CN111898804A - 局部规划的道路自适应采样方法 - Google Patents

局部规划的道路自适应采样方法 Download PDF

Info

Publication number
CN111898804A
CN111898804A CN202010666289.6A CN202010666289A CN111898804A CN 111898804 A CN111898804 A CN 111898804A CN 202010666289 A CN202010666289 A CN 202010666289A CN 111898804 A CN111898804 A CN 111898804A
Authority
CN
China
Prior art keywords
sampling
reference line
point
vehicle
road
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
CN202010666289.6A
Other languages
English (en)
Other versions
CN111898804B (zh
Inventor
夏然飞
付源翼
郝奕
殷政
倪洪飞
王荣荣
于嘉祺
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.)
Dongfeng Commercial Vehicle Co Ltd
Original Assignee
Dongfeng Commercial Vehicle 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 Dongfeng Commercial Vehicle Co Ltd filed Critical Dongfeng Commercial Vehicle Co Ltd
Priority to CN202010666289.6A priority Critical patent/CN111898804B/zh
Publication of CN111898804A publication Critical patent/CN111898804A/zh
Application granted granted Critical
Publication of CN111898804B publication Critical patent/CN111898804B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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
    • 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
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Economics (AREA)
  • Automation & Control Theory (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Mathematical Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及局部规划的道路自适应采样方法，包含步骤：获取车辆绝对坐标、期望目标点；生成初始参考线；得到道路参考线；计算每个参考线节点的航向角、曲率；获取车道信息；以到车辆绝对坐标的距离最短的参考线节点作为车辆起点；获取自动驾驶行为规划指令、车速；得到局部规划路径；得到实际规划所需的路径空间；纵向采样；横向采样；将大地笛卡尔坐标系转换成Frenet坐标系；计算采样点在Frenet坐标系的坐标。本发明采用横纵向自适应道路采样法，可以自适应复杂工况，配置出不同位姿的采样点；设计了新的坐标转换方法，解决了常规转换积分运算耗时高的问题，提高了计算效率。

Description

局部规划的道路自适应采样方法
技术领域
本发明涉及自动驾驶技术领域，具体地涉及局部规划的道路自适应采样方法。
背景技术
运动规划作为自动驾驶的关键技术，其主要通过执行行为决策层输出的驾驶行为，以满足汽车的运动以及动态约束，为驾乘人员提供安全和舒适的局部轨迹，同时也要避免与环境中的静态和移动障碍物碰撞。其中，道路采样作为运动规划子系统的首要功能，直接影响到下游控制层的执行优劣，不适当的道路采样方法会降低实时性，造成自动驾驶车辆软件系统的延迟。
当前主流的道路采样方法有两种，其原理及确定如下：
1.步骤一：设置车辆路径规划任务的起点和终点，计算可行路径，选取最优路径并输出到车辆局部路径规划层；步骤二：最优路径及车辆当前参数生成的轨迹点，包含所述车辆的位置信息、速度信息、姿态信息及执行动作信息；步骤三：将路径轨迹点以指令集的形式传递给车辆执行系统。
公开号为CN108931981A的发明专利公开了一种自动驾驶车辆的路线规划方法，即采用上述技术；这种方法的缺点在于：
(1)未对路径规划终点的来源进行说明，即不同的采样终点对最终的轨迹规划结果会产生有很大的影响；
(2)未考虑到弯道复杂工况，不能自适应采样。
2.采用三次样条曲线插值算法，但需要在跨度较大的目标点之间补充新的目标点，以形成新的路径。
公开号为CN 109101017A发明专利提出了一种无人车循迹路线规划方法，即采用上述技术；这种方法的缺点在于：
(1)采用了现有的经典轨迹规划方法，但因其跨度较大，目标点之间需要重新补充新的目标点，才能保证规划精度；
(2)需要进行坐标转换，常规的转换存在积分等复杂运算，降低了计算效率。
发明内容
本发明针对上述问题，提供局部规划的道路自适应采样方法，以实现自适应弯道复杂工况的发明目的，并进一步实现配置出不同位姿的采样点的目标；用以提高计算效率。
为解决上述问题，本发明提供的技术方案为：
一种局部规划的道路自适应采样方法，适用于提高在复杂道路工况下的自动驾驶采样效率，包含以下步骤：
S100.获取车辆绝对坐标、期望目标点；获取所述车辆绝对坐标到所护期望目标点的高精地图数据；所述高精地图数据包含用于标明大地笛卡尔坐标的数据点和用于导航计算的一次规划数据；
S200.根据所述一次规划数据和所述数据点生成初始参考线；所述初始参考线由多个所述数据点组成；对所述初始参考线进行平滑处理，得到用于进行局部规划的道路参考线；所述道路参考线包含多个参考线节点；
计算得到道路参考线上每个所述参考线节点的航向角和曲率；根据所述车辆绝对坐标获取车道信息；所述车道信息包含车道边界数据和车道延伸方向数据；
S300.逐一比较所述道路参考线上的每一个所述参考线节点到所述车辆绝对坐标的距离，以到所述车辆绝对坐标的距离最短的所述参考线节点作为车辆起点；
S400.获取车辆的自动驾驶行为规划指令和车速；根据所述自动驾驶行为规划指令和所述车辆绝对坐标计算得到局部规划路径；以所述期望目标点作为车辆终点；截取所述车辆起点与所述车辆终点之间的所述道路参考线，得到实际规划所需的路径空间；
S500.对所述实际规划所需的路径空间进行纵向采样；所述纵向采样包含以下步骤：
S510.根据所述自动驾驶行为规划指令和所述车速在采样模板集合中选取人工预设的采样模板；
S520.将所述实际规划所需的路径空间带入所述采样模板，在所述实际规划所需的路径空间上以相对所述车辆起点向所述车辆终点偏移一个纵向采样间隔距离的点作为纵向采样点；将所述车辆终点保存至所述纵向采样点集合；
S530.根据所述纵向采样点相对所述实际规划所需的路径空间的位置关系作出如下操作：
如果所述纵向采样点不在所述实际规划所需的路径空间内，则退出所述纵向采样；
如果所述纵向采样点在所述实际规划所需的路径空间内，则将该所述纵向采样点保存至所述纵向采样点集合；
S540.将该所述纵向采样点向所述车辆终点偏移一个所述纵向采样间隔距离，将得到的点作为下一个所述纵向采样点；跳转至S530；
S600.对所述纵向采样点集合中的每一个所述纵向采样点和所述车辆终点进行横向采样；所述横向采样包含以下步骤：
S610.自每一个所述纵向采样点或所述车辆终点出发，沿各所述纵向采样点或所述车辆终点的所述航向角的垂直方向，向参考线法向的左右方向偏移一个横向采样间隔距离，使每个所述纵向采样点或所述车辆终点得到一组对应的采样点；
S620.对比每一个所述采样点与所述车道边界数据的关系，并根据对比结果作出如下操作：
如果所述采样点不落在在所述车道边界数据内，则输出采样点集合，然后退出所述横向采样；
如果所述采样点落在在所述车道边界数据内，则将该采样点保存至所述采样点集合；
S630.该所述采样点的偏移方向上再偏移一个所述横向采样间隔距离；跳转至S620；
S700.根据所述车道信息，将大地笛卡尔坐标系转换成Frenet坐标系；逐一计算所述采样点集合中的每个所述采样点在Frenet坐标系的坐标。
优选地，所述S200中的所述平滑处理包含以下步骤：
S210.将所述初始参考线分成多个初始参考线子段；
S220.逐一对每个所述初始参考线子段进行插值处理，得到每个所述初始参考线子段的对应的道路参考线子段；
S230.将各个所述道路参考线子段按照其对应的所述初始参考线子段的排列顺序拼接起来，得到所述道路参考线。
优选地，所述插值处理通过下式计算实现：
Figure BDA0002579752920000041
其中x(s)为所述道路参考线上的点在大地笛卡尔坐标系中的横坐标；y(s)为所述道路参考线上的点在大地笛卡尔坐标系中的纵坐标；s为所述车辆绝对坐标距离所述道路参考线最短的点所在所述初始参考线子段的弧长，通过所述高精地图数据获取；axi、bxi、cxi、dxi、ayi、byi、cyi和dyi都为人工预设的道路参考曲线拟合参数。
优选地，所述S200中的所述航向角通过下式计算得到：
Figure BDA0002579752920000051
其中θ为所述航向角；x＝x(s)，y＝y(s)；
所述S200中的所述曲率通过下式计算得到：
Figure BDA0002579752920000052
其中，k为所述曲率。
优选地，所述S500中的所述采样模板为随机撒点模板，或等间隔模板，或非等间隔模板。
优选地，所述S500中的所述纵向采样间隔距离不低于1m且不高于30m。
优选地，所述纵向采样间隔距离按下式结算得到：
ΔL＝kv
其中，k>0。
优选地，所述S700中的所述Frenet坐标系中，以所述车辆绝对坐标为原点；以所述道路参考线的切线向量为纵向坐标轴，以所述道路参考线的法线向量作为横向坐标轴。
本发明与现有技术对比，具有以下优点：
1.本发明采用了一种在坐标空间中的横纵向自适应道路的采样方法，从而可以自适应弯道复杂工况，并配置出不同位姿的采样点；
2.对配置出的采样点，设计了一种新的坐标转换方法，解决了常规转换积分运算耗时高的问题，提高了计算效率。
附图说明
图1为本发明具体实施例的流程示意图；
图2为本发明具体实施例的道路参考线示意图；
图3为本发明具体实施例的车辆起点选取示意图；
图4为本发明具体实施例的随机撒点采样模板示意图；
图5为本发明具体实施例的等间隔撒点采样模板示意图；
图6为本发明具体实施例的非等间隔撒点采样模板示意图；
图7为本发明具体实施例的纵向采样示意图；
图8为本发明具体实施例的横向采样示意图；
图9为本发明具体实施例的Frenet坐标系示意图；
图10为本发明具体实施例的笛卡尔坐标系转为Frenet坐标系示意图；
图11为本发明具体实施例的本发明算法与现有技术算法耗时对比图。
其中，1.道路参考线，2.参考线节点，3.道路参考线子段，4.采样点，5.航向角，6.纵向采样点，7.纵向采样间隔距离，8.横向采样间隔距离，9.切线向量，10.法线向量，11.纵向坐标轴，12.横向坐标轴，13.车辆当前的航向角，14.道路参考线上最近的参考线节点切向角，15.横向偏移量。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示，局部规划的道路自适应采样方法，适用于提高在复杂道路工况下的自动驾驶采样效率，包含以下步骤：
S100.获取车辆绝对坐标、期望目标点；获取车辆绝对坐标到所护期望目标点的高精地图数据；高精地图数据包含用于标明大地笛卡尔坐标的数据点和用于导航计算的一次规划数据。
S200.根据一次规划数据和数据点生成初始参考线；初始参考线由多个数据点组成；对初始参考线进行平滑处理，得到用于进行局部规划的道路参考线1；如图2所示，道路参考线1包含多个参考线节点2。
参考线节点2根据高精度地图数据获取而来。其中，由于通过高精度地图数据中输入的数据点可能出现距离过小或者偏差很大的点，因此，需要剔除距离过小的数据点，以及剔除相邻线段航向角变化过大的数据点；本具体实施例中，设定距离过小的边界为0.1m，设定航向角变化差边界为100度。
计算得到道路参考线1上每个参考线节点2的航向角5和曲率；根据车辆绝对坐标获取车道信息；车道信息包含车道边界数据和车道延伸方向数据。
平滑处理包含以下步骤：
S210.将初始参考线分成多个初始参考线子段。
S220.逐一对每个初始参考线子段进行插值处理，得到每个初始参考线子段的对应的道路参考线子段3。
插值处理通过式(1)计算实现：
Figure BDA0002579752920000071
其中x(s)为道路参考线1上的点在大地笛卡尔坐标系中的横坐标；y(s)为道路参考线1上的点在大地笛卡尔坐标系中的纵坐标；s为车辆绝对坐标距离道路参考线1最短的点所在初始参考线子段的弧长，通过高精地图数据获取；axi、bxi、cxi、dxi、ayi、byi、cyi和dyi都为人工预设的道路参考曲线拟合参数。
S230.将各个道路参考线子段3按照其对应的初始参考线子段的排列顺序拼接起来，如图2所示，得到道路参考线1。
航向角5通过式(2)计算得到：
Figure BDA0002579752920000081
其中θ为航向角5；x＝x(s)，y＝y(s)。
S200中的曲率通过式(3)计算得到：
Figure BDA0002579752920000082
其中，k为曲率。
S300.如图3所示，逐一比较道路参考线1上的每一个参考线节点2到车辆绝对坐标的距离，以到车辆绝对坐标的距离最短的参考线节点2作为车辆起点。
在获取到道路参考线1的基本信息后，需要根据车辆当前的绝对坐标，寻找到离道路参考线1最近的参考线节点2，作为车辆的起点位置。在本专业领域中，在后续自动驾驶行为规划指令发出之前，将车辆当前的绝对坐标实时考虑进去，能够自适应地规划出符合要求的实时轨迹。相比现有的技术，不需要将自动驾驶车辆固定于某个特定的位置，提高了车辆轨迹规划的准确性、实时性和灵活性。
S400.获取车辆的自动驾驶行为规划指令和车速；根据自动驾驶行为规划指令和车辆绝对坐标计算得到局部规划路径；以期望目标点作为车辆终点；截取车辆起点与车辆终点之间的道路参考线1，得到实际规划所需的路径空间。
S500.对实际规划所需的路径空间进行纵向采样；纵向采样包含以下步骤：
S510.根据自动驾驶行为规划指令和车速在采样模板集合中选取人工预设的采样模板。
S520.如图7所示，将实际规划所需的路径空间带入采样模板，在实际规划所需的路径空间上以相对车辆起点向车辆终点偏移一个纵向采样间隔距离7的点作为纵向采样点6；将车辆终点保存至纵向采样点集合。
纵向采样间隔距离7按下式结算得到：
ΔL＝kv
其中，k>0；kv表示纵向采样间隔距离是当前速度的线性函数，即速度越大纵向采样间隔越大，速度越小纵向采样间隔越小。
需要说明的是，采样原则在于：沿道路参考线1的延伸方向，采样点4的选取不需要特别密集，这是因为过于密集的采样不仅会极大消耗计算资源，还会后续使用光滑曲线连接点的时候，造成求解的不稳定。所以，往往会根据当前的车速和路况进行选择，比如每隔11-30m选一组采样点4。这样选择采样点4，结合了车辆与道路的特点，以及道路参考线的信息，并且所有参数是可以配置的，可以提高算法的灵活性。这就是本具体实施例中，纵向采样间隔距离7不低于1m且不高于30m的原因。
S530.根据纵向采样点6相对实际规划所需的路径空间的位置关系作出如下操作：
如果纵向采样点6不在实际规划所需的路径空间内，则退出纵向采样。
如果纵向采样点6在实际规划所需的路径空间内，则将该纵向采样点6保存至纵向采样点集合。
S540.将该纵向采样点6向车辆终点偏移一个纵向采样间隔距离7，将得到的点作为下一个纵向采样点6；跳转至S530。
采样模板为如图4所示的随机撒点模板，或如图5所示等间隔模板，或如图6所示非等间隔模板。
S600.如图8所示，对纵向采样点集合中的每一个纵向采样点6和车辆终点进行横向采样；横向采样包含以下步骤：
S610.自每一个纵向采样点6或车辆终点出发，沿各纵向采样点6或车辆终点的航向角5的垂直方向，向参考线法向的左右方向偏移一个横向采样间隔距离8，使每个纵向采样点6或车辆终点得到一组对应的采样点4。
S620.对比每一个采样点4与车道边界数据的关系，并根据对比结果作出如下操作：
如果采样点4不落在在车道边界数据内，则输出采样点4集合，然后退出横向采样。
如果采样点4落在在车道边界数据内，则将该采样点4保存至采样点4集合。
S630.该采样点4的偏移方向上再偏移一个横向采样间隔距离8；跳转至S620。
S700.根据车道信息，将大地笛卡尔坐标系转换成Frenet坐标系；逐一计算采样点4集合中的每个采样点4在Frenet坐标系的坐标。
在Frenet坐标系中，以车辆绝对坐标为原点；以道路参考线1的切线向量9为纵向坐标轴11，以道路参考线1的法线向量10作为横向坐标轴12。
采用Frenet坐标系的原因在于：笛卡尔坐标系对车辆来说并不是最佳选择，因为即使给出了车辆的绝对坐标，但也不知道道路在哪里，也很难知道车辆行驶了多远，也难以确定它是否偏离车道中心。
而作为笛卡尔坐标系的替代解决方案的Frenet坐标系，描述了车辆相对于道路的位置。在本具体实施例的Frenet坐标系中，沿道路的距离称为纵坐标，与纵向线的位移称为横坐标。这样保证了在道路的每个点上，横轴和纵轴都是垂直的，纵坐标表示在道路中的行驶距离，横坐标表示汽车偏离中心线的距离。
如图9所示，在Frenet坐标系中，使用道路的中心线作为道路参考线，使用道路参考线的切线向量9和法线向量10建立一个坐标系；切线向量9标记为c，法线向量10标记为n。以车辆自身为原点，坐标轴相互垂直，纵向坐标轴11标记为s，即沿着道路参考线的方向，通常被称为Longitudinal；横向坐标轴12标记为d，即当前参考线节点的法向，通常被称为Lateral；又由于车辆的行进方向在纵向s上是时间的函数，因此纵向上的坐标记为s(t)；而横向d实际上是关于s的偏移函数，因此记为d(s)；于是，问题就转化成了求解s(t)和d(s)的问题。我们希望得出，自动驾驶车在t时刻应该走到s上的哪个位置，以及走在这个位置时，该车距离s的左右偏离是多大。最终，一个复杂问题就转化成三个子优化问题：一个横向优化、纵向优化以及前文所述的道路参考线1的计算问题。
局部规划路径可以通过一系列离散点来表示，如图10所示，根据几何关系，第i条局部规划路径的离散点可以表示为式(4)：
Figure BDA0002579752920000111
其中：(xi,yi)为第i条局部规划路径在大地笛卡尔坐标系下的坐标；(x0,y0)为道路参考线上弧长为s对应的点在大地笛卡尔坐标系的坐标，可以由公式(1)计算得到；di(s)为横向偏移量，θ为车辆当前的航向角13(标记为θn)与道路参考线上最近的参考线节点切向角14(标记为θ0)之差。
为进一步对比本研究算法在提高计算效率方面的效果，对采用常规坐标转换方法的离散优化路径算法，称为现有技术算法，在相同的实验条件下进行了规划实验，与本发明所研究的算法，称为本发明算法，进行比较。表1为本发明算法与现有技术算法在相同实验条件下的耗时对比：
表1.本发明算法与现有技术算法耗时对比表
Figure BDA0002579752920000121
图11为本发明算法与现有技术算法在相同实验条件下的耗时对比；其中，横坐标表示规划次数，纵坐标表示计算时间，实折线表示本发明算法耗时，虚折线表示现有技术算法耗时，虚横线表示平均耗时。现有技术算法耗时在0.07988～0.10252s之间，平均耗时0.08659s；本发明算法耗时在0.05735～0.07425s之间，平均耗时0.05994s，计算效率相比现有技术算法有明显提高。
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本申请公开的原理和新颖性特征的最广范围相一致。
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或”是要表示“非排它性的或者”。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不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，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种局部规划的道路自适应采样方法，适用于提高在复杂道路工况下的自动驾驶采样效率，其特征在于：包含以下步骤：
S100.获取车辆绝对坐标、期望目标点；获取所述车辆绝对坐标到所护期望目标点的高精地图数据；所述高精地图数据包含用于标明大地笛卡尔坐标的数据点和用于导航计算的一次规划数据；
S200.根据所述一次规划数据和所述数据点生成初始参考线；所述初始参考线由多个所述数据点组成；对所述初始参考线进行平滑处理，得到用于进行局部规划的道路参考线(1)；所述道路参考线(1)包含多个参考线节点(2)；
计算得到道路参考线(1)上每个所述参考线节点(2)的航向角(5)和曲率；根据所述车辆绝对坐标获取车道信息；所述车道信息包含车道边界数据和车道延伸方向数据；
S300.逐一比较所述道路参考线(1)上的每一个所述参考线节点(2)到所述车辆绝对坐标的距离，以到所述车辆绝对坐标的距离最短的所述参考线节点(2)作为车辆起点；
S400.获取车辆的自动驾驶行为规划指令和车速；根据所述自动驾驶行为规划指令和所述车辆绝对坐标计算得到局部规划路径；以所述期望目标点作为车辆终点；截取所述车辆起点与所述车辆终点之间的所述道路参考线(1)，得到实际规划所需的路径空间；
S500.对所述实际规划所需的路径空间进行纵向采样；所述纵向采样包含以下步骤：
S510.根据所述自动驾驶行为规划指令和所述车速在采样模板集合中选取人工预设的采样模板；
S520.将所述实际规划所需的路径空间带入所述采样模板，在所述实际规划所需的路径空间上以相对所述车辆起点向所述车辆终点偏移一个纵向采样间隔距离(7)的点作为纵向采样点(6)；将所述车辆终点保存至所述纵向采样点集合；
S530.根据所述纵向采样点(6)相对所述实际规划所需的路径空间的位置关系作出如下操作：
如果所述纵向采样点(6)不在所述实际规划所需的路径空间内，则退出所述纵向采样；
如果所述纵向采样点(6)在所述实际规划所需的路径空间内，则将该所述纵向采样点(6)保存至所述纵向采样点集合；
S540.将该所述纵向采样点(6)向所述车辆终点偏移一个所述纵向采样间隔距离(7)，将得到的点作为下一个所述纵向采样点(6)；跳转至S530；
S600.对所述纵向采样点集合中的每一个所述纵向采样点(6)和所述车辆终点进行横向采样；所述横向采样包含以下步骤：
S610.自每一个所述纵向采样点(6)或所述车辆终点出发，沿各所述纵向采样点(6)或所述车辆终点的所述航向角(5)的垂直方向，向参考线法向的左右方向偏移一个横向采样间隔距离(8)，使每个所述纵向采样点(6)或所述车辆终点得到一组对应的采样点(4)；
S620.对比每一个所述采样点(4)与所述车道边界数据的关系，并根据对比结果作出如下操作：
如果所述采样点(4)不落在在所述车道边界数据内，则输出采样点(4)集合，然后退出所述横向采样；
如果所述采样点(4)落在在所述车道边界数据内，则将该采样点(4)保存至所述采样点(4)集合；
S630.该所述采样点(4)的偏移方向上再偏移一个所述横向采样间隔距离(8)；跳转至S620；
S700.根据所述车道信息，将大地笛卡尔坐标系转换成Frenet坐标系；逐一计算所述采样点(4)集合中的每个所述采样点(4)在Frenet坐标系的坐标。
2.根据权利要求1所述的局部规划的道路自适应采样方法，其特征在于：所述S200中的所述平滑处理包含以下步骤：
S210.将所述初始参考线分成多个初始参考线子段；
S220.逐一对每个所述初始参考线子段进行插值处理，得到每个所述初始参考线子段的对应的道路参考线子段(3)；
S230.将各个所述道路参考线子段(3)按照其对应的所述初始参考线子段的排列顺序拼接起来，得到所述道路参考线(1)。
3.根据权利要求2所述的局部规划的道路自适应采样方法，其特征在于：所述插值处理通过下式计算实现：
Figure FDA0002579752910000031
其中x(s)为所述道路参考线(1)上的点在大地笛卡尔坐标系中的横坐标；y(s)为所述道路参考线(1)上的点在大地笛卡尔坐标系中的纵坐标；s为所述车辆绝对坐标距离所述道路参考线(1)最短的点所在所述初始参考线子段的弧长，通过所述高精地图数据获取；axi、bxi、cxi、dxi、ayi、byi、cyi和dyi都为人工预设的道路参考曲线拟合参数。
4.根据权利要求3所述的局部规划的道路自适应采样方法，其特征在于：所述S200中的所述航向角(5)通过下式计算得到：
Figure FDA0002579752910000041
其中θ为所述航向角(5)；x＝x(s)，y＝y(s)；
所述S200中的所述曲率通过下式计算得到：
Figure FDA0002579752910000042
其中，k为所述曲率。
5.根据权利要求4所述的局部规划的道路自适应采样方法，其特征在于：
所述S500中的所述采样模板为随机撒点模板，或等间隔模板，或非等间隔模板。
6.根据权利要求5所述的局部规划的道路自适应采样方法，其特征在于：所述S500中的所述纵向采样间隔距离(7)不低于1m且不高于30m。
7.根据权利要求6所述的局部规划的道路自适应采样方法，其特征在于：所述纵向采样间隔距离(7)按下式结算得到：
ΔL＝kv
其中，k>0。
8.根据权利要求7所述的局部规划的道路自适应采样方法，其特征在于：所述S700中的所述Frenet坐标系中，以所述车辆绝对坐标为原点；以所述道路参考线(1)的切线向量(9)为纵向坐标轴(11)，以所述道路参考线(1)的法线向量(10)作为横向坐标轴(12)。
CN202010666289.6A 2020-07-10 2020-07-10 局部规划的道路自适应采样方法 Active CN111898804B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010666289.6A CN111898804B (zh) 2020-07-10 2020-07-10 局部规划的道路自适应采样方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010666289.6A CN111898804B (zh) 2020-07-10 2020-07-10 局部规划的道路自适应采样方法

Publications (2)

Publication Number Publication Date
CN111898804A true CN111898804A (zh) 2020-11-06
CN111898804B CN111898804B (zh) 2021-11-23

Family

ID=73192349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010666289.6A Active CN111898804B (zh) 2020-07-10 2020-07-10 局部规划的道路自适应采样方法

Country Status (1)

Country Link
CN (1) CN111898804B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112710301A (zh) * 2020-12-09 2021-04-27 上汽大众汽车有限公司 一种自动驾驶车辆高精度定位方法和系统
CN113377112A (zh) * 2021-06-30 2021-09-10 东风商用车有限公司 一种自动驾驶速度规划及状态协调方法和装置
CN113739805A (zh) * 2021-08-31 2021-12-03 重庆兰德适普信息科技有限公司 路径规划信息采集方法、路径规划方法及电子设备
CN113741526A (zh) * 2021-09-13 2021-12-03 北京微纳星空科技有限公司 无人机偏离运行轨迹的纠正方法、装置及可读存储介质
CN113859267A (zh) * 2021-10-27 2021-12-31 广州小鹏自动驾驶科技有限公司 路径决策方法、装置及车辆
CN114114930A (zh) * 2022-01-28 2022-03-01 清华大学 汽车局部参考路径生成方法、装置、设备及介质
CN114264307A (zh) * 2021-12-15 2022-04-01 广州小鹏自动驾驶科技有限公司 路径生成方法、装置、交通工具及存储介质
CN114296729A (zh) * 2021-12-29 2022-04-08 山石网科通信技术股份有限公司 路径规划方法、装置、存储介质和电子装置
CN114676939A (zh) * 2022-05-26 2022-06-28 之江实验室 一种多车型参数自适应的参考线平滑方法和系统
CN116101292A (zh) * 2022-09-08 2023-05-12 广州汽车集团股份有限公司 一种获得道路上车辆之间纵向距离的方法、系统及车辆
CN116136417A (zh) * 2023-04-14 2023-05-19 北京理工大学 一种面向越野环境的无人驾驶车辆局部路径规划方法
CN118089773A (zh) * 2024-04-26 2024-05-28 中国第一汽车股份有限公司 车辆运动轨迹计算方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019042295A1 (zh) * 2017-08-31 2019-03-07 广州小鹏汽车科技有限公司 一种无人驾驶路径规划方法、系统和装置
CN110415330A (zh) * 2019-04-29 2019-11-05 当家移动绿色互联网技术集团有限公司 道路生成方法、装置、存储介质及电子设备
CN111231950A (zh) * 2020-03-05 2020-06-05 北京百度网讯科技有限公司 规划车辆变道路径的方法、装置、设备及可读存储介质
CN111338335A (zh) * 2019-12-31 2020-06-26 清华大学 一种结构化道路场景下的车辆局部轨迹规划方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019042295A1 (zh) * 2017-08-31 2019-03-07 广州小鹏汽车科技有限公司 一种无人驾驶路径规划方法、系统和装置
CN110415330A (zh) * 2019-04-29 2019-11-05 当家移动绿色互联网技术集团有限公司 道路生成方法、装置、存储介质及电子设备
CN111338335A (zh) * 2019-12-31 2020-06-26 清华大学 一种结构化道路场景下的车辆局部轨迹规划方法
CN111231950A (zh) * 2020-03-05 2020-06-05 北京百度网讯科技有限公司 规划车辆变道路径的方法、装置、设备及可读存储介质

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112710301A (zh) * 2020-12-09 2021-04-27 上汽大众汽车有限公司 一种自动驾驶车辆高精度定位方法和系统
CN113377112B (zh) * 2021-06-30 2023-05-05 东风商用车有限公司 一种自动驾驶速度规划及状态协调方法和装置
CN113377112A (zh) * 2021-06-30 2021-09-10 东风商用车有限公司 一种自动驾驶速度规划及状态协调方法和装置
CN113739805A (zh) * 2021-08-31 2021-12-03 重庆兰德适普信息科技有限公司 路径规划信息采集方法、路径规划方法及电子设备
CN113741526A (zh) * 2021-09-13 2021-12-03 北京微纳星空科技有限公司 无人机偏离运行轨迹的纠正方法、装置及可读存储介质
CN113859267A (zh) * 2021-10-27 2021-12-31 广州小鹏自动驾驶科技有限公司 路径决策方法、装置及车辆
CN113859267B (zh) * 2021-10-27 2023-08-25 广州小鹏自动驾驶科技有限公司 路径决策方法、装置及车辆
CN114264307B (zh) * 2021-12-15 2024-06-04 广州小鹏自动驾驶科技有限公司 路径生成方法、装置、交通工具及存储介质
CN114264307A (zh) * 2021-12-15 2022-04-01 广州小鹏自动驾驶科技有限公司 路径生成方法、装置、交通工具及存储介质
CN114296729A (zh) * 2021-12-29 2022-04-08 山石网科通信技术股份有限公司 路径规划方法、装置、存储介质和电子装置
CN114114930B (zh) * 2022-01-28 2022-04-19 清华大学 汽车局部参考路径生成方法、装置、设备及介质
CN114114930A (zh) * 2022-01-28 2022-03-01 清华大学 汽车局部参考路径生成方法、装置、设备及介质
CN114676939B (zh) * 2022-05-26 2022-09-02 之江实验室 一种多车型参数自适应的参考线平滑方法和系统
CN114676939A (zh) * 2022-05-26 2022-06-28 之江实验室 一种多车型参数自适应的参考线平滑方法和系统
CN116101292A (zh) * 2022-09-08 2023-05-12 广州汽车集团股份有限公司 一种获得道路上车辆之间纵向距离的方法、系统及车辆
CN116101292B (zh) * 2022-09-08 2023-10-27 广州汽车集团股份有限公司 一种获得道路上车辆之间纵向距离的方法、系统及车辆
CN116136417A (zh) * 2023-04-14 2023-05-19 北京理工大学 一种面向越野环境的无人驾驶车辆局部路径规划方法
CN116136417B (zh) * 2023-04-14 2023-08-22 北京理工大学 一种面向越野环境的无人驾驶车辆局部路径规划方法
CN118089773A (zh) * 2024-04-26 2024-05-28 中国第一汽车股份有限公司 车辆运动轨迹计算方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111898804B (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN111898804B (zh) 局部规划的道路自适应采样方法
JP7150067B2 (ja) 車両の制御システム、車両を制御する方法、及び非一時的コンピュータ可読メモリ
CN109491377B (zh) 用于自动驾驶车辆的基于dp和qp的决策和规划
CN111998867B (zh) 一种车辆路径规划方法及装置
US10948919B2 (en) Dynamic programming and gradient descent based decision and planning for autonomous driving vehicles
CN110728014B (zh) 使用具有加权几何成本的分段螺旋曲线的参考线平滑方法
CN109955853B (zh) 用于操作自动驾驶车辆的方法、系统和存储介质
Wei et al. A behavioral planning framework for autonomous driving
CN110955236B (zh) 用于自动驾驶车辆的曲率校正路径采样系统
CN110954122B (zh) 高速场景下的自动驾驶轨迹生成方法
CN109900289B (zh) 基于闭环控制的路径规划方法及装置
CN113721637B (zh) 智能车动态避障路径连续规划方法、系统及存储介质
WO2019042295A1 (zh) 一种无人驾驶路径规划方法、系统和装置
CN112673234A (zh) 路径规划方法和路径规划装置
KR101196374B1 (ko) 이동 로봇의 경로 생성 시스템
CN110595475A (zh) 循迹路径的拟合方法、装置、智能汽车和存储介质
US20210318683A1 (en) Differential dynamic programming (ddp) based planning architecture for autonomous driving vehicles
JP7112658B2 (ja) 車両運転支援システム及び方法
CN109916421B (zh) 路径规划方法及装置
CN112130582B (zh) 一种多智能体编队形成方法
CN111006667A (zh) 高速场景下的自动驾驶轨迹生成系统
CN116185014A (zh) 一种基于动态规划的智能车全局最优轨迹规划方法与系统
CN113053112B (zh) 车辆轨迹预测方法、车辆预测轨迹分析方法、装置及车辆
CN113670305A (zh) 泊车轨迹生成方法、装置、计算机设备和存储介质
CN115309163A (zh) 基于改进方向评价函数dwa算法的局部路径规划方法

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