CN109978243A - 车辆轨迹规划方法、装置、计算机设备、计算机存储介质 - Google Patents

车辆轨迹规划方法、装置、计算机设备、计算机存储介质 Download PDF

Info

Publication number
CN109978243A
CN109978243A CN201910185812.0A CN201910185812A CN109978243A CN 109978243 A CN109978243 A CN 109978243A CN 201910185812 A CN201910185812 A CN 201910185812A CN 109978243 A CN109978243 A CN 109978243A
Authority
CN
China
Prior art keywords
grid
point
destination
origin
scene information
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
Application number
CN201910185812.0A
Other languages
English (en)
Inventor
夏中谱
潘屹峰
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.)
Apollo Intelligent Technology Beijing Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201910185812.0A priority Critical patent/CN109978243A/zh
Publication of CN109978243A publication Critical patent/CN109978243A/zh
Priority to US16/811,007 priority patent/US20200292336A1/en
Priority to JP2020041773A priority patent/JP7183490B2/ja
Priority to KR1020200030926A priority patent/KR20200109275A/ko
Priority to EP20162590.2A priority patent/EP3709231A1/en
Priority to KR1020220025340A priority patent/KR102554126B1/ko
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • 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
    • G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
    • 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
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • 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
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Traffic Control Systems (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Instructional Devices (AREA)
  • Navigation (AREA)

Abstract

本发明提出一种车辆轨迹规划方法及其装置，其中车辆轨迹规划方法可以包括：将从出发地到目的地之间的道路场景划分为多个网格，对于其中含有障碍物的网格和不含有障碍物的网格分别标识相应的场景信息；构建网格标识的场景信息A与规划策略B之间的函数关系B＝f(A，W)，其中W表示神经网络模型W，并且规划策略B包含了从出发地到目的地所经过网格每个位置点的信息；根据构建的多个函数关系B＝f(A，W)，拟合得到神经网络模型W；根据神经网络模型W，得到从出发地到目的地之间的规划轨迹。

