、转向传感器、油门传感器、制动传感器以及音频传感器(例如，麦克风)。音频传感器可以被配置成从自动驾驶车辆周围的环境中采集声音。转向传感器可以被配置成感测方向盘、车辆的车轮或其组合的转向角度。油门传感器和制动传感器分别感测车辆的油门位置和制动位置。在一些情形下，油门传感器和制动传感器可以集成为集成式油门/制动传感器。
在一个实施方式中，车辆控制系统111包括但不限于转向单元201、油门单元202(也被称为加速单元)和制动单元203。转向单元201用来调整车辆的方向或前进方向。油门单元202用来控制电动机或发动机的速度，电动机或发动机的速度进而控制车辆的速度和加速度。制动单元203通过提供摩擦使车辆的车轮或轮胎减速而使车辆减速。应注意，如图2所示的部件可以以硬件、软件或其组合实施。
回到图1，无线通信系统112允许自动驾驶车辆101与诸如装置、传感器、其它车辆等外部系统之间的通信。例如，无线通信系统112可以与一个或多个装置直接无线通信，或者经由通信网络进行无线通信，诸如，通过网络102与服务器103至104通信。无线通信系统112可以使用任何蜂窝通信网络或无线局域网(WLAN)，例如，使用WiFi，以与另一部件或系统通信。无线通信系统112可以例如使用红外链路、蓝牙等与装置(例如，乘客的移动装置、显示装置、车辆101内的扬声器)直接通信。用户接口系统113可以是在车辆101内实施的外围装置的部分，包括例如键盘、触摸屏显示装置、麦克风和扬声器等。
自动驾驶车辆101的功能中的一些或全部可以由感知与规划系统110控制或管理，尤其当在自动驾驶模式下操作时。感知与规划系统110包括必要的硬件(例如，处理器、存储器、存储设备)和软件(例如，操作系统、规划和路线安排程序)，以从传感器系统115、控制系统111、无线通信系统112和/或用户接口系统113接收信息，处理所接收的信息，规划从起始点到目的地点的路线或路径，随后基于规划和控制信息来驾驶车辆101。替代地，感知与规划系统110可以与车辆控制系统111集成在一起。
例如，作为乘客的用户可以例如经由用户接口来指定行程的起始位置和目的地。感知与规划系统110获得行程相关数据。例如，感知与规划系统110可以从MPOI服务器中获得位置和路线信息，所述MPOI服务器可以是服务器103至104的一部分。位置服务器提供位置服务，并且MPOI服务器提供地图服务和某些位置的POI。替代地，此类位置和MPOI信息可以本地高速缓存在感知与规划系统110的永久性存储装置中。
当自动驾驶车辆101沿着路线移动时，感知与规划系统110也可以从交通信息系统或服务器(TIS)获得实时交通信息。应注意，服务器103至104可以由第三方实体进行操作。替代地，服务器103至104的功能可以与感知与规划系统110集成在一起。基于实时交通信息、MPOI信息和位置信息以及由传感器系统115检测或感测的实时本地环境数据(例如，障碍物、对象、附近车辆)，感知与规划系统110可以规划最佳路线并且根据所规划的路线例如经由控制系统111来驾驶车辆101，以安全且高效到达指定目的地。
服务器103可为用于为各种客户端执行数据分析服务的数据分析系统。在一个实施方式中，数据分析系统103包括数据收集器121和机器学习引擎122。数据收集器121从多种车辆(自动驾驶车辆或由人类驾驶员驾驶的常规车辆之一)收集驾驶统计数据123。驾驶统计数据123包括表示在不同的时间点处发出的驾驶命令(例如，油门命令、制动命令和转向命令)以及由车辆的传感器捕获的车辆的响应(例如，速度、加速度、减速度、方向)的信息。驾驶统计数据123还可包括描述不同的时间点处的驾驶环境的信息，诸如，例如，路线(包括起点位置和目的地位置)、MPOI、道路状况、天气状况等。
基于驾驶统计数据123，机器学习引擎122生成或训练出用于各种目的一组规则、算法和/或预测模型124。在一个实施方式中，例如，算法124可包括用于优化路径规划和速度规划的优化方法。优化方法可包括一组成本函数和多项式函数，以表示路径段或时间段。这些函数可以上传到自动驾驶车辆，以用于实时生成平滑路径。
图3A和图3B是示出根据一个实施方式的与自动驾驶车辆一起使用的感知与规划系统的示例的框图。系统300可以被实施为图1的自动驾驶车辆101的一部分，包括但不限于感知与规划系统110、控制系统111和传感器系统115。参考图3A至图3B，感知与规划系统110包括但不限于定位模块301、感知模块302、预测模块303、决策模块304、规划模块305、控制模块306和路线制定模块307。
模块301至307中的一些或全部可以以软件、硬件或其组合实施。例如，这些模块可安装在永久性存储装置352中、加载到存储器351中，并且由一个或多个处理器(未示出)执行。应注意，这些模块中的一些或全部可通信地联接到图2的车辆控制系统111的一些或全部模块或者与它们集成在一起。模块301至307中的一些可一起集成为集成模块。例如，决策模块304和规划模块305可集成为单个模块。
定位模块301确定自动驾驶车辆300的当前位置(例如，利用GPS单元212)并管理与用户的行程或路线相关的任何数据。定位模块301(也被称为地图与路线模块)管理与用户的行程或路线相关的任何数据。用户可以例如经由用户接口登录并且指定行程的开始位置和目的地。定位模块301与自动驾驶车辆300的诸如地图和路线信息311的其它组件通信，以获得行程相关数据。例如，定位模块301可从位置服务器和地图与POI(MPOI)服务器获得位置和路线信息。位置服务器提供位置服务，以及MPOI服务器提供地图服务和某些位置的POI，这些可作为地图和路线信息311的一部分高速缓存。当自动驾驶车辆300沿着路线移动时，定位模块301也可从交通信息系统或服务器获得实时交通信息。
基于由传感器系统115提供的传感器数据和由定位模块301获得的定位信息，感知模块302确定对周围环境的感知。感知信息可以表示普通驾驶员在驾驶员正驾驶的车辆周围将感知到的东西。感知可以包括例如采用对象形式的车道配置(例如，直线车道或弯曲车道)、交通灯信号、另一车辆的相对位置、行人、建筑物、人行横道或其它交通相关标志(例如，停止标志、让行标志)等。
感知模块302可以包括计算机视觉系统或计算机视觉系统的功能，以处理并分析由一个或多个摄像机采集的图像，从而识别自动驾驶车辆环境中的对象和/或特征。所述对象可以包括交通信号、道路边界、其它车辆、行人和/或障碍物等。计算机视觉系统可以使用对象识别算法、视频跟踪以及其它计算机视觉技术。在一些实施方式中，计算机视觉系统可以绘制环境地图，跟踪对象，以及估算对象的速度等。感知模块302也可以基于由诸如雷达和/或LIDAR的其它传感器提供的其它传感器数据来检测对象。
针对每个对象，预测模块303预测该对象在此情形下将表现什么。根据一组地图/路线信息311和交通规则312，基于该时间点的感知驾驶环境的感知数据来执行预测。例如，如果对象是处于相反方向的车辆并且当前驾驶环境包括十字路口，则预测模块303将预测车辆是将可能直线向前移动还是进行转弯。如果感知数据表明十字路口没有交通灯，则预测模块303可预测车辆在进入十字路口之前可能需要完全停止。如果感知数据表明车辆当前处于仅左转弯车道或仅右转弯车道，则预测模块303可分别预测车辆将更可能向左转弯或向右转弯。
针对每个对象，决策模块304作出关于如何处置对象的决定。例如，针对特定对象(例如，交叉路线中的另一车辆)以及描述对象的元数据(例如，速度、方向、转弯角度)，决策模块304决定如何与所述对象相遇(例如，超车、让行、停止、超过)。决策模块304可根据诸如交通规则或驾驶规则312的规则集来作出此类决定，所述规则集可存储在永久性存储装置352中。
基于所感知的用于对象中的每个的决定，规划模块305为自动驾驶车辆规划路径或路线以及驾驶参数(例如，距离、速度和/或转弯角度)。换言之，针对给定的对象，决策模块304决定对该对象做什么，而规划模块305确定如何去做。例如，针对给定的对象，决策模块304可以决定超过所述对象，而规划模块305可以确定在所述对象的左侧还是右侧超过。规划和控制数据由规划模块305生成，包括描述车辆300在下一移动循环(例如，下一路线/路径段)中将如何移动的信息。例如，规划和控制数据可以指示车辆300以30英里每小时(mph)的速度移动10米，随后以25mph的速度变到右侧车道。
基于规划和控制数据，控制模块306根据由规划和控制数据限定的路线或路径通过将适当的命令或信号发送到车辆控制系统111来控制并驾驶自动驾驶车辆。所述规划和控制数据包括足够的信息，以沿着路径或路线在不同的时间点使用适当的车辆设置或驾驶参数(例如，油门、制动和转弯命令)将车辆从路线或路径的第一点驾驶到第二点。
在一个实施方式中，在多个规划周期(也被称为命令周期)(诸如，例如，在每100毫秒(ms)的时间间隔中)中执行规划阶段。针对规划周期或命令周期中的每个，将基于规划数据和控制数据发出一个或多个控制命令。即，对于每个100ms，规划模块305规划下一路线段或路径段，例如，包括目标位置和ADV到达目标位置所需的时间。替代地，规划模块305还可指定具体速度、方向和/或转向角等。在一个实施方式中，规划模块305为下一预定时间段(诸如5秒)规划路线段或路径段。对于每个规划周期，规划模块305基于先前周期中规划的目标位置来规划当前周期(例如，接下来的5秒)的目标位置。然后，控制模块306基于当前周期的规划数据和控制数据生成一个或多个控制命令(例如，油门命令、制动命令、转向控制命令)。
应注意，决策模块304和规划模块305可以集成为集成模块。决策模块304/规划模块305可以包括导航系统或导航系统的功能，以确定自动驾驶车辆的驾驶路径。例如，导航系统可以确定用于实现自动驾驶车辆沿着以下路径移动的一系列速度和前进方向：所述路径在使自动驾驶车辆沿着通往最终目的地的基于车行道的路径前进的同时，基本上避免感知到的障碍物。目的地可以根据经由用户接口系统113进行的用户输入来设定。导航系统可以在自动驾驶车辆正在运行的同时动态地更新驾驶路径。导航系统可以将来自GPS系统和一个或多个地图的数据合并，以确定用于自动驾驶车辆的驾驶路径。
决策模块304/规划模块305还可以包括防撞系统或防撞系统的功能，以识别、评估并且避免或以其它方式越过自动驾驶车辆的环境中的潜在障碍物。例如，防撞系统可以通过以下方式实现自动驾驶车辆的导航中的变化：操作控制系统111中的一个或多个子系统来采取变向操纵、转弯操纵、制动操纵等。防撞系统可以基于周围的交通模式、道路状况等自动确定可行的障碍物回避操纵。防撞系统可以被配置成使得当其它传感器系统检测到位于自动驾驶车辆将变向进入的相邻区域中的车辆、建筑障碍物等时不采取变向操纵。防撞系统可以自动选择既可使用又使得自动驾驶车辆乘员的安全性最大化的操纵。防撞系统可以选择预测使得自动驾驶车辆的乘客舱中出现最小量的加速度的避让操纵。
路线制定模块307可以例如根据地图信息(诸如，道路段、道路段的车辆车道以及车道至路边的距离的信息)生成参考路线。例如，道路可以分成区段或段{A、B和C}以表示三个道路段。道路段A的三个车道可以列举为{A1、A2和A3}。通过沿着参考路线生成参考点而生成参考路线。例如，对于车辆车道，路线制定模块307可以连接由地图数据提供的车辆车道的两个相对的路缘或极端的中点。基于不同的时间点处的中点和表示先前在车辆车道上行驶的车辆所收集的数据点的机器学习数据，路线制定模块307可以通过选择在车辆车道的预定距离内所收集的数据点的子集并根据所收集的数据点的子集将平滑函数应用于中间点来计算参考点。
基于参考点或车道参考点，路线制定模块307可通过插入参考点生成参考线，使得生成的参考线用作用于控制车辆车道上的ADV的参考线。在一些实施方式中，将表示参考线的参考点表和道路段表实时下载到ADV，使得ADV可以基于ADV的地理位置和行驶方向生成参考线。例如，在一个实施方式中，ADV可以通过表示前方即将到来的道路段的路径段标识符和/或基于ADV的GPS位置通过请求路径段的路线制定服务来生成参考线。基于路径段标识符，路线制定服务可以返回到包含感兴趣的道路段的所有车道的参考点的ADV参考点表。ADV可以查找路径段的车道的参考点，以生成用于控制车辆车道上的ADV的参考线。
如上所述，路线或路线制定模块307管理与用户的行程或路线有关的任何数据。ADV的用户指定起始位置和目的地位置以获得行程相关的数据。行程相关的数据包括路线段以及路线段的参考线或参考点。例如，基于路线地图信息311，路线制定模块307生成路线或道路段表和参考点表。参考点与道路段表中的道路段和/或车道有关。可以插入参考点以形成一个或多个参考线以控制ADV。参考点可以专用于道路段和/或道路段的特定车道。
例如，道路段表可以是名称-值对，以包括道路段A-D的前一道路车道和下一道路车道。例如，对于具有车道1的道路段A-D，道路段表可为：{(A1，B1)、(B1，C1)、(C1，D1)}。参考点表可包括道路段车道在x-y坐标中的参考点，例如，{(A1，(x1，y1))、(B1，(x2，y2))、(C1，(x3，y3))、(D1，(x4，y4))}，其中，A1...D1指的是道路段A-D的车道1，并且(x1，y1)...(x4，y4)是相应的现实世界坐标。在一个实施方式，道路段和/或车道被分成诸如大约200米的预定长度的段/车道。在另一实施方式中，道路段和/或车道根据道路状况(诸如，道路曲率)分成可变长度的段/车道。在一些实施方式中，每个道路段和/或车道可以包括几个参考点。在一些实施方式中，参考点可以转换成其它坐标系，例如，纬度-经度。
在一些实施方式中，参考点可以转换到相对坐标系中，诸如，站-横向(station-lateral)(SL)坐标。站-横向坐标系是参考固定的参考点以跟随参考线的坐标系。例如，(S，L)＝(1，0)坐标可以表示在具有零米横向偏移的、参考线上的静止点(即，参考点)之前一米。(S，L)＝(2，1)参考点可以表示沿着参考线在静止参考点之前两米并且横向偏离参考线一米，例如，向左偏移一米。
在一个实施方式中，决策模块304基于由路线制定模块307提供的参考线并基于由ADV感知的ADV周围的障碍物和/或交通信息来生成粗略路径概况。粗略路径概况可以是可存储在永久性存储装置352中的路径/速度概况313的一部分。粗略路径概况通过沿着参考线选择点而生成。对于每个点，决策模块304基于关于如何遇到对象的一个或多个障碍物决策将点移动到参考线的左侧或右侧(例如，候选移动)，同时其余点保持稳定。使用动态规划对路径候选迭代地执行候选移动以使用作为图3A的成本函数315的一部分的成本函数搜索具有最低路径成本的路径候选，从而生成粗略路径概况。成本函数的示例包括基于以下项的成本：路线路径的曲率，从ADV到所感知的障碍物的距离以及ADV到参考线的距离。在一个实施方式中，所生成的粗略路径概况包括作为可存储在永久性存储装置352中的SL地图/ST曲线图314的一部分的站-横向地图。
在一个实施方式中，决策模块304基于所生成的粗略路径概况生成粗略速度概况(作为路径/速度概况313的一部分)。粗略速度概况表示在特定时间点控制ADV的最佳速度。与粗略路径概况类似，考虑到由ADV感知的障碍物，使用动态规划来迭代不同的时间点处的候选速度以基于作为图3A的成本函数315的一部分的成本函数寻找具有最低速度成本的速度候选(例如加速或减速)。粗略速度概况决定ADV是应该压倒障碍物还是向左或向右避开障碍物。在一个实施方式中，粗略速度概况包括(作为SL地图/ST曲线图314的一部分的)站-时间(station-time)(ST)曲线图。站-时间曲线图表示相对于时间行进的距离。
在一个实施方式中，通过使用二次规划(QP)优化(作为成本函数315的一部分的)路径成本函数来重新计算粗略路径概况。在一个实施方式中，重新计算的粗略路径概况包括(作为SL地图/ST曲线图314的一部分的)站-横向地图。在一个实施方式中，规划模块305使用二次规划(QP)重新计算粗略速度概况以优化(作为成本函数315的一部分的)速度成本函数。在一个实施方式中，重新计算的粗略速度概况包括(作为SL地图/ST曲线图314的一部分的)站-时间曲线图。
应注意，如上文示出和描述的部件中的一些或全部可以在软件、硬件或其组合中实施。例如，此类部件可以实施为安装并存储在永久性存储装置中的软件，所述软件可以通过处理器(未示出)加载在存储器中并在存储器中执行以实施贯穿本申请所述的过程或操作。替代地，此类部件可以实施为编程或嵌入到专用硬件(诸如，集成电路(例如，专用集成电路或ASIC)、数字信号处理器(DSP)或现场可编程门阵列(FPGA))中的可执行代码，所述可执行代码可以经由来自应用的相应驱动程序和/或操作系统来访问。此外，此类部件可以实施为处理器或处理器内核中的特定硬件逻辑，作为可由软件部件通过一个或多个特定指令访问的指令集的一部分。
图4是示出根据一个实施方式的决策和规划过程的示例的框图。图5是示出根据一个实施方式的决策模块的示例的框图。参考图4，决策和规划过程400包括定位/感知数据401、路径决策过程403、速度决策过程405、路径规划过程407、速度规划过程409、聚合器411和轨迹计算器413。
路径决策过程403和速度决策过程405可分别由图5中的决策模块304的路径决策模块501和速度决策模块503执行。参考图4至图5，路径决策过程403或路径决策模块501包括路径状态机505、路径交通规则507和站-横向地图生成器509。在一个实施方式中，路径决策过程403或路径决策模块501可以使用动态规划(经由DP模块520)生成作为速度决策过程405的初始条件的粗略路径概况。例如，路径状态机505可以包括至少三个状态：巡航状态、改变车道状态和空闲状态。路径状态机505提供先前的规划结果和诸如ADV是正在巡航还是正在改变车道的重要信息。作为图3A的驾驶/交通规则312的一部分的路径交通规则507包括可以影响路径决策模块的结果的交通规则。例如，路径交通规则507可以包括诸如建筑交通标志的交通信息，使得ADV可以避开正在建设的道路车道。根据路径状态、交通规则、由路线制定模块307提供的参考线以及由ADV的传感器系统感知的障碍物，路径决策过程403可以决定如何处理作为粗略路径概况的一部分的所感知的障碍物(即，忽略、让行、停车或超过)。
例如，在一个实施方式中，粗略路径概况通过成本函数生成，该成本函数由基于以下项的成本组成：路径的曲率以及从参考线和/或参考点到所感知的障碍物的距离。选择参考线上的点并将其移动到参考线的左侧或右侧，作为表示路径候选的候选移动。每个候选移动具有相关的成本。参考线上的一个或多个点的候选移动的相关成本可以使用最优成本的动态规划一次一个点顺序地求解。在一个实施方式中，SL地图生成器509生成作为粗略路径概况的一部分的站-横向(SL)地图。在这里，所感知的障碍物可以被模拟为SL地图的SL边界。SL地图是包括由ADV感知的障碍物信息(或SL边界)的二维几何地图(类似于x-y坐标平面)。所生成的SL地图列出用于控制ADV的ADV路径。应注意，动态规划(或动态优化)是一种数学优化方法，其将要解决的问题分解成一系列值函数，从而只在一次中求解这些值函数中的每个并存储它们的解。下次出现相同的值函数，只需查找先前计算的解，而不用重新计算它的解，从而节省了计算时间。
如上所述，ADV针对路径决策过程403所感知的障碍物包括作为SL边界的障碍物。然而，速度决策过程405包括作为ST边界(例如，站-时间(ST)曲线图的边界)的障碍物。在一个实施方式中，ST边界包括阻塞边界和非阻塞边界。应注意，阻塞边界与阻挡ADV的路径的障碍物对应。非阻塞边界与不阻挡ADV的路径但是可以被模拟为影响ADV的速度的障碍物对应。
速度决策过程405或速度决策模块503包括速度状态机511、速度交通规则513、站-时间曲线图生成器515和障碍物确定器517。速度决策过程405或速度决策模块503可以使用动态优化或动态规划(经由动态规划(DP)模块520)生成作为路径/速度规划过程407和409的初始条件的粗略速度概况。在一个实施方式中，速度状态机511包括至少两个状态：加速状态和减速状态。作为图3A的驾驶/交通规则312的一部分的速度交通规则513包括可以影响速度决策模块的结果的交通规则。例如，速度交通规则513可以包括诸如红/绿交通灯、交叉路线中的另一车辆等的交通信息。根据速度状态机的状态、速度交通规则和/或所感知的障碍物以及由决策过程403生成的粗略路径概况/SL地图，考虑到阻塞障碍物和非阻塞障碍物，速度决策过程405可以生成粗略速度概况以控制ADV的速度。非阻塞障碍物可以通过障碍物确定器517确定。然后，ST曲线图生成器515可以生成作为粗略速度概况的一部分的ST曲线图。
参考图4，路径规划过程407可以使用作为初始条件的粗略路径概况(例如，来自路径决策过程403的SL地图)来使用二次规划重新计算最优SL曲线或S路径。二次规划涉及最小化或最大化受边界、线性等式和/或不等式约束的目标函数(例如，具有几个变量的二次函数)。
速度规划过程409可以使用作为初始条件的粗略速度概况(例如，来自速度决策过程405的ST曲线图)，以使用二次规划重新计算最优ST曲线。
聚合器411执行聚合路径和速度规划结果的功能。例如，在一个实施方式中，聚合器411可以将ST曲线图和SL地图组合成SLT曲线图。在另一实施方式中，聚合器411可以基于SL参考线或ST曲线上的2个连续点来内插(或填充在附加点中)。在另一实施方式中，聚合器411可以将参考点从(S，L)坐标转换成(x，y)坐标。轨迹生成器413可以计算最终轨迹以控制ADV。例如，基于由聚合器411提供的SLT曲线图，轨迹生成器413计算表明ADV应该在何时通过特定(x，y)坐标的(x，y，T)点的列表。
因此，返回参考图4，路径决策过程403和速度决策过程405将考虑障碍物(阻塞和非阻塞)和/或交通条件来生成粗略路径概况和粗略速度概况。给出关于障碍物的所有路径和速度决策，路径规划过程407和速度规划过程409将使用QP规划来根据障碍物优化粗略路径概况和粗略速度概况，以生成具有最小路径成本和/或速度成本的最优轨迹。
图6A示出了根据一个实施方式的SL地图的示例。图6B是图6A的道路段606的ST曲线图的示例。参考图6A，SL地图600包括道路段606。道路段606可以是例如道路段的长度大约为200米的S路径。SL地图600可由图5的站-横向(SL)地图生成器509生成。参考图6A，ADV601处于起始站点参考处，s＝0。ADV 601的传感器系统感知车辆或障碍物602-604。诸如图5的确定器517的障碍物确定器确定每个障碍物是阻塞障碍物还是非阻塞障碍物。
在一个实施方式中，为了确定所感知的障碍物是否为非阻塞障碍物，确定器517从S路径605向外延伸长度为L的左侧区域和右侧区域607。如果障碍物在左侧区域或右侧区域607的附近，则障碍物的重叠区域或邻近区域可以被模拟为ST曲线图上的非阻塞ST边界。为了确定障碍物是否为阻塞障碍物，确定器517确定障碍物是否阻挡S路径605。例如，在这种情形下，障碍物602-603将被确定为非阻塞障碍物，因为障碍物602-603没有阻挡ADV 601的直接路径(例如，S路径605)，而是在S路径605的长度为L的预先配置的左侧区域和右侧区域内，而障碍物604是阻塞障碍物，因为障碍物604阻挡了ADV的直接行驶路径(例如，S路径605)。ADV 601将不被允许穿过或超过车辆C或障碍物604，而ADV 601可超过(例如，通过加速)非阻塞障碍物602-603，即，在ST曲线图中横穿障碍物602-603的非阻塞ST边界。在此情况下，如模拟的那样，ST曲线图610包括与非阻塞障碍物602-603对应的非阻塞ST边界612-613以及与阻塞障碍物604对应的阻塞ST边界614。考虑到ST边界612-614，对动态优化问题求解提供了最优轨迹，诸如，ST轨迹615。
障碍物可以通过ST成本函数进行建模，在ST成本函数中，优化的(例如，最小化的)成本为ADV提供最优ST轨迹，以在考虑到非阻塞障碍物的情况下避开阻塞障碍物。在一个实施方式中，障碍物中的每个具有用于对ST成本函数执行加权成本优化操作的相关权重因子。在一个实施方式中，阻塞障碍物的权重因子比非阻塞障碍物的权重因子大得多。例如，阻塞障碍物604的权重因子可以为1e6的数量级，而非阻塞障碍物602-603的权重因子可以为1e4的数量级。这样，可以对阻塞ST边界和非阻塞ST边界建模，同时确保ADV将在考虑到非阻塞边界的情况下不穿过或避开阻塞ST边界。
在实现方式中，诸如S路径605的S路径可以通过将(诸如图6A的)S路径的离散点放置在(诸如图6B的)ST曲线图上而在ST曲线图中建模。考虑所感知的障碍物(例如，阻塞ST边界和非阻塞ST边界)，基于成本函数，对DP优化求解有效地找到在不同的时间点处具有最低速度成本的候选速度(例如，加速或减速)。成本函数将表示基于ST边界在特定时间处以特定速度穿过S路径轨迹的成本。
在一个实施方式中，ST成本函数通过动态优化而优化。表1中示出了用于对用于动态优化的ST成本函数中的障碍物进行建模的示例伪代码。假设i和j分别为ST曲线图的T轴和S轴。假设N和M为扫描的最大上限。在这里，cost((i，j)->(i+1，k))是ADV在ST曲线图上从一个点移动到下一点的成本。输出是每个时间点处的具有最低成本的速度候选的列表。
表1
Figure BDA0001746001300000161
图7A示出了根据一个实施方式的SL地图的示例。图7B是图7A的道路段606的ST曲线图的示例。参考图7A，SL地图700包括道路段606。道路段606可以为例如道路段的长度大约为200米的S路径。SL地图700可由图5的站-横向(SL)地图生成器509生成。参考图7A，ADV601处于起始站点参考处，s＝0。ADV 601的传感器系统感知前方道路上的车辆或障碍物602-604。在ADV 601决定远离道路段707(例如，“保持通畅”的交通路口)的情况下，道路段707可以被模拟为非阻塞ST边界。在此情况下，参考图7B，将非阻塞ST边界717添加至ST曲线图以模拟“保持通畅”区域。ST轨迹715可以是基于ST边界612-614和717通过动态优化解出的最优轨迹。
图8是示出根据一个实施方式的利用非阻塞ST边界控制ADV的方法的流程图。过程800可由处理逻辑执行，处理逻辑可包括软件、硬件或它们的组合。例如，过程800可由图5的速度决策模块503执行。参考图8，在块801处，处理逻辑基于地图和路线信息计算第一轨迹。在块802处，处理逻辑基于第一轨迹、交通规则和由ADV感知的阻塞障碍物生成路径概况。在块803处，处理逻辑确定由ADV(诸如图6A的车辆A-B)感知的非阻塞障碍物。在块804处，处理逻辑基于非阻塞障碍物生成ADV的针对路径概况的速度概况来确定ADV的速度，以在考虑到非阻塞障碍物的情况下避开阻塞障碍物。在块805处，处理逻辑基于路径概况和速度概况生成第二轨迹，以根据第二轨迹自动地控制ADV。
在一个实施方式中，通过从第一轨迹的左侧和右侧向外突出预定区域并计算由ADV感知的障碍物是否将与这些预定区域重叠来确定非阻塞障碍物。在一个实施方式中，生成速度概况包括基于路径概况并考虑非阻塞障碍物对ADV的速度执行动态优化。
在一个实施方式中，非阻塞障碍物中的一个非阻塞障碍物与不避开相邻车辆的决策对应。在一个实施方式中，非阻塞障碍物中的一个非阻塞障碍物与远离相邻车辆的盲区区域的决策对应。在一个实施方式中，非阻塞障碍物中的一个非阻塞障碍物与远离特定道路区域的决策对应。
在一个实施方式中，执行动态优化包括优化成本函数以生成速度概况的站-时间曲线图。在另一实施方式中，分配给与相邻车辆对应的非阻塞障碍物的权重因子取决于由ADV感知的相邻车辆的大小。在另一实施方式中，成本函数包括速度成本。
图9是示出可以与本公开的一个实施方式一起使用的数据处理系统的示例的框图。例如，系统1500可以表示以上所述的执行上述过程或方法中的任一个的任何数据处理系统，例如，图1的感知与规划系统110或者服务器103至104中的任一个。系统1500可以包括许多不同的部件。这些部件可以实施为集成电路(IC)、集成电路的部分、分立电子装置或适用于电路板(诸如，计算机系统的主板或插入卡)的其它模块或者实施为以其它方式并入计算机系统的机架内的部件。
还应注意，系统1500旨在示出计算机系统的许多部件的高阶视图。然而，应当理解的是，某些实施例中可以具有附加的部件，此外，其它实施例中可以具有所示部件的不同布置。系统1500可以表示台式计算机、膝上型计算机、平板计算机、服务器、移动电话、媒体播放器、个人数字助理(PDA)、智能手表、个人通信器、游戏装置、网络路由器或集线器、无线接入点(AP)或中继器、机顶盒或其组合。此外，虽然仅示出了单个机器或系统，但是术语“机器”或“系统”还应当被理解为包括单独地或共同地执行一个(或多个)指令集以执行本文所讨论的任何一种或多种方法的机器或系统的任何集合。
在一个实施方式中，系统1500包括通过总线或互连件1510连接的处理器1501、存储器1503以及装置1505至1508。处理器1501可以表示其中包括单个处理器内核或多个处理器内核的单个处理器或多个处理器。处理器1501可以表示一个或多个通用处理器，诸如，微处理器、中央处理单元(CPU)等。更具体地，处理器1501可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、或实施其它指令集的处理器、或实施指令集组合的处理器。处理器1501还可以是一个或多个专用处理器，诸如，专用集成电路(ASIC)、蜂窝或基带处理器、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、网络处理器、图形处理器、通信处理器、加密处理器、协处理器、嵌入式处理器、或者能够处理指令的任何其它类型的逻辑。
处理器1501(其可以是低功率多核处理器套接口，诸如超低电压处理器)可以充当用于与所述系统的各种部件通信的主处理单元和中央集线器。这种处理器可以实施为片上系统(SoC)。处理器1501被配置成执行用于执行本文所讨论的操作和步骤的指令。系统1500还可以包括与可选的图形子系统1504通信的图形接口，图形子系统1504可以包括显示控制器、图形处理器和/或显示装置。
处理器1501可以与存储器1503通信，存储器1503在一个实施方式中可以经由多个存储器装置实施以提供给定量的系统存储。存储器1503可以包括一个或多个易失性存储(或存储器)装置，诸如，随机存取存储器(RAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、静态RAM(SRAM)或者其它类型的存储装置。存储器1503可以存储包括由处理器1501或任何其它装置执行的指令序列的信息。例如，各种操作系统、装置驱动程序、固件(例如，输入输出基本系统或BIOS)和/或应用的可执行代码和/或数据可以加载到存储器1503中并由处理器1501执行。操作系统可以是任何类型的操作系统，例如，机器人操作系统(ROS)、来自
