CN115292796A - 一种碰撞检测方法及装置 - Google Patents
一种碰撞检测方法及装置 Download PDFInfo
- Publication number
- CN115292796A CN115292796A CN202111421197.2A CN202111421197A CN115292796A CN 115292796 A CN115292796 A CN 115292796A CN 202111421197 A CN202111421197 A CN 202111421197A CN 115292796 A CN115292796 A CN 115292796A
- Authority
- CN
- China
- Prior art keywords
- model
- vehicle
- circle
- accessory
- self
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Aviation & Aerospace Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请提供一种碰撞检测方法及装置,所述方法包括:获取自车形体模型,所述自车形体模型所含的车身形体模型为多圆模型;依据所述自车形体模型进行碰撞检测;其中,在所述无人驾驶车辆的矩形车身被均分为沿长边方向的n个矩形的情况下,所述多圆模型包含的n个圆形的圆心分别为所述n个矩形的中心点,且各圆形的半径为任一中心点到其所在矩形的顶点的距离,n为大于1的正整数,应用本方案,能够避免无人驾驶车辆模型占用过多安全区域,提高无人驾驶车辆形体模型的精度。
Description
技术领域
本申请涉及人工智能领域,尤其是一种碰撞检测的方法及装置。
背景技术
随着人工智能技术的迅速发展,无人驾驶成为了热门的人工智能研究方向,在无人驾驶技术中,需要重点考虑的便是如何避免自车与可移动障碍物发生碰撞,自车与可移动障碍物的碰撞检测主要依据自车行驶区域与障碍物行驶区域是否发生重叠来实现。
无人驾驶车辆行驶轨迹区域一般与车辆的形体模型有关,常规的无人驾驶车辆的形体模型是将整个车身用一个矩形模型表示,但是矩形模型的长和宽需要按车辆的长和宽按比例缩放,精度太差,会框选出车辆周围的大量安全区域。为了减少车辆形体模型占用的安全区域,相关技术人员提出了传统的五圆模型,但是传统五圆模型又会导致车辆形体模型在宽度上膨胀过多,精度不高,在实际应用时,依旧会占用大量安全区域。
发明内容
有鉴于此,本申请提供一种碰撞检测的方法及装置,具体地,本申请是通过如下技术方案实现的:
根据本申请的第一方面,提供一种碰撞检测的方法,该方法应用于无人驾驶车辆,所述方法包括:
获取自车形体模型,所述自车形体模型所含的车身形体模型为多圆模型;
依据所述自车形体模型进行碰撞检测;其中,在所述无人驾驶车辆的矩形车身被均分为沿长边方向的n个矩形的情况下,所述多圆模型包含的n个圆形的圆心分别为所述n个矩形的中心点,且各圆形的半径为任一中心点到其所在矩形的顶点的距离,n为大于1的正整数。
可选的,在所述碰撞检测的方法中,当所述无人驾驶车辆带有超出车身外的一个或多个附件时,所述自车形体模型还包括附件形体模型;
所述附件形体模型包括分别对应于每个附件的单圆模型;所述单圆模型的圆心位于相应附件上最远两点的连线的中点、直径为所述连线的长度。
可选的,在所述碰撞检测的方法中,当所述无人驾驶车辆带有超出车身外的一个或多个附件时,还包括:
获取自车前方预设距离内道路地形的边界;
计算在所有自车附件都展开的情况下,各附件形体模型的圆心到所述地形边界的距离;
若所述距离大于对应附件形体模型的半径,则展开该附件形体模型对应的附件;
若所述距离不大于对应附件形体模型的半径,则收起该附件形体模型对应的附件。
可选的,在所述碰撞检测的方法中,所述依据所述自车形体模型进行碰撞检测,包括:
获取自车行驶参数和可移动障碍物行驶参数;所述自车行驶参数包括自车行驶轨迹和自车行驶速度,所述可移动障碍物行驶参数包括可移动障碍物的行驶轨迹和可移动障碍物的行驶速度;
依据所述自车行驶参数和可移动障碍物的行驶参数,若预测所述自车形体模型对应的行驶区域与可移动障碍物的行驶区域会发生重叠,则判定存在碰撞风险。
可选的,在所述碰撞检测的方法中,所述依据所述自车形体模型进行碰撞检测,还包括:
计算所述无人驾驶车辆与所述可移动障碍物的碰撞时刻,所述碰撞时刻为所述自车形体模型对应的行驶区域与可移动障碍物的行驶区域发生重叠的时刻;
依据所述碰撞时刻重新规划自车速度以消除碰撞风险。
可选的,在所述碰撞检测的方法中,还包括:
获取多种自车形体模型;所述多种自车形体模型包括多个圆形数量不同的多圆模型;
若自车行驶轨迹下的当前道路拥堵情况为拥堵时,选择圆形数量多的模型进行碰撞检测;
若所述当前道路拥堵情况为通畅时,选择圆形数量少的模型进行碰撞检测。
可选的,在所述碰撞检测的方法中,所述多圆模型为五圆模型。
根据本申请的第二方面,提供碰撞检测的装置,该装置应用于无人驾驶车辆,包括:
模型获取模块,用于获取自车形体模型,所述自车形体模型所含的车身形体模型为多圆模型;
