CN115560771A - 基于采样的路径规划方法及装置、自动行驶设备 - Google Patents
基于采样的路径规划方法及装置、自动行驶设备 Download PDFInfo
- Publication number
- CN115560771A CN115560771A CN202211058517.7A CN202211058517A CN115560771A CN 115560771 A CN115560771 A CN 115560771A CN 202211058517 A CN202211058517 A CN 202211058517A CN 115560771 A CN115560771 A CN 115560771A
- Authority
- CN
- China
- Prior art keywords
- information
- path
- sampling
- path planning
- neural network
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Abstract
本发明提供了一种基于采样的路径规划方法及装置、自动行驶设备,所述方法包括:获取已执行路径信息、起始状态、目标状态、以及环境信息;根据所述已执行路径信息、起始状态、目标状态、环境信息,以及预先训练得到的神经网络,确定采样分布;所述神经网络包括编码网络和解码网络;根据所述采样分布进行路径规划采样,得到行驶路径。利用本发明方案,在复杂场景下的非结构化道路上也能够快速规划出最优路径,可以满足各种环境中路径规划的实时性应用需求。
Description
技术领域
本发明涉及自动驾驶领域,具体涉及一种基于采样的路径规划方法及装置、自动行驶设备。
背景技术
无人车路径规划是指在一定的环境模型基础上,给定无人车起始点和目标点后,按照性能指标规划出一条无碰撞、能安全到达目标点的有效路径。路径规划主要包含两个步骤:建立包含障碍区域与自由区域的环境地图,以及在环境地图中选择合适的路径搜索算法,快速实时地搜索可行驶路径。路径规划结果对车辆行驶起着导航作用,它引导车辆从当前位置行驶到达目标位置。
基于采样的方法是无人车路径规划的主要方法之一,该方法的主要思想是在连续的状态空间中采样得到有限的离散状态,然后对状态进行相互关联,最终得到一条从起始状态到目标状态的路径。
基于动力学约束的RRT*(KinodynamicRRT*)算法是对传统的快速扩展随机树(rapid exploring random tree,RRT*)算法的改进,在采样得到离散状态之后考虑行驶设备的动力学特性,通过解最优边值问题(Optimal Boundary Value Problem,OBVP)得到满足动力学特性的两点轨迹。但现有的KinodynamicRRT*算法存在以下缺点:基于多项式的轨迹表征碰撞检测计算量大,且无人车的状态维度高,导致采样算法收敛到最优轨迹的收敛速度慢,再加上非结构化道路通常比较复杂,使得有效采样率低,计算实时性难以得到保障。因此,现有的KinodynamicRRT*算法无法满足无人车的实时性路径规划要求。
发明内容
本发明实施例提供一种基于采样的路径规划方法及装置、自动行驶设备,以解决现有的满足动力学约束的RRT*算法无法满足实时性路径规划要求的问题。
为解决上述技术问题,本发明实施例提供如下技术方案:
一方面,本发明实施例提供一种基于采样的路径规划方法,所述方法包括:
获取已执行路径信息、起始状态、目标状态、以及环境信息;
根据所述已执行路径信息、起始状态、目标状态、环境信息,以及预先训练得到的神经网络,确定采样分布;所述神经网络包括编码网络和解码网络;
根据所述采样分布进行路径规划采样,得到行驶路径。
可选地,所述方法还包括按照以下方式训练得到所述神经网络:
生成路径规划数据集;
利用所述路径规划数据集训练得到所述神经网络。
可选地,所述生成路径规划数据集包括:
采集多种道路场景数据及对应的环境信息;
根据所述道路场景数据生成初始路径点;
对所述初始路径点进行优化,得到适应行驶设备动力学的可行轨迹;
确定对应所述可行轨迹的一系列轨迹点状态;
根据所述一系列轨迹点状态及对应的环境信息生成路径规划数据集。
可选地,所述根据所述道路场景数据生成初始路径点包括:利用A*引导的BiRRT*算法及所述道路场景数据生成初始路径点。
可选地,所述对所述初始路径点进行优化,得到适应行驶设备动力学的可行轨迹包括:通过构建轨迹的凸空间对所述初始路径点进行优化,得到适应行驶设备动力学的可行轨迹。
可选地,所述轨迹点状态包括以下信息:行驶设备的位置、朝向、曲率、速度。
可选地,所述神经网络的输入包括:障碍物信息、未知环境信息、已执行路径信息、起始状态信息、目标状态信息;所述已执行路径信息包括行驶设备的位置、速度及朝向信息;所述神经网络的输出包括:栅格信息、行驶设备在所述栅格的朝向信息;所述栅格信息表示所述栅格属于未来路径的概率;所述行驶设备在所述栅格的朝向信息包括朝向的正弦信息和余弦信息。
可选地,所述根据所述采样分布进行路径规划采样,得到行驶路径包括:
根据所述采样分布采样得到多个栅格,并由所述多个栅格组成概率质量函数;
