CN114545940A - 一种无人设备的控制方法、装置及电子设备 - Google Patents
一种无人设备的控制方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114545940A CN114545940A CN202210157256.8A CN202210157256A CN114545940A CN 114545940 A CN114545940 A CN 114545940A CN 202210157256 A CN202210157256 A CN 202210157256A CN 114545940 A CN114545940 A CN 114545940A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- error
- expansion
- outline
- sub
- 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 63
- 230000004888 barrier function Effects 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008447 perception Effects 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 230000009897 systematic effect Effects 0.000 claims description 7
- 230000010339 dilation Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 14
- 230000006872 improvement Effects 0.000 description 9
- 230000033001 locomotion Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000017105 transposition 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
-
- 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
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
Abstract
本说明书公开了一种无人设备的控制方法、装置及电子设备,本说明书实施例根据无人设备的驾驶系统的系统误差,确定出障碍物的膨胀距离,同时,根据障碍物当前的初始规划路径与障碍物之间的相对位置,确定障碍物的轮廓的膨胀方向。然后,根据膨胀方向和膨胀距离,对障碍物的轮廓进行膨胀,并基于膨胀后的轮廓,对初始规划路径进行调整。按照调整后的规划路径,控制无人设备进行行驶。此方法中,将障碍物的轮廓安装一定方向和距离进行膨胀,使用于规划无人设备的行驶路径的可通行区域变小,这样,可以减小调整初始规划路径的幅度,从而减小无人设备更换行驶路径的频率。
Description
技术领域
本说明书涉及无人驾驶领域,尤其涉及一种无人设备的控制方法、装置及电子设备。
背景技术
在无人驾驶领域中,无人设备的自动驾驶涉及各种系统的协作,最终由控制系统控制无人设备进行安全行驶。各种系统可以包括:感知系统、定位系统、预测系统、规划系统、控制系统等。其中,感知系统用于感知无人设备周围的障碍物的位置,定位系统用于定位无人设备自身的位置,预测系统用于预测障碍物的未来运动路径,规划系统用于规划无人设备自身的运动路径,控制系统用于控制无人设备按照无人设备规划的运动路径进行运动。
以规划系统为例,规划系统在规划无人设备的路径时,规划系统周期性整合定位系统、感知系统、预测系统等各系统所得到的数据,并基于各系统所得到的数据,为无人设备规划每个周期所对应的运动路径。
然而,定位系统、感知系统、预测系统等各系统在得到各系统对应的数据时,由于各系统本身存在一定的误差,这导致规划系统每个周期所规划出的运动路径存在较大的偏差,从而使无人设备在行驶过程中频繁变换运动轨迹。因此,如何减小规划系统每个周期所规划出的运动路径之间的偏差,是一个亟需解决的问题。
发明内容
本说明书实施例提供一种无人设备的控制方法、装置及电子设备,以至少部分解决上述现有技术存在的问题。
本说明书实施例采用下述技术方案:
本说明书提供的一种无人设备的控制方法,包括:
获取无人设备当前对应的初始规划路径以及所述无人设备所使用的驾驶系统的系统误差;
根据所述初始规划路径与所述无人设备预设范围内的障碍物之间的相对位置,确定所述障碍物的轮廓的膨胀方向;
根据所述系统误差,确定所述障碍物的轮廓对应的膨胀距离,其中,所述系统误差越大,所述膨胀距离也越大;
根据所述膨胀距离以及所述膨胀方向,对所述障碍物的轮廓进行膨胀,得到所述障碍物膨胀后的轮廓;
根据所述障碍物膨胀后的轮廓,对所述初始规划路径进行调整,得到调整后规划路径,并按照所述调整后规划路径,控制所述无人设备进行行驶。
可选地,所述驾驶系统包括:感知系统、定位系统、预测系统、控制系统中的至少一个;
所述感知系统的系统误差为感知误差,所述感知误差是指所述感知系统所感知的所述障碍物的位置与所述障碍物的实际位置之间的误差;
所述定位系统的系统误差为定位误差,所述定位误差是指所述定位系统所确定的所述无人设备的定位位置与所述无人设备的实际位置之间的误差;
所述预测系统的系统误差为预测误差,所述预测误差是指所述预测系统预测出的所述障碍物的轨迹位置与所述障碍物的实际位置之间的误差;
所述控制系统的系统误差为控制误差,所述控制误差是指所述控制系统控制所述无人设备应到达的目标位置与所述无人设备的定位位置之间的误差。
可选地,根据所述初始规划路径与所述无人设备预设范围内的障碍物之间的相对位置,确定所述障碍物的轮廓的膨胀方向,包括:
基于所述障碍物的轮廓上的边,对所述障碍物周围的区域进行划分,得到多个子区域;其中,一个子区域对应所述轮廓上的一个边;
根据所述初始规划路径的位置以及所述多个子区域的区域位置,从所述多个子区域中确定出未覆盖至少部分所述初始规划路径的子区域,作为目标子区域;
将所述目标子区域对应的边远离所述障碍物的几何中心的方向,作为所述障碍物的轮廓的膨胀方向。
可选地,基于所述障碍物的轮廓上的边,对所述障碍物周围的区域进行划分,得到多个子区域,具体包括:
针对所述障碍物的轮廓上的每个边,确定所述障碍物的几何中心与该边的端点之间的连线,作为该边对应的连线;
将所述每个边对应的连线的延长线与所述障碍物所处的道路区域的道路边界相交所围成的多个区域,作为多个子区域。
可选地,根据所述系统误差,确定所述障碍物的轮廓对应的膨胀距离,包括:
将所述系统误差输入预先训练的预测模型中,以使所述预测模型根据所述系统误差与所述预测模型训练过程中所使用的样本误差之间的回归关系,预测出所述障碍物对应的膨胀距离。
可选地,在将所述系统误差输入预先训练的预测模型中之前,所述方法还包括:
获取历史上所述无人设备所使用的驾驶系统的系统误差,作为样本误差;
将每个样本误差输入待训练的预测模型中,以使所述预测模型根据每个样本误差之间的回归关系,预测出历史障碍物的轮廓对应的待优化膨胀距离;
以所述待优化膨胀距离与所述历史障碍物的轮廓对应的真实膨胀距离之间的差异最小化为目标,对所述预测模型进行训练。
可选地,根据所述系统误差,确定所述障碍物的轮廓对应的膨胀距离,包括:
根据所述系统误差,确定所述障碍物的轮廓对应的初始膨胀距离区间;
将所述初始膨胀距离区间进行等间隔划分,得到多个子距离区间;
通过所述无人设备对应的仿真系统,针对每个子距离区间,根据所述障碍物膨胀该子距离区间对应的膨胀距离后所调整的行驶路径,对该子距离区间对应的膨胀距离进行评估,得到该子距离区间对应的评估结果;
根据每个子距离区间对应的评估结果,从所述初始膨胀距离区间中选择出所述障碍物的轮廓对应的膨胀距离。
本说明书提供的一种无人设备控制的装置,包括:
获取模块,用于获取无人设备当前对应的初始规划路径以及所述无人设备所使用的驾驶系统的系统误差;
第一确定模块,用于根据所述初始规划路径与所述无人设备预设范围内的障碍物之间的相对位置,确定所述障碍物的轮廓的膨胀方向;
第二确定模块,根据所述系统误差,确定所述障碍物的轮廓对应的膨胀距离,其中,所述系统误差越大,所述膨胀距离也越大;
膨胀模块,用于根据所述膨胀距离以及所述膨胀方向,对所述障碍物的轮廓进行膨胀,得到所述障碍物膨胀后的轮廓;
控制模块,用于根据所述障碍物膨胀后的轮廓,对所述初始规划路径进行调整,得到调整后规划路径,并按照所述调整后规划路径,控制所述无人设备进行行驶。
本说明书提供的一种计算机可读存储介质,所述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上述的无人设备的控制方法。
本说明书提供的一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的无人设备的控制方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
本说明书实施例根据无人设备的驾驶系统的系统误差,确定出障碍物的膨胀距离,同时,根据障碍物当前的初始规划路径与障碍物之间的相对位置,确定障碍物的轮廓的膨胀方向。然后,根据膨胀方向和膨胀距离,对障碍物的轮廓进行膨胀,并基于膨胀后的轮廓,对初始规划路径进行调整。按照调整后的路径,控制无人设备进行行驶。此方法中,将障碍物的轮廓安装一定方向和距离进行膨胀,使用于规划无人设备的行驶路径的可通行区域变小,这样,可以减小调整初始规划路径的幅度,从而减小无人设备更换行驶路径的频率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1a~图1b为现有技术提供的第一周期和第二周期所规划的路径的示意图;
图2为本说明书实施例提供的无人设备的控制流程示意图;
图3为本说明书实施例提供的初始规划路径与障碍物的相对位置的示意图;
图4a~图4b为本说明书实施例提供的区域划分的示意图;
图5本说明书实施例提供的障碍物的轮廓膨胀后的示意图;
图6本说明书实施例提供的初始规划路径调整后的示意图;
图7为本说明书实施例提供的无人设备控制的装置结构示意图;
图8为本说明书实施例提供的电子设备的结构示意图。
具体实施方式
在现有技术中,由于无人设备的驾驶系统中各系统本身的系统误差、系统计算能力有限、无人设备周围环境的不稳定等原因,驾驶系统中各系统需要确定无人设备周围的障碍物的相关信息以及为无人设备周期性规划行驶路径。其中,周期性规划行驶路径是指无人设备实时规划无人设备未来一定时长内的行驶路径。
以规划系统为例,规划系统在对无人设备未来的路径进行规划时,需要整合驾驶系统中的其他系统所得到的数据。其中,其他系统可以包括:感知系统、定位系统、预测系统、地图系统、控制系统等。地图系统用于确定障碍物和无人设备分别位于地图中的位置。
由于驾驶系统中其他系统本身的系统误差,导致其他系统所得到的数据存在误差,这样,规划系统规划无人设备的行驶路径时自然会存在一定的误差。又由于规划系统需要周期性规划无人设备的行驶路径且每个周期规划路径时会存在一定的误差,那么,规划系统在每个周期中相同时间段所规划出的行驶路径可能存在较大的差异。因为规划系统每个周期对于未来相同时间段所规划出的行驶路径可能存在较大差异,这导致无人设备实际行驶过程中会频繁更换行驶轨迹,使无人设备产生猛打方向盘的现象。
以规划系统的第一周期和第二周期所规划的路径为例,图1a为现有技术提供的第一周期所规划出的行驶路径。图1b为现有技术提供的第二周期所规划出的行驶路径。其中,一个周期以20s为例,即,一个周期可以指当前时刻到未来20s的时间段。
在图1a~图1b中,在道路边界内有无人设备、障碍物A、障碍物B以及无人设备规划的行驶路径。在图1a中,无人设备规划的行驶路径位于障碍物A与道路边界之间,这是规划系统第一周期为无人设备所规划出的行驶路径。由于驾驶系统本身的误差,导致第二周期为无人设备所规划出的行驶路径与第一周期所规划出的行驶路径存在较大的偏差,如图1b所示。在图1b中,无人设备规划出的行驶路径位于障碍物A和障碍物B之间的位置。
现有技术中,由驾驶系统中各系统本身的系统误差容易导致规划系统每个周期所规划出的行驶路径存在较大偏差,而规划路径最基础的条件是在无人设备能够安全通行的区域内进行路径规划。所以,为了减少每个周期规划的行驶路径存在较大偏差的问题,本说明书中对无人设备可通行的区域进行压缩,即,对障碍物的轮廓进行膨胀,以此减少当前周期规划的路径在上一周期规划的路径基础上发生突变的可能性。
所以,本说明书提供的无人设备的控制方法旨在对障碍物的轮廓进行定向膨胀,以此压缩无人设备的可行驶区域。
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图2为本说明书实施例提供的无人设备的控制流程示意图,包括:
S200:获取无人设备当前对应的初始规划路径以及所述无人设备所使用的驾驶系统的系统误差。
在本说明书实施例中,无人设备的驾驶系统可以包括感知系统、定位系统、预测系统、规划系统、控制系统、地图系统等各系统。并且,驾驶系统中各系统对应各自的系统误差。比如:感知系统的系统误差为感知误差,感知误差是指感知系统所感知的障碍物的位置与障碍物的实际位置之间的误差。定位系统的系统误差为定位误差,定位误差是指定位系统所确定的无人设备的定位位置与无人设备的实际位置之间的误差。预测系统的系统误差为预测误差,预测误差是指预测系统预测出的障碍物的轨迹位置与障碍物的实际位置之间的误差。控制系统的系统误差为控制误差,控制误差是指控制系统控制无人设备应到达的目标位置与无人设备的定位位置之间的误差。
在本说明书实施例中,可以通过无人设备的驾驶系统中的规划系统获取无人设备当前对应的初始规划路径。其中,无人设备当前对应的初始规划路径是规划系统上一时刻所规划出的行驶路径中的至少部分行驶路径。
同时,可以通过所述无人设备所使用的驾驶系统,获取驾驶系统中至少一个系统的系统误差。
需要说明的是,本说明书中的无人设备可以是无人车和无人机,所述的无人设备可用于物流配送领域,既包括外卖、配送等即时配送领域,也包括其他非即时配送领域。无人设备也可以应用于载人业务中。另外,图2所示的无人设备的控制方法应用于无人设备,也可以应用于控制无人设备的服务器。
S202:根据所述初始规划路径与所述无人设备预设范围内的障碍物之间的相对位置,确定所述障碍物的轮廓的膨胀方向。
在本说明书实施例中,需要对当前无人设备的可行驶区域进行压缩,也就是,对障碍物的轮廓进行定向膨胀。这样,可以减小当前规划出的行驶路径与初始规划路径之间的差异较大的问题。其中,障碍物可以是除无人设备自身之外的物体,可以是有人驾驶车辆、行人、静态物等。
在感知系统中,可以通过传感器采集无人设备预设范围内的障碍物数据,其中,障碍物数据的数据类型可以包括图像数据、点云数据。然后,根据传感器采集的图像数据和/或点云数据,确定障碍物以及障碍物的轮廓。其中,障碍物的轮廓可以是障碍物投影至地面所形成的多边形。
具体的,可以通过激光雷达采集无人设备预设范围内的障碍物的点云数据,可以根据每个点云点的位置,对采集到的点云数据进行聚类,得到多个聚类簇。其中,每个聚类簇可以表示一个障碍物。然后,针对每个聚类簇,确定该聚类簇对应的外围点云点,并将该聚类簇对应的外围点云点投影至地面平面,确定该聚类簇对应的轮廓。也就是,确定障碍物的轮廓。
另外,还可以通过视觉传感器采集无人设备预设范围内的障碍物的图像数据。其中,障碍物的图像数据可以是障碍物相对于地面的俯视图像数据。然后,对采集到的图像数据进行图像识别,识别出图像中的障碍物。然后,根据图像中各障碍物的像素点,提取各障碍物的轮廓。
其中,障碍物的轮廓可以是障碍物本身投影至地面的障碍物的外形轮廓,也可以是采用多边形提取框提取的包含障碍物的最小多边形。
同时,可以根据无人设备的定位位置以及各障碍物对应的图像数据和/或点云数据,确定各障碍物当前的位置。然后,根据获取到的当前对应的初始规划路径与障碍物当前的位置之间的相对位置,确定障碍物的轮廓的膨胀方向。其中,初始规划路径与障碍物当前的位置之间的相对位置可以是指初始规划路径位于障碍物的哪个方位,比如:以无人设备的行驶方向为障碍物的前方,初始规划路径至少部分位于障碍物的左侧或初始规划路径至少部分位于障碍物的右侧。
具体的,可以根据当前无人设备的定位位置以及各障碍物相对无人设备的位置,确定无人设备当前位于地图中的位置以及各障碍物位于地图中的位置。其中,地图可以是高精地图。然后,根据无人设备当前位于地图中的位置以及各障碍物位于地图中的位置,在地图中标注无人设备所处的道路、无人设备当前对应的初始规划路径、无人设备的位置和轮廓、各障碍物的位置和轮廓。
这样,可以根据无人设备当前对应的初始规划路径以及各障碍物当前的位置,确定初始规划路径与各障碍物之间的相对位置。如图3所示。
在图3中,无人设备所处的道路中有无人设备、障碍物C、障碍物D以及无人设备当前对应的初始规划路径。初始规划路径位于障碍物C与道路边界之间,也就是,以无人设备的行驶方向为障碍物的前方,初始规划路径至少部分位于障碍物C的左侧。
在确定障碍物的轮廓的膨胀方向时,可以先基于障碍物的轮廓上的边,对障碍物周围的区域进行划分,得到多个子区域。其中,一个子区域对应障碍物的轮廓上的一个边。
具体的,针对障碍物的轮廓上的每个边,确定障碍物的几何中心与该边的端点之间的连线,作为该边对应的连线。然后,根据每个边对应的连线的延长线,对障碍物周围的区域进行划分,得到多个子区域。具体的,可以将每个边对应的连线的延长线与障碍物所处的道路区域的道路边界相交所围成的多个区域,作为多个子区域。其中,每个边对应的连线的延长线可以是指每个边对应的连线向障碍物的轮廓外侧延长所得到的延长线。如图4a所示。
在图4a中,障碍物C和障碍物D的轮廓以矩形为例,障碍物的轮廓上的每个边对应的延长线用虚线表示,障碍物C对应的虚线将障碍物C周围的区域划分为四个子区域,同样,障碍物D对应的虚线将障碍物D周围的区域划分为四个子区域。
此外,除了根据障碍物的几何中心与该边的端点之间的连线将障碍物周围的区域划分为多个子区域之外,还可以根据障碍物的轮廓上的边向指定方向延伸的延长线,将障碍物周围的区域划分成多个子区域。如图4b所示。
在图4b中,将障碍物的轮廓上的边向一端延伸形成延长线,由虚线表示的延长线,将障碍物C和障碍物D周围的区域分别划分为四个子区域。
在将障碍物周围的区域划分为多个子区域之后,可以根据初始规划路径的位置以及多个子区域的区域位置,从多个子区域中确定出未覆盖至少部分初始规划路径的子区域,作为目标子区域。并将目标子区域对应的边远离障碍物的几何中心的方向,作为障碍物的轮廓的膨胀方向。
S204:根据所述系统误差,确定所述障碍物的轮廓对应的膨胀距离,其中,所述系统误差越大,所述膨胀距离也越大。
为了对障碍物的轮廓进行膨胀,不只需要确定障碍物的轮廓的膨胀方向,还要确定障碍物的轮廓的膨胀距离。而障碍物的轮廓的膨胀是为了减小驾驶系统的各系统的系统误差所造成的每个周期所规划的行驶路径之间的差异较大的问题,所以,障碍物的轮廓的膨胀距离应该与每个系统的系统误差相关。另外,为了避免所确定出的障碍物的轮廓对应的膨胀距离过大或过小,可以根据获取到的驾驶系统中至少一个系统的系统误差,确定障碍物的轮廓对应的膨胀距离。其中,系统误差越大,膨胀距离也越大。
在本说明书实施例中,可以通过回归模型,根据驾驶系统所涉及的系统误差,(确定)预测障碍物的膨胀距离。也可以通过网格搜索的方法,根据驾驶系统所涉及的系统误差,确定障碍物的膨胀距离。
第一种方法:采用回归模型。
具体的,将驾驶系统所涉及的系统误差输入预先训练的预测模型中,以使预测模型根据系统误差与预测模型训练过程中所使用的样本误差之间的回归关系,预测出障碍物对应的膨胀距离。其中,预测模型可以是回归模型,回归模型可以包括:线性回归模型、高斯过程回归模型等。
对预测模型进行训练:获取历史上无人设备所使用的驾驶系统的系统误差,作为样本误差。将每个样本误差输入待训练的预测模型中,以使预测模型根据预设的核函数,确定每个样本误差之间的回归关系,并基于回归关系,预测出历史障碍物的轮廓对应的待优化膨胀距离。以待优化膨胀距离与历史障碍物的轮廓对应的真实膨胀距离之间的差异最小化为目标,对预测模型进行训练。
其中,在对预测模型训练过程中,可以将历史上每个驾驶系统版本对应的系统误差作为样本误差。预设的核函数可以用于确定每个样本误差之间的相关性。
第二种方法:采用网格搜索。
具体的,根据驾驶系统所涉及的系统误差,确定障碍物的轮廓对应的初始膨胀距离区间。将初始膨胀距离区间进行等间隔划分,得到多个子距离区间。
通过无人设备对应的仿真系统,针对每个子距离区间,根据障碍物膨胀该子距离区间对应的膨胀距离后所调整的行驶路径,对该子距离区间对应的膨胀距离进行评估,得到该子距离区间对应的评估结果。其中,仿真系统是指模拟无人设备行驶环境并模拟无人设备按照无人设备规划出的行驶路径进行行驶的系统。调整的行驶路径可以是指通过仿真系统对初始规划路径进行调整后的规划路径。
根据每个子距离区间对应的评估结果,从初始膨胀距离区间中选择出障碍物的轮廓对应的膨胀距离。
对该子距离区间对应的膨胀距离进行评估时,可以根据障碍物膨胀该子距离区间对应的膨胀距离后所调整的行驶路径与初始规划路径之间的差异,对该子距离区间对应的膨胀距离进行评估。障碍物膨胀该子距离区间对应的膨胀距离后所调整的行驶路径与初始规划路径之间的差异越大,该子距离区间对应的评估结果越差。
在根据每个子距离区间对应的评估结果,从初始膨胀距离区间中选择出障碍物的轮廓对应的膨胀距离时,可以根据每个子距离区间对应的评估结果,从多个子距离区间中选择出评估结果最好的子距离区间,作为目标子距离区间。然后,根据目标子距离区间,确定障碍物的轮廓对应的膨胀距离。
进一步,可以确定目标子距离区间的平均距离,作为障碍物的轮廓对应的膨胀距离。也可以确定目标子距离区间的中间距离,作为障碍物的轮廓对应的膨胀距离。
此外,本说明书中的仿真系统还可以对调整后的行驶路径进行其他指标的评估,其中,其他指标可以包括:通行性、安全性、通畅性等。
针对安全性:通过仿真系统模拟无人设备按照调整后的行驶路径进行行驶时,根据无人设备周围的各障碍物与调整后的行驶路径之间的距离,确定调整后的行驶路径对应的安全系数,其中,无人设备距离各障碍物的平均距离越大,安全系数越高。
针对通行性:通过仿真系统模拟无人设备按照调整后的行驶路径进行行驶时,根据预设的终点位置,判断无人设备按照调整后的行驶路径进行行驶时是否能够到达终点。若能到达终点,确定调整后的行驶路径可通行。
针对通畅性:通过仿真系统模拟无人设备按照调整后的行驶路径进行行驶时,判断无人设备按照调整后的行驶路径进行行驶是否存在急刹行为。若不存在,确定调整后的行驶路径行驶通畅。
另外,无人设备对应的仿真系统可以应用于无人设备上,也可以应用于控制无人设备的服务器上。
此外,在采用预测模型预测出障碍物的轮廓对应的膨胀距离之后,为了提高膨胀距离的精度,可以根据预测模型预测出障碍物的轮廓对应的膨胀距离,确定出障碍物的轮廓对应的初始膨胀距离区间,然后,采用网格搜索的方法,重新确定出障碍物的轮廓对应的膨胀距离。
需要说明的是,步骤S202与步骤S204的执行顺序并未先后之分。
S206:根据所述膨胀距离以及所述膨胀方向,对所述障碍物的轮廓进行膨胀,得到所述障碍物膨胀后的轮廓。
在本说明书实施例中,根据膨胀距离以及膨胀方向,对障碍物的轮廓进行膨胀,得到障碍物膨胀后的轮廓。
具体的,将障碍物轮廓上处于膨胀方向的边,向远离障碍物的几何中心的方向膨胀对应的膨胀距离,得到障碍物膨胀后的轮廓。如图5所示。
在图5中,膨胀距离以2cm为例,障碍物C的轮廓上边有a、b、c、d。障碍物D的轮廓上边有e、f、g、h。障碍物C的轮廓上处于膨胀方向的边为c,障碍物D的轮廓上处于膨胀方向的边为g、h。所以,将c、g、h向远离障碍物的几何中心的方向膨胀2cm,得到障碍物C和障碍物D膨胀后的轮廓。其中,膨胀后的区域用点划线表示。
S208:根据所述障碍物膨胀后的轮廓,对所述初始规划路径进行调整,得到调整后规划路径,并按照所述调整后规划路径,控制所述无人设备进行行驶。
在本说明书实施例中,根据障碍物膨胀后的轮廓,对初始规划路径进行调整,得到调整后规划路径,并按照调整后规划路径,控制无人设备进行行驶。其中,调整后规划路径与初始规划路径之间的差异较小。调整可以包括:对初始规划路径中部分路径进行修改或将重新规划出路径作为调整后规划路径。
本说明书实施例中提供初始规划路径调整后的示意图,如图6所示。
另外,由于本说明书中是在将障碍物的轮廓膨胀后,对当前的初始规划路径进行调整,得到调整后规划路径。所以,当调整后规划路径与初始规划路径之间存在较大差异,可以确定调整后规划路径是相较于初始规划路径来说,调整后规划路径是比较优选的规划路径,长此以往,可以对无人设备规划的路径进行优化。
通过上述图2所示的方法可见,本说明书在根据无人设备的驾驶系统的系统误差,确定出障碍物的膨胀距离,同时,根据障碍物当前的初始规划路径与障碍物之间的相对位置,确定障碍物的轮廓的膨胀方向。然后,根据膨胀方向和膨胀距离,对障碍物的轮廓进行膨胀,并基于膨胀后的轮廓,对初始规划路径进行调整。按照调整后的路径,控制无人设备进行行驶。此方法中,将障碍物的轮廓安装一定方向和距离进行膨胀,使用于规划无人设备的行驶路径的可通行区域变小,这样,可以减小调整初始规划路径的幅度,从而减小无人设备更换行驶路径的频率。
进一步,在图2所示的步骤S204中,以预测模型为高斯过程回归模型、系统误差包括感知误差、定位误差、预测误差、控制误差为例,对高斯过程回归模型进行训练。
在获取无人设备所使用的历史版本的驾驶系统对应的系统误差,作为样本误差时,假设历史版本的驾驶系统的系统误差为:X=[x1,x2,…,xi]T,xi=[σi1,σi2,σi3,σi4]。其中,σi1、σi2、σi3、σi4分别是第i个历史版本的驾驶系统的感知误差、定位误差、预测误差和控制误差,[x1,x2,…,xi]T中的T表示转置。
而历史障碍物的轮廓对应的轮廓的真实膨胀距离为Y=[y1,y2,…,yi]T,yi=di。di为真实膨胀距离。
其中,高斯过程回归模型的核函数为平方指数核,为 其中,x和x′表示任意两个历史版本的驾驶系统对应的系统误差,τ表示超参数,τ满足大于零,可以自定义τ的取值。预测的膨胀距离的公式为:y=f(xi)+ξi。其中,ξi~N(0,σ2)为噪声矩阵,f(xi)表示高斯回归模型训练完成后所对应的回归关系函数。
在对预测模型训练完成之后,获取当前驾驶系统的系统误差。假设为X*={x*},x*=[σ*1,σ*2,σ*3,σ*4]。其中,σ*1、σ*2、σ*3、σ*4分别是当前驾驶系统的感知误差、定位误差、预测误差和控制误差。Y*=d*。d*为待预测的膨胀距离。
待预测的膨胀距离服从高斯分布Y*|x1,x*,y1~N(μ*,∑*)。μ*为均值,∑*为协方差矩阵。其中,μ*=KSE(X,X*)(KSE(X,X)+σ2I)-1y。∑*=KSE(X*,X*)-KSE(X*,X)(KSE(X,X)+σ2I)-1KSE(X,X*)。I表示单位矩阵。最后,在确定膨胀距离时,对高斯分布求极大似然估计。
以上为本说明书实施例提供的无人设备的控制方法,基于同样的思路,本说明书还提供了相应的装置、存储介质和电子设备。
图7为本说明书实施例提供的一种无人设备控制的装置的结构示意图,所述装置包括:
获取模块701,用于获取无人设备当前对应的初始规划路径以及所述无人设备所使用的驾驶系统的系统误差;
第一确定模块702,用于根据所述初始规划路径与所述无人设备预设范围内的障碍物之间的相对位置,确定所述障碍物的轮廓的膨胀方向;
第二确定模块703,根据所述系统误差,确定所述障碍物的轮廓对应的膨胀距离,其中,所述系统误差越大,所述膨胀距离也越大;
膨胀模块704,用于根据所述膨胀距离以及所述膨胀方向,对所述障碍物的轮廓进行膨胀,得到所述障碍物膨胀后的轮廓;
控制模块705,用于根据所述障碍物膨胀后的轮廓,对所述初始规划路径进行调整,得到调整后规划路径,并按照所述调整后规划路径,控制所述无人设备进行行驶。
可选地,所述驾驶系统包括:感知系统、定位系统、预测系统、控制系统中的至少一个;
所述感知系统的系统误差为感知误差,所述感知误差是指所述感知系统所感知的所述障碍物的位置与所述障碍物的实际位置之间的误差;
所述定位系统的系统误差为定位误差,所述定位误差是指所述定位系统所确定的所述无人设备的定位位置与所述无人设备的实际位置之间的误差;
所述预测系统的系统误差为预测误差,所述预测误差是指所述预测系统预测出的所述障碍物的轨迹位置与所述障碍物的实际位置之间的误差;
所述控制系统的系统误差为控制误差,所述控制误差是指所述控制系统控制所述无人设备应到达的目标位置与所述无人设备的定位位置之间的误差。
可选地,所述第一确定模块702可以具体用于,基于所述障碍物的轮廓上的边,对所述障碍物周围的区域进行划分,得到多个子区域;其中,一个子区域对应所述轮廓上的一个边;根据所述初始规划路径的位置以及所述多个子区域的区域位置,从所述多个子区域中确定出未覆盖至少部分所述初始规划路径的子区域,作为目标子区域;将所述目标子区域对应的边远离所述障碍物的几何中心的方向,作为所述障碍物的轮廓的膨胀方向。
可选地,所述第一确定模块702可以具体用于,针对所述障碍物的轮廓上的每个边,确定所述障碍物的几何中心与该边的端点之间的连线,作为该边对应的连线;将所述每个边对应的连线的延长线与所述障碍物所处的道路区域的道路边界相交所围成的多个区域,作为多个子区域。
可选地,所述第二确定模块703可以具体用于,将所述系统误差输入预先训练的预测模型中,以使所述预测模型根据所述系统误差与所述预测模型训练过程中所使用的样本误差之间的回归关系,预测出所述障碍物对应的膨胀距离。
可选地,在将所述系统误差输入预先训练的预测模型中之前,所述第二确定模块703还可以用于,获取历史上所述无人设备所使用的驾驶系统的系统误差,作为样本误差;将每个样本误差输入待训练的预测模型中,以使所述预测模型根据每个样本误差之间的回归关系,预测出历史障碍物的轮廓对应的待优化膨胀距离;以所述待优化膨胀距离与所述历史障碍物的轮廓对应的真实膨胀距离之间的差异最小化为目标,对所述预测模型进行训练。
可选地,所述第二确定模块703可以具体用于,根据所述系统误差,确定所述障碍物的轮廓对应的初始膨胀距离区间;将所述初始膨胀距离区间进行等间隔划分,得到多个子距离区间;通过所述无人设备对应的仿真系统,针对每个子距离区间,根据所述障碍物膨胀该子距离区间对应的膨胀距离后所调整的行驶路径,对该子距离区间对应的膨胀距离进行评估,得到该子距离区间对应的评估结果;根据每个子距离区间对应的评估结果,从所述初始膨胀距离区间中选择出所述障碍物的轮廓对应的膨胀距离。
本说明书还提供了一种计算机可读存储介质,所述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可用于执行上述图2提供的无人设备的控制方法。
本说明书实施例还提供了图8所示的电子设备的结构示意图。如图8,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,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中读取对应的计算机程序到内存中然后运行,以实现上述图2所述的无人设备的控制方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种无人设备的控制方法,其特征在于,包括:
获取无人设备当前对应的初始规划路径以及所述无人设备所使用的驾驶系统的系统误差;
根据所述初始规划路径与所述无人设备预设范围内的障碍物之间的相对位置,确定所述障碍物的轮廓的膨胀方向;
根据所述系统误差,确定所述障碍物的轮廓对应的膨胀距离,其中,所述系统误差越大,所述膨胀距离也越大;
根据所述膨胀距离以及所述膨胀方向,对所述障碍物的轮廓进行膨胀,得到所述障碍物膨胀后的轮廓;
根据所述障碍物膨胀后的轮廓,对所述初始规划路径进行调整,得到调整后规划路径,并按照所述调整后规划路径,控制所述无人设备进行行驶。
2.如权利要求1所述的方法,其特征在于,所述驾驶系统包括:感知系统、定位系统、预测系统、控制系统中的至少一个;
所述感知系统的系统误差为感知误差,所述感知误差是指所述感知系统所感知的所述障碍物的位置与所述障碍物的实际位置之间的误差;
所述定位系统的系统误差为定位误差,所述定位误差是指所述定位系统所确定的所述无人设备的定位位置与所述无人设备的实际位置之间的误差;
所述预测系统的系统误差为预测误差,所述预测误差是指所述预测系统预测出的所述障碍物的轨迹位置与所述障碍物的实际位置之间的误差;
所述控制系统的系统误差为控制误差,所述控制误差是指所述控制系统控制所述无人设备应到达的目标位置与所述无人设备的定位位置之间的误差。
3.如权利要求1所述的方法,其特征在于,根据所述初始规划路径与所述无人设备预设范围内的障碍物之间的相对位置,确定所述障碍物的轮廓的膨胀方向,包括:
基于所述障碍物的轮廓上的边,对所述障碍物周围的区域进行划分,得到多个子区域;其中,一个子区域对应所述轮廓上的一个边;
根据所述初始规划路径的位置以及所述多个子区域的区域位置,从所述多个子区域中确定出未覆盖至少部分所述初始规划路径的子区域,作为目标子区域;
将所述目标子区域对应的边远离所述障碍物的几何中心的方向,作为所述障碍物的轮廓的膨胀方向。
4.如权利要求3所述的方法,其特征在于,基于所述障碍物的轮廓上的边,对所述障碍物周围的区域进行划分,得到多个子区域,包括:
针对所述障碍物的轮廓上的每个边,确定所述障碍物的几何中心与该边的端点之间的连线,作为该边对应的连线;
将所述每个边对应的连线的延长线与所述障碍物所处的道路区域的道路边界相交所围成的多个区域,作为多个子区域。
5.如权利要求1所述的方法,其特征在于,根据所述系统误差,确定所述障碍物的轮廓对应的膨胀距离,包括:
将所述系统误差输入预先训练的预测模型中,以使所述预测模型根据所述系统误差与所述预测模型训练过程中所使用的样本误差之间的回归关系,预测出所述障碍物对应的膨胀距离。
6.如权利要求5所述的方法,其特征在于,在将所述系统误差输入预先训练的预测模型中之前,所述方法还包括:
获取历史上所述无人设备所使用的驾驶系统的系统误差,作为样本误差;
将每个样本误差输入待训练的预测模型中,以使所述预测模型根据每个样本误差之间的回归关系,预测出历史障碍物的轮廓对应的待优化膨胀距离;
以所述待优化膨胀距离与所述历史障碍物的轮廓对应的真实膨胀距离之间的差异最小化为目标,对所述预测模型进行训练。
7.如权利要求1所述的方法,其特征在于,根据所述系统误差,确定所述障碍物的轮廓对应的膨胀距离,包括:
根据所述系统误差,确定所述障碍物的轮廓对应的初始膨胀距离区间;
将所述初始膨胀距离区间进行等间隔划分,得到多个子距离区间;
通过所述无人设备对应的仿真系统,针对每个子距离区间,根据所述障碍物膨胀该子距离区间对应的膨胀距离后所调整的行驶路径,对该子距离区间对应的膨胀距离进行评估,得到该子距离区间对应的评估结果;
根据每个子距离区间对应的评估结果,从所述初始膨胀距离区间中选择出所述障碍物的轮廓对应的膨胀距离。
8.一种无人设备控制的装置,其特征在于,包括:
获取模块,用于获取无人设备当前对应的初始规划路径以及所述无人设备所使用的驾驶系统的系统误差;
第一确定模块,用于根据所述初始规划路径与所述无人设备预设范围内的障碍物之间的相对位置,确定所述障碍物的轮廓的膨胀方向;
第二确定模块,根据所述系统误差,确定所述障碍物的轮廓对应的膨胀距离,其中,所述系统误差越大,所述膨胀距离也越大;
膨胀模块,用于根据所述膨胀距离以及所述膨胀方向,对所述障碍物的轮廓进行膨胀,得到所述障碍物膨胀后的轮廓;
控制模块,用于根据所述障碍物膨胀后的轮廓,对所述初始规划路径进行调整,得到调整后规划路径,并按照所述调整后规划路径,控制所述无人设备进行行驶。
9.一种计算机可读存储介质,其特征在于,所述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上述权利要求1-7任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210157256.8A CN114545940A (zh) | 2022-02-21 | 2022-02-21 | 一种无人设备的控制方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210157256.8A CN114545940A (zh) | 2022-02-21 | 2022-02-21 | 一种无人设备的控制方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114545940A true CN114545940A (zh) | 2022-05-27 |
Family
ID=81676230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210157256.8A Pending CN114545940A (zh) | 2022-02-21 | 2022-02-21 | 一种无人设备的控制方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114545940A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115629612A (zh) * | 2022-12-19 | 2023-01-20 | 科大讯飞股份有限公司 | 一种避障方法、装置、设备及存储介质 |
-
2022
- 2022-02-21 CN CN202210157256.8A patent/CN114545940A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115629612A (zh) * | 2022-12-19 | 2023-01-20 | 科大讯飞股份有限公司 | 一种避障方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111190427B (zh) | 一种轨迹规划的方法及装置 | |
CN111208838B (zh) | 一种无人驾驶设备的控制方法及装置 | |
JP2022516383A (ja) | 自律型車両の計画 | |
CN112766468B (zh) | 一种轨迹预测方法、装置、存储介质及电子设备 | |
CN110262486B (zh) | 一种无人驾驶设备运动控制方法及装置 | |
CN111062372B (zh) | 一种预测障碍物轨迹的方法及装置 | |
CN112987760B (zh) | 一种轨迹规划方法、装置、存储介质及电子设备 | |
CN111076739B (zh) | 一种路径规划的方法及装置 | |
CN113110526B (zh) | 一种模型训练的方法、无人驾驶设备的控制方法及装置 | |
CN111238523B (zh) | 一种运动轨迹的预测方法及装置 | |
CN112306059B (zh) | 一种控制模型的训练方法、控制方法以及装置 | |
CN111912423B (zh) | 一种预测障碍物轨迹以及模型训练的方法及装置 | |
CN113968243B (zh) | 一种障碍物轨迹预测方法、装置、设备及存储介质 | |
CN114545940A (zh) | 一种无人设备的控制方法、装置及电子设备 | |
CN113074748B (zh) | 一种无人驾驶设备的路径规划方法及装置 | |
CN112649012A (zh) | 一种轨迹规划方法、设备、介质及无人设备 | |
CN111123957B (zh) | 一种轨迹规划的方法及装置 | |
CN112883871A (zh) | 一种模型训练以及确定无人车运动策略方法及装置 | |
CN112987762B (zh) | 一种轨迹规划方法、装置、存储介质及电子设备 | |
CN112925331B (zh) | 一种无人设备控制方法、装置、存储介质及电子设备 | |
CN114019971A (zh) | 一种无人设备控制方法、装置、存储介质及电子设备 | |
CN114332201A (zh) | 一种模型训练、目标检测的方法以及装置 | |
CN114019981B (zh) | 一种无人驾驶设备的轨迹规划方法及规划装置 | |
CN112949756B (zh) | 一种模型训练以及轨迹规划的方法及装置 | |
CN114675641A (zh) | 一种无人设备的控制方法、装置及电子设备 |
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 |