CN116147654B - 一种基于离线路径库的路径规划方法 - Google Patents
一种基于离线路径库的路径规划方法 Download PDFInfo
- Publication number
- CN116147654B CN116147654B CN202310416076.1A CN202310416076A CN116147654B CN 116147654 B CN116147654 B CN 116147654B CN 202310416076 A CN202310416076 A CN 202310416076A CN 116147654 B CN116147654 B CN 116147654B
- Authority
- CN
- China
- Prior art keywords
- path
- limiting area
- library
- obtaining
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于离线路径库的路径规划方法,属于自动驾驶路径规划技术领域,包括以下步骤:获取车体的近端限定区域和远端限定区域,组成路径库限定区域并进行栅格化处理;获取所述路径库限定区域的初始路径簇并进行平滑处理;将平滑后的路径簇和障碍物投影至所述路径库限定区域的栅格上,剔除障碍物占据的路径;以行驶效率、道路可行性和行驶平滑性为约束,获取栅格上剩余路径的代价并排序,将代价最小的路径作为最优路径。本发明基于无人车的外型参数和运动学特性,设计了离线路径库限定区域建立的方法和离线路径簇生成的方法,快速地为无人车提供符合运动学约束的路径簇,提高路径规划的实时性,减少无人车计算成本。
Description
技术领域
本发明属于自动驾驶路径规划技术领域,特别是涉及一种基于离线路径库的路径规划方法。
背景技术
随着自动驾驶技术的发展,包括仓储、运输、环卫等领域在内的无人车应用得到快速普及,逐渐取代部分传统的人工方式,增加了效率的同时减少了用工成本,其中针对这些真实道路和低速行驶场景下的路径规划一直是研究的重点之一。
局部路径规划是在已知地图信息的环境下,在无人车起点与规划的终点之间,根据道路信息、障碍物位置和行驶状态规划出一条合适的路径。针对无人车的运动学或动力学特性、所处的地形环境以及所执行的任务不同,局部路径的指标也有所不同,局部路径的评估一般包括最短路径、最短时间、路径平滑度等指标,选择合适的评估标准可以有效的提升局部路径的质量。
一些常见的路径规划算法,例如Lattice Planner、A*等,可以针对合适的场景,在满足约束的情况下,规划出具有针对性的、精确的、可自主避障的局部路径,但是部分的规划算法需要按照规划频率进行在线优化,这些方法往往无法满足实时性要求,而另一些算法则由于所生成路径有折线段构成,导致曲率在折线处发生突变,无法满足规划路径的连续性以及无人车行驶的安全性。此外,一些离线路径库的规划方法使用地图所提供的信息进行路径规划,但这些方法往往依赖于地图的构建,且无法有效应对局部的动态场景。
针对这些问题,亟需提出一种基于离线路径库的路径规划方法,提升路径规划的实时性、路径的平滑性与行驶的安全性,减少计算成本,实现快速有效的、可自主避障的局部路径规划。
发明内容
本发明的目的是提供一种基于离线路径库的路径规划方法,通过对无人车在真实道路和低速行驶应用场景的分析,结合阿克曼底盘无人车的外型参数和运动学特性,设计了更快速和更准确的局部路径规划方法;通过基于离线路径库生成和路径平滑的方法,再剔除冲突路径,最后利用代价函数获得最优路径,实现局部路径规划,以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了一种基于离线路径库的路径规划方法,包括以下步骤:
获取车体的近端限定区域和远端限定区域,组成路径库限定区域并进行栅格化处理;
获取所述路径库限定区域的初始路径簇并进行平滑处理;
将平滑后的路径簇和障碍物投影至所述路径库限定区域的栅格上,剔除障碍物占据的路径;
以行驶效率、道路可行性和行驶平滑性为约束,获取栅格上剩余路径的代价并排序,将代价最小的路径作为最优路径。
可选地,获取车体的近端限定区域和远端限定区域的过程包括:基于最小转弯半径和无人车轴距,获的限定区域的宽度;基于最小转弯半径和以最小转弯半径为半径所作扇形的角度,获得近端限定区域的底边长度;基于所述限定区域的宽度和无人车最大转弯角度,获得近端限定区域的长度;基于总规划长度和所述近端限定区域的长度,获得远端限定区域的长度,进而获得近端限定区域和远端限定区域。
可选地,获取所述路径库限定区域的初始路径簇的过程包括:在近端限定区域基于三次样条插值生成规划路径,并通过无人车最小转弯半径生成极限转向路径;在远端限定区域以所述规划路径末点为新起点,基于二次幂函数生成感知路径;基于所述规划路径、极限转向路径以及感知路径,获得初始路径簇。
可选地,在近端限定区域生成规划路径的过程包括:在近端限定区域使用极坐标表示路径信息,获得极坐标下的规划路径,采用三次样条插值拟合出所述极坐标下的规划路径的极角与极径的变化关系,并将极坐标转换成直角坐标,进而获得直角坐标下的规划路径。
可选地,对初始路径簇进行平滑处理的过程包括:在近端限定区域的规划路径末端与远端限定区域的感知路径始端分别选取若干控制点组成控制点集合,进而以规划路径和感知路径的连接处为中点,向前和向后选择所述控制点集合中预设数量的控制点,基于三次准均匀B样条曲线对所述规划路径和感知路径的连接处进行平滑处理。
可选地,剔除障碍物占据的路径的过程包括:将所述路径库限定区域分割成等大的栅格,并对每个栅格进行编号,将平滑后的路径簇和障碍物投影至栅格上后,对平滑后的路径簇所处的栅格以及障碍物占据的栅格进行对比,并通过编号检索出障碍物对应的栅格,进而剔除被障碍物占据的路径。
可选地,获取栅格上剩余路径的代价的过程包括:基于规划平滑性约束及其对应的权重、远端路径的参考线距离约束及其对应的权重和远端路径的道路边界约束及其对应的权重,构建代价函数,并基于所述代价函数获取栅格上剩余路径的代价。
可选地,获取所述规划平滑性约束、远端路径的参考线距离约束和远端路径的道路边界约束的过程包括:基于当前时刻的每条近端路径采样点与参考线横向误差以及上一时刻所选最优近端路径与参考线的横向误差,获得所述规划平滑性约束;基于各远端路径组采样点对于参考线的横向误差,获得参考线距离约束;基于各路径超出道路范围的采样点个数,获得远端路径的道路边界约束。
本发明的技术效果为:
1.本发明基于无人车的外型参数和运动学特性,设计了离线路径库限定区域建立的方法和离线路径簇生成的方法,快速地为无人车提供符合运动学约束的路径簇,提高路径规划的实时性,减少无人车计算成本。
2.本发明针对不同路径间生成方式不同所导致的路径连接处的不平滑问题,采用B样条曲线对初始路径进行平滑处理,消除了初始路径簇的不连续性。
3.本发明设计了基于行驶效率、道路可行性、行驶平滑性的代价函数,在快速获取可行路径簇的前提下,针对无人车当前的姿态和道路状况,为无人车选择更准确的规划路径。
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为本发明实施例中的基于离线路径库的路径规划方法流程图;
图2为本发明实施例中的路径库限定区域示意图;
图3为本发明实施例中的路径簇生成示意图;
图4为本发明实施例中的冲突路径剔除示意图;
图5为本发明实施例中的最优路径示意图。
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。
实施例一
如图1所示,本实施例中提供一种基于离线路径库的路径规划方法,首先根据无人车外型参数以及运动学特性设计了基于最小转弯半径的路径库限定区域;然后通过三次样条插值在近端限定区域生成规划路径,通过二次幂函数在远端限定区域生成感知路径;再通过B样条曲线对所生成的路径进行平滑处理;再栅格化限定区域,将障碍物、路径投影至栅格图上,剔除被障碍物占据的冲突路径;最后针对高精地图下的道路信息以及应用场景,设计了基于行驶效率、道路可行性、行驶平滑性等约束的代价函数,通过计算各路径代价,选择代价最小的最优路径,实现路径规划。
具体的,本实施例包括以下步骤:
步骤一:根据无人车外型参数和运动学特性构建靠近车体的近端限定区域和原理车体的远端限定区域,并组成路径库限定区域,如图2所示:
由于无人车的转向受到运动学特性的约束,实际生成的局部路径应当满足无人车最小转弯半径以及最大转向角限制。本实施例利用无人车外型参数和运动学约束对局部路径簇生成区域进行两段限定。如图1所示,A与B分别表示靠近车体的近端限定区域以及远离车体的远端限定区域,其中与/>分别表示限定区域的总长度、近端限定区域底边长度、近端限定区域长度与远端限定区域长度,/>为限定区域宽度,/>为车辆最大转向角,其中,限定区域宽度/>、底边边长/>和近端限定区底边长度/>,远端限定区域长度/> 可由如下公式表示:
其中,为无人车轴距,/>为以/>为半径,交车头与限定区域左/右侧扇形的角度,/>为总规划长度。在选取合适的总规划长度后,通过已知的无人车外型参数和运动学特征,以车头为起点,利用公式(1)-(4)构建近端限定区域和远端限定区域,组成路径库限定区域。
步骤二:在近端限定区域通过三次样条插值生成规划路径,通过最小转弯半径生成极限转向路径,然后以规划路径末点为新起点,在远端限定区域通过二次幂函数生成感知路径:
在生成两段限定区域后,初始局部路径簇按照不同的划分区域使用不同方式生成。如图3所示,首先在近端限定区域,以车头为原点,画出连接近端限定区域顶边的黑色实线,这些虚线表示为在极坐标下的规划路径,每条规划路径有极角与极径/>,且与最大转向角的关系如下所示:
其中,为各规划路径的角度间隔,由所需要生成的规划路径数决定。通过三次样条插值拟合出极角与极径的变化关系,再从极坐标转换成直角坐标,形成规划路径。然而仅生成规划路径不足以覆盖无人车可能的行驶路径,因此需要额外增加两条补充路径以及两条极限转向路径。如图3所示,以车头为原点,画直线段交于近端限定区域边界中点即为补充路径,用黑色点虚线表示。同时,以无人车最小转向运动圆心为原点,以/>为半径作交于近端限定区域底边两端点的弧,形成极限转向路径。
在远端限定区域,以规划路径末点为起点,使用二次幂函数生成感知路径,其中二次幂函数有如下形式:
其中是移动和扩大曲线开口的系数,该系数可通过所设置的远端限定区域边界点求得。当该系数取值越大时,/>所形成的开口则越大,左右两侧感知路径开口并不受到限定区域宽度的限制,仅需保证在传感器感知范围内即可。在函数中减去该系数则为了保证函数的起点始终位于各近端限定区域内路径的末端位置。
步骤三:采用B样条曲线对近端限定区域和远端限定区域的初始路径簇作平滑处理:
通过分区域产生的初始路径簇由于无法保证在连接处线段的连续性与平滑性,需要采用B样条曲线对所产生的初始路径簇进行平滑处理。为保证生成的曲线尽可能贴近原曲线,避免高阶曲线拟合所产生的龙格现象,同时尽可能相切于连接处的起点和终点,本实施例使用三次准均匀B样条曲线对路径连接处进行平滑处理。首先在各近端限定区域规划路径末端与远端限定区域感知路径前端各选取个控制点组成控制点集合,接着以路径连接处为中点,向前和向后选择集合中一定数量的控制点,利用三次准均匀B样条曲线对所选控制点进行拟合。三次B样条曲线总方程可以由如下公式:
其中表示控制点下标,/>表示B样条曲线阶数,/>表示曲线节点,/>表示第/>个/>阶的基函数。使用上述方法生成平滑曲线段后,对各线段进行拼接,生成平滑后的路径簇。
步骤四:对限定区域进行栅格化,将路径簇和障碍物投影至栅格上,通过对比障碍物和路径的栅格,对被障碍物占据的路径进行剔除:
若障碍物位于限定区域内,被占据的部分路径可视为冲突路径,这些路径不参与成本函数的计算,可以被剔除以提高搜索和计算效率。如图4所示,限定区域按照设定的尺寸分割成等大的栅格,每个栅格从左至右,从下至上进行编号,对被占据和未被占据的栅格进行快速检索,剔除与障碍物冲突的路径。路径簇和障碍物同时投影至限定区域栅格上,考虑到障碍物投影所处栅格附近仍存在部分路径使得车体与障碍物发生碰撞,其投影区域大小实际为障碍物投影面积加上车体部分面积。每条路径所处栅格是固定不变的,当障碍物与路径同时位于某块栅格区域时,仅需对障碍物进行实时投影,而无须对路径簇进行重复投影操作。
步骤五:如图5所示,针对高精地图的道路信息以及无人车行驶状况,设计基于行驶效率、道路可行性、行驶平滑性等约束的代价函数,其中,代价函数有如下形式:
其中,表示第/>条近端路径的代价函数,/>和/>为约束权重,/>为规划平滑性约束,/>与/>分别为参考线距离约束和道路边界约束,各代价项有如下形式:
其中,表示某组路径的路径总数,/>与/>表示某条远端路径或近端路径采样点与参考线的横向误差,/>表示上一时刻所选最优路径采样点与参考线的横向误差,/>为第j条路径超出道路范围的采样点个数。在计算各路径代价后选择代价最小的路径作为最优路径,实现无人车的局部路径规划。
本实施例设计了离线路径库限定区域建立的方法和离线路径簇生成的方法,提高路径规划的实时性,减少路径规划计算成本;采用了B样条曲线对所生成路径连接处进行平滑处理,消除了路径的不连续性;设计了基于高精地图应用场景下的代价函数,为无人车提供了更精确的路径规划策略。
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 (5)
1.一种基于离线路径库的路径规划方法,其特征在于,包括以下步骤:
获取车体的近端限定区域和远端限定区域,组成路径库限定区域并进行栅格化处理;
获取所述路径库限定区域的初始路径簇并进行平滑处理;
将平滑后的路径簇和障碍物投影至所述路径库限定区域的栅格上,剔除障碍物占据的路径;
以行驶效率、道路可行性和行驶平滑性为约束,获取栅格上剩余路径的代价并排序,将代价最小的路径作为最优路径;
获取车体的近端限定区域和远端限定区域的过程包括:基于最小转弯半径和无人车轴距,获得限定区域的宽度;基于最小转弯半径和以最小转弯半径为半径所作扇形的角度,获得近端限定区域的底边长度;基于所述限定区域的宽度和无人车最大转弯角度,获得近端限定区域的长度;基于总规划长度和所述近端限定区域的长度,获得远端限定区域的长度,进而获得近端限定区域和远端限定区域;
剔除障碍物占据的路径的过程包括:将所述路径库限定区域分割成等大的栅格,并对每个栅格进行编号,将平滑后的路径簇和障碍物投影至栅格上后,对平滑后的路径簇所处的栅格以及障碍物占据的栅格进行对比,并通过编号检索出障碍物对应的栅格,进而剔除被障碍物占据的路径;
获取栅格上剩余路径的代价的过程包括:基于规划平滑性约束及其对应的权重、远端路径的参考线距离约束及其对应的权重和远端路径的道路边界约束及其对应的权重,构建代价函数,并基于所述代价函数获取栅格上剩余路径的代价。
2.根据权利要求1所述的基于离线路径库的路径规划方法,其特征在于,
获取所述路径库限定区域的初始路径簇的过程包括:在近端限定区域基于三次样条插值生成规划路径,并通过无人车最小转弯半径生成极限转向路径;在远端限定区域以所述规划路径末点为新起点,基于二次幂函数生成感知路径;基于所述规划路径、极限转向路径以及感知路径,获得初始路径簇。
3.根据权利要求2所述的基于离线路径库的路径规划方法,其特征在于,
在近端限定区域生成规划路径的过程包括:在近端限定区域使用极坐标表示路径信息,获得极坐标下的规划路径,采用三次样条插值拟合出所述极坐标下的规划路径的极角与极径的变化关系,并将极坐标转换成直角坐标,进而获得直角坐标下的规划路径。
4.根据权利要求2所述的基于离线路径库的路径规划方法,其特征在于,
对初始路径簇进行平滑处理的过程包括:在近端限定区域的规划路径末端与远端限定区域的感知路径始端分别选取若干控制点组成控制点集合,进而以规划路径和感知路径的连接处为中点,向前和向后选择所述控制点集合中预设数量的控制点,基于三次准均匀B样条曲线对所述规划路径和感知路径的连接处进行平滑处理。
5.根据权利要求1所述的基于离线路径库的路径规划方法,其特征在于,
获取所述规划平滑性约束、远端路径的参考线距离约束和远端路径的道路边界约束的过程包括:基于当前时刻的每条近端路径采样点与参考线横向误差以及上一时刻所选最优近端路径与参考线的横向误差,获得所述规划平滑性约束;基于各远端路径组采样点对于参考线的横向误差,获得参考线距离约束;基于各路径超出道路范围的采样点个数,获得远端路径的道路边界约束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310416076.1A CN116147654B (zh) | 2023-04-19 | 2023-04-19 | 一种基于离线路径库的路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310416076.1A CN116147654B (zh) | 2023-04-19 | 2023-04-19 | 一种基于离线路径库的路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116147654A CN116147654A (zh) | 2023-05-23 |
CN116147654B true CN116147654B (zh) | 2023-07-25 |
Family
ID=86339244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310416076.1A Active CN116147654B (zh) | 2023-04-19 | 2023-04-19 | 一种基于离线路径库的路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116147654B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116540747B (zh) * | 2023-07-06 | 2023-10-20 | 中国科学技术大学 | 一种避停优先的移动机器人运动规划与避障决策方法 |
CN116540748B (zh) * | 2023-07-07 | 2023-10-31 | 上海仙工智能科技有限公司 | 一种在导航路径上规划机器人绕行路径的方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107063280B (zh) * | 2017-03-24 | 2019-12-31 | 重庆邮电大学 | 一种基于控制采样的智能车辆路径规划系统及方法 |
CN110657814A (zh) * | 2018-06-29 | 2020-01-07 | 比亚迪股份有限公司 | 轨迹规划方法和装置、车辆及其控制方法和系统 |
CN110749333B (zh) * | 2019-11-07 | 2022-02-22 | 中南大学 | 基于多目标优化的无人驾驶车辆运动规划方法 |
US11619943B2 (en) * | 2020-03-20 | 2023-04-04 | Tusimple, Inc. | Optimal path library for local path planning of an autonomous vehicle |
US20210403032A1 (en) * | 2020-06-25 | 2021-12-30 | Tusimple, Inc. | Two-level path planning for autonomous vehicles |
CN111857160B (zh) * | 2020-08-17 | 2023-06-02 | 武汉中海庭数据技术有限公司 | 一种无人车路径规划方法和装置 |
CN113495566B (zh) * | 2021-08-21 | 2023-03-31 | 福州大学 | 一种基于曲率约束融合势场法的D*Lite无人车局部路径规划方法 |
CN115683141A (zh) * | 2022-10-12 | 2023-02-03 | 中国科学院合肥物质科学研究院 | 一种未知环境下用于自动驾驶的局部参考路径生成方法 |
-
2023
- 2023-04-19 CN CN202310416076.1A patent/CN116147654B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116147654A (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116147654B (zh) | 一种基于离线路径库的路径规划方法 | |
CN110320933B (zh) | 一种巡航任务下无人机避障运动规划方法 | |
CN110954122B (zh) | 高速场景下的自动驾驶轨迹生成方法 | |
WO2019042295A1 (zh) | 一种无人驾驶路径规划方法、系统和装置 | |
CN110032182B (zh) | 一种融合可视图法和稳定稀疏随机快速树机器人规划算法 | |
Song et al. | Laser‐based SLAM automatic parallel parking path planning and tracking for passenger vehicle | |
Rufli et al. | On the design of deformable input-/state-lattice graphs | |
CN113448335A (zh) | 路径规划方法和装置、车辆和可读存储介质 | |
Jian et al. | A global-local coupling two-stage path planning method for mobile robots | |
CN110657814A (zh) | 轨迹规划方法和装置、车辆及其控制方法和系统 | |
CN108180921A (zh) | 利用gps数据的ar-hud导航系统及其导航方法 | |
CN111060108A (zh) | 路径规划方法和装置、工程车辆 | |
CN111896004A (zh) | 一种狭窄通道车辆轨迹规划方法及系统 | |
WO2024087654A1 (zh) | 一种自动驾驶车辆导航控制方法及系统 | |
Huang et al. | Research on path planning algorithm of autonomous vehicles based on improved RRT algorithm | |
Banzhaf et al. | From footprints to beliefprints: Motion planning under uncertainty for maneuvering automated vehicles in dense scenarios | |
Cao et al. | Implementing B-spline path planning method based on roundabout geometry elements | |
CN113335270B (zh) | 一种泊车路径规划方法和装置 | |
Yu et al. | Hierarchical framework integrating rapidly-exploring random tree with deep reinforcement learning for autonomous vehicle | |
CN117007066A (zh) | 多规划算法集成的无人驾驶轨迹规划方法及相关装置 | |
CN116202522A (zh) | 无人机路径规划方法、装置、电子设备及存储介质 | |
CN114987492A (zh) | 一种考虑曲率约束的自动驾驶车辆轨迹平滑优化方法 | |
Ventura | Safe and flexible hybrid control architecture for the navigation in formation of a group of vehicles | |
CN114115268A (zh) | 路径生成方法、装置、交通工具及存储介质 | |
CN114404985A (zh) | 虚拟角色的路径规划方法及装置、电子设备、存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |