CN110189547B - 一种障碍物检测方法、装置及车辆 - Google Patents

一种障碍物检测方法、装置及车辆 Download PDF

Info

Publication number
CN110189547B
CN110189547B CN201910465226.1A CN201910465226A CN110189547B CN 110189547 B CN110189547 B CN 110189547B CN 201910465226 A CN201910465226 A CN 201910465226A CN 110189547 B CN110189547 B CN 110189547B
Authority
CN
China
Prior art keywords
point
obstacle
track
vehicle
sampling
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910465226.1A
Other languages
English (en)
Other versions
CN110189547A (zh
Inventor
张超昱
李弼超
邓志权
孙崇尚
陈集辉
李良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Xiaopeng Motors Technology Co Ltd
Original Assignee
Guangzhou Xiaopeng Motors Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Xiaopeng Motors Technology Co Ltd filed Critical Guangzhou Xiaopeng Motors Technology Co Ltd
Priority to CN201910465226.1A priority Critical patent/CN110189547B/zh
Publication of CN110189547A publication Critical patent/CN110189547A/zh
Application granted granted Critical
Publication of CN110189547B publication Critical patent/CN110189547B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/165—Anti-collision systems for passive traffic, e.g. including static obstacles, trees

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

一种障碍物检测方法、装置及车辆，该方法包括：获取车辆即将行驶的期望轨迹；以所述期望轨迹为中心构建轨迹检测范围；检测位于所述轨迹检测范围内的障碍物对应的障碍物点；将所述车辆按照所述期望轨迹行驶至与所述障碍物点接触的位置时所需的行驶路程作为所述障碍物与所述车辆之间的相对距离。实施本发明实施例，能够提高障碍物检测的精确度，并且计算量较小，更适用于车辆的底层控制器。

Description

一种障碍物检测方法、装置及车辆
技术领域
本发明涉及智能驾驶技术领域，具体涉及一种障碍物检测方法、装置及车辆。
背景技术
目前，市面上大部分的高级驾驶辅助系统(Advanced Driver Assistant System，ADAS)能够提供避障功能。其原理大多基于超声波雷达、激光雷达等传感器检测障碍物相对于车辆的方向和位置，从而确定障碍物相对于车辆的相对距离。根据障碍物与车辆之间的相对距离，ADAS系统可以生成一系列的控制策略。比如，计算车辆的刹车时机、刹车力度、转向角度等。
然而，在实践中发现，这种检测方法在复杂环境下可能存在精确度不足，不符合车辆运动学限制，无法适应较高级别的自动驾驶场景的问题。以自动泊车的场景为例，请一并参阅图1，车辆的右后端可以设置有超声波雷达等传感器，可以检测车辆的右后端与障碍物之间的距离d。在距离L较小时，ADAS系统会根据距离L生成相应的车辆控制策略，以控制车辆重新揉库。但是，如图1所示，当车辆按照图1-1所示的行驶方向行驶时，车辆很可能会撞上停车位边沿；当车辆按照图1-2所示的行驶方向行驶时，由于存在转向的操作，车辆可能不会撞上停车位边沿，实际上此时并不需要控制车辆改变原有的行驶路线，重新揉库的操作是不必要的。
可见，现有的障碍物检测方法的精确性不足，无法适应较为复杂的自动驾驶场景。
发明内容
本发明实施例公开了一种障碍物检测方法、装置及车辆，能够提高障碍物检测的精确度。
本发明实施例第一方面公开一种障碍物检测方法，所述方法包括：
获取车辆即将行驶的期望轨迹；
以所述期望轨迹为中心构建轨迹检测范围；
检测位于所述轨迹检测范围内的障碍物对应的障碍物点；所述障碍物点由所述车辆的传感器检测得到；
将所述车辆按照所述期望轨迹行驶至与所述障碍物点接触的位置时所需的行驶路程作为所述障碍物与所述车辆之间的相对距离。
作为一种可选的实施方式，在本发明实施例第一方面中，所述以所述期望轨迹为中心构建轨迹检测范围，包括：
对所述期望轨迹沿着其切向方向进行纵向采样，得到离散的轨迹点；
针对单个所述轨迹点，沿着垂直于所述轨迹点切向的方向进行横向采样，得到垂直于所述轨迹点切向的采样点；
利用采样点集合构成轨迹检测范围；所述采样点集为各个所述轨迹点以及垂直于所述轨迹点切向的采样点的集合。
作为一种可选的实施方式，在本发明实施例第一方面中，垂直于所述轨迹点切向的采样点与所述轨迹点之间的距离不超过所述期望轨迹的最大曲率半径；
以及，所述横向采样以及所述纵向采样为均匀采样。
作为一种可选的实施方式，在本发明实施例第一方面中，所述检测位于所述轨迹检测范围内的障碍物对应的障碍物点，包括：
检测装置沿着期望轨迹的切向方向遍历各个轨迹点对应的点层，以每两个相邻的点层组成一对检测集合，并且遍历所述检测集合中的点，重复以所述检测集合中的点构建四边形并判断障碍物点是否位于四边形内的步骤，直至构建出第一个包含障碍物点的四边形；其中，所述点层由所述采样点集合中的单个所述轨迹点以及垂直于所述轨迹点切向的采样点构成；
所述将所述车辆按照所述期望轨迹行驶至与所述障碍物点接触的位置时所需的行驶路程作为所述障碍物与所述车辆之间的相对距离，包括：
将所述车辆按照所述期望轨迹行驶至包含所述障碍物点的四边形的任一顶点时所需的行驶路程作为所述障碍物与所述车辆之间的相对距离。
作为一种可选的实施方式，在本发明实施例第一方面中，所述判断所述车辆检测到的障碍物对应的障碍物点是否位于所述四边形内，包括：
统计以所述车辆的传感器检测到障碍物对应的障碍物点为端点的射线与所述四边形外轮廓的交点数；
如果所述交点数为奇数，判定所述障碍物点位于所述四边形内；
如果所述交点数为偶数，判定所述障碍物点位于所述四边形外。
作为一种可选的实施方式，在本发明实施例第一方面中，所述期望轨迹为Frenet坐标系下的轨迹。
作为一种可选的实施方式，在本发明实施例第一方面中，所述获取车辆即将行驶的期望轨迹，包括：
获取车辆的期望轨迹在笛卡尔坐标系下的原始曲线方程；所述原始曲线方程以参数t为变量；
提取所述原始曲线方程中每个坐标点对应的当前曲线位置的总长度si(i＝[0，n])，得到累积长度数组S[n]；以及，提取每个坐标点对应的当前曲线位置的参数t(t＝[0，n])，得到与S[n]对应的数组T[n]；
将参数t与曲线长度的参数s通过最小二乘法进行拟合，利用数组S[n]以及数组T[n]求解参数t关于参数s的方程t＝h(s)的参数向量
Figure GDA0002553500560000034
；
将t代入所述原始曲线方程，得到车辆在Frenet坐标系下的期望轨迹：
Figure GDA0002553500560000031
作为一种可选的实施方式，在本发明实施例第一方面中，所述获取车辆即将行驶的期望轨迹，包括：
获取车辆即将行驶的期望轨迹在笛卡尔坐标系下的起点坐标P0(x0，y0，θ0)，以及终点坐标为P1(x1，y1，θ1)；其中，θ为航向角；
假设通过欧拉螺线的形式将车辆在Frenet坐标系下的期望轨迹表示为：
Figure GDA0002553500560000032
Figure GDA0002553500560000033
其中，x(s)为Frenet坐标系下期望轨迹的横坐标关于曲线长度s的函数，y(s)为Frenet坐标系下期望轨迹的纵坐标关于曲线长度s的函数，x0、y0为期望轨迹在笛卡尔坐标系下的起点坐标，κ′为曲率变化率，κ为初始曲率，θ0为初始航向角；X0、Y0分别为菲涅尔积分的一般形式：
将起点坐标P0以及终点坐标P1代入函数x(s)及y(s)，得到非线性方程组：
Figure GDA0002553500560000041
求解所述非线性方程组，得到参数κ′，κ的值；
将参数κ′，κ代入函数x(s)及y(s)，得到期望轨迹在Frenet坐标系下的欧拉螺线轨迹{x(s)，y(s)}。
本发明实施例第二方面公开一种障碍物检测装置，包括：
获取单元，用于获取车辆即将行驶的期望轨迹；
构建单元，用于以所述期望轨迹为中心构建轨迹检测范围；
检测单元，用于检测位于所述轨迹检测范围内的障碍物对应的障碍物点；所述障碍物点由所述车辆的传感器检测得到；
确定单元，用于将所述车辆按照所述期望轨迹行驶至与所述障碍物点接触的位置时所需的行驶路程作为所述障碍物与所述车辆之间的相对距离。
作为一种可选的实施方式，在本发明实施例第二方面中，所述构建单元，包括：
第一采样子单元，用于对所述期望轨迹沿着其切向方向进行纵向采样，得到离散的轨迹点；
第二采样子单元，用于针对单个所述轨迹点，沿着垂直于所述轨迹点切向的方向进行横向采样，得到垂直于所述轨迹点切向的采样点；
确定子单元，用于由采样点集合构成轨迹检测范围；所述采样点集为各个所述轨迹点以及垂直于所述轨迹点切向的采样点的集合。
作为一种可选的实施方式，在本发明实施例第二方面中，垂直于所述轨迹点切向的采样点与所述轨迹点之间的距离不超过所述期望轨迹的最大曲率半径；
以及，所述横向采样以及所述纵向采样为均匀采样。
作为一种可选的实施方式，在本发明实施例第二方面中：
所述检测单元，具体用于检测装置沿着期望轨迹的切向方向遍历各个轨迹点对应的点层，以每两个相邻的点层组成一对检测集合，并且遍历所述检测集合中的点，重复以所述检测集合中的点构建四边形并判断障碍物点是否位于四边形内的步骤，直至构建出第一个包含障碍物点的四边形；
其中，所述点层由所述采样点集合中的单个所述轨迹点以及垂直于所述轨迹点切向的采样点构成；
以及，所述确定单元，具体用于将所述车辆按照所述期望轨迹形式至包含所述障碍物点的四边形的任一顶点时所需的行驶路程作为所述障碍物与所述车辆之间的相对距离。
作为一种可选的实施方式，在本发明实施例第二方面中，所述检测单元用于判断所述车辆检测到的障碍物对应的障碍物点是否位于所述四边形内的方式具体为：
所述检测单元，用于统计以所述车辆的传感器检测到的障碍物点为端点的射线与所述四边形外轮廓的交点数；如果所述交点数为奇数时，判定所述障碍物点位于所述四边形内；如果所述交点数为偶数时，判定所述障碍物点位于所述四边形外。
作为一种可选的实施方式，在本发明实施例第二方面中，所述期望轨迹为Frenet坐标系下的轨迹。
本发明实施例第三方面公开一种移动终端，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，执行本发明实施例第一方面公开的任一项方法。
本发明第四方面公开一种计算机可读存储介质，其存储计算机程序，其中，所述计算机程序使得计算机执行本发明实施例第一方面公开的任一项方法。
本发明实施例第五方面公开一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行本发明实施例第一方面公开的任一项方法。
本发明实施例第五方面公开一种车辆，其包括本发明实施例第二方面公开的任一项装置。
与现有技术相比，本发明实施例具有以下有益效果：
本发明实施例考虑车辆即将行驶的期望轨迹，只计算位于期望轨迹的轨迹检测范围内的障碍物与车辆之间的相对距离，从而可以降低与车辆相距较近，但期望轨迹原有的转向操作可能避开的障碍物的干扰。进一步地，本发明实施例以车辆行驶至与障碍物平行地位置时所需地行驶距离作为车辆与障碍物之间的相对距离，而非车辆与障碍物两点之间的直线距离。可见，本发明实施例对于障碍物的检测精确度较高，更加符合车辆运动学，可以更好地判断车辆是否需要改变原有的行驶路线，以生成更加准确的车辆控制策略。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是本发明实施例公开的一种自动泊车场景中进行障碍物检测的示例图；
图2是本发明实施例公开的一种障碍物检测方法的流程示意图；
图3是本发明实施例公开的一种笛卡尔坐标系与Frenet坐标系的转换关系的示例图；
图4是本发明实施例公开的一种在车辆行驶过程中进行障碍物检测的示例图；
图5是本发明实施例公开的另一种障碍物检测方法的流程示意图；
图6是本发明实施例公开的一种对期望轨迹进行纵向采样的示例图；
图7是本发明实施例公开的一种对期望轨迹进行纵向采样以及横向采样的示例图；
图8是本发明实施例公开的一种四边形构建方法的示例图；
图9是本发明实施例公开的一种四边形检测的示例图；
图10是本发明实施例公开的一种障碍物检测装置的结构示意图；
图11是本发明实施例公开的另一种障碍物检测装置的结构示意图；
图12是本发明实施例公开的又一种障碍物检测装置的结构示意图。
具体实施方式
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进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明实施例及附图中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例公开了一种障碍物检测方法、装置及车辆，能够提高障碍物检测的精确度。以下分别进行详细说明。
实施例一
请参阅图2，图2是本发明实施例公开的一种障碍物检测方法的流程示意图。该障碍物检测方法适用的检测装置可以为车载检测装置，具体可以为车载的工控电脑、车载计算机等电子设备，也可以为电子控制单元(Electronic Control Unit，ECU)等车辆的底层控制器。本发明实施例不做限定。如图2所示，该障碍物检测方法可以包括以下步骤：
101、检测装置获取车辆即将行驶的期望轨迹。
在本发明实施例中，检测装置可以获取车辆的轨迹规划模块(如导航模块等)发送的期望轨迹。可以理解的是，轨迹规划模块发送的期望轨迹可能是笛卡尔坐标系下的轨迹曲线。
为了便于计算，在本发明实施例中，可以将笛卡尔坐标系下的期望轨迹转换至弗勒内(Frenet)坐标系下的期望轨迹。请一并参阅图3，图3是一种笛卡尔坐标系与Frenet坐标系的转换关系的示例图。其中，笛卡尔坐标系为图3中的XY坐标系，Frenet坐标系为图3中的SL坐标系。如图3所示，Frenet坐标系的S轴沿着道路参考线的方向，Frenet坐标系的L轴为道路参考线的法向。在笛卡尔坐标系下为曲线的行驶路线，可以在Frenet坐标系下转换成直线表示，能够有效地减少后续的计算量。
作为一种可选的实施方式，如果考虑将期望轨迹转换至Frenet坐标系下，步骤101的具体实施方式可以为：
S11、获取车辆的期望轨迹在笛卡尔坐标系下的原始曲线方程；
假设该原始曲线方程以参数t为变量，那么原始曲线方程可以表示为：
x＝f(t)，y＝g(t)，t∈[0，1]
S12、提取原始曲线方程中每个坐标点对应的当前曲线位置的总长度si(i＝[0，n])，得到累积长度数组S[n]；以及，提取每个坐标点对应的当前曲线位置的参数t(t＝[0，n])，得到与S[n]对应的数组T[n]。
S13、将参数t与曲线长度的参数s通过最小二乘法进行拟合，利用数组S[n]以及数组T[n]求解参数t关于参数s的方程t＝h(s)的参数向量
Figure GDA0002553500560000081
具体地，将参数t与参数s采用最小二乘法拟合，可以得到参数t关于参数s的方程：
t＝h(s)＝a0+a1·s+a2·s2+…+am·sm，s∈[0，L]
其中，L是是期望轨迹的总长度；
假设
Figure GDA0002553500560000082
将数组S[n]以及数组T[n]代入最小二乘拟合公式：
Figure GDA0002553500560000083
其中，
Figure GDA0002553500560000091
Figure GDA0002553500560000092
即可得到方程t＝h(s)的参数向量
