CN115352437A - 自动泊车路径规划方法、装置及自移动设备 - Google Patents
自动泊车路径规划方法、装置及自移动设备 Download PDFInfo
- Publication number
- CN115352437A CN115352437A CN202211146303.5A CN202211146303A CN115352437A CN 115352437 A CN115352437 A CN 115352437A CN 202211146303 A CN202211146303 A CN 202211146303A CN 115352437 A CN115352437 A CN 115352437A
- Authority
- CN
- China
- Prior art keywords
- intelligent vehicle
- arc
- parking
- parking space
- optimization
- 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 57
- 238000005457 optimization Methods 0.000 claims description 56
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 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
- 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
- B60W30/06—Automatic manoeuvring for parking
-
- 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)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本申请涉及一种自动泊车路径规划方法、装置及自移动设备,该方法包括通过获取道路宽度、智能车辆位置信息和泊车位,根据泊车位建立局部坐标系,根据预设的优化目标确定前置几何条件和优化变量,根据前置几何条件、优化变量和坐标系确定关键位置坐标,根据优化目标和关键位置坐标确定约束条件,根据约束条件得到优化模型,并根据优化模型求解泊车路径。该方法中的规划路径由三段圆弧加一段直线段构成,降低了对泊车场景的空间要求,提高了智能车辆在狭隘空间下路径生成的成功率。本申请建立的问题模型中,该模型在任何有解的场景里,求解结果保证只生成一条路径,该路径是在目标车位和运动学约束下的占用道路空间最小的最优解。
Description
技术领域
本申请涉及智能驾驶领域,特别是涉及一种自动泊车路径规划方法、装置及自移动设备。
背景技术
随着汽车保有量的不断增长,无人驾驶凭借着科技、互联网、大数据等的浪潮快速发展,针对泊车过程的耗时长、空间要求高等问题,自主代客泊车逐渐成为无人驾驶研究和应用的热点。
传统泊车系统的轨迹规划主要由直线、圆弧和曲线三个要素组成。通过将这三个要素进行拼接,组成形式多样的行车轨迹。常见的车位类型为平行车位、垂直车位和斜向车位。在垂直泊车的路径生成方法中,以往的路径一般是采用一段或两段圆弧加一段直线拼接而成。在求解方法上,通过车位尺寸,车辆运动学建立圆弧、直线与车位的几何关系,进而表达成几个等式方程与不等式方程,通过化简求解这些关系式计算出解析式,再根据解析式得到可泊车区域。
采用一段或两段圆弧求解路径的方法对泊车区域的几何空间(道路宽度和停车位大小)要求大。在停车位与道路较窄的情况下,可能没有解析解,导致自动泊车路径规划失败,实用性不足。假如增加圆弧段数,将导致解析式表达式复杂甚至不存在解析解。同时,上述方法的解析式是一个可行域,并非最优的泊车路径,还需要进一步计算得出满足条件的路径,增加了工作量和路径的不确定性。
发明内容
本申请实施方式主要解决的技术问题是提供一种自动泊车路径规划方法、装置及自移动设备,采用该方法能降低对泊车空间的要求,提高在狭隘空间下泊车路径的生成率。
为了解决上述技术问题,第一方面,本申请实施例提供了一种自动泊车路径规划方法,包括:
获取道路宽度、智能车辆位置信息和泊车位,根据所述泊车位建立局部坐标系;