碰撞检测模块,用于依据所述自车形体模型进行碰撞检测;其中,在所述无人驾驶车辆的矩形车身被均分为沿长边方向的n个矩形的情况下,所述多圆模型包含的n个圆形的圆心分别为所述n个矩形的中心点,且各圆形的半径为任一中心点到其所在矩形的顶点的距离,n为大于1的正整数。
根据本申请的第三方面,提供一种存储介质,所述存储介质存储计算机程序指令,所述计算机程序指令被执行后能够实现前述第一方面实施例提供的碰撞检测的方法。
根据本申请的第四方面,提供一种电子设备,包括:
用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当该计算机程序指令被该处理器执行后能够实现前述任意实施例提供的碰撞检测的方法。
通过本申请提供的技术方案,将无人驾驶车辆的矩形车身被均分为沿长边方向的多个矩形,以多个矩形的中心点为圆心,中心点到各对应矩形的顶点的距离为半径,构建多圆模型,通过减小模型中最大圆的半径,避免模型占用过多安全区域,提高了无人驾驶车辆形体模型的精度。
附图说明
图1是本申请示出的一种传统五圆模型示意图;
图2是本申请示出的一种新五圆模型示意图;
图3是本申请示出的一种碰撞检测的方法的流程图;
图4使本申请示出的一种七圆模型示意图;
图5是本申请示出的一种三圆模型示意图;
图6是本申请示出的一种碰撞检测方法具体步骤的流程图;
图7是本申请示出的一种清扫车自动行驶示意图;
图8是本申请一种碰撞检测的装置所在无人驾驶车辆的一种硬件结构图;
图9是本申请示出的一种碰撞检测的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
由于车辆的车身在垂直方向上的投影通常接近于矩形,因而相关技术中在针对无人驾驶车辆构建车身形体模型时,通常采用传统五圆模型。图1是本申请示出的一种传统五圆模型示意图,如图1所示,传统的五圆模型包括一个大圆和四个小圆,大圆的圆心H是矩形车身的中心点,四个小圆的圆心分别位于矩形四个顶角的角平分线上,如图1中的小圆圆心P与顶点Q的连线为顶点Q所在顶角的角平分线,为了使五个圆恰好覆盖矩形,相邻两个圆之间的交点需要在矩形的边上,如图1中的J。以车长为a、车宽为b的车辆为例,小圆的半径为大圆的半径为但是随着应用所述五圆模型的车辆尺寸的增大,逐渐发现中大型车辆采用该模型会导致大片的无效碰撞区域。以车长10米,车宽2.5米的中大型客车为例,传统的五圆模型中的大圆半径达到了3.95米,会使车身形体模型在车身原本宽度上比膨胀5.4米,占用的安全区域达到了31.34平方米,导致大片无效碰撞区域,无法自动行驶在狭窄区域。
为了避免车身形体模型随车辆尺寸增大而膨胀过多,本申请从减小图1中大圆半径的角度考虑,构建新的五圆模型来作为无人驾驶车辆的车身形体模型,如图2所示,图2是本申请示出的一种新五圆模型示意图。
根据中无人驾驶车辆的车长和车宽投影出的平面矩形车身构建新五圆模型,具体的,将矩形车身均匀的分为沿长边方向的五个矩形,以每个矩形的中心点为圆心,中心点到顶点的距离为半径构造圆形,将五个圆形组合后得到新的五圆模型。如图2所示,将车身均匀的分为五个矩形,以最车身上方的矩形为例,圆形的圆心为矩形的中心点N,半径为中心点N到顶点M的距离,相邻两个圆形的交点D都位于长边上,整个模型能够很好的覆盖整个客车车身,当车长为a、车宽为b时,每个圆的半径就是依旧以车长10米,车宽2.5米的中大型客车为例,新五圆模型中圆形的半径为1.6米,在客车车身原本宽度上膨胀了0.7米,占用的安全区域有6.86平方米,相比于传统的五圆模型,其占用的安全空间更少,对车身覆盖的精度更高,能使无人驾驶车辆更好的适应狭窄通道。
本申请中的车身形体模型的是多圆模型,圆形数量为n,n是大于1的正整数,以这n个矩形的中心点为圆心,各中心点到对应矩形顶点的距离为半径构造圆形,将n个圆形组合后得到无人驾驶车辆的形体模型。
基于新的多圆形体模型,本发明实施例提供了一种应用于无人驾驶车辆的碰撞检测的方法,请参见图3,图3是本申请示出的一种碰撞检测的方法的流程图,具体步骤如下:
步骤S102:获取自车形体模型,所述自车形体模型所含的车身形体模型为多圆模型。
自车形体模型至少包括车身形体模型,当无人驾驶车辆带有超出车身外的一个或多个附件时,自车形体模型还包括附件形体模型,附件形体模型一般是单圆形体模型。
无人驾驶车辆的车身形体模型是多圆模型,多圆模型中的圆形数量可以自行设定,为了避免身形体模型占用过多的安全空间,可以用增加多圆模型中圆形的数量来覆盖车身,从而减小圆形的半径,提高车身形体模型的精度,但如果圆形数量过多,会增大无人驾驶车辆在进行碰撞检测时的计算压力,所以为了平衡车身形体模型的精度与计算压力,一般选取五个圆形的多圆模型作为车身形体模型。
本申请并不限制所采用的多圆模型中所含圆形的数量。举例而言,如果相对更关注于车身形体模型的精度,可以相对增加圆形的数量,比如可以选取如图4所示的七圆模型,图4使本申请示出的一种七圆模型示意图;或者,如果相对更关注于无人驾驶车辆对碰撞检测的工作压力,可以相对减少圆形的数量,比如可以选取如图5所示的三圆模型,图5是本申请示出的一种三圆模型示意图。
步骤S104:依据所述自车形体模型进行碰撞检测。
具体的,依据所述自车形体模型进行碰撞检测的步骤请参见图6,图6是本申请示出的一种碰撞检测方法具体步骤的流程图,具体步骤如下:
步骤S202:获取自车行驶参数和可移动障碍物行驶参数。
自车行驶参数包括自车行驶轨迹和自车行驶速度,可移动障碍物行驶参数包括可移动障碍物的行驶轨迹和可移动障碍物的行驶速度。
在无人驾驶车辆行驶的过程中,可以每隔第一预设时长t1获取所述自车行驶参数和可移动障碍物行驶参数,具体方法可以参考相关技术。
步骤S204:依据所述自车行驶参数和可移动障碍物的行驶参数,若预测所述自车形体模型对应的行驶区域与可移动障碍物的行驶区域会发生重叠,则判定存在碰撞风险。
无人驾驶车辆在获取到自车行驶参数和可移动障碍物行驶参数以后,依据自车行驶参数和可移动障碍物行驶参数分别计算出第二预设时长t2内自车的行驶区域与可移动障碍物的行驶区域,并判断两个行驶区域之间是否会发生重叠,行驶区域是指在当前速度规划下,车身形体模型在t2时长内行驶过的区域,t2不大于t1。
判断两个行驶区域是否发生重叠可以用Sutherland-Hodgman算法(逐边裁剪算法)进行计算,具体计算方法可以参考相关文献。
若计算结果为两个行驶区域发生重叠,则代表自车与所述可移动障碍物存在碰撞风险。
通过判断无人驾驶的行驶区域与可移动障碍的物行驶区域是否重叠,可以去除没有碰撞风险的可移动障碍物,可以减小无人驾驶车辆的工作量,提高碰撞检测的效率。
步骤S206:计算所述无人驾驶车辆与所述可移动障碍物的碰撞时刻。
所述碰撞时刻为所述自车形体模型对应的行驶区域与可移动障碍物的行驶区域发生重叠的时刻,在确定自车与可移动障碍物存在碰撞风险后,进一步计算它们的碰撞时刻。
具体的,计算在自车与可移动障碍物保持匀速的情况下,可移动障碍物的形体模型的边,到无人驾驶车辆车身形体模型所有圆心的距离,以避免可移动障碍物与无人驾驶车辆车身的任意部位发生碰撞,当车辆带有超过自车车身外的附件时,需计算的还包括可移动障碍物的形体模型的边,到附件形体模型的圆心的距离,当存在所述距离与对应圆心所属的圆的半径相同时,则认为自车与所述可移动障碍物会发生碰撞,记录此时的碰撞时刻;
若未计算出碰撞时刻,则认为自车与所述可移动障碍物不会发生碰撞。
通过计算存在碰撞风险的可移动障碍物到自车形体模型的圆心的距离,不需要和自车形体模型边上所有的点都计算距离,减轻了无人驾驶车辆的负载压力。
步骤S208:依据所述碰撞时刻重新规划自车速度以消除碰撞风险。
在计算出自车与可移动障碍物的碰撞时刻后,可以增加自车速度或者减少自车速度,如果连续预设次数的变更速度都无法避免碰撞,自车速度减少至0,停止移动,通过改变自车速度来消除碰撞风险;
或者,在连续预设次数的变更速度都无法避免碰撞时,可以在不违反道路行驶规则的情况下改变自车行驶路径,使可移动障碍物到自车形体模型中所有圆心的距离均大于对应圆心所属圆的半径,实现自适应性的碰撞检测。
本申请的自车形体模型除了包括前述的车身形体模型之外,还可以包括附件形体模型。当无人驾驶车辆带有超出车身外的一个或多个附件时,可以对这些车辆附件设置单圆模型作为附件形体模型,以清扫车为例,如图7所示,图7是本申请示出的一种清扫车自动行驶示意图,清扫车的车身形体模型是新五圆模型。清扫车一般有两个扫刷,如图7中清扫车的扫刷A和扫刷B,用户可以基于扫刷的大小预先配置附件形体模型,一个附件形体模型一般只对应一个单独工作附件,附件形体模型一般是单个圆形,以扫刷上最远两点的连线的中点作为圆心,以连线的长度的一半作为半径构造圆形,半径还可以根据需求适当增大。
附件不局限于清扫车的扫刷,还可以包括洒水车的喷水器,推土机的铲刀等,一个附件包括展开和收起两种状态,如清扫车的扫刷,展开状态就是将扫刷放下清扫路面,收起状态就是将扫刷收起待机。
由于无人驾驶车辆行驶的道路情况不会一直不变,例如道路两边可能会停放自行车,或者道路施工设置施工牌占用道路等情况,会对无人驾驶车辆原本预设的行驶路线产生影响,使无人驾驶车辆的附件无法正常工作。
此时无人驾驶车辆可以在不需要附件工作的区域,保持附件处于收起状态;在需要附件工作的区域,获取自车前方一段距离内道路地形的边界,由于附件展开时自车形体模型覆盖面积最大,所以无论自车附件当前处于展开还是收起的状态,无人驾驶车辆都可以计算在假定所有自车附件都展开的情况下,各附件形体模型的圆心到所述地形边界的距离。
当各附件形体模型的圆心到所述地形边界的距离大于对应附件形体模型的半径时,表明自车前方的道路地形不会与自车附件发生碰撞,因而若该附件形体模型对应的附件当前处于展开状态,则继续保持当前状态,若该附件当前处于收起状态,则展开该附件;
当各附件形体模型的圆心到所述地形边界的距离不大于对应附件形体模型的半径时,表明自车前方的道路地形会与自车附件发生碰撞,因而若该附件形体模型对应的附件当前处于收起状态,则继续保持当前状态,若该附件当前处于展开状态,则收起该附件。
在无人驾驶车辆获取到自车前方一段距离内道路地形的边界后,若检测到存在附件会与自车前方的道路地形发生碰撞,该附件无法展开时,还可以计算前方道路边界之间相距的距离,如果道路边界之间的距离大于自车附件都展开的情况下的自车宽度,可以重新规划行驶路径,继续保持自车附件处于展开状态进行工作。
以清扫车为例,如图7所示,清扫车扫刷对应的扫刷形体模型的半径为r,所有扫刷都处于展开的状态时,车身宽度为m,在清扫车获取到前方一段距离的道路地形边界后,可以计算道路的宽度n,以及展开状态下的扫刷形体模型的圆心到所述地形边界的距离d,若d>r,则认为清扫车到前方地形有足够大的空间放下扫刷来清理地面,此时保持扫刷处于展开状态;若d≤r,则认为清扫车到前方地形过于狭窄,为避免扫刷与地形发生碰撞,此时需要保持扫刷处于收起状态。
由于每个扫刷之间是独立的,例如当图7中的扫刷A侧的地形狭窄,而扫刷B侧的地形宽阔,则可以只收起扫刷A避免发生碰撞,扫刷B保持展开状态清理地面;或者当道路的宽度n≥m时,可以重新规划行驶路线,将清扫车的行驶路线向扫刷B侧偏移,使道路地形边界到扫刷A的距离大于扫刷A对应的附件模型的半径,避免扫刷A与道路地形发生碰撞。
对无人驾驶车辆的每个附件都设置独立的附件形体模型,可以在预设的行驶道路发生变化时,收起或展开单个附件,避免附件与变化后的道路发生碰撞,动态适应发生变化的道路情况。
在前述步骤S208,计算出可移动障碍物与自车的碰撞时刻后,还可以判断与可移动障碍物发生碰撞的是否是自车附件,如果不是,则重新规划自车行驶速度或行驶轨迹;如果是,则再计算附件收起状态时,该附件形体模型的圆心到可移动障碍物形体模型的边的距离是否大于该附件形体模型的半径,如果大于,则收起该附件并保持当前自车行驶参数不变,如果不大于,则重新规划自车行驶速度或行驶轨迹。
通过判断附件形体模型与可移动障碍物是否发生碰撞,进而确定是否收起附件来避免碰撞,能够提高无人驾驶车辆的行驶效率,不会因改变自车行驶速度或者重新规划行驶路线而减缓无人驾驶车辆的行程。
由于在不同的时间,道路上的拥堵情况不同,所以为了适应不同路况,管理员可以预先在无人驾驶车辆上配置多种自车形体模型,每个自车形体模型包括的圆形数量不同。
无人驾驶车辆在行驶的过程中,还可以获取行驶轨迹下的当前道路拥堵情况,若当前道路拥挤,则选择圆形数量多的自车形体模型,提高自车形体模型完全覆盖车辆的精度,进而减小自车形体模型占用的安全区域,避免进行无效碰撞检测;若当前道路通畅,则选择圆形数量少的自车形体模型,使无人驾驶车辆在进行碰撞检测时,减少计算道路地形边界或者可移动障碍物的形体模型到自车形体模型的距离的压力,对即将发生的碰撞做出更快的反应,提高无人驾驶车辆处理突发情况的性能。
例如:管理员可以预先在无人驾驶车辆上配置三种自车形体模型,一种是三个圆的车身形体模型,一种是五个圆的车身形体模型,一种是七个圆的车身形体模型,无人驾驶车辆在获取到自车轨迹下的当前道路拥堵情况后,视情况选择自车形体模型:若道路拥堵严重,选择七个圆的车身形体模型,从而缩小每个圆的半径,提高模型精度,避免无人驾驶车辆行驶时发生碰撞检测的误判;若道路十分通畅,选择三个圆的车身形体模型,降低无人驾驶车辆的运算压力,提高应对突发情况的能力;在一般的情况下,选择五个圆的车身形体模型,在保持模型精度的同时降低无人驾驶车辆的计算压力,保持两者平衡。
通过本申请提供的技术方案,使用新的形体模型,将多个相同的圆上下均匀分布在自车矩形车身上,减少了因车身变大而导致模型横向膨胀过多,占用过多安全区域的问题,提高了无人驾驶车辆形体模型的精度。同时,利用本申请提出的技术方案,还能够实时检测自车周围的地形环境,根据自车前方地形的宽窄程度自适应的展开或收起自车所带的附件,提高自车适应环境的能力。
与前述一种碰撞检测的方法的实施例相对应,本申请还提供了一种碰撞检测的装置的实施例。
本申请一种碰撞检测的装置的实施例可以应用在无人驾驶车辆上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在无人驾驶车辆的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图8所示,为本申请一种碰撞检测的装置所在无人驾驶车辆的一种硬件结构图,除了图8所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的无人驾驶车辆通常根据该无人驾驶车辆的实际功能,还可以包括其他硬件,对此不再赘述。
请参考图9,图9是本申请示出的一种碰撞检测的装置的框图,所述碰撞检测装置可以应用在前述无人驾驶车辆上,包括:
模型获取模块902,用于获取自车形体模型,用于获取自车形体模型,所述自车形体模型所含的车身形体模型为多圆模型;
碰撞检测模块904,用于依据所述自车形体模型进行碰撞检测;其中,在所述无人驾驶车辆的矩形车身被均分为沿长边方向的n个矩形的情况下,所述多圆模型包含的n个圆形的圆心分别为所述n个矩形的中心点,且各圆形的半径为任一中心点到其所在矩形的顶点的距离,n为大于1的正整数。
可选的,在模型获取模块902中,当所述无人驾驶车辆带有超出车身外的一个或多个附件时,所述自车形体模型还包括附件形体模型;
所述附件形体模型包括分别对应于每个附件的单圆模型;所述单圆模型的圆心位于相应附件上最远两点的连线的中点、直径为所述连线的长度。
可选的,当所述无人驾驶车辆带有超出车身外的一个或多个附件时,还包括:
地形获取模块906,用于获取自车前方预设距离内道路地形的边界;
距离计算模块908,用于计算在所有自车附件都展开的情况下,各附件形体模型的圆心到所述地形边界的距离;
若所述距离大于对应附件形体模型的半径,则展开该附件形体模型对应的附件;
若所述距离不大于对应附件形体模型的半径,则收起该附件形体模型对应的附件。
可选的,碰撞检测模块904具体用于:
参数获取单元,用于获取自车行驶参数和可移动障碍物行驶参数;所述自车行驶参数包括自车行驶轨迹和自车行驶速度,所述可移动障碍物行驶参数包括可移动障碍物的行驶轨迹和可移动障碍物的行驶速度;
碰撞判定单元,依据所述自车行驶参数和可移动障碍物的行驶参数,若预测所述自车形体模型对应的行驶区域与可移动障碍物的行驶区域会发生重叠,则判定存在碰撞风险。
可选的,所述装置还包括:
碰撞时刻计算模块910,用于计算所述无人驾驶车辆与所述可移动障碍物的碰撞时刻,所述碰撞时刻为所述自车形体模型对应的行驶区域与可移动障碍物的行驶区域发生重叠的时刻;
速度规划模块912,用于依据所述碰撞时刻重新规划自车速度以消除碰撞风险。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本说明书中描述的主题及功能操作的实施例可以在以下中实现:数字电子电路、有形体现的计算机软件或固件、包括本说明书中公开的结构及其结构性等同物的计算机硬件、或者它们中的一个或多个的组合。本说明书中描述的主题的实施例可以实现为一个或多个计算机程序,即编码在有形非暂时性程序载体上以被数据处理装置执行或控制数据处理装置的操作的计算机程序指令中的一个或多个模块。可替代地或附加地,程序指令可以被编码在人工生成的传播信号上,例如机器生成的电、光或电磁信号,该信号被生成以将信息编码并传输到合适的接收机装置以由数据处理装置执行。计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备、或它们中的一个或多个的组合。
本说明书中描述的处理及逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程计算机执行,以通过根据输入数据进行操作并生成输出来执行相应的功能。所述处理及逻辑流程还可以由专用逻辑电路—例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)来执行,并且装置也可以实现为专用逻辑电路。
适合用于执行计算机程序的计算机包括,例如通用和/或专用微处理器,或任何其他类型的中央处理单元。通常,中央处理单元将从只读存储器和/或随机存取存储器接收指令和数据。计算机的基本组件包括用于实施或执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储器设备。通常,计算机还将包括用于存储数据的一个或多个大容量存储设备,例如磁盘、磁光盘或光盘等,或者计算机将可操作地与此大容量存储设备耦接以从其接收数据或向其传送数据,抑或两种情况兼而有之。然而,计算机不是必须具有这样的设备。此外,计算机可以嵌入在另一设备中,例如移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏操纵台、全球定位系统(GPS)接收机、或例如通用串行总线(USB)闪存驱动器的便携式存储设备,仅举几例。
适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备,例如包括半导体存储器设备(例如EPROM、EEPROM和闪存设备)、磁盘(例如内部硬盘或可移动盘)、磁光盘以及CD ROM和DVD-ROM盘。处理器和存储器可由专用逻辑电路补充或并入专用逻辑电路中。
虽然本说明书包含许多具体实施细节,但是这些不应被解释为限制任何发明的范围或所要求保护的范围,而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面,在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外,虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护,但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除,并且所要求保护的组合可以指向子组合或子组合的变型。
类似地,虽然在附图中以特定顺序描绘了操作,但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行,以实现期望的结果。在某些情况下,多任务和并行处理可能是有利的。此外,上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离,并且应当理解,所描述的程序组件和系统通常可以一起集成在单个软件产品中,或者封装成多个软件产品。
由此,主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下,权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外,附图中描绘的处理并非必需所示的特定顺序或顺次顺序,以实现期望的结果。在某些实现中,多任务和并行处理可能是有利的。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (10)
1.一种碰撞检测的方法,其特征在于,该方法应用于无人驾驶车辆,包括:
获取自车形体模型,所述自车形体模型所含的车身形体模型为多圆模型;
依据所述自车形体模型进行碰撞检测;其中,在所述无人驾驶车辆的矩形车身被均分为沿长边方向的n个矩形的情况下,所述多圆模型包含的n个圆形的圆心分别为所述n个矩形的中心点,且各圆形的半径为任一中心点到其所在矩形的顶点的距离,n为大于1的正整数。
2.根据权利要求1所述的方法,当所述无人驾驶车辆带有超出车身外的一个或多个附件时,所述自车形体模型还包括附件形体模型;
所述附件形体模型包括分别对应于每个附件的单圆模型;所述单圆模型的圆心位于相应附件上最远两点的连线的中点、直径为所述连线的长度。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取自车前方预设距离内道路地形的边界;
计算在所有自车附件都展开的情况下,各附件形体模型的圆心到所述地形边界的距离;
若所述距离大于对应附件形体模型的半径,则展开该附件形体模型对应的附件;
若所述距离不大于对应附件形体模型的半径,则收起该附件形体模型对应的附件。
4.根据权利要求2所述的方法,其特征在于,所述依据所述自车形体模型进行碰撞检测,包括:
获取自车行驶参数和可移动障碍物行驶参数;所述自车行驶参数包括自车行驶轨迹和自车行驶速度,所述可移动障碍物行驶参数包括可移动障碍物的行驶轨迹和可移动障碍物的行驶速度;
依据所述自车行驶参数和可移动障碍物的行驶参数,若预测所述自车形体模型对应的行驶区域与可移动障碍物的行驶区域会发生重叠,则判定存在碰撞风险。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
计算所述无人驾驶车辆与所述可移动障碍物的碰撞时刻,所述碰撞时刻为所述自车形体模型对应的行驶区域与可移动障碍物的行驶区域发生重叠的时刻;
依据所述碰撞时刻重新规划自车速度以消除碰撞风险。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取多种自车形体模型;所述多种自车形体模型包括多个圆形数量不同的多圆模型;
若自车行驶轨迹下的当前道路拥堵情况为拥堵时,选择圆形数量多的模型进行碰撞检测;
若所述当前道路拥堵情况为通畅时,选择圆形数量少的模型进行碰撞检测。
7.根据权利要求1所述的方法,其特征在于,所述多圆模型为五圆模型。
8.一种碰撞检测的装置,其特征在于,该装置应用于无人驾驶车辆,包括:
模型获取模块,用于获取自车形体模型,所述自车形体模型所含的车身形体模型为多圆模型;
碰撞检测模块,用于依据所述自车形体模型进行碰撞检测;其中,在所述无人驾驶车辆的矩形车身被均分为沿长边方向的n个矩形的情况下,所述多圆模型包含的n个圆形的圆心分别为所述n个矩形的中心点,且各圆形的半径为任一中心点到其所在矩形的顶点的距离,n为大于1的正整数。
9.一种存储介质,其特征在于,所述存储介质存储计算机程序指令,所述计算机程序指令被执行后能够实现权利要求1到7中任一项所述的方法。
10.一种电子设备,其特征在于,包括:用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器,其中,当该计算机程序指令被该处理器执行后能够实现权利要求1到7中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111421197.2A CN115292796B (zh) | 2021-11-26 | 2021-11-26 | 一种碰撞检测方法及装置 |
PCT/CN2022/071344 WO2023092837A1 (zh) | 2021-11-26 | 2022-01-11 | 碰撞检测 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111421197.2A CN115292796B (zh) | 2021-11-26 | 2021-11-26 | 一种碰撞检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115292796A true CN115292796A (zh) | 2022-11-04 |
CN115292796B CN115292796B (zh) | 2023-06-02 |
Family
ID=83818967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111421197.2A Active CN115292796B (zh) | 2021-11-26 | 2021-11-26 | 一种碰撞检测方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115292796B (zh) |
WO (1) | WO2023092837A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116424315A (zh) * | 2023-03-31 | 2023-07-14 | 阿波罗智联(北京)科技有限公司 | 碰撞检测方法、装置、电子设备、自动驾驶车辆及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000339029A (ja) * | 1999-05-31 | 2000-12-08 | Komatsu Ltd | 車両の干渉防止装置 |
EP1065520A2 (en) * | 1999-06-28 | 2001-01-03 | Hitachi, Ltd. | Vehicle control method and vehicle warning method |
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 |
CN111591288A (zh) * | 2020-03-31 | 2020-08-28 | 北京智行者科技有限公司 | 基于距离变换图的碰撞检测方法及装置 |
CN112249008A (zh) * | 2020-09-30 | 2021-01-22 | 南京航空航天大学 | 针对复杂动态环境的无人驾驶汽车预警方法 |
CN113119964A (zh) * | 2019-12-30 | 2021-07-16 | 郑州宇通客车股份有限公司 | 一种自动驾驶车辆碰撞预测判断方法及装置 |
CN113670632A (zh) * | 2021-08-18 | 2021-11-19 | 北京经纬恒润科技股份有限公司 | 碰撞检测方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9254824B2 (en) * | 2013-12-30 | 2016-02-09 | Automotive Research & Testing Center | Adaptive anti-collision method for vehicle |
CN108010388A (zh) * | 2018-01-04 | 2018-05-08 | 北京瑞腾中天科技有限公司 | 基于车联网络的碰撞检测预警方法及碰撞检测预警系统 |
CN111750887B (zh) * | 2020-06-11 | 2023-11-21 | 上海交通大学 | 降低事故严重程度的无人驾驶车辆轨迹规划方法及系统 |
CN112109704B (zh) * | 2020-09-22 | 2022-04-01 | 同济大学 | 一种基于精准轨迹预测的车辆避撞动态安全路径规划方法 |
CN113635893A (zh) * | 2021-07-16 | 2021-11-12 | 安徽工程大学 | 一种基于城市智慧交通的无人驾驶车辆转向的控制方法 |
-
2021
- 2021-11-26 CN CN202111421197.2A patent/CN115292796B/zh active Active
-
2022
- 2022-01-11 WO PCT/CN2022/071344 patent/WO2023092837A1/zh unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000339029A (ja) * | 1999-05-31 | 2000-12-08 | Komatsu Ltd | 車両の干渉防止装置 |
EP1065520A2 (en) * | 1999-06-28 | 2001-01-03 | Hitachi, Ltd. | Vehicle control method and vehicle warning method |
CN113119964A (zh) * | 2019-12-30 | 2021-07-16 | 郑州宇通客车股份有限公司 | 一种自动驾驶车辆碰撞预测判断方法及装置 |
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 |
CN111591288A (zh) * | 2020-03-31 | 2020-08-28 | 北京智行者科技有限公司 | 基于距离变换图的碰撞检测方法及装置 |
CN112249008A (zh) * | 2020-09-30 | 2021-01-22 | 南京航空航天大学 | 针对复杂动态环境的无人驾驶汽车预警方法 |
CN113670632A (zh) * | 2021-08-18 | 2021-11-19 | 北京经纬恒润科技股份有限公司 | 碰撞检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
何滨兵等: "不确定性因素下基于机会约束的智能车路径规划算法", vol. 22, no. 10 * |
张荣辉;游峰;初鑫男;郭烈;何兆成;王荣本;: "车-车协同下无人驾驶车辆的换道汇入控制方法", no. 04 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116424315A (zh) * | 2023-03-31 | 2023-07-14 | 阿波罗智联(北京)科技有限公司 | 碰撞检测方法、装置、电子设备、自动驾驶车辆及介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023092837A1 (zh) | 2023-06-01 |
CN115292796B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7150983B2 (ja) | 車両のための衝突予測及び回避 | |
US11104336B2 (en) | Method for planning a trajectory for a self-driving vehicle | |
EP3999810B1 (en) | Unstructured vehicle path planner | |
US10937320B2 (en) | Drive envelope determination | |
US10816990B2 (en) | Non-blocking boundary for autonomous vehicle planning | |
EP3359436B1 (en) | Method and system for operating autonomous driving vehicles based on motion plans | |
US10571921B2 (en) | Path optimization based on constrained smoothing spline for autonomous driving vehicles | |
CN110654376B (zh) | 自动驾驶车辆的停车轨迹的规划 | |
US10591926B2 (en) | Smooth road reference for autonomous driving vehicles based on 2D constrained smoothing spline | |
CN109987092B (zh) | 一种车辆避障换道时机的确定方法及避障换道的控制方法 | |
US9731724B2 (en) | Autonomous driving control apparatus and method for determining lane change and timing thereof based on analysis for shapes and links of forward road | |
US10802492B2 (en) | Vehicle path identification | |
US10824153B2 (en) | Cost design for path selection in autonomous driving technology | |
US20190086930A1 (en) | Speed optimization based on constrained smoothing spline for autonomous driving vehicles | |
JP2022502306A (ja) | レーダ空間推定 | |
JP2022511714A (ja) | 知覚衝突回避 | |
JP2022550279A (ja) | 妨害物の回避 | |
JP2017165158A (ja) | 車両制御装置、車両制御方法、および車両制御プログラム | |
US11353878B2 (en) | Soft-boundary based path optimization for complex scenes for autonomous driving vehicles | |
US11414096B2 (en) | QP spline path and spiral path based reference line smoothing method for autonomous driving | |
CN111615476A (zh) | 用于自动驾驶车辆的基于螺旋曲线的竖直停车规划系统 | |
CN115292796A (zh) | 一种碰撞检测方法及装置 | |
CN115230731A (zh) | 行驶路径确定方法、装置、终端及介质 | |
WO2023103142A1 (zh) | 障碍物轨迹预测的方法、系统和计算机可读存储介质 | |
CN106020213A (zh) | 一种uuv对矩形障碍物几何绕行的二维航路规划方法 |
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 |