CN113359757A - 一种改进型混合a*算法的无人驾驶车辆路径规划与轨迹跟踪方法 - Google Patents
一种改进型混合a*算法的无人驾驶车辆路径规划与轨迹跟踪方法 Download PDFInfo
- Publication number
- CN113359757A CN113359757A CN202110733880.3A CN202110733880A CN113359757A CN 113359757 A CN113359757 A CN 113359757A CN 202110733880 A CN202110733880 A CN 202110733880A CN 113359757 A CN113359757 A CN 113359757A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- cost
- grid
- track
- algorithm
- 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 64
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000004088 simulation Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—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)
- Optics & Photonics (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种改进型混合A*算法的无人驾驶车辆路径规划与轨迹跟踪方法,步骤如下:1设置车辆的初始点目标点位置姿态,将数据预处理;2以雷达检测的数据为基础,将周围环境栅格化;3设计混合A*算法进行路径规划;4路径搜索,将车辆运动学模型线性化,求解搜索末端的车辆状态;5计算不同搜索末端的车辆状态代价,将代价最小车辆状态放入Close表,作为下次规划的起始节点;6判断搜索末端车辆状态是否满足条件,如果不满足,持续上述路径搜索并计算代价函数,直至满足;7采用自适应模型预测算法进行轨迹跟踪;8设置一段时间内的轨迹误差阙值,若轨迹误差大于阙值,用轨迹曲率计算的纵向速度更新预测模型的输出量,保持在阙值范围内。
Description
技术领域
本发明涉及无人驾驶车辆路径规划技术领域,具体涉及一种改进型混合A*算法的无人驾驶车辆路径规划与轨迹跟踪方法。
背景技术
随着社会、经济、科技等领域的高速发展,汽车代表了人们对日常生活的高标准、高要求。然而,日益增加的汽车数量及驾驶员原因引起的交通安全事故率,使构建智能交通系统变得必要而紧迫。无人驾驶车辆作为构建智能交通系统的重要成分之一,近年来受到广泛关注。无人驾驶车辆融合了环境感知与定位、决策规划与运动控制等多项功能,具有反应迅速、行驶安全等优点,从而能够代替人类驾驶员。目前美国、英国和德国等一些国家的无人驾驶技术已发展较为成熟。我国的无人驾驶技术起步较晚,在一些关键技术的发展上距离世界先进水平还有一定的差距。
A*算法由迪杰斯特拉算法和贪婪优先算法发展而来,是在路径规划算法中搜索最短路径的最有效方法。但是传统A*规划算法具有一系列显著问题,如规划路径不够平滑;考虑车辆运动学约束不够全面;较少考虑执行机构的物理极限;轨迹跟踪衔接不够紧密等,近年来,国内外的一些科研单位对A*算法做过很多改进,如天津理工大学提出的一种基于改进A*算法与天牛须搜索算法的农业机器人路径规划方法,其启发函数仅与路径长度有关,尽管后期对路径做过平滑处理,但没有解决A*算法规划路径的本质问题。
虽然前人已提出多种基于A*算法改进的无人驾驶路径规划方法,但忽略了车辆模型,规划的路径难以满足车辆运动学约束,更不能直接用于后期的轨迹跟踪。
发明内容
本发明针对传统A*算法的不足,提出了一种改进型混合A*算法的无人驾驶车辆路径规划与轨迹跟踪方法。
传统模型预测算法应用于轨迹跟踪时,一般将纵向速度设为定值,为减小轨迹跟踪误差,本发明指定阙值,当轨迹误差大于该值时,设计随轨迹曲率变化的纵向速度更新预测模型输出量,进而保证误差始终小于阙值,具体做了以下方面的研究:
(1)将激光雷达检测的障碍物信息表示在以车辆后轴为中心的移动栅格地图上;
(2)在(1)的栅格地图基础上,根据激光雷达检测的障碍物距离、分布情况及当前车速,设计不同边长的单位栅格,分为S级、M级和L级;将每一个栅格标记为自由区域和障碍区域,同时根据车辆轴距和车速因素,对障碍区域进行膨胀处理;
(3)考虑车辆模型的混合A*路径规划算法;
(4)设计带有车辆位置、姿态、切换转向及累计转向的代价函数;
(5)基于栅格内非中心点的前向模拟路径搜索;
(6)以车辆顶点所在的矩形区域进行碰撞检测,前向模拟路径或RS曲线连接Close表中的节点;
(7)设计轨迹跟踪自适应模型预测控制器,规定轨迹跟随误差阙值,设计随曲率变化的纵向速度Vx更新控制器的预测模型输出量。
本发明是通过如下技术方案实现的:
提供一种改进型混合A*算法的无人驾驶车辆路径规划与轨迹跟踪方法,包括以下步骤:
步骤1:设置车辆的初始点、目标点位置、姿态,并将起点信息数据进行预处理,然后放入Open表中;
步骤2:以车载激光雷达检测的数据为基础,将一定范围的车辆周围环境栅格化,另外根据车速高低及检测到的障碍物远近分布情况,建立不同边长的栅格地图,为实时规划减少计算量;
步骤3:设计混合A*算法进行路径规划,通过对启发函数增加转向约束,保证规划的路径充分平滑;
步骤4:路径搜索:在相同时间内,给车辆固定速度、不同的转向进行前向模拟路径搜索,此过程中,将车辆运动学模型线性化,求解搜索末端的车辆状态;
步骤5:计算不同搜索末端的车辆状态代价,将代价最小的车辆状态放入Close表中,同时作为下次规划的起始节点;
步骤6:判断搜索车辆状态是否满足条件,如果不满足,持续上述路径搜索并计算代价函数,直至满足为止;
步骤7:Close表中的节点,即为最终轨迹的关键节点,将其作为期望轨迹,采用自适应模型预测算法进行轨迹跟踪;
步骤8:设置一段时间内累计的轨迹误差阙值,若轨迹误差大于阙值,用轨迹曲率计算的纵向速度更新预测模型的输出量,直到保持在阙值范围内,以增强车辆行驶的安全性。
进一步的,所述改进型混合A*算法的无人驾驶车辆路径规划与轨迹跟踪方法,具体详细步骤如下所示:
步骤2:车载激光雷达检测周围障碍物信息,并绘制栅格地图;
步骤3:激光雷达根据检测到的障碍物距离、分布情况及当前车速,以车辆后轴中心为原点,在步骤2的基础上建立不同边长的单位栅格,分为S级、M级和L级,将每一个栅格标记为自由区域和障碍区域;
步骤4:根据车辆轴距和车速因素,对障碍区域进行膨胀处理;膨胀后的单位栅格边长为:
T为采样时间,wi为权重系数,l为车辆轴距,L为障碍区域所在单位栅格边长;
步骤5:设计混合状态A*的代价函数,包括:已行驶路径的距离代价和启发代价;启发代价又包括当前位置、姿态到目标位置姿态的估计代价、下一次的转向切换代价及累计的转向代价,特别是对于反向路径规划的转向代价,施加乘法惩罚;其中,采用欧式距离计算距离代价;
步骤6:读取起始点和目标点信息,创建Open表和Close表;把起点的位置和姿态信息放入Open中,同时将Close置空,判断Open表是否为空表,若为空表则规划失败,如Open表非空,选择Open表中代价最小的节点作为当前节点,并将其放入Close表中;
步骤8:以车辆运动学模型表示车辆模型,车辆的位置、姿态与前轮转向角存在如下关系:
步骤9:拓展节点的过程中,没有考虑车辆周围的障碍物,拓展的模拟路径难以保证车辆避障,这里采用RS曲线间接解决车辆避障问题,RS曲线虽然不能避障,但突出优点是计算速度快,RS曲线由不同的圆弧和直线段组成,总是可以在平面内连接任意位置的位姿,设置迭代次数 ,直到连接起点和终点的RS曲线能够避开障碍物为止,退出RS模式,为进一步提高车辆的实时性,没有必要在每一次拓展节点的过程中都使用RS曲线连接和,仅仅在障碍物分布密集的场景及前向模拟的路径不能避障使下用;
步骤11:将最终轨迹作为轨迹跟踪的参考轨迹,设计轨迹跟踪自适应模型预测控制器,具体包括:车辆模型线性化、离散化,组合状态量与控制量的状态空间模型、计算预测模型的输出量、状态量与控制量及其增量的约束条件设计、权重矩阵Q、R调整、目标函数的滚动优化求解、控制增量的反馈校正、由曲率计算的纵向速度更新预测模型的输出量;
步骤12:计算参考轨迹不同点的曲率,根据曲率设计车辆在各处位置的纵向速度,
进一步的,步骤2中的栅格地图绘制方法如下:
其中ceil为取整函数,根据障碍物在栅格中的坐标(m,n)及车辆在栅格中的坐标(i,j),使用Bresenham算法来计算非障碍物在栅格中的坐标。
进一步的,步骤5中的混合状态A*的代价函数为:
进一步的,步骤11中根据建立的车辆运动学模型,设计车辆自适应模型预测控制器,具体包括以下步骤:
a.将状态量和控制量组合,得到一个新的状态空间表达式;
b.表示系统的预测模型,计算预测输出量;
c.设计系统的目标函数J,同时对控制量、控制增量进行约束设计;
本发明的有益效果:在本发明中,将栅格地图中设置不同分辨率的思想加入到局部路径规划中,提出一种改进型混合A*算法的智能车辆路径规划方法。另外,在轨迹跟踪控制器中,根据轨迹曲率设计的纵向速度更新预测输出,使轨迹偏差始终在阙值范围内。所述无人车辆路径规划和轨迹跟踪技术,具有规划曲线光滑、跟踪效果优化等优点。
附图说明
图1是本发明设计的栅格地图示意图。
图2是本发明中混合A*涉及的车辆运动学模型及其顶点坐标约束示意图。
图3是混合A*路径规划中基于栅格内非中心点的前向模拟搜索。
图4是本发明中速度自适应的模型预测控制算法流程图。
图5为本发明所述的改进型混合A*算法的无人驾驶车辆路径规划与轨迹跟踪方法总体流程示意图。
具体实施方式
为使本发明的技术方案和更加容易理解,结合附图对本发明进一步详细说明。
如图5所示,一种改进型混合A*算法的无人驾驶车辆路径规划与轨迹跟踪方法,具体详细步骤如下所示:
如图1所示,黑色为检测的障碍物,灰色为Bresenham算法计算的非障碍物栅格坐标,中间的深灰色为车辆,同时,从驾驶规则库中获取车辆驾驶和路面交通方面的先验知识进行车辆决策,将决策指令连同预处理数据发送给路径规划模块。
步骤3:根据当前车速及激光雷达检测到的障碍物距离、分布情况,在上述基础上以车辆后轴中心为原点,建立不同边长的栅格地图,分为S级、M级和L级,S级、M级和L级的栅格边长分别为10cm、20cm、40cm,如图1,在栅格地图上将每一个栅格标记为自由区域和障碍区域。
步骤5:设计混合状态A*的代价函数:
指:当前位置、姿态与起始位置、姿态的已行驶代价, 其中采用欧式距离计算距离代价, 为常数; 指:当前位置、姿态与目标位置、姿态的估计代价。指转向代价:包括下一次的转向切换代价及从起始位置到当前位置的累计转向代价;为三种不同代价的权重。
步骤6:路径搜索的起点即为车辆的当前位置,在车辆坐标系下,车头朝向 轴;读取起点信息,创建Open表和Close表。把起点的位置和姿态信息放入Open表中,同时将Close表置空。判断Open表是否为空表,若为空表则规划失败,若Open表非空,选择Open表中代价最小的节点作为当前节点 ,将其放入Close表中,同时从open表中剔除。
步骤7:在栅格地图下,确定路径搜索的起始节点与终止节点:以起始节点作为当前节点,在 时间内,以不同的前轮转向角、固定的纵向速度前向模拟一段始于,止于 的轨迹;在不同转向下的前向模拟路径如图3所示,其中中间的实线为代价最小的;计算不同 的代价,将代价最小的放入Close表中,同时将 视为下一次搜索的起始节点 ;上述过程拓展的节点数取决于前轮转向角的物理极限和常数 ;其中约束条件, ,。
将上述车辆运动学模型线性化,线性化后的车辆模型以状态空间表示:
步骤9:拓展 节点的过程中,没有考虑车辆周围的障碍物,拓展的模拟路径难以保证车辆避障。以A、B、C、D作为矩形车辆的顶点坐标为,验证以A、B、C、D所在的栅格区域是否存在障碍物,若在障碍物,采用RS曲线连接路径搜索的起点和终点,如果未存在障碍物,则以前向模拟路径连接起点、终点;RS曲线由不同的圆弧和直线段组成,总是能够连接起点和终点的位姿;设置迭代次数 ,直到连接起点和终点的RS曲线能够避开障碍物为止,退出RS模式;由于RS曲线的代价较高,没有必要在每一次拓展节点的过程中都使用RS曲线连接 和 ,仅仅在障碍物分布密集的场景下使用,为进一步提高车辆的实时性。
A、B、C、D的坐标分别为:
步骤11:将最终轨迹作为轨迹跟踪的参考轨迹,设计自适应模型预测轨迹控制器,具体包括:车辆模型线性化、离散化,组合状态量与控制量的状态空间模型、计算预测模型的输出量、设计状态量与控制量及其增量的约束条件、权重矩阵Q、R调整、目标函数的滚动优化求解、控制增量的反馈校正等等。
如图4所示:所述设计车辆自适应模型预测控制器,具体包括以下步骤:
a.将状态量和控制量组合,得到一个新的状态空间表达式:
b.表示系统的预测模型,计算预测输出量:
c.设计系统的目标函数,同时对控制量、控制增量进行约束设计:
d.对目标函数求解,得到一系列的控制增量,将第一个控制量反馈于系统:
步骤12:计算参考轨迹不同点的曲率,根据曲率设计车辆在各处位置的纵向速度。
Claims (8)
1.一种改进型混合A*算法的无人驾驶车辆路径规划与轨迹跟踪方法,其特征在于:包括以下步骤:
步骤1:设置车辆的初始点、目标点位置、姿态,并将起点信息进行预处理,然后放入Open表中;
步骤2:以车载激光雷达检测的数据为基础,将一定范围的车辆周围环境栅格化;另外,根据车速高低及检测到的障碍物远近分布情况,建立不同边长的栅格地图,为实时规划减少计算量;
步骤3:设计混合A*算法进行路径规划,通过对启发函数增加转向约束,保证规划的路径充分平滑;
步骤4:路径搜索:在相同时间内,给车辆固定速度、不同的转向进行前向模拟路径搜索,此过程中,将车辆运动学模型线性化,求解搜索末端的车辆状态;
步骤5:计算不同搜索末端的车辆状态代价,将代价最小的车辆状态放入Close表中,同时作为下次规划的起始节点;
步骤6:判断搜索末端的车辆状态是否满足条件,如果不满足,持续上述路径搜索并计算代价函数,直至满足为止;
步骤7:Close表中的节点,即为最终轨迹的关键节点,将其作为期望轨迹,采用自适应模型预测算法进行轨迹跟踪;
步骤8:设置一段时间内累计的轨迹误差阙值,若轨迹误差大于阙值,用轨迹曲率计算的纵向速度更新预测模型的输出量,直到保持在阙值范围内,以增强车辆行驶的安全性。
2.根据权利要求1所述的改进型混合A*算法的无人驾驶车辆路径规划与轨迹跟踪方法,其特征在于:具体的详细步骤如下所示:
步骤2:车载激光雷达检测周围障碍物信息,并绘制栅格地图;
步骤3:激光雷达根据检测到的障碍物距离、分布情况及当前车速,以车辆后轴中心为原点,在步骤2的基础上建立不同边长的单位栅格,分为S级、M级和L级,将每一个栅格标记为自由区域和障碍区域;
步骤4:根据车辆轴距和车速因素,对障碍区域进行膨胀处理;膨胀后的单位栅格边长为:
步骤5:设计混合状态A*的代价函数,包括:已行驶路径的距离代价和启发代价;启发代价又包括当前位置、姿态到目标位置姿态的估计代价、下一次的转向切换代价及累计的转向代价,特别是对于反向路径规划的转向代价,施加乘法惩罚;其中,采用欧式距离计算距离代价;
步骤6:读取起始点和目标点信息,创建Open表和Close表;把起点的位置和姿态信息放入Open中,同时将Close置空,判断Open表是否为空表,若为空表则规划失败,如Open表非空,选择Open表中代价最小的节点作为当前节点,并将其放入Close表中;
步骤8:以车辆运动学模型表示车辆模型,车辆的位置、姿态与前轮转向角存在如下关系:
其中:
步骤9:拓展节点的过程中,没有考虑车辆周围的障碍物,拓展的模拟路径难以保证车辆避障,这里采用RS曲线间接解决车辆避障问题,RS曲线虽然不能避障,但突出优点是计算速度快,RS曲线由不同的圆弧和直线段组成,总是可以在平面内连接任意位置的位姿,设置迭代次数,直到连接起点和终点的RS曲线能够避开障碍物为止,退出RS模式,为进一步提高车辆的实时性,没有必要在每一次拓展节点的过程中都使用RS曲线连接和,仅仅在障碍物分布密集的场景及前向模拟的路径不能避障使下用;
步骤11:将最终轨迹作为轨迹跟踪的参考轨迹,设计轨迹跟踪自适应模型预测控制器,具体包括:车辆模型线性化、离散化,组合状态量与控制量的状态空间模型、计算预测模型的输出量、状态量与控制量及其增量的约束条件设计、权重矩阵Q、R调整、目标函数的滚动优化求解、控制增量的反馈校正、由曲率计算的纵向速度更新预测模型的输出量;
步骤12:计算参考轨迹不同点的曲率,根据曲率设计车辆在各处位置的纵向速度,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110733880.3A CN113359757B (zh) | 2021-06-30 | 2021-06-30 | 一种无人驾驶车辆路径规划与轨迹跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110733880.3A CN113359757B (zh) | 2021-06-30 | 2021-06-30 | 一种无人驾驶车辆路径规划与轨迹跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113359757A true CN113359757A (zh) | 2021-09-07 |
CN113359757B CN113359757B (zh) | 2022-07-01 |
Family
ID=77537367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110733880.3A Active CN113359757B (zh) | 2021-06-30 | 2021-06-30 | 一种无人驾驶车辆路径规划与轨迹跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113359757B (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113701780A (zh) * | 2021-09-14 | 2021-11-26 | 成都信息工程大学 | 基于a星算法的实时避障规划方法 |
CN113903167A (zh) * | 2021-09-09 | 2022-01-07 | 北京理工大学 | 一种无人驾驶车辆队列的轨迹规划方法及跟踪方法 |
CN113970321A (zh) * | 2021-10-21 | 2022-01-25 | 北京房江湖科技有限公司 | 一种户型动线的计算方法及装置 |
CN114115291A (zh) * | 2021-12-15 | 2022-03-01 | 合肥工业大学 | 一种复杂非凸环境下的车辆路径规划方法 |
CN114167874A (zh) * | 2021-12-09 | 2022-03-11 | 京东鲲鹏(江苏)科技有限公司 | 信息更新方法、路线筛选方法、装置、设备和介质 |
CN114185272A (zh) * | 2021-12-03 | 2022-03-15 | 成都信息工程大学 | 一种基于模型预测控制的具有预览特性的自适应速度智能车辆路径跟踪方法 |
CN114355921A (zh) * | 2021-12-28 | 2022-04-15 | 北京易航远智科技有限公司 | 车辆循迹轨迹生成方法、装置、电子设备及存储介质 |
CN114355923A (zh) * | 2021-12-28 | 2022-04-15 | 杭州电子科技大学 | 一种a*引导下基于mpc的轨迹规划及跟踪方法 |
CN114509936A (zh) * | 2022-04-19 | 2022-05-17 | 之江实验室 | 一种运动能力可在线学习的运动规划方法、装置和介质 |
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 |
CN114815845A (zh) * | 2022-05-10 | 2022-07-29 | 山东省计算中心(国家超级计算济南中心) | 一种基于HybridA*算法的自动驾驶农机平滑路径规划方法 |
CN114834484A (zh) * | 2022-05-13 | 2022-08-02 | 中汽创智科技有限公司 | 一种车辆轨迹跟随控制方法、装置、电子设备及存储介质 |
CN115079699A (zh) * | 2022-06-30 | 2022-09-20 | 北京理工大学 | 一种基于模型预测控制的人机共驾汽车的运动规划方法 |
CN115164907A (zh) * | 2022-09-06 | 2022-10-11 | 南京理工大学 | 基于动态权重的a*算法的森林作业机器人路径规划方法 |
CN115328174A (zh) * | 2022-10-14 | 2022-11-11 | 杭州华橙软件技术有限公司 | 轨迹规划方法、电子设备及存储介质 |
CN115357032A (zh) * | 2022-10-20 | 2022-11-18 | 上海仙工智能科技有限公司 | 一种基于nurbs的移动机器人路径生成方法、系统及存储介质 |
CN115629607A (zh) * | 2022-10-25 | 2023-01-20 | 湖北汽车工业学院 | 一种融合历史信息的强化学习路径规划方法 |
CN116300977A (zh) * | 2023-05-22 | 2023-06-23 | 北京科技大学 | 一种依托强化学习的铰接车轨迹跟踪控制方法及装置 |
CN116414139A (zh) * | 2023-06-07 | 2023-07-11 | 成都理工大学 | 基于A-Star算法的移动机器人复杂路径规划方法 |
CN116572258A (zh) * | 2023-07-14 | 2023-08-11 | 中铁十四局集团大盾构工程有限公司 | 一种焊接机器人动态避障控制方法及计算机可读存储介质 |
CN116610129A (zh) * | 2023-07-17 | 2023-08-18 | 山东优宝特智能机器人有限公司 | 一种腿足机器人的局部路径规划方法及系统 |
CN116719317A (zh) * | 2023-06-01 | 2023-09-08 | 盐城工学院 | 一种基于改进模型预测控制的无人车紧急避障方法 |
CN116819973A (zh) * | 2023-08-29 | 2023-09-29 | 北京成功领行汽车技术有限责任公司 | 一种轨迹跟踪控制方法 |
CN116858254A (zh) * | 2023-09-01 | 2023-10-10 | 青岛中德智能技术研究院 | 单舵轮agv路径规划方法 |
CN117055586A (zh) * | 2023-06-28 | 2023-11-14 | 中国科学院自动化研究所 | 基于自适应控制的水下机器人巡游搜索与抓取方法、系统 |
CN117148848A (zh) * | 2023-10-27 | 2023-12-01 | 上海伯镭智能科技有限公司 | 一种无人驾驶车辆智能避障方法及系统 |
CN117553819A (zh) * | 2024-01-10 | 2024-02-13 | 齐鲁空天信息研究院 | 无人叉车室外装卸路径规划方法及装置 |
CN117764340A (zh) * | 2023-12-21 | 2024-03-26 | 南京工程学院 | 一种新能源电动汽车充电引导分级调控方法 |
CN117764340B (zh) * | 2023-12-21 | 2024-09-27 | 南京工程学院 | 一种新能源电动汽车充电引导分级调控方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107329477A (zh) * | 2017-08-14 | 2017-11-07 | 河海大学常州校区 | 一种无人船导航和自动驾驶设备及其方法 |
CN108444488A (zh) * | 2018-02-05 | 2018-08-24 | 天津大学 | 基于等步采样a*算法的无人驾驶局部路径规划方法 |
CN109945885A (zh) * | 2019-04-16 | 2019-06-28 | 清华大学 | 无人摩托的动态障碍物避障路径规划计算方法 |
CN111397622A (zh) * | 2020-03-26 | 2020-07-10 | 江苏大学 | 基于改进A*算法与Morphin算法的智能汽车局部路径规划方法 |
CN112378408A (zh) * | 2020-11-26 | 2021-02-19 | 重庆大学 | 一种实现轮式移动机器人实时避障的路径规划方法 |
CN112631294A (zh) * | 2020-12-16 | 2021-04-09 | 上海应用技术大学 | 一种移动机器人智能路径规划方法 |
CN112650242A (zh) * | 2020-12-22 | 2021-04-13 | 天津理工大学 | 一种基于混合算法的移动机器人路径规划方法 |
CN112904842A (zh) * | 2021-01-13 | 2021-06-04 | 中南大学 | 一种基于代价势场的移动机器人路径规划与优化方法 |
-
2021
- 2021-06-30 CN CN202110733880.3A patent/CN113359757B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107329477A (zh) * | 2017-08-14 | 2017-11-07 | 河海大学常州校区 | 一种无人船导航和自动驾驶设备及其方法 |
CN108444488A (zh) * | 2018-02-05 | 2018-08-24 | 天津大学 | 基于等步采样a*算法的无人驾驶局部路径规划方法 |
CN109945885A (zh) * | 2019-04-16 | 2019-06-28 | 清华大学 | 无人摩托的动态障碍物避障路径规划计算方法 |
CN111397622A (zh) * | 2020-03-26 | 2020-07-10 | 江苏大学 | 基于改进A*算法与Morphin算法的智能汽车局部路径规划方法 |
CN112378408A (zh) * | 2020-11-26 | 2021-02-19 | 重庆大学 | 一种实现轮式移动机器人实时避障的路径规划方法 |
CN112631294A (zh) * | 2020-12-16 | 2021-04-09 | 上海应用技术大学 | 一种移动机器人智能路径规划方法 |
CN112650242A (zh) * | 2020-12-22 | 2021-04-13 | 天津理工大学 | 一种基于混合算法的移动机器人路径规划方法 |
CN112904842A (zh) * | 2021-01-13 | 2021-06-04 | 中南大学 | 一种基于代价势场的移动机器人路径规划与优化方法 |
Cited By (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113903167A (zh) * | 2021-09-09 | 2022-01-07 | 北京理工大学 | 一种无人驾驶车辆队列的轨迹规划方法及跟踪方法 |
CN113701780A (zh) * | 2021-09-14 | 2021-11-26 | 成都信息工程大学 | 基于a星算法的实时避障规划方法 |
CN113701780B (zh) * | 2021-09-14 | 2023-08-29 | 成都信息工程大学 | 基于a星算法的实时避障规划方法 |
CN113970321A (zh) * | 2021-10-21 | 2022-01-25 | 北京房江湖科技有限公司 | 一种户型动线的计算方法及装置 |
CN114185272A (zh) * | 2021-12-03 | 2022-03-15 | 成都信息工程大学 | 一种基于模型预测控制的具有预览特性的自适应速度智能车辆路径跟踪方法 |
CN114167874A (zh) * | 2021-12-09 | 2022-03-11 | 京东鲲鹏(江苏)科技有限公司 | 信息更新方法、路线筛选方法、装置、设备和介质 |
CN114115291B (zh) * | 2021-12-15 | 2023-06-27 | 合肥工业大学 | 一种复杂非凸环境下的车辆路径规划方法 |
CN114115291A (zh) * | 2021-12-15 | 2022-03-01 | 合肥工业大学 | 一种复杂非凸环境下的车辆路径规划方法 |
CN114355921A (zh) * | 2021-12-28 | 2022-04-15 | 北京易航远智科技有限公司 | 车辆循迹轨迹生成方法、装置、电子设备及存储介质 |
CN114355923A (zh) * | 2021-12-28 | 2022-04-15 | 杭州电子科技大学 | 一种a*引导下基于mpc的轨迹规划及跟踪方法 |
CN114355923B (zh) * | 2021-12-28 | 2024-04-02 | 杭州电子科技大学 | 一种a*引导下基于mpc的轨迹规划及跟踪方法 |
CN114355921B (zh) * | 2021-12-28 | 2022-10-18 | 北京易航远智科技有限公司 | 车辆循迹轨迹生成方法、装置、电子设备及存储介质 |
CN114509936A (zh) * | 2022-04-19 | 2022-05-17 | 之江实验室 | 一种运动能力可在线学习的运动规划方法、装置和介质 |
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 |
CN114750750B (zh) * | 2022-04-28 | 2024-09-20 | 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 |
CN114815845A (zh) * | 2022-05-10 | 2022-07-29 | 山东省计算中心(国家超级计算济南中心) | 一种基于HybridA*算法的自动驾驶农机平滑路径规划方法 |
CN114834484A (zh) * | 2022-05-13 | 2022-08-02 | 中汽创智科技有限公司 | 一种车辆轨迹跟随控制方法、装置、电子设备及存储介质 |
CN115079699A (zh) * | 2022-06-30 | 2022-09-20 | 北京理工大学 | 一种基于模型预测控制的人机共驾汽车的运动规划方法 |
CN115164907B (zh) * | 2022-09-06 | 2022-12-02 | 南京理工大学 | 基于动态权重的a*算法的森林作业机器人路径规划方法 |
CN115164907A (zh) * | 2022-09-06 | 2022-10-11 | 南京理工大学 | 基于动态权重的a*算法的森林作业机器人路径规划方法 |
CN115328174A (zh) * | 2022-10-14 | 2022-11-11 | 杭州华橙软件技术有限公司 | 轨迹规划方法、电子设备及存储介质 |
CN115357032B (zh) * | 2022-10-20 | 2023-01-31 | 上海仙工智能科技有限公司 | 一种基于nurbs的移动机器人路径生成方法、系统及存储介质 |
CN115357032A (zh) * | 2022-10-20 | 2022-11-18 | 上海仙工智能科技有限公司 | 一种基于nurbs的移动机器人路径生成方法、系统及存储介质 |
CN115629607A (zh) * | 2022-10-25 | 2023-01-20 | 湖北汽车工业学院 | 一种融合历史信息的强化学习路径规划方法 |
CN116300977A (zh) * | 2023-05-22 | 2023-06-23 | 北京科技大学 | 一种依托强化学习的铰接车轨迹跟踪控制方法及装置 |
CN116300977B (zh) * | 2023-05-22 | 2023-07-21 | 北京科技大学 | 一种依托强化学习的铰接车轨迹跟踪控制方法及装置 |
CN116719317A (zh) * | 2023-06-01 | 2023-09-08 | 盐城工学院 | 一种基于改进模型预测控制的无人车紧急避障方法 |
CN116414139A (zh) * | 2023-06-07 | 2023-07-11 | 成都理工大学 | 基于A-Star算法的移动机器人复杂路径规划方法 |
CN116414139B (zh) * | 2023-06-07 | 2023-08-11 | 成都理工大学 | 基于A-Star算法的移动机器人复杂路径规划方法 |
CN117055586A (zh) * | 2023-06-28 | 2023-11-14 | 中国科学院自动化研究所 | 基于自适应控制的水下机器人巡游搜索与抓取方法、系统 |
CN117055586B (zh) * | 2023-06-28 | 2024-05-14 | 中国科学院自动化研究所 | 基于自适应控制的水下机器人巡游搜索与抓取方法、系统 |
CN116572258B (zh) * | 2023-07-14 | 2023-09-19 | 中铁十四局集团大盾构工程有限公司 | 一种焊接机器人动态避障控制方法及计算机可读存储介质 |
CN116572258A (zh) * | 2023-07-14 | 2023-08-11 | 中铁十四局集团大盾构工程有限公司 | 一种焊接机器人动态避障控制方法及计算机可读存储介质 |
CN116610129B (zh) * | 2023-07-17 | 2023-09-29 | 山东优宝特智能机器人有限公司 | 一种腿足机器人的局部路径规划方法及系统 |
CN116610129A (zh) * | 2023-07-17 | 2023-08-18 | 山东优宝特智能机器人有限公司 | 一种腿足机器人的局部路径规划方法及系统 |
CN116819973A (zh) * | 2023-08-29 | 2023-09-29 | 北京成功领行汽车技术有限责任公司 | 一种轨迹跟踪控制方法 |
CN116819973B (zh) * | 2023-08-29 | 2023-12-12 | 北京成功领行汽车技术有限责任公司 | 一种轨迹跟踪控制方法 |
CN117057156B (zh) * | 2023-08-30 | 2024-09-27 | 广东工业大学 | 一种陆空两栖飞行器路径搜索方法 |
CN116858254A (zh) * | 2023-09-01 | 2023-10-10 | 青岛中德智能技术研究院 | 单舵轮agv路径规划方法 |
CN117148848B (zh) * | 2023-10-27 | 2024-01-26 | 上海伯镭智能科技有限公司 | 一种无人驾驶车辆智能避障方法及系统 |
CN117148848A (zh) * | 2023-10-27 | 2023-12-01 | 上海伯镭智能科技有限公司 | 一种无人驾驶车辆智能避障方法及系统 |
CN117764340A (zh) * | 2023-12-21 | 2024-03-26 | 南京工程学院 | 一种新能源电动汽车充电引导分级调控方法 |
CN117764340B (zh) * | 2023-12-21 | 2024-09-27 | 南京工程学院 | 一种新能源电动汽车充电引导分级调控方法 |
CN117553819A (zh) * | 2024-01-10 | 2024-02-13 | 齐鲁空天信息研究院 | 无人叉车室外装卸路径规划方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113359757B (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113359757B (zh) | 一种无人驾驶车辆路径规划与轨迹跟踪方法 | |
CN107702716B (zh) | 一种无人驾驶路径规划方法、系统和装置 | |
CN112378408B (zh) | 一种实现轮式移动机器人实时避障的路径规划方法 | |
EP4160147A1 (en) | Method and server for creating and distributing locally aligned navigation information for autonomous driving | |
US11499834B2 (en) | Aligning road information for navigation | |
CN112068545A (zh) | 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 | |
CN110262508A (zh) | 应用于封闭场地无人驾驶货运车辆上的自动引导系统及方法 | |
Lacaze et al. | Path planning for autonomous vehicles driving over rough terrain | |
Zhao et al. | Dynamic motion planning for autonomous vehicle in unknown environments | |
CN108292475A (zh) | 车辆道路网的行驶中使用的预测车辆信息的生成方法以及装置 | |
US11586209B2 (en) | Differential dynamic programming (DDP) based planning architecture for autonomous driving vehicles | |
CN110126825A (zh) | 用于低级别前馈车辆控制策略的系统和方法 | |
CN113721637B (zh) | 智能车动态避障路径连续规划方法、系统及存储介质 | |
CN112269384B (zh) | 一种结合障碍物行为意图的车辆动态轨迹规划方法 | |
CN114771563A (zh) | 一种自动驾驶车辆轨迹规划控制实现方法 | |
CN110928297A (zh) | 基于多目标动态粒子群优化的智能公交车辆路径规划方法 | |
CN114610016A (zh) | 基于障碍物动态虚拟膨胀的智能车辆避碰路径规划方法 | |
CN109709944A (zh) | 一种自动驾驶公交车的进站方法及其进站路径的生成方法 | |
CN109709943A (zh) | 一种自动驾驶公交车进站停靠点的选取方法 | |
Crane Iii et al. | Team CIMAR's NaviGATOR: An unmanned ground vehicle for the 2005 DARPA grand challenge | |
CN114647246A (zh) | 一种时间空间耦合搜索的局部路径规划方法及系统 | |
CN111137298A (zh) | 一种车辆自动驾驶方法、装置、系统和存储介质 | |
Fu et al. | Model predictive trajectory optimization and tracking in highly constrained environments | |
CN116337045A (zh) | 一种基于karto和teb的高速建图导航方法 | |
CN115140096A (zh) | 一种基于样条曲线与多项式曲线的自动驾驶轨迹规划方法 |
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 |