根据预设的优化目标确定前置几何条件和优化变量;
根据所述前置几何条件、所述优化变量和所述坐标系确定关键位置坐标;
根据所述优化目标和所述关键位置坐标确定约束条件;
根据所述约束条件得到优化模型,并根据所述优化模型求解泊车路径。
在一些实施例中,所述优化目标对应的规划路径包括第一圆弧、第二圆弧、第三圆弧和第一直线,所述约束条件,包括:
当所述智能车辆沿所述第三圆弧和所述第一圆弧移动时,控制所述泊车位第一端点距离所述第三圆弧和所述第一圆弧的最短距离不小于所述智能车辆一半的车宽。
在一些实施例中,所述约束条件,还包括:
当所述智能车辆沿所述第三圆弧和第一圆弧移动时,控制所述智能车辆的第一方向角点与远离所述泊车位的道路边沿的距离小于第一阈值。
在一些实施例中,所述约束条件,还包括:
当所述智能车辆沿所述第二圆弧移动时,控制所述智能车辆与所述泊车位的第一侧的距离小于第二阈值,其中,第一侧包括第一侧边界和第一侧边界点。
在一些实施例中,所述控制所述智能车辆与所述泊车位的第一侧的距离小于第二阈值,包括:
控制所述第一侧边界点到所述智能车辆后轴垂线的距离不小于所述后轴到所述智能车辆的车尾的距离。
在一些实施例中,所述控制所述智能车辆与所述泊车位的第一侧的距离小于第二阈值,包括:
控制所述泊车位的第一侧边界的横坐标小于所述智能汽车第二方向角的横坐标。
在一些实施例中,所述约束条件,还包括:
当所述智能车辆沿所述第一圆弧移动时,控制所述智能车辆第三方向角的圆弧半径与第一圆弧的半径差值大于所述泊车位的一半的宽度。
在一些实施例中,所述约束条件,还包括:
控制所述智能车辆起始点的横坐标不小于第三阈值。
在一些实施例中,所述约束条件,还包括:
控制所述智能车辆起始点的纵坐标为固定值。
为解决上述技术问题,第二方面,本申请实施例中提供给了一种自动泊车路径规划装置,包括:
获取模块,用于获取道路宽度、智能车辆位置信息和泊车位,根据所述泊车位建立局部坐标系;
第一确定模块,用于根据预设的优化目标确定前置几何条件和优化变量;
第二确定模块,用于根据所述前置几何条件、所述优化变量和所述坐标系确定关键位置坐标;
第三确定模块,用于根据所述优化目标和所述关键位置坐标确定约束条件;
求解模块,用于根据所述约束条件得到优化模型,并根据所述优化模型求解泊车路径。
为解决上述技术问题,第三方面,本申请实施例中提供给了一种自移动设备,包括:
至少一个处理器;
以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上第一方面所述的自动泊车路径规划方法。
本申请实施例的有益效果:区别于相关技术的情况,本申请实施例提供的自动泊车路径规划方法、装置及智能车辆,通过获取道路宽度、智能车辆位置信息和泊车位,根据所述泊车位建立局部坐标系,根据预设的优化目标确定前置几何条件和优化变量,根据所述前置几何条件、所述优化变量和所述坐标系确定关键位置坐标,根据所述优化目标和所述关键位置坐标确定约束条件,根据所述约束条件得到优化模型,并根据所述优化模型求解泊车路径。该方法中的规划路径由三段圆弧加一段直线段构成,三段圆弧降低了对泊车场景的空间要求,提高了智能车辆在狭隘空间下路径生成的成功率。本申请采用数字优化的方法建立问题模型,该模型在任何有解的场景里,能保证求解得到全局最优解,求解结果保证只生成一条路径,该路径是在目标车位和运动学约束下的占用道路空间最小的最优解。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是本申请实施例提供的一种智能车辆的泊车场景图;
图2是本申请实施例提供的一种自移动设备的结构示意图;
图3是本申请实施例提供的一种自动泊车路径规划方法的流程示意图;
图4是本申请实施例提供的一种泊车路径与智能车辆信息示意图;
图5是本申请实施例提供的另一种自动泊车路径规划方法的流程示意图;
图6是本申请实施例提供的一种自动泊车路径规划装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,如果不冲突,本发明实施例中的各个特征可以相互结合,均在本申请的保护范围之内。另外,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。此外,本文所采用的“第一”、“第二”、“第三”等字样并不对数据和执行次序进行限定,仅是对功能和作用基本相同的相同项或相似项进行区分。
除非另有定义,本说明书所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。在本申请的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是用于限制本申请。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
在自动驾驶和辅助驾驶中,无人驾驶车辆可以通过传感器对周围的环境进行感知,其中,传感器可以包括但不限制于激光雷达、超声波雷达和视觉传感器等。无人驾驶车辆可以通过传感器对车辆周边的环境进行检测、分类,并将这些信息传输到控制模块,形成对车辆行驶方向、路径的决策,并最终通过执行器来执行,完成整个辅助驾驶或自动驾驶的过程。
图1是本申请实施例提供的一种智能车辆的泊车场景图,其中,该场景中包括智能车辆、道路和泊车位,智能车辆可以通过规划好的泊车路径从指定起始位置驶入泊车位,完成对智能车辆的停放。可以理解的是,在对智能车辆泊车路径进行规划时,应该防止智能车辆在行驶过程中与道路边沿以及泊车位边界发生碰撞。
目前,自动泊车功能中多采用一段或两段圆弧求解泊车路径,这种方法对道路的宽度和泊车位大小要求大,当泊车位和道路较窄时,在求解泊车路径时,导致自动泊车路径规划失败。因此,为了提高智能车辆在狭隘空间下自动泊车路径规划的成功率,本申请实施例提供了一种自动泊车路径规划方法,使得智能车辆能够狭隘的空间下生成泊车路径。
自动泊车路径规划方法可以由芯片、处理器或者自动泊车路径规划装置执行,其中,该芯片、处理器或者自动泊车路径规划装置可以安装在自移动设备中,以便通过该芯片、处理器或者自动泊车路径规划装置执行本申请实施例提供的自动泊车路径规划方法。在一些实施例中,该芯片、处理器或者自动泊车路径规划装置也可以安装在智能车辆中,此时,自移动设备即为智能车辆。可以理解的是,自移动设备可以为任一具有计算处理能力和自行移动能力的设备,例如清洁机器人、AGV、IGV等,在此不对自移动设备的具体形式做任何限制。
以下以自移动设备进行说明,请参考图2,图2是本申请实施例提供的一种自移动设备,自移动设备200包括通讯连接的至少一个处理器201,以及与所述至少一个处理器201通信连接的存储器202,图2中以总线连接,一个处理器为例。其中,所述存储器存202储有可被所述至少一个处理器201执行的指令,所述指令被所述至少一个处理器201执行,以使所述至少一个处理器201能够执行任意一种自动泊车路径规划方法。
处理器201可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
存储器202作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块,如本申请实施例中的自动泊车路径规划方法对应的程序指令/模块。所述处理器201通过运行存储在存储器202中的非暂态软件程序、指令以及模块,可以实现下述任一方法实施例中的自动泊车路径规划方法。具体地,所述存储器202可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器202还可以包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
具体地,对本申请实施例提供的自动泊车路径规划方法进行详细说明,请参考图3,该方法包括:
步骤S1:获取道路宽度、智能车辆位置信息和泊车位,根据所述泊车位建立局部坐标系;
步骤S2:根据预设的优化目标确定前置几何条件和优化变量;
步骤S3:根据所述前置几何条件、所述优化变量和所述坐标系确定关键位置坐标;
步骤S4:根据所述优化目标和所述关键位置坐标确定约束条件;
步骤S5:根据所述约束条件得到优化模型,并根据所述优化模型求解泊车路径。
局部坐标系是根据泊车位上边界的中心点建立的坐标系,其中以泊车位上边界的中心点为坐标原点,将垂直于道路边界并指向道路边界的方向定义为y轴正方向,将平行于道路边界并指向智能车辆的方向定义为x轴正方向。
优化目标是指该智能车辆在泊车过车中,通过对泊车路径进行规划,使得智能车辆在泊车过程中占用的道路空间尽可能的小。本申请的优化目标是使规划出来的A点和C点到泊车位的右上角Pr点的距离尽可能小。如图4所示,图4提供了一种泊车路径与智能车辆信息示意图,在此路径规划过程中,利用极限的思想,将智能车辆泊车的路径简化为三段圆弧和一段线段,即圆弧AB、圆弧BC、圆弧CD和线段DE,得到如图4所示的泊车路径。
根据泊车位建立局部坐标系,该坐标系位于泊车位的上边界的中心点。根据优化变量计算泊车轨迹中的关键位置坐标,关键位置坐标包括A、B、C、D、E、O1、O2和O3的坐标信息,根据几何关系可以计算出A、B、C、D、E、O1、O2和O3的坐标的表达式。参考图4中的集合关系,可知,
xe=0;
xd=xe;
xo1=xd+R1;
xO3=xa;
ye=-L+Lr;
yd=ye+L_de;
yO1=yd;
ya=yO3+R3;
其中,xa表示A点横坐标,ya表示A点纵坐标,xb表示B点横坐标,yb表示B点纵坐标,xc表示C点横坐标,yC表示C点纵坐标,xd表示D点横坐标,yd表示D点纵坐标,xe表示E点横坐标,ye表示E点纵坐标,xO1表示O1点横坐标,yo1表示O1点纵坐标,xo2表示O2点横坐标,yO2表示O2点纵坐标,xO3表示O3点横坐标,yO3表示O3点纵坐标,R1表示圆弧CD的半径,R2表示圆弧BC的半径,R3表示圆弧AB的半径,表示圆弧CD的角度,表示圆弧AB的角度,L_de表示DE的距离,Lr表示后轴到车尾的距离,L是泊车位的深度,Lf是后轴到车头的距离。
根据优化目标和得到的关键位置坐标确定约束条件,根据约束条件得到优化模型,并根据所述优化模型求解泊车路径。为了提高狭隘空间的自动泊车路径规划的可行性,在满足车辆运动学与车位尺寸约束下,采用数值优化方法以占用道路空间尽可能小为目标建立代价函数,同时求解结果保证只生成一条路径,该泊车路径是在目标车位和运动学约束下的占用道路空间最小的最优解。
在本申请实施例中,通过获取道路宽度、智能车辆位置信息和泊车位,根据所述泊车位建立局部坐标系,根据预设的优化目标确定前置几何条件和优化变量,根据所述前置几何条件、所述优化变量和所述坐标系确定关键位置坐标,根据所述优化目标和所述关键位置坐标确定约束条件,根据所述约束条件得到优化模型,并根据所述优化模型求解泊车路径。本申请的规划路径由三段圆弧加一段直线段构成,三段圆弧降低了对泊车场景的空间要求,提高了智能车辆在狭隘空间下路径生成的成功率。本申请采用数字优化的方法建立问题模型,该模型在任何有解的场景里,能保证求解得到全局最优解,求解结果保证只生成一条路径,该路径是在目标车位和运动学约束下的占用道路空间最小的最优解。
在一些实施例中,所述优化目标对应的规划路径包括第一圆弧、第二圆弧、第三圆弧和第一直线,所述约束条件,包括:当所述智能车辆沿所述第三圆弧和所述第一圆弧移动时,控制所述泊车位第一端点距离所述第三圆弧和所述第一圆弧的最短距离不小于所述智能车辆一半的车宽。
其中,第一圆弧为圆弧CD,第二圆弧为圆弧BC,第三圆弧为圆弧AB,第一直线为线段DE,同时参考图4,当智能车辆沿着圆弧AB和圆弧CD运动时,需要满足智能车辆的右侧不能与泊车位的Pr点发生碰撞,也即需满足智能车辆在沿圆弧AB和圆弧CD运动时,智能车辆右侧边Car_l要在Pr点的左上方,可以理解为泊车位的Pr点距离圆弧CD和圆弧AB的最短距离不小于智能车辆一半的车宽Lw。
当智能车辆在圆弧CD上运动时,圆心O1到Pr的距离应当不大于圆弧CD半径减去车宽一半后的距离:
R1-sqrt((xO1-xPr)2+(yO1-yPr)2)≤Lw/2
其中,R1表示圆弧CD的半径,xO1表示O1点横坐标,yo1表示O1点纵坐标,xpr表示Pr点横坐标,yPr表示Pr点纵坐标,Lw表示车宽。
当智能车辆在圆弧AB上运动时,圆心O3到Pr的距离应当不大于圆弧AB半径减去车宽一半后的距离:
R3-sqrt((xO3-xPr)2+(yO3-yPr)2)≤Lw/2
其中,R3表示圆弧AB的半径,xO3表示O3点横坐标,yO3表示O3点纵坐标,xpr表示Pr点横坐标,yPr表示Pr点纵坐标,Lw表示车宽。
在一些实施例中,所述约束条件,还包括:当所述智能车辆沿所述第三圆弧和第一圆弧移动时,控制所述智能车辆的第一方向角点与远离所述泊车位的道路边沿的距离小于第一阈值。
参考图4,当智能车辆沿着圆弧AB和圆弧CD运动时,智能车辆左前方的角点G点不能越过远离泊车位的道路边沿,也即智能车辆沿着圆弧AB和圆弧CD运动时,智能车辆的G点不能越过路边的Ctl点和Atl点。
当智能车辆在圆弧CD上运动时,在C点处有:
当智能车辆在圆弧AB上运动时,在A点处有:
ya+sqrt((0.5*Lw+R3)2+Lf2)-R3-H≤0
其中,ya表示A点纵坐标,Lw表示车宽,R3表示圆弧AB的半径,Lf表示后轴到车头的距离,H表示道路宽度。
在一些实施例中,所述约束条件,还包括:当所述智能车辆沿所述第二圆弧移动时,控制所述智能车辆与所述泊车位的第一侧的距离小于第二阈值,其中,第一侧包括第一侧边界和第一侧边界点。
在一些实施例中,所述控制所述智能车辆与所述泊车位的第一侧的距离小于第二阈值,包括:控制所述第一侧边界点到所述智能车辆后轴垂线的距离不小于所述后轴到所述智能车辆的车尾的距离。
当智能车辆沿圆弧BC运动时,当智能车辆位于B点时,智能车辆的角点M点不与泊车位的Pl点碰撞,也即要求智能车辆位于Pl点的右上角,可以理解为Pl点到智能车辆后轴垂线的距离不小于后轴到车尾的距离:
-(xO3-xO2)*(yO3-yPl)+(yO3-yO2)*(xO3-xPl)+Lr*(R2+R3)≤0
其中,xo2表示O2点横坐标,yO2表示O2点纵坐标,xO3表示O3点横坐标,yO3表示O3点纵坐标,xpl表示Pl点横坐标,yPl表示Pl点纵坐标,Lr表示后轴到车尾的距离,R2表示圆弧BC的半径,R3表示圆弧AB的半径。
在一些实施例中,所述控制所述智能车辆与所述泊车位的第一侧的距离小于第二阈值,包括:控制所述泊车位的第一侧边界的横坐标小于所述智能汽车第二方向角的横坐标。
当智能车辆沿圆弧BC运动时,当智能车辆位于B点时,智能车辆不与泊车位左侧边界碰撞,也即需要满足智能车辆位于泊车位左侧边界的右边,可以理解为泊车位的左侧边界的横坐标小于所述智能汽车右后角点的横坐标:
需要说明的是,当智能车辆沿着圆弧BC运动时,智能车辆不与泊车位左侧边界点Pl点碰撞或者智能车辆不与泊车位左测边界碰撞,上述两个条件不能同时作为约束条件,当智能车辆不与泊车位左测边界碰撞作为约束条件时,多用于当泊车位比较宽,但是道路比较窄的情况。
在一些实施例中,所述约束条件,还包括:当所述智能车辆沿所述第一圆弧移动时,控制所述智能车辆第三方向角的圆弧半径与第一圆弧的半径差值大于所述泊车位的一半的宽度。
当智能车辆沿圆弧CD运动时,需要满足智能车辆的左后角M点不与泊车位左侧的边界碰撞,可以理解为智能车辆左后角点的圆弧半径减去圆弧CD的半径差值大于泊车位的一半的宽度:
其中,Lr表示后轴到车尾的距离,Lw表示车宽,Pw表示泊车位宽度,R1表示圆弧CD的半径。
在一些实施例中,所述约束条件,还包括:控制所述智能车辆起始点的横坐标不小于第三阈值。
当智能车辆需要泊车时,需要对智能车辆起始点进行限制,用以满足智能车辆在A点沿X轴方向距离不小于设定值:
xa-a≤0
其中,xa表示A点横坐标,a表示一个自定义常量。
在一些实施例中,所述约束条件,还包括:控制所述智能车辆起始点的纵坐标为固定值。
当智能车辆有需要泊车时,需要对智能车辆起始点进行限制,用以满足智能车辆的Y轴坐标是一个固定值:
ya=b
其中,ya表示A点纵坐标,b表示一个自定义常量。
本申请实施例中,该方法解决了给定车辆起始位置作为约束条件,通过对起始位置进行约束,求解智能车辆在当前位置下的一条占用道路空间最小的最优泊车路径。
图5是本申请实施例提供的另一种自动泊车路径规划方法的流程示意图,通过获取道路宽度和垂直车位坐标信息,并在车位上边界中心建立坐标系,确定优化目标、前置几何条件和6个优化变量,通过优化变量计算轨迹中8个关键位置坐标,根据8个关键位置坐标建立8个约束条件,获得优化模型,采用非线性数值优化方法求解优化模型,判断优化后的模型是否有解,若无解,说明道路过窄或车位尺寸过小,导致目标车位无泊车路径解,若有解,根据优化目标的解,利用圆弧的值计算路径,得到一条泊车路径。
图6为本申请实施例提供的一种自动泊车路径规划装置的结构示意图,请参考图6,本申请的自动泊车路径规划装置100包括,获取模块101、第一确定模块102、第二确定模块103、第三确定模块104和求解模块105。
其中,获取模块101,用于获取道路宽度、智能车辆位置信息和泊车位,根据所述泊车位建立局部坐标系;
第一确定模块102,用于根据预设的优化目标确定前置几何条件和优化变量;
第二确定模块103,用于根据所述前置几何条件、所述优化变量和所述坐标系确定关键位置坐标;
第三确定模块104,用于根据所述优化目标和所述关键位置坐标确定约束条件;
求解模块105,用于根据所述约束条件得到优化模型,并根据所述优化模型求解泊车路径。
需要说明的是,上述自动泊车路径规划装置可执行本申请实施例所提供的自动泊车路径规划方法,具备执行方法相应的功能模块和有益效果。未在自动泊车路径规划装置实施例中详尽描述的技术细节,可参见本申请实施例所提供的自动泊车路径规划方法。
本申请实施例还提供了一种可读存储介质,所述可读存储介质存储有程序或指令,所述程序或指令被处理器执行时实现如上方法实施例中任一自动泊车路径规划方法。
通过以上的实施方式的描述,本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本申请的不同方面的许多其它变化,为了简明,它们没有在细节中提供;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (11)
1.一种自动泊车路径规划方法,其特征在于,包括:
获取道路宽度、智能车辆位置信息和泊车位,根据所述泊车位建立局部坐标系;
根据预设的优化目标确定前置几何条件和优化变量;
根据所述前置几何条件、所述优化变量和所述坐标系确定关键位置坐标;
根据所述优化目标和所述关键位置坐标确定约束条件;
根据所述约束条件得到优化模型,并根据所述优化模型求解泊车路径。
2.根据权利要求1所述的方法,其特征在于,所述优化目标对应的规划路径包括第一圆弧、第二圆弧、第三圆弧和第一直线,所述约束条件,包括:
当所述智能车辆沿所述第三圆弧和所述第一圆弧移动时,控制所述泊车位第一端点距离所述第三圆弧和所述第一圆弧的最短距离不小于所述智能车辆一半的车宽。
3.根据权利要求2所述的方法,其特征在于,所述约束条件,还包括:
当所述智能车辆沿所述第三圆弧和第一圆弧移动时,控制所述智能车辆的第一方向角点与远离所述泊车位的道路边沿的距离小于第一阈值。
4.根据权利要求3所述的方法,其特征在于,所述约束条件,还包括:
当所述智能车辆沿所述第二圆弧移动时,控制所述智能车辆与所述泊车位的第一侧的距离小于第二阈值,其中,第一侧包括第一侧边界和第一侧边界点。
5.根据权利要求4所述的方法,其特征在于,所述控制所述智能车辆与所述泊车位的第一侧的距离小于第二阈值,包括:
控制所述第一侧边界点到所述智能车辆后轴垂线的距离不小于所述后轴到所述智能车辆的车尾的距离。
6.根据权利要求4的方法,其特征在于,所述控制所述智能车辆与所述泊车位的第一侧的距离小于第二阈值,包括:
控制所述泊车位的第一侧边界的横坐标小于所述智能汽车第二方向角的横坐标。
7.根据权利要求4的方法,其特征在于,所述约束条件,还包括:
当所述智能车辆沿所述第一圆弧移动时,控制所述智能车辆第三方向角的圆弧半径与第一圆弧的半径差值大于所述泊车位的一半的宽度。
8.根据权利要求7的方法,其特征在于,所述约束条件,还包括:
控制所述智能车辆起始点的横坐标不小于第三阈值。
9.根据权利要求8的方法,其特征在于,所述约束条件,还包括:
控制所述智能车辆起始点的纵坐标为固定值。
10.一种自动泊车路径规划装置,其特征在于,包括:
获取模块,用于获取道路宽度、智能车辆位置信息和泊车位,根据所述泊车位建立局部坐标系;
第一确定模块,用于根据预设的优化目标确定前置几何条件和优化变量;
第二确定模块,用于根据所述前置几何条件、所述优化变量和所述坐标系确定关键位置坐标;
第三确定模块,用于根据所述优化目标和所述关键位置坐标确定约束条件;
求解模块,用于根据所述约束条件得到优化模型,并根据所述优化模型求解泊车路径。
11.一种自移动设备,其特征在于,包括:
至少一个处理器;
以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至9所述的自动泊车路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211146303.5A CN115352437A (zh) | 2022-09-20 | 2022-09-20 | 自动泊车路径规划方法、装置及自移动设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211146303.5A CN115352437A (zh) | 2022-09-20 | 2022-09-20 | 自动泊车路径规划方法、装置及自移动设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115352437A true CN115352437A (zh) | 2022-11-18 |
Family
ID=84006204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211146303.5A Pending CN115352437A (zh) | 2022-09-20 | 2022-09-20 | 自动泊车路径规划方法、装置及自移动设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115352437A (zh) |
-
2022
- 2022-09-20 CN CN202211146303.5A patent/CN115352437A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111674390B (zh) | 一种自动泊车路径规划的避障方法及泊车路径规划系统 | |
CN110687539B (zh) | 一种车位检测方法、装置、介质和设备 | |
CN113267199B (zh) | 行驶轨迹规划方法及装置 | |
CN110361013B (zh) | 一种用于车辆模型的路径规划系统及方法 | |
CN112193244B (zh) | 基于线性约束的自动驾驶车辆运动规划方法 | |
CN108032859B (zh) | 自动变道控制方法、装置和汽车 | |
CN112141091B (zh) | 解决车位偏移和定位偏移的二次泊车方法、系统及车辆 | |
CN113682312B (zh) | 一种融合深度强化学习的自主换道方法及系统 | |
CN110758381B (zh) | 生成转向轨迹的方法、装置、存储介质及电子设备 | |
CN113771839B (zh) | 一种自动泊车决策规划方法及系统 | |
CN112859838B (zh) | 一种自动驾驶控制方法、装置、设备和介质 | |
CN111591288B (zh) | 基于距离变换图的碰撞检测方法及装置 | |
CN114132305B (zh) | 用于垂直与斜列泊车路径规划方法、系统、存储介质及车辆 | |
CN115900738A (zh) | 路径规划方法、装置、车辆以及存储介质 | |
WO2022216641A1 (en) | Counter-steering penalization during vehicle turns | |
CN114103957B (zh) | 变道控制方法、装置、电子设备和存储介质 | |
CN115097826A (zh) | 一种车辆掉头轨迹规划方法及装置 | |
CN115352437A (zh) | 自动泊车路径规划方法、装置及自移动设备 | |
CN114670851A (zh) | 基于寻优跟踪算法的辅助驾驶系统、方法、终端及介质 | |
CN113074746A (zh) | 一种无人车的导航方法、装置及无人车 | |
CN111176285A (zh) | 一种行进路径规划的方法及装置、车辆、可读存储介质 | |
Wang et al. | Detection and Tracking Dynamic Vehicles for Autonomous Driving Based on 2-D Point Scans | |
CN115973162B (zh) | 用于确定车辆行驶轨迹的方法、装置、电子设备和介质 | |
CN114084133B (zh) | 一种跟车目标的确定方法及相关装置 | |
CN115675454B (zh) | 车辆碰撞识别方法、车载终端、车辆及存储介质 |
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 |