CN111006667B - 高速场景下的自动驾驶轨迹生成系统 - Google Patents

高速场景下的自动驾驶轨迹生成系统 Download PDF

Info

Publication number
CN111006667B
CN111006667B CN201911250461.3A CN201911250461A CN111006667B CN 111006667 B CN111006667 B CN 111006667B CN 201911250461 A CN201911250461 A CN 201911250461A CN 111006667 B CN111006667 B CN 111006667B
Authority
CN
China
Prior art keywords
point
track
sampling
information
vehicle
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
Application number
CN201911250461.3A
Other languages
English (en)
Other versions
CN111006667A (zh
Inventor
夏然飞
殷政
万四禧
管杰
陈钊
付源翼
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.)
Dongfeng Commercial Vehicle Co Ltd
Original Assignee
Dongfeng Commercial Vehicle 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 Dongfeng Commercial Vehicle Co Ltd filed Critical Dongfeng Commercial Vehicle Co Ltd
Priority to CN201911250461.3A priority Critical patent/CN111006667B/zh
Publication of CN111006667A publication Critical patent/CN111006667A/zh
Application granted granted Critical
Publication of CN111006667B publication Critical patent/CN111006667B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20Instruments for performing navigational calculations
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34Route searching; Route guidance
    • G01C21/3453Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3492Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical

Abstract

本发明涉及高速场景下的自动驾驶轨迹生成系统,包含感应器组、执行系统、规划子系统、轨迹筛选模块、轨迹优化模块;感应器组收集信息,传送到传感器融合模块;传感器融合模块构建二维坐标系,得到原始道路数据和原始车辆状态数据,传送给行为规划子系统;得到采样点集合,传送给轨迹筛选模块;轨迹筛选模块生成候选轨迹;候选轨迹由采样点组成;轨迹筛选模块逐一,计算采样点之间cost值,筛选出最佳路径数据,传送给轨迹优化模块;轨迹优化模块得到最优平滑曲线,传送给执行系统;执行系统控制车辆沿目标轨迹进入end点。本发明降低了计算量提升了路径规划速度,保证了输出的实时性;规划路径曲率连续,安全性和可操作性较高;可以得到最优解。

Description

高速场景下的自动驾驶轨迹生成系统
技术领域
本发明涉及无人车技术领域,具体地涉及高速场景下的自动驾驶轨迹生成系统。
背景技术
无人驾驶车的路径规划依赖于ECU中的决策规划系统,在复杂多变的道路环境中,实时根据接收到的环境信息,做出相应的驾驶行为指令,这当中包含了轨迹规划工作。轨迹是无人车从当前状态到下一目标状态的一系列轨迹曲线。轨迹需要满足车辆的运动和动态约束,以避免在真实的城市环境中与障碍物碰撞。
当前主流的轨迹生成系统大多采用基于曲线插值的算法和基于采样的搜索算法。
前者好处在于简单、计算速度快,但缺点在于计算出来的轨迹曲率不连续、节点是片段连接,车辆会遇到急转的点,安全性和可操作性较低;同时基于曲线插值的算法有一定概率得到的轨迹并非最优解。
基于曲线插值的算法虽然可靠性较高,但由于采样及后续计算需要耗费大量的计算资源,在当前车载ECU固件性能下,其处理速度会很慢,实时性无法保障,无法满足自动驾驶的基本需求。
当前也有采用基于曲线插值的算法,同时通过提高车载ECU固件配置来提高计算速度的解决方案,但其成本则非常高,不利于无人驾驶技术的推广。
发明内容
本发明针对上述问题,提供高速场景下的自动驾驶轨迹生成系统,大幅降低计算量,大幅提升路径规划速度,保证输出的实时性。规划路径的曲线曲率连续,消除急转的点,安全性和可操作性较高。得到最优解。
为解决上述问题,本发明提供的技术方案为:
高速场景下的自动驾驶轨迹生成系统,包含用于获取车辆运动信息和道路信息的感应器组和执行系统,还包含行为规划子系统、轨迹筛选模块、轨迹优化模块和传感器融合模块;
所述感应器组收集障碍物信息、交通信号、自车位姿、车身信息、操作员操作信息、地图信息和导航信息,然后传送到传感器融合模块;所述传感器融合模块构建二维坐标系,以(x,y)表示车辆在二维坐标系中的位置;将车辆的当前位置标记为start点,将车辆的目标位置标记为end点;传感器融合模块根据处理所述障碍物信息、交通信号、自车位姿、车身信息、操作员操作信息、地图信息和导航信息,得到原始道路数据和原始车辆状态数据,然后传送给行为规划子系统;
所述行为规划子系统处理所述原始道路数据和原始车辆状态数据,在预置的若干采样模板中选取对应的采样模板,然后将原始道路数据和原始车辆状态数据导入所述的采样模板,得到若干采样点;将全部的采样点打包为一个采样点集合,然后传送给轨迹筛选模块;
所述轨迹筛选模块根据采样点集合和采样模板,生成若干候选轨迹;所述候选轨迹由采样点组成;轨迹筛选模块逐一计算所有采样点之间cost值;轨迹筛选模块采用改进的Dijkstra算法,筛选出最佳路径数据,然后传送给轨迹优化模块;
所述轨迹优化模块对最佳路径数据采用三阶Bezier曲线进行拟合操作,得到最优平滑曲线,然后传送给执行系统;轨迹优化模块计算end点的预期轨迹航向角和end点的预期曲率,然后传送给执行系统;
所述执行系统执行最佳路径数据,控制被控车辆从start点沿最佳路径数据进入end点,然后保持被控车辆匀速运动;
所述cost的值按以下方式计算:
Cost(pi,pj)=K1×Dist(pi,pj)+K2×Head(pi,pj)
其中,Cost(pi,pj)表示两个采样点pi和pj之间的成本函数,(xi,yi)和(xj,yj)分别是采样点pi和pj的坐标;Dist(pi,pj)表示采样点pi和pj之间的距离,Head(pi,pj)表示采样点pi和pj之间的角度差,K1是Dist(pi,pj)对应的权重系数,K2是Head(pi,pj)对应的权重系数;其中,Dist(pi,pj)按下式计算:
