CN114954531A - 用于自动驾驶的路径生成方法、装置、系统和存储介质 - Google Patents
用于自动驾驶的路径生成方法、装置、系统和存储介质 Download PDFInfo
- Publication number
- CN114954531A CN114954531A CN202210692188.5A CN202210692188A CN114954531A CN 114954531 A CN114954531 A CN 114954531A CN 202210692188 A CN202210692188 A CN 202210692188A CN 114954531 A CN114954531 A CN 114954531A
- Authority
- CN
- China
- Prior art keywords
- path
- grid map
- global grid
- nth
- collision
- 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 59
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims description 47
- 238000004590 computer program Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000008447 perception Effects 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004323 caveolae Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
-
- 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
- G01C21/20—Instruments for performing navigational calculations
-
- 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
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
-
- 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
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
一种用于自动驾驶的路径生成方法、装置、系统和存储介质,该方法包括:生成并存储全局网格图,所述全局网格图作为每个路径规划周期的图搜索空间;在第一路径规划周期,基于所述全局网格图生成第一路径;在第N路经规划周期,将第N‑1路径规划周期生成的第N‑1路径作为初始结果进行碰撞检测,并基于碰撞检测结果生成第N路径,其中N为大于1的自然数。本申请的用于自动驾驶的路径生成方法、装置和系统生成并存储作为每个路径规划周期的图搜索空间的全局网格图,由于每个路径规划周期均采用全局一致的网格图搜索空间,因此能够保证路径的稳定性,有效避免车辆的行驶出现抖动的情况。
Description
技术领域
本申请涉及自动驾驶技术领域,更具体地涉及一种用于自动驾驶的路径生成方法、装置、系统和存储介质。
背景技术
当前汽车行业处在一个快速变革的时代,油车开始往电车转型,越来越多的传感器和计算单元开始预装上车,汽车相关的人工智能技术快速发展,自动驾驶相关技术应用和发展更是如火如荼。在自动驾驶技术中,规划又是尤为重要的一环。通常来说根据感知到的实时信息,规划出一条到达目的地的行进路线,而且还需要规划出未来一段时间内,预规划出每一时刻所在位置的精细轨迹和自车状态。
现有的规划技术包括路径规划和速度规划。其中,路径规划中路径生成(pathgeneration)的技术方案主要包括:基于图搜索的方法、基于采样的方法、基于曲线插值的方法和优化方法。图搜索的方法包括基础的迪杰斯特拉(Dijkstra)算法、A星(Astar)及其各类变种、状态栅格规划(State Lattice Planner)等,往往是将地图网格化以后采用搜索的策略寻找一个最优的路径。基于采样的方法比如RRT快速搜索随机树算法等。基于曲线插值的方法常见的包括使用多项式(Polynomial Curves)、羊角曲线(Clothoid Curves)、样条函数(Spline Curves)和贝塞尔曲线(Bézier Curves)等。优化方法常见的包括二次规划(Quadratic Programming)等。
在上述路径规划方法中,现有图搜索的方法,以较为常见的Astar为例,通常来说会以每个周期主车当前的位置和状态,将前方一定距离的地图进行网格化,生成一个计算周期的网格图进行搜索。这样的虽然可以更好地考虑主车的初始状态去生成更加合理的网格图进行搜索,但是在实际的计算中,却引入一个比较大的问题的就是每个周期生成的网格图都会有变化,由于搜索空间的变化直接导致了不再能找到和上周期完全一样的点,也就是说基于网格图构建得不同,直接影响了最终路径生成的稳定性,直接反映到结果上就是路径在不同周期之间会有肉眼可见的抖动,使得车辆的行驶出现抖动的情况。
发明内容
为了解决上述问题而提出了本申请。根据本申请一方面,提供了一种用于自动驾驶的路径生成方法,所述方法包括:生成并存储全局网格图,所述全局网格图作为每个路径规划周期的图搜索空间;在第一路径规划周期,基于所述全局网格图生成第一路径;在第N路经规划周期,将第N-1路径规划周期生成的第N-1路径作为初始结果进行碰撞检测,并基于碰撞检测结果生成第N路径,其中N为大于1的自然数。
在本申请的一个实施例中,所述基于碰撞检测结果生成第N路径,包括:当碰撞检测结果指示所述第N-1路径是无碰撞路径时,对所述第N-1路径进行微调,得到第N路径;当碰撞检测结果指示所述第N-1路径不是无碰撞路径时,基于所述全局网格图重新搜索得到一条无碰撞路径,对所述无碰撞路径进行微调,得到第N路径。
在本申请的一个实施例中,所述碰撞检测包括检测所述第N-1路径上是否存在路径点与静态障碍物重叠。
在本申请的一个实施例中,所述微调包括:对所述第N-1路径或者所述无碰撞路径上的每个点在SL坐标系的L方向上的左右两个点进行损失函数计算,并基于计算结果从所述左右两个点中选择损失函数最小的点,从而得到最优路径。
在本申请的一个实施例中,所述损失函数计算包括相似性代价计算、障碍物代价计算、路面代价计算和平滑性代价计算。
在本申请的一个实施例中,所述基于所述全局网格图重新搜索得到一条无碰撞路径,包括:基于所述全局网格图,根据A星算法重新搜索得到一条无碰撞路径。
在本申请的一个实施例中,所述生成并存储全局网格图,包括:基于已经生成的道路指引线,按预定策略预处理生成全局网格图并存储所述全局网格图。
在本申请的一个实施例中,所述预定策略设定了所述全局网格图在SL坐标系的S方向上相邻两点之间的距离、在SL坐标系的L方向上相邻两点之间的距离以及所述全局网格图最大长度和最大宽度。
在本申请的一个实施例中,在基于所述全局网格图生成路径时,对于当前路径规划周期,加载所述全局网格图中被所述当前路径规划周期所需要的部分。
根据本申请另一方面,还提供了一种用于自动驾驶的路径生成装置,所述装置包括存储器和处理器,所述存储器上存储有由所述处理器运行的计算机程序,所述计算机程序在被所述处理器运行时,使得所述处理器执行如下操作:生成并存储全局网格图,所述全局网格图作为每个路径规划周期的图搜索空间;在第一路径规划周期,基于所述全局网格图生成第一路径;在第N路经规划周期,将第N-1路径规划周期生成的第N-1路径作为初始结果进行碰撞检测,并基于碰撞检测结果生成第N路径,其中N为大于1的自然数。
在本申请的一个实施例中,所述处理器执行的所述基于碰撞检测结果生成第N路径,包括:当碰撞检测结果指示所述第N-1路径是无碰撞路径时,对所述第N-1路径进行微调,得到第N路径;当碰撞检测结果指示所述第N-1路径不是无碰撞路径时,基于所述全局网格图重新搜索得到一条无碰撞路径,对所述无碰撞路径进行微调,得到第N路径。
在本申请的一个实施例中,所述处理器执行的所述碰撞检测包括检测所述第N-1路径上是否存在路径点与静态障碍物重叠。
在本申请的一个实施例中,所述处理器执行的所述微调包括:对所述第N-1路径或者所述无碰撞路径上的每个点在SL坐标系的L方向上的左右两个点进行损失函数计算,并基于计算结果从所述左右两个点中选择损失函数最小的点,从而得到最优路径。
在本申请的一个实施例中,所述处理器执行的所述损失函数计算包括相似性代价计算、障碍物代价计算、路面代价计算和平滑性代价计算。
在本申请的一个实施例中,所述处理器执行的所述基于所述全局网格图重新搜索得到一条无碰撞路径,包括:基于所述全局网格图,根据A星算法重新搜索得到一条无碰撞路径。
在本申请的一个实施例中,其特征在于,所述处理器执行的所述生成并存储全局网格图,包括:基于已经生成的道路指引线,按预定策略预处理生成全局网格图并存储所述全局网格图。
在本申请的一个实施例中,所述预定策略设定了所述全局网格图在SL坐标系的S方向上相邻两点之间的距离、在SL坐标系的L方向上相邻两点之间的距离以及所述全局网格图最大长度和最大宽度。
在本申请的一个实施例中,所述处理器在基于所述全局网格图生成路径时,对于当前路径规划周期,加载所述全局网格图中被所述当前路径规划周期所需要的部分。
根据本申请再一方面,提供了一种用于自动驾驶的系统,所述系统包括定位子系统、感知子系统、决策子系统和控制子系统,其中:所述定位子系统用于实时获得自动驾驶车辆的位姿信息并传送至所述决策子系统;所述感知子系统用于对车道和障碍物进行检测,并将检测结果传送至所述决策子系统;所述决策子系统用于结合所述定位子系统和所述感知子系统传送来的数据信息对所述自动驾驶车辆进行决策,并将决策信息传送至所述控制子系统;所述控制子系统用于基于所述决策子系统传送来的决策信息控制所述自动驾驶车辆;其中,所述决策子系统包括上述的用于自动驾驶的路径生成装置,以用于执行局部路径规划。
根据本申请又一方面,提供了一种存储介质,所述存储介质上存储有由处理器运行的计算机程序,所述计算机程序在被所述处理器运行时,使得所述处理器执行上述的用于自动驾驶的路径生成方法。
根据本申请实施例的用于自动驾驶的路径生成方法、装置和系统生成并存储作为每个路径规划周期的图搜索空间的全局网格图,由于每个路径规划周期均采用全局一致的网格图搜索空间,因此能够保证路径的稳定性,有效避免车辆的行驶出现抖动的情况。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1示出用于实现根据本发明实施例的用于自动驾驶的路径生成方法和装置的示例电子设备的示意性框图。
图2示出根据本申请实施例的用于自动驾驶的路径生成方法的示意性流程图。
图3示出根据本申请实施例的用于自动驾驶的路径生成方法中生成全局网格图的示意图。
图4示出根据本申请实施例的用于自动驾驶的路径生成方法中第一路径规划周期和第二路径规划周期进行路径规划的示意图。
图5示出根据本申请实施例的用于自动驾驶的路径生成方法中路径微调的示意图。
图6示出根据本申请实施例的用于自动驾驶的路径生成装置的示意结构框图。
图7示出根据本申请实施例的用于自动驾驶的系统的示意性结构框图。
具体实施方式
为了使得本申请的目的、技术方案和优点更为明显,下面将参照附图详细描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本申请中描述的本申请实施例,本领域技术人员在没有付出创造性劳动的情况下所得到的所有其他实施例都应落入本申请的保护范围之内。
首先,参照图1来描述用于实现本发明实施例的用于自动驾驶的路径生成方法和装置的示例电子设备100。
如图1所示,电子设备100包括一个或多个处理器102、一个或多个存储装置104、输入装置106以及输出装置108,这些组件通过总线系统110和/或其他形式的连接机构(未示出)互连。应当注意,图1所示的电子设备100的组件和结构只是示例性的,而非限制性的,根据需要,所述电子设备也可以具有其他组件和结构。
所述处理器102可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制所述电子设备100中的其他组件以执行期望的功能。
所述存储装置104可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器102可以运行所述程序指令,以实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如所述应用程序使用和/或产生的各种数据等。
所述输入装置106可以是用户用来输入指令的装置,并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。此外,所述输入装置106也可以是任何接收信息的接口。
所述输出装置108可以向外部(例如用户)输出各种信息(例如图像或声音),并且可以包括显示器、扬声器等中的一个或多个。此外,所述输出装置108也可以是任何其他具备输出功能的设备。
示例性地,用于实现根据本发明实施例的用于自动驾驶的路径生成方法和装置的示例电子设备可以被实现诸如智能车载终端等。
下面,将参考图2描述根据本申请实施例的用于自动驾驶的路径生成方法200。如图2所示,用于自动驾驶的路径生成方法200可以包括如下步骤:
在步骤S210,生成并存储全局网格图,全局网格图作为每个路径规划周期的图搜索空间。
在步骤S220,在第一路径规划周期,基于全局网格图生成第一路径。
在步骤S230,在第N路经规划周期,将第N-1路径规划周期生成的第N-1路径作为初始结果进行碰撞检测,并基于碰撞检测结果生成第N路径,其中N为大于1的自然数。
在现有的用于自动驾驶的路径生成方法中,在路径生成时以自车为坐标系原点,由于车是移动的,使得由于位置的变化导致某一个路径规划周期生成的离散化网格搜索区域与上一路径规划周期生成的离散化网格搜索区域是不完全重合的,也即搜索空间相对于上一路径规划周期发生了变化,直接导致了不再能找到和上一路径规划周期完全一样的点,同时因为算力的影响,这个网格不可能特别密,所以会导致结果上的跳变,这将影响最终路径生成的稳定性,直接反映到结果上就是路径在不同周期之间会有肉眼可见的抖动,使得车辆的行驶出现抖动的情况。在本申请的实施例中,舍弃坐标系原点的变化,从全局一开始就把搜索网格图固定下来,即生成并存储全局网格图,全局网格图作为每个路径规划周期的图搜索空间,也即对于不同路径规划周期,搜索空间一直是不变的,这样如果环境不变,则可以保证路径的稳定性。具体地,在第一路径规划周期,可以基于该全局网格图生成第一路径;在以后的路径规划周期,均可以以上一路径规划周期的路径生成结果为初始结果进行碰撞检测:当上一路径规划周期的生成的路径在当前路规划周期确定不会与障碍物发生碰撞时,则可以基于上一路径规划周期的生成的路径生成当前路规划周期的路径;当上一路径规划周期的生成的路径在当前路规划周期确定会与障碍物发生碰撞时,则可以基于全局网格图生成当前路规划周期的路径。总体上,由于每个路径规划周期均采用全局一致的网格图搜索空间,能够保证路径的稳定性,有效避免车辆的行驶出现抖动的情况。
在本申请的实施例中,步骤S210中的生成并存储全局网格图,可以包括:基于已经生成的道路指引线,按预定策略预处理生成全局网格图并存储全局网格图。其中,道路指引线为参考线,预定策略可以指示待生成的全局网格图的相关参数,预处理可以是基于参考线将坐标系从笛卡尔坐标系(也成为直角坐标系)转换为SL坐标系(也成为Frenet Frame或自然坐标系),转化后,S方向为参考线的方向(纵向的距离),L方向为横向离参考线的距离。在一个示例中,前述的预定策略可以设定全局网格图在SL坐标系的S方向上相邻两点之间的距离、在SL坐标系的L方向上相邻两点之间的距离以及全局网格图最大长度和最大宽度。下面结合图3来示例性地描述。
图3示出了根据本申请实施例的用于自动驾驶的路径生成方法中生成全局网格图的示意图。在图3所示的示例中,预定策略设定了全局网格图在SL坐标系的S方向上相邻两点之间的距离为2米,在SL坐标系的L方向上相邻两点之间的距离为0.2米,全局网格图的最大长度为40米,最大宽度为10米,在笛卡尔坐标系中为弯曲的参考线转换到SL坐标系后为S轴方向。
在本申请的实施例中,基于前述所生成的全局网格图,可以在每个路径规划周期生成一段路径,除第一路径规划周期生成第一路径之外,后续的路径规划周期均可基于对上一路径规划周期的路径生成结果的碰撞检测结果来生成路径,如步骤S220和步骤S230所述的,下面结合图4来示例性地描述。
图4示出了根据本申请实施例的用于自动驾驶的路径生成方法中第一路径规划周期和第二路径规划周期进行路径规划的示意图。如图4所示,在第一路径规划周期,车辆在SL坐标系原点位置,在该周期基于全局网格图生成第一路径410,该路径越过了一个障碍物;在第二路径规划周期,车辆行驶至该障碍物的左侧,以第一路径410为初始结果进行碰撞检测时,发现沿其路径点会碰撞到前方另一障碍物,此时重新基于全局网格图搜索得到第二路径420。在图4中,没有示出第三路径规划周期及其后续的路径规划周期的路径规划情况,但它们均与第二路径规划周期的情况类似,此处不再赘述。
此外,在本申请的实施例中,基于全局网格图生成路径时,对于当前路径规划周期,可以加载全局网格图中被当前路径规划周期所需要的部分,例如如图4所示的,第一周期和第二周期所记载的网格图部分不同,这是因为经过第一周期,车辆行驶了一定距离,车辆后的网格图部分可以不再加载,而继续加载车辆前方的网格图部分,虽然第一周期和第二周期加载了不同的网格图部分,但它们都是全局网格图的一部分。
在本申请的实施例中,步骤S230中所述的基于碰撞检测结果生成第N路径,可以包括:当碰撞检测结果指示第N-1路径是无碰撞路径时,对第N-1路径进行微调,得到第N路径;当碰撞检测结果指示第N-1路径不是无碰撞路径时,基于全局网格图重新搜索(诸如使用A星算法等)得到一条无碰撞路径,对无碰撞路径进行微调,得到第N路径。在该实施例中,通过对无碰撞的第N-1路径或者重新搜索得到的无碰撞路径进行微调来得到第N路径规划周期的路径生成结果,使得在大多数的路径规划周期中可以优化计算时间,提高路径生成效率。
其中,前述的碰撞检测可以包括检测第N-1路径上是否存在路径点与静态障碍物重叠。在该实施例中,不考虑动态障碍物,这是因为动态障碍物是动态变化的,情况复杂,会增加计算复杂度。在其他实施例中,碰撞检测也可以包括检测第N-1路径上是否存在路径点与动态障碍物重叠。
在本申请的实施例中,前述的微调可以包括:对第N-1路径或者无碰撞路径上的每个点在SL坐标系的L方向上的左右两个点进行损失函数计算,并基于计算结果从左右两个点中选择损失函数最小的点,从而得到最优路径。其中,可以考虑相似性、障碍物、路面以及平滑性的损失函数,来选取最优的路径。也就是说,损失函数计算可以包括相似性代价(cost)计算、障碍物代价计算、路面代价计算和平滑性代价计算。其中,相似性代价是与上一路径规划周期的路径的点的距离,越近越小;障碍物代价是和路面所有障碍物的距离,越近越大;路面代价是和路的边界的距离,越近越大;平滑性代价是根据每个点kappa值(heading的变化率)可知,越小则代价越小。最优路径就是,通过上述计算找出代价更低的点,微调生成的路径。下面结合图5来示例性地描述。
图5示出了根据本申请实施例的用于自动驾驶的路径生成方法中路径微调的示意图,其中图5是在图4所示示例基础上的示例。如图5所示,第二路径规划周期时重新搜索出路径420,但发现前方障碍物发生变化,此时使用微调策略,如图5所示,对路径420上每个点上下两个点计算代价,然后微调选中代价更小的点,得到路径520。
以上示例性地描述根据本申请实施例的用于自动驾驶的路径生成方法。基于上面的描述,根据本申请实施例的用于自动驾驶的路径生成方法生成并存储作为每个路径规划周期的图搜索空间的全局网格图,由于每个路径规划周期均采用全局一致的网格图搜索空间,因此能够保证路径的稳定性,有效避免车辆的行驶出现抖动的情况。
下面结合图6描述本申请另一方面提供的用于自动驾驶的路径生成装置。图6示出了根据本申请实施例的用于自动驾驶的路径生成装置600的示意性框图。如图6所示,根据本申请实施例的用于自动驾驶的路径生成装置600可以包括存储器610和处理器620,存储器610存储有由处理器620运行的计算机程序,所述计算机程序在被处理器620运行时,使得处理器620执行前文所述的根据本申请实施例的用于自动驾驶的路径生成方法。本领域技术人员可以结合前文所述的内容理解根据本申请实施例的用于自动驾驶的路径生成装置的具体操作,为了简洁,此处不再赘述具体的细节,仅描述处理器620的一些主要操作。
在本申请的一个实施例中,计算机程序在被处理器620运行时,使得处理器620执行如下步骤:生成并存储全局网格图,全局网格图作为每个路径规划周期的图搜索空间;在第一路径规划周期,基于全局网格图生成第一路径;在第N路经规划周期,将第N-1路径规划周期生成的第N-1路径作为初始结果进行碰撞检测,并基于碰撞检测结果生成第N路径,其中N为大于1的自然数。
在本申请的一个实施例中,计算机程序在被处理器620运行时,使得处理器620执行的基于碰撞检测结果生成第N路径,包括:当碰撞检测结果指示第N-1路径是无碰撞路径时,对第N-1路径进行微调,得到第N路径;当碰撞检测结果指示第N-1路径不是无碰撞路径时,基于全局网格图重新搜索得到一条无碰撞路径,对无碰撞路径进行微调,得到第N路径。
在本申请的一个实施例中,计算机程序在被处理器620运行时,使得处理器620执行的碰撞检测包括检测第N-1路径上是否存在路径点与静态障碍物重叠。
在本申请的一个实施例中,计算机程序在被处理器620运行时,使得处理器620执行的微调包括:对第N-1路径或者无碰撞路径上的每个点在SL坐标系的L方向上的左右两个点进行损失函数计算,并基于计算结果从左右两个点中选择损失函数最小的点,从而得到最优路径。
在本申请的一个实施例中,计算机程序在被处理器620运行时,使得处理器620执行的损失函数计算包括相似性代价计算、障碍物代价计算、路面代价计算和平滑性代价计算。
在本申请的一个实施例中,计算机程序在被处理器620运行时,使得处理器620执行的基于全局网格图重新搜索得到一条无碰撞路径,包括:基于全局网格图,根据A星算法重新搜索得到一条无碰撞路径。
在本申请的一个实施例中,计算机程序在被处理器620运行时,使得处理器620执行的生成并存储全局网格图,包括:基于已经生成的道路指引线,按预定策略预处理生成全局网格图并存储全局网格图。
在本申请的一个实施例中,预定策略设定了全局网格图在SL坐标系的S方向上相邻两点之间的距离、在SL坐标系的L方向上相邻两点之间的距离以及全局网格图最大长度和最大宽度。
在本申请的一个实施例中,计算机程序在被处理器620运行时,使得处理器620在基于全局网格图生成路径时,对于当前路径规划周期,加载全局网格图中被当前路径规划周期所需要的部分。
基于上面的描述,根据本申请实施例的用于自动驾驶的路径生成装置生成并存储作为每个路径规划周期的图搜索空间的全局网格图,由于每个路径规划周期均采用全局一致的网格图搜索空间,因此能够保证路径的稳定性,有效避免车辆的行驶出现抖动的情况。
此外,根据本申请实施例,还提供了一种存储介质,在所述存储介质上存储了程序指令,在所述程序指令被计算机或处理器运行时用于执行本申请实施例的用于自动驾驶的路径生成方法的相应步骤。所述存储介质例如可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、或者上述存储介质的任意组合。所述计算机可读存储介质可以是一个或多个计算机可读存储介质的任意组合。
此外,还提供一种计算机程序,在所述计算机程序被计算机或处理器运行时用于执行本申请实施例的用于自动驾驶的路径生成方法的相应步骤。
根据本申请再一方面,还提供了一种用于自动驾驶的系统,下面结合图7来描述。图7示出了根据本申请实施例的用于自动驾驶的系统700的示意性结构框图。如图7所示,用于自动驾驶的系统700包括定位子系统710、感知子系统720、决策子系统730和控制子系统740。其中,定位子系统710用于实时获得自动驾驶车辆的位姿信息并传送至决策子系统730;感知子系统720用于对车道和障碍物进行检测,并将检测结果传送至决策子系统730;决策子系统730用于结合定位子系统710和感知子系统720传送来的数据信息对自动驾驶车辆进行决策,并将决策信息传送至控制子系统740;控制子系统740用于基于决策子系统730传送来的决策信息控制自动驾驶车辆;其中,决策子系统730包括前文所述的根据本申请实施例的用于自动驾驶的路径生成装置600,以执行前文所述的根据本申请实施例的用于自动驾驶的路径生成方法200,用于局部路径规划。本领域技术人员可以结合前文所述的内容理解根据本申请实施例的用于自动驾驶的系统中决策子系统进行路径规划的具体操作,为了简洁,此处不再赘述。
基于上面的描述,根据本申请实施例的用于自动驾驶的路径生成方法、装置和系统生成并存储作为每个路径规划周期的图搜索空间的全局网格图,由于每个路径规划周期均采用全局一致的网格图搜索空间,因此能够保证路径的稳定性,有效避免车辆的行驶出现抖动的情况。
尽管这里已经参考附图描述了示例实施例,应理解上述示例实施例仅仅是示例性的,并且不意图将本申请的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改,而不偏离本申请的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本申请的范围之内。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其他的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个设备,或一些特征可以忽略,或不执行。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本申请并帮助理解各个发明方面中的一个或多个,在对本申请的示例性实施例的描述中,本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该本申请的方法解释成反映如下意图:即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如相应的权利要求书所反映的那样,其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本申请的单独实施例。
本领域的技术人员可以理解,除了特征之间相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其他实施例中所包括的某些特征而不是其他特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的一些模块的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如,计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本申请的具体实施方式或对具体实施方式的说明,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。本申请的保护范围应以权利要求的保护范围为准。
Claims (20)
1.一种用于自动驾驶的路径生成方法,其特征在于,所述方法包括:
生成并存储全局网格图,所述全局网格图作为每个路径规划周期的图搜索空间;
在第一路径规划周期,基于所述全局网格图生成第一路径;
在第N路经规划周期,将第N-1路径规划周期生成的第N-1路径作为初始结果进行碰撞检测,并基于碰撞检测结果生成第N路径,其中N为大于1的自然数。
2.根据权利要求1所述的方法,其特征在于,所述基于碰撞检测结果生成第N路径,包括:
当碰撞检测结果指示所述第N-1路径是无碰撞路径时,对所述第N-1路径进行微调,得到第N路径;
当碰撞检测结果指示所述第N-1路径不是无碰撞路径时,基于所述全局网格图重新搜索得到一条无碰撞路径,对所述无碰撞路径进行微调,得到第N路径。
3.根据权利要求2所述的方法,其特征在于,所述碰撞检测包括检测所述第N-1路径上是否存在路径点与静态障碍物重叠。
4.根据权利要求2所述的方法,其特征在于,所述微调包括:
对所述第N-1路径或者所述无碰撞路径上的每个点在SL坐标系的L方向上的左右两个点进行损失函数计算,并基于计算结果从所述左右两个点中选择损失函数最小的点,从而得到最优路径。
5.根据权利要求4所述的方法,其特征在于,所述损失函数计算包括相似性代价计算、障碍物代价计算、路面代价计算和平滑性代价计算。
6.根据权利要求2所述的方法,其特征在于,所述基于所述全局网格图重新搜索得到一条无碰撞路径,包括:
基于所述全局网格图,根据A星算法重新搜索得到一条无碰撞路径。
7.根据权利要求1-6中的任一项所述的方法,其特征在于,所述生成并存储全局网格图,包括:
基于已经生成的道路指引线,按预定策略预处理生成全局网格图并存储所述全局网格图。
8.根据权利要求7所述的方法,其特征在于,所述预定策略设定了所述全局网格图在SL坐标系的S方向上相邻两点之间的距离、在SL坐标系的L方向上相邻两点之间的距离以及所述全局网格图最大长度和最大宽度。
9.根据权利要求8所述的方法,其特征在于,在基于所述全局网格图生成路径时,对于当前路径规划周期,加载所述全局网格图中被所述当前路径规划周期所需要的部分。
10.一种用于自动驾驶的路径生成装置,其特征在于,所述装置包括存储器和处理器,所述存储器上存储有由所述处理器运行的计算机程序,所述计算机程序在被所述处理器运行时,使得所述处理器执行如下操作:
生成并存储全局网格图,所述全局网格图作为每个路径规划周期的图搜索空间;
在第一路径规划周期,基于所述全局网格图生成第一路径;
在第N路经规划周期,将第N-1路径规划周期生成的第N-1路径作为初始结果进行碰撞检测,并基于碰撞检测结果生成第N路径,其中N为大于1的自然数。
11.根据权利要求10所述的装置,其特征在于,所述处理器执行的所述基于碰撞检测结果生成第N路径,包括:
当碰撞检测结果指示所述第N-1路径是无碰撞路径时,对所述第N-1路径进行微调,得到第N路径;
当碰撞检测结果指示所述第N-1路径不是无碰撞路径时,基于所述全局网格图重新搜索得到一条无碰撞路径,对所述无碰撞路径进行微调,得到第N路径。
12.根据权利要求11所述的装置,其特征在于,所述处理器执行的所述碰撞检测包括检测所述第N-1路径上是否存在路径点与静态障碍物重叠。
13.根据权利要求11所述的装置,其特征在于,所述处理器执行的所述微调包括:
对所述第N-1路径或者所述无碰撞路径上的每个点在SL坐标系的L方向上的左右两个点进行损失函数计算,并基于计算结果从所述左右两个点中选择损失函数最小的点,从而得到最优路径。
14.根据权利要求13所述的装置,其特征在于,所述处理器执行的所述损失函数计算包括相似性代价计算、障碍物代价计算、路面代价计算和平滑性代价计算。
15.根据权利要求11所述的装置,其特征在于,所述处理器执行的所述基于所述全局网格图重新搜索得到一条无碰撞路径,包括:
基于所述全局网格图,根据A星算法重新搜索得到一条无碰撞路径。
16.根据权利要求10-15中的任一项所述的装置,其特征在于,所述处理器执行的所述生成并存储全局网格图,包括:
基于已经生成的道路指引线,按预定策略预处理生成全局网格图并存储所述全局网格图。
17.根据权利要求16所述的装置,其特征在于,所述预定策略设定了所述全局网格图在SL坐标系的S方向上相邻两点之间的距离、在SL坐标系的L方向上相邻两点之间的距离以及所述全局网格图最大长度和最大宽度。
18.根据权利要求17所述的装置,其特征在于,所述处理器在基于所述全局网格图生成路径时,对于当前路径规划周期,加载所述全局网格图中被所述当前路径规划周期所需要的部分。
19.一种用于自动驾驶的系统,其特征在于,所述系统包括定位子系统、感知子系统、决策子系统和控制子系统,其中:
所述定位子系统用于实时获得自动驾驶车辆的位姿信息并传送至所述决策子系统;
所述感知子系统用于对车道和障碍物进行检测,并将检测结果传送至所述决策子系统;
所述决策子系统用于结合所述定位子系统和所述感知子系统传送来的数据信息对所述自动驾驶车辆进行决策,并将决策信息传送至所述控制子系统;
所述控制子系统用于基于所述决策子系统传送来的决策信息控制所述自动驾驶车辆;
其中,所述决策子系统包括权利要求10-18中的任一项所述的用于自动驾驶的路径生成装置,以用于执行局部路径规划。
20.一种存储介质,其特征在于,所述存储介质上存储有由处理器运行的计算机程序,所述计算机程序在被所述处理器运行时,使得所述处理器执行如权利要求1-9中的任一项所述的用于自动驾驶的路径生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210692188.5A CN114954531A (zh) | 2022-06-17 | 2022-06-17 | 用于自动驾驶的路径生成方法、装置、系统和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210692188.5A CN114954531A (zh) | 2022-06-17 | 2022-06-17 | 用于自动驾驶的路径生成方法、装置、系统和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114954531A true CN114954531A (zh) | 2022-08-30 |
Family
ID=82964398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210692188.5A Pending CN114954531A (zh) | 2022-06-17 | 2022-06-17 | 用于自动驾驶的路径生成方法、装置、系统和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114954531A (zh) |
-
2022
- 2022-06-17 CN CN202210692188.5A patent/CN114954531A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108444482B (zh) | 一种无人机自主寻路避障方法及系统 | |
US10093021B2 (en) | Simultaneous mapping and planning by a robot | |
EP3109842B1 (en) | Map-centric map matching method and apparatus | |
US20220206468A1 (en) | Sampling based optimal tree planning method and recording medium storing program for executing the same, and computer program stored in recording medium for executing the same | |
JP5685380B2 (ja) | グリッドマップを利用した経路生成装置及びその動作方法 | |
JP2022516383A (ja) | 自律型車両の計画 | |
CN110083149A (zh) | 用于自动驾驶车辆的路径与速度优化后馈机制 | |
CN111813101B (zh) | 机器人路径规划方法、装置、终端设备及存储介质 | |
WO2017162036A1 (zh) | 偏航识别方法、终端和存储介质 | |
WO2022056770A1 (zh) | 一种路径规划方法和路径规划装置 | |
CN111158365A (zh) | 一种路径规划方法、装置、机器人及存储介质 | |
CN112444263B (zh) | 全局路径规划方法及装置 | |
CN109955853A (zh) | 用于操作自动驾驶车辆的方法、系统和存储介质 | |
CN111062372B (zh) | 一种预测障碍物轨迹的方法及装置 | |
CN110096054A (zh) | 用于使用多个线程生成用于自动驾驶车辆的参考线的方法和系统 | |
CN111680747B (zh) | 用于占据栅格子图的闭环检测的方法和装置 | |
CN112348293A (zh) | 一种障碍物的轨迹预测方法及装置 | |
US20180174445A1 (en) | Method and apparatus for constructing a traffic model | |
CN112415558A (zh) | 行进轨迹的处理方法及相关设备 | |
CN111797711A (zh) | 一种模型训练的方法及装置 | |
JP2023523350A (ja) | 乗り物に基づくデータ処理方法、データ処理装置、コンピュータ機器、及びコンピュータプログラム | |
US9633145B2 (en) | Traffic simulation method, program, and system | |
JP7058761B2 (ja) | 移動体制御装置、移動体制御学習装置、及び移動体制御方法 | |
CN113968243B (zh) | 一种障碍物轨迹预测方法、装置、设备及存储介质 | |
CN109814568B (zh) | 无人车速度轨迹的生成方法、装置和存储介质 |
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 |