Description

车辆轨迹规划方法、装置、计算机设备、计算机存储介质
技术领域
本发明涉及机动车驾驶领域，具体涉及一种车辆轨迹规划方法、装置、计算机设备、计算机存储介质等。
背景技术
现有技术中的无人车规划算法都是根据无人车当前道路场景，遍历状态空间采样，进而根据评估函数选择最优轨迹。现有无人车轨迹规划技术的缺陷在于，首先，对于之前经历的场景，还需要重新遍历采样，造成计算资源浪费，影响到车载系统实时性；其次，评估函数选择是基于经验设计，很难做到驾驶的舒适性和安全性。
因此，现有技术中迫切需要对于无人车规划算法进行改进。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
根据本发明的第一个方面，提供了一种车辆轨迹规划方法，可以包括：
将从出发地到目的地之间的道路场景划分为多个网格，对于其中含有障碍物的网格和不含有障碍物的网格分别标识相应的场景信息；
构建网格标识的场景信息A与规划策略B之间的函数关系B＝f(A，W)，其中W表示神经网络模型W，并且规划策略B包含了从出发地到目的地所经过网格中每个位置点的信息；
根据构建的多个函数关系B＝f(A，W)，拟合得到神经网络模型W；
根据神经网络模型W，得到从出发地到目的地之间的规划轨迹。
在本发明的一个实施例中，其中将从出发地到目的地之间的道路场景划分为多个网格可以包括将每个网格进行编号。
在本发明的另一个实施例中，其中对于含有障碍物的网格和不含有障碍物的网格分别标识相应的场景信息可以包括：
对于含有障碍物的网格标识的场景信息可以包括障碍物的类型和状态，对于不含有障碍物的网格可以标识相同的场景信息。
在本发明的再一个实施例中，其中构建网格标识的场景信息A与规划策略B之间的函数关系B＝f(A，W)可以包括：
针对从出发地到目的地之间所经过的每个网格，根据特定需要，构建网格标识的场景信息A与规划策略B之间的函数关系B＝f(A，W)。
在本发明的又一个实施例中，其中特定需要可以包括时间最短、距离最短、高速优先和/或避免拥堵。
在本发明的一个实施例中，其中从出发地到目的地所经过网格中每个位置点的信息可以包括：
所经过网格中特定点的横坐标和纵坐标。
根据本发明的第二个方面，提供了一种车辆轨迹规划装置，可以包括：
网格化单元，用于将从出发地到目的地之间的道路场景划分为多个网格，对于其中含有障碍物的网格和不含有障碍物的网格分别标识相应的场景信息；
构建单元，用于构建网格标识的场景信息A与规划策略B之间的函数关系B＝f(A，W)，其中W表示神经网络模型W，并且规划策略B包含了从出发地到目的地所经过网格中每个位置点的信息；
拟合单元，用于根据构建的多个函数关系B＝f(A，W)，拟合得到神经网络模型W；
规划单元，用于根据神经网络模型W，得到从出发地到目的地之间的规划轨迹。
在本发明的一个实施例中，其中将从出发地到目的地之间的道路场景划分为多个网格包括将每个网格进行编号。
在本发明的另一个实施例中，其中对于含有障碍物的网格和不含有障碍物的网格分别标识相应的场景信息包括：
对于含有障碍物的网格标识的场景信息包括障碍物的类型和状态，对于不含有障碍物的网格标识相同的场景信息。
在本发明的再一个实施例中，其中构建网格标识的场景信息A与规划策略B之间的函数关系B＝f(A，W)包括：
针对从出发地到目的地之间所经过的每个网格，根据特定需要，构建网格标识的场景信息A与规划策略B之间的函数关系B＝f(A，W)。
在本发明的又一个实施例中，其中特定需要包括时间最短、距离最短、高速优先和/或避免拥堵。
在本发明的一个实施例中，其中从出发地到目的地所经过网格每个位置点的信息可以包括：
所经过网格中特定点的横坐标和纵坐标。
根据本发明的第三个方面，提供一种计算机设备，可以包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现如上的方法。
根据本发明的第四个方面，提供一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现如上的方法。
借助于本发明的车辆轨迹规划方法、装置等，对于之前例如人工驾驶情况下经历的场景不需要重新遍历采样，避免了计算资源浪费，保证了车载系统的实时性；另外保证了驾驶的舒适性和安全性。本发明各个实施例中提供的技术方案可以适用于无人车的情况，也可以适用于人工驾驶的情况。
上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。
图1示意性示出根据本发明第一个方面的一个实施例的车辆轨迹规划方法示意图；
图2示意性示出根据本发明第一个方面的一个实施例的将含有障碍物的网格和不含有障碍物的网格分别标识相应的场景信息的示意图；
图3示意性示出根据本发明第一个方面的一个实施例的构建网格标识的场景信息A与规划策略B之间的函数关系B＝f(A，W)的示意图；
图4示意性示出根据本发明第一个方面的一个实施例的车辆规划轨迹的示意图；
图5示意性示出根据本发明第一个方面的一个实施例的特定需要的示意图；
图6示意性示出根据本发明第一个方面的一个实施例的从出发地到目的地所经过网格中每个位置点的信息的示意图；
图7示意性示出根据本发明第二个方面的一个实施例的车辆轨迹规划装置的示意图；
图8示意性示出根据本发明第三个方面的关于计算机设备的一个实施例。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。下文还可能包括其他明确的和隐含的定义。
下面结合本发明附图1-8进行详细地描述。
图1示意性示出根据本发明第一个方面的一个实施例的车辆轨迹规划方法100的示意图，可以包括下面的步骤：
步骤102，将从出发地到目的地之间的道路场景划分为多个网格，对于其中含有障碍物的网格和不含有障碍物的网格分别标识相应的场景信息；
步骤104，构建网格标识的场景信息A与规划策略B之间的函数关系B＝f(A，W)，其中W表示神经网络模型W，并且规划策略B包含了从出发地到目的地所经过网格每个位置点的信息；
步骤106，根据构建的多个函数关系B＝f(A，W)，拟合得到神经网络模型W；
步骤108，根据神经网络模型W，得到从出发地到目的地之间的规划轨迹。
在一个实施例中，将从出发地A到目的地D之间的道路场景划分为多个网格，并且将每个网格进行编号，如在图4中示意性示出的。
如图4所示，从出发地A出发，到达目的地D，道路场景分成了5*8个网格。例如网格的编号在图4中简单示出，该5*8个网格分别编号为：
(1，1)，(1，2)，(1，3)，(1，4)，(1，5)，(1，6)，(1，7)，(1，8)；
(2，1)，(2，2)，(1，3)，(2，4)，(2，5)，(2，6)，(2，7)，(2，8)；
(3，1)，(3，2)，(3，3)，(3，4)，(3，5)，(3，6)，(3，7)，(3，8)；
(4，1)，(4，2)，(4，3)，(4，4)，(4，5)，(4，6)，(4，7)，(4，8)；
(5，1)，(5，2)，(5，3)，(5，4)，(5，5)，(5，6)，(5，7)，(5，8)。
图4示出了从出发地A到目的地D的四条可能的路径，即路径1、路径2、路径3、路径4，这四条可能的路径都可以从出发地A到达目的地D。其中有两个网格存在有障碍物，即网格(3，3)存在有障碍物1和网格(3，6)存在有障碍物2。这里的障碍物可能是本车前方行驶的汽车、或者是道路施工造成的障碍等等。假设网格划分的尺寸是适当的，障碍物1区域和障碍物2区域是不能绕过的区域，需要避让。这里所示的5*8个网格仅仅是示意性的，可以进行任何适当的划分，这一点本领域技术人员是可以理解的。
在一个实施例中，如在步骤102中提到的，其中对于含有障碍物的网格和不含有障碍物的网格分别标识相应的场景信息102可以包括：
步骤110，对于含有障碍物的网格标识的场景信息包括障碍物的类型和状态，对于不含有障碍物的网格标识相同的场景信息。例如，在使用障碍物的类型和状态等信息标识网格值时，标识障碍物1的类型为车辆，状态是运动或静止；标识障碍物2的类型为施工的土堆，状态是静止，从而加以区分。另外，在图4中所示的，对于不含有障碍物的网格可以标识相同的场景信息，例如除了网格(3，3)、(3，6)之外，其他的网格都标识为可以通行的状态信息，例如网格(1，1)，(1，2)，(2，1)，(2，2)，……(4，7)，(4，8)，(5，7)，(5，8)，都标识为畅通。
在一个实施例中，在步骤104中提到的构建网格标识的场景信息A与规划策略B之间的函数关系B＝f(A，W)可以包括：
针对从出发地A到目的地D之间所经过的每个网格，根据特定需要，构建网格标识的场景信息A与规划策略B之间的函数关系B＝f(A，W)。
例如，可以使用特定的神经网络模型W，学习网格(代表了场景信息A)到规划策略B的映射。
例如B1＝f(A1，W)，其中的B1表示规划策略，代表从出发地A到位于网格(3，2)中的点B的规划策略，A1表示从出发地A到点B的场景信息，并且表示在出发地A到位于网格(3，2)中的点B之间场景信息是畅通，不存在任何障碍物；W表示神经网络模型。
如在图4中所示的，其中出发地A在网格(3，1)中，目的地D在网格(3，8)中；障碍物1在网格(3，3)中，障碍物2在网格(3，6)中。图4中的黑点“·”代表需要考虑的节点，例如在图4中路径2上所示的A点、B点、C0点、C1点、C2点、C3点、C4点、C5点、C7点、D点，后面针对于这些节点还将进行描述。
在车辆从出发地A出发时，开始计算从出发地的网格(3，1)到下一个网格的路径选择，例如通过B1＝f(A1，W)，根据特定需要，例如时间最短、距离最短、高速优先和/或避免拥堵等因素，可以选择下一个网格是(3，2)，即网格(3，2)中的B点，如在上面提到的，A1表示从出发地A到点B的场景信息，B1表示从出发地A到点B的规划策略。
在即将到达网格(3，2)中的B点时，需要选择绕过障碍物1，例如规划策略B2＝f(A2，W)选择路径1、路径2、路径3、路径4中的任一条。例如根据时间最短等因素，可能选择路径2。
在选择路径2的情况下，例如通过规划策略B2＝f(A2，W)，根据时间最短等因素，选择下一个点是网格(2，2)边缘的C0点，A2表示从点B到点C0的场景信息，B2表示从点B到点C0的规划策略。
在即将到达网格(2，2)边缘的C0点时，例如通过规划策略B3＝f(A3，W)，根据时间最短等因素，选择下一个点是网格(2，3)边缘的C1点，A3表示从点C0到点C1的场景信息，B3表示从点C0到点C1的规划策略。
在即将到达网格(2，3)边缘的C1点时，例如通过规划策略B4＝f(A4，W)，根据时间最短等因素，选择下一个点是网格(2，4)边缘的C2点，A4表示从点C1到点C2的场景信息，B4表示从点C1到点C2的规划策略。
在即将到达网格(2，4)边缘的C2点时，例如通过规划策略B5＝f(A5，W)，根据时间最短等因素，选择下一个点是网格(2，5)边缘的C3点，A5表示从点C2到点C3的场景信息，B5表示从点C2到点C3的规划策略。
在即将到达网格(2，5)边缘的C3点时，例如通过规划策略B6＝f(A6，W)，根据时间最短等因素，选择下一个点是网格(2，6)边缘的C4点，A6表示从点C3到点C4的场景信息，B6表示从点C3到点C4的规划策略。
在即将到达网格(2，6)边缘的C4点时，例如通过规划策略B7＝f(A7，W)，根据时间最短等因素，选择下一个点是网格(2，7)边缘的C5点，A7表示从点C4到点C5的场景信息，B7表示从点C4到点C5的规划策略。
在即将到达网格(2，7)边缘的C5点时，例如通过规划策略B8＝f(A8，W)，根据时间最短等因素，选择下一个点是网格(2，7)内部的C6点，A8表示从点C5到点C6的场景信息，B8表示从点C5到点C6的规划策略。
在即将到达网格(2，7)内部的C6点时，例如通过规划策略B9＝f(A9，W)，根据时间最短等因素，选择下一个点是网格(3，7)边缘的C7点，A9表示从点C6到点C7的场景信息，B9表示从点C6到点C7的规划策略。
在即将到达网格(3，7)边缘的C7点时，例如通过规划策略B10＝f(A10，W)，根据时间最短等因素，选择下一个点是网格(3，8)内部的D点(即，目的地点)，A10表示从点C7到点D的场景信息，B10表示从点C7到点D的规划策略。
需要说明的是，上述选择的路径1仅仅是作为实例，是在选择时间最短情况下得到的路径选择。
备选的，从出发地A出发，到达目的地D的规划策略有可能是选择路径3的规划策略，这是因为在所有的路径中，路径3满足距离最短的特定需要。
备选的，从出发地A出发，到达目的地D的规划策略有可能是选择路径1的规划策略，这是因为在所有的路径中，路径1满足高速优先的特定需要。
备选的，从出发地A出发，到达目的地D的规划策略有可能是选择路径4的规划策略，这是因为在所有的路径中，路径4满足躲避拥堵的特定需要。
在选择路径3、1、4等的情况下，同样也会进行类似的映射操作，最终到达目的地D所在的网格(3，8)。
需要指出的是，图4所示的网格划分方法仅仅是示意性的，在出发地A与目的地D之间有可能存在多条可能的路径。基于每条路径(对应于每项或几项特定需要)，需要进行类似的映射和计算
在本发明的一个实施例中，在步骤104中提到的，从出发地A到目的地D所经过网格中每个位置点的信息可以包括所经过网格中特定点的横坐标和纵坐标。
例如在从出发地A所在的网格(3，1)出发时，规划策略B1包含了到达网格(3，2)中的具体哪个节点的位置信息，例如到达网格(3，2)中B点的位置信息(ΔX1，ΔY1)，其中的数值ΔX1表示B点距离网格(3，2)的左下角点(M点，M点假设为起始点)在横坐标上的距离，其中的数值ΔY1表示B点距离网格(3，2)的左下角点(M点，M点假设为起始点)在纵坐标上的距离。同样假设每个其他网格的左下角点为对应网格的起始点(未示出)。例如在图4中示出了网格(3，2)的左下角的点M为网格(3，2)的起始点。
在选择路径2的情况下，如在上面提到的，通过规划策略B2＝f(A2，W)，根据时间最短等因素，选择下一个点是网格(2，2)边缘的C0点，这时给出的规划策略包含了将到达网格的位置(网格(2，2)边缘点C0)及相应端点C0的位置信息(ΔX2，ΔY2)。
在即将到达网格(2，2)边缘的C0点时，例如通过规划策略B3＝f(A3，W)，根据时间最短等因素，选择下一个点是网格(2，3)边缘的C1点，这时给出的规划策略包含了将到达网格的位置(网格(2，3)边缘点C1)及相应端点C1的位置信息(ΔX3，ΔY3)。
在即将到达网格(2，3)边缘的C1点时，例如通过规划策略B4＝f(A4，W)，根据时间最短等因素，选择下一个点是网格(2，4)边缘的C2点，这时给出的规划策略包含了将到达网格的位置(网格(2，4)边缘点C2)及相应端点C2的位置信息(ΔX4，ΔY4)。
在即将到达网格(2，4)边缘的C2点时，例如通过规划策略B5＝f(A5，W)，根据时间最短等因素，选择下一个点是网格(2，5)边缘的C3点，这时给出的规划策略包含了将到达网格的位置(网格(2，5)边缘点C3)及相应端点C3的位置信息(ΔX5，ΔY5)。
在即将到达网格(2，5)边缘的C3点时，例如通过规划策略B6＝f(A6，W)，根据时间最短等因素，选择下一个点是网格(2，6)边缘的C4点，这时给出的规划策略包含了将到达网格的位置(网格(2，6)边缘点C4)及相应端点C4的位置信息(ΔX6，ΔY6)。
在即将到达网格(2，6)边缘的C4点时，例如通过规划策略B7＝f(A7，W)，根据时间最短等因素，选择下一个点是网格(2，7)边缘的C5点，这时给出的规划策略包含了将到达网格的位置(网格(2，7)边缘点C5)及相应端点C5的位置信息(ΔX7，ΔY7)。
在即将到达网格(2，7)边缘的C5点时，例如通过规划策略B8＝f(A8，W)，根据时间最短等因素，选择下一个点是网格(2，7)内部的C6点，这时给出的规划策略包含了将到达网格的位置(网格(2，7)内部的点C6)及相应点C6的位置信息(ΔX8，ΔY8)。
在即将到达网格(2，7)内部的C6点时，例如通过规划策略B9＝f(A9，W)，根据时间最短等因素，选择下一个点是网格(3，7)边缘的C7点，这时给出的规划策略包含了将到达网格的位置(网格(3，7)边缘点C7)及相应点C7的位置信息(ΔX9，ΔY9)。
在即将到达网格(3，7)边缘的C7点时，例如通过规划策略B10＝f(A10，W)，根据时间最短等因素，选择下一个点是网格(3，8)内部的D点(即，目的地点)，这时给出的规划策略包含了将到达网格的位置(网格(3，8)内部的点D)及相应点D的位置信息(ΔX10，ΔY10)。
在选择路径3、1、4等的情况下，同样也会进行类似的计算，最终到达目的地D所在的网格(3，8)中的D点，从而得到将到达网格的多个位置及相应的位置信息。
还需要指出的是，在本发明的各个实施例中提到的术语“位置信息”包含了选择这个位置的概率信息。例如在图4的点C6与目的地D之间是一条直线，包含了所经过的C7点，在点C6与目的地D之间有可能采取弧形或者其他形状的路线，在这样的情况下，有可能不会选择C7点作为经过的点。因此在每种选择中包含了所选择每个点的概率信息，这一点本领域技术人员是不难理解的。
在一个实施例中，在步骤106提到了，根据构建的多个函数关系B＝f(A，W)，拟合得到神经网络模型W。
例如根据上述得到的数据进行处理，生成了大量的网格(场景信息A)与规划策略B(B1、B2、B3、B4……Bn)之间对应的函数关系数据，或者称为标注数据，例如在选择路径2情况下，得到下述函数关系：
B1＝f(A1，W)，
B2＝f(A2，W)，
B3＝f(A3，W)，
……
Bn＝f(An，W)；
例如在选择路径3情况下，得到下述函数关系：
B1'＝f(A1'，W)，
B2'＝f(A2'，W)，
B3'＝f(A3'，W)，
……
Bn'＝f(An'，W)；
例如在选择路径1情况下，得到下述函数关系：
B1”＝f(A1”，W)，
B2”＝f(A2”，W)，
B3”＝f(A3”，W)，
……
Bn”＝f(An”，W)；
例如在选择路径4情况下，得到下述函数关系：
B1”'＝f(A1”'，W)，
B2”'＝f(A2”'，W)，
B3”'＝f(A3”'，W)，
……
Bn”'＝f(An”'，W)；
等等。
从而根据上述函数关系可以拟合得到神经网络模型W。
在一个实施例中，在步骤108提到了，根据神经网络模型W，得到从出发地A到目的地D之间的规划轨迹。
例如基于拟合得到的神经网络模型W，在输入出发地A、目的地D的信息之后，神经网络模型W就可能推荐从出发地A出发，到达目的地D的规划策略是选择路径2的规划策略(路径2满足时间最短的要求)。
备选的，神经网络模型W有可能推荐从出发地A出发，到达目的地D的规划策略是选择路径3的规划策略(路径3满足距离最短的要求)。
备选的，神经网络模型W有可能推荐从出发地A出发，到达目的地D的规划策略是选择路径1的规划策略(路径1满足高速优先的要求)。
备选的，神经网络模型W就可能推荐从出发地A出发，到达目的地D的规划策略是选择路径4的规划策略(路径4满足躲避拥堵的要求)。
图7示出了根据本发明的第二个方面的一种车辆轨迹规划装置200，可以包括：
网格化单元202，用于将从出发地到目的地之间的道路场景划分为多个网格，对于其中含有障碍物的网格和不含有障碍物的网格分别标识相应的场景信息；
构建单元204，用于构建网格标识的场景信息A与规划策略B之间的函数关系B＝f(A，W)，其中W表示神经网络模型W，并且规划策略B包含了从出发地到目的地所经过网格每个位置点的信息；
拟合单元206，用于根据构建的多个函数关系B＝f(A，W)，拟合得到神经网络模型W；
规划单元208，用于根据神经网络模型W，得到从出发地到目的地之间的规划轨迹。
在本发明的一个实施例中，将从出发地到目的地之间的道路场景划分为多个网格可以包括将每个网格进行编号。
在本发明的另一个实施例中，其中对于含有障碍物的网格和不含有障碍物的网格分别标识相应的场景信息可以包括：
对于含有障碍物的网格标识的场景信息包括障碍物的类型和状态，对于不含有障碍物的网格标识相同的场景信息。
在本发明的再一个实施例中，其中构建网格标识的场景信息A与规划策略B之间的函数关系B＝f(A，W)可以包括：
针对从出发地到目的地之间所经过的每个网格，根据特定需要，构建网格标识的场景信息A与规划策略B之间的函数关系B＝f(A，W)。
在本发明的又一个实施例中，其中特定需要包括时间最短、距离最短、高速优先和/或避免拥堵。
在本发明的一个实施例中，其中从出发地到目的地所经过网格每个位置点的信息可以包括：
所经过网格中特定点的横坐标和纵坐标。
在根据本发明第三方面的实施例中，提供了一种计算机设备，可以包括：一个或多个处理器；存储装置，用于存储一或多个程序；当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现如上的方法。
在根据本发明第四方面的实施例中，提供了一种计算机可读存储介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现如上的方法。
图8示出根据本发明实施例的计算机设备的结构框图。如图8所示，该计算机设备包括：存储器310和处理器320，存储器310内存储有可在处理器320上运行的计算机程序。所述处理器320执行所述计算机程序时实现上述实施例中的车辆轨迹规划方法。所述存储器310和处理器320的数量可以为一个或多个。
该装置/设备/终端/服务器还包括：
通信接口330，用于与外界设备进行通信，进行数据交互传输。
存储器310可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
如果存储器310、处理器320和通信接口330独立实现，则存储器310、处理器320和通信接口330可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(ISA，Industry Standard Architecture)总线、外部设备互连(PCI，PeripheralComponent)总线或扩展工业标准体系结构(EISA，Extended Industry StandardComponent)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器310、处理器320及通信接口330集成在一块芯片上，则存储器310、处理器320及通信接口330可以通过内部接口完成相互间的通信。
本发明实施例提供了一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现上述实施例中任一所述的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (14)

1.一种车辆轨迹规划方法，其特征在于，包括：
将从出发地到目的地之间的道路场景划分为多个网格，对于其中含有障碍物的网格和不含有障碍物的网格分别标识相应的场景信息；
构建所述网格标识的场景信息A与规划策略B之间的函数关系B＝f(A，W)，其中W表示神经网络模型W，并且所述规划策略B包含了从出发地到目的地所经过网格中每个位置点的信息；
根据所述构建的多个函数关系B＝f(A，W)，拟合得到所述神经网络模型W；
根据所述神经网络模型W，得到从出发地到目的地之间的规划轨迹。
2.根据权利要求1所述的车辆轨迹规划方法，其中所述将从出发地到目的地之间的道路场景划分为多个网格包括将每个所述网格进行编号。
3.根据权利要求2所述的车辆轨迹规划方法，其中所述对于含有障碍物的网格和不含有障碍物的网格分别标识相应的场景信息包括：
对于含有障碍物的网格标识的场景信息包括障碍物的类型和状态，对于不含有障碍物的网格标识相同的场景信息。
4.根据权利要求3所述的车辆轨迹规划方法，其中所述构建所述网格标识的场景信息A与规划策略B之间的函数关系B＝f(A，W)包括：
针对从出发地到目的地之间所经过的每个网格，根据特定需要，构建所述网格标识的场景信息A与规划策略B之间的函数关系B＝f(A，W)。
5.根据权利要求4所述的车辆轨迹规划方法，其中所述特定需要包括时间最短、距离最短、高速优先和/或避免拥堵。
6.根据权利要求5所述的车辆轨迹规划方法，其中所述从出发地到目的地所经过网格中每个位置点的信息包括：
所经过网格中特定点的横坐标和纵坐标。
7.一种车辆轨迹规划装置，其特征在于，包括：
网格化单元，用于将从出发地到目的地之间的道路场景划分为多个网格，对于其中含有障碍物的网格和不含有障碍物的网格分别标识相应的场景信息；
构建单元，用于构建所述网格标识的场景信息A与规划策略B之间的函数关系B＝f(A，W)，其中W表示神经网络模型W，并且所述规划策略B包含了从出发地到目的地所经过网格每个位置点的信息；
拟合单元，用于根据所述构建的多个函数关系B＝f(A，W)，拟合得到所述神经网络模型W；
规划单元，用于根据所述神经网络模型W，得到从出发地到目的地之间的规划轨迹。
8.根据权利要求7所述的车辆轨迹规划装置，其中所述将从出发地到目的地之间的道路场景划分为多个网格包括将每个所述网格进行编号。
9.根据权利要求8所述的车辆轨迹规划装置，其中所述对于含有障碍物的网格和不含有障碍物的网格分别标识相应的场景信息包括：
对于含有障碍物的网格标识的场景信息包括障碍物的类型和状态，对于不含有障碍物的网格标识相同的场景信息。
10.根据权利要求9所述的车辆轨迹规划装置，其中所述构建所述网格标识的场景信息A与规划策略B之间的函数关系B＝f(A，W)包括：
针对从出发地到目的地之间所经过的每个网格，根据特定需要，构建所述网格标识的场景信息A与规划策略B之间的函数关系B＝f(A，W)。
11.根据权利要求10所述的车辆轨迹规划装置，其中所述特定需要包括时间最短、距离最短、高速优先和/或避免拥堵。
12.根据权利要求11所述的车辆轨迹规划装置，其中所述从出发地到目的地所经过网格中每个位置点的信息包括：
所经过网格中特定点的横坐标和纵坐标。
13.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-6中任一项所述的方法。
14.一种计算机可读存储介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
CN201910185812.0A 2019-03-12 2019-03-12 车辆轨迹规划方法、装置、计算机设备、计算机存储介质 Pending CN109978243A (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN201910185812.0A CN109978243A (zh) 2019-03-12 2019-03-12 车辆轨迹规划方法、装置、计算机设备、计算机存储介质
US16/811,007 US20200292336A1 (en) 2019-03-12 2020-03-06 Vehicle track planning method, device, computer device and computer-readable storage medium
JP2020041773A JP7183490B2 (ja) 2019-03-12 2020-03-11 車両軌跡計画方法、装置、コンピュータ設備、コンピュータ可読記憶媒体、及びプログラム
KR1020200030926A KR20200109275A (ko) 2019-03-12 2020-03-12 차량 궤적 계획 방법, 장치, 컴퓨터 장치, 컴퓨터 저장 매체
EP20162590.2A EP3709231A1 (en) 2019-03-12 2020-03-12 Vehicle track planning method, device, computer device and computer-readable storage medium
KR1020220025340A KR102554126B1 (ko) 2019-03-12 2022-02-25 차량 궤적 계획 방법, 장치, 컴퓨터 장치, 컴퓨터 저장 매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910185812.0A CN109978243A (zh) 2019-03-12 2019-03-12 车辆轨迹规划方法、装置、计算机设备、计算机存储介质

