CN113728212A - 用于自动驾驶车辆的导航路线规划方法 - Google Patents

Abstract

确定ADV将沿其驾驶的路线的起点、由一个或多个路径点组成的点集和目的地点(1001)。确定在预定阈值距离内分别位于起点、路径点集和目的地点附近的所有车道段(1002)。基于分别表示起点、路径点集以及目的地点附近的所有车道段的节点集，用A‑star(A*)搜索算法确定候选路线集(1003)。基于候选路线集的各自成本从候选路线集中选择路线(1004)。控制ADV自动地沿着选择的路线驾驶(1005)。

Description

用于自动驾驶车辆的导航路线规划方法

技术领域

本公开的实施方式总体涉及操作自动驾驶车辆。更具体地，本公开的实施方式涉及导航路线规划。

背景技术

以自动驾驶模式运行(例如，无人驾驶)的车辆可将乘员、尤其是驾驶员从一些驾驶相关的职责中解放出来。当以自动驾驶模式运行时，可使用车载传感器将车辆导航到各个位置，从而允许车辆在最少人机交互的情况下或在没有任何乘客的一些情况下驾驶。

运动规划和控制是自动驾驶中的关键操作。然而，在一些情况下，常规路线规划操作可能会导致不期望的导航路线。例如，当自动驾驶车辆(ADV)的起点或目的地点位于道路交叉口时，由于情况的复杂性，使用A-star(A*)搜索算法可能难以寻找正确的起始搜索节点。因此，最终的导航路线可能是不期望且不正确的。

发明内容

本公开的实施方式提供了一种用于操作自动驾驶车辆(ADV)的计算机实施的方法、非暂时性机器可读介质以及数据处理系统。

本公开的一些实施方式提供了一种用于操作自动驾驶车辆(ADV)的计算机实施的方法，该方法包括：确定ADV将沿其驾驶的第一路线的起点、由一个或多个路径点组成的点集和目的地点；确定在预定阈值距离内分别位于起点、路径点集和目的地点附近的所有车道段；基于分别表示起点、路径点集和目的地点附近的所有车道段的节点集，用A-star(A*)搜索算法确定候选路线集；基于候选路线集的各自成本，从候选路线集中选择第二路线；以及控制ADV自动地沿着所选择的路线驾驶。

本公开的一些实施方式提供了非暂时性机器可读介质，该介质具有存储在其中的指令，当由处理器执行指令时使处理器执行操作，该操作包括：确定ADV将沿其驾驶的第一路线的起点、由一个或多个路径点组成的点集和目的地点；确定在预定阈值距离内分别位于起点、路径点集和目的地点附近的所有车道段；基于分别表示起点、路径点集和目的地点附近的所有车道段的节点集，用A-star(A*)搜索算法确定候选路线集；基于候选路线集的各自成本，从候选路线集中选择第二路线；以及控制ADV自动地沿着所选择的路线驾驶。

本公开的一些实施方式提供了数据处理系统，该系统包括：处理器；以及联接到处理器以存储指令的存储器，当由处理器执行指令时使处理器执行操作，该操作包括：确定ADV将沿其驾驶的第一路线的起点、由一个或多个路径点组成的点集和目的地点；确定在预定阈值距离内分别位于起点、路径点集和目的地点附近的所有车道段；基于分别表示起点、路径点集和目的地点附近的所有车道段的节点集，用A-star(A*)搜索算法确定候选路线集；基于候选路线集的各自成本，从候选路线集中选择第二路线；以及控制ADV自动地沿着所选择的路线驾驶。

附图说明

本公开的实施方式在附图的各图中以举例而非限制的方式示出，附图中的相同参考标记指示相似元件。

本公开的实施方式在附图的各图中以举例而非限制的方式示出，附图中的相同参考标记指示相似元件。

图1是示出根据一个实施方式的网络化系统的框图。

图2是示出根据一个实施方式的自动驾驶车辆的示例的框图。

图3A和图3B是示出根据一个实施方式的与自动驾驶车辆一起使用的感知与规划系统的示例的框图。

图4是示出根据一个实施方式的路线安排模块的示例的框图。

图5是根据一个实施方式的路线模块的处理流程图。

图6A至图6C示出了道路交叉口附近的ADV的示例。

图7A示出了根据一些实施方式的、当ADV处于道路交叉口附近或在道路交叉口中时解决导航路线规划问题的方法的示例。

图8示出了根据一些实施方式的、解决导航路线规划问题的方法的流程图。

图9示出了根据一个实施方式的车道段的示例。

图10是示出根据一个实施方式的、当ADV处于道路交叉口附近时解决导航路线规划问题的过程示例的流程图。

具体实施方式

将参考以下所讨论的细节来描述本公开的各种实施方式和方面，附图将示出所述各种实施方式。下列描述和附图是本公开的说明，而不应当解释为对本公开进行限制。描述了许多特定细节以提供对本公开的各种实施方式的全面理解。然而，在某些情况下，并未描述众所周知的或常规的细节，以提供对本公开的实施方式的简洁讨论。

本说明书中对“一个实施方式”或“实施方式”的提及意味着结合该实施方式所描述的特定特征、结构或特性可包括在本公开的至少一个实施方式中。短语“在一个实施方式中”在本说明书中各个地方的出现不必全部指同一实施方式。

根据一些实施方式，本文公开了用于当ADV处于道路交叉口时解决导航路线规划问题的不期望结果的方法。该方法也适用于常规路况。在该方法中，根据ADV的起点、一系列路径点和目的地点，搜索所有候选导航路线。例如，可以生成拓扑节点集中、与所有候选导航路线对应的集的笛卡尔积。然后，可遍历拓扑节点集的笛卡尔积的结果，并可使用A-star(A*)搜索算法来搜索所有候选导航路线。接着，可合并所有候选导航路线，并可根据所有候选导航路线的各自成本从其中选择最佳候选导航路线。

根据一些实施方式，确定ADV将沿其驾驶的路线的起点、由一个或多个路径点组成的点集和目的地点。确定在预定阈值距离内分别位于起点、路径点集和目的地点附近的所有车道段。基于分别表示起点、路径点集以及目的地点附近的所有车道段的节点集，用A-star(A*)搜索算法确定候选路线集。基于候选路线集的各自成本从候选路线集中选择路线。控制ADV自动地沿着选择的路线驾驶。

图1是示出根据本公开的一个实施方式的自动驾驶车辆网络配置的框图。参考图1，网络配置100包括可通过网络102通信地联接到一个或多个服务器103至104的自动驾驶车辆101。尽管示出一个自动驾驶车辆，但多个自动驾驶车辆可通过网络102联接到彼此和/或联接到服务器103至104。网络102可以是任何类型的网络，例如，有线或无线的局域网(LAN)、诸如互联网的广域网(WAN)、蜂窝网络、卫星网络或其组合。服务器103至104可以是任何类型的服务器或服务器群集，诸如，网络或云服务器、应用服务器、后端服务器或其组合。服务器103至104可以是数据分析服务器、内容服务器、交通信息服务器、地图和兴趣点(MPOI)服务器或位置服务器等。

自动驾驶车辆是指可配置成处于自动驾驶模式下的车辆，在所述自动驾驶模式下车辆在极少或没有来自驾驶员的输入的情况下导航通过环境。这种自动驾驶车辆可包括传感器系统，所述传感器系统具有配置成检测与车辆运行环境有关的信息的一个或多个传感器。所述车辆和其相关联的控制器使用所检测的信息来导航通过所述环境。自动驾驶车辆101可在手动模式下、在全自动驾驶模式下或者在部分自动驾驶模式下运行。

在一个实施方式中，自动驾驶车辆101包括，但不限于，感知与规划系统110、车辆控制系统111、无线通信系统112、用户接口系统113、以及传感器系统115。自动驾驶车辆101还可包括普通车辆中包括的某些常用部件，诸如：发动机、车轮、方向盘、变速器等，所述部件可由车辆控制系统111和/或感知与规划系统110使用多种通信信号和/或命令进行控制，该多种通信信号和/或命令例如，加速信号或命令、减速信号或命令、转向信号或命令、制动信号或命令等。

部件110至115可经由互连件、总线、网络或其组合通信地联接到彼此。例如，部件110至115可经由控制器局域网(CAN)总线通信地联接到彼此。CAN总线是设计成允许微控制器和装置在没有主机的应用中与彼此通信的车辆总线标准。它是最初是为汽车内的复用电气布线设计的基于消息的协议，但也用于许多其它环境。

现在参考图2，在一个实施方式中，传感器系统115包括但不限于一个或多个摄像机211、全球定位系统(GPS)单元212、惯性测量单元(IMU)213、雷达单元214以及光探测和测距(LIDAR)单元215。GPS系统212可包括收发器，所述收发器可操作以提供关于自动驾驶车辆的位置的信息。IMU单元213可基于惯性加速度来感测自动驾驶车辆的位置和定向变化。雷达单元214可表示利用无线电信号来感测自动驾驶车辆的本地环境内的对象的系统。在一些实施方式中，除感测对象之外，雷达单元214可另外感测对象的速度和/或前进方向。LIDAR单元215可使用激光来感测自动驾驶车辆所处环境中的对象。除其它系统部件之外，LIDAR单元215还可包括一个或多个激光源、激光扫描器以及一个或多个检测器。摄像机211可包括用来采集自动驾驶车辆周围环境的图像的一个或多个装置。摄像机211可以是静物摄像机和/或视频摄像机。摄像机可以是可机械地移动的，例如，通过将摄像机安装在旋转和/或倾斜平台上。

传感器系统115还可包括其它传感器，诸如：声纳传感器、红外传感器、转向传感器、油门传感器、制动传感器以及音频传感器(例如，麦克风)。音频传感器可配置成从自动驾驶车辆周围的环境中采集声音。转向传感器可配置成感测方向盘、车辆的车轮或其组合的转向角度。油门传感器和制动传感器分别感测车辆的油门位置和制动位置。在一些情形下，油门传感器和制动传感器可集成为集成式油门/制动传感器。

在一个实施方式中，车辆控制系统111包括但不限于转向单元201、油门单元202(也称为加速单元)和制动单元203。转向单元201用来调整车辆的方向或前进方向。油门单元202用来控制电动机或发动机的速度，电动机或发动机的速度进而控制车辆的速度和加速度。制动单元203通过提供摩擦使车辆的车轮或轮胎减速而使车辆减速。应注意，如图2所示的部件可以以硬件、软件或其组合实施。

返回参考图1，无线通信系统112允许自动驾驶车辆101与诸如装置、传感器、其它车辆等外部系统之间的通信。例如，无线通信系统112可以与一个或多个装置直接无线通信，或者经由通信网络进行无线通信，诸如，通过网络102与服务器103至104通信。无线通信系统112可使用任何蜂窝通信网络或无线局域网(WLAN)，例如，使用WiFi，以与另一部件或系统通信。无线通信系统112可例如使用红外链路、蓝牙等与装置(例如，乘客的移动装置、显示装置、车辆101内的扬声器)直接通信。用户接口系统113可以是在车辆101内实施的外围装置的部分，包括例如键盘、触摸屏显示装置、麦克风和扬声器等。

