CN111693061A - 一种动态路径规划中路径选择的方法 - Google Patents
一种动态路径规划中路径选择的方法 Download PDFInfo
- Publication number
- CN111693061A CN111693061A CN202010559038.8A CN202010559038A CN111693061A CN 111693061 A CN111693061 A CN 111693061A CN 202010559038 A CN202010559038 A CN 202010559038A CN 111693061 A CN111693061 A CN 111693061A
- Authority
- CN
- China
- Prior art keywords
- road
- path
- candidate
- automobile
- reference line
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
Abstract
本发明公开了一种动态路径规划中路径选择的方法,包括:当驾驶者驾驶汽车在道路上行驶期间,实时监测所述道路上是否存在障碍物;当监测到所述道路上存在障碍物时,生成基准线;利用所述基准线,得到驾驶者驾驶汽车在道路上行驶的多个候选路径;利用改进后的支持向量积,从所述多个候选路径中划分出符合驾驶者习惯的最合适路径。
Description
技术领域
本发明涉及自动驾驶技术领域,具体的说是涉及一种动态路径规划中路径选择的方法。
背景技术
自动驾驶技术如今成为了未来交通的重要发展方向,可以有效的提高公路的安全性,缓解交通拥堵,减少空气污染,同时大幅度的降低了驾驶者的开车难度,能够更好的适应人群。在自动驾驶技术中其中最重要的基础便是动态路径规划。动态路径规划中路径的选择关乎着自动驾驶汽车的准确性和安全性。动态规划路径是按照某一性能指标在汽车行驶区域搜索到一条从起点到终点的无碰撞,安全的最优或近视最优路径。目前,在自动驾驶动态规划中大量的研究主要是围绕着局部路径规划中的最优路径的选择,这会容易陷入计算量大、局部最优等问题,而且通常最优路径的选择往往不是普通驾驶者的第一选择。
1.人工势场法。人工势场法是将汽车的周围区域中的运动看做是一种抽象的人造引力场中的运动,终点对汽车产生“引力”,障碍物对汽车产生“斥力”,最后通过合力来控制汽车的运动。虽然在数学描述上简单,但是容易产生局部最优解。
2.启发式搜索算法。启发式搜索算法主要是在静态路网中解决最短路径的搜索算法,通常需要建立环境模型地图,地图充当了人与汽车交流的媒介。人工势场法启发式搜索算法计算量大、耗时长。而且目前的动态路径规划主要是通过算法产生最优路径或者近视最优路径,而在实际的驾驶中,驾驶者通常有自己的路径选择,而不是一味选着最优路径。在驾驶途中,由于周围环境、汽车状态等的影响,有时最优路径并不代表着最合适路径。
发明内容
根据本发明实施例提供的方案解决的技术问题是如何在动态路径规划中选择最合适路径。
根据本发明实施例提供的一种动态路径规划中路径选择的方法,包括:
当驾驶者驾驶汽车在道路上行驶期间,实时监测所述道路上是否存在障碍物;
当监测到所述道路上存在障碍物时,生成基准线;
利用所述基准线,得到驾驶者驾驶汽车在道路上行驶的多个候选路径;
利用改进后的支持向量积,从所述多个候选路径中划分出符合驾驶者习惯的最合适路径。
优选地,所述当监测到所述道路上存在障碍物时,生成基准线包括:
当监测到所述道路上存在障碍物时,采用三次样条全来拟合基准线;
其中,所述基准线包括:
X(s)=ax,i(s-si)3+bx,i(s-si)2+cx,i(s-si)+dx,i
Y(s)=ay,i(s-si)3+by,i(s-si)2+cy,i(s-si)+dy,i
其中,所述s为当前汽车所在公路位置抽象映射在基准线上的弧长;所述si为第i段公路的起点;所述ax,i,bx,i,cx,i,dx,i分别为参数样条曲线的横坐标参数;所述ay,i,by,i,cy,i,dy,i分别为参数样条曲线的纵坐标参数。
优选地,所述利用所述基准线,得到驾驶者驾驶汽车在道路上行驶的多个候选路径包括:
利用所述基准线,构造坐标系;
根据所述坐标系和预先选取的横坐标参数和纵坐标参数,得到驾驶者驾驶汽车在道路上行驶的多个候选路径。
优选地,所述候选路径公式包括:
candidate(s)=a(s-sA)3+b(s-sA)2+c(s-sA)+qA,s∈(sA,sB)
candidate(s)=qB,s∈(sA,∞)
其中,所述qA,qB,sA,sB分别为每个候选路径起点的横向偏移量、终点的横向偏移量、起点对应的弧长和终点对应的弧长。
