CN113654569A - 一种路径规划方法、系统及存储介质 - Google Patents

一种路径规划方法、系统及存储介质 Download PDF

Info

Publication number
CN113654569A
CN113654569A CN202110938181.2A CN202110938181A CN113654569A CN 113654569 A CN113654569 A CN 113654569A CN 202110938181 A CN202110938181 A CN 202110938181A CN 113654569 A CN113654569 A CN 113654569A
Authority
CN
China
Prior art keywords
vehicle
environmental
driving
potential field
environmental vehicle
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.)
Pending
Application number
CN202110938181.2A
Other languages
English (en)
Inventor
燕冬
黄少堂
王爱春
吴晓建
雷耀
时乐泉
江会华
顾祖飞
张超
李煜
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.)
Jiangling Motors Corp Ltd
Original Assignee
Jiangling Motors Corp 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 Jiangling Motors Corp Ltd filed Critical Jiangling Motors Corp Ltd
Priority to CN202110938181.2A priority Critical patent/CN113654569A/zh
Publication of CN113654569A publication Critical patent/CN113654569A/zh
Pending legal-status Critical Current

Links

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
    • G01C21/26—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
    • 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
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3492—Special 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)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明提供了一种路径规划方法、系统及存储介质，涉及汽车技术领域，该方法包括：通过车载传感器获取以本车为中心预设范围内的环境车辆的行驶状态数据；根据所述环境车辆的行驶状态数据，对所述环境车辆的驾驶意图进行聚类识别，并根据所述环境车辆的驾驶意图对环境车辆的行车轨迹进行预测；根据预测的环境车辆的行车轨迹建立势场函数，根据所述势场函数动态规划本车的行驶路径。本发明能够解决现有技术中人工势场算法在相邻若干个规划周期的避撞路径一致性差，在一些紧急情况下，可能导致无效的避撞规划的技术问题。

Description

一种路径规划方法、系统及存储介质
技术领域
本发明涉及汽车技术领域，特别涉及一种路径规划方法、系统及存储介质。
背景技术
无人驾驶技术是目前汽车领域的研究热点，涉及环境信息感知、路径规划及路径跟踪控制等关键环节。在路径规划阶段，人工势场路径规划算法因其方法简单、计算效率高等优点，已在机器人及无人驾驶车辆中得到应用。
人工势场路径规划算法，包括引力场及斥力场，计算两个势场的负梯度便可得到智能车避撞路径行驶方向，结合智能车当前车速，实现避撞路径计算。传统的人工势场路径规划算法，在每个路径规划周期内，斥力场的计算将环境车辆或障碍物位置视为静态，即将其坐标位置值视为定值。而在实际行驶环境中，环境车辆(或障碍物)往往为动态移动的，由此导致传统人工势场算法在相邻若干个规划周期的避撞路径一致性差，在一些紧急情况下，甚至导致无效的避撞规划。
为提高避撞路径的一致性、合理性及有效性，有必要考虑环境车辆(或障碍物)的动态移动性，通过考虑环境车辆驾驶意图的路径预测，实时对每个路径规划步长中斥力场计算所需的环境车辆位置进行更新。
发明内容
基于此，本发明的目的是提供一种路径规划方法、系统及存储介质，旨在解决现有技术中人工势场算法在相邻若干个规划周期的避撞路径一致性差，在一些紧急情况下，甚至导致无效的避撞规划的技术问题。
本发明的一方面在于提供一种路径规划方法，所述方法包括：
通过车载传感器获取以本车为中心预设范围内的环境车辆的行驶状态数据；
根据所述环境车辆的行驶状态数据，对所述环境车辆的驾驶意图进行聚类识别，并根据所述环境车辆的驾驶意图对环境车辆的行车轨迹进行预测；
根据预测的环境车辆的行车轨迹建立势场函数，根据所述势场函数动态规划本车的行驶路径。
根据上述技术方案的一方面，所述环境车辆的行驶状态数据至少包括环境车辆的位置与运动速度，根据所述环境车辆的驾驶意图对环境车辆的行车轨迹进行预测的步骤，具体包括：
获取所述环境车辆的高斯分布预测模型；
将所述环境车辆的位置、运动速度代入所述高斯分布预测模型确定所述环境车辆的行车轨迹；
获取所述环境车辆在未来一预设时间段内的位置预测序列(Xob-p，Yob-p)。
根据上述技术方案的一方面，根据预测的环境车辆的行车轨迹建立势场函数的步骤，具体包括：
获取本车的位置、运动速度以及目标点位置；
根据本车位置与所述目标点位置建立引力势场函数，根据所述环境车辆的行车轨迹、本车运动速度与所述环境车辆的运动速度建立斥力势场函数；
根据所述引力势场函数和所述斥力势场函数建立所述势场函数。
根据上述技术方案的一方面，所述引力势场函数的表达式为：
Uatt(X,Y)＝f(Xcar，Ycar,Xgoal,Ygoal)
其中，(Xgoal，Ygoal)为目标点的坐标位置，(Xcar，Ycar)为本车的坐标位置。
根据上述技术方案的一方面，所述斥力势场函数的表达式为：
Figure BDA0003213671960000021
其中，ρ0为环境车辆斥力势场作用边缘至环境车辆的距离，(Xob，Yob)为环境车辆的坐标位置，A为环境车辆斥力势场纵向作用范围，A的取值为本车的最短制动距离，B为环境车辆斥力势场侧向作用范围，B的取值为一个车道宽度。
根据上述技术方案的一方面，根据所述势场函数动态规划本车的行驶路径的步骤，具体包括：
建立引力势场负梯度函数
Figure BDA0003213671960000031
和斥力势场负梯度函数
Figure BDA0003213671960000032
对所述引力势场负梯度函数与所述斥力势场负梯度函数进行矢量合成，取合矢量方向为本车规划的避障轨迹前进方向。
根据上述技术方案的一方面，对所述引力势场负梯度函数与所述斥力势场负梯度函数进行矢量合成，取合矢量方向为本车规划的避障轨迹前进方向的步骤，具体包括：
取计算步长为dt，根据本车当前行驶速度v，计算一个步长dt内、沿矢量合成确定的避障轨迹前进方向行驶距离vdt，得到本车轨迹规划点(Xcar-p，Ycar-p)；
在下一个计算步长中，将本车位置由(Xcar，Ycar)更新为(Xcar-p，Ycar-p)，将环境车辆位置(Xob，Yob)更新成(Xob-p，Yob-p)。
本发明的另一方面在于提供一种路径规划系统，所述系统包括：
获取模块，用于通过车载传感器获取以本车为中心预设范围内的环境车辆的行驶状态数据；
预测模块，用于根据所述环境车辆的行驶状态数据，对所述环境车辆的驾驶意图进行聚类识别，并根据所述环境车辆的驾驶意图对环境车辆的行车轨迹进行预测；
规划模块，用于根据预测的环境车辆的行车轨迹建立势场函数，根据所述势场函数动态规划本车的行驶路径。
根据上述技术方案的一方面，所述预测模块还用于：
获取所述环境车辆的高斯分布预测模型；
将所述环境车辆的位置、运动速度代入所述高斯分布预测模型确定所述环境车辆的行车轨迹；
获取所述环境车辆在未来一预设时间段内的位置预测序列(Xob-p，Yob-p)。
本发明的再一方面在于提供一种计算机存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由所述处理器执行时用于实现上述技术方案所述的路径规划方法。
与现有技术相比，采用本发明提供的路径规划方法、系统及存储介质，通过获取环境车辆的位置以及对驾驶意图的分析，能够得出环境车辆在未来一段时间内的行车路径，从而便于本车时刻调整行车轨迹，能够有效提升本车智能驾驶的一致性、合理性及有效性。
附图说明
图1为本发明第一实施例中的路径规划方法的流程图；
图2为本发明第二实施例中的人工势场示意图；
图3为本发明第二实施例中的路径规划方法的流程图；
图4为本发明第三实施例中的路径规划方法的结构示意图；
以下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参阅图1，本发明的第一实施例提供了一种路径规划方法，所述方法包括步骤S10-S30：
步骤S10，通过车载传感器获取以本车为中心预设范围内的环境车辆的行驶状态数据；
本实施例中环境车辆可以是运动的或静止的，也可以是移动的障碍物或静止的障碍物，由于在车辆行驶过程中的道路参与者主要以运动的车辆为主，为了便于描述，统称环境车辆。
其中，车载传感器例如是安装于车头或车尾的毫米波雷达、激光雷达、固态激光雷达、高清摄像头等环境感知器件，用于获取本车行车过程中的道路信息及环境车辆信息。
预设范围例如是以本车当前位置为中心，本车道左右各一个共计三个车道内200m的范围，通过车载传感器获取车辆行进方向的环境车辆的行驶状态数据，该行驶状态数据至少包括环境车辆的位置信息，通过计算得到环境车辆与本车的距离。
步骤S20，根据所述环境车辆的行驶状态数据，对所述环境车辆的驾驶意图进行聚类识别，并根据所述环境车辆的驾驶意图对环境车辆的行车轨迹进行预测；
通过车载传感器获取到环境车辆的行驶状态数据后，车载传感器将环境车辆行驶状态数据发送给对应的控制单元，控制单元对环境车辆行驶状态数据进行解析后，得到环境车辆的当前位置、与本车的相对位置，环境车辆的当前速度以、与本车的相对速度，以及环境车辆的转向信息，通过采集到上述环境车辆行驶状态信息，便可对环境车辆的驾驶意图进行聚类分析，并采用采用卡尔曼滤波或长短期记忆网络LSTM等算法，对环境车辆的行驶轨迹进行预测；
在本实施例当中，环境车辆的驾驶意图包括但不限于环境车辆的加速与制动，环境车辆的左变道与右变道，以及环境车辆匀速在当前车道行驶等几种驾驶意图。
其中需要说明的是，环境车辆的加速与制动是根据环境车辆的加速度变化来判断的，而环境车辆的左变道与右变道是根据环境车辆的转向灯或者实质转向行为来判断的。
本实施例当中所示的实质转向行为指：环境车辆在未正确使用转向灯光或未开启转向灯光的情况下偏离远车道，是一种可能影响本车智能驾驶的驾驶行为。
步骤S30，根据预测的环境车辆的行车轨迹建立势场函数，根据所述势场函数动态规划本车的行驶路径。
在本车智能驾驶的过程中，智能驾驶模块以及路径规划模块时刻采集行车信号以及时刻规划行车路径，在此过程中，时刻根据环境车辆的位置按照驾驶意图进行行车轨迹的更新。
例如本车与一环境车辆同向行驶在高速公路上，环境车辆在左侧第一车道行驶，本车在左侧第二车道行驶，环境车辆处于本车前方150m，当本车通过车载传感器采集到环境车道开启右转向灯和\或亮起刹车灯时，则控制本车减速行驶；在环境车辆换道完成后，若车载传感器检测到环境车辆的右转向灯依然开启，并且还探测到在环境车辆的右前方有一高速匝道，则智能驾驶模块判断环境车辆可能需要在左侧第二车道继续行驶一段距离后要驶出高速，因此，智能驾驶模块向路径规划模块发出路径规划请求，路径规划模块重新规划本车避让环境车辆的行车轨迹，则控制本车在左侧第二车道跟车行驶或者是向左换道至左侧第一车道行驶。
采用本实施例当中所示的路径规划方法，通过获取环境车辆的位置以及对驾驶意图的分析，能够得出环境车辆在未来一段时间内的行车路径，从而便于本车时刻调整行车轨迹，能够有效提升本车智能驾驶的一致性、合理性及有效性。
本发明的第二实施例提供了一种路径规划方法，本实施例所示的路径规划方法中：
采用基于模型或数据驱动的状态预测算法对环境车辆的行车轨迹进行预测的步骤，具体包括步骤S21-S22：
步骤S21，获取所述环境车辆的高斯分布预测模型；
步骤S22，将所述环境车辆的位置、运动速度代入所述高斯分布预测模型确定所述环境车辆的行车轨迹；
步骤S23，获取所述环境车辆在未来一预设时间段内的位置预测序列(Xob-p，Yob-p)。
其中，未来一段时间例如是环境车辆在即将发生的5s的时间，通过状态预测算法计算得出环境车辆在未来5s内的位置预测序列，例如车辆在未来1s时处于(X1、Y1)位置，车辆在未来2s时处于(X2、Y2)位置，通过将这些位置之间的弧线连接，构成环境车辆在未来5s内的行车轨迹，从而使得本车能够根据环境车辆的行车轨迹进行灵活调整。
在本实施例中，根据预测的环境车辆的行车轨迹建立势场函数的步骤，具体包括：
获取本车的位置、运动速度以及目标点位置；
根据本车位置与所述目标点位置建立引力势场函数，根据所述环境车辆的行车轨迹、本车运动速度与所述环境车辆的运动速度建立斥力势场函数；
根据所述引力势场函数和所述斥力势场函数建立所述势场函数。
具体而言，所述引力势场函数的表达式为：
Uatt(X,Y)＝f(Xcar，Ycar,Xgoal,Ygoal)
其中，(Xgoal，Ygoal)为目标点的坐标位置，(Xcar，Ycar)为本车的坐标位置。
具体而言，所述斥力势场函数的表达式为：
Figure BDA0003213671960000071
其中，ρ0为环境车辆斥力势场作用边缘至环境车辆的距离，(Xob，Yob)为环境车辆的坐标位置，A为环境车辆斥力势场纵向作用范围，A的取值为本车的最短制动距离，B为环境车辆斥力势场侧向作用范围，B的取值为一个车道宽度。
在本实施例当中，根据所述势场函数动态规划本车的行驶路径的步骤，具体包括：
建立引力势场负梯度函数
Figure BDA0003213671960000072
和斥力势场负梯度函数
Figure BDA0003213671960000073
对所述引力势场负梯度函数与所述斥力势场负梯度函数进行矢量合成，取合矢量方向为本车规划的避障轨迹前进方向。
其中，对所述引力势场负梯度函数与所述斥力势场负梯度函数进行矢量合成，取合矢量方向为本车规划的避障轨迹前进方向的步骤，具体包括：
取计算步长为dt，根据本车当前行驶速度v，计算一个步长dt内、沿矢量合成确定的避障轨迹前进方向行驶距离vdt，得到本车轨迹规划点(Xcar-p，Ycar-p)；
在下一个计算步长中，将本车位置由(Xcar，Ycar)更新为(Xcar-p，Ycar-p)，
将环境车辆位置(Xob，Yob)更新成(Xob-p，Yob-p)。
请结合图2-3，其中图3示出了本实施例中路径规划方法的流程图，具体的：
在本车自动驾驶的路径规划过程中，其具有若干个规划周期，当第i个规划周期开始后，智能驾驶模块获取目标位置i、本车规划位置点k以及障碍物当前位置k。其中，目标位置i为本车在下一时间段需要到达的位置，如上述实施例当中本车向左变道至左侧第一车道，此时本车左前方的左侧第一车道即为目标位置。本车规划点位置k为本车在做出一系列规划动作后的位置。障碍物当前位置例如为环境车辆在下一时间段可能到达的位置。
通过引力势场函数计算目标位置i与自车规划位置点k的引力势场，并基于引力势场得到引力势场负梯度。通过斥力势场函数计算自车规划点位置k与障碍物当前位置k的斥力势场，并基于斥力势场得到斥力势场负梯度。通过将引力势场负梯度与斥力势场负梯度进行合力分析，可得到二者的合力方向，即可得到本车在下一时刻需要前行的方向，从而得到自车规划位置点k+1。
在自车规划位置点k+1的计算过程中，还应充分考虑自车的当前车速u，以及自车的步长△t。
在对自车的规划位置点k+1的位置进行计算后，在对应时间内，通过获取自车的当前位置，判断自车是否到达目标点。
若是，则说明自车已按照规划轨迹准确到达目标点，从而完成第i个周期的路径规划；
若否，则更新自车位置规划点，循环执行上述步骤，直至自车能够准确叨叨目标点。
而本车对环境车辆的行车轨迹进行预测的过程中，通过本车的车载传感器获取到环境车辆的行驶状态数据，基于模型驱动算法或数据驱动算法对环境车辆的轨迹进行预测得到k+1，在环境车辆行驶时，时刻更新环境车辆的位置点，以判断环境车辆的行驶轨迹是否会影响本车的自动驾驶。
在此应当说明的是，障碍物可以是移动或静止的环境车辆，同样也可以是道路上的固定的障碍物(如道路缺陷)或移动的障碍物(如前车掉落的货物)。
采用本实施例当中所示的路径规划方法，通过获取环境车辆的位置以及对驾驶意图的分析，能够得出环境车辆在未来一段时间内的行车路径，从而便于本车时刻调整行车轨迹，能够有效提升本车智能驾驶的一致性、合理性及有效性。
本发明的第三实施例提供了一种路径规划系统，所述系统包括：
获取模块10，用于通过车载传感器获取以本车为中心预设范围内的环境车辆的行驶状态数据；
本实施例中环境车辆可以是运动的或静止的，也可以是移动的障碍物或静止的障碍物，由于在车辆行驶过程中的道路参与者以运动的车辆为主，为了便于描述，统称环境车辆。
其中，车载传感器例如是安装于车头或车尾的毫米波雷达、激光雷达、固态激光雷达、高清摄像头等环境感知器件，用于获取本车行车过程中的道路信息及环境车辆信息。
预设范围例如是以本车当前位置为原点，本车道左右各一个共计三个车道内200m的范围，通过车载传感器获取车辆行进方向的环境车辆的行驶状态数据，该行驶状态数据至少包括环境车辆的位置信息，通过计算得到环境车辆与本车的距离。
预测模块20，用于根据所述环境车辆的行驶状态数据，对所述环境车辆的驾驶意图进行聚类识别，并根据所述环境车辆的驾驶意图对环境车辆的行车轨迹进行预测；
通过车载传感器获取到环境车辆的行驶状态数据后，车载传感器将环境车辆行驶状态数据发送给对应的控制单元，控制单元对环境车辆行驶状态数据进行解析后，得到环境车辆的当前位置、与本车的相对位置，环境车辆的当前速度以、与本车的相对速度，以及环境车辆的转向信息，通过采集到上述环境车辆行驶状态信息，便可对环境车辆的驾驶意图进行聚类分析，并采用采用卡尔曼滤波或长短期记忆网络LSTM等算法，对环境车辆的行驶轨迹进行预测；
在本实施例当中，环境车辆的驾驶意图包括但不限于环境车辆的加速与制动，环境车辆的左变道与右变道，以及环境车辆匀速在当前车道行驶等几种驾驶意图。
其中需要说明的是，环境车辆加速与制动是根据环境车辆的加速度变化来判断的，而环境车辆的左变道与右变道是根据环境车辆的转向灯以及实质转向行为来判断的。
本实施例当中所示的实质转向行为指：环境车辆在未正确使用转向灯光或未开启转向灯光的情况下偏离远车道，是一种可能影响本车智能驾驶的驾驶行为。
规划模块30，用于根据预测的环境车辆的行车轨迹建立势场函数，根据所述势场函数动态规划本车的行驶路径。
在本车智能驾驶的过程中，智能驾驶模块以及路径规划模块时刻采集行车信号以及时刻规划行车路径，在此过程中，时刻根据环境车辆的位置按照驾驶意图进行行车轨迹的更新。
例如本车与一环境车辆同向行驶在高速公路上，环境车辆在左侧第一车道行驶，本车在左侧第二车道行驶，环境车辆处于本车前方150m，当本车通过车载传感器采集到环境车道开启右转向灯和\或亮起刹车灯时，则控制本车减速行驶；在环境车辆换道完成后，车载传感器检测到环境车辆的右转向灯依然开启，并且还检测到在环境车辆的右前方有一高速匝道，则智能驾驶模块判断环境车辆可能需要在左侧第二车道继续行驶一段距离后要驶出高速，因此，智能驾驶模块向路径规划模块发出路径规划请求，路径规划模块重新规划本车避让环境车辆的行车轨迹，则控制本车在左侧第二车道跟车行驶或者是向左换道至左侧第一车道行驶。
在本实施例中，所述预测模块还用于：
获取所述环境车辆的高斯分布预测模型；
将所述环境车辆的位置、运动速度代入所述高斯分布预测模型确定所述环境车辆的行车轨迹；
获取所述环境车辆在未来一预设时间段内的位置预测序列(Xob-p，Yob-p)。
采用本实施例当中所示的路径规划系统，通过获取环境车辆的位置以及对驾驶意图的分析，能够得出环境车辆在未来一段时间内的行车路径，从而便于本车时刻调整行车轨迹，能够有效提升本车智能驾驶的一致性、合理性及有效性。
本发明的第四实施例提供了一种计算机存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由所述处理器执行时用于实现上述实施例中所述的路径规划方法。本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种路径规划方法，其特征在于，所述方法包括：
通过车载传感器获取以本车为中心预设范围内的环境车辆的行驶状态数据；
根据所述环境车辆的行驶状态数据，对所述环境车辆的驾驶意图进行聚类识别，并根据所述环境车辆的驾驶意图对环境车辆的行车轨迹进行预测；
根据预测的环境车辆的行车轨迹建立势场函数，根据所述势场函数动态规划本车的行驶路径。
2.根据权利要求1所述的路径规划方法，其特征在于，所述环境车辆的行驶状态数据至少包括环境车辆的位置与运动速度，根据所述环境车辆的驾驶意图对环境车辆的行车轨迹进行预测的步骤，具体包括：
获取所述环境车辆的高斯分布预测模型；
将所述环境车辆的位置、运动速度代入所述高斯分布预测模型确定所述环境车辆的行车轨迹；
获取所述环境车辆在未来一预设时间段内的位置预测序列(Xob-p，Yob-p)。
3.根据权利要求1所述的路径规划方法，其特征在于，根据预测的环境车辆的行车轨迹建立势场函数的步骤，具体包括：
获取本车的位置、运动速度以及目标点位置；
根据本车位置与所述目标点位置建立引力势场函数，根据所述环境车辆的行车轨迹、本车运动速度与所述环境车辆的运动速度建立斥力势场函数；
根据所述引力势场函数和所述斥力势场函数建立所述势场函数。
4.根据权利要求3所述的路径规划方法，其特征在于，所述引力势场函数的表达式为：
Uatt(X,Y)＝f(Xcar，Ycar,Xgoal,Ygoal)
其中，(Xgoal，Ygoal)为目标点的坐标位置，(Xcar，Ycar)为本车的坐标位置。
5.根据权利要求3所述的路径规划方法，其特征在于，所述斥力势场函数的表达式为：
Figure FDA0003213671950000021
其中，ρ0为环境车辆斥力势场作用边缘至环境车辆的距离，(Xob，Yob)为环境车辆的坐标位置，A为环境车辆斥力势场纵向作用范围，A的取值为本车的最短制动距离，B为环境车辆斥力势场侧向作用范围，B的取值为一个车道宽度。
6.根据权利要求1-5任一项所述的路径规划方法，其特征在于，根据所述势场函数动态规划本车的行驶路径的步骤，具体包括：
建立引力势场负梯度函数-
Figure FDA0003213671950000022
和斥力势场负梯度函数-
Figure FDA0003213671950000023
对所述引力势场负梯度函数与所述斥力势场负梯度函数进行矢量合成，取合矢量方向为本车规划的避障轨迹前进方向。
7.根据权利要求6所述的路径规划方法，其特征在于，对所述引力势场负梯度函数与所述斥力势场负梯度函数进行矢量合成，取合矢量方向为本车规划的避障轨迹前进方向的步骤，具体包括：
取计算步长为dt，根据本车当前行驶速度v，计算一个步长dt内、沿矢量合成确定的避障轨迹前进方向行驶距离vdt，得到本车轨迹规划点(Xcar-p，Ycar-p)；
在下一个计算步长中，将本车位置由(Xcar，Ycar)更新为(Xcar-p，Ycar-p)，将环境车辆位置(Xob，Yob)更新成(Xob-p，Yob-p)。
8.一种路径规划系统，其特征在于，所述系统包括：
获取模块，用于通过车载传感器获取以本车为中心预设范围内的环境车辆的行驶状态数据；
预测模块，用于根据所述环境车辆的行驶状态数据，对所述环境车辆的驾驶意图进行聚类识别，并根据所述环境车辆的驾驶意图对环境车辆的行车轨迹进行预测；
规划模块，用于根据预测的环境车辆的行车轨迹建立势场函数，根据所述势场函数动态规划本车的行驶路径。
9.根据权利要求8所述的路径规划系统，其特征在于，所述预测模块还用于：
获取所述环境车辆的高斯分布预测模型；
将所述环境车辆的位置、运动速度代入所述高斯分布预测模型确定所述环境车辆的行车轨迹；
获取所述环境车辆在未来一预设时间段内的位置预测序列(Xob-p，Yob-p)。
10.一种计算机存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由所述处理器执行时用于实现如权利要求1-7任一项所述的路径规划方法。
CN202110938181.2A 2021-08-16 2021-08-16 一种路径规划方法、系统及存储介质 Pending CN113654569A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110938181.2A CN113654569A (zh) 2021-08-16 2021-08-16 一种路径规划方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110938181.2A CN113654569A (zh) 2021-08-16 2021-08-16 一种路径规划方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN113654569A true CN113654569A (zh) 2021-11-16

Family

ID=78479290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110938181.2A Pending CN113654569A (zh) 2021-08-16 2021-08-16 一种路径规划方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN113654569A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117213501A (zh) * 2023-11-09 2023-12-12 成都工业职业技术学院 一种基于分布式模型预测的机器人避障规划方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102591332A (zh) * 2011-01-13 2012-07-18 同济大学 用于无人驾驶汽车局部路径规划的装置及方法
CN105974917A (zh) * 2016-05-11 2016-09-28 江苏大学 一种基于新型人工势场法的车辆避障路径规划研究方法
CN108550279A (zh) * 2018-04-03 2018-09-18 同济大学 基于机器学习的车辆驾驶行为预测方法
CN110794851A (zh) * 2020-01-06 2020-02-14 中智行科技有限公司 车辆远程控制安全防护方法、装置和无人驾驶车辆
CN110908373A (zh) * 2019-11-11 2020-03-24 南京航空航天大学 一种基于改进人工势场的智能车辆轨迹规划方法
CN111998867A (zh) * 2020-08-26 2020-11-27 上海汽车集团股份有限公司 一种车辆路径规划方法及装置
CN112344943A (zh) * 2020-11-20 2021-02-09 安徽工程大学 一种改进人工势场算法的智能车路径规划方法
CN112577491A (zh) * 2020-12-14 2021-03-30 上海应用技术大学 一种基于改进人工势场法的机器人路径规划方法
CN113071517A (zh) * 2021-04-12 2021-07-06 南京航空航天大学 一种基于车辆行为预测的自动驾驶避障方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102591332A (zh) * 2011-01-13 2012-07-18 同济大学 用于无人驾驶汽车局部路径规划的装置及方法
CN105974917A (zh) * 2016-05-11 2016-09-28 江苏大学 一种基于新型人工势场法的车辆避障路径规划研究方法
CN108550279A (zh) * 2018-04-03 2018-09-18 同济大学 基于机器学习的车辆驾驶行为预测方法
CN110908373A (zh) * 2019-11-11 2020-03-24 南京航空航天大学 一种基于改进人工势场的智能车辆轨迹规划方法
CN110794851A (zh) * 2020-01-06 2020-02-14 中智行科技有限公司 车辆远程控制安全防护方法、装置和无人驾驶车辆
CN111998867A (zh) * 2020-08-26 2020-11-27 上海汽车集团股份有限公司 一种车辆路径规划方法及装置
CN112344943A (zh) * 2020-11-20 2021-02-09 安徽工程大学 一种改进人工势场算法的智能车路径规划方法
CN112577491A (zh) * 2020-12-14 2021-03-30 上海应用技术大学 一种基于改进人工势场法的机器人路径规划方法
CN113071517A (zh) * 2021-04-12 2021-07-06 南京航空航天大学 一种基于车辆行为预测的自动驾驶避障方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吕超 等: "智能车辆交互行为预测与决策技术", 30 April 2021, 北京理工大学出版社, pages: 101 - 104 *
陈孟元: "移动机器人SLAM 目标跟踪及路径规划", 31 December 2017, 北京航空航天大学出版社, pages: 136 - 139 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117213501A (zh) * 2023-11-09 2023-12-12 成都工业职业技术学院 一种基于分布式模型预测的机器人避障规划方法
CN117213501B (zh) * 2023-11-09 2024-02-02 成都工业职业技术学院 一种基于分布式模型预测的机器人避障规划方法

Similar Documents

Publication Publication Date Title
CN113128326B (zh) 具有语义地图和lstm的车辆轨迹预测模型
US11235763B2 (en) Method, apparatus, device and readable storage medium for preventing vehicle collision
CN110001643B (zh) 车辆控制装置、车辆控制方法、存储介质、以及信息获取装置
Wei et al. A behavioral planning framework for autonomous driving
US20220080961A1 (en) Control system and control method for sampling based planning of possible trajectories for motor vehicles
US11353874B2 (en) Lane handling for merge prior to turn
US11468773B2 (en) Lane classification for improved vehicle handling
CN116209611B (zh) 在自动驾驶中使用其他道路使用者对自我交通工具行为的反应的方法和系统
US11860634B2 (en) Lane-attention: predicting vehicles' moving trajectories by learning their attention over lanes
CN117794803A (zh) 使用具有响应型代理预测的树搜索和/或代理滤波进行车辆轨迹控制
CN110799402B (zh) 车辆控制装置
US20220392276A1 (en) Vehicle behavior evaluation device, vehicle behavior evaluation method, and vehicle behavior evaluation program product
CN117813230A (zh) 基于对象轨迹的主动预测
CN116261540A (zh) 碰撞避免规划系统
CN112445226A (zh) 针对自主驾驶围绕停放车辆导航的机动计划的方法
CN113654569A (zh) 一种路径规划方法、系统及存储介质
KR102155054B1 (ko) 인공지능을 활용한 주변차량 컷인 의도 예측 방법
WO2024049925A1 (en) Trajectory prediction based on a decision tree
WO2023076343A1 (en) Autonomous vehicle trajectory determination based on state transition model
US20230182782A1 (en) Identifying relevant objects within an environment
US11970164B1 (en) Adverse prediction planning
WO2021034969A1 (en) Lane handling for merge prior to turn
CN115087574A (zh) 车辆行动生成装置、车辆行动生成方法以及车辆行动生成程序
KR102514146B1 (ko) 자동차 전용도로 환경에서 강화학습을 이용한 자율주행 차량의 차선 변경 판단 방법 및 이를 기록한 기록매체
US20230054626A1 (en) Persisting Predicted Objects for Robustness to Perception Issues in Autonomous Driving

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