CN114995466B - 一种多无人驾驶车辆三维时空运动走廊生成方法和系统 - Google Patents

一种多无人驾驶车辆三维时空运动走廊生成方法和系统 Download PDF

Info

Publication number
CN114995466B
CN114995466B CN202210918700.3A CN202210918700A CN114995466B CN 114995466 B CN114995466 B CN 114995466B CN 202210918700 A CN202210918700 A CN 202210918700A CN 114995466 B CN114995466 B CN 114995466B
Authority
CN
China
Prior art keywords
unmanned vehicles
time period
place
unit time
steps
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.)
Active
Application number
CN202210918700.3A
Other languages
English (en)
Other versions
CN114995466A (zh
Inventor
龚建伟
臧政
张曦
龚乘
吕超
吴绍斌
李圆圆
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 CN202210918700.3A priority Critical patent/CN114995466B/zh
Publication of CN114995466A publication Critical patent/CN114995466A/zh
Application granted granted Critical
Publication of CN114995466B publication Critical patent/CN114995466B/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

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

本发明涉及一种多无人驾驶车辆三维时空运动走廊生成方法和系统，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，然后获取障碍物信息和每一无人驾驶车辆的参考轨迹，最后以障碍物信息和参考轨迹作为输入，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，从而考虑时间层面生成多无人驾驶车辆的三维时空运动走廊，且各个无人驾驶车辆的三维时空运动走廊之间无碰撞，各个无人驾驶车辆的三维时空运动走廊与障碍物之间无碰撞，在多无人驾驶车辆运动规划中能够生成安全、可通行、无碰撞和光滑的三维时空运动走廊。

Description

一种多无人驾驶车辆三维时空运动走廊生成方法和系统
技术领域
本发明涉及运动规划技术领域，特别是涉及一种多无人驾驶车辆三维时空运动走廊生成方法和系统。
背景技术
运动规划技术在多无人驾驶车辆驾驶中占据着非常重要的地位，目前主流的无人驾驶车辆运动规划都是采用单车规划算法进行规划，比如基于搜索的规划算法、基于采样的规划算法、基于优化的规划算法和基于学习的规划算法等，但由于单车规划算法没有考虑多无人驾驶车辆之间的交互行为，导致无法保证所规划得到的多无人驾驶车辆轨迹之间的无碰撞。且当前的多无人驾驶车辆运动规划技术绝大多数都是在二维平面进行规划，很少考虑时间层面这一因素。
基于此，亟需一种能够考虑时间层面的、保证多车轨迹无碰撞的技术。
发明内容
本发明的目的是提供一种多无人驾驶车辆三维时空运动走廊生成方法和系统，考虑时间层面生成多无人驾驶车辆的三维时空运动走廊，且各个无人驾驶车辆的三维时空运动走廊之间无碰撞。
为实现上述目的，本发明提供了如下方案：
一种多无人驾驶车辆三维时空运动走廊生成方法，所述生成方法包括：
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、保证多无人驾驶车辆的三维时空运动走廊之间无碰撞的第一约束条件、保证每一无人驾驶车辆的三维时空运动走廊与障碍物之间无碰撞的第二约束条件和保证单位时间段内每一无人驾驶车辆的三维时空运动走廊的台阶与障碍物的台阶之间无碰撞的第三约束条件；
获取障碍物信息和每一无人驾驶车辆的参考轨迹；所述障碍物信息包括障碍物在每一单位时间段的形状和位置；
以所述障碍物信息和所述参考轨迹作为输入，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。
一种多无人驾驶车辆三维时空运动走廊生成系统，所述生成系统包括：
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、保证多无人驾驶车辆的三维时空运动走廊之间无碰撞的第一约束条件、保证每一无人驾驶车辆的三维时空运动走廊与障碍物之间无碰撞的第二约束条件和保证单位时间段内每一无人驾驶车辆的三维时空运动走廊的台阶与障碍物的台阶之间无碰撞的第三约束条件；
信息获取模块，用于获取障碍物信息和每一无人驾驶车辆的参考轨迹；所述障碍物信息包括障碍物在每一单位时间段的形状和位置；
生成模块，用于以所述障碍物信息和所述参考轨迹作为输入，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多无人驾驶车辆三维时空运动走廊生成方法和系统，先建立多无人驾驶车辆三维时空运动走廊生成模型，包括目标函数和保证多无人驾驶车辆的三维时空运动走廊之间无碰撞以及保证每一无人驾驶车辆的三维时空运动走廊与障碍物之间无碰撞的三个约束条件。然后获取障碍物信息和每一无人驾驶车辆的参考轨迹。最后以障碍物信息和参考轨迹作为输入，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，从而考虑时间层面生成多无人驾驶车辆的三维时空运动走廊，且各个无人驾驶车辆的三维时空运动走廊之间无碰撞，各个无人驾驶车辆的三维时空运动走廊与障碍物之间无碰撞，在多无人驾驶车辆运动规划中能够生成安全、可通行、无碰撞和光滑的三维时空运动走廊。
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所提供的生成方法的方法流程图；
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投影重叠台阶的局部放大图；
图4为本发明实施例1所提供的三维时空运动走廊向Oxy投影台阶不重叠的四种情况示意图；
图5为本发明实施例1所提供的多无人驾驶车辆三维时空环境下的碰撞检测图；
图6为本发明实施例1所提供的三维时空运动走廊动静态障碍物表示形式的示意图；
图7为本发明实施例1所提供的三维时空运动走廊示意图；
图8为本发明实施例1所提供的第k单位时间段的台阶示意图；
图9为本发明实施例1所提供的三维时空运动走廊台阶局部截面放大图；
图10为本发明实施例1所提供的两无人驾驶车辆的三维时空运动走廊的示意图；
图11为本发明实施例1所提供的两无人驾驶车辆三维时空运动走廊的平面投影示意图；
图12为本发明实施例1所提供的两无人驾驶车辆在第k单位时间段的台阶示意图；
图13为本发明实施例1所提供的多无人驾驶车辆信息传递图；
图14为本发明实施例2所提供的生成系统的系统框图。
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多无人驾驶车辆三维时空运动走廊生成方法和系统，考虑时间层面生成多无人驾驶车辆的三维时空运动走廊，且各个无人驾驶车辆的三维时空运动走廊之间无碰撞。
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多无人驾驶车辆三维时空运动走廊生成方法，如图1所示，所述生成方法包括：
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、保证多无人驾驶车辆的三维时空运动走廊之间无碰撞的第一约束条件、保证每一无人驾驶车辆的三维时空运动走廊与障碍物之间无碰撞的第二约束条件和保证单位时间段内每一无人驾驶车辆的三维时空运动走廊的台阶与障碍物的台阶之间无碰撞的第三约束条件；
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）构造多无人驾驶车辆各自的三维时空运动走廊之间避免交互冲突的严格约束，得到第一约束条件；
为避免多无人驾驶车辆交互时发生碰撞，在三维时空地图中表征的各无人驾驶车辆的三维时空运动走廊不能产生重叠，故在三维时空运动走廊生成过程中需要添加多无人驾驶车辆不允许在同一时间段占据同一三维空间位置的约束。无人驾驶车辆i和无人驾驶车辆j交互时，二者的三维时空运动走廊向Oxy平面投影如果有重合，但在三维时空运动走廊空间中并没有重合，这样就能保证无人驾驶车辆之间不会发生冲突，保证了安全性。
如图3所示，无人驾驶车辆i的三维时空运动走廊台阶向Oxy平面投影得到一个长方形，长方形的左上角、右上角、左下角和右下角四个顶点分别用
Figure 716236DEST_PATH_IMAGE001
、
Figure 12438DEST_PATH_IMAGE002
、
Figure 112112DEST_PATH_IMAGE003
和
Figure 281931DEST_PATH_IMAGE004
表示，无人驾驶车辆j的三维时空运动走廊台阶向Oxy平面投影也得到一个长方形，长方形的左上角、右上角、左下角和右下角四个顶点分别用
Figure 910490DEST_PATH_IMAGE005
、
Figure 916492DEST_PATH_IMAGE006
、
Figure 55743DEST_PATH_IMAGE007
和
Figure 112691DEST_PATH_IMAGE008
表示。无人驾驶车辆i的三维时空运动走廊台阶向Oxy平面投影得到长方形的最左侧、最右侧、最下侧、最上侧的边界坐标分别用
Figure 145107DEST_PATH_IMAGE009
、
Figure 185875DEST_PATH_IMAGE010
、
Figure 349658DEST_PATH_IMAGE011
和
Figure 995534DEST_PATH_IMAGE012
表示，无人驾驶车辆j的三维时空运动走廊台阶向Oxy平面投影得到长方形的最左侧、最右侧、最下侧、最上侧的边界坐标分别用
Figure 215162DEST_PATH_IMAGE013
、
Figure 976183DEST_PATH_IMAGE014
、
Figure 159034DEST_PATH_IMAGE015
和
Figure 160881DEST_PATH_IMAGE016
表示。
如果两无人驾驶车辆在同一单位时间段内的三维时空运动走廊台阶发生重叠，则无法保证以该走廊为边界生成的两无人驾驶车辆的运动轨迹不发生碰撞。要保证两个台阶不发生重叠，必须使无人驾驶车辆j在无人驾驶车辆i的上、下、左、右侧，且无人驾驶车辆j的行驶方向为远离无人驾驶车辆i的行驶方向，如图4所示，其为三维时空运动走廊台阶不重叠的四种情况示意图，无人驾驶车辆j在无人驾驶车辆i的上、下、左、右任意一侧时，两无人驾驶车辆在该单位时间段的台阶便无冲突，而基于此边界优化的轨迹也将无碰撞风险。因此，避免多无人驾驶车辆之间发生碰撞冲突的严格约束，即第一约束条件为：
Figure 567723DEST_PATH_IMAGE017
其中，
Figure 504455DEST_PATH_IMAGE009
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 317428DEST_PATH_IMAGE014
为无人驾驶车辆j在第k单位时间段的台阶的右边界坐标；
Figure 672317DEST_PATH_IMAGE018
为第一整数变量，要么取1，要么取0；M为极大数；
Figure 480086DEST_PATH_IMAGE019
为两无人驾驶车辆的三维时空运动走廊台阶之间在x轴方向上的第一安全阈值；
Figure 654846DEST_PATH_IMAGE013
为无人驾驶车辆j在第k单位时间段的台阶的左边界坐标；
Figure 163188DEST_PATH_IMAGE010
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 933436DEST_PATH_IMAGE020
为第二整数变量，要么取1，要么取0；
Figure 150922DEST_PATH_IMAGE011
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 580022DEST_PATH_IMAGE016
为无人驾驶车辆j在第k单位时间段的台阶的上边界坐标；
Figure 688793DEST_PATH_IMAGE021
为第三整数变量，要么取1，要么取0；
Figure 752695DEST_PATH_IMAGE022
为两无人驾驶车辆的三维时空运动走廊台阶之间在y轴方向上的第二安全阈值；
Figure 905196DEST_PATH_IMAGE015
为无人驾驶车辆j在第k单位时间段的台阶的下边界坐标；
Figure 320128DEST_PATH_IMAGE012
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 232589DEST_PATH_IMAGE023
为第四整数变量，要么取1，要么取0。
当
Figure 646604DEST_PATH_IMAGE018
取0时，上式的第一项变为
Figure 940313DEST_PATH_IMAGE024
，即无人驾驶车辆i在单位时间段k内的台阶的左侧边界
Figure 606655DEST_PATH_IMAGE025
与无人驾驶车辆j在该单位时间段k内的台阶的右侧边界
Figure 604698DEST_PATH_IMAGE014
不发生重叠，并且保持大于或等于第一安全阈值
Figure 892460DEST_PATH_IMAGE019
的距离，同理，当
Figure 592956DEST_PATH_IMAGE020
、
Figure 779218DEST_PATH_IMAGE021
以及
Figure 17170DEST_PATH_IMAGE023
为0时，也不会发生碰撞。而当
Figure 159439DEST_PATH_IMAGE018
、
Figure 122846DEST_PATH_IMAGE020
、
Figure 432955DEST_PATH_IMAGE021
和
Figure 507222DEST_PATH_IMAGE023
中任一项等于1时，该项对应的不等式自然成立。如果
Figure 753264DEST_PATH_IMAGE018
、
Figure 153153DEST_PATH_IMAGE020
、
Figure 235378DEST_PATH_IMAGE021
和
Figure 818063DEST_PATH_IMAGE023
中至少有一项为0，则两无人驾驶车辆在单位时间段k内的台阶形式为上、下、左、右任一种或某几种组合，能保证台阶之间无碰撞，也就是
Figure 685656DEST_PATH_IMAGE018
、
Figure 958243DEST_PATH_IMAGE020
、
Figure 75234DEST_PATH_IMAGE021
和
Figure 943833DEST_PATH_IMAGE023
的总和小于或者等于3，由上式中的第五项表示。因此，上式构成了多无人驾驶车辆避免交互冲突的严格约束，保证了多人车之间交互安全性。
（2）构建多无人驾驶车辆在三维时空运动走廊内的碰撞检测模型，得到第二约束条件；
如图5所示，障碍物用由
Figure 450555DEST_PATH_IMAGE026
个面构成的凸立方体表示，无人驾驶车辆i在时刻
Figure 395508DEST_PATH_IMAGE027
（即单位时间段k）处的规划轨迹点要满足：
Figure 655588DEST_PATH_IMAGE028
其中，
Figure 373883DEST_PATH_IMAGE029
为障碍物第f个面的平面单位法向量；
Figure 216069DEST_PATH_IMAGE030
为障碍物第f个面上的任意一点
Figure 98967DEST_PATH_IMAGE031
指向无人驾驶车辆i在第k单位时间段的台阶中的参考点的空间向量，参考点
Figure 128234DEST_PATH_IMAGE032
；
Figure 650220DEST_PATH_IMAGE033
为障碍物与无人驾驶车辆之间距离的第三安全阈值，第三安全阈值
Figure 330600DEST_PATH_IMAGE033
为正实数。因此，上式的含义是点
Figure 617356DEST_PATH_IMAGE034
到面f的垂直位移
Figure 895104DEST_PATH_IMAGE035
大于第三安全阈值
Figure 659929DEST_PATH_IMAGE033
，垂直位移存在正负值，点
Figure 506400DEST_PATH_IMAGE034
到面f的垂直位移为正值，点
Figure 213325DEST_PATH_IMAGE034
到面g的垂直位移为负值，分别说明点
Figure 217184DEST_PATH_IMAGE034
在面f的外侧和面g的内侧。
可知，只要点
Figure 83902DEST_PATH_IMAGE034
与障碍物的任一面f之间能满足上式表示的条件，则该点处于三维时空环境下的安全区域。因此，引入整数二值变量
Figure 224028DEST_PATH_IMAGE036
，点
Figure 101854DEST_PATH_IMAGE034
位于安全区域的判决条件，即第二约束条件为：
Figure 91544DEST_PATH_IMAGE037
其中，
Figure 463751DEST_PATH_IMAGE029
为障碍物第f个面的平面单位法向量；
Figure 16305DEST_PATH_IMAGE030
为障碍物第f个面上的任意一点指向无人驾驶车辆i在第k单位时间段的台阶中的参考点的空间向量；
Figure 550186DEST_PATH_IMAGE036
为第五整数变量；M为极大数；
Figure 309063DEST_PATH_IMAGE033
为第三安全阈值；
Figure 452338DEST_PATH_IMAGE026
为障碍物的面的总个数。点
Figure 98214DEST_PATH_IMAGE034
与面f满足上式条件，即点
Figure 570040DEST_PATH_IMAGE034
位于面f外侧，因此，上式中面f从第1个面到第
Figure 19476DEST_PATH_IMAGE026
个面中至少能保证一个变量
Figure 530223DEST_PATH_IMAGE036
=0，从而判断点
Figure 529140DEST_PATH_IMAGE034
处于安全区域。
（3）构造单位时间段k无人驾驶车辆i的三维时空运动走廊台阶与环境中动、静态障碍物每一个台阶不发生碰撞的约束，得到第三约束条件；
环境中的障碍物包括静态和动态两种，在三维时空地图里，静态障碍物的形式为“墙”，动态障碍物的形式为运动的立方体，如图6所示，其为三维时空运动走廊动、静态障碍物表示形式的示意图，将两者按照无人驾驶车辆的时空走廊台阶的时间段序列进行时间匹配，在时间匹配后障碍物表达为一系列走廊台阶形式，静态障碍物的时间段依次为
Figure 873665DEST_PATH_IMAGE038
、…、
Figure 119052DEST_PATH_IMAGE039
、…和
Figure 354861DEST_PATH_IMAGE040
，m为静态障碍物的序号；动态障碍物的时间段依次为
Figure 178592DEST_PATH_IMAGE041
、…、
Figure 254870DEST_PATH_IMAGE042
、…和
Figure 226368DEST_PATH_IMAGE043
，n为动态障碍物的序号。
为避免与环境中的动、静态障碍物发生碰撞，在每个单位时间段内，所有无人驾驶车辆的台阶需与所有障碍物在该单位时间段内的台阶不发生重叠。将动、静态障碍物在单位时间段k内的台阶整合为统一的表达式，如下：
Figure 289DEST_PATH_IMAGE044
其中，
Figure 711150DEST_PATH_IMAGE045
、
Figure 912324DEST_PATH_IMAGE046
、
Figure 574380DEST_PATH_IMAGE047
和
Figure 932418DEST_PATH_IMAGE048
依次为障碍物m在单位时间段k内的最左侧、最右侧、最下侧和最上侧边界坐标。障碍物信息是已知的，静态障碍物在各个单位时间段的信息是依靠摄像头和雷达提前获取的，动态障碍物在各个单位时间段的信息是以动态障碍物的初始位置信息作为输入，基于长短期记忆人工神经网络模型预测得到的。
无人驾驶车辆i与障碍物m在单位时间段k内不发生碰撞的约束，即第三约束条件为：
Figure 58637DEST_PATH_IMAGE049
其中，
Figure 430713DEST_PATH_IMAGE009
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 646029DEST_PATH_IMAGE046
为障碍物m在第k单位时间段的右边界坐标；
Figure 43644DEST_PATH_IMAGE050
为第六整数变量；M为极大数；
Figure 211320DEST_PATH_IMAGE051
为无人驾驶车辆三维时空运动走廊台阶与该单位时间段障碍物台阶之间在x轴上距离的第四安全阈值；
Figure 3564DEST_PATH_IMAGE045
为障碍物m在第k单位时间段的台阶的左边界坐标；
Figure 905792DEST_PATH_IMAGE010
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 559628DEST_PATH_IMAGE052
为第七整数变量；
Figure 568428DEST_PATH_IMAGE011
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 79044DEST_PATH_IMAGE048
为障碍物m在第k单位时间段的台阶的上边界坐标；
Figure 875093DEST_PATH_IMAGE053
为第八整数变量；
Figure 332619DEST_PATH_IMAGE054
为无人驾驶车辆三维时空运动走廊台阶与该单位时间段障碍物台阶之间在y轴上距离的第五安全阈值；
Figure 724155DEST_PATH_IMAGE047
为障碍物m在第k单位时间段的台阶的下边界坐标；
Figure 812197DEST_PATH_IMAGE012
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 423438DEST_PATH_IMAGE055
为第九整数变量。
Figure 684655DEST_PATH_IMAGE050
、
Figure 662188DEST_PATH_IMAGE052
、
Figure 717869DEST_PATH_IMAGE053
和
Figure 81985DEST_PATH_IMAGE055
表示无人驾驶车辆i与障碍物m交互的四个整数变量，值取1或者取0。无人驾驶车辆i与障碍物m的三维时空位置关系至少是四种无碰撞情况的其中一种，从而保证了无人驾驶车辆i与环境障碍物的交互安全性。
需要说明的是，第二约束条件为无人驾驶车辆与环境障碍物不发生碰撞的表示形式，即无人驾驶车辆与障碍物的距离要大于某个规定值，第三约束条件为精确到单位时间段k的无人驾驶车辆每个台阶不能与动静态障碍物的每个台阶有碰撞的具体表示。
（4）构造三维时空运动走廊的无碰撞的最优求解变量表示形式；
三维时空运动走廊的每一台阶表示单位时间段内的无人驾驶车辆的可行驶范围，台阶随时间变化，依次为
Figure 661740DEST_PATH_IMAGE056
、
Figure 513021DEST_PATH_IMAGE057
、…、
Figure 490336DEST_PATH_IMAGE058
、
Figure 528699DEST_PATH_IMAGE059
、…和
Figure 383916DEST_PATH_IMAGE060
时间段，如图7所示，其为三维时空运动走廊示意图，其中i为无人驾驶车辆序号，如图8所示，其为第k单位时间段的台阶示意图。在垂直三维时空运动走廊的运动方向的台阶切面内定义一参考点
Figure 89704DEST_PATH_IMAGE032
，此点要在台阶切面的内部，三维时空运动走廊也将会沿着此点的方向扩展。垂直三维时空运动走廊运动方向台阶切面左边界、右边界、下边界和上边界，关于此点
Figure 503499DEST_PATH_IMAGE034
的距离用
Figure 560316DEST_PATH_IMAGE061
、
Figure 216295DEST_PATH_IMAGE062
、
Figure 511010DEST_PATH_IMAGE063
和
Figure 626864DEST_PATH_IMAGE064
表示，如图9所示，且都为正值。三维时空运动走廊中每一个台阶切面中的点坐标
Figure 843082DEST_PATH_IMAGE032
和关于边界四个方向的距离
Figure 34242DEST_PATH_IMAGE061
、
Figure 714622DEST_PATH_IMAGE062
、
Figure 470220DEST_PATH_IMAGE063
和
Figure 173734DEST_PATH_IMAGE064
即为无人驾驶车辆三维时空运动走廊无碰撞的最优求解变量，可以表示为：
Figure 702673DEST_PATH_IMAGE065
其中，i为无人驾驶车辆序号，k为单位时间段序号，每个台阶具有单位时间长度。
基于上述定义的最优求解变量，则第一约束条件和第三约束条件中的无人驾驶车辆i在第k单位时间段的台阶的左边界坐标、右边界坐标、上边界坐标、下边界坐标的计算公式为：
Figure 971980DEST_PATH_IMAGE066
其中，
Figure 898479DEST_PATH_IMAGE067
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 669382DEST_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到台阶左边界的距离；
Figure 487165DEST_PATH_IMAGE062
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 627291DEST_PATH_IMAGE068
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 708379DEST_PATH_IMAGE063
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 698070DEST_PATH_IMAGE064
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。
（5）构造三维时空运动走廊生成的目标函数；
三维时空运动走廊的生成需要两方面的性能指标，行驶区间范围广度
Figure 991648DEST_PATH_IMAGE069
和参考轨迹偏差度
Figure 986280DEST_PATH_IMAGE070
。
行驶区间范围广度
Figure 300587DEST_PATH_IMAGE069
具体表示为，即无人驾驶车辆i的行驶区间范围广度的计算公式为：
Figure 774643DEST_PATH_IMAGE071
其中，
Figure 684962DEST_PATH_IMAGE072
为无人驾驶车辆i的范围广度权重；
Figure 48947DEST_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到台阶左边界的距离；
Figure 986685DEST_PATH_IMAGE062
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 373804DEST_PATH_IMAGE063
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 556655DEST_PATH_IMAGE064
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。时间段
Figure 40726DEST_PATH_IMAGE058
的可行驶区间体积为
Figure 152295DEST_PATH_IMAGE073
，由于走廊中每个台阶占据的时间段长度相同，因此，可以由面积
Figure 823447DEST_PATH_IMAGE074
来表征行驶范围的大小。
参考轨迹偏差度
Figure 544410DEST_PATH_IMAGE070
具体表示为，即无人驾驶车辆i的参考轨迹偏差度的计算公式为：
Figure 820670DEST_PATH_IMAGE075
其中，
Figure 850943DEST_PATH_IMAGE076
为无人驾驶车辆i的偏差度权重；
Figure 524239DEST_PATH_IMAGE067
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 298160DEST_PATH_IMAGE077
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 179659DEST_PATH_IMAGE068
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 380834DEST_PATH_IMAGE078
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。
三维时空运动走廊的优化生成整合所有无人驾驶车辆的代价，最终目标函数表示为：
Figure 296354DEST_PATH_IMAGE079
其中，
Figure 670703DEST_PATH_IMAGE080
为所有无人驾驶车辆的加权代价和；
Figure 203447DEST_PATH_IMAGE081
为无人驾驶车辆i的权重；
Figure 778785DEST_PATH_IMAGE069
为无人驾驶车辆i的行驶区间范围广度；
Figure 161094DEST_PATH_IMAGE070
为无人驾驶车辆i的参考轨迹偏差度。
Figure 542396DEST_PATH_IMAGE081
越大表示车辆的优先级更高，对于最小化目标函数的优化问题，由于走廊生成的目标是行驶区间尽可能地大，因此，
Figure 195226DEST_PATH_IMAGE069
前面带有负号。
（6）构造用于求解多无人驾驶车辆三维时空运动走廊生成的模型；
本实施例的多无人驾驶车辆三维时空运动走廊生成模型如下：
Figure 269361DEST_PATH_IMAGE082
Figure 141895DEST_PATH_IMAGE017
Figure 795731DEST_PATH_IMAGE037
Figure 37487DEST_PATH_IMAGE049
Figure 282524DEST_PATH_IMAGE083
求解变量包括无人驾驶车辆i在三维时空运动走廊内参考点
Figure 108266DEST_PATH_IMAGE032
，其中
Figure 113262DEST_PATH_IMAGE084
、
Figure 193214DEST_PATH_IMAGE068
的取值范围为实数域以及点
Figure 77993DEST_PATH_IMAGE034
与台阶边界的距离
Figure 919261DEST_PATH_IMAGE085
，其中
Figure 180478DEST_PATH_IMAGE061
、
Figure 193564DEST_PATH_IMAGE062
、
Figure 498512DEST_PATH_IMAGE063
和
Figure 49579DEST_PATH_IMAGE064
的取值范围为正实数域，上述6个变量即为最后要求解的各个无人驾驶车辆整个时间范围内的量，即生成的三维时空运动走廊和三维时空运动走廊内车辆所要经过的位置点。整数变量
Figure 599641DEST_PATH_IMAGE018
、
Figure 450922DEST_PATH_IMAGE020
、
Figure 195280DEST_PATH_IMAGE021
、
Figure 499223DEST_PATH_IMAGE023
与多无人驾驶车辆之间避免交互冲突约束有关，整数变量
Figure 39926DEST_PATH_IMAGE050
、
Figure 762025DEST_PATH_IMAGE052
、
Figure 159508DEST_PATH_IMAGE053
、
Figure 731173DEST_PATH_IMAGE055
与无人驾驶车辆和环境障碍物之间避免碰撞约束有关，取值范围均为0或1。变量V表示所有无人驾驶车辆集合，K表示时间段集合，O表示环境中通过感知技术获取的动静态障碍物集合，
Figure 623037DEST_PATH_IMAGE086
表示总时间段长度，任意两个无人驾驶车辆需要满足第一约束条件，每一无人驾驶车辆和任一障碍物需要满足第二约束条件，每一无人驾驶车辆和任一障碍物需要满足第三约束条件。
S2：获取障碍物信息和每一无人驾驶车辆的参考轨迹；所述障碍物信息包括障碍物在每一单位时间段的形状和位置；
本实施例可预先根据各个无人驾驶车辆的参考轨迹设定一规划区域，在此规划区域内生成各个无人驾驶车辆的三维时空运动走廊，则此处的障碍物信息是指位于该规划区域内的静态障碍物和动态障碍物的信息，根据障碍物信息可以获取每一障碍物在各个单位时间段的各个面的法向量和上、下、左、右边界坐标。
S3：以所述障碍物信息和所述参考轨迹作为输入，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。
最终可以求解出每个无人驾驶车辆无碰撞的三维时空运动走廊，其中三维时空运动走廊由每个单位时间段的立体台阶组成，每一个立体台阶内有此单位时间段内无人驾驶车辆行驶的位置点。如图10所示，其为两无人驾驶车辆的三维时空运动走廊的示意图；如图11所示，其为本发明实施例1所提供的两无人驾驶车辆三维时空运动走廊的平面投影示意图；如图12所示，其为本发明实施例1所提供的两无人驾驶车辆在第k单位时间段的台阶示意图，可见利用此方法能够生成安全、可通行、无碰撞和光滑的三维时空运动走廊。
作为一种可选的实施方式，在获取障碍物信息和每一无人驾驶车辆的参考轨迹之前，本实施例的生成方法还包括：基于图论的方式构建多无人驾驶车辆之间的通信拓扑模型，如图13所示，通信拓扑模型用于进行多无人驾驶车辆之间的信息交流。利用有向图
Figure 386593DEST_PATH_IMAGE087
来表示无人驾驶车辆与无人驾驶车辆、基站之间的信息流，其中，
Figure 998053DEST_PATH_IMAGE088
表示数量为N的通信节点集合，其为所有无人驾驶车辆组成的集合，两个无人驾驶车辆之间通过基站通信，
Figure 276588DEST_PATH_IMAGE089
为两个车辆节点之间存在信息传输的边集合，
Figure 972143DEST_PATH_IMAGE090
为邻接矩阵，矩阵中第i行第j列的元素
Figure 386944DEST_PATH_IMAGE091
表示车辆节点i指向车辆节点j的通信连接关系，
Figure 375497DEST_PATH_IMAGE092
，若有向图
Figure 406907DEST_PATH_IMAGE093
中存在节点i指向节点j的边，则
Figure 640573DEST_PATH_IMAGE094
，代表车辆节点i和车辆节点j可通信，否则
Figure 441039DEST_PATH_IMAGE095
。
本实施例提出一种多无人驾驶车辆三维时空运动走廊生成方法，通过基于图论的方式构建多无人驾驶车辆的通信拓扑模型，用于无人驾驶车辆之间的信息交流。把每辆无人驾驶车辆运动轨迹表示为一个三维方向的可通行时空走廊，静态障碍物与动态障碍物在多无人驾驶车辆行驶中也被规划为一个三维通道，在三维时空构型空间里表示时，静态障碍物不会随时间的变化而移动位置，而动态障碍物的位置和状态会随时间变化，将障碍物表示为各立方体的组合，对于规定的道路边界，也属于静态障碍物的抽象表示，静态障碍物和道路边界都可以连成限制车辆行驶的范围，即每一时刻环境中的每个无人驾驶车辆、动静态障碍物都有一个通行台阶。利用此方法，在多无人驾驶车辆运动规划中能够生成安全、可通行、无碰撞和光滑的三维时空运动走廊。
实施例2：
本实施例用于提供一种多无人驾驶车辆三维时空运动走廊生成系统，如图14所示，所述生成系统包括：
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、保证多无人驾驶车辆的三维时空运动走廊之间无碰撞的第一约束条件、保证每一无人驾驶车辆的三维时空运动走廊与障碍物之间无碰撞的第二约束条件和保证单位时间段内每一无人驾驶车辆的三维时空运动走廊的台阶与障碍物的台阶之间无碰撞的第三约束条件；
信息获取模块M2，用于获取障碍物信息和每一无人驾驶车辆的参考轨迹；所述障碍物信息包括障碍物在每一单位时间段的形状和位置；
生成模块M3，用于以所述障碍物信息和所述参考轨迹作为输入，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。
本说明书中各个实施例采用递进的方式描述，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 (6)

1.一种多无人驾驶车辆三维时空运动走廊生成方法，其特征在于，所述生成方法包括：
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、保证多无人驾驶车辆的三维时空运动走廊之间无碰撞的第一约束条件、保证每一无人驾驶车辆的三维时空运动走廊与障碍物之间无碰撞的第二约束条件和保证单位时间段内每一无人驾驶车辆的三维时空运动走廊的台阶与障碍物的台阶之间无碰撞的第三约束条件；
获取障碍物信息和每一无人驾驶车辆的参考轨迹；所述障碍物信息包括障碍物在每一单位时间段的形状和位置；
以所述障碍物信息和所述参考轨迹作为输入，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；
所述多无人驾驶车辆三维时空运动走廊生成模型为：
Figure DEST_PATH_IMAGE002
其中，V为所有无人驾驶车辆集合；
Figure DEST_PATH_IMAGE003
为无人驾驶车辆i的权重；
Figure DEST_PATH_IMAGE004
为无人驾驶车辆i的行驶区间范围广度；
Figure DEST_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与台阶边界的距离；
Figure DEST_PATH_IMAGE006
为无人驾驶车辆i的参考轨迹偏差度；
Figure DEST_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；
Figure DEST_PATH_IMAGE009
其中，
Figure DEST_PATH_IMAGE010
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 DEST_PATH_IMAGE011
为无人驾驶车辆j在第k单位时间段的台阶的右边界坐标；
Figure DEST_PATH_IMAGE012
为第一整数变量；M为极大数；
Figure DEST_PATH_IMAGE013
为第一安全阈值；
Figure DEST_PATH_IMAGE014
为无人驾驶车辆j在第k单位时间段的台阶的左边界坐标；
Figure DEST_PATH_IMAGE015
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 DEST_PATH_IMAGE016
为第二整数变量；
Figure DEST_PATH_IMAGE017
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 DEST_PATH_IMAGE018
为无人驾驶车辆j在第k单位时间段的台阶的上边界坐标；
Figure DEST_PATH_IMAGE019
为第三整数变量；
Figure DEST_PATH_IMAGE020
为第二安全阈值；
Figure DEST_PATH_IMAGE021
为无人驾驶车辆j在第k单位时间段的台阶的下边界坐标；
Figure DEST_PATH_IMAGE022
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 DEST_PATH_IMAGE023
为第四整数变量；
Figure DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE025
为障碍物第f个面的平面单位法向量；
Figure DEST_PATH_IMAGE026
为障碍物第f个面上的任意一点指向无人驾驶车辆i在第k单位时间段的台阶中的参考点的空间向量；
Figure DEST_PATH_IMAGE027
为第五整数变量；M为极大数；
Figure DEST_PATH_IMAGE028
为第三安全阈值；
Figure DEST_PATH_IMAGE029
为障碍物的面的总个数；
Figure DEST_PATH_IMAGE031
其中，
Figure 133541DEST_PATH_IMAGE010
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 DEST_PATH_IMAGE032
为障碍物m在第k单位时间段的右边界坐标；
Figure DEST_PATH_IMAGE033
为第六整数变量；M为极大数；
Figure DEST_PATH_IMAGE034
为第四安全阈值；
Figure DEST_PATH_IMAGE035
为障碍物m在第k单位时间段的台阶的左边界坐标；
Figure 64064DEST_PATH_IMAGE015
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 DEST_PATH_IMAGE036
为第七整数变量；
Figure 922429DEST_PATH_IMAGE017
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 DEST_PATH_IMAGE037
为障碍物m在第k单位时间段的台阶的上边界坐标；
Figure DEST_PATH_IMAGE038
为第八整数变量；
Figure DEST_PATH_IMAGE039
为第五安全阈值；
Figure DEST_PATH_IMAGE040
为障碍物m在第k单位时间段的台阶的下边界坐标；
Figure 799862DEST_PATH_IMAGE022
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 DEST_PATH_IMAGE041
为第九整数变量。
2.根据权利要求1所述的生成方法，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 DEST_PATH_IMAGE042
其中，
Figure DEST_PATH_IMAGE043
为无人驾驶车辆i的范围广度权重；
Figure DEST_PATH_IMAGE044
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 DEST_PATH_IMAGE045
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 DEST_PATH_IMAGE046
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 DEST_PATH_IMAGE047
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。
3.根据权利要求1所述的生成方法，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 DEST_PATH_IMAGE049
其中，
Figure DEST_PATH_IMAGE050
为无人驾驶车辆i的偏差度权重；
Figure DEST_PATH_IMAGE051
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 DEST_PATH_IMAGE052
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 DEST_PATH_IMAGE053
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 DEST_PATH_IMAGE054
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。
4.根据权利要求1所述的生成方法，其特征在于，所述无人驾驶车辆i在第k单位时间段的台阶的左边界坐标、右边界坐标、上边界坐标、下边界坐标的计算公式为：
Figure DEST_PATH_IMAGE055
其中，
Figure 456977DEST_PATH_IMAGE051
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 810598DEST_PATH_IMAGE044
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 874369DEST_PATH_IMAGE045
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 604428DEST_PATH_IMAGE053
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 820777DEST_PATH_IMAGE046
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 345299DEST_PATH_IMAGE047
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。
5.根据权利要求1所述的生成方法，其特征在于，在获取障碍物信息和每一无人驾驶车辆的参考轨迹之前，所述生成方法还包括：基于图论的方式构建多无人驾驶车辆之间的通信拓扑模型；所述通信拓扑模型用于进行多无人驾驶车辆之间的信息交流。
6.一种多无人驾驶车辆三维时空运动走廊生成系统，其特征在于，所述生成系统包括：
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、保证多无人驾驶车辆的三维时空运动走廊之间无碰撞的第一约束条件、保证每一无人驾驶车辆的三维时空运动走廊与障碍物之间无碰撞的第二约束条件和保证单位时间段内每一无人驾驶车辆的三维时空运动走廊的台阶与障碍物的台阶之间无碰撞的第三约束条件；
信息获取模块，用于获取障碍物信息和每一无人驾驶车辆的参考轨迹；所述障碍物信息包括障碍物在每一单位时间段的形状和位置；
生成模块，用于以所述障碍物信息和所述参考轨迹作为输入，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；
所述多无人驾驶车辆三维时空运动走廊生成模型为：
Figure 896366DEST_PATH_IMAGE002
其中，V为所有无人驾驶车辆集合；
Figure 915269DEST_PATH_IMAGE003
为无人驾驶车辆i的权重；
Figure 235392DEST_PATH_IMAGE004
为无人驾驶车辆i的行驶区间范围广度；
Figure 196394DEST_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与台阶边界的距离；
Figure 982560DEST_PATH_IMAGE006
为无人驾驶车辆i的参考轨迹偏差度；
Figure 54421DEST_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；
Figure 229051DEST_PATH_IMAGE009
其中，
Figure 469277DEST_PATH_IMAGE010
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 729357DEST_PATH_IMAGE011
为无人驾驶车辆j在第k单位时间段的台阶的右边界坐标；
Figure 604909DEST_PATH_IMAGE012
为第一整数变量；M为极大数；
Figure 650357DEST_PATH_IMAGE013
为第一安全阈值；
Figure 218741DEST_PATH_IMAGE014
为无人驾驶车辆j在第k单位时间段的台阶的左边界坐标；
Figure 700538DEST_PATH_IMAGE015
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 130514DEST_PATH_IMAGE016
为第二整数变量；
Figure 14156DEST_PATH_IMAGE017
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 753442DEST_PATH_IMAGE018
为无人驾驶车辆j在第k单位时间段的台阶的上边界坐标；
Figure 738847DEST_PATH_IMAGE019
为第三整数变量；
Figure 690622DEST_PATH_IMAGE020
为第二安全阈值；
Figure 694350DEST_PATH_IMAGE021
为无人驾驶车辆j在第k单位时间段的台阶的下边界坐标；
Figure 604537DEST_PATH_IMAGE022
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 808729DEST_PATH_IMAGE023
为第四整数变量；
Figure 829775DEST_PATH_IMAGE024
其中，
Figure 688009DEST_PATH_IMAGE025
为障碍物第f个面的平面单位法向量；
Figure 254251DEST_PATH_IMAGE026
为障碍物第f个面上的任意一点指向无人驾驶车辆i在第k单位时间段的台阶中的参考点的空间向量；
Figure 463516DEST_PATH_IMAGE027
为第五整数变量；M为极大数；
Figure 22673DEST_PATH_IMAGE028
为第三安全阈值；
Figure 751726DEST_PATH_IMAGE029
为障碍物的面的总个数；
Figure 472557DEST_PATH_IMAGE031
其中，
Figure DEST_PATH_IMAGE056
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 DEST_PATH_IMAGE057
为障碍物m在第k单位时间段的右边界坐标；
Figure DEST_PATH_IMAGE058
为第六整数变量；M为极大数；
Figure DEST_PATH_IMAGE059
为第四安全阈值；
Figure DEST_PATH_IMAGE060
为障碍物m在第k单位时间段的台阶的左边界坐标；
Figure DEST_PATH_IMAGE061
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 DEST_PATH_IMAGE062
为第七整数变量；
Figure DEST_PATH_IMAGE063
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 DEST_PATH_IMAGE064
为障碍物m在第k单位时间段的台阶的上边界坐标；
Figure DEST_PATH_IMAGE065
为第八整数变量；
Figure DEST_PATH_IMAGE066
为第五安全阈值；
Figure DEST_PATH_IMAGE067
为障碍物m在第k单位时间段的台阶的下边界坐标；
Figure DEST_PATH_IMAGE068
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 DEST_PATH_IMAGE069
为第九整数变量。
CN202210918700.3A 2022-08-02 2022-08-02 一种多无人驾驶车辆三维时空运动走廊生成方法和系统 Active CN114995466B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210918700.3A CN114995466B (zh) 2022-08-02 2022-08-02 一种多无人驾驶车辆三维时空运动走廊生成方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210918700.3A CN114995466B (zh) 2022-08-02 2022-08-02 一种多无人驾驶车辆三维时空运动走廊生成方法和系统

Publications (2)

Publication Number Publication Date
CN114995466A CN114995466A (zh) 2022-09-02
CN114995466B true CN114995466B (zh) 2022-11-15

Family

ID=83022123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210918700.3A Active CN114995466B (zh) 2022-08-02 2022-08-02 一种多无人驾驶车辆三维时空运动走廊生成方法和系统

Country Status (1)

Country Link
CN (1) CN114995466B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115933701B (zh) * 2023-01-06 2023-06-06 北京理工大学 一种基于二次规划的安全走廊优化生成方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104635714A (zh) * 2014-12-12 2015-05-20 同济大学 一种基于时间-空间特征的机器人示教轨迹生成方法
DE102019202026A1 (de) * 2019-02-15 2020-08-20 Zf Friedrichshafen Ag Verfahren und Steuereinrichtung zur Fahrzeugkollisionsvermeidung
CN111879327A (zh) * 2020-06-18 2020-11-03 北京九曜智能科技有限公司 集群自动驾驶车辆泊位作业的空间配置和时序规划方法
CN112918486A (zh) * 2021-02-08 2021-06-08 北京理工大学 一种时空行为决策及轨迹规划系统及方法
CN112985408A (zh) * 2021-02-25 2021-06-18 南京航空航天大学 一种路径规划优化方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220017112A1 (en) * 2020-07-20 2022-01-20 Uatc, Llc Systems and Methods for Generating Vehicle Corridors to Improve Path Planning Efficiency

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104635714A (zh) * 2014-12-12 2015-05-20 同济大学 一种基于时间-空间特征的机器人示教轨迹生成方法
DE102019202026A1 (de) * 2019-02-15 2020-08-20 Zf Friedrichshafen Ag Verfahren und Steuereinrichtung zur Fahrzeugkollisionsvermeidung
CN111879327A (zh) * 2020-06-18 2020-11-03 北京九曜智能科技有限公司 集群自动驾驶车辆泊位作业的空间配置和时序规划方法
CN112918486A (zh) * 2021-02-08 2021-06-08 北京理工大学 一种时空行为决策及轨迹规划系统及方法
CN112985408A (zh) * 2021-02-25 2021-06-18 南京航空航天大学 一种路径规划优化方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
动态交通场景下基于时空导航地图的行驶轨迹规划方法;宋文杰等;《中国惯性技术学报》;20211031;全文 *
基于时空网络的自动化集装箱码头自动化导引车路径规划;高一鹭等;《计算机应用》;20201231(第07期);全文 *

Also Published As

Publication number Publication date
CN114995466A (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
Bachute et al. Autonomous driving architectures: insights of machine learning and deep learning algorithms
US11720110B2 (en) Dynamic obstacle avoidance method based on real-time local grid map construction
Taneja et al. Algorithms for automated generation of navigation models from building information models to support indoor map-matching
CN110531770B (zh) 一种基于改进的rrt路径规划方法和系统
CN114995466B (zh) 一种多无人驾驶车辆三维时空运动走廊生成方法和系统
Leon et al. A review of tracking, prediction and decision making methods for autonomous driving
CN113362367B (zh) 一种基于多精度交互的人群轨迹预测方法
CN106681331A (zh) 一种基于测地线理论的栅格路径规划方法
Ferrera et al. Decentralized safe conflict resolution for multiple robots in dense scenarios
Suzuki et al. Automatic two-lane path generation for autonomous vehicles using quartic B-spline curves
Mouhagir et al. A markov decision process-based approach for trajectory planning with clothoid tentacles
Zechel et al. Pedestrian occupancy prediction for autonomous vehicles
Poncelet et al. Safe geometric speed planning approach for autonomous driving through occluded intersections
Song et al. Cooperative vehicle localisation method based on the fusion of GPS, inter‐vehicle distance, and bearing angle measurements
Guo et al. Humanlike behavior generation in urban environment based on learning-based potentials with a low-cost lane graph
Hauer et al. Multi-scale perception and path planning on probabilistic obstacle maps
Zammit et al. Real-time 3D UAV path planning in dynamic environments with uncertainty
Jeong et al. Sampling based vehicle motion planning for autonomous valet parking with moving obstacles
Mardiati et al. Motorcycle movement model based on markov chain process in mixed traffic
Park et al. Trajectory generation method using Bézier spiral curves for high-speed on-road autonomous vehicles
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
Zohaib et al. A featureless approach for object detection and tracking in dynamic environments
Kuhnt et al. Lane-precise localization of intelligent vehicles using the surrounding object constellation
Jun et al. Probability map building of uncertain dynamic environments with indistinguishable obstacles
COVACIU Development of a virtual reality simulator for an autonomous vehicle

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