CN114216473A - 行驶路径的选择方法、装置、设备以及可读存储介质 - Google Patents
行驶路径的选择方法、装置、设备以及可读存储介质 Download PDFInfo
- Publication number
- CN114216473A CN114216473A CN202111383624.2A CN202111383624A CN114216473A CN 114216473 A CN114216473 A CN 114216473A CN 202111383624 A CN202111383624 A CN 202111383624A CN 114216473 A CN114216473 A CN 114216473A
- Authority
- CN
- China
- Prior art keywords
- path
- predicted
- evaluation function
- predicted path
- function value
- 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 61
- 238000011156 evaluation Methods 0.000 claims abstract description 150
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000010187 selection method Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 126
- 230000008859 change Effects 0.000 claims description 11
- 230000004888 barrier function Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000010355 oscillation Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000013178 mathematical model 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
- 238000005070 sampling Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000003068 static 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
- G01C21/26—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
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
- Navigation (AREA)
Abstract
本发明公开了一种行驶路径的选择方法、装置、设备和可读存储介质，其中，所述选择方法包括：根据预测路径的路径标识选定初始最优预测路径；获取每一所述预测路径关联的评价函数值以及预设增量；根据所述评价函数值以及所述预设增量确定其它预测路径是否满足路径更新条件，其中所述其它预测路径为除初始最优预测路径外的预测路径；当所述其它预测路径关联的所述评价函数值满足所述路径更新条件时，将满足所述路径更新条件的所述其它预测路径设置为最优预测路径。通过设置一个预设增量来增加不同预测路径关联的评价函数值之间的差异，以解决自动驾驶过程中路径震荡的问题，达到了提升自动驾驶的稳定性的效果。
Description
技术领域
本发明涉及自动驾驶路径规划技术领域，尤其涉及一种行驶路径的选择方法、装置、设备以及可读存储介质。
背景技术
目前，自动驾驶技术已经收到越来越多的人关注，随着自动驾驶技术的逐渐成熟，未来的车辆对于自动驾驶技术的应用会愈发的广泛，而自动驾驶技术的安全问题一直是人们关注的重点。
自动驾驶中对于局部路径的规划通常采用多条采样评估最优的算法，即首先在地图中按照车辆行驶方向生成多条预测路径，然后通过传感器实时传输的数据对路径上的信息进行判断，依据评价函数对当前路况信息进行实时评估打分，最后从生成的多条预测轨迹选择一条最优的行驶路径。
然而，评价函数的打分涉及到多种因素，比如变道代价值，横向障碍物距离代价值，纵向障碍物距离代价值，道路优先级(如园区内道路靠右行驶)等，在车辆行驶过程中这些因素都是实时波动的，且波动范围较小，可能会出现评价函数打分分值相接近的预测路径。由于这些路径的分值差异较小，在下一轮的打分中可能会由于某个因素的变化，导致不同的预测路径的分值出现短暂的相同，出现最优行驶路径不唯一的情况，即车辆在两条甚至多条路径之间反复选择，形成路径震荡，造成车辆在行驶路途中左右摇摆。
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行驶路径的选择方法，旨在解决自动驾驶过程中路径震荡的问题。
为实现上述目的，本发明提供的一种行驶路径的选择的方法，所述行驶路径的选择的方法包括：
根据预测路径的路径标识选定初始最优预测路径；
获取每一所述预测路径关联的评价函数值以及预设增量；
根据所述评价函数值以及所述预设增量确定其它预测路径是否满足路径更新条件，其中所述其它预测路径为除所述初始最优预测路径外的预测路径；
当所述其它预测路径关联的所述评价函数值满足所述路径更新条件时，将满足所述路径更新条件的所述其它预测路径设置为最优预测路径。
可选地，所述根据预测路径的路径标识选定初始最优预测路径的步骤之前，还包括：
采集路况信息，其中所述路况信息为特征地图中包含车辆行驶方向的路径特征信息；
根据所述路况信息生成至少一条预测路径，并根据所述路况信息的采集顺序确定每一所述预测路径的路径标识。
可选地，所述获取每一所述预测路径关联的评价函数值以及预设增量的步骤包括：
获取传感器采集的每一所述预测路径对应的障碍物数据；
根据每一所述预测路径对应的所述障碍物数据以及预设评价函数确定每一所述预测路径关联的所述评价函数值；
获取所述预设增量。
可选地，所述根据每一所述预测路径对应的所述障碍物数据以及预设评价函数确定每一所述预测路径关联的所述评价函数值的步骤包括：
根据所述障碍物数据确定评价参数，所述评价参数包括变道代价值、横向障碍物距离代价值、纵向障碍物距离代价值、道路优先级的至少一种；
将所述评价参数代入所述评价函数，以确定所述每一所述预测路径关联的所述评价函数值。
可选地，所述根据所述评价函数值以及所述预设增量确定其它预测路径是否满足路径更新条件的步骤包括：
确定所述其它预测路径关联的路径代价值，其中所述路径代价值为所述其它预测路径中关联的所述评价函数值与所述预设增量之和；
当所述路径代价值小于所述初始最优预测路径关联的所述评价函数值时，判定为所述其它预测路径满足所述路径更新条件。
可选地，所述确定所述其它预测路径关联的路径代价值的步骤之后，还包括：
当任一条所述其它预测路径关联的所述路径代价值均不满足所述路径更新条件时，将所述初始最优预测路径设置为所述最优预测路径可选地，
可选地，所述将满足所述路径更新条件的所述其它预测路径设置为最优预测路径的步骤之后，还包括：
根据所述最优预测路径控制车辆以所述最优预测路径规划的路线行驶。
此外，为实现上述目的，本发明还提供一种行驶路径的选择装置，所述行驶路径的选择装置包括：
获取模块，用于获取车辆行驶过程中的路况信息以及传感器采集的障碍物数据；
标识模块，用于根据所述路况信息生成预测路径，并对所述预测路径进行标识；
计算模块，用于通过评价函数，根据传感器采集的障碍物数据计算出所述预测路径关联的评价函数值以及预设增量；
判断模块，用于判断其它预测路径的路径代价值是否满足路径更新条件；
设置模块，用于将满足路径更新条件的所述预测路径设置为最优预测路径。
此外，为实现上述目的，本发明还提供一种行驶路径的选择设备，所述行驶路径的选择设备包括存储器、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行驶路径的选择程序，所述行驶路径的选择程序被所述处理器执行时实现如上所述的行驶路径的选择方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有行驶路径的选择程序，所述行驶路径的选择程序被处理器执行时实现如上所述的行驶路径的选择的方法的步骤。
本发明实施例提供一种行驶路径的选择方法、装置、设备以及计算机可读存储介质，根据预测路径的路径标识选定初始最优预测路径，再获取每一所述预测路径关联的评价函数值以及预设增量，然后根据所述评价函数值以及所述预设增量确定其它预测路径是否满足路径更新条件，其中所述其它预测路径为除初始最优预测路径外的预测路径，当所述其它预测路径关联的所述评价函数值满足所述路径更新条件时，将满足所述路径更新条件的所述其它预测路径设置为最优预测路径。通过设置一个预设增量，在依据评价函数对路径评价打分时，按照预设增量和评价函数值判断该路径是否符合置为最优行驶路径的条件，以避免路径选择过程中由于评价函数值差异过小，导致车辆在下一轮的打分中可能由于某个因素的变化出现不同的预测路径的分值出现短暂的相同的情况，达到了提升自动驾驶的稳定性的效果。
附图说明
图1为本发明实施涉及的行驶路径的选择装置的硬件架构示意图；
图2为本发明行驶路径的选择方法的第一实施例的流程示意图；
图3为本发明行驶路径的选择方法的第二实施例的流程示意图；
图4为本发明行驶路径的选择方法的第三实施例中步骤S20的细化流程示意图；
图5为本发明行驶路径的选择方法的第四实施例中步骤S22的细化流程示意图；
图6为本发明行驶路径的选择方法的第五实施例中步骤S30的细化流程示意图；
图7为本发明行驶路径的选择方法的第六实施例的流程示意图；
图8为本发明行驶路径的选择方法的第七实施例的流程示意图；
图9为本发明行驶路径的选择装置的架构示意图；
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
本发明实施例的主要解决方案是：根据预测路径的路径标识选定初始最优预测路径；获取每一所述预测路径关联的评价函数值以及预设增量；根据所述评价函数值以及所述预设增量确定其它预测路径是否满足路径更新条件，其中所述其它预测路径为除初始最优预测路径外的预测路径；当所述其它预测路径关联的所述评价函数值满足所述路径更新条件时，将满足所述路径更新条件的所述其它预测路径设置为最优预测路径。
通过设置一个预设增量，在依据评价函数对路径评价打分时，按照预设增量和评价函数值判断该路径是否符合置为最优行驶路径的条件，以避免路径选择过程中由于评价函数值差异过小而导致车辆在下一轮的打分中由于某个因素的变化出现不同的预测路径的分值出现短暂的相同的情况，达到了稳定车辆行驶路径的效果。
应当理解，本发明的附图中显示了本发明的示例性实施例，可以通过各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
作为一种实现方案，行驶路径的选择设备的硬件架构可以如图1所示。
本发明实施例方案涉及的是行驶路径的选择设备的硬件架构，所述行驶路径的选择设备的硬件架构包括：处理器101，例如CPU，存储器102，通信总线103。其中，通信总线103用于实现这些组件之间的连接通信。
存储器102可以是高速RAM存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。如图1所示，作为一种计算机可读存储介质的存储器102中可以包括行驶路径的选择的程序；而处理器101可以用于调用存储器102中存储的行驶路径的选择的程序，并执行以下操作：
根据预测路径的路径标识选定初始最优预测路径；
获取每一所述预测路径关联的评价函数值以及预设增量；
根据所述评价函数值以及所述预设增量确定其它预测路径是否满足路径更新条件，其中所述其它预测路径为除初始最优预测路径外的预测路径；
当所述其它预测路径关联的所述评价函数值满足所述路径更新条件时，将满足所述路径更新条件的所述其它预测路径设置为最优预测路径。
在一实施例中，处理器101可以用于调用存储器102中存储的行驶路径的选择程序，并执行以下操作：
采集路况信息，其中所述路况信息为特征地图中包含车辆行驶方向的路径特征信息；
根据所述路况信息生成至少一条预测路径，并根据所述路况信息的采集顺序确定每一所述预测路径的路径标识。
在一实施例中，处理器101可以用于调用存储器102中存储的行驶路径的选择程序，并执行以下操作：
获取传感器采集的每一所述预测路径对应的障碍物数据；
根据每一所述预测路径对应的所述障碍物数据以及预设评价函数确定每一所述预测路径关联的所述评价函数值；
获取所述预设增量。
在一实施例中，处理器101可以用于调用存储器102中存储的行驶路径的选择程序，并执行以下操作：
根据所述障碍物数据确定评价参数，所述评价参数包括变道代价值、横向障碍物距离代价值、纵向障碍物距离代价值、道路优先级的至少一种；
将所述评价参数代入所述评价函数，以确定所述每一所述预测路径关联的所述评价函数值。
在一实施例中，处理器101可以用于调用存储器102中存储的行驶路径的选择程序，并执行以下操作：
确定所述其它预测路径关联的路径代价值，其中所述路径代价值为所述其它预测路径中关联的所述评价函数值与所述预设增量之和；
当所述路径代价值小于所述初始最优预测路径关联的所述评价函数值时，判定为所述其它预测路径满足所述路径更新条件。
在一实施例中，处理器101可以用于调用存储器102中存储的行驶路径的选择程序，并执行以下操作：
当任一条所述其它预测路径关联的所述路径代价值均不满足所述路径更新条件时，将所述初始最优预测路径设置为所述最优预测路径。
在一实施例中，处理器101可以用于调用存储器102中存储的行驶路径的选择程序，并执行以下操作：
根据所述最优预测路径控制车辆以所述最优预测路径规划的路线行驶。
基于上述基于自动驾驶路径规划技术的硬件架构，提出本发明行驶路径的选择方法的实施例。
本申请的行驶路径的选择方法可应用于移动服务机器人。
参照图2，在第一实施例中，所述行驶路径的选择方法包括以下步骤：
步骤S10：根据预测路径的路径标识选定初始最优预测路径；
在本实施例中，首先将预测路径进行编号标识，并根据编号标识从至少一条预测路径中确定一条初始的最优预测路径，该路径作为当前选择优先级最高的行驶路径。需要强调的是，本实施例中所定义的初始最优预测路径与经过机器遍历后得到的最优预测路径不同，是人为定义的仅作为判断标准的一条预测路径，目的在于方便后续编号标识的预测路径进行比对，并非真正规划车辆行驶的路径。
步骤S20：获取每一所述预测路径关联的评价函数值以及预设增量；
在本实施例中，在选定初始最优预测路径之后，获取每一条预测路径相关联的评价函数值以及一个值固定的预设增量。评价函数值用于对预测路径进行评估判断，评价函数值越低的路径，其选择的优先级越高；由于评价函数值并非是一个固定值，而是随着车辆在行驶的路途中不断变化的，当车辆行驶在路况较为复杂的路段时，评价函数值之间的差异往往较小且变化较快，因此将该预设增量作为一个间隔值，用于增加评价函数值之间的差异，避免多条预测路径之间因为评价函数值差异较小而导致机器在选择路径时出现跳变，导致车辆在两条甚至多条路径之间来回选择。
步骤S30：根据所述评价函数值以及所述预设增量确定其它预测路径是否满足路径更新条件，其中所述其它预测路径为除所述初始最优预测路径外的预测路径；
在本实施例中，在获取每一条预测路径相关联的评价函数值以及一个值固定的预设增量之后，根据评价函数值和预设增量确定除了初始最优预测路径外的其它预测路径是否符合路径更新条件。
步骤S40：当所述其它预测路径关联的所述评价函数值满足所述路径更新条件时，将满足所述路径更新条件的所述其它预测路径设置为最优预测路径。
在本实施例中，在根据评级函数值和预设增量确定除了初始最优预测路径外的其它预测路径是否符合路径更新条件之后，将符合路径更新条件的预测路径替换初始最优预测路径，以使该预测路径作为新的最优预测路径。
在本实施例提供的技术方案中，首先将预测路径进行编号标识，并根据编号标识从至少一条预测路径中确定一条初始的最优预测路径，该路径作为当前选择优先级最高的行驶路径，在选定初始最优预测路径之后，获取每一条预测路径相关联的评价函数值以及一个值固定的预设增量，然后根据评价函数值和预设增量确定除了初始最优预测路径外的其它预测路径是否符合路径更新条件，最后将符合路径更新条件的预测路径替换初始最优预测路径，并将该预测路径置为最优预测路径。通过在评价函数判断最优预测路径时加入一个预设增量，增加了不同预测路径关联的评价函数值之间的差异，避免机器在选择路径时出现跳变，提升了车辆自动驾驶途中的稳定性。
参照图3，在第二实施例中，基于第一实施例，在步骤S10之前，还包括：
步骤S50：采集路况信息，其中所述路况信息为特征地图中包含车辆行驶方向的路径特征信息；
步骤S60：根据所述路况信息生成至少一条预测路径，并根据所述路况信息的采集顺序确定每一所述预测路径的路径标识。
可选地，本实施例提供一种生成预测路径并确定预测路径的路径标识的方法，机器在现有的特征地图中按照车辆行驶方向采集包含路径特征信息的路况信息，特征地图可以包括矢量地图，拓扑地图等，路径特征信息可以包含最底层的静态高精度地图(包含道路属性、车道模型、交通设施模型等)，动态驾驶环境(包括拥堵情况、道路事故、施工、红绿灯等信息)、移动物体(包括行人、动物、车辆等信息)。
示例性地，机器根据采集到这些信息后，将车辆位置及参考线参照如上信息中定义的参数，选择的相应的坐标系进行车辆坐标系转化，并按预先设定的规则固定采样选取目标点，利用曲线插值或拟合方法按照车辆行驶方向从左到右的顺序生成预测路径，并根据生成的顺序依次对预测路径进行编号标识，可以是1号、2号、3号这样的形式，在此本实施例不做限定。
在本实施例提供的技术方案中，通过采集包含车辆行驶方向的路径特征信息，根据路径特征信息生成预测路径，并按照生成顺序对预测路径进行标识的这种方式，从而生成可供车辆安全行驶的预测路线。
参照图4，在第三实施例中，基于第一或第二实施例，所述步骤S20包括：
步骤S21:获取传感器采集的每一所述预测路径对应的障碍物数据；
步骤S22：根据每一所述预测路径对应的所述障碍物数据以及预设评价函数确定每一所述预测路径关联的所述评价函数值；
步骤S23：获取所述预设增量。
可选地，本实施例提供一种确定评价函数值以及获取预设增量的方法。在获取到车身周围的传感器采集每一条预测路径对应的障碍物数据时，根据评价函数对这些障碍物数据进行处理，以确定每一条预测路径对应的评价函数值，并在确定之后获取预先存储的预设增量。传感器可以是激光雷达传感器、红外线传感器等，本实施例中不作限定；障碍物数据可以包括车辆距离横向障碍物的距离、纵向障碍物的距离，通过这些数据判断障碍物与车身的距离来确定自动驾驶中执行动作的代价值，进而判断是否执行诸如换挡、加速、刹车、变道等动作。
在本实施例提供的技术方案中，通过获取每一条预测路径对应的障碍物数据，并根据障碍物数据以及预设的评价函数确定每一条预测路径关联的评价函数值，再获取预设增量的方式，使得车辆在行驶过程中能够实时检测到周围障碍物的距离，保证了车辆自动驾驶途中的安全。
参照图5，在第四实施例中，基于上述任一实施例，所述步骤S22包括：
步骤S221：根据所述障碍物数据确定评价参数，所述评价参数包括变道代价值、横向障碍物距离代价值、纵向障碍物距离代价值、道路优先级的至少一种；
步骤S222：将所述评价参数代入所述评价函数，以确定所述每一所述预测路径关联的所述评价函数值。
可选地，本实施提供一种如何确定评价函数值的方法。示例性地，在获取到障碍物数据之后，通过障碍物数据获取到车辆与其它障碍物体之间的精确距离(精确至厘米级)，再结合车辆自身的位置、速度、方向以及当前车辆的行驶轨迹，以预测与其他物体碰撞的可能性，将该可能性量化为代价值的形式，建立数学模型，遍历所有预测路径上的障碍物数据，以生成变道代价值、横向障碍物距离代价值、纵向障碍物距离代价值等评价参数的至少一种，将这些参数代入评价函数中，以得到每一条预测路径关联的评价函数值。
在本实施例提供的技术方案中，根据障碍物数据得到评价参数，再将评价参数代入到评价函数中，以得到每一条预测路径关联的评价函数值的方式，通过将车辆行驶过程中与其他物体碰撞的可能性量化为机器可识别的数字，以供机器判断车辆行驶途中执行相应动作的必要性。
参照图6，在第五实施例中，基于上述任一实施例，所述步骤S30包括：
步骤S31：确定所述其它预测路径关联的路径代价值，其中所述路径代价值为所述其它预测路径中关联的所述评价函数值与所述预设增量之和；
步骤S32：当所述路径代价值小于所述初始最优预测路径关联的所述评价函数值时，判定为所述其它预测路径满足所述路径更新条件。
可选地，本实施例提供一种将预测路径设置为最优行驶路径的先决条件，将同一预测路径关联的评价函数值与预设增量求和，以得到一个新的量值，即路径代价值，将路径代价值与初始最优预测路径关联的评价函数值比对，以判断该预测路径是否满足作为最优预测路径的路径更新条件，当路径代价值小于初始最优预测路径关联的评价函数值的时候，即判定为满足路径更新条件。在比对过程中，按照预测路径的编号标识顺序遍历预测路径对应的路径代价值并与初始最优预测路径关联的评价函数值进行比对，在遍历完成后输出满足路径更新条件的路径。
示例性地，假定当前机器生成5条预测路径，5条路径分别标识为1号、2号、3号、4号和5号，1号评价函数值为0.1，2号评价函数值为0.09，3号评价函数值为0.2，4号评价函数值为0.07，5号评价函数值为0.03，其中预设增量为0.01。先获取1号评价函数值，确定为0.1，将其定为初始的最优预测路径；随即获取2号的评价函数值，确定为0.09，将2号评价函数值与预设增量求和，得到路径代价值为0.1，判定2号路径代价值未小于1号路径评价函数值，未满足路径更新条件，保留1号路径为最优预测路径；继续获取3号的评价函数值，确定为0.2，同理其路径代价值为0.21，判定3号路径未小于1号路径，继续保留1号路径为最优预测路径；再获取4号的评价函数值，确定为0.07，其路径代价值为0.08，判定为4号路径代价值小于1号路径的评价函数值，满足路径更新条件，将4号替换1号作为当前最优预测路径；最后获取5号的评价函数值，确定为0.03，其路径代价值为0.04，判定为5号路径代价值小于4号路径代价值，满足路径更新条件，将5号替换4号作为最优预测路径；所有路径遍历完成，最终输出5号为最优预测路径。
在本实施例提供的技术方案中，通过将评价函数值与预设增量求和得到路径代价值，再将路径代价值与初始最优预测路径关联的评价函数值进行大小比对，当路径代价值小于初始最优预测路径关联的评价函数值时判定为满足路径更新条件的方式，扩大了不同预测路径关联的评价函数值之间的差异，避免多条预测路径之间因为评价函数值差异较小而导致机器在选择路径时出现跳变，从而防止车辆在两条甚至多条路径之间来回选择形成路径震荡，提高了自动驾驶的稳定性。
参照图7，在第六实施例中，基于上述任一实施例，所述步骤S31之后，还包括：
步骤S70：当任一条所述其它预测路径关联的所述路径代价值均不满足所述路径更新条件时，将所述初始最优预测路径设置为所述最优预测路径。
可选地，本实施例提供一种当遍历的路径均未满足路径更新的先决条件的方法。当遍历完之后，如果出现任一条除初始最优预测路径外的其它预测路径关联的路径代价值均大于或等于初始最优预测路径关联的评价函数值的情况，即所有预测路径均不满足路径更新条件时，则保留初始最优预测路径，并将其作为最优预测路径。
在本实施例提供的技术方案中，当遍历后的路径均不满足路径更新条件时，将根据路径标识顺序预设的初始最优预测路径作为最终输出的最优预测路径，以针对后续遍历的预测路径均未优于初始预测路径的情况，拓宽了自动驾驶路径的适用范围。
参照图8，在第七实施例中，基于上述任一实施例，所述步骤S40之后，还包括：
步骤S80：根据所述最优预测路径控制车辆以所述最优预测路径规划的路线行驶。
可选地，本实施例提供一种将生成的最优预测路径作为车辆路径的执行方法，当机器生成最优预测路径之后，机器中的控制模块根据规划好的最优预测路径去控制车辆行驶，控制方式可以是常见的PID(Proportional-Integral-Derivative，比例-积分-微分)控制法，或者MPC(Model Predictive Control，模型预测控制)。示例性的，PID控制法根据车辆电机转数、输出功率、方向盘偏转角度等参数进行控制，以调整车辆的速度、档位、和车辆行驶方向，进而使车辆按照最优预测路径规划的道路行驶。
在本实施例提供的技术方案中，通过将最优预测路径输出为车辆行驶的路径，使车辆按照规划的方式行驶，实现了从路径决策到路径执行的过程，从而完成对车辆的自动驾驶控制。
此外，参照图9，本发明还提出的一种行驶路径的选择装置，示例性地，所述行驶路径的选择装置包括：
获取模块100，用于获取车辆行驶过程中的路况信息以及传感器采集的障碍物数据；
标识模块200，用于根据所述路况信息生成预测路径，并对所述预测路径进行标识；
计算模块300，用于通过评价函数，根据传感器采集的障碍物数据计算出所述预测路径关联的评价函数值以及预设增量；
判断模块400，用于判断其它预测路径的路径代价值是否满足路径更新条件；
设置模块500，用于将满足路径更新条件的所述预测路径设置为最优预测路径。
进一步地，所述行驶路径的选择装置还可以实现如下操作：
采集路况信息，其中所述路况信息为特征地图中包含车辆行驶方向的路径特征信息；
根据所述路况信息生成至少一条预测路径，并根据所述路况信息的采集顺序确定每一所述预测路径的路径标识。
进一步地，所述行驶路径的选择装置还可以实现如下操作：
获取传感器采集的每一所述预测路径对应的障碍物数据；
根据每一所述预测路径对应的所述障碍物数据以及预设评价函数确定每一所述预测路径关联的所述评价函数值；
获取所述预设增量。
进一步地，所述行驶路径的选择装置还可以实现如下操作：
根据所述障碍物数据确定评价参数，所述评价参数包括变道代价值、横向障碍物距离代价值、纵向障碍物距离代价值、道路优先级的至少一种；
将所述评价参数代入所述评价函数，以确定所述每一所述预测路径关联的所述评价函数值。
进一步地，所述行驶路径的选择装置还可以实现如下操作：
确定所述其它预测路径关联的路径代价值，其中所述路径代价值为所述其它预测路径中关联的所述评价函数值与所述预设增量之和；
当所述路径代价值小于所述初始最优预测路径关联的所述评价函数值时，判定为所述其它预测路径满足所述路径更新条件。
进一步地，所述行驶路径的选择装置还可以实现如下操作：
当任一条所述其它预测路径关联的所述路径代价值均不满足所述路径更新条件时，将所述初始最优预测路径设置为所述最优预测路径。
进一步地，所述行驶路径的选择装置还可以实现如下操作：
根据所述最优预测路径控制车辆以所述最优预测路径规划的路线行驶。
此外，本发明还提供一种行驶路径的选择设备，所述行驶路径的选择设备包括：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行驶路径的选择程序，所述行驶路径的选择程序被所述处理器执行时实现如上实施例所述的行驶路径的选择方法的步骤。
此外，本发明还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行驶路径的选择程序，所述行驶路径的选择程序被处理器执行时实现如上实施例所述的行驶路径的选择方法的各个步骤。
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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。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、物品或者装置中还存在另外的相同要素。
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如上所述的一个计算机可读存储介质(如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，空调器，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)
1.一种行驶路径的选择方法，其特征在于，所述行驶路径的选择方法的步骤包括：
根据预测路径的路径标识选定初始最优预测路径；
获取每一所述预测路径关联的评价函数值以及预设增量；
根据所述评价函数值以及所述预设增量确定其它预测路径是否满足路径更新条件，其中所述其它预测路径为除所述初始最优预测路径外的预测路径；
当所述其它预测路径关联的所述评价函数值满足所述路径更新条件时，将满足所述路径更新条件的所述其它预测路径设置为最优预测路径。
2.如权利要求1所述的行驶路径的选择方法，其特征在于，所述根据预测路径的路径标识选定初始最优预测路径的步骤之前，还包括：
采集路况信息，其中所述路况信息为特征地图中包含车辆行驶方向的路径特征信息；
根据所述路况信息生成至少一条预测路径，并根据所述路况信息的采集顺序确定每一所述预测路径的路径标识。
3.如权利要求1所述的行驶路径的选择方法，其特征在于，所述获取每一所述预测路径关联的评价函数值以及预设增量的步骤包括：
获取传感器采集的每一所述预测路径对应的障碍物数据；
根据每一所述预测路径对应的所述障碍物数据以及预设评价函数确定每一所述预测路径关联的所述评价函数值；
获取所述预设增量。
4.如权利要求3所述的行驶路径的选择方法，所述根据每一所述预测路径对应的所述障碍物数据以及预设评价函数确定每一所述预测路径关联的所述评价函数值的步骤包括：
根据所述障碍物数据确定评价参数，所述评价参数包括变道代价值、横向障碍物距离代价值、纵向障碍物距离代价值、道路优先级的至少一种；
将所述评价参数代入所述评价函数，以确定所述每一所述预测路径关联的所述评价函数值。
5.如权利要求1所述的行驶路径的选择方法，其特征在于，所述根据所述评价函数值以及所述预设增量确定其它预测路径是否满足路径更新条件的步骤包括：
确定所述其它预测路径关联的路径代价值，其中所述路径代价值为所述其它预测路径中关联的所述评价函数值与所述预设增量之和；
当所述路径代价值小于所述初始最优预测路径关联的所述评价函数值时，判定为所述其它预测路径满足所述路径更新条件。
6.如权利要求5所述的行驶路径的选择方法，其特征在于，所述确定所述其它预测路径关联的路径代价值的步骤之后，还包括：
当任一条所述其它预测路径关联的所述路径代价值均不满足所述路径更新条件时，将所述初始最优预测路径设置为所述最优预测路径。
7.如权利要求1所述的行驶路径的选择方法，其特征在于，所述将满足所述路径更新条件的所述其它预测路径设置为最优预测路径的步骤之后，还包括：
根据所述最优预测路径控制车辆以所述最优预测路径规划的路线行驶。
8.一种行驶路径的选择装置，其特征在于，所述一种行驶路径的选择装置包括：
获取模块，用于获取车辆行驶过程中的路况信息以及传感器采集的障碍物数据；
标识模块，用于根据所述路况信息生成预测路径，并对所述预测路径进行标识；
计算模块，用于通过评价函数，根据传感器采集的障碍物数据计算出所述预测路径关联的评价函数值以及预设增量；
判断模块，用于判断其它预测路径的路径代价值是否满足路径更新条件；
设置模块，用于将满足路径更新条件的所述预测路径设置为最优预测路径。
9.一种行驶路径的选择设备，其特征在于，所述行驶路径的选择设备包括：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行驶路径的选择程序，所述行驶路径的选择程序被所述处理器执行时实现如权利要求1-7中任一项所述的行驶路径的选择方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有行驶路径的选择程序，所述行驶路径的选择程序被处理器执行时实现如权利要求1-7中任一项所述的行驶路径的选择方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111383624.2A CN114216473B (zh) | 2021-11-19 | 2021-11-19 | 行驶路径的选择方法、装置、设备以及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111383624.2A CN114216473B (zh) | 2021-11-19 | 2021-11-19 | 行驶路径的选择方法、装置、设备以及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114216473A true CN114216473A (zh) | 2022-03-22 |
| CN114216473B CN114216473B (zh) | 2024-01-30 |
Family
ID=80697715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111383624.2A Active CN114216473B (zh) | 2021-11-19 | 2021-11-19 | 行驶路径的选择方法、装置、设备以及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114216473B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011170843A (ja) * | 2010-01-20 | 2011-09-01 | Ihi Aerospace Co Ltd | 経路生成装置と方法および経路生成装置を備える移動装置 |
| JP2011237339A (ja) * | 2010-05-12 | 2011-11-24 | Mitsubishi Electric Corp | 経路予測装置 |
| US20160131493A1 (en) * | 2014-11-10 | 2016-05-12 | International Business Machines Corporation | Social media based weighted route selection |
| CN106289287A (zh) * | 2015-05-22 | 2017-01-04 | 吉林大学 | 一种基于选线经验的车载端多目标最短路径计算方法 |
| CN107831685A (zh) * | 2017-10-13 | 2018-03-23 | 南方科技大学 | 一种群体机器人的控制方法和系统 |
| CN109991963A (zh) * | 2017-12-29 | 2019-07-09 | 深圳市优必选科技有限公司 | 速度规划方法及终端设备 |
| CN111651765A (zh) * | 2020-05-27 | 2020-09-11 | 上海交通大学 | 基于生成式对抗网络的程序执行路径生成方法 |
| 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 |
| CN112254727A (zh) * | 2020-09-23 | 2021-01-22 | 锐捷网络股份有限公司 | 基于teb的路径规划方法及装置 |
| CN112378408A (zh) * | 2020-11-26 | 2021-02-19 | 重庆大学 | 一种实现轮式移动机器人实时避障的路径规划方法 |
| CN112579708A (zh) * | 2020-12-09 | 2021-03-30 | 杭州师范大学 | 一种基于改进局部路径的链路预测相似性指标方法 |
-
2021
- 2021-11-19 CN CN202111383624.2A patent/CN114216473B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011170843A (ja) * | 2010-01-20 | 2011-09-01 | Ihi Aerospace Co Ltd | 経路生成装置と方法および経路生成装置を備える移動装置 |
| JP2011237339A (ja) * | 2010-05-12 | 2011-11-24 | Mitsubishi Electric Corp | 経路予測装置 |
| US20160131493A1 (en) * | 2014-11-10 | 2016-05-12 | International Business Machines Corporation | Social media based weighted route selection |
| CN106289287A (zh) * | 2015-05-22 | 2017-01-04 | 吉林大学 | 一种基于选线经验的车载端多目标最短路径计算方法 |
| CN107831685A (zh) * | 2017-10-13 | 2018-03-23 | 南方科技大学 | 一种群体机器人的控制方法和系统 |
| CN109991963A (zh) * | 2017-12-29 | 2019-07-09 | 深圳市优必选科技有限公司 | 速度规划方法及终端设备 |
| CN111651765A (zh) * | 2020-05-27 | 2020-09-11 | 上海交通大学 | 基于生成式对抗网络的程序执行路径生成方法 |
| 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 |
| CN112254727A (zh) * | 2020-09-23 | 2021-01-22 | 锐捷网络股份有限公司 | 基于teb的路径规划方法及装置 |
| CN112378408A (zh) * | 2020-11-26 | 2021-02-19 | 重庆大学 | 一种实现轮式移动机器人实时避障的路径规划方法 |
| CN112579708A (zh) * | 2020-12-09 | 2021-03-30 | 杭州师范大学 | 一种基于改进局部路径的链路预测相似性指标方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114216473B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110834644B (zh) | 一种车辆控制方法、装置、待控制车辆及存储介质 | |
| CN111580524B (zh) | 基于路径规划的车辆换道方法、装置、设备及存储介质 | |
| US10576976B2 (en) | Drivable area setting device and drivable area setting method | |
| US9868443B2 (en) | Reactive path planning for autonomous driving | |
| CN111591306B (zh) | 自动驾驶车辆的行驶轨迹规划方法、相关设备及存储介质 | |
| US8583366B2 (en) | Road shape learning apparatus | |
| CN112964271A (zh) | 一种面向多场景的自动驾驶规划方法及系统 | |
| KR102332045B1 (ko) | 운전 참고 선 처리 방법, 장치 및 차량 | |
| JP2017016645A (ja) | 半自律車両、及び、半自律車両を制御する方法 | |
| CN112394725B (zh) | 用于自动驾驶的基于预测和反应视场的计划 | |
| CN112382165B (zh) | 驾驶策略生成方法、装置、介质、设备及仿真系统 | |
| CN111397622B (zh) | 基于改进A*算法与Morphin算法的智能汽车局部路径规划方法 | |
| US11628858B2 (en) | Hybrid planning system for autonomous vehicles | |
| CN113997954B (zh) | 一种车辆行驶意图预测方法、装置、设备及可读存储介质 | |
| CN111038482B (zh) | 用于车辆路径自动控制的系统和方法 | |
| CN115140096A (zh) | 一种基于样条曲线与多项式曲线的自动驾驶轨迹规划方法 | |
| CN110377041B (zh) | 参考线生成方法、装置、终端设备及存储介质 | |
| CN114216473B (zh) | 行驶路径的选择方法、装置、设备以及可读存储介质 | |
| CN110187707B (zh) | 无人驾驶设备运行轨迹的规划方法、装置及无人驾驶设备 | |
| CN114415678B (zh) | 机器人的路径规划方法、装置、机器人和存储介质 | |
| Björnberg | Shared control for vehicle teleoperation with a virtual environment interface | |
| US11460843B2 (en) | Parallelized tree-based decision scheme for autonomous vehicle | |
| KR20230003060A (ko) | 동적 교통 시나리오들에서의 교통-법-준수 의사 결정 | |
| Moller et al. | Frenetix Motion Planner: High-Performance and Modular Trajectory Planning Algorithm for Complex Autonomous Driving Scenarios | |
| Bajić et al. | Trajectory planning for autonomous vehicle using digital map |
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 |