CN111795699B - 无人车的路径规划方法、装置和计算机可读存储介质 - Google Patents
无人车的路径规划方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111795699B CN111795699B CN201911174107.7A CN201911174107A CN111795699B CN 111795699 B CN111795699 B CN 111795699B CN 201911174107 A CN201911174107 A CN 201911174107A CN 111795699 B CN111795699 B CN 111795699B
- Authority
- CN
- China
- Prior art keywords
- unmanned vehicle
- point
- path
- rough
- determining
- 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 59
- 230000008569 process Effects 0.000 claims abstract description 28
- 230000004888 barrier function Effects 0.000 claims abstract description 17
- 238000012512 characterization method Methods 0.000 claims description 36
- 239000002245 particle Substances 0.000 claims description 28
- 239000000725 suspension Substances 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- G01C21/20—Instruments for performing navigational calculations
-
- 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
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本公开涉及一种无人车的路径规划方法、装置和计算机可读存储介质,涉及自动驾驶技术领域。本公开的方法包括:确定无人车对应的质点由起始点到目的点的粗略路径,其中,无人车被收缩为质点,散点障碍物被膨胀为圆形;粗略路径使无人车对应的质点不与散点障碍物对应的圆形发生碰撞;根据粗略路径拓展出与圆形的覆盖区域无交集的多个矩形区域;将无人车的车体在行驶过程中与散点障碍物无碰撞的约束条件,简化为无人车对应的质点不超出矩形区域的范围的约束条件;根据简化后的约束条件,确定无人车由起始点到目的点的最优路径。
Description
技术领域
本公开涉及自动驾驶技术领域,特别涉及一种无人车的路径规划方法、装置和计算机可读存储介质。
背景技术
在自动驾驶领域,无人车(即自动驾驶车辆)的路径规划问题,一直是本领域技术人员致力研究的问题。
在无人车由起始点到目的点的路径需要避免与无人车周围的障碍物发生碰撞。一些算法中,建立碰撞躲避约束条件来求解无人车由起始点到目的点的路径。
发明内容
发明人发现,碰撞躲避约束条件是求解无人车的路径过程中最困难的部分,导致确定无人车路径的效率很低。
本公开所要解决的一个技术问题是:如何提高无人车由起始点到目的点的最优路径的确定效率。
根据本公开的一些实施例,提供的一种无人车的路径规划方法,包括:确定无人车对应的质点由起始点到目的点的粗略路径,其中,无人车被收缩为质点,散点障碍物被膨胀为圆形;粗略路径使无人车对应的质点不与散点障碍物对应的圆形发生碰撞;根据粗略路径拓展出与圆形的覆盖区域无交集的多个矩形区域;将无人车的车体在行驶过程中与散点障碍物无碰撞的约束条件,简化为无人车对应的质点不超出矩形区域的范围的约束条件;根据简化后的约束条件,确定无人车由起始点到目的点的最优路径。
在一些实施例中,在无人车对应的质点包括多个的情况下,粗略路径包括每个质点对应的不同的粗略路径;根据粗略路径拓展出与圆形的覆盖区域无交集的多个矩形区域包括:针对每个质点对应的粗略路径,在粗略路径上等长度间隔采样多个点;将采样的多个点中每相邻的两个相连,形成多条表征线段;根据每条表征线段拓展出与圆形的覆盖区域无交集的一个矩形区域,作为表征矩形。
在一些实施例中,根据每条段拓展出与圆形的覆盖区域无交集的一个矩形区域包括:针对每条表征线段,将线段作为宽度为0的矩形,按照预设拓展长度,沿着矩形的四边所在面的法线方向向外拓展矩形的四条边,判断拓展后的矩形的四条边是否圆形的覆盖区域有交集;将与圆形的覆盖区域有交集的边收缩到拓展前的位置,并不再进行拓展;对于与圆形的覆盖区域无交集的边,重复执行按照预设拓展长度沿着该边所在面的法线方向向外拓展的过程,直至确定四条边都无法再次进行拓展的矩形区域,作为表征矩形。
在一些实施例中,简化为无人车对应的质点不超出矩形区域的范围的约束条件包括:简化为无人车对应的质点在每一等间隔的时间区间里不超出对应的表征矩形的区域的约束条件;其中,每一等间隔的时间区间根据无人车的质点由起始点到目的点的总时间与该质点对应的表征线段总条数的比值确定。
