CN113804196A - 无人车路径规划方法及相关设备 - Google Patents
无人车路径规划方法及相关设备 Download PDFInfo
- Publication number
- CN113804196A CN113804196A CN202010981149.8A CN202010981149A CN113804196A CN 113804196 A CN113804196 A CN 113804196A CN 202010981149 A CN202010981149 A CN 202010981149A CN 113804196 A CN113804196 A CN 113804196A
- Authority
- CN
- China
- Prior art keywords
- node
- sampling
- unmanned vehicle
- path
- nodes
- 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 52
- 238000005070 sampling Methods 0.000 claims abstract description 124
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims description 43
- 230000003068 static effect Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 52
- 238000010586 diagram Methods 0.000 description 16
- 238000009499 grossing Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual 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
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
本公开的实施方式提供了一种无人车路径规划方法及装置、计算机可读存储介质和电子设备,属于计算机和通信技术领域。所述方法包括:获取无人车的当前所处节点的数据;根据所述当前所处节点的数据以特定步长对下一节点进行采样以获得n个采样节点;对所述n个采样节点进行筛选以获取符合标准的采样节点;根据代价函数获得从所述当前所处节点至所述符合标准的采样节点的代价值;从所述符合标准的采样节点中选取代价值最小的采样节点作为所述当前所处节点的所述下一节点。本公开实施方式的技术方案提供了一种无人车路径规划方法,能够实现无人车路径的快捷规划。
Description
技术领域
本公开涉及计算机和通信技术领域,具体而言,涉及一种无人车路径规划方法及装置、计算机可读存储介质和电子设备。
背景技术
目前的移动机器人技术发展迅捷,而随着近年来机器人应用场景和模式的不断扩展,各式各样的移动机器人层出不穷,无人车就是其中一员。目前的无人车局部路径规划方法多种多样,而大多数路径规划算法是基于笛卡尔坐标系。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开实施例提供一种无人车路径规划方法及装置、计算机可读存储介质和电子设备,能够实现无人车路径的快捷规划。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种无人车的路径规划方法,包括:
获取无人车的当前所处节点的数据,其中,所述无人车的规划路径包括多个离散的节点;
根据所述当前所处节点的数据以特定步长对下一节点进行采样以获得n 个采样节点,其中n为大于等于2的整数;
对所述n个采样节点进行筛选以获取符合标准的采样节点;
根据代价函数获得从所述当前所处节点至所述符合标准的采样节点的代价值;
从所述符合标准的采样节点中选取代价值最小的采样节点作为所述当前所处节点的所述下一节点。
在一个实施例中,所述当前所处节点的数据包括笛卡尔坐标值和所述无人车的前轮转向角,其中,根据所述当前所处节点的数据以特定步长对下一节点进行采样以获得n个采样节点包括:
根据所述当前所处节点的笛卡尔坐标值和所述无人车的前轮转向角,通过单车模型公式以特定步长对下一节点进行采样以获得n个采样节点;
其中,所述单车模型公式为:
xt+1=xt+vtΔtcosθt
yt+1=yt+vtΔtsinθt
其中,其中x,y,θ分别为路径点在笛卡尔坐标系下的位置坐标值和朝向角,为所述无人车前轮转向角,L为所述无人车的前轮轴和后轮轴的轴距, v为所述无人车的车速,Δt为所述无人车通过特定步长所用的时间,t为所述无人车在所述当前所处节点的时刻,t+1为所述无人车在所述当前所处节点的下一节点的时刻。
在一个实施例中,还包括:
通过以下公式获得所述n个采样节点对应的转向角以获得所述n个采样节点:
在一个实施例中,还包括:
通过以下公式得到获得所述n个采样节点时使用的特定步长:
其中,step为特定步长,Δxy为在笛卡尔坐标系中最小栅格的边长。
在一个实施例中,所述当前所处节点的数据包括弗莱纳坐标值,其中,对所述n个采样节点进行筛选以获取符合标准的采样节点包括:
