CN111752271A - 一种轨迹预测方法、装置、设备及存储介质 - Google Patents

一种轨迹预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111752271A
CN111752271A CN202010298697.0A CN202010298697A CN111752271A CN 111752271 A CN111752271 A CN 111752271A CN 202010298697 A CN202010298697 A CN 202010298697A CN 111752271 A CN111752271 A CN 111752271A
Authority
CN
China
Prior art keywords
time period
target
time
vehicle
collision avoidance
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
CN202010298697.0A
Other languages
English (en)
Inventor
李柏
边学鹏
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 CN202010298697.0A priority Critical patent/CN111752271A/zh
Publication of CN111752271A publication Critical patent/CN111752271A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明实施例公开了一种轨迹预测方法、装置、设备及存储介质。该方法包括：将车辆的待预测行驶轨迹所在的目标时间段进行时段划分；基于划分后的一部分时间段与碰撞躲避约束有关、另一部分时间段与碰撞躲避约束无关的条件，采用非线性规划方式预测车辆在目标时间段内的第一行驶轨迹，获得初始预测结果；基于初始预测结果、以及目标时间段与碰撞躲避约束有关的条件，采用非线性规划方式预测车辆在目标时间段内的第二行驶轨迹，获得目标预测结果。本发明实施例的技术方案，基于简化约束条件预测出待预测行驶轨迹的质量较高的初始预测结果，并根据该初始预测结果快速获得了待预测行驶轨迹的目标预测结果，实现了高效率的轨迹预测的效果。

Description

一种轨迹预测方法、装置、设备及存储介质
技术领域
本发明实施例涉及自动驾驶技术领域，尤其涉及一种轨迹预测方法、装置、设备及存储介质。
背景技术
在自动驾驶车辆的轨迹预测方案中，常用预测方案是数值最优控制方案，即采用非线性规划(NonLinear Programming,，NLP)方式预测出行驶轨迹，以使自动驾驶车辆按照行驶轨迹从起始位置安全且快速地行驶到目标位置。
在实现本发明的过程中，发明人发现现有技术中存在以下技术问题：考虑到NLP一般具有决策变量维度高、决策变量自由度低、约束条件规模庞大且呈现非凸性甚至病态性的特点，由此，若采用NLP方式直接预测行驶轨迹，则可能出现预测效率低下甚至是预测失败的情况。因此，如何提高自动驾驶车辆的轨迹预测效率，这是亟待解决的技术问题。
发明内容
本发明实施例提供了一种轨迹预测方法、装置、设备及存储介质，以实现高效率的轨迹预测的效果。
第一方面，本发明实施例提供了一种轨迹预测方法，可以包括：
将车辆的待预测行驶轨迹所在的目标时间段进行时段划分；
基于划分后的一部分时间段与碰撞躲避约束有关、另一部分时间段与碰撞躲避约束无关的条件，采用非线性规划方式预测车辆在目标时间段内的第一行驶轨迹，获得初始预测结果；
基于初始预测结果、以及目标时间段与碰撞躲避约束有关的条件，采用非线性规划方式预测车辆在目标时间段内的第二行驶轨迹，获得目标预测结果。
可选的，将车辆的待预测行驶轨迹所在的目标时间段进行时段划分，包括：
获取至少一个临界时间点，分别基于各临界时间点，将车辆的待预测行驶轨迹所在的目标时间段划分为两部分时间段；
其中，临界时间点在目标时间段内取值，两部分时间段包括与碰撞躲避约束有关的第一时间段及与碰撞躲避约束无关的第二时间段；
基于划分后的一部分时间段与碰撞躲避约束有关、另一部分时间段与碰撞躲避约束无关的条件，采用非线性规划方式预测车辆在目标时间段内的第一行驶轨迹，获得初始预测结果，可以包括：
基于划分后的第一时间段和第二时间段的约束条件，采用非线性规划方式，预测出与各临界时间点分别对应的车辆在目标时间段内的第一行驶轨迹，并根据各第一行驶轨迹，获得初始预测结果。
可选的，基于划分后的第一时间段和第二时间段的约束条件，采用非线性规划方式，预测出与各临界时间点分别对应的车辆在目标时间段内的第一行驶轨迹，并根据各第一行驶轨迹，获得初始预测结果，可以包括：
获取与各临界时间点分别对应的划分后的第一时间段的第一时长，并根据第一时长从各临界时间点中筛选出当前时间点；
基于与当前时间点对应的划分后的第一时间段和第二时间段的约束条件，采用非线性规划方式，预测出与当前时间点对应的车辆在目标时间段内的第一行驶轨迹；
将当前时间点的第一时长作为当前时长，将长于当前时长的第一时长对应的临界时间点作为当前时间点；
基于当前的第一行驶轨迹，重复执行基于与当前时间点对应的划分后的第一时间段和第二时间段的约束条件的步骤，直至当前时间点满足预设结束条件；
根据当前的第一行驶轨迹，获得初始预测结果。
可选的，在预测出与当前时间点对应的车辆在目标时间段内的第一行驶轨迹之后，还可以包括：
若与当前时间点对应的第一行驶轨迹为空，则将已存在的非空的第一行驶轨迹作为与当前时间点对应的第一行驶轨迹。
可选的，根据第一时长从各临界时间点中筛选出当前时间点，可以包括：
将小于预设时长阈值的第一时长对应的临界时间点作为当前时间点。
可选的，获取至少一个临界时间点，可以包括：
基于预设有限元算法将目标时间段离散化，根据离散化结果获取至少一个临界时间点，其中，临界时间点是有限元边界点。
可选的，临界时间点t1可以通过如下公式预先生成：
Figure BDA0002453177400000031
其中，t0是目标时间段的左端点，tf是目标时间段的右端点，Nfe是预设有限元算法的离散个数。
第二方面，本发明实施例还提供了一种轨迹预测装置，该装置可以包括：
划分模块，用于将车辆的待预测行驶轨迹所在的目标时间段进行时段划分；
初始预测模块，用于基于划分后的一部分时间段与碰撞躲避约束有关、另一部分时间段与碰撞躲避约束无关的条件，采用非线性规划方式预测车辆在目标时间段内的第一行驶轨迹，获得初始预测结果；
目标预测模块，用于基于初始预测结果、以及目标时间段与碰撞躲避约束有关的条件，采用非线性规划方式预测车辆在目标时间段内的第二行驶轨迹，获得目标预测结果。
第三方面，本发明实施例还提供了一种设备，该设备可以包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现本发明任意实施例所提供的轨迹预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明任意实施例所提供的轨迹预测方法。
本发明实施例的技术方案，通过将车辆的待预测行驶轨迹所在的目标时间段进行时段划分，以便将目标时间段与碰撞躲避约束有关的条件简化为划分后的一部分时间段与碰撞躲避约束有关、另一部分时间段与碰撞躲避约束无关的条件；由此，基于划分后的一部分时间段与碰撞躲避约束有关、另一部分时间段与碰撞躲避约束无关的条件，采用NLP方式预测车辆在目标时间段内的第一行驶轨迹，获得初始预测结果，该初始预测结果是待预测行驶轨迹的质量较高的初始数据；进一步，基于初始预测结果、以及目标时间段与碰撞躲避约束有关的条件，采用NLP方式预测车辆在目标时间段内的第二行驶轨迹，获得目标预测结果。上述技术方案，通过已简化的基于划分后的一部分时间段与碰撞躲避约束有关、另一部分时间段与碰撞躲避约束无关的条件，预测出待预测行驶轨迹的质量较高的初始预测结果，并根据该初始预测结果快速获得了待预测行驶轨迹的目标预测结果，实现了高效率的轨迹预测的效果。
附图说明
图1是本发明实施例一中的一种轨迹预测方法的流程图；
图2是本发明实施例二中的一种轨迹预测方法的流程图；
图3是本发明实施例二中的一种轨迹预测方法中碰撞躲避约束的示意图；
图4a是本发明实施例二中的一种轨迹预测方法中泊车场景的第一示意图；
图4b是本发明实施例二中的一种轨迹预测方法中泊车场景的第二示意图；
图5是本发明实施例三中的一种轨迹预测装置的结构框图；
图6是本发明实施例四中的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在介绍本发明实施例之前，先对本发明实施例的应用场景进行示例性说明：在预测车辆在目标时间段内的行驶轨迹时，通常需要在整个目标时间段(即，全时域)内考虑与碰撞躲避约束有关的条件，以避免车辆在目标时间段内与道路上的障碍物发生碰撞。其中，与碰撞躲避约束有关的条件是对轨迹预测难度影响较大的条件，除此之外，还可考虑与运动学方程约束、边值约束、车辆内在运动能力约束等等有关的条件，在此未做具体限定；另外，障碍物可以是道路中可能出现的任意障碍物，比如已停泊车辆、道路两侧隔离带等等，也可以是某种特定障碍物如已停泊车辆，在此未做具体限定。
需要说明的是，在全时域内考虑与碰撞躲避约束有关的条件，此时的轨迹预测难度较高；在此基础上，在采用NLP方式预测行驶轨迹时，容易出现轨迹预测失败、轨迹预测效率低下等等情况。为提高轨迹预测效率，一般认为，初始预测结果对NLP的计算效率具有重要的影响，近似最优的初始预测结果是NLP的优化迭代过程迅速收敛的充分条件，除近似最优的初始预测结果外，可行或者近似可行的初始预测结果，较之于质量低下的初始预测结果(如零向量、随机向量等等)，均能够显著提高NLP的收敛效率，而NLP收敛效率的提高意味着轨迹预测效率的提高。由此，可先获得一个质量较高的初始预测结果，该初始预测结果是近似最优、可行或是近似可行的初始数据，进而，基于该初始预测结果获得目标预测结果，由此以较高效率预测出车辆的行驶轨迹。
初始预测结果的一种可选的获得方案是，为简化表述，将目标时间段与碰撞躲避约束有关的条件称为原始约束条件，将划分后的一部分时间段与碰撞躲避约束有关、另一部分时间段与碰撞躲避约束无关的条件称为简化约束条件，由此，在将原始约束条件简化为简化约束条件之后，可将全时域与碰撞躲避约束有关的条件简化为在不同子时域内考虑或是未考虑与碰撞躲避约束有关的条件，条件的简化意味着轨迹预测难度的简化，而轨迹预测难度的简化意味着在未获得质量较高的初始预测结果时，也能够以较高效率获得与简化约束条件对应的第一行驶轨迹，其可以作为与原始约束条件对应的初始预测结果，这一过程可以认为是基于简约空间初始化来实现轨迹预测的过程。
实施例一
图1是本发明实施例一中提供的一种轨迹预测方法的流程图。本实施例可适用于预测车辆在目标时间段内的行驶轨迹的情况，尤其适用于基于与简化约束条件对应的初始预测结果，预测车辆在目标时间段内的行驶轨迹的情况。该方法可以由本发明实施例提供的轨迹预测装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在各种用户终端或服务器上。
参见图1，本发明实施例的方法具体包括如下步骤：
S110、将车辆的待预测行驶轨迹所在的目标时间段进行时段划分。
其中，时段划分的实现方式有多种，比如，可以基于在目标时间段内取值的临界时间点将目标时间段划分为两部分时间段，该临界时间点是两部分时间段的临界点，此时，临界时间点的数量可以是至少一个，每个临界时间点都可以将目标时间段划分为两部分时间段；再比如，根据车辆的运动学方程先确定车辆在目标时间段内所在的道路环境，根据该道路环境再将目标时间段划分为两部分时间段，比如，若道路环境是柏油马路和石子马路，则可将车辆在柏油马路时对应的时间段作为一部分时间段，且将车辆在石子马路时对应的时间段作为另一部分时间段；等等，在此未做具体限定。
需要说明的是，两部分时间段的数量可以是一个或是多个，比如，以基于临界时间点进行时段划分为例，若存在临界时间点1和临界时间点2，则临界时间点1将目标时间段划分为一部分时间段1和另一部分时间段1，且临界时间点2将目标时间段划分为一部分时间段2和另一部分时间段2，其中，一部分时间段1和一部分时间段2是一时间端点相同且另一时间端点不同的时间段，另一部分时间段1和另一部分时间段2的情况类似。
S120、基于划分后的一部分时间段与碰撞躲避约束有关、另一部分时间段与碰撞躲避约束无关的条件，采用非线性规划方式预测车辆在目标时间段内的第一行驶轨迹，获得初始预测结果。
其中，在进行时段划分后，可将原始约束条件(即，目标时间段与碰撞躲避约束有关的条件)简化为简化约束条件(即，划分后的一部分时间段与碰撞躲避约束有关、另一部分时间段与碰撞躲避约束无关的条件)，条件的简化意味着轨迹预测难度的简化，此时，可直接基于简化约束条件，采用NLP方式预测车辆在目标时间段内的第一行驶轨迹，并根据该第一行驶轨迹获得初始预测结果，该初始预测结果是基于原始约束条件预测第二行驶轨迹时的初始数据。
需要说明的是，两部分时间段的数量可以是至少一个，每个两部分时间段与第一行驶轨迹和简化约束条件均存在对应关系，即第一行驶轨迹和简化约束条件间亦存在对应关系。由此，在预测简化约束条件A对应的第一行驶轨迹A时，若存在已预测的简化约束条件B对应的第一行驶轨迹B，此时可基于多种方案预测第一行驶轨迹A。
比如，可基于简化约束条件A直接预测第一行驶轨迹A，进而根据各简化约束条件分别对应的第一行驶轨迹获得初始预测结果，示例性的，可以根据最先预测出的第一行驶轨迹获得初始预测结果，可以根据各第一行驶轨迹的加和均值获得初始预测结果，也可以根据最后预测出的第一行驶轨迹获得初始预测结果，等等，在此未做具体限定。
再比如，将第一行驶轨迹B作为初始数据来预测第一行驶轨迹A，并基于已预测的最后的第一行驶轨迹获得初始预测结果。示例性的，以上述两个两部分时间段为例，假设一部分时间段1和一部分时间段2均与碰撞躲避约束有关，另一部分时间段1和另一部分时间段2均与碰撞躲避约束无关，且一部分时间段1的时长短于一部分时间段2，这意味着基于简化约束条件1(即，一部分时间段1与碰撞躲避约束有关、另一部分时间段1与碰撞躲避约束无关的条件)预测行驶轨迹的难度更低，可先基于简化约束条件1，采用NLP方式预测车辆在目标时间段内的第一行驶轨迹1；进而，将第一行驶轨迹1作为初始数据，基于简化约束约束条件2(即，一部分时间段2与碰撞躲避约束有关、另一部分时间段2与碰撞躲避约束无关的条件)，采用NLP方式预测车辆在目标时间段内的第一行驶轨迹2，并根据该第一行驶轨迹2获得初始预测结果。
S130、基于初始预测结果及目标时间段与碰撞躲避约束有关的条件，采用非线性规划方式预测车辆在目标时间段内的第二行驶轨迹，获得目标预测结果。
其中，初始预测结果是待预测行驶轨迹的质量较高的初始数据，基于初始预测结果、以及目标时间段与碰撞躲避约束有关的条件，采用NLP方式，可以预测出车辆在目标时间段内的第二行驶轨迹，进而，根据该第二行驶轨迹可以获得待预测行驶轨迹的目标预测结果。
本发明实施例的技术方案，通过将车辆的待预测行驶轨迹所在的目标时间段进行时段划分，以便将目标时间段与碰撞躲避约束有关的条件简化为划分后的一部分时间段与碰撞躲避约束有关、另一部分时间段与碰撞躲避约束无关的条件；由此，基于划分后的一部分时间段与碰撞躲避约束有关、另一部分时间段与碰撞躲避约束无关的条件，采用NLP方式预测车辆在目标时间段内的第一行驶轨迹，获得初始预测结果，该初始预测结果是待预测行驶轨迹的质量较高的初始数据；进一步，基于初始预测结果、以及目标时间段与碰撞躲避约束有关的条件，采用NLP方式预测车辆在目标时间段内的第二行驶轨迹，获得目标预测结果。上述技术方案，通过已简化的基于划分后的一部分时间段与碰撞躲避约束有关、另一部分时间段与碰撞躲避约束无关的条件，预测出待预测行驶轨迹的质量较高的初始预测结果，并根据该初始预测结果快速获得了待预测行驶轨迹的目标预测结果，实现了高效率的轨迹预测的效果。
实施例二
图2是本发明实施例二中提供的一种轨迹预测方法的流程图。本实施例以上述各技术方案为基础进行优化。在本实施例中，可选的，将车辆的待预测行驶轨迹所在的目标时间段进行时段划分，具体可以包括：获取至少一个临界时间点，分别基于各临界时间点，将车辆的待预测行驶轨迹所在的目标时间段划分为两部分时间段，其中，临界时间点在目标时间段内取值，两部分时间段包括与碰撞躲避约束有关的第一时间段及与碰撞躲避约束无关的第二时间段；相应的，基于划分后的一部分时间段与碰撞躲避约束有关、另一部分时间段与碰撞躲避约束无关的条件，采用非线性规划方式预测车辆在目标时间段内的第一行驶轨迹，获得初始预测结果，具体可以包括：基于划分后的第一时间段和第二时间段的约束条件，采用非线性规划方式，预测出与各临界时间点分别对应的车辆在目标时间段内的第一行驶轨迹，并根据各第一行驶轨迹，获得初始预测结果。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。
参见图2，本实施例的方法具体可以包括如下步骤：
S210、获取至少一个临界时间点，分别基于各临界时间点，将车辆的待预测行驶轨迹所在的目标时间段划分为两部分时间段，其中，临界时间点在目标时间段内取值，两部分时间段包括与碰撞躲避约束有关的第一时间段及与碰撞躲避约束无关的第二时间段。
其中，获取至少一个临界时间点的实现方式有多种，比如，可以将目标时间段内的任意时间点作为临界时间点，各临界时间点可以认为是等步长或是非等步长的单调增或单调减的多个时间点；再比如，可以基于预设有限元算法将目标时间段离散化，并将离散化结果中的有限元边界点作为临界时间点，示例性的，一种等步长的单调增的临界时间点t1可以通过如下公式预先生成：
Figure BDA0002453177400000111
t0是目标时间段的左端点，tf是目标时间段的右端点，Nfe是预设有限元算法的离散个数；等等，在此未做具体限定。
进一步，可以分别基于各临界时间点，将车辆的待预测行驶轨迹所在的目标时间段划分为两部分时间段，该两部分时间段可以包括与碰撞躲避约束有关的第一时间段以及与碰撞躲避约束无关的第二时间段。
S220、基于划分后的第一时间段和第二时间段的约束条件，采用非线性规划方式，预测出与各临界时间点分别对应的车辆在目标时间段内的第一行驶轨迹，并根据各第一行驶轨迹，获得初始预测结果。
其中，为简化表述，将划分后的第一时间段和第二时间段的约束条件称为简化约束条件，基于简化约束条件且采用NLP方式可以预测出与各临界时间点分别对应的车辆在目标时间段内的第一行驶轨迹，各第一行驶轨迹的预测过程可能是串行执行，也可能是并行执行，在此未做具体限定。示例性的，获取临界时间点1和临界时间点2，基于临界时间点1可以得到简化约束条件1，且基于临界时间点2可以得到简化约束条件2；进一步，假设与临界时间点1对应的第一时间段1的第一时长1短于与临界时间点2对应的第一时间段2的第一时长2，则基于简化约束条件1且采用NLP方式可以预测出与临界时间点1对应的第一行驶轨迹1。在此基础上，可以通过多种方式预测出与临界时间点2对应的第一行驶轨迹2，比如，基于简化约束条件2且采用NLP方式直接预测出第一行驶轨迹2，再比如，将第一行驶轨迹1作为初始数据，基于简化约束条件2且采用NLP方式预测出第一行驶轨迹2，等等，在此未做具体限定。
S230、基于初始预测结果及目标时间段与碰撞躲避约束有关的条件，采用非线性规划方式预测车辆在目标时间段内的第二行驶轨迹，获得目标预测结果。
本发明实施例的技术方案，通过获取至少一个临界时间点，分别基于各临界时间点将车辆的待预测行驶轨迹所在的目标时间段划分为与碰撞躲避约束有关的第一时间段以及与碰撞躲避约束无关的第二时间段，由此，基于划分后的第一时间段和第二时间段的约束条件并采用NLP方式，可以预测出与各临界时间点分别对应的车辆在目标时间段内的第一行驶轨迹，进而根据各第一行驶轨迹可以获得质量较高的初始预测结果。
在此基础上，一种可选的技术方案，在临界时间点的数量是至少两个时，基于划分后的第一时间段和第二时间段的约束条件，采用非线性规划方式，预测出与各临界时间点分别对应的车辆在目标时间段内的第一行驶轨迹，并根据各第一行驶轨迹，获得初始预测结果，可以包括：
首先，获取与各临界时间点分别对应的划分后的第一时间段的第一时长，并根据第一时长从各临界时间点中筛选出当前时间点。其中，当前时间点通常是与较为简单的简化约束条件对应的临界时间点，由此，若第一时间段的某一端点是目标时间段的左端点，则当前时间点可以是第一时长小于预设时长阈值的临界时间点，如第一时长最短的临界时间点；若第一时间段的某一端点是目标时间段的右端点，则当前时间点可以是第一时长大于预设时长阈值的临界时间点，如第一时长最长的临界时间点；等等，在此未做具体限定。
其次，基于与当前时间点对应的划分后的第一时间段和第二时间段的约束条件，采用非线性规划方式，预测出与当前时间点对应的车辆在目标时间段内的第一行驶轨迹。若未存在与任意简化约束条件对应的第一行驶轨迹，则基于简化约束条件并采用NLP方式直接预测与当前时间点对应的第一行驶轨迹。
再次，将当前时间点的第一时长作为当前时长，将长于当前时长的第一时长对应的临界时间点作为当前时间点，由此，更新后的当前时间点的当前时长长于更新前的当前时间点的当前时长，这意味着相对于更新前的当前时间点，更新后的当前时间点对应的第一行驶轨迹的预测难度更大，因为其需要考虑的与碰撞躲避约束有关的条件的第一时长更长。
最后，基于当前的第一行驶轨迹，重复执行基于与当前时间点对应的划分后的第一时间段和第二时间段的约束条件的步骤，直至当前时间点满足预设结束条件，根据当前的第一行驶轨迹，获得初始预测结果。其中，当前的第一行驶轨迹是最新预测出的第一行驶轨迹，其对应的轨迹预测难度低于即将要预测的第一行驶轨迹。由此，针对预测难度较大的第一行驶轨迹，可以将当前的第一行驶轨迹作为初始数据，采用NLP方式预测出更新后的当前时间点对应的第一行驶轨迹。上述过程循环往复，直至当前时间点满足预设结束条件，该预设结束条件可以是当前时间点的更新次数达到预设次数阈值时，可以是当前时间点无法再次更新时，可以是当前时间点对应的当前时长大于预设时长阈值时，等等，在此未做具体限定。这样一来，在这一过程循环结束后，可以根据当前的第一行驶轨迹获得初始预测结果。
在此基础上，需要说明的是，如果预测出的某第一行驶轨迹为空，即当前时间点对应的第一行驶轨迹未能成功预测得到，此时，可以将已存在的非空的第一行驶轨迹作为当前时间点对应的第一行驶轨迹，比如，可以将预测出的上一个非空的第一行驶轨迹作为当前时间点对应的第一行驶轨迹。
为了更好地理解上述步骤的具体实现过程，下面以泊车任务中的轨迹预测方法为例，对本实施例的轨迹预测方法进行示例性的说明。示例性的，如图3所示，待停泊车辆从起始位置A出发，期望以尽量短的时间抵达目标位置B。当待停泊车辆远离B时，待停泊车辆存在与障碍物(即，图3中的十字圆圈)相撞的可能性，这意味待停泊车辆在远离B的时间段内需要考虑与碰撞躲避约束有关的条件，此时的碰撞躲避是躲避图3中的障碍物的碰撞；当待停泊车辆接近B时，待停泊车辆未存在与障碍物相撞的可能性，这意味待停泊车辆在接近B的时间段内无需考虑与碰撞躲避约束有关的条件，此时待停泊车辆的行驶安全性并未受到任何影响。这一思想可以理解为将待停泊车辆的“全局视野”收缩为恰当选择的“局部视野”，在特定时间段上减少需要考虑的与碰撞躲避约束有关的条件，从而在不影响行车安全的前提下降低轨迹预测难度。
在如图4a和图4b所示的泊车场景中，存在待停泊车辆以及若干已停泊车辆，该已停泊车辆即为障碍物。首先，基于临界时间点t1，将泊车任务中待预测行驶轨迹所在的目标时间段[t0,tf]划分为第一时间段[t0,t1]和第二时间段[t1,tf]。不同的时间段中对待停泊车辆的行驶行为有着不同的要求。
具体的，在第一时间段中，待停泊车辆的容许行驶区域参见图4a中的浅灰色区域，这意味着待停泊车辆需考虑与碰撞躲避约束有关的条件，以避免与泊车场景中的各已停泊车辆相撞，该与碰撞躲避约束有关的条件可以是基于如下思想构建：在每一时间点限制待停泊车辆的矩形轮廓顶点处于障碍物的多边形外部，且障碍物的矩形轮廓顶点处在待停泊车辆的矩形轮廓外部，则碰撞一定不会发生。由此，可以基于面积的碰撞躲避约束条件建模方案构建如下公式：
Figure BDA0002453177400000151
其中，
Figure BDA0002453177400000152
是各已停泊车辆的矩形轮廓顶点，Nparked代表泊车场景中已停泊车辆的数目，{Ai(t),Bi(t),Ci(t),Di(t)}是待停泊车辆i的矩形轮廓顶点，
Figure BDA0002453177400000154
是待停泊车辆中的Ai(t)和Bi(t)、以及已停泊车辆中的某一矩形轮廓顶点X构成的三角形的面积，
Figure BDA0002453177400000153
是待停泊车辆的各矩形轮廓顶点构成的矩形的面积，其余变量含义类似，在此不再赘述。
在第二时间段中，待停泊车辆的容许行驶区域参见图4b中的深灰色区域，此时，容许行驶区域中未存在已停泊车辆，也就是说，如果待停泊车辆在第二时间段中仅在特定行驶区域内运动，该特定行驶区域是未存在障碍物的行驶区域，如平行泊车空位附近的行驶区域，则待停泊车辆一定不会与两侧的障碍物相撞，因此待停泊车辆在第二时间段内无需考虑与碰撞躲避约束有关的条件，其可能需要考虑的是与行驶区域有关的条件。
在此基础上，为简化表述，将基于原始约束条件并采用NLP方式预测出待停泊车辆在[t0,tf]的第二行驶轨迹的这一过程称为原始问题的求解过程，该第二行驶轨迹即为原始问题的最优解。相应的，将基于简化约束条件并采用NLP方式预测出待停泊车辆在[t0,tf]的第一行驶轨迹的这一过程称为简化问题的求解过程，该第一行驶轨迹即为简化问题的最优解，该简化问题和该原始问题的优化目标均是min(tf-t0)，该简化约束条件包括上文所述的与碰撞躲避约束有关的条件和与行驶区域有关的条件，还可以包括与运动学方程约束有关的条件、与边值约束有关的条件等等，在此未做具体限定。由此，简化问题的求解结果可以作为原始问题的一个近似最优解、可行解或是近似可行解。
需要说明的是，t1的数值大小是影响简化问题的求解难度的决定性因素，t1越大，简化问题越接近原始问题，简化问题的求解难度越大；相应的，t1越小，简化问题越远离原始问题，简化问题的求解难度越小。因此，可依照t1数值从小到大依次构建出一系列难度递增的简化问题，对其逐一进行求解，并将上一个简化问题的最优解作为下一个简化问题的初始解，直到求解出数值最大的t1对应的简化问题为止，将该数值最大的t1对应的简化问题的最优解作为原始问题的初始解。在构建简化问题时，t1可以选取离散化过程中的有限元边界点，即t1取值分别为以下集合中的各元素：
Figure BDA0002453177400000161
这种取值方式使得简化问题的离散化形式不会因为引入t1而更加复杂。需要说明的是，在构建各简化问题时，tf取值是未知的，因此无法确定出各个简化问题中t1的具体取值。但是，根据上述式子能够确定出t1在[t0,tf]内的相对位置，比如，若Nfe＝10且k＝5，此时的t1将[t0,tf]等分。
在此基础上，一个可选的基于简约空间初始化的泊车任务中的轨迹预测方案是，根据已生成的各t1确定出与原始问题分别对应的简化问题wk。进一步，采用全联立正交配置有限元算法(Orthogonal Collocation Direct Transcription,OCDT)将w1离散化，在不赋予初始解的情况下，采用NLP方式直接求解出w1的最优解，比如采用NLP方式且基于内点算法(Interior Point Method,IPM)直接求解出w1的最优解，将得到的最优解记录为χ。进一步，k在[2，Nfe-1]内依次取值，并循环执行采用OCDT将wk离散化，在以χ为初始解的情况下，采用NLP方式求解出wk的最优解，若求解成功则用得到的最优解替换当前χ，否则保持当前χ的步骤。进一步，在得到与
Figure BDA0002453177400000162
对应的χ之后，采用OCDT将原始问题离散化，在以χ为初始解的情况下，采用NLP方式求解出原始问题的最优解，并根据该最优解获得泊车任务中轨迹预测的目标预测结果。
需要说明的是，在上述轨迹预测方案中，可选的，第一个待求解问题可以是任意wk，比如w1、w2、w3等等，在此未做具体限定。实质上，在以w1为第一个待求解问题时，原始问题的求解效率最高，这是因为除w1以外的各wk的求解难度均高于w1，某wk的直接求解时间远长于从w1到wk的间接求解时间，且因为w1是各wk中求解难度最低的简化问题，即使未存在质量较高的初始解，仍可以快速求解出w1的最优解。再可选的，k在[2，Nfe-1]内依次取值(即k＝2,3,4,5……Nfe-1)只是一种可选方案，实质上，k在[2，Nfe-1]内依次递增取值即可，比如k＝2,4,6,8……Nfe-1，这是因为，前续的简化问题的最优解一定是后续的任一简化问题的可行解，即前续的简化问题的最优解一定可以作为后续的任一简化问题的初始解。而且，也正是基于这一原因，在循环执行过程中，当某个简化问题求解失败时，当前记录的χ仍是下一简化问题成功求解的有效保障，这体现了轨迹预测方案的稳定性。
实施例三
图5为本发明实施例三提供的轨迹预测装置的结构框图，该装置用于执行上述任意实施例所提供的轨迹预测方法。该装置与上述各实施例的轨迹预测方法属于同一个发明构思，在轨迹预测装置的实施例中未详尽描述的细节内容，可以参考上述轨迹预测方法的实施例。参见图5，该装置具体可包括：划分模块310、初始预测模块320和目标预测模块330。
其中，划分模块310，用于将车辆的待预测行驶轨迹所在的目标时间段进行时段划分；
初始预测模块320，用于基于划分后的一部分时间段与碰撞躲避约束有关、另一部分时间段与碰撞躲避约束无关的条件，采用非线性规划方式预测车辆在目标时间段内的第一行驶轨迹，获得初始预测结果；
目标预测模块330，用于基于初始预测结果、以及目标时间段与碰撞躲避约束有关的条件，采用非线性规划方式预测车辆在目标时间段内的第二行驶轨迹，获得目标预测结果。
可选的，划分模块310，具体可以包括：
时段划分单元，用于获取至少一个临界时间点，分别基于各临界时间点，将车辆的待预测行驶轨迹所在的目标时间段划分为两部分时间段；
其中，临界时间点在目标时间段内取值，两部分时间段包括与碰撞躲避约束有关的第一时间段及与碰撞躲避约束无关的第二时间段；
相应的，初始预测模块320，具体可以包括：
初始预测单元，用于基于划分后的第一时间段和第二时间段的约束条件，采用非线性规划方式，预测出与各临界时间点分别对应的车辆在目标时间段内的第一行驶轨迹，并根据各第一行驶轨迹，获得初始预测结果。
可选的，初始预测单元，具体可以包括：
筛选子单元，用于获取与各临界时间点分别对应的划分后的第一时间段的第一时长，并根据第一时长从各临界时间点中筛选出当前时间点；
第一行驶轨迹预测子单元，用于基于与当前时间点对应的划分后的第一时间段和第二时间段的约束条件，采用非线性规划方式，预测出与当前时间点对应的车辆在目标时间段内的第一行驶轨迹；
更新子单元，用于将当前时间点的第一时长作为当前时长，将长于当前时长的第一时长对应的临界时间点作为当前时间点；
第一行驶轨迹再次预测子单元，用于基于当前的第一行驶轨迹，重复执行基于与当前时间点对应的划分后的第一时间段和第二时间段的约束条件的步骤，直至当前时间点满足预设结束条件；
获得子单元，用于根据当前的第一行驶轨迹，获得初始预测结果。
可选的，初始预测单元，还可以包括：
预测失败子单元，用于若与当前时间点对应的第一行驶轨迹为空，则将已存在的非空的第一行驶轨迹作为与当前时间点对应的第一行驶轨迹。
可选的，筛选子单元，具体可以用于：
将小于预设时长阈值的第一时长对应的临界时间点作为当前时间点。
可选的，时段划分单元，具体可以包括：
获取子单元，用于基于预设有限元算法将目标时间段离散化，根据离散化结果获取至少一个临界时间点，其中，临界时间点是有限元边界点。
可选的，时段划分单元，还可以包括：
生成子单元，用于临界时间点t1通过如下公式预先生成：
Figure BDA0002453177400000191
其中，t0是目标时间段的左端点，tf是目标时间段的右端点，Nfe是预设有限元算法的离散个数。
本发明实施例三提供的轨迹预测装置，通过划分模块将车辆的待预测行驶轨迹所在的目标时间段进行时段划分，以便将目标时间段与碰撞躲避约束有关的条件简化为划分后的一部分时间段与碰撞躲避约束有关、另一部分时间段与碰撞躲避约束无关的条件；初始预测模块基于划分后的一部分时间段与碰撞躲避约束有关、另一部分时间段与碰撞躲避约束无关的条件，采用NLP方式可以预测车辆在目标时间段内的第一行驶轨迹，获得初始预测结果，该初始预测结果是待预测行驶轨迹的质量较高的初始数据；目标预测模块基于初始预测结果、以及目标时间段与碰撞躲避约束有关的条件，采用NLP方式可以预测车辆在目标时间段内的第二行驶轨迹，获得目标预测结果。上述装置，通过已简化的基于划分后的一部分时间段与碰撞躲避约束有关、另一部分时间段与碰撞躲避约束无关的条件，可以预测出待预测行驶轨迹的质量较高的初始预测结果，并根据该初始预测结果快速获得了待预测行驶轨迹的目标预测结果，实现了高效率的轨迹预测的效果。
本发明实施例所提供的轨迹预测装置可执行本发明任意实施例所提供的轨迹预测方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述轨迹预测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例四
图6为本发明实施例四提供的一种设备的结构示意图，如图6所示，该设备包括存储器410、处理器420、输入装置430和输出装置440。设备中的处理器420的数量可以是一个或多个，图6中以一个处理器420为例；设备中的存储器410、处理器420、输入装置430和输出装置440可以通过总线或其它方式连接，图6中以通过总线450连接为例。
存储器410作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的轨迹预测方法对应的程序指令/模块(例如，轨迹预测装置中的划分模块310、初始预测模块320和目标预测模块330)。处理器420通过运行存储在存储器410中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的轨迹预测方法。
存储器410可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器410可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器410可进一步包括相对于处理器420远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息，以及产生与装置的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
实施例五
本发明实施例五提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种轨迹预测方法，该方法包括：
将车辆的待预测行驶轨迹所在的目标时间段进行时段划分；
基于划分后的一部分时间段与碰撞躲避约束有关、另一部分时间段与碰撞躲避约束无关的条件，采用非线性规划方式预测车辆在目标时间段内的第一行驶轨迹，获得初始预测结果；
基于初始预测结果、以及目标时间段与碰撞躲避约束有关的条件，采用非线性规划方式预测车辆在目标时间段内的第二行驶轨迹，获得目标预测结果。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的轨迹预测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。依据这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种轨迹预测方法，其特征在于，包括：
将车辆的待预测行驶轨迹所在的目标时间段进行时段划分；
基于划分后的一部分时间段与碰撞躲避约束有关、另一部分时间段与所述碰撞躲避约束无关的条件，采用非线性规划方式预测所述车辆在所述目标时间段内的第一行驶轨迹，获得初始预测结果；
基于所述初始预测结果、以及所述目标时间段与所述碰撞躲避约束有关的条件，采用所述非线性规划方式预测所述车辆在所述目标时间段内的第二行驶轨迹，获得目标预测结果。
2.根据权利要求1所述的方法，其特征在于，所述将车辆的待预测行驶轨迹所在的目标时间段进行时段划分，包括：
获取至少一个临界时间点，分别基于各所述临界时间点，将车辆的待预测行驶轨迹所在的目标时间段划分为两部分时间段；
其中，所述临界时间点在所述目标时间段内取值，所述两部分时间段包括与碰撞躲避约束有关的第一时间段及与所述碰撞躲避约束无关的第二时间段；
所述基于划分后的一部分时间段与碰撞躲避约束有关、另一部分时间段与所述碰撞躲避约束无关的条件，采用非线性规划方式预测所述车辆在所述目标时间段内的第一行驶轨迹，获得初始预测结果，包括：
基于划分后的所述第一时间段和所述第二时间段的约束条件，采用非线性规划方式，预测出与各所述临界时间点分别对应的所述车辆在所述目标时间段内的第一行驶轨迹，并根据各所述第一行驶轨迹，获得初始预测结果。
3.根据权利要求2所述的方法，其特征在于，所述基于划分后的所述第一时间段和所述第二时间段的约束条件，采用非线性规划方式，预测出与各所述临界时间点分别对应的所述车辆在所述目标时间段内的第一行驶轨迹，并根据各所述第一行驶轨迹，获得初始预测结果，包括：
获取与各所述临界时间点分别对应的划分后的所述第一时间段的第一时长，并根据所述第一时长从各所述临界时间点中筛选出当前时间点；
基于与所述当前时间点对应的划分后的所述第一时间段和所述第二时间段的约束条件，采用非线性规划方式，预测出与所述当前时间点对应的所述车辆在所述目标时间段内的第一行驶轨迹；
将所述当前时间点的所述第一时长作为当前时长，将长于所述当前时长的所述第一时长对应的所述临界时间点作为所述当前时间点；
基于当前的所述第一行驶轨迹，重复执行所述基于与所述当前时间点对应的划分后的所述第一时间段和所述第二时间段的约束条件的步骤，直至所述当前时间点满足预设结束条件；
根据当前的所述第一行驶轨迹，获得初始预测结果。
4.根据权利要求3所述的方法，其特征在于，在所述预测出与所述当前时间点对应的所述车辆在所述目标时间段内的第一行驶轨迹之后，还包括：
若与所述当前时间点对应的所述第一行驶轨迹为空，则将已存在的非空的所述第一行驶轨迹作为与所述当前时间点对应的所述第一行驶轨迹。
5.根据权利要求3所述的方法，其特征在于，所述根据所述第一时长从各所述临界时间点中筛选出当前时间点，包括：将小于预设时长阈值的所述第一时长对应的所述临界时间点作为当前时间点。
6.根据权利要求2所述的方法，其特征在于，获取至少一个临界时间点，包括：
基于预设有限元算法将所述目标时间段离散化，根据离散化结果获取至少一个临界时间点，其中，所述临界时间点是有限元边界点。
7.根据权利要求6所述的方法，其特征在于，所述临界时间点t1通过如下公式预先生成：
Figure FDA0002453177390000031
其中，t0是所述目标时间段的左端点，tf是所述目标时间段的右端点，Nfe是所述预设有限元算法的离散个数。
8.一种轨迹预测装置，其特征在于，包括：
划分模块，用于将车辆的待预测行驶轨迹所在的目标时间段进行时段划分；
初始预测模块，用于基于划分后的一部分时间段与碰撞躲避约束有关、另一部分时间段与所述碰撞躲避约束无关的条件，采用非线性规划方式预测所述车辆在所述目标时间段内的第一行驶轨迹，获得初始预测结果；
目标预测模块，用于基于所述初始预测结果、以及所述目标时间段与所述碰撞躲避约束有关的条件，采用所述非线性规划方式预测所述车辆在所述目标时间段内的第二行驶轨迹，获得目标预测结果。
9.一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的轨迹预测方法。
10.一种计算机可读存储介质，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如权利要求1-7中任一所述的轨迹预测方法。
CN202010298697.0A 2020-04-16 2020-04-16 一种轨迹预测方法、装置、设备及存储介质 Pending CN111752271A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010298697.0A CN111752271A (zh) 2020-04-16 2020-04-16 一种轨迹预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010298697.0A CN111752271A (zh) 2020-04-16 2020-04-16 一种轨迹预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN111752271A true CN111752271A (zh) 2020-10-09

Family

ID=72673300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010298697.0A Pending CN111752271A (zh) 2020-04-16 2020-04-16 一种轨迹预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111752271A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112327848A (zh) * 2020-11-05 2021-02-05 北京京东乾石科技有限公司 机器人避障方法及装置、存储介质和电子设备
CN113821736A (zh) * 2021-09-01 2021-12-21 北京中交兴路信息科技有限公司 基于前缀树的车辆目的地的预测方法、装置、设备及介质
CN117130374A (zh) * 2023-10-26 2023-11-28 锐驰激光(深圳)有限公司 高尔夫球包车的控制方法、高尔夫球包车及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101765527A (zh) * 2007-07-31 2010-06-30 株式会社丰田自动织机 停车辅助装置、停车辅助装置的车辆侧装置、停车辅助方法及停车辅助程序
EP2527943A1 (en) * 2011-05-24 2012-11-28 BAE Systems Plc. Vehicle navigation
CN107672585A (zh) * 2017-08-29 2018-02-09 广州小鹏汽车科技有限公司 一种自动泊车路径规划方法及系统
CN108287547A (zh) * 2018-01-19 2018-07-17 广东美的智能机器人有限公司 多移动机器人的冲突管理方法及系统
CN109521763A (zh) * 2017-09-18 2019-03-26 百度（美国）有限责任公司 用于自动驾驶车辆的基于约束平滑样条的路径优化
CN109871021A (zh) * 2019-03-18 2019-06-11 安徽大学 一种基于粒子群优化算法的机器人导航方法
CN110703763A (zh) * 2019-11-05 2020-01-17 武汉理工大学 无人车路径跟踪及避障方法
CN110703758A (zh) * 2019-10-25 2020-01-17 北京京东乾石科技有限公司 一种路径规划方法和装置
CN110929702A (zh) * 2020-01-22 2020-03-27 华人运通(上海)新能源驱动技术有限公司 一种轨迹规划方法、装置、电子设备和存储介质
CN110955244A (zh) * 2019-12-03 2020-04-03 北京京东乾石科技有限公司 轨迹规划方法、装置、介质及电子设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101765527A (zh) * 2007-07-31 2010-06-30 株式会社丰田自动织机 停车辅助装置、停车辅助装置的车辆侧装置、停车辅助方法及停车辅助程序
EP2527943A1 (en) * 2011-05-24 2012-11-28 BAE Systems Plc. Vehicle navigation
CN107672585A (zh) * 2017-08-29 2018-02-09 广州小鹏汽车科技有限公司 一种自动泊车路径规划方法及系统
