CN112327865A - 一种自动驾驶系统及方法 - Google Patents
一种自动驾驶系统及方法 Download PDFInfo
- Publication number
- CN112327865A CN112327865A CN202011288074.1A CN202011288074A CN112327865A CN 112327865 A CN112327865 A CN 112327865A CN 202011288074 A CN202011288074 A CN 202011288074A CN 112327865 A CN112327865 A CN 112327865A
- Authority
- CN
- China
- Prior art keywords
- global
- local
- automatic driving
- planning
- path
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000033001 locomotion Effects 0.000 claims abstract description 84
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 230000004927 fusion Effects 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 12
- 230000003068 static effect Effects 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005484 gravity 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
- G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons in combination with a laser
-
- 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
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
-
- 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
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种自动驾驶系统,包括自动感知模块和路程规划模块,所述自动感知模块包括定位单元、检测单元和预测单元,所述路程规划模块包括全局规划单元和局部规划单元。本发明通过SLAM算法在未知环境中创建供驾驶过程使用地图,根据起始地点和目标地点的位置在地图上规划出全局行驶路径,利用传感器融合算法和深度学习网络实时自动识别自动驾驶车辆外周部的物体目标并预测出物体目标未来的运动轨迹,结合全局行驶路径、物体目标未来的运动轨迹规划局部行驶路径保证自动驾驶车辆实时正常行驶,整个自动驾驶过程中自动适应复杂环境和实现智能路线调整,环境适应性强、安全性高。
Description
技术领域
本发明涉及智能驾驶技术领域,具体涉及一种自动驾驶系统及方法。
背景技术
学习一个从当前环境到自动驾驶车辆的映射是当前众多自动驾驶车辆应用的核心问题。该映射一般是利用车载传感器来感知自动驾驶车辆周围环境,并根据所获得的环境信息,来控制自动驾驶车辆的角速度和线速度,从而完成自动驾驶车辆的行为规划。
当前自动驾驶车辆行为规划系统大多是通过预编程的方法实现,由领域内的专家对环境建模并定义控制逻辑,通过预编程已经成功的实现了在特定环境下对自动驾驶车辆的控制。但是由于环境的多样性,使得通过预编程使自动驾驶车辆在不同环境下都能完成行为规划变得非常复杂和困难,而且当自动驾驶车辆遇到更加复杂或者陌生的环境时,其控制将变得不稳定,即使对所有环境都能建模,但是其控制逻辑却并不一定稳定。
发明内容
本发明的目的在于提供一种自动驾驶系统,以解决现有技术中预编程控制自动驾驶车辆难以适应复杂多变的环境的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种自动驾驶系统,包括自动感知模块和路程规划模块,所述自动感知模块包括定位单元、检测单元和预测单元,所述路程规划模块包括全局规划单元和局部规划单元;
定位单元,利用全球导航卫星系统(Global Navigation Satellite System,GNSS)和惯性测量单元(Inertial Measurement Unit,IMU)构成的惯性导航系统(InertialNavigation System,INS)协助自动驾驶车辆采用即时定位与地图构建(SimultaneousLocalization And Mapping,SLAM)算法在未知环境中构建地图并利用地图进行自我定位和导航;
检测单元,利用摄像头和激光雷达传感器协助自动驾驶车辆采用传感器融合算法和深度学习网络识别出在行进过程中周围出现的各类物体目标及物体目标的运动状态;
预测单元,利用定位单元构建的地图和检测单元输出各类物体目标及物体目标的运动状态协助自动驾驶车辆采用运动学模型算法预测出各类物体目标未来的运动轨迹;
全局规划单元,利用定位单元构建的地图协助自动驾驶车辆采用全局路径规划算法规划出从起始地点到目标地点的行驶路径;
局部规划单元,在全局规划单元中规划出的从起始地点到目标地点的全局行驶路径的基础上,自动驾驶车辆采用局部路径规划算法应对在全局行驶路径上出现的意外情况,以使得自动驾驶车辆实时正常行驶。
作为本发明的一种优选方案,所述检测单元获得各类物体目标及物体目标的运动状态的具体步骤:
A1、将摄像头设定为定时拍摄,并将摄像头定时拍摄的图片输入到深度学习网络模型中进行物体目标识别,并输出物体目标识别结果;
A2、激光、雷达传感器分别对物体目标识别结果中包含的各类物体目标的位置数据和速度数据进行实时追踪检测;
A3、将位置数据和速度数据输入到传感器融合算法中进行数据融合,以使得位置数据和速度数据以组合形式表示物体目标的运动状态。
作为本发明的一种优选方案,所述物体目标的位置数据和速度数据的组合形式、物体目标的运动状态、预测单元中物体目标未来的运动轨迹以及局部规划单元具有同步更新状态。
作为本发明的一种优选方案,所述全局规划单元规划出从起始地点到目标地点的全局行驶路径的具体步骤:
B1、在定位单元构建的地图中统计出从起始地点到目标地点的所有的全局行驶路径;
B2、对所有的全局行驶路径按照多种规则分别进行评价并排序;
B3、根据行驶需求在排序后的全局行驶路径选择对应的唯一行驶路径作为自动驾驶车辆从起始地点到目标地点的规划的全局行驶路径。
作为本发明的一种优选方案,所述局部规划单元应对在全局行驶路径上出现的意外情况,以使得自动驾驶车辆实时正常行驶的具体步骤:
B301、定时截取全局行驶路径上与物体目标运动轨迹具有相同长度的距离作为局部规划距离;
B302、在局部规划距离的宽度上按照自动驾驶车辆宽度并列分割成n个车道,并在n个车道中线位置生成n条与局部规划距离形状相一致的候选局部行驶路径;
B303、剔除n条候选局部行驶路径中与物体目标未来的运动轨迹存在冲突的候选局部行驶路径,在剩余的候选局部行驶路径中随机选择一条候选局部行驶路径作为自动驾驶车辆实时正常行驶的局部行驶路径。
作为本发明的一种优选方案,所述B303中,剔除n条候选局部行驶路径中与物体目标未来的运动轨迹存在冲突的候选局部行驶路径的具体方法为:
B3031:当物体目标未来的运动轨迹均为静态点且物体目标未来的运动轨迹与n条候选局部行驶路径一一对应,剔除n条候选局部行驶路径,剩余0条候选局部行驶路径,自动驾驶车辆实时正常行驶的局部行驶路径为0条,自动驾驶车辆沿当前全局行驶路径继续行驶最终停止在物体目标前方,更改车辆状态为“Stop”,车辆速度为0;
B3032:当物体目标未来的运动轨迹分为静态点和动态线性,未来的运动轨迹为静态点的物体目标数量标记为p小于n,剔除运动轨迹为静态点的物体目标所处于的候选局部行驶路径,剩余n-p条候选局部行驶路径,自动驾驶车辆实时正常行驶的局部行驶路径为n-p条,自动驾驶车辆沿当前全局行驶路径继续行驶且当前全局行驶路径前方的物体目标未来的运动轨迹为静态点,更改车辆状态为“avoid”,车辆速度维持当前值随机更换到n-p条中任一条局部行驶路径上实时正常行驶。
作为本发明的一种优选方案,所述全局行驶路径在自动驾驶车辆启动或重启后优先确定,在自动驾驶车辆到达目标地点之前的保持不变,并在自动驾驶车辆关闭后清除。
作为本发明的一种优选方案,所述摄像头和激光雷达传感器均匀分布在自动驾驶车辆的外周部,均匀采集自动驾驶车辆外周部出现的物体目标及物体目标的运动状态。
作为本发明的一种优选方案,本发明提供了一种根据所述自动驾驶系统的方法,包括以下步骤:
S1、定位单元利用全球导航卫星系统和惯性测量单元构成的惯性导航系统协助自动驾驶车辆采用即时定位与地图构建算法在未知环境中构建地图并利用地图进行自我定位和导航;
S2、检测单元利用摄像头和激光雷达传感器协助自动驾驶车辆采用传感器融合算法和深度学习网络识别出在行进过程中周围出现的各类物体目标及物体目标的运动状态;
S3、预测单元利用定位单元构建的地图和检测单元输出各类物体目标及物体目标的运动状态协助自动驾驶车辆采用运动学模型算法预测出各类物体目标未来的运动轨迹;
S4、全局规划单元利用定位单元构建的地图协助自动驾驶车辆采用全局路径规划算法规划出从起始地点到目标地点的行驶路径;
局部规划单元建立在全局规划单元中规划出的从起始地点到目标地点的全局行驶路径的基础上,自动驾驶车辆结合物体目标未来的运动轨迹采用局部路径规划算法应对在全局行驶路径上出现的意外情况,以使得自动驾驶车辆实时正常行驶。
本发明与现有技术相比较具有如下有益效果:
本发明通过SLAM算法在未知环境中创建供驾驶过程使用地图,根据起始地点和目标地点的位置在地图上规划出全局行驶路径,利用传感器融合算法和深度学习网络实时自动识别自动驾驶车辆外周部的物体目标并预测出物体目标未来的运动轨迹,结合全局行驶路径、物体目标未来的运动轨迹规划局部行驶路径保证自动驾驶车辆实时正常行驶,整个自动驾驶过程中自动适应复杂环境和实现智能路线调整,环境适应性强、安全性高。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式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示例性的,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,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的自动驾驶系统结构框图;
图2为本发明实施例提供的自动驾驶系统的方法流程图。
图中的标号分别表示如下:
1-自动感知模块;2-路程规划模块;
101-定位单元;102-检测单元;103-预测单元;
201-全局规划单元;202-局部规划单元。
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。
如图1所示,本发明提供了一种自动驾驶系统,包括自动感知模块1和路程规划模块2,所述自动感知模块1包括定位单元101、检测单元102和预测单元103,所述路程规划模块2包括全局规划单元201和局部规划单元202;
定位单元101,利用全球导航卫星系统(Global Navigation Satellite System,GNSS)和惯性测量单元(Inertial Measurement Unit,IMU)构成的惯性导航系统(InertialNavigation System,INS)协助自动驾驶车辆采用即时定位与地图构建(SimultaneousLocalization And Mapping,SLAM)算法在未知环境中构建地图并利用地图进行自我定位和导航;
惯性测量单元包含陀螺仪,加速度计。IMU将所有运动视作直线运动与旋转运动的总和,因而通过加速度计测得直线运动,通过陀螺仪测得旋转运动,进而和初始姿态相对比,得到当前的状态与相对位移,并不依赖外部的重力场或磁场,可以在任何情况下使用。
全球导航卫星系统包含全球定位系统,北斗卫星导航系统。
SLAM算法可以依据INS在未知环境中采集的数据构建出高精度地图,并利用高精度地图对自动驾驶车辆或地图中其他物体目标提供精准定位。
检测单元102,利用摄像头和激光雷达传感器协助自动驾驶车辆采用传感器融合算法和深度学习网络识别出在行进过程中周围出现的各类物体目标及物体目标的运动状态;
传感器融合算法采用YOLOv1算法、YOLOv2算法或YOLOv3算法,此类算法可以通过摄像头拍摄的图片识别图片中物体目标的种类、形状和位置,仅使用一层CNN神经网络,运算效率高,符合自动驾驶对效率的需求,并将通过激光雷达一一获取物体目标的运动状态。
预测单元103,利用定位单元101构建的地图和检测单元102输出各类物体目标及物体目标的运动状态协助自动驾驶车辆采用运动学模型算法预测出各类物体目标未来的运动轨迹;
全局规划单元201,利用定位单元101构建的地图协助自动驾驶车辆采用全局路径规划算法规划出从起始地点到目标地点的行驶路径;
局部规划单元202,在全局规划单元201中规划出的从起始地点到目标地点的全局行驶路径的基础上,自动驾驶车辆采用局部路径规划算法应对在全局行驶路径上出现的意外情况,以使得自动驾驶车辆实时正常行驶。
在全局规划的框架下加入局部规划,在实现到达目标地点的目的的同时在行驶途中进行实时避障,避免意外产生,提高安全性。
所述检测单元102获得各类物体目标及物体目标的运动状态的具体步骤:
A1、将摄像头设定为定时拍摄,并将摄像头定时拍摄的图片输入到深度学习网络模型中进行物体目标识别,并输出物体目标识别结果;
A2、激光、雷达传感器分别对物体目标识别结果中包含的各类物体目标的位置数据和速度数据进行实时追踪检测;
激光传感器仅能获得位置数据,雷达传感器仅能获得速度数据,相结合才能完整描述物体目标的运动状态,并能够减少定位误差,因此需要进行数据融合,并且将位置数据和速度数据进行数据融合后变成组合形式,当激光、雷达传感器同时更新后,只产生一个组合形式的融合数据。