Head(pi,pj)按下式计算:
Head(pi,pj)=θij
其中,θij为采样点pi和pj之间的角度差。
优选地,所述拟合操作使用的三阶Bezier曲线按下式计算:
其中,T(t)表示带时间戳的轨迹曲线函数,Pk为控制点,t表示时间比例系数,取值范围为[0,1],n为曲线阶数,Bk,n(t)为伯恩斯坦基函数;所述伯恩斯坦基函数按下式计算:
其中,i表示第i个控制点,用于累进计算。
优选地,所述end点的预期轨迹航向角按下式计算:
其中,x(t)和y(t)为end点分别在x轴和y轴上的坐标;
所述end点的预期曲率按下式计算:
优选地,所述二维坐标系的x轴为道路中线;所述start点在所述x轴上的投影点为原点;二维坐标系的y轴为经过所述原点并与x轴垂直的直线;当前车辆的行进方向分别在x轴和y轴上的分量方向为正方向。
优选地,所述轨迹筛选模块采用改进的Dijkstra算法,筛选出最佳路径数据,具体包括以下步骤:
S100、将start点的cost值标记为0,然后从各条候选轨迹距离原点x值最小的采样点中选取cost值最小的一个,作为本次选中点;将本次选中点记录到最佳路径数据中,并将原点和本次选中点连接起来,方向为自原点指向本次选中点;
S200、设本次选中点为本次出发点,然后从各条候选轨迹距离本次出发点x值大于0且最小的采样点中选取cost值最小的一个,作为本次选中点;将本次选中点记录到最佳路径数据中,并将本次出发点和本次选中点连接起来,方向为自本次出发点指向本次选中点;
S300、将本次选中点的坐标和end点坐标对比,根据对比结果做出以下操作:
如果本次选中点和end点坐标相同,则结束筛选,输出最佳路径数据;
或,
如果本次选中点和end点坐标不同,则重复S200至S300。
优选地,所述候选轨迹包含数量相同的采样点;不同的候选轨迹除start点和end点外,没有相同的采样点;每条候选轨迹上的采样点的x值形成一个等差数列。
本发明与现有技术对比,具有以下优点:
1、本发明在路径规划系统中加入了车辆运动约束作为成本函数,同时对传统的Dijkstra算法进行改进,大幅降低了计算量,从而在不增加现有主流ECU固件成本的前提下,大幅提升了路径规划速度,保证了输出的实时性。
2、本发明采用三阶Bezier曲线作为无人驾驶车的行驶轨迹,使规划路径的曲线曲率连续,消除了急转的点,安全性和可操作性较高。
3、本发明采用采样点计算最佳轨迹,可以得到最优解。
附图说明
图1为本发明具体实施例的系统结构示意图。
图2为本发明具体实施例的候选轨迹示意图。
图3为本发明具体实施例的筛选最佳轨迹的示意图。
图4为本发明具体实施例的对最佳轨迹进行三阶Bezier曲线拟合的示意图。
图5为本发明具体实施例的执行拟合后的最佳轨迹示意图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,高速场景下的自动驾驶轨迹生成系统,包含用于获取车辆运动信息和道路信息的感应器组和执行系统,还包含行为规划子系统、轨迹筛选模块、轨迹优化模块;
感应器组收集障碍物信息、交通信号、自车位姿、车身信息、操作员操作信息、地图信息和导航信息,然后传送到传感器融合模块;传感器融合模块构建二维坐标系,以(x,y)表示车辆在二维坐标系中的位置;将车辆的当前位置标记为start点,将车辆的目标位置标记为end点;二维坐标系的x轴为道路中线;start点在x轴上的投影点为原点;二维坐标系的y轴为经过原点并与x轴垂直的直线;当前车辆的行进方向分别在x轴和y轴上的分量方向为正方向。
