CN110471412A - 一种评估路径跟踪算法性能的方法及评估系统 - Google Patents
一种评估路径跟踪算法性能的方法及评估系统 Download PDFInfo
- Publication number
- CN110471412A CN110471412A CN201910708621.8A CN201910708621A CN110471412A CN 110471412 A CN110471412 A CN 110471412A CN 201910708621 A CN201910708621 A CN 201910708621A CN 110471412 A CN110471412 A CN 110471412A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- pose
- path
- error
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000004044 response Effects 0.000 claims description 67
- 238000004088 simulation Methods 0.000 claims description 44
- 238000012545 processing Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 239000011800 void material Substances 0.000 claims 1
- 230000006872 improvement Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明实施例公开了一种评估路径跟踪算法性能的方法及评估系统，用于对路径跟踪算法的性能进行评估，对于选择不同的路径跟踪方法及改善跟踪算法起到指导作用。本发明实施例方法包括：获取车辆的规划路径；获取车辆的第N‑1当前位姿；获取第N‑1当前位姿与规划路径的跟踪误差，作为第N‑1跟踪误差；根据车辆的第N‑1当前位姿，第N‑1跟踪误差和路径跟踪算法，通过虚拟跟踪器预测车辆在下一周期的位姿，作为第N当前位姿；获取第N当前位姿与规划路径的跟踪误差，作为第N跟踪误差；根据第N当前位姿判断车辆是否到达规划路径的终点位姿，若是，则根据N个跟踪误差，评估路径跟踪算法的性能，N个跟踪误差包括第N‑1跟踪误差和第N跟踪误差。
Description
技术领域
本发明涉及智能汽车技术领域，尤其涉及一种评估路径跟踪算法性能的方法及评估系统。
背景技术
作为一种方便、快捷的交通工具，汽车已成为人们生活和工作的重要组成部分。在现有技术方案中，汽车进行行驶时，有各种不同的路径跟踪算法，例如：基于广义预测控制器的移动机器人路径控制算法、基于模糊逻辑推理的移动机器人导航控制算法、基于模糊神经网络的机器人导航控制算法等。但是，对于不同的路径跟踪算法的跟踪性能的优劣，没有一个统一标准的评估，导致评估跟踪算法的跟踪性能的可靠性不高。
发明内容
本发明实施例提供了一种评估路径跟踪算法性能的方法及评估系统，用于对路径跟踪算法的性能进行评估，对于选择不同的路径跟踪方法及改善跟踪算法起到指导作用。
有鉴于此，本发明第一方面提供一种评估路径跟踪算法性能的方法，可以包括：
获取车辆的规划路径；
获取所述车辆的第N-1当前位姿，N为大于1的整数；
获取所述第N-1当前位姿与所述规划路径的跟踪误差，作为第N-1跟踪误差；
根据所述车辆的第N-1当前位姿，所述第N-1跟踪误差和所述路径跟踪算法，通过虚拟跟踪器预测所述车辆在下一周期的位姿，作为第N当前位姿；
获取所述第N当前位姿与所述规划路径的跟踪误差，作为第N跟踪误差；
根据所述第N当前位姿判断所述车辆是否到达所述规划路径的终点位姿，若是，则根据N个跟踪误差，评估所述路径跟踪算法的性能，所述N个跟踪误差包括所述第N-1跟踪误差和所述第N跟踪误差；
其中，当N为2时，所述第N-1当前位姿为输入的所述车辆的位姿；
当N大于2时，所述第N-1当前位姿为通过所述虚拟跟踪器计算得到的位姿。
可选的，在本发明的一些实施例中，所述根据所述车辆的第N-1当前位姿，所述第N-1跟踪误差和所述路径跟踪算法，通过虚拟跟踪器预测所述车辆在下一周期的位姿，包括：
根据所述第N-1当前位姿和所述第N-1跟踪误差，通过所述路径跟踪算法输出第N-1目标车速和第N-1目标方向盘转角；
根据所述第N-1当前位姿、所述第N-1目标车速和第N-1目标方向盘转角，通过所述虚拟跟踪器预测所述车辆在下一周期的位姿。
可选的，在本发明的一些实施例中，所述虚拟跟踪器包括执行器响应模块和虚拟里程计；
所述根据所述第N-1当前位姿、所述第N-1目标车速和第N-1目标方向盘转角，通过所述虚拟跟踪器预测所述车辆在下一周期的位姿，包括：
根据第N-1目标车速和第N-1目标方向盘转角，通过所述执行器响应模块分别输出第N-1模拟车速和第N-1模拟方向盘转角；
根据所述第N-1当前位姿、所述第N-1模拟车速和第N-1模拟方向盘转角，通过所述虚拟里程计计算所述车辆在下一周期的位姿。
可选的，在本发明的一些实施例中，第N-1当前位姿包括第N-1当前位置和第N-1当前航向角，第N当前位姿包括第N当前位置和第N当前航向角；
根据所述第N-1当前位姿、所述第N-1模拟车速和第N-1模拟方向盘转角，通过所述虚拟里程计计算所述车辆在下一周期的位姿，可以包括：
根据所述第N-1当前位置、所述第N-1当前航向角、所述第N-1模拟车速和周期时长，计算得到下一周期所述车辆的第N当前位置；
根据所述第N-1模拟车速、所述第N-1当前航向角、所述第N-1模拟方向盘转角和周期时长，计算得到下一周期所述车辆的第N当前航向角。
可选的，在本发明的一些实施例中，所述根据所述第N-1模拟车速、所述第N-1当前航向角、所述第N-1模拟方向盘转角和周期时长，计算得到下一周期所述车辆的第N当前航向角，包括：
根据所述第N-1模拟方向盘转角得到所述车辆的第N-1模拟转弯半径；
根据所述第N-1模拟车速和周期时长计算得到第N-1模拟弧长；
根据所述第N-1模拟弧长和所述第N-1模拟转弯半径，计算得到第N-1模拟航向角变化量；
根据所述第N-1当前航向角和所述第N-1模拟航向角变化量，计算得到下一周期所述车辆的第N当前航向角。
可选的，在本发明的一些实施例中，当N大于2时，所述根据N个跟踪误差，评估所述路径跟踪算法的性能，包括：
根据N个跟踪误差，确定最大误差、最小误差、平均误差和标准差中的至少一项；
根据所述最大误差、最小误差、平均误差和标准差中的至少一项，评估所述路径跟踪算法的性能。
可选的，在本发明的一些实施例中，所述根据所述最大误差、最小误差、平均误差和标准差中的至少一项，评估所述路径跟踪算法的性能，包括：
当目标条件满足以下中的至少一项时，确定所述路径跟踪算法的性能良好；
当所述目标条件不满足以下中的至少一项时，确定所述路径跟踪算法的性能差；
其中，所述目标条件包括所述最大误差小于第一阈值，所述最小误差小于第二阈值，所述平均误差小于第三阈值，所述标准差小于第四阈值。
可选的，在本发明的一些实施例中，
所述虚拟跟踪器，用于预测所述车辆不同周期的当前位姿与所述平移旋转后的规划路径的跟踪误差。
可选的，在本发明的一些实施例中，所述执行器响应模块包括方向盘转角执行器响应模型和车速执行器响应模型；
所述方向盘转角执行器响应模型，是由采集到的历史航向角进行模型训练而得到的方向盘响应模型，所述方向盘转角执行器响应模型用于根据第N-1目标方向盘转角输出第N-1模拟方向盘转角；
所述车速执行器响应模型，是由采集到的历史车速进行模型训练而得到的车速执行器响应模型，所述车速执行器响应模型用于根据第N-1目标车速输出第N-1模拟车速；
所述虚拟里程计，用于预测所述车辆不同周期的当前位姿。
本发明第二方面提供一种评估系统，可以包括：
获取模块，用于获取车辆的规划路径；获取所述车辆的第N-1当前位姿，N为大于1的整数；
处理模块，用于获取所述第N-1当前位姿与所述规划路径的跟踪误差，作为第N-1跟踪误差；根据所述车辆的第N-1当前位姿，所述第N-1跟踪误差和所述路径跟踪算法，通过虚拟跟踪器预测所述车辆在下一周期的位姿，作为第N当前位姿；获取所述第N当前位姿与所述规划路径的跟踪误差，作为第N跟踪误差；根据所述第N当前位姿判断所述车辆是否到达所述规划路径的终点位姿，若是，则根据N个跟踪误差，评估所述路径跟踪算法的性能，所述N个跟踪误差包括所述第N-1跟踪误差和所述第N跟踪误差；其中，当N为2时，所述第N-1当前位姿为输入的所述车辆的位姿；当N大于2时，所述第N-1当前位姿为通过所述虚拟跟踪器计算得到的位姿。
可选的，在本发明的一些实施例中，
所述处理模块，具体用于根据所述第N-1当前位姿和所述第N-1跟踪误差，通过所述路径跟踪算法输出第N-1目标车速和第N-1目标方向盘转角；根据所述第N-1当前位姿、所述第N-1目标车速和第N-1目标方向盘转角，通过所述虚拟跟踪器预测所述车辆在下一周期的位姿。
可选的，在本发明的一些实施例中，所述虚拟跟踪器包括执行器响应模块和虚拟里程计；
所述处理模块，具体用于根据第N-1目标车速和第N-1目标方向盘转角，通过所述执行器响应模块分别输出第N-1模拟车速和第N-1模拟方向盘转角；根据所述第N-1当前位姿、所述第N-1模拟车速和第N-1模拟方向盘转角，通过所述虚拟里程计计算所述车辆在下一周期的位姿。
可选的，在本发明的一些实施例中，第N-1当前位姿包括第N-1当前位置和第N-1当前航向角，第N当前位姿包括第N当前位置和第N当前航向角；
所述处理模块，具体用于根据所述第N-1当前位置、所述第N-1当前航向角、所述第N-1模拟车速和周期时长，计算得到下一周期所述车辆的第N当前位置；根据所述第N-1模拟车速、所述第N-1当前航向角、所述第N-1模拟方向盘转角和周期时长，计算得到下一周期所述车辆的第N当前航向角。
可选的，在本发明的一些实施例中，
所述处理模块，具体用于根据所述第N-1模拟方向盘转角得到所述车辆的第N-1模拟转弯半径；根据所述第N-1模拟车速和周期时长计算得到第N-1模拟弧长；根据所述第N-1模拟弧长和所述第N-1模拟转弯半径，计算得到第N-1模拟航向角变化量；根据所述第N-1当前航向角和所述第N-1模拟航向角变化量，计算得到下一周期所述车辆的第N当前航向角。
可选的，在本发明的一些实施例中，
所述处理模块，具体用于根据N个跟踪误差，确定最大误差、最小误差、平均误差和标准差中的至少一项；根据所述最大误差、最小误差、平均误差和标准差中的至少一项，评估所述路径跟踪算法的性能。
可选的，在本发明的一些实施例中，
所述处理模块，具体用于当目标条件满足以下中的至少一项时，确定所述路径跟踪算法的性能良好；当所述目标条件不满足以下中的至少一项时，确定所述路径跟踪算法的性能差；其中，所述目标条件包括所述最大误差小于第一阈值，所述最小误差小于第二阈值，所述平均误差小于第三阈值，所述标准差小于第四阈值。
可选的，在本发明的一些实施例中，
所述虚拟跟踪器，用于预测所述车辆不同周期的当前位姿与所述平移旋转后的规划路径的跟踪误差。
可选的，在本发明的一些实施例中，
所述执行器响应模块包括方向盘转角执行器响应模型和车速执行器响应模型；
所述方向盘转角执行器响应模型，是由采集到的历史航向角进行模型训练而得到的方向盘响应模型，所述方向盘转角执行器响应模型用于根据第N-1目标方向盘转角输出第N-1模拟方向盘转角；
所述车速执行器响应模型，是由采集到的历史车速进行模型训练而得到的车速执行器响应模型，所述车速执行器响应模型用于根据第N-1目标车速输出第N-1模拟车速；
所述虚拟里程计，用于预测所述车辆不同周期的当前位姿。
本发明第三方面提供一种车辆，可以包括如本发明第二方面及第二方面任一可选方式中所述的评估系统。
本发明第四方面提供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评估路径跟踪算法性能的方法。
从以上技术方案可以看出，本发明实施例具有以下优点：
在本发明实施例中，获取车辆的规划路径；获取所述车辆的第N-1当前位姿，N为大于1的整数；获取所述第N-1当前位姿与所述规划路径的跟踪误差，作为第N-1跟踪误差；根据所述车辆的第N-1当前位姿，所述第N-1跟踪误差和所述路径跟踪算法，通过虚拟跟踪器预测所述车辆在下一周期的位姿，作为第N当前位姿；获取所述第N当前位姿与所述规划路径的跟踪误差，作为第N跟踪误差；根据所述第N当前位姿判断所述车辆是否到达所述规划路径的终点位姿，若是，则根据N个跟踪误差，评估所述路径跟踪算法的性能，所述N个跟踪误差包括所述第N-1跟踪误差和所述第N跟踪误差；其中，当N为2时，所述第N-1当前位姿为输入的所述车辆的位姿；当N大于2时，所述第N-1当前位姿为通过所述虚拟跟踪器计算得到的位姿。针对已规划好的完整路径，在使用不同的路径跟踪方法时，本发明可以对路径跟踪算法的性能进行评估，对于选择不同的路径跟踪方法及改善跟踪算法起到指导作用。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例和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，还可以根据这些附图获得其它的附图。
图1为本发明实施例所应用的系统架构图；
图2为本发明实施例中评估路径跟踪算法性能的方法的一个实施例示意图；
图3A为本发明实施例中车辆的规划路径为直线路径的一个示意图；
图3B为本发明实施例中车辆的规划路径为圆弧路径的一个示意图；
图3C为本发明实施例中根据车辆的第N-1当前位姿计算第N当前位姿的示意图；
图4为本发明实施例中评估系统的一个实施例示意图；
图5为本发明实施例中评估系统的一个实施例示意图。
具体实施方式
本发明实施例提供了一种评估路径跟踪算法性能的方法及评估系统，用于对路径跟踪算法的性能进行评估，对于选择不同的路径跟踪方法及改善跟踪算法起到指导作用。
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进行描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，都应当属于本发明保护的范围。
在本发明实施例中，针对已规划好的完整路径，在使用不同的路径跟踪方法时，本发明可以对路径跟踪算法的性能进行评估，对于选择不同的路径跟踪方法及改善路径跟踪算法起到指导作用。
如图1所示，为本发明实施例所应用的系统架构图。在图1所示中，所述虚拟跟踪器，用于预测所述车辆不同周期的当前位姿与所述平移旋转后的规划路径的跟踪误差。虚拟跟踪器可以包括执行器响应模块和虚拟里程计。
作为其中一种实施方式，执行器响应模块是利用大量实验数据拟合出来的公式，通过采集大量的输入参数和输出参数，比如，通过输入车速和方向盘转角的控制指令给汽车，并检测汽车在执行指令的时候实际响应的车速和方向盘转角，然后，将大量的输入参数和输出参数进行拟合，得到拟合的公式。这样，在本发明的实施例中，路径跟踪算法输入目标车速和目标方向盘转角给执行器响应模块，执行器响应模块便输出相应的模拟车速和模拟方向盘转角。
作为其中一种实施方式，所述执行器响应模块包括方向盘转角执行器响应模型和车速执行器响应模型。同理，方向盘转角执行器响应模型和车速执行器响应模型均是利用大量实验数据拟合出来的公式。
作为其中一种实施方式，所述方向盘转角执行器响应模型，是由采集到的历史航向角进行模型训练而得到的方向盘响应模型，所述方向盘转角执行器响应模型用于根据第N-1目标方向盘转角输出第N-1模拟方向盘转角；即该模型是车辆方向盘本身固有的一种转向特性，通过标定的方式记录方向盘转角历史数据，通过对大量方向盘转角历史数据进行模型训练，得到的方向盘转角执行器响应模型。
作为其中一种实施方式，所述车速执行器响应模型，是由采集到的历史车速进行模型训练而得到的车速执行器响应模型，所述车速执行器响应模型用于根据第N-1目标车速输出第N-1模拟车速；即该模型为车辆电机本身固有的一种速度控制特性，通过标定的方式记录车速历史数据，即通过对大量车速历史数据进行模型训练，得到的车速执行器响应模型。
所述虚拟里程计，可以是计算车辆位姿的公式，虚拟里程计通过接收执行器响应模块输出的模拟车速和模拟方向盘转角，用于预测所述车辆在下一个周期的当前位姿，同一个周期内的车速和方向盘转角可以认为保持不变。作为其中一种实施方式，可以在仿真软件中模拟车辆的行驶轨迹。
如图2所示，为本发明实施例中评估路径跟踪算法性能的方法的一个实施例示意图，可以包括：
201、获取车辆的规划路径。
在本发明实施例中，评估系统获取车辆的规划路径，可以包括：评估系统自动选择车辆的规划路径，或者接收其他设备发送的规划路径等。
202、获取所述车辆的第N-1当前位姿，N为大于1的整数。
可以理解的是，当N为2时，所述第N-1当前位姿为输入的所述车辆的位姿；当N大于2时，所述第N-1当前位姿为通过所述虚拟跟踪器计算得到的位姿。
203、获取所述第N-1当前位姿与所述规划路径的跟踪误差，作为第N-1跟踪误差。
可以理解的是，评估系统根据车辆的第N-1当前位姿寻找规划路径中距离车辆的第N-1当前位姿最近的第N-1路径点，该第N-1路径点即为路径参考点。再计算车辆的第N-1当前位姿与该第N-1路径点的位姿的第N-1跟踪误差。第N-1跟踪误差的计算可以参考下述公式1至公式5的说明。
需要说明的是，第N-1跟踪误差可以用前轮侧偏角来表示，也可以用EPS转角来表示，不做具体限定，一般来说，EPS转角是前轮侧偏角的N倍，N为整数。
本发明实施例是用来评估路径跟踪算法的性能的方法，即对评估不同路径跟踪算法的性能提出的方案。这里以现有常用路径跟踪算法为例进行说明，下面对该常用路径跟踪算法的处理流程做一个简单的介绍，如下所示：
(1)、根据车辆的当前位姿(xr，yr，θ)，寻找规划路径上距离车辆的当前位姿最近的路径点(xref，yref，θref)；
(2)、计算横向跟踪误差(cross track error，CTE)
其中，跟踪误差向量：d＝(xr-xref，yr-yref) (公式1)
(xref，yref)对应的法向量为：(sin(θref)，-cos(θref)) (公式2)
横向跟踪误差为：CTE＝d·n＝(xr-xref)sinθref-(yr-yref)cosθref (公式3)
(3)、计算车辆航向角误差：
θe＝θ-θref (公式4)
(4)、控制律设计：
δ＝-(k1CTE+k2θe) (公式5)
其中，δ为前轮侧偏角，也可以计算EPS转角，由于前轮侧偏角和EPS转角二者之间是比例关系，因此前轮侧偏角和EPS转角只是一个比例系数的关系。k1、k2为反馈比例系数，根据不同的控制律有不同的计算方法，无论采用何种控制律，只要保证CTE和θe可以收敛到0即可。
示例性的，路径跟踪误差计算方法结合图3A和图3B进行说明。图3A为本发明实施例中车辆的规划路径为直线路径的一个示意图；图3B为本发明实施例中车辆的规划路径为圆弧路径的一个示意图。
车辆的规划路径分为直线与圆弧，设路径为MN，车辆当前所处位置为P，点Q为路径上的一点，对于直线路径由P点作直线的垂直线即可得到，对于圆弧路径连接P点和圆弧圆心即可得到交点Q，那么跟踪误差计算公式如下所示：
位置误差：
航向角误差：err_theta＝|θP-θQ|
其中，P点位置为(xP,yP)，航向角为θP；Q点位置为(xQ,yQ)，航向角为θQ。
204、根据所述车辆的第N-1当前位姿，所述第N-1跟踪误差和所述路径跟踪算法，通过虚拟跟踪器预测所述车辆在下一周期的位姿，作为第N当前位姿。
其中，评估系统根据所述车辆的第N-1当前位姿，所述第N-1跟踪误差和所述路径跟踪算法，通过虚拟跟踪器预测所述车辆在下一周期的位姿，可以包括：根据所述第N-1当前位姿和所述第N-1跟踪误差，通过所述路径跟踪算法输出第N-1目标车速和第N-1目标方向盘转角；根据所述第N-1当前位姿、所述第N-1目标车速和第N-1目标方向盘转角，通过所述虚拟跟踪器预测所述车辆在下一周期的位姿。
进一步的，所述虚拟跟踪器包括执行器响应模块和虚拟里程计；评估系统根据所述第N-1当前位姿、所述第N-1目标车速和第N-1目标方向盘转角，通过所述虚拟跟踪器预测所述车辆在下一周期的位姿，可以包括：评估系统根据第N-1目标车速和第N-1目标方向盘转角，通过所述执行器响应模块分别输出第N-1模拟车速和第N-1模拟方向盘转角；评估系统根据所述第N-1当前位姿、所述第N-1模拟车速和第N-1模拟方向盘转角，通过所述虚拟里程计计算所述车辆在下一周期的位姿。
需要说明的是，第N-1当前位姿包括第N-1当前位置和第N-1当前航向角，第N当前位姿包括第N当前位置和第N当前航向角。
评估系统根据所述第N-1当前位姿、所述第N-1模拟车速和第N-1模拟方向盘转角，通过所述虚拟里程计计算所述车辆在下一周期的位姿，可以包括：评估系统根据所述第N-1当前位置、所述第N-1当前航向角、所述第N-1模拟车速和周期时长，计算得到下一周期所述车辆的第N当前位置；评估系统根据所述第N-1模拟车速、所述第N-1当前航向角、所述第N-1模拟方向盘转角和周期时长，计算得到下一周期所述车辆的第N当前航向角。
进一步的，评估系统根据所述第N-1模拟车速、所述第N-1当前航向角、所述第N-1模拟方向盘转角和周期时长，计算得到下一周期所述车辆的第N当前航向角，包括：评估系统根据所述第N-1模拟方向盘转角得到所述车辆的第N-1模拟转弯半径；评估系统根据所述第N-1模拟车速和周期时长计算得到第N-1模拟弧长；评估系统根据所述第N-1模拟弧长和所述第N-1模拟转弯半径，计算得到第N-1模拟航向角变化量；评估系统根据所述第N-1当前航向角和所述第N-1模拟航向角变化量，计算得到下一周期所述车辆的第N当前航向角。
示例性的，评估系统通过利用方向盘响应模型得到第N-1模拟方向盘转角(cur_eps)，利用速度控制响应模型得到第N-1模拟车速(cur_vel)后进行迭代计算，推算出一个固定周期后新的车辆位姿，这里可称为第N当前位姿。
在本发明实施例中，可以理解的是，车辆在行驶完平移旋转后的规划路径，花费的时间为一个时间段，可以将该时间段划分为多个周期，当周期足够小时，会具备一定的特性，例如，该特性为每个周期内车辆的方向盘转角和车速认为保持不变。
如图3C所示，为本发明实施例中根据车辆的第N-1当前位姿计算第N当前位姿的示意图。假设车辆的第N-1当前位置为A点，其对应的第N-1当前位姿为(xA,yA,θA)，在一个固定周期后其所处的第N当前位置为B点，其对应的第N当前位姿为(xB,yB,θB)，在微小的一个周期dt内(例如通常为10ms)可以认为车辆方向盘转角和车速保持不变，由第N-1模拟方向盘转角cur_eps可以得到车辆的第N-1模拟转弯半径为Rr(方向盘转角与转弯半径的对应关系通过简单的标定实验即可得到)，第N-1模拟弧长L_AB＝cur_vel*dt，车辆的第N-1模拟航向角变化量为：dθ＝L_AB/Rr＝cur_vel*dt/Rr，那么第N当前位姿的计算公式如下所示：
205、获取所述第N当前位姿与所述规划路径的跟踪误差，作为第N跟踪误差。
评估系统获取所述第N当前位姿与所述规划路径的跟踪误差，作为第N跟踪误差。第N跟踪误差的计算可以参考上述公式1至公式5所示，此处不再赘述。
206、根据所述第N当前位姿判断所述车辆是否到达所述规划路径的终点位姿，若是，则根据N个跟踪误差，评估所述路径跟踪算法的性能，所述N个跟踪误差包括所述第N-1跟踪误差和所述第N跟踪误差。
评估系统根据第N当前位姿判断车辆是否到达规划路径的终点位姿，可以包括：如果第N跟踪误差为第N当前位姿与规划路径的终点位姿的跟踪误差，那么当第N跟踪误差小于第五预置阈值时，评估系统确定第N当前位姿属于规划路径的终点位姿。如果车辆没到达规划路径的终点位姿，则可以继续进行迭代计算，预测车辆下一周期的位姿。
可以理解的是，当N大于2时，所述评估系统根据N个跟踪误差，评估所述路径跟踪算法的性能，可以包括：评估系统根据N个跟踪误差，确定最大误差、最小误差、平均误差和标准差中的至少一项；评估系统根据所述最大误差、最小误差、平均误差和标准差中的至少一项，评估所述路径跟踪算法的性能。
进一步的，所述评估系统根据所述最大误差、最小误差、平均误差和标准差中的至少一项，评估所述路径跟踪算法的性能，可以包括：当目标条件满足以下中的至少一项时，评估系统确定所述路径跟踪算法的性能良好；当所述目标条件不满足以下中的至少一项时，评估系统确定所述路径跟踪算法的性能差；其中，所述目标条件包括所述最大误差小于第一阈值，所述最小误差小于第二阈值，所述平均误差小于第三阈值，所述标准差小于第四阈值。
其中，可以理解的是，当最大误差小于第一阈值，最小误差小于第二阈值，平均误差小于第三阈值，以及标准差小于第四阈值时，评估系统确定路径跟踪算法的性能优异。
可选的，当评估系统确定所述路径跟踪算法的性能差时，可以使用其他的路径跟踪算法，或者进行路径重新规划。在实际应用中，第N当前位姿可能不是规划路径的终点，所以，上述的N个跟踪误差还可以包括其他的跟踪误差。
以上在每个周期内，可以计算得到车辆当前位姿相对于跟踪路径(规划路径)的位置误差和航向角误差，其中，性能评价指标还可以包括，整个路径跟踪过程中最大位置误差、最小位置误差、平均位置误差及位置标准差，最大航向角误差、最小航向角误差、平均航向角误差及航向角标准差，以及到达终点时距离路径终点位姿的位置、航向角误差等。
可以理解的是，路径跟踪过程中，最大误差越小越好，最小误差越小越好，平均误差越小越好，标准差越小越好。靠近终点时，误差越小越好。
在本发明实施例中，针对已规划好的完整路径，在使用不同的路径跟踪方法时，本发明可以对路径跟踪算法的性能进行评估，对于选择不同的路径跟踪方法及改善跟踪算法起到指导作用；进一步的，对于一段还未执行的路径，可以通过本发明提前预测在到达路径停车终点时，跟踪误差是发散还是收敛，由此可以提前决策是否需要启动路径重新规划。
如图4所示，为本发明实施例中评估系统的一个实施例示意图，可以包括：
获取模块401，用于获取车辆的规划路径；获取所述车辆的第N-1当前位姿，N为大于1的整数；
处理模块402，用于获取所述第N-1当前位姿与所述规划路径的跟踪误差，作为第N-1跟踪误差；根据所述车辆的第N-1当前位姿，所述第N-1跟踪误差和所述路径跟踪算法，通过虚拟跟踪器预测所述车辆在下一周期的位姿，作为第N当前位姿；获取所述第N当前位姿与所述规划路径的跟踪误差，作为第N跟踪误差；根据所述第N当前位姿判断所述车辆是否到达所述规划路径的终点位姿，若是，则根据N个跟踪误差，评估所述路径跟踪算法的性能，所述N个跟踪误差包括所述第N-1跟踪误差和所述第N跟踪误差；其中，当N为2时，所述第N-1当前位姿为输入的所述车辆的位姿；当N大于2时，所述第N-1当前位姿为通过所述虚拟跟踪器计算得到的位姿。
可选的，在本发明的一些实施例中，
处理模块402，具体用于根据所述第N-1当前位姿和所述第N-1跟踪误差，通过所述路径跟踪算法输出第N-1目标车速和第N-1目标方向盘转角；根据所述第N-1当前位姿、所述第N-1目标车速和第N-1目标方向盘转角，通过所述虚拟跟踪器预测所述车辆在下一周期的位姿。
可选的，在本发明的一些实施例中，所述虚拟跟踪器包括执行器响应模块和虚拟里程计；
处理模块402，具体用于根据第N-1目标车速和第N-1目标方向盘转角，通过所述执行器响应模块分别输出第N-1模拟车速和第N-1模拟方向盘转角；根据所述第N-1当前位姿、所述第N-1模拟车速和第N-1模拟方向盘转角，通过所述虚拟里程计计算所述车辆在下一周期的位姿。
可选的，在本发明的一些实施例中，第N-1当前位姿包括第N-1当前位置和第N-1当前航向角，第N当前位姿包括第N当前位置和第N当前航向角；
处理模块402，具体用于根据所述第N-1当前位置、所述第N-1当前航向角、所述第N-1模拟车速和周期时长，计算得到下一周期所述车辆的第N当前位置；根据所述第N-1模拟车速、所述第N-1当前航向角、所述第N-1模拟方向盘转角和周期时长，计算得到下一周期所述车辆的第N当前航向角。
可选的，在本发明的一些实施例中，
处理模块402，具体用于根据所述第N-1模拟方向盘转角得到所述车辆的第N-1模拟转弯半径；根据所述第N-1模拟车速和周期时长计算得到第N-1模拟弧长；根据所述第N-1模拟弧长和所述第N-1模拟转弯半径，计算得到第N-1模拟航向角变化量；根据所述第N-1当前航向角和所述第N-1模拟航向角变化量，计算得到下一周期所述车辆的第N当前航向角。
可选的，在本发明的一些实施例中，
处理模块402，具体用于根据N个跟踪误差，确定最大误差、最小误差、平均误差和标准差中的至少一项；根据所述最大误差、最小误差、平均误差和标准差中的至少一项，评估所述路径跟踪算法的性能。
可选的，在本发明的一些实施例中，
处理模块402，具体用于当目标条件满足以下中的至少一项时，确定所述路径跟踪算法的性能良好；当所述目标条件不满足以下中的至少一项时，确定所述路径跟踪算法的性能差；其中，所述目标条件包括所述最大误差小于第一阈值，所述最小误差小于第二阈值，所述平均误差小于第三阈值，所述标准差小于第四阈值。
可选的，在本发明的一些实施例中，
所述虚拟跟踪器，用于预测所述车辆不同周期的当前位姿与所述平移旋转后的规划路径的跟踪误差。
可选的，在本发明的一些实施例中，
所述执行器响应模块包括方向盘转角执行器响应模型和车速执行器响应模型；
所述方向盘转角执行器响应模型，是由采集到的历史航向角进行模型训练而得到的方向盘响应模型，所述方向盘转角执行器响应模型用于根据第N-1目标方向盘转角输出第N-1模拟方向盘转角；
所述车速执行器响应模型，是由采集到的历史车速进行模型训练而得到的车速执行器响应模型，所述车速执行器响应模型用于根据第N-1目标车速输出第N-1模拟车速；
所述虚拟里程计，用于预测所述车辆不同周期的当前位姿。
可选的，本发明实施例还提供一种车辆，该车辆可以包括如图4及图4任一可选实现方式中所述的评估系统。
如图5所示，为本发明实施例中评估系统的一个实施例示意图，可以包括：
存储有可执行程序代码的存储器501；
与存储器501耦合的处理器502；
其中，处理器502调用存储器501中存储的可执行程序代码，执行如下步骤：
获取车辆的规划路径；
获取所述车辆的第N-1当前位姿，N为大于1的整数；
获取所述第N-1当前位姿与所述规划路径的跟踪误差，作为第N-1跟踪误差；
根据所述车辆的第N-1当前位姿，所述第N-1跟踪误差和所述路径跟踪算法，通过虚拟跟踪器预测所述车辆在下一周期的位姿，作为第N当前位姿；
获取所述第N当前位姿与所述规划路径的跟踪误差，作为第N跟踪误差；
根据所述第N当前位姿判断所述车辆是否到达所述规划路径的终点位姿，若是，则根据N个跟踪误差，评估所述路径跟踪算法的性能，所述N个跟踪误差包括所述第N-1跟踪误差和所述第N跟踪误差；
其中，当N为2时，所述第N-1当前位姿为输入的所述车辆的位姿；
当N大于2时，所述第N-1当前位姿为通过所述虚拟跟踪器计算得到的位姿。
可选的，在本发明的一些实施例中，所述规划路径还包括所述第一路径点的位姿；处理器502调用存储器501中存储的可执行程序代码，执行如下步骤：
根据所述第N-1当前位姿和所述第N-1跟踪误差，通过所述路径跟踪算法输出第N-1目标车速和第N-1目标方向盘转角；
根据所述第N-1当前位姿、所述第N-1目标车速和第N-1目标方向盘转角，通过所述虚拟跟踪器预测所述车辆在下一周期的位姿。
可选的，在本发明的一些实施例中，所述虚拟跟踪器包括执行器响应模块和虚拟里程计；处理器502调用存储器501中存储的可执行程序代码，执行如下步骤：
根据第N-1目标车速和第N-1目标方向盘转角，通过所述执行器响应模块分别输出第N-1模拟车速和第N-1模拟方向盘转角；
根据所述第N-1当前位姿、所述第N-1模拟车速和第N-1模拟方向盘转角，通过所述虚拟里程计计算所述车辆在下一周期的位姿。
可选的，在本发明的一些实施例中，第N-1当前位姿包括第N-1当前位置和第N-1当前航向角，第N当前位姿包括第N当前位置和第N当前航向角；处理器502调用存储器501中存储的可执行程序代码，执行如下步骤：
根据所述第N-1当前位置、所述第N-1当前航向角、所述第N-1模拟车速和周期时长，计算得到下一周期所述车辆的第N当前位置；
根据所述第N-1模拟车速、所述第N-1当前航向角、所述第N-1模拟方向盘转角和周期时长，计算得到下一周期所述车辆的第N当前航向角。
可选的，在本发明的一些实施例中，处理器502调用存储器501中存储的可执行程序代码，执行如下步骤：
根据所述第N-1模拟方向盘转角得到所述车辆的第N-1模拟转弯半径；
根据所述第N-1模拟车速和周期时长计算得到第N-1模拟弧长；
根据所述第N-1模拟弧长和所述第N-1模拟转弯半径，计算得到第N-1模拟航向角变化量；
根据所述第N-1当前航向角和所述第N-1模拟航向角变化量，计算得到下一周期所述车辆的第N当前航向角。
可选的，在本发明的一些实施例中，处理器502调用存储器501中存储的可执行程序代码，执行如下步骤：
根据N个跟踪误差，确定最大误差、最小误差、平均误差和标准差中的至少一项；
根据所述最大误差、最小误差、平均误差和标准差中的至少一项，评估所述路径跟踪算法的性能。
可选的，在本发明的一些实施例中，处理器502调用存储器501中存储的可执行程序代码，执行如下步骤：
当目标条件满足以下中的至少一项时，确定所述路径跟踪算法的性能良好；
当所述目标条件不满足以下中的至少一项时，确定所述路径跟踪算法的性能差；
其中，所述目标条件包括所述最大误差小于第一阈值，所述最小误差小于第二阈值，所述平均误差小于第三阈值，所述标准差小于第四阈值。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以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，机械或其它的形式。
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介质中。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介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，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。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种评估路径跟踪算法性能的方法，其特征在于，包括：
获取车辆的规划路径；
获取所述车辆的第N-1当前位姿，N为大于1的整数；
获取所述第N-1当前位姿与所述规划路径的跟踪误差，作为第N-1跟踪误差；
根据所述车辆的第N-1当前位姿，所述第N-1跟踪误差和所述路径跟踪算法，通过虚拟跟踪器预测所述车辆在下一周期的位姿，作为第N当前位姿；
获取所述第N当前位姿与所述规划路径的跟踪误差，作为第N跟踪误差；
根据所述第N当前位姿判断所述车辆是否到达所述规划路径的终点位姿，若是，则根据N个跟踪误差，评估所述路径跟踪算法的性能，所述N个跟踪误差包括所述第N-1跟踪误差和所述第N跟踪误差；
其中，当N为2时，所述第N-1当前位姿为输入的所述车辆的位姿；
当N大于2时，所述第N-1当前位姿为通过所述虚拟跟踪器计算得到的位姿。
2.根据权利要求1所述的方法，其特征在于，所述根据所述车辆的第N-1当前位姿，所述第N-1跟踪误差和所述路径跟踪算法，通过虚拟跟踪器预测所述车辆在下一周期的位姿，包括：
根据所述第N-1当前位姿和所述第N-1跟踪误差，通过所述路径跟踪算法输出第N-1目标车速和第N-1目标方向盘转角；
根据所述第N-1当前位姿、所述第N-1目标车速和第N-1目标方向盘转角，通过所述虚拟跟踪器预测所述车辆在下一周期的位姿。
3.根据权利要求2所述的方法，其特征在于，所述虚拟跟踪器包括执行器响应模块和虚拟里程计；
所述根据所述第N-1当前位姿、所述第N-1目标车速和第N-1目标方向盘转角，通过所述虚拟跟踪器预测所述车辆在下一周期的位姿，包括：
根据第N-1目标车速和第N-1目标方向盘转角，通过所述执行器响应模块分别输出第N-1模拟车速和第N-1模拟方向盘转角；
根据所述第N-1当前位姿、所述第N-1模拟车速和第N-1模拟方向盘转角，通过所述虚拟里程计计算所述车辆在下一周期的位姿。
4.根据权利要求3所述的方法，其特征在于，第N-1当前位姿包括第N-1当前位置和第N-1当前航向角，第N当前位姿包括第N当前位置和第N当前航向角；
根据所述第N-1当前位姿、所述第N-1模拟车速和第N-1模拟方向盘转角，通过所述虚拟里程计计算所述车辆在下一周期的位姿，包括：
根据所述第N-1当前位置、所述第N-1当前航向角、所述第N-1模拟车速和周期时长，计算得到下一周期所述车辆的第N当前位置；
根据所述第N-1模拟车速、所述第N-1当前航向角、所述第N-1模拟方向盘转角和周期时长，计算得到下一周期所述车辆的第N当前航向角。
5.根据权利要求4所述的方法，其特征在于，所述根据所述第N-1模拟车速、所述第N-1当前航向角、所述第N-1模拟方向盘转角和周期时长，计算得到下一周期所述车辆的第N当前航向角，包括：
根据所述第N-1模拟方向盘转角得到所述车辆的第N-1模拟转弯半径；
根据所述第N-1模拟车速和周期时长计算得到第N-1模拟弧长；
根据所述第N-1模拟弧长和所述第N-1模拟转弯半径，计算得到第N-1模拟航向角变化量；
根据所述第N-1当前航向角和所述第N-1模拟航向角变化量，计算得到下一周期所述车辆的第N当前航向角。
6.根据权利要求1-5中任一项所述的方法，其特征在于，当N大于2时，所述根据N个跟踪误差，评估所述路径跟踪算法的性能，包括：
根据N个跟踪误差，确定最大误差、最小误差、平均误差和标准差中的至少一项；
根据所述最大误差、最小误差、平均误差和标准差中的至少一项，评估所述路径跟踪算法的性能。
7.根据权利要求6所述的方法，其特征在于，所述根据所述最大误差、最小误差、平均误差和标准差中的至少一项，评估所述路径跟踪算法的性能，包括：
当目标条件满足以下中的至少一项时，确定所述路径跟踪算法的性能良好；
当所述目标条件不满足以下中的至少一项时，确定所述路径跟踪算法的性能差；
其中，所述目标条件包括所述最大误差小于第一阈值，所述最小误差小于第二阈值，所述平均误差小于第三阈值，所述标准差小于第四阈值。
8.根据权利要求1-5中任一项所述的方法，其特征在于，
所述虚拟跟踪器，用于预测所述车辆不同周期的当前位姿与所述平移旋转后的规划路径的跟踪误差。
9.根据权利要求3所述的方法，其特征在于，所述执行器响应模块包括方向盘转角执行器响应模型和车速执行器响应模型；
所述方向盘转角执行器响应模型，是由采集到的历史航向角进行模型训练而得到的方向盘响应模型，所述方向盘转角执行器响应模型用于根据第N-1目标方向盘转角输出第N-1模拟方向盘转角；
所述车速执行器响应模型，是由采集到的历史车速进行模型训练而得到的车速执行器响应模型，所述车速执行器响应模型用于根据第N-1目标车速输出第N-1模拟车速；
所述虚拟里程计，用于预测所述车辆不同周期的当前位姿。
10.一种评估系统，其特征在于，包括：
获取模块，用于获取车辆的规划路径；获取所述车辆的第N-1当前位姿，N为大于1的整数；
处理模块，用于获取所述第N-1当前位姿与所述规划路径的跟踪误差，作为第N-1跟踪误差；根据所述车辆的第N-1当前位姿，所述第N-1跟踪误差和所述路径跟踪算法，通过虚拟跟踪器预测所述车辆在下一周期的位姿，作为第N当前位姿；获取所述第N当前位姿与所述规划路径的跟踪误差，作为第N跟踪误差；根据所述第N当前位姿判断所述车辆是否到达所述规划路径的终点位姿，若是，则根据N个跟踪误差，评估所述路径跟踪算法的性能，所述N个跟踪误差包括所述第N-1跟踪误差和所述第N跟踪误差；其中，当N为2时，所述第N-1当前位姿为输入的所述车辆的位姿；当N大于2时，所述第N-1当前位姿为通过所述虚拟跟踪器计算得到的位姿。
11.一种车辆，其特征在于，包括如权利要求10所述的评估系统。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1-9中任一项所述的评估路径跟踪算法性能的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910708621.8A CN110471412A (zh) | 2019-08-01 | 2019-08-01 | 一种评估路径跟踪算法性能的方法及评估系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910708621.8A CN110471412A (zh) | 2019-08-01 | 2019-08-01 | 一种评估路径跟踪算法性能的方法及评估系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110471412A true CN110471412A (zh) | 2019-11-19 |
Family
ID=68509264
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910708621.8A Pending CN110471412A (zh) | 2019-08-01 | 2019-08-01 | 一种评估路径跟踪算法性能的方法及评估系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110471412A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111158368A (zh) * | 2019-12-31 | 2020-05-15 | 深圳市优必选科技股份有限公司 | 一种双足机器人及其轨迹跟随方法和装置 |
| CN111912414A (zh) * | 2020-07-28 | 2020-11-10 | 中国第一汽车股份有限公司 | 车辆位姿的验证方法、装置、设备及存储介质 |
| CN112590804A (zh) * | 2020-12-23 | 2021-04-02 | 苏州挚途科技有限公司 | 无人车辆的载荷轨迹跟踪方法和装置 |
| CN114492940A (zh) * | 2021-12-30 | 2022-05-13 | 厦门市美亚柏科信息股份有限公司 | 一种生成平滑轨迹的方法及终端 |
| CN114684111A (zh) * | 2020-12-31 | 2022-07-01 | 华为技术有限公司 | 一种车头先入的泊车方法、装置和系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060282205A1 (en) * | 2005-06-09 | 2006-12-14 | Lange Arthur F | System for guiding a farm implement between swaths |
| CN102358287A (zh) * | 2011-09-05 | 2012-02-22 | 北京航空航天大学 | 一种用于车辆自动驾驶机器人的轨迹跟踪控制方法 |
| CN103707298A (zh) * | 2013-12-06 | 2014-04-09 | 中国民航大学 | 一种连续型机器人空间路径跟踪效果的评价方法 |
| CN107450351A (zh) * | 2017-09-01 | 2017-12-08 | 上海贝乐文化传播有限公司 | 一种轮式机器人控制系统仿真系统及仿真方法 |
| CN107481284A (zh) * | 2017-08-25 | 2017-12-15 | 京东方科技集团股份有限公司 | 目标物跟踪轨迹精度测量的方法、装置、终端及系统 |
| CN107618503A (zh) * | 2017-08-29 | 2018-01-23 | 广州小鹏汽车科技有限公司 | 一种自动泊车控制方法及系统 |
| CN107702716A (zh) * | 2017-08-31 | 2018-02-16 | 广州小鹏汽车科技有限公司 | 一种无人驾驶路径规划方法、系统和装置 |
| CN108681243A (zh) * | 2018-05-03 | 2018-10-19 | 南京理工大学 | 一种机器人轨迹跟踪方法 |
-
2019
- 2019-08-01 CN CN201910708621.8A patent/CN110471412A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060282205A1 (en) * | 2005-06-09 | 2006-12-14 | Lange Arthur F | System for guiding a farm implement between swaths |
| CN102358287A (zh) * | 2011-09-05 | 2012-02-22 | 北京航空航天大学 | 一种用于车辆自动驾驶机器人的轨迹跟踪控制方法 |
| CN103707298A (zh) * | 2013-12-06 | 2014-04-09 | 中国民航大学 | 一种连续型机器人空间路径跟踪效果的评价方法 |
| CN107481284A (zh) * | 2017-08-25 | 2017-12-15 | 京东方科技集团股份有限公司 | 目标物跟踪轨迹精度测量的方法、装置、终端及系统 |
| CN107618503A (zh) * | 2017-08-29 | 2018-01-23 | 广州小鹏汽车科技有限公司 | 一种自动泊车控制方法及系统 |
| CN107702716A (zh) * | 2017-08-31 | 2018-02-16 | 广州小鹏汽车科技有限公司 | 一种无人驾驶路径规划方法、系统和装置 |
| CN107450351A (zh) * | 2017-09-01 | 2017-12-08 | 上海贝乐文化传播有限公司 | 一种轮式机器人控制系统仿真系统及仿真方法 |
| CN108681243A (zh) * | 2018-05-03 | 2018-10-19 | 南京理工大学 | 一种机器人轨迹跟踪方法 |
Non-Patent Citations (2)
| Title |
|---|
| 孔令上: "复杂环境下智能车辆局部路径规划与跟踪方法研究", 《中国硕士学位论文全文数据库工程科技Ⅱ辑》 * |
| 张俊友 等: "《智能交通系统及应用》", 31 July 2017, 哈尔滨工业大学出版社 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111158368A (zh) * | 2019-12-31 | 2020-05-15 | 深圳市优必选科技股份有限公司 | 一种双足机器人及其轨迹跟随方法和装置 |
| CN111158368B (zh) * | 2019-12-31 | 2024-02-02 | 深圳市优必选科技股份有限公司 | 一种双足机器人及其轨迹跟随方法和装置 |
| CN111912414A (zh) * | 2020-07-28 | 2020-11-10 | 中国第一汽车股份有限公司 | 车辆位姿的验证方法、装置、设备及存储介质 |
| CN112590804A (zh) * | 2020-12-23 | 2021-04-02 | 苏州挚途科技有限公司 | 无人车辆的载荷轨迹跟踪方法和装置 |
| CN114684111A (zh) * | 2020-12-31 | 2022-07-01 | 华为技术有限公司 | 一种车头先入的泊车方法、装置和系统 |
| CN114492940A (zh) * | 2021-12-30 | 2022-05-13 | 厦门市美亚柏科信息股份有限公司 | 一种生成平滑轨迹的方法及终端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110471412A (zh) | 一种评估路径跟踪算法性能的方法及评估系统 | |
| Chiang et al. | RL-RRT: Kinodynamic motion planning via learning reachability estimators from RL policies | |
| Grigorescu et al. | Neurotrajectory: A neuroevolutionary approach to local state trajectory learning for autonomous vehicles | |
| Kwok et al. | Unicycle coverage control via hybrid modeling | |
| CN113805569B (zh) | 基于多智能体技术的对抗系统、方法、终端及存储介质 | |
| CN105900116A (zh) | 分层型神经网络装置、判别器学习方法以及判别方法 | |
| CN112327829A (zh) | 分布式多机器人协同运动控制方法、系统、介质及应用 | |
| Guo et al. | A fusion method of local path planning for mobile robots based on LSTM neural network and reinforcement learning | |
| Lin et al. | Wall-following and navigation control of mobile robot using reinforcement learning based on dynamic group artificial bee colony | |
| Rubagotti et al. | Shared control of robot manipulators with obstacle avoidance: A deep reinforcement learning approach | |
| Lou et al. | Path planning in an unknown environment based on deep reinforcement learning with prior knowledge | |
| CN113959446B (zh) | 一种基于神经网络的机器人自主物流运输导航方法 | |
| Febbo | Real-time trajectory planning to enable safe and performant automated vehicles operating in unknown dynamic environments | |
| Almalki et al. | Exploration of reinforcement learning to play snake game | |
| US20240253228A1 (en) | Method of generating program for robotic process | |
| Yang et al. | Learning graph-enhanced commander-executor for multi-agent navigation | |
| CN110488815A (zh) | 一种车辆的路径跟踪方法及路径跟踪系统 | |
| Xu et al. | Indoor multi-sensory self-supervised autonomous mobile robotic navigation | |
| CN111984000A (zh) | 用于自动影响执行器的方法和设备 | |
| CN117553798A (zh) | 复杂人群场景中移动机器人的安全导航方法、设备及介质 | |
| Bono et al. | Learning with a Mole: Transferable latent spatial representations for navigation without reconstruction | |
| LaValle et al. | A framework for motion planning in stochastic environments: modeling and analysis | |
| Lee et al. | Velocity range-based reward shaping technique for effective map-less navigation with LiDAR sensor and deep reinforcement learning | |
| KR102412066B1 (ko) | 상태 결정 방법 및 장치, 로봇, 저장 매체 및 컴퓨터 프로그램 | |
| Patel et al. | Dream: Decentralized reinforcement learning for exploration and efficient energy management in multi-robot systems |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191119 |