在一些实施例中,确定无人车对应的质点由起始点到目的点的粗略路径包括:确定无人车由起始点到目的点的车体粗略路径;根据无人车前后轮轴距,无人车前悬距离,无人车后悬距离,无人车的宽度以及无人车在坐标系中的姿态角,将车体粗略路径转换为质点由起始点到目的点的粗略路径。
在一些实施例中,还包括:确定覆盖无人车车体的圆形的圆心和半径;根据半径将散点障碍物膨胀为圆形,根据圆心将无人车收缩为质点。
在一些实施例中,确定覆盖无人车车体的圆形的圆心和半径包括:在坐标系中,根据无人车后轮轴中心点的位置,无人车前后轮轴距,无人车前悬距离,无人车后悬距离以及无人车的姿态角,确定覆盖无人车车体的圆形的圆心;根据无人车后轮轴中心点的位置,无人车前后轮轴距,无人车前悬距离,无人车后悬距离,无人车车体的宽度,确定覆盖无人车车体的圆形的半径。
在一些实施例中,根据简化后的约束条件,确定无人车由起始点到目的点的最优路径包括:根据车辆运动学模型,简化后的约束条件和两点边值约束条件,确定无人车由起始点到目的点时间最短的最优路径。
根据本公开的另一些实施例,提供的一种无人车的路径规划装置,包括:粗略路径确定模块,用于确定无人车对应的质点由起始点到目的点的粗略路径,其中,无人车被收缩为质点,散点障碍物被膨胀为圆形;粗略路径使无人车对应的质点不与散点障碍物对应的圆形发生碰撞;隧道建立模块,用于根据粗略路径拓展出与圆形的覆盖区域无交集的多个矩形区域;约束转化模块,用于将无人车的车体在行驶过程中与散点障碍物无碰撞的约束条件,简化为无人车对应的质点不超出矩形区域的范围的约束条件;路径确定模块,用于根据简化后的约束条件,确定无人车由起始点到目的点的最优路径。
在一些实施例中,在无人车对应的质点包括多个的情况下,粗略路径包括每个质点对应的不同的粗略路径;隧道建立模块用于针对每个质点对应的粗略路径,在粗略路径上等长度间隔采样多个点;将采样的多个点中每相邻的两个相连,形成多条表征线段;根据每条表征线段拓展出与圆形的覆盖区域无交集的一个矩形区域,作为表征矩形。
在一些实施例中,隧道建立模块用于针对每条表征线段,将线段作为宽度为0的矩形,按照预设拓展长度,沿着矩形的四边所在面的法线方向向外拓展矩形的四条边,判断拓展后的矩形的四条边是否圆形的覆盖区域有交集;将与圆形的覆盖区域有交集的边收缩到拓展前的位置,并不再进行拓展;对于与圆形的覆盖区域无交集的边,重复执行按照预设拓展长度沿着该边所在面的法线方向向外拓展的过程,直至确定四条边都无法再次进行拓展的矩形区域,作为表征矩形。
在一些实施例中,隧道建立模块用于将无人车的车体在行驶过程中与散点障碍物无碰撞的约束条件,简化为无人车对应的质点在每一等间隔的时间区间里不超出对应的表征矩形的区域的约束条件;其中,每一等间隔的时间区间根据无人车的质点由起始点到目的点的总时间与该质点对应的表征线段总条数的比值确定。
在一些实施例中,粗略路径确定模块用于确定无人车由起始点到目的点的车体粗略路径;无人车前后轮轴距,无人车前悬距离,无人车后悬距离,无人车的宽度以及无人车在坐标系中的姿态角,将车体粗略路径转换为质点由起始点到目的点的粗略路径。
在一些实施例中,还包括:场景转化模块,用于确定覆盖无人车车体的圆形的圆心和半径;根据半径将散点障碍物膨胀为圆形,根据圆心将无人车收缩为质点。
在一些实施例中,场景转化模块用于在坐标系中,根据无人车后轮轴中心点的位置,无人车前后轮轴距,无人车前悬距离,无人车后悬距离以及无人车的姿态角,确定覆盖无人车车体的圆形的圆心;根据无人车后轮轴中心点的位置,无人车前后轮轴距,无人车前悬距离,无人车后悬距离,无人车车体的宽度,确定覆盖无人车车体的圆形的半径。
在一些实施例中,路径确定模块用于根据车辆运动学模型,简化后的约束条件和两点边值约束条件,确定无人车由起始点到目的点时间最短的最优路径。
根据本公开的又一些实施例,提供的一种无人车的路径规划装置,包括:处理器;以及耦接至处理器的存储器,用于存储指令,指令被处理器执行时,使处理器执行如前述任意实施例的无人车的路径规划方法。
根据本公开的再一些实施例,提供的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,其中,该程序被处理器执行时实现前述任意实施例的无人车的路径规划方法的步骤。
本公开中无人车被收缩为质点,散点障碍物被膨胀为圆形,首先确定无人车对应的质点由起始点到目的点的粗略路径,基于粗略路径拓展出与圆形的覆盖区域无交集的多个矩形区域,进一步,将无人车的车体在行驶过程中与散点障碍物无碰撞的约束条件,简化为无人车对应的质点不超出矩形区域的范围的约束条件。最后根据简化后的约束条件,确定无人车由起始点到目的点的最优路径。本公开的方案将无人车的车体不与所有散点障碍物发生碰撞的约束条件,简化为无人车对应的质点不超出沿着粗略路径的矩形区域的约束条件,不需要考虑相隔很远的障碍物,大幅度减小了问题规模,并且简化后的约束条件,矩形区域更加容易描述,可以采用线性描述,从而减少了大量非线性计算。本公开的方案在不损失求解精度的前提下,可以极大提升求解效率,从而提高无人车由起始点到目的点的最优路径的确定效率。
通过以下参照附图对本公开的示例性实施例的详细描述,本公开的其它特征及其优点将会变得清楚。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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的前提下,还可以根据这些附图获得其他的附图。
图1示出本公开的一些实施例的无人车的路径规划方法的流程示意图。
图2示出本公开的一些实施例的坐标系中无人车各参数的几何关系示意图。
图3示出本公开的一些实施例的场景地形图的示意图。
图4示出本公开的另一些实施例的无人车的路径规划方法的流程示意图。
图5示出本公开的一些实施例的无人车的粗略路径划分表征线段的示意图。
图6示出本公开的一些实施例的无人车对应的隧道的示意图。
图7示出本公开的一些实施例的矩形区域表示方式的示意图。
图8示出本公开的一些实施例的无人车的路径规划装置的结构示意图。
图9示出本公开的另一些实施例的无人车的路径规划装置的结构示意图。
图10示出本公开的又一些实施例的无人车的路径规划装置的结构示意图。
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,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
本公开提出一种无人车的路径规划方法,能够极大提高无人车由起始点到目的点的最优路径的确定效率,下面结合图1~图7行描述。
图1为本公开无人车的路径规划方法一些实施例的流程图。如图1所示,该实施例的方法包括:步骤S102~S104。
无人车行驶过程中需要满足的约束条件包括:无人车的车体在行驶过程中与障碍物无碰撞。任意障碍物可以以散点的形式体现。例如,体积小于阈值的障碍物可以直接作为散点障碍物。体积较大的障碍物可以取其轮廓上的点,转换为多个散点障碍物。这是因为无人车行驶过程中只要不与较大障碍物轮廓上的点碰撞就可以保证不与这些障碍物发生碰撞。
假设场景中共计Nobs个散点保存在点集 之中。表示无人车的车体在行驶过程中与障碍物无碰撞的碰撞躲避约束条件,要求无人车的车体轨迹(即车体矩形区域的四个顶点分别是A(t)、B(t)、C(t)以及D(t))始终在所有的散点以外。因此,原本的碰撞躲避约束条件可以写为以下公式。
公式(1)中A(t),B(t),C(t),D(t)分别表示t时刻无人车的车体矩形区域的四个顶点,Q表示散点障碍物,t∈[0,tf]表示运动时域,tf表示无人车到达目的点的时刻即终止时刻,可以是常量或变量。公式(1)的具体表达形式可以参考现有技术,例如,发明人于2015年发表的论文“在存在不规则障碍物的情况下停放自动驾驶车辆的统一运动计划方法(Aunified motion planning method for parking an autonomous vehicle in thepresence of irregularly placed obstacles.Knowledge-Based Systems,86,11-20.)。
公式(1)的求解是求解无人车由起始点到目的点的路径的过程中最困难的部分,尤其是在散点障碍物的量非常大的情况下,更加不利于快速求解。本公开的主要目的之一就是对公式(1)所表示的约束条件进行简化,从而简化求解过程。简化上述碰撞躲避约束条件之前,首先进行等价转化。
在步骤S102中,确定覆盖无人车车体的圆形的圆心和半径。
覆盖无人车车体的圆形可以为一个或多个,例如,对于体积小于预设体积的无人车,覆盖无人车车体的圆形可以为一个,对于普通四轮无人驾驶车,覆盖无人车车体的圆形可以为两个,对于车轮较多体积较大的无人驾驶卡车,覆盖无人车车体的圆形可以为于两个。如图2所示,以无人车为普通四轮无人驾驶车辆为例,矩形车体可以简化为两个圆形,两个圆形恰好均匀覆盖车身,其圆心分别为Pf(xf,yf),Pr(xr,yr)。
在一些实施例中,可以根据几何关系,确定圆心与后轮轴中心点之间的相对固定位置关系,以及圆形的半径。例如,在坐标系中,根据无人车后轮轴中心点的位置,无人车前后轮轴距,无人车前悬距离,无人车后悬距离以及无人车的姿态角,确定覆盖无人车车体的圆形的圆心。可以参考图2和以下公式,确定覆盖无人车车体的圆形的圆心。
如图2所示,(x(t),y(t))为坐标系中无人车后轮轴中心点t时刻的坐标,(xf(t),yf(t))为一个圆心Pf在t时刻的坐标,(xr(t),yr(t))为另一个圆心Pr在t时刻的坐标,θ(t)为t时刻的无人车的姿态角。LW为无人车前后轮轴的距离,LF为无人车前悬距离,LR为无人车后悬距离。
例如,根据无人车后轮轴中心点的位置,无人车前后轮轴距,无人车前悬距离,无人车后悬距离,无人车的宽度,确定覆盖无人车车体的圆形的半径。可以参考图2和以下公式,确定覆盖无人车车体的圆形的半径。
公式(6)中RC为覆盖无人车车体的圆形的半径,LW为无人车前后轮轴的距离,LF为无人车前悬距离,LR为无人车后悬距离,LB为无人车车体的宽度。
针对不同类型的无人车,不同的坐标系设置方法,本领域技术人员可以根据具体情况,基于后轮轴中心点的位置,根据无人车前后轮轴距,无人车前悬距离,无人车后悬距离,无人车车体的宽度以及无人车在坐标系中的姿态角等信息,确定覆盖无人车车体的一个或多个圆形的圆心和半径。
在步骤S104中,根据半径将散点障碍物膨胀为圆形,根据圆心将无人车收缩为质点。
基于上述方法,无人车的车体在行驶过程中与障碍物无碰撞的碰撞躲避约束条件即公式(1),可以写成以下公式。
基于上述公式,可以将每一个散点障碍物膨胀为以该散点本身为圆心、以RC为半径的圆形。无人车可以收缩为圆心对应的质点,而这样处理之后,碰撞躲避约束条件仍旧描述为公式(7)。这样无人车的车体在行驶过程中与散点障碍物无碰撞的碰撞躲避约束条件可以等价转化为无人车对应的质点在行驶过程中与圆形障碍物无碰撞的碰撞躲避约束条件。这样的情况下规划出来的路径,与原始命题是等价的。如图3所示,通过上述转化,可以将初始导入的原始散点图转化形成的新场景描述地形图称为“膨化地图”。
下面结合图4描述如何基于上述实施例转化后的碰撞躲避约束条件,进一步确定无人车由起始点到目的点的最优路径。下面结合图4进行描述。
图4为本公开无人车的路径规划方法另一些实施例的流程图。如图4所示,该实施例的方法包括:步骤S402~S408。
在步骤S402中,确定无人车对应的质点由起始点到目的点的粗略路径。
基于前述实施例,无人车可以被收缩为质点,散点障碍物可以被膨胀为圆形。进而可以确定无人车对应的质点由起始点到目的点的粗略路径。粗略路径可以使无人车对应的质点不与散点障碍物对应的圆形发生碰撞。
在一些实施例中,首先确定无人车由起始点到目的点的车体粗略路径;根据无人车前后轮轴距,无人车前悬距离,无人车后悬距离以及无人车在坐标系中的姿态角,将车体粗略路径转换为质点由起始点到目的点的粗略路径。车体粗略路径可以采用现有路径规划算法进行确定,例如采用混合A*算法或者A*算法等进行确定,不限于所举示例。
车体粗略路径可以作为无人车的后轮轴中心点的粗略路径。进一步,根据后轮轴中心点与无人车的质点在坐标系中的几何关系,以及无人车的结构和运动参数可以确定无人车的质点的粗略路径。例如,在无人车为普通四轮无人驾驶车辆的情况下,参考图2和公式(2)-(5)可以将无人车的后轮轴中心点的粗略路径转换为无人车的两个质点的两条粗略路径,在此不再赘述。无人车的质点的个数决定转换后粗略路径的条数。
在步骤S404中,根据粗略路径拓展出与圆形的覆盖区域无交集的多个矩形区域。
无人车对应的质点包括一个或多个,得到每个质点由起始点到目的点的粗略路径,针对每条粗略路径采用相同的方式拓展与圆形的覆盖区域无交集的多个矩形区域。例如,无人车对应的质点包括两个,得到两条粗略路径Trajf,Trajr。以其中一个质点Pf为例,Pf应该与膨化地图中的所有的被原始散点所膨胀而成的圆形所占据区域不发生碰撞,但膨化地图很大。无人车实际运动路径不会大范围游离于Trajf之外,因此可以将与路径Trajf相隔很远的区域中的障碍物完全忽视,这样做并不会损失模型的任何求解精度,但可以大幅度降低问题规模,进而提升求解效率。具体的实现方式如下。
在一些实施例中,针对每个质点对应的粗略路径,在粗略路径上等长度间隔采样多个点;将采样的多个点中每相邻的两个相连,形成多条表征线段;根据每条表征线段拓展出与圆形的覆盖区域无交集的一个矩形区域,作为表征矩形。例如,如图5所示,沿着Trajf从头到尾等里程地采样(NR+1)个点,可以将这些点称为“表征点”。之后将这些表征点每相邻的两个点逐一衔接,可以构成NR条“表征线段”。分别依托这些“表征线段”生成相应的一个与圆形的覆盖区域无交集矩形区域,作为“表征矩形”。
进一步,在一些实施例中,针对每条表征线段,将线段作为宽度为0的矩形,按照预设拓展长度,沿着矩形的四边所在面的法线方向向外拓展矩形的四条边,判断拓展后的矩形的四条边是否圆形的覆盖区域有交集。将与圆形的覆盖区域有交集的边收缩到拓展前的位置,并不再进行拓展;对于与圆形的覆盖区域无交集的边,重复执行按照预设拓展长度沿着该边所在面的法线方向向外拓展的过程,直至确定四条边都无法再次进行拓展的矩形区域,作为表征矩形。
即针对每条表征线段对应的矩形的每条边,执行以下过程。(1)按照预设拓展长度,沿着该边所在面的法线方向向外拓展该边。(2)判断拓展后的该边是否圆形的覆盖区域有交集(是否发生碰撞)。如果有,则执行步骤(3),否则返回步骤(1)重新开始执行。(3)将该边收缩到拓展前的位置,并不再进行拓展。当四条边都无法再次进行拓展的情况下,确定拓展后的矩形区域。这样得到的表征矩形可以比较紧凑的贴近障碍物。
针对所有的表征线段都生成相应的表征矩形,则这些矩形区域可以覆盖整个Trajf,如图6所示。由于这些矩形区域铺成了一条类似于通道的通路,之后只需考虑Pf在矩形区域内部活动,无需再考虑碰撞的发生,因为矩形区域内部没有障碍物。沿着一条粗略路径生成的矩形区域所构成的区域范围可以称为“隧道”。
在步骤S406中,将无人车的车体在行驶过程中与散点障碍物无碰撞的约束条件,简化为无人车对应的质点不超出矩形区域的范围的约束条件。
基于上述实施例中的表征矩形,无人车的车体在行驶过程中与散点障碍物无碰撞的约束条件可以转换为质点在每一等间隔的时间区间里必须处在相应的表征矩形内的约束条件。该等间隔的时间区间是根据无人车由起始点到目的点的总时间与线段总条数的比值。例如,针对一个质点Pf具体可采用以下公式描述该质点在每一等间隔的时间区间里必须处在相应的表征矩形内的约束条件。
Pf(t)locates within the ith representative rectangle
whent∈[(tf/NR)·(i-1),(tf/NR)·i,] (8)
描述一个点在一个特定矩形内部的约束是较为容易的。如图7所示,矩形的四条边分别可以写成直线ax+by+c=0的标准形式,只需将等号改为不等号即可通过四条直线围成一个矩形区域。即每个表征矩形可以采用四条直线描述,进而无人车的质点在每一等间隔的时间区间不超出对应的四条直线围成的矩形区域即可。这样使用近乎线性的约束条件来描述无人车对应与障碍物不发生碰撞,极大简化了碰撞躲避约束条件的规模和求解难度。
在步骤S408,根据简化后的约束条件,确定无人车由起始点到目的点的最优路径。
在一些实施例中,根据车辆运动学模型,简化后的约束条件,无人车运动参数约束条件和无人车始末状态约束条件,确定无人车由起始点到目的点时间最短的最优路径。
可以采用一个开环最优控制问题的形式来描述无人车的路径规划任务。这个最优控制问题包含约束条件和目标函数两部分,其中约束条件除了包括简化后的碰撞躲避约束条件,还包括车辆运动学模型,可以采用以下公式表示。
结合图2所示,公式(9)中,t∈[0,tf]表示运动时域,(x(t),y(t))为坐标系中无人车后轮轴中心点t时刻的坐标,v(t)和α(t)分别表示沿车体纵轴方向的t时刻的速度和加速度。为t时刻无人车前轮偏转角,例如以左转方向为正方向。ω(t)为t时刻无人车前轮偏转角速度,例如,以垂直于XOY坐标系向外为正方向。θ(t)为t时刻无人车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,例如以逆时针转向为正方向。LW为无人车前后轮轴的距离。
进一步,车辆运动学模型,在整个时域t∈[0,tf],还要求满足以下约束条件。
|α(t)|≤αmax (10a)
|v(t)|≤vmax (10b)
|ω(t)|≤Ωmax (10d)
上述公式相当于对各个变量进行限幅,使得行车过程自然、合理。
约束条件还可以包括两点边值约束,可以采用以下公式表示。
设目标函数为使无人车由起始点到目的点的时间最短,则结合上述约束条件,最优控制问题可以表示为以下形式。
上述最优控制命题的规模与场景复杂程度完全无关,无论场景多么复杂,都被转换为NR个表征矩形,约束条件的个数与环境复杂程度不再有任何关系。因此,极大简化了命题的复杂性和求解过程的难度。
上述实施例的方法中无人车被收缩为质点,散点障碍物被膨胀为圆形,首先确定无人车对应的质点由起始点到目的点的粗略路径,基于粗略路径拓展出与圆形的覆盖区域无交集的多个矩形区域,进一步,将无人车的车体在行驶过程中与散点障碍物无碰撞的约束条件,简化为无人车对应的质点不超出矩形区域的范围的约束条件。最后根据简化后的约束条件,确定无人车由起始点到目的点的最优路径。上述实施例的方案将无人车的车体不与所有散点障碍物发生碰撞的约束条件,简化为无人车对应的质点不超出沿着粗略路径的矩形区域的约束条件,不需要考虑相隔很远的障碍物,大幅度减小了问题规模,并且简化后的约束条件,矩形区域更加容易描述,可以采用线性描述,从而减少了大量非线性计算。上述实施例的方案在不损失求解精度的前提下,可以极大提升求解效率,从而提高无人车由起始点到目的点的最优路径的确定效率。
本公开还提供一种无人车的路径规划装置,下面结合图8进行描述。
图8为本公开无人车的路径规划装置的一些实施例的结构图。如图8所示,该实施例的装置80包括:粗略路径确定模块810,隧道建立模块820,约束转化模块830,路径确定模块840。
粗略路径确定模块810,用于确定无人车对应的质点由起始点到目的点的粗略路径,其中,无人车被收缩为质点,散点障碍物被膨胀为圆形;粗略路径使无人车对应的质点不与散点障碍物对应的圆形发生碰撞。
在一些实施例中,粗略路径确定模块810用于确定无人车由起始点到目的点的车体粗略路径;无人车前后轮轴距,无人车前悬距离,无人车后悬距离,无人车的宽度以及无人车在坐标系中的姿态角,将车体粗略路径转换为质点由起始点到目的点的粗略路径。
隧道建立模块820,用于根据粗略路径拓展出与圆形的覆盖区域无交集的多个矩形区域。
在一些实施例中,在无人车对应的质点包括多个的情况下,粗略路径包括每个质点对应的不同的粗略路径;隧道建立模块820用于针对每个质点对应的粗略路径,在粗略路径上等长度间隔采样多个点;将采样的多个点中每相邻的两个相连,形成多条表征线段;根据每条表征线段拓展出与圆形的覆盖区域无交集的一个矩形区域,作为表征矩形。
在一些实施例中,隧道建立模块820用于针对每条表征线段,将线段作为宽度为0的矩形,按照预设拓展长度,沿着矩形的四边所在面的法线方向向外拓展矩形的四条边,判断拓展后的矩形的四条边是否圆形的覆盖区域有交集;将与圆形的覆盖区域有交集的边收缩到拓展前的位置,并不再进行拓展;对于与圆形的覆盖区域无交集的边,重复执行按照预设拓展长度沿着该边所在面的法线方向向外拓展的过程,直至确定四条边都无法再次进行拓展的矩形区域,作为表征矩形。
在一些实施例中,隧道建立模块820用于将无人车的车体在行驶过程中与散点障碍物无碰撞的约束条件,简化为无人车对应的质点在每一等间隔的时间区间里不超出对应的表征矩形的区域的约束条件;其中,每一等间隔的时间区间根据无人车的质点由起始点到目的点的总时间与该质点对应的表征线段总条数的比值确定。
约束转化模块830,用于将无人车的车体在行驶过程中与散点障碍物无碰撞的约束条件,简化为无人车对应的质点不超出矩形区域的范围的约束条件。
路径确定模块840,用于根据简化后的约束条件,确定无人车由起始点到目的点的最优路径。
在一些实施例中,路径确定模块840用于根据车辆运动学模型,简化后的约束条件和两点边值约束条件,确定无人车由起始点到目的点时间最短的最优路径。
在一些实施例中,该装置80还包括:场景转化模块850,用于确定覆盖无人车车体的圆形的圆心和半径;根据半径将散点障碍物膨胀为圆形,根据圆心将无人车收缩为质点。
在一些实施例中,场景转化模块850用于在坐标系中,根据无人车后轮轴中心点的位置,无人车前后轮轴距,无人车前悬距离,无人车后悬距离以及无人车的姿态角,确定覆盖无人车车体的圆形的圆心;根据无人车后轮轴中心点的位置,无人车前后轮轴距,无人车前悬距离,无人车后悬距离,无人车车体的宽度,确定覆盖无人车车体的圆形的半径。
本公开的实施例中的无人车的路径规划装置可各由各种计算设备或计算机系统来实现,下面结合图9以及图10进行描述。
图9为本公开无人车的路径规划装置的一些实施例的结构图。如图9所示,该实施例的装置90包括:存储器910以及耦接至该存储器910的处理器920,处理器920被配置为基于存储在存储器910中的指令,执行本公开中任意一些实施例中的无人车的路径规划方法。
其中,存储器910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(BootLoader)、数据库以及其他程序等。
图10为本公开无人车的路径规划装置的另一些实施例的结构图。如图10所示,该实施例的装置100包括:存储器1010以及处理器1020,分别与存储器910以及处理器920类似。还可以包括输入输出接口1030、网络接口1040、存储接口1050等。这些接口1030,1040,1050以及存储器1010和处理器1020之间例如可以通过总线1060连接。其中,输入输出接口1030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1040为各种联网设备提供连接接口,例如可以连接到数据库服务器或者云端存储服务器等。存储接口1050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可用非瞬时性存储介质(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 (10)
1.一种无人车的路径规划方法,包括:
确定无人车对应的质点由起始点到目的点的粗略路径,其中,所述无人车被收缩为质点,散点障碍物被膨胀为圆形;所述粗略路径使所述无人车对应的质点不与所述散点障碍物对应的圆形发生碰撞;在所述无人车对应的质点包括多个的情况下,所述粗略路径包括每个质点对应的不同的粗略路径;
根据所述粗略路径拓展出与所述圆形的覆盖区域无交集的多个矩形区域;
将所述无人车的车体在行驶过程中与所述散点障碍物无碰撞的约束条件,简化为所述无人车对应的质点不超出所述矩形区域的范围的约束条件;
根据简化后的约束条件,确定所述无人车由起始点到目的点的最优路径;
所述根据所述粗略路径拓展出与所述圆形的覆盖区域无交集的多个矩形区域包括:
针对每个质点对应的粗略路径,在所述粗略路径上等长度间隔采样多个点;将采样的多个点中每相邻的两个相连,形成多条表征线段;根据每条表征线段拓展出与所述圆形的覆盖区域无交集的一个矩形区域,作为表征矩形;
所述根据每条表征线 段拓展出与所述圆形的覆盖区域无交集的一个矩形区域包括:
针对每条表征线段,将所述线段作为宽度为0的矩形,按照预设拓展长度,沿着所述矩形的四边所在面的法线方向向外拓展所述矩形的四条边,判断拓展后的矩形的四条边是否所述圆形的覆盖区域有交集;
将与所述圆形的覆盖区域有交集的边收缩到拓展前的位置,并不再进行拓展;对于与所述圆形的覆盖区域无交集的边,重复执行按照预设拓展长度沿着该边所在面的法线方向向外拓展的过程,直至确定四条边都无法再次进行拓展的矩形区域,作为表征矩形。
2.根据权利要求1所述的路径规划方法,其中,
所述简化为所述无人车对应的质点不超出所述矩形区域的范围的约束条件包括:
简化为所述无人车对应的质点在每一等间隔的时间区间里不超出对应的表征矩形的区域的约束条件;
其中,所述每一等间隔的时间区间根据无人车的质点由起始点到目的点的总时间与该质点对应的表征线段总条数的比值确定。
3.根据权利要求1所述的路径规划方法,其中,
所述确定无人车对应的质点由起始点到目的点的粗略路径包括:
确定所述无人车由起始点到目的点的车体粗略路径;
根据所述无人车前后轮轴距,所述无人车前悬距离,所述无人车后悬距离,所述无人车的宽度以及所述无人车在坐标系中的姿态角,将所述车体粗略路径转换为所述质点由起始点到目的点的粗略路径。
4.根据权利要求1所述的路径规划方法,还包括:
确定覆盖无人车车体的圆形的圆心和半径;
根据所述半径将散点障碍物膨胀为圆形,根据所述圆心将所述无人车收缩为质点。
5.根据权利要求4所述的路径规划方法,其中,
所述确定覆盖无人车车体的圆形的圆心和半径包括:
在坐标系中,根据所述无人车后轮轴中心点的位置,所述无人车前后轮轴距,所述无人车前悬距离,所述无人车后悬距离以及所述无人车的姿态角,确定覆盖无人车车体的圆形的圆心;
根据所述无人车后轮轴中心点的位置,所述无人车前后轮轴距,所述无人车前悬距离,所述无人车后悬距离,所述无人车车体的宽度,确定覆盖无人车车体的圆形的半径。
6.根据权利要求1所述的路径规划方法,其中,
所述根据简化后的约束条件,确定所述无人车由起始点到目的点的最优路径包括:
根据车辆运动学模型,所述简化后的约束条件和两点边值约束条件,确定所述无人车由起始点到目的点时间最短的最优路径。
7.一种无人车的路径规划装置,包括:
粗略路径确定模块,用于确定无人车对应的质点由起始点到目的点的粗略路径,其中,所述无人车被收缩为质点,散点障碍物被膨胀为圆形;所述粗略路径使所述无人车对应的质点不与所述散点障碍物对应的圆形发生碰撞;在所述无人车对应的质点包括多个的情况下,所述粗略路径包括每个质点对应的不同的粗略路径;
隧道建立模块,用于根据所述粗略路径拓展出与所述圆形的覆盖区域无交集的多个矩形区域,其中针对每个质点对应的粗略路径,在所述粗略路径上等长度间隔采样多个点,将采样的多个点中每相邻的两个相连,形成多条表征线段,根据每条表征线段拓展出与所述圆形的覆盖区域无交集的一个矩形区域,作为表征矩形,其中针对每条表征线段,将所述线段作为宽度为0的矩形,按照预设拓展长度,沿着所述矩形的四边所在面的法线方向向外拓展所述矩形的四条边,判断拓展后的矩形的四条边是否所述圆形的覆盖区域有交集,将与所述圆形的覆盖区域有交集的边收缩到拓展前的位置,并不再进行拓展;对于与所述圆形的覆盖区域无交集的边,重复执行按照预设拓展长度沿着该边所在面的法线方向向外拓展的过程,直至确定四条边都无法再次进行拓展的矩形区域,作为表征矩形;
约束转化模块,用于将所述无人车的车体在行驶过程中与所述散点障碍物无碰撞的约束条件,简化为所述无人车对应的质点不超出所述矩形区域的范围的约束条件;
路径确定模块,用于根据简化后的约束条件,确定所述无人车由起始点到目的点的最优路径。
8.根据权利要求7所述的路径规划装置,还包括:
场景转化模块,用于确定覆盖无人车车体的圆形的圆心和半径;根据所述半径将散点障碍物膨胀为圆形,根据所述圆心将所述无人车收缩为质点。
9.一种无人车的路径规划装置,包括:
处理器;以及
耦接至所述处理器的存储器,用于存储指令,所述指令被所述处理器执行时,使所述处理器执行如权利要求1-6任一项所述的无人车的路径规划方法。
10.一种非瞬时性计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911174107.7A CN111795699B (zh) | 2019-11-26 | 2019-11-26 | 无人车的路径规划方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911174107.7A CN111795699B (zh) | 2019-11-26 | 2019-11-26 | 无人车的路径规划方法、装置和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111795699A CN111795699A (zh) | 2020-10-20 |
CN111795699B true CN111795699B (zh) | 2021-12-14 |
Family
ID=72805052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911174107.7A Active CN111795699B (zh) | 2019-11-26 | 2019-11-26 | 无人车的路径规划方法、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111795699B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112947406A (zh) * | 2021-01-14 | 2021-06-11 | 华南理工大学 | 一种基于FLOYD和Astar的混合路径规划方法 |
CN112965490B (zh) * | 2021-02-07 | 2024-07-19 | 京东科技信息技术有限公司 | 控制机器人的方法、装置及非瞬时性计算机可读存储介质 |
CN113682300B (zh) * | 2021-08-25 | 2023-09-15 | 驭势科技(北京)有限公司 | 避让障碍物的决策方法、装置、设备及介质 |
CN113607161B (zh) * | 2021-09-30 | 2022-03-18 | 深圳市普渡科技有限公司 | 机器人导航路径宽度获取系统、方法、机器人及存储介质 |
CN114185352B (zh) * | 2021-12-08 | 2024-01-19 | 东风悦享科技有限公司 | 一种高精度高实时的自动驾驶局部路径规划方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103194991A (zh) * | 2013-04-03 | 2013-07-10 | 西安电子科技大学 | 智能机器人道路清理系统及清理方法 |
CN106874551A (zh) * | 2017-01-11 | 2017-06-20 | 成都信息工程大学 | 一种基于三阶反正切函数模型的平行泊车方法 |
CN108544490A (zh) * | 2018-01-05 | 2018-09-18 | 广东雷洋智能科技股份有限公司 | 无人驾驶智能机器人道路避障方法 |
CN109916421A (zh) * | 2019-03-18 | 2019-06-21 | 北京智行者科技有限公司 | 路径规划方法及装置 |
WO2019204296A1 (en) * | 2018-04-16 | 2019-10-24 | Ohio University | Obstacle avoidance guidance for ground vehicles |
-
2019
- 2019-11-26 CN CN201911174107.7A patent/CN111795699B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103194991A (zh) * | 2013-04-03 | 2013-07-10 | 西安电子科技大学 | 智能机器人道路清理系统及清理方法 |
CN106874551A (zh) * | 2017-01-11 | 2017-06-20 | 成都信息工程大学 | 一种基于三阶反正切函数模型的平行泊车方法 |
CN108544490A (zh) * | 2018-01-05 | 2018-09-18 | 广东雷洋智能科技股份有限公司 | 无人驾驶智能机器人道路避障方法 |
WO2019204296A1 (en) * | 2018-04-16 | 2019-10-24 | Ohio University | Obstacle avoidance guidance for ground vehicles |
CN109916421A (zh) * | 2019-03-18 | 2019-06-21 | 北京智行者科技有限公司 | 路径规划方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111795699A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111795699B (zh) | 无人车的路径规划方法、装置和计算机可读存储介质 | |
CN108698595B (zh) | 用于控制车辆运动的方法和车辆的控制系统 | |
Li et al. | Development of a new integrated local trajectory planning and tracking control framework for autonomous ground vehicles | |
Feraco et al. | A local trajectory planning and control method for autonomous vehicles based on the RRT algorithm | |
CN110398963A (zh) | 无轨导航纠偏控制方法、装置、存储介质及控制器 | |
CN113361152A (zh) | 轨迹规划方法、轨迹规划装置、存储介质与电子设备 | |
CN110782092A (zh) | 无人配送车在非结构化场景中的轨迹规划方法及装置 | |
Frego et al. | Trajectory planning for car-like vehicles: A modular approach | |
CN113671941A (zh) | 一种轨迹规划方法、装置、设备和存储介质 | |
CN114637292A (zh) | 一种兼顾避障的车辆轨迹跟踪鲁棒控制方法和系统 | |
CN113793534B (zh) | 一种确定车路协同环境下行车风险场的方法和装置 | |
Gratzer et al. | Two-Layer MPC Architecture for Efficient Mixed-Integer-Informed Obstacle Avoidance in Real-Time | |
Wurts et al. | Minimum slip collision imminent steering in curved roads using nonlinear model predictive control | |
CN112633543A (zh) | 无人配送车在非结构化场景中的泊车路径规划方法及装置 | |
Wu et al. | Time‐Optimal Trajectory Planning along Parametric Polynomial Lane‐Change Curves with Bounded Velocity and Acceleration: Simulations for a Unicycle Based on Numerical Integration | |
CN113682300B (zh) | 避让障碍物的决策方法、装置、设备及介质 | |
CN114995465A (zh) | 一种考虑车辆运动能力的多无人车运动规划方法和系统 | |
CN113264067B (zh) | 一种无人驾驶赛车制动与转向协同避撞控制方法及系统 | |
CN115542899A (zh) | 车辆路径跟踪的方法、装置、车辆、电子设备及介质 | |
Tho et al. | Motion Planning Solution with Constraints Based on Minimum Distance Model for Lane Change Problem of Autonomous Vehicles. | |
CN114115216A (zh) | 车辆编队控制方法、装置、设备及存储介质 | |
CN117649583B (zh) | 一种自动驾驶车辆行驶实时道路模型融合方法 | |
Arrigoni et al. | MPC-based framework for autonomous ground vehicles in a complex environment | |
Xu et al. | The optimized flocking-based vehicle fleet control considering vehicular dynamic process | |
CN116481557B (zh) | 一种路口通行路径规划方法、装置、电子设备及存储介质 |
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 |