CN110884502B - 自动驾驶路径规划质量测评方法、装置和系统 - Google Patents
自动驾驶路径规划质量测评方法、装置和系统 Download PDFInfo
- Publication number
- CN110884502B CN110884502B CN201911239626.7A CN201911239626A CN110884502B CN 110884502 B CN110884502 B CN 110884502B CN 201911239626 A CN201911239626 A CN 201911239626A CN 110884502 B CN110884502 B CN 110884502B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driving
- path
- information
- automatic driving
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 61
- 230000006870 function Effects 0.000 claims description 22
- 238000001303 quality assessment method Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 21
- 238000012360 testing method Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本公开提出一种自动驾驶路径规划质量测评方法、装置和系统，涉及车辆自动驾驶领域。本公开通过比较自动驾驶车辆的实际行驶路径与参考行驶路径的差异，以评测自动驾驶车辆所规划的行驶路径的质量，使得自动驾驶车辆能及时知道自己的能力边界，避免冒险倾向的行车操作，有利于提高行车安全性。
Description
技术领域
本公开涉及车辆自动驾驶领域，特别涉及一种自动驾驶路径规划质量测评方法、装置和系统。
背景技术
自动驾驶又称无人驾驶，是一种通过电脑系统规划行驶路径，并按照规划的行驶路径控制车辆自动行驶的先进技术。
目前尚没有专门用于评估自动驾驶车辆规划路径质量的成熟标准或评价体系，而只是笼统地以“自动驾驶车辆的人为接管频次”作为衡量整体系统可靠性能的宏观指标。
发明内容
发明人发现，人为接管频次这一指标具有误导性，如果盲目地追求单位里程内较低的接管次数，会促使具有冒险倾向的车载自动驾驶系统的研发，从而对自动驾驶车辆的行车安全造成隐患。
本公开通过比较自动驾驶车辆的实际行驶路径与参考行驶路径的差异，以评测自动驾驶车辆所规划的行驶路径的质量，使得自动驾驶车辆能及时知道自己的能力边界，避免冒险倾向的行车操作，有利于提高行车安全性。
本公开的一些实施例提出一种自动驾驶路径规划质量测评方法，包括：
获取待测试的自动驾驶车辆的初始信息；
获取待测试的自动驾驶车辆的行驶场景信息；
获取所述自动驾驶车辆基于所述初始信息和所述行驶场景信息规划行驶路径并自动行驶产生的实际行驶路径；
通过比较所述实际行驶路径与参考行驶路径之间的差异，确定所述自动驾驶车辆所规划的行驶路径的质量，其中，所述参考行驶路径根据所述初始信息和所述行驶场景信息确定。
在一些实施例中，所述获取待测试的自动驾驶车辆的行驶场景信息包括：
为所述自动驾驶车辆生成一种虚拟行驶场景，并将所述虚拟行驶场景的描述信息发送给所述自动驾驶车辆；
或者，
接收路端装置上传的车端装置和路端装置感知的行驶场景信息。
在一些实施例中，所述生成一种虚拟行驶场景包括：采用随机生成的方法生成一定数量和各种类型的场景要素以及场景要素的属性信息，所有场景要素构成虚拟行驶场景。
在一些实施例中，所述自动驾驶车辆的初始信息包括初始状态信息；所述获取所述自动驾驶车辆的实际行驶路径包括：
获取所述自动驾驶车辆的状态时序信息；
根据所述自动驾驶车辆的初始状态信息和状态时序信息，确定所述自动驾驶车辆的第一行驶路径；
获取基于视觉传感器检测到的所述自动驾驶车辆的第二行驶路径；
根据预设的权重将所述自动驾驶车辆的第一行驶路径和第二行驶路径进行合成得到所述自动驾驶车辆的实际行驶路径。
在一些实施例中，所述自动驾驶车辆的初始信息包括车辆基本信息和初始状态信息；
所述参考行驶路径的确定方法包括：
面向路径规划任务构建最优控制命题，所述最优控制命题包括基于预设目标构建的代价函数和根据所述初始信息和所述行驶场景信息行车的约束条件；
基于所述最优控制命题，在满足所述约束条件的前提下，计算一组车辆控制变量使得所述代价函数满足代价值最大或最小的预设条件；
根据初始状态信息和所述车辆控制变量，确定所述自动驾驶车辆的参考行驶路径。
在一些实施例中，所述确定所述自动驾驶车辆所规划的行驶路径的质量包括：
计算所述实际行驶路径与所述参考行驶路径所围成的面积；
利用所述面积的大小衡量所述自动驾驶车辆所规划的行驶路径的质量，其中，所述面积越小，所述自动驾驶车辆所规划的行驶路径的质量越高。
在一些实施例中，还包括：当所述自动驾驶车辆所规划的行驶路径的质量低于预设值时，提示所述自动驾驶车辆需要人工接管和控制，或者，发出报警，或者，将所述参考行驶路径返回给所述自动驾驶车辆进行参数调整。
本公开的一些实施例提出一种自动驾驶路径规划质量测评装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行任一个实施例的自动驾驶路径规划质量测评方法。
本公开的一些实施例提出一种自动驾驶路径规划质量测评系统，包括：
车端装置，被配置为感知并发送自动驾驶车辆的初始信息；
路端装置，被配置为转发自动驾驶车辆的初始信息，并向所述车端装置转发虚拟行驶场景的描述信息；
自动驾驶路径规划质量测评装置，被配置为通过路端装置获取待测试的自动驾驶车辆的初始信息；为所述自动驾驶车辆生成一种虚拟行驶场景，并通过路端装置将所述虚拟行驶场景的描述信息发送给所述路端装置；获取所述自动驾驶车辆基于所述初始信息和所述行驶场景信息规划行驶路径并自动行驶产生的实际行驶路径；通过比较所述实际行驶路径与参考行驶路径之间的差异，确定所述自动驾驶车辆所规划的行驶路径的质量，其中，所述参考行驶路径根据所述初始信息和所述行驶场景信息确定。
本公开的一些实施例提出一种自动驾驶路径规划质量测评系统，包括：
车端装置，被配置为感知并发送自动驾驶车辆的初始信息和感知的行驶场景信息；
路端装置，被配置为转发自动驾驶车辆的初始信息，以及，车端装置和路端装置感知的行驶场景信息；
自动驾驶路径规划质量测评装置，被配置为通过路端装置获取待测试的自动驾驶车辆的初始信息，以及车端装置和路端装置感知的行驶场景信息；获取所述自动驾驶车辆基于所述初始信息和所述行驶场景信息规划行驶路径并自动行驶产生的实际行驶路径；通过比较所述实际行驶路径与参考行驶路径之间的差异，确定所述自动驾驶车辆所规划的行驶路径的质量，其中，所述参考行驶路径根据所述初始信息和所述行驶场景信息确定。
在一些实施例中，所述车端装置，还被配置为感知并发送自动驾驶车辆的状态时序信息；所述路端装置，还被配置为转发自动驾驶车辆的状态时序信息，基于视觉传感器检测并发送所述自动驾驶车辆的第二行驶路径；所述自动驾驶路径规划质量测评装置，还被配置为根据所述自动驾驶车辆的初始信息中的初始状态信息和状态时序信息，确定所述自动驾驶车辆的第一行驶路径；获取所述第二行驶路径；根据预设的权重将所述自动驾驶车辆的第一行驶路径和第二行驶路径进行合成得到所述自动驾驶车辆的实际行驶路径。
在一些实施例中，所述自动驾驶车辆的初始信息包括车辆基本信息和初始状态信息；
所述自动驾驶路径规划质量测评装置，在确定参考行驶路径时被配置为：
面向路径规划任务构建最优控制命题，所述最优控制命题包括基于预设目标构建的代价函数和根据所述初始信息和行驶场景行车的约束条件；
基于所述最优控制命题，在满足所述约束条件的前提下，计算一组车辆控制变量使得所述代价函数满足代价值最大或最小的预设条件；
根据初始状态信息和所述车辆控制变量，确定所述自动驾驶车辆的参考行驶路径。
在一些实施例中，所述自动驾驶路径规划质量测评装置，在确定所述自动驾驶车辆所规划的行驶路径的质量时被配置为：
计算所述实际行驶路径与所述参考行驶路径所围成的面积；
利用所述面积的大小衡量所述自动驾驶车辆所规划的行驶路径的质量，其中，所述面积越小，所述自动驾驶车辆所规划的行驶路径的质量越高。
在一些实施例中，所述自动驾驶路径规划质量测评装置，还被配置为当所述自动驾驶车辆所规划的行驶路径的质量低于预设值时，提示所述自动驾驶车辆需要人工接管和控制，或者，发出报警，或者，将所述参考行驶路径返回给所述自动驾驶车辆进行参数调整。
在一些实施例中，所述自动驾驶路径规划质量测评装置为云端装置。
本公开的一些实施例提出一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一个实施例所述的自动驾驶路径规划质量测评方法的步骤。
附图说明
下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍。根据下面参照附图的详细描述，可以更加清楚地理解本公开。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本公开自动驾驶路径规划质量测评系统(简称质量测评系统) 的一些实施例的示意图。
图2为本公开自动驾驶路径规划质量测评方法(简称质量测评方法) 的一些实施例的示意图。
图3示出了虚拟行驶场景的一个示例。
图4为基于实际行驶路径和参考行驶路径的质量评测示意图。
图5为本公开基于路径规划质量测评的自动驾驶控制方法一些实施例的示意图。
图6为本公开自动驾驶路径规划质量测评装置的一些实施例的结构示意图。
图7示出了2自由度模型的示意图。
图8示出了待测车辆车身顶点以及车身在终止时刻位于矩形内的约束条件示意图。
图9示出了保证点P位于凸多边形外部的三角形面积法的示意图。
图10为本公开自动驾驶路径规划质量测评方法(简称质量测评方法)的另一些实施例的示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。
图1为本公开自动驾驶路径规划质量测评系统(简称质量测评系统)的一些实施例的示意图。
如图1所示，该实施例的系统10包括：车端装置11、路端装置 12和自动驾驶路径规划质量测评装置(简称质量测评装置)13。自动驾驶路径规划质量测评装置13可以设置在云端，因此，也称为云端装置。下面描述这三个装置的功能。
车端装置11，装配在待检测的自动驾驶车辆上。根据一种测试需要，车端装置11可以包括加速度计、轮速计、定位装置等能够感知车辆运动状态的传感器，以及能够收发信息的通信装置。车端装置11能够感知并发送自动驾驶车辆的当前位置、运动状态、车辆尺寸等信息。根据另一种测试需要，车端装置11可以包括激光雷达、视觉传感器等能够感知行驶场景的传感器，以及能够收发信息的通信装置。所感知的行车场景信息例如包括道路、以及障碍物等信息。
路端装置12，其第一项职责是通信，与待检测的自动驾驶车辆进行通信，告知其当前所处环境信息，以及当前场景中的交通规则，与质量测评装置13进行通信，转发车端装置11感知的信息，接收质量测评装置13下发的虚拟行驶场景信息等。在测评系统中，质量测评装置13可以通过路端装置12向待检测的自动驾驶车辆下发例如障碍物等虚拟行驶场景信息，从而以较低成本迅速构造各种各样的测试场景，方便测试实施。虚拟行驶场景信息路端装置12由其接收到的质量测评装置13的指令控制，后面在质量测评装置13部分介绍。路端装置12 的第二项职责是监测并记录从路端感知到的自动驾驶车辆的行驶路径，并将其上传至质量测评装置13。根据前述的另一种测试需要，路端装置12还可能有第三项职责，即感知附近的行驶场景信息，并将车端装置11和路端装置12各自感知的行驶场景信息都发送给质量测评装置 13。路端装置12包括实现其第一项职责的通信装置以及实现其第二项职责和第三项职责的视觉传感器。
