CN110015306A - 驾驶轨迹获取方法及装置 - Google Patents
驾驶轨迹获取方法及装置 Download PDFInfo
- Publication number
- CN110015306A CN110015306A CN201810022810.5A CN201810022810A CN110015306A CN 110015306 A CN110015306 A CN 110015306A CN 201810022810 A CN201810022810 A CN 201810022810A CN 110015306 A CN110015306 A CN 110015306A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driving
- coefficient
- item
- driver
- 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
Links
Classifications
-
- 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
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/005—Handover processes
- B60W60/0051—Handover processes from occupants to 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
- 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
-
- 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
- B60W40/08—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 drivers or passengers
- B60W40/09—Driving style or behaviour
-
- 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
- B60W40/10—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 vehicle motion
- B60W40/105—Speed
-
- 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
- B60W40/10—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 vehicle motion
- B60W40/107—Longitudinal acceleration
-
- 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
- B60W40/10—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 vehicle motion
- B60W40/109—Lateral acceleration
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0013—Planning or execution of driving tasks specially adapted for occupant comfort
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/005—Handover processes
- B60W60/0053—Handover processes from vehicle to occupant
-
- 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
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
-
- 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
-
- 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
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying 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
- 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
- B60W40/08—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 drivers or passengers
- B60W2040/0809—Driver authorisation; Driver identical check
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/12—Lateral speed
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/12—Lateral speed
- B60W2520/125—Lateral acceleration
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/14—Yaw
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/30—Driving style
-
- 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
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4042—Longitudinal speed
-
- 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
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/801—Lateral distance
-
- 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
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/802—Longitudinal distance
-
- 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
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/803—Relative lateral speed
-
- 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
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/804—Relative longitudinal speed
Abstract
本发明公开了一种驾驶轨迹获取方法,包括:获取车辆A的驾驶员的驾驶风格系数;根据所述车辆A的驾驶员的驾驶风格系数,计算得到所述车辆A的驾驶员的代价函数,所述代价函数用于表征所述车辆A从所述车辆A的驾驶轨迹的初始节点到当前节点所付出的代价;根据所述代价函数在第一三维时空地图上计算得到所述车辆A的驾驶轨迹本发明公开了一种驾驶轨迹获取装置。采用本发明实施例的方案得到的驾驶轨迹能够匹配所有驾驶员的驾驶风格,提高了驾驶员对驾驶轨迹的满意度,缩短了驾驶员使用人工驾驶的磨合期。
Description
技术领域
本发明涉及汽车驾驶领域,尤其涉及一种驾驶轨迹获取方法及装置。
背景技术
自动驾驶或无人驾驶是现有汽车技术和高级驾驶辅助系统的未来发展趋势,这对道路交通的安全、效率和燃油经济性都会带来极大且可持续的改善。其关键技术之一是自主决策,包括路线导航、情景识别、行为决策和轨迹规划等四个部分。轨迹规划的主要目的是:在考虑车辆动力学特性、周围动态障碍物、交通法规和道路限制等因素的情况下,为本车提供一条通往目的地的安全、舒适、可执行的轨迹。
同一辆车有不同的驾驶员,每个驾驶员有不同的驾驶风格,并且同一驾驶员的驾驶风格会随着周边车辆驾驶环境的变化而变化。当前的轨迹规划算法主要从车辆的可运动性,舒适性和安全性出发,对任何驾驶员使用相同的标准,因此这样规划出来的驾驶轨迹不能匹配所有驾驶员,个性化较差。
发明内容
本发明实施例提供一种驾驶轨迹获取方法及装置,采用本发明实施例的方案得到的驾驶轨迹能够匹配所有驾驶员的驾驶风格,缩短了驾驶员使用人工驾驶的磨合期。
第一方面,本发明实施例提供一种驾驶轨迹获取方法,包括:
获取车辆A的驾驶员的驾驶风格系数;
根据所述车辆A的驾驶员的驾驶风格系数,计算得到所述车辆A的驾驶员的代价函数,所述代价函数用于表征所述车辆A的从所述车辆A的驾驶轨迹的初始节点到当前节点所付出的代价;
根据所述驾驶员的代价函数在第一三维时空地图上计算得到所述车辆A的驾驶轨迹。与现有技术相比,在计算得到上述车辆A的驾驶轨迹的过程中,考虑了车辆A的驾驶员的驾驶风格系数,提高了驾驶员对计算得到的驾驶轨迹的满意度,缩短了车辆A的驾驶员使用人工驾驶的磨合期。
在一种可行的实施例中,所述获取车辆A的驾驶员的驾驶风格系数,包括:
当接收到自动驾驶指令时,识别所述车辆A的驾驶员的身份标识;
根据所述车辆A的驾驶员的身份标识,获取所述车辆A的驾驶员的驾驶风格系数。
在一种可行的实施例中,所述根据所述代价函数在第一三维时空地图上计算得到车辆A的驾驶轨迹,包括:
通过计算所述车辆A的驾驶轨迹的节点的位置信息,以得到所述车辆A的驾驶轨迹;其中,根据所述车俩A的驾驶轨迹中的第一节点的位置信息按照以下方法计算得到与所述第一节点相邻的且位于所述第一节点之后的第二节点的位置信息:
根据所述第一节点的位置信息、所述车辆A的加速度变化集合A和横摆角变化集合Θ计算得到NA*NΘ个候选节点的位置信息,所述NA为所述横摆角变化集合A中元素的个数,所述NΘ为所述加速度变化集合Θ中元素的个数,所述NA和所述NΘ均为大于1的整数;
根据启发函数和所述代价函数对所述NA*NΘ个候选节点的位置信息中的每个候选节点的位置信息进行评估,以得到第二节点的位置信息,其中,所述第二节点的位置信息为所述NA*NΘ个候选节点的位置信息中评估值最小的节点的位置信息,所述启发函数用于表征所述车辆A从所述第一节点到所述车辆A的轨迹的终点所需要付出代价。
在一种可行的实施例中,所述车辆A的驾驶轨迹中在时间相邻的两个节点的间隔为Δt,所述第一节点的位置信息为(Xt,Yt,Vt,θt),所述Xt,Yt,Vt,θt分别为时刻t时所述车辆A在所述第一三维时空地图上的横坐标和纵坐标,线速度与横摆角,所述根据所述第一节点的位置信息、所述车辆A的加速度变化集合A和横摆角变化集合Θ计算得到NA*NΘ个候选节点中的第k个候选节点的位置信息为
其中,所述分别为所述第k个候选节点的横坐标、纵坐标、线速度和横摆角,所述所述所述所述所述所述θ为所述横摆角变化空间A中的任一元素,所述a为所述加速度变化空间Θ中的任一元素。
在一种可行的实施例中,所述代价函数为根据安全项S,舒适项C、合规项R和效率项T中至少一个构建的函数;其中,所述安全项S,舒适项C、合规项R和效率项T为所述车辆A的驾驶员的驾驶习惯参数,所述安全项S用于表征所述车辆A的跟车习惯和与周围障碍物保持的安全距离;所述舒适项C用于表征所述车辆A的车速的变化程度和加速度的变化程度;所述合规项R用于表征所述车辆A是否遵守交通规则;所述效率项T用于表征到达目的地的时间,避让障碍物时刹车和转向的优先级,以及所述车辆A与其周边车辆博弈过程中的抢行和让行行为。
在一种可行的实施例中,所述代价函数为:
G=w1S+w2C+w3R+w4T
其中,所述w1,w2,w3和w4为所述车辆A的驾驶员的驾驶风格系数。
在一种可行的实施例中,所述安全项S根据所述车辆A与其前车之间的纵向距离、所述车辆A的纵向速度与其前车的纵向速度的差值和所述车辆A与其左右相邻的车辆之间的横向距离确定;所述舒适项C根据所述车辆A的实际速度与所述车辆A的期望速度的差值和所述车辆A的实际加速度和所述车辆A的期望加速度的差值确定;所述合规项R根据所述车辆A期望其所在位置的横坐标与所述车辆A所在行车道的车道中心线的横坐标的差值、所述车辆A期望其所在位置的纵坐标与所述车辆A所在行车道的车道中心线的纵坐标的差值和所述车辆A的期望速度与所述车辆A所在车道允许的最大速度的差值确定;所述效率项T根据所述车辆A的当前位置的横坐标与所述车辆A的期望位置的横坐标的差值和所述车辆A的当前位置的纵坐标与所述车辆A的期望位置的纵坐标的差值确定
在一种可行的实施例中,所述安全项S、所述舒适项C、所述合规项R和所述效率项T分别表示为:
C=(ΔV)2+(ΔA)2;
R=(Xdesired-Xcenterline)2+(Ydesired-Ycenterline)2+(Vdesired-Vlimit)2;
T=(Xdesired-Xcurrent)2+(Ydesired-Ycurrent)2;
其中,所述c1,c2,c3,c4和p为常数,所述Δd为所述车辆A与其前车之间的纵向距离,所述Δl为所述车辆A与其左右相邻的车辆之间的横向距离,所述Δv为所述车辆A的纵向速度与其前车的纵向速度的差值;所述ΔV为所述车辆A的实际速度与所述车辆A的期望速度的差值,所述ΔA为所述车辆A的实际加速度和所述车辆A的期望加速度的差值;所述Xdesired和所述Ydesired分别为所述车辆A期望位置的横坐标和纵坐标,所述Xcenterline和Ycenterline分别为所述车辆A所在车道的车道中心线的横坐标和纵坐标,所述Vlimit为所述车辆A所在车道的允许的最大速度,所述Vdesired为该车辆A的期望速度;所述Xcurrent和所述Ycurrent分别为所述车辆A当前位置的横坐标和纵坐标。与现有技术相比,将驾驶员的驾驶习惯参数化,从而使得在计算车辆A的驾驶轨迹的过程中方便将驾驶员的驾驶风格考虑其中。
在一种可行的实施例中,所述根据所述驾驶员的代价函数在第一三维时空地图上计算得到车辆A的驾驶轨迹之前,所述方法还包括:
将二维空间地图转换成第二三维时空地图;
获取所述车辆A的周边车辆的车身安全包络区域;
将所述第二三维时空地图中所述车辆A的周边车辆的车身安全包络区域对应的区域删除,以得到所述第一三维时空地图。按照此方法得到车辆A的不可行区域,从而在计算车辆A的驾驶轨迹时有效避免车辆A的不可行区域,提高了驾驶员对计算得到的驾驶轨迹的满意度,缩短了车辆A的驾驶员使用人工驾驶的磨合期。
在一种可行的实施例中,所述获取所述车辆A的周边车辆的车身安全包络区域,包括:
根据所述车辆A的周边车辆的驾驶员的驾驶风格、速度、加速度和横摆角,计算得到所述车辆A的周边车辆的预测驾驶轨迹;
根据所述车辆A的周边车辆的预测驾驶轨迹和所述车辆A的周边车辆的驾驶员的驾驶风格确定所述车辆A的周边车辆的车身安全包络区域。
在一种可行的实施例中,在所述根据所述车辆A的周边车辆的驾驶员的驾驶风格、速度、加速度和横摆角,计算得到所述车辆A的周边车辆的预测驾驶轨迹之前,还包括:
根据所述车辆A的周边车辆的速度和加速度,计算得到所述车辆A的周边车辆的驾驶员的驾驶风格
在一种可行的实施例中,所述车辆A的周边车辆的速度包括车辆A的周边车辆的横向速度,所述车辆A的周边车辆的加速度包括车辆A的周边车辆的横向加速度,所述车辆A的周边车辆的驾驶员的驾驶风格包括横向驾驶风格;
其中,所述根据所述车辆A的周边车辆的速度和加速度,计算得到所述车辆A的周边车辆的驾驶员的驾驶风格,包括:
获取N组所述车辆A的周边车辆的横向速度和横向加速度
对所述N组所述车辆A的周边车辆的横向速度和横向加速度的第i组进行以下操作,以得到N个第一横向驾驶风格,所述i=1,2,…,N,所述N为大于1的整数:
将第i组所述车辆A的周边车辆的横向速度和横向加速度分别输入横向激进驾驶模型、横向保守驾驶模型和横向正常驾驶模型中,计算得到三个第一概率值;
根据所述三个第一概率值确定所述第一横向驾驶风格,所述第一横向驾驶风格为所述三个第一概率值中最大概率值对应的驾驶模型对应的驾驶风格;
对所述N个第一横向驾驶风格进行均值滤波,以得到所述车辆A的周边车辆的驾驶员的横向驾驶风格。
在一种可行的实施例中,所述车辆A的周边车辆的速度包括车辆A的周边车辆的纵向速度,所述车辆A的周边车辆的加速度包括车辆A的周边车辆的纵向加速度,所述车辆A的周边车辆的驾驶员的驾驶风格包括纵向驾驶风格;
其中,所述根据所述车辆A的周边车辆的速度和加速度,计算得到所述车辆A的周边车辆的驾驶员的驾驶风格,包括:
获取N组所述车辆A的周边车辆的纵向速度和纵向加速度
对所述N组所述车辆A的周边车辆的纵向速度和纵向加速度的第i组进行以下操作,以得到N个第一纵向驾驶风格,所述i=1,2,…,N,所述N为大于1的整数:
将第i组所述车辆A的周边车辆的纵向速度和纵向加速度分别输入纵向激进驾驶模型、纵向保守驾驶模型和纵向正常驾驶模型中,计算得到三个第二概率值;
根据所述三个第二概率值确定所述第一纵向驾驶风格,所述第一纵向驾驶风格为所述三个第二概率值中最大概率值对应的驾驶模型对应的驾驶风格;
对所述N个第一纵向驾驶风格进行均值滤波,以得到所述车辆A的周边车辆的驾驶员的纵向驾驶风格。与现有技术相比,在计算车辆A的驾驶轨迹过程中,考虑了周边车辆的驾驶员的驾驶风格,提高了驾驶员对车辆A的驾驶轨迹的满意度。
在一种可行的实施例中,所述方法还包括:
根据车辆运动学模型对所述车辆A的驾驶轨迹进行优化,以得到优化后的驾驶轨迹;
将所述优化后的驾驶轨迹发送至所述车辆A的控制装置。通过对车辆A的驾驶轨迹的优化,避免了车辆A的驾驶轨迹中存在车辆A在实际行驶过程中不可达的区域,提高了驾驶员对车辆A的驾驶轨迹的满意度。
在一种可行的实施例中,所述将所述优化后的驾驶轨迹发送至所述车辆的A控制装置之后,所述方法还包括:
当检测到所述车辆A的驾驶员接管所述车辆A时,获取所述车辆A的驾驶员的操作信息和周边车辆信息;
根据所述操作信息和周边车辆信息调整所述车辆A的驾驶员的驾驶风格系数,以得到调整后的驾驶风格系数;
存储所述调整后的驾驶风格系数。与现有技术相比,通过驾驶员接管车辆A时的操作信息和周边车辆信息调整车辆A的驾驶风格参数,进而提高了驾驶员对计算得到的驾驶轨迹的满意度,也提高了驾驶安全性。
在一种可行的实施例中,所述车辆A的驾驶员的驾驶风格系数包括所述安全项S的系数、所述舒适项C的系数、所述合规项R的系数和所述效率项T的系数,所述车辆A的驾驶员的驾驶风格系数包括所述安全项S的系数、所述舒适项C的系数和所述效率项T的系数;
其中,所述根据所述操作信息和周边车辆信息调整所述车辆A的驾驶员的驾驶风格系数,以得到调整后的驾驶风格系数,包括:
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括加速不转向时,减小所述安全项S的系数,或者;
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括加速转向时,增大或者减小所述安全项S的系数和所述效率项T的系数,或者;
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括匀速转向时,增大或者减小所述安全项S的系数,或者;
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括减速不转向时,增大所述安全项S的系数,或者;
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括减速转向时,增大或者减小所述安全项S的系数和所述效率项T的系数,或者;
当周边车辆信息包括所述车辆A的周边无车辆,且所述操作信息包括加速不转向或者减速不转向时,增大所述安全项S的系数和所述效率项T的系数。
在一种可行的实施例中,所述方法还包括:
当接收到人工驾驶指令时,根据遗传算法计算得到所述车辆A的驾驶员的驾驶风格系数;
存储所述车辆A的驾驶员的驾驶风格系数。
在一种可行的实施例中,所述根据遗传算法计算得到所述车辆A的驾驶员的驾驶风格系数,包括:
获取所述车辆A的驾驶员的驾驶风格系数的取值范围;
从所述驾驶风格系数的取值范围中随机获取M组驾驶风格系数;
根据遗传算法对所述M组驾驶风格系数进行计算,得到M个预测驾驶轨迹,所述M个预测驾驶轨迹与所述M组驾驶风格系数一一对应;
获取所述车辆A的实际驾驶轨迹;
将所述M个预测驾驶轨迹中的每个预测驾驶轨迹与所述实际驾驶轨迹进行比较,以得到所述车辆A的驾驶员的驾驶风格系数,所述车辆A的驾驶员的驾驶风格系数为所述M个预测驾驶轨迹中与所述实际驾驶轨迹相似值最大的预测驾驶轨迹对应的驾驶风格系数。
第二方面,本发明实施例提供了一种驾驶轨迹获取装置,包括:
第一获取单元,用于获取车辆A的驾驶员的驾驶风格系数;
计算单元,用于根据所述车辆A的驾驶员的驾驶风格系数,计算得到所述车辆A的驾驶员代价函数,所述代价函数用于表征所述车辆A的从所述车辆A的驾驶轨迹的初始节点到当前节点所付出的代价;
所述计算单元,用于根据所述驾驶员的代价函数在第一三维时空地图上计算得到所述车辆A的驾驶轨迹。
在一种可行的实施例中,所述第一获取单元包括:
识别子单元,用于当接收到自动驾驶指令时,识别所述车辆A的驾驶员的身份标识;
获取子单元,用于根据所述车辆A的驾驶员的身份标识,获取所述车辆A的驾驶员的驾驶风格系数。
在一种可行的实施例中,所述计算单元具体用于:
通过计算所述车辆A的驾驶轨迹的节点的位置信息,以得到所述车辆A的驾驶轨迹;其中,根据所述车俩A的驾驶轨迹中的第一节点的位置信息按照以下方法计算得到与所述第一节点相邻的且位于所述第一节点之后的第二节点的位置信息:
根据所述第一节点的位置信息、所述车辆A的加速度变化集合A和横摆角变化集合Θ计算得到NA*NΘ个候选节点的位置信息,所述NA为所述横摆角变化集合A中元素的个数,所述NΘ为所述加速度变化集合Θ中元素的个数,所述NA和所述NΘ均为大于1的整数;
根据启发函数和所述代价函数对所述NA*NΘ个候选节点的位置信息中的每个候选节点的位置信息进行评估,以得到第二节点的位置信息,其中,所述第二节点的位置信息为所述NA*NΘ个候选节点的位置信息中评估值最小的节点的位置信息,所述启发函数用于表征所述车辆A从所述第一节点到所述车辆A的轨迹的终点所需要付出代价。
在一种可行的实施例中,所述车辆A的驾驶轨迹中在时间相邻的两个节点的间隔为Δt,所述第一节点的位置信息为(Xt,Yt,Vt,θt),所述Xt,Yt,Vt,θt分别为时刻t时所述车辆A在所述第一三维时空地图上的横坐标和纵坐标,线速度与横摆角,所述计算单元根据所述第一节点的位置信息、所述车辆A的加速度变化集合A和横摆角变化集合Θ计算得到NA*NΘ个候选节点中的第k个候选节点的位置信息为
其中,所述分别为所述第k个候选节点的横坐标、纵坐标、线速度和横摆角,所述所述所述所述所述所述θ为所述横摆角变化空间A中的任一元素,所述a为所述加速度变化空间Θ中的任一元素。
在一种可行的实施例中,所述代价函数为根据安全项S,舒适项C、合规项R和效率项T中至少一个构建的函数;其中,所述安全项S,舒适项C、合规项R和效率项T为所述车辆A的驾驶员的驾驶习惯参数,所述安全项S用于表征所述车辆A的跟车习惯和与周围障碍物保持的安全距离;所述舒适项C用于表征所述车辆A的车速的变化程度和加速度的变化程度;所述合规项R用于表征所述车辆A是否遵守交通规则;所述效率项T用于表征到达目的地的时间,避让障碍物时刹车和转向的优先级,以及所述车辆A与其周边车辆博弈过程中的抢行和让行行为。
在一种可行的实施例中,所述代价函数为:
G=w1S+w2C+w3R+w4T
其中,所述w1,w2,w3和w4为所述车辆A的驾驶员的驾驶风格系数。
在一种可行的实施例中,所述安全项S根据所述车辆A与其前车之间的纵向距离、所述车辆A的纵向速度与其前车的纵向速度的差值和所述车辆A与其左右相邻的车辆之间的横向距离确定;所述舒适项C根据所述车辆A的实际速度与所述车辆A的期望速度的差值和所述车辆A的实际加速度和所述车辆A的期望加速度的差值确定;所述合规项R根据所述车辆A期望其所在位置的横坐标与所述车辆A所在行车道的车道中心线的横坐标的差值、所述车辆A期望其所在位置的纵坐标与所述车辆A所在行车道的车道中心线的纵坐标的差值和所述车辆A的期望速度与所述车辆A所在车道允许的最大速度的差值确定;所述效率项T根据所述车辆A的当前位置的横坐标与所述车辆A的期望位置的横坐标的差值和所述车辆A的当前位置的纵坐标与所述车辆A的期望位置的纵坐标的差值确定。
在一种可行的实施例中,所述安全项S、所述舒适项C、所述合规项R和所述效率项T分别表示为:
C=(ΔV)2+(ΔA)2;
R=(Xdesired-Xcenterline)2+(Ydesired-Ycenterline)2+(Vdesired-Vlimit)2;
T=(Xdesired-Xcurrent)2+(Ydesired-Ycurrent)2;
其中,所述c1,c2,c3,c4和p为常数,所述Δd为所述车辆A与其前车之间的纵向距离,所述Δl为所述车辆A与其左右相邻的车辆之间的横向距离,所述Δv为所述车辆A的纵向速度与其前车的纵向速度的差值;所述ΔV为所述车辆A的实际速度与所述车辆A的期望速度的差值,所述ΔA为所述车辆A的实际加速度和所述车辆A的期望加速度的差值;所述Xdesired和所述Ydesired分别为所述车辆A期望位置的横坐标和纵坐标,所述Xcenterline和Ycenterline分别为所述车辆A所在车道的车道中心线的横坐标和纵坐标,所述Vlimit为所述车辆A所在车道的允许的最大速度,所述Vdesired为该车辆A的期望速度;所述Xcurrent和所述Ycurrent分别为所述车辆A当前位置的横坐标和纵坐标。
在一种可行的实施例中,所述驾驶轨迹获取装置还包括:
转换单元,用于在所述计算单元根据所述驾驶员的代价函数在第一三维时空地图上计算得到车辆A的驾驶轨迹之前,将二维空间地图转换成第二三维时空地图;
第二获取单元,用于获取所述车辆A的周边车辆的车身安全包络区域;
删除单元,用于将所述第二三维时空地图中所述车辆A的周边车辆的车身安全包络区域对应的区域删除,以得到所述第一三维时空地图。
在一种可行的实施例中,所述第二获取单元包括:
计算子单元,用于根据所述车辆A的周边车辆的驾驶员的驾驶风格、速度、加速度和横摆角,计算得到所述车辆A的周边车辆的预测驾驶轨迹;
确定子单元,用于根据所述车辆A的周边车辆的预测驾驶轨迹和所述车辆A的周边车辆的驾驶员的驾驶风格确定所述车辆A的周边车辆的车身安全包络区域。
在一种可行的实施例中,所述计算子单元还用于:
在所述根据所述车辆A的周边车辆的驾驶员的驾驶风格、速度、加速度和横摆角,计算得到所述车辆A的周边车辆的预测驾驶轨迹之前,根据所述车辆A的周边车辆的速度和加速度,计算得到所述车辆A的周边车辆的驾驶员的驾驶风格。
在一种可行的实施例中,所述车辆A的周边车辆的速度包括车辆A的周边车辆的横向速度,所述车辆A的周边车辆的加速度包括车辆A的周边车辆的横向加速度,所述车辆A的周边车辆的驾驶员的驾驶风格包括横向驾驶风格;
其中,所述计算子单元具体用于:
获取N组所述车辆A的周边车辆的横向速度和横向加速度
对所述N组所述车辆A的周边车辆的横向速度和横向加速度的第i组进行以下操作,以得到N个第一横向驾驶风格,所述i=1,2,…,N,所述N为大于1的整数:
将第i组所述车辆A的周边车辆的横向速度和横向加速度分别输入横向激进驾驶模型、横向保守驾驶模型和横向正常驾驶模型中,计算得到三个第一概率值;
根据所述三个第一概率值确定所述第一横向驾驶风格,所述第一横向驾驶风格为所述三个第一概率值中最大概率值对应的驾驶模型对应的驾驶风格;
对所述N个第一横向驾驶风格进行均值滤波,以得到所述车辆A的周边车辆的驾驶员的横向驾驶风格。
在一种可行的实施例中,所述车辆A的周边车辆的速度包括车辆A的周边车辆的纵向速度,所述车辆A的周边车辆的加速度包括车辆A的周边车辆的纵向加速度,所述车辆A的周边车辆的驾驶员的驾驶风格包括纵向驾驶风格;
其中,所述计算子单元具体用于:
获取N组所述车辆A的周边车辆的纵向速度和纵向加速度
对所述N组所述车辆A的周边车辆的纵向速度和纵向加速度的第i组进行以下操作,以得到N个第一纵向驾驶风格,所述i=1,2,…,N,所述N为大于1的整数:
将第i组所述车辆A的周边车辆的纵向速度和纵向加速度分别输入纵向激进驾驶模型、纵向保守驾驶模型和纵向正常驾驶模型中,计算得到三个第二概率值;
根据所述三个第二概率值确定所述第一纵向驾驶风格,所述第一纵向驾驶风格为所述三个第二概率值中最大概率值对应的驾驶模型对应的驾驶风格;
对所述N个第一纵向驾驶风格进行均值滤波,以得到所述车辆A的周边车辆的驾驶员的纵向驾驶风格。
在一种可行的实施例中,所述驾驶轨迹获取装置还包括:
优化单元,用于根据车辆运动学模型对所述车辆A的驾驶轨迹进行优化,以得到优化后的驾驶轨迹;
发送单元,用于将所述优化后的驾驶轨迹发送至所述车辆A的控制装置。
在一种可行的实施例中,所述驾驶轨迹获取装置还包括:
所述第一获取单元,还用于在所述发送单元将所述优化后的驾驶轨迹发送至所述车辆的A控制装置之后,当检测到所述车辆A的驾驶员接管所述车辆A时,获取所述车辆A的驾驶员的操作信息和周边车辆信息;
调整单元,用于根据所述操作信息和周边车辆信息调整所述车辆A的驾驶员的驾驶风格系数,以得到调整后的驾驶风格系数;
第一存储单元,用于存储所述调整后的驾驶风格系数。
在一种可行的实施例中,所述车辆A的驾驶员的驾驶风格系数包括所述安全项S的系数、所述舒适项C的系数、所述合规项R的系数和所述效率项T的系数,所述车辆A的驾驶员的驾驶风格系数包括所述安全项S的系数、所述舒适项C的系数和所述效率项T的系数;
其中,调整单元具体用于:
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括加速不转向时,减小所述安全项S的系数,或者;
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括加速转向时,增大或者减小所述安全项S的系数和所述效率项T的系数,或者;
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括匀速转向时,增大或者减小所述安全项S的系数,或者;
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括减速不转向时,增大所述安全项S的系数,或者;
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括减速转向时,增大或者减小所述安全项S的系数和所述效率项T的系数,或者;
当周边车辆信息包括所述车辆A的周边无车辆,且所述操作信息包括加速不转向或者减速不转向时,增大所述安全项S的系数和所述效率项T的系数。
在一种可行的实施例中,所述驾驶轨迹获取装置还包括:
所述计算单元,还用于当接收到人工驾驶指令时,根据遗传算法计算得到所述车辆A的驾驶员的驾驶风格系数;
第二存储单元,用于存储所述车辆A的驾驶员的驾驶风格系数。
在一种可行的实施例中,所述计算单元还具体用于:
获取所述车辆A的驾驶员的驾驶风格系数的取值范围;
从所述驾驶风格系数的取值范围中随机获取M组驾驶风格系数;
根据遗传算法对所述M组驾驶风格系数进行计算,得到M个预测驾驶轨迹,所述M个预测驾驶轨迹与所述M组驾驶风格系数一一对应;
获取所述车辆A的实际驾驶轨迹;
将所述M个预测驾驶轨迹中的每个预测驾驶轨迹与所述实际驾驶轨迹进行比较,以得到所述车辆A的驾驶员的驾驶风格系数,所述车辆A的驾驶员的驾驶风格系数为所述M个预测驾驶轨迹中与所述实际驾驶轨迹相似值最大的预测驾驶轨迹对应的驾驶风格系数。
第三方面,本发明实施例提供了一种驾驶轨迹获取装置,包括:
存储有可执行程序代码的存储器;
与所述耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如第一方面所述的全部或者部分方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机存储介质包括程序指令,所述程序指令在计算机上运行时,使所述计算机执行如第一方面所述的全部或者部分方法。
可以看出,在本发明实施例的方案中,上述驾驶轨迹获取装置获取所述车辆A的驾驶员的驾驶风格系数;根据所述车辆A的驾驶员的驾驶风格系数计算得到所述车辆A的驾驶员的代价函数,所述代价函数用于表征所述车辆A的从所述车辆A的驾驶轨迹的初始节点到当前节点所付出的代价。本发明实施例中,在确定车辆A的驾驶轨迹过程中,既考虑了车辆A的周边车辆的驾驶员的驾驶风格和该车辆A的周边车辆的预测驾驶轨迹,又兼顾车辆A的驾驶风格,从而采用本发明实施例的方案得到的驾驶轨迹能够匹配所有驾驶员的驾驶风格。并且上述驾驶轨迹获取装置能够通过驾驶员接管车辆A的操作信息调整驾驶风格系数,进而调整驾驶轨迹,使得驾驶轨迹能够匹配所有驾驶员的驾驶风格,提高了驾驶员对车辆A的驾驶轨迹的满意度,最终可以缩短驾驶员使用人工驾驶的磨合期。
本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种驾驶轨迹获取方法的流程示意图;
图2为本发明实施例提供的另一种驾驶轨迹获取方法的流程示意图;
图3为本发明实施例提供的一种驾驶轨迹获取装置的结构示意图;
图4为本发明实施例提供的一种驾驶轨迹获取装置的局部结构示意图;
图5为本发明实施例提供的另一种驾驶轨迹获取装置的局部结构示意图;
图6为本发明实施例提供的另一种驾驶轨迹获取装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案说明。
参见图1,图1为本发明实施例提供的一种驾驶轨迹获取方法的流程示意图。如图1所示,该方法包括:
S101、驾驶轨迹获取装置获取所述车辆A的驾驶员的驾驶风格系数。
其中,所述获取车辆A的驾驶员的驾驶风格系数,包括:
当接收到自动驾驶指令时,识别所述车辆A的驾驶员的身份标识;
根据所述车辆A的驾驶员的身份标识,获取所述车辆A的驾驶员的驾驶风格系数。
具体地,上述车辆A的驾驶员的驾驶风格系数存储在上述驾驶轨迹获取装置自身的存储设备或者存储在服务器中。当检测到车辆A处于自动驾驶状态时,上述驾驶轨迹获取装置识别得到车辆A的驾驶员的身份标识,上述驾驶轨迹获取装置根据车辆A的驾驶员的身份标识从其自身的存储设备中或者服务器中获取上述车辆A驾驶员的驾驶风格系数。
S102、驾驶轨迹获取装置根据所述车辆A的驾驶员的驾驶风格系数,计算得到所述车辆A的驾驶员的代价函数。
其中,上述代价函数用于表征所述车辆A的从所述车辆A的驾驶轨迹的初始节点到当前节点所付出的代价。
其中,所述代价函数为根据安全项S,舒适项C、合规项R和效率项T中至少一个构建的函数;其中,所述安全项S,舒适项C、合规项R和效率项T为所述车辆A的驾驶员的驾驶习惯参数,所述安全项S用于表征所述车辆A的跟车习惯和与周围障碍物保持的安全距离;所述舒适项C用于表征所述车辆A的车速的变化程度和加速度的变化程度;所述合规项R用于表征所述车辆A是否遵守交通规则;所述效率项T用于表征到达目的地的时间,避让障碍物时刹车和转向的优先级,以及所述车辆A与其周边车辆博弈过程中的抢行和让行行为。
在一种可行的实施例中,所述代价函数为:
G=w1S+w2C+w3R+w4T
其中,所述w1,w2,w3和w4为所述车辆A的驾驶员的驾驶风格系数。
进一步地,所述安全项S根据所述车辆A与其前车之间的纵向距离、所述车辆A的纵向速度与其前车的纵向速度的差值和所述车辆A与其左右相邻的车辆之间的横向距离确定;所述舒适项C根据所述车辆A的实际速度与所述车辆A的期望速度的差值和所述车辆A的实际加速度和所述车辆A的期望加速度的差值确定;所述合规项R根据所述车辆A期望其所在位置的横坐标与所述车辆A所在行车道的车道中心线的横坐标的差值、所述车辆A期望其所在位置的纵坐标与所述车辆A所在行车道的车道中心线的纵坐标的差值和所述车辆A的期望速度与所述车辆A所在车道允许的最大速度的差值确定;所述效率项T根据所述车辆A的当前位置的横坐标与所述车辆A的期望位置的横坐标的差值和所述车辆A的当前位置的纵坐标与所述车辆A的期望位置的纵坐标的差值确定。
在一种可行的实施例中,所述安全项S、所述舒适项C、所述合规项R和所述效率项T分别表示为:
C=(ΔV)2+(ΔA)2;
R=(Xdesired-Xcenterline)2+(Ydesired-Ycenterline)2+(Vdesired-Vlimit)2;
