CN113335310B - 基于决策的运动规划方法、装置、电子设备及存储介质 - Google Patents
基于决策的运动规划方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113335310B CN113335310B CN202110822310.1A CN202110822310A CN113335310B CN 113335310 B CN113335310 B CN 113335310B CN 202110822310 A CN202110822310 A CN 202110822310A CN 113335310 B CN113335310 B CN 113335310B
- Authority
- CN
- China
- Prior art keywords
- obstacle
- decision
- vehicle
- list
- planning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本公开涉及无人驾驶技术领域,提供了一种基于决策的运动规划方法、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:获取车辆的第一障碍物列表和预定的地图信息,根据第一障碍物列表和预定的地图信息对第一障碍物列表中的障碍物进行预处理,得到预处理后的障碍物所形成的第二障碍物列表;根据预先配置的决策规则为第二障碍物列表中的每个障碍物生成一个预决策指令,其中,预决策指令用于表示车辆对障碍物进行运动规划的决策;基于预决策指令,利用预设的运动规划算法对车辆的运动轨迹进行规划。本公开能够提高决策指令的准确性和运动规划的灵活性,降低了障碍物决策及运动规划的耗时。
Description
技术领域
本公开涉及无人驾驶技术领域,尤其涉及一种基于决策的运动规划方法、装置、电子设备及存储介质。
背景技术
无人驾驶的运动规划技术是无人驾驶车辆的核心技术之一,通常可包括路径规划和速度规划。在一套完整的自动驾驶系统中,通过感知模块采集环境信息,决策规划模块对环境信息做出分析,根据指令生成一条满足约束条件的轨迹,该轨迹作为控制模块的输入决定车辆的行驶路径。
在现有技术中,车辆的运动规划是基于自动驾驶系统的决策规划模块来实现的,决策规划模块根据环境信息生成直行、绕行、跟车等指令,再根据指令来规划路径,即需要不断地根据指令判断车辆的行驶路径。因此需要依赖于复杂场景规则库,决策规划模块根据场景规则库来匹配现有场景的决策规则;另外,由于车辆的行驶场景比较复杂,导致决策规划模块很难给出准确的指令,极大降低了运动规划过程的灵活性以及自动驾驶车辆的机动性;现有的决策规划模块在生成指令时需要对所有障碍物进行计算,增加了处理障碍物信息的耗时。
基于现有技术,需要提供一种不依赖复杂场景规则库,提高决策指令的准确性和运动规划的灵活性,降低障碍物信息处理耗时的运动规划方案。
发明内容
有鉴于此,本公开实施例提供了一种基于决策的运动规划方法、装置、电子设备及存储介质,以解决现有技术存在的依赖复杂场景规则库,决策指令的准确性和运动规划的灵活性差,处理障碍物信息的耗时长的问题。
本公开实施例的第一方面,提供了一种基于决策的运动规划方法,包括:获取车辆的第一障碍物列表和预定的地图信息,其中,第一障碍物列表中包含障碍物信息;根据第一障碍物列表和预定的地图信息对第一障碍物列表中的障碍物进行预处理,得到预处理后的障碍物所形成的第二障碍物列表;根据预先配置的决策规则为第二障碍物列表中的每个障碍物生成一个预决策指令,其中,预决策指令用于表示车辆对障碍物进行运动规划的决策;基于预决策指令,利用预设的运动规划算法对车辆的运动轨迹进行规划。
本公开实施例的第二方面,提供了一种基于决策的运动规划装置,包括:获取模块,被配置为获取车辆的第一障碍物列表和预定的地图信息,其中,第一障碍物列表中包含障碍物信息;预处理模块,被配置为根据第一障碍物列表和预定的地图信息对第一障碍物列表中的障碍物进行预处理,得到预处理后的障碍物所形成的第二障碍物列表;预决策模块,被配置为根据预先配置的决策规则为第二障碍物列表中的每个障碍物生成一个预决策指令,其中,预决策指令用于表示车辆对障碍物进行运动规划的决策;规划模块,被配置为基于预决策指令,利用预设的运动规划算法对车辆的运动轨迹进行规划。
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:
通过获取车辆的第一障碍物列表和预定的地图信息,其中,第一障碍物列表中包含障碍物信息;根据第一障碍物列表和预定的地图信息对第一障碍物列表中的障碍物进行预处理,得到预处理后的障碍物所形成的第二障碍物列表;根据预先配置的决策规则为第二障碍物列表中的每个障碍物生成一个预决策指令,其中,预决策指令用于表示车辆对障碍物进行运动规划的决策;基于预决策指令,利用预设的运动规划算法对车辆的运动轨迹进行规划。本公开不依赖于复杂场景规则库,能够提高决策指令的准确性和运动规划的灵活性,降低障碍物信息处理耗时。
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是本公开实施例提供的基于决策的运动规划框架的原理示意图;
图2是本公开实施例提供的基于决策的运动规划方法的流程示意图;
图3是本公开实施例提供的基于决策的运动规划装置的结构示意图;
图4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。
常规的无人驾驶运动规划技术中,通过感知模块采集环境信息、车辆行驶信息、障碍物信息等,将感知模块采集的信息作为决策规划模块的输入,决策规划模块对输入的信息进行分析和处理,并最终为车辆规划出一条满足各种约束条件(如安全性、平顺性、车辆本身的动力学约束等)的轨迹。
典型的决策规划模块可分为三个层次:全局路径规划层、行为决策层和运动规划层。其中,全局路径规划(Global PathPlanning)层在接收到一个给定的行驶目的地之后,结合地图信息生成一条全局路径,作为后续行为决策和运动规划的参考。行为决策(Behavioral Layer)层在接收到全局路径后,结合从感知模块得到的环境信息(如障碍物以及道路上的交通规则信息),做出具体的行为决策(如选择绕行还是跟车)。最后,运动规划(Motion Planning)层根据具体的行为决策,生成一条满足特定约束条件的轨迹,该轨迹作为控制模块的输入决定车辆最终的行驶路径。
这里,在常规的自动驾驶系统中,决策规划模块具有不同类型的框架,例如:基于决策规则并且依靠决策模块给出明确指令的框架,或者基于学习的强化学习方式的框架等,不同类型框架的决策规划模块具有不同的优缺点。下面以基于决策规则并且依靠决策模块给出明确指令的决策规划框架,对目前的自动驾驶系统的决策规划模块所存在的缺陷进行详细说明,具体可以包括以下内容:
对于基于决策规则的自动驾驶系统,决策规划模块中的决策模块用来根据感知层输入的环境信息,生成直行、跟车、绕行等明确指令,由决策规划模块中的运动规划模块按照指令来规划出对应的路径。可见,现有的决策规划框架中是先有决策指令后产生对应的轨迹,对于连续的障碍物需要每经过一个障碍物都对应产生一个决策指令,再由运动规划模块生成对应的轨迹。而实际应用中,车辆的行驶环境和场景都十分复杂,由于场景复杂使得决策指令很难给出精确的指令,导致运动规划模块根据指令生成特定轨迹的过程过于僵化,极大降低了运动规划的灵活性和自动驾驶车辆的机动性。
另外,现有的决策模块在根据环境信息和障碍物信息生成决策指令时,需要依赖复杂且庞大的场景规则库,决策模块根据场景规则库来匹配现有场景中的决策规则,使得决策模块生成决策指令的复杂度提高。除此之外,现有的决策模块在生成决策指令时需要对所有障碍物进行计算,增加了处理障碍物信息的耗时。
下面结合附图对本公开实施例改进后的基于决策的运动规划框架的原理进行说明。图1是本公开实施例提供的基于决策的运动规划框架的原理示意图。如图1所示,该基于决策的运动规划框架主要包括以下内容:
获取感知层输入的障碍物列表(根据障碍物信息生成的列表),以及高精地图信息,运动规划模块根据障碍物列表和高精地图信息对障碍物进行预处理,得到预处理后的障碍物列表(对应图1中的障碍物预处理操作),之后对预处理后障碍物列表中的每个障碍物产生一条预决策指令,并建立预决策指令与障碍物之间的对应关系(对应图1中的预决策处理操作);根据预处理后的障碍物列表以及预决策指令,对车辆的行驶路径进行规划(对应图1中的路径规划操作),并基于规划后的路径,结合前述预处理后的障碍物列表以及预决策指令,对车辆的行驶速度进行规划(对应图1中的速度规划操作);将运动规划的结果输入自动驾驶系统的控制模块中,控制无人驾驶车辆沿特定轨迹行驶(对应图1中的控制模块)。
根据本公开实施例提供的运动规划框架,通过摒弃现有的决策模块,将障碍物预处理以及预决策处理融合到运动规划模块中,即通过在运动规划模块中嵌入障碍物预处理以及预决策处理操作,利用障碍物预处理操作对障碍物进行筛选,降低了对障碍物进行计算的耗时;解决了现有的对每一个障碍物匹配一条决策指令,根据决策指令进行路径规划后,再根据下一障碍物匹配一条决策指令,再根据新的决策指令重新进行路径规划的方式所导致的需要依赖复杂场景规则库,以及对决策指令的准确性要求高的问题。
接下来对本公开实施例进行详细说明。
图2是本公开实施例提供的基于决策的运动规划方法的流程示意图。图2的基于决策的运动规划方法可以由自动驾驶系统中的电子设备执行。如图2所示,该基于决策的运动规划方法具体可以包括:
S201,获取车辆的第一障碍物列表和预定的地图信息,其中,第一障碍物列表中包含障碍物信息;
S202,根据第一障碍物列表和预定的地图信息对第一障碍物列表中的障碍物进行预处理,得到预处理后的障碍物所形成的第二障碍物列表;
S203,根据预先配置的决策规则为第二障碍物列表中的每个障碍物生成一个预决策指令,其中,预决策指令用于表示车辆对障碍物进行运动规划的决策;
S204,基于预决策指令,利用预设的运动规划算法对车辆的运动轨迹进行规划。
具体地,自动驾驶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。障碍物列表是根据障碍物及障碍物信息生成的列表,障碍物列表中包含一连串的障碍物,每个障碍物对应各自的障碍物信息。其中,一连串的障碍物可以理解为根据车辆与障碍物之间的距离,由近至远依次进行排列的多个障碍物。由于感知层在采集障碍物信息时,是按照障碍物与车辆之间的先后位置进行采集的,因此,障碍物列表中的障碍物也可以是根据障碍物与车辆之间的距离,从近至远依次进行排序。
进一步地,障碍物包括动态障碍物和静态障碍物,在实际应用中,可以通过安装在无人驾驶车辆上的激光雷达对前方障碍物检测,判断障碍物的类型,例如:通过计算障碍物的速度来判断障碍物是否为动态障碍物;另外,还可以基于3D障碍物点云图像判断障碍物是否为动态障碍物,例如:将前后运动规划处理过程对应的3D障碍物点云图像进行比对,在两次运动规划处理对应的3D障碍物点云图像的重叠区域中,上一运动规划处理存在的点云在该运动规划处理中同样存在,就可以认为该障碍物在前后处理中处于同样的位置,即判断位静态障碍物,否则判断为动态障碍物。障碍物信息包括但不限于以下数据:障碍物的几何中心点、速度、加速度、长度及宽度等。
根据本公开实施例提供的技术方案,通过获取车辆的第一障碍物列表和预定的地图信息,其中,第一障碍物列表中包含障碍物信息;根据第一障碍物列表和预定的地图信息对第一障碍物列表中的障碍物进行预处理,得到预处理后的障碍物所形成的第二障碍物列表;根据预先配置的决策规则为第二障碍物列表中的每个障碍物生成一个预决策指令,其中,预决策指令用于表示车辆对障碍物进行运动规划的决策;基于预决策指令,利用预设的运动规划算法对车辆的运动轨迹进行规划。本公开实施例不依赖于复杂场景规则库,能够提高决策指令的准确性和运动规划的灵活性,降低障碍物信息处理耗时。
在一些实施例中,获取车辆的第一障碍物列表,包括:获取车辆在感知范围内采集的多个障碍物对应的障碍物信息,将障碍物信息按照障碍物与车辆之间的距离进行排序,根据排序结果生成第一障碍物列表。
具体地,无人驾驶车辆在行驶过程中,感知模块(包括实际的采集装置)实时采集一定感知范围内的障碍物,并获取障碍物信息。在根据采集到的障碍物及障碍物信息生成第一障碍物列表时,将障碍物按照与车辆之间的远近进行排序,并根据排序后的障碍物生成第一障碍物列表,其中,在第一障碍物列表中维护障碍物与障碍物信息之间的对应关系。
在一些实施例中,预定的地图信息包括高精地图信息;根据第一障碍物列表和预定的地图信息对第一障碍物列表中的障碍物进行预处理,包括:确定车辆在高精地图中的位置,根据位置获取高精地图中车辆一定行驶范围内对应的高精地图信息,并从高精地图信息中提取出车道中心线;利用车道中心线确定车道宽度,并基于第一障碍物列表中的障碍物信息,将第一障碍物列表中不符合预设要求的障碍物删除;其中,不符合预设要求的障碍物包括位于车道以外的静态障碍物。
具体地,高精地图信息是预先获取并存储到自动驾驶系统中的,高精度地图可以认为是精度更高、数据维度更多的电子地图。高精度地图的定位精度可以精确到厘米级别,高精度地图中除了包括道路信息之外,还包括与交通相关的周围静态信息。通过高精地图可以将道路及周围的所有静态障碍物进行收集,减少无人车对静态障碍物的算法处理,生成高精地图的过程需要获取大量的数据,其中,高精地图的数据来源可以包括全球导航卫星系统、惯性测量单元IMU、轮速计、激光雷达点云以及摄像头图像等。高精度地图中的信息都具有地理编码,自动驾驶系统可以准确定位地形、物体和道路轮廓,从而控制车辆行驶。
进一步地,在本公开实施例中,在利用高精地图信息对障碍物进行预处理时,根据车辆在高精地图中的位置,提取高精地图中的某一段地图信息(主要包括车道中心线)来使用,例如实时提取车辆前方100-300米车道的车道中心线。继而,根据车道中心线以及车道的左侧宽度和右侧宽度来确定车道的整体宽度。
进一步地,在本公开实施例中,在确定车道宽度之后,根据第一障碍物列表中每个障碍物对应的障碍物信息,例如:根据障碍物信息中的车辆几何中心点、车辆的速度、加速度以及长度和宽度,来判断障碍物是在车道以内还是车道以外,并且根据第一障碍物列表中的障碍物标识,将位于车道以外的静态障碍物从第一障碍物列表中筛除;其中,障碍物标识能够表征障碍物属于动态障碍物还是静态障碍物。
在一些实施例中,根据预先配置的决策规则为第二障碍物列表中的每个障碍物生成一个预决策指令,包括:基于第二障碍物列表、车道中心线以及车道宽度,计算车辆沿障碍物两侧的可通行宽度;利用决策规则对障碍物两侧的可通行宽度进行判断,根据判断结果生成预决策指令。
具体地,第二障碍物列表为对第一障碍物列表中的障碍物筛除之后生成的障碍物列表,因此,第二障碍物列表中的障碍物也是一连串的按照先后距离进行排列的障碍物。由此可见,根据预先配置的决策规则为第二障碍物列表中的每一个障碍物生成一个预决策指令之后,将会形成一连串的决策指令。
例如,在具体实施例中,第二障碍物列表中包含三个障碍物,即障碍物A、障碍物B和障碍物C,每个障碍物对应一个决策指令,比如障碍物A对应的决策指令为左转,障碍物B对应的决策指令为右转,障碍物C对应的决策指令为跟车,那么对应第二障碍物列表的一连串的决策指令就可以认为是左转后右转,右转后跟车。
进一步地,在本公开实施例中,在获取障碍物信息(在第二障碍物列表中)、车道中心线以及车道宽度之后,可以根据这些信息计算障碍物两侧的可通行宽度,例如:车辆的前方道路中间有一个行人,行人占车道宽度40cm,根据行人的几何中心点以及宽度,综合车道中心线的位置以及车道宽度(如3.5m),可以计算出车辆沿该行人左侧和右侧的可通行宽度均为1.55m。
在一些实施例中,第二障碍物列表中包含障碍物标识,障碍物标识用于表征障碍物为静态障碍物或动态障碍物;利用决策规则对障碍物两侧的可通行宽度进行判断,根据判断结果生成预决策指令,包括:当障碍物为静态障碍物,且障碍物两侧中任意一侧的可通行宽度满足可通行条件时,生成的预决策指令包括沿满足可通行条件的一侧绕行;或者,当障碍物为静态障碍物,且障碍物两侧的可通行宽度均满足可通行条件时,生成的预决策指令包括沿指定一侧绕行;或者,当障碍物为静态障碍物,且障碍物两侧的可通行宽度均不满足可通行条件时,生成的预决策指令包括不行驶直至满足可通行条件;或者,当障碍物为动态障碍物时,生成的预决策指令包括跟随动态障碍物行驶。
具体地,在确定车辆沿障碍物两侧的可通行宽度之后,利用预先配置的决策规则对障碍物两侧的可通行宽度进行判断,根据判断结果生成预决策指令,下面结合具体应用场景中的情形,对利用决策规则生成障碍物决策指令的过程进行说明,具体可以包括以下内容:
情形一
根据第二障碍物列表中的障碍物标识对障碍物的类型进行判断,当判断障碍物为静态障碍物,且障碍物两侧中任意一侧的可通行宽度满足可通行条件时,生成的预决策指令包括沿满足可通行条件的一侧绕行;也就是说,此时障碍物两侧道路中仅有一侧的可通行宽度满足可通行条件,即障碍物一侧的可通行宽度较宽,而另一侧的可通行宽度较窄,对该障碍物产生沿一侧绕行的预决策指令,例如,当车辆左侧的可通行宽度较宽时,则其预决策指令为左绕行。
情形二
根据第二障碍物列表中的障碍物标识对障碍物的类型进行判断,当判断障碍物为静态障碍物,且障碍物两侧的可通行宽度均满足可通行条件时,生成的预决策指令包括沿指定一侧绕行;也就是说,此时障碍物两侧均满足可通行条件,对该障碍物产生沿指定一侧绕行的预决策指令,例如,当障碍物两侧均满足可通行条件时,对其产生沿左侧绕行的预决策指令。
情形三
根据第二障碍物列表中的障碍物标识对障碍物的类型进行判断,当判断障碍物为静态障碍物,且障碍物两侧的可通行宽度均不满足可通行条件时,生成的预决策指令包括不行驶直至满足可通行条件;也就是说,此时障碍物两侧均不满足可通行条件,则对该障碍物产生驻车(包括让行)的决策指令。
情形四
根据第二障碍物列表中的障碍物标识对障碍物的类型进行判断,当判断障碍物为动态障碍物时,生成的预决策指令包括跟随动态障碍物行驶;也就是说,当障碍物为动态障碍物时,则对该障碍物产生跟车的决策指令。
需要说明的是,上述决策规则以及根据决策规则对障碍物产生的决策指令,仅仅表示了几种示例情形下的决策规则,在实际应用中,可按照实际场景需求配置不同的决策规则,上述决策规则不构成对本技术方案的限定。
在一些实施例中,在利用预设的运动规划算法对车辆的运动轨迹进行规划之前,还包括:根据第二障碍物列表中多个障碍物分别对应的预决策指令,确定车辆的可行驶区域;其中,可行驶区域中包括为每个障碍物划定的可行驶区域。
具体地,预决策处理可以为每个障碍物对应产生一个决策指令,每个障碍物的预决策指令给障碍物划定了一个可行驶区域,基于一连串的预决策指令(如左绕行、跟车、驻车等)便可以为车辆规划出一条连续的可行驶区域,因此,预决策处理的结果可以认为是生成了一个连续的可行驶区域。当然,在实际操作中,该可行驶区域不一定要被计算出来,基于第二障碍物列表、预决策指令以及高精度地图信息便可以得到车辆在未来一段行驶距离内的可行驶区域,例如:获取该静态障碍物的几何中心点及长宽,确定静态障碍物对应的位置区域,在地图中将静态障碍物对应的位置区域删除,就可以生成针对该静态障碍物的可行驶区域,根据预决策指令可以判断车辆在该可行驶区域内的行驶策略(比如左绕行还是右绕行)。
例如,在具体实施例中,车辆前方存在两个障碍物,根据产生的预决策指令判断针对第一个障碍物需要左绕行,针对第二障碍物需要右绕行,因此,可以直接根据这两个障碍物对应的预决策指令生成一个S型的可行驶区域,可行驶区域满足所有障碍物的决策。
根据本公开实施例提供的技术方案,通过预决策处理对障碍物列表中的每一个障碍物对应产生一条预决策指令,而一连串的障碍物对应一连串的预决策指令,基于这一连串的预决策指令为车辆在将要行驶的道路上规划出一个可行驶区域,使可行驶区域满足所有障碍物的决策,本公开实施例使运动规划更具有前瞻性,运动轨迹不受决策模块的限制,轨迹更加灵活。
在一些实施例中,利用预设的运动规划算法对车辆的运动轨迹进行规划,包括:将第二障碍物列表、车辆信息、高精地图信息、预决策指令、以及可行驶区域作为参数,利用预设的运动规划算法对车辆的运动轨迹进行规划;其中,运动规划算法包括路径规划算法和速度规划算法,车辆的运动轨迹的规划包括车辆的路径规划和车辆的速度规划。
具体地,在预决策处理之后,根据为每个障碍物产生的预决策指令以及生成的可行驶区域,对车辆的运动轨迹进行规划,车辆的运动规划包括两个阶段,第一阶段是路径规划,第二阶段是速度规划,下面结合具体实施例对这两个阶段的规划过程进行说明,具体可以包括以下内容:
在第一阶段路径规划中,需要特别说明的是,在前述实施例描述的情形二下,障碍物两侧的可通行宽度均满足条件时,为了避免路径规划算法的结果产生混乱,即路径规划结果晃动,此时,对障碍物信息进行处理,将障碍物的右侧宽度对应的数值增大(即障碍物的右侧宽度被拉长),将处理后的障碍物信息作为路径规划算法的参数之一。该处理过程可以理解为,将障碍物的一侧进行过度膨胀处理,使一侧的可通行宽度无法满足可通行条件,因此路径规划算法只能规划出沿另一侧绕行的路径结果。
在第二阶段速度规划中,对于前述实施例描述的情形一和情形二,左绕行通过障碍物,速度规划会使车辆减速通过;对于情形三中的让行障碍物,速度规划会使车辆提前停车;对于情形四中的跟车障碍物,速度规划会调整车辆速度跟随障碍物。
进一步地,在本公开实施例中,运动规划算法可以采用lattice planner算法。lattice planner算法是自动驾驶中运动规划算法的一种, lattice planner算法隶属于规划模块,规划模块在Apollo中是一个承上启下的重要模块,规划模块以预测模块、routing模块、高精地图和定位的结果作为输入,通过算法,输出一条平稳、舒适、安全的轨迹,交给控制模块去执行。lattice planner算法遵循先采样后选择的逻辑,依据从安全性、舒适性和交规中抽象出的cost函数来保障轨迹的平滑。
本公开实施例不限于上述运动规划算法,根据使用场景可以选择不同的路径规划算法和速度规划算法,路径规划算法和速度规划算法的内容也不构成对本方案的限定。
根据本公开实施例提供的技术方案,本方案抛弃掉原有的复杂的决策模块,在运动规划模块中融合了障碍物预处理和预决策的功能,通过障碍物预处理对障碍物进行了筛选,降低了障碍物决策及运动规划的耗时;本方案不需要匹配复杂的规则场景库,降低了运动规划框架的复杂度;本方案在运动规划之前,提前预处理生成了一段距离内的可行驶区域,因此,无需逐个针对障碍物产生决策指令,增强了车辆的应变能力,运动规划不受决策模块特定指令的约束。
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3是本公开实施例提供的基于决策的运动规划装置的结构示意图。如图3所示,该基于决策的运动规划装置包括:
获取模块301,被配置为获取车辆的第一障碍物列表和预定的地图信息,其中,第一障碍物列表中包含障碍物信息;
预处理模块302,被配置为根据第一障碍物列表和预定的地图信息对第一障碍物列表中的障碍物进行预处理,得到预处理后的障碍物所形成的第二障碍物列表;
预决策模块303,被配置为根据预先配置的决策规则为第二障碍物列表中的每个障碍物生成一个预决策指令,其中,预决策指令用于表示车辆对障碍物进行运动规划的决策;
规划模块304,被配置为基于预决策指令,利用预设的运动规划算法对车辆的运动轨迹进行规划。
在一些实施例中,图3的获取模块301获取车辆在感知范围内采集的多个障碍物对应的障碍物信息,将障碍物信息按照障碍物与车辆之间的距离进行排序,根据排序结果生成第一障碍物列表。
在一些实施例中,预定的地图信息包括高精地图信息,图3的预处理模块302确定车辆在高精地图中的位置,根据位置获取高精地图中车辆一定行驶范围内对应的高精地图信息,并从高精地图信息中提取出车道中心线;利用车道中心线确定车道宽度,并基于第一障碍物列表中的障碍物信息,将第一障碍物列表中不符合预设要求的障碍物删除;其中,不符合预设要求的障碍物包括位于车道以外的静态障碍物。
在一些实施例中,图3的预决策模块303基于第二障碍物列表、车道中心线以及车道宽度,计算车辆沿障碍物两侧的可通行宽度;
利用决策规则对障碍物两侧的可通行宽度进行判断,根据判断结果生成预决策指令。
在一些实施例中,第二障碍物列表中包含障碍物标识,障碍物标识用于表征障碍物为静态障碍物或动态障碍物,图3的预决策模块303当障碍物为静态障碍物,且障碍物两侧中任意一侧的可通行宽度满足可通行条件时,生成的预决策指令包括沿满足可通行条件的一侧绕行;或者,当障碍物为静态障碍物,且障碍物两侧的可通行宽度均满足可通行条件时,生成的预决策指令包括沿指定一侧绕行;或者,当障碍物为静态障碍物,且障碍物两侧的可通行宽度均不满足可通行条件时,生成的预决策指令包括不行驶直至满足可通行条件;或者,当障碍物为动态障碍物时,生成的预决策指令包括跟随动态障碍物行驶。
在一些实施例中,图3的预决策模块303在利用预设的运动规划算法对车辆的运动轨迹进行规划之前,根据第二障碍物列表中多个障碍物分别对应的预决策指令,确定车辆的可行驶区域;其中,可行驶区域中包括为每个障碍物划定的可行驶区域。
在一些实施例中,图3的规划模块304将第二障碍物列表、车辆信息、高精地图信息、预决策指令、以及可行驶区域作为参数,利用预设的运动规划算法对车辆的运动轨迹进行规划;其中,运动规划算法包括路径规划算法和速度规划算法,车辆的运动轨迹的规划包括车辆的路径规划和车辆的速度规划。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。
图4是本公开实施例提供的电子设备4的结构示意图。如图4所示,该实施例的电子设备4包括:处理器401、存储器402以及存储在该存储器402中并且可以在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者,处理器401执行计算机程序403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403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402中,并由处理器401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403在电子设备4中的执行过程。
电子设备4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4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解,图4仅仅是电子设备4的示例,并不构成对电子设备4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401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402可以是电子设备4的内部存储单元,例如,电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备,例如,电子设备4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(Flash Card)等。进一步地,存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402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402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 (10)
1.一种基于决策的运动规划方法,其特征在于,包括:
获取车辆的第一障碍物列表和预定的地图信息,其中,所述第一障碍物列表中包含障碍物信息和障碍物标识;
根据所述第一障碍物列表和所述预定的地图信息对所述第一障碍物列表中的障碍物进行预处理,得到预处理后的障碍物所形成的第二障碍物列表,并基于所述第一障碍物列表中的障碍物信息,将所述第一障碍物列表中不符合预设要求的障碍物删除,其中,所述不符合预设要求的障碍物包括位于车道以外的静态障碍物;
根据预先配置的决策规则为所述第二障碍物列表中的每个障碍物生成一个预决策指令,其中,所述预决策指令用于表示所述车辆对所述障碍物进行运动规划的决策;
基于所述预决策指令,利用预设的运动规划算法对所述车辆的运动轨迹进行规划;
其中,所述第一障碍物列表中的所述障碍物标识用来表征所述障碍物属于动态障碍物还是静态障碍物。
2.根据权利要求1所述的方法,其特征在于,所述获取车辆的第一障碍物列表,包括:
获取所述车辆在感知范围内采集的多个障碍物对应的障碍物信息,将所述障碍物信息按照所述障碍物与所述车辆之间的距离进行排序,根据排序结果生成所述第一障碍物列表。
3.根据权利要求1所述的方法,其特征在于,所述预定的地图信息包括高精地图信息;其中,所述根据所述第一障碍物列表和所述预定的地图信息对所述第一障碍物列表中的障碍物进行预处理,包括:
确定所述车辆在高精地图中的位置,根据所述位置获取所述高精地图中所述车辆一定行驶范围内对应的高精地图信息,从所述高精地图信息中提取出车道中心线,并利用所述车道中心线确定车道宽度。
4.根据权利要求3所述的方法,其特征在于,所述根据预先配置的决策规则为所述第二障碍物列表中的每个障碍物生成一个预决策指令,包括:
基于所述第二障碍物列表、所述车道中心线以及所述车道宽度,计算所述车辆沿所述障碍物两侧的可通行宽度;
利用所述决策规则对所述障碍物两侧的可通行宽度进行判断,根据判断结果生成所述预决策指令。
5.根据权利要求4所述的方法,其特征在于,所述第二障碍物列表中包含障碍物标识,所述障碍物标识用于表征所述障碍物为静态障碍物或动态障碍物;
所述利用所述决策规则对所述障碍物两侧的可通行宽度进行判断,根据判断结果生成所述预决策指令,包括:
当所述障碍物为静态障碍物,且所述障碍物两侧中任意一侧的可通行宽度满足可通行条件时,生成的所述预决策指令包括沿所述满足可通行条件的一侧绕行;或者,
当所述障碍物为静态障碍物,且所述障碍物两侧的可通行宽度均满足可通行条件时,生成的所述预决策指令包括沿指定一侧绕行;或者,
当所述障碍物为静态障碍物,且所述障碍物两侧的可通行宽度均不满足可通行条件时,生成的所述预决策指令包括不行驶直至满足可通行条件;或者,
当所述障碍物为动态障碍物时,生成的所述预决策指令包括跟随所述动态障碍物行驶。
6.根据权利要求1所述的方法,其特征在于,在所述利用预设的运动规划算法对所述车辆的运动轨迹进行规划之前,还包括:
根据所述第二障碍物列表中多个障碍物分别对应的预决策指令,确定所述车辆的可行驶区域;其中,所述可行驶区域中包括为每个所述障碍物划定的可行驶区域。
7.根据权利要求6所述的方法,其特征在于,所述利用预设的运动规划算法对所述车辆的运动轨迹进行规划,包括:
将所述第二障碍物列表、车辆信息、高精地图信息、所述预决策指令、以及可行驶区域作为参数,利用预设的运动规划算法对所述车辆的运动轨迹进行规划;
其中,所述运动规划算法包括路径规划算法和速度规划算法,所述车辆的运动轨迹的规划包括所述车辆的路径规划和所述车辆的速度规划。
8.一种基于决策的运动规划装置,其特征在于,包括:
获取模块,被配置为获取车辆的第一障碍物列表和预定的地图信息,其中,所述第一障碍物列表中包含障碍物信息和障碍物标识;
预处理模块,被配置为根据所述第一障碍物列表和所述预定的地图信息对所述第一障碍物列表中的障碍物进行预处理,得到预处理后的障碍物所形成的第二障碍物列表,并基于所述第一障碍物列表中的障碍物信息,将所述第一障碍物列表中不符合预设要求的障碍物删除,其中,所述不符合预设要求的障碍物包括位于车道以外的静态障碍物;
预决策模块,被配置为根据预先配置的决策规则为所述第二障碍物列表中的每个障碍物生成一个预决策指令,其中,所述预决策指令用于表示所述车辆对所述障碍物进行运动规划的决策;
规划模块,被配置为基于所述预决策指令,利用预设的运动规划算法对所述车辆的运动轨迹进行规划;
其中,所述第一障碍物列表中的所述障碍物标识用来表征所述障碍物属于动态障碍物还是静态障碍物。
9.一种电子设备,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7中任一项所述的方法。
10.一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7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110822310.1A CN113335310B (zh) | 2021-07-21 | 2021-07-21 | 基于决策的运动规划方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110822310.1A CN113335310B (zh) | 2021-07-21 | 2021-07-21 | 基于决策的运动规划方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113335310A CN113335310A (zh) | 2021-09-03 |
CN113335310B true CN113335310B (zh) | 2021-11-30 |
Family
ID=77480118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110822310.1A Active CN113335310B (zh) | 2021-07-21 | 2021-07-21 | 基于决策的运动规划方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113335310B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113848955A (zh) * | 2021-10-29 | 2021-12-28 | 广州理工学院 | 基于图像识别的车辆自动行驶控制系统 |
CN114019971B (zh) * | 2021-11-04 | 2024-03-26 | 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 |
CN115892076B (zh) * | 2023-02-23 | 2023-05-23 | 福思(杭州)智能科技有限公司 | 车道障碍物筛选方法、装置和域控制器 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2819609A1 (fr) * | 2001-01-12 | 2002-07-19 | Woodsys | Procede de controle d'acces de vehicules a des zones reservees telles que des zones pietonnieres |
CN106291736A (zh) * | 2016-08-16 | 2017-01-04 | 张家港长安大学汽车工程研究院 | 无人驾驶汽车车道动态障碍物检测方法 |
CN108068817A (zh) * | 2017-12-06 | 2018-05-25 | 张家港天筑基业仪器设备有限公司 | 一种无人驾驶汽车自动变道装置及方法 |
CN111007534A (zh) * | 2019-11-19 | 2020-04-14 | 武汉光庭科技有限公司 | 一种利用十六线激光雷达的障碍物检测方法及系统 |
CN112277952A (zh) * | 2020-11-05 | 2021-01-29 | 吉林大学 | 一种结构化道路下关键障碍物筛选方法 |
CN112519780A (zh) * | 2020-09-29 | 2021-03-19 | 广州巨时信息科技股份有限公司 | 一种无人驾驶车及其变道系统 |
CN112835030A (zh) * | 2020-12-30 | 2021-05-25 | 深圳承泰科技有限公司 | 一种障碍物目标的数据融合方法、装置及智能汽车 |
CN112964271A (zh) * | 2021-03-15 | 2021-06-15 | 西安交通大学 | 一种面向多场景的自动驾驶规划方法及系统 |
-
2021
- 2021-07-21 CN CN202110822310.1A patent/CN113335310B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2819609A1 (fr) * | 2001-01-12 | 2002-07-19 | Woodsys | Procede de controle d'acces de vehicules a des zones reservees telles que des zones pietonnieres |
CN106291736A (zh) * | 2016-08-16 | 2017-01-04 | 张家港长安大学汽车工程研究院 | 无人驾驶汽车车道动态障碍物检测方法 |
CN108068817A (zh) * | 2017-12-06 | 2018-05-25 | 张家港天筑基业仪器设备有限公司 | 一种无人驾驶汽车自动变道装置及方法 |
CN111007534A (zh) * | 2019-11-19 | 2020-04-14 | 武汉光庭科技有限公司 | 一种利用十六线激光雷达的障碍物检测方法及系统 |
CN112519780A (zh) * | 2020-09-29 | 2021-03-19 | 广州巨时信息科技股份有限公司 | 一种无人驾驶车及其变道系统 |
CN112277952A (zh) * | 2020-11-05 | 2021-01-29 | 吉林大学 | 一种结构化道路下关键障碍物筛选方法 |
CN112835030A (zh) * | 2020-12-30 | 2021-05-25 | 深圳承泰科技有限公司 | 一种障碍物目标的数据融合方法、装置及智能汽车 |
CN112964271A (zh) * | 2021-03-15 | 2021-06-15 | 西安交通大学 | 一种面向多场景的自动驾驶规划方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113335310A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113335310B (zh) | 基于决策的运动规划方法、装置、电子设备及存储介质 | |
CN108921200B (zh) | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 | |
EP3901782B1 (en) | Lane-centric road network model for navigation | |
US8791996B2 (en) | Image processing system and position measurement system | |
US20170343374A1 (en) | Vehicle navigation method and apparatus | |
US11248925B2 (en) | Augmented road line detection and display system | |
CN112505680A (zh) | 使用雷达的扩展对象跟踪 | |
DE112020000487T5 (de) | Automatisches wählen von datenproben zur annotation | |
CN109902899B (zh) | 信息生成方法和装置 | |
US10928819B2 (en) | Method and apparatus for comparing relevant information between sensor measurements | |
CN113196011A (zh) | 运动图构建和车道级路线规划 | |
CN110861650A (zh) | 车辆的路径规划方法、装置,车载设备和存储介质 | |
CN108171967B (zh) | 一种交通控制方法及装置 | |
CN111177288A (zh) | 用于导出自主车辆启用的可行驶地图的系统 | |
Zhang et al. | A lane-level road network model with global continuity | |
DE102022100213A1 (de) | Auf Maschinenlernen basierendes Framework für die Annotation befahrbarer Oberflächen | |
CN112249009A (zh) | 车速控制方法、装置、系统及电子设备 | |
CN113743469A (zh) | 一种融合多源数据及综合多维指标的自动驾驶决策方法 | |
DE102021132851A1 (de) | Fahrzeugbetrieb unter verwendung von manövererzeugung | |
Wang et al. | Trajectory prediction for turning vehicles at intersections by fusing vehicle dynamics and driver’s future input estimation | |
CN115905449B (zh) | 语义地图构建方法及具有熟路模式的自动驾驶系统 | |
US20230168368A1 (en) | Guardrail estimation method based on multi-sensor data fusion, and vehicle-mounted device | |
CN115112138A (zh) | 轨迹规划信息生成方法、装置、电子设备以及存储介质 | |
CN114771576A (zh) | 行为数据处理方法、自动驾驶车辆的控制方法及自动驾驶车辆 | |
CN115042820A (zh) | 自动驾驶车辆控制方法、装置、设备及存储介质 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230825 Address after: Building 2, No. 209 Changxing Third Road, Xiping Street, Songyang County, Lishui City, Zhejiang Province, 323000 Patentee after: Neolithic Unmanned Vehicle (Songyang) 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. |