CN116353629A - 运动路径生成方法、车辆控制方法、装置及存储介质 - Google Patents
运动路径生成方法、车辆控制方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116353629A CN116353629A CN202310283375.2A CN202310283375A CN116353629A CN 116353629 A CN116353629 A CN 116353629A CN 202310283375 A CN202310283375 A CN 202310283375A CN 116353629 A CN116353629 A CN 116353629A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target
- vehicle state
- vector
- motion
- 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
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
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- 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
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0013—Optimal controllers
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0062—Adapting control system settings
- B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
-
- 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)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本公开提供了一种运动路径生成方法、车辆控制方法、装置及存储介质,涉及智能驾驶技术领域和车联网技术领域。该运动路径生成方法包括:基于车辆的待处理运动路径,确定待处理车辆状态向量;将待处理车辆状态向量中的待处理车辆状态元素,以及车辆的初始运动控制向量和初始车辆状态向量输入至基于第一目标函数构建得到的运动路径优化模型,输出目标车辆状态向量和目标运动控制向量,其中,第一目标函数基于目标惩罚函数构建得到,目标惩罚函数基于约束条件信息确定;以及根据目标车辆状态向量和目标运动控制向量,生成用于控制车辆执行运动操作的目标运动路径。
Description
技术领域
本公开涉及智能驾驶技术领域和车联网技术领域,更具体地,涉及一种运动路径生成方法、车辆控制方法、装置、电子设备、存储介质及计算机程序产品。
背景技术
随着科技的快速发展,自动驾驶功能被广泛地应用于乘用车、物流载具、自动巡检车等车辆中。例如可以根据路径搜索算法等相关算法生成运动路径,以便于车辆根据运动路径移动,实现如自动泊车、自动巡检等自动行驶功能。
在实现本公开构思的过程中,发明人发现相关技术中至少存在如下问题:相关技术中用于生成运动路径的方法通常难以满足复杂的约束条件,同时存在计算耗时较长等问题,难以实现车辆的高效运动。
发明内容
有鉴于此,本公开提供了一种运动路径生成方法、车辆控制方法、装置、电子设备、存储介质及计算机程序产品。
本公开的一个方面提供了一种运动路径生成方法,包括:
基于车辆的待处理运动路径,确定待处理车辆状态向量;
将上述待处理车辆状态向量中的待处理车辆状态元素,以及上述车辆的初始运动控制向量和初始车辆状态向量输入至基于第一目标函数构建得到的运动路径优化模型,输出目标车辆状态向量和目标运动控制向量,其中,上述第一目标函数基于目标惩罚函数构建得到,上述目标惩罚函数基于约束条件信息确定;以及
根据上述目标车辆状态向量和上述目标运动控制向量,生成用于控制上述车辆执行运动操作的目标运动路径。
根据本公开的实施例,上述约束条件信息包括约束条件函数项和约束条件值;
上述运动路径生成方法还包括:
根据上述约束条件信息中,上述约束条件函数与上述约束条件值之间的约束限制关系,构建初始惩罚函数;
根据上述初始惩罚函数与惩罚参数,确定上述目标惩罚函数;以及
根据上述目标惩罚函数,更新与车辆运动学模型对应的初始目标函数,得到上述第一目标函数。
根据本公开的实施例,上述约束条件信息包括避障约束条件信息;
上述运动路径生成方法还包括:
根据在第k时刻,上述车辆的第k车辆位置信息和目标障碍物之间的位置关系,确定避障约束条件函数项;以及
根据上述避障约束条件函数项与避障约束条件值之间的约束限制关系,确定上述避障约束条件信息。
根据本公开的实施例,上述约束条件信息包括运动状态约束条件信息;
上述运动路径生成方法还包括:
根据在第k时刻,上述车辆的第k运动控制元素和预设运动控制阈值之间的约束限制关系,确定上述运动状态约束条件信息。
根据本公开的实施例,将上述待处理车辆状态向量中的待处理车辆状态元素,以及上述车辆的初始运动控制向量和初始车辆状态向量输入至基于第一目标函数构建得到的运动路径优化模型包括:
将上述待处理车辆状态元素,以及上述车辆的初始运动控制向量和初始车辆状态向量输入至上述第一目标函数,以便对上述第一目标函数执行求解操作,输出第m车辆状态向量和第m运动控制向量;以及
在上述第m车辆状态向量和上述第m运动控制向量满足上述约束条件信息的情况下,将上述第m车辆状态向量和上述第m运动控制向量分别确定为目标车辆状态向量和目标运动控制向量。
根据本公开的实施例,将上述待处理车辆状态向量中的待处理车辆状态元素,以及上述车辆的初始运动控制向量和初始车辆状态向量输入至基于第一目标函数构建得到的运动路径优化模型还包括:
在上述第m车辆状态向量和/或上述第m运动控制向量不满足上述约束条件信息的情况下,采用如下方式处理上述第一目标函数,直至得到上述目标车辆状态向量和上述目标运动控制向量,上述方式包括:
基于预设规则更新第m目标函数中的第m惩罚参数,得到第m+1目标函数;
对上述第m+1目标函数执行求解操作,得到第m+1车辆状态向量和第m+1运动控制向量,以便判断上述第m+1车辆状态向量和/或上述第m+1运动控制向量,与上述约束条件信息之间的匹配关系,以及在上述匹配关系表征上述第m+1车辆状态向量和/或上述第m+1运动控制向量不满足上述约束条件的情况下,迭代地基于上述预设规则更新第m+1惩罚参数;以及
在上述匹配关系表征上述第m+1车辆状态向量和上述第m+1运动控制向量满足上述约束条件的情况下,将上述第m+1车辆状态向量和上述第m+1运动控制向量,分别确定为上述目标车辆状态向量和上述目标运动控制向量。
根据本公开的实施例,上述运动路径生成方法还包括:
基于上述初始车辆状态向量中的初始车辆状态元素,与上述待处理车辆状态元素之间的差值,确定初始车辆状态差异项;以及
基于上述初始车辆状态差异项和上述初始运动控制元素,构建上述与车辆运动学模型对应的初始目标函数。
根据本公开的实施例,上述目标车辆状态向量包括以下至少一项:目标车辆位置向量、目标车辆朝向角向量;上述目标运动控制向量包括以下至少一项:目标车速向量、目标车辆转向角向量。
本公开的另一个方面还提供了一种车辆控制方法,包括:
根据如上所述的运动路径生成方法生成目标运动路径;以及
基于上述目标运动路径控制车辆执行运动操作。
本公开的另一个方面还提供了一种运动路径生成装置,包括:
待处理车辆状态向量确定模块,用于基于车辆的待处理运动路径,确定待处理车辆状态向量;
运动路径优化处理模块,用于将上述待处理车辆状态向量中的待处理车辆状态元素,以及上述车辆的初始运动控制向量和初始车辆状态向量输入至基于第一目标函数构建得到的运动路径优化模型,输出目标车辆状态向量和目标运动控制向量,其中,上述第一目标函数基于目标惩罚函数构建得到,上述目标惩罚函数基于约束条件信息确定;以及
第一目标运动路径生成模块,用于根据上述目标车辆状态向量和上述目标运动控制向量,生成用于控制上述车辆执行运动操作的目标运动路径。
本公开的另一个方面还提供了一种车辆控制装置,包括:
第二目标运动路径生成模块,用于根据如上所述的运动路径生成方法生成目标运动路径;以及
车辆控制模块,用于基于上述目标运动路径控制车辆执行运动操作。
本公开的另一个方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述方法。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
本公开的另一方面提供了一种计算机程序产品,所述计算机程序产品包括计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
根据本公开的实施例,由于基于约束条件信息确定目标惩罚函数,且第一目标函数时基于目标惩罚函数构建得到,因此第一目标函数可以是无约束条件的目标函数,进而实现将约束条件信息转化为第一目标函数的优化目标,从而可以基于强化学习算法等相关算法来求解第一目标函数,使求解结果可以较为精确地约束条件信息,因此至少部分解决了相关技术中用于确定运动路径的计算耗时较长,计算结果难以满足约束条件的技术问题,可以根据目标运动路径来实现针对车辆的精准控制,可以实现提升车辆运动控制精度的技术效果。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的可以应用运动路径生成方法、装置的示例性系统架构;
图2示意性示出了根据本公开实施例的运动路径生成方法的流程图;
图3示意性示出了根据本公开另一实施例的运动路径生成方法的流程图;
图4示意性示出了根据本公开实施例的将待处理车辆状态向量中的待处理车辆状态元素,以及车辆的初始运动控制向量和初始车辆状态向量输入至基于第一目标函数构建得到的运动路径优化模型的流程图;
图5示意性示出了根据本公开实施例的运动路径生成方法的应用场景图;
图6示意性示出了根据本公开实施例的车辆控制方法的流程图;
图7示意性示出了根据本公开的实施例的运动路径生成装置的框图;
图8示意性示出了根据本公开的实施例的车辆控制装置的框图;以及
图9示意性示出了根据本公开实施例的适于实现运动路径生成方法、车辆控制方法的电子设备的框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本公开的实施例中,所涉及的数据(例如,包括但不限于用户个人信息)的收集、更新、分析、处理、使用、传输、提供、公开、存储等方面,均符合相关法律法规的规定,被用于合法的用途,且不违背公序良俗。特别地,对用户个人信息采取了必要措施,防止对用户个人信息数据的非法访问,维护用户个人信息安全、网络安全。
在本公开的实施例中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
在无人车运动路径规划的相关应用场景中,通常需要基于路径搜索模块来首先对移动空间离散化,然后考虑相关约束条件进行启发式搜索,来确定一条可行的大致运动路径(待处理运动路径)。
而待处理运动路径通常是较为曲折且不平滑,无人车因为物理上的限制,无法较好地沿着这条待处理运动路径行驶。因此需要相关路径平滑模块对待处理运动路径进行平滑处理,在需要满足约束条件的同时使待处理运动路径变得光滑,生成平滑后的运动路径,使无人车更易于执行运动操作。
路径平滑问题可以被建模为一个带约束的数值最优化问题。但发明人发现由于车辆运动学模型是非线性的,同时由避障约束条件等约束条件也是非线性、或非凸的,因此求解路径平滑问题后往往也是非凸的,求解难度较大。对此,相关技术中通常将上述的非凸优化问题(路径平滑问题)简化为凸优化问题,并使用相关凸优化算法来方求解出一条平滑的路径。但这种简化求解过程丢掉了原路径平滑问题的许多细节,优化后的平滑路径不仅不是最优的,存在不满足约束条件的情况,可能导致潜在的安全性问题。
本公开的实施例提供了一种运动路径生成方法、车辆控制方法、装置、电子设备、存储介质及计算机程序产品。该运动路径生成方法包括:基于车辆的待处理运动路径,确定待处理车辆状态向量;将待处理车辆状态向量中的待处理车辆状态元素,以及车辆的初始运动控制向量和初始车辆状态向量输入至基于第一目标函数构建得到的运动路径优化模型,输出目标车辆状态向量和目标运动控制向量,其中,第一目标函数基于目标惩罚函数构建得到,目标惩罚函数基于约束条件信息确定;以及根据目标车辆状态向量和目标运动控制向量,生成用于控制车辆执行运动操作的目标运动路径。
根据本公开的实施例,由于基于约束条件信息确定目标惩罚函数,且第一目标函数时基于目标惩罚函数构建得到,因此第一目标函数可以是无约束条件的目标函数,进而实现将约束条件信息转化为第一目标函数的优化目标,从而可以基于强化学习算法等相关算法来求解第一目标函数,使求解结果可以精确地满足一个或多个约束条件信息,进而可以使得到的目标运动路径可以精确地满足约束条件信息,因此至少部分解决了相关技术中用于确定运动路径的计算耗时较长,计算结果难以满足约束条件的技术问题,进而可以根据目标运动路径来实现针对车辆的精准控制,实现提升车辆运动控制精度的技术效果。
图1示意性示出了根据本公开实施例的可以应用运动路径生成方法、装置的示例性系统架构。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、车辆103、网络104和服务器105。网络104用以在终端设备101、102、车辆103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、车辆103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。车辆103上可以安装有相应的客户端应用程序或者信息采集装置。
终端设备101、102可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
车辆103可以是能够接收并发送消息,并能够与服务器105通过网络104建立通信连接的无人车、巡检机器人、具有辅助驾驶功能的乘用车辆等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102所浏览的网站提供支持的后台管理服务器(仅为示例),后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。服务器105或者还可以是对车辆103所采集或检测到的信息进行处理的服务器,服务器105可以对车辆103所采集到的车辆状态信息等信息进行处理,生成运动路径,或还可以基于生成的运动路径控制车辆103移动。
需要说明的是,本公开实施例所提供的运动路径生成方法一般可以由车辆103执行。相应地,本公开实施例所提供的运动路径生成装置一般可以设置于车辆103中。或者,本公开实施例所提供的运动路径生成方法也可以由终端设备101、102执行。相应地,本公开实施例所提供的运动路径生成装置也可以设置于终端设备101、102中。或者,本公开实施例所提供的运动路径生成方法也可以由服务器105执行。相应地,本公开实施例所提供的运动路径生成装置也可以设置于服务器105中。
本公开实施例所提供的运动路径生成方法也可以由不同于服务器105且能够与终端设备101、102、车辆103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的运动路径生成装置也可以设置于不同于服务器105且能够与终端设备101、102、车辆103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的运动路径生成方法的流程图。
如图2所示,该运动路径生成方法包括操作S210~S230。
在操作S210,基于车辆的待处理运动路径,确定待处理车辆状态向量。
在操作S220,将待处理车辆状态向量中的待处理车辆状态元素,以及车辆的初始运动控制向量和初始车辆状态向量输入至基于第一目标函数构建得到的运动路径优化模型,输出目标车辆状态向量和目标运动控制向量,其中,第一目标函数基于目标惩罚函数构建得到,目标惩罚函数基于约束条件信息确定。
在操作S230,根据目标车辆状态向量和目标运动控制向量,生成用于控制车辆执行运动操作的目标运动路径。
根据本公开的实施例,待处理运动路径可以包括基于相关路径规划算法得到的初始路径,例如可以基于路径搜索算法来生成待处理路径。待处理路径的路径形态通常较为曲折,使目标对象(车辆)难以按照待处理路径执行运动操作,需要对待处理路径的路径形态进行平滑处理后,生成平滑后的目标运动路径以控制无人车等目标对象高效地执行运动操作。
根据本公开的实施例,待处理车辆状态向量可以包括待处理路径中表征车辆的位置、航向角等待处理车辆状态信息,相应地可以再待处理路径中的多个采样点的每个均确定有与该采样点对应的待处理车辆状态信息,并基于多个采样点各自对应的待处理车辆状态元素,进而确定待处理车辆状态向量。
例如,待处理车辆状态信息可以包括第k采样点,车辆的车辆的位置信息为xr,k和yr,k,以及车辆的航向角信息θr,k,可以定义第k采样点的待处理车辆状态元素为Xr,k=[xr,k,yr,k,θr,k]T,根据K个采样点各自的待处理车辆状态元素,可以确定待处理车辆状态向量。
根据本公开的实施例,初始车辆状态向量可以是基于K个采样点各自的初始车辆状态元素来确定的,基于上述相同或相似的方式可以确定与待处理车辆状态向量对应的初始车辆状态向量。
根据本公开的实施例,初始运动控制向量可以包括用于控制车辆执行运动操作的运动控制信息,例如可以包括车辆的车速信息、转向角信息等。相应地,K个采样点各自可以对应有初始运动控制向量。
根据本公开的实施例,约束条件信息可以是表征针对车辆执行运动操作过程中进行约束控制的相关信息,例如车辆的速度约束控制信息、转向角约束控制信息等。本公开的实施例对约束条件信息的具体类型不做限定,本领域技术人员可以根据实际需求设定任意类型和/或任意数量的约束条件信息。
根据本公开的实施例,第一目标函数可以是用于优化待处理运动路径的目标函数,相对于相关技术中采用约束条件来求解目标函数,第一目标函数中包含有基于约束条件信息确定的目标惩罚函数,可以进一步加快第一目标函数的收敛速度,实现相对较快速地求解初始运动控制向量和初始车辆状态向量,即相对较快速地计算得到目标车辆状态向量和目标运动控制向量,至少部分解决相关技术中生成运动路径耗时较长的技术问题。
根据本公开的实施例,由于基于约束条件信息确定目标惩罚函数,且第一目标函数时基于目标惩罚函数构建得到,因此第一目标函数可以是无约束条件的目标函数,进而实现将约束条件信息转化为第一目标函数的优化目标,从而可以基于强化学习算法来求解第一目标函数,使求解结果可以精确地满足一个或多个约束条件信息,进而可以使得到的目标运动路径可以精确地满足约束条件信息,因此至少部分解决了相关技术中用于确定运动路径的计算耗时较长,计算结果难以满足约束条件的技术问题,进而可以根据目标运动路径来实现针对车辆的精准控制,实现提升车辆运动控制精度的技术效果。
根据本公开的实施例,运动路径生成方法还可以包括如下操作。
基于初始车辆状态向量中的初始车辆状态元素,与待处理车辆状态元素之间的差值,确定初始车辆状态差异项;以及基于初始车辆状态差异项和初始运动控制元素,构建与车辆运动学模型对应的初始目标函数。
根据本公开的实施例,第k采样点的初始车辆状态元素可以表示为Xk=[xk,yk,θk]T,其中,xk和yk表示第k采样点车辆的位置信息,θk表示第k采样点车辆的航向角信息。相应地,第k采样点的初始运动控制元素可以表示为Uk=[vk,δk]T,vk为第k采样点的初始车速信息,δk为第k采样点的初始转向角信息。车辆运动学模型可以通过如下公式(1)至公式(3)表示。
xk+1=xk+vk cos(θk)Δt; (1)
yk+1=yk+vk sin(θk)Δt; (2)
其中,Δt表示第k采样点与第k+1采样点之间的采样间隔时长。
进一步地,可以将上述离散的车辆运动学模型(即公式(1)至公式(3))通过公式(4)来表示。
Xk+1=F(Xk,Uk); (4)
公式(4)中,Xk+1表示第k+1采样点的初始车辆状态元素。同时可以将与车辆运动学模型对应的初始目标函数通过如下公式(5)来表示。
公式(5)中,(Xk-Xr,k)T表示第k采样点的初始车辆状态差异项,,XK表示K个采样点中第K采样点的初始车辆状态元素,Xr,K表示K个采样点中第K采样点的待处理车辆状态元素,Qk表示车辆状态参数与运动控制量参数。例如Qk可以是半正定矩阵。Uk表示初始运动控制元素,R表示运动控制量参数,例如R可以是正定矩阵。可以限制车辆的运动控制信号,避免运动控制信号变化过大,实现对车辆运动的优化控制效果。
公式(5)中,(Xk-Xr,k)TQk(Xk-Xr,k)可以对目标运动路径与待处理运动路径之间的偏差进行限制,使平滑后得到的目标运动路径与待处理运动路径之间的相似度较高。
需要说明的是,公式(1)至公式(3)可以是基于车辆后轴中心为参考点的车辆运动学方程生成的。本领域技术人员可以基于其他的车辆运动学方程来确定相应的车辆运动学模型,例如基于车辆前轴中心为参考点的车辆运动学方程生成新的车辆运动学模型,本公开的实施例对此不做限定。
根据本公开的实施例,初始目标函数可以至少部分实现待处理运动路径的平滑优化。同时还可以基于其他的约束条件信息和与约束条件信息对应的惩罚参数来确定目标惩罚函数,将目标惩罚函数添加至初始目标函数中,实现无约束条件信息的求解操作,并将求解得到的目标目标车辆状态向量和目标运动控制向量输入至公式(4)或车辆运动学模型中,实现生成平滑后的目标运动路径。
根据本公开的实施例,目标车辆状态向量包括以下至少一项:目标车辆位置向量、目标车辆朝向角向量;目标运动控制向量包括以下至少一项:目标车速向量、目标车辆转向角向量。
根据本公开的实施例,目标车辆位置向量可以是K个采样点各自对应的目标车辆位置元素构建得到的向量信息。相应地,目标车辆朝向角向量、目标车速向量和目标车辆转向角向量可以基于上述相同或相似的方式构建得到,本公开的实施例对此不再赘述。
根据本公开的实施例,约束条件信息可以包括约束条件函数项和约束条件值。
图3示意性示出了根据本公开另一实施例的运动路径生成方法的流程图。
如图3所示,运动路径生成方法还可以包括操作S310~S330。
在操作S310,根据约束条件信息中,约束条件函数与约束条件值之间的约束限制关系,构建初始惩罚函数。
在操作S320,根据初始惩罚函数与惩罚参数,确定目标惩罚函数。
在操作S330,根据目标惩罚函数,更新与车辆运动学模型对应的初始目标函数,得到第一目标函数。
根据本公开的实施例,约束条件函数与约束条件值之间需要满足对应的约束限制关系。通过初始惩罚函数与惩罚参数确定的目标惩罚函数,可以使约束条件信息转化为第一目标函数中的目标惩罚函数。
在本公开的一个实施例中,约束条件信息可以包括避障约束条件信息,该避障约束条件信息可以约束目标运动路径,与运动空间中的障碍物对象之间相距目标距离,以实现车辆对障碍物对象的躲避。
根据本公开的实施例,约束条件信息包括避障约束条件信息。
运动路径生成方法还可以包括如下操作。
根据在第k时刻,车辆的第k车辆位置信息和目标障碍物之间的位置关系,确定避障约束条件函数项;以及根据避障约束条件函数项与避障约束条件值之间的约束限制关系,确定避障约束条件信息。
避障约束条件信息可以表示为gk(Xk)<0,其中,gk(Xk)可以表示约束条件函数项,0可以表示约束条件值,约束限制关系可以通过“小于”来表征约束条件函数项小于约束条件值。通过gk(Xk)<0可以表示目标运动路径对于躲避障碍物的安全性约束条件。
约束条件函数项gk(Xk)可以通过如下公式(6)来表示。
公式(6)中,Robs表示障碍物覆盖的半径范围,xobs和yobs可以表示障碍物的位置信息。(xobs,yobs)可以表示障碍物的圆心位置。初始惩罚函数可以通过公式(7)表示。
[gk(Xk)]-=max(0,gk(Xk)); (7)
相应地,目标惩罚函数可以表示为μ([gk(Xk)]-)2。其中,μ表示惩罚参数,且μ>0。基于该目标惩罚函数,第一目标函数可以通过公式(8)来表示。
通过公式(8)可知,在gk(Xk)<0的情况下,即满足避障约束条件信息的情况下,目标惩罚函数恒等于0,即μ([gk(Xk)]-)2≡0。在gk(Xk)>0的情况下,即不满足避障约束条件信息的情况下,目标惩罚函数大于0,从而实现对违背避障约束条件信息的惩罚,迫使第一目标函数朝向满足避障约束条件信息的方向收敛,从而实现解决第一目标函数的优化求解操作,即实现生成平滑后的目标运动路径。
根据本公开的实施例,通过生成目标惩罚函数,并基于目标惩罚函数来更新初始目标函数,得到第一目标函数,可以实现将初始目标函数的约束条件信息作为第一目标函数的优化目标,从而实现将待处理运动路径的平滑问题,建模为具有优化目标的最优解求解问题,实现目标车辆状态向量和目标运动控制向量的快速求解,避免相关技术中存在的目标函数求解失败的技术问题,进而提升目标运动路径生成的效率。
根据本公开的实施例,约束条件信息包括运动状态约束条件信息。
运动路径生成方法还可以包括如下操作。
根据在第k时刻,车辆的第k运动控制元素和预设运动控制阈值之间的约束限制关系,确定运动状态约束条件信息。
根据本公开的实施例,第k时刻可以对应于第k采样点,运动状态约束条件信息可以通过公式(9)表示。
fk(Uk)<0,k=0,1,2,…,K-1; (9)
公式(9)中,fk(Uk)可以通过如下公式(10)至公式(13)中的任意一个或多个来表示。
fk,2(Uk)=δ-δk<0; (11)
fk,4(Uk)=v-vk<0; (13)
公式(10)至公式(13)中,与δ分别为车辆转向角上限阈值与车辆转向角下限阈值,/>与v分别为车辆的车速上限阈值与车速下限阈值。其中,预设运动控制阈值可以包括车辆转向角上限阈值、车辆转向角下限阈值车速上限阈值与车速下限阈值中的任意一项或多项。
基于上述实施例中相同或相似的方式,同样可以基于运动状态约束条件信息生成对应的目标惩罚函数。例如与运动状态约束条件信息对应的目标惩罚函数可以表示为λ([fk(Uk)]-)2。其中,λ表示与运动状态约束条件信息对应的惩罚参数,[fk(Uk)]-=max(0,fk(Uk))。相应地,根据与运动状态约束条件信息对应的目标惩罚函数λ([fk(Uk)]-)2,可以更新初始目标函数,得到对应的第一目标函数。
在本公开的一个实施例中,还可以基于与运动状态约束条件信息对应的目标惩罚函数λ([fk(Uk)]-)2,以及与避障约束条件信息对应的目标惩罚函数μ([gk(Xk)]-)2共同用于更新初始目标函数,得到包含有两个目标惩罚函数的第一目标函数,并基于该第一目标函数来确定目标车辆状态向量和目标运动控制向量,生成目标运动路径。
图4示意性示出了根据本公开实施例的将待处理车辆状态向量中的待处理车辆状态元素,以及车辆的初始运动控制向量和初始车辆状态向量输入至基于第一目标函数构建得到的运动路径优化模型的流程图。
如图4所示,操作S220中,将待处理车辆状态向量中的待处理车辆状态元素,以及车辆的初始运动控制向量和初始车辆状态向量输入至基于第一目标函数构建得到的运动路径优化模型可以包括操作S410~S420。
在操作S410,将待处理车辆状态元素,以及车辆的初始运动控制向量和初始车辆状态向量输入至第一目标函数,以便对第一目标函数执行求解操作,输出第m车辆状态向量和第m运动控制向量。
在操作S420,在第m车辆状态向量和第m运动控制向量满足约束条件信息的情况下,将第m车辆状态向量和第m运动控制向量分别确定为目标车辆状态向量和目标运动控制向量。
根据本公开的实施例,可以将初始车辆状态向量定义为 相应地,还可以将初始运动控制向量定义为为便于计算,可以设定X(0)=0,U(0)=0,并基于本公开实施例提供的运动路径生成方法来确定第一目标函数,例如基于公式(8)确定第一目标函数,其中的惩罚参数μ=10。基于强化学习算法来对第一目标函数执行求解操作,可以迭代地得到第m车辆状态向量X(m),以及第m运动控制向量U(m)。通过将第m车辆状态向量X(m),以及第m运动控制向量U(m)输入至车辆运动学模型可以确定其是否满足约束条件,或者还可以基于第一目标函数收敛的情况下对应的第m车辆状态向量X(m),以及第m运动控制向量U(m),确定目标车辆状态向量和目标运动控制向量。
根据本公开的实施例,强化学习算法可以包括迭代线性二次调节器算法(iLQR,Iterative Linear Quadratic Regulator),但不仅限于此,还可以包括其他类型的强化学习算法,例如线型二次型调节器算法(LQR,Linear Quadratic Regulator)、微分动态规划算法(DDP,Differential Dynamic Programming)等,本公开的实施例对强化学习算法的具体类型不做限定,本领域技术人员可以根据实际需求进行选择。
在本公开的一个实施例中,可以将计算得到的第m车辆状态向量X(m),以及第m运动控制向量U(m),输入至与第一目标函数对应的约束条件信息中,得到匹配关系。在匹配关系表征第m车辆状态向量X(m),以及第m运动控制向量U(m)均满足各自对应的约束条件信息的情况下,将第m车辆状态向量X(m)和第m运动控制向量U(m),分别确定为目标车辆状态向量和目标运动控制向量。
根据本公开的实施例,操作S220中,将待处理车辆状态向量中的待处理车辆状态元素,以及车辆的初始运动控制向量和初始车辆状态向量输入至基于第一目标函数构建得到的运动路径优化模型还可以包括如下操作。
在第m车辆状态向量和/或第m运动控制向量不满足约束条件信息的情况下,采用如下方式处理第一目标函数,直至得到目标车辆状态向量和目标运动控制向量,该方式包括:基于预设规则更新第m目标函数中的第m惩罚参数,得到第m+1目标函数;对第m+1目标函数执行求解操作,得到第m+1车辆状态向量和第m+1运动控制向量,以便判断第m+1车辆状态向量和/或第m+1运动控制向量,与约束条件信息之间的匹配关系,以及在匹配关系表征第m+1车辆状态向量和/或第m+1运动控制向量不满足约束条件的情况下,迭代地基于预设规则更新第m+1惩罚参数;以及在匹配关系表征第m+1车辆状态向量和第m+1运动控制向量满足约束条件的情况下,将第m+1车辆状态向量和第m+1运动控制向量,分别确定为目标车辆状态向量和目标运动控制向量。
根据本公开的实施例,基于预设规则更新第m惩罚参数μm,可以包括基于预设权重参数和第m惩罚参数μm的乘积来生成第m+1惩罚参数μm+1,预设权重参数例如可以设定为10。但不仅限于此,还可以基于其他预设规则来更新第m惩罚参数μm,例如还可以基于第m惩罚参数μm的m次幂来生成第m+1惩罚参数μm+1,本公开的实施例对预设规则的具体设定方式不做限定,本领域技术人员可以根据实际需求进行设计,只要能够满足逐渐增大惩罚参数即可。
应该理解的是,第m目标函数中相对于第一目标函数,可以是包含有更新后的第m惩罚参数μm。相应地,第m+1目标函数可以是通过对第m目标函数中的第m惩罚参数μm,更新为第m+1惩罚参数μm+1后生成的。
根据本公开的实施例,通过将第m惩罚参数μm作为更新得到第第m+1惩罚参数μm+1的初始值,可以为每一次求解第一目标函数提供更优的惩罚参数,进而实现第一目标函数的快速求解,提升确定目标车辆状态向量和目标运动控制向量的效率和成功率,客服了相关技术中,进而实现提升目标运动路径生成效率的技术效果。
图5示意性示出了根据本公开实施例的运动路径生成方法的应用场景图。
如图5所示,在该应用场景500中,可以包括基于路径搜索算法确定的待处理运动路径511。将待处理运动路径511输入至运动路径生成模块520中的待处理车辆状态向量检测模型521,可以根据待处理运动路径511,确定K个采样点(采样时刻)各自对应的待处理车辆状态向量。然后将待处理车辆状态向量,以及预设的初始运动控制向量和初始车辆状态向量,输入至基于基于第一目标函数构建得到的构建的运动路径优化模型522,可以执行对于第一目标函数的求解操作,例如通过更新惩罚参数的方式实现第一目标函数的快速求解,得到优化后的目标车辆状态向量和目标运动控制向量。并基于优化后的目标车辆状态向量和目标运动控制向量生成针对待处理运动路径511进行平滑后的目标运动路径512。
图6示意性示出了根据本公开实施例的车辆控制方法的流程图。
如图6所示,车辆控制方法可以包括操作S610~操作S620。
在操作S610,根据上文描述的运动路径生成方法生成目标运动路径。
在操作S620,基于目标运动路径控制车辆执行运动操作。
根据本公开的实施例,根据上述目标路径生成方法生成的目标运动路径可以在满足避障约束条件信息、运动状态约束条件信息等复杂的约束条件信息的同时,实现运动路径的平滑。从而根据目标运动路径控制车辆执行运动操作,可以提升车辆执行运动操作的效率,进而提升车辆运动的稳定性与精准性。
需要说明的是,本公开实施例中所记载的车辆可以包括任意类型的交通工具,例如可以包括无人车、具有辅助驾驶功能的乘用车、巡检机器人等等,本公开的实施例对车辆的具体类型不做限定,本领域技术人员可以根据实际需求进行选择。
图7示意性示出了根据本公开的实施例的运动路径生成装置的框图。
如图7所示,运动路径生成装置700包括待处理车辆状态向量确定模块710、运动路径优化处理模块720和第一目标运动路径生成模块730。
待处理车辆状态向量确定模块710用于基于车辆的待处理运动路径,确定待处理车辆状态向量。
运动路径优化处理模块720用于将待处理车辆状态向量中的待处理车辆状态元素,以及车辆的初始运动控制向量和初始车辆状态向量输入至基于第一目标函数构建得到的运动路径优化模型,输出目标车辆状态向量和目标运动控制向量,其中,第一目标函数基于目标惩罚函数构建得到,目标惩罚函数基于约束条件信息确定。
第一目标运动路径生成模块730用于根据目标车辆状态向量和目标运动控制向量,生成用于控制车辆执行运动操作的目标运动路径。
根据本公开的实施例,约束条件信息包括约束条件函数项和约束条件值。
运动路径生成装置还包括:初始惩罚函数构建模块、目标惩罚函数确定模块和初始目标函数更新模块。
初始惩罚函数构建模块用于根据约束条件信息中,约束条件函数与约束条件值之间的约束限制关系,构建初始惩罚函数。
目标惩罚函数确定模块用于根据初始惩罚函数与惩罚参数,确定目标惩罚函数。
初始目标函数更新模块用于根据目标惩罚函数,更新与车辆运动学模型对应的初始目标函数,得到第一目标函数。
根据本公开的实施例,约束条件信息包括避障约束条件信息。
运动路径生成装置还包括:避障约束条件函数项确定模块和避障约束条件信息确定模块。
避障约束条件函数项确定模块用于根据在第k时刻,车辆的第k车辆位置信息和目标障碍物之间的位置关系,确定避障约束条件函数项。
避障约束条件信息确定模块用于根据避障约束条件函数项与避障约束条件值之间的约束限制关系,确定避障约束条件信息。
根据本公开的实施例,约束条件信息包括运动状态约束条件信息。
运动路径生成装置还包括运动状态约束条件信息确定模块。
运动状态约束条件信息确定模块,用于根据在第k时刻,车辆的第k运动控制元素和预设运动控制阈值之间的约束限制关系,确定运动状态约束条件信息。
根据本公开的实施例,运动路径优化处理模块包括:第一求解单元和第一运动路径优化处理单元。
第一求解单元用于将待处理车辆状态元素,以及车辆的初始运动控制向量和初始车辆状态向量输入至第一目标函数,以便对第一目标函数执行求解操作,输出第m车辆状态向量和第m运动控制向量。
第一运动路径优化处理单元用于在第m车辆状态向量和第m运动控制向量满足约束条件信息的情况下,将第m车辆状态向量和第m运动控制向量分别确定为目标车辆状态向量和目标运动控制向量。
根据本公开的实施例,运动路径优化处理模块还包括第二运动路径优化处理单元。
第二运动路径优化处理单元用于在第m车辆状态向量和/或第m运动控制向量不满足约束条件信息的情况下,采用如下方式处理第一目标函数,直至得到目标车辆状态向量和目标运动控制向量,方式包括:
基于预设规则更新第m目标函数中的第m惩罚参数,得到第m+1目标函数;对第m+1目标函数执行求解操作,得到第m+1车辆状态向量和第m+1运动控制向量,以便判断第m+1车辆状态向量和/或第m+1运动控制向量,与约束条件信息之间的匹配关系,以及在匹配关系表征第m+1车辆状态向量和/或第m+1运动控制向量不满足约束条件的情况下,迭代地基于预设规则更新第m+1惩罚参数;以及在匹配关系表征第m+1车辆状态向量和第m+1运动控制向量满足约束条件的情况下,将第m+1车辆状态向量和第m+1运动控制向量,分别确定为目标车辆状态向量和目标运动控制向量。
根据本公开的实施例,运动路径生成装置还包括:初始车辆状态差异项确定模块和初始目标函数构建模块。
初始车辆状态差异项确定模块用于基于初始车辆状态向量中的初始车辆状态元素,与待处理车辆状态元素之间的差值,确定初始车辆状态差异项。
初始目标函数构建模块用于基于初始车辆状态差异项和初始运动控制元素,构建与车辆运动学模型对应的初始目标函数。
根据本公开的实施例,目标车辆状态向量包括以下至少一项:目标车辆位置向量、目标车辆朝向角向量;目标运动控制向量包括以下至少一项:目标车速向量、目标车辆转向角向量。
图8示意性示出了根据本公开的实施例的车辆控制装置的框图。
如图8所示,车辆控制装置800包括第二目标运动路径生成模块810和车辆控制模块820。
第二目标运动路径生成模块810用于根据上文描述的运动路径生成方法生成目标运动路径。
车辆控制模块820用于基于目标运动路径控制车辆执行运动操作。
根据本公开的实施例的模块、单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,待处理车辆状态向量确定模块710、运动路径优化处理模块720和第一目标运动路径生成模块730中,或者第二目标运动路径生成模块810和车辆控制模块820中的任意多个可以合并在一个模块/单元中实现,或者其中的任意一个模块/单元可以被拆分成多个模块/单元。或者,这些模块/单元中的一个或多个模块/单元的至少部分功能可以与其他模块/单元的至少部分功能相结合,并在一个模块/单元中实现。根据本公开的实施例,待处理车辆状态向量确定模块710、运动路径优化处理模块720和第一目标运动路径生成模块730中,或者第二目标运动路径生成模块810和车辆控制模块820中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,待处理车辆状态向量确定模块710、运动路径优化处理模块720和第一目标运动路径生成模块730中,或者第二目标运动路径生成模块810和车辆控制模块820中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
需要说明的是,本公开的实施例中运动路径生成装置部分与本公开的实施例中运动路径生成方法部分是相对应的,运动路径生成装置部分的描述具体参考运动路径生成方法部分,在此不再赘述。
需要说明的是,本公开的实施例中车辆控制装置部分与本公开的实施例中车辆控制方法部分是相对应的,车辆控制装置部分的描述具体参考车辆控制方法部分,在此不再赘述。
图9示意性示出了根据本公开实施例的适于实现运动路径生成方法、车辆控制方法的电子设备的框图。图9示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图9所示,根据本公开实施例的电子设备900包括处理器901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 903中,存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备900还可以包括输入/输出(I/O)接口905,输入/输出(I/O)接口905也连接至总线904。系统900还可以包括连接至I/O接口905的以下部件中的一项或多项:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行本公开实施例所提供的方法的程序代码,当计算机程序产品在电子设备上运行时,该程序代码用于使电子设备实现本公开实施例所提供的运动路径生成方法、车辆控制方法方法。
在该计算机程序被处理器901执行时,执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分909被下载和安装,和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (14)
1.一种运动路径生成方法,包括:
基于车辆的待处理运动路径,确定待处理车辆状态向量;
将所述待处理车辆状态向量中的待处理车辆状态元素,以及所述车辆的初始运动控制向量和初始车辆状态向量输入至基于第一目标函数构建得到的运动路径优化模型,输出目标车辆状态向量和目标运动控制向量,其中,所述第一目标函数基于目标惩罚函数构建得到,所述目标惩罚函数基于约束条件信息确定;以及
根据所述目标车辆状态向量和所述目标运动控制向量,生成用于控制所述车辆执行运动操作的目标运动路径。
2.根据权利要求1所述的方法,其中,所述约束条件信息包括约束条件函数项和约束条件值;
所述运动路径生成方法还包括:
根据所述约束条件信息中,所述约束条件函数与所述约束条件值之间的约束限制关系,构建初始惩罚函数;
根据所述初始惩罚函数与惩罚参数,确定所述目标惩罚函数;以及
根据所述目标惩罚函数,更新与车辆运动学模型对应的初始目标函数,得到所述第一目标函数。
3.根据权利要求2所述的方法,其中,所述约束条件信息包括避障约束条件信息;
所述运动路径生成方法还包括:
根据在第k时刻,所述车辆的第k车辆位置信息和目标障碍物之间的位置关系,确定避障约束条件函数项;以及
根据所述避障约束条件函数项与避障约束条件值之间的约束限制关系,确定所述避障约束条件信息。
4.根据权利要求2所述的方法,其中,所述约束条件信息包括运动状态约束条件信息;
所述运动路径生成方法还包括:
根据在第k时刻,所述车辆的第k运动控制元素和预设运动控制阈值之间的约束限制关系,确定所述运动状态约束条件信息。
5.根据权利要求1所述的方法,其中,将所述待处理车辆状态向量中的待处理车辆状态元素,以及所述车辆的初始运动控制向量和初始车辆状态向量输入至基于第一目标函数构建得到的运动路径优化模型包括:
将所述待处理车辆状态元素,以及所述车辆的初始运动控制向量和初始车辆状态向量输入至所述第一目标函数,以便对所述第一目标函数执行求解操作,输出第m车辆状态向量和第m运动控制向量;以及
在所述第m车辆状态向量和所述第m运动控制向量满足所述约束条件信息的情况下,将所述第m车辆状态向量和所述第m运动控制向量分别确定为目标车辆状态向量和目标运动控制向量。
6.根据权利要求5所述的方法,其中,将所述待处理车辆状态向量中的待处理车辆状态元素,以及所述车辆的初始运动控制向量和初始车辆状态向量输入至基于第一目标函数构建得到的运动路径优化模型还包括:
在所述第m车辆状态向量和/或所述第m运动控制向量不满足所述约束条件信息的情况下,采用如下方式处理所述第一目标函数,直至得到所述目标车辆状态向量和所述目标运动控制向量,所述方式包括:
基于预设规则更新第m目标函数中的第m惩罚参数,得到第m+1目标函数;
对所述第m+1目标函数执行求解操作,得到第m+1车辆状态向量和第m+1运动控制向量,以便判断所述第m+1车辆状态向量和/或所述第m+1运动控制向量,与所述约束条件信息之间的匹配关系,以及在所述匹配关系表征所述第m+1车辆状态向量和/或所述第m+1运动控制向量不满足所述约束条件的情况下,迭代地基于所述预设规则更新第m+1惩罚参数;以及
在所述匹配关系表征所述第m+1车辆状态向量和所述第m+1运动控制向量满足所述约束条件的情况下,将所述第m+1车辆状态向量和所述第m+1运动控制向量,分别确定为所述目标车辆状态向量和所述目标运动控制向量。
7.根据权利要求2所述的方法,还包括:
基于所述初始车辆状态向量中的初始车辆状态元素,与所述待处理车辆状态元素之间的差值,确定初始车辆状态差异项;以及
基于所述初始车辆状态差异项和所述初始运动控制元素,构建所述与车辆运动学模型对应的初始目标函数。
8.根据权利要求1至7中任一项所述的方法,其中,
所述目标车辆状态向量包括以下至少一项:目标车辆位置向量、目标车辆朝向角向量;
所述目标运动控制向量包括以下至少一项:目标车速向量、目标车辆转向角向量。
9.一种车辆控制方法,包括:
根据权利要求1至8中任一项所述的运动路径生成方法生成目标运动路径;以及
基于所述目标运动路径控制车辆执行运动操作。
10.一种运动路径生成装置,包括:
待处理车辆状态向量确定模块,用于基于车辆的待处理运动路径,确定待处理车辆状态向量;
运动路径优化处理模块,用于将所述待处理车辆状态向量中的待处理车辆状态元素,以及所述车辆的初始运动控制向量和初始车辆状态向量输入至基于第一目标函数构建得到的运动路径优化模型,输出目标车辆状态向量和目标运动控制向量,其中,所述第一目标函数基于目标惩罚函数构建得到,所述目标惩罚函数基于约束条件信息确定;以及
第一目标运动路径生成模块,用于根据所述目标车辆状态向量和所述目标运动控制向量,生成用于控制所述车辆执行运动操作的目标运动路径。
11.一种车辆控制装置,包括:
第二目标运动路径生成模块,用于根据权利要求1至8中任一项所述的运动路径生成方法生成目标运动路径;以及
车辆控制模块,用于基于所述目标运动路径控制车辆执行运动操作。
12.一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至9中任一项所述的方法。
13.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现权利要求1至9中任一项所述的方法。
14.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1至9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310283375.2A CN116353629A (zh) | 2023-03-22 | 2023-03-22 | 运动路径生成方法、车辆控制方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310283375.2A CN116353629A (zh) | 2023-03-22 | 2023-03-22 | 运动路径生成方法、车辆控制方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116353629A true CN116353629A (zh) | 2023-06-30 |
Family
ID=86906530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310283375.2A Pending CN116353629A (zh) | 2023-03-22 | 2023-03-22 | 运动路径生成方法、车辆控制方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116353629A (zh) |
-
2023
- 2023-03-22 CN CN202310283375.2A patent/CN116353629A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734299B (zh) | 计算机实现的方法及计算系统 | |
US9576083B2 (en) | Automatic driver modeling for integration of human-controlled vehicles into an autonomous vehicle network | |
CN113264066B (zh) | 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 | |
US20190130659A1 (en) | Managing anomaly detection models for fleets of industrial equipment | |
US11263545B2 (en) | Control of cyber-physical systems under uncertainty | |
US20180189950A1 (en) | Generating structured output predictions using neural networks | |
KR20220030270A (ko) | 앵커 궤적들을 이용하는 에이전트 궤적 예측 | |
US11302028B2 (en) | Variational 3D object detection | |
US11544498B2 (en) | Training neural networks using consistency measures | |
JP2015179514A (ja) | ターゲットオブジェクトの動きパラメーターを予測する方法及び装置 | |
WO2023082850A1 (zh) | 行人轨迹预测方法、装置及存储介质 | |
US20200151576A1 (en) | Training adaptable neural networks based on evolvability search | |
Zheng et al. | Safe learning-based gradient-free model predictive control based on cross-entropy method | |
Jafarzadeh et al. | DMPC: A data-and model-driven approach to predictive control | |
US20210166131A1 (en) | Training spectral inference neural networks using bilevel optimization | |
US20220044109A1 (en) | Quantization-aware training of quantized neural networks | |
CN116353629A (zh) | 运动路径生成方法、车辆控制方法、装置及存储介质 | |
CN116343169A (zh) | 路径规划方法、目标对象运动控制方法、装置及电子设备 | |
US20230064332A1 (en) | Controller for autonomous agents using reinforcement learning with control barrier functions to overcome inaccurate safety region | |
CN113792655A (zh) | 一种意图识别方法、装置、电子设备及计算机可读介质 | |
Lamouik et al. | Model predictive control for full autonomous vehicle overtaking | |
CN115063145A (zh) | 交易风险因子的预测方法、装置、电子设备和存储介质 | |
US20210209399A1 (en) | Bounding box generation for object detection | |
US20230214694A1 (en) | Data processing method and electronic device | |
EP4290477A1 (en) | Free space estimator for autonomous movement |
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 |