Figure GDA0002553500560000093
S14、将t代入原始曲线方程，得到车辆在Frenet坐标系下的期望轨迹：
Figure GDA0002553500560000094
上述的步骤S11～步骤S14所示的实施方式，利用最小二乘法拟合的方式将期望轨迹在笛卡尔坐标系下的原始曲线方程转换至Frenet坐标系。该实施方式的计算简单、计算量小、计算速率相对较快。
然而，当期望轨迹的曲率较大时，步骤S11～步骤S14所示的实施方式可能存在拟合精度不高的问题。如果需要较高的拟合精度，步骤101的具体实施方式可以如下所示：
S21、获取车辆即将行驶的期望轨迹在笛卡尔坐标系下的起点坐标P0(x0，y0，θ0)，以及终点坐标为P1(x1，y1，θ1)；其中，θ为车辆的航向角。
S22、假设通过欧拉螺线的形式将车辆在Frenet坐标系下的期望轨迹表示为：
Figure GDA0002553500560000095
Figure GDA0002553500560000096
其中，x(s)为Frenet坐标系下期望轨迹的横坐标关于曲线长度s的函数，y(s)为Frenet坐标系下期望轨迹的纵坐标关于曲线长度s的函数，x0、y0为期望轨迹在笛卡尔坐标系下的起点坐标，κ′为曲率变化率，κ为初始曲率，θ0为初始航向角；X0、Y0分别为菲涅尔积分的一般形式，即：
Figure GDA0002553500560000101
Figure GDA0002553500560000102
S23、将起点坐标P0以及终点坐标P1代入函数x(s)及y(s)，得到如下的约束条件：
x(0)＝x0，y(0)＝y0
x(L)＝x1，y(L)＝y1
其中，L为期望轨迹的终点到起点的总长度；
为求解上述方程组，利用其中的3个未知量(L，κ，κ′)建立以下非线性方程组：
Figure GDA0002553500560000103
S24、求解上述的非线性方程组，得到参数κ′，κ的值；
具体的，可以将上述的非线性方程组进一步转化为：
Figure GDA0002553500560000104
其中：
Figure GDA0002553500560000105
Figure GDA0002553500560000106
Figure GDA0002553500560000107
进一步地，方程组{f(L，A)，g(A)}的求解步骤具体可以为：
1)利用牛顿-拉弗森法(Newton-Raphson)求解g(A)＝0；
2)计算L：
Figure GDA0002553500560000111
3)计算κ和κ′：κ＝(δ-A)/L，κ′＝2A/L2。
更进一步地，步骤1)中利用牛顿-拉弗森法(Newton-Raphson)求解g(A)＝0的具体步骤可以为：
1.取A的初值为
Figure GDA0002553500560000112
2.计算g(A0)；
3.更新A的值为A←A-g(A)/g′(A)，直到g(A)趋近于零。
S25、将参数κ′，κ代入函数x(s)及y(s)，得到期望轨迹在Frenet坐标系下的欧拉螺线轨迹{x(s)，y(s)}。
上述的步骤S21～步骤S25所示的实施方式，将笛卡尔坐标系下的期望轨迹拟合成欧拉螺线轨迹。欧拉螺线的定义是曲率与长度成正比的螺旋线，其采样参数为曲线长度s，符合障碍物检测采样需求，且因为其曲率呈线性变化，因而可以满足车辆运动的运动学限制，适合作为底层控制器的直接输入，可以直接作为车辆控制的参考轨迹。
相较于最小二乘法拟合的方式，欧拉螺线的拟合方式计算较为复杂，计算量相对较大。因此，检测装置可以在不同的情况下采用不同的拟合方式，从而平衡精度和计算量的需求。比如说，在期望轨迹的曲率较小时可以采用最小二乘法拟合；在进行L3级或以上的自动驾驶时，可以采用欧拉螺线的拟合方式。
102、检测装置以上述的期望轨迹为中心构建轨迹检测范围。
在本发明实施例中，当车辆行驶在具有车道线的道路上时，规划模块输出的期望轨迹可以参考道路中心线，检测装置构建的轨迹检测范围可以参考车道线。
103、检测装置检测位于轨迹检测范围内的障碍物对应的障碍物点。
在本发明实施例中，上述的障碍物点可以由车辆的传感器检测得到。传感器具体可以为摄像头、超声波雷达传感器、激光雷达传感器等，本发明实施例不做限定。此外，也可以由车辆的导航系统读取高精度地图上记载的障碍物点，并将障碍物点的位置传输至检测装置，本发明实施例不做限定。
此外，请一并参阅图4，图4是本发明实施例公开的一种在车辆行驶过程中进行障碍物检测的示例图。如图4所示，假设图4中的车辆V1为应用图2所示的方法的车辆，对于车辆V1而言，车辆V2和车辆V3属于障碍物。假设车辆V1的轨迹检测范围以车辆所在车道的两侧车道线为边界，车辆V2属于轨迹检测范围内的障碍物，车辆V3属于轨迹检测范围外的障碍物。一般来说，当车辆周边存在多个障碍物时，优先计算与车辆的距离最近的障碍物。假设不判断障碍物是否位于轨迹检测范围内，车辆V3为距离车辆V1最近的障碍物。然而，从图4中可以看出，车辆V1与车辆V3位于不同的车道，在正常行驶的情况下，车辆V1不需要针对车辆V3执行避障操作。可见，如果不执行步骤103，位于轨迹检测范围外的障碍物可能会被误检为影响车辆行驶的障碍物。
104、检测装置将车辆按照期望轨迹行驶至与障碍物点接触的位置时所需的行驶路程作为障碍物与车辆之间的相对距离。
在本发明实施例中，从图4中可以看出，障碍物点与车辆之间的直线距离d可能小于障碍物与车辆之间的实际距离。如果根据上述的直线距离生成控制车辆减速的减速策略，可能会导致减速时机提前、减速力度加大，导致急刹的概率增加，容易影响用户的乘车体验。
此外，将期望轨迹转换成Frenet坐标系下，车辆按照期望轨迹行驶至与障碍物点接触的位置可以表示为障碍物点在Frenet坐标系S轴上的坐标点对应的位置。可见，将期望轨迹转换至Frenet坐标系，也可以减少距离计算的计算量。
综上所述，在图2所描述的方法中，只计算位于期望轨迹的轨迹检测范围内的障碍物与车辆之间的相对距离，可以减少车辆按照期望轨迹原有的转向操作可能避开的障碍物的干扰。进一步地，图2所描述的方法检测车辆与障碍物之间的行驶距离，而非直线距离，可以进一步提高对障碍物检测的精确度，从而可以更好地判断车辆是否需要改变原有的行驶路线，以生成更加准确的车辆控制策略，提高用户的乘车体验。
实施例二
请参阅图5，图5是本发明实施例公开的另一种障碍物检测方法的流程示意图。如图5所示，该障碍物检测方法可以包括以下步骤：
501、检测装置获取车辆即将行驶的期望轨迹。
在本发明实施例中，期望轨迹为Frenet坐标系下的轨迹，将笛卡尔坐标系下的轨迹转换成Frenet坐标系下的具体实施方式可以如步骤S11～步骤S14或者如步骤S21～步骤S25所示，以下内容不再赘述。
502、检测装置对期望轨迹沿着其切向方向进行纵向采样，得到离散的轨迹点。
在本发明实施例中，纵向采样指沿着在Frenet坐标系下沿着S轴的方向进行采样。优选的，可以采用间距Δs1进行均匀采用，得到一组间距均匀的离散轨迹点。
请一并参阅图6，图6是一种对期望轨迹进行纵向采样的示例图。需要说明的是，为了直观地体验期望轨迹可以是曲线的特征，图6为期望轨迹进行纵向采样之后在笛卡尔坐标系下的表示。
503、针对单个轨迹点，检测装置沿着垂直于轨迹点切向的方向进行横向采样，得到垂直于轨迹点切向的采样点。
在本发明实施例中，横向采样具体可以为：针对某个轨迹点，沿Frenet坐标系的L轴方向进行采样。优选的，可以采用间距Δs2进行均匀采用，得到与当前轨迹点的切向垂直的采样点(xp，yp)。其采样方程可以表示为：
xp(l，s)＝x(s)+i·Δl·cos(α+π/2)
yp(l，s)＝y(s)+i·Δl·cos(α+π/2)
其中，i为采样次数，α为当前轨迹点Pi＝(x(s)，y(s))的切向方向角。
请一并参阅图7，图7是本发明实施例公开的一种对期望轨迹进行纵向采样以及横向采样的示例图。需要说明的是，图7为期望轨迹进行纵向采样以及横向采样之后在笛卡尔坐标系下的表示。
进一步地，采样次数i的取值影响轨迹检测范围的边界与期望轨迹之间的距离。可选的，可以根据Δs2的取值以及期望轨迹的最大曲率半径确定i的具体取值，以使得垂直于轨迹点切向的采样点与轨迹点之间的距离不超过期望轨迹的最大曲率半径。
504、检测装置利用采样点集合构成轨迹检测范围。
在本发明实施例中，上述的采样点集为各个轨迹点以及垂直于轨迹点切向的采样点的集合。也就是说，轨迹检测范围可以如图7所示。
505、检测装置沿着期望轨迹的切向方向遍历各个轨迹点对应的点层，以每两个相邻的点层组成一对检测集合，并且遍历所述检测集合中的点，重复以所述检测集合中的点构建四边形并判断障碍物点是否位于四边形内的步骤，直至构建出第一个包含障碍物点的四边形。
在本发明实施例中，上述的点层由采样点集合中的单个轨迹点以及垂直于该轨迹点切向的采样点构成。
作为一种可选的实施方式，遍历检测集合中的点，以构建四边形的具体方式可以为：
从位于轨迹检测范围的边界上的点开始，每次按照均匀的间隔选取在每个点层中选取2个相邻的点，以得到4个点组成四边形ABCD。可以一并参阅图8，图8是本发明实施例公开的一种四边形构建方法的示例图。从图8中可以看出，相邻的两个点层(即一对检测集合)中的点可以构建出多个四边形ABCD，每个四边形之间均为两两相邻。
进一步地，沿着期望轨迹的切向方向遍历各个轨迹点对应的点层，以每两个相邻的点层组成一对检测集合的具体方式可以为：
假设两个相邻的点层，点层1和点层2中的点遍历完毕之后，仍然不存在包含障碍物点的四边形，那么可以按照预设的点层遍历顺序从两个点层中选取出一个点层。比如说，如果点层遍历顺序为沿着期望轨迹的切向方向逐渐远离期望轨迹的起点，那么可以从点层1和点层2中选取出距离上述的起点较远的点层2，然后，可以从采样点集合中选取出与点层2相邻的下一个点层3组成一对新的检测集合，以利用点层2和点层3的中的点构建四边形。依次类推，直至构建出第一个包含障碍物点的四边形。
此外，如果遍历完期望轨迹上所有轨迹点对应的点层，仍然无法构建出包含障碍物点的四边形，那么退出循环，结束本流程。
针对构建出的每个四边形ABCD，判断车辆的传感器检测到的障碍物对应的障碍物点q是否位于四边形ABCD内，具体的判断方法可以如下：
统计以车辆的传感器检测到的障碍物对应的障碍物点q为端点的射线与四边形ABCD的外轮廓的交点数；
如果该交点数为奇数，判定障碍物点q位于四边形ABCD内；
如果交点数为偶数，判定障碍物点q位于四边形ABCD外。
请一并参阅图9，图9是本发明实施例公开的一种四边形检测的示例图。图9-1为障碍物点位于四边形内的示例图，图9-2为障碍物点位于四边形外的示例图。需要说明的是，图9为期望轨迹在笛卡尔坐标系下的表示。
506、检测装置将车辆按照期望轨迹行驶至包含障碍物点的四边形的任一顶点时所需的行驶路程作为障碍物与车辆之间的相对距离。
在本发明实施例中，四边形ABCD中位于同一点层的两个点在Frenet坐标系的S轴方向上的坐标相同。如图9所示的点B与点D在Frenet坐标系的S轴方向上的坐标相同，点A与点C在Frenet坐标系的S轴方向上的坐标相同。当纵向采样的间隔Δs1的取值较小时，点B与点A，点D与点C之间的差距较小。也就是说，障碍物点q在Frenet坐标系S轴方向上的坐标与四边形ABCD中任意一个顶点在Frenet坐标系S轴方向上的坐标之间的差距较小，可以将任一顶点在Frenet坐标系S轴方向上的坐标s(i)，即车辆按照期望轨迹行驶至包含障碍物点q的四边形的任一顶点时所需的行驶路程作为障碍物与车辆之间的相对距离。
优选的，可以采用四边形ABCD的各个顶点中更接近期望轨迹的起点的点在Frenet坐标系S轴方向上的坐标作为障碍物与车辆之间的相对距离。更短的相对距离可以提高车辆行驶的安全性。
此外，在本发明实施例中，车辆的传感器可能检测到不止一个障碍物，在期望轨迹的轨迹检测范围内也可能存在不止一个障碍物。轨迹检测范围内的各个障碍物点可以组成的点集Q，针对点集Q中的每个障碍物点q，都可以执行上述的步骤505～步骤506，以构建出只包含一个障碍物点q的四边形，从而可以根据每个障碍物点q所在的四边形的顶点位置，确定出每个障碍物点对应的障碍物与车辆之间的相对距离。
可见，在图5所描述的方法中，检测装置可以通过纵向采样以及横向采样的方式构建出符合期望轨迹的轨迹检测范围，并且通过采样的方式比较符合底层控制器的控制需求。此外，在图5所描述的方法中，检测装置采用沿着期望轨迹分布的四边形进行障碍物的碰撞检测，相比于直接计算障碍物点与车辆之间的直线距离的方案，图5所描述的方法的实现逻辑更加简单，计算效率更高，同时也保证了一定的准确度，并且该方法更加符合车辆运动的实际特性，也更能准确体现车辆与障碍物之间的逻辑关系。
实施例三
请参阅图10，图10是本发明实施例公开的一种障碍物检测装置的结构示意图。如图10所示，该障碍物检测装置可以包括：
获取单元601，用于获取车辆即将行驶的期望轨迹；
在本发明实施例中，如果从轨迹规划模块等其他单元、模块或者装置中获取到的期望轨迹为笛卡尔坐标系下的轨迹曲线，那么可以先将期望轨迹转换至Frenet坐标系下；
作为一种可选的实施方式，获取单元601获取车辆即将行驶的期望轨迹的方式具体可以为：
获取单元601，用于利用最小二乘法将笛卡尔坐标系下的期望轨迹拟合成Frenet坐标系下的期望轨迹。具体的拟合方法可以如实施例一中的步骤S11～步骤S14所示，以下内容不再赘述。
作为另一种可选的实施方式，获取单元601获取车辆即将行驶的期望轨迹的方式具体也可以为：
