CN113591198B - 路径规划方法及计算机可读介质 - Google Patents

路径规划方法及计算机可读介质 Download PDF

Info

Publication number
CN113591198B
CN113591198B CN202110266832.8A CN202110266832A CN113591198B CN 113591198 B CN113591198 B CN 113591198B CN 202110266832 A CN202110266832 A CN 202110266832A CN 113591198 B CN113591198 B CN 113591198B
Authority
CN
China
Prior art keywords
vehicle
turning radius
new
location
constraint
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
Application number
CN202110266832.8A
Other languages
English (en)
Other versions
CN113591198A (zh
Inventor
蔡孟庭
孙晓
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.)
Black Sesame Intelligent Technology Chongqing Co Ltd
Original Assignee
Black Sesame Intelligent Technology Chongqing 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 Black Sesame Intelligent Technology Chongqing Co Ltd filed Critical Black Sesame Intelligent Technology Chongqing Co Ltd
Publication of CN113591198A publication Critical patent/CN113591198A/zh
Application granted granted Critical
Publication of CN113591198B publication Critical patent/CN113591198B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • B60W30/02—Control of vehicle driving stability
    • B60W30/045—Improving turning performance
    • 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
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/056—Detecting movement of traffic to be counted or controlled with provision for distinguishing direction of travel
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mechanical Engineering (AREA)
  • Geometry (AREA)
  • Transportation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Mathematical Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

一种路径规划的示例方法，包括以下中的至少一者：确定初始位置和至少一个车辆约束条件；预先确定到新位置的距离；基于至少一个车辆约束条件确定最小转弯半径；选择至少与最小转弯半径一样大的车辆转弯半径；基于至少一个车辆约束条件和车辆转弯半径来确定候选位置；验证候选位置相对于新位置是否有效；以及将新位置转换为候选位置。

Description

路径规划方法及计算机可读介质
技术领域
本公开涉及人工神经网络，并且具体地，涉及提供具有物理约束条件的、在三维上融合的广度优先搜索、深度优先搜索以及快速探索随机树搜索。
背景技术
当前，基于快速探索随机树(RRT)的搜索会随机生成新状态，并且如果新状态与树上最接近的状态之间的转换是有效的，则扩展树。这是一种低效的搜索方法。在解决方案的及时性很重要的情况下，寻求一种更有效的解决方案。本公开描述了一种融合了广度优先搜索(BFS)、深度优先搜索(DFS)和快速探索随机树(RRT)搜索的方法。与当前随机地生成新状态的方法相反，所描述的方法从具有有利状态的生长的树中随机选择状态，并基于车辆的物理约束条件(constraint)来扩展树。该方法可提供一种解决方案，以加快产生从一个点到另一个点的路线。
发明内容
一种路径规划的示例方法，包括：确定初始位置和至少一个车辆约束条件；预先确定到新位置的距离；基于至少一个车辆约束条件来确定最小转弯半径；选择至少与最小转弯半径一样大的车辆转弯半径；基于至少一个车辆约束条件和车辆转弯半径来确定候选位置；验证候选位置相对于新位置是否有效；以及将新位置转换为候选位置。
一种示例的非暂时性计算机可读介质，包括指令，当指令被处理器执行时，使得处理器执行：确定初始位置和至少一个车辆约束条件；预先确定到新位置的距离；基于至少一个车辆约束条件确定最小转弯半径；选择至少与最小转弯半径一样大的车辆转弯半径；基于至少一个车辆约束条件和车辆转弯半径来确定候选位置；验证候选位置相对于新位置是否有效；以及将新位置转换为候选位置。
附图说明
在附图中：
图1是根据本公开的一个实施例的第一示例系统；
图2是根据本公开的一个实施例的第二示例系统；
图3是根据本公开的一个实施例的示例概览；以及
图4是根据本公开的一个实施例的示例方法。
具体实施方式
以下列出的实施例仅是为了说明对本设备和方法的应用而进行的撰写，并不限制范围。对这种设备和方法的等同的修改形式应归入权利要求的范围内。
在整个以下描述和权利要求书中，使用某些术语来指代特定系统部件。如本领域技术人员将领会的，不同的团体可用不同的名称来指代部件和/或方法。本文档不意在区分名称不同但功能相同的组件和/或方法。
在以下论述和权利要求书中，术语“包括”和“包含”以开放式方式使用，因此可被解释为表示“包括但不限于……”。此外，术语“耦合”或“耦接”意在表示间接或直接连接。因此，如果第一装置连接到第二装置，则该连接可以是直接连接或经由其他装置和连接的间接连接。
图1描绘了示例混合计算系统100，该混合计算系统100可用于实现与过程600的一个或多个部分或步骤的操作相关联的神经网络。在该示例中，与混合系统相关联的处理器包括现场可编程门阵列(FPGA)122、图形处理器单元(GPU)120和中央处理器(CPU)118。
CPU 118、GPU 120和FPGA 122具有提供神经网络的能力。CPU是可执行许多不同功能的通用处理器，CPU的通用性导致了用以执行多种不同任务的能力。然而，CPU对多个数据流的处理受到限制，并且CPU相对于神经网络的功能受到限制。GPU是图形处理器，具有能够按顺序处理并行任务的许多小型处理核心。FPGA是一种现场可编程装置，FPGA具有被重新配置并且以硬连线电路的方式执行可被编程到CPU或GPU中的任意功能的能力。由于以电路形式对FPGA进行编程，因此其速度比CPU快许多倍，并且明显快于GPU。
系统还可包含其他类型的处理器，诸如加速处理单元(APU)和数字信号处理器(DSP)，APU包括具有片上GPU元件的CPU，DSP被设计为用于执行高速数字数据处理。专用集成电路(ASIC)也可执行FPGA的硬连线功能。然而，用以设计和生产ASIC的前置时间(leadtime)大约为一年的若干个季度，而不是在对FPGA进行编程中可用的快速周转实施时间。
连接有图形处理器单元120、中央处理器118和现场可编程门阵列122，并且图形处理器单元120、中央处理器118和现场可编程门阵列122连接到存储器接口和控制器112。FPGA通过连接至PLC到存储器互连130的可编程逻辑电路连接到存储器接口。利用该额外的装置是因为FPGA在非常大的带宽下运行并且为了使FPGA用以执行存储任务所利用的电路最小化。存储器接口和控制器112另外地连接到永久性存储器盘110、系统存储器114和只读存储器(ROM)116。
图1的系统可用于对FPGA进行编程和训练。GPU与非结构化数据一起很好地运行，并且可用于训练，一旦训练了数据，就可找到确定性的推理模型，并且CPU可利用由GPU确定的模型数据对FPGA进行编程。
存储器接口和控制器连接到中央互连124，中央互连另外连接到GPU 120、CPU 118和FPGA 122。中央互连124另外连接到输入和输出接口128和网络接口126。
图2描绘了第二示例混合计算系统200，该混合计算系统200可用于实现与过程600的一个或多个部分或步骤的操作相关的神经网络。在该示例中，与混合系统相关的处理器包括现场可编程门阵列(FPGA)210和中央处理器(CPU)220。
FPGA电连接到FPGA控制器212，FPGA控制器212与直接存储器存取(DMA)218相连接。DMA连接到输入缓冲器214和输出缓冲器216，输入缓冲器214和输出缓冲器216耦合到FPGA以分别将数据缓冲到FPGA中以及将数据从FPGA缓冲出。DMA 218包括两个先进先出(FIFO)缓冲器，一个用于主CPU，另一个用于FPGA。DMA允许数据被写入适当的缓冲器以及从适当的缓冲器读取数据。
在DMA的CPU侧的是主开关228，主开关228将数据和命令往返传送到DMA。DMA还连接到SDRAM控制器224，该SDRAM控制器224允许将数据从CPU 220传送到FPGA并且允许数据从FPGA传送到CPU 220。SDRAM控制器还连接到外部SDRAM 226和CPU 220。主开关228连接到外围设备接口230。闪存控制器222控制持久性存储器，并连接到CPU 220。
相比先前的方法，所提出的方法可以以更快和更有效的方式提供结果，部分是因为不是随机生成新状态并且不是包括无效状态的选择，而是从已知有效状态的生长的树中选择状态。所描述的方法是灵活的，并且可根据车辆的运动学约束条件进行配置。该方法利用车辆的配置来生长仅具有有效状态的树。所描述的方法高效，且快至足以由车辆内的处理器来执行，因为该方法考虑了汽车的动力学约束条件。路径输出仅从有效状态中选择，并且可由车辆内的处理器来执行。
与随机地扩展树的传统的RRT搜索方法不同，所公开的方法利用BFS-DFS混合方法来扩展树。从生长的树中随机选择状态，并且通过该状态，基于车辆约束条件来确定新状态。
由于该方法生成新的有效状态，因此该类似于BFS的功能帮助RRT以更有效的方式进行探索。
目标状态可用作新生成的状态，并且可确定新状态与树中的最接近状态之间的转换是否有效。如果状态有效，则树将从该状态扩展到目标状态，这意味着找到了路径。
可从生长的树中选择一种状态，并确定该状态与目标状态之间的转换是否有效。如果状态有效，则可将树从该状态扩展到目标状态，表明已找到路径。
如果预先确定了可能的路线，则可将其用作对RRT搜索的引导。以此方式，扩展树是从用作新状态的路径点随机选择的状态。如果新状态与树中的最接近状态之间的转换有效，则偏差在引导方向上扩展树。
对示例方法的描述可包括：从生长的树中随机选择一个状态，在该状态中，该随机选择具有有利于更深的状态(即，远离起始状态的状态)的偏差。以此方式，更深的状态具有更高的选择概率。利用该类似于DFS的功能，该方法着重于将树扩展到未知区域，而不是反复探索接近起始状态的区域。
在从基于车辆约束条件所选择的状态中确定新状态的一个示例方法中，该方法确定在包括(x，y，姿势)的三维(3D)状态中规划的路径。给定汽车动力学约束条件，诸如加速度、速度和转弯半径，可确定新状态。在该路径规划的示例方法中，路径从初始状态开始。3D状态包括位置(x，y)和航向(z)。为了确定新状态，在图3的新状态(分别为图3的车辆314的新状态316、车辆318的新状态320和车辆322的新状态324)与图3的车辆310的初始状态之间选择预定距离，车辆310的初始状态由图3的虚线圆圈312来表示。如果假设车辆以最大速度v行驶，则可确定车辆的最小转弯半径。当知道了最小转弯半径r时，将设定从r到无穷大的有效转弯半径。给定对有效转弯半径的该设定，可在r与无穷大之间进行随机选择，这用于确定图3的伪随机选择316、320和324之间的截距。
伪随机选择的相交由图3中的圆圈316、320和324给出，并且图3的虚线圆圈312可用于确定新状态(x’，y’，z’)，并高度确信该状态是汽车要执行的有效状态。
如果没有有效的新状态，则该示例方法将利用车辆加速度约束条件来减速并计算新的速度v’，并再次重复该方法，因为越慢的速度对应于越小的转弯半径。因此，一旦被提供了车辆参数，诸如最大速度、加速度极限以及当前行驶速度和最小转弯半径的函数等，该方法将产生有效的新状态。
该方法结合了BFS、DFS和RRT搜索的优点。该方法利用类似RRT的功能朝着随机方向探索，利用类似BFS的功能扩展探索区域，并利用类似DFS的功能深入未知区域。通过将空间探索方法融合，发现了以有效方式输出正确结果的新方法。
图4描绘了一种示例性方法，该方法包括：确定410初始位置和至少一个车辆约束条件；预先确定412到新位置的距离；以及基于至少一个车辆约束条件来确定414最小转弯半径。该方法还包括：选择416至少与最小转弯半径一样大的车辆转弯半径；基于至少一个车辆约束条件和车辆转弯半径来确定418候选位置；验证420该候选位置相对于新位置是否有效；以及将新位置转换422为候选位置。
该方法还可包括：如果新位置未被验证为有效，则减少至少一个车辆约束条件。该至少一个车辆约束条件可以是车辆速度，并且其中最小转弯半径基于车辆速度，并且至少一个车辆约束条件包括最大速度和加速度极限中的至少一者。对车辆转弯半径的选择可以是伪随机的，并且将车辆转弯半径选择为朝着较大的转弯半径加权。
该方法还可包括：如果候选位置无效，则减小车辆加速度以减小车辆速度；基于减小后的车辆速度来确定新的候选位置；验证新的候选位置相对于该新位置是否有效；以及将新位置转换为新的候选位置。
示例非暂时性计算机可读介质包括指令，该指令在由处理器读取时使处理器执行：确定初始位置和至少一个车辆约束条件；预先确定到新位置的距离；以及基于至少一个车辆约束条件来确定最小转弯半径。处理器还执行：选择至少与最小转弯半径一样大的车辆转弯半径；基于至少一个车辆约束条件和车辆转弯半径来确定候选位置；验证该候选位置相对于新位置是否有效；以及将新位置转换为候选位置。
如果新位置未被验证为有效，则处理器还减少至少一个车辆约束条件。该至少一个车辆约束条件可以是车辆速度，并且其中最小转弯半径基于车辆速度，并且至少一个车辆约束条件包括最大速度和加速度极限中的至少一者。对车辆转弯半径的选择可以是伪随机的，并且将车辆转弯半径的选择朝着较大的转弯半径加权。
如果候选位置无效，则处理器还减小车辆加速度以减小车辆速度、基于减小后的车辆速度确定新的候选位置、验证新的候选位置相对于该新位置是否有效以及将新位置转换为新的候选位置。
本领域技术人员将领会的是，本文所描述的各种说明性块、模块、元件、部件、方法和算法可被实现为电子硬件、计算机软件或两者的组合。为了说明硬件和软件的这种可互换性，以上已经根据其功能大体上描述了各种说明性的块、模块、元件、组件、方法和算法。将这样的功能实现为硬件还是软件取决于具体的应用和施加在整个系统上的设计约束条件。技术人员可针对每个具体的应用以不同方式来实现所描述的功能。在均不背离本主题技术的范围的情况下，各种部件和块可被不同地布置(例如，以不同的顺序布置或以不同的方式划分)。
应当理解的是，所公开的过程中步骤的特定顺序或层级是对示例方法的说明。基于设计偏好，应当理解的是，可重新排列过程中步骤的特定顺序或层级。一些步骤可被同时执行。随附的方法权利要求以示例顺序呈现了各个步骤的要素，并不意味着受限于所呈现的特定顺序或层级。
提供先前的描述以使得本领域的任意技术人员能够实践本文所描述的各个方面。先前的描述提供了本主题技术的各种示例，并且本主题技术不限于这些示例。对这些方面的各种修改对于本领域技术人员而言将是显而易见的，并且本文中定义的一般原理可应用于其他方面。因此，不意在将权利要求受限于本文中所示出的各方面，而是意在使全部范围与权利要求的语言表述相一致，其中以单数形式提及元素并不意在表示“一个且仅一个”，除非明确如此阐明，否则而是表示“一个或多个”。除非另有明确阐明，否则术语“一些”是指一个或多个。男性代词(例如，他的)包括女性和中性性别(例如，她及它)，反之亦然。标题和副标题，如果有的话，仅是为了方便起见，并不限制本发明。谓语词“被配置以”、“可操作以”和“被编程以”并不意味着对对象进行任意具体的有形或无形修改，而是意在将其互换使用。例如，被配置以监测和控制操作或部件的处理器也可意味着处理器被编程以监测和控制操作或处理器可被操作以以监测和控制操作。同样地，被配置以执行代码的处理器可被解释为被编程以执行代码或可被操作以执行代码的处理器。
诸如“方面”的短语并不意味着这样的方面对于本主题技术是必不可少的，也不意味着这样的方面适用于本主题技术的所有配置。与一个方面有关的公开内容可应用于所有配置，或者一个或多个配置。一个方面可提供一个或多个示例。诸如方面的短语可指一个或多个方面，反之亦然。诸如“实施例”的短语并不意味着这样的实施例对于本主题技术是必不可少的，也不意味着这样的实施例适用于本主题技术的所有配置。与一个实施例有关的公开内容可适用于所有实施例，或者一个或多个实施例。实施例可提供一个或多个示例。诸如“实施例”的短语可指一个或多个实施例，反之亦然。诸如“配置”的短语并不意味着这样的配置对于本主题技术是必不可少的，也不意味着这样的配置适用于本主题技术的所有配置。与一个配置有关的公开内容可适用于所有配置，或者一个或多个配置。一种配置可提供一个或多个示例。诸如“配置”的短语可指一个或多个配置，反之亦然。
词语“示例”在本文中用来表示“用作示例或说明”。本文中被描述为“示例”的任意方面或设计不必然被解释为比其他方面或设计更优选或更有利。
对于本领域普通技术人员而言是已知或以后将知道的是，在整个本公开中所描述的各个方面的元件的所有结构和功能等同物均通过引用明确地并入本文，并且意在被权利要求书所涵盖。此外，无论在权利要求书中是否明确叙述了这样的公开内容，都不意在将其捐献于公众。除非使用短语“用于……的手段”明确叙述该要素，或者在方法权利要求的情况下，使用短语“用于……的步骤”来叙述该元素，否则任何权利要求的要素均不得根据美国专利法35U.S.C.、§112、第六段的规定进行解释。此外，针对说明书或权利要求书中使用术语“包括(include)”、“具有(have)”等的程度，这样的术语旨在被包括在术语“包含”的方式内，类似于当“包括”在权利要求中被用作连接词时，对“包括”的解释那样。
对“一个实施例”、“一实施例”、“一些实施例”、“各种实施例”等的引用指示具体的要素或特征被包括在本发明的至少一个实施例中。虽然这些短语可出现在各个地方，但是这些短语不一定指的是同一实施例。结合本公开，本领域技术人员将能够设计和结合适用于实现上述功能的各种机构中的任意一者。
应当理解的是，本公开仅教导了说明性实施例的一个示例，并且本领域技术人员在阅读了本公开之后可容易地设计出本发明的许多变型，并且本发明的范围将由以下权利要求所确定。

Claims (18)

1.一种路径规划的方法，包括：
确定初始位置和至少一个车辆约束条件；
预先确定到新位置的距离；
基于所述至少一个车辆约束条件来确定最小转弯半径；
选择至少与所述最小转弯半径一样大的车辆转弯半径；
基于所述至少一个车辆约束条件和所述车辆转弯半径来确定候选位置；
验证所述候选位置相对于所述新位置是否有效；
将所述新位置转换为所述候选位置；以及
如果所述新位置未被验证为有效，则修改所述至少一个车辆约束条件。
2.根据权利要求1所述的方法，其特征在于，所述至少一个车辆约束条件是车辆速度，并且其中所述最小转弯半径是基于所述车辆速度。
3.根据权利要求1所述的方法，其特征在于，所述至少一个车辆约束条件包括最大速度和加速度极限中的至少一者。
4.根据权利要求1所述的方法，其特征在于，将所述车辆转弯半径随机地选择为大于所述最小转弯半径。
5.根据权利要求1所述的方法，其特征在于，将所述车辆转弯半径选择为朝着较大的转弯半径加权。
6.根据权利要求1所述的方法，还包括如果所述候选位置无效，则减小车辆加速度以减小车辆速度。
7.根据权利要求6所述的方法，还包括基于减小后的所述车辆速度来确定新的候选位置。
8.根据权利要求7所述的方法，还包括验证所述新的候选位置相对于所述新位置是否有效。
9.根据权利要求8所述的方法，还包括将所述新位置转换为新的候选位置。
10.一种非暂时性计算机可读介质，包括指令，当所述指令被处理器执行时，使得所述处理器执行：
确定初始位置和至少一个车辆约束条件；
预先确定到新位置的距离；
基于所述至少一个车辆约束条件来确定最小转弯半径；
选择至少与所述最小转弯半径一样大的车辆转弯半径；
基于所述至少一个车辆约束条件和所述车辆转弯半径来确定候选位置；
验证所述候选位置相对于所述新位置是否有效；将所述新位置转换为所述候选位置；以及
如果所述新位置未被验证为有效，则使所述处理器修改所述至少一个车辆约束条件。
11.根据权利要求10所述的非暂时性计算机可读介质，其特征在于，所述至少一个约束条件是车辆速度，并且其中所述最小转弯半径是基于所述车辆速度。
12.根据权利要求10所述的非暂时性计算机可读介质，其特征在于，所述至少一个车辆约束条件包括最大速度和加速度极限中的至少一者。
13.根据权利要求10所述的非暂时性计算机可读介质，其特征在于，将所述车辆转弯半径随机地选择为大于所述最小转弯半径。
14.根据权利要求10所述的非暂时性计算机可读介质，其特征在于，将所述车辆转弯半径选择为朝着较大的转弯半径加权。
15.根据权利要求10所述的非暂时性计算机可读介质，还包括如果所述候选位置无效，则使所述处理器减小车辆加速度以减小车辆速度的指令。
16.根据权利要求15所述的非暂时性计算机可读介质，还包括使所述处理器基于减小后的所述车辆速度来确定新的候选位置的指令。
17.根据权利要求16所述的非暂时性计算机可读介质，还包括使所述处理器验证所述新的候选位置相对于所述新位置是否有效的指令。
18.根据权利要求17所述的非暂时性计算机可读介质，还包括使所述处理器将所述新位置转换为新的候选位置的指令。
CN202110266832.8A 2020-03-11 2021-03-11 路径规划方法及计算机可读介质 Active CN113591198B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/815,620 2020-03-11
US16/815,620 US11427184B2 (en) 2020-03-11 2020-03-11 Breadth first search-depth first search three dimensional rapid exploring random tree search with physical constraints

Publications (2)

Publication Number Publication Date
CN113591198A CN113591198A (zh) 2021-11-02
CN113591198B true CN113591198B (zh) 2023-09-22

Family

ID=77664323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110266832.8A Active CN113591198B (zh) 2020-03-11 2021-03-11 路径规划方法及计算机可读介质

Country Status (2)

Country Link
US (1) US11427184B2 (zh)
CN (1) CN113591198B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3171133A1 (en) * 2015-11-19 2017-05-24 Sikorsky Aircraft Corporation Kinematic motion planning with regional planning constraints
CN107702716A (zh) * 2017-08-31 2018-02-16 广州小鹏汽车科技有限公司 一种无人驾驶路径规划方法、系统和装置
CN109521763A (zh) * 2017-09-18 2019-03-26 百度（美国）有限责任公司 用于自动驾驶车辆的基于约束平滑样条的路径优化
CN109582024A (zh) * 2018-12-27 2019-04-05 济南大学 一种智能铲运机的路径规划方法
CN110530390A (zh) * 2019-09-16 2019-12-03 哈尔滨工程大学 一种在狭窄环境下的非质点车辆路径规划方法
CN110647142A (zh) * 2018-06-27 2020-01-03 百度（美国）有限责任公司 使用优化方法规划自动驾驶车辆的停车轨迹生成
CN110667576A (zh) * 2019-10-18 2020-01-10 北京百度网讯科技有限公司 自动驾驶车辆的弯道通行控制方法、装置、设备和介质
CN110861650A (zh) * 2019-11-21 2020-03-06 驭势科技（北京）有限公司 车辆的路径规划方法、装置，车载设备和存储介质

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5610815A (en) * 1989-12-11 1997-03-11 Caterpillar Inc. Integrated vehicle positioning and navigation system, apparatus and method
US5640323A (en) * 1990-02-05 1997-06-17 Caterpillar Inc. System and method for operating an autonomous navigation system
US5177685A (en) * 1990-08-09 1993-01-05 Massachusetts Institute Of Technology Automobile navigation system using real time spoken driving instructions
JP2633169B2 (ja) * 1992-11-19 1997-07-23 株式会社小糸製作所 車輌用コーナリングランプシステム
US6680694B1 (en) * 1997-08-19 2004-01-20 Siemens Vdo Automotive Corporation Vehicle information system
JP4235026B2 (ja) * 2003-04-28 2009-03-04 トヨタ自動車株式会社 駐車支援装置
US7447593B2 (en) * 2004-03-26 2008-11-04 Raytheon Company System and method for adaptive path planning
US8532862B2 (en) * 2006-11-29 2013-09-10 Ryan A. Neff Driverless vehicle
AU2007340727A1 (en) * 2006-12-28 2008-07-10 Kabushiki Kaisha Toyota Jidoshokki Parking assistance device, component for parking assistance device, parking assistance method, parking assistance program, method and program for calculating vehicle travel parameter, device for calculating vehicle travel parameter, and component for device for calculating vehicle travel parameter
US8068983B2 (en) * 2008-06-11 2011-11-29 The Boeing Company Virtual environment systems and methods
JP5468549B2 (ja) * 2008-10-28 2014-04-09 株式会社アドヴィックス 車両の走行制御装置
US8954260B2 (en) * 2010-06-15 2015-02-10 GM Global Technology Operations LLC Method and system for collision assessment for vehicles
US9415718B2 (en) * 2011-06-08 2016-08-16 Denso Corporation Vehicular headlight apparatus
US9180882B1 (en) * 2012-06-20 2015-11-10 Google Inc. Avoiding blind spots of other vehicles
CA2992687A1 (en) * 2015-07-21 2017-01-26 Nissan Motor Co., Ltd. Drive planning device, travel assistance apparatus, and drive planning method
GB201602440D0 (en) * 2016-02-11 2016-03-30 Jaguar Land Rover Ltd Improvements in vehicle speed control
JP6642331B2 (ja) * 2016-08-23 2020-02-05 株式会社デンソー 運転支援制御装置
JP6565893B2 (ja) * 2016-12-26 2019-08-28 トヨタ自動車株式会社 運転支援装置
JP2018136240A (ja) * 2017-02-23 2018-08-30 三菱電機株式会社 推定装置、推定方法、推定装置を備えた追尾装置、および推定方法を備えた追尾方法
US11218626B2 (en) * 2017-07-28 2022-01-04 Black Sesame International Holding Limited Fast focus using dual cameras
JP6881219B2 (ja) * 2017-10-18 2021-06-02 トヨタ自動車株式会社 衝突前制御装置及び衝突前制御方法
US10576991B2 (en) * 2018-02-09 2020-03-03 GM Global Technology Operations LLC Systems and methods for low level feed forward vehicle control strategy
WO2019204296A1 (en) * 2018-04-16 2019-10-24 Ohio University Obstacle avoidance guidance for ground vehicles
US11462111B2 (en) * 2019-04-29 2022-10-04 Qualcomm Incorporated Method and apparatus for vehicle maneuver planning and messaging
US11407409B2 (en) * 2019-08-13 2022-08-09 Zoox, Inc. System and method for trajectory validation
US11397434B2 (en) * 2019-08-13 2022-07-26 Zoox, Inc. Consistency validation for vehicle trajectory selection
US11458965B2 (en) * 2019-08-13 2022-10-04 Zoox, Inc. Feasibility validation for vehicle trajectory selection

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3171133A1 (en) * 2015-11-19 2017-05-24 Sikorsky Aircraft Corporation Kinematic motion planning with regional planning constraints
CN107702716A (zh) * 2017-08-31 2018-02-16 广州小鹏汽车科技有限公司 一种无人驾驶路径规划方法、系统和装置
CN109521763A (zh) * 2017-09-18 2019-03-26 百度（美国）有限责任公司 用于自动驾驶车辆的基于约束平滑样条的路径优化
CN110647142A (zh) * 2018-06-27 2020-01-03 百度（美国）有限责任公司 使用优化方法规划自动驾驶车辆的停车轨迹生成
CN109582024A (zh) * 2018-12-27 2019-04-05 济南大学 一种智能铲运机的路径规划方法
CN110530390A (zh) * 2019-09-16 2019-12-03 哈尔滨工程大学 一种在狭窄环境下的非质点车辆路径规划方法
CN110667576A (zh) * 2019-10-18 2020-01-10 北京百度网讯科技有限公司 自动驾驶车辆的弯道通行控制方法、装置、设备和介质
CN110861650A (zh) * 2019-11-21 2020-03-06 驭势科技（北京）有限公司 车辆的路径规划方法、装置，车载设备和存储介质

Also Published As

Publication number Publication date
CN113591198A (zh) 2021-11-02
US20210284130A1 (en) 2021-09-16
US11427184B2 (en) 2022-08-30

Similar Documents

Publication Publication Date Title
EP3714290B1 (en) Lidar localization using 3d cnn network for solution inference in autonomous driving vehicles
CN110796856B (zh) 车辆变道意图预测方法及变道意图预测网络的训练方法
US11137762B2 (en) Real time decision making for autonomous driving vehicles
US11308391B2 (en) Offline combination of convolutional/deconvolutional and batch-norm layers of convolutional neural network models for autonomous driving vehicles
WO2021072923A1 (zh) 一种面向乘员损伤风险的碰撞严重性预测方法
WO2020154973A1 (en) Lidar localization using rnn and lstm for temporal smoothness in autonomous driving vehicles
CN111898211A (zh) 基于深度强化学习的智能车速度决策方法及其仿真方法
EP3749976A1 (en) Deep learning based feature extraction for lidar localization of autonomous driving vehicles
JP2020001678A (ja) 重み付け幾何学的コストを有する区分的螺旋曲線を使用した基準線平滑化方法
CN113366501A (zh) 拆分网络加速架构
CN211956161U (zh) 一种域控制器系统及汽车
US20210116920A1 (en) Controlling movement of a device
Dong et al. Spatio-weighted information fusion and DRL-based control for connected autonomous vehicles
JP7544057B2 (ja) 情報処理装置、および情報処理方法、並びにプログラム
CN113591823B (zh) 深度预测模型的训练及人脸深度图像的生成方法、装置
CN116490858A (zh) 自主交通工具关键场景的自适应生成和评估
CN113591198B (zh) 路径规划方法及计算机可读介质
KR20220035343A (ko) 자율 운전 특징의 확정 방법, 장치, 기기, 매체 및 컴퓨터 프로그램
CN109814533A (zh) 一种多模块融合的智能网联车在环测试系统
JP7413249B2 (ja) 情報処理装置、情報処理方法
CN111738046B (zh) 对用于基于深度学习的装置的学习的虚拟世界模拟器的物理引擎进行标定的方法及装置
CN111781920B (zh) 自动驾驶方法、装置和存储介质
US11904905B2 (en) Dynamic adjustment of autonomous vehicle system based on deep learning optimizations
JP7444141B2 (ja) 処理システム、処理装置、処理方法、処理プログラム
CN113432618A (zh) 轨迹生成方法、装置、计算设备及计算机可读存储介质

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