CN115542899A - 车辆路径跟踪的方法、装置、车辆、电子设备及介质 - Google Patents
车辆路径跟踪的方法、装置、车辆、电子设备及介质 Download PDFInfo
- Publication number
- CN115542899A CN115542899A CN202211153584.7A CN202211153584A CN115542899A CN 115542899 A CN115542899 A CN 115542899A CN 202211153584 A CN202211153584 A CN 202211153584A CN 115542899 A CN115542899 A CN 115542899A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- control information
- information
- steering wheel
- sampling
- 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 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 92
- 238000005070 sampling Methods 0.000 claims abstract description 78
- 238000004364 calculation method Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 230000001276 controlling effect Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 9
- 230000007547 defect Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本公开提供一种车辆路径跟踪的方法、装置、车辆、电子设备及介质,可用于无人驾驶领域,该方法包括:获取车辆的规划路径信息和当前运动状态信息;基于至少两种不同的路径跟踪算法,根据当前运动状态信息和规划路径信息之间的几何关系进行计算,分别得到用于控制车辆在未来时刻的运动状态的至少两种控制信息;在车辆的运动状态的动态限制窗口内,在至少两种控制信息的周围进行非均匀采样,得到采样控制信息;其中靠近控制信息的窗口区域的采样密度相较于远离控制信息的窗口区域的采样密度更大;根据采样控制信息对应的轨迹预测结果与规划路径信息的偏离程度,确定车辆在未来时刻的目标控制信息;根据目标控制信息,控制车辆在未来时刻进行运动。
Description
技术领域
本公开涉及车辆路径跟踪控制技术领域,尤其涉及一种车辆路径跟踪的方法、装置、车辆、电子设备及介质。
背景技术
在自动/无人驾驶车辆技术中,需要控制车辆按照既定路线行驶,因此要求车辆在进行路径跟踪控制时具有较好的精确度、鲁棒性以及实时性等综合性能。
然而,目前已有的路径跟踪方案中,有的计算方式简单,能够满足计算的实时性,但是路径跟踪的精确度较差,鲁棒性较差;有的计算模型复杂,能够满足路径跟踪的精确度要求,但是所需要的计算资源开销较大,难以满足实时性的要求。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开的实施例提供了一种车辆路径跟踪的方法、装置、车辆、电子设备及介质,以实现较好的精确度、鲁棒性以及实时性等综合性能。
第一方面,本公开的实施例提供了一种车辆路径跟踪的方法。上述方法包括:获取车辆的规划路径信息和当前运动状态信息;基于至少两种不同的路径跟踪算法,根据上述当前运动状态信息和上述规划路径信息之间的几何关系进行计算,分别得到用于控制上述车辆在未来时刻的运动状态的至少两种控制信息;在上述车辆的运动状态的动态限制窗口内,在上述至少两种控制信息的周围进行非均匀采样,得到采样控制信息;其中靠近上述控制信息的窗口区域的采样密度相较于远离上述控制信息的窗口区域的采样密度更大;根据上述采样控制信息对应的轨迹预测结果与上述规划路径信息的偏离程度,确定上述车辆在上述未来时刻的目标控制信息;根据上述目标控制信息,控制上述车辆在上述未来时刻进行运动。
根据本公开的实施例,上述当前运动状态信息包括:当前速度和当前方向盘转角;上述动态限制窗口位于速度和方向盘转角构成的二维平面内,上述动态限制窗口的窗口中心位置为:由上述当前速度和上述当前方向盘转角构成的二维坐标点,上述动态限制窗口的窗口边界为:在速度和方向盘转角对应的加速度限制信息下,上述车辆在上述未来时刻的边界速度和边界方向盘转角。
根据本公开的实施例,根据上述采样控制信息对应的轨迹预测结果与上述规划路径信息的偏离程度,确定上述车辆在上述未来时刻的目标控制信息,包括:根据上述采样控制信息,对上述车辆从当前运动状态仿真一预设时间段,得到轨迹预测结果;在上述轨迹预测结果中剔除会触碰到障碍物的无效轨迹预测结果,得到有效轨迹预测结果;根据上述有效轨迹预测结果与上述规划路径信息进行计算,得到代价函数值,上述代价函数值用于表示上述有效轨迹预测结果相较于上述规划路径信息的偏离程度;将代价函数值最小的有效轨迹预测结果对应的目标采样控制信息确定为上述车辆在上述未来时刻的目标控制信息。
根据本公开的实施例,根据上述有效轨迹预测结果与上述规划路径信息进行计算,得到代价函数值,包括:获取上述有效轨迹预测结果中的目标预测位置点信息和上述规划路径信息中的目标位置点信息,上述目标预测位置点信息和上述目标位置点信息所处的时刻为相同时刻;计算上述目标预测位置点信息和上述目标位置点信息之间的欧氏距离,上述欧氏距离作为上述代价函数值。
根据本公开的实施例,上述路径跟踪算法包括:Pure-Pursuit算法和Stanley算法;上述控制信息包括:方向盘转角控制信息,用于控制方向盘转角大小;
在基于Pure-Pursuit算法进行计算的情况下,上述方向盘转角控制信息满足以下表达式:
其中,δp表示基于Pure-Pursuit算法得到的第一方向盘转角控制信息;L表示车辆的轴距;α表示车辆朝向向量与车辆前视向量之间的夹角,车辆前视向量表示从车辆坐标系原点指向车辆前视点的向量;kv表示用于计算前视距离的第一比例系数;vf表示车辆的当前速度;设定车头朝向为X轴正方向,X轴逆时针旋转90°为Y轴正方向,逆时针旋转为正,δmax表示车辆方向盘左转的最大转角;-δmax表示车辆方向盘右转的最大转角;
在基于Stanley算法进行计算的情况下,上述方向盘转角控制信息满足以下表达式:
其中,δs表示基于Stanley算法得到的第二方向盘转角控制信息;eψ表示朝向偏差,为车辆的车身朝向与规划路径信息中的最近位置点处切线方向之间的夹角;kΔ表示作用于横向偏差的第二比例系数;eΔ表示横向偏差,为车辆的前轮轴中心与规划路径信息中的最近位置点之间的欧氏距离;ks表示低速调节系数,避免低速下方向盘发生转角过度;kd表示高速调节系数,避免高速下方向盘发生转角过度。
根据本公开的实施例,上述路径跟踪算法的参数是预先经过优化的参数;上述方法还包括:预先对上述路径跟踪算法的参数进行优化。上述对上述路径跟踪算法的参数进行优化,包括:为上述至少两种路径跟踪算法分配预设参数,对上述车辆进行运动控制,得到路径跟踪结果;根据上述路径跟踪结果对上述规划路径信息的跟随偏差,对上述至少两种路径跟踪算法的预设参数进行优化调整,直至优化调整后的目标参数使得上述跟随偏差小于设定阈值。
第二方面,本公开的实施例提供了一种车辆路径跟踪的装置。上述装置包括:信息获取模块、控制信息计算模块、数据采样模块、目标控制信息确定模块和控制模块。上述信息获取模块用于获取车辆的规划路径信息和当前运动状态信息。上述控制信息计算模块用于基于至少两种不同的路径跟踪算法,根据上述当前运动状态信息和上述规划路径信息之间的几何关系进行计算,分别得到用于控制上述车辆在未来时刻的运动状态的至少两种控制信息。上述数据采样模块用于在上述车辆的运动状态的动态限制窗口内,在上述至少两种控制信息的周围进行非均匀采样,得到采样控制信息;其中靠近上述控制信息的窗口区域的采样密度相较于远离上述控制信息的窗口区域的采样密度更大。上述目标控制信息确定模块用于根据上述采样控制信息对应的轨迹预测结果与上述规划路径信息的偏离程度,确定上述车辆在上述未来时刻的目标控制信息。上述控制模块用于根据上述目标控制信息,控制上述车辆在上述未来时刻进行运动。
第三方面,本公开的实施例提供了一种车辆。上述车辆存储有一组指令集,该指令集被该车辆执行,以实现如上所述的车辆路径跟踪的方法,或者包括如上所述的车辆路径跟踪的装置。
第四方面,本公开的实施例提供了一种电子设备。上述电子设备包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;存储器,用于存放计算机程序;处理器,用于执行存储器上所存放的程序时,实现如上所述的车辆路径跟踪的方法。
第五方面,本公开的实施例提供了一种计算机可读存储介质。上述计算机可读存储介质上存储有计算机程序,上述计算机程序被处理器执行时实现如上所述的车辆路径跟踪的方法。
本公开实施例提供的上述技术方案至少具有如下优点的部分或全部:
由于至少两种不同的路径跟踪算法均是基于当前运动状态信息和规划路径信息之间的几何关系进行路径跟踪计算,计算量较少;然而在利用这两种路径跟踪算法的优点的同时,考虑到这两种不同的路径跟踪算法各自存在:路径跟踪的精确度不够高,鲁棒性较低,还具有忽略了车辆动力学模型导致运动不平滑的缺点;本公开实施例的技术方案通过将至少两种不同的路径跟踪算法计算得到的至少两种控制信息作为采样控制的先验信息,根据该先验信息在车辆的运动状态的动态限制窗口内进行非均匀采样,得到采样控制信息,利用采样得到的采样控制信息进行轨迹预测,通过轨迹预测结果和规划路径信息的偏离程度来确定用于进行车辆在未来时刻运动控制的目标控制信息,通过这一有机结合手段有效克服了两种路径跟踪算法的缺点,并提升了路径跟踪精确度和鲁棒性,并且还通过非均匀采样降低了采样个数,对应降低了计算开销,兼具较高的跟踪精度、鲁棒性、运动平滑性和实时性等综合性能,能够满足低成本的无人驾驶车辆的高精确度路径跟踪以及实时性计算的要求。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1示意性地示出了根据本公开一实施例的车辆路径跟踪的方法的流程图;
图2示意性地示出了根据本公开一实施例的动态限制窗口的示意图;
图3示意性地示出了根据本公开一实施例的路径跟踪算法为Pure-Pursuit算法对应的场景示意图;
图4示意性地示出了根据本公开一实施例的路径跟踪算法为Stanley算法对应的场景示意图;
图5示意性地示出了根据本公开一实施例的步骤S140的详细实施流程图;
图6示意性地示出了根据本公开一实施例的步骤S140对应的实施场景示意图;
图7示意性地示出了根据本公开实施例的车辆路径跟踪的装置的结构框图;以及
图8示意性地示出了本公开实施例提供的电子设备的结构框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开的一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
本公开的第一个示例性实施例提供了一种车辆路径跟踪的方法。上述方法可以由车辆来执行或者由能够与车辆进行通信且具有计算能力的电子设备来执行。
在一些实施例中,上述车辆例如为无人/自动驾驶车辆,包括无人驾驶巡检车辆、无人驾驶送快递车辆、无人驾驶送餐车辆、无人驾驶矿车、无人驾驶救援车等。
在一些实施例中,上述电子设备可以是计算设备,例如上述计算设备为台式计算机、笔记本电脑、平板电脑、智能手机、车载设备等,这些设备能够与车辆进行通信或者位于车辆内并安装有路径跟踪控制的应用;或者上述计算设备为能够与车辆进行通信并提供路径跟踪服务的服务器。
图1示意性地示出了根据本公开一实施例的车辆路径跟踪的方法的流程图。
参照图1所示,本公开实施例提供的车辆路径跟踪的方法,包括以下步骤:S110、S120、S130、S140和S150。
在步骤S110,获取车辆的规划路径信息和当前运动状态信息。
上述车辆可以是支持自动/无人驾驶功能的车辆。例如,在一些实施例中,可以是由车辆路径规划器来提供车辆的规划路径信息或者其他计算设备来提供规划路径信息。在一些实施例中,可以通过车载传感器来获取车辆的当前运动状态信息,或者,通过对车辆控制器进行监听来获取车辆的当前运动状态信息。
车辆的规划路径是由若干个依序排布的位置点连接后的路径,包括依序排布的位置点的位置信息,该规划路径信息可以作为车辆的导航信息。该规划路径信息是基于构建好的地图进行呈现的信息。在一些实施例中,该地图呈现的内容会随着车辆的行驶而进行动态更新。其中,规划路径信息可以基于车辆坐标系进行动态呈现,或者基于地图本身的地面坐标系呈现。
在一些实施例中,规划路径中各个位置点的位置信息包括但不限于是:参考坐标系下位置点的X坐标,参考坐标系下位置点的Y坐标,参考坐标系下的位置点的朝向(指的是该位置点处切线指向远端的向量),规划路径在该路径点处的曲率等。参考坐标系可以是地面坐标系或者为车辆坐标系或者能够与这两个坐标系进行转换的其他坐标系。
车辆的当前运动状态信息是车辆在当前时刻的瞬时状态信息,包括但不限于是:车辆的当前速度vf和当前方向盘转角δf。在一些实施例中,例如参考坐标系为地面坐标系,当前运动状态信息还包括:位置信息(x,y,θ),x、y分别对应表示车辆在参考坐标系下的X坐标、Y坐标,θ表示车辆的航向角(表示车辆质心速度和地面坐标系横轴X轴的夹角)。
车辆的速度是指车辆行进过程中的速度,车辆的方向盘转角用于控制车辆轮胎的转动,进而控制车体发生转向,不同的车型对应的前、后轮驱动方式不同,方向盘转角所对应的前、后轮转角的范围也具有差异。
在步骤S120,基于至少两种不同的路径跟踪算法,根据上述当前运动状态信息和上述规划路径信息之间的几何关系进行计算,分别得到用于控制上述车辆在未来时刻的运动状态的至少两种控制信息。
将当前运动状态信息和规划路径信息输入至路径跟踪算法(也可以理解为模型)中进行计算,可以输出得到用于控制上述车辆在未来时刻的运动状态的至少两种控制信息。
未来时刻可以是未来1s、未来2s、未来3s等对应的时刻,未来时刻与当前时刻对应的时间间隔越短,控制的精度越高,对于路径的跟踪细粒度越高。未来时刻的个数可以是一个或多个,针对每个未来时刻,均需要得到对应的至少两种控制信息。
上述至少两种不同的路径跟踪算法均是基于当前运动状态信息和规划路径信息之间的几何关系进行路径跟踪计算,具有计算量较少的优点,即,能够以轻量化的算法模型来得到用于控制车辆在未来时刻的运动状态的至少两种控制信息。
通过根据当前运动状态信息和规划路径信息之间的几何关系来进行路径跟踪计算,计算量较少,但是相较于现有的复杂的路径跟踪模型而言具有相对较低的精确度。
在步骤S130,在上述车辆的运动状态的动态限制窗口内,在上述至少两种控制信息的周围进行非均匀采样,得到采样控制信息;其中靠近上述控制信息的窗口区域的采样密度相较于远离上述控制信息的窗口区域的采样密度更大。
在利用步骤S120的至少两种路径跟踪算法的优点的同时,还考虑到这两种不同的路径跟踪算法各自存在:路径跟踪的精确度不够高,鲁棒性较低,还具有忽略了车辆动力学模型导致运动不平滑的缺点;因此通过执行步骤S130和S140,通过将至少两种不同的路径跟踪算法计算得到的至少两种控制信息作为采样控制的先验信息,根据该先验信息在车辆的运动状态的动态限制窗口内进行非均匀采样,得到采样控制信息,利用采样得到的采样控制信息进行轨迹预测,通过轨迹预测结果和规划路径信息的偏离程度来确定用于进行车辆在未来时刻运动控制的目标控制信息,通过这一有机结合手段有效克服了两种路径跟踪算法的缺点,并提升了路径跟踪精确度和鲁棒性,并且还通过非均匀采样降低了采样个数,对应降低了计算开销。
在步骤S130中,车辆的运动状态的动态限制窗口是指车辆在当前时刻到未来时刻对应的运动状态的状态可变化范围窗口,是由车辆的加速度信息进行限制的。
图2示意性地示出了根据本公开一实施例的动态限制窗口的示意图。
根据本公开的实施例,参照图2所示,上述当前运动状态信息包括:当前速度和当前方向盘转角。例如,车辆在当前时刻的运动状态信息中,在图2中将当前速度(行驶方向的速度)表示为v1(单位例如为m/s),将当前方向盘转角表示为δ1(单位例如为角度或弧度rad)。
上述动态限制窗口位于速度和方向盘转角(也可以描述为方向盘打角)构成的二维平面内,上述动态限制窗口的窗口中心位置为:由上述当前速度和上述当前方向盘转角构成的二维坐标点(v1,δ1),在图2中采用空心圆圈示意窗口中心位置,可以理解的是,该窗口中心位置在该二维平面内可以显示或不显示。
上述动态限制窗口的窗口边界为:在速度和方向盘转角对应的加速度限制信息下,上述车辆在上述未来时刻的边界速度和边界方向盘转角。
例如,车辆的加速度最大限制为a(单位例如为m/s2),方向盘转动的加速度最大限制为b(单位例如为角度/s2,或rad/s2);则在未来1秒后的时刻(即未来时刻的一种示例)对应的运动状态的动态限制窗口的窗口边界在两个维度上分别为:v1±a,δ1±b,其中,v1±a中当v1-a时,需要满足v1-a≥0。在图2中,以横轴示意方向盘转角,以纵轴示意速度,以矩形框来示意控制空间200。在右手坐标系中,车辆行驶平面为XOY平面,与行驶平面垂直的方向为Z轴,设定车头朝向为X轴正方向,X轴逆时针旋转90°为Y轴正方向,逆时针旋转为转角的正方向。参照图2所示,该控制空间200的右边界为车辆方向盘左转(逆时针转动)的最大转角δmax,左边界为车辆方向盘右转(顺时针转动)的最大转角-δmax,该控制空间200的下边界为0,上边界为车辆速度的极限值vmax。从当前时刻起算之后1s的未来时刻对应的动态限制窗口的窗口左、右边界分别对应为:δ1-b,δ1+b,动态限制窗口的窗口上、下边界分别对应为:v1+a,v1-a。
参照图2所示,采用空心圆圈来示意控制信息,例如分别以二维坐标点(v21,δ21)和(v22,δ22)来示意基于两种不同的路径追踪算法得到的两种控制信息。在图2中采用实心点来示意采样控制信息,参照图2所示,靠近上述控制信息的窗口区域的采样密度相较于远离上述控制信息的窗口区域的采样密度更大。
在一些实施例中,例如,在上述动态限制窗口内,根据距离上述至少两种控制信息的远近进行区域划分,例如根据某个预设距离进行划分,划分为由内到外的多个区域,各个区域内采用一致的采样密度,不同区域根据距离远近而采用不同的采样密度,越靠近控制信息的窗口区域的采样密度越大。
在步骤S140,根据上述采样控制信息对应的轨迹预测结果与上述规划路径信息的偏离程度,确定上述车辆在上述未来时刻的目标控制信息。
在一些实施例中,可以将偏离程度相对最低的轨迹预测结果对应的采样控制信息作为未来时刻(可以是一个未来时刻或多个未来时刻)的目标控制信息。
在步骤S150,根据上述目标控制信息,控制上述车辆在上述未来时刻进行运动。
在包含上述步骤S110~S150的实施例中,由于至少两种不同的路径跟踪算法均是基于当前运动状态信息和规划路径信息之间的几何关系进行路径跟踪计算,计算量较少;然而在利用这两种路径跟踪算法的优点的同时,考虑到这两种不同的路径跟踪算法各自存在:路径跟踪的精确度不够高,鲁棒性较低,还具有忽略了车辆动力学模型导致运动不平滑的缺点;本公开实施例的技术方案通过将至少两种不同的路径跟踪算法计算得到的至少两种控制信息作为采样控制的先验信息,根据该先验信息在车辆的运动状态的动态限制窗口内进行非均匀采样,得到采样控制信息,利用采样得到的采样控制信息进行轨迹预测,通过轨迹预测结果和规划路径信息的偏离程度来确定用于进行车辆在未来时刻运动控制的目标控制信息,通过这一有机结合手段有效克服了两种路径跟踪算法的缺点,并提升了路径跟踪精确度和鲁棒性,并且还通过非均匀采样降低了采样个数,对应降低了计算开销,兼具较高的跟踪精度、鲁棒性、运动平滑性和实时性等综合性能,能够满足低成本的无人驾驶车辆的高精确度路径跟踪以及实时性计算的要求。
根据本公开的实施例,上述路径跟踪算法包括:Pure-Pursuit算法和Stanley算法;上述控制信息包括:方向盘转角控制信息,用于控制方向盘转角大小。
图3示意性地示出了根据本公开一实施例的路径跟踪算法为Pure-Pursuit算法对应的场景示意图。
参照图3所示,示意了车辆的规划路径R中的前视点和前视距离,本实施例中的车辆为自动驾驶车辆,Pure-Pursuit算法是基于速度的前视距离自适应算法。在基于Pure-Pursuit算法进行计算的情况下,上述方向盘转角控制信息满足以下表达式:
其中,δp表示基于Pure-Pursuit算法得到的第一方向盘转角控制信息;L表示车辆的轴距;α表示车辆朝向向量(在图3中为与车轴平行的方向)与车辆前视向量(在图3中表示为前视线指向方向)之间的夹角,车辆前视向量表示从车辆坐标系原点指向车辆前视点的向量;kv表示用于计算前视距离的第一比例系数;vf表示车辆的当前速度,在图3中描述为线速度(这里将沿着车辆行驶方向的速度描述为线速度);设定车头朝向为X轴正方向,X轴逆时针旋转90°为Y轴正方向,逆时针旋转为正,δmax表示车辆方向盘左转的最大转角;-δmax表示车辆方向盘右转的最大转角。
其中,前视点在车辆坐标系中的坐标(x,y)可根据车辆的定位系统得到,满足以下表达式:
其中,dl表示前视距离。
在图3中还示意了车辆沿着该第一方向盘转角控制信息进行运动的瞬时圆周中心、瞬时圆周运动半径和瞬时轨迹。
单纯采用Pure-Pursuit算法进行路径跟踪控制的一个缺点是它不直接作用于朝向偏差,另一个缺点是当前视点不可用时(在即将到达路径终点时),会导致控制器产生不稳定的动作。
图4示意性地示出了根据本公开一实施例的路径跟踪算法为Stanley算法对应的场景示意图。
参照图4所示,示意了车辆的规划路径,Stanley算法通过横向偏差(eΔ)和朝向偏差(eψ)产生方向盘转角控制指令。
在基于Stanley算法进行计算的情况下,上述方向盘转角控制信息满足以下表达式:
其中,δs表示基于Stanley算法得到的第二方向盘转角控制信息;eψ表示朝向偏差,为车辆的车身朝向与规划路径信息中的最近位置点处切线方向(在图4中以虚线示意,和规划路径中的最近位置点的切线是平行的)之间的夹角;kΔ表示作用于横向偏差的第二比例系数;eΔ表示横向偏差,为车辆的前轮轴中心与规划路径信息中的最近位置点之间的欧氏距离;vf表示车辆的当前速度,在图4中描述为线速度(这里将沿着车辆行驶方向的速度描述为线速度);ks表示低速调节系数,避免低速下(例如汽车速度接近于0的情况下)方向盘发生转角过度;kd表示高速调节系数,避免高速下方向盘发生转角过度。
其中,ks是在汽车速度极低时(速度接近0)避免发生数值不稳定以及方向盘转角过度的系数;kd是在汽车速度很高时用来减少方向盘转角,避免发生转角过度。
单纯采用Stanley算法进行路径跟踪控制,由于它是使用规划路径中最接近车辆的位置点计算横向误差,另外它直接作用于朝向误差;这两个事实会使它在低速时反映激进(如果参数是为高速调节的),或者在高速时反映迟钝(如果参数是为低速调节的)。
根据本公开的实施例,上述路径跟踪算法的参数是预先经过优化的参数。上述方法还包括:预先对上述路径跟踪算法的参数进行优化。例如,预先对Pure-Pursuit算法和Stanley算法的参数进行优化,使得优化调整后的目标参数使得这两种算法得到的路径跟踪结果对车辆的规划路径信息的跟随偏差小于设定阈值。该设定阈值可以根据路径跟踪的精确度要求进行调整。
在一实施例中,对上述路径跟踪算法的参数进行优化,包括:为上述至少两种路径跟踪算法分配预设参数,对上述车辆进行运动控制,得到路径跟踪结果;根据上述路径跟踪结果对上述规划路径信息的跟随偏差,对上述至少两种路径跟踪算法的预设参数进行优化调整,直至优化调整后的目标参数使得上述跟随偏差小于设定阈值。
例如,在一些实施例中,第一比例系数kv为Pure-Pursuit算法的可调参数,通过观察给定参数下车辆的路径跟踪效果,通过增大或减小该参数,直到车辆能以较高精度跟随路径的情况下得到的参数即为调优后的参数。调试的依据为:若该值偏大,会导致路径跟踪不精确;该值偏小,则路径跟踪容易震荡。
在一些实施例中,第二比例系数kΔ、低速调节系数ks和高速调节系数kd为Stanley算法的的可调参数。第二比例系数kΔ是在车辆上调试得到的,通过观察给定参数下车辆路径跟踪效果,通过增大或减小该参数,直到车辆能以较高精度跟随路径的情况下得到的参数即为调优后的参数。调试方法可以是:若车辆方向盘转角反应比较迟钝则增大该参数,若汽车方向盘转角过度则减小该参数。低速调节系数ks的实际调试方法包括:让车辆行驶在接近0的速度,另ks=0,则会产生方向盘转角过度的现象,此时需要缓慢增大ks直到方向盘转角比较合适,不再过度,即可得到该参数。高速调节系数kd的调试原则:车辆高速行驶时要避免方向盘转角过度,需要添加一个阻尼系数,行驶速度越高,则方向盘转角需要越小;实际调试方法包括:让车辆行驶在很高的速度,将kd从1开始缓慢增大,直到高速行驶时方向盘转角比较保守,即可得到该参数。
通过预先对路径跟踪算法的参数进行优化,确保在步骤S120中采用的至少两种不同的路径跟踪算法对应得到的至少两种控制信息是相对可靠的,即保证先验信息的可靠性和一定的准确度。
在一些实施例中,上述控制信息除了包括方向盘转角控制信息之外,还包括:速度控制信息,用于控制速度大小。
在一些实施例中,速度控制信息即为车辆所要达到的目标线速度,目标线速度通常根据规定线速度信息(比如:市区道路规定速度40km/h,高速公路规定速度110km/h)、路径复杂程度行驶策略信息(例如为直道加速、弯道减速)、路况信息(例如周围有行人则低速行驶,周围空旷则高速行驶)和线加速度约束等确定。
之后,可以通过一个纵向控制器来跟踪车辆的速度,比如常用的PID(比例-积分-微分)控制器,该控制器根据期望的目标线速度和实际线速度生成车辆的油门控制指令。
图5示意性地示出了根据本公开一实施例的步骤S140的详细实施流程图;图6示意性地示出了根据本公开一实施例的步骤S140对应的实施场景示意图。
根据本公开的实施例,参照图5所示,上述步骤S140中,根据上述采样控制信息对应的轨迹预测结果与上述规划路径信息的偏离程度,确定上述车辆在上述未来时刻的目标控制信息,包括以下步骤:S510、S520、S530和S540。
在步骤S510,根据上述采样控制信息,对上述车辆从当前运动状态仿真一预设时间段,得到轨迹预测结果。
该预设时间段的时长可以大于或等于从当前时刻到未来时刻对应的时长。
通过对每个采样控制信息执行前向仿真,得到一个轨迹预测结果,在该预设时间段内,控制指令保持恒定不变,即在该预设时间段始终以该采样控制信息(例如以恒定的方向盘转角信息和线速度信息)来控制车辆进行运动。参照图6所示,由于采样控制信息的采样点很多,对应会生成一组轨迹预测结果,在图6中以从车辆坐标系原点延伸的虚线来示意轨迹预测结果。
在步骤S520,在上述轨迹预测结果中剔除会触碰到障碍物的无效轨迹预测结果,得到有效轨迹预测结果。
通过对会触碰到障碍物的无效轨迹预测结果进行剔除,剩余的轨迹预测结果为有效轨迹预测结果。
在步骤S530,根据上述有效轨迹预测结果与上述规划路径信息进行计算,得到代价函数值,上述代价函数值用于表示上述有效轨迹预测结果相较于上述规划路径信息的偏离程度。
在一些实施例中,上述步骤S530中,根据上述有效轨迹预测结果与上述规划路径信息进行计算,得到代价函数值,包括:获取上述有效轨迹预测结果中的目标预测位置点信息和上述规划路径信息中的目标位置点信息,上述目标预测位置点信息和上述目标位置点信息所处的时刻为相同时刻;计算上述目标预测位置点信息和上述目标位置点信息之间的欧氏距离,上述欧氏距离作为上述代价函数值。
例如,参照图6所示,示意了规划路径R、前视点和前视距离,将规划路径中的前视点作为目标位置点,则从多个有效轨迹预测结果中能够获取与该前视点处于相同时刻的目标预测位置点信息;通过计算目标预测位置点与目标位置点之间的欧氏距离便得到代价函数值。
通过将前视点作为目标位置点,能简化该优化问题的代价函数,降低解优化问题的算力开销,且有很高的路径跟踪精度。
在步骤S540,将代价函数值最小的有效轨迹预测结果对应的目标采样控制信息确定为上述车辆在上述未来时刻的目标控制信息。
在步骤S140中,采用了模型预测控制的控制策略,它将控制任务当作一个有约束的优化问题来处理。通过利用车辆运动模型在预测范围内预测车辆的将来状态,然后解一个带约束的在线优化问题,从而选出能使代价函数最小的最优控制输入。代价函数值可以是车辆未来状态与目标状态的对齐程度,车辆的未来状态是否有碰撞障碍物风险等。比如,给定车辆当前状态和用于跟踪的目标路径,模型预测控制使用车辆运动模型在一个确定的预测范围内仿真不同的控制输入(实际上没有将这些输入应用到车辆上)预测由此产生的将来状态(得到轨迹预测结果,具体可以是一条预测轨迹),在每一个时间步长,选择代价函数值最小的轨迹对应的最优控制输入集合(考虑约束),并将最优控制输入集合的前部(在一个确定的控制范围)施加于车辆,丢掉剩余的部分。随着车辆状态更新,通过重复相同的算法,在一个确定的预测范围计算一个新的最优预测轨迹,并计算新的最优控制输入。
上述实施例中,通过将模型预测控制的控制策略与先验输入进行有机结合,先验输入是利用车辆运动学模型与规划路径之间的几何关系来计算得到的车辆的控制信息,有效克服了Pure-Pursuit算法和Stanley算法这两种路径跟踪算法的缺点,保留了计算量低的优势,并提升了路径跟踪精确度和鲁棒性,并且还通过非均匀采样降低了采样个数,对应降低了前向仿真的算力开销,通过在车辆加速度(线加速度及方向盘转角加速度)约束限定的动态窗口内采样,即体现了汽车动力学约束,在控制空间中加速度约束限定的动态窗口内采样时施加了汽车动力学约束,相比于单纯的Pure-Pursuit控制器或Stanley控制器而言,运动控制效果更平滑。兼具较高的跟踪精度、鲁棒性、运动平滑性和实时性等综合性能,能够满足低成本的无人驾驶车辆的高精确度路径跟踪以及实时性计算的要求。
本公开的第二个示例性实施例提供了一种车辆路径跟踪的装置。上述装置可以是安装于车辆上的车载装置,或者为独立于车辆且与车辆之间能够通信的装置。
图7示意性地示出了根据本公开实施例的车辆路径跟踪的装置的结构框图。
参照图7所示,本公开实施例提供的车辆路径跟踪的装置700包括:信息获取模块701、控制信息计算模块702、数据采样模块703、目标控制信息确定模块704和控制模块705。
上述信息获取模块701用于获取车辆的规划路径信息和当前运动状态信息。
上述控制信息计算模块702用于基于至少两种不同的路径跟踪算法,根据上述当前运动状态信息和上述规划路径信息之间的几何关系进行计算,分别得到用于控制上述车辆在未来时刻的运动状态的至少两种控制信息。
上述数据采样模块703用于在上述车辆的运动状态的动态限制窗口内,在上述至少两种控制信息的周围进行非均匀采样,得到采样控制信息;其中靠近上述控制信息的窗口区域的采样密度相较于远离上述控制信息的窗口区域的采样密度更大。
上述目标控制信息确定模块704用于根据上述采样控制信息对应的轨迹预测结果与上述规划路径信息的偏离程度,确定上述车辆在上述未来时刻的目标控制信息。
上述控制模块705用于根据上述目标控制信息,控制上述车辆在上述未来时刻进行运动。
根据本公开的实施例,上述路径跟踪算法包括:Pure-Pursuit算法和Stanley算法;上述控制信息包括:方向盘转角控制信息,用于控制方向盘转角大小。
根据本公开的实施例,上述路径跟踪算法的参数是预先经过优化的参数。上述装置700还包括:参数优化模块,用于预先对上述路径跟踪算法的参数进行优化。
例如,上述参数优化模块用于预先对Pure-Pursuit算法和Stanley算法的参数进行优化,使得优化调整后的目标参数使得这两种算法得到的路径跟踪结果对车辆的规划路径信息的跟随偏差小于设定阈值。该设定阈值可以根据路径跟踪的精确度要求进行调整。
在一些实施例中,上述控制信息除了包括方向盘转角控制信息之外,还包括:速度控制信息,用于控制速度大小。
上述目标控制信息确定模块704包括:前向仿真子模块、无效结果剔除子模块、代价函数计算子模块、目标控制信息确定子模块。
上述前向仿真子模块用于根据上述采样控制信息,对上述车辆从当前运动状态仿真一预设时间段,得到轨迹预测结果。
上述无效结果剔除子模块用于在上述轨迹预测结果中剔除会触碰到障碍物的无效轨迹预测结果,得到有效轨迹预测结果。
上述代价函数计算子模块用于根据上述有效轨迹预测结果与上述规划路径信息进行计算,得到代价函数值,上述代价函数值用于表示上述有效轨迹预测结果相较于上述规划路径信息的偏离程度。
上述目标控制信息确定子模块用于将代价函数值最小的有效轨迹预测结果对应的目标采样控制信息确定为上述车辆在上述未来时刻的目标控制信息。
上述装置700所包含的功能模块或子模块的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。上述装置700所包含的功能模块或子模块的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,上述装置700所包含的功能模块或子模块的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
本公开的第三个示例性实施例提供了一种车辆。上述车辆存储有一组指令集,该指令集被该车辆执行,以实现如上所述的车辆路径跟踪的方法,或者包括如上所述的车辆路径跟踪的装置。
该车辆例如可以是支持自动/无人驾驶功能的车辆,能够实现车辆驾驶的自动控制,包括对车辆方向盘转角和油门的控制,以实现对车辆速度和转向的控制等。包括:无人驾驶巡检车辆、无人驾驶送快递车辆、无人驾驶送餐车辆、无人驾驶矿车、无人驾驶救援车等。
本公开的第四个示例性实施例提供了一种电子设备。
图8示意性地示出了本公开实施例提供的电子设备的结构框图。
参照图8所示,本公开实施例提供的电子设备800包括处理器801、通信接口802、存储器803和通信总线804,其中,处理器801、通信接口802和存储器803通过通信总线804完成相互间的通信;存储器803,用于存放计算机程序;处理器801,用于执行存储器上所存放的程序时,实现如上所述的车辆路径跟踪的方法。
本公开的第五个示例性实施例还提供了一种计算机可读存储介质。上述计算机可读存储介质上存储有计算机程序,上述计算机程序被处理器执行时实现如上所述的车辆路径跟踪的方法。
该计算机可读存储介质可以是上述实施例中描述的设备/装置中所包含的;也可以是单独存在,而未装配入该设备/装置中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种车辆路径跟踪的方法,其特征在于,包括:
获取车辆的规划路径信息和当前运动状态信息;
基于至少两种不同的路径跟踪算法,根据所述当前运动状态信息和所述规划路径信息之间的几何关系进行计算,分别得到用于控制所述车辆在未来时刻的运动状态的至少两种控制信息;
在所述车辆的运动状态的动态限制窗口内,在所述至少两种控制信息的周围进行非均匀采样,得到采样控制信息;其中靠近所述控制信息的窗口区域的采样密度相较于远离所述控制信息的窗口区域的采样密度更大;
根据所述采样控制信息对应的轨迹预测结果与所述规划路径信息的偏离程度,确定所述车辆在所述未来时刻的目标控制信息;
根据所述目标控制信息,控制所述车辆在所述未来时刻进行运动。
2.根据权利要求1所述的方法,其特征在于,所述当前运动状态信息包括:当前速度和当前方向盘转角;
所述动态限制窗口位于速度和方向盘转角构成的二维平面内,所述动态限制窗口的窗口中心位置为:由所述当前速度和所述当前方向盘转角构成的二维坐标点,所述动态限制窗口的窗口边界为:在速度和方向盘转角对应的加速度限制信息下,所述车辆在所述未来时刻的边界速度和边界方向盘转角。
3.根据权利要求1所述的方法,其特征在于,根据所述采样控制信息对应的轨迹预测结果与所述规划路径信息的偏离程度,确定所述车辆在所述未来时刻的目标控制信息,包括:
根据所述采样控制信息,对所述车辆从当前运动状态仿真一预设时间段,得到轨迹预测结果;
在所述轨迹预测结果中剔除会触碰到障碍物的无效轨迹预测结果,得到有效轨迹预测结果;
根据所述有效轨迹预测结果与所述规划路径信息进行计算,得到代价函数值,所述代价函数值用于表示所述有效轨迹预测结果相较于所述规划路径信息的偏离程度;
将代价函数值最小的有效轨迹预测结果对应的目标采样控制信息确定为所述车辆在所述未来时刻的目标控制信息。
4.根据权利要求3所述的方法,其特征在于,根据所述有效轨迹预测结果与所述规划路径信息进行计算,得到代价函数值,包括:
获取所述有效轨迹预测结果中的目标预测位置点信息和所述规划路径信息中的目标位置点信息,所述目标预测位置点信息和所述目标位置点信息所处的时刻为相同时刻;
计算所述目标预测位置点信息和所述目标位置点信息之间的欧氏距离,所述欧氏距离作为所述代价函数值。
5.根据权利要求1所述的方法,其特征在于,所述路径跟踪算法包括:Pure-Pursuit算法和Stanley算法;所述控制信息包括:方向盘转角控制信息,用于控制方向盘转角大小;
在基于Pure-Pursuit算法进行计算的情况下,所述方向盘转角控制信息满足以下表达式:
其中,δp表示基于Pure-Pursuit算法得到的第一方向盘转角控制信息;L表示车辆的轴距;α表示车辆朝向向量与车辆前视向量之间的夹角,车辆前视向量表示从车辆坐标系原点指向车辆前视点的向量;kv表示用于计算前视距离的第一比例系数;vf表示车辆的当前速度;设定车头朝向为X轴正方向,X轴逆时针旋转90°为Y轴正方向,逆时针旋转为正,δvax表示车辆方向盘左转的最大转角;-δmax表示车辆方向盘右转的最大转角;
在基于Stanley算法进行计算的情况下,所述方向盘转角控制信息满足以下表达式:
其中,δs表示基于Stanley算法得到的第二方向盘转角控制信息;eψ表示朝向偏差,为车辆的车身朝向与规划路径信息中的最近位置点处切线方向之间的夹角;kΔ表示作用于横向偏差的第二比例系数;eΔ表示横向偏差,为车辆的前轮轴中心与规划路径信息中的最近位置点之间的欧氏距离;ks表示低速调节系数,避免低速下方向盘发生转角过度;kd表示高速调节系数,避免高速下方向盘发生转角过度。
6.根据权利要求1或5所述的方法,其特征在于,所述路径跟踪算法的参数是预先经过优化的参数;
所述方法还包括:预先对所述路径跟踪算法的参数进行优化;所述对所述路径跟踪算法的参数进行优化,包括:
为所述至少两种路径跟踪算法分配预设参数,对所述车辆进行运动控制,得到路径跟踪结果;
根据所述路径跟踪结果对所述规划路径信息的跟随偏差,对所述至少两种路径跟踪算法的预设参数进行优化调整,直至优化调整后的目标参数使得所述跟随偏差小于设定阈值。
7.一种车辆路径跟踪的装置,其特征在于,包括:
信息获取模块,用于获取车辆的规划路径信息和当前运动状态信息;
控制信息计算模块,用于基于至少两种不同的路径跟踪算法,根据所述当前运动状态信息和所述规划路径信息之间的几何关系进行计算,分别得到用于控制所述车辆在未来时刻的运动状态的至少两种控制信息;
数据采样模块,用于在所述车辆的运动状态的动态限制窗口内,在所述至少两种控制信息的周围进行非均匀采样,得到采样控制信息;其中靠近所述控制信息的窗口区域的采样密度相较于远离所述控制信息的窗口区域的采样密度更大;
目标控制信息确定模块,用于根据所述采样控制信息对应的轨迹预测结果与所述规划路径信息的偏离程度,确定所述车辆在所述未来时刻的目标控制信息;
控制模块,用于根据所述目标控制信息,控制所述车辆在所述未来时刻进行运动。
8.一种车辆,存储有一组指令集,所述指令集被所述车辆执行,以实现权利要求1-6中任一所述的方法,或者包括权利要求7所述的装置。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211153584.7A CN115542899A (zh) | 2022-09-21 | 2022-09-21 | 车辆路径跟踪的方法、装置、车辆、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211153584.7A CN115542899A (zh) | 2022-09-21 | 2022-09-21 | 车辆路径跟踪的方法、装置、车辆、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115542899A true CN115542899A (zh) | 2022-12-30 |
Family
ID=84728149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211153584.7A Pending CN115542899A (zh) | 2022-09-21 | 2022-09-21 | 车辆路径跟踪的方法、装置、车辆、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115542899A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116466589A (zh) * | 2023-04-26 | 2023-07-21 | 长春理工大学 | 一种基于自抗扰模型的路径跟踪控制方法、装置、存储介质及电子设备 |
-
2022
- 2022-09-21 CN CN202211153584.7A patent/CN115542899A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116466589A (zh) * | 2023-04-26 | 2023-07-21 | 长春理工大学 | 一种基于自抗扰模型的路径跟踪控制方法、装置、存储介质及电子设备 |
CN116466589B (zh) * | 2023-04-26 | 2024-02-09 | 长春理工大学 | 一种基于自抗扰模型的路径跟踪控制方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10996679B2 (en) | Method to evaluate trajectory candidates for autonomous driving vehicles (ADVs) | |
EP3517893B1 (en) | Path and speed optimization fallback mechanism for autonomous vehicles | |
US10823575B2 (en) | Reference line smoothing method using piecewise spiral curves with weighted geometry costs | |
US11594011B2 (en) | Deep learning-based feature extraction for LiDAR localization of autonomous driving vehicles | |
US11531110B2 (en) | LiDAR localization using 3D CNN network for solution inference in autonomous driving vehicles | |
US10775801B2 (en) | Determining speeds along a path for autonomous driving vehicles | |
EP3714285B1 (en) | Lidar localization using rnn and lstm for temporal smoothness in autonomous driving vehicles | |
US10429849B2 (en) | Non-linear reference line optimization method using piecewise quintic polynomial spiral paths for operating autonomous driving vehicles | |
CN110955236B (zh) | 用于自动驾驶车辆的曲率校正路径采样系统 | |
US10816985B2 (en) | Method on moving obstacle representation for trajectory planning | |
US10613489B2 (en) | Method and system for determining optimal coefficients of controllers for autonomous driving vehicles | |
US11099017B2 (en) | Determining driving paths for autonomous driving vehicles based on offset points | |
US20210179140A1 (en) | Drifting correction between planning stage and controlling stage of operating autonomous driving vehicles | |
US20190315357A1 (en) | Novel method for speed adjustment of autonomous driving vehicles prior to lane change | |
US10732632B2 (en) | Method for generating a reference line by stitching multiple reference lines together using multiple threads | |
CN112703539A (zh) | 行驶路径生成装置及车辆控制装置 | |
WO2023114221A1 (en) | Autonomous vehicle trajectory generation using velocity-based steering limits | |
CN115542899A (zh) | 车辆路径跟踪的方法、装置、车辆、电子设备及介质 | |
US11400955B2 (en) | Multi-point enforced based stitch method to connect two smoothed reference lines | |
US11066069B2 (en) | Extra-freedom stitch method for reference line smoothing |
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 |