自动驾驶车辆101的功能中的一些或全部可由感知与规划系统110控制或管理，尤其当在自动驾驶模式下操作时。感知与规划系统110包括必要的硬件(例如，处理器、存储器、存储装置)和软件(例如，操作系统、规划和路线安排程序)，以从传感器系统115、控制系统111、无线通信系统112和/或用户接口系统113接收信息，处理所接收的信息，规划从起始点到目的地点的路线或路径，随后基于规划和控制信息来驾驶车辆101。可替代地，感知与规划系统110可与车辆控制系统111集成在一起。

例如，作为乘客的用户可例如经由用户接口来指定行程的起始位置和目的地。感知与规划系统110获得行程相关数据。例如，感知与规划系统110可从MPOI服务器中获得位置和路线信息，所述MPOI服务器可以是服务器103至104的一部分。位置服务器提供位置服务，并且MPOI服务器提供地图服务和某些位置的POI。可替代地，此类位置和MPOI信息可本地高速缓存在感知与规划系统110的永久性存储装置中。

当自动驾驶车辆101沿着路线移动时，感知与规划系统110也可从交通信息系统或服务器(TIS)获得实时交通信息。应注意，服务器103至104可由第三方实体进行操作。可替代地，服务器103至104的功能可与感知与规划系统110集成在一起。基于实时交通信息、MPOI信息和位置信息以及由传感器系统115检测或感测的实时本地环境数据(例如，障碍物、对象、附近车辆)，感知与规划系统110可规划最佳路线并且根据所规划的路线例如经由控制系统111来驾驶车辆101，以安全且高效到达指定目的地。

服务器103可以是数据分析系统，从而为各种客户执行数据分析服务。在一个实施方式中，数据分析系统103包括数据收集器121和机器学习引擎122。数据收集器121从各种车辆(自动驾驶车辆或由人类驾驶员驾驶的常规车辆)收集驾驶统计数据123。驾驶统计数据123包括指示所发出的驾驶指令(例如，油门、制动、转向指令)以及由车辆的传感器在不同的时间点捕捉到的车辆的响应(例如，速度、加速、减速、方向)的信息。驾驶统计数据123还可包括描述不同时间点下的驾驶环境的信息，例如，路线(包括起始位置和目的地位置)、MPOI、道路状况、天气状况等。

基于驾驶统计数据123，出于各种目的，机器学习引擎122生成或训练一组规则、算法和/或预测模型124。在一个实施方式中，算法124可以包括：确定路线的起点、由一个或多个路径点组成的点集和目的地点的算法或模型；确定在预定阈值距离内分别位于起点、路径点集和目的地点附近的所有车道段的算法或模型；基于分别表示起点、路径点集和目的地点附近所有车道段的多个节点，用A-star(A*)搜索算法搜索候选路线集的算法或模型；基于候选路线集的各自成本从候选路线集中选择路线的算法或模型；和/或控制ADV自动地沿着选择的路线驾驶的算法或模型，这将在下面进一步详细说明。然后，可将算法124上传到ADV上，以在自动驾驶过程中实时使用。

图3A和图3B是示出根据一个实施方式的与自动驾驶车辆一起使用的感知与规划系统的示例的框图。系统300可实施为图1的自动驾驶车辆101的一部分，包括但不限于感知与规划系统110、控制系统111和传感器系统115。参考图3A至图3B，感知与规划系统110包括但不限于定位模块301、感知模块302、预测模块303、决策模块304、规划模块305、控制模块306、以及路线安排模块307。

模块301至307中的一些或全部可以以软件、硬件或其组合实施。例如，这些模块可安装在永久性存储装置352中、加载到存储器351中，并且由一个或多个处理器(未示出)执行。应注意，这些模块中的一些或全部可通信地联接到图2的车辆控制系统111的一些或全部模块或者与它们集成在一起。模块301至307中的一些可一起集成为集成模块。

定位模块301确定自动驾驶车辆300的当前位置(例如，利用GPS单元212)以及管理与用户的行程或路线相关的任何数据。定位模块301(又称作为地图与路线模块)管理与用户的行程或路线相关的任何数据。用户可例如经由用户接口登录并且指定行程的起始位置和目的地。定位模块301与自动驾驶车辆300的诸如地图与路线信息311的其它部件通信，以获得行程相关数据。例如，定位模块301可从位置服务器和地图与POI(MPOI)服务器获得位置和路线信息。位置服务器提供位置服务，并且MPOI服务器提供地图服务和某些位置的POI，从而可作为地图与路线信息311的一部分高速缓存。当自动驾驶车辆300沿着路线移动时，定位模块301也可从交通信息系统或服务器获得实时交通信息。

基于由传感器系统115提供的传感器数据和由定位模块301获得的定位信息，感知模块302确定对周围环境的感知。感知信息可表示普通驾驶员在驾驶员正驾驶的车辆周围将感知到的东西。感知可包括例如采用对象形式的车道配置、交通灯信号、另一车辆的相对位置、行人、建筑物、人行横道或其它交通相关标志(例如，停止标志、让行标志)等。车道配置包括描述一个或多个车道的信息，诸如，例如车道的形状(例如，直线或弯曲)、车道的宽度、道路中的车道数量、单向或双向车道、合并或分开车道、出口车道等。

感知模块302可包括计算机视觉系统或计算机视觉系统的功能，以处理并分析由一个或多个摄像机采集的图像，从而识别自动驾驶车辆环境中的对象和/或特征。所述对象可包括交通信号、道路边界、其它车辆、行人和/或障碍物等。计算机视觉系统可使用对象识别算法、视频跟踪以及其它计算机视觉技术。在一些实施方式中，计算机视觉系统可绘制环境地图，跟踪对象，以及估算对象的速度等。感知模块302也可基于由诸如雷达和/或LIDAR的其它传感器提供的其它传感器数据来检测对象。

针对每个对象，预测模块303预测对象在这种情况下将如何表现。预测是基于感知数据执行的，该感知数据在考虑一组地图/路线信息311和交通规则312的时间点感知驾驶环境。例如，如果对象为相反方向上的车辆且当前驾驶环境包括十字路口，则预测模块303将预测车辆是否可能会笔直向前移动或转弯。如果感知数据表明十字路口没有交通灯，则预测模块303可能会预测车辆在进入十字路口之前可能需要完全停车。如果感知数据表明车辆目前处于左转唯一车道或右转唯一车道，则预测模块303可能预测车辆将更可能分别左转或右转。

针对每个对象，决策模块304作出关于如何处置对象的决定。例如，针对特定对象(例如，交叉路线中的另一车辆)以及描述对象的元数据(例如，速度、方向、转弯角度)，决策模块304决定如何与所述对象相遇(例如，超车、让行、停止、超过)。决策模块304可根据诸如交通规则或驾驶规则312的规则集来作出此类决定，所述规则集可存储在永久性存储装置352中。

路线安排模块307配置成提供从起始点到目的地点的一个或多个路线或路径。对于从起始位置到目的地位置的给定行程，例如从用户接收的给定行程，路线安排模块307获得路线与地图信息311，并确定从起始位置至到达目的地位置的所有可能路线或路径。路线安排模块307可生成地形图形式的参考线，它确定了从起始位置至到达目的地位置的每个路线。参考线是指不受其它诸如其它车辆、障碍物或交通状况的任何干扰的理想路线或路径。即，如果道路上没有其它车辆、行人或障碍物，则ADV应精确地或紧密地跟随参考线。然后，将地形图提供至决策模块304和/或规划模块305。决策模块304和/或规划模块305检查所有可能的路线，以根据由其它模块提供的其它数据选择和更改最佳路线中的一个，其中，其它数据诸如为来自定位模块301的交通状况、由感知模块302感知到的驾驶环境以及由预测模块303预测的交通状况。根据时间点下的特定驾驶环境，用于控制ADV的实际路径或路线可能接近于或不同于由路线安排模块307提供的参考线。

基于针对所感知到的对象中的每个的决定，规划模块305使用由路线安排模块307提供的参考线作为基础，为自动驾驶车辆规划路径或路线以及驾驶参数(例如，距离、速度和/或转弯角度)。换言之，针对给定的对象，决策模块304决定对该对象做什么，而规划模块305确定如何去做。例如，针对给定的对象，决策模块304可决定超过所述对象，而规划模块305可确定在所述对象的左侧还是右侧超过。规划和控制数据由规划模块305生成，包括描述车辆300在下一移动循环(例如，下一路线/路径段)中将如何移动的信息。例如，规划和控制数据可指示车辆300以30英里每小时(mph)的速度移动10米，随后以25mph的速度变到右侧车道。

基于规划和控制数据，控制模块306根据由规划和控制数据限定的路线或路径通过将适当的命令或信号发送到车辆控制系统111来控制并驾驶自动驾驶车辆。所述规划和控制数据包括足够的信息，以沿着路径或路线在不同的时间点使用适当的车辆设置或驾驶参数(例如，油门、制动、转向命令)将车辆从路线或路径的第一点驾驶到第二点。

在一个实施方式中，规划阶段在多个规划周期(也称作为驾驶周期)中执行，例如，在每个时间间隔为100毫秒(ms)的周期中执行。对于规划周期或驾驶周期中的每一个，将基于规划和控制数据发出一个或多个控制命令。即，对于每100ms，规划模块305规划下一个路线段或路径段，例如，包括目标位置和ADV到达目标位置所需要的时间。可替代地，规划模块305还可规定具体的速度、方向和/或转向角等。在一个实施方式中，规划模块305为下一个预定时段(诸如，5秒)规划路线段或路径段。对于每个规划周期，规划模块305基于在前一周期中规划的目标位置规划用于当前周期(例如，下一个5秒)的目标位置。控制模块306然后基于当前周期的规划和控制数据生成一个或多个控制命令(例如，油门、制动、转向控制命令)。

应注意，决策模块304和规划模块305可集成为集成模块。决策模块304/规划模块305可包括导航系统或导航系统的功能，以确定自动驾驶车辆的驾驶路径。例如，导航系统可确定用于影响自动驾驶车辆沿着以下路径移动的一系列速度和前进方向：所述路径在使自动驾驶车辆沿着通往最终目的地的基于车行道的路径前进的同时，基本上避免感知到的障碍物。目的地可根据经由用户接口系统113进行的用户输入来设定。导航系统可在自动驾驶车辆正在运行的同时动态地更新驾驶路径。导航系统可将来自GPS系统和一个或多个地图的数据合并，以确定用于自动驾驶车辆的驾驶路径。

图4是示出路线安排模块307的示例的框图，图5是根据一个实施方式的路线安排模块307的处理流程图。参照图4和图5，路线安排模块307包括，但不限于确定模块401、车道段模块402、笛卡尔积模块403、搜索模块404、成本模块405和选择模块406。注意，模块401至模块406可集成到更少数量的模块或单个模块中。

确定模块401可配置为，确定ADV将沿其驾驶的路线的起点、由一个或多个路径点组成的点集和目的地点。车道段模块402可配置为，确定在预定阈值距离内分别位于起点、路径点集和目的地点附近的所有车道段。

在一个实施方式中，笛卡尔积模块403可配置为，分别基于起点、路径点集和目的地点的所有车道段，生成集的笛卡尔积。搜索模块404可配置为，基于分别表示起点、路径点集和目的地点附近的所有车道段的多个节点，用A-star(A*)搜索算法搜索候选路线集。成本模块405可配置为，基于成本函数来确定候选路线集的各自成本。

在一个实施方式中，选择模块406可配置为，基于候选路线集的各自成本从候选路线集中选择路线。规划模块305可配置为，基于选择的路线来规划轨迹。控制模块306可配置为，控制ADV自动地沿着选择的路线驾驶。

图6A至图6C示出了道路交叉口附近的ADV 601的示例600a、600b和600c。导航路线搜索对于自动驾驶车辆很重要。针对路线规划，研究人员和工程师已经提出了一些搜索算法。A*搜索算法是搜索算法中的一种。A*搜索算法是图形遍历和路径搜索算法，由于其完整性、最优性和最优效率而常用于计算机科学研究或机器人行业中。A*搜索算法可以用于对ADV的导航路线搜索。然而，当使用A*搜索算法进行导航路线搜索时可能存在一些问题，例如，当ADV处于道路交叉口和/或十字路口附近时。如图6A至图6C所示，当ADV 601的起点或目的地点(即，终点)位于道路交叉口附近或道路交叉口中时，可能会产生不期望的导航路线。这主要是由于，当ADV位于道路交叉口附近或道路交叉口中时，难以根据ADV 601的位置坐标从A*搜索算法的拓扑图中寻找正确的起始搜索节点。

在先前解决上述问题的尝试中，确定了根据ADV的位置的最近车道。使用最近的车道作为第一节点来搜索到目的地点的导航路线。例如，可以执行A*搜索算法以使用最近的车道作为第一节点来搜索导航路线。然而，最近的车道可能不是正确的车道，以及生成的路线可能不是期望的路线且可能无法到达目的地。另一种尝试是继续尝试寻找点集，直至达到正确的导航路线规划结果的要求为止。然而，这是耗时且费力的工作。当ADV在道路交叉口或十字路口附近时，可能需要开发解决意外路线问题的方法。

图7A示出了根据一些实施方式、当ADV 701处于道路交叉口附近或道路交叉口中时解决导航路线规划问题的方法的示例700。图8示出了根据一些实施方式、当ADV处于道路交叉口附近或道路交叉口中时解决导航路线规划问题的方法的流程图800。当ADV 701位于道路交叉口或十字路口附近或者在道路交叉口或十字路口中时，该方法可解决导航路线规划问题的不期望结果。该方法也适用于常规路况。在该方法中，可以根据ADV 701的路线的起点(例如，702)、一系列路径点(例如，703)和目的地点或终点(例如，710)，来生成拓扑节点集的笛卡尔积。然后，可以遍历集的笛卡尔积的结果，并且可以使用A*搜索算法来搜索所有候选导航路线。最后，可以合并所有候选导航路线，并且可以根据所有候选导航路线的各自成本从其中选择最佳导航路线。

对于具有多个车道的道路交叉口，路线的起点、一系列路径点和终点可以在各自的坐标中表示：

Ps：(Xs,Ys,Hs),

Pw：[Pw1,Pw2,…,Pwn],

Pw1：(Xw1,Yw1,Hw1),

Pw2：(Xw2,Yw2,Hw2),

…

Pwn：(Xwn,Ywn,Hwn),

Pe：(Xe,Ye,He),

其中Xs、Ys和Hs分别是起点Ps处的ADV的X轴坐标、Y轴坐标和前进方向，Xe、Ye和He分别是终点Pe处的ADV的X轴坐标、Y轴坐标和前进方向，以及Xw1，Yw1和Hw1分别是第一路径点Pw1处的ADV的X轴坐标、Y轴坐标和前进方向等。

参照图7A和图8，解决导航路线规划问题的方法可以包括以下操作。在801处，可以根据特定范围内的起点Ps(例如，702)、路径点Pw1,Pw2,…,Pwn(例如，703)和终点Pe(例如，710)，确定各自所有的车道段。特定范围可以是0.2米、0.5米、1米、2米、3米、4米、5米、10米，或其间的任何值。在一个实施方式中，特定范围可以是0.5米至3米。车道段可以指车道的一部分，例如，具有统一特征的车道。图9示出了包括一个或多个车道段的车道。

作为示例，如图7A所示，特定范围内的起点Ps 702附近可以存在三个车道段704、705和706。ADV可以在车道段Ls1 704或车道段Ls2 705上向前移动，或掉头转到车道段Ls3706上。特定范围内的起点Ps 702附近可以存在两个车道段Le1 704、705和le2 706。特定范围内的路径点Pw1 703附近可以仅有一个路径点Pw1 703，且仅有一个车道段Lw1 707。起点Ps 702、路径点Pw1、Pw2、…、Pwn(例如，703)和终点Pe 710附近的所有车道段可表示如下：

Ps 702—>Ls1 704，Ls2 705，Ls3 706

Pw1 703—>Lw1 707

Pe 710—>Le1 708，Le2 709

在802处，可以分别根据特定范围内的起点Ps(例如，702)、路径点Pw1,Pw2,…,Pwn(例如，703)和终点Pe(例如，710)附近的所有车道段，生成集的笛卡尔积。在数学中，具体地在集论中，两个集A和B的笛卡尔积(表示为A×B)是所有有序对(a,b)的集，其中a处于A中，b处于B中。两个集的笛卡尔积是所有可能的有序对的集，其中第一元素来自第一集，并且第二元素来自第二集。三个集的笛卡尔积是所有可能的有序组的集，其中第一元素来自第一集，第二元素来自第二集且第三元素来自第三集。

例如，可根据起点Ps 702附近的车道段704、705、706，路径点Pw1 703附近的车道段707，以及终点Pe 710附近的车道段708、709，生成集的笛卡尔积。集的笛卡尔积的结果包括可能的有序车道段组的集。例如，在下表1中示出了基于起点Ps 702、路径点703和终点Pe710附近各自所有车道段的集的笛卡尔积的结果。在此示例中，集的笛卡尔积的结果包括六组可能的有序车道段组。

表1.分别基于起点Ps、路径点Pw1和目的地点Pe附近的所有车道段的集的笛卡尔积的结果的示例

在803处，可以分别根据基于表示起点Ps(例如，702)、路径点集(例如，703)和目的地点Pe(例如，710)附近的所有车道段(例如704、705、706、707、708、709)的节点集的集的笛卡尔积，确定候选路线集，例如，通过使用A*搜索算法。A*搜索算法可以用于确定候选路线集。A*搜索算法是知情搜索算法，A*旨在寻找从图形的起始节点开始到达目标节点的具有最小第一成本值(最小行进距离、最短时间等)的路径。A*通过维护始于起始节点的路径树并一次延伸这些路径的一个边缘直至满足其终止标准而做到这点。在主循环的每次迭代中，A*基于路径的第一成本和将路径一直延伸到目标节点所需的第一成本的估算，而确定要延伸的路径。具体地，A-star基于第一成本函数，选择最小化第一成本的路径：

f(n)＝g(n)+h(n)，

其中n是路径上的下一个节点，g(n)是从起始节点到n节点的路径的第一成本，以及h(n)是启发式函数，用于估算从n节点到目标节点的最短路径的第一成本。当A*选择延伸的路径是从起始节点到目标节点的路径或如果没有可延伸的路径时，则A*终止。启发式函数是针对特定问题的。

对于每组有序车道段，可以使用A*搜索算法基于表示对应有序车道段组的节点的子集，来确定一条候选路线。例如，如表1所示，在集的笛卡尔积的结果中可以有六组可能的有序车道段的集：

Ls1,Lw1,Le1

Ls1,Lw1,Le2

Ls2,Lw1,Le1

Ls2,Lw1,Le2

Ls3,Lw1,Le1

Ls3,Lw1,Le2

在该示例中，在集的笛卡尔积的结果中有六组有序车道段，针对每组可以确定一条候选路线，因此可以存在六条候选路线的集。候选路线可以穿越或穿过分别表示起点Ps(例如，702)、路径点集(例如，703)和目的地点Pe(例如，710)附近的可能的有序车道段对的节点集。对于每组有序车道段，一条候选路线可以穿越或穿过分别表示起点(例如，702)、路径点集(例如，703)和目的地点Pe(例如，710)附近的对应有序车道段组的节点集的子集。

对于每组有序车道段，A*搜索算法可以用于基于第一成本来确定路线候选。可以用基于第一成本的A*搜索算法，确定与表示可能的有序车道段组的节点集对应的候选路线集。第一成本是基于第一成本函数：f(n)＝g(n)+h(n)确定的，其中n是路径上的下一个节点，g(n)是从起始节点到n节点的路径的第一成本，以及h(n)是估算从n节点到目标节点的最短路径的第一成本的启发式函数。

在804处，可以根据第二成本函数，从所有候选路线中选择最佳路线。在第二成本函数中，可以考虑路线长度、道路特征与车辆几何和动态特征之间的兼容性、人类偏好推荐。在一个实施方式中，第二成本函数可以包括路线长度。

在一个实施方式中，第二成本函数可以包括，ADV的尺寸、所有车道段的宽度、和/或ADV的尺寸与所有对应车道段的宽度之间的兼容性。例如，大型ADV可能难以在狭窄道路上驾驶，因而增加了第二成本。

在一个实施方式中，第二成本函数可以包括ADV的动态特征，以及其中，动态特征可以包括ADV的最大转弯半径。例如，ADV可以具有最大转弯半径，因而一些路线可能具有更大的第二成本，或一些路线是不可能的。

在一个实施方式中，第二成本函数可以包括，起点处的路线前进方向与ADV的前进方向之间的差异。例如，如果起点处的路线前进方向与ADV的前进方向之间的差异非常大(例如，大于120度)，那么路线的第二成本可能很高。在一个实施方式中，第二成本函数可以包括人类偏好的输入，例如，避开道路建设、避开高速公路、避开交通和/或避开慢速道路。

图10是示出根据一个实施方式的、当ADV在道路交叉口附近时解决导航路线规划问题的过程的示例的流程图。过程1000可以由可包括软件、硬件或其组合的处理逻辑来执行。例如，过程1000可以由路线安排模块307来执行。参照图10，在操作1001中，处理逻辑确定ADV将沿其驾驶的路线的起点、由一个或多个路径点组成的点集和目的地点。在操作1002中，处理逻辑确定在预定阈值距离内分别位于起点、路径点集和目的地点附近的所有车道段。

在操作1003中，处理逻辑基于分别表示起点、路径点集和目的地点附近的所有车道段的节点集，用A-star(A*)搜索算法确定候选路线集。在一个实施方式中，处理逻辑分别基于起点、路径点集和目的地点的所有车道段，生成集的笛卡尔积。在一个实施方式中，根据分别基于起点、路径点集和目的地点的所有车道段的集的笛卡尔积，来确定候选路线。在一个实施方式中，集的笛卡尔积的结果包括有序车道段组的集，以及对于有序车道段组的集的每个组，根据基于第一成本函数的候选路线的各自第一成本、基于表示对应组的节点集的子集，确定候选路线。

在操作1004中，处理逻辑基于候选路线集的各自成本，从候选路线集中选择路线。在一个实施方式中，处理逻辑还基于第二成本函数，确定候选路线集的各自第二成本，其中，第二成本函数包括路线长度。在一个实施方式中，第二成本函数包括ADV的尺寸、所有对应车道段的宽度，或ADV的尺寸与所有对应车道段的宽度之间的兼容性。在一个实施方式中，第二成本函数包括ADV的动态特征，以及其中，动态特征包括ADV的最大转弯半径。在一个实施方式中，第二成本函数包括，起点处的路线前进方向与ADV的前进方向之间的差异。在一个实施方式中，第二成本函数包括人类偏好的输入。

在操作1005中，处理逻辑控制ADV自动地沿着选择的路线驾驶。

应注意，如上文示出和描述的部件中的一些或全部可在软件、硬件或其组合中实施。例如，此类部件可实施为安装并存储在永久性存储装置中的软件，所述软件可通过处理器(未示出)加载在存储器中并在存储器中执行以实施贯穿本申请所述的过程或操作。可替代地，此类部件可实施为编程或嵌入到专用硬件(诸如，集成电路(例如，专用集成电路或ASIC)、数字信号处理器(DSP)或现场可编程门阵列(FPGA))中的可执行代码，所述可执行代码可经由来自应用的相应驱动程序和/或操作系统来访问。此外，此类部件可实施为处理器或处理器内核中的特定硬件逻辑，作为可由软件部件通过一个或多个特定指令访问的指令集的一部分。

前述详细描述中的一些部分已经根据在计算机存储器内对数据位的运算的算法和符号表示而呈现。这些算法描述和表示是数据处理领域中的技术人员所使用的方式，以将他们的工作实质最有效地传达给本领域中的其他技术人员。本文中，算法通常被认为是导致所期望结果的自洽操作序列。这些操作是指需要对物理量进行物理操控的操作。

然而，应当牢记，所有这些和类似的术语均旨在与适当的物理量关联，并且仅仅是应用于这些量的方便标记。除非在以上讨论中以其它方式明确地指出，否则应当了解，在整个说明书中，利用术语(诸如所附权利要求书中所阐述的术语)进行的讨论是指计算机系统或类似电子计算装置的动作和处理，所述计算机系统或电子计算装置操控计算机系统的寄存器和存储器内的表示为物理(电子)量的数据，并将所述数据变换成计算机系统存储器或寄存器或者其它此类信息存储装置、传输或显示装置内类似地表示为物理量的其它数据。

本公开的实施方式还涉及用于执行本文中的操作的设备。这种计算机程序存储在非暂时性计算机可读介质中。机器可读介质包括用于以机器(例如，计算机)可读的形式存储信息的任何机构。例如，机器可读(例如，计算机可读)介质包括机器(例如，计算机)可读存储介质(例如，只读存储器(“ROM”)、随机存取存储器(“RAM”)、磁盘存储介质、光存储介质、闪存存储器装置)。

前述附图中所描绘的过程或方法可由处理逻辑来执行，所述处理逻辑包括硬件(例如，电路、专用逻辑等)、软件(例如，体现在非暂时性计算机可读介质上)或两者的组合。尽管所述过程或方法在上文是依据一些顺序操作来描述的，但是应当了解，所述操作中的一些可按不同的顺序执行。此外，一些操作可并行地执行而不是顺序地执行。

本公开的实施方式并未参考任何特定的编程语言进行描述。应认识到，可使用多种编程语言来实施如本文描述的本公开的实施方式的教导。

在以上的说明书中，已经参考本公开的具体示例性实施方式对本公开的实施方式进行了描述。将显而易见的是，在不脱离所附权利要求书中阐述的本公开的更宽泛精神和范围的情况下，可对本发明作出各种修改。因此，应当在说明性意义而不是限制性意义上来理解本说明书和附图。

Claims (21)

1.一种用于操作自动驾驶车辆(ADV)的计算机实施的方法，所述方法包括：

确定所述ADV将沿其驾驶的第一路线的起点、由一个或多个路径点组成的点集和目的地点；

确定在预定阈值距离内分别位于所述起点、所述路径点集和所述目的地点附近的所有车道段；

基于分别表示所述起点、所述路径点集和所述目的地点附近的所有车道段的节点集，用A-star(A*)搜索算法确定候选路线集；

基于所述候选路线集的各自成本，从所述候选路线集中选择第二路线；以及

控制所述ADV自动地沿着所选择的路线驾驶。

2.根据权利要求1所述的方法，其中，所述起点或所述目的地点处于道路交叉点附近。

3.根据权利要求1或2所述的方法，还包括：分别基于所述起点、所述路径点集和所述目的地点的所有所述车道段，生成集的笛卡尔积。

4.根据权利要求3所述的方法，其中，根据分别基于所述起点、所述路径点集和所述目的地点的所有所述车道段的所述集的笛卡尔积，确定所述候选路线。

5.根据权利要求3所述的方法，其中，

集的笛卡尔积的结果包括有序车道段组的集，以及

其中，针对所述有序车道段组的所述集的每一组，根据所述候选路线的基于第一成本函数的各自第一成本，并基于表示所述对应组的所述节点集的子集，确定候选路线。

6.根据权利要求5所述的方法，其中，

所述候选路线集的所述各自成本包括：所述候选路线集的各自第二成本，以及

所述方法还包括：基于第二成本函数，确定所述候选路线集的所述各自第二成本，其中，所述第二成本函数包括路线长度。

7.根据权利要求6所述的方法，其中，所述ADV的所述第二成本函数包括：

所述ADV的尺寸、所有所述车道段的宽度、或所述ADV的所述尺寸与所有对应车道段的所述宽度之间的兼容性。

8.根据权利要求6所述的方法，其中，所述第二成本函数包括所述ADV的动态特征，以及

其中，所述动态特征包括所述ADV的最大转弯半径。

9.根据权利要求6所述的方法，其中，所述第二成本函数包括：在起点处，所述候选路线的前进方向与所述ADV的前进方向之间的差异。

10.根据权利要求6所述的方法，其中，所述第二成本函数包括：人类偏好的输入。

11.一种具有存储在其中的指令的非暂时性机器可读介质，当由处理器执行所述指令时使所述处理器执行操作，所述操作包括：

确定所述ADV将沿其驾驶的第一路线的起点、由一个或多个路径点组成的点集和目的地点；

确定在预定阈值距离内分别位于所述起点、所述路径点集和所述目的地点附近的所有车道段；

基于分别表示所述起点、所述路径点集和所述目的地点附近的所有车道段的节点集，用A-star(A*)搜索算法确定候选路线集；

基于所述候选路线集的各自成本，从所述候选路线集中选择第二路线；以及

控制所述ADV自动地沿着所选择的路线驾驶。

12.根据权利要求11所述的介质，其中，所述操作还包括：

分别基于所述起点、所述路径点集和所述目的地点的所有所述车道段，生成集的笛卡尔积，

其中，所述起点或所述目的地点处于道路交叉口附近。

13.根据权利要求12所述的介质，其中，根据分别基于所述起点、所述路径点集和所述目的地点的所有所述车道段的所述集的笛卡尔积，确定所述候选路线。

14.根据权利要求13所述的介质，其中，

集的笛卡尔积的结果包括有序车道段组的集，以及

其中，针对所述有序车道段组的所述集的每一组，根据所述候选路线的基于第一成本函数的各自第一成本，并基于表示所述对应组的所述节点集的子集，确定候选路线。

15.根据权利要求14所述的介质，其中，

所述候选路线集的所述各自成本包括：所述候选路线集的各自第二成本，以及

所述操作还包括：基于第二成本函数，确定所述候选路线集的所述各自第二成本，其中，所述第二成本函数包括路线长度。

16.根据权利要求15所述的介质，其中，所述第二成本函数包括以下至少一项：

所述ADV的尺寸、所有所述车道段的宽度、所述ADV的所述尺寸与所有所述对应车道段的所述宽度之间的兼容性，包括所述ADV的最大转弯半径的所述ADV的动态特征、在所述起点处的所述候选路线的前进方向与所述ADV的前进方向之间的差异、或人类偏好的输入。

17.数据处理系统，包括：

处理器；以及

存储器，与所述处理器联接以存储指令，当由处理器执行所述指令时使所述处理器执行操作，所述操作包括：

确定所述ADV将沿其驾驶的第一路线的起点、由一个或多个路径点组成的点集和目的地点；

确定在预定阈值距离内分别位于所述起点、所述路径点集和所述目的地点附近的所有车道段；

基于分别表示所述起点、所述路径点集和所述目的地点附近的所有车道段的节点集，用A-star(A*)搜索算法确定候选路线集；

基于所述候选路线集的各自成本，从所述候选路线集中选择第二路线；以及

控制所述ADV自动地沿着所选择的路线驾驶。

18.根据权利要求17所述的系统，其中，所述操作还包括：

分别基于所述起点、所述路径点集和所述目的地点的所有所述车道段，生成所述集的笛卡尔积，

其中，所述起点或所述目的地点处于道路交叉口附近。

19.根据权利要求18所述的系统，其中，根据分别基于所述起点、所述路径点集和所述目的地点的所有所述车道段的所述集的笛卡尔积，确定所述候选路线。

20.根据权利要求19所述的系统，其中，

集的笛卡尔积的结果，包括有序车道段组的集，以及

其中，针对所述有序车道段组的所述集的每一组，根据基于第一成本函数的所述候选路线的各自第一成本、基于表示所述对应组的所述节点集的子集，确定候选路线。

21.根据权利要求20所述的系统，其中，

所述候选路线集的所述各自成本包括：所述候选路线集的各自第二成本，以及

所述操作还包括：基于第二成本函数，确定所述候选路线集的所述各自第二成本，其中，所述第二成本函数包括路线长度。

Images