CN110069060A

CN110069060A - 用于自动驾驶车辆中路径规划的系统和方法

Info

Publication number: CN110069060A
Application number: CN201910014975.2A
Authority: CN
Inventors: D·格罗斯; G·沃绍尔-贝克尔; B·温斯坦-劳恩; E·卢汉
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2018-01-24
Filing date: 2019-01-08
Publication date: 2019-07-30
Also published as: DE102019100572A1; US20180150080A1

Abstract

提供用于控制车辆的系统和方法。在一实施例中，方法包括基于传感器数据定义车辆的关注区域和预期路径，以及确定在规划范围内有可能与关注区域交叉的一个或多个物体的预测路径集合。方法进一步包括在与关注区域以及规划范围相关联的时空路径空间内，定义对应于预测路径集合的障碍物区域的集合。确定每个障碍物区域的判定点，以及基于多个判定点以及应用于将判定点互连的路径段集合的成本函数，定义有向图。接着搜索有向图以确定选定的路径。

Description

用于自动驾驶车辆中路径规划的系统和方法

技术领域

本公开大体上涉及自动驾驶车辆，且更具体而言涉及用于自动驾驶车辆中路径规划的系统和方法。

背景技术

自动驾驶车辆是能够感测其环境并且在几乎没有或者没有用户输入下导航的车辆。这是通过使用感测装置来实现的，感测装置诸如雷达、激光雷达、图像传感器等。自动驾驶车辆进一步使用来自下列的信息来导航车辆：全球定位系统(GPS)技术、导航系统、车辆对车辆通信、车辆对基础设施技术及/或电控系统。

尽管近年来已看到自动驾驶车辆有显著进展，但这样的车辆在许多方面仍需要改进。例如，对自动驾驶车辆来说常常困难的是快速确定适合的路径(连同目标加速度和速度)以在操纵通过关注区域的同时避免障碍物，这些路径在某一预定的规划范围内可能与关注区域交叉。例如，当进行未受保护的左转弯、围绕并排停靠的车辆操纵、汇入迎面而来的车流等情形时，会出现这样的场景。

因此，期望提供用于自动驾驶车辆中路径规划的系统和方法。此外，结合附图以及前述技术领域和背景技术，从接下来的详细描述和所附权利要求书中可清楚本发明的其他期望的特征和特性。

发明内容

本公开提供用于控制第一车辆的系统和方法。在一具体实施例中，路径规划的方法包括接收涉及与车辆相关的环境的传感器数据，基于该传感器数据定义车辆的关注区域和预期路径，以及确定在规划范围内可能与关注区域交叉的一个或多个物体的预测路径集合。该方法进一步包括：在与关注区域以及规划范围相关联的时空路径空间内，定义对应于预测路径集合的障碍物区域集合，以及针对每一个障碍物区域定义多个判定点。该方法进一步包括：基于多个判定点以及应用于与判定点互连的路径段集合的成本函数来定义有向图，以及用处理器进行有向图的搜索来确定选定的路径。

在一实施例中，定义有向图包括在第一判定点至第二判定点之间提供有向边，只要：第二判定点及时接在第一顶点之后；第二判定点对应于比第一判定点更远的距离；有向边不会通过障碍物区域之一；以及有向边不会超过与车辆有关的运动学限制。

在一具体实施例中，成本函数基于乘客舒适性、能量使用以及车辆与物体之间的距离中至少一者。

在一实施例中，障碍物区域集合的每个障碍物区域均为多边形，且判定点位于多边形的顶点处。

在一实施例中，障碍物区域集合的每个障碍物区域均为矩形。

在一实施例中，与每个障碍物区域有关的判定点位于矩形的对角上，且其中的一个角对应于障碍物区域上的一个点，该点对应于沿预期路径的最少时间和沿预期路径的最短距离。

在一实施例中，关注区域与车辆进行未受保护的左转弯、车辆进入车流或车辆围绕并排停靠的车辆操纵中之一相关联。

根据一个实施例用于控制车辆的系统包括；关注区域确定模块、物体路径确定模块、路径空间确定模块、以及图形定义和分析模块。关注区域确定模块构造成接收涉及与车辆相关的环境的传感器数据，以及基于传感器数据定义车辆的关注区域和预期路径。物体路径定义模块构造成确定在规划范围内可能与关注区域交叉的一个或多个物体的预测路径集合。路径空间定义模块构造成在与关注区域以及规划范围相关联的时空路径空间内，定义对应于预测路径集合的障碍物区域集合，以及针对每个障碍物区域定义多个判定点。图形定义和分析模块构造成基于多个判定点以及应用于与判定点互连的路径段集合的成本函数来定义有向图，以及用处理器进行有向图的搜索以确定选定的路径。

在一实施例中，图形定义和分析模块通过在第一判定点至第二判定点之间提供有向边来定义有向图，只要：第二判定点及时接在第一顶点之后；第二判定点对应于比第一判定点更远的距离；有向边不会通过障碍物区域之一；以及有向边不会超过与车辆有关的运动学限制。

根据一具体实施例的自动驾驶车辆包括至少一个传感器，其接收涉及与车辆相关的环境的传感器数据；以及控制器，其通过处理器并基于该传感器数据定义车辆的关注区域和预期路径，以及确定在规划范围内可能与关注区域交叉的一个或多个物体的预测路径集合。处理器进一步在与关注区域以及规划范围相关联的时空路径空间内，定义对应于预测路径集合的障碍物区域集合；针对每一个障碍物区域定义多个判定点；基于多个判定点以及应用于与判定点互连的路径段集合的成本函数来定义有向图；以及用处理器进行有向图的搜索以确定选定的路径。

在一实施例中，控制器通过在第一判定点至第二判定点之间提供有向边来定义有向图，只要：第二判定点及时接在第一顶点之后；第二判定点对应于比第一判定点更远的距离；有向边不会通过障碍物区域之一；以及有向边不会超过与车辆有关的运动学限制。

在一实施例中，障碍物区域集合的每一个障碍物区域为多边形，且判定点位于多边形的顶点处。

附图说明

下文将结合附图描述示例性实施例，其中相同的标号表示相同的元件，且其中：

图1为根据各种实施例说明包括路径规划系统的自动驾驶车辆的功能框图；

图2为根据各种实施例说明具有图1中所示的一台或多台自动驾驶车辆的运输系统的功能框图；

图3为根据各种实施例说明与自动驾驶车辆相关联的自动驾驶系统(ADS)的功能框图；

图4为根据各种实施例说明自动驾驶车辆的路径规划系统的数据流图；

图5为根据各种实施例说明用于控制自动驾驶车辆的控制方法的流程图；

图6为有助于理解根据各种实施例的系统和方法的交叉口的俯视图；

图7示出了根据各种实施例的对应于图6中所示的交叉口的关注区域；

图8呈现了根据各种实施例的对应于图7的关注区域的路径规划可视化；

图9描绘了根据各种实施例的包括障碍物区域的图8的路径规划可视化；

图10描绘了根据各种实施例的包括判定点的图9的路径规划可视化；

图11示出了根据各种实施例的对应于图10的判定点的有向图；

图12示出了根据各种实施例的另一示例性路径规划可视化；

图13示出了根据各种实施例的对应于图12的判定点的有向图；以及

图14和图15呈现了根据各种实施例的另外的场景和关注区域。

具体实施方式

以下详细描述本质上仅为示例性的，且并不旨在限制本应用和使用。此外，不期望受到通过先前的技术领域、背景技术、发明内容或下面的具体实施方式中呈现的任何表达的或者暗示的理论的束缚。本文总所用的术语“模块”是指任何硬件、软件、固件、电子控制组件、处理逻辑和/或处理器装置，其可以是独立的或以任意组合的形式，包括但不限于：专用集成电路(ASIC)、现场可编程门阵列(FPGA)、电子电路、处理器(共享型、专用型或群组型)，以及执行一个或多个软件或固件程序的存储器、组合逻辑电路，及/或提供所述功能性的其他适合的组件。

本文可以就功能和/或逻辑块组件以及各种处理步骤方面描述本公开的实施例。应明白，这样的块组件可通过构造成执行专门功能的任何数量的硬件、软件和/或固件组件来实现。例如，本公开的实施例可采用各种集成电路组件，例如存储器元件、数字信号处理元件、逻辑元件、查询表等，其可以在一个多个微处理器或其他控制装置的控制下执行各种功能。此外，本领域技术人员应明白，本公开的实施例可以结合任何数量的系统来实施，且本文所述的系统仅为本公开的示例性实施例。

为了简化起见，与信号处理、数据传输、信号发送、控制、机器学习模型、雷达、激光雷达、图像分析以及系统的其他功能性方面(以及系统的独立操作组件)有关的常规技术在这里不作具体描述。此外，本文中包含的各图所示的连接线是意欲用来实例表示在各种元件之间的功能关系和/或物理连接。应该注意到在本公开的实施例中可出现许多替代的或附加的功能关系或者物理连接。

参考图1，根据各种实施例，总体上由100表示的路径规划系统与车辆(或“AV”)10相关联。通常，路径规划系统(或简称为“系统”)100允许通过以下方式为AV 10选择路径：确定有可能与关注区域交叉的预测路径，接着产生有向图并在其内搜索，有向图对应于与时空路径空间内定义的障碍物区域相关联的判定点。

如图1所示，车辆10通常包括底盘12、车体14、前轮16和后轮18。车体14布置在底盘12上且大体上包围车辆10的组件。车体14和底盘12可共同地形成车架。车轮16-18每一个都在靠近车体14的相应角落处可旋转地联接到底盘12上。

在各种实施例中，车辆10为自动驾驶车辆且路径规划系统100并入自动驾驶车辆10中(下文称为自动驾驶车辆10)。例如，自动驾驶车辆10为自动控制以将乘客从某一位置载至另一位置的车辆。车辆10在所示实施例中描绘成乘客车辆，但应明白，也可使用任何其他车辆，包括摩托车、卡车、运动休旅车(SUV)、游乐车(RV)、船舶、航空器等。

在示例性实施例中，在以汽车工程师协会(SAE)“J3016”标准对自动驾驶级别分类下，自动驾驶车辆10对应于四级或五级自动化系统。使用该术语，四级系统表示”高度自动化“，其是指一种驾驶模式，其中自动驾驶系统执行动态驾驶任务的所有方面，即使人类驾驶员未对介入的请求作出正确响应。另一方面，五级系统表示“全自动化”，其是指一种驾驶模式，其中自动化驾驶系统在人类驾驶员可以应付的所有道路和环境状况下执行动态驾驶任务的所有方面。然而，应明白，根据本主题的实施例并不限制于自动化类别的任何具体的分类或类目。此外，根据本实施例的系统可结合其中可实施本主题的任何车辆使用，而不论其自动化水平如何。

如图所示，自动驾驶车辆10通常包括推进系统20、传动系统22、转向系统24、制动系统26、传感器系统28、致动器系统30、至少一个数据存储装置32、至少一个控制器34，以及通信系统36。在各种实施例中，推进系统20可包括内燃机、诸如牵引电动机的电机，及/或燃料电池推进系统。传动系统22构造成根据可选的速率将能量从推进系统20传递至车轮16和18。根据各种实施例，传动系统22可包括有级自动变速器、无级变速器、或其他适合的变速器。

制动系统26构造成提供制动转矩给车轮16和18。在各种实施例中，制动系统26可包括摩擦制动器、线控制动、诸如电机的再生制动系统，及/或其他适合的制动系统。

转向系统24影响车轮16和/或18的位置。虽然为便于说明描述成包括方向盘25，但在本发明范围内可预见的某些实施例中，转向系统24可不包括方向盘。

传感器系统28包括一个或多个感测装置40a-40n，其感测自动驾驶车辆10的外部环境和/或内部环境的可观察到的状况(诸如一个或多个乘客的状态)。感测装置40a-40n可包括但不限于雷达(例如长程、中程-短程)、激光雷达(LIDAR)、全球定位系统、光学照相机(例如朝前、360度、朝后、朝侧面、立体等)、热照相机(例如红外)、超声波传感器、测距传感器(例如编码器)及/或其他可以结合根据本主题的系统和方法使用的传感器。

致动器系统30包括一个或多个致动器装置42a-42n，其控制一个或多个车辆特征，诸如但不限于推进系统20、传动系统22、转向系统24和制动系统26。在各种实施例中，自主驾驶车辆10还可进一步包括内部和/或外部车辆特征(图1中未示出)，诸如各种车门、行李箱以及车舱内特征，诸如空气、音乐、照明、触摸屏显示组件(诸如结合导航系统所使用的显示组件)等。

数据存储装置32储存数据以用于自动控制自动驾驶车辆10。在各种实施例中，数据存储装置32储存可导航环境的定义的地图。在各种实施例中，可由远程系统预定义定义的地图并自该远程系统获得定义的地图(结合图2进一步详述)。例如，定义的地图可通过远程系统组装并传送至自动驾驶车辆10(以无线或有线的方式)并储存在数据存储装置32中。路线信息也可储存在数据存储装置32中—即，路段的集合(在地理上与一个或多个定义的地图相关联)，其一起定义使用者从起始位置(例如使用者当前位置)行进到目标位置可采取的路线。应明白，数据存储装置32可以是控制器34的一部分、可以与控制器34分离、或为控制器34的一部分以及分离系统的一部分。

控制器34包括至少一个处理器44以及计算机可读取存储装置或媒体46。处理器44可以是任何定制的或市售的处理器、中央处理单元(CPU)、图像处理单元(GPU)、专用集成电路(ASIC)(例如实施神经网络的定制ASIC)、现场可编程门阵列(FPGA)、与控制器34相关联的若干处理器中的辅助处理器、基于半导体的微处理器(以微芯片或芯片组的形式)、上述其中的任何组合、或用于执行指令的通用的任何装置。计算机可读取存储装置或媒体46可包括(例如)易失性和非易失性储存只读存储器(ROM)、随机存取存储器(RAM)以及保活存储器(KAM)。KAM是永久性或非易失性存储器，其可用于在处理器44断电的情况下储存各种操作变量。可使用许多已知的存储器装置中的任何一种来实施计算机可读取储存装置或媒体46，诸如PROM(可编程只读存储器)、EPROM(电可编程只读存储器)、EEPROM(电可擦可编程只读存储器)、闪存、或任何其他的能够储存数据的电、磁、光或其组合的存储器装置，其中一些数据表示在控制自动驾驶车辆10中由控制器34使用的可执行指令。在各种实施例中，控制器34构造成实施如下文详细讨论的路径规划系统。

这些指令可包括一个或多个分开的程序，每个程序包括用于实施逻辑功能的可执行指令的有序列表。当由处理器44执行这些指令时，其接收和处理来自传感器系统28的信号，实行逻辑、计算、方法和/或算法以自动控制自动驾驶车辆10的组件，并产生控制信号，这些控制信号被传送至致动器系统30以基于逻辑、计算、方法和/或算法自动控制自动驾驶车辆10的组件。尽管图1中仅显示了一个控制器34，但自动驾驶车辆10的实施例可包括任何数量的控制器34，这些控制器与任何适合的通信媒体或通信媒体的组合通信，且其协作以处理传感器信号、实行逻辑、计算、方法和/或算法，并产生控制信号以自动控制自动驾驶车辆10的特征。

通信系统36构造成将信息无线传送给其他实体48或从其他实体48传送出去，实体48诸如但不限于其他车辆(“V2V”通信)、基础设施(“V2I”通信)、网络(V2N通信)、行人(“V2P”通信)、远程运输系统及/或使用者装置(如结合图2更具体描述)。在示例性实施例中，通信系统36为无线通信系统，其构造成经由使用IEEE 802.11标准的无线局域网络(WLAN)或通过使用蜂窝数据通信来通信。然而，在本发明的范围内，还可考虑另外或替代的通信方法，诸如专用短程通信(DSRC)通道。DSRC通道是指单向或双向短程至中程的无线通信通道，其专门针对自动驾驶车辆的使用以及相应的一组协定和标准而设计。

现在参考图2，在各种实施例中，结合图1所述的自动驾驶车辆10可适用于某个地理区域(例如城市、学校或商业场所、购物中心、游乐园、活动中心等)中的出租车或穿梭系统的背景下或仅可由远程系统管理。例如，自动驾驶车辆10可与基于自动驾驶车辆的远程运输系统相关联。图2示出了通常在50处所示的操作环境的示例性实施例，其包括基于自动驾驶车辆的远程运输系统(或简称为“远程运输系统”)52，其与结合图1所述的自动驾驶车辆10a-10n中的一个或多个车辆相关联。在各种实施例中，操作环境50(其全部或部分可对应于图1中所示的实体48)进一步包括一个或多个使用者装置54，其经由通信网络56与自动驾驶车辆10和/或远程运输系统52通信。

通信网络56支持在操作环境50所支持的装置、系统和组件之间需要的通信(例如经由有形通信链路和/或无线通信链路)。例如，通信网络56可包括无线载波系统60，诸如包括多个蜂窝塔的蜂窝电话系统(未示出)、一个或多个移动交换中心(MSC)(未示出)，以及将无线载波系统60与陆地通信系统连接所需的任何其他联网组件。每个蜂窝塔包括发射和接收天线以及基站，来自不同蜂窝塔的基站直接连接到MSC或经由诸如基站控制器的媒介设备连接到MSC。无线载波系统60可实施任何适合的通信技术，例如包括诸如CDMA(例如CDMA2000)的数字技术、LTE(例如4G LTE或5G LTE)、GSM/GPRS，或其他当前或新兴的无线技术。其他蜂窝塔/基站/MSC配置也是可行的且可用于无线载波系统60。例如，基站与蜂窝塔可共同位于相同的站点，或其可彼此远离而置，每一基站可以对单个蜂窝塔负责或者单个基站可以服务各种不同的蜂窝塔，或各种不同的基站可以连接到单个MSC，这里仅列出少数可能的配置。

除包括无线载波系统60外，还可包括以卫星通信系统64的形式的第二无线载波系统，以提供与自动驾驶车辆10a-10n的单向或双向通信。这可以使用一个或多个通信卫星(未示出)和上行链路发射站(未示出)来实现。单向通信可包括(例如)卫星无线电服务，其中由发射站接收节目内容(新闻、音乐等)、打包上传并将其发送给卫星，卫星将节目广播给用户。双向通信可包括(例如)卫星电话服务，其使用卫星以中继在车辆10与基站之间的电话通信。除无线载波系统60外或作为其替代，可使用卫星电话。

可进一步包括陆地通信系统62，其为连接至一个或多个陆线电话的基于陆地的常规电信网络，并且将无线载波系统60连接到远程运输系统52。例如，陆地通信系统62可包括诸如用于提供硬接线电话的公共交换电话网络(PSTN)、分组交换数据通信以及互联网基础设施。陆地通信网络62的一个或多个分段可通过使用以下网络实现：标准有线网络、光纤或其他光网络、电缆网络、电力线、诸如无线局域网(WLAN)的其他无线网络、或提供宽带无线接入(BWA)的网络，或其中的任意组合。此外，远程运输系统52不需要经由陆地通信系统62连接，但其可包括无线电话设备，以使其可与诸如无线载波系统60的无线网络直接通信。

尽管图2中仅显示了一个使用者装置54，但操作环境50的实施例可以支持任何数量的使用者装置54，包括由一人所有、操作或以其他方式使用的多个使用者装置54。可使用任何适合的硬件平台实施操作环境50所支持的每一个使用者装置54。就此而言，使用者装置54可以任何共同的外形规格实现，包括但不限于：台式计算机；移动计算机(例如平板电脑、膝上型电脑、或上网本)；智能手机；视频游戏装置；数字媒体播放器；家庭娱乐设备的组件；数码相机或摄像机；可穿戴计算机装置(例如智能手表、智能眼镜、智能衣服)；等等。操作环境50所支持的每一个使用者装置54均可实现为由计算机实施或基于计算机的装置，其具有需要执行本文所述的各种技术和方法的硬件、软件、固件和/或处理逻辑。例如，使用者装置54包括为可编程装置形式的微处理器，其包括一个或多个指令，该或该等指令储存在内部存储器结构中并用于接收二进制输入以产生二进制输出。在一些实施例中，使用者装置54包括GPS模块，其能够接收GPS卫星信号并基于这些信号产生GPS坐标。在其他实施例中，使用者装置54包括蜂窝通信功能，使得该装置能够使用一个或多个蜂窝通信协定在通信网络56上进行语音和/或数据通信，正如本文中所述。在各种实施例中，使用者装置54包括视觉显示器，诸如触摸屏图形显示器或其他显示器。

远程运输系统52包括一个或多个后端服务器系统(未示出)，其可基于云、基于网络、或驻留在由远程运输系统52服务的特定校园或地理位置处。远程运输系统52可以由现场顾问、自动化顾问、人工智能系统或其中的组合操纵。远程运输系统52可以与使用者装置54和自动驾驶车辆10a-10n通信以安排乘车、调度自动驾驶车辆10a-10n、等等。在各种实施例中，远程运输系统52储存存储账户信息，诸如用户认证信息、车辆识别符、简档记录、生物数据、行为模式、以及其他相关的用户信息。

根据典型使用情形工作流程，远程运输系统52的注册用户可通过使用者装置54产生乘坐请求。乘坐请求通常指示乘客期望的搭车位置(或当前GPS位置)、期望的目的地位置(其可识别预定的车辆停止和/或用户指定的乘客目的地)、以及搭乘时间。远程运输系统52接收乘坐请求、处理该请求并调度自动驾驶车辆10a-10n中选定的一辆(当时且如果这辆车可用)在指定的搭车位置以及适当的时间搭载乘客。运输系统52也可产生和发送适当配置的确认消息或通知给使用者装置54，使乘客知道车辆正在路上。

可以理解，本文公开的主题提供某些增强的特征和功能，这些可认为是自动驾驶车辆10和/或基于自动驾驶车辆的远程运输系统52的标准或底线。为此，自动驾驶车辆和基于自动驾驶车辆的远程运输系统可经修改、增强或以其他方式补充，从而提供下面更详细描述的附加特征。

根据各种实施例，控制器34实施如图3所示的自动驾驶系统(ADS)70。也就是说，利用控制器34的适合的软件和/或硬件组件(例如处理器44和计算机可读取存储装置46)提供结合车辆10使用的自动驾驶系统70。

在各种实施例中，自动驾驶系统70的指令可由函数或系统组成。例如，如图3中所示，自动驾驶系统70可包括计算机视觉系统74、定位系统76、制导系统78以及车辆控制系统80。应明白，在各种实施例中，可将指令组织成任何数量的系统(例如经组合、进一步定位等)，因为本公开并不限于本实例。

在各种实施例中，计算机视觉系统74合成并处理传感器数据，并预测物体的存在、位置、类别及/或路径以及车辆10的环境的特征。在各种实施例中，计算机视觉系统74可并入来自多个传感器(例如传感器系统28)的信息，包括但不限于照相机、激光雷达、雷达及/或任何数量的其他类型的传感器。

定位系统76处理传感器数据连同其他数据以确定车辆10相对于环境的位置(例如，相对于地图的局部位置，相对于道路车道的精确位置、车辆方向等)。应明白，可采用各种技术来实现这种定位，包括(例如)同时定位和映射(SLAM)、粒子滤波器、卡尔曼滤波器、贝叶斯滤波器等。

制导系统78处理传感器数据连同其他数据以确定车辆10遵循的路径。车辆控制系统80产生控制信号以根据确定的路径控制车辆10。

在各种实施例中，控制器34实施机器学习技术以辅助控制器34的功能性，诸如特征检测/分类、障碍减轻、路线遍历、映射、传感器整合、地面实况确定等。

应理解，根据本公开的路径规划系统100的各种实施例可包括嵌入控制器34内的任何数量的子模块，其可组合和/或进一步分割以类似地实现本文所述的系统和方法。此外，对路径规划系统100的输入可从传感器系统28、与自动驾驶车辆10相关联的其他控制模块(未示出)、通信系统36接收，且/或由图1的控制器34内的其他子模块(未示出)确定/建模。此外，还可对这些输入进行预处理，诸如进行子采样、降噪、标准化、特征提取、减少缺失数据等。

在各种实施例中，全部或部分路径规划系统100可包括在计算机视觉系统74、定位系统76、制导系统78及/或车辆控制系统80内。如上简述，图1的路径规划系统100构造成通过以下方式为AV 10选择路径：确定有可能与关注区域交叉的预测路径(例如，AV 10必须经过其以汇入车流的道路)，接着产生有向图并在其内搜索，有向图对应于与时空路径空间内定义的障碍物区域相关联的判定点。

参考图4，示例性路径规划系统通常包括时空判定点求解器模块(或简称为“求解器模块”)420，采用其作为输入的传感器数据401(例如光学摄像机数据、激光雷达数据、雷达数据等)并产生输出461，该输出指定选定的路径，该路径使AV 10通过关注区域的同时避免移动的物体(例如其他车辆)，移动的物体的路径在某一预定时间间隔(例如“规划范围”)期间可能与关注区域交叉。

根据各种实施例，求解器模块420本身包括关注区域确定模块430、物体路径确定模块440、路径空间定义模块450，以及图形定义和分析模块460。

模块430一般构造成基于传感器数据401定义或帮助定义车辆的关注区域以及预期路径。模块440一般构造成确定在规划范围内(例如预定的时长)可能与关注区域交叉的一个或多个物体的预测路径集合。模块450一般构造成在与关注区域以及规划范围相关联的时空路径空间内，定义对应于该组预测路径的一组障碍物区域，以及针对每一个障碍物区域的多个判定点。模块460一般构造成基于多个判定点以及应用于与判定点互连的路径段集合的成本函数来构建有向图，然后搜索有向图以确定实质上使成本函数最小化的选定的路径461。

输出421可采取各种形式，但一般指定为时间的函数、就位置而言的路径、速度、以及通常可能由图3的制导系统78产生的类型的加速度。也就是说，结合AV 10的动作使用的术语“路径”除了与时间成函数关系的位置信息外，还包括一系列规划的加速度、制动事件，以及将实现预期操纵的类似的信息。由于以下所述的原因，时空判定点求解器模块420在本文中也可称为简化的短语“喇叭形求解器模块”。

上述一个或多个模块(例如模块420、430、440、450及460)可实施为一个或多个机器学习模型，其经受监督、无人监督、半监督、或增强学习和实行分类(例如二进制或多类分类)、回归、聚类、降维及/或像这样的任务。这样的模型实例包括但不限于：人工神经网络(ANN)(诸如循环神经网络(RNN)以及卷积神经网络(CNN))、决策树模型(诸如分类和回归树(CART))、集成学习模型(诸如推进、自举聚合、梯度推进机以及随机森林)、贝叶斯网络模型(诸如朴素贝叶斯)、主成分分析(PCA)、支持向量机(SVM)、聚类模型(诸如K最近邻算法、K均值算法、最大期望算法、层次聚类算法等)、线性判别分析模型。在一些实施例中，可在远离车辆10的系统(例如图2中的系统52)内进行将任何模型并入模块420中的训练，且随后将该训练下载到车辆10中以在车辆10的正常运行期间使用。在其他实施例中，训练至少部分发生在车辆10的控制器34内，且随后将模型与外部系统和/或车队中的其他车辆共享(诸如图2中所示)。

现在参考图5并继续参考图1-4，所示流程表提供控制方法500，其可由根据本公开的路径规划系统100(例如模块420)实行。根据本公开应明白，该方法中的操作顺序并不限于以图中所示的顺序实行，其也可以以可用的且根据本公开的一种或多种不同的顺序实行。在各种实施例中，该方法可基于一个或多个预定事件安排运行，且/或可在自动驾驶车辆10的操作期间连续运行。

在各种实施例中，方法从501开始，其中确定AV 10的“关注区域”以及预期路径。通常，短语“关注区域”是指AV 10打算近期(例如在某一预定时间间隔内或“规划范围”内)经过的任何封闭的空间区域(例如道路、交叉口等)。此区域可由图3的制导系统78结合模块430确定，且可以多种方式指定。例如，关注区域可定义为多边形、曲线型闭合的曲线，或任何其他闭合的形状。在一些实施例中，关注区域的“宽度”(即，在关注区域内垂直于AV 10打算移动的方向上)等于AV的宽度加上预定的余量或缓冲距离(例如图7的缓冲11)。可以理解，关注区域的性质和预期路径将取决于环境和针对AV 10规划的操纵(例如，进行未受保护的左转弯、并入车流、进入迎面的车流、或围绕并排停靠的车辆操纵、超过其左侧较慢的车等)。

图6示出了有助于理解本主题的实例场景。如图所示，AV 10具有预期路径610，其对应于在交叉口600处未受保护的左转弯至道路621上。图6还示出了许多车辆(或“障碍物”)，其可能在决定AV 10是否应当及/或如何完成其转弯方面、以及在转弯期间其目标和加速度以及速度方面有关。例如，AV 10可观察到对面来的车辆601，其轨迹显示，其打算穿过交叉口600并继续行进在道路622上，以及另一车辆602，其轨迹显示，其打算右转到与AV10目标相同的道路621上。在此场景下的关注区域为AV 10有可能在随后的路径610中经过的区域(或道路)。就此，图7示出了图6的简化的版本，其隔离了所示场景的某些特征，即，关注区域702对应于AV 10左转时的预期路径703、以及分别为车辆601的路径611和车辆601的路径612。如上所述，虽然图7中的关注区域702所示为多边形，但本实施例并不限于这样的图示。

此外，应明白，本系统和方法并不限于图6中所示的未受保护的左转弯的场景，且其可应用于任何场景中，其中AV 10在需要考虑附近移动的物体的关注区域内具有预期路径。先参考图14，例如，根据各种实施例的系统可用于以下情形中：其中，AV 10当试图从道路1401进入道路1402时，考虑迎面而来的车辆1421和1422，具有通过关注区域1461的预期路径1451。图15示出了另一实例，其中，考虑到迎面而来的车辆1424，AV10具有预期路径1452，使其通过围绕并排停靠车辆1423的关注区域1462。如图所示，路径1452使AV 10从道路1403进入道路1404再回到道路1403。

再参考图5，在某一预定时间间隔或“规划范围”(502)内确定(例如经由模块440)有可能与关注区域交叉(且被AV 10使用传感器系统28追踪)的物体(或“障碍物”)的预测路径。此确定可考虑(例如)附近物体的位置、速度、加速度、姿势、尺寸以及任何其他相关的属性，以及关注区域的位置、大小和几何形状以及规划范围。

可采用图3的计算机视觉系统74确定在规划范围内哪些物体(如果有)有可能与关注区域交叉。就此而言，规划范围时间间隔取决于许多因素，但在一实施例中，其在大约10-20秒之间，诸如15秒。不过，可行的实施例的范围并不受此限制。再参考图7中所示的实例，可见，路径611和612(分别在661和662处)与关注区域702交叉。

一旦确定关注区域与可能的障碍物，则随后由模块450(在503处)基于规划范围和关注区域确定时空路径空间。根据一实施例，时空路径空间为平面笛卡尔空间其中一个轴对应于沿AV的预期路径未来行进的距离(d)，另一个轴对应于时间(t)。

图8呈现了路径规划可视化(或简称为“可视化”)801，其示出了时空路径空间(或简称为“空间”)850，其表示其中可定义可行的路段(针对图7的AV 10)的区域，如下文进一步详述。应明白，可视化801(以及接下来的可视化)通常不会由系统100通过字面显示出来或通过图像呈现出来。也就是说，提供这些可视化是为了对根据各种实施例系统100如何操作提供直观的理解。

继续参考图8，可视化801的空间850其右侧受限于规划范围860(例如，其中AV 10试图完成操纵的预定时间间隔)，其接近顶部受限于线710，线710对应于关注区域702的终端或末端(例如图7的道路末端710)。AV10的初始位置(例如对应于AV 10即将进入关注区域前的时间和位置)对应于点801(例如d,t＝[0,0])，且向量811表示AV 10进入关注区域702时的初始速度。

因此，AV 10的目标通常为在规划范围内到达道路末端710(图8中最上面的水平线)。然而，有可能的情形是AV 10不能做到如上所述(例如由于存在与其路径交叉的许多大型障碍物)，而实际上在规划范围860结束时其到达某一其他中间的位置(需要后续的路径搜索以完成其预期路径)。

应明白，AV 10会受到运动学限制的集合，其通常取决于AV 10的性质。这样的运动学限制(其可体现为由可操作者配置的设定)可包括(例如)最大加速度、最小加速度、最小速度以及最大急冲(即加速度改变的速率)。

关于这点，应明白，在可视化801内的任何点处的曲线的斜率对应于物体(例如AV10)的瞬时速率，且斜率的变化速度对应于物体的瞬时加速度。因此，图8示出了从初始位置801引出的两个边界：边界810对应于最大加速度段811，接着是最大速度段812；边界820包括最小加速度(或最大减速度)段821、最小速度段822和“停止”段823。可见，边界810和820一起从初始位置801向外扩展出去时定义的形状让人联想到喇叭钟，因此本文中使用简化的名称“喇叭形求解器”。

