CN110514224A - 一种无人驾驶汽车局部路径规划性能评价方法 - Google Patents
一种无人驾驶汽车局部路径规划性能评价方法 Download PDFInfo
- Publication number
- CN110514224A CN110514224A CN201910789743.4A CN201910789743A CN110514224A CN 110514224 A CN110514224 A CN 110514224A CN 201910789743 A CN201910789743 A CN 201910789743A CN 110514224 A CN110514224 A CN 110514224A
- Authority
- CN
- China
- Prior art keywords
- point
- path
- algorithm
- performance
- evaluation
- 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
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
Abstract
本发明的目的是提供一种无人驾驶汽车局部路径规划性能评价方法,它能够对现有的基于图搜索的无人驾驶汽车局部路径规划算法性能进行定量评价,衡量各算法的优劣,评选出最优的算法用于无人驾驶汽车领域应用,或者帮助调试和优化路径规划算法的参数,从而提升路径规划算法的性能,促进无人驾驶车辆的自主导航能力。
Description
技术领域
本发明属于无人驾驶汽车技术,具体涉及一种对现有无人驾驶汽车局部路径规划算法的性能评价方法。
背景技术
随着汽车工业的发展,汽车越来越成为社会生产与日常生活中的重要组成部分;与此同时,汽车安全问题也逐渐成为人们关注的焦点,如何能更有效地提高车辆行驶安全性已经成为各国政府和研究机构需要共同面对的问题。其中无人驾驶技术被公认为大幅减小交通安全事故的最佳途径,因而成为世界交通运输领域研究的前沿和热点。
无人驾驶车辆是一个综合环境感知、路径规划、运动控制于一体的综合系统,其中路径规划是无人车辆环境感知和车辆控制之间的桥梁,是实现车辆主动避障、自动导航等重要功能的关键技术,是无人车辆自主驾驶的基础。目前的汽车无人驾驶路径规划算法众多,主要有基于图搜索的方法、基于随机生成的方法、基于轨迹生成的方法、基于智能群落算法等几大类,每类方法都有其优缺点,但是用的最多的还是基于图搜索的Dijkstra、A星以及其衍生的一系列算法。A星搜索方法是一个经典的机器人运动规划算法,被广泛应用于机器人的路径优化领域。A星搜索的思想由文献《A formal basis for the heuristicdetermination of minimum cost paths in graphs》在1968年提出,后续又陆续出现了众多改进算法,如:
申请号为201710794646.5的专利申请提出了一种基于A星算法的最短寻路方法,该申请描述了经典A星算法的实现步骤:建立搜索网格,确定起点、目标点和障碍物位置,建立OPEN表和CLOSE表,利用点之间的距离作为代价,采用的评估函数F=G+H的含义为:F为从初始状态到目标状态的代价估计,G为从初始状态到下一状态的代价,H为下一状态到目标状态的最佳路径的代价。
申请号为201711374451.1的专利申请提出了一种基于改进A星算法的移动机器人路径规划算法,在该申请中,利用经典的A星算法实现全局路径规划后,提出了对规划结果二次平滑处理,得到预规划路径;最后采用人工势场法与在静态障碍物环境中进行全局路径预规划的方法在遇到动态障碍物时进行局部路径规划。该方法在利用A星算法实现其所谓的全局路径规划方面与经典的A星算法一致。
目前在无人驾驶汽车领域已经涌现出众多这类基于图搜索的路径规划算法,但是,如何评价各种路径规划算法的性能,却还没有一个定量的方法。如文献《Local PathPlanning for Off-Road Autonomous Driving With Avoidance of Static Obstacles》提到,局部路径规划算法规划出来的路径要满足安全性,满足平顺性,同时要满足车辆的运动学特性;文献《A Multiple Mobile Robots Path planning Algorithm Based on A-star and Dijkstra Algorithm》也提到,评价一条局部路径要从油耗、效能、安全、灵活等角度来考虑。但是目前为止,尚没有一种定量的评价方法被提出来用于评价无人驾驶汽车领域局部路径规划算法的性能,使得目前的局部路径规划算法之间无法进行一种客观的比较。
如对于附图1这样的无人驾驶应用场景,起始点S与目标点T之间存在两个障碍物,三种典型的图搜索算法分别给出了三个规划结果(如附图2-附图4所示),其中附图2为一种经典A星算法得到的搜索结果示意图,附图3为一种引入引导线的A星算法搜索效果示意图,附图4为一种变步长的A星算法搜索效果示意图,三种算法都能得到可行的规划路径,也满足平顺性、安全性等要求,但是用户并不能直观的对这三种算法的性能进行比较,且没有一种定量的手段来分析这些算法的性能,给出客观的评价。
发明内容
本发明的目的是提供一种无人驾驶汽车局部路径规划性能评价方法,它能够对现有的基于图搜索的无人驾驶汽车局部路径规划算法性能进行定量评价,衡量各算法的优劣,评选出最优的算法用于无人驾驶汽车领域应用,或者帮助调试和优化路径规划算法的参数,从而提升路径规划算法的性能,促进无人驾驶车辆的自主导航能力。
本发明的技术方案如下:一种无人驾驶汽车局部路径规划性能评价方法,包括如下步骤:
步骤一:依据需求确定测试条件,获取测试所需的数据信息;
进一步的,所述的测试条件包括搜索空间大小、起始点位置、起始点方向、目标点位置、目标点方向、障碍物分布等信息。
步骤二:设置评价方法初始化参数,设置曲率所对应的虚拟速度映射关系表;
步骤三:对待评价的N种路径规划算法在步骤一中确定的测试条件下进行计算,得到N个路径规划结果;
步骤四:对该N个路径规划结果进行初步判断,剔除不满足测试条件的路径规划结果;
步骤五:对剩余的M条规划路径(M≤N)进行性能评价,获取时间评价值T;具体包括如下步骤:
S1、对每一条路径规划结果所得的路径序列点P的个数进行统计,计算出规划路径的相邻两点距离L_i(i∈P的个数范围内),L_i=dis(P_i-1,P_i),其中P_i为路径序列点P的第i个路径点,函数dis(a,b)表示a和b两点之间的直线距离;
S2、对每一条路径规划结果所得的路径序列点P,计算出每个点的折角θ_i(i∈P的个数范围内),θ_i=Ψ(line(P_i,P_i-1),line(P_i+1,P_i)),其中,函数line(a,b)表示点a和点b之间的直线,函数Ψ(A,B)表示A和B两条直线之间的折角;
S3、根据各个点的折角θ_i的大小,参照步骤二所得的映射关系表,赋予通过该点的速度;
进一步的,折角越大,车辆从该点经过的速度v_i应该越小,当折角θ_i大于车辆转弯性能时,车辆的速度v_i变为0,即无法经过这个点。
S4、根据公式T=L÷v,得到车辆经过每个点所需要耗费的时间T_i=dis_i/v_i,这里经过第i个节点的距离计算方法为dis_i=L_i/2+(L_i+1)/2;
S5、得到总时间即为时间评价值T,T=ΣT_i,总距离L=ΣL_i;
S6、输出时间评价值T;
其中,步骤S1-S5中所述的距离和速度均为虚拟值;
步骤六:对比时间评价值T,T越小则车辆通过该段路径所需耗时越短其规划路径更优。
进一步的,在上述步骤基础上,针对基于图搜索的无人驾驶汽车局部路径规划算法的性能评价,所述步骤三在得到N个路径规划结果后,记录计算过程中的拓展节点个数EP_Num;所述步骤六依据(EP_Num,T)给出定量的性能评价结果,其中,拓展个数EP_Num越小,对比时间评价值T越小,则其规划路径更优。
进一步的,所述的评价方法还可以应用于调试基于图搜索的路径规划算法的参数,以使获得性能更佳的参数。
本发明的有益效果在于:
(1)本发明的评价体系可以用于所有无人驾驶汽车局部路径规划算法,而不局限于基于图搜索的路径规划算法。该发明可以促进无人驾驶汽车局部路径规划算法的性能,能够提升无人驾驶技术,进一步推广无人驾驶的应用,产生较好的经济效益。
(2)本发明采用拓展个数EP_Num作为评价指标时,能够对现有的基于图搜索的局部路径规划算法进行评价,选出更优的路径规划算法用于无人驾驶汽车的自主导航;且对特定的局部路径规划算法,可以通过本发明的评价体系进行参数调试,选出更优的算法参数,提高局部路径规划算法的性能;
(3)本发明提出的利用通过时间T来衡量规划路径的优劣,具有真实的物理意义,确保评价指标与真实性能相一致;
(4)本发明使用虚拟值来代替真实值,既克服了建立物理模型获得真实物理数据的困难,又保持了与真实性能变化趋势的一致性。
附图说明
图1为算法测试场景示意图;
图2为经典A星算法搜索效果示意图;
图3为引入引导线的A星算法搜索效果示意图;
图4为变步长的A星算法搜索效果示意图;
图5为三种算法的拓展节点策略示意图;
图6为本发明提出的评价方法流程图;
图7为经典A星算法在步长为1-3条件下的搜索效果示意图;
图8为经典A星算法在步长为4-6条件下的搜索效果示意图;
图9为经典A星算法在步长为7-9条件下的搜索效果示意图;
具体实施方式
以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
为了进一步简化算法性能与具体平台之间的关系,确保本评价方法的通用性,并且考虑到本方法的目的是衡量各规划算法之间相对性能的好坏,因此本发明专利提出了设置评价过程中的距离和速度都为虚拟值的思想,如距离以栅格为单位,最大运动速度(路径中经过折角为0的点的运动速度)设为单位1,转弯点的速度设为1×α,α∈(0,1),α_i大小与折角θ_i成反比。在评价过程中用虚拟值代替真实值,既降低了评价过程中的复杂度,与真实平台的性能无关,又保持了真实的物理意义,与真实性能变化趋势一致,不影响各算法间的评价对比结果。
本方法可以适用于所有无人驾驶汽车局部路径规划算法的评价,得出路径规划结果的总耗时参数即时间评价值T,从而可以判断各种路径规划算法之间的性能优劣。更好的是当本发明采纳拓展个数EP_Num这个参数时,将主要针对基于图搜索的无人驾驶汽车局部路径规划算法的性能优劣进行评价。
下面就结合附图,对采纳拓展个数EP_Num这个参数时,展示基于图搜索的无人驾驶汽车局部路径规划算法的性能优劣进行评价的示例。
如附图2-4所示,附图2为经典A星算法得到的搜索结果示意图,附图3为引入引导线的A星算法搜索效果示意图,附图4为变步长的A星算法搜索效果示意图。三种基于A星或者A星的改进算法针对附图1的应用场景,都能得到可行的规划结果,也满足平顺性、安全性等各项性能指标,但是用户并不能直观的得到三种方法的性能差别,无法判断哪一种算法能够更好的解决面对附图1描述的应用场景。
本发明结合上述三种典型的图搜索算法,对提出的一种无人驾驶汽车局部路径规划性能评价方法进行描述,其流程图如附图6所示,具体步骤为:
步骤一:确定客观标准的测试条件,如附图1所示:设置本次测试的搜索栅格地图大小为250×250;设初始点S所在位置为坐标原点,经过初始点向右为X坐标,初始点S所指方向为Y坐标;设目标点T的坐标为(0,240);算法找到目标点的判别准则为距离目标点2个栅格距离以内;搜索地图在初始点和目标点之间设置了两个典型的障碍物,用来测试算法的绕障性能;
步骤二:设置评价方法初始化参数,本例采用了三种典型的图搜索算法,分别是经典A星算法(标记为算法一),引入引导线的A星算法(标记为算法二),变步长的A星算法(标记为算法三);其中算法一和算法二中采用固定搜索步长为6(单位为栅格)。上述三种算法在无人驾驶汽车路径规划的应用过程中,为了简化搜索复杂度,提高搜索性能,其拓展节点的策略均采用了如附图5所示的三叉树搜索法,即只拓展直行前进、最小左转弯和最小右转弯三种方向,该三叉树搜索法是目前无人驾驶领域内普遍采取的搜索策略。因此,设置曲率对应的虚拟速度映射关系表为下表所示:
表1曲率对应虚拟速度映射关系表
直行 | 左转 | 右转 | |
直行 | 1 | α | α |
左转 | α | α | β |
右转 | α | β | α |
其中设定经过直行的节点为虚拟单位速度1,直行变转弯(如直行+左转弯,直行+右转弯)或者转弯变直行(如左转弯+直行,右转弯+直行)的节点虚拟速度为α,α≤1,同方向转弯(如左转弯+左转弯,右转弯+右转弯)的节点虚拟速度依旧假设为转弯速度α,反方向转弯(如左转弯+右转弯,右转弯+左转弯)的节点虚拟速度假设为转弯速度β,β≤α;
步骤三:对上述三种算法在步骤一中设置的测试条件下进行计算,得到如附图2-附图4显示的三个路径规划结果,并记录其对应的拓展节点个数EP_Num;
步骤四:对上述三个算法的结果进行判断,都符合避开障碍物等特性,规划出了一条可行的路径序列;
步骤五:对上述三个结果按照本发明专利提出的评价方法进行性能评价:第一步是对每一条规划结果的路径序列点个数进行统计,计算出规划路径的任意相邻两点之间的距离L_i,L_i=dis(P_i-1,P_i),P_i为第i个路径点,函数dis(a,b)表示a和b两点之间的直线距离,单位为栅格距离;第二步中,对路径序列点P中的每个点,计算其前后两个点与它的折角θ_i,θ_i=Ψ(line(P_i,P_i-1),line(P_i+1,P_i)),其中函数line(a,b)表示点a和点b之间的直线,函数Ψ(A,B)表示A和B两条直线之间的折角,通过θ_i的变化来判断该点为直行还是转弯;第三步,根据该点的折角情况和预设的映射表,赋予通过该点的速度为1或者α或者β;第四步,根据公式T=L÷v,得到车辆经过每个点所需要耗费的时间T_i;第五步,得到整该条路径所需要的总时间T;
步骤六:给出定量的性能评价结果(EP_Num,T)。
本示例给出了上述三种算法的性能评价定量结果,如下表所示:
表2三种算法的评价指标
在上表中,采用了α=0.5,β=0.25,本发明中最终用于评价算法的性能的指标为拓展个数EP_Num和总耗时T,其中拓展个数EP_Num越小,代表该算法的计算复杂度O越低,而总耗时T越小,代表车辆通过该段路径所需要的耗时越短,意味着其规划出来的路径越优。从表2可以看出,算法三无论是在计算复杂度方面还是计算得到的最优路径方面,都是三个算法中性能最优的。
因此,通过本发明提出的评价方法,对基于图搜索的路径规划算法进行定量的评价,从而针对特定的应用场景,可以优选出最佳性能的算法,用于无人驾驶汽车的自主导航。
上述从两个维度来衡量路径规划算法的性能,一个是耗费时间T,描述车辆从起始点到目标点之间需要耗费的时间。另一个是计算复杂度O,描述该算法的解算过程本身需要耗费的时间资源。
此外,本发明提出的评价方法,还可以用于调试基于图搜索的路径规划算法的参数,使其获得更佳的性能。如算法一中,其步长可以有很多种选择,用户往往通过经验来设置,并不能达到最优的效果。
表3算法一中不同的步长条件下的算法性能定量分析表
以算法一中选择步长这个参数为例,利用本发明专利选择最优的参数方法如下:在其他参数和测试条件固定的情况下(依旧以附图1作为测试场景),对算法一分别设置搜索步长为1-9这9个参数,通过本方法计算规划结果,并得到其拓展节点个数EP_Num和总耗时T。规划结果如附图7-附图9所示,依次为算法一在步长分别为1-9时得到的规划效果图,其性能如表3所示,从表3中可以看出,总耗时T在步长为4时最小,而拓展个数EP_Num在步长为7时最小,因此可以得出定量的结论,对于算法一,在应用场景考虑规划结果为优先考虑的条件下,设置步长为4,在应用场景对计算复杂度有更高的要求时,设置步长为7时最优,综合考虑计算复杂度和最优结果,其步长参数设置在[4,7]的范围内最优。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种无人驾驶汽车局部路径规划性能评价方法,其特征在于包括如下步骤:
步骤一:依据需求确定测试条件,获取测试所需的数据信息;
步骤二:设置评价方法初始化参数,设置曲率所对应的虚拟速度映射关系表;
步骤三:对待评价的N种路径规划算法在步骤一中确定的测试条件下进行计算,得到N个路径规划结果;
步骤四:对该N个路径规划结果进行初步判断,剔除不满足测试条件的路径规划结果;
步骤五:对剩余的M条规划路径(M≤N)进行性能评价,获取时间评价值T;具体包括如下步骤:
S1、对每一条路径规划结果所得的路径序列点P的个数进行统计,计算出规划路径的相邻两点距离L_i(i∈P的个数范围内),L_i=dis(P_i-1,P_i),其中P_i为路径序列点P的第i个路径点,函数dis(a,b)表示a和b两点之间的直线距离;
S2、对每一条路径规划结果所得的路径序列点P,计算出每个点的折角θ_i(i∈P的个数范围内),θ_i=Ψ(line(P_i,P_i-1),line(P_i+1,P_i)),其中,函数line(a,b)表示点a和点b之间的直线,函数Ψ(A,B)表示A和B两条直线之间的折角;
S3、根据各个点的折角θ_i的大小,参照步骤二所得的映射关系表,赋予通过该点的速度;
进一步的,折角越大,车辆从该点经过的速度v_i应该越小,当折角θ_i大于车辆转弯性能时,车辆的速度v_i变为0,即无法经过这个点。
S4、根据公式T=L÷v,得到车辆经过每个点所需要耗费的时间T_i=dis_i/v_i,这里经过第i个节点的距离计算方法为dis_i=L_i/2+(L_i+1)/2;
S5、得到总时间即为时间评价值T,T=ΣT_i,总距离L=ΣL_i;
S6、输出时间评价值T;
其中,步骤S1-S5中所述的距离和速度均为虚拟值;
步骤六:对比时间评价值T,T越小则车辆通过该段路径所需耗时越短其规划路径更优。
2.根据权利要求1所述的一种无人驾驶汽车局部路径规划性能评价方法,其特征在于,所述步骤五S3中,折角越大,车辆从该点经过的速度v_i应该越小,当折角θ_i大于车辆转弯性能时,车辆的速度v_i变为0,即无法经过这个点。
3.根据权利要求1所述的一种无人驾驶汽车局部路径规划性能评价方法,其特征在于,针对基于图搜索的无人驾驶汽车局部路径规划算法的性能评价,所述步骤三在得到N个路径规划结果后,记录计算过程中的拓展节点个数EP_Num;所述步骤六依据(EP_Num,T)给出定量的性能评价结果,其中,拓展个数EP_Num越小,对比时间评价值T越小,其规划路径更优。
4.根据权利要求3所述的一种无人驾驶汽车局部路径规划性能评价方法,其特征在于,所述的评价方法还可以应用于调试基于图搜索的路径规划算法的参数,以使获得性能更佳的参数。
5.根据权利要求1-4任一权利要求所述的一种无人驾驶汽车局部路径规划性能评价方法,其特征在于,步骤一中所述的测试条件包括搜索空间大小、起始点位置、起始点方向、目标点位置、目标点方向、障碍物分布等信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910789743.4A CN110514224B (zh) | 2019-08-26 | 2019-08-26 | 一种无人驾驶汽车局部路径规划性能评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910789743.4A CN110514224B (zh) | 2019-08-26 | 2019-08-26 | 一种无人驾驶汽车局部路径规划性能评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110514224A true CN110514224A (zh) | 2019-11-29 |
CN110514224B CN110514224B (zh) | 2021-04-02 |
Family
ID=68627891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910789743.4A Active CN110514224B (zh) | 2019-08-26 | 2019-08-26 | 一种无人驾驶汽车局部路径规划性能评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110514224B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111811542A (zh) * | 2020-08-07 | 2020-10-23 | 中国矿业大学(北京) | 一种基于轨迹数据的寻路性能分布计算方法及系统 |
CN111929068A (zh) * | 2020-07-10 | 2020-11-13 | 中国矿业大学 | 一种封闭场景下车辆道路能力测试方法 |
CN113406951A (zh) * | 2020-03-16 | 2021-09-17 | 株式会社东芝 | 行驶控制装置、行驶控制方法以及计算机程序 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09222921A (ja) * | 1996-02-14 | 1997-08-26 | Mitsubishi Heavy Ind Ltd | 無人車輛の走行制御装置 |
KR20120098152A (ko) * | 2011-02-28 | 2012-09-05 | 한국과학기술연구원 | 이동 로봇의 경로 생성 시스템 |
CN104406590A (zh) * | 2014-11-26 | 2015-03-11 | 中国测绘科学研究院 | 一种基于道路等级的最短路径规划算法 |
CN107036618A (zh) * | 2017-05-24 | 2017-08-11 | 合肥工业大学(马鞍山)高新技术研究院 | 一种基于最短路径深度优化算法的agv路径规划方法 |
CN107179078A (zh) * | 2017-05-24 | 2017-09-19 | 合肥工业大学(马鞍山)高新技术研究院 | 一种基于时间窗优化的agv路径规划方法 |
CN107719369A (zh) * | 2017-09-14 | 2018-02-23 | 北京智行者科技有限公司 | 自动驾驶纵向控制方法、装置及具有其的无人驾驶车辆 |
CN109828564A (zh) * | 2019-01-28 | 2019-05-31 | 广州杰赛科技股份有限公司 | 一种无人驾驶汽车路径规划的优化方法、装置及终端设备 |
CN109976337A (zh) * | 2019-03-11 | 2019-07-05 | 智久(厦门)机器人科技有限公司上海分公司 | 一种自动导引装置的弯道速度规划方法、装置 |
CN110018689A (zh) * | 2019-05-15 | 2019-07-16 | 福州大学 | 一种基于动态窗口的多虚拟目标点全局动态路径规划算法 |
CN110146087A (zh) * | 2019-06-14 | 2019-08-20 | 哈尔滨工程大学 | 一种基于动态规划思想的船舶路径规划方法 |
US10563992B2 (en) * | 2016-01-07 | 2020-02-18 | Hanwha Defense Co., Ltd. | Method and apparatus for optimal path generation |
-
2019
- 2019-08-26 CN CN201910789743.4A patent/CN110514224B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09222921A (ja) * | 1996-02-14 | 1997-08-26 | Mitsubishi Heavy Ind Ltd | 無人車輛の走行制御装置 |
KR20120098152A (ko) * | 2011-02-28 | 2012-09-05 | 한국과학기술연구원 | 이동 로봇의 경로 생성 시스템 |
CN104406590A (zh) * | 2014-11-26 | 2015-03-11 | 中国测绘科学研究院 | 一种基于道路等级的最短路径规划算法 |
US10563992B2 (en) * | 2016-01-07 | 2020-02-18 | Hanwha Defense Co., Ltd. | Method and apparatus for optimal path generation |
CN107036618A (zh) * | 2017-05-24 | 2017-08-11 | 合肥工业大学(马鞍山)高新技术研究院 | 一种基于最短路径深度优化算法的agv路径规划方法 |
CN107179078A (zh) * | 2017-05-24 | 2017-09-19 | 合肥工业大学(马鞍山)高新技术研究院 | 一种基于时间窗优化的agv路径规划方法 |
CN107719369A (zh) * | 2017-09-14 | 2018-02-23 | 北京智行者科技有限公司 | 自动驾驶纵向控制方法、装置及具有其的无人驾驶车辆 |
CN109828564A (zh) * | 2019-01-28 | 2019-05-31 | 广州杰赛科技股份有限公司 | 一种无人驾驶汽车路径规划的优化方法、装置及终端设备 |
CN109976337A (zh) * | 2019-03-11 | 2019-07-05 | 智久(厦门)机器人科技有限公司上海分公司 | 一种自动导引装置的弯道速度规划方法、装置 |
CN110018689A (zh) * | 2019-05-15 | 2019-07-16 | 福州大学 | 一种基于动态窗口的多虚拟目标点全局动态路径规划算法 |
CN110146087A (zh) * | 2019-06-14 | 2019-08-20 | 哈尔滨工程大学 | 一种基于动态规划思想的船舶路径规划方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113406951A (zh) * | 2020-03-16 | 2021-09-17 | 株式会社东芝 | 行驶控制装置、行驶控制方法以及计算机程序 |
CN111929068A (zh) * | 2020-07-10 | 2020-11-13 | 中国矿业大学 | 一种封闭场景下车辆道路能力测试方法 |
CN111929068B (zh) * | 2020-07-10 | 2022-03-04 | 中国矿业大学 | 一种封闭场景下车辆道路能力测试方法 |
CN111811542A (zh) * | 2020-08-07 | 2020-10-23 | 中国矿业大学(北京) | 一种基于轨迹数据的寻路性能分布计算方法及系统 |
CN111811542B (zh) * | 2020-08-07 | 2021-08-06 | 中国矿业大学(北京) | 一种基于轨迹数据的寻路性能分布计算方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110514224B (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Distributed coordination for collision avoidance of multiple ships considering ship maneuverability | |
Furda et al. | Enabling safe autonomous driving in real-world city traffic using multiple criteria decision making | |
CN110514224A (zh) | 一种无人驾驶汽车局部路径规划性能评价方法 | |
RU2681984C1 (ru) | Система и способ определения траектории для транспортного средства | |
CN106873599A (zh) | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 | |
Kratzke et al. | Search and rescue optimal planning system | |
CN108692734A (zh) | 一种路径规划方法和装置 | |
CN106970648A (zh) | 城市低空环境下无人机多目标路径规划联合搜索方法 | |
CN106845716A (zh) | 一种基于导航误差约束的水面无人艇局部分层路径规划方法 | |
US20200192393A1 (en) | Self-Modification of an Autonomous Driving System | |
MahmoudZadeh et al. | Uninterrupted path planning system for Multi-USV sampling mission in a cluttered ocean environment | |
CN110362089A (zh) | 一种基于深度强化学习和遗传算法的无人船自主导航的方法 | |
CN109933067A (zh) | 一种基于遗传算法和粒子群算法的无人艇避碰方法 | |
CN108829105A (zh) | 一种基于km算法和人工势场法的仓储物流调度避障优化方法 | |
Mouhagir et al. | A markov decision process-based approach for trajectory planning with clothoid tentacles | |
CN112185148A (zh) | 用于评估可能轨迹的方法 | |
CN110174112B (zh) | 一种用于移动机器人自动建图任务的路径优化方法 | |
Mouhagir et al. | Integrating safety distances with trajectory planning by modifying the occupancy grid for autonomous vehicle navigation | |
CN107883954A (zh) | 用于生成旨在供飞行器遵循的最佳飞行路径的方法和设备 | |
CN110487290A (zh) | 基于变步长a星搜索的无人驾驶汽车局部路径规划方法 | |
CN111596675A (zh) | 面向非广域目标搜索任务的水下机器人优化决策方法 | |
CN111609848A (zh) | 一种用于多机器人协作建图的智能优化方法及系统 | |
Xin et al. | Coordinated motion planning of multiple robots in multi-point dynamic aggregation task | |
Liu et al. | Impact of sharing driving attitude information: A quantitative study on lane changing | |
Ni et al. | Agent-based evacuation in passenger ships using a goal-driven decision-making model |
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 |