CN112461255B - 一种路径规划方法、车端设备及电子设备 - Google Patents
一种路径规划方法、车端设备及电子设备 Download PDFInfo
- Publication number
- CN112461255B CN112461255B CN202110099141.3A CN202110099141A CN112461255B CN 112461255 B CN112461255 B CN 112461255B CN 202110099141 A CN202110099141 A CN 202110099141A CN 112461255 B CN112461255 B CN 112461255B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- detection
- prediction result
- path planning
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 244
- 230000004927 fusion Effects 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01C21/3407—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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例涉及无人驾驶技术领域,以及提供一种路径规划方法、车端设备及电子设备,该方法包括:获取影响指标的数据以及第一检测数据;若根据影响指标的数据选择第一路径规划模式,则将第一检测数据以及获取到的第二检测数据进行融合,得到检测结果;根据检测结果生成第一规划路径,并控制车辆按照第一规划路径进行行驶;若根据影响指标的数据选择第二路径规划模式,则根据第一检测数据生成第一交通要素的第一轨迹预测结果,并将第一轨迹预测结果以及获取到的第二轨迹预测结果进行融合,得到轨迹预测结果;根据轨迹预测结果生成第二规划路径,并控制车辆按照第二规划路径进行行驶。
Description
技术领域
本申请实施例涉及无人驾驶技术领域,尤其涉及一种路径规划方法、车端设备及电子设备。
背景技术
车路协同,指的是采用先进的无线通信和新一代互联网等技术,全方位实施车与车、车与路动态实时信息交互,并在全时空动态交通信息采集与融合的基础上开展主动安全控制和道路协同管理,充分实现人、车、路的有效协同,保证交通安全,提高通行效率,从而形成安全、高效和环保的道路交通系统。在车路协同场景下,如何规划行车路径是当前主要的研究方向。
现有的路径规划方案主要是借助车端传感器的数据和路端传感器的数据进行路径规划的,例如:路端设备通过路端传感器,收集周围环境信息,经过路端设备的计算单元的处理后,将处理后的路端数据发送给车端设备;车端设备按照车端传感器的车端数据的时间戳,接收并过滤指定时间窗口内的路端数据;车端设备对车端传感器收集的周围环境信息进行处理后,得到车端数据,基于时间同步和空间对齐对车端数据和路端数据进行融合,将融合结果再发送给车端设备的路径规划模块进行路径规划。
但是在实际场景下,车端设备和路端设备之间的通信条件和实际路况等会发生变化,容易出现路端设备发送过来的路端数据的时间戳长时间超过数据融合要求的时间窗口范围,导致数据融合的成功率不高,进而行车安全性有待提高。
发明内容
本申请实施例提供了一种路径规划方法、车端设备及电子设备,能够根据影响指标动态选择路径规划模式,以及提高车端设备和路端设备的数据融合成功率以及行车安全性。
第一方面中,本申请实施例提供一种路径规划方法,应用于车端设备,包括:
获取影响指标的数据以及第一检测数据,所述影响指标为影响车辆的路径规划模式的选择的指标,所述第一检测数据为第一检测范围内的第一交通要素的检测数据;
若根据所述影响指标的数据选择第一路径规划模式,则将所述第一检测数据以及获取到的第二检测数据进行融合,得到检测结果,所述第二检测数据为路端设备对第二检测范围内的第二交通要素进行检测得到的;
根据所述检测结果生成所述车辆的第一规划路径,并控制所述车辆按照所述第一规划路径进行行驶;
若根据所述影响指标的数据选择第二路径规划模式,则根据所述第一检测数据生成所述第一交通要素的第一轨迹预测结果,并将所述第一轨迹预测结果以及获取到的第二轨迹预测结果进行融合,得到轨迹预测结果,所述第二轨迹预测结果为所述路端设备根据所述第二检测数据生成的所述第二交通要素的轨迹预测结果;
根据所述轨迹预测结果生成所述车辆的第二规划路径,并控制所述车辆按照所述第二规划路径进行行驶。
第二方面中,本申请实施例提供一种车端设备,包括:
获取模块,用于获取影响指标的数据以及第一检测数据,所述影响指标为影响车辆的路径规划模式的选择的指标,所述第一检测数据为第一检测范围内的第一交通要素的检测数据;
第一融合模块,用于若根据所述影响指标的数据选择第一路径规划模式,则将所述第一检测数据以及获取到的第二检测数据进行融合,得到检测结果,所述第二检测数据为路端设备对第二检测范围内的第二交通要素进行检测得到的;
第一处理模块,用于根据所述检测结果生成所述车辆的第一规划路径,并控制所述车辆按照所述第一规划路径进行行驶;
第二融合模块,用于若根据所述影响指标的数据选择第二路径规划模式,则根据所述第一检测数据生成所述第一交通要素的第一轨迹预测结果,并将所述第一轨迹预测结果以及获取到的第二轨迹预测结果进行融合,得到轨迹预测结果,所述第二轨迹预测结果为所述路端设备根据所述第二检测数据生成的所述第二交通要素的轨迹预测结果;
第二处理模块,用于根据所述轨迹预测结果生成所述车辆的第二规划路径,并控制所述车辆按照所述第二规划路径进行行驶。
本申请实施例又一方面提供了一种电子设备,其包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序,所述处理器用于调用所述存储器中的计算机程序来执行上述第一方面所述的方法。
本申请实施例又一方面提供了一种存储介质,其包括指令,当其在计算机上运行时,使得计算机执行上述第一方面所述的方法。
相较于现有技术,本申请实施例提供的方案中,首先基于影响指标实现了对路径规划模式的动态选择;其次在第二路径规划模式下,在生成第二规划路径之前进行第一轨迹预测结果和第二轨迹预测结果的融合,由于第二路径规划模式下的融合操作流程相对于第一路径规划模式下的融合操作流程靠后,所以可以允许较大的融合时间窗口,由此提高了车端设备和路端设备的数据融合成功率,进而也提高了行车安全性。
附图说明
为了更清楚地说明本发明实施例的技术方案,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,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种应用场景示意图;
图2为本申请实施例提供的一种在第一路径规划模式下的路径规划流程图;
图3为本申请实施例提供的一种在第二路径规划模式下的路径规划流程图;
图4为本申请实施例提供的一种路径规划方法的流程图;
图5为本申请实施例提供的一种车端设备的结构示意图;
图6为本申请实施例提供的一种电子设备的实体结构示意图。
具体实施方式
本申请实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块,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模块,本申请实施例中所出现的模块的划分,仅仅是一种逻辑上的划分,实际应用中实现时可以有另外的划分方式,例如多个模块可以结合成或集成在另一个系统中,或一些特征可以忽略,或不执行,另外,所显示的或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,模块之间的间接耦合或通信连接可以是电性或其他类似的形式,本申请实施例中均不作限定。并且,作为分离部件说明的模块或子模块可以是也可以不是物理上的分离,可以是也可以不是物理模块,或者可以分布到多个电路模块中,可以根据实际的需要选择其中的部分或全部模块来实现本申请实施例方案的目的。
本申请实施例提供一种路径规划方法,主要应用于无人驾驶、仿真模拟等场景,通过车端设备执行。请参阅图1,图1为本申请实施例提供的一种应用场景示意图。如图1所示,道路的路边安装有至少一个路端设备,道路中间行驶的车辆中至少一台车辆安装有车端设备,基于该车端设备识别到感知范围内的前方两个目标物体。其中:路端设备用于从路端的角度对检测范围(感知范围)内的交通要素(目标物体)进行检测以获取检测数据。路端设备可以配置有路端传感装置,路端传感装置可以包括至少一个路端传感器,例如微波雷达、毫米波雷达、激光雷达等,路端传感器能够识别出检测范围内的目标物体(例如车辆和行人)的位置、速度和大小等检测数据。路端传感装置还可以包括摄像头(相机)等路端传感器,摄像头除了能够识别出检测范围内的目标物体的位置、速度和大小等检测数据外,还可以识别出检测范围内的目标物体的颜色(例如车辆的颜色和行人身上衣物的颜色)等检测数据。路端设备还可以配置有路端计算装置,路端计算装置可以包括至少一个路端计算单元,可以基于路端传感器检测到的检测数据对目标物体的轨迹进行跟踪和预测。路端设备还可以配置有路端通信装置,路端通信装置可以包括至少一个路侧单元(Road Side Unit,RSU),可以与车端设备的车载单元(On Board Unit,OBU)进行通信。可以理解的是,上述的几个具体例子仅仅是举例,不应该构成具体限定。车端设备用于从车端的角度对检测范围(感知范围)内的交通要素(目标物体)进行检测以获取检测数据。车端设备可以配置有车端传感装置,车端传感装置可以包括至少一个车端传感器,例如组合惯导、微波雷达、毫米波雷达、激光雷达以及摄像头等。不同的车端传感器可以识别出不同的检测数据,例如,车端传感装置可以通过组合惯导识别出目标物体的位置、速度和大小等检测数据,可以通过摄像头识别出目标物体的位置、速度、大小和颜色等检测数据。车端设备还可以配置有车端计算装置,车端计算装置可以包括至少一个车端计算单元,可以基于车端传感器检测到的检测数据对目标物体的轨迹进行跟踪和预测。车端设备还可以配置有车端通信装置,车端通信装置可以包括至少一个OBU,可以与路端设备的RSU进行通信。可以理解的是,上述的几个具体例子仅仅是举例,不应该构成具体限定。
基于上述应用场景示意图,本申请实施例提供的路径规划方法包括两种路径规划模式,分别为第一路径规划模式和第二路径规划模式,请参阅图2,图2为本申请实施例提供的一种在第一路径规划模式下的路径规划流程图,如图2所示,在路端设备侧,基于相机和激光雷达进行第一目标物体的数据读取,将读取的数据经过二维(2D)或三维(3D)检测,得到第一检测结果,将第一检测结果基于RSU和OBU之间的通信通道发送至车端设备侧;在车端设备侧,基于相机和激光雷达进行第二目标物体的数据读取,将读取的数据经过2D或3D检测,得到第二检测结果,将第二检测结果和接收到的第一检测结果进行融合,再执行跟踪、预测以及路径规划操作,以得到规划路径。请参阅图3,图3为本申请实施例提供的一种在第二路径规划模式下的路径规划流程图,如图3所示,在路端设备侧,基于相机和激光雷达进行第一目标物体的数据读取,将读取的数据经过2D或3D检测,得到第一检测结果,基于第一检测结果执行跟踪以及预测操作,得到第一轨迹预测结果,将第一轨迹预测结果基于RSU和OBU之间的通信通道发送至车端设备侧;在车端设备侧,基于相机和激光雷达进行第二目标物体的数据读取,将读取的数据经过2D或3D检测,得到第二检测结果,基于第二检测结果执行跟踪以及预测操作,得到第二轨迹预测结果,将第二轨迹预测结果和接收到的第一轨迹预测结果进行融合,再执行路径规划操作,以得到规划路径。可以理解的是,在第一路径规划模式下,融合操作是在执行跟踪操作之前进行的,在第二路径规划模式下,融合操作是在执行路径规划操作之前进行的,由此可见,第二路径规划模式下的车端设备侧获取来自路端设备侧的用于融合操作的数据的时序晚于第一路径规划模式下的车端设备侧获取来自路端设备侧的用于融合操作的数据的时序,从而相对于第一路径规划模式,第二路径规划模式允许较大的融合时间窗口。在车辆的行驶过程中,往往交替采用第一路径规划模式和第二路径规划模式进行路径规划,至于哪种情况下采用第一路径规划模式,哪种情况下采用第二路径规划模式,在后文会做详细说明。
需要说明的是,图1、图2以及图3仅仅是一个示例,主要是为了更加清楚地说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定。
下面将对本申请中路径规划方法进行介绍,请参阅图4,图4为本申请实施例提供的一种路径规划方法的流程图,本申请实施例至少包括如下步骤:
401、获取影响指标的数据以及第一检测数据,所述影响指标为影响车辆的路径规划模式的选择的指标,所述第一检测数据为第一检测范围内的第一交通要素的检测数据;
本实施例中,在车辆进行行驶时,车辆的车端设备会自动选取最优的路径规划模式的规划路径进行行驶,车端设备会基于影响指标的数据来自动确定哪个路径规划模式为最优的路径规划模式,所以车端设备需要先获取影响指标的数据。另外,车辆在行驶时,车端设备还会对感知范围内(第一检测范围)内的目标物体(第一交通要素)进行感知,以得到目标物体的感知数据(第一检测数据)。
影响指标的数据包括但不限于车端设备与路端设备之间的网络延迟时间、车端设备检测到第一检测数据耗费的时长以及预设等待时长、路端设备对检测范围内的第二交通要素进行检测得到第二检测数据所耗费的时长,以及该第二检测数据的网络传输时长、第一交通要素的数量和密度、第二交通要素的数量和密度、车端设备的车端计算单元的计算力以及路端设备的路端计算单元的计算力。
402、若根据所述影响指标的数据选择第一路径规划模式,则将所述第一检测数据以及获取到的第二检测数据进行融合,得到检测结果,所述第二检测数据为路端设备对第二检测范围内的第二交通要素进行检测得到的;
本实施例中,车端设备在得到影响指标的数据以及第一检测数据后,如果根据影响指标的数据确定选择第一路径规划模式,则按照第一路径规划模式的路径规划方式执行如下操作:将第一检测数据以及获取到的第二检测数据进行融合,得到检测结果。
上述将第一检测数据以及获取到的第二检测数据进行融合,得到检测结果可以理解为:车端设备将车端设备的检测范围与路端设备的检测范围进行叠加,得到叠加后的检测范围,由于叠加后的检测范围通常有重叠区域(公共区域),所以去除重叠区域中第二交通要素的第二检测数据(即保留重叠区域中第一交通要素的第一检测数据),在基于时间同步和空间对齐的条件下,将剩余的非重叠区域的第二交通要素的第二检测数据加上车端设备的检测范围的第一交通要素的第一检测数据,得到检测结果。例如,假设车端设备的检测范围为区域A,路端设备的检测范围为区域B,区域A和区域B之间存在公共区域,公共区域为C,则区域A和区域B叠加后的区域X为区域A+区域D(区域B减去区域C),区域X中的交通要素的检测数据为区域A中的第一交通要素的检测数据加上区域D中的第二交通要素的检测数据,即为检测结果。需要说明的是,如果叠加后的检测范围没有重叠区域,则直接将第一检测数据以及第二检测数据进行叠加,得到检测结果。
上述将第一检测数据以及获取到的第二检测数据进行融合,得到检测结果还可以理解为:假设第一检测数据包括物体1的检测数据x、物体2的检测数据y以及物体3的检测数据z,第二检测数据包括物体3的检测数据Z、物体4的检测数据M以及物体5的检测数据N,在基于时间同步和空间对齐的条件下,对第一检测数据和第二检测数据进行融合时,从第二检测数据中去除与第一检测数据中的属于同一物体的检测数据(即去除第二检测数据中的物体3的检测数据Z),检测结果为:检测数据x+检测数据y+检测数据z+检测数据M+检测数据N。
在一些可能的实施例中,针对哪种影响指标的数据,车端设备才会确定选择第一路径规划模式进行了说明,例如:若根据所述影响指标的数据确定所述车辆的车端设备与所述路端设备之间的网络延迟时间不大于第一预设延迟时间阈值,且确定所述路端设备检测所述第二检测数据耗费的时长以及所述第二检测数据的网络传输时长之和小于检测所述第一检测数据耗费的时长以及预设等待时长之和,则确定选择第一路径规划模式。可见,在一种实际场景下,第一路径规划模式通常具有如下两个特征:特征1:车端设备和路端设备之间的通信条件良好,网络延迟低;特征2:路端设备通过相机检测到一帧图像和通过激光雷达检测到激光点云的时间,加上检测数据(图像和激光点云)的网络传输时间,仍低于车端设备通过相机检测到一帧图像和通过激光雷达检测到激光点云的时间加上一定的等待时间窗口的时间。可以理解的是,如果车辆在行驶时,同时满足上述特征1和特征2,则采用第一路径规划模式。
403、根据所述检测结果生成所述车辆的第一规划路径,并控制所述车辆按照所述第一规划路径进行行驶;
本实施例中,车端设备在得到检测结果后,根据检测结果可以生成车辆的规划路径(第一规划路径),并且控制车辆按照第一规划路径进行行驶。
在一些可能的实施例中,所述根据所述检测结果生成所述车辆的第一规划路径的步骤,包括:
根据所述检测结果对第三检测范围内的第三交通要素的轨迹进行跟踪和预测,得到第三轨迹预测结果,所述第三检测范围为所述第一检测范围和所述第二检测范围合并后的检测范围;
根据所述第三轨迹预测结果生成所述车辆的第一规划路径。
具体地,车端设备在得到检测结果后,会对第三检测范围内的各个目标物体的轨迹进行跟踪和预测,以得到第三轨迹预测结果,再根据第三轨迹预测结果生成车辆的规划路径。其中,第三检测范围为第一检测范围和第二检测范围合并后的检测范围。
需要说明的是,当车端设备工作在第一路径规划模式时,由于车端设备可以更早获取到路端设备的检测范围内的物体信息,例如行人和车辆等,更有利于在跟踪过程中,在相邻时间序列的图像、激光点云之间进行目标匹配,实现更稳定的跟踪,进而可以得到更完整的物体的历史运动轨迹,对物体的未来运动轨迹进行更准确的预测,便于基于物体的未来运动轨迹进行车辆的路径规划,从而也可以提升驾驶的安全性。
404、若根据所述影响指标的数据选择第二路径规划模式,则根据所述第一检测数据生成所述第一交通要素的第一轨迹预测结果,并将所述第一轨迹预测结果以及获取到的第二轨迹预测结果进行融合,得到轨迹预测结果,所述第二轨迹预测结果为所述路端设备根据所述第二检测数据生成的所述第二交通要素的轨迹预测结果;
本实施例中,车端设备在得到影响指标的数据以及第一检测数据后,如果根据影响指标的数据确定选择第二路径规划模式,则按照第二路径规划模式的路径规划方式执行如下操作:根据第一检测数据生成第一交通要素的第一轨迹预测结果,并将第一轨迹预测结果以及获取到的第二轨迹预测结果进行融合,得到轨迹预测结果,其中,第二轨迹预测结果为路端设备根据第二检测数据生成的第二交通要素的轨迹预测结果。
在一些可能的实施例中,所述将所述第一轨迹预测结果以及获取到的第二轨迹预测结果进行融合,得到轨迹预测结果的步骤,包括:
将所述第一轨迹预测结果以及获取到的第二轨迹预测结果进行时间同步和空间对齐的处理;
对处理后的所述第一轨迹预测结果和处理后的所述第二轨迹预测结果进行数据叠加,以及去除重叠部分的数据,得到轨迹预测结果。
具体地,将第一轨迹预测结果以及获取到的第二轨迹预测结果进行融合的实现方式与前述将第一检测数据和第二检测数据进行融合的实现方式类似,将第一轨迹预测结果和第二轨迹预测结果进行融合的说明可以参照前述将第一检测数据和第二检测数据进行融合的说明,此处不再赘述。
在一些可能的实施例中,针对哪种影响指标的数据,车端设备才会确定选择第二路径规划模式进行了说明:
例如:若根据所述影响指标的指标数据确定所述车辆的车端设备与所述路端设备之间的网络延迟时间大于第二预设延迟时间阈值,则确定选择第二路径规划模式。
又例如:若根据所述影响指标的指标数据确定所述第二交通要素的数量与所述第一交通要素的数量之间的差值大于预设数量阈值,则确定选择第二路径规划模式。
又例如:若根据所述影响指标的指标数据确定所述第二交通要素的密度与所述第一交通要素的密度之间的差值大于预设密度阈值,则确定选择第二路径规划模式。
又例如:若根据所述影响指标的指标数据确定所述路端设备的路端计算单元的计算力与所述车辆的车端设备的车端计算单元的计算力之间的差值大于预设计算力阈值,则确定选择第二路径规划模式。
可见,在一种实际场景下,第二路径规划模式通常具有如下三个特征:特征1:车端设备和路端设备之间的通信条件较差、网络延迟高;特征2:路端设备的检测范围内的车辆和行人等交通要素的数量和/或密度显著高于车端设备的检测范围内的车辆和行人等交通要素的数量和/或密度,导致路端设备的路端计算单元的计算时间明显增加;特征3:路端设备的路端计算单元的硬件配置明显高于车端设备的车端计算单元的硬件配置。可以理解的是,如果车辆在行驶时,只要满足上述特征1、特征2以及特征3中的任意一种,则采用第二路径规划模式。需要说明的是,只要满足上述特征1、特征2以及特征3中的任意一种,都会导致路端设备通过相机检测到一帧图像和通过激光雷达检测到激光点云的时间,加上检测数据(图像和激光点云)的网络传输时间,超过了车端设备通过相机检测到一帧图像和通过激光雷达检测到激光点云的时间加上一定的等待时间窗口的时间,在这种情况下,车端设备自动切换到第二路径规划模式,路端设备做完检测、跟踪以及预测流程后,再将预测结果传输给车端设备,与车端设备的预测结果进行融合,进而生成规划路径。由于路端设备沿着车辆行驶方向有间隔的排列,其安装位置与车辆的当前位置之间存在一定的空间距离,使得第二路径规划模式有更宽松的融合时间窗口,提升了融合成功率。
405、根据所述轨迹预测结果生成所述车辆的第二规划路径,并控制所述车辆按照所述第二规划路径进行行驶。
本实施例中,车端设备在得到轨迹预测结果后,根据轨迹预测结果可以生成车辆的规划路径(第二规划路径),并且控制车辆按照第二规划路径进行行驶。
综上可见,车端设备首先基于影响指标实现了对路径规划模式的动态选择;其次在第二路径规划模式下,在生成第二规划路径之前进行第一轨迹预测结果和第二轨迹预测结果的融合,由于第二路径规划模式下的融合操作流程相对于第一路径规划模式下的融合操作流程靠后,所以可以允许较大的融合时间窗口,由此提高了车端设备和路端设备的数据融合成功率,进而也提高了行车安全性。
另外,通过第一路径规划模式和第二路径规划模式的动态切换,不仅能够实时应对车路协同环境下网络条件和交通路况的变化,也能够合理分配车端设备和路端设备的计算单元的算力,更好地发挥路端设备对盲区和超视距场景的安全提升作用,提升无人驾驶的安全性和经济性。
为了更好地实施本申请实施例的上述方案,下面还提供用于实施上述方案的相关装置,请参阅图5,图5为本申请实施例提供的一种车端设备的结构示意图,车端设备包括:
获取模块501,用于获取影响指标的数据以及第一检测数据,所述影响指标为影响车辆的路径规划模式的选择的指标,所述第一检测数据为第一检测范围内的第一交通要素的检测数据;
第一融合模块502,用于若根据所述影响指标的数据选择第一路径规划模式,则将所述第一检测数据以及获取到的第二检测数据进行融合,得到检测结果,所述第二检测数据为路端设备对第二检测范围内的第二交通要素进行检测得到的;
第一处理模块503,用于根据所述检测结果生成所述车辆的第一规划路径,并控制所述车辆按照所述第一规划路径进行行驶;
第二融合模块504,用于若根据所述影响指标的数据选择第二路径规划模式,则根据所述第一检测数据生成所述第一交通要素的第一轨迹预测结果,并将所述第一轨迹预测结果以及获取到的第二轨迹预测结果进行融合,得到轨迹预测结果,所述第二轨迹预测结果为所述路端设备根据所述第二检测数据生成的所述第二交通要素的轨迹预测结果;
第二处理模块505,用于根据所述轨迹预测结果生成所述车辆的第二规划路径,并控制所述车辆按照所述第二规划路径进行行驶。
本实施例中,车端设备首先基于影响指标实现了对路径规划模式的动态选择;其次在第二路径规划模式下,在生成第二规划路径之前进行第一轨迹预测结果和第二轨迹预测结果的融合,由于第二路径规划模式下的融合操作流程相对于第一路径规划模式下的融合操作流程靠后,所以可以允许较大的融合时间窗口,由此提高了车端设备和路端设备的数据融合成功率,进而也提高了行车安全性。
在一些可能的实施例中,所述第一融合模块502,具体用于若根据所述影响指标的数据确定所述车辆的车端设备与所述路端设备之间的网络延迟时间不大于第一预设延迟时间阈值,且确定所述路端设备检测所述第二检测数据耗费的时长以及所述第二检测数据的网络传输时长之和小于检测所述第一检测数据耗费的时长以及预设等待时长之和,则确定选择第一路径规划模式。
在一些可能的实施例中,所述第一融合模块502,具体用于若根据所述影响指标的指标数据确定所述车辆的车端设备与所述路端设备之间的网络延迟时间大于第二预设延迟时间阈值,则确定选择第二路径规划模式。
在一些可能的实施例中,所述第一融合模块502,具体用于若根据所述影响指标的指标数据确定所述第二交通要素的数量与所述第一交通要素的数量之间的差值大于预设数量阈值,则确定选择第二路径规划模式。
在一些可能的实施例中,所述第一融合模块502,具体用于若根据所述影响指标的指标数据确定所述第二交通要素的密度与所述第一交通要素的密度之间的差值大于预设密度阈值,则确定选择第二路径规划模式。
在一些可能的实施例中,所述第一融合模块502,具体用于若根据所述影响指标的指标数据确定所述路端设备的路端计算单元的计算力与所述车辆的车端设备的车端计算单元的计算力之间的差值大于预设计算力阈值,则确定选择第二路径规划模式。
在一些可能的实施例中,所述第一处理模块503,具体用于根据所述检测结果对第三检测范围内的第三交通要素的轨迹进行跟踪和预测,得到第三轨迹预测结果,所述第三检测范围为所述第一检测范围和所述第二检测范围合并后的检测范围;根据所述第三轨迹预测结果生成所述车辆的第一规划路径。
在一些可能的实施例中,所述第二融合模块504,具体用于将所述第一轨迹预测结果以及获取到的第二轨迹预测结果进行时间同步和空间对齐的处理;对处理后的所述第一轨迹预测结果和处理后的所述第二轨迹预测结果进行数据叠加,以及去除重叠部分的数据,得到轨迹预测结果。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)601、通信接口(Communications Interface)602、存储器(memory)603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信。处理器601可以调用存储器603中的逻辑指令,以执行如下方法:获取影响指标的数据以及第一检测数据,所述影响指标为影响车辆的路径规划模式的选择的指标,所述第一检测数据为第一检测范围内的第一交通要素的检测数据;若根据所述影响指标的数据选择第一路径规划模式,则将所述第一检测数据以及获取到的第二检测数据进行融合,得到检测结果,所述第二检测数据为路端设备对第二检测范围内的第二交通要素进行检测得到的;根据所述检测结果生成所述车辆的第一规划路径,并控制所述车辆按照所述第一规划路径进行行驶;若根据所述影响指标的数据选择第二路径规划模式,则根据所述第一检测数据生成所述第一交通要素的第一轨迹预测结果,并将所述第一轨迹预测结果以及获取到的第二轨迹预测结果进行融合,得到轨迹预测结果,所述第二轨迹预测结果为所述路端设备根据所述第二检测数据生成的所述第二交通要素的轨迹预测结果;根据所述轨迹预测结果生成所述车辆的第二规划路径,并控制所述车辆按照所述第二规划路径进行行驶。
此外,上述的存储器603中的逻辑指令可以通过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读取存储介质中。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介质中,包括若干指令用以使得一台电子设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本申请实施例还提供一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的方法,例如包括:获取影响指标的数据以及第一检测数据,所述影响指标为影响车辆的路径规划模式的选择的指标,所述第一检测数据为第一检测范围内的第一交通要素的检测数据;若根据所述影响指标的数据选择第一路径规划模式,则将所述第一检测数据以及获取到的第二检测数据进行融合,得到检测结果,所述第二检测数据为路端设备对第二检测范围内的第二交通要素进行检测得到的;根据所述检测结果生成所述车辆的第一规划路径,并控制所述车辆按照所述第一规划路径进行行驶;若根据所述影响指标的数据选择第二路径规划模式,则根据所述第一检测数据生成所述第一交通要素的第一轨迹预测结果,并将所述第一轨迹预测结果以及获取到的第二轨迹预测结果进行融合,得到轨迹预测结果,所述第二轨迹预测结果为所述路端设备根据所述第二检测数据生成的所述第二交通要素的轨迹预测结果;根据所述轨迹预测结果生成所述车辆的第二规划路径,并控制所述车辆按照所述第二规划路径进行行驶。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台电子设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种路径规划方法,其特征在于,应用于车端设备,所述方法包括:
获取影响指标的数据以及第一检测数据,所述影响指标为影响车辆的路径规划模式的选择的指标,所述第一检测数据为第一检测范围内的第一交通要素的检测数据;
若根据所述影响指标的数据选择第一路径规划模式,则将所述第一检测数据以及获取到的第二检测数据进行融合,得到检测结果,所述第二检测数据为路端设备对第二检测范围内的第二交通要素进行检测得到的;
根据所述检测结果生成所述车辆的第一规划路径,并控制所述车辆按照所述第一规划路径进行行驶;
若根据所述影响指标的数据选择第二路径规划模式,则根据所述第一检测数据生成所述第一交通要素的第一轨迹预测结果,并将所述第一轨迹预测结果以及获取到的第二轨迹预测结果进行融合,得到轨迹预测结果,所述第二轨迹预测结果为所述路端设备根据所述第二检测数据生成的所述第二交通要素的轨迹预测结果;
根据所述轨迹预测结果生成所述车辆的第二规划路径,并控制所述车辆按照所述第二规划路径进行行驶;
所述根据所述检测结果生成所述车辆的第一规划路径的步骤,包括:
根据所述检测结果对第三检测范围内的第三交通要素的轨迹进行跟踪和预测,得到第三轨迹预测结果,所述第三检测范围为所述第一检测范围和所述第二检测范围合并后的检测范围;
根据所述第三轨迹预测结果生成所述车辆的第一规划路径。
2.根据权利要求1所述的路径规划方法,其特征在于,所述根据所述影响指标的指标数据选择第一路径规划模式的步骤,包括:
若根据所述影响指标的数据确定所述车辆的车端设备与所述路端设备之间的网络延迟时间不大于第一预设延迟时间阈值,且确定所述路端设备检测所述第二检测数据耗费的时长以及所述第二检测数据的网络传输时长之和小于检测所述第一检测数据耗费的时长以及预设等待时长之和,则确定选择第一路径规划模式。
3.根据权利要求1所述的路径规划方法,其特征在于,所述根据所述影响指标的指标数据选择第二路径规划模式的步骤,包括:
若根据所述影响指标的指标数据确定所述车辆的车端设备与所述路端设备之间的网络延迟时间大于第二预设延迟时间阈值,则确定选择第二路径规划模式。
4.根据权利要求1所述的路径规划方法,其特征在于,所述根据所述影响指标的指标数据选择第二路径规划模式的步骤,包括:
若根据所述影响指标的指标数据确定所述第二交通要素的数量与所述第一交通要素的数量之间的差值大于预设数量阈值,则确定选择第二路径规划模式。
5.根据权利要求1所述的路径规划方法,其特征在于,所述根据所述影响指标的指标数据选择第二路径规划模式的步骤,包括:
若根据所述影响指标的指标数据确定所述第二交通要素的密度与所述第一交通要素的密度之间的差值大于预设密度阈值,则确定选择第二路径规划模式。
6.根据权利要求1所述的路径规划方法,其特征在于,所述根据所述影响指标的指标数据选择第二路径规划模式的步骤,包括:
若根据所述影响指标的指标数据确定所述路端设备的路端计算单元的计算力与所述车辆的车端设备的车端计算单元的计算力之间的差值大于预设计算力阈值,则确定选择第二路径规划模式。
7.根据权利要求1-6任一项所述的路径规划方法,其特征在于,所述将所述第一轨迹预测结果以及获取到的第二轨迹预测结果进行融合,得到轨迹预测结果的步骤,包括:
将所述第一轨迹预测结果以及获取到的第二轨迹预测结果进行时间同步和空间对齐的处理;
对处理后的所述第一轨迹预测结果和处理后的所述第二轨迹预测结果进行数据叠加,以及去除重叠部分的数据,得到轨迹预测结果。
8.一种车端设备,其特征在于,包括:
获取模块,用于获取影响指标的数据以及第一检测数据,所述影响指标为影响车辆的路径规划模式的选择的指标,所述第一检测数据为第一检测范围内的第一交通要素的检测数据;
第一融合模块,用于若根据所述影响指标的数据选择第一路径规划模式,则将所述第一检测数据以及获取到的第二检测数据进行融合,得到检测结果,所述第二检测数据为路端设备对第二检测范围内的第二交通要素进行检测得到的;
第一处理模块,用于根据所述检测结果生成所述车辆的第一规划路径,并控制所述车辆按照所述第一规划路径进行行驶;
第二融合模块,用于若根据所述影响指标的数据选择第二路径规划模式,则根据所述第一检测数据生成所述第一交通要素的第一轨迹预测结果,并将所述第一轨迹预测结果以及获取到的第二轨迹预测结果进行融合,得到轨迹预测结果,所述第二轨迹预测结果为所述路端设备根据所述第二检测数据生成的所述第二交通要素的轨迹预测结果;
第二处理模块,用于根据所述轨迹预测结果生成所述车辆的第二规划路径,并控制所述车辆按照所述第二规划路径进行行驶;
所述第一处理模块,在执行所述根据所述检测结果生成所述车辆的第一规划路径时,具体用于根据所述检测结果对第三检测范围内的第三交通要素的轨迹进行跟踪和预测,得到第三轨迹预测结果,所述第三检测范围为所述第一检测范围和所述第二检测范围合并后的检测范围;根据所述第三轨迹预测结果生成所述车辆的第一规划路径。
9.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-7任一项所述的路径规划方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110099141.3A CN112461255B (zh) | 2021-01-25 | 2021-01-25 | 一种路径规划方法、车端设备及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110099141.3A CN112461255B (zh) | 2021-01-25 | 2021-01-25 | 一种路径规划方法、车端设备及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112461255A CN112461255A (zh) | 2021-03-09 |
CN112461255B true CN112461255B (zh) | 2021-04-27 |
Family
ID=74802348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110099141.3A Active CN112461255B (zh) | 2021-01-25 | 2021-01-25 | 一种路径规划方法、车端设备及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112461255B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113129630B (zh) * | 2021-03-30 | 2022-08-12 | 中国联合网络通信集团有限公司 | 一种自主泊车的方法、avp平台及车辆终端 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017182521A (ja) * | 2016-03-31 | 2017-10-05 | 日立オートモティブシステムズ株式会社 | 車両用走行制御装置 |
US11260855B2 (en) * | 2018-07-17 | 2022-03-01 | Baidu Usa Llc | Methods and systems to predict object movement for autonomous driving vehicles |
US11662730B2 (en) * | 2019-07-01 | 2023-05-30 | Baidu Usa Llc | Hierarchical path decision system for planning a path for an autonomous driving vehicle |
CN111076739B (zh) * | 2020-03-25 | 2020-07-03 | 北京三快在线科技有限公司 | 一种路径规划的方法及装置 |
CN111399523B (zh) * | 2020-06-02 | 2020-12-01 | 北京三快在线科技有限公司 | 一种路径规划的方法及装置 |
CN111879330A (zh) * | 2020-08-05 | 2020-11-03 | 苏州挚途科技有限公司 | 路口行驶路径的规划方法、装置、处理器和自动驾驶车辆 |
-
2021
- 2021-01-25 CN CN202110099141.3A patent/CN112461255B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112461255A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107727106B (zh) | 动态地图构成方法、动态地图构成系统以及移动终端 | |
CN109739236B (zh) | 车辆信息的处理方法、装置、计算机可读介质及电子设备 | |
JP7199545B2 (ja) | 自律エージェントによる行動方針選択のための多視点システムおよび方法 | |
Polychronopoulos et al. | Sensor fusion for predicting vehicles' path for collision avoidance systems | |
CN110880236A (zh) | 路况信息处理方法、装置及系统 | |
CN103455812A (zh) | 目标识别系统和目标识别方法 | |
Wang et al. | Deepaccident: A motion and accident prediction benchmark for v2x autonomous driving | |
Fleck et al. | Towards large scale urban traffic reference data: Smart infrastructure in the test area autonomous driving baden-württemberg | |
CN110910673A (zh) | 一种提醒行人碰撞车辆的方法及系统、摄像头、移动终端 | |
US11999371B2 (en) | Driving assistance processing method and apparatus, computer-readable medium, and electronic device | |
CN110880235A (zh) | 路况信息处理系统中的路侧设备、处理方法及装置 | |
CN104875740B (zh) | 用于管理跟随空间的方法、主车辆以及跟随空间管理单元 | |
CN115618932A (zh) | 基于网联自动驾驶的交通事件预测方法、装置及电子设备 | |
CN114103996A (zh) | 基于共享感知数据的自动驾驶控制方法、装置及设备 | |
CN112461255B (zh) | 一种路径规划方法、车端设备及电子设备 | |
CN110648538B (zh) | 一种基于激光雷达网络的交通信息感知系统及方法 | |
CN113442920A (zh) | 编队行驶的控制方法、装置、计算机可读介质及电子设备 | |
CN113612844A (zh) | 车辆端的数据分享方法、装置、介质及电子设备 | |
CN115879060A (zh) | 基于多模态的自动驾驶感知方法、装置、设备和介质 | |
CN109887321B (zh) | 无人车变道安全判别方法、装置及存储介质 | |
JP2019519051A (ja) | 知的照明システム、照明デバイス、車両、車載端末、車両運転支援システム及び車両運転支援方法 | |
CN109720380B (zh) | 用于隐藏列车排除的主动识别系统及隐藏列车排除方法 | |
CN115817466A (zh) | 一种碰撞风险评估方法及装置 | |
CN112150807B (zh) | 车辆预警方法和装置、存储介质及电子设备 | |
Sanberg et al. | Asteroids: A stixel tracking extrapolation-based relevant obstacle impact detection system |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210309 Assignee: Tianyi Transportation Technology Co.,Ltd. Assignor: CIIC Technology Co.,Ltd.|Zhongzhixing (Shanghai) Transportation Technology Co.,Ltd. Contract record no.: X2022980001515 Denomination of invention: A path planning method, vehicle end equipment and electronic equipment Granted publication date: 20210427 License type: Common License Record date: 20220214 |
|
EE01 | Entry into force of recordation of patent licensing contract |