CN112462776A - 一种基于非结构化道路的无人驾驶决策方法 - Google Patents

Abstract

本发明公开了一种基于非结构化道路的无人驾驶决策方法，首先读取多源信息，包括感知信息，定位信息，高精地图信息，道路规划信息；构建决策框架，包括宏观决策，微观决策和安全决策；实时结合多源信息，输出决策指令，下发给规划控制模块，最终实现无人车在非结构化道路上的行驶。

Description

一种基于非结构化道路的无人驾驶决策方法

技术领域

本发明涉及一种基于非结构化道路的无人驾驶决策方法，属于决策算法领域。

背景技术

无人驾驶汽车是智能汽车的一种，也称为轮式移动机器人，主要依靠车内的以计算机系统为主的智能驾驶仪来实现无人驾驶的目的。无人驾驶汽车是通过车载传感系统感知道路环境，自动规划行车路线并控制车辆到达预定目标的智能汽车。它是利用车载传感器来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。

现有无人驾驶决策算法全部是针对于结构化道路来进行开发，包括感知模块、定位模块、决策模块、运动规划模块和车辆控制模块；决策模块根据感知模块,定位模块以及运动规划模块采集的数据输出决策动作；运动规划模块根据决策动作，输出最优轨迹至轨迹追踪模块。

发明内容

本发明为解决现有算法中仅仅适用于结构化场景，过于依赖规则，决策算法死板固化，无法做到全场景覆盖，会导致的安全问题，提供了一种基于非结构化道路的无人驾驶决策方法。

本发明为解决上述技术问题采用以下技术方案：

一种基于非结构化道路的无人驾驶决策方法，具体步骤如下：

步骤1、实时获取无人驾驶汽车的多源信息，多源信息包括感知信息以及高精地图信息；

步骤2、根据步骤1获取的信息，实时监管突发情况，根据实时车速调整紧急刹车阈值，以决策是否紧急刹车；

步骤3、根据步骤1获取的信息，进行宏观决策，宏观决策包括车辆前进、变道超车、通过路口、路边停车和紧急情况五类；

步骤4、在步骤2中的宏观决策的基础上，进行微观决策，微观决策包括路径长度和左右限制边界、路径上的速度限制边界以及时间上的位置限制边界。

进一步，步骤1中感知信息是通过单目相机/双目相机、激光雷达/毫米波雷达并结合深度学习获取的本车周围环境信息。

进一步，步骤1中高精地图信息是基于高精地图得到的从起点到终点的路径规划信息以及实时获取的本车在高精地图中的定位信息。

进一步，将单目相机/双目相机、激光雷达/毫米波雷达感知到的障碍物信息，转换到高精地图坐标系下，并添加至高精地图。

进一步，在高精地图上设置起点和终点，使用全局规划算法，进行全局路径规划。

进一步，利用GPS和激光SLAM算法，实时获取本车在高精地图上的定位。

进一步，步骤3具体为：

步骤3.1：根据本车的实时车速，获得刹车距离X；

步骤3.2：利用实时获取的感知信息，检测本车周围的障碍物，并预测障碍物的运动轨迹；

步骤3.3：确定障碍物的运动轨迹和本车的路径规划的交点，并计算本车实时位置到交点的距离；

步骤3.4，若步骤3.3中得到的距离小于或等于刹车距离X，则需要紧急刹车，否则进行行驶。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

本决策方法不依赖结构化场景限制，模拟老司机开车决策思路，脱离场景概念，实现全路况覆盖，融合多源数据，直接进行行为决策，落地可能性和安全性大大提高。

附图说明

图1是本发明的流程图。

具体实施方式

本发明一种基于非结构化道路的无人驾驶决策方法，如图1所示，首先读取多源信息，包括感知信息，定位信息，高精地图信息，道路规划信息；构建决策框架，包括宏观决策，微观决策和安全决策；实时结合多源信息，输出决策指令，下发给规划控制模块，最终实现无人车在非结构化道路上的行驶。

步骤1：通过单目相机/双目相机、激光雷达/毫米波雷达，结合深度学习去获取本车周围环境信息，如行人、车辆、石头等障碍物信息；

步骤2：基于高精地图信息，得到从起点到终点的路径规划信息，并实时获取本车在高精地图中的定位信息；

步骤3：实时去监管突发情况，根据本车实时车速去调整紧急刹车阈值，来决策是否紧急刹车.

步骤4：读取步骤1和步骤2的输入信息，进行决策，主要是指对车身当前处于环境进行判断，在宏观决策中，将环境分为车辆前进、变道超车、通过路口、路边停车以及紧急情况五类；

步骤5：基于宏观决策输出，再结合高精地图信息，来输出路径长度和左右限制边界、路径上的速度限制边界以及时间上的位置限制边界，实现微观决策。

步骤1具体包括：

步骤1.1：使用单目相机/双目相机、激光雷达/毫米波雷达去得到车身周围的稠密感知；

步骤1.2：统计所有障碍物信息，并将其距离信息转换为在高精地图坐标系下的信息，并添加至高精地图。

步骤2具体包括：

步骤2.1：在高精地图上设置起点和终点，使用全局规划算法，进行全局路径规划；

步骤2.2：利用GPS和激光SLAM算法，实时获取本车在高精地图上的定位位置。

步骤3具体包括：

步骤3.1：根据本车的实时车速，获得刹车距离X；

步骤3.2：利用实时获取的感知信息，检测本车周围的障碍物，并预测障碍物的运动轨迹；

步骤3.3：确定障碍物的运动轨迹和本车的路径规划的交点，并计算本车实时位置到交点的距离；

步骤3.4，若步骤3.3中得到的距离小于或等于刹车距离X，则需要紧急刹车，否则进行行驶。

步骤4具体包括：

步骤4.1：读取本车定位信息和车身周围环境信息.若本车静止且未到达终点，下达命令至规划，进入车辆前进规划；

步骤4.2：若本车前进轨迹上出现静态障碍物，则下发变道超车的命令，进行路径规划；

步骤4.3：若本车通过定位信息和高精地图信息获得本车已距离路口距离小于某个值，经验设置为50米，则下发通过路口命令；

步骤4.4：若本车通过定位信息和高精地图信息获得本车距离终点小于某个值，经验设置为50米，则下发路边停车场景。

步骤5具体包括：

步骤5.1：针对步骤4输出的不同场景，来设置不同的输出结果；

步骤5.2：若当前场景是车辆前进，则将路径长度和左右限制边界设置为当前道路边界或车道边界，路径长度为50米，速度为当前车道允许车速的80％；当进行变道超车时，左右边界变为相邻右车道和本车道，速度应适当减速，保证安全性；当进行通过路口时，左右边界为虚拟车道边界，速度应根据交规进行控制，这部分工作由规划模块进行，本文不做具体分析。

应当指出，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也在本申请权利要求的保护范围内。

Claims (7)

1.一种基于非结构化道路的无人驾驶决策方法，其特征在于，具体步骤如下：

步骤1、实时获取无人驾驶汽车的多源信息，多源信息包括感知信息以及高精地图信息；

步骤2、根据步骤1获取的信息，实时监管突发情况，根据实时车速调整紧急刹车阈值，以决策是否紧急刹车；

步骤3、根据步骤1获取的信息，进行宏观决策，宏观决策包括车辆前进、变道超车、通过路口、路边停车和紧急情况五类；

步骤4、在步骤2中的宏观决策的基础上，进行微观决策，微观决策包括路径长度和左右限制边界、路径上的速度限制边界以及时间上的位置限制边界。

2.如权利要求1所述的一种基于非结构化道路的无人驾驶决策方法，其特征在于，步骤1中感知信息是通过单目相机/双目相机、激光雷达/毫米波雷达并结合深度学习获取的本车周围环境信息。

3.如权利要求1所述的一种基于非结构化道路的无人驾驶决策方法，其特征在于，步骤1中高精地图信息是基于高精地图得到的从起点到终点的路径规划信息以及实时获取的本车在高精地图中的定位信息。

4.如权利要求2所述的一种基于非结构化道路的无人驾驶决策方法，其特征在于，将单目相机/双目相机、激光雷达/毫米波雷达感知到的障碍物信息，转换到高精地图坐标系下，并添加至高精地图。

5.如权利要求3所述的一种基于非结构化道路的无人驾驶决策方法，其特征在于，在高精地图上设置起点和终点，使用全局规划算法，进行全局路径规划。

6.如权利要求3所述的一种基于非结构化道路的无人驾驶决策方法，其特征在于，利用GPS和激光SLAM算法，实时获取本车在高精地图上的定位。

7.如权利要求1所述的一种基于非结构化道路的无人驾驶决策方法，其特征在于，步骤3具体为：

步骤3.1：根据本车的实时车速，获得刹车距离X；

步骤3.2：利用实时获取的感知信息，检测本车周围的障碍物，并预测障碍物的运动轨迹；

步骤3.3：确定障碍物的运动轨迹和本车的路径规划的交点，并计算本车实时位置到交点的距离；

步骤3.4，若步骤3.3中得到的距离小于或等于刹车距离X，则需要紧急刹车，否则进行行驶。

Images