Publications (1)

Publication Number Publication Date
CN109978243A true CN109978243A (zh) 2019-07-05

Family

ID=67078599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910185812.0A Pending CN109978243A (zh) 2019-03-12 2019-03-12 车辆轨迹规划方法、装置、计算机设备、计算机存储介质

Country Status (5)

Country Link
US (1) US20200292336A1 (zh)
EP (1) EP3709231A1 (zh)
JP (1) JP7183490B2 (zh)
KR (2) KR20200109275A (zh)
CN (1) CN109978243A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111831765A (zh) * 2020-03-10 2020-10-27 北京嘀嘀无限科技发展有限公司 数据处理方法、装置、电子设备和可读存储介质
CN113115622A (zh) * 2021-03-08 2021-07-16 深圳拓邦股份有限公司 视觉机器人避障控制方法、装置及割草机器人
CN113781132A (zh) * 2020-06-15 2021-12-10 北京沃东天骏信息技术有限公司 一种线上导购方法和装置
CN115235501A (zh) * 2022-09-20 2022-10-25 江苏天一航空工业股份有限公司 一种物流散装货物装载车行驶轨迹规划控制系统及方法
CN115577574A (zh) * 2022-12-08 2023-01-06 西南交通大学 一种导流栏杆位置计算方法、装置、设备及可读存储介质

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633590B (zh) * 2020-12-30 2024-04-30 江苏智库智能科技有限公司 一种用于四向穿梭车的智能入库方法及系统
CN114815825B (zh) * 2022-04-21 2024-07-12 合众新能源汽车股份有限公司 确定车辆最优行驶轨迹方法和装置
CN115657674B (zh) * 2022-10-26 2023-05-05 宝开(上海)智能物流科技有限公司 一种基于图神经网络的分布式路径规划方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006022365B3 (de) * 2006-05-12 2007-08-02 Hummel, Heinrich, Dipl.-Math. Multipath - vorwärts und rückwärts
US20100082194A1 (en) * 2007-07-18 2010-04-01 Hidenori Yabushita Path planning device and method, cost evaluation device, and moving body
US20100256852A1 (en) * 2009-04-06 2010-10-07 Gm Global Technology Operations, Inc. Platoon vehicle management
CN107817798A (zh) * 2017-10-30 2018-03-20 洛阳中科龙网创新科技有限公司 一种基于深度学习系统的农用机械避障方法
CN108536157A (zh) * 2018-05-22 2018-09-14 上海迈陆海洋科技发展有限公司 一种智能水下机器人及其系统、物标跟踪方法
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
US20180341881A1 (en) * 2017-05-23 2018-11-29 Uber Technologies, Inc. Post-trip optimization for autonomous vehicles
CN109343532A (zh) * 2018-11-09 2019-02-15 中国联合网络通信集团有限公司 一种动态随机环境的路径规划方法和装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3544577B2 (ja) * 1995-03-30 2004-07-21 株式会社日立製作所 経路選択装置
KR101022785B1 (ko) * 2008-09-17 2011-03-17 포항공과대학교 산학협력단 신경망과 진화연산을 이용한 로봇의 환경 지도 작성 방법
KR101105325B1 (ko) * 2009-09-08 2012-01-16 부산대학교 산학협력단 실제 로봇의 다중 경로계획 방법
JP2013160504A (ja) * 2012-02-01 2013-08-19 Toyota Motor Corp 移動体の走行支援装置及び移動体の走行支援方法
JP6669640B2 (ja) * 2016-12-15 2020-03-18 本田技研工業株式会社 軌道評価装置、軌道評価方法、および軌道評価プログラム
SG11201811270WA (en) * 2017-07-13 2019-02-27 Beijing Didi Infinity Technology & Development Co Ltd Systems and methods for trajectory determination
US10948300B2 (en) * 2018-12-27 2021-03-16 Beijing Voyager Technology Co., Ltd. Systems and methods for path determination

