CN110782092A - 无人配送车在非结构化场景中的轨迹规划方法及装置 - Google Patents

无人配送车在非结构化场景中的轨迹规划方法及装置 Download PDF

Info

Publication number
CN110782092A
CN110782092A CN201911023657.9A CN201911023657A CN110782092A CN 110782092 A CN110782092 A CN 110782092A CN 201911023657 A CN201911023657 A CN 201911023657A CN 110782092 A CN110782092 A CN 110782092A
Authority
CN
China
Prior art keywords
path
delivery vehicle
vehicle
unmanned delivery
scene
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
Application number
CN201911023657.9A
Other languages
English (en)
Inventor
李柏
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.)
Beijing Jingdong Qianshi Technology Co Ltd
Original Assignee
Beijing Jingdong Qianshi 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 Beijing Jingdong Qianshi Technology Co Ltd filed Critical Beijing Jingdong Qianshi Technology Co Ltd
Priority to CN201911023657.9A priority Critical patent/CN110782092A/zh
Publication of CN110782092A publication Critical patent/CN110782092A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本公开涉及无人配送技术领域，提供了一种无人配送车在非结构化场景中的轨迹规划方法、无人配送车在非结构化场景中的轨迹规划装置、计算机存储介质、电子设备，其中，无人配送车在非结构化场景中的轨迹规划方法包括：基于预先标注的路径起点以及路径终点，根据路径搜索算法生成无人配送车在非结构化场景中的规划路径；针对规划路径对应的轨迹规划问题，建立最优控制问题模型；将最优控制问题模型中的变量进行离散化处理，以得到非线性规划问题；根据规划路径对应的初始轨迹参数，对非线性规划问题进行迭代求解，以确定无人配送车的规划轨迹。本公开中的方法不仅能够提高算法求解效率，而且能够提高规划轨迹在实际非结构化场景中运行的可行性。

Description

无人配送车在非结构化场景中的轨迹规划方法及装置
技术领域
本公开涉及无人配送技术领域，特别涉及一种无人配送车在非结构化场景中的轨迹规划方法、无人配送车在非结构化场景中的轨迹规划装置、计算机存储介质及电子设备。
背景技术
近年来，随着各类新科技不断发展迭代，“互联网+”与物流行业的深度融合，以及新商业模式的需求与刺激，物流行业已经从劳动密集型向数字智能化转变。基于技术升级的新零售物流体系，智能化技术的发展应用由整体规模化向具体场景的结合越发显著，仓储、运输、配送等众多环节的智能化、数字化升级正成为各家物流企业的重点发展战略，无人技术更是其中重要的一环。相关无人机、无人重卡、无人配送车纷纷进入大众视野，而相较于无人机在城市空间因为安全性受到的政策限制，无人配送车的应用空间则有更加广阔的选择，不仅适合开放密集的楼宇、城市CBD(Central Business District，中央商务区，简称：CBD)，也可以在居民社区、校园、工业仓库等非道路的复杂场景中运行。因而，如何在非道路的复杂场景中规划合适的轨迹成为相关运营商关注的焦点问题。
众所周知的，在非结构化场景中，障碍物及非协作运动体的情况较之结构化道路场景更为复杂，因此，轨迹规划任务较为困难。除此之外，车辆在此场景中对位置姿态的需求更加多样化，限制因素更多，导致局部低速轨迹规划结果的复杂程度显著高于结构化场景。因而，市面上常见的轨迹规划算法难以适用于复杂的非结构化场景中。
鉴于此，本领域亟需开发一种新的无人配送车在非结构化场景中的轨迹规划方法及装置。
需要说明的是，上述背景技术部分公开的信息仅用于加强对本公开的背景的理解。
发明内容
本公开的目的在于提供一种无人配送车在非结构化场景中的轨迹规划方法、无人配送车在非结构化场景中的轨迹规划装置、计算机存储介质及电子设备，进而至少在一定程度上避免了现有技术中的轨迹规划算法无法适用于非结构化场景中的缺陷。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的第一方面，提供一种无人配送车在非结构化场景中的轨迹规划方法，包括：基于预先标注的路径起点以及路径终点，根据路径搜索算法生成所述无人配送车在所述非结构化场景中的规划路径；获取所述规划路径对应的初始轨迹参数，针对所述初始轨迹参数的优化问题，建立最优控制问题模型；将所述最优控制问题模型中的变量进行离散化处理，以得到非线性规划问题；对所述非线性规划问题进行迭代求解，以确定所述无人配送车的规划轨迹。
在本公开的示例性实施例中，所述获取所述规划路径对应的初始轨迹参数，包括：将所述规划路径以目标间距划分为至少两段路径序列；获取各所述路径序列的端点信息，将所述端点信息依次连接为折线路径；将所述折线路径的各段路径序列与坐标轴的夹角确定为所述无人配送车的车身姿态角；基于所述车身姿态角以及车辆二自由度模型，确定所述无人配送车的车轮偏转角度；基于所述折线路径的路径长度以及目标行驶速度，确定所述无人配送车的行驶时间；将所述端点信息、所述姿态角信息、所述车轮偏转角度、所述目标行驶速度以及所述行驶时间作为所述规划路径对应的初始轨迹参数。
在本公开的示例性实施例中，所述针对所述规划路径对应的轨迹规划问题，建立最优控制问题模型，包括：针对所述初始轨迹参数的动力学优化问题，建立动态约束条件；针对所述初始轨迹参数的速度优化问题，建立边界速度约束条件；针对所述初始轨迹参数的障碍规避问题，建立障碍规避约束条件；获取用于筛选所述规划轨迹的代价函数；将所述动态约束条件、所述边界速度约束条件、所述障碍规避约束条件与所述代价函数作为所述最优控制问题模型。
在本公开的示例性实施例中，所述对所述非线性规划问题进行迭代求解，以确定所述无人配送车的规划轨迹，包括：根据所述初始轨迹参数，基于梯度优化算法对所述非线性规划问题进行迭代求解，以确定所述无人配送车的规划轨迹。
在本公开的示例性实施例中，所述方法还包括：获取包含所述无人配送车车身的第一圆形轮廓，以及，获取包含所述非结构化场景中的M个障碍物的M个第二圆形轮廓；根据所述第一圆形轮廓与所述M个第二圆形轮廓，更新所述非结构化场景对应的场景信息；基于所述更新后的场景信息、所述预先标注的路径起点以及路径终点，根据所述路径搜索算法生成所述规划路径；其中，M为正整数。
在本公开的示例性实施例中，所述方法还包括：获取所述第一圆形轮廓的第一位置坐标、各所述第二圆形轮廓的第二位置坐标，以及，获取所述第一圆形轮廓的半径值；确定所述第一位置坐标与所述第二位置坐标的距离值；根据所述距离值与所述半径值的数值关系，建立所述障碍规避约束条件。
在本公开的示例性实施例中，所述方法还包括：基于前向差分方法对所述最优控制问题模型中的变量进行离散化处理。
根据本公开的第二方面，提供一种无人配送车在非结构化场景中的轨迹规划装置，包括：路径生成模块，基于预先标注的路径起点以及路径终点，根据路径搜索算法生成所述无人配送车在所述非结构化场景中的规划路径；模型建立模块，用于获取所述规划路径对应的初始轨迹参数，针对所述初始轨迹参数的优化问题，建立最优控制问题模型；离散化模块，用于将所述最优控制问题模型中的变量进行离散化处理，以得到非线性规划问题；轨迹确定模块，用于对所述非线性规划问题进行迭代求解，以确定所述无人配送车的规划轨迹。
根据本公开的第三方面，提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的无人配送车在非结构化场景中的轨迹规划方法。
根据本公开的第四方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述第一方面所述的无人配送车在非结构化场景中的轨迹规划方法。
由上述技术方案可知，本公开示例性实施例中的无人配送车在非结构化场景中的轨迹规划方法、无人配送车在非结构化场景中的轨迹规划装置、计算机存储介质及电子设备至少具备以下优点和积极效果：
在本公开的一些实施例所提供的技术方案中，一方面，基于预先标注的路径起点以及路径终点，根据路径搜索算法生成无人配送车在非结构化场景中的规划路径，能够提高规划路径的生成效率。进一步的，针对上述规划路径进行轨迹规划的问题，建立最优控制问题模型，将最优控制问题模型中的变量进行离散化处理，以得到非线性规划问题，能够提高后续规划轨迹的求解效率。另一方面，根据规划路径对应的初始轨迹参数，对非线性规划问题进行迭代求解，确定出无人配送车的规划轨迹(包含无人配送车在不同运行时间所处的位置)，能够使得车辆在规划路径上行驶时，每一时刻车辆的状态透明可知，保障规划轨迹的可行性。
本公开应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示出本公开一示例性实施例中无人配送车在非结构化场景中的轨迹规划方法的流程示意图；
图2示出本公开另一示例性实施例中无人配送车在非结构化场景中的轨迹规划方法的流程示意图；
图3示出本公开一示例性实施例中非结构化场景的示意图；
图4示出本公开再一示例性实施例中无人配送车在非结构化场景中的轨迹规划方法的流程示意图；
图5示出本公开一示例性实施例中路径序列的示意图；
图6示出本公开又一示例性实施例中无人配送车在非结构化场景中的轨迹规划方法的流程示意图；
图7示出本公开一示例性实施例中无人配送车对应的二自由度模型的示意图；
图8示出本公开又一示例性实施例中无人配送车在非结构化场景中的轨迹规划方法的整体流程示意图；
图9示出本公开示例性实施例中无人配送车在非结构化场景中的轨迹规划装置的结构示意图；
图10示出本公开示例性实施例中计算机存储介质的结构示意图；
图11示出本公开示例性实施例中电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”和“第二”等仅作为标记使用，不是对其对象的数量限制。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
众所周知的，在非结构化场景中，障碍物及非协作运动体的情况较之结构化道路场景更为复杂，因此，轨迹规划任务较为困难。除此之外，车辆在此场景中对位置姿态的需求更加多样化，限制因素更多，导致局部低速轨迹规划结果的复杂程度显著高于结构化场景。因而，市面上常见的轨迹规划算法难以适用于复杂的非结构化场景中。
在本公开的实施例中，首先提供了一种无人配送车在非结构化场景中的轨迹规划方法，至少在一定程度上克服现有技术中提供的无人配送车在非结构化场景中的轨迹规划方法实施可行性较差的缺陷。
图1示出本公开一示例性实施例中无人配送车在非结构化场景中的轨迹规划方法的流程示意图，该无人配送车在非结构化场景中的轨迹规划方法的执行主体可以是对无人配送车的轨迹进行规划的服务器。
参考图1，根据本公开的一个实施例的无人配送车在非结构化场景中的轨迹规划方法包括以下步骤：
步骤S110，基于预先标注的路径起点以及路径终点，根据路径搜索算法生成所述无人配送车在所述非结构化场景中的规划路径；
步骤S120，获取所述规划路径对应的初始轨迹参数，针对所述初始轨迹参数的优化问题，建立最优控制问题模型；
步骤S130，将所述最优控制问题模型中的变量进行离散化处理，以得到非线性规划问题；
步骤S140，对所述非线性规划问题进行迭代求解，以确定所述无人配送车的规划轨迹。
在图1所示实施例所提供的技术方案中，一方面，基于预先标注的路径起点以及路径终点，根据路径搜索算法生成无人配送车在非结构化场景中的规划路径，能够提高规划路径的生成效率。进一步的，针对上述规划路径进行轨迹规划的问题，建立最优控制问题模型，将最优控制问题模型中的变量进行离散化处理，以得到非线性规划问题，能够提高后续规划轨迹的求解效率。另一方面，根据规划路径对应的初始轨迹参数，对非线性规划问题进行迭代求解，确定出无人配送车的规划轨迹(包含无人配送车在不同运行时间所处的位置)，能够使得车辆在规划路径上行驶时，每一时刻车辆的状态透明可知，保障规划轨迹的可行性。
以下对图1中的各个步骤的具体实现过程进行详细阐述：
在步骤S110中，基于预先标注的路径起点以及路径终点，根据路径搜索算法生成所述无人配送车在所述非结构化场景中的规划路径。
在本公开的示例性实施例中，可以预先标注一非结构化场景中的路径起点以及路径终点，并根据路径搜索算法生成无人配送车的规划路径。
在本公开的示例性实施例中，无人配送车即无需人工驾驶，能够智能化完成物流配送、外卖配送等任务的自动化运输车辆。
在本公开的示例性实施例中，非结构化场景即上述无人配送车所处的非道路场景，例如：居民小区、仓库以及充电站等环境较为复杂的运输场景。
在本公开的示例性实施例中，示例性的，可以参考图2，图2示意性示出本公开另一示例性实施例中无人配送车在非结构化场景中的轨迹规划方法的流程示意图，具体示出得到上述规划路径的流程示意图，以下结合图2对步骤S110进行解释。
在步骤S201中，获取包含所述无人配送车车身的第一圆形轮廓，以及，获取包含所述非结构化场景中的M个障碍物的M个第二圆形轮廓。
在本公开的示例性实施例中，示例性的，图3示意性示出本公开一示例性实施例中非结构化场景的示意图，结合图3，301所示为上述非结构化场景(例如：仓库)，302所示为上述无人配送车，303所示为获取到的，包含上述无人配送车车身的第一圆形轮廓。304所示为障碍物a，305所示为包含上述障碍物a的第二圆形轮廓a。306所示为障碍物b，307所示为包含上述障碍物b的第二圆形轮廓b。需要说明的是，M为正整数，障碍物的具体数量(M)可以根据实际情况自行设定，属于本公开的保护范围。
在步骤S202中，根据所述第一圆形轮廓与所述M个第二圆形轮廓，更新所述非结构化场景对应的场景信息。
在本公开的示例性实施例中，可以根据上述第一圆形轮廓与上述M个第二圆形轮廓，更新非结构场景对应的场景信息。场景信息可以是包含非结构化场景中的道路信息、各个障碍物的大小以及位置信息、无人配送车的位置信息以及大小信息等在内的场景地形图。具体的，可以将之前的场景信息中无人配送车的大小更新为第一圆形轮廓的大小，将各个障碍物的大小更新为其对应的第二圆形轮廓的大小，以完成对上述场景信息的更新。从而，能够将不规则障碍物的形态进行数字化、具体化，解决现有技术中无法对障碍物形态进行描述的技术问题。
在步骤S203中，基于所述更新后的场景信息、所述预先标注的路径起点以及路径终点，根据所述路径搜索算法生成所述规划路径。
在本公开的示例性实施例中，在对上述场景信息进行更新之后，可以基于更新后的场景信息、预先标注的路径起点以及路径终点，根据路径搜索算法生成上述非结构化场景的规划路径。
在本公开的示例性实施例中，需要说明的是，上述路径搜索算法可以是A*算法(A-Star算法)，State-lattice规划算法，还可以是CL-RRT采样算法，可以根据实际情况自行设定，属于本公开的保护范围。从而，能够减少搜索范围，降低问题复杂度，提高路径搜索效率。
继续参考图1，在步骤S120中，获取所述规划路径对应的初始轨迹参数，针对所述初始轨迹参数的优化问题，建立最优控制问题模型。
在本公开的示例性实施例中，在生成上规划路径之后，可以获取上述规划路径对应的轨迹参数。规划路径即无人配送车可以行驶的，连接路径起点至路径终点的行驶路线，而轨迹参数即无人配送车在上述规划路径上行驶时，在不同的行驶时间，车辆的所处位置、姿态角信息、车轮偏转角度以及行驶速度等参数，进而，可以根据各个行驶时刻的轨迹参数，可以确定出无人配送车的行驶轨迹，即行驶轨迹是包含具体行驶参数的数字化的行驶路线。
在本公开的示例性实施例中，具体的，可以参考图4，图4示意性示出本公开再一示例性实施例中无人配送车在非结构化场景中的轨迹规划方法的流程示意图，具体示出获取上述规划路径对应的轨迹参数的流程示意图，以下结合图4对步骤S120进行解释。
在步骤S401中，将所述规划路径以目标间距划分为至少两段路径序列。
在本公开的示例性实施例中，在生成上述规划路径之后，可以获取上述规划路径的总里程，进而，可以以目标间距(例如：10m)将上述规划路径平均划分为至少两段路径序列(例如：N段，N为大于1的正整数)。需要说明的是，具体的划分段数可以根据实际情况自行设定，属于本公开的保护范围。
在步骤S402中，获取各段路径序列的端点信息，将所述端点信息依次连接为折线路径。
在本公开的示例性实施例中，可以获取各段路径序列的端点信息(即端点)，并将上述端点信息依次连接为折线路径。示例性的，可以参考图5，图5示意性示出本公开一示例性实施例中路径序列的示意图，参照图5，虚线所述为规划路径r，点A、B、C为上述端点信息，则可以将端点信息A、B、C依次连接形成折线路径ABC(包含路径序列AB和BC)。具体的，将当上述规划路径被分为N段时，则可以获取到N+1个端点，进而，可以依次上述N+1个端点连接为折线路径。
在步骤S403中，将所述折线路径的各路径序列与坐标轴的夹角确定为所述无人配送车的车身姿态角。
在本公开的示例性实施例中，可以将上述折线路径的各个路径序列与坐标轴(例如：X轴)的夹角确定为无人配送车的车身姿态角(车身的姿态角度)。示例性的，可以继续参考图5，可以将路径序列AB与X轴的夹角θ1确定为无人配送车在路径序列AB上运行时的车身姿态角，可以将路径序列BC与X轴的夹角θ2确定为无人配送车在路径序列BC上运行时的车身姿态角。
在本公开的示例性实施例中，当端点信息A的坐标为(x1,y1)，端点信息B的坐标为(x2,y2)时，则上述车身姿态角
Figure BDA0002248005510000091
同理，当上述端点信息C的坐标为(x3,y3)时，则车身姿态角
Figure BDA0002248005510000092
在步骤S404中，基于所述车身姿态角以及车辆二自由度模型，确定所述无人配送车的车轮偏转角度。
在本公开的示例性实施例中，在得到上述车身姿态角之后，可以基于上述车身姿态角以及车辆二自由度模型，确定出无人配送车的车辆偏转角度。
在本公开的示例性实施例中，车辆二自由度模型即将无人配送车的两个前轮等效为位于中间的虚拟前轮，将两个后轮等效为位于中间的虚拟后轮而形成的模型，可以表示为公式1：
Figure BDA0002248005510000101
其中，t为无人配送车的行驶时间，
Figure BDA0002248005510000102
为无人配送车的车辆偏转角度，V(t)为上述无人配送车在t时刻的行驶速度，Lw为无人配送车的前后轮间距。
在本公开的示例性实施例中，示例性的，可以假设V(t)*dt＝1，将上述公式1简化表示为公式2：φj＝arctan((θj+1-θj)*Lw),(j＝1,2,3……N)。
在本公开的示例性实施例中，在获取到上述车身姿态角θ1和θ2之后，可以基于上述公式2计算出无人配送车的车轮偏转角度。即φ1＝arctan((θ2-θ1)*Lw),(j＝1)。
在步骤S405中，基于所述折线路径的路径长度以及目标行驶速度，确定所述无人配送车的行驶时间。
在本公开的示例性实施例中，还可以基于上述折线路径的路径长度以及目标行驶速度，确定无人配送车的行驶时间。示例性的，当上述折线路径的路径长度为sum，目标行驶速度Vj＝1m/s时，则车辆的行驶时间
Figure BDA0002248005510000103
在步骤S406中，将所述端点信息、所述姿态角信息、所述车轮偏转角度、所述目标行驶速度以及所述行驶时间作为所述规划路径对应的初始轨迹参数。
在本公开的示例性实施例中，当j＝1时，可以将端点信息(A点坐标(x1,y1)，车身姿态角θ1、车轮偏转角φ1、目标行驶速度Vj以及行驶时间tf作为上述规划路径对应的初始轨迹参数。
在本公开的示例性实施例中，在确定出上述初始轨迹参数之后，可以针对上述初始轨迹参数的优化问题，建立最优控制问题模型，具体的，可以参考图6，图6示意性示出本公开又一示例性实施例中无人配送车在非结构化场景中的轨迹规划方法的流程示意图，具体示出针对初始轨迹参数的优化问题，建立最优控制问题模型的流程示意图，以下结合图6对步骤S120进行解释。
在步骤S601中，针对所述初始轨迹参数的动力学优化问题，建立动态约束条件。
在本公开的示例性实施例中，动力学优化问题即对上述无人配送车在行驶过程中的运动学性质进行优化的相关问题，可以用动态约束条件来表示，示例性的，动态约束条件可以表示为动态约束方程1：
Figure BDA0002248005510000111
其中，t表示无人配送车的泊车时间，t＝0为起始时刻，t＝tf表示终止时刻，u(t)为容许控制变量，x(t)为泊车路径对应的状态变量。
在本公开的示例性实施例中，示例性的，可以将无人配送车(以下实施例中称为车辆i)等效为二自由度模型。具体的，可以参考图7，图7示意性示出本公开一示例性实施例中无人配送车对应的二自由度模型的示意图。参考图7，701所示为上述车辆i对应的二自由度模型，702所示为上述车辆i的前轮，703所示为上述车辆i的后轮。虚线704所示为车体纵轴方向。可以将两只前轮702与车体的纵轴方向合并为虚拟前轮705，将两只后轮与车体纵轴方向合并为虚拟后轮706。进而，通过确定虚拟前轮的转动角速度以及虚拟后轮的线加速度变量，可以间接确定车辆i的前轮转角、行驶速度等。XOY所示为坐标系，点(xi(t),yi(t))代表车辆i的虚拟后轮的中点坐标；vi(t)代表沿车体纵轴方向704的速度，以使车辆i前进的方向为正方向。ai(t)可以代表沿车体纵轴方向的加速度，以使车辆前进的方向为正方向(图7中未示出)。φi(t)为车辆前轮偏转角，以左转方向为正方向。ωi(t)为前轮的偏转角速度，以垂直于转动平面(XOY坐标系平面)向上为正方向(图7中未示出)。θi(t)则代表车辆在坐标系中的姿态角，即从坐标系X轴正方向到车体纵轴正方向的旋转角度，以逆时针为正方向。此外，Lw代表前后轮轴距，Lf代表车辆前悬距离，Lr代表后悬距离，Lb代表车宽。
在本公开的示例性实施例中，xi(t)、yi(t)、φi(t)、θi(t)以及vi(t)属于状态变量x(t)，而ai(t)和ωi(t)属于控制变量u(t)。可以将上述车辆参数代入上述动态约束方程1中，以得到下述动态约束方程2：
Figure BDA0002248005510000121
在步骤S602中，针对所述初始轨迹参数的速度优化问题，建立边界速度约束条件。
在本公开的示例性实施例中，速度优化问题即对上述车辆i在起始时刻t＝0以及终止时刻tf的速度边界值进行优化的相关问题，示例性的，可以表示为
Figure BDA0002248005510000126
具体的，边界速度约束条件可以包括初始速度约束条件与终止速度约束条件。
在本公开的示例性实施例中，车辆i在上述初始速度(t＝0时刻的速度)约束条件可以表示为：
Figure BDA0002248005510000122
Figure BDA0002248005510000123
对应着由车载传感器记录的客观运动状态信息，v0i为t＝0时刻的车辆速度，为t＝0时刻的车轮偏转角，xoi为t＝0时刻的车辆i的轮后轴坐标系中的横坐标，yoi为t＝0时刻车辆i的轮后轴在坐标系中的纵坐标，
Figure BDA0002248005510000125
为车辆i在坐标系中的姿态角。
在本公开的示例性实施例中，车辆i在上述终止速度(t＝tf时刻的速度)约束条件可以表示：瞬时速度vi(tf)＝0，加速度ai(tf)＝0，角速度ωi(tf)＝0，车轮偏转角φi(tf)＝0，姿态角sin(θi(tf))＝sin(θfi),cos(θi(tf))＝cos(θfi)，其中，θfi为某一固定角度的姿态角。
在步骤S603中，针对所述初始轨迹参数的障碍规避问题，建立障碍规避约束条件。
在本公开的示例性实施例中，可以针对上述初始轨迹参数的障碍规避问题，建立障碍规避约束条件。示例性的，可以参考上述步骤S201，可以获取第一圆形轮廓的第一位置坐标以及各第二圆形轮廓的第二位置坐标。位置坐标可以是圆形轮廓的圆心坐标。示例性的，获取到的第一位置坐标可以是(xc,yc)，获取到的第j个障碍物的第二位置坐标可以是(obs_xj,obs_yj)，获取到的第一圆形轮廓的半径值为R。则可以确定出第一位置坐标与第二位置坐标的距离值为
Figure BDA0002248005510000131
进而，可以确定出当距离值大于半径值R时，不会发生碰撞。因而，可以根据距离值与半径值R的数值关系，建立障碍规避约束条件为
Figure BDA0002248005510000132
在步骤S604中，获取用于筛选所述规划轨迹的代价函数。
在本公开的示例性实施例中，代价函数即用于筛选上述规划轨迹对应的轨迹优劣的指标式。示例性的，代价函数可以包括第一指标函数(末值型性能指标)、第二指标函数(积分型性能指标)以及第三指标函数(性能代价多项式指标)。
在本公开的示例性实施例中，第一指标函数J1用于描述用户对终止时刻车辆运动状态的最小化需求，对应着期待车辆尽早终止行驶，从而使运动过程尽快结束，即第一指标函数映射的第一用户偏好为速度激进型。示例性的，可以根据用户偏好程度设置第一指标函数J1对应的第一权重为w1，w1≥0。
在本公开的示例性实施例中，第二指标函数J2用于描述用户在整个时域上对于某指标累积程度的最小化需求，常见的累计指标包括路径平滑程度程度，对应着期待车辆运动轨迹尽量平滑，即第二指标函数映射的第二用户偏好为平滑稳定型。示例性的，可以根据用户偏好程度设置第二指标函数J2对应的第二权重为w2，w2≥0。
在本公开的示例性实施例中，第三指标函数J3用于避免车辆与障碍物发生临界碰撞情况的发生，因而，可以限制车辆尽量远离障碍物，对应着期待车辆行驶路径尽量远离障碍物，即第三指标函数映射的第三用户偏好为安全保险型。示例性的，可以根据用户偏好程度设置第三指标函数J3对应的第三权重为w3，w3≥0。
在本公开的示例性实施例中，在确定上述第一指标函数、第一权重，第二指标函数、第二权重，第三指标函数、第三权重之后，可以获取上述第一指标函数与第一权重的第一乘积；获取上述第二指标函数与第二权重的第二乘积；获取上述第三指标函数与第三权重的第三乘积，进而，根据上述第一乘积、第二乘积与第三乘积的加和值，确定上述用于筛选最终泊车路径的代价函数，即上述代价函数J可以表示为J＝w1·J1+w2·J2+w3·J3。
在本公开的示例性实施例中，需要说明的是，上述代价函数J可以仅由J1、J2、或J3中任一指标函数确定，也可以根据用户偏好设置多个其他指标函数，以组成上述代价函数。其他指标函数的具体数量可以根据实际情况自行设定，属于本公开的保护范围。从而，能够解决现有技术中规划的泊车路径无法满足用户差异化偏好的技术问题，保障算法的泛化求解能力，优化用户体验。
在步骤S605中，将所述动态约束条件、所述边界速度约束条件、所述障碍规避约束条件与所述代价函数作为所述最优控制问题模型。
在本公开的示例性实施例中，在确定出上述动态约束条件、所述边界速度约束条件、所述障碍规避约束条件与所述代价函数之后，可以将上述动态约束条件、所述边界速度约束条件、所述障碍规避约束条件与所述代价函数作为上述最优控制问题模型。参照上述步骤的相关解释，示例性的，形成的最优控制模型可以表示为：
其中，上述动态约束条件可以具体表示为上述动态约束方程2。上述边界速度约束条件可以具体表示为上述初始速度约束条件、终止速度约束条件。
继续参考图1，在步骤S130中，将所述最优控制问题模型中的变量进行离散化处理，以得到非线性规划问题。
在本公开的示例性实施例中，在确定出上述最优控制问题模型之后，可以对上述最优控制问题中的变量进行离散化处理以得到非线性规划问题。离散化是在不改变数据相对大小的条件下，对数据进行相应的缩小，从而，可以有效的降低时间复杂度，在众多可能的情况中，只考虑需要用的值，提高数据处理效率。
在本公开的示例性实施例中，非线性规划(NonLinear Programming，简称：NLP))是具有非线性约束或目标的数学规划，是一种求解目标函数或约束条件中有一个或几个非线性函数的最优化问题的方法。
在本公开的示例性实施例中，示例性的，可以基于前向差分方法对上述最优控制问题模型中涉及的变量进行离散化处理，以得到上述最优控制模型对应的非线性规划问题。
在步骤S140中，对所述非线性规划问题进行迭代求解，以确定所述无人配送车的规划轨迹。
在本公开的示例性实施例中，在得到上述非线性规划问题之后，可以将上述规划路径对应的初始轨迹参数作为初始解，基于梯度优化算法(例如：序贯二次规划算法(Sequential Quadratic Programming，简称：SQP算法)求解上述非线性规划问题，以使上述代价函数J的值最小化，从而，根据上述非线性规划问题的解，可以确定出上述无人配送车对应的规划轨迹。SQP算法对于初始解更加友好，且占据内存较小，且不受到问题规模大小的限制，因此基于SQP算法求解上述规划轨迹。
在本公开的示例性实施例中，通过基于路径搜索算法生成规划路径，进而，建立最优控制问题模型，对上述规划路径对应的初始轨迹参数进行优化求解，能够对上述初始轨迹参数进行优化处理，解决现有技术中的方法无法保证轨迹平滑可行、轨迹连续性较差的技术问题，使得车辆在规划路径上行驶时，每一时刻车辆的状态透明可知，保障规划轨迹的可行性，提高规划轨迹的确定效率。
在本公开的示例性实施例中，图8示意性示出本公开一示例性实施例中无人配送车在非结构化场景中的轨迹规划方法的整体流程示意图，以下结合图8对具体的实施方式进行解释。
在步骤S801中，基于包含无人配送车车身的第一圆形轮廓、包含障碍物的第二圆形轮廓更新非结构化场景的场景信息；
在步骤S802中，在更新后的场景信息中，基于预先标注的非结构化场景中的路径起点以及路径终点，根据路径搜索算法生成无人配送车在非结构化场景中的规划路径；
在步骤S803中，获取规划路径对应的初始轨迹参数；
在步骤S804中，针对初始轨迹参数的优化问题，建立最优控制问题模型；
在步骤S805中，将最优控制问题模型中的变量进行离散化处理，以得到非线性规划问题；
在步骤S806中，以初始轨迹参数作为初始解，基于梯度优化算法对非线性规划问题进行迭代求解，以确定无人配送车的规划轨迹。
本公开还提供了一种无人配送车在非结构化场景中的轨迹规划装置，图9示出本公开示例性实施例中无人配送车在非结构化场景中的轨迹规划装置的结构示意图；如图9所示，无人配送车在非结构化场景中的轨迹规划装置900可以包括路径生成模块901、模型建立模块902、离散化模块903和轨迹确定模块904。其中：
路径生成模块901，基于预先标注的路径起点以及路径终点，根据路径搜索算法生成所述无人配送车在所述非结构化场景中的规划路径。
在本公开的示例性实施例中，路径生成模块可以用于获取包含无人配送车车身的第一圆形轮廓，以及，获取包含非结构化场景中的M个障碍物的M个第二圆形轮廓；根据第一圆形轮廓与M个第二圆形轮廓，更新非结构化场景对应的场景信息；基于更新后的场景信息、预先标注的路径起点以及路径终点，根据路径搜索算法生成规划路径；其中，M为正整数。
模型建立模块902，用于获取所述规划路径对应的初始轨迹参数，针对所述初始轨迹参数的优化问题，建立最优控制问题模型。
在本公开的示例性实施例中，模型建立模块用于将规划路径以目标间距划分为至少两段路径序列；获取各路径序列的端点信息，将端点信息依次连接为折线路径；将折线路径的各段路径序列与坐标轴的夹角确定为无人配送车的车身姿态角；基于车身姿态角以及车辆二自由度模型，确定无人配送车的车轮偏转角度；基于折线路径的路径长度以及目标行驶速度，确定无人配送车的行驶时间；将端点信息、姿态角信息、车轮偏转角度、目标行驶速度以及行驶时间作为所述规划路径对应的初始轨迹参数。
在本公开的示例性实施例中，模型建立模块用于针对初始轨迹参数的动力学优化问题，建立动态约束条件；针对初始轨迹参数的速度优化问题，建立边界速度约束条件；针对初始轨迹参数的障碍规避问题，建立障碍规避约束条件；获取用于筛选规划轨迹的代价函数；将动态约束条件、边界速度约束条件、碰撞躲避约束条件与代价函数作为最优控制问题模型。
在本公开的示例性实施例中，模型建立模块用于获取第一圆形轮廓的第一位置坐标、各第二圆形轮廓的第二位置坐标，以及，获取第一圆形轮廓的半径值；确定第一位置坐标与第二位置坐标的距离值；根据距离值与所述半径值的数值关系，建立碰撞躲避约束条件。
离散化模块903，用于将所述最优控制问题模型中的变量进行离散化处理，以得到非线性规划问题。
在本公开的示例性实施例中，离散化模块用于基于前向差分方法对最优控制问题模型中的变量进行离散化处理。
轨迹确定模块904，用于对所述非线性规划问题进行迭代求解，以确定所述无人配送车的规划轨迹。
在本公开的示例性实施例中，轨迹确定模块用于根据初始轨迹参数，基于梯度优化算法对非线性规划问题进行迭代求解，以确定无人配送车的规划轨迹。
上述无人配送车在非结构化场景中的轨迹规划装置中各模块的具体细节已经在对应的无人配送车在非结构化场景中的轨迹规划方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开示例性实施方式中，还提供了一种能够实现上述方法的计算机存储介质。其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图10所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品1000，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图11来描述根据本公开的这种实施方式的电子设备1100。图11显示的电子设备1100仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图11所示，电子设备1100以通用计算设备的形式表现。电子设备1100的组件可以包括但不限于：上述至少一个处理单元1110、上述至少一个存储单元1120、连接不同系统组件(包括存储单元1120和处理单元1110)的总线1130。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1110执行，使得所述处理单元1110执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元1110可以执行如图1中所示的：步骤S110，基于预先标注的路径起点以及路径终点，根据路径搜索算法生成所述无人配送车在所述非结构化场景中的规划路径；步骤S120，获取所述规划路径对应的初始轨迹参数，针对所述初始轨迹参数的优化问题，建立最优控制问题模型；步骤S130，将所述最优控制问题模型中的变量进行离散化处理，以得到非线性规划问题；步骤S140，对所述非线性规划问题进行迭代求解，以确定所述无人配送车的规划轨迹。
存储单元1120可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)11201和/或高速缓存存储单元11202，还可以进一步包括只读存储单元(ROM)11203。
存储单元1120还可以包括具有一组(至少一个)程序模块11205的程序/实用工具11204，这样的程序模块11205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1130可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1100也可以与一个或多个外部设备1200(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1100交互的设备通信，和/或与使得该电子设备1100能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1150进行。并且，电子设备1100还可以通过网络适配器1160与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1160通过总线1130与电子设备1100的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1100使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

Claims (10)

1.一种无人配送车在非结构化场景中的轨迹规划方法，其特征在于，包括：
基于预先标注的路径起点以及路径终点，根据路径搜索算法生成所述无人配送车在所述非结构化场景中的规划路径；
获取所述规划路径对应的初始轨迹参数，针对所述初始轨迹参数的优化问题，建立最优控制问题模型；
将所述最优控制问题模型中的变量进行离散化处理，以得到非线性规划问题；
对所述非线性规划问题进行迭代求解，以确定所述无人配送车的规划轨迹。
2.根据权利要求1所述的方法，其特征在于，所述获取所述规划路径对应的初始轨迹参数，包括：
将所述规划路径以目标间距划分为至少两段路径序列；
获取各所述路径序列的端点信息，将所述端点信息依次连接为折线路径；
将所述折线路径的各段路径序列与坐标轴的夹角确定为所述无人配送车的车身姿态角；
基于所述车身姿态角以及车辆二自由度模型，确定所述无人配送车的车轮偏转角度；
基于所述折线路径的路径长度以及目标行驶速度，确定所述无人配送车的行驶时间；
将所述端点信息、所述姿态角信息、所述车轮偏转角度、所述目标行驶速度以及所述行驶时间作为所述规划路径对应的初始轨迹参数。
3.根据权利要求1所述的方法，其特征在于，所述针对所述规划路径对应的轨迹规划问题，建立最优控制问题模型，包括：
针对所述初始轨迹参数的动力学优化问题，建立动态约束条件；
针对所述初始轨迹参数的速度优化问题，建立边界速度约束条件；
针对所述初始轨迹参数的障碍规避问题，建立障碍规避约束条件；
获取用于筛选所述规划轨迹的代价函数；
将所述动态约束条件、所述边界速度约束条件、所述障碍规避约束条件与所述代价函数作为所述最优控制问题模型。
4.根据权利要求3所述的方法，其特征在于，所述对所述非线性规划问题进行迭代求解，以确定所述无人配送车的规划轨迹，包括：
根据所述初始轨迹参数，基于梯度优化算法对所述非线性规划问题进行迭代求解，以确定所述无人配送车的规划轨迹。
5.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
获取包含所述无人配送车车身的第一圆形轮廓，以及，获取包含所述非结构化场景中的M个障碍物的M个第二圆形轮廓；
根据所述第一圆形轮廓与所述M个第二圆形轮廓，更新所述非结构化场景对应的场景信息；
基于所述更新后的场景信息、所述预先标注的路径起点以及路径终点，根据所述路径搜索算法生成所述规划路径；
其中，M为正整数。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
获取所述第一圆形轮廓的第一位置坐标、各所述第二圆形轮廓的第二位置坐标，以及，获取所述第一圆形轮廓的半径值；
确定所述第一位置坐标与所述第二位置坐标的距离值；
根据所述距离值与所述半径值的数值关系，建立所述障碍规避约束条件。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
基于前向差分方法对所述最优控制问题模型中的变量进行离散化处理。
8.一种无人配送车在非结构化场景中的局部轨迹规划装置，其特征在于，包括：
路径生成模块，基于预先标注的路径起点以及路径终点，根据路径搜索算法生成所述无人配送车在所述非结构化场景中的规划路径；
模型建立模块，用于获取所述规划路径对应的初始轨迹参数，针对所述初始轨迹参数的优化问题，建立最优控制问题模型；
离散化模块，用于将所述最优控制问题模型中的变量进行离散化处理，以得到非线性规划问题；
轨迹确定模块，用于对所述非线性规划问题进行迭代求解，以确定所述无人配送车的规划轨迹。
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～7中任意一项所述的无人配送车在非结构化场景中的轨迹规划方法。
10.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～7中任意一项所述的无人配送车在非结构化场景中的轨迹规划方法。
CN201911023657.9A 2019-10-25 2019-10-25 无人配送车在非结构化场景中的轨迹规划方法及装置 Pending CN110782092A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911023657.9A CN110782092A (zh) 2019-10-25 2019-10-25 无人配送车在非结构化场景中的轨迹规划方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911023657.9A CN110782092A (zh) 2019-10-25 2019-10-25 无人配送车在非结构化场景中的轨迹规划方法及装置

Publications (1)

Publication Number Publication Date
CN110782092A true CN110782092A (zh) 2020-02-11

Family

ID=69386683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911023657.9A Pending CN110782092A (zh) 2019-10-25 2019-10-25 无人配送车在非结构化场景中的轨迹规划方法及装置

Country Status (1)

Country Link
CN (1) CN110782092A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111338339A (zh) * 2020-02-20 2020-06-26 北京京东乾石科技有限公司 轨迹规划方法、装置、电子设备及计算机可读介质
CN111426330A (zh) * 2020-03-24 2020-07-17 江苏徐工工程机械研究院有限公司 路径生成方法和设备、无人化运输系统和存储介质
CN112747763A (zh) * 2020-12-30 2021-05-04 深兰人工智能(深圳)有限公司 局部路径规划方法、装置、电子设备和存储介质
CN112987724A (zh) * 2021-02-04 2021-06-18 京东数科海益信息科技有限公司 路径优化方法、装置、机器人及存储介质
CN113147743A (zh) * 2021-04-27 2021-07-23 东风汽车集团股份有限公司 自动泊车方法、系统及存储介质
CN113361152A (zh) * 2020-03-05 2021-09-07 北京京东乾石科技有限公司 轨迹规划方法、轨迹规划装置、存储介质与电子设备
CN113610237A (zh) * 2021-08-19 2021-11-05 北京京东乾石科技有限公司 学习路径规划方法及装置
CN113673919A (zh) * 2020-05-15 2021-11-19 北京京东乾石科技有限公司 多车协同路径确定方法及装置、电子设备和存储介质
CN115235501A (zh) * 2022-09-20 2022-10-25 江苏天一航空工业股份有限公司 一种物流散装货物装载车行驶轨迹规划控制系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105549597A (zh) * 2016-02-04 2016-05-04 同济大学 一种基于环境不确定性的无人车动态路径规划方法
CN106843236A (zh) * 2017-03-31 2017-06-13 深圳市靖洲科技有限公司 基于权重改进粒子群算法的无人自行车路径规划方法
CN109606379A (zh) * 2018-11-22 2019-04-12 江苏大学 一种分布式驱动无人驾驶车辆路径跟踪容错控制方法
CN110081894A (zh) * 2019-04-25 2019-08-02 同济大学 一种基于道路结构权值融合的无人车轨迹实时规划方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105549597A (zh) * 2016-02-04 2016-05-04 同济大学 一种基于环境不确定性的无人车动态路径规划方法
CN106843236A (zh) * 2017-03-31 2017-06-13 深圳市靖洲科技有限公司 基于权重改进粒子群算法的无人自行车路径规划方法
CN109606379A (zh) * 2018-11-22 2019-04-12 江苏大学 一种分布式驱动无人驾驶车辆路径跟踪容错控制方法
CN110081894A (zh) * 2019-04-25 2019-08-02 同济大学 一种基于道路结构权值融合的无人车轨迹实时规划方法

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111338339A (zh) * 2020-02-20 2020-06-26 北京京东乾石科技有限公司 轨迹规划方法、装置、电子设备及计算机可读介质
CN111338339B (zh) * 2020-02-20 2024-02-06 北京京东乾石科技有限公司 轨迹规划方法、装置、电子设备及计算机可读介质
CN113361152A (zh) * 2020-03-05 2021-09-07 北京京东乾石科技有限公司 轨迹规划方法、轨迹规划装置、存储介质与电子设备
CN111426330A (zh) * 2020-03-24 2020-07-17 江苏徐工工程机械研究院有限公司 路径生成方法和设备、无人化运输系统和存储介质
CN113673919A (zh) * 2020-05-15 2021-11-19 北京京东乾石科技有限公司 多车协同路径确定方法及装置、电子设备和存储介质
CN112747763A (zh) * 2020-12-30 2021-05-04 深兰人工智能(深圳)有限公司 局部路径规划方法、装置、电子设备和存储介质
CN112747763B (zh) * 2020-12-30 2024-04-09 深兰人工智能(深圳)有限公司 局部路径规划方法、装置、电子设备和存储介质
CN112987724B (zh) * 2021-02-04 2023-05-02 京东科技信息技术有限公司 路径优化方法、装置、机器人及存储介质
CN112987724A (zh) * 2021-02-04 2021-06-18 京东数科海益信息科技有限公司 路径优化方法、装置、机器人及存储介质
CN113147743A (zh) * 2021-04-27 2021-07-23 东风汽车集团股份有限公司 自动泊车方法、系统及存储介质
CN113610237A (zh) * 2021-08-19 2021-11-05 北京京东乾石科技有限公司 学习路径规划方法及装置
CN115235501B (zh) * 2022-09-20 2022-12-09 江苏天一航空工业股份有限公司 一种物流散装货物装载车行驶轨迹规划控制系统及方法
CN115235501A (zh) * 2022-09-20 2022-10-25 江苏天一航空工业股份有限公司 一种物流散装货物装载车行驶轨迹规划控制系统及方法

Similar Documents

Publication Publication Date Title
CN110782092A (zh) 无人配送车在非结构化场景中的轨迹规划方法及装置
US11619943B2 (en) Optimal path library for local path planning of an autonomous vehicle
US20210403032A1 (en) Two-level path planning for autonomous vehicles
US11625051B2 (en) Proactive generation of tuning data for autonomous vehicle dispatch
Ren et al. Integrated model predictive and torque vectoring control for path tracking of 4‐wheel‐driven autonomous vehicles
US11287272B2 (en) Combined route planning and opportunistic searching in variable cost environments
CN107985313A (zh) 用于自主车辆的基于弹簧系统的变换车道方法
CN110647151B (zh) 坐标转换方法及装置、计算机可读存储介质、电子设备
US11938969B2 (en) Intelligent dynamic parking for autonomous vehicles
CN109434831A (zh) 机器人运行方法、装置、机器人、电子设备及可读介质
CN113361152A (zh) 轨迹规划方法、轨迹规划装置、存储介质与电子设备
Bertolazzi et al. Efficient re-planning for robotic cars
Micheli et al. NMPC trajectory planner for urban autonomous driving
Kanchwala et al. Development of an intelligent transport system for EV
CN113671941A (zh) 一种轨迹规划方法、装置、设备和存储介质
CN113619604B (zh) 自动驾驶汽车的集成式决控方法、装置及存储介质
Darweesh et al. Openplanner 2.0: The portable open source planner for autonomous driving applications
Zheng et al. Motion planning for efficient and safe module transportation in modular integrated construction
CN112633543A (zh) 无人配送车在非结构化场景中的泊车路径规划方法及装置
US11613269B2 (en) Learning safety and human-centered constraints in autonomous vehicles
Valero et al. Efficient trajectory of a car-like mobile robot
CN115565374A (zh) 物流车驾驶优化方法、装置、电子设备及可读存储介质
Gorbov et al. Learning adaptive parking maneuvers for self-driving cars
Zhao et al. Dynamic model and predictive control of electric driven eight-wheeled differential steering autonomous vehicle
CN111832142A (zh) 用于输出信息的方法和装置

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

Application publication date: 20200211

RJ01 Rejection of invention patent application after publication