根据本发明实施例提供的方案,在自动驾驶技术动态路径规划中,预测出驾驶者高频率使用的最合适路径,同时改善了已有算法计算量大,实时性不好的特点。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于理解本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例提供的相关参数示意图;
图2是本发明实施例提供的候选路径示意图;
图4是本发明实施例提供的动态路径规划中路径选择的实施例一示意图;
图5是本发明实施例提供的动态路径规划中路径选择的实施例二示意图;
图6是本发明实施例提供的动态路径规划中路径选择的方法流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行详细说明,应当理解,以下所说明的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
图6是本发明实施例提供的一种动态路径规划中路径选择的方法,包括:
步骤一:当驾驶者驾驶汽车在道路上行驶期间,实时监测所述道路上是否存在障碍物;
步骤二:当监测到所述道路上存在障碍物时,生成基准线;
步骤三:利用所述基准线,得到驾驶者驾驶汽车在道路上行驶的多个候选路径;
步骤四:利用改进后的支持向量积,从所述多个候选路径中划分出符合驾驶者习惯的最合适路径。
优选地,所述当监测到所述道路上存在障碍物时,生成基准线包括:
当监测到所述道路上存在障碍物时,采用三次样条全来拟合基准线;
其中,所述基准线包括:
X(s)=ax,i(s-si)3+bx,i(s-si)2+cx,i(s-si)+dx,i
Y(s)=ay,i(s-si)3+by,i(s-si)2+cy,i(s-si)+dy,i
其中,所述s为当前汽车所在公路位置抽象映射在基准线上的弧长;所述si为第i段公路的起点;所述ax,i,bx,i,cx,i,dx,i分别为参数样条曲线的横坐标参数;所述ay,i,by,i,cy,i,dy,i分别为参数样条曲线的纵坐标参数。
优选地,所述利用所述基准线,得到驾驶者驾驶汽车在道路上行驶的多个候选路径包括:
利用所述基准线,构造坐标系;
根据所述坐标系和预先选取的横坐标参数和纵坐标参数,得到驾驶者驾驶汽车在道路上行驶的多个候选路径。
优选地,所述候选路径公式包括:
candidate(s)=a(s-sA)3+b(s-sA)2+c(s-sA)+qA,s∈(sA,sB)
candidate(s)=qB,s∈(sA,∞)
其中,所述qA,qB,sA,sB分别为每个候选路径起点的横向偏移量、终点的横向偏移量、起点对应的弧长和终点对应的弧长。
本发明包括如下步骤:
第一步:基于离散优化的方法。基于离散优化的方法主要是利用微分方程和数值积分等来描述汽车的运动,从而来产生候选路径;
第二步:利用支持向量积的方法。将产生候选路径中的关键参数(候选路径起点的横向偏移量、终点的横向偏移量、起点对应的弧长和终点对应的弧长)以及每次驾驶者选着的候选路径的参数(同上)作为输入特征,通过学习训练样本和构建相应的分类模型来预测出下次遇到同样的障碍物,模型从候选路径中预测出的最合适路径。
自动驾驶动态路径规划中路径选择预测算法主要包括三个部分:基准线的生成、候选路径的生成和最合适路径生成。
基准线的生成:
由于路线可以看作是一组公路边缘上的有序点的集合,且在路径规划算法中经常使用曲线来建立道路的集合模型,所以采用三次样条全来拟合出基准线,公式如下:
X(s)=ax,i(s-si)3+bx,i(s-si)2+cx,i(s-si)+dx,i
Y(s)=ay,i(s-si)3+by,i(s-si)2+cy,i(s-si)+dy,i
其中,s为当前汽车所在公路位置抽象映射在基准线上的弧长,si为第i个公路的起点。其中的a,b,c,d(如图1所示,ax,i,bx,i,cx,i,dx,i为图1坐标图中的横坐标参数)(如图1所示,ay,i,by,i,cy,i,dy,i为图1坐标图中的纵坐标参数)为参数样条曲线的参数。假设当前汽车的横向偏移量为q,则当前汽车的坐标可以用s和q表示。用θ和k分别表示基准线上每个点的切向角和曲率。候选路径的生成需要依靠基准线上的每个点的切向角和曲率。利用牛顿拉夫森二次极小化方法可以在曲线上找到最接近车辆位置的点坐标。牛顿拉夫森二次极小化方法需要用到切向角和曲率。牛顿拉夫森二次极小化方法是通用大众的方法。则θ和k可以利用下面的公式求得:
其中X′,Y′为X,Y对s的一次导数,X″,Y″为X,Y对s的二次导数。
候选路径的生成
候选路径的生成需要依靠基准线上的每个点的切向角和曲率。汽车是否与障碍物碰撞可以用偏移量q表示,汽车的行驶距离可以用弧长s表示。
假设候选路径满足三次样条曲线方程,则候选路径的产生公式如下;
candidate(s)=a(s-sA)3+b(s-sA)2+c(s-sA)+qA,s∈(sA,sB)
candidate(s)=qB,s∈(sA,∞)
其中,qA,qB,sA,sB分别表示此次候选路径起点的横向偏移量、终点的横向偏移量、起点对应的弧长和终点对应的弧长。从公式可以看到,qB的值不同,则对应的候选路径的不同,分别取N个不同的qB的值,可以计算得到N组a、b、c的系数,得到N个不同的方程式,通过求解这些方程式可以得到多条候选路径,如图2所示。
最合适路径的生成
通过候选路径的生成可以看到,其起点的横向偏移量、终点的横向偏移量、起点对应的弧长和终点对应的弧长都可以影响到候选路径的生成,在众多的候选路径中通过建立SVM(支持向量积)模型来选取最合适驾驶者的路径。当有一条新的候选路径时,SVM模型可以判断该路径是否被采用。
在支持向量积模型中,其wTx+b=0表示线性决策超平面,其中w为权重向量,x为代表输入样本的特征组成的向量,b为偏置。f(x)=sign(wTx+b)为分类决策函数。支持向量机的分离超平面只由其中的支持向量所决定,为了能够降低算法复杂度和训练成本,需要将大量的非支持向量排除掉。
因为决策函数为f(x)=sign(wTx+b),将w表示成对偶形式:x∈Rd,yi∈{-1,1},其中d为输入特征的维度。为了选取已知样本点的最小距离最大,使得样本之间距离足够远,可以在正类中随机选点,加入到一个集合P中,在剩余样本挑选距离P中样本最小距离最大样本,并加入P,循环执行,指导P中包含k个元素。因此,可以得到:
如图3所示,展示了如何利用区分支持向量,图中圆圈代表正样本,方框代表负样本,实线箭头代表法向量,正类中虚线箭头为正类内类内向量。在负类样本间,虚线箭头为负类的类内向量。如图3所示在以往基于法向量的识别中,若两个向量之间的夹角为锐角,则这两个向量间的内积为正,若两者之间的夹角为钝角,则这两个向量间的内积为负。因此可以使用内积来衡量类内向量与法向量之间的相似性,从而能够判别出哪一端的样本更有可能为候选非支持向量。基于以上的改进后,可以用来衡量支持向量和非支持向量的标准。其识别公式如下:
能在训练之前将非支持向量消除掉,大量减少训练时间,提高了训练效率。当多个候选路径的起点的横向偏移量、终点的横向偏移量、起点对应的弧长和终点对应的弧长作为特征输入了,能够很快的划分出合适路径与非合适路径。
本发明候选路径的生成和支持向量积模型算法的改进,最终能够快速的为驾驶者提供个人的最合适驾驶路径。区别在于以往算法都是针对最优路径,不能根据驾驶者的习惯,匹配出适合驾驶者的驾驶路径,而本专利中的方法可以做到在众多候选路径中,判断出符合驾驶者习惯的驾驶路径。
如图4所示,当汽车在道路上行驶了。假设路面有两个障碍物,当汽车行驶在SA1时,首先计算出基准线,然后由基准线生成候选路径。传入3组参数(起点的横向偏移量、终点的横向偏移量、起点对应的弧长和终点对应的弧长),得到3组方程式,可以得到3个候选路径。然后利用改进后的支持向量积,从3条候选路径中划分出最合适路径。同理,当汽车行驶到SA2时,传入4组参数(起点的横向偏移量、终点的横向偏移量、起点对应的弧长和终点对应的弧长),得到4组方程式,可以得到4个候选路径。然后利用改进后的支持向量积,从4条候选路径中自动选出最合适路径。
如图5所示,当汽车在道路上行驶了。假设在转弯处路面有一个障碍物,当汽车行驶到距离障碍物一定距离后,生成基准线,并传入4组参数(起点的横向偏移量、终点的横向偏移量、起点对应的弧长和终点对应的弧长),得到4组方程式,可以得到4个候选路径。然后利用建立的改进后的支持向量积,从4条候选路径中自动选出最合适路径。
根据本发明实施例提供的方案,能够针对不同的驾驶者,产生一条最适合驾驶者的行驶路径,使得规划汽车能够安全、舒适的避过障碍物,完成从起点顺利到达终点。
尽管上文对本发明进行了详细说明,但是本发明不限于此,本技术领域技术人员可以根据本发明的原理进行各种修改。因此,凡按照本发明原理所作的修改,都应当理解为落入本发明的保护范围。
Claims (4)
1.一种动态路径规划中路径选择的方法,其特征在于,包括:
当驾驶者驾驶汽车在道路上行驶期间,实时监测所述道路上是否存在障碍物;
当监测到所述道路上存在障碍物时,生成基准线;
利用所述基准线,得到驾驶者驾驶汽车在道路上行驶的多个候选路径;
利用改进后的支持向量积,从所述多个候选路径中划分出符合驾驶者习惯的最合适路径。
2.根据权利要求1所述的动态路径规划中路径选择的方法,其特征在于,所述当监测到所述道路上存在障碍物时,生成基准线包括:
当监测到所述道路上存在障碍物时,采用三次样条全来拟合基准线;
其中,所述基准线包括:
X(s)=ax,i(s-si)3+bx,i(s-si)2+cx,i(s-si)+dx,i
Y(s)=ay,i(s-si)3+by,i(s-si)2+cy,i(s-si)+dy,i
