CN114237237A - 一种无人驾驶汽车自主转向控制的路径优化方法 - Google Patents
一种无人驾驶汽车自主转向控制的路径优化方法 Download PDFInfo
- Publication number
- CN114237237A CN114237237A CN202111480267.1A CN202111480267A CN114237237A CN 114237237 A CN114237237 A CN 114237237A CN 202111480267 A CN202111480267 A CN 202111480267A CN 114237237 A CN114237237 A CN 114237237A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- path
- information
- road
- point
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 14
- 238000012423 maintenance Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
Abstract
本发明公开了一种无人驾驶汽车自主转向控制的路径优化方法,包括:通过LED触摸屏获取输入的目的地信息;通过定位系统获取车辆当前位置信息和确定目的地位置信息;查询城市道路信息数据库,生成多条备选路径信息;根据多条备选路径信息,生成多条备选路径的实时路况信息;将实时路况信息输入预估损耗时间模型中,输出每条备选路径的损耗时间;选取损耗时间最短的备选路径作为全局最优路径,并根据全局最优路径对车辆进行自主转向控制。该方法可对无人驾驶汽车行驶路径进行全局和局部路径优化,并对车辆的转向进行自主控制。可有效实现车辆在时间和路程上的双层优化,针对不同优化路径中的道路车道情况生成不同的控制目标和侧重点。
Description
技术领域
本发明涉及无人驾驶技术领域,特别涉及一种无人驾驶汽车自主转向控制的路径优化方法。
背景技术
自动驾驶汽车(Autonomous vehicles;Self-driving automobile)又称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人,是一种通过电脑系统实现无人驾驶的智能汽车。自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作,让电脑可以在没有任何人类主动干预的操作下,自动安全地操作机动车辆。无人驾驶汽车搭载有先进的车载传感器、控制器、执行器等装置,并融合现代通信与网络技术,实现车与人、车、后台服务器等智能信息交换共享,具备复杂环境感知、路径规划、智能决策、协同执行控制等功能,可实现安全、舒适、高效行驶。其中,路径规划是无人驾驶车辆环境感知和车辆控制之间的桥梁,是实现车辆主动避障、自动导航等功能的关键技术,是无人驾驶汽车自主驾驶的基础。
目前无人驾驶汽车路径规划方法众多,主要包括人工势场算法、基于图搜索方法、粒子群算法、基于随机生成方法、蚁群算法、基于轨迹生成方法等几类,但是这些路径规划方法都存在收敛速度慢、易陷入局部最优解或优化精度有限等问题。且在对车辆进行路径规划的过程中,并不存在对车辆的自主转向控制。
因此,在现有的无人驾驶汽车路径优化方法的基础上,如何提供一种具有自主转向控制的路径优化方法,以实现对车辆行驶路径进行全局或局部路径优化的同时,对车辆的转向进行自主控制,成为本领域技术人员亟需解决的问题。
发明内容
鉴于上述问题,本发明提出了一种至少解决上述部分技术问题的无人驾驶汽车自主转向控制的路径优化方法,该方法可对车辆行驶路径进行全局或局部路径优化,并对车辆的转向进行自主控制。
本发明实施例提供一种无人驾驶汽车自主转向控制的路径优化方法,包括:
通过LED触摸屏获取输入的目的地信息;并通过定位系统获取车辆当前位置信息和确定目的地位置信息;根据所述车辆当前位置信息和目的地位置信息,查询城市道路信息数据库,生成多条备选路径信息;所述备选路径信息包括:道路信息、道路拐角信息、红绿灯信息和车辆行驶规则信息;
根据所述多条备选路径信息,生成多条备选路径的实时路况信息;所述实时路况信息包括:道路总长度、车辆总数量、平均车辆行驶速度、道路维修情况和红绿灯数量;
将所述多条备选路径的实时路况信息输入预估损耗时间模型中,输出每条备选路径的损耗时间;
选取所述损耗时间最短的备选路径作为全局最优路径,并根据所述全局最优路径对车辆进行自主转向控制。
进一步地,当所述全局最优路径由多条道路以及多个道路拐角组成时,且当所述道路中存在车道标线时,按照车道标线行驶,控制车辆在所述道路拐角处根据所述车辆行驶规则进行自主转向控制;
