CN116001805A - 自动驾驶车辆的软件架构平台、控制方法、车辆及介质 - Google Patents
自动驾驶车辆的软件架构平台、控制方法、车辆及介质 Download PDFInfo
- Publication number
- CN116001805A CN116001805A CN202310009347.1A CN202310009347A CN116001805A CN 116001805 A CN116001805 A CN 116001805A CN 202310009347 A CN202310009347 A CN 202310009347A CN 116001805 A CN116001805 A CN 116001805A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- scene
- track
- decision
- algorithm
- 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 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 188
- 230000009471 action Effects 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 32
- 230000008447 perception Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000011161 development Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012358 sourcing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/06—Automatic manoeuvring for parking
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/10—Path keeping
- B60W30/12—Lane keeping
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18154—Approaching an intersection
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18159—Traversing an intersection
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D15/00—Steering not otherwise provided for
- B62D15/02—Steering position indicators ; Steering position determination; Steering aids
- B62D15/027—Parking aids, e.g. instruction means
- B62D15/0285—Parking performed automatically
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
-
- 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
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及自动驾驶应用层算法技术领域,特别涉及一种自动驾驶车辆的软件架构平台、控制方法、车辆及介质,其中,方法包括:根据车辆的运行状态信息和决策场景匹配车辆的预设行车算法或泊车算法,并基结合车辆感知的局部环境信息和目标信息对目标轨迹进行预测;根据车辆的车身信息、地图、定位信息和预测轨迹决策车辆的行车或泊车的参考轨迹、参考轨迹边界、参考速度以及参考速度边界;并根据得到的参考值生成行车或泊车的最优轨迹和最优速度,控制车辆执行预设行车或泊车动作,实现车辆的预设行车功能和预设泊车功能。由此,解决了相关技术无法实现日常出行场景体验的连续性,且行车和泊车软件架构不能共用,软件调度效率低等问题。
Description
技术领域
本申请涉及自动驾驶应用层算法技术领域,特别涉及一种自动驾驶车辆的软件架构平台、控制方法、车辆及介质。
背景技术
当前已经量产的主流自动驾驶车辆一般具备行车和泊车功能,但行车和泊车一般基于不同的架构开发,且部署在不同的域控制器上。其结果是行车和泊车软件架构不能共用,软件模块不能共用,计算资源不能共享,造成了硬件成本浪费和开发人力成本增加。
从用户体验的角度,当前主流的自动驾驶产品主要覆盖高速场景和车库泊车场景,无法实现从家里车库到公司车库或者任意的A点到B点的连续性体验,且无法支持软件自进化。
发明内容
本申请提供一种自动驾驶车辆的软件架构平台、控制方法、车辆及介质,以解决相关技术无法实现日常出行场景体验的连续性,行车和泊车软件架构不能共用,软件调度效率低等问题。
本申请第一方面实施例提供一种自动驾驶车辆的软件架构平台,所述车辆设置有预设行车功能和预设泊车功能,所述平台用于控制所述车辆实现所述预设行车功能和所述预设泊车功能,包括:获取模块,用于获取所述车辆感知的局部环境信息、目标或障碍物时序信息,以及所述车辆的运行状态信息和决策场景;预测模块,用于根据所述运行状态信息和决策场景调用满足当前场景的预测算法,并基于所述预测算法对所述局部环境信息和所述目标或障碍物时序信息进行轨迹预测,生成所述车辆周围目标的预测轨迹;决策模块,用于根据所述决策场景调用满足当前场景的决策算法,基于所述决策算法对所述车辆的车身信息、地图、定位信息和所述预测轨迹进行决策,得到行车或泊车的参考轨迹、参考轨迹边界、参考速度以及参考速度边界;规划模块,用于根据所述决策场景调用满足当前场景的规划算法,利用所述规划算法对所述参考轨迹和所述参考轨迹边界进行轨迹规划,生成所述行车或泊车的最优轨迹,并利用所述规划算法对所述参考速度和所述参考速度边界进行速度规划,生成所述行车或泊车的最优速度;控制模块,用于根据所述决策场景调用满足当前场景的控制算法,利用所述控制算法根据所述最优轨迹和所述最优速度控制所述车辆执行预设行车动作或预设泊车动作,实现所述车辆的自动行车和/或自动泊车。
根据上述技术手段,本申请实施例可以根据车辆系统运行状态和决策场景,调用适合当前的场景的预测算法,并结合车辆的环境信息和目标或障碍物时序信息生成车辆周围目标的预测轨迹,利用车辆的车身信息、地图定位等信息规划车辆的行车或泊车的最优轨迹和速度,从而实现车辆的自动行车和/或自动泊车。通过采用的行泊一体规控架构,行车和泊车使用同一套软件架构,通过场景调用对应的算法,可以实现架构公用和模块共享,减少计算资源消耗,减少控制器个数和成本,降低人力成本,并可以实现通过配置文件将平台化算法适用不同算力的控制器和车型,实现平台化开发模式,提高开发效率。
可选地,在本申请的一个实施例中,设置场景识别模块,根据车辆行驶环境,判断当前的决策场景,所述决策场景包括车道跟随场景、交叉路口场景、车库行车场景、车库泊车场景和掉头场景中的一种或多种,这些场景属于行车决策类场景和泊车决策类场景,所述行车决策类场景包括车道跟随场景、交叉路口场景、车库行车场景和掉头场景,所述泊车决策类场景包括车库泊车场景,其中,
若所述车辆满足预设掉头场景条件,则所述车辆进入掉头场景,进而调用掉头场景所需要的预测算法、决策算法、规划算法和控制算法;
若所述车辆满足预设交叉路口场景条件,则所述车辆进入交叉路口场景,进而调用交叉路口场景所需要的预测算法、决策算法、规划算法和控制算法;
若所述车辆满足预设车库行车场景条件,则所述车辆进入车库场景,进而调用车库行车场景所需要的预测算法、决策算法、规划算法和控制算法;
若所述车辆满足预设泊车场景条件,则所述车辆进入车库泊车场景,进而调用掉头泊车场景所需要的预测算法、决策算法、规划算法和控制算法。
根据上述技术手段,本申请实施例的决策场景有车道跟随场景、交叉路口场景、车库行车场景、车库泊车场景和掉头场景,满足某一条件时,进入相应的场景,通过场景细化调用最优算法,提升了日常出行场景体验的连续性。
可选地,在本申请的一个实施例中,所述决策模块包括:处理子模块,用于基于所述地图的实际类型确定候选车道集,筛选所述候选车道集中满足预设条件的候选车道,根据所述候选车道和预设参考线确定候选坐标系和边界,根据所述候选坐标系和边界进行预设交规决策,得到交规决策结果,并对所述车辆周围的障碍物进行标记,得到障碍物的横纵向标记结果;决策子模块,用于根据所述决策场景调用满足当前场景的决策算法,利用所述决策算法对所述交规决策结果和所述障碍物的横纵向标记结果进行决策,确定所述候选坐标系下的路径边界约束和速度边界约束,根据所述路径边界约束和速度边界约束进行轨迹规划和轨迹特征提取,得到所述车辆的行车或泊车的参考轨迹、参考轨迹边界、参考速度以及参考速度边界。
根据上述技术手段,本申请实施例可以根据车辆的决策模块输出车辆的行车或泊车的参考轨迹和参考速度,并分别得到各自的左右边界值,通过缩小参考范围,实现对车辆行车或者泊车的路径规划。
可选地,在本申请的一个实施例中,所述处理子模块具体用于:若所述地图为预设高精度地图,则利用预设高精度地图与感知信息修正的策略处理预处理后的数据;若所述地图为预设众包地图,则利用所述预设众包地图与感知信息相结合的策略处理预处理后的数据,其中,所述预设众包地图是结合多次实时感知的交通要素生成的道路先验信息图谱。
根据上述技术手段,本申请实施例的环境模型子模块可以处理不同地图来源时的候选车道输出,基于感知众包建图,实现开放道路和车库道路的连通,实现行泊一体的连续性体验。
可选地,在本申请的一个实施例中,所述预设众包地图与感知信息相结合的策略,包括:根据所述预处理后的数据判断所述车辆当前所在车道的车道信息;根据所述车道信息和所述感知信息进行定位校验,确定所述车辆当前所在车道的车道标识,利用所述车道标识搜索导航参考中心线,得到参考路径序列,并基于所述参考路径序列确定参考路径中心线点位置关系;根据所述感知信息和所述参考路径中心线点位置关系进行相互校验和融合,得到所述当前所在车道的左右车道线关系,根据所述感知信息和所述左右车道线关系进行相互校验和融合,得到车道属性拓展信息;根据所述感知信息、所述车道属性拓展信息、参考线中心线与边界线点序列进行相互校验和融合,输出参考中心线与边界序列,基于所述参考中心线与边界序列确定候选车道集。
根据上述技术手段,本申请实施例可以根据在实际道路更新时通过感知信息建图,快速更新地图与真实环境的差异,通过多重校验融合,保证在众包地图短时失效或者元素异常时,保持连续性的表现。
可选地,在本申请的一个实施例中,所述预测模块包括:数据预处理子模块,用于对所述环境信息和所述目标或障碍物时序信息进行预处理,得到目标信息和预处理后的环境信息;任务调度子模块,用于根据所述运行状态信息和决策场景调用满足当前场景的预测算法;预测算法子模块,用于基于所述预测算法对所述目标信息和预处理后的环境信息进行目的地预测、意图预测和基于深度学习的轨迹预测,得到预测目的地、目标意图和模型生成轨迹,并基于所述预测目的地和目标意图得到规则生成轨迹,对所述模型生成轨迹和所述规则生成轨迹进行轨迹处理,得到车辆周围目标的预测轨迹。
根据上述技术手段,本申请实施例可以根据车辆感知的局部环境信息、目标或障碍物时序信息,以及车辆的运行状态信息和决策场景得到车辆周围目标的预测轨迹,可以结合车辆的车身信息、地图、定位信息,进一步确定车辆的行车或泊车运行轨迹和速度。
可选地,在本申请的一个实施例中,所述任务调度子模块具体用于若所述车辆处于预设车道跟随场景,则调用预设行车预测算法,其中,当所述车辆在行驶方向上与车库出口的距离小于第一阈值时,进入所述预设车道跟随场景;若所述车辆处于预设车库行车场景,则调用预设车库行车场景预测算法,其中,当所述车辆在行驶方向上与车库入口的距离小于第二阈值时,进入所述预设车库行车场景。
根据上述技术手段,本申请实施例可以根据车辆的行驶方向和距离车库入口的距离判断车辆的行车场景,从而调用不同的行车预测算法,实现用户的连续性体验。
可选地,在本申请的一个实施例中,所述预测模块还包括:数据触发子模块,用于触发记录预设场景数据和问题数据,并将触发后的数据上传至服务器,实现数据闭环。
根据上述技术手段,本申请实施例可以通过数据闭环的方式,对实车算法进行验证以及对数据进行分析,提高了算法的准确性和适用性。
可选地,在本申请的一个实施例中,所述规划模块包括:轨迹规划子模块,用于根据所述参考轨迹、所述参考轨迹边界、所述预测轨迹和所述车辆的定位信息规划最优路径;速度规划子模块,用于根据所述最优路径、所述参考速度和所述参考速度边界规划最优速度。
根据上述技术手段,本申请实施例可以通过对车辆行车或泊车的运动轨迹和行驶速度进行规划,实现从家里车库到公司车库或者任意的A点到B点的连续性体验。
