CN111832142A

CN111832142A - 用于输出信息的方法和装置

Info

Publication number: CN111832142A
Application number: CN201910248198.8A
Authority: CN
Inventors: 李柏; 石平; 刘懿; 李雨倩
Original assignee: Beijing Jingdong Qianshi Technology Co Ltd
Current assignee: Beijing Jingdong Qianshi Technology Co Ltd
Priority date: 2019-03-29
Filing date: 2019-03-29
Publication date: 2020-10-27
Anticipated expiration: 2039-03-29

Abstract

本公开的实施例公开了用于输出信息的方法和装置。该方法的一具体实施方式包括：获取待规划路径的场景信息，其中，所述场景信息，包括：障碍物位置信息、车辆始末位置、状态信息；根据场景信息建立最优控制问题模型，其中，最优控制问题模型包括优化目标和全程碰撞躲避约束条件；将全程碰撞躲避约束条件改造为局部碰撞躲避约束条件；采用离散化加优化的方式求解最优控制问题模型，并输出结果。该实施方式简化了路径规划求解过程，从而提高了求解速度。

Description

用于输出信息的方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于输出信息的方法和装置。

背景技术

自动驾驶车辆是汇集了环境感知、规划决策、控制执行及信息交互的高新技术综合体，其规划决策模块负责生成车辆的行驶行为，是体现车辆智慧水平的关键。规划决策模块包括任务规划、路线规划、行为规划及运动规划等环节，其中运动规划环节负责生成车辆的局部运动轨迹，是决定车辆行驶质量的直接因素。路径规划是指生成衔接车辆运动起点、终点的几何曲线，并且满足车辆运动学规律、与环境中的障碍物不发生碰撞。常见的路径规划方法主要分为几何方法、采样方法、数值优化方法以及机器学习方法。现有技术具有以下缺点：

第一，车辆往往被当作质点，车体形状无法考虑。

第二，车辆运动学能力(即非完整约束条件)无法有效地考虑起来，曲线往往只是折线，较为粗糙。

第三，车辆在起始、终止时刻的车头朝向限制条件无法施加。

第四，如果采用完备的最优控制问题模型描述路径规划任务，则问题模型过于庞大，不利于迅速求解。

发明内容

本公开的实施例提出了用于输出信息的方法和装置。

第一方面，本公开的实施例提供了一种用于输出信息的方法，包括：获取待规划路径的场景信息，其中，所述场景信息，包括：障碍物位置信息、车辆始末位置、状态信息；根据场景信息建立最优控制问题模型，其中，最优控制问题模型包括优化目标和全程碰撞躲避约束条件；将全程碰撞躲避约束条件改造为局部碰撞躲避约束条件；求解最优控制问题模型，并输出结果。

在一些实施例中，最优控制问题模型还包括运动学方程约束和边值约束条件。

在一些实施例中，优化目标包括以下至少一项：车辆运动路径最短、车辆曲率累积变化量小于预定曲率值、车辆与障碍物的距离大于预定距离值。

在一些实施例中，运动学方程约束以路程为自变量进行建模。

在一些实施例中，求解最优控制问题模型，包括：采用差分方法对最优控制问题模型进行离散化；采用序列二次规划算法求解离散化后的最优控制问题模型。

第二方面，本公开的实施例提供了一种用于输出信息的装置，包括：获取单元，被配置成获取待规划路径的场景信息，其中，所述场景信息，包括：障碍物位置信息、车辆始末位置、状态信息；建立单元，被配置成根据场景信息建立最优控制问题模型，其中，最优控制问题模型包括优化目标和全程碰撞躲避约束条件；改造单元，被配置成将全程碰撞躲避约束条件改造为局部碰撞躲避约束条件；求解单元，被配置成求解最优控制问题模型，并输出结果。

在一些实施例中，求解单元进一步被配置成：采用差分方法对最优控制问题模型进行离散化；采用序列二次规划算法求解离散化后的最优控制问题模型。

第三方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，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如第一方面中任一的方法。