Figure BDA0001746001300000191
公司的
Figure BDA0001746001300000192
操作系统、来自苹果公司的Mac
Figure BDA0001746001300000193
来自
Figure BDA0001746001300000194
公司的
Figure BDA0001746001300000195
LINUX、UNIX，或者其它实时或嵌入式操作系统。
系统1500还可以包括IO装置，诸如装置1505至1508，包括网络接口装置1505、可选的输入装置1506，以及其它可选的IO装置1507。网络接口装置1505可以包括无线收发器和/或网络接口卡(NIC)。所述无线收发器可以是WiFi收发器、红外收发器、蓝牙收发器、WiMax收发器、无线蜂窝电话收发器、卫星收发器(例如，全球定位系统(GPS)收发器)或其它射频(RF)收发器或者它们的组合。NIC可以是以太网卡。
输入装置1506可以包括鼠标、触摸板、触敏屏幕(其可以与显示装置1504集成在一起)、指针装置(诸如，手写笔)和/或键盘(例如，物理键盘或作为触敏屏幕的一部分显示的虚拟键盘)。例如，输入装置1506可以包括联接到触摸屏的触摸屏控制器。触摸屏和触摸屏控制器例如可以使用多种触敏技术(包括但不限于电容、电阻、红外和表面声波技术)中的任一种，以及其它接近传感器阵列或用于确定与触摸屏接触的一个或多个点的其它元件来检测其接触和移动或间断。
IO装置1507可以包括音频装置。音频装置可以包括扬声器和/或麦克风，以促进支持语音的功能，诸如语音识别、语音复制、数字记录和/或电话功能。其它IO装置1507还可以包括通用串行总线(USB)端口、并行端口、串行端口、打印机、网络接口、总线桥(例如，PCI-PCI桥)、传感器(例如，诸如加速度计运动传感器、陀螺仪、磁强计、光传感器、罗盘、接近传感器等)或者它们的组合。装置1507还可以包括成像处理子系统(例如，摄像机)，所述成像处理子系统可以包括用于促进摄像机功能(诸如，记录照片和视频片段)的光学传感器，诸如电荷耦合装置(CCD)或互补金属氧化物半导体(CMOS)光学传感器。某些传感器可以经由传感器集线器(未示出)联接到互连件1510，而诸如键盘或热传感器的其它装置可以根据系统1500的具体配置或设计由嵌入式控制器(未示出)控制。
为了提供对诸如数据、应用、一个或多个操作系统等信息的永久性存储，大容量存储设备(未示出)也可以联接到处理器1501。在各种实施方式中，为了实现更薄且更轻的系统设计并且改进系统响应性，这种大容量存储设备可以经由固态装置(SSD)来实施。然而，在其它实施方式中，大容量存储设备可以主要使用硬盘驱动器(HDD)来实施，其中较小量的SSD存储设备充当SSD高速缓存以在断电事件期间实现上下文状态以及其它此类信息的非易失性存储，从而使得在系统活动重新启动时能够实现快速通电。另外，闪存装置可以例如经由串行外围接口(SPI)联接到处理器1501。这种闪存装置可以提供系统软件的非易失性存储，所述系统软件包括所述系统的BIOS以及其它固件。
存储装置1508可以包括计算机可访问的存储介质1509(也被称为机器可读存储介质或计算机可读介质)，其上存储有体现本文所述的任何一种或多种方法或功能的一个或多个指令集或软件(例如，模块、单元和/或逻辑1528)。处理模块/单元/逻辑1528可以表示上述部件中的任一个，例如图5的路径决策模块501和速度决策模块503。处理模块/单元/逻辑1528还可以在其由数据处理系统1500、存储器1503和处理器1501执行期间完全地或至少部分地驻留在存储器1503内和/或处理器1501内，数据处理系统1500、存储器1503和处理器1501也构成机器可访问的存储介质。处理模块/单元/逻辑1528还可以通过网络经由网络接口装置1505进行传输或接收。
计算机可读存储介质1509也可以用来永久性地存储以上描述的一些软件功能。虽然计算机可读存储介质1509在示例性实施方式中被示为单个介质，但是术语“计算机可读存储介质”应当被认为包括存储所述一个或多个指令集的单个介质或多个介质(例如，集中式或分布式数据库和/或相关联的高速缓存和服务器)。术语“计算机可读存储介质”还应当被认为包括能够存储或编码指令集的任何介质，所述指令集用于由机器执行并且使得所述机器执行本公开的任何一种或多种方法。因此，术语“计算机可读存储介质”应当被认为包括但不限于固态存储器以及光学介质和磁性介质，或者任何其它非暂时性机器可读介质。
本文所述的处理模块/单元/逻辑1528、部件以及其它特征可以实施为分立硬件部件或集成在硬件部件(诸如，ASICS、FPGA、DSP或类似装置)的功能中。此外，处理模块/单元/逻辑1528可以实施为硬件装置内的固件或功能电路。此外，处理模块/单元/逻辑1528可以以硬件装置和软件部件的任何组合来实施。
应注意，虽然系统1500被示出为具有数据处理系统的各种部件，但是并不旨在表示使部件互连的任何特定架构或方式；因为此类细节和本公开的实施方式没有密切关系。还应当认识到，具有更少部件或可能具有更多部件的网络计算机、手持计算机、移动电话、服务器和/或其它数据处理系统也可以与本公开的实施方式一起使用。
前述详细描述中的一些部分已经根据在计算机存储器内对数据位的运算的算法和符号表示而呈现。这些算法描述和表示是数据处理领域中的技术人员所使用的方式，以将他们的工作实质最有效地传达给本领域中的其他技术人员。本文中，算法通常被认为是导致所期望结果的自洽操作序列。这些操作是指需要对物理量进行物理操控的操作。
然而，应当牢记，所有这些和类似的术语均旨在与适当的物理量关联，并且仅仅是应用于这些量的方便标记。除非在以上讨论中以其它方式明确地指出，否则应当了解，在整个说明书中，利用术语(诸如所附权利要求书中所阐述的术语)进行的讨论是指计算机系统或类似电子计算装置的动作和处理，所述计算机系统或电子计算装置操控计算机系统的寄存器和存储器内的表示为物理(电子)量的数据，并将所述数据变换成计算机系统存储器或寄存器或者其它此类信息存储设备、传输或显示装置内类似地表示为物理量的其它数据。
本公开的实施方式还涉及用于执行本文中的操作的设备。这种计算机程序被存储在非暂时性计算机可读介质中。机器可读介质包括用于以机器(例如，计算机)可读的形式存储信息的任何机构。例如，机器可读(例如，计算机可读)介质包括机器(例如，计算机)可读存储介质(例如，只读存储器(“ROM”)、随机存取存储器(“RAM”)、磁盘存储介质、光存储介质、闪存存储器装置)。
前述附图中所描绘的过程或方法可以由处理逻辑来执行，所述处理逻辑包括硬件(例如，电路、专用逻辑等)、软件(例如，体现在非暂时性计算机可读介质上)或两者的组合。尽管所述过程或方法在上文是依据一些顺序操作来描述的，但是应当了解，所述操作中的一些可以按不同的顺序执行。此外，一些操作可以并行地执行而不是顺序地执行。
本公开的实施方式并未参考任何特定的编程语言进行描述。应认识到，可以使用多种编程语言来实施如本文描述的本公开的实施方式的教导。
在以上的说明书中，已经参考本公开的具体示例性实施方式对本发明的实施方式进行了描述。将显而易见的是，在不脱离所附权利要求书中阐述的本公开的更宽泛精神和范围的情况下，可以对本发明作出各种修改。因此，应当在说明性意义而不是限制性意义上来理解本说明书和附图。

Claims (21)

1.生成自动驾驶车辆的行驶轨迹的计算机实施的方法，所述方法包括：
基于地图和路线信息计算第一轨迹；
基于所述第一轨迹、交通规则和由所述自动驾驶车辆感知的阻塞障碍物生成路径概况；
将所述阻塞障碍物模拟为站-时间曲线图的阻塞边界，其中，所述阻塞边界与阻挡所述自动驾驶车辆的路径的障碍物对应，所述站-时间曲线图表示相对于时间行进的距离；
确定由所述自动驾驶车辆感知的非阻塞障碍物；
将所述非阻塞障碍物模拟为所述站-时间曲线图的非阻塞边界，其中，所述非阻塞边界与不阻挡所述自动驾驶车辆的路径但影响所述自动驾驶车辆的速度的障碍物对应；
基于所述非阻塞边界和所述阻塞边界生成所述自动驾驶车辆的用于所述路径概况的速度概况，以确定所述自动驾驶车辆的速度，从而在考虑到所述非阻塞障碍物的情况下避开所述阻塞障碍物；以及
基于所述路径概况和所述速度概况生成第二轨迹，以根据所述第二轨迹自动地控制所述自动驾驶车辆。
2.根据权利要求1所述的计算机实施的方法，其中，通过从所述第一轨迹的左侧和右侧向外突出预定区域以及计算由所述自动驾驶车辆感知的障碍物是否会与这些预定区域重叠，确定所述非阻塞障碍物。
3.根据权利要求1所述的计算机实施的方法，其中，生成速度概况包括：基于所述路径概况并考虑所述非阻塞障碍物，对所述自动驾驶车辆的速度执行动态优化。
4.根据权利要求1所述的计算机实施的方法，其中，所述非阻塞障碍物中的一个非阻塞障碍物与不绕开相邻车辆的决策对应。
5.根据权利要求1所述的计算机实施的方法，其中，所述非阻塞障碍物中的一个非阻塞障碍物与远离相邻车辆的盲区区域的决策对应。
6.根据权利要求1所述的计算机实施的方法，其中，所述非阻塞障碍物中的一个非阻塞障碍物与远离特定道路区域的决策对应。
7.根据权利要求3所述的计算机实施的方法，其中，执行动态优化包括：优化成本函数，以生成用于所述速度概况的所述站-时间曲线图。
8.根据权利要求7所述的计算机实施的方法，其中，所述成本函数包括用于每个非阻塞障碍物和阻塞障碍物的权重因子，其中，分配给阻塞障碍物的权重比分配给非阻塞障碍物的权重大。
9.根据权利要求7所述的计算机实施的方法，其中，分配给与相邻车辆对应的非阻塞障碍物的权重因子取决于由所述自动驾驶车辆感知的所述相邻车辆的大小。
10.根据权利要求7所述的计算机实施的方法，其中，所述成本函数包括速度成本。
11.一种存储有指令的非暂时性机器可读介质，所述指令在由处理器执行时致使所述处理器执行操作，所述操作包括：
基于地图和路线信息计算第一轨迹；
基于所述第一轨迹、交通规则和由自动驾驶车辆感知的阻塞障碍物生成路径概况；
将所述阻塞障碍物模拟为站-时间曲线图的阻塞边界，其中，所述阻塞边界与阻挡所述自动驾驶车辆的路径的障碍物对应，所述站-时间曲线图表示相对于时间行进的距离；
确定由所述自动驾驶车辆感知的非阻塞障碍物；
将所述非阻塞障碍物模拟为所述站-时间曲线图的非阻塞边界，其中，所述非阻塞边界与不阻挡所述自动驾驶车辆的路径但影响所述自动驾驶车辆的速度的障碍物对应；
基于所述非阻塞边界和所述阻塞边界生成所述自动驾驶车辆的针对所述路径概况的速度概况，以确定所述自动驾驶车辆的速度，从而在考虑到所述非阻塞障碍物的情况下避开所述阻塞障碍物；以及
基于所述路径概况和所述速度概况生成第二轨迹，以根据所述第二轨迹自动地控制所述自动驾驶车辆。
12.根据权利要求11所述的非暂时性机器可读介质，其中，通过从所述第一轨迹的左侧和右侧向外突出预定区域以及计算由所述自动驾驶车辆感知的障碍物是否会与这些预定区域重叠，确定所述非阻塞障碍物。
13.根据权利要求11所述的非暂时性机器可读介质，其中，生成速度概况包括：基于所述路径概况并考虑所述非阻塞障碍物，对所述自动驾驶车辆的速度执行动态优化。
14.根据权利要求11所述的非暂时性机器可读介质，其中，所述非阻塞障碍物中的一个非阻塞障碍物与不绕开相邻车辆的决策对应。
15.根据权利要求11所述的非暂时性机器可读介质，其中，所述非阻塞障碍物中的一个非阻塞障碍物与远离相邻车辆的盲区区域的决策对应。
16.根据权利要求11所述的非暂时性机器可读介质，其中，所述非阻塞障碍物中的一个非阻塞障碍物与远离特定道路区域的决策对应。
17.根据权利要求13所述的非暂时性机器可读介质，其中，执行动态优化包括：优化成本函数，以生成用于所述速度概况的所述站-时间曲线图。
18.根据权利要求17所述的非暂时性机器可读介质，其中，所述成本函数包括用于每个非阻塞障碍物和阻塞障碍物的权重因子，其中，分配给阻塞障碍物的权重比分配给非阻塞障碍物的权重大。
19.根据权利要求16所述的非暂时性机器可读介质，其中，分配给与相邻车辆对应的非阻塞障碍物的权重因子取决于由所述自动驾驶车辆感知的所述相邻车辆的大小。
20.根据权利要求17所述的非暂时性机器可读介质，其中，所述成本函数包括速度成本。
21.一种数据处理系统，包括：
处理器；以及
存储器，联接到所述处理器以存储指令，所述指令在由所述处理器执行时致使所述处理器执行操作，所述操作包括：
基于地图和路线信息计算第一轨迹；
基于所述第一轨迹、交通规则和由自动驾驶车辆感知的阻塞障碍物生成路径概况；
将所述阻塞障碍物模拟为站-时间曲线图的阻塞边界，其中，所述阻塞边界与阻挡所述自动驾驶车辆的路径的障碍物对应，所述站-时间曲线图表示相对于时间行进的距离；
确定由所述自动驾驶车辆感知的非阻塞障碍物；
将所述非阻塞障碍物模拟为所述站-时间曲线图的非阻塞边界，其中，所述非阻塞边界与不阻挡所述自动驾驶车辆的路径但影响所述自动驾驶车辆的速度的障碍物对应；
基于所述非阻塞边界和所述阻塞边界生成所述自动驾驶车辆的针对所述路径概况的速度概况，以确定所述自动驾驶车辆的速度，从而在考虑到所述非阻塞障碍物的情况下避开所述阻塞障碍物；以及
基于所述路径概况和所述速度概况生成第二轨迹，以根据所述第二轨迹自动地控制所述自动驾驶车辆。
CN201810843009.7A 2017-12-21 2018-07-27 用于自动驾驶车辆规划的非阻塞边界 Active CN109947090B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/851,535 US10816990B2 (en) 2017-12-21 2017-12-21 Non-blocking boundary for autonomous vehicle planning
US15/851,535 2017-12-21

Publications (2)

Publication Number Publication Date
CN109947090A CN109947090A (zh) 2019-06-28
CN109947090B true CN109947090B (zh) 2022-07-08

Family

ID=66951155

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810843009.7A Active CN109947090B (zh) 2017-12-21 2018-07-27 用于自动驾驶车辆规划的非阻塞边界

Country Status (2)

Country Link
US (1) US10816990B2 (zh)
CN (1) CN109947090B (zh)

Families Citing this family (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10752249B2 (en) * 2018-03-14 2020-08-25 Toyota Research Institute, Inc. Vehicle systems and methods for providing turn assistance at an intersection
US10802492B2 (en) * 2018-04-05 2020-10-13 Ford Global Technologies, Llc Vehicle path identification
US10884422B2 (en) * 2018-04-16 2021-01-05 Baidu Usa Llc Method for generating trajectories for autonomous driving vehicles (ADVS)
US10816985B2 (en) * 2018-04-17 2020-10-27 Baidu Usa Llc Method on moving obstacle representation for trajectory planning
CN109345589A (zh) * 2018-09-11 2019-02-15 百度在线网络技术（北京）有限公司 基于自动驾驶车辆的位置检测方法、装置、设备及介质
US11048260B2 (en) * 2018-11-02 2021-06-29 Zoox, Inc. Adaptive scaling in trajectory generation
US11110918B2 (en) 2018-11-02 2021-09-07 Zoox, Inc. Dynamic collision checking
US11208096B2 (en) 2018-11-02 2021-12-28 Zoox, Inc. Cost scaling in trajectory generation
US11077878B2 (en) 2018-11-02 2021-08-03 Zoox, Inc. Dynamic lane biasing
US10809736B2 (en) * 2018-12-27 2020-10-20 Baidu Usa Llc ST-graph learning based decision for autonomous driving vehicle
CN109814568B (zh) * 2019-02-19 2022-05-03 阿波罗智能技术(北京)有限公司 无人车速度轨迹的生成方法、装置和存储介质
US11106212B2 (en) * 2019-03-26 2021-08-31 Baidu Usa Llc Path planning for complex scenes with self-adjusting path length for autonomous driving vehicles
US11120566B2 (en) * 2019-06-28 2021-09-14 Baidu Usa Llc Determining vanishing points based on feature maps
US20210027629A1 (en) * 2019-07-25 2021-01-28 Baidu Usa Llc Blind area processing for autonomous driving vehicles
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
US20210048825A1 (en) * 2019-08-13 2021-02-18 GM Global Technology Operations LLC Predictive and reactive field-of-view-based planning for autonomous driving
US11372417B2 (en) * 2019-12-12 2022-06-28 Baidu Usa Llc Method for predicting exiting intersection of moving obstacles for autonomous driving vehicles
US11535277B2 (en) * 2020-02-11 2022-12-27 Baidu Usa Llc Dual buffer system to ensure a stable nudge for autonomous driving vehicles
KR102501489B1 (ko) * 2020-02-26 2023-02-17 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드 자율 주행 차량의 장애물 회피 궤적 계획
US11841708B2 (en) * 2020-02-28 2023-12-12 Zoox, Inc. System and method for adjusting a planned trajectory of an autonomous vehicle
US11745760B2 (en) * 2020-05-19 2023-09-05 Baidu Usa Llc Parallel obstacle buffer system for path planning
US11505211B2 (en) * 2020-06-18 2022-11-22 Baidu Usa Llc Relative speed based speed planning for buffer area
CN112158197B (zh) * 2020-08-21 2021-08-27 恒大新能源汽车投资控股集团有限公司 一种车辆盲区障碍物规避方法、装置及系统
CN113790725B (zh) * 2020-09-22 2024-03-01 北京京东乾石科技有限公司 路径规划方法、路径规划装置、存储介质与可移动设备
CN112415995B (zh) * 2020-09-22 2023-08-01 北京智行者科技股份有限公司 基于实时安全边界的规划控制方法
CN112498366B (zh) * 2020-11-20 2022-04-05 苏州智加科技有限公司 自动驾驶车辆、控制方法、装置、设备及存储介质
US11884268B2 (en) * 2020-11-25 2024-01-30 Ford Global Technologies, Llc Motion planning in curvilinear coordinates for autonomous vehicles
CN112526999B (zh) * 2020-12-22 2023-04-28 北京百度网讯科技有限公司 速度规划方法、装置、电子设备和存储介质
CN112572443B (zh) * 2020-12-22 2021-12-07 北京理工大学 一种高速公路车辆换道实时避撞轨迹规划方法及系统
CN113406954A (zh) * 2021-02-04 2021-09-17 湖南三一路面机械有限公司 无人驾驶压路机路径规划方法
CN113050643A (zh) * 2021-03-19 2021-06-29 京东鲲鹏(江苏)科技有限公司 无人车路径规划方法、装置、电子设备和计算机可读介质
CN113479199B (zh) * 2021-07-30 2022-08-30 三一专用汽车有限责任公司 开放区域避障方法、车辆和计算机可读存储介质
CN113815647B (zh) * 2021-10-28 2023-03-14 广州文远知行科技有限公司 一种车辆速度规划方法、装置、设备和介质
CN114264307A (zh) * 2021-12-15 2022-04-01 广州小鹏自动驾驶科技有限公司 路径生成方法、装置、交通工具及存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1729465A (zh) * 2002-12-20 2006-02-01 联合开关及信号公司 动态优化交通规划方法和系统
CN101253388A (zh) * 2005-10-10 2008-08-27 应用类属有限公司 用于时间相关的路线计划的方法和导航装置
CN103162700A (zh) * 2011-12-13 2013-06-19 通用汽车环球科技运作有限责任公司 多种能量路径选择系统
CN104914715A (zh) * 2014-03-10 2015-09-16 罗伯特·博世有限公司 用于运行车辆的方法以及驾驶员辅助系统
CN104943684A (zh) * 2014-03-31 2015-09-30 比亚迪股份有限公司 无人驾驶汽车控制系统和具有其的汽车
CN105599764A (zh) * 2014-11-12 2016-05-25 现代自动车株式会社 用于自主车辆的行车路线规划装置及方法
CN105857306A (zh) * 2016-04-14 2016-08-17 中国科学院合肥物质科学研究院 一种用于多种泊车场景的车辆自主泊车路径规划方法
CN106017491A (zh) * 2016-05-04 2016-10-12 玉环看知信息科技有限公司 一种导航路径规划方法、系统及导航服务器
CN106527452A (zh) * 2016-12-30 2017-03-22 广州汽车集团股份有限公司 一种无人驾驶汽车遇障时运动路径规划方法及系统
CN106930200A (zh) * 2017-03-08 2017-07-07 江苏大学 一种带有发电装置的智能减速带及其控制方法
CN106926844A (zh) * 2017-03-27 2017-07-07 西南交通大学 一种基于实时环境信息的动态自动驾驶换道轨迹规划方法
CN107036600A (zh) * 2015-09-30 2017-08-11 小蚁科技（香港）有限公司 用于自主交通工具导航的系统和方法
JP2017206181A (ja) * 2016-05-20 2017-11-24 アイシン・エィ・ダブリュ株式会社 自動運転支援装置及びコンピュータプログラム

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5646845A (en) * 1990-02-05 1997-07-08 Caterpillar Inc. System and method for controlling an autonomously navigated vehicle
US9120485B1 (en) * 2012-09-14 2015-09-01 Google Inc. Methods and systems for smooth trajectory generation for a self-driving vehicle
JP5783204B2 (ja) * 2013-05-01 2015-09-24 トヨタ自動車株式会社 運転支援装置および運転支援方法
US10012984B2 (en) * 2015-12-14 2018-07-03 Mitsubishi Electric Research Laboratories, Inc. System and method for controlling autonomous vehicles
JP6512140B2 (ja) * 2016-03-09 2019-05-15 トヨタ自動車株式会社 自動運転システム
US9645577B1 (en) * 2016-03-23 2017-05-09 nuTonomy Inc. Facilitating vehicle driving and self-driving
DE102016009764A1 (de) * 2016-08-11 2018-02-15 Trw Automotive Gmbh Steuerungssystem und Steuerungsverfahren zum Führen eines Kraftfahrzeugs entlang eines Pfades und zum Vermeiden einer Kollision mit einem anderen Kraftfahrzeug
EP3736537A1 (en) * 2016-10-11 2020-11-11 Mobileye Vision Technologies Ltd. Navigating a vehicle based on a detected vehicle
US10146224B2 (en) * 2016-11-09 2018-12-04 GM Global Technology Operations LLC Processor-implemented systems and methods for automated driving
US10074279B1 (en) * 2017-03-07 2018-09-11 Denso International America, Inc. Inference-aware motion planning
SG11201811270WA (en) * 2017-07-13 2019-02-27 Beijing Didi Infinity Technology & Development Co Ltd Systems and methods for trajectory determination
US10877476B2 (en) * 2017-11-30 2020-12-29 Tusimple, Inc. Autonomous vehicle simulation system for analyzing motion planners
US11126177B2 (en) * 2018-01-24 2021-09-21 Motional Ad Llc Speed behavior planning for vehicles
US10816985B2 (en) * 2018-04-17 2020-10-27 Baidu Usa Llc Method on moving obstacle representation for trajectory planning
US20190315357A1 (en) * 2018-04-17 2019-10-17 Baidu Usa Llc Novel method for speed adjustment of autonomous driving vehicles prior to lane change

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1729465A (zh) * 2002-12-20 2006-02-01 联合开关及信号公司 动态优化交通规划方法和系统
CN101253388A (zh) * 2005-10-10 2008-08-27 应用类属有限公司 用于时间相关的路线计划的方法和导航装置
CN103162700A (zh) * 2011-12-13 2013-06-19 通用汽车环球科技运作有限责任公司 多种能量路径选择系统
CN104914715A (zh) * 2014-03-10 2015-09-16 罗伯特·博世有限公司 用于运行车辆的方法以及驾驶员辅助系统
CN104943684A (zh) * 2014-03-31 2015-09-30 比亚迪股份有限公司 无人驾驶汽车控制系统和具有其的汽车
CN105599764A (zh) * 2014-11-12 2016-05-25 现代自动车株式会社 用于自主车辆的行车路线规划装置及方法
CN107036600A (zh) * 2015-09-30 2017-08-11 小蚁科技（香港）有限公司 用于自主交通工具导航的系统和方法
CN105857306A (zh) * 2016-04-14 2016-08-17 中国科学院合肥物质科学研究院 一种用于多种泊车场景的车辆自主泊车路径规划方法
CN106017491A (zh) * 2016-05-04 2016-10-12 玉环看知信息科技有限公司 一种导航路径规划方法、系统及导航服务器
JP2017206181A (ja) * 2016-05-20 2017-11-24 アイシン・エィ・ダブリュ株式会社 自動運転支援装置及びコンピュータプログラム
CN106527452A (zh) * 2016-12-30 2017-03-22 广州汽车集团股份有限公司 一种无人驾驶汽车遇障时运动路径规划方法及系统
CN106930200A (zh) * 2017-03-08 2017-07-07 江苏大学 一种带有发电装置的智能减速带及其控制方法
CN106926844A (zh) * 2017-03-27 2017-07-07 西南交通大学 一种基于实时环境信息的动态自动驾驶换道轨迹规划方法

Also Published As

Publication number Publication date
US20190196485A1 (en) 2019-06-27
CN109947090A (zh) 2019-06-28
US10816990B2 (en) 2020-10-27

Similar Documents

Publication Publication Date Title
CN109947090B (zh) 用于自动驾驶车辆规划的非阻塞边界
CN109491377B (zh) 用于自动驾驶车辆的基于dp和qp的决策和规划
CN109491376B (zh) 用于自动驾驶车辆的基于动态规划和梯度下降的决策和规划
CN110119140B (zh) 用于加速曲线投影的系统和方法
CN110083149B (zh) 用于自动驾驶车辆的路径与速度优化后馈机制
CN110389583B (zh) 生成自动驾驶车辆的轨迹的方法
US10515321B2 (en) Cost based path planning for autonomous driving vehicles
US10775801B2 (en) Determining speeds along a path for autonomous driving vehicles
CN110096053B (zh) 用于自动驾驶车辆的驾驶轨迹生成方法、系统和机器可读介质
US10816985B2 (en) Method on moving obstacle representation for trajectory planning
CN109955853B (zh) 用于操作自动驾驶车辆的方法、系统和存储介质
CN110667591A (zh) 用于自动驾驶车辆的规划驾驶感知系统
CN110597243B (zh) 自动驾驶车辆的基于v2x通信的车辆车道系统
CN110621541B (zh) 用于生成轨迹以操作自动驾驶车辆的方法和系统
CN110728014A (zh) 使用具有加权几何成本的分段螺旋曲线的参考线平滑方法
CN111824139A (zh) 用于预测与自动驾驶车辆相关的运动对象的运动的方法
US20190315357A1 (en) Novel method for speed adjustment of autonomous driving vehicles prior to lane change
CN109491378B (zh) 自动驾驶车辆的基于道路分段的路线引导系统
CN110955236A (zh) 用于自动驾驶车辆的曲率校正路径采样系统
CN111615618A (zh) 用于自动驾驶车辆的高速规划的基于多项式拟合的参考线平滑方法
CN111615476A (zh) 用于自动驾驶车辆的基于螺旋曲线的竖直停车规划系统
CN111830958A (zh) 用于操作自动驾驶车辆的方法、系统和机器可读介质
CN111856923A (zh) 加速对复杂驾驶场景的规划的参数学习的神经网络方法
CN111328385A (zh) 用于自动驾驶车辆的基于螺旋路径的三点转弯规划
US11353878B2 (en) Soft-boundary based path optimization for complex scenes for autonomous driving vehicles

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