CN112677995B - 一种车辆轨迹规划方法、装置、存储介质及设备 - Google Patents

一种车辆轨迹规划方法、装置、存储介质及设备 Download PDF

Info

Publication number
CN112677995B
CN112677995B CN202110019580.9A CN202110019580A CN112677995B CN 112677995 B CN112677995 B CN 112677995B CN 202110019580 A CN202110019580 A CN 202110019580A CN 112677995 B CN112677995 B CN 112677995B
Authority
CN
China
Prior art keywords
target vehicle
target
track
cost function
vehicle
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
Application number
CN202110019580.9A
Other languages
English (en)
Other versions
CN112677995A (zh
Inventor
由长喜
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202110019580.9A priority Critical patent/CN112677995B/zh
Publication of CN112677995A publication Critical patent/CN112677995A/zh
Application granted granted Critical
Publication of CN112677995B publication Critical patent/CN112677995B/zh
Priority to PCT/CN2021/142314 priority patent/WO2022148282A1/zh
Priority to EP21917321.8A priority patent/EP4201781A4/en
Priority to JP2023520281A priority patent/JP2023546810A/ja
Priority to US17/977,424 priority patent/US20230079202A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/10—Path keeping
    • B60W30/12—Lane keeping
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18145—Cornering
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18163—Lane change; Overtaking manoeuvres
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B60W40/068—Road friction coefficient
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/114—Yaw movement
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • 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
    • G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/14—Yaw
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/40—Coefficient of friction
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/53—Road markings, e.g. lane marker or crosswalk
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2720/00—Output or target parameters relating to overall vehicle dynamics
    • B60W2720/10—Longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2720/00—Output or target parameters relating to overall vehicle dynamics
    • B60W2720/12—Lateral speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2720/00—Output or target parameters relating to overall vehicle dynamics
    • B60W2720/14—Yaw

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供一种车辆轨迹规划方法、装置、存储介质及设备，属于自动驾驶技术领域。其中，方法包括：获取目标车辆在目标规划时长内的初始参考轨迹，所述初始参考轨迹包括所述目标车辆在所述目标规划时长内的至少一个位置点的初始状态量和初始控制量；获取参考车道轨迹；根据几何学约束条件和动力学约束条件，利用所述参考车道轨迹以及所述目标车辆在所述至少一个位置点的初始状态量和初始控制量，确定所述目标车辆的轨迹代价；所述动力学约束条件包括能量损耗、加速度约束、角速度约束中的任意一项或任意组合；根据所述目标车辆的轨迹代价，将所述目标车辆的初始参考轨迹调整至目标行驶轨迹。

Description

一种车辆轨迹规划方法、装置、存储介质及设备
技术领域
本申请涉及自动驾驶技术领域，尤其涉及一种车辆轨迹规划方法、装置、存储介质及设备。
背景技术
作为人工智能的一个重要应用，自动驾驶技术在近年来得到了巨大的发展。自动驾驶的目标是实现车辆在无人状态下自主沿道路行进，在尽快到达目的地的同时保证本车的安全，亦保证不对其它交通参与者的安全造成直接或者间接的威胁。
为实现上述目标，自动驾驶软件需要多个关键系统，轨迹规划系统即为其中之一。轨迹规划的目的为规划一条满足车辆动力学要求的轨迹。此轨迹需要能够规避周围障碍物(车辆，行人，静态障碍物等)，且满足决策层指令(保持车道，变道，靠边停车)。
对于轨迹规划，一般为基于几何信息进行轨迹平滑，此类方法往往只能处理源于道路几何层面、车辆几何层面的约束，难以处理复杂的非线性、动态变化的约束，比如动力学约束，不适用于速度规划问题。
也就是说，相关方案仅可以优化车辆的几何学轨迹，不具有优化动力学变化的能力，应用于自动驾驶车辆时，稳定性、安全性较低。
发明内容
本申请实施例提供了一种车辆轨迹规划方法及装置，用于提高车辆轨迹规划的稳定性和安全性。
根据本申请实施例的一方面，提供了一种车辆轨迹规划方法，包括：
获取目标车辆在目标规划时长内的初始参考轨迹，所述初始参考轨迹包括所述目标规划时长内的至少一个位置点所述目标车辆的初始状态量和初始控制量；
获取参考车道轨迹；
根据几何学约束条件和动力学约束条件，利用所述参考车道轨迹以及所述目标车辆在所述至少一个位置点的初始状态量和初始控制量，确定所述目标车辆的轨迹代价；所述动力学约束条件包括能量损耗、加速度约束、角速度约束中的任意一项或任意组合。
根据所述目标车辆的轨迹代价，将所述目标车辆的初始参考轨迹调整至目标行驶轨迹。
根据本申请实施例的另一方面，本申请实施例提供一种车辆轨迹规划装置，所述装置包括：
获取单元，用于获取目标车辆在目标规划时长内的初始参考轨迹，所述初始参考轨迹包括所述目标车辆在所述目标规划时长内的至少一个位置点的初始状态量和初始控制量；
所述获取单元，还用于获取参考车道轨迹；
代价单元，用于根据几何学约束条件和动力学约束条件，利用所述参考车道轨迹以及所述目标车辆在所述至少一个位置点的初始状态量和初始控制量，确定所述目标车辆的轨迹代价；所述动力学约束条件包括能量损耗、加速度约束、角速度约束中的任意一项或任意组合；
调整单元，用于根据所述目标车辆的轨迹代价，将所述目标车辆的初始参考轨迹调整至目标行驶轨迹。
在一种可选的实施例中，所述代价单元，用于：
针对所述目标规划时长内的每一位置点，根据所述参考车道轨迹、所述目标车辆的初始状态量以及几何学约束条件，确定所述目标车辆在所述位置点的几何代价函数子项；根据所述目标车辆的初始状态量、初始控制量以及动力学约束条件，确定所述目标车辆在所述位置点的动力学代价函数子项；
至少根据所述目标规划时长内的每一位置点的几何学代价函数子项和每一位置点的动力学代价函数子项，确定所述目标车辆在所述目标规划时长内的轨迹代价。
在一种可选的实施例中，所述代价单元，还用于：
根据所述目标车辆的目标状态和所述目标车辆在所述目标规划时长内最后一个位置点的初始状态量，确定所述目标车辆在所述目标规划时长内的最终步误差子项；
根据所述目标规划时长内每一位置点的几何学代价函数子项和每一位置点的动力学代价函数子项，以及所述最终步误差子项，确定所述目标车辆在所述目标规划时长内的轨迹代价。
在一种可选的实施例中，代价函数子项中包含对应的代价函数权重，所述代价函数权重为与目标规划时长内的位置点相对应的时变参数。
在一种可选的实施例中，所述代价单元，具体用于：
根据目标车速和所述目标车辆的当前车速，确定所述目标车辆在所述位置点的车速代价函数子项；
根据所述目标车辆的当前状态量以及参考轨迹上当前时刻的状态量，确定所述目标车辆在所述位置点的参考轨迹偏离代价函数子项；
根据所述参考车道轨迹和所述目标车辆的当前位置坐标，确定所述目标车辆在所述位置点的参考车道偏离代价函数子项。
在一种可选的实施例中，所述代价单元，具体用于：
计算所述目标车速与所述当前车速之差；
利用车速代价函数权重以及所述目标车速与所述当前车速之差，计算所述目标车辆在所述位置点的车速代价函数子项；
计算所述目标车辆的当前状态量与所述参考轨迹上当前时刻的状态量之差；
利用参考轨迹偏离代价函数权重以及所述目标车辆的当前状态量与所述参考轨迹上当前时刻的状态量之差，计算所述目标车辆在所述位置点的参考轨迹偏离代价函数子项；
确定所述目标车辆的参考位置坐标，所述目标车辆的参考位置为所述目标车辆的当前位置在所述参考车道轨迹上对应的位置；
利用参考车道偏离代价函数权重、所述目标车辆的当前位置坐标以及参考位置坐标，计算所述目标车辆在所述位置点的参考车道偏离代价函数子项。
在一种可选的实施例中，所述代价单元，具体用于：
根据所述目标车辆的当前控制量，确定所述目标车辆在所述位置点的能量损耗代价函数子项；
根据加速度约束以及所述目标车辆的当前加速度，确定所述目标车辆在所述位置点的加速度代价函数子项；
根据角速度约束以及所述目标车辆的当前角速度，确定所述目标车辆在所述位置点的角速度代价函数子项。
在一种可选的实施例中，所述目标车辆的当前控制量包括所述目标车辆的当前加速度和当前角速度；
所述代价单元，具体用于：
利用能量损耗代价函数权重、所述目标车辆的当前加速度和当前角速度，计算所述目标车辆在所述位置点的能量损耗代价函数子项；
确定最大加速度和最小加速度；
根据所述最大加速度与所述目标车辆的当前加速度之差，以及所述目标车辆的当前加速度之差与所述最小加速度之差，确定所述目标车辆在所述位置点的加速度代价函数子项；
根据所述道路附着系数，确定最大角速度和最小角速度；
根据所述最大角速度与所述目标车辆的当前角速度之差，以及所述目标车辆的当前角速度之差与所述最小角速度之差，确定所述目标车辆在所述位置点的角速度代价函数子项。
在一种可选的实施例中，所述调整单元，具体用于：
根据轨迹代价，从所述目标规划时长的最后一个位置点反向计算每一位置点的最优控制率；
根据最优控制率，依次调整所述目标车辆的状态量和控制量；
根据所述目标车辆的当前状态量和当前控制量，更新所述目标车辆的轨迹代价，并重新反向计算最优控制率，直至达到设定的迭代结束条件为止，得到所述目标行驶轨迹。
另一方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现第一方面的车辆轨迹规划方法。
另一方面，本申请实施例还提供一种电子设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器实现第一方面的车辆轨迹规划方法。
本申请实施例获取参考车道轨迹，并获取目标车辆在目标规划时长内的初始参考轨迹。其中，初始参考轨迹包括目标车辆在目标规划时长内的至少一个位置点的初始状态量和初始控制量。根据几何学约束条件和动力学约束条件，利用参考车道轨迹以及目标车辆在至少一个位置点的初始状态量和初始控制量，确定目标车辆的轨迹代价。其中，动力学约束条件包括能量损耗、加速度约束、角速度约束中的任意一项或任意组合。根据目标车辆的轨迹代价，将目标车辆的初始参考轨迹调整至目标行驶轨迹。本申请实施例在获取参考车道轨迹以及目标车辆的初始参考轨迹后，基于几何学约束条件和动力学约束条件，设置优化器指标函数，利用参考车道轨迹以及目标车辆的初始状态量和初始控制量，确定目标车辆的轨迹代价，从而综合处理行车路径规划与速度规划的问题，不仅考虑了道路和车辆的几何层面的约束，还由于动力学约束条件包括目标车辆的能量损耗、加速度约束和角速度约束，即考虑到动力学约束下车辆轨迹规划的可行性，因此更为适应车辆行驶过程中复杂的非线性、动态变化的动力学约束，提高了自动驾驶的安全性和稳定性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，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车辆轨迹规划方法的系统架构示意图；
图2为本申请实施例提供的一种自动驾驶系统的结构示意图；
图3为本申请实施例提供的一种车辆轨迹规划方法的流程图；
图4为本申请实施例中一种规划轨迹的参考点的示意图；
图5为本申请实施例提供的一种单次轨迹优化的示意图；
图6为本申请具体实施例提供的一种车辆轨迹规划方法的流程示意图；
图7为本申请实施例提供的一种车辆轨迹规划装置的结构示意图；
图8为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。
下文中所用的词语“示例性”的意思为“用作例子、实施例或说明性”。作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
文中的术语“第一”、“第二”仅用于描述目的，而不能理解为明示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征，在本申请实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
以下对本申请实施例中的部分用语进行解释说明，以便于本领域技术人员理解。
自动驾驶：是指不需要测试驾驶员执行物理性驾驶操作的情况下，能够对车辆行驶任务进行指导与决策，并代替测试驾驶员操控行为使车辆完成安全行驶的功能。
自动驾驶系统：实现车辆的不同级别的自动驾驶功能的系统，例如辅助驾驶系统(L2)、需要人监管的高速自动驾驶系统(L3)和高度/完全自动驾驶系统(L4/L5)。
轨迹规划，通过给定的车辆的初始状态(包括起始位置、速度和加速度)、目标状态(包括目标位置、速度和加速度)、障碍物位置以及动力学和舒适性的约束条件，计算出一条平滑的轨迹，使车辆能够沿着此轨迹到达目标状态。轨迹规划包括路径规划和速度规划两部分：路径规划负责计算出从起始位置到目标位置的平滑的路径，而速度规划则在此路径的基础上计算每个路径点的速度，从而形成一条速度曲线。
元方法：即轨迹规划模式，是解决轨迹规划问题的基本方法，不可以分割为更小的单元，元方法被调用一次即输出从起始位置到达目标位置的轨迹，车辆从出发位置到终点位置的完整轨迹，是由不同/相同元方法被不断调用而输出的轨迹连接形成。
地面坐标系：是固定在地球表面的一种坐标系。OX轴为指向地面平面的任意方向。OZ轴铅垂向上，OY与OZ轴构成的平面垂直，构成右手坐标系。在忽略地球自转和地球质心的曲线运动时，该坐标系可看作惯性坐标系。
弗莱纳(Frenet)坐标系：也叫道路坐标系，以车辆的起始位置为原点，坐标轴相互垂直，分为s轴方向(即沿着道路参考线的切线方向，被称为横向)和l轴方向(即参考线当前的法向，被称为纵向)，坐标表示为(s，l)。
直角坐标系，以车辆的起始位置为原点，坐标轴相互垂直，分为x方向和y方向，坐标表示为(x，y)。
引导车：自动驾驶车辆行驶过程中(即将)出现在车辆前方的目标车道内最近环境车辆。
强化学习(RL)：机器学习中的一个领域，强调如何基于环境而行动，以取得最大化的预期利益，被广泛应用于运动控制问题。强化学习本质上是一种控制算法。大多语境下RL都是指无模型的RL算法，而依赖于模型的控制方法LQR(linear quadratic regulator，线性二次调节器)、MPC等被归为有模型的RL，他们的假设是环境的动态特性已知。有模型的RL往往被认为有更高的样本利用效率。
下面结合附图及具体实施例对本申请作进一步详细的说明。
轨迹优化相关方案有很多，比如基于几何信息使用多项式曲线在2D平面上的轨迹平滑算法，寻找最短可行路径的轨迹搜索算法，最优轨迹采样方法，以及基于SQP(sequential quadratic programming，顺序二次规划)或Ipopt(interior pointoptimizer,内点法优化器)处理复杂非线性约束的轨迹优化器等。
上述基于几何信息的轨迹平滑方法往往只处理空间轨迹的规划问题，不适用于速度规划问题，同时所获得的规划轨迹往往不够平滑而需要额外设计平滑算法。此类方法往往只能处理源于道路几何、车辆几何层面的约束，难以处理复杂的非线性、动态变化的约束，比如动力学约束。基于采样与优化的算法可以处理复杂场景下的轨迹和速度规划问题，但是设计上不够灵活，同时计算平台的求解效率往往限制了算法的广泛使用。上述方案要么难以处理复杂的非线性问题，要么求解效率不足难以满足成本控制需求。
为了解决相关技术中的技术问题，本申请实施例提供了一种车辆轨迹规划方法、装置、电子设备和存储介质。本申请实施例涉及人工智能(Artificial Intelligence,AI)和机器学习(Machine Learning,ML)技术，基于人工智能中的自动驾驶技术和机器学习而设计。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
自动驾驶技术通常包括高精地图、环境感知、行为决策、路径规划、运动控制等技术，自定驾驶技术有着广泛的应用前景。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习等技术。
本申请实施例采用了轨迹优化方法综合处理路径规划与速度规划的问题，不仅考虑了道路和车辆的几何层面的约束，还由于动力学约束条件包括目标车辆的能量损耗、加速度约束和角速度约束，即考虑到动力学约束下车辆轨迹规划的可行性，因此更为适应车辆行驶过程中复杂的非线性、动态变化的动力学约束，提高了自动驾驶的安全性和稳定性。
本申请实施例提供的车辆轨迹规划方法可以应用到各种自动驾驶汽车上，包括L2、L3、L4及以上级别的自动驾驶系统，重点应用于车道保持的场景，并自动试应前方感知薄弱处车道线的抖动、曲率变化等，提高自动驾驶的稳定性和舒适性。本申请实施例假定可以从上游模块获取目标车辆的目标车速，并假定上游模块可通过调整目标车速来试应不同的场景(跟车、切入等)，因此，本申请实施例中不讨论动态障碍物的处理方法。
本申请实施例提供的车辆轨迹规划方法的一种应用场景可以参见图1所示。
请参考图1，其示出了本申请一个实施例提供的车辆轨迹规划系统的应用场景示意图，在该应用场景中包括卫星11，基站12、服务器13以及自动驾驶车辆14。
上述应用场景中的自动驾驶系统100如图2所示，包括环境感知系统200、行车规划系统300和车辆控制系统600。可以理解地，自动驾驶系统100包括的上述系统在一些实施例中也可以被称为子系统或模块，将在下面分别进行说明。
环境感知系统200用于感知环境信息，包括环境中障碍物的位置、速度，朝向以及物体分类(如车辆，行人，自行车)。在一些实施例中，还可以感知车辆自身的状态(包括速度、加速度和方向)，或者如图1中的卫星11获取车辆的实时位置的高精度地图。
行车规划系统300中的决策系统400根据环境信息和目标位置，结合客观的物理规律，结合障碍物和周边环境以及积累的历史数据知识，对感知到的障碍物做出预测以便做出宏观地决策，保证车辆能够顺利到达目标状态。
在一些实施例中，决策系统400的决策包括道路选择、车道选择、参考车速、道路上是否正常跟随障碍物(例如人、车等)、是否绕过障碍物(例如人、车等)、是否停车、遇到交通灯和行人时是否等待避让、以及在路口和其他车辆的交互通过等。
决策规划系统300中的轨迹规划系统500用于根据环境感知信息和决策系统400的做出的决策，规划出理想的轨迹，包括选择轨迹途经的路径点，以及到达每个路径点时车辆的速度、朝向和加速度等。路径点不仅在时空上保持连续性，而且每个路径点的速度、朝向和加速度等参数，都在车辆的实际可操作的物理范围之内。
车辆控制系统600接收轨迹规划系统500规划的轨迹，结合车身属性和外界物理因素进行动力学计算，转换成对车辆电子化控制的油门量、刹车量、以及方向盘信号等车辆控制参数并执行，从而控制车辆去实现轨迹中的轨迹点。
继续说明实现本申请实施例的自动驾驶系统的示例性应用。
在一些实施例中，如图2所示的自动驾驶系统100中各个子系统可以封装为一个整体例如自动驾驶软件，支持被部署到各种可能的设备。例如被部署到车载终端、用户终端(包括智能手机和平板电脑)等终端设备中，终端设备通过与车辆的无线方式或有线方式的通信来控制图1中的自动驾驶车辆14，自动驾驶车辆14的自动驾驶功能。又例如被部署到图1的服务器13中，服务器13通过基站12与自动驾驶车辆14的各种方式的无线通信控制自动驾驶车辆14，而实现自动驾驶车辆14的自动驾驶功能。
在另一些实施例中，如图1所示的自动驾驶系统100中各个子系统可以封装为独立的软件、模块或插件的形式，被部署到上述的设备中，或与上述的设备中预先部署的自动、驾驶软件和自动导航软件耦合，以实现自动驾驶功能或自动驾驶功能的部分子功能，例如轨迹规划。
需要注意的是，上文提及的应用场景仅是为了便于理解本申请的精神和原理而示出，本申请实施例在此方面不受任何限制。相反，本申请实施例可以应用于适用的任何场景。
图3示出了本申请一个实施例提供的车辆轨迹规划方法的流程图。如图3所示，该方法包括如下步骤：
步骤S301，获取目标车辆在目标规划时长内的初始参考轨迹，初始参考轨迹包括目标车辆在目标规划时长内的至少一个位置点的初始状态量和初始控制量。
其中，目标车辆为自动驾驶车辆，目标规划时长为预先设置的时长。例如设置为5秒，设置规划步数为20，则每一个步长(time step)为dt＝T/N＝0.25秒。这里的步长即为采样的位置点之间的时长。
具体实施过程中，状态变量包括位置、速度、朝向角等，控制量包括加速度、角速度等。本申请实施例中对目标车辆在目标规划时长内按照设定的步长进行采样，获取每一个位置点的初始状态量和初始控制量，将位置、速度、朝向等组成状态矢量，将加速度和角速度组成对应的控制矢量，进一步各个区间的初始状态量和初始控制量连接形成初始参考轨迹。
例如，将5s的时长等分成20个0.25s的区间，对各个区间进行采样，可以得到目标车辆在每个区间的状态(包括位置、速度、加速度等)。这里的采样可以为在每个区间开始的时候采样，也可以为在每个区间结束的时候采样，也可以为在每个区间的中间时间点采样，需保持不同区间之间采样的位置一致即可。对于同一时间点，将位置、速度和朝向组成初始状态矢量，将加速度和角速度组成初始控制矢量。
步骤S302、获取参考车道轨迹。
具体实施过程中，参考车道轨迹可以根据目标车辆的起始位置与目标位置确定，由于本申请实施例中不考虑障碍物存在的场景，因此，可以从起始位置至目标位置之间的路径上随机选择一个机动车车道，或者根据车道在该路径上的位置等选择一个适合的机动车车道。一般来说，将该机动车车道的中线作为参考车道轨迹，当然，也可以将该车道的边线作为参考车道轨迹，本申请实施例对此不做限制。
步骤S303、根据几何学约束条件和动力学约束条件，利用参考车道轨迹以及目标车辆在至少一个位置点的初始状态量和初始控制量，确定目标车辆的轨迹代价。
其中，动力学约束条件包括能量损耗、加速度约束、角速度约束中的任意一项或任意组合。
具体实施过程中，确定了参考车道轨迹之后，即可以依据该参考车道轨迹的各个参量，确定目标车辆的轨迹代价。具体的，预先设定对应的几何学约束条件和动力学约束条件，其中，几何学约束条件为针对目标车辆在道路和车辆几何层面的约束，可以包括位置约束、车速约束、横摆角约束等，通过几何学约束保证了目标车辆可以按照设定的路径从起点向终点行驶，且对于车道保持具有较好的应用。
动力学约束条件为针对目标车辆在速度规划与动力学层面的约束，可以包括能量损耗、加速度约束、角速度约束等，可以较好地应用于复杂的非线性、动态变化的行车场景，例如转弯、车道变换等，可以提高自动驾驶的稳定性和舒适性。
步骤S304、根据目标车辆的轨迹代价，将目标车辆的初始参考轨迹调整至目标行驶轨迹。
具体实施过程中，可以利用强化学习算法，根据目标车辆的轨迹代价，通过调整目标车辆的初始参考轨迹，进行轨迹优化，并将优化后的轨迹作为新的参考轨迹，进行多次迭代优化，直至迭代次数达到阈值或者轨迹代价收敛，从而获取最终的优化轨迹，即为目标车辆的目标行驶轨迹。
上述过程是目标车辆在一个目标规划时长内的轨迹优化方案。为了引导目标车辆从起点位置行驶至终点位置，需要对目标车辆在多个目标规划时长内的轨迹进行优化。具体实施过程中，可以将目标车辆在第一个目标规划时长内除第一个位置点之外的任一位置点的状态量和控制量，即第一个目标行驶轨迹中的状态量和控制量，作为第二个目标规划时长内第一个位置点的初始状态量和初始控制量，从而得到目标车辆在第二个目标规划时长内的目标行驶轨迹。进一步将目标车辆在第二个目标规划时长内除第一个位置点之外的任一位置点的状态量和控制量，即第二个目标行驶轨迹中的状态量和控制量，作为第三个目标规划时长内第一位置点的初始状态量和初始控制量，从而得到目标车辆在第三个目标规划时长内的目标行驶轨迹。以此类推，可以依次生成后续的目标行驶轨迹。
这样，将目标车辆的一系列目标行驶轨迹连贯后，即可形成目标车辆从起点位置至目标位置的连续轨迹，引导目标车辆从起点位置行驶至目标位置。
本申请实施例获取参考车道轨迹，并获取目标车辆在目标规划时长内的初始参考轨迹。其中，初始参考轨迹包括目标车辆在目标规划时长内的至少一个位置点的初始状态量和初始控制量。根据几何学约束条件和动力学约束条件，利用参考车道轨迹以及目标车辆在至少一个位置点的初始状态量和初始控制量，确定目标车辆的轨迹代价。其中，动力学约束条件包括能量损耗、加速度约束、角速度约束中的任意一项或任意组合。根据目标车辆的轨迹代价，将目标车辆的初始参考轨迹调整至目标行驶轨迹。本申请实施例在获取参考车道轨迹以及目标车辆的初始参考轨迹后，基于几何学约束条件和动力学约束条件，设置优化器指标函数，利用参考车道轨迹以及目标车辆的初始状态量和初始控制量，确定目标车辆的轨迹代价，从而综合处理行车路径规划与速度规划的问题，不仅考虑了道路和车辆的几何层面的约束，还由于动力学约束条件包括目标车辆的能量损耗、加速度约束和角速度约束，即考虑到动力学约束下车辆轨迹规划的可行性，因此更为适应车辆行驶过程中复杂的非线性、动态变化的动力学约束，提高了自动驾驶的安全性和稳定性。
进一步地，本申请实施例中，根据几何学约束条件和动力学约束条件确定每一位置点的轨迹代价。则上述步骤303，根据几何学约束条件和动力学约束条件，利用参考车道轨迹以及目标车辆的初始状态量和初始控制量，确定目标车辆的轨迹代价，包括：
针对目标规划时长内的每一位置点，根据参考车道轨迹、目标车辆的初始状态量以及几何学约束条件，确定目标车辆在该位置点的几何代价函数子项；根据目标车辆的初始状态量、初始控制量以及动力学约束条件，确定目标车辆在该位置点的动力学代价函数子项；
至少根据目标规划时长内的每一位置点的几何学代价函数子项和每一位置点的动力学代价函数子项，确定目标车辆在目标规划时长内的轨迹代价。
其中，几何学约束条件为针对目标车辆在道路和车辆几何层面的约束，可以包括位置约束、车速约束、横摆角约束等，通过几何学约束保证了目标车辆可以按照设定的路径从起点向终点行驶，且对于车道保持具有较好的应用。
动力学约束条件为针对目标车辆在速度规划与动力学层面的约束，可以包括能量损耗、加速度约束、角速度约束等，可以较好地应用于复杂的非线性、动态变化的行车场景，例如转弯、车道变换等，可以提高自动驾驶的稳定性和舒适性。
本申请实施例中针对目标规划时长内的每一位置点，均确定目标车辆的几何代价函数子项，以及动力学代价函数子项，从而目标车辆的轨迹代价为目标车辆在目标规划时长内的所有几何学代价函数子项和所有动力学代价函数子项加权得到。
本申请实施例中，针对目标车辆的轨迹规划，建立系统的动力学模型并设计关键的约束和代价函数，最后使用iLQR算法求解轨迹规划问题。
具体实施过程中，采用iLQR的轨迹优化算法对目标车辆的轨迹进行优化。iLQR通过迭代使用LQR不断优化轨迹的目标函数从而获得满足约束条件的最优或次最优解。iLQR适用于处理非线性系统，非线性约束以及非线性目标函数的复杂问题，通过局部对系统线性化处理以及对约束和目标函数二次化处理，达到简化和高效求解复杂非线性问题的目的。
数学上，iLQR一般被用来求解离散时间有穷域轨迹规划问题，这个问题可由下式描述：
Figure GDA0003311811510000161
其中，xk为当前时刻起第k步的系统状态矢量，xstart为规划当前时刻的系统状态，uk为当前时刻起第k步的系统控制矢量，l与lf分别为过程代价与终值代价，g与gf分别为过程约束与终值约束。优化向量定义为x＝[x1，…，xN]，u＝[u1，…，uN-1]，f(xk，uk)为描述离散系统状态变化的动力学方程，N为轨迹规划的最大步数，例如，可以将N设置为10至20中的任一整数。
为了便于说明，首先介绍本申请实施例轨迹规划过程中的系统参量。
设定目标车辆的状态矢量x＝[px，py，v，ψ]T，控制矢量u＝[a，r]T，则系统动力学方程由以下等式描述：
Figure GDA0003311811510000162
其中，px，py为目标车辆在地面坐标系下的坐标，v为速度，ψ为朝向角(yaw)，a与r分别为加速度和角速度，k为目标规划时长内的步数。如果假定目标规划时长T＝5秒，规划步数N＝20，则每一个步长等于dt＝T/N＝0.25秒。
强化学习算法的核心是代价函数的设计。由于iLQR算法无法直接处理约束函数，通常情况下需要将约束信息转化为代价函数(软约束)，通过设计代价函数来满足约束条件。下面具体介绍本申请实施例中的每一个几何代价函数子项和动力学代价函数子项。需要说明的是，以下的几何代价函数子项和动力学代价函数子项均为举例不做限制，目标车辆的轨迹代价可以为下述部分代价函数子项的加权，也可以为全部代价函数子项的加权。
一种可选的实施例中，根据参考车道轨迹、目标车辆的初始状态量以及几何学约束条件，确定目标车辆在该位置点的几何代价函数子项，包括：
根据目标车速和目标车辆的当前车速，确定目标车辆在该位置点的车速代价函数子项；
根据目标车辆的当前状态量以及参考轨迹上当前时刻的状态量，确定目标车辆在该位置点的参考轨迹偏离代价函数子项；
根据参考车道轨迹和目标车辆的当前位置坐标，确定目标车辆在该位置点的参考车道偏离代价函数子项。
具体实施过程中，几何代价函数子项包括车速代价函数子项、参考轨迹偏离代价函数子项、参考车道偏离代价函数子项。
其中，车速代价函数子项用于控制目标车辆的车速。例如，不同路径对应的限速不同，在不考虑干扰的情况下，需要将目标车辆的车速限制在所行驶车道的最高限速之下。又例如，在跟车场景中，可以依据引导车的速度以及跟车距离限制目标车辆的车速。一种较佳的实施例中，根据目标车速和目标车辆的当前车速，确定目标车辆在该位置点的车速代价函数子项，包括：
计算目标车速与当前车速之差；
利用车速代价函数权重以及目标车速与当前车速之差，计算目标车辆在位置点的车速代价函数子项。
具体的车速代价函数子项如下式所示：
lv＝w1*(v-vtarget)2……公式3
其中，lv为车速代价函数子项；w1为车速代价函数子项对应的权重；v为目标车辆的当前车速；vtarget为目标车速，可由上游决策模块提供，也可以根据引导车的速度和跟车距离、车道限速进行设计。调整w1主要影响目标车辆的加速、减速的激进程度。
参考轨迹偏离代价函数子项用于控制与参考轨迹的偏离误差，其实质为调整算法在参考轨迹周围的搜索范围，如图4所示，图中虚线内部的区域即为算法的搜索范围，一般参考轨迹偏离代价函数子项的权重越大，搜索范围约窄。
可选的，根据目标车辆的当前状态量以及参考轨迹上当前时刻的状态量，确定目标车辆在位置点的参考轨迹偏离代价函数子项，包括：
计算目标车辆的当前状态量与参考轨迹上当前时刻的状态量之差；
利用参考轨迹偏离代价函数权重以及目标车辆的当前状态量与参考轨迹上当前时刻的状态量之差，计算目标车辆在位置点的参考轨迹偏离代价函数子项。
具体来说，参考轨迹偏离代价函数子项如下式所示：
lxref＝w2*(x-xref)TQ2(x-xref)……公式4
其中，lxref为参考轨迹偏离代价函数子项，w2为参考轨迹偏离代价函数子项的权重，Q2为系数，x为目标车辆的当前状态量，xref为参考轨迹上当前时刻的状态量。设计w2与Q2，实质上就是调整iLQR在参考轨迹周围的搜索范围。
参考车道偏离代价函数子项用于控制与参考车道轨迹的偏离误差，如图4所示，图中点P、点Z为目标车辆的参考轨迹上的点，点P′为点P在参考车道轨迹上的参考点，点Z′为点Z在参考车道轨迹上的参考点，参考车道偏离代价函数子项即用于控制点P与点P′之间、点Z与点Z′之间的距离。
可选的，根据参考车道轨迹和目标车辆的当前位置坐标，确定目标车辆在位置点的参考车道偏离代价函数子项，包括：
确定目标车辆的参考位置坐标，目标车辆的参考位置为目标车辆的当前位置在参考车道轨迹上对应的位置；
利用参考车道偏离代价函数权重、目标车辆的当前位置坐标以及参考位置坐标，计算目标车辆在位置点的参考车道偏离代价函数子项。
具体地，参考车道偏离代价函数子项如下式所示：
lcenter＝w4*(Cx-Mref)TQ4(Cx-Mref)……公式5
其中，lcenter为参考车道偏离代价函数子项，w4为参考车道偏离代价函数子项的权重，Q4为系数，Mref为轨迹点(px,py)在道路坐标系(Frenet坐标系)上的参考点，即车道中线上距离(px,py)最近点。矩阵
Figure GDA0003311811510000181
在Frenet坐标系下，s轴自然沿着道路参考线(例如道路中心线γ)的方向延伸，将道路方向变化隐含在内，而l轴的坐标即可以表示相对于道路参考线的距离。
一种可选的实施例中，根据目标车辆的初始状态量、初始控制量以及动力学约束条件，确定目标车辆在该位置点的动力学代价函数子项，包括：
根据目标车辆的当前控制量，确定目标车辆在该位置点的能量损耗代价函数子项；
根据加速度约束以及目标车辆的当前加速度，确定目标车辆在该位置点的加速度代价函数子项；
根据角速度约束以及目标车辆的当前角速度，确定目标车辆在该位置点的角速度代价函数子项。
具体实施过程中，动力学代价函数子项包括能量损耗代价函数子项、加速度代价函数子项、角速度代价函数子项。
其中，能量损耗代价函数子项用于控制目标车辆的轨迹平滑程度，目标车辆的当前控制量包括目标车辆的当前加速度和当前角速度；根据目标车辆的当前控制量，确定目标车辆在位置点的能量损耗代价函数子项，包括：
利用能量损耗代价函数权重、目标车辆的当前加速度和当前角速度，计算目标车辆在位置点的能量损耗代价函数子项。
具体地，能量损耗代价函数子项如下式所示：
lu＝w3*uTR3u……公式6
其中，lu为能量损耗代价函数子项，w3为能量损耗代价函数子项的权重，R3为系数，设计w3与R3直接影响轨迹的平滑性以及控制信号的平滑性，一般w3与R3会设计成较大值以增加轨迹平滑程度。
加速度代价函数子项用于控制目标车辆的加速度。根据加速度约束以及目标车辆的当前加速度，确定目标车辆在位置点的加速度代价函数子项，包括：
确定最大加速度和最小加速度；
根据最大加速度与目标车辆的当前加速度之差，以及目标车辆的当前加速度之差与最小加速度之差，确定目标车辆在位置点的加速度代价函数子项。
由于加速度约束为amin<a<amax，其中amin，amax分别为最小、最大设计加速度。因此，设置加速度代价函数子项如下式所示：
Figure GDA0003311811510000201
其中，lacc1、lacc2为加速度代价函数子项，q1、q2为加速度代价函数子项的系数，D＝[1 0]。
角速度代价函数子项用于控制目标车辆的横摆角速度。根据角速度约束以及目标车辆的当前角速度，确定目标车辆在位置点的角速度代价函数子项，包括：
根据道路附着系数，确定最大角速度和最小角速度；
根据最大角速度与目标车辆的当前角速度之差，以及目标车辆的当前角速度之差与最小角速度之差，确定目标车辆在位置点的角速度代价函数子项。
由于横摆角速度约束为rmin<r<rmax，其中rmin，rmax分别为最小、最大设计加速度。因此，设置角速度代价函数子项如下式所示：
Figure GDA0003311811510000202
其中，lr1、lr2为角速度代价函数子项，q1，q2为角速度代价函数子项的系数，E＝[01]。其中，由于rmin，rmax的取值影响规划轨迹的可行性，本申请实施例中，rmin和rmax设置如下：
Figure GDA0003311811510000203
其中ay lim为设置的最大侧向加速度。假定道路附着系数为μ，则ay lim可设计为
Figure GDA0003311811510000204
其中g为重力加速度常数，α为可设计系数。
以上过程设置了几何代价函数子项和动力学代价函数子项，本申请实施例根据目标规划时长内的所有几何学代价函数子项和所有动力学代价函数子项，确定目标车辆在目标规划时长内的轨迹代价。轨迹代价函数为各个子项的加权，具体可参照下式：
l＝lv+lxref+lu+lcenter+lacc1+lacc2+lr1+lr2……公式10
其中，l为轨迹代价函数，等式右边每一项为一个代价函数子项。
较佳地，代价函数子项中包含对应的代价函数权重，代价函数权重为与目标规划时长内的位置点相对应的时变参数。
一般情况下，随着规划距离变远，环境感知能力变弱，对应的代价函数重要性削弱，我们可以将权重w1,…,w4设计为时变参数，比如：w1＝1000*exp(-0.5*k*dt)，k为当前规划的步数(0≤k<N)，dt为步长。这种时变的权重有利于增加轨迹规划的稳定性，降低不可靠信息的干扰。
进一步地，还需要在轨迹代价函数中设置终值误差，以保证规划轨迹末端状态的有效性。则，至少根据目标规划时长内的每一位置点的几何学代价函数子项和每一位置点的动力学代价函数子项，确定目标车辆在目标规划时长内的轨迹代价，还包括：
根据目标车辆的目标状态和目标车辆在目标规划时长内最后一个位置点的初始状态量，确定目标车辆在目标规划时长内的最终步误差子项；
根据目标规划时长内每一位置点的几何学代价函数子项和每一位置点的动力学代价函数子项，以及最终步误差子项，确定目标车辆在目标规划时长内的轨迹代价。
具体实施过程中，由于对于末端状态中的速度和方向较为重要，因此，本申请实施例中最终步误差子项如下所示：
lf＝w7*(xN-xtarget)TQ7(xN-xtarget)……公式11
其中，lf为最终步误差子项，w7为最终步误差子项的权重，xN为目标车辆在目标规划时长内第N步即最后一个位置点的状态量，xtarget为目标状态。
因此，在考虑到最终步误差子项后，本申请实施例中的轨迹代价函数如下式：
l＝lv+lxref+lu+lcenter+lacc1+lacc2+lr1+lr2+lf……公式12
这样，即完成了优化问题建模，下面可以通过强化学习算法对优化问题进行求解。本申请实施例中利用iLQR算法进行求解，这时，根据目标车辆的轨迹代价，将目标车辆的初始参考轨迹调整至目标行驶轨迹，包括：
根据轨迹代价，从目标规划时长的最后一个位置点反向计算每一位置点的最优控制率；
根据最优控制率，依次调整目标车辆的状态量和控制量；
根据目标车辆的当前状态量和当前控制量，更新目标车辆的轨迹代价，并重新反向计算最优控制率，直至达到设定的迭代结束条件为止，得到目标行驶轨迹。
具体实施过程中，单次iLQR的执行过程如图5所述。给定当前时刻的参考轨迹
Figure GDA0003311811510000221
iLQR先进行一次反向传递过程，从
Figure GDA0003311811510000222
出发，通过优化目标函数J(x,u)，即上述轨迹代价函数l，计算T-1时刻到0时刻每一步的最优控制率。然后再进行一次前向传递过程，从初始状态
Figure GDA0003311811510000223
出发，使用反向过程求取的最优控制率逐步向前迭代到T时刻，即可获得优化后的轨迹
Figure GDA0003311811510000224
不断重复以上过程，以优化后的轨迹作为新的参考轨迹，进行多次LQR迭代优化，直到获得最终的优化轨迹为止。
以下通过具体实例说明本申请实施例提供的基于iLQR(ilterative linearquadratic regulator，迭代式线性二次调节器)的车辆轨迹规划方法的实现过程，图6示出了车辆轨迹规划方法的流程示意图，如图6所示，本申请具体实施例提供的车辆轨迹规划方法包括：
获取目标车辆在目标规划时长内的初始参考轨迹，以及参考车道轨迹。其中，初始参考轨迹包括目标车辆在目标规划时长内的每一步的初始状态量和初始控制量。
根据几何学约束条件和动力学约束条件，利用参考车道轨迹以及目标车辆的初始状态量和初始控制量，计算目标车辆的轨迹代价J(x,u)。其中，几何学约束条件包括位置约束、车速约束、横摆角约束；动力学约束条件包括能量损耗、加速度约束、角速度约束。
根据目标车辆的轨迹代价，判断是否满足收敛条件，若是，则输出目标行驶轨迹，若否，则执行反向过程利用轨迹代价即目标函数J(x,u)，计算T-1时刻到0时刻中每一步的最优控制率。
再进行一次前向传递过程，从初始状态出发执行向前过程，使用反向过程求取的最优控制率逐步向前迭代到T时刻，即可获得优化后的新的轨迹。
判断是否达到迭代次数或者目标函数J(x,u)是否收敛，若是，则输出目标行驶轨迹，若否，则将优化后的新的轨迹作为参考轨迹，重复执行反向过程计算控制率。
下述为本申请装置实施例，对于装置实施例中未详尽描述的细节，可以参考上述一一对应的方法实施例。
请参考图7，其示出了本申请一个实施例提供的车辆轨迹规划装置的结构方框图。该车辆轨迹规划装置通过硬件或者软硬件的结合实现成为图1中车载终端设备的全部或者一部分。该装置包括：
获取单元701，用于获取目标车辆在目标规划时长内的初始参考轨迹，所述初始参考轨迹包括所述目标车辆在所述目标规划时长内的至少一个位置点的初始状态量和初始控制量；
所述获取单元701还用于获取参考车道轨迹；
代价单元702，用于根据几何学约束条件和动力学约束条件，利用所述参考车道轨迹以及所述目标车辆在所述至少一个位置点的初始状态量和初始控制量，确定所述目标车辆的轨迹代价；所述动力学约束条件包括能量损耗、加速度约束、角速度约束中的任意一项或任意组合；
调整单元703，用于根据所述目标车辆的轨迹代价，将所述目标车辆的初始参考轨迹调整至目标行驶轨迹。
在一种可选的实施例中，所述代价单元702，用于：
针对所述目标规划时长内的每一位置点，根据所述参考车道轨迹、所述目标车辆的初始状态量以及几何学约束条件，确定所述目标车辆在所述位置点的几何代价函数子项；根据所述目标车辆的初始状态量、初始控制量以及动力学约束条件，确定所述目标车辆在所述位置点的动力学代价函数子项；
至少根据所述目标规划时长内的每一位置点的几何学代价函数子项和每一位置点的动力学代价函数子项，确定所述目标车辆在所述目标规划时长内的轨迹代价。
在一种可选的实施例中，所述代价单元702，还用于：
根据所述目标车辆的目标状态和所述目标车辆在所述目标规划时长内最后一个位置点的初始状态量，确定所述目标车辆在所述目标规划时长内的最终步误差子项；
根据所述目标规划时长内每一位置点的几何学代价函数子项和每一位置点的动力学代价函数子项，以及所述最终步误差子项，确定所述目标车辆在所述目标规划时长内的轨迹代价。
在一种可选的实施例中，代价函数子项中包含对应的代价函数权重，所述代价函数权重为与目标规划时长内的位置点相对应的时变参数。
在一种可选的实施例中，所述代价单元702，具体用于：
根据目标车速和所述目标车辆的当前车速，确定所述目标车辆在所述位置点的车速代价函数子项；
根据所述目标车辆的当前状态量以及参考轨迹上当前时刻的状态量，确定所述目标车辆在所述位置点的参考轨迹偏离代价函数子项；
根据所述参考车道轨迹和所述目标车辆的当前位置坐标，确定所述目标车辆在所述位置点的参考车道偏离代价函数子项。
在一种可选的实施例中，所述代价单元702，具体用于：
计算所述目标车速与所述当前车速之差；
利用车速代价函数权重以及所述目标车速与所述当前车速之差，计算所述目标车辆在所述位置点的车速代价函数子项；
计算所述目标车辆的当前状态量与所述参考轨迹上当前时刻的状态量之差；
利用参考轨迹偏离代价函数权重以及所述目标车辆的当前状态量与所述参考轨迹上当前时刻的状态量之差，计算所述目标车辆在所述位置点的参考轨迹偏离代价函数子项；
确定所述目标车辆的参考位置坐标，所述目标车辆的参考位置为所述目标车辆的当前位置在所述参考车道轨迹上对应的位置；
利用参考车道偏离代价函数权重、所述目标车辆的当前位置坐标以及参考位置坐标，计算所述目标车辆在所述位置点的参考车道偏离代价函数子项。
在一种可选的实施例中，所述代价单元702，具体用于：
根据所述目标车辆的当前控制量，确定所述目标车辆在所述位置点的能量损耗代价函数子项；
根据加速度约束以及所述目标车辆的当前加速度，确定所述目标车辆在所述位置点的加速度代价函数子项；
根据角速度约束以及所述目标车辆的当前角速度，确定所述目标车辆在所述位置点的角速度代价函数子项。
在一种可选的实施例中，所述目标车辆的当前控制量包括所述目标车辆的当前加速度和当前角速度；
所述代价单元702，具体用于：
利用能量损耗代价函数权重、所述目标车辆的当前加速度和当前角速度，计算所述目标车辆在所述位置点的能量损耗代价函数子项；
确定最大加速度和最小加速度；
根据所述最大加速度与所述目标车辆的当前加速度之差，以及所述目标车辆的当前加速度之差与所述最小加速度之差，确定所述目标车辆在所述位置点的加速度代价函数子项；
根据所述道路附着系数，确定最大角速度和最小角速度；
根据所述最大角速度与所述目标车辆的当前角速度之差，以及所述目标车辆的当前角速度之差与所述最小角速度之差，确定所述目标车辆在所述位置点的角速度代价函数子项。
在一种可选的实施例中，所述调整单元703，具体用于：
根据轨迹代价，从所述目标规划时长的最后一步至第一步反向计算每一步的最优控制率；
根据最优控制率，从所述目标规划时长的第一步至最后一步，依次调整所述目标车辆的状态量和控制量；
根据所述目标车辆的当前状态量和当前控制量，更新所述目标车辆的轨迹代价，并重新反向计算最优控制率，直至达到设定的迭代结束条件为止，得到所述目标行驶轨迹。
与上述方法实施例相对应地，本申请实施例还提供了一种电子设备。该电子设备可以是终端设备，如图1中所示的车载终端设备，也可以是智能手机、平板电脑，手提电脑或计算机等电子设备，该电子设备至少包括用于存储数据的存储器和用于数据处理的处理器。其中，对于用于数据处理的处理器而言，在执行处理时，可以采用微处理器、CPU、GPU(Graphics Processing Unit，图形处理单元)、DSP或FPGA实现。对于存储器来说，存储器中存储有操作指令，该操作指令可以为计算机可执行代码，通过该操作指令来实现上述本申请实施例的视频筛选方法的流程中的各个步骤。
图8为本申请实施例提供的一种电子设备的结构示意图；如图8所示，本申请实施例中该电子设备80包括：处理器81、显示器82、存储器83、输入设备86、总线85和通讯设备84；该处理器81、存储器83、输入设备86、显示器82和通讯设备84均通过总线85连接，该总线85用于该处理器81、存储器83、显示器82、通讯设备84和输入设备86之间传输数据。
其中，存储器83可用于存储软件程序以及模块，如本申请实施例中的车辆轨迹规划方法对应的程序指令/模块，处理器81通过运行存储在存储器83中的软件程序以及模块，从而执行电子设备80的各种功能应用以及数据处理，如本申请实施例提供的车辆轨迹规划方法。存储器83可主要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、至少一个应用的应用程序等；存储数据区可存储根据电子设备80的使用所创建的数据(比如动画片段、控制策略网络)等。此外，存储器83可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器81是电子设备80的控制中心，利用总线85以及各种接口和线路连接整个电子设备80的各个部分，通过运行或执行存储在存储器83内的软件程序和/或模块，以及调用存储在存储器83内的数据，执行电子设备80的各种功能和处理数据。可选的，处理器81可包括一个或多个处理单元，如CPU、GPU(Graphics Processing Unit，图形处理单元)、数字处理单元等。
本申请实施例中，处理器81将生成的动画片段通过显示器82展示给用户。
处理器81还可以通过通讯设备84连接网络，如果电子设备是终端设备，则处理器81可以通过通讯设备84与游戏服务器之间传输数据。如果电子设备是游戏服务器，则处理器81可以通过通讯设备84与终端设备之间传输数据。
该输入设备86主要用于获得用户的输入操作，当该电子设备不同时，该输入设备86也可能不同。例如，当该电子设备为计算机时，该输入设备86可以为鼠标、键盘等输入设备；当该电子设备为智能手机、平板电脑等便携设备时，该输入设备86可以为触控屏。
本申请实施例还提供了一种计算机存储介质，该计算机存储介质中存储有计算机可执行指令，该计算机可执行指令用于实现本申请任一实施例的车辆轨迹规划方法。
在一些可能的实施方式中，本申请提供的车辆轨迹规划方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的车辆轨迹规划方法的步骤，例如，计算机设备可以执行如图3所示的步骤S301至S306中的动画生成流程。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。

Claims (10)

1.一种车辆轨迹规划方法，其特征在于，所述方法包括：
获取目标车辆在目标规划时长内的初始参考轨迹，所述初始参考轨迹包括所述目标车辆在所述目标规划时长内的至少一个位置点的初始状态量和初始控制量；获取参考车道轨迹；
针对所述目标规划时长内的每一位置点，根据所述参考车道轨迹、所述目标车辆的初始状态量以及几何学约束条件，确定所述目标车辆在所述位置点的几何代价函数子项；根据所述目标车辆的初始状态量、初始控制量以及动力学约束条件，确定所述目标车辆在所述位置点的动力学代价函数子项，所述动力学约束条件包括能量损耗、加速度约束、角速度约束中的任意一项或任意组合；
根据所述目标车辆的目标状态和所述目标车辆在所述目标规划时长内最后一个位置点的初始状态量，确定所述目标车辆在所述目标规划时长内的最终步误差子项；
根据所述目标规划时长内每一位置点的几何学代价函数子项和每一位置点的动力学代价函数子项，以及所述最终步误差子项，确定所述目标车辆在所述目标规划时长内的轨迹代价；
根据所述目标车辆的轨迹代价，将所述目标车辆的初始参考轨迹调整至目标行驶轨迹。
2.根据权利要求1所述的方法，其特征在于，代价函数子项中包含对应的代价函数权重，所述代价函数权重为与目标规划时长内的位置点相对应的时变参数。
3.根据权利要求1所述的方法，其特征在于，所述根据所述参考车道轨迹、所述目标车辆的初始状态量以及几何学约束条件，确定所述目标车辆在所述位置点的几何代价函数子项，包括：
根据目标车速和所述目标车辆的当前车速，确定所述目标车辆在所述位置点的车速代价函数子项；
根据所述目标车辆的当前状态量以及参考轨迹上当前时刻的状态量，确定所述目标车辆在所述位置点的参考轨迹偏离代价函数子项；
根据所述参考车道轨迹和所述目标车辆的当前位置坐标，确定所述目标车辆在所述位置点的参考车道偏离代价函数子项。
4.根据权利要求3所述的方法，其特征在于，所述根据目标车速和所述目标车辆的当前车速，确定所述目标车辆在所述位置点的车速代价函数子项，包括：
计算所述目标车速与所述当前车速之差；
利用车速代价函数权重以及所述目标车速与所述当前车速之差，计算所述目标车辆在所述位置点的车速代价函数子项；
所述根据所述目标车辆的当前状态量以及参考轨迹上当前时刻的状态量，确定所述目标车辆在所述位置点的参考轨迹偏离代价函数子项，包括：
计算所述目标车辆的当前状态量与所述参考轨迹上当前时刻的状态量之差；
利用参考轨迹偏离代价函数权重以及所述目标车辆的当前状态量与所述参考轨迹上当前时刻的状态量之差，计算所述目标车辆在所述位置点的参考轨迹偏离代价函数子项；
所述根据所述参考车道轨迹和所述目标车辆的当前位置坐标，确定所述目标车辆在所述位置点的参考车道偏离代价函数子项，包括：
确定所述目标车辆的参考位置坐标，所述目标车辆的参考位置为所述目标车辆的当前位置在所述参考车道轨迹上对应的位置；
利用参考车道偏离代价函数权重、所述目标车辆的当前位置坐标以及参考位置坐标，计算所述目标车辆在所述位置点的参考车道偏离代价函数子项。
5.根据权利要求1所述的方法，其特征在于，所述根据所述目标车辆的初始状态量、初始控制量以及动力学约束条件，确定所述目标车辆在所述位置点的动力学代价函数子项，包括：
根据所述目标车辆的当前控制量，确定所述目标车辆在所述位置点的能量损耗代价函数子项；
根据加速度约束以及所述目标车辆的当前加速度，确定所述目标车辆在所述位置点的加速度代价函数子项；
根据角速度约束以及所述目标车辆的当前角速度，确定所述目标车辆在所述位置点的角速度代价函数子项。
6.根据权利要求5所述的方法，其特征在于，所述目标车辆的当前控制量包括所述目标车辆的当前加速度和当前角速度；
所述根据所述目标车辆的当前控制量，确定所述目标车辆在所述位置点的能量损耗代价函数子项，包括：
利用能量损耗代价函数权重、所述目标车辆的当前加速度和当前角速度，计算所述目标车辆在所述位置点的能量损耗代价函数子项；
所述根据加速度约束以及所述目标车辆的当前加速度，确定所述目标车辆在所述位置点的加速度代价函数子项，包括：
确定最大加速度和最小加速度；
根据所述最大加速度与所述目标车辆的当前加速度之差，以及所述目标车辆的当前加速度之差与所述最小加速度之差，确定所述目标车辆在所述位置点的加速度代价函数子项；
所述根据角速度约束以及所述目标车辆的当前角速度，确定所述目标车辆在所述位置点的角速度代价函数子项，包括：
根据道路附着系数，确定最大角速度和最小角速度；
根据所述最大角速度与所述目标车辆的当前角速度之差，以及所述目标车辆的当前角速度之差与所述最小角速度之差，确定所述目标车辆在所述位置点的角速度代价函数子项。
7.根据权利要求1所述的方法，其特征在于，所述根据所述目标车辆的轨迹代价，将所述目标车辆的初始参考轨迹调整至目标行驶轨迹，包括：
根据轨迹代价，从所述目标规划时长的最后一个位置点反向计算每一位置点的最优控制率；
根据最优控制率，依次调整所述目标车辆的状态量和控制量；
根据所述目标车辆的当前状态量和当前控制量，更新所述目标车辆的轨迹代价，并重新反向计算最优控制率，直至达到设定的迭代结束条件为止，得到所述目标行驶轨迹。
8.一种车辆轨迹规划装置，其特征在于，所述装置包括：
获取单元，用于获取目标车辆在目标规划时长内的初始参考轨迹，所述初始参考轨迹包括所述目标车辆在所述目标规划时长内的至少一个位置点的初始状态量和初始控制量；所述获取单元，还用于获取参考车道轨迹；
代价单元，用于针对所述目标规划时长内的每一位置点，根据所述参考车道轨迹、所述目标车辆的初始状态量以及几何学约束条件，确定所述目标车辆在所述位置点的几何代价函数子项；根据所述目标车辆的初始状态量、初始控制量以及动力学约束条件，确定所述目标车辆在所述位置点的动力学代价函数子项，所述动力学约束条件包括能量损耗、加速度约束、角速度约束中的任意一项或任意组合；根据所述目标车辆的目标状态和所述目标车辆在所述目标规划时长内最后一个位置点的初始状态量，确定所述目标车辆在所述目标规划时长内的最终步误差子项；根据所述目标规划时长内每一位置点的几何学代价函数子项和每一位置点的动力学代价函数子项，以及所述最终步误差子项，确定所述目标车辆在所述目标规划时长内的轨迹代价；
调整单元，用于根据所述目标车辆的轨迹代价，将所述目标车辆的初始参考轨迹调整至目标行驶轨迹。
9.一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，其特征在于：所述计算机程序被处理器执行时，实现权利要求1～7任一项所述的方法。
10.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器实现权利要求1～7任一项所述的方法。
CN202110019580.9A 2021-01-07 2021-01-07 一种车辆轨迹规划方法、装置、存储介质及设备 Active CN112677995B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202110019580.9A CN112677995B (zh) 2021-01-07 2021-01-07 一种车辆轨迹规划方法、装置、存储介质及设备
PCT/CN2021/142314 WO2022148282A1 (zh) 2021-01-07 2021-12-29 一种车辆轨迹规划方法、装置、存储介质及设备
EP21917321.8A EP4201781A4 (en) 2021-01-07 2021-12-29 VEHICLE TRAJECTORY PLANNING METHOD AND APPARATUS, STORAGE MEDIUM, AND DEVICE
JP2023520281A JP2023546810A (ja) 2021-01-07 2021-12-29 車両軌跡計画方法、車両軌跡計画装置、電子機器、及びコンピュータプログラム
US17/977,424 US20230079202A1 (en) 2021-01-07 2022-10-31 Method, apparatus, storage medium, and device for planning vehicle trajectory

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110019580.9A CN112677995B (zh) 2021-01-07 2021-01-07 一种车辆轨迹规划方法、装置、存储介质及设备

Publications (2)

Publication Number Publication Date
CN112677995A CN112677995A (zh) 2021-04-20
CN112677995B true CN112677995B (zh) 2021-12-21

Family

ID=75456313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110019580.9A Active CN112677995B (zh) 2021-01-07 2021-01-07 一种车辆轨迹规划方法、装置、存储介质及设备

Country Status (5)

Country Link
US (1) US20230079202A1 (zh)
EP (1) EP4201781A4 (zh)
JP (1) JP2023546810A (zh)
CN (1) CN112677995B (zh)
WO (1) WO2022148282A1 (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220198107A1 (en) * 2020-12-23 2022-06-23 Waymo Llc Simulations for evaluating driving behaviors of autonomous vehicles
CN112677995B (zh) * 2021-01-07 2021-12-21 腾讯科技（深圳）有限公司 一种车辆轨迹规划方法、装置、存储介质及设备
US20220219727A1 (en) * 2021-01-12 2022-07-14 Motional Ad Llc Vehicle path planning
CN113370995B (zh) * 2021-07-01 2024-01-09 广州小鹏自动驾驶科技有限公司 速度曲线的处理方法、装置、电动汽车及电子设备
CN113483776A (zh) * 2021-07-01 2021-10-08 广州小鹏自动驾驶科技有限公司 路径规划方法、装置及汽车
CN113650622B (zh) * 2021-07-16 2023-06-20 东风柳州汽车有限公司 车速轨迹规划方法、装置、设备及存储介质
CN113447040B (zh) * 2021-08-27 2021-11-16 腾讯科技（深圳）有限公司 行驶轨迹确定方法、装置、设备以及存储介质
US11999376B2 (en) * 2022-02-01 2024-06-04 Huawei Technologies Co., Ltd. Systems, methods, and computer-readable media for spatio-temporal motion planning
CN115218902B (zh) * 2022-04-02 2024-02-02 广州汽车集团股份有限公司 一种轨迹规划方法、装置、设备及存储介质
CN115320636A (zh) * 2022-08-31 2022-11-11 中汽创智科技有限公司 一种自动驾驶方法、装置及存储介质
CN115309170B (zh) * 2022-10-12 2023-03-24 之江实验室 一种考虑舒适性约束的轨迹规划方法、装置和系统
CN115817515B (zh) * 2023-01-18 2023-05-26 禾多科技（北京）有限公司 车辆控制方法、装置、电子设备和计算机可读介质
CN115837912B (zh) * 2023-01-29 2023-06-02 深圳安智杰科技有限公司 一种基于轨迹跟踪的指令变道方法及系统
CN117079469B (zh) * 2023-10-16 2024-01-12 山东华夏高科信息股份有限公司 一种网联混行环境下交叉口区域车辆冲突协同控制方法
CN117451072B (zh) * 2023-12-21 2024-03-26 广汽埃安新能源汽车股份有限公司 一种车辆起步阶段的轨迹规划方法及装置
CN117698730B (zh) * 2024-01-08 2024-05-31 昆明理工大学 一种防碰撞的动态智能网联车辆最优换道轨迹规划方法
CN117601867B (zh) * 2024-01-18 2024-06-14 杭州鉴智机器人科技有限公司 车辆变道方法、车辆变道装置、存储介质及车辆控制系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102013225057A1 (de) * 2013-12-05 2015-06-11 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren zum steuern eines fahrzeugs, vorrichtung zum erzeugen von steuersignalen für ein fahrzeug und fahrzeug
KR101716417B1 (ko) * 2015-10-30 2017-03-15 현대위아(주) 차량의 험로주행 판단방법
DE102015221626A1 (de) * 2015-11-04 2017-05-04 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Ermittlung einer Fahrzeug-Trajektorie entlang einer Referenzkurve
IT201700073722A1 (it) * 2017-06-30 2018-12-30 Magneti Marelli Spa "Procedimento di pianificazione di percorso per il calcolo di manovre di parcheggio ottimale per veicoli stradali e sistema corrispondente"
CN107340772B (zh) * 2017-07-11 2020-05-22 北京超星未来科技有限公司 一种面向无人驾驶的拟人化参考轨迹规划方法
CN109375632B (zh) * 2018-12-17 2020-03-20 清华大学 自动驾驶车辆实时轨迹规划方法
CN109684702B (zh) * 2018-12-17 2020-04-24 清华大学 基于轨迹预测的行车风险辨识方法
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
CN111679678B (zh) * 2020-06-30 2022-04-08 安徽海博智能科技有限责任公司 一种横纵向分离的轨迹规划方法、系统及计算机设备
CN112677995B (zh) * 2021-01-07 2021-12-21 腾讯科技（深圳）有限公司 一种车辆轨迹规划方法、装置、存储介质及设备

Also Published As

Publication number Publication date
CN112677995A (zh) 2021-04-20
US20230079202A1 (en) 2023-03-16
WO2022148282A1 (zh) 2022-07-14
EP4201781A4 (en) 2024-06-12
EP4201781A1 (en) 2023-06-28
JP2023546810A (ja) 2023-11-08

Similar Documents

Publication Publication Date Title
CN112677995B (zh) 一种车辆轨迹规划方法、装置、存储介质及设备
CN112389427B (zh) 车辆轨迹优化方法、装置、电子设备和存储介质
Shi et al. Driving decision and control for automated lane change behavior based on deep reinforcement learning
CN112805198B (zh) 用于自主驾驶的个人驾驶风格学习
Wang et al. Collision-free navigation of autonomous vehicles using convex quadratic programming-based model predictive control
US10012984B2 (en) System and method for controlling autonomous vehicles
CN112888612A (zh) 自动驾驶车辆规划
US11409284B2 (en) Relaxation optimization model to plan an open space trajectory for autonomous vehicles
WO2017138664A1 (en) Method for controlling motion of vehicle and control system of vehicle
US20110029235A1 (en) Vehicle Control
WO2022252457A1 (zh) 一种自动驾驶控制方法、装置、设备及可读存储介质
WO2020098226A1 (en) System and methods of efficient, continuous, and safe learning using first principles and constraints
CN113361152A (zh) 轨迹规划方法、轨迹规划装置、存储介质与电子设备
Zhang et al. Structured road-oriented motion planning and tracking framework for active collision avoidance of autonomous vehicles
CN114771570A (zh) 自动驾驶车辆的控制方法和装置
WO2022228358A1 (zh) 一种自动驾驶避障方法及系统、存储介质
CN114212104B (zh) 车辆控制方法、装置、车辆和存储介质
CN114771551A (zh) 自动驾驶车辆轨迹规划方法、装置和自动驾驶车辆
Ziegler et al. Anytime tree-based trajectory planning for urban driving
CN112327888B (zh) 路径规划方法、装置、电子设备和存储介质
Elmi et al. Path planning using model predictive controller based on potential field for autonomous vehicles
CN113619604A (zh) 自动驾驶汽车的集成式决控方法、装置及存储介质
Smit et al. Informed sampling-based trajectory planner for automated driving in dynamic urban environments
Regier et al. Improving navigation with the social force model by learning a neural network controller in pedestrian crowds
CN117950395A (zh) 轨迹规划方法及装置、移动工具、存储介质

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40041953

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant