CN112947492A - 车辆控制方法、装置、存储介质、电子设备及车辆 - Google Patents
车辆控制方法、装置、存储介质、电子设备及车辆 Download PDFInfo
- Publication number
- CN112947492A CN112947492A CN202110402428.9A CN202110402428A CN112947492A CN 112947492 A CN112947492 A CN 112947492A CN 202110402428 A CN202110402428 A CN 202110402428A CN 112947492 A CN112947492 A CN 112947492A
- Authority
- CN
- China
- Prior art keywords
- control
- vehicle
- sequence
- target
- time
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 239000011159 matrix material Substances 0.000 claims abstract description 51
- 230000008569 process Effects 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 49
- 230000001133 acceleration Effects 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000005236 sound signal Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- 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
-
- 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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/0223—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
-
- 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- 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
- G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
-
- 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
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本公开涉及一种车辆控制方法、装置、存储介质、电子设备及车辆,以对车辆行驶轨迹的规划进行优化,提升自动驾驶性能。所述方法包括:在车辆行驶过程中,获取所述车辆对应于第一控制时刻的规划轨迹序列和车辆状态矩阵,所述规划轨迹序列基于人工势场规划算法获得,所述车辆状态矩阵基于车辆动力学模型获得;根据所述规划轨迹序列和所述车辆状态矩阵,构建以控制序列为自变量的目标函数,且所述目标函数带有针对所述控制序列的目标约束条件;对所述目标函数进行二次规划处理,以获得能够使所述目标函数的函数值最小、且满足所述目标约束条件的目标控制序列;在所述第一控制时刻之后,根据所述目标控制序列控制所述车辆。
Description
技术领域
本公开涉及车辆领域,具体地,涉及一种车辆控制方法、装置、存储介质、电子设备及车辆。
背景技术
目前,自动驾驶路径规划一般采用人工势场法,但在人工势场的构建过程中,虽然可以实现场表面的平滑,但是规划所得的轨迹通常无法满足自动驾驶轨迹平滑和车辆控制平滑的需求,即,规划所得轨迹超出车辆跟踪的范围,这在自动驾驶场景中存在隐患,不仅会使车辆自控不稳定,发生例如抖动等情况,还容易使车辆发出危险的自主行为,无法保证行车安全。
发明内容
本公开的目的是提供一种车辆控制方法、装置、存储介质、电子设备及车辆,以对车辆行驶轨迹的规划进行优化,提升自动驾驶性能。
为了实现上述目的,根据本公开的第一方面,提供一种车辆控制方法,所述方法包括:
在车辆行驶过程中,获取所述车辆对应于第一控制时刻的规划轨迹序列和车辆状态矩阵,所述规划轨迹序列基于人工势场规划算法获得,所述车辆状态矩阵基于车辆动力学模型获得;
根据所述规划轨迹序列和所述车辆状态矩阵,构建以控制序列为自变量的目标函数,且所述目标函数带有针对所述控制序列的目标约束条件;
对所述目标函数进行二次规划处理,以获得能够使所述目标函数的函数值最小、且满足所述目标约束条件的目标控制序列;
在所述第一控制时刻之后,根据所述目标控制序列控制所述车辆。
可选地,所述规划轨迹序列包括针对离散时间序列中各个控制时刻规划得到的规划位置,所述离散时间序列包括以第二控制时刻为时间起点的指定数量的控制时刻,且所述第二控制时刻为第一控制时刻的下一控制时刻。
可选地,所述规划轨迹序列通过以下方式获得:
获取所述车辆周边的环境信息,所述环境信息至少包括障碍物信息;
根据所述环境信息,构建人工势场;
以所述车辆在所述第一控制时刻所处的位置为起点,并以目标位置为终点,根据所述人工势场中各位置处的引力和斥力,利用人工势场规划算法依次针对所述离散时间序列中的各个控制时刻生成规划位置,以获得所述规划轨迹序列。
可选地,所述车辆状态矩阵包括针对离散时间序列中各个控制时刻预测得到的车辆状态信息,所述离散时间序列包括以第二控制时刻为时间起点的指定数量的控制时刻,且所述第二控制时刻为第一控制时刻的下一控制时刻。
可选地,所述车辆状态矩阵通过以下方式获得:
获取所述车辆在历史行驶过程中的车辆状态信息,作为历史车辆状态;
根据所述历史车辆状态,利用车辆动力学模型预测所述车辆在所述离散时间序列中各个控制时刻的车辆状态信息,以获得所述车辆状态矩阵。
可选地,所述车辆状态信息包括车辆位置信息、车辆航向信息和车速信息。
可选地,所述目标约束条件包括以下中的至少一者:
车辆方向盘转角处于预设角度区间内;
车辆方向盘的转动速率处于第一预设速率区间内;
车辆加速度处于预设加速度区间内;
车辆加速度的变化速率处于第二预设速率区间内。
可选地,所述控制序列包括针对离散时间序列中各个控制时刻的控制参数,所述离散时间序列包括以第二控制时刻为时间起点的指定数量的控制时刻,且所述第二控制时刻为第一控制时刻的下一控制时刻。
可选地,按照如下算式构建所述目标函数J(U):
J(U)=(X-R)TQ(X-R)+UTWU
Umin≤U≤Umax
ΔUmin≤ΔU≤ΔUmax
其中,X为所述车辆状态矩阵,R为所述规划轨迹序列,U为所述控制序列,Q为第一预设权重矩阵,W为第二预设权重矩阵,Umin≤U≤Umax和ΔUmin≤ΔU≤ΔUmax为所述目标约束条件,其中,所述Umin为所述控制参数的控制下限,所述Umax为所述控制参数的控制上限,所述ΔU为所述控制参数在相邻的前、后两个控制时刻之间的参数变化量,所述ΔUmin为所述控制参数在相邻的前、后两个控制时刻之间的变化下限,所述ΔUmax为控制参数在相邻的前、后两个控制时刻之间的变化上限。
可选地,所述控制参数包括针对方向盘转角的第一控制参数和/或针对油门踏板的第二控制参数。
可选地,所述目标控制序列包括对应于第二控制时刻的目标控制参数,所述第二控制时刻为所述第一控制时刻的下一控制时刻;
所述在所述第一控制时刻之后,根据所述目标控制序列控制所述车辆,包括:
在所述第二控制时刻,按照所述目标控制参数对所述车辆进行控制。
根据本公开的第二方面,提供一种车辆控制装置,所述装置包括:
获取模块,用于在车辆行驶过程中,获取所述车辆对应于第一控制时刻的规划轨迹序列和车辆状态矩阵,所述规划轨迹序列基于人工势场规划算法获得,所述车辆状态矩阵基于车辆动力学模型获得;
函数构建模块,用于根据所述规划轨迹序列和所述车辆状态矩阵,构建以控制序列为自变量的目标函数,且所述目标函数带有针对所述控制序列的目标约束条件;
处理模块,用于对所述目标函数进行二次规划处理,以获得能够使所述目标函数的函数值最小、且满足所述目标约束条件的目标控制序列;
控制模块,用于在所述第一控制时刻之后,根据所述目标控制序列控制所述车辆。
可选地,所述规划轨迹序列包括针对离散时间序列中各个控制时刻规划得到的规划位置,所述离散时间序列包括以第二控制时刻为时间起点的指定数量的控制时刻,且所述第二控制时刻为第一控制时刻的下一控制时刻。
可选地,所述规划轨迹序列通过以下方式获得:
获取所述车辆周边的环境信息,所述环境信息至少包括障碍物信息;
根据所述环境信息,构建人工势场;
以所述车辆在所述第一控制时刻所处的位置为起点,并以目标位置为终点,根据所述人工势场中各位置处的引力和斥力,利用人工势场规划算法依次针对所述离散时间序列中的各个控制时刻生成规划位置,以获得所述规划轨迹序列。
可选地,所述车辆状态矩阵包括针对离散时间序列中各个控制时刻预测得到的车辆状态信息,所述离散时间序列包括以第二控制时刻为时间起点的指定数量的控制时刻,且所述第二控制时刻为第一控制时刻的下一控制时刻。
可选地,所述车辆状态矩阵通过以下方式获得:
获取所述车辆在历史行驶过程中的车辆状态信息,作为历史车辆状态;
根据所述历史车辆状态,利用车辆动力学模型预测所述车辆在所述离散时间序列中各个控制时刻的车辆状态信息,以获得所述车辆状态矩阵。
可选地,所述车辆状态信息包括车辆位置信息、车辆航向信息和车速信息。
可选地,所述目标约束条件包括以下中的至少一者:
车辆方向盘转角处于预设角度区间内;
车辆方向盘的转动速率处于第一预设速率区间内;
车辆加速度处于预设加速度区间内;
车辆加速度的变化速率处于第二预设速率区间内。
可选地,所述控制序列包括针对离散时间序列中各个控制时刻的控制参数,所述离散时间序列包括以第二控制时刻为时间起点的指定数量的控制时刻,且所述第二控制时刻为第一控制时刻的下一控制时刻。
可选地,按照如下算式构建所述目标函数J(U):
J(U)=(X-R)TQ(X-R)+UTWU
Umin≤U≤Umax
ΔUmin≤ΔU≤ΔUmax
其中,X为所述车辆状态矩阵,R为所述规划轨迹序列,U为所述控制序列,Q为第一预设权重矩阵,W为第二预设权重矩阵,Umin≤U≤Umax和ΔUmin≤ΔU≤ΔUmax为所述目标约束条件,其中,所述Umin为所述控制参数的控制下限,所述Umax为所述控制参数的控制上限,所述ΔU为所述控制参数在相邻的前、后两个控制时刻之间的参数变化量,所述ΔUmin为所述控制参数在相邻的前、后两个控制时刻之间的变化下限,所述ΔUmax为控制参数在相邻的前、后两个控制时刻之间的变化上限。
可选地,所述控制参数包括针对方向盘转角的第一控制参数和/或针对油门踏板的第二控制参数。
可选地,所述目标控制序列包括对应于第二控制时刻的目标控制参数,所述第二控制时刻为所述第一控制时刻的下一控制时刻;
所述控制模块用于在所述第二控制时刻,按照所述目标控制参数对所述车辆进行控制。
根据本公开的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开第一方面所述方法的步骤。
根据本公开的第四方面,提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现本公开第一方面所述方法的步骤。
根据本公开的第五方面,提供一种车辆,所述车辆包括:环境感知组件、域控制器和执行器;
所述环境感知组件用于获取车辆周边的环境信息,并将所述环境信息发送至所述域控制器;
所述域控制器用于执行本公开第一方面所述的方法,以及,向所述执行器发送控制指令;
所述执行器用于执行从所述域控制器接收到的所述控制指令。
可选地,所述环境感知组件包括以下中的至少一者:摄像头、毫米波雷达、激光雷达、超声波雷达。
通过上述技术方案,在车辆行驶过程中,获取车辆对应于第一控制时刻的规划轨迹序列和车辆状态矩阵,其中,规划轨迹序列是基于人工势场规划算法初步规划出的,之后,根据规划轨迹序列和车辆状态矩阵,构建以控制序列为自变量、且带有目标约束条件的目标函数,并对目标函数进行二次规划处理,以得到能够使目标函数的函数值最小、且满足目标约束条件的目标控制序列,并在第一控制时刻之后根据该目标控制序列对车辆进行控制。由此,在基于人工势场对车辆的行驶轨迹进行初步规划之后,进一步利用二次规划的方式对初步规划后的轨迹进行优化,从而,既能够保留人工势场规划算法的优势,又能够利用二次规划的特性,对人工势场规划中存在的平滑性不足的问题进行优化,同时兼顾驾驶舒适性,整体上达到提升自动驾驶性能的效果。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据本公开的一种实施方式提供的车辆控制方法的流程图;
图2是基于人工势场规划算法生成规划轨迹序列的示意图;
图3是根据本公开的一种实施方式提供的车辆控制装置的框图;
图4是根据一示例性实施例示出的一种电子设备的框图;
图5是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
图1是根据本公开的一种实施方式提供的车辆控制方法的流程图。如图1所示,该方法可以包括如下步骤11~步骤14。
在步骤11中,在车辆行驶过程中,获取车辆对应于第一控制时刻的规划轨迹序列和车辆状态矩阵。
在本公开中,第一控制时刻代表当前的控制时刻,本公开的目的在于在当前的控制时刻(即,第一控制时刻),根据人工势场规划算法规划出后续的规划轨迹序列,并基于规划轨迹序列,利用二次规划的数学方法对轨迹进行进一步的优化,以期望获得更加平滑、舒适的规划结果,并通过控制序列对车辆的行驶进行控制,以使车辆的实际行驶轨迹尽可能地贴合优化后的规划结果。在这里,对车辆的后续控制实际上至少包含了对第一控制时刻的下一控制时刻的控制。而在后续到达下一控制时刻时,下一控制时刻变成当前的控制时刻,还会继续将下一控制时刻作为新的第一控制时刻,重新执行本公开提供的一系列步骤。从而,通过本公开提供的方法,能够实时地根据当前的车辆情况规划出适合于当前车辆情况的最优解,提升车辆在自动驾驶中的整体性能。
参照上述思路,规划轨迹序列可以包括针对离散时间序列中各个控制时刻规划得到的规划位置。其中,离散时间序列包括以第二控制时刻为时间起点的指定数量的控制时刻,且第二控制时刻为第一控制时刻的下一控制时刻。
示例地,规划轨迹序列可以基于人工势场规划算法获得。基于人工势场规划算法,规划轨迹序列可以通过以下方式获得:
获取车辆周边的环境信息;
根据环境信息,构建人工势场;
以车辆在第一控制时刻所处的位置为起点,并以目标位置为终点,根据人工势场中各位置处的引力和斥力,利用人工势场规划算法依次针对离散时间序列中的各个控制时刻生成规划位置,以获得规划轨迹序列。
其中,环境信息可以包含能够反映车辆周边环境的各种信息,例如,与车辆所行驶道路有关的信息、本车周边其他车辆的信息、本车周边的障碍物的信息等。需要注意的是,由于车辆避障是保证车辆安全的最基础条件,因此,环境信息应当至少包括障碍物信息。
示例地,车辆上可以设置有环境感知组件,通过环境感知组件获取上述环境信息。环境感知组件可以由传感器构成,例如,环境感知组件可以包括但不限于以下中的至少一者:摄像头、毫米波雷达、激光雷达、超声波雷达。
在获取到环境信息后,根据该环境信息,基于目前常用的人工势场构建方法,能够构建出当前环境对应的人工势场。人工势场包括引力场和斥力场,车辆将要到达的目的地对车辆产生引力,引导车辆朝向其运动(类似于A*算法中的启发函数),障碍物对车辆产生斥力,避免车辆与之发生碰撞,基于上述思想可以实现对人工势场的构建。在完成人工势场的构建的同时,基于车辆在人工势场上每一位置所受的合力等于这一位置处所有斥力和引力的和这一思想,人工势场中各个位置车辆所受到的合力也是可知的。示例地,构建完毕的人工势场的示意图可以如图2所示,其中,用颜色的渐变表征引力和斥力,越接近黑色表示斥力越大,越接近白色表示引力越大,车辆的起点处应当斥力最大,车辆的终点处应当引力最大,障碍物斥力也应当很大,在图2中用位置A表示起点(斥力最大),用位置B表示车辆期望到达的终点(引力最大),还包含4个圆形障碍物(参见图2中的四个圆形区域)。需要说明的是,图中位置A与位置B之间多个黑色点(小圆点)表征的是轨迹点,并非是势力场的构成内容。
基于构建完毕的人工势场,以车辆当前的位置(即,在第一控制时刻所处的位置)为起点,并以目标位置为终点,根据人工势场中各位置处的引力和斥力,利用人工势场规划算法依次针对离散时间序列中的各个控制时刻生成规划位置,以获得规划轨迹序列。根据上述构建出的势场,能够确定出一条能够到达终点的最短路径,路径中对应于离散时间序列中的各个控制时刻均有一个对应的规划位置点。示例地,生成的规划轨迹序列可以如图2中位置A和位置B之间的黑色点集合表示。
在获得规划轨迹序列的过程中,可以认为是基于车辆的当前位置,模拟一个针对当前控制时刻的控制参数,假定在当前控制时刻利用该控制参数进行控制之后,在下一控制时刻车辆应当到达的新位置,若新位置靠近了黑色区域,则下一控制时刻的新的控制参数应当基于能够使车辆在再下一个控制时刻尽可能地靠近白色区域这一思想进行设置,如此循环往复,就可以获得规划轨迹序列,与此同时,能够得到该规划轨迹序列的一系列控制参数(同样对应于离散时间序列中的各个控制时刻)也会一并获得。其中,控制参数表示能够改变车辆行驶状态的参数,示例地,可以包括针对方向盘转角的控制参数和/或针对油门踏板的控制参数。
与规划轨迹序列相似,车辆状态矩阵可以包括针对离散时间序列中各个控制时刻预测得到的车辆状态信息。
示例地,车辆状态矩阵可以基于车辆动力学模型获得。基于车辆运动学模型,车辆状态矩阵可以通过以下方式获得:
获取车辆在历史行驶过程中的车辆状态信息,作为历史车辆状态;
根据历史车辆状态,利用车辆动力学模型预测车辆在离散时间序列中各个控制时刻的车辆状态信息,以获得车辆状态矩阵。
如上所述,在生成规划轨迹序列的同时,能够一并获得能够得到该规划轨迹序列的一系列的控制参数。车辆动力学模型能够基于车辆在某一控制时刻及该时刻之前的车辆状态信息以及针对这一控制时刻的控制参数,预测出车辆在下一控制时刻的车辆状态信息。
示例地,历史车辆状态可以包含第一控制时刻的车辆状态信息。再例如,除了包含第一控制时刻的车辆状态信息,历史车辆状态还可以包含第一控制时刻之前若干个控制时刻的车辆状态信息。
基于车辆动力学模型的上述功能,根据历史车辆状态,以及上述能够得到该规划轨迹序列的一系列的控制参数,可以得到针对离散时间序列中各个控制时刻预测得到的车辆状态信息,构成车辆状态矩阵。
其中,车辆状态信息可以包括车辆位置信息、车辆航向信息和车速信息。除此之外,车辆状态信息还可以包括上述信息的变化信息,例如,位置变化、位置变化的导数、航向变化、车速变化等。
参见图1,在步骤12中,根据规划轨迹序列和车辆状态矩阵,构建以控制序列为自变量的目标函数。
其中,目标函数带有针对控制序列的目标约束条件。
示例地,目标约束条件可以包括但不限于以下中的至少一者:
车辆方向盘转角处于预设角度区间内;
车辆方向盘的转动速率处于第一预设速率区间内;
车辆加速度处于预设加速度区间内;
车辆加速度的变化速率处于第二预设速率区间内。
在控制车辆的过程中,不仅需要考虑车辆在轨迹规划上的最优性,还需要考虑用户的实际乘车感受,应当保证用户在乘车过程中的舒适性,因此,需要在车辆转弯、加速方面设置约束条件,避免转向、加速变化过快的情况发生。
示例地,可以按照如下算式构建目标函数J(U):
J(U)=(X-R)TQ(X-R)+UTWU
Umin≤U≤Umax
ΔUmin≤ΔU≤ΔUmax
其中,X为车辆状态矩阵,R为规划轨迹序列,U为控制序列,Q为第一预设权重矩阵,W为第二预设权重矩阵,Umin≤U≤Umax和ΔUmin≤ΔU≤ΔUmax为目标约束条件,其中,Umin为控制参数的控制下限,Umax为控制参数的控制上限,ΔU为控制参数在相邻的前、后两个控制时刻之间的参数变化量,ΔUmin为控制参数在相邻的前、后两个控制时刻之间的变化下限,ΔUmax为控制参数在相邻的前、后两个控制时刻之间的变化上限。其中,与上述规划轨迹序列、车辆状态矩阵相似,控制序列可以包括针对离散时间序列中各个控制时刻的控制参数。示例地,控制参数包括针对方向盘转角的第一控制参数和/或针对油门踏板的第二控制参数。
在步骤13中,对所述目标函数进行二次规划处理,以获得能够使目标函数的函数值最小、且满足目标约束条件的目标控制序列。
示例地,可以通过有效集法、内点法等方法对目标函数进行二次规划处理。
在步骤14中,在第一控制时刻之后,根据目标控制序列控制车辆。
其中,目标控制序列包括对应于第二控制时刻的目标控制参数。
示例地,步骤14可以包括以下步骤:
在第二控制时刻,按照目标控制参数对车辆进行控制。
在第一控制时刻基于步骤11~步骤13生成针对第一控制时刻的目标控制序列,目标控制序列至少包含有对应于第二控制时刻的目标控制参数,从而,在到达第二控制时刻时,可以按照目标控制参数对车辆进行控制。
与此同时,由于第二控制时刻变成了当前控制时刻,可以继续将当前处理过程中的第二控制时刻作为下一次处理过程中的第一控制时刻,再次执行上述步骤11~步骤14,从而,还能够生成新的目标控制参数,用于在新的第二控制时刻进行控制,如此循环往复,在车辆的行驶过程中,不断地修正后续的控制参数,以使车辆的行驶轨迹最优。
通过上述技术方案,在车辆行驶过程中,获取车辆对应于第一控制时刻的规划轨迹序列和车辆状态矩阵,其中,规划轨迹序列是基于人工势场规划算法初步规划出的,之后,根据规划轨迹序列和车辆状态矩阵,构建以控制序列为自变量、且带有目标约束条件的目标函数,并对目标函数进行二次规划处理,以得到能够使目标函数的函数值最小、且满足目标约束条件的目标控制序列,并在第一控制时刻之后根据该目标控制序列对车辆进行控制。由此,在基于人工势场对车辆的行驶轨迹进行初步规划之后,进一步利用二次规划的方式对初步规划后的轨迹进行优化,从而,既能够保留人工势场规划算法的优势,又能够利用二次规划的特性,对人工势场规划中存在的平滑性不足的问题进行优化,同时兼顾驾驶舒适性,整体上达到提升自动驾驶性能的效果。
图3是根据本公开的一种实施方式提供的车辆控制装置的框图。如图3所示,该装置30包括:
获取模块31,用于在车辆行驶过程中,获取车辆对应于第一控制时刻的规划轨迹序列和车辆状态矩阵,规划轨迹序列基于人工势场规划算法获得,车辆状态矩阵基于车辆动力学模型获得;
函数构建模块32,用于根据规划轨迹序列和车辆状态矩阵,构建以控制序列为自变量的目标函数,且目标函数带有针对控制序列的目标约束条件;
处理模块33,用于对目标函数进行二次规划处理,以获得能够使目标函数的函数值最小、且满足目标约束条件的目标控制序列;
控制模块34,用于在第一控制时刻之后,根据目标控制序列控制车辆。
可选地,规划轨迹序列包括针对离散时间序列中各个控制时刻规划得到的规划位置,离散时间序列包括以第二控制时刻为时间起点的指定数量的控制时刻,且第二控制时刻为第一控制时刻的下一控制时刻。
可选地,规划轨迹序列通过以下方式获得:
获取车辆周边的环境信息,环境信息至少包括障碍物信息;
根据环境信息,构建人工势场;
以车辆在第一控制时刻所处的位置为起点,并以目标位置为终点,根据人工势场中各位置处的引力和斥力,利用人工势场规划算法依次针对离散时间序列中的各个控制时刻生成规划位置,以获得规划轨迹序列。
可选地,车辆状态矩阵包括针对离散时间序列中各个控制时刻预测得到的车辆状态信息,离散时间序列包括以第二控制时刻为时间起点的指定数量的控制时刻,且第二控制时刻为第一控制时刻的下一控制时刻。
可选地,车辆状态矩阵通过以下方式获得:
获取车辆在历史行驶过程中的车辆状态信息,作为历史车辆状态;
根据历史车辆状态,利用车辆动力学模型预测车辆在离散时间序列中各个控制时刻的车辆状态信息,以获得车辆状态矩阵。
可选地,车辆状态信息包括车辆位置信息、车辆航向信息和车速信息。
可选地,目标约束条件包括以下中的至少一者:
车辆方向盘转角处于预设角度区间内;
车辆方向盘的转动速率处于第一预设速率区间内;
车辆加速度处于预设加速度区间内;
车辆加速度的变化速率处于第二预设速率区间内。
可选地,控制序列包括针对离散时间序列中各个控制时刻的控制参数,离散时间序列包括以第二控制时刻为时间起点的指定数量的控制时刻,且第二控制时刻为第一控制时刻的下一控制时刻。
可选地,按照如下算式构建目标函数J(U):
J(U)=(X-R)TQ(X-R)+UTWU
Umin≤U≤Umax
ΔUmin≤ΔU≤ΔUmax
其中,X为车辆状态矩阵,R为规划轨迹序列,U为控制序列,Q为第一预设权重矩阵,W为第二预设权重矩阵,Umin≤U≤Umax和ΔUmin≤ΔU≤ΔUmax为目标约束条件,其中,Umin为控制参数的控制下限,Umax为控制参数的控制上限,ΔU为控制参数在相邻的前、后两个控制时刻之间的参数变化量,ΔUmin为控制参数在相邻的前、后两个控制时刻之间的变化下限,ΔUmax为控制参数在相邻的前、后两个控制时刻之间的变化上限。
可选地,控制参数包括针对方向盘转角的第一控制参数和/或针对油门踏板的第二控制参数。
可选地,目标控制序列包括对应于第二控制时刻的目标控制参数,第二控制时刻为第一控制时刻的下一控制时刻;
控制模块34用于在第二控制时刻,按照目标控制参数对车辆进行控制。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开还提供一种车辆,该车辆包括:环境感知组件、域控制器和执行器;
环境感知组件用于获取车辆周边的环境信息,并将环境信息发送至域控制器;
域控制器用于执行本公开任意实施例的车辆控制方法,以及,向执行器发送控制指令;
执行器用于执行从域控制器接收到的控制指令。
示例地,环境感知组件可以包括以下中的至少一者:摄像头、毫米波雷达、激光雷达、超声波雷达。
图4是根据一示例性实施例示出的一种电子设备700的框图。如图4所示,该电子设备700可以包括:处理器701,存储器702。该电子设备700还可以包括多媒体组件703,输入/输出(I/O)接口704,以及通信组件705中的一者或多者。
其中,处理器701用于控制该电子设备700的整体操作,以完成上述的车辆控制方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作,这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件705可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的车辆控制方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的车辆控制方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器702,上述程序指令可由电子设备700的处理器701执行以完成上述的车辆控制方法。
图5是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图5,电子设备1900包括处理器1922,其数量可以为一个或多个,以及存储器1932,用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器1922可以被配置为执行该计算机程序,以执行上述的车辆控制方法。
另外,电子设备1900还可以包括电源组件1926和通信组件1950,该电源组件1926可以被配置为执行电子设备1900的电源管理,该通信组件1950可以被配置为实现电子设备1900的通信,例如,有线或无线通信。此外,该电子设备1900还可以包括输入/输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如WindowsServerTM,Mac OS XTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的车辆控制方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器1932,上述程序指令可由电子设备1900的处理器1922执行以完成上述的车辆控制方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的车辆控制方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (16)
1.一种车辆控制方法,其特征在于,所述方法包括:
在车辆行驶过程中,获取所述车辆对应于第一控制时刻的规划轨迹序列和车辆状态矩阵,所述规划轨迹序列基于人工势场规划算法获得,所述车辆状态矩阵基于车辆动力学模型获得;
根据所述规划轨迹序列和所述车辆状态矩阵,构建以控制序列为自变量的目标函数,且所述目标函数带有针对所述控制序列的目标约束条件;
对所述目标函数进行二次规划处理,以获得能够使所述目标函数的函数值最小、且满足所述目标约束条件的目标控制序列;
在所述第一控制时刻之后,根据所述目标控制序列控制所述车辆。
2.根据权利要求1所述的方法,其特征在于,所述规划轨迹序列包括针对离散时间序列中各个控制时刻规划得到的规划位置,所述离散时间序列包括以第二控制时刻为时间起点的指定数量的控制时刻,且所述第二控制时刻为第一控制时刻的下一控制时刻。
3.根据权利要求2所述的方法,其特征在于,所述规划轨迹序列通过以下方式获得:
获取所述车辆周边的环境信息,所述环境信息至少包括障碍物信息;
根据所述环境信息,构建人工势场;
以所述车辆在所述第一控制时刻所处的位置为起点,并以目标位置为终点,根据所述人工势场中各位置处的引力和斥力,利用人工势场规划算法依次针对所述离散时间序列中的各个控制时刻生成规划位置,以获得所述规划轨迹序列。
4.根据权利要求1所述的方法,其特征在于,所述车辆状态矩阵包括针对离散时间序列中各个控制时刻预测得到的车辆状态信息,所述离散时间序列包括以第二控制时刻为时间起点的指定数量的控制时刻,且所述第二控制时刻为第一控制时刻的下一控制时刻。
5.根据权利要求4所述的方法,其特征在于,所述车辆状态矩阵通过以下方式获得:
获取所述车辆在历史行驶过程中的车辆状态信息,作为历史车辆状态;
根据所述历史车辆状态,利用车辆动力学模型预测所述车辆在所述离散时间序列中各个控制时刻的车辆状态信息,以获得所述车辆状态矩阵。
6.根据权利要求4所述的方法,其特征在于,所述车辆状态信息包括车辆位置信息、车辆航向信息和车速信息。
7.根据权利要求1所述的方法,其特征在于,所述目标约束条件包括以下中的至少一者:
车辆方向盘转角处于预设角度区间内;
车辆方向盘的转动速率处于第一预设速率区间内;
车辆加速度处于预设加速度区间内;
车辆加速度的变化速率处于第二预设速率区间内。
8.根据权利要求1所述的方法,其特征在于,所述控制序列包括针对离散时间序列中各个控制时刻的控制参数,所述离散时间序列包括以第二控制时刻为时间起点的指定数量的控制时刻,且所述第二控制时刻为第一控制时刻的下一控制时刻。
9.根据权利要求8所述的方法,其特征在于,按照如下算式构建所述目标函数J(U):
J(U)=(X-R)T Q(X-R)+UTWU
Umin≤U≤Umax
ΔUmin≤ΔU≤ΔUmax
其中,X为所述车辆状态矩阵,R为所述规划轨迹序列,U为所述控制序列,Q为第一预设权重矩阵,W为第二预设权重矩阵,Umin≤U≤Umax和ΔUmin≤ΔU≤ΔUmax为所述目标约束条件,其中,所述Umin为所述控制参数的控制下限,所述Umax为所述控制参数的控制上限,所述ΔU为所述控制参数在相邻的前、后两个控制时刻之间的参数变化量,所述ΔUmin为所述控制参数在相邻的前、后两个控制时刻之间的变化下限,所述ΔUmax为控制参数在相邻的前、后两个控制时刻之间的变化上限。
10.根据权利要求8所述的方法,其特征在于,所述控制参数包括针对方向盘转角的第一控制参数和/或针对油门踏板的第二控制参数。
11.根据权利要求1所述的方法,其特征在于,所述目标控制序列包括对应于第二控制时刻的目标控制参数,所述第二控制时刻为所述第一控制时刻的下一控制时刻;
所述在所述第一控制时刻之后,根据所述目标控制序列控制所述车辆,包括:
在所述第二控制时刻,按照所述目标控制参数对所述车辆进行控制。
12.一种车辆控制装置,其特征在于,所述装置包括:
获取模块,用于在车辆行驶过程中,获取所述车辆对应于第一控制时刻的规划轨迹序列和车辆状态矩阵,所述规划轨迹序列基于人工势场规划算法获得,所述车辆状态矩阵基于车辆动力学模型获得;
函数构建模块,用于根据所述规划轨迹序列和所述车辆状态矩阵,构建以控制序列为自变量的目标函数,且所述目标函数带有针对所述控制序列的目标约束条件;
处理模块,用于对所述目标函数进行二次规划处理,以获得能够使所述目标函数的函数值最小、且满足所述目标约束条件的目标控制序列;
控制模块,用于在所述第一控制时刻之后,根据所述目标控制序列控制所述车辆。
13.一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,该程序被处理器执行时实现权利要求1-11中任一项所述方法的步骤。
14.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-11中任一项所述方法的步骤。
15.一种车辆,其特征在于,所述车辆包括:环境感知组件、域控制器和执行器;
所述环境感知组件用于获取车辆周边的环境信息,并将所述环境信息发送至所述域控制器;
所述域控制器用于执行权利要求1-11中任一项所述的方法,以及,向所述执行器发送控制指令;
所述执行器用于执行从所述域控制器接收到的所述控制指令。
16.根据权利要求15所述的车辆,其特征在于,所述环境感知组件包括以下中的至少一者:摄像头、毫米波雷达、激光雷达、超声波雷达。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110402428.9A CN112947492B (zh) | 2021-04-14 | 2021-04-14 | 车辆控制方法、装置、存储介质、电子设备及车辆 |
PCT/CN2022/077534 WO2022218036A1 (zh) | 2021-04-14 | 2022-02-23 | 车辆控制方法、装置、存储介质、电子设备及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110402428.9A CN112947492B (zh) | 2021-04-14 | 2021-04-14 | 车辆控制方法、装置、存储介质、电子设备及车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112947492A true CN112947492A (zh) | 2021-06-11 |
CN112947492B CN112947492B (zh) | 2023-09-22 |
Family
ID=76232684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110402428.9A Active CN112947492B (zh) | 2021-04-14 | 2021-04-14 | 车辆控制方法、装置、存储介质、电子设备及车辆 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112947492B (zh) |
WO (1) | WO2022218036A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113830108A (zh) * | 2021-11-10 | 2021-12-24 | 苏州挚途科技有限公司 | 自动驾驶车辆的决策规划方法和装置 |
CN114399125A (zh) * | 2022-03-24 | 2022-04-26 | 清华大学 | 车队最优轨迹控制方法、装置、电子设备及存储介质 |
WO2022218036A1 (zh) * | 2021-04-14 | 2022-10-20 | 北京车和家信息技术有限公司 | 车辆控制方法、装置、存储介质、电子设备及车辆 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116069041B (zh) * | 2023-03-20 | 2023-06-23 | 北京集度科技有限公司 | 轨迹规划方法、装置、车辆及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130218396A1 (en) * | 2011-07-14 | 2013-08-22 | GM Global Technology Operations LLC | System and method for enhanced vehicle control |
CN105549597A (zh) * | 2016-02-04 | 2016-05-04 | 同济大学 | 一种基于环境不确定性的无人车动态路径规划方法 |
CN106371439A (zh) * | 2016-09-13 | 2017-02-01 | 同济大学 | 一种统一的自动驾驶横向规划方法与系统 |
CN110239518A (zh) * | 2019-05-20 | 2019-09-17 | 福瑞泰克智能系统有限公司 | 一种车辆横向位置控制方法及装置 |
CN110362096A (zh) * | 2019-08-13 | 2019-10-22 | 东北大学 | 一种基于局部最优性的无人驾驶车辆动态轨迹规划方法 |
CN111176272A (zh) * | 2019-11-28 | 2020-05-19 | 的卢技术有限公司 | 一种基于运动约束的人工势场轨迹规划方法及系统 |
CN111338346A (zh) * | 2020-03-05 | 2020-06-26 | 中国第一汽车股份有限公司 | 一种自动驾驶控制方法、装置、车辆及存储介质 |
CN111413966A (zh) * | 2020-03-12 | 2020-07-14 | 天津大学 | 一种递进式模型预测无人驾驶规划跟踪协同控制方法 |
US20200363801A1 (en) * | 2019-05-15 | 2020-11-19 | Baidu Usa Llc | Relaxation optimization model to plan an open space trajectory for autonomous vehicles |
CN112428991A (zh) * | 2020-11-30 | 2021-03-02 | 北京车和家信息技术有限公司 | 车辆控制方法、装置、介质、设备及车辆 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9244462B2 (en) * | 2014-05-30 | 2016-01-26 | Nissan North America, Inc. | Vehicle trajectory planning for autonomous vehicles |
CN106355880B (zh) * | 2016-10-09 | 2018-08-21 | 东南大学 | 一种面向跟车安全的无人驾驶车辆控制参数标定方法 |
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 |
CN110244713B (zh) * | 2019-05-22 | 2023-05-12 | 江苏大学 | 一种基于人工势场法的智能车辆换道轨迹规划系统及方法 |
CN110471408B (zh) * | 2019-07-03 | 2022-07-29 | 天津大学 | 基于决策过程的无人驾驶车辆路径规划方法 |
CN110553660B (zh) * | 2019-08-31 | 2023-03-24 | 武汉理工大学 | 一种基于a*算法和人工势场的无人车轨迹规划方法 |
CN110908373B (zh) * | 2019-11-11 | 2021-05-07 | 南京航空航天大学 | 一种基于改进人工势场的智能车辆轨迹规划方法 |
CN112344943B (zh) * | 2020-11-20 | 2022-09-06 | 安徽工程大学 | 一种改进人工势场算法的智能车路径规划方法 |
CN112947492B (zh) * | 2021-04-14 | 2023-09-22 | 北京车和家信息技术有限公司 | 车辆控制方法、装置、存储介质、电子设备及车辆 |
-
2021
- 2021-04-14 CN CN202110402428.9A patent/CN112947492B/zh active Active
-
2022
- 2022-02-23 WO PCT/CN2022/077534 patent/WO2022218036A1/zh unknown
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130218396A1 (en) * | 2011-07-14 | 2013-08-22 | GM Global Technology Operations LLC | System and method for enhanced vehicle control |
CN105549597A (zh) * | 2016-02-04 | 2016-05-04 | 同济大学 | 一种基于环境不确定性的无人车动态路径规划方法 |
CN106371439A (zh) * | 2016-09-13 | 2017-02-01 | 同济大学 | 一种统一的自动驾驶横向规划方法与系统 |
US20200363801A1 (en) * | 2019-05-15 | 2020-11-19 | Baidu Usa Llc | Relaxation optimization model to plan an open space trajectory for autonomous vehicles |
CN110239518A (zh) * | 2019-05-20 | 2019-09-17 | 福瑞泰克智能系统有限公司 | 一种车辆横向位置控制方法及装置 |
CN110362096A (zh) * | 2019-08-13 | 2019-10-22 | 东北大学 | 一种基于局部最优性的无人驾驶车辆动态轨迹规划方法 |
CN111176272A (zh) * | 2019-11-28 | 2020-05-19 | 的卢技术有限公司 | 一种基于运动约束的人工势场轨迹规划方法及系统 |
CN111338346A (zh) * | 2020-03-05 | 2020-06-26 | 中国第一汽车股份有限公司 | 一种自动驾驶控制方法、装置、车辆及存储介质 |
CN111413966A (zh) * | 2020-03-12 | 2020-07-14 | 天津大学 | 一种递进式模型预测无人驾驶规划跟踪协同控制方法 |
CN112428991A (zh) * | 2020-11-30 | 2021-03-02 | 北京车和家信息技术有限公司 | 车辆控制方法、装置、介质、设备及车辆 |
Non-Patent Citations (2)
Title |
---|
李军等: "基于改进人工势场的路径规划与跟踪控制", 《重庆交通大学学报(自然科学版)》 * |
李军等: "基于改进人工势场的路径规划与跟踪控制", 《重庆交通大学学报(自然科学版)》, no. 09, 15 September 2020 (2020-09-15), pages 29 - 34 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022218036A1 (zh) * | 2021-04-14 | 2022-10-20 | 北京车和家信息技术有限公司 | 车辆控制方法、装置、存储介质、电子设备及车辆 |
CN113830108A (zh) * | 2021-11-10 | 2021-12-24 | 苏州挚途科技有限公司 | 自动驾驶车辆的决策规划方法和装置 |
CN114399125A (zh) * | 2022-03-24 | 2022-04-26 | 清华大学 | 车队最优轨迹控制方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022218036A1 (zh) | 2022-10-20 |
CN112947492B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112947492A (zh) | 车辆控制方法、装置、存储介质、电子设备及车辆 | |
US12046131B2 (en) | Autonomous vehicle planning and prediction | |
CN113805572B (zh) | 运动规划的方法与装置 | |
CN112937564B (zh) | 换道决策模型生成方法和无人车换道决策方法及装置 | |
WO2021152047A1 (en) | Planning in mobile robots | |
WO2017138664A1 (en) | Method for controlling motion of vehicle and control system of vehicle | |
CN113561994B (zh) | 轨迹规划方法、装置、存储介质及电子设备 | |
WO2018220418A1 (en) | Driving assistance method and system | |
WO2021129156A1 (zh) | 智能汽车的控制方法、装置和控制系统 | |
KR102303126B1 (ko) | 사용자 선호에 따른 강화학습 기반 자율주행 최적화 방법 및 시스템 | |
EP4078320A1 (en) | Planning in mobile robots | |
CN112382165A (zh) | 驾驶策略生成方法、装置、介质、设备及仿真系统 | |
CN113253612B (zh) | 一种自动驾驶控制方法、装置、设备及可读存储介质 | |
CN113341941B (zh) | 一种无人驾驶设备的控制方法及装置 | |
US20220261003A1 (en) | Driver-centric model predictive controller | |
US20210271252A1 (en) | Method and System for Determining Information on an Expected Trajectory of an Object | |
KR20210095359A (ko) | 로봇, 로봇의 제어 방법 및 로봇을 제어하기 위한 서버 | |
US20210311505A1 (en) | Assisted movement method and device, and movable platform | |
CN113642103B (zh) | 动力学模型参数的调整方法、装置、介质及电子设备 | |
WO2023046174A1 (zh) | 无人机实时目标追踪方法、装置、设备及存储介质 | |
CN114571460A (zh) | 机器人控制方法、装置及存储介质 | |
Liu et al. | Multi-agent collaborative adaptive cruise control based on reinforcement learning | |
JP6599817B2 (ja) | 演算装置、演算方法およびプログラム | |
Zhao et al. | Learning Speed Adaptation for Flight in Clutter | |
CN113692560A (zh) | 可移动平台的控制方法、装置、可移动平台及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |