CN113074748B - 一种无人驾驶设备的路径规划方法及装置 - Google Patents

Abstract

本说明书公开了一种无人驾驶设备的路径规划方法及装置。根据采集的初始点云，确定初始路径，并确定沿该初始路径行驶时采集的各单帧点云。然后依次针对各单帧点云，确定各障碍物的单帧三维模型，以及根据历史采集的各单帧点云更新各障碍物的综合三维模型。当各障碍物的单帧三维模型与其更新后的综合三维模型匹配，则根据更新后的综合三维模型，确定各障碍物的最终三维模型，并确定参考路径，以根据该参考路径、各障碍物的最终三维模型、无人驾驶设备的状态信息以及道路信息，确定最终路径。否则，持续更新各障碍物的综合三维模型，直至匹配为止。通过多次更新确定各障碍物更准确的三维模型，使得在极端路况下规划的路径更加准确。

Description

一种无人驾驶设备的路径规划方法及装置

技术领域

本说明书涉及无人驾驶领域，尤其涉及一种无人驾驶设备的路径规划方法及装置。

背景技术

随着无人驾驶技术的发展，一些如无人驾驶汽车、智能机器人等无人驾驶设备，在物流、环卫、零售等多个领域得到了广泛的应用。例如，通过无人驾驶设备配送货物、通过无人驾驶设备实现指定区域内的商品无人零售等。在无人驾驶设备的实际应用场景中，无人驾驶设备通常是根据当前执行的任务的内容向指定地点或方向行进，若在行进途中遇到障碍物，无人驾驶设备则需要重新进行路径规划，以避开障碍物，继续执行任务。

目前，无人驾驶设备在为了躲避障碍物而进行路径规划时，需要根据高精地图以及全局路径生成一条道路参考线，并根据该参考线以及障碍物信息，确定可以避开障碍物的路径。

但是这种方法确定出的路径不够准确，会影响任务的顺利执行。尤其是在当道路较为狭窄，无人驾驶设备需要近距离避障时，若在该传感器的盲区中存在障碍物，则即使无人驾驶设备沿着规划出的路径前进，依然可能会碰撞到障碍物导致无法继续执行任务。

发明内容

本说明书提供一种无人驾驶设备的路径规划方法及装置，以部分的解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供了一种无人驾驶设备的路径规划方法，包括：

采集道路前方的初始点云，并根据所述初始点云，确定各障碍物的综合三维模型；

根据各障碍物的综合三维模型，通过第一路径规划算法确定初始路径；

当确定所述初始路径满足预设窄路绕障条件时，沿所述初始路径行驶，并采集单帧点云；

确定采集到的当前时刻的单帧点云，根据所述当前时刻的单帧点云，确定各障碍物的单帧三维模型，以及根据所述当前时刻的单帧点云之前采集的其他点云，对各障碍物的综合三维模型进行更新；

判断各障碍物的单帧三维模型是否与各障碍物更新后的综合三维模型匹配；

若是，则根据更新后的综合三维模型，确定各障碍物的最终三维模型，并根据各障碍物的最终三维模型，确定参考路径，以根据所述参考路径、各障碍物的最终三维模型、无人驾驶设备的状态信息以及所述道路的道路信息，通过第二路径规划算法，确定最终路径；

若否，则继续采集单帧点云，直至各障碍物的单帧三维模型与各障碍物更新后的综合三维模型匹配为止。

可选地，根据该单帧点云之前采集的其他单帧点云，对各障碍物的综合三维模型进行更新，具体包括：

将在该单帧点云之前采集的其他单帧点云以及所述初始点云进行合并；

根据合并后的点云，更新各障碍物的综合三维模型。

可选地，判断各障碍物的单帧三维模型是否与各障碍物更新后的综合三维模型匹配，具体包括：

针对每个障碍物，确定该障碍物的单帧三维模型与该障碍物的综合三维模型的重合率；

判断各障碍物的重合率是否均大于预设值。

可选地，根据更新后的综合三维模型，确定各障碍物的最终三维模型，具体包括：

停止沿所述初始路径行驶，并在预设时间内继续采集各障碍物的单帧点云；

根据在所述预设时间内采集的各障碍物的单帧点云，以及更新后的综合三维模型，确定各障碍物的最终三维模型。

可选地，根据各障碍物的最终三维模型，确定参考路径，具体包括：

对所述道路进行均匀采样，并将各采样点连接得到若干条路径；

根据各障碍物的最终三维模型，确定各障碍物的边界；

针对每条路径，确定该路径上各采样点处的曲率以及各采样点与各障碍物的边界间的距离；

根据该路径上各采样点处的曲率以及各采样点与各障碍物的边界间的距离，确定该路径的代价值；

将各路径中代价值最小的路径作为参考路径；

其中，所述代价值最小的路径中各采样点与各障碍物的边界间的距离不小于预设的第一距离。

可选地，所述第二路径规划算法为分段加加速度优化算法，所述方法还包括：

当根据所述参考路径、各障碍物的最终三维模型、所述无人驾驶设备的状态信息以及所述道路的道路信息，通过所述第二路径规划算法无法确定所述最终路径时，沿所述参考路径行驶。

可选地，根据所述初始点云，确定各障碍物的综合三维模型，具体包括：

根据所述初始点云以及所述道路的道路信息，确定落在所述道路内的静止的各障碍物，并确定所述道路内的静止的各障碍物的综合三维模型。

可选地，确定所述初始路径满足预设窄路绕障条件至少包括：确定所述初始路径中曲率大于预设值的路段的数量不小于预设数量。

本说明书提供了一种无人驾驶设备的路径规划装置，包括：

采集模块，用于采集道路前方的初始点云，并根据所述初始点云，确定各障碍物的综合三维模型；

路径确定模块，用于根据各障碍物的综合三维模型，通过第一路径规划算法确定初始路径；

路段识别模块，用于当确定所述初始路径满足预设窄路绕障条件时，沿所述初始路径行驶，并采集单帧点云；

更新模块，用于确定采集到的当前时刻的单帧点云，根据所述当前时刻的单帧点云，确定各障碍物的单帧三维模型，以及根据所述当前时刻的单帧点云之前采集的其他点云，对各障碍物的综合三维模型进行更新；

判断模块，用于判断各障碍物的单帧三维模型是否与各障碍物更新后的综合三维模型匹配；

路径规划模块，用于若是，则根据更新后的综合三维模型，确定各障碍物的最终三维模型，并根据各障碍物的最终三维模型，确定参考路径，以根据所述参考路径、各障碍物的最终三维模型、无人驾驶设备的状态信息以及所述道路的道路信息，通过第二路径规划算法，确定最终路径；

匹配模块，用于若否，则继续采集单帧点云，直至各障碍物的单帧三维模型与各障碍物更新后的综合三维模型匹配为止。

本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述无人驾驶设备的路径规划方法。

本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述无人驾驶设备的路径规划方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书提供的无人驾驶设备的路径规划方法中，首先确定各障碍物的综合三维模型，并确定初始路径。当初始路径满足预设窄路绕障条件时，沿该初始路径行驶，并连续采集的各单帧点云。然后依次针对各单帧点云，确定各障碍物的单帧三维模型，并更新各障碍物的综合三维模型。判断各障碍物的单帧三维模型是否与其更新后的综合三维模型匹配。若是，则根据更新后的综合三维模型，确定各障碍物的最终三维模型，并确定参考路径，以根据该参考路径、各障碍物的最终三维模型、无人驾驶设备的状态信息以及道路信息，确定最终路径。若否，则继续采集单帧点云，直至各障碍物的单帧三维模型与更新后的综合三维模型匹配为止。

从上述方法中可以看出，本方法针对窄路绕障的场景，可通过将当前采集的单帧点云对应的各障碍物的单帧三维模型，与在确定该单帧三维模型前得到的该障碍物的综合三维模型进行匹配，判断得到的障碍物的三维模型是否准确，通过多次更新确定得到各障碍物更准确的最终三维模型，使得可以根据各障碍物的最终三维模型确定参考路径，以进一步根据参考路径确定更准确避障的最终路径。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1为本说明书中一种无人驾驶设备的路径规划方法的流程示意图；

图2为本说明书提供的一种初始路径的示意图；

图3为本说明书提供的一种障碍物的点云分布示意图；

图4为本说明书提供的一种无人驾驶设备可行驶区域的示意图；

图5为本说明书提供的一种无人驾驶设备可行驶区域的示意图；

图6为本说明书提供的一种窄路示意图；

图7为本说明书提供的一种无人驾驶设备的路径规划装置的示意图；

图8为本说明书提供的对应于图1的电子设备的结构示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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他实施例，都属于本说明书保护的范围。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

目前，在无人驾驶设备的任务执行过程中，无人驾驶设备在为了躲避障碍物而进行路径规划时，通常是根据高精地图的地图信息以及全局路径，确定一条参考路径，并根据该参考路径，以及传感器实时获取到的道路前方的各障碍物的位置、大小等信息进行路径规划，以避开道路上的各障碍物。但是，在一些本身就比较狭窄的道路或由于障碍物遮挡变得狭窄的道路中，无人驾驶设备的可行驶范围比较有限，导致无人驾驶设备不得不近距离绕障碍物行驶。当无人驾驶设备在近距离绕障碍物行驶时，由于距离障碍物较近，该障碍物可能会部分甚至全部进入传感器的盲区中，使无人驾驶设备认为该障碍物实际所在的位置不存在障碍物，或者对该障碍物的大小和位置判断错误，导致规划出的行驶路径不准确，致使无人驾驶设备在沿规划出的路径行驶的过程中，依然会碰撞到道路上的障碍物，影响任务的顺利执行。

为了解决现有路径规划不准确的情况，本说明书提供了一种无人驾驶设备的路径规划方法。

图1为本说明书中一种无人驾驶设备的路径规划方法的流程示意图，具体包括以下步骤：

S100：采集道路前方的初始点云，并根据所述初始点云，确定各障碍物的综合三维模型。

在本说明书一个或多个实施例中，该无人驾驶设备可以是无人驾驶汽车，也可以是无人驾驶机器人。该无人驾驶设备在执行任务的过程中，为了避开道路上的障碍物，首先则需要确定道路前方出现的各障碍物的位置、大小以及类型等信息，以便于在后续步骤中根据确定出的各障碍物的形状、位置以及类型等信息，进行路径规划。

在本说明书一个或多个实施例中，无人驾驶设备在沿该道路行驶的过程中，可以实时通过传感器获取道路前方的初始点云。在得到道路前方的初始点云后，可以对该初始点云进行点云分割，以将地面上的其他点云和各障碍物上的点云区分，得到各障碍物的点云。之后，可以根据各障碍物的点云，从识别到的各障碍物中，筛选出会影响该无人驾驶设备正常行驶的障碍物。其中，会影响该无人驾驶设备正常行驶的障碍物为在该道路的两条边界线内的静止的障碍物，例如停放在该道路上的自行车、放在该道路上的临时路标等。对于动态的障碍物，如该道路上的行人、动物等，由于这些动态的障碍物通常只会在道路上短暂停留，且能够自动躲避无人驾驶设备，所以不将动态的障碍物作为影响该无人驾驶设备正常行驶的障碍物。另外，若该道路前方存在一部分在该道路的边界线内，另一部分在该道路的边界线外的静止障碍物，只将该静止障碍物在该道路的边界线内的一部分作为会影响该无人驾驶设备正常行驶的障碍物。

在本说明书一个或多个实施例中，无人驾驶设备在对该初始点云进行点云分割得到的各障碍物的点云后，可根据该道路的边界线确定出落在该道路边界线内的各障碍物。并针对每个落在该道路边界线内的障碍物，根据传感器在一段时间内采集的多帧点云中该障碍物的点云，确定该障碍物是否在该段时间内有位置变化，以从中确定未在该段时间内有位置变化的各障碍物，即静止的障碍物。然后，根据确定出的各静止的障碍物的点云，确定各障碍物的综合三维模型。

在本说明书后续步骤中，各障碍物皆指会影响该无人驾驶设备正常行驶的障碍物，即在该道路的两条边界线内的静止的障碍物。

另外，需要说明的是，在该无人驾驶设备沿该道路行驶时，该无人驾驶设备是按照导航路径行驶的，也就是根据出发位置以及目的地位置，通过导航确定的路径，并不包含避障的轨迹。

S102：根据各障碍物的综合三维模型，通过第一路径规划算法确定初始路径。

在本说明书一个或多个实施例中，无人驾驶设备在确定出各障碍物的综合三维模型后，可以根据各障碍物的综合三维模型，通过第一路径规划算法确定出该无人驾驶设备可沿着行驶的初始路径。

其中，该第一路径规划算法是一种局部路径规划算法，例如，该第一路径规划算法可以是人工势场法(Artificial Potential Field Method，APFM)，也可以是动态窗口法(Dynamic Window Approach，DWA)，当然也可以是其他的局部路径规划算法，具体采用哪种局部路径规划算法，可根据需要设置，本说明书在此不做限制。

S104：当确定所述初始路径满足预设窄路绕障条件时，沿所述初始路径行驶，并采集单帧点云。

在本说明书一个或多个实施例中，该无人驾驶设备可在确定出该初始路径后，从沿该导航路径行驶切换为沿该初始路径行驶，并判断该初始路径是否满足预设窄路绕障条件。若该初始路径满足预设窄路绕障条件，则确定该无人驾驶设备需要在该道路前方进行连续避障。

在本说明书一个或多个实施例中，当该无人驾驶设备确定该初始路径满足预设窄路绕障条件时，该无人驾驶设备可确定沿该初始路径行驶的过程中，传感器连续采集的各单帧点云，以便于在后续步骤中根据各单帧点云确定各障碍物的单帧三维模型。

其中，该预设窄路绕障条件可以为：该初始路径中曲率大于预设值的路段的数量不小于预设数量。该曲率预设值与预设数量可根据需要设置，例如，该曲律可以是0.02，也可以是0.03或其他数值，该路段数量可以是2，也可以是4或其他数值，本说明书在此不做限制。

在本说明书一个或多个实施例中，可以将该初始路径中弯曲方向不同的曲线分为不同的路段，如图2。

图2为本说明书提供的一种初始路径的示意图。图中，两条较粗的直实线表示道路边界线，较细的实曲线表示该初始路径，标有C、D、E、F的四个图形表示该道路中的障碍物。该初始路径由图中每相邻的两条虚线分隔为不同的路段。

S106：确定采集到的当前时刻的单帧点云，根据所述当前时刻的单帧点云，确定各障碍物的单帧三维模型，以及根据所述当前时刻的单帧点云之前采集的其他点云，对各障碍物的综合三维模型进行更新。

在本说明书一个或多个实施例中，无人驾驶设备可依次针对连续采集的每个单帧点云，根据该单帧点云，确定各障碍物的单帧三维模型。并根据该单帧点云之前采集的其他单帧点云，对各障碍物的综合三维模型进行更新。

由于无人驾驶设备在沿初始路径行驶时，是从不同的位置和角度对道路前方进行单帧点云的采集，所以针对每一个障碍物，该传感器在不同时刻采集到的各单帧点云中，属于该障碍物的点云中点的分布情况会存在差异。

图3为本说明书提供的一种障碍物的点云分布示意图。该图为俯视图。如图，A1、A2表示不同时刻不同位置下的同一个无人驾驶设备。该无人驾驶设备上延伸出的两条虚线间的范围表示该无人驾驶设备上传感器的采集范围。B1、B2表示同一个障碍物。B1、B2上的黑色折线表示该无人驾驶设备分别处于A1、A2状态下时，传感器分别采集到的两帧点云中该障碍物上的点云分布情况。可见，该无人驾驶设备在不同时刻不同位置采集到的该障碍物上的点云分部情况存在差异，分布的点云数量和位置也不相同。则根据这两帧点云分别确定出的该障碍物的单帧三维模型并不完整且存在差异。并且，由于该无人驾驶设备在不同时刻不同位置采集到的单帧点云中点云的位置和数量不同，所以根据不同点云确定出的该障碍物的综合三维模型也不同。

在本说明书一个或多个实施例中，由于无人驾驶设备需要采集点云，于是，该无人驾驶设备上的传感器可以为激光雷达。对于该无人驾驶设备上的激光雷达的数量和位置，本说明书不做限制，可根据需要设置。

由于随着无人驾驶设备在行驶过程中逐渐向障碍物靠近，传感器采集到的单帧点云中各障碍物的点云数量和位置会改变，所以可以将多帧点云进行合并，使得到的各障碍物的点云更完整，确定出的障碍物的综合三维模型更准确。于是，在本说明书一个或多个实施例中，为了使确定出的各障碍物的综合三维模型更准确更完整，可以针对每个障碍物，将无人驾驶设备当前采集的单帧点云与该单帧点云之前采集的其他点云进行合并，得到合并后的点云。并根据合并后的点云重新确定各障碍物的综合三维模型，作为各障碍物更新后的综合三维模型。而具体怎么根据点云确定三维模型是比较成熟的现有技术，本说明书在此不再赘述。

其中，上述每个障碍物是指当前时刻会影响该无人驾驶设备正常行驶的障碍物。该其他点云是指该无人驾驶设备在沿导航路径行驶时以及切换到沿初始路径行驶时，传感器采集到的每个障碍物上的点云。

S108：判断各障碍物的单帧三维模型是否与各障碍物更新后的综合三维模型匹配。若是，则执行步骤S110，若否，则执行步骤S112。

随着无人驾驶设备沿该初始路径行驶，该无人驾驶设备距离各障碍物越来越近，该传感器采集到的单帧点云中各障碍物的点云逐渐完整，无人驾驶设备根据采集到的各单帧点云确定出的各障碍物的单帧三维模型也更准确。各障碍物的单帧三维模型与各障碍物更新后的综合三维模型也更接近。而对于每一个障碍物，当该障碍物的单帧三维模型与该障碍物更新后的综合三维模型足够接近时，则说明该障碍物更新后的综合三维模型也足够准确与完整。

因此，在本说明书一个或多个实施例中，在得到该障碍物更新后的综合三维模型后，可以判断传感器当前采集到的单帧点云对应的该障碍物的单帧三维模型是否与该障碍物更新后的综合三维模型匹配，以确定该障碍物更新后的三维综合模型是否足够完整。其中，该障碍物的单帧三维模型与该障碍物更新后的综合三维模型匹配是指，该障碍物的单帧三维模型与该障碍物更新后的综合三维模型的重合率大于预设值。

具体的，该无人驾驶设备可以针对每个障碍物，确定该障碍物当前的单帧三维模型与该障碍物的综合三维模型的重合率，并判断该障碍物的重合率是否均大于预设值。其中，该预设值为99％，当然，也可以为其他值，具体可根据需要设置，本说明书在此不做限制。

S110：根据更新后的综合三维模型，确定各障碍物的最终三维模型，并根据各障碍物的最终三维模型，确定参考路径，以根据所述参考路径、各障碍物的最终三维模型、无人驾驶设备的状态信息以及所述道路的道路信息，通过第二路径规划算法，确定最终路径。

在本说明书一个或多个实施例中，当确定所有障碍物的单帧三维模型与其更新后的综合三维模型的重合率都大于预设值时，则确定各障碍物更新后的综合三维模型都较为完整。之后，该无人驾驶设备可针对每一个障碍物，将该障碍物更新后的综合三维模型，作为该障碍物的最终三维模型。并根据各障碍物的最终三维模型，确定参考路径。然后根据该参考路径和该最终三维模型，确定出一条比初始路径更准确的可以更好避开障碍物的行驶路径，作为该无人驾驶设备可沿着行驶的最终路径。

具体的，在确定参考路径时，可对该道路进行均匀采样，并将各采样点连接得到若干条路径。以及根据各障碍物的最终三维模型，确定各障碍物的边界。之后，针对每条路径，确定该路径上各采样点处的曲率以及各采样点与各障碍物的边界间的距离。然后根据该路径上各采样点处的曲率，确定该路径上各采样点处的曲率的导数，并确定各采样点与各障碍物的边界间的距离。然后根据该路径上各采样点处的曲率、各采样点处的曲率的导数、各采样点与各障碍物的边界间的距离，确定该路径的代价值。最后，将各路径中代价值最小的路径作为参考路径。

其中，该代价值最小的路径中各采样点与各障碍物的边界间的距离不小于预设的第一距离，并不大于预设的第二距离。该第一距离可以是0.1m，也可以是0.15米，该第二预设距离可以是0.3m，也可以是0.4m，具体可根据需要设置，本说明书在此不做限制。该第一距离的设置可以使无人驾驶设备在沿该代价值最小的路径行驶时，各障碍物与该无人驾驶设备间有足够的空间，更大程度地避免该无人驾驶设备撞到各障碍物。该第二距离是指在该代价值最小的路径中，在垂直于道路边界线的方向上，各采样点与相邻的各障碍物的边界间的最小距离。该第二距离的设置可以使确定出的参考路径更平滑。

进一步地，在本说明书一个或多个实施例中，在确定出参考路径后，可根据该参考路径、各障碍物的最终三维模型、该无人驾驶设备的状态信息以及该道路的道路信息，通过第二路径规划算法，确定最终路径，并从沿该初始路径行驶切换为沿该最终路径行驶。

其中，该第二路径规划算法为分段加加速度优化算法(Piecewise Jerk PathOptimization Algorithm)。该道路信息包括该道路的边界线位置。该无人驾驶设备的状态信息包括该无人驾驶设备的基本信息以及约束信息。以该无人驾驶设备是无人驾驶汽车为例，该无人驾驶设备的基本信息可以包括该无人驾驶汽车的几何尺寸、轴距、坐标以及行驶速度等信息。该无人驾驶设备的约束信息可以包括该无人驾驶设备的最大转向角、最大横摆角速度等信息。

图4为本说明书提供的一种无人驾驶设备可行驶区域的示意图。图中，L1、L2两条直线表示该道路的边界线，L3、L4对应的实线范围表示根据最终三维综合模型确定出的各障碍物的轮廓在地图上的投影。L5、L6对应的虚线范围表示通过分段加加速度优化算法得到的缓冲区域，以使无人驾驶设备不会因为近距离绕障碍物行驶而碰撞到障碍物。图中的斜线填充部分表示该无人驾驶设备的可行使范围。

在本说明书一个或多个实施例中，可以对该道路进行均匀采样，将该道路划分出多个可行使区域。将各障碍物的最终三维模型、该无人驾驶设备的状态信息以及该道路的道路信息投影到对应的参考系坐标中，通过分段加加速度优化算法，可以得到无人驾驶设备可行驶区域的示意图。其中，该参考系坐标是基于该参考路径建立的坐标系。图5为本说明书提供的一种无人驾驶设备可行驶区域的示意图。如图，S轴方向为将参考路径平直化后沿该参考路径的方向，垂直于该参考线方向为L轴方向。沿S轴方向，每相邻两条直虚线间为一个可行驶区域，可在各可行驶区域内设置常值加加速度，不同可行使区域对应的加加速度值不同。通过求解凸优化的方案，可获得对应的惩罚函数最优的路径曲线，作为最终路径。该虚曲线表示通过该分段加加速度算法确定出的该最终路径。各灰色长方形表示各障碍物，由于障碍物的遮挡，各可行驶区域的可行驶范围不同。

在本说明书一个或多个实施例中，当根据该参考路径、各障碍物的最终三维模型、该无人驾驶设备的状态信息以及该道路的道路信息，通过该分段加加速度优化算法无法确定出最终路径时，无人驾驶设备可从沿初始路径行驶切换为沿该参考路径行驶。

S112：继续采集单帧点云，直至各障碍物的单帧三维模型与各障碍物更新后的综合三维模型匹配为止。

在本说明书一个或多个实施例中，当确定各障碍物的单帧三维模型与各障碍物更新后的综合三维模型的重合率并未都大于预设值时，则确定并非全部障碍物更新后的综合三维模型都足够准确。该无人驾驶设备继续采集道路前方的单帧点云，并针对每一个障碍物，根据该单帧点云确定该障碍物的单帧三维模型，并判断该障碍物的单帧三维模型与该障碍物更新后的综合三维模型是否匹配。若该障碍物的单帧三维模型与该障碍物更新后的综合三维模型的重合率不大于预设值，则重复步骤S106，直到各障碍物的单帧三维模型与该障碍物更新后的综合三维模型的重合率不小于预设值为止。

在本说明书一个或多个实施例中，若由于环境等因素的干扰，无人驾驶设备确定出的各障碍物的单帧三维模型和该障碍物更新后的综合三维模型一直无法匹配，该无人驾驶设备可停止沿该初始路径行驶，继续采集单帧点云，并判断各障碍物的单帧三维模型与该障碍物更新后的综合三维模型是否匹配，直到各障碍物的单帧三维模型与该障碍物更新后的综合三维模型的重合率不小于预设值为止。

或者，在本说明书一个或多个实施例中，由于环境等因素的干扰，无人驾驶设备确定出的各障碍物的单帧三维模型和该障碍物更新后的综合三维模型一直无法匹配，且该无人驾驶设备与至少一个障碍物的距离已达到预设的第三距离。则该无人驾驶设备可停止沿该初始路径行驶，继续采集单帧点云，并根据采集到的单帧点云确定各障碍物的单帧三维模型，以及判断各障碍物的单帧三维模型与该障碍物的综合三维模型是否匹配，直到全部障碍物的单帧三维模型与该障碍物的综合三维模型匹配。其中，该预设的第三距离大于该传感器的盲区范围，具体可根据需要设置，本说明书在此不做限制。

基于图1所示的无人驾驶设备的路径规划方法，首先确定各障碍物的综合三维模型，并确定初始路径。当初始路径满足预设窄路绕障条件时，沿该初始路径行驶，并连续采集的各单帧点云。然后依次针对各单帧点云，确定各障碍物的单帧三维模型，并更新各障碍物的综合三维模型。判断各障碍物的单帧三维模型是否与其更新后的综合三维模型匹配。若是，则根据更新后的综合三维模型，确定各障碍物的最终三维模型，并确定参考路径，以根据该参考路径、各障碍物的最终三维模型、无人驾驶设备的状态信息以及道路信息，确定最终路径。若否，则继续采集单帧点云，直至各障碍物的单帧三维模型与更新后的综合三维模型匹配为止。

从上述方法中可以看出，本方法针对窄路绕障的场景，可通过将当前采集的单帧点云对应的各障碍物的单帧三维模型，与在确定该单帧三维模型前得到的该障碍物的综合三维模型进行匹配，判断得到的障碍物的三维模型是否准确，通过多次更新确定得到各障碍物更准确的最终三维模型，使得可以根据各障碍物的最终三维模型确定参考路径，以进一步根据参考路径确定更准确避障的最终路径。

在本说明书一个或多个实施例中，在步骤S104中，当该初始路径不满足预设窄路绕障条件时，该无人驾驶设备可继续沿所述初始路径行驶并采集道路前方的单帧点云，然后将该单帧点云重新作为初始点云。或者，当该初始路径不满足预设窄路绕障条件时，该无人驾驶设备可通过其他方法重新规划轨迹，本说明书在此不做限制。

另外，在本说明书一个或多个实施例中，步骤S104中的预设窄路绕障条件还可以为：至少一对相邻两个障碍物间的纵向(即沿道路方向)可行驶距离不大于该无人驾驶设备纵向长度的两倍，并且该道路上各障碍物与该道路的至少一个边界间的可行驶距离不大于该无人驾驶设备横向(即垂直道路边界线方向)宽度的两倍。如图6。图6为本说明书提供的一种窄路示意图。图中可见，L1与L2表示该道路的两条边界线，黑色空心长方形Q表示该无人驾驶设备，M、N、O、P四个灰色实心长方形表示该道路中的障碍物。M与N、M与O、O与P分别都可以作为一对相邻两个障碍物。其中，L11表示该无人驾驶设备的纵向长度，L12表示该无人驾驶设备的横向宽度，L3、L4、L5都表示一对相邻两个障碍物间的纵向可行驶距离，L6、L7、L8、L9都表示该道路上各障碍物与该道路的一个边界间的可行驶距离。其中，L3与L6、L3与L7是M与N这一对相邻两个障碍物的两对参数，L7与L4、L4与L8是M与O这一对相邻两个障碍物的两对参数，L4与L8、L8与L5是O与P这一对相邻两个障碍物的两对参数。针对每对相邻的两个障碍物，当确定该对障碍物的两对参数中有一对参数满足预设窄路绕障条件，则确定该道路满足预设窄路绕障条件。例如，对于M与N这一对相邻两个障碍物，在确定L3≤2×L11，并且确定L6≤2×L12时，则确定该道路满足预设窄路绕障条件。或确定L3≤2×L11，并且确定L7≤2×L12时，则确定该道路满足预设窄路绕障条件。若确定L3≤2×L11，并且确定L8≤2×L12，则确定该道路不满足预设窄路绕障条件。

另外，在本说明书一个或多个实施例中，在步骤S110确定参考路径之前，该无人驾驶设备还可以在确定所有障碍物的单帧三维模型与其更新后的综合三维模型的重合率都大于预设值时，停止沿该初始路径行驶，并在预设时间内继续采集道路前方的单帧点云，以再次确定各障碍物更新后的综合三维模型是否足够完整。该无人驾驶设备可针对每一个障碍物，在该预设时间内根据依次采集到的各单帧点云，确定各障碍物的单帧三维模型，以及确定该障碍物的单帧三维模型与该障碍物更新后的综合三维模型的重合率是否大于预设值。即在预设时间内针对每一个障碍物，将根据每一单帧点云确定出的该障碍物的单帧三维模型，与在该单帧点云前确定出的该障碍物更新后的综合三维模型进行匹配，并对匹配成功的单帧三维模型的点云不做处理，对匹配失败的单帧三维模型的点云与在该单帧点云前采集的该障碍物的点云进行合并。最后，将无人驾驶设备根据传感器在预设时间内采集的各单帧点云最终确定出的该障碍物的综合三维模型，作为该障碍物的最终三维模型。其中，匹配成功则说明该单帧点云中没有带来新的能够使确定出的该障碍物的综合三维模型更完整的信息，而匹配失败则说明该无人驾驶设备停止行驶后采集的该单帧点云带来了新的能够使确定出的该障碍物的综合三维模型更完整的信息，因此需要与其他点云合并。

具体的，以该预设时间为1秒为例，假设在该预设时间内传感器可以连续采集10帧点云。若根据第一帧点云确定出的该障碍物的单帧三维模型与该障碍物更新后的综合三维模型的重合率大于预设值，则不对第一帧点云进行合并。然后确定根据第二帧点云得到的该障碍物的单帧三维模型与该障碍物更新后的综合三维模型的重合率是否大于预设值，若否，则将第二帧点云中该障碍物的点云与构成该障碍物更新后的综合三维模型的各帧点云中该障碍物的点云进行合并，更新该障碍物的综合三维模型。然后，继续判断根据第三帧点云确定的单帧三维模型与根据第二帧点云得到的该更新后的综合三维模型的重合率是否大于预设值……最后，将无人驾驶设备根据传感器在1秒内采集的10帧单帧点云最终确定出的该障碍物的综合三维模型，作为该障碍物的最终三维模型。

另外，在本说明书中一个或多个实施例中，针对每一个障碍物，通过将传感器各时刻采集到的该障碍物的点云合并，更新该障碍物的综合三维模型，可以最大化该障碍物的轮廓。因此，在步骤S110中确定出各障碍物的最终三维模型后得到的是各障碍物的最大轮廓，根据各障碍物的最大轮廓可以确定各障碍物在地图上投影的最大边界。即该无人驾驶设备确定出的各障碍物的边界是在误差允许范围内的最大边界，可以使无人驾驶设备在沿最终路径行驶时，不会因为传感器的测量误差而撞到障碍物。

在本说明书一个或多个实施例中，该无人驾驶设备的路径规划方法确定出的路径仅用于规避静态障碍物。该无人驾驶设备的路径规划方法可以应用于动态障碍物较少的区域内，如机动车辆较少的区域或机动车辆禁止驶入的区域。对于道路上的少量动态障碍物，该无人驾驶设备可在检测到在该无人驾驶设备当前沿着行驶的路径(初始路径、最终路径、参考路径中的一种)上有动态障碍物，并且该无人驾驶设备与动态障碍物的距离达到预设的第四距离时，停止沿该路径行驶，待该路径上不存在动态障碍物时，再继续行驶。该第四距离可根据需要设置，本说明书在此不做限制。

以上为本说明书的一个或多个实施例提供的无人驾驶设备的路径规划方法，基于同样的思路，本说明书还提供了相应的无人驾驶设备的路径规划装置，如图7所示。

图7为本说明书提供的一种无人驾驶设备的路径规划装置示意图，该装置包括：采集模块、路径确定模块、路段识别模块、更新模块、判断模块、路径规划模块、匹配模块，其中：

采集模块200，用于采集道路前方的初始点云，并根据所述初始点云，确定各障碍物的综合三维模型；

路径确定模块201，用于根据各障碍物的综合三维模型，通过第一路径规划算法确定初始路径；

路段识别模块202，用于当确定所述初始路径满足预设窄路绕障条件时，沿所述初始路径行驶，并采集单帧点云；

更新模块203，用于确定采集到的当前时刻的单帧点云，根据所述当前时刻的单帧点云，确定各障碍物的单帧三维模型，以及根据所述当前时刻的单帧点云之前采集的其他点云，对各障碍物的综合三维模型进行更新；

判断模块204，用于判断各障碍物的单帧三维模型是否与各障碍物更新后的综合三维模型匹配；

路径规划模块205，用于若是，则根据更新后的综合三维模型，确定各障碍物的最终三维模型，并根据各障碍物的最终三维模型，确定参考路径，以根据所述参考路径、各障碍物的最终三维模型、无人驾驶设备的状态信息以及所述道路的道路信息，通过第二路径规划算法，确定最终路径；

匹配模块206，用于若否，则继续采集单帧点云，直至各障碍物的单帧三维模型与各障碍物更新后的综合三维模型匹配为止。

可选地，所述更新模块203，将在该单帧点云之前采集的其他单帧点云以及所述初始点云进行合并，根据合并后的点云，更新各障碍物的综合三维模型。

可选地，所述判断模块204，针对每个障碍物，确定该障碍物的单帧三维模型与该障碍物的综合三维模型的重合率，判断各障碍物的重合率是否均大于预设值。

可选地，所述路径规划模块205，停止沿所述初始路径行驶，并在预设时间内继续采集各障碍物的单帧点云，根据在所述预设时间内采集的各障碍物的单帧点云，以及更新后的综合三维模型，确定各障碍物的最终三维模型。

可选地，所述路径规划模块205，对所述道路进行均匀采样，并将各采样点连接得到若干条路径，根据各障碍物的最终三维模型，确定各障碍物的边界，针对每条路径，确定该路径上各采样点处的曲率以及各采样点与各障碍物的边界间的距离，根据该路径上各采样点处的曲率以及各采样点与各障碍物的边界间的距离，确定该路径的代价值，将各路径中代价值最小的路径作为参考路径，其中，所述代价值最小的路径中各采样点与各障碍物的边界间的距离不小于预设的第一距离。

可选地，所述路径规划模块205，用于当根据所述参考路径、各障碍物的最终三维模型、所述无人驾驶设备的状态信息以及所述道路的道路信息，通过所述第二路径规划算法无法确定所述最终路径时，控制所述无人驾驶设备沿所述参考路径行驶。

可选地，所述采集模块200，根据所述初始点云以及所述道路的道路信息，确定落在所述道路内的静止的各障碍物，并确定所述道路内的静止的各障碍物的综合三维模型。

可选地，所述路段识别模块202，用于确定所述初始路径满足预设窄路绕障条件至少包括：确定所述初始路径中曲率大于预设值的路段的数量不小于预设数量。

本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的无人驾驶设备的路径规划方法。

本说明书还提供了电子设备的结构示意图。图8为本说明书提供的对应于图1的电子设备的结构示意图。如图所示，在硬件层面，该电子设备包括处理器、内部总线、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1提供的无人驾驶设备的路径规划方法。

当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (11)

1.一种无人驾驶设备的路径规划方法，其特征在于，包括：

采集道路前方的初始点云，并根据所述初始点云，确定各障碍物的综合三维模型；

根据各障碍物的综合三维模型，通过第一路径规划算法确定初始路径；

当确定所述初始路径满足预设窄路绕障条件时，沿所述初始路径行驶，并采集单帧点云；

确定采集到的当前时刻的单帧点云，根据所述当前时刻的单帧点云，确定各障碍物的单帧三维模型，以及根据所述当前时刻的单帧点云之前采集的其他点云，对各障碍物的综合三维模型进行更新；

判断各障碍物的单帧三维模型是否与各障碍物更新后的综合三维模型匹配；

若是，则根据更新后的综合三维模型，确定各障碍物的最终三维模型，并根据各障碍物的最终三维模型，确定参考路径，以根据所述参考路径、各障碍物的最终三维模型、无人驾驶设备的状态信息以及所述道路的道路信息，通过第二路径规划算法，确定最终路径；

若否，则继续采集单帧点云，直至各障碍物的单帧三维模型与各障碍物更新后的综合三维模型匹配为止。

2.如权利要求1所述的方法，其特征在于，根据该单帧点云之前采集的其他单帧点云，对各障碍物的综合三维模型进行更新，具体包括：

将在该单帧点云之前采集的其他单帧点云以及所述初始点云进行合并；

根据合并后的点云，更新各障碍物的综合三维模型。

3.如权利要求1所述的方法，其特征在于，判断各障碍物的单帧三维模型是否与各障碍物更新后的综合三维模型匹配，具体包括：

针对每个障碍物，确定该障碍物的单帧三维模型与该障碍物的综合三维模型的重合率；

判断各障碍物的重合率是否均大于预设值。

4.如权利要求1所述的方法，其特征在于，根据更新后的综合三维模型，确定各障碍物的最终三维模型，具体包括：

停止沿所述初始路径行驶，并在预设时间内继续采集各障碍物的单帧点云；

根据在所述预设时间内采集的各障碍物的单帧点云，以及更新后的综合三维模型，确定各障碍物的最终三维模型。

5.如权利要求1所述的方法，其特征在于，根据各障碍物的最终三维模型，确定参考路径，具体包括：

对所述道路进行均匀采样，并将各采样点连接得到若干条路径；

根据各障碍物的最终三维模型，确定各障碍物的边界；

针对每条路径，确定该路径上各采样点处的曲率以及各采样点与各障碍物的边界间的距离；

根据该路径上各采样点处的曲率以及各采样点与各障碍物的边界间的距离，确定该路径的代价值；

将各路径中代价值最小的路径作为参考路径；

其中，所述代价值最小的路径中各采样点与各障碍物的边界间的距离不小于预设的第一距离。

6.如权利要求5所述的方法，其特征在于，所述第二路径规划算法为分段加加速度优化算法，所述方法还包括：

当根据所述参考路径、各障碍物的最终三维模型、所述无人驾驶设备的状态信息以及所述道路的道路信息，通过所述第二路径规划算法无法确定所述最终路径时，沿所述参考路径行驶。

7.如权利要求1所述的方法，其特征在于，根据所述初始点云，确定各障碍物的综合三维模型，具体包括：

根据所述初始点云以及所述道路的道路信息，确定落在所述道路内的静止的各障碍物，并确定所述道路内的静止的各障碍物的综合三维模型。

8.如权利要求1所述的方法，其特征在于，确定所述初始路径满足预设窄路绕障条件至少包括：确定所述初始路径中曲率大于预设值的路段的数量不小于预设数量。

9.一种无人驾驶设备的路径规划装置，其特征在于，包括：

采集模块，用于采集道路前方的初始点云，并根据所述初始点云，确定各障碍物的综合三维模型；

路径确定模块，用于根据各障碍物的综合三维模型，通过第一路径规划算法确定初始路径；

路段识别模块，用于当确定所述初始路径满足预设窄路绕障条件时，沿所述初始路径行驶，并采集单帧点云；

更新模块，用于确定采集到的当前时刻的单帧点云，根据所述当前时刻的单帧点云，确定各障碍物的单帧三维模型，以及根据所述当前时刻的单帧点云之前采集的其他点云，对各障碍物的综合三维模型进行更新；

判断模块，用于判断各障碍物的单帧三维模型是否与各障碍物更新后的综合三维模型匹配；

路径规划模块，用于若是，则根据更新后的综合三维模型，确定各障碍物的最终三维模型，并根据各障碍物的最终三维模型，确定参考路径，以根据所述参考路径、各障碍物的最终三维模型、无人驾驶设备的状态信息以及所述道路的道路信息，通过第二路径规划算法，确定最终路径；

匹配模块，用于若否，则继续采集单帧点云，直至各障碍物的单帧三维模型与各障碍物更新后的综合三维模型匹配为止。

10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～8任一项所述的方法。

11.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1～8任一项所述的方法。

Images