CN115951677A - 一种对于自动驾驶车辆进行行驶轨迹规划的方法及装置 - Google Patents

Abstract

本说明书实施例公开了一种对于自动驾驶车辆进行行驶轨迹规划的方法，包括：云控平台获取自动驾驶车辆发送的车辆状态数据和自动驾驶车辆所行驶道路上的路侧感知设备发送的道路环境数据；根据车辆状态数据和道路环境数据，采用预先建立的神经网络模型计算得到对应于该自动驾驶车辆的目标轨迹信息；其中，目标轨迹信息表示的轨迹为期望该自动驾驶车辆在预设时间范围内行驶的轨迹；向自动驾驶车辆发送目标轨迹信息，以便自动驾驶车辆按照该目标轨迹信息表示的轨迹循迹行驶；解决了单车智能自动驾驶对静止交通设施和静止交通参与者识别、反应能力不够的问题，提高了自动驾驶安全性，提升了自动驾驶车辆对恶劣天气以及道路环境条件的适应性。

Description

一种对于自动驾驶车辆进行行驶轨迹规划的方法及装置

技术领域

本申请涉及自动驾驶技术领域，具体涉及一种对于自动驾驶车辆进行行驶轨迹规划的方法及装置。

背景技术

自动驾驶技术是影响汽车行业未来发展的重要因素，随着自动驾驶技术的成熟和商业化，汽车将不再是只能被人类直接控制的驾驶工具，汽车的核心价值构成将从体现动力和操控的传动系统转变为体现智能化水平的软件系统；以使驾驶者的双眼、手脚都得到解放。

当今的自动驾驶技术指的是单车智能自动驾驶技术，其车辆在驾驶过程中需要自主识别交通标志、读取红绿灯、辨别道路上的物体，并能够进行实时的轨迹规划和车辆控制，即，依照规划出的轨迹控制自动驾驶车辆的执行器动作以完成轨迹的跟踪，像人一样驾驶车辆。单车智能自动驾驶系统由自动驾驶硬件和自动驾驶软件系统组成，自动驾驶硬件包括激光雷达、毫米波雷达、摄像头、超声波传感器、GPS定位装置、芯片和计算平台等；自动驾驶软件系统包括高精地图系统、高精定位系统、感知系统、决策规划系统、车辆控制系统、车辆通信系统等。尽管单车智能自动驾驶技术取得了长足进步，单车智能自动驾驶商业化也取得了阶段性成果，但距离大规模普及应用还有很长的路要走。

目前，单车智能自动驾驶安全性仍面临巨大挑战，部分场景存在失效风险。通过对国内外多起自动驾驶安全事故的案例研究发现，单车传感器对静止交通设施和静止交通参与者的准确识别很困难，导致的事故很多。单车传感器的视野盲区也较大，感知范围不够。

并且，单车智能自动驾驶的适应范围有限，如在恶劣天气环境以及道路环境条件下(雨、雪、雾以及逆光、隧道入口等)等，不利于自动驾驶的持续运行，因此目前的单车智能自动驾驶车辆只能在有限的环境中运行。

另外，单车智能自动驾驶汽车需要将安全性和稳定性做到极致，甚至比普通汽车还要严格；基于此，单车智能自动驾驶汽车需要配备更多的传感器、辅助定位设备，还需要实时计算平台和配套的软硬件设备。这些软硬件会大大增加整车成本，难以实现量产应用。

基于此，特提出本申请，以解决单车智能自动驾驶对静止交通设施和静止交通参与者识别、反应能力不够的问题，提高了自动驾驶安全性，提升了自动驾驶车辆对恶劣天气以及道路环境条件的适应性。

进一步实现高速公路场景下的自动驾驶车辆在智能软硬件配置上的“轻量化”，并可以快速地实现量产车的智能化。

发明内容

随着自动驾驶技术的深入发展，单车智能自动驾驶基础之上的网联自动驾驶技术应运而生，如：云控自动驾驶技术，它是自动驾驶新的技术路线和新的发展阶段，云控自动驾驶技术以充分发挥道路系统和车辆智能化、网络化的优势，实现车车、车路、车云、车人协同，最终实现全自动化驾驶。

鉴于此，本说明书实施例提供一种对于自动驾驶车辆进行行驶轨迹规划的方法及装置，以解决现有的单车智能自动驾驶对静止交通设施和静止交通参与者识别、反应能力不够的问题，提高了自动驾驶安全性，提升了自动驾驶车辆对恶劣天气以及道路环境条件的适应性。

并可以进一步通过高速公路场景下的云控平台轨迹规划系统，能够实现网联自动驾驶车辆在智能软硬件配置上的“轻量化”，可快速实现量产车的智能化。

需要说明的是，所述云控平台轨迹规划系统是本发明中对于自动驾驶车辆进行行驶轨迹规划的系统，其云控平台轨迹规划系统也称为云控平台轨迹算法系统，其作用是基于云控平台获取的自动驾驶车辆的车辆状态数据和路侧感知设备发送的道路环境数据，通过分析和计算得到对应于该自动驾驶车辆的目标轨迹信息，并下发目标轨迹信息至自动驾驶车辆以使该自动驾驶车辆可以根据目标轨迹循迹行驶。

本说明书实施例采用下述技术方案：

本说明书提供了一种对于自动驾驶车辆进行行驶轨迹规划的方法，包括：

云控平台获取自动驾驶车辆发送的车辆状态数据；

获取所述自动驾驶车辆所行驶道路上的路侧感知设备发送的道路环境数据；所述道路环境数据表示的数据包括所述自动驾驶车辆行驶区域内的其它车辆的行驶数据和行人数据；

根据所述车辆状态数据和所述道路环境数据，采用预先建立的神经网络模型计算得到对应于所述自动驾驶车辆的目标轨迹信息；其中，所述神经网络模型用于生成所述自动驾驶车辆的目标轨迹信息；所述目标轨迹信息表示的轨迹为期望所述自动驾驶车辆在预设时间范围内行驶的轨迹；

向所述自动驾驶车辆发送所述目标轨迹信息，以便所述自动驾驶车辆按照所述目标轨迹信息表示的轨迹循迹行驶。

本说明书还提供了一种对于自动驾驶车辆进行行驶轨迹规划的装置，包括：

获取模块，所述获取模块用于云控平台获取自动驾驶车辆发送的车辆状态数据；

获取模块，所述获取模块还用于获取所述自动驾驶车辆所行驶道路上的路侧感知设备发送的道路环境数据；所述道路环境数据表示的数据包括所述自动驾驶车辆行驶区域内的其它车辆的行驶数据和行人数据；

计算模块，所述计算模块用于根据所述车辆状态数据和所述道路环境数据，采用预先建立的神经网络模型计算得到对应于所述自动驾驶车辆的目标轨迹信息；其中，所述神经网络模型用于生成所述自动驾驶车辆的目标轨迹信息；所述目标轨迹信息表示的轨迹为期望所述自动驾驶车辆在预设时间范围内行驶的轨迹；

发送模块，所述发送模块用于向所述自动驾驶车辆发送所述目标轨迹信息，以便所述自动驾驶车辆按照所述目标轨迹信息表示的轨迹循迹行驶。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

通过云控平台获取自动驾驶车辆发送的车辆状态数据；获取所述自动驾驶车辆所行驶道路上的路侧感知设备发送的道路环境数据；所述道路环境数据表示的数据包括所述自动驾驶车辆行驶区域内的其它车辆的行驶数据和行人数据；根据所述车辆状态数据和所述道路环境数据，采用预先建立的神经网络模型计算得到对应于所述自动驾驶车辆的目标轨迹信息；其中，所述神经网络模型用于生成所述自动驾驶车辆的目标轨迹信息；所述目标轨迹信息表示的轨迹为期望所述自动驾驶车辆在预设时间范围内行驶的轨迹；向所述自动驾驶车辆发送所述目标轨迹信息，以便所述自动驾驶车辆按照所述目标轨迹信息表示的轨迹循迹行驶；解决了单车智能自动驾驶对静止交通设施和静止交通参与者识别、反应能力不够的问题，提高了自动驾驶安全性，提升了自动驾驶车辆对恶劣天气以及道路环境条件的适应性。

进一步，通过本申请的实施例还可以实现高速公路场景下自动驾驶车辆在智能软硬件配置上的“轻量化”，并可以快速地实现量产车的智能化。

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说明书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是本说明书实施例提供的一种对于自动驾驶车辆进行行驶轨迹规划的方法流程图。

图2是本说明书实施例提供的云控循迹自动驾驶系统的基本运行方式的示意图。

图3是本说明书实施例提供的云控平台循迹自动驾驶系统的云端数据处理架构的示意图。

图4是本说明书实施例提供的对于自动驾驶车辆在Frenet坐标系的示意图。

图5是本说明书实施例提供的对于自动驾驶车辆的路径生成与静态障碍物避让的示意图。

图6是本说明书实施例提供的对于自动驾驶车辆的速度规划和动态障碍物避让的示意图。

图7是本说明书实施例提供的一种对于自动驾驶车辆进行行驶轨迹规划的装置流程图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请说明书中所述的云控平台是用于远程对自动驾驶车辆提供服务的平台，该平台可以是由多个计算机或服务器组成的设备集群，也可称为智能网联云控平台或自动驾驶控制平台或云控算法平台。云控平台至少包括以下模块的一种或多种：仿真测试模块、信息互联模块、数据融合模块、标准化模块和云端协同模块等等。本申请说明书中不对该平台的名称做具体限定，仅以云控平台作为本方案的实施例进行方案的介绍；如基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

如背景技术中提到的现有技术中存在的问题，首先，单车智能自动驾驶安全性面临巨大挑战，部分场景存在失效风险。通过对国内外多起自动驾驶安全事故的案例研究发现，单车传感器对静止交通设施和静止交通参与者的准确识别很困难，导致的事故很多。单车传感器的视野盲区也较大，感知范围不够。其次，单车智能自动驾驶的适应范围有限，恶劣天气以及道路环境条件下，例如：雨、雪、雾以及逆光、隧道入口等等，不利于自动驾驶的持续运行；因此，目前单车智能自动驾驶车辆只能在有限的环境中运行。另外，单车智能自动驾驶汽车需要将安全性和稳定性做到极致，比普通汽车还要严格；因此现有技术中的单车智能自动驾驶汽车需要配备更多的传感器、辅助定位设备，还需要实时计算平台和配套的软硬件设备；这些软硬件大大增加整车成本，使得自动驾驶车辆的量产化速度缓慢。

为了解决以上技术问题，本发明一种对于自动驾驶车辆进行行驶轨迹规划的方法，包括：云控平台获取自动驾驶车辆发送的车辆状态数据和自动驾驶车辆所行驶道路上的路侧感知设备发送的道路环境数据；根据车辆状态数据和道路环境数据，采用预先建立的神经网络模型计算得到对应于该自动驾驶车辆的目标轨迹信息；向自动驾驶车辆发送目标轨迹信息，以便自动驾驶车辆按照该目标轨迹信息表示的轨迹循迹行驶；其中，预先建立的神经网络模型包括云控平台(云控算法平台)上的自动驾驶车辆状态检验模型1301、周边交通参与者搜寻模型1302、Frenet坐标系构建模型1303、周边交通参与者Frenet坐标系表达模型1304、自动驾驶车辆状态Frenet坐标系表达模型1305、路径生成与静态障碍物避让模型1306、路径选择模型1307、速度规划和动态障碍物避让模型1308、轨迹生成模型1309、轨迹校验模型1310、紧急接管轨迹规划模型1311和轨迹坐标转换模型1312；通过本申请的方法，解决了单车智能自动驾驶对静止交通设施和静止交通参与者识别、反应能力不够的问题，提高了自动驾驶安全性，提升了自动驾驶车辆对恶劣天气以及道路环境条件的适应性。进一步基于本申请公开的方法，还可以实现高速公路场景下的自动驾驶车辆在智能软硬件配置上的“轻量化”，并可以快速地实现量产车的智能化。

下面结合具体示例对本说明书的方法进行详细说明。

参照图1，图1是本说明书实施例提供的一种对于自动驾驶车辆进行行驶轨迹规划的方法流程图。

S110：云控平台获取自动驾驶车辆发送的车辆状态数据。

在该步骤中，自动驾驶车辆利用自身安装的状态感知传感器获取自身在行驶过程中的车辆状态数据；车辆状态数据包括自动驾驶车辆的速度、航向角以及车辆自身的各种总线数据。自动驾驶车辆将自身的车辆状态数据发送至云控平台，以使云控平台获取了自动驾驶车辆在其行驶道路上的车辆状态数据。

作为一种示例，在高速公路场景下，自动驾驶车辆行驶在高速公路上，通过自身安装的状态感知传感器获取其行驶过程中的车辆状态数据，将该状态数据实时上传至云控平台，云控平台中的实时计算的云控算法接收到该状态数据并自动计算分析。自动驾驶车辆向云控平台实时发送自身的车辆状态信息，包括向云控平台实时上报自车的高精定位信息，如车载GPS传感器提供的经纬度；行驶状态数据，包括自身安装的车载传感检测到的车速、航向角以及各种总线数据等行驶状态数据；基于自动驾驶车辆实时的车辆状态数据，云控平台可以分析自动驾驶车辆的自身状态和预期的行驶状态信息。

需要说明的是，本方案中不对自动驾驶车辆实际安装的传感器设备做具体的限定，如基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

在实际应用中，自动驾驶车辆的环境感知传感器主要有超声波雷达、毫米波雷达、激光雷达、单/双/三目摄像头、环视摄像头以及夜视设备等等。

不同传感器的感知范围均有各自的优点和局限性，现在发展的趋势是通过传感器信息融合技术，弥补单个传感器的缺陷，提高整个自动驾驶系统的安全性和可靠性。

S120：获取所述自动驾驶车辆所行驶道路上的路侧感知设备发送的道路环境数据；所述道路环境数据表示的数据包括所述自动驾驶车辆行驶区域内的其它车辆的行驶数据和行人数据。

在该步骤中，云控平台在获取自动驾驶车辆发送的车辆状态数据的同时，也获取了该自动驾驶车辆所行驶道路上的路侧感知设备发送的道路环境数据；该道路环境数据表示的数据包括所述自动驾驶车辆行驶区域内的其它车辆的行驶数据和行人数据，其中的其他车辆的车辆类型包括自动驾驶车辆和非自动驾驶车辆；还道路环境数据还可以包括路标信息，路障信息等。

作为示例，本发明中的道路环境数据为道路上安装的路侧感知设备实时采集并发送至云控平台的道路环境数据；该道路环境数据与自动驾驶车辆的行驶区域相关联，上传数据的时间也是一致的；如：自动驾驶车辆在道路上指定的区域自动行驶时将自身的状态数据发送至云控平台，该道路上的路侧感知设备则实时感知该自动驾驶车辆及其它环境车辆的行驶状态数据并上传云控平台，以上两种数据的实时发送是通过不同的数据发送方同步发送给相同的数据接收方。

与步骤S110中相同或相似的示例，在基于高速公路场景下云控循迹自动驾驶系统的架构和实现方式，在此系统中，云端服务器给自动驾驶车辆发送指令，车辆执行云端的指令。为实现网联自动驾驶的快速落地，基于云网一体化底座，针对自动驾驶车辆的云控规划服务立足于现有自动驾驶车辆的条件，为车辆提供轨迹规划服务。

需要说明的是，从运营商的视角看：将网络进行云化，网络＝>云；从云服务提供商的视角看：将云进行网络化，云＝>网络；云网一体化指将应用、云计算、管道及客户联通起来,提供一个端到端、完整、灵活、可扩展的云网一体化解决方案；本方案中，为实现网联自动驾驶的快速落地，以云网一体化解决方案为技术基础，可为自动驾驶车辆提供轨迹规划服务。

高速公路场景下云控循迹自动驾驶系统中，借助路侧感知设备，网联车周边车辆的状态被感知；结合环境车辆状态，自动驾驶车辆的行驶轨迹被实时规划，以服务于网联车的循迹行驶。规划得到自动驾驶车辆未来几秒内的行驶轨迹，包含目标位置、目标速度及目标航向角。

进一步，如图2所示，图2是本说明书实施例提供的云控循迹自动驾驶系统的基本运行方式的示意图。

在该步骤中，自动驾驶车辆将本车的车辆状态数据上报至实时计算平台的云控算法平台，同时路侧感知设备将该自动驾驶车辆行驶道路上预设范围内的其它环境车辆及行人的数据上报至实时计算平台的云控算法平台；基于云控平台中预先建立的神经网络模型进行计算，根据交通参与者信息和本车状态数据，神经网络模型计算得到目标轨迹，将该目标轨迹发送给自动驾驶车辆，让自动驾驶车辆按照云端规划的目标轨迹循迹行驶。

需要说明的是，交通参与者信息包括自动驾驶车辆所行驶道路上的静止和非静止的交通参与者。静止的交通参与者包括自动驾驶车辆行驶道路上的静止不动的环境车辆，路牌，指示标志，临时的隔离带以及道路施工临时设置的路障等等；其静止不动的车辆包括停在路边的车辆或故障车辆，本发明中不具体限定环境车辆是故障车辆还是非故障车辆，仅其外部体现的静止状态进行限定。非静止的交通参与者包括自动驾驶车辆所行驶道路上的处于运动的环境车辆、路上行走的行人以及动物等。

近年来，不断发展的通信技术使车与基础设施之间的通讯更快、更可靠；有了这些进步，路侧感知设备采集的数据更精准和精确，对于云控算法平台上的自动驾驶车辆轨迹规划算法提供了更为准确和可靠的道路环境数据，提高了自动驾驶车辆循迹行驶的准确性。

S130：根据所述车辆状态数据和所述道路环境数据，采用预先建立的神经网络模型计算得到对应于所述自动驾驶车辆的目标轨迹信息；其中，所述神经网络模型用于生成所述自动驾驶车辆的目标轨迹信息；所述目标轨迹信息表示的轨迹为期望所述自动驾驶车辆在预设时间范围内行驶的轨迹。

在该步骤中，根据所述车辆状态数据和所述道路环境数据，采用预先建立的神经网络模型计算得到对应于所述自动驾驶车辆的目标轨迹信息；其中预先建立的神经网络模型可以包括云控平台上实时计算平台的云控算法或云端轨迹规划算法，基于云控算法可以得到对应于所述自动驾驶车辆的目标轨迹信息，该目标轨迹信息表示的轨迹为期望所述自动驾驶车辆在预设时间范围内行驶的轨迹。并且在自动驾驶车辆接收到规划的目标轨迹信息，按照规划的轨迹循迹行驶过程中，也不间断的向云控平台发送自身的车辆状态数据，云控算法平台可选择性的存储不同场景数据，如超车场景，下道场景以及并道场景等。

进一步，基于云控平台上存储的不同类别的场景数据，云控平台可以训练预设的神经网络模型，以使采用预先建立的神经网络模型计算得到对应于所述自动驾驶车辆的目标轨迹信息更符合实际的道路交通行驶场景，有利于提高自动驾驶车辆的行车安全和适应更多的行车环境。

进一步，如图3所示，图3是本说明书实施例提供的云控平台循迹自动驾驶系统的云端数据处理架构的示意图。

在该示意图中，其云端数据处理架构为预先建立的神经网络模型，该网络模型包括自动驾驶车辆状态检验模型1301、周边交通参与者搜寻模型1302、Frenet坐标系构建模型1303、周边交通参与者Frenet坐标系表达模型1304、自动驾驶车辆状态Frenet坐标系表达模型1305、路径生成与静态障碍物避让模型1306、路径选择模型1307、速度规划和动态障碍物避让模型1308、轨迹生成模型1309、轨迹校验模型1310、紧急接管轨迹规划模型1311和轨迹坐标转换模型1312等。

随着自动驾驶的深入发展，单车智能自动驾驶基础之上的云控自动驾驶技术应运而生，它是自动驾驶新的技术路线和新的发展阶段；以充分发挥道路系统和车辆智能化、网络化的优势，实现车车、车路、车云、车人协同，实现全自动驾驶。

在高速公路场景下云控循迹自动驾驶系统中，借助路侧感知设备，自动驾驶车周边车辆的状态被感知，结合环境车辆状态，自动驾驶车辆的行驶轨迹被实时规划，以服务于自动驾驶车辆的循迹行驶。通过预设的神经网络计算模型规划得到自动驾驶车辆未来几秒内的行驶轨迹，包含目标位置、目标速度及目标航向角。

作为示例，根据所述车辆状态数据和所述道路环境数据，采用预先建立的神经网络模型计算得到对应于所述自动驾驶车辆的目标轨迹信息，如图3所示的云控循迹自动驾驶系统的云端数据处理架构，各个模型可以从左到右依次运行计算得到对应于所述自动驾驶车辆的目标轨迹信息。需要说明的是，本实施例中规定的各个模型可以从左到右依次运算的方法是为了便于逐项介绍本发明所公开的发明内容，该运算方法不对本发明中如何采用预先建立的神经网络模型计算得到对应于自动驾驶车辆的目标轨迹信息的方法构成具体限定。

在实际应用中，云控平台可根据自动驾驶车辆在其行驶道路上的实际道路环境情况和自动驾驶车辆的状态数据，根据需求调用神经网络模型中的部分计算模型(1301～1312)计算得到对应于自动驾驶车辆的目标轨迹信息；如经过云控平台积累足够多的场景数据后，训练所述神经网络模型得到训练后的神经网络模型，在自动驾驶车辆A车安全行驶通过包括道路车辆的a场景后，其A车后面距离A车预设距离范围内(如500m)的自动驾驶车辆B车也需要通过该a场景，此时云控平台可以按照实际路口调用对应的计算模型得到对应于B车辆的目标轨迹信息，可不调用静态障碍物避让模型1306进行对应的数据计算。

进一步，调用自动驾驶车辆状态检验模型1301，所述自动驾驶车辆状态检验模型1301用于根据云控平台获取到的车辆状态数据和道路环境数据，通过判断确定该车辆的状态是否在合理状态，合理状态包括该自动驾驶车辆的位置、速度和航向角进行合理性校验后确定的合理车辆状态信息；如：检查自动驾驶车辆上报的状态数据是否在合理范围内，对自动驾驶车辆的位置、速度、航向角进行合理性校验，若车辆位置已经离开高速公路则终止对该自动驾驶车辆的轨迹规划；又如需要通过自动驾驶车辆上报的车辆状态信息检验该自动驾驶车辆是否支持云控平台的轨迹规划，若不支持，则不对该车辆进行自动驾驶的轨迹规划；若支持，则调用预设的计算模型进一步对获取到的与该车辆行驶相关的数据进行分析以得到针对于该车辆的轨迹规划。

进一步，调用周边交通参与者搜寻模型1302，所述周边交通参与者搜寻模型1302用于根据云控平台获取到的车辆状态数据和道路环境数据，确定所述自动驾驶车辆周围预设范围内的静止的，和/或移动的交通参与者。

作为示例，在高速公路上，沿自动驾驶车辆行驶方向的预设前方150米，后方50米范围内的静止的、移动的交通参与者搜寻到。输入云端轨迹规划算法的交通参与者信息来自路侧感知设备，这样可以节省自动驾驶车辆上开发和实现感知功能的成本。这些周边的交通参与者是轨迹规划的约束，例如静止的故障车辆所在位置在轨迹规划中是不可通行的区域。

进一步，Frenet坐标系构建模型1303，所述Frenet坐标系构建模型1303用于根据云控平台获取到的车辆状态数据和道路环境数据，确定所述自动驾驶车辆的运动状态数据，所述运动状态数据表示的运动状态为所述自动驾驶车辆沿着道路方向的纵向运动状态和垂直道路方向的横向运动状态。

作为示例，调用在Frenet坐标系构建模型，根据云控平台获取到的车辆状态数据和道路环境数据，自动驾驶车辆所在的车道的中心线的位置、形状被从地图上提取出来，根据自动驾驶车辆所在车道的中心线构建Frenet坐标系以进行后续规划；通过Frenet坐标系，自动驾驶车辆的运动被表达为沿着道路方向的纵向运动和垂直道路方向的横向运动，如在换道过程中存在的沿着道路方向的纵向运动和垂直道路方向的横向运动。

在实际应用中，如图4所示，图4是本说明书实施例提供的对于自动驾驶车辆在Frenet坐标系的示意图。图4体现了自动驾驶车辆的运动状态，该状态被表达为沿着道路方向的纵向运动和垂直道路方向的横向运动，基于该方法，自动驾驶车辆的轨迹规划就可以与地图信息解耦，所述地图信息包括云控平台上存储的高精地图信息。

进一步，调用周边交通参与者Frenet坐标系表达模型1304，所述周边交通参与者Frenet坐标系表达模型1304用于根据所述车辆状态数据和所述道路环境数据，确定所述自动驾驶车辆周围交通参与者的位置信息和速度信息；所述交通参与者包括自身状态为移动的交通参与者，和/或，自身状态为静止的交通参与者。

作为示例，基于周边交通参与者Frenet坐标系表达模型，将自动驾驶车辆周围的交通参与者的位置、速度都在Frenet坐标系下表达出来；其自动驾驶车辆周围的交通参与者分为移动和静止的两类，例如：行驶的环境车辆和静止的故障车；在Frenet坐标轴上的投影的s坐标被找到，与坐标轴的横向偏移的l坐标被计算，从经纬度到Frenet坐标的坐标转换由地图服务提供。同样的，在自动驾驶车辆状态Frenet坐标系表达模块中，将自动驾驶车辆的位置和速度信息也在Frenet坐标系下对应表达。

进一步，调用自动驾驶车辆状态Frenet坐标系表达模型1305、所述自动驾驶车辆状态Frenet坐标系表达模型1305用于根据云控平台获取到的车辆状态数据和道路环境数据，确定所述自动驾驶车辆的位置、速度信息。

进一步，调用路径生成与静态障碍物避让模型1306，所述路径生成与静态障碍物避让模型1306由路径生成模型和静态障碍物避让模型构成，其路径生成模型和静态障碍物避让模型可以单独对数据进行分别处理得到对应的路径信息和静态障碍物避让信息，也可以合并后同时对数据进行整合处理同时得到对应的路径信息和静态障碍物避让信息。本方案中对路径生成与静态障碍物避让模型1306的数据处理方法不做具体的限定。

作为示例，所述静态障碍物避让的模型用于根据所述车辆状态数据和所述道路环境数据，确定所述自动驾驶车辆周围的静态障碍物的信息；根据所述静态障碍物的信息，确定所述静态障碍物对所述自动驾驶车辆产生影响的区域。

将静态障碍物对自动驾驶车辆产生的影响的区域表达为空间中的不可行区域，在Frenet坐标系中的将不可行区域表达为多边形，其位置和形状也可以被得出；之后规划多条备选行驶路径曲线，以避让静态障碍物，其中备选路径曲线为分段五次多项式曲线，l坐标被表达为s坐标的五次多项式，曲线中共有6个系数需要计算得出，如下数学式1所示。

数学式1：

l(s)＝a₀+a₁s+a₂s²+a₃s³+a₄s⁴+a₅s⁵

在实际应用中，为避免计算量过大，其备选路径曲线不宜过多，因此将空间随机离散化取五次多项式曲线分段的点(路口)，依据这些点生成多条备选曲线(路径设置)，如图5所示，图5是本说明书实施例提供的对于自动驾驶车辆的路径生成与静态障碍物避让的示意图。

备选的多条曲线中，有些与表示静态障碍物的多边形有重合，把这些排除掉，剩下的是自动驾驶车辆可以行驶的多条路径。

进一步，调用路径选择模型1307，所述路径选择模型1307用于从可以行驶路径曲线中选择的一条路径曲线作为第一路径曲线，将所述第一路径曲线确定为目标路径；所述目标路径表示的路径为期望所述自动驾驶车辆在预设的时间范围内的行驶路径。

作为示例，通过路径选择模块1307，从自动驾驶车辆可以行驶的多条路径中选择一条路径，将该路径作为自动驾驶车辆的目标路径。选取目标路径的依据为路径长度最小化与路径曲率最小化的平衡。并且通过路径选择模块1307将分段五次多项式的系数确定下来。

在目标路径确定后，可根据自动驾驶车辆在目标路径上行驶的速度-时间曲线，确定该自动驾驶车辆的目标轨迹。

进一步，调用速度规划和动态障碍物避让模型1308，所述速度规划和动态障碍物避让模型1308由速度规划模型和动态障碍物避让模型构成，其速度规划和动态障碍物避让模型可以单独对数据进行分别处理得到对应的速度规划信息和动态障碍物避让信息，也可以合并后同时对数据进行整合处理同时得到对应的速度规划信息和动态障碍物避让信息。本方案中对速度规划和动态障碍物避让模型1308的数据处理方法不做具体的限定。

作为示例，所述动态障碍物避让的模型用于根据所述车辆状态数据和所述道路环境数据，确定所述自动驾驶车辆周围的动态障碍物的信息；根据所述动态障碍物的信息，确定所述动态障碍物对所述自动驾驶车辆产生影响的区域。

如图6所示，图6是本说明书实施例提供的对于自动驾驶车辆的速度规划和动态障碍物避让的示意图。其中，动态障碍物可能出现在自动驾驶车辆行驶的路径上，将动态障碍物对自动驾驶车辆产生的影响表达为时间-位置空间中的不可行区域；自动驾驶车辆d以及环境车辆a、b、c的行驶路线在左侧显示，在时间-位置空间中的曲线在右侧显示。动态障碍物对所述自动驾驶车辆产生影响的区域为自动驾驶车辆不可行区域，此时需考虑动态障碍物的尺寸，同时预留一定安全空间，根据自动驾驶车辆上传的本车状态信息和周边交通参与者信息，速度规划和动态障碍物避让模型1308计算得出自动驾驶车辆对应的目标路径上的目标速度。

在实际应用中，可以通过速度规划模块确定最优的行驶轨迹；计算最优行驶轨迹的方法可以是：目标函数为加速度j的总和最小，而边界条件为位移s限制；如图6所述，位移s被限制以避让动态障碍物-环境车辆a、环境车辆b和环境车辆c；在高速公路上不能超速，不能停车，因此道路上车辆的速度v有限制，如下数学式2所示的公式，可以实现路径规划与速度规划的解耦，实现了运算量的降低和实时计算能力的增强。

数学式2：

s.t.

进一步，调用轨迹生成模型1309，所述轨迹生成模型1309用于根据所述车辆状态数据和所述道路环境数据，确定目标轨迹信息；所述目标轨迹信息为所述用于轨迹生成的模型根据速度规划、路径选择以及预设时间，确定所述目标轨迹信息；所述目标轨迹信息包括预设时间内的各个时刻的车辆的目标位置、目标航向、目标速度和角速度。

作为示例，在轨迹生成模型中，将速度规划和路径选择的结果合成为目标轨迹。轨迹生成模块输出的目标轨迹为预期的行驶路径附加上时间信息，也就是未来几秒内各个时刻下自动驾驶车辆的目标位置、目标航向、目标速度和角速度。

进一步，调用轨迹校验模型1310，所述轨迹校验模型1310根据自动驾驶车辆的车辆动力学极限以及环境车辆的位置和速度，校验所述目标轨迹信息是否满足预设条件，得到第一校验结果；所述预设条件具体包括：

所述自动驾驶车辆按照所述目标轨迹信息规划的轨迹行驶时，能够避让环境车辆，不与环境车辆发生冲突；

并且，所述自动驾驶车辆的控制系统、执行器能够根据所述目标轨迹信息表示的轨迹完成跟踪和执行；

并且，所述自动驾驶车辆按照所述目标轨迹信息规划的轨迹行驶时，产生的最大横向加速度和纵向加速度在车辆自身的动力学极限范围内。

在实际应用中，在轨迹校验模型1310中，轨迹生成模块输出的轨迹被进行安全校验，轨迹校验的依据为车辆的动力学极限以及环境车的位置和速度。也就是说，自动驾驶车辆沿着目标轨迹行驶，需要能够避免与环境车的冲突，同时下发的目标轨迹需要是自动驾驶车辆的控制系统、执行器可以完成跟踪的，不能是无法执行的，校验通过的标准是最大横向、纵向加速度都在自动驾驶车辆动力学极限值范围内；若不通过则在可行的路径曲线中重新选择一条，并进行后面的速度规划、轨迹生成、轨迹校验；若在可行的路径曲线找不到一条能够通过轨迹校验的，则执行紧急接管轨迹规划模型。

进一步，调用紧急接管轨迹规划模型1311，所述紧急接管轨迹规划模型1311用于确定自动驾驶车辆的紧急制动轨迹信息，所述紧急制动轨迹所表示的轨迹为自动驾驶车辆无法避免与其他交通参与者发生碰撞的时候期望所述自动驾驶车辆在预设时间范围内行驶的轨迹。

在实际应用中，执行紧急接管轨迹规划模型，自动驾驶车辆会处在危险的特殊状况下，可能与其他交通参与者的碰撞且无法被避免时，通过执行紧急接管轨迹规划模型，紧急制动的轨迹会被规划出来，此时自动驾驶车辆也会接到接管的提醒，在驾驶员接管自动驾驶车辆前，自动驾驶车辆会按照紧急制动轨迹完成刹车的动作。另外，若规划的可行驶的路径曲线中，如果找不到一条能够通过轨迹校验的，也会执行紧急接管轨迹规划模型。

进一步，调用轨迹坐标转换模型1312，所述轨迹坐标转换模型1312用于将Frenet坐标系下的轨迹信息转换为经纬度坐标，将所述经纬度坐标系确定为所述目标轨迹信息中的经纬度坐标；所述经纬度坐标包括经度、纬度和航向角。

在实际应用中，通过轨迹坐标转换模型，将Frenet坐标系下的轨迹转换为经纬度坐标，以供自动驾驶车辆使用。其中经纬度坐标中包含经度、纬度和航向角，其中航向角以正北为零度，顺时针为正方向；也就是说，此通过轨迹坐标转换模型输出的是绝对坐标，可供自动驾驶车辆根据自身安装的定位设备输出的经纬度位置、航向角等绝对坐标，控制自身的电动机、方向盘等车辆执行器完成对云控平台下发轨迹的循迹行驶。

S140：向所述自动驾驶车辆发送所述目标轨迹信息，以便所述自动驾驶车辆按照所述目标轨迹信息表示的轨迹循迹行驶。

在该步骤中，所述自动驾驶车辆获取云控平台发送的目标轨迹信息；基于所述自动驾驶车辆自身的用于车辆反馈控制算法的模型，根据所述目标轨迹信息与所述车辆状态信息的偏差，确定对于所述自动驾驶车辆的车辆执行器的控制参数；所述车辆执行器包括电动机和方向盘；所述控制参数包括方向盘转角，油门开度或刹车开度；根据所述控制参数控制所述自动驾驶车辆的车辆执行器按照所述目标轨迹信息表示的轨迹循迹行驶。

作为示例，自动驾驶车辆接收到轨迹之后，进行控制的方式可以为，计算目标状态与现在状态的偏差并输入到反馈控制算法，例如：PID控制算法；基于PID控制算法得到对于自动驾驶车辆的控制参数，控制参数包括方向盘转角，油门开度或刹车开度等，自动驾驶车辆的车辆执行器按照对应的控制参数控制自动驾驶车辆按照规划的目标轨迹信息表示的轨迹循迹行驶。

基于上述方法，本发明实现了包括高速公路场景下的对于自动驾驶车辆进行行驶轨迹规划，依据自动驾驶车辆状态数据及道路实时路况数据，增强自动驾驶车辆的行车安全；通过云端规划并将规划结果以标准化接口的形式发送给自动驾驶车辆，对自动驾驶车辆的轨迹进行实时规划，给出车辆行驶的预期位置和速度。

并且，本发明公开的高速公路场景下对于自动驾驶车辆进行行驶轨迹规划系统中，自动驾驶车辆周边交通参与者的信息来自于视野良好、视角广阔、感知范围广大的路侧传感器的感知数据。通过这样的感知数据来源以及云端算法中的静态障碍物避让模块，单车智能自动驾驶对静止交通设施和静止交通参与者识别、反应能力不够的问题被解决，自动驾驶安全性得到了提高。基于同样的原因，本发明提供的自动驾驶车辆云端轨迹规划系统相比单车智能自动驾驶系统，能正常工作的范围扩展了，增加了自动驾驶车辆对恶劣天气以及道路环境条件的适应性。

进一步，本发明公开的对于自动驾驶车辆进行行驶轨迹规划系统，其采集道路环境数据所用到的雷达/视觉传感器等传感设备部署于道路基础设施上，规划软件、高精度地图数据部署在云端，自动驾驶车辆只需要沿着云控平台下发的轨迹行驶即可，不需要复杂的自动驾驶软硬件系统，成本大大降低，便于实现量产应用。换句话说，一辆具备了定位能力以及循迹能力，及具备车辆控制能力，可以跟随云端下发的轨迹循迹行驶的低级别自动驾驶车辆，通过接入云端平台和轨迹规划服务后就可以成为能在高速公路实现自动驾驶的较高级别自动驾驶车辆。这意味着，通过高速公路场景下的云控循迹自动驾驶系统，能够实现自动驾驶车辆在智能软硬件配置上的“轻量化”，并可以快速地实现量产车的智能化。

基于同样的发明构思，本说明书还提供了一种对于自动驾驶车辆进行紧急制动的装置。参照图7，图7是本说明书实施例提供的一种对于自动驾驶车辆进行行驶轨迹规划的装置流程图。

如图7所示，所示装置包括：

获取模块710，所述获取模块710用于云控平台获取自动驾驶车辆发送的车辆状态数据；

获取模块710，所述获取模块710还用于获取所述自动驾驶车辆所行驶道路上的路侧感知设备发送的道路环境数据；所述道路环境数据表示的数据包括所述自动驾驶车辆行驶区域内的其它车辆的行驶数据和行人数据；

计算模块720，所述计算模块720用于根据所述车辆状态数据和所述道路环境数据，采用预先建立的神经网络模型计算得到对应于所述自动驾驶车辆的目标轨迹信息；其中，所述神经网络模型用于生成所述自动驾驶车辆的目标轨迹信息；所述目标轨迹信息表示的轨迹为期望所述自动驾驶车辆在预设时间范围内行驶的轨迹；

发送模块730，所述发送模块730用于向所述自动驾驶车辆发送所述目标轨迹信息，以便所述自动驾驶车辆按照所述目标轨迹信息表示的轨迹循迹行驶。

关于该装置的具体说明参见上文对方法的说明，此处不再赘述。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。

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。尤其，对于图7所示的装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书实施例而已，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)

1.一种对于自动驾驶车辆进行行驶轨迹规划的方法，其特征在于，包括：

云控平台获取自动驾驶车辆发送的车辆状态数据；

获取所述自动驾驶车辆所行驶道路上的路侧感知设备发送的道路环境数据；所述道路环境数据表示的数据包括所述自动驾驶车辆行驶区域内的其它车辆的行驶数据和行人数据；

根据所述车辆状态数据和所述道路环境数据，采用预先建立的神经网络模型计算得到对应于所述自动驾驶车辆的目标轨迹信息；其中，所述神经网络模型用于生成所述自动驾驶车辆的目标轨迹信息；所述目标轨迹信息表示的轨迹为期望所述自动驾驶车辆在预设时间范围内行驶的轨迹；

向所述自动驾驶车辆发送所述目标轨迹信息，以便所述自动驾驶车辆按照所述目标轨迹信息表示的轨迹循迹行驶。

2.如权利要求1所述的方法，其特征在于，所述采用预先建立的神经网络模型计算得到对应于所述自动驾驶车辆的目标轨迹信息，具体包括：

基于用于执行车辆状态检验功能的模型判断所述自动驾驶车辆的状态是否在合理状态，所述合理状态包括对所述自动驾驶车辆的位置、速度和航向角进行合理性校验后确定的合理车辆状态信息。

3.如权利要求1所述的方法，其特征在于，所述采用预先建立的神经网络计算模型得到对应于所述自动驾驶车辆的目标轨迹信息，具体包括：

基于用于执行周边交通参与者搜寻功能的模型，确定所述自动驾驶车辆周围预设范围内的静止的，和/或移动的交通参与者。

4.如权利要求1所述的方法，其特征在于，所述采用预先建立的神经网络模型计算得到对应于所述自动驾驶车辆的目标轨迹信息，具体包括：

基于用于执行Frenet坐标系构建功能的模型，确定所述自动驾驶车辆的运动状态数据，所述运动状态数据表示的运动状态为所述自动驾驶车辆沿着道路方向的纵向运动状态和垂直道路方向的横向运动状态；

基于用于执行周边交通参与者Frenet坐标系表达的模型，确定所述自动驾驶车辆周围交通参与者的位置信息和速度信息；所述交通参与者包括自身状态为移动的交通参与者，和/或，自身状态为静止的交通参与者；

基于用于执行自动驾驶车辆状态Frenet坐标系表达的模型，确定所述自动驾驶车辆的位置、速度信息。

5.如权利要求1所述的方法，其特征在于，所述采用预先建立的神经网络模型计算得到对应于所述自动驾驶车辆的目标轨迹信息，具体包括：

基于用于静态障碍物避让的模型，确定所述自动驾驶车辆周围的静态障碍物的信息；根据所述静态障碍物的信息，确定所述静态障碍物对所述自动驾驶车辆产生影响的区域；

基于用于执行路径选择的模型，从可以行驶路径曲线中选择的一条路径曲线作为第一路径曲线，将所述第一路径曲线确定为目标路径；所述目标路径表示的路径为期望所述自动驾驶车辆在预设的时间范围内的行驶路径；

基于用于动态障碍物避让的模型，确定所述自动驾驶车辆周围的动态障碍物的信息；根据所述动态障碍物的信息，确定所述动态障碍物对所述自动驾驶车辆产生影响的区域。

6.如权利要求1所述的方法，其特征在于，所述采用预先建立的神经网络计算模型得到对应于所述自动驾驶车辆的目标轨迹信息，具体包括：

基于用于轨迹生成的模型，确定目标轨迹信息；所述目标轨迹信息为所述用于轨迹生成的模型根据速度规划、路径选择以及预设时间，确定所述目标轨迹信息；所述目标轨迹信息包括预设时间内的各个时刻的车辆的目标位置、目标航向、目标速度和角速度；

基于用于轨迹校验的模块，根据自动驾驶车辆的车辆动力学极限以及环境车辆的位置和速度，校验所述目标轨迹信息是否满足预设条件，得到第一校验结果；所述预设条件具体包括：

所述自动驾驶车辆按照所述目标轨迹信息规划的轨迹行驶时，能够避让环境车辆，不与环境车辆发生冲突；

并且，所述自动驾驶车辆的控制系统、执行器能够根据所述目标轨迹信息表示的轨迹完成跟踪和执行；

并且，所述自动驾驶车辆按照所述目标轨迹信息规划的轨迹行驶时，产生的最大横向加速度和纵向加速度在车辆自身的动力学极限范围内。

7.如权利要求1所述的方法，其特征在于，所述采用预先建立的神经网络计算模型得到对应于所述自动驾驶车辆的目标轨迹信息，具体包括：

基于用于紧急接管轨迹规划的模型，确定自动驾驶车辆的紧急制动轨迹信息；所述紧急制动轨迹所表示的轨迹为自动驾驶车辆无法避免与其他交通参与者发生碰撞的时候期望所述自动驾驶车辆在预设时间范围内行驶的轨迹。

8.如权利要求1所述的方法，其特征在于，所述采用预先建立的神经网络计算模型得到对应于所述自动驾驶车辆的目标轨迹信息，具体包括：

基于用于轨迹坐标转换的模型，确定所述目标轨迹信息中的经纬度坐标，具体包括：将Frenet坐标系下的轨迹信息转换为经纬度坐标，将所述经纬度坐标系确定为所述目标轨迹信息中的经纬度坐标；所述经纬度坐标包括经度、纬度和航向角。

9.如权利要求1所述的方法，其特征在于，所述向所述自动驾驶车辆发送所述目标轨迹信息，以便所述自动驾驶车辆按照所述目标轨迹信息表示的轨迹循迹行驶，具体包括：

所述自动驾驶车辆获取云控平台发送的目标轨迹信息；

基于所述自动驾驶车辆自身的用于车辆反馈控制算法的模型，根据所述目标轨迹信息与所述车辆状态信息的偏差，确定对于所述自动驾驶车辆的车辆执行器的控制参数；所述车辆执行器包括电动机和方向盘；所述控制参数包括方向盘转角，油门开度或刹车开度；

根据所述控制参数控制所述自动驾驶车辆的车辆执行器按照所述目标轨迹信息表示的轨迹循迹行驶。

10.一种对于自动驾驶车辆进行行驶轨迹规划的装置，其特征在于，包括：

获取模块，所述获取模块用于云控平台获取自动驾驶车辆发送的车辆状态数据；

获取模块，所述获取模块还用于获取所述自动驾驶车辆所行驶道路上的路侧感知设备发送的道路环境数据；所述道路环境数据表示的数据包括所述自动驾驶车辆行驶区域内的其它车辆的行驶数据和行人数据；

计算模块，所述计算模块用于根据所述车辆状态数据和所述道路环境数据，采用预先建立的神经网络模型计算得到对应于所述自动驾驶车辆的目标轨迹信息；其中，所述神经网络模型用于生成所述自动驾驶车辆的目标轨迹信息；所述目标轨迹信息表示的轨迹为期望所述自动驾驶车辆在预设时间范围内行驶的轨迹；

发送模块，所述发送模块用于向所述自动驾驶车辆发送所述目标轨迹信息，以便所述自动驾驶车辆按照所述目标轨迹信息表示的轨迹循迹行驶。

Images