CN112577506B - 一种自动驾驶局部路径规划方法和系统 - Google Patents
一种自动驾驶局部路径规划方法和系统 Download PDFInfo
- Publication number
- CN112577506B CN112577506B CN202011191399.8A CN202011191399A CN112577506B CN 112577506 B CN112577506 B CN 112577506B CN 202011191399 A CN202011191399 A CN 202011191399A CN 112577506 B CN112577506 B CN 112577506B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- sampling
- path planning
- track
- predicted
- 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
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
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
-
- 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
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种自动驾驶局部路径规划方法,其包括步骤:(1)接收车辆将要行驶区域的地图数据和车辆定位数据,以生成车辆可行驶区域的局部地图;(2)从所述局部地图中进行时间采样、速度采样和角度采样;(3)基于时间采样、速度采样和角度采样生成若干条预测行驶轨迹;(4)遍历所有预测行驶轨迹,对每一条预测行驶轨迹进行碰撞检测,如果检测结果是会发生碰撞,则将该条预测行驶轨迹剔除,如果检测结果是不会发生碰撞,则将该条预测行驶轨迹放入预测行驶轨迹数据库中;(5)从所述预测行驶轨迹数据库中选取最优轨迹,并将其输出给车辆。相应地,本发明还公开了一种自动驾驶局部路径规划系统。
Description
技术领域
本发明涉及一种控制方法和系统,尤其涉及一种路径规划方法和系统。
背景技术
近年来,随着无人驾驶技术的快速发展,无人车运用在日常生活中的可能性也越来越大。而无人车的安全性、可靠性和舒适性尤为重要,这就对无人车运动路线的优化提出了更高的要求。
路径规划一直是无人车研究中的一个热点,目前已有众多研究人员对路径规划方法进行了大量研究。
现有的路径规划方法主要包括:基于采样的Voronoi图方法、快速搜索随机树等方法;基于节点的Dijkstra和Dynamic Window Approach(DWA)等方法。其中,DWA算法便于理解和实现,是目前在机器人领域使用较为广泛的规划法之一。
然而,由于现有技术中的DWA算法本身存在的一些缺陷,导致该算法本身在机器人领域应用较为广泛,而在无人驾驶领域应用相对较少。DWA算法的缺陷包括:速度采样会导致机器人/无人驾驶车辆无线逼近障碍物,不符合无人驾驶的策略;另外,由于没有时间采样导致其不能做出类似人类驾驶员的规划行为(规划未来一定时间内路径)。
基于此,针对现有技术中存在的缺陷,本发明期望获得一种自动驾驶局部路径规划方法和系统,其采用时间采样、速度采样和角度采样的三层采样策略,通过增加时间采样,以模拟人类驾驶员的规划行为及策略。此外,其在速度采样中,采用限定区间采样,而不是像原DWA算法一样,采用速度0下限,避免无人驾驶车无限接近障碍物。
发明内容
本发明的目的之一在于提供一种自动驾驶局部路径规划方法,该自动驾驶局部路径规划方法可以通过采用时间采样、速度采样和角度采样的三层采样策略,增加时间采样,从而有效模拟人类驾驶员的规划行为及策略。
为了实现上述目的,本发明提出了一种自动驾驶局部路径规划方法,其包括步骤:
(1)接收车辆将要行驶区域的地图数据和车辆定位数据,以生成车辆可行驶区域的局部地图;
(2)从所述局部地图中进行时间采样、速度采样和角度采样;
(3)基于时间采样、速度采样和角度采样生成若干条预测行驶轨迹;
(4)遍历所有预测行驶轨迹,对每一条预测行驶轨迹进行碰撞检测,如果检测结果是会发生碰撞,则将该条预测行驶轨迹剔除,如果检测结果是不会发生碰撞,则将该条预测行驶轨迹放入预测行驶轨迹数据库中;
(5)从所述预测行驶轨迹数据库中选取最优轨迹,并将其输出给车辆。
在本发明所述的自动驾驶局部路径规划方法中,不同于现有DWA算法是:传统DWA算法不对时间进行采样,因此其无法进行预测判断,这是这种算法的致命缺点。然而在本发明中,采用的是多种输入方式,以接收车辆将要行驶区域的地图数据和车辆定位数据,从而有效解决这一问题。
相应地,传统的DWA算法仅引入速度采样和角度采样,其每条规划轨迹都是由固定速率和角度组成。这种方法在简单的场景中可以有很好的效果,但是在处理复杂场景上会有很大的局限性,当环境发生变化时,轨迹变化很容易产生速度的抖动。因为缺少时间维度的规划,传统的DWA算法并不能很好的处理复杂的环境。而在本发明所述的自动驾驶局部路径规划方法中,通过采用时间采样、速度采样和角度采样的三层采样策略,增加时间采样,从而可以有效解决上述问题,并模拟人类驾驶员的规划行为及策略。
此外,传统的DWA算法基于输入的可行驶空间进行计算,当采样轨迹和可行驶空间中的障碍物发生碰撞时,那么这条轨迹将被剔除掉,进而从中选出最优轨迹。然而,采用这种方法无法考虑障碍物的运动信息,无法实现较为精准并合理的碰撞检测。
在本发明中,我们不仅使用可行驶空间来进行静态障碍物的碰撞检测,我们还使用预测信息来进行动态障碍物的碰撞检测。基于时间采样、速度采样和角度采样生成若干条预测行驶轨迹,可以发现,如果将时间信息考虑在内,其实有些轨迹和障碍物并没有发生碰撞,这就是将预测信息加入后使得碰撞检测的轨迹筛选更加准确可靠,这也是本发明的创新点之一。
进一步地,在本发明所述的自动驾驶局部路径规划方法中,所述地图数据为来自于可视摄像头采集的图像数据和/或激光雷达采集的点云数据。
进一步地,在本发明所述的自动驾驶局部路径规划方法中,所述车辆定位数据来自于定位模块传输的车辆定位数据。
进一步地,在本发明所述的自动驾驶局部路径规划方法中,所述定位模块包括GPS模块。
进一步地,在本发明所述的自动驾驶局部路径规划方法中,在所述步骤(2)中,在车辆最小速度Vmin和车辆最大速度Vmax构成的范围区间[Vmin,Vmax]内对速度进行采样,其中其中v表示车辆当前速度,分别表示车辆最大加速度和车辆最小减速度,Δt表示采样的时间间隔。
在上述技术方案中,在本发明所述的自动驾驶局部路径规划方法中,本发明在速度采样中控制在限定区间采样,而不是像现有DWA算法一样,采用速度0下限,其可以有效避免无人驾驶车无限接近障碍物。
进一步地,在本发明所述的自动驾驶局部路径规划方法中,在所述步骤(2)中,在车辆向左最大转向角θmin和车辆向右最大转向角θmax构成的范围区间[θmin,θmax]内对角度进行采样,其中θmin=θ-δΔt,θmax=θ+δΔt,其中θ为车辆当前转向角,δ为车辆当前转角速度,Δt表示采样的时间间隔。
进一步地,在本发明所述的自动驾驶局部路径规划方法中,在所述步骤(4)中,碰撞检测包括步骤:
将车辆等效为长方形,其中长方形的长边表示车长,长方形的宽边表示车宽,以该长方形的两条宽边H1、H2和两条宽边的对称轴线H3作为三条直径,以该长方形两条长边的对称轴线L1与H1、H2、H3的交点作为圆心,分别构建三个碰撞检测圆;
计算预测行驶轨迹上的障碍物至每一个碰撞检测圆的圆心的距离,只要有一个计算结果小于等于碰撞检测圆的半径,就判断检测结果是会发生碰撞。
在本发明上述技术方案中,通常碰撞检测主要有以下两类方法:(1)几何边界碰撞检测(Bounding Space and Hierarchies);(2)栅格空间覆盖枚举(Spatial OccupancyEnumeration)。然而,这两种方法计算量相对较为复杂,而路径规划是一种对实时性要求较高的算法,因此在本发明所述的自动驾驶局部路径规划方法中,提出了一种新的快速简易的碰撞检测方法。本发明上述的碰撞检测执行过程简易,并且计算量很小,因而具有优越性。
进一步地,在本发明所述的自动驾驶局部路径规划方法中,在所述步骤(5)中,选取最优轨迹包括步骤:
基于评价因素构建轨迹评价矩阵;
对每个评价因素设置不同的代价权重;
基于所述代价权重对预测行驶轨迹数据库中的每条预测行驶轨迹进行代价累加,获得每条预测行驶轨迹数据库的代价总和;
选择代价总和最小的预测行驶轨迹作为最优轨迹。
进一步地,在本发明所述的自动驾驶局部路径规划方法中,在所述步骤(5)中,所述评价因素包括:车辆最大加速度,车辆最大转角速度,车辆速度,车辆距离道路中心线的距离,采样时间范围内的车辆行驶距离和车辆航向角。
相应地,本发明的另一目的在于提供一种自动驾驶局部路径规划系统,该自动驾驶局部路径规划系统可以用于实施本发明上述的自动驾驶局部路径规划方法。
为了实现上述目的,本发明提出了一种自动驾驶局部路径规划系统,其包括数据采集模块和路径规划模块,其中所述数据采集模块采集车辆将要行驶区域的地图数据和车辆定位数据,所述路径规划模块执行本发明上述的自动驾驶局部路径规划方法。
本发明所述的自动驾驶局部路径规划方法和系统相较于现有技术具有如下所述的优点和有益效果:
本发明所述的自动驾驶局部路径规划方法通过采用时间采样、速度采样和角度采样的三层采样策略,增加时间采样,从而可以有效模拟人类驾驶员的规划行为及策略。
此外,在某些实施方式中,本发明所述的自动驾驶局部路径规划方法,在速度采样中采用限定区间采样,而不是像现有DWA算法一样,采用速度0下限,其可以有效避免无人驾驶车无限接近障碍物。
相应地,本发明所述的自动驾驶局部路径规划系统可以用于实施本发明上述方法,其同样具有上述的优点以及有益效果。
附图说明
图1示意性地显示了本发明所述的自动驾驶局部路径规划方法在一种实施方式下的步骤流程图。
图2示意性地显示了本发明所述的自动驾驶局部路径规划方法在一种实施方式下的同一时刻同一速度下的车辆角度采样。
图3示意性地显示了本发明所述的自动驾驶局部路径规划方法在一种实施方式下生成预测行驶轨迹的流程图。
图4示意性地显示了车辆运动模型的示意图。
图5示意性地显示了本发明所述的自动驾驶局部路径规划方法在一种实施方式下生成的若干条预测行驶轨迹。
图6示意性地显示了本发明所述的自动驾驶局部路径规划方法在一种实施方式下进行碰撞检测的示意图。
图7示意性地显示了本发明所述的自动驾驶局部路径规划方法在一种实施方式下的最优轨迹生成流程图。
具体实施方式
下面将结合说明书附图和具体的实施例对本发明所述的自动驾驶局部路径规划方法和系统做进一步的解释和说明,然而该解释和说明并不对本发明的技术方案构成不当限定。
在本发明中,本发明公开了一种自动驾驶局部路径规划系统,该自动驾驶局部路径规划系统可以用于实施本发明的自动驾驶局部路径规划方法。
在本发明所述的自动驾驶局部路径规划系统中,其包括:数据采集模块和路径规划模块。其中数据采集模块用于采集车辆将要行驶区域的地图数据和车辆定位数据,路径规划模块用于本发明所述的自动驾驶局部路径规划方法。
图1示意性地显示了本发明所述的自动驾驶局部路径规划方法在一种实施方式下的步骤流程图。
如图1所示,在本实施方式中,本发明所述的自动驾驶局部路径规划方法可以接收地图数据以及车辆定位数据,并同步融合生成车辆可行驶区域的局部地图。而后,从局部地图中进行时间采样、速度采样和角度采样生成若干条预测行驶轨迹,之后遍历整个若干条预测行驶轨迹,进行碰撞检测,并对每一个轨迹进行打分,最后从中挑选出最优轨迹,并将轨迹下发到下层模块进行具体的执行。当然,也可以不存在最优轨迹,即最优轨迹为空,表明车辆无路可走。
由此可见,在本实施方式中,本发明所述的自动驾驶局部路径规划方法可以包括以下步骤:
(1)接收车辆将要行驶区域的地图数据和车辆定位数据,以生成车辆可行驶区域的局部地图;
(2)从所述局部地图中进行时间采样、速度采样和角度采样;
(3)基于时间采样、速度采样和角度采样生成若干条预测行驶轨迹;
(4)遍历所有预测行驶轨迹,对每一条预测行驶轨迹进行碰撞检测,如果检测结果是会发生碰撞,则将该条预测行驶轨迹剔除,如果检测结果是不会发生碰撞,则将该条预测行驶轨迹放入预测行驶轨迹数据库中;
(5)从所述预测行驶轨迹数据库中选取最优轨迹,并将其输出给车辆。
需要说明的是,在本发明所述的方法中,步骤(1)中的地图数据可以为来自于可视摄像头采集的图像数据和/或激光雷达采集的点云数据。车辆定位数据可以来自于定位模块传输的车辆定位数据。
在某些实施方式中,上述的定位模块可以包括GPS模块。
相应地,在本发明所述的自动驾驶局部路径规划方法中,步骤(2)需要从局部地图中进行时间采样、速度采样和角度采样。其中,速度采样是一个极其重要的核心:车辆在速度[0,Vmax]范围内存在无穷多组速度,因此也存在无穷多组运动轨迹。但是根据车辆本身的运动学限制和环境限制可以将采样速度控制在一定的范围内:[Vmin,Vmax];其中,Vmin和Vmax分别为车辆最小速度和车辆最大速度。这样可以有效减少采样数,同时,可以避免车速无限接近于零,导致车辆无限逼近障碍物。此外,由于车辆的发动机力矩有限制且车辆还会受到行驶道路上摩擦系数等外界影响,其还存在最大加速度限制。
因此,在本实施方式中,在本发明所述自动驾驶局部路径规划方法的步骤(2)中,速度采样可以为:在车辆最小速度Vmin和车辆最大速度Vmax构成的范围区间[Vmin,Vmax]内对速度进行采样,其中其中v表示车辆当前速度,分别表示车辆最大加速度和车辆最小减速度,Δt表示采样的时间间隔。
图2示意性地显示了本发明所述的自动驾驶局部路径规划方法在一种实施方式下的同一时刻同一速度下的车辆角度采样。
在已知车辆运动模型(如图5所示)的情况下,根据角度就可以推算出车辆的运动轨迹。因此只需要采样很多速度,根据采样时间,推算轨迹,然后根据代价函数评估所得的轨迹选出最优轨迹。
如图2所示,在本实施方式中,角度采样类似速度采样,根据车辆本身的运动学限制和环境限制可以将采样角度控制在一定的范围内,角度采样具体可以为:在车辆向左最大转向角θmin和车辆向右最大转向角θmax构成的范围区间[θmin,θmax]内对角度进行采样,其中θmin=θ-δΔt,θmax=θ+δΔt,其中θ为车辆当前转向角,δ为车辆当前转角速度,Δt表示采样的时间间隔。
此外,在本发明所述自动驾驶局部路径规划方法的步骤(2)中,还包括有时间采样。需要说明的是,传统的DWA算法只引入了速度采样和角度采样,其每条规划轨迹都是由固定速率和角度组成。这种方法在简单的场景中可以有很好的效果,但是在处理复杂场景上会有很大的局限性,当环境发生变化时,轨迹变化很容易产生速度的抖动。因为缺少时间维度的规划,传统的DWA算法并不能很好的处理复杂的环境。
为了使本发明自动驾驶局部路径规划方法的路径规划能够具有更好的前瞻性,更加贴近人类驾驶员的规划行为,在本发明中,还引入了时间维度的采样,即时间采样。在本实施例中,对时间进行整数级别的离散采样,即t=1s,2s,3s……,也即Δt为1s,然后在每个离散时间里面,考虑当前车辆的规划速度以及车辆本身速度限制计算[Vmin,Vmax],根据当前的[Vmin,Vmax]重新进行速度规划。引入时间采样之后,本发明所述的自动驾驶局部路径规划方法可以实现规划轨迹速度的动态变化,配合障碍物的预测信息,能够实现车辆轨迹速度的动态管理,规划模块在响应变换的环境信息时会使车辆有一个更加平顺的速度。
图3示意性地显示了本发明所述的自动驾驶局部路径规划方法在一种实施方式下生成预测行驶轨迹的流程图。
如图3所示,在本发明所述的自动驾驶局部路径规划方法中,完成速度采样、角度采样和时间采样之后,在每一次的采样过程中都可以得到时间t、时间t下的车辆当前速度Vt,以及时间t下的当前车辆角度θt。而后,根据图4所示的车辆运动模型,以及当前的车辆位置和采样状态,可以计算得到车辆在速度Vt,θt角度和时间t条件下的车辆状态。其中,车辆状态可以包含有车辆位置,车辆运动状态和时间。
图4示意性地显示了车辆运动模型的示意图。
如图4所示,在图4的车辆运动模型中,lr和lf分别为车辆后轮和前轮到车辆重心的距离,θ为车辆前轮转角,β为滑移角。根据车辆运动模型以及车辆t-1时刻的位姿,可以计算出车辆在t时刻下的车辆前轮转角(或称为车辆角度)θt和速度Vt下的位姿。
θt=θt-1+δΔt
在上式中,yawt、yawt-1表示分别表示车辆在t时刻和t-1时刻的航向角,xt、xt-1分别表示车辆在t时刻和t-1时刻在x方向的位置,yt、yt-1分别表示车辆在t时刻和t-1时刻在y方向的位置,δ为车辆当前转角速度。
在t时刻下,通过采样得到不同的车辆角度θt和速度Vt可以计算得到不同的车辆位姿(xt,yt,yawt),随着采样时间t的增加,便可以得到多组不同的时间序列的轨迹,构成当前规划的所有预测行驶轨迹,如图5所示。图5示意性地显示了本发明所述的自动驾驶局部路径规划方法在一种实施方式下生成的若干条预测行驶轨迹。
因为,速度采样和角度采样都考虑了车辆的运动状态,而且预测行驶轨迹是由车辆运动学模型计算得到,因此可以保证当前所有预测行驶轨迹都是车辆可以跟随的解。
图6示意性地显示了本发明所述的自动驾驶局部路径规划方法在一种实施方式下进行碰撞检测的示意图。
如图6所示,在本发明所述的自动驾驶局部路径规划方法中,我们将车辆等效为长方形A,其中长方形A的长边表示车长,长方形A的宽边表示车宽,以该长方形的两条宽边H1、H2和两条宽边的对称轴线H3作为三条直径,以该长方形两条长边的对称轴线L1与H1、H2、H3的交点作为圆心,分别得到三个圆心O1、O2和O3,从而分别构建三个碰撞检测圆B。
进行碰撞检测计算,计算预测行驶轨迹上的障碍物至每一个碰撞检测圆B的圆心的距离,只要有一个计算结果小于等于碰撞检测圆B的半径,就判断检测结果是会发生碰撞,将该条预测行驶轨迹剔除。如果检测结果是不会发生碰撞,则将该条预测行驶轨迹放入预测行驶轨迹数据库中。
需要说明的是,本发明所述的自动驾驶局部路径规划方法中采用的这种碰撞检测算法虽然有一定的精度缺失,但是其十分容易执行,并且计算法很小,有其优越性。
在进行碰撞检测之后,当前预测行驶轨迹数据库内的所有预测行驶轨迹均为可行驶轨迹,接下来就要对所有可行驶轨迹进行评价,进而从所述预测行驶轨迹数据库中选取最优轨迹。轨迹的评价过程是一个多目标优化过程,其流程如图7所示。
图7示意性地显示了本发明所述的自动驾驶局部路径规划方法在一种实施方式下的最优轨迹生成流程图。
如图7所示,在本实施方式中,在本发明所述的自动驾驶局部路径规划方法的步骤(5)中,选取最优轨迹包括步骤:
S1:基于评价因素构建轨迹评价矩阵;
S2:对每个评价因素设置不同的代价权重;
S3:基于所述代价权重对预测行驶轨迹数据库中的每条预测行驶轨迹进行代价累加,获得每条预测行驶轨迹数据库的代价总和;
S4:选择代价总和最小的预测行驶轨迹作为最优轨迹。
需要说明的是,在上述步骤中,代价表示的是实测值与目标值之间的差值。
继续参阅图7可知,在本实施方式中,本发明自动驾驶局部路径规划方法的轨迹评价矩阵考量了:车辆最大加速度,车辆最大转角速度,车辆速度,车辆距离道路中心线的距离,采样时间范围内的车辆行驶距离和车辆航向角6个评价因素的情况。
综上所述可以看出,本发明所述的自动驾驶局部路径规划方法通过采用时间采样、速度采样和角度采样的三层采样策略,增加时间采样,从而可以有效模拟人类驾驶员的规划行为及策略。
在某些实施方式中,本发明所述的自动驾驶局部路径规划方法,在速度采样中采用限定区间采样,而不是像现有DWA算法一样,采用速度0下限,其可以有效避免无人驾驶车无限接近障碍物。
相应地,本发明所述的自动驾驶局部路径规划系统可以用于实施本发明上述方法,其同样具有上述的优点以及有益效果。
需要说明的是,本发明保护范围中现有技术部分并不局限于本申请文件所给出的实施例,所有不与本发明的方案相矛盾的现有技术,包括但不局限于在先专利文献、在先公开出版物,在先公开使用等等,都可纳入本发明的保护范围。
此外,本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式,本案记载的所有技术特征可以以任何方式进行自由组合或结合,除非相互之间产生矛盾。
还需要注意的是,以上所列举的实施例仅为本发明具体实施例。显然本发明不局限于以上实施例,随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的,均应属于本发明的保护范围。
Claims (8)
1.一种自动驾驶局部路径规划方法,其特征在于,包括步骤:
(1)接收车辆将要行驶区域的地图数据和车辆定位数据,以生成车辆可行驶区域的局部地图;
(2)从所述局部地图中进行时间采样、速度采样和角度采样;其中对时间进行离散采样,然后在每个离散时间里面,考虑当前车辆的规划速度以及车辆本身速度限制计算[Vmin,Vmax],根据当前的[Vmin,Vmax]重新进行速度规划;其中在车辆最小速度Vmin和车辆最大速度Vmax构成的范围区间[Vmin,Vmax]内对速度进行采样,其中其中v表示车辆当前速度,分别表示车辆最大加速度和车辆最小减速度,Δt表示采样的时间间隔;在车辆向左最大转向角θmin和车辆向右最大转向角θmax构成的范围区间[θmin,θmax]内对角度进行采样,其中θmin=θ-δΔt,θmax=θ+δΔt,其中θ为车辆当前转向角,δ为车辆当前转角速度,Δt表示采样的时间间隔;
(3)基于时间采样、速度采样和角度采样生成若干条预测行驶轨迹;
(4)遍历所有预测行驶轨迹,对每一条预测行驶轨迹进行碰撞检测,如果检测结果是会发生碰撞,则将该条预测行驶轨迹剔除,如果检测结果是不会发生碰撞,则将该条预测行驶轨迹放入预测行驶轨迹数据库中;
(5)从所述预测行驶轨迹数据库中选取最优轨迹,并将其输出给车辆。
2.如权利要求1所述的自动驾驶局部路径规划方法,其特征在于,所述地图数据为来自于可视摄像头采集的图像数据和/或激光雷达采集的点云数据。
3.如权利要求1所述的自动驾驶局部路径规划方法,其特征在于,所述车辆定位数据来自于定位模块传输的车辆定位数据。
4.如权利要求3所述的自动驾驶局部路径规划方法,其特征在于,所述定位模块包括GPS模块。
5.如权利要求1所述的自动驾驶局部路径规划方法,其特征在于,在所述步骤(4)中,碰撞检测包括步骤:
将车辆等效为长方形,其中长方形的长边表示车长,长方形的宽边表示车宽,以该长方形的两条宽边H1、H2和两条宽边的对称轴线H3作为三条直径,以该长方形两条长边的对称轴线L1与H1、H2、H3的交点作为圆心,分别构建三个碰撞检测圆;
计算预测行驶轨迹上的障碍物至每一个碰撞检测圆的圆心的距离,只要有一个计算结果小于等于碰撞检测圆的半径,就判断检测结果是会发生碰撞。
6.如权利要求1所述的自动驾驶局部路径规划方法,其特征在于,在所述步骤(5)中,选取最优轨迹包括步骤:
基于评价因素构建轨迹评价矩阵;
对每个评价因素设置不同的代价权重;
基于所述代价权重对预测行驶轨迹数据库中的每条预测行驶轨迹进行代价累加,获得每条预测行驶轨迹数据库的代价总和;
选择代价总和最小的预测行驶轨迹作为最优轨迹。
7.如权利要求6所述的自动驾驶局部路径规划方法,其特征在于,所述评价因素包括:车辆最大加速度,车辆最大转角速度,车辆速度,车辆距离道路中心线的距离,采样时间范围内的车辆行驶距离和车辆航向角。
8.一种自动驾驶局部路径规划系统,其特征在于,其包括数据采集模块和路径规划模块,其中所述数据采集模块采集车辆将要行驶区域的地图数据和车辆定位数据,所述路径规划模块执行如权利要求1-7中任意一项所述的自动驾驶局部路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011191399.8A CN112577506B (zh) | 2020-10-30 | 2020-10-30 | 一种自动驾驶局部路径规划方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011191399.8A CN112577506B (zh) | 2020-10-30 | 2020-10-30 | 一种自动驾驶局部路径规划方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112577506A CN112577506A (zh) | 2021-03-30 |
CN112577506B true CN112577506B (zh) | 2023-04-07 |
Family
ID=75120367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011191399.8A Active CN112577506B (zh) | 2020-10-30 | 2020-10-30 | 一种自动驾驶局部路径规划方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112577506B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112965917A (zh) * | 2021-04-15 | 2021-06-15 | 北京航迹科技有限公司 | 用于自动驾驶的测试方法、装置、设备和存储介质 |
CN113359796B (zh) * | 2021-06-08 | 2022-09-06 | 同济大学 | 一种地下多分支洞穴的无人机探寻方法 |
CN113635896B (zh) * | 2021-07-31 | 2023-06-20 | 华为技术有限公司 | 一种驾驶行为确定方法及其相关设备 |
CN114089775B (zh) * | 2022-01-20 | 2022-06-10 | 杭州蓝芯科技有限公司 | 移动机器人的停障控制方法与装置 |
CN114889638A (zh) * | 2022-04-22 | 2022-08-12 | 武汉路特斯汽车有限公司 | 一种自动驾驶系统中的轨迹预测方法及系统 |
CN115848365B (zh) * | 2023-02-03 | 2023-05-02 | 北京集度科技有限公司 | 车辆控制器、车辆及车辆控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106515722A (zh) * | 2016-11-08 | 2017-03-22 | 西华大学 | 一种垂直泊车轨迹规划方法 |
CN109712421A (zh) * | 2019-02-22 | 2019-05-03 | 百度在线网络技术(北京)有限公司 | 自动驾驶车辆的速度规划方法、装置和存储介质 |
CN109960261A (zh) * | 2019-03-22 | 2019-07-02 | 北京理工大学 | 一种基于碰撞检测的动态障碍物避让方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106114507B (zh) * | 2016-06-21 | 2018-04-03 | 百度在线网络技术(北京)有限公司 | 用于智能车辆的局部轨迹规划方法和装置 |
DE102016223829A1 (de) * | 2016-11-30 | 2018-05-30 | Robert Bosch Gmbh | Verfahren zur rechenzeiteffizienten Kollisionsprüfung bei einer Pfadplanung für ein Fahrzeug |
CN107702716B (zh) * | 2017-08-31 | 2021-04-13 | 广州小鹏汽车科技有限公司 | 一种无人驾驶路径规划方法、系统和装置 |
KR101990878B1 (ko) * | 2018-11-29 | 2019-06-19 | 주식회사 트위니 | 시간상태 영역에서의 온라인 양방향 경로 계획 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 |
CN110341711B (zh) * | 2019-07-06 | 2021-10-22 | 深圳数翔科技有限公司 | 一种基于码头环境的行驶轨迹生成系统及方法 |
CN111457929B (zh) * | 2019-12-31 | 2022-01-25 | 南京工大数控科技有限公司 | 一种基于地理信息系统的物流车辆自主路径规划与导航方法 |
CN111338340B (zh) * | 2020-02-21 | 2022-05-10 | 天津大学 | 基于模型预测的无人驾驶汽车局部路径规划方法 |
CN111750887B (zh) * | 2020-06-11 | 2023-11-21 | 上海交通大学 | 降低事故严重程度的无人驾驶车辆轨迹规划方法及系统 |
CN112068545B (zh) * | 2020-07-23 | 2022-12-27 | 哈尔滨工业大学(深圳) | 一种无人驾驶车辆在十字路口的行驶轨迹规划方法、系统及存储介质 |
-
2020
- 2020-10-30 CN CN202011191399.8A patent/CN112577506B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106515722A (zh) * | 2016-11-08 | 2017-03-22 | 西华大学 | 一种垂直泊车轨迹规划方法 |
CN109712421A (zh) * | 2019-02-22 | 2019-05-03 | 百度在线网络技术(北京)有限公司 | 自动驾驶车辆的速度规划方法、装置和存储介质 |
CN109960261A (zh) * | 2019-03-22 | 2019-07-02 | 北京理工大学 | 一种基于碰撞检测的动态障碍物避让方法 |
Non-Patent Citations (1)
Title |
---|
基于改进D*算法的移动机器人路径规划;张贺等;《工业控制计算机》;20161125(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112577506A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112577506B (zh) | 一种自动驾驶局部路径规划方法和系统 | |
CN109375632B (zh) | 自动驾驶车辆实时轨迹规划方法 | |
US11320826B2 (en) | Operation of a vehicle using motion planning with machine learning | |
Li et al. | Real-time trajectory planning for autonomous urban driving: Framework, algorithms, and verifications | |
Levinson et al. | Towards fully autonomous driving: Systems and algorithms | |
JP2021524410A (ja) | ドライブエンベロープの決定 | |
Zhao et al. | Dynamic motion planning for autonomous vehicle in unknown environments | |
Zhang et al. | A cognitively inspired system architecture for the Mengshi cognitive vehicle | |
CN112068574A (zh) | 一种无人车在动态复杂环境中的控制方法及系统 | |
CN113720346B (zh) | 基于势能场和隐马尔可夫模型的车辆路径规划方法及系统 | |
US20220234575A1 (en) | Vehicle operation using maneuver generation | |
CN113291318B (zh) | 基于部分可观测马尔科夫模型的无人车盲区转弯规划方法 | |
KR20220110069A (ko) | 샘플링 기반 기동 실현기 | |
GB2620506A (en) | Homotopic-based planner for autonomous vehicles | |
Morales et al. | Proactive driving modeling in blind intersections based on expert driver data | |
Chen et al. | From perception to control: an autonomous driving system for a formula student driverless car | |
CN115079699A (zh) | 一种基于模型预测控制的人机共驾汽车的运动规划方法 | |
Delp et al. | Classifying and passing 3d obstacles for autonomous driving | |
Ghariblu et al. | Trajectory planning of autonomous vehicle in freeway driving | |
Najem et al. | Fuzzy-Based Clustering for Larger-Scale Deep Learning in Autonomous Systems Based on Fusion Data | |
Truong et al. | PaaS: Planning as a Service for reactive driving in CARLA Leaderboard | |
Truong et al. | PaaS: Planning as a Service for reactive driving in CARLA Leaderboard | |
YU et al. | Vehicle Intelligent Driving Technology | |
Murthy et al. | Human Behaviour-Based Trajectory Planning for Autonomous Overtaking Maneuver | |
Wang et al. | Research on Local Path Planning Algorithm Based on Frenet Coordinate 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 |