质量测评装置13是整个质量测评系统的中枢大脑，根据前述的一种测试需要，它负责：(1)生成虚拟行驶场景，并下发至路端装置12，进而由路端装置12与车端装置11通讯而告知其虚拟行驶场景，如车辆周围障碍物情况等；(2)针对当前虚拟行驶场景应用数值最优控制技术生成优质的参考行驶路径；(3)获取由路端装置12检测并发送的车辆行驶路径以及由车端装置11感知并通过路端装置12发送的车辆运动状态信息，将两部分信息相互融合，构成完整的车辆实际行驶路径； (4)将车辆的实际行驶路径与参考行驶路径进行对比，最终得到待测车辆在当前场景的质量测评结果。根据前述的另一种测试需要，质量测评装置13负责：(1)通过路端装置12获取待测试的自动驾驶车辆的初始信息，以及车端装置和路端装置感知的行驶场景信息；(2)针对获取的行驶场景信息应用数值最优控制技术生成优质的参考行驶路径；(3) (3)获取由路端装置12检测并发送的车辆行驶路径以及由车端装置11 感知并通过路端装置12发送的车辆运动状态信息，将两部分信息相互融合，构成完整的车辆实际行驶路径；(4)将车辆的实际行驶路径与参考行驶路径进行对比，最终得到待测车辆在当前场景的质量测评结果。
图2为本公开自动驾驶路径规划质量测评方法(简称质量测评方法)的一些实施例的示意图。该方法主要包括：质量测评装置13获取待测试的自动驾驶车辆的初始信息；生成一种虚拟行驶场景，并将虚拟行驶场景的描述信息发送给自动驾驶车辆；根据初始信息和虚拟行驶场景确定一条优质的参考行驶路径；获取自动驾驶车辆基于虚拟行驶场景的描述信息规划行驶路径并自动行驶产生的实际行驶路径；通过比较实际行驶路径与参考行驶路径之间的差异，确定自动驾驶车辆所规划的行驶路径的质量。下面结合图2描述具体的质量测评方法。
如图2所示，该实施例的质量测评方法包括：
步骤20，自动驾驶路径规划质量测评可由云端的质量评测装置13 发起，质量评测装置13尝试与路端装置12通讯，路端装置12尝试与车端装置11通讯；如果通讯链路畅通且三方准备就绪，则可以开始正式进入路径规划质量测评环节。
步骤21，质量评测装置13请求路端装置12从车端获取待测试的自动驾驶车辆的实际位置、运动状态等初始状态信息以及车辆几何尺寸以及基本物理外观等车辆基本信息，二者合称初始信息X。该初始信息X可由车端装置11的传感器获取，并通过车端装置11的通信装置上传至路端装置12，路端装置12再反馈给云端的质量评测装置13。在质量评测装置13获知初始信息X后，质量评测装置13结合当前位置的实际道路走势，采用随机生成的方法生成一定数量和各种类型的场景要素以及场景要素的属性信息，所有场景要素构成虚拟行驶场景。虚拟行驶场景的描述信息记为INFO。
例如，采用蒙特卡洛随机方式生成一种虚拟的行驶场景，例如，场景中在待测试的车辆周围有多少车辆？假设最少0辆，最多10辆，那我们在0-10的范围内生成一个随机整数a，假设a＝2，则待测试的车辆周围有2辆车。场景里每一辆车位置在哪里？我们针对刚才确定的那些车辆，每一个车辆随机生成它的位置，其他的例如姿态等属性信息也随机生成。最终随机生成的虚拟行驶场景包括道路上的周围车辆位置、速度，周围静止障碍物摆放，周围存在的交通限制条件(例如限速)等信息。图3示出了虚拟行驶场景的一个示例。
步骤22，质量评测装置13根据初始信息X和虚拟行驶场景INFO 确定一条优质的参考行驶路径，记为NORM。
其中，参考行驶路径例如可以使用数值最优控制技术(记为技术1，技术1的细节稍后详细阐述)求解在初始信息X和虚拟行驶场景INFO 下的车辆最优行驶路径。
步骤23，质量评测装置13将虚拟行驶场景的描述信息INFO下发至路端装置12，路端装置12将虚拟行驶场景的描述信息INFO进一步下发至车端装置11。
步骤24，车端装置11接收虚拟行驶场景的描述信息INFO后，自动驾驶车辆将INFO当作实际行车场景自行规划行驶路径并下发至车辆自身的底层控制器，按照规划的行驶路径开始实际行驶。在车辆行驶过程中，车载传感器对车辆的运动状态(例如横向、侧向加速度等状态)按照时序持续进行记录，这些状态时序信息记为S。与此同时，在车辆行驶过程中，路端装置12也使用视觉传感器对车辆实际行驶路径进行检测并保持记录，将记录的路径称为第二行驶路径，记为P。
步骤25，车端装置11将记录的状态时序信息S上传至路端装置 12，路端装置12将S连同自身记录的P一起传递给云端的质量评测装置13。
步骤26，质量评测装置13接收到路端装置12传来的S以及P信息，随后采用融合技术(记为技术2，技术2的细节稍后详细阐述)确定车辆的实际行驶路径(记为TRUE)，随后对比TRUE与NORM在一定里程内的差异，评估行车路径质量(记为技术3)，并向用户反馈质量测评结果。
如果需要多次测试，则跳转至步骤21，重复执行步骤21-26，以继续下一次测试的场景构造、测试和评价。
通过为自动驾驶车辆生成虚拟行驶场景，并比较自动驾驶车辆基于该虚拟行驶场景的实际行驶路径与参考行驶路径的差异，以评测自动驾驶车辆所规划的行驶路径的质量，使得自动驾驶车辆能及时知道自己的能力边界，避免冒险倾向的行车操作，有利于提高行车安全性。
下面具体描述上述实施例涉及的技术1-3。
技术1：数值最优控制方法，是指采用数值优化方式求解最优控制问题。
参考行驶路径的确定方法包括：
首先，面向路径规划任务构建最优控制命题，最优控制命题包括基于预设目标构建的代价函数和根据初始信息和虚拟行驶场景行车的约束条件，代价函数例如包括行驶舒适性、节能性等目标要求，约束条件例如包括车组、车辆的边值条件以及行车过程中的碰撞躲避约束条件。
接着，基于最优控制命题，在满足约束条件的前提下，采用数值优化方法，计算一组车辆控制变量使得代价函数满足代价值最大或最小的预设条件。
最后，根据初始状态信息和车辆控制变量，运用牛顿运动学定律确定自动驾驶车辆的参考行驶路径。
下面列举一个面向路径规划任务构建的最优控制命题的例子。
下面描述车辆动力学约束。
车辆动力学模型包括2自由度模型、9自由度模型、17自由度模型等。本公开假设车辆动力学模型采用2自由度模型来描述车辆运动。如图7所示，2自由度模型将车辆的两只前轮及两只后轮分别向车体纵轴方向合并为虚拟单轮，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，可以间接确定车辆的前轮转角、行驶速度等，进而实现车辆运动。基于2自由度模型，车辆i在惯性坐标系XOY中的运动过程受到以下微分方程组的限制：
其中，t∈[0,tf]代表运动时域，终止时刻tf可以是常量或变量； (xi(t),yi(t))代表车辆i的后轮轴中点坐标；vi(t)及ai(t)分别代表沿车体纵轴方向的速度及加速度，以使车辆前进的方向为正方向；φi(t)为车辆前轮偏转角，以左转方向为正方向；ωi(t)为前轮偏转角速度，以垂直于XOY坐标系向外为正方向；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，以逆时针转向为正方向。此外，车辆i的四个几何尺寸相关参数：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。
其中，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)。如果给定车辆i在初始时刻的运动状态 x(0)以及时域[0,tf]上的u(t)，则可以通过积分逐一确定该时域上的运动状态x(t)，对应着车辆i的某一特定运动轨迹。
下面描述车辆边值约束。
在车辆运动的起始时刻t＝0，应明确指定车辆所处的运动状态。
以车辆i为例，则有
其中
对应着由车载传感器记录的客观运动状态信息。
在车辆运动的终止时刻tf，也需对车辆运动状态进行限制，要求整个车体处于矩形区域中。首先定义车身的四个顶点，如图8所示，从车辆i的左前轮附近顶点起按顺时针方向将各顶点记为Ai、Bi、Ci以及Di，由后轮轴中心点(xi,yi)与各个顶点相对固定的位置关系可得到各顶点坐标：
Ai＝(Aix,Aiy)＝[xi+(Lw+Lf)·cosθi-0.5Lb·sinθi,yi+ (Lw+Lf)·sinθi+0.5Lb·cosθi], (3a)
Bi＝(Bix,Biy)＝[xi+(Lw+Lf)·cosθi+0.5Lb·sinθi,yi+ (Lw+Lf)·sinθi-0.5Lb·cosθi], (3b)
Ci＝(Cix,Ciy)＝(xi-Lr·cosθi+0.5Lb·sinθi,yi-Lr· sinθi-0.5 Lb·cosθi),(3c)
Di＝(Dix,Diy)＝(xi-Lr·cosθi-0.5 Lb·sinθ,yi-Lr· sinθi+0.5 Lb·cosθi).(3d)
其中xi,yi及θi状态变量均为时间t的函数，此处为表述简洁而省略(t)。在任意时刻t∈[0,tf]，根据xi(t),yi(t),θi(t)可经过公式(3a-3d) 直接得到车辆i矩形轮廓顶点Ai(t)、Bi(t)、Ci(t)以及Di(t)的坐标值表达式。
设终止时刻车辆所在的矩形区域的顶点分别为P1、P2、P3以及P4，据此可确定矩形区域的四条边所在直线，分别记为a·x+b·y+c1＝ 0、a·x+b·y+c2＝0、m·x+n·y+q1＝0以及m·x+n·y+q2＝ 0，它们分别表征了位于四条直线上的点。如将等号改为不等号即代表某点(x,y)在直线一侧，不等式选取正号或负号代表着点(x,y)处于直线的哪一侧。确定不等式正负号的一种简便的方法是选取某一必定处于矩形区域中的先验点G＝(xg,yg)，将该点分别代入上述四式的等号左侧部分，根据取值正负即可直接确定选择大于或小于号。先验点G可以设置为矩形区域P1P2P3P4的几何中心点。至此，某点P＝(x,y)处于某一矩形内部的约束条件可以一般性地写成诸如以下形式：
为方便描述，将公式(4)记为PointInRect(P,P1P2P3P4)。在给定矩形区域P1P2P3P4顶点坐标的前提下，可将终止时刻的区域限制约束建立为：
PointInRect(χ,P1P2P3P4),χ∈{Ai(tf),Bi(tf),Ci(tf),Di(tf)} (5)
其中，Ai(tf),Bi(tf),Ci(tf),Di(tf)等顶点由公式(3a-3d)确定，因此公式(5)属于针对状态变量xi(tf)、yi(tf)以及θi(tf)的隐式约束。
下面描述流形约束，其包括车辆内在运动能力限制以及外部环境限制，其中外部环境限制主要是指避免与环境中的任何静止或运动的障碍物发生碰撞。
车辆内在的机械特性对应着状态/控制变量的容许作用区间，一般包括:
|φi(t)|≤Φmax, (6a)
|ai(t)|≤amax, (6b)
|vi(t)|≤vmax, (6c)
|ωi(t)|≤Ωmax,t∈[0,tf]. (6d)
其中Φmax、amax、vmax以及Ωmax分别为各状态/控制变量的最大幅值。Φmax代表车辆前轮转角φi(t)的最大允许偏转角度值；vmax是车辆在低速场景中的安全行驶速度上限；为保证乘客舒适性，amax与Ωmax分别为线加速度、前轮转角速度的幅值上限。
外部环境限制在本实施例是指建立车身矩形与凸多边形障碍物之间的碰撞躲避约束条件。假设XOY坐标系中存在Nobs个凸多边形障碍物，其中第j个障碍物包含NPj个顶点
如果能够在每一时刻限制车身矩形顶点处于障碍物多边形外部，并且限制多边形障碍物的顶点处在车身矩形外部，则碰撞一定不会发生。每时每刻障碍物顶点
车身顶点Ai(t)～D i(t)所在位置均可解析获得。点P与凸多边形每两个相邻顶点分别组成三角形，并将这些三角形的面积累加，如果面积之和大于凸多边形，则点P处于凸多边形外部，否则点P处在多边形的某一边上或凸多边形内部，参见图9。据此，点P＝ (x,y)处于凸多边形Q1～Qn外部可正式描述为
其中SΔ代表相应三角形面积，
代表凸多边形面积。SΔ应通过三角形顶点坐标进行求解，以
为例，假设P＝(x,y)、Qk＝ (xQk,yQk)、Qk+1＝(xQ(k+1),yQ(k+1))，则有：
常值
可通过三角分解法离线求解。我们将点P处于凸多边形Q1～Qn外部的一般性约束条件(7)记为 PointOutOfPolygon(P,Q1...Qn)。据此可建立第j个障碍物
与车身矩形AiBiCiDi的碰撞躲避约束条件：
则，车辆i与所有障碍物之间的完整碰撞躲避约束条件为公式(9)，再加上限定t∈[0,tf],j＝1,...,Nobs，设为公式(10)。
下面描述代价函数。
代价函数可设置为：
J ＝w1·J1+w2·J2+w3·J3+w4·J4 (11)
其中，w1,w2,w3,w4≥0为各性能指标对应的权重系数，相对较大的权重意味着在整个代价函数中对该部分更重视。J1＝tf，表示希望车辆尽早运动至能够符合终止时刻约束的状态上，从而使运动过程尽快结束。
表示车辆i在整个运动时域内因车轮转角变化而消耗的能量，J2取值相对较小则车辆轨迹较为平滑。
表示车辆i在整个运动时域内因加速行驶而消耗的能量， J3取值相对较小则车辆轨迹较为平稳。
表明希望轨迹应尽量远离障碍物，其中
描述了车辆i与障碍物j的距离，系数κj>0表示期待车辆远离障碍物j的程度。
下面描述基于代价函数和行车约束条件构建的最优控制命题。在满足车辆动力学约束-公式(1)、车辆边值约束-公式(2)和(5)、流形约束-公式(6a-6d)和(10)的条件下，确定终止时刻tf以及控制变量u(t)t∈[0,tf]，使得代价函数-公式(11)最小。其中，如前所述，ai(t)和ωi(t)属于控制变量u(t)。
技术2：融合技术
具体地，根据自动驾驶车辆的初始状态信息和状态时序信息S，运用牛顿运动学定律推演确定自动驾驶车辆的第一行驶路径(记为E)；根据预设的权重将自动驾驶车辆的第一行驶路径E和基于视觉传感器检测获得的自动驾驶车辆的第二行驶路径P进行合成(例如，按照各自的权重对两条路径进行加权求和)得到更准确的自动驾驶车辆的实际行驶路径TRUE。
视觉传感器存在镜头畸变等光学误差因素，该因素随着车辆与镜头的位置关系、远近关系变化呈现非线性且变化灵敏，因此，结合车端状态信息可以对视觉传感器检测的行驶路径进行数据校准，得到更准确的车辆实际行驶路径。
技术3：路径质量量化评价技术
具体地，如图4所示，将实际行驶路径TRUE和参考行驶路径 NORM同时绘制在以道路延伸方向为横轴的frenet坐标系中。即便道路延伸方向非直线，在frenet坐标系中仍然可以将道路延伸方向转换为直线。随后在一定的测试里程内，使用黎曼积分法，计算实际行驶路径与参考行驶路径所围成区域的面积；利用面积的大小衡量自动驾驶车辆所规划的行驶路径的质量。其中，面积越小，自动驾驶车辆所规划的行驶路径的质量越高。在理想情况下，面积应该为0，代表实际行驶路径与参考行驶路径完全吻合。
图10为本公开自动驾驶路径规划质量测评方法(简称质量测评方法)的另一些实施例的示意图。该方法主要包括：车端装置感知并发送自动驾驶车辆的初始信息和实时感知的行驶场景信息；路端装置转发自动驾驶车辆的初始信息，以及，车端装置和路端装置实时感知的行驶场景信息；自动驾驶路径规划质量测评装置通过路端装置获取待测试的自动驾驶车辆的初始信息，以及车端装置和路端装置感知的行驶场景信息，获取自动驾驶车辆基于初始信息和行驶场景信息规划行驶路径并自动行驶产生的实际行驶路径；通过比较实际行驶路径与参考行驶路径之间的差异，确定自动驾驶车辆所规划的行驶路径的质量，其中，参考行驶路径根据初始信息和行驶场景信息确定。下面结合图 10描述具体的质量测评方法。
如图10所示，该实施例的质量测评方法包括：
步骤100，自动驾驶路径规划质量测评可由云端的质量评测装置 13发起，质量评测装置13尝试与路端装置12通讯，路端装置12尝试与车端装置11通讯；如果通讯链路畅通且三方准备就绪，则可以开始正式进入路径规划质量测评环节。
步骤101，质量评测装置13请求路端装置12从车端获取待测试的自动驾驶车辆的实际位置、运动状态等初始状态信息以及车辆几何尺寸以及基本物理外观等车辆基本信息，二者合称初始信息X。该初始信息X可由车端装置11的传感器获取，并通过车端装置11的通信装置上传至路端装置12，路端装置12再反馈给云端的质量评测装置 13。
步骤102，测试开始后，车辆开始行驶，车端装置11和路端装置 12将各自实时感知的行驶场景信息(也记为INFO)，如道路、障碍物等，实时发送给质量评测装置13。
步骤103，质量评测装置13根据初始信息X和感知的行驶场景信息INFO确定一条优质的参考行驶路径，记为NORM。
其中，参考行驶路径例如可以使用数值最优控制技术(记为技术1，技术1的细节参考前面的描述)求解在初始信息X和行驶场景信息 INFO下的车辆最优行驶路径。区别在于，图2实施例涉及的技术1是基于虚拟的行驶场景生成最优的参考行驶路径，而图10实施例涉及的技术1是基于实际的行驶场景生成最优的参考行驶路径。
步骤104，在车辆行驶过程中，车载传感器对车辆的运动状态(例如横向、侧向加速度等状态)按照时序持续进行记录，这些状态时序信息记为S。与此同时，在车辆行驶过程中，路端装置12也使用视觉传感器对车辆实际行驶路径进行检测并保持记录，将记录的路径称为第二行驶路径，记为P。
步骤105，车端装置11将记录的状态时序信息S上传至路端装置 12，路端装置12将S连同自身记录的P一起传递给云端的质量评测装置13。
步骤106，质量评测装置13接收到路端装置12传来的S以及P 信息，随后采用融合技术(记为技术2，技术2的细节参考前面的描述) 确定车辆的实际行驶路径(记为TRUE)，随后对比TRUE与NORM 在一定里程内的差异，评估行车路径质量(记为技术3，实现细节参考前述)，并向用户反馈质量测评结果。
如果需要多次测试，则跳转至步骤101，重复执行步骤101-106，以继续下一次测试。
通过感知自动驾驶车辆的实际行驶场景，并比较自动驾驶车辆基于该实际行驶场景的实际行驶路径与参考行驶路径的差异，以评测自动驾驶车辆所规划的行驶路径的质量，使得自动驾驶车辆能及时知道自己的能力边界，避免冒险倾向的行车操作，有利于提高行车安全性。
图5为本公开基于路径规划质量测评的自动驾驶控制方法一些实施例的示意图。
如图5所示，该实施例的自动驾驶控制方法包括：
步骤51，按照前述各个实施例提供的方法，对自动驾驶车辆所规划的行驶路径的质量进行评测。
步骤52，当自动驾驶车辆所规划的行驶路径的质量低于预设值时，提示自动驾驶车辆需要人工接管和控制，或者，发出报警，或者，将参考行驶路径返回给自动驾驶车辆进行参数调整。
基于自动驾驶车辆所规划的行驶路径的质量评测结果，使得自动驾驶车辆能及时知道自己的能力边界，在质量评测结果比较低表明超出自己的能力范围的情况下，适时地提出由人工接管和控制自动驾驶车辆，或者，发出报警，或者，将参考行驶路径返回给自动驾驶车辆进行行车参数的调整，避免冒险倾向的行车操作，有利于提高行车安全性。
图6为本公开自动驾驶路径规划质量测评装置的一些实施例的结构示意图。
如图6所示，该实施例的装置60包括：存储器61以及耦接至该存储器61的处理器62，处理器62被配置为基于存储在存储器61中的指令，执行前述任意一些实施例中的自动驾驶路径规划质量测评方法或者自动驾驶控制方法。
其中，存储器61例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。
装置60还可以包括输入输出接口63、网络接口64、存储接口65 等。这些接口63，64，65以及存储器61和处理器62之间例如可以通过总线66连接。其中，输入输出接口63为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口64为各种联网设备提供连接接口。存储接口65为SD卡、U盘等外置存储设备提供连接接口。
本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (14)
1.一种自动驾驶路径规划质量测评方法，其特征在于，包括：
获取待测试的自动驾驶车辆的初始信息；
获取待测试的自动驾驶车辆的行驶场景信息；
获取所述自动驾驶车辆基于所述初始信息和所述行驶场景信息规划行驶路径并自动行驶产生的实际行驶路径；
通过比较所述实际行驶路径与参考行驶路径之间的差异，确定所述自动驾驶车辆所规划的行驶路径的质量，其中，所述参考行驶路径根据所述初始信息和所述行驶场景信息确定；
其中，所述确定所述自动驾驶车辆所规划的行驶路径的质量包括：
计算所述实际行驶路径与所述参考行驶路径所围成的面积；
利用所述面积的大小衡量所述自动驾驶车辆所规划的行驶路径的质量，其中，所述面积越小，所述自动驾驶车辆所规划的行驶路径的质量越高。
2.根据权利要求1所述的方法，其特征在于，所述获取待测试的自动驾驶车辆的行驶场景信息包括：
为所述自动驾驶车辆生成一种虚拟行驶场景，并将所述虚拟行驶场景的描述信息发送给所述自动驾驶车辆；
或者，
接收路端装置上传的车端装置和路端装置感知的行驶场景信息。
3.根据权利要求2所述的方法，其特征在于，所述生成一种虚拟行驶场景包括：
采用随机生成的方法生成一定数量和各种类型的场景要素以及场景要素的属性信息，所有场景要素构成虚拟行驶场景。
4.根据权利要求1所述的方法，其特征在于，所述自动驾驶车辆的初始信息包括初始状态信息；
所述获取所述自动驾驶车辆的实际行驶路径包括：
获取所述自动驾驶车辆的状态时序信息；
根据所述自动驾驶车辆的初始状态信息和状态时序信息，确定所述自动驾驶车辆的第一行驶路径；
获取基于视觉传感器检测到的所述自动驾驶车辆的第二行驶路径；
根据预设的权重将所述自动驾驶车辆的第一行驶路径和第二行驶路径进行合成得到所述自动驾驶车辆的实际行驶路径。
5.根据权利要求1所述的方法，其特征在于，所述自动驾驶车辆的初始信息包括车辆基本信息和初始状态信息；
所述参考行驶路径的确定方法包括：
面向路径规划任务构建最优控制命题，所述最优控制命题包括基于预设目标构建的代价函数和根据所述初始信息和所述行驶场景信息行车的约束条件；
基于所述最优控制命题，在满足所述约束条件的前提下，计算一组车辆控制变量使得所述代价函数满足代价值最大或最小的预设条件；
根据初始状态信息和所述车辆控制变量，确定所述自动驾驶车辆的参考行驶路径。
6.根据权利要求1所述的方法，其特征在于，还包括：
当所述自动驾驶车辆所规划的行驶路径的质量低于预设值时，提示所述自动驾驶车辆需要人工接管和控制，或者，发出报警，或者，将所述参考行驶路径返回给所述自动驾驶车辆进行参数调整。
7.一种自动驾驶路径规划质量测评装置，其特征在于，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行权利要求1-6中任一项所述的自动驾驶路径规划质量测评方法。
8.一种自动驾驶路径规划质量测评系统，其特征在于，包括：
车端装置，被配置为感知并发送自动驾驶车辆的初始信息；
路端装置，被配置为转发自动驾驶车辆的初始信息，并向所述车端装置转发虚拟行驶场景的描述信息；
自动驾驶路径规划质量测评装置，被配置为通过路端装置获取待测试的自动驾驶车辆的初始信息；为所述自动驾驶车辆生成一种虚拟行驶场景，并通过路端装置将所述虚拟行驶场景的描述信息发送给所述路端装置；获取所述自动驾驶车辆基于所述初始信息和所述虚拟行驶场景的描述信息规划行驶路径并自动行驶产生的实际行驶路径；通过比较所述实际行驶路径与参考行驶路径之间的差异，确定所述自动驾驶车辆所规划的行驶路径的质量，其中，所述参考行驶路径根据所述初始信息和所述虚拟行驶场景的描述信息确定；其中，确定所述自动驾驶车辆所规划的行驶路径的质量包括：计算所述实际行驶路径与所述参考行驶路径所围成的面积；利用所述面积的大小衡量所述自动驾驶车辆所规划的行驶路径的质量，其中，所述面积越小，所述自动驾驶车辆所规划的行驶路径的质量越高。
9.一种自动驾驶路径规划质量测评系统，其特征在于，包括：
车端装置，被配置为感知并发送自动驾驶车辆的初始信息和感知的行驶场景信息；
路端装置，被配置为转发自动驾驶车辆的初始信息，以及，车端装置和路端装置感知的行驶场景信息；
自动驾驶路径规划质量测评装置，被配置为通过路端装置获取待测试的自动驾驶车辆的初始信息，以及车端装置和路端装置感知的行驶场景信息；获取所述自动驾驶车辆基于所述初始信息和所述行驶场景信息规划行驶路径并自动行驶产生的实际行驶路径；通过比较所述实际行驶路径与参考行驶路径之间的差异，确定所述自动驾驶车辆所规划的行驶路径的质量，其中，所述参考行驶路径根据所述初始信息和所述行驶场景信息确定；其中，确定所述自动驾驶车辆所规划的行驶路径的质量包括：计算所述实际行驶路径与所述参考行驶路径所围成的面积；利用所述面积的大小衡量所述自动驾驶车辆所规划的行驶路径的质量，其中，所述面积越小，所述自动驾驶车辆所规划的行驶路径的质量越高。
10.根据权利要求8或9所述的系统，其特征在于，
所述车端装置，还被配置为感知并发送自动驾驶车辆的状态时序信息；
所述路端装置，还被配置为转发自动驾驶车辆的状态时序信息，基于视觉传感器检测并发送所述自动驾驶车辆的第二行驶路径；
所述自动驾驶路径规划质量测评装置，还被配置为根据所述自动驾驶车辆的初始信息中的初始状态信息和状态时序信息，确定所述自动驾驶车辆的第一行驶路径；获取所述第二行驶路径；根据预设的权重将所述自动驾驶车辆的第一行驶路径和第二行驶路径进行合成得到所述自动驾驶车辆的实际行驶路径。
11.根据权利要求8或9所述的系统，其特征在于，所述自动驾驶车辆的初始信息包括车辆基本信息和初始状态信息；
所述自动驾驶路径规划质量测评装置，在确定参考行驶路径时被配置为：
面向路径规划任务构建最优控制命题，所述最优控制命题包括基于预设目标构建的代价函数和根据所述初始信息和行驶场景行车的约束条件；
基于所述最优控制命题，在满足所述约束条件的前提下，计算一组车辆控制变量使得所述代价函数满足代价值最大或最小的预设条件；
根据初始状态信息和所述车辆控制变量，确定所述自动驾驶车辆的参考行驶路径。
12.根据权利要求8或9所述的系统，其特征在于，
所述自动驾驶路径规划质量测评装置，还被配置为当所述自动驾驶车辆所规划的行驶路径的质量低于预设值时，提示所述自动驾驶车辆需要人工接管和控制，或者，发出报警，或者，将所述参考行驶路径返回给所述自动驾驶车辆进行参数调整。
13.根据权利要求8或9所述的系统，其特征在于，所述自动驾驶路径规划质量测评装置为云端装置。
14.一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-6中任一项所述的自动驾驶路径规划质量测评方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911239626.7A CN110884502B (zh) | 2019-12-06 | 2019-12-06 | 自动驾驶路径规划质量测评方法、装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911239626.7A CN110884502B (zh) | 2019-12-06 | 2019-12-06 | 自动驾驶路径规划质量测评方法、装置和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110884502A CN110884502A (zh) | 2020-03-17 |
| CN110884502B true CN110884502B (zh) | 2021-02-26 |
Family
ID=69750757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911239626.7A Active CN110884502B (zh) | 2019-12-06 | 2019-12-06 | 自动驾驶路径规划质量测评方法、装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110884502B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111785062B (zh) * | 2020-04-01 | 2021-09-14 | 北京京东乾石科技有限公司 | 在无信号灯路口实现车路协同的方法和装置 |
| CN111532285B (zh) * | 2020-04-01 | 2021-09-07 | 北京三快在线科技有限公司 | 一种车辆控制方法及装置 |
| CN111487967A (zh) * | 2020-04-17 | 2020-08-04 | 达闼机器人有限公司 | 机器人路径规划方法、装置、介质和设备 |
| CN113741384B (zh) * | 2020-05-29 | 2023-12-29 | 华为技术有限公司 | 检测自动驾驶系统的方法和装置 |
| CN112100836B (zh) * | 2020-09-07 | 2022-06-07 | 腾讯科技（深圳）有限公司 | 车辆边界参数的获取方法和装置 |
| CN113029179B (zh) * | 2021-03-25 | 2023-12-19 | 北京百度网讯科技有限公司 | 一种路线评测方法、装置、电子设备及存储介质 |
| CN113705995B (zh) * | 2021-08-18 | 2024-09-10 | 南斗六星系统集成有限公司 | 一种自动驾驶路线分类统计评分的方法及系统 |
| CN114056341B (zh) * | 2021-11-03 | 2024-01-26 | 天津五八驾考信息技术有限公司 | 驾驶培训中的驾驶辅助方法、设备及存储介质 |
| CN114235441A (zh) * | 2021-12-31 | 2022-03-25 | 深兰人工智能(深圳)有限公司 | 无人车实时碰撞检测方法及相关装置 |
| CN116588087B (zh) * | 2023-07-14 | 2023-09-29 | 上海伯镭智能科技有限公司 | 基于多模态数据的无人驾驶矿车装卸点停靠方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104330091A (zh) * | 2013-07-23 | 2015-02-04 | 大陆汽车投资（上海）有限公司 | 基于信息共享的导航系统及导航方法 |
| US11370422B2 (en) * | 2015-02-12 | 2022-06-28 | Honda Research Institute Europe Gmbh | Method and system in a vehicle for improving prediction results of an advantageous driver assistant system |
| DE102016007563A1 (de) * | 2016-06-21 | 2017-02-09 | Daimler Ag | Verfahren zur Trajektorienplanung |
| CN106767866B (zh) * | 2016-12-02 | 2021-02-12 | 百度在线网络技术（北京）有限公司 | 局部路径规划的方法和装置 |
| CN109920246B (zh) * | 2019-02-22 | 2022-02-11 | 重庆邮电大学 | 一种基于v2x通信与双目视觉的协同局部路径规划方法 |
-
2019
- 2019-12-06 CN CN201911239626.7A patent/CN110884502B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110884502A (zh) | 2020-03-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110884502B (zh) | 自动驾驶路径规划质量测评方法、装置和系统 | |
| CN109421742B (zh) | 用于监测自主车辆的方法和设备 | |
| US10963462B2 (en) | Enhancing autonomous vehicle perception with off-vehicle collected data | |
| CN111309600B (zh) | 虚拟场景注入自动驾驶测试方法及电子设备 | |
| US9880558B2 (en) | Travel control device | |
| US10902165B2 (en) | Deployable development platform for autonomous vehicle (DDPAV) | |
| CN106080744B (zh) | 自动驾驶车辆系统 | |
| RU2721860C2 (ru) | Система и способ управления крутящим моментом рулевой колонки | |
| CN101793528B (zh) | 使用传感器融合来估计车道路径的系统和方法 | |
| Zhao et al. | Dynamic motion planning for autonomous vehicle in unknown environments | |
| US10860035B2 (en) | Travel history storage method, method for producing travel path model, method for estimating local position, and travel history storage device | |
| US11079761B2 (en) | Vehicle path processing | |
| US11138452B2 (en) | Vehicle neural network training | |
| KR20210037791A (ko) | 자율 주행 장치 및 방법 | |
| KR20210037790A (ko) | 자율 주행 장치 및 방법 | |
| Chen et al. | Terramax™: Team oshkosh urban robot | |
| Fu et al. | Path planning and decision making for autonomous vehicle in urban environment | |
| CN112519753A (zh) | 车辆车道映射 | |
| WO2018199941A1 (en) | Enhancing autonomous vehicle perception with off-vehicle collected data | |
| US20230145701A1 (en) | Neural network object pose determination | |
| Josef | Trailer backing-up assistant using ultrasound sensors based control units to safely back-up the car with trailer | |
| CN110375786A (zh) | 一种传感器外参的标定方法、车载设备及存储介质 | |
| CN111366928A (zh) | 车辆速度的确定方法及装置、存储介质、处理器 | |
| KR102594135B1 (ko) | Gnss 기반의 차량 운전주행 시험 장치 | |
| US20220332352A1 (en) | Systematic Approach Towards System Identification Based Yaw Rate Estimation With Low-Cost IMU+GPS Units |
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 |