可选地,在本申请的一个实施例中,所述控制模块采用前馈与PID反馈组合的控制架构,且所述控制架构采用基于动态变化参数的双环PID控制算法。
根据上述技术手段,本申请实施例可以通过行泊一体规控架构以及算法,实现不同场景下的功能,提高开发效率。
本申请第二方面实施例提供一种自动驾驶车辆的控制方法,所述方法应用于车辆,用于控制所述车辆实现预设行车功能和预设泊车功能,包括以下步骤:获取所述车辆感知的局部环境信息、目标或障碍物时序信息,以及所述车辆的运行状态信息和决策场景;根据所述运行状态信息和决策场景调用满足当前场景的预测算法,并基于所述预测算法对所述局部环境信息和所述目标或障碍物时序信息进行轨迹预测,生成所述车辆周围目标的预测轨迹;根据所述决策场景调用满足当前场景的决策算法,基于所述决策规划算法对所述车辆的车身信息、地图、定位信息和所述预测轨迹进行决策,得到行车或泊车的参考轨迹、参考轨迹边界、参考速度以及参考速度边界;根据所述决策场景调用满足当前场景的规划算法,利用所述规划算法对所述参考轨迹和所述参考轨迹边界进行轨迹规划,生成所述行车或泊车的最优轨迹,并利用所述规划算法对所述参考速度和所述参考速度边界进行速度规划,生成所述行车或泊车的最优速度;根据所述决策场景调用满足当前场景的控制算法,利用所述控制算法根据所述最优轨迹和所述最优速度控制所述车辆执行预设行车动作或预设泊车动作,实现所述车辆的自动行车和/或自动泊车。
本申请第三方面实施例提供一种车辆,包括自动驾驶系统;自动驾驶车辆的软件架构平台,其中,所述自动驾驶系统具有的预设行车功能和预设泊车功能共用所述平台,所述平台用于获取所述车辆周围的环境信息、目标信息、运行状态信息和决策场景;根据所述运行状态信息和决策场景调用满足当前场景的预测算法,并基于所述预测算法对所述局部环境信息和所述目标或障碍物时序信息进行轨迹预测,生成所述车辆周围目标的预测轨迹;根据所述决策场景调用满足当前场景的决策算法,基于所述决策规划算法对所述车辆的车身信息、地图、定位信息和所述预测轨迹进行决策,得到行车或泊车的参考轨迹、参考轨迹边界、参考速度以及参考速度边界;根据所述决策场景调用满足当前场景的规划算法,利用所述规划算法对所述参考轨迹和所述参考轨迹边界进行轨迹规划,生成所述行车或泊车的最优轨迹,并利用所述规划算法对所述参考速度和所述参考速度边界进行速度规划,生成所述行车或泊车的最优速度;根据所述决策场景调用满足当前场景的控制算法,利用所述控制算法根据所述最优轨迹和所述最优速度控制所述车辆执行预设行车动作或预设泊车动作,实现所述车辆的自动行车和/或自动泊车。
本申请第四方面实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,以用于实现如上述实施例所述的自动驾驶车辆的控制方法。
由此,本申请至少具有如下有益效果:
1、本申请实施例可以根据车辆系统运行状态和决策场景,调用适合当前的场景的预测算法,并结合车辆的环境信息和目标或障碍物时序信息预测车辆周围目标的轨迹,利用车辆的车身信息、地图定位等信息规划车辆的行车或泊车的最优轨迹和速度,从而实现车辆的自动行车和/或自动泊车。通过采用的行泊一体规控架构,行车和泊车使用同一套软件架构,通过场景调用对应的算法,可以实现架构共用和模块共享,减少计算资源消耗,减少控制器个数和成本,降低人力成本,并可以实现通过配置文件将平台化算法适用不同算力的控制器和车型,实现平台化开发模式,提高开发效率。
2、本申请实施例的决策场景有车道跟随场景、交叉路口场景、车库行车场景、车库泊车场景和掉头场景,满足某一条件时,进入相应的场景,通过场景细化调用最优算法,提升了日常出行场景体验的连续性。
3、本申请实施例可以根据车辆的决策模块输出车辆的行车或泊车的参考轨迹和参考速度,并分别得到各自的左右边界值,通过缩小参考范围,实现对车辆行车或者泊车的路径规划。
4、本申请实施例的环境模型子模块可以处理不同地图来源时的候选车道输出,基于感知众包建图,实现开放道路和车库道路的连通,实现行泊一体的连续性体验。
5、本申请实施例可以根据在实际道路更新时通过感知信息建图,快速更新地图与真实环境的差异,通过多重校验融合,保证在众包地图短时失效或者元素异常时,保持连续性的表现。
6、本申请实施例可以根据车辆感知的局部环境信息、目标或障碍物时序信息,以及车辆的运行状态信息和决策场景得到车辆周围目标的预测轨迹,可以结合车辆的车身信息、地图、定位信息,进一步确定车辆的行车或泊车运行轨迹和速度。
7、本申请实施例可以根据车辆的行驶方向和车辆距离车库入口的距离判断车辆的行车场景,从而调用不同的行车预测算法,实现用户的连续性体验。
8、本申请实施例可以通过数据闭环的方式,对实车算法进行验证以及对数据进行分析,提高了算法的准确性和适用性。
9、本申请实施例可以通过对车辆行车或泊车的运动轨迹和行驶速度进行规划,实现从家里车库到公司车库或者任意的A点到B点的连续性体验。
10、本申请实施例可以通过行泊一体规控架构以及算法,实现不同场景下的功能,提高开发效率。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请实施例提供的一种自动驾驶车辆的软件架构平台的方框示意图;
图2为根据本申请实施例提供的预测模块算法架构图;
图3为根据本申请实施例提供的行车和泊车切换原理图;
图4为根据本申请实施例提供的数据闭环架构图;
图5为根据本申请实施例提供的决策场景架构图;
图6为根据本申请实施例提供的决策模块算法架构图;
图7为根据本申请实施例提供的基于众包地图的参考路径生成架构图;
图8为根据本申请实施例提供的规划模块算法架构图;
图9为根据本申请实施例提供的控制模块算法架构图;
图10为根据本申请实施例提供的自动驾驶车辆的控制方法的流程示意图;
图11为根据本申请实施例提供的车辆的方框示意图。
附图标记说明:获取模-100、预测模块-200、决策模块-300、规划模块-400、控制模块-500、自动驾驶系统-600、自动驾驶车辆的软件架构平台-10。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的自动驾驶车辆的软件架构平台、控制方法、车辆及介质。针对上述背景技术中提到的问题,本申请提供了一种自动驾驶车辆的软件架构平台,在该平台中,根据车辆系统运行状态和决策场景,调用适合当前的场景的预测算法,并结合车辆的环境信息和目标或障碍物时序信息生成车辆周围目标的预测轨迹,利用车辆的车身信息、地图定位等信息规划车辆的行车或泊车的最优轨迹和速度,从而实现车辆的自动行车和/或自动泊车。通过采用的行泊一体规控架构,行车和泊车使用同一套软件架构,通过场景调用对应的算法,可以实现架构公用和模块共享,减少计算资源消耗,减少控制器个数和成本,降低人力成本,并可以实现通过配置文件将平台化算法适用不同算力的控制器和车型,实现平台化开发模式,提高开发效率。由此,解决了相关技术无法实现日常出行场景体验的连续性,且无法支持软件自进化,软件调度效率低等问题。
具体而言,图1为本申请实施例所提供的一种自动驾驶车辆的软件架构平台的方框示意图。
如图1所示,该自动驾驶车辆的软件架构平台10,包括:获取模块100、预测模块200、决策模块300、规划模块400和控制模块500。
其中,获取模块100,用于获取车辆感知的局部环境信息、目标或障碍物时序信息,以及车辆的运行状态信息和决策场景;预测模块200,用于根据运行状态信息和决策场景调用满足当前场景的预测算法,并基于预测算法对局部环境信息和目标或障碍物时序信息进行轨迹预测,生成车辆周围目标的预测轨迹;决策模块300,用于根据决策场景调用满足当前场景的决策算法,基于决策算法对车辆的车身信息、地图、定位信息和预测轨迹进行决策,得到行车或泊车的参考轨迹、参考轨迹边界、参考速度以及参考速度边界;规划模块400,用于根据决策场景调用满足当前场景的规划算法,利用规划算法对参考轨迹和参考轨迹边界进行轨迹规划,生成行车或泊车的最优轨迹,并利用规划算法对参考速度和参考速度边界进行速度规划,生成行车或泊车的最优速度;控制模块500,用于根据决策场景调用满足当前场景的控制算法,利用控制算法根据最优轨迹和最优速度控制车辆执行预设行车动作或预设泊车动作,实现车辆的自动行车和/或自动泊车。
可以理解的是,本申请实施例的车辆设置有预设行车功能和预设泊车功能,自动驾驶车辆的软件架构平台用于控制车辆实现预设行车功能和预设泊车功能,通过预测、决策、规划、控制等模块均可以实现基于场景的任务调度,实现软件模块的灵活调度;并通过场景调用对应的算法,实现不同场景下的功能,升了日常出行场景体验的连续性。
在进行架构设计时,本申请实施例可以根据实际情况设置每个模块的运行周期,不作具体限定,例如,预测模块200的运行周期可以设置为40ms,决策模块300的运行周期可以设置为50ms,规划模块400的运行周期可以设置为50ms,控制模块500的运行周期可以设置为20ms。同时,本申请实施例对计算资源的分配也可以根据实际情况进行设置,作为一种示例,具体如下:
1)规控CPU(central processing unit,中央处理器)资源占用率设置为总算力的30%,内存占用率设置为总内存的20%;GPU(graphics processing unit,图形处理器)AI算力设定为15%;
2)预测模块CPU占用率为10%,内存占用率8%,GPUAI算力设定为15%;
3)决策模块CPU占用率为10%,内存占用率为5%,GPUAI算力设定为0;
4)规划模块CPU占用率为8%,内存占用率为5%,GPUAI算力设定为0;
5)控制模块CPU占用率为2%,内存占用率为2%,GPUAI算力设定为0。
在本申请实施例中,决策场景包括车道跟随场景、交叉路口场景、车库行车场景、车库泊车场景和掉头场景中的一种或多种,这些场景属于行车决策类场景和泊车决策类场景,行车决策类场景包括车道跟随场景、交叉路口场景、车库行车场景和掉头场景,泊车决策类场景包括车库泊车场景,其架构如图2所示。
其中,掉头场景包括:接近掉头区域场景和进入掉头状态场景;
交叉路口场景包括:接近交叉路口和路口巡航;
车库泊车场景包括:接近泊车位和开始泊车;
车库行车场景包括:进入车库场景和出车库场景,其中,进入车库的场景包括:接近车库入口、通过车库口和车道跟随;出车库场景包括:接近车库出口、通过车库口、车道跟随。
本申请实施例通过设置场景识别模块,根据车辆行驶环境,判断当前的决策场景,可以设置系统默认场景为车道跟随场景,当车辆满足预设掉头场景条件时,则控制车辆进入掉头场景;当车辆满足预设交叉路口场景条件时,则控制车辆进入交叉路口场景;当车辆满足预设车库行车场景条件时,则控制车辆进入车库场景;当车辆满足预设泊车场景条件时间,则控制车辆进入车库泊车场景。在进入相应的场景,通过场景细化调用场景所需要的最优算法,提升了日常出行场景体验的连续性。
在本申请的一个实施例中,预测模块200包括:数据预处理子模块、任务调度子模块和预测算法子模块。
其中,数据预处理子模块,用于对环境信息和目标或障碍物时序信息进行预处理,得到目标信息和预处理后的环境信息;任务调度子模块,用于根据运行状态信息和决策场景调用满足当前场景的预设行车算法或预设泊车算法;预测算法子模块,用于基于预设行车算法或预设泊车算法、目标信息和预处理后的环境信息进行目的地预测、意图预测和基于深度学习的轨迹预测,得到预测目的地、目标意图和模型生成轨迹,并基于预测目的地和目标意图得到规则生成轨迹,对模型生成轨迹和规则生成轨迹进行轨迹处理,得到车辆周围目标的预测轨迹。
本申请实施例的预测模块200的输入包含:后融合目标、前视目标、前视去畸变图像、定位、FreeSpace(可行驶区域)、静态地图信息。预测模块输出包含:数据触发信号、交通参与者意图、交通参与者轨迹。本申请实施例的预测模块200可以通过数据预处理子模块、任务调度子模块、预测算法子模块这三个子得到车辆的预测意图结果和预测轨迹结果。
具体而言,如图3所示,本申请实施例的数据预处理子模块包含目标或障碍物时序信息预处理和环境模型信息预处理。其中,目标或障碍物时序信息可以包括:目标(后融合)目标(前视)、前视(去畸变)和定位信息等;环境信息可以包括:可行驶区域栅格、静态地图信息和定位信息等。本申请实施例通过数据预处理子模块对车辆感知的局部环境信息、目标或障碍物时序信息进行预处理。本申请实施例的任务调度子模块主要是根据系统运行状态和下游决策场景,调用适合当前的场景的预测算法;本申请实施例的预测算法子模块可以利用当前的场景的预测算法和处理后的环境信息和目标或障碍物时序信息进行目的地预测、意图预测,得到A1意图预测(规划或机器学习)、A2目的地预测,进一步得到规则生成轨迹;还可以根据A4深度学习轨迹预测得到模型生成轨迹,经过A5对规则生成轨迹和模型生成轨迹进行处理,从而得到车辆的轨迹预测结果。同时还可以根据A1意图预测(规划或机器学习)得到意图预测结果。
在本申请的一个实施例中,任务调度子模块具体用于若车辆处于、预设车道跟随场景,则调用预设行车预测算法,其中,当车辆在行驶方向上与车库出口的距离小于第一阈值时,进入预设车道跟随场景;若车辆处于预设车库行车场景,则调用预设车库行车场景预测算法,其中,当车辆在行驶方向上与车库入口的距离小于第二阈值时,进入预设车库行车场景。
如图4所示,本申请实施例的行泊一体的预测算法通过任务调度模块实现;当车辆处在车道跟随场景时,通过任务调度模块调用行车预测算法;当车辆处于车库行车场景时,通过任务调度模块调用车库行车场景预测算法。当车辆在行驶方向上与车库入口的距离小于第一阈值时,进入车库行车场景;当车辆在行驶方向上与车库出口的距离小于第二阈值时,进入车道跟随场景。其中,第一阈值和第二阈值可以根据实际情况而定,不做具体限定。
在本申请的一个实施例中,预测模块200还包括:数据触发子模块。其中,数据触发子模块用于触发记录预设场景数据和问题数据,并将触发后的数据上传至服务器,实现数据闭环。
本申请实施例可以通过数据触发模块输出数据触发信号。如图5所示,本申请实施例的数据闭环主要包含如下步骤:训练数据采集;数据清洗生成结构化数据;通用特征提取;样本提取;算法训练;实车部署与优化;实车算法验证;数据记录;问题数据分析。
在数据分析结束之后,若是数据驱动问题,则数据合并到原始数据;若不是数据驱动问题,则进入如下步骤:数据回注分析;算法更新;数据回注验证;实车部署与优化。
在本申请的一个实施例中,决策模块300包括:处理子模块和决策子模块,
其中,处理子模块用于基于地图的实际类型确定候选车道集,筛选候选车道集中满足预设条件的候选车道,根据候选车道和预设参考线确定候选坐标系和边界,根据候选坐标系和边界进行预设交规决策,得到交规决策结果,并对车辆周围的障碍物进行标记,得到障碍物的横纵向标记结果;决策子模块用于根据决策场景调用满足当前场景的决策算法,利用决策算法对交规决策结果和障碍物的横纵向标记结果进行决策,确定候选坐标系下的路径边界约束和速度边界约束,根据路径边界约束和速度边界约束进行轨迹规划和轨迹特征提取,得到车辆的行车或泊车的参考轨迹、参考轨迹边界、参考速度以及参考速度边界。
其中,本申请实施例的决策用环境模型包括:高精度地图为主,感知信息为辅的模型和众包地图与感知信息相结合的模型。
具体而言,本申请实施例的决策模块300详细可分为:数据预处理子模块、环境模型子模块、候选车道子模块、参考线平滑子模块、交规决策子模块、障碍物决策子模块、决策场景子模块、任务规划子模块和后决策子模块,如图6所示,本申请实施例通过输入车身信息、地图、定位信息和预测轨迹,经过决策模块200中的多个子模块进行筛选、处理、评估、提取等操作,从而可以输出得到车辆的行车或泊车的最优轨迹,其中,最优轨迹包括:参考轨迹及其左右边界、参考速度及速度上下边界,通过缩小参考范围,实现对车辆行车或者泊车的路径规划。
在本申请的一个实施例中,处理子模块具体用于若地图为预设高精度地图,则利用预设高精度地图与感知信息修正的策略处理预处理后的数据;若地图为预设众包地图,则利用预设众包地图与感知信息相结合的策略处理预处理后的数据,其中,预设众包地图是结合多次实时感知的交通要素生成的道路先验信息图谱。
可以理解的是,本申请实施例的环境模型子模块用于处理不同地图来源时的候选车道输出,当地图来源为高精度地图时,以高精度地图为主,感知信息修正的策略处理数据;地图来源是众包地图时,采用以众包地图与感知信息相结合的策略处理数据。通过感知众包建图,实现开放道路和车库道路的连通,实现行泊一体的连续性体验;
在实际执行过程中,众包地图是结合多次实时感知的交通要素,本申请实施例可以通过自动化制图工具生成的道路先验信息图谱。
在本申请的一个实施例中,预设众包地图与感知信息相结合的策略,包括:根据预处理后的数据判断车辆当前所在车道的车道信息;根据车道信息和感知信息进行定位校验,确定车辆当前所在车道的车道标识,利用车道标识搜索导航参考中心线,得到参考路径序列,并基于参考路径序列确定参考路径中心线点位置关系;根据感知信息和参考路径中心线点位置关系进行相互校验和融合,得到当前所在车道的左右车道线关系,根据感知信息和左右车道线关系进行相互校验和融合,得到车道属性拓展信息;根据感知信息、车道属性拓展信息、参考线中心线与边界线点序列进行相互校验和融合,输出参考中心线与边界序列,基于参考中心线与边界序列确定候选车道集。
具体而言,如图7所示,本申请实施例的众包地图与感知信息相结合的策略,包括:当前所在车道判断,定位校验,导航参考中心线搜索,参考路径中心线点位置关系确认,左右相邻车道判断,要素拓展与前后延续,中心线与边界线重构匹配,最后输出参考中心线与参考边界序列,本申请实施例可以通过参考中心线与边界序列确定候选车道集。在实际道路更新时,本申请实施例可以通过感知信息建图,快速更新地图与真实环境的差异,通过多重校验融合,保证在众包地图短时失效或者元素异常时,保持连续性的表现。
其中,定位校验模块的输入包含当前所在车道信息以及感知信息A,感知信息A包含交通要素、障碍物、停止线、车道线、护栏、车流、freespace;
左右相邻车道判断模块的输入包含感知信息A和参考路径中心线点位置关系,输出为左右车道线关系,两者之间做相互校验和融合;
要素左右拓展与前后延续的输入包含感知信息A,参考路径中心线关联关系以及左右车道关系,三者之间做相互校验和融合;输出为车道属性拓展;
中心线与边界线重构与匹配模块的输入包含车道属性拓展,感知信息A以及参考线中心线与边界线点序列,三者之间做相互校验和融合;输出为参考中心线与边界序列。
在本申请的一个实施例中,规划模块400包括:轨迹规划子模块,用于根据参考轨迹、参考轨迹边界、预测轨迹和车辆的定位信息规划最优路径;速度规划子模块,用于根据最优路径、参考速度和参考速度边界规划最优速度。
如图8所示,本申请实施例的规划模块400可以通过输入决策参考中心线(包含参考轨迹及其左右边界,参考速度及其上下边界),目标预测轨迹,定位信息,经过轨迹规划子模块和速度规划规划子模块的前处理、粗搜索和数字优化的处理方式,可以得到车辆行车或泊车的最优轨迹和最优速度,同时本申请实施例的将规划路径传输给速度规划子模块,将规划出来的速度结果传输给轨迹规划子模块,从而实现子模块之间的互通和资源共享,以便输出车辆所需的最佳控制轨迹,包括中心线和速度。
在本申请的一个实施例中,控制模块500采用前馈与PID反馈组合的控制架构,且控制架构采用基于动态变化参数的双环PID控制算法。
可以理解的是,本申请实施例可以行车和泊车合共用包含静态和动态架构,共用标准化接口的算法库,通过场景细化调用最优算法。如图9所示,采用改进型前馈加PID反馈控制架构,采用基于动态变化参数的双环PID控制算法。
根据本申请实施例提出的自动驾驶车辆的软件架构平台,根据车辆系统运行状态和决策场景,调用适合当前的场景的预测算法,并结合车辆的环境信息和目标或障碍物时序信息生成车辆周围目标的预测轨迹,利用车辆的车身信息、地图定位等信息规划车辆的行车或泊车的最优轨迹和速度,从而实现车辆的自动行车和/或自动泊车。通过采用的行泊一体规控架构,行车和泊车使用同一套软件架构,通过场景调用对应的算法,可以实现架构公用和模块共享,减少计算资源消耗,减少控制器个数和成本,降低人力成本,并可以实现通过配置文件将平台化算法适用不同算力的控制器和车型,实现平台化开发模式,提高开发效率。由此,解决了相关技术无法实现日常出行场景体验的连续性,且行车和泊车软件架构不能共用,软件调度效率低等问题。
其次参照附图描述根据本申请实施例提出的一种自动驾驶车辆的控制方法,应用于车辆,用于控制车辆实现预设行车功能和预设泊车功能。
图10是本申请实施例提供的一种自动驾驶车辆的控制方法的流程图。
如图10所示,该自动驾驶车辆的控制方法包括以下步骤:
在步骤S101中,获取车辆感知的局部环境信息、目标或障碍物时序信息,以及车辆的运行状态信息和决策场景;
在步骤S102中,根据运行状态信息和决策场景调用满足当前场景的预测算法,并基于预测算法对局部环境信息和目标或障碍物时序信息进行轨迹预测,生成车辆周围目标的预测轨迹;
在步骤S103中,根据决策场景调用满足当前场景的决策算法,基于决策规划算法对车辆的车身信息、地图、定位信息和预测轨迹进行决策,得到行车或泊车的参考轨迹、参考轨迹边界、参考速度以及参考速度边界;
在步骤S104中,根据决策场景调用满足当前场景的规划算法,利用规划算法对参考轨迹和参考轨迹边界进行轨迹规划,生成行车或泊车的最优轨迹,并利用规划算法对参考速度和参考速度边界进行速度规划,生成行车或泊车的最优速度。
在步骤S105中,根据决策场景调用满足当前场景的控制算法,利用控制算法根据最优轨迹和最优速度控制车辆执行预设行车动作或预设泊车动作,实现车辆的自动行车和/或自动泊车。
需要说明的是,前述对自动驾驶车辆的平台实施例的解释说明也适用于该实施例的自动驾驶车辆的控制方法,此处不再赘述。
根据本申请实施例提出的自动驾驶车辆的控制方法,根据车辆系统运行状态和决策场景,调用适合当前的场景的预测算法,并结合车辆的环境信息和目标或障碍物时序信息生成车辆周围目标的预测轨迹,利用车辆的车身信息、地图定位等信息规划车辆的行车或泊车的最优轨迹和速度,从而实现车辆的自动行车或自动泊车。通过采用的行泊一体规控架构,行车和泊车使用同一套软件架构,通过场景调用对应的算法,可以实现架构公用和模块共享,减少计算资源消耗,减少控制器个数和成本,降低人力成本,并可以实现通过配置文件将平台化算法适用不同算力的控制器和车型,实现平台化开发模式,提高开发效率。由此,由此,解决了相关技术无法实现日常出行场景体验的连续性,且行车和泊车软件架构不能共用,软件调度效率低等问题。
图11为本申请实施例提供的车辆的方框示意图。
如图11所示,该车辆20包括:自动驾驶系统600和自动驾驶车辆的软件架构平台10。
其中,自动驾驶系统具有的预设行车功能和预设泊车功能共用平台,平台用于获取车辆周围的环境信息、目标信息、运行状态信息和决策场景;根据运行状态信息和决策场景调用满足当前场景的预测算法,并基于预测算法对局部环境信息和目标或障碍物时序信息进行轨迹预测,生成车辆周围目标的预测轨迹;根据决策场景调用满足当前场景的决策算法,基于决策规划算法对车辆的车身信息、地图、定位信息和预测轨迹进行决策,得到行车或泊车的参考轨迹、参考轨迹边界、参考速度以及参考速度边界;根据决策场景调用满足当前场景的规划算法,利用规划算法对参考轨迹和参考轨迹边界进行轨迹规划,生成行车或泊车的最优轨迹,并利用规划算法对参考速度和参考速度边界进行速度规划,生成行车或泊车的最优速度;根据决策场景调用满足当前场景的控制算法,利用控制算法根据最优轨迹和最优速度控制车辆执行预设行车动作或预设泊车动作,实现车辆的自动行车和/或自动泊车。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上的自动驾驶车辆的控制方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列,现场可编程门阵列等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (13)
1.一种自动驾驶车辆的软件架构平台,其特征在于,所述车辆设置有预设行车功能和预设泊车功能,所述平台用于控制所述车辆实现所述预设行车功能和所述预设泊车功能,其中,所述平台包括:
获取模块,用于获取所述车辆感知的局部环境信息、目标或障碍物时序信息,以及所述车辆的运行状态信息和决策场景;
预测模块,用于根据所述运行状态信息和决策场景调用满足当前场景的预测算法,并基于所述预测算法对所述局部环境信息和所述目标或障碍物时序信息进行轨迹预测,生成所述车辆周围目标的预测轨迹;
决策模块,用于根据所述决策场景调用满足当前场景的决策算法,基于所述决策算法对所述车辆的车身信息、地图、定位信息和所述预测轨迹进行决策,得到行车或泊车的参考轨迹、参考轨迹边界、参考速度以及参考速度边界;
规划模块,用于根据所述决策场景调用满足当前场景的规划算法,利用所述规划算法对所述参考轨迹和所述参考轨迹边界进行轨迹规划,生成所述行车或泊车的最优轨迹,并利用所述规划算法对所述参考速度和所述参考速度边界进行速度规划,生成所述行车或泊车的最优速度;
控制模块,用于根据所述决策场景调用满足当前场景的控制算法,利用所述控制算法根据所述最优轨迹和所述最优速度控制所述车辆执行预设行车动作或预设泊车动作,实现所述车辆的自动行车和/或自动泊车。
2.根据权利要求1所述的平台,其特征在于,设置场景识别模块,根据车辆行驶环境,判断当前的决策场景,所述决策场景包括车道跟随场景、交叉路口场景、车库行车场景、车库泊车场景和掉头场景中的一种或多种,这些场景属于行车决策类场景和泊车决策类场景,所述行车决策类场景包括车道跟随场景、交叉路口场景、车库行车场景和掉头场景,所述泊车决策类场景包括车库泊车场景,其中,
若所述车辆满足预设掉头场景条件,则所述车辆进入掉头场景,进而调用掉头场景所需要的预测算法、决策算法、规划算法和控制算法;
若所述车辆满足预设交叉路口场景条件,则所述车辆进入交叉路口场景,进而调用交叉路口场景所需要的预测算法、决策算法、规划算法和控制算法;
若所述车辆满足预设车库行车场景条件,则所述车辆进入车库场景,进而调用车库行车场景所需要的预测算法、决策算法、规划算法和控制算法;
若所述车辆满足预设泊车场景条件,则所述车辆进入车库泊车场景,进而调用掉头泊车场景所需要的预测算法、决策算法、规划算法和控制算法。
3.根据权利要求1所述的平台,其特征在于,所述决策模块包括:
处理子模块,用于基于所述地图的实际类型确定候选车道集,筛选所述候选车道集中满足预设条件的候选车道,根据所述候选车道和预设参考线确定候选坐标系和边界,根据所述候选坐标系和边界进行预设交规决策,得到交规决策结果,并对所述车辆周围的障碍物进行标记,得到障碍物的横纵向标记结果;
决策子模块,用于根据所述决策场景调用满足当前场景的决策算法,利用所述决策算法对所述交规决策结果和所述障碍物的横纵向标记结果进行决策,确定所述候选坐标系下的路径边界约束和速度边界约束,根据所述路径边界约束和速度边界约束进行轨迹规划和轨迹特征提取,得到所述车辆的行车或泊车的参考轨迹、参考轨迹边界、参考速度以及参考速度边界。
4.根据权利要求3所述的平台,其特征在于,所述处理子模块具体用于:
若所述地图为预设高精度地图,则利用预设高精度地图与感知信息修正的策略处理预处理后的数据;
若所述地图为预设众包地图,则利用所述预设众包地图与感知信息相结合的策略处理预处理后的数据,其中,所述预设众包地图是结合多次实时感知的交通要素生成的道路先验信息图谱。
5.根据权利要求4所述的平台,其特征在于,所述预设众包地图与感知信息相结合的策略,包括:
根据所述预处理后的数据判断所述车辆当前所在车道的车道信息;
根据所述车道信息和所述感知信息进行定位校验,确定所述车辆当前所在车道的车道标识,利用所述车道标识搜索导航参考中心线,得到参考路径序列,并基于所述参考路径序列确定参考路径中心线点位置关系;
根据所述感知信息和所述参考路径中心线点位置关系进行相互校验和融合,得到所述当前所在车道的左右车道线关系,根据所述感知信息和所述左右车道线关系进行相互校验和融合,得到车道属性拓展信息;
根据所述感知信息、所述车道属性拓展信息、参考线中心线与边界线点序列进行相互校验和融合,输出参考中心线与边界序列,基于所述参考中心线与边界序列确定候选车道集。
6.根据权利要求1所述的平台,其特征在于,所述预测模块包括:
数据预处理子模块,用于对所述环境信息和所述目标或障碍物时序信息进行预处理,得到目标信息和预处理后的环境信息;
任务调度子模块,用于根据所述运行状态信息和决策场景调用满足当前场景的预测算法;
预测算法子模块,用于基于所述预测算法对所述目标信息和预处理后的环境信息进行目的地预测、意图预测和基于深度学习的轨迹预测,得到预测目的地、目标意图和模型生成轨迹,并基于所述预测目的地和目标意图得到规则生成轨迹,对所述模型生成轨迹和所述规则生成轨迹进行轨迹处理,得到车辆周围目标的预测轨迹。
7.根据权利要求6所述的平台,其特征在于,所述任务调度子模块具体用于:
若所述车辆处于预设车道跟随场景,则调用预设行车预测算法,其中,当所述车辆在行驶方向上与车库出口的距离小于第一阈值时,进入所述预设车道跟随场景;
若所述车辆处于预设车库行车场景,则调用预设车库行车场景预测算法,其中,当所述车辆在行驶方向上与车库入口的距离小于第二阈值时,进入所述预设车库行车场景。
8.根据权利要求6所述的平台,其特征在于,所述预测模块还包括:
数据触发子模块,用于触发记录预设场景数据和问题数据,并将触发后的数据上传至服务器,实现数据闭环。
9.根据权利要求1所述的平台,其特征在于,所述规划模块包括:
轨迹规划子模块,用于根据所述参考轨迹、所述参考轨迹边界、所述预测轨迹和所述车辆的定位信息规划最优路径;
速度规划子模块,用于根据所述最优路径、所述参考速度和所述参考速度边界规划最优速度。
10.根据权利要求1所述的平台,其特征在于,所述控制模块采用前馈与PID反馈组合的控制架构,且所述控制架构采用基于动态变化参数的双环PID控制算法。
11.一种自动驾驶车辆的控制方法,其特征在于,所述方法应用于车辆,用于控制所述车辆实现预设行车功能和预设泊车功能,其中,所述方法包括以下步骤:
获取所述车辆感知的局部环境信息、目标或障碍物时序信息,以及所述车辆的运行状态信息和决策场景;
根据所述运行状态信息和决策场景调用满足当前场景的预测算法,并基于所述预测算法对所述局部环境信息和所述目标或障碍物时序信息进行轨迹预测,生成所述车辆周围目标的预测轨迹;
根据所述决策场景调用满足当前场景的决策算法,基于所述决策规划算法对所述车辆的车身信息、地图、定位信息和所述预测轨迹进行决策,得到行车或泊车的参考轨迹、参考轨迹边界、参考速度以及参考速度边界;
根据所述决策场景调用满足当前场景的规划算法,利用所述规划算法对所述参考轨迹和所述参考轨迹边界进行轨迹规划,生成所述行车或泊车的最优轨迹,并利用所述规划算法对所述参考速度和所述参考速度边界进行速度规划,生成所述行车或泊车的最优速度;
根据所述决策场景调用满足当前场景的控制算法,利用所述控制算法根据所述最优轨迹和所述最优速度控制所述车辆执行预设行车动作或预设泊车动作,实现所述车辆的自动行车和/或自动泊车。
12.一种车辆,其特征在于,包括:
自动驾驶系统;
自动驾驶车辆的软件架构平台,其中,所述自动驾驶系统具有的预设行车功能和预设泊车功能共用所述平台,所述平台用于获取所述车辆周围的环境信息、目标信息、运行状态信息和决策场景;根据所述运行状态信息和决策场景调用满足当前场景的预测算法,并基于所述预测算法对局部环境信息和所述目标或障碍物时序信息进行轨迹预测,生成所述车辆周围目标的预测轨迹;根据所述决策场景调用满足当前场景的决策算法,基于所述决策规划算法对所述车辆的车身信息、地图、定位信息和所述预测轨迹进行决策,得到行车或泊车的参考轨迹、参考轨迹边界、参考速度以及参考速度边界;根据所述决策场景调用满足当前场景的规划算法,利用所述规划算法对所述参考轨迹和所述参考轨迹边界进行轨迹规划,生成所述行车或泊车的最优轨迹,并利用所述规划算法对所述参考速度和所述参考速度边界进行速度规划,生成所述行车或泊车的最优速度;根据所述决策场景调用满足当前场景的控制算法,利用所述控制算法根据所述最优轨迹和所述最优速度控制所述车辆执行预设行车动作或预设泊车动作,实现所述车辆的自动行车和/或自动泊车。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以用于实现如权利要求11所述的自动驾驶车辆的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310009347.1A CN116001805A (zh) | 2023-01-03 | 2023-01-03 | 自动驾驶车辆的软件架构平台、控制方法、车辆及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310009347.1A CN116001805A (zh) | 2023-01-03 | 2023-01-03 | 自动驾驶车辆的软件架构平台、控制方法、车辆及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116001805A true CN116001805A (zh) | 2023-04-25 |
Family
ID=86020766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310009347.1A Pending CN116001805A (zh) | 2023-01-03 | 2023-01-03 | 自动驾驶车辆的软件架构平台、控制方法、车辆及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116001805A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117698769A (zh) * | 2024-02-05 | 2024-03-15 | 上海鉴智其迹科技有限公司 | 自动驾驶的轨迹规划方法、装置、电子设备及存储介质 |
-
2023
- 2023-01-03 CN CN202310009347.1A patent/CN116001805A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117698769A (zh) * | 2024-02-05 | 2024-03-15 | 上海鉴智其迹科技有限公司 | 自动驾驶的轨迹规划方法、装置、电子设备及存储介质 |
CN117698769B (zh) * | 2024-02-05 | 2024-04-26 | 上海鉴智其迹科技有限公司 | 自动驾驶的轨迹规划方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022052406A1 (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
US11243532B1 (en) | Evaluating varying-sized action spaces using reinforcement learning | |
Wang et al. | Game theoretic approach for predictive lane-changing and car-following control | |
US20230124864A1 (en) | Graph Representation Querying of Machine Learning Models for Traffic or Safety Rules | |
CN111507372B (zh) | 在执行协同驾驶中的多智能体传感器的方法和装置 | |
CN110562258B (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
Aghabayk et al. | A novel methodology for evolutionary calibration of Vissim by multi-threading | |
JP2022516383A (ja) | 自律型車両の計画 | |
WO2021073781A1 (en) | Prediction and planning for mobile robots | |
Niranjan et al. | Deep learning based object detection model for autonomous driving research using carla simulator | |
CN113682312B (zh) | 一种融合深度强化学习的自主换道方法及系统 | |
CN113997954B (zh) | 一种车辆行驶意图预测方法、装置、设备及可读存储介质 | |
CN111967163B (zh) | 车辆仿真控制方法、装置、计算机设备及存储介质 | |
CN116001805A (zh) | 自动驾驶车辆的软件架构平台、控制方法、车辆及介质 | |
Qian et al. | Synchronous maneuver searching and trajectory planning for autonomous vehicles in dynamic traffic environments | |
WO2021134357A1 (zh) | 感知信息处理方法、装置、计算机设备和存储介质 | |
CN115050183A (zh) | 一种生成模拟交通流的方法 | |
KR102155054B1 (ko) | 인공지능을 활용한 주변차량 컷인 의도 예측 방법 | |
Garrido et al. | A two-stage real-time path planning: Application to the overtaking manuever | |
CN117032201A (zh) | 一种基于车路协同的矿井下自动驾驶车辆协调规划方法 | |
EP4397555A1 (en) | Software architecture platform and control method for autonomous vehicle, vehicle, and medium | |
CN115454082A (zh) | 车辆避障方法及系统、计算机可读存储介质和电子设备 | |
CN114822048A (zh) | 一种网联车的云端规划服务系统及方法 | |
Chang et al. | Interaction-based driving scenario classification and labeling | |
Wang et al. | Towards the next level of vehicle automation through cooperative driving: A roadmap from planning and control perspective |
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 |