CN115626181A - 自驾车的路径规划系统及方法 - Google Patents
自驾车的路径规划系统及方法 Download PDFInfo
- Publication number
- CN115626181A CN115626181A CN202211342492.3A CN202211342492A CN115626181A CN 115626181 A CN115626181 A CN 115626181A CN 202211342492 A CN202211342492 A CN 202211342492A CN 115626181 A CN115626181 A CN 115626181A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- path
- lane
- coordinate
- driving
- 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
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
一种自驾车的路径规划系统及方法,属于路径规划领域,利用至少一传感器检测一本车的周围环境信息,将周围环境信息转换成一鸟瞰图,其中包括每一坐标点的坐标信息。系统根据坐标信息判别并标记出鸟瞰图中的车道边缘、车道线及他车,再据以计算一车道中心点及找出前车。接着,根据前车位置计算前车车速,并估计前车的一预测路径。若前车的预测路径与本车的行驶路径相同时,以前车作为一路径参考点;反之,则以车道边缘作为一路径参考线,以计算本车的最终路径。本发明通过点云资料即可规划路径,大幅减少录制高精图资所需的成本,减少资料占用的储存空间。
Description
技术领域
本发明有关路径规划领域,特别是指一种自驾车的路径规划系统及方法。
背景技术
近年自驾车技术逐渐成熟,相关的开源自驾车软件纷纷投入市场,使自驾车开发门槛降低。目前主流的自驾车技术多依赖由GPS位置所录制的高精图资或车道线检测以获取最佳路径。
其中,车道线检测获取最佳路径的方法有其硬伤,在于并非所有的环境皆有车道线,如路口、停车场等没有车道线。这些没有划设车道线的地方就会检测失败,因此车道线检测的方法会受到环境上的限制。
而利用高精图资计算最佳路径的方法,需要先利用搭载立体摄影机的车辆收集完整的道路信息,辨识出有助于定位的道路特征。例如建筑物、交通标志、路灯等,以及道路标线如车道线、方向箭头、行人穿越道等。再将道路信息的图资与GPS的定位资料结合,即可产生精确的路线影像。但其最大问题在于若定位失效则无法使用。尤其当车辆位于路口时,同时缺乏车道线可供检测,则此时将无法规划车辆路线。此外,获得图资资料需要耗费大量的人力与经费进行量测,资料量也相当庞大,进而导致成本增加。
有鉴于此,本发明针对上述公知技术的缺失及未来的需求,提出一种自驾车的路径规划系统及方法,以解决上述缺失。
发明内容
本发明的主要目的在提供一种自驾车的路径规划系统及方法,其可不依靠高精度图资,而是通过回波强度值对周围环境物体进行分类,可降低录制高精图资所耗费的人力和费用成本,同时降低资料占用的空间。
本发明的另一目的在于提供一种自驾车的路径规划系统及方法,其不需依赖导航系统,在导航失效的情况下仍可通过光达进行物理性检测以规划路径。
本发明的再一目的在于提供一种自驾车的路径规划系统及方法,其在道路或路口没有车道线的情况下,通过周围环境判别出车道边缘,并找到车道中心点,进而规划出行驶路径,大幅提升安全性。
为达上述目的,本发明提供一种自驾车的路径规划系统,一种自驾车的路径规划系统,设置于一本车上,自驾车的路径规划系统包括:至少一传感器,用以检测本车的周围环境信息;一鸟瞰图产生模块,连接传感器,接收周围环境信息并转换成一鸟瞰图,鸟瞰图包括每一坐标点的坐标信息;一类别检测模块,连接鸟瞰图产生模块,根据坐标信息判别并标记出鸟瞰图中的车道边缘、车道线及前车;一车道中心计算模块,连接类别检测模块,根据已标记出的鸟瞰图中的车道边缘及车道线计算一车道中心点,根据车道中心点及本车的位置从他车中找出一前车,及根据前车的位置计算前车的车速;一前车预判模块,连接类别检测模块及车道中心计算模块,通过一车辆运动学模型估计前车的一预测路径;以及一路径规划模块,连接前车预判模块,若前车的预测路径与本车的行驶路径相同时,以前车作为一路径参考点,若前车的预测路径与本车的行驶路径不同或没有前车时,则以车道边缘作为一路径参考线,计算本车的一最终路径。
依据本发明的实施例,传感器为光达,传感器将本车的周围环境信息以点云图呈现,鸟瞰图产生模块再利用一转轴公式将点云图转换为鸟瞰图。
依据本发明的实施例,坐标信息包括坐标点的坐标值、坐标点所组成的形状、点数疏密、坐标点所组成的物件的高度、或每一坐标点的回波强度值。
依据本发明的实施例,回波强度值预设有复数区间,不同区间的回波强度值的坐标点以不同颜色显示在鸟瞰图上。
依据本发明的实施例,类别检测模块将坐标信息进行滤波以滤除噪声,再根据坐标信息判别出鸟瞰图中的车道边缘、车道线及前车。
依据本发明的实施例,类别检测模块利用卡尔曼滤波器对坐标信息进行滤波。
依据本发明的实施例,车道中心计算模块根据鸟瞰图中的车道边缘及车道线找出一可行驶范围后,再取相邻的两个车道线的中心点作为车道中心点,或是取车道线与车道边缘的平均值作为车道中心点。
依据本发明的实施例,车道中心计算模块取得鸟瞰图中所标记的前车的位置后,根据连续时间的至少两个鸟瞰图的前车的位置,以计算前车的车速。
依据本发明的实施例,前车预判模块还通过标记的车道线建立一驾驶行为兴趣区域,再根据预测路径与驾驶行为兴趣区域以预测前车的行为,包括直行或转弯。
依据本发明的实施例,前车的预测路径与本车的行驶路径相同时,路径规划模块以前车作为路径参考点,并与本车及车道线中心点的位置及前车的车速结合,计算本车的最终路径。
依据本发明的实施例,前车的预测路径与本车的行驶路径不同时,路径规划模块以车道边缘作为路径参考线,并以路径参考线计算出一边缘曲率,以计算本车的最终路径。
本发明还提供一种自驾车的路径规划方法,包括下列步骤:利用至少一传感器检测一本车的周围环境信息;将周围环境信息转换成一鸟瞰图,鸟瞰图包括每一坐标点的坐标信息;根据坐标信息判别并标记出鸟瞰图中的车道边缘、车道线及他车;根据已标记出的鸟瞰图中的车道边缘及车道线计算一车道中心点,根据车道中心点及本车的位置从他车中找出一前车,再根据标记出的前车的位置计算前车的车速;通过一车辆运动学模型估计前车的一预测路径;以及若前车的预测路径与本车的行驶路径相同时,以前车作为一路径参考点,若前车的预测路径与本车的行驶路径不同或没有前车时,则以车道边缘作为一路径参考线,计算本车的一最终路径。
依据本发明的实施例,根据前车的位置计算前车的车速的步骤还包括下列步骤:根据连续时间的至少两个鸟瞰图的前车的位置,计算前车的车速。
依据本发明的实施例,通过车辆运动学模型估计前车的一预测路径的步骤还包括下列步骤:通过标记的车道线建立一驾驶行为兴趣区域,再根据预测路径与驾驶行为兴趣区域以预测前车的行为,包括直行或转弯。
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:在道路或路口没有车道线的情况下,通过周围环境判别出车道边缘,并找到车道中心点,进而规划出行驶路径,大幅提升安全性,不须高精图资、也不需GPS,通过回波强度值对周围环境物体进行分类,即可计算出本车的最终路径,大幅减少录制高精图资所需的成本,减少资料占用的储存空间,且在没有GPS的地下室仍能正常使用。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明自驾车的路径规划系统的方块图;
图2为本发明自驾车的路径规划方法的流程图;
图3为预判前车的预测路径的坐标示意图;
图4至图6为在T字路口应用本发明的实施例示意图;
图7至图9为在十字路口应用本发明的实施例示意图;
图10至图12为在地下停车场应用本发明的实施例示意图。
符号说明:
10…自驾车的路径规划系统,11…车上主机,12…传感器,13…鸟瞰图产生模块,14…类别检测模块,15…车道中心计算模块,16…前车预判模块,17…路径规划模块,20…车道线,22…车道边缘,24…他车,26…本车,28…车道中心点。
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,熟悉本技术领域者在没有做出进步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。
应当理解,当在本说明书和所附申请专利范围中使用时,术语「包括」和「包含」指示所描述特征、整体、步骤、操作、元素和/或元件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、元件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附申请专利范围中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的「一」、「一个」及「该」意在包括复数形式。
还应当进一步理解,在本发明说明书和所附申请专利范围中使用的术语「及/或」是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本发明提供一种自驾车的路径规划系统及方法,请参考图1,其为本发明自驾车的路径规划系统的架构图。自驾车的路径规划系统10设置于一本车(图中未示)上。自驾车的路径规划系统10包括至少一传感器12、一鸟瞰图产生模块13、一类别检测模块14、一车道中心计算模块15、一前车预判模块16及一路径规划模块17。其中,传感器12连接鸟瞰图产生模块13,鸟瞰图产生模块13连接类别检测模块14,类别检测模块14连接车道中心计算模块15及前车预判模块16,车道中心计算模块15连接前车预判模块16,前车预判模块16连接路径规划模块17。上述这些模块设置于一车上主机11中,车上主机11包含至少一处理器(图中未示),这些模块可以一个或更多处理器来实现。
传感器12装设于本车上,用以检测本车的周围环境信息。在一实施例中,传感器12为光达(激光雷达传感器),采集周围环境的点云资料,产生点云图。鸟瞰图产生模块13利用一转轴公式将点云图转换成一鸟瞰图,且鸟瞰图包括每一坐标点的坐标信息,包括每一坐标点的坐标值、坐标点所组成的形状、点数疏密、坐标点所组成的物件的高度、或每一坐标点的回波强度值等物理量的检测类别。由于传感器12可过滤特定信息,因此传感器12可用于判断是否有前车。
在一实施例中,若传感器12为光达,则其所接收的点云回波会因物体不同的材质、颜色等而有不同的回波强度,故可通过回波强度值判别车道边缘、车道线或前车。具体而言,可将回波强度值预设为复数区间,不同回波强度值区间的坐标点以不同颜色显示在鸟瞰图上,例如回波强度值a~b为特殊颜色涂层,若符合高度低、长条形等特征,则判别其为车道线或车道边缘;回波强度值c~d为金属,若符合高度中~高、立方体等特征,则判别其为车辆;以及回波强度值e~f为植被或混凝土,若符合高度中~高、不规则形等特征,则判别其为灌木丛或人行道。此判别的步骤由类别检测模块14进行。
类别检测模块14根据坐标信息判别出车道线、车道边缘及所有车辆,并在鸟瞰图上进行标注,例如在鸟瞰图上描绘出车道线及车道边缘,及将所有车辆框选出来,车辆包括本车与前车/他车。若传感器12为光达,则类别检测模块14先将坐标信息利用卡尔曼滤波器进行滤波,以滤除噪声之后,再进行车道线、车道边缘及所有车辆的判别。
车道中心计算模块15用于根据已标记出的鸟瞰图中的车道边缘及车道线计算一车道中心点。首先从该鸟瞰图中的车道边缘及车道线找出一可行驶范围,接着,再从可行驶范围中取相邻的两个车道线的中心点作为车道中心点,或是取车道线与车道边缘的平均值作为车道中心点。多个车道中心点可连成一条车道中心线。由于已知标记的车辆中哪台为本车,因此在已知车道中心点的情况下,还可进一步得知其他车辆中哪台是前车。此外,车道中心计算模块15取得前车的位置后,根据连续时间的至少二张鸟瞰图的前车位置,即可计算出前车的车速。因此,车道中心计算模块15输出可行驶范围、车道中心点、前车位置及前车车速等信息。
前车预判模块16将鸟瞰图中抓取到的前车位置通过一车辆运动学模型,在假设前车的速度为恒速的前提下,估计前车的一预测路径。前车预判模块16还通过标记的车道线建立一驾驶行为兴趣区域,再根据预测路径与驾驶行为兴趣区域以预测t秒后前车的行为,包括直行或转弯。因此前车预判模块16的输出为前车的预测行为。
路径规划模块17根据前车的预测路径和预测行为,判断前车与本车的行驶路径是否相同。若前车的预测路径与本车的行驶路径相同,例如同样要右转时,则参考前车的路径,换言之,以前车作为一路径参考点。结合本车、前车、及车道中心点三者的位置,可计算出本车的一最终路径的路径方程式。若前车的预测路径与本车的行驶路径不同时,则以最靠近本车的车道边缘作为一路径参考线,计算本车的一最终路径。
请同时参考图2,其为本发明自驾车的路径规划方法的流程图。步骤S10中,利用至少一传感器12检测一本车的周围环境信息。步骤S12,鸟瞰图产生模块13将周围环境信息转换成一鸟瞰图,鸟瞰图包括每一坐标点的坐标信息。步骤S14,类别检测模块14根据坐标信息判别并标记出鸟瞰图中的车道边缘、车道线及他车。步骤S16中,车道中心计算模块15根据已标记出的鸟瞰图中的车道边缘及车道线计算一车道中心点。接着车道中心计算模块15根据车道中心点及本车的位置从他车中找出一前车,再根据标记出的前车的位置计算前车的车速。此步骤中,车道中心计算模块15是先从鸟瞰图中的车道边缘及车道线找出一可行驶范围后,再从此可行驶范围中取相邻的两个车道线的中心点作为车道中心点,或是取车道线与车道边缘的平均值作为车道中心点。步骤S18中,前车预判模块16通过一车辆运动学模型估计前车的一预测路径,进一步还预测前车的行为,包括直行或转弯。接着如步骤S20,该传感器12先判断是否有前车,若有前车,则步骤S22路径规划模块17进一步判断前车的预测路径与本车的行驶路径是否相同。若相同,则如步骤S24所述,以前车作为一路径参考点,结合本车及车道中心点的位置,计算出本车的一最终路径。反之,若前车的预测路径与本车的行驶路径不同,或是步骤S20判断没有前车,则如步骤S26所述,以车道边缘作为一路径参考线,计算本车的一最终路径。
上述步骤S12中,鸟瞰图产生模块13利用转轴公式将点云图转换成一鸟瞰图,转轴公式如下式(1):
其中,(x’,y’,z’)为点云图的原始坐标,(x,y,z)为转换后的鸟瞰图的坐标。(cosαi,cosβi,cosγi)改记为(c1i,c2i,c3i),(i=1,2,3)。α,β,γ为原始坐标系要旋转的角度。(h1,h2,h3)为新原点在原始坐标系的位置。
上述步骤S18中,前车预判模块16通过车辆运动学模型估计前车的预测路径,进一步预测前车的行为,具体请参考图3,其为预判前车的预测路径的坐标示意图。A为自驾车模型的前轮位置;B为自驾车模型的后轮位置;C为自驾车模型的质心位置;O为OA、OB的交点,是车辆的瞬时滚动中心,线段OA、OB分别垂直于两个轮胎的方向。δr为后轮偏角、δf为前轮偏角、Lr为后轮到质心点的长度、Lf为前轮到质心点的长度。因此,前车的预测路径可以下式(2)表示:
上述步骤S24中以三次方程式k(s)=as3+bs2+cs+d找出本车的最终路径,如下式(3)
r(s)=[x(s),y(s),θ(s),k(s)]’ (3)
其中,s为时间,x为x轴坐标点,y为y轴坐标点,θ为本车的航向角,k为路口的弯道曲率,a、b、c、d为系数。在无前车的情境下,可通过车道边缘获得车道曲率,再通过下式(4)~(8)代入三次方程式,得到本车的最终路径公式(3):
dx/ds=cosθ(s) (4)
dy/ds=sinθ(s) (5)
dθ/ds=k(s) (6)
图4至图6为在T字路口应用本发明的实施例示意图。以传感器是光达为例,首先将点云图利用转轴公式转换成图4所示的鸟瞰图,将彩图以灰阶表示。接着根据回波强度值对周围环境物体进行分类,找出车道线、车道边缘及所有车辆,如图5所示,其中长虚线为车道线20、短虚线为车道边缘22、长方形框为他车24。黑点则为本车26的位置。找出两条车道线20之间或车道线20与车道边缘22之间的车道中心点28,如图5中的三角形标记。需注意的是,此车道中心点28为通过路口之后的第一个中心点,而随着本车26移动,每个时间t的车道中心点28也会跟着移动,多个车道中心点28可连成一条车道中心线。图6中,则是根据本车26车宽范围判断前方是否有车辆,若有前车则通过车辆运动学预判驾驶行为;反之则提取最近的车道边缘22的曲率进行计算,找出过弯的最终路径,如图6中的浅灰色弧形箭头为本车26的过弯路径。
图7至图9为在十字路口应用本发明的实施例示意图。以传感器是光达为例,首先将点云图利用转轴公式转换成图7所示的鸟瞰图,将彩图以灰阶表示。接着根据回波强度值对周围环境物体进行分类,找出车道线、车道边缘及所有车辆,如图8所示,其中短虚线为车道边缘22、长方形框为他车26。黑点则为本车26的位置。接着,找出两条车道边缘22之间的车道中心点28,如图8中的三角形标记。由于本车26可以直走或右转,因此同时找出直行路径和右转路径的车道中心点28,产生图8中的两个三角形标记。与图6相同的是,此二个三角形标记也是通过路口后两个路径各自的第一个车道中心点28。图9中,则是根据本车26车宽范围判断前方是否有车辆,若有前车则通过车辆运动学预判前车的驾驶行为;反之则提取最近的车道边缘22的曲率进行计算,找出过弯的最终路径,如图9中的浅灰色直线箭头和浅灰色弧形箭头皆为本车26通过十字路口的路径。
图10至图12为在地下停车场应用本发明的实施例示意图。以传感器是光达为例,首先将点云图利用转轴公式转换成图10所示的鸟瞰图,将彩图以灰阶表示。接着根据回波强度值对周围环境物体进行分类,找出车道线、车道边缘及所有车辆,如图11所示,其中短虚线为车道边缘22、长方形框为他车24。黑点则为本车26的位置。找出两条车道边缘22之间的车道中心点28,如图11中的三角形标记。图12中,则是根据本车26的车宽范围判断前方是否有车辆,若有前车则通过车辆运动学预判前车的驾驶行为;反之则提取最近的车道边缘22的曲率进行计算,找出本车26的最终路径,如图12中的浅灰色直线箭头为本车26的路径。
综上所述,本发明提供一种自驾车的路径规划系统及方法,其将光达取得的点云图通过转换公式转为鸟瞰图后,判别周围环境的物体类别,找车道线和车道边缘后算出可行驶范围,同时通过其他车道(即本车即将直行或转弯后的车道)的车道线找出车道中心点作为终点。若车道中心点处有前车且预判前车与本车为相同路径,则以前车的预测路径作为本车的路径参考点;反之则参考环境的车道边缘以计算本车的最终路径。如此一来,本车不须高精图资、也不需GPS,通过光达的点云资料的回波强度值,即可计算出本车的最终路径,大幅减少录制高精图资所需的成本,减少资料占用的储存空间,且在没有GPS的地下室仍能正常使用本发明的系统。
以上所述,仅为本发明的较佳实施例而已,并非用来限定本发明实施的范围。故凡依本发明申请范围所述的特征及精神所做的均等变化或修饰,均应包括于本发明的申请专利范围内。
Claims (23)
1.一种自驾车的路径规划系统,设置于一本车上,其特征在于,该自驾车的路径规划系统包括:
至少一传感器,用以检测该本车的周围环境信息;
一鸟瞰图产生模块,连接该至少一传感器,接收该周围环境信息并转换成一鸟瞰图,该鸟瞰图包括每一坐标点的坐标信息;
一类别检测模块,连接该鸟瞰图产生模块,根据每一坐标点的坐标信息判别并标记出该鸟瞰图中的车道边缘、车道线及他车;
一车道中心计算模块,连接该类别检测模块,根据已标记出的该鸟瞰图中的车道边缘及车道线找出一可行驶范围,并计算一车道中心点,根据该车道中心点及该本车的位置从他车中找出一前车,及根据该前车的位置计算该前车的车速;
一前车预判模块,连接该类别检测模块及该车道中心计算模块,通过一车辆运动学模型估计该前车的一预测路径;
一路径规划模块,连接该前车预判模块,若该前车的该预测路径与该本车的行驶路径相同时,以该前车作为一路径参考点,若该前车的该预测路径与该本车的行驶路径不同或没有前车时,则以该车道边缘作为一路径参考线,计算该本车的一最终路径。
2.如权利要求1所述的自驾车的路径规划系统,其特征在于,该至少一传感器为光达。
3.如权利要求2所述的自驾车的路径规划系统,其特征在于,该至少一传感器将该本车的周围环境信息以点云图呈现,该鸟瞰图产生模块再利用一转轴公式将该点云图转换为该鸟瞰图。
4.如权利要求1所述的自驾车的路径规划系统,其特征在于,该坐标信息包括坐标点的坐标值、坐标点所组成的形状、点数疏密、坐标点所组成的物件的高度、或每一坐标点的回波强度值。
5.如权利要求4所述的自驾车的路径规划系统,其特征在于,该回波强度值预设有复数区间,不同区间的回波强度值的坐标点以不同颜色显示在该鸟瞰图上。
6.如权利要求4所述的自驾车的路径规划系统,其特征在于,该类别检测模块将坐标信息进行滤波以滤除噪声,再根据坐标信息判别出该鸟瞰图中的车道边缘、车道线及他车。
7.如权利要求6所述的自驾车的路径规划系统,其特征在于,该类别检测模块利用卡尔曼滤波器对坐标信息进行滤波。
8.如权利要求1所述的自驾车的路径规划系统,其特征在于,该车道中心计算模块根据该鸟瞰图中的车道边缘及车道线找出一可行驶范围后,再从该可行驶范围中取相邻的两个车道线的中心点作为该车道中心点,或是取该车道线与该车道边缘的平均值作为该车道中心点。
9.如权利要求1所述的自驾车的路径规划系统,其特征在于,该车道中心计算模块取得该前车的位置后,根据连续时间的至少两个鸟瞰图的该前车的位置,以计算该前车的车速。
10.如权利要求9所述的自驾车的路径规划系统,其特征在于,该前车预判模块还通过标记的该车道线建立一驾驶行为兴趣区域,再根据该预测路径与该驾驶行为兴趣区域预测该前车的行为,包括直行或转弯。
11.如权利要求1所述的自驾车的路径规划系统,其特征在于,该前车的该预测路径与该本车的行驶路径相同时,该路径规划模块以该前车作为该路径参考点,并与该本车及该车道线中心点的位置及该前车的车速结合,计算该本车的该最终路径。
12.如权利要求1所述的自驾车的路径规划系统,其特征在于,该前车的该预测路径与该本车的行驶路径不同时,该路径规划模块以该车道边缘作为该路径参考线,并以该路径参考线计算出一边缘曲率,以计算该本车的该最终路径。
13.一种自驾车的路径规划方法,其特征在于,该自驾车的路径规划方法包括下列步骤:
利用至少一传感器检测一本车的周围环境信息;
将该周围环境信息转换成一鸟瞰图,该鸟瞰图包括每一坐标点的坐标信息;
根据每一坐标点的坐标信息判别并标记出该鸟瞰图中的车道边缘、车道线及他车;
根据已标记出的该鸟瞰图中的车道边缘及车道线计算一车道中心点,根据该车道中心点及该本车的位置从他车中找出一前车,再根据该前车的位置计算该前车的车速;
通过一车辆运动学模型估计该前车的一预测路径;
若该前车的该预测路径与该本车的行驶路径相同时,以该前车作为一路径参考点,若该前车的该预测路径与该本车的行驶路径不同或没有前车时,则以该车道边缘作为一路径参考线,计算该本车的一最终路径。
14.如权利要求13所述的自驾车的路径规划方法,其特征在于,该本车的周围环境信息以点云图呈现,并利用一转轴公式将该点云图转换为该鸟瞰图。
15.如权利要求13所述的自驾车的路径规划方法,其特征在于,该坐标信息包括坐标点的坐标值、坐标点所组成的形状、点数疏密、坐标点所组成的物件的高度、或每一坐标点的回波强度值。
16.如权利要求15所述的自驾车的路径规划方法,其特征在于,该回波强度值预设有复数区间,不同区间的回波强度值的坐标点以不同颜色显示在该鸟瞰图上。
17.如权利要求15所述的自驾车的路径规划方法,其特征在于,坐标信息被滤波以滤除噪声后,再根据坐标信息判别出该鸟瞰图中的车道边缘、车道线及他车。
18.如权利要求17所述的自驾车的路径规划方法,其特征在于,坐标信息利用卡尔曼滤波器进行滤波。
19.如权利要求13所述的自驾车的路径规划方法,其特征在于,该车道中心点的计算包含下列步骤:
根据该鸟瞰图中的车道边缘及车道线找出一可行驶范围;
在该可行驶范围中,取相邻的两个车道线的中心点作为该车道中心点,或是取该车道线与该车道边缘的平均值作为该车道中心点。
20.如权利要求13所述的自驾车的路径规划方法,其特征在于,该根据该前车的位置计算该前车的车速的步骤还包括下列步骤:
根据连续时间的至少两个鸟瞰图的该前车的位置,计算该前车的车速。
21.如权利要求13所述的自驾车的路径规划方法,其特征在于,该通过该车辆运动学模型估计该前车的一预测路径的步骤还包括下列步骤:
通过标记的该车道线建立一驾驶行为兴趣区域,再根据该预测路径与该驾驶行为兴趣区域预测该前车的行为,包括直行或转弯。
22.如权利要求13所述的自驾车的路径规划方法,其特征在于,该前车的该预测路径与该本车的行驶路径相同时,以该前车作为该路径参考点,并与该本车及该车道线中心点的位置及该前车的车速结合,计算该本车的该最终路径。
23.如权利要求13所述的自驾车的路径规划方法,其特征在于,该前车的该预测路径与该本车的行驶路径不同时,以该车道边缘作为该路径参考线,并以该路径参考线计算出一边缘曲率,以计算该本车的该最终路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211342492.3A CN115626181A (zh) | 2022-10-31 | 2022-10-31 | 自驾车的路径规划系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211342492.3A CN115626181A (zh) | 2022-10-31 | 2022-10-31 | 自驾车的路径规划系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115626181A true CN115626181A (zh) | 2023-01-20 |
Family
ID=84909469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211342492.3A Pending CN115626181A (zh) | 2022-10-31 | 2022-10-31 | 自驾车的路径规划系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115626181A (zh) |
-
2022
- 2022-10-31 CN CN202211342492.3A patent/CN115626181A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107646114B (zh) | 用于估计车道的方法 | |
CN109064495B (zh) | 一种基于Faster R-CNN与视频技术的桥面车辆时空信息获取方法 | |
CN109849922B (zh) | 一种用于智能车辆的基于视觉信息与gis信息融合的方法 | |
EP1975565B1 (en) | Road surface feature information collecting apparatus and method | |
CN102208035B (zh) | 图像处理系统及位置测量系统 | |
CN102208013B (zh) | 风景匹配参考数据生成系统和位置测量系统 | |
JP4557288B2 (ja) | 画像認識装置及び画像認識方法、並びにそれを用いた位置特定装置、車両制御装置及びナビゲーション装置 | |
CN111551958A (zh) | 一种面向矿区无人驾驶的高精地图制作方法 | |
US20180209795A1 (en) | Vehicle Position Determination Apparatus and Vehicle Position Determination Method | |
CN111582079A (zh) | 基于计算机视觉的车道定位方法及装置 | |
CN110097762B (zh) | 一种道路视频图像低能见度刻度估算方法及系统 | |
CN105718860A (zh) | 基于驾驶安全地图及双目交通标志识别的定位方法及系统 | |
CN105676253A (zh) | 一种自动驾驶中基于城市道路标线地图的纵向定位系统及其方法 | |
CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
US20220035378A1 (en) | Image segmentation | |
CN102222236A (zh) | 图像处理系统及位置测量系统 | |
CN114999228B (zh) | 一种自动驾驶车在恶劣天气防碰撞方法 | |
CN103204104B (zh) | 一种车辆全视角驾驶监控系统及方法 | |
WO2022041706A1 (zh) | 一种定位方法、定位系统和车辆 | |
JP6977887B2 (ja) | レーン推定装置、方法およびプログラム | |
CN114419874B (zh) | 基于路侧感知设备数据融合的目标行车安全风险预警方法 | |
JP4775658B2 (ja) | 地物認識装置・自車位置認識装置・ナビゲーション装置・地物認識方法 | |
CN112674646B (zh) | 基于多算法融合的自适应贴边作业方法及机器人 | |
CN111325187B (zh) | 一种车道位置的识别方法及装置 | |
CN111623786B (zh) | 预判车辆行驶轨迹的方法 |
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 |