CN116182884A - 基于frenet坐标系横纵解耦的智能车辆局部路径规划方法 - Google Patents

基于frenet坐标系横纵解耦的智能车辆局部路径规划方法 Download PDF

Info

Publication number
CN116182884A
CN116182884A CN202211744283.1A CN202211744283A CN116182884A CN 116182884 A CN116182884 A CN 116182884A CN 202211744283 A CN202211744283 A CN 202211744283A CN 116182884 A CN116182884 A CN 116182884A
Authority
CN
China
Prior art keywords
planning
path
track
speed
coordinate system
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
Application number
CN202211744283.1A
Other languages
English (en)
Inventor
哀薇
梅芳超
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202211744283.1A priority Critical patent/CN116182884A/zh
Publication of CN116182884A publication Critical patent/CN116182884A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • 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

Abstract

本发明公开了一种智能车辆局部路径规划方法、装置及存储介质，其中方法包括：根据定位信息和高精地图信息获取智能车局部路径规划需要的参考行驶路径；根据跟踪效果求解当前规划帧的规划起点；对参考行驶路径进行平滑，根据平滑后的参考行驶路径获取路径frenet坐标系；将静态障碍物和来向车辆投影至路径frenet坐标系，生成SL图，根据SL图获取路径规划轨迹；将动态障碍物短时预测轨迹投影至速度frenet坐标系，生成ST图，根据ST图获取速度规划轨迹；将路径规划轨迹和速度规划轨迹在自然坐标系上进行耦合，还原成高维度局部规划轨迹。本发明利用SL图和ST图对路径和速度分别进行处理，提高效率，可广泛应用于无人驾驶中的轨迹规划技术领域。

Description

基于frenet坐标系横纵解耦的智能车辆局部路径规划方法
技术领域
本发明涉及无人驾驶中的轨迹规划技术领域，尤其涉及一种智能车辆局部路径规划方法、装置及存储介质。
背景技术
自动驾驶汽车根据行驶场景可分为道路结构清晰、车道形状已知的高速公路、城市主干道场景和道路结构不清晰、车道形状未知的地下车库，乡间小道等开放场景。结构化场景中，其特点在于车道形状固定、环境动态性强、汽车行驶速度高、留给自动驾驶系统的响应时间较短。城市中车辆行驶主要面对的都是结构化道路场景，因此结构化道路中的局部路径规划是无人驾驶技术研究的重要内容之一。
目前，针对这类场景，主流思想都是基于采样来进行局部轨迹规划，包括随机采样和确定性采样两大类方法。
随机采样法主要有PRM(Probabilistic Roadmap，随机路线图)和RRT(Rapidly-exploring Random Tree，快速搜索随机树)方法。这类方法通过随机采样的方式实现对环境的逐步随机探索，能够快速得到局部轨迹的同时还能避免陷入局部最优。然而由于其探索过程具备随机性，因此导致这种方法的规划结果难以预测，在实际工业应用中存在一定的不可控性。
确定性采样法通过生成一定数量的采样轨迹的方式来达到遍历车辆的所有运动可能性的目的，以此获得满足约束条件的相对最优解。这种方法一般通过忽略约束条件或采用参数化轨迹模型的方式来计算得到大量的采样轨迹，存在较优的规划结果。但是同时会浪费大浪的计算资源和时间。
发明内容
为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种智能车辆局部路径规划方法、装置及存储介质。
本发明所采用的技术方案是：
一种智能车辆局部路径规划方法，包括以下步骤：
获取智能车的定位信息，根据定位信息和高精地图信息获取智能车局部路径规划需要的参考行驶路径；
获取上一帧中智能车的跟踪效果，根据跟踪效果求解当前规划帧的规划起点；
从规划起点开始，对参考行驶路径进行平滑，根据平滑后的参考行驶路径获取路径frenet坐标系；
将静态障碍物和来向车辆投影至路径frenet坐标系，生成SL图，根据SL图获取路径规划轨迹；
根据路径规划轨迹获取速度frenet坐标系，将动态障碍物短时预测轨迹投影至速度frenet坐标系，生成ST图，根据ST图获取速度规划轨迹；
将路径规划轨迹和速度规划轨迹在自然坐标系上进行耦合，还原成高维度局部规划轨迹。
进一步地，所述获取智能车的定位信息，根据定位信息和高精地图信息获取智能车局部路径规划需要的参考行驶路径，包括：
每一次局部路径规划开始前，结合定位信息和高精地图信息，在全局路径中截取车辆未来预设时间内需要前进的路段，并将该路段转换成智能车局部路径规划的参考行驶路径。
进一步地，所述获取上一帧中智能车的跟踪效果，根据跟踪效果求解当前规划帧的规划起点，包括：
获取智能车当前位置在上一帧规划轨迹的匹配点，根据匹配点求出对应的横向误差和纵向误差；
根据横向误差和纵向误差计算实时误差，用于表征跟踪效果；
根据实时误差求解出当前规划帧的规划起点。
进一步地，所述从规划起点开始，对参考行驶路径进行平滑，包括：
采用k点离散平滑算法对参考行驶路径进行平滑；其中，平滑要求如下：
1)要求离散点的连接曲线平滑，表现为连续平滑代价；
2)要求离散点之间的间隔均匀，表现为相对紧凑代价；
3)要求平滑之后的离散点不要偏离原始离散点，表现为原始相似代价。
进一步地，所述将静态障碍物和来向车辆投影至路径frenet坐标系，生成SL图，根据SL图获取路径规划轨迹，包括：
将静态障碍物和来向车辆投影至路径frenet坐标系，生成SL图；
在SL图中，在S维度上进行▽s的均匀采样，共形成n个离散点；
假设在n个离散点中，每个离散点的L方向坐标值为xi，对应的S维度的一阶、二阶、三阶导分别x′、x″、x″′；
根据靠近参考中心线代价、侧向速度代价、侧向加速度代价以及侧向加加速度代价来构建优化问题，求解优化问题获得路径规划轨迹。
进一步地，所述优化问题的表达式为：
Figure BDA0003977597610000031
式中，ωx、ωx′、ωx″、ωx″′为各个代价的权重参数。
进一步地，所述根据路径规划轨迹获取速度frenet坐标系，将动态障碍物短时预测轨迹投影至速度frenet坐标系，生成ST图，根据ST图获取速度规划轨迹，包括：
将生成的路径规划轨迹转化成速度规划参考的速度frenet坐标系；
将动态障碍物短时预测轨迹投影至速度frenet坐标系，生成ST图；
在ST图上以Δt为间隔进行离散采样，生成n个离散状态S1、S2、S3...Sn-1；
根据离散状态，采用动态规划算法，生成最优的速度规划曲线；
在速度规划曲线周围的凸空间内，采用二次规划优化，得到最终的速度规划轨迹。
进一步地，设动态规划的得到的离散点个数为n个，每个点的纵坐标s为si，考虑偏移参考位置代价、参考速度代价、参考加速度代价以及参考加加速度代价，得到的优化目标的表达式为：
Figure BDA0003977597610000032
式中，ωs、ωv、ωa、ωj为相应的代价权重。
本发明所采用的另一技术方案是：
一种智能车辆局部路径规划装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
本发明所采用的另一技术方案是：
一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
本发明的有益效果是：本发明基于frenet坐标系进行高维度解耦，将障碍物进行投影，利用SL图和ST图对路径和速度分别进行处理，避免直接在高维度上进行求解导致求解速度较慢的问题。
附图说明
为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1是本发明实施例中一种面向结构化道路的智能车辆局部路径规划方法的流程图；
图2是本发明实施例中当前帧规划起点示意图；
图3是本发明实施例中k点离散平滑算法示意图；
图4是本发明实施例中车辆局部路径环境示意图；
图5是本发明实施例中路径规划采样优化示意图；
图6是本发明实施例中速度规划中动态规划结果示意图；
图7是本发明实施例中速度规划中凸空间形成示意图；
图8是本发明实施例中速度规划中凸空间内二次规划结果示意图。
具体实施方式
下面详细描述本发明的实施例，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，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，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或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
为了节省计算资源和时间，可使用frenet坐标系进行解耦，并采用分层优化的思想，将高维度变量拆分成低维度变量单独优化；但是该方法的路径规划和速度规划是完全独立优化的，计算结果不一定是最优的。因此，进一步提出了一种基于frenet坐标系进行高维度解耦、将障碍物进行投影，然后利用SL图和ST图对路径和速度分别进行采样与优化的方法，避免直接在高维度上进行求解导致求解速度较慢的问题。另外，在路径规划层抛弃了先决策后优化的方法，达到了路径规划具有最优性。同时，本发明对每一帧的规划起点进行合理推断预测，不仅为当前帧的优化提供良好的初值，并且保证了规划系统时间上的一致性。在结构化道路复杂路况中本发明具有实时计算效率高、适应性强的优点。
如图1所示，本实施例提供一种面向结构化道路的智能车辆局部路径规划方法，包括以下步骤：
S1、获取智能车的定位信息，根据定位信息和高精地图信息获取智能车局部路径规划需要的参考行驶路径。
判断规划周期的属性，确定当前规划周期需要的局部参考路径。
在每个规划周期的开始，首先就是需要确定当前规划周期是否为初次规划、重规划或正常规划。设每帧规划需要的局部参考路径长度为dtotal，上一帧有效的参考路径长度为lvalid。
对于初次规划和重规划，由于没有上一帧参考值或者上一帧参考值失效，因此需要根据高精地图重新匹配长度为dtotal的未优化局部参考路径。
对于正常规划，只需要在上一帧有效的参考路径长度为lvalid后面再匹配上dtotal-lvalid长度的未优化局部参考路径。
S2、获取上一帧中智能车的跟踪效果，根据跟踪效果求解当前规划帧的规划起点。
作为可选的实施方式，采用了预测和匹配相结合的策略，确定当前规划周期无人车规划的起点。
求解智能车当前位置在上一帧规划轨迹的匹配点，求出对应横、纵向误差。根据实时误差，求解出当前规划帧的规划起点。
如图2，设当前时刻为t，车辆当前位置为A点(Ax,Ay)，每一帧规划周期为T秒，车辆在当前时刻的跟随上一帧规划结果的横向误差为Ed、纵向误差为Es，车辆当前航向速度为ν，横摆角为
Figure BDA0003977597610000051
加速度为a。
如果当前时刻的横纵向误差过大(横向误差阈值为Edth，横向误差阈值为Esth)，则采用动力学外推出车辆T秒之后的位置C点(Cx,Cy)，否则使用上一帧T秒后的匹配结果作为规划起点C，其匹配点横向坐标值为Cxmatch，纵向坐标坐标值为Cymatch。
在每一帧规划周期T秒内，车辆会继续在控制模块的执行下保持运动，设T秒后车辆运动到C点，则其位置的数学表达如下：
Figure BDA0003977597610000061
Figure BDA0003977597610000062
S3、从规划起点开始，对参考行驶路径进行平滑，根据平滑后的参考行驶路径获取路径frenet坐标系。
从规划起点开始，使用k点离散平滑算法，对步骤S1中生成的参考路径进行平滑处理，将平滑后参考路径转换为局部路径规划中参考的frenet坐标系。
平滑的评定标准分为三大类，一类是离散点的连接曲线尽量平滑、一类是离散点之间的间隔尽量均、另一类是平滑之后的离散点尽量不要偏离原始离散点。他们分别对应平滑代价、紧凑代价、几何相似代价。
如图3所示，设Pi为n个待优化的点中的一个，其对应的坐标分别为(xi,yi)；pir为一系列优化后的点，对应的坐标分别为(xir,yir)，X为待优化点的集合，buff为采样约束空间阈值，则k点离散平滑算法的具体数学问题表示为：
Figure BDA0003977597610000063
s.t-buff≤xir-xi≤buff
设X＝[x1 … xn-1]T，将平滑代价、紧凑代价、几何相似代价展开，设ωsmooth、ωlength、ωref为各项代价权重系数，写成如下二规划的形式：
costsmooth＝ωsmooth·XTA1 TA1X
costlength＝ωlength·XTA2 TA2X
costref＝ωref·(XTA3 TA3X+hTX)
其中，X为2n*1的列向量，A1为(2n-4)*2n的矩阵、A2为2n*(2n-2)的矩阵，A3为2n*2n的矩阵，h为2n*1的列向量。
将三项优化代价写在一起，整理后，最终二次规划的总代价的数学表达为：
costtotal＝XT(ωsmoothA1 TA1+ωlengthA2 TA2+ωrefA3 TA3)X+ωrefhTX
＝XTHX+fTX
其中：
H＝(ωsmoothA1 TA1+ωlengthA2 TA2+ωrefA3 TA3)
f＝ωrefhT
优化后的结果如图3所示，然后将其作为路径规划所需要的frenet坐标系。
S4、将静态障碍物和来向车辆投影至路径frenet坐标系，生成SL图，根据SL图获取路径规划轨迹。
将静态障碍物和来向车辆投影到步骤S3生成的frenet坐标系中，生成SL图。然后在SL图上限制可行使区间作为约束条件，进行轨迹优化，生成满足车辆动力学的路径规划轨迹。
从路径规划起点开始，将障碍物投影到步骤S3生成的frenet坐标系中。局部路径路况如图4所示，投影完成后生成的SL图为图5。在图5中，对S进行▽s的均匀采样，得到一系列离散点Xi。假设共采样n个点，每个点的L方向坐标值为xi，其对应的一阶、二阶、三阶导分别x′、x″、x″′。
根据靠近参考中心线代价、侧向速度代价、侧向加速度代价以及侧向加加速度代价，从而构建下列优化问题，其数学表达如下：
Figure BDA0003977597610000071
由于x′″i·Δs＝x″i+1-x″i，有
Figure BDA0003977597610000072
将其带入得：
Figure BDA0003977597610000073
经过化简、写成二次规划的形式有：
Figure BDA0003977597610000081
s.t l≤AX≤u其中：
Figure BDA0003977597610000082
Figure BDA0003977597610000083
Figure BDA0003977597610000084
Figure BDA0003977597610000085
/>
Figure BDA0003977597610000086
Figure BDA0003977597610000091
Figure BDA0003977597610000092
Figure BDA0003977597610000093
/>
Figure BDA0003977597610000094
Figure BDA0003977597610000095
Figure BDA0003977597610000096
最后，将上述构建的最优化数学使用优化工具进行求解，得到最终的路径规划轨迹，如图4中的自车运动规划或图5中的优化后的路径规划点。
S5、根据路径规划轨迹获取速度frenet坐标系，将动态障碍物短时预测轨迹投影至速度frenet坐标系，生成ST图，根据ST图获取速度规划轨迹。
将步骤S4中生成路径规划轨迹，转化成速度规划参考的frenet坐标系，并将动态障碍物短时预测轨迹投影到该frenet坐标系中，生成ST图。在ST图上使用动态规划，求出具有避障功能的粗糙轨迹，然后粗糙轨迹周围开辟凸空间，最终利用二次规划算法，优化生成满足车辆动力学的速度规划轨迹
采用动态规划和二次规划的方法，在骤S4中生成的路径规划轨迹基础上进行速度维度上的采样、优化，生成满足车辆动力学的速度规划轨迹。具体地，速度规划轨迹中主要分为三大步：
第一步：将步骤S4生成的路径规划作为速度规划的frenet坐标系，然后将动态障碍物投影到该坐标系上，形成对应ST图，如图6。然后在ST图上进行离散采样。设离散采样点状态共有n个，分别为S1、S2、S3...Sn-1。
第二步：采用动态规划的思想，在n个采样点S1、S2、S3...Sn-1中，找出最优的状态组合。参见图7，然后在最优组合离散点周围，根据约束关系形成凸空间。
第三步：参见图8，在第一步生成的粗略离散轨迹和第二步生成的凸空间内，采用优化的方法，求解出最优的速度轨迹。具体地，设动态规划的得到n个离散点的纵坐标为si，考虑偏离中心线代价、偏离参考速度代价、加速度代价、加加速度代价，可构建为如下的数学问题：
Figure BDA0003977597610000101
将
Figure BDA0003977597610000102
带入上式中，整理得：
Figure BDA0003977597610000103
经过化简、写成二次规划的形式有：
Figure BDA0003977597610000104
s.t l≤AX≤u
类似路径规划，其中：
Figure BDA0003977597610000105
/>
Figure BDA0003977597610000111
Figure BDA0003977597610000112
Figure BDA0003977597610000113
Figure BDA0003977597610000114
Figure BDA0003977597610000115
最后，将上述构建的最优化问题采用优化工具进行求解，得到最终的速度规划轨迹，如图8所示。
S6、将路径规划轨迹和速度规划轨迹在自然坐标系上进行耦合，还原成高维度局部规划轨迹。
将步骤S4中生成的路径规划轨迹和步骤S5中生成的速度规划轨迹在自然坐标系上进行耦合，还原成高维度局部规划轨迹。最终将满足车辆行驶安全、满足车辆动力学，人体舒适性的高维度规划轨迹发送给控制模块执行。
由上可知，本实施例提供一种面向结构化道路的智能车辆局部路径规划方法，解决了时间一致性问题，也解决了高维度优化求解速度慢等问题，并且利用了高精地图进行匹配，有效地提高了系统的定位精度，从而保证了无车人局部路径的可靠性。
综上所述，本实施例方法相对于现有技术，具有如下优点及有益效果：
(1)本发明实施例采用了预测和匹配相结合的策略，较为准确地动态预估了车辆在一个规划周期时间后的位置。为后期的优化算法提供了一个良好的初值，提高了系统的鲁棒性和时间一致性。
(2)本发明实施例通过高精度图获取精确的局部参考路径，然后提前对局部参考路径进行了平滑处理，保证了转换后frenet坐标系的精度，有效的减小了后期障碍物投影和碰撞检测的误差，提高了系统的精度。
(3)本发明实施例采用了frenet坐标系解耦的方法，分离式的对路径规划和速度规划进行求解。避免了较高维度优化而牺牲求解速度的问题，单独分离优化的方法提高了系统的实时性和响应速度。
(4)本发明实施例在速度规划过程中，根据实时障碍物投影产生的ST图，采用撒点采样结合动态规划的方法，开辟出二次规划需要的凸空间，保证了优化算法中必要条件的满足。
(5)本发明实施例对求解的到的路径规划和速度规划进行耦合，恢复成自然坐标系上的高维度信息，然后发送给控制模块执行，保证了模块间的解耦。
本实施例还提供一种智能车辆局部路径规划装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现图1所示方法。
本实施例的一种智能车辆局部路径规划装置，可执行本发明方法实施例所提供的一种智能车辆局部路径规划方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
本申请实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
本实施例还提供了一种存储介质，存储有可执行本发明方法实施例所提供的一种智能车辆局部路径规划方法的指令或程序，当运行该指令或程序时，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明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，多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。例如，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(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种智能车辆局部路径规划方法，其特征在于，包括以下步骤：
获取智能车的定位信息，根据定位信息和高精地图信息获取智能车局部路径规划需要的参考行驶路径；
获取上一帧中智能车的跟踪效果，根据跟踪效果求解当前规划帧的规划起点；
从规划起点开始，对参考行驶路径进行平滑，根据平滑后的参考行驶路径获取路径frenet坐标系；
将静态障碍物和来向车辆投影至路径frenet坐标系，生成SL图，根据SL图获取路径规划轨迹；
根据路径规划轨迹获取速度frenet坐标系，将动态障碍物短时预测轨迹投影至速度frenet坐标系，生成ST图，根据ST图获取速度规划轨迹；
将路径规划轨迹和速度规划轨迹在自然坐标系上进行耦合，还原成高维度局部规划轨迹。
2.根据权利要求1所述的一种智能车辆局部路径规划方法，其特征在于，所述获取智能车的定位信息，根据定位信息和高精地图信息获取智能车局部路径规划需要的参考行驶路径，包括：
每一次局部路径规划开始前，结合定位信息和高精地图信息，在全局路径中截取车辆未来预设时间内需要前进的路段，并将该路段转换成智能车局部路径规划的参考行驶路径。
3.根据权利要求1所述的一种智能车辆局部路径规划方法，其特征在于，所述获取上一帧中智能车的跟踪效果，根据跟踪效果求解当前规划帧的规划起点，包括：
获取智能车当前位置在上一帧规划轨迹的匹配点，根据匹配点求出对应的横向误差和纵向误差；
根据横向误差和纵向误差计算实时误差，用于表征跟踪效果；
根据实时误差求解出当前规划帧的规划起点。
4.根据权利要求1所述的一种智能车辆局部路径规划方法，其特征在于，所述从规划起点开始，对参考行驶路径进行平滑，包括：
采用k点离散平滑算法对参考行驶路径进行平滑；其中，平滑要求如下：
1)要求离散点的连接曲线平滑，表现为连续平滑代价；
2)要求离散点之间的间隔均匀，表现为相对紧凑代价；
3)要求平滑之后的离散点不要偏离原始离散点，表现为原始相似代价。
5.根据权利要求1所述的一种智能车辆局部路径规划方法，其特征在于，所述将静态障碍物和来向车辆投影至路径frenet坐标系，生成SL图，根据SL图获取路径规划轨迹，包括：
将静态障碍物和来向车辆投影至路径frenet坐标系，生成SL图；
在SL图中，在S维度上进行▽s的均匀采样，共形成n个离散点；
假设在n个离散点中，每个离散点的L方向坐标值为xi，对应的S维度的一阶、二阶、三阶导分别x′、x″、x″′；
根据靠近参考中心线代价、侧向速度代价、侧向加速度代价以及侧向加加速度代价来构建优化问题，求解优化问题获得路径规划轨迹。
6.根据权利要求5所述的一种智能车辆局部路径规划方法，其特征在于，所述优化问题的表达式为：
Figure FDA0003977597600000021
式中，ωx、ωx′、ωx″、ωx″′为各个代价的权重参数。
7.根据权利要求1所述的一种智能车辆局部路径规划方法，其特征在于，所述根据路径规划轨迹获取速度frenet坐标系，将动态障碍物短时预测轨迹投影至速度frenet坐标系，生成ST图，根据ST图获取速度规划轨迹，包括：
将生成的路径规划轨迹转化成速度规划参考的速度frenet坐标系；
将动态障碍物短时预测轨迹投影至速度frenet坐标系，生成ST图；
在ST图上以Δt为间隔进行离散采样，生成n个离散状态S1、S2、S3...Sn-1；
根据离散状态，采用动态规划算法，生成最优的速度规划曲线；
在速度规划曲线周围的凸空间内，采用二次规划优化，得到最终的速度规划轨迹。
8.根据权利要求7所述的一种智能车辆局部路径规划方法，其特征在于，设动态规划的得到的离散点个数为n个，每个点的纵坐标s为si，考虑偏移参考位置代价、参考速度代价、参考加速度代价以及参考加加速度代价，得到的优化目标的表达式为：
Figure FDA0003977597600000022
式中，ωs、ωv、ωa、ωj为相应的代价权重。
9.一种智能车辆局部路径规划装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现权利要求1-8任一项所述方法。
10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-7任一项所述方法。
CN202211744283.1A 2022-12-02 2022-12-02 基于frenet坐标系横纵解耦的智能车辆局部路径规划方法 Pending CN116182884A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211744283.1A CN116182884A (zh) 2022-12-02 2022-12-02 基于frenet坐标系横纵解耦的智能车辆局部路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211744283.1A CN116182884A (zh) 2022-12-02 2022-12-02 基于frenet坐标系横纵解耦的智能车辆局部路径规划方法

