CN112230638A - 一种车辆的停车路径规划方法和装置 - Google Patents
一种车辆的停车路径规划方法和装置 Download PDFInfo
- Publication number
- CN112230638A CN112230638A CN201910571891.9A CN201910571891A CN112230638A CN 112230638 A CN112230638 A CN 112230638A CN 201910571891 A CN201910571891 A CN 201910571891A CN 112230638 A CN112230638 A CN 112230638A
- Authority
- CN
- China
- Prior art keywords
- parking
- vehicle
- path
- current vehicle
- current
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000009466 transformation Effects 0.000 claims abstract description 54
- 230000008859 change Effects 0.000 claims abstract description 20
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 44
- 230000001133 acceleration Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 24
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000015654 memory Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 238000000605 extraction Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010845 search algorithm Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- 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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0289—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling with means for avoiding collisions between vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种车辆的停车路径规划方法和装置，该方法包括：在需要进行路边停车时，确定当前车辆所在的道路信息、当前车辆之外他车的当前运动信息；如果道路信息符合停车条件，则提取道路信息中的道路边沿，并根据道路边沿确定停车位置；根据停车位置、当前车辆的当前运动信息和他车的当前运动信息，如果获取到基于路径变换模型，生成的满足车辆位置约束且使目标函数达到预设收敛条件的目标停车路径，则根据目标停车路径，控制当前车辆驶入停车位置；路径变换模型使得停车位置、当前车辆和他车的当前运动信息，与当前车辆进行路径更换时的目标停车路径相关联。通过采用上述技术方案，提升了停车路径规划的准确度和效率。
Description
技术领域
本发明涉及自动驾驶技术领域，具体涉及一种车辆的停车路径规划方法和装置。
背景技术
运动规划，就是在给定的位置A与位置B之间为无人驾驶车辆找到一条符合约束条件的路径。这个约束条件可以是无碰撞、路径最短、机械功最小等，是机器人学的一个重要研究领域。
对于安全高效的无人车规划来说，基于优化求解的规划办法可以给无人车提供一种最优策略。目前已有的停车路径规划算法，大多是基于搜索，从一系列的满足动力学的可行轨迹中筛选出较为合适的停车路径。
上述方式在实现过程中计算复杂度较大，并且不能将所有可行的轨迹都列举出来，并不适用于实时的应用过程。
发明内容
本发明实施例公开一种车辆的停车路径规划方法和装置，提升了停车路径规划的准确度和效率。
第一方面，本发明实施例公开了一种车辆的停车路径规划方法，该方法包括：
在需要进行路边停车时，确定当前车辆所在的道路信息、当前车辆之外他车的当前运动信息，所述当前运动信息包括速度、位置和加速度；
如果所述道路信息符合停车条件，则提取所述道路信息中的道路边沿，并根据所述道路边沿确定停车位置；
根据所述停车位置、所述当前车辆的当前运动信息和所述他车的当前运动信息，如果获取到基于路径变换模型，生成的满足车辆位置约束且使预设目标函数达到预设收敛条件的目标停车路径，则根据所述目标停车路径，控制所述当前车辆驶入所述停车位置；
其中，所述预设目标函数建立了当前车辆的加速度、横向位置与时间之间的积分关系；所述路径变换模型使得停车位置、当前车辆和他车的当前运动信息，与所述当前车辆进行路径更换时的目标停车路径相关联。
可选的，所述路径变换模型通过如下方式来构建：
获取当前车辆在需要进行路边停车时自车的历史运动信息，以及对应历史环境感知信息中当前车辆所在的道路信息、所述当前车辆之外他车的历史运动信息，所述历史运动信息包括速度、位置和加速度；
如果所述道路信息符合停车条件，则提取所述道路信息中的道路边沿，并根据所述道路边沿确定停车位置；
根据所述停车位置、所述自车的历史运动信息和所述他车的历史运动信息，生成满足车辆位置约束且使预设目标函数达到预设收敛条件的停车规划路径，其中，所述预设目标函数建立了当前车辆的加速度、横向位置与时间之间的积分关系；
对所述停车规划路径进行路径变换效果的检测，并将所述检测结果中达到预设路径变换要求的目标停车路径和对应的历史运动信息作为训练样本集；
利用所述训练样本集对初始神经网络模型进行训练，得到车辆的路径变换模型，所述路径变换模型使得停车位置、当前车辆和他车的运动信息，与所述当前车辆进行路径更换时的目标停车路径相关联。
可选的，所述停车规划路径的生成采用迭代的方式，将每次根据停车位置、所述自车的历史运动信息和所述他车的历史运动信息，得到的满足所述车辆位置约束的运动学参数值，作为下次迭代的输入，直到生成使得预设目标函数最小的停车规划路径；
其中，所述预设目标函数为
其中，c1为系数，a为加速度，y为车辆的横向位置，ygoal为车辆在目标车道的横向位置。
可选的，所述提取所述道路信息中的道路边沿包括：
获取安装于当前车辆的激光雷达采集的点云数据；
基于道路边沿分别在x方向、y方向和z方向的空间几何特征，根据所述点云数据确定道路边沿点；
其中，所述x方向为当前车辆行进方向，所述y方向为与所述x方向垂直的水平方向，所述z方向为竖直方向。
可选的，基于道路边沿分别在x、y和z方向的空间几何特征，根据所述点云数据确定道路边沿点，包括：
在所述点云数据中，依次计算每条激光扫描线上的每个点与其相邻点之间分别在x、y和z方向的差值；
判断任一激光扫描线上的任一点是否同时满足以下条件：所述点与其相邻点之间在x方向的差值大于所述激光扫描线对应的第一预设阈值，所述点与其相邻点之间在y方向的差值小于所述激光扫描线对应的第二预设阈值，所述点与其相邻点之间在z方向的差值大于第三预设阈值；如果是，则将所述点确定为道路边沿点；
其中，所述第一预设阈值和所述第二预设阈值根据所述激光雷达安装点距离地面的高度、所述激光扫描线的竖直角度、所述激光雷达的水平分辨率计算得到。
可选的，所述基于道路边沿分别在x、y和z方向的空间几何特征，根据所述点云数据确定道路边沿点之后，所述方法还包括：
通过随机采样一致性RANSAC对所述道路边沿点进行直线拟合，将位于直线之外的点滤除。
可选的，所述获取安装于目标车辆的激光雷达采集的点云数据之后，所述方法还包括：
将所述点云数据中每条激光扫描线对应的数据作为深度图的每行数据，得到所述点云数据对应的深度图；和/或
在所述点云数据中选取初始化种子点，对每个初始化种子点进行迭代生长，提取出所述点云数据中的地面点云。
可选的，所述方法还包括：
根据所述停车位置、所述当前车辆的当前运动信息和所述他车的当前运动信息，如果未获取到所述目标停车路径，则保持当前车辆在当前车道的行驶状态。
可选的，在控制所述当前车辆驶入所述停车位置之前，所述方法还包括：
根据所述目标停车路径各离散点所对应的运动学参数值，对所述当前车辆和所述他车进行碰撞检测；
相应的，如果检测结果为所述当前车辆与他车会产生碰撞，则保持当前车辆在当前车道的行驶状态；
如果检测结果为所述当前车辆与他车不会产生碰撞，则控制当前车辆按照所述目标停车路径执行路边停车动作。
第二方面，本发明实施例还提供了一种车辆的停车路径规划装置，该装置包括：
当前运动信息确定模块，被配置为在需要进行路边停车时，确定当前车辆所在的道路信息、当前车辆之外他车的当前运动信息，所述当前运动信息包括速度、位置和加速度；
停车位置确定模块，被配置为如果所述道路信息符合停车条件，则提取所述道路信息中的道路边沿，并根据所述道路边沿确定停车位置；
停车模块，被配置为根据所述停车位置、所述当前车辆的当前运动信息和所述他车的当前运动信息，如果获取到基于路径变换模型，生成的满足车辆位置约束且使预设目标函数达到预设收敛条件的目标停车路径，则根据所述目标停车路径，控制所述当前车辆驶入所述停车位置；
其中，所述预设目标函数建立了当前车辆的加速度、横向位置与时间之间的积分关系；所述路径变换模型使得停车位置、当前车辆和他车的当前运动信息，与所述当前车辆进行路径更换时的目标停车路径相关联。
可选的，所述路径变换模型通过如下方式来构建：
获取当前车辆在需要进行路边停车时自车的历史运动信息，以及对应历史环境感知信息中当前车辆所在的道路信息、所述当前车辆之外他车的历史运动信息，所述历史运动信息包括速度、位置和加速度；
如果所述道路信息符合停车条件，则提取所述道路信息中的道路边沿，并根据所述道路边沿确定停车位置；
根据所述停车位置、所述自车的历史运动信息和所述他车的历史运动信息，生成满足车辆位置约束且使预设目标函数达到预设收敛条件的停车规划路径，其中，所述预设目标函数建立了当前车辆的加速度、横向位置与时间之间的积分关系；
对所述停车规划路径进行路径变换效果的检测，并将所述检测结果中达到预设路径变换要求的目标停车路径和对应的历史运动信息作为训练样本集；
利用所述训练样本集对初始神经网络模型进行训练，得到车辆的路径变换模型，所述路径变换模型使得停车位置、当前车辆和他车的运动信息，与所述当前车辆进行路径更换时的目标停车路径相关联。
可选的，所述停车规划路径的生成采用迭代的方式，将每次根据停车位置、所述自车的历史运动信息和所述他车的历史运动信息，得到的满足所述车辆位置约束的运动学参数值，作为下次迭代的输入，直到生成使得预设目标函数最小的停车规划路径；
其中，所述预设目标函数为
其中，c1为系数，a为加速度，y为车辆的横向位置，ygoal为车辆在路径变换后车道上的横向位置。
可选的，所述停车位置确定模块，包括：
道路边沿提取单元，被配置为如果所述道路信息符合停车条件，获取安装于当前车辆的激光雷达采集的点云数据，并基于道路边沿分别在x方向、y方向和z方向的空间几何特征，根据所述点云数据确定道路边沿点；
停车位置确定单元，被配置为根据所述道路边沿确定停车位置；
其中，所述x方向为当前车辆行进方向，所述y方向为与所述x方向垂直的水平方向，所述z方向为竖直方向。
可选的，所述道路边沿提取单元，具体被配置为；
如果所述道路信息符合停车条件，获取安装于当前车辆的激光雷达采集的点云数据；
在所述点云数据中，依次计算每条激光扫描线上的每个点与其相邻点之间分别在x方向、y方向和z方向的差值；
判断任一激光扫描线上的任一点是否同时满足以下条件：所述点与其相邻点之间在x方向的差值大于所述激光扫描线对应的第一预设阈值，所述点与其相邻点之间在y方向的差值小于所述激光扫描线对应的第二预设阈值，所述点与其相邻点之间在z方向的差值大于第三预设阈值；如果是，则将所述点确定为道路边沿点；
其中，所述第一预设阈值和所述第二预设阈值根据所述激光雷达安装点距离地面的高度、所述激光扫描线的竖直角度、所述激光雷达的水平分辨率计算得到。
可选的，所述装置还包括：
拟合单元，被配置为在基于道路边沿分别在x、y和z方向的空间几何特征，根据所述点云数据确定道路边沿点之后，通过随机采样一致性RANSAC对所述道路边沿点进行直线拟合，将位于直线之外的点滤除。
可选的，所述装置还包括：
深度图转化单元，被配置为将所述点云数据中每条激光扫描线对应的数据作为深度图的每行数据，得到所述点云数据对应的深度图；和/或
地面点云提取单元，被配置为在所述点云数据中选取初始化种子点，对每个初始化种子点进行迭代生长，提取出所述点云数据中的地面点云。可选的，所述装置还包括：
行驶状态保持模块，被配置为根据所述停车位置、所述当前车辆的当前运动信息和所述他车的当前运动信息，如果未获取到所述目标停车路径，则保持当前车辆在当前车道的行驶状态。
可选的，所述装置还包括：
碰撞检测模块，被配置为根据所述目标停车路径各离散点所对应的运动学参数值，对所述当前车辆和所述他车进行碰撞检测；
相应的，如果检测结果为所述当前车辆与他车会产生碰撞，则保持当前车辆在当前车道的行驶状态；
如果检测结果为所述当前车辆与他车不会产生碰撞，则控制当前车辆按照所述目标停车路径执行路边停车动作。
第三方面，本发明实施例还提供了一种车载终端，包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明任意实施例所提供的车辆的停车路径规划方法的部分或全部步骤。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其存储计算机程序，所述计算机程序包括用于执行本发明任意实施例所提供的车辆的停车路径规划方法的部分或全部步骤的指令。
第五方面，本发明实施例还提供了一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行本发明任意实施例所提供的车辆的停车路径规划方法的部分或全部步骤。
本发明实施例提供的技术方案，将道路变换模型应用于车辆的实际的路边停车过程中。在当前车辆在需要进行路边停车时，如果根据停车位置、当前车辆的当前运动信息和他车的当前运动信息，能够获取到基于路径变换模型生成的满足车辆位置约束且使预设目标函数达到预设收敛条件的目标停车路径，则控制当前车辆驶入停车位置。其中，该停车位置可根据激光雷达采集的点云数据，并结合基于道路边沿分别在x、y和z方向的空间几何特征得到。相对于现有技术采用搜索算法从多条候选停车路径中筛选出最优停车路径的方式，本发明实施例应用神经网络的方式提升了目标停车路径的准确度和生成速度，其方法简单，实用性强。
本发明的发明点包括：
1、通过设计目标函数，并通过对神经网络模型进行训练的方式，使得神经网络模型能根据停车位置、自车和他车的运动信息输出使得目标函数最小且符合路径变换要求的目标停车路径，解决了通过搜索算法从多条候选路径中筛选出最优路径时计算复杂度较大的问题，提升了目标停车路径规划的准确性和速率。
2、本发明实施例提供的技术方案，在利用迭代的方式生成停车规划路径后，通过对停车规划路径进行路径变换效果的检测，使得筛选出的目标停车路径更加符合车辆的行驶规范，解决了现有技术在使用搜索算法得到的停车规划路径准确性较差的问题，进一步提升了路径规划的合理性。
3、由于道路边沿分别在x、y和z方向均有很明显不同的空间几何特征，因此，基于该道路边沿分别在x、y和z方向的空间几何特征，可以从点云数据中准确的提取出道路边沿点。并且，仅计算同条扫描线上相邻点的坐标差值进行筛选得到道路边沿点，算法简单高效，轻量度高。
4、深度图可以清晰定义各点之间的邻接关系，因此，将点云数据转换至深度图，基于深度图查找某点的近邻关系时更加方便灵活，进而能够提高道路边沿点提取效率；此外，分割出地面点云，能够减少数据计算量，从而提高道路边沿检测的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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是本发明实施例提供的一种车辆路径变换模型的训练方法的流程示意图；
图2是本发明实施例提供的一种车辆的停车路径规划方法的流程示意图；
图3是本发明实施例提供的一种道路场景下平装车载激光雷达扫描的示意图；
图4是本发明实施例提供的一种车辆的停车路径规划装置的结构示意图；
图5是本发明实施例提供的一种车载终端的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
需要说明的是，本发明实施例及附图中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
请参阅图1，图1是本发明实施例提供的一种车辆路径变换模型的训练方法的流程示意图。该方法可应用于自动驾驶车辆靠马路边沿临时停车的场景下。该方法可由车辆路径变换模型的训练装置来执行，该装置可通过软件和/或硬件的方式实现，一般可集成在车载电脑、车载工业控制计算机(Industrial personal Computer，IPC)等车载终端中，本发明实施例不做限定。如图1所示，本实施例提供的方法具体包括：
110、获取当前车辆在需要进行路边停车时自车的历史运动信息，以及对应历史环境感知信息中当前车辆所在的道路信息、所述当前车辆之外他车的历史运动信息。
其中，路边停车意图一般是指由驾驶员根据当前车辆的实际运行情况向驾驶辅助系统发送的靠马路边沿临时停车的路边停车指令，即该路边停车指令为自动驾驶车辆被动接收到的路边停车意图。或者路边停车意图也可以是自动驾驶车辆根据导航信息自动触发的停车意图，例如自动驾驶车辆在到达目的地时的主动停车意图。
其中，历史运动信息包括速度、位置和加速度等，自车和他车的运动信息可通过摄像头或雷达等传感器获取到。
其中，当前车辆所在的道路信息可以包括当前车辆所在道路中的车道线、路灯杆和交通标志等。本实施例中，当前车辆在需要进行路边停车时，需判断靠马路边沿的道路上是否可以停车，如果可以进行停车，则需确定可进行停车的停车区域，即执行步骤120。
120、如果道路信息符合停车条件，则提取道路信息中的道路边沿，并根据道路边沿确定停车位置。
其中，停车条件为交通规则中的停车规范，例如，不存在禁止停车的交通标志、不存在公交车停车位且不存在消防栓等。
本实施例中，在确定出道路信息符合停车条件时，则可提取道路信息中的道路边沿。其中，道路边沿的提取可利用安装于当前车辆的激光雷达采集当前车辆周围的点云数据，通过点云数据提取当前车辆周围道路的边沿点。其中，激光雷达可安装于当前车辆的前盖上。该激光雷达可与处理器之间可以采用有线或无线的方式进行通信。当激光雷达采集到点云数据后，可以将点云数据发送至处理器。
130、根据停车位置、自车的历史运动信息和他车的历史运动信息，生成满足车辆位置约束且使预设目标函数达到预设收敛条件的停车规划路径。
可以理解的是，在车辆的行驶过程中，如果需要靠马路边沿停车，则需改变当前车辆的行驶路径。例如，在四车道的马路上，如果当前车辆在右侧第三车道行驶，而停车需要沿着马路右侧的道路边沿，此时，当前车辆需先将车道变换到靠近右侧马路边沿的右侧车道上。车辆在改变行驶路径的过程中，需要考虑与他车的安全距离以及停车路径变换的时间、平稳性等因素。本实施例中，通过设计目标函数，并使得目标函数最小，可使得车辆以最快、最平稳地状态到达停车位置，即得到最优的停车规划路径。其中，目标函数建立了当前车辆的加速度、横向位置与时间之间的积分关系，该积分关系可通过如下公式来表示：
其中，c1为系数，a为加速度，y为车辆的横向位置，ygoal为车辆在目标车道的横向位置。
本实施例中，停车规划路径的生成可采用迭代的方式，将每次根据自车的历史运动信息和他车的历史运动信息，得到的满足车辆位置约束的运动学参数值，作为下次迭代的输入，直到生成使得预设目标函数最小的停车规划路径。其中，运动学参数包括车辆的横向位置、纵向位置、速度、加速度和转角等。
具体的，考虑到当前车辆在变道过程中的安全性和快速性，当前车辆的各运动学参数具体可满足如下约束条件：
在执行变道前，需保证当前车辆的纵向位置小于在运行方向上前车的纵向位置，且与前车之间存在一定的安全距离。当前车辆在执行车道变换后行驶到目标车道时，当前车辆的纵向位置大于在运行方向上当前车辆后车的纵向位置，且小于当前车辆前车的纵向位置，且与前车和后车之间均存在一定的安全距离。并且，当前车辆的横向位置与二分之一车体的宽度之和小于车道的宽度，当前车辆的横向位置与二分之一车体的宽度之差小于车道的宽度。此外，在停车过程中，还需保证当前车辆的速度大于预设速度最小值且小于预设速度最大值；加速度大于预设加速度最小值且小于预设加速度最大值；角速度大于预设角速度最小值且小于预设角速度最大值。
本实施例中，通过采用迭代的方式可生成使得预设目标函数最小的停车规划路径，该停车规划路径可按照时间点进行离散化，每个离散点都存在与时刻对应的运动学参数值，这样设置降低了现有技术中按照搜索算法从多条候选的停车规划路径中筛选出最优停车路径的复杂度，而且本实施例这样设置也可以提高停车路径规划的准确度。
140、对停车规划路径进行路径变换效果的检测，并将检测结果中达到预设路径变换要求的目标停车路径和对应的历史运动信息作为训练样本集。
本实施例中，对于生成的满足车辆位置约束且使预设目标函数达到预设收敛条件的停车规划路径，该停车规划路径可能为未达到预设路径变换要求的路径，例如车辆横在车道线中间，或者换道过程中有回到自车道的倾向。因此，对于停车规划路径，可在车辆按照该停车规划路径行驶时的设定时间段内，通过确定车体是否一直处于压线状态，或者车体的横向位置的变化是否超过设定阈值等，以确定出停车规划路径是否达到预设路径变换要求。本实施例这样设置可使得停车路径规划的安全性和平稳度更高。
示例性的，可通过分类器，例如SVM(Support Vector Machine，支持向量机)，对达到预设路径变换要求的停车规划路径添加“好”的标签，对未达到预设路径变换要求的停车规划路径或者根据自车或者他车的历史运动信息进行路径规划失败的路径添加“差”的标签。本实施例中，只将达到预设路径变换要求的停车规划路径，即标签为“好”的一类路径作为目标停车路径，并将该目标停车路径和对应的自车和他车的历史运动信息形成训练样本集，以进行基于神经网络的学习。
150、利用训练样本集对初始神经网络模型进行训练，得到车辆的路径变换模型，路径变换模型使得停车位置、当前车辆和他车的运动信息，与当前车辆进行路径更换时的目标停车路径相关联。
其中，初始神经网络模型优选为全连接神经网络，例如图网络或LSTM(LongShort-Term Memory，长短期记忆网络)等深度神经网络。通过利用训练样本集对初始神经网络模型进行训练，可得到当前车辆进行路径更换时的目标停车路径，该目标停车路径可按照时间点进行离散化，每个离散点都存在与时刻对应的运动学参数值。按照该目标停车路径，当前车辆可准确、快速且平稳地完成路径更换，以到达停车位置。
本实施例提供的技术方案，可利用停车位置、当前车辆和他车的包含有速度、位置和加速度等历史运动信息，生成满足车辆位置约束且使预设目标函数达到预设收敛条件的停车规划路径。其中，目标函数建立了当前车辆的加速度、横向位置与时间之间的积分关系，通过使得该目标函数最小，可使当前车辆在需要进行路边停车时能够准确、快速且平稳地进行路径变换，以到达停车位置。此外，通过对生成的停车规划路径进行路径变换效果的检测，可筛选出达到预设路径变换要求的目标停车路径，从而进一步提升了路径变换的准确性。通过将目标停车路径和对应的历史运动信息作为训练样本集，并利用该训练样本集对初始神经网络模型进行训练，可得到车辆的路径变换模型，利用该路径变换模型，可根据当前车辆和他车的运动信息，得到与当前车辆进行路径更换时的目标停车路径，相对于现有技术采用搜索算法从多条候选停车路径中筛选出最优路径的方式，本实施例这样设置提升了车辆进行路边停车的准确性和快速性。
实施例二
请参阅图2，图2是本发明实施例提供的一种车辆的停车路径规划方法的流程示意图。该方法应用于自动驾驶中，典型的是可应用于靠马路边沿临时停车的场景下。该方法可由车辆的停车路径规划方法装置来执行，该装置可通过软件和/或硬件的方式实现，一般可集成在车载电脑、车载工业控制计算机(Industrial personal Computer，IPC)等车载终端中，本发明实施例不做限定。如图2所示，本实施例提供的车辆的停车路径规划方法具体包括：
210、在需要进行路边停车时，确定当前车辆所在的道路信息、当前车辆之外他车的当前运动信息。
其中，路边停车意图一般是指由驾驶员根据当前车辆的实际运行情况向驾驶辅助系统发送的靠马路边沿临时停车的路边停车指令，即该路边停车指令为自动驾驶车辆被动接收到的路边停车意图。或者路边停车意图也可以是自动驾驶车辆根据导航信息自动触发的停车意图，例如自动驾驶车辆在到达目的地时的主动停车意图。
其中，道路信息可包括道路中的车道线、路灯杆和交通标志等，当前运动信息包括速度、位置和加速度等。
本实施例中，在需要进行路边停车时，可以采集当前车辆的速度、位置和加速度，以及其他车辆的速度和位置。其中，其他车辆包括在当前行驶车道上当前车辆的前车、后车以及当前车辆在执行路径变换时在目标车道上的前车和后车。在采集到上述信息后，可以确定出当前车辆与其他车辆之间的相对位置和速度。
本实施例中，在需要进行路边停车时，需判断靠马路边沿的道路上是否可以停车，如果可以进行停车，则需确定可进行停车的停车区域，即执行步骤220。
220、如果道路信息符合停车条件，则提取道路信息中的道路边沿，并根据道路边沿确定停车位置。
其中，停车条件为交通规则中的停车规范，例如，不存在禁止停车的交通标志、不存在公交车停车位且不存在消防栓等。
本实施例中，在确定出道路信息符合停车条件时，可提取道路信息中的道路边沿。
示例性的，可基于道路边沿分别在x方向、y方向和z方向的空间几何特征，根据点云数据确定道路边沿点。其中，x方向为当前车辆行进方向，y方向为与x方向垂直的水平方向，z方向为竖直方向。本实施例这样设置是因为相比于地面，道路边沿分别在x方向、y方向和z方向均有很明显不同的空间几何特征。
具体的，图3是本发明实施例提供的一种道路场景下平装车载激光雷达扫描的示意图。如图3所示，区域310为平整地面，区域320表示待提取道路边沿，黑色点表示激光扫描点。可以看出，相比于平整地面310，道路边沿320具有很明显不同的空间几何特征。比如，在z高程方向上，道路边沿点变化明显而地面点相对比较平滑连续，而在x和y方向上，具有相反的特性。
具体的，基于道路边沿分别在x方向、y方向和z方向的空间几何特征，根据点云数据确定道路边沿点，可以包括：
首先可以计算地面上相邻两点的在各方向的理论距离作为合理的阈值选择。定义
分别表示当第l条激光线扫描到地面时，相邻两点在x,y和z方向的差值。
其中，hs是激光雷达安装点距离地面的高度；
是第l条激光扫描线的竖直角度，该值可查阅相关激光雷达产品设计说明书；θh是激光雷达的水平分辨率。如果地面是绝对平整光滑，则
但是考虑到现实场景中，存在一定的粗糙度，因此可以设置
为一固定值，如，可以设置
判断任一激光扫描线上的任一点是否同时满足以下条件：该点与其相邻点之间在x方向的差值大于激光扫描线对应的第一预设阈值，该点与其相邻点之间在y方向的差值小于激光扫描线对应的第二预设阈值，该点与其相邻点之间在z方向的差值大于第三预设阈值；如果是，则将该点确定为道路边沿点。其中，第一预设阈值和第二预设阈值可以根据激光雷达安装点距离地面的高度、激光扫描线的竖直角度、激光雷达的水平分辨率计算得到。
也就是说，当定义
分别表示上述第一预设阈值、第二预设阈值和第三预设阈值时，可以判断任一点i是否同时满足
如果是，则将点i确定为道路边沿点。其中，
为点i与其相邻点之间在x方向的差值，
为点i与其相邻点之间在y方向的差值，
为点i与其相邻点之间在z方向的差值。
可以理解的是，基于道路边沿分别在x、y和z方向的空间几何特征得到的道路边沿点中可能存在部分的杂乱错误点，因此，在本发明实施例的一种实施方式中，考虑到道路边沿在激光雷达可视范围的局部区域均为直线，可以通过RANSAC(Random SampleConsensus，随机采样一致性)对道路边沿点进行直线拟合，将位于直线之外的点滤除。
通过上述方案，可以对提取的道路边沿点进行直线拟合剔除噪声点，提高道路边沿点提取的准确性。
还可以理解的是，激光雷达采集到的点云数据，由于数据量较大，因此，为了提高道路边沿点提取效率，可以将原始点云数据转换至深度图，和/或，可以提取出地面点云作为道路边沿提取的输入数据。
具体的，可以将点云数据转换至深度图，其中，深度图的每行数据为每条激光扫描线对应的数据。也即对点云数据进行了有序化处理。其中，深度图的每行代表一个激光器旋转360°扫描得到的数据，以Velodyne VLP-32C为例，该深度图的大小为32*1800，也即该深度图包含32行、1800列的数据。深度图可以清晰的定义各点之间的邻接关系，避免了耗费额外的计算资源建立点云的Kd-tree，且基于深度图查找某点的近邻关系时更加方便灵活。
为了提高道路边沿检测的效率，首先可以使用地面提取的算法从完整的原始点云中分割出地面点云，作为道路边沿提取的输入数据。这里提取的地面点云中包含待提取道路边沿点云，而不仅仅是平整的地面点云。例如，可以在原始点云数据中选取初始化种子点，然后对每个初始化种子点进行迭代生长，提取出点云数据中的地面点云。
深度图可以清晰定义各点之间的邻接关系，因此，将点云数据转换至深度图，基于深度图查找某点的近邻关系时更加方便灵活，进而能够提高道路边沿点提取效率。分割出地面点云，能够减少数据计算量，从而提高道路边沿检测的效率。
本实施中，在提取出道路信息中的道路边沿，可根据道路边沿确定停车位置。
示例性的，在符合停车条件的前提下，如果沿着提取到的道路边沿，识别出在沿着道路边沿的地面上存在多个标识有停车位的停车区域，则可根据当前车辆位置选择与当前车辆位置最近的停车区域作为停车位置，或者考虑到停车的便捷性和安全性，也可将相邻停车区域中不存在已停放车辆的某个停车区域，作为停车位置。
示例性的，在符合停车条件的前提下，如果沿着提取到的道路边沿，识别出在沿着道路边沿的地面上不存在标识有停车位的停车区域，则可优选将与当前车辆位置最近的停车区域作为临时停车位置。
进一步的，在根据道路边沿确定停车位置后，还可验证该停车位置的合理性，例如是否不靠近路口，是否非商店门口等。这样设置是为了进一步提高路边临时停车的规范性。
230、根据停车位置、当前车辆的当前运动信息和他车的当前运动信息，如果获取到基于路径变换模型，生成的满足车辆位置约束且使预设目标函数达到预设收敛条件的目标停车路径，则根据目标停车路径，控制当前车辆驶入该停车位置。
其中，目标函数建立了当前车辆的加速度、横向位置与时间之间的积分关系；路径变换模型使得停车位置、当前车辆和他车的运动信息，与当前车辆进行路径更换时的目标停车路径相关联。其中，该路径变换模型的训练过程可参见上述实施例提供的内容，本实施例不再赘述。
上述实施例中，由于路径变换模型是利用停车位置、自车和他车的运动信息和目标停车路径训练得到的，因此，该路径变换模型具有了根据停车位置、自车和他车的运动信息，得到当前车辆目标停车路径的功能。在路径变换模型的实际应用过程中，如果根据停车位置、当前车辆的当前运动信息和他车的当前运动信息，能够获取到目标停车路径，则可按照目标停车路径执行路径变换操作，以控制当前车辆驶入停车位置。
示例性的，由于路径变换模型在训练时，所用的训练样本集中的目标停车路径是经过路径变换效果的检测后筛选得到的符合预设路径变换要求的停车路径，即对于一些运动信息，并不存在对应的目标停车路径。因此，如果根据当前车辆的当前运动信息和他车的当前运动信息，未能获取到对应的目标停车路径，则继续保持当前车辆在当前车道的行驶状态。
进一步的，在控制当前车辆驶入所述停车位置之前，还可根据目标停车路径各离散点所对应的运动学参数值，对当前车辆和他车进行碰撞检测；如果检测结果为当前车辆与他车会产生碰撞，则保持当前车辆在当前车道的行驶状态；如果检测结果为当前车辆与他车不会产生碰撞，则控制当前车辆按照目标停车路径执行路边停车动作。这样设置可进一步提升车道在马路边沿停车的安全性。
本实施例在上述实施例的基础上，将道路变换模型应用于车辆的实际的路边停车过程中。在当前车辆在需要进行路边停车时，如果根据停车位置、当前车辆的当前运动信息和他车的当前运动信息，能够获取到基于路径变换模型生成的满足车辆位置约束且使预设目标函数达到预设收敛条件的目标停车路径，则控制当前车辆驶入停车位置。其中，该停车位置可根据激光雷达采集的点云数据，并结合基于道路边沿分别在x、y和z方向的空间几何特征得到。本实施例的技术方案相对于直接根据停车位置、自车和他车的运动信息，通过不断迭代生成目标停车路径的方式，本实施例应用神经网络提升了目标停车路径的准确度和生成速度，其方法简单，实用性强。
实施例三
请参阅图4，图4是本发明实施例提供的一种车辆的停车路径规划装置的结构示意图。如图4所示，该装置包括：当前运动信息确定模块410、停车位置确定模块420和停车模块430，其中，
当前运动信息确定模块410，被配置为在需要进行路边停车时，确定当前车辆所在的道路信息、当前车辆之外他车的当前运动信息，所述当前运动信息包括速度、位置和加速度；
停车位置确定模块420，被配置为如果所述道路信息符合停车条件，则提取所述道路信息中的道路边沿，并根据所述道路边沿确定停车位置；
停车模块430，被配置为根据所述停车位置、所述当前车辆的当前运动信息和所述他车的当前运动信息，如果获取到基于路径变换模型，生成的满足车辆位置约束且使预设目标函数达到预设收敛条件的目标停车路径，则根据所述目标停车路径，控制所述当前车辆驶入所述停车位置；
其中，所述预设目标函数建立了当前车辆的加速度、横向位置与时间之间的积分关系；所述路径变换模型使得停车位置、当前车辆和他车的当前运动信息，与所述当前车辆进行路径更换时的目标停车路径相关联。
可选的，所述路径变换模型通过如下方式来构建：
获取当前车辆在需要进行路边停车时自车的历史运动信息，以及对应历史环境感知信息中当前车辆所在的道路信息、所述当前车辆之外他车的历史运动信息，所述历史运动信息包括速度、位置和加速度；
如果所述道路信息符合停车条件，则提取所述道路信息中的道路边沿，并根据所述道路边沿确定停车位置；
根据所述停车位置、所述自车的历史运动信息和所述他车的历史运动信息，生成满足车辆位置约束且使预设目标函数达到预设收敛条件的停车规划路径，其中，所述预设目标函数建立了当前车辆的加速度、横向位置与时间之间的积分关系；
对所述停车规划路径进行路径变换效果的检测，并将所述检测结果中达到预设路径变换要求的目标停车路径和对应的历史运动信息作为训练样本集；
利用所述训练样本集对初始神经网络模型进行训练，得到车辆的路径变换模型，所述路径变换模型使得停车位置、当前车辆和他车的运动信息，与所述当前车辆进行路径更换时的目标停车路径相关联。
可选的，所述停车规划路径的生成采用迭代的方式，将每次根据停车位置、所述自车的历史运动信息和所述他车的历史运动信息，得到的满足所述车辆位置约束的运动学参数值，作为下次迭代的输入，直到生成使得预设目标函数最小的停车规划路径；
其中，所述预设目标函数为
其中，c1为系数，a为加速度，y为车辆的横向位置，ygoal为车辆在路径变换后车道上的横向位置。
可选的，所述停车位置确定模块，包括：
道路边沿提取单元，被配置为如果所述道路信息符合停车条件，获取安装于当前车辆的激光雷达采集的点云数据，并基于道路边沿分别在x方向、y方向和z方向的空间几何特征，根据所述点云数据确定道路边沿点；
停车位置确定单元，被配置为根据所述道路边沿确定停车位置；
其中，所述x方向为当前车辆行进方向，所述y方向为与所述x方向垂直的水平方向，所述z方向为竖直方向。
可选的，所述道路边沿提取单元，具体被配置为；
如果所述道路信息符合停车条件，获取安装于当前车辆的激光雷达采集的点云数据；
在所述点云数据中，依次计算每条激光扫描线上的每个点与其相邻点之间分别在x方向、y方向和z方向的差值；
判断任一激光扫描线上的任一点是否同时满足以下条件：所述点与其相邻点之间在x方向的差值大于所述激光扫描线对应的第一预设阈值，所述点与其相邻点之间在y方向的差值小于所述激光扫描线对应的第二预设阈值，所述点与其相邻点之间在z方向的差值大于第三预设阈值；如果是，则将所述点确定为道路边沿点；
其中，所述第一预设阈值和所述第二预设阈值根据所述激光雷达安装点距离地面的高度、所述激光扫描线的竖直角度、所述激光雷达的水平分辨率计算得到。
可选的，所述装置还包括：
拟合单元，被配置为在基于道路边沿分别在x、y和z方向的空间几何特征，根据所述点云数据确定道路边沿点之后，通过随机采样一致性RANSAC对所述道路边沿点进行直线拟合，将位于直线之外的点滤除。
可选的，所述装置还包括：
深度图转化单元，被配置为将所述点云数据中每条激光扫描线对应的数据作为深度图的每行数据，得到所述点云数据对应的深度图；和/或
地面点云提取单元，被配置为在所述点云数据中选取初始化种子点，对每个初始化种子点进行迭代生长，提取出所述点云数据中的地面点云。可选的，所述装置还包括：
行驶状态保持模块，被配置为根据所述停车位置、所述当前车辆的当前运动信息和所述他车的当前运动信息，如果未获取到所述目标停车路径，则保持当前车辆在当前车道的行驶状态。
可选的，所述装置还包括：
碰撞检测模块，被配置为根据所述目标停车路径各离散点所对应的运动学参数值，对所述当前车辆和所述他车进行碰撞检测；
相应的，如果检测结果为所述当前车辆与他车会产生碰撞，则保持当前车辆在当前车道的行驶状态；
如果检测结果为所述当前车辆与他车不会产生碰撞，则控制当前车辆按照所述目标停车路径执行路边停车动作。
本发明实施例所提供的停车路径规划装置可执行本发明任意实施例所提供的停车路径规划方法，具备执行方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的停车路径规划方法。
实施例四
请参阅图5，图5是本发明实施例提供的一种车载终端的结构示意图。如图5所示，该车载终端可以包括：
存储有可执行程序代码的存储器701；
与存储器701耦合的处理器702；
其中，处理器702调用存储器701中存储的可执行程序代码，执行本发明任意实施例所提供的车辆的停车路径规划方法。
本发明实施例公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序使得计算机执行本发明任意实施例所提供的车辆的停车路径规划方法。
本发明实施例公开一种计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行本发明任意实施例所提供的车辆的停车路径规划方法的部分或全部步骤。
在本发明的各种实施例中，应理解，上述各过程的序号的大小并不意味着执行顺序的必然先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在本发明所提供的实施例中，应理解，“与A相应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。
另外，在本发明各实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的单元若以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可获取的存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分，可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等，具体可以是计算机设备中的处理器)执行本发明的各个实施例上述方法的部分或全部步骤。
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是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本发明实施例公开的一种车辆的停车路径规划方法和装置进行了详细介绍，本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，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发明的限制。
Claims (10)
1.一种车辆的停车路径规划方法，应用于自动驾驶，其特征在于，包括：
在需要进行路边停车时，确定当前车辆所在的道路信息、当前车辆之外他车的当前运动信息，所述当前运动信息包括速度、位置和加速度；
如果所述道路信息符合停车条件，则提取所述道路信息中的道路边沿，并根据所述道路边沿确定停车位置；
根据所述停车位置、所述当前车辆的当前运动信息和所述他车的当前运动信息，如果获取到基于路径变换模型，生成的满足车辆位置约束且使预设目标函数达到预设收敛条件的目标停车路径，则根据所述目标停车路径，控制所述当前车辆驶入所述停车位置；
其中，所述预设目标函数建立了当前车辆的加速度、横向位置与时间之间的积分关系；所述路径变换模型使得停车位置、当前车辆和他车的当前运动信息，与所述当前车辆进行路径更换时的目标停车路径相关联。
2.根据权利要求1所述的方法，其特征在于，所述路径变换模型通过如下方式来构建：
获取当前车辆在需要进行路边停车时自车的历史运动信息，以及对应历史环境感知信息中当前车辆所在的道路信息、所述当前车辆之外他车的历史运动信息，所述历史运动信息包括速度、位置和加速度；
如果所述道路信息符合停车条件，则提取所述道路信息中的道路边沿，并根据所述道路边沿确定停车位置；
根据所述停车位置、所述自车的历史运动信息和所述他车的历史运动信息，生成满足车辆位置约束且使预设目标函数达到预设收敛条件的停车规划路径，其中，所述预设目标函数建立了当前车辆的加速度、横向位置与时间之间的积分关系；
对所述停车规划路径进行路径变换效果的检测，并将所述检测结果中达到预设路径变换要求的目标停车路径和对应的历史运动信息作为训练样本集；
利用所述训练样本集对初始神经网络模型进行训练，得到车辆的路径变换模型，所述路径变换模型使得停车位置、当前车辆和他车的运动信息，与所述当前车辆进行路径更换时的目标停车路径相关联。
3.根据权利要求2所述的方法，其特征在于，所述停车规划路径的生成采用迭代的方式，将每次根据停车位置、所述自车的历史运动信息和所述他车的历史运动信息，得到的满足所述车辆位置约束的运动学参数值，作为下次迭代的输入，直到生成使得预设目标函数最小的停车规划路径；
其中，所述预设目标函数为
其中，c1为系数，a为加速度，y为车辆的横向位置，ygoal为车辆在路径变换后车道上的横向位置。
4.根据权利要求1所述的方法，其特征在于，所述提取所述道路信息中的道路边沿包括：
获取安装于当前车辆的激光雷达采集的点云数据；
基于道路边沿分别在x方向、y方向和z方向的空间几何特征，根据所述点云数据确定道路边沿点；
其中，所述x方向为当前车辆行进方向，所述y方向为与所述x方向垂直的水平方向，所述z方向为竖直方向。
5.根据权利要求4所述的方法，其特征在于，基于道路边沿分别在x方向、y方向和z方向的空间几何特征，根据所述点云数据确定道路边沿点，包括：
在所述点云数据中，依次计算每条激光扫描线上的每个点与其相邻点之间分别在x方向、y方向和z方向的差值；
判断任一激光扫描线上的任一点是否同时满足以下条件：所述点与其相邻点之间在x方向的差值大于所述激光扫描线对应的第一预设阈值，所述点与其相邻点之间在y方向的差值小于所述激光扫描线对应的第二预设阈值，所述点与其相邻点之间在z方向的差值大于第三预设阈值；如果是，则将所述点确定为道路边沿点；
其中，所述第一预设阈值和所述第二预设阈值根据所述激光雷达安装点距离地面的高度、所述激光扫描线的竖直角度、所述激光雷达的水平分辨率计算得到。
6.根据权利要求4所述的方法，其特征在于，在基于道路边沿分别在x、y和z方向的空间几何特征，根据所述点云数据确定道路边沿点之后，所述方法还包括：
通过随机采样一致性RANSAC对所述道路边沿点进行直线拟合，将位于直线之外的点滤除。
7.根据权利要求4所述的方法，其特征在于，在获取安装于当前车辆的激光雷达采集的点云数据之后，所述方法还包括：
将所述点云数据中每条激光扫描线对应的数据作为深度图的每行数据，得到所述点云数据对应的深度图；和/或
在所述点云数据中选取初始化种子点，对每个初始化种子点进行迭代生长，提取出所述点云数据中的地面点云。
8.根据权利要求1-7任一所述的方法，其特征在于，所述方法还包括：
根据所述停车位置、所述当前车辆的当前运动信息和所述他车的当前运动信息，如果未获取到所述目标停车路径，则保持当前车辆在当前车道的行驶状态。
9.根据权利要求1-8任一所述的方法，其特征在于，在控制所述当前车辆驶入所述停车位置之前，所述方法还包括：
根据所述目标停车路径各离散点所对应的运动学参数值，对所述当前车辆和所述他车进行碰撞检测；
相应的，如果检测结果为所述当前车辆与他车会产生碰撞，则保持当前车辆在当前车道的行驶状态；
如果检测结果为所述当前车辆与他车不会产生碰撞，则控制当前车辆按照所述目标停车路径执行路边停车动作。
10.一种车辆的停车路径规划装置，应用于自动驾驶，其特征在于，包括：
当前运动信息确定模块，被配置为在需要进行路边停车时，确定当前车辆所在的道路信息、当前车辆之外他车的当前运动信息，所述当前运动信息包括速度、位置和加速度；
停车位置确定模块，被配置为如果所述道路信息符合停车条件，则提取所述道路信息中的道路边沿，并根据所述道路边沿确定停车位置；
停车模块，被配置为根据所述停车位置、所述当前车辆的当前运动信息和所述他车的当前运动信息，如果获取到基于路径变换模型，生成的满足车辆位置约束且使预设目标函数达到预设收敛条件的目标停车路径，则根据所述目标停车路径，控制所述当前车辆驶入所述停车位置；
其中，所述预设目标函数建立了当前车辆的加速度、横向位置与时间之间的积分关系；所述路径变换模型使得停车位置、当前车辆和他车的当前运动信息，与所述当前车辆进行路径更换时的目标停车路径相关联。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910571891.9A CN112230638B (zh) | 2019-06-28 | 2019-06-28 | 一种车辆的停车路径规划方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910571891.9A CN112230638B (zh) | 2019-06-28 | 2019-06-28 | 一种车辆的停车路径规划方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112230638A true CN112230638A (zh) | 2021-01-15 |
| CN112230638B CN112230638B (zh) | 2022-11-18 |
Family
ID=74111052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910571891.9A Active CN112230638B (zh) | 2019-06-28 | 2019-06-28 | 一种车辆的停车路径规划方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112230638B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113008256A (zh) * | 2021-02-18 | 2021-06-22 | 恒大新能源汽车投资控股集团有限公司 | 自动泊车路径的规划方法、规划装置以及存储介质 |
| CN113074747A (zh) * | 2021-03-25 | 2021-07-06 | 驭势科技（北京）有限公司 | 一种路径规划方法、装置、设备及存储介质 |
| CN116311878A (zh) * | 2022-10-21 | 2023-06-23 | 广州金王科技股份有限公司 | 一种智能停车器控制方法及其控制系统 |
| CN116670736A (zh) * | 2021-04-29 | 2023-08-29 | 埃尔构人工智能有限责任公司 | 考虑环境条件的车辆停靠位置的确定 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105857306A (zh) * | 2016-04-14 | 2016-08-17 | 中国科学院合肥物质科学研究院 | 一种用于多种泊车场景的车辆自主泊车路径规划方法 |
| CN106874597A (zh) * | 2017-02-16 | 2017-06-20 | 北理慧动（常熟）车辆科技有限公司 | 一种应用于自动驾驶车辆的高速公路超车行为决策方法 |
| CN107664993A (zh) * | 2016-07-29 | 2018-02-06 | 法乐第(北京)网络科技有限公司 | 一种路径规划方法 |
| CN108121205A (zh) * | 2017-12-13 | 2018-06-05 | 深圳市航盛电子股份有限公司 | 一种用于多种泊车场景的路径规划方法、系统及介质 |
| CN108928343A (zh) * | 2018-08-13 | 2018-12-04 | 吉利汽车研究院（宁波）有限公司 | 一种全景融合自动泊车系统及方法 |
| US20190001967A1 (en) * | 2017-06-30 | 2019-01-03 | MAGNETI MARELLI S.p.A. | Path planning method for computing optimal parking maneuvers for road vehicles and corresponding system |
| CN109649384A (zh) * | 2019-02-15 | 2019-04-19 | 华域汽车系统股份有限公司 | 一种泊车辅助方法 |
| CN109739231A (zh) * | 2018-12-29 | 2019-05-10 | 北京智行者科技有限公司 | 自动驾驶充电车停车控制方法及系统 |
-
2019
- 2019-06-28 CN CN201910571891.9A patent/CN112230638B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105857306A (zh) * | 2016-04-14 | 2016-08-17 | 中国科学院合肥物质科学研究院 | 一种用于多种泊车场景的车辆自主泊车路径规划方法 |
| CN107664993A (zh) * | 2016-07-29 | 2018-02-06 | 法乐第(北京)网络科技有限公司 | 一种路径规划方法 |
| CN106874597A (zh) * | 2017-02-16 | 2017-06-20 | 北理慧动（常熟）车辆科技有限公司 | 一种应用于自动驾驶车辆的高速公路超车行为决策方法 |
| US20190001967A1 (en) * | 2017-06-30 | 2019-01-03 | MAGNETI MARELLI S.p.A. | Path planning method for computing optimal parking maneuvers for road vehicles and corresponding system |
| CN108121205A (zh) * | 2017-12-13 | 2018-06-05 | 深圳市航盛电子股份有限公司 | 一种用于多种泊车场景的路径规划方法、系统及介质 |
| CN108928343A (zh) * | 2018-08-13 | 2018-12-04 | 吉利汽车研究院（宁波）有限公司 | 一种全景融合自动泊车系统及方法 |
| CN109739231A (zh) * | 2018-12-29 | 2019-05-10 | 北京智行者科技有限公司 | 自动驾驶充电车停车控制方法及系统 |
| CN109649384A (zh) * | 2019-02-15 | 2019-04-19 | 华域汽车系统股份有限公司 | 一种泊车辅助方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113008256A (zh) * | 2021-02-18 | 2021-06-22 | 恒大新能源汽车投资控股集团有限公司 | 自动泊车路径的规划方法、规划装置以及存储介质 |
| CN113074747A (zh) * | 2021-03-25 | 2021-07-06 | 驭势科技（北京）有限公司 | 一种路径规划方法、装置、设备及存储介质 |
| CN113074747B (zh) * | 2021-03-25 | 2024-01-05 | 驭势科技（北京）有限公司 | 一种路径规划方法、装置、设备及存储介质 |
| CN116670736A (zh) * | 2021-04-29 | 2023-08-29 | 埃尔构人工智能有限责任公司 | 考虑环境条件的车辆停靠位置的确定 |
| CN116311878A (zh) * | 2022-10-21 | 2023-06-23 | 广州金王科技股份有限公司 | 一种智能停车器控制方法及其控制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112230638B (zh) | 2022-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112230638B (zh) | 一种车辆的停车路径规划方法和装置 | |
| US11726477B2 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
| US11885910B2 (en) | Hybrid-view LIDAR-based object detection | |
| EP4141736A1 (en) | Lane tracking method and apparatus | |
| CN111653113B (zh) | 车辆的局部路径确定方法、装置、终端和存储介质 | |
| CN107169468A (zh) | 用于控制车辆的方法和装置 | |
| CN111971574A (zh) | 用于自动驾驶车辆的lidar定位的基于深度学习的特征提取 | |
| CN111771141A (zh) | 自动驾驶车辆中使用3d cnn网络进行解决方案推断的lidar定位 | |
| CN111771135A (zh) | 自动驾驶车辆中使用rnn和lstm进行时间平滑的lidar定位 | |
| US20220153296A1 (en) | Trajectory planning with obstacle avoidance for autonomous driving vehicles | |
| KR20170126740A (ko) | 물체 탐지 장치 및 방법 | |
| CN110348332A (zh) | 一种交通视频场景下机非人多目标实时轨迹提取方法 | |
| CN110705385B (zh) | 一种障碍物角度的检测方法、装置、设备及介质 | |
| CN112540606A (zh) | 避障的方法、装置、调度服务器及存储介质 | |
| CN114644016A (zh) | 车辆自动驾驶决策方法、装置、车载终端和存储介质 | |
| CN113720346A (zh) | 基于势能场和隐马尔可夫模型的车辆路径规划方法及系统 | |
| US12055407B2 (en) | Mixed regular and open-space trajectory planning method for autonomous driving vehicle | |
| CN113189610B (zh) | 地图增强的自动驾驶多目标追踪方法和相关设备 | |
| US11884268B2 (en) | Motion planning in curvilinear coordinates for autonomous vehicles | |
| CN115892076A (zh) | 车道障碍物筛选方法、装置和域控制器 | |
| CN116125980A (zh) | 无人货车驾驶方法、装置、电子设备及存储介质 | |
| US20240199077A1 (en) | Motion planning of an autonomous vehicle, motion planning system and vehicle with a motion planning system | |
| CN112347819B (zh) | 一种基于全图与局部检测的车辆路径变换方法及装置 | |
| CN112017426B (zh) | 车辆路径变换模型的训练方法、路径变换方法和装置 | |
| CN118494468A (zh) | 基于人工智能的车辆控制方法及系统 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211122 Address after: 215100 floor 23, Tiancheng Times Business Plaza, No. 58, qinglonggang Road, high speed rail new town, Xiangcheng District, Suzhou, Jiangsu Province Applicant after: MOMENTA (SUZHOU) TECHNOLOGY Co.,Ltd. Address before: Room 601-a32, Tiancheng information building, No. 88, South Tiancheng Road, high speed rail new town, Xiangcheng District, Suzhou City, Jiangsu Province Applicant before: MOMENTA (SUZHOU) TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |