CN114355909A - 一种路径规划的方法、装置、计算机设备和存储介质 - Google Patents
一种路径规划的方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114355909A CN114355909A CN202111582014.5A CN202111582014A CN114355909A CN 114355909 A CN114355909 A CN 114355909A CN 202111582014 A CN202111582014 A CN 202111582014A CN 114355909 A CN114355909 A CN 114355909A
- Authority
- CN
- China
- Prior art keywords
- path
- node
- distance
- local
- grid map
- 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 52
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000004590 computer program Methods 0.000 claims abstract description 22
- 238000005520 cutting process Methods 0.000 claims abstract description 16
- 230000036461 convulsion Effects 0.000 claims description 22
- 230000001133 acceleration Effects 0.000 claims description 13
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 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
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本公开实施例涉及一种路径规划的方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取局部车道对应的栅格地图、初始位置到目标位置的全局路径，所述栅格地图为通过对高精地图中的车道进行等间距切割获得；根据栅格地图中的节点与障碍物的距离、所述节点到所述全局路径的距离、所述节点到车道边界的距离，确定所述节点的权重；根据所述栅格地图中多个所述节点的权重，确定所述局部车道对应的局部路径。采用本方法能够实现在自动驾驶中实时准确地进行路径规划的目的。
Description
技术领域
本公开实施例涉及自动驾驶技术领域，特别是涉及一种路径规划的方法、装置、计算机设备和存储介质。
背景技术
随着科学技术的发展，出现了自动驾驶汽车技术。自动驾驶技术对驾驶人员的要求不高，所以能够更好地适用于人群；还能够提高公路安全性，并缓解日益严重的交通拥堵。
在自动驾驶技术中，要实现车辆的自动驾驶，就需要车辆根据用户的目标和实时的道路信息进行路径的规划，因此作为自动驾驶技术中的最重要的模块，路径规划模块决定了自动驾驶技术的实用性和稳定性。相关技术中，路径规划算法要么较为复杂，会影响实时性，要么简单，路径规划不够准确。
因此，亟需一种路径规划方法，能够实时准确的进行路径规划。
发明内容
基于此，有必要针对上述技术问题，提供一种能够在自动驾驶领域中实现实时准确的路径规划的路径规划方法。
第一方面，本公开实施例提供了一种路径规划的方法。所述方法包括：
获取局部车道对应的栅格地图、初始位置到目标位置的全局路径，所述栅格地图为通过对高精地图中的车道进行等间距切割获得；
根据栅格地图中的节点与障碍物的距离、所述节点到所述全局路径的距离、所述节点到车道边界的距离，确定所述节点的权重；
根据所述栅格地图中多个所述节点的权重，确定所述局部车道对应的局部路径。
在其中一个实施例中，所述栅格地图为通过对高精地图中的车道进行等间距切割获得，包括：
获取高精地图；
对所述高精地图中的车道在横向和纵向方向进行等间距的切割，得到初始栅格地图；
根据车道边界的虚实线，确定所述初始栅格地图中节点是否连接，得到栅格地图，其中，当车道边界为虚线时，位于所述车道边界两侧的节点为连接，当车道边界为实线时，位于所述车道边界两侧的节点为不连接。
在其中一个实施例中，所述根据栅格地图中的节点与障碍物的距离、所述节点到所述全局路径的距离、所述节点到车道边界的距离，确定所述节点的权重，包括：
获取所述栅格地图中的节点与障碍物的距离及对应的子权重、所述节点到所述全局路径的距离及对应的子权重、所述节点到车道边界的距离及对应的子权重；
对所述节点与障碍物的距离、所述节点到所述全局路径的距离、所述节点到车道边界的距离进行加权求和，得到所述节点的权重。
在其中一个实施例中，所述栅格地图中的节点与障碍物的距离及对应的子权重被设置为负数，所述节点到所述全局路径的距离及对应的子权重被设置为正数，所述节点到车道边界的距离被设置为负数。
在其中一个实施例中，根据所述栅格地图中多个所述节点的权重，确定所述局部车道对应的局部路径，包括：
确定所述局部车道上多个初始局部路径，所述初始局部路径为多个节点的连接路径；
获取所述多个初始局部路径中每个初始局部路径对应的总权重，所述总权重为初始路劲上所有节点的权重的和；
从多个所述总权重中，确定最小的总权重对应的初始局部路径作为局部路径。
在其中一个实施例中，在根据所述栅格地图中多个所述节点的权重，确定所述局部车道对应的局部路径，之后还包括：
确定所述局部路径中多个锚点；
根据所述多个锚点对所述局部路径进行轨迹平滑，得到优化后的局部路径。
在其中一个实施例中，在根据所述栅格地图中多个所述节点的权重，确定所述局部车道对应的局部路径，之后还包括：
获取当前车速及所述局部路径的分段路径对应的预设加加速度；
根据所述预设加加速度，确定所述分段路径对应的目标行驶速度；
将所述当前车速调整为所述目标行驶速度。
在其中一个实施例中，根据所述预设加加速度，确定所述分段路径对应的目标行驶速度，包括：
当检测到障碍物位于预设距离范围以内的时候，下调所述预设加加速度；
根据下调后的预设加加速度，确定所述分段路径对应的目标行驶速度。
第二方面，本公开实施例还提供了一种路径规划的装置。所述装置包括：
获取模块，用于获取局部车道对应的栅格地图、初始位置到目标位置的全局路径，所述栅格地图为通过对高精地图中的车道进行等间距切割获得；
权重确定模块，用于根据栅格地图中的节点与障碍物的距离、所述节点到所述全局路径的距离、所述节点到车道边界的距离，确定所述节点的权重；
路径确定模块，用于根据所述栅格地图中多个所述节点的权重，确定所述局部车道对应的局部路径。
在其中一个实施例中，所述获取模块，还包括：
子获取模块，用于获取高精地图；
切割模块，用于对所述高精地图中的车道在横向和纵向方向进行等间距的切割，得到初始栅格地图；
确定模块，用于根据车道边界的虚实线，确定所述初始栅格地图中节点是否连接，得到栅格地图，其中，当车道边界为虚线时，位于所述车道边界两侧的节点为连接，当车道边界为实线时，位于所述车道边界两侧的节点为不连接。
在其中一个实施例中，所述确定模块，包括：
子获取模块，用于获取所述栅格地图中的节点与障碍物的距离及对应的子权重、所述节点到所述全局路径的距离及对应的子权重、所述节点到车道边界的距离及对应的子权重；
权重确定模块，用于对所述节点与障碍物的距离、所述节点到所述全局路径的距离、所述节点到车道边界的距离进行加权求和，得到所述节点的权重。
在其中一个实施例中，所述子获取模块，还包括所述栅格地图中的节点与障碍物的距离及对应的子权重被设置为负数，所述节点到所述全局路径的距离及对应的子权重被设置为正数，所述节点到车道边界的距离被设置为负数。
在其中一个实施例中，所述路径确定模块，包括：
第一子确定模块，用于确定所述局部车道上多个初始局部路径，所述初始局部路径为多个节点的连接路径；
获取模块，用于获取所述多个初始局部路径中每个初始局部路径对应的总权重，所述总权重为初始路劲上所有节点的权重的和；
第二子确定模块，用于从多个所述总权重中，确定最小的总权重对应的初始局部路径作为局部路径。
在其中一个实施例中，在所述路径确定模块，之后还包括：
子确定模块，用于确定所述局部路径中多个锚点；
优化模块，用于根据所述多个锚点对所述局部路径进行轨迹平滑，得到优化后的局部路径。
在其中一个实施例中，在所述路径确定模块，之后还包括：
获取模块，用于获取当前车速及所述局部路径的分段路径对应的预设加加速度；
确定模块，用于根据所述预设加加速度，确定所述分段路径对应的目标行驶速度；
调整模块，用于将所述当前车速调整为所述目标行驶速度。
在其中一个实施例中，所述确定模块，包括：
下调模块，用于当检测到障碍物位于预设距离范围以内的时候，下调所述预设加加速度；
确定模块，用于根据下调后的预设加加速度，确定所述分段路径对应的目标行驶速度。
第三方面，本公开实施例还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本公开实施例中任一项所述的路径规划的方法的步骤。
第四方面，本公开实施例还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本公开实施例中任一项所述的路径规划的方法的步骤。
第五方面，本公开实施例还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开实施例中任一项所述的路径规划的方法的步骤。
本公开实施例，首先获取预先规划的全局路径，以及车辆附近的局部车道信息对应的栅格地图，然后根据栅格地图上每个节点的权重确定最优路径作为局部路径。本公开实施例能够根据节点到障碍物的距离、到全局路径的距离和车道边界的距离确定每个节点的权重，并根据权重确定局部路径，从而实现了实时准确地在全局路径的基础上进行局部路径规划的目的。
附图说明
图1为一个实施例中路径规划的方法的流程示意图；
图2为一个实施例中栅格地图的示意图；
图3为一个实施例中路径规划的方法的流程示意图；
图4为一个实施例中路径平滑的方法的流程示意图；
图5为一个实施例中动态信息添加的方法的流程示意图；
图6为一个实施例中路径规划的装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本公开实施例的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本公开实施例进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本公开实施例，并不用于限定本公开实施例。
在一个实施例中，如图1所示，提供了一种路径规划的方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤S101，获取局部车道对应的栅格地图、初始位置到目标位置的全局路径，所述栅格地图为通过对高精地图中的车道进行等间距切割获得；
本公开实施例中，在进行自动驾驶的路径规划时，由于车辆要在具体的车道中行驶，所以使用的地图都是包含路网信息的高精地图。本公开实施例中，需要将高精地图转化成栅格地图，对高精地图中的车道进行等间距的切割，切割完成后得到的网状地图即为栅格地图。同时，还需要获取初始位置至目标位置的全局路径，其中，初始位置和目标位置通常为用户输入的位置信息，在进行全局路径规划时，主要考虑初始位置至目标位置的距离，可以采用任意路径规划的算法进行规划，如A*，HA*，Lattice Planner等。
图2是根据一示例性实施例示出的一种栅格地图的示意图，参考图2所示，图中包含由车道线201划分出的三条车道，对每条车道202进行等间距分割后得到多个节点203，所述多个节点203连接的节点图204即为图中车道对应的栅格地图。
步骤S102，根据栅格地图中的节点与障碍物的距离、所述节点到所述全局路径的距离、所述节点到车道边界的距离，确定所述节点的权重；
本公开实施例中，在获取到栅格地图及全局路径之后，获取栅格地图中每个节点与障碍物的距离、每个节点至全局路径的距离以及每个节点到车道边界的距离，其中，障碍物的信息通常为通过传感器获得。根据获取到的距离数据确定每个节点的权重值，在确定权重值时，需要根据预设的每个距离对应的子权重进行计算。其中，在设置权重时，会考虑到最终路径尽可能靠近全局路径同时原理障碍物和车道边界。
步骤S103，根据所述栅格地图中多个所述节点的权重，确定所述局部车道对应的局部路径。
本公开实施例中，确定每个节点对应的权重之后，就可以进行局部路径的选择，在局部路径的起点到终点，会存在多个可行的局部路径，通过对节点的权重的判断选择最佳的路径作为局部路径。在一个示例中，在根据权重确定局部路径时，选择D*算法进行路径的规划，并对D*算法做出相应的改进，将节点的权重值作为D*算法中的优化函数值进行规划。
本公开实施例，首先获取预先规划的全局路径，以及车辆附近的局部车道信息对应的栅格地图，然后根据栅格地图上每个节点的权重确定最优路径作为局部路径。本公开实施例能够根据节点到障碍物的距离、到全局路径的距离和车道边界的距离确定每个节点的权重，并根据权重确定局部路径，从而实现了实时准确地在全局路径的基础上进行局部路径规划的目的。
在一个实施例中，所述栅格地图为通过对高精地图中的车道进行等间距切割获得，包括：
获取高精地图；
对所述高精地图中的车道在横向和纵向方向进行等间距的切割，得到初始栅格地图；
根据车道边界的虚实线，确定所述初始栅格地图中节点是否连接，得到栅格地图，其中，当车道边界为虚线时，位于所述车道边界两侧的节点为连接，当车道边界为实线时，位于所述车道边界两侧的节点为不连接。
本公开实施例中，在获取栅格地图的过程中，首先获取包含路网信息的高精地图，在高精地图中包含具体的车道信息，对栅格地图中的车道进行横向和纵向的等间距的切割，得到基于高精地图的网状地图，即初始栅格地图。初始栅格地图中包含有多个节点，节点之间的连接关系需要按照车道信息进行判断。其中，当相邻的两个节点位于同一个车道中时，两个节点存在连接关系。当相邻的两个节点位于不同的车道时，则需要进行具体的判断，即当两个节点之间的车道为虚线时，此时车辆可以跨越车道线，所以设置这两个节点之间存在连接关系；当两个节点之间的车道为实线时，此时车辆不可跨越车道线，所以设置这两个节点之间不存在连接关系。根据得到的节点之间的连接关系对所述栅格地图中的节点进行连接，将得到的节点连接图作为所述高精地图对应的栅格地图。
如图2所示，图中包含三个车道，其中，左侧车道和中间车道间隔为实线，此时，左侧车道和中间车道的相邻节点被设置为不连接，即车辆不能在左侧车道和中间车道之间进行变道；右侧车道和中间车道间隔为虚线，此时，右侧车道和中间车道的相邻节点被设置为连接，即车辆可以在右侧车道和中间车道之间进行变道。按照连接关系将节点进行连接得到如图中细虚线所示的栅格地图。
本公开实施例，在将高精地图转化为栅格地图时，根据高精地图中包含的具体的车道信息，对栅格地图中的节点的连接关系进行了限制，使最终得到的栅格地图更具有实用性，从而保证了后续的路径规划中规划出的路径更为准确，能够适用于真实场景下的车辆驾驶。
在一个实施例中，所述根据栅格地图中的节点与障碍物的距离、所述节点到所述全局路径的距离、所述节点到车道边界的距离，确定所述节点的权重，包括：
获取所述栅格地图中的节点与障碍物的距离及对应的子权重、所述节点到所述全局路径的距离及对应的子权重、所述节点到车道边界的距离及对应的子权重；
对所述节点与障碍物的距离、所述节点到所述全局路径的距离、所述节点到车道边界的距离进行加权求和，得到所述节点的权重。
本公开实施例中，获取栅格地图中的节点与障碍物的距离、节点到全局路径的距离、节点到车道边界的距离，并获取所述节点与障碍物的距离对应的子权重、所述节点到全局路径的距离对应的子权重、所述节点到车道边界的距离对应的子权重，其中，所有子权重均为预先设置好的固定值。按照所述子权重对上述的获取到的距离进行加权求和，将得到的值作为该节点的权重。
本公开实施例，分别设置了节点与障碍物的距离对应的子权重、所述节点到全局路径的距离对应的子权重、所述节点到车道边界的距离对应的子权重，使得节点权重的计算中考虑了多种因素，从而保证了最终的规划出的路径包含了对多个目标的优化。
在一个实施例中，所述栅格地图中的节点与障碍物的距离及对应的子权重被设置为负数，所述节点到所述全局路径的距离及对应的子权重被设置为正数，所述节点到车道边界的距离被设置为负数。
本公开实施例中，在设置子权重时，将所述栅格地图中的节点与障碍物的距离及对应的子权重设置为负数，所述节点到所述全局路径的距离及对应的子权重设置为正数，所述节点到车道边界的距离设置为负数。
本公开实施例，通过对多个子权重的正负的设置，保证了最终的节点权重值越小该节点被选择的可能性越高，从而使得最终的路径在尽可能靠近全局路径的同时远离障碍物和车道边界。
在一个实施例中，根据所述栅格地图中多个所述节点的权重，确定所述局部车道对应的局部路径，包括：
确定所述局部车道上多个初始局部路径，所述初始局部路径为多个节点的连接路径；
获取所述多个初始局部路径中每个初始局部路径对应的总权重，所述总权重为初始路劲上所有节点的权重的和；
从多个所述总权重中，确定最小的总权重对应的初始局部路径作为局部路径。
本公开实施例中，在确定局部路径时，根据局部路径的起点和终点，确定多条局部车道中的初始局部路径，其中，每条路径上的相邻接点均存在连接关系。将每条初始局部路径上所有节点的权重相加得到的总权重作为每条初始局部路径的总权重，将最小的总权重对应的初始局部路径作为最终确定的局部路径。
本公开实施例，在获取到节点对应的权重之后，还需要确定多条路径，从多条路径中按照节点的权重确定最优的一条路径作为最终的局部路径。本公开实施例能够使最终获取到的局部路径为所有可行的路径中最优的一条，在路径准确的同时保证了路径最优。
在一个实施例中，在根据所述栅格地图中多个所述节点的权重，确定所述局部车道对应的局部路径，之后还包括：
确定所述局部路径中多个锚点；
根据所述多个锚点对所述局部路径进行轨迹平滑，得到优化后的局部路径。本公开实施例中，在获取到规划出的局部路径之后，对规划出的局部路径进行了轨迹平滑处理。在进行轨迹平滑处理时，首先需要在局部路径中等间距提取多个离散的锚点，然后通过对锚点进行处理实现轨迹平滑。在具体的轨迹平滑的操作中，通常包括但不限于以下几个方法：对相邻的锚点添加等式约束，通常为两个锚点间用一个多项式拟合函数来表示平滑后的曲线，具体的多项式函数可以根据实际场景需求进行设置和选择，如相连两个多项式函数在接点出x，y值得相同，朝向得相同等；添加不等式约束，根据不同的场景可以选择不同的不等式对轨迹进行约束，如多项式拟合曲线可在每个锚点的[-bound，bound]间微调(即-bound<＝x<＝bound,-bound<＝y<＝bound)或多项式曲线的曲率不得超过车辆最大的转弯半径；添加优化目标函数，通过优化目标函数对路径进行优化，具体的优化目标可根据实际场景进行选择，在一个示例中，优化目标可以选择距离锚点的偏离程度、轨迹横向变化的一阶导数和二阶导数，其中这三个目标的权重分配可以设置为3:1:2，可以理解的是，这三个权重也可根据具体场景进行调整；利用QP对多段多项式函数进行拟合实现对局部路径的平滑处理，其中，可根据实际场景选择合适的QP的开源库进行轨迹平滑，如qpOASES、OSQP等。
本公开实施例，对获取到的局部路径进行轨迹平滑的处理，使得最终规划出的路径更为平滑，更加适用于自动驾驶的场景需求。
在一个实施例中，在根据所述栅格地图中多个所述节点的权重，确定所述局部车道对应的局部路径，之后还包括：
获取当前车速及所述局部路径的分段路径对应的预设加加速度；
根据所述预设加加速度，确定所述分段路径对应的目标行驶速度；
将所述当前车速调整为所述目标行驶速度。
本公开实施例中，将规划出的局部路径进行分段得到多段分段路径，此时，按照车辆行驶的规律，通常可将每段分段路径中的加加速度设置为一恒定值，并确定每段分段路径的加加速度，通常设置每段分段路径的加速度相等且为一正数。根据每段分段路径的加加速度确定每段分段路径中每个点对应的目标速度，将每个点的车辆的速度调整为目标速度。在一个示例中，设置有理想速度，当车辆的速度达到理想速度时，保持车辆按照理想速度继续行驶，不再继续加速。
本公开实施例，在确定了局部路径之后，还需要对路径添加对应的动态信息，即速度信息，使得上述公开实施例中规划出的路径能够适用于自动驾驶，同时对分段路径的加加速度的设置能够保证车辆加速时的舒适性。
在一个实施例中，根据所述预设加加速度，确定所述分段路径对应的目标行驶速度，包括：
当检测到障碍物位于预设距离范围以内的时候，下调所述预设加加速度；
根据下调后的预设加加速度，确定所述分段路径对应的目标行驶速度。
本公开实施例中，在车辆未达到理想速度时，每段分段路径的加加速度为一预设值，当在预设的距离范围内检测到障碍物时，此时需要将对应的分段路径的加加速度进行下调，通常下调为一负数。根据下调后的加加速度确定目标速度，使车辆按照下调后的目标速度进行行驶。在一个示例中，当车辆达到理想速度后，在预设的距离范围内检测到障碍物时，会设置对应分段路径中的加速度为一负值，使车辆减速行驶，经过障碍物后，重新加速至理想速度。在一个示例中，预设的距离范围通常为根据实际情况进行调整，要考虑车与车之间的安全距离、在减速这段时间内车辆行驶的距离以及车辆在发现障碍物时进行减速时所需的时间，所以预设的距离范围通常为车辆根据实际速度进行减速到一定速度所行驶的距离和车辆之间的安全距离。
本公开实施例，对车辆在行驶过程中遇到障碍物时的速度进行了限制，保证了自动驾驶的安全性和舒适性。
图3是根据一示例性实施例示出的一种路径规划的方法的流程示意图，参考图3所示，获取高精地图信息(即路网信息)、感知模块提供的障碍物信息以及初步规划的全局路径，将获取到的高精地图离散化为栅格地图，即将高精地图中的每条车道分割成不同的节点：纵向采样n个点，每个纵向点再横向采样m个点。纵向划分的间距不宜太小，不然映射成的栅格地图中包含的节点过多，很影响D*算法的效率，也不宜太大，不然后期平滑过后的轨迹可能与原轨迹偏差较多，在一个示例中，可以设置纵向划分间距为10m，横向间距划分为车道宽度除以m个点，将m*n个点作为节点，按照节点之间的连接关系构建节点图，其中，若相邻节点原先属于同一车道，则按照分割的先后顺序将其前后相连；若相邻节点属于不同车道，则依据所属车道之间是否可以进行换道的关系来建立它们的连接关系。构建的节点图即为离散而成的栅格地图。
在栅格地图中，采用D*算法进行局部路径的规划，D*算法采用的是反向搜索的策略，即从终点以迭代的方式搜索出到栅格地图上每个点的最优路径，当搜索到起点时，算法结束输出最优路径。其中，本公开实施例中，D*的优化目标函数被设置为cost＝w1*f(obstacle)+w2*f(central deviation)+w3*f(boundary deviation)，cost表示优化函数值，cost越小表示轨迹越好。f(obstacle)是计算生成轨迹中每个节点到临近障碍物平均距离的函数，f(central deviation)表示轨迹中每个节点到全局路径的平均距离，f(boundary deviation)表示轨迹中每个节点到车道边界的距离。w1、w2和w3分别表示每个函数所占的权重；w1和w3为负，w2为正，表示规划出的轨迹应该尽量贴合全局路径的同时能够与障碍物和车道左右边界线保持一定距离。
在一个示例中，如图4所示，规划出局部路径之后，对规划后的路径进行轨迹平滑处理，使路径能够适用于自动驾驶场景。
在一个示例中，如图5所示，最后对平滑后的路径添加动态信息，将平滑后的轨迹分为等间距的多段，在一个示例中，间距可以为10m。在速度达到理想速度前(根据自动驾驶场景设定的预期速度，例如巡航速度)，假设在每段里速度变化遵循的加加速度恒定；依据周围是否存在障碍物，来调整每段的加加速度正负。若周围存在障碍物，则加加速度取-1，否则在达到理想速度前加加速度取1。这样确保了在当前车道无障碍物的情况下，车子的速度能够以较平滑的方式增长到理想速度，然后维持住。若当前车道存在障碍物，则以减速的方式绕过障碍物继续通行；由于每段轨迹的长度是定长且加加速度恒定，所以可以对每段轨迹再进行更细粒度的离散化，并反向推算出离散化后每个点的相对时刻以及加速度信息；再通过每个点的相对时刻和加速度信息反向推出速度信息，最终得到包含动态信息的路径，输出为最终的规划路径。
应该理解的是，虽然附图中的流程图的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，附图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本公开实施例还提供了一种用于实现上述所涉及的路径规划的方法的路径规划的装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个路径规划的装置实施例中的具体限定可以参见上文中对于路径规划的方法的限定，在此不再赘述。
在一个实施例中，如图6所示，提供了一种路径规划的装置，包括：
获取模块，用于获取局部车道对应的栅格地图、初始位置到目标位置的全局路径，所述栅格地图为通过对高精地图中的车道进行等间距切割获得；
权重确定模块，用于根据栅格地图中的节点与障碍物的距离、所述节点到所述全局路径的距离、所述节点到车道边界的距离，确定所述节点的权重；
路径确定模块，用于根据所述栅格地图中多个所述节点的权重，确定所述局部车道对应的局部路径。
上述路径规划的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储路径规划的地图和路径规划过程中产生的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种路径规划的方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本公开实施例方案相关的部分结构的框图，并不构成对本公开实施例方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本公开实施例所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本公开实施例所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本公开实施例所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本公开实施例所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本公开实施例的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本公开实施例专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本公开实施例构思的前提下，还可以做出若干变形和改进，这些都属于本公开实施例的保护范围。因此，本公开实施例的保护范围应以所附权利要求为准。
Claims (10)
1.一种路径规划的方法，其特征在于，包括：
获取局部车道对应的栅格地图、初始位置到目标位置的全局路径，所述栅格地图为通过对高精地图中的车道进行等间距切割获得；
根据栅格地图中的节点与障碍物的距离、所述节点到所述全局路径的距离、所述节点到车道边界的距离，确定所述节点的权重；
根据所述栅格地图中多个所述节点的权重，确定所述局部车道对应的局部路径。
2.根据权利要求1所述的方法，其特征在于，所述栅格地图为通过对高精地图中的车道进行等间距切割获得，包括：
获取高精地图；
对所述高精地图中的车道在横向和纵向方向进行等间距的切割，得到初始栅格地图；
根据车道边界的虚实线，确定所述初始栅格地图中节点是否连接，得到栅格地图，其中，当车道边界为虚线时，位于所述车道边界两侧的节点为连接，当车道边界为实线时，位于所述车道边界两侧的节点为不连接。
3.根据权利要求1所述的方法，其特征在于，所述根据栅格地图中的节点与障碍物的距离、所述节点到所述全局路径的距离、所述节点到车道边界的距离，确定所述节点的权重，包括：
获取所述栅格地图中的节点与障碍物的距离及对应的子权重、所述节点到所述全局路径的距离及对应的子权重、所述节点到车道边界的距离及对应的子权重；
对所述节点与障碍物的距离、所述节点到所述全局路径的距离、所述节点到车道边界的距离进行加权求和，得到所述节点的权重。
4.根据权利要求1所述的方法，其特征在于，所述根据所述栅格地图中多个所述节点的权重，确定所述局部车道对应的局部路径，包括：
确定所述局部车道上多个初始局部路径，所述初始局部路径为多个节点的连接路径；
获取所述多个初始局部路径中每个初始局部路径对应的总权重，所述总权重为初始路劲上所有节点的权重的和；
从多个所述总权重中，确定最小的总权重对应的初始局部路径作为局部路径。
5.根据权利要求1所述的方法，其特征在于，在所述根据所述栅格地图中多个所述节点的权重，确定所述局部车道对应的局部路径，之后还包括：
获取当前车速及所述局部路径的分段路径对应的预设加加速度；
根据所述预设加加速度，确定所述分段路径对应的目标行驶速度；
将所述当前车速调整为所述目标行驶速度。
6.根据权利要求5所述的方法，其特征在于，所述根据所述预设加加速度，确定所述分段路径对应的目标行驶速度，包括：
当检测到障碍物位于预设距离范围以内的时候，下调所述预设加加速度；
根据下调后的预设加加速度，确定所述分段路径对应的目标行驶速度。
7.一种路径规划的装置，其特征在于，所述装置包括：
获取模块，用于获取局部车道对应的栅格地图、初始位置到目标位置的全局路径，所述栅格地图为通过对高精地图中的车道进行等间距切割获得；
权重确定模块，用于根据栅格地图中的节点与障碍物的距离、所述节点到所述全局路径的距离、所述节点到车道边界的距离，确定所述节点的权重；
路径确定模块，用于根据所述栅格地图中多个所述节点的权重，确定所述局部车道对应的局部路径。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的路径规划的方法的步骤。
9.一种计算机可读存储介质，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至6中任一项所述的路径规划的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的路径规划的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111582014.5A CN114355909A (zh) | 2021-12-22 | 2021-12-22 | 一种路径规划的方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111582014.5A CN114355909A (zh) | 2021-12-22 | 2021-12-22 | 一种路径规划的方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114355909A true CN114355909A (zh) | 2022-04-15 |
Family
ID=81100709
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111582014.5A Pending CN114355909A (zh) | 2021-12-22 | 2021-12-22 | 一种路径规划的方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114355909A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115542953A (zh) * | 2022-12-05 | 2022-12-30 | 广东电网有限责任公司东莞供电局 | 一种基于无人机的巡检方法、装置、设备以及介质 |
| CN116164769A (zh) * | 2023-04-21 | 2023-05-26 | 北京路凯智行科技有限公司 | 矿用无人驾驶车辆的路径规划方法和矿用无人驾驶车辆 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109000678A (zh) * | 2018-08-23 | 2018-12-14 | 武汉中海庭数据技术有限公司 | 基于高精度地图的驾驶辅助装置及方法 |
| CN109945873A (zh) * | 2019-04-04 | 2019-06-28 | 东南大学 | 一种用于室内移动机器人运动控制的混合路径规划方法 |
| CN111610788A (zh) * | 2020-06-13 | 2020-09-01 | 大连海事大学 | 一种分级模糊-人工势场路径规划的方法 |
| CN111857160A (zh) * | 2020-08-17 | 2020-10-30 | 武汉中海庭数据技术有限公司 | 一种无人车路径规划方法和装置 |
| US20210064040A1 (en) * | 2019-08-30 | 2021-03-04 | Peyman Yadmellat | System and method for predictive path planning in autonomous vehicles |
| CN112651535A (zh) * | 2019-10-10 | 2021-04-13 | 北京京东尚科信息技术有限公司 | 局部路径规划方法、装置、存储介质、电子设备及车辆 |
| CN112947406A (zh) * | 2021-01-14 | 2021-06-11 | 华南理工大学 | 一种基于FLOYD和Astar的混合路径规划方法 |
| CN113156886A (zh) * | 2021-04-30 | 2021-07-23 | 南京理工大学 | 一种智能物流路径规划方法及系统 |
| CN113341984A (zh) * | 2021-06-15 | 2021-09-03 | 桂林电子科技大学 | 基于改进rrt算法的机器人路径规划方法和装置 |
| CN113495566A (zh) * | 2021-08-21 | 2021-10-12 | 福州大学 | 一种基于曲率约束融合势场法的D*Lite无人车局部路径规划方法 |
| CN113821029A (zh) * | 2021-08-31 | 2021-12-21 | 南京天溯自动化控制系统有限公司 | 一种路径规划方法、装置、设备及存储介质 |
-
2021
- 2021-12-22 CN CN202111582014.5A patent/CN114355909A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109000678A (zh) * | 2018-08-23 | 2018-12-14 | 武汉中海庭数据技术有限公司 | 基于高精度地图的驾驶辅助装置及方法 |
| CN109945873A (zh) * | 2019-04-04 | 2019-06-28 | 东南大学 | 一种用于室内移动机器人运动控制的混合路径规划方法 |
| US20210064040A1 (en) * | 2019-08-30 | 2021-03-04 | Peyman Yadmellat | System and method for predictive path planning in autonomous vehicles |
| CN112651535A (zh) * | 2019-10-10 | 2021-04-13 | 北京京东尚科信息技术有限公司 | 局部路径规划方法、装置、存储介质、电子设备及车辆 |
| CN111610788A (zh) * | 2020-06-13 | 2020-09-01 | 大连海事大学 | 一种分级模糊-人工势场路径规划的方法 |
| CN111857160A (zh) * | 2020-08-17 | 2020-10-30 | 武汉中海庭数据技术有限公司 | 一种无人车路径规划方法和装置 |
| CN112947406A (zh) * | 2021-01-14 | 2021-06-11 | 华南理工大学 | 一种基于FLOYD和Astar的混合路径规划方法 |
| CN113156886A (zh) * | 2021-04-30 | 2021-07-23 | 南京理工大学 | 一种智能物流路径规划方法及系统 |
| CN113341984A (zh) * | 2021-06-15 | 2021-09-03 | 桂林电子科技大学 | 基于改进rrt算法的机器人路径规划方法和装置 |
| CN113495566A (zh) * | 2021-08-21 | 2021-10-12 | 福州大学 | 一种基于曲率约束融合势场法的D*Lite无人车局部路径规划方法 |
| CN113821029A (zh) * | 2021-08-31 | 2021-12-21 | 南京天溯自动化控制系统有限公司 | 一种路径规划方法、装置、设备及存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115542953A (zh) * | 2022-12-05 | 2022-12-30 | 广东电网有限责任公司东莞供电局 | 一种基于无人机的巡检方法、装置、设备以及介质 |
| CN115542953B (zh) * | 2022-12-05 | 2023-03-24 | 广东电网有限责任公司东莞供电局 | 一种基于无人机的巡检方法、装置、设备以及介质 |
| CN116164769A (zh) * | 2023-04-21 | 2023-05-26 | 北京路凯智行科技有限公司 | 矿用无人驾驶车辆的路径规划方法和矿用无人驾驶车辆 |
| CN116164769B (zh) * | 2023-04-21 | 2023-08-22 | 北京路凯智行科技有限公司 | 矿用无人驾驶车辆的路径规划方法和矿用无人驾驶车辆 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111426330B (zh) | 路径生成方法和设备、无人化运输系统和存储介质 | |
| CN108519094B (zh) | 局部路径规划方法及云处理端 | |
| CN114355909A (zh) | 一种路径规划的方法、装置、计算机设备和存储介质 | |
| CN112444263B (zh) | 全局路径规划方法及装置 | |
| CN111338360B (zh) | 一种规划车辆行驶状态的方法及装置 | |
| CN109885058B (zh) | 行车轨迹规划方法、装置、电子设备及存储介质 | |
| CN109115220B (zh) | 一种用于停车场系统路径规划的方法 | |
| CN107091648A (zh) | 一种激光雷达与差分gps的数据融合方法及系统 | |
| CN113252027B (zh) | 井下无人驾驶车辆局部路径规划方法、装置、设备及存储介质 | |
| CN112629533A (zh) | 基于路网栅格化道路车流预测的精细化路径规划方法 | |
| CN113415288B (zh) | 分段式纵向车速规划方法、装置、设备及存储介质 | |
| CN113747364B (zh) | 一种基于5g网络的智能交通导航方法、设备及介质 | |
| De Nunzio et al. | Bi-objective eco-routing in large urban road networks | |
| Liu et al. | A novel method for predicting vehicle state in internet of vehicles | |
| CN116295473A (zh) | 无人车路径规划方法、装置、设备及存储介质 | |
| CN113515111A (zh) | 一种车辆避障路径规划方法及装置 | |
| Naghshvar et al. | Risk-averse behavior planning for autonomous driving under uncertainty | |
| CN115230688B (zh) | 障碍物轨迹预测方法、系统和计算机可读存储介质 | |
| CN114117944B (zh) | 一种模型更新方法、装置、设备及可读存储介质 | |
| CN115454082A (zh) | 车辆避障方法及系统、计算机可读存储介质和电子设备 | |
| CN111231977B (zh) | 一种车辆速度的确定方法、装置、车辆及存储介质 | |
| CN114200917A (zh) | 一种车辆换道控制方法及装置 | |
| Qiao et al. | Lane change control of autonomous vehicle with real-time rerouting function | |
| CN115892076B (zh) | 车道障碍物筛选方法、装置和域控制器 | |
| CN113778102B (zh) | Avp全局路径规划系统、方法、车辆及存储介质 |
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 |