删除不位于道路内的采样节点,删除弗莱纳S坐标值小于所述当前所处节点的弗莱纳S坐标值的采样节点,删除已属于所述规划路径的节点的采样节点。
在一个实施例中,所述代价函数包括路径平滑评价函数、路径靠右倾向评价函数、马路牙对路径斥力的评价函数、静态障碍物对路径影响程度的评价函数、动态障碍物对路径影响程度的评价函数,其中,根据代价函数获得从所述当前所处节点至所述符合标准的采样节点的代价值包括:
根据所述路径平滑评价函数、所述路径靠右倾向评价函数、所述马路牙对路径斥力的评价函数、所述静态障碍物对路径影响程度的评价函数和所述动态障碍物对路径影响程度的评价函数获得从所述当前所处节点至所述符合标准的采样节点的代价值。
在一个实施例中,所述规划路径包括起始节点和终止节点,所述当前所处节点的数据包括弗莱纳坐标值,所述方法还包括:
在所述当前所处节点的弗莱纳S坐标值大于所述规划路径的终止节点的弗莱纳S坐标值时,结束所述规划路径的规划。
根据本公开的一个方面,提供一种无人车路径规划装置,包括:
获取模块,配置为获取无人车的当前所处节点的数据,其中,所述无人车的规划路径包括多个离散的节点;
采样模块,配置为根据所述当前所处节点的数据以特定步长对下一节点进行采样以获得n个采样节点,其中n为大于等于2的整数;
筛选模块,配置为对所述n个采样节点进行筛选以获取符合标准的采样节点;
代价计算模块,配置为根据代价函数获得从所述当前所处节点至所述符合标准的采样节点的代价值;以及
判定模块,配置为从所述符合标准的采样节点中选取代价值最小的采样节点作为所述当前所处节点的所述下一节点。
根据本公开的一个方面,提供一种电子设备,包括:
一个或多个处理器;
存储装置,配置为存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上方法中任一项所述的方法。
根据本公开的一个方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上方法中任一项所述的方法。
在本公开的一些实施方式所提供的技术方案中,本申请的无人车规划方法基于笛卡尔坐标系和弗莱纳坐标系,同时满足单车模型,路径规划速度及时快捷。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
以下附图描述了本发明的某些说明性实施方式,其中相同的附图标记表示相同的元件。这些描述的实施方式将是本公开的示例性实施方式,而不是以任何方式进行限制。
图1示出了可以应用本公开实施方式的无人车路径规划方法或无人车路径规划装置的示例性系统架构的示意图;
图2示出了适于用来实现本公开实施方式的电子设备的计算机系统的结构示意图;
图3示意性示出了根据本公开的一实施方式的Frenet(弗莱纳)坐标系与笛卡尔坐标系;
图4示意性示出了根据本公开的一实施方式的无人车路径规划方法的流程图;
图5示意性示出了根据本公开的一实施方式的无人车路径规划装置的框图;
图6示意性示出了根据本发明的另一个实施方式的无人车路径规划装置的方框图;
图7示意性示出了根据本发明的另一个实施方式的无人车路径规划装置的方框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示出了可以应用本公开实施方式的无人车路径规划方法或无人车路径规划装置的示例性系统架构100的示意图。
如图1所示,系统架构100可以包括终端设备101、102、103中的一种或多种,网络104和服务器105。网络104是用以在终端设备101、102、 103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
无人车可以使用终端设备101、102、103通过网络104与服务器105 交互,以接收或发送消息等。终端设备101、102、103可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、便携式计算机和台式计算机、数字电影放映机等等。
服务器105可以是提供各种服务的服务器。例如无人车利用终端设备 103(也可以是终端设备101或102)向服务器105发送无人车路径规划请求。服务器105可以通过获取无人车的当前所处节点的数据,其中,所述无人车的规划路径包括多个离散的节点;根据所述当前所处节点的数据以特定步长对下一节点进行采样以获得n个采样节点,其中n为大于等于2的整数;对所述n个采样节点进行筛选以获取符合标准的采样节点;根据代价函数获得从所述当前所处节点至所述符合标准的采样节点的代价值;从所述符合标准的采样节点中选取代价值最小的采样节点作为所述当前所处节点的所述下一节点。服务器105可以将规划的路径信息发送至终端设备103,以将规划的路径信息显示于终端设备103,进而无人车可以基于终端设备103上显示的内容查看相应的当前无人车的规划路径。
又如终端设备103(也可以是终端设备101或102)可以是智能电视、 VR(VirtualReality,虚拟现实)/AR(Augmented Reality,增强现实)头盔显示器、或者其上安装有导航、网约车、即时通讯、视频应用程序 (application,APP)等的移动终端例如智能手机、平板电脑等,无人车可以通过该智能电视、VR/AR头盔显示器或者该导航、网约车、即时通讯、视频APP向服务器105发送无人车路径规划请求。服务器105可以基于该无人车路径规划请求,获得无人车路径规划的结果,并将无人车路径规划结果返回给该智能电视、VR/AR头盔显示器或者该导航、网约车、即时通讯、视频APP,进而通过该智能电视、VR/AR头盔显示器或者该导航、网约车、即时通讯、视频APP将返回的无人车路径规划结果进行显示。
图2示出了适于用来实现本公开实施方式的电子设备的计算机系统的结构示意图。
需要说明的是,图2示出的电子设备的计算机系统200仅是一个示例,不应对本公开实施方式的功能和使用范围带来任何限制。
如图2所示,计算机系统200包括中央处理单元(CPU,Central Processing Unit)201,其可以根据存储在只读存储器(ROM,Read-Only Memory)202中的程序或者从储存部分208加载到随机访问存储器(RAM, Random Access Memory)203中的程序而执行各种适当的动作和处理。在RAM 203中,还存储有系统操作所需的各种程序和数据。CPU 201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。
以下部件连接至I/O接口205:包括键盘、鼠标等的输入部分206;包括诸如阴极射线管(CRT,Cathode Ray Tube)、液晶显示器(LCD,Liquid Crystal Display)等以及扬声器等的输出部分207;包括硬盘等的储存部分 208;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器210 上,以便于从其上读出的计算机程序根据需要被安装入储存部分208。
特别地,根据本公开的实施方式,下文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施方式包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施方式中,该计算机程序可以通过通信部分209从网络上被下载和安装,和/或从可拆卸介质 211被安装。在该计算机程序被中央处理单元(CPU)201执行时,执行本申请的方法和/或装置中限定的各种功能。
需要说明的是,本公开所示的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM(Erasable Programmable Read Only Memory,可擦除可编程只读存储器)或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质,该计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF(RadioFrequency,射频)等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本公开各种实施方式的方法、装置和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的模块和/或单元和/或子单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的模块和/或单元和/或子单元也可以设置在处理器中。其中,这些模块和/或单元和/或子单元的名称在某种情况下并不构成对该模块和/或单元和/或子单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施方式中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如下述实施方式中所述的方法。例如,所述的电子设备可以实现如图4示的各个步骤。
相关技术中,例如可以采用机器学习方法、深度学习方法等进行无人车路径规划,不同方法适用的范围不同。
图3示意性示出了根据本公开的一实施方式的Frenet(弗莱纳)坐标系与笛卡尔坐标系。
参考图3,笛卡尔标系为yMx坐标系。Frenet坐标系以道路中心线为S 轴、以垂直S轴向左为L轴,道路中心线是由一系列离散点组成的。假设笛卡尔坐标系中有一点p(xp,yp),在道路中心线中找到距离p最近的两个离散点s(xs,ys)和e(xe,ye),假设s在Frenet坐标系中坐标为(ss,0),e在Frenet下坐标为(se,0),则笛卡尔坐标下点p(xp,yp)与其在Frenet坐标系下的坐标(sp,lp) 间的关系由公式(1)决定:
在一个实施例中,Bicycle Model(单车模型)转向公式如下所示:
其中,其中x,y,θ分别为路径点在笛卡尔坐标系下的位置坐标值和朝向角,为所述无人车前轮转向角,L为所述无人车的前轮轴和后轮轴的轴距, v为所述无人车的车速,Δt为所述无人车通过特定步长所用的时间,t为所述无人车在所述当前所处节点的时刻,t+1为所述无人车在所述当前所处节点的下一节点的时刻。单车模型转向公式可以用于计算无人车在下一节点的笛卡尔坐标系下的位置坐标值和朝向角。
图4示意性示出了根据本公开的一实施方式的无人车路径规划方法的流程图。本公开实施方式的方法步骤可以由终端设备执行,也可以由服务器执行,或者由终端设备和服务器交互执行,例如,可以由上述图1中的服务器105执行,但本公开并不限定于此。
在步骤S410中,获取无人车的当前所处节点的数据,其中,所述无人车的规划路径包括多个离散的节点。
在该步骤中,终端设备或服务器可以获取无人车的当前所处节点的数据。其中,所述无人车的规划路径包括多个离散的节点。
在一个实施例中,无人车的当前所处节点的数据结构如下:在笛卡尔坐标系中,假设无人车单帧路径规划总长度为stotal,xy维度上的栅格分辨率为Δxy(在笛卡尔坐标系中最小栅格的边长),θ维度上的分辨率为Δθ,x 维度参考基数为xc,y维度的参考基数为yc,θ维度的参考基于为-π;假设用Node表示无人车任意路径点状态(即节点的数据结构),则其中(x,y,θ)分别为路径点在笛卡尔坐标系下的位置坐标值和朝向角,为车前轮转向角,(s,l)分别为路径点在Frenet下的坐标值,d为该路径点到路径初始点的里程,str是笛卡尔坐标系下、以(xc,yc,-π) 为基准、以Δxy和Δθ为栅格分辨率得到任意坐标(x,y,θ)在栅格中的唯一字符串标识:
其中str可以由以下公式(3)获得:
本公开实施方式中,终端设备可以以各种形式来实施。例如,本公开中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(personal digitalassistant,PDA)、便捷式媒体播放器(portable media player,PMP)、无人车路径规划装置、可穿戴设备、智能手环、计步器、机器人、无人驾驶车等移动终端,以及诸如数字TV(television,电视机)、台式计算机等固定终端。
在步骤S420中,根据所述当前所处节点的数据以特定步长对下一节点进行采样以获得n个采样节点,其中n为大于等于2的整数。
在该步骤中,终端设备或服务器可以根据所述当前所处节点的数据以特定步长对下一节点进行采样以获得n个采样节点。
在一个实施例中,所述当前所处节点的数据包括笛卡尔坐标值和所述无人车的前轮转向角,其中,根据所述当前所处节点的数据以特定步长对下一节点进行采样以获得n个采样节点包括:根据所述当前所处节点的笛卡尔坐标值和所述无人车的前轮转向角,通过单车模型公式(2)以特定步长对下一节点进行采样以获得n个采样节点。
在一个实施例中,通过以下公式(4)获得所述n个采样节点对应的转向角以获得所述n个采样节点:
在一个实施例中,通过以下公式(5)得到获得所述n个采样节点时使用的特定步长:
其中,step为特定步长,Δxy为在笛卡尔坐标系中最小栅格的边长。
在步骤S430中,对所述n个采样节点进行筛选以获取符合标准的采样节点。
在该步骤中,终端设备或服务器对所述n个采样节点进行筛选以获取符合标准的采样节点。在一个实施例中,终端设备或服务器通过删除不位于道路内的采样节点、删除弗莱纳S坐标值小于所述当前所处节点的弗莱纳S 坐标值的采样节点和删除已属于所述规划路径的节点的采样节点来对所述n 个采样节点进行筛选以获取符合标准的采样节点。
在步骤S440中,根据代价函数获得从所述当前所处节点至所述符合标准的采样节点的代价值。
在该步骤中,终端设备或服务器根据代价函数获得从所述当前所处节点至所述符合标准的采样节点的代价值。在一个实施例中,所述代价函数包括路径平滑评价函数、路径靠右倾向评价函数、马路牙对路径斥力的评价函数、静态障碍物对路径影响程度的评价函数、动态障碍物对路径影响程度的评价函数,则根据所述路径平滑评价函数、所述路径靠右倾向评价函数、所述马路牙对路径斥力的评价函数、所述静态障碍物对路径影响程度的评价函数和所述动态障碍物对路径影响程度的评价函数获得从所述当前所处节点至所述符合标准的采样节点的代价值。
在步骤S450中,从所述符合标准的采样节点中选取代价值最小的采样节点作为所述当前所处节点的所述下一节点。
在该步骤中,终端设备或服务器从所述符合标准的采样节点中选取代价值最小的采样节点作为所述当前所处节点的所述下一节点。
不断重复步骤S410至S450,即可获得无人车的功耗最优路径。
本申请的无人车规划方法通过获取无人车的当前所处节点的数据,其中,所述无人车的规划路径包括多个离散的节点;根据所述当前所处节点的数据以特定步长对下一节点进行采样以获得n个采样节点,其中n为大于等于2的整数;对所述n个采样节点进行筛选以获取符合标准的采样节点;根据代价函数获得从所述当前所处节点至所述符合标准的采样节点的代价值;从所述符合标准的采样节点中选取代价值最小的采样节点作为所述当前所处节点的所述下一节点,能够实现无人车路径的快速规划,耗时较短。
本申请的无人车规划方法基于笛卡尔坐标系和弗莱纳坐标系,同时满足单车模型,路径规划速度及时快捷。
在一个实施例中,本公开的所述规划路径包括起始节点和终止节点,所述当前所处节点的数据包括弗莱纳坐标值,无人车的规划方法还包括在所述当前所处节点的弗莱纳S坐标值大于所述规划路径的终止节点的弗莱纳S 坐标值时,结束所述规划路径的规划。
在一个实施例中,本公开的无人车路径规划方法流程如下:
(1)首先,将笛卡尔坐标系进行栅格化。在笛卡尔坐标系中,假设无人车单帧路径规划总长度为stotal,xy维度上的栅格分辨率为Δxy,θ维度上的分辨率为Δθ,x维度参考基数为xc,y维度的参考基数为yc,θ维度的参考基于为-π。假设用Node表示无人车任意路径点状态,每个Node 数据结构如下:其中(x,y,θ)分别为路径点在笛卡尔坐标系下的位置坐标值和朝向角,为车前轮转向角,(s,l)分别为路径点在Frenet下的坐标值,d为该路径点到路径初始点的里程,str是笛卡尔坐标系下、以(xc,yc,-π)为基准、以Δxy和Δθ为栅格分辨率得到任意坐标 (x,y,θ)在栅格中的唯一字符串标识:
假设初始时刻车体在笛卡尔坐标系下的姿态为(x0,y0,θ0),前轮转角为由公式(1)可知,无人车初始时刻在Frenet坐标系下坐标为(s0,l0), d0=0.0由公式(3)可计算str0,则初始时刻的节点数据为无人车运动到该点的cost=0.0。将该Node加入OPEN_SET(起始集合)和按cost排序的优先级队列queue中;
(2)从queue队列中取出cost最小的Node作为当前cur_node(当前所处节点),并将其从queue中删除,放入CLOSE_SET(完成集合) 中;
(3)如果cur_node.s>s0+stotal(当前节点的弗莱纳S坐标大于路径的总长度为stotal)成立,则单帧规划长度已经够stotal(已完成路径规划),令 final_node=cur_node,搜索结束;否则,继续通过Bicycle Model转向模型推位获取采样点,具体过程如下:
令采样步长step为:
(4)遍历n个候选Node。对于每个Node,首先判断是否位于道路内且满足Node.s>cur_node.s(弗莱纳S坐标值小于所述当前所处节点的弗莱纳S坐标值的采样节点),假如不在道路内或者Node.s<cur_node.s,则删除该采样点,否则检测该Node是否位于CLOSE_SET(是否已属于所述规划路径的节点);假如在CLOSE_SET中,则删除该采样点,否则检测该Node是否位于OPEN_SET中;假如在OPEN_SET中,则删除该采样点,否则根据Node(采样节点)和cur_node(当前节点)通过代价函数体系计算该点cost,并将其加入OPEN_SET和queue中。
(5)如果搜索结束,则可以根据parent_node(根据候选节点确定的下一节点)及其cur_node递推出整个规划路径;否则,循环执行(2)、 (3)和(4),直到搜索结束。
在一个实施例中,该路径生成中的代价函数体系公式(6)为:
其中,smooth_w为路径平滑权重,gsmooth为路径平滑评价函数,ref_w为路径靠右倾向性权重,gref为路径靠右倾向评价函数,boundary_w为马路牙斥力权重,gboundary为马路牙对路径斥力的评价函数,static_w为静态障碍物对路径影响程度的权重,gstatic为静态障碍物对路径影响程度的评价函数,dynamic_w为路径对动态障碍物敏感权重,gdynamic为动态障碍物对路径影响程度的评价函数。
(1)路径平滑的评价函数:
(2)路径靠右倾向评价函数:
gref=weight_ref·|cur_node.l-ref_l| (8)
其中,weight_ref为路径靠右倾向评价函数的权重,ref_l为遍历道路中间线靠右的参考距离。
(3)马路牙对路径斥力的评价函数:
其中,weight_boundary为道路边界评价函数的权重,left_d为cur_node.s 处左侧马路牙到道路中间线的距离,right_d为cur_node.s处右侧马路牙到道路中间线的距离。
(4)静态障碍物对路径影响程度的评价函数:
gstatic=weight_static·∑exp(-0.5·d·d/(σ·σ)) (10)
其中,weight_static为静态障碍物评价函数的权重,d为静态障碍物与以parent_node.xy和cur_node.xy为端点的线段的距离,σ为高斯分布的标准偏差。
(5)动态障碍物对路径影响程度的评价函数:
gdynamic=weight_dynamic·∑exp(-0.5d·d/(σ·σ)) (11)
其中,weight_dynamic为动态障碍物评价函数的权重,d为动态障碍物与以parent_node.xy和cur_node.xy为端点的线段的距离,σ为高斯分布的标准偏差。
由于障碍物是运动的,在无人车路径规划阶段需要引入时间t维度,故应用无人车上帧轨迹中的s与t对应关系近似为当前帧s和t对应关系,即可知无人车从规划起点运动到cur_node.s处所需时间t,然后根据障碍物预测获得t时刻障碍物所在的位置,即可得到t时刻障碍物与cur_node 的距离d。
图5示意性示出了根据本公开的一实施方式的无人车路径规划装置的框图。本公开实施方式提供的无人车路径规划装置500可以设置在终端设备上,也可以设置在服务器端上,或者部分设置在终端设备上,部分设置在服务器端上,例如,可以设置在图1中的服务器105,但本公开并不限定于此。
本公开实施方式提供的无人车路径规划装置500可以包括获取模块 510、采样模块520、筛选模块530、代价计算模块540以及判定模块550。
其中,获取模块510配置为获取无人车的当前所处节点的数据,其中,所述无人车的规划路径包括多个离散的节点;采样模块520配置为根据所述当前所处节点的数据以特定步长对下一节点进行采样以获得n个采样节点,其中n为大于等于2的整数;筛选模块530配置为对所述n个采样节点进行筛选以获取符合标准的采样节点;代价计算模块540配置为根据代价函数获得从所述当前所处节点至所述符合标准的采样节点的代价值;以及判定模块 550配置为从所述符合标准的采样节点中选取代价值最小的采样节点作为所述当前所处节点的所述下一节点。
该无人车路径规划装置500本申请的无人车规划方法基于笛卡尔坐标系和弗莱纳坐标系,同时满足单车模型,路径规划速度及时快捷。
根据本公开的实施方式,上述无人车路径规划装置500可以用于实现图4实施方式描述的无人车路径规划方法。
图6示意性示出了根据本发明的另一个实施方式的无人车路径规划装置600的方框图。
如图6所示,除了图5实施方式描述的获取模块510、采样模块520、筛选模块530、代价计算模块540以及判定模块550之外,该无人车路径规划装置600还包括显示模块610。
具体地,显示模块610在判定模块550从所述符合标准的采样节点中选取代价值最小的采样节点作为所述当前所处节点的所述下一节点后,以将路径规划结果显示于所述终端。
在该无人车路径规划装置600中,通过显示模块610可以完成障碍物决策结果和路径规划结果的直观显示。
图7示意性示出了根据本发明的另一个实施方式的无人车路径规划装置700的方框图。
如图7所示,除了图5实施方式描述的获取模块510、采样模块520、筛选模块530、代价计算模块540以及判定模块550之外,无人车路径规划装置700还包括存储模块710。
具体地,存储模块710用于将路径规划结果进行存储,以方便后续调用和参考。
可以理解的是,获取模块510、采样模块520、筛选模块530、代价计算模块540、判定模块550、显示模块610以及存储模块710可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本发明的实施方式,获取模块510、采样模块520、筛选模块530、代价计算模块540、判定模块550、显示模块 610以及存储模块710的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以以对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式的适当组合来实现。或者,获取模块510、采样模块 520、筛选模块530、代价计算模块540、判定模块550、显示模块610以及存储模块710的至少一个可以至少被部分地实现为计算机程序模块,当该程序被计算机运行时,可以执行相应模块的功能。
由于本发明的示例实施方式的无人车路径规划装置的各个模块可以用于实现上述图4描述的无人车路径规划方法的示例实施方式的步骤,因此对于本发明装置实施方式中未披露的细节,请参照本发明上述的无人车路径规划方法的实施方式。
本公开实施方式提供的无人车路径规划装置中的各个模块、单元和子单元的具体实现可以参照上述无人车路径规划方法中的内容,在此不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块、单元和子单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块、单元和子单元的特征和功能可以在一个模块、单元和子单元中具体化。反之,上文描述的一个模块、单元和子单元的特征和功能可以进一步划分为由多个模块、单元和子单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是 CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施方式仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种无人车的路径规划方法,其特征在于,包括:
获取无人车的当前所处节点的数据,其中,所述无人车的规划路径包括多个离散的节点;
根据所述当前所处节点的数据以特定步长对下一节点进行采样以获得n个采样节点,其中n为大于等于2的整数;
对所述n个采样节点进行筛选以获取符合标准的采样节点;
根据代价函数获得从所述当前所处节点至所述符合标准的采样节点的代价值;
从所述符合标准的采样节点中选取代价值最小的采样节点作为所述当前所处节点的所述下一节点。
2.根据权利要求1所述的方法,其特征在于,所述当前所处节点的数据包括笛卡尔坐标值和所述无人车的前轮转向角,其中,根据所述当前所处节点的数据以特定步长对下一节点进行采样以获得n个采样节点包括:
根据所述当前所处节点的笛卡尔坐标值和所述无人车的前轮转向角,通过单车模型公式以特定步长对下一节点进行采样以获得n个采样节点;
其中,所述单车模型公式为:
xt+1=xt+vtΔtcosθt
yt+1=yt+vtΔtsinθt
5.根据权利要求1所述的方法,其特征在于,所述当前所处节点的数据包括弗莱纳坐标值,其中,对所述n个采样节点进行筛选以获取符合标准的采样节点包括:
删除不位于道路内的采样节点,删除弗莱纳S坐标值小于所述当前所处节点的弗莱纳S坐标值的采样节点,删除已属于所述规划路径的节点的采样节点。
6.根据权利要求1所述的方法,其特征在于,所述代价函数包括路径平滑评价函数、路径靠右倾向评价函数、马路牙对路径斥力的评价函数、静态障碍物对路径影响程度的评价函数、动态障碍物对路径影响程度的评价函数,其中,根据代价函数获得从所述当前所处节点至所述符合标准的采样节点的代价值包括:
根据所述路径平滑评价函数、所述路径靠右倾向评价函数、所述马路牙对路径斥力的评价函数、所述静态障碍物对路径影响程度的评价函数和所述动态障碍物对路径影响程度的评价函数获得从所述当前所处节点至所述符合标准的采样节点的代价值。
7.根据权利要求1所述的方法,其特征在于,所述规划路径包括起始节点和终止节点,所述当前所处节点的数据包括弗莱纳坐标值,所述方法还包括:
在所述当前所处节点的弗莱纳S坐标值大于所述规划路径的终止节点的弗莱纳S坐标值时,结束所述规划路径的规划。
8.一种无人车路径规划装置,其特征在于,包括:
获取模块,配置为获取无人车的当前所处节点的数据,其中,所述无人车的规划路径包括多个离散的节点;
采样模块,配置为根据所述当前所处节点的数据以特定步长对下一节点进行采样以获得n个采样节点,其中n为大于等于2的整数;
筛选模块,配置为对所述n个采样节点进行筛选以获取符合标准的采样节点;
代价计算模块,配置为根据代价函数获得从所述当前所处节点至所述符合标准的采样节点的代价值;以及
判定模块,配置为从所述符合标准的采样节点中选取代价值最小的采样节点作为所述当前所处节点的所述下一节点。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,配置为存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010981149.8A CN113804196B (zh) | 2020-09-17 | 2020-09-17 | 无人车路径规划方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010981149.8A CN113804196B (zh) | 2020-09-17 | 2020-09-17 | 无人车路径规划方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113804196A true CN113804196A (zh) | 2021-12-17 |
CN113804196B CN113804196B (zh) | 2024-04-12 |
Family
ID=78943477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010981149.8A Active CN113804196B (zh) | 2020-09-17 | 2020-09-17 | 无人车路径规划方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113804196B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115326100A (zh) * | 2022-10-17 | 2022-11-11 | 北京智行者科技股份有限公司 | 路径规划方法、装置、自动驾驶设备及计算机存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180150081A1 (en) * | 2018-01-24 | 2018-05-31 | GM Global Technology Operations LLC | Systems and methods for path planning in autonomous vehicles |
CN108196536A (zh) * | 2017-12-21 | 2018-06-22 | 同济大学 | 一种改进的无人车快速搜索随机树路径规划方法 |
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 |
US20200159216A1 (en) * | 2018-11-16 | 2020-05-21 | Great Wall Motor Company Limited | Motion Planning Methods And Systems For Autonomous Vehicle |
US20200272157A1 (en) * | 2019-02-22 | 2020-08-27 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for planning travelling path, and vehicle |
CN111650941A (zh) * | 2020-06-10 | 2020-09-11 | 湖南爱米家智能科技有限公司 | 基于RRT-Connect改进的医用移动机器人路径规划方法、装置、介质及设备 |
-
2020
- 2020-09-17 CN CN202010981149.8A patent/CN113804196B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108196536A (zh) * | 2017-12-21 | 2018-06-22 | 同济大学 | 一种改进的无人车快速搜索随机树路径规划方法 |
US20180150081A1 (en) * | 2018-01-24 | 2018-05-31 | GM Global Technology Operations LLC | Systems and methods for path planning in autonomous vehicles |
US20200159216A1 (en) * | 2018-11-16 | 2020-05-21 | Great Wall Motor Company Limited | Motion Planning Methods And Systems For Autonomous Vehicle |
US20200272157A1 (en) * | 2019-02-22 | 2020-08-27 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for planning travelling path, and vehicle |
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 |
CN111650941A (zh) * | 2020-06-10 | 2020-09-11 | 湖南爱米家智能科技有限公司 | 基于RRT-Connect改进的医用移动机器人路径规划方法、装置、介质及设备 |
Non-Patent Citations (1)
Title |
---|
许伦辉;曹宇超;林培群;: "基于多影响因素RDMA~*算法的无人驾驶动态路径规划", 交通信息与安全, no. 02 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115326100A (zh) * | 2022-10-17 | 2022-11-11 | 北京智行者科技股份有限公司 | 路径规划方法、装置、自动驾驶设备及计算机存储介质 |
CN115326100B (zh) * | 2022-10-17 | 2023-03-03 | 北京智行者科技股份有限公司 | 路径规划方法、装置、自动驾驶设备及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113804196B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112918487B (zh) | 无人车起步方法、装置、电子设备和计算机可读介质 | |
CN111098842B (zh) | 车辆速度控制方法及相关设备 | |
CN114998477B (zh) | 掉头区域车道中心线的绘制方法、装置、设备及产品 | |
CN115817463B (zh) | 车辆避障方法、装置、电子设备和计算机可读介质 | |
CN111862352A (zh) | 定位模型优化方法、定位方法和定位设备 | |
CN112712036A (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN113804196B (zh) | 无人车路径规划方法及相关设备 | |
Schipor et al. | Towards Interactions with Augmented Reality Systems in Hyper-Connected Cars. | |
CN111401229B (zh) | 视觉小目标自动标注方法、装置及电子设备 | |
WO2024031999A1 (zh) | 图像分层方法、装置、电子设备及存储介质 | |
CN110321854B (zh) | 用于检测目标对象的方法和装置 | |
CN113361059A (zh) | 车辆模拟场景的生成方法及相关设备 | |
CN113805578B (zh) | 无人车路径优化方法及相关设备 | |
CN111862351A (zh) | 定位模型优化方法、定位方法和定位设备 | |
CN113804208B (zh) | 无人车路径优化方法及相关设备 | |
CN111338339A (zh) | 轨迹规划方法、装置、电子设备及计算机可读介质 | |
CN113255812A (zh) | 视频边框检测方法、装置和电子设备 | |
CN113963542B (zh) | 无人车的数据处理方法及相关设备 | |
CN113778078A (zh) | 定位信息生成方法、装置、电子设备和计算机可读介质 | |
CN111738311A (zh) | 面向多任务的特征提取方法、装置及电子设备 | |
CN112085359A (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN113819915A (zh) | 无人车路径规划方法及相关设备 | |
CN111950572A (zh) | 训练分类器的方法、装置、电子设备和计算机可读存储介质 | |
CN113625752B (zh) | 基于卫星导航定位的车载六旋翼无人机控制方法及装置 | |
CN110136181B (zh) | 用于生成信息的方法和装置 |
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 |