CN114234993A - 车辆局部路径规划方法、自动驾驶系统和自动驾驶车辆 - Google Patents
车辆局部路径规划方法、自动驾驶系统和自动驾驶车辆 Download PDFInfo
- Publication number
- CN114234993A CN114234993A CN202111533743.1A CN202111533743A CN114234993A CN 114234993 A CN114234993 A CN 114234993A CN 202111533743 A CN202111533743 A CN 202111533743A CN 114234993 A CN114234993 A CN 114234993A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- path
- loss
- loss amount
- longitudinal
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 99
- 230000004888 barrier function Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 27
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 30
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000010391 action planning Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005290 field theory Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000007704 transition 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
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- 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
Abstract
本发明公开了一种车辆局部路径规划方法、自动驾驶系统和自动驾驶车辆,所述车辆局部路径规划方法,包括:获取道路信息和障碍物信息;根据所述道路信息和所述障碍物信息生成Frenet坐标系下的备选路径集合;根据预设损失函数获取所述备选路径集合中每条路径的运行损失量;基于人工势场法,根据所述障碍物信息计算斥力损失量;根据所述运行损失量和所述斥力损失量在所述备选路径集合中确定目标路径;根据所述目标路径控制车辆的行驶。采用该方法可以提升自动驾驶过程中局部路径规划的安全性和通畅性。
Description
技术领域
本发明涉及无人驾驶车辆技术领域,尤其是涉及一种车辆局部路径规划方法、自动驾驶系统和自动驾驶车辆。
背景技术
随着无人驾驶技术的不断进步,无人驾驶的自主化级别也不断提高。无人驾驶的自主化级别分别为:L2级别代表能够同时对方向盘和加减速多项操作给予支持的驾驶系统;L3级别代表能够观察道路环境和执行驾驶操作,驾驶员只需要对所有的系统请求进行应答的驾驶系统;L4级别代表能够观察道路环境和执行驾驶操作,驾驶员只需要在某些复杂情况进行应答的驾驶系统;L5级别代表完全的自动驾驶系统,驾驶员无需进行任何介入。其中,对于L4级别和L5级别的无人驾驶,需设计避开路面障碍物的局部路径规划技术。
相关技术中,通常采用的局部路径规划方法包括a_star(启发式搜索算法)、dijkstra(迪克斯特拉算法)、RRT(Rapidly-Exploring Random Trees,快速探索随机树)以及基于Frenet坐标的最小损失曲线等。但是,当车辆因躲避障碍物或者其他制动原因进行车辆局部路径规划时,在对路径进行规划过程中采用上述方法难以表达车辆与道路之间的相对位置,导致二者之间的相对关系不明确,以及在车辆局部路径规划时,仅是躲避了障碍物而并未意识到切换道路后行驶的通畅性。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明的一个目的在于提出一种车辆局部路径规划方法,采用该方法可以提升自动驾驶过程中局部路径规划的安全性和通畅性。
本发明的目的之二在于提出一种自动驾驶系统。
本发明的目的之三在于提出一种自动驾驶系统。
本发明的目的之四在于提出一种自动驾驶车辆。
本发明的目的之五在于提出一种计算机存储介质。
为了解决上述问题,本发明第一方面实施例提出了一种车辆局部路径规划方法,包括:获取道路信息和障碍物信息;根据所述道路信息和所述障碍物信息生成Frenet坐标系下的备选路径集合;根据预设损失函数获取所述备选路径集合中每条路径的运行损失量;基于人工势场法,根据所述障碍物信息计算斥力损失量;根据所述运行损失量和所述斥力损失量在所述备选路径集合中确定目标路径;根据所述目标路径控制车辆的行驶。
根据本发明实施例的车辆局部路径规划方法,在规划车辆的最佳行驶路径即确定目标路径过程中,基于Frenet坐标系下生成的备选路径集合,并根据预设损失函数获取备选路径集合中每条路径的运行损失量,从而在考虑车辆运动学性能的条件下,可以选取最小的运行损失量,以有效避开路径上的障碍物,提高车辆在自动驾驶时的安全性,在此基础上又引入人工势场法,即考虑障碍物的斥力损失量,以在切换道路时可以根据道路的情况选取最佳的行驶路径,提高车辆在自动驾驶时的通畅性,由此,采用Frenet参考路径与人工势场法相结合的方式,实现车辆自动驾驶过程中的局部路径规划,可以在避开行驶路径上的障碍物的同时又能避开车辆拥堵的区域,有效提升自动驾驶过程中路径规划的安全性和通畅性。
在一些实施例中,根据所述道路信息生成Frenet坐标系下的备选路径集合,包括:根据所述道路信息确定道路中心线,并以道路中心线作为参考线,以所述车辆为原点建立Frenet坐标系,其中,以所述参考线的切向向量和法向向量作为坐标轴;基于所述Frenet坐标系获得纵向轨迹规划和横向轨迹规划;根据所述纵向轨迹规划和所述横向轨迹规划进行轨迹拟合,以生成所述备选路径集合。
在一些实施例中,基于所述Frenet坐标系获得纵向轨迹规划和横向轨迹规划,包括:在所述Frenet坐标系下确定所述车辆的横向初始配置和纵向初始配置;基于所述横向初始配置,以横向位移量(dmin,dmax)和制动时间(Tmin,Tmax)作为横向目标配置进行轨迹采样,以获得所述横向轨迹规划;基于所述纵向初始配置,以纵向速度和纵向加速度作为纵向目标配置进行轨迹采样,以获得所述纵向轨迹规划。
在一些实施例中,基于人工势场法,根据所述障碍物信息计算斥力损失量,包括:所述障碍物信息包括所述车辆与障碍物之间的距离;所述斥力损失量可以通过以下公式获得:
r=K0/p2
其中,r为所述斥力损失量,K0为斥力系数,p为所述车辆与障碍物之间的距离。
在一些实施例中,所述运行损失量包括横向运行损失量和纵向运行损失量;根据所述运行损失量和所述斥力损失函数在所述备选路径集合中确定目标路径,包括:将每条备选路径的所述横向运行损失量、每条备选路径的所述纵向运行损失量和所述斥力损失量之和作为每条备选路径的最终损失量;确定所有备选路径的最终损失量中的最小损失量;将所述最小损失量对应的备选路径作为所述目标路径。
在一些实施例中,所述预设损失函数可以通过以下公式表示:
Cd=Ki*J+Kd*d
其中,Cd为所述预设损失函数,Ki、Kd为常数,J为纵向速度损失或横向速度损失,d为横向位置损失。
本发明第二方面实施例提出了一种自动驾驶系统,包括:至少一个处理器;与至少一个所述处理器通信连接的存储器;其中,所述存储器中存储有可被至少一个所述处理器执行的计算机程序,至少一个所述处理器执行所述计算机程序时实现上述实施例中所述的车辆局部路径规划方法。
根据本发明实施例的自动驾驶系统,通过处理器采用上述实施例提供的车辆局部路径规划方法,可以提升自动驾驶过程中路径规划的安全性和通畅性。
本发明第三方面实施例提供一种自动驾驶系统,包括:第一获取模块,用于获取道路信息和障碍物信息;生成模块,用于根据所述道路信息生成Frenet坐标系下的备选路径集合;第二获取模块,用于根据预设损失函数获取所述备选路径集合中每条路径的运行损失量;计算模块,用于基于人工势场法,根据所述障碍物信息计算斥力损失量;确定模块,用于根据所述运行损失量和所述斥力损失量在所述备选路径集合中确定目标路径;控制模块,用于根据所述目标路径控制车辆的行驶。
根据本发明实施例的自动驾驶系统,在规划车辆的最佳行驶路径即确定目标路径过程中,通过生成模块可以基于Frenet坐标系下生成的备选路径集合,并根据预设损失函数获取备选路径集合中每条路径的运行损失量,从而在考虑车辆运动学性能的条件下,可以选取最小的运行损失量,以有效避开路径上的障碍物,提高车辆在自动驾驶时的安全性,在此基础上又引入人工势场法,即考虑障碍物的斥力损失量,以在切换道路时可以根据道路的情况选取最佳的行驶路径,提高车辆在自动驾驶时的通畅性,由此,采用Frenet参考路径与人工势场法相结合的方式,实现车辆自动驾驶过程中的局部路径规划,可以在避开行驶路径上的障碍物的同时又能避开车辆拥堵的区域,有效提升自动驾驶过程中路径规划的安全性和通畅性。
本发明第四方面实施例提供一种自动驾驶车辆,包括上述实施例中所述的自动驾驶系统。
根据本发明实施例的自动驾驶车辆,通过采用上述实施例提供的自动驾驶系统,可以提升自动驾驶过程中路径规划的安全性和通畅性。
本发明第五方面实施例提供一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述实施例所述的车辆局部路径规划方法。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明一个实施例的车辆局部路径规划方法的流程图;
图2是根据本发明一个实施例的人工势场法的示意图;
图3是根据本发明一个实施例的Frenet坐标系的示意图;
图4是根据本发明一个实施例的车辆变道的示意图;
图5是根据本发明一个实施例的横向轨迹规划的示意图;
图6是根据本发明一个实施例的纵向轨迹规划的示意图;
图7是根据本发明一个实施例的自动驾驶系统的结构框图;
图8是根据本发明另一个实施例的自动驾驶系统的结构框图;
图9是根据本发明一个实施例的自动驾驶车辆的结构框图。
附图标记:
自动驾驶车辆10;自动驾驶系统9;
处理器1;存储器2;第一获取模块3;生成模块4;第二获取模块5;计算模块6;确定模块7;控制模块8。
具体实施方式
下面详细描述本发明的实施例,参考附图描述的实施例是示例性的,下面详细描述本发明的实施例。
当车辆因为躲避障碍物或者其他制动原因进行车辆局部路径规划时,笛卡尔坐标系难以表达车辆与道路之间的相对位置,导致二者之间的相对关系不明确,以及在车辆局部路径规划时,也只能够避开障碍物和车辆而并未意识到切换道路后行驶的通畅性。
为了解决上述问题,本发明提供了一种车辆局部路径规划方法。有效提升自动驾驶过程中路径规划的安全性和通畅性。
下面参考图1描述本发明实施例的车辆局部路径规划方法,如图1所示,该方法至少包括步骤S1-步骤S5。
步骤S1,获取道路信息和障碍物信息。
其中,道路信息可以理解为车辆当前所行驶的道路的信息,例如,道路信息至少包括在行驶过程中车辆所行驶道路的位置、车辆在道路上的所处位置以及道路属性如道路限速或道路岔口等信息。障碍物可以为周围的车辆、行人或其他妨碍当前车辆正常行驶的物体。障碍物信息可以理解为在行驶道路上,妨碍车辆正常行驶的障碍物的信息,例如,障碍物信息至少包括障碍物的位置、大小和形状等信息。
在实施例中,为了便于自动驾驶车辆感知外部环境,可以在自动驾驶车辆上配置传感器如在线控底盘处安装传感器,通过传感器实时采集自动驾驶车辆行驶过程中的道路信息和障碍物信息,并将传感器采集的信息传送至自动驾驶车辆的处理器,以便于处理器通过道路信息和障碍物信息来进行局部路径规划。
步骤S2,根据道路信息和障碍物信息生成Frenet坐标系下的备选路径集合。
其中,备选路径集合可以理解为在当前道路信息下所规划出的确保车辆能够安全行驶的所有路径的集合。
在实施例中,由于笛卡尔坐标系难以表达车辆与道路之间的相对位置,导致二者之间的相对关系不明确,因此,本发明实施例采用Frenet坐标系来进行局部路径规划,以在车辆因躲避障碍物或者变道或者其他制动原因等改变行驶路径时,具有自动驾驶的安全、舒适、简单和高效的优点,提高自动驾驶时选择路径的智能性。
具体地,在进行局部路径规划时,根据道路信息进行车辆轨迹Frenet坐标映射,在车辆行驶的状态空间中对规划时域内车辆末端运动状态进行密集采样,分别利用五次和四次多项式曲线对车辆改变行驶路径过程中进行插值完成局部轨迹规划,并根据障碍物信息进行障碍物碰撞检测,由此综合考虑所有安全避开障碍物的路径并对路径的平顺性以及舒适性等进行评估,从而在考虑车辆运动学性能的条件下,将规划出的适于车辆安全行驶的所有路径组成备选路径集合,以便后续在备选路径集合中选取的行驶路径能够有效避开路径上的障碍物,提高车辆在自动驾驶时的安全性。
步骤S3,根据预设损失函数获取备选路径集合中每条路径的运行损失量。
其中,为便于在备选路径集合中选取最佳的行驶路径,通过预先设置预设损失函数来对备选路径集合中的所有路径进行筛选,以在车辆制动能力的限制下,筛选出相对最安全、舒适、简单和高效的路径。每条路径的运行损失量可以理解为车辆沿该路径行驶过程中产生的损失量,例如包括舒适度损失量、规划速度损失量、偏移损失以及障碍物势场等,可以理解的是,运行损失量越低,则对应的路径则越优。
具体地,所规划出的备选路径集合中的每条路径在一定程度上影响着车辆的动力学性能,如行驶稳定性、舒适性、道路行驶效率等,当车辆因躲避障碍物或者变道或者其他制动原因等改变行驶路径时,综合考虑以上影响因素,通过预设损失函数计算每条路径的运行损失量,以便通过运行损失量的高低来决策出最优的路径,使得车辆可以有效避开路径上的障碍物,提高车辆在自动驾驶时的安全性。
步骤S4,基于人工势场法,根据障碍物信息计算斥力损失量。
其中,人工势场包括引力场和斥力场,参考图2所示,人工势场法指将物体在周围环境中的运动,设计成一种抽象的人造引力场中的运动,其中,目标点对物体产生引力,引导物体朝向其运动;障碍物对物体产生斥力,避免物体与之发生碰撞,通过物体在路径上每一点所受的合力以控制物体运动的方法,其中,合力为每一点处所有斥力和引力的和。斥力损失量可以理解为规划路径上车辆与所有障碍物之间所形成的斥力和,并将斥力和作为一个损失量,以作为在备选路径集合中筛选最佳路径的考虑条件。可以理解的是,斥力损失量越低,则说明对应路径上的障碍物越少。
在实施例中,由于道路上有很多车辆同时行驶,当车辆因躲避障碍物而进行局部路径规划时,存在多个切换车道的选择,假设左侧车道的车辆较多,交通状况较为拥堵,而右侧道路交通相对通畅,那么在向左侧切换道路和向右侧切换道路损失相差较小的情况下,即使以Frenet坐标规划的路径为切换至左侧道路的路径曲线损失最小,但客观上应优先选择切换至右侧道路行驶,所以通过Frenet坐标规划路径仅能够规划出避开最近障碍物的期望路径,而并未考虑沿期望路径行驶时,下一时刻的道路情况,因此,基于上述原因,本发明实施例在采用Frenet坐标规划路径的基础上,引入人工势场法中的斥力场,以在车辆切换车道时,根据障碍物信息确定备选路径集合中每条路径上因障碍物而形成的斥力损失量,以便对备选路径集合中的所有路径进行斥力因素的判断,从而当车辆在切换车道时,对于不同的两条道路损失相差较小的情况,即使在Frenet坐标规划路径下选取的道路所对应的路径曲线损失更小,但在引入人工势场法下,仍能够规划出更符合期望的路径,提高车辆在自动驾驶时的通畅性。
步骤S5,根据运行损失量和斥力损失量在备选路径集合中确定目标路径。
其中,目标路径为在切换道路时车辆最终所行驶的路径。
在实施例中,本发明实施例采用Frenet参考路径与人工势场法相结合的方式,在车辆进行局部路径规划时,既考虑路径的平滑性和舒适度,又考虑切换道路后行驶的通畅性,根据备选路径集合中每条路径的运行损失量和斥力损失量来确定目标路径,实现车辆自动驾驶过程中的局部路径规划,从而及可以在避开行驶路径上的障碍物的同时又能够避开车辆拥堵的区域,有效提升自动驾驶过程中路径规划的安全性和通畅性。
具体地,将运行损失量和斥力损失量之和作为备选路径集合中每条路径的总损失量,对每条路径的总损失量进行排序并选择其中的最小总损失量,该最小总损失量对应的路径作为目标路径。由此,以运行损失量与斥力损失量相结合来选择目标路径,实现车辆在行驶过程中的局部路径规划,且可以在避开行驶路径上障碍物的同时又能避开车辆拥堵的区域,有效提升自动驾驶过程中路径规划的安全性和通畅性。
步骤S6,根据目标路径控制车辆的行驶。
具体地,车辆通过传感器将采集的道路信息和障碍物信息发送给处理器,处理器根据采集的信息按照步骤S1-步骤S5进行运算,并将运算结果即确定的目标路径通过CAN网络传输给车辆的车身控制机构,以通过控制车辆的方向盘、油门和刹车等机构,以按照规划好的目标路径驱使车辆行驶。
根据本发明实施例的车辆局部路径规划方法,在规划车辆的最佳行驶路径即确定目标路径过程中,基于Frenet坐标系下生成的备选路径集合,并根据预设损失函数获取备选路径集合中每条路径的运行损失量,从而在考虑车辆运动学性能的条件下,可以选取最小的运行损失量,以有效避开路径上的障碍物,提高车辆在自动驾驶时的安全性,在此基础上又引入人工势场法,即考虑障碍物的斥力损失量,以在切换道路时可以根据道路的情况选取最佳的行驶路径,提高车辆在自动驾驶时的通畅性,由此,采用Frenet参考路径与人工势场法相结合的方式,实现车辆自动驾驶过程中的局部路径规划,可以在避开行驶路径上的障碍物的同时又能避开车辆拥堵的区域,有效提升自动驾驶过程中路径规划的安全性和通畅性。
在一些实施例中,根据道路信息确定道路中心线,并以道路中心线作为参考线,以车辆为原点建立Frenet坐标系,其中,以参考线的切向向量和法向向量作为坐标轴;基于Frenet坐标系获得纵向轨迹规划和横向轨迹规划;根据纵向轨迹规划和横向轨迹规划进行轨迹拟合,以生成备选路径集合。
具体地,参考图3所示,在Frenet坐标系中,以道路中心线作为参考线,以车辆为原点,以参考线的切向向量和法向向量作为坐标轴,坐标轴相互垂直。其中,参考线的切向向量为s方向,也称为纵向;参考线的法向向量为d方向,也称为横向。通过采用Frenet坐标系规划路径,可以将动作规划问题中的配置空间分成三个维度:纵向s、横向d和时间t,其中,时间t为所规划的车辆的每个动作的时间点,且基于Frenet坐标系,也可以将局部路径规划这一高维度的优化问题分割成纵向s和横向d两个方向上彼此独立的优化问题,从而基于Frenet坐标系,在车辆行驶的状态空间中对规划时域内车辆末端运动状态进行密集采样,分别利用五次和四次多项式曲线对车辆切换道路过程进行插值完成横、纵向的局部轨迹重规划,以获得纵向轨迹规划和横向轨迹规划。
例如,对于图4所示的车辆切换道路的情况,当前车辆在t8时刻越过虚线完成一次变道,即车辆在横向上需要完成一个Δd以及纵向上完成一个Δs的移动,且分别表示为关于时间t的函数:s(t)和d(t),由此,横向d和纵向s关于时间t的最佳路径的选择,通过上述转换后将动作规划问题分割为两个独立的优化问题,也就说,分别对横向进行横向轨迹规划和对纵向进行纵向轨迹规划,例如,如图5和图6所示分别为采样获得的横向轨迹规划示意图和纵向轨迹规划示意图。
进而,虽然在横向和纵向两个方向上,可以单独进行路径规划,但是在某一时刻,横向和纵向的动作规划必须是统一的,因此需对纵向轨迹规划和横向轨迹规划进行一定合成,以便规划出在同一时刻既满足横向轨迹规划又满足纵向轨迹规划的路径,以作为备选路径,具体地,根据纵向轨迹规划和横向轨迹规划分别利用五次和四次多项式曲线进行轨迹拟合,以生成备选路径集合。
在一些实施例中,在Frenet坐标系下确定车辆的横向初始配置和纵向初始配置;基于横向初始配置,以横向位移量(dmin,dmax)和制动时间(Tmin,Tmax)作为横向目标配置进行轨迹采样,以获得横向轨迹规划;基于纵向初始配置,以纵向速度和纵向加速度作为纵向目标配置进行轨迹采样,以获得纵向轨迹规划。
其中,横向初始配置可以理解为在横向d方向上当前车辆的初始状态;纵向初始配置可以理解为在纵向s方向上当前车辆的初始状态。
具体地,在Frenet坐标系下沿横向d方向上确定车辆的横向初始配置,例如可以包括横向位置、横向速度以及横向加速度等,然后基于横向初始配置,以横向目标配置即横向位移量和制动时间作为车辆的末端运动状态进行轨迹采样,也就是说,在横向位移量(dmin,dmax)和制动时间(Tmin,Tmax)所限制的范围内,以任意一个横向位移量和任意一个制动时间为采样点,规划车辆在初始状态转移至末端运行状态的轨迹,从而形成一条横向轨迹规划,由此,基于横向初始配置,通过离散采样横向位移量和制动时间可以形成多条横向轨迹规划。同理,在Frenet坐标系下沿纵向s方向上确定车辆的纵向初始配置,例如可以包括纵向速度以及纵向加速度,基于纵向初始配置,以纵向目标配置即纵向速度和纵向加速度作为车辆的末端运动状态,通过离散采样纵向速度、纵向加速度和制动时间以形成多条纵向轨迹规划。
在一些实施例中,障碍物信息包括车辆与障碍物之间的距离;斥力损失量可以通过以下公式获得。
r=K0/p2
其中,r为斥力损失量,K0为斥力系数,p为车辆与障碍物之间的距离。
由上述公式可知,斥力损失量与车辆与障碍物之间的距离成反比,当车辆与障碍物之间的距离越大时,则斥力损失量越小;而当车辆与障碍物之间的距离越小时,则斥力损失量越大。由此,在进行局部路径规划时,通过增加斥力损失量,可以根据斥力损失量的大小来判断切换道路上同时行驶的车辆的数量,从而便于选择最佳的路径作为目标路径,提高车辆在自动驾驶时的通畅性。
在一些实施例中,运行损失量包括横向运行损失量和纵向运行损失量。其中,横向运行损失量是指车辆在横向d方向上发生位移时产生的损失,例如,横向运行损失量可以包括横向位置损失、横向速度损失和横向加速度损失。纵向运行损失量是指车辆在纵向s方向上产生的损失,例如,纵向运行损失量可以包括纵向速度损失和纵向加速度损失。
在实施例中,在进行局部路径规划时,综合考虑避开路径上的障碍物和车辆拥堵区域的问题,通过将每条备选路径的横向运行损失量、每条备选路径的纵向运行损失量和斥力损失量之和作为每条备选路径的最终损失量,进而确定所有备选路径的最终损失量中的最小损失量,该最小损失量对应的备选路径即是在车辆制动能力的限制下,所规划出的最佳的行驶路径,因此将最小损失量对应的备选路径作为目标路径,以使得车辆按照规划的目标路径行驶,既可以确保车辆自动驾驶的安全性,又可以保证车辆自动驾驶的通畅性。
在一些实施例中,预设损失函数可以通过以下公式表示。
Cd=Ki*J+Kd*d
其中,Cd为预设损失函数,Ki、Kd为常数,J为纵向速度损失或横向速度损失,d为横向位置损失。其中,横向位置损失可以理解为规划的轨迹与目标轨迹之间的横向距离损失。
具体地,在横向d方向上,将横向速度损失、横向加速度损失和横向位置损失带入上述预设损失函数公式,即Cd=Ki*J+Kd*d,以获得横向运行损失;以及,在纵向s方向上,由于纵向上不存在位置损失,因此将纵向速度损失和纵向加速度损失带入上述预设损失函数公式,即Cd=Ki*J,以获得纵向运行损失。
本发明第二方面实施例提出了一种自动驾驶系统9,如图7所示,该自动驾驶系统9包括至少一个处理器1和与至少一个处理器1通信连接的存储器2。
其中,存储器2中存储有可被至少一个处理器1执行的计算机程序,至少一个处理器1执行计算机程序时实现上述实施例中的车辆局部路径规划方法。
需要说明的是,本发明实施例的自动驾驶系统9的具体实现方式与本发明上述任意实施例的车辆局部路径规划方法的具体实现方式类似,具体请参见关于方法部分的描述,为了减少冗余,此处不再赘述。
根据自动驾驶系统9,通过处理器1采用上述实施例提供的车辆局部路径规划方法,可以提升自动驾驶过程中路径规划的安全性和通畅性。
本发明第三方面实施例提供一种自动驾驶系统9,如图8所示,该自动驾驶系统9包括第一获取模块3、生成模块4、第二获取模块5、计算模块6、确定模块7以及控制模块8。
其中,第一获取模块3用于获取道路信息和障碍物信息;生成模块4用于根据道路信息生成Frenet坐标系下的备选路径集合;第二获取模块5用于根据预设损失函数获取备选路径集合中每条路径的运行损失量;计算模块6用于基于人工势场法,根据障碍物信息计算斥力损失量;确定模块7用于根据运行损失量和斥力损失量在备选路径集合中确定目标路径;控制模块8用于根据目标路径控制车辆的行驶。
需要说明的是,本发明实施例的自动驾驶系统9的具体实现方式与本发明上述任意实施例的车辆局部路径规划方法的具体实现方式类似,具体请参见关于方法部分的描述,为了减少冗余,此处不再赘述。
根据本发明实施例的自动驾驶系统9,在规划车辆的最佳行驶路径即确定目标路径过程中,通过生成模块可以基于Frenet坐标系下生成的备选路径集合,并根据预设损失函数获取备选路径集合中每条路径的运行损失量,从而在考虑车辆运动学性能的条件下,可以选取最小的运行损失量,以有效避开路径上的障碍物,提高车辆在自动驾驶时的安全性,在此基础上又引入人工势场法,即考虑障碍物的斥力损失量,以在切换道路时可以根据道路的情况选取最佳的行驶路径,提高车辆在自动驾驶时的通畅性,由此,采用Frenet参考路径与人工势场法相结合的方式,实现车辆自动驾驶过程中的局部路径规划,可以在避开行驶路径上的障碍物的同时又能避开车辆拥堵的区域,有效提升自动驾驶过程中路径规划的安全性和通畅性。
本发明第四方面实施例提供一种自动驾驶车辆10,如图9所示,该自动驾驶车辆10包括上述实施例中的自动驾驶系统9。
其中,通过采用上述实施例的自动驾驶系统9来进行局部路径规划,并将规划的最佳行驶路径即目标路径由CAN网络传输给自动驾驶车辆10的车身控制机构,以控制自动驾驶车辆10按照规划的目标路径行驶,由此实现自动驾驶车辆10的自动驾驶,以及,自动驾驶系统9在进行局部路径规划时,既考虑在车辆运动学性能的条件下,可以以最小运行损失量避开行驶路径上的障碍物,从而确保所行驶目标路径的平滑性和舒适度,提高自动驾驶车辆10自动驾驶时的安全性,又考虑切换道路后行驶的通畅性,自动驾驶系统9引入人工势场理论中的斥力因素来进行局部路径规划,从而提升自动驾驶系统9在选择最佳行驶路径时的智能性,提高自动驾驶车辆10在自动驾驶时的通畅性。。
根据本发明实施例的自动驾驶车辆10,通过采用上述实施例提供的自动驾驶系统9,可以提升自动驾驶过程中路径规划的安全性和通畅性。
本发明第五方面实施例提供一种计算机存储介质,其上存储有计算机程序,其中,计算机程序被处理器执行时实现上述实施例的车辆局部路径规划方法。
在本说明书的描述中,流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种车辆局部路径规划方法,其特征在于,包括:
获取道路信息和障碍物信息;
根据所述道路信息和所述障碍物信息生成Frenet坐标系下的备选路径集合;
根据预设损失函数获取所述备选路径集合中每条路径的运行损失量;
基于人工势场法,根据所述障碍物信息计算斥力损失量;
根据所述运行损失量和所述斥力损失量在所述备选路径集合中确定目标路径;
根据所述目标路径控制车辆的行驶。
2.根据权利要求1所述的车辆局部路径规划方法,其特征在于,根据所述道路信息生成Frenet坐标系下的备选路径集合,包括:
根据所述道路信息确定道路中心线,并以道路中心线作为参考线,以所述车辆为原点建立Frenet坐标系,其中,以所述参考线的切向向量和法向向量作为坐标轴;
基于所述Frenet坐标系获得纵向轨迹规划和横向轨迹规划;
根据所述纵向轨迹规划和所述横向轨迹规划进行轨迹拟合,以生成所述备选路径集合。
3.根据权利要求2所述的车辆局部路径规划方法,其特征在于,基于所述Frenet坐标系获得纵向轨迹规划和横向轨迹规划,包括:
在所述Frenet坐标系下确定所述车辆的横向初始配置和纵向初始配置;
基于所述横向初始配置,以横向位移量(dmin,dmax)和制动时间(Tmin,Tmax)作为横向目标配置进行轨迹采样,以获得所述横向轨迹规划;
基于所述纵向初始配置,以纵向速度和纵向加速度作为纵向目标配置进行轨迹采样,以获得所述纵向轨迹规划。
4.根据权利要求1所述的车辆局部路径规划方法,其特征在于,基于人工势场法,根据所述障碍物信息计算斥力损失量,包括:
所述障碍物信息包括所述车辆与障碍物之间的距离;
所述斥力损失量可以通过以下公式获得:
r=K0/p2
其中,r为所述斥力损失量,K0为斥力系数,p为所述车辆与障碍物之间的距离。
5.根据权利要求1所述的车辆局部路径规划方法,其特征在于,所述运行损失量包括横向运行损失量和纵向运行损失量;
根据所述运行损失量和所述斥力损失函数在所述备选路径集合中确定目标路径,包括:
将每条备选路径的所述横向运行损失量、每条备选路径的所述纵向运行损失量和所述斥力损失量之和作为每条备选路径的最终损失量;
确定所有备选路径的最终损失量中的最小损失量;
将所述最小损失量对应的备选路径作为所述目标路径。
6.根据权利要求5所述的车辆局部路径规划方法,其特征在于,所述预设损失函数可以通过以下公式表示:
Cd=Ki*J+Kd*d
其中,Cd为所述预设损失函数,Ki、Kd为常数,J为纵向速度损失或横向速度损失,d为横向位置损失。
7.一种自动驾驶系统,其特征在于,包括:
至少一个处理器;
与至少一个所述处理器通信连接的存储器;
其中,所述存储器中存储有可被至少一个所述处理器执行的计算机程序,至少一个所述处理器执行所述计算机程序时实现权利要求1-6任一项所述的车辆局部路径规划方法。
8.一种自动驾驶系统,其特征在于,包括:
第一获取模块,用于获取道路信息和障碍物信息;
生成模块,用于根据所述道路信息生成Frenet坐标系下的备选路径集合;
第二获取模块,用于根据预设损失函数获取所述备选路径集合中每条路径的运行损失量;
计算模块,用于基于人工势场法,根据所述障碍物信息计算斥力损失量;
确定模块,用于根据所述运行损失量和所述斥力损失量在所述备选路径集合中确定目标路径;
控制模块,用于根据所述目标路径控制车辆的行驶。
9.一种自动驾驶车辆,其特征在于,包括权利要求7或8所述的自动驾驶系统。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-6任一项所述的车辆局部路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111533743.1A CN114234993A (zh) | 2021-12-15 | 2021-12-15 | 车辆局部路径规划方法、自动驾驶系统和自动驾驶车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111533743.1A CN114234993A (zh) | 2021-12-15 | 2021-12-15 | 车辆局部路径规划方法、自动驾驶系统和自动驾驶车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114234993A true CN114234993A (zh) | 2022-03-25 |
Family
ID=80756276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111533743.1A Pending CN114234993A (zh) | 2021-12-15 | 2021-12-15 | 车辆局部路径规划方法、自动驾驶系统和自动驾驶车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114234993A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393055A (zh) * | 2021-07-05 | 2021-09-14 | 苏州清研捷运信息科技有限公司 | 一种货车导航沿途限行数据的预处理及使用方法 |
CN114475607A (zh) * | 2022-04-13 | 2022-05-13 | 清华大学 | 自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质 |
CN114995398A (zh) * | 2022-05-16 | 2022-09-02 | 中国第一汽车股份有限公司 | 路径生成方法、装置、存储介质、处理器及电子装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110244713A (zh) * | 2019-05-22 | 2019-09-17 | 江苏大学 | 一种基于人工势场法的智能车辆换道轨迹规划系统及方法 |
CN110362096A (zh) * | 2019-08-13 | 2019-10-22 | 东北大学 | 一种基于局部最优性的无人驾驶车辆动态轨迹规划方法 |
CN110908373A (zh) * | 2019-11-11 | 2020-03-24 | 南京航空航天大学 | 一种基于改进人工势场的智能车辆轨迹规划方法 |
CN111289008A (zh) * | 2020-04-28 | 2020-06-16 | 南京维思科汽车科技有限公司 | 一种用于无人驾驶车辆的局部路径规划算法 |
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 |
CN112068545A (zh) * | 2020-07-23 | 2020-12-11 | 哈尔滨工业大学(深圳) | 一种无人驾驶车辆在十字路口的行驶轨迹规划方法、系统及存储介质 |
CN113029151A (zh) * | 2021-03-15 | 2021-06-25 | 齐鲁工业大学 | 一种智能车辆路径规划方法 |
CN113370979A (zh) * | 2021-07-09 | 2021-09-10 | 北京福田戴姆勒汽车有限公司 | 行车安全预警方法及系统、车辆、电子设备和存储介质 |
CN113386795A (zh) * | 2021-07-05 | 2021-09-14 | 西安电子科技大学芜湖研究院 | 一种自动驾驶车辆智能决策及局部轨迹规划方法及其决策系统 |
-
2021
- 2021-12-15 CN CN202111533743.1A patent/CN114234993A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110244713A (zh) * | 2019-05-22 | 2019-09-17 | 江苏大学 | 一种基于人工势场法的智能车辆换道轨迹规划系统及方法 |
CN110362096A (zh) * | 2019-08-13 | 2019-10-22 | 东北大学 | 一种基于局部最优性的无人驾驶车辆动态轨迹规划方法 |
CN110908373A (zh) * | 2019-11-11 | 2020-03-24 | 南京航空航天大学 | 一种基于改进人工势场的智能车辆轨迹规划方法 |
CN111289008A (zh) * | 2020-04-28 | 2020-06-16 | 南京维思科汽车科技有限公司 | 一种用于无人驾驶车辆的局部路径规划算法 |
CN112068545A (zh) * | 2020-07-23 | 2020-12-11 | 哈尔滨工业大学(深圳) | 一种无人驾驶车辆在十字路口的行驶轨迹规划方法、系统及存储介质 |
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 |
CN113029151A (zh) * | 2021-03-15 | 2021-06-25 | 齐鲁工业大学 | 一种智能车辆路径规划方法 |
CN113386795A (zh) * | 2021-07-05 | 2021-09-14 | 西安电子科技大学芜湖研究院 | 一种自动驾驶车辆智能决策及局部轨迹规划方法及其决策系统 |
CN113370979A (zh) * | 2021-07-09 | 2021-09-10 | 北京福田戴姆勒汽车有限公司 | 行车安全预警方法及系统、车辆、电子设备和存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393055A (zh) * | 2021-07-05 | 2021-09-14 | 苏州清研捷运信息科技有限公司 | 一种货车导航沿途限行数据的预处理及使用方法 |
CN114475607A (zh) * | 2022-04-13 | 2022-05-13 | 清华大学 | 自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质 |
CN114995398A (zh) * | 2022-05-16 | 2022-09-02 | 中国第一汽车股份有限公司 | 路径生成方法、装置、存储介质、处理器及电子装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114234993A (zh) | 车辆局部路径规划方法、自动驾驶系统和自动驾驶车辆 | |
CN108693878B (zh) | 前进路线设定装置以及前进路线设定方法 | |
Khodayari et al. | A historical review on lateral and longitudinal control of autonomous vehicle motions | |
US20230110082A1 (en) | Vehicular control system | |
JP7411653B2 (ja) | 軌道生成のためのシステム、方法、およびコンピュータプログラム | |
EP4014157A1 (en) | Cost-based path determination | |
IL272751B2 (en) | A virtual switch system for a rail and a method for a virtual vehicle traveling on a rail | |
US20100324771A1 (en) | Autonomous moving body, its control method, and control system | |
EP0483905A2 (en) | Method and apparatus for controlling high speed vehicles | |
JP4730378B2 (ja) | 進路評価装置及び進路評価方法 | |
WO2018173403A1 (ja) | 車両制御装置及び車両制御方法 | |
EP3794573B1 (en) | Navigating congested environments with risk level sets | |
US20200353949A1 (en) | Cost calculation system and method | |
US11801864B1 (en) | Cost-based action determination | |
WO2022228358A1 (zh) | 一种自动驾驶避障方法及系统、存储介质 | |
EP3842315B1 (en) | Autonomous driving vehicle three-point turn | |
JP2023516353A (ja) | ローカライゼーションエラー監視 | |
CN113703436A (zh) | 用于路径规划的并行障碍物缓冲系统 | |
US11634133B1 (en) | Adaptive automatic preventative braking (APB) distance | |
EP3885867A1 (en) | Method and system for controlling autonomous or semi-autonomous vehicle | |
KR20220121186A (ko) | 차량 제어 방법, 차량 제어 시스템, 및 차량 | |
CN113978462A (zh) | 自适应巡航系统的主目标筛选方法、轨迹规划方法及系统 | |
CN113561992A (zh) | 自动驾驶车辆轨迹生成方法、装置、终端设备及介质 | |
WO2021138475A1 (en) | Vehicle control to join and depart a route | |
US11618460B1 (en) | Predictive planning |
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 |