T=(Xdesired-Xcurrent)2+(Ydesired-Ycurrent)2;
其中,所述c1,c2,c3,c4和p为常数,所述Δd为所述车辆A与其前车之间的纵向距离,所述Δl为所述车辆A与其左右相邻的车辆之间的横向距离,所述Δv为所述车辆A的纵向速度与其前车的纵向速度的差值;所述ΔV为所述车辆A的实际速度与所述车辆A的期望速度的差值,所述ΔA为所述车辆A的实际加速度和所述车辆A的期望加速度的差值;所述Xdesired和所述Ydesired分别为上述车辆A期望位置的横坐标和纵坐标,所述Xcenterline和Ycenterline分别为所述车辆A所在车道的车道中心线的横坐标和纵坐标,所述Vlimit为所述车辆A所在车道的允许的最大速度,所述Vdesired为该车辆A的期望速度;所述Xcurrent和所述Ycurrent分别为所述车辆A当前位置的横坐标和纵坐标。
其中,所述根据所述驾驶员的代价函数在第一三维时空地图上计算得到车辆A的驾驶轨迹之前,所述方法还包括:
将二维空间地图转换成第二三维时空地图;
将所述第二三维时空地图中所述车辆A的周边车辆的车身安全包络区域对应的区域删除,以得到所述第一三维时空地图。
具体地,上述驾驶轨迹获取装置将二维空间地图扩展为包含道路可行区域信息的第二三维时空地图,该第二三维时空地图包括车辆A可行驶区域的信息。上述驾驶轨迹获取装置根据上述周边车辆的车身安全包络区域,在上述第二三维时空地图中去掉该周边车辆的安全包络区域,生成第一三维时空地图。上述周边车辆的车身安全包络区域为上述车辆A的不可行区域。换句话说,上述驾驶轨迹获取装置将上述车辆A的不可行区域从上述第二三维时空地图从上述第二三维时空地图中删除,得到上述第一三维时空地图,该第一三维时地图包括上述车辆A的可行区域。
上述上述二维空间地图可表示为:
Map={(x,y)|x∈Rx,y∈Ry}
其中,上述(x,y)分别为上述二维空间地图中的横纵坐标,上述Rx,Ry分别为上述横坐标x和纵坐标y的定义域。
上述第一三维时空地图可表示为:
3DMap={(x,y,t)|L(x)≤y≤U(x),x∈Rx,t=0,Δt,2Δt,…,TΔt}
其中,(x,y,t)为笛卡尔坐标系下时空坐标,表示在时刻t时相应的车辆A的坐标;Rx为横坐标x对应的定义域,L(·),U(·)为纵坐标y随x变化上下界取值函数,表示根据道路几何限制限定的车辆A的可行区域;Δt为系统时间步长,即车辆A的驾驶轨迹中相邻两个节点的时间间隔,表示轨迹规划的时间密度,与系统运行频率一致;正整数T表示轨迹规划的时间范围,即允许每一次轨迹规划车辆A运动的最大时间步数,T也可以看成上述车辆的驾驶轨迹中的节点的数量。
其中,所述获取所述车辆A的周边车辆的车身安全包络区域,包括:
根据所述车辆A的周边车辆的驾驶员的驾驶风格、速度、加速度和横摆角,计算得到所述车辆A的周边车辆的预测驾驶轨迹;
根据所述车辆A的周边车辆的预测驾驶轨迹和所述车辆A的周边车辆的驾驶员的驾驶风格确定所述车辆A的周边车辆的车身安全包络区域。
具体地,上述驾驶轨迹获取装置采集上述车辆A的周边车辆的线速度和横摆角等信息。上述驾驶轨迹获取装置根据上述车辆A的周边车辆的线速度和横摆角等信息计算得到上述车辆A的周边车辆的预测驾驶轨迹。
在一种可行的实施例中,上述驾驶轨迹获取装置根据车辆A自身携带的速度传感器、加速度传感器和横摆角传感器获取车辆A的周边车辆的线速度、加速度和横摆角等信息,或者;
上述周边车辆携带上述速度传感器、加速度传感器和横摆角传感器。该周边车辆采集到其线速度、加速度和横摆角等信息后,将这些信息传输至上述车辆A的驾驶轨迹获取装置。上述驾驶轨迹获取装置根据上述周边车辆的线速度和横摆角等信息计算得到上述周边车辆的预测驾驶轨迹。
其中,上述车辆A的周边车辆的预测驾驶轨迹可表示为:
Mp={xi,yi,θi,t|F(xi,yi,θi,t)=0,t=Δt,2Δt,…,TΔt}(i=1,2…,N)
其中,N表示车辆A的周边车辆数量,i表示车辆A的周边的第i辆车,xi,yi,θi分别表示周边车辆的第i辆的横坐标、纵坐标和横摆角,F(·)表示不同时刻上述车辆A的周边车辆的预测驾驶轨迹。
进一步地,车辆A’为上述车辆A的周边车辆中的任意一辆。上述驾驶轨迹获取装置根据上述车辆A’的驾驶轨迹生成该车辆A’的车身安全包络区域。
上述驾驶轨迹获取装置根据上述车辆A’的驾驶风格调整上述车辆A’的车身安全包络区域。当该车辆A’的横向驾驶风格或者纵向驾驶风格为激进时,上述驾驶轨迹获取装置扩大该车辆A’的车身安全包络区域;当上述车辆A’的横向驾驶风格或者纵向驾驶风格为保守时,上述驾驶轨迹获取装置缩小该车辆A’的车身安全包络区域。
按照上述方法,上述驾驶轨迹获取装置确定上述车辆A的周边车辆的车身安全包络区域。
其中,在所述根据所述车辆A的周边车辆的驾驶员的驾驶风格、速度、加速度和横摆角,计算得到所述车辆A的周边车辆的预测驾驶轨迹之前,还包括:
根据所述车辆A的周边车辆的速度和加速度,计算得到所述车辆A的周边车辆的驾驶员的驾驶风格。
具体地,所述车辆A的周边车辆的速度包括车辆A的周边车辆的横向速度,所述车辆A的周边车辆的加速度包括车辆A的周边车辆的横向加速度,所述车辆A的周边车辆的驾驶员的驾驶风格包括横向驾驶风格,所述根据所述车辆A的周边车辆的速度和加速度,计算得到所述车辆A的周边车辆的驾驶员的驾驶风格,包括:
获取N组所述车辆A的周边车辆的横向速度和横向加速度
对所述N组所述车辆A的周边车辆的横向速度和横向加速度的第i组进行以下操作,以得到N个第一横向驾驶风格,所述i=1,2,…,N,所述N为大于1的整数:
将第i组所述车辆A的周边车辆的横向速度和横向加速度分别输入横向激进驾驶模型、横向保守驾驶模型和横向正常驾驶模型中,计算得到三个第一概率值;
根据所述三个第一概率值确定所述第一横向驾驶风格,所述第一横向驾驶风格为所述三个第一概率值中最大概率值对应的驾驶模型对应的驾驶风格;
对所述N个第一横向驾驶风格进行均值滤波,以得到所述车辆A的周边车辆的驾驶员的横向驾驶风格。
具体地,所述车辆A的周边车辆的速度包括车辆A的周边车辆的纵向速度,所述车辆A的周边车辆的加速度包括车辆A的周边车辆的纵向加速度,所述车辆A的周边车辆的驾驶员的驾驶风格包括纵向驾驶风格,所述根据所述车辆A的周边车辆的速度和加速度,计算得到所述车辆A的周边车辆的驾驶员的驾驶风格,包括:
获取N组所述车辆A的周边车辆的纵向速度和纵向加速度
对所述N组所述车辆A的周边车辆的纵向速度和纵向加速度的第i组进行以下操作,以得到N个第一纵向驾驶风格,所述i=1,2,…,N,所述N为大于1的整数:
将第i组所述车辆A的周边车辆的纵向速度和纵向加速度分别输入纵向激进驾驶模型、纵向保守驾驶模型和纵向正常驾驶模型中,计算得到三个第二概率值;
根据所述三个第二概率值确定所述第一纵向驾驶风格,所述第一纵向驾驶风格为所述三个第二概率值中最大概率值对应的驾驶模型对应的驾驶风格;
对所述N个第一横向驾驶风格进行均值滤波,以得到所述车辆A的周边车辆的驾驶员的纵向驾驶风格。
具体地,上述驾驶风格包括横向驾驶风格和纵向驾驶风格,该横向驾驶风格包括激进、保守和正常,同理上述纵向驾驶风格包括激进、保守和正常。
上述驾驶轨迹获取装置获取车辆A周边车辆的相关数据,包括横向速度,横向加速度,纵向速度和纵向加速度。上述驾驶轨迹获取装置根据上述周边车辆的相关数据,离线训练出横向激进驾驶模型M1,横向正常驾驶模型M2,横向保守驾驶模型M3,纵向激进驾驶模型M4,纵向正常驾驶模型M5和纵向保守驾驶模型M6。
上述驾驶轨迹获取装置获取N组车辆A的周边车辆的横向速度、横向加速度、纵向速度和纵向加速度。上述驾驶轨迹获取装置将N组周边车辆的横向速度和横向加速度的每一组分别输入到上述驾驶模型M1、M2和M3,分别得到三个第一概率值。上述驾驶轨迹获取装置根据该三个第一概率值中最大概率值对应的模型确定第一横向驾驶风格,最终得到N个第一横向驾驶风格。上述驾驶轨迹获取装置对上述N个第一横向驾驶风格进行均值滤波,以得到上述车辆A的周边车辆的驾驶员的横向驾驶风格。
同理,上述驾驶轨迹驾驶轨迹获取装置将N组周边车辆的纵向速度和纵向加速度的每一组分别输入到上述驾驶模型M4、M5和M6中,分别得到三个第二概率值。上述驾驶轨迹获取装置根据该三个第二概率值中最大概率值对应的模型确定第一纵向驾驶风格,最终得到N个第一纵向驾驶风格。上述驾驶轨迹获取装置对上述N个第一纵向驾驶风格进行均值滤波,以得到上述车辆A的周边车辆的驾驶员的纵向驾驶风格。
S103、驾驶轨迹获取装置根据所述代价函数在第一三维时空地图上计算得到所述车辆A的驾驶轨迹。
其中,所述根据所述代价函数在第一三维时空地图上计算得到车辆A的驾驶轨迹,包括:
通过计算所述车辆A的驾驶轨迹的节点的位置信息,以得到所述车辆A的驾驶轨迹;其中,根据所述车俩A的驾驶轨迹中的第一节点的位置信息按照以下方法计算得到与所述第一节点相邻的且位于所述第一节点之后的第二节点的位置信息:
根据所述第一节点的位置信息、所述车辆A的加速度变化集合A和横摆角变化集合Θ计算得到NA*NΘ个候选节点的位置信息,所述NA为所述横摆角变化集合A中元素的个数,所述NΘ为所述加速度变化集合Θ中元素的个数;
根据启发函数和所述代价函数对所述NA*NΘ个候选节点的位置信息的每个候选节点的位置信息进行评估,以得到第二节点的位置信息,所述第二节点的位置信息为所述NA*NΘ个候选节点的位置信息中评估值最小的节点的位置信息,所述启发函数用于表征所述车辆A从所述第一节点到所述车辆A的轨迹的终点所需要付出代价。
其中,所述车辆A的驾驶轨迹中在时间相邻的两个节点的间隔为Δt,所述第一节点的位置信息为(Xt,Yt,Vt,θt),所述Xt,Yt,Vt,θt分别为时刻t时所述车辆A在所述第一三维时空地图上的横坐标和纵坐标,线速度与横摆角,所述根据所述第一节点的位置信息、所述车辆A的加速度变化集合A和横摆角变化集合Θ计算得到NA*NΘ个的候选节点中的第k个候选节点的位置信息为
其中,所述分别为所述第k个候选节点的横坐标、纵坐标、线速度和横摆角,所述所述所述所述所述所述θ为所述横摆角变化空间A中的任一元素,所述a为所述加速度变化空间Θ中的任一元素。
在一种具体的应用场景中,上述加速度变化集合和横摆角变化集合可表示如下:
A={adec,0.5adec,0,0.5aacc,aacc};
Θ={±θ',±0.5θ',0};
其中,上述adec,aacc,θ'均为常数,上述集合A(即加速度变化集合)中的元素个数为5,上述集合Θ(即横摆角变化集合)中的元素个数为5。
上述驾驶轨迹获取装置根据时刻t车辆A的第一节点的位置信息(Xt,Yt,Vt,θt)、上述加速度变化集合和横摆角变化集合获取上述车辆在时刻t+Δt的NA*NΘ个候选节点的位置信息,比如上述横摆角变化集合和加速度变化集合均包括5个元素时,该候选节点的个数为25。该NA*NΘ个候选节点中的第k个候选节点的位置信息可表示为:
其中,上述a∈A且上述θ∈Θ,上述k∈{1,2,…,NA*NΘ}。
按照上述方法,上述驾驶轨迹获取装置获取上述NA*NΘ个候选节点的位置信息后,上述驾驶轨迹获取装置根据上述代价函数和启发函数和对上述NA*NΘ个候选坐标节点中的每个候选节点的位置信息进行评估,以得到NA*NΘ个评估值。上述驾驶轨迹获取装置将该NA*NΘ个评估值中值最小的评估值对应的候选节点作为时刻t+Δt时车辆A的节点Nodet+Δt(即第二节点)。
具体地,上述驾驶轨迹获取装置根据上述代价函数和上述启发函数对上述NA*NΘ个中的第k个候选节点的位置信息进行评估,具体为:
Fk=Gk+Hk;
G=w1Sk+w2Ck+w3Rk+w4Tk;
其中,上述Fk为评估函数,上述Hk为启发函数,上述Xtarget和上述Ytarget为上述车辆A的驾驶轨迹的终止节点,上述Gk为上述代价函数。
上述驾驶轨迹获取装置判断第二节点Nodet+Δt是否为上述车辆A的驾驶轨迹的终止节点,当上述第二节点Nodet+Δt不为上述驾驶轨迹车辆A的的终止节点时,上述驾驶轨迹获取装置按照上述方法进行获取时刻t+2Δt时上述车辆A的节点即Nodet+2Δt。当该第二节点Nodet+Δt为上述车辆A的驾驶轨迹的终止节点时,上述驾驶轨迹获取装置停止上述操作。至此,上述驾驶轨迹获取装置获取上述车辆A的驾驶轨迹。
在一种可行的实施例中,所述方法还包括:
根据车辆运动学模型对所述车辆A的驾驶轨迹进行优化,以得到优化后的驾驶轨迹;
将所述优化后的驾驶轨迹发送至所述车辆A的控制装置。
具体地,上述驾驶轨迹获取装置以上述车辆A的前轮为对象建立车辆A的运动学模型,将X=(xf,yf,θ,δ,vf)作为的系统的状态,将作为系统的输入。
其中,上述vf为上述车辆A的前轮的线速度,上述θ为上述车辆A的横摆角,上述δ为上述车辆A的前轮的转角,上述为上述车辆A的前轮转向角的角速度。
上述驾驶轨迹获取装置根据上述车辆A的运动学模型,建立模型预测控制的优化问题。
s.t.X0=Xstart,XN=Xtarget
Umin≤U≤Umax
其中,上述w1和w2是系数,Xr为预设的参考轨迹,Q和R分别是线性二次型的参数,Xstart和Xtarget分别为上述驾驶轨迹的起点和终点的状态约束,Umin和Umax分别是系统输入的上下界,φn(·)为上述驾驶轨迹上每一个点对应的状态约束。
上述驾驶轨迹获取装置采用构造凸可行域方法,解决传统求解优化问题存在耗时长,准确性低的问题,提高可解性和实效性。解决的关键在于迭代。在第k次迭代时,针对具体的参考轨迹计算相应的凸可行域上述驾驶轨迹获取装置通过模型预测控制法求解以下凸优化问题得到新的参考轨迹。
当上述新的参考轨迹收敛或者目标函数的梯度足够小时,迭代结束。此时即可获得考虑车辆运动学的优化后的驾驶轨迹。
上述驾驶轨迹获取装置将上述优化后的驾驶轨迹发送至上述车辆A的控制装置。该控制装置将上述优化后的驾驶轨迹转换成该控制装置能够执行的驾驶指令,该控制装置根据该驾驶指令驾驶该车辆A。
在一种可行的实施例中,所述将所述优化后的驾驶轨迹发送至所述车辆A的控制装置之后,所述方法还包括:
当检测到所述车辆A的驾驶员接管所述车辆A时,获取所述车辆A的驾驶员的操作信息和周边车辆信息;
根据所述操作信息和周边车辆信息调整所述车辆A的驾驶员的驾驶风格系数,以得到调整后的驾驶风格系数;
存储所述调整后的驾驶风格系数。
具体地,所述车辆A的驾驶员的驾驶风格系数包括所述安全项S的系数、所述舒适项C的系数、所述合规项R的系数和所述效率项T的系数,所述车辆A的驾驶员的驾驶风格系数包括所述安全项S的系数、所述舒适项C的系数和所述效率项T的系数,所述根据所述操作信息和周边车辆信息调整所述车辆A的驾驶员的驾驶风格系数,以得到调整后的驾驶风格系数,包括:
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括加速不转向时,减小所述安全项S的系数,或者;
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括加速转向时,增大或者减小所述安全项S的系数和所述效率项T的系数,或者;
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括匀速转向时,增大或者减小所述安全项S的系数,或者;
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括减速不转向时,增大所述安全项S的系数,或者;
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括减速转向时,增大或者减小所述安全项S的系数和所述效率项T的系数,或者;
当周边车辆信息包括所述车辆A的周边无车辆,且所述操作信息包括加速不转向或者减速不转向时,增大所述安全项S的系数和所述效率项T的系数。
具体地,上述车辆A的驾驶员的操作信息包括:加速不转向、加速转向、匀速不转向、匀速转向、减速不转向和减速转向等信息;上述周边车辆信息包括上述车辆A的周边有车辆和车辆A的周边无车辆。
上述驾驶轨迹获取装置根据上述车辆A的驾驶员的操作信息和周边车辆信息对上述驾驶风格系数进行调整的具体方式见下表1。
如表1所示,在车辆A周围有车辆的情况下,当确定上述车辆A加速未转向时,上述驾驶轨迹获取装置减小上述安全项S的系数w1。具体地,比如上述安全项S的系数w1,上述舒适项C的系数w2,上述合规项T的系数w3和上述效率项T的系数w4对应的取值范围均为(0,1),上述驾驶轨迹获取装置将上述安全项S的系数w1的取值范围调小后可为(0,0.5)或者(0,0.6),上述舒适项C的系数w2,上述合规项T的系数w3和上述效率项T的系数w4对应的取值范围保持不变。
上述驾驶轨迹获取装置从上述w1,w2,w3和w4对应的取值范围获取M组w1,w2,w3和w4,即上述驾驶轨迹获取装置分别从上述w1,w2,w3和w4对应的取值范围中获取M个数值,该M为大于1的整数。该驾驶轨迹获取装置根据遗传算法对该M组w1,w2,w3和w4进行处理,以得到M个预测驾驶轨迹。
具体地,上述驾驶轨迹获取装置根据上述M组w1,w2,w3和w4随机生成上述遗传算法的父代群体和设定该遗传算法的相关参数;上述驾驶轨迹获取装置根据遗传算法的父代群体和设定该遗传算法的相关参数对分别对上述M组w1,w2,w3和w4进行交叉和变异操作,以得到M个预测驾驶轨迹,该M个预测驾驶轨迹与上述M组w1,w2,w3和w4一一对应。上述驾驶轨迹获取装置采集上述车辆A的实际驾驶轨迹,并分别获取上述M个驾驶轨迹和该实际驾驶轨迹的近似度。上述驾驶轨迹获取装置获取与该实际驾驶轨迹的近似度最大的驾驶轨迹对应的一组w1,w2,w3和w4,并将该组w1,w2,w3和w4作为第二驾驶风格系数。上述驾驶轨迹获取装置将第二驾驶风格系数存储到该驾驶轨迹获取装置中或者上述服务器中,以替换第一驾驶风格系数,该第一驾驶员风格系数为上述驾驶轨迹获取装置自身的存储设备或者服务器中已存储的上述车辆A的驾驶员的驾驶风格系数。
在车辆A周围有车辆的情况下,当确定到上述车辆A加速转向或者减速转向时,上述驾驶轨迹获取装置增大或者减小上述安全项S的系数和效率项T的系数包括:该驾驶轨迹获取装置增大或者减小安全项S的系数w1的取值范围和效率项T的系数w4的取值范围,舒适项C的系数w2的取值范围和合规项R的系数w3的取值范围保持不变,比如上述安全项的系数w1,上述舒适项C的系数w2,上述合规项T的系数w3和上述效率项T的系数w4对应的取值范围均为(0,1),上述驾驶轨迹获取装置增大上述安全项S的系数w1的取值范围和上述效率项T的系数w4的取值范围,分别为(1,1.5)和(1,2),或者;上述驾驶轨迹获取装置减小上述安全项S的系数w1的取值范围和上述效率项T的系数w4的取值范围,分别为(0,0.2)和(0,0.1)。然后上述驾驶轨迹获取装置按照上述方法计算得到第二驾驶风格参数,并将该第二驾驶风格系数存储到该驾驶轨迹获取装置自身的存储设备中或者上述服务器中,以替换上述第一驾驶风格系数。
具体地,在此次上述车辆A的驾驶员接管该车辆A,且该车辆A的周围有车辆和该车辆A加速转向或者减速转向时,上述驾驶轨迹获取装置对上述安全项S的系数w1的取值范围和上述效率项T的系数w4的取值范围进行第一操作,上述舒适项C的系数w2的取值范围和上述合规项R的系数w3的取值范围保持不变。该第一操作包括增大或者减小上述安全项S的系数w1的取值范围和上述效率项T的系数w4的取值范围。上述驾驶轨迹获取装置按照上述方法获取第二驾驶风格系数,并将该第二驾驶风格系数存储到该驾驶轨迹获取装置自身的存储设备中或者上述服务器中,以替换上述第一驾驶风格系数。在下一次上述车辆A的驾驶员接管该车辆A,且该车辆A的周围有车辆和该车辆A加速转向或者减速转向时,上述驾驶轨迹获取装置对上述安全项S的系数w1的取值范围和上述效率项T的系数w4的取值范围进行第二操作,上述舒适项C的系数w2的取值范围和上述合规项R的系数w3的取值范围保持不变。该第二操作包括增大或者减小上述安全项S的系数w1的取值范围和上述效率项T的系数w4的取值范围,且上述第一操作与上述第二操作不一致。上述驾驶轨迹获取装置按照上述方法获取第二驾驶风格系数,并将该第二驾驶风格系数存储到该驾驶轨迹获取装置自身的存储设备中或者上述服务器中,以替换上述第一驾驶风格系数。
在车辆A周围有车辆的情况下,当确定上述车辆A匀速转向时,上述驾驶轨迹获取装置增大或者减小上述安全项S的系数w1,具体地,该驾驶轨迹获取装置增大或者减小上述安全项S的系数w1的取值范围,上述舒适项C的系数w2,上述合规项R的系数w3和上述效率项T的系数w4对应的取值范围保持不变;然后上述驾驶轨迹获取装置按照上述方法获取第二驾驶风格参数,并将该第二驾驶风格系数存储到该驾驶轨迹获取装置自身的存储设备中或者上述服务器中,以替换上述第一驾驶风格系数。
具体地,在此次上述车辆A的驾驶员接管该车辆A,且该车辆A的周围有车辆和该车辆A匀速转向时,上述驾驶轨迹获取装置对上述安全项S的系数w1的取值范围进行第一操作,上述舒适项C的系数w2的取值范围、上述合规项R的系数w3的取值范围和效率项T的系数w4的取值范围保持不变。该第一操作包括增大或者减小上述安全项S的系数w1的取值范围。上述驾驶轨迹获取装置按照上述方法获取第二驾驶风格系数,并将该第二驾驶风格系数存储到该驾驶轨迹获取装置自身的存储设备中或者上述服务器中,以替换上述第一驾驶风格系数。在下一次上述车辆A的驾驶员接管该车辆A,且该车辆A的周围有车辆和该车辆A匀速转向时,上述驾驶轨迹获取装置对上述安全项S的系数w1的取值范围进行第二操作,上述舒适项C的系数w2的取值范围、上述合规项R的系数w3的取值范围和上述效率项T的系数w4的取值范围保持不变。该第二操作包括增大或者减小上述安全项S的系数w1的取值范围,且上述第一操作与上述第二操作不一致。上述驾驶轨迹获取装置按照上述方法获取第二驾驶风格系数,并将该第二驾驶风格系数存储到该驾驶轨迹获取装置自身的存储设备中或者上述服务器中,以替换上述第一驾驶风格系数。
在车辆A周围有车辆的情况下,当确定上述车辆A减速未转向时,上述驾驶轨迹获取装置增大上述安全项T的系数。具体地,上述驾驶轨迹获取装置增大安全项T的系数w1的取值范围,上述舒适项C的系数w2、上述合规项R的系数w3和上述效率项T的系数w4对应的取值范围不变;然后上述驾驶轨迹获取装置根据上述方法获取第二驾驶风格参数,并将该第二驾驶风格系数存储到该驾驶轨迹获取装置自身的存储设备中或者上述服务器中,以替换上述第一驾驶风格系数。
在车辆A周围有车辆的情况下,当确定上述车辆A匀速不转向时,上述驾驶轨迹获取装置不调整上述驾驶员的驾驶风格参数。
在车辆A周围无车辆的情况下,当确定上述车辆A加速未转向或者减速未转向时,上述驾驶轨迹获取装置增大舒适项C的系数和效率项T的系数。具体地,上述驾驶轨迹获取装置增大舒适项C的系数w2和效率项T的系数w4对应的取值范围,安全项T的系数w1和合规项S的系数w3对应的取值范围保持不变;然后按照上述方法获取第二驾驶风格系数,并将该第二驾驶风格系数存储到上述驾驶轨迹获取装置的自身的存储设备或者上述服务器中,以替换上述第一驾驶风格系数;当确定上述车辆A加速转向、匀速未转向、匀速转向或者减速转向时,上述驾驶轨迹获取装置不调整上述车辆A的驾驶员的驾驶风格参数。
在一种可行的实施例中,所述方法还包括:
当接收到人工驾驶指令时,根据遗传算法计算得到所述车辆A的驾驶员的驾驶风格系数;
存储所述车辆A的驾驶员的驾驶风格系数。
具体地,所述根据遗传算法计算得到所述车辆A的驾驶员的驾驶风格系数,包括:
获取所述车辆A的驾驶员的驾驶风格系数的取值范围;
从所述驾驶风格系数的取值范围中随机获取M组驾驶风格系数;
根据遗传算法对所述M组驾驶风格系数进行计算,得到M个预测驾驶轨迹,所述M个预测驾驶轨迹与所述M组驾驶风格系数一一对应;
获取所述车辆A的实际驾驶轨迹;
将所述M个预测驾驶轨迹中的每个预测驾驶轨迹与所述实际驾驶轨迹进行比较,以得到所述车辆A的驾驶员的驾驶风格系数,所述车辆A的驾驶员的驾驶风格系数为所述M个预测驾驶轨迹中与所述实际驾驶轨迹相似值最大的预测驾驶轨迹对应的驾驶风格系数。
需要说明的是,上述驾驶轨迹获取装置获取上述车辆A的驾驶员的驾驶风格系数可参见上述方法的相关描述,在此不再叙述。
可以看出,在本发明实施例的方案中,上述驾驶轨迹获取装置当接收到自动驾驶指令时,识别所述车辆A的驾驶员的身份标识;根据所述车辆A的驾驶员的身份标识,获取所述车辆A的驾驶风格系数;根据所述车辆A的驾驶员的驾驶风格系数,计算得到所述车辆A的驾驶员的代价函数;根据所述驾驶员的代价函数在第一三维时空地图上获取所述车辆A的驾驶轨迹。在确定车辆A的驾驶轨迹过程中,既考虑了车辆A的周边车辆的驾驶员的驾驶风格和该车辆A的周边车辆的预测驾驶轨迹,又兼顾车辆A的驾驶员的驾驶风格,从而采用本发明实施例的方案得到的驾驶轨迹能够匹配所有驾驶员的驾驶风格。并且上述驾驶轨迹获取装置能够通过驾驶员接管车辆A的操作信息和周围车辆信息调整驾驶员的驾驶风格系数,进而调整驾驶轨迹,最终缩短驾驶员使用人工驾驶的磨合期。
参见图2,图2为本发明实施例提供的另一种驾驶轨迹获取方法的流程示意图。如图2所示,该方法包括:
S201、驾驶轨迹获取装置计算得到车辆A的周边车辆的驾驶员的驾驶风格。
需要说明的是,上述车辆A的周边车辆为该车辆A的传感器探测距离内的车辆。上述驾驶轨迹获取装置的速度传感器、加速度传感器和横摆角传感器实时采集车辆A的周边车辆的速度、加速度和横摆角,或者;车辆A的周边车辆的速度传感器、加速度传感器和横摆角传感器实时采集自身的速度、加速度和横摆角,然后通过车辆A与其周边车辆组成的通信网络将车辆A的周边车辆的速度、加速度和横摆角传输至上述车辆A。
其中,上述驾驶风格包括横向驾驶风格和纵向驾驶风格,该横向驾驶风格包括激进、保守和正常,同理上述纵向驾驶风格包括激进、保守和正常。
上述驾驶轨迹获取装置根据上述车辆A的速度和加速度,计算得到上述车辆A的周边车辆的驾驶员的驾驶风格。
具体地,上述驾驶轨迹获取装置按照上述方法获取上述车辆A的周边车辆的速度和加速度。上述驾驶轨迹获取装置根据上述周边车辆的速度和加速度,离线训练得到横向激进驾驶模型M1,横向正常驾驶模型M2,横向保守驾驶模型M3,纵向激进驾驶模型M4,纵向正常驾驶模型M5和纵向保守驾驶模型M6。
上述驾驶轨迹获取装置按照上述方法获取N组车辆A的周边车辆的速度和加速度,该速度包括横向速度和纵向速度,上述加速度包括横向加速度和纵向加速度。上述驾驶轨迹获取装置将上述N组车辆A的横向速度和横向加速度的任意一组分别输入上述横向激进驾驶模型M1,横向正常驾驶模型M2,横向保守驾驶模型M3中,得到三个第一概率值。上述驾驶轨迹获取装置根据上述三个第一概率值得到第一横向驾驶风格,该第一横向驾驶风格为该三个第一概率值中最大概率值对应的驾驶模型对应的驾驶风格。按照该方法,上述驾驶轨迹获取装置获取N个第一横向驾驶风格,并对该N个第一横向驾驶风格进行均值滤波,以得到上述车辆A的周边车辆的横向驾驶风格。同理,上述驾驶轨迹获取装置将上述N组车辆A的纵向速度和纵向加速度的任意一组分别输入上述纵向激进驾驶模型M4,纵向正常驾驶模型M5,纵向保守驾驶模型M6中,得到三个第二概率值。上述驾驶轨迹获取装置根据上述三个第二概率值得到第一纵向驾驶风格,该第一纵向驾驶风格为该三个第二概率值中最大概率值对应的驾驶模型对应的驾驶风格。按照该方法,上述驾驶轨迹获取装置获取N个第一纵向驾驶风格,并对该N个第一纵向驾驶风格进行均值滤波,以得到上述车辆A的周边车辆的纵向驾驶风格。
S202、驾驶轨迹获取装置计算得到车辆A的周边车辆的预测驾驶轨迹,并根据车辆A的周边车辆的预测驾驶轨迹和车辆A的周边车辆驾驶员的驾驶风格确定该车辆的车身安全包络区域。
具体地,上述驾驶轨迹获取装置按照上述方法获取上述车辆A的周边车辆的横向速度、横向加速度、纵向速度和纵向加速度、横摆角等信息。上述驾驶轨迹获取装置根据上述车辆A的周边车辆的横向速度、横向加速度、纵向速度和纵向加速度、横摆角等信息计算得到上述车辆A的周边车辆的预测驾驶轨迹。
其中,上述车辆A的周边车辆的预测驾驶轨迹可表示为:
Mp={xi,yi,θi,t|F(xi,yi,θi,t)=0,t=Δt,2Δt,…,TΔt}(i=1,2…,N)
其中,N表示车辆A的周边车辆数量,i表示车辆A的周边的第i辆车,xi,yi,θi分别表示周边车辆的第i辆的横坐标、纵坐标和横摆角,F(·)表示不同时刻上述车辆A的周边车辆的预测驾驶轨迹。
进一步地,车辆A’为上述车辆A的周边车辆中的任意一辆。上述驾驶轨迹获取装置根据上述车辆A’的驾驶轨迹生成该车辆A’的车身安全包络区域。
上述驾驶轨迹获取装置根据上述车辆A’的驾驶风格调整上述车辆A’的车身安全包络区域。当该车辆A’的横向驾驶风格或者纵向驾驶风格为激进时,上述驾驶轨迹获取装置扩大该车辆A’的车身安全包络区域;当上述车辆A’的横向驾驶风格或者纵向驾驶风格为保守时,上述驾驶轨迹获取装置缩该车辆A’的车身安全包络区域。
S203、驾驶轨迹获取装置检测车辆A是否接收到自动驾驶指令。
其中,当检测上述车辆A未接收到自动驾驶指令时,上述驾驶轨迹获取装置执行步骤S204;当检测上述车辆A接收到自动驾驶指令时,上述驾驶轨迹获取装置执行步骤S205。
S204、驾驶轨迹获取装置获取车辆A的驾驶员的驾驶风格系数,并计算得到车辆A的驾驶员的代价函数。
其中,上述代价函数用于表征上述车辆A的从上述车辆A的驾驶轨迹的初始节点到当前节点所付出的代价。
需要说明的是,不同的驾驶员具有不同的驾驶风格系数。
具体地,上述驾驶轨迹获取装置识别并获取上述车辆A的驾驶员的身份标识,根据该驾驶员的身份标识遍历上述服务器。当在上述服务器中遍历到上述驾驶员的身份标识时,上述驾驶轨迹获取装置将上述车辆A的驾驶员的驾驶风格系数存储到上述服务器中,以替换已存储的上述驾驶员的身份标识对应的驾驶风格系数;当在上述服务器中未遍历到上述驾驶员的身份标识,上述驾驶轨迹获取装置在上述服务器中添加上述驾驶员的身份标识和对应的驾驶风格系数。
在一种可行的实施例中,上述驾驶轨迹获取装置识别并获取上述车辆A的驾驶员的身份标识,根据该驾驶员的身份标识遍历驾驶轨迹获取装置自身的存储设备。当在该存储设备中遍历到上述驾驶员的身份标识时,上述驾驶轨迹获取装置将上述车辆A的驾驶员的驾驶风格系数存储到上述驾驶轨迹获取装置自身的存储设备中,以替换已存储的上述驾驶员的身份标识对应的驾驶风格系数;当在上述服务器中未遍历到上述驾驶员的身份标识,上述驾驶轨迹获取装置在其自身的存储设备中添加上述驾驶员的身份标识和对应的驾驶风格系数。
在一种可行的实施例中,上述驾驶轨迹获取装置可通过钥匙id识别、人脸识别、声纹识别、或者人机交互界面等方式获取驾驶员身份标识,并根据该驾驶员身份标识从上述服务器中获取对应的驾驶风格系数。
其中,上述代价函数为根据安全项S,舒适项C、合规项R和效率项T中至少一个构建的函数;其中,上述安全项S,舒适项C、合规项R和效率项T为上述车辆A的驾驶员的驾驶习惯参数,上述安全项S用于表征上述车辆A的跟车习惯和与周围障碍物保持的安全距离;上述舒适项C用于表征上述车辆A的车速的变化程度和加速度的变化程度;上述合规项R用于表征上述车辆A是否遵守交通规则;上述效率项T用于表征到达目的地的时间,避让障碍物时刹车和转向的优先级,以及上述车辆A与其周边车辆博弈过程中的抢行和让行行为。
可选地,上述代价函数可表示为:G=w1S+w2C+w3R+w4T
其中,上述w1,w2,w3和w4为上述车辆A的驾驶员的驾驶风格系数。
其中,上述安全项S根据上述车辆A与其前车之间的纵向距离、上述车辆A的纵向速度与其前车的纵向速度的差值和上述车辆A与其左右相邻的车辆之间的横向距离确定;上述舒适项C根据上述车辆A的实际速度与上述车辆A的期望速度的差值和上述车辆A的实际加速度和上述车辆A的期望加速度的差值确定;上述合规项R根据上述车辆A期望其所在位置的横坐标与上述车辆A所在行车道的车道中心线的横坐标的差值、上述车辆A期望其所在位置的纵坐标与上述车辆A所在行车道的车道中心线的纵坐标的差值和上述车辆A的期望速度与上述车辆A所在车道允许的最大速度的差值确定;上述效率项T根据上述车辆A的当前位置的横坐标与上述车辆A的期望位置的横坐标的差值和上述车辆A的当前位置的纵坐标与上述车辆A的期望位置的纵坐标的差值确定。
在一种可行的实施例中,上述安全项S、上述舒适项C、上述合规项R和上述效率项T分别表示为:
C=(ΔV)2+(ΔA)2;
R=(Xdesired-Xcenterline)2+(Ydesired-Ycenterline)2+(Vdesired-Vlimit)2;
T=(Xdesired-Xcurrent)2+(Ydesired-Ycurrent)2;
其中,上述c1,c2,c3,c4和p为常数,上述Δd为上述车辆A与其前车之间的纵向距离,上述Δl为上述车辆A与其左右相邻的车辆之间的横向距离,上述Δv为上述车辆A的纵向速度与其前车的纵向速度的差值;上述ΔV为上述车辆A的实际速度与上述车辆A的期望速度的差值,上述ΔA为上述车辆A的实际加速度和上述车辆A的期望加速度的差值;上述Xdesired和上述Ydesired分别为上述车辆A期望位置的横坐标和纵坐标,上述Xcenterline和Ycenterline分别为上述车辆A所在车道的车道中心线的横坐标和纵坐标,上述Vlimit为上述车辆A所在车道的允许的最大速度,上述Vdesired为该车辆A的期望速度;上述Xcurrent和上述Ycurrent分别为上述车辆A当前位置的横坐标和纵坐标。
根据上述安全项S,舒适项C、合规项R和效率项T的表示方式,可以计算得到上述安全项S,舒适项C、合规项R和效率项T。根据上述驾驶员的驾驶风格系数可以确定上述驾驶员的代价函数,即G=w1S+w2C+w3R+w4T。
S205、驾驶轨迹获取装置计算得到车辆A驾驶员的驾驶风格系数,并存储该驾驶员的驾驶风格系数。
上述驾驶轨迹获取装置分别得到w1,w2,w3和w4的取值范围。该w1,w2,w3和w4的取值范围是随机生成的。
在一种可行的实施例中,该w1,w2,w3和w4的取值范围均为(0,1),即上述w1,w2,w3和w4均大于0且小于1。
具体地,上述驾驶轨迹获取装置根据上述M组w1,w2,w3和w4随机生成上述遗传算法的父代群体和设定该遗传算法的相关参数;上述驾驶轨迹获取装置根据遗传算法的父代群体和设定该遗传算法的相关参数对分别对上述M组w1,w2,w3和w4进行交叉和变异操作,以得到M个预测驾驶轨迹,该M个预测驾驶轨迹与上述M组w1,w2,w3和w4一一对应。上述驾驶轨迹获取装置采集上述车辆A的实际驾驶轨迹,并分别获取上述M个驾驶轨迹和该实际驾驶轨迹的近似度。上述驾驶轨迹获取装置获取与该实际驾驶轨迹的近似度最大的驾驶轨迹对应的一组w1,w2,w3和w4,并将该组w1,w2,w3和w4作为第二驾驶风格系数。
在一种可行的实施例中,上述驾驶轨迹获取装置获取上述车辆A的驾驶员的驾驶风格系数后,将该驾驶风格系数和该车辆A的驾驶员的身份标识存储到驾驶轨迹获取装置自身的存储设备中或者服务器中。
S206、驾驶轨迹获取装置根据代价函数在第一三维时空地图上计算得到车辆A的驾驶轨迹。
具体地,上述驾驶轨迹获取装置将二维空间地图扩展为包含道路可行区域信息的第二三维时空地图,该第二三维时空地图包括车辆A可行驶区域的信息。上述驾驶轨迹获取装置根据上述周边车辆的车身安全包络区域,在上述第二三维时空地图中去掉车辆A的动态障碍区域,生成第一三维时空地图
需要说明的是,上述车辆A的动态障碍区域为该车辆A周围车辆的车身安全包络区域。
上述二维空间地图可表示为:
Map={(x,y)|x∈Rx,y∈Ry}
其中,上述(x,y)为平面二维左边,上述Rx,Ry分别为上述横坐标x和纵坐标y的定义域。
上述第一三维时空地图可表示为:
3DMap={(x,y,t)|L(x)≤y≤U(x),x∈Rx,t=0,Δt,2Δt,…,TΔt}
其中,(x,y,t)为笛卡尔坐标系下时空坐标,表示在时刻t时相应的车辆A的位置坐标;Rx为横坐标x对应的定义域,L(·),U(·)为坐标y随x变化上下界取值函数,表示根据道路几何限制限定的车辆A可行区域;Δt为系统时间步长,表示轨迹规划的时间密度,与系统运行频率一致;正整数T表示轨迹规划的时间范围,即允许每一次轨迹规划车辆A运动的最大时间步数。
需要说明的是,由于时间的正向流逝特性,从时间轴的角度看,相邻两个时刻的空间坐标的关系,只存在从时刻小的空间坐标演化至时刻大的空间坐标,不存在相反方向的演化关系。因此,可以建立三维时空地图中每一时间层地图每一个空间点与下一时间层地图每一个空间点的带有方向的对应关系,这就构造了向非循环图的基本特征。
上述驾驶轨迹获取装置在上述第二三维时空地图的驾驶轨迹由一连串的节点组成。
通过计算上述车辆A的驾驶轨迹的节点的位置信息,以得到上述车辆A的驾驶轨迹;其中,根据上述车俩A的驾驶轨迹中的第一节点的位置信息按照以下方法计算得到与上述第一节点相邻的且位于上述第一节点之后的第二节点的位置信息:
根据上述第一节点的位置信息、上述车辆A的加速度变化集合A和横摆角变化集合Θ计算得到NA*NΘ个候选节点的位置信息,上述NA为上述横摆角变化集合A中元素的个数,上述NΘ为上述加速度变化集合Θ中元素的个数;
根据启发函数和上述代价函数对上述NA*NΘ个候选节点的位置信息的每个候选节点的位置信息进行评估,以得到第二节点的位置信息,该第二节点的位置信息为上述NA*NΘ个候选节点的位置信息中评估值最小的节点的位置信息,上述启发函数用于表征上述车辆A从上述第一节点到上述车辆A的轨迹的终点所需要付出代价。
其中,上述车辆A的驾驶轨迹中在时间相邻的两个节点的间隔为Δt,上述第一节点的位置信息为(Xt,Yt,Vt,θt),上述Xt,Yt,Vt,θt分别为时刻t时上述车辆A在上述第一三维时空地图上的横坐标和纵坐标,线速度与横摆角,上述驾驶轨迹获取装置根据上述第一节点的位置信息、上述车辆A的加速度变化集合A和横摆角变化集合Θ计算得到NA*NΘ个的候选节点中的第k个候选节点的位置信息为
其中,上述分别为上述第k个候选节点的横坐标、纵坐标、线速度和横摆角,上述上述上述上述上述上述θ为上述横摆角变化空间A中的任一元素,上述a为上述加速度变化空间Θ中的任一元素。
在一种具体的应用场景中,上述车辆A的加速度变化集合和横摆角变化集合可表示如下:
A={adec,0.5adec,0,0.5aacc,aacc}
Θ={±θ',±0.5θ',0}
其中,上述adec,aacc,θ'均为常数,上述集合A(即加速度变化集合)中的元素个数为5,上述集合Θ(即横摆角变化集合)中的元素个数为5。
上述驾驶轨迹获取装置根据在时刻t时车辆A的节点Nodet、上述加速度变化集合和横摆角变化集合获取上述车辆在时刻t+Δt的NA*NΘ个候选节点的位置信息,比如上述横摆角变化集合和加速度变化集合均包括5个元素时,该候选坐标节点的个数为25。该NA*NΘ个候选坐标节点中的第k个候选节点的位置信息可表示为:
其中,上述a∈A且上述θ∈Θ,上述k∈{1,2,…,NA*NΘ}。
按照上述方法,上述驾驶轨迹获取装置获取上述NA*NΘ个候选节点的位置信息后,上述驾驶轨迹获取装置根据上述代价函数和上述启发函数和对上述NA*NΘ个候选节点中的每个候选节点的位置信息进行评估,以得到NA*NΘ个评估值。上述驾驶轨迹获取装置将该NA*NΘ个评估值中值最小的评估值对应的候选节点位置信息作为时刻t+Δt时车辆A的节点Nodet+Δt的位置信息。具体地,上述驾驶轨迹获取装置根据上述代价函数和启发函数对上述NA*NΘ个中的第k个候选坐标节点进行评估,具体为:
Fk=Gk+Hk
G=w1Sk+w2Ck+w3Rk+w4Tk
其中,上述Fk为评估函数,上述Hk为启发函数,上述Xtarget和上述Ytarget为上述驾驶轨迹的终止节点的横纵坐标,上述Gk为上述代价函数。
上述驾驶轨迹获取装置判断第二节点Nodet+Δt是否为上述车辆A的驾驶轨迹的终止节点,当上述第二节点Nodet+Δt不为上述车辆A的驾驶轨迹的终止节点时,上述驾驶轨迹获取装置按照上述方法获取时刻t+2Δt时上述车辆A的节点即Nodet+2Δt。当该第二节点Nodet+Δt为上述车辆A的驾驶轨迹的终止节点时,上述驾驶轨迹获取装置停止上述操作。至此,上述驾驶轨迹获取装置得到上述车辆A的驾驶轨迹,然后上述驾驶轨迹获取装置执行步骤S207。
S207、驾驶轨迹获取装置优化车辆A的驾驶轨迹,以得到优化后的驾驶轨迹。
具体地,上述驾驶轨迹获取装置以上述车辆A的前轮为对象建立车辆A的运动学模型,将X=(xf,yf,θ,δ,vf)作为的系统的状态,将作为系统的输入。
其中,上述vf为上述车辆A的前轮的线速度,上述θ为上述车辆A的横摆角,上述δ为上述车辆A的前轮的转角,上述为上述车辆A的前轮转向角的角速度。
上述驾驶轨迹获取装置根据上述车辆A的运动学模型,建立模型预测控制的优化问题。
s.t.X0=Xstart,XN=Xtarget
Umin≤U≤Umax
其中,上述w1和w2是系数,Xr为预设的参考轨迹,Q和R分别是线性二次型的参数,Xstart和Xtarget分别为上述驾驶轨迹的起点和终点的状态约束,Umin和Umax分别是系统输入的上下界,φn(·)为上述驾驶轨迹上每一个点对应的状态约束。
上述驾驶轨迹获取装置采用构造凸可行域方法,解决传统求解优化问题存在耗时长,准确性低的问题,提高可解性和实效性。解决的关键在于迭代。在第k次迭代时,针对具体的参考轨迹计算相应的凸可行域上述驾驶轨迹获取装置通过模型预测控制法求解以下凸优化问题得到新的参考轨迹。
当上述新的参考轨迹收敛或者目标函数的梯度足够小时,迭代结束。此时即可获得考虑车辆运动学的优化后的驾驶轨迹。
S208、驾驶轨迹获取装置将优化后的驾驶轨迹发送至车辆A的控制装置。
具体地,上述驾驶轨迹获取装置将上述优化后的驾驶轨迹发送至上述车辆A的的控制装置后,该控制装置将该驾驶轨迹转换成该控制装置能够执行的驾驶指令,该控制装置根据该驾驶指令驾驶该车辆A。
S209、驾驶轨迹获取装置判断车辆A的驾驶员是否接管车辆A。
其中,当判断上述车辆A的驾驶员接管车辆A时,上述驾驶轨迹获取装置执行步骤S210;当判断上述车辆A的驾驶员未接管车辆A时,上述驾驶轨迹获取装置执行上述步骤S201。
需要指出的是,上述驾驶轨迹获取装置实时监测并判断上述车辆A的驾驶员是否接管上述车辆A。
S210、驾驶轨迹获取装置调整车辆A的驾驶员的驾驶风格系数,并存储该驾驶员的驾驶风格系数。
具体地,上述车辆A的驾驶员的操作信息包括:加速不转向、加速转向、匀速不转向、匀速转向、减速不转向和减速转向等信息;上述周边车辆信息包括上述车辆A的周边有车辆和车辆A的周边无车辆。
上述驾驶轨迹获取装置根据上述车辆A的驾驶员的操作信息和周边车辆信息对上述驾驶风格系数进行调整的具体方式见上述表1。
如表1所示,在车辆A周围有车辆的情况下,当确定上述车辆A加速未转向时,上述驾驶轨迹获取装置减小上述安全项S的系数w1。具体地,比如上述安全项S的系数w1,上述舒适项C的系数w2,上述合规项T的系数w3和上述效率项T的系数w4对应的取值范围均为(0,1),上述驾驶轨迹获取装置将上述安全项S的系数w1的取值范围调小后可为(0,0.5)或者(0,0.6),上述舒适项C的系数w2,上述合规项T的系数w3和上述效率项T的系数w4对应的取值范围保持不变。
上述驾驶轨迹获取装置从上述w1,w2,w3和w4对应的取值范围获取M组w1,w2,w3和w4,即上述驾驶轨迹获取装置分别从上述w1,w2,w3和w4对应的取值范围中获取M个数值,该M为大于1的整数。该驾驶轨迹获取装置根据遗传算法对该M组w1,w2,w3和w4进行处理,以得到M个预测驾驶轨迹。
具体地,上述驾驶轨迹获取装置根据上述M组w1,w2,w3和w4随机生成上述遗传算法的父代群体和设定该遗传算法的相关参数;上述驾驶轨迹获取装置根据遗传算法的父代群体和设定该遗传算法的相关参数对分别对上述M组w1,w2,w3和w4进行交叉和变异操作,以得到M个预测驾驶轨迹,该M个预测驾驶轨迹与上述M组w1,w2,w3和w4一一对应。上述驾驶轨迹获取装置采集上述车辆A的实际驾驶轨迹,并分别获取上述M个驾驶轨迹和该实际驾驶轨迹的近似度。上述驾驶轨迹获取装置获取与该实际驾驶轨迹的近似度最大的驾驶轨迹对应的一组w1,w2,w3和w4,并将该组w1,w2,w3和w4作为第二驾驶风格系数。上述驾驶轨迹获取装置将第二驾驶风格系数存储到该驾驶轨迹获取装置中或者上述服务器中,以替换第一驾驶风格系数,该第一驾驶员风格系数为上述驾驶轨迹获取装置自身的存储设备或者服务器中已存储的上述车辆A的驾驶员的驾驶风格系数。
在车辆A周围有车辆的情况下,当确定到上述车辆A加速转向或者减速转向时,上述驾驶轨迹获取装置增大或者减小上述安全项S的系数和效率项T的系数包括:该驾驶轨迹获取装置增大或者减小安全项S的系数w1的取值范围和效率项T的系数w4的取值范围,舒适项C的系数w2的取值范围和合规项R的系数w3的取值范围保持不变,比如上述安全项的系数w1,上述舒适项C的系数w2,上述合规项T的系数w3和上述效率项T的系数w4对应的取值范围均为(0,1),上述驾驶轨迹获取装置增大上述安全项S的系数w1的取值范围和上述效率项T的系数w4的取值范围,分别为(1,1.5)和(1,2),或者;上述驾驶轨迹获取装置减小上述安全项S的系数w1的取值范围和上述效率项T的系数w4的取值范围,分别为(0,0.2)和(0,0.1)。然后上述驾驶轨迹获取装置按照上述方法计算得到第二驾驶风格参数,并将该第二驾驶风格系数存储到该驾驶轨迹获取装置自身的存储设备中或者上述服务器中,以替换上述第一驾驶风格系数。
具体地,在此次上述车辆A的驾驶员接管该车辆A,且该车辆A的周围有车辆和该车辆A加速转向或者减速转向时,上述驾驶轨迹获取装置对上述安全项S的系数w1的取值范围和上述效率项T的系数w4的取值范围进行第一操作,上述舒适项C的系数w2的取值范围和上述合规项R的系数w3的取值范围保持不变。该第一操作包括增大或者减小上述安全项S的系数w1的取值范围和上述效率项T的系数w4的取值范围。上述驾驶轨迹获取装置按照上述方法获取第二驾驶风格系数,并将该第二驾驶风格系数存储到该驾驶轨迹获取装置自身的存储设备中或者上述服务器中,以替换上述第一驾驶风格系数。在下一次上述车辆A的驾驶员接管该车辆A,且该车辆A的周围有车辆和该车辆A加速转向或者减速转向时,上述驾驶轨迹获取装置对上述安全项S的系数w1的取值范围和上述效率项T的系数w4的取值范围进行第二操作,上述舒适项C的系数w2的取值范围和上述合规项R的系数w3的取值范围保持不变。该第二操作包括增大或者减小上述安全项S的系数w1的取值范围和上述效率项T的系数w4的取值范围,且上述第一操作与上述第二操作不一致。上述驾驶轨迹获取装置按照上述方法获取第二驾驶风格系数,并将该第二驾驶风格系数存储到该驾驶轨迹获取装置自身的存储设备中或者上述服务器中,以替换上述第一驾驶风格系数。
在车辆A周围有车辆的情况下,当确定上述车辆A匀速转向时,上述驾驶轨迹获取装置增大或者减小上述安全项S的系数w1,具体地,该驾驶轨迹获取装置增大或者减小上述安全项S的系数w1的取值范围,上述舒适项C的系数w2,上述合规项R的系数w3和上述效率项T的系数w4对应的取值范围保持不变;然后上述驾驶轨迹获取装置按照上述方法获取第二驾驶风格参数,并将该第二驾驶风格系数存储到该驾驶轨迹获取装置自身的存储设备中或者上述服务器中,以替换上述第一驾驶风格系数。
具体地,在此次上述车辆A的驾驶员接管该车辆A,且该车辆A的周围有车辆和该车辆A匀速转向时,上述驾驶轨迹获取装置对上述安全项S的系数w1的取值范围进行第一操作,上述舒适项C的系数w2的取值范围、上述合规项R的系数w3的取值范围和效率项T的系数w4的取值范围保持不变。该第一操作包括增大或者减小上述安全项S的系数w1的取值范围。上述驾驶轨迹获取装置按照上述方法获取第二驾驶风格系数,并将该第二驾驶风格系数存储到该驾驶轨迹获取装置自身的存储设备中或者上述服务器中,以替换上述第一驾驶风格系数。在下一次上述车辆A的驾驶员接管该车辆A,且该车辆A的周围有车辆和该车辆A匀速转向时,上述驾驶轨迹获取装置对上述安全项S的系数w1的取值范围进行第二操作,上述舒适项C的系数w2的取值范围、上述合规项R的系数w3的取值范围和上述效率项T的系数w4的取值范围保持不变。该第二操作包括增大或者减小上述安全项S的系数w1的取值范围,且上述第一操作与上述第二操作不一致。上述驾驶轨迹获取装置按照上述方法获取第二驾驶风格系数,并将该第二驾驶风格系数存储到该驾驶轨迹获取装置自身的存储设备中或者上述服务器中,以替换上述第一驾驶风格系数。
在车辆A周围有车辆的情况下,当确定上述车辆A减速未转向时,上述驾驶轨迹获取装置增大上述安全项T的系数。具体地,上述驾驶轨迹获取装置增大安全项T的系数w1的取值范围,上述舒适项C的系数w2、上述合规项R的系数w3和上述效率项T的系数w4对应的取值范围不变;然后上述驾驶轨迹获取装置根据上述方法获取第二驾驶风格参数,并将该第二驾驶风格系数存储到该驾驶轨迹获取装置自身的存储设备中或者上述服务器中,以替换上述第一驾驶风格系数。
在车辆A周围有车辆的情况下,当确定上述车辆A匀速不转向时,上述驾驶轨迹获取装置不调整上述驾驶员的驾驶风格参数。
在车辆A周围无车辆的情况下,当确定上述车辆A加速未转向或者减速未转向时,上述驾驶轨迹获取装置增大舒适项C的系数和效率项T的系数。具体地,上述驾驶轨迹获取装置增大舒适项C的系数w2和效率项T的系数w4对应的取值范围,安全项T的系数w1和合规项S的系数w3对应的取值范围保持不变;然后按照上述方法获取第二驾驶风格系数,并将该第二驾驶风格系数存储到上述驾驶轨迹获取装置的自身的存储设备或者上述服务器中,以替换上述第一驾驶风格系数;当确定上述车辆A加速转向、匀速未转向、匀速转向或者减速转向时,上述驾驶轨迹获取装置不调整上述车辆A的驾驶员的驾驶风格参数。
可以看出,在本发明实施例的方案中,在确定车辆A的驾驶轨迹过程中,既考虑了车辆A的周边车辆的驾驶员的驾驶风格和该车辆A的周边车辆的预测驾驶轨迹,又兼顾车辆A的驾驶风格,从而采用本发明实施例的方案得到的驾驶轨迹能够匹配所有驾驶员的驾驶风格。并且上述驾驶轨迹获取装置能够通过驾驶员接管车辆A的操作信息调整驾驶风格系数,进而调整驾驶轨迹,使得驾驶轨迹能够匹配所有驾驶员的驾驶风格,提高了驾驶员对驾驶轨迹的满意度,最终可以缩短驾驶员使用人工驾驶的磨合期。
参见图3,图3为本发明实施例提供的一种驾驶轨迹获取装置的结构示意图。如图3所示,该驾驶驾驶轨迹获取装置300包括:
第一获取单元301,用于获取所述车辆A的驾驶员的驾驶风格系数。
其中,所述第一获取单元301包括:
识别子单元3011,用于当接收到自动驾驶指令时,识别所述车辆A的驾驶员的身份标识;
获取子单元3012,用于根据所述车辆A的驾驶员的身份标识,获取所述车辆A的驾驶员的驾驶风格系数。
计算单元302,用于根据所述车辆A的驾驶员的驾驶风格系数,计算得到所述车辆A的驾驶员的代价函数,所述代价函数用于表征所述车辆A从所述车辆A的驾驶轨迹的初始节点到当前节点所付出的代价;
所述计算单元302,用于根据所述驾驶员的代价函数在第一三维时空地图上计算得到所述车辆A的驾驶轨迹。
具体地,所述计算单元302具体用于:
通过计算所述车辆A的驾驶轨迹的节点的位置信息,以得到所述车辆A的驾驶轨迹;其中,根据所述车俩A的驾驶轨迹中的第一节点的位置信息按照以下方法计算得到与所述第一节点相邻的且位于所述第一节点之后的第二节点的位置信息:
根据所述第一节点的位置信息、所述车辆A的加速度变化集合A和横摆角变化集合Θ计算得到NA*NΘ个候选节点的位置信息,所述NA为所述横摆角变化集合A中元素的个数,所述NΘ为所述加速度变化集合Θ中元素的个数,所述NA和所述NΘ均为大于1的整数;
根据启发函数和所述代价函数对所述NA*NΘ个候选节点的位置信息中的每个候选节点的位置信息进行评估,以得到第二节点的位置信息,其中,所述第二节点的位置信息为所述NA*NΘ个候选节点的位置信息中评估值最小的节点的位置信息,所述启发函数用于表征所述车辆A从所述第一节点到所述车辆A的轨迹的终点所需要付出代价。
进一步地,所述车辆A的驾驶轨迹中在时间相邻的两个节点的间隔为Δt,所述第一节点的位置信息为(Xt,Yt,Vt,θt),所述Xt,Yt,Vt,θt分别为时刻t时所述车辆A在所述第一三维时空地图上的横坐标和纵坐标,线速度与横摆角,所述计算单元302根据所述第一节点的位置信息、所述车辆A的加速度变化集合A和横摆角变化集合Θ计算得到NA*NΘ个候选节点中的第k个候选节点的位置信息为
其中,所述分别为所述第k个候选节点的横坐标、纵坐标、线速度和横摆角,所述所述所述所述所述所述θ为所述横摆角变化空间A中的任一元素,所述a为所述加速度变化空间Θ中的任一元素。
可选地,所述代价函数为根据安全项S,舒适项C、合规项R和效率项T中至少一个构建的函数;其中,所述安全项S,舒适项C、合规项R和效率项T为所述车辆A的驾驶员的驾驶习惯参数,所述安全项S用于表征所述车辆A的跟车习惯和与周围障碍物保持的安全距离;所述舒适项C用于表征所述车辆A的车速的变化程度和加速度的变化程度;所述合规项R用于表征所述车辆A是否遵守交通规则;所述效率项T用于表征到达目的地的时间,避让障碍物时刹车和转向的优先级,以及所述车辆A与其周边车辆博弈过程中的抢行和让行行为。
可选地,所述代价函数为:
G=w1S+w2C+w3R+w4T
其中,所述w1,w2,w3和w4为所述车辆A的驾驶员的驾驶风格系数。
可选地,所述安全项S根据所述车辆A与其前车之间的纵向距离、所述车辆A的纵向速度与其前车的纵向速度的差值和所述车辆A与其左右相邻的车辆之间的横向距离确定;所述舒适项C根据所述车辆A的实际速度与所述车辆A的期望速度的差值和所述车辆A的实际加速度和所述车辆A的期望加速度的差值确定;所述合规项R根据所述车辆A期望其所在位置的横坐标与所述车辆A所在行车道的车道中心线的横坐标的差值、所述车辆A期望其所在位置的纵坐标与所述车辆A所在行车道的车道中心线的纵坐标的差值和所述车辆A的期望速度与所述车辆A所在车道允许的最大速度的差值确定;所述效率项T根据所述车辆A的当前位置的横坐标与所述车辆A的期望位置的横坐标的差值和所述车辆A的当前位置的纵坐标与所述车辆A的期望位置的纵坐标的差值确定。
可选地,所述安全项S、所述舒适项C、所述合规项R和所述效率项T分别表示为:
C=(ΔV)2+(ΔA)2;
R=(Xdesired-Xcenterline)2+(Ydesired-Ycenterline)2+(Vdesired-Vlimit)2;
T=(Xdesired-Xcurrent)2+(Ydesired-Ycurrent)2;
其中,所述c1,c2,c3,c4和p为常数,所述Δd为所述车辆A与其前车之间的纵向距离,所述Δl为所述车辆A与其左右相邻的车辆之间的横向距离,所述Δv为所述车辆A的纵向速度与其前车的纵向速度的差值;所述ΔV为所述车辆A的实际速度与所述车辆A的期望速度的差值,所述ΔA为所述车辆A的实际加速度和所述车辆A的期望加速度的差值;所述Xdesired和所述Ydesired分别为上述车辆A期望位置的横坐标和纵坐标,所述Xcenterline和Ycenterline分别为所述车辆A所在车道的车道中心线的横坐标和纵坐标,所述Vlimit为所述车辆A所在车道的允许的最大速度,所述Vdesired为该车辆A的期望速度;所述Xcurrent和所述Ycurrent分别为所述车辆A当前位置的横坐标和纵坐标。
可选地,所述驾驶轨迹获取装置还包括:
转换单元303,用于在所述计算单元根据所述驾驶员的代价函数在第一三维时空地图上计算得到车辆A的驾驶轨迹之前,将二维空间地图转换成第二三维时空地图。
第二获取单元304,用于获取所述车辆A的周边车辆的车身安全包络区域。
其中,所述第二获取单元304包括:
计算子单元3041,用于根据所述车辆A的周边车辆的驾驶员的驾驶风格、速度、加速度和横摆角,计算得到所述车辆A的周边车辆的预测驾驶轨迹。
可选地,所述计算子单元3041还用于:
在所述根据所述车辆A的周边车辆的驾驶员的驾驶风格、速度、加速度和横摆角,计算得到所述车辆A的周边车辆的预测驾驶轨迹之前,根据所述车辆A的周边车辆的速度和加速度,计算得到所述车辆A的周边车辆的驾驶员的驾驶风格。
具体地,所述车辆A的周边车辆的速度包括车辆A的周边车辆的横向速度,所述车辆A的周边车辆的加速度包括车辆A的周边车辆的横向加速度,所述车辆A的周边车辆的驾驶员的驾驶风格包括横向驾驶风格;
其中,所述计算子单元3041具体用于:
获取N组所述车辆A的周边车辆的横向速度和横向加速度
对所述N组所述车辆A的周边车辆的横向速度和横向加速度的第i组进行以下操作,以得到N个第一横向驾驶风格,所述i=1,2,…,N,所述N为大于1的整数:
将第i组所述车辆A的周边车辆的横向速度和横向加速度分别输入横向激进驾驶模型、横向保守驾驶模型和横向正常驾驶模型中,计算得到三个第一概率值;
根据所述三个第一概率值确定所述第一横向驾驶风格,所述第一横向驾驶风格为所述三个第一概率值中最大概率值对应的驾驶模型对应的驾驶风格;
对所述N个第一横向驾驶风格进行均值滤波,以得到所述车辆A的周边车辆的驾驶员的横向驾驶风格。
具体地,所述车辆A的周边车辆的速度包括车辆A的周边车辆的纵向速度,所述车辆A的周边车辆的加速度包括车辆A的周边车辆的纵向加速度,所述车辆A的周边车辆的驾驶员的驾驶风格包括纵向驾驶风格;
其中,所述计算子单元3041具体用于:
获取N组所述车辆A的周边车辆的纵向速度和纵向加速度
对所述N组所述车辆A的周边车辆的纵向速度和纵向加速度的第i组进行以下操作,以得到N个第一纵向驾驶风格,所述i=1,2,…,N,所述N为大于1的整数:
将第i组所述车辆A的周边车辆的纵向速度和纵向加速度分别输入纵向激进驾驶模型、纵向保守驾驶模型和纵向正常驾驶模型中,计算得到三个第二概率值;
根据所述三个第二概率值确定所述第一纵向驾驶风格,所述第一纵向驾驶风格为所述三个第二概率值中最大概率值对应的驾驶模型对应的驾驶风格;
对所述N个第一纵向驾驶风格进行均值滤波,以得到所述车辆A的周边车辆的驾驶员的纵向驾驶风格。
确定子单元3042,用于根据所述车辆A的周边车辆的预测驾驶轨迹和所述车辆A的周边车辆的驾驶员的驾驶风格确定所述车辆A的周边车辆的车身安全包络区域。
删除单元305,用于将所述第二三维时空地图中所述车辆A的周边车辆的车身安全包络区域对应的区域删除,以得到所述第一三维时空地图。
可选地,所述驾驶轨迹获取装置300还包括:
优化单元306,用于根据车辆运动学模型对所述车辆A的驾驶轨迹进行优化,以得到优化后的驾驶轨迹;
发送单元307,用于将所述优化后的驾驶轨迹发送至所述车辆A的控制装置。
可选地,所述驾驶轨迹获取装置300还包括:
所述第一获取单元301,还用于在所述发送单元将所述优化后的驾驶轨迹发送至所述车辆的A控制装置之后,当检测到所述车辆A的驾驶员接管所述车辆A时,获取所述车辆A的驾驶员的操作信息和周边车辆信息;
调整单元308,用于根据所述操作信息和周边车辆信息调整所述车辆A的驾驶员的驾驶风格系数,以得到调整后的驾驶风格系数。
其中,所述车辆A的驾驶员的驾驶风格系数包括所述安全项S的系数、所述舒适项C的系数、所述合规项R的系数和所述效率项T的系数,所述车辆A的驾驶员的驾驶风格系数包括所述安全项S的系数、所述舒适项C的系数和所述效率项T的系数;
其中,调整单元308具体用于:
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括加速不转向时,减小所述安全项S的系数,或者;
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括加速转向时,增大或者减小所述安全项S的系数和所述效率项T的系数,或者;
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括匀速转向时,增大或者减小所述安全项S的系数,或者;
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括减速不转向时,增大所述安全项S的系数,或者;
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括减速转向时,增大或者减小所述安全项S的系数和所述效率项T的系数,或者;
当周边车辆信息包括所述车辆A的周边无车辆,且所述操作信息包括加速不转向或者减速不转向时,增大所述安全项S的系数和所述效率项T的系数。
第一存储单元309,用于存储所述调整后的驾驶风格系数。
可选地,所述驾驶轨迹获取装置300还包括:
所述计算单元302,还用于当接收到人工驾驶指令时,根据遗传算法计算得到所述车辆A的驾驶员的驾驶风格系数。
具体地,所述计算单元302还具体用于:
获取所述车辆A的驾驶员的驾驶风格系数的取值范围;
从所述驾驶风格系数的取值范围中随机获取M组驾驶风格系数;
根据遗传算法对所述M组驾驶风格系数进行计算,得到M个预测驾驶轨迹,所述M个预测驾驶轨迹与所述M组驾驶风格系数一一对应;
获取所述车辆A的实际驾驶轨迹;
将所述M个预测驾驶轨迹中的每个预测驾驶轨迹与所述实际驾驶轨迹进行比较,以得到所述车辆A的驾驶员的驾驶风格系数,所述车辆A的驾驶员的驾驶风格系数为所述M个预测驾驶轨迹中与所述实际驾驶轨迹相似值最大的预测驾驶轨迹对应的驾驶风格系数。
第二存储单元310,用于存储所述车辆A的驾驶员的驾驶风格系数。
需要说明的是,上述各单元(第一获取单元301、计算单元302、转换单元303、第二获取单元304、删除单元305、优化单元306、发送单元307、调整单元308、第一存储单元309和第二存储单元310)用于执行上述方法的相关步骤。
在本实施例中,驾驶轨迹获取装置300是以单元的形式来呈现。这里的“单元”可以指特定应用集成电路(application-specific integrated circuit,ASIC),执行一个或多个软件或固件程序的处理器和存储器,集成逻辑电路,和/或其他可以提供上述功能的器件。此外,以上第一获取单元301、计算单元302、转换单元303、第二获取单元304、删除单元305、优化单元306、发送单元307、调整单元308、第一存储单元309和第二存储单元310可通过图6所示的驾驶轨迹获取装置的处理器601来实现。
如图6所示,驾驶轨迹获取装置600可以以图6中的结构来实现,该驾驶轨迹获取装置600包括至少一个处理器601,至少一个存储器602以及至少一个通信接口603。所述处理器601、所述存储器602和所述通信接口603通过所述通信总线连接并完成相互间的通信。
处理器601可以是通用中央处理器(CPU),微处理器,特定应用集成电路(application-specific integrated circuit,ASIC),或一个或多个用于控制以上方案程序执行的集成电路。
通信接口603,用于与其他设备或通信网络通信,如以太网,无线接入网(RAN),无线局域网(Wireless Local Area Networks,WLAN)等。
存储器602可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线与处理器相连接。存储器也可以和处理器集成在一起。
其中,所述存储器602用于存储执行以上方案的应用程序代码,并由处理器601来控制执行。所述处理器601用于执行所述存储器602中存储的应用程序代码。
存储器602存储的代码可执行以上提供的驾驶轨迹获取装置执行上述驾驶轨迹获取方法,比如:获取所述车辆A的驾驶员的驾驶风格系数;根据所述车辆A的驾驶员的驾驶风格系数,计算得到所述车辆A的驾驶员的代价函数,所述代价函数用于表征所述车辆A从所述车辆A的驾驶轨迹的初始节点到当前节点所付出的代价;根据所述驾驶员的代价函数在第一三维时空地图上获取所述车辆A的驾驶轨迹。
本发明实施例还提供一种计算机存储介质,其中,该计算机存储介质可存储有程序,该程序执行时包括上述方法实施例中记载的任何一种驾驶轨迹获取方法的部分或全部步骤。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,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单元中,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单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本发明实施例进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上上述,本说明书内容不应理解为对本发明的限制。
Claims (38)
1.一种驾驶轨迹获取方法,其特征在于,包括:
获取车辆A的驾驶员的驾驶风格系数;
根据所述车辆A的驾驶员的驾驶风格系数,计算得到所述车辆A的驾驶员的代价函数,所述代价函数用于表征所述车辆A从所述车辆A的驾驶轨迹的初始节点到当前节点所付出的代价;
根据所述代价函数在第一三维时空地图上计算得到所述车辆A的驾驶轨迹。
2.根据权利要求1所述的方法,其特征在于,所述获取车辆A的驾驶员的驾驶风格系数,包括:
当接收到自动驾驶指令时,识别所述车辆A的驾驶员的身份标识;
根据所述车辆A的驾驶员的身份标识,获取所述车辆A的驾驶员的驾驶风格系数。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述代价函数在第一三维时空地图上计算得到车辆A的驾驶轨迹,包括:
通过计算所述车辆A的驾驶轨迹的节点的位置信息,以得到所述车辆A的驾驶轨迹;其中,根据所述车俩A的驾驶轨迹中的第一节点的位置信息按照以下方法计算得到与所述第一节点相邻的且位于所述第一节点之后的第二节点的位置信息:
根据所述第一节点的位置信息、所述车辆A的加速度变化集合A和横摆角变化集合Θ计算得到NA*NΘ个候选节点的位置信息,所述NA为所述横摆角变化集合A中元素的个数,所述NΘ为所述加速度变化集合Θ中元素的个数,所述NA和所述NΘ均为大于1的整数;
根据启发函数和所述代价函数对所述NA*NΘ个候选节点的位置信息中的每个候选节点的位置信息进行评估,以得到第二节点的位置信息,其中,所述第二节点的位置信息为所述NA*NΘ个候选节点的位置信息中评估值最小的节点的位置信息,所述启发函数用于表征所述车辆A从所述第一节点到所述车辆A的轨迹的终点所需要付出代价。
4.根据权利要求3所述的方法,其特征在于,所述车辆A的驾驶轨迹中在时间相邻的两个节点的间隔为Δt,所述第一节点的位置信息为(Xt,Yt,Vt,θt),所述Xt,Yt,Vt,θt分别为时刻t时所述车辆A在所述第一三维时空地图上的横坐标和纵坐标,线速度与横摆角,所述根据所述第一节点的位置信息、所述车辆A的加速度变化集合A和横摆角变化集合Θ计算得到NA*NΘ个候选节点中的第k个候选节点的位置信息为
其中,所述分别为所述第k个候选节点的横坐标、纵坐标、线速度和横摆角,所述所述所述所述所述所述θ为所述横摆角变化空间A中的任一元素,所述a为所述加速度变化空间Θ中的任一元素。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述代价函数为根据安全项S,舒适项C、合规项R和效率项T中至少一个构建的函数;其中,所述安全项S,舒适项C、合规项R和效率项T为所述车辆A的驾驶员的驾驶习惯参数,所述安全项S用于表征所述车辆A的跟车习惯和与周围障碍物保持的安全距离;所述舒适项C用于表征所述车辆A的车速的变化程度和加速度的变化程度;所述合规项R用于表征所述车辆A是否遵守交通规则;所述效率项T用于表征到达目的地的时间,避让障碍物时刹车和转向的优先级,以及所述车辆A与其周边车辆博弈过程中的抢行和让行行为。
6.根据权利要求5所述的方法,其特征在于,所述代价函数为:
G=w1S+w2C+w3R+w4T
其中,所述w1,w2,w3和w4为所述车辆A的驾驶员的驾驶风格系数。
7.据权利要求5或6所述的方法,其特征在于,所述安全项S根据所述车辆A与其前车之间的纵向距离、所述车辆A的纵向速度与其前车的纵向速度的差值和所述车辆A与其左右相邻的车辆之间的横向距离确定;所述舒适项C根据所述车辆A的实际速度与所述车辆A的期望速度的差值和所述车辆A的实际加速度和所述车辆A的期望加速度的差值确定;所述合规项R根据所述车辆A期望其所在位置的横坐标与所述车辆A所在行车道的车道中心线的横坐标的差值、所述车辆A期望其所在位置的纵坐标与所述车辆A所在行车道的车道中心线的纵坐标的差值和所述车辆A的期望速度与所述车辆A所在车道允许的最大速度的差值确定;所述效率项T根据所述车辆A的当前位置的横坐标与所述车辆A的期望位置的横坐标的差值和所述车辆A的当前位置的纵坐标与所述车辆A的期望位置的纵坐标的差值确定。
8.据权利要求7所述的方法,其特征在于,所述安全项S、所述舒适项C、所述合规项R和所述效率项T分别表示为:
C=(ΔV)2+(ΔA)2;
R=(Xdesired-Xcenterline)2+(Ydesired-Ycenterline)2+(Vdesired-Vlimit)2;
T=(Xdesired-Xcurrent)2+(Ydesired-Ycurrent)2;
其中,所述c1,c2,c3,c4和p为常数,所述Δd为所述车辆A与其前车之间的纵向距离,所述Δl为所述车辆A与其左右相邻的车辆之间的横向距离,所述Δv为所述车辆A的纵向速度与其前车的纵向速度的差值;所述ΔV为所述车辆A的实际速度与所述车辆A的期望速度的差值,所述ΔA为所述车辆A的实际加速度和所述车辆A的期望加速度的差值;所述Xdesired和所述Ydesired分别为所述车辆A期望位置的横坐标和纵坐标,所述Xcenterline和Ycenterline分别为所述车辆A所在车道的车道中心线的横坐标和纵坐标,所述Vlimit为所述车辆A所在车道的允许的最大速度,所述Vdesired为该车辆A的期望速度;所述Xcurrent和所述Ycurrent分别为所述车辆A当前位置的横坐标和纵坐标。
9.根据权利要求1-8任一项所述的方法,其特征在于,所述根据所述驾驶员的代价函数在第一三维时空地图上计算得到车辆A的驾驶轨迹之前,所述方法还包括:
将二维空间地图转换成第二三维时空地图;
获取所述车辆A的周边车辆的车身安全包络区域;
将所述第二三维时空地图中所述车辆A的周边车辆的车身安全包络区域对应的区域删除,以得到所述第一三维时空地图。
10.根据权利要求9所述的方法,其特征在于,所述获取所述车辆A的周边车辆的车身安全包络区域,包括:
根据所述车辆A的周边车辆的驾驶员的驾驶风格、速度、加速度和横摆角,计算得到所述车辆A的周边车辆的预测驾驶轨迹;
根据所述车辆A的周边车辆的预测驾驶轨迹和所述车辆A的周边车辆的驾驶员的驾驶风格确定所述车辆A的周边车辆的车身安全包络区域。
11.根据权利要求10所述的方法,其特征在于,在所述根据所述车辆A的周边车辆的驾驶员的驾驶风格、速度、加速度和横摆角,计算得到所述车辆A的周边车辆的预测驾驶轨迹之前,还包括:
根据所述车辆A的周边车辆的速度和加速度,计算得到所述车辆A的周边车辆的驾驶员的驾驶风格。
12.根据权利要求10或11所述的方法,其特征在于,所述车辆A的周边车辆的速度包括车辆A的周边车辆的横向速度,所述车辆A的周边车辆的加速度包括车辆A的周边车辆的横向加速度,所述车辆A的周边车辆的驾驶员的驾驶风格包括横向驾驶风格;
其中,所述根据所述车辆A的周边车辆的速度和加速度,计算得到所述车辆A的周边车辆的驾驶员的驾驶风格,包括:
获取N组所述车辆A的周边车辆的横向速度和横向加速度
对所述N组所述车辆A的周边车辆的横向速度和横向加速度的第i组进行以下操作,以得到N个第一横向驾驶风格,所述i=1,2,…,N,所述N为大于1的整数:
将第i组所述车辆A的周边车辆的横向速度和横向加速度分别输入横向激进驾驶模型、横向保守驾驶模型和横向正常驾驶模型中,计算得到三个第一概率值;
根据所述三个第一概率值确定所述第一横向驾驶风格,所述第一横向驾驶风格为所述三个第一概率值中最大概率值对应的驾驶模型对应的驾驶风格;
对所述N个第一横向驾驶风格进行均值滤波,以得到所述车辆A的周边车辆的驾驶员的横向驾驶风格。
13.根据权利要求10或11所述的方法,其特征在于,所述车辆A的周边车辆的速度包括车辆A的周边车辆的纵向速度,所述车辆A的周边车辆的加速度包括车辆A的周边车辆的纵向加速度,所述车辆A的周边车辆的驾驶员的驾驶风格包括纵向驾驶风格;
其中,所述根据所述车辆A的周边车辆的速度和加速度,计算得到所述车辆A的周边车辆的驾驶员的驾驶风格,包括:
获取N组所述车辆A的周边车辆的纵向速度和纵向加速度
对所述N组所述车辆A的周边车辆的纵向速度和纵向加速度的第i组进行以下操作,以得到N个第一纵向驾驶风格,所述i=1,2,…,N,所述N为大于1的整数:
将第i组所述车辆A的周边车辆的纵向速度和纵向加速度分别输入纵向激进驾驶模型、纵向保守驾驶模型和纵向正常驾驶模型中,计算得到三个第二概率值;
根据所述三个第二概率值确定所述第一纵向驾驶风格,所述第一纵向驾驶风格为所述三个第二概率值中最大概率值对应的驾驶模型对应的驾驶风格;
对所述N个第一纵向驾驶风格进行均值滤波,以得到所述车辆A的周边车辆的驾驶员的纵向驾驶风格。
14.根据权利要求5-8任一项所述的方法,其特征在于,所述方法还包括:
根据车辆运动学模型对所述车辆A的驾驶轨迹进行优化,以得到优化后的驾驶轨迹;
将所述优化后的驾驶轨迹发送至所述车辆A的控制装置。
15.根据权利要求14所述的方法,其特征在于,所述将所述优化后的驾驶轨迹发送至所述车辆的A控制装置之后,所述方法还包括:
当检测到所述车辆A的驾驶员接管所述车辆A时,获取所述车辆A的驾驶员的操作信息和周边车辆信息;
根据所述操作信息和周边车辆信息调整所述车辆A的驾驶员的驾驶风格系数,以得到调整后的驾驶风格系数;
存储所述调整后的驾驶风格系数。
16.根据权利要求15所述的方法,其特征在于,所述车辆A的驾驶员的驾驶风格系数包括所述安全项S的系数、所述舒适项C的系数、所述合规项R的系数和所述效率项T的系数,所述车辆A的驾驶员的驾驶风格系数包括所述安全项S的系数、所述舒适项C的系数和所述效率项T的系数;
其中,所述根据所述操作信息和周边车辆信息调整所述车辆A的驾驶员的驾驶风格系数,以得到调整后的驾驶风格系数,包括:
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括加速不转向时,减小所述安全项S的系数,或者;
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括加速转向时,增大或者减小所述安全项S的系数和所述效率项T的系数,或者;
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括匀速转向时,增大或者减小所述安全项S的系数,或者;
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括减速不转向时,增大所述安全项S的系数,或者;
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括减速转向时,增大或者减小所述安全项S的系数和所述效率项T的系数,或者;
当周边车辆信息包括所述车辆A的周边无车辆,且所述操作信息包括加速不转向或者减速不转向时,增大所述安全项S的系数和所述效率项T的系数。
17.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当接收到人工驾驶指令时,根据遗传算法计算得到所述车辆A的驾驶员的驾驶风格系数;
存储所述车辆A的驾驶员的驾驶风格系数。
18.根据权利要求17所述的方法,其特征在于,所述根据遗传算法计算得到所述车辆A的驾驶员的驾驶风格系数,包括:
获取所述车辆A的驾驶员的驾驶风格系数的取值范围;
从所述驾驶风格系数的取值范围中随机获取M组驾驶风格系数;
根据遗传算法对所述M组驾驶风格系数进行计算,得到M个预测驾驶轨迹,所述M个预测驾驶轨迹与所述M组驾驶风格系数一一对应;
获取所述车辆A的实际驾驶轨迹;
将所述M个预测驾驶轨迹中的每个预测驾驶轨迹与所述实际驾驶轨迹进行比较,以得到所述车辆A的驾驶员的驾驶风格系数,所述车辆A的驾驶员的驾驶风格系数为所述M个预测驾驶轨迹中与所述实际驾驶轨迹相似值最大的预测驾驶轨迹对应的驾驶风格系数。
19.一种驾驶轨迹获取装置,其特征在于,包括:
第一获取单元,用于获取车辆A的驾驶员的驾驶风格系数;
计算单元,用于根据所述车辆A的驾驶员的驾驶风格系数,计算得到所述车辆A的驾驶员的代价函数,所述代价函数用于表征所述车辆A从所述车辆A的驾驶轨迹的初始节点到当前节点所付出的代价;
所述计算单元,用于根据所述驾驶员的代价函数在第一三维时空地图上计算得到所述车辆A的驾驶轨迹。
20.根据权利要求19所述的驾驶轨迹获取装置,其特征在于,所述第一获取单元包括:
识别子单元,用于当接收到自动驾驶指令时,识别所述车辆A的驾驶员的身份标识;
获取子单元,用于根据所述车辆A的驾驶员的身份标识,获取所述车辆A的驾驶员的驾驶风格系数。
21.根据权利要求19或20所述的驾驶轨迹获取装置,其特征在于,所述计算单元具体用于:
通过计算所述车辆A的驾驶轨迹的节点的位置信息,以得到所述车辆A的驾驶轨迹;其中,根据所述车俩A的驾驶轨迹中的第一节点的位置信息按照以下方法计算得到与所述第一节点相邻的且位于所述第一节点之后的第二节点的位置信息:
根据所述第一节点的位置信息、所述车辆A的加速度变化集合A和横摆角变化集合Θ计算得到NA*NΘ个候选节点的位置信息,所述NA为所述横摆角变化集合A中元素的个数,所述NΘ为所述加速度变化集合Θ中元素的个数,所述NA和所述NΘ均为大于1的整数;
根据启发函数和所述代价函数对所述NA*NΘ个候选节点的位置信息中的每个候选节点的位置信息进行评估,以得到第二节点的位置信息,其中,所述第二节点的位置信息为所述NA*NΘ个候选节点的位置信息中评估值最小的节点的位置信息,所述启发函数用于表征所述车辆A从所述第一节点到所述车辆A的轨迹的终点所需要付出代价。
22.根据权利要求21所述的驾驶轨迹获取装置,其特征在于,所述车辆A的驾驶轨迹中在时间相邻的两个节点的间隔为Δt,所述第一节点的位置信息为(Xt,Yt,Vt,θt),所述Xt,Yt,Vt,θt分别为时刻t时所述车辆A在所述第一三维时空地图上的横坐标和纵坐标,线速度与横摆角,所述计算单元根据所述第一节点的位置信息、所述车辆A的加速度变化集合A和横摆角变化集合Θ计算得到NA*NΘ个候选节点中的第k个候选节点的位置信息为
其中,所述分别为所述第k个候选节点的横坐标、纵坐标、线速度和横摆角,所述所述所述所述所述所述θ为所述横摆角变化空间A中的任一元素,所述a为所述加速度变化空间Θ中的任一元素。
23.根据权利要求19-22任一项所述的驾驶轨迹获取装置,其特征在于,所述代价函数为根据安全项S,舒适项C、合规项R和效率项T中至少一个构建的函数;其中,所述安全项S,舒适项C、合规项R和效率项T为所述车辆A的驾驶员的驾驶习惯参数,所述安全项S用于表征所述车辆A的跟车习惯和与周围障碍物保持的安全距离;所述舒适项C用于表征所述车辆A的车速的变化程度和加速度的变化程度;所述合规项R用于表征所述车辆A是否遵守交通规则;所述效率项T用于表征到达目的地的时间,避让障碍物时刹车和转向的优先级,以及所述车辆A与其周边车辆博弈过程中的抢行和让行行为。
24.根据权利要求23所述的驾驶轨迹获取装置,其特征在于,所述代价函数为:
G=w1S+w2C+w3R+w4T
其中,所述w1,w2,w3和w4为所述车辆A的驾驶员的驾驶风格系数。
25.根据权利要求23或者24所述的驾驶轨迹获取装置,其特征在于,所述安全项S根据所述车辆A与其前车之间的纵向距离、所述车辆A的纵向速度与其前车的纵向速度的差值和所述车辆A与其左右相邻的车辆之间的横向距离确定;所述舒适项C根据所述车辆A的实际速度与所述车辆A的期望速度的差值和所述车辆A的实际加速度和所述车辆A的期望加速度的差值确定;所述合规项R根据所述车辆A期望其所在位置的横坐标与所述车辆A所在行车道的车道中心线的横坐标的差值、所述车辆A期望其所在位置的纵坐标与所述车辆A所在行车道的车道中心线的纵坐标的差值和所述车辆A的期望速度与所述车辆A所在车道允许的最大速度的差值确定;所述效率项T根据所述车辆A的当前位置的横坐标与所述车辆A的期望位置的横坐标的差值和所述车辆A的当前位置的纵坐标与所述车辆A的期望位置的纵坐标的差值确定。
26.根据权利要求25所述的驾驶轨迹获取装置,其特征在于,所述安全项S、所述舒适项C、所述合规项R和所述效率项T分别表示为:
C=(ΔV)2+(ΔA)2;
R=(Xdesired-Xcenterline)2+(Ydesired-Ycenterline)2+(Vdesired-Vlimit)2;
T=(Xdesired-Xcurrent)2+(Ydesired-Ycurrent)2;
其中,所述c1,c2,c3,c4和p为常数,所述Δd为所述车辆A与其前车之间的纵向距离,所述Δl为所述车辆A与其左右相邻的车辆之间的横向距离,所述Δv为所述车辆A的纵向速度与其前车的纵向速度的差值;所述ΔV为所述车辆A的实际速度与所述车辆A的期望速度的差值,所述ΔA为所述车辆A的实际加速度和所述车辆A的期望加速度的差值;所述Xdesired和所述Ydesired分别为所述车辆A期望位置的横坐标和纵坐标,所述Xcenterline和Ycenterline分别为所述车辆A所在车道的车道中心线的横坐标和纵坐标,所述Vlimit为所述车辆A所在车道的允许的最大速度,所述Vdesired为该车辆A的期望速度;所述Xcurrent和所述Ycurrent分别为所述车辆A当前位置的横坐标和纵坐标。
27.根据权利要求19-26任一项所述的驾驶轨迹获取装置,其特征在于,所述驾驶轨迹获取装置还包括:
转换单元,用于在所述计算单元根据所述驾驶员的代价函数在第一三维时空地图上计算得到车辆A的驾驶轨迹之前,将二维空间地图转换成第二三维时空地图;
第二获取单元,用于获取所述车辆A的周边车辆的车身安全包络区域;
删除单元,用于将所述第二三维时空地图中所述车辆A的周边车辆的车身安全包络区域对应的区域删除,以得到所述第一三维时空地图。
28.根据权利要求27所述的驾驶轨迹获取装置,其特征在于,所述第二获取单元包括:
计算子单元,用于根据所述车辆A的周边车辆的驾驶员的驾驶风格、速度、加速度和横摆角,计算得到所述车辆A的周边车辆的预测驾驶轨迹;
确定子单元,用于根据所述车辆A的周边车辆的预测驾驶轨迹和所述车辆A的周边车辆的驾驶员的驾驶风格确定所述车辆A的周边车辆的车身安全包络区域。
29.根据权利要求28所述驾驶轨迹获取装置,其特征在于,所述计算子单元还用于:
在所述根据所述车辆A的周边车辆的驾驶员的驾驶风格、速度、加速度和横摆角,计算得到所述车辆A的周边车辆的预测驾驶轨迹之前,根据所述车辆A的周边车辆的速度和加速度,计算得到所述车辆A的周边车辆的驾驶员的驾驶风格。
30.根据权利要求28或29所述驾驶轨迹获取装置,其特征在于,所述车辆A的周边车辆的速度包括车辆A的周边车辆的横向速度,所述车辆A的周边车辆的加速度包括车辆A的周边车辆的横向加速度,所述车辆A的周边车辆的驾驶员的驾驶风格包括横向驾驶风格;
其中,所述计算子单元具体用于:
获取N组所述车辆A的周边车辆的横向速度和横向加速度
对所述N组所述车辆A的周边车辆的横向速度和横向加速度的第i组进行以下操作,以得到N个第一横向驾驶风格,所述i=1,2,…,N,所述N为大于1的整数:
将第i组所述车辆A的周边车辆的横向速度和横向加速度分别输入横向激进驾驶模型、横向保守驾驶模型和横向正常驾驶模型中,计算得到三个第一概率值;
根据所述三个第一概率值确定所述第一横向驾驶风格,所述第一横向驾驶风格为所述三个第一概率值中最大概率值对应的驾驶模型对应的驾驶风格;
对所述N个第一横向驾驶风格进行均值滤波,以得到所述车辆A的周边车辆的驾驶员的横向驾驶风格。
31.根据权利要求28或29所述驾驶轨迹获取装置,其特征在于,所述车辆A的周边车辆的速度包括车辆A的周边车辆的纵向速度,所述车辆A的周边车辆的加速度包括车辆A的周边车辆的纵向加速度,所述车辆A的周边车辆的驾驶员的驾驶风格包括纵向驾驶风格;
其中,所述计算子单元具体用于:
获取N组所述车辆A的周边车辆的纵向速度和纵向加速度
对所述N组所述车辆A的周边车辆的纵向速度和纵向加速度的第i组进行以下操作,以得到N个第一纵向驾驶风格,所述i=1,2,…,N,所述N为大于1的整数:
将第i组所述车辆A的周边车辆的纵向速度和纵向加速度分别输入纵向激进驾驶模型、纵向保守驾驶模型和纵向正常驾驶模型中,计算得到三个第二概率值;
根据所述三个第二概率值确定所述第一纵向驾驶风格,所述第一纵向驾驶风格为所述三个第二概率值中最大概率值对应的驾驶模型对应的驾驶风格;
对所述N个第一纵向驾驶风格进行均值滤波,以得到所述车辆A的周边车辆的驾驶员的纵向驾驶风格。
32.根据权利要求23-26任一项所述的驾驶轨迹获取装置,其特征在于,所述驾驶轨迹获取装置还包括:
优化单元,用于根据车辆运动学模型对所述车辆A的驾驶轨迹进行优化,以得到优化后的驾驶轨迹;
发送单元,用于将所述优化后的驾驶轨迹发送至所述车辆A的控制装置。
33.根据权利要求32所述的驾驶轨迹获取装置,其特征在于,所述驾驶轨迹获取装置还包括:
所述第一获取单元,还用于在所述发送单元将所述优化后的驾驶轨迹发送至所述车辆的A控制装置之后,当检测到所述车辆A的驾驶员接管所述车辆A时,获取所述车辆A的驾驶员的操作信息和周边车辆信息;
调整单元,用于根据所述操作信息和周边车辆信息调整所述车辆A的驾驶员的驾驶风格系数,以得到调整后的驾驶风格系数;
第一存储单元,用于存储所述调整后的驾驶风格系数。
34.根据权利要求33所述的驾驶轨迹获取装置,其特征在于,所述车辆A的驾驶员的驾驶风格系数包括所述安全项S的系数、所述舒适项C的系数、所述合规项R的系数和所述效率项T的系数,所述车辆A的驾驶员的驾驶风格系数包括所述安全项S的系数、所述舒适项C的系数和所述效率项T的系数;
其中,调整单元具体用于:
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括加速不转向时,减小所述安全项S的系数,或者;
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括加速转向时,增大或者减小所述安全项S的系数和所述效率项T的系数,或者;
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括匀速转向时,增大或者减小所述安全项S的系数,或者;
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括减速不转向时,增大所述安全项S的系数,或者;
当周边车辆信息包括所述车辆A的周边有车辆,且所述操作信息包括减速转向时,增大或者减小所述安全项S的系数和所述效率项T的系数,或者;
当周边车辆信息包括所述车辆A的周边无车辆,且所述操作信息包括加速不转向或者减速不转向时,增大所述安全项S的系数和所述效率项T的系数。
35.根据权利要求19所述的驾驶轨迹获取装置,其特征在于,所述驾驶轨迹获取装置还包括:
所述计算单元,还用于当接收到人工驾驶指令时,根据遗传算法计算得到所述车辆A的驾驶员的驾驶风格系数;
第二存储单元,用于存储所述车辆A的驾驶员的驾驶风格系数。
36.根据权利要求35所述的驾驶轨迹获取装置,其特征在于,所述计算单元还具体用于:
获取所述车辆A的驾驶员的驾驶风格系数的取值范围;
从所述驾驶风格系数的取值范围中随机获取M组驾驶风格系数;
根据遗传算法对所述M组驾驶风格系数进行计算,得到M个预测驾驶轨迹,所述M个预测驾驶轨迹与所述M组驾驶风格系数一一对应;
获取所述车辆A的实际驾驶轨迹;
将所述M个预测驾驶轨迹中的每个预测驾驶轨迹与所述实际驾驶轨迹进行比较,以得到所述车辆A的驾驶员的驾驶风格系数,所述车辆A的驾驶员的驾驶风格系数为所述M个预测驾驶轨迹中与所述实际驾驶轨迹相似值最大的预测驾驶轨迹对应的驾驶风格系数。
37.一种驾驶轨迹获取装置,其特征在于,包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-18任一项所述的方法。
38.一种计算机可读存储介质,其特征在于,所述计算机存储介质包括程序指令,所述程序指令在计算机上运行时,使所述计算机执行如权利要求1-18任一项所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810022810.5A CN110015306B (zh) | 2018-01-10 | 2018-01-10 | 驾驶轨迹获取方法及装置 |
PCT/CN2019/070859 WO2019137373A1 (zh) | 2018-01-10 | 2019-01-08 | 自动驾驶轨迹获取方法及装置 |
EP19738847.3A EP3730370B1 (en) | 2018-01-10 | 2019-01-08 | Method and device for acquiring automatic driving track |
US16/925,135 US20200339159A1 (en) | 2018-01-10 | 2020-07-09 | Automatic driving track obtaining method and apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810022810.5A CN110015306B (zh) | 2018-01-10 | 2018-01-10 | 驾驶轨迹获取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110015306A true CN110015306A (zh) | 2019-07-16 |
CN110015306B CN110015306B (zh) | 2020-12-04 |
Family
ID=67187967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810022810.5A Active CN110015306B (zh) | 2018-01-10 | 2018-01-10 | 驾驶轨迹获取方法及装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200339159A1 (zh) |
EP (1) | EP3730370B1 (zh) |
CN (1) | CN110015306B (zh) |
WO (1) | WO2019137373A1 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110497914A (zh) * | 2019-08-26 | 2019-11-26 | 格物汽车科技(苏州)有限公司 | 自动驾驶的驾驶员行为模型开发方法、设备和存储介质 |
CN110751683A (zh) * | 2019-10-28 | 2020-02-04 | 北京地平线机器人技术研发有限公司 | 轨迹预测方法、装置、可读存储介质及电子设备 |
CN110758403A (zh) * | 2019-10-30 | 2020-02-07 | 北京百度网讯科技有限公司 | 自动驾驶车辆的控制方法、装置、设备及存储介质 |
CN111791891A (zh) * | 2020-07-27 | 2020-10-20 | 吉林大学 | 一种基于驾驶员风格的直行跟车安全距离预警方法 |
CN112477884A (zh) * | 2020-11-11 | 2021-03-12 | 东风汽车集团有限公司 | 自动驾驶控制方法、装置及车辆 |
CN113401143A (zh) * | 2021-07-19 | 2021-09-17 | 电子科技大学长三角研究院(衢州) | 一种基于驾驶风格和意图的个性化自适应轨迹预测方法 |
CN114407904A (zh) * | 2022-02-11 | 2022-04-29 | 西北工业大学 | 驾驶员侵略性驾驶行为监测方法、装置及系统 |
CN114506344A (zh) * | 2022-03-10 | 2022-05-17 | 福瑞泰克智能系统有限公司 | 一种车辆轨迹的确定方法及装置 |
WO2022134711A1 (zh) * | 2020-12-24 | 2022-06-30 | 华为技术有限公司 | 驾驶风格识别方法、辅助驾驶方法及装置 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210052779A (ko) * | 2019-10-31 | 2021-05-11 | 현대자동차주식회사 | 차량 및 차량의 제어방법 |
CN113212454B (zh) * | 2021-05-20 | 2023-05-12 | 中国第一汽车股份有限公司 | 车辆行驶状态的调整方法、装置、计算机设备和存储介质 |
DE102021206413A1 (de) * | 2021-06-22 | 2022-12-22 | Volkswagen Aktiengesellschaft | Verfahren zum Bestimmen einer aktuell befahrbaren Trajektorie für ein zumindest teilweise assistiert betriebenes Kraftfahrzeug, sowie Assistenzsystem |
CN113335278B (zh) * | 2021-07-20 | 2023-08-11 | 常州机电职业技术学院 | 一种网联式智能车队自适应巡航控制方法及系统 |
CN115805947B (zh) * | 2022-11-21 | 2023-06-30 | 清华大学 | 一种个性化车辆轨迹预测方法、系统、设备和存储介质 |
CN116884220A (zh) * | 2023-08-01 | 2023-10-13 | 同济大学 | 一种基于轨迹数据的面向全局可变限速遵从度预测方法 |
CN116828397B (zh) * | 2023-08-29 | 2023-11-28 | 中国信息通信研究院 | 一种轨迹信息的获取方法、装置、电子设备和存储介质 |
CN116923458B (zh) * | 2023-09-18 | 2023-12-01 | 宁波均联智行科技股份有限公司 | 一种车辆驾驶控制方法、装置及介质 |
CN117392773B (zh) * | 2023-12-13 | 2024-03-08 | 广汽埃安新能源汽车股份有限公司 | 一种车辆行驶轨迹获取方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101561288A (zh) * | 2009-05-26 | 2009-10-21 | 天津三星光电子有限公司 | 利用数码相机为车辆提供动态路径规划实现导航的方法 |
CN103389100A (zh) * | 2013-08-02 | 2013-11-13 | 上海梦擎信息科技有限公司 | 自由导航实时路况系统 |
CN103914985A (zh) * | 2014-04-25 | 2014-07-09 | 大连理工大学 | 一种混合动力客车未来车速轨迹预测方法 |
CN106564449A (zh) * | 2016-11-08 | 2017-04-19 | 捷开通讯(深圳)有限公司 | 一种智能行车定制方法和装置 |
CN106643747A (zh) * | 2015-11-04 | 2017-05-10 | 中国移动通信集团公司 | 导航方法及装置 |
CN107168319A (zh) * | 2017-06-01 | 2017-09-15 | 同济大学 | 一种基于模型预测控制的无人车避障方法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7383154B2 (en) * | 2005-12-14 | 2008-06-03 | Gm Global Technology Operations, Inc. | Method for assessing models of vehicle driving style or vehicle usage model detector |
DE102007015879A1 (de) * | 2007-04-02 | 2008-10-30 | Robert Bosch Gmbh | Verfahren und Vorrichtung für die Steuerung eines Fahrerassistenzsystems |
DE102008003666A1 (de) * | 2008-01-09 | 2009-07-16 | Robert Bosch Gmbh | Verfahren für die Steuerung eines Fahrerassistenzsystems und Fahrerassistenzsystem |
US8504285B2 (en) * | 2009-05-15 | 2013-08-06 | Nokia Corporation | Method and apparatus of route determination |
DE102011082480A1 (de) * | 2011-09-12 | 2013-03-14 | Robert Bosch Gmbh | Verfahren und Kontrollsystem zum Ermitteln eines Lenkmomentes für einen automatischen Eingriff in eine Querführung eines Fahrzeuges |
KR101901958B1 (ko) * | 2012-03-26 | 2018-11-08 | 한국전자통신연구원 | 휴리스틱 함수의 학습을 이용한 고속 경로를 탐색을 위한 장치 및 그 방법 |
CN103754172B (zh) * | 2013-12-31 | 2017-09-26 | 科世达(上海)管理有限公司 | 信息处理方法、控制器、智能钥匙系统以及pcb板 |
US9481287B2 (en) * | 2014-01-21 | 2016-11-01 | Harman International Industries, Inc. | Roadway projection system |
DE102014205170A1 (de) * | 2014-03-20 | 2015-11-26 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zum Ermitteln einer Trajektorie für ein Fahrzeug |
US10449957B2 (en) * | 2014-12-29 | 2019-10-22 | Robert Bosch Gmbh | Systems and methods for operating autonomous vehicles using personalized driving profiles |
GB201503413D0 (en) * | 2015-02-27 | 2015-04-15 | Caring Community Sa | Improved navigation system |
CN105043402B (zh) * | 2015-08-06 | 2017-12-08 | 平安科技(深圳)有限公司 | 行车路径优化方法、车辆及电子设备 |
CN105818810B (zh) * | 2016-04-22 | 2018-07-27 | 百度在线网络技术(北京)有限公司 | 应用于无人驾驶汽车的控制方法及智能设备 |
FR3052419A1 (fr) * | 2016-06-10 | 2017-12-15 | Valeo Schalter & Sensoren Gmbh | Procede et systeme d'assistance a la conduite pour un vehicule automobile en mode de fonctionnement autonome |
CN106126960A (zh) * | 2016-07-25 | 2016-11-16 | 东软集团股份有限公司 | 驾驶安全评估方法及装置 |
CN106564496B (zh) * | 2016-10-19 | 2018-11-09 | 江苏大学 | 基于前向车辆驾驶行为的智能车辆安全环境包络重构方法 |
CN107139923B (zh) * | 2017-05-11 | 2019-07-09 | 中科院微电子研究所昆山分所 | 一种acc决策方法及系统 |
-
2018
- 2018-01-10 CN CN201810022810.5A patent/CN110015306B/zh active Active
-
2019
- 2019-01-08 EP EP19738847.3A patent/EP3730370B1/en active Active
- 2019-01-08 WO PCT/CN2019/070859 patent/WO2019137373A1/zh unknown
-
2020
- 2020-07-09 US US16/925,135 patent/US20200339159A1/en not_active Abandoned
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101561288A (zh) * | 2009-05-26 | 2009-10-21 | 天津三星光电子有限公司 | 利用数码相机为车辆提供动态路径规划实现导航的方法 |
CN103389100A (zh) * | 2013-08-02 | 2013-11-13 | 上海梦擎信息科技有限公司 | 自由导航实时路况系统 |
CN103914985A (zh) * | 2014-04-25 | 2014-07-09 | 大连理工大学 | 一种混合动力客车未来车速轨迹预测方法 |
CN106643747A (zh) * | 2015-11-04 | 2017-05-10 | 中国移动通信集团公司 | 导航方法及装置 |
CN106564449A (zh) * | 2016-11-08 | 2017-04-19 | 捷开通讯(深圳)有限公司 | 一种智能行车定制方法和装置 |
CN107168319A (zh) * | 2017-06-01 | 2017-09-15 | 同济大学 | 一种基于模型预测控制的无人车避障方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110497914B (zh) * | 2019-08-26 | 2020-10-30 | 格物汽车科技(苏州)有限公司 | 自动驾驶的驾驶员行为模型开发方法、设备和存储介质 |
CN110497914A (zh) * | 2019-08-26 | 2019-11-26 | 格物汽车科技(苏州)有限公司 | 自动驾驶的驾驶员行为模型开发方法、设备和存储介质 |
CN110751683A (zh) * | 2019-10-28 | 2020-02-04 | 北京地平线机器人技术研发有限公司 | 轨迹预测方法、装置、可读存储介质及电子设备 |
CN110758403A (zh) * | 2019-10-30 | 2020-02-07 | 北京百度网讯科技有限公司 | 自动驾驶车辆的控制方法、装置、设备及存储介质 |
CN110758403B (zh) * | 2019-10-30 | 2022-03-01 | 北京百度网讯科技有限公司 | 自动驾驶车辆的控制方法、装置、设备及存储介质 |
CN111791891B (zh) * | 2020-07-27 | 2022-04-12 | 吉林大学 | 一种基于驾驶员风格的直行跟车安全距离预警方法 |
CN111791891A (zh) * | 2020-07-27 | 2020-10-20 | 吉林大学 | 一种基于驾驶员风格的直行跟车安全距离预警方法 |
CN112477884A (zh) * | 2020-11-11 | 2021-03-12 | 东风汽车集团有限公司 | 自动驾驶控制方法、装置及车辆 |
CN112477884B (zh) * | 2020-11-11 | 2022-03-08 | 东风汽车集团有限公司 | 自动驾驶控制方法、装置及车辆 |
WO2022134711A1 (zh) * | 2020-12-24 | 2022-06-30 | 华为技术有限公司 | 驾驶风格识别方法、辅助驾驶方法及装置 |
CN113401143A (zh) * | 2021-07-19 | 2021-09-17 | 电子科技大学长三角研究院(衢州) | 一种基于驾驶风格和意图的个性化自适应轨迹预测方法 |
CN113401143B (zh) * | 2021-07-19 | 2022-04-12 | 电子科技大学长三角研究院(衢州) | 一种基于驾驶风格和意图的个性化自适应轨迹预测方法 |
CN114407904A (zh) * | 2022-02-11 | 2022-04-29 | 西北工业大学 | 驾驶员侵略性驾驶行为监测方法、装置及系统 |
CN114506344A (zh) * | 2022-03-10 | 2022-05-17 | 福瑞泰克智能系统有限公司 | 一种车辆轨迹的确定方法及装置 |
CN114506344B (zh) * | 2022-03-10 | 2024-03-08 | 福瑞泰克智能系统有限公司 | 一种车辆轨迹的确定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2019137373A1 (zh) | 2019-07-18 |
EP3730370B1 (en) | 2024-04-03 |
CN110015306B (zh) | 2020-12-04 |
EP3730370A1 (en) | 2020-10-28 |
US20200339159A1 (en) | 2020-10-29 |
EP3730370A4 (en) | 2021-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110015306A (zh) | 驾驶轨迹获取方法及装置 | |
WO2021175313A1 (zh) | 自动驾驶控制方法、装置、车辆及存储介质 | |
CN108698595B (zh) | 用于控制车辆运动的方法和车辆的控制系统 | |
Huang et al. | A motion planning and tracking framework for autonomous vehicles based on artificial potential field elaborated resistance network approach | |
Huang et al. | A novel local motion planning framework for autonomous vehicles based on resistance network and model predictive control | |
CN102541069B (zh) | 偏离损失的避免操纵 | |
CN110703804B (zh) | 一种固定翼无人机集群的分层防撞控制方法 | |
CN106926844A (zh) | 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 | |
KR101897407B1 (ko) | 무인차량의 자율주행을 위한 적응적 동역학 모델 기반 최적 경로계획 방법 및 그 장치 | |
CN109508035A (zh) | 基于分布式控制的多区域分级式无人机编队路径规划方法 | |
Hu et al. | Plug and play distributed model predictive control for heavy duty vehicle platooning and interaction with passenger vehicles | |
CN112965476A (zh) | 一种基于多窗口抽样的高速无人车轨迹规划系统及方法 | |
Yu et al. | Autonomous overtaking decision making of driverless bus based on deep Q-learning method | |
JP2023523350A (ja) | 乗り物に基づくデータ処理方法、データ処理装置、コンピュータ機器、及びコンピュータプログラム | |
Niu et al. | UAV track planning based on evolution algorithm in embedded system | |
Zhang et al. | Structured road-oriented motion planning and tracking framework for active collision avoidance of autonomous vehicles | |
CN115903888A (zh) | 一种基于天牛群算法的旋翼无人机自主路径规划方法 | |
Li et al. | Real-time local path planning for intelligent vehicle combining tentacle algorithm and B-spline curve | |
Lienke et al. | Core components of automated driving–algorithms for situation analysis, decision-making, and trajectory planning | |
Guo et al. | Modeling, learning and prediction of longitudinal behaviors of human-driven vehicles by incorporating internal human DecisionMaking process using inverse model predictive control | |
CN113189985B (zh) | 基于自适应粒子与信念填充的部分可观察驾驶规划方法 | |
CN111596668B (zh) | 基于逆向强化学习的移动机器人拟人化路径规划方法 | |
CN115016540A (zh) | 一种多无人机灾情探测方法及系统 | |
CN115454082A (zh) | 车辆避障方法及系统、计算机可读存储介质和电子设备 | |
CN112596516B (zh) | 基于Dubins曲线的多车队形切换方法 |
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 |