其中,所述s为当前汽车所在公路位置抽象映射在基准线上的弧长;所述si为第i段公路的起点;所述ax,i,bx,i,cx,i,dx,i分别为参数样条曲线的横坐标参数;所述ay,i,by,i,cy,i,dy,i分别为参数样条曲线的纵坐标参数。
3.根据权利要求2所述的动态路径规划中路径选择的方法,其特征在于,所述利用所述基准线,得到驾驶者驾驶汽车在道路上行驶的多个候选路径包括:
利用所述基准线,构造坐标系;
根据所述坐标系和预先选取的横坐标参数和纵坐标参数,得到驾驶者驾驶汽车在道路上行驶的多个候选路径。
4.根据权利要求3所述的动态路径规划中路径选择的方法,其特征在于,所述候选路径公式包括:
candidate(s)=a(s-sA)3+b(s-sA)2+c(s-sA)+qA,s∈(sA,sB)
candidate(s)=qB,s∈(sA,∞)
其中,所述qA,qB,sA,sB分别为每个候选路径起点的横向偏移量、终点的横向偏移量、起点对应的弧长和终点对应的弧长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010559038.8A CN111693061A (zh) | 2020-06-18 | 2020-06-18 | 一种动态路径规划中路径选择的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010559038.8A CN111693061A (zh) | 2020-06-18 | 2020-06-18 | 一种动态路径规划中路径选择的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111693061A true CN111693061A (zh) | 2020-09-22 |
Family
ID=72481582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010559038.8A Pending CN111693061A (zh) | 2020-06-18 | 2020-06-18 | 一种动态路径规划中路径选择的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111693061A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112327887A (zh) * | 2021-01-05 | 2021-02-05 | 成都信息工程大学 | 基于迭代改进apf的无人驾驶汽车避碰路径规划方法与系统 |
CN113701780A (zh) * | 2021-09-14 | 2021-11-26 | 成都信息工程大学 | 基于a星算法的实时避障规划方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106873600A (zh) * | 2017-03-31 | 2017-06-20 | 深圳市靖洲科技有限公司 | 一种面向无人自行车的局部避障路径规划方法 |
CN107289939A (zh) * | 2017-06-09 | 2017-10-24 | 武汉理工大学 | 基于svm算法的无人船路径规划方法 |
-
2020
- 2020-06-18 CN CN202010559038.8A patent/CN111693061A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106873600A (zh) * | 2017-03-31 | 2017-06-20 | 深圳市靖洲科技有限公司 | 一种面向无人自行车的局部避障路径规划方法 |
CN107289939A (zh) * | 2017-06-09 | 2017-10-24 | 武汉理工大学 | 基于svm算法的无人船路径规划方法 |
Non-Patent Citations (3)
Title |
---|
CHEN, QINGYANG,ET AL.: "Local Path Planning for an Unmanned Ground Vehicle Based on SVM", 《INTERNATIONAL JOURNAL OF ADVANCED ROBOTIC SYSTEMS》 * |
XUEMIN HU,ET AL.: "Dynamic path planning for autonomous driving on various roads with avoidance of static and moving obstacles", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
杨帆等: "多障碍物环境下智能车辆局部路径规划方法", 《控制与信息技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112327887A (zh) * | 2021-01-05 | 2021-02-05 | 成都信息工程大学 | 基于迭代改进apf的无人驾驶汽车避碰路径规划方法与系统 |
CN112327887B (zh) * | 2021-01-05 | 2021-04-30 | 成都信息工程大学 | 基于迭代改进apf的无人驾驶汽车避碰路径规划方法与系统 |
CN113701780A (zh) * | 2021-09-14 | 2021-11-26 | 成都信息工程大学 | 基于a星算法的实时避障规划方法 |
CN113701780B (zh) * | 2021-09-14 | 2023-08-29 | 成都信息工程大学 | 基于a星算法的实时避障规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN111289008B (zh) | 一种用于无人驾驶车辆的局部路径规划方法 | |
US20200339159A1 (en) | Automatic driving track obtaining method and apparatus | |
US10829116B2 (en) | Affecting functions of a vehicle based on function-related information about its environment | |
US20180004210A1 (en) | Affecting Functions of a Vehicle Based on Function-Related Information about its Environment | |
CN107310550B (zh) | 道路交通工具行驶控制方法和装置 | |
CN113932823A (zh) | 基于语义道路地图的无人驾驶多目标点轨迹并行规划方法 | |
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 | |
Völz et al. | Feature relevance estimation for learning pedestrian behavior at crosswalks | |
CN110325935A (zh) | 用于自动驾驶车辆的路径规划的基于驾驶场景的车道引导线 | |
KR20200096115A (ko) | V2x 통신 및 이미지 처리를 이용한 정보 융합을 통해 자율 주행의 단기 경로를 플래닝하기 위한 방법 및 장치 | |
CN107944605A (zh) | 一种基于数据预测的动态交通路径规划方法 | |
RU2661963C1 (ru) | Устройство вычисления маршрута движения | |
Shimosaka et al. | Modeling risk anticipation and defensive driving on residential roads with inverse reinforcement learning | |
JP5192868B2 (ja) | 移動ロボットの走行領域判別装置及び走行領域判別方法 | |
CN111693061A (zh) | 一种动态路径规划中路径选择的方法 | |
JP6692740B2 (ja) | 選択装置、選択方法及び選択プログラム | |
JP2006119090A (ja) | ナビゲーション装置 | |
KR20220110069A (ko) | 샘플링 기반 기동 실현기 | |
CN103192830A (zh) | 一种自适应视觉车道偏离预警装置 | |
Liu et al. | A novel method for predicting vehicle state in internet of vehicles | |
JP2023523350A (ja) | 乗り物に基づくデータ処理方法、データ処理装置、コンピュータ機器、及びコンピュータプログラム | |
KR20190005595A (ko) | 주변 차량의 이동 경로 예측 방법 및 이동 경로 예측을 위한 학습 방법 | |
CN103198320A (zh) | 一种自适应视觉辅助驾驶装置 | |
WO2018109519A1 (ja) | 自動運転支援用の経路探索方法および装置 |
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: 20200922 |
|
RJ01 | Rejection of invention patent application after publication |