CN113188562B - 可行驶区域的路径规划方法、装置、电子设备及存储介质 - Google Patents

可行驶区域的路径规划方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113188562B
CN113188562B CN202110740434.5A CN202110740434A CN113188562B CN 113188562 B CN113188562 B CN 113188562B CN 202110740434 A CN202110740434 A CN 202110740434A CN 113188562 B CN113188562 B CN 113188562B
Authority
CN
China
Prior art keywords
path
points
sampling
point
travelable area
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.)
Expired - Fee Related
Application number
CN202110740434.5A
Other languages
English (en)
Other versions
CN113188562A (zh
Inventor
刘炳
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.)
Neolithic Zhongyan Shanghai Technology Co ltd
Original Assignee
Neolix Technologies 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 Neolix Technologies Co Ltd filed Critical Neolix Technologies Co Ltd
Priority to CN202110740434.5A priority Critical patent/CN113188562B/zh
Publication of CN113188562A publication Critical patent/CN113188562A/zh
Application granted granted Critical
Publication of CN113188562B publication Critical patent/CN113188562B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34Route searching; Route guidance
    • G01C21/3453Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3492Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供一种可行驶区域的路径规划方法、装置、电子设备及存储介质。该方法应用于无人驾驶设备,即自动驾驶设备或无人车,包括:确定车辆的可行驶区域,并在可行驶区域内沿车辆起点按照随机采样的方式生成初始路径;对初始路径执行简化操作得到简化路径,简化路径中包含对初始路径中的路径点进行简化操作得到的路径关键点;对简化路径中的所有路径关键点同时进行智能采样,并确定智能采样后的路径,基于路径点与可行驶区域的边界之间的距离以及路径总长度,对智能采样前后的路径进行筛选;根据筛选结果生成最终路径,以使车辆沿最终路径在可行驶区域内行驶。本公开能够提升路径规划结果的科学性和适用性,实现可行驶区域路径规划的全局最优。

Description

可行驶区域的路径规划方法、装置、电子设备及存储介质
技术领域
本公开涉及无人驾驶技术领域,尤其涉及一种可行驶区域的路径规划方法、装置、电子设备及存储介质。
背景技术
无人驾驶的路径规划技术是自动驾驶车辆的核心技术之一。自动驾驶车辆在行驶过程中,车辆的周边环境信息除了高精地图,障碍物信息之外,还包括可行驶区域。可行驶区域可以用来表示车辆周边可以行驶且不会碰撞的具体区域,该区域信息比高精地图更精确,并且可以通过自动驾驶车辆上的传感器实时获取。
在现有技术中,使用高精地图进行路径规划时,往往无法处理一些极端场景下的路径规划问题,例如:车辆前方道路被路侧停车挡住,而车辆所在车道又是实线时,基于高精地图的运动规划无法跨越实线变道绕行;另外,现有的针对可行驶区域的路径规划算法,通常只将车辆视为一个点,使得路径规划的结果不够科学,并且在进行路径优化时,只依次对单个点进行优化,容易陷入局部最优困境。
基于现有技术,需要提供一种能使路径规划结果更加科学,适用性更强,避免陷入局部最优困境的可行驶区域路径规划方案。
发明内容
有鉴于此,本公开实施例提供了一种可行驶区域的路径规划方法、装置、电子设备及存储介质,以解决现有技术存在的路径规划结果不够科学,适用性差,容易陷入局部最优困境的问题。
本公开实施例的第一方面,提供了一种可行驶区域的路径规划方法,包括:确定车辆的可行驶区域,并在可行驶区域内沿车辆起点按照随机采样的方式生成初始路径;对初始路径执行简化操作得到简化路径,其中,简化路径中包含对初始路径中的路径点进行简化操作得到的路径关键点;对简化路径中的所有路径关键点同时进行智能采样,并确定智能采样后的路径,基于路径点与可行驶区域的边界之间的距离以及路径总长度,对智能采样前后的路径进行筛选;根据筛选结果生成最终路径,以使车辆沿最终路径在可行驶区域内行驶。
本公开实施例的第二方面,提供了一种可行驶区域路径规划装置,包括:确定模块,被配置为确定车辆的可行驶区域,并在可行驶区域内沿车辆起点按照随机采样的方式生成初始路径;简化模块,被配置为对初始路径执行简化操作得到简化路径,其中,简化路径中包含对初始路径中的路径点进行简化操作得到的路径关键点;优化模块,被配置为对简化路径中的所有路径关键点同时进行智能采样,并确定智能采样后的路径,基于路径点与可行驶区域的边界之间的距离以及路径总长度,对智能采样前后的路径进行筛选;生成模块,被配置为根据筛选结果生成最终路径,以使车辆沿最终路径在可行驶区域内行驶。
本公开实施例的第三方面,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,处理器执行程序时实现上述方法的步骤。
本公开实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
本公开实施例采用的上述至少一个技术方案能够达到以下有益效果:
通过确定车辆的可行驶区域,并在可行驶区域内沿车辆起点按照随机采样的方式生成初始路径;对初始路径执行简化操作得到简化路径,其中,简化路径中包含对初始路径中的路径点进行简化后的路径关键点;对简化路径中的所有路径关键点同时进行智能采样,并确定智能采样后的路径,基于路径点与可行驶区域的边界之间的距离以及路径总长度,对智能采样前后的路径进行筛选;根据筛选结果生成最终路径,以使车辆沿最终路径在可行驶区域内行驶。基于本方案,能够提升路径规划结果的科学性和适用性,实现可行驶区域路径规划的全局最优。
附图说明
为了更清楚地说明本公开实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是相关技术中一种实际场景下的路径规划场景的示意图;
图2是相关技术中基于可行驶区域进行路径规划的路径规划结果示意图;
图3是本公开实施例提供的可行驶区域的路径规划方法的流程示意图;
图4是本公开实施例提供的可行驶区域的路径规划方法所生成的初始路径的示意图;
图5是本公开实施例提供的对初始路径进行路径简化后的示意图;
图6是本公开实施例提供的对简化路径进行全局优化后的示意图;
图7是本公开实施例提供一种类型的可行驶区域多边形对应的最终路径示意图;
图8是本公开实施例提供另一种类型的可行驶区域多边形对应的最终路径示意图;
图9是本公开实施例提供另一种类型的可行驶区域多边形对应的最终路径示意图;
图10是本公开实施例提供另一种类型的可行驶区域多边形对应的最终路径示意图;
图11是本公开实施例提供的可行驶区域路径规划装置的结构示意图;
图12是本公开实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本公开实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本公开的描述。
对于无人驾驶运动规划来说,车辆在行驶过程中需要不断地处理周围障碍物,通过安装在自动驾驶车辆上的数据采集装置,比如摄像头、雷达等感知设备,实时获取车辆周边的障碍物信息。对障碍物信息进行处理之后传输给规划模块,由规划模块根据障碍物信息对自动驾驶车辆的行驶路径进行规划。
在自动驾驶车辆的路径规划中,以城市道路行驶环境为例,如果只使用高精地图进行路径规划,往往无法处理一些极端场景,下面结合附图对一种示例场景下的自动驾驶车辆的路径规划进行说明。图1是相关技术中一种实际场景下的路径规划场景的示意图。如图1所示,该示例的路径规划场景主要包括以下内容:
图1中的三条等间距的垂直线组成了自动驾驶车辆行驶的车道,其中,右侧车道内的矩形表示自动驾驶车辆前方的车辆障碍物,即自动驾驶车辆行驶的前方车道被路侧停车挡住;呈“凹”字型的多边形对应车辆的可行驶区域。在相关技术中,若自动驾驶车辆的前方车道被路侧停车挡住,但车辆所在车道又是实线,基于高精地图的运动规划无法跨越实线变道绕行,此时就需要基于可行驶区域进行绕行。
需要说明的是,由于可行驶区域是基于感知模块采集的障碍物信息处理形成的车辆可以躲避障碍物的行驶区域,因此,基于可行驶区域绕行的路径规划方式不受高精地图车道线等约束。下面结合具体实施例对相关技术中基于可行驶区域进行路径规划的方法进行详细说明,该路径规划的方法可以包括以下内容:
1)将车辆起点加入多边形中,即在可行驶区域对应的多边形中确定车辆的起点;
2)执行如下循环过程:
a)在多边形中随机采样,并找到多边形中离车辆起点最近的采样点;
b)将上述采样点与父节点(第一次循环对应起点,之后对应上一循环结束后的采样点)连线,若线段长度超过阈值(比如0.3m),则用阈值处的点来替代该采样点;
c)检测采样点和最近点之间的连线是否与多边形有碰撞,若有碰撞则将该采样点抛弃,进入下一个循环,若无碰撞,则将最近点设为该采样点的父节点,并将两点连线;
d)计算采样点与车辆终点之间的距离是否小于阈值(比如0.3m),若大于阈值,则继续下一次循环,若小于或等于阈值,则路径已搜索到,退出循环,并把终点的父节点设置为采样点;
3)路径搜索到以后,从终点开始,沿着父节点逆向依次连接直到起点,即找到一条由路径点所组成的初始路径;
4)找到初始路径之后,对初始路径上的路径点进行局部优化,即有针对性的智能采样,局部优化的循环过程如下:
a)依次遍历初始路径点,每次在某个路径点附近采样,即以路径点为圆心,以一定阈值(比如0.5m)为半径,在圆内进行采样;
b)根据新的采样点确定最近点,并计算采样点与最近点的线段长度是否超过阈值(比如0.3m),若超过则用阈值处的点来替代该采样点;
c)检测采样点和最近点之间的连线是否与多边形有碰撞,若有碰撞则将该采样点抛弃,进入下一个循环,若无碰撞,则将最近点设为该采样点的父节点,并将两点连线;
d)计算采样点与车辆终点之间的距离是否小于阈值(比如0.3m),若大于阈值,则继续下一次循环,若小于或等于阈值,则路径已搜索到,退出循环,并把终点的父节点设置为该采样点。
通过以上路径规划过程,会重新搜索出一条新路径,新路径是在初始路径的基础上进行了智能采样后得到的,下面结合附图对相关技术中基于可行驶区域进行路径规划的结果进行说明。图2是相关技术中基于可行驶区域进行路径规划的路径规划结果示意图。如图2所示,基于该路径规划的结果可知:
图2中采样点所覆盖的区域为可行驶区域,可行驶区域内的黑色曲直线为路径规划后得到的车辆行驶路径,将路径规划算法计算得到的采样点依次连接形成最终路径,相关技术中由于在规划得到初始路径之后,进一步对初始路径进行了局部优化,即依次对初始路径上的路径点进行了智能采样,使得沿最终路径附近的采样点因智能采样而变得更加密集。
通过上述对相关技术中基于可行驶区域的路径规划方法的描述可以看出,该路径规划方案主要存在两方面的问题。第一方面,该路径规划方法没有考虑路径与可行驶区域多边形边界之间的距离问题,由于车辆在路径规划算法中是一个矩形,而并非一个点,如果将车辆视作一个点进行路径规划,将会导致最终路径规划的结果无法与可行驶区域多边形边界保持足够宽的距离;第二方面,该路径规划方法对路径点的采样效率较低,即使加入了智能采样,但智能采样每次只针对一个路径点进行采样,也就是说,每次只能对初始路径上的一个路径点进行优化,因此,每次路径优化都只是局部优化,很容易使路径规划陷入局部最优,但是无法给出全局最优解的困境。
接下来对本公开实施例进行详细说明。
图3是本公开实施例提供的可行驶区域的路径规划方法的流程示意图。图3的可行驶区域的路径规划方法可以由自动驾驶系统中的电子设备执行。如图3所示,该可行驶区域的路径规划方法具体可以包括:
S301,确定车辆的可行驶区域,并在可行驶区域内沿车辆起点按照随机采样的方式生成初始路径;
S302,对初始路径执行简化操作得到简化路径,其中,简化路径中包含对初始路径中的路径点进行简化操作得到的路径关键点;
S303,对简化路径中的所有路径关键点同时进行智能采样,并确定智能采样后的路径,基于路径点与可行驶区域的边界之间的距离以及路径总长度,对智能采样前后的路径进行筛选;
S304,根据筛选结果生成最终路径,以使车辆沿最终路径在可行驶区域内行驶。
具体地,可行驶区域可以认为是车辆周边可以行驶且不会碰撞的具体区域,可行驶区域可以是由采样点组成的点集所形成的一个非凸多边形,非凸多边形包含凸多边形,因此将可行驶区域对应的多边形称为非凸多边形,应当理解的是,非凸多边形不构成对本公开可行驶区域形状的限定。
进一步地,可以采用以下方式确定自动驾驶车辆的可行驶区域,具体地,通过安装在自动驾驶车辆上的数据采集装置(如摄像头)获取图像数据,利用图像处理算法识别出障碍物,将障碍物对应的点数据在坐标系中删除,剩下的点便可以形成可行驶区域。
需要说明的是,本公开实施例的可行驶区域的路径规划方法是基于对现有的路径规划算法改进之后的算法来实现的,例如可以基于对现有的快速扩展随机树采样算法(Rapidly-exploring Random Trees*-Smart,RRT*-Smart)所做的改进,下面对RRT*-Smart算法的实现过程进行说明,具体可以包括以下内容:
RRT*-Smart算法是在RRT*算法基础上获得的,相比RRT*算法主要优化了路径。通过RRT和RRT*进行路径规划时,路径节点是随机生成的,所以探索出的路径往往是曲折的波浪形路径,但实际使用中最佳路径往往是一条直线。RRT*-Smart在运行的前一个阶段与RRT*一致,即找到一条可行的从起点到终点的路径,之后RRT*-Smart开始进行路径优化,将曲折的路径变得更直。路径优化过程是从叶子节点开始,不断寻找能否无障碍地直接连接到父节点的采样点。
RRT算法也可称为快速随机探索树,RRT的原理是维护一棵路径树,具体地,从起点开始,在空间中随机采样,并找到路径树上与采样点最接近且能与它无障碍连接的采样点,连接采样点与起点,将采样点加入路径树,执行以上循环直至终点附近的区域被探索到。
根据本公开实施例提供的技术方案,通过确定车辆的可行驶区域,并在可行驶区域内沿车辆起点按照随机采样的方式生成初始路径;对初始路径执行简化操作得到简化路径,其中,简化路径中包含对初始路径中的路径点进行简化后的路径关键点;对简化路径中的所有路径关键点同时进行智能采样,并确定智能采样后的路径,基于路径点与可行驶区域的边界之间的距离以及路径总长度,对智能采样前后的路径进行筛选;根据筛选结果生成最终路径,以便车辆沿最终路径在可行驶区域内行驶,能够提升路径规划结果的科学性和适用性,实现可行驶区域路径规划的全局最优。
在一些实施例中,在可行驶区域内沿车辆起点按照随机采样的方式生成初始路径,包括:将车辆起点作为初始路径的起始点,在可行驶区域内进行随机采样,依次得到多个采样点;根据采样点构建路径树,将路径树上的路径点依次连接生成初始路径;其中,可行驶区域为若干个路径点对应的点集所形成的多边形区域。
具体地,首先将车辆起点加入到可行驶区域内,例如,确定车辆起点在坐标系内的位置,根据起点位置将车辆起点加入到可行驶区域内,在实际应用中,也可以直接在可行驶区域内选择一个点作为起点,本公开实施例不对车辆在可行驶区域内的起点位置及起点位置的确定方式做详细限定,可行驶区域内的任意一点都可以作为车辆的起点。
在本公开实施例中,随机采样也称纯随机采样或者简单随机采样,随机采样的原则是在对被调查对象采样时,每个单位都有同等被抽到的机会,被抽取的单位完全是偶然性的。其特点是总体中每个单位被抽中的概率是相同的,完全由许多随机因素综合作用来决定,既排除了采样时的主观随意性。
下面结合具体实施例以及附图对生成初始路径的过程进行详细说明。图4是本公开实施例提供的可行驶区域的路径规划方法所生成的初始路径的示意图。如图4所示,该初始路径生成过程可以包括:
利用改进后的RRT*-Smart算法生成初始路径,具体地,在可行驶区域的多边形中确定车辆的起点,即将车辆起点加入到可行驶区域的多边形中;之后执行如下循环过程:
a)在图4所示的可行驶区域多边形(采样点所覆盖的多边形)中随机采样,找到多边形中离该起点最近的采样点;
b)将得到的采样点(即离起点最近的点)与父节点(即第一次循环对应起点,之后对应上一循环结束后的采样点)连线,若线段长度超过阈值(比如0.3m),则用阈值处的点来替代该采样点;
c)检测采样点和最近点之间的连线是否与多边形有碰撞,若有碰撞则抛弃该采样点,并进入下一个循环,若无碰撞,则将最近点设为该采样点的父节点,并将两点连线;
d)计算采样点与终点之间的距离是否小于阈值(比如0.3m),若大于阈值,则继续下一次循环,若小于或等于阈值,则路径已被搜索到,退出循环过程,并把终点的父节点设置为采样点;
进一步地,路径点搜索到以后,从终点开始,沿着父节点逆向依次连接路径点到起点,即找到一条由路径点组成的初始路径,因路径规划的偏好是长度最短,所以该初始路径距离可行驶区域多边形的边界很近。
在一些实施例中,对初始路径执行简化操作得到简化路径,包括:获取初始路径上的路径点,从初始路径中的第一个路径点开始,依次对每个路径点进行遍历,检测路径点之间的连线与可行驶区域的边界之间的碰撞关系,若发生碰撞,则按照倒序依次遍历其他路径点,直至找到无碰撞的路径点,并将第一个路径点与无碰撞路径点之间的连线上的路径点删除,保留连线两端的路径点;若未发生碰撞,则将连线上的路径点删除,保留连线两端的路径点;将对初始路径上的路径点进行遍历后得到的路径作为简化路径。
具体地,由于初始路径的路径点是基于长度偏好采样得到的,初始路径中将会包含一些冗余的路径点,这些路径点可以是初始路径中无效的拐点,或者对路径规划意义不大的非必要路径点。这些冗余路径点导致初始路径的轨迹比较曲折。因此,在生成初始路径之后,需要对这些冗余和非必要的路径点进行简化,例如删掉初始路径上无效的拐点,保留较少的路径关键点。
进一步地,在本公开实施例中,可以使用预定的路径简化算法执行路径简化操作,下面结合具体实施例以及附图对初始路径进行路径简化的过程进行详细说明。图5是本公开实施例提供的对初始路径进行路径简化后的示意图。如图5所示,该路径简化过程具体可以包括以下内容:
路径简化算法的输入参数可以是初始路径对应的一系列的路径点,以下记为n个路径点;之后将执行如下循环过程:
a)从第一个点开始遍历,与第n个点连线,检测线段与多边形是否碰撞,若未碰撞,则删掉连线上的所有路径点,只保留第一个点和第n个点,输出路径点;
b)若有碰撞,则跳过第n个点,将第一个点与第n-1个点连线,检测线段与多边形是否有碰撞,直至找到无碰撞的第i个点,然后删除第一个点与第i个点之间连线上的所有路径点,只保留第一个点和第i个点及之后的点;
c)从第二个点开始继续遍历,与第n个点连线,检测线段与多边形是否碰撞,若未碰撞,则删掉连线之间的中间点,只保留第一个点、第二个点和第n个点,输出路径点;
d)若有碰撞,则跳过第n个点,将第二个点与第n-1个点连线,检测线段与多边形是否有碰撞,直至找到无碰撞的第j个点,然后删除第二个点与第j个点连线之间的全部中间点,只保留第一个点、第二个点和第j个点和第j个点之后的n-j个点;
e)继续从第三个点开始遍历,直至遍历到最后一个点为止,这样就可以得到一条简化后的路径关键点。
根据本公开实施例提供的技术方案,通过对初始路径进行路径简化,可以将曲折的初始路径简化为包含少量路径关键点的简化路径,降低了后续对路径全局优化的复杂度,提升了路径规划算法的效率。
在一些实施例中,对简化路径中的所有路径关键点同时进行智能采样,并确定智能采样后的路径,包括:以路径关键点为圆心,按照预设阈值半径,对圆形区域内的路径点进行智能采样,将每个路径关键点所对应的采样点依次进行连接,得到一条新路径,将新路径作为智能采样后的路径。
具体地,得到简化后的路径之后,为了使最终路径与可行驶区域的多边形边界之间保持足够的距离,需要进一步对简化路径进行全局优化,所谓全局优化可以认为是对简化路径进行重新规划(在本实施例中相当于智能采样),以及对重新规划前后(即智能采样前后)的路径进行筛选,直至筛选发现最符合预期的最终路径的过程。由于是对所有路径关键点同时进行的智能采样,因此,对简化路径中的路径关键点同时进行智能采样的过程可以认为属于全局优化过程的一部分。
在一些实施例中,在对智能采样前后的路径进行筛选之前,还包括:将智能采样后的路径与可行驶区域的边界进行碰撞检测,若发生碰撞则对路径中的路径点重新进行智能采样,若未发生碰撞,则对智能采样前后的路径进行筛选。
基于路径点与可行驶区域的边界之间的距离以及路径总长度,对智能采样前后的路径进行筛选,包括:确定智能采样前后的路径中的路径点分别与可行驶区域的边界之间的距离,并计算智能采样前后的路径分别对应的路径总长度;根据路径点与可行驶区域的边界之间的距离以及路径总长度,对智能采样前后的路径进行打分,基于打分结果对智能采样前后的路径进行筛选。
下面结合具体实施例以及附图对简化路径进行全局优化的过程进行详细说明。图6是本公开实施例提供的对简化路径进行全局优化后的示意图。如图6所示,该全局优化过程具体可以包括以下内容:
获取简化路径中的所有路径关键点,对所有的路径关键点同时进行优化,优化循环过程如下:
a)对所有的路径关键点同时进行智能采样,即以所有的路径关键点为圆心,以一定阈值(比如0.5m)为半径,进行智能采样;
b)经过上述步骤a可以得到一条与原来的简化路径不同的新路径(可以认为是优化后的路径或者重新规划后的路径),该优化后的路径中路径点的个数并未变化,且每个路径点都在原路径关键点的阈值(比如0.5m)范围内,对优化后的路径与可行驶区域多边形进行碰撞检测,若有碰撞则继续下一次循环,若无碰撞,则对优化后的路径进行打分;
c)对比新路径和旧路径的分数,若新路径分数更高,则用新路径取代旧路径;然后进行新一轮循环,新一轮循环以新路径为基础进行智能采样,直至达到设定的循环次数(比如3000次),结束循环。
进一步地,在对简化路径进行全局优化时,需要将重新规划前后的路径之间进行比对,从而判断重新规划后的路径是否比规划前的路径更好,选择一条更优化的路径。下面结合具体实施例,对重新规划前后的路径进行打分的过程进行说明。
在一些实施例中,对智能采样前后的路径进行打分,包括:利用以下公式对智能采样前后的路径进行打分:
其中,表示路径的分数,表示路径点与可行驶区域的边界之间的距离对应的权重,表示路径点与可行驶区域的边界之间的距离,表示路径总长度对应的权重,表示路径总长度。
具体地,在对简化路径进行重新规划之后,计算规划前后路径分别对应的路径点与多边形边界之间的距离,路径点距离多边形边界越远,分数越高;另外,计算路径的总长度,路径总长度越短,分数越高。在实际应用中,将的值设为10,将的值设为1,此时,路径点与多边形边界之间距离对应的权重将远远大于路径总长度对应的权重,即优先选择路径点距离多边形边界更远的路径。
需要说明的是,在本公开实施例中,路径点与可行驶区域的边界之间的距离采用的是所有路径点的边界距离之和,路径总长度即路径点所形成路径的长度值;在实际应用中,上述公式中的不限于所有路径点的边界距离之和,例如:可以选取部分路径点,计算部分路径点与多边形边界之间的距离之和;还可以计算所有路径点的边界距离的平均值或者加权平均值。应当理解的是,的计算方式不构成对本方案的限定,只要能够表征重新规划前后路径对应的路径点与多边形边界之间的距离即可。
在一些实施例中,根据筛选结果生成最终路径,包括:对智能采样前后的路径的分数进行判断,用分数高的路径取代分数低的路径,并基于取代后的路径重新进行智能采样和路径筛选,直至生成最终路径;利用预设的平滑算法对最终路径中的路径点进行平滑处理,得到平滑处理后的最终路径。
具体地,路径的分数表示路径优化的程度,分数越高表示路径越符合预期,因此,用分数高的路径来取代分数低的路径,可以理解的是,最终路径应当是分数最高的路径。进一步地,预设的平滑算法可以采用最小二乘法、三次样条曲线等。
根据本公开实施例提供的技术方案,通过路径简化算法使路径点的数量降低,在后续进行全局优化时,只针对路径关键点进行优化,因此降低了全局优化的复杂度;另外,在进行全局优化时,对所有的路径点同时进行智能采样,选择打分最高的路径作为最终路径,使最终路径与可行驶区域多边形的边界之间保持足够距离,从而达到全局最优解的目的。
本公开实施例可以适配所有类型的非凸多边形可行驶区域的路径规划,如图7至图10所示,本公开实施例提供了针对不同类型的可行驶区域多边形的路径规划,在图7至图10中,靠近可行驶区域多边形边界的路径是未经过全局优化的路径,可以看出,经过全局优化的最终路径与多边形边界之间的距离更大。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图11是本公开实施例提供的可行驶区域路径规划装置的结构示意图。如图11所示,该可行驶区域路径规划装置包括:
确定模块1101,被配置为确定车辆的可行驶区域,并在可行驶区域内沿车辆起点按照随机采样的方式生成初始路径;
简化模块1102,被配置为对初始路径执行简化操作得到简化路径,其中,简化路径中包含对初始路径中的路径点进行简化操作得到的路径关键点;
优化模块1103,被配置为对简化路径中的所有路径关键点同时进行智能采样,并确定智能采样后的路径,基于路径点与可行驶区域的边界之间的距离以及路径总长度,对智能采样前后的路径进行筛选;
生成模块1104,被配置为根据筛选结果生成最终路径,以使车辆沿最终路径在可行驶区域内行驶。
在一些实施例中,图11的确定模块1101将车辆起点作为初始路径的起始点,在可行驶区域内进行随机采样,依次得到多个采样点;根据采样点构建路径树,将路径树上的路径点依次连接生成初始路径;其中,可行驶区域为若干个路径点对应的点集所形成的多边形区域。
在一些实施例中,图11的简化模块1102获取初始路径上的路径点,从初始路径中的第一个路径点开始,依次对每个路径点进行遍历,检测路径点之间的连线与可行驶区域的边界之间的碰撞关系,若发生碰撞,则按照倒序依次遍历其他路径点,直至找到无碰撞的路径点,并将第一个路径点与无碰撞路径点之间的连线上的路径点删除,保留连线两端的路径点;若未发生碰撞,则将连线上的路径点删除,保留连线两端的路径点;将对初始路径上的路径点进行遍历后得到的路径作为简化路径。
在一些实施例中,图11的优化模块1103以路径关键点为圆心,按照预设阈值半径,对圆形区域内的路径点进行智能采样,将每个路径关键点所对应的采样点依次进行连接,得到一条新路径,将新路径作为智能采样后的路径。
在一些实施例中,图11的优化模块1103在对智能采样前后的路径进行筛选之前,将智能采样后的路径与可行驶区域的边界进行碰撞检测,若发生碰撞则对路径中的路径点重新进行智能采样,若未发生碰撞,则对智能采样前后的路径进行筛选。
在一些实施例中,图11的优化模块1103确定智能采样前后的路径中的路径点分别与可行驶区域的边界之间的距离,并计算智能采样前后的路径分别对应的路径总长度;根据路径点与可行驶区域的边界之间的距离以及路径总长度,对智能采样前后的路径进行打分,基于打分结果对智能采样前后的路径进行筛选。
在一些实施例中,图11的优化模块1103利用以下公式对智能采样前后的路径进行打分:
其中,表示路径的分数,表示路径点与可行驶区域的边界之间的距离对应的权重,表示路径点与可行驶区域的边界之间的距离,表示路径总长度对应的权重,表示路径总长度。
在一些实施例中,图11的生成模块1104对智能采样前后的路径的分数进行判断,用分数高的路径取代分数低的路径,并基于取代后的路径重新进行智能采样和路径筛选,直至生成最终路径;利用预设的平滑算法对最终路径中的路径点进行平滑处理,得到平滑处理后的最终路径。
图12是本公开实施例提供的电子设备12的结构示意图。如图12所示,该实施例的电子设备12包括:处理器1201、存储器1202以及存储在该存储器1202中并且可以在处理器1201上运行的计算机程序1203。处理器1201执行计算机程序1203时实现上述各个方法实施例中的步骤。或者,处理器1201执行计算机程序1203时实现上述各装置实施例中各模块/单元的功能。
示例性地,计算机程序1203可以被分割成一个或多个模块/单元,一个或多个模块/单元被存储在存储器1202中,并由处理器1201执行,以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序1203在电子设备12中的执行过程。
电子设备12可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备12可以包括但不仅限于处理器1201和存储器1202。本领域技术人员可以理解,图12仅仅是电子设备12的示例,并不构成对电子设备12的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如,电子设备还可以包括输入输出设备、网络接入设备、总线等。
处理器1201可以是中央处理单元(Central Processing Unit,CPU),也可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器1202可以是电子设备12的内部存储单元,例如,电子设备12的硬盘或内存。存储器1202也可以是电子设备12的外部存储设备,例如,电子设备12上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。进一步地,存储器1202还可以既包括电子设备12的内部存储单元也包括外部存储设备。存储器1202用于存储计算机程序以及电子设备所需的其它程序和数据。存储器1202还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,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,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本公开的范围。
在本公开所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,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,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部单元来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,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,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本公开实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可以存储在计算机可读存储介质中,该计算机程序在被处理器执行时,可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如,在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围,均应包含在本公开的保护范围之内。

Claims (9)

1.一种可行驶区域的路径规划方法,其特征在于,包括:
确定车辆的可行驶区域,并在所述可行驶区域内沿车辆起点按照随机采样的方式生成初始路径;
对所述初始路径执行简化操作得到简化路径,其中,所述简化路径中包含对所述初始路径中的路径点进行简化操作得到的路径关键点;
对所述简化路径中的所有路径关键点同时进行智能采样,并确定所述智能采样后的路径,基于路径点与所述可行驶区域的边界之间的距离以及路径总长度,对智能采样前后的路径进行筛选;
根据筛选结果生成最终路径,以使所述车辆沿所述最终路径在所述可行驶区域内行驶。
2.根据权利要求1所述的方法,其特征在于,所述在所述可行驶区域内沿车辆起点按照随机采样的方式生成初始路径,包括:
将所述车辆起点作为所述初始路径的起始点,在所述可行驶区域内进行随机采样,依次得到多个采样点;
根据所述采样点构建路径树,将所述路径树上的路径点依次连接生成初始路径;
其中,所述可行驶区域为若干个路径点对应的点集所形成的多边形区域。
3.根据权利要求1所述的方法,其特征在于,所述对所述初始路径执行简化操作得到简化路径,包括:
获取所述初始路径上的路径点,从所述初始路径中的第一个路径点开始,依次对每个路径点进行遍历,检测路径点之间的连线与可行驶区域的边界之间的碰撞关系,
若发生碰撞,则按照倒序依次遍历其他路径点,直至找到无碰撞的路径点,并将所述第一个路径点与无碰撞路径点之间的连线上的路径点删除,保留连线两端的路径点;
若未发生碰撞,则将连线上的路径点删除,保留连线两端的路径点;
将对所述初始路径上的路径点进行遍历后得到的路径作为简化路径。
4.根据权利要求1所述的方法,其特征在于,所述对所述简化路径中的所有路径关键点同时进行智能采样,并确定所述智能采样后的路径,包括:
以所述路径关键点为圆心,按照预设阈值半径,对圆形区域内的路径点进行智能采样,将每个路径关键点所对应的采样点依次进行连接,得到一条新路径,将所述新路径作为所述智能采样后的路径。
5.根据权利要求1所述的方法,其特征在于,在所述对智能采样前后的路径进行筛选之前,还包括:
将所述智能采样后的路径与所述可行驶区域的边界进行碰撞检测,若发生碰撞则对路径中的路径点重新进行智能采样,若未发生碰撞,则对智能采样前后的路径进行筛选;
所述基于路径点与所述可行驶区域的边界之间的距离以及路径总长度,对智能采样前后的路径进行筛选,包括:
确定智能采样前后的路径中的路径点分别与可行驶区域的边界之间的距离,并计算智能采样前后的路径分别对应的路径总长度;
根据所述路径点与可行驶区域的边界之间的距离以及路径总长度,对智能采样前后的路径进行打分,基于打分结果对智能采样前后的路径进行筛选。
6.根据权利要求5所述的方法,其特征在于,所述根据筛选结果生成最终路径,包括:
对所述智能采样前后的路径的分数进行判断,用分数高的路径取代分数低的路径,并基于取代后的路径重新进行智能采样和路径筛选,直至生成最终路径;
利用预设的平滑算法对所述最终路径中的路径点进行平滑处理,得到平滑处理后的最终路径。
7.一种可行驶区域路径规划装置,其特征在于,包括:
确定模块,被配置为确定车辆的可行驶区域,并在所述可行驶区域内沿车辆起点按照随机采样的方式生成初始路径;
简化模块,被配置为对所述初始路径执行简化操作得到简化路径,其中,所述简化路径中包含对所述初始路径中的路径点进行简化操作得到的路径关键点;
优化模块,被配置为对所述简化路径中的所有路径关键点同时进行智能采样,并确定所述智能采样后的路径,基于路径点与所述可行驶区域的边界之间的距离以及路径总长度,对智能采样前后的路径进行筛选;
生成模块,被配置为根据筛选结果生成最终路径,以使所述车辆沿所述最终路径在所述可行驶区域内行驶。
8.一种电子设备,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权利要求1至6中任一项所述的方法。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法。
CN202110740434.5A 2021-07-01 2021-07-01 可行驶区域的路径规划方法、装置、电子设备及存储介质 Expired - Fee Related CN113188562B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110740434.5A CN113188562B (zh) 2021-07-01 2021-07-01 可行驶区域的路径规划方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110740434.5A CN113188562B (zh) 2021-07-01 2021-07-01 可行驶区域的路径规划方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113188562A CN113188562A (zh) 2021-07-30
CN113188562B true CN113188562B (zh) 2022-03-01

Family

ID=76976885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110740434.5A Expired - Fee Related CN113188562B (zh) 2021-07-01 2021-07-01 可行驶区域的路径规划方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113188562B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516749B (zh) * 2021-09-14 2021-12-17 中国汽车技术研究中心有限公司 自动驾驶视觉传感器数据采集方法、装置、设备及介质
CN113593240B (zh) * 2021-09-28 2021-12-21 湖南车路协同智能科技有限公司 一种用于车路协同的车辆路径规划方法及系统
CN114442642B (zh) * 2022-04-02 2022-07-15 深圳市普渡科技有限公司 路径规划方法、装置、计算机设备和存储介质
CN116380086A (zh) * 2023-03-28 2023-07-04 安徽海博智能科技有限责任公司 一种基于可行驶区域的无人驾驶矿卡轨迹规划方法
CN116524450B (zh) * 2023-06-29 2023-09-22 广汽埃安新能源汽车股份有限公司 一种可行驶空间确定方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109990796A (zh) * 2019-04-23 2019-07-09 成都信息工程大学 基于双向扩展随机树的智能车路径规划方法
CN111761582A (zh) * 2020-07-08 2020-10-13 浙江大学 一种基于随机采样的移动机械臂避障规划方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9868443B2 (en) * 2015-04-27 2018-01-16 GM Global Technology Operations LLC Reactive path planning for autonomous driving
CN106444740B (zh) * 2016-07-15 2019-03-12 浙江工业大学 基于mb-rrt的无人机二维航迹规划方法
CN107504972B (zh) * 2017-07-27 2018-08-07 北京航空航天大学 一种基于鸽群算法的飞行器航迹规划方法及装置
US10878706B2 (en) * 2018-10-12 2020-12-29 Aurora Flight Sciences Corporation Trajectory planner for a vehicle

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109990796A (zh) * 2019-04-23 2019-07-09 成都信息工程大学 基于双向扩展随机树的智能车路径规划方法
CN111761582A (zh) * 2020-07-08 2020-10-13 浙江大学 一种基于随机采样的移动机械臂避障规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于改进RRT的路径规划算法;刘晓倩等;《自动机技术与应用》;20191231;第38卷(第5期);96-99 *
基于改进渐进最优的双向快速扩展随机树的移动机器人路径规划算法;王坤等;《计算机应用》;20190510;第39卷(第5期);1313-1314 *

Also Published As

Publication number Publication date
CN113188562A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
CN113188562B (zh) 可行驶区域的路径规划方法、装置、电子设备及存储介质
CN111857160B (zh) 一种无人车路径规划方法和装置
CN109947100B (zh) 路径规划方法、系统及终端设备
US10324469B2 (en) System and method for controlling motion of vehicle in shared environment
CN112212874B (zh) 车辆轨迹预测方法、装置、电子设备及计算机可读介质
US10809723B2 (en) Method and apparatus for generating information
KR20200096115A (ko) V2x 통신 및 이미지 처리를 이용한 정보 융합을 통해 자율 주행의 단기 경로를 플래닝하기 위한 방법 및 장치
CN112595337B (zh) 避障路径规划方法、装置、电子装置、车辆及存储介质
CN113741453B (zh) 一种非结构化环境的路径规划方法、装置、设备和介质
US20200269841A1 (en) Information processing method and apparatus, and storage medium
CN111680747B (zh) 用于占据栅格子图的闭环检测的方法和装置
CN110174110B (zh) 地图对应的方法和装置、电子设备、计算机可读介质
Schulz et al. Learning interaction-aware probabilistic driver behavior models from urban scenarios
CN109115220B (zh) 一种用于停车场系统路径规划的方法
CN110926488B (zh) 用于对能运动的物体进行轨迹规划的方法
US20230053459A1 (en) Vehicle-based data processing method and apparatus, computer, and storage medium
CN115077557B (zh) 一种路口掉头的路径规划方法
CN113682318A (zh) 车辆行驶控制方法及装置
CN114812539B (zh) 地图探索、地图使用方法、装置、机器人和存储介质
CN115560771A (zh) 基于采样的路径规划方法及装置、自动行驶设备
CN114475656B (zh) 行驶轨迹预测方法、装置、电子设备以及存储介质
CN113108806B (zh) 路径规划方法、装置、设备及介质
CN114264307A (zh) 路径生成方法、装置、交通工具及存储介质
CN113867356A (zh) 机器人路径规划方法、装置及机器人
KR20230024392A (ko) 주행 의사 결정 방법 및 장치 및 칩

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
TR01 Transfer of patent right

Effective date of registration: 20230719

Address after: 200120, 1st and 2nd floors, No. 7, Lane 999, Haike Road, China (Shanghai) Pilot Free Trade Zone, Pudong New Area, Shanghai

Patentee after: Neolithic Zhongyan (Shanghai) Technology Co.,Ltd.

Address before: 100176 room 613, 6 / F, area 2, building a, 12 Hongda North Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing

Patentee before: NEOLIX TECHNOLOGIES Co.,Ltd.

TR01 Transfer of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220301

CF01 Termination of patent right due to non-payment of annual fee