A3、将位置数据和速度数据输入到传感器融合算法中进行数据融合,以使得位置数据和速度数据以组合形式表示物体目标的运动状态。
所述物体目标的位置数据和速度数据的组合形式、物体目标的运动状态、预测单元103中物体目标未来的运动轨迹以及局部规划单元202具有同步更新状态,位置数据和速度数据的组合形式更新、物体目标的运动状态、预测单元103中物体目标未来的运动轨迹以及局部规划单元202规划的局部行驶路径依次建立在前者的基础上进行更新。
所述全局规划单元201规划出从起始地点到目标地点的全局行驶路径的具体步骤:
B1、在定位单元101构建的地图中统计出从起始地点到目标地点的所有的全局行驶路径;
B2、对所有的全局行驶路径按照多种规则分别进行评价并排序;
排序规则包含但不限于路程最短、用时最短、路况最好或收费站最少等。
B3、根据行驶需求在排序后的全局行驶路径选择对应的唯一行驶路径作为自动驾驶车辆从起始地点到目标地点的规划的全局行驶路径。
行驶需求与排序规则相对应,同样包含但不限于路程、用时、路况或收费。
所述局部规划单元202应对在全局行驶路径上出现的意外情况,以使得自动驾驶车辆实时正常行驶的具体步骤:
B301、定时截取全局行驶路径上与物体目标运动轨迹具有相同长度的距离作为局部规划距离;
定时时长间隔根据实际需求可进行调整。
B302、在局部规划距离的宽度上按照自动驾驶车辆宽度并列分割成n个车道,并在n个车道中线位置生成n条与局部规划距离形状相一致的候选局部行驶路径;
B303、剔除n条候选局部行驶路径中与物体目标未来的运动轨迹存在冲突的候选局部行驶路径,在剩余的候选局部行驶路径中随机选择一条候选局部行驶路径作为自动驾驶车辆实时正常行驶的局部行驶路径。
物体目标的运动状态和物体目标的运动轨迹一一对应,物体目标的运动状态的为静态,则物体目标的运动轨迹为静态点,物体目标的运动状态的为动态,物体目标的运动轨迹为动态线性。
所述B303中,剔除n条候选局部行驶路径中与物体目标未来的运动轨迹存在冲突的候选局部行驶路径的具体方法为:
B3031:当物体目标未来的运动轨迹均为静态点且物体目标未来的运动轨迹与n条候选局部行驶路径一一对应,剔除n条候选局部行驶路径,剩余0条候选局部行驶路径,自动驾驶车辆实时正常行驶的局部行驶路径为0条,自动驾驶车辆沿当前全局行驶路径继续行驶最终停止在物体目标前方,更改车辆状态为“Stop”,车辆速度为0;
B3032:当物体目标未来的运动轨迹分为静态点和动态线性,未来的运动轨迹为静态点的物体目标数量标记为p小于n,剔除运动轨迹为静态点的物体目标所处于的候选局部行驶路径,剩余n-p条候选局部行驶路径,自动驾驶车辆实时正常行驶的局部行驶路径为n-p条,自动驾驶车辆沿当前全局行驶路径继续行驶且当前全局行驶路径前方的物体目标未来的运动轨迹为静态点,更改车辆状态为“avoid”,车辆速度维持当前值随机更换到n-p条中任一条局部行驶路径上实时正常行驶。
所述全局行驶路径在自动驾驶车辆启动或重启后优先确定,在自动驾驶车辆到达目标地点之前的保持不变,并在自动驾驶车辆关闭后清除。
所述摄像头和激光雷达传感器均匀分布在自动驾驶车辆的外周部,均匀采集自动驾驶车辆外周部出现的物体目标及物体目标的运动状态。
如图2所示,基于以上自动驾驶系统的结构,本发明提供了一种方法,包括以下步骤:
S1、定位单元利用全球导航卫星系统和惯性测量单元构成的惯性导航系统协助自动驾驶车辆采用即时定位与地图构建算法在未知环境中构建地图并利用地图进行自我定位和导航;
S2、检测单元利用摄像头和激光雷达传感器协助自动驾驶车辆采用传感器融合算法和深度学习网络识别出在行进过程中周围出现的各类物体目标及物体目标的运动状态;
S3、预测单元利用定位单元构建的地图和检测单元输出各类物体目标及物体目标的运动状态协助自动驾驶车辆采用运动学模型算法预测出各类物体目标未来的运动轨迹;
S4、全局规划单元利用定位单元构建的地图协助自动驾驶车辆采用全局路径规划算法规划出从起始地点到目标地点的行驶路径;
S5、局部规划单元建立在全局规划单元中规划出的从起始地点到目标地点的全局行驶路径的基础上,自动驾驶车辆结合物体目标未来的运动轨迹采用局部路径规划算法应对在全局行驶路径上出现的意外情况,以使得自动驾驶车辆实时正常行驶。
本发明通过SLAM算法在未知环境中创建供驾驶过程使用地图,根据起始地点和目标地点的位置在地图上规划出全局行驶路径,利用传感器融合算法和深度学习网络实时自动识别自动驾驶车辆外周部的物体目标并预测出物体目标未来的运动轨迹,结合全局行驶路径、物体目标未来的运动轨迹规划局部行驶路径保证自动驾驶车辆实时正常行驶,整个自动驾驶过程中自动适应复杂环境和实现智能路线调整,环境适应性强、安全性高。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (9)
1.一种自动驾驶系统,其特征在于:包括自动感知模块(1)和路程规划模块(2),所述自动感知模块(1)包括定位单元(101)、检测单元(102)和预测单元(103),所述路程规划模块(2)包括全局规划单元(201)和局部规划单元(202);
定位单元(101),利用全球导航卫星系统和惯性测量单元构成的惯性导航系统协助自动驾驶车辆采用即时定位与地图构建算法在未知环境中构建地图并利用地图进行自我定位和导航;
检测单元(102),利用摄像头和激光雷达传感器协助自动驾驶车辆采用传感器融合算法和深度学习网络识别出在行进过程中周围出现的各类物体目标及物体目标的运动状态;
预测单元(103),利用定位单元(101)构建的地图和检测单元(102)输出各类物体目标及物体目标的运动状态协助自动驾驶车辆采用运动学模型算法预测出各类物体目标未来的运动轨迹;
全局规划单元(201),利用定位单元(101)构建的地图协助自动驾驶车辆采用全局路径规划算法规划出从起始地点到目标地点的行驶路径;
局部规划单元(202),在全局规划单元(201)中规划出的从起始地点到目标地点的全局行驶路径的基础上,自动驾驶车辆采用局部路径规划算法应对在全局行驶路径上出现的意外情况,以使得自动驾驶车辆实时正常行驶。
2.根据权利要求1所述的一种自动驾驶系统,其特征在于:所述检测单元(102)获得各类物体目标及物体目标的运动状态的具体步骤:
A1、将摄像头设定为定时拍摄,并将摄像头定时拍摄的图片输入到深度学习网络模型中进行物体目标识别,并输出物体目标识别结果;
A2、激光、雷达传感器分别对物体目标识别结果中包含的各类物体目标的位置数据和速度数据进行实时追踪检测;
A3、将位置数据和速度数据输入到传感器融合算法中进行数据融合,以使得位置数据和速度数据以组合形式表示物体目标的运动状态。
3.根据权利要求2所述的一种自动驾驶系统,其特征在于:所述物体目标的位置数据和速度数据的组合形式、物体目标的运动状态、预测单元(103)中物体目标未来的运动轨迹以及局部规划单元(202)具有同步更新状态。
4.根据权利要求3所述的一种自动驾驶系统,其特征在于:所述全局规划单元(201)规划出从起始地点到目标地点的全局行驶路径的具体步骤:
B1、在定位单元(101)构建的地图中统计出从起始地点到目标地点的所有的全局行驶路径;
B2、对所有的全局行驶路径按照多种规则分别进行评价并排序;
B3、根据行驶需求在排序后的全局行驶路径选择对应的唯一行驶路径作为自动驾驶车辆从起始地点到目标地点的规划的全局行驶路径。
5.根据权利要求4所述的一种自动驾驶系统,其特征在于:所述局部规划单元(202)应对在全局行驶路径上出现的意外情况,以使得自动驾驶车辆实时正常行驶的具体步骤:
B301、定时截取全局行驶路径上与物体目标运动轨迹具有相同长度的距离作为局部规划距离;
B302、在局部规划距离的宽度上按照自动驾驶车辆宽度并列分割成n个车道,并在n个车道中线位置生成n条与局部规划距离形状相一致的候选局部行驶路径;
B303、剔除n条候选局部行驶路径中与物体目标未来的运动轨迹存在冲突的候选局部行驶路径,在剩余的候选局部行驶路径中随机选择一条候选局部行驶路径作为自动驾驶车辆实时正常行驶的局部行驶路径。
6.根据权利要求5所述的一种自动驾驶系统,其特征在于:所述B303中,剔除n条候选局部行驶路径中与物体目标未来的运动轨迹存在冲突的候选局部行驶路径的具体方法为:
B3031:当物体目标未来的运动轨迹均为静态点且物体目标未来的运动轨迹与n条候选局部行驶路径一一对应,剔除n条候选局部行驶路径,剩余0条候选局部行驶路径,自动驾驶车辆实时正常行驶的局部行驶路径为0条,自动驾驶车辆沿当前全局行驶路径继续行驶最终停止在物体目标前方,更改车辆状态为“Stop”,车辆速度为0;
B3032:当物体目标未来的运动轨迹分为静态点和动态线性,未来的运动轨迹为静态点的物体目标数量标记为p小于n,剔除运动轨迹为静态点的物体目标所处于的候选局部行驶路径,剩余n-p条候选局部行驶路径,自动驾驶车辆实时正常行驶的局部行驶路径为n-p条,自动驾驶车辆沿当前全局行驶路径继续行驶且当前全局行驶路径前方的物体目标未来的运动轨迹为静态点,更改车辆状态为“avoid”,车辆速度维持当前值随机更换到n-p条中任一条局部行驶路径上实时正常行驶。
7.根据权利要求6所述的一种自动驾驶系统,其特征在于,所述全局行驶路径在自动驾驶车辆启动或重启后优先确定,在自动驾驶车辆到达目标地点之前的保持不变,并在自动驾驶车辆关闭后清除。
8.根据权利要求7所述的一种自动驾驶系统,其特征在于,所述摄像头和激光雷达传感器均匀分布在自动驾驶车辆的外周部,均匀采集自动驾驶车辆外周部出现的物体目标及物体目标的运动状态。
9.一种根据权利要求1-8任一项所述自动驾驶系统的方法,其特征在于,包括以下步骤:
S1、定位单元利用全球导航卫星系统和惯性测量单元构成的惯性导航系统协助自动驾驶车辆采用即时定位与地图构建算法在未知环境中构建地图并利用地图进行自我定位和导航;
S2、检测单元利用摄像头和激光雷达传感器协助自动驾驶车辆采用传感器融合算法和深度学习网络识别出在行进过程中周围出现的各类物体目标及物体目标的运动状态;
S3、预测单元利用定位单元构建的地图和检测单元输出各类物体目标及物体目标的运动状态协助自动驾驶车辆采用运动学模型算法预测出各类物体目标未来的运动轨迹;
S4、全局规划单元利用定位单元构建的地图协助自动驾驶车辆采用全局路径规划算法规划出从起始地点到目标地点的行驶路径;
局部规划单元建立在全局规划单元中规划出的从起始地点到目标地点的全局行驶路径的基础上,自动驾驶车辆结合物体目标未来的运动轨迹采用局部路径规划算法应对在全局行驶路径上出现的意外情况,以使得自动驾驶车辆实时正常行驶。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011288074.1A CN112327865A (zh) | 2020-11-17 | 2020-11-17 | 一种自动驾驶系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011288074.1A CN112327865A (zh) | 2020-11-17 | 2020-11-17 | 一种自动驾驶系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112327865A true CN112327865A (zh) | 2021-02-05 |
Family
ID=74322422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011288074.1A Withdrawn CN112327865A (zh) | 2020-11-17 | 2020-11-17 | 一种自动驾驶系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112327865A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114690769A (zh) * | 2022-03-07 | 2022-07-01 | 美的集团(上海)有限公司 | 路径规划方法、电子设备及存储介质、计算机程序产品 |
CN115016470A (zh) * | 2022-05-30 | 2022-09-06 | 东风汽车集团股份有限公司 | 一种基于学习的自动驾驶局部路径规划优化方法及装置 |
CN116817957A (zh) * | 2023-08-28 | 2023-09-29 | 无锡科技职业学院 | 基于机器视觉的无人车行驶路径规划方法及系统 |
-
2020
- 2020-11-17 CN CN202011288074.1A patent/CN112327865A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114690769A (zh) * | 2022-03-07 | 2022-07-01 | 美的集团(上海)有限公司 | 路径规划方法、电子设备及存储介质、计算机程序产品 |
CN114690769B (zh) * | 2022-03-07 | 2024-05-10 | 美的集团(上海)有限公司 | 路径规划方法、电子设备及存储介质、计算机程序产品 |
CN115016470A (zh) * | 2022-05-30 | 2022-09-06 | 东风汽车集团股份有限公司 | 一种基于学习的自动驾驶局部路径规划优化方法及装置 |
CN116817957A (zh) * | 2023-08-28 | 2023-09-29 | 无锡科技职业学院 | 基于机器视觉的无人车行驶路径规划方法及系统 |
CN116817957B (zh) * | 2023-08-28 | 2023-11-07 | 无锡科技职业学院 | 基于机器视觉的无人车行驶路径规划方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111670468B (zh) | 移动体行为预测装置以及移动体行为预测方法 | |
US11698263B2 (en) | Safety and comfort constraints for navigation | |
US10882522B2 (en) | Systems and methods for agent tracking | |
US10696300B2 (en) | Vehicle tracking | |
CN108291813B (zh) | 借助姿态图的位置数据融合 | |
CN112212874B (zh) | 车辆轨迹预测方法、装置、电子设备及计算机可读介质 | |
CN112327865A (zh) | 一种自动驾驶系统及方法 | |
CN113330279A (zh) | 用于确定车辆的位置的方法和系统 | |
CN114846425A (zh) | 移动机器人的预测和规划 | |
Burnett et al. | Zeus: A system description of the two‐time winner of the collegiate SAE autodrive competition | |
CN115230719B (zh) | 一种行驶轨迹规划方法和装置 | |
JP6507841B2 (ja) | 先行車両推定装置及びプログラム | |
Milanés et al. | The tornado project: An automated driving demonstration in peri-urban and rural areas | |
JP7321035B2 (ja) | 物体位置検出方法及び物体位置検出装置 | |
EP4053761A1 (en) | Providing access to an autonomous vehicle based on user's detected interest | |
Rae et al. | Reducing multipath effects in vehicle localization by fusing GPS with machine vision | |
Chipka et al. | Autonomous urban localization and navigation with limited information | |
Wooden et al. | A modular, hybrid system architecture for autonomous, urban driving | |
Silva et al. | Simulation-based usability evaluation of visually impaired outdoor navigation using sensor fusion | |
US20230399026A1 (en) | State Identification For Road Actors With Uncertain Measurements Based On Compliant Priors | |
Li et al. | A Path Planning Method Based on Large Amount of Artificial Driving Trajectories | |
US20230229826A1 (en) | Method for assigning a lane relationship between an autonomous vehicle and other actors near an intersection | |
Chao | Autonomous Driving: Mapping and Behavior Planning for Crosswalks | |
CN118089764A (zh) | 一种自动驾驶定位方法及系统 | |
CN118251638A (zh) | 辅助或自动车辆导引方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210715 Address after: 075001 room 8352, 3rd floor, east of Jingyi Road, Nanshan Economic Development Zone, Zhangjiakou Economic Development Zone, Hebei Province Applicant after: Yite Zhixing Technology (Zhangjiakou) Co.,Ltd. Address before: 510623 room 1275, No.7, Xingsheng Road, Tianhe District, Guangzhou City, Guangdong Province Applicant before: Yite Zhixing Technology (Guangzhou) Co.,Ltd. |
|
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210205 |