CN110647142A - 使用优化方法规划自动驾驶车辆的停车轨迹生成 - Google Patents

使用优化方法规划自动驾驶车辆的停车轨迹生成 Download PDF

Info

Publication number
CN110647142A
CN110647142A CN201811367111.0A CN201811367111A CN110647142A CN 110647142 A CN110647142 A CN 110647142A CN 201811367111 A CN201811367111 A CN 201811367111A CN 110647142 A CN110647142 A CN 110647142A
Authority
CN
China
Prior art keywords
parking
autonomous vehicle
paths
constraints
candidate
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
Application number
CN201811367111.0A
Other languages
English (en)
Other versions
CN110647142B (zh
Inventor
罗琦
李栋
张雅嘉
张亮亮
蒋一飞
陶佳鸣
许珂诚
胡江滔
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.)
Baidu USA LLC
Original Assignee
Baidu USA LLC
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 Baidu USA LLC filed Critical Baidu USA LLC
Publication of CN110647142A publication Critical patent/CN110647142A/zh
Application granted granted Critical
Publication of CN110647142B publication Critical patent/CN110647142B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/06—Automatic manoeuvring for parking
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/0088—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0227—Control of position or course in two dimensions specially adapted to land vehicles using mechanical sensing means, e.g. for sensing treated area
    • G05D1/0229—Control of position or course in two dimensions specially adapted to land vehicles using mechanical sensing means, e.g. for sensing treated area in combination with fixed guiding means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
    • 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
    • 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
    • B60W2710/00—Output or target parameters relating to a particular sub-units
    • B60W2710/20—Steering systems

Abstract

用于自动驾驶车辆的停车系统优化了停车问题的解决方案。ADV检测停车场并选择停车位。ADV定义用于停车场、停车位的约束和ADV的运动学约束，并且考虑停车场、停车位以及ADV的运动学的约束，但是不考虑ADV周围可能的任何障碍物，生成到停车位的多个潜在停车路径。ADV确定用于穿过每个停车路径的成本。从停车路径中选出一个或多个最小成本的候选路径，然后基于ADV周围的障碍物，排除一个或多个候选路径。剩余的候选项可使用二次优化系统进行分析。可从剩余的候选项中选出最佳停车路径，以将ADV导航到停车位。

Description

使用优化方法规划自动驾驶车辆的停车轨迹生成
技术领域
本公开的实施方式总体涉及操作自动驾驶车辆。更具体地，本公开的实施方式涉及停车规划，以便在存在潜在障碍物的情况下优化用于自动驾驶车辆(ADV)的停车规划。
背景技术
当将自动驾驶车辆(ADV)围绕ADV的路线上的一个或多个移动障碍物导航到停车位时，停车规划很重要。在现有技术中，停车规划算法使用的是Z字形(z-zag)算法，该Z字形算法考虑的是紧跟在停放的车辆周围的静态障碍物。这样的障碍物可包括其它停放的汽车、道路路缘和其它固定障碍物。为人类驾驶员提供自动停车辅助特征的车辆中的停车逻辑可检测车辆周围的对象，但不会预测对象的位置，速度和方向。因此，障碍物最初可能不会靠近移动的车辆，但是障碍物可能朝向车辆移动，并且停车逻辑不会考虑该障碍物直到障碍物位于车辆周围的预定边界内。避免与移动的障碍物发生碰撞可能为时已晚。
自动停车辅助系统中的当前停车逻辑没有考虑停放车辆时障碍物的运动。ADV可检测移动障碍物。但是，现有技术的ADV被设计成前向行驶。停车通常涉及在停车过程的至少一部分期间的反向驾驶。现有技术的ADV以与具有停车辅助的人类驾驶汽车相同的方式执行停车：当规划停车路径时，尤其是当停车路径涉及反向驾驶时，他们将障碍物视为静态对象并且不考虑障碍物的速度，方向和运动。
在现有技术中，停车问题的解决方案在计算上是昂贵的。有些在100秒或更长时间内没有产生解决方案，这对于乘客停车和ADV来说是不可接受的延迟。另外，一些现有技术解决方案根本不能保证解决停车问题。此外，一些现有技术解决方案根本不能保证解决停车问题。
发明内容
根据本申请的一方面，提供了一种停放自动驾驶车辆的计算机实施的方法，所述方法包括：
确定所选停车位的多个停车位约束；
至少部分地基于所选停车位的所述多个停车位约束，确定从所述自动驾驶车辆的当前位置到所选停车位的多个停车路径；
确定用于所述多个停车路径中的每个停车路径的成本；
从具有最小成本的多个停车路径中选择一个或多个候选停车路径；
至少部分地基于沿着所述候选停车路径中的每个的所述自动驾驶车辆周围的一个或多个障碍物，排除所选择的候选停车路径中的一个或多个；
从剩余的候选停车路径中选择停车路径；
基于所选择的停车路径，生成参考线以导航所述自动驾驶车辆；以及
使用所述参考线将所述自动驾驶车辆从所述自动驾驶车辆的所述当前位置导航到所述停车位。
根据本申请的一方面，提供了一种具有可执行指令的非暂时性计算机可读介质，当所述可执行指令由处理系统执行时，执行用于停放自动驾驶车辆的操作，所述操作包括：
确定所选停车位的多个停车位约束；
至少部分地基于所选停车位的所述多个停车位约束，确定从所述自动驾驶车辆的当前位置到所选停车位的多个停车路径；
确定用于所述多个停车路径中的每个停车路径的成本；
从具有最小成本的多个停车路径中选择一个或多个候选停车路径；
至少部分地基于沿着所述候选停车路径中的每个的所述自动驾驶车辆周围的一个或多个障碍物，排除所选择的候选停车路径中的一个或多个；从剩余的候选停车路径中选择停车路径；
基于所选择的停车路径，生成参考线以导航所述自动驾驶车辆；以及
使用所述参考线将所述自动驾驶车辆从所述自动驾驶车辆的所述当前位置导航到所述停车位。
根据本申请的又一方面，提供了一种包括处理系统的系统，所述处理系统具有至少一个硬件处理器，所述处理系统联接至编程有可执行指令的存储器，当所述可执行指令由所述处理系统执行时，所述处理系统执行用于停放自动驾驶车辆的操作，所述操作包括：
确定所选停车位的多个停车位约束；
至少部分地基于所选停车位的所述多个停车位约束，确定从所述自动驾驶车辆的当前位置到所选停车位的多个停车路径；
确定用于所述多个停车路径中的每个停车路径的成本；从具有最小成本的多个停车路径中选择一个或多个候选停车路径；
至少部分地基于沿着所述候选停车路径中的每个的所述自动驾驶车辆周围的一个或多个障碍物，排除所选择的候选停车路径中的一个或多个；
从剩余的候选停车路径中选择停车路径；
基于所选择的停车路径，生成参考线以导航所述自动驾驶车辆；以及
使用所述参考线将所述自动驾驶车辆从所述自动驾驶车辆的所述当前位置导航到所述停车位。
附图说明
本公开的实施方式在附图的各图中以举例而非限制的方式示出，附图中的相同参考标记指示相似元件。
图1是示出根据一个实施方式的网络化系统的框图，该网络化系统用于实施用于规划停放自动驾驶车辆(ADV)时的停车轨迹的优化方法。
图2是示出根据一个实施方式的自动驾驶车辆的示例的框图，该自动驾驶车辆可实施用于规划停放自动驾驶车辆(ADV)时的停车轨迹的优化方法。
图3是示出根据一个实施方式的自动驾驶车辆的感知与规划系统的示例的框图，该感知与规划系统实施用于规划停放自动驾驶车辆(ADV)时的停车轨迹和避开障碍物的优化方法。
图4A示出根据一个实施方式的ADV的示例，该ADV执行用于规划停放自动驾驶车辆(ADV)时的停车轨迹的优化方法的一部分。
图4B示出根据一个实施方式的ADV的示例，该ADV执行用于规划停放自动驾驶车辆(ADV)时的停车轨迹的优化方法的一部分。
图4C示出根据一个实施方式的ADV的示例，该ADV执行用于规划停放自动驾驶车辆(ADV)时的停车轨迹的优化方法的一部分。
图5是示出根据实施方式规划停放自动驾驶车辆(ADV)时的停车轨迹的优化方法的框图。
图6是示出根据实施方式规划停放自动驾驶车辆(ADV)时的停车轨迹的优化方法的框图。
图7是示出根据一个实施方式的数据处理系统的框图。
具体实施方式
将参考以下所讨论的细节来描述本公开的各种实施方式和方面，附图将示出所述各种实施方式。下列描述和附图是本公开的说明，而不应当解释为对本公开进行限制。描述了许多特定细节以提供对本公开的各种实施方式的全面理解。然而，在某些情况下，并未描述众所周知的或常规的细节，以提供对本公开的实施方式的简洁讨论。
本说明书中对“一个实施方式”或“实施方式”的提及意味着结合该实施方式所描述的特定特征、结构或特性可包括在本公开的至少一个实施方式中。短语“在一个实施方式中”在本说明书中各个地方的出现不必全部指同一实施方式。
在一个实施方式中，停放自动驾驶车辆(ADV)的计算机实施的方法包括：确定所选停车位的多个停车位约束，以及至少部分地基于所选停车位的多个停车位约束，确定从ADV的当前位置到所选停车位的多个停车路径。确定多个停车路径中的每个停车路径的成本，并且从具有最小成本的多个停车路径中选择一个或多个候选停车路径。至少部分地基于沿着候选停车路径中的每个的ADV周围的一个或多个障碍物，所选择的候选停车路径中的一个或多个被排除作为候选停车路径。从剩余的候选停车路径中选择停车路径，并且生成参考线以基于所选择的停车路径导航ADV。ADV使用参考线从当前ADV位置导航到停车位。
在另一实施方式中，ADV定位停车场，确定ADV在停车场内的位置，并且选择停车场内停放ADV的停车位。ADV将停车问题形成为ADV的多个停车位约束和运动学约束。运动学约束可以是ADV的物理尺寸、最大和最小加速度值、最大和最小速度值、ADV的最大转向角、ADV的重量、ADV的最大制动能力等。在实施方式中，ADV在不考虑ADV周围的障碍物的情况下，将停车位约束和停车场约束形成为一组仿射并生成多个停车路径。每个停车路径均具有一个或多个段，并且每个段均具有与其相关联的成本。段的成本可包括行进的距离、行进该段距离的时间。在实施方式中，其它成本因素可包括导航该段所需的加速度，速度或转向角的量。停车路径的成本可以是停车路径中的每个段的成本的总和。ADV可从多个停车路径中选择具有最小成本的一个或多个候选停车路径。然后，ADV可考虑ADV周围的障碍物并排除候选停车路径中的一个或多个。为了确定是否排除停车路径，ADV的障碍以及停车场和停车位上的约束可表示为一组仿射。可分析每个候选停车路径，是否一个或多个障碍物与候选停车路径的一个或多个段相冲突。候选停车路径可使用二次优化方法进行优化。可从剩余的候选项中找到合适的停车路径。如果没有找到合适的停车路径，则ADV逻辑可自动地调整放宽停车问题中的约束中的一个或多个，该约束包括障碍物、停车位和ADV运动学约束。然后，ADV逻辑可基于放宽的约束生成另外多个停车路径。一旦从剩余的停车候选停车路径中选择出合适的停车路径，ADV就可生成供ADV使用的参考线，以从ADV的当前位置导航到所选择的停车位。
本文中公开的方法操作中的任一个均可由处理系统实施，该处理系统包括至少一个硬件处理器，该硬件处理器联接至编程有可执行指令的存储器，该可执行指令在被执行时执行所述方法操作。这种可执行指令还可存储在一个或多个非暂时性计算机可读介质上。
图1是示出根据一个实施方式的网络化系统100的框图，该网络化系统100用于实施用于规划停放自动驾驶车辆(ADV)时的停车轨迹的优化方法。
参考图1，网络配置100包括可通过网络102通信地联接到一个或多个服务器103至104的自动驾驶车辆101。尽管示出一个自动驾驶车辆，但多个自动驾驶车辆可通过网络102联接到彼此和/或联接到服务器103至104。网络102可以是任何类型的网络，例如，有线或无线的局域网(LAN)、诸如互联网的广域网(WAN)、蜂窝网络、卫星网络或其组合。服务器103至104可以是任何类型的服务器或服务器群集，诸如，网络或云服务器、应用服务器、后端服务器或其组合。服务器103至104可以是数据分析服务器、内容服务器、交通信息服务器、地图和兴趣点(MPOI)服务器或位置服务器等。
自动驾驶车辆是指可被配置成在自动驾驶模式下操作的车辆，在所述自动驾驶模式下车辆在极少或没有来自驾驶员的输入的情况下导航通过环境。这种自动驾驶车辆可包括传感器系统，所述传感器系统具有被配置成检测与车辆运行环境有关的信息的一个或多个传感器。所述车辆和其相关联的控制器使用所检测的信息来导航通过所述环境。自动驾驶车辆101可在手动模式下、在全自动驾驶模式下或者在部分自动驾驶模式下运行。
在实施方式中，自动驾驶车辆101包括，但不限于，感知与规划系统110、车辆控制系统111、无线通信系统112、用户接口系统113、资讯娱乐系统114和传感器系统115。自动驾驶车辆101还可包括普通车辆中包括的某些常用部件，诸如：发动机、车轮、方向盘、变速器等，所述部件可由车辆控制系统111和/或感知与规划系统110使用多种通信信号和/或命令进行控制，该多种通信信号和/或命令例如，加速信号或命令、减速信号或命令、转向信号或命令、制动信号或命令等。
部件110至115可经由互连件、总线、网络或其组合通信地联接到彼此。例如，部件110至115可经由控制器局域网(CAN)总线通信地联接到彼此。CAN总线是被设计成允许微控制器和装置在没有主机的应用中与彼此通信的车辆总线标准。它是最初是为汽车内的复用电气布线设计的基于消息的协议，但也用于许多其它环境。
现在参考图2，在一个实施方式中，传感器系统115包括但不限于一个或多个摄像机211、全球定位系统(GPS)单元212、惯性测量单元(IMU)213、雷达单元214以及光探测和测距(LIDAR)单元215。GPS单元212可包括收发器，所述收发器可操作以提供关于自动驾驶车辆的位置的信息。IMU单元213可基于惯性加速度来感测自动驾驶车辆的位置和定向变化。雷达单元214可表示利用无线电信号来感测自动驾驶车辆的本地环境内的对象的系统。在一些实施方式中，除感测对象之外，雷达单元214可另外感测对象的速度和/或前进方向。LIDAR单元215可使用激光来感测自动驾驶车辆所处环境中的对象。除其它系统部件之外，LIDAR单元215还可包括一个或多个激光源、激光扫描器以及一个或多个检测器。摄像机211可包括用来采集自动驾驶车辆周围环境的图像的一个或多个装置。摄像机211可以是静物摄像机和/或视频摄像机。摄像机211可包括红外线摄像机。摄像机可以是可机械地移动的，例如，通过将摄像机安装在旋转和/或倾斜平台上。
传感器系统115还可包括其它传感器，诸如：声纳传感器、红外传感器、转向传感器、油门传感器、制动传感器以及音频传感器(例如，麦克风)。音频传感器可被配置成从自动驾驶车辆周围的环境中采集声音。转向传感器可被配置成感测方向盘、车辆的车轮或其组合的转向角度。油门传感器和制动传感器分别感测车辆的油门位置和制动位置。在一些情形下，油门传感器和制动传感器可集成为集成式油门/制动传感器。
在实施方式中，车辆控制系统111包括但不限于转向单元201、油门单元202(也被称为加速单元)、制动单元203和驱动单元204。转向单元201用来调整车辆的方向或前进方向。油门单元202用来控制电动机或发动机的速度，电动机或发动机的速度进而控制车辆的速度和加速度。制动单元203通过提供摩擦使车辆的车轮或轮胎减速而使车辆减速。可替代地或另外地，制动单元203可包括电(再生)制动，通过发动机压缩制动，空气制动或使ADV减速的其它可控系统。驱动单元204控制自动驾驶车辆的驱动机构。驱动单元204可控制自动驾驶车辆是在前向方向上还是反向方向上行驶。驱动单元204的前向方向和反向方向具有它们的常规意义：在前向方向上，自动驾驶车辆的驱动轮使ADV在被理解为ADV的前面的方向上移动。在反向方向上，ADV的驱动轮在被理解为ADV的后面的方向上驱动ADV。在实施方式中，驱动单元204还可从车辆的变速器中的一个或多个驱动齿轮中进行选择。可替代地，ADV可具有自动变速器或不需要选择具体前进挡的无级变速器。在实施方式中，驱动单元204还可设置变速器的“停车”位置，该位置不在前向方向或反向方向上驱动ADV。在实施方式中，驱动单元204还可设置和释放停车制动。应注意，如图2所示的部件可以以硬件、软件或其组合实施。
返回参考图1，无线通信系统112允许自动驾驶车辆101与诸如装置、传感器、其它车辆等外部系统之间的通信。例如，无线通信系统112可与一个或多个装置直接无线通信，或者经由通信网络进行无线通信，诸如，通过网络102与服务器103至104通信。无线通信系统112可使用任何蜂窝通信网络或无线局域网(WLAN)，例如，使用WiFi，以与另一部件或系统通信。无线通信系统112可例如使用红外链路、蓝牙等与装置(例如，乘客的移动装置、显示装置、车辆101内的扬声器)直接通信。用户接口系统113可以是在车辆101内实施的外围装置的部分，包括例如键盘、触摸屏显示装置、麦克风和扬声器等。
自动驾驶车辆101的功能中的一些或全部可由感知与规划系统110控制或管理，尤其当在自动驾驶模式下操作时。感知与规划系统110包括必要的硬件(例如，处理器、存储器、存储装置)和软件(例如，操作系统、规划和路线安排程序)，以从传感器系统115、控制系统111、无线通信系统112和/或用户接口系统113接收信息，处理所接收的信息，规划从起始点到目的地点的路线或路径，随后基于规划和控制信息来驾驶车辆101。可替代地，感知与规划系统110可与车辆控制系统111集成在一起。
例如，作为乘客的用户可例如经由用户接口来指定行程的起始位置和目的地。感知与规划系统110获得行程相关数据。例如，感知与规划系统110可从MPOI服务器中获得位置和路线信息，所述MPOI服务器可以是服务器103至104的一部分。位置服务器提供位置服务，并且MPOI服务器提供地图服务和某些位置的POI。可替代地，此类位置和MPOI信息可本地高速缓存在感知与规划系统110的永久性存储装置中。
当自动驾驶车辆101沿着路线移动时，感知与规划系统110也可从交通信息系统或服务器(TIS)获得实时交通信息。应注意，服务器103至104可由第三方实体进行操作。可替代地，服务器103至104的功能可与感知与规划系统110集成在一起。基于实时交通信息、MPOI信息和位置信息以及由传感器系统115检测或感测的实时本地环境数据(例如，障碍物、对象、附近车辆)，感知与规划系统110可规划最佳路线并且根据所规划的路线例如经由控制系统111来驾驶车辆101，以安全且高效到达指定目的地。最佳路线可包括多个段，每个段均可由感知与规划系统110通过从用于该段的多个候选路径曲线中确定用于该段的最佳路径曲线来进行优化，每个段均由感知与规划系统110生成。
服务器103可以是数据分析系统，从而为各种客户执行数据分析服务。在一个实施方式中，数据分析系统103包括数据收集器121和机器学习引擎122。数据收集器121从各种车辆(自动驾驶车辆或由人类驾驶员驾驶的常规车辆)收集驾驶统计数据123。驾驶统计数据123包括指示所发出的驾驶指令(例如，油门、制动、转向指令)以及由车辆的传感器在不同的时间点捕捉到的车辆的响应(例如，速度、加速、减速、方向)的信息。驾驶统计数据123还可包括描述不同时间点下的驾驶环境的信息，例如，路线(包括起始位置和目的地位置)、MPOI、道路状况、气候状况等。统计数据123可包括由规划模块110规划的停车路径以及关于选择停车路径成功或失败的统计数据。驾驶统计数据123可与机器学习引擎122一起使用，以在成功的停车路径上进行训练。
图3是示出根据一个实施方式的自动驾驶车辆的感知与规划系统300的示例的框图，该感知与规划系统300实施用于规划在停放自动驾驶车辆(ADV)时的停车轨迹和避开障碍物的优化方法。系统300可被实施为图1的自动驾驶车辆101的一部分，包括但不限于感知与规划系统110、控制系统111和传感器系统115。参考图3，感知与规划系统110包括但不限于定位模块301、感知模块302、预测模块303、决策模块304、规划模块305、控制模块306、路线安排模块307、停车规划器308和感知/规划逆变器309。定位模块301可包括地图与路线数据311和路线安排模块307。
模块301至309中的一些或全部可以以软件、硬件或其组合实施。例如，这些模块可安装在永久性存储装置352中、加载到存储器351中，并且由一个或多个处理器(未示出)执行。应注意，这些模块中的一些或全部可通信地联接到图2的车辆控制系统111的一些或全部模块或者与它们集成在一起。模块301至309中的一些可一起集成为集成模块。
定位模块301确定自动驾驶车辆300的当前位置(例如，利用GPS单元212)以及管理与用户的行程或路线相关的任何数据。定位模块301可称作为地图与路线模块。用户可例如经由用户接口登录并且指定行程的起始位置和目的地。定位模块301与自动驾驶车辆300的诸如地图与路线信息311的其它部件通信，以获得行程相关数据。例如，定位模块301可从位置服务器和地图与POI(MPOI)服务器获得位置和路线信息。位置服务器提供位置服务，并且MPOI服务器提供地图服务和某些位置的POI，从而可作为地图与路线信息311的一部分高速缓存。当自动驾驶车辆300沿着路线移动时，定位模块301也可从交通信息系统或服务器获得实时交通信息。
基于由传感器系统115提供的传感器数据和由定位模块301获得的定位信息，感知模块302确定对周围环境的感知。感知信息可表示普通驾驶员在驾驶员正驾驶的车辆周围将感知到的东西。感知可包括例如采用对象形式的车道配置(例如，直线车道或弯曲车道)、交通灯信号、另一车辆的相对位置、行人、建筑物、人行横道或其它交通相关标志(例如，停止标志、让行标志)等。
感知模块302可包括计算机视觉系统或计算机视觉系统的功能，以处理并分析由一个或多个摄像机采集的图像，从而识别自动驾驶车辆环境中的对象和/或特征。所述对象可包括交通信号、道路边界、其它车辆、行人和/或障碍物等。计算机视觉系统可使用对象识别算法、视频跟踪以及其它计算机视觉技术。在一些实施方式中，计算机视觉系统可绘制环境地图，跟踪对象，以及估算对象的速度等。感知模块302也可基于由诸如雷达和/或LIDAR的其它传感器提供的其它传感器数据来检测对象。
针对每个对象，预测模块303预测对象在这种情况下将如何表现。预测是基于感知数据执行的，该感知数据在考虑一组地图/路线信息311和交通规则312的时间点感知驾驶环境。例如，如果对象为相反方向上的车辆且当前驾驶环境包括十字路口，则预测模块303将预测车辆是否可能会笔直向前移动或转弯。如果感知数据表明十字路口没有交通灯，则预测模块303可能会预测车辆在进入十字路口之前可能需要完全停车。如果感知数据表明车辆目前处于左转唯一车道或右转唯一车道，则预测模块303可能预测车辆将更可能分别左转或右转。
针对每个对象，决策模块304作出关于如何处置对象的决定。例如，针对特定对象(例如，交叉路线中的另一车辆)以及描述对象的元数据(例如，速度、方向、转弯角度)，决策模块304决定如何与所述对象相遇(例如，超车、让行、停止、超过)。决策模块304可根据诸如交通规则或驾驶规则312的规则集来作出此类决定，所述规则集可存储在永久性存储装置352中。
基于针对所感知到的对象中的每个的决定，以及从用于路线的驾驶段的多个候选路径曲线中确定的最小路径曲线，规划模块305使用由路线安排模块307提供的参考线作为基础，为自动驾驶车辆规划路径或路线以及驾驶参数(例如，距离、速度和/或转弯角度)。换言之，针对给定的对象，决策模块304决定对该对象做什么，而规划模块305确定如何去做。例如，针对给定的对象，决策模块304可决定超过所述对象，而规划模块305可确定在所述对象的左侧还是右侧超过。规划和控制数据由规划模块305生成，包括描述车辆300在下一移动循环(例如，下一路线/路径段)中将如何移动的信息。例如，规划和控制数据可指示车辆300以30英里每小时(mph)的速度移动10米，随后以25mph的速度变到右侧车道。
基于规划和控制数据，控制模块306根据由规划和控制数据限定的路线或路径通过将适当的命令或信号发送到车辆控制系统111来控制并驾驶自动驾驶车辆。所述规划和控制数据包括足够的信息，以沿着路径或路线在不同的时间点使用适当的车辆设置或驾驶参数(例如，油门、制动和转弯命令)将车辆从路线或路径的第一点驾驶到第二点。
在一个实施方式中，规划阶段在多个规划周期(也称作为指令周期)中执行，例如，在每个时间间隔为100毫秒(ms)的周期中执行。对于规划周期或指令周期中的每一个，将基于规划和控制数据发出一个或多个控制指令。即，对于每100ms，规划模块305规划下一个路线段或路径段，例如，包括目标位置和ADV到达目标位置所需要的时间。可替代地，规划模块305还可规定具体的速度、方向和/或转向角等。在一个实施方式中，规划模块305为下一个预定时段(诸如，5秒)规划路线段或路径段。对于每个规划周期，规划模块305基于在前一周期中规划的目标位置规划用于当前周期(例如，下一个5秒)的目标位置。控制模块306然后基于当前周期的规划和控制数据生成一个或多个控制指令(例如，油门、制动、转向控制和驱动单元命令)。可忽略控制模块306，使得人类驾驶员可控制ADV，同时ADV的其它逻辑保持操作性。
应注意，决策模块304和规划模块305可集成为集成模块。决策模块304/规划模块305可包括导航系统或导航系统的功能，以确定自动驾驶车辆的驾驶路径。例如，导航系统可确定用于实现自动驾驶车辆沿着以下路径移动的一系列速度和前进方向：所述路径在使自动驾驶车辆沿着通往最终目的地的基于车行道的路径前进的同时，基本上避免感知到的障碍物。目的地可根据经由用户接口系统113进行的用户输入来设定。导航系统可在自动驾驶车辆正在运行的同时动态地更新驾驶路径。导航系统可将来自GPS系统和一个或多个地图的数据合并，以确定用于自动驾驶车辆的驾驶路径。
决策模块304/规划模块305还可包括防撞系统或防撞系统的功能，以识别、评估并且避免或以其它方式越过自动驾驶车辆的环境中的潜在障碍物。例如，防撞系统可通过以下方式实现自动驾驶车辆的导航中的变化：操作控制系统111中的一个或多个子系统来采取变向操纵、转弯操纵、制动操纵等。防撞系统可基于周围的交通模式、道路状况等自动确定可行的障碍物回避操纵。防撞系统可被配置成使得当其它传感器系统检测到位于自动驾驶车辆将变向进入的相邻区域中的车辆、建筑障碍物等时不采取变向操纵。防撞系统可自动选择既可使用又使得自动驾驶车辆乘员的安全性最大化的操纵。防撞系统可选择预测使得自动驾驶车辆的乘客舱中出现最小量的加速度的避让操纵。
路线安排模块307配置成提供从起始点到目的地点的一个或多个路线或路径。对于从起始位置到目的地位置的给定行程，例如从用户接收的给定行程，路线安排模块307获得路线与地图信息311，并确定从起始位置至到达目的地位置的所有可能路线或路径。路线安排模块307可生成地形图形式的参考线，它确定了从起始位置至到达目的地位置的每个路线。参考线是指不受其它诸如其它车辆、障碍物或交通状况的任何干扰的理想路线或路径。即，如果道路上没有其它车辆、行人或障碍物，则ADV应精确地或紧密地跟随参考线。然后，将地形图提供至决策模块304和/或规划模块305。决策模块304和/或规划模块305检查所有可能的路线，以根据由其它模块提供的其它数据选择和更改最佳路线中的一个，其中，其它数据诸如为来自定位模块301的交通状况、由感知模块302感知到的驾驶环境以及由预测模块303预测的交通状况。根据时间点下的特定驾驶环境，用于控制ADV的实际路径或路线可能接近于或不同于由路线安排模块307提供的参考线。决策模块304和/或规划模块305检查所有可能的路线，以根据由其它模块提供的其它数据选择和更改最佳路线中的一个，其中，其它数据诸如为来自定位模块301的交通状况、由感知模块302感知到的驾驶环境以及由预测模块303预测的交通状况。根据时间点下的特定驾驶环境，用于控制ADV的实际路径或路线可能接近于或不同于由路线安排模块307提供的参考线。检查所有可能的路线可包括：针对从可能的路线中选择的路线，确定所选路线的一段，以及确定用于导航所选路线的该段的多个候选路径曲线。导航驾驶段(或“路径”)可包括确定从ADV的当前位置到由ADV逻辑选择的停车位的停车路径。停车逻辑可在停车规划器308中实施。
停车规划器308可并入到规划模块305中，或者可实施为ADV的单独逻辑单元。停车规划器308可访问感知与规划系统110的其它的模块，诸如地图与路线信息311、定位模块301、感知模块302、预测模块303和感知与规划系统110的其它模块。停车规划器308可扫描诸如停车场的停车区域，以确定在停车区域中是否有停车位。停车规划器308在执行扫描停车场时可使用地图与路线信息311。停车规划器308可从一个或多个可用空间中选择停车位并且生成至停车位的一个或多个停车路径。
在导航停车路径之前，可先导航将ADV定位在停车位或停车区域附近的接近路径，使得可调用停车专用逻辑以将ADV停放在停车位中。接近路径可使用现有的ADV逻辑进行导航。停车路径可至少具有第一部分和第二部分，其中，ADV在这些部分中从前向行驶方向改变方向到反向行驶方向，或从反向改变到前向。在前向行驶方向上，ADV的感知与规划逻辑可感知障碍物，预测障碍物的速度、方向和位置，以及规划用于ADV 101的平滑参考线以导航停车路径的一部分。在反向行驶方向上，ADV 101可反转规划、感知和预测模块的方向，使得可再次定位障碍物，并且可预测速度、方向和位置。可使用感知/规划逆变器309反转感知模块302、和预测模块303以及规划模块305。
在实施方式中，停车规划器308可考虑ADV 101的一个或多个物理因素(“运动学”)。例如，当ADV 101在反向行驶方向上行驶时，执行转向功能的轮可位于ADV的相对端部处，因此引起ADV如何操纵和沿参考路径导航的微小变化。转向几何学、制动、加速度、悬架、重量分布、传动比和其它物理因素可能对反向行驶与前向行驶期间车辆的操纵具有影响。停车规划器308可考虑在前向方向上行驶与在反向方向上行驶之间的这些运动学差异，作为对要解决的从ADV的当前位置导航到所选停车位的停车问题的约束。
停车规划器308可确定从ADV的当前位置到所选停车位的多个停车路径。可使用Z字形(zig-zag)方法来考虑转向角、ADV长度和宽度以及ADV到所选停车位的距离和方向的限制，确定停车路径。最初可在不考虑可能在ADV附近的任何障碍物的情况下生成停车路径。每个停车路径均可具有组成停车路径的一个或多个段。每个段均可具有相关联的成本，使得成本可通过对停车路径中的段的成本的求和而与该停车路径相关联。段的成本因素可包括穿过该段的时间和距离、导航该所需的转向角、或穿过该段所需的加速度、制动或速度量。停车规划器308可选择在不考虑ADV周围的障碍物的情况下生成的多个已生成停车路径的、具有最小成本的一个或多个候选路径。接下来，当考虑ADV周围的障碍物时，可基于与沿着ADV路径的段的障碍物相冲突或者过于接近障碍物的路径的段来排除候选路径中的一个或多个。从剩余的候选路径中，停车规划器308可选择用于将ADV导航到停车的所选停车位的停车路径。ADV规划模块可生成与所选路径相对应的参考路径，以将ADV从ADV的当前位置导航到所选停车位。如果在排除一个或多个候选路径之后，没有剩余供选择用于停放ADV的候选路径，则可自动放宽一个或多个停车约束，以及可生成新的多个停车路径，确定它们各自的成本，选择一个或多个候选路径，基于沿着候选路径存在的障碍排除一个或多个候选路径，以及从剩余路径中选择停车。这些计算过程足够轻，以至于该过程可多次迭代以寻找用于将ADV导航到所选停车位的合适路径。
感知/规划逆变器309可根据ADV 101的行驶方向逻辑上反转感知模块302、预测模块303和规划模块305的定向和操作。本公开的有益效果是在停车期间可使用ADV的感知模块、预测模块和规划模块。停车通常要求停车路径的至少一部分在反向行驶方向上行驶。ADV中的前向方向逻辑的感知模块、预测模块和规划模块可在逻辑上反转并用于反向方向行驶。例如，当ADV向前行驶时，位于ADV右前方的障碍物在当ADV以反向行驶模式行驶时将位于ADV的左后方。如果相同的对象越接近前向行驶方向上的ADV，通过ADV朝向障碍物行驶或障碍物接近ADV或者两者，则当ADV在反向行驶方向上行驶时，障碍物将离ADV越来越远，仍然接近ADV，但是更慢，或似乎没有移动，因为ADV正在反向方向上移动。因此，ADV感知、预测和规划逻辑可用于前向和反向行驶方向两者，以检测障碍物并预测它们的位置、方向和速度。为了实现这个，感知、预测和规划需要在逻辑上可逆，以考虑ADV方向的变化。在实施方式中，反转感知、预测和规划模块可包括将模块的定向逻辑地旋转180°。
应注意，如上文示出和描述的部件中的一些或全部可在软件、硬件或其组合中实施。例如，此类部件可实施为安装并存储在永久性存储装置中的软件，所述软件可通过处理器(未示出)加载在存储器中并在存储器中执行以实施贯穿本申请所述的过程或操作。可替代地，此类部件可实施为编程或嵌入到专用硬件(诸如，集成电路(例如，专用集成电路或ASIC)、数字信号处理器(DSP)或现场可编程门阵列(FPGA))中的可执行代码，所述可执行代码可经由来自应用的相应驱动程序和/或操作系统来访问。此外，此类部件可实施为处理器或处理器内核中的特定硬件逻辑，作为可由软件部件通过一个或多个特定指令访问的指令集的一部分。
图4A示出根据一个实施方式的ADV的示例，该ADV执行用于规划停放自动驾驶车辆(ADV)时的停车轨迹的优化方法的一部分。
在图4A中，ADV 101已接近并进入包括停车位S1至S6(S1..S6)的停车场405。停车场405还具有行人出口410。停车位S1、S4、S5和S6中示出了停放的汽车105。停车位S2和S3可用。当ADV 101接近停车场405时，ADV 101可使用高清晰度地图和ADV传感器来确定停车位S1和S4至S6被占用，停车位S2和S3可用，以及可用停车位的位置。ADV 101还可确定ADV 101在停车场405内的位置。ADV 101可使用高清晰度地图和ADV 101传感器来形成停车问题，该停车问题包括停车场405、停车位S3和ADV 101位置，作为用于确定到停车位S3的潜在停车路径的约束。ADV 101在定义停车问题时还可使用ADV 101的运动学约束。ADV 101的运动学约束可包括例如ADV 101的尺寸、ADV 101的最大速度和/或加速度、ADV 101的重量、ADV 101的最大转向角以及ADV 101的制动能力。还可使用其它运动学约束。最初的停车问题不考虑ADV101周围的障碍物。
考虑停车场约束、停车位约束和ADV 101的运动学约束，但是不考虑对ADV的障碍物，ADV 101可生成多个停车路径，这些停车路径是将ADV 101从其当前位置导航到所选停车位S3的停车问题的潜在解决方案。在图4A中，ADV 101的停车规划器308生成了标记为1、2和3的三个示例性停车路径。ADV 101可生成任何数量的停车路径。为简单起见，图4A仅示出了三个示例。停车路径1以点线示出，停车路径2以短划线示出，以及停车路径3以点划线示出。如停车场405下方的表所示，每个停车路径均可具有多个段。每个停车路径段均可具有成本要素ci,j，其中i是停车路径编号，j是停车路径i的段编号。每个停车路径段的成本要素ci,j均可具有成本值。停车路径中的段的成本值的总和为该停车路径的成本。成本可通过常量因素确定，常量因素包括穿过该段的速度和时间、距停车位的距离、导航该段所需的转向角，或包括ADV 101的运动学因素的其它因素。ADV 101可选择多个路径1至3中的、具有最小成本的一个或多个候选路径。在示例中，与路径1相比，ADV 101可选择路径2和3作为具有最小成本的候选路径。
图4B示出根据一个实施方式的ADV的示例，该ADV执行用于规划停放自动驾驶车辆(ADV)时的停车轨迹的优化方法的一部分。在图4B中，ADV 101现在可考虑ADV 101周围的障碍物，例如障碍物O1、O2和O3。每个障碍物均可具有表示该障碍物相对于停车场405的位置的约束。
停车场405以网格示出，该网格在停车场405的左下角处具有原点(0，0)。障碍物的约束可表示为相对于停车场405的网格的边界线。每个障碍物O1..O3和停车位S1..S6的边界线示出在图4B中的停车场405下方的表中。
图4A中所示的停车路径1被排除在考虑之外，因为它不是成本最小的停车路径之一。因此，多个停车路径中的候选路径现在限于图4B中所示的停车路径2和3，并且将根据障碍物O1..O3来考虑候选路径2和3。每个障碍物O1..O3均还可具有与障碍物相关联的轨迹，该轨迹由具有箭头的短划线示出，指示由ADV 101的预测模块所确定的障碍物的方向和速度。如图4B中可见，每个障碍物O1..O3均具有朝向诸如行人将使用的出口410的方向和速度。在实施方式中，ADV 101的停车规划器308可与感知模块和预测模块交互，以放大障碍物的约束，从而在ADV 101将停车路径导航到所选停车位时考虑障碍物的预测方向和速度。ADV101可确定候选路径2和3具有类似的成本。参见图4A中的成本表。然而，考虑到障碍物O2的约束和ADV 101的运动学约束，路径3似乎与障碍物O2相冲突。具体地，在这种情况下，ADV101宽度的运动学约束在候选停车路径3的第二段处似乎与障碍物O2产生冲突。因此，可从候选停车路径中排除候选停车路径3。障碍物O3具有预测的速度和方向，其与候选停车路径2交叉但不直接相冲突。基于障碍物O3的预测速度和方向，以及O3和ADV 101的约束，ADV 101逻辑可预测在ADV 101到达障碍物O3的当前位置时，O3不会在候选路径2上与ADV 101发生冲突。在实施方式中，对于每个候选路径，包括对ADV 101的运动学约束，对停车场405的约束，对停车位S3的约束和障碍物O1..O3的停车问题可传递到二次优化系统来进行处理，以确定路径2是供ADV 101选择的路径2和3之间的最佳选择。
图4C示出根据一个实施方式的ADV的示例，该ADV执行用于规划停放自动驾驶车辆(ADV)时的停车轨迹的优化方法的一部分。在图4C中，已选择了候选停车路径2将ADV 101从其当前位置导航到停车位S3。候选停车路径2可由ADV 101的规划模块处理，以生成将ADV101从ADV 101的当前位置导航到停车位S3的参考线。参考线2由规划模块进行平滑。
图5是示出根据实施方式规划停放自动驾驶车辆(ADV)时的停车轨迹的优化方法500的框图。
在操作505中，停车规划器308可确定对停车场(例如，停车场405)和所选停车位(例如，停车位S3)的多个约束，以定义用于将ADV 101停放到所选停车位中的停车问题。
在操作510中，至少部分地基于对所选停车位和停车场的多个停车位约束，停车规划器308可确定从ADV 101的当前位置到所选停车位的多个停车路径。在实施方式中，还可使用ADV 101的运动学约束来确定多个停车路径，诸如ADV 101的最大转向角、最大加速度和速度能力、ADV 101的重量、宽度和长度。在不考虑ADV 101周围的一个或多个障碍物的情况下，生成多个停车路径。
在操作515中，停车规划器308还可确定多个停车路径中的每个的成本，每个停车路径均具有一个或多个段。停车路径的每个段均可具有相关联的成本。停车路径的成本可确定为该停车路径的每个段的成本总和。段的成本因素可包括所穿过的段的距离、时间和速度，导航该段所需的转向角，是否需要改变方向以穿过该段等，例如，从前向改变到反向和/或从反向改变到前向。
在操作520中，停车规划器308可选择多个停车路径中的、具有最小成本的一个或多个候选停车路径。在实施方式中，停车规划器308可选择固定最低成本数的候选停车路径，或多个停车路径中的具有最小成本的、阈值数百分比(诸如10％)的停车路径。在不考虑ADV 101周围的一个或多个障碍物的情况下，作出候选停车路径的选择。
在操作525中，停车规划器308可考虑ADV 101周围的、由ADV感知模块检测到的并且具有由预测模块预测的方向和速度的一个或多个障碍物。停车规划器308可基于障碍物或障碍物的预测位置排除与候选停车路径的段相冲突的候选停车路径中的一个或多个。在实施方式中，可将停车场约束、停车位约束和障碍物约束表示为一组仿射，并且与ADV 101的运动学约束一起传递到二次优化系统，以确定候选路径是否应保留或排除。
在操作530中，停车规划器308可从剩余的候选停车路径中选择最佳候选停车路径。
在操作535中，ADV规划模块可生成用于ADV从ADV的当前位置导航到所选停车位的参考线。
在操作540中，ADV可使用生成的参考线以从ADV 101的当前位置导航到所选停车位。
图6是示出根据实施方式规划停放自动驾驶车辆(ADV)时的停车轨迹的优化方法600的框图。
在操作605中，ADV 101定位停车场(例如，停车场405)，以及从停车场中选择停车位，例如图4A至图4C的停车位S3。ADV 101可使用感知模块的高清晰度地图和车载传感器来确定停车场的存在和位置，以及停车场内开放停车位的可用性。
在操作610中，基于停车场的约束、停车位的约束、ADV 101在停车场内的当前位置和定向以及ADV 101的运动学约束，ADV 101的停车规划器308形成将ADV 101停放在所选停车位中的停车问题。运动学约束可包括ADV的长度、宽度和重量、ADV 101的前向行驶方向和反向行驶方向的最大转向角、ADV的最大加速度和速度能力、ADV的制动距离能力。
在操作615中，考虑停车场、停车位以及ADV 101的运动学约束，但是不考虑ADV周围可能的任何障碍物，ADV 101的停车规划器308可生成从当前ADV位置到停车位的多个停车路径。停车路径中的每个均可包括一个或多个段。停车路径的每个段均具有相关联的成本。停车路径的成本可以是该停车路径中的段的成本的总和。停车路径的段的成本因素可包括停车路径的长度、穿过该段的时间和/或速度、穿过该段所需的转向角、以及基于穿过该停车路径的段的速度可能需要的制动。
在操作620中，ADV 101的停车规划器308选择多个停车路径中的、具有最小成本的一个或多个候选停车路径。
在操作625中，ADV 101的停车规划器308现在可考虑ADV 101周围的一个或多个障碍物。每个障碍物均具有指示障碍物的大小和位置的一组约束。预测模块可预测每个障碍物的方向和速度。在实施方式中，对于每个候选停车路径，用于停车场、停车位和障碍物的约束可传递到二次优化模块，以确定候选停车路径是否应仍然为候选项或被排除。在操作625中，基于二次优化分析和/或确定当前或预测位置的障碍物与候选停车路径的段相冲突，ADV 101的停车规划器308可排除候选停车路径中的一个或多个。
在操作630中，ADV 101的停车规划器308可确定是否可从剩余的候选停车路径中选出合适的停车路径。如果可以，则方法600在操作635处继续，否则方法600在操作640处继续。
在操作635中，ADV从剩余的候选停车路径中选择最佳停车路径。ADV 101的感知和规划模块可生成用于ADV 101从ADV 101的当前位置导航到所选停车位的参考线。然后ADV101按参考线从ADV 101的当前位置导航到所选停车位，方法600结束。
在操作640中，ADV 101的停车规划器308可自动地放宽用于解决ADV 101的停车问题的约束中的一个或多个。约束可包括停车场约束、停车位约束、ADV的运动学约束(包括ADV 101与障碍物之间的确定距离)或障碍物的约束。然后，方法600在操作615处重新开始，在操作615处，ADV 101的停车规划器308形成用于停车问题的约束并生成多个停车路径，该多个停车路径考虑了除了在操作615中的停车问题中未考虑的障碍物的约束之外的约束。
图7是示出可与本公开的一个实施方式一起使用的数据处理系统的示例的框图。例如，系统1500可表示以上所述的执行上述过程或方法中的任一个的任何数据处理系统，例如，图1的感知与规划系统110或者服务器103至104中的任一个。系统1500可包括许多不同的部件。这些部件可实施为集成电路(IC)、集成电路的部分、分立电子装置或适用于电路板(诸如，计算机系统的主板或插入卡)的其它模块或者实施为以其它方式并入计算机系统的机架内的部件。
还应注意，系统1500旨在示出计算机系统的许多部件的高阶视图。然而，应当理解的是，某些实施例中可具有附加的部件，此外，其它实施例中可具有所示部件的不同布置。系统1500可表示台式计算机、膝上型计算机、平板计算机、服务器、移动电话、媒体播放器、个人数字助理(PDA)、智能手表、个人通信器、游戏装置、网络路由器或集线器、无线接入点(AP)或中继器、机顶盒或其组合。此外，虽然仅示出了单个机器或系统，但是术语“机器”或“系统”还应当被理解为包括单独地或共同地执行一个(或多个)指令集以执行本文所讨论的任何一种或多种方法的机器或系统的任何集合。
在一个实施方式中，系统1500包括通过总线或互连件1510连接的处理器1501、存储器1503以及装置1505至1508。处理器1501可表示其中包括单个处理器内核或多个处理器内核的单个处理器或多个处理器。处理器1501可表示一个或多个通用处理器，诸如，微处理器、中央处理单元(CPU)等。更具体地，处理器1501可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、或实施其它指令集的处理器、或实施指令集组合的处理器。处理器1501还可以是一个或多个专用处理器，诸如，专用集成电路(ASIC)、蜂窝或基带处理器、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、网络处理器、图形处理器、通信处理器、加密处理器、协处理器、嵌入式处理器、或者能够处理指令的任何其它类型的逻辑。
处理器1501(其可以是低功率多核处理器套接口，诸如超低电压处理器)可充当用于与所述系统的各种部件通信的主处理单元和中央集线器。这种处理器可实施为片上系统(SoC)。处理器1501被配置成执行用于执行本文所讨论的操作和步骤的指令。系统1500还可包括与可选的图形子系统1504通信的图形接口，图形子系统1504可包括显示控制器、图形处理器和/或显示装置。
处理器1501可与存储器1503通信，存储器1503在一个实施方式中可经由多个存储器装置实施以提供给定量的系统存储。存储器1503可包括一个或多个易失性存储(或存储器)装置，诸如，随机存取存储器(RAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、静态RAM(SRAM)或者其它类型的存储装置。存储器1503可存储包括由处理器1501或任何其它装置执行的指令序列的信息。例如，各种操作系统、装置驱动程序、固件(例如，输入输出基本系统或BIOS)和/或应用的可执行代码和/或数据可加载到存储器1503中并由处理器1501执行。操作系统可以是任何类型的操作系统，例如，机器人操作系统(ROS)、来自
Figure BDA0001868865750000231
公司的
Figure BDA0001868865750000232
操作系统、来自苹果公司的Mac
Figure BDA0001868865750000233
来自
Figure BDA0001868865750000234
公司的
Figure BDA0001868865750000235
LINUX、UNIX，或者其它实时或嵌入式操作系统。
系统1500还可包括IO装置，诸如装置1505至1508，包括网络接口装置1505、可选的输入装置1506，以及其它可选的IO装置1507。网络接口装置1505可包括无线收发器和/或网络接口卡(NIC)。所述无线收发器可以是WiFi收发器、红外收发器、蓝牙收发器、WiMax收发器、无线蜂窝电话收发器、卫星收发器(例如，全球定位系统(GPS)收发器)或其它射频(RF)收发器或者它们的组合。NIC可以是以太网卡。
输入装置1506可包括鼠标、触摸板、触敏屏幕(其可与显示装置1504集成在一起)、指针装置(诸如，手写笔)和/或键盘(例如，物理键盘或作为触敏屏幕的一部分显示的虚拟键盘)。例如，输入装置1506可包括联接到触摸屏的触摸屏控制器。触摸屏和触摸屏控制器例如可使用多种触敏技术(包括但不限于电容、电阻、红外和表面声波技术)中的任一种，以及其它接近传感器阵列或用于确定与触摸屏接触的一个或多个点的其它元件来检测其接触和移动或间断。
IO装置1507可包括音频装置。音频装置可包括扬声器和/或麦克风，以促进支持语音的功能，诸如语音识别、语音复制、数字记录和/或电话功能。其它IO装置1507还可包括通用串行总线(USB)端口、并行端口、串行端口、打印机、网络接口、总线桥(例如，PCI-PCI桥)、传感器(例如，诸如加速度计运动传感器、陀螺仪、磁强计、光传感器、罗盘、接近传感器等)或者它们的组合。装置1507还可包括成像处理子系统(例如，摄像机)，所述成像处理子系统可包括用于促进摄像机功能(诸如，记录照片和视频片段)的光学传感器，诸如电荷耦合装置(CCD)或互补金属氧化物半导体(CMOS)光学传感器。某些传感器可经由传感器集线器(未示出)联接到互连件1510，而诸如键盘或热传感器的其它装置可根据系统1500的具体配置或设计由嵌入式控制器(未示出)控制。
为了提供对诸如数据、应用、一个或多个操作系统等信息的永久性存储，大容量存储装置(未示出)也可联接到处理器1501。在各种实施方式中，为了实现更薄且更轻的系统设计并且改进系统响应性，这种大容量存储装置可经由固态装置(SSD)来实施。然而，在其它实施方式中，大容量存储装置可主要使用硬盘驱动器(HDD)来实施，其中较小量的SSD存储装置充当SSD高速缓存以在断电事件期间实现上下文状态以及其它此类信息的非易失性存储，从而使得在系统活动重新启动时能够实现快速通电。另外，闪存装置可例如经由串行外围接口(SPI)联接到处理器1501。这种闪存装置可提供系统软件的非易失性存储，所述系统软件包括所述系统的BIOS以及其它固件。
存储装置1508可包括计算机可访问的存储介质1509(也被称为机器可读存储介质或计算机可读介质)，其上存储有体现本文所述的任何一种或多种方法或功能的一个或多个指令集或软件(例如，模块、单元和/或逻辑1528)。处理模块/单元/逻辑1528可表示上述部件中的任一个，例如规划模块305、控制模块306和/或停车规划模块308以及感知/规划逆变器309。处理模块/单元/逻辑1528还可在其由数据处理系统1500、存储器1503和处理器1501执行期间完全地或至少部分地驻留在存储器1503内和/或处理器1501内，数据处理系统1500、存储器1503和处理器1501也构成机器可访问的存储介质。处理模块/单元/逻辑1528还可通过网络经由网络接口装置1505进行传输或接收。
计算机可读存储介质1509也可用来永久性地存储以上描述的一些软件功能。虽然计算机可读存储介质1509在示例性实施方式中被示为单个介质，但是术语“计算机可读存储介质”应当被认为包括存储所述一个或多个指令集的单个介质或多个介质(例如，集中式或分布式数据库和/或相关联的高速缓存和服务器)。术语“计算机可读存储介质”还应当被认为包括能够存储或编码指令集的任何介质，所述指令集用于由机器执行并且使得所述机器执行本公开的任何一种或多种方法。因此，术语“计算机可读存储介质”应当被认为包括但不限于固态存储器以及光学介质和磁性介质，或者任何其它非暂时性机器可读介质。
本文所述的处理模块/单元/逻辑1528、部件以及其它特征可实施为分立硬件部件或集成在硬件部件(诸如，ASICS、FPGA、DSP或类似装置)的功能中。此外，处理模块/单元/逻辑1528可实施为硬件装置内的固件或功能电路。此外，处理模块/单元/逻辑1528可以以硬件装置和软件部件的任何组合来实施。
应注意，虽然系统1500被示出为具有数据处理系统的各种部件，但是并不旨在表示使部件互连的任何特定架构或方式；因为此类细节和本公开的实施方式没有密切关系。还应当认识到，具有更少部件或可能具有更多部件的网络计算机、手持计算机、移动电话、服务器和/或其它数据处理系统也可与本公开的实施方式一起使用。
前述详细描述中的一些部分已经根据在计算机存储器内对数据位的运算的算法和符号表示而呈现。这些算法描述和表示是数据处理领域中的技术人员所使用的方式，以将他们的工作实质最有效地传达给本领域中的其它技术人员。本文中，算法通常被认为是导致所期望结果的自洽操作序列。这些操作是指需要对物理量进行物理操控的操作。
然而，应当牢记，所有这些和类似的术语均旨在与适当的物理量关联，并且仅仅是应用于这些量的方便标记。除非在以上讨论中以其它方式明确地指出，否则应当了解，在整个说明书中，利用术语(诸如所附权利要求书中所阐述的术语)进行的讨论是指计算机系统或类似电子计算装置的动作和处理，所述计算机系统或电子计算装置操控计算机系统的寄存器和存储器内的表示为物理(电子)量的数据，并将所述数据变换成计算机系统存储器或寄存器或者其它此类信息存储装置、传输或显示装置内类似地表示为物理量的其它数据。
本公开的实施方式还涉及用于执行本文中的操作的设备。这种计算机程序被存储在非暂时性计算机可读介质中。机器可读介质包括用于以机器(例如，计算机)可读的形式存储信息的任何机构。例如，机器可读(例如，计算机可读)介质包括机器(例如，计算机)可读存储介质(例如，只读存储器(“ROM”)、随机存取存储器(“RAM”)、磁盘存储介质、光存储介质、闪存存储器装置)。
前述附图中所描绘的过程或方法可由处理逻辑来执行，所述处理逻辑包括硬件(例如，电路、专用逻辑等)、软件(例如，体现在非暂时性计算机可读介质上)或两者的组合。尽管所述过程或方法在上文是依据一些顺序操作来描述的，但是应当了解，所述操作中的一些可按不同的顺序执行。此外，一些操作可并行地执行而不是顺序地执行。
本公开的实施方式并未参考任何特定的编程语言进行描述。应认识到，可使用多种编程语言来实施如本文描述的本公开的实施方式的教导。
在以上的说明书中，已经参考本公开的具体示例性实施方式对本公开的实施方式进行了描述。将显而易见的是，在不脱离所附权利要求书中阐述的本公开的更宽泛精神和范围的情况下，可对本发明作出各种修改。因此，应当在说明性意义而不是限制性意义上来理解本说明书和附图。

Claims (21)

1.一种停放自动驾驶车辆的计算机实施的方法，所述方法包括：
确定所选停车位的多个停车位约束；
至少部分地基于所选停车位的所述多个停车位约束，确定从所述自动驾驶车辆的当前位置到所选停车位的多个停车路径；
确定用于所述多个停车路径中的每个停车路径的成本；
从具有最小成本的多个停车路径中选择一个或多个候选停车路径；
至少部分地基于沿着所述候选停车路径中的每个的所述自动驾驶车辆周围的一个或多个障碍物，排除所选择的候选停车路径中的一个或多个；
从剩余的候选停车路径中选择停车路径；
基于所选择的停车路径，生成参考线以导航所述自动驾驶车辆；以及
使用所述参考线将所述自动驾驶车辆从所述自动驾驶车辆的所述当前位置导航到所述停车位。
2.根据权利要求1所述的方法，其中，所述多个停车路径中的每个均包括一个或多个段，所述一个或多个段中的每个均具有成本，并且至少部分地基于所述停车路径中的所述段的成本确定停车路径的成本。
3.根据权利要求1所述的方法，还包括：
确定所述自动驾驶车辆的多个运动学约束，其中，还至少部分地基于所述自动驾驶车辆的所述多个运动学约束确定所述多个停车路径。
4.根据权利要求3所述的方法，其中，所述多个运动学约束包括以下中的一个或多个：所述自动驾驶车辆的长度、所述自动驾驶车辆的宽度、所述自动驾驶车辆的最大转向角、所述自动驾驶车辆的最大加速度或减速度、所述自动驾驶车辆的最大速度或最小速度、以及所述自动驾驶车辆是正以前向模式还是反向模式行驶。
5.根据权利要求1所述的方法，其中，将所述多个停车位约束和障碍物约束表示为一组仿射或一组凸形形状。
6.根据权利要求5所述的方法，其中，将所述多个停车位约束和所述障碍物约束表示为一组仿射，以及
从所述剩余的候选停车路径中选择停车路径还包括对用于所述一个或多个候选停车路径的所述停车位约束和所述障碍物约束执行二次优化。
7.根据权利要求1所述的方法，还包括：
响应于确定在排除所述一个或多个候选路径中的至少一个之后没有剩余的候选路径：
自动地放宽至少一个障碍物的至少一个约束；以及
将至少一个先前排除的候选项包括在所述剩余的候选路径中。
8.一种具有可执行指令的非暂时性计算机可读介质，当所述可执行指令由处理系统执行时，执行用于停放自动驾驶车辆的操作，所述操作包括：
确定所选停车位的多个停车位约束；
至少部分地基于所选停车位的所述多个停车位约束，确定从所述自动驾驶车辆的当前位置到所选停车位的多个停车路径；
确定用于所述多个停车路径中的每个停车路径的成本；
从具有最小成本的多个停车路径中选择一个或多个候选停车路径；
至少部分地基于沿着所述候选停车路径中的每个的所述自动驾驶车辆周围的一个或多个障碍物，排除所选择的候选停车路径中的一个或多个；从剩余的候选停车路径中选择停车路径；
基于所选择的停车路径，生成参考线以导航所述自动驾驶车辆；以及
使用所述参考线将所述自动驾驶车辆从所述自动驾驶车辆的所述当前位置导航到所述停车位。
9.根据权利要求8所述的介质，其中，所述多个停车路径中的每个均包括一个或多个段，所述一个或多个段中的每个均具有成本，并且至少部分地基于所述停车路径中的所述段的成本确定停车路径的成本。
10.根据权利要求8所述的介质，所述操作还包括：
确定所述自动驾驶车辆的多个运动学约束，其中，还至少部分地基于所述自动驾驶车辆的所述多个运动学约束确定所述多个停车路径。
11.根据权利要求10所述的介质，其中，所述多个运动学约束包括以下中的一个或多个：所述自动驾驶车辆的长度、所述自动驾驶车辆的宽度、所述自动驾驶车辆的最大转向角、所述自动驾驶车辆的最大加速度或减速度、所述自动驾驶车辆的最大速度或最小速度、以及所述自动驾驶车辆是正以前向模式还是反向模式行驶。
12.根据权利要求8所述的介质，其中，将所述多个停车位约束和障碍物约束表示为一组仿射或一组凸形形状。
13.根据权利要求12所述的介质，其中，将所述多个停车位约束和所述障碍物约束表示为一组仿射，以及
从所述剩余的候选停车路径中选择停车路径还包括对用于所述一个或多个候选停车路径的所述停车位约束和所述障碍物约束执行二次优化。
14.根据权利要求8所述的介质，还包括：
响应于确定在排除所述一个或多个候选路径中的至少一个之后没有剩余的候选路径：
自动地放宽至少一个障碍物的至少一个约束；以及
将至少一个先前排除的候选项包括在所述剩余的候选路径中。
15.一种包括处理系统的系统，所述处理系统具有至少一个硬件处理器，所述处理系统联接至编程有可执行指令的存储器，当所述可执行指令由所述处理系统执行时，所述处理系统执行用于停放自动驾驶车辆的操作，所述操作包括：
确定所选停车位的多个停车位约束；
至少部分地基于所选停车位的所述多个停车位约束，确定从所述自动驾驶车辆的当前位置到所选停车位的多个停车路径；
确定用于所述多个停车路径中的每个停车路径的成本；从具有最小成本的多个停车路径中选择一个或多个候选停车路径；
至少部分地基于沿着所述候选停车路径中的每个的所述自动驾驶车辆周围的一个或多个障碍物，排除所选择的候选停车路径中的一个或多个；
从剩余的候选停车路径中选择停车路径；
基于所选择的停车路径，生成参考线以导航所述自动驾驶车辆；以及
使用所述参考线将所述自动驾驶车辆从所述自动驾驶车辆的所述当前位置导航到所述停车位。
16.根据权利要求15所述的系统，其中，所述多个停车路径中的每个均包括一个或多个段，所述一个或多个段中的每个均具有成本，并且至少部分地基于所述停车路径中的所述段的成本确定停车路径的成本。
17.根据权利要求15所述的系统，所述操作还包括：
确定所述自动驾驶车辆的多个运动学约束，其中，还至少部分地基于所述自动驾驶车辆的所述多个运动学约束确定所述多个停车路径。
18.根据权利要求17所述的系统，其中，所述多个运动学约束包括以下中的一个或多个：所述自动驾驶车辆的长度、所述自动驾驶车辆的宽度、所述自动驾驶车辆的最大转向角、所述自动驾驶车辆的最大加速度或减速度、所述自动驾驶车辆的最大速度或最小速度、以及所述自动驾驶车辆是正以前向模式还是反向模式行驶。
19.根据权利要求15所述的系统，其中，将所述多个停车位约束和障碍物约束表示为一组仿射或一组凸形形状。
20.根据权利要求19所述的系统，其中，将所述多个停车位约束和所述障碍物约束表示为一组仿射，以及
从所述剩余的候选停车路径中选择停车路径还包括对用于所述一个或多个候选停车路径的所述停车位约束和所述障碍物约束执行二次优化。
21.根据权利要求15所述的系统，所述操作还包括：
响应于确定在排除所述一个或多个候选路径中的至少一个之后没有剩余的候选路径：
自动地放宽至少一个障碍物的至少一个约束；以及
将至少一个先前排除的候选项包括在所述剩余的候选路径中。
CN201811367111.0A 2018-06-27 2018-11-16 使用优化方法规划自动驾驶车辆的停车轨迹生成 Active CN110647142B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/020,649 2018-06-27
US16/020,649 US11117569B2 (en) 2018-06-27 2018-06-27 Planning parking trajectory generation for self-driving vehicles using optimization method

Publications (2)

Publication Number Publication Date
CN110647142A true CN110647142A (zh) 2020-01-03
CN110647142B CN110647142B (zh) 2023-08-08

Family

ID=69007856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811367111.0A Active CN110647142B (zh) 2018-06-27 2018-11-16 使用优化方法规划自动驾驶车辆的停车轨迹生成

Country Status (3)

Country Link
US (1) US11117569B2 (zh)
JP (1) JP6757819B2 (zh)
CN (1) CN110647142B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111192477A (zh) * 2020-01-16 2020-05-22 浙江科技学院 基于ZigBee的停车场自动化引导方法与系统
CN111210653A (zh) * 2020-01-16 2020-05-29 浙江科技学院 基于无线传感器网络的停车场智能引导方法及系统
CN111210654A (zh) * 2020-01-16 2020-05-29 浙江科技学院 基于物联网的停车场车辆自动引导方法及系统
CN111223330A (zh) * 2020-01-16 2020-06-02 浙江科技学院 基于无线传感网络与云平台的停车场智能监控方法与系统
CN111243327A (zh) * 2020-01-16 2020-06-05 淄博职业学院 基于计算机监控的车辆引导方法与系统
CN111796594A (zh) * 2020-06-17 2020-10-20 珠海云洲智能科技有限公司 无人船停泊控制方法、无人船停泊控制装置及无人船
CN112092827A (zh) * 2020-09-23 2020-12-18 北京百度网讯科技有限公司 自动驾驶功能控制方法、装置、电子设备及存储介质
CN113077652A (zh) * 2021-03-19 2021-07-06 上海欧菲智能车联科技有限公司 车位自动搜索方法、装置、电子装置及存储介质
CN113448329A (zh) * 2020-03-25 2021-09-28 百度（美国）有限责任公司 减少用于规划自主驾驶车辆的路径的障碍物的方法及系统
WO2021195951A1 (en) * 2020-03-31 2021-10-07 Baidu.Com Times Technology (Beijing) Co., Ltd. A parking-trajectory generation method combined with offline and online solutions
CN113591198A (zh) * 2020-03-11 2021-11-02 黑芝麻智能科技(重庆)有限公司 路径规划方法及计算机可读介质

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11092446B2 (en) 2016-06-14 2021-08-17 Motional Ad Llc Route planning for an autonomous vehicle
US10309792B2 (en) * 2016-06-14 2019-06-04 nuTonomy Inc. Route planning for an autonomous vehicle
JP7095968B2 (ja) * 2017-10-02 2022-07-05 トヨタ自動車株式会社 管理装置
US11066067B2 (en) * 2018-06-29 2021-07-20 Baidu Usa Llc Planning parking trajectory for self-driving vehicles
US10793123B2 (en) * 2018-10-04 2020-10-06 Waymo Llc Emergency braking for autonomous vehicles
JP7042209B2 (ja) * 2018-12-25 2022-03-25 株式会社日立製作所 軌道生成装置、軌道生成方法、及びロボットシステム
KR20200092444A (ko) * 2018-12-31 2020-08-04 현대자동차주식회사 자율 발렛 주차를 지원하는 시스템 및 방법, 그리고 이를 위한 인프라 및 차량
US11578989B2 (en) 2019-05-22 2023-02-14 Here Global B.V. Encoding parking search cruise routes using bloom filters
US11566911B2 (en) 2019-05-22 2023-01-31 Here Global B.V. Encoding routes to POIs in proximity searches using bloom filters
KR20200144195A (ko) * 2019-06-17 2020-12-29 현대자동차주식회사 차량의 원격 출차모드 제어장치 및 그 방법
JP7259698B2 (ja) 2019-10-17 2023-04-18 トヨタ自動車株式会社 自動駐車システム
JP7207262B2 (ja) * 2019-10-29 2023-01-18 トヨタ自動車株式会社 自動駐車システム
JP7372167B2 (ja) * 2020-02-07 2023-10-31 フォルシアクラリオン・エレクトロニクス株式会社 駐車支援装置及び駐車支援方法
CN113246963B (zh) 2020-02-07 2023-11-03 沃尔沃汽车公司 自动泊车辅助系统及其车载设备和方法
US11529969B2 (en) * 2020-04-10 2022-12-20 Baidu Usa Llc Pull over method based on quadratic programming for path planning
CN111859778B (zh) * 2020-06-04 2021-12-28 阿波罗智能技术(北京)有限公司 泊车模型的生成方法和装置、电子设备和存储介质
EP3932779B1 (en) * 2020-07-03 2022-08-31 Volvo Truck Corporation A method for guiding a vehicle
DE102020117773A1 (de) 2020-07-06 2022-01-13 Valeo Schalter Und Sensoren Gmbh Verfahren zum ermitteln einer ersatztrajektorie, computerprogrammprodukt, parkassistenzsystem und fahrzeug
CN111824131B (zh) * 2020-07-10 2021-10-12 广州小鹏自动驾驶科技有限公司 一种自动泊车的方法和车辆
US11718319B2 (en) * 2020-08-14 2023-08-08 Tusimple, Inc. Landing pad for autonomous vehicles
CN112572416A (zh) * 2020-11-20 2021-03-30 芜湖格陆博智能科技有限公司 一种矿区无人驾驶车辆的泊车方法及系统
US20220314983A1 (en) * 2021-04-05 2022-10-06 Argo AI, LLC Counter-steering penalization during vehicle turns
US20220379882A1 (en) * 2021-05-28 2022-12-01 Jaguar Land Rover Limited Apparatus and method for controlling vehicle movement
US11631327B2 (en) * 2021-06-30 2023-04-18 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for learning driver parking preferences and generating parking recommendations
CN113734155B (zh) * 2021-08-18 2024-02-20 潍柴动力股份有限公司 自动驾驶方法、装置、电子设备及计算机可读存储介质
CN114373324B (zh) * 2021-12-01 2023-05-09 江铃汽车股份有限公司 一种车位信息共享方法及系统
US20230264687A1 (en) * 2022-02-20 2023-08-24 Beijing Jingdong Qianshi Technology Co., Ltd. System and method for selecting an intermediate parking goal in autonomous delivery

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103335658A (zh) * 2013-06-19 2013-10-02 华南农业大学 一种基于弧线路径生成的自主车辆避障方法
US20140052336A1 (en) * 2012-08-15 2014-02-20 GM Global Technology Operations LLC Directing vehicle into feasible region for autonomous and semi-autonomous parking
CN106427996A (zh) * 2016-10-13 2017-02-22 上汽通用汽车有限公司 一种多功能泊车控制方法和系统
CN106864454A (zh) * 2015-11-06 2017-06-20 福特全球技术公司 用于辅助机动车辆的操纵过程的方法和装置
US20170277192A1 (en) * 2016-03-24 2017-09-28 Honda Motor Co., Ltd. System and method for trajectory planning for unexpected pedestrians
CN108072382A (zh) * 2016-11-11 2018-05-25 现代自动车株式会社 用于自主驾驶车辆的路径确定装置及路径确定方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5870303A (en) * 1987-11-20 1999-02-09 Philips Electronics North America Corporation Method and apparatus for controlling maneuvers of a vehicle
DE10331235A1 (de) * 2003-07-10 2005-02-03 Robert Bosch Gmbh Fahrhilfsvorrichtung insbesondere zum Einparken eines Fahrzeugs
US7110881B2 (en) * 2003-10-07 2006-09-19 Deere & Company Modular path planner
US8065058B2 (en) * 2004-12-24 2011-11-22 Continental Teves Ag & Co. Ohg Method for guiding a vehicle into a parking space and parking assistance device
DE102007009745A1 (de) * 2007-02-28 2008-09-04 Continental Automotive Gmbh Einparkhalbautomat
JP4946739B2 (ja) 2007-09-04 2012-06-06 トヨタ自動車株式会社 移動体進路取得方法、および、移動体進路取得装置
DE102009021282A1 (de) * 2009-05-14 2010-11-25 GM Global Technology Operations, Inc., Detroit Kraftfahrzeug mit einem Parkassistenzsystem
US8571722B2 (en) * 2010-10-22 2013-10-29 Toyota Motor Engineering & Manufacturing North America, Inc. Method for safely parking vehicle near obstacles
JP2012232608A (ja) 2011-04-28 2012-11-29 Daihatsu Motor Co Ltd 目標軌道算出装置
KR101906952B1 (ko) * 2013-11-08 2018-10-11 한화지상방산 주식회사 무인 주행 차량의 최적 주차 경로를 생성하는 방법, 및 이 방법을 채용한 무인 주행 차량
KR101832466B1 (ko) * 2016-06-14 2018-04-13 엘지전자 주식회사 자동주차 보조장치 및 이를 포함하는 차량
KR20180037414A (ko) * 2016-10-04 2018-04-12 엘지전자 주식회사 자동주차 보조장치 및 이를 포함하는 차량

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140052336A1 (en) * 2012-08-15 2014-02-20 GM Global Technology Operations LLC Directing vehicle into feasible region for autonomous and semi-autonomous parking
CN103335658A (zh) * 2013-06-19 2013-10-02 华南农业大学 一种基于弧线路径生成的自主车辆避障方法
CN106864454A (zh) * 2015-11-06 2017-06-20 福特全球技术公司 用于辅助机动车辆的操纵过程的方法和装置
US20170277192A1 (en) * 2016-03-24 2017-09-28 Honda Motor Co., Ltd. System and method for trajectory planning for unexpected pedestrians
CN106427996A (zh) * 2016-10-13 2017-02-22 上汽通用汽车有限公司 一种多功能泊车控制方法和系统
CN108072382A (zh) * 2016-11-11 2018-05-25 现代自动车株式会社 用于自主驾驶车辆的路径确定装置及路径确定方法

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111243327B (zh) * 2020-01-16 2021-12-31 淄博职业学院 基于计算机监控的车辆引导方法与系统
CN111210653B (zh) * 2020-01-16 2022-01-14 浙江科技学院 基于无线传感器网络的停车场智能引导方法及系统
CN111210653A (zh) * 2020-01-16 2020-05-29 浙江科技学院 基于无线传感器网络的停车场智能引导方法及系统
CN111192477A (zh) * 2020-01-16 2020-05-22 浙江科技学院 基于ZigBee的停车场自动化引导方法与系统
CN111243327A (zh) * 2020-01-16 2020-06-05 淄博职业学院 基于计算机监控的车辆引导方法与系统
CN111223330A (zh) * 2020-01-16 2020-06-02 浙江科技学院 基于无线传感网络与云平台的停车场智能监控方法与系统
CN111210654A (zh) * 2020-01-16 2020-05-29 浙江科技学院 基于物联网的停车场车辆自动引导方法及系统
CN111192477B (zh) * 2020-01-16 2021-05-14 浙江科技学院 基于ZigBee的停车场自动化引导方法与系统
CN113591198A (zh) * 2020-03-11 2021-11-02 黑芝麻智能科技(重庆)有限公司 路径规划方法及计算机可读介质
CN113591198B (zh) * 2020-03-11 2023-09-22 黑芝麻智能科技(重庆)有限公司 路径规划方法及计算机可读介质
CN113448329B (zh) * 2020-03-25 2023-12-22 百度（美国）有限责任公司 减少用于规划自主驾驶车辆的路径的障碍物的方法及系统
CN113448329A (zh) * 2020-03-25 2021-09-28 百度（美国）有限责任公司 减少用于规划自主驾驶车辆的路径的障碍物的方法及系统
WO2021195951A1 (en) * 2020-03-31 2021-10-07 Baidu.Com Times Technology (Beijing) Co., Ltd. A parking-trajectory generation method combined with offline and online solutions
CN111796594A (zh) * 2020-06-17 2020-10-20 珠海云洲智能科技有限公司 无人船停泊控制方法、无人船停泊控制装置及无人船
CN112092827A (zh) * 2020-09-23 2020-12-18 北京百度网讯科技有限公司 自动驾驶功能控制方法、装置、电子设备及存储介质
CN112092827B (zh) * 2020-09-23 2022-04-22 北京百度网讯科技有限公司 自动驾驶功能控制方法、装置、电子设备及存储介质
CN113077652B (zh) * 2021-03-19 2022-08-09 上海欧菲智能车联科技有限公司 车位自动搜索方法、装置、电子装置及存储介质
CN113077652A (zh) * 2021-03-19 2021-07-06 上海欧菲智能车联科技有限公司 车位自动搜索方法、装置、电子装置及存储介质

Also Published As

Publication number Publication date
US20200001862A1 (en) 2020-01-02
JP6757819B2 (ja) 2020-09-23
JP2020001677A (ja) 2020-01-09
US11117569B2 (en) 2021-09-14
CN110647142B (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
CN110647142B (zh) 使用优化方法规划自动驾驶车辆的停车轨迹生成
CN110654376B (zh) 自动驾驶车辆的停车轨迹的规划
CN110389583B (zh) 生成自动驾驶车辆的轨迹的方法
CN110667591B (zh) 用于自动驾驶车辆的规划驾驶感知系统
CN109489673B (zh) 用于自动驾驶车辆的数据驱动地图更新系统
CN110239562B (zh) 自动驾驶车辆的基于周围车辆行为的实时感知调整与驾驶调适
CN109947090B (zh) 用于自动驾驶车辆规划的非阻塞边界
CN109491375B (zh) 用于自动驾驶车辆的基于驾驶场景的路径规划
CN108891417B (zh) 用于操作自动驾驶车辆的方法及数据处理系统
CN108733046B (zh) 用于自动驾驶车辆的轨迹重新规划的系统和方法
CN111328411B (zh) 用于自动驾驶车辆的行人概率预测系统
CN110621541B (zh) 用于生成轨迹以操作自动驾驶车辆的方法和系统
CN111176268A (zh) 用于自动驾驶车辆的模仿人类驾驶行为的两步参考线平滑方法
CN111123906B (zh) 不同横向加速度约束下的最优纵向轨迹生成
CN110096054B (zh) 用于使用多个线程生成用于自动驾驶车辆的参考线的方法和系统
CN109491378B (zh) 自动驾驶车辆的基于道路分段的路线引导系统
CN111615476B (zh) 用于自动驾驶车辆的基于螺旋曲线的竖直停车规划系统
CN111712417A (zh) 用于自动驾驶车辆的、基于隧道的规划系统
CN111328313B (zh) 用于自动驾驶车辆的控制占主导的三点转弯规划
CN111830958A (zh) 用于操作自动驾驶车辆的方法、系统和机器可读介质
CN111856923A (zh) 加速对复杂驾驶场景的规划的参数学习的神经网络方法
CN111328385A (zh) 用于自动驾驶车辆的基于螺旋路径的三点转弯规划
CN111830959A (zh) 用于操作自动驾驶车辆的方法、系统和机器可读介质
CN111615477B (zh) 自动驾驶车辆中的非避开规划系统的障碍物过滤的方法
CN111683851B (zh) 用于自动驾驶的自反向车道的相互避开算法

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