CN111489578A - 一种基于车道时空间隙的高速道路无人驾驶决策规划方法 - Google Patents

一种基于车道时空间隙的高速道路无人驾驶决策规划方法 Download PDF

Info

Publication number
CN111489578A
CN111489578A CN202010248916.4A CN202010248916A CN111489578A CN 111489578 A CN111489578 A CN 111489578A CN 202010248916 A CN202010248916 A CN 202010248916A CN 111489578 A CN111489578 A CN 111489578A
Authority
CN
China
Prior art keywords
cost
vehicle
lane
local
sampling
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
CN202010248916.4A
Other languages
English (en)
Other versions
CN111489578B (zh
Inventor
付梦印
封志奇
宋文杰
杨毅
陈思园
张婷
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 Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202010248916.4A priority Critical patent/CN111489578B/zh
Publication of CN111489578A publication Critical patent/CN111489578A/zh
Application granted granted Critical
Publication of CN111489578B publication Critical patent/CN111489578B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams

Abstract

本发明公开了一种基于车道时空间隙的高速道路无人驾驶决策规划方法，本发明是在已知高精度地图、全局路径的前提下对智能车辆所在的局部行驶环境进行智能决策与规划，实现高速道路下符合人类驾驶习惯的安全决策；利用周围车辆运动预测信息构建局部代价地图，并结合多种车辆行驶代价计算方法，得到代价最小的车道时空间隙作为行驶目标；得到最优目标点之后，采用基于贝塞尔曲线优化加加速度的方法进行轨迹规划。

Description

一种基于车道时空间隙的高速道路无人驾驶决策规划方法
技术领域
本发明属于智能车辆的技术领域，具体涉及一种基于车道时空间隙的高速道路无人驾驶决策规划方法。
背景技术
智能车辆(Intelligent Vehicle，IV)，也称作地面无人平台(Unmanned GroundVehicle，UGV)，是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统，集中运用了计算机、现代传感、信息融合、通讯、人工智能及自动控制等技术。无人驾驶的智能汽车将是新世纪汽车技术飞跃发展的重要标志，其相关技术在多领域都得到了广泛应用，具备较高的社会经济价值和科研价值。
智能决策与规划的任务就是根据给定的路网文件、获取的交通环境信息和自身行驶状态，将行为预测、路径规划以及避障机制三者结合起来，自主产生合理驾驶决策，实时完成无人驾驶动作规划。狭义上来讲，包含了无人驾驶车的行为决策、动作规划以及反馈控制模块；广义上来讲，还紧密依赖上游的路由寻径、交通预测模块的计算结果。
智能车辆对于高速道路环境下的智能决策规划技术研究对于物流运输、智能公交、城区安防等多个重要领域的应用均具有重大意义，能够代替人类完成高密度、长周期、大流量等复杂场景下的繁琐作业，极大地节省人力物力。城市高速道路具备着拓扑结构清晰、交通规则已知、限制条件明确等特点。利用已有的高精度地图及组合导航定位系统实现对智能车辆的实时定位及导航。因此，高速道路具备实现智能车辆无人驾驶的有利条件，在现如今的无人驾驶技术发展中，应用较为广泛的也是在城市结构化道路下的自主导航驾驶。
然而对于城市结构化道路，智能车辆的无人驾驶仍然存在着诸多问题。首先，城市结构化道路下动态车辆运动状态复杂，要求智能车辆对于动态障碍物具有感知及运动预测能力；其次在复杂的行驶环境中，需要对行驶状态进行实时决策，以确保行驶的安全性与舒适性。
对于无人驾驶的决策问题的解决方法主要有两种：基于规则限定的决策方法和基于学习的决策方法。基于规则限定的决策方法。通过对大量的驾驶数据进行分析，得到在某些特定情况下人类驾驶员的驾驶策略，进而利用这些策略，为智能体的决策系统拟定在各种可能发生的路况下，汽车应采用策略的一系列规则。该类方法包括有限状态机、基于知识的推理决策模型、基于POMDP的行为决策模型等。但是在面对复杂多变的实际应用场合时，这些事先人为定义的规则显然无法足够广泛的覆盖可能出现的场景，因此会潜在引发危险事故的隐患。基于学习的决策方法，是通过车载摄像机等传感器对周围环境进行采集，直接映射到车辆控制量，实现“端到端”的控制，直接得到车辆速度及方向的控制，该方法要求大量的实验数据进行训练，可解释性较差。
因此，构建一个包含运动障碍物预测轨迹信息的局部代价地图对于智能车辆在高速道路环境下进行智能决策和规划具有至关重要的作用，根据所构建的局部代价地图进行可解释的、符合人类驾驶行为习惯的智能决策。
发明内容
有鉴于此，本发明提供了一种基于车道时空间隙的高速道路无人驾驶决策规划方法，能够在已知高精度地图、全局路径的前提下对智能车辆所在的局部行驶环境进行智能决策与规划，实现高速道路下符合人类驾驶习惯的安全决策。
实现本发明的技术方案如下：
一种基于车道时空间隙的高速道路无人驾驶决策规划方法，包括以下步骤：
步骤一、选取主车前方a米作为构建局部地图的距离范围，构建局部地图，在该地图中根据实际道路情况划分车道信息，在局部地图中标注主车位置(sego,dego)，以及局部地图内其他车辆的位置信息(si,di)(i＝1,2,...,n)；
步骤二、对其他车辆进行运动预测，利用预测结果，将主车前后a米内车辆运动预测的概率分布投影到局部地图中，作为周围车辆影响代价Costveh；
步骤三、对局部地图中的每个车道进行均匀采样，将采样点聚类为车道间隙；对于每一个采样点，计算车道间隙代价，所述车道间隙代价为其他车辆的到达代价与主车的到达代价之和；
步骤四、将每个采样点的周围车辆影响代价Costveh与车道间隙代价相加获得局部代价，选择局部代价中代价最小的采样点作为局部目标，规划出最优轨迹。
进一步地，采样间隔为0.5m。
进一步地，其他车辆的到达代价为：
Figure BDA0002434807250000031
其中，α,β为权重，v0为主车车速，v1为采样点前车车速，d1为采样点距前车距离，v2为采样点后车车速，d2为采样点距后车距离。
进一步地，主车的到达代价为
Figure BDA0002434807250000032
其中，D0为主车道间隙与目标间隙的重叠区域长度，D1为目标间隙的区域长度，D2为主车道间隙的区域长度。
进一步地，采用分段贝塞尔曲线表征根据采样点所规划的轨迹。
有益效果：
1.本发明方法通过利用周围车辆的预测轨迹分布融入到代价地图中增加了决策中对于周围车辆交通信息的理解，提高了车辆驾驶的安全性。
2.本发明选择局部地图中的代价最小点作为决策点，将车道保持、变道作为统一的决策方式，提高了决策方法的通用性。
3.本发明利用贝塞尔曲线进行轨迹的规划，符合车辆运动学约束，并将贝塞尔曲线的三次微分，及加加速度作为优化指标，符合驾驶舒适度的设计。
附图说明
图1为本发明的实施方案图。
图2(a)为本发明局部代价地图构建示意图，(b)为采样点的碰撞代价计算示意图。
图3(a)、(b)和(c)均为根据本发明方法构建的局部代价图。
图4为本发明基于车道间隙的贝塞尔曲线轨迹规划图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
本发明提供了一种基于车道时空间隙的高速道路无人驾驶决策规划方法，具体过程如下：
步骤S1，根据全局路径给出的参考线和高精度地图，将高速车道所在的笛卡尔坐标系转化为Frenet坐标系。使用变量s和d描述车辆在道路上的位置。该s坐标表示沿道路的距离(也称为纵向位移)和d坐标表示道路上的左右位置(也称为横向位移)。
步骤S2，局部地图中，主车及周围车辆运动信息的获取，并计算代价，如图2(a)所示。
(201)对步骤S1中的Frenet坐标系，通过组合导航及视觉导航系统，确定主车在Frenet坐标系中的位置信息(sego,dego)。选取主车前方30m的距离内所有同方向车道方位作为局部地图范围限制。
(202)将主车周围的车辆信息及运动轨迹预测信息同时映射到局部地图中。运动预测的概率分布同样作为主车周围车辆影响代价Costveh，预测概率大的点代价相对较高。
(203)对于每一个采样点，向s，d方向进行膨胀，直到碰撞到局部地图中的车辆或膨胀区域大于局部地图区域即停止。通过膨胀操作，得到局部地图中的车道间隙。根据车辆速度、距离信息，分别计算采样点的碰撞代价Costcollision，各车道间隙的到达代价Costarrival。将各代价进行权重的融合，得到局部代价地图。
步骤S3，在步骤S2中得到的局部代价地图中，选取代价最小的代价点作为局部的规划点，如图3所示，分别为三种不同的决策场景：(a)为前方无车辆，保持当前车道，(b)为前方左方均有车辆，保持车辆跟随，(c)为前方有车辆，向右换道。选取最优决策点之后，利用分段贝塞尔曲线在车道时空间隙之间进行轨迹规划。计算方法为：
Figure BDA0002434807250000051
其中，cji为第j段轨迹的第i个控制点；T1,T2,...,Tm为每一段轨迹的结束时间，总时间为T＝Tm-T0；S1,S2,...,Sm为每一段贝塞尔曲线的尺度因子，使得第i段轨迹在[0,1]区间分配时间[Ti-1,Ti]。
Figure BDA0002434807250000061
为多项式的基。
根据分段贝塞尔轨迹，设定起点、终点的约束，速度、加速度的约束，优化加加速度项，可得到优化后的轨迹，如图4所示。
实施案例一
本实施案例提供一种基于车道时空间隙的高速道路无人驾驶决策规划方法，方法框架如图1所示。本发明是在已知全局路径、高精度地图的基础上，对智能车辆在高速道路上的行驶进行决策和规划。
步骤S1，如图2所示，本案例中，智能车辆的驾驶环境为同方向的三车道环境，并且可获得智能车辆周围车辆的运动信息。选取主车前方30m作为局部地图范围，并在地图中划分三车道范围。
步骤S2，预测局部地图中周围车辆的运动轨迹并作为车辆代价Costveh。采样点的碰撞代价计算如图2(b)所示。
Figure BDA0002434807250000062
主车的到达代价：
Figure BDA0002434807250000063
其中，v0为主车车速，v1为采样点前车车速，d1为采样点距前车距离，v2为采样点后车车速，d2为采样点距后车距离，α,β为对应的权重。D0,D1,D2如图2(b)所示，为相应的车道间隙距离，D0为主车道间隙与目标间隙的重叠区域长度，D1为目标间隙的区域长度，D2为主车道间隙的区域长度。
步骤S3，得到以上的代价后，可得到局部地图的整体代价地图，即可计算出代价最小的采样点作为局部的决策点。利用分段贝塞尔曲线规划轨迹。设计最优化问题如下：
Figure BDA0002434807250000071
其中，μ∈{s,d}表示曲线分为s,d两个维度，对两个维度的加加速度之和进行优化。
对于每一条贝塞尔曲线，其高阶导数可以用相应的低阶控制点的线性组合表示，即
Figure BDA0002434807250000072
设计约束条件如下：
1)路点约束，及轨迹起点、终点的约束。通过在相应的控制点上设置等式约束，可以直接实施路径点约束。
2)连续性约束。在分段轨迹的连接点处，φ次导数也必须连续(0≤φ≤k-1)。连续约束是通过在两条连续曲线上的对应控制点之间设置相等约束来实现。对于第j和j+1段轨迹，我们有
Figure BDA0002434807250000073
3)安全约束。由于贝塞尔曲线的凸包特性，对第j段的控制点，通过增加控制点的边界限制来施加安全约束。
Figure BDA0002434807250000074
Figure BDA0002434807250000075
对应于控制点的上下界。
4)动态限制。对轨迹上点的速度、加速度进行限制。
Figure BDA0002434807250000076
Figure BDA0002434807250000077
Figure BDA0002434807250000078
分别对应速度、加速度的上下边界。
步骤S4,对于轨迹的重规划问题。为避免在轨迹的执行周期内重复规划，导致车辆的频繁非正常换道，本发明设计在对一次规划的轨迹进行执行时，在车辆执行到局部规划终点所在车道，接近执行终点才进行重规划。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于车道时空间隙的高速道路无人驾驶决策规划方法，其特征在于，包括以下步骤：
步骤一、选取主车前方a米作为构建局部地图的距离范围，构建局部地图，在该地图中根据实际道路情况划分车道信息，在局部地图中标注主车位置(sego,dego)，以及局部地图内其他车辆的位置信息(si,di)(i＝1,2,...,n)；
步骤二、对其他车辆进行运动预测，利用预测结果，将主车前后a米内车辆运动预测的概率分布投影到局部地图中，作为周围车辆影响代价Costveh；
步骤三、对局部地图中的每个车道进行均匀采样，将采样点聚类为车道间隙；对于每一个采样点，计算车道间隙代价，所述车道间隙代价为其他车辆的到达代价与主车的到达代价之和；
步骤四、将每个采样点的周围车辆影响代价Costveh与车道间隙代价相加获得局部代价，选择局部代价中代价最小的采样点作为局部目标，规划出最优轨迹。
2.如权利要求1所述的一种基于车道时空间隙的高速道路无人驾驶决策规划方法，其特征在于，采样间隔为0.5m。
3.如权利要求1所述的一种基于车道时空间隙的高速道路无人驾驶决策规划方法，其特征在于，其他车辆的到达代价为：
Figure FDA0002434807240000011
其中，α,β为权重，v0为主车车速，v1为采样点前车车速，d1为采样点距前车距离，v2为采样点后车车速，d2为采样点距后车距离。
4.如权利要求1所述的一种基于车道时空间隙的高速道路无人驾驶决策规划方法，其特征在于，主车的到达代价为
Figure FDA0002434807240000012
其中，D0为主车道间隙与目标间隙的重叠区域长度，D1为目标间隙的区域长度，D2为主车道间隙的区域长度。
5.如权利要求1所述的一种基于车道时空间隙的高速道路无人驾驶决策规划方法，其特征在于，采用分段贝塞尔曲线表征根据采样点所规划的轨迹。
CN202010248916.4A 2020-04-01 2020-04-01 一种基于车道时空间隙的高速道路无人驾驶决策规划方法 Active CN111489578B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010248916.4A CN111489578B (zh) 2020-04-01 2020-04-01 一种基于车道时空间隙的高速道路无人驾驶决策规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010248916.4A CN111489578B (zh) 2020-04-01 2020-04-01 一种基于车道时空间隙的高速道路无人驾驶决策规划方法

Publications (2)

Publication Number Publication Date
CN111489578A true CN111489578A (zh) 2020-08-04
CN111489578B CN111489578B (zh) 2021-09-07

Family

ID=71794447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010248916.4A Active CN111489578B (zh) 2020-04-01 2020-04-01 一种基于车道时空间隙的高速道路无人驾驶决策规划方法

Country Status (1)

Country Link
CN (1) CN111489578B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112164238A (zh) * 2020-09-17 2021-01-01 北京百度网讯科技有限公司 导航变道引导方法、装置、设备和存储介质
CN112362074A (zh) * 2020-10-30 2021-02-12 重庆邮电大学 一种结构化环境下的智能车辆局部路径规划方法
CN112462776A (zh) * 2020-11-30 2021-03-09 的卢技术有限公司 一种基于非结构化道路的无人驾驶决策方法
CN112572443A (zh) * 2020-12-22 2021-03-30 北京理工大学 一种高速公路车辆换道实时避撞轨迹规划方法及系统
CN112660145A (zh) * 2020-12-24 2021-04-16 李敏 一种无人驾驶车辆的控制系统及其控制方法
CN113022586A (zh) * 2021-04-14 2021-06-25 福瑞泰克智能系统有限公司 一种车辆行为预测方法、装置及存储介质
CN114217601A (zh) * 2020-09-03 2022-03-22 财团法人车辆研究测试中心 自驾车的混合决策方法及其系统
CN114469000A (zh) * 2022-01-27 2022-05-13 重庆邮电大学 基于多传感器数据强化学习的人体减跌防震智能监测方法及系统
CN115472032A (zh) * 2022-08-24 2022-12-13 武汉理工大学 一种高速公路匝道合流区车辆自动换道决策系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160082957A1 (en) * 2014-09-18 2016-03-24 Flextronics Ap, Llc Vehicle lane departure system based on magnetic field flux detection
CN108460980A (zh) * 2018-05-11 2018-08-28 西南交通大学 自动驾驶车辆下匝道最优意图生成点计算方法
CN109147368A (zh) * 2018-08-22 2019-01-04 北京市商汤科技开发有限公司 基于车道线的智能驾驶控制方法装置与电子设备
CN110297494A (zh) * 2019-07-15 2019-10-01 吉林大学 一种基于滚动博弈的自动驾驶车辆换道决策方法及系统
US20200019161A1 (en) * 2018-07-16 2020-01-16 Here Global B.V. Method, apparatus, and system for operating a vehicle based on vulnerable road user data

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160082957A1 (en) * 2014-09-18 2016-03-24 Flextronics Ap, Llc Vehicle lane departure system based on magnetic field flux detection
CN108460980A (zh) * 2018-05-11 2018-08-28 西南交通大学 自动驾驶车辆下匝道最优意图生成点计算方法
US20200019161A1 (en) * 2018-07-16 2020-01-16 Here Global B.V. Method, apparatus, and system for operating a vehicle based on vulnerable road user data
CN109147368A (zh) * 2018-08-22 2019-01-04 北京市商汤科技开发有限公司 基于车道线的智能驾驶控制方法装置与电子设备
CN110297494A (zh) * 2019-07-15 2019-10-01 吉林大学 一种基于滚动博弈的自动驾驶车辆换道决策方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MENGYIN FU ET.AL: "Path Planning and Decision Making for Autonomous Vehicle in Urban Environment", 《2015 IEEE 18TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS》 *
彭晓燕 等: "无人驾驶汽车局部路径规划算法研究", 《汽车工程》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114217601B (zh) * 2020-09-03 2024-02-27 财团法人车辆研究测试中心 自驾车的混合决策方法及其系统
CN114217601A (zh) * 2020-09-03 2022-03-22 财团法人车辆研究测试中心 自驾车的混合决策方法及其系统
CN112164238A (zh) * 2020-09-17 2021-01-01 北京百度网讯科技有限公司 导航变道引导方法、装置、设备和存储介质
CN112362074A (zh) * 2020-10-30 2021-02-12 重庆邮电大学 一种结构化环境下的智能车辆局部路径规划方法
CN112362074B (zh) * 2020-10-30 2024-03-19 重庆邮电大学 一种结构化环境下的智能车辆局部路径规划方法
CN112462776A (zh) * 2020-11-30 2021-03-09 的卢技术有限公司 一种基于非结构化道路的无人驾驶决策方法
CN112572443B (zh) * 2020-12-22 2021-12-07 北京理工大学 一种高速公路车辆换道实时避撞轨迹规划方法及系统
CN112572443A (zh) * 2020-12-22 2021-03-30 北京理工大学 一种高速公路车辆换道实时避撞轨迹规划方法及系统
CN112660145A (zh) * 2020-12-24 2021-04-16 李敏 一种无人驾驶车辆的控制系统及其控制方法
CN113022586A (zh) * 2021-04-14 2021-06-25 福瑞泰克智能系统有限公司 一种车辆行为预测方法、装置及存储介质
CN114469000A (zh) * 2022-01-27 2022-05-13 重庆邮电大学 基于多传感器数据强化学习的人体减跌防震智能监测方法及系统
CN114469000B (zh) * 2022-01-27 2023-08-11 重庆邮电大学 基于多传感器数据强化学习的人体减跌防震智能监测方法及系统
CN115472032A (zh) * 2022-08-24 2022-12-13 武汉理工大学 一种高速公路匝道合流区车辆自动换道决策系统及方法

Also Published As

Publication number Publication date
CN111489578B (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
CN111489578B (zh) 一种基于车道时空间隙的高速道路无人驾驶决策规划方法
CN110081894B (zh) 一种基于道路结构权值融合的无人车轨迹实时规划方法
CN111473794B (zh) 一种基于强化学习的结构化道路无人驾驶决策规划方法
CN110861650B (zh) 车辆的路径规划方法、装置，车载设备和存储介质
US20210347383A1 (en) Trajectories with intent
Tsugawa et al. An architecture for cooperative driving of automated vehicles
EP3947083A1 (en) Extension of autonomous driving functionality to new regions
CN111415522A (zh) 用于规划车辆轨迹的方法
CN109643118B (zh) 基于关于车辆的环境的与功能相关的信息来影响车辆的功能
US11592830B2 (en) Trajectory generation using lateral offset biasing
Kim et al. Automated complex urban driving based on enhanced environment representation with GPS/map, radar, lidar and vision
CN116249947A (zh) 预测运动规划系统及方法
US10832439B1 (en) Locating entities in a mapped environment
Kim et al. Design of integrated risk management-based dynamic driving control of automated vehicles
CN113255998B (zh) 基于多智能体强化学习的高速道路无人驾驶车辆编队方法
CN113335310B (zh) 基于决策的运动规划方法、装置、电子设备及存储介质
Wang et al. Vehicle trajectory prediction by knowledge-driven LSTM network in urban environments
WO2023039666A1 (en) Systems, methods, and media for occlusion-aware motion planning
CN111891116A (zh) 一种提升自动驾驶横向控制稳定性的方法
Wirthmüller et al. Towards incorporating contextual knowledge into the prediction of driving behavior
US11392128B1 (en) Vehicle control using directed graphs
Ren et al. Self-learned intelligence for integrated decision and control of automated vehicles at signalized intersections
US11436504B1 (en) Unified scene graphs
US11873004B2 (en) Method and system for motion planning for an autonmous vehicle
CN117916682A (zh) 使用时空凸形走廊的运动规划

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