CN115795853A - 泊车场景仿真方法及装置 - Google Patents
泊车场景仿真方法及装置 Download PDFInfo
- Publication number
- CN115795853A CN115795853A CN202211494186.1A CN202211494186A CN115795853A CN 115795853 A CN115795853 A CN 115795853A CN 202211494186 A CN202211494186 A CN 202211494186A CN 115795853 A CN115795853 A CN 115795853A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- environmental
- parking
- barrier
- determining
- 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
Landscapes
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
提供了一种泊车场景仿真方法及装置,用于对泊车场景进行仿真,泊车场景包括主车和多辆环境车。仿真方法包括:获取泊车场景的场景配置文件;获取输入的多辆环境车的起始位置和停泊位;以及为多辆环境车中的每辆环境车设置行驶策略,从而为主车生成仿真的泊车场景,其中,针对多辆环境车中的每辆环境车;根据该环境车的起始位置、停泊位置以及障碍物信息为该环境车生成相应的规划行驶路径;使该环境车沿相应的规划行驶路径行驶;在该环境车行驶过程中,响应于确定该环境车遭遇阻挡事件,确定阻挡事件的阻挡类型;以及根据阻挡类型设置该环境车的避让策略,以作为该环境车的行驶策略的一部分。
Description
技术领域
本公开涉及车辆驾驶仿真领域,特别是涉及一种泊车场景仿真方法及装置、计算机设备、计算机可读存储介质以及计算机程序产品。
背景技术
自动驾驶仿真是计算机仿真技术在汽车领域的应用,它以数学建模的方式将自动驾驶的应用场景进行数字化还原,建立尽可能接近真实世界的系统模型。自动驾驶系统需要依赖大量场景数据作为训练输入,而真实世界中的场景受地域和时间的限制。利用仿真场景对自动驾驶系统进行训练和改进,可以缩短研发周期和降低成本。另外,通过仿真测试进行分析和研究可以达到对自动驾驶系统和算法进行测试验证的目的。
多车辆仿真是自动驾驶仿真的一个重点。在多车辆的仿真场景中,每辆车都基于驾驶场景的路况选择各自的行驶策略。但是,现有的仿真平台上缺乏一种能够实现智能模拟车辆行驶策略的算法。由于缺乏上述智能的模拟算法,导致仿真平台对行驶车辆进行仿真的仿真程度较低,无法真实模拟存在多车辆的驾驶场景。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
提供一种缓解、减轻或甚至消除上述问题中的一个或多个的机制将是有利的。
根据本公开的一方面,提供了一种泊车场景仿真方法,用于对泊车场景进行仿真,泊车场景包括主车和多辆环境车,方法包括:获取泊车场景的场景配置文件,场景配置文件包括泊车场景的障碍物信息和泊车位信息;获取输入的多辆环境车的起始位置和停泊位置,其中,每辆环境车的停泊位置位于泊车场景中包含的多个泊车位中的一个泊车位上;以及为多辆环境车中的每辆环境车设置行驶策略,从而为主车生成仿真的泊车场景,其中,针对多辆环境车中的每辆环境车:根据该环境车的起始位置、停泊位置以及障碍物信息为该环境车生成相应的规划行驶路径;使该环境车沿相应的规划行驶路径行驶;在该环境车行驶过程中,响应于确定该环境车遭遇阻挡事件,确定阻挡事件的阻挡类型,其中,阻挡事件指示该环境车被主车或其他环境车阻挡;以及根据阻挡类型设置该环境车的避让策略,以作为该环境车的行驶策略的一部分。
根据本公开的另一方面,提供了一种泊车场景仿真装置,用于对泊车场景进行仿真,泊车场景包括主车和多辆环境车,装置包括:第一获取单元,配置成获取泊车场景的场景配置文件,场景配置文件包括泊车场景的障碍物信息和泊车位信息;第二获取单元,配置成获取输入的多辆环境车的起始位置和停泊位置,其中,每辆环境车的停泊位置位于泊车场景中包含的多个泊车位中的一个泊车位上;以及设置单元,配置成为多辆环境车中的每辆环境车设置行驶策略,从而为主车生成仿真的泊车场景,其中,针对多辆环境车中的每辆环境车:根据该环境车的起始位置、停泊位置以及障碍物信息为该环境车生成相应的规划行驶路径;使该环境车沿相应的规划行驶路径行驶;在该环境车行驶过程中,响应于确定该环境车遭遇阻挡事件,确定阻挡事件的阻挡类型,其中,阻挡事件指示该环境车被主车或其他环境车阻挡;以及根据阻挡类型设置该环境车的避让策略,以作为该环境车的行驶策略的一部分。
根据本公开的又另一方面,提供了一种计算机设备,包括:至少一个处理器;以及至少一个存储器,其上存储有计算机程序,其中,计算机程序在被至少一个处理器执行时,使至少一个处理器执行上述的方法。
根据本公开的再另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时,使处理器执行上述的方法。
根据本公开的再另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时,使处理器执行上述的方法。
根据在下文中所描述的实施例,本公开的这些和其它方面将是清楚明白的,并且将参考在下文中所描述的实施例而被阐明。
附图说明
在下面结合附图对于示例性实施例的描述中,本公开的更多细节、特征和优点被公开,在附图中:
图1是图示出根据示例性实施例的泊车场景仿真方法的流程图;
图2是图示出根据示例性实施例的根据阻挡类型设置环境车的避让策略的方法的流程图;
图3是图示出根据示例性实施例的设置环境车的避让策略的方法的流程图;
图4是图示出根据另一示例性实施例的使环境车避让阻挡车辆的方法的流程图;
图5是图示出根据示例性实施例的泊车场景仿真装置的示意性框图;并且
图6是图示出能够应用于示例性实施例的示例性计算机设备的框图。
具体实施方式
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。如本文使用的,术语“多个”意指两个或更多,并且术语“基于”应解释为“至少部分地基于”。此外,术语“和/或”,以及“……中的至少一个”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
在介绍本公开的示例性实施例之前,首先对本文中使用的若干术语进行解释。
下面结合附图详细描述本公开的示例性实施例。
图1是图示出根据示例性实施例的泊车场景仿真方法100的流程图,用于对泊车场景进行仿真,泊车场景包括主车和多辆环境车。如图1所示,该方法100包括:
步骤110,获取泊车场景的场景配置文件,场景配置文件包括泊车场景的障碍物信息和泊车位信息;
步骤120,获取输入的多辆环境车的起始位置和停泊位置,其中,每辆环境车的停泊位置位于泊车场景中包含的多个泊车位中的一个泊车位上;以及
步骤130,为多辆环境车中的每辆环境车设置行驶策略,从而为主车生成仿真的泊车场景,其中,步骤130进一步包括:针对多辆环境车中的每辆环境车,
步骤131,根据该环境车的起始位置、停泊位置以及障碍物信息为该环境车生成相应的规划行驶路径;
步骤132,使该环境车沿相应的规划行驶路径行驶;
步骤133,在该环境车行驶过程中,响应于确定该环境车遭遇阻挡事件,确定阻挡事件的阻挡类型,其中,阻挡事件指示该环境车被主车或其他环境车阻挡;以及
步骤134,根据阻挡类型设置该环境车的避让策略,以作为该环境车的行驶策略的一部分。
本实施例的方法应用于泊车场景仿真,泊车场景包括需要进行模拟的主车和多辆环境车,其中,主车按照设计好的自动驾驶算法行驶,以便于后续根据主车在泊车场景内的行驶情况对该自动驾驶算法进行测试验证,多辆环境车用于模拟泊车场景中主车周围的、将与主车进行交互的其他车辆。本实施例的方法可以应用于环境车,以便于更好地模拟主车周围的环境车,从而为主车提供更加真实的泊车场景。
场景配置文件可以是对泊车场景进行仿真的仿真平台中的计算机可以读取的配置文件,用于记录泊车场景的路况信息(包括道路信息和障碍物信息等等)。上述场景配置文件可以是根据真实世界场景生成的仿真场景,也可以是非真实世界的虚拟场景。
在步骤110中,静态障碍物信息可包括与待仿真场景内的静态障碍物(例如,墙壁、柱子、阻车器、防撞桶、垃圾箱、静止车辆等)有关的信息,例如,静态障碍物的尺寸、位置(例如,坐标)等等。在示例中,泊车位信息可包括与待仿真场景内的泊车位有关的信息,例如,泊车位的大小、形状、朝向、坐标(例如,对于对称形状的泊车位而言,泊车位的坐标点可以是其对称中心,而对于非对称形状的泊车位而言,泊车位的坐标点可根据需要而被指定为其所占区域内的特定点)等等。
在步骤120中,仿真平台的使用者可以主动输入需要设置的环境车的设置信息,设置信息包括该环境车的起始位置和停泊位置。在泊车场景中,每辆环境车的停泊位置位于泊车场景中包含的多个泊车位中的一个泊车位上。后续仿真的过程将以环境车的起始位置为起点、停泊位置为目标点生成该虚拟车辆的行驶路径。环境车的数量以及每辆环境车的起始位置和停泊位置可以根据仿真需要进行自由设置。在一些实施例中,设置信息还可以包括各个车辆的配置信息,例如环境车的尺寸、驾驶参数等信息。
在步骤131中,可以利用Hybrid A*搜索算法结合障碍物信息来确定该环境车在起始位置和停泊位置之间的规划行驶路径。上述Hybrid A*算法是一种图搜索算法,是对普通A*算法的改进。Hybrid A*算法主要包括如下步骤:
1、首先应用A*算法,生成代价地图,此代价地图表示车辆行驶的每个节点到终点节点的启发代价值,以用于后续Hybrid A*中,指引扩展点的搜索方向,以向代价小的方向扩展。
2、对当前节点扩展并生成最短规划曲线。命中终点后,通过碰撞检测检查规划路径是否遭遇驾驶场景中的障碍物,如果没有遭遇障碍物,则搜索成功并回溯路径,若遭遇障碍物则继续搜索下一节点。
Hybrid A*算法与普通A*算法最大的不同在于:在普通A*算法的基础上增加了对车辆运动学约束的考虑,Hybrid A*算法需要考虑车辆的相关行驶参数,例如:行驶方向、行驶速度等。因此,Hybrid A*可以应用于存在车辆掉头、泊车等对方向盘控制要求较高的场景。特别是在自动泊车的驾驶场景下,车辆的路径规划相对复杂,涉及障碍物和车辆的轨迹预测、可行驶区域选择、局部轨迹规划和车辆控制等方面,因此,在该场景下应用Hybrid A*算法是有利的。在另外一些实施例中,还可以使用其他方法(例如:有向图或无向图搜索算法或其他启发式算法)确定车辆规划行驶路径,这里不做限定。后续在确定好该环境车的规划行驶路径之后,在步骤132中,使该环境车沿相应的规划行驶路径行驶。
在步骤133中,在该环境车行驶过程中,可以通过实时检测该环境车与泊车场景中的其他车辆之间的距离来判断是否发生阻挡事件。在一些实施例中,当该环境车与主车或其他环境车之间的距离小于距离阈值时,则判定该环境车遭遇阻挡事件,并且将与该环境车的距离小于距离阈值的邻近车辆确定为阻挡车辆。上述距离阈值可以是8m、5m、3m等距离,这里需要理解的是,上述列举的距离阈值是指在泊车场景坐标系下的虚拟距离,而非真实世界的距离。
在步骤134中,阻挡类型可以包括多种类型,在一些实施例中,可以根据该环境车和阻挡车辆为同向行驶或反向行驶,将阻挡类型分为正向阻挡和反向阻挡。在一些实施例中,还可以根据阻挡车辆的类型(例如:阻挡车辆是主车或其他环境车),将阻挡类型进一步分为主车阻挡或环境车阻挡。下文将结合图2和图3详细说明如何基于各种阻挡类型来确定该环境车的避让策略。
在本公开的一个或多个实施例中,在待仿真的泊车场景中,可以通过分析环境车当前发生阻挡的阻挡类型生成对应的避让策略,使得环境车对于阻挡事件的反应更加接近于真实驾驶的情况,从而提高了泊车场景的仿真程度。主车在更加真实的泊车场景中行驶,可以使得应用于主车的自动驾驶系统和算法得到更加准确的测试和验证。
图2示出了根据本公开实施例的根据阻挡类型设置环境车的避让策略的方法200的流程图,在方法200中,阻挡类型包括正向阻挡和反向阻挡。参考图2,该方法200包括:
步骤210,分别确定该环境车和阻挡车辆的行驶方向;
步骤220,判断该环境车和阻挡车辆的行驶方向是否相同;
步骤230,响应于确定该环境车和阻挡车辆的行驶方向相同,确定阻挡类型为同向阻挡;
步骤240,响应于确定阻挡类型为同向阻挡,使该环境车停车等待;
步骤250,响应于确定该环境车和阻挡车辆的行驶方向相反,确定阻挡类型为反向阻挡;以及
步骤260,响应于确定阻挡类型为反向阻挡,使该环境车避让阻挡车辆或等待阻挡车辆进行避让之后使该环境车继续沿相应的规划行驶路径行驶。
在步骤210中,可以从仿真平台的运行数据中获取主车和多辆环境车在各个时刻的行驶参数,这些行驶参数包括主车和多辆环境车在各个时刻的行驶速度、行驶加速度以及当前朝向角度等,当前朝向角度将决定环境车和阻挡车辆的行驶方向。
在步骤220中,可以计算该环境车和阻挡车辆的当前朝向角度的夹角,当上述夹角接近0°时,例如,当上述夹角小于第一角度阈值时(第一角度阈值可以是10°、5°等),表示该环境车和阻挡车辆行驶方向相同,即,这两者在同一条道路上同向行驶;当上述夹角接近180°时,例如,当上述夹角大于第二角度阈值时(第二角度阈值可以是170°、175°等),表示该环境车和阻挡车辆行驶方向相反,即,这两者在同一条道路上相对行驶。这里需要理解的是,上述列举的角度是指在泊车场景坐标系下的虚拟角度,而非真实世界的角度。
在步骤240中,当确定阻挡类型为同向阻挡时,表示该环境车和阻挡车辆在同一条道路上同向行驶,则该环境车或阻挡车辆无需进行避让,该环境车停车等待阻挡车辆继续前进即可。
在步骤260中,当确定阻挡类型为反向阻挡时,表示该环境车和阻挡车辆在同一条道路上相对行驶,则需要该环境车进行避让或等待阻挡车辆进行避让。上述避让行为可以是进行避让的车辆后退预设距离,以允许另一车辆沿着原来的规划行驶路径行驶,随后进行避让的车辆返回到自身的规划行驶路径继续行驶。避让对象是该环境车还是阻挡车辆可以根据阻挡事件的其他相关参数进行确定。
图3示出了根本公开另一实施例的设置环境车的避让策略的方法300的流程图,在方法300中,反向阻挡的阻挡类型进一步包括阻挡车辆为主车的主车阻挡以及阻挡车辆为环境车的环境车阻挡,该方法300可以在方法200的步骤260中执行,以用于在确定阻挡类型为反向阻挡之后,进一步确定避让对象是该环境车还是阻挡车辆。参照图3所示,该方法300包括:
步骤310,判断阻挡类型是否为主车阻挡;
步骤320,响应于确定阻挡类型为环境车阻挡,根据该环境车以及阻挡车辆后方的车辆数确定进行避让的车辆;
步骤330,响应于确定阻挡类型为主车阻挡,进一步判断该环境车的驾驶模式是否为激进模式,其中,该环境车的驾驶模式基于输入预先确定;
步骤340,响应于确定驾驶模式为激进模式,将作为阻挡车辆的主车确定为进行避让的车辆;
步骤350,响应于确定驾驶模式为非激进模式,将该环境车确定为进行避让的车辆;
步骤360,根据确定的进行避让的车辆,使该环境车避让阻挡车辆或等待阻挡车辆进行避让之后使该环境车继续沿相应的规划行驶路径行驶。
在步骤310中,仿真平台将确定阻挡车辆为主车还是环境车,当确定阻挡车辆为主车时,确定阻挡类型为主车阻挡;当确定阻挡车辆为其他环境车时,确定阻挡类型为环境车阻挡。
在步骤320中,当阻挡车辆为另外的环境车的情况下,判断哪一辆环境车后面跟随的车辆多,选择跟随的车辆数量较少一方倒车避让另一方,如果两辆环境车后面跟随的车辆数量相同,随机选择一方倒车避让。可以理解,在真实的驾驶环境中,驾驶员会根据双方车辆后面跟随的车辆数来选择由哪一方进行避让,上述避让策略更加符合真实的驾驶情况。在一些实施例中,仿真平台可以根据该环境车或阻挡车辆后方预设距离内存在的车辆数来确定该车后面跟随的车辆数量,上述预设距离可以是3m、5m、8m等。
在步骤330中,该环境车的驾驶模式可以作为初始输入数据由仿真平台的使用者输入,驾驶模式包括激进模式和非激进模式,激进模式表示该环境车在驾驶过程中不倾向于主动避让,用于模拟激进驾驶的驾驶员;非激进模式表示该环境车在驾驶过程中倾向于主动避让,用于模拟谨慎驾驶的驾驶员。在后续步骤340和步骤350中,根据该环境车的驾驶模式确定是否由该环境车进行避让。
在步骤360中,当确定该环境车为进行避让的车辆时,使该环境车避让阻挡车辆;当确定阻挡车辆为进行避让的车辆时,使该环境车等待阻挡车辆进行避让之后使该环境车继续沿相应的规划行驶路径行驶。
在本实施例中,可以根据阻挡事件的阻挡类型以及环境车的驾驶模式来确定该环境车的避让策略,可以使得环境车的驾驶更加接近于真实驾驶的情况,从而进一步提高了泊车场景的仿真程度。
图4是图示出根据示例性实施例的使环境车避让阻挡车辆的方法400的流程图。在方法400中,场景配置文件还包括道路边界信息。参考图4,方法400包括:
步骤410,根据道路边界信息、该环境车在泊车场景中的当前位置以及该环境车的车长确定该环境车需要后退到的避让位置;
步骤420,根据该环境车的当前位置以及避让位置,利用Hybrid A*搜索算法生成避让路线;
步骤430,使该环境车沿避让路线后退;以及
步骤440,等待阻挡车辆通过后,使该环境车沿避让路线的反向路线前进,以返回相应的规划行驶路径。
道路边界信息可用于确定泊车场景中道路的边界范围,例如,道路的边界在泊车场景中的坐标等。在步骤410中,可以通过计算得到进行避让的车辆右后方三个车长且距离道路边界最近处的坐标,并将该坐标位置确定为避让位置,在另外一些实施例中,还可以使用其他方式确定避让位置的坐标,这里不再一一列举。上述车长数据可以作为初始输入数据由仿真平台的使用者输入。在步骤420中,基于该环境车的当前位置为起点、以步骤410中确定的避让位置为终点生成避让路线,上述Hybrid A*搜索算法在上文进行了详细描述,这里不再赘述。
在步骤430中,使该环境车沿避让路线倒车行驶到上述避让位置,然后在步骤440中等待阻挡车辆通过。其中,环境车的等待时间可以由仿真平台根据阻挡车辆的当前行驶速度以及阻挡车辆的规划行驶路径进行确定。待阻挡车辆通过后,使该环境车沿上述避让路线的反向路线前进,以返回相应的规划行驶路径,随后,该环境车沿着规划行驶路径继续前进。
虽然各个操作在附图中被描绘为按照特定的顺序,但是这不应理解为要求这些操作必须以所示的特定顺序或者按顺行次序执行,也不应理解为要求必须执行所有示出的操作以获得期望的结果。
图5是图示出根据示例性实施例的泊车场景仿真装置500的示意性框图。泊车场景仿真装置500用于对泊车场景进行仿真,泊车场景包括主车和多辆环境车,装置500包括:第一获取单元510,配置成获取泊车场景的场景配置文件,场景配置文件包括泊车场景的障碍物信息和泊车位信息;第二获取单元520,配置成获取输入的多辆环境车的起始位置和停泊位置,其中,每辆环境车的停泊位置位于泊车场景中包含的多个泊车位中的一个泊车位上;以及设置单元530,配置成为多辆环境车中的每辆环境车设置行驶策略,从而为主车生成仿真的泊车场景,其中,针对多辆环境车中的每辆环境车:根据该环境车的起始位置、停泊位置以及障碍物信息为该环境车生成相应的规划行驶路径;使该环境车沿相应的规划行驶路径行驶;在该环境车行驶过程中,响应于确定该环境车遭遇阻挡事件,确定阻挡事件的阻挡类型,其中,阻挡事件指示该环境车被主车或其他环境车阻挡;以及根据阻挡类型设置该环境车的避让策略,以作为该环境车的行驶策略的一部分。
应当理解,图5中所示装置500的各个模块可以与参考图1描述的方法100中的各个步骤相对应。由此,上面针对方法100描述的操作、特征和优点同样适用于装置500及其包括的模块。为了简洁起见,某些操作、特征和优点在此不再赘述。
虽然上面参考特定模块讨论了特定功能,但是应当注意,本文讨论的各个模块的功能可以分为多个模块,和/或多个模块的至少一些功能可以组合成单个模块。本文讨论的特定模块执行动作包括该特定模块本身执行该动作,或者替换地该特定模块调用或以其他方式访问执行该动作(或结合该特定模块一起执行该动作)的另一个组件或模块。因此,执行动作的特定模块可以包括执行动作的该特定模块本身和/或该特定模块调用或以其他方式访问的、执行动作的另一模块。例如,上面描述的第一获取单元510和第二获取单元520在一些实施例中可以组合成单个单元。如本文使用的,短语“实体A发起动作B”可以是指实体A发出执行动作B的指令,但实体A本身并不一定执行该动作B。
还应当理解,本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面关于图5描述的各个单元可以在硬件中或在结合软件和/或固件的硬件中实现。例如,这些单元可以被实现为计算机程序代码/指令,该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地,这些单元可以被实现为硬件逻辑/电路。例如,在一些实施例中,第一获取单元510、第二获取单元520和设置单元530中的一个或多个可以一起被实现在片上系统(System on Chip,SoC)中。SoC可以包括集成电路芯片(其包括处理器(例如,中央处理单元(Central Processing Unit,CPU)、微控制器、微处理器、数字信号处理器(Digital Signal Processor,DSP)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件),并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。
根据本公开的一方面,提供了一种计算机设备,其包括至少一个存储器、至少一个处理器以及存储在至少一个存储器上的计算机程序。该至少一个处理器被配置为执行计算机程序以实现上文描述的任一方法实施例的步骤。
根据本公开的一方面,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上文描述的任一方法实施例的步骤。
根据本公开的一方面,提供了一种计算机程序产品,其包括计算机程序,该计算机程序被处理器执行时实现上文描述的任一方法实施例的步骤。
在下文中,结合图6描述这样的计算机设备、非暂态计算机可读存储介质和计算机程序产品的说明性示例。
图6示出了可以被用来实施本文所描述的方法的计算机设备600的示例配置。举例来说,上文所提及的仿真平台中的用于仿真的计算机可以包括类似于计算机设备600的架构。
计算机设备600可以包括能够诸如通过系统总线614或其他适当的连接彼此通信的至少一个处理器602、存储器604、(多个)通信接口606、显示设备608、其他输入/输出(I/O)设备610以及一个或更多大容量存储设备612。
处理器602可以是单个处理单元或多个处理单元,所有处理单元可以包括单个或多个计算单元或者多个核心。处理器602可以被实施成一个或更多微处理器、微型计算机、微控制器、数字信号处理器、中央处理单元、状态机、逻辑电路和/或基于操作指令来操纵信号的任何设备。除了其他能力之外,处理器602可以被配置成获取并且执行存储在存储器604、大容量存储设备612或者其他计算机可读介质中的计算机可读指令,诸如操作系统616的程序代码、应用程序618的程序代码、其他程序620的程序代码等。
存储器604和大容量存储设备612是用于存储指令的计算机可读存储介质的示例,指令由处理器602执行来实施前面所描述的各种功能。举例来说,存储器604一般可以包括易失性存储器和非易失性存储器二者(例如RAM、ROM等等)。此外,大容量存储设备612一般可以包括硬盘驱动器、固态驱动器、可移除介质、包括外部和可移除驱动器、存储器卡、闪存、软盘、光盘(例如CD、DVD)、存储阵列、网络附属存储、存储区域网等等。存储器604和大容量存储设备612在本文中都可以被统称为存储器或计算机可读存储介质,并且可以是能够把计算机可读、处理器可执行程序指令存储为计算机程序代码的非暂态介质,计算机程序代码可以由处理器602作为被配置成实施在本文的示例中所描述的操作和功能的特定机器来执行。
多个程序可以存储在大容量存储设备612上。这些程序包括操作系统616、一个或多个应用程序618、其他程序620和程序数据622,并且它们可以被加载到存储器604以供执行。这样的应用程序或程序单元的示例可以包括例如用于实现以下部件/功能的计算机程序逻辑(例如,计算机程序代码或指令):第一获取单元510、第二获取单元520、设置单元530、方法100、方法200、方法300和/或方法400(包括方法的任何合适的步骤)和/或本文描述的另外的实施例。
虽然在图6中被图示成存储在计算机设备600的存储器604中,但是模块616、618、620和622或者其部分可以使用可由计算机设备600访问的任何形式的计算机可读介质来实施。如本文所使用的,“计算机可读介质”至少包括两种类型的计算机可读介质,也就是计算机可读存储介质和通信介质。
计算机可读存储介质包括通过用于存储信息的任何方法或技术实施的易失性和非易失性、可移除和不可移除介质,信息诸如是计算机可读指令、数据结构、程序模块或者其他数据。计算机可读存储介质包括而不限于RAM、ROM、EEPROM、闪存或其他存储器技术,CD-ROM、数字通用盘(DVD)、或其他光学存储装置,磁盒、磁带、磁盘存储装置或其他磁性存储设备,或者可以被用来存储信息以供计算机设备访问的任何其他非传送介质。与此相对,通信介质可以在诸如载波或其他传送机制之类的已调制数据信号中具体实现计算机可读指令、数据结构、程序模块或其他数据。本文所定义的计算机可读存储介质不包括通信介质。
一个或更多通信接口606用于诸如通过网络、直接连接等等与其他设备交换数据。这样的通信接口可以是以下各项中的一个或多个:任何类型的网络接口(例如,网络接口卡(NIC))、有线或无线(诸如IEEE 802.11无线LAN(WLAN))无线接口、全球微波接入互操作(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、BluetoothTM接口、近场通信(NFC)接口等。通信接口606可以促进在多种网络和协议类型内的通信,其中包括有线网络(例如LAN、电缆等等)和无线网络(例如WLAN、蜂窝、卫星等等)、因特网等等。通信接口606还可以提供与诸如存储阵列、网络附属存储、存储区域网等等中的外部存储装置(未示出)的通信。
在一些示例中,可以包括诸如监视器之类的显示设备608,以用于向用户显示信息和图像。其他I/O设备610可以是接收来自用户的各种输入并且向用户提供各种输出的设备,并且可以包括触摸输入设备、手势输入设备、摄影机、键盘、遥控器、鼠标、打印机、音频输入/输出设备等等。
本文描述的技术可以由计算机设备600的这些各种配置来支持,并且不限于本文所描述的技术的具体示例。例如,该功能还可以通过使用分布式系统在“云”上全部或部分地实现。云包括和/或代表用于资源的平台。平台抽象云的硬件(例如,服务器)和软件资源的底层功能。资源可以包括在远离计算机设备600的服务器上执行计算处理时可以使用的应用和/或数据。资源还可以包括通过因特网和/或通过诸如蜂窝或Wi-Fi网络的订户网络提供的服务。平台可以抽象资源和功能以将计算机设备600与其他计算机设备连接。因此,本文描述的功能的实现可以分布在整个云内。例如,功能可以部分地在计算机设备600上以及部分地通过抽象云的功能的平台来实现。
虽然在附图和前面的描述中已经详细地说明和描述了本公开,但是这样的说明和描述应当被认为是说明性的和示意性的,而非限制性的;本公开不限于所公开的实施例。通过研究附图、公开内容和所附的权利要求书,本领域技术人员在实践所要求保护的主题时,能够理解和实现对于所公开的实施例的变型。在权利要求书中,词语“包括”不排除未列出的其他元件或步骤,不定冠词“一”或“一个”不排除多个,术语“多个”是指两个或两个以上,并且术语“基于”应解释为“至少部分地基于”。在相互不同的从属权利要求中记载了某些措施的仅有事实并不表明这些措施的组合不能用来获益。
Claims (10)
1.一种泊车场景仿真方法,用于对泊车场景进行仿真,所述泊车场景包括主车和多辆环境车,所述方法包括:
获取所述泊车场景的场景配置文件,所述场景配置文件包括所述泊车场景的障碍物信息和泊车位信息;
获取输入的所述多辆环境车的起始位置和停泊位置,其中,每辆环境车的停泊位置位于所述泊车场景中包含的多个泊车位中的一个泊车位上;以及
为所述多辆环境车中的每辆环境车设置行驶策略,从而为所述主车生成仿真的泊车场景,其中,针对所述多辆环境车中的每辆环境车:
根据该环境车的起始位置、停泊位置以及所述障碍物信息为该环境车生成相应的规划行驶路径;
使该环境车沿所述相应的规划行驶路径行驶;
在该环境车行驶过程中,响应于确定该环境车遭遇阻挡事件,确定所述阻挡事件的阻挡类型,其中,所述阻挡事件指示该环境车被所述主车或其他环境车阻挡;以及
根据所述阻挡类型设置该环境车的避让策略,以作为该环境车的行驶策略的一部分。
2.根据权利要求1所述的方法,其中,在该环境车行驶过程中,确定该环境车遭遇阻挡事件包括:
在该环境车行驶过程中,计算该环境车分别与所述主车以及其他环境车之间的距离;
响应于所述距离小于距离阈值,确定该环境车遭遇阻挡事件,并且将与该环境车的距离小于距离阈值的车辆确定为阻挡车辆。
3.根据权利要求1所述的方法,其中,所述阻挡类型包括正向阻挡和反向阻挡,其中,在该环境车行驶过程中,响应于确定该环境车遭遇阻挡事件,确定所述阻挡事件的阻挡类型包括:
分别确定该环境车和阻挡车辆的行驶方向;
响应于确定该环境车和所述阻挡车辆的行驶方向相同,确定所述阻挡类型为同向阻挡;或
响应于确定该环境车和所述阻挡车辆的行驶方向相反,确定所述阻挡类型为反向阻挡;并且其中,根据所述阻挡类型设置该环境车的避让策略包括:
响应于确定所述阻挡类型为同向阻挡,使该环境车停车等待;或
响应于确定所述阻挡类型为反向阻挡,使该环境车避让所述阻挡车辆或等待所述阻挡车辆进行避让之后使该环境车继续沿所述相应的规划行驶路径行驶。
4.根据权利要求3所述的方法,其中,所述反向阻挡的阻挡类型进一步包括阻挡车辆为主车的主车阻挡以及阻挡车辆为环境车的环境车阻挡,其中,根据所述阻挡类型设置该环境车的避让策略还包括:
响应于确定所述阻挡类型为环境车阻挡,根据该环境车以及所述阻挡车辆后方的车辆数确定进行避让的车辆;或
响应于确定所述阻挡类型为主车阻挡,根据该环境车的驾驶模式确定进行避让的车辆,其中,该环境车的驾驶模式基于输入预先确定;以及
根据确定的进行避让的车辆,使该环境车避让所述阻挡车辆或等待所述阻挡车辆进行避让之后使该环境车继续沿所述相应的规划行驶路径行驶。
5.根据权利要求4所述的方法,其中,响应于确定所述阻挡类型为主车阻挡,根据该环境车的驾驶模式确定进行避让的车辆包括:
响应于确定所述驾驶模式为激进模式,将作为阻挡车辆的主车确定为进行避让的车辆;以及
响应于确定所述驾驶模式为非激进模式,将该环境车确定为进行避让的车辆。
6.根据权利要求1-5中任一项所述的方法,其中,所述场景配置文件还包括道路边界信息,其中,使该环境车避让阻挡车辆包括:
根据所述道路边界信息、该环境车在所述泊车场景中的当前位置以及该环境车的车长确定该环境车需要后退到的避让位置;
根据该环境车的当前位置以及所述避让位置,利用Hybrid A*搜索算法生成避让路线;
使该环境车沿所述避让路线后退;以及
等待所述阻挡车辆通过后,使该环境车沿所述避让路线的反向路线前进,以返回所述相应的规划行驶路径。
7.一种泊车场景仿真装置,用于对泊车场景进行仿真,所述泊车场景包括主车和多辆环境车,所述装置包括:
第一获取单元,配置成获取所述泊车场景的场景配置文件,所述场景配置文件包括所述泊车场景的障碍物信息和泊车位信息;
第二获取单元,配置成获取输入的所述多辆环境车的起始位置和停泊位置,其中,每辆环境车的停泊位置位于所述泊车场景中包含的多个泊车位中的一个泊车位上;以及
设置单元,配置成为所述多辆环境车中的每辆环境车设置行驶策略,从而为所述主车生成仿真的泊车场景,其中,针对所述多辆环境车中的每辆环境车:
根据该环境车的起始位置、停泊位置以及所述障碍物信息为该环境车生成相应的规划行驶路径;
使该环境车沿所述相应的规划行驶路径行驶;
在该环境车行驶过程中,响应于确定该环境车遭遇阻挡事件,确定所述阻挡事件的阻挡类型,其中,所述阻挡事件指示该环境车被所述主车或其他环境车阻挡;以及
根据所述阻挡类型设置该环境车的避让策略,以作为该环境车的行驶策略的一部分。
8.一种计算机设备,包括:
至少一个处理器;以及
至少一个存储器,其上存储有计算机程序,
其中,所述计算机程序在被所述至少一个处理器执行时,使所述至少一个处理器执行权利要求1-6中任一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,使所述处理器执行权利要求1-6中任一项所述的方法。
10.一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时,使所述处理器执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211494186.1A CN115795853A (zh) | 2022-11-25 | 2022-11-25 | 泊车场景仿真方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211494186.1A CN115795853A (zh) | 2022-11-25 | 2022-11-25 | 泊车场景仿真方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115795853A true CN115795853A (zh) | 2023-03-14 |
Family
ID=85441760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211494186.1A Pending CN115795853A (zh) | 2022-11-25 | 2022-11-25 | 泊车场景仿真方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115795853A (zh) |
-
2022
- 2022-11-25 CN CN202211494186.1A patent/CN115795853A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3474254B1 (en) | Surrounding environment recognition device | |
US10824153B2 (en) | Cost design for path selection in autonomous driving technology | |
US20200001862A1 (en) | Planning parking trajectory generation for self-driving vehicles using optimization method | |
US20190318267A1 (en) | System and method for training a machine learning model deployed on a simulation platform | |
US11188089B2 (en) | Localization for autonomous vehicles using gaussian mixture models | |
CN111301409A (zh) | 一种泊车路径规划方法、装置、车辆和存储介质 | |
EP3324332A1 (en) | Method and system to predict vehicle traffic behavior for autonomous vehicles to make driving decisions | |
US20200001863A1 (en) | Planning parking trajectory for self-driving vehicles | |
US10850739B2 (en) | Automatic lane change with lane-biased strategy | |
US10272778B2 (en) | Method and system for determining unit gain of speed control for autonomous driving vehicles | |
US20180111612A1 (en) | Spring system-based change lane approach for autonomous vehicles | |
CN112595337B (zh) | 避障路径规划方法、装置、电子装置、车辆及存储介质 | |
KR101621649B1 (ko) | 동적 장애물에 대한 위치 분포 정보 생성 방법, 위치 분포 정보를 이용한 차량 제어 방법 및 시스템 | |
US20200269841A1 (en) | Information processing method and apparatus, and storage medium | |
CN115402344A (zh) | 泊车场景仿真方法和装置 | |
US11884252B2 (en) | Enhanced threat assessment | |
US11529951B2 (en) | Safety system, automated driving system, and methods thereof | |
CN115973158B (zh) | 换道轨迹的规划方法、车辆、电子设备及计算机程序产品 | |
CN111707258B (zh) | 一种外部车辆监测方法、装置、设备及存储介质 | |
Yu et al. | Space-based collision avoidance framework for autonomous vehicles | |
CN111930026B (zh) | 一种测试方法及装置 | |
CN113561992A (zh) | 自动驾驶车辆轨迹生成方法、装置、终端设备及介质 | |
CN115795853A (zh) | 泊车场景仿真方法及装置 | |
CN116610091A (zh) | 仿真测试方法、电子设备及计算机存储介质 | |
CN115060279B (zh) | 路径规划方法、装置、电子设备和计算机可读介质 |
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 |