CN113654556A - 一种基于改进em算法的局部路径规划方法、介质及设备 - Google Patents
一种基于改进em算法的局部路径规划方法、介质及设备 Download PDFInfo
- Publication number
- CN113654556A CN113654556A CN202110756851.9A CN202110756851A CN113654556A CN 113654556 A CN113654556 A CN 113654556A CN 202110756851 A CN202110756851 A CN 202110756851A CN 113654556 A CN113654556 A CN 113654556A
- Authority
- CN
- China
- Prior art keywords
- constraint
- speed
- obstacle
- vehicle
- path
- 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 34
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 16
- 238000005070 sampling Methods 0.000 claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 8
- 230000004888 barrier function Effects 0.000 claims description 3
- 230000036461 convulsion Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于改进EM算法的局部路径规划方法、介质及设备，所述方法包括：输入参考线、障碍物及其预测轨迹、车辆状态；根据障碍物生成Voronoi图并进行点采样；根据采样点生成路径并计算代价；选取代价最小的路径作为最优路径；根据参考线和车辆运动学约束获取车辆速度上限；根据车辆和障碍物生成速度并计算代价；选取代价最小的速度作为最优速度；根据约束条件和优化目标进行速度优化；将路径和速度进行合成，生成轨迹。本发明是根据障碍物之间的空间分布情况进行路径搜索，进行点采样时减少无效采样点，可以提高效率；本发明用尽可能远离障碍物的路径表示弧，如果控制过程产生位置误差，车辆也不会碰到障碍物，可以保证无人驾驶车辆安全行驶。
Description
技术领域
本发明涉及路径规划，特别是一种基于改进EM算法的局部路径规划方法、介质及设备。
背景技术
无人驾驶技术是一个涉及人工智能、传感技术、地图技术以及计算机等诸多前沿科技的综合技术。因此，技术层面无疑是无人驾驶首先要面临的一大问题。
众所周知，无人驾驶对车载传感器是十分依赖。就拿现阶段先进的传感器类型来说，激光雷达是被最认为是无人驾驶最重要的传感器之一，具有高精度和高分辨率的优势，但缺点是造价高昂、技术难度大，远远达不到民用普及。虽然已经有开发者在尽力降低激光雷达的成本，但短时间内依然是难以做到大规模量产。而高精度GPS地图技术对于无人驾驶同样非常重要，如何尽可能减少误差，帮助无人车预先得知路面的复杂信息也是无人驾驶研发者的关键任务。
目前全球的无人驾驶路测，基本上都会选择在人车稀少的地区。按照国内复杂的道路交通情况，无人驾驶很难适应人车混杂、道路拥挤、地面标线不清楚的城市路况。所以，无人驾驶要想在复杂的交通情况下安全应用，必须针对中国式路况收集大量的路况数据，并精确计算出相应的驾驶方案。当然，这将是一个极其复杂庞大的系统工程。
非结构化道路一般是指城市非主干道、乡村街道等结构化程度较低的道路，没有车道线和清晰的道路边界，再加上受阴影和水迹等的影响，道路区域和非道路区域难以区分。多变的道路类型，复杂的环境背景，以及阴影、水迹和变化的天气等等都是无人驾驶车辆在非结构化道路实现无人驾驶所面临的困难。在非结构化道路中，车辆、电动车、三轮车、行人等具有随机性，造成无人驾驶车辆在此类复杂环境下的路径规划及行驶失败率较高，这也是无人驾驶车辆待解决的重要问题之一。
EM算法常用于局部路径规划，其在一定纵向范围内根据道路边界进行横向的均匀点采样，在完成采样后进行路径生成及最优路径选取，在最优路径选取过程中才考虑障碍物，这样在进行路径生成及最优路径选取过程中会浪费很多时间和算力，且采样点间隔是人为预先设定的，没有考虑实际情况下障碍物之间的空间分布情况，在一定概率上会导致无法成功规划出行驶路径，使得规划成功率不高。
发明内容
发明目的：本发明的目的是提供一种可高效安全规划路径的基于改进EM算法的局部路径规划方法、介质及设备。
技术方案：本发明所述的一种基于改进EM算法的局部路径规划方法，包括以下步骤：
(1)输入参考线、障碍物检测结果、障碍物轨迹预测结果及车辆状态；
(2)根据障碍物生成Voronoi图并进行点采样；
(3)根据所有采样点生成路径并进行代价计算；不同纵向之间的点通过五次多项式来平滑连接，生成路径后通过代价函数的总和来评估每条路径。总的代价函数是平滑度、避障和车道代价函数的线性组合；
(4)选取代价最小的路径作为最优路径；根据每条路径的代价总和，选出一条代价最小的路径作为候选路径；
(5)根据参考线及车辆运动学约束获取速度上限；此步骤主要考虑车辆的动力学约束，例如向心力、向心加速度等约束条件，结合道路的速度上限获取车辆运动的最大速度；
(6)根据车辆速度上限及障碍物生成速度并进行代价计算；根据自车速度范围计算得到自车的纵向距离范围，在纵向距离范围内进行速度曲线的生成，生成速度后通过代价函数的总和来评估每条速度曲线。总的代价函数是速度保持、平滑度和避障代价函数的线性组合；
(7)选取代价最小的速度作为最优速度；根据每条速度的代价总和，选出一条代价最小的速度作为候选速度曲线；
(8)根据约束条件和优化目标进行速度优化；
(9)将路径和速度进行合成，生成轨迹；根据路径的纵向距离范围，将速度曲线添加到路径上，生成轨迹。
所述步骤(2)具体为：
(2.1)根据障碍物生成生成Voronoi图；
(2.2)对步骤(2.1)中的Voronoi图进行点采样。
所述步骤(2.1)具体为：
(2.1.1)通过将障碍物边界形状分割成许多小线段，可将障碍物边界近似为大量点，这样就获取了表示多边形障碍物的一组离散点；
(2.1.2)对得到的离散点进行Delaunay三角剖分，采用增量法，逐个添加顶点到图中，并采用Quad-Edge表示三角形的边；
(2.1.3)对得到的Delaunay三角剖分中的每个三角形的每条边计算通道宽度；
(2.1.4)生成Voronoi图。
所述步骤(2.2)具体为：
(2.2.1)纵向点采样根据车辆速度和最小采样距离取点；
(2.2.2)横向点采样根据Voronoi边的通道宽度，取通道宽度的中心点作为横向采样点。
所述步骤(2.1.3)具体为：
(2.1.3.1)获取与该边相关联的左边三角形的所有的顶点，计算该三角形的外接圆的圆心，作为Voronoi边的起始顶点
(2.1.3.2)获取与该边相关联的右边三角形的所有顶点，计算该三角形的外接圆的圆心，作为Voronoi边的终止顶点
(2.1.3.3)假设该Voronoi边的起始顶点和终止顶点位于障碍物内部，就删除该Voronoi边，并继续搜索Delaunay三角剖分中的其他边。否则转入步骤④，判断Voronoi边表示的通道宽度。
(2.1.3.4)选取右边的三角形，在右三角形中，如果三个点位于不同的障碍物的边上，则取三角形的第一个点和第二个点的连线长度Wr作为通道宽度，否则转入步骤(2.1.3.5)。
如图2(a)所示，对于边ca三角形△cab为左三角形，其外接圆心点为p，△acd为右三角形，其外接圆心点为q。右三角形△acd的三个顶点在三个不同的障碍物上，此时认为在右三角形△acd中，通道宽度为Wr＝|ac|。
(2.1.3.5)在右三角形中，如果有两个点位于同一个障碍物的边上，则计算三角形中不在同一个障碍物的点到对边的垂直距离，取该距离为通道宽度Wr。
如图2(b)所示，对于边cb三角形△cba为左三角形，其外接圆心点为p，△bcd为右三角形，其外接圆心点为q。右三角形△bcd的三个顶点中c和d两个顶点在同一个障碍物上，bh为垂线，此时认为在右三角形△bcd中，通道宽度为Wr＝|bh|。
(2.1.3.6)左边的三角形按照右边的三角形执行相同的操作，得到通道宽度Wl，取W＝min(Wl,Wr)作为该Voronoi边表示的通道的宽度。
假设障碍物之间的最小间隙为2.1米，车辆的宽度为2.1米，当计算得到的通道宽度大于2.1米时则认为车辆可以通过。
步骤(8)中所述约束条件具体为：
起始点函数值约束f(0)＝0；等式约束；
起始点速度约束f'(0)＝v0＝初始速度；等式约束；
单调性约束，即随时间t增大，s＝f(t)一定是不变或增大(单调递增)，因为车会停下或前进，不后退；不等式约束；
分界点处各阶导数连续平滑性约束，这里用了0～3阶导数；等式约束；
采样时刻t对应的自车s坐标范围约束；不等式约束；
采样时刻t对应的自车速度范围约束；不等式约束；
采样时刻t对应的自车加速度范围约束；不等式约束。
步骤(8)中所述优化目标包括加速度、加加速度、参考线参考速度、决策速度、路径参考速度、正则项。
步骤(8)中采用的优化方法为qpOASES库优化。
一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述的基于改进EM算法的局部路径规划方法。
一种计算机设备，包括储存器、处理器及存储在存储器上并可再处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于改进EM算法的局部路径规划方法。
有益效果：与现有技术相比，本发明具有如下优点：
1、本发明是根据障碍物之间的空间分布情况进行路径搜索，可以保证在进行点采样时减少无效采样点，由此减少路径生成及最优路径选取的时间，提高资源利用率；
2、本发明用尽可能远离障碍物的路径表示弧，如果在控制过程中产生位置误差，车辆也不会碰到障碍物，可以保证无人驾驶车辆安全行驶。
附图说明
图1为本发明所述的改进EM算法的步骤流程图；
图2为生成Voronoi图过程中计算通道宽度的具体计算过程，其中图2(a)为三个顶点位于不同的障碍物，图2(b)为有两个顶点位于相同的障碍物。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
实施例1：
如图1所示，一种基于改进EM算法的局部路径规划方法，包括以下步骤：
(1)输入参考线、障碍物检测结果、障碍物轨迹预测结果及车辆状态；
(2)根据障碍物生成Voronoi图并进行点采样；
所述步骤(2)具体为：
(2.1)根据障碍物生成生成Voronoi图；
(2.2)对步骤(2.1)中的Voronoi图进行点采样。
所述步骤(2.1)具体为：
(2.1.1)通过将障碍物边界形状分割成许多小线段，可将障碍物边界近似为大量点，这样就获取了表示多边形障碍物的一组离散点；
(2.1.2)对得到的离散点进行Delaunay三角剖分，采用增量法，逐个添加顶点到图中，并采用Quad-Edge表示三角形的边；
(2.1.3)对得到的Delaunay三角剖分中的每个三角形的每条边计算通道宽度；
(2.1.4)生成Voronoi图。
所述步骤(2.1.3)具体为：
(2.1.3.1)获取与该边相关联的左边三角形的所有的顶点，计算该三角形的外接圆的圆心，作为Voronoi边的起始顶点
(2.1.3.2)获取与该边相关联的右边三角形的所有顶点，计算该三角形的外接圆的圆心，作为Voronoi边的终止顶点
(2.1.3.3)假设该Voronoi边的起始顶点和终止顶点位于障碍物内部，就删除该Voronoi边，并继续搜索Delaunay三角剖分中的其他边。否则转入步骤④，判断Voronoi边表示的通道宽度。
(2.1.3.4)选取右边的三角形，在右三角形中，如果三个点位于不同的障碍物的边上，则取三角形的第一个点和第二个点的连线长度Wr作为通道宽度，否则转入步骤(2.1.3.5)。
如图2(a)所示，对于边ca三角形△cab为左三角形，其外接圆心点为p，△acd为右三角形，其外接圆心点为q。右三角形△acd的三个顶点在三个不同的障碍物上，此时认为在右三角形△acd中，通道宽度为Wr＝|ac|。
(2.1.3.5)在右三角形中，如果有两个点位于同一个障碍物的边上，则计算三角形中不在同一个障碍物的点到对边的垂直距离，取该距离为通道宽度Wr。
如图2(b)所示，对于边cb三角形△cba为左三角形，其外接圆心点为p，△bcd为右三角形，其外接圆心点为q。右三角形△bcd的三个顶点中c和d两个顶点在同一个障碍物上，bh为垂线，此时认为在右三角形△bcd中，通道宽度为Wr＝|bh|。
(2.1.3.6)左边的三角形按照右边的三角形执行相同的操作，得到通道宽度Wl，取W＝min(Wl,Wr)作为该Voronoi边表示的通道的宽度。
假设障碍物之间的最小间隙为2.1米，车辆的宽度为2.1米，当计算得到的通道宽度大于2.1米时则认为车辆可以通过。
所述步骤(2.2)具体为：
(2.2.1)纵向点采样根据车辆速度和最小采样距离取点；
(2.2.2)横向点采样根据Voronoi边的通道宽度，取通道宽度的中心点作为横向采样点。
(3)根据所有采样点生成路径并进行代价计算；不同纵向之间的点通过五次多项式来平滑连接，生成路径后通过代价函数的总和来评估每条路径。总的代价函数是平滑度、避障和车道代价函数的线性组合；
(4)选取代价最小的路径作为最优路径；根据每条路径的代价总和，选出一条代价最小的路径作为候选路径；
(5)根据参考线及车辆运动学约束获取速度上限；此步骤主要考虑车辆的动力学约束，例如向心力、向心加速度等约束条件，结合道路的速度上限获取车辆运动的最大速度；
(6)根据车辆速度上限及障碍物生成速度并进行代价计算；根据自车速度范围计算得到自车的纵向距离范围，在纵向距离范围内进行速度曲线的生成，生成速度后通过代价函数的总和来评估每条速度曲线。总的代价函数是速度保持、平滑度和避障代价函数的线性组合；
(7)选取代价最小的速度作为最优速度；根据每条速度的代价总和，选出一条代价最小的速度作为候选速度曲线；
(8)根据约束条件和优化目标进行速度优化；
步骤(8)中所述约束条件具体为：
起始点函数值约束f(0)＝0；等式约束；
起始点速度约束f'(0)＝v0＝初始速度；等式约束；
单调性约束，即随时间t增大，s＝f(t)一定是不变或增大(单调递增)，因为车会停下或前进，不后退；不等式约束；
分界点处各阶导数连续平滑性约束，这里用了0～3阶导数；等式约束；
采样时刻t对应的自车s坐标范围约束；不等式约束；
采样时刻t对应的自车速度范围约束；不等式约束；
采样时刻t对应的自车加速度范围约束；不等式约束。
步骤(8)中所述优化目标包括加速度、加加速度、参考线参考速度、决策速度、路径参考速度、正则项。
步骤(8)中采用的优化方法为qpOASES库优化。
(9)将路径和速度进行合成，生成轨迹；根据路径的纵向距离范围，将速度曲线添加到路径上，生成轨迹。
实施例2：
一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述的基于改进EM算法的局部路径规划方法。
实施例3：
一种计算机设备，包括储存器、处理器及存储在存储器上并可再处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于改进EM算法的局部路径规划方法。
Claims (10)
1.一种基于改进EM算法的局部路径规划方法，其特征在于，包括以下步骤：
(1)输入参考线、障碍物检测结果、障碍物轨迹预测结果及车辆状态；
(2)根据障碍物生成Voronoi图并进行点采样；
(3)根据所有采样点生成路径并进行代价计算；
(4)选取代价最小的路径作为最优路径；
(5)根据参考线及车辆运动学约束获取速度上限；
(6)根据车辆速度上限及障碍物生成速度并进行代价计算；
(7)选取代价最小的速度作为最优速度；
(8)根据约束条件和优化目标进行速度优化；
(9)将路径和速度进行合成，生成轨迹。
2.根据权利要求1所述的方法，其特征在于，所述步骤(2)具体为：
(2.1)根据障碍物生成生成Voronoi图；
(2.2)对步骤(2.1)中的Voronoi图进行点采样。
3.根据权利要求2所述的方法，其特征在于，所述步骤(2.1)具体为：
(2.1.1)通过将障碍物边界形状分割成许多小线段，可将障碍物边界近似为大量点，这样就获取了表示多边形障碍物的一组离散点；
(2.1.2)对得到的离散点进行Delaunay三角剖分，采用增量法，逐个添加顶点到图中，并采用Quad-Edge表示三角形的边；
(2.1.3)对得到的Delaunay三角剖分中的每个三角形的每条边计算通道宽度；
(2.1.4)生成Voronoi图。
4.根据权利要求2所述的方法，其特征在于，所述步骤(2.2)具体为：
(2.2.1)纵向点采样根据车辆速度和最小采样距离取点；
(2.2.2)横向点采样根据Voronoi边的通道宽度，取通道宽度的中心点作为横向采样点。
5.根据权利要求3所述的方法，其特征在于，所述步骤(2.1.3)具体为：
(2.1.3.1)获取与该边相关联的左边三角形的所有的顶点，计算该三角形的外接圆的圆心，作为Voronoi边的起始顶点；
(2.1.3.2)获取与该边相关联的右边三角形的所有顶点，计算该三角形的外接圆的圆心，作为Voronoi边的终止顶；
(2.1.3.3)假设该Voronoi边的起始顶点和终止顶点位于障碍物内部，就删除该Voronoi边，并继续搜索Delaunay三角剖分中的其他边；否则转入步骤④，判断Voronoi边表示的通道宽度；
(2.1.3.4)选取右边的三角形，在右三角形中，如果三个点位于不同的障碍物的边上，则取三角形的第一个点和第二个点的连线长度Wr作为通道宽度，否则转入步骤(2.1.3.5)；
(2.1.3.5)在右三角形中，如果有两个点位于同一个障碍物的边上，则计算三角形中不在同一个障碍物的点到对边的垂直距离，取该距离为通道宽度Wr；
(2.1.3.6)左边的三角形按照右边的三角形执行相同的操作，得到通道宽度Wl，取W＝min(Wl,Wr)作为该Voronoi边表示的通道的宽度。
6.根据权利要求1所述的方法，其特征在于，步骤(8)中所述约束条件具体为：
起始点函数值约束f(0)＝0；等式约束；
起始点速度约束f'(0)＝v0＝初始速度；等式约束；
单调性约束，即随时间t增大，s＝f(t)一定是不变或增大(单调递增)，因为车会停下或前进，不后退；不等式约束；
分界点处各阶导数连续平滑性约束，这里用了0～3阶导数；等式约束；
采样时刻t对应的自车s坐标范围约束；不等式约束；
采样时刻t对应的自车速度范围约束；不等式约束；
采样时刻t对应的自车加速度范围约束；不等式约束。
7.根据权利要求1所述的方法，其特征在于，步骤(8)中所述优化目标包括加速度、加加速度、参考线参考速度、决策速度、路径参考速度、正则项。
8.根据权利要求1所述的方法，其特征在于，步骤(8)中采用的优化方法为qpOASES库优化。
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-8中任一项所述的基于改进EM算法的局部路径规划方法。
10.一种计算机设备，包括储存器、处理器及存储在存储器上并可再处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8中任一项所述的基于改进EM算法的局部路径规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110756851.9A CN113654556B (zh) | 2021-07-05 | 2021-07-05 | 一种基于改进em算法的局部路径规划方法、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110756851.9A CN113654556B (zh) | 2021-07-05 | 2021-07-05 | 一种基于改进em算法的局部路径规划方法、介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113654556A true CN113654556A (zh) | 2021-11-16 |
| CN113654556B CN113654556B (zh) | 2024-08-13 |
Family
ID=78477964
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110756851.9A Active CN113654556B (zh) | 2021-07-05 | 2021-07-05 | 一种基于改进em算法的局部路径规划方法、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113654556B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114834463A (zh) * | 2022-06-28 | 2022-08-02 | 小米汽车科技有限公司 | 车辆控制方法、装置、存储介质、电子设备、芯片及车辆 |
| CN115309169A (zh) * | 2022-10-11 | 2022-11-08 | 天地科技股份有限公司 | 一种井下无人车控制方法及装置 |
| CN115855095A (zh) * | 2022-12-01 | 2023-03-28 | 酷黑科技（北京）有限公司 | 一种自主导航方法、装置及电子设备 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101943916A (zh) * | 2010-09-07 | 2011-01-12 | 陕西科技大学 | 一种基于卡尔曼滤波器预测的机器人避障方法 |
| KR20160088638A (ko) * | 2015-01-16 | 2016-07-26 | 한국과학기술원 | 모션 플래닝 장치 및 방법 |
| CN109213169A (zh) * | 2018-09-20 | 2019-01-15 | 湖南万为智能机器人技术有限公司 | 移动机器人的路径规划方法 |
| CN109814576A (zh) * | 2019-02-22 | 2019-05-28 | 百度在线网络技术（北京）有限公司 | 自动驾驶车辆的速度规划方法、装置和存储介质 |
| CN110362096A (zh) * | 2019-08-13 | 2019-10-22 | 东北大学 | 一种基于局部最优性的无人驾驶车辆动态轨迹规划方法 |
| CN110749333A (zh) * | 2019-11-07 | 2020-02-04 | 中南大学 | 基于多目标优化的无人驾驶车辆运动规划方法 |
| CN111830979A (zh) * | 2020-07-13 | 2020-10-27 | 广州小鹏车联网科技有限公司 | 一种轨迹优化方法和装置 |
| CN112068545A (zh) * | 2020-07-23 | 2020-12-11 | 哈尔滨工业大学（深圳） | 一种无人驾驶车辆在十字路口的行驶轨迹规划方法、系统及存储介质 |
| CN112389427A (zh) * | 2021-01-19 | 2021-02-23 | 腾讯科技（深圳）有限公司 | 车辆轨迹优化方法、装置、电子设备和存储介质 |
| US20210109537A1 (en) * | 2019-10-09 | 2021-04-15 | Wuhan University | Autonomous exploration framework for indoor mobile robotics using reduced approximated generalized voronoi graph |
| CN112810630A (zh) * | 2021-02-05 | 2021-05-18 | 山东大学 | 一种自动驾驶车辆轨迹规划方法及系统 |
-
2021
- 2021-07-05 CN CN202110756851.9A patent/CN113654556B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101943916A (zh) * | 2010-09-07 | 2011-01-12 | 陕西科技大学 | 一种基于卡尔曼滤波器预测的机器人避障方法 |
| KR20160088638A (ko) * | 2015-01-16 | 2016-07-26 | 한국과학기술원 | 모션 플래닝 장치 및 방법 |
| CN109213169A (zh) * | 2018-09-20 | 2019-01-15 | 湖南万为智能机器人技术有限公司 | 移动机器人的路径规划方法 |
| CN109814576A (zh) * | 2019-02-22 | 2019-05-28 | 百度在线网络技术（北京）有限公司 | 自动驾驶车辆的速度规划方法、装置和存储介质 |
| CN110362096A (zh) * | 2019-08-13 | 2019-10-22 | 东北大学 | 一种基于局部最优性的无人驾驶车辆动态轨迹规划方法 |
| US20210109537A1 (en) * | 2019-10-09 | 2021-04-15 | Wuhan University | Autonomous exploration framework for indoor mobile robotics using reduced approximated generalized voronoi graph |
| CN110749333A (zh) * | 2019-11-07 | 2020-02-04 | 中南大学 | 基于多目标优化的无人驾驶车辆运动规划方法 |
| CN111830979A (zh) * | 2020-07-13 | 2020-10-27 | 广州小鹏车联网科技有限公司 | 一种轨迹优化方法和装置 |
| CN112068545A (zh) * | 2020-07-23 | 2020-12-11 | 哈尔滨工业大学（深圳） | 一种无人驾驶车辆在十字路口的行驶轨迹规划方法、系统及存储介质 |
| CN112389427A (zh) * | 2021-01-19 | 2021-02-23 | 腾讯科技（深圳）有限公司 | 车辆轨迹优化方法、装置、电子设备和存储介质 |
| CN112810630A (zh) * | 2021-02-05 | 2021-05-18 | 山东大学 | 一种自动驾驶车辆轨迹规划方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 余卓平;李奕姗;熊璐;: "无人车运动规划算法综述", 同济大学学报(自然科学版), no. 08, 31 August 2017 (2017-08-31) * |
| 冯洪奎等: "广义 Voronoi图求解多机器人运动规划", 《计算机工程与应用》, pages 1 - 4 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114834463A (zh) * | 2022-06-28 | 2022-08-02 | 小米汽车科技有限公司 | 车辆控制方法、装置、存储介质、电子设备、芯片及车辆 |
| CN114834463B (zh) * | 2022-06-28 | 2022-11-04 | 小米汽车科技有限公司 | 车辆控制方法、装置、存储介质、电子设备、芯片及车辆 |
| CN115309169A (zh) * | 2022-10-11 | 2022-11-08 | 天地科技股份有限公司 | 一种井下无人车控制方法及装置 |
| AU2023201045B1 (en) * | 2022-10-11 | 2023-04-13 | Ccteg Energy Technology Development Co., Ltd. | Method for controlling side mining unmanned vehicle and device |
| CN115855095A (zh) * | 2022-12-01 | 2023-03-28 | 酷黑科技（北京）有限公司 | 一种自主导航方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113654556B (zh) | 2024-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108983781B (zh) | 一种无人车目标搜索系统中的环境探测方法 | |
| CN113654556B (zh) | 一种基于改进em算法的局部路径规划方法、介质及设备 | |
| CN111750886B (zh) | 局部路径规划方法及装置 | |
| CN111971574B (zh) | 用于自动驾驶车辆的lidar定位的基于深度学习的特征提取 | |
| US11790668B2 (en) | Automated road edge boundary detection | |
| US10436595B2 (en) | Method and system for updating localization maps of autonomous driving vehicles | |
| Gwon et al. | Generation of a precise and efficient lane-level road map for intelligent vehicle systems | |
| CN111771135B (zh) | 自动驾驶车辆中使用rnn和lstm进行时间平滑的lidar定位 | |
| CN112539749B (zh) | 机器人导航方法、机器人、终端设备及存储介质 | |
| Han et al. | Precise localization and mapping in indoor parking structures via parameterized SLAM | |
| CN112212874A (zh) | 车辆轨迹预测方法、装置、电子设备及计算机可读介质 | |
| CN115639823B (zh) | 崎岖起伏地形下机器人地形感知与移动控制方法及系统 | |
| CN113670305B (zh) | 泊车轨迹生成方法、装置、计算机设备和存储介质 | |
| US20240310176A1 (en) | Method and apparatus for predicting travelable lane | |
| CN113984080A (zh) | 一种适用于大型复杂场景下的分层局部路径规划方法 | |
| US20230056589A1 (en) | Systems and methods for generating multilevel occupancy and occlusion grids for controlling navigation of vehicles | |
| CN113515111B (zh) | 一种车辆避障路径规划方法及装置 | |
| CN115540850A (zh) | 一种激光雷达与加速度传感器结合的无人车建图方法 | |
| US12025465B2 (en) | Drivable surface map for autonomous vehicle navigation | |
| CN116653963B (zh) | 车辆变道控制方法、系统和智能驾驶域控制器 | |
| US20230413712A1 (en) | Path finding method and system for weeding robot | |
| CN116136417B (zh) | 一种面向越野环境的无人驾驶车辆局部路径规划方法 | |
| CN115230688B (zh) | 障碍物轨迹预测方法、系统和计算机可读存储介质 | |
| Qingkai et al. | Lightweight HD map construction for autonomous vehicles in non-paved roads | |
| Virt et al. | An Online Path Planning Algorithm for Automated Vehicles for Slow Speed Maneuvering |
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 |