当所述道路中不存在车道标线时,根据所述道路信息和道路拐角信息,获取局部最优路径,根据所述局部最优路径控制车辆在所述车道上行驶,并进行自主转向控制。
进一步地,当所述道路中不存在车道标线时,根据所述道路信息和道路拐角信息,获取局部最优路径,根据所述局部最优路径控制车辆在所述车道上行驶,并进行自主转向控制,包括:
根据所述道路信息和道路拐角信息,生成车辆路径点序列,所述车辆路径点连线构成初始局部优化路径;
通过定位系统和激光雷达获取所述车道上的障碍物信息;根据所述障碍物信息,选取最短的所述初始局部优化路径作为第一局部优化路径,并保证所述第一局部优化路径不穿越障碍物;
优化所述第一局部优化路径的车辆路径点,生成第二局部优化路径;
根据所述第二局部优化路径的车辆转向角,调整所述第二局部优化路径的车辆路径点,使所有所述车辆转向角均小于预设角度阈值,生成最终局部最优路径,对车辆进行自主转向控制。
进一步地,所述根据道路信息和道路拐角信息,生成车辆路径点序列,所述车辆路径点连线构成初始局部优化路径,包括:
根据所述道路信息和道路拐角信息,连接道路的行驶初始点和行驶终点,生成直线段;
在所述直线段上选取N个等分点;生成N条通过所述N个等分点的垂线;
按顺序分别从N条垂线上选取一点,生成车辆路径点序列,所述车辆路径点连线构成初始局部优化路径。
进一步地,所述优化第一局部优化路径的车辆路径点,生成第二局部优化路径,包括:
将所述第一局部优化路径的行驶初始点分别与车辆路径点依次连接,直至生成的连接线穿越障碍物;
将所述连接线穿越障碍物的车辆路径点的前一车辆路径点保存,并将所述前一车辆路径点作为新的初始点,分别与剩余的所述车辆路径点依次连接,直至连接到所述第一局部优化路径的行驶终点,生成第二局部优化路径。
进一步地,所述根据第二局部优化路径的车辆转向角,调整所述第二局部优化路径的车辆路径点,使所有所述车辆转向角均小于预设角度阈值,生成最终局部最优路径,对车辆进行自主转向控制,包括:
计算所述第二局部优化路径的车辆转向角;所述车辆转向角为相邻所述车辆路径点连线夹角;
将所述车辆转向角与预设角度阈值相比较;当所述车辆转向角小于所述预设角度阈值时,选取前一所述车辆路径点所处垂线上一点,生成垂线点连线;所述前一车辆路径点为所述车辆转向角所处车辆路径点的前一车辆路径点;所述垂线点靠近前一所述车辆路径点选取;
不断靠近选取所述垂线点,直至达到预设限定条件;所述预设限定条件包括:距离前一所述车辆路径点最近、所述垂线点连线穿越障碍物或前一所述车辆转向角小于所述预设角度阈值;
将所有满足条件的所述车辆路径点连线,生成最终局部最优路径,对车辆进行自主转向控制;所述满足条件的车辆路径点,包括:所处车辆转向角大于所述预设角度阈值的车辆路径点,以及达到所述预设限定条件的垂线点。
进一步地,所述预估损耗时间模型基于长短时记忆网络构建,含有256个神经元的LSTM层、一个含有64个神经元的分类层和一个输出层;卷积核采用3*3大小尺寸,池化层采用2*2的最大池化,并采用PReLU激活函数。
进一步地,所述预估损耗时间模型的构建过程如下:
构建长短时记忆网络模型;将ImageNet数据集上的先验知识,迁移到构建的所述长短时记忆网络模型中进行参数值的初始化操作;
将训练集输入所述长短时记忆网络模型中进行训练;所述训练集带有损耗时间的标识,包括:道路总长度、车辆总数量、平均车辆行驶速度、道路维修情况和红绿灯数量;
判断训练得到的模型是否满足预设条件;
当训练得到的模型满足所述预设条件时,确定所述训练得到的模型为构建好的预估损耗时间模型。
进一步地,所述预估损耗时间模型输出层添加一层dropout层。
进一步地,所述预估损耗时间模型的损失函数采用Softmax Loss函数:
其中,m为训练批次的大小;xi为此批次中第g类的第i个样本的特征向量。N为训练数据类别总数;wg为最后一层dropout层的权重集合;bg为对应的偏置值。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明实施例提供的一种无人驾驶汽车自主转向控制的路径优化方法,包括:通过LED触摸屏获取输入的目的地信息;通过定位系统获取车辆当前位置信息和确定目的地位置信息;根据车辆当前位置信息和目的地位置信息,查询城市道路信息数据库,生成多条备选路径信息;根据多条备选路径信息,生成多条备选路径的实时路况信息;将实时路况信息输入预估损耗时间模型中,输出每条备选路径的损耗时间;选取损耗时间最短的备选路径作为全局最优路径,并根据全局最优路径对车辆进行自主转向控制。该方法可对无人驾驶汽车行驶路径进行全局或局部路径优化,并对车辆的转向进行自主控制。可有效实现车辆在时间和路程上的双层优化,并针对不同的优化路径中的道路车道情况生成不同的控制目标和侧重点。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例提供的一种无人驾驶汽车自主转向控制的路径优化方法流程图;
图2为本发明实施例提供的实际应用场景示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开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公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供一种无人驾驶汽车自主转向控制的路径优化方法,参照图1所示,包括:
通过LED触摸屏获取输入的目的地信息;并通过定位系统获取车辆当前位置信息和确定目的地位置信息;根据车辆当前位置信息和目的地位置信息,查询城市道路信息数据库,生成多条备选路径信息;备选路径信息包括:道路信息、道路拐角信息、红绿灯信息和车辆行驶规则信息;
根据多条备选路径信息,生成多条备选路径的实时路况信息;实时路况信息包括:道路总长度、车辆总数量、平均车辆行驶速度、道路维修情况和红绿灯数量;
将多条备选路径的实时路况信息输入预估损耗时间模型中,输出每条备选路径的损耗时间;
选取损耗时间最短的备选路径作为全局最优路径,并根据全局最优路径对车辆进行自主转向控制。
本实施例提供的一种无人驾驶汽车自主转向控制的路径优化方法,为用户提供了一种无人驾驶汽车的路径优化方法,可对车辆行驶路径进行全局或局部路径优化,并对车辆的转向进行自主控制。控制精度高,针对不同的优化路径中的道路车道情况具有不同的控制目标和侧重点,可有效保证自动驾驶车辆在多工况条件下,具有精确、高效和可靠的控制能力,保证车辆转向的稳定性、车辆的行驶安全以及乘坐舒适度。且使用成本低,控制精确度大,路径优化精准。可有效实现车辆在时间和路程上的双层优化,即:一方面可显著缩短通行时间,另一方面也保证了车辆行驶道路的顺畅、行驶过程的平缓。
下面具体阐述本发明实施例提供的无人驾驶汽车自主转向控制的路径优化方法的详细内容,包括:
用户通过LED触摸屏输入目的地信息;
通过定位系统实时获取车辆当前位置信息和确定的目的地位置信息;根据车辆当前位置信息和目的地位置信息,查询预设的城市道路信息数据库,生成多条备选路径(包括道路信息、道路拐角信息、红绿灯数量以及车辆行驶规则、变道规则);根据定位系统,实时获取多条备选路径中所有道路的道路总长度、车辆总数量、平均车辆行驶速度、道路维修情况以及各条路口的红绿灯情况,生成备选路径的实时路况信息;
将备选路径的实时路况信息输入预估损耗时间模型中,综合评估通过每条备选路径的损耗时间,获得每条备选路径的损耗时间,选取损耗时间最短的路径,即为全局最优路径,该全局最优路径包括多条道路以及多个道路拐角。
进一步地,当全局最优路径多条道路中的道路存在车道标线信息时(从城市道路信息数据库中获知),按照车道标线行驶,控制车辆在多个道路拐角处根据相应变道规则行驶(例如:向右转向、靠右行驶或中间车道等)。当车辆在有车道标线信息的道路行驶时,可通过车间通讯V2V,获取车辆当前时刻的速度、加速度、位置和车道信息。也可通过车间通讯V2V,获取车辆一定范围内周围车辆当前时刻的速度、加速度、位置和车道信息,并根据周围车辆的当前信息动态调整无人驾驶车辆的转向与行驶方向。车间通信V2V系统,使车辆可以自动获取周围车辆的行驶状况。连入车间通信V2V系统的车辆,可以通过短程无线电技术DSRC自动向附近一定范围内车辆发送自己的行驶信息,其中包括:速度、加速度、位置和车道信息。本实施例提供的方法可以使车辆利用接收到的周围车辆的信息,动态调整该车辆在有车道标线道路的行驶路径及转向。
进一步地,当全局最优路径多条道路中的道路不存在车道标线信息时,通过如下方式选取局部最优路径以及对其进行自主转向控制:
其中,选取局部最优路径的方式为:
根据全局最优路径中不存在车道信息的道路信息(道路长度、道路宽度、道路方向、道路坐标位置和道路车辆行驶方向等)和道路拐角信息(每条道路均存在两个路口,每个路口存在一个拐角信息),连接车辆在该道路上的行驶初始点和行驶终点(对应每条道路上的起始路口和终止路口),生成在该道路上由车辆行驶初始点出发到车辆行驶终点终止的直线段;
在该由车辆行驶初始点和车辆行驶终点构成的直线段上选取N个等分点(N≥1);生成N条通过该N个等分点的垂线;本实施例对N的取值不作限定。
从车辆行驶初始点到车辆行驶终点,按顺序分别从该N条等分点的垂线上选取一个点,生成车辆路径点序列,车辆路径点连线以共同构成该道路(不存在车道标线信息的道路)的初始局部优化路径。
通过定位系统和激光雷达(型号itan M1/Titan M1-A/Titan M1-R,安装在无人驾驶车辆上)获取该不存在车道标线信息的道路上的障碍物信息;选取最短的初始局部优化路径作为第一局部优化路径,且该车辆路径点连线不穿越障碍物;
将该第一局部优化路径的初始点(不存在车道标线信息的道路初始点拐角)分别与各路径点(从路径点序列中选取)依次连接,直至连接线经过障碍物;将连接线经过障碍物的前一路径点保存,并将该路径点作为新的初始点继续连接剩余的路径点,直至连接到终点为止(不存在车道标线信息的道路终点拐角),生成第二局部优化路径。
在第二局部优化路径上对车辆进行自主转向控制的方式为:
依次连接第二局部优化路径中各个路径点,计算每相邻两个路径点连线形成的夹角(该夹角即为车辆转向角);将每相邻两个路径点连线形成的夹角与预设角度阈值相比较。本实施例对预设角度阈值的取值不作限定,可根据实际情况合理选择。
当夹角角度大于预设角度阈值时,则该路径点不需要改变,车辆在该该路径点转向行驶时较平缓舒适;
当夹角角度小于预设角度阈值时,则连接该路径点前一路径点所处垂线上的一点,该点的选取为靠近前一路径点方向,生成垂线点连线;计算该前一路径点垂线上的点生成的连线(垂线点连线)是否经过障碍物。若不经过障碍物,则继续选取并连接该前一路径点所处垂线上的一点,直至距离前一路径点最近、前一路径点垂线上的点生成的连线(垂线点连线)经过障碍物或前一路径点连线角度(即前一车辆转向角)小于预设角度阈值为止,并将前一相邻路径点所处垂线上的点生成的连线作为新的局部优化路径连线,对其进行车辆自主转向控制;
遍历每相邻两个路径点连线夹角(即车辆转向角),直至到路径终点(不存在车道标线信息的道路终点拐角),则将此时生成的局部优化路径作为最终局部最优路径,对车辆进行自主转向控制。
具体实际应用场景可参照图2所示,车辆在该道路上的行驶初始点为点1,车辆行驶终点为点5。在直线段ab上选取五个等分点,生成五条通过该五个等分点的垂线。随机从该五条垂线上选取一点,生成车辆路径点序列(点1、2、3、4、5),点1、2、3、4、5路径点序列连线构成道路的初始局部优化路径(1-2-3-4-5)。再依据测得的障碍物信息,选取最短的初始局部优化路径。然后将该最短初始局部优化路径的初始点(点1)分别与各路径点依次连接,生成线段1-2、1-3、1-4、1-5。然而线段1-3、1-4横穿障碍物,因此只保存1-2路径线路。将路径点2作为新的初始点继续连接剩余的路径点,生成线段2-3、2-4、2-5,然而线段2-5横穿障碍物,因此只保存2-4路径线路。将路径点4作为新的初始点继续连接剩余的路径点,生成线段4-5。生成新的局部优化路径1-2-4-5。
分别计算每两个路径点之间连线的角度,分别为∠124、∠245。将∠124、∠245的角度与预设角度阈值相比较。发现∠245小于预设角度阈值,因此选取该路径点4相邻路径点3所处垂线上的一点6,判断该线段2-6和线段6-5是否经过障碍物,该线段2-6和线段6-5并未经过障碍物,且∠126和∠265大于预设角度阈值、点6距离点2最近。因此,将其他路径点与垂线点6的连线作为新的局部优化路径连线,并进行车辆自主转向控制。最终局部最优路径为1-2-6-5。通过该局部最优路径对该无人驾驶车辆进行路径优化以及转向控制。
进一步地,预估损耗时间模型为经过深度学习构建,具体过程如下:
构建长短时记忆网络;采集样本集,将80%的样本集作为训练集,将20%的样本集作为测试集。采用迁移学习,把ImageNet数据集上的先验知识,迁移到预估损耗时间模型中进行参数值的初始化操作,以此来大幅度减少训练时间,提高训练效率。
在长短时记忆网络模型的基础上对该模型作简单调整,构建一个含有256个神经元的LSTM层、一个含有64个神经元的分类层和一个输出层。分类层采用分类算法偏最小二乘判别分析。卷积层采用1*1卷积核;池化层采用2*2最大池化。激活函数采用PReLU激活函数;输出层采用全连接层;输出层连接一层dropout层。输出层添加一层dropout层,以此来对输出层40%的神经元进行随机失活的正则化操作,可有效抑制模型过拟合程度。
损失函数采用Softmax Loss函数,最后一层连接Softmax Loss层,对长短时记忆网络模型进行训练优化,具体为:
其中,m为训练批次的大小;xi为此批次中第g类的第i个样本的特征向量。N为训练数据类别总数;wg为最后一层dropout层的权重集合;bg为对应的偏置值。
采用Softmax Loss函数,收敛速度快、不会陷入局部最优解、搜索精度高。
将训练集输入长短时记忆网络进行训练;该训练集包括:路径的道路总长度、总车辆数量、平均车辆行驶速度、道路维修情况和红绿灯数量。具体道路维修情况包括:维修数量和维修状况;维修状况包括:维修可通行、维修不可通行。
进一步地,该训练集还包括:带有损耗时间的标识;该损耗时间分别由道路总长度、总车辆数量、平均车辆行驶速度、道路维修情况和红绿灯数量综合计算获得;
判断训练得到的模型是否满足预设条件,当损失函数误差最小时获得最优训练结果;当训练得到的模型满足预设条件时,即确定该训练得到的模型为预估损耗时间模型。
可选地,本实施例中的LED触摸屏,用户可以通过该触摸屏控制车辆为无人驾驶或主动驾驶模型,也可用于在原始路线调整后,对无人汽车的执行控制,通过LED触摸屏将新的路线进行更新;也可通过LED触摸屏输入目的地,连接定位系统,查询电子地图等功能,可根据具体实际情况进行设定,本实施例对其不作限定。LED显示屏是一种通过控制半导体发光二极管的显示方式来显示文字、图形、图像的显示屏,具有高亮度、较广的观看角度和良好的色彩还原能力,响应迅速。
具体地,本实施例中的定位系统可采用GLONASS卫星定位系统、GPS定位系统、GALILEO定位系统或BDS定位系统,本实施例对其不作限定。
可选地,本实施例中的方法应用的车辆系统采用CAN总线,为分布式控制系统实现各节点之间实时、可靠的数据通信提供了强有力的技术支持。为汽车计算机控制系统和嵌入式工业控制局域网的标准总线。
在硬件层面,本实施提供的路径优化方法支撑的电子设备包括控制器(型号PIC24FJ-GU4/GL4)、内部总线、内存(型号PC4-2400T)以及非易失性存储器(型号XCF32PVOG48C),当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器(型号XCF32PVOG48C)中读取对应的计算机程序到内存中运行,以实现本实施例提供的无人驾驶汽车自主转向控制的路径优化方法。
本实施例提供的路径优化方法,可以有效保证无人驾驶车辆在路径选择过程中的稳定性,使得既满足了车辆局部行驶过程中的稳定性,又达到了整体路径优化和行驶稳定的目的,提高了无人驾驶汽车自主转向控制路径优化过程的稳定性。减少车辆由于路径选择切换而引起的冲击和振荡。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种无人驾驶汽车自主转向控制的路径优化方法,其特征在于,包括:
通过LED触摸屏获取输入的目的地信息;并通过定位系统获取车辆当前位置信息和确定目的地位置信息;根据所述车辆当前位置信息和目的地位置信息,查询城市道路信息数据库,生成多条备选路径信息;所述备选路径信息包括:道路信息、道路拐角信息、红绿灯信息和车辆行驶规则信息;
根据所述多条备选路径信息,生成多条备选路径的实时路况信息;所述实时路况信息包括:道路总长度、车辆总数量、平均车辆行驶速度、道路维修情况和红绿灯数量;
将所述多条备选路径的实时路况信息输入预估损耗时间模型中,输出每条备选路径的损耗时间;
选取所述损耗时间最短的备选路径作为全局最优路径,并根据所述全局最优路径对车辆进行自主转向控制。
2.如权利要求1所述的一种无人驾驶汽车自主转向控制的路径优化方法,其特征在于,当所述全局最优路径由多条道路以及多个道路拐角组成时,且当所述道路中存在车道标线时,按照车道标线行驶,控制车辆在所述道路拐角处根据所述车辆行驶规则进行自主转向控制;
当所述道路中不存在车道标线时,根据所述道路信息和道路拐角信息,获取局部最优路径,根据所述局部最优路径控制车辆在所述车道上行驶,并进行自主转向控制。
3.如权利要求2所述的一种无人驾驶汽车自主转向控制的路径优化方法,其特征在于,当所述道路中不存在车道标线时,根据所述道路信息和道路拐角信息,获取局部最优路径,根据所述局部最优路径控制车辆在所述车道上行驶,并进行自主转向控制,包括:
根据所述道路信息和道路拐角信息,生成车辆路径点序列,所述车辆路径点连线构成初始局部优化路径;
通过定位系统和激光雷达获取所述车道上的障碍物信息;根据所述障碍物信息,选取最短的所述初始局部优化路径作为第一局部优化路径,并保证所述第一局部优化路径不穿越障碍物;
优化所述第一局部优化路径的车辆路径点,生成第二局部优化路径;
根据所述第二局部优化路径的车辆转向角,调整所述第二局部优化路径的车辆路径点,使所有所述车辆转向角均小于预设角度阈值,生成最终局部最优路径,对车辆进行自主转向控制。
4.如权利要求3所述的一种无人驾驶汽车自主转向控制的路径优化方法,其特征在于,所述根据道路信息和道路拐角信息,生成车辆路径点序列,所述车辆路径点连线构成初始局部优化路径,包括:
根据所述道路信息和道路拐角信息,连接道路的行驶初始点和行驶终点,生成直线段;
在所述直线段上选取N个等分点;生成N条通过所述N个等分点的垂线;
按顺序分别从N条垂线上选取一点,生成车辆路径点序列,所述车辆路径点连线构成初始局部优化路径。
5.如权利要求3所述的一种无人驾驶汽车自主转向控制的路径优化方法,其特征在于,所述优化第一局部优化路径的车辆路径点,生成第二局部优化路径,包括:
将所述第一局部优化路径的行驶初始点分别与车辆路径点依次连接,直至生成的连接线穿越障碍物;
将所述连接线穿越障碍物的车辆路径点的前一车辆路径点保存,并将所述前一车辆路径点作为新的初始点,分别与剩余的所述车辆路径点依次连接,直至连接到所述第一局部优化路径的行驶终点,生成第二局部优化路径。
