CN112230659A - 精准规划运动轨迹的方法、智能控制设备及自动驾驶车辆 - Google Patents

Abstract

本发明提供了一种精准规划运动轨迹的方法。精准规划运动轨迹的方法包括：获取自动驾驶车辆的体系参数；根据预设的车辆划分标准和体系参数匹配出自动驾驶车辆的车辆评价模型；感知所述自动驾驶车辆的行驶场景；根据行驶场景规划出一条或多条第一运动轨迹；将一条或多条第一运动轨迹输入车辆评价模型，得到满足车辆评价模型的精准运动轨迹。此外，本发明还提供一种智能控制设备及自动驾驶车辆。上述精准规划运动轨迹的方法通过车辆评价模型和满意度评价模型对运动轨迹的评估实现精准规划运动轨迹的效果，节省了自动驾驶车辆的算力。

Description

精准规划运动轨迹的方法、智能控制设备及自动驾驶车辆

技术领域

本发明涉及自动驾驶技术领域，尤其涉及一种精准规划运动轨迹的方法、智能控制设备及自动驾驶车辆。

背景技术

目前，市面上大部分自动驾驶系统的规划模块是基于运动学模型根据实时感知到的环境数据以及高精地图提供的地图数据对自动驾驶车辆的运动轨迹进行规划。现有的运动轨迹规划方法是根据运动学相关的约束对运动轨迹进行限定，而忽略了动力学相关的约束对运动轨迹的影响。所以控制模块在控制自动驾驶车辆实现运动轨迹所规划的路径时，需要进行大量的运算来使规划好的运动轨迹符合动力学参数，这个过程占用了巨大的算力，花费了较长的时间。使得自动驾驶车辆的反应时间变长，灵敏度变差，不利于自动驾驶车辆的安全行驶。

因此，使规划模块规划的运动轨迹不仅符合运动学相关的约束也符合动力学相关的约束以减少运算时间是亟需解决的问题。

发明内容

本发明提供一种精准规划运动轨迹的方法、智能控制设备及自动驾驶车辆，减少控制模块对运动轨迹在动力学参数约束方面的运算量，缩短自动驾驶车辆的整体运算时间。

第一方面，本发明实施例提供一种精准规划运动轨迹的方法。精准规划运动轨迹的方法包括：

获取自动驾驶车辆的体系参数，体系参数为自动驾驶车辆的硬件以及性能参数；

根据预设的车辆划分标准和体系参数匹配出自动驾驶车辆的车辆评价模型，车辆评价模型是利用动力学参数对运动轨迹的精准度进行评价的模型，预设的车辆划分标准包括多个车辆划分标准，每一车辆划分标准对应一种车辆评价模型；

感知自动驾驶车辆的行驶场景；

根据行驶场景规划出一条或多条第一运动轨迹；

将一条或多条第一运动轨迹输入车辆评价模型，得到满足车辆评价模型的精准运动轨迹。

第二方面，本发明实施例提供一种智能控制设备，智能控制设备包括：

存储器，存储器用于存储精准规划运动轨迹的方法的程序指令；

处理器，处理器用于执行程序指令，以使智能控制设备实现上述任意一项的精准规划运动轨迹的方法。

第三方面，本发明实施例提供一种自动驾驶车辆，自动驾驶车辆包括智能控制设备，智能控制设备包括：

存储器，存储器用于存储精准规划运动轨迹的方法的程序指令；

处理器，处理器用于执行程序指令，以使智能控制设备实现上述任意一项的精准规划运动轨迹的方法。

上述精准规划运动轨迹的方法，通过车辆评价模型以及满意度评价模型对运动轨迹进行筛选得到的运动规划轨迹不仅符合运动学对运动轨迹要求，也符合动力学对运动轨迹的要求，从而可以减少根据运动规划轨迹运算出控制自动驾驶车辆行驶所需控制指令的运算量，节约了时间，并且提高自动驾驶车辆反应的灵敏度，使得自动驾驶车辆的安全性能大大提升。

附图说明

为了更清楚地说明本发明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，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示出的结构获得其他的附图。

图1为本发明第一实施例提供的精准规划运动轨迹的方法流程图。

图2为本发明第一实施例提供的精准规划运动轨迹的方法第一子流程图。

图3为本发明第一实施例提供的精准规划运动轨迹的方法第二子流程图。

图4为本发明第一实施例提供的精准规划运动轨迹的方法第三子流程图。

图5为本发明第一实施例提供的树搜索算法逻辑示意图。

图6为本发明第一实施例提供的精准规划运动轨迹的方法第四子流程图。

图7为本发明第一实施例提供的精准规划运动轨迹的方法的模块示意图。

图8为本发明第一实施例提供的智能控制设备结构示意图。

图9为本发明第一实施例提供的自动驾驶车辆示意图。

图中各元件标号

100 自动驾驶车辆 900 智能控制设备

901 存储器 902 处理器

903 总线 904 显示组件

905 通信组件 501 输入节点

502 第一级节点 503 第二级节点

504 第N级节点 500 树搜索逻辑树

700 自动驾驶控制系统 701 规划模块

702 控制模块 710 自动驾驶执行系统

711 总控制器 712 油门模块

713 刹车模块

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其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至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

请结合参看图1，其为本发明第一实施例提供的精准规划运动轨迹的方法流程图。精准规划运动轨迹的方法具体包括以下步骤。

步骤S101，获取自动驾驶车辆的体系参数。体系参数为自动驾驶车辆的硬件以及性能参数。具体地，体系参数包括自动驾驶车辆的硬件参数和性能参数，硬件参数包括尺寸和/或吨位，性能参数包括通讯时间、运算性能和各硬件接收到指令后的反应时间。通讯时间根据自动驾驶车辆的通信信号决定，比如4G或5G。运算性能是由自动驾驶车辆的主机决定。各硬件接收到指令后的反应时间由自动驾驶车辆的各硬件性能决定。

步骤S102，根据预设的车辆划分标准和体系参数匹配的自动驾驶车辆的车辆评价模型。预设的车辆划分标准包括预设的轿车标准和预设的货车标准。例如，轿车一般按照尺寸划分等级。国际通行标准轿车尺寸分为A0，A，B，C，D，E级车，不同尺寸的汽车级别的尺寸如下：A0级轿车：3.5-4.0米；A级轿车：4.0-4.5米；B级轿车：4.6-4.8米；C级轿车：4.7-5.0米；D级轿车：5.1-5.2米；E级轿车：5.3米-6.2米。货车一般按照尺寸和吨位划分等级，常用的尺寸和吨位规则如下：A0级货车：4.2米，载重5吨以内；A级货车：6.2米，载重8吨以内；B级货车：7.2米，载重10吨以内；C级货车：9.6米以上就可以根据车轴数量来确定载重量，单轴(2桥)载重15吨内，双轴(3桥)20吨内，双轴(4桥)25吨内；D级货车：12.5米车目前有4桥、5桥、6桥这几种，载重分别20吨、35吨、45吨内；E级货车：17米一般是6桥，载重在40吨左右。本实施例中自动驾驶车辆的系统整体性能划分如下：1级性能：10-11毫秒；2级性能：9-10毫秒；3级性能：7-8毫秒。具体到每种类型的自动驾驶车辆上整体性能根据通讯时间、运算性能和各硬件接收到指令后的反应时间共同决定。

车辆评价模型是利用动力学参数对运动轨迹的精准度进行评价的模型，车辆评价模型包括动力学参数和树搜索算法。预设的车辆划分标准包括多个车辆划分标准，每一车辆划分标准对应一种车辆评价模型。不同车辆评价模型中树搜索算法是相同的，不同的车辆评价模型对应的动力学参数的类型是不同的，参数的数值也不同。不同的动力学参数由人工调试或者机器学习的方法适配。具体地，以运动学模型和动力学模型为基础，根据各种参数的时效性，实际行驶过程中的摩擦力、空气阻力以及车辆状态(不同车辆状态的时效性不同，即延迟大小不同)，找到车辆评价模型的通用参数。

动力学参数包括阿克曼转向轮偏转角关系(Ackermann steering geometry)、外倾角(Camber angle)、后倾角(Caster angle)、力的圆周(Circle offorces)、固定轴(Liveaxle)、转向过度(Oversteer)、滚动中心(Roll center)、束角(Toe)、非簧载质量(Unsprungweight)、车辆重心移动(Weight transfer)、偏滑角(Slip angle)、衡定状态(Steadystate)等参数。本实施例中，树搜索算法采用的是蒙特卡洛树搜索算法，特卡洛树搜索算法分为四步，分别是选择(Selection)、扩展(Expansion)、模拟(Simulate)和反向传播。在另一些可行的实施例中，其他具有相同效果的树搜索算法也属于本发明保护的范围。

具体地，一辆长度为3.8米的自动驾驶车辆，主板集成了Nvidia PX2处理芯片，使用5G信号作为通信信号。该自动驾驶车辆属于A0级轿车，自动驾驶车辆的系统整体性能为2级性能对应了具有阿克曼转向轮偏转角关系、外倾角、后倾角、力的圆周、固定轴、转向过度、滚动中心、束角、非簧载质量、车辆重心移动、偏滑角、衡定状态参数的特卡洛树搜索算法。

步骤S103，感知所述自动驾驶车辆的行驶场景。感知数据由传感器获取。具体地，感知数据可以由安装在自动驾驶车辆上的传感器获取，比如摄像机获取图像数据，雷达获取点云数据。可以由V2X系统获取自动驾驶车辆所需要的行驶数据，V2X系统是搭载先进的车载传感器、控制器、执行器等装置，并融合现代通信与网络技术的系统，它实现车与(人、车、路、后台等)智能信息的交换共享，具备复杂的环境感知、智能决策、协同控制和执行等功能，可实现安全、舒适、节能、高效行驶，并最终可替代人来操作的新一代自动驾驶感知系统。行驶场景是由图像数据、点云数据以及高精地图信息共同构建的包含自动驾驶车辆行驶所需的一切数据的场景。

步骤S104，根据行驶场景规划出一条或多条第一运动轨迹。第一运动轨迹是根据图像数据、点云数据以及高精地图信息规划出的一条或多条运动轨迹。

步骤S105，将一条或多条第一运动轨迹输入车辆评价模型，得到满足车辆评价模型的精准运动轨迹。精准运动轨迹是第一运动轨迹经过动力学参数和树搜索算法的筛选得到的运动轨迹。

在一些其他可行的实施例中，车辆评价模型也会接收自动驾驶车辆实时反馈的信息，以不断修正车辆评价模型中的参数使得车辆评价模型更加贴近自动驾驶车辆的实际行驶状态。请结合参看图7，自动驾驶控制系统700中规划模块701将精准运动轨迹发送至控制模块702，控制模块702将控制指令发送至自动驾驶执行系统710中，总控制器711将具体的油门模块指令发送至油门模块712以及刹车指令发送至刹车模块713。油门模块712和刹车模块713再将自动驾驶车辆实际执行参数反馈至自动驾驶控制系统700，使自动驾驶车辆下一次能够筛选出更加精准的运动轨迹。

第二实施例提供的精准规划运动轨迹的方法与第一实施例提供的精准规划运动轨迹的方法的差异在于，第二实施例提供的精准规划运动轨迹的方法还包括当得到的满足车辆评价模型的精准运动轨迹为多条时，将多条精准运动轨迹输入满意度评价模型，得到最优精准运动轨迹。

预设的满意度评价模型是根据用户的体验评价建立的运动轨迹筛选模型。满意度评价模型包括时间评价标准、距离评价标准、舒适度评价标准、乘客评价标准和驾驶员评价标准。根据用户输入的标准，选择上述五个评价标准中的一个设定为满意度评价模型的评价参数。精准运动轨迹是由自动驾驶车辆的规划模块规划出的不仅满足运动学参数例如速度，加速度和减速度等性能参数的约束条件，也满足运动学参数性能参数的约束条件的运动轨迹。若只有一条精准运动轨迹则该运动轨迹为最优精准运动轨迹。若有多条精准运动轨迹则选中指定参数评价分数最高的精准运动轨迹为最优精准运动轨迹。

在本实施例中，精准规划运动轨迹的方法将车辆评估模型和满意度评价模型结合到决策模块中，能够提高精准运动轨迹的可行性，减少控制模块的运算量，从而提高自动驾驶车辆的灵敏度，使自动驾驶车辆的行驶过程更加安全。

请结合参看图2，其为本发明第一实施例提供的步骤S102的子步骤流程图。步骤S102根据预设的车辆划分标准和体系参数匹配的自动驾驶车辆的车辆评价模型，具体包括下面步骤。

步骤S201，根据硬件参数匹配自动驾驶车辆所属类型的车辆评价模型集。车辆评价模型集包括了同一种类型车辆的不同具体参数的车辆评价模型。具体地，某一自动驾驶车辆为3.8米的轿车，根据3.8米这个参数将其划分为AO级轿车。AO级轿车的车辆评价模型集包括了阿克曼转向轮偏转角关系、外倾角、后倾角、力的圆周、固定轴、转向过度、滚动中心、束角(Toe)、非簧载质量、车辆重心移动、偏滑角、衡定状态参数。

步骤S202，根据性能参数从车辆评价模型集中获取对应的车辆评价模型。具体地，根据该自动驾驶车辆的性能确定阿克曼转向轮偏转角关系、外倾角、后倾角、力的圆周、固定轴、转向过度、滚动中心、束角(Toe)、非簧载质量、车辆重心移动、偏滑角、衡定状态参数的具体数据值，并根据数据值找到该车辆对应的车辆评价模型。

本实施例中，利用分级的方法找到自动驾驶车辆对应的车辆评价模型，算力小，搜索速度快，提升自动驾驶车辆的运算效率。

请结合参看图3，其为本发明第一实施例提供的步骤S104的子步骤流程图。步骤S104根据行驶场景规划出一条或多条第一运动轨迹，具体包括下面步骤。

步骤S301，根据行驶场景提取行驶场景中障碍物信息。障碍物信息是根据感知数据以及高精地图数据获取的影响自动驾驶车辆运动轨迹的物体的信息，例如，路障，其他车辆和行人等。

步骤S302，根据障碍物信息和预设的图搜索算法规划出一条或多条第一运动轨迹。在本实施例中图搜索算法为D-star算法，在另一些可行的实施例中也可以是网格分解法，或是其他任何可以实现运动轨迹规划的图搜索算法。具体地，D-star算法根据路障，其他车辆和行人信息规划出一条或多条符合运动学参数约束的第一运动轨迹。

请结合参看图4，其为本发明第一实施例提供的步骤S105的子步骤流程图。步骤S105将一条或多条第一运动轨迹输入车辆评价模型，得到满足车辆评价模型的精准运动轨迹，具体包括下面步骤。

步骤S401，将车辆评价模型中动力学参数按照预设规则填充至树搜索算法的各个节点。树搜索算法包括一个或者多个节点，节点用于存放作为判定标准的动力学参数。具体填充规则请参照图5，其为本发明第一实施例提供的精准规划运动轨迹的方法的树搜索算法逻辑示意图。动力学参数包括若干等级的参数，将动力学参数按照参数等级依次填充至树搜索算法的各个节点，例如第一级节点502、第二级节点503......第N级节点504。参数等级越高越靠近输入节点，输入节点501用于接收第一运动轨迹。具体地，第一级节点502中填充阿克曼转向轮偏转角关系参数，第二级节点503中填充后倾角参数。具体节点中填充的参数根据自动驾驶车辆的实际情况填充，这里填充的参数仅作示例。

步骤S402，将一条或多条第一运动轨迹输入树搜索算法。

步骤S403，判断一条或多条第一运动轨迹是否满足所有判定标准。

步骤S404，当第一运动轨迹满足所有判定标准时，将第一运动轨迹输出为精准运动轨迹。

步骤S405，当第一运动轨迹不满足所有判定标准时，删除第一运动轨迹。

在本实施例中，先考虑运动学参数的约束，再考虑动力学参数的约束，使精准运动轨迹更贴近控制模块计算出的实际运动轨迹，提高自动驾驶车辆的灵敏度。先使用图搜索算法找出可用的第一运动轨迹，再利用树搜索算法找出精准运动轨迹，优化了轨迹规划的算法逻辑，提升了自动驾驶车辆的运算性能。

在本实施例中，只有一条精准运动轨迹就不再经过满意度评价模型的筛选，节省了规划模块的算力。

请结合参看图6，其为本发明第一实施例提供的步骤S402的子步骤流程图。步骤S402将一条或多条第一运动轨迹输入树搜索算法，还包括下面步骤。

步骤S601，将多条第一运动轨迹根据预设的规则进行排序。当所述第一运动轨迹为多条，预设的规则可以是按照时间进行优先级排序，也可以按照其他参数设定优先级的排序规则。这里的时间参数仅作说明，不作限定。

步骤S602，按照优先级将第一运动轨迹依次输入树搜索算法。

本发明第一实施例提供了步骤S601的子步骤。步骤S601将多条第一运动轨迹根据预设的规则进行排序。第一实施例提供的精准规划运动轨迹的方法还包括根据第一运动轨迹产生的时间对第一运动轨迹进行排序。在本实施例中，根据时间对第一运动轨迹的优先级进行设定，节省了自动驾驶车辆的规划模块的算力。

本发明第三实施例也提供了步骤S601的子步骤。第三实施例提供的精准规划运动轨迹的方法与第一实施例提供的精准规划运动轨迹的方法的差异在于，第三实施例提供的精准规划运动轨迹的方法还包括根据性能参数对多条第一运动轨迹进行排序。例如，耗油量少的运动轨迹优先级高于耗油量多的运动轨迹。在本实施例中，根据性能参数对第一运动轨迹的优先级进行设定，使得第一运动轨迹更加符合动力学约束，节省了自动驾驶车辆的控制模块的算力。

本发明第四实施例也提供了步骤S601的子步骤。第四实施例提供的精准规划运动轨迹的方法与第一实施例提供的精准规划运动轨迹的方法的差异在于，第四实施例提供的精准规划运动轨迹的方法还包括当所述第一运动轨迹为多条时，将多条第一运动轨迹同时输入所述树搜索算法。在本实施例中，将第一运动轨迹集一次性输入树搜索算法可以缩短第一运动轨迹的筛选时间，缩短自动驾驶车辆的运算时间，提高自动驾驶车辆的反应速度。

请结合参看图8，其为本发明第一实施例提供的智能控制设备900的内部结构图示。在本实施例中，智能控制设备可以为平板电脑、台式计算机、笔记型计算机。智能控制设备可以是装载有任一智能等操作系统的设备。智能控制设备900包括存储器901、处理器902和总线903。其中，存储器901至少包括一种类型的可读存储介质，该可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器901在一些实施例中可以是智能控制设备900的内部存储单元，例如智能控制设备900的硬盘。存储器901在另一些实施例中也可以是智能控制设备900的外部存储设备，例如智能控制设备900上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字卡(Secure Digital，SD)，闪存卡(Flash Card)等。进一步地，存储器901还可以既包括智能控制设备900的内部存储单元也包括智能控制设备900的内外部存储设备。存储器901不仅可以用于存储安装于智能控制设备900的应用软件及各类数据，例如实现精准规划运动轨迹的方法的控制指令等，还可以用于暂时地存储已经输出或者将要输出的数据。

总线903可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

进一步地，智能控制设备900还可以包括显示组件904。显示组件904可以是LED(Light Emitting Diode，发光二极管)显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示组件904也可以适当的称为显示装置或显示单元，用于显示在智能控制设备900中处理的信息以及用于显示可视化的用户界面。

进一步地，智能控制设备900还可以包括通信组件905，通信组件905可选的可以包括有线通信组件和/或无线通信组件(如WI-FI通信组件、蓝牙通信组件等)，通常用于在智能控制设备900与其他智能控制设备之间建立通信连接。

处理器902在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器901中存储的程序代码或处理数据。具体地，处理器902执行精准规划运动轨迹的方法以控制智能控制设备900实现反应灵敏度更高的效果。

可以理解地，图8仅示出了具有组件901-905以及实现精准规划运动轨迹的方法的智能控制设备900，本领域技术人员可以理解的是，图8示出的结构并不构成对智能控制设备900的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

上述实施例中，利用车辆评价模型和满意度评价模型对规划模块规划好的运动轨迹进行筛选，使得规划模块向控制模块输出更加贴近实际运动轨迹的精准运动轨迹。该精准运动轨迹在控制模块进行处理时，只需要花费极少的算力，就可以获得具体的控制指令，减少自动驾驶车辆的反应时间。进一步地，精准规划运动轨迹的方法通过图搜索算法以及树搜索算法优化了运动轨迹的筛选方式，提升自动驾驶车辆的控制效率，提高自动驾驶车辆的安全性。

请结合参看图9，本发明还提供一种自动驾驶车辆100。如图所示的自动驾驶车辆100包括智能控制设备900，智能控制设备900包括，存储器901和处理器902。存储器901用于存储精准规划运动轨迹的方法的程序指令。处理器902用于执行精准规划运动轨迹的方法的程序指令，以使智能控制设备900实现上述任意一项的精准规划运动轨迹的方法。由于自动驾驶车辆100采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再赘述。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘且本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

以上所列举的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属于本发明所涵盖的范围。

Claims (10)

1.一种精准规划运动轨迹的方法，其特征在于，所述精准规划运动轨迹的方法包括：

获取自动驾驶车辆的体系参数，所述体系参数为所述自动驾驶车辆的硬件以及性能参数；

根据预设的车辆划分标准和所述体系参数匹配出所述自动驾驶车辆的车辆评价模型，所述车辆评价模型是利用动力学参数对运动轨迹的精准度进行评价的模型，所述预设的车辆划分标准包括多个车辆划分标准，每一所述车辆划分标准对应一种所述车辆评价模型；

感知所述自动驾驶车辆的行驶场景；

根据所述行驶场景规划出一条或多条第一运动轨迹；

将一条或多条所述第一运动轨迹输入所述车辆评价模型，得到满足所述车辆评价模型的精准运动轨迹。

2.如权利要求1所述的精准规划运动轨迹的方法，其特征在于，所述精准规划运动轨迹的方法还包括，当得到的满足所述车辆评价模型的所述精准运动轨迹为多条时，将多条所述精准运动轨迹输入预设的满意度评价模型，得到最优精准运动轨迹，所述预设的满意度评价模型是根据用户的体验评价建立的运动轨迹筛选模型。

3.如权利要求2所述的精准规划运动轨迹的方法，其特征在于，所述硬件参数包括尺寸和/或吨位，所述性能参数包括通讯时间、运算性能和各硬件接收到指令后的反应时间，根据预设的车辆划分标准和所述体系参数匹配的所述自动驾驶车辆的车辆评价模型，具体包括：

根据所述硬件参数匹配所述自动驾驶车辆所属类型的车辆评价模型集；以及

根据所述性能参数从所述车辆评价模型集中获取对应的所述车辆评价模型。

4.如权利要求1所述的精准规划运动轨迹的方法，其特征在于，根据所述行驶场景规划出一条或多条第一运动轨迹，具体包括：

根据所述行驶场景提取所述行驶场景中障碍物信息；以及

根据所述障碍物信息和预设的图搜索算法规划出一条或多条所述第一运动轨迹。

5.如权利要求1所述的精准规划运动轨迹的方法，其特征在于，所述车辆评价模型包括所述动力学参数和树搜索算法，将一条或多条所述第一运动轨迹输入所述车辆评价模型，得到满足所述车辆评价模型的精准运动轨迹，具体包括：

将所述车辆评价模型中所述动力学参数按照预设规则填充至所述树搜索算法的各个所述节点，所述树搜索算法包括一个或者多个所述节点，所述节点用于存放作为判定标准的所述动力学参数；

将一条或多条所述第一运动轨迹输入所述树搜索算法；

判断一条或多条所述第一运动轨迹是否满足所有所述判定标准；

当所述第一运动轨迹满足所有所述判定标准时，将所述第一运动轨迹输出为所述精准运动轨迹；或者

当所述第一运动轨迹不满足所有所述判定标准时，删除所述第一运动轨迹。

6.如权利要求5所述的精准规划运动轨迹的方法，其特征在于，将一条或多条所述第一运动轨迹输入所述树搜索算法，当所述第一运动轨迹为多条时，还包括：

将多条所述第一运动轨迹根据预设的规则进行排序；以及

按照优先级将所述第一运动轨迹依次输入所述树搜索算法。

7.如权利要求6所述的精准规划运动轨迹的方法，其特征在于，将多条所述第一运动轨迹根据预设的规则进行排序，包括根据所述第一运动轨迹产生的时间对所述第一运动轨迹进行排序；或者根据所述性能参数对所述第一运动轨迹进行排序。

8.如权利要求5所述的精准规划运动轨迹的方法，其特征在于，将一条或多条所述第一运动轨迹输入所述树搜索算法，当所述第一运动轨迹为多条时，还包括将多条所述第一运动轨迹同时输入所述树搜索算法。

9.一种智能控制设备，其特征在于，所述智能控制设备包括：

存储器，所述存储器用于存储精准规划运动轨迹的方法的程序指令；

处理器，所述处理器用于执行所述程序指令，以使所述智能控制设备实现如权利要求1-8中任意一项所述的精准规划运动轨迹的方法。

10.一种自动驾驶车辆，其特征在于，所述自动驾驶车辆包括智能控制设备，所述智能控制设备包括：

存储器，所述存储器用于存储精准规划运动轨迹的方法的程序指令；

处理器，所述处理器用于执行所述程序指令，以使所述智能控制设备实现如权利要求1-8中任意一项所述的精准规划运动轨迹的方法。

Images