CN109521763A (zh) * 2017-09-18 2019-03-26 百度（美国）有限责任公司 用于自动驾驶车辆的基于约束平滑样条的路径优化
CN108287547A (zh) * 2018-01-19 2018-07-17 广东美的智能机器人有限公司 多移动机器人的冲突管理方法及系统
CN109871021A (zh) * 2019-03-18 2019-06-11 安徽大学 一种基于粒子群优化算法的机器人导航方法
CN110703758A (zh) * 2019-10-25 2020-01-17 北京京东乾石科技有限公司 一种路径规划方法和装置
CN110703763A (zh) * 2019-11-05 2020-01-17 武汉理工大学 无人车路径跟踪及避障方法
CN110955244A (zh) * 2019-12-03 2020-04-03 北京京东乾石科技有限公司 轨迹规划方法、装置、介质及电子设备
CN110929702A (zh) * 2020-01-22 2020-03-27 华人运通(上海)新能源驱动技术有限公司 一种轨迹规划方法、装置、电子设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李柏: "复杂约束下自动驾驶车辆运动规划的计算最优控制方法研究", 《中国优秀硕士学位论文全文数据库》, 15 August 2018 (2018-08-15), pages 50 - 55 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112327848A (zh) * 2020-11-05 2021-02-05 北京京东乾石科技有限公司 机器人避障方法及装置、存储介质和电子设备
CN113821736A (zh) * 2021-09-01 2021-12-21 北京中交兴路信息科技有限公司 基于前缀树的车辆目的地的预测方法、装置、设备及介质
CN113821736B (zh) * 2021-09-01 2023-09-08 北京中交兴路信息科技有限公司 基于前缀树的车辆目的地的预测方法、装置、设备及介质
CN117130374A (zh) * 2023-10-26 2023-11-28 锐驰激光(深圳)有限公司 高尔夫球包车的控制方法、高尔夫球包车及存储介质
CN117130374B (zh) * 2023-10-26 2024-03-15 锐驰激光(深圳)有限公司 高尔夫球包车的控制方法、高尔夫球包车及存储介质

Similar Documents

Publication Publication Date Title
CN111752271A (zh) 一种轨迹预测方法、装置、设备及存储介质
US11433884B2 (en) Lane-based probabilistic motion prediction of surrounding vehicles and predictive longitudinal control method and apparatus
Shalev-Shwartz et al. Safe, multi-agent, reinforcement learning for autonomous driving
US10795360B2 (en) Utility decomposition with deep corrections
Zhang et al. A finite state machine based automated driving controller and its stochastic optimization
Chin et al. Q-learning based traffic optimization in management of signal timing plan
Könighofer et al. Shield synthesis for reinforcement learning
US20200292336A1 (en) Vehicle track planning method, device, computer device and computer-readable storage medium
JP2020509966A (ja) 自律車両用の行動計画システム及び方法
CN112116806B (zh) 车流量特征提取方法及系统
US11199841B1 (en) Methods and systems for determination of a routing policy for an autonomous vehicle
CN112947492B (zh) 车辆控制方法、装置、存储介质、电子设备及车辆
CN112595337A (zh) 避障路径规划方法、装置、电子装置、车辆及存储介质
US20210150388A1 (en) Model estimation system, model estimation method, and model estimation program
CN113419547B (zh) 一种多车协同控制方法及装置
CN108216098A (zh) 车辆预警阈值更新方法、系统及其电子设备
CN113682302B (zh) 一种驾驶状态估计方法、装置、电子设备及存储介质
CN113312760A (zh) 一种基于交通仿真的网联机动车右转轨迹规划方法和装置
CN114162144B (zh) 自动驾驶决策方法、装置以及电子设备
JP6708535B2 (ja) 車両軌道用グラフ生成装置
Han et al. Exploiting beneficial information sharing among autonomous vehicles
CN114675655A (zh) 一种车辆控制方法及装置
CN117308945B (zh) 基于准确交通管控的无人天车动态路径规划方法及系统
CN110187707B (zh) 无人驾驶设备运行轨迹的规划方法、装置及无人驾驶设备
US20230139133A1 (en) Lane change system of autonomous vehicle

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