6.如权利要求3所述的一种无人驾驶汽车自主转向控制的路径优化方法,其特征在于,所述根据第二局部优化路径的车辆转向角,调整所述第二局部优化路径的车辆路径点,使所有所述车辆转向角均小于预设角度阈值,生成最终局部最优路径,对车辆进行自主转向控制,包括:
计算所述第二局部优化路径的车辆转向角;所述车辆转向角为相邻所述车辆路径点连线夹角;
将所述车辆转向角与预设角度阈值相比较;当所述车辆转向角小于所述预设角度阈值时,选取前一所述车辆路径点所处垂线上一点,生成垂线点连线;所述前一车辆路径点为所述车辆转向角所处车辆路径点的前一车辆路径点;所述垂线点靠近前一所述车辆路径点选取;
不断靠近选取所述垂线点,直至达到预设限定条件;所述预设限定条件包括:距离前一所述车辆路径点最近、所述垂线点连线穿越障碍物或前一所述车辆转向角小于所述预设角度阈值;
将所有满足条件的所述车辆路径点连线,生成最终局部最优路径,对车辆进行自主转向控制;所述满足条件的车辆路径点,包括:所处车辆转向角大于所述预设角度阈值的车辆路径点,以及达到所述预设限定条件的垂线点。
7.如权利要求1所述的一种无人驾驶汽车自主转向控制的路径优化方法,其特征在于,所述预估损耗时间模型基于长短时记忆网络构建,含有256个神经元的LSTM层、一个含有64个神经元的分类层和一个输出层;卷积核采用3*3大小尺寸,池化层采用2*2的最大池化,并采用PReLU激活函数。
8.如权利要求7所述的一种无人驾驶汽车自主转向控制的路径优化方法,其特征在于,所述预估损耗时间模型的构建过程如下:
构建长短时记忆网络模型;将ImageNet数据集上的先验知识,迁移到构建的所述长短时记忆网络模型中进行参数值的初始化操作;
将训练集输入所述长短时记忆网络模型中进行训练;所述训练集带有损耗时间的标识,包括:道路总长度、车辆总数量、平均车辆行驶速度、道路维修情况和红绿灯数量;
判断训练得到的模型是否满足预设条件;
当训练得到的模型满足所述预设条件时,确定所述训练得到的模型为构建好的预估损耗时间模型。
9.如权利要求7所述的一种无人驾驶汽车自主转向控制的路径优化方法,其特征在于,所述预估损耗时间模型输出层添加一层dropout层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111480267.1A CN114237237A (zh) | 2021-12-06 | 2021-12-06 | 一种无人驾驶汽车自主转向控制的路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111480267.1A CN114237237A (zh) | 2021-12-06 | 2021-12-06 | 一种无人驾驶汽车自主转向控制的路径优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114237237A true CN114237237A (zh) | 2022-03-25 |
Family
ID=80753455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111480267.1A Pending CN114237237A (zh) | 2021-12-06 | 2021-12-06 | 一种无人驾驶汽车自主转向控制的路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114237237A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114604341A (zh) * | 2022-04-02 | 2022-06-10 | 深圳摩吉智行科技有限公司 | 一种基于自动转向和回位的电动两轮车行驶的方法 |
CN115357034A (zh) * | 2022-10-21 | 2022-11-18 | 上海伯镭智能科技有限公司 | 基于智慧交通的无人驾驶矿车转向控制方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103278168A (zh) * | 2013-04-28 | 2013-09-04 | 北京航空航天大学 | 一种面向交通热点规避的路径规划方法 |
CN104821080A (zh) * | 2015-03-02 | 2015-08-05 | 北京理工大学 | 基于宏观城市交通流的智能车辆行驶速度及时间预测方法 |
CN106910185A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种基于cnn深度学习的dbcc分类模型及构建方法 |
CN108615389A (zh) * | 2018-06-15 | 2018-10-02 | 邵文远 | 一种城市交通拥堵预测预防系统 |
CN109828564A (zh) * | 2019-01-28 | 2019-05-31 | 广州杰赛科技股份有限公司 | 一种无人驾驶汽车路径规划的优化方法、装置及终端设备 |
CN110503000A (zh) * | 2019-07-25 | 2019-11-26 | 杭州电子科技大学 | 一种基于人脸识别技术的教学抬头率测量方法 |
US20200082248A1 (en) * | 2018-09-11 | 2020-03-12 | Nvidia Corporation | Future object trajectory predictions for autonomous machine applications |
US20200282990A1 (en) * | 2019-03-08 | 2020-09-10 | Suzuki Motor Corporation | Driving Control Apparatus for Vehicle |
CN113296513A (zh) * | 2021-05-24 | 2021-08-24 | 东南大学 | 网联环境下基于滚动时域的应急车辆动态路径规划方法 |
-
2021
- 2021-12-06 CN CN202111480267.1A patent/CN114237237A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103278168A (zh) * | 2013-04-28 | 2013-09-04 | 北京航空航天大学 | 一种面向交通热点规避的路径规划方法 |
CN104821080A (zh) * | 2015-03-02 | 2015-08-05 | 北京理工大学 | 基于宏观城市交通流的智能车辆行驶速度及时间预测方法 |
CN106910185A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种基于cnn深度学习的dbcc分类模型及构建方法 |
CN108615389A (zh) * | 2018-06-15 | 2018-10-02 | 邵文远 | 一种城市交通拥堵预测预防系统 |
US20200082248A1 (en) * | 2018-09-11 | 2020-03-12 | Nvidia Corporation | Future object trajectory predictions for autonomous machine applications |
CN113056749A (zh) * | 2018-09-11 | 2021-06-29 | 辉达公司 | 用于自主机器应用的未来对象轨迹预测 |
CN109828564A (zh) * | 2019-01-28 | 2019-05-31 | 广州杰赛科技股份有限公司 | 一种无人驾驶汽车路径规划的优化方法、装置及终端设备 |
US20200282990A1 (en) * | 2019-03-08 | 2020-09-10 | Suzuki Motor Corporation | Driving Control Apparatus for Vehicle |
CN110503000A (zh) * | 2019-07-25 | 2019-11-26 | 杭州电子科技大学 | 一种基于人脸识别技术的教学抬头率测量方法 |
CN113296513A (zh) * | 2021-05-24 | 2021-08-24 | 东南大学 | 网联环境下基于滚动时域的应急车辆动态路径规划方法 |
Non-Patent Citations (4)
Title |
---|
吕璐,蔡晓东,曾燕,梁晓曦: "一种基于融合深度卷积神经网络与度量学习的人脸识别方法", 现代电子技术, vol. 41, no. 9, pages 58 - 67 * |
王新平: "城市交通环境下适用于无人车的GIS数据库构建与应用研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, vol. 1, no. 7, pages 1028 - 1029 * |
郑永亮,李晓坤,王琳琳,陈虹旭,杨磊: "基于人工智能与机器学习技术在智慧城市的应用", 智能计算机与应用, vol. 9, no. 1, pages 153 - 158 * |
陈俞强: "高精度北斗定位车载终端诱导系统研究", 中国博士学位论文全文数据库工程科技Ⅱ辑, no. 2, pages 035 - 4 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114604341A (zh) * | 2022-04-02 | 2022-06-10 | 深圳摩吉智行科技有限公司 | 一种基于自动转向和回位的电动两轮车行驶的方法 |
CN115357034A (zh) * | 2022-10-21 | 2022-11-18 | 上海伯镭智能科技有限公司 | 基于智慧交通的无人驾驶矿车转向控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11320826B2 (en) | Operation of a vehicle using motion planning with machine learning | |
US11354820B2 (en) | Image based localization system | |
CN109863513B (zh) | 用于自主车辆控制的神经网络系统 | |
CN110081894B (zh) | 一种基于道路结构权值融合的无人车轨迹实时规划方法 | |
US11027751B2 (en) | Reinforcement and model learning for vehicle operation | |
US10829116B2 (en) | Affecting functions of a vehicle based on function-related information about its environment | |
US11796332B2 (en) | Generation of optimal trajectories for navigation of vehicles | |
US11667306B2 (en) | Method and system for dynamically curating autonomous vehicle policies | |
JP2022506539A (ja) | 追従のための車両軌道の修正 | |
CN109643118B (zh) | 基于关于车辆的环境的与功能相关的信息来影响车辆的功能 | |
JP2020508509A (ja) | 自律走行車の動作管理制御 | |
JP2020510570A (ja) | 部分観測マルコフ決定過程モデルインスタンスを動作させることを含む自律走行車動作管理 | |
JP2020507509A (ja) | 自律走行車の動作管理ブロックモニタ | |
JP7330142B2 (ja) | 車両のuターン経路を決定する方法、装置、デバイスおよび媒体 | |
US20210005088A1 (en) | Computing system implementing traffic modeling using sensor view data from self-driving vehicles | |
CN114237237A (zh) | 一种无人驾驶汽车自主转向控制的路径优化方法 | |
US11586209B2 (en) | Differential dynamic programming (DDP) based planning architecture for autonomous driving vehicles | |
EP3987249B1 (en) | A navigation route planning method for autonomous vehicles | |
GB2604986A (en) | Vehicle operation using maneuver generation | |
CN116724214A (zh) | 用于生成用于自主车辆的导航的感兴趣区域的车道级地图的方法和系统 | |
US11878712B2 (en) | Trajectory planning with obstacle avoidance for autonomous driving vehicles | |
US11899454B2 (en) | Objective-based reasoning in autonomous vehicle decision-making | |
US20230056589A1 (en) | Systems and methods for generating multilevel occupancy and occlusion grids for controlling navigation of vehicles | |
US11613269B2 (en) | Learning safety and human-centered constraints in autonomous vehicles | |
US20230415767A1 (en) | Protolanes for testing autonomous vehicle intent |
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 |