CN113741420B - 一种由数据驱动的采样搜索方法和系统 - Google Patents

一种由数据驱动的采样搜索方法和系统 Download PDF

Info

Publication number
CN113741420B
CN113741420B CN202110856198.3A CN202110856198A CN113741420B CN 113741420 B CN113741420 B CN 113741420B CN 202110856198 A CN202110856198 A CN 202110856198A CN 113741420 B CN113741420 B CN 113741420B
Authority
CN
China
Prior art keywords
network
local
global
map
sampling
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
CN202110856198.3A
Other languages
English (en)
Other versions
CN113741420A (zh
Inventor
刘彪
金宇强
付明磊
张文安
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202110856198.3A priority Critical patent/CN113741420B/zh
Publication of CN113741420A publication Critical patent/CN113741420A/zh
Application granted granted Critical
Publication of CN113741420B publication Critical patent/CN113741420B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种由数据驱动的采样搜索方法，用于生成无人驾驶汽车的避障安全路径，包括：步骤S1、全局地图编码：步骤S2、构建全局采样网络搜索预测模型：步骤S3、局部地图编码：步骤S4、构建局部采样网络搜索预测模型：步骤S5、集成全局采样网络和局部采样网络。本发明还包括实现一种由数据驱动的采样搜索方法的系统。本发明比传统方法在复杂环境中生成轨迹的速度快几个数量级，规划路径的鲁棒性也更好。

Description

一种由数据驱动的采样搜索方法和系统
技术领域
本发明涉及无人驾驶领域，是一种由数据驱动的采样搜索方法和系统，用于复杂环境下的快速路径生成。
技术背景
移动路径规划是实现无人驾驶汽车自主导航功能的关键技术之一，其核心在于生成障碍物环境下从起始点到目标点的无碰撞安全轨迹。根据算法对环境信息的利用策略，现有的路径规划算法主要分为基于能量函数，基于图搜索和基于采样的规划算法。
其中，针对任务环境构建能量函数需要大量的先验知识，且规划结果容易陷入局部最优陷阱；而基于图搜索和采样的规划算法首先在环境先验中进行搜索或采样，然后基于探索的环境区域进行更新规划，并进行碰撞检测，最后迭代循环直至生成一条可行路径。这两类算法主要特点是由起始点向外扩散，直到扩展到目标点为止，该过程需要遍历计算大量的节点，对空间的探索效率非常低。虽然针对该问题存在众多启发式算法来优化，但这些算法中人工设置的启发式策略往往会在新的未知环境中失效，这对于现实环境中的无人驾驶汽车而言是非常危险的。另外，这类启发式算法生成路径的最优性也无法在理论上进行证明。随着深度学习的快速发展，深度强化学习逐渐成为一种流行的解决方案，但由于其试错成本高，训练效率低以及泛化能力差等问题，目前暂时无法替代传统算法。
发明内容
本发明要克服现有技术的上述缺点，提出了一种由数据驱动的采样搜索方法和系统，来代替传统方法中对环境信息探索的复杂步骤，以快速生成可行路径。
本发明的目的可以通过以下技术方案来实现：
一种由数据驱动的采样搜索方法，用于生成无人驾驶汽车的避障安全路径，该方法包括以下步骤：
步骤S1、全局地图编码：
使用压缩自动编码器来编码全局地图提取全局地图中有关障碍物及其空间状态信息的特征，输出为编码后的全局地图/>
步骤S2、构建全局采样网络搜索预测模型：
构建全局采样网络预测模型，该模型由一层输入层，十层隐藏层和一层输出层构成，输入为编码后的全局地图汽车初始位置qinit和目标位置qgoal，输出可能包含最优路径解的下一步关键点qt+1；使用A*或RRT*等近似最优方法作为专家系统生成演示轨迹指导全局采样网络进行训练；
步骤S3、局部地图编码：
使用压缩自动编码器来编码以汽车为中心的局部地图提取局部地图中有关障碍物信息的隐含特征，输出为编码后的局部地图/>
步骤S4、构建局部采样网络搜索预测模型：
局部采样网络预测模型基于与全局地图网络相同的网络框架，并采用相同的训练策略。输入编码后的局部地图汽车当前位置qcurr以及局部目标位置q'goal，输出局部可行路径解/>
步骤S5、集成全局采样网络和局部采样网络：
将全局采样网络预测的下一步关键点qt+1作为局部视图采样搜索网络的局部目标位置输入，使用局部网络预测完整的局部可行路径解全局采样网络为局部采样网络提供全局信息视角下的指导，防止局部采样网络陷入贪婪陷阱(局部最优)；而局部采样网络也可以改善全局网络输出关键点的稀疏性；通过迭代循环往复，最终生成更合理、鲁棒性更好的全局可行轨迹。
所述步骤S1包括以下步骤：
步骤S1.1、建立基于编码-解码架构的压缩自动编码器，该模型中的编码器f(·)包含四个卷积层和一个线性层，解码器g(·)包含一个线性层和四个反卷积层，输入为全局地图输出为压缩编码后的全局地图/>包含障碍物及其空间状态信息等；
步骤S1.2、压缩自动编码器的训练只需要利用编码-解码结构来实现无监督学习。首先生成全局地图对应的环境地图图像/>然后分成小批量集以优化网络的梯度下降。令θe和θd分别表示编码器和解码器参数，则可以使用结合正则化项的均方误差作为模型的损失函数/>
其中是正则项，g(f(x))表示编码-解码后的重构地图信息，/>是重构误差：/>
所述步骤S2包括以下步骤：
步骤S2.1、基于全局地图的采样搜索预测模型，包含一层输入层，十层隐藏层和一层输出层，其中输入层和每个隐藏层由一个线性层、线性整流ReLU模块和随机失活Dropout模块组成，输出层不包含Dropout模块；另外，利用了反馈机制加速网络的收敛；
步骤S2.2、将编码后的全局地图初始位置qinit和目标位置qgoal作为全局地图网络的输入；在训练阶段，使用A*或RRT*作为专家系统生成的轨迹/>形成演示轨迹集，基于全局地图网络不断迭代和预测在训练集上找到使得规划路径误差最小的参数θ，并基于反向传播算法对网络参数进行估计，最终使得下列目标函数最小：
其中Np是演示轨迹中关键点的数量,N是演示路径的总数，为网络预测的采样搜索的关键点，q*为演示轨迹中的关键点。
所述步骤S3包括以下步骤：
步骤S3.1、局部地图编码采用与步骤S1相同的基于编码-解码架构的压缩自动编码器，模型中的编码器f(·)也包含四个卷积层和一个线性层，解码器g(·)包含一个线性层和四个反卷积层，输入为局部地图输出为压缩编码后的局部地图/>包含障碍物及其空间状态信息等；
所述步骤S4包括以下步骤：
步骤S4.1、基于局部地图的采样搜索预测模型在网络结构上与全局地图网络相同，训练策略也相同，但其网络输入的地图信息是以汽车为中心的局部地图编码
步骤S4.2、对数据集中的全局地图信息进行下采样处理，只使用以汽车为中心的7×7,11×11,15×15的局部窗口地图作为压缩自动编码器的输入，并将编码后的局部地图/>汽车当前位置qcurr以及局部目标位置q'goal作为网络输入来进行下一步采样搜索的预测。
所述步骤S5包括以下步骤：
步骤S5.1、将编码后的全局地图汽车初始位置qinit和目标位置qgoal输入全局采样网络，得到合理的关键点qt+1；
步骤S5.2、将将编码后的局部地图汽车当前位置qcurr以及全局地图网络预测得到的关键点qt+1一并输入局部采样网络，通过迭代更新的机制预测局部窗口内的合理轨迹；
步骤S5.3、重复S5.1和S5.2的步骤，直到网络得到合理的全局可行轨迹。
还包括实现本发明的一种由数据驱动的采样搜索方法的系统，包括包括存储器、处理器，以及存储在存储器上并可以在处理器上运行的计算机程序，处理器包括依次连接的全局地图编码模块、全局采样网络搜索预测模型构建模块、局部地图编码模块、局部采样网络搜索预测模型构建模块、全局采样网络和局部采样网络集成模块。
本发明提供一种基于数据驱动的采样搜索方法，用来替换以往方法中复杂的空间探索步骤，以端到端预测的策略加快运动规划的收敛速度。通过结合全局地图信息与以车为中心的局部地图信息，使用逐步迭代更新的形式对下一步位置进行采样搜索，并预测生成安全的可行轨迹。
首先，利用压缩自动编码器对任务空间进行编码，学习在不同环境下的避障知识以提高模型对未知环境的迁移能力；然后计算当前汽车位置，并与编码器输出的编码地图、目标点位置一起输入采样搜索网络，通过预测更新机制实现端到端的框架；其中需要利用专家系统在各种场景下计算出的可行最优路径进行端到端训练；针对基于全局地图和以车辆为中心的局部视图，设计了集成策略；本发明提出的方法比传统算法在复杂环境中生成轨迹的速度快几个数量级，规划路径的鲁棒性也更好。
本发明的优点是：使用端到端预测的方式代替传统的采样搜索过程，可以应用于无人驾驶汽车的路径规划问题，大大缩短了路径生成所需的时间，并拥有对未知环境的强大泛化能力；其中，所述两个不同视图下的网络框架可以通过预测更新的融合进行优势互补，全局地图采样搜索网络可以为局部地图采样搜索网络提供全局信息视角下的指导，防止局部地图网络陷入局部贪婪陷阱；而局部网络也可以改善全局网络输出关键点的稀疏性，使得采样搜索生成的移动轨迹更合理，鲁棒性更好。
附图说明：
图1为本发明方法与传统采样搜索方法的比较框图；
图2为本发明方法中全局采样搜索网络的流程图；
图3为本发明方法整体流程图。
具体实施方式：
下面结合附图对本发明作进一步描述：
参照图1，本发明使用端到端预测的方式代替传统的采样搜索过程，可以应用于无人驾驶汽车的路径规划问题，其大大缩短了路径生成所需的时间，并拥有对未知环境的强大泛化能力。其中，所述两个不同视图下的网络框架可以通过预测更新的融合进行优势互补，全局地图采样搜索网络可以为局部地图采样搜索网络提供全局信息视角下的指导，防止局部地图网络陷入局部贪婪陷阱；而局部网络也可以改善全局网络输出关键点的稀疏性，使得采样搜索生成的移动轨迹更合理，鲁棒性更好。
以路径规划问题的范式为例，给定汽车初始位置qinit，目标位置qgoal以及全局地图要求对空间进行合理的采样搜索以得到可行的安全轨迹/>t＝1,2,…,T。
参照图2和图3，一种基于数据驱动的采样搜索方法，包含以下步骤：
步骤S1、全局地图编码：
步骤S1.1、利用压缩自动编码器对全局地图进行编码提取地图中有关障碍物信息的隐含特征，另外，设置两条初始轨迹序列/>和/>
步骤S2、全局采样搜索网络模型预测：
步骤S2.1、将编码后的全局地图无人车初始位置qinit与目标位置qgoal输入进全局采样网络，输出预测的关键点qt+1；
步骤S2.2、结合预测的关键点更新轨迹序列
步骤S2.3、检查轨迹序列和/>的终点/>是否碰撞，若碰撞，则交换/>和/>序列中的元素，重复步骤S2.1，S2.2直至达到循环阈值；若无碰撞，则直接连接和/>得到输出可行轨迹/>
步骤S3、局部地图编码：
步骤S3.1、利用压缩自动编码器对以汽车为中心的局部地图进行编码 提取局部地图中的相关特征，
步骤S4、局部采样搜索网络模型预测：
步骤S4.1、将编码后的局部地图汽车当前位置qcurr以及局部目标位置q'goal作为网络输入来进行下一步采样搜索的预测。
步骤S5、集成全局采样网络和局部采样网络：
步骤5.1、设置汽车当前状态为轨迹的终点并作为网络的起点输入，以便更新汽车状态，/>
步骤5.2、使用全局采样搜索网络预测下一步关键点qt+1；
步骤5.3、将全局网络的预测qt+1结合汽车当前状态qcurr，局部编码地图一并作为局部采样搜索网络的目标输入，使用局部网络预测完整的局部轨迹/>
步骤5.4、判断局部轨迹中是否存在碰撞。若存在，则返回步骤2.2重新进行预测；若不存在，则结合预测局部轨迹更新轨迹序列/>
步骤5.5、判断轨迹序列和/>的终点/>是否碰撞，若碰撞，则交换/>和/>序列中的元素，返回步骤5.1直至达到循环阈值；若无碰撞，则直接连接/>和/>得到输出可行轨迹/>
实现本发明的一种由数据驱动的采样搜索方法的系统，包括包括存储器、处理器，以及存储在存储器上并可以在处理器上运行的计算机程序，处理器包括依次连接的全局地图编码模块、全局采样网络搜索预测模型构建模块、局部地图编码模块、局部采样网络搜索预测模型构建模块、全局采样网络和局部采样网络集成模块。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (7)

1.一种由数据驱动的采样搜索方法，用于生成无人驾驶汽车的避障安全路径，包括以下步骤：
步骤S1、全局地图编码：
使用压缩自动编码器来编码全局地图提取全局地图中有关障碍物及其空间状态信息的特征，输出为编码后的全局地图/>
步骤S2、构建全局采样网络搜索预测模型：
构建全局采样网络预测模型，该模型由一层输入层，十层隐藏层和一层输出层构成，输入为编码后的全局地图汽车初始位置qinit和目标位置qgoal，输出可能包含最优路径解的下一步关键点qt+1；使用A*或RRT*等近似最优方法作为专家系统生成演示轨迹指导全局采样网络进行训练；
步骤S3、局部地图编码：
使用压缩自动编码器来编码以汽车为中心的局部地图提取局部地图中有关障碍物信息的隐含特征，输出为编码后的局部地图/>
步骤S4、构建局部采样网络搜索预测模型：
局部采样网络预测模型基于与全局地图网络相同的网络框架，并采用相同的训练策略；输入编码后的局部地图汽车当前位置qcurr以及局部目标位置q′goal，输出局部可行路径解/>
步骤S5、集成全局采样网络和局部采样网络：
将全局采样网络预测的下一步关键点qt+1作为局部视图采样搜索网络的局部目标位置输入，使用局部网络预测完整的局部可行路径解全局采样网络为局部采样网络提供全局信息视角下的指导，防止局部采样网络陷入贪婪陷阱(局部最优)；而局部采样网络也可以改善全局网络输出关键点的稀疏性；通过迭代循环往复，最终生成更合理、鲁棒性更好的全局可行轨迹。
2.如权利要求1所述的一种由数据驱动的采样搜索方法，其特征在于：所述步骤S1包括以下步骤：
步骤S1.1、建立基于编码-解码架构的压缩自动编码器，该模型中的编码器f(·)包含四个卷积层和一个线性层，解码器g(·)包含一个线性层和四个反卷积层，输入为全局地图输出为压缩编码后的全局地图/>包含障碍物及其空间状态信息等；
步骤S1.2、压缩自动编码器的训练只需要利用编码-解码结构来实现无监督学习；首先生成全局地图对应的环境地图图像/>然后分成小批量集以优化网络的梯度下降；令θe和θd分别表示编码器和解码器参数，则可以使用结合正则化项的均方误差作为模型的损失函数/>
其中是正则项，g(f(x))表示编码-解码后的重构地图信息，/>是重构误差：
3.如权利要求1所述的一种由数据驱动的采样搜索方法，其特征在于：所述步骤S2包括以下步骤：
步骤S2.1、基于全局地图的采样搜索预测模型，包含一层输入层，十层隐藏层和一层输出层，其中输入层和每个隐藏层由一个线性层、线性整流ReLU模块和随机失活Dropout模块组成，输出层不包含Dropout模块；另外，利用了反馈机制加速网络的收敛；
步骤S2.2、将编码后的全局地图初始位置qinit和目标位置qgoal作为全局地图网络的输入；在训练阶段，使用A*或RRT*作为专家系统生成的轨迹/>形成演示轨迹集，基于全局地图网络不断迭代和预测在训练集上找到使得规划路径误差最小的参数θ，并基于反向传播算法对网络参数进行估计，最终使得下列目标函数最小：
其中Np是演示轨迹中关键点的数量,N是演示路径的总数，为网络预测的采样搜索的关键点，q*为演示轨迹中的关键点。
4.如权利要求1所述的一种由数据驱动的采样搜索方法，其特征在于：所述步骤S3具体包括：局部地图编码采用与步骤S1相同的基于编码-解码架构的压缩自动编码器，模型中的编码器f(·)也包含四个卷积层和一个线性层，解码器g(·)包含一个线性层和四个反卷积层，输入为局部地图输出为压缩编码后的局部地图/>包含障碍物及其空间状态信息。
5.如权利要求1所述的一种由数据驱动的采样搜索方法，其特征在于：所述步骤S4包括以下步骤：
步骤S4.1、基于局部地图的采样搜索预测模型在网络结构上与全局地图网络相同，训练策略也相同，但其网络输入的地图信息是以汽车为中心的局部地图编码
步骤S4.2、对数据集中的全局地图信息进行下采样处理，只使用以汽车为中心的7×7,11×11,15×15的局部窗口地图作为压缩自动编码器的输入，并将编码后的局部地图/>汽车当前位置qcurr以及局部目标位置q′ goal作为网络输入来进行下一步采样搜索的预测。
6.如权利要求1所述的一种由数据驱动的采样搜索方法，其特征在于：所述步骤S5包括以下步骤：
步骤S5.1、将编码后的全局地图汽车初始位置qinit和目标位置qgoal输入全局采样网络，得到合理的关键点qt+1；
步骤S5.2、将将编码后的局部地图汽车当前位置qcurr以及全局地图网络预测得到的关键点qt+1一并输入局部采样网络，通过迭代更新的机制预测局部窗口内的合理轨迹；
步骤S5.3、重复S5.1和S5.2的步骤，直到网络得到合理的全局可行轨迹。
7.实现权利要求1所述的一种由数据驱动的采样搜索方法的系统，其特征在于：包括存储器、处理器，以及存储在存储器上并可以在处理器上运行的计算机程序，处理器包括依次连接的全局地图编码模块、全局采样网络搜索预测模型构建模块、局部地图编码模块、局部采样网络搜索预测模型构建模块、全局采样网络和局部采样网络集成模块。
CN202110856198.3A 2021-07-28 2021-07-28 一种由数据驱动的采样搜索方法和系统 Active CN113741420B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110856198.3A CN113741420B (zh) 2021-07-28 2021-07-28 一种由数据驱动的采样搜索方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110856198.3A CN113741420B (zh) 2021-07-28 2021-07-28 一种由数据驱动的采样搜索方法和系统

Publications (2)

Publication Number Publication Date
CN113741420A CN113741420A (zh) 2021-12-03
CN113741420B true CN113741420B (zh) 2023-12-19

Family

ID=78729315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110856198.3A Active CN113741420B (zh) 2021-07-28 2021-07-28 一种由数据驱动的采样搜索方法和系统

Country Status (1)

Country Link
CN (1) CN113741420B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107368076A (zh) * 2017-07-31 2017-11-21 中南大学 一种智能环境下机器人运动路径深度学习控制规划方法
CN209471375U (zh) * 2019-03-08 2019-10-08 南京康尼智控技术有限公司 一种避障系统
CN110832417A (zh) * 2016-12-30 2020-02-21 迪普迈普有限公司 使用高清地图为自主车辆生成路线
CN110869981A (zh) * 2016-12-30 2020-03-06 迪普迈普有限公司 用于自主车辆的高清晰度地图数据的向量数据编码
CN113110520A (zh) * 2021-05-26 2021-07-13 重庆邮智机器人研究院有限公司 一种多智能优化并行算法的机器人路径规划方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109765820B (zh) * 2019-01-14 2019-08-09 南栖仙策(南京)科技有限公司 一种用于自动驾驶控制策略的训练系统
CN110097185B (zh) * 2019-03-29 2021-03-23 北京大学 一种基于生成对抗网络的优化模型方法及应用

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110832417A (zh) * 2016-12-30 2020-02-21 迪普迈普有限公司 使用高清地图为自主车辆生成路线
CN110869981A (zh) * 2016-12-30 2020-03-06 迪普迈普有限公司 用于自主车辆的高清晰度地图数据的向量数据编码
CN107368076A (zh) * 2017-07-31 2017-11-21 中南大学 一种智能环境下机器人运动路径深度学习控制规划方法
CN209471375U (zh) * 2019-03-08 2019-10-08 南京康尼智控技术有限公司 一种避障系统
CN113110520A (zh) * 2021-05-26 2021-07-13 重庆邮智机器人研究院有限公司 一种多智能优化并行算法的机器人路径规划方法

Also Published As

Publication number Publication date
CN113741420A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
Nayakanti et al. Wayformer: Motion forecasting via simple & efficient attention networks
Groshev et al. Learning generalized reactive policies using deep neural networks
US10861183B2 (en) Method and device for short-term path planning of autonomous driving through information fusion by using V2X communication and image processing
Tang et al. Topological local-metric framework for mobile robots navigation: a long term perspective
JP7092383B2 (ja) 各領域において最適化された自律走行を遂行できるように位置基盤アルゴリズムの選択によってシームレスパラメータ変更を遂行する方法及び装置
Yang et al. Real-time optimal navigation planning using learned motion costs
KR20160048530A (ko) 자율 이동 차량의 경로 생성 방법 및 경로 생성 장치
Zheng et al. Collaborative human–UAV search and rescue for missing tourists in nature reserves
CN114462664A (zh) 融合深度强化学习和遗传算法的短程支线航班调度方法
CN113239629A (zh) 一种轨迹空间行列式点过程的强化学习探索和利用的方法
CN115273029A (zh) 一种基于异构图卷积网络的智能体运动预测方法
Girase et al. Physically feasible vehicle trajectory prediction
Xu et al. Context-aware timewise vaes for real-time vehicle trajectory prediction
CN113741420B (zh) 一种由数据驱动的采样搜索方法和系统
Xu et al. Trajectory prediction for autonomous driving with topometric map
Puck et al. Distributed active learning for semantic segmentation on walking robots
CN109977455B (zh) 一种适用于带地形障碍三维空间的蚁群优化路径构建方法
Yu et al. Learning and Sampling-Based Informative Path Planning for AUVs in Ocean Current Fields
Khan et al. Learning sample-efficient target reaching for mobile robots
Leung et al. Evaluating set measurement likelihoods in random-finite-set slam
Pecka et al. Data-driven policy transfer with imprecise perception simulation
Tung et al. Solution of an integrated traveling salesman and coverage path planning problem by using a genetic algorithm with modified operators
Bhardwaj et al. Real-time fully unsupervised domain adaptation for lane detection in autonomous driving
Yao et al. A graph-based scene encoder for vehicle trajectory prediction using the diffusion model
Rahman et al. Sampling-based planning algorithms for multi-objective missions

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