CN113655789A - 路径跟踪方法、装置、车辆及存储介质 - Google Patents
路径跟踪方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN113655789A CN113655789A CN202110893744.0A CN202110893744A CN113655789A CN 113655789 A CN113655789 A CN 113655789A CN 202110893744 A CN202110893744 A CN 202110893744A CN 113655789 A CN113655789 A CN 113655789A
- Authority
- CN
- China
- Prior art keywords
- path
- target
- vehicle
- determining
- obstacle
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 230000001133 acceleration Effects 0.000 claims description 77
- 238000009826 distribution Methods 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 20
- 230000003068 static effect Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000005484 gravity Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012617 force field calculation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012502 risk assessment 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
Abstract
本发明属于路径规划技术领域,公开了一种路径跟踪方法、装置、车辆及存储介质。该方法包括:获取全局规划路径;当检测到前方存在障碍物时,生成局部规划路径;根据所述全局规划路径以及所述局部规划路径生成目标规划路径;基于纵向以及横向控制车辆跟踪所述目标规划路径。通过上述方式,获取车辆的全局规划路径以及车辆遇见障碍物时的局部规划路径确定目标规划路径,从而提升路径规划使得准确度,并基于车辆的纵向以及横向控制车辆跟踪目标规划路径,从而提升了跟踪规划路径的精度。
Description
技术领域
本发明涉及路径规划技术领域,尤其涉及一种路径跟踪方法、装置、车 辆及存储介质。
背景技术
在目前的路径规划中,通常需要接收云服务平台基于定位信息及目的的 信息,而在信号发送、接收不好的地方,车辆会出现信号弱或者信号不好的 现象,导致车辆无法接收实时的局部路径信息。当车辆行驶速度较快或者环 境变化较快时,接收的局部路径规划信息跟现实情况会出现不一致现象。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是 现有技术。
发明内容
本发明的主要目的在于提供一种路径跟踪方法、装置、车辆及存储介质, 旨在解决现有技术如何提升自动驾驶路径规划的准确度以及规划路径的跟踪 精度的技术问题。
为实现上述目的,本发明提供了一种路径跟踪方法,所述方法包括以下 步骤:
获取全局规划路径;
当检测到前方存在障碍物时,生成局部规划路径;
根据所述全局规划路径以及所述局部规划路径生成目标规划路径;
基于纵向以及横向控制车辆跟踪所述目标规划路径。
可选地,所述当检测到前方存在障碍物时,生成局部规划路径的步骤, 包括:
当检测到前方存在障碍物时,生成候选路径;
判断所述障碍物的类型;
当所述障碍物为静态障碍物时,确定所述障碍物的半径以及影响边距;
根据所述半径以及所述影响边距确定作用在所述车辆的合力;
根据所述合力以及所述候选路径,生成局部规划路径。
可选地,所述判断所述障碍物的类型的步骤之后,还包括:
当所述障碍物为动态障碍物时,确定所述障碍物的几何尺寸以及速度信 息;
根据所述几何尺寸以及所述速度信息确定风险场分布范围;
根据风险场场源坐标以及所述风险场分布范围确定风险分布模型;
根据所述风险分布模型以及所述障碍物的位置确定动态场;
根据所述动态场以及所述候选路径确定目标路径;
根据所述风险分布模型以及所述目标路径生成局部规划路径;
根据所述局部规划路径生成局部最优路径。
可选地,所述生成候选路径的步骤,包括:
获取第一弧长以及第二弧长,其中,所述第一弧长为车辆距离基准线的 最近点所在基准线上的弧长,所述第二弧长为基准线上的候选路径末端对应 的弧长;
根据所述第一弧长、所述第二弧长以及预设边界条件生成横向偏移量;
根据所述横向偏移量生成候选路径。
可选地,所述基于纵向以及横向控制车辆跟踪所述目标规划路径的步骤, 包括:
获取车辆的方位偏差以及横向偏差;
根据权重系数、所述方位偏差以及所述横向偏差确定融合偏差;
根据所述融合偏差建立滑模函数;
根据所述滑模函数确定所述车辆的转向轮的转向角度;
根据所述转向角度以及目标速度控制所述车辆跟踪所述目标规划路径。
可选地,所述根据所述转向角度以及目标速度控制所述车辆跟踪所述目 标规划路径的步骤之前,还包括:
获取所述车辆的目标加速度
获取所述车辆的期望加速度;
根据所述目标加速度以及所述期望加速度确定纵向加速度;
根据所述纵向加速度确定离散状态方程;
根据所述离散状态方程确定所述车辆的跟踪速度;
根据所述跟踪速度确定目标速度。
可选地,所述根据所述跟踪速度确定目标速度的步骤,包括:
根据所述车辆的当前速度以及所述跟踪速度确定预测加速度;
根据所述预测加速度确定预测加速度变化率;
约束所述预测加速度得到目标加速度以及目标加速度变化率;
根据所述当前速度、所述目标加速度以及所述目标加速度变化率确定目 标速度。
此外,为实现上述目的,本发明还提出一种路径跟踪装置,所述路径跟 踪装置包括:
获取模块,用于获取全局规划路径;
生成模块,用于当检测到前方存在障碍物时,生成局部规划路径;
所述生成模块,还用于根据所述全局规划路径以及所述局部规划路径生 成目标规划路径;
跟踪模块,用于基于纵向以及横向控制车辆跟踪所述目标规划路径。
此外,为实现上述目的,本发明还提出一种车辆,所述车辆包括:存储 器、处理器及存储在所述存储器上并可在所述处理器上运行的路径跟踪程序, 所述路径跟踪程序配置为实现如上文所述的路径跟踪方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上 存储有路径跟踪程序,所述路径跟踪程序被处理器执行时实现如上文所述的 路径跟踪方法的步骤。
本发明通过获取全局规划路径;当检测到前方存在障碍物时,生成局部 规划路径;根据所述全局规划路径以及所述局部规划路径生成目标规划路径; 基于纵向以及横向控制车辆跟踪所述目标规划路径。通过上述方式,获取车 辆的全局规划路径以及车辆遇见障碍物时的局部规划路径确定目标规划路 径,从而提升路径规划使得准确度,并基于车辆的纵向以及横向控制车辆跟 踪目标规划路径,从而提升了跟踪规划路径的精度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的路径跟踪设备的结构示 意图;
图2为本发明路径跟踪方法第一实施例的流程示意图;
图3为本发明路径跟踪装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步 说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定 本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的车辆结构示意 图。
如图1所示,该车辆可以包括:处理器1001,例如中央处理器(Central ProcessingUnit,CPU),通信总线1002、用户接口1003,网络接口1004, 存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户 接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可 选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可 选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity, Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(Random AccessMemory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前 述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对车辆的限定, 可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布 置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网 络通信模块、用户接口模块以及路径跟踪程序。
在图1所示的车辆中,网络接口1004主要用于与网络服务器进行数据通 信;用户接口1003主要用于与用户进行数据交互;本发明车辆中的处理器 1001、存储器1005可以设置在路径跟踪设备中,所述车辆通过处理器1001 调用存储器1005中存储的路径跟踪程序,并执行本发明实施例提供的路径跟 踪方法。
本发明实施例提供了一种路径跟踪方法,参照图2,图2为本发明一种路 径跟踪方法第一实施例的流程示意图。
本实施例中,所述路径跟踪方法包括以下步骤:
步骤S10:获取全局规划路径。
需要说明的是,本实施例的执行主体为无人驾驶车辆,车辆上安装有用 于摄取车辆前方及周边环境的摄像头、用于实时定位的全球定位系统(Global PositioningSystem,GPS)以及接收和处理车载摄像头及GPS信息的域控制 器。全球定位系统还可以更换为北斗卫星导航系统(BeiDou Navigation Satellite System,BDS),本实施例不加以限制。
可以理解的是,基于当前车辆的定位数据以及目的地的定位数据,从而 计算得到全局规划路径:
D(x)=(x0(s),y0(s)) 公式一;
其中,ax、bx、cx、dx、ay、by、cy、dy为拟合参数,s为每个线段的弧长,si为第i个路点,x0和y0为全局路径点在大地笛卡尔坐标系的x、y坐标,D(x) 为全局规划路径。
步骤S20:当检测到前方存在障碍物时,生成局部规划路径。
需要说明的是,由于路况在实时变化,因此无人驾驶车辆在沿着全局规 划路径行驶时需要根据当前道路的障碍物情况规划局部路径。
进一步地,所述步骤S20包括:当检测到前方存在障碍物时,生成候选 路径;判断所述障碍物的类型;当所述障碍物为静态障碍物时,确定所述障 碍物的半径以及影响边距;根据所述半径以及所述影响边距确定作用在所述 车辆的合力;根据所述合力以及所述候选路径,生成局部规划路径。
可以理解的是,实际道路上的障碍物通常包括动态障碍物以及静态障碍 物,动态障碍物例如行人、行驶的车辆等,静态障碍物包括护栏等。当车辆 通过激光雷达、毫米波雷达或摄像头检测到车辆前方出现障碍物时,基于上 述全局规划路径,当车辆行驶至前方有障碍物时,需要生成规避障碍物的局 部路径(即候选路径)。
进一步地,生成候选路径的步骤包括:获取第一弧长以及第二弧长,其 中,所述第一弧长为车辆距离基准线的最近点所在基准线上的弧长,所述第 二弧长为基准线上的候选路径末端对应的弧长;根据所述第一弧长、所述第 二弧长以及预设边界条件生成横向偏移量;根据所述横向偏移量生成候选路 径。
需要说明的是,生成候选路径的公式如下:
其中,sstart为车辆距离基准线的最近点所在基准线上的弧长,即第一弧长; send为基准线上的候选路径末端对应的弧长,即第二弧长;通过边界条件得出 系数a、b和c,有边界条件:
因此可以设计出一组有限数量的横向偏移量dend参数值,从而求解得到一 组不同系数a、b和c的多条候选路径。
可以理解的是,当无人驾驶车辆通过传感器检测到前方的障碍物位置不 变时,此时则可以判定障碍物的类型为静态障碍物,针对静态障碍物规划路 径时,采用人工势场法(Artificial Potential Field,APF)-风险理论的路径规 划方法。根据传感器的监测数据得到静态障碍物的半径,以静态障碍物的中 心点为原点,中心点与离中心点最远点为此静态障碍物的半径,并根据监测 数据计算得到静态障碍物的影响边距,从而根据半径以及影响边距得到影响 半径:
ρ0=r+d0 公式五;
其中,ρ0为影响半径,r为障碍物的半径,d0为影响边距。
需要说明的是,无人驾驶车辆采用外接圆表示,其半径为ra。当d<ra+ρ0时,无人驾驶车辆开始局部路径规划,d为无人驾驶车辆中心点与静态障碍物 中心点之间的距离。
在具体实现中,首先计算引力场:
其中,Uatt(q)为引力场数值,ε为引力增益常数,ρ为与障碍物的距离。
进一步地,斥力场计算公式如下:
其中,Urep(q)为斥力场数值,η为斥力增益常数。
引力和斥力相加可得作用在无人驾驶车上的合力:
U(q)=Uatt(q)+Urep(q) 公式八;
其中,U(q)为合力。
最后,通过初始化参数计算合力,通过合力计算下一步的位置,根据下 一步的参数重新计算合力,循环往复,结合候选路径,得到针对静态障碍物 的局部路径规划。
进一步地,所述判断所述障碍物的类型的步骤之后,还包括:当所述障 碍物为动态障碍物时,确定所述障碍物的几何尺寸以及速度信息;根据所述 几何尺寸以及所述速度信息确定风险场分布范围;根据风险场场源坐标以及 所述风险场分布范围确定风险分布模型;根据所述风险分布模型以及所述障 碍物的位置确定动态场;根据所述风险分布模型以及所述候选路径确定目标 路径;根据所述动态场以及所述目标路径生成局部规划路径。
需要说明的是,当无人驾驶车联的传感器检测到前方的障碍物的类型为 动态障碍物时,通过碰撞风险评估RISK的局部路径规划算法,生成风险分布 模型:
其中,(ux,uy)表示大地坐标系下风险场场源坐标,即障碍物的坐标, σxg、σyg分别表示障碍物分别沿大地坐标系x方向和y方向的分布因子。
需要说明的是,在无人驾驶车辆在检测到障碍物为动态障碍物时,通过 传感器采集的数据计算障碍物几何尺寸以及速度信息,速度信息中包括障碍 物的速度以及加速度等。并几何尺寸以及速度信息确定障碍物的风险场分布 范围:
其中,Z表示障碍物的几何尺寸,N和σ0表示待定常数,Δt为采样间隔, ax(-kΔt)表示障碍物的加速度;g表示时间惩罚因子,Vx、Vy表示障碍物分别 沿xg、yg方向的速度分量。
可以理解的是,先通过公式十计算得到障碍物分别沿大地坐标系x方向 和y方向的分布因子,根据分布因子获得风险分布模型,并根据风险分布模 型以及障碍物的位置确定动态场:
其中,(x0,y0)为障碍物的位置,动态场Es(x,y)为在障碍物位置周围(x,y)处 产生,θ为r与障碍物速度v之间的夹角。
并根据动态场以及候选路径确定风险最低的一条候选路径,即目标路径。 最后根据风险分布模型以及目标路径生成局部规划路径。
需要说明的是,无人驾驶车辆上路时,可能会同时检测到静态障碍物以 及动态障碍物,无人驾驶车辆会根据针对两种障碍物生成的局部规划路径生 成最终的局部最优路径。
步骤S30:根据所述全局规划路径以及所述局部规划路径生成目标规划路 径。
可以理解的是,当无人驾驶车辆前方没有障碍物时,则按照全局规划路 径行驶,若出现障碍物则实时生成局部规划路径,从而生成最终的目标规划 路径。
步骤S40:基于纵向以及横向控制车辆跟踪所述目标规划路径。
在具体实现中,为了更精准地控制无人驾驶车辆在目标规划路径上行驶, 需要对无人驾驶车辆横向以及纵向进行控制。
进一步地,步骤S40包括:获取车辆的方位偏差以及横向偏差;根据权 重系数、所述方位偏差以及所述横向偏差确定融合偏差;根据所述融合偏差 建立滑模函数;根据所述滑模函数确定所述车辆的转向轮的转向角度;根据 所述转向角度以及目标速度控制所述车辆跟踪所述目标规划路径。
需要说明的是,在对无人驾驶车辆进行横向控制时,首先根据目标规划 路径确定当前的道路类型,生成预瞄模型:
对公式十二的横向偏差以及方位偏差进行无量纲化处理,有:
其中,η1、η2均为大于0的权重系数,且η1+η2=1,eL即为融合偏差。
选取融合偏差来建立本文控制系统所需的滑模函数s,形式如下:
其变化率表达式如下:
首先进行模糊化,将三个变量的量化等级均设定为7级对模糊空间进行 分割,7级对应如下:NB=负大,NM=负中,NS=负小,ZO=零,PS=正小, PM=正中,PB=正大,定义s、和δf的模糊子集的变量分别为:
之后选取变量的隶属度函数,指定合适的模糊控制规则。
采用重心法完成反模糊化操作,有:
因此,得到模糊控制器反模糊化后u*,即为输出所需的前轮转角,即转 向轮的转向角度,并反馈给无人驾驶车辆,无人驾驶车辆车辆通过转动方向 盘调整转角,从而实现路径的跟踪。
进一步地,为了更精准的纵向控制无人驾驶车辆,根据所述转向角度以 及目标速度控制所述车辆跟踪所述目标规划路径的步骤之前,还包括:获取 所述车辆的目标加速度获取所述车辆的期望加速度;根据所述目标加速度以 及所述期望加速度确定纵向加速度;根据所述纵向加速度确定离散状态方程; 根据所述离散状态方程确定所述车辆的跟踪速度;根据所述跟踪速度确定目 标速度。
可以理解的是,首先通过车辆的定位数据计算得到无人驾驶车辆的目标 加速度,即无人驾驶车辆的当前加速度,并根据期望加速度以及目标加速度 得到纵向及速度,期望加速度是指车辆跟踪目标规划路径时的最佳加速度。 纵向加速度计算公式如下:
考虑速度与加速度之间的关系,速度跟踪控制用连续系统的状态方程表 示:
其中,x=[v a]T为系统纵向状态变量,u=ades为系统控制输入。
将公式二十一通过向前欧拉法进行离散化处理,得系统的离散状态方程:
其中,Ak、Bk分别为状态矩阵和控制输入矩阵,矩阵分别表示为,k为当 前采样时刻,k+1为下一采样时刻,Ts为采样周期。
系统输出量为无人驾驶车辆的跟踪速度:
y(k)=Cx(k) 公式二十三;
其中C=[1 0],y(k)为跟踪速度。
进一步地,在无人驾驶车辆纵向控制中,考虑无人驾驶车辆的控制目标 是在保证无人驾驶车辆不发生过于剧烈的加速度和加速度变化率的前提下, 保证速度跟踪精度,因此,根据所述跟踪速度确定目标速度的步骤,包括: 根据所述车辆的当前速度以及所述跟踪速度确定预测加速度;根据所述预测 加速度确定预测加速度变化率;约束所述预测加速度得到目标加速度以及目 标加速度变化率;根据所述当前速度、所述目标加速度以及所述目标加速度 变化率确定目标速度。
首先将性能评价函数定义为:
公式二十四;
其中,t-1为上一采样时刻,Np预测步长,Nc为控制步长,yp(k+i|k)为 控制输出预测值,yref(k+i|k)为控制输出变量参考值,(k+i|k)表示根据k采样 时刻的状态信息来预测第k+1时刻的信息,其中i=1,2,..,Np,Q为系统输出量 的权重系统矩阵,R为系统控制增量的权重系统矩阵。
在控制器跟踪速度过程中,需要考虑添加主动约束,即控制过程中的预 测加速度约束及其变化率约束,保证其约束在合理的范围之内从而得到目标 加速度以及目标加速度变化率,最终得到目标速度,其不等式表达如下:
umin≤u(k+i)≤umax,i=0,1,...,Nc-1 公式二十五;
加速度变化率约束表达形式为:
Δumin≤Δu(k+i)≤Δumax,i=0,1,...,Nc-1 公式二十六;
其中,umin和umax为纵向加速度阈值,Δumin和Δumax为纵向加速度变化量阈 值,u(k+i)和Δu(k+i)分别是k+i时刻控制输入和控制输入增量。
系统在每个周期完成对优化问题的求解,得出每个周期一系列的最优解 控制输入增量ΔUt,并将第一个控制增量作为系统的实际输出变化量,加入至 系统中。在新的时刻,系统根据系统状态,重新预测下一时刻的一系列控制 增量,不断在线滚动优化,直到完成控制过程.
需要说明的是,在最后根据目标速度控制车辆行驶时,需要考虑空气阻 力、滚动阻力以及坡度阻力,将车辆阻力需求加速度方程用以下式表示:
mathre=Fres=Froll+Faero+Fgrade 公式二十七;
其中,m为车辆质量,athre为阻力需求加速度,Froll为滚动阻力,Faero为 空气阻力,Fgrade为坡度阻力。
坡度阻力为汽车重力沿坡道的分力,考虑坡度为i的直线道路,i=tanα, 因此考虑坡度较小时,坡度阻力:
Fgrade=mgi 公式二十八;
滚动阻力为:
Froll=mg cosαCr 公式二十九;
其中,Cr为滚动阻力系数。
空气阻力为:
式中,Cw为空气阻力系数,ρ2为空气密度,正常的干燥空气可取 1.29kg·m-3,S为车辆迎风面积。假设车辆在行驶过程中,以上参数均不发生 变化。
在设计切换逻辑过程中,要保证制动和驱动模式不能同时起作用的同时, 也要根据现实情况,不能频繁的切换制动和驱动模式。因此,根据期望的加 速度定义以下逻辑切换:
其中,αthdes为期望节气门开度,Pbdes为期望制动主缸压力。
通过比例-积分控制,得到期望节气门开度αthdes和期望制动主缸压力Pbdes后,将控制量作为执行器控制输入,从而控制智能车辆跟踪目标速度。
本实施例通过获取全局规划路径;当检测到前方存在障碍物时,生成局 部规划路径;根据所述全局规划路径以及所述局部规划路径生成目标规划路 径;基于纵向以及横向控制车辆跟踪所述目标规划路径。通过上述方式,获 取车辆的全局规划路径以及车辆遇见障碍物时的局部规划路径确定目标规划 路径,从而提升路径规划使得准确度,并基于车辆的纵向以及横向控制车辆 跟踪目标规划路径,从而提升了跟踪规划路径的精度。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有路径 跟踪程序,所述路径跟踪程序被处理器执行时实现如上文所述的路径跟踪方 法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案,因此至少具有 上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
参照图3,图3为本发明路径跟踪装置第一实施例的结构框图。
如图3所示,本发明实施例提出的路径跟踪装置包括:
获取模块10,用于获取全局规划路径。
生成模块20,用于当检测到前方存在障碍物时,生成局部规划路径。
所述生成模块20,还用于根据所述全局规划路径以及所述局部规划路径 生成目标规划路径。
跟踪模块30,用于基于纵向以及横向控制车辆跟踪所述目标规划路径。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何 限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对 此不做限制。
本实施例通过获取全局规划路径;当检测到前方存在障碍物时,生成局 部规划路径;根据所述全局规划路径以及所述局部规划路径生成目标规划路 径;基于纵向以及横向控制车辆跟踪所述目标规划路径。通过上述方式,获 取车辆的全局规划路径以及车辆遇见障碍物时的局部规划路径确定目标规划 路径,从而提升路径规划使得准确度,并基于车辆的纵向以及横向控制车辆 跟踪目标规划路径,从而提升了跟踪规划路径的精度。
在一实施例中,所述生成模块20,还用于当检测到前方存在障碍物时, 生成候选路径;
判断所述障碍物的类型;
当所述障碍物为静态障碍物时,确定所述障碍物的半径以及影响边距;
根据所述半径以及所述影响边距确定作用在所述车辆的合力;
根据所述合力以及所述候选路径,生成局部规划路径。
在一实施例中,所述生成模块20,还用于当所述障碍物为动态障碍物时, 确定所述障碍物的几何尺寸以及速度信息;
根据所述几何尺寸以及所述速度信息确定风险场分布范围;
根据风险场场源坐标以及所述风险场分布范围确定风险分布模型;
根据所述风险分布模型以及所述障碍物的位置确定动态场;
根据所述动态场以及所述候选路径确定目标路径;
根据所述风险分布模型以及所述目标路径生成局部规划路径;
根据所述局部规划路径生成局部最优路径。
在一实施例中,所述生成模块20,还用于获取第一弧长以及第二弧长, 其中,所述第一弧长为车辆距离基准线的最近点所在基准线上的弧长,所述 第二弧长为基准线上的候选路径末端对应的弧长;
根据所述第一弧长、所述第二弧长以及预设边界条件生成横向偏移量;
根据所述横向偏移量生成候选路径。
在一实施例中,所述跟踪模块30,还用于获取车辆的方位偏差以及横向 偏差;
根据权重系数、所述方位偏差以及所述横向偏差确定融合偏差;
根据所述融合偏差建立滑模函数;
根据所述滑模函数确定所述车辆的转向轮的转向角度;
根据所述转向角度以及目标速度控制所述车辆跟踪所述目标规划路径。 在一实施例中,所述跟踪模块30,还用于获取所述车辆的目标加速度 获取所述车辆的期望加速度;
根据所述目标加速度以及所述期望加速度确定纵向加速度;
根据所述纵向加速度确定离散状态方程;
根据所述离散状态方程确定所述车辆的跟踪速度;
根据所述跟踪速度确定目标速度。
在一实施例中,所述跟踪模块30,还用于根据所述车辆的当前速度以及 所述跟踪速度确定预测加速度;
根据所述预测加速度确定预测加速度变化率;
约束所述预测加速度得到目标加速度以及目标加速度变化率;
根据所述当前速度、所述目标加速度以及所述目标加速度变化率确定目 标速度。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明 的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需 要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例 所提供的路径跟踪方法,此处不再赘述。
此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变 体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品 或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是 还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的 情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、 方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通 过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技 术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端 设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实 施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是 利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间 接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种路径跟踪方法,其特征在于,所述路径跟踪方法包括:
获取全局规划路径;
当检测到前方存在障碍物时,生成局部规划路径;
根据所述全局规划路径以及所述局部规划路径生成目标规划路径;
基于纵向以及横向控制车辆跟踪所述目标规划路径。
2.如权利要求1所述的方法,其特征在于,所述当检测到前方存在障碍物时,生成局部规划路径的步骤,包括:
当检测到前方存在障碍物时,生成候选路径;
判断所述障碍物的类型;
当所述障碍物为静态障碍物时,确定所述障碍物的半径以及影响边距;
根据所述半径以及所述影响边距确定作用在所述车辆的合力;
根据所述合力以及所述候选路径,生成局部规划路径。
3.如权利要求2所述的方法,其特征在于,所述判断所述障碍物的类型的步骤之后,还包括:
当所述障碍物为动态障碍物时,确定所述障碍物的几何尺寸以及速度信息;
根据所述几何尺寸以及所述速度信息确定风险场分布范围;
根据风险场场源坐标以及所述风险场分布范围确定风险分布模型;
根据所述风险分布模型以及所述障碍物的位置确定动态场;
根据所述动态场以及所述候选路径确定目标路径;
根据所述风险分布模型以及所述目标路径生成局部规划路径;
根据所述局部规划路径生成局部最优路径。
4.如权利要求2所述的方法,其特征在于,所述生成候选路径的步骤,包括:
获取第一弧长以及第二弧长,其中,所述第一弧长为车辆距离基准线的最近点所在基准线上的弧长,所述第二弧长为基准线上的候选路径末端对应的弧长;
根据所述第一弧长、所述第二弧长以及预设边界条件生成横向偏移量;
根据所述横向偏移量生成候选路径。
5.如权利要求1所述的方法,其特征在于,所述基于纵向以及横向控制车辆跟踪所述目标规划路径的步骤,包括:
获取车辆的方位偏差以及横向偏差;
根据权重系数、所述方位偏差以及所述横向偏差确定融合偏差;
根据所述融合偏差建立滑模函数;
根据所述滑模函数确定所述车辆的转向轮的转向角度;
根据所述转向角度以及目标速度控制所述车辆跟踪所述目标规划路径。
6.如权利要求5所述的方法,其特征在于,所述根据所述转向角度以及目标速度控制所述车辆跟踪所述目标规划路径的步骤之前,还包括:
获取所述车辆的目标加速度
获取所述车辆的期望加速度;
根据所述目标加速度以及所述期望加速度确定纵向加速度;
根据所述纵向加速度确定离散状态方程;
根据所述离散状态方程确定所述车辆的跟踪速度;
根据所述跟踪速度确定目标速度。
7.如权利要求6所述的方法,其特征在于,所述根据所述跟踪速度确定目标速度的步骤,包括:
根据所述车辆的当前速度以及所述跟踪速度确定预测加速度;
根据所述预测加速度确定预测加速度变化率;
约束所述预测加速度得到目标加速度以及目标加速度变化率;
根据所述当前速度、所述目标加速度以及所述目标加速度变化率确定目标速度。
8.一种路径跟踪装置,其特征在于,所述路径跟踪装置包括:
获取模块,用于获取全局规划路径;
生成模块,用于当检测到前方存在障碍物时,生成局部规划路径;
所述生成模块,还用于根据所述全局规划路径以及所述局部规划路径生成目标规划路径;
跟踪模块,用于基于纵向以及横向控制车辆跟踪所述目标规划路径。
9.一种车辆,其特征在于,所述车辆包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的路径跟踪程序,所述路径跟踪程序配置为实现如权利要求1至7中任一项所述的路径跟踪方法。
10.一种存储介质,其特征在于,所述存储介质上存储有路径跟踪程序,所述路径跟踪程序被处理器执行时实现如权利要求1至7任一项所述的路径跟踪方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110893744.0A CN113655789A (zh) | 2021-08-04 | 2021-08-04 | 路径跟踪方法、装置、车辆及存储介质 |
PCT/CN2022/080995 WO2023010854A1 (zh) | 2021-08-04 | 2022-03-15 | 路径跟踪方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110893744.0A CN113655789A (zh) | 2021-08-04 | 2021-08-04 | 路径跟踪方法、装置、车辆及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113655789A true CN113655789A (zh) | 2021-11-16 |
Family
ID=78478410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110893744.0A Withdrawn CN113655789A (zh) | 2021-08-04 | 2021-08-04 | 路径跟踪方法、装置、车辆及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113655789A (zh) |
WO (1) | WO2023010854A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114557640A (zh) * | 2022-02-21 | 2022-05-31 | 广州宝乐软件科技有限公司 | 清洁机器人的数据处理方法、装置及清洁机器人 |
WO2023010854A1 (zh) * | 2021-08-04 | 2023-02-09 | 东风柳州汽车有限公司 | 路径跟踪方法、装置、车辆及存储介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116719229B (zh) * | 2023-03-09 | 2024-01-05 | 哈尔滨理工大学 | 基于势函数的动力定位船避碰容错控制方法 |
CN116540723B (zh) * | 2023-05-30 | 2024-04-12 | 南通大学 | 一种基于人工势场的水下机器人滑模轨迹跟踪控制方法 |
CN117724504B (zh) * | 2024-02-07 | 2024-04-16 | 北京科技大学 | 一种基于投影面积的无人车路径跟踪控制方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439884A (zh) * | 2013-07-19 | 2013-12-11 | 大连理工大学 | 一种基于模糊滑模的智能汽车横向控制方法 |
CN109933945A (zh) * | 2019-03-28 | 2019-06-25 | 北京智行者科技有限公司 | 交通环境建模方法 |
CN110147105A (zh) * | 2019-05-27 | 2019-08-20 | 安徽江淮汽车集团股份有限公司 | 无人驾驶车辆的路径控制方法、设备、存储介质及装置 |
CN111409641A (zh) * | 2020-03-10 | 2020-07-14 | 厦门理工学院 | 一种基于纵横向协调的轨迹跟踪控制方法及系统 |
CN111781948A (zh) * | 2020-06-18 | 2020-10-16 | 南京非空航空科技有限公司 | 一种无人机编队队形变换与在线动态避障方法 |
CN112269389A (zh) * | 2020-11-18 | 2021-01-26 | 武汉理工大学 | 一种多功能乘务服务智能机器车系统及其控制方法 |
CN113085568A (zh) * | 2021-03-19 | 2021-07-09 | 浙江亚太智能网联汽车创新中心有限公司 | 一种双向行驶摆渡车的控制系统及双向行驶摆渡车 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109709945B (zh) * | 2017-10-26 | 2022-04-15 | 深圳市优必选科技有限公司 | 一种基于障碍物分类的路径规划方法、装置及机器人 |
KR102267563B1 (ko) * | 2018-11-29 | 2021-06-23 | 한국전자통신연구원 | 자율주행 방법 및 그 시스템 |
CN109855639B (zh) * | 2019-01-15 | 2022-05-27 | 天津大学 | 基于障碍物预测与mpc算法的无人驾驶轨迹规划方法 |
CN112327836B (zh) * | 2020-10-27 | 2021-10-01 | 南宁市第一人民医院 | 基于5g技术的轮椅自动驾驶控制方法及自动驾驶轮椅 |
CN113655789A (zh) * | 2021-08-04 | 2021-11-16 | 东风柳州汽车有限公司 | 路径跟踪方法、装置、车辆及存储介质 |
-
2021
- 2021-08-04 CN CN202110893744.0A patent/CN113655789A/zh not_active Withdrawn
-
2022
- 2022-03-15 WO PCT/CN2022/080995 patent/WO2023010854A1/zh unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439884A (zh) * | 2013-07-19 | 2013-12-11 | 大连理工大学 | 一种基于模糊滑模的智能汽车横向控制方法 |
CN109933945A (zh) * | 2019-03-28 | 2019-06-25 | 北京智行者科技有限公司 | 交通环境建模方法 |
CN110147105A (zh) * | 2019-05-27 | 2019-08-20 | 安徽江淮汽车集团股份有限公司 | 无人驾驶车辆的路径控制方法、设备、存储介质及装置 |
CN111409641A (zh) * | 2020-03-10 | 2020-07-14 | 厦门理工学院 | 一种基于纵横向协调的轨迹跟踪控制方法及系统 |
CN111781948A (zh) * | 2020-06-18 | 2020-10-16 | 南京非空航空科技有限公司 | 一种无人机编队队形变换与在线动态避障方法 |
CN112269389A (zh) * | 2020-11-18 | 2021-01-26 | 武汉理工大学 | 一种多功能乘务服务智能机器车系统及其控制方法 |
CN113085568A (zh) * | 2021-03-19 | 2021-07-09 | 浙江亚太智能网联汽车创新中心有限公司 | 一种双向行驶摆渡车的控制系统及双向行驶摆渡车 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023010854A1 (zh) * | 2021-08-04 | 2023-02-09 | 东风柳州汽车有限公司 | 路径跟踪方法、装置、车辆及存储介质 |
CN114557640A (zh) * | 2022-02-21 | 2022-05-31 | 广州宝乐软件科技有限公司 | 清洁机器人的数据处理方法、装置及清洁机器人 |
Also Published As
Publication number | Publication date |
---|---|
WO2023010854A1 (zh) | 2023-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113655789A (zh) | 路径跟踪方法、装置、车辆及存储介质 | |
Wang et al. | Trajectory planning and safety assessment of autonomous vehicles based on motion prediction and model predictive control | |
Zhou et al. | Multiobjective optimization of lane-changing strategy for intelligent vehicles in complex driving environments | |
Stahl et al. | Multilayer graph-based trajectory planning for race vehicles in dynamic scenarios | |
CN110789528B (zh) | 一种车辆行驶轨迹预测方法、装置、设备及存储介质 | |
CN111284485B (zh) | 一种障碍车辆驾驶行为预测方法、装置、车辆及存储介质 | |
EP3959576A1 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
US20210245744A1 (en) | System and method for predicting the movement of pedestrians | |
US20190250617A1 (en) | Fast trajectory planning via maneuver pattern selection | |
CN111552284A (zh) | 无人驾驶车辆的局部路径规划方法、装置、设备及介质 | |
US11708069B2 (en) | Obstacle avoidance apparatus and obstacle avoidance route generating apparatus | |
US11815891B2 (en) | End dynamics and constraints relaxation algorithm on optimizing an open space trajectory | |
JP2020037339A (ja) | 衝突回避装置 | |
CN112859838B (zh) | 一种自动驾驶控制方法、装置、设备和介质 | |
CN115683145A (zh) | 一种基于轨迹预测的自动驾驶安全避障方法 | |
US20220227391A1 (en) | Systems and methods for scenario dependent trajectory scoring | |
Viana et al. | Cooperative trajectory planning for autonomous driving using nonlinear model predictive control | |
CN112896191A (zh) | 轨迹处理方法、装置、电子设备和计算机可读介质 | |
Lee et al. | Automated driving control in safe driving envelope based on probabilistic prediction of surrounding vehicle behaviors | |
Tian et al. | Multi-vehicle tracking using an environment interaction potential force model | |
Peng et al. | Lane-change model and tracking control for autonomous vehicles on curved highway sections in rainy weather | |
Park et al. | Path generation algorithm based on crash point prediction for lane changing of autonomous vehicles | |
Yu et al. | Hierarchical framework integrating rapidly-exploring random tree with deep reinforcement learning for autonomous vehicle | |
Richardos et al. | Vehicle maneuver-based long-term trajectory prediction at intersection crossings | |
EP4270352A1 (en) | Controlling a future traffic state on a road segment |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211116 |