Publications (1)

Publication Number Publication Date
CN116182884A true CN116182884A (zh) 2023-05-30

Family

ID=86439584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211744283.1A Pending CN116182884A (zh) 2022-12-02 2022-12-02 基于frenet坐标系横纵解耦的智能车辆局部路径规划方法

Country Status (1)

Country Link
CN (1) CN116182884A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116414140A (zh) * 2023-06-08 2023-07-11 北京中科智易科技股份有限公司 无人作战车辆路径规划方法、装置及计算机存储介质
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

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116414140A (zh) * 2023-06-08 2023-07-11 北京中科智易科技股份有限公司 无人作战车辆路径规划方法、装置及计算机存储介质
CN116414140B (zh) * 2023-06-08 2023-08-04 北京中科智易科技股份有限公司 无人作战车辆路径规划方法、装置及计算机存储介质
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

Similar Documents

Publication Publication Date Title
CN111771141B (zh) 自动驾驶车辆中使用3d cnn网络进行解决方案推断的lidar定位
CN111971574B (zh) 用于自动驾驶车辆的lidar定位的基于深度学习的特征提取
CN112099496B (zh) 一种自动驾驶训练方法、装置、设备及介质
KR102350181B1 (ko) 자율 주행 차량에서 rnn 및 lstm을 사용하여 시간적 평활화를 수행하는 lidar 위치 추정
CN109263639B (zh) 基于状态栅格法的驾驶路径规划方法
CN110015306B (zh) 驾驶轨迹获取方法及装置
WO2021175313A1 (zh) 自动驾驶控制方法、装置、车辆及存储介质
CN116182884A (zh) 基于frenet坐标系横纵解耦的智能车辆局部路径规划方法
CN112356830A (zh) 一种基于模型强化学习的智能泊车方法
Kapania Trajectory planning and control for an autonomous race vehicle
CN113568416B (zh) 无人车轨迹规划方法、装置和计算机可读存储介质
CN114228690B (zh) 一种基于ddpg和迭代控制的自动驾驶车辆侧倾控制方法
CN113984080A (zh) 一种适用于大型复杂场景下的分层局部路径规划方法
CN115840454B (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
US20230126130A1 (en) Drivable surface map for autonomous vehicle navigation
US20230127185A1 (en) Drivable surface map for autonomous vehicle navigation
WO2023069398A1 (en) Drivable surface map for autonomous vehicle navigation
CN115542899A (zh) 车辆路径跟踪的方法、装置、车辆、电子设备及介质
CN115230688A (zh) 障碍物轨迹预测方法、系统和计算机可读存储介质
CN114179835B (zh) 基于真实场景下强化学习的自动驾驶车辆决策训练方法
CN116448134B (zh) 基于风险场与不确定分析的车辆路径规划方法及装置
Yamauchi et al. Adaptive identification method of vehicle modeling according to the fluctuation of road and running situation in autonomous driving
Di et al. Design and Validation of Reversing Assistant Based on Extreme Learning Machine
Wang et al. Robust Path Planning Of Obstacle Avoidance For Unmanned delivery robot
CN116424365A (zh) 一种融合运动学模型的深度学习车辆轨迹预测方法

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