CN114995465A - 一种考虑车辆运动能力的多无人车运动规划方法和系统 - Google Patents

一种考虑车辆运动能力的多无人车运动规划方法和系统 Download PDF

Info

Publication number
CN114995465A
CN114995465A CN202210918687.1A CN202210918687A CN114995465A CN 114995465 A CN114995465 A CN 114995465A CN 202210918687 A CN202210918687 A CN 202210918687A CN 114995465 A CN114995465 A CN 114995465A
Authority
CN
China
Prior art keywords
unmanned vehicles
time period
unit time
unmanned
coordinates
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.)
Granted
Application number
CN202210918687.1A
Other languages
English (en)
Other versions
CN114995465B (zh
Inventor
龚建伟
臧政
宋佳睿
张曦
龚乘
李圆圆
吕超
吴绍斌
齐建永
冯悦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huidong Planet Beijing Technology Co ltd
Beijing Institute of Technology BIT
Original Assignee
Huidong Planet Beijing Technology Co ltd
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huidong Planet Beijing Technology Co ltd, Beijing Institute of Technology BIT filed Critical Huidong Planet Beijing Technology Co ltd
Priority to CN202210918687.1A priority Critical patent/CN114995465B/zh
Publication of CN114995465A publication Critical patent/CN114995465A/zh
Application granted granted Critical
Publication of CN114995465B publication Critical patent/CN114995465B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • G05D1/0289—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling with means for avoiding collisions between vehicles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及一种考虑车辆运动能力的多无人车运动规划方法和系统，属于运动规划技术领域。先建立多无人驾驶车辆三维时空运动走廊生成模型，包括目标函数、第一约束条件、第二约束条件、第三约束条件和第四约束条件。然后获取每一无人驾驶车辆的参考轨迹、车长、车宽和初始中心点的坐标。最后以所有无人驾驶车辆的参考轨迹、车长、车宽和初始中心点的坐标作为输入，利用多无人驾驶车辆三维时空运动走廊生成模型生成每一无人驾驶车辆的三维时空运动走廊，可以有效解决生成的三维时空运动走廊过小或者走廊台阶之间不连续的问题，能够实现多无人驾驶车辆有效的规划与控制。

Description

一种考虑车辆运动能力的多无人车运动规划方法和系统
技术领域
本发明涉及运动规划技术领域，特别是涉及一种考虑车辆运动能力的多无人车运动规划方法和系统。
背景技术
随着人工智能技术的不断进步，无人驾驶车辆的研究逐步向多车联网化、多车一体化方向发展。多无人驾驶车辆合理的运动规划是非常重要的，基于三维时空运动走廊的运动规划技术是目前在多无人驾驶车辆规划领域最新研究的规划技术，其解决了只考虑二维状态横向和纵向位置情况的不足。但在多无人驾驶车辆生成的三维时空运动走廊中，要求三维时空运动走廊必须是连续的，而由于车辆自身动力学特性的复杂性，无人驾驶车辆的三维时空运动走廊台阶随时间段容易出现跳变或变化急剧的情况，如每个单位时间段的三维时空运动走廊的尺寸和边界容易超过车辆外形，初始三维时空运动走廊不能满足车辆初始状态，并且考虑多无人驾驶车辆行为的连续性，连续单位时间段之间的走廊台阶尺寸和边界约束容易不重合，导致车辆无法根据三维时空运动走廊执行车辆控制。
基于此，亟需一种精确考虑车辆本身运动能力的多无人车运动规划方法和系统。
发明内容
本发明的目的是提供一种考虑车辆运动能力的多无人车运动规划方法和系统，可以有效解决生成的三维时空运动走廊过小或者走廊台阶之间不连续的问题，能够实现多无人驾驶车辆有效的规划与控制。
为实现上述目的，本发明提供了如下方案：
一种考虑车辆运动能力的多无人车运动规划方法，所述规划方法包括：
建立多无人驾驶车辆三维时空运动走廊生成模型；所述多无人驾驶车辆三维时空运动走廊生成模型包括目标函数、第一约束条件、第二约束条件、第三约束条件和第四约束条件；所述第一约束条件为单位时间段的台阶的尺寸和边界约束；所述第二约束条件为初始单位时间段的台阶的边界约束；所述第三约束条件为单位时间段的无人驾驶车辆的行驶范围约束；所述第四约束条件为连续单位时间段之间台阶的尺寸和边界约束；
获取每一无人驾驶车辆的参考轨迹、车长、车宽和初始中心点的坐标；所述初始中心点的坐标为所述无人驾驶车辆在所述初始单位时间段的中心点的坐标；
以所有所述无人驾驶车辆的参考轨迹、车长、车宽和初始中心点的坐标作为输入，利用所述多无人驾驶车辆三维时空运动走廊生成模型生成每一所述无人驾驶车辆的三维时空运动走廊；所述三维时空运动走廊包括多个所述单位时间段的台阶；所述台阶为所述无人驾驶车辆的可行驶范围。
一种考虑车辆运动能力的多无人车运动规划系统，所述规划系统包括：
模型构建模块，用于建立多无人驾驶车辆三维时空运动走廊生成模型；所述多无人驾驶车辆三维时空运动走廊生成模型包括目标函数、第一约束条件、第二约束条件、第三约束条件和第四约束条件；所述第一约束条件为单位时间段的台阶的尺寸和边界约束；所述第二约束条件为初始单位时间段的台阶的边界约束；所述第三约束条件为单位时间段的无人驾驶车辆的行驶范围约束；所述第四约束条件为连续单位时间段之间台阶的尺寸和边界约束；
信息获取模块，用于获取每一无人驾驶车辆的参考轨迹、车长、车宽和初始中心点的坐标；所述初始中心点的坐标为所述无人驾驶车辆在所述初始单位时间段的中心点的坐标；
生成模块，用于以所有所述无人驾驶车辆的参考轨迹、车长、车宽和初始中心点的坐标作为输入，利用所述多无人驾驶车辆三维时空运动走廊生成模型生成每一所述无人驾驶车辆的三维时空运动走廊；所述三维时空运动走廊包括多个所述单位时间段的台阶；所述台阶为所述无人驾驶车辆的可行驶范围。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明用于提供一种考虑车辆运动能力的多无人车运动规划方法和系统，先建立多无人驾驶车辆三维时空运动走廊生成模型，包括目标函数、第一约束条件、第二约束条件、第三约束条件和第四约束条件。然后获取每一无人驾驶车辆的参考轨迹、车长、车宽和初始中心点的坐标。最后以所有无人驾驶车辆的参考轨迹、车长、车宽和初始中心点的坐标作为输入，利用多无人驾驶车辆三维时空运动走廊生成模型生成每一无人驾驶车辆的三维时空运动走廊，可以有效解决生成的三维时空运动走廊过小或者走廊台阶之间不连续的问题，能够实现多无人驾驶车辆有效的规划与控制。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1所提供的规划方法的方法流程图；
图2为本发明实施例1所提供的模型建立方法的流程图；
图3为本发明实施例1所提供的三维时空运动走廊向Oxy投影得到的台阶切面的局部放大图；
图4为本发明实施例1所提供的初始单位时间段内车辆状态和台阶切面的示意图；
图5为本发明实施例1所提供的单位时间段内车辆行驶范围限制
Figure 624811DEST_PATH_IMAGE001
情况的示意图；
图6为本发明实施例1所提供的单位时间段内车辆行驶范围限制
Figure 957703DEST_PATH_IMAGE002
情况的示意图；
图7为本发明实施例1所提供的连续单位时间段内台阶重合度示意图；
图8为本发明实施例1所提供的四种基础的走廊台阶重合情况的示意图；
图9为本发明实施例2所提供的规划系统的系统框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的目的是提供一种考虑车辆运动能力的多无人车运动规划方法和系统，可以有效解决生成的三维时空运动走廊过小或者走廊台阶之间不连续的问题，能够实现多无人驾驶车辆有效的规划与控制。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
本实施例用于提供一种考虑车辆运动能力的多无人车运动规划方法，如图1所示，所述规划方法包括：
S1：建立多无人驾驶车辆三维时空运动走廊生成模型；所述多无人驾驶车辆三维时空运动走廊生成模型包括目标函数、第一约束条件、第二约束条件、第三约束条件和第四约束条件；所述第一约束条件为单位时间段的台阶的尺寸和边界约束；所述第二约束条件为初始单位时间段的台阶的边界约束；所述第三约束条件为单位时间段的无人驾驶车辆的行驶范围约束；所述第四约束条件为连续单位时间段之间台阶的尺寸和边界约束；
如图2所示，本实施例的多无人驾驶车辆三维时空运动走廊生成模型的建立过程可以包括：
（1）建立单位时间段的多无人驾驶车辆三维时空运动走廊的台阶的尺寸和边界约束，得到第一约束条件；
多无人驾驶车辆三维时空运动走廊在各个单位时间段的台阶尺寸要求能容纳无人驾驶车辆几何外形，由于无人驾驶车辆在Oxy平面内的航向角不固定，因此，要容纳所有航向角情况下的无人车姿态，基于此，所建立的单位时间段内的多无人驾驶车辆台阶的尺寸和边界约束（即第一约束条件）可表示为：
Figure 444179DEST_PATH_IMAGE003
（1）
式（1）中，
Figure 938745DEST_PATH_IMAGE004
为无人驾驶车辆i在第k单位时间段的台阶中的参考点到台阶左边界的距离；
Figure 143462DEST_PATH_IMAGE005
为无人驾驶车辆i在第k单位时间段的台阶中的参考点到台阶右边界的距离；
Figure 483307DEST_PATH_IMAGE006
为在当前单位时间段内容纳无人驾驶车辆i几何外形所需的沿x轴方向的第一最小距离阈值；
Figure 821360DEST_PATH_IMAGE007
为无人驾驶车辆i在第k单位时间段的台阶中的参考点到台阶下边界的距离；
Figure 486828DEST_PATH_IMAGE008
为无人驾驶车辆i在第k单位时间段的台阶中的参考点到台阶上边界的距离；
Figure 444420DEST_PATH_IMAGE009
为在当前单位时间段内容纳无人驾驶车辆i几何外形所需的沿y轴方向的第二最小距离阈值。
Figure 119115DEST_PATH_IMAGE004
+
Figure 783445DEST_PATH_IMAGE005
为台阶在单位时间段k内沿x轴方向的长度，
Figure 619814DEST_PATH_IMAGE007
+
Figure 330281DEST_PATH_IMAGE008
为台阶在单位时间段k内沿y轴方向的长度。
需要说明的是，如图3所示，参考点是在三维时空运动走廊的台阶向Oxy平面投影所得到的台阶切面内部定义的一个点，
Figure 805737DEST_PATH_IMAGE004
、
Figure 121312DEST_PATH_IMAGE005
、
Figure 190899DEST_PATH_IMAGE007
和
Figure 857504DEST_PATH_IMAGE008
分别表示三维时空运动走廊台阶向Oxy平面投影所得到的长方形的台阶切面的左边界、右边界、下边界和上边界关于参考点的距离，并且均为正值。
本实施例中，第一最小距离阈值和第二最小距离阈值根据无人驾驶车辆i的车长和车宽计算得到，所用的计算公式如下：
Figure 77264DEST_PATH_IMAGE010
（2）
式（2）中，
Figure 512925DEST_PATH_IMAGE011
为无人驾驶车辆i的车长；
Figure 753413DEST_PATH_IMAGE012
为无人驾驶车辆i的车宽。
（2）建立初始单位时间段的台阶边界约束，得到第二约束条件；
如图4所示，每个无人驾驶车辆在初始单位时间段的位置都由四个顶点表示，四个顶点的坐标由右前方开始沿逆时针方向依次是：右前点
Figure 907314DEST_PATH_IMAGE013
、左前点
Figure 461923DEST_PATH_IMAGE014
、左后点
Figure 749160DEST_PATH_IMAGE015
以及右后点
Figure 426129DEST_PATH_IMAGE016
，无人驾驶车辆的中心用后轴的中点表示，无人驾驶车辆在初始单位时间段的初始中心点的坐标表示为
Figure 536168DEST_PATH_IMAGE017
。无人驾驶车辆外接实线框为台阶在Oxy上投影的台阶切面，圆点为台阶切面的四个顶点，
Figure 691206DEST_PATH_IMAGE018
、
Figure 101458DEST_PATH_IMAGE019
、
Figure 621433DEST_PATH_IMAGE020
和
Figure 484346DEST_PATH_IMAGE021
分别表示初始单位时间段三维时空运动走廊在Oxy面投影台阶切面四个边界的坐标，虚线框为容纳无人驾驶车辆初始位姿的包围盒，
Figure 443075DEST_PATH_IMAGE022
、
Figure 442255DEST_PATH_IMAGE023
、
Figure 661359DEST_PATH_IMAGE024
和
Figure 480411DEST_PATH_IMAGE025
的绝对值分别表示车辆初始位姿所占据的几何外形包围盒的四个顶点在x轴和y轴方向上关于车辆初始中心点的最小和最大距离值，车辆初始位姿由初始单位时间段无人驾驶车辆i的初始中心点坐标
Figure 977251DEST_PATH_IMAGE017
表示，正负号与坐标系Oxy对应方向的正负号相同。
三维时空运动走廊在Oxy面投影台阶切面和包围盒的边与x轴和y轴对齐，而车辆由于航向角不确定，会存在车头朝向与x轴方向存在一定夹角的情况，因此初始单位时间段的台阶能容纳无人车的几何外形的条件可以转化为容纳包围盒的条件，第二约束条件为：
Figure 96517DEST_PATH_IMAGE026
（3）
式（3）中，
Figure 223873DEST_PATH_IMAGE027
为无人驾驶车辆i在初始单位时间段的台阶的左边界坐标；
Figure 61379DEST_PATH_IMAGE028
为无人驾驶车辆i的初始中心点的x坐标；
Figure 237277DEST_PATH_IMAGE029
为无人驾驶车辆i在初始单位时间段的包围盒的四个顶点到初始中心点在x轴方向上的最小距离；
Figure 208119DEST_PATH_IMAGE030
为无人驾驶车辆i在初始单位时间段的台阶的右边界坐标；
Figure 771956DEST_PATH_IMAGE023
为无人驾驶车辆i在初始单位时间段的包围盒的四个顶点到初始中心点在x轴方向上的最大距离；
Figure 96758DEST_PATH_IMAGE020
为无人驾驶车辆i在初始单位时间段的台阶的下边界坐标；
Figure 873084DEST_PATH_IMAGE031
为无人驾驶车辆i的初始中心点的y坐标；
Figure 763679DEST_PATH_IMAGE032
为无人驾驶车辆i在初始单位时间段的包围盒的四个顶点到初始中心点在y轴方向上的最小距离；
Figure 967259DEST_PATH_IMAGE021
为无人驾驶车辆i在初始单位时间段的台阶的上边界坐标；
Figure 451461DEST_PATH_IMAGE025
为无人驾驶车辆i在初始单位时间段的包围盒的四个顶点到初始中心点在y轴方向上的最大距离。
Figure 255248DEST_PATH_IMAGE028
+
Figure 672454DEST_PATH_IMAGE022
、
Figure 578093DEST_PATH_IMAGE033
+
Figure 408646DEST_PATH_IMAGE023
、
Figure 464458DEST_PATH_IMAGE031
+
Figure 329646DEST_PATH_IMAGE024
和
Figure 403256DEST_PATH_IMAGE031
+
Figure 658788DEST_PATH_IMAGE025
分别表示包围盒边界在x轴和y轴方向上的最小和最大值，因此，式（3）表示x轴和y轴方向上走廊台阶的最小边界值均小于包围盒的对应方向的最小边界值，最大边界值大于包围盒的对应方向的最大边界值。
式（3）中，
Figure 846187DEST_PATH_IMAGE022
、
Figure 503565DEST_PATH_IMAGE023
、
Figure 954269DEST_PATH_IMAGE032
和
Figure 431517DEST_PATH_IMAGE025
值的求解考虑了车辆航向角的影响，具体可以表示为：
Figure 422607DEST_PATH_IMAGE034
（4）
式（4）中，
Figure 931561DEST_PATH_IMAGE035
为无人驾驶车辆i右前点的x坐标；
Figure 349904DEST_PATH_IMAGE036
为无人驾驶车辆i左前点的x坐标；
Figure 48870DEST_PATH_IMAGE037
为无人驾驶车辆i左后点的x坐标；
Figure 843651DEST_PATH_IMAGE038
为无人驾驶车辆i右后点的x坐标；
Figure 413304DEST_PATH_IMAGE033
为无人驾驶车辆i初始中心点的x坐标；
Figure 2548DEST_PATH_IMAGE039
为无人驾驶车辆i右前点的y坐标；
Figure 185880DEST_PATH_IMAGE040
为无人驾驶车辆i左前点的y坐标；
Figure 987614DEST_PATH_IMAGE041
为无人驾驶车辆i左后点的y坐标；
Figure 942932DEST_PATH_IMAGE042
为无人驾驶车辆i右后点的y坐标；
Figure 375181DEST_PATH_IMAGE031
为无人驾驶车辆i初始中心点的y坐标。
无人驾驶车辆i在初始单位时间段的四个顶点的坐标与初始中心点的坐标的关系如下：
Figure 845477DEST_PATH_IMAGE043
（5）
式（5）中，
Figure 916813DEST_PATH_IMAGE044
为无人驾驶车辆i在初始单位时间段的车辆航向角，沿x轴逆时针方向为正方向。
（3）建立单位时间段内多无人驾驶车辆行驶范围约束，得到第三约束条件；
由于车辆存在最大速度、加速度等限制，单位时间段内无人车的各台阶尺寸是有限的，代表该时间段内能行驶的最大范围。多无人驾驶车辆单位时间段能行驶的范围约束（即第三约束条件）为：
Figure 461058DEST_PATH_IMAGE045
（6）
式（6）中，
Figure 126526DEST_PATH_IMAGE046
为无人驾驶车辆i在第k单位时间段的台阶的左边界坐标；
Figure 552959DEST_PATH_IMAGE047
为无人驾驶车辆i在第k单位时间段的行驶范围在x轴方向上的最小边界坐标；
Figure 289971DEST_PATH_IMAGE048
为无人驾驶车辆i在第k单位时间段的台阶的右边界坐标；
Figure 751039DEST_PATH_IMAGE049
为无人驾驶车辆i在第k单位时间段的行驶范围在x轴方向上的最大边界坐标；
Figure 584479DEST_PATH_IMAGE050
为无人驾驶车辆i在第k单位时间段的台阶的下边界坐标；
Figure 763787DEST_PATH_IMAGE051
为无人驾驶车辆i在第k单位时间段的行驶范围在y轴方向上的最小边界坐标；
Figure 38911DEST_PATH_IMAGE052
为无人驾驶车辆i在第k单位时间段的台阶的上边界坐标；
Figure 88906DEST_PATH_IMAGE053
为无人驾驶车辆i在第k单位时间段的行驶范围在y轴方向上的最大边界坐标。因此，式（6）的约束表示为台阶对应方向的边界处于允许行驶范围内部，即走廊台阶的最小边界值大于允许的最小边界值，最大边界值小于允许的最大边界值。
考虑到多无人驾驶车辆行驶能力，
Figure 627335DEST_PATH_IMAGE054
、
Figure 825098DEST_PATH_IMAGE055
、
Figure 779279DEST_PATH_IMAGE051
和
Figure 214940DEST_PATH_IMAGE053
的计算与车辆行驶航向角有关，具体可以表示为：
Figure 655761DEST_PATH_IMAGE056
（7）
式（7）中，
Figure 809661DEST_PATH_IMAGE057
为无人驾驶车辆i在第k-1单位时间段的台阶中的参考点的x坐标；
Figure 629850DEST_PATH_IMAGE058
为无人驾驶车辆i在第k-1单位时间段的台阶中的参考点的y坐标；
Figure 388858DEST_PATH_IMAGE059
和
Figure 269090DEST_PATH_IMAGE060
分别表示无人驾驶车辆i沿着当前航向角方向朝前直驶和向后倒车的最大距离阈值，前者为正值，后者为负值；
Figure 644708DEST_PATH_IMAGE061
是指无人驾驶车辆i的参考轨迹在单位时间段k-1内的航向角，式（7）需
Figure 268587DEST_PATH_IMAGE062
，而当k=1时，坐标点
Figure 82435DEST_PATH_IMAGE063
退化为车辆初始状态下的位置坐标
Figure 133567DEST_PATH_IMAGE064
，参考轨迹的航向角
Figure 465323DEST_PATH_IMAGE065
退化为初始航向角
Figure 892893DEST_PATH_IMAGE066
。参考轨迹由典型人类驾驶行为（如直线行驶、换道、直角弯等）和车辆特征约束组成的行为基元库，结合车辆初始状态、目标状态、环境地图等信息生成。
如图5和图6所示，对式（7）进行具体说明，实线箭头表示朝前直驶方向，虚线箭头表示向后倒车方向，圆点表示上一单位时间段内的走廊参考点坐标。
Figure 626494DEST_PATH_IMAGE067
时，此时直驶方向上最远距离为
Figure 848528DEST_PATH_IMAGE068
，倒车方向上最远距离为
Figure 156928DEST_PATH_IMAGE069
，由于直驶的允许行驶范围比倒车的大，因此，两个半圆的半径大小不等，即此时的
Figure 857031DEST_PATH_IMAGE060
的绝对值比
Figure 179559DEST_PATH_IMAGE059
的小。当
Figure 41336DEST_PATH_IMAGE070
时，车辆行驶朝向和允许行驶范围可由
Figure 144421DEST_PATH_IMAGE067
关于y轴对称分布获得。当
Figure 320319DEST_PATH_IMAGE071
时，直驶方向上最远距离为
Figure 291161DEST_PATH_IMAGE072
，倒车方向上最远距离为
Figure 120577DEST_PATH_IMAGE073
；而当
Figure 383062DEST_PATH_IMAGE074
的情况可以由
Figure 159388DEST_PATH_IMAGE075
的情况关于x轴对称分布获得。
（4）建立连续时间段之间走廊台阶的尺寸和边界约束，得到第四约束条件；
连续的两个三维时空运动走廊台阶要具有最低重合度要求，如图7所示，其为四种基础的台阶重合情况，最低重合度可表达为：
Figure 518825DEST_PATH_IMAGE076
（8）
式（8）中，
Figure 253563DEST_PATH_IMAGE077
为无人驾驶车辆i在第k单位时间段的台阶的右边界坐标；
Figure 800082DEST_PATH_IMAGE078
为无人驾驶车辆i在第k-1单位时间段的台阶的左边界坐标；
Figure 642749DEST_PATH_IMAGE079
为在当前时间段内容纳无人驾驶车辆i几何外形所需的沿x轴方向的第一最小距离阈值；
Figure 591113DEST_PATH_IMAGE080
为无人驾驶车辆i在第k单位时间段的台阶的左边界坐标；
Figure 700015DEST_PATH_IMAGE081
为无人驾驶车辆i在第k-1单位时间段的台阶的右边界坐标；
Figure 530567DEST_PATH_IMAGE082
为无人驾驶车辆i在第k单位时间段的台阶的上边界坐标；
Figure 914275DEST_PATH_IMAGE083
为无人驾驶车辆i在第k-1单位时间段的台阶的下边界坐标；
Figure 982726DEST_PATH_IMAGE084
为在当前时间段内容纳无人驾驶车辆i几何外形所需的沿y轴方向的第二最小距离阈值；
Figure 59266DEST_PATH_IMAGE085
为无人驾驶车辆i在第k单位时间段的台阶的下边界坐标；
Figure 580377DEST_PATH_IMAGE086
为无人驾驶车辆i在第k-1单位时间段的台阶的上边界坐标。
具体的，k-1单位时间段台阶与k单位时间段台阶一定要有重合，如图8所示，如果某一走廊只满足（8）中某一式，则不连续。连续相邻走廊台阶需要满足式（8）中的所有约束才能符合重合度要求。
另外，连续走廊台阶的参考点之间的行进距离受到车辆最大速度等的限制，走廊参考点一定程度上反映和估计了轨迹优化的结果，连续参考点之间的跨度变化不能超过允许阈值的约束，连续参考点受到距离阈值的约束限制可以表示为：
Figure 30426DEST_PATH_IMAGE087
（9）
式（9）中，
Figure 687803DEST_PATH_IMAGE088
为无人驾驶车辆i在第k单位时间段的台阶中的参考点的x坐标；
Figure 731982DEST_PATH_IMAGE089
为无人驾驶车辆i在第k-1单位时间段的台阶中的参考点的x坐标；
Figure 474810DEST_PATH_IMAGE090
为无人驾驶车辆i向前直驶的第一最大距离阈值；
Figure 200321DEST_PATH_IMAGE091
为无人驾驶车辆i的参考轨迹在第k-1单位时间段的航向角；
Figure 446626DEST_PATH_IMAGE092
为无人驾驶车辆i在第k单位时间段的台阶中的参考点的y坐标；
Figure 130548DEST_PATH_IMAGE093
为无人驾驶车辆i在第k-1单位时间段的台阶中的参考点的y坐标。
式（9）表示的是两个连续单位时间段k和k-1的台阶参考点之间的距离在x轴和y轴方向上的分量
Figure 626251DEST_PATH_IMAGE094
和
Figure 152523DEST_PATH_IMAGE095
均小于
Figure 253334DEST_PATH_IMAGE096
在对应轴上的分量大小，将式（9）进行展开得到式(10)。
Figure 311420DEST_PATH_IMAGE097
（10）
式（8）和式（10）即组成本实施例的第四约束条件。
（5）构造多无人驾驶车辆运动规划轨迹生成的目标函数；
本实施例的目标函数包括：
Figure 825578DEST_PATH_IMAGE098
（11）
式（11）中，J为所有无人驾驶车辆的加权代价和；
Figure 830574DEST_PATH_IMAGE099
为无人驾驶车辆i的权重系数；
Figure 848209DEST_PATH_IMAGE100
为无人驾驶车辆i的行驶区间范围广度；
Figure 808687DEST_PATH_IMAGE101
为无人驾驶车辆i的参考轨迹偏差度；
Figure 13403DEST_PATH_IMAGE102
为无人驾驶车辆i的三维时空运动走廊中相邻台阶之间的连接度。
本实施例的目标函数包括三部分，一是多无人驾驶车辆行驶范围区域，二是多无人驾驶车辆生成的参考轨迹偏差度，三是相邻走廊之间考虑车辆行驶性能的连接度。
具体的，无人驾驶车辆i的行驶区间范围广度的计算公式为：
Figure 415566DEST_PATH_IMAGE103
（12）
式（12）中，
Figure 225390DEST_PATH_IMAGE104
为无人驾驶车辆i的范围广度权重；
Figure 953175DEST_PATH_IMAGE004
为无人驾驶车辆i在第k单位时间段的台阶中的参考点到台阶左边界的距离；
Figure 379608DEST_PATH_IMAGE005
为无人驾驶车辆i在第k单位时间段的台阶中的参考点到台阶右边界的距离；
Figure 319882DEST_PATH_IMAGE007
为无人驾驶车辆i在第k单位时间段的台阶中的参考点到台阶下边界的距离；
Figure 780950DEST_PATH_IMAGE008
为无人驾驶车辆i在第k单位时间段的台阶中的参考点到台阶上边界的距离。
无人驾驶车辆i的参考轨迹偏差度的计算公式为：
Figure 145548DEST_PATH_IMAGE105
（13）
式（13）中，
Figure 59278DEST_PATH_IMAGE106
为无人驾驶车辆i的偏差度权重；
Figure 334401DEST_PATH_IMAGE107
为无人驾驶车辆i在第k单位时间段的台阶中的参考点的x坐标；
Figure 649976DEST_PATH_IMAGE108
为无人驾驶车辆i的参考轨迹在第k单位时间段的x坐标；
Figure 922825DEST_PATH_IMAGE109
为无人驾驶车辆i在第k单位时间段的台阶中的参考点的y坐标；
Figure 323851DEST_PATH_IMAGE110
为无人驾驶车辆i的参考轨迹在第k单位时间段的y坐标。
无人驾驶车辆i的三维时空运动走廊中相邻台阶之间的连接度的计算公式为：
Figure 402665DEST_PATH_IMAGE111
（14）
式（14）中，
Figure 572747DEST_PATH_IMAGE112
为无人驾驶车辆i的前轮转角变化幅度权重系数；
Figure 482409DEST_PATH_IMAGE113
为无人驾驶车辆i在第k+1单位时间段的前轮转角变化率；
Figure 370731DEST_PATH_IMAGE114
为无人驾驶车辆i在第k单位时间段的前轮转角变化率。
基于上述建立的目标函数和四个约束条件，本实施例中的多无人驾驶车辆三维时空运动走廊生成模型包括：
Figure 987657DEST_PATH_IMAGE115
（15）
式（15）中，k表示单位时间段序号；V表示无人车集合。
S2：获取每一无人驾驶车辆的参考轨迹、车长、车宽和初始中心点的坐标；所述初始中心点的坐标为所述无人驾驶车辆在所述初始单位时间段的中心点的坐标；
S3：以所有所述无人驾驶车辆的参考轨迹、车长、车宽和初始中心点的坐标作为输入，利用所述多无人驾驶车辆三维时空运动走廊生成模型生成每一所述无人驾驶车辆的三维时空运动走廊；所述三维时空运动走廊包括多个所述单位时间段的台阶；所述台阶为所述无人驾驶车辆的可行驶范围。
在利用本实施例的方法得到三维时空运动走廊后，可进一步在三维时空运动走廊里生成考虑车辆运动能力的多无人车运动规划轨迹，即可以在三维时空运动走廊里生成一条精确考虑车辆运动能力，无人车可通行的运动规划路径。
本实施例提出一种考虑车辆运动能力的多无人车运动规划方法，通过建立单位时间段内的多无人驾驶车辆走廊台阶的尺寸和边界约束、初始单位时间段的走廊台阶边界约束、单位时间段内多无人驾驶车辆行驶范围约束和连续时间段之间台阶的尺寸和边界约束，并通过多无人车运动规划目标函数生成一条考虑车辆运动能力的三维时空运动走廊，可以有效地解决生成的三维时空走廊过小或者走廊之间不连续的问题，能够实现多无人驾驶车辆有效的规划与控制。并可进一步在三维时空运动走廊内生成多无人车运动规划轨迹，能满足车辆运动能力和实时性的要求，在用此方法生成的三维时空运动走廊中进行多无人车运动规划更加高效、实时。
实施例2：
本实施例用于提供一种考虑车辆运动能力的多无人车运动规划系统，如图9所示，所述规划系统包括：
模型构建模块M1，用于建立多无人驾驶车辆三维时空运动走廊生成模型；所述多无人驾驶车辆三维时空运动走廊生成模型包括目标函数、第一约束条件、第二约束条件、第三约束条件和第四约束条件；所述第一约束条件为单位时间段的台阶的尺寸和边界约束；所述第二约束条件为初始单位时间段的台阶的边界约束；所述第三约束条件为单位时间段的无人驾驶车辆的行驶范围约束；所述第四约束条件为连续单位时间段之间台阶的尺寸和边界约束；
信息获取模块M2，用于获取每一无人驾驶车辆的参考轨迹、车长、车宽和初始中心点的坐标；所述初始中心点的坐标为所述无人驾驶车辆在所述初始单位时间段的中心点的坐标；
生成模块M3，用于以所有所述无人驾驶车辆的参考轨迹、车长、车宽和初始中心点的坐标作为输入，利用所述多无人驾驶车辆三维时空运动走廊生成模型生成每一所述无人驾驶车辆的三维时空运动走廊；所述三维时空运动走廊包括多个所述单位时间段的台阶；所述台阶为所述无人驾驶车辆的可行驶范围。
本说明书中每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种考虑车辆运动能力的多无人车运动规划方法，其特征在于，所述规划方法包括：
建立多无人驾驶车辆三维时空运动走廊生成模型；所述多无人驾驶车辆三维时空运动走廊生成模型包括目标函数、第一约束条件、第二约束条件、第三约束条件和第四约束条件；所述第一约束条件为单位时间段的台阶的尺寸和边界约束；所述第二约束条件为初始单位时间段的台阶的边界约束；所述第三约束条件为单位时间段的无人驾驶车辆的行驶范围约束；所述第四约束条件为连续单位时间段之间台阶的尺寸和边界约束；
获取每一无人驾驶车辆的参考轨迹、车长、车宽和初始中心点的坐标；所述初始中心点的坐标为所述无人驾驶车辆在所述初始单位时间段的中心点的坐标；
以所有所述无人驾驶车辆的参考轨迹、车长、车宽和初始中心点的坐标作为输入，利用所述多无人驾驶车辆三维时空运动走廊生成模型生成每一所述无人驾驶车辆的三维时空运动走廊；所述三维时空运动走廊包括多个所述单位时间段的台阶；所述台阶为所述无人驾驶车辆的可行驶范围。
2.根据权利要求1所述的规划方法，其特征在于，所述目标函数包括：
Figure 887203DEST_PATH_IMAGE001
其中，J为所有无人驾驶车辆的加权代价和；
Figure 476448DEST_PATH_IMAGE002
为无人驾驶车辆i的权重系数；
Figure 990606DEST_PATH_IMAGE003
为无人驾驶车辆i的行驶区间范围广度；
Figure 57919DEST_PATH_IMAGE004
为无人驾驶车辆i的参考轨迹偏差度；
Figure 809974DEST_PATH_IMAGE005
为无人驾驶车辆i的三维时空运动走廊中相邻台阶之间的连接度。
3.根据权利要求2所述的规划方法，其特征在于，所述无人驾驶车辆i的行驶区间范围广度的计算公式为：
Figure 366857DEST_PATH_IMAGE006
其中，
Figure 102732DEST_PATH_IMAGE007
为无人驾驶车辆i的范围广度权重；
Figure 236386DEST_PATH_IMAGE008
为无人驾驶车辆i在第k单位时间段的台阶中的参考点到台阶左边界的距离；
Figure 577368DEST_PATH_IMAGE009
为无人驾驶车辆i在第k单位时间段的台阶中的参考点到台阶右边界的距离；
Figure 305153DEST_PATH_IMAGE010
为无人驾驶车辆i在第k单位时间段的台阶中的参考点到台阶下边界的距离；
Figure 731586DEST_PATH_IMAGE011
为无人驾驶车辆i在第k单位时间段的台阶中的参考点到台阶上边界的距离。
4.根据权利要求2所述的规划方法，其特征在于，所述无人驾驶车辆i的参考轨迹偏差度的计算公式为：
Figure 203019DEST_PATH_IMAGE012
其中，
Figure 398508DEST_PATH_IMAGE013
为无人驾驶车辆i的偏差度权重；
Figure 562773DEST_PATH_IMAGE014
为无人驾驶车辆i在第k单位时间段的台阶中的参考点的x坐标；
Figure 742082DEST_PATH_IMAGE015
为无人驾驶车辆i的参考轨迹在第k单位时间段的x坐标；
Figure 689309DEST_PATH_IMAGE016
为无人驾驶车辆i在第k单位时间段的台阶中的参考点的y坐标；
Figure 67201DEST_PATH_IMAGE017
为无人驾驶车辆i的参考轨迹在第k单位时间段的y坐标。
5.根据权利要求2所述的规划方法，其特征在于，所述无人驾驶车辆i的三维时空运动走廊中相邻台阶之间的连接度的计算公式为：
Figure 94979DEST_PATH_IMAGE018
其中，
Figure 558321DEST_PATH_IMAGE019
为无人驾驶车辆i的前轮转角变化幅度权重系数；
Figure 574819DEST_PATH_IMAGE020
为无人驾驶车辆i在第k+1单位时间段的前轮转角变化率；
Figure 744900DEST_PATH_IMAGE021
为无人驾驶车辆i在第k单位时间段的前轮转角变化率。
6.根据权利要求1所述的规划方法，其特征在于，所述第一约束条件包括：
Figure 250968DEST_PATH_IMAGE022
其中，
Figure 873710DEST_PATH_IMAGE008
为无人驾驶车辆i在第k单位时间段的台阶中的参考点到台阶左边界的距离；
Figure 490636DEST_PATH_IMAGE009
为无人驾驶车辆i在第k单位时间段的台阶中的参考点到台阶右边界的距离；
Figure 515224DEST_PATH_IMAGE023
为容纳无人驾驶车辆i所需的沿x轴方向的第一最小距离阈值；
Figure 395455DEST_PATH_IMAGE010
为无人驾驶车辆i在第k单位时间段的台阶中的参考点到台阶下边界的距离；
Figure 567811DEST_PATH_IMAGE011
为无人驾驶车辆i在第k单位时间段的台阶中的参考点到台阶上边界的距离；
Figure 657602DEST_PATH_IMAGE024
为容纳无人驾驶车辆i所需的沿y轴方向的第二最小距离阈值；所述第一最小距离阈值和所述第二最小距离阈值根据所述无人驾驶车辆i的车长和车宽计算得到。
7.根据权利要求1所述的规划方法，其特征在于，所述第二约束条件包括：
Figure 67855DEST_PATH_IMAGE025
其中，
Figure 118987DEST_PATH_IMAGE026
为无人驾驶车辆i在初始单位时间段的台阶的左边界坐标；
Figure 981901DEST_PATH_IMAGE027
为无人驾驶车辆i的初始中心点的x坐标；
Figure 143892DEST_PATH_IMAGE028
为无人驾驶车辆i在初始单位时间段的包围盒的四个顶点到初始中心点在x轴方向上的最小距离；
Figure 143072DEST_PATH_IMAGE029
为无人驾驶车辆i在初始单位时间段的台阶的右边界坐标；
Figure 365106DEST_PATH_IMAGE030
为无人驾驶车辆i在初始单位时间段的包围盒的四个顶点到初始中心点在x轴方向上的最大距离；
Figure 715316DEST_PATH_IMAGE031
为无人驾驶车辆i在初始单位时间段的台阶的下边界坐标；
Figure 943648DEST_PATH_IMAGE032
为无人驾驶车辆i的初始中心点的y坐标；
Figure 531755DEST_PATH_IMAGE033
为无人驾驶车辆i在初始单位时间段的包围盒的四个顶点到初始中心点在y轴方向上的最小距离；
Figure 393532DEST_PATH_IMAGE034
为无人驾驶车辆i在初始单位时间段的台阶的上边界坐标；
Figure 231038DEST_PATH_IMAGE035
为无人驾驶车辆i在初始单位时间段的包围盒的四个顶点到初始中心点在y轴方向上的最大距离。
8.根据权利要求1所述的规划方法，其特征在于，所述第三约束条件包括：
Figure 531569DEST_PATH_IMAGE036
其中，
Figure 505341DEST_PATH_IMAGE037
为无人驾驶车辆i在第k单位时间段的台阶的左边界坐标；
Figure 803599DEST_PATH_IMAGE038
为无人驾驶车辆i在第k单位时间段的行驶范围在x轴方向上的最小边界坐标；
Figure 925138DEST_PATH_IMAGE039
为无人驾驶车辆i在第k单位时间段的台阶的右边界坐标；
Figure 232623DEST_PATH_IMAGE040
为无人驾驶车辆i在第k单位时间段的行驶范围在x轴方向上的最大边界坐标；
Figure 792393DEST_PATH_IMAGE041
为无人驾驶车辆i在第k单位时间段的台阶的下边界坐标；
Figure 527130DEST_PATH_IMAGE042
为无人驾驶车辆i在第k单位时间段的行驶范围在y轴方向上的最小边界坐标；
Figure 73649DEST_PATH_IMAGE043
为无人驾驶车辆i在第k单位时间段的台阶的上边界坐标；
Figure 981563DEST_PATH_IMAGE044
为无人驾驶车辆i在第k单位时间段的行驶范围在y轴方向上的最大边界坐标。
9.根据权利要求1所述的规划方法，其特征在于，所述第四约束条件包括：
Figure 664348DEST_PATH_IMAGE045
Figure 366725DEST_PATH_IMAGE046
其中，
Figure 400540DEST_PATH_IMAGE047
为无人驾驶车辆i在第k单位时间段的台阶的右边界坐标；
Figure 784248DEST_PATH_IMAGE048
为无人驾驶车辆i在第k-1单位时间段的台阶的左边界坐标；
Figure 383856DEST_PATH_IMAGE049
为容纳无人驾驶车辆i所需的沿x轴方向的第一最小距离阈值；
Figure 191888DEST_PATH_IMAGE050
为无人驾驶车辆i在第k单位时间段的台阶的左边界坐标；
Figure 509737DEST_PATH_IMAGE051
为无人驾驶车辆i在第k-1单位时间段的台阶的右边界坐标；
Figure 431556DEST_PATH_IMAGE052
为无人驾驶车辆i在第k单位时间段的台阶的上边界坐标；
Figure 151251DEST_PATH_IMAGE053
为无人驾驶车辆i在第k-1单位时间段的台阶的下边界坐标；
Figure 133113DEST_PATH_IMAGE054
为容纳无人驾驶车辆i所需的沿y轴方向的第二最小距离阈值；
Figure 938258DEST_PATH_IMAGE055
为无人驾驶车辆i在第k单位时间段的台阶的下边界坐标；
Figure 663769DEST_PATH_IMAGE056
为无人驾驶车辆i在第k-1单位时间段的台阶的上边界坐标；
Figure 441232DEST_PATH_IMAGE057
为无人驾驶车辆i在第k单位时间段的台阶中的参考点的x坐标；
Figure 656312DEST_PATH_IMAGE058
为无人驾驶车辆i在第k-1单位时间段的台阶中的参考点的x坐标；
Figure 620857DEST_PATH_IMAGE059
为无人驾驶车辆i向前直驶的第一最大距离阈值；
Figure 212376DEST_PATH_IMAGE060
为无人驾驶车辆i的参考轨迹在第k-1单位时间段的航向角；
Figure 575836DEST_PATH_IMAGE061
为无人驾驶车辆i在第k单位时间段的台阶中的参考点的y坐标；
Figure 961818DEST_PATH_IMAGE062
为无人驾驶车辆i在第k-1单位时间段的台阶中的参考点的y坐标。
10.一种考虑车辆运动能力的多无人车运动规划系统，其特征在于，所述规划系统包括：
模型构建模块，用于建立多无人驾驶车辆三维时空运动走廊生成模型；所述多无人驾驶车辆三维时空运动走廊生成模型包括目标函数、第一约束条件、第二约束条件、第三约束条件和第四约束条件；所述第一约束条件为单位时间段的台阶的尺寸和边界约束；所述第二约束条件为初始单位时间段的台阶的边界约束；所述第三约束条件为单位时间段的无人驾驶车辆的行驶范围约束；所述第四约束条件为连续单位时间段之间台阶的尺寸和边界约束；
信息获取模块，用于获取每一无人驾驶车辆的参考轨迹、车长、车宽和初始中心点的坐标；所述初始中心点的坐标为所述无人驾驶车辆在所述初始单位时间段的中心点的坐标；
生成模块，用于以所有所述无人驾驶车辆的参考轨迹、车长、车宽和初始中心点的坐标作为输入，利用所述多无人驾驶车辆三维时空运动走廊生成模型生成每一所述无人驾驶车辆的三维时空运动走廊；所述三维时空运动走廊包括多个所述单位时间段的台阶；所述台阶为所述无人驾驶车辆的可行驶范围。
CN202210918687.1A 2022-08-02 2022-08-02 一种考虑车辆运动能力的多无人车运动规划方法和系统 Active CN114995465B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210918687.1A CN114995465B (zh) 2022-08-02 2022-08-02 一种考虑车辆运动能力的多无人车运动规划方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210918687.1A CN114995465B (zh) 2022-08-02 2022-08-02 一种考虑车辆运动能力的多无人车运动规划方法和系统

Publications (2)

Publication Number Publication Date
CN114995465A true CN114995465A (zh) 2022-09-02
CN114995465B CN114995465B (zh) 2022-11-15

Family

ID=83022752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210918687.1A Active CN114995465B (zh) 2022-08-02 2022-08-02 一种考虑车辆运动能力的多无人车运动规划方法和系统

Country Status (1)

Country Link
CN (1) CN114995465B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116663939A (zh) * 2023-07-31 2023-08-29 北京理工大学 一种无人车路径规划场景及任务的复杂度评价方法和系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106005469A (zh) * 2016-05-16 2016-10-12 西北工业大学 三倾转螺旋桨垂直起降无人机模态转换过渡走廊确定方法
US9612123B1 (en) * 2015-11-04 2017-04-04 Zoox, Inc. Adaptive mapping to navigate autonomous vehicles responsive to physical environment changes
CN108088456A (zh) * 2017-12-21 2018-05-29 北京工业大学 一种具有时间一致性的无人驾驶车辆局部路径规划方法
CN109808509A (zh) * 2019-02-25 2019-05-28 武汉理工大学 一种无人驾驶越野车跨壕沟的自动识别与控制系统及方法
CN111338340A (zh) * 2020-02-21 2020-06-26 天津大学 基于模型预测的无人驾驶汽车局部路径规划方法
CN113515125A (zh) * 2021-07-05 2021-10-19 中国石油大学(华东) 一种无人驾驶汽车全工况避障控制方法及性能评价方法
CN114084158A (zh) * 2021-12-17 2022-02-25 吉林大学 一种自动驾驶冗余控制系统
CN114415694A (zh) * 2022-03-28 2022-04-29 北京理工大学 一种面向自动驾驶车辆的实时轨迹规划方法及系统
CN114489087A (zh) * 2022-04-18 2022-05-13 北京理工大学 一种多无人驾驶车辆路径协同规划方法及系统
CN114537435A (zh) * 2022-03-03 2022-05-27 湖州快飞智能科技有限公司 一种自动驾驶中的实时整车轨迹规划方法
WO2022128265A1 (de) * 2020-12-16 2022-06-23 Bayerische Motoren Werke Aktiengesellschaft Verfahren und system zum koordinieren von fahrerlosen transportfahrzeugen
CN114771551A (zh) * 2022-04-29 2022-07-22 阿波罗智能技术(北京)有限公司 自动驾驶车辆轨迹规划方法、装置和自动驾驶车辆

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9612123B1 (en) * 2015-11-04 2017-04-04 Zoox, Inc. Adaptive mapping to navigate autonomous vehicles responsive to physical environment changes
CN106005469A (zh) * 2016-05-16 2016-10-12 西北工业大学 三倾转螺旋桨垂直起降无人机模态转换过渡走廊确定方法
CN108088456A (zh) * 2017-12-21 2018-05-29 北京工业大学 一种具有时间一致性的无人驾驶车辆局部路径规划方法
CN109808509A (zh) * 2019-02-25 2019-05-28 武汉理工大学 一种无人驾驶越野车跨壕沟的自动识别与控制系统及方法
CN111338340A (zh) * 2020-02-21 2020-06-26 天津大学 基于模型预测的无人驾驶汽车局部路径规划方法
WO2022128265A1 (de) * 2020-12-16 2022-06-23 Bayerische Motoren Werke Aktiengesellschaft Verfahren und system zum koordinieren von fahrerlosen transportfahrzeugen
CN113515125A (zh) * 2021-07-05 2021-10-19 中国石油大学(华东) 一种无人驾驶汽车全工况避障控制方法及性能评价方法
CN114084158A (zh) * 2021-12-17 2022-02-25 吉林大学 一种自动驾驶冗余控制系统
CN114537435A (zh) * 2022-03-03 2022-05-27 湖州快飞智能科技有限公司 一种自动驾驶中的实时整车轨迹规划方法
CN114415694A (zh) * 2022-03-28 2022-04-29 北京理工大学 一种面向自动驾驶车辆的实时轨迹规划方法及系统
CN114489087A (zh) * 2022-04-18 2022-05-13 北京理工大学 一种多无人驾驶车辆路径协同规划方法及系统
CN114771551A (zh) * 2022-04-29 2022-07-22 阿波罗智能技术(北京)有限公司 自动驾驶车辆轨迹规划方法、装置和自动驾驶车辆

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
FUZHOU ZHAO ET AL.: "Model Predictive Control of Soft Constraints for Autonomous Vehicle Major Lane-Changing Behavior With Time Variable Model", 《IEEE ACCESS》 *
宋文杰 等: "动态交通场景下基于时空导航地图的行驶轨迹规划方法", 《中国惯性技术学报》 *
韩月起 等: "基于凸近似的避障原理及无人驾驶车辆路径规划模型预测算法", 《自动化学报》 *
龚建伟 等: "智能车辆规划与控制策略学习方法综述", 《北京理工大学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116663939A (zh) * 2023-07-31 2023-08-29 北京理工大学 一种无人车路径规划场景及任务的复杂度评价方法和系统
CN116663939B (zh) * 2023-07-31 2023-10-17 北京理工大学 一种无人车路径规划场景及任务的复杂度评价方法和系统

Also Published As

Publication number Publication date
CN114995465B (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
Li et al. Development of a new integrated local trajectory planning and tracking control framework for autonomous ground vehicles
Gutjahr et al. Lateral vehicle trajectory optimization using constrained linear time-varying MPC
US9216745B2 (en) Shared control of semi-autonomous vehicles including collision avoidance in multi-agent scenarios
Ji et al. TriPField: A 3D potential field model and its applications to local path planning of autonomous vehicles
Hilgert et al. Emergency path planning for autonomous vehicles using elastic band theory
Bae et al. Path generation and tracking based on a Bezier curve for a steering rate controller of autonomous vehicles
Li et al. A practical trajectory planning framework for autonomous ground vehicles driving in urban environments
CN110928297A (zh) 基于多目标动态粒子群优化的智能公交车辆路径规划方法
CN111795699B (zh) 无人车的路径规划方法、装置和计算机可读存储介质
Lee et al. Autonomous-driving vehicle control with composite velocity profile planning
CN115230729A (zh) 一种自动驾驶避障方法及系统、存储介质
CN116465427B (zh) 一种基于时空风险量化的智能车辆换道避障路径规划方法
CN114995465B (zh) 一种考虑车辆运动能力的多无人车运动规划方法和系统
CN111830983A (zh) 动态环境下的多智能体群系统导航与避障方法及装置
Li et al. Adaptive sampling-based motion planning with a non-conservatively defensive strategy for autonomous driving
Malayjerdi et al. Practical path planning techniques in overtaking for autonomous shuttles
Zhang et al. Smooth path and velocity planning under 3D path constraints for car-like vehicles
Park et al. Optimal Path Planning for Autonomous Vehicles Using Artificial Potential Field Algorithm
Zhang et al. Intelligent path planning by an improved RRT algorithm with dual grid map
CN117762124B (zh) 一种无杆牵引构型下舰载机甲板调运轨迹规划方法
Wang et al. Motion Planning Method for Car-Like Autonomous Mobile Robots in Dynamic Obstacle Environments
Ornik et al. An automated parallel parking strategy using reach control theory
Wu et al. Time‐Optimal Trajectory Planning along Parametric Polynomial Lane‐Change Curves with Bounded Velocity and Acceleration: Simulations for a Unicycle Based on Numerical Integration
Liu et al. Quasi-critical collision-avoidance strategy for autonomous vehicles in complex traffic scenarios based on exclusive area of relative velocity vector algorithm
Li et al. Decision making for autonomous vehicles

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
GR01 Patent grant
GR01 Patent grant