传感器融合模块根据处理障碍物信息、交通信号、自车位姿、车身信息、操作员操作信息、地图信息和导航信息,得到原始道路数据和原始车辆状态数据,然后传送给行为规划子系统;
行为规划子系统处理原始道路数据和原始车辆状态数据,在预置的若干采样模板中选取对应的采样模板,然后将原始道路数据和原始车辆状态数据导入采样模板,得到若干采样点;将全部的采样点打包为一个采样点集合,然后传送给轨迹筛选模块;
如图2所示,此项任务要求无人驾驶车从start点驶入end点;于是轨迹筛选模块根据采样点集合和采样模板,生成若干候选轨迹;候选轨迹由采样点组成;候选轨迹包含数量相同的采样点;不同的候选轨迹除start点和end点外,没有相同的采样点;每条候选轨迹上的采样点的x值形成一个等差数列。
如图3所示,轨迹筛选模块逐一计算所有采样点之间cost值;轨迹筛选模块采用改进的Dijkstra算法,筛选出最佳路径数据,然后传送给轨迹优化模块;其中:
cost的值按以下方式计算:
Cost(pi,pj)=K1×Dist(pi,pj)+K2×Head(pi,pj)
其中,Cost(pi,pj)表示两个节点pi和pj之间的成本函数,(xi,yi)和(xj,yj)分别是节点pi和pj的坐标;Dist(pi,pj)表示节点pi和pj之间的距离,Head(pi,pj)表示节点pi和pj之间的角度差,K1是Dist(pi,pj)对应的权重系数,K2是Head(pi,pj)对应的权重系数;其中,Dist(pi,pj)按下式计算:
Head(pi,pj)按下式计算:
Head(pi,pj)=θij
其中,θij为节点pi和pj之间的角度差;
轨迹筛选模块采用改进的Dijkstra算法,筛选出最佳路径数据,具体包括以下步骤:
S100、将start点的cost值标记为0,然后从各条候选轨迹距离原点x值最小的采样点中选取cost值最小的一个,作为本次选中点;将本次选中点记录到最佳路径数据中,并将原点和本次选中点连接起来,方向为自原点指向本次选中点;
S200、设本次选中点为本次出发点,然后从各条候选轨迹距离本次出发点x值大于0且最小的采样点中选取cost值最小的一个,作为本次选中点;将本次选中点记录到最佳路径数据中,并将本次出发点和本次选中点连接起来,方向为自本次出发点指向本次选中点;
S300、将本次选中点的坐标和end点坐标对比,根据对比结果做出以下操作:
如果本次选中点和end点坐标相同,则结束筛选,输出最佳路径数据;
或,
如果本次选中点和end点坐标不同,则重复S200至S300。
如图4所示,轨迹优化模块对最佳路径数据进行三阶Bezier曲线拟合,得到最优平滑曲线,然后传送给执行系统;轨迹优化模块计算end点的预期轨迹航向角和end点的预期曲率,然后传送给执行系统;其中:
三阶Bezier曲线按下式计算:
其中,T(t)表示带时间戳的轨迹曲线函数,Pk为控制点,t表示时间比例系数,取值范围为[0,1],n为曲线阶数,Bk,n(t)为伯恩斯坦基函数;伯恩斯坦基函数按下式计算:
其中,i表示第i个控制点,用于累进计算。
end点的预期轨迹航向角按下式计算:
其中,x(t)和y(t)为end点分别在x轴和y轴上的坐标;
end点的预期曲率按下式计算:
如图5所示,执行系统执行最佳路径数据,控制被控车辆从start点沿最佳路径数据进入end点,然后保持被控车辆匀速运动。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。

Claims (6)

1.一种高速场景下的自动驾驶轨迹生成系统,包含用于获取车辆运动信息和道路信息的感应器组和执行系统,其特征在于:它还包含行为规划子系统、轨迹筛选模块、轨迹优化模块和传感器融合模块;
所述感应器组收集障碍物信息、交通信号、自车位姿、车身信息、操作员操作信息、地图信息和导航信息,然后传送到传感器融合模块;所述传感器融合模块构建二维坐标系,以(x,y)表示车辆在二维坐标系中的位置;将车辆的当前位置标记为start点,将车辆的目标位置标记为end点;传感器融合模块根据处理所述障碍物信息、交通信号、自车位姿、车身信息、操作员操作信息、地图信息和导航信息,得到原始道路数据和原始车辆状态数据,然后传送给行为规划子系统;
所述行为规划子系统处理所述原始道路数据和原始车辆状态数据,在预置的若干采样模板中选取对应的采样模板,然后将原始道路数据和原始车辆状态数据导入所述的采样模板,得到若干采样点;将全部的采样点打包为一个采样点集合,然后传送给轨迹筛选模块;
所述轨迹筛选模块根据采样点集合和采样模板,生成若干候选轨迹;所述候选轨迹由采样点组成;轨迹筛选模块逐一计算所有采样点之间cost值;轨迹筛选模块采用改进的Dijkstra算法,筛选出最佳路径数据,然后传送给轨迹优化模块;
所述轨迹优化模块对最佳路径数据采用三阶Bezier曲线进行拟合操作,得到最优平滑曲线,然后传送给执行系统;轨迹优化模块计算end点的预期轨迹航向角和end点的预期曲率,然后传送给执行系统;
所述执行系统执行最佳路径数据,控制被控车辆从start点沿最佳路径数据进入end点,然后保持被控车辆匀速运动;
所述cost的值按以下方式计算:
Cost(pi,pj)=K1×Dist(pi,pj)+K2×Head(pi,pj)
其中,Cost(pi,pj)表示两个采样点pi和pj之间的成本函数,(xi,yi)和(xj,yj)分别是采样点pi和pj的坐标;Dist(pi,pj)表示采样点pi和pj之间的距离,Head(pi,pj)表示采样点pi和pj之间的角度差,K1是Dist(pi,pj)对应的权重系数,K2是Head(pi,pj)对应的权重系数;其中,Dist(pi,pj)按下式计算:
Head(pi,pj)按下式计算:
Head(pi,pj)=θij
其中,θij为采样点pi和pj之间的角度差。
2.根据权利要求1所述高速场景下的自动驾驶轨迹生成系统,其特征在于:所述拟合操作使用的三阶Bezier曲线按下式计算:
其中,T(t)表示带时间戳的轨迹曲线函数,Pk为控制点,t表示时间比例系数,取值范围为[0,1],n为曲线阶数,Bk,n(t)为伯恩斯坦基函数;所述伯恩斯坦基函数按下式计算:
其中,i表示第i个控制点,用于累进计算。
3.根据权利要求2所述高速场景下的自动驾驶轨迹生成系统,其特征在于:所述end点的预期轨迹航向角按下式计算:
其中,x(t)和y(t)为end点分别在x轴和y轴上的坐标;
所述end点的预期曲率按下式计算:
4.根据权利要求3所述高速场景下的自动驾驶轨迹生成系统,其特征在于:所述二维坐标系的x轴为道路中线;所述start点在所述x轴上的投影点为原点;二维坐标系的y轴为经过所述原点并与x轴垂直的直线;当前车辆的行进方向分别在x轴和y轴上的分量方向为正方向。
5.根据权利要求4所述高速场景下的自动驾驶轨迹生成系统,其特征在于:所述轨迹筛选模块采用改进的Dijkstra算法,筛选出最佳路径数据,具体包括以下步骤:
S100、将start点的cost值标记为0,然后从各条候选轨迹距离原点x值最小的采样点中选取cost值最小的一个,作为本次选中点;将本次选中点记录到最佳路径数据中,并将原点和本次选中点连接起来,方向为自原点指向本次选中点;
S200、设本次选中点为本次出发点,然后从各条候选轨迹距离本次出发点x值大于0且最小的采样点中选取cost值最小的一个,作为本次选中点;将本次选中点记录到最佳路径数据中,并将本次出发点和本次选中点连接起来,方向为自本次出发点指向本次选中点;
S300、将本次选中点的坐标和end点坐标对比,根据对比结果做出以下操作:
如果本次选中点和end点坐标相同,则结束筛选,输出最佳路径数据;
或,
如果本次选中点和end点坐标不同,则重复S200至S300。
6.根据权利要求5所述高速场景下的自动驾驶轨迹生成系统,其特征在于:所述候选轨迹包含数量相同的采样点;不同的候选轨迹除start点和end点外,没有相同的采样点;每条候选轨迹上的采样点的x值形成一个等差数列。
CN201911250461.3A 2019-12-09 2019-12-09 高速场景下的自动驾驶轨迹生成系统 Active CN111006667B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911250461.3A CN111006667B (zh) 2019-12-09 2019-12-09 高速场景下的自动驾驶轨迹生成系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911250461.3A CN111006667B (zh) 2019-12-09 2019-12-09 高速场景下的自动驾驶轨迹生成系统

Publications (2)

Publication Number Publication Date
CN111006667A CN111006667A (zh) 2020-04-14
CN111006667B true CN111006667B (zh) 2021-07-06

Family

ID=70115809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911250461.3A Active CN111006667B (zh) 2019-12-09 2019-12-09 高速场景下的自动驾驶轨迹生成系统

Country Status (1)

Country Link
CN (1) CN111006667B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033925B (zh) * 2021-05-21 2021-08-31 禾多科技(北京)有限公司 用于控制自动驾驶车辆行驶、装置、电子设备和介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017228266A (ja) * 2016-06-21 2017-12-28 バイドゥ オンライン ネットワーク テクノロジー (ベイジン) カンパニー リミテッド スマート車両に用いられる局部軌跡計画方法及び装置
CN108088456A (zh) * 2017-12-21 2018-05-29 北京工业大学 一种具有时间一致性的无人驾驶车辆局部路径规划方法
CN110262488A (zh) * 2019-06-18 2019-09-20 重庆长安汽车股份有限公司 自动驾驶的局部路径规划方法、系统及计算机可读存储介质
CN110347151A (zh) * 2019-05-31 2019-10-18 河南科技大学 一种融合Bezier优化遗传算法的机器人路径规划方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108387242B (zh) * 2018-02-07 2021-04-09 西南交通大学 自动驾驶换道准备和执行一体化轨迹规划方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017228266A (ja) * 2016-06-21 2017-12-28 バイドゥ オンライン ネットワーク テクノロジー (ベイジン) カンパニー リミテッド スマート車両に用いられる局部軌跡計画方法及び装置
CN108088456A (zh) * 2017-12-21 2018-05-29 北京工业大学 一种具有时间一致性的无人驾驶车辆局部路径规划方法
CN110347151A (zh) * 2019-05-31 2019-10-18 河南科技大学 一种融合Bezier优化遗传算法的机器人路径规划方法
CN110262488A (zh) * 2019-06-18 2019-09-20 重庆长安汽车股份有限公司 自动驾驶的局部路径规划方法、系统及计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"智能车辆深度强化学习的模型迁移轨迹规划方法";余伶俐 等;《控制理论与应用》;20190930;第36卷(第9期);正文第1409-1413页 *

Also Published As

Publication number Publication date
CN111006667A (zh) 2020-04-14

Similar Documents

Publication Publication Date Title
WO2019042295A1 (zh) 一种无人驾驶路径规划方法、系统和装置
Göhring et al. Radar/lidar sensor fusion for car-following on highways
CN107085938B (zh) 基于车道线与gps跟随的智能驾驶局部轨迹容错规划方法
CN109059944B (zh) 基于驾驶习惯学习的运动规划方法
CN107169468A (zh) 用于控制车辆的方法和装置
TW202019743A (zh) 自動駕駛車輛之行駛軌跡規劃系統及方法
CN107943049B (zh) 一种无人车控制方法及无人割草车
CN110341711B (zh) 一种基于码头环境的行驶轨迹生成系统及方法
CN111006667B (zh) 高速场景下的自动驾驶轨迹生成系统
CN109270933A (zh) 基于圆锥曲线的无人驾驶避障方法、装置、设备及介质
CN109557912B (zh) 一种自动驾驶特种作业车辆的决策规划方法
Zheng et al. RRT based path planning for autonomous parking of vehicle
CN112068545A (zh) 一种无人驾驶车辆在十字路口的行驶轨迹规划方法、系统及存储介质
CN110865640A (zh) 一种智能机器人的避障结构
CN112964271A (zh) 一种面向多场景的自动驾驶规划方法及系统
Wang et al. Trajectory prediction for turning vehicles at intersections by fusing vehicle dynamics and driver’s future input estimation
CN112882469A (zh) 一种融合全局训练的深度强化学习避障导航方法
Deusch et al. Improving localization in digital maps with grid maps
CN111076734A (zh) 一种封闭区域非结构化道路高精地图构建方法
JP4985431B2 (ja) 道路走行予想軌跡導出装置、道路走行予想軌跡導出方法および道路走行予想軌跡導出プログラム
CN110954122B (zh) 高速场景下的自动驾驶轨迹生成方法
Kim et al. High-level automated driving on complex urban roads with enhanced environment representation
CN112937606B (zh) 用于循迹自动驾驶车辆的防撞路径规划与控制方法及系统
CN208061025U (zh) 一种基于Dubins路径的无人驾驶车辆避障控制装置
CN113050657B (zh) 一种用于自动驾驶循迹的路点处理方法及系统

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