对所述概率质量函数进行采样得到一系列连续的位置信息,并评估得到对应各位置信息的朝向信息;
组合所述位置信息和对应的朝向信息得到所述行驶设备的预测状态;
根据所述预测状态得到行驶路径。
可选地,所述根据所述采样分布进行路径规划采样,得到行驶路径还包括:
在对所述概率质量函数进行采样得到一系列连续的位置信息之前,对所述质量函数进行最小方差采样。
另一方面,本发明实施例还提供一种基于采样的路径规划装置,所述装置包括:
信息获取模块,用于获取已执行路径信息、起始状态、目标状态、以及环境信息;
采样分布确定模块,用于根据所述已执行路径信息、起始状态、目标状态、环境信息,以及预先训练得到的神经网络,确定采样分布;所述神经网络包括编码网络和解码网络;
路径规划模块,用于根据所述采样分布进行路径规划采样,得到行驶路径。
可选地,所述装置还包括:网络训练模块,用于构建所述神经网络;所述网络训练模块包括:
数据集生成模块,用于生成路径规划数据集;
训练模块,用于利用所述路径规划数据集训练得到所述神经网络。
可选地,所述数据集生成模块包括:
数据采集单元,用于采集多种道路场景数据及对应的环境信息;
初始路径点生成单元,用于根据所述道路场景数据生成初始路径点;
优化单元,用于对所述初始路径点进行优化,得到适应行驶设备动力学的可行轨迹;
轨迹点状态确定单元,用于确定对应所述可行轨迹的一系列轨迹点状态;
数据集生成单元,用于根据所述一系列轨迹点状态及对应的环境信息生成路径规划数据集。
可选地,所述神经网络的输入包括:障碍物信息、未知环境信息、已执行路径信息、起始状态信息、目标状态信息;所述已执行路径信息包括行驶设备的位置、速度及朝向信息;所述神经网络的输出包括:栅格信息、行驶设备在所述栅格的朝向信息;所述栅格信息表示所述栅格属于未来路径的概率;所述行驶设备在所述栅格的朝向信息包括朝向的正弦信息和余弦信息。
可选地,所述路径规划模块包括:
函数生成单元,用于根据所述采样分布采样得到多个栅格,并由所述多个栅格组成概率质量函数;
采样单元,用于对所述概率质量函数进行采样得到一系列连续的位置信息,并评估得到对应各位置信息的朝向信息;
信息组合单元,用于组合所述位置信息和对应的朝向信息得到所述行驶设备的预测状态;
路径选择单元,用于根据所述预测状态得到行驶路径。
可选地,所述路径规划模块还包括:
筛选单元,用于在所述采样单元对所述概率质量函数进行采样得到一系列连续的位置信息之前,对所述质量函数进行最小方差采样。
另一方面,本发明实施例还提供一种自动行驶设备,包括前面所述的路径规划装置。
另一方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质为非易失性存储介质或非瞬态存储介质,其上存储有计算机程序,所述计算机程序被处理器运行时使得上述方法被执行。
另一方面,本发明实施例还提供一种基于采样的路径规划装置,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时使得上述被执行。
本发明实施例提供的基于采样的路径规划方法及装置、自动行驶设备,利用神经网络及已执行路径信息、起始状态、目标状态、环境信息确定采样分布,根据采样分布进行路径规划采样,得到行驶路径。本发明方案在提高数据利用率的同时加快了算法收敛到全局最优路径的速度,在复杂场景下的非结构化道路上也能够快速规划出最优路径,满足各种环境中路径规划的实时性应用需求。
进一步地,在神经网络的监督学习中,输入信息不仅包括行驶设备的状态信息,而且通过加入对应的环境信息,使得采样分布的评估更准确,能够适用于各种道路场景及环境,进而规划得到最优路径。
附图说明
图1是本发明实施例中构建神经网络的流程图;
图2是本发明实施例中生成路径规划数据集的一种流程图;
图3是本发明实施例基于采样的路径规划方法的一种流程图;
图4是本发明实施例中进行路径规划采样的流程图;
图5是本发明实施例基于采样的路径规划装置的一种结构示意图;
图6是本发明实施例基于采样的路径规划装置的另一种结构示意图。
具体实施方式
为使本发明的上述目的、特征和有益效果能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
所谓路径规划是指在障碍物环境下,行驶设备从起始状态到目标状态找到一条满足自身和环境约束的无碰撞路径。在进行无人车路径规划的过程中,一般会根据道路环境信息的不同将路径规划的任务分为结构化道路上的路径规划和非结构化道路上的路径规划。结构化道路具有清晰的道路标志线,包括高速公路、城市主干道等;而非结构化道路没有道路标志线,往往指乡村街道、开放环境中的道路等。相较于传统的RRT*算法,KinodynamicRRT*算法虽然考虑了行驶设备的动力学特性,但其收敛到最优轨迹的收敛速度慢,尤其是针对复杂的非结构化道路,无法满足行驶设备的实时性路径规划要求。
为此,本发明实施例提供一种基于采样的路径规划方法及装置,利用神经网络及已执行路径信息、起始状态、目标状态、以及环境信息确定采样分布,根据采样分布进行路径规划采样,得到行驶路径。
在本发明实施例中,所述神经网络可以采用传统的Encoder-decoder(编码-解码)网络结构,通过监督学习方式预测未来行驶设备状态采样分布。下面首先对所述神经网络的构建过程进行详细说明。
如图1所示,是本发明实施例中构建神经网络的一种流程图,包括以下步骤:
步骤101,生成路径规划数据集。
所述路径规划数据集是指待采样的数据,在本发明实施例中,可以采用现有技术基于采样的多种道路场景数据生成所述路径规划数据集,具体采用何种方式本发明实施例不做限定。
进一步地,在生成所述路径规划数据集时,还可以综合考虑道路场景信息和对应的环境信息,以使后续在进行路径规划时得到的行驶设备的预测状态更准确,从而得到最佳路径。结合环境信息生成路径规划数据集的具体过程将在后面详细说明。
步骤102,利用所述路径规划数据集训练得到所述神经网络。
在生成路径规划数据集时可以只考虑道路场景数据,也可以综合考虑道路场景数据和对应的环境信息。
相应地,所述神经网络的输入可以包括已执行路径信息、起始状态、目标状态。其中,所述已执行路径信息是指已确定的路径轨迹点的信息,具体可以包括:行驶设备的位置、速度、以及朝向信息。
在一种非限制性实施例中,所述神经网络的输入除了上述信息外,还可以进一步包括所述环境信息。
需要说明的是,所述环境信息包括障碍物信息,进一步地,还可包括未知环境信息。
根据环境信息存储策略的不同,通常会将地图分为小地图和大地图,所述大地图是包括了所有环境信息的地图,所述小地图是包括了大地图中部分环境信息的地图。在本发明实施例中,所述未知环境信息指小地图信息为空的区域信息。所述神经网络的输出包括:栅格信息、行驶设备在所述栅格的朝向信息;所述栅格信息表示所述栅格属于未来路径的概率;所述行驶设备在所述栅格的朝向信息包括朝向的正弦信息和余弦信息。
所述神经网络通过监督学习方式预测行驶设备在环境中应对障碍物的路径,得到各栅格属于未来路径的概率。
需要说明的是,所述栅格是基于地图划分得到的,栅格的大小可以根据实际应用所需的采样点的精度来确定,对此本发明实施例不做限定。
参照图2,图2示出了本发明实施例中生成路径规划数据集的一种流程图,该实施例基于采集的多种道路场景数据及对应的环境信息生成路径规划数据集,包括以下步骤:
步骤201,采集多种道路场景数据及对应的环境信息。
所述道路场景可以包括以下任意一种或多种:结构化道路场景、半结构化道路场景、非结构化道路场景。其中:
所述半结构化道路场景比如有但不限于:交交叉路口、停车场等;
所述非结构化道路场景比如有但不限于:随机障碍物、空旷区域等。
所述环境信息包括但不限于:障碍物信息、未知环境信息。
在这些场景下随机设定行驶设备的起始状态和目标状态,然后进行路径规划数据集的生成。
步骤202,根据所述道路场景数据生成初始路径点。
需要说明的是,在具体应用中,可以采用现有的一些基于采样的路径规划算法来生成初始路径点,比如RRT*算法、Bi-RRT*算法、A*引导的渐进最优的双向随机树(Bidirectional Rapidly-Exploring Random Trees*,Bi-RRT*)算法等,对此本发明实施例不做限定。
在本发明实施例中,可以利用A*引导的渐进最优的双向随机树(BidirectionalRapidly-Exploring Random Trees*,Bi-RRT*)算法及所述道路场景数据生成初始路径点。
RRT*算法在RRT算法的基础上引入了路径代价函数和重布线操作,通过重新选择父节点,使得路径的代价函数值最优。标准RRT*算法使用全局均匀采样策略获得地图的环境信息,从而会导致树生长具有随机性、计算效率低、浪费内存空间等问题。
Bi-RRT*算法在保留RRT*算法特性的同时,引入了双向随机树扩展机制,从而加快了算法收敛速度,使RRT*算法的效率得到大幅度提升。
A*算法是基于栅格地图的启发式搜索算法,其寻找从起始栅格节点到目标栅格节点的最优路径。A*算法在开始寻找路径时,需要建立两张遍历表close、open。close中存放所经过的所有栅格节点,open中存放当前栅格节点下一步所可能经过的栅格节点。其寻找从起始栅格节点到目标栅格节点的最优最径的过程如下:将起始栅格节点添加到open中,然后将与起始栅格节点相邻的所有无障碍栅格节点添加到open中,并将相邻的无障碍栅格节点的父节点设为所述起始栅格节点,然后将所述起始栅格节点从open中删除并加入到close中。open中下一个被处理的节点由f=g+h决定,g为从所述起始栅格节点到当前栅格节点的实际路径代价,h为从当前栅格节点到目标栅格节点的估计路径代价。将具有最小f值的栅格节点从open中先出,对其采取与所述起始栅格节点相似的处理过程。
A*引导的Bi-RRT*算法是先在低分辨率的栅格图上用A*算法进行路径规划,然后根据A*算法的规划结果生成引导域,采用目标偏向采样和引导域偏向采样相结合的策略进行随机采样,并在最近邻搜索过程中增加角度约束。
步骤203,对所述初始路径点进行优化,得到适应行驶设备动力学的可行轨迹。
具体地,可以通过构建轨迹的凸空间对所述初始路径点进行优化,得到适应行驶设备动力学的可行轨迹。
步骤204,确定对应所述可行轨迹的一系列轨迹点状态。
具体地,根据离散时间间隔可得到一系列的轨迹点状态xt=(xt,yt,θt,κt,vt)T,t=1,...,T。其中,(xt,yt)表示行驶设备的位置,θt,κt,vt分别表示行驶设备的朝向、曲率和速度信息。
需要说明的是,所述轨迹点状态包括但不限于以下信息:行驶设备的位置、朝向、曲率、速度。
步骤205,根据所述一系列轨迹点状态及对应的环境信息生成路径规划数据集。
其中,所述环境信息At可以由激光雷达采集,所述环境信息具体可以包括但不限于:障碍物信息。
所述路径规划数据集包括上述轨迹点状态和环境信息,即[xt,At]。
需要说明的是,在实际应用中,如果按照上述A*引导的BiRRT*算法得到的初始路径点明显不能满足所述行驶设备行驶的情况,也可以通过人工确定相应的初始路径点。比如,在一些普通的环境中这种基于A*引导的BiRRT*算法在规定时间内都能找到不错的可行解,但是为了应对某些环境复杂,车辆动力学对搜索算法约束性非常强的环境中,可能算法不能在规定时间内找到可行解,这种情形下就通过人工的方式选择可行路径。
当然,也可以通过人为控制行驶设备得到具体轨迹,并记录对应的环境信息,也就是说,通过人工方式生成所述路径规划数据集,对此本发明实施例不做限定。
基于上述得到的路径规划数据集中的数据,可以从中提取得到神经网络的输入信息。在一种非限制性实施例中,所述神经网络的输入可以包括以下五维信息:障碍物信息、未知环境信息、已执行路径信息、起始状态、目标状态信息。其中,障碍物信息、未知环境信息可以从上述At中得到,已执行路径信息、起始状态、目标状态信息可以从上述xt中得到。
利用所述神经网络,可以确定采样分布,即地图中所有栅格属于未来路径的概率。
如图3所示,是本发明实施例基于采样的路径规划方法的一种流程图,包括以下步骤:
步骤301,获取已执行路径信息、起始状态、目标状态、以及环境信息。
所述已执行路径信息是指已确定的路径轨迹点的信息,具体可以包括:行驶设备的位置、速度、以及朝向信息。
所述起始状态是指行驶设备在起始地开始行始前的状态,所述目标状态是指行驶设备到达目的地后的状态。
步骤302,根据所述已执行路径信息、起始状态、目标状态、环境信息,以及预先训练得到的神经网络,确定采样分布。
具体地,从上述步骤301获取的信息中提取所述神经网络输入所需的五维信息:障碍物信息、未知环境信息、已执行路径信息、起始状态、目标状态信息,将提取的五维信息输入所述神经网络,根据所述神经网络的输出得到地图中所有栅格属于未来路径的概率。
步骤303,根据所述采样分布进行路径规划采样,得到行驶路径。
如图4所示,是本发明实施例中进行路径规划采样的流程图,包括以下步骤:
步骤401,根据采样分布采样得到多个栅格,由所述多个栅格组成概率质量函数。
具体地,可以根据所述采样分布,筛选出地图上所有栅格中属于未来路径的概率大于一定阈值的栅格,并由这些筛选出的栅格组成概率质量函数。
步骤402,对所述概率质量函数进行采样得到一系列连续的位置信息,并评估得到对应各位置信息的朝向信息。
对所述概率质量函数进行采样是指对步骤401中采样得到的多个栅格进行逐个采样,即二次采样。通过二次采样,可以降低采样对象的规模,提高计算效率。
所述评估得到对应各位置信息的朝向信息主要是指判断当前未知状态联合的朝向信息对于生成合理的轨迹信息是否有效。
步骤403,组合所述位置信息和对应的朝向信息得到所述行驶设备的预测状态。
步骤404,根据所述预测状态得到行驶路径。
具体地,通过采样可以得到很多状态,包括所述位置信息和朝向信息,最终行驶设备的路径信息会从这些预测状态中根据一定规则选取。
为了进一步加快采样点的收敛速度,在另一种非限制性实施例中,还可在上述步骤401和步骤402之间,利用最小方差采样算法对所述概率质量函数进行采样。
最小方差是衡量随机变量或一组数据时离散程度的度量。方差反映了样本数据围绕样本平均值变化的情况,方差值越小,表明数据越靠近平均值,离散程度越小。相反,方差值越大,数据离平均值越远,离散程度越大。在方差中最小的那个数,称为最小方差。
通过最小方差采样,可以减小采样数据的规模,降低大规模采样数据对计算效率带来的负担。
本发明实施例提供的基于采样的路径规划方法,先利用神经网络确定采样分布,再根据采样分布进行路径规划采样,得到行驶设备的预测状态,根据所述预测状态得到行驶路径。本发明方案在提高数据利用率的同时加快了算法收敛到全局最优路径的速度,在复杂场景下的非结构化道路上也能够快速规划出最优路径,满足各种环境中路径规划的实时性应用需求。
进一步地,在神经网络的监督学习中,输入信息不仅包括行驶设备的状态信息,而且通过加入对应的环境信息,可以使得采样分布的评估更准确,能够适用于各种道路场景及环境,进而规划得到最优路径。
需要说明的是,在实际应用中,可以独立采用本发明实施例提供的路径径规划方法,也可以与其他算法相结合使用。例如,对于变化环境,在简单环境时采用混合A*或HybridA*等算法进行快速搜索,在多障碍环境中利用本发明实施例提供的数据驱动的采样方法进行路径采样,对此本发明实施例不做限定。
相应地,本发明实施例还提供一种基于采样的路径规划装置,如图5所示,是本发明实施例基于采样的路径规划装置的一种结构示意图。
该实施例中,基于采样的路径规划装置500包括以下各模块:
信息获取模块501,用于获取已执行路径信息、起始状态、目标状态、以及环境信息;
采样分布确定模块502,用于根据所述已执行路径信息、起始状态、目标状态、环境信息,以及预先训练得到的神经网络,确定采样分布;所述神经网络包括编码网络和解码网络;
路径规划模块503,用于根据所述采样分布进行路径规划采样,得到行驶路径。
所述神经网络可以由相应的网络训练模块来构建,所述网络训练模块可以作为本发明装置的一部分,也可以独立于本发明装置,在此不做限定。
所述网络训练模块可以包括以下各模块:
数据集生成模块,用于生成路径规划数据集;
训练模块,用于利用所述路径规划数据集训练得到所述神经网络。
其中,所述数据集生成模块具体可以包括以下各单元:
数据采集单元,用于采集多种道路场景数据及对应的环境信息;
初始路径点生成单元,用于根据所述道路场景数据生成初始路径点;
优化单元,用于对所述初始路径点进行优化,得到适应行驶设备动力学的可行轨迹;
轨迹点状态确定单元,用于确定对应所述可行轨迹的一系列轨迹点状态;
数据集生成单元,用于根据所述一系列轨迹点状态及对应的环境信息生成路径规划数据集。
其中,路径规划模块503的一种非限制性实施例可以包括以下各单元:
函数生成单元,用于根据所述采样分布采样得到多个栅格,并由所述多个栅格组成概率质量函数;
采样单元,用于对所述概率质量函数进行采样得到一系列连续的位置信息,并评估得到对应各位置信息的朝向信息;
信息组合单元,用于组合所述位置信息和对应的朝向信息得到所述行驶设备的预测状态;
路径选择单元,用于根据所述预测状态得到行驶路径。
路径规划模块503的另一种非限制性实施例不仅可以包括上述各单元,还可进一步包括筛选单元,用于在所述采样单元对所述概率质量函数进行采样得到一系列连续的位置信息之前,对所述质量函数进行最小方差采样。
关于上述各装置的工作原理、工作方式的更多内容,可以参照前面相应的方法实施例中的相关描述,在此不再赘述。
本发明实施例提供的基于采样的路径规划装置,先利用神经网络确定采样分布,然后再根据采样分布进行路径规划采样,得到行驶设备的预测状态,根据所述预测状态得到行驶路径。本发明方案在提高数据利用率的同时加快了算法收敛到全局最优路径的速度,在复杂场景下的非结构化道路上也能够快速规划出最优路径,满足各种环境中路径规划的实时性应用需求。
需要说明的是,本发明实施例提供的基于采样的路径规划方法及装置,对于结构化场景、半结构化场景、以及非结构化场景,均能满足实时性路径规划要求。
相应地,本发明实施例还提供一种自动行驶设备,包括上述基于采样的路径规划装置。所述自动行驶设备可以是无人车、机器人等。
在具体实施中,上述基于采样的路径规划装置可以对应于终端设备中相应功能的芯片,例如SOC(System-On-a-Chip,片上系统)、基带芯片、芯片模组等。
在具体实施中,关于上述实施例中描述的各个装置、产品包含的各个模块/单元,其可以是软件模块/单元,也可以是硬件模块/单元,或者也可以部分是软件模块/单元,部分是硬件模块/单元。
例如,对于应用于或集成于芯片的各个装置、产品,其包含的各个模块/单元可以都采用电路等硬件的方式实现,或者,至少部分模块/单元可以采用软件程序的方式实现,该软件程序运行于芯片内部集成的处理器,剩余的(如果有)部分模块/单元可以采用电路等硬件方式实现;对于应用于或集成于芯片模组的各个装置、产品,其包含的各个模块/单元可以都采用电路等硬件的方式实现,不同的模块/单元可以位于芯片模组的同一组件(例如芯片、电路模块等)或者不同组件中,或者,至少部分模块/单元可以采用软件程序的方式实现,该软件程序运行于芯片模组内部集成的处理器,剩余的(如果有)部分模块/单元可以采用电路等硬件方式实现;对于应用于或集成于终端的各个装置、产品,其包含的各个模块/单元可以都采用电路等硬件的方式实现,不同的模块/单元可以位于终端内同一组件(例如,芯片、电路模块等)或者不同组件中,或者,至少部分模块/单元可以采用软件程序的方式实现,该软件程序运行于终端内部集成的处理器,剩余的(如果有)部分模块/单元可以采用电路等硬件方式实现。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质为非易失性存储介质或非瞬态存储介质,其上存储有计算机程序,所述计算机程序被处理器运行时执行上述各方法实施例中的步骤。
本发明实施例还提供了一种基于采样的路径规划装置,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行上述各方法实施例中的步骤。
请参照图6,是本发明实施例提供的基于采样的路径规划装置的硬件结构示意图。该装置包括处理器601、存储器602和收发器603。
处理器601可以是一个通用中央处理器(central processing unit,CPU)、微处理器、特定应用集成电路(application-specific integrated circuit,ASIC),或者一个或多个用于控制本发明方案程序执行的集成电路。处理器601也可以包括多个CPU,并且处理器601可以是一个单核(single-CPU)处理器,也可以是多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路或用于处理数据(例如计算机程序指令)的处理核。
存储器602可以是ROM或可存储静态信息和指令的其他类型的静态存储设备、RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,本发明实施例对此不作任何限制。存储器802可以是独立存在(此时,存储器802可以位于该装置外,也可以位于该装置内),也可以和处理器601集成在一起。其中,存储器602中可以包含计算机程序代码。处理器601用于执行存储器602中存储的计算机程序代码,从而实现本发明实施例提供的方法。
处理器601、存储器602和收发器603通过总线相连接。收发器603用于与其他设备或通信网络通信。可选的,收发器603可以包括发射机和接收机。收发器603中用于实现接收功能的器件可以视为接收机,接收机用于执行本发明实施例中的接收的步骤。收发器603中用于实现发送功能的器件可以视为发射机,发射机用于执行本发明实施例中的发送的步骤。
当图6所示的结构示意图用于示意上述实施例中所涉及的自动行驶设备的结构时,处理器601用于对自动行驶设备的动作进行控制管理,例如,处理器601用于支持自动行驶设备执行图1或图2或图3或图4中的部分或全部步骤,和/或本发明实施例中所描述的其他过程中的自动行驶设备执行的动作。处理器601可以通过收发器603与其他网络实体通信。存储器602用于存储终端设备的程序代码和数据。所述处理器运行所述计算机程序时可以控制所述收发器603接收下行信令或下行数据。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/“,表示前后关联对象是一种“或”的关系。
本发明实施例中出现的“多个”是指两个或两个以上。
本发明实施例中出现的第一、第二等描述,仅作示意与区分描述对象之用,没有次序之分,也不表示本发明实施例中对设备个数的特别限定,不能构成对本发明实施例的任何限制。
本发明所提供的各实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。应理解,在本发明的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在本发明所提供的几个实施例中,应该理解到,所揭露的方法、装置和系统,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的;例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式;例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理布置,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (18)
1.一种基于采样的路径规划方法,其特征在于,所述方法包括:
获取已执行路径信息、起始状态、目标状态、以及环境信息;
根据所述已执行路径信息、起始状态、目标状态、环境信息,以及预先训练得到的神经网络,确定采样分布;所述神经网络包括编码网络和解码网络;
根据所述采样分布进行路径规划采样,得到行驶路径。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括按照以下方式训练得到所述神经网络:
生成路径规划数据集;
利用所述路径规划数据集训练得到所述神经网络。
3.根据权利要求2所述的方法,其特征在于,所述生成路径规划数据集包括:
采集多种道路场景数据及对应的环境信息;
根据所述道路场景数据生成初始路径点;
对所述初始路径点进行优化,得到适应行驶设备动力学的可行轨迹;
确定对应所述可行轨迹的一系列轨迹点状态;
根据所述一系列轨迹点状态及对应的环境信息生成路径规划数据集。
4.根据权利要求3所述的方法,其特征在于,所述根据所述道路场景数据生成初始路径点包括:
利用A*引导的BiRRT*算法及所述道路场景数据生成初始路径点。
5.根据权利要求3所述的方法,其特征在于,所述对所述初始路径点进行优化,得到适应行驶设备动力学的可行轨迹包括:
通过构建轨迹的凸空间对所述初始路径点进行优化,得到适应行驶设备动力学的可行轨迹。
6.根据权利要求3所述的方法,其特征在于,所述轨迹点状态包括以下信息:行驶设备的位置、朝向、曲率、速度。
7.根据权利要求1所述的方法,其特征在于,所述神经网络的输入包括:障碍物信息、未知环境信息、已执行路径信息、起始状态信息、目标状态信息;所述已执行路径信息包括行驶设备的位置、速度及朝向信息;所述神经网络的输出包括:栅格信息、行驶设备在所述栅格的朝向信息;所述栅格信息表示所述栅格属于未来路径的概率;所述行驶设备在所述栅格的朝向信息包括朝向的正弦信息和余弦信息。
8.根据权利要求1至7任一项所述的方法,其特征在于,所述根据所述采样分布进行路径规划采样,得到行驶路径包括:
根据所述采样分布采样得到多个栅格,并由所述多个栅格组成概率质量函数;
对所述概率质量函数进行采样得到一系列连续的位置信息,并评估得到对应各位置信息的朝向信息;
组合所述位置信息和对应的朝向信息得到所述行驶设备的预测状态;
根据所述预测状态得到行驶路径。
9.根据权利要求8所述的方法,其特征在于,所述根据所述采样分布进行路径规划采样,得到行驶路径还包括:
在对所述概率质量函数进行采样得到一系列连续的位置信息之前,对所述质量函数进行最小方差采样。
10.一种基于采样的路径规划装置,其特征在于,所述装置包括:
信息获取模块,用于获取已执行路径信息、起始状态、目标状态、以及环境信息;
采样分布确定模块,用于根据所述已执行路径信息、起始状态、目标状态、环境信息,以及预先训练得到的神经网络,确定采样分布;所述神经网络包括编码网络和解码网络;
路径规划模块,用于根据所述采样分布进行路径规划采样,得到行驶路径。
11.根据权利要求10所述的装置,其特征在于,所述装置还包括:网络训练模块,用于构建所述神经网络;所述网络训练模块包括:
数据集生成模块,用于生成路径规划数据集;
训练模块,用于利用所述路径规划数据集训练得到所述神经网络。
12.根据权利要求11所述的装置,其特征在于,所述数据集生成模块包括:
数据采集单元,用于采集多种道路场景数据及对应的环境信息;
初始路径点生成单元,用于根据所述道路场景数据生成初始路径点;
优化单元,用于对所述初始路径点进行优化,得到适应行驶设备动力学的可行轨迹;
轨迹点状态确定单元,用于确定对应所述可行轨迹的一系列轨迹点状态;
数据集生成单元,用于根据所述一系列轨迹点状态及对应的环境信息生成路径规划数据集。
13.根据权利要求10所述的装置,其特征在于:
所述神经网络的输入包括:障碍物信息、未知环境信息、已执行路径信息、起始状态信息、目标状态信息;所述已执行路径信息包括行驶设备的位置、速度及朝向信息;
所述神经网络的输出包括:栅格信息、行驶设备在所述栅格的朝向信息;所述栅格信息表示所述栅格属于未来路径的概率;所述行驶设备在所述栅格的朝向信息包括朝向的正弦信息和余弦信息。
14.根据权利要求10所述的装置,其特征在于,所述路径规划模块包括:
函数生成单元,用于根据所述采样分布采样得到多个栅格,并由所述多个栅格组成概率质量函数;
采样单元,用于对所述概率质量函数进行采样得到一系列连续的位置信息,并评估得到对应各位置信息的朝向信息;
信息组合单元,用于组合所述位置信息和对应的朝向信息得到所述行驶设备的预测状态;
路径选择单元,用于根据所述预测状态得到行驶路径。
15.根据权利要求14所述的装置,其特征在于,所述路径规划模块还包括:
筛选单元,用于在所述采样单元对所述概率质量函数进行采样得到一系列连续的位置信息之前,对所述质量函数进行最小方差采样。
16.一种自动行驶设备,其特征在于,包括如权利要求10至15任一项所述的基于采样的路径规划装置。
17.一种计算机可读存储介质,所述计算机可读存储介质为非易失性存储介质或非瞬态存储介质,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运行时使得权利要求1至9中任一项所述方法被执行。
18.一种基于采样的路径规划装置,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序时执行权利要求1至9中任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211058517.7A CN115560771A (zh) | 2022-08-31 | 2022-08-31 | 基于采样的路径规划方法及装置、自动行驶设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211058517.7A CN115560771A (zh) | 2022-08-31 | 2022-08-31 | 基于采样的路径规划方法及装置、自动行驶设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115560771A true CN115560771A (zh) | 2023-01-03 |
Family
ID=84739922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211058517.7A Pending CN115560771A (zh) | 2022-08-31 | 2022-08-31 | 基于采样的路径规划方法及装置、自动行驶设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115560771A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116414140A (zh) * | 2023-06-08 | 2023-07-11 | 北京中科智易科技股份有限公司 | 无人作战车辆路径规划方法、装置及计算机存储介质 |
CN117558147A (zh) * | 2024-01-11 | 2024-02-13 | 上海伯镭智能科技有限公司 | 一种矿区无人驾驶车辆路权分配远程管控方法 |
-
2022
- 2022-08-31 CN CN202211058517.7A patent/CN115560771A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116414140A (zh) * | 2023-06-08 | 2023-07-11 | 北京中科智易科技股份有限公司 | 无人作战车辆路径规划方法、装置及计算机存储介质 |
CN116414140B (zh) * | 2023-06-08 | 2023-08-04 | 北京中科智易科技股份有限公司 | 无人作战车辆路径规划方法、装置及计算机存储介质 |
CN117558147A (zh) * | 2024-01-11 | 2024-02-13 | 上海伯镭智能科技有限公司 | 一种矿区无人驾驶车辆路权分配远程管控方法 |
CN117558147B (zh) * | 2024-01-11 | 2024-03-26 | 上海伯镭智能科技有限公司 | 一种矿区无人驾驶车辆路权分配远程管控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11403526B2 (en) | Decision making for autonomous vehicle motion control | |
CN109115226B (zh) | 基于跳点搜索的多机器人冲突避免的路径规划方法 | |
EP1733287B1 (en) | System and method for adaptive path planning | |
CN115560771A (zh) | 基于采样的路径规划方法及装置、自动行驶设备 | |
Agamennoni et al. | Robust inference of principal road paths for intelligent transportation systems | |
US20230077347A1 (en) | Vehicle behavior prediction method and apparatus, electronic device, and storage medium | |
CN108897317B (zh) | 一种自动导引小车agv的路径寻优方法、相关装置及存储介质 | |
CN112212874A (zh) | 车辆轨迹预测方法、装置、电子设备及计算机可读介质 | |
CN109916421B (zh) | 路径规划方法及装置 | |
CN113188562B (zh) | 可行驶区域的路径规划方法、装置、电子设备及存储介质 | |
JP7330142B2 (ja) | 車両のuターン経路を決定する方法、装置、デバイスおよび媒体 | |
CN113997954B (zh) | 一种车辆行驶意图预测方法、装置、设备及可读存储介质 | |
Kessler et al. | Cooperative multi-vehicle behavior coordination for autonomous driving | |
CN114756034B (zh) | 一种机器人实时避障路径规划方法及装置 | |
Dharmasiri et al. | Novel implementation of multiple automated ground vehicles traffic real time control algorithm for warehouse operations: djikstra approach | |
CN114440916A (zh) | 一种导航方法、装置、设备及存储介质 | |
Wang et al. | SCRIMP: Scalable communication for reinforcement-and imitation-learning-based multi-agent pathfinding | |
Zipfl et al. | Relation-based motion prediction using traffic scene graphs | |
CN115019275A (zh) | 启发项确定及模型训练方法、电子设备及计算机存储介质 | |
US11783178B2 (en) | Systems and methods for corridor intent prediction | |
CN114428889A (zh) | 轨迹绑路方法、模型训练方法、装置、设备及存储介质 | |
Carroll et al. | Work In Progress: A Solution Based on Dynamic User Equilibrium Toward the Selfless Traffic Routing Model | |
Metzger et al. | Towards trace-graphs for data-driven test case mining in the domain of automated driving | |
Bratulescu et al. | Object Detection in Autonomous Vehicles | |
Bajić et al. | Trajectory planning for autonomous vehicle using digital map |
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 |