获取单元601，用于将笛卡尔坐标系下的期望轨迹拟合成欧拉螺线轨迹。具体的拟合方法可以如实施例一中的步骤S21～步骤S25所示，以下内容不再赘述。
以及，图10所示的障碍物检测装置还可以包括：
构建单元602，用于以期望轨迹为中心构建轨迹检测范围；
检测单元603，用于检测位于轨迹检测范围内的障碍物对应的障碍物点；
确定单元604，用于将车辆按照期望轨迹行驶至与障碍物点接触的位置时所需的行驶路程作为障碍物与车辆之间的相对距离。
实施如图10所示的障碍检测装置，可以只计算位于期望轨迹的轨迹检测范围内的障碍物与车辆之间的相对距离，从而减少车辆按照期望轨迹原有的转向操作可能避开的障碍物的干扰。进一步地，实施如图10所示的障碍检测装置，可以检测车辆与障碍物之间的行驶距离，而非直线距离，从而进一步提高对障碍物检测的精确度，可以更好地判断车辆是否需要改变原有的行驶路线，以生成更加准确的车辆控制策略，提高用户的乘车体验。
实施例四
请参阅图11，图11是本发明实施例公开的另一种障碍物检测装置的结构示意图。在图11所示的障碍物检测装置中，上述的构建单元602，可以包括：
第一采样子单元6021，用于对期望轨迹沿着其切向方向进行纵向采样，得到离散的轨迹点；
第二采样子单元6022，用于针对单个轨迹点，沿着垂直于轨迹点切向的方向进行横向采样，得到垂直于轨迹点切向的采样点；
确定子单元6023，用于利用采样点集合构成轨迹检测范围；其中，采样点集为各个轨迹点以及垂直于轨迹点切向的采样点的集合。
优选的，上述的第一采样子单元6021进行的横向采样以及第二采样子单元6022进行的纵向采样均可以为均匀采样。
进一步优选的，第二采样子单元6022在进行横向采样时，垂直于轨迹点切向的采样点与轨迹点之间的距离不超过期望轨迹的最大曲率半径。
作为一种可选的实施方式，在图11所示的障碍物检测装置中：
上述的检测单元603，具体可以用于沿着期望轨迹的切向方向遍历各个轨迹点对应的点层，以每两个相邻的点层组成一对检测集合，并且遍历所述检测集合中的点，遍历两个不同的点层中的点以及各个轨迹点对应的点层，重复以两个不同的点层所述检测集合中的点构建四边形并判断障碍物点是否位于四边形内的步骤，直至构建出第一个包含障碍物点的四边形；
其中，上述的点层由采样点集合中的单个轨迹点以及垂直于轨迹点切向的采样点构成；
以及，上述的确定单元604，具体用于将车辆按照期望轨迹形式至包含障碍物点的四边形的任一顶点时所需的行驶路程作为障碍物与车辆之间的相对距离。
作为另一种可选的实施方式，在图11所示的障碍物检测装置中，上述的检测单元603用于判断车辆检测到的障碍物对应的障碍物点是否位于四边形内的方式具体可以为：
检测单元603，用于统计以车辆的传感器检测到的障碍物点为端点的射线与四边形外轮廓的交点数；如果交点数为奇数时，判定障碍物点位于四边形内；如果交点数为偶数时，判定障碍物点位于四边形外。
此外，在本发明实施例中，车辆的传感器可能检测到多个障碍物，那么检测到的轨迹检测范围内的各个障碍物点可以组成的点集Q。针对点集Q中的每个障碍物点q，都可以触发检测单元603以及确定单元604执行上述的操作，以确定出每个障碍物点对应的障碍物与车辆之间的距离。
实施如图11所示的障碍物检测装置，可以通过纵向采样以及横向采样的方式构建出符合期望轨迹的轨迹检测范围，并且通过采样的方式比较符合底层控制器的控制需求。此外，采用沿着期望轨迹分布的四边形进行障碍物的碰撞检测，相比于直接计算障碍物点与车辆之间的直线距离的方案，其实现逻辑更加简单，计算效率更高，同时也保证了一定的准确度，并且更加符合车辆运动的实际特性，也更能准确体现车辆与障碍物之间的逻辑关系。
实施例五
请参阅图12，图12是本发明实施例公开的又一种障碍物检测装置的结构示意图。如图12所示，该障碍物检测装置可以包括：
存储有可执行程序代码的存储器701；
与存储器701耦合的处理器702；
其中，处理器702调用存储器701中存储的可执行程序代码，执行图1或图5任一种所示的障碍物检测方法。
本发明实施例公开一种车辆，包括图10～图12任一种所示的障碍物检测装置。
本发明实施例公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序使得计算机执行图1或图5任一种所示的障碍物检测方法。
本发明实施例公开一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行图1或图5任一种所示的障碍物检测方法。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定特征、结构或特性可以以任意适合的方式结合在一个或多个实施例中。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可选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在本发明的各种实施例中，应理解，上述各过程的序号的大小并不意味着执行顺序的必然先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
上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单元，即可位于一个地方，或者也可以分布到多个网络单元上。可根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各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。
上述集成的单元若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获取的存储器中。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者部分，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，包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等，具体可以是计算机设备中的处理器)执行本发明的各个实施例上述方法的部分或全部步骤。
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介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本发明实施例公开的一种障碍物检测方法、装置及车辆进行了详细介绍，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，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (13)

1.一种障碍物检测方法，其特征在于，包括：
获取车辆即将行驶的期望轨迹；
对所述期望轨迹沿着其切向方向进行纵向采样，得到离散的轨迹点；
针对单个所述轨迹点，沿着垂直于所述轨迹点切向的方向进行横向采样，得到垂直于所述轨迹点切向的采样点；
利用采样点集合构成轨迹检测范围；所述采样点集为各个所述轨迹点以及垂直于所述轨迹点切向的采样点的集合
检测位于所述轨迹检测范围内的障碍物对应的障碍物点；
将所述车辆按照所述期望轨迹行驶至与所述障碍物点接触的位置时所需的行驶路程作为所述障碍物与所述车辆之间的相对距离。
2.根据权利要求1所述的方法，其特征在于，垂直于所述轨迹点切向的采样点与所述轨迹点之间的距离不超过所述期望轨迹的最大曲率半径；
以及，所述横向采样以及所述纵向采样为均匀采样。
3.根据权利要求1所述的方法，其特征在于，所述检测位于所述轨迹检测范围内的障碍物对应的障碍物点，包括：
沿着期望轨迹的切向方向遍历各个轨迹点对应的点层，以每两个相邻的点层组成一对检测集合，并且遍历所述检测集合中的点，重复以所述检测集合中的点构建四边形并判断障碍物点是否位于四边形内的步骤，直至构建出第一个包含障碍物点的四边形；其中，所述点层由所述采样点集合中的单个所述轨迹点以及垂直于所述轨迹点切向的采样点构成；
所述将所述车辆按照所述期望轨迹行驶至与所述障碍物点接触的位置时所需的行驶路程作为所述障碍物与所述车辆之间的相对距离，包括：
将所述车辆按照所述期望轨迹行驶至包含所述障碍物点的四边形的任一顶点时所需的行驶路程作为所述障碍物与所述车辆之间的相对距离。
4.根据权利要求3所述的方法，其特征在于，所述判断所述车辆检测到的障碍物对应的障碍物点是否位于所述四边形内，包括：
统计以所述车辆的传感器检测到障碍物对应的障碍物点为端点的射线与所述四边形外轮廓的交点数；
如果所述交点数为奇数，判定所述障碍物点位于所述四边形内；
如果所述交点数为偶数，判定所述障碍物点位于所述四边形外。
5.根据权利要求1～4任一项所述的方法，其特征在于，所述期望轨迹为Frenet坐标系下的轨迹。
6.根据权利要求5所述的方法，其特征在于，所述获取车辆即将行驶的期望轨迹，包括：
获取车辆的期望轨迹在笛卡尔坐标系下的原始曲线方程；所述原始曲线方程以参数t为变量；
提取所述原始曲线方程中每个坐标点对应的当前曲线位置的总长度si(i＝[0，n])，得到累积长度数组S[n]；以及，提取每个坐标点对应的当前曲线位置的参数t(t＝[O，n])，得到与S[n]对应的数组T[n]；
将参数t与曲线长度的参数s通过最小二乘法进行拟合，利用数组S[n]以及数组T[n]求解参数t关于参数s的方程t＝h(s)的参数向量
Figure FDA0002573530970000021
将t代入所述原始曲线方程，得到车辆在Frenet坐标系下的期望轨迹。
7.根据权利要求5所述的方法，其特征在于，所述获取车辆即将行驶的期望轨迹，包括：
获取车辆即将行驶的期望轨迹在笛卡尔坐标系下的起点坐标P0(x0，y0，θ0)，以及终点坐标为P1(x1，y1，θ1)；其中，θ为航向角；
假设通过欧拉螺线的形式将车辆在Frenet坐标系下的期望轨迹表示为：
Figure FDA0002573530970000022
Figure FDA0002573530970000023
其中，x(s)为Frenet坐标系下期望轨迹的横坐标关于曲线长度s的函数，y(s)为Frenet坐标系下期望轨迹的纵坐标关于曲线长度s的函数，x0、y0为期望轨迹在笛卡尔坐标系下的起点坐标，κ′为曲率变化率，κ为初始曲率，θ0为初始航向角；X0、Y0分别为菲涅尔积分的一般形式：
将起点坐标P0以及终点坐标P1代入函数x(s)及y(s)，得到非线性方程组：
Figure FDA0002573530970000031
求解所述非线性方程组，得到参数κ′，κ的值；
将参数κ′，κ代入函数x(s)及y(s)，得到期望轨迹在Frenet坐标系下的欧拉螺线轨迹{x(s)，y(s)}。
8.一种障碍物检测装置，其特征在于，包括：
获取单元，用于获取车辆即将行驶的期望轨迹；
构建单元，用于以所述期望轨迹为中心构建轨迹检测范围；
检测单元，用于检测位于所述轨迹检测范围内的障碍物对应的障碍物点；
确定单元，用于将所述车辆按照所述期望轨迹行驶至与所述障碍物点接触的位置时所需的行驶路程作为所述障碍物与所述车辆之间的相对距离；
其中，所述构建单元，包括：
第一采样子单元，用于对所述期望轨迹沿着其切向方向进行纵向采样，得到离散的轨迹点；
第二采样子单元，用于针对单个所述轨迹点，沿着垂直于所述轨迹点切向的方向进行横向采样，得到垂直于所述轨迹点切向的采样点；
确定子单元，用于由采样点集合构成轨迹检测范围；所述采样点集为各个所述轨迹点以及垂直于所述轨迹点切向的采样点的集合。
9.根据权利要求8所述的装置，其特征在于，垂直于所述轨迹点切向的采样点与所述轨迹点之间的距离不超过所述期望轨迹的最大曲率半径；
以及，所述横向采样以及所述纵向采样为均匀采样。
10.根据权利要求8所述的装置，其特征在于：
所述检测单元，具体用于沿着期望轨迹的切向方向遍历各个轨迹点对应的点层，以每两个相邻的点层组成一对检测集合，并且遍历所述检测集合中的点，重复以所述检测集合中的点构建四边形并判断障碍物点是否位于四边形内的步骤，直至构建出第一个包含障碍物点的四边形；
其中，所述点层由所述采样点集合中的单个所述轨迹点以及垂直于所述轨迹点切向的采样点构成；
以及，所述确定单元，具体用于将所述车辆按照所述期望轨迹形式至包含所述障碍物点的四边形的任一顶点时所需的行驶路程作为所述障碍物与所述车辆之间的相对距离。
11.根据权利要求10所述的装置，其特征在于，所述检测单元用于判断所述车辆检测到的障碍物对应的障碍物点是否位于所述四边形内的方式具体为：
所述检测单元，用于统计以所述车辆的传感器检测到的障碍物点为端点的射线与所述四边形外轮廓的交点数；如果所述交点数为奇数时，判定所述障碍物点位于所述四边形内；如果所述交点数为偶数时，判定所述障碍物点位于所述四边形外。
12.根据权利要求8～11任一项所述的装置，其特征在于，所述期望轨迹为Frenet坐标系下的轨迹。
13.一种车辆，其特征在于，包括如权利要求8～12任一项所述的装置。
CN201910465226.1A 2019-05-30 2019-05-30 一种障碍物检测方法、装置及车辆 Active CN110189547B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910465226.1A CN110189547B (zh) 2019-05-30 2019-05-30 一种障碍物检测方法、装置及车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910465226.1A CN110189547B (zh) 2019-05-30 2019-05-30 一种障碍物检测方法、装置及车辆