再参考图5，在时空路径空间内(在504处)由模块450定义一个或多个障碍物区域。这些障碍物区域构造成指定在502处识别的每个物体相对于AV 10在时间和位置方面预估的未来的位置。因此，障碍物区域可对应于静止的和移动的障碍物两者。参考图9，例如，在可视化802中已定义了两个障碍物区域：障碍物区域910(对应于图7中的车辆601的路径交叉口661)，以及障碍物区域920(对应于图7中的车辆602的路径交叉口662)。

虽然所示区域910和920为矩形，但实施例的范围并不限于此。区域910和920内的虚线表示有可能被车辆601和602分别采用的实际路径。因此，可采用涵盖这些可能的路径的任何便利的多边形或曲线型形状。不过，矩形的优势在于其可以方便地建模并呈现，且可用于产生判定点，如下文进一步详述。

一旦障碍物区域(例如区域910和920)已被定义，则系统100接着为一个或多个障碍物区域定义(在505处)判定点(在时空路径空间内)。本文中所用的术语“判定点”是指在如先前504处定义的障碍物区域的周边上(或在某一预定距离内)的点。在各种实施例中——例如其中障碍物区域为多边形的实施例中——判定点定义在一个或多个顶点处。在各种实施例中，判定点定义在障碍物区域上的(或靠近的)点处，其为关于时间最小的点(例如上述时空空间中最左边的点)、关于时间最大的点、关于距离最小点(即上述时空空间中最上面的点)，及/或关于距离最大的点。也就是说，左边和右边的边界实质上对应于其中车辆601和602有可能干扰AV 10的点的末端。

参考图10，例如，关于每一物体区域已定义了两个判定点。具体而言，已在物体区域910的对角处定义了判定点911和912，且在物体区域920的对角处定义了判定点921和922。如图所示，判定点911定义在障碍物区域910的最小距离(垂直轴)和最大时间(水平轴)处，而判定点912定义在障碍物区域910的最大距离和最小时间处。

应明白，如图10的可视化803中所示的判定点直观上对应于AV 10需要到达的“路点”(就位置和时间而言)，以等待物体通过(右下角的判定点)或在物体前通过(左上角的判定点)。因此，判定点912对应于AV 10在车辆601前方通过，且判定点911对应于AV 10等待车辆601通过(例如通过减速)。应明白，不太可能到达判定点922，因为其位于边界810的左侧，且需要AV 10在最大加速度和/或最大速度方面超过其运动学限制。

因此，在506处，模块460定义一图形(例如有向无环图)，其中图形的顶点对应于在505处定义的判定点(或判定点的子集)，且图形的边对应于在判定点之间的具体路径段。系统100进一步定义与每一边有关的成本值，其基于某一预定成本函数量化遵循该路径段的AV的相对需求度。

例如参考图10，所示为路径段集合931-934。路径段932从初始位置801引向判定点912、路径段934从判定点912引向判定点921、路径段931从初始位置801引向判定点911，且路径段933从判定点911引向判定点921。

图11示出了对应于图10的可视化803的有向无环图。如图所示，图形1100包括一组顶点(或“节点”)911、912、801、921、以及922(对应于图10中等同的判定点)，以及具有图11中所示的拓扑的一组边1001、1002、1003以及1004。应注意，顶点922并未连接到图1100的其余部分。也就是说，在有些实施例中，考虑到计算复杂度，未将边画至无法到达的顶点，或自不可到达的顶点画出。

结合图10的可视化，参考图11可见，AV 10具有两条路径选择：包括路径段932和934的第一路径，以及包括路径段931和933的第二路径。直观上，第一路径对应于AV 10稍微加速以在车辆601前方移动，随后降速以让车辆602通过(图11中，顶点801->912->921)。第二路径对应于AV 10以大致相同的速度停留以允许车辆601通过，随后稍微加速并允许车辆602通过(顶点801->911->921)。

根据各种实施例，给图形的每条边分配成本函数值(或简称为“成本”)，且选择最终的路径以降低这些成本的总和。例如，参考图11，边1001-1004每一个均具有其分配的成本，其可以为整数、实数，或者允许路径比较的任何其他的定量度量。在各种实施例中，成本函数基于各种因素产生一个数字。这些因素可包括但不限于：乘客舒适性(例如较低的加速度和/或急冲)、能量使用、在操纵期间AV 10与障碍物之间的距离(例如靠近另一车辆行驶所附加的高成本)、是否已到达关注区域的末端以及到达的程度(例如图10中的线710)，等等。

在一些实施例中，成本函数配置成对未使车辆通过交叉口处罚。在其他实施例中，成本函数处罚在交叉口处的静止。在一些实施例中，当图形搜索已发现任何有效路径、或当其已发现最佳路径，或在其已耗尽搜索时间的固定预算后，图形搜索终止。

为了更充分地描述其中基于判定点构建图形的方式，图12和13示出了根据更复杂场景的实例可视化805和相关联的图形1300，其中AV 10必须找到一条路径通过七个具有不同尺寸和速度的障碍物。在此实例中，已定义了七个矩形障碍物区域(930、940、950、960、970、980和990)，每一个对应于不同的车辆或其他这样的障碍物。如先前的实例，已给每一个障碍物在其左上和右下角处分配了一对判定点。这样，判定点931和932分配给障碍物区域930、判定点941和942分配给障碍物区域930、判定点951和952分配给障碍物区域950、判定点961和962分配给障碍物区域960、判定点971和972分配给障碍物区域970、判定点981和982分配给障碍物区域980，且判定点991和992分配给障碍物区域990。

为清楚起见，图12中未分别列出独立的路径段，但其可通过指定连续判定点的顺序集合来表示，例如路径{801,932,962,982,991,1203}。应注意，判定点941、971和981并不连接到图形1300的其余部分，因为这些点由于上述运动学限制不能到达。

为构建图形1300，当且仅当：(a)第二顶点紧接在第一顶点之后；(b)第二顶点具有比第一顶点更远的距离；(c)所得边不会通过障碍物区域，以及(d)所得边不会超过运动学限制(诸如最大速度)时，在第一顶点与第二顶点之间画一条边。这样，例如，判定点962连接到判定点982和991两者，但未连接到判定点972(其可能需要达到不能达到的速度)或判定点1203(其可能需要通过障碍物区域990)。

注意，图12中示出了“端点”——判定点1201、1202和1203。判定点1201和1202对应于到达道路710的末端(即完成通过关注区域的操纵)，且判定点1203对应于在到达道路710末端之前到达规划范围860的末端的情形。也就是说，所有这些判定点1201、1202和1203是到达期望的目的地可能需要的端点。这些端点可以各种方式从位于线710和860上的所有候选的端点中选出。在一实施例中，对于最接近线710和860的判定点，考虑并投射引向该判定点的每一路径段的终止速度，直至其与线710或860交叉。接着将这些交叉口添加作为图形1300的顶点。因此，例如可见，沿路径段{962,982}行进的AV 10若保持相同的速度将到达顶点1201。同样地，路径段{962,991}结果将到达顶点1202，路径段{982,991}结果将到达顶点1205。

再参考图5，具有这样构建的图形以及对其边分配的成本，进行适合的图形搜索(在507处)以选择最佳情形(最低总成本)的路径。也就是说，选择路径段序列，使其在实现AV 10期望的目标(例如，沿其预期路径行驶并完成通过关注区域，或到达规划范围的末端)的同时，使所选定的路径段的成本的总和最小化。可使用各种方法以进行这项搜索。在一实施例中，使用Djikstra图形搜索算法。在另一实施例中，使用A*图形搜索算法。不管用于选择最佳或接近最佳路径的具体方法如何，结果是选定的路径对应于图4中喇叭形求解器模块420的输出421。

例如，再参考图12和图13中所示的场景，系统100可确定由顶点的有序集合{801,923,991,1202}来描述最低成本的路径。直观上可见，这是一个合理的选择，因为所得路径在速度方面需要极少改变且在关注区域的末端具有端点1202(即已完成预期的操纵)。模块420的输出421则将包括储存在任何便利的数据结构中的运动学值集合，其指定AV 10实现选定路径所需的加速度、速率和位置值的序列。

虽然在前面的详细描述已经呈现了至少一个示例性实施例，但应明白，还存在大量的变化。还应明白示例性的一个或多个实施例仅为实例，且并不打算以任何方式限制本公开的范围、可用性或配置。相反，上述具体实施方式为本领域技术人员实施示例性的一个或多个实施例提供便利的指引。应理解的是，可在元件的功能和配置方面进行各种变化而不脱离所附权利要求书及其法律等效物中所阐述的本公开的范围。

Claims

1.一种路径规划的方法，其包括：

接收涉及与车辆相关的环境的传感器数据；

基于所述传感器数据定义所述车辆的关注区域和预期路径；

确定在规划范围内可能与所述关注区域交叉的一个或多个物体的预测路径集合；

在与所述关注区域以及所述规划范围相关联的时空路径空间内，定义对应于所述预测路径集合的障碍物区域的集合；

针对每一个障碍物区域定义多个判定点；

基于所述多个判定点以及应用于将判定点互连的路径段集合的成本函数，定义有向图；以及

用处理器进行所述有向图的搜索以确定选定的路径。

2.根据权利要求1所述的方法，其中定义所述有向图包括在第一判定点至第二判定点之间提供有向边，只要：所述第二判定点及时接在第一顶点之后；所述第二判定点对应于比所述第一判定点更远的距离；所述有向边不会通过所述障碍物区域之一；以及所述有向边不会超过与车辆有关的运动学限制。

3.根据权利要求1所述的方法，其中所述成本函数基于乘客舒适性、能量使用以及所述车辆与所述物体之间的距离中至少一者。

4.根据权利要求1所述的方法，其中所述障碍物区域集合中的每个障碍物区域均为多边形，且所述判定点位于所述多边形的顶点处。

5.根据权利要求4所述的方法，其中所述障碍物区域集合中的每个障碍物区域均为矩形。

6.一种用于控制车辆的系统，其包括：

关注区域确定模块，其构造成接收涉及与车辆相关的环境的传感器数据，以及基于所述传感器数据定义所述车辆的关注区域和预期路径；

物体路径确定模块，其构造成确定在规划范围内可能与所述关注区域交叉的一个或多个物体的预测路径集合；

路径空间定义模块，其构造成在与所述关注区域以及所述规划范围相关联的时空路径空间内，定义对应于所述预测路径集合的障碍物区域的集合；以及为每一个障碍物区域定义多个判定点；

图形定义和分析模块，其构造成基于所述多个判定点以及应用于将所述判定点互连的路径段集合的成本函数来定义有向图，以及用处理器进行有向图的搜索以确定选定的路径。

7.根据权利要求6所述的系统，其中所述图形定义和分析模块通过在第一判定点至第二判定点之间提供有向边定义所述有向图，只要：所述第二判定点及时接在第一顶点之后；所述第二判定点对应于比所述第一判定点更远的距离；所述有向边不会通过所述障碍物区域之一；以及所述有向边不会超过与车辆有关的运动学限制。

8.根据权利要求6所述的系统，其中所述成本函数基于乘客舒适性、能量使用以及所述车辆与所述物体之间的距离中至少一者。

9.根据权利要求6所述的系统，其中所述障碍物区域集合中的每个障碍物区域均为多边形，且所述判定点位于所述多边形的顶点处。

10.根据权利要求1所述的系统，其中所述障碍物区域集合中的每个障碍物区域均为矩形。