CN115903854A - 一种动态结构化道路的自动驾驶实时轨迹规划方法 - Google Patents

一种动态结构化道路的自动驾驶实时轨迹规划方法 Download PDF

Info

Publication number
CN115903854A
CN115903854A CN202310025444.XA CN202310025444A CN115903854A CN 115903854 A CN115903854 A CN 115903854A CN 202310025444 A CN202310025444 A CN 202310025444A CN 115903854 A CN115903854 A CN 115903854A
Authority
CN
China
Prior art keywords
track
information
initial
self
trajectory
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.)
Granted
Application number
CN202310025444.XA
Other languages
English (en)
Other versions
CN115903854B (zh
Inventor
魏超
苏孟伦
赵博通
张哲�
吕茉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yangtze River Delta Research Institute Of Beijing University Of Technology Jiaxing
Beijing Institute of Technology BIT
Original Assignee
Yangtze River Delta Research Institute Of Beijing University Of Technology Jiaxing
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yangtze River Delta Research Institute Of Beijing University Of Technology Jiaxing, Beijing Institute of Technology BIT filed Critical Yangtze River Delta Research Institute Of Beijing University Of Technology Jiaxing
Priority to CN202310025444.XA priority Critical patent/CN115903854B/zh
Publication of CN115903854A publication Critical patent/CN115903854A/zh
Application granted granted Critical
Publication of CN115903854B publication Critical patent/CN115903854B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种动态结构化道路的自动驾驶实时轨迹规划方法,包括获取障碍物信息、自车状态信息和全局路径信息，基于障碍物信息、自车状态信息和全局路径信息获得驾驶模式、目标采样范围及目标速度；对全局路径信息进行平滑处理，结合自车状态信息、驾驶模式、目标采样范围和所述目标速度信息对所述目标采样范围进行采样和拟合处理获得初始轨迹集；对所述初始轨迹集进行坐标转换获得所述初始轨迹集的笛卡尔坐标系下的轨迹集；基于所述初始轨迹集的笛卡尔坐标系下的轨迹集进行优先队列处理并计算轨迹损失，结合障碍物筛选结果进行轨迹筛选，获得最优轨迹，完成自动驾驶实时轨迹规划。本发明确保了自动驾驶的实时性与安全性。

Description

一种动态结构化道路的自动驾驶实时轨迹规划方法
技术领域
本发明属于自动驾驶技术领域，尤其涉及一种动态结构化道路的自动驾驶实时轨迹规划方法。
背景技术
自动驾驶汽车是近年来的热门研究方向，轨迹规划作为无人车的核心模块之一也受到了越来越多人的关注。轨迹规划模块需要保证车辆行驶的安全性，乘客的舒适性，以及规划的实时性。轨迹规划方法主要分为基于图搜索的，基于采样的，以及基于曲线和多项式拟合的轨迹规划方法。基于图搜索的方法主要有：Dijkstra算法和A*算法，以及基于A*衍生出来的hybrid A*，D*等。图搜索算法能得到分辨率最优结果，但动态环境下，算法的求解难度较大，算法的搜索时间也随着搜索范围而急剧增加。基于采样的方法主要有RRT(Rapidly-exploring Random Trees)算法，以及基于RRT衍生出来的informed RRT*算法等，该方法的结果往往不是最优解，需要使用二次规划等数值优化方法进行优化，同时，算法求解时间也不稳定，而这也导致算法的实时性不能得到保证。基于曲线和多项式拟合的方法主要有基于贝塞尔曲线，Reeds Shepp曲线以及多项式曲线等。不考虑车辆z向的移动以及俯仰运动，轨迹规划问题是一个三维的问题，由于车辆的非完整约束特性，且无人车的轨迹规划问题往往是非凸的，计算复杂度大，求解难度较高，再加上高速动态环境较为复杂，为保证行驶的安全性，算法的实时性就成为了不能忽视的问题。
发明内容
本发明的目的在于提出一种动态结构化道路的自动驾驶实时轨迹规划方法，采用多项式拟合的方法，将高维问题分解成两个二维问题，即在预设范围内分别求解横向和纵向的规划问题，同时，针对动态环境下的结构化道路，通过合理的设计，动态调整轨迹点的选取范围，并进行了轨迹和障碍物的筛选，优化了算法结构，确保在车辆动力学约束下的可行性，在提升自动驾驶实时性的同时，保证了轨迹的安全性和舒适性。
为实现上述目的，本发明提供了一种动态结构化道路的自动驾驶实时轨迹规划方法，包括以下步骤：
获取障碍物信息、自车状态信息和全局路径信息，基于所述障碍物信息、所述自车状态信息和所述全局路径信息获得驾驶模式、目标采样范围及目标速度；
对所述全局路径信息进行平滑处理，结合所述自车状态信息、所述驾驶模式、所述目标采样范围和所述目标速度信息对所述目标采样范围进行采样和拟合处理获得初始轨迹集；
对所述初始轨迹集进行坐标转换获得所述初始轨迹集的笛卡尔坐标系下的轨迹集；
基于所述初始轨迹集的笛卡尔坐标系下的轨迹集进行优先队列处理并计算轨迹损失，结合障碍物筛选结果进行轨迹筛选，获得最优轨迹，完成自动驾驶实时轨迹规划。
可选的，获取障碍物信息、自车状态信息和全局路径信息的方法包括：根据感知模块、定位模块、高精地图模块话题分别进行订阅，并使用ROS消息过滤器进行时间粗同步，根据地图模块获取自车与地图间的坐标变换关系，并对自车状态信息以及障碍物信息进行处理获得障碍物信息、自车状态信息和全局路径信息。
可选的，基于所述障碍物信息、所述自车状态信息和所述全局路径信息获得驾驶模式、目标采样范围及目标速度的方法包括：
存在与自车产生交互的障碍物，驾驶模式为跟车，则调整目标速度为前车速度，目标采样范围限定在自车车道内，且保持与障碍物的安全时距；驾车模式为换道，则调整目标速度不超过阈值，目标采样范围限定在目标车道两侧，缩短采样时间步长；
不存在与自车产生交互的障碍物，驾驶模式为巡航，根据车道限速信息调整目标速度，基于前一周期最优轨迹确定目标采样范围。
可选的，所述阈值计算如下，
Figure BDA0004044393830000031
其中，B为自车轮距，H为质心高度，c为曲率，g为重力加速度。
可选的，对所述全局路径信息进行平滑处理的方法包括：基于所述全局路径信息，通过三次样条插值算法对全局路径进行平滑处理，并计算出道路曲率、弧长和航向角。
可选的，对所述目标采样范围进行采样和拟合处理获得初始轨迹集的方法包括：对所述目标采样范围进行横向和纵向采样，获得横向末状态和纵向末状态，再分别采用若干次多项式进行拟合处理获得所述初始轨迹集。
可选的，对所述初始轨迹集进行坐标转换获得所述初始轨迹集的笛卡尔坐标系下的轨迹集的方法包括：
对于初始轨迹上点的坐标[s,d]获取参考线上的对应点[x_ref,y_ref]，同时获得参考线上对应点的航向角θ_ref，通过
Figure BDA0004044393830000041
计算，获取笛卡尔坐标系下的轨迹坐标。
可选的，计算轨迹损失包括：
Figure BDA0004044393830000042
其中，w*为权重，ki为轨迹点曲率，li为轨迹点横向坐标，ai为轨迹点加速度，
Figure BDA0004044393830000043
为轨迹点加加速度，jerk表征轨迹的舒适性，ldifi为前后两周期内轨迹相应点的横向坐标差值。
可选的，基于所述初始轨迹集的笛卡尔坐标系下的轨迹集进行优先队列处理，结合障碍物筛选结果进行轨迹筛选，获得最优轨迹的方法包括：基于轨迹代价利用优先队列对初始轨迹集进行预处理，获得根据代价排序后的轨迹集，利用所述轨迹集结合横向速度和当前车道横向距离预设范围内的障碍物依次对轨迹进行碰撞检测；若轨迹无碰撞则直接输出最优轨迹；若轨迹有碰撞则舍弃当前轨迹，对优先队列中下一条轨迹进行碰撞检测，直到输出最优轨迹或优先队列为空停止。
本发明技术效果：本发明公开了一种动态结构化道路的自动驾驶实时轨迹规划方法，针对结构化道路动态场景，实现了基于多项式的实时局部轨迹规划，针对高速场景，为保证规划模块的实时性，同时确保自车行驶过程中不发生剧烈抖动，在考虑到周期间轨迹稳定性的前提下，减小了轨迹生成过程中横向的采样范围，提高了高速行驶的安全性与实时性。在低速，有障碍物场景中，对障碍物实现了筛选，在进行碰撞检测时，只考虑自车一定范围内，与自车产生交互的障碍物，减少了碰撞检测时的时间消耗，同时，优化了算法结构，提升了规划模块的实时性。在复杂动态场景下，实现了动态采样，基于自车驾驶状态，动态改变采样参数，确保了自动驾驶的实时性与安全性。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例动态结构化道路的自动驾驶实时轨迹规划方法的流程示意图；
图2为本发明实施例确定驾驶模式及目标采样范围过程示意图；
图3为本发明实施例算法流程示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
如图1-3所示，本实施例中提供一种动态结构化道路的自动驾驶实时轨迹规划方法，包括以下步骤：
获取障碍物信息、自车状态信息和全局路径信息，基于所述障碍物信息、所述自车状态信息和所述全局路径信息获得驾驶模式、目标采样范围及目标速度；
对所述全局路径信息进行平滑处理，结合所述自车状态信息、所述驾驶模式、所述目标采样范围和所述目标速度信息对所述目标采样范围进行采样和拟合处理获得初始轨迹集；
对所述初始轨迹集进行坐标转换获得所述初始轨迹集的笛卡尔坐标系下的轨迹集；
基于所述初始轨迹集的笛卡尔坐标系下的轨迹集进行优先队列处理并计算轨迹损失，结合障碍物筛选结果进行轨迹筛选，获得最优轨迹，完成自动驾驶实时轨迹规划。
S1.分别从感知模块，定位模块，高精地图模块获取障碍物信息，自车状态信息，以及全局路径信息。其中自车状态包括自车位置，速度以及加速度。
S2.基于S1中的信息，决策模块得出合适的驾驶模式，并将采样范围，驾驶模式，目标速度信息下发给轨迹规划模块。
S3.轨迹规划模块接收S1所述全局路径信息，通过三次样条插值算法对全局路径进行平滑并计算道路曲率，弧长及航向角。由于结构化道路存在调头，转向，换道工况，为保证采样的高效性，以平滑后路径的弧长方向为纵向及其法线方向为横向，将笛卡尔坐标转换到Frenet坐标系进行求解。
S4.1S1所述自车状态信息及S2所述驾驶模式，采样范围，目标速度信息下发到轨迹规划模块后，对目标采样范围进行均匀采样，得到横向末状态，对纵向速度进行采样，得到纵向末状态，再分别用五次多项式和四次多项式对初末状态进行拟合并进行拼接，得到初始轨迹集，由于多项式拟合方法的特性，所得轨迹与其速度加速度信息耦合。所述用五次多项式和四次多项式对初末状态进行拟合过程包括：得到横向初始状态为[d0,d′0,d″0,T0]，末状态为[d1,0,0,T1]；得到纵向初始状态为[s′0,s″0,T0]，末状态为[s′1,0,T1]；横向采用五次多项式进行拟合，纵向采用四次多项式进行拟合：
Figure BDA0004044393830000071
S4.2所述S4.1中目标采样范围确定方法为：
若自车附近存在障碍物，且其预测轨迹会与自车轨迹产生交互，则由决策模块进行判断，若驾驶模式为跟车，则限制自车目标速度为障碍物速度，采样范围为自车车道内，同时保证预定的安全时距。若驾驶模式为换道，则更改采样范围到相邻可行车道，目标速度根据自车侧翻阈值计算得出，最大不超过30km/h。公式为：
Figure BDA0004044393830000072
其中，B为自车轮距，H为质心高度，c为曲率，g为重力加速度。
特别的，对于复杂动态场景，为提高轨迹安全性，考虑降低目标速度，同时，低速下自车转向能力能够充分发挥，扩大横向采样范围，缩短时间步长，以精确控制自车姿态，确保自车安全性。
若自车附近当前周期内无与自身产生交互的障碍物，则进入巡航模式，目标速度为当前车道限速Vlimit-10(km/h)，所述限速信息由地图模块给出。
特别的，巡航模式速度较高，应保证轨迹的稳定性和实时性，此时，横向采样范围基于上一周期最优轨迹确定。即：
[last_path.l.min()-0.5,last_path.l.max()+0.5]
其中，last_path.l.min()为上一周期最优轨迹的最小横向位移，last_path.l.max()为上一周期最优轨迹的最大横向位移。
S4.3 S1所述感知模块的障碍物信息属于笛卡尔坐标系，为提升运算效率，需将S4.2所述初始轨迹集中的元素传入坐标转换模块，得到该轨迹在笛卡尔坐标系下的坐标，曲率，航向角信息。并基于相应工况的cost函数计算出该轨迹的损失。
S4.4 S4.3所述cost函数为：
Figure BDA0004044393830000081
其中，w*为权重，ki为轨迹点曲率，li为轨迹点横向坐标，ai为轨迹点加速度，
Figure BDA0004044393830000082
为轨迹点加加速度，即jerk，表征轨迹的舒适性，ldifi为前后两周期内轨迹相应点的横向坐标差值，表征轨迹的稳定性，T1为结束时刻，T0为开始时刻，一般为0。
可选的，基于上述cost公式进行计算会导致轨迹靠近障碍物，因此引入一个障碍物的软约束Σ，使最优轨迹和障碍物保持安全距离。
S5.1传统基于多项式的轨迹规划方法对于轨迹集的处理为全部传入筛选函数根据速度，加速度，曲率，碰撞检测进行筛选，这样时间复杂度为O(N)，为提升其实时性，使用优先队列对轨迹集进行处理，后传入筛选函数，此时，时间复杂度最坏为O(N)。
特别的，为提升算法效率，对障碍物进行筛选，对于S1所述障碍物信息，仅保留自车一定范围内，预测轨迹会与自车产生交互的障碍物。
碰撞检测具体为：为提升算法效率，对障碍物进行筛选，即仅保留自车一定范围内，预测轨迹会与自车产生交互的障碍物，利用gjk算法进行碰撞检测。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (9)

1.一种动态结构化道路的自动驾驶实时轨迹规划方法，其特征在于，包括以下步骤：
获取障碍物信息、自车状态信息和全局路径信息，基于所述障碍物信息、所述自车状态信息和所述全局路径信息获得驾驶模式、目标采样范围及目标速度；
对所述全局路径信息进行平滑处理，结合所述自车状态信息、所述驾驶模式、所述目标采样范围和所述目标速度信息对所述目标采样范围进行采样和拟合处理获得初始轨迹集；
对所述初始轨迹集进行坐标转换获得所述初始轨迹集的笛卡尔坐标系下的轨迹集；
基于所述初始轨迹集的笛卡尔坐标系下的轨迹集进行优先队列处理并计算轨迹损失，结合障碍物筛选结果进行轨迹筛选，获得最优轨迹，完成自动驾驶实时轨迹规划。
2.如权利要求1所述的动态结构化道路的自动驾驶实时轨迹规划方法，其特征在于，获取障碍物信息、自车状态信息和全局路径信息的方法包括：根据感知模块、定位模块、高精地图模块话题分别进行订阅，并使用ROS消息过滤器进行时间粗同步，根据地图模块获取自车与地图间的坐标变换关系，并对自车状态信息以及障碍物信息进行处理获得障碍物信息、自车状态信息和全局路径信息。
3.如权利要求1所述的动态结构化道路的自动驾驶实时轨迹规划方法，其特征在于，
基于所述障碍物信息、所述自车状态信息和所述全局路径信息获得驾驶模式、目标采样范围及目标速度的方法包括：
存在与自车产生交互的障碍物，驾驶模式为跟车，则调整目标速度为前车速度，目标采样范围限定在自车车道内，且保持与障碍物的安全时距；驾车模式为换道，则调整目标速度不超过阈值，目标采样范围限定在目标车道两侧，缩短采样时间步长；
不存在与自车产生交互的障碍物，驾驶模式为巡航，根据车道限速信息调整目标速度，基于前一周期最优轨迹确定目标采样范围。
4.如权利要求3所述的动态结构化道路的自动驾驶实时轨迹规划方法，其特征在于，所述阈值计算如下，
Figure FDA0004044393820000021
其中，B为自车轮距，H为质心高度，c为曲率，g为重力加速度。
5.如权利要求1所述的动态结构化道路的自动驾驶实时轨迹规划方法，其特征在于，对所述全局路径信息进行平滑处理的方法包括：基于所述全局路径信息，通过三次样条插值算法对全局路径进行平滑处理，并计算出道路曲率、弧长和航向角。
6.如权利要求1所述的动态结构化道路的自动驾驶实时轨迹规划方法，其特征在于，对所述目标采样范围进行采样和拟合处理获得初始轨迹集的方法包括：对所述目标采样范围进行横向和纵向采样，获得横向末状态和纵向末状态，再分别采用若干次多项式进行拟合处理获得所述初始轨迹集。
7.如权利要求1所述的动态结构化道路的自动驾驶实时轨迹规划方法，其特征在于，对所述初始轨迹集进行坐标转换获得所述初始轨迹集的笛卡尔坐标系下的轨迹集的方法包括：
对于初始轨迹上点的坐标[s,d]获取参考线上的对应点[x_ref,y_ref]，同时获得参考线上对应点的航向角θ_ref，通过
Figure FDA0004044393820000031
计算，获取笛卡尔坐标系下的轨迹坐标。
8.如权利要求7所述的动态结构化道路的自动驾驶实时轨迹规划方法，其特征在于，计算轨迹损失包括：
Figure FDA0004044393820000032
其中，w*为权重，ki为轨迹点曲率，li为轨迹点横向坐标，ai为轨迹点加速度，
Figure FDA0004044393820000033
为轨迹点加加速度，jerk表征轨迹的舒适性，ldifi为前后两周期内轨迹相应点的横向坐标差值。
9.如权利要求7所述的动态结构化道路的自动驾驶实时轨迹规划方法，其特征在于，基于所述初始轨迹集的笛卡尔坐标系下的轨迹集进行优先队列处理，结合障碍物筛选结果进行轨迹筛选，获得最优轨迹的方法包括：基于轨迹代价利用优先队列对初始轨迹集进行预处理，获得根据代价排序后的轨迹集，利用所述轨迹集结合横向速度和当前车道横向距离预设范围内的障碍物依次对轨迹进行碰撞检测；若轨迹无碰撞则直接输出最优轨迹；若轨迹有碰撞则舍弃当前轨迹，对优先队列中下一条轨迹进行碰撞检测，直到输出最优轨迹或优先队列为空停止。
CN202310025444.XA 2023-01-09 2023-01-09 一种动态结构化道路的自动驾驶实时轨迹规划方法 Active CN115903854B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310025444.XA CN115903854B (zh) 2023-01-09 2023-01-09 一种动态结构化道路的自动驾驶实时轨迹规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310025444.XA CN115903854B (zh) 2023-01-09 2023-01-09 一种动态结构化道路的自动驾驶实时轨迹规划方法

Publications (2)

Publication Number Publication Date
CN115903854A true CN115903854A (zh) 2023-04-04
CN115903854B CN115903854B (zh) 2023-09-26

Family

ID=86489890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310025444.XA Active CN115903854B (zh) 2023-01-09 2023-01-09 一种动态结构化道路的自动驾驶实时轨迹规划方法

Country Status (1)

Country Link
CN (1) CN115903854B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116495013A (zh) * 2023-06-21 2023-07-28 北京理工大学 面向任务需求的速度规划方法、系统、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008070999A (ja) * 2006-09-13 2008-03-27 Hitachi Ltd 車両の障害物検出装置及びそれを搭載した自動車
CN104933228A (zh) * 2015-05-27 2015-09-23 西安交通大学 基于速度障碍的无人车实时轨迹规划方法
JP2017081425A (ja) * 2015-10-28 2017-05-18 本田技研工業株式会社 車両制御装置、車両制御方法、および車両制御プログラム
JP2018086948A (ja) * 2016-11-29 2018-06-07 マツダ株式会社 車両制御装置
JP2018154217A (ja) * 2017-03-17 2018-10-04 マツダ株式会社 運転支援制御装置
CN109976355A (zh) * 2019-04-26 2019-07-05 腾讯科技（深圳）有限公司 轨迹规划方法、系统、设备及存储介质
CN111123927A (zh) * 2019-12-20 2020-05-08 北京三快在线科技有限公司 轨迹规划方法、装置、自动驾驶设备和存储介质
CN111546347A (zh) * 2020-06-03 2020-08-18 中国人民解放军海军工程大学 一种适用于动态环境下的机械臂路径规划方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008070999A (ja) * 2006-09-13 2008-03-27 Hitachi Ltd 車両の障害物検出装置及びそれを搭載した自動車
CN104933228A (zh) * 2015-05-27 2015-09-23 西安交通大学 基于速度障碍的无人车实时轨迹规划方法
JP2017081425A (ja) * 2015-10-28 2017-05-18 本田技研工業株式会社 車両制御装置、車両制御方法、および車両制御プログラム
JP2018086948A (ja) * 2016-11-29 2018-06-07 マツダ株式会社 車両制御装置
JP2018154217A (ja) * 2017-03-17 2018-10-04 マツダ株式会社 運転支援制御装置
CN109976355A (zh) * 2019-04-26 2019-07-05 腾讯科技（深圳）有限公司 轨迹规划方法、系统、设备及存储介质
CN111123927A (zh) * 2019-12-20 2020-05-08 北京三快在线科技有限公司 轨迹规划方法、装置、自动驾驶设备和存储介质
CN111546347A (zh) * 2020-06-03 2020-08-18 中国人民解放军海军工程大学 一种适用于动态环境下的机械臂路径规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘生伟;马钺;孟树峰;孙树琪;: "改进A*算法的AGV路径规划", 计算机应用, no. 2 *
杨瑶;付克昌;蒋涛;张国良;刘甲甲;孟易;: "启发式RRT算法的AGV路径规划", 计算机工程与应用, no. 12 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116495013A (zh) * 2023-06-21 2023-07-28 北京理工大学 面向任务需求的速度规划方法、系统、设备及存储介质
CN116495013B (zh) * 2023-06-21 2023-12-01 北京理工大学 面向任务需求的速度规划方法、系统、设备及存储介质

Also Published As

Publication number Publication date
CN115903854B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
CN111923910B (zh) 车辆变道规划的方法、自动驾驶车辆和存储介质
US11460311B2 (en) Path planning method, system and device for autonomous driving
CN106926844B (zh) 一种基于实时环境信息的动态自动驾驶换道轨迹规划方法
JP6304894B2 (ja) 車両制御装置、車両制御方法、および車両制御プログラム
JP6311889B2 (ja) 車両制御装置、車両制御方法、および車両制御プログラム
CN111338335A (zh) 一种结构化道路场景下的车辆局部轨迹规划方法
CN113916246A (zh) 一种无人驾驶避障路径规划方法和系统
CN112606830B (zh) 一种基于混合a*算法的两段式自主泊车路径规划方法
JPWO2018131090A1 (ja) 車両制御装置、車両制御方法、および車両制御プログラム
CN111006667B (zh) 高速场景下的自动驾驶轨迹生成系统
CN112269384B (zh) 一种结合障碍物行为意图的车辆动态轨迹规划方法
CN111661055A (zh) 一种自动驾驶车辆的换道控制方法和系统
CN112965476A (zh) 一种基于多窗口抽样的高速无人车轨迹规划系统及方法
WO2018230530A1 (ja) 車両制御システム、車両制御方法、およびプログラム
CN115903854B (zh) 一种动态结构化道路的自动驾驶实时轨迹规划方法
CN112783149B (zh) 具有分布式传感器架构以及嵌入式处理的智能车辆
CN113886764A (zh) 一种基于Frenet坐标系的智能车辆多场景轨迹规划方法
JP2020158021A (ja) 車両制御装置及び車両
CN115077553A (zh) 基于栅格搜索轨迹规划方法、系统、汽车、设备及介质
CN114506340A (zh) 智能驾驶车辆变道横向路径规划方法、系统及车辆
CN115840454A (zh) 非结构化道路冲突区域的多车轨迹协同规划方法及装置
CN115973187A (zh) 一种自动驾驶车辆变道轨迹规划方法
CN117950395A (zh) 轨迹规划方法及装置、移动工具、存储介质
Zhang et al. Intelligent intersection coordination and trajectory optimization for autonomous vehicles
CN113268817B (zh) 基于动态优先级的路口自主车辆调度与控制方法

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
GR01 Patent grant
GR01 Patent grant