Publications (2)

Publication Number Publication Date
CN110189547A CN110189547A (zh) 2019-08-30
CN110189547B true CN110189547B (zh) 2020-10-20

Family

ID=67719093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910465226.1A Active CN110189547B (zh) 2019-05-30 2019-05-30 一种障碍物检测方法、装置及车辆

Country Status (1)

Country Link
CN (1) CN110189547B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110647151B (zh) * 2019-10-16 2022-09-06 北京京东乾石科技有限公司 坐标转换方法及装置、计算机可读存储介质、电子设备
WO2021077446A1 (en) * 2019-10-25 2021-04-29 Psa Automobiles Sa Prediction method for trajectory of vehicle, prediction system and vehicle
CN111090282B (zh) * 2019-12-19 2023-10-31 安克创新科技股份有限公司 机器人的避障方法、机器人以及装置
WO2021142793A1 (zh) * 2020-01-17 2021-07-22 华为技术有限公司 路径规划方法和路径规划装置
CN111309013B (zh) * 2020-02-24 2022-12-13 广州小鹏汽车科技有限公司 一种碰撞距离确定方法及系统、车辆、存储介质
CN112363504B (zh) * 2020-11-06 2024-04-12 黑龙江惠达科技发展有限公司 一种农机无人驾驶调头方法
CN113125795B (zh) * 2021-04-20 2024-06-18 广州文远知行科技有限公司 一种障碍物速度检测方法、装置、设备和存储介质
CN113119929A (zh) * 2021-05-24 2021-07-16 前海七剑科技(深圳)有限公司 弯道制动控制方法、控制系统、电子设备及存储介质
CN113961004A (zh) * 2021-09-27 2022-01-21 武汉理工大学 海盗区域船舶航线规划方法、系统、电子设备及存储介质
CN115542903A (zh) * 2022-09-26 2022-12-30 重庆长安汽车股份有限公司 无人驾驶决策路径的优化方法、装置、车辆及存储介质
CN117104222B (zh) * 2023-10-25 2023-12-29 广州市德赛西威智慧交通技术有限公司 一种应用于车辆行驶区域的障碍物检测方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA1093657A (en) * 1975-04-09 1981-01-13 Pierre E. Tuffet Warning method and system for road signalling with authorized speed display
DE59402905D1 (de) * 1993-09-29 1997-07-03 Bosch Gmbh Robert Verfahren und Vorrichtung zum Ausparken eines Fahrzeuges
CN1926003A (zh) * 2004-03-03 2007-03-07 日产自动车株式会社 对路径中障碍物的检测作出反应的方法和车辆
CN101040554A (zh) * 2004-10-14 2007-09-19 松下电器产业株式会社 移动目标预测装置和移动目标预测方法
US7634339B2 (en) * 2005-04-15 2009-12-15 Fuji Jukogyo Kabushiki Kaisha Vehicle drive assist device
CN101734215A (zh) * 2008-11-06 2010-06-16 福特全球技术公司 用于确定车辆碰撞状态的系统和方法
CN104973125A (zh) * 2014-04-02 2015-10-14 宝马股份公司 避让辅助
CN105303886A (zh) * 2014-06-17 2016-02-03 中国移动通信集团公司 交通信息的预警处理方法、装置、终端及预警服务器
CN105555645A (zh) * 2013-06-20 2016-05-04 罗伯特·博世有限公司 用于机动车的避让与制动辅助装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ITTO20010546A1 (it) * 2001-06-06 2002-12-06 Marconi Mobile S P A Perfezionamenti relativi a sistemi consultivi della presenza di ostacoli.
FR2835081B1 (fr) * 2002-01-24 2004-04-02 Peugeot Citroen Automobiles Sa Procede de determination du caractere inevitable de la collision entre un vehicule et un obstacle
US7729857B2 (en) * 2005-08-18 2010-06-01 Gm Global Technology Operations, Inc. System for and method of detecting a collision and predicting a vehicle path
CN105809130B (zh) * 2016-03-08 2020-03-10 武汉大学 一种基于双目深度感知的车辆可行驶区域计算方法
CN105857306B (zh) * 2016-04-14 2018-07-10 中国科学院合肥物质科学研究院 一种用于多种泊车场景的车辆自主泊车路径规划方法
CN108121205B (zh) * 2017-12-13 2021-02-26 深圳市航盛电子股份有限公司 一种用于多种泊车场景的路径规划方法、系统及介质
CN109324620A (zh) * 2018-09-25 2019-02-12 北京主线科技有限公司 基于车道线平行偏移进行避障及超车的动态轨迹规划方法
CN109523830B (zh) * 2018-11-08 2021-08-03 中交第一公路勘察设计研究院有限公司 基于高频高精度定位信息的车辆轨迹预测及碰撞预警方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA1093657A (en) * 1975-04-09 1981-01-13 Pierre E. Tuffet Warning method and system for road signalling with authorized speed display
DE59402905D1 (de) * 1993-09-29 1997-07-03 Bosch Gmbh Robert Verfahren und Vorrichtung zum Ausparken eines Fahrzeuges
CN1926003A (zh) * 2004-03-03 2007-03-07 日产自动车株式会社 对路径中障碍物的检测作出反应的方法和车辆
CN101040554A (zh) * 2004-10-14 2007-09-19 松下电器产业株式会社 移动目标预测装置和移动目标预测方法
US7634339B2 (en) * 2005-04-15 2009-12-15 Fuji Jukogyo Kabushiki Kaisha Vehicle drive assist device
CN101734215A (zh) * 2008-11-06 2010-06-16 福特全球技术公司 用于确定车辆碰撞状态的系统和方法
CN105555645A (zh) * 2013-06-20 2016-05-04 罗伯特·博世有限公司 用于机动车的避让与制动辅助装置
CN104973125A (zh) * 2014-04-02 2015-10-14 宝马股份公司 避让辅助
CN105303886A (zh) * 2014-06-17 2016-02-03 中国移动通信集团公司 交通信息的预警处理方法、装置、终端及预警服务器

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于横向与纵向综合控制的智能车辆运动控制研究;王浩;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20170315;全文 *

Also Published As

Publication number Publication date
CN110189547A (zh) 2019-08-30

Similar Documents

Publication Publication Date Title
CN110189547B (zh) 一种障碍物检测方法、装置及车辆
EP3474254B1 (en) Surrounding environment recognition device
US10591926B2 (en) Smooth road reference for autonomous driving vehicles based on 2D constrained smoothing spline
EP3524934B1 (en) Systems and methods for determining a projection of an obstacle trajectory onto a reference line of an autonomous vehicle
US10816990B2 (en) Non-blocking boundary for autonomous vehicle planning
EP3861291B1 (en) Spline curve and spiral curve based reference line smoothing method
CN110121449B (zh) 车辆控制装置、车辆控制方法及存储介质
US20200156631A1 (en) Method for planning a trajectory for a self-driving vehicle
US20190086930A1 (en) Speed optimization based on constrained smoothing spline for autonomous driving vehicles
CN108061555B (zh) 一种车辆定位误差矫正方法及装置
JP7112658B2 (ja) 車両運転支援システム及び方法
CN110345957A (zh) 车辆路径识别
JP6809531B2 (ja) 車両判定方法、走行経路補正方法、車両判定装置、及び走行経路補正装置
US11414096B2 (en) QP spline path and spiral path based reference line smoothing method for autonomous driving
KR20100057752A (ko) 자동차의 주차 궤적을 산출하기 위한 방법 및 차량 보조 장치
US20210188307A1 (en) Spiral curve based vertical parking planner system for autonomous driving vehicles
CN111527010A (zh) 驻车控制方法以及驻车控制装置
GB2550485A (en) Enhanced vehicle operation
JP5534045B2 (ja) 道路形状推定装置
JP2018105636A (ja) 経路生成装置
JP2019066445A (ja) 位置補正方法、車両制御方法及び位置補正装置
JP2020053069A (ja) 車載用電子制御装置
JP2020166123A (ja) 地図データ作成方法及び地図データ作成装置
CN114750782A (zh) 路径规划方法、装置、设备及车辆控制方法、装置、设备
JP7459445B2 (ja) 走行経路生成システム及び車両運転支援システム

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
CB02 Change of applicant information

Address after: 510000 No.8 Songgang street, Cencun, Tianhe District, Guangzhou City, Guangdong Province

Applicant after: GUANGZHOU XPENG AUTOMOBILE TECHNOLOGY Co.,Ltd.

Address before: 510555 245, room nine, Jianshe Road 333, Guangzhou knowledge city, Guangzhou, Guangdong.

Applicant before: GUANGZHOU XPENG AUTOMOBILE TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant