CN112092802A - 车辆控制方法、装置及车辆 - Google Patents

车辆控制方法、装置及车辆 Download PDF

Info

Publication number
CN112092802A
CN112092802A CN202011025441.9A CN202011025441A CN112092802A CN 112092802 A CN112092802 A CN 112092802A CN 202011025441 A CN202011025441 A CN 202011025441A CN 112092802 A CN112092802 A CN 112092802A
Authority
CN
China
Prior art keywords
data
real
time
vehicle
parking
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
CN202011025441.9A
Other languages
English (en)
Inventor
吕传龙
郑艺强
关书伟
李凯伦
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 Co Wheels Technology Co Ltd
Original Assignee
Beijing Co Wheels 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 Co Wheels Technology Co Ltd filed Critical Beijing Co Wheels Technology Co Ltd
Priority to CN202011025441.9A priority Critical patent/CN112092802A/zh
Publication of CN112092802A publication Critical patent/CN112092802A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/06—Automatic manoeuvring for parking
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0025—Planning or execution of driving tasks specially adapted for specific operations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/50—Barriers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)

Abstract

本公开涉及一种车辆控制方法、装置及车辆。其中，车辆控制方法包括：获取车辆的实时泊车数据，实时泊车数据包括实时位姿数据、实时控制数据和实时环境数据；基于实时位姿数据和实时控制数据，构建泊车误差预测模型；根据实时环境数据对泊车误差预测模型进行模型优化，得到控制增量数据；根据实时控制数据和控制增量数据，计算得到目标控制数据，目标控制数据用于对车辆进行泊车控制。根据本公开实施例，能够降低车辆的自动泊车成本。

Description

车辆控制方法、装置及车辆
技术领域
本公开涉及车辆控制技术领域，尤其涉及一种车辆控制方法、装置及车辆。
背景技术
由于城市内的停车空间有限，将车辆驶入狭小的停车空间已成为一项必备技能，对于许多驾驶员而言，很少有不费一番周折就停好车的情况。为了减轻驾驶员手动停车的负担，自动泊车技术应运而生。
在相关技术中，车辆在自动泊车时一般需要进行大量的数据处理来避开动态障碍物，这种自动泊车过程对算力的要求较高，需要车辆搭载大算力计算机才可实现，提高了车辆的自动泊车成本。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种车辆控制方法、装置及车辆。
第一方面，本公开提供了一种车辆控制方法，包括：
获取车辆的实时泊车数据，实时泊车数据包括实时位姿数据、实时控制数据和实时环境数据；
基于实时位姿数据和实时控制数据，构建泊车误差预测模型；
根据实时环境数据对泊车误差预测模型进行模型优化，得到控制增量数据；
根据实时控制数据和控制增量数据，计算得到目标控制数据，目标控制数据用于对车辆进行泊车控制。
在其中一个实施例中，基于实时位姿数据和实时控制数据，构建泊车误差预测模型，包括：
获取实时位姿数据对应的参考位姿数据；
利用获取的参考位姿数据、实时位姿数据和实时控制数据，构建车辆的动力学模型；
对动力学模型进行预定时域内的线性离散化处理，得到泊车误差预测模型。
在其中一个实施例中，利用获取的参考位姿数据、实时位姿数据和实时控制数据，构建车辆的动力学模型，包括：
计算实时位姿数据与获取的参考位姿数据之间的位姿误差数据；
根据位姿误差数据和实时控制数据，构建动力学模型。
在其中一个实施例中，获取车辆的实时泊车数据之前，该方法还包括：
获取车辆的泊车起点位置和泊车终点位置；
基于泊车起点位置和泊车终点位置进行全局路径规划，得到车辆参考路径，车辆参考路径包括多个参考位姿数据。
在其中一个实施例中，实时位姿数据包括车辆实时位置和车辆实时偏航角。
在其中一个实施例中，根据实时环境数据对泊车误差预测模型进行模型优化，得到控制增量数据，包括：
根据实时环境数据，计算车辆在人工势场内所受的合力值；
根据合力值，构建带有障碍物约束的代价函数；
利用代价函数对泊车误差预测模型进行优化处理，得到控制增量数据。
在其中一个实施例中，实时环境数据包括车辆与泊车终点位置之间的第一实时距离和车辆与障碍物之间的第二实时距离。
在其中一个实施例中，根据实时环境数据，计算车辆在人工势场内所受的合力值，包括：
根据第一实时距离，计算车辆在人工势场内所受的引力；
根据第二实时距离，计算车辆在人工势场内所受的斥力；
根据引力与斥力，计算车辆在人工势场内所受的合力值。
在其中一个实施例中，利用代价函数对泊车误差预测模型进行优化处理，得到控制增量数据之前，该方法还包括：
获取车辆的动力学约束条件；
其中，利用所述代价函数对泊车误差预测模型进行优化处理，得到控制增量数据，包括：
利用动力学约束条件和代价函数对泊车误差预测模型进行滚动优化处理，得到控制增量数据。
在其中一个实施例中，动力学约束条件包括加速度约束条件、加速度增量约束条件、转向角约束条件、转向角增量约束条件和质心侧边角约束条件。
在其中一个实施例中，利用代价函数对泊车误差预测模型进行优化处理，得到控制增量数据，包括：
利用代价函数对泊车误差预测模型进行优化处理，得到控制增量序列；
将控制增量序列中的首组控制增量作为控制增量数据。
在其中一个实施例中，根据实时控制数据和控制增量数据，计算得到目标控制数据，包括：
将实时控制数据与控制增量数据相加，得到目标控制数据。
在其中一个实施例中，实时控制数据包括实时加速度和实时转向角，控制增量数据包括加速度增量和转向角增量，目标控制数据包括目标加速度和目标转向角。
第二方面，本公开提供了一种车辆控制装置，包括：
第一获取模块，用于获取车辆的实时泊车数据，实时泊车数据包括实时位姿数据、实时控制数据和实时环境数据；
第一处理模块，用于基于实时位姿数据和实时控制数据，构建泊车误差预测模型；
第一优化模块，用于根据实时环境数据对泊车误差预测模型进行模型优化，得到控制增量数据；
第一计算模块，用于根据实时控制数据和控制增量数据，计算得到目标控制数据，目标控制数据用于对车辆进行泊车控制。
第三方面，本公开提供了一种车辆，包括：
控制器；
用于存储控制器可执行指令的存储器；
其中，控制器被配置为执行指令，以实现如第一方面所述的车辆控制方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点：
本公开实施例提供的车辆控制方法、装置及车辆，能够基于车辆的实时位姿数据和实时控制数据，构建泊车误差预测模型，并且根据车辆的实时环境数据对泊车误差预测模型进行模型优化，得到控制增量数据，进而根据车辆的实时控制数据和控制增量数据，计算得到用于对车辆进行泊车控制的目标控制数据，使得车辆泊车过程中所需的数据处理量较小，对算力的要求较低，无需车辆搭载大算力计算机即可实现车辆的自动泊车控制，降低了车辆的自动泊车成本。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为一种自动泊车的场景图；
图2为本公开实施例提供的一种车辆控制方法的流程示意图；
图3为本公开实施例提供的一种车身坐标系的示意图；
图4为本公开实施例提供的一种世界坐标系的示意图；
图5为图1所示的场景下的人工势场的示意图；
图6为本公开实施例提供的一种车辆控制过程的流程示意图；
图7为本公开实施例提供的一种车辆控制装置的结构示意图；
图8为本公开实施例提供的一种车辆的硬件电路结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
图1示出了一种自动泊车的场景图。如图1所示，该场景为停车场内的车辆自动泊车场景，停车场内有三个已停放车辆的已使用车位以及位于其中两个已使用车位之间的一个未停放车辆的空闲车位120，泊车车辆110需要驶入空闲车位120内。其中，空闲车位120附近有已停放车辆、垃圾桶、行人等可能影响泊车车辆110驶入空闲车位120的泊车路径的障碍物。
在相关技术中，泊车车辆110的自动泊车过程如下：
首先，在寻找到空闲车位120之后，将泊车车辆110的起始位置定义为起点，空闲车位120内定义为终点，利用全局轨迹规划算法规划出一条光滑且与周围环境中的静态障碍物无碰撞的光滑连线(如图1中的虚线所示)，该光滑连线即为泊车路径。
然后，驱动泊车车辆110行驶，使泊车车辆110始终在泊车路径上行驶，从而到达终点完成泊车。
但是，这种自动泊车过程只在规划泊车路径时考虑避开障碍物并且在整个自动泊车过程中只进行一次路径规划，因此，在这种自动泊车过程中，仅能较好地实现对已停放车辆、垃圾桶等静态障碍物的躲避，难以实现对行人等动态障碍物的躲避。
为了提高车辆在自动泊车过程中对动态障碍物的避障能力，目前有以下两种解决方案：
一、提高传感器的感知距离和感知能力，以在全局路径规划过程中尽可能覆盖到动态障碍物的移动范围。这种方法不但会带来传感器成本的巨大攀升，还无法很有效的解决对动态障碍物的躲避问题。
二、增加带有避障功能的局部规划过程。具体地，可以先基于泊车起点和泊车终点进行全局路径规划，以保证泊车路径最短，然后再根据实时监测的环境信息进行局部路径规划，以综合考虑规划出局部的行为路径，最后对车辆进行轨迹跟踪，使车辆沿着设定轨迹行驶使其避开障碍物。这种自动泊车过程，需要进行大量的数据处理，对算力的要求较高，需要车辆搭载大算力计算机才可实现，提高了车辆的计算机成本。
综上，在相关技术中，为了使车辆在自动泊车过程中能够避开动态障碍物，会提高车辆的传感器成本或者算力成本，进而提高车辆的自动泊车成本。
为了解决上述的问题，本公开实施例提供了一种车辆控制方法、装置及车辆，能够在不增加额外硬件条件下，降低具有动态障碍物避障功能的自动泊车控制算法的复杂度和算力要求。下面，首先对本公开实施例提供的车辆控制方法进行说明。
图2示出了本公开实施例提供的一种车辆控制方法的流程示意图。
在本公开一些实施例中，图2所示的方法可以应用于车辆的控制器，例如可以应用于图1所示的泊车车辆110的控制器。
如图2所示，该车辆控制方法可以包括如下步骤。
S210、获取车辆的实时泊车数据，实时泊车数据包括实时位姿数据、实时控制数据和实时环境数据。
其中，图2所示的实施例中所述的车辆可以为控制器所搭载的车辆，即图1所示的泊车车辆110。
在一些实施例中，实时位姿数据可以包括车辆实时位置和车辆实时偏航角。其中，车辆实时位置可以为车辆在世界坐标系内实时的实际位置，车辆实时偏航角可以为车辆在世界坐标系内实时的实际车辆方向。
具体地，世界坐标系可以为车辆在自动泊车过程中建立的用于感知车辆的移动轨迹的绝对坐标系。世界坐标系可以基于车身坐标系构建。车身坐标系可以为用于感知车辆与其他事物之间的相对位置的相对坐标系。
为了更清楚地说明车辆实时位置和车辆实时偏航角，首先介绍车身坐标系和世界坐标系。
图3示出了本公开实施例提供的一种车身坐标系的示意图。如图3所示，可以将车辆310抽象为带有方向的质点模型，其中，质点320位于车辆310的后轴中心处，质点320可以为车身坐标系的坐标原点，质点320朝向车头中心处的方向为车身坐标系的X轴正方向，垂直X轴的左侧方向为车身坐标系的Y轴正方向。
图4示出了本公开实施例提供的一种世界坐标系的示意图。如图4所示，可以将车辆310上电时刻即自动泊车的起始时刻下，车辆310的质点320的位置作为世界坐标系的坐标原点，车辆310上电时刻下车辆的车身坐标系的X轴正方向为世界坐标系的x轴正方向，车辆310上电时刻下车辆的车身坐标系的Y轴正方向为世界坐标系的y轴正方向。
因此，车辆实时位置可以为车辆310行驶在世界坐标系下的实时的质点320坐标(x,y)，车辆实时偏航角可以为车辆310行驶在世界坐标系下的实时的车身坐标系的X轴正方向与世界坐标系的x轴正方向之间的夹角θ。
在一些实施例中，实时环境数据包括车辆与泊车终点位置之间的第一实时距离和车辆与障碍物之间的第二实时距离。
在一个示例中，泊车终点位置可以为车位的中心点位置，泊车终点位置可以根据车位入口边界线上的任意一个顶点的位置计算得到。在另一个示例中，泊车终点位置还可以为根据车位入口边界线上的任意一个顶点的位置计算得到的停车位内的其他位置，只要是在车位内并且能够用于对车辆进行路径规划即可。
相应地，第一实时距离可以为车辆的后轴中心处与泊车终点位置之间实时的直线距离。
在一个示例中，障碍物可以包括车辆周围的预设范围内的全部的可能影响车辆的移动轨迹的静态障碍物和动态障碍物。其中，预设范围可以根据车辆的感知范围确定，也可以由用户根据需要进行设置。
相应地，第二实时距离可以为车辆的后轴中心处与障碍物之间实时的直线距离。
在本公开实施例中，在自动泊车过程中，可以利用高精地图、导航系统和传感器等，获取车辆的实时位姿数据和实时环境数据。其中，传感器可以例如超声波雷达、毫米波雷达、激光雷达和全景相机等。
进一步地，传感器的测量范围可以用于确定车辆的感知范围，使得车辆的感知范围不超过所采用传感器的最远探测距离。
在障碍物位置或者障碍物距离由传感器测量得到的情况下，在获取障碍物位置或者障碍物距离之后，可以根据传感器的安装位置进行转换，将其转换为车辆的后轴中心处与障碍物之间的直线距离。
在一些实施例中，实时控制数据可以包括实时加速度和实时转向角。具体地，实时加速度可以为车辆实时的期望加速度，实时转向角可以为车辆实时的期望方向盘角度，实时加速度和实时转向角可以用于确定车辆实时的泊车状态期望值。
在实时控制数据的采集时刻的上一时刻为自动泊车的开始时刻的情况下，实时加速度可以为自动泊车的开始时刻计算得到的期望加速度，实时转向角可以为自动泊车的开始时刻计算得到的期望方向盘角度，该实时加速度和实时转向角可以为基于车辆的泊车起点位置和泊车终点位置进行全局路径规划得到的车辆参考路径确定的初始加速度和初始转向角。
在实时控制数据的采集时刻的上一时刻不是自动泊车的开始时刻的情况下，实时加速度可以为上一时刻下根据本公开的方法计算得到的期望加速度，实时转向角可以为上一时刻下根据本公开的方法计算得到的期望方向盘角度。
S220、基于实时位姿数据和实时控制数据，构建泊车误差预测模型。
在本公开一些实施例中，S220可以具体包括：获取实时位姿数据对应的参考位姿数据，并利用获取的参考位姿数据、实时位姿数据和实时控制数据，构建车辆的动力学模型，进而对动力学模型进行预定时域内的线性离散化处理，得到泊车误差预测模型。
在一些实施例中，利用获取的参考位姿数据、实时位姿数据和实时控制数据，构建车辆的动力学模型可以具体包括：计算实时位姿数据与获取的参考位姿数据之间的位姿误差数据；根据位姿误差数据和实时控制数据，构建车辆的动力学模型。
首先，控制器可以从已规划的泊车起点位置至泊车终点位置之间的车辆参考路径中的多个参考位姿数据中，选取预测时刻与实施位姿数据的采集时刻相同的参考位姿数据。参考位姿数据可以包括车辆参考位置和车辆参考偏航角，车辆参考位置可以为车辆在世界坐标系内实时的期望位置，车辆参考偏航角可以为车辆在世界坐标系内实时的期望偏航角。然后，控制器可以利用实时位姿数据与获取的参考位姿数据，计算位姿误差数据。位姿误差数据可以包括车辆位置误差和车辆偏航角误差，车辆位置误差可以为车辆在世界坐标系内的实际位置与期望位置之间的位置差值，车辆偏航角误差可以为车辆在世界坐标系内的实际偏航角与期望偏航角之间的偏航角差值。最后，控制器可以根据车辆参考位置、车辆参考偏航角、车辆位置误差、车辆偏航角误差、实时加速度和实时转向角，构建车辆的动力学模型，并对动力学模型进行预定时域内的线性离散化处理，得到泊车误差预测模型。预定时域可以根据需要预先设定。
在另一些实施例中，利用获取的参考位姿数据、实时位姿数据和实时控制数据，构建车辆的动力学模型可以具体包括：直接利用参考位姿数据、实时位姿数据和实时控制数据，构建车辆的动力学模型，与上述的方法相似，在此不做赘述。
在本公开另一些实施例中，在S220之前，该车辆控制方法还可以包括：获取车辆的历史泊车数据，历史泊车数据包括历史位姿数据、历史控制数据和历史环境数据。
在一个示例中，历史泊车数据可以包括实时泊车数据的采集时刻之前的预设时间段内的数据，预设时间段可以根据需要预先设定。在另一个示例中，历史泊车数据可以包括实时泊车数据的采集时刻到自动泊车的开始时刻之间的时间段的数据。
具体地，历史泊车数据与实时数据的获取方法相似，在此不做赘述。
相应地，S220还可以具体包括：获取实时位姿数据对应的参考位姿数据以及每个历史位姿数据对应的参考位姿数据；计算实时位姿数据与获取的参考位姿数据之间的位姿误差数以及每个历史位姿数据与对应的参考位姿数据之间的历史位姿误差数据；根据参考位置数据、位姿误差数据、历史位姿误差数据、历史控制数据和实时控制数据，构建车辆的动力学模型，并且对动力学模型进行预定时域内的线性离散化处理，得到泊车误差预测模型。
S230、根据实时环境数据对泊车误差预测模型进行模型优化，得到控制增量数据。
在本公开实施例中，上述的第一实时距离和第二实时距离等实时环境数据可以表征车辆周围的障碍信息，控制器可以根据车辆周围的障碍信息生成泊车误差预测模型的代价函数，进而得到满足代价函数的最优控制增量。
在本公开一些实施例中，S230可以具体包括：根据实时环境数据，计算车辆在人工势场内所受的合力值；根据合力值，构建带有障碍物约束的代价函数；利用代价函数对泊车误差预测模型进行优化处理，得到控制增量数据。
具体地，控制器可以对车辆所在的环境进行抽象，将车辆所在的环境抽象为二维平面，将车辆抽象为带电的原子，使得二维平面中同时存在引力场和斥力场。其中，引力场表现为对车辆的吸引作用，由引力物产生，引力物可以为泊车终点位置，引力场的大小随着车辆与引力物之间的距离增大而逐渐衰减。斥力场表现为对车辆的排斥作用，由斥力物产生，斥力物可以为静态及动态的障碍物，斥力场的大小随着车辆与斥力物之间的距离增大而逐渐衰减。
可选地，实时环境数据可以包括车辆与泊车终点位置之间的第一实时距离和车辆与障碍物之间的第二实时距离，在此不做赘述。
相应地，根据实时环境数据计算车辆在人工势场内所受的合力值可以具体包括：根据第一实时距离，计算车辆在人工势场内所受的引力；根据第二实时距离，计算车辆在人工势场内所受的斥力；根据引力与斥力，计算车辆在人工势场内所受的合力值。
在一些示例中，可以利用人工势场的受力计算公式，分别计算第一实时距离对应的引力和每个第二实时距离对应的斥力，然后根据受力合成公式，计算引力和斥力对应的合力值。
图5示出了图1所示的场景下的人工势场的示意图。如图5所示，在泊车车辆110沿泊车路径驶入空闲车位120的过程中，可能影响到泊车车辆110的行驶路径的障碍物包括位于空闲车位120左侧的已停放车辆130、位于空闲车位120右上角的垃圾桶140和位于泊车车辆110后方的行人150。其中，车辆在人工势场内所受的空闲车位120对其的引力为F1，车辆在人工势场内所受的已停放车辆130对其的斥力为F2，车辆在人工势场内所受的垃圾桶140对其的斥力为F3，车辆在人工势场内所受的行人150对其的斥力为F4，车辆在人工势场内所受的合力值为F1、F2、F3和F4的合力值。
进一步地，控制器在计算得到车辆在人工势场内所受的合力值之后，可以根据合力值，构建带有障碍物约束的代价函数，并且利用代价函数对泊车误差预测模型进行优化处理，从而得到控制增量数据。
由于在车辆向车位行驶的过程中，会受到引力场和斥力场的同时作用，因此，可以利用车辆在人工势场内所受的合力值，构建带有障碍物约束的代价函数，以对泊车误差预测模型进行优化处理，使得优化目标为使合力值最大，进而使得车辆可以同时具有躲避斥力场以及向引力场运动的能力。
在本公开另一些实施例中，在利用代价函数对泊车误差预测模型进行优化处理，得到控制增量数据之前，该车辆控制方法还可以包括：
获取车辆的动力学约束条件。
相应地，利用代价函数对泊车误差预测模型进行优化处理，得到控制增量数据可以具体包括：
利用动力学约束条件和代价函数对泊车误差预测模型进行滚动优化处理，得到控制增量数据。
可选地，动力学约束条件可以包括加速度约束条件、加速度增量约束条件、转向角约束条件、转向角增量约束条件和质心侧边角约束条件。
其中，加速度约束条件可以为加速度小于预设的最大加速度且大于预设的最小加速度，加速度增量约束条件可以为加速度增量小于预设的最大加速度增量且大于预设的最小加速度增量，转向角约束条件可以为转向角大于预设的最小转向角且小于预设的最大转向角，转向角增量约束条件可以为转向角增量大于预设的最小转向角增量且小于预设的最大转向角增量，质心侧边角约束条件可以为质心侧边角小于预设的质心侧边角阈值。
由此，控制器可以利用动力学约束条件和代价函数对泊车误差预测模型进行滚动优化处理，得到控制增量数据，使得车辆可以在动力学约束范围内，同时具有躲避斥力场以及向引力场运动的能力，保证车辆的运动性能。
在本公开一些实施例中，利用代价函数对泊车误差预测模型进行优化处理，得到控制增量数据可以包括：利用代价函数对泊车误差预测模型进行优化处理，得到控制增量序列；将控制增量序列中的首组控制增量作为控制增量数据。
例如，控制器可以根据车辆周围的障碍信息生成泊车误差预测模型的代价函数，并根据动力学约束条件和代价函数对泊车误差预测模型进行滚动优化处理，进而得到满足代价函数的控制增量序列，该控制增量序列可以包括多组控制增量，每组控制增量包括一个加速度增量和一个转向角增量，按照控制增量序列的序列顺序，每组控制增量对应实时控制数据的采样时刻之后的一个时刻，首组控制增量对应采样时刻之后的首个时刻，因此，可以将控制增量序列中的首组控制增量作为控制增量数据。
S240、根据实时控制数据和控制增量数据，计算得到目标控制数据，目标控制数据用于对车辆进行泊车控制。
在本公开一些实施例中，S240可以具体包括：将实时控制数据与控制增量数据相加，得到目标控制数据。即控制器可以将当前时刻的实时控制数据中的每个控制参数值与控制增量数据内对应的增量值相加，进而得到目标控制数据中的每个目标参数值。
在本公开一些实施例中，控制增量数据可以包括加速度增量和转向角增量，目标控制数据可以包括目标加速度和目标转向角。
在一个示例中，可以将实时加速度与加速度增量相加，得到目标加速度。在加速度增量为正值的情况下，目标加速度大于实时加速度；在加速度增量为零的情况下，目标加速度等于实时加速度；在加速度增量为负值的情况下，目标加速度小于实时加速度。
在一个示例中，可以将实时转向角与转向角增量相加，得到目标转向角。在转向角增量为正值的情况下，目标转向角大于实时转向角；在转向角增量为零的情况下，目标转向角等于实时转向角；在转向角增量为负值的情况下，目标转向角小于转向角。
由此，可以得到满足特定的代价函数的最优控制量，目标控制数据可以作为实时控制数据的采样时刻的下一时刻的控制数据，被下发到控制执行器驱动车辆进行泊车。
在本公开实施例中，能够基于车辆的实时位姿数据和实时控制数据，构建泊车误差预测模型，并且根据车辆的实时环境数据对泊车误差预测模型进行模型优化，得到控制增量数据，进而根据车辆的实时控制数据和控制增量数据，计算得到用于对车辆进行泊车控制的目标控制数据，使得车辆泊车过程中所需的数据处理量较小，对算力的要求较低，无需车辆搭载大算力计算机即可实现车辆的自动泊车控制，降低了车辆的自动泊车成本。
在本公开另一种实施例中，为了为车辆的自动泊车提供参考基础，在获取车辆的实时泊车数据之前，该车辆控制方法还可以包括：
获取车辆的泊车起点位置和泊车终点位置；
基于泊车起点位置和泊车终点位置进行全局路径规划，得到车辆参考路径，车辆参考路径包括多个参考位姿数据。
具体地，车辆可以将启动自动泊车功能时车辆的位置，作为泊车起点位置，同时，通过超声波雷达、全景相机等传感器寻找到车位，并计算得到泊车终点位置，然后利用全局轨迹规划算法，基于泊车起点位置和泊车终点位置进行全局路径规划，规划出一条从泊车起点位置到泊车终点位置的最优轨迹，该最优轨迹即为车辆参考路径，在车辆参考路径上，具有基于全局路径规划得到的由泊车起点位置移动到泊车终点位置的多个预测时刻下的参考位姿数据，以为泊车误差预测模型的构建提供参考数据。
可选地，全局轨迹规划算法可以包括但不限于随机搜索法、栅格法、人工势场法、圆弧直线法。
下面，将基于一个具体示例，对本公开实施例提供的车辆控制方法进行详细说明。
图6示出了本公开实施例提供的一种车辆控制过程的流程示意图。
如图6所示，该车辆控制过程可以具体包括如下步骤。
S601、获取车辆的泊车起点位置和泊车终点位置。
S602、基于泊车起点位置和泊车终点位置进行全局路径规划，得到由多个预测时刻下的参考位姿数据构成的车辆参考路径。
S603、判断当前时刻是否为自动泊车移动控制的首个时刻，如果是，则执行S604，如果不是，则执行S606。
S604、按照首个时刻对应的参考位姿数据，控制车辆移动，然后执行S605。
S605、判断车辆是否到达泊车终点位置，如果是，则结束，如果不是，则执行S603。
具体地，可以按照首个时刻对应的参考位姿数据中的车辆参考位置计算车辆的加速度、按照首个时刻对应的参考位姿数据中的车辆参考偏航角计算车辆的转向角，然后利用计算得到的加速度和转向角控制车辆移动。
S606、基于实时位姿数据和实时控制数据，构建泊车误差预测模型。
具体地，可以利用实时位姿数据和实时位姿数据对应的参考位姿数据计算得到车辆位置误差和车辆偏航角误差，然后根据车辆参考位置、车辆参考偏航角、车辆位置误差、车辆偏航角误差、实时加速度和实时转向角，构建如下车辆的动力学模型：
Figure BDA0002701984990000151
其中，t为时刻即自动泊车的开始时刻，k为时刻t的第k个预测的时即为当前时刻，k+1是t时刻的第k+1个预测的时刻即为当前时刻的下一时刻。
X(k|t)＝[x，y，θ]T为实时系统状态变量，x为世界坐标系下车辆质点的横坐标参考值，y为世界坐标系车辆质点的纵坐标参考值，θ为在世界坐标系下车辆的车身坐标系的X轴正方向的偏航角参考值。X(k+1|t)为当前时刻的下一时刻的系统状态变量。
Δu＝[Δx，Δy，Δθ]T为实时误差变量，Δx为世界坐标系下车辆质点的横坐标误差值，Δy为世界坐标系车辆质点的纵坐标误差值，Δθ为在世界坐标系下车辆的车身坐标系的X轴正方向的偏航角误差值。
Y(k|t)＝[acce，steering]T为泊车状态期望值，acce为实时加速度，steering为实时转向角。
其中，A、B、C均为系统常量矩阵。
进一步地，对动力学模型进行预定时域内的线性离散化处理，得到预定时域内的泊车误差预测模型，该模型即为状态误差预测模型。
S607、计算车辆在人工势场内所受的合力值。
首先，可以利用人工势场的受力计算公式，分别计算第一实时距离对应的引力和每个第二实时距离对应的斥力。其中，受力计算公式如下：
F＝D*e -λk
其中，F为车辆所受的引力或斥力，D为预设的比例系数，λ为通过实车标定获得的标定参数，k为车辆到障碍物之间的距离。
然后，若定义引力为负值，斥力为正值，则车辆在行驶过程中同时受到引力物和斥力物的作用，此时，可以利用车辆所受的引力和斥力，计算车辆受到的合力
Figure BDA0002701984990000161
其中n为引力物数量，m为斥力物数量。
S608、构建带有障碍物约束的代价函数。
具体地，可以利用S607计算得到的合力值，构建如下的代价函数：
Figure BDA0002701984990000162
其中，Q、R、G分别为权重矩阵，X(k)为当前时刻之后的k时刻的实时系统状态变量，Δu(k)为当前时刻之后的k时刻的控制增量。
S609、利用动力学约束条件和代价函数对泊车误差预测模型进行滚动优化处理，得到控制增量数据。
具体地，将泊车误差预测模型在预设时域内根据上述代价函数和动力学约束条件进行滚动优化，获得预设时域内的最优控制增量序列：
Δu＝[Δu1，Δu2，Δu3，...，ΔuN-1]T
然后，根据第一个控制增量Δu1，确定加速度增量和转向角增量，得到控制增量数据。
S610、根据实时控制数据和控制增量数据，计算得到目标控制数据，并根据目标控制数据控制车辆移动，然后执行S605，直至结束。
综上所述，本公开实施例所提供的车辆控制方法，能够在车辆进行自动泊车的过程中，构建泊车误差预测模型，并且利用泊车误差预测模型的处理优化变量的能力以及带有障碍物约束的优化条件，使车辆具有动态躲避障碍物的能力，进而利用全局规划-轨迹跟踪的两层数据处理结构，即基于带局部避障功能的模型预测方法进行全局路径规划下的轨迹跟踪，使得车辆的轨迹跟踪过程具备避障控制的能力，实现了具有动态躲避障碍物能力的自动泊车控制，降低了自动泊车控制算法的复杂度，极大地减少了自动泊车对算力的需求，提高了运算速度，无需车辆搭载大算力计算机即可实现车辆的自动泊车控制，降低了车辆的自动泊车成本。
图7示出了本公开实施例提供的一种车辆控制装置的结构示意图。
在本公开一些实施例中，图7所示的装置可以应用于车辆的控制器中，例如可以应用于图1所示的泊车车辆110的控制器中。
如图7所示，该车辆控制装置700可以包括第一获取模块710、第一处理模块720、第一优化模块730和第一计算模块740。
该第一获取模块710可以用于获取车辆的实时泊车数据，实时泊车数据包括实时位姿数据、实时控制数据和实时环境数据。
该第一处理模块720可以用于基于实时位姿数据和实时控制数据，构建泊车误差预测模型。
该第一优化模块730可以用于根据实时环境数据对泊车误差预测模型进行模型优化，得到控制增量数据。
该第一计算模块740可以用于根据实时控制数据和控制增量数据，计算得到目标控制数据，目标控制数据用于对车辆进行泊车控制。
在本公开实施例中，能够基于车辆的实时位姿数据和实时控制数据，构建泊车误差预测模型，并且根据车辆的实时环境数据对泊车误差预测模型进行模型优化，得到控制增量数据，进而根据车辆的实时控制数据和控制增量数据，计算得到用于对车辆进行泊车控制的目标控制数据，使得车辆泊车过程中所需的数据处理量较小，对算力的要求较低，无需车辆搭载大算力计算机即可实现车辆的自动泊车控制，降低了车辆的自动泊车成本。
在本公开一些实施例中，该第一处理模块720可以包括第一获取单元、第一处理单元和第二处理单元。
该第一获取单元可以用于获取实时位姿数据对应的参考位姿数据。
该第一处理单元可以用于利用获取的参考位姿数据、实时位姿数据和实时控制数据，构建车辆的动力学模型。
该第二处理单元可以用于对动力学模型进行预定时域内的线性离散化处理，得到泊车误差预测模型。
在本公开一些实施例中，该第一处理单元可以具体用于：
计算实时位姿数据与获取的参考位姿数据之间的位姿误差数据；
根据位姿误差数据和实时控制数据，构建动力学模型。
在本公开一些实施例中，该车辆控制装置700还可以包括第二获取模块和第二处理模块。
该第二获取模块可以用于获取车辆的泊车起点位置和泊车终点位置。
该第二处理模块可以用于基于泊车起点位置和泊车终点位置进行全局路径规划，得到车辆参考路径，车辆参考路径包括多个参考位姿数据。
在本公开一些实施例中，实时位姿数据可以包括车辆实时位置和车辆实时偏航角。
在本公开一些实施例中，该第一优化模块730还可以第一计算单元、第三处理单元和第四处理单元。
该第一计算单元可以用于根据实时环境数据，计算车辆在人工势场内所受的合力值。
该第三处理单元可以用于根据合力值，构建带有障碍物约束的代价函数。
该第四处理单元可以用于利用代价函数对泊车误差预测模型进行优化处理，得到控制增量数据。
在本公开一些实施例中，实时环境数据可以包括车辆与泊车终点位置之间的第一实时距离和与障碍物之间的第二实时距离。
在本公开一些实施例中，该第一计算单元可以具体用于：
根据第一实时距离，计算车辆在人工势场内所受的引力；
根据第二实时距离，计算车辆在人工势场内所受的斥力；
根据引力与斥力，计算车辆在人工势场内所受的合力值。
在本公开一些实施例中，该车辆控制装置700还可以包括第三获取模块，该第三获取模块可以用于获取车辆的动力学约束条件。
相应地，该第四处理单元可以具体用于：
利用动力学约束条件和代价函数对泊车误差预测模型进行滚动优化处理，得到控制增量数据。
在本公开一些实施例中，动力学约束条件可以包括加速度约束条件、加速度增量约束条件、转向角约束条件、转向角增量约束条件和质心侧边角约束条件。
在本公开一些实施例中，该第四处理单元可以具体用于：
利用代价函数对泊车误差预测模型进行优化处理，得到控制增量序列；
将控制增量序列中的首组控制增量作为控制增量数据。
在本公开一些实施例中，该第一计算模块740可以具体用于：
将实时控制数据与控制增量数据相加，得到目标控制数据。
在本公开一些实施例中，实时控制数据可以包括实时加速度和实时转向角，控制增量数据可以包括加速度增量和转向角增量，目标控制数据可以包括目标加速度和目标转向角。
需要说明的是，图7所示的车辆控制装置700可以执行图2和图6所示的方法实施例中的各个步骤，并且实现图2和图6所示的方法实施例中的各个过程和效果，在此不做赘述。
图8示出了本公开实施例提供的一种车辆的硬件电路结构示意图。
如图8所示，该车辆可以包括控制器801以及存储有计算机程序指令的存储器802。
具体地，上述控制器801可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器802可以包括用于信息或指令的大容量存储器。举例来说而非限制，存储器802可以包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个及其以上这些的组合。在合适的情况下，存储器802可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器802可在综合网关设备的内部或外部。在特定实施例中，存储器802是非易失性固态存储器。在特定实施例中，存储器802包括只读存储器(Read-Only Memory，ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable ROM，PROM)、可擦除PROM(Electrical Programmable ROM，EPROM)、电可擦除PROM(Electrically ErasableProgrammable ROM，EEPROM)、电可改写ROM(Electrically Alterable ROM，EAROM)或闪存，或者两个或及其以上这些的组合。
控制器801通过读取并执行存储器802中存储的计算机程序指令，以执行本公开实施例所提供的车辆控制方法的步骤。
在一个示例中，该车辆还可包括收发器803和总线804。其中，如图8所示，控制器801、存储器802和收发器803通过总线804连接并完成相互间的通信。
总线804包括硬件、软件或两者。举例来说而非限制，总线可包括加速图形端口(Accelerated Graphics Port，AGP)或其他图形总线、增强工业标准架构(ExtendedIndustry Standard Architecture，EISA)总线、前端总线(Front Side BUS，FSB)、超传输(Hyper Transport，HT)互连、工业标准架构(Industrial Standard Architecture，ISA)总线、无限带宽互连、低引脚数(Low Pin Count，LPC)总线、存储器总线、微信道架构(MicroChannel Architecture，MCA)总线、外围控件互连(Peripheral Component Interconnect，PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial Advanced TechnologyAttachment，SATA)总线、视频电子标准协会局部(Video Electronics StandardsAssociation Local Bus，VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线804可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
在一个示例中，该车辆还可包括自动驾驶感知设备，自动驾驶感知设备可以通过总线与控制器801连接，自动驾驶感知设备可以包括超声波雷达、全景相机等传感器，传感器可以用于检测泊车终点位置以及与障碍物之间的距离等环境数据，并将环境数据发送给控制器801。其中，障碍物可以包括动态障碍物和静态障碍物。
在一个示例中，该车辆的收发器803还可以用于接收互联网或者车联网内的地图数据，并将地图数据发送给控制器801，该车辆还可以包括定位设备，定位设备可以用于确定车辆的地理位置，并将地理位置对应的地理位置数据发送给控制器801，使控制器801可以根据地理位置数据和地图数据，确定车辆与固定设置的静态障碍物之间的距离。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (15)

1.一种车辆控制方法，包括：
获取车辆的实时泊车数据，所述实时泊车数据包括实时位姿数据、实时控制数据和实时环境数据；
基于所述实时位姿数据和所述实时控制数据，构建泊车误差预测模型；
根据所述实时环境数据对所述泊车误差预测模型进行模型优化，得到控制增量数据；
根据所述实时控制数据和所述控制增量数据，计算得到目标控制数据，所述目标控制数据用于对所述车辆进行泊车控制。
2.根据权利要求1所述的方法，其中，所述基于所述实时位姿数据和所述实时控制数据，构建泊车误差预测模型，包括：
获取所述实时位姿数据对应的参考位姿数据；
利用获取的参考位姿数据、所述实时位姿数据和所述实时控制数据，构建所述车辆的动力学模型；
对所述动力学模型进行预定时域内的线性离散化处理，得到所述泊车误差预测模型。
3.根据权利要求2所述的方法，其中，所述利用获取的参考位姿数据、所述实时位姿数据和所述实时控制数据，构建所述车辆的动力学模型，包括：
计算所述实时位姿数据与所述获取的参考位姿数据之间的位姿误差数据；
根据所述位姿误差数据和所述实时控制数据，构建所述动力学模型。
4.根据权利要求2所述的方法，其中，所述获取车辆的实时泊车数据之前，所述方法还包括：
获取所述车辆的泊车起点位置和泊车终点位置；
基于所述泊车起点位置和所述泊车终点位置进行全局路径规划，得到车辆参考路径，所述车辆参考路径包括多个参考位姿数据。
5.根据权利要求1所述的方法，其中，所述实时位姿数据包括车辆实时位置和车辆实时偏航角。
6.根据权利要求1所述的方法，其中，所述根据所述实时环境数据对所述泊车误差预测模型进行模型优化，得到控制增量数据，包括：
根据所述实时环境数据，计算所述车辆在人工势场内所受的合力值；
根据所述合力值，构建带有障碍物约束的代价函数；
利用所述代价函数对所述泊车误差预测模型进行优化处理，得到所述控制增量数据。
7.根据权利要求6所述的方法，其中，所述实时环境数据包括所述车辆与泊车终点位置之间的第一实时距离和所述车辆与障碍物之间的第二实时距离。
8.根据权利要求7所述的方法，其中，所述根据所述实时环境数据，计算所述车辆在人工势场内所受的合力值，包括：
根据所述第一实时距离，计算所述车辆在所述人工势场内所受的引力；
根据所述第二实时距离，计算所述车辆在所述人工势场内所受的斥力；
根据所述引力与所述斥力，计算所述车辆在所述人工势场内所受的所述合力值。
9.根据权利要求6所述的方法，其中，所述利用所述代价函数对所述泊车误差预测模型进行优化处理，得到所述控制增量数据之前，所述方法还包括：
获取所述车辆的动力学约束条件；
其中，所述利用所述代价函数对所述泊车误差预测模型进行优化处理，得到所述控制增量数据，包括：
利用所述动力学约束条件和所述代价函数对所述泊车误差预测模型进行滚动优化处理，得到所述控制增量数据。
10.根据权利要求9所述的方法，其中，所述动力学约束条件包括加速度约束条件、加速度增量约束条件、转向角约束条件、转向角增量约束条件和质心侧边角约束条件。
11.根据权利要求6所述的方法，其中，所述利用所述代价函数对所述泊车误差预测模型进行优化处理，得到所述控制增量数据，包括：
利用所述代价函数对所述泊车误差预测模型进行优化处理，得到控制增量序列；
将所述控制增量序列中的首组控制增量作为所述控制增量数据。
12.根据权利要求1所述的方法，其中，所述根据所述实时控制数据和所述控制增量数据，计算得到目标控制数据，包括：
将所述实时控制数据与所述控制增量数据相加，得到所述目标控制数据。
13.根据权利要求1所述的方法，其中，所述实时控制数据包括实时加速度和实时转向角，所述控制增量数据包括加速度增量和转向角增量，所述目标控制数据包括目标加速度和目标转向角。
14.一种车辆控制装置，包括：
第一获取模块，用于获取车辆的实时泊车数据，所述实时泊车数据包括实时位姿数据、实时控制数据和实时环境数据；
第一处理模块，用于基于所述实时位姿数据和所述实时控制数据，构建泊车误差预测模型；
第一优化模块，用于根据所述实时环境数据对所述泊车误差预测模型进行模型优化，得到控制增量数据；
第一计算模块，用于根据所述实时控制数据和所述控制增量数据，计算得到目标控制数据，所述目标控制数据用于对所述车辆进行泊车控制。
15.一种车辆，包括：
控制器；
用于存储所述控制器可执行指令的存储器；
其中，所述控制器被配置为执行所述指令，以实现如权利要求1至13中任一项所述的车辆控制方法。
CN202011025441.9A 2020-09-25 2020-09-25 车辆控制方法、装置及车辆 Pending CN112092802A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011025441.9A CN112092802A (zh) 2020-09-25 2020-09-25 车辆控制方法、装置及车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011025441.9A CN112092802A (zh) 2020-09-25 2020-09-25 车辆控制方法、装置及车辆

Publications (1)

Publication Number Publication Date
CN112092802A true CN112092802A (zh) 2020-12-18

Family

ID=73755661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011025441.9A Pending CN112092802A (zh) 2020-09-25 2020-09-25 车辆控制方法、装置及车辆

Country Status (1)

Country Link
CN (1) CN112092802A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113135180A (zh) * 2021-05-27 2021-07-20 广州小鹏自动驾驶科技有限公司 一种车辆控制方法、装置、车辆和介质
CN115083199A (zh) * 2021-03-12 2022-09-20 上海汽车集团股份有限公司 一种车位信息确定方法及其相关设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109606354A (zh) * 2018-10-18 2019-04-12 同济大学 一种基于分层规划的自动泊车方法及辅助系统
US20190185013A1 (en) * 2017-12-18 2019-06-20 PlusAI Corp Method and system for ensemble vehicle control prediction in autonomous driving vehicles
CN110949374A (zh) * 2019-11-14 2020-04-03 江苏大学 基于两段二阶贝塞尔曲线的自动平行泊车路径规划方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190185013A1 (en) * 2017-12-18 2019-06-20 PlusAI Corp Method and system for ensemble vehicle control prediction in autonomous driving vehicles
CN109606354A (zh) * 2018-10-18 2019-04-12 同济大学 一种基于分层规划的自动泊车方法及辅助系统
CN110949374A (zh) * 2019-11-14 2020-04-03 江苏大学 基于两段二阶贝塞尔曲线的自动平行泊车路径规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘梓林 等: "基于非结构化环境点云稀疏表示的无人驾驶汽车局部路径规划方法", 《机械工程学报》 *
叶浩: "全自动泊车系统的车位智能识别与泊车路径跟踪控制", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 C035-165》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115083199A (zh) * 2021-03-12 2022-09-20 上海汽车集团股份有限公司 一种车位信息确定方法及其相关设备
CN115083199B (zh) * 2021-03-12 2024-02-27 上海汽车集团股份有限公司 一种车位信息确定方法及其相关设备
CN113135180A (zh) * 2021-05-27 2021-07-20 广州小鹏自动驾驶科技有限公司 一种车辆控制方法、装置、车辆和介质

Similar Documents

Publication Publication Date Title
CN109557925B (zh) 自动驾驶车辆障碍物避让方法及装置
JP6429217B2 (ja) 経路生成装置、経路生成方法、および経路生成プログラム
JP6432116B2 (ja) 車両位置特定装置、車両制御システム、車両位置特定方法、および車両位置特定プログラム
RU2645388C2 (ru) Устройство определения неправильного распознавания
CN111556833B (zh) 车辆控制装置及其控制方法和车辆控制系统
CN113267199B (zh) 行驶轨迹规划方法及装置
CN108688660B (zh) 运行范围确定装置
WO2018131090A1 (ja) 車両制御装置、車両制御方法、および車両制御プログラム
CN113978457B (zh) 一种碰撞风险预测方法及装置
JP6558214B2 (ja) 自動運転装置
US10857892B2 (en) Solar vehicle charging system and method
CN111402328B (zh) 一种基于激光里程计的位姿计算方法及装置
CN112092802A (zh) 车辆控制方法、装置及车辆
CN110632916B (zh) 行动预测装置以及自动驾驶装置
WO2021002219A1 (ja) 車両制御装置
CN112286049A (zh) 运动轨迹预测方法和装置
CN111208814A (zh) 用于自动车辆的、利用动态模型的、基于记忆的最优运动规划
WO2019187716A1 (ja) 駐車支援装置
CN110023781B (zh) 用于根据车辆周围环境的雷达签名确定车辆的准确位置的方法和设备
CN114586083B (zh) 信息处理装置、信息处理系统、信息处理方法和存储介质
EP3857327B1 (en) Implementation of dynamic cost function of self-driving vehicles
JP2022126341A (ja) 車両制御装置、車両制御方法、およびプログラム
Imameev et al. Modelling Autonomous Parallel Parking Procedure for Car-like Robot Avrora Unior in Gazebo Simulator
JP2021126951A (ja) 駐車支援装置および駐車支援方法
RU2790105C2 (ru) Способ и электронное устройство для управления беспилотным автомобилем

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201218