CN112212875A - 车辆掉头轨迹规划方法、装置、车辆及存储介质 - Google Patents
车辆掉头轨迹规划方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN112212875A CN112212875A CN201910631180.6A CN201910631180A CN112212875A CN 112212875 A CN112212875 A CN 112212875A CN 201910631180 A CN201910631180 A CN 201910631180A CN 112212875 A CN112212875 A CN 112212875A
- Authority
- CN
- China
- Prior art keywords
- turning
- track
- vehicle
- trajectory
- tracks
- 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
Links
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
- G01C21/26—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
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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
- G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明实施例中公开了一种车辆掉头轨迹规划方法、装置、车辆及存储介质,该车辆掉头轨迹规划方法包括:获取车辆的周围场景信息;基于周围场景信息计算车辆在掉头位置的多条掉头轨迹;判断多条掉头轨迹是否包括前进转弯轨迹;若多条掉头轨迹包括前进转弯轨迹,则将前进转弯轨迹作为车辆在掉头位置处的规划轨迹。本发明实施例中在现有轨迹规划时,使用单一规划方式,无法规划出有效的掉头路径的前提下,根据不同的周围场景信息规划出对应的多条掉头路径,在一定程度上提高了车辆掉头路径规划的成功率。而且,通过优先采用前进转弯轨迹作为车辆的掉头轨迹,使车辆不易与障碍物产生碰撞,提高了车辆掉头的效率,使车辆更加顺利的完成掉头任务。
Description
技术领域
本申请涉及无人驾驶技术领域,具体涉及一种车辆掉头轨迹规划方法、装置、车辆及存储介质。
背景技术
无人驾驶车辆是一种集自动控制、视觉计算、体系结构等众多技术于一体的智能汽车,在民用及军用等众多领域中有着广阔的应用前景。无人驾驶车辆的路径规划系统会根据车辆的周围场景信息生成行驶轨迹,从而使车辆能够精确跟踪,确保车辆行驶安全。
但是,当车辆的周围场景信息不同时,车辆在掉头位置处的道路结构也存在区别,现有的路径规划系统使用单一规划路径的方式,无法根据不同的道路结构规划出有效的掉头路径。
发明内容
本申请提供一种车辆掉头轨迹规划方法、装置、车辆及存储介质,旨在提高车辆掉头路径规划的成功率,使车辆更加顺利的完成掉头任务。
为解决上述问题,第一方面,本申请提供一种车辆掉头轨迹规划方法,所述方法包括:
获取车辆的周围场景信息;
基于所述周围场景信息计算车辆在掉头位置的多条掉头轨迹;
判断所述多条掉头轨迹是否包括前进转弯轨迹;
若所述多条掉头轨迹包括前进转弯轨迹,则将所述前进转弯轨迹作为车辆在所述掉头位置处的规划轨迹。
在本申请一些实施例中,所述方法还包括:
判断所述多条掉头轨迹是否包括后退掉头轨迹;
若所述多条掉头轨迹包括后退掉头轨迹,且不包括前进转弯轨迹,则将所述后退掉头轨迹作为车辆在所述掉头位置处的规划轨迹。
在本申请一些实施例中,所述方法还包括:
若所述多条掉头轨迹不包括后退掉头轨迹,且不包括前进转弯轨迹,则生成第一停车轨迹;
将所述第一停车轨迹作为车辆在所述掉头位置处的规划轨迹。
在本申请一些实施例中,所述基于所述周围场景信息计算车辆在掉头位置的多条掉头轨迹,包括:
利用网格算法生成Lattice轨迹或利用最大期望算法生成EM轨迹;
利用混合A星算法生成的混合A星轨迹或利用时间弹性带算法生成TEB轨迹。
在本申请一些实施例中,所述判断所述多条掉头轨迹是否包括前进转弯轨迹包括:
判断所述Lattice轨迹或所述EM轨迹是否生成成功;
若所述Lattice轨迹或所述EM轨迹生成成功,则确定所述多条掉头轨迹包括前进转弯轨迹。
在本申请一些实施例中,所述判断所述多条掉头轨迹是否包括后退掉头轨迹包括:
判断所述混合A星轨迹或所述TEB轨迹是否生成成功;
若所述混合A星轨迹或所述TEB轨迹生成成功,则确定所述多条掉头轨迹包括后退掉头轨迹。
在本申请一些实施例中,所述方法还包括:
在确定所述车辆在所述掉头位置处的规划轨迹后,获取与所述规划轨迹相邻的临近轨迹;
判断所述临近轨迹与所述规划轨迹类型是否相同;
若所述临近轨迹与所述规划轨迹类型不同,且所述临近轨迹为非停车轨迹时,则生成第二停车轨迹;
将所述第二停车轨迹插入所述临近轨迹与所述规划轨迹之间。
在本申请一些实施例中,所述获取与所述规划轨迹相邻的临近轨迹包括:
获取所述规划轨迹预设距离范围内的轨迹集合;
在所述轨迹集合中选择位于所述规划轨迹之前的轨迹,作为所述临近轨迹。
第二方面,本申请提供一种车辆掉头轨迹规划装置,包括:
获取模块,用于获取车辆的周围场景信息;
计算模块,用于基于所述周围场景信息计算车辆在掉头位置的多条掉头轨迹;
轨迹判断模块,用于判断所述多条掉头轨迹是否包括前进转弯轨迹;
轨迹切换模块,用于若所述多条掉头轨迹包括前进转弯轨迹,则将所述前进转弯轨迹作为车辆在掉头位置处的规划轨迹。
在本申请一些实施例中,所述轨迹判断模块还用于判断所述多条掉头轨迹是否包括后退掉头轨迹;
轨迹切换模块还用于若所述多条掉头轨迹包括后退掉头轨迹,且不包括前进转弯轨迹,则将所述后退掉头轨迹作为车辆在所述掉头位置处的规划轨迹。
在本申请一些实施例中,所述车辆掉头轨迹规划装置还包括:
第一停车模块,用于若所述多条掉头轨迹不包括后退掉头轨迹,且不包括前进转弯轨迹,则生成第一停车轨迹,并将所述第一停车轨迹作为车辆在所述掉头位置处的规划轨迹。
在本申请一些实施例中,所述计算模块包括:
第一子计算模块,用于利用网格算法生成Lattice轨迹或利用最大期望算法生成EM轨迹;
第二子计算模块,用于利用混合A星算法生成的混合A星轨迹或利用时间弹性带算法生成TEB轨迹。
在本申请一些实施例中,所述轨迹判断模块包括第一子判断模块,所述第一子判断模块用于判断所述Lattice轨迹或所述EM轨迹是否生成成功;若所述Lattice轨迹或所述EM轨迹生成成功,则确定所述多条掉头轨迹包括前进转弯轨迹。
在本申请一些实施例中,所述轨迹判断模块包括第二子判断模块,所述第二子判断模块用于判断所述混合A星轨迹或所述TEB轨迹是否生成成功;若所述混合A星轨迹或所述TEB轨迹生成成功,则确定所述多条掉头轨迹包括后退掉头轨迹。
在本申请一些实施例中,所述车辆掉头轨迹规划装置还包括:
轨迹获取模块,用于在确定所述车辆在所述掉头位置处的规划轨迹后,获取与所述规划轨迹相邻的临近轨迹;
轨迹类型判断模块,用于判断所述临近轨迹与所述规划轨迹类型是否相同;
第二停车模块,用于若所述临近轨迹与所述规划轨迹类型不同,且所述临近轨迹为非停车轨迹时,则生成第二停车轨迹,并将所述第二停车轨迹插入所述临近轨迹与所述规划轨迹之间。
在本申请一些实施例中,所述轨迹获取模块用于获取所述规划轨迹预设距离范围内的轨迹集合;在所述轨迹集合中选择位于所述规划轨迹之前的轨迹,作为所述临近轨迹。
第三方面,本申请提供一种车辆,包括如上所述的车辆掉头轨迹规划装置,该车辆掉头轨迹规划装置包括:
获取模块,用于获取车辆的周围场景信息;
计算模块,用于基于所述周围场景信息计算车辆在掉头位置的多条掉头轨迹;
轨迹判断模块,用于判断所述多条掉头轨迹是否包括前进转弯轨迹;
轨迹切换模块,用于若所述多条掉头轨迹包括前进转弯轨迹,则将所述前进转弯轨迹作为车辆在掉头位置处的规划轨迹。
第四方面,本申请提供一种车辆,所述车辆包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行以实现如第一方面所述的车辆掉头轨迹规划方法。
第五方面,本申请提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行第一方面中任一项所述的车辆掉头轨迹规划方法。
本发明实施例中的车辆掉头轨迹规划方法在获取车辆的周围场景信息后,基于该周围场景信息和轨迹算法计算车辆在掉头位置的掉头轨迹,如果掉头轨迹包括前进转弯轨迹,则将该前进转弯轨迹作为车辆在掉头位置处的规划轨迹;如果掉头轨迹包括后退掉头轨迹,不包括前进转弯轨迹,则将后退掉头轨迹作为车辆在掉头位置处的规划轨迹。本发明实施例中在现有轨迹规划时,使用单一规划方式,无法规划出有效的掉头路径的前提下,根据不同的周围场景信息规划出对应的多条掉头路径,由于多条掉头路径的规划,给车辆在掉头位置提供了多种路径选择,在一定程度上提高了车辆掉头路径规划的成功率。而且,通过优先采用前进转弯轨迹作为车辆的掉头轨迹,使车辆不易与障碍物产生碰撞,提高了车辆掉头的效率,使车辆更加顺利的完成掉头任务。
附图说明
为了更清楚地说明本申请中的技术方案,下面将对实施例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申请的一些实施例,对于本领域技术人员来讲,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是本申请提供的车辆掉头轨迹规划方法一个实施例流程图;
图2是本申请提供的判断多条掉头轨迹是否包括前进转弯轨迹的一个实施例流程图;
图3是本申请提供的车辆掉头轨迹规划方法另一个实施例流程图;
图4是本申请提供的判断多条掉头轨迹是否包括后退掉头轨迹的一个实施例流程图;
图5是本申请提供的插入第二停车轨迹的一个实施例流程图;
图6是本申请提供的确认临近轨迹类型的一个实施例流程图;
图7是本申请提供的车辆掉头轨迹规划装置一个实施例结构示意图;
图8是本申请提供的车辆的一个实施例结构示意图。
具体实施方式
下面将结合本申请中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请中,“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本申请,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本申请。在其它实例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本申请的描述变得晦涩。因此,本申请并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。
本发明实施例提供一种车辆掉头轨迹规划方法、装置、车辆及存储介质,以下分别进行详细说明。
首先,本发明实施例中提供一种车辆掉头轨迹规划方法,该车辆掉头轨迹规划方法包括:获取车辆的周围场景信息;基于所述周围场景信息计算车辆在掉头位置的多条掉头轨迹;判断所述多条掉头轨迹是否包括前进转弯轨迹;若所述多条掉头轨迹包括前进转弯轨迹,则将所述前进转弯轨迹作为车辆在所述掉头位置处的规划轨迹。
如图1所示,为本发明实施例中提供的车辆掉头轨迹规划方法的一个实施例的流程示意图,该车辆掉头轨迹规划方法的执行主体可以是本发明实施例提供的车辆掉头轨迹规划装置,或者集成了该车辆掉头轨迹规划装置的车辆、存储介质、车辆等等。其中,车辆可以为无人配送车、无人叉车、无人驾驶汽车等等。
如图1所示,本发明实施例一实施例的车辆掉头轨迹规划方法包括步骤101至步骤104,详细说明如下:
101、获取车辆的周围场景信息。
具体的,车辆的周围场景信息可以包括车辆的状态信息、车辆附近的道路结构信息和车辆的交通场景信息。车辆的状态信息可以包括车辆的位置信息、速度信息、加速度和朝向信息等;车辆附近的道路结构信息可以包括车辆附近道路上的车道、隔离带、路肩、路口等;车辆的交通场景信息可以包括车辆周围存在的其它车辆、行人等。
其中,车辆的状态信息和车辆的交通场景信息可以通过车辆上或道路上的激光雷达、毫米波雷达、摄像头和全球定位测量仪等传感器测量获得。车辆附近的道路结构信息可以从高精度地图中获得,例如,车辆附近的道路结构信息可以从Apollo高精度地图、Google高精度地图等获得。
102、基于所述周围场景信息计算车辆在掉头位置的多条掉头轨迹。
在本发明实施例中,车辆的掉头位置可以根据车辆的行车路径确定。在获取车辆在掉头位置处的周围场景信息之后,可以基于掉头位置处的周围场景信息计算车辆在掉头位置的多条掉头轨迹。该掉头轨迹可以包括车辆在掉头位置处的行驶路径、车辆在掉头位置处各位置点上的行驶速度等。
其中,多条掉头轨迹可以采用不同的轨迹计算方法计算得到。在本发明一些实施例中,可以利用网格(Lattice)算法生成Lattice轨迹。下面以网格(Lattice)算法生成的Lattice轨迹为例对计算车辆在掉头位置的掉头轨迹进行说明:
首先,网格(Lattice)算法在Frenet坐标系内基于s-t(纵向偏移量-时间)坐标系下生成下列多项式(1):
s(t0)=αs0+αs1t0+αs2t0 2+αs3t0 3+αs4t0 4+αs5t0 5; (1)
其中,s(t0)表示车辆的纵向偏移量,t0表示时间,αs0-αs5根据车辆的初始条件和最终条件计算得到,αs0-αs5在本发明一个具体实施例中的计算方式如下:
已知s0=[s0,s0',s0”],se=[se,se',se”]和t0,te,其中,s0、s0'和s0”分别表示车辆初始朝向在frenet坐标系的纵向偏移方向的位置,速度,加速度;se、se'和se”分别表示车辆最终朝向在frenet坐标系的纵向偏移方向的位置,速度,加速度;t0表示初始时间;te表示最终时间。将上述各已知量带入多项式1得到下列方程组:
s0=αs0+αs1t0+αs2t0 2+αs3t0 3+αs4t0 4+αs5t0 5;
s0'=αs1+2αs2t0+3αs3t0 2+4αs4t0 3+5αs5t0 4;
s0”=2αs2+6αs3t0+12αs4t0 2+20αs5t0 3;
se=αs0+αs1te+αs2te 2+αs3te 3+αs4te 4+αs5te 5;
se'=αs1+2αs2te+3αs3te 2+4αs4te 3+5αs5te 4;
se”=2αs2+6αs3te+12αs4te 2+20αs5te 3;
通过解上述方程组,得到αs0-αs5的值。
并在d-s(横向偏移量-纵向偏移量)坐标系下生成下列多项式(2):
d(s0)=αd0+αd1s0+αd2s0 2+αd3s0 3+αd4s0 4+αd5s0 5; (2)
其中,d(s0)表示车辆的横向偏移量,s0表示车辆的纵向偏移量,αd0-αd5根据车辆的初始条件和最终条件计算得到,αd0-αd5在本发明一个具体实施例中的计算方式如下:
已知d0=[d0,d0',d0”],de=[de,de',de”]和s0,se,其中,d0、d0'和d0”分别表示车辆初始朝向在frenet坐标系的横向偏移方向的位置,速度,加速度;de、de'和de”分别表示车辆最终朝向在frenet坐标系的横向偏移方向的位置,速度,加速度;s0表示车辆初始朝向在frenet坐标系的纵向偏移方向的位置;se表示车辆最终朝向在frenet坐标系的纵向偏移方向的位置。将上述各已知量带入多项式(2)得到下列方程组:
d0=αd0+αd1s0+αd2s0 2+αd3s0 3+αd4s0 4+αd5s0 5;
d0'=αd1+2αd2s0+3αd3s0 2+4αd4s0 3+5αd5s0 4;
d0”=2αd2+6αd3s0+12αd4s0 2+20αd5s0 3;
de=αd0+αd1se+αd2se 2+αd3se 3+αd4se 4+αd5se 5;
de'=αd1+2αd2se+3αd3se 2+4αd4se 3+5αd5se 4;
de”=2αd2+6αd3se+12αd4se 2+20αd5se 3;
通过解上述方程组,得到αd0–αd5的值。
然后将多项式(1)和多项式(2)经过坐标变换后得到笛卡尔坐标系下的Lattice轨迹,具体转换公式可以如下:
x(t0)=rx-sin(theta_r)*d(s0);
y(t0)=ry+cos(theta_r)*d(s0)。
其中,x(t0)表示车辆在t0时刻的横坐标,y(t0)表示车辆在t0时刻的纵坐标,rx表示当前Frenet坐标系原点在笛卡尔坐标系的x坐标值,ry表示当前Frenet坐标系原点在笛卡尔坐标系y坐标值,theta_r表示当前Frenet坐标系原点在笛卡尔坐标系的偏航角。
在本发明一些实施例中,可以利用最大期望(Expectation-Maximizationalgorithm,EM)算法生成EM轨迹。通过EM算法计算生成EM轨迹主要是在地图上进行机动撒点,然后通过预设的代价函数(cost function)一层一层的进行动态规划,从而对问题进行了有效的简化,最后再通过平滑的曲线连接各层采样点得到最终的EM轨迹。
最大期望算法(Expectation-Maximization algorithm,EM),是一类通过迭代进行极大似然估计(Maximum Likelihood Estimation,MLE)的优化算法,通常作为牛顿迭代法(Newton-Raphson method)的替代用于对包含隐变量(latent variable)或缺失数据(incomplete-data)的概率模型进行参数估计。EM算法的标准计算框架由E步(Expectation-step)和M步(Maximization step)交替组成,算法的收敛性可以确保迭代至少逼近局部极大值。EM算法是MM算法(Minorize-Maximization algorithm)的特例之一,有多个改进版本,包括使用了贝叶斯推断的EM算法、EM梯度算法、广义EM算法等。本发明实施例中EM算法可以是贝叶斯推断的EM算法、EM梯度算法、广义EM算法等,具体此处不作限定。
在本发明一些实施例中,可以利用混合A星(Hybrid-Astar)算法生成的混合A星轨迹。混合A星算法是启发式搜索算法之一,其在检查最短路径中每个可能的节点时引入了全局信息,对当前节点距终点的距离做出估计,并作为评价该节点处于最短路线上的可能性的量度,并最终获得混合A星轨迹。
在本发明一些实施例中,可以利用时间弹性带(TEB)算法生成TEB轨迹。TEB算法是起始点、目标点状态由用户/全局规划器指定,中间插入N个控制橡皮筋形状的控制点(车辆姿态),点与点之间定义运动时间Time,之后求解目标函数,得到TEB轨迹的算法。
在一个具体实施例中,利用网格(Lattice)算法生成的Lattice轨迹,以及利用最大期望算法(Expectation-Maximization algorithm,EM)生成的EM轨迹为前进转弯轨迹,车辆沿着该前进转弯轨迹向前行驶并通过旋转方向盘以实现掉头。而利用混合A星(Hybrid_Astar)算法生成的混合A星轨迹,以及利用TEB算法生成的TEB轨迹为后退掉头轨迹,车辆沿着后退掉头轨迹直接后退,或者,前进与后退交替进行以实现掉头。
需要说明的是,利用网格算法、EM算法、混合A星算法及TEB算法计算生成车辆轨迹为现有技术中常用的轨迹计算方法,此处不再赘述。另外,上面以网格(Lattice)算法和混合A星(Hybrid_Astar)算法举例描述生成前进转弯轨迹或后退掉头轨迹的具体过程,可以理解的是,在本发明其他实施例中,也可以采用其它已出现或未来新出现的轨迹规划算法,计算生成前进转弯轨迹或后退掉头轨迹,具体此处不作限定。
103、判断所述多条掉头轨迹是否包括前进转弯轨迹。
在一实施例中,当计算出车辆在掉头位置的多条掉头轨迹后,可以依次对多条轨迹的类型进行检测,以判断多条掉头轨迹中是否包含有前进转弯轨迹。
如图2所示,步骤103中判断所述多条掉头轨迹是否包括前进转弯轨迹具体可包括如下步骤:
1031、判断所述Lattice轨迹或所述EM轨迹是否生成成功。
在一实施例中,通过判断网格算法或最大期望算法是否顺利计算完毕,若通过网格算法或最大期望算法对车辆的路径进行计算的过程未出现故障,则可以判断出成功生成Lattice轨迹或EM轨迹。
1032、若所述Lattice轨迹或所述EM轨迹生成成功,则确定所述多条掉头轨迹包括前进转弯轨迹。
由于Lattice轨迹和EM轨迹属于前进转弯轨迹,因此,若Lattice轨迹和EM轨迹生成成功,也即说明前进转弯轨迹生成成功,多条掉头轨迹中包括有前进转弯轨迹。
104、若所述多条掉头轨迹包括前进转弯轨迹,则将所述前进转弯轨迹作为车辆在所述掉头位置处的规划轨迹。
在本发明实施例中,如果多条掉头轨迹中包括有前进转弯轨迹,则可以将该前进转弯轨迹作为车辆在掉头位置处的规划轨迹,使车辆在掉头位置处按照该前进转弯轨迹行驶以实现掉头。由此,根据不同的周围场景信息规划出对应的多种掉头路径,由于多条掉头路径的规划,给车辆在掉头位置提供了多种路径选择,在一定程度上提高了车辆掉头路径规划的成功率。而且,前进转弯轨迹更符合车辆模型,通过优先采用前进转弯轨迹作为车辆的掉头轨迹,车辆不易与障碍物产生碰撞,提高了车辆掉头的效率,使车辆更加顺利的完成掉头任务。
在本发明一些实施例中,在图1所示实施例的基础上,如图3所示,本发明实施例中车辆掉头轨迹规划方法还可以包括步骤105和步骤106,具体说明如下:
105、判断所述多条掉头轨迹是否包括后退掉头轨迹。
在本发明实施例中,当计算出车辆在掉头位置的多条掉头轨迹后,可以依次对多条轨迹的类型进行检测,以判断多条掉头轨迹中是否包含有后退掉头轨迹。
其中,如图4所示,步骤105中所述判断所述多条掉头轨迹是否包括后退掉头轨迹可以具体包括如下步骤:
1051、判断所述混合A星轨迹或所述TEB轨迹是否生成成功。
在一实施例中,通过判断混合A星算法或时间弹性带算法是否顺利计算完毕,若通过混合A星算法或时间弹性带算法对车辆的路径进行计算的过程未出现故障,则可以判断出成功生成混合A星轨迹或所述TEB轨迹。
1052、若所述混合A星轨迹或所述TEB轨迹生成成功,则确定所述多条掉头轨迹包括后退掉头轨迹。
在本发明实施例中,由于混合A星轨迹或TEB轨迹属于后退掉头轨迹,因此,若混合A星轨迹或所述TEB轨迹生成成功,也即说明后退掉头轨迹生成成功,多条掉头轨迹中包括有后退掉头轨迹。
106、若所述多条掉头轨迹包括后退掉头轨迹,且不包括前进转弯轨迹,则将所述后退掉头轨迹作为车辆在所述掉头位置处的规划轨迹。
在本发明实施例中,如果多条掉头轨迹中包括有后退掉头轨迹,且不包括前进转弯轨迹,说明车辆无法直接通过前进转弯的方式实现掉头,但能通过直接后退,或者,前进后退交替进行以实现掉头。此时,通过混合A星算法或时间弹性带等算法能够在狭窄空间内顺利生成后退掉头轨迹,并将该后退掉头轨迹作为车辆在掉头位置处的规划轨迹,使车辆在掉头位置处沿后退掉头轨迹行驶以实现掉头。
需要说明的是,在进行车辆掉头轨迹规划时,可以同时采用多种轨迹算法进行计算对前进转弯轨迹和后退掉头轨迹进行计算。也可以先采用网格算法或最大期望算法等计算前进转弯轨迹,在前进转弯轨迹计算失败时,再采用混合A星算法或时间弹性带算法等计算后退掉头轨迹。
在本发明一些实施例中,在图2所示实施例的基础上,如图3所示,本发明实施例中车辆掉头轨迹规划方法还可以进一步包括步骤107和步骤108,具体说明如下:
107、若所述多条掉头轨迹不包括后退掉头轨迹,且不包括前进转弯轨迹,则生成第一停车轨迹。
在本发明一些实施例中,车辆在掉头位置处受到道路结构或车辆周围存在的其它车辆、行人等障碍物的影响,可能无法通过算法生成前进转弯轨迹或后退掉头轨迹,也即车辆无法实现掉头。此时,可以生成第一停车轨迹,车辆沿该第一停车轨迹可以实现减速停车。
108、将所述第一停车轨迹作为车辆在所述掉头位置处的规划轨迹。
由于车辆在掉头位置处无法实现掉头,因此,将第一停车轨迹作为车辆在掉头位置处的规划轨迹,使车辆行驶到掉头位置后沿着第一停车轨迹减速停车,以保证车辆的安全,避免车辆与道路上的障碍物发生碰撞。
在本发明一些实施例中,如图5所示,车辆掉头轨迹规划方法还可以包括如下步骤:
109、在确定所述车辆在所述掉头位置处的规划轨迹后,获取与所述规划轨迹相邻的临近轨迹。
在本发明实施例中,根据不同的周围场景信息,车辆在掉头位置处生成的轨迹可能为前进转弯轨迹、后退掉头轨迹或第一停车轨迹,此三种轨迹的优先级逐渐降低,当将三种轨迹中的一种作为车辆在掉头位置处的规划轨迹后,可以获取与车辆掉头位置相邻的临近路段的行驶轨迹作为临近轨迹。临近路段是指车辆在进入掉头位置之前所行驶的路段,或者,车辆在离开掉头位置之后所行驶的路段。
110、判断所述临近轨迹与所述规划轨迹类型是否相同。
在本发明实施例中,在确定车辆在掉头位置处的规划轨迹及临近路段处的临近轨迹后,可以分别确定规划轨迹和临近轨迹是通过何种轨迹算法计算得到的,当规划轨迹和临近轨迹是通过同一种轨迹算法计算得到时,则判断规划轨迹和临近轨迹的类型相同,否则,判断规划轨迹和临近轨迹的类型不同。
具体例如:当车辆在掉头位置处的规划轨迹及临近路段处的临近轨迹均是通过网格算法计算得到时,则判断临近轨迹与规划轨迹类型相同;当车辆在掉头位置处的规划轨迹通过网格算法计算得到,而车辆在临近路段处的临近轨迹是通过最大期望算法或其它轨迹算法计算得到时,则判断临近轨迹与规划轨迹类型不同。
111,若所述临近轨迹与所述规划轨迹类型不同,且所述临近轨迹为非停车轨迹时,则生成第二停车轨迹。
在本发明实施例中,临近轨迹为非停车轨迹是指车辆在沿规划轨迹掉头之前或之后处于行驶状态。此时,可以生成第二停车轨迹,车辆沿该第二停车轨迹可以实现减速停车。
112,将所述第二停车轨迹插入所述临近轨迹与所述规划轨迹之间。
具体的,若临近轨迹与规划轨迹类型不同,且临近轨迹为非停车轨迹时,说明车辆在沿着临近轨迹与规划轨迹组成的行驶轨迹行驶过程中,车辆会在保持行驶的状态下进行临近轨迹与规划轨迹的切换,这样容易导致车辆行驶不稳定。而通过将第二停车轨迹插入到临近轨迹和规划轨迹之间,使车辆在临近轨迹与规划轨迹之间进行切换时先减速停车,从而使车辆行驶更加稳定。
当然,若临近轨迹与规划轨迹类型相同,或者,临近轨迹为停车轨迹,则车辆在临近轨迹与规划轨迹进行切换时行驶比较顺畅,无需生成并插入第二停车轨迹。
其中,在本发明一些实施例中,如图6所示,步骤109中所述获取与所述规划轨迹相邻的临近轨迹可以进一步包括:
1091、获取所述规划轨迹预设距离范围内的轨迹集合。
在本发明实施例中,在对车辆的轨迹进行规划的过程中,除了通过轨迹算法计算车辆在掉头位置处的轨迹,还会计算车辆在其它路段的行驶轨迹,通过将不同路段处的行驶轨迹组合在一起,可以规划出车辆从起点到终点的完整行驶轨迹。通过获取与车辆掉头位置相临近的一条或多条路段所对应的行驶轨迹,即可获取规划轨迹预设距离范围内的轨迹集合。
其中,轨迹集合中的行驶轨迹所对应的路段可以是车辆进入到掉头位置处之前所行驶的路段上行驶轨迹,也可以是车辆离开掉头位置处之后所行驶的路段上的行驶轨迹。
1092、在所述轨迹集合中选择位于所述规划轨迹之前的轨迹,作为所述临近轨迹。
在本发明实施例中,选取轨迹集合中选择位于规划轨迹之前的轨迹作为临近轨迹,也即将车辆进入掉头位置之前所行驶的路段上的行驶轨迹作为临近轨迹,当该临近轨迹与规划轨迹类型不同时,通过在临近轨迹与规划轨迹之间插入第二停车轨迹,能够使车辆更加顺畅的行驶至掉头位置处,顺利的完成掉头任务。
为了更好实施本发明实施例中车辆掉头轨迹规划方法,在车辆掉头轨迹规划方法基础之上,本发明实施例中还提供一种车辆掉头轨迹规划装置700,如图7所示,该车辆掉头轨迹规划装置700包括获取模块710、计算模块720、轨迹判断模块730和轨迹切换模块740,其中,获取模块710用于获取车辆的周围场景信息;计算模块720用于基于所述周围场景信息计算车辆在掉头位置的多条掉头轨迹;轨迹判断模块730用于判断所述多条掉头轨迹是否包括前进转弯轨迹;轨迹切换模块740用于若所述掉头轨迹包括前进转弯轨迹,则将所述前进转弯轨迹作为车辆在掉头位置处的规划轨迹。
在本发明一些实施例中,所述轨迹判断模块730还用于判断所述多条掉头轨迹是否包括后退掉头轨迹;
所述轨迹切换模块740还用于若所述多条掉头轨迹包括后退掉头轨迹,且不包括前进转弯轨迹,则将所述后退掉头轨迹作为车辆在所述掉头位置处的规划轨迹。
在本发明一些实施例中,所述车辆掉头轨迹规划装置700还包括:
第一停车模块,用于若所述多条掉头轨迹不包括后退掉头轨迹,且不包括前进转弯轨迹,则生成第一停车轨迹,并将所述第一停车轨迹作为车辆在所述掉头位置处的规划轨迹。
在本发明一些实施例中,计算模块720包括第一子计算模块和第二子计算模块,第一子计算模块用于利用网格算法生成Lattice轨迹或利用最大期望算法生成EM轨迹;第二子计算模块用于利用混合A星算法生成的混合A星轨迹或利用时间弹性带算法生成TEB轨迹。
在本发明一些实施例中,轨迹判断模块730包括第一子判断模块,所述第一子判断模块用于判断所述Lattice轨迹或所述EM轨迹是否生成成功;若所述Lattice轨迹或所述EM轨迹生成成功,则确定所述多条掉头轨迹包括前进转弯轨迹。
在本发明一些实施例中,所述轨迹判断模块730包括第二子判断模块,所述第二子判断模块用于判断所述混合A星轨迹或所述TEB轨迹是否生成成功;若所述混合A星轨迹或所述TEB轨迹生成成功,则确定所述多条掉头轨迹包括后退掉头轨迹。
在本发明一些实施例中,所述车辆掉头轨迹规划装置700还包括:
轨迹获取模块,用于在确定所述车辆在所述掉头位置处的规划轨迹后,获取与所述规划轨迹相邻的临近轨迹;
轨迹类型判断模块,用于判断所述临近轨迹与所述规划轨迹类型是否相同;
第二停车模块,用于若所述临近轨迹与所述规划轨迹类型不同,且所述临近轨迹为非停车轨迹时,则生成第二停车轨迹,并将所述第二停车轨迹插入所述临近轨迹与所述规划轨迹之间。
在本发明一些实施例中,所述轨迹获取模块用于获取所述规划轨迹预设距离范围内的轨迹集合;在所述轨迹集合中选择位于所述规划轨迹之前的轨迹,作为所述临近轨迹。
本发明实施例还提供一种车辆,该车辆包括如上所述的车辆掉头轨迹规划装置700,该车辆掉头轨迹规划装置700包括:
获取模块710,用于获取车辆的周围场景信息;
计算模块720,用于基于所述周围场景信息计算车辆在掉头位置的多条掉头轨迹;
轨迹判断模块730,用于判断所述多条掉头轨迹是否包括前进转弯轨迹;
轨迹切换模块740,用于若所述掉头轨迹包括前进转弯轨迹,则将所述前进转弯轨迹作为车辆在掉头位置处的规划轨迹。
本发明实施例还提供一种车辆,其集成了本发明实施例所提供的任一种车辆掉头轨迹规划装置700,所述车辆包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行上述车辆掉头轨迹规划方法实施例中任一实施例中所述的车辆掉头轨迹规划方法中的步骤。
本发明实施例还提供一种车辆,其集成了本发明实施例所提供的任一种车辆掉头轨迹规划装置700,该车辆掉头轨迹规划装置700可以集成在车辆的控制模块中。如图8所示,其示出了本发明实施例所涉及的车辆一个实施例结构示意图,具体来讲:
该车辆可以包括一个或者一个以上处理核心的处理器801、一个或一个以上计算机可读存储介质的存储器802、电源803和输入单元804等部件。本领域技术人员可以理解,图8中示出的车辆结构并不构成对车辆的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器801是该车辆的控制中心,利用各种接口和线路连接整个车辆的各个部分,通过运行或执行存储在存储器802内的软件程序和/或模块,以及调用存储在存储器802内的数据,执行车辆的各种功能和处理数据,从而对车辆进行整体监控。可选的,处理器801可包括一个或多个处理核心;优选的,处理器801可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器801中。
存储器802可用于存储软件程序以及模块,处理器801通过运行存储在存储器502的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器802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(比如声音播放功能、图像播放功能、车辆轨迹规划功能等);存储数据区可存储根据车辆的使用所创建的数据等。此外,存储器802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、或其他易失性固态存储器件。相应地,存储器802还可以包括存储器控制器,以提供处理器801对存储器802的访问。
车辆还包括给各个部件供电的电源803,优选的,电源803可以通过电源管理系统与处理器801逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源803还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该车辆还可包括输入单元804,该输入单元804可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,车辆还可以包括显示单元等,在此不再赘述。具体在本实施例中,车辆中的处理器801会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器802中,并由处理器801来运行存储在存储器802中的应用程序,从而实现各种功能,如下:
获取车辆的周围场景信息;
基于所述周围场景信息计算车辆在掉头位置的多条掉头轨迹;
判断所述多条掉头轨迹是否包括前进转弯轨迹;
若所述多条掉头轨迹包括前进转弯轨迹,则将所述前进转弯轨迹作为车辆在所述掉头位置处的规划轨迹。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本发明实施例提供一种存储介质,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。该存储介质中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的任一种车辆掉头轨迹规划方法中的步骤。例如,该指令可以执行如下步骤:
获取车辆的周围场景信息;
基于所述周围场景信息计算车辆在掉头位置的多条掉头轨迹;
判断所述多条掉头轨迹是否包括前进转弯轨迹;
若所述多条掉头轨迹包括前进转弯轨迹,则将所述前进转弯轨迹作为车辆在所述掉头位置处的规划轨迹。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见上文针对其他实施例的详细描述,此处不再赘述。
具体实施时,以上各个单元或结构可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元或结构的具体实施可参见前面的方法实施例,在此不再赘述。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
以上对本申请所提供的一种车辆掉头轨迹规划方法、装置、车辆及存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (14)
1.一种车辆掉头轨迹规划装置,其特征在于,所述车辆掉头轨迹规划装置包括:
获取模块,用于获取车辆的周围场景信息;
计算模块,用于基于所述周围场景信息计算车辆在掉头位置的多条掉头轨迹;
轨迹判断模块,用于判断所述多条掉头轨迹是否包括前进转弯轨迹;
轨迹切换模块,用于若所述多条掉头轨迹包括前进转弯轨迹,则将所述前进转弯轨迹作为车辆在掉头位置处的规划轨迹。
2.根据权利要求1所述的车辆掉头轨迹规划装置,其特征在于,所述轨迹判断模块还用于判断所述多条掉头轨迹是否包括后退掉头轨迹;
轨迹切换模块还用于若所述多条掉头轨迹包括后退掉头轨迹,且不包括前进转弯轨迹,则将所述后退掉头轨迹作为车辆在所述掉头位置处的规划轨迹。
3.根据权利要求2所述的车辆掉头轨迹规划装置,其特征在于,所述车辆掉头轨迹规划装置还包括:
第一停车模块,用于若所述多条掉头轨迹不包括后退掉头轨迹,且不包括前进转弯轨迹,则生成第一停车轨迹,并将所述第一停车轨迹作为车辆在所述掉头位置处的规划轨迹。
4.根据权利要求1至3中任意一项所述的车辆掉头轨迹规划装置,其特征在于,所述车辆掉头轨迹规划装置还包括:
轨迹获取模块,用于在确定所述车辆在所述掉头位置处的规划轨迹后,获取与所述规划轨迹相邻的临近轨迹;
轨迹类型判断模块,用于判断所述临近轨迹与所述规划轨迹类型是否相同;
第二停车模块,用于若所述临近轨迹与所述规划轨迹类型不同,且所述临近轨迹为非停车轨迹时,则生成第二停车轨迹,并将所述第二停车轨迹插入所述临近轨迹与所述规划轨迹之间。
5.一种车辆掉头轨迹规划方法,其特征在于,所述车辆掉头轨迹规划方法包括:
获取车辆的周围场景信息;
基于所述周围场景信息计算车辆在掉头位置的多条掉头轨迹;
判断所述多条掉头轨迹是否包括前进转弯轨迹;
若所述多条掉头轨迹包括前进转弯轨迹,则将所述前进转弯轨迹作为车辆在所述掉头位置处的规划轨迹。
6.根据权利要求5所述的车辆掉头轨迹规划方法,其特征在于,所述方法还包括:
判断所述多条掉头轨迹是否包括后退掉头轨迹;
若所述多条掉头轨迹包括后退掉头轨迹,且不包括前进转弯轨迹,则将所述后退掉头轨迹作为车辆在所述掉头位置处的规划轨迹。
7.根据权利要求6所述的车辆掉头轨迹规划方法,其特征在于,所述方法还包括:
若所述多条掉头轨迹不包括后退掉头轨迹,且不包括前进转弯轨迹,则生成第一停车轨迹;
将所述第一停车轨迹作为车辆在所述掉头位置处的规划轨迹。
8.根据权利要求6所述的车辆掉头轨迹规划方法,其特征在于,所述基于所述周围场景信息计算车辆在掉头位置的多条掉头轨迹,包括:
利用网格算法生成Lattice轨迹或利用最大期望算法生成EM轨迹;
利用混合A星算法生成的混合A星轨迹或利用时间弹性带算法生成TEB轨迹。
9.根据权利要求8所述的车辆掉头轨迹规划方法,其特征在于,所述判断所述多条掉头轨迹是否包括前进转弯轨迹,包括:
判断所述Lattice轨迹或所述EM轨迹是否生成成功;
若所述Lattice轨迹或所述EM轨迹生成成功,则确定所述多条掉头轨迹包括前进转弯轨迹。
10.根据权利要求8所述的车辆掉头轨迹规划方法,其特征在于,所述判断所述多条掉头轨迹是否包括后退掉头轨迹,包括:
判断所述混合A星轨迹或所述TEB轨迹是否生成成功;
若所述混合A星轨迹或所述TEB轨迹生成成功,则确定所述多条掉头轨迹包括后退掉头轨迹。
11.根据权利要求5至7中任意一项所述的车辆掉头轨迹规划方法,其特征在于,所述方法还包括:
在确定所述车辆在所述掉头位置处的规划轨迹后,获取与所述规划轨迹相邻的临近轨迹;
判断所述临近轨迹与所述规划轨迹类型是否相同;
若所述临近轨迹与所述规划轨迹类型不同,且所述临近轨迹为非停车轨迹时,则生成第二停车轨迹;
将所述第二停车轨迹插入所述临近轨迹与所述规划轨迹之间。
12.根据权利要求11所述的车辆掉头轨迹规划方法,其特征在于,所述获取与所述规划轨迹相邻的临近轨迹包括:
获取所述规划轨迹预设距离范围内的轨迹集合;
在所述轨迹集合中选择位于所述规划轨迹之前的轨迹,作为所述临近轨迹。
13.一种车辆,其特征在于,所述车辆包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行以实现权利要求5至12中任一项所述的车辆掉头轨迹规划方法。
14.一种存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行权利要求5至12中任一项所述的车辆掉头轨迹规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910631180.6A CN112212875B (zh) | 2019-07-12 | 2019-07-12 | 车辆掉头轨迹规划方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910631180.6A CN112212875B (zh) | 2019-07-12 | 2019-07-12 | 车辆掉头轨迹规划方法、装置、车辆及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112212875A true CN112212875A (zh) | 2021-01-12 |
CN112212875B CN112212875B (zh) | 2022-10-18 |
Family
ID=74047801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910631180.6A Active CN112212875B (zh) | 2019-07-12 | 2019-07-12 | 车辆掉头轨迹规划方法、装置、车辆及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112212875B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113895463A (zh) * | 2021-11-25 | 2022-01-07 | 北京航空航天大学 | 一种适用于自动驾驶车辆掉头的路径规划方法 |
CN114355950A (zh) * | 2022-01-25 | 2022-04-15 | 苏州挚途科技有限公司 | 掉头轨迹的规划方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007155503A (ja) * | 2005-12-05 | 2007-06-21 | Denso Corp | 車両用ナビゲーション装置 |
CN106909151A (zh) * | 2017-01-22 | 2017-06-30 | 无锡卡尔曼导航技术有限公司 | 用于农机无人驾驶的路径规划及其控制方法 |
CN107045347A (zh) * | 2017-01-22 | 2017-08-15 | 无锡卡尔曼导航技术有限公司 | 用于农机无人驾驶的自动掉头路径规划及其控制方法 |
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 |
CN108413977A (zh) * | 2018-02-11 | 2018-08-17 | 西安智加科技有限公司 | 一种智能农机自动作业交互方法和交互系统 |
CN108628322A (zh) * | 2018-07-09 | 2018-10-09 | 广东工业大学 | 一种agv路径网络的可靠度计算方法及装置 |
JP2018169322A (ja) * | 2017-03-30 | 2018-11-01 | アイシン・エィ・ダブリュ株式会社 | ナビゲーションシステム、及びナビゲーションプログラム |
US20180336007A1 (en) * | 2017-05-20 | 2018-11-22 | Chian Chiu Li | Autonomous Driving under User Instructions |
-
2019
- 2019-07-12 CN CN201910631180.6A patent/CN112212875B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007155503A (ja) * | 2005-12-05 | 2007-06-21 | Denso Corp | 車両用ナビゲーション装置 |
CN106909151A (zh) * | 2017-01-22 | 2017-06-30 | 无锡卡尔曼导航技术有限公司 | 用于农机无人驾驶的路径规划及其控制方法 |
CN107045347A (zh) * | 2017-01-22 | 2017-08-15 | 无锡卡尔曼导航技术有限公司 | 用于农机无人驾驶的自动掉头路径规划及其控制方法 |
JP2018169322A (ja) * | 2017-03-30 | 2018-11-01 | アイシン・エィ・ダブリュ株式会社 | ナビゲーションシステム、及びナビゲーションプログラム |
US20180336007A1 (en) * | 2017-05-20 | 2018-11-22 | Chian Chiu Li | Autonomous Driving under User Instructions |
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 |
CN108413977A (zh) * | 2018-02-11 | 2018-08-17 | 西安智加科技有限公司 | 一种智能农机自动作业交互方法和交互系统 |
CN108628322A (zh) * | 2018-07-09 | 2018-10-09 | 广东工业大学 | 一种agv路径网络的可靠度计算方法及装置 |
Non-Patent Citations (1)
Title |
---|
刘福玲: ""无人车导航动态车道级路径引导技术研究"", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113895463A (zh) * | 2021-11-25 | 2022-01-07 | 北京航空航天大学 | 一种适用于自动驾驶车辆掉头的路径规划方法 |
CN114355950A (zh) * | 2022-01-25 | 2022-04-15 | 苏州挚途科技有限公司 | 掉头轨迹的规划方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112212875B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112292646B (zh) | 车辆的控制系统、用于控制车辆的方法和非暂时性计算机可读存储器 | |
CN112758084B (zh) | 泊车轨迹规划方法、装置、设备及存储介质 | |
EP3819194A2 (en) | Automatic parking method and apparatus, and electronic device | |
Hubmann et al. | A belief state planner for interactive merge maneuvers in congested traffic | |
CN111301409A (zh) | 一种泊车路径规划方法、装置、车辆和存储介质 | |
CN108602509A (zh) | 基于运动规划来操作自动驾驶车辆的方法和系统 | |
CN113267199B (zh) | 行驶轨迹规划方法及装置 | |
CN110834644A (zh) | 一种车辆控制方法、装置、待控制车辆及存储介质 | |
CN112606830B (zh) | 一种基于混合a*算法的两段式自主泊车路径规划方法 | |
CN110836671B (zh) | 轨迹规划方法、轨迹规划装置、存储介质与电子设备 | |
CN114084155B (zh) | 预测型智能汽车决策控制方法、装置、车辆及存储介质 | |
CN112212875B (zh) | 车辆掉头轨迹规划方法、装置、车辆及存储介质 | |
JP2018176909A (ja) | 駐車支援装置 | |
CN112327888B (zh) | 路径规划方法、装置、电子设备和存储介质 | |
CN112445218A (zh) | 机器人路径规划方法、装置、服务器、存储介质及机器人 | |
CN112783166A (zh) | 局部轨迹规划方法、装置、电子设备和存储介质 | |
CN112325898A (zh) | 路径规划方法、装置、设备和存储介质 | |
CN112799384A (zh) | 车辆及其行驶轨迹规划方法和规划装置 | |
Boehme et al. | Application of an optimal control problem to a trip-based energy management for electric vehicles | |
CN113619604A (zh) | 自动驾驶汽车的集成式决控方法、装置及存储介质 | |
Lee et al. | Trajectory folding-based path planning for automated parking system | |
CN115497322B (zh) | 一种窄路会车方法、装置、设备及存储介质 | |
CN113561992B (zh) | 自动驾驶车辆轨迹生成方法、装置、终端设备及介质 | |
Liu et al. | Reinforcement learning-based predictive control for autonomous electrified vehicles | |
CN116578768A (zh) | 计算机、车辆、服务器、移动终端以及自动驾驶方法 |
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 |