CN112433531A - 一种自动驾驶车辆的轨迹跟踪方法、装置及计算机设备 - Google Patents

一种自动驾驶车辆的轨迹跟踪方法、装置及计算机设备 Download PDF

Info

Publication number
CN112433531A
CN112433531A CN202110107128.8A CN202110107128A CN112433531A CN 112433531 A CN112433531 A CN 112433531A CN 202110107128 A CN202110107128 A CN 202110107128A CN 112433531 A CN112433531 A CN 112433531A
Authority
CN
China
Prior art keywords
predicted
time
position information
information
determining
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
CN202110107128.8A
Other languages
English (en)
Inventor
荣志刚
李秦
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.)
Guoqi Intelligent Control Beijing Technology Co Ltd
Original Assignee
Guoqi Intelligent Control Beijing 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 Guoqi Intelligent Control Beijing Technology Co Ltd filed Critical Guoqi Intelligent Control Beijing Technology Co Ltd
Priority to CN202110107128.8A priority Critical patent/CN112433531A/zh
Publication of CN112433531A publication Critical patent/CN112433531A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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

Abstract

本发明公开了一种自动驾驶车辆的轨迹跟踪方法、装置以及计算机设备，其中，该方法包括，获取自动驾驶车辆当前时刻的当前位置信息以及速度信息，并确定自动驾驶车辆下一时刻的预测速度信息；继而确定下一时刻的预测位置信息；根据当前位置信息以及预测位置信息，构建目标状态转移方程；获取下一时刻的实际速度信息，并构建目标观测方程；继而确定自动驾驶车辆在下一时刻的目标位置信息。通过实施本发明，结合当前时刻的速度、下一时刻的预测速度信息构建目标状态转移方程及目标观测方程，并根据方程校正计算出的预测位置信息，从而使得调整后的目标位置信息更准确，即可以精确且及时地确定下一时刻的自动驾驶车辆的位置信息。

Description

一种自动驾驶车辆的轨迹跟踪方法、装置及计算机设备
技术领域
本发明涉及车辆技术领域，具体涉及一种自动驾驶车辆的轨迹跟踪方法、装置及计算机设备。
背景技术
自动驾驶过程主要包括感知、决策规划以及控制；决策规划会根据感知的结果显示车辆的行驶轨迹信息，包括车辆的运动状态、位置、时间等信息，控制模块主要负责对轨迹进行跟随。自动驾驶的控制方式按参考模型可以分为基于运动学模型和基于动力学模型的两类控制方式，一般园区车辆、扫地车辆、泊车场景等低速工况会采用运动学模型控制，而乘用车等需要高速行驶的车辆考虑动力学模型控制。
现有技术中，自动驾驶车辆大多依赖于高精定位模组获取自身信息，进而生成控制策略，但是，高精定位模组价格偏高，不适用于一般乘用车，且高精定位对信号强度依赖高，在山区或隧道等遮挡场景会导致信号弱，精度下降；此外，自动驾驶车辆可以通过摄像设备获取自身相对于当前车道线的位置信息，但是摄像设备更新信息的频率较低，周期较长，导致无法及时更新自动驾驶车辆所在位置，影响自动驾驶的安全性。
发明内容
有鉴于此，本发明实施例提供了一种自动驾驶车辆的轨迹跟踪方法、装置及计算机设备，以解决相关技术中存在的由于无法及时精确定位影响自动驾驶系统的安全性的问题。
根据第一方面，本发明实施例提供了一种自动驾驶车辆的轨迹跟踪方法，包括：获取自动驾驶车辆当前时刻的当前位置信息以及速度信息，并确定所述自动驾驶车辆下一时刻的预测速度信息； 根据所述预测速度信息、当前位置信息以及速度信息，确定下一时刻的预测位置信息；根据所述当前位置信息以及所述预测位置信息，构建目标状态转移方程；获取下一时刻的实际速度信息，并构建目标观测方程；根据预设的目标协方差参数、所述目标状态转移方程及所述目标观测方程，确定所述自动驾驶车辆在下一时刻的目标位置信息。
可选地，所述速度信息包括所述自动驾驶车辆的加速度以及横摆角速度，所述加速度包括第一方向加速度以及第二方向加速度；
所述获取自动驾驶车辆当前时刻的当前位置信息以及速度信息，并确定所述自动驾驶车辆下一时刻的预测速度信息，包括：
根据当前时刻的加速度以及横摆角速度，确定下一时刻的预测加速度以及预测横摆角速度；
根据下一时刻的预测加速度以及预测横摆角速度，确定速度变化信息；
根据所述速度变化信息，确定所述自动驾驶车辆下一时刻的预测速度信息。
可选地，所述根据所述预测速度信息、当前位置信息以及速度信息，确定下一时刻的预测位置信息，包括：
根据所述预测速度信息以及所述速度信息，确定坐标系转换系数；
根据所述预测速度信息、当前位置信息、速度信息以及坐标系转换系数，计算确定所述下一时刻的预测位置信息。
可选地，通过下述公式计算确定所述下一时刻的预测位置信息：
Figure 702511DEST_PATH_IMAGE001
Figure 291755DEST_PATH_IMAGE002
Figure 337072DEST_PATH_IMAGE003
Figure 263439DEST_PATH_IMAGE004
Figure 218757DEST_PATH_IMAGE005
Figure 572378DEST_PATH_IMAGE006
Figure 245936DEST_PATH_IMAGE007
Figure 710415DEST_PATH_IMAGE008
其中，k表示第k时刻，k+1表示第k+1时刻；
Figure 910453DEST_PATH_IMAGE009
表示全局坐标系，
Figure 543297DEST_PATH_IMAGE010
表示车体坐 标系；
Figure 828785DEST_PATH_IMAGE011
表示第一方向，
Figure 831376DEST_PATH_IMAGE012
表示第二方向；
Figure 495706DEST_PATH_IMAGE013
表示第k+1时刻的横摆角速度；
Figure 456709DEST_PATH_IMAGE014
表示第k 时刻的横摆角速度；
Figure 963914DEST_PATH_IMAGE015
表示在第k+1时刻的第二方向加速度，
Figure 645562DEST_PATH_IMAGE016
表示在第k时刻的第二 方向加速度；
Figure 554612DEST_PATH_IMAGE017
表示在第k+1时刻的第一方向加速度，
Figure 155358DEST_PATH_IMAGE018
表示在第k时刻的第一方向加 速度；
Figure 290804DEST_PATH_IMAGE019
表示在k+1时刻的车体坐标系
Figure 635198DEST_PATH_IMAGE012
轴与全局坐标系x轴的夹角，
Figure 61673DEST_PATH_IMAGE020
表示在k时刻的 车体坐标系
Figure 98899DEST_PATH_IMAGE012
轴与全局坐标系x轴的夹角，
Figure 580696DEST_PATH_IMAGE021
表示第k+1时刻与第k时刻之间的时间差，即 采样周期；
Figure 604146DEST_PATH_IMAGE022
表示在第k+1时刻，所述自动驾驶车辆在
Figure 222210DEST_PATH_IMAGE012
轴上的预测车体速度分量，
Figure 695916DEST_PATH_IMAGE023
表示第k时刻，所述自动驾驶车辆在
Figure 274796DEST_PATH_IMAGE012
轴上的车体速度分量；
Figure 960993DEST_PATH_IMAGE024
表示第k+1时刻，所 述自动驾驶车辆在
Figure 964721DEST_PATH_IMAGE011
轴上的预测车体速度分量，
Figure 219116DEST_PATH_IMAGE025
表示第k时刻，所述自动驾驶车辆在
Figure 675505DEST_PATH_IMAGE011
轴上的车体速度分量；
Figure 165392DEST_PATH_IMAGE026
表示k+1时刻，所述自动驾驶车辆在全局坐标系 上的预测位置。
可选地，该方法还包括：
根据预设时间段内的历史数据，确定目标比例系数；
根据所述目标比例系数以及当前时刻的速度信息，确定所述自动驾驶车辆的预瞄距离。
可选地，通过下述公式计算所述预瞄距离：
Figure 866369DEST_PATH_IMAGE027
其中，
Figure 681879DEST_PATH_IMAGE028
表示预瞄距离，
Figure 359985DEST_PATH_IMAGE029
表示目标比例系数，
Figure 794508DEST_PATH_IMAGE030
表示当前时刻，不考虑倒车情况时的 所述自动驾驶车辆的车体速度。
可选地，该方法还包括：
根据预瞄距离，确定转向角；
通过下述公式确定转向角：
Figure 507249DEST_PATH_IMAGE031
其中，
Figure 837868DEST_PATH_IMAGE032
表示在第t时刻计算出的转向角,即计算出的自动驾驶车辆前轮应偏转的 角度；
Figure 268849DEST_PATH_IMAGE033
表示预瞄距离；L表示目标车辆的轴距，
Figure 100539DEST_PATH_IMAGE034
表示在第t时刻，自动驾驶车辆的纵 向后轴与目标点连线的预设夹角，
Figure 808732DEST_PATH_IMAGE035
表示预设系数，
Figure 700464DEST_PATH_IMAGE036
表示在离散时间转向角的观测 值，i表示前一个控制周期测量值的索引。
根据第二方面，本发明实施例提供了一种自动驾驶车辆的轨迹跟踪装置，包括：第一确定模块，用于获取自动驾驶车辆当前时刻的当前位置信息以及速度信息，并确定所述自动驾驶车辆下一时刻的预测速度信息； 第二确定模块，用于根据所述预测速度信息、当前位置信息以及速度信息，确定下一时刻的预测位置信息；第一构建模块，用于根据所述当前位置信息以及所述预测位置信息，构建目标状态转移方程；第二构建模块，用于获取下一时刻的实际速度信息，并构建目标观测方程；第三确定模块，用于根据预设的目标协方差参数、所述目标状态转移方程及所述目标观测方程，确定所述自动驾驶车辆在下一时刻的目标位置信息。
根据第三方面，本发明实施例提供了一种计算机设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行第一方面或者第一方面的任意一种实施方式中所述的自动驾驶车辆的轨迹跟踪方法的步骤。
根据第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面或者第一方面的任意一种实施方式中所述的自动驾驶车辆的轨迹跟踪方法的步骤。
本发明技术方案，具有如下优点：
本发明提供的一种自动驾驶车辆的轨迹跟踪方法、装置以及计算机设备，其中，该轨迹跟踪方法包括，获取自动驾驶车辆当前时刻的当前位置信息以及速度信息，并确定自动驾驶车辆下一时刻的预测速度信息；根据预测速度信息、当前位置信息以及速度信息，确定下一时刻的预测位置信息；根据当前位置信息以及预测位置信息，构建目标状态转移方程；获取下一时刻的实际速度信息，并构建目标观测方程；根据预设的目标协方差参数、目标状态转移方程及目标观测方程，确定自动驾驶车辆在下一时刻的目标位置信息。
通过实施本发明，解决了相关技术中存在的由于无法及时精确定位影响自动驾驶系统的安全性的问题，结合当前时刻的速度以及下一时刻的预测速度信息构建目标状态转移方程及目标观测方程，并根据所述状态转移方程以及观测方程，校正计算出的预测位置信息，从而使得调整后的目标位置信息更准确，即可以精确且及时地确定下一时刻的自动驾驶车辆的位置信息，弥补了摄像设备更新位置信息的间隙的缺失数据，使系统更加稳定可靠。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例中自动驾驶车辆的轨迹跟踪方法的一个具体示例的流程图；
图2为本发明实施例中自动驾驶车辆的轨迹跟踪方法的一个具体示例的流程图；
图3为本发明实施例中自动驾驶车辆的轨迹跟踪方法中自动驾驶车辆位置移动的示意图；
图4为本发明实施例中自动驾驶车辆的轨迹跟踪方法中跟踪算法中方向转角的示意图；
图5为本发明实施例中自动驾驶车辆的轨迹跟踪装置的一个具体示例的原理框图；
图6为本发明实施例中计算机设备的一个具体示例图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，都属于本发明保护的范围。
相关L4级自动驾驶技术中，大多依赖于高精定位模组获取自身信息，进而用于控制策略，可以获取到精度高的位置信息，同时更新频率快，使得控制精度高，但是当前高精定位模组价格偏高，不适用于一般乘用车，且高精定位对信号强度依赖高，在山区或隧道等遮挡场景会导致信号弱，精度下降。此外，还可以通过摄像设备得到与当前车道线的相对位置信息，但是，摄像设备的更新频率慢，一般为100ms-30ms，而控制模块计算周期一般为10ms，因此，摄像设备的更新频率与控制模块的计算频率并不匹配。
为了弥补摄像头位置信息更新频率低，本发明实施例提供了一种自动驾驶车辆的轨迹跟踪方法、装置及计算机设备，其中，可以基于卡尔曼滤波算法预测自身位置信息，也就是在摄像设备更新位置信息的时间间隙中对车辆下一时刻的位置信息进行及时更新，直至摄像设备达到下一更新周期。
本发明实施例提供了一种自动驾驶车辆的轨迹跟踪方法，如图1所示，包括：
步骤S11：获取自动驾驶车辆当前时刻的当前位置信息以及速度信息，并确定自动驾驶车辆下一时刻的预测速度信息；在本实施例中，可以通过摄像设备获取自动驾驶车辆在当前时刻的位置信息，位置信息可以是自动驾驶车辆相对于轨迹点的位置信息；速度信息可以包括车体速度、加速度以及横摆角速度，具体地，可以通过车载IMU传感器获取，例如，可以通过纵向加速度传感器获取自动驾驶车辆的纵向加速度，可以通过横向加速度传感器获取自动驾驶车辆的横向加速度，可以通过横摆角速度获取自动驾驶车辆的横摆角速度；预测速度信息可以表示预测的自动驾驶车辆在下一时刻的车辆行驶速度以及横摆角速度，其中，车辆行驶速度包括第一方向分量以及第二方向分量。
具体地，当前时刻与下一时刻之间的时间间隙可以是10ms，此时可以假设加速度与横摆角速度为定值，继而根据当前时刻的速度信息确定下一时刻的预测速度信息，例如，可以根据当前时刻的横向加速度、纵向加速度以及横摆角速度确定下一时刻的预测加速度以及预测横摆角速度。
具体地，通过下述确定自动驾驶车辆下一时刻的预测速度信息：
Figure 992643DEST_PATH_IMAGE037
Figure 628024DEST_PATH_IMAGE038
Figure 784199DEST_PATH_IMAGE039
Figure 987778DEST_PATH_IMAGE040
Figure 862193DEST_PATH_IMAGE041
Figure 301265DEST_PATH_IMAGE042
其中，k表示第k时刻，k+1表示第k+1时刻；
Figure 718471DEST_PATH_IMAGE043
表示全局坐标系，
Figure 952006DEST_PATH_IMAGE044
表示车体坐标 系；
Figure 454663DEST_PATH_IMAGE045
表示第一方向，
Figure 431846DEST_PATH_IMAGE046
表示第二方向；
Figure 828192DEST_PATH_IMAGE047
表示第k+1时刻的横摆角速度；
Figure 606530DEST_PATH_IMAGE048
表示第k时刻 的横摆角速度；
Figure 455537DEST_PATH_IMAGE049
表示在第k+1时刻的第二方向加速度，
Figure 236412DEST_PATH_IMAGE050
表示在第k时刻的第二方向加 速度；
Figure 362631DEST_PATH_IMAGE051
表示在第k+1时刻的第一方向加速度，
Figure 203548DEST_PATH_IMAGE052
表示在第k时刻的第一方向加速度；
Figure 539851DEST_PATH_IMAGE053
表示在k+1时刻的车体坐标系
Figure 999782DEST_PATH_IMAGE046
轴与全局坐标系x轴的夹角，
Figure 105142DEST_PATH_IMAGE054
表示在k时刻的车体 坐标系
Figure 992326DEST_PATH_IMAGE046
轴与全局坐标系x轴的夹角，
Figure 550346DEST_PATH_IMAGE055
表示第k+1时刻与第k时刻之间的时间差，即采样 周期；
Figure 673023DEST_PATH_IMAGE056
表示在第k+1时刻，所述自动驾驶车辆在
Figure 272370DEST_PATH_IMAGE046
轴上的预测车体速度分量，
Figure 189510DEST_PATH_IMAGE057
表 示第k时刻，所述自动驾驶车辆在
Figure 765985DEST_PATH_IMAGE046
轴上的车体速度分量；
Figure 302140DEST_PATH_IMAGE058
表示第k+1时刻，所述自动 驾驶车辆在
Figure 116512DEST_PATH_IMAGE045
轴上的预测车体速度分量，
Figure 735712DEST_PATH_IMAGE059
表示第k时刻，所述自动驾驶车辆在
Figure 143691DEST_PATH_IMAGE045
轴上 的车体速度分量；
Figure 873749DEST_PATH_IMAGE060
表示k+1时刻，所述自动驾驶车辆在全局坐标系上的预测 位置。
步骤S12：根据预测速度信息、当前位置信息以及速度信息，确定下一时刻的预测位置信息；在本实施例中，下一时刻的预测位置信息可以是根据下一时刻的预测速度信息以及在当前时刻获取到车辆信息确定的。具体地，根据下一时刻的预测速度信息，也就是根据下一时刻的预测速度的横方向分量以及纵方向分量确定自动驾驶车辆的下一时刻的位置信息。
步骤S13：根据当前位置信息以及预测位置信息，构建目标状态转移方程；在本实 施例中，联立上述步骤S11中的各个公式、当前时刻的位置信息
Figure 542628DEST_PATH_IMAGE061
以及下一时刻的 预测位置信息
Figure 942516DEST_PATH_IMAGE062
，构建目标状态转移方程，即
Figure 228004DEST_PATH_IMAGE063
其中，
Figure 230595DEST_PATH_IMAGE064
；
Figure 659040DEST_PATH_IMAGE065
表示以
Figure 354464DEST_PATH_IMAGE066
为变量的函数表达 式。
步骤S14：获取下一时刻的实际速度信息，并构建目标观测方程；在本实施例中，通过车载传感器获取自动驾驶车辆在下一时刻的实际速度信息，根据下一时刻的实际速度信息、当前时刻的速度信息以及位置信息，构建目标观测方程。
具体地，可以通过下述公式确定所述目标观测方程：
Figure 596089DEST_PATH_IMAGE067
步骤S15：根据预设的目标协方差参数、目标状态转移方程及目标观测方程，确定自动驾驶车辆在下一时刻的目标位置信息。在本实施例中，根据预设时段内的历史数据确定协方差参数、目标状态转移方程及目标观测方程，计算自动驾驶车辆在下一时刻的准确位置信息，在本实施例中，可以例如是通过卡尔曼滤波算法对自动驾驶车辆在下一时刻的位置信息进行准确预测，可以通过通用求解过程求解自动驾驶车辆在下一时刻的位置信息。
本发明提供的一种自动驾驶车辆的轨迹跟踪方法，包括，获取自动驾驶车辆当前时刻的当前位置信息以及速度信息，并确定自动驾驶车辆下一时刻的预测速度信息；根据预测速度信息、当前位置信息以及速度信息，确定下一时刻的预测位置信息；根据当前位置信息以及预测位置信息，构建目标状态转移方程；获取下一时刻的实际速度信息，并构建目标观测方程；根据预设的目标协方差参数、目标状态转移方程及目标观测方程，确定自动驾驶车辆在下一时刻的目标位置信息。
通过实施本发明，解决了相关技术中存在的由于无法及时精确定位影响自动驾驶系统的安全性的问题，结合当前时刻的速度以及下一时刻的预测速度信息构建目标状态转移方程及目标观测方程，并根据所述状态转移方程以及观测方程，校正计算出的预测位置信息，从而使得调整后的目标位置信息更准确，即可以精确且及时地确定下一时刻的自动驾驶车辆的位置信息，弥补了摄像设备更新位置信息的间隙的缺失数据，使系统更加稳定可靠。
作为本发明的一个可选实施方式，上述实施例中的速度信息包括自动驾驶车辆的加速度以及横摆角速度，加速度包括第一方向加速度以及第二方向加速度；在本实施例中，第一方向加速度可以是纵向加速度，第二方向加速度可以是横向加速度。
如图2所示，上述步骤S11，获取自动驾驶车辆当前时刻的当前位置信息以及速度信息，并确定自动驾驶车辆下一时刻的预测速度信息，包括：
步骤S21：根据当前时刻的加速度以及横摆角速度，确定下一时刻的预测加速度以及预测横摆角速度；在本实施例中，通过车载传感器获取自动驾驶车辆在当前时刻的速度信息，包括行驶速度信息、加速度信息以及横摆角速度信息，其中，行驶速度包括横向行驶速度以及纵向行驶速度；具体地，假设当前时刻与下一时刻之间加速度恒定，也就是说，下一时刻的预测加速度与当前时刻的加速度相同，下一时刻的预测横摆角速度与当前时刻的横摆角速度相同。
步骤S22：根据下一时刻的预测加速度以及预测横摆角速度，确定速度变化信息；在本实施例中，根据下一时刻的预测加速度、预测横摆角速度以及时间间隙，确定当前时刻与下一时刻之间的速度变化信息。
步骤S23：根据速度变化信息，确定自动驾驶车辆下一时刻的预测速度信息。在本实施例中，根据通过传感器获取当前时刻的速度信息以及速度变化信息，确定下一时刻的预测速度信息。
作为本发明的一个可选实施方式，上述步骤S12，根据预测速度信息、当前位置信息以及速度信息，确定下一时刻的预测位置信息，包括：根据预测速度信息以及速度信息，确定坐标系转换系数；根据预测速度信息、当前位置信息、速度信息以及坐标系转换系数，计算确定下一时刻的预测位置信息。在本实施例中，根据自动驾驶车辆在当前时刻的速度信息以及在下一时刻的预测速度信息，确定坐标系转换系数，根据坐标系转换系数，计算确定下一时刻的预测位置信息，具体地，可以通过下述公式确定：
Figure 543317DEST_PATH_IMAGE068
Figure 452367DEST_PATH_IMAGE069
其中，
Figure 194058DEST_PATH_IMAGE070
表示在k时刻的车体坐标系
Figure 188559DEST_PATH_IMAGE071
轴与全局坐标系x轴的夹角，
Figure 798532DEST_PATH_IMAGE072
表示
Figure 437455DEST_PATH_IMAGE070
的 cos值，
Figure 209102DEST_PATH_IMAGE073
表示
Figure 956478DEST_PATH_IMAGE070
的sin值，
Figure 478464DEST_PATH_IMAGE074
表示下一时刻的预测位置信息，
Figure 362106DEST_PATH_IMAGE075
表示 第k时刻与第k+1时刻之间的时间间隙。
如图3所示，
Figure 570233DEST_PATH_IMAGE076
表示自动驾驶车辆在当前时刻的位置信息，
Figure 414693DEST_PATH_IMAGE077
表示车 体坐标系，
Figure 100889DEST_PATH_IMAGE078
表示全局坐标系，即自动驾驶车辆的位置坐标系，
Figure 839038DEST_PATH_IMAGE079
表示在自动驾驶车 辆在当前时刻的行驶速度在横方向上的分量，
Figure 93433DEST_PATH_IMAGE080
表示在初始时刻的车体坐标系
Figure 284243DEST_PATH_IMAGE081
轴与全 局坐标系x轴的夹角，
Figure 915075DEST_PATH_IMAGE082
表示1*T（T是采样周期）时刻的车体坐标系
Figure 507731DEST_PATH_IMAGE083
轴与全局坐标系x轴 的夹角。
在一可选实施例中，通过联立上述步骤S11以及步骤S23中的公式，得到目标状态 转移方程：
Figure 57661DEST_PATH_IMAGE084
，
其中，
Figure 375247DEST_PATH_IMAGE085
。
作为本发明的一个可选实施方式，该方法还包括：
根据预设时间段内的历史数据，确定目标比例系数；根据目标比例系数以及当前时刻的速度信息，确定自动驾驶车辆的预瞄距离。在本实施例中，可以根据自动驾驶车辆的实际应用场景以及预设时间段内的历史数据，确定比例系数，继而可以根据比例系数以及通过车载传感器获取的当前时刻的自动驾驶车辆的速度信息，确定当前时刻自动驾驶车辆的预瞄距离。
具体地，通过下述公式计算所述预瞄距离：
Figure 403246DEST_PATH_IMAGE086
其中，
Figure 850408DEST_PATH_IMAGE087
表示预瞄距离，
Figure 712185DEST_PATH_IMAGE088
表示目标比例系数，
Figure 877587DEST_PATH_IMAGE089
表示当前时刻，不考虑倒车情况时的 所述自动驾驶车辆的车体速度。
本发明实施例提供的一种自动驾驶车辆的轨迹跟踪方法，结合arctan函数以及根据预设时间段内的历史数据确定的比例系数，而确定的预瞄距离，可以将预瞄距离保持一个较大的变化率，继而可以快速适应不同速度的变化，保持自动驾驶系统的稳定性以及可靠性，可以保持一个缓慢上升趋势直到某一限值，避免在车辆本身速度较大时，预瞄距离再持续快速增加，导致超出规划给出的最大距离，甚至导致在过弯时引发转弯过渡的问题；也就是说，本实施例提供的方法通过结合反三角函数可以使得预瞄距离更加合理，控制效果更加优异。
作为本发明的一个可选实施方式，该方法还包括：
根据预瞄距离，确定转向角；在本实施例中，根据上述实施例所述的方法确定的预瞄距离、目标车辆的轴距、比例系数以及多个时刻的目标车辆的方向盘的实际转角角度，确定下一时刻的所述转向角，即目标车辆方向盘的控制转动角度，结合预瞄距离计算出的方向盘的控制转动角度，可以控制目标车辆准确地到达预先设定的位置，也就是可以使车辆的后轴中心点准确经过要追踪的点，提高自动驾驶系统的追踪效率。
具体地，通过下述公式确定所述转向角：
Figure 974856DEST_PATH_IMAGE090
其中，
Figure 151890DEST_PATH_IMAGE091
表示在第t时刻计算出的转向角，即计算出的自动驾驶车辆前轮应偏转的角 度，继而可以根据此转向角计算方向盘应偏转角度；
Figure 309202DEST_PATH_IMAGE092
表示预瞄距离；L表示目标车辆的轴 距，
Figure 961901DEST_PATH_IMAGE093
表示在第t时刻，自动驾驶车辆的纵向后轴与目标点连线的预设夹角，
Figure 207068DEST_PATH_IMAGE094
表示预 设系数，
Figure 894401DEST_PATH_IMAGE095
表示在离散时间转向角的观测值，i表示前一个控制周期测量值的索引。
在一可选实施例中，如图4所示，自动驾驶车辆可以简化为二轮自行车模型，且认为车辆只在平面上行驶，无滑移，在低速场景中运动，继而可以通过下述公式计算前轮转向角与后轴之间的关系，也就是预测车辆的运行轨迹：
Figure 957035DEST_PATH_IMAGE096
其中，
Figure 470931DEST_PATH_IMAGE097
表示自行车模型前轮的转角，
Figure 910003DEST_PATH_IMAGE098
表示轴距，R则为在给定的转向角下后轴遵循 着的圆的半径。
基于自行车模型，可以车后轴为切点, 车辆纵向车身为切线, 通过控制前轮转角，使车辆可以沿着如图4所示的一条经过目标路点（goal point）的圆弧行驶；也就是说，此时需要控制车辆的后轴中心点经过要追踪的点，根据正弦定理，确定下述公式：
Figure 186263DEST_PATH_IMAGE099
Figure 560744DEST_PATH_IMAGE100
Figure 922455DEST_PATH_IMAGE101
其中，
Figure 634059DEST_PATH_IMAGE102
表示车辆后轴到预瞄点的距离，R表示经过预瞄点车辆的转弯半径，
Figure 171351DEST_PATH_IMAGE103
表示目 标车辆纵向同车辆后轴与目标点连线的夹角。
基于上述推导，可以确定追踪控制算法控制量表达式为下述公式：
Figure 575787DEST_PATH_IMAGE104
其中， L表示目标车辆的轴距，
Figure 565740DEST_PATH_IMAGE105
表示t时刻目标车辆纵向同车辆后轴与预瞄点连 线的夹角，
Figure 81035DEST_PATH_IMAGE106
表示t时刻计算得到转向角，
Figure 597467DEST_PATH_IMAGE107
由
Figure 812286DEST_PATH_IMAGE108
计算得到，由此确定的 预瞄点位置，即预瞄距离。
在一可选实施例中，卡尔曼滤波算法的通用求解过程可以是如下公式所示：
扩展卡尔曼滤波EKF的状态转移方程和观测方程可以为：
Figure 148589DEST_PATH_IMAGE109
Figure 467575DEST_PATH_IMAGE110
Figure 713880DEST_PATH_IMAGE111
表示k-1时刻的状态矩阵，
Figure 460119DEST_PATH_IMAGE112
表示过程激励噪声的不确定干扰，
Figure 159084DEST_PATH_IMAGE113
表示传感器 的观测噪声。
可以根据泰勒展开式对卡尔曼滤波EKF的状态转移方程在上一次的估计值
Figure 281761DEST_PATH_IMAGE114
处展开，以及根据泰勒展开式对卡尔曼滤波EKF的观测方程在本轮的状态预测值
Figure 507206DEST_PATH_IMAGE115
展开，如下公式所示：
Figure 299713DEST_PATH_IMAGE116
Figure 610608DEST_PATH_IMAGE117
其中，
Figure 536976DEST_PATH_IMAGE118
表示函数
Figure 725250DEST_PATH_IMAGE119
在
Figure 344450DEST_PATH_IMAGE120
处的雅克比矩阵，
Figure 877062DEST_PATH_IMAGE121
表示函数
Figure 951329DEST_PATH_IMAGE119
在
Figure 151366DEST_PATH_IMAGE122
处的 雅克比矩阵。
可以根据卡尔曼滤波EKF的状态转移方程和观测方程、展开公式确定预测公式以及更新公式，具体地，预测公式以及更新公式如下所示：
Figure 675888DEST_PATH_IMAGE123
Figure 571163DEST_PATH_IMAGE124
Figure 839333DEST_PATH_IMAGE125
Figure 628298DEST_PATH_IMAGE126
Figure 199088DEST_PATH_IMAGE127
Figure 706292DEST_PATH_IMAGE128
其中，通过下述公式计算第一雅克比矩阵：
Figure 152055DEST_PATH_IMAGE129
通过下述公式计算第二雅克比矩阵：
Figure 795526DEST_PATH_IMAGE130
本发明实施例提供了一种自动驾驶车辆的轨迹跟踪装置，如图5所示，包括：
第一确定模块41，用于获取自动驾驶车辆当前时刻的当前位置信息以及速度信息，并确定自动驾驶车辆下一时刻的预测速度信息；详细实施内容可参见上述方法实施例中步骤S11的相关描述。
第二确定模块42，用于根据预测速度信息、当前位置信息以及速度信息，确定下一时刻的预测位置信息；详细实施内容可参见上述方法实施例中步骤S12的相关描述。
第一构建模块43，用于根据当前位置信息以及预测位置信息，构建目标状态转移方程；详细实施内容可参见上述方法实施例中步骤S13的相关描述。
第二构建模块44，用于获取下一时刻的实际速度信息，并构建目标观测方程；详细实施内容可参见上述方法实施例中步骤S14的相关描述。
第三确定模块45，用于根据预设的目标协方差参数、目标状态转移方程及目标观测方程，确定自动驾驶车辆在下一时刻的目标位置信息。详细实施内容可参见上述方法实施例中步骤S15的相关描述。
本发明提供的一种自动驾驶车辆的轨迹跟踪装置，包括，第一确定模块41，用于获取自动驾驶车辆当前时刻的当前位置信息以及速度信息，并确定自动驾驶车辆下一时刻的预测速度信息；第二确定模块42，用于根据预测速度信息、当前位置信息以及速度信息，确定下一时刻的预测位置信息；第一构建模块43，用于根据当前位置信息以及预测位置信息，构建目标状态转移方程；第二构建模块44，用于获取下一时刻的实际速度信息，并构建目标观测方程；第三确定模块45，用于根据预设的目标协方差参数、目标状态转移方程及目标观测方程，确定自动驾驶车辆在下一时刻的目标位置信息。
通过实施本发明，解决了相关技术中存在的由于无法及时精确定位影响自动驾驶系统的安全性的问题，结合当前时刻的速度以及下一时刻的预测速度信息构建目标状态转移方程及目标观测方程，并根据所述状态转移方程以及观测方程，校正计算出的预测位置信息，从而使得调整后的目标位置信息更准确，即可以精确且及时地确定下一时刻的自动驾驶车辆的位置信息，弥补了摄像设备更新位置信息的间隙的缺失数据，使系统更加稳定可靠。
本发明实施例还提供了一种计算机设备，如图6所示，该计算机设备可以包括处理器51和存储器52，其中处理器51和存储器52可以通过总线50或者其他方式连接，图6中以通过总线50连接为例。
处理器51可以为中央处理器（Central Processing Unit，CPU）。处理器51还可以为其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的自动驾驶车辆的轨迹跟踪方法对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的自动驾驶车辆的轨迹跟踪方法。
存储器52可以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、至少一个功能所需要的应用程序；存储数据区可存储处理器51所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器52中，当被所述处理器51执行时，执行如图1以及图2所示实施例中的自动驾驶车辆的轨迹跟踪方法。
上述计算机设备具体细节可以对应参阅图1以及图2所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本发明实施例还提供了一种非暂态计算机可读介质，非暂态计算机可读存储介质存储计算机指令，计算机指令用于使计算机执行如上述实施例中任意一项描述的自动驾驶车辆的轨迹跟踪方法，其中，存储介质可为磁碟、光盘、只读存储记忆体（Read-OnlyMemory，ROM）、随机存储记忆体（Random Access Memory，RAM）、快闪存储器（FlashMemory）、硬盘（Hard Disk Drive，缩写：HDD）或固态硬盘（Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种自动驾驶车辆的轨迹跟踪方法，其特征在于，包括：
获取自动驾驶车辆当前时刻的当前位置信息以及速度信息，并确定所述自动驾驶车辆下一时刻的预测速度信息；
根据所述预测速度信息、当前位置信息以及速度信息，确定下一时刻的预测位置信息；
根据所述当前位置信息以及所述预测位置信息，构建目标状态转移方程；
获取下一时刻的实际速度信息，并构建目标观测方程；
根据预设的目标协方差参数、所述目标状态转移方程及所述目标观测方程，确定所述自动驾驶车辆在下一时刻的目标位置信息。
2.根据权利要求1所述的方法，其特征在于，所述速度信息包括所述自动驾驶车辆的加速度以及横摆角速度，所述加速度包括第一方向加速度以及第二方向加速度；
所述获取自动驾驶车辆当前时刻的当前位置信息以及速度信息，并确定所述自动驾驶车辆下一时刻的预测速度信息，包括：
根据当前时刻的加速度以及横摆角速度，确定下一时刻的预测加速度以及预测横摆角速度；
根据下一时刻的预测加速度以及预测横摆角速度，确定速度变化信息；
根据所述速度变化信息，确定所述自动驾驶车辆下一时刻的预测速度信息。
3.根据权利要求2所述的方法，其特征在于，所述根据所述预测速度信息、当前位置信息以及速度信息，确定下一时刻的预测位置信息，包括：
根据所述预测速度信息以及所述速度信息，确定坐标系转换系数；
根据所述预测速度信息、当前位置信息、速度信息以及坐标系转换系数，计算确定所述下一时刻的预测位置信息。
4.根据权利要求3所述的方法，其特征在于，通过下述公式计算确定所述下一时刻的预测位置信息：
Figure 874268DEST_PATH_IMAGE001
Figure 72031DEST_PATH_IMAGE002
Figure 344922DEST_PATH_IMAGE003
Figure 639637DEST_PATH_IMAGE004
Figure 552230DEST_PATH_IMAGE005
Figure 502868DEST_PATH_IMAGE006
Figure 916532DEST_PATH_IMAGE007
Figure 941120DEST_PATH_IMAGE008
其中，k表示第k时刻，k+1表示第k+1时刻；
Figure 149247DEST_PATH_IMAGE009
表示全局坐标系，
Figure 321603DEST_PATH_IMAGE010
表示车体坐标 系；
Figure 414324DEST_PATH_IMAGE011
表示第一方向，
Figure 418052DEST_PATH_IMAGE012
表示第二方向；
Figure 265922DEST_PATH_IMAGE013
表示第k+1时刻的横摆角速度；
Figure 96212DEST_PATH_IMAGE014
表示第k 时刻的横摆角速度；
Figure 117258DEST_PATH_IMAGE015
表示在第k+1时刻的第二方向加速度，
Figure 178755DEST_PATH_IMAGE016
表示在第k时刻的第二方 向加速度；
Figure 869630DEST_PATH_IMAGE017
表示在第k+1时刻的第一方向加速度，
Figure 813316DEST_PATH_IMAGE018
表示在第k时刻的第一方向加速 度；
Figure 247839DEST_PATH_IMAGE019
表示在k+1时刻的车体坐标系
Figure 163843DEST_PATH_IMAGE012
轴与全局坐标系x轴的夹角，
Figure 415832DEST_PATH_IMAGE020
表示在k时刻的 车体坐标系
Figure 722180DEST_PATH_IMAGE012
轴与全局坐标系x轴的夹角，
Figure 22711DEST_PATH_IMAGE021
表示第k+1时刻与第k时刻之间的时间差，即 采样周期；
Figure 855538DEST_PATH_IMAGE022
表示在第k+1时刻，所述自动驾驶车辆在
Figure 386751DEST_PATH_IMAGE012
轴上的预测车体速度分量，
Figure 242712DEST_PATH_IMAGE023
表示第k时刻，所述自动驾驶车辆在
Figure 143672DEST_PATH_IMAGE012
轴上的车体速度分量；
Figure 971950DEST_PATH_IMAGE024
表示第k+1时刻，所述自 动驾驶车辆在
Figure 503426DEST_PATH_IMAGE011
轴上的预测车体速度分量，
Figure 643420DEST_PATH_IMAGE025
表示第k时刻，所述自动驾驶车辆在
Figure 223437DEST_PATH_IMAGE011
轴 上的车体速度分量；
Figure 968539DEST_PATH_IMAGE026
表示k+1时刻，所述自动驾驶车辆在全局坐标系上的预测 位置。
5.根据权利要求1所述的方法，其特征在于，还包括：
根据预设时间段内的历史数据，确定目标比例系数；
根据所述目标比例系数以及当前时刻的速度信息，确定所述自动驾驶车辆的预瞄距离。
6.根据权利要求5所述的方法，其特征在于，通过下述公式计算所述预瞄距离：
Figure 467654DEST_PATH_IMAGE027
其中，
Figure 235890DEST_PATH_IMAGE028
表示预瞄距离，
Figure 478652DEST_PATH_IMAGE029
表示目标比例系数，
Figure 343840DEST_PATH_IMAGE030
表示当前时刻，不考虑倒车情况时的 所述自动驾驶车辆的车体速度。
7.根据权利要求5所述的方法，其特征在于，还包括：
根据所述预瞄距离，确定转向角；
通过下述公式确定所述转向角：
Figure 653336DEST_PATH_IMAGE031
其中，
Figure 502344DEST_PATH_IMAGE032
表示在第t时刻计算出的转向角,即计算出的自动驾驶车辆前轮应偏转的角 度；
Figure 752059DEST_PATH_IMAGE033
表示预瞄距离；L表示目标车辆的轴距，
Figure 409437DEST_PATH_IMAGE034
表示在第t时刻，自动驾驶车辆的纵向 后轴与目标点连线的预设夹角，
Figure 250354DEST_PATH_IMAGE035
表示预设系数，
Figure 789920DEST_PATH_IMAGE036
表示在离散时间转向角的观测值， i表示前一个控制周期测量值的索引。
8.一种自动驾驶车辆的轨迹跟踪装置，其特征在于，包括：
第一确定模块，用于获取自动驾驶车辆当前时刻的当前位置信息以及速度信息，并确定所述自动驾驶车辆下一时刻的预测速度信息；
第二确定模块，用于根据所述预测速度信息、当前位置信息以及速度信息，确定下一时刻的预测位置信息；
第一构建模块，用于根据所述当前位置信息以及所述预测位置信息，构建目标状态转移方程；
第二构建模块，用于获取下一时刻的实际速度信息，并构建目标观测方程；
第三确定模块，用于根据预设的目标协方差参数、所述目标状态转移方程及所述目标观测方程，确定所述自动驾驶车辆在下一时刻的目标位置信息。
9.一种计算机设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-7中任一项所述的自动驾驶车辆的轨迹跟踪方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的自动驾驶车辆的轨迹跟踪方法的步骤。
CN202110107128.8A 2021-01-27 2021-01-27 一种自动驾驶车辆的轨迹跟踪方法、装置及计算机设备 Pending CN112433531A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110107128.8A CN112433531A (zh) 2021-01-27 2021-01-27 一种自动驾驶车辆的轨迹跟踪方法、装置及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110107128.8A CN112433531A (zh) 2021-01-27 2021-01-27 一种自动驾驶车辆的轨迹跟踪方法、装置及计算机设备

Publications (1)

Publication Number Publication Date
CN112433531A true CN112433531A (zh) 2021-03-02

Family

ID=74697298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110107128.8A Pending CN112433531A (zh) 2021-01-27 2021-01-27 一种自动驾驶车辆的轨迹跟踪方法、装置及计算机设备

Country Status (1)

Country Link
CN (1) CN112433531A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113022580A (zh) * 2021-03-17 2021-06-25 地平线(上海)人工智能技术有限公司 轨迹预测方法、装置、存储介质及电子设备
CN113324554A (zh) * 2021-05-28 2021-08-31 江铃汽车股份有限公司 自动驾驶路线规划方法、装置、可读存储介质及电子设备
CN113665589A (zh) * 2021-09-18 2021-11-19 广州小鹏自动驾驶科技有限公司 车辆纵向控制方法、装置、车载终端及存储介质
CN114019975A (zh) * 2021-11-05 2022-02-08 广州极飞科技股份有限公司 一种农具轨迹控制方法、装置及农业机械
CN115593439A (zh) * 2022-11-25 2023-01-13 小米汽车科技有限公司（Cn） 车辆控制方法、装置、车辆及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060106533A1 (en) * 2004-11-12 2006-05-18 Mitsubishi Denki Kabushiki Kaisha System for autonomous vehicle navigation with carrier phase DGPS and laser-scanner augmentation
CN108646760A (zh) * 2018-07-11 2018-10-12 中国人民解放军火箭军工程大学 基于单目视觉移动机器人目标跟踪及平台控制系统和方法
CN109901574A (zh) * 2019-01-28 2019-06-18 华为技术有限公司 自动驾驶方法及装置
CN110596694A (zh) * 2019-09-20 2019-12-20 吉林大学 一种复杂环境雷达多目标跟踪和道路行驶环境预测方法
CN110675435A (zh) * 2019-10-08 2020-01-10 嘉兴智驾科技有限公司 基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法
CN111007858A (zh) * 2019-12-23 2020-04-14 北京三快在线科技有限公司 车辆行驶决策模型的训练方法、行驶决策确定方法及装置
US20200216076A1 (en) * 2019-01-08 2020-07-09 Visteon Global Technologies, Inc. Method for determining the location of an ego-vehicle
CN111458733A (zh) * 2020-01-22 2020-07-28 武汉光庭科技有限公司 一种结合gps定位与车身信息的位姿校正方法及装置
CN111679667A (zh) * 2020-05-20 2020-09-18 东南大学 一种面向无人驾驶赛车的路径与车速协同规划方法
CN111751857A (zh) * 2020-07-08 2020-10-09 中国第一汽车股份有限公司 一种车辆位姿的估算方法、装置、存储介质及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060106533A1 (en) * 2004-11-12 2006-05-18 Mitsubishi Denki Kabushiki Kaisha System for autonomous vehicle navigation with carrier phase DGPS and laser-scanner augmentation
CN108646760A (zh) * 2018-07-11 2018-10-12 中国人民解放军火箭军工程大学 基于单目视觉移动机器人目标跟踪及平台控制系统和方法
US20200216076A1 (en) * 2019-01-08 2020-07-09 Visteon Global Technologies, Inc. Method for determining the location of an ego-vehicle
CN111429716A (zh) * 2019-01-08 2020-07-17 威斯通全球技术公司 用于确定自车的位置的方法
CN109901574A (zh) * 2019-01-28 2019-06-18 华为技术有限公司 自动驾驶方法及装置
CN110596694A (zh) * 2019-09-20 2019-12-20 吉林大学 一种复杂环境雷达多目标跟踪和道路行驶环境预测方法
CN110675435A (zh) * 2019-10-08 2020-01-10 嘉兴智驾科技有限公司 基于卡尔曼滤波和χ2检测平滑处理的车辆轨迹跟踪方法
CN111007858A (zh) * 2019-12-23 2020-04-14 北京三快在线科技有限公司 车辆行驶决策模型的训练方法、行驶决策确定方法及装置
CN111458733A (zh) * 2020-01-22 2020-07-28 武汉光庭科技有限公司 一种结合gps定位与车身信息的位姿校正方法及装置
CN111679667A (zh) * 2020-05-20 2020-09-18 东南大学 一种面向无人驾驶赛车的路径与车速协同规划方法
CN111751857A (zh) * 2020-07-08 2020-10-09 中国第一汽车股份有限公司 一种车辆位姿的估算方法、装置、存储介质及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113022580A (zh) * 2021-03-17 2021-06-25 地平线(上海)人工智能技术有限公司 轨迹预测方法、装置、存储介质及电子设备
CN113324554A (zh) * 2021-05-28 2021-08-31 江铃汽车股份有限公司 自动驾驶路线规划方法、装置、可读存储介质及电子设备
CN113324554B (zh) * 2021-05-28 2023-12-29 江铃汽车股份有限公司 自动驾驶路线规划方法、装置、可读存储介质及电子设备
CN113665589A (zh) * 2021-09-18 2021-11-19 广州小鹏自动驾驶科技有限公司 车辆纵向控制方法、装置、车载终端及存储介质
CN114019975A (zh) * 2021-11-05 2022-02-08 广州极飞科技股份有限公司 一种农具轨迹控制方法、装置及农业机械
CN115593439A (zh) * 2022-11-25 2023-01-13 小米汽车科技有限公司（Cn） 车辆控制方法、装置、车辆及存储介质

Similar Documents

Publication Publication Date Title
CN112433531A (zh) 一种自动驾驶车辆的轨迹跟踪方法、装置及计算机设备
CN109946732B (zh) 一种基于多传感器数据融合的无人车定位方法
CN107963077B (zh) 一种车辆通过路口的控制方法、装置及系统
CN110160542B (zh) 车道线的定位方法和装置、存储介质、电子装置
US9283967B2 (en) Accurate curvature estimation algorithm for path planning of autonomous driving vehicle
KR102508843B1 (ko) 서라운드 뷰 영상에서 차량의 자차 동작을 산정하는 방법 및 장치
CN104061899B (zh) 一种基于卡尔曼滤波的车辆侧倾角与俯仰角估计方法
CN108919802B (zh) 无人驾驶的车辆行驶方法和装置
CN111016891B (zh) 一种车辆行驶的路线跟踪控制方法及装置
CN111033176A (zh) 地图信息提供系统
CN105984465A (zh) 车辆的行驶控制装置
CN110307836B (zh) 一种用于无人清扫车辆贴边清扫的精确定位方法
CN107132563B (zh) 一种里程计结合双天线差分gnss的组合导航方法
CN110341688B (zh) 一种前轮转角补偿方法、装置、车载设备及存储介质
CN110361008B (zh) 地下车库自动泊车的定位方法及装置
WO2022012316A1 (zh) 控制方法、车辆和服务器
CN111912413B (zh) 一种定位方法及装置
CN111634331B (zh) 一种自动驾驶车辆的转向控制方法、装置及系统
JP6943127B2 (ja) 位置補正方法、車両制御方法及び位置補正装置
CN108995708B (zh) 一种车辆自动转弯控制方法和装置
Wang et al. Trajectory prediction for turning vehicles at intersections by fusing vehicle dynamics and driver’s future input estimation
CN110914639B (zh) 产生和更新至少一个建筑物的至少一个空间的拓扑地图的数据生成方法
KR20200052997A (ko) 자율주행 차량의 추측항법 성능 향상을 위한 직진 주행 판단 장치 및 그 방법
CN113063415A (zh) 车辆及其导航方法、惯性导航系统的修正方法、存储介质
CN110926483B (zh) 一种用于自动驾驶的低成本传感器组合定位系统及方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210302