CN115909789A - 结合路径规划和行驶状态规划的网联自动驾驶方法及系统 - Google Patents
结合路径规划和行驶状态规划的网联自动驾驶方法及系统 Download PDFInfo
- Publication number
- CN115909789A CN115909789A CN202211364540.9A CN202211364540A CN115909789A CN 115909789 A CN115909789 A CN 115909789A CN 202211364540 A CN202211364540 A CN 202211364540A CN 115909789 A CN115909789 A CN 115909789A
- Authority
- CN
- China
- Prior art keywords
- target vehicle
- control instruction
- global path
- cloud
- planning
- 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 65
- 230000008569 process Effects 0.000 claims description 36
- 230000006855 networking Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 11
- 238000004364 calculation method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本说明书实施例公开了一种结合路径规划和行驶状态规划的网联自动驾驶方法,用于云端,云端包括地图数据和规划算法,方法包括:获取目标车辆的初始位置和目的地;根据初始位置和目的地,利用地图数据生成全局路径;根据全局路径上的道路环境信息,利用规划算法生成用于控制目标车辆行驶状态的控制指令;将控制指令发送给目标车辆。云端利用地图数据生成全局路径,再基于全局路径,利用规划算法生成控制指令,目标车辆可以只需根据控制指令便可完成自动驾驶,其不需要部署地图数据生成全局路径,也不需要部署传感器等设备采集道路环境信息,更不需要部署计算处理平台或算法等生成控制指令,极大地降低了车辆的工业成本。
Description
技术领域
本申请涉及网联自动驾驶技术领域,尤其涉及一种结合路径规划和行驶状态规划的网联自动驾驶方法及系统。
背景技术
车联网是汽车、电子、信息通信、交通以及交通管理等行业深度融合的新型产业形态。其中的自动驾驶是车联网发展的核心应用,也是车联网部署和发展的核心服务。网联自动驾驶可以增强车辆的自动驾驶功能,实现“智能汽车”与“智能道路”的融合。
现有的智能自动驾驶中,需要使用传感器感知周边环境,也就是感知道路环境信息,根据道路环境信息以及车辆的目的地计算车辆预计的行驶状态。这样的计算主要承载在多核异构分布的计算处理平台上,为了得到最佳的行驶状态,对算力上的要求很大,使得计算处理平台的功耗很大,而计算处理平台又部署在车辆上,因此对车辆的硬件提出了很高的要求。
另外,车辆为了完成起点到目的地的自动驾驶,还需要将高精度地图存储在车辆软件上。而高精度地图数量庞大且需经常更新,因此对车辆的存储空间也提出了很高的要求。
发明内容
本说明书实施例提供一种结合路径规划和行驶状态规划的网联自动驾驶方法,以降低车辆的工业成本。
为解决上述技术问题,本说明书实施例是这样实现的:
一种结合路径规划和行驶状态规划的网联自动驾驶方法,用于云端,所述云端包括地图数据和规划算法,所述网联自动驾驶方法包括:
获取目标车辆的初始位置和目的地;
根据所述初始位置和所述目的地,利用所述地图数据生成全局路径;所述全局路径用于表示所述目标车辆从所述初始位置行驶到所述目的地的路径;
根据所述全局路径上的道路环境信息,利用所述规划算法生成用于控制所述目标车辆行驶状态的控制指令;所述行驶状态包括行驶速度和行驶方向;
将所述控制指令发送给所述目标车辆。
可选地,所述规划算法包括用于生成所述全局路径的全局路径规划算法和用于生成所述控制指令的控制指令规划算法;所述全局路径规划算法部署在所述云端的第一进程,所述控制指令规划算法部署在所述云端的第二进程。
可选地,所述第一进程包括交通状况统计线程和全局路径生成线程;
所述交通状况统计线程用于统计所述地图数据上道路的交通状况信息;
所述全局路径生成线程用于根据所述交通状况信息,基于所述全局路径规划算法,生成所述目标车辆的全局路径。
可选地,所述第二进程包括至少一个控制指令规划线程,当目标车辆为多辆车辆时,一个控制指令规划线程用于根据所述控制指令规划算法,生成控制一个目标车辆行驶状态的控制指令。
可选地,本说明书实施例中提供的方法,还包括:
基于所述交通状况信息更新所述全局路径。
可选地,本说明书实施例中提供的方法,还包括:
根据所述全局路径中包含的道路路口的数量,将所述全局路径规划为多个行驶路段;
所述根据所述全局路径上的道路环境信息,生成用于控制所述目标车辆行驶状态的控制指令,具体包括:
针对所述多个行驶路段中的任一行驶路段,根据所述任一行驶路段上的道路环境信息,生成用于控制所述目标车辆行驶状态的控制指令。
可选地,所述云端基于车云网关与所述目标车辆交互。
可选地,所述道路环境信息包括由路侧感知设备采集的信息,所述道路环境信息包括交通参与者的位置、速度和运动方向中的至少一种信息。
本说明书实施例提供的一种结合路径规划和行驶状态规划的网联自动驾驶方法,用于目标车辆,包括:
将所述目标车辆的初始位置和目的地发送给云端,以便所述云端根据所述初始位置和所述目的地,利用地图数据生成全局路径;以及所述云端根据所述全局路径上的道路环境信息,利用规划算法生成用于控制所述目标车辆行驶状态的控制指令;所述云端包括所述地图数据和所述规划算法;
获取云端发送的用于控制目标车辆行驶状态的控制指令,所述行驶状态包括行驶速度和行驶方向;
执行所述控制指令。
本说明书实施例提供的一种结合路径规划和行驶状态规划的网联自动驾驶系统,所述系统包括车云网关、部署于云端的第一进程、第二进程以及共享内存,所述共享内存内存储有地图数据,所述系统包括:
所述车云网关将目标车辆的目标车辆状态和目的地,发送给所述第一进程和所述第二进程;所述目标车辆状态包括所述目标车辆的初始位置;
所述第一进程用于根据所述初始位置和所述目的地,利用所述地图数据生成全局路径;
所述第二进程用于根据所述目标车辆状态以及所述全局路径上的道路环境信息,生成用于控制所述目标车辆行驶状态的控制指令;
所述云端通过车云网关将所述控制指令发送给所述目标车辆。
本说明书公开的实施例实现了以下有益效果:云端包括地图数据和规划算法,云端利用地图数据,基于目标车辆的初始位置和目的地,生成全局路径,再基于全局路径上的道路环境信息,利用规划算法,生成控制目标车辆行驶状态的控制指令。目标车辆只需根据控制指令便可完成自动驾驶,目标车辆不需要部署地图数据生成全局路径,也不需要部署传感器等设备采集道路环境信息,更不需要部署计算处理平台或算法等生成控制指令,极大地降低了车辆的工业成本。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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申请中记载的一些实施例,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为本说明书实施例提供的结合路径规划和行驶状态规划的网联自动驾驶方法流程图;
图2为本说明书实施例提供的云端的第一进程的架构图;
图3为本说明书实施例提供的云端的第二进程的架构图;
图4为本说明书实施例提供的将全局路径规划为多个行驶路段的示意图;
图5为本说明书实施例提供的目标车辆的运动轨迹示意图;
图6为本说明书实施例提供的结合路径规划和行驶状态规划的网联自动驾驶系统示意图。
具体实施方式
为使本说明书一个或多个实施例的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书一个或多个实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书的一部分实施例,而不是全部的实施例。基于本说明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书一个或多个实施例保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
现有的智能自动驾驶中,需要使用传感器感知周边环境,也就是感知道路环境信息,根据道路环境信息以及车辆的目的地计算车辆预计的行驶状态。这样的计算主要承载在多核异构分布的计算处理平台上,为了得到最佳的行驶状态,对算力上的要求很大,使得计算处理平台的功耗很大,而计算处理平台又部署在车辆的硬件上,因此车辆需要具备高要求的硬件;另外,车辆为了完成起点到目的地的自动驾驶,还需要将高精度地图存储在车辆上。而高精度地图数量庞大且需经常更新,因此车辆也需要具备较大存储能力的存储空间,使得车辆工业成本进一步提高。
为了解决现有技术中的缺陷,本方案给出了以下实施例:
图1为本说明书实施例提供的结合路径规划和行驶状态规划的网联自动驾驶方法流程图,从程序角度而言,流程的执行主体可以为搭载于应用服务器的程序或云端。当执行主体为云端时,云端可以包括地图数据和规划算法,如图1所示,方法包括:
步骤110:获取目标车辆的初始位置和目的地。
步骤120:根据所述初始位置和所述目的地,利用所述地图数据生成全局路径;所述全局路径用于表示所述目标车辆从所述初始位置行驶到所述目的地的路径。
在步骤120中,地图数据可以为高精度地图数据。初始位置可以为目标车辆刚开始启动时的位置,也可以为目标车辆在行驶过程中某一时刻的位置。
步骤130:根据所述全局路径上的道路环境信息,利用所述规划算法生成用于控制所述目标车辆行驶状态的控制指令;所述行驶状态包括行驶速度和行驶方向。
在步骤130中,道路环境信息包括由路侧感知设备采集的信息,道路环境信息包括交通参与者的位置、速度和运动方向中的至少一种信息,其中路侧感知设备包括但不限于高清摄像头、激光雷达、毫米波雷达和雷视一体机。在一个具体实施例中,道路环境信息还可以由目标车辆采集,或者由路侧感知设备和目标车辆共同采集。
步骤140:将所述控制指令发送给所述目标车辆。
在本实施例中,云端可以基于车云网关与目标车辆交互,即云端可以通过车云网关获取目标车辆的初始位置和目的地,也可以基于车云网关将控制指令发送给目标车辆。
本说明书实施例中,目标车辆不需要部署地图数据生成全局路径,不需要部署传感器等设备采集道路环境信息,也不需要部署计算处理平台或算法等生成控制指令,目标车辆只需根据控制指令便可从初始位置行驶到目的地,完成自动驾驶,极大地降低了车辆的工业成本。
基于图1中的方法,本说明书实施例还提供了该方法的一些具体实施例,下面进行说明。
在一个具体实施例中,规划算法可以包括用于生成全局路径的全局路径规划算法和用于生成控制指令的控制指令规划算法。其中,全局路径规划算法部署在云端的第一进程,控制指令规划算法部署在云端的第二进程。由于全局路径规划算法和控制指令规划算法部署在云端的两个进程上,这样的解耦降低了开发难度,避免了相关干扰。
进一步地,图2为本说明书实施例提供的云端的第一进程的架构图,如图2所示,第一进程包括交通状况统计线程和全局路径生成线程。交通状况统计线程用于统计地图数据上道路的交通状况信息,其中,交通状况信息可以为车辆通行速度。全局路径生成线程用于根据交通状况信息,基于全局路径规划算法,生成目标车辆的全局路径,具体可以根据交通状况信息、地图数据、目标车辆的初始位置和目的地,基于全局路径规划算法,生成目标车辆的全局路径。在本实施例中,全局路径可以为目标车辆从初始位置行驶到目的地所用时间最短的路径。
当有多个目标车辆时,第一线程中可以对应有多个全局路径生成线程,比如有n个目标车辆,此时第一线程中就对应有n个全局路径生成线程。本实施方案中,地图数据和统计好的交通状况信息会存储在云端的共享内存中,当有n个全局路径生成线程时,n个全局路径生成线程可以共用共享内存中的地图数据和交通状况信息。在一个具体实施方案中,还可以将生成的全局路径存储在共享内存中。
图3为本说明书实施例提供的云端的第二进程的架构图,如图3所示,第二进程包括至少一个控制指令规划线程,当目标车辆为多辆车辆时,一个控制指令规划线程用于根据控制指令规划算法,生成控制一个目标车辆行驶状态的控制指令。控制指令可以控制目标车辆的行驶状态,具体是控制目标车辆的行驶速度和行驶方向,以使目标车辆达到预期的位置、预期的行驶速度以及预期的行驶方向。具体可以根据控制指令规划算法,利用目标车辆的全局路径、目的地、地图数据、目标车辆的位置、速度和运动方向以及全局路径上的道路环境信息,生成控制目标车辆行驶状态的控制指令。由于目标车辆需要行驶到目的地,因此需要使用目标车辆的目的地来生成控制指令,以控制目标车辆在目的地的停车轨迹。当有多个目标车辆时,第二线程中可以对应有多个控制指令规划线程,比如有m个目标车辆,此时第二线程中就对应有m个控制指令规划线程。
在一个具体实施例中,云端还会根据全局路径中包含的道路路口的数量,将全局路径规划为多个行驶路段。图4为本说明书实施例提供的将全局路径规划为多个行驶路段的示意图,如图4所示,比如全局路径上包含道路路口A和道路路口B,那么全局路径便可被规划为行驶路段A、行驶路段B和行驶路段C。当交通状况信息变化时,比如某一行驶路段变的不可通行,或者存在新的行驶路段可以更快到达目的地等,云端可以基于交通状况信息更新全局路径。由于云端是根据道路路口将全局路径规划为多个行驶路段,此时云端更新全局路径可以具体为更新行驶路段。比如云端开始将全局路径规划为行驶路段A、行驶路段B和行驶路段C,当目标车辆在行驶路段A上行驶时,云端发现行驶路段B上发生交通拥堵,车辆通行速度极为缓慢,此时云端可以将道路路口B作为目的地,将道路路口A或者云端发现行驶路段B上发生交通拥堵时目标车辆的位置作为初始位置,基于地图数据上道路的交通状况信息,生成新的路径。当然云端也可以根据全局路径中的目的地,将道路路口A或者云端发现行驶路段B上发生交通拥堵时目标车辆的位置作为初始位置,再基于地图数据上道路的交通状况信息,生成新的路径。然后云端再基于新的路径上的道路环境信息生成控制指令。
具体而言,云端会针对全局路径的多个行驶路段中的任一行驶路段,根据任一行驶路段上的道路环境信息,生成用于控制目标车辆行驶状态的控制指令。比如,云端可以根据行驶路段A上的道路环境信息,以及目标车辆状态,生成用于控制目标车辆在行驶路段A上的行驶状态的控制指令,目标车辆根据此控制指令便可在行驶路段A上行驶,其中目标车辆状态包括目标车辆的位置、速度和行驶方向中的至少一种。图5为本说明书实施例提供的目标车辆的运动轨迹示意图,目标车辆根据控制指令在行驶路段A上行驶时预计的运动轨迹如图5所示。
当然,云端也可以根据行驶路段A和B上的道路环境信息,生成用于控制目标车辆在行驶路段A上的行驶状态的控制指令。考虑目标车辆下一行驶路段B上的道路环境信息,可以使得目标车辆在驶出行驶路段A、驶入行驶路段B时有一个较好的行驶状态,较好的行驶状态可以使目标车辆安全、快速地在行驶路段B上行驶。比如,行驶路段B上的交通参与者较多,那么云端可以生成一个目标车辆在快要驶出行驶路段A时降低车速的控制指令,使得目标车辆以较低的速度,安全地驶入行驶路段B。又比如,行驶路段B上的某一车道交通参与者较少,此车道便可作为优选车道,那么云端可以生成一个目标车辆在快要驶出行驶路段A时提前换道,即提前变化行驶方向的控制指令,使得目标车辆驶入行驶路段B时可以直接驶入此优选车道,进而目标车辆在行驶路段B上不换换道或少换道,快速地在行驶路段B上行驶。
另外,当目标车辆在行驶路段A上行驶时,如果行驶路段B也就是下一行驶路段的长度较短时,云端可以提前生成用于控制目标车辆在行驶路段B之后的下一行驶路段,也就是行驶路段C上的行驶状态的控制指令,避免目标车辆已经通过行驶路段B到达行驶路段C,但是云端还没有及时生成目标车辆在行驶路段C上行驶的控制指令的情况。此时云端可以根据行驶路段A、B和C上的道路环境信息,生成用于控制目标车辆在行驶路段C上的行驶状态的控制指令,也可以根据行驶路段B和C上的道路环境信息,生成控制指令,还可以根据行驶路段C,或者行驶路段C和行驶路段C的下一行驶路段上的道路环境信息,生成控制指令。
在本实施例中,每一辆目标车辆唯一的ID以及它的行驶路段、目的地都被保存在云端的共享内存中。云端根据目标车辆的ID,从共享内存中提取出此目标车辆的行驶路段以及目的地,进而生成控制指令。如果云端无法生成某一目标车辆从初始位置到达目的地的全局路径,那么云端也不会存储行驶路段,进而不会生成控制指令。即共享内存中存在某目标车辆对应的行驶路段时,云端才会生成用于控制此目标车辆的控制指令。
本实施例具体应用时,首先,用户可以在目标车辆的人机交互界面上设置目的地,然后向云端发送请求,请求云端生成控制指令,该请求中包含目标车辆的初始位置。云端收到请求后,根据初始位置和目的地,以及地图数据生成全局路径。然后云端将全局路径划为多个行驶路段,再将多个路段下发给目标车辆,目标车辆的人机交互界面接收并展示多个行驶路段。之后,目标车辆以预设频率比如10赫兹将目标车辆状态上报给云端,目标车辆状态包括目标车辆的位置、速度和行驶方向中的至少一种。云端接收到目标车辆状态后,依据行驶路段以及全局路径上的道路环境信息,生成控制指令,并下发给目标车辆,云端下发控制指令的频率可以与目标车辆向云端上报目标车辆状态的频率相同。目标车辆接收到控制指令后,根据控制指令行驶,直到到达目的地并停车,目标车辆停止上报目标车辆状态,云端也停止生成针对此目标车辆的控制指令。
基于同样的思路,本实施例还提供了一种结合路径规划和行驶状态规划的网联自动驾驶方法,从程序角度而言,流程的执行主体可以为搭载于应用服务器的程序、目标车辆的程序或目标车辆。当执行主体为目标车辆时,方法包括:
将所述目标车辆的初始位置和目的地发送给云端,以便所述云端根据所述初始位置和所述目的地,利用地图数据生成全局路径;以及所述云端根据所述全局路径上的道路环境信息,利用规划算法生成用于控制所述目标车辆行驶状态的控制指令;所述云端包括所述地图数据和所述规划算法。
获取云端发送的用于控制目标车辆行驶状态的控制指令,所述行驶状态包括行驶速度和行驶方向。
执行所述控制指令。
基于同样的思路,本实施例还提供了一种结合路径规划和行驶状态规划的网联自动驾驶系统,如图6所示,所述系统包括车云网关、部署于云端的第一进程、第二进程以及共享内存,所述共享内存内存储有地图数据,所述系统包括:
所述车云网关将目标车辆的目标车辆状态和目的地,发送给所述第一进程和所述第二进程;所述目标车辆状态包括所述目标车辆的初始位置。
所述第一进程用于根据所述初始位置和所述目的地,利用所述地图数据生成全局路径。
所述第二进程用于根据所述目标车辆状态以及所述全局路径上的道路环境信息,生成用于控制所述目标车辆行驶状态的控制指令。
所述云端通过车云网关将所述控制指令发送给所述目标车辆。
在本实施例中,云端还会将目标车辆的目的地以及其全局路径保存到共享内存中。
在本实施例中,目标车辆不需要部署地图数据生成全局路径,不需要部署传感器等设备采集道路环境信息,也不需要部署计算处理平台或算法等生成控制指令,极大地降低了车辆的工业成本。并且,由于目标车辆可以只需要将目标车辆状态和目的地发送给云端,再执行云端下发的控制指令即可行驶到目的地,这使得低级别自动驾驶功能的车辆实现高级别自动驾驶功能,加快高级别自动驾驶功能车辆的落地。
上述内容均是对本申请特定实施例的描述,在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种结合路径规划和行驶状态规划的网联自动驾驶方法,其特征在于,用于云端,所述云端包括地图数据和规划算法,所述网联自动驾驶方法包括:
获取目标车辆的初始位置和目的地;
根据所述初始位置和所述目的地,利用所述地图数据生成全局路径;所述全局路径用于表示所述目标车辆从所述初始位置行驶到所述目的地的路径;
根据所述全局路径上的道路环境信息,利用所述规划算法生成用于控制所述目标车辆行驶状态的控制指令;所述行驶状态包括行驶速度和行驶方向;
将所述控制指令发送给所述目标车辆。
2.根据权利要求1所述的方法,其特征在于,所述规划算法包括用于生成所述全局路径的全局路径规划算法和用于生成所述控制指令的控制指令规划算法;所述全局路径规划算法部署在所述云端的第一进程,所述控制指令规划算法部署在所述云端的第二进程。
3.根据权利要求2所述的方法,其特征在于,所述第一进程包括交通状况统计线程和全局路径生成线程;
所述交通状况统计线程用于统计所述地图数据上道路的交通状况信息;
所述全局路径生成线程用于根据所述交通状况信息,基于所述全局路径规划算法,生成所述目标车辆的全局路径。
4.根据权利要求2或3所述的方法,其特征在于,所述第二进程包括至少一个控制指令规划线程,当目标车辆为多辆车辆时,一个控制指令规划线程用于根据所述控制指令规划算法,生成控制一个目标车辆行驶状态的控制指令。
5.根据权利要求3所述的方法,其特征在于,还包括:
基于所述交通状况信息更新所述全局路径。
6.根据权利要求1所述的方法,其特征在于,还包括:
根据所述全局路径中包含的道路路口的数量,将所述全局路径规划为多个行驶路段;
所述根据所述全局路径上的道路环境信息,生成用于控制所述目标车辆行驶状态的控制指令,具体包括:
针对所述多个行驶路段中的任一行驶路段,根据所述任一行驶路段上的道路环境信息,生成用于控制所述目标车辆行驶状态的控制指令。
7.根据权利要求1所述的方法,其特征在于,所述云端基于车云网关与所述目标车辆交互。
8.根据权利要求1所述的方法,其特征在于,所述道路环境信息包括由路侧感知设备采集的信息,所述道路环境信息包括交通参与者的位置、速度和运动方向中的至少一种信息。
9.一种结合路径规划和行驶状态规划的网联自动驾驶方法,其特征在于,用于目标车辆,包括:
将所述目标车辆的初始位置和目的地发送给云端,以便所述云端根据所述初始位置和所述目的地,利用地图数据生成全局路径;以及所述云端根据所述全局路径上的道路环境信息,利用规划算法生成用于控制所述目标车辆行驶状态的控制指令;所述云端包括所述地图数据和所述规划算法;
获取云端发送的用于控制目标车辆行驶状态的控制指令,所述行驶状态包括行驶速度和行驶方向;
执行所述控制指令。
10.一种结合路径规划和行驶状态规划的网联自动驾驶系统,其特征在于,所述系统包括车云网关、部署于云端的第一进程、第二进程以及共享内存,所述共享内存内存储有地图数据,所述系统包括:
所述车云网关将目标车辆的目标车辆状态和目的地,发送给所述第一进程和所述第二进程;所述目标车辆状态包括所述目标车辆的初始位置;
所述第一进程用于根据所述初始位置和所述目的地,利用所述地图数据生成全局路径;
所述第二进程用于根据所述目标车辆状态以及所述全局路径上的道路环境信息,生成用于控制所述目标车辆行驶状态的控制指令;
所述云端通过车云网关将所述控制指令发送给所述目标车辆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211364540.9A CN115909789A (zh) | 2022-11-02 | 2022-11-02 | 结合路径规划和行驶状态规划的网联自动驾驶方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211364540.9A CN115909789A (zh) | 2022-11-02 | 2022-11-02 | 结合路径规划和行驶状态规划的网联自动驾驶方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115909789A true CN115909789A (zh) | 2023-04-04 |
Family
ID=86475573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211364540.9A Pending CN115909789A (zh) | 2022-11-02 | 2022-11-02 | 结合路径规划和行驶状态规划的网联自动驾驶方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115909789A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160138924A1 (en) * | 2014-11-14 | 2016-05-19 | Electronics And Telecommunications Research Institute | Vehicle autonomous traveling system, and vehicle traveling method using the same |
KR20180040246A (ko) * | 2016-10-12 | 2018-04-20 | 국방과학연구소 | 무인차량의 자율주행 제어 방법 및 장치 |
CN108931971A (zh) * | 2018-05-24 | 2018-12-04 | 奇瑞汽车股份有限公司 | 用于无人驾驶的移动终端、车辆、服务器及无人驾驶系统 |
CN111380557A (zh) * | 2020-03-24 | 2020-07-07 | 李子月 | 一种无人车全局路径规划方法及装置 |
CN112033425A (zh) * | 2019-06-04 | 2020-12-04 | 长沙智能驾驶研究院有限公司 | 车辆辅助驾驶方法、装置、计算机设备和存储介质 |
CN112612287A (zh) * | 2020-12-28 | 2021-04-06 | 清华大学 | 一种自动驾驶汽车局部路径规划系统、方法、介质及设备 |
-
2022
- 2022-11-02 CN CN202211364540.9A patent/CN115909789A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160138924A1 (en) * | 2014-11-14 | 2016-05-19 | Electronics And Telecommunications Research Institute | Vehicle autonomous traveling system, and vehicle traveling method using the same |
KR20180040246A (ko) * | 2016-10-12 | 2018-04-20 | 국방과학연구소 | 무인차량의 자율주행 제어 방법 및 장치 |
CN108931971A (zh) * | 2018-05-24 | 2018-12-04 | 奇瑞汽车股份有限公司 | 用于无人驾驶的移动终端、车辆、服务器及无人驾驶系统 |
CN112033425A (zh) * | 2019-06-04 | 2020-12-04 | 长沙智能驾驶研究院有限公司 | 车辆辅助驾驶方法、装置、计算机设备和存储介质 |
CN111380557A (zh) * | 2020-03-24 | 2020-07-07 | 李子月 | 一种无人车全局路径规划方法及装置 |
CN112612287A (zh) * | 2020-12-28 | 2021-04-06 | 清华大学 | 一种自动驾驶汽车局部路径规划系统、方法、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210217101A1 (en) | Controlling autonomous vehicles to optimize traffic characteristics | |
CN109697875B (zh) | 规划行驶轨迹的方法及装置 | |
CN111775961B (zh) | 自动驾驶车辆规划方法、装置、电子设备及存储介质 | |
JP6791905B2 (ja) | 交通に応じた動的車両制御のためのシステムおよび方法 | |
CN112461256B (zh) | 路径规划方法和装置 | |
US20210049903A1 (en) | Method and apparatus for perception-sharing between vehicles | |
CN112562409B (zh) | 一种基于多接入边缘计算的自主泊车系统及方法 | |
EP1840689A2 (en) | Real time planning and scheduling for a team of unmanned vehicles | |
CN206961119U (zh) | 一种智能驾驶汽车运营系统和高精度地图的分布式存储系统 | |
CN114889603A (zh) | 一种车辆换道处理方法和装置 | |
CN112735162A (zh) | 车辆调度方法、装置、系统、设备及存储介质 | |
CN113844465B (zh) | 一种自动驾驶方法及系统 | |
US20220189311A1 (en) | Waypoint information transmission method, apparatus and system for platooning | |
CN115547023A (zh) | 一种车辆控制方法、装置及系统 | |
US20240132109A1 (en) | Vehicle Control Method, Apparatus, and System | |
CN112116226B (zh) | 仿真车辆的控制方法、装置、计算机设备和存储介质 | |
CN116030655A (zh) | 一种车辆控制方法、装置及系统 | |
US20230339513A1 (en) | Method for testing autonomous-driving algorithm, and related device | |
CN115909789A (zh) | 结合路径规划和行驶状态规划的网联自动驾驶方法及系统 | |
WO2022097545A1 (ja) | 車載装置の動作方法、運転支援システムの動作方法、車載装置、運転支援システム及びコンピュータプログラム | |
US20230256999A1 (en) | Simulation of imminent crash to minimize damage involving an autonomous vehicle | |
CN114973735A (zh) | 自动驾驶车辆的编队方法、装置、设备、车辆、及介质 | |
CN115752499A (zh) | 路径规划方法、装置、终端设备及车辆 | |
Zhou et al. | Automated on-ramp merging and gap development with speed constraints–a state-constrained optimal control approach | |
CN113838285A (zh) | 一种车路协同环境下实现车辆群体决策的方法及装置 |
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 |