CN109976355A - 轨迹规划方法、系统、设备及存储介质 - Google Patents

轨迹规划方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN109976355A
CN109976355A CN201910345739.9A CN201910345739A CN109976355A CN 109976355 A CN109976355 A CN 109976355A CN 201910345739 A CN201910345739 A CN 201910345739A CN 109976355 A CN109976355 A CN 109976355A
Authority
CN
China
Prior art keywords
vehicle
trajectory planning
path
road
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.)
Granted
Application number
CN201910345739.9A
Other languages
English (en)
Other versions
CN109976355B (zh
Inventor
钱祥隽
王斌
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201910345739.9A priority Critical patent/CN109976355B/zh
Publication of CN109976355A publication Critical patent/CN109976355A/zh
Application granted granted Critical
Publication of CN109976355B publication Critical patent/CN109976355B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明提供了一种轨迹规划方法、系统、设备及存储介质；方法包括：解析车辆所处环境对应的环境信息，得到车辆所处的驾驶场景；根据车辆所处的驾驶场景，对应选择性能优先或效率优先的轨迹规划模式为目标轨迹规划模式；根据目标轨迹规划模式，确定从车辆的起始位置到达目标位置的路径，以及确定从车辆的起始位置到达目标位置的速度曲线；将确定的路径以及速度曲线合成，得到车辆从起始位置到达目标位置使用的轨迹。本发明能够适应不同驾驶场景规划车辆自动驾驶的轨迹。

Description

轨迹规划方法、系统、设备及存储介质
技术领域
本发明涉及自动驾驶技术，尤其涉及一种轨迹规划方法、系统、设备及存储介质。
背景技术
作为人工智能的一个重要应用，自动驾驶技术在近年来得到了巨大的发展。自动驾驶的目标是实现车辆在无人状态下自主沿道路行进，在尽快到达目的地的同时保证本车的安全，亦保证不对其它交通参与者的安全造成直接或者间接的威胁。
为实现上述目标，自动驾驶软件需要多个关键系统，轨迹规划系统即为其中之一。轨迹规划系统的目的为规划一条满足车辆动力学要求的轨迹。此轨迹需要能够规避周围障碍物(车辆，行人，静态障碍物等)，且满足决策层指令(保持车道，变道，靠边停车)。
相关技术虽然路径规划的解决方案，但都不可避免地在一些驾驶场景中存在各自的局限性。
发明内容
本发明实施例提供一种轨迹规划方法、系统、设备及存储介质，能够适应不同驾驶场景规划车辆自动驾驶的轨迹。
本发明实施例的技术方案是这样实现的：
本发明实施例提供一种轨迹规划方法，包括：
解析车辆所处环境对应的环境信息，得到所述车辆所处的驾驶场景；
根据所述车辆所处的驾驶场景，对应选择性能优先或效率优先的轨迹规划模式为目标轨迹规划模式；
根据所述目标轨迹规划模式，确定从所述车辆的起始位置到达目标位置的路径，以及
确定从所述车辆的所述起始位置到达所述目标位置的速度曲线；
将所述确定的路径以及速度曲线合成，得到所述车辆从所述起始位置到达所述目标位置使用的轨迹。
本发明实施例提供一种轨迹规划系统，包括：
调度器模块，用于：
解析车辆所处环境对应的环境信息，得到所述车辆所处的驾驶场景；
根据所述驾驶场景确定适配的目标轨迹规划模式；
轨迹规划模式模块，包括性能优先或效率优先的轨迹规划模式，用于：
根据所述目标轨迹规划模式，确定从所述车辆的起始位置到达目标位置的路径，以及
确定从所述车辆的所述起始位置到达所述目标位置的速度曲线；
将所述确定的路径以及速度曲线合成，得到所述车辆从所述起始位置到达所述目标位置使用的轨迹。
上述方案中，所述调度器模块，还用于：
当所述车辆处于人车分行道路或封闭式机动车道路、且不需要避让前方障碍物的驾驶场景时，确定效率优先的轨迹规划模式为所述目标轨迹规划模式。
上述方案中，所述调度器模块，还用于：
当所述车辆处于人车混行道路、且符合道路拥堵特征的驾驶场景时，确定性能优先的轨迹规划模式为所述目标轨迹规划模式；
当基于所述性能优先的轨迹规划模式规划轨迹失败时，重新确定效率优先的轨迹规划模式为所述目标轨迹规划模式。
上述方案中，所述调度器模块，还用于：
当所述车辆处于人车分行道路或封闭式机动车道路、且符合道路畅通特征的驾驶场景时，确定效率优先的轨迹规划模式为所述目标轨迹规划模式。
上述方案中，所述轨迹规划模式模块还用于：
当所述目标轨迹规划模式为性能优先时，
确定从所述起始位置到达所述目标位置、且避让障碍物的可通行区域；
确定所述可通行区域中与道路参考线的差距最小化、且速度以及加速度均平滑的路径。
上述方案中，所述轨迹规划模式模块还用于：
基于以下参数构造对应所述路径的目标函数：所述路径与道路参考线的差距，所述车辆在所述路径中行驶时的速度以及加速度；
最小化所述目标函数，以确定所述可通行区域中与所述道路参考线的差距最小化、且使所述车辆的速度以及加速度均平滑的所述路径。
上述方案中，所述轨迹规划模式模块还用于：
根据道路曲率确定满足安全行车条件的最大车速，并确定绕开障碍物或跟随障碍物时所需的最小车速；
确定由所述最小车速和所述最大车速构成的可行速度区间；
确定所述可行速度区间中与参考车速差距最小化、且加速度以及加速度变化率平滑的速度曲线。
上述方案中，所述轨迹规划模式模块还用于：
基于以下参数构造对应所述速度曲线的目标函数：
所述速度曲线与参考车速的差距，所述速度曲线的加速度以及加速度变化率；
最小化所述目标函数，以确定所述可行速度区间中与所述参考车速的差距最小化、且使所述车辆的加速度以及加速度变化率均平滑的所述速度曲线。
上述方案中，所述轨迹规划模式模块还用于：
当所述目标轨迹规划模式为效率优先时，
在所述车辆沿道路行驶的前方区域内采样，得到对应所述目标位置的路径采样点；
初始化连接所述起始位置、以及所述路径采样点的路径曲线，并对所述路径曲线应用所述车辆的起始状态和目标状态的约束条件，得到候选路径。
上述方案中，所述轨迹规划模式模块还用于：
将所述车辆的未来行驶时段划分为时间区间，对每个所述时间区间应用不同的加速度，得到在相应时间区间的速度；
将所述时间区间进行平滑地连接，形成候选速度曲线；
确定与所述未来行驶时段不同时间点的参考车速以及参考位置最接近的候选速度曲线。
本发明实施例提供一种轨迹规划设备，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现本发明实施例提供的轨迹规划方法。
本发明实施例提供一种存储介质，存储有可执行指令，用于引起处理器执行时，实现本发明实施例提供的轨迹规划方法。
本发明实施例具有以下有益效果：
通过车辆所处的驾驶场景灵活调用适应的轨迹规划模式，实现了对不同驾驶场景良好的兼容性，提高自轨迹规划的性能，减少轨迹规划对硬件资源的消耗，提高车辆的响应速度。
附图说明
图1是本发明实施例提供的自动驾驶系统的架构示意图；
图2A是本发明实施例提供的轨迹规划的示意图；
图2B是本发明实施例提供的轨迹规划的示意图；
图3是本发明实施例提供的用于轨迹规划的设备的结构示意图；
图4是本发明实施例提供的轨迹规划方法的流程示意图；
图5本发明实施例提供的如图1所示的自动驾驶系统进行示例性应用的结构示意图；
图6是本发明实施例提供的基于多项式多层采样法流程进行路径规划的流程示意图；
图7是本发明实施例提供的将环境信息从直角坐标系映射到Frenet坐标系的示意图；
图8是本发明实施例提供的生成路径采样点的示意图；
图9是本发明实施例提供的生成候选路径的示意图；
图10是本发明实施例提供的基于模型预测优化法进行路径规划的流程示意图；
图11是本发明实施例提供的可通行区域的示意图；
图12是本发明实施例提供的可通行区域的示意图；
图13是本发明实施例提供的调度元方法进行轨迹规划的流程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
对本发明实施例进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。
1)自动驾驶，是指不需要测试驾驶员执行物理性驾驶操作的情况下，能够对车辆行驶任务进行指导与决策，并代替测试驾驶员操控行为使车辆完成安全行驶的功能。
2)自动驾驶系统，实现车辆的不同级别的自动驾驶功能的系统，例如辅助驾驶系统(L2)、需要人监管的高速自动驾驶系统(L3)和高度/完全自动驾驶系统(L4/L5)。
3)轨迹规划，通过给定的车辆的初始状态(包括起始位置、速度和加速度)、目标状态(包括目标位置、速度和加速度)、障碍物位置以及动力学和舒适性的约束条件，计算出一条平滑的轨迹，使车辆能够沿着此轨迹到达目标状态。轨迹规划包括路径规划和速度规划两部分：路径规划负责计算出从起始位置到目标位置的平滑的路径，而速度规划则在此路径的基础上计算每个路径点的速度，从而形成一条速度曲线。
4)驾驶场景，自动驾驶的车辆所处的环境从不同维度表现出来的特性，例如行驶的道路是否人车混行道路、行驶道路的拥堵程度、行驶道路的前方是否有需要避让的障碍物等。
5)元方法，即轨迹规划模式，是解决轨迹规划问题的基本方法，不可以分割为更小的单元，元方法被调用一次即输出从起始位置到达目标位置的轨迹，车辆从出发位置到终点位置的完整轨迹，是由不同/相同元方法被不断调用而输出的轨迹连接形成。
6)调度器，也称为调度器模块，是根据车辆所处的驾驶场景而灵活调用元方法的软件模块。
7)轨迹规划模块，包括性能优先或效率优先的轨迹规划模式。
8)性能，是解决轨迹规划问题的能力，以轨迹规划的复杂度(包括障碍物的数量、道路宽度、轨迹的约束条件)来表示和量化。
9)效率，指的是一次轨迹规划执行所消耗的时间，耗时越少则效率越高。
10)通行区域，即可通行区域，车辆从当前的起始位置可行驶到目标位置的区域，此区域需排除障碍物以及道路边界。
11)弗莱纳(Frenet)坐标系，以车辆的起始位置为原点，坐标轴相互垂直，分为s轴方向(即沿着道路参考线的切线方向，被称为横向)和l轴方向(即参考线当前的法向，被称为纵向)，坐标表示为(s，l)。
12)直角坐标系，以车辆的起始位置为原点，坐标轴相互垂直，分为x方向和y方向，坐标表示为(x，y)。
相关技术提供的轨迹规划方案虽然解决了一些场景的路径规划问题，但都不可避免地存在各自的局限性。例如，无法保证轨迹的光滑性，车辆在执行相应轨迹时可能会发生晃动，舒适性较差等问题。障碍物较多时的轨迹规划复杂。并且，相关技术提供的轨迹规划方案都只是适用于一些特定场景，不具有多场景的轨迹规划能力。
针对上述技术问题，本发明实施例提供一种轨迹规划方法、系统、设备和存储介质，能够根据车辆当前的驾驶场景(包括：周围障碍物，包括的数量，类型，位置，速度，道路类型，车辆状态等)，灵活选用适用于当前驾驶场景的一种元方法、或级联两种元方法来规划轨迹，实现对不同驾驶场景的灵活应对。从而有效提高自动驾驶轨迹规划系统的性能，减少轨迹规划对硬件资源的消耗，且保证自动驾驶的安全。
本发明实施例提供轨迹规划系统可以应用到各种自动驾驶系统中，包括L2、L3、L4和L5的自动驾驶系统，以实现自动驾驶车辆在不同驾驶情况下的安全、高效地轨迹规划。
下面首先说明应用本发明实施例提供的轨迹规划系统的自动驾驶系统。
参见图1，图1是本发明实施例提供的自动驾驶系统100的架构示意图，包括环境感知系统200、决策规划系统300和车辆控制系统600。可以理解地，自动驾驶系统100包括的上述系统在一些实施例中也可以被称为子系统或模块，将在下面分别进行说明。
环境感知系统200用于感知环境信息，包括环境中障碍物的位置、速度，朝向以及物体分类(如车辆，行人，自行车)。在一些实施例中，还可以感知车辆自身的状态(包括速度、加速度和方向)以及车辆的实时位置的高精度地图。
决策规划系统300中的决策系统400根据环境信息和目标位置，结合客观的物理规律，结合障碍物和周边环境以及积累的历史数据知识，对感知到的障碍物做出预测以便做出宏观地决策，保证车辆能够顺利到达目标状态。
在一些实施例中，决策系统400的预测既包括障碍物在将来一段时间内运动的方向，还包括了障碍物在运动中的速度变化。例如行人过马路的时候会预测他们使用较为恒定的步行速度，车辆转弯的时候会先减速后加速，而加减速的快慢也取决于弯道的弧度和长度。
在一些实施例中，决策系统400的决策包括道路选择、车道选择、参考车速、道路上是否正常跟随障碍物(例如人、车等)、是否绕过障碍物(例如人、车等)、是否停车、遇到交通灯和行人时是否等待避让、以及在路口和其他车辆的交互通过等。
决策规划系统300中的轨迹规划系统500用于根据环境感知信息和决策系统400的做出的决策，规划出理想的轨迹，包括选择轨迹途经的路径点，以及到达每个路径点时车辆的速度、朝向和加速度等。路径点不仅在时空上保持连续性，而且每个路径点的速度、朝向和加速度等参数，都在车辆的实际可操作的物理范围之内。
作为决策的一个示例，参见图2A，图2A是本发明实施例提供的轨迹规划的示意图，决策系统400的决策包括，当车辆1当前的车道前方存在车辆2时，决策是否超车、超车时的速度、加速度等，轨迹规划系统500根据这些决策来规划超车时的轨迹3(在图2A中以虚线表示)。
作为决策的又一个示例，参见图2B，图2B是本发明实施例提供的轨迹规划的示意图，决策系统400的决策包括车辆前方出现十字路口时，会保持直行还是右转通过路口，当直行时决策是否需要在路口停车等待绿灯信号，当右转通过路口时是否需要避让行人。
车辆控制系统600接收轨迹规划系统500规划的轨迹，结合车身属性和外界物理因素进行动力学计算，转换成对车辆电子化控制的油门量、刹车量、以及方向盘信号等车辆控制参数并执行，从而控制车辆去实现轨迹中的轨迹点。
继续说明实现本发明实施例的自动驾驶系统的示例性应用。
在一些实施例中，如图1所示的自动驾驶系统100中各个子系统可以封装为一个整体例如自动驾驶软件，支持被部署到各种可能的设备。例如被部署到车载终端、用户终端(包括智能手机和平板电脑)等终端设备中，终端设备通过与车辆的无线方式或有线方式的通信来控制车辆，实现车辆的自动驾驶功能。又例如被部署到服务器中，服务器通过与车辆的各种方式的无线通信控制车辆而实现车辆的自动驾驶功能。
在另一些实施例中，如图1所示的自动驾驶系统100中各个子系统可以封装为独立的软件、模块或插件的形式，被部署到上述的设备中，或与上述的设备中预先部署的自动驾驶软件和自动导航软件耦合，以实现自动驾驶功能或自动驾驶功能的部分子功能，例如轨迹规划。
作为轨迹规划系统500以独立模块的形式部署的示例，参见图3，图3是本发明实施例提供的用于轨迹规划的设备的结构示意图，示出了如图1所示的轨迹规划系统500以独立模块耦合到轨迹规划的设备700中(示出了轨迹规划模块)，下面进行说明。
图3所示的设备700包括：至少一个处理器710、存储器750、至少一个网络接口720和用户接口730。设备700中的各个组件通过总线系统740耦合在一起。可理解，总线系统740用于实现这些组件之间的连接通信。总线系统740除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图3中将各种总线都标为总线系统740。
处理器710可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。
用户接口730包括使得能够呈现媒体内容的一个或多个输出装置731，包括一个或多个扬声器和/或一个或多个视觉显示屏。用户接口730还包括一个或多个输入装置732，包括有助于用户输入的用户接口部件，比如键盘、鼠标、麦克风、触屏显示屏、摄像头、其他输入按钮和控件。
存储器750包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)，易失性存储器可以是随机存取存储器(RAM，Random Access Memory)。本发明实施例描述的存储器750旨在包括任意适合类型的存储器。存储器750可选地包括在物理位置上远离处理器710的一个或多个存储设备。
在一些实施例中，存储器750能够存储数据以支持设备700的操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。
操作系统751，包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；
网络通信模块752，用于经由一个或多个(有线或无线)网络接口720到达其他计算设备，示例性的网络接口720包括：蓝牙、无线相容性认证(WiFi)、和通用串行总线(USB，Universal Serial Bus)等；
显示模块753，用于经由一个或多个与用户接口730相关联的输出装置731(例如，显示屏、扬声器等)使得能够呈现信息(例如，用于操作外围设备和显示内容和信息的用户接口)；
输入处理模块754，用于对一个或多个来自一个或多个输入装置732之一的一个或多个用户输入或互动进行检测以及翻译所检测的输入或互动。
在一些实施例中，存储器750还包括用于执行数据处理的轨迹规划模块755，包括调度器模块7551和轨迹规划模式模块7552，其中，轨迹规划模式模块7552包括效率优先的轨迹规划模式75521和性能优先的轨迹规划模式75522，其中效率优先的轨迹规划模式75521采用的元方法可以是多项式多层采样法(将在下文说明)，性能优先的轨迹规划模式75522采用的元方法可以是模型预测优化法(将在下文说明)，当然不局限于上述元方法，轨迹规划模式75521和性能优先的轨迹规划模式75522可以支持各种元方法的灵活插拔。
将结合前述的实现本发明实施例的轨迹规划系统及设备的示例性应用实施，说明实现本发明实施例的轨迹规划方法。
参见图4，图4是本发明实施例提供的轨迹规划方法的流程示意图，将结合图4示出的步骤进行说明。
步骤101，解析车辆所处环境对应的环境信息，得到车辆所处的驾驶场景。
在一些实施例中，解析车辆所处环境对应的环境信息，得到车辆所处的驾驶场景，包括：解析车辆所处环境对应的环境信息，得到构成驾驶场景的以下维度至少之一：障碍物的数量、类型、位置和速度；道路的类型；车辆的状态(例如包括车辆的位置、速度、加速度和方向角)。
以仅基于道路类型区分驾驶场景为例，可以区分为：(1)人车混行道路的驾驶场景；(2)人车分行道路的驾驶场景；(3)封闭式机动车道路的驾驶场景。
以仅基于位置区分驾驶场景为例，可以区分为：(1)城区的驾驶场景；(2)郊区的驾驶场景。
以仅基于障碍物的数量、类型、位置和速度区分驾驶场景为例，可以区分为：(1)畅通的驾驶场景；(2)拥堵的驾驶场景。其中，畅通与拥堵可以根据车辆的速度进行区分，例如当车辆速度高于畅通速度阈值时即处于畅通的驾驶场景，当车辆速度低于拥堵速度阈值(拥堵速度阈值小于畅通速度阈值)时即处于拥堵的驾驶场景。
以基于两个或多个维度区分驾驶场景为例，可以区分为：(1)处于人车混行道路、且需要避让前方障碍物(例如车辆和行人)的驾驶场景；(2)处于人车分行道路或封闭式机动车道路、且不需要避让前方障碍物(例如车辆)的驾驶场景；(3)人车混行道路、且符合道路拥堵特征的驾驶场景；(4)处于人车分行道路或封闭式机动车道路、且符合道路畅通特征的驾驶场景。
再以基于两个或多个维度区分驾驶场景为例，可以区分为：(1)处于人车混行道路、需要避让前方障碍物(例如车辆和行人)、符合拥堵特征的驾驶场景；(2)处于人车分行道路或封闭式机动车道路、且不需要避让前方障碍物(例如车辆)、且符合畅通特征驾驶场景。
可以理解地，驾驶场景不局限于以上所述，根据上述维度的一个或多个的任意结合进行区分。
步骤102，确定与驾驶场景适配的目标轨迹规划模式。
在一些实施例中，根据车辆所处的驾驶场景的类型，可以统一选择性能优先为目标轨迹规划模式以保证轨迹规划的全局性能，或者，可以统一选择效率优先的轨迹规划模式可为目标轨迹规划模式以保证轨迹规划的全局效率。在另一些实施例中，根据车辆所处的驾驶场景的类型，对应选择性能优先或效率优先的轨迹规划模式为所述目标轨迹规划模式。
下面说明根据驾驶场景的不同类型对目标轨迹规划模式的选用。
在一些实施例中，根据车辆所处的驾驶场景的类型，对应选择性能优先或效率优先的轨迹规划模式为所述目标轨迹规划模式，包括：当车辆处于人车混行道路的驾驶场景时，确定性能优先的轨迹规划模式为目标轨迹规划模式，由于性能优先的轨迹规划模式对于潜在的障碍物能够规划平滑的轨迹，从而保证了驾驶的舒适性；在另一些实施例中，当车辆处于人车分行道路的驾驶场景、或处于封闭式机动车道路的驾驶场景时，确定效率优先的轨迹规划模式为目标轨迹规划模式，由于不存在障碍物的情况，利用效率优先的轨迹规划模式规划轨迹，在保证驾驶舒适性的基础上保证了轨迹规划的效率。
在一些实施例中，当车辆处于城区的驾驶场景时，确定性能优先的轨迹规划模式为目标轨迹规划模式，由于性能优先的轨迹规划模式对于城区中潜在的障碍物能够规划平滑的轨迹，从而保证了驾驶的舒适性；在另一些实施例中，当车辆处于郊区的驾驶场景时，确定效率优先的轨迹规划模式为目标轨迹规划模式，由于郊区中潜在的障碍物较少，利用效率优先的轨迹规划模式规划轨迹，在保证驾驶舒适性的基础上保证了轨迹规划的效率。
在一些实施例中，当处于拥堵的驾驶场景时，确定性能优先的轨迹规划模式为目标轨迹规划模式，由于性能优先的轨迹规划模式对于拥堵环境中的障碍物能够最大程度规划平滑的轨迹，从而保证了驾驶的舒适性；在另一些实施例中，当处于畅通的驾驶场景时，确定效率优先的轨迹规划模式为目标轨迹规划模式，由于畅通的环境中没有障碍物或障碍物较少，利用效率优先的轨迹规划模式规划轨迹，在保证驾驶舒适性的基础上保证了轨迹规划的效率。
在一些实施例中，当车辆处于人车混行道路、且需要避让前方障碍物的驾驶场景时，确定性能优先的轨迹规划模式为目标轨迹规划模式，由于性能优先的轨迹规划模式对于障碍物较多的驾驶场景能够规划平滑的轨迹，从而保证了驾驶的舒适性；基于性能优先的轨迹规划模式规划轨迹失败(例如，计算复杂度太高，无解，利用梯度下降法无法收敛最优轨迹或最优速度曲线的目标函数)时，重新确定效率优先的轨迹规划模式为目标轨迹规划模式，从而实现轨迹规划的性能和效率的均衡；在另一些实施例中，当车辆处于人车分行道路或封闭式机动车道路、且不需要避让前方障碍物的驾驶场景时，确定效率优先的轨迹规划模式为目标轨迹规划模式，由于不存在障碍物的情况，利用效率优先的轨迹规划模式规划轨迹，在保证驾驶舒适性的基础上保证了轨迹规划的效率。
在一些实施例中，当车辆处于人车混行道路、且符合道路拥堵特征的驾驶场景时，确定性能优先的轨迹规划模式为目标轨迹规划模式；当基于性能优先的轨迹规划模式规划轨迹失败时，重新确定效率优先的轨迹规划模式为目标轨迹规划模式，从而实现轨迹规划的性能和效率的均衡；在另一些实施例中，当车辆处于人车分行道路或封闭式机动车道路、且符合道路畅通特征的驾驶场景时，确定效率优先的轨迹规划模式为目标轨迹规划模式，由于不存在障碍物的情况，利用效率优先的轨迹规划模式规划轨迹，在保证驾驶舒适性的基础上保证了轨迹规划的效率。
在一些实施例中，当车辆处于人车混行道路、且需要避让前方障碍物(例如车辆和行人)、符合拥堵特征的驾驶场景时，确定性能优先的轨迹规划模式为目标轨迹规划模式，由于性能优先的轨迹规划模式对于障碍物较多的驾驶场景能够规划平滑的轨迹，从而保证了驾驶的舒适性；基于性能优先的轨迹规划模式规划轨迹失败时，重新确定效率优先的轨迹规划模式为目标轨迹规划模式，从而实现轨迹规划的性能和效率的均衡；在另一些实施例中，当车辆处于人车分行道路或封闭式机动车道路、且不需要避让前方障碍物(例如车辆)、且符合畅通特征驾驶场景时，确定效率优先的轨迹规划模式为目标轨迹规划模式，由于不存在障碍物的情况，利用效率优先的轨迹规划模式规划轨迹，在保证驾驶舒适性的基础上保证了轨迹规划的效率。
步骤103，根据目标轨迹规划模式，确定从车辆的起始位置到达目标位置的路径，以及确定从车辆的起始位置到达目标位置的速度曲线。
在一些实施例中，当目标轨迹规划模式为性能优先(例如采用模型预测优化法)时，根据目标轨迹规划模式，确定从车辆的起始位置到达目标位置的路径，包括：确定从起始位置到达目标位置、且避让障碍物的可通行区域；确定可通行区域中与道路参考线对应且平滑的路径；相应的，确定从起始位置到达目标位置的路径点的速度曲线，包括：根据道路曲率和道路中的障碍物确定可行速度区间；确定可行速度区间中与参考车速对应且平滑的速度曲线。
作为确定路径的示例，可以确定可通行区域中与道路参考线的差距最小化、且速度以及加速度均平滑的路径：基于以下参数构造最优路径的目标函数：路径与道路参考线的差距，车辆在路径中行驶时的速度以及加速度；上述的参数可以分配相同或差异化的权重，通过最小化目标函数，以确定可通行区域中与道路参考线的差距最小化、且使车辆的速度以及加速度均平滑的最优路径。最小化目标函数可以采用各种优化方法，例如梯度下降法来计算目标函数收敛时的路径为最优路径。
作为确定速度曲线的示例，根据道路曲率确定满足安全行车条件的最大车速，并确定绕开障碍物或跟随障碍物时所需的最小车速；确定由最小车速和最大车速构成的可行速度区间；确定可行速度区间中与参考车速差距最小化、且加速度以及加速度变化率平滑的最优速度曲线。
在一些实施例中，上述确定最优速度曲线的过程可以转换为对速度曲线的目标函数最小化的过程，基于以下参数构造最优速度曲线的目标函数：速度曲线与参考车速(参考车速是为了实现决策系统的跟随前车或者超车的决策而需要实现的理想的车速)的差距，速度曲线的加速度以及加速度变化率；上述的参数可以分配相同或差异化的权重，并通过最小化速度曲线的目标函数，以确定可行速度区间中与参考车速的差距最小化、且使车辆的加速度以及加速度变化率均平滑的最优速度曲线。
在一些实施例中，当目标轨迹规划模式为效率优先(例如多项式多层采样法)时，根据目标轨迹规划模式，确定从车辆的起始位置到达目标位置的路径，包括：在车辆沿道路行驶的前方区域内采样，得到对应目标位置的路径采样点；初始化连接车辆的起始位置、以及路径采样点的路径曲线，并对路径曲线应用车辆的起始状态(包括起始的速度和加速度)和目标状态(包括目标的速度和加速度)的约束条件，得到候选路径；对于候选路径，以避让障碍物、且曲率最小化为条件进行筛选得到最优路径；相应地，确定从车辆的起始位置到达目标位置的路径点的速度曲线，包括：将车辆的未来行驶时段划分为多个时间区间，对每个时间区间应用不同的加速度，得到在相应时间区间的速度。
其中，所应用的加速度可以是在保证驾驶舒适性的取值空间内进行采样得到；将各个时间区间基于对应的速度进行平滑地连接，形成候选速度曲线；对于候选速度曲线中对应未来行驶时段的不同时间点，以各个时间点的速度与相应时间点的参考车速的差距最小化、以及各个时间点的位置与参考位置的差距最小化筛选条件，选择与参考车速以及参考位置最接近的候选速度曲线为最优速度曲线。
步骤104，将确定的路径以及速度曲线合成，得到车辆从起始位置到达目标位置使用的轨迹。
在一些实施例中，通过将速度曲线中不同时间区间的速度应用于路径，可以得到不同路径点的速度、位置和加速度等信息。
下面，继续说明如图3示出的轨迹规划模块7551，对于下文未详尽的细节，可以根据上文针对图4示出的轨迹规划方法而理解。
调度器模块7551，用于：解析车辆所处环境对应的环境信息，得到车辆所处的驾驶场景；确定与所述驾驶场景适配的目标轨迹规划模式。例如，统一选择性能优先为目标轨迹规划模式以保证轨迹规划的全局性能，或者，可以统一选择效率优先的轨迹规划模式可为目标轨迹规划模式以保证轨迹规划的全局效率。又例如，根据驾驶场景的类型确定性能优先或效率优先的轨迹规划模式为目标轨迹规划模式。
轨迹规划模式模块7552，包括性能优先的轨迹规划模式75522和效率优先的轨迹规划模式75521，用于：根据目标轨迹规划模式，确定从车辆的起始位置到达目标位置的路径，以及确定从车辆的起始位置到达目标位置的速度曲线；将确定的路径以及速度曲线合成，得到车辆从起始位置到达目标位置使用的轨迹。
在一些实施例中，调度器模块7551，还用于：解析车辆所处环境对应的环境信息，得到构成驾驶场景的以下维度至少之一：障碍物的数量、类型、位置和速度；道路的类型；车辆的状态。
在一些实施例中，调度器模块7551，还用于：当车辆处于人车混行道路、且需要避让前方障碍物的驾驶场景时，确定性能优先的轨迹规划模式为目标轨迹规划模式；当基于性能优先的轨迹规划模式规划轨迹失败时，重新确定效率优先的轨迹规划模式为目标轨迹规划模式。
在一些实施例中，调度器模块7551，还用于：当车辆处于人车分行道路或封闭式机动车道路、且不需要避让前方障碍物的驾驶场景时，确定效率优先的轨迹规划模式为目标轨迹规划模式。
在一些实施例中，调度器模块7551，还用于：当车辆处于人车混行道路、且符合道路拥堵特征的驾驶场景时，确定性能优先的轨迹规划模式为目标轨迹规划模式；当基于性能优先的轨迹规划模式规划轨迹失败时，重新确定效率优先的轨迹规划模式为目标轨迹规划模式。
在一些实施例中，调度器模块7551，还用于：当车辆处于人车分行道路或封闭式机动车道路、且符合道路畅通特征的驾驶场景时，确定效率优先的轨迹规划模式为目标轨迹规划模式。
在一些实施例中，轨迹规划模式模块7552还用于：当目标轨迹规划模式为性能优先的轨迹规划模式75522时，确定从起始位置到达目标位置、且避让障碍物的可通行区域；确定可通行区域中与道路参考线的差距最小化、且速度以及加速度均平滑的路径。
作为确定与道路参考线的差距最小化、且速度以及加速度均平滑的路径的示例，基于以下参数构造对应路径的目标函数：路径与道路参考线的差距，车辆在路径中行驶时的速度以及加速度；最小化目标函数，以确定可通行区域中与道路参考线的差距最小化、且使车辆的速度以及加速度均平滑的路径。
在一些实施例中，轨迹规划模式模块7552还用于：当目标轨迹规划模式为性能优先的轨迹规划模式75522时，根据道路曲率确定满足安全行车条件的最大车速，并确定绕开障碍物或跟随障碍物时所需的最小车速；确定由最小车速和最大车速构成的可行速度区间；确定可行速度区间中与参考车速对应且平滑的速度曲线。
作为确定可行速度区间中与参考车速对应且平滑的速度曲线的示例，基于以下参数构造对应路径的目标函数：所述路径与道路参考线的差距，车辆在所述路径中行驶时的速度以及加速度；最小化目标函数，以确定可通行区域中与道路参考线的差距最小化、且使车辆的速度以及加速度均平滑的路径。
在一些实施例中，轨迹规划模式模块7552还用于：当目标轨迹规划模式为效率优先的轨迹规划模式75521时，在车辆沿道路行驶的前方区域内采样，得到对应目标位置的路径采样点；初始化连接起始位置、以及路径采样点的路径曲线，并对路径曲线应用车辆的起始状态和目标状态的约束条件，得到候选路径。
在一些实施例中，轨迹规划模式模块7552还用于：当目标轨迹规划模式为效率优先的轨迹规划模式75521时，将车辆的未来行驶时段划分为时间区间，对每个时间区间应用不同的加速度，得到在相应时间区间的速度；将时间区间进行平滑地连接，形成候选速度曲线；确定与未来行驶时段不同时间点的参考车速以及参考位置最接近的候选速度曲线。
本发明实施例提供一种存储有可执行指令的存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本发明实施例提供的方法，例如，如图4示出的轨迹规划方法。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
下面，继续说明本发明实施例提供的如图1所示的轨迹规划系统的示例性应用。参见图5，图5本发明实施例提供的如图1所示的自动驾驶系统100进行示例性应用的结构示意图，下面分别说明。
自动驾驶的车辆通过环境感知系统200感知环境信息，包括周围障碍物、车辆自身的状态以及起始位置高精度地图的信息。
环境信息被发送到决策规划系统300。决策规划系统300由两部分组成，其中，决策系统400根据环境信息和当前驾驶目的做出决策，例如当前道路、当前车道选择、以及应该绕开某个障碍物还是跟随在某障碍物后方等，并提供道路参考线(例如道路中线)和支持实现决策的参考车速。环境信息连同决策系统300做出的决策被发送给轨迹规划系统500，轨迹规划系统500根据输入计算出最佳轨迹后发送给车辆控制系统600执行。
在一些实施例中，就轨迹规划系统500而言，包括以下关键模块：多项式多层采样法，模型预测优化法，以及一个场景识别和智能调度模块即调度器(模块)。调度器可以根据车辆的驾驶场景智能调度一个或者两个个适合当前驾驶场景的元方法来进行轨迹规划，平衡效率和性能，保证轨迹的生成。
在自动驾驶轨迹规划语境下，性能指的是解决复杂规划问题(多障碍物，道路狭窄，约束条件多)的能力，而效率指的是一次轨迹规划执行所消耗的时，耗时越少，效率越高。就多项式多层采样法和模型优化采样法而言，多项式多层采样法单次轨迹生成耗时小于10毫秒(ms)，运行效率较模型预测优化法高，且在任何情况下都能够生成轨迹，适合处理障碍物较为稀疏的情况，而在障碍物较为密集时难以生成较优的轨迹，性能较模型预测优化法低；而模型预测优化法单次轨迹生成耗时40ms左右，运行效率相较于多项式多层采样法低，适宜处理各种复杂情况，性能较多项式多层采样法高。
下面将分别说明两个元方法以及调度器。
参见图6，图6是本发明实施例提供的基于多项式多层采样法流程进行路径规划的流程示意图，结合图6示出的步骤进行说明。
步骤201，建立Frenet坐标系。
参见图7，图7是本发明实施例提供的将环境信息从直角坐标系映射到Frenet坐标系的示意图。环境信息是在Cartesian坐标系(也就是直角坐标系)下表示，在此坐标系下计算轨迹时难以考虑道路方向和道路边界的限制。而在Frenet坐标系下，s轴自然沿着道路参考线(例如道路中心线γ)的方向延伸，将道路方向变化隐含在内，而l轴的坐标即可以表示相对于道路参考线的距离。因此，道路边界可以直接表示为基于s轴坐标的函数：l_min(s)和l_max(s)，对应表示相对于s轴坐标位置的左侧最大距离和右侧最大距离。
同理，车辆在直角坐标系中的状态表示为(x,y,theta(车辆方向角),v,a)，其中x、y分别为横坐标和纵坐标，theta为车辆对的方向角，v为车辆速度，a为车辆加速度。上述状态被映射到Frenet坐标系后即为(s,l,dl/ds,ddl/ds^2,ds,dds)。其中dl/ds为轨迹的l轴相对于s轴的一阶导数，ddl/ds2为轨迹的l轴坐标相对于s轴坐标的二阶导数，ds为轨迹的s轴相对于t(时间)的导数(即是s轴上的速度)，dds为轨迹的s相对于t的二阶导数，即s轴上的加速度。
可见，车辆在直角坐标系下的位置被投影成为沿着参考轨迹的横向距离s以及相对参考轨迹的纵向距离l；而车辆的状态量也对应被映射到Frenet坐标系中的状态量。
步骤202，生成路径采样点。
在一些实施例中，根据道路的宽度和当前的车速生成采样点：以道路宽度为横向采样最大的宽度，并以当前车速在设定时间内经过的前方距离为纵向采样的最大长度界定车辆前方的采样区域，进行均匀采样。
参见图8，图8是本发明实施例提供的生成路径采样点的示意图，例如，假设当前车速为v，则l轴方向采样总长度L表示为：L＝MAX(v*6,20)，即最小采样长度为20米(m)。当L大于50m时，沿l轴采样三层(l轴的正向和负向分别采样三层)，每层间距L/3，若采样长度小于50m，则采样2层，每层间距L/2。纵向固定采样为15个点(图8中仅示出部分)，在参考线周围[-2m,2m]区间内均匀分布。
步骤203，采样并选择最优路径。
使用五次多项式曲线来表示路径：l(s)＝a*s^5+b*s^4+c*s^3+d*s^2+e*s+f，其中，a、b、c、d、e、f为权重，并通过应用车辆的起始状态(包括速度和加速度)和目标状态(包括速度和加速度)来生成候选路径：
(1)将车辆起始位置(s0,l0)连接至第一层的采样点(也就是使起始位置与第一层采样点之间满足上述的曲线)；
(2)将曲线初始点相对于s的一阶导数dl/ds和相对于s的二阶导数dl/ds，等同于车辆初始状态在Frenet坐标系中映射得到dl/ds和ddl/ds^2；
(3)曲线终点一阶导数可在[-0.1,0.1]内等距采样5个点；
(4)曲线终点二阶导数设为0。
参见图9，图9是本发明实施例提供的生成候选路径4的示意图，将车辆起始位置(s0,l0)依次连接至后续层的采样点，生成多个候选路径。
在候选路径中求解最优路径可以使用动态规划方法，即基于候选路径的曲率以及与障碍物的碰撞关系，选取最优路径。举例来说，对每条候选路径，计算候选路径上每个点(比如每隔1m)的曲率，以及计算此点是否在障碍物碰撞范围内，然后通过一个目标函数表示平均曲率、以及与障碍物的距离，通过最小化目标函数，求解一个平均曲率最小且不与障碍物发生碰撞的曲线作为最优曲线。
步骤204，采样并选择最优速度曲线。
考虑未来行驶时段例如5秒(s)内的速度曲线，将5s等分为10个0.5s的区间，通过对各个区间应用采样的不同加速度而计算各个区间的速度曲线，并使得每个时间区间结束时的状态(包括速度和加速度)与下一个时间区间开始时车辆的状态(包括速度和加速度)相同。
例如，从车辆的起始状态开始，在[-4，2]区间内均匀采样10个不同的加速度值(车辆最大加速度一般是2m/s2，令用户舒服的最大刹车加速度一般是-4m/s2)，计算速度曲线，并使用此加速度值0.5s后车辆的状态；从此车辆状态出发，再次采样加速度值并计算0.5s后的车辆状态，各个时间区间的速度连接形成候选速度曲线。
在候选速度曲线中求解最优速度曲线时可以使用动态规划的方法：基于参考车速vref(参考车速是综合路况、道路限速、车况而动态或静态设定的速度)，前后车的距离等参数构造目标函数，通过最小化目标函数来求解获得出最优速度曲线。
比如，定义一个目标函数C＝w1*(v–vref)2+w2*(d-dref)2,将车辆未来行驶时段一时间区间的车速v与参考车速vref差的平方，以及车辆未来行驶时段一时间区间的车辆位置(即车辆未来时刻与前车的距离)与目标位置dref(车辆与前车的距离的参考值)的差的平方相加，选取使得上述目标函数最小的速度曲线为最优速度曲线。
步骤205，生成轨迹。
将最优路径和最优速度曲线组合形成最优轨迹，并提供给车辆控制系统600。
继续说明本发明实施例提供的模型预测优化法，参见图10，图10是本发明实施例提供的基于模型预测优化法进行路径规划的流程示意图，结合图10示出的步骤进行说明。
步骤301，建立Frenet坐标系。
步骤301可以根据前述的步骤201而理解。
步骤302，生成可通行区域。
参见图11，图11是本发明实施例提供的可通行区域的示意图，假设一障碍物5占据了在Frenet坐标系下纵向s0至s1，横向l0至l1的一个矩形空间，且决策系统400做出的决策为车辆从右侧绕过障碍物，则针对该障碍物的可通行区域U_1需满足：当s0<s<s1时，l<l0-VEH_WIDTH/2，其中VEH_WIDTH为车辆的宽度。即，当车辆沿着道路参考线行驶到坐标s处于s0至s1的区间时，车辆的横向位置需要处于小于l0减去一半车身的宽度的区间内。
为生成考虑所有障碍物的可通行区域，遍历所有障碍物并求交集U＝{∩U_i,i＝1...K}；其中U_i为第i个障碍物的可通行区域，而K为障碍物总数量。可通行区域用两个相对于s的样条函数l_ub(s),l_lb(s)来表示，也即是当纵坐标为s时，横坐标需满足l_lb(s)<l(s)<l_ub(s)。
参见图12，图12是本发明实施例提供的可通行区域的示意图，对于图11示出的道路，模型预测优化法对应输出避让障碍物5的可通行区域6。
步骤303，梯度下降计算最优路径。
在一些实施例中，基于以下参数来构造最优路径的目标函数：(1)候选路径与道路参考线的差距；(2)s方向的速度；(3)s方向的加速度。通过最小化目标函数来求解最优路径。
作为示例，车辆的候选路径用l(s)表示，而道路参考线(例如道路中心线)用l_ref(s)表示，构造如下的目标函数：
C＝w1*(l(s)-l_ref(s))^2+w2*(dl/ds)^2+w3*(ddl/ds^2)^2。
其中，(l(s)-l_ref(s))^2项惩罚最优路径与道路参考线的差距，(l’(s))^2和(l”(s))^2项调节最优路径的平滑程度，而w1、w2和w3则为这些项相对应的权重。在最优路径需满足上述可通行区域的约束条件的前提下，求解最优路径的问题为二次优化问题，例如通过梯度下降法求解得最优路径l(s)。
步骤304，生成可行速度区间。
假设当前时间t0至未来时间t1的速度，则可行速度区间可定义为v_min(t)<v<v_max(t),t属于[t0,t1]。v_min(t)和v_max(t)根据感知的环境信息和决策系统400的决策确定。
例如，根据道路曲率控制车辆的最大速度v_alat，表示为alat＝k*v_alat*v__alat，其中k为道路曲率，alat为车辆能够承受的纵向最大加速度，则v_max(t)小于或等于v_alat以避免侧翻。当决策系统400的决策为需要车辆超车，则v_min(t)应该是保证能够超车的最小速度，当决策系统400的决策为需要跟随前车时，则v_min(t)应该是保证不会跟丢前车的最小速度。
步骤305，梯度下降计算最优速度曲线。
车辆的速度曲线可用v(t)表示，而参考车速可用v_ref(t)表示，加速度用a(t)表示，加加速度(即加速度的变化率)用jerk(t)表示。
定义目标函数C＝w1*(v(t)-v_ref(t))^2+w2*(a(t))^2+w3*(jerk(t))^2。
其中(v(t)-v_ref(t))^2项惩罚最优速度曲线与参考车速的差距，(a(t))^2和(jerk(t))^2项通过惩罚加速度和加加速度调节最优速度的平滑程度，而w1、w2和w3则为这些项相对应的权重。
在最优速度曲线受到上述的可行速度区间约束的情况下，进行二次优化，通过梯度下降的方法解得最优速度曲线v(t)。
步骤306，生成轨迹。
将最优路径和最优速度曲线组合形成最优轨迹，并提供给车辆控制系统600。
为了便于说明调度器的功能，假设多项式多层采样法和模型预测优化法各自的性能和效率是如下的情况：多项式多层采样法单次轨迹生成耗时小于10ms，运行效率高，且在任何情况下都能够计算出结果，但是只能处理障碍物较为稀疏的情况，障碍物较为密集时无法生成较优的轨迹，性能一般；而模型预测优化法单次轨迹生成耗时40ms左右，运行效率一般，但能够处理各种复杂情况，不过在某些特殊情况下可能会规划失败，无法生成轨迹。
根据上述元方法在性能和效率方面的差距，调度器可以根据当前驾驶场景智能调度一个或者多个适合当前场景的元方法来进行轨迹规划，平衡效率和性能，并且保证轨迹的生成，下面示例性说明一个调度过程。
参见图13，图13是本发明实施例提供的调度元方法进行轨迹规划的流程示意图，将结合示出的步骤进行说明。
通过处理地图信息来区分驾驶场景，例如根据车辆的实时位置以及当前的起始位置的高精度地图，判断车辆是处于城区的人车混行道路，还是封闭的快速道路。
在一些实施例中，当车辆处于城区的人车混行道路的驾驶场景时，结合驾驶目标来选择合适的元方法。当驾驶目标为需要侧向避让障碍物(例如行人、变道车辆)的情况，例如在目标车道侧向距离3m内存在需要侧向避让的障碍物时，优先使用模型预测优化方法规划轨迹，模型预测优化方法规划的轨迹指示的车速相对于多项式多层优化法的优化效果更好，使得驾驶者更加舒服；如果驾驶目标处于其他情况(需要侧向避让障碍物之外的情况)时，例如车辆执行时不会发生碰撞，则使用多项式多层采样法来规划轨迹。
对于模型预测优化法来说，由于采用梯度下降法来求解路径，这是个不断向理想路径趋近的过程，有可能曲线会因为过于平滑而输出与障碍物碰撞的路径，有可能会不满足边界条件，边界条件错误，或者是计算耗时(计算复杂度太高，无解，利用梯度下降法无法收敛目标函数)，会出现输出的路径不满足边界条件或者不输出路径的情况。因此，在一些实施例中，当出现上述的规划失败的情况时，利用多项式多层采样法来规划路径，由于多项式多层采样法是求解多次方程式方程来规划路径，因此一定会输出路径，从而确保车辆的正常行驶。
在一些实施例中，当车辆处于封闭的快速道路的驾驶场景时，结合道路的拥堵情况来选择合适的元方法。例如，通过将实时的车速与车速阈值比较的方式来判断是否拥堵，当车堵低于车速阈值时表明处于拥堵的驾驶场景，反之，处于畅通的驾驶场景。当处于拥堵的驾驶场景时，优先使用模型预测优化方法规划轨迹；如果处于畅通的驾驶场景时使用多项式多层采样法来规划轨迹。
可以理解地，上述选择的元方法仅为示例，实际应用中可以替换为任意其他类型的元方法或增加新的元方法，调度流程可以根据具体场景，测试反馈或使用交通相关法律法规删减、修改或增加。
综上所述，本发明实施例能够根据当前的驾驶场景，包括：周围障碍物的数量，类型，位置，速度；当前道路类型，当前车辆状态等，灵活选用适用于当前场景的一种元方法、或级联两种元方法来规划汽车轨迹，实现对不同工况的灵活应对。应用此方法可以有效提高自动驾驶轨迹规划系统的性能，减少轨迹规划对硬件资源的消耗，提高车辆的响应速度，且保证自动驾驶的安全。
以上所述，仅为本发明的实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本发明的保护范围之内。

Claims (15)

1.一种轨迹规划方法，其特征在于，包括：
解析车辆所处环境对应的环境信息，得到所述车辆所处的驾驶场景；
根据所述车辆所处的驾驶场景，对应选择性能优先或效率优先的轨迹规划模式为目标轨迹规划模式；
根据所述目标轨迹规划模式，确定从所述车辆的起始位置到达目标位置的路径，以及
确定从所述车辆的所述起始位置到达所述目标位置的速度曲线；
将所述确定的路径以及速度曲线合成，得到所述车辆从所述起始位置到达所述目标位置使用的轨迹。
2.根据权利要求1所述的方法，其特征在于，所述根据所述车辆所处的驾驶场景，对应选择性能优先或效率优先的轨迹规划模式为所述目标轨迹规划模式，包括：
当所述车辆处于人车混行道路、且需要避让前方障碍物的驾驶场景时，确定性能优先的轨迹规划模式为所述目标轨迹规划模式；
当基于所述性能优先的轨迹规划模式规划轨迹失败时，重新确定效率优先的轨迹规划模式为所述目标轨迹规划模式。
3.根据权利要求1所述的方法，其特征在于，所述根据所述车辆所处的驾驶场景，对应选择效率优先的轨迹规划模式为所述目标轨迹规划模式，包括：
当所述车辆处于人车分行道路或封闭式机动车道路、且不需要避让前方障碍物的驾驶场景时，确定效率优先的轨迹规划模式为所述目标轨迹规划模式。
4.根据权利要求1所述的方法，其特征在于，所述根据所述车辆所处的驾驶场景，对应选择性能优先或效率优先的轨迹规划模式为目标轨迹规划模式，包括：
当所述车辆处于人车混行道路、且符合道路拥堵特征的驾驶场景时，确定性能优先的轨迹规划模式为所述目标轨迹规划模式；
当基于所述性能优先的轨迹规划模式规划轨迹失败时，重新确定效率优先的轨迹规划模式为所述目标轨迹规划模式。
5.根据权利要求1所述的方法，其特征在于，所述根据所述车辆所处的驾驶场景，对应选择效率优先的轨迹规划模式为目标轨迹规划模式，包括：
当所述车辆处于人车分行道路或封闭式机动车道路、且符合道路畅通特征的驾驶场景时，确定效率优先的轨迹规划模式为所述目标轨迹规划模式。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述根据目标轨迹规划模式，确定从所述车辆的起始位置到达目标位置的路径，包括：
当所述目标轨迹规划模式为性能优先时，
确定从所述起始位置到达所述目标位置、且避让障碍物的可通行区域；
确定所述可通行区域中与道路参考线的差距最小化、且速度以及加速度均平滑的路径。
7.根据权利要求6所述的方法，其特征在于，所述确定所述可通行区域中与道路参考线的差距最小化、且速度以及加速度均平滑的路径，包括：
基于以下参数构造对应所述路径的目标函数：所述路径与道路参考线的差距，所述车辆在所述路径中行驶时的速度以及加速度；
最小化所述目标函数，以确定所述可通行区域中与所述道路参考线的差距最小化、且使所述车辆的速度以及加速度均平滑的所述路径。
8.根据权利要求6所述的方法，其特征在于，所述确定从所述车辆的起始位置到达所述目标位置的速度曲线，包括：
根据道路曲率确定满足安全行车条件的最大车速，并确定绕开障碍物或跟随障碍物时所需的最小车速；
确定由所述最小车速和所述最大车速构成的可行速度区间；
确定所述可行速度区间中与参考车速对应且平滑的速度曲线。
9.根据权利要求8所述的方法，其特征在于，所述确定所述可行速度区间中与参考车速对应且平滑的速度曲线，包括：
基于以下参数构造对应所述速度曲线的目标函数：
所述速度曲线与参考车速的差距，所述速度曲线的加速度以及加速度变化率；
最小化所述目标函数，以确定所述可行速度区间中与所述参考车速的差距最小化、且使所述车辆的加速度以及加速度变化率均平滑的所述速度曲线。
10.根据权利要求1至5任一项所述的方法，其特征在于，所述根据目标轨迹规划模式，确定从所述车辆的起始位置到达目标位置的路径，包括：
当所述目标轨迹规划模式为效率优先时，
在所述车辆沿道路行驶的前方区域内采样，得到对应所述目标位置的路径采样点；
初始化连接所述起始位置、以及所述路径采样点的路径曲线，并对所述路径曲线应用所述车辆的起始状态和目标状态的约束条件，得到候选路径；
确定避让障碍物、且曲率最小化的所述候选路径。
11.根据权利要求10所述的方法，其特征在于，所述确定从所述车辆的起始位置到达目标位置的速度曲线，包括：
将所述车辆的未来行驶时段划分为时间区间，对每个所述时间区间应用不同的加速度，得到在相应时间区间的速度；
将所述时间区间进行平滑地连接，形成候选速度曲线；
确定与所述未来行驶时段不同时间点的参考车速以及参考位置最接近的候选速度曲线。
12.一种轨迹规划系统，其特征在于，包括：
调度器模块，用于：
解析车辆所处环境对应的环境信息，得到所述车辆所处的驾驶场景；
根据所述车辆所处的驾驶场景的类型，对应选择性能优先或效率优先的轨迹规划模式为目标轨迹规划模式；
轨迹规划模式模块，用于：
根据所述目标轨迹规划模式，确定从所述车辆的起始位置到达目标位置的路径，以及
确定从所述车辆的所述起始位置到达所述目标位置的速度曲线；
将所述确定的路径以及速度曲线合成，得到所述车辆从所述起始位置到达所述目标位置使用的轨迹。
13.根据权利要求12所述的轨迹规划系统，其特征在于，所述调度器模块，还用于：
当所述车辆处于人车混行道路、且需要避让前方障碍物的驾驶场景时，确定性能优先的轨迹规划模式为目标轨迹规划模式；
当基于所述性能优先的轨迹规划模式规划轨迹失败时，重新确定效率优先的轨迹规划模式为所述目标轨迹规划模式。
14.一种轨迹规划设备，其特征在于，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至11任一项所述的轨迹规划方法。
15.一种存储介质，其特征在于，存储有可执行指令，用于引起处理器执行时，实现权利要求1至11任一项所述的轨迹规划方法。
CN201910345739.9A 2019-04-26 2019-04-26 轨迹规划方法、系统、设备及存储介质 Active CN109976355B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910345739.9A CN109976355B (zh) 2019-04-26 2019-04-26 轨迹规划方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910345739.9A CN109976355B (zh) 2019-04-26 2019-04-26 轨迹规划方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN109976355A true CN109976355A (zh) 2019-07-05
CN109976355B CN109976355B (zh) 2021-12-10

Family

ID=67086609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910345739.9A Active CN109976355B (zh) 2019-04-26 2019-04-26 轨迹规划方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN109976355B (zh)

Cited By (54)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110362080A (zh) * 2019-07-12 2019-10-22 深圳市哈威飞行科技有限公司 差速无人船的路径优化方法、装置及计算机可读存储介质
CN110502012A (zh) * 2019-08-20 2019-11-26 武汉中海庭数据技术有限公司 一种他车轨迹预测方法、装置及存储介质
CN110687908A (zh) * 2019-09-25 2020-01-14 南京理工大学 基于ros的园区无人车轨迹生成系统及其控制方法
CN110780602A (zh) * 2019-09-09 2020-02-11 腾讯科技（深圳）有限公司 一种仿真车辆换道轨迹的构建方法、装置及设备
CN110955244A (zh) * 2019-12-03 2020-04-03 北京京东乾石科技有限公司 轨迹规划方法、装置、介质及电子设备
CN111002993A (zh) * 2019-12-23 2020-04-14 苏州智加科技有限公司 一种基于场景识别的自动驾驶低油耗运动规划方法及系统
CN111123952A (zh) * 2019-12-31 2020-05-08 华为技术有限公司 一种轨迹规划方法及装置
CN111123927A (zh) * 2019-12-20 2020-05-08 北京三快在线科技有限公司 轨迹规划方法、装置、自动驾驶设备和存储介质
CN111178402A (zh) * 2019-12-13 2020-05-19 赛迪检测认证中心有限公司 一种自动驾驶车辆道路测试的场景分类方法及装置
CN111231977A (zh) * 2020-01-14 2020-06-05 浙江吉利汽车研究院有限公司 一种车辆速度的确定方法、装置、车辆及存储介质
CN111338346A (zh) * 2020-03-05 2020-06-26 中国第一汽车股份有限公司 一种自动驾驶控制方法、装置、车辆及存储介质
CN111397611A (zh) * 2020-03-05 2020-07-10 北京百度网讯科技有限公司 路径规划方法、装置以及电子设备
CN111443709A (zh) * 2020-03-09 2020-07-24 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
CN111599200A (zh) * 2020-04-09 2020-08-28 宁波吉利汽车研究开发有限公司 自主代客泊车感知决策方法、系统以及车载终端
CN111610785A (zh) * 2020-05-26 2020-09-01 三一专用汽车有限责任公司 无人驾驶车辆的运动规划方法和运动规划装置
CN111649955A (zh) * 2020-04-28 2020-09-11 东南大学 一种面向车路协同自动紧急制动系统的性能测评方法
CN111653113A (zh) * 2020-04-20 2020-09-11 浙江吉利汽车研究院有限公司 车辆的局部路径确定方法、装置、终端和存储介质
CN111830979A (zh) * 2020-07-13 2020-10-27 广州小鹏车联网科技有限公司 一种轨迹优化方法和装置
CN111929068A (zh) * 2020-07-10 2020-11-13 中国矿业大学 一种封闭场景下车辆道路能力测试方法
CN112068545A (zh) * 2020-07-23 2020-12-11 哈尔滨工业大学（深圳） 一种无人驾驶车辆在十字路口的行驶轨迹规划方法、系统及存储介质
CN112078631A (zh) * 2020-08-31 2020-12-15 通号城市轨道交通技术有限公司 列车速度控制方法及系统
CN112146667A (zh) * 2020-09-29 2020-12-29 广州小鹏自动驾驶科技有限公司 一种车辆过渡轨迹的生成方法和装置
CN112148002A (zh) * 2020-08-31 2020-12-29 西安交通大学 一种局部轨迹规划方法、系统及装置
CN112286049A (zh) * 2019-07-27 2021-01-29 华为技术有限公司 运动轨迹预测方法和装置
CN112526999A (zh) * 2020-12-22 2021-03-19 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
CN112660151A (zh) * 2019-10-15 2021-04-16 丰田自动车株式会社 车辆控制系统
WO2021073079A1 (zh) * 2019-10-17 2021-04-22 南京航空航天大学 一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法
CN112729328A (zh) * 2020-12-25 2021-04-30 际络科技(上海)有限公司 节油行驶轨迹规划方法、装置、电子设备与存储介质
CN112824198A (zh) * 2019-11-21 2021-05-21 北京京东乾石科技有限公司 一种轨迹决策方法、装置、设备和存储介质
CN112829769A (zh) * 2020-09-15 2021-05-25 百度（美国）有限责任公司 自动驾驶车辆的混合规划系统
CN112859829A (zh) * 2019-11-28 2021-05-28 北京百度网讯科技有限公司 一种车辆控制方法、装置、电子设备和介质
CN112859842A (zh) * 2020-12-31 2021-05-28 中山大学 一种路径跟随导航方法及其系统
CN112904837A (zh) * 2019-12-03 2021-06-04 北京京东乾石科技有限公司 数据处理方法、装置和计算机可读存储介质
CN113050621A (zh) * 2020-12-22 2021-06-29 北京百度网讯科技有限公司 轨迹规划方法、装置、电子设备和存储介质
CN113060138A (zh) * 2021-04-02 2021-07-02 北京斯年智驾科技有限公司 集装箱半挂车速度规划方法、装置、系统和存储介质
CN113074734A (zh) * 2021-03-23 2021-07-06 北京三快在线科技有限公司 一种轨迹规划方法、装置、存储介质及电子设备
CN113391628A (zh) * 2020-03-13 2021-09-14 百度（美国）有限责任公司 用于自动驾驶车辆的障碍物预测系统
CN113460083A (zh) * 2020-03-31 2021-10-01 本田技研工业株式会社 车辆控制装置、车辆控制方法及存储介质
CN113561994A (zh) * 2021-08-13 2021-10-29 北京三快在线科技有限公司 轨迹规划方法、装置、存储介质及电子设备
CN113673028A (zh) * 2021-08-03 2021-11-19 中汽创智科技有限公司 一种速度规划方法、装置、电子设备及存储介质
CN113734185A (zh) * 2021-10-21 2021-12-03 阿波罗智能技术(北京)有限公司 自动驾驶方法、装置、设备、车辆、存储介质和程序产品
CN113997951A (zh) * 2021-08-17 2022-02-01 北京百度网讯科技有限公司 车辆的行驶轨迹的确定方法、装置及自动驾驶车辆
CN114312824A (zh) * 2020-09-30 2022-04-12 通用汽车环球科技运作有限责任公司 自主车辆中的行为计划
CN114450735A (zh) * 2019-09-30 2022-05-06 北京航迹科技有限公司 一种联合预测运动对象轨迹的系统和方法
CN114450703A (zh) * 2019-09-30 2022-05-06 北京航迹科技有限公司 预测行人的移动轨迹的系统和方法
CN114485709A (zh) * 2022-01-19 2022-05-13 武汉大学 一种车辆导航路径规划方法
CN114506343A (zh) * 2022-03-02 2022-05-17 阿波罗智能技术(北京)有限公司 轨迹规划方法、装置、设备、存储介质及自动驾驶车辆
CN114815825A (zh) * 2022-04-21 2022-07-29 合众新能源汽车有限公司 确定车辆最优行驶轨迹方法和装置
CN115871658A (zh) * 2022-12-07 2023-03-31 之江实验室 一种面向稠密人流的智能驾驶速度决策方法和系统
CN115903854A (zh) * 2023-01-09 2023-04-04 北京理工大学 一种动态结构化道路的自动驾驶实时轨迹规划方法
CN116136417A (zh) * 2023-04-14 2023-05-19 北京理工大学 一种面向越野环境的无人驾驶车辆局部路径规划方法
CN116560377A (zh) * 2023-05-31 2023-08-08 北京百度网讯科技有限公司 用于预测位置轨迹的自动驾驶模型及其训练方法
CN116880492A (zh) * 2023-07-25 2023-10-13 云创智行科技(苏州)有限公司 一种用于无人驾驶运动规划的时空轮换优化方法及装置
US12017681B2 (en) 2020-03-13 2024-06-25 Baidu Usa Llc Obstacle prediction system for autonomous driving vehicles

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104554272A (zh) * 2013-10-28 2015-04-29 通用汽车环球科技运作有限责任公司 存在目标车辆和周围物体时的避让转向操作的路径规划
CN105549597A (zh) * 2016-02-04 2016-05-04 同济大学 一种基于环境不确定性的无人车动态路径规划方法
EP3106836A1 (en) * 2015-06-16 2016-12-21 Volvo Car Corporation A unit and method for adjusting a road boundary
CN106569496A (zh) * 2016-11-14 2017-04-19 中国船舶工业集团公司第七0八研究所 一种运动路径的规划方法
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
CN107230310A (zh) * 2017-06-26 2017-10-03 地壳机器人科技有限公司 接力式监控方法及无人驾驶汽车
US20170308090A1 (en) * 2016-04-26 2017-10-26 Honda Motor Co.,Ltd. Vehicle control system, vehicle control method and vehicle control program
CN107315411A (zh) * 2017-07-04 2017-11-03 合肥工业大学 一种基于车车协同下无人驾驶车辆的换道轨迹规划方法
DE102016218121A1 (de) * 2016-09-21 2018-03-22 Bayerische Motoren Werke Aktiengesellschaft Steuervorrichtung zur Planung einer zumindest teilautomatischen Längs- und/oder Querführung
CN108459588A (zh) * 2017-02-22 2018-08-28 腾讯科技（深圳）有限公司 自动驾驶方法及装置、车辆
CN108896052A (zh) * 2018-09-20 2018-11-27 鲁东大学 一种基于动态复杂环境下的移动机器人平滑路径规划方法
CN109032131A (zh) * 2018-07-05 2018-12-18 东南大学 一种应用于无人驾驶汽车的动态超车避障方法
CN109324620A (zh) * 2018-09-25 2019-02-12 北京主线科技有限公司 基于车道线平行偏移进行避障及超车的动态轨迹规划方法
CN109375632A (zh) * 2018-12-17 2019-02-22 清华大学 自动驾驶车辆实时轨迹规划方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104554272A (zh) * 2013-10-28 2015-04-29 通用汽车环球科技运作有限责任公司 存在目标车辆和周围物体时的避让转向操作的路径规划
EP3106836A1 (en) * 2015-06-16 2016-12-21 Volvo Car Corporation A unit and method for adjusting a road boundary
CN105549597A (zh) * 2016-02-04 2016-05-04 同济大学 一种基于环境不确定性的无人车动态路径规划方法
US20170308090A1 (en) * 2016-04-26 2017-10-26 Honda Motor Co.,Ltd. Vehicle control system, vehicle control method and vehicle control program
DE102016218121A1 (de) * 2016-09-21 2018-03-22 Bayerische Motoren Werke Aktiengesellschaft Steuervorrichtung zur Planung einer zumindest teilautomatischen Längs- und/oder Querführung
CN106569496A (zh) * 2016-11-14 2017-04-19 中国船舶工业集团公司第七0八研究所 一种运动路径的规划方法
CN108459588A (zh) * 2017-02-22 2018-08-28 腾讯科技（深圳）有限公司 自动驾驶方法及装置、车辆
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
CN107230310A (zh) * 2017-06-26 2017-10-03 地壳机器人科技有限公司 接力式监控方法及无人驾驶汽车
CN107315411A (zh) * 2017-07-04 2017-11-03 合肥工业大学 一种基于车车协同下无人驾驶车辆的换道轨迹规划方法
CN109032131A (zh) * 2018-07-05 2018-12-18 东南大学 一种应用于无人驾驶汽车的动态超车避障方法
CN108896052A (zh) * 2018-09-20 2018-11-27 鲁东大学 一种基于动态复杂环境下的移动机器人平滑路径规划方法
CN109324620A (zh) * 2018-09-25 2019-02-12 北京主线科技有限公司 基于车道线平行偏移进行避障及超车的动态轨迹规划方法
CN109375632A (zh) * 2018-12-17 2019-02-22 清华大学 自动驾驶车辆实时轨迹规划方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BAEK, JONG SUNG: "An Analysis on the Influential Factors to Set the Path Planning Algorithm for Unmanned Ground Vehicle in Combat Environment", 《AN ANALYSIS ON THE INFLUENTIAL FACTORS TO SET THE PATH PLANNING ALGORITHM FOR UNMANNED GROUND VEHICLE IN COMBAT ENVIRONMENT》 *
付骁鑫: "一种新的实时智能汽车轨迹规划方法", 《控制与决策》 *
王斌: "智能汽车避障风险评估及轨迹规划", 《汽车技术》 *

Cited By (79)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110362080A (zh) * 2019-07-12 2019-10-22 深圳市哈威飞行科技有限公司 差速无人船的路径优化方法、装置及计算机可读存储介质
CN110362080B (zh) * 2019-07-12 2022-08-09 深圳市哈威飞行科技有限公司 差速无人船的路径优化方法、装置及计算机可读存储介质
CN112286049A (zh) * 2019-07-27 2021-01-29 华为技术有限公司 运动轨迹预测方法和装置
CN110502012A (zh) * 2019-08-20 2019-11-26 武汉中海庭数据技术有限公司 一种他车轨迹预测方法、装置及存储介质
CN110780602B (zh) * 2019-09-09 2022-02-18 腾讯科技（深圳）有限公司 一种仿真车辆换道轨迹的构建方法、装置及设备
CN110780602A (zh) * 2019-09-09 2020-02-11 腾讯科技（深圳）有限公司 一种仿真车辆换道轨迹的构建方法、装置及设备
CN110687908A (zh) * 2019-09-25 2020-01-14 南京理工大学 基于ros的园区无人车轨迹生成系统及其控制方法
CN110687908B (zh) * 2019-09-25 2023-01-13 南京理工大学 基于ros的园区无人车轨迹生成系统及其控制方法
CN114450735A (zh) * 2019-09-30 2022-05-06 北京航迹科技有限公司 一种联合预测运动对象轨迹的系统和方法
CN114450703A (zh) * 2019-09-30 2022-05-06 北京航迹科技有限公司 预测行人的移动轨迹的系统和方法
CN112660151A (zh) * 2019-10-15 2021-04-16 丰田自动车株式会社 车辆控制系统
WO2021073079A1 (zh) * 2019-10-17 2021-04-22 南京航空航天大学 一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法
CN112824198A (zh) * 2019-11-21 2021-05-21 北京京东乾石科技有限公司 一种轨迹决策方法、装置、设备和存储介质
CN112859829A (zh) * 2019-11-28 2021-05-28 北京百度网讯科技有限公司 一种车辆控制方法、装置、电子设备和介质
CN112904837A (zh) * 2019-12-03 2021-06-04 北京京东乾石科技有限公司 数据处理方法、装置和计算机可读存储介质
CN110955244B (zh) * 2019-12-03 2023-11-03 北京京东乾石科技有限公司 轨迹规划方法、装置、介质及电子设备
CN110955244A (zh) * 2019-12-03 2020-04-03 北京京东乾石科技有限公司 轨迹规划方法、装置、介质及电子设备
CN111178402B (zh) * 2019-12-13 2023-04-07 赛迪检测认证中心有限公司 一种自动驾驶车辆道路测试的场景分类方法及装置
CN111178402A (zh) * 2019-12-13 2020-05-19 赛迪检测认证中心有限公司 一种自动驾驶车辆道路测试的场景分类方法及装置
CN111123927A (zh) * 2019-12-20 2020-05-08 北京三快在线科技有限公司 轨迹规划方法、装置、自动驾驶设备和存储介质
CN111002993B (zh) * 2019-12-23 2021-06-22 苏州智加科技有限公司 一种基于场景识别的自动驾驶低油耗运动规划方法及系统
CN111002993A (zh) * 2019-12-23 2020-04-14 苏州智加科技有限公司 一种基于场景识别的自动驾驶低油耗运动规划方法及系统
CN111123952B (zh) * 2019-12-31 2021-12-31 华为技术有限公司 一种轨迹规划方法及装置
CN111123952A (zh) * 2019-12-31 2020-05-08 华为技术有限公司 一种轨迹规划方法及装置
CN114489044A (zh) * 2019-12-31 2022-05-13 华为技术有限公司 一种轨迹规划方法及装置
CN111231977A (zh) * 2020-01-14 2020-06-05 浙江吉利汽车研究院有限公司 一种车辆速度的确定方法、装置、车辆及存储介质
CN111231977B (zh) * 2020-01-14 2022-04-08 浙江吉利汽车研究院有限公司 一种车辆速度的确定方法、装置、车辆及存储介质
CN111397611A (zh) * 2020-03-05 2020-07-10 北京百度网讯科技有限公司 路径规划方法、装置以及电子设备
CN111338346A (zh) * 2020-03-05 2020-06-26 中国第一汽车股份有限公司 一种自动驾驶控制方法、装置、车辆及存储介质
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
CN111443709A (zh) * 2020-03-09 2020-07-24 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
US12017681B2 (en) 2020-03-13 2024-06-25 Baidu Usa Llc Obstacle prediction system for autonomous driving vehicles
CN113391628A (zh) * 2020-03-13 2021-09-14 百度（美国）有限责任公司 用于自动驾驶车辆的障碍物预测系统
CN113460083A (zh) * 2020-03-31 2021-10-01 本田技研工业株式会社 车辆控制装置、车辆控制方法及存储介质
CN111599200A (zh) * 2020-04-09 2020-08-28 宁波吉利汽车研究开发有限公司 自主代客泊车感知决策方法、系统以及车载终端
CN111599200B (zh) * 2020-04-09 2021-11-16 宁波吉利汽车研究开发有限公司 自主代客泊车感知决策方法、系统以及车载终端
CN111653113A (zh) * 2020-04-20 2020-09-11 浙江吉利汽车研究院有限公司 车辆的局部路径确定方法、装置、终端和存储介质
CN111649955A (zh) * 2020-04-28 2020-09-11 东南大学 一种面向车路协同自动紧急制动系统的性能测评方法
CN111610785A (zh) * 2020-05-26 2020-09-01 三一专用汽车有限责任公司 无人驾驶车辆的运动规划方法和运动规划装置
CN111610785B (zh) * 2020-05-26 2022-02-18 三一专用汽车有限责任公司 无人驾驶车辆的运动规划方法和运动规划装置
CN111929068A (zh) * 2020-07-10 2020-11-13 中国矿业大学 一种封闭场景下车辆道路能力测试方法
CN111929068B (zh) * 2020-07-10 2022-03-04 中国矿业大学 一种封闭场景下车辆道路能力测试方法
CN111830979A (zh) * 2020-07-13 2020-10-27 广州小鹏车联网科技有限公司 一种轨迹优化方法和装置
CN111830979B (zh) * 2020-07-13 2024-06-07 广州小鹏自动驾驶科技有限公司 一种轨迹优化方法和装置
CN112068545A (zh) * 2020-07-23 2020-12-11 哈尔滨工业大学（深圳） 一种无人驾驶车辆在十字路口的行驶轨迹规划方法、系统及存储介质
CN112078631A (zh) * 2020-08-31 2020-12-15 通号城市轨道交通技术有限公司 列车速度控制方法及系统
CN112148002A (zh) * 2020-08-31 2020-12-29 西安交通大学 一种局部轨迹规划方法、系统及装置
CN112078631B (zh) * 2020-08-31 2022-08-12 通号城市轨道交通技术有限公司 列车速度控制方法及系统
CN112829769A (zh) * 2020-09-15 2021-05-25 百度（美国）有限责任公司 自动驾驶车辆的混合规划系统
CN112146667A (zh) * 2020-09-29 2020-12-29 广州小鹏自动驾驶科技有限公司 一种车辆过渡轨迹的生成方法和装置
CN114312824A (zh) * 2020-09-30 2022-04-12 通用汽车环球科技运作有限责任公司 自主车辆中的行为计划
US11912300B2 (en) 2020-09-30 2024-02-27 GM Global Technology Operations LLC Behavioral planning in autonomus vehicle
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
CN112526999A (zh) * 2020-12-22 2021-03-19 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
CN113050621A (zh) * 2020-12-22 2021-06-29 北京百度网讯科技有限公司 轨迹规划方法、装置、电子设备和存储介质
CN112729328B (zh) * 2020-12-25 2023-01-31 际络科技(上海)有限公司 节油行驶轨迹规划方法、装置、电子设备与存储介质
CN112729328A (zh) * 2020-12-25 2021-04-30 际络科技(上海)有限公司 节油行驶轨迹规划方法、装置、电子设备与存储介质
CN112859842A (zh) * 2020-12-31 2021-05-28 中山大学 一种路径跟随导航方法及其系统
CN113074734A (zh) * 2021-03-23 2021-07-06 北京三快在线科技有限公司 一种轨迹规划方法、装置、存储介质及电子设备
CN113074734B (zh) * 2021-03-23 2023-05-30 北京三快在线科技有限公司 一种轨迹规划方法、装置、存储介质及电子设备
CN113060138B (zh) * 2021-04-02 2022-05-31 北京斯年智驾科技有限公司 集装箱半挂车速度规划方法、装置、系统和存储介质
CN113060138A (zh) * 2021-04-02 2021-07-02 北京斯年智驾科技有限公司 集装箱半挂车速度规划方法、装置、系统和存储介质
CN113673028A (zh) * 2021-08-03 2021-11-19 中汽创智科技有限公司 一种速度规划方法、装置、电子设备及存储介质
CN113561994B (zh) * 2021-08-13 2022-04-05 北京三快在线科技有限公司 轨迹规划方法、装置、存储介质及电子设备
CN113561994A (zh) * 2021-08-13 2021-10-29 北京三快在线科技有限公司 轨迹规划方法、装置、存储介质及电子设备
CN113997951A (zh) * 2021-08-17 2022-02-01 北京百度网讯科技有限公司 车辆的行驶轨迹的确定方法、装置及自动驾驶车辆
CN113997951B (zh) * 2021-08-17 2024-06-04 北京百度网讯科技有限公司 车辆的行驶轨迹的确定方法、装置及自动驾驶车辆
CN113734185A (zh) * 2021-10-21 2021-12-03 阿波罗智能技术(北京)有限公司 自动驾驶方法、装置、设备、车辆、存储介质和程序产品
CN114485709A (zh) * 2022-01-19 2022-05-13 武汉大学 一种车辆导航路径规划方法
CN114506343A (zh) * 2022-03-02 2022-05-17 阿波罗智能技术(北京)有限公司 轨迹规划方法、装置、设备、存储介质及自动驾驶车辆
CN114815825A (zh) * 2022-04-21 2022-07-29 合众新能源汽车有限公司 确定车辆最优行驶轨迹方法和装置
CN115871658B (zh) * 2022-12-07 2023-10-27 之江实验室 一种面向稠密人流的智能驾驶速度决策方法和系统
CN115871658A (zh) * 2022-12-07 2023-03-31 之江实验室 一种面向稠密人流的智能驾驶速度决策方法和系统
CN115903854B (zh) * 2023-01-09 2023-09-26 北京理工大学 一种动态结构化道路的自动驾驶实时轨迹规划方法
CN115903854A (zh) * 2023-01-09 2023-04-04 北京理工大学 一种动态结构化道路的自动驾驶实时轨迹规划方法
CN116136417B (zh) * 2023-04-14 2023-08-22 北京理工大学 一种面向越野环境的无人驾驶车辆局部路径规划方法
CN116136417A (zh) * 2023-04-14 2023-05-19 北京理工大学 一种面向越野环境的无人驾驶车辆局部路径规划方法
CN116560377A (zh) * 2023-05-31 2023-08-08 北京百度网讯科技有限公司 用于预测位置轨迹的自动驾驶模型及其训练方法
CN116880492A (zh) * 2023-07-25 2023-10-13 云创智行科技(苏州)有限公司 一种用于无人驾驶运动规划的时空轮换优化方法及装置

Also Published As

Publication number Publication date
CN109976355B (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN109976355A (zh) 轨迹规划方法、系统、设备及存储介质
Eom et al. The traffic signal control problem for intersections: a review
Jin et al. An intelligent control system for traffic lights with simulation-based evaluation
US20200239024A1 (en) Autonomous vehicle routing with roadway element impact
CN110118661B (zh) 驾驶仿真场景的处理方法、装置及存储介质
Jin et al. A group-based traffic signal control with adaptive learning ability
US9062984B2 (en) Technique for processing cartographic data for determining energy-saving routes
US20230358554A1 (en) Routing graph management in autonomous vehicle routing
Patel et al. Effects of autonomous vehicle behavior on arterial and freeway networks
WO2022257283A1 (zh) 车辆避障方法、装置、电子设备及存储介质
Mladenović et al. Self-organizing control framework for driverless vehicles
US11462101B2 (en) Non-essential autonomous vehicle rerouting
Krupitzer et al. Towards infrastructure-aided self-organized hybrid platooning
CN104021664A (zh) 汽车协同编队行驶的动态路径规划方法
Sun et al. Microscopic simulation and optimization of signal timing based on multi-agent: A case study of the intersection in Tianjin
CN116917827A (zh) 驾驶仿真中的代理转换
CN115547023A (zh) 一种车辆控制方法、装置及系统
US20240132109A1 (en) Vehicle Control Method, Apparatus, and System
Liu et al. Real-time traffic impedance and priority based cooperative path planning mechanism for SOC-ITS: Efficiency and equilibrium
CN115752499A (zh) 路径规划方法、装置、终端设备及车辆
US20230256999A1 (en) Simulation of imminent crash to minimize damage involving an autonomous vehicle
CN113587950B (zh) 自动驾驶汽车静态路径规划方法、装置及存储介质
WO2022047476A1 (en) Autonomous vehicle planned route prediction
Echeto et al. Swarm modelling considering autonomous vehicles for traffic jam assist simulation
WO2020034887A1 (zh) 智能体行进路径的确定方法及装置

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