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006022365B3 (de) * 2006-05-12 2007-08-02 Hummel, Heinrich, Dipl.-Math. Multipath - vorwärts und rückwärts
US20100082194A1 (en) * 2007-07-18 2010-04-01 Hidenori Yabushita Path planning device and method, cost evaluation device, and moving body
US20100256852A1 (en) * 2009-04-06 2010-10-07 Gm Global Technology Operations, Inc. Platoon vehicle management
US20180341881A1 (en) * 2017-05-23 2018-11-29 Uber Technologies, Inc. Post-trip optimization for autonomous vehicles
CN107817798A (zh) * 2017-10-30 2018-03-20 洛阳中科龙网创新科技有限公司 一种基于深度学习系统的农用机械避障方法
CN108536157A (zh) * 2018-05-22 2018-09-14 上海迈陆海洋科技发展有限公司 一种智能水下机器人及其系统、物标跟踪方法
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
CN109343532A (zh) * 2018-11-09 2019-02-15 中国联合网络通信集团有限公司 一种动态随机环境的路径规划方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
韩海玲: ""基于城市路网的最短路径算法研究与应用"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111831765A (zh) * 2020-03-10 2020-10-27 北京嘀嘀无限科技发展有限公司 数据处理方法、装置、电子设备和可读存储介质
CN111831765B (zh) * 2020-03-10 2024-05-31 北京嘀嘀无限科技发展有限公司 数据处理方法、装置、电子设备和可读存储介质
CN113781132A (zh) * 2020-06-15 2021-12-10 北京沃东天骏信息技术有限公司 一种线上导购方法和装置
CN113115622A (zh) * 2021-03-08 2021-07-16 深圳拓邦股份有限公司 视觉机器人避障控制方法、装置及割草机器人
CN115235501A (zh) * 2022-09-20 2022-10-25 江苏天一航空工业股份有限公司 一种物流散装货物装载车行驶轨迹规划控制系统及方法
CN115235501B (zh) * 2022-09-20 2022-12-09 江苏天一航空工业股份有限公司 一种物流散装货物装载车行驶轨迹规划控制系统及方法
CN115577574A (zh) * 2022-12-08 2023-01-06 西南交通大学 一种导流栏杆位置计算方法、装置、设备及可读存储介质
CN115577574B (zh) * 2022-12-08 2023-03-10 西南交通大学 一种导流栏杆位置计算方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
EP3709231A1 (en) 2020-09-16
JP2020148776A (ja) 2020-09-17
KR102554126B1 (ko) 2023-07-12
KR20200109275A (ko) 2020-09-22
JP7183490B2 (ja) 2022-12-06
US20200292336A1 (en) 2020-09-17
KR20220034748A (ko) 2022-03-18

Similar Documents

Publication Publication Date Title
CN109978243A (zh) 车辆轨迹规划方法、装置、计算机设备、计算机存储介质
CN110364009A (zh) 基于路侧设备的行驶规划方法、装置、路侧设备和存储介质
CN109813328A (zh) 一种驾驶路径规划方法、装置及车辆
DE112020004566T5 (de) Sicherheitsmodul, automatisiertes fahrsystem und verfahren dafür
CN109703569A (zh) 一种信息处理方法、装置及存储介质
JP6012777B2 (ja) 経由地点設定装置及び経由地点設定プログラム
CN108733046A (zh) 用于自动驾驶车辆的轨迹重新规划的系统和方法
CA2746322A1 (en) System and method for efficient routing on a network in the presence of multiple-edge restrictions and other constraints
CN104776855B (zh) 一种交叉路口的导航方法和装置
CN109871017A (zh) 自动驾驶参考线调用方法、装置和终端
US20150105937A1 (en) Method for Representing Vehicle Surroundings
JP2015519642A5 (zh)
CN109387210A (zh) 车辆导航方法及其装置
CN109658721A (zh) 交通标志显示装置、识别方法、装置、设备和介质
CN109901575A (zh) 车辆路线规划调试方法、装置、设备及计算机可读介质
CN109782776A (zh) 无人车的车道选择方法、装置及存储介质
CN102564429A (zh) 一种交通信息导航方法及装置
CN108225351A (zh) 导航路径规划方法及装置
CN111161545A (zh) 基于视频的交叉口区域交通参数统计方法
CN109855641A (zh) 预测运动轨迹的方法、装置、存储介质和终端设备
CN109631929A (zh) 基于黑名单的重导航方法、装置及存储介质
CN109799823A (zh) 一种海洋测量方法、电子设备及存储介质
JP5194828B2 (ja) 道路ネットワーク突合プログラム、方法及びシステム
CN109631932A (zh) 基于电子地图的路口显示方法、装置、设备和存储介质
CN109828561A (zh) 自动驾驶方法、装置、电子设备及可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20211011

Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085

Applicant after: Apollo Intelligent Technology (Beijing) Co.,Ltd.

Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085

Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd.