CN113110489A - 一种轨迹规划方法、装置、电子设备和存储介质 - Google Patents
一种轨迹规划方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113110489A CN113110489A CN202110485674.5A CN202110485674A CN113110489A CN 113110489 A CN113110489 A CN 113110489A CN 202110485674 A CN202110485674 A CN 202110485674A CN 113110489 A CN113110489 A CN 113110489A
- Authority
- CN
- China
- Prior art keywords
- constraint
- constraints
- driving
- running
- sampling points
- 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 66
- 238000005457 optimization Methods 0.000 claims abstract description 92
- 230000006870 function Effects 0.000 claims description 135
- 238000005070 sampling Methods 0.000 claims description 84
- 230000001133 acceleration Effects 0.000 claims description 68
- 230000001419 dependent effect Effects 0.000 claims description 48
- 238000005265 energy consumption Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000033001 locomotion Effects 0.000 description 15
- 238000009499 grossing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000021715 photosynthesis, light harvesting Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 101000802640 Homo sapiens Lactosylceramide 4-alpha-galactosyltransferase Proteins 0.000 description 1
- 102100035838 Lactosylceramide 4-alpha-galactosyltransferase Human genes 0.000 description 1
- 241000135164 Timea Species 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 101150036841 minJ gene Proteins 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007723 transport mechanism 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
- G05D1/0246—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
- G05D1/0212—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
- G05D1/0276—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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本文公开了一种轨迹规划方法、装置、电子设备和存储介质。其中,所述轨迹规划方法,包括,根据行驶场景下的路径可跟踪属性,确定决策变量,并根据所述决策变量确定优化问题的目标函数;根据行驶中的限制约束,设定优化问题的约束,根据所述优化问题的约束,求解所述目标函数以完成所述行驶场景的轨迹规划;其中,所述路径可跟踪属性包括:有预定的可跟踪路径和没有预定的可跟踪路径。本文提供的轨迹规划方案通过将轨迹规划问题描述成优化问题,可处理各种复杂的规划约束,获得指定评价目标下的最优轨迹。
Description
技术领域
本公开涉及但不限于涉及自动驾驶的轨迹规划技术领域,尤其涉及一种轨迹规划方法、装置、电子设备和存储介质。
背景技术
自动驾驶汽车是指搭载先进的车载传感器、控制器、执行器等装置,具备复杂环境感知、智能决策、智能控制等功能的新一代汽车,是国际公认的未来交通和汽车的重要发展方向和关注焦点,目前已在高速公路、城市道路等进入小范围的测试应用。
轨迹规划是自动驾驶技术的重要一环,指在满足车辆动力学约束、运动学约束、避撞约束等约束情况下,按照给定的评价指标(例如通行时间,耗能等),在有限道路空间,寻找车辆从起始状态到目标状态的时空运动轨迹。
随着机动车数量的不断增多,城市道路相对变得越来越窄小和拥挤,常会出现不得不将车停在路肩或缓坡上的场景。这些场景和常见的高速公路上的二维平面轨迹规划不同,当经过这些区域时常会对自动驾驶汽车的方向角、加速度等进行一定约束限制,即这些场景具有区域依赖约束。
针对轨迹规划需求,面对日益增多的多种类型的规划约束,需要提出统一的规划框架,在涵盖多方面规划约束的前提下,保障规划速度和规划结果的最优。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
文本公开了一种轨迹规划方法、装置、电子设备和存储介质,针对轨迹规划问题提出了统一的轨迹规划框架。在此轨迹规划框架下,确定决策变量、目标函数,继而根据所须满足的优化约束求解所述目标函数,即可确定满足优化约束的轨迹规划结果,能够有效提升轨迹规划效果,充分满足自动驾驶的应用需求。
本公开实施例提供一种轨迹规划方法,包括,
根据行驶场景下的路径可跟踪属性,确定决策变量,并根据所述决策变量确定优化问题的目标函数;
根据行驶中的限制约束,设定优化问题的约束,根据所述优化问题的约束,求解所述目标函数以完成所述行驶场景的轨迹规划;
其中,所述路径可跟踪属性包括:有预定的可跟踪路径和没有预定的可跟踪路径。
本公开实施例还提供一种轨迹规划装置,包括,
目标函数确定模块,设置为根据行驶场景的路径可跟踪属性,确定决策变量,并根据所述决策变量确定优化问题的目标函数;
规划模块,设置为根据行驶中的限制约束,设定优化问题的约束;根据所述优化问题的约束,求解所述目标函数以完成所述行驶场景的轨迹规划;
其中,所述路径可跟踪属性,包括:有预定的可跟踪路径和没有预定的可跟踪路径。
本公开实施例还提供一种电子设备,包括存储器或存储介质,和处理器,所述存储器或存储介质中存储有用于进行轨迹规划的计算机程序,所述处理器被设置为读取并运行所述用于进行轨迹规划的计算机程序以执行上述任一种轨迹规划方法。
本公开实施例还提供一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一种轨迹规划方法。
在阅读并理解了附图和详细描述后,可以明白其他方面。
附图说明
图1为本公开实施例中一种轨迹规划方法的流程图;
图2为本公开另一实施例中一种轨迹规划方法的流程图;
图3为本公开另一实施例中一种轨迹规划方法的流程图;
图4为本公开实施例中一种轨迹规划装置的结构示意图;
图5为本公开示例一中路肩区域对前轮转向角限制示意图;
图6为本公开示例一中路肩区域对前轮转向角约束数学表达示意图;
图7为本公开示例二中斜坡区域车辆朝向限制示意图;
图8为本公开示例二中斜坡区域对车辆朝向限制约束数学表达示意图;
图9为本公开示例三中自动矿车受转弯区域速度限制示意图;
图10为本公开示例三中轨迹规划得到的速度曲线;
图11为本公开示例四中在斜坡区域采用本公开的轨迹规划方法和用其他方法规划的轨迹;
图12为本公开示例四中在斜坡区域采用本公开的轨迹规划方法和用其他方法得到的车辆前进方向曲线。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其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至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“连接”、“固定”等应做广义理解,例如,“固定”可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
另外,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
面对日益增多的多种类型的规划约束,在兼顾日益复杂的轨迹规划需求和不断提升的实时性规划要求的同时,本公开实施例提出了一种统一的规划方案(框架),将轨迹规划问题描述为优化问题,在涵盖多方面规划(优化)约束的前提下,能得到最优的规划结果,并保障应用所需的规划速度。一些示例性实施例方案,能够解决区域依赖对轨迹规划的限制,得到满足车辆运动学、避撞约束等的指定评价目标下最优的轨迹。
本公开实施例提供一种轨迹规划方法,如图1所示,包括,
步骤101,根据行驶场景下的路径可跟踪属性,确定决策变量,并根据所述决策变量确定优化问题的目标函数;
步骤102,根据行驶中的限制约束,设定优化问题的约束,根据所述优化问题的约束,求解所述目标函数以完成所述行驶场景的轨迹规划;
其中,所述路径可跟踪属性包括:有预定的可跟踪路径和没有预定的可跟踪路径。
其中,有预定的可跟踪路径是指行驶场景下行驶设备的行驶路径是预先确定的。例如,露天自动矿车在矿区的自动行驶路径,自动矿车沿固定的运输路线往返于装卸点和倾倒点之间,不会出现高速公路场景中常见的变道和超车现象;或者,物流园区或仓库中,物流车/机器人的自动行驶路径等。由于这些场景下行驶环境相对封闭,其具体的行驶路径可以被预先确定,一般无需随意调整行驶路径。
没有预定的可跟踪路径是指行驶场景下行驶设备的行驶路径不是预先确定的,这是相对于有预定的可跟踪路径而言的情况。例如无人驾驶汽车,在街道或高速公路上的行驶路径,是无法预先确定的。这些场景下的行驶环境较为开放,行驶路径将受到很多因素的影响,自动驾驶系统需要考虑多方面因素对行驶路径进行调整。
一些示例性实施例中,所述根据行驶场景下的路径可跟踪属性,确定决策变量,包括:
所述路径可跟踪属性为有预定的可跟踪路径,确定第一决策变量;
其中,所述第一决策变量包括:所述行驶场景中行驶路线上多个位置采样点对应的时间信息。
可以看到,所述路径可跟踪属性为有预定的可跟踪路径的情况下,自动行驶的行驶设备的横向运动不需要在线重新规划,可以使用典型的转向控制器使其沿着预定的行驶路线行驶。因此,在这种场景下的轨迹规划中可以只考虑行驶设备的纵向运动,即一维运动。
在此场景下,所确定的决策变量被称为第一决策变量,包括所述行驶场景中行驶路线上多个位置采样点对应的时间信息。
一些示例性实施例中,选取行驶路线沿线的行驶距离作为一系列空间位置,将自动驾驶设备沿行驶路线的行驶距离均匀采样为N个采样间隔为δ的空间位置,选取相应的时间点t=[t1,...,tN]为第一决策变量,N为大于1的整数。
在此场景下,确定第一决策变量,并根据该第一决策变量确定对应的优化问题的目标函数,进一步根据设定的优化问题的约束,求解所述目标函数以完成所述行驶场景的轨迹规划。可以看到,该轨迹规划方案中只考虑行驶设备的纵向运动,即一维运动,因此该轨迹规划方案也称为一维轨迹规划方法。所述优化问题的约束又称为优化约束,是根据行驶场景中的限制约束进行设定的,用于求解所述优化问题的目标函数。
一些示例性实施例中,所述行驶中的限制约束至少包括以下之一:
区域依赖约束、运动学约束、避撞约束。
一些示例性实施例中,所述根据行驶中的限制约束,设定优化问题的约束,根据所述优化问题的约束,求解所述目标函数以完成所述行驶场景的轨迹规划,包括:
根据所述第一决策变量,将所述行驶中的限制约束转换为与第一决策变量相关的变量约束,将所述变量约束设定为所述优化问题的约束;
根据所设定的优化问题的约束,求解所述目标函数以完成所述行驶场景的轨迹规划。
一些示例性实施例中,所述根据行驶中的限制约束,设定优化问题的约束,根据所述优化问题的约束,包括:
所述区域依赖约束包括:预设区域的速度约束和/或预设区域的加速度约束;
所述根据行驶中的限制约束,设定优化问题的约束,包括:
根据所述行驶场景中行驶路线上多个位置采样点对应的时间信息,将所述预设区域的速度约束转换为以位置采样点的时间信息所体现的速度约束;
和/或,
根据所述行驶场景中行驶路线上多个位置采样点对应的时间信息,将所述预设区域的加速度约束转换为以位置采样点的时间信息所体现的加速度约束;
将转换后得到的速度约束和/或加速度约束设定为所述优化问题的约束。
一些示例性实施例中,自动行驶设备在每个空间位置(采样点)的速度值vi可以近似为:
自动行驶设备在每个空间位置的加速度值ai可以近似为:
ti为第i个采样点对应的时间,ti+1为第i+1个采样点对应的时间,vi为第i个采样点对应的速度,vi+1为第i+1个采样点对应的速度,δ为采样点之间的间隔距离。
一些示例性实施例中,运动学约束包括:速度约束和/或加速度约束;
运动学约束中速度约束:
自动行驶设备对速度值vi的限制需小于最大速度vmax:
运动学约束中加速度约束:
自动行驶设备对加速度ai的限制为需处于最小加速度amin与最大加速度amax之间:
此约束为非线性,为消除约束的非线性影响,由于
可得到一个简单但限制性更强的加速度约束:
可以看到,上述示例性实施例中,根据第一决策变量将运动学约束中的速度约束对应转换为如(3)所示的基于第一决策变量的速度约束;根据第一决策变量将运动学约束中的加速度约束对应转换为如(4)或(5)所示的基于第一决策变量的加速度约束。
一些示例性实施例中,在一些区域如转弯场景常会对自动行驶设备的速度值vj进行限制,使之处于区域最小速度vjmin和最大速度vjmax之间,这些所在此区域的时间点j的集合用Ω表示:
可以看到,区域依赖约束中有关预设区域中速度的约束,根据第一决策变量将区域依赖约束中的预设区域的速度约束对应转换为如(6)所示的基于第一决策变量的速度约束。
一些示例性实施例中,当车辆需爬坡或下坡时需要对车辆的加速度aj进行限制,使之处于区域最小加速度ajmin和最大加速度ajmax之间:
采用(4)->(5)转换中同样的处理方式,
可以看到,区域依赖约束中有关预设区域中加速度的约束,根据第一决策变量将区域依赖约束中的预设区域的加速度约束对应转换为如(7)所示的基于第一决策变量的加速度约束。
一些示例性实施例中,一维轨迹规划下的避撞约束为自动行驶设备与其他行驶设备在到达同一地点时的时间差需大于一定时间间隔Δt,即:
|tC j-tC o|≥Δt (8),
其中tC j为自车(本行驶设备)到达汇聚点的时间,tC o为其他车(其他行驶设备)到达汇聚点的时间,Δt为安全时间间隔。
可以看到,对于避撞约束,根据第一决策变量将避撞约束中的约束条件对应转换为如(8)所示的基于第一决策变量所体现的变量约束,即采用两车的第一决策变量来体现避撞约束。
一些示例性实施例中,一维轨迹规划下的所述限制约束还可以包括其他类型的约束,根据上述示例,根据其他类型的约束与第一决策变量的关系,将其他类型的约束转换为基于所述第一决策变量中的部分或全部变量的变量约束,设定为相应的优化问题的约束(优化约束)即可。即通过所述第一决策变量中的部分或全部变量来体现相关限制约束。
对于一维轨迹规划问题,通常是根据不同的驱动需求来选择需要优化的目标函数,也称为优化问题的目标函数。目标函数通常定义为车辆的位置、速度和加速度的多项式函数。
一些示例性实施例中,所述目标函数至少包括以下函数之一:
通行效率函数、耗能函数和平稳性函数;
其中,所述通行效率函数指示在所述行驶场景中的行驶总时长;
所述耗能函数指示在所述行驶场景中的行驶总能耗;
所述平稳性函数指示在所述行驶场景中的行驶平稳度。
一些示例性实施例中,通行效率越高要求运输(行驶)总时长最小,表示通行效率的目标函数(也称为通行效率函数)J1为:
J1=tN-t0 (9)
其中,t0为起点对应的时间,tN为终点(采样点N)对应的时间。
一些示例性实施例中,行驶设备的耗能一般与设备的行驶速度和加速度有关,可以用关于决策变量的函数F(ti+1-ti)表示耗能的目标函数J2(也称为耗能函数):
其中,ti为第i个采样点对应的时间,ti+1为第i+1个采样点对应的时间。函数F(x)不限于特定形式,能够体现耗能与部分或全部第一决策变量的关系即可。
一些示例性实施例中,为使车辆能平稳行驶,常通过最小化加速度的二范数来实现速度平滑\平稳,此时平稳性的目标函数J3(也称为平稳性函数)为:
其中,ai为第i个采样点对应的加速度。根据加速度与速度和采样点时间ti的关系,可以进一步变换(11)以得到与第一决策变量相关的目标函数。
需要说明的是,不论一维轨迹规划方案还是二维轨迹规划方案,都可以包含上述目标函数中的一个或多个。一些示例性实施例中,所述目标函数包括上述多个函数时,所述目标函数为多个目标函数的运算结果,可以是相加,加权相加;或者其他运算;根据规划需求确定,不限于本公开示例的特定方式。
一些示例性实施例中,步骤102包括:根据所设定的优化问题的约束,对步骤101所确定目标函数求解,以完成所述行驶场景的轨迹规划。即,根据转换后所得到优化约束求解所述目标函数,以进行所述行驶场景下的轨迹规划。
一些示例性实施例中,由于所有的约束都被表述或转换为线性约束,因此,若目标函数是线性的,所得到的轨迹规划问题可以用现成的线性规划求解器有效地解决。当目标函数为非线性时,可以采用在交通工程应用中表现出很大应用价值的Frank-Wolfe算法来有效地解决轨迹规划问题。本领域技术人员可以根据相关技术方案实现步骤102,具体求解方法不包括在本申请限定的范围内。
需要说明的是,在所述路径可跟踪属性为有预定的可跟踪路径场景下,确定第一决策变量后,所涉及的行驶中的限制约束(也称为规划约束)对应转换为与全部或部分第一决策变量相关的变量约束,被优化的目标函数也是根据全部或部分第一决策变量所确定的目标函数,在此框架下根据转换后的变量约束求解所述目标函数,即可得到轨迹规划结果。
一些示例性实施例中,所述根据行驶场景的路径可跟踪属性,确定决策变量,包括:
所述路径可跟踪属性为没有预定的可跟踪路径,确定第二决策变量;
其中,所述第二决策变量包括:所述行驶场景中行驶路线上多个时间采样点对应的行驶设备的状态信息和所述行驶路线对应的总时长。
可以看到,所述路径可跟踪属性为没有预定的可跟踪路径时,自动行驶的行驶设备的纵向运动和横向运动都需要在线重新规划,需要在有限道路空间,寻找一条从起始状态到目标状态的时空运动轨迹,需要考虑行驶设备的横向运动和纵向运动,即二维运动。
在此场景下,所确定的决策变量被称为第二决策变量,包括所述行驶场景中行驶路线上多个时间采样点对应的行驶设备的状态信息和所述行驶路线对应的总时长。
一些示例性实施例中,设时空轨迹可以用一系列航点x来刻画,
x=[x(0),x(1),…,x(N)]T
一共有N个轨迹点,N为大于1的整数,tf为整个轨迹行驶时间。
其中,P(k)=[px(k),py(k)]T表示车辆在时刻的位置,θ(k),v(k),分别表示车辆在时刻的朝向(方向)、速度以及车轮转向角(或称为转向角);车辆的朝向θ(k)定义为车辆前进方向与水平线的夹角,转向角定义为车轮朝向与车辆前进方向的夹角,确定第二决策变量为x=[x(0),x(1),…,x(N),tf]T。k为大于或等于0,小于或等于N的整数,表示第k个时间采样点。
在此场景下,确定第二决策变量,并根据该第二决策变量确定对应的优化问题的目标函数,进一步根据设定的优化问题的约束,求解所述目标函数以完成所述行驶场景的轨迹规划。可以看到,该轨迹规划方案中考虑了行驶设备的纵向运动和横向运动,即二维运动,因此该轨迹规划方案也称为二维轨迹规划方案。所述优化问题的约束又称为优化约束,是根据行驶场景中的限制约束进行设定的,用于求解所述优化问题的目标函数。
一些示例性实施例中,所述行驶中的限制约束至少包括以下之一:
区域依赖约束、运动学约束、避撞约束。
一些示例性实施例中,所述根据行驶中的限制约束,设定优化问题的约束,根据所述优化问题的约束,求解所述目标函数以完成所述行驶场景的轨迹规划,包括:
根据所述第二决策变量,将所述行驶中的限制约束转换为与第二决策变量相关的变量约束,将所述变量约束设定为所述优化问题的约束;
根据所设定的优化问题的约束,求解所述目标函数以完成所述行驶场景的轨迹规划。
一些示例性实施例中,所述路径可跟踪属性为没有预定的可跟踪路径,所述行驶中的限制约束包括区域依赖约束;
所述区域依赖约束至少包括以下之一:预设区域的速度约束、预设区域的加速度约束、预设区域的朝向约束和预设区域的车轮转向角约束;
所述行驶设备的状态信息包括:行驶设备的位置信息;所述行驶设备的状态信息还至少包括以下之一:行驶设备的速度信息、朝向信息和车轮转向角信息;
其中,所述根据行驶中的限制约束,设定优化问题的约束,包括:
根据所述行驶场景中行驶路线上多个时间采样点对应的行驶设备的位置信息,将所述区域依赖约束中包括的区域转换为以时间采样点的位置信息所体现的区域约束;
根据所述行驶场景中行驶路线上多个时间采样点对应的行驶设备的状态信息,将所述区域依赖约束转换为以时间采样点的状态信息所体现的状态限制约束;
将转换后得到的区域约束和状态限制约束设定为所述优化问题的约束。
一些示例性实施例中,所述根据所述行驶场景中行驶路线上多个时间采样点对应的行驶设备的状态信息,将所述区域依赖约束转换为以时间采样点的状态信息所体现的状态限制约束,至少包括以下之一:
根据所述行驶场景中行驶路线上多个时间采样点对应的行驶设备的朝向信息,将所述预设区域的朝向约束转换为以时间采样点的朝向信息所体现的朝向约束;
根据所述行驶场景中行驶路线上多个时间采样点对应的行驶设备的车辆转向角信息,将所述预设区域的车轮转向角约束转换为以时间采样点的车辆转向角信息所体现的车轮转向角约束;
根据所述行驶场景中行驶路线上多个时间采样点对应的行驶设备的速度信息,将所述预设区域的速度约束转换为以时间采样点的速度信息所体现的速度约束;
根据所述行驶场景中行驶路线上多个时间采样点对应的行驶设备的速度信息,将所述预设区域的加速度约束转换为以时间采样点的速度信息所体现的加速度约束。
一些示例性实施例中,运动学约束至少包括以下约束之一:速度约束、加速度约束和离散运动学约束;
运动学约束中速度约束:
自动行驶设备对速度值vi的限制需小于最大速度vmax:
v(k)≤vmax (12);
运动学约束中加速度约束:
自动行驶设备对加速度a(k)的限制为需处于最小加速度amin与最大加速度amax之间:
amin≤a(k)≤amax
运动学约束中离散运动学约束为:
其中Lm为车辆前轮至后轮间的距离。
可以看到,上述示例性实施例中,根据第二决策变量将运动学约束中的速度约束对应转换为如(12)所示的基于第二决策变量的速度约束;根据第二决策变量将运动学约束中的加速度约束对应转换为如(13)所示的基于第二决策变量的加速度约束;根据第二决策变量将运动学约束中的离散运动学约束对应转换为如(14)-(16)所示的基于第二决策变量的离散运动学约束。
一些示例性实施例中,由地形带来的区域约束各式各样,如在转弯时需要对车辆的速度进行限制,在经过台阶时需要对车辆的朝向进行限制,在经过路肩时需要对车辆前轮角度进行限制。这些区域约束的一大特征为只有当进入特定区域时,该约束才起作用。由于无法确定是哪一部分的轨迹点,或者说无法得知车辆何时进入、何时离开特定区域,首先建立一个对所有轨迹点都施加的等式约束,使其只有在经过特定区域时才起作用。
设区域的表达式为gs(px(k),py(k)),只有当轨迹点在此区域时gs(px(k),py(k))≠0,否则gs(px(k),py(k))=0 (17);
该约束(17)也称为区域约束;即将所述区域依赖约束中包括的具有约束要求的区域转换为以时间采样点的位置信息所体现的区域约束。
设区域依赖约束对第二决策变量的限制表达式为gc(χ(k)),则只有当轨迹点在此区域时gc(χ(k))=0,否则gc(χ(k))≠0 (18)。
该约束(18)也称为状态限制约束;即将所述区域依赖约束转换为以时间采样点的状态信息所体现的对应的状态限制约束。
因此,对所有轨迹点都施加的区域依赖约束可表示为:
gs(px(k),py(k))*gc(χ(k))=0 (19)
此表达(19)能够体现所有的区域依赖约束。可以看到,根据第二决策变量将区域依赖约束中包含的具体限制约束对应转换为如(19)所示的基于第二决策变量的变量约束。
一些示例性实施例中,二维轨迹规划下的避撞约束为自动行驶设备的中心与其他设备或障碍物的中点的距离要大于一定安全间隔,即:
d(P(k),Om(k))≥Δr,m=1,...,q, (20)
其中d(P(k),Om(k))为自车(本行驶设备)与第m个障碍物Om(k)在时刻k下的距离,q为障碍物总数,Δr为安全距离。
可以看到,对于避撞约束,根据第二决策变量将避撞约束中的约束限制条件对应转换为如(20)所示的基于第二决策变量所体现的变量约束,即采用第二决策变量相关的函数来体现避撞约束。
一些示例性实施例中,二维轨迹规划下的所述限制约束还可以包括其他类型的约束,根据上述示例,根据其他类型的约束与第二决策变量的关系,将其他类型的约束转换为基于所述第二决策变量中的部分或全部变量的变量约束,设定为相应的优化问题的约束(优化约束)即可。即通过所述第二决策变量中的部分或全部变量来体现相关限制约束。
对于二维轨迹规划问题,通常是根据不同的驱动需求来选择需要优化的目标函数,也称为优化问题的目标函数。目标函数通常定义为车辆的位置、速度和加速度的多项式函数。
一些示例性实施例中,所述目标函数至少包括以下函数之一:
通行效率函数、耗能函数和平稳性函数;
其中,所述通行效率函数指示在所述行驶场景中的行驶总时长;
所述耗能函数指示在所述行驶场景中的行驶总能耗;
所述平稳性函数指示在所述行驶场景中的行驶平稳度。
一些示例性实施例中,通行效率越高要求运输(行驶)总时长最小,表示通行效率的目标函数(也称为通行效率函数)J1为:
J1=tf (21)
其中,tf为整个轨迹行驶时间。可以看到,这时目标函数也对应被确定为基于部分或全部第二决策变量的函数。
一些示例性实施例中,行驶设备的耗能一般与设备的行驶速度和加速度有关,可用包含速度和加速度的函数F(v(k),a(k))表示耗能的目标函数J2(也称为耗能函数):
一些示例性实施例中,为使车辆能平稳行驶,常通过最小化加速度的二范数来实现速度平滑\平稳,此时平稳性的目标函数J3(也称为平稳性函数)为:
同样需要说明的是,不论一维轨迹规划方案还是二维轨迹规划方案,都可以包含上述目标函数中的一个或多个。一些示例性实施例中,所述目标函数包括上述多个函数时,所述目标函数为多个目标函数的运算结果,可以是相加,加权相加;或者其他运算;根据规划需求确定,不限于本公开示例的特定方式。
相较一维的轨迹规划,二维的轨迹规划中有些约束为非线性约束,无法被线性规划求解器有效地解决。二维的轨迹规划优化问题为非凸非线性优化问题,可以采用在非凸优化问题中表现优异的原对偶内点算法来有效地解决轨迹规划问题。
一些示例性实施例中,步骤102中的优化问题为非凸非线性优化问题,为使求解能快速收敛到一个合适的局部最优解,通过限制Hybrid A*算法的图链接关系改进Hybrid A*算法以找到合适的初始解;或者,也可采用其他解方法来寻找合适初始解来加速在确定的优化约束下求解目标函数。本领域技术人员可以根据相关技术方案实现步骤102,具体求解方法不包括在本申请限定的范围内。
需要说明的是,在所述路径可跟踪属性为没有预定的可跟踪路径场景下,确定第二决策变量后,所涉及的行驶中的限制约束(也称为规划约束)对应转换为与全部或部分第二决策变量相关的变量约束,被优化的目标函数也是根据全部或部分第二决策变量所确定的目标函数,在此框架下根据转换后的变量约束求解所述目标函数,即可得到轨迹规划结果。
可以看到,本公开实施例所提供的轨迹规划方法,提出了统一的轨迹规划方法(框架)。在此轨迹规划框架下,根据行驶场景下的路径可跟踪属性,确定对应的决策变量、目标函数,继而根据所须满足的优化约束求解所述目标函数,即可确定满足优化约束的轨迹规划结果,能够有效提升轨迹规划的执行速度,充分满足自动驾驶的应用需求。
在一些示例性实施例中,在自动驾驶汽车实际推广应用中需面对各式各样的地形,这些地形带来的区域依赖约束复杂多样,如在转弯时需要对车辆的速度进行限制,在爬坡时需要对车辆的加速度限制,在经过路肩时为保护车辆轮胎需要对车辆前轮角度进行限制,区域依赖约束给自动驾驶的轨迹规划增添了许多困难。
在机器人轨迹规划中常用的基于图搜索和基于采样的轨迹规划方法虽可处理区域依赖约束,但是当将自动驾驶汽车的复杂运动学等约束加进后,常会用降低图栅格的分辨率或采样点密度,来保证在较短时间内可找到符合车辆运动学的约束的轨迹。此会导致轨迹非光滑,而自动驾驶为满足乘车舒适性对轨迹光滑的要求很高。这些方法需加上轨迹平滑的后处理步骤,但在轨迹平滑时却无法严格保证后处理的轨迹能严格满足自动驾驶汽车的各种复杂约束。
基于优化的轨迹规划方法可以很好的考虑车辆动力学约束,但是不知区域依赖约束对哪些时刻下的轨迹决策变量产生约束,很难对变量施加区域依赖约束。现有方法用初始轨迹粗略的判断经过区域的分割时刻来施加区域依赖约束,但此会导致最终解的质量与约束满足情况严重依赖于初始轨迹的质量。若初始轨迹不合理,很难找到一条满足区域依赖约束的可行轨迹。
可以看到,相关技术中的已有轨迹规划框架很难统一处理包含区域依赖约束在内的各种复杂约束限制。
本公开中一些示例性实施例所提供的轨迹规划方案,是解决具有区域依赖约束限制的轨迹规划方案,可帮助自动驾驶汽车解决具有区域依赖约束的轨迹规划问题,推动自动驾驶汽车在各种复杂场景下的应用。
本公开实施例还提供一种轨迹规划方法,如图2所示,包括,
步骤201,根据行驶场景下的路径可跟踪属性为有预定的可跟踪路径,确定第一决策变量,并根据所述第一决策变量确定优化问题的目标函数;
步骤202,根据行驶中的区域依赖约束,设定优化问题的约束,根据所述优化问题的约束,求解所述目标函数以完成所述行驶场景的轨迹规划;
其中,区域依赖约束包括:预设区域的速度约束;或,预设区域的加速度约束;或,预设区域的速度约束和预设区域的加速度约束;
所述第一决策变量包括:所述行驶场景中行驶路线上多个位置采样点对应的时间信息。
一些示例性实施例中,所述第一决策变量为前述实施例中的t=[t1,...,tN]。
一些示例性实施例中,步骤202包括:
步骤2021,根据所述行驶场景中行驶路线上多个位置采样点对应的时间信息,将所述预设区域的速度约束转换为以位置采样点的时间信息所体现的速度约束,将转换后得到速度约束设定为优化问题的约束;
步骤2022,根据所设定的优化问题的约束,求解所述目标函数以完成所述行驶场景的轨迹规划。
一些示例性实施例中,上述步骤2021可以采用与前述(6)相关的方法将预设区域的速度约束转换为以位置采样点的时间信息所体现的速度约束,具体步骤参照(6)相关方面,在此不再赘述。
一些示例性实施例中,步骤202包括:
步骤2021,根据所述行驶场景中行驶路线上多个位置采样点对应的时间信息,将所述预设区域的加速度约束转换为以位置采样点的时间信息所体现的加速度约束,将转换后得到加速度约束设定为优化问题的约束;
步骤2022,根据所设定的优化问题的约束,求解所述目标函数以完成所述行驶场景的轨迹规划。
一些示例性实施例中,上述步骤2021可以采用与前述(7)相关的方法将预设区域的加速度约束转换为以位置采样点的时间信息所体现的加速度约束,具体步骤参照(7)相关方面,在此不再赘述。
一些示例性实施例中,步骤202包括:
步骤2021,根据所述行驶场景中行驶路线上多个位置采样点对应的时间信息,将所述预设区域的速度约束转换为以位置采样点的时间信息所体现的速度约束,将转换后得到速度约束设定为优化问题的约束;
步骤2022,根据所述行驶场景中行驶路线上多个位置采样点对应的时间信息,将所述预设区域的加速度约束转换为以位置采样点的时间信息所体现的加速度约束,将转换后得到加速度约束也设定为优化问题的约束;
步骤2023,根据所设定的优化问题的约束,求解所述目标函数以完成所述行驶场景的轨迹规划。可以看到,此时所设定的优化问题的约束包括转换后的速度约束和加速度约束。
一些示例性实施例中,上述步骤2021可以采用与前述(6)相关的方法将预设区域的速度约束转换为以位置采样点的时间信息所体现的速度约束,具体步骤参照(6)相关方面,在此不再赘述。上述步骤2022可以采用与前述(7)相关的方法将预设区域的加速度约束转换为以位置采样点的时间信息所体现的加速度约束,具体步骤参照(7)相关方面,在此不再赘述。
其他相似的步骤参照前述实施例相关步骤。
本公开实施例还提供一种轨迹规划方法,如图3所示,包括,
步骤301,根据行驶场景下的路径可跟踪属性为没有预定的可跟踪路径,确定第二决策变量,并根据所述第二决策变量确定优化问题的目标函数;
步骤302,根据行驶中的区域依赖约束,设定优化问题的约束,根据所述优化问题的约束,求解所述目标函数以完成所述行驶场景的轨迹规划;
其中,区域依赖约束至少包括以下之一:预设区域的速度约束、预设区域的加速度约束、预设区域的朝向约束和预设区域的车轮转向角约束。即,区域约束包括这三种约束中的一种或多种。
其中,所述第二决策变量包括:所述行驶场景中行驶路线上多个时间采样点对应的行驶设备的状态信息和所述行驶路线对应的总时长。
一些示例性实施例中,所述行驶设备的状态信息包括:行驶设备的位置信息;所述行驶设备的状态信息还至少包括以下之一:行驶设备的速度信息、朝向信息和车轮转向角信息;即行驶设备的状态信息包括行驶设备的位置信息和其他信息中的一种或多种。例如,包括:位置信息和朝向信息;或者,包括:位置信息和车轮转向角信息;或者,位置信息和速度信息。
一些示例性实施例中,所述第二决策变量为前述实施例中的x=[x(0),x(1),…,x(N),tf]T。可选地,x(k)可以包括P(k)=[px(k),py(k)]T,中的部分或全部。根据路径规划需求和优化约束确定,不限于特定方式。
一些示例性实施例中,步骤302包括:
步骤3021,根据所述行驶场景中行驶路线上多个时间采样点对应的行驶设备的位置信息,将所述区域依赖约束中包括的区域转换为以时间采样点的位置信息所体现的区域约束;
步骤3022,根据所述行驶场景中行驶路线上多个时间采样点对应的行驶设备的状态信息,将所述区域依赖约束转换为以时间采样点的状态信息所体现的对应的状态限制约束;
步骤3023,将所述区域约束和状态限制约束设定为优化问题的约束,并根据所述优化问题的约束,求解所述目标函数以完成所述行驶场景的轨迹规划。
可以看到,步骤2023中根据转换后所得到的区域约束和状态限制约束,求解所述目标函数以完成该行驶场景下的轨迹规划。
一些示例性实施例中,上述步骤3021可以采用与前述(17)相关的方法将所述区域依赖约束中包括的区域转换为以时间采样点的位置信息所体现的区域约束,具体步骤参照(17)相关方面,在此不再赘述。
一些示例性实施例中,步骤3022至少包括以下之一:
步骤30221,根据所述行驶场景中行驶路线上多个时间采样点对应的行驶设备的朝向信息,将所述预设区域的朝向约束转换为以时间采样点的朝向信息所体现的朝向约束;
步骤30222,根据所述行驶场景中行驶路线上多个时间采样点对应的行驶设备的车轮转向角信息,将所述预设区域的车轮转向角约束转换为以时间采样点的车轮转向角信息所体现的车轮转向角约束;
步骤30223,根据所述行驶场景中行驶路线上多个时间采样点对应的行驶设备的速度信息,将所述预设区域的速度约束转换为以时间采样点的速度信息所体现的速度约束;
步骤30224,根据所述行驶场景中行驶路线上多个时间采样点对应的行驶设备的速度信息,将所述预设区域的加速度约束转换为以时间采样点的速度信息所体现的加速度约束。
一些示例性实施例中,上述步骤30221-30224可以采用与前述(18)相关的方法将所述预设区域的朝向约束\车轮转向角约束\速度约束\加速度约束转换为以时间采样点的状态信息所体现的朝向约束\转向角约束\速度约束\加速度约束,统称为状态限制约束,具体步骤参照(18)相关方面,在此不再赘述。
一些示例性实施例中,上述步骤3023包括:根据上述区域约束和所述状态限制约束得到转换后的区域依赖约束,可以采用与前述(19)相关的方法,转换为由第二决策变量所体现的区域依赖约束,具体步骤参照(19)相关方面,在此不再赘述。
其他相似的步骤参照前述实施例相关步骤。
本公开实施例还提供一种轨迹规划装置,如图4所示,包括,
目标函数确定模块401,设置为根据行驶场景的路径可跟踪属性,确定决策变量,并根据所述决策变量确定优化问题的目标函数;
规划模块402,设置为根据行驶中的限制约束,设定优化问题的约束;根据所述优化问题的约束,求解所述目标函数以完成所述行驶场景的轨迹规划;
所述路径可跟踪属性,包括:有预定的可跟踪路径和没有预定的可跟踪路径。
本公开实施例还提供一种电子装置,包括存储器或存储介质,和处理器,所述存储器或存储介质中存储有用于进行轨迹规划的计算机程序,所述处理器被设置为读取并运行所述用于进行轨迹规划的计算机程序以执行上述轨迹规划方法。
本公开实施例还提供一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述轨迹规划方法。
下面用几个场景来具体解释此区域依赖约束的构成。
示例一
路径可跟踪属性为没有预定的可跟踪路径的场景下,路肩区域转向角限制,如图5所示。当车辆经过路肩时为了保护车辆的轮胎和悬架,常需要车辆朝向尽量与路肩方向垂直,并要求前轮的转向角不能过小,即当
令
gs(px(k),py(k))=max(-ψ1(px(k)-xa)(px(k)-xb),0)·max(-ψ1(py(k)-ya)(py(k)-yb),0) (24)
其中ψ1,ψ2为任意大于0的系数因子。则路肩区域前轮转向角限制为:
gs(px(k),py(k))*gc(χ(k))=0 (19)
可用图6的图像表示。由于此等式约束使优化求解困难,通过罚函数形式将其隐含到目标函数上:minJ(x)+λ(gs(px(k),py(k))*gc(χ(k))),其中,J(x)是关于决策变量的原目标函数,λ是关于罚函数的惩罚因子,min表示最小化目标函数。从图6图像可以清晰的看出,在区域边界处罚函数为不光滑、非可微,为使此问题能被基于梯度的优化求解器求解,我们利用logsumexp函数对最大值函数进行平滑逼近:
当系数ψ1,ψ2越大时,logsumexp函数逼近原max函数的效果越好,可根据实际实验效果设置系数ψ1,ψ2的值。
示例二
路径可跟踪属性为没有预定的可跟踪路径的场景下,斜坡区域车辆朝向限制,如图7所示。在斜坡场景中,为防止车辆发生侧翻或者车辆掉下斜坡,常需要对车辆的前进方向进行限制。
如图7所示的场景,只有当车辆在斜坡上面,才对车辆的前进方向进行限制,此时区域指向型约束变为:
当xa≤px(k)≤xb,且,ya≤py(k)≤yb时,才要求θa≤θ(k)≤θb。
令
g1(px(k))=max(-ψ1(px(k)-xa)(px(k)-xb),0); (27)
g2(py(k))=max(-ψ1(py(k)-ya)(py(k)-yb),0); (28)
gs(px(k),py(k))=g1(px(k))·g2(py(k)); (29)
gc(θ(k))=max(ψ2(θa-θ(k)),0,ψ2(θ(k)-θb)); (30)
此斜坡区域约束可用图8的图像表示。
对斜坡区域车辆方向限制的后续处理如示例一所示,即用罚函数将约束惩罚到目标函数上,并用logsumexp函数来逼近。
下面用几个场景来具体示例轨迹规划的实施示例。
示例三
路径可跟踪属性为有预定的可跟踪路径的场景下,自动矿车受转弯区域速度限制的轨迹规划,其区域依赖约束如图9所示。
一辆自动矿车需沿着既定路线(蓝色虚线)通过一条弯道,在经过100m-150m区域时,为了保证车辆的安全,需要速度小于等于15km/h,其需要考虑车辆运动学约束、区域依赖的速度限制以及运输效率和轨迹平滑度组合的目标函数。
确定目标函数为:
相应地,用一维轨迹规划框架描述的轨迹规划问题为:
其中,权重ω1=1,ω2=0.05,min表示最小化目标函数(31)。
满足:
1)关于速度的运动学约束:
2)关于加速速度的运动学约束:
3)区域依赖的速度限制:
其中,vmax为25km/h,vjmax为15km/h,amin为-2m/s2,amax为2m/s2。自动矿车的初始速度设为10km/h,规划的路径长度为200m,距离采样间隔δ为2m。用Frank-Wolfe算法求解此优化问题,花费0.27s,规划出的速度变化曲线如图10所示,可见区域限制的速度约束已满足。
示例四
路径可跟踪属性为没有预定的可跟踪路径的场景下,自动驾驶汽车受斜坡区域朝向限制的轨迹规划,其区域依赖约束如图7所示。
将车近似看作质点,将决策变量简化,用一系列离散航点来刻画轨迹x,x=[x(0)T,x(1)T,....,x(N)T]T,其中x(k)=[px(k),py(k)]T表示车辆中心点位置,轨迹的步长为N,车辆的朝向θ(k)定义为车辆前进方向与水平线的夹角,设其可由前后轨迹点形成的切线近似,即
确定目标函数为:
相应地,用二维轨迹规划框架描述的轨迹规划问题为:
其中,min表示最小化目标函数(37)。
满足:
1)起始状态约束,要求车辆在初始时刻0时为车辆的起始状态x0
x(0)=x0 (39)
2)目标状态约束,要求每辆车在控制最终时刻N时为车辆的目标状态xN
x(N)=xN (40)
3)区域依赖的朝向约束
当xa≤px(k)≤xb,且,ya≤py(k)≤yb时,才要求θa≤θ(k)≤θb (41)
为了说明本公开实施例所提供方法的有效性,将本公开方法与Hybrid A*算法和固定点法进行了对比。Hybrid A*算法是经典的基于图搜索的轨迹规划方法,固定点则是依据初始轨迹粗略的判断经过区域的分割时刻点然后只对这些在区域内的固定点施加约束的轨迹求解算法。三种方法求解出的轨迹和车辆朝向的变化曲线如图11和12所示,从图中可见根据本公开实施例提供的方案规划的轨迹相较前两种方法更加平滑,从表1也可看出用本公开方法所求出的轨迹目标函数值要远低于其他方法。图12中,θb为上方2附近的水平虚线,θa为下方1附近的水平虚线。
表1三种方法的性能对比
需要说明的是,本公开实施例和示例中采用自动行驶的车辆进行方案说明,但并不限定本公开所提供方案的应用范围,除可以应用在自动驾驶及协同驾驶领域,还可应用在机器人小车、自动轮椅等机器人领域。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
Claims (11)
1.一种轨迹规划方法,其特征在于,包括,
根据行驶场景下的路径可跟踪属性,确定决策变量,并根据所述决策变量确定优化问题的目标函数;
根据行驶中的限制约束,设定优化问题的约束,根据所述优化问题的约束,求解所述目标函数以完成所述行驶场景的轨迹规划;
其中,所述路径可跟踪属性包括:有预定的可跟踪路径和没有预定的可跟踪路径。
2.根据权利要求1所述的方法,其特征在于,
所述根据行驶场景下的路径可跟踪属性,确定决策变量,包括:
所述路径可跟踪属性为有预定的可跟踪路径,确定第一决策变量;
其中,所述第一决策变量包括:所述行驶场景中行驶路线上多个位置采样点对应的时间信息;
或者,
所述路径可跟踪属性为没有预定的可跟踪路径,确定第二决策变量;
其中,所述第二决策变量包括:所述行驶场景中行驶路线上多个时间采样点对应的行驶设备的状态信息和所述行驶路线对应的总时长。
3.根据权利要求1所述的方法,其特征在于,
所述目标函数至少包括以下函数之一:
通行效率函数、耗能函数和平稳性函数;
其中,所述通行效率函数指示在所述行驶场景中的行驶总时长;
所述耗能函数指示在所述行驶场景中的行驶总能耗;
所述平稳性函数指示在所述行驶场景中的行驶平稳度。
4.根据权利要求1所述的方法,其特征在于,
所述行驶中的限制约束至少包括以下之一:
区域依赖约束、运动学约束、避撞约束。
5.根据权利要求1-4任一所述的方法,其特征在于,
所述根据行驶中的限制约束,设定优化问题的约束,包括:
根据所述决策变量,将所述行驶中的限制约束转换为与所述决策变量相关的变量约束,将所述变量约束设定为所述优化问题的约束。
6.根据权利要求2所述的方法,其特征在于,
所述路径可跟踪属性为有预定的可跟踪路径,所述行驶中的限制约束包括区域依赖约束;
所述区域依赖约束包括:预设区域的速度约束和/或预设区域的加速度约束;
所述根据行驶中的限制约束,设定优化问题的约束,包括:
根据所述行驶场景中行驶路线上多个位置采样点对应的时间信息,将所述预设区域的速度约束转换为以位置采样点的时间信息所体现的速度约束;
和/或,
根据所述行驶场景中行驶路线上多个位置采样点对应的时间信息,将所述预设区域的加速度约束转换为以位置采样点的时间信息所体现的加速度约束;
将转换后得到的速度约束和/或加速度约束设定为所述优化问题的约束。
7.根据权利要求2所述的方法,其特征在于,
所述路径可跟踪属性为没有预定的可跟踪路径,所述行驶中的限制约束包括区域依赖约束;
所述区域依赖约束至少包括以下之一:预设区域的速度约束、预设区域的加速度约束、预设区域的朝向约束和预设区域的车轮转向角约束;
所述行驶设备的状态信息包括:行驶设备的位置信息;
所述行驶设备的状态信息还至少包括以下之一:行驶设备的速度信息、朝向信息和车轮转向角信息;
所述根据行驶中的限制约束,设定优化问题的约束,包括:
根据所述行驶场景中行驶路线上多个时间采样点对应的行驶设备的位置信息,将所述区域依赖约束中包括的区域转换为以时间采样点的位置信息所体现的区域约束;
根据所述行驶场景中行驶路线上多个时间采样点对应的行驶设备的状态信息,将所述区域依赖约束转换为以时间采样点的状态信息所体现的状态限制约束;
将转换后得到的区域约束和状态限制约束设定为所述优化问题的约束。
8.根据权利要求7所述的方法,其特征在于,
所述根据所述行驶场景中行驶路线上多个时间采样点对应的行驶设备的状态信息,将所述区域依赖约束转换为以时间采样点的状态信息所体现的状态限制约束,至少包括以下之一:
根据所述行驶场景中行驶路线上多个时间采样点对应的行驶设备的朝向信息,将所述预设区域的朝向约束转换为以时间采样点的朝向信息所体现的朝向约束;
根据所述行驶场景中行驶路线上多个时间采样点对应的行驶设备的车轮转向角信息,将所述预设区域的车轮转向角约束转换为以时间采样点的车轮转向角信息所体现的车轮转向角约束;
根据所述行驶场景中行驶路线上多个时间采样点对应的行驶设备的速度信息,将所述预设区域的速度约束转换为以时间采样点的速度信息所体现的速度约束;
根据所述行驶场景中行驶路线上多个时间采样点对应的行驶设备的速度信息,将所述预设区域的加速度约束转换为以时间采样点的速度信息所体现的加速度约束。
9.一种轨迹规划装置,其特征在于,包括,
目标函数确定模块,设置为根据行驶场景的路径可跟踪属性,确定决策变量,并根据所述决策变量确定优化问题的目标函数;
规划模块,设置为根据行驶中的限制约束,设定优化问题的约束;根据所述优化问题的约束,求解所述目标函数以完成所述行驶场景的轨迹规划;
其中,所述路径可跟踪属性,包括:有预定的可跟踪路径和没有预定的可跟踪路径。
10.一种电子设备,包括存储器或存储介质,和处理器,其特征在于,所述存储器或存储介质中存储有用于进行轨迹规划的计算机程序,所述处理器被设置为读取并运行所述用于进行轨迹规划的计算机程序以执行所述权利要求1至8任一项中所述的方法。
11.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至8任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110485674.5A CN113110489B (zh) | 2021-04-30 | 2021-04-30 | 一种轨迹规划方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110485674.5A CN113110489B (zh) | 2021-04-30 | 2021-04-30 | 一种轨迹规划方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113110489A true CN113110489A (zh) | 2021-07-13 |
CN113110489B CN113110489B (zh) | 2023-03-10 |
Family
ID=76720849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110485674.5A Active CN113110489B (zh) | 2021-04-30 | 2021-04-30 | 一种轨迹规划方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113110489B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113799799A (zh) * | 2021-09-30 | 2021-12-17 | 中国第一汽车股份有限公司 | 一种安全补偿方法、装置、存储介质及电子设备 |
CN113848869A (zh) * | 2021-10-20 | 2021-12-28 | 北京三快在线科技有限公司 | 一种无人设备控制方法、装置、存储介质及电子设备 |
CN114750750A (zh) * | 2022-04-28 | 2022-07-15 | 南阳理工学院 | 一种自动泊车的最优跟踪控制方法、系统、设备和介质 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1122290A (zh) * | 1994-07-21 | 1996-05-15 | Gec阿尔斯托姆运输公司 | 自动驾驶系统以及在该系统中设定速度指令值的方法 |
CN103488174A (zh) * | 2013-09-16 | 2014-01-01 | 北京邮电大学 | 自动导引控制方法、控制装置及系统 |
US8918280B1 (en) * | 2011-05-17 | 2014-12-23 | Rockwell Collins, Inc. | Constraint processing as an alternative to flight management systems |
CN108725578A (zh) * | 2017-04-14 | 2018-11-02 | 华为技术有限公司 | 控制智能汽车行驶方向的方法和装置 |
CN108845568A (zh) * | 2018-04-27 | 2018-11-20 | 榛硕(武汉)智能科技有限公司 | 用于车辆自动驾驶的轨迹跟踪控制系统及其控制方法 |
CN109375632A (zh) * | 2018-12-17 | 2019-02-22 | 清华大学 | 自动驾驶车辆实时轨迹规划方法 |
CN109491389A (zh) * | 2018-11-23 | 2019-03-19 | 河海大学常州校区 | 一种具有速度约束的机器人轨迹跟踪方法 |
US20190086930A1 (en) * | 2017-09-18 | 2019-03-21 | Baidu Usa Llc | Speed optimization based on constrained smoothing spline for autonomous driving vehicles |
CN110134136A (zh) * | 2019-05-29 | 2019-08-16 | 清华大学 | 无人驾驶摩托车视觉导航系统 |
CN110160804A (zh) * | 2019-05-31 | 2019-08-23 | 中国科学院深圳先进技术研究院 | 一种自动驾驶车辆的测试方法、装置及系统 |
US20190346851A1 (en) * | 2018-05-11 | 2019-11-14 | Uber Technologies, Inc. | Initial Trajectory Generator for Motion Planning System of Autonomous Vehicles |
CN110780674A (zh) * | 2019-12-04 | 2020-02-11 | 哈尔滨理工大学 | 一种提高自动驾驶轨迹跟踪控制的方法 |
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 |
CN111399489A (zh) * | 2018-12-14 | 2020-07-10 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
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 |
CN111845774A (zh) * | 2020-07-20 | 2020-10-30 | 上海大学 | 一种基于横纵向协调的自动驾驶汽车动态轨迹规划及跟踪方法 |
CN112068545A (zh) * | 2020-07-23 | 2020-12-11 | 哈尔滨工业大学(深圳) | 一种无人驾驶车辆在十字路口的行驶轨迹规划方法、系统及存储介质 |
CN112319468A (zh) * | 2020-11-12 | 2021-02-05 | 上海伯镭智能科技有限公司 | 维持路肩间距的无人驾驶车道保持方法 |
CN112435504A (zh) * | 2020-11-11 | 2021-03-02 | 清华大学 | 一种车路协同环境下的集中式协同轨迹规划方法和装置 |
-
2021
- 2021-04-30 CN CN202110485674.5A patent/CN113110489B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1122290A (zh) * | 1994-07-21 | 1996-05-15 | Gec阿尔斯托姆运输公司 | 自动驾驶系统以及在该系统中设定速度指令值的方法 |
US8918280B1 (en) * | 2011-05-17 | 2014-12-23 | Rockwell Collins, Inc. | Constraint processing as an alternative to flight management systems |
CN103488174A (zh) * | 2013-09-16 | 2014-01-01 | 北京邮电大学 | 自动导引控制方法、控制装置及系统 |
CN108725578A (zh) * | 2017-04-14 | 2018-11-02 | 华为技术有限公司 | 控制智能汽车行驶方向的方法和装置 |
US20190086930A1 (en) * | 2017-09-18 | 2019-03-21 | Baidu Usa Llc | Speed optimization based on constrained smoothing spline for autonomous driving vehicles |
CN108845568A (zh) * | 2018-04-27 | 2018-11-20 | 榛硕(武汉)智能科技有限公司 | 用于车辆自动驾驶的轨迹跟踪控制系统及其控制方法 |
US20190346851A1 (en) * | 2018-05-11 | 2019-11-14 | Uber Technologies, Inc. | Initial Trajectory Generator for Motion Planning System of Autonomous Vehicles |
CN109491389A (zh) * | 2018-11-23 | 2019-03-19 | 河海大学常州校区 | 一种具有速度约束的机器人轨迹跟踪方法 |
CN111399489A (zh) * | 2018-12-14 | 2020-07-10 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
CN109375632A (zh) * | 2018-12-17 | 2019-02-22 | 清华大学 | 自动驾驶车辆实时轨迹规划方法 |
CN110134136A (zh) * | 2019-05-29 | 2019-08-16 | 清华大学 | 无人驾驶摩托车视觉导航系统 |
CN110160804A (zh) * | 2019-05-31 | 2019-08-23 | 中国科学院深圳先进技术研究院 | 一种自动驾驶车辆的测试方法、装置及系统 |
CN110780674A (zh) * | 2019-12-04 | 2020-02-11 | 哈尔滨理工大学 | 一种提高自动驾驶轨迹跟踪控制的方法 |
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 |
CN111845774A (zh) * | 2020-07-20 | 2020-10-30 | 上海大学 | 一种基于横纵向协调的自动驾驶汽车动态轨迹规划及跟踪方法 |
CN112068545A (zh) * | 2020-07-23 | 2020-12-11 | 哈尔滨工业大学(深圳) | 一种无人驾驶车辆在十字路口的行驶轨迹规划方法、系统及存储介质 |
CN112435504A (zh) * | 2020-11-11 | 2021-03-02 | 清华大学 | 一种车路协同环境下的集中式协同轨迹规划方法和装置 |
CN112319468A (zh) * | 2020-11-12 | 2021-02-05 | 上海伯镭智能科技有限公司 | 维持路肩间距的无人驾驶车道保持方法 |
Non-Patent Citations (2)
Title |
---|
KAI NINOMIYA等: "Planning Approaches to Constraint-Aware Navigation in Dynamic Environments" * |
付骁鑫;江永亨;黄德先;黄开胜;王京春;陆耿;: "一种新的实时智能汽车轨迹规划方法" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113799799A (zh) * | 2021-09-30 | 2021-12-17 | 中国第一汽车股份有限公司 | 一种安全补偿方法、装置、存储介质及电子设备 |
WO2023051398A1 (zh) * | 2021-09-30 | 2023-04-06 | 中国第一汽车股份有限公司 | 安全补偿方法、装置、存储介质及电子设备 |
CN113848869A (zh) * | 2021-10-20 | 2021-12-28 | 北京三快在线科技有限公司 | 一种无人设备控制方法、装置、存储介质及电子设备 |
CN113848869B (zh) * | 2021-10-20 | 2023-03-07 | 北京三快在线科技有限公司 | 一种无人设备控制方法、装置、存储介质及电子设备 |
CN114750750A (zh) * | 2022-04-28 | 2022-07-15 | 南阳理工学院 | 一种自动泊车的最优跟踪控制方法、系统、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113110489B (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113110489B (zh) | 一种轨迹规划方法、装置、电子设备和存储介质 | |
CN110187639B (zh) | 一种基于参数决策框架的轨迹规划控制方法 | |
EP3932761A1 (en) | Vehicle abnormal lane change control method, device and system | |
Li et al. | Development of a new integrated local trajectory planning and tracking control framework for autonomous ground vehicles | |
O'Brien et al. | Vehicle lateral control for automated highway systems | |
CN112193244B (zh) | 基于线性约束的自动驾驶车辆运动规划方法 | |
CN108919795A (zh) | 一种自动驾驶汽车换道决策方法及装置 | |
CN111717192A (zh) | 一种自动驾驶车辆的控制方法及系统 | |
EP4031428A1 (en) | Model-based design of trajectory planning and control for automated motor-vehicles in a dynamic environment | |
CN112896188B (zh) | 一种考虑前车遭遇的自动驾驶决策控制的系统 | |
CN112249008B (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
Ben-Messaoud et al. | Smooth obstacle avoidance path planning for autonomous vehicles | |
CN115257724A (zh) | 一种插电式混动汽车安全节能决策控制方法和系统 | |
Shi et al. | Trajectory planning of autonomous trucks for collision avoidance with rollover prevention | |
Ko et al. | Integrated path planning and tracking control of autonomous vehicle for collision avoidance based on model predictive control and potential field | |
Li et al. | Automatic lane change maneuver in dynamic environment using model predictive control method | |
CN117279814A (zh) | 车辆转弯期间的反向转向惩罚 | |
Yue et al. | Automated hazard escaping trajectory planning/tracking control framework for vehicles subject to tire blowout on expressway | |
LeBlanc et al. | A warning and intervention system to prevent road-departure accidents | |
Rahim et al. | A longitudinal speed controller for autonomous multi-trailer articulated heavy vehicles | |
CN115743174A (zh) | 考虑主动安全的自主驾驶车辆轨迹规划与跟踪控制方法 | |
CN112596516B (zh) | 基于Dubins曲线的多车队形切换方法 | |
CN112666950B (zh) | 一种基于超声波距离检测的无人驾驶汽车避障方法 | |
CN112706770B (zh) | 一种考虑线控转向迟滞的车辆汇入控制系统及方法 | |
Ghariblu et al. | Trajectory planning of autonomous vehicle in freeway driving |
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 |