第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一的方法。

本公开的实施例提供的用于输出信息的方法和装置，提出一种时空解耦策略，让车辆在不同的运动里程位置处考虑当前局部范围内的碰撞躲避约束条件——毕竟车辆永远不会与距其当前位置较远的障碍物相撞。在采用最优控制问题模型的基础上，却能够克服现有技术的弊端。具体而言，能够采用统一的方式描述车辆所处的环境中的可行驶空间以及障碍物占据空间，据此，算法能够广泛地处理车辆在低速下运动的各种任务。规划问题如果有解，则本公开的算法一定能够获得这个解而不会求解失败(即算法具有完备性)。采用计算最优控制方法求解运动规划问题，并能够使得求解效率令人满意。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于输出信息的方法的一个实施例的流程图；

图3是根据本公开的用于输出信息的方法的一个应用场景的示意图；

图4是根据本公开的用于输出信息的方法的又一个实施例的流程图；

图5是根据本公开的用于输出信息的装置的一个实施例的结构示意图；

图6是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的用于输出信息的方法或用于输出信息的装置的示例性架构100。

如图1所示，系统架构100可以包括服务器101，网络102和车辆103、104、105。网络102用以在服务器101和车辆103、104、105之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

服务器101通过网络102与车辆103、104、105交互，以接收或发送消息等。车辆103、104、105上可以安装有各种用于与服务器101进行交互的通讯客户端应用。

车辆103、104、105包括但不限于轮式移动车辆、履带式移动车辆等等。车辆103、104、105装载了车辆控制系统。车辆控制系统可以是硬件，也可以是软件。当车辆103、104、105为硬件时，可以是具有通信功能且能够控制车辆按照接收到的待行驶路径行驶的各种电子设备。当车辆控制系统为软件时，可以安装在上述所列举的车辆中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器101可以是提供各种服务的服务器，例如控制车辆103、104、105行驶路径的后台服务器。作为示例，后台服务器可以根据优化目标和约束条件生成各车辆的规划路径，然后向每个车辆发送该车辆的规划路径，以使该车辆按照接收到的规划路径行驶。

服务器101可以是硬件，也可以是软件。当服务器101为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器101为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开的实施例所提供的用于输出信息的方法一般由服务器101执行，相应地，用于输出信息的装置一般设置于服务器101中。

应该理解，图1中的服务器、网络和车辆的数目仅仅是示意性的。根据实现需要，可以具有任意数目的服务器、网络和车辆。

继续参考图2，示出了根据本公开的用于输出信息的方法的一个实施例的流程200。该用于输出信息的方法，包括以下步骤：

步骤201，获取待规划路径的场景信息。

在本实施例中，用于输出信息的方法的执行主体(例如图1所示的服务器)可以通过方法的执行主体(例如图1所示的服务器)可以获取用于规划路径的场景信息，场景信息可包括：障碍物位置信息、车辆始末位置、状态信息。这里的障碍物可以是阻碍车辆行驶的行人或物体等。这里的物体可以包括其他车辆、路障、树木等。如果障碍物是静止的，则障碍物位置信息可从地图中获取。如果障碍物是移动的，则可通过车载传感器获得障碍物位置信息，或者通过道路旁边的摄像头拍照、无人机航拍等方式获得障碍物位置信息。状态信息可包括车辆的速度、姿态角等信息。

步骤202，根据场景信息建立最优控制问题模型，其中，最优控制问题模型包括优化目标和全程碰撞躲避约束条件。

在本实施例中，根据车辆始末位置可按照地图生成初始路径。对于可能发生碰撞的车辆，可以生成新的待行驶路径，以替换初始路径。此时，上述执行主体可以在每个车辆的待行驶路径的基础之上，构建最优控制问题模型。

此处，构建最优控制问题模型，通常是指采用最优控制算法，以预设目标为优化目标，以预设约束条件为约束条件，对上述至少一辆车辆进行建模的过程。上述预设目标可以包括：车辆运动路径最短、车辆曲率累积变化量小于预定曲率值、车辆与障碍物的距离大于预定距离值。上述预设约束条件可以包括：运动学方程约束，碰撞躲避约束条件，边值约束条件。碰撞躲避约束条件可包括全程碰撞躲避约束条件和局部碰撞躲避约束条件。现有技术中使用的是全程碰撞躲避约束条件。而本公开提出的时空策略的主要想法是，让车辆在不同的运动里程位置处考虑当前局部范围内的碰撞躲避约束条件：毕竟车辆永远不会与距其当前位置较远的障碍物相撞。

需要说明的是，上述运动学方程可以是用于描述车辆运动模型(如2自由度模型、9自由度模型、16自由度模型等)的方程。相应的，碰撞躲避约束条件通常是为了避免所建立的各车辆运动模型发生碰撞而构造的约束条件。边值约束条件通常是对所建立的各车辆运动模型在初始时刻和/或终止时刻的位置、速度、加速度等进行约束的条件。运动学方程可以是二自由度车辆运动学模型或者单轨自行车模型等。下面以单轨自行车模型为例，具体描述建立最优控制问题模型的过程。

具体而言，本公开涉及的运动学约束由著名的单轨自行车模型写出。自行车模型就是汽车运动的简单且有效的简化方式。自行车模型基于如下几个假设：

1、车辆在垂直方向的运动被忽略掉了，也就是说我们描述的车辆是一个二维平面上的运动物体(可以等价与我们是站在天空中的俯视视角)。

2、假设车辆的结构就像自行车一样，也就是说车辆的前面两个轮胎拥有一直的角度和转速等，同样后面的两个轮胎也是如此，那么前后的轮胎就可以各用一个轮胎来描述。

3、假设车辆运动也和自行车一样，这意味着是前面的轮胎控制这车辆的转角。

由于自行车模型中的若干微分方程都是以时间t为自变量的，我们将v＝ds/dt关系带入其中，则可以得到以路程s为自变量的自行车模型：

其中，s_f代表运动过程的终止时刻车辆运动的路程(s_f属于决策变量)，(x(s),y(s))为车辆的后轮轴中点坐标，离散型变量v(s)∈{-1,1}代表沿车体行驶速度方向，φ(s)为车辆前轮偏转角，θ(s)对应车辆在坐标系中的姿态角，L_w代表前后轮轴距。此外，运动学约束还包括关于φ(s)、dφ(s)/ds等变量的约束。由于在公式(1)中φ(s)始终作为tanφ(s)的一部分出现，因此可以直接将tanφ(s)替换为u_φ(s)，这样做的好处在于模型中将无损地除去显著非凸的约束条件，因此使得求解更加简单。

边值约束条件主要用于限制车辆在s＝0以及s＝s_f时刻的运动状态。即确定x(s＝0),y(s＝0),θ(s＝0),x(s＝s_f),y(s＝s_f),θ(s＝s_f)等。

碰撞躲避约束条件可写成

collision_avoidance(x(s),y(s),θ(s),k)≥0,s∈[0,s_f],k∈Ψ. (2)

其中Ψ为障碍物个数的指标集。如果建立的模型时完备的，则碰撞躲避约束条件需要在运动全程s∈[0,s_f]同时针对所有的障碍物均成立。函数collision_avoidance()具体写法不在本专利详细讨论范围内，可参考各种建模方式。

实践中，上述执行主体可以通过多种方法，确定车辆与障碍物是否会发生碰撞。作为示例，上述执行主体可以选取一定数量的时刻点，然后对于每个时刻点，上述执行主体可以从车辆的待行驶轨迹中分别确定车辆在该时刻点待行驶至的位置和障碍物的位置，而后可以确定车辆和障碍物在该时刻点待行驶至的位置之间的距离是否大于预设距离阈值。若车辆和障碍物在每个时刻点待行驶至的位置之间的距离均大于预设距离阈值，那么可以确定车辆不会发生碰撞。

在本实施例的一些可选的实现方式中，上述确定该车辆与障碍物是否会发生碰撞，可以包括碰撞确定步骤。上述碰撞确定步骤具体可以包括以下步骤。

第一，根据该车辆的待行驶轨迹和障碍物的位置信息，获取该车辆在目标时刻的位置、姿态信息。其中，目标时刻可以是对所选的车辆的待行驶轨迹所指示的时间段进行采样(例如均匀采样)，所得到的时刻。可以理解，目标时刻可以有一个或多个。

上述执行主体可以从所选取的车辆的待行驶轨迹获取其在每个目标时刻待行驶至的位置，以及获取其姿态信息。同理，上述执行主体可以获取障碍物在每个目标时刻的位置，以及获取障碍物的姿态信息。实践中，上述执行主体可以通过多种方法获取车辆的姿态信息。在一些应用场景中，车辆中可以安装有用于采集车辆的姿态信息的车载设备。由此，上述执行主体可以从车辆获取车载设备采集到的姿态信息。在另一些应用场景中，上述执行主体可以从接管区所在的交叉路安装的摄像头获取所拍摄到车辆在目标时刻的图像，而后从该图像中识别出车辆的姿态信息。

第二，根据该车辆和障碍物在目标时刻的位置、姿态信息，分别生成该车辆和障碍物在目标时刻的覆盖区域。

上述覆盖区域用于表征车辆和障碍物在车道中所占的区域。车辆和障碍物在车道中所占的区域，例如可以是车辆和障碍物投影至车道所占的区域，例如还可以是车辆和障碍物投影至车道所占的区域的外接几何图形区域(如矩形区域)。需要说明的是，覆盖区域并非是车辆和障碍物在真实车道中所占的区域，而是车辆和障碍物投影至根据道路所建立的虚拟二维平面中所占的区域。

可以理解，根据所获取的位置和姿态信息，上述执行主体可以将车辆和障碍物投影至上述虚拟二维平面中，进而生成车辆的覆盖区域。由此，上述执行主体均可以生成车辆和障碍物在每个目标时刻的覆盖区域。

第三，响应于确定该车辆和障碍物在目标时刻的覆盖区域未发生重叠，确定该车辆和障碍物不会发生碰撞。

响应于确定车辆和障碍物在每个目标时刻的覆盖区域均未发生重叠，那么上述执行主体可以确定车辆和障碍物不会发生碰撞。

在本实施例的一些可选的实现方式中，上述确定该车辆与障碍物是否会发生碰撞，还可以包括：响应于确定该车辆和障碍物在目标时刻的覆盖区域发生重叠，将该车辆的初始位置沿当前行驶方向的反方向平移预设距离，生成该车辆的新初始位置，以及使用新初始位置作为该车辆的初始位置；基于该车辆的初始位置和上述预设行驶速度，更新该车辆的待行驶轨迹，以及继续执行上述碰撞确定步骤。

在这些实现方式中，响应于确定车辆和障碍物在任意一个目标时刻的覆盖区域发生重叠，上述执行主体可以进行以下步骤。首先可以将所选取的车辆的初始位置沿当前行驶方向的反方向平移预设距离，得到新初始位置。然后在新初始位置和上述预设行驶速度的基础上，生成所选取的车辆的新待行驶轨迹，以替换先前的待行驶轨迹。而后可以继续执行上述碰撞确定步骤。

由此，可以保证车辆和障碍物在任意一个目标时刻的覆盖区域均不会发生重叠，覆盖区域不重叠，即意味着二者不会发生碰撞。那么，在更新后的待行驶轨迹的基础上，上述至少一辆车辆中不存在会发生碰撞的车辆。

至此，这个运动规划问题可以完整建立为：

优化目标Υ，

约束条件：

运动学方程约束， (3)

边值约束，

碰撞躲避约束

其中Υ可以按照用户需求自由选取，例如选择尽量令车辆运动路程最短、车辆曲率累积变化量尽量小(即曲率平滑性较强)、车辆距离障碍物尽量远等等。

步骤203，将全程碰撞躲避约束条件改造为局部碰撞躲避约束条件。

在本实施例中，时空策略的主要想法是，让车辆在不同的运动里程位置处考虑当前局部范围内的碰撞躲避约束条件：毕竟车辆永远不会与距其当前位置较远的障碍物相撞。因此，将公式(2)进行改造，不再要求车辆在每个里程上(即

)均针对所有的障碍物进行碰撞躲避限制。具体改造方式为

collision_avoidance(x(s),y(s),θ(s),k)≥0,s∈[s_i,s_i+1],k∈Ψ_i.(4)

其中[s_i,s_i+1]对应车辆完整运动里程[0,s_f]中的某一个里程区间片段，Ψ_i为车辆运动至该区间内时有必要考虑的碰撞躲避约束条件。

假设这样的区间共有N个，通过限制

即可得到针对完整路程[0,s_f]上的路径规划问题：

优化目标min s_f，

约束条件：

运动学方程约束，边值约束， (6)

碰撞躲避约束：公式(4)，

以及公式(5)

其中，

为整数集合。

步骤204，求解最优控制问题模型，并输出结果。

在本实施例中，在依据公式(6)建立路径规划问题后，可采用数值求解方案对其进行求解，随后得到路径轨迹即可。求解的结果可包括车辆的后轮轴中点坐标和姿态角。可以采用现有的各种数值求解最优控制模型的方法，来获取最优控制模型的数值解。例如变分法求解最优控制模型的数值解、最小值原理求解最优控制模型的数值解以及动态规划方法求解最优控制模型的数值解等。

需要说明的是，上述使用变分法、最小值原理方法或者动态规划方法来数值求解最优控制模型的方法是目前广泛应用和研究的公知技术，此处不赘述。

继续参见图3，图3是根据本实施例的用于输出信息的方法的应用场景的一个示意图。在图3的应用场景中，服务器获取车辆300要行驶的路径的场景信息，包括了线路地图、起始位置和终止位置，以及障碍物301、302、303的位置信息。服务器根据场景信息建立了可以全程躲避障碍物301、302、303的最优控制问题模型。之后，对最优控制问题模型进行修正，使得车辆在不同的运动里程位置处考虑当前局部范围内的碰撞躲避约束条件。在区域1中只需要考虑避免与障碍物301碰撞，在区域2中只需要考虑避免与障碍物302碰撞，在区域3中只需要考虑避免与障碍物303碰撞。

本公开的上述实施例提供的方法通过让车辆在不同的运动里程位置处考虑当前局部范围内的碰撞躲避约束条件，路径规划求解过程，从而提高了求解速度。

进一步参考图4，其示出了用于输出信息的方法的又一个实施例的流程400。该用于输出信息的方法的流程400，包括以下步骤：

步骤401，获取待规划路径的场景信息。

步骤402，根据场景信息建立最优控制问题模型，其中，最优控制问题模型包括优化目标和全程碰撞躲避约束条件。

步骤403，将全程碰撞躲避约束条件改造为局部碰撞躲避约束条件。

步骤401-403与步骤201-203基本相同，因此不再赘述。

步骤404，采用差分方法对最优控制问题模型进行离散化。

在本实施例中，对于连续系统用动态规划法求最优控制问题时，可以先把连续系统离散化，用有限差分方程近似代替连续方程，然后用离散动态规划法求解。

步骤405，采用序列二次规划算法求解离散化后的最优控制问题模型。

在本实施例中，SQP(sequence quadratic program，序列二次规划)算法是求解中小规划约束最优化问题的一类有效算法。该方法可以将一些约束添加到某些变量中，如果初始值不满足约束，那么优化算法迭代后，同样可以生成满足约束的新的值。在移除自相交自适应过程中的尝试使用的一个最优化方法。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于输出信息的方法的流程400体现了采用“离散化+优化”的方式进行求解，提高了求解效率。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于输出信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于输出信息的装置500包括：获取单元501、建立单元502、改造单元503和求解单元504。其中，获取单元501，被配置成获取待规划路径的场景信息；建立单元502，被配置成根据场景信息建立最优控制问题模型，其中，最优控制问题模型包括优化目标和全程碰撞躲避约束条件；改造单元503，被配置成将全程碰撞躲避约束条件改造为局部碰撞躲避约束条件；求解单元504，被配置成求解最优控制问题模型，并输出结果。

在本实施例中，用于输出信息的装置500的获取单元501、建立单元502、改造单元503和求解单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204。

在本实施例的一些可选的实现方式中，最优控制问题模型还包括运动学方程约束和边值约束条件。

在本实施例的一些可选的实现方式中，优化目标包括以下至少一项：车辆运动路径最短、车辆曲率累积变化量小于预定曲率值、车辆与障碍物的距离大于预定距离值。

在本实施例的一些可选的实现方式中，运动学方程约束以路程为自变量进行建模。

在本实施例的一些可选的实现方式中，求解单元504进一步被配置成：采用差分方法对最优控制问题模型进行离散化；采用序列二次规划算法求解离散化后的最优控制问题模型。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待规划路径的场景信息，其中，所述场景信息，包括：障碍物位置信息、车辆始末位置、状态信息；根据场景信息建立最优控制问题模型，其中，最优控制问题模型包括优化目标和全程碰撞躲避约束条件；将全程碰撞躲避约束条件改造为局部碰撞躲避约束条件；采用离散化加优化的方式求解最优控制问题模型，并输出结果。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、建立单元、改造单元和求解单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待规划路径的场景信息的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims

1.一种用于输出信息的方法，包括：

获取待规划路径的场景信息；

根据所述场景信息建立最优控制问题模型，其中，所述最优控制问题模型包括优化目标和全程碰撞躲避约束条件；

将所述全程碰撞躲避约束条件改造为局部碰撞躲避约束条件；

求解所述最优控制问题模型，并输出结果。

2.根据权利要求1所述的方法，其中，所述最优控制问题模型还包括运动学方程约束和边值约束条件。

3.根据权利要求1所述的方法，其中，所述优化目标包括以下至少一项：

车辆运动路径最短、车辆曲率累积变化量小于预定曲率值、车辆与障碍物的距离大于预定距离值。

4.根据权利要求2所述的方法，其中，所述运动学方程约束以路程为自变量进行建模。

5.根据权利要求1所述的方法，其中，所述求解所述最优控制问题模型，包括：

采用差分方法对所述最优控制问题模型进行离散化；

采用序列二次规划算法求解离散化后的最优控制问题模型。

6.一种用于输出信息的装置，包括：

获取单元，被配置成获取待规划路径的场景信息；

建立单元，被配置成根据所述场景信息建立最优控制问题模型，其中，所述最优控制问题模型包括优化目标和全程碰撞躲避约束条件；

改造单元，被配置成将所述全程碰撞躲避约束条件改造为局部碰撞躲避约束条件；

求解单元，被配置成求解所述最优控制问题模型，并输出结果。

7.根据权利要求6所述的装置，其中，所述最优控制问题模型还包括运动学方程约束和边值约束条件。

8.根据权利要求6所述的装置，其中，所述优化目标包括以下至少一项：

9.根据权利要求7所述的装置，其中，所述运动学方程约束以路程为自变量进行建模。

10.根据权利要求6所述的装置，其中，所述求解单元进一步被配置成：

采用差分方法对所述最优控制问题模型进行离散化；

采用序列二次规划算法求解离散化后的最优控制问题模型。

11.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

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1-5中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。