CN116494976A - 用于控制车辆变道的方法、装置及存储介质 - Google Patents

用于控制车辆变道的方法、装置及存储介质 Download PDF

Info

Publication number
CN116494976A
CN116494976A CN202310409792.7A CN202310409792A CN116494976A CN 116494976 A CN116494976 A CN 116494976A CN 202310409792 A CN202310409792 A CN 202310409792A CN 116494976 A CN116494976 A CN 116494976A
Authority
CN
China
Prior art keywords
constraint
automatic driving
vehicle
determining
autonomous vehicle
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
CN202310409792.7A
Other languages
English (en)
Inventor
马晨翔
潘其龙
邱利宏
贺勇
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.)
Chongqing Changan Automobile Co Ltd
Original Assignee
Chongqing Changan Automobile Co Ltd
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 Chongqing Changan Automobile Co Ltd filed Critical Chongqing Changan Automobile Co Ltd
Priority to CN202310409792.7A priority Critical patent/CN116494976A/zh
Publication of CN116494976A publication Critical patent/CN116494976A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • B60W30/18163—Lane change; Overtaking manoeuvres
    • 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
    • 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
    • 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/408—Radar; Laser, e.g. lidar
    • 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)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种用于控制车辆变道的方法、装置及存储介质，应用于自动驾驶车辆。该方法包括：接收变道信号；获取目标车道位置信息；根据目标车道位置信息确定自动驾驶车辆的初始变道路径；确定自动驾驶车辆的运动学约束；基于初始变道路径和运动学约束确定目标优化函数；通过目标优化函数确定自动驾驶车辆的目标变道路径；根据目标变道路径生成对应的控制决策，以控制自动驾驶车辆行驶。本申请能通过自动驾驶车辆的运动学约束进一步生成自动驾驶车辆的目标变道路径，考虑了规划路径的全局性，有利于更加高效地规划出合理的路径。

Description

用于控制车辆变道的方法、装置及存储介质
技术领域
本申请涉及自动驾驶技术领域，具体涉及一种用于控制车辆变道的方法、装置及存储介质。
背景技术
随着人民生活水平不断提高，国内汽车保有量逐年增加，与此同时交通事故也越来越多。特别是发生在高速公路上的交通事故，由于高速公路上车辆行驶速度快，因此发生的事故往往也更加严重。有数据显示，车辆违规变道是高速公路交通事故最主要的原因之一。相较于传统的人类驾驶员，无人驾驶感知距离更长，反应时间更快，可以更好的处理所面临的各种突发情况。在这样的背景下，近年来无人驾驶系统俨然成为各大企业、高校，研究机构的研究热点，同时也取得了丰硕的成果。
现有技术中的自动驾驶车辆的变道轨迹生成方法，一般是先获取车辆的当前驾驶参数，根据当前驾驶参数以及预设算法确定各预设变道阶段的变道时间；根据各预设变道阶段对应的轨迹算法，确定各预设变道阶段中车辆的加速度和转向角，其中，车辆的加速度和转向角变化不同时为非0；根据各预设变道阶段的变道时间、各预设变道阶段中车辆的速度和转向角，生成车辆的变道轨迹。该方法主要缺点是没有考虑轨迹全局性，常常可能规划出一些奇怪的换道路径，不符合人类驾驶习惯，舒适性较差，其次需要依赖提前车辆预设值，当预设值设置不合理时，其规划出来的轨迹将会不合理甚至不安全，同时适用范围有限。
因此，现有技术中所采用的控制车辆变道的方法存在路径规划不合理情况，并且适用范围较小，有行车安全隐患的问题。
发明内容
本申请实施例的目的是提供一种用于控制车辆变道的方法、装置及存储介质，用以解决现有技术中所采用的控制车辆变道的方法存在路径规划不合理情况，并且适用范围较小，有行车安全隐患的问题。
为了实现上述目的，本申请第一方面提供一种用于控制车辆变道的方法，应用于自动驾驶车辆，该方法包括：
接收变道信号；
获取目标车道位置信息；
根据目标车道位置信息确定自动驾驶车辆的初始变道路径；
确定自动驾驶车辆的运动学约束；
基于初始变道路径和运动学约束确定目标优化函数；
通过目标优化函数确定自动驾驶车辆的目标变道路径；
根据目标变道路径生成对应的控制决策，以控制自动驾驶车辆行驶。
在本申请实施例中，自动驾驶车辆的运动学约束包括：
速度约束、加速度约束、加加速度约束、最小转弯半径约束、车道边界距离约束和最短时间约束。
在本申请实施例中，目标优化函数满足公式(1)和公式(2)：
其中，为目标变道路径，/>为目标优化函数，/>为速度约束，ak为加速度约束，/>为加加速度约束，ρk为最小拐弯半径约束，ok为车道边界距离约束，ΔTk 2为最短时间约束，a、b、c、d、e和f为加权系数。
在本申请实施例中，速度约束满足公式(3)：
其中，为加速度约束，sk为自动驾驶车辆在k点的位姿信息，vmax自动驾驶车辆的最大速度，vk为自动驾驶车辆在k点的速度，ωmax为自动驾驶车辆的最大加速度，ωk为自动驾驶车辆在k点的角速度，ΔTk自动驾驶车辆在k点和k+1点的时间差，T为自动驾驶车辆的运行时间；
加速度约束满足公式(4)：
ak(sk+2,sk+1,sk,ΔTk+1,ΔTk)＝amax-|ak|； (4)
其中，ak为加速度约束，amax为自动驾驶车辆的最大加速度，ak为自动驾驶车辆在k点的加速度，ΔTk+1为自动驾驶车辆在k+1点和k+2点的时间差；
加加速度约束满足公式(5)：
其中，为加加速度约束，jmax为自动驾驶车辆的最大加加速度，jk为自动驾驶车辆在k点的加加速度。
在本申请实施例中，基于初始变道路径和运动学约束确定目标优化函数包括：
将初始变道路径转化为多个带有位姿信息的离散路径点，以得到初始变道路径对应的位姿序列；
确定位姿序列对应的时间序列；
将位姿序列和时间序列进行合并，以得到待优化函数；
根据待优化函数和运动学约束确定目标优化函数。
在本申请实施例中，确定自动驾驶车辆的运动学约束包括：
采集自动驾驶车辆周围的障碍物信息；
根据初始变道路径对应的位姿序列和障碍物信息确定车道边界约束。
在本申请实施例中，确定自动驾驶车辆的运动学约束包括：
获取自动驾驶车辆的几何特性参数；
根据几何特性参数构建自动驾驶车辆的运动学模型；
基于自动驾驶车辆的运动学模型确定速度约束、加速度约束和加加速度约束。
在本申请实施例中，基于自动驾驶车辆的运动学模型确定速度约束、加速度约束和加加速度约束包括：
根据自动驾驶车辆的运动学模型确定位姿序列中每个离散路径点的线速度和角速度；
根据位姿序列中每个离散路径点的线速度和角速度确定速度约束；
根据位姿序列中每个离散路径点的线速度和角速度确定每个离散路径点的加速度；
根据每个离散路径点的加速度确定加速度约束和加加速度约束。
在本申请实施例中，该方法还包括：
获取自动驾驶车辆的方向盘转角；
根据方向盘转角和几何特性参数确定最小转弯半径约束。
在本申请实施例中，根据障碍物信息和目标车道位置信息确定自动驾驶车辆的初始变道路径包括：
将目标车道位置信息转换至自动驾驶车辆坐标系下，以得到目标位置坐标；
获取自动驾驶车辆的当前位置坐标；
通过线性插值获取当前位置坐标和目标位置坐标连线中的多个中间点，以得到初始变道路径。
本申请第二方面提供一种用于控制车辆变道的装置，包括：
存储器，被配置成存储指令；以及
处理器，被配置成从存储器调用指令以及在执行指令时能够实现上述的用于控制臂架的方法。
本申请第三方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的用于控制车辆变道的方法。
通过上述技术方案，在接收到变道信号后采集自动驾驶车辆周围的障碍物信息和目标车道位置信息；再根据障碍物信息和目标车道位置信息确定自动驾驶车辆的初始变道路径；确定自动驾驶车辆的运动学约束；进而基于初始变道路径和运动学约束确定目标优化函数；接着通过目标优化函数确定自动驾驶车辆的目标变道路径；最后根据目标变道路径生成对应的控制决策，以控制自动驾驶车辆行驶。本申请能通过自动驾驶车辆的运动学约束进一步生成自动驾驶车辆的目标变道路径，考虑了规划路径的全局性，有利于更加高效地规划出合理的路径。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本申请实施例，但并不构成对本申请实施例的限制。在附图中：
图1为本申请实施例提供的一种用于控制车辆变道的方法的流程示意图；
图2为本申请一具体实施例提供的自动驾驶车辆的几何构型的示意图；
图3为本申请一具体实施例提供的自动驾驶车辆运动学模型示意图；
图4为本申请实施例提供的一种用于控制车辆变道的装置的结构框图。
其中，410-存储器；420-处理器。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请实施例，并不用于限制本申请实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明，若本申请实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，若本申请实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其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。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。
图1为本申请实施例提供的一种用于控制车辆变道的方法的流程示意图。如图1所示，本申请实施例提供一种用于控制车辆变道的方法，应用于自动驾驶车辆，该方法可以包括下列步骤：
步骤101、接收变道信号；
步骤102、获取目标车道位置信息；
步骤103、根据目标车道位置信息确定自动驾驶车辆的初始变道路径；
步骤104、确定自动驾驶车辆的运动学约束；
步骤105、基于初始变道路径和运动学约束确定目标优化函数；
步骤106、通过目标优化函数确定自动驾驶车辆的目标变道路径；
步骤107、根据目标变道路径生成对应的控制决策，以控制自动驾驶车辆行驶。
在本申请实施例中，自动驾驶汽车可以部署自动变道系统，自动变道系统可以由人机交互系统、环境感知系统、变道轨迹规划系统组成。基于自动变道系统结合本申请实施例提供的用于控制车辆变道的方法可以实现对自动驾驶汽车变道操作的自动控制。
具体地，首先接收变道信号，变道信号可以由驾驶员通过人机交互系统发出，当驾驶员发出变道信号后，自动驾驶车辆开始尝试变道操作。目标车道位置信息即自动驾驶车辆变道后需要到达的目标位置。在一个示例中，处理器可以通过环境感知系统获取车辆周围的环境信息，探测车辆周围的障碍物并寻找目标车道，进而得到目标车道位置信息。其中，环境感知系统可以包括雷达和摄像头等设备。在得到了目标车道位置信息的情况下，可以基于目标车道位置信息确定自动驾驶车辆的初始变道路径；其中，初始变道路径即优化前的自动驾驶车辆的变道路径。在一个示例中，可以对目标车道位置信息进行坐标转换，转换至自动驾驶车辆坐标系下，以得到目标位置坐标，进而基于目标位置坐标和自动驾驶车辆当前位置坐标确定初始变道路径。
在本申请实施例中，为了实现对自动驾驶车辆的初始变道路径的优化，可以通过改进后的TEB(Timed Elastic Band)算法对初始变道路径进行优化求解，以得到目标变道路径。在一个示例中，可以从初始变道路径中得到一系列带有时间信息的离散位姿，再通过图优化的方法将这些离散位姿组成满足时间最短、距离最短和远离障碍物等目标的轨迹，同时该轨迹还满足自动驾驶车辆的运动动力学的约束。
在本申请实施例中，可以基于初始变道路径通过变道轨迹规划系统规划出满足自动驾驶车辆运动学特性的目标变道路径，目标变道轨迹即自动驾驶车辆从当前位置变道行驶到目标位置所驶过的最优的路径。具体地，先根据自动驾驶车辆的车辆模型建立对应的约束条件，即自动驾驶车辆的运动学约束，并根据初始变道路径构建TEB轨迹模型。在一个示例中，自动驾驶车辆的运动学约束可以包括速度约束、加速度约束、加加速度约束、最小转弯半径约束、车道边界距离约束和最短时间约束。其中，加加速度又称急动度或力变率，是加速度的变化率。进一步地，对TEB轨迹模型施加上述约束条件，进而确定目标优化函数，目标优化函数即加入自动驾驶车辆的运动学约束条件后形成的用以求解目标变道轨迹的函数。对目标优化函数进行优化求解即可得到自动驾驶车辆的目标变道轨迹。最后，可以根据目标变道路径生成对应的控制决策，以控制自动驾驶车辆行驶。在一个示例中，可以通过变道轨迹规划系统将生成的目标变道轨迹发送至车辆控制系统，车辆控制系统可以将接收到的目标变道路径转换为对应的控制参数，例如油门、刹车和方向盘转角等控制信号，以控制自动驾驶车辆按照目标变道路径行驶到目标位置。
通过上述技术方案，在接收到变道信号后采集自动驾驶车辆周围的障碍物信息和目标车道位置信息；再根据障碍物信息和目标车道位置信息确定自动驾驶车辆的初始变道路径；确定自动驾驶车辆的运动学约束；进而基于初始变道路径和运动学约束确定目标优化函数；接着通过目标优化函数确定自动驾驶车辆的目标变道路径；最后根据目标变道路径生成对应的控制决策，以控制自动驾驶车辆行驶。本申请能通过自动驾驶车辆的运动学约束进一步生成自动驾驶车辆的目标变道路径，考虑了规划路径的全局性，有利于更加高效地规划出合理的路径。
在本申请实施例中，步骤103、根据目标车道位置信息确定自动驾驶车辆的初始变道路径可以包括：
将目标车道位置信息转换至自动驾驶车辆坐标系下，以得到目标位置坐标；
获取自动驾驶车辆的当前位置坐标；
通过线性插值获取当前位置坐标和目标位置坐标连线中的多个中间点，以得到初始变道路径。
在本申请实施例中，目标位置坐标即自动驾驶车辆变道后到达的位置的坐标。为便于计算，可以基于自动驾驶车辆建立坐标系，将各参数均转换至自动驾驶车辆坐标系下，以便后期运算以及对自动驾驶车辆的控制。处理器在采集了自动驾驶车辆周围的障碍物信息，并获取目标车道位置信息后，可以通过坐标变换目标车道位置信息转换至自动驾驶车辆坐标系下，以得到目标位置坐标。进一步地，处理器还可以获取自动驾驶车辆的当前位置坐标，再通过线性插值获取当前位置坐标和目标位置坐标连线中的多个点，以得到该自动驾驶车辆从当前位置变道至目标位置的初始变道路径。如此，基于自动驾驶车辆构建坐标系，并结合自动驾驶车辆当前位置和目标位置的坐标确定初始变道路径，可以为后续计算提供基础，使得对目标变道路径进行求解更为快速。
具体地，处理器可以连接自动驾驶车辆的当前位置坐标和目标位置坐标，然后分别对横纵向使用线性插值获取中间点，以形成初始变道路径。在一个示例中，通过线性插值获取的中间点的横坐标x方向可以满足公式(1)和公式(2)：
pix＝cofx*i；(2)
同理对于纵坐标y方向可以满足公式(3)和公式(4)：
piy＝cofy*i；(4)
其中，cofx为两个相邻点的平均横向距离偏差，disx为当前位置和目标位置的横向距离偏差，cofy为两个相邻点的纵向距离偏差，disy为当前位置和目标位置的纵向距离偏差，num为插入的点的个数，i表示第i个点，i的取值范围为[0,num]，中间点i为[pix,piy]，pix为中间点i的横坐标，piy为中间点i的纵坐标。
在本申请实施例中，步骤104、确定自动驾驶车辆的运动学约束可以包括：
获取自动驾驶车辆的几何特性参数；
根据几何特性参数构建自动驾驶车辆的运动学模型；
基于自动驾驶车辆的运动学模型确定速度约束、加速度约束和加加速度约束。
在本申请实施例中，自动驾驶车辆的几何特性参数可以包括自动驾驶车辆的轴长和车宽等数据。可以根据自动驾驶车辆的几何特性建立车辆的运动学模型。图2为本申请一具体实施例提供的自动驾驶车辆的几何构型的示意图。如图2所示，自动驾驶车辆的运动学模型可以满足公式(5)：
其中，为自动驾驶车辆的位姿状态的导数，/>为x轴方向速度，/>为y轴方向速度，/>为角速度，v(t)为自动驾驶车辆t时刻的速度，β(t)为自动驾驶车辆t时刻的转角，L为自动驾驶车辆的轴长，φ(t)为自动驾驶车辆t时刻的虚拟转角，φ(t)因为自动驾驶车辆转向几何机构存在一个取值范围。
进一步地，基于自动驾驶车辆的运动学模型，结合自动驾驶车辆自身性能可以确定自动驾驶车辆的速度约束、加速度约束和加加速度约束。如此，可以为对自动驾驶车辆变道路径的优化提供约束条件。
在本申请实施例中，步骤105、基于初始变道路径和运动学约束确定目标优化函数可以包括：
将初始变道路径转化为多个带有位姿信息的离散路径点，以得到初始变道路径对应的位姿序列；
确定位姿序列对应的时间序列；
将位姿序列和时间序列进行合并，以得到待优化函数；
根据待优化函数和运动学约束确定目标优化函数。
在本申请实施例中，由于初始变道路径仅仅为自动驾驶车辆当前位置和目标位置的连线，尚未考虑车辆自身运动动力学的约束条件以及周围环境的约束情况。为了将初始变道路径转化为符合自动驾驶车辆自身运动学约束且避开周围障碍物的目标变道路径，可以将初始路径离散成多个点，进而对每个点进行处理求解，确定每个点的位姿信息，同时考虑到自动驾驶车辆的行驶时间的约束，可以确定每个点对应的时间信息，将时间信息与位姿信息相结合并进行优化处理，最终确定目标变道路径。在确定自动驾驶车辆的初始变道路径后，为了根据初始变道路径确定目标变道路径，需要对初始变道路径进行优化。在一个示例中，可以通过构建TEB轨迹模型来修饰全局路径，再结合自动驾驶车辆的运动学约束条件确定目标优化函数，进而对目标优化函数进行求解以得到目标变道路径。
具体地，可以将初始变道路径构建成带有位姿信息的离散路径点，定义位姿状态为Si＝(xi,yi,βi)T，则车辆在世界坐标系下的位姿序列可以满足公式(6)：
Q＝{Si}，i＝0，1，...，n； (6)
其中，Si为i点的位姿状态，xi和yi为车辆在i点的位置信息，xi为车辆在i点的横坐标，yi为车辆在i点的纵坐标，βi为车辆在i点的转角，即方向角，Q为位姿序列，n为位姿点的个数。
TEB描述的轨迹模型的位姿Si到Si+1的时间间隔为ΔTi，则n个位姿对应的时间间隔序列可以满足公式(7)：
Δτ＝{ΔTi}，i＝0，1，...，n-1；(7)
其中，Δτ为位姿序列对应的时间间隔序列，ΔTi为位姿Si到Si+1的时间间隔。
每个时间间隔表示自动驾驶车辆从一个位姿运动到另一个位姿的时间。TEB轨迹模型包含位姿序列信息和时间间隔序列信息，则轨迹信息，即待优化函数可以满足公式(8)：
B＝(Q，Δτ)；(8)
其中，B为初始路径的轨迹信息，Q为位姿序列。
最后，根据待优化函数和自动驾驶车辆的运动学约束确定目标优化函数，对目标优化函数求解得到目标变道路径。如此，通过改进的TEB算法来修饰全局路径，考虑了路径规划的全局性，能够更加高效地规划出合理的路径。
在本申请实施例中，自动驾驶车辆的运动学约束可以包括：
速度约束、加速度约束、加加速度约束、最小转弯半径约束、车道边界距离约束和最短时间约束。
在本申请实施例中，为了实现对自动驾驶车辆的初始变道路径的优化，引入了自动驾驶车辆自身的运动学约束条件，可以根据自动驾驶车辆的车辆模型建立对应的约束条件，以修饰初始变道路径，确定目标变道路径。其中，约束条件即自动驾驶车辆的运动学约束条件，可以包括速度约束、加速度约束、加加速度约束、最小转弯半径约束、车道边界约束和最短时间约束。其中，速度约束即自动驾驶车辆行驶时的速度需要满足的速度大小约束条件；加速度约束即自动驾驶车辆行驶时的加速度需要满足的加速度大小约束条件；加加速度约束即自动驾驶车辆行驶时的加加速度需要满足的约束条件；最小转弯半径约束即自动驾驶车辆行驶时的转弯半径大小需要满足的约束条件；车道边界约束即自动驾驶车辆行驶时与车道边界的距离所需满足的约束条件；最短时间约束是为了通过最小化所有时间间隔之和的平方要求自动驾驶车辆尽可能快地到达目标位置所限定的约束条件。
通过以上约束条件进一步优化路径规划，可以使得规划出来的目标变道路径满足自动驾驶车辆的运动学特性，同时，在速度约束、加速度约束和最短时间约束的基础上，加入了加加速度约束、最小拐弯半径约束和车道边界距离约束，使得车辆行驶更加平稳、加速更加平滑，有利于提高用户的乘坐体验。
在本申请实施例中，基于自动驾驶车辆的运动学模型确定速度约束、加速度约束和加加速度约束可以包括：
根据自动驾驶车辆的运动学模型确定位姿序列中每个离散路径点的线速度和角速度；
根据位姿序列中每个离散路径点的线速度和角速度确定速度约束；
根据位姿序列中每个离散路径点的线速度和角速度确定每个离散路径点的加速度；
根据每个离散路径点的加速度确定加速度约束和加加速度约束。
图3为本申请一具体实施例提供的自动驾驶车辆运动学模型示意图。如图3所示，在本申请实施例中，可以根据自动驾驶车辆的运动学模型确定位姿序列中每个离散路径点的线速度和角速度。由图3可得，每个离散路径点的线速度可以满足公式(9)：
其中，Δβk＜＜1。
每个离散路径点的角速度可以满足公式(10)：
其中，vk为自动驾驶车辆在k点的线速度，ωk为自动驾驶车辆在k点的角速度，ρk为自动驾驶车辆在k点的转弯半径，γ为函数表达形式，Δβk为自动驾驶车辆在k+1点的转角与在k点的转角的差值，ΔTk为自动驾驶车辆在k点和k+1点之间的时间间隔，sk为自动驾驶车辆在k点的位姿信息，dk为自动驾驶车辆k点与k+1点之间的距离，由于Δβk＜＜1，dk近似弧长。
在本申请实施例中，根据位姿序列中每个离散路径点的线速度和角速度可以确定速度约束，速度约束可以满足公式(11)：
其中，为加速度约束，sk为自动驾驶车辆在k点的位姿信息，vmax自动驾驶车辆的最大线速度，vk为自动驾驶车辆在k点的线速度，ωmax为自动驾驶车辆的最大加速度，ωk为自动驾驶车辆在k点的角速度，ΔTk自动驾驶车辆在k点和k+1点的时间间隔，T为自动驾驶车辆的运行时间；
在本申请实施例中，同时根据位姿序列中的三个相邻点的线速度，可以获得中间点的加速度，该中间点的加速度满足公式(12)：
其中，vk+1为自动驾驶车辆在k+1点的线速度，ΔTk+1自动驾驶车辆在k+1点和k+2点的时间差。
则根据位姿序列中每个离散路径点的线速度可以确定每个离散路径点的加速度，进而根据每个离散路径点的加速度可以确定加速度约束，加速度约束可以满足公式(13)：
ak(sk+2,sk+1,sk,ΔTk+1,ΔTk)＝amax-|ak|； (13)
其中，ak为加速度约束，amax为自动驾驶车辆的最大加速度，ak为自动驾驶车辆在k点的加速度；
在本申请实施例中，为了保证自动驾驶车辆加速时的平滑性，可以引入加加速度约束。根据位姿序列中每个离散路径点的加速度可以确定每个离散路径点的加加速度，则每个离散路径点的加加速度可以满足公式(14)：
其中，jk为自动驾驶车辆在k点的加加速度，ak+1为自动驾驶车辆在k+1点的加速度。
进而，根据位姿序列中每个离散点的加加速度可以确定自动驾驶车辆的加加速度约束，则加加速度约束可以满足公式(15)：
其中，为加加速度约束，jmax为自动驾驶车辆的最大加加速度，jk为自动驾驶车辆在k点的加加速度。
在本申请实施例中，该方法还可以包括：
获取自动驾驶车辆的方向盘转角；
根据方向盘转角和几何特性参数确定最小转弯半径约束。
在本申请实施例中，可以根据自动驾驶车辆自身的方向盘转角以及几何特性参数确定车辆的最小转弯半径约束。由图2可以看出，自动驾驶车辆的转弯半径满足公式(16)：
其中，Δβk＜＜1，ρk为自动驾驶车辆的转弯半径。
进一步地，自动驾驶车辆的最小转弯半径可以满足公式(17)：
ρk≥ρmin； (17)
其中，ρmin为自动驾驶车辆的最小转弯半径。
在本申请实施例中，确定自动驾驶车辆的运动学约束还可以包括：
采集自动驾驶车辆周围的障碍物信息；
根据初始变道路径对应的位姿序列和障碍物信息确定车道边界约束。
在本申请实施例中，可以根据获取到的自动驾驶车辆周围的障碍物信息，进而确定自动驾驶车辆距离车道边界的最小距离约束，即车道边界约束。在一个示例中，可以令δ(sk,Ο)为位姿点sk到车道边界Ο的最小距离，则车道边界约束可以满足公式(18)：
ok(sk)＝[δ(sk,Ο1),δ(sk,Ο2),···,δ(sk,ΟR)]T-[δmin,δmin,···,δmin]T；(18)
其中，R为车道边界的数量，ok为车道边界约束，T为自动驾驶车辆的运行时间。
在本申请实施例中，最短时间约束可以满足公式(19)：
f(k)＝ΔTk 2；(19)
其中，f(k)为最短时间约束的函数表达形式，ΔTk 2为最短时间约束。
在本申请实施例中，基于上述多个约束条件，从时间和位姿状态的角度确定目标优化函数，按照不同权重对初始路径进行实时优化，通过加权多目标优化获取最优路径点，从而得到自动驾驶车辆的目标变道路径。其中，目标优化函数可以满足公式(20)和公式(21)：
其中，为目标变道路径，/>为目标优化函数，/>为速度约束，ak为加速度约束，/>为加加速度约束，ρk为最小拐弯半径约束，ok为车道边界距离约束，ΔTk 2为最短时间约束，a、b、c、d、e和f为加权系数。
在一个示例中，在得到目标优化函数后，可以采用图优化工具g2o对目标优化函数进行优化求解，最后得到优化后的轨迹，即自动驾驶车辆的目标变道轨迹。最后，通过车辆控制系统将目标变道轨迹转换为自动驾驶车辆对于的控制参数，例如油门、刹车和方向盘转角等控制信号，以控制自动驾驶车辆行驶，按照目标优化路径运行至变道后的目标位置。
通过上述技术方案，本申请提出了一种基于改进TEB算法的变道轨迹规划方法，分析了自动驾驶车辆的运动学模型，分析了现有变道轨迹生成系统的不足性。采用改进TEB算法优化初始变道轨迹，将由一系列离散路径点组成的原始轨迹转化为可通行轨迹，使得汽车可以完成换道轨迹行为，同时增加最短距离约束函数，并融合其余目标约束函数，可以实现同时考虑汽车动态约束以及最快路径。此外也在TEB算法基础上引入了加加速约束，使得加速更加平稳，改进TEB算法的引入不仅提升算法运行效率，也提升了乘坐舒适性。
图4为本申请实施例提供的一种用于控制车辆变道的装置的结构框图。如图4所示，本申请实施例提供一种用于控制车辆变道的装置，可以包括：
存储器410，被配置成存储指令；以及
处理器420，被配置成从存储器410调用指令以及在执行指令时能够实现上述的用于控制车辆变道的方法。
具体地，在本申请实施例中，处理器420可以被配置成：
接收变道信号；
获取目标车道位置信息；
根据目标车道位置信息确定自动驾驶车辆的初始变道路径；
确定自动驾驶车辆的运动学约束；
基于初始变道路径和运动学约束确定目标优化函数；
通过目标优化函数确定自动驾驶车辆的目标变道路径；
根据目标变道路径生成对应的控制决策，以控制自动驾驶车辆行驶。
在本申请实施例中，自动驾驶车辆的运动学约束包括：
速度约束、加速度约束、加加速度约束、最小转弯半径约束、车道边界距离约束和最短时间约束。
在本申请实施例中，目标优化函数满足公式(20)和公式(21)：
其中，为目标变道路径，/>为目标优化函数，/>为速度约束，ak为加速度约束，/>为加加速度约束，ρk为最小拐弯半径约束，ok为车道边界距离约束，ΔTk 2为最短时间约束，a、b、c、d、e和f为加权系数。
在本申请实施例中，速度约束满足公式(11)：
其中，为加速度约束，sk为自动驾驶车辆在k点的位姿信息，vmax自动驾驶车辆的最大速度，vk为自动驾驶车辆在k点的速度，ωmax为自动驾驶车辆的最大加速度，ωk为自动驾驶车辆在k点的角速度，ΔTk自动驾驶车辆在k点和k+1点的时间差，T为自动驾驶车辆的运行时间；
加速度约束满足公式(13)：
ak(sk+2,sk+1,sk,ΔTk+1,ΔTk)＝amax-|ak|； (13)
其中，ak为加速度约束，amax为自动驾驶车辆的最大加速度，ak为自动驾驶车辆在k点的加速度，ΔTk+1自动驾驶车辆在k+1点和k+2点的时间差；
加加速度约束满足公式(15)：
其中，为加加速度约束，jmax为自动驾驶车辆的最大加加速度，jk为自动驾驶车辆在k点的加加速度。
进一步地，处理器420还可以被配置成：
将初始变道路径转化为多个带有位姿信息的离散路径点，以得到初始变道路径对应的位姿序列；
确定位姿序列对应的时间序列；
将位姿序列和时间序列进行合并，以得到待优化函数；
根据待优化函数和运动学约束确定目标优化函数。
进一步地，处理器420还可以被配置成：
采集自动驾驶车辆周围的障碍物信息；
根据初始变道路径对应的位姿序列和障碍物信息确定车道边界约束。
进一步地，处理器420还可以被配置成：
获取自动驾驶车辆的几何特性参数；
根据几何特性参数构建自动驾驶车辆的运动学模型；
基于自动驾驶车辆的运动学模型确定速度约束、加速度约束和加加速度约束。
进一步地，处理器420还可以被配置成：
根据自动驾驶车辆的运动学模型确定位姿序列中每个离散路径点的线速度和角速度；
根据位姿序列中每个离散路径点的线速度和角速度确定速度约束；
根据位姿序列中每个离散路径点的线速度和角速度确定每个离散路径点的加速度；
根据每个离散路径点的加速度确定加速度约束和加加速度约束。
进一步地，处理器420还可以被配置成：
获取自动驾驶车辆的方向盘转角；
根据方向盘转角和几何特性参数确定最小转弯半径约束。
进一步地，处理器420还可以被配置成：
将目标车道位置信息转换至自动驾驶车辆坐标系下，以得到目标位置坐标；
获取自动驾驶车辆的当前位置坐标；
通过线性插值获取当前位置坐标和目标位置坐标连线中的多个中间点，以得到初始变道路径。
通过上述技术方案，在接收到变道信号后采集自动驾驶车辆周围的障碍物信息和目标车道位置信息；再根据障碍物信息和目标车道位置信息确定自动驾驶车辆的初始变道路径；确定自动驾驶车辆的运动学约束；进而基于初始变道路径和运动学约束确定目标优化函数；接着通过目标优化函数确定自动驾驶车辆的目标变道路径；最后根据目标变道路径生成对应的控制决策，以控制自动驾驶车辆行驶。本申请能通过自动驾驶车辆的运动学约束进一步生成自动驾驶车辆的目标变道路径，考虑了规划路径的全局性，有利于更加高效地规划出合理的路径。
本申请实施例还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的用于控制车辆变道的方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
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。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，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 (12)

1.一种用于控制车辆变道的方法，其特征在于，应用于自动驾驶车辆，所述方法包括：
接收变道信号；
获取目标车道位置信息；
根据所述目标车道位置信息确定所述自动驾驶车辆的初始变道路径；
确定所述自动驾驶车辆的运动学约束；
基于所述初始变道路径和所述运动学约束确定目标优化函数；
通过所述目标优化函数确定所述自动驾驶车辆的目标变道路径；
根据所述目标变道路径生成对应的控制决策，以控制所述自动驾驶车辆行驶。
2.根据权利要求1所述的方法，其特征在于，所述自动驾驶车辆的运动学约束包括：
速度约束、加速度约束、加加速度约束、最小转弯半径约束、车道边界距离约束和最短时间约束。
3.根据权利要求2所述的方法，其特征在于，所述目标优化函数满足公式(1)和公式(2)：
其中，为目标变道路径，/>为所述目标优化函数，/>为所述速度约束，ak为所述加速度约束，/>为所述加加速度约束，ρk为所述最小拐弯半径约束，ok为所述车道边界距离约束，ΔTk 2为所述最短时间约束，a、b、c、d、e和f为加权系数。
4.根据权利要求3所述的方法，其特征在于，所述速度约束满足公式(3)：
其中，为所述加速度约束，sk为所述自动驾驶车辆在k点的位姿信息，vmax所述自动驾驶车辆的最大速度，vk为所述自动驾驶车辆在k点的速度，ωmax为所述自动驾驶车辆的最大加速度，ωk为所述自动驾驶车辆在k点的角速度，ΔTk所述自动驾驶车辆在k点和k+1点的时间差，T为自动驾驶车辆的运行时间；
所述加速度约束满足公式(4)：
ak(sk+2，sk+1，sk，ΔTk+1，ΔTk)＝amax-|ak|； (4)
其中，ak为所述加速度约束，amax为所述自动驾驶车辆的最大加速度，ak为所述自动驾驶车辆在k点的加速度，ΔTk+1为所述自动驾驶车辆在k+1点和k+2点的时间差；
所述加加速度约束满足公式(5)：
其中，为所述加加速度约束，jmax为所述自动驾驶车辆的最大加加速度，jk为所述自动驾驶车辆在k点的加加速度。
5.根据权利要求2所述的方法，其特征在于，所述基于所述初始变道路径和所述运动学约束确定目标优化函数包括：
将所述初始变道路径转化为多个带有位姿信息的离散路径点，以得到所述初始变道路径对应的位姿序列；
确定所述位姿序列对应的时间序列；
将所述位姿序列和所述时间序列进行合并，以得到待优化函数；
根据所述待优化函数和所述运动学约束确定所述目标优化函数。
6.根据权利要求5所述的方法，其特征在于，所述确定所述自动驾驶车辆的运动学约束包括：
采集所述自动驾驶车辆周围的障碍物信息；
根据所述初始变道路径对应的位姿序列和所述障碍物信息确定所述车道边界约束。
7.根据权利要求5所述的方法，其特征在于，所述确定所述自动驾驶车辆的运动学约束包括：
获取所述自动驾驶车辆的几何特性参数；
根据所述几何特性参数构建所述自动驾驶车辆的运动学模型；
基于所述自动驾驶车辆的运动学模型确定所述速度约束、所述加速度约束和所述加加速度约束。
8.根据权利要求7所述的方法，其特征在于，所述基于所述自动驾驶车辆的运动学模型确定所述速度约束、所述加速度约束和所述加加速度约束包括：
根据所述自动驾驶车辆的运动学模型确定所述位姿序列中每个离散路径点的线速度和角速度；
根据所述位姿序列中每个离散路径点的线速度和角速度确定所述速度约束；
根据所述位姿序列中每个离散路径点的线速度和角速度确定所述每个离散路径点的加速度；
根据所述每个离散路径点的加速度确定所述加速度约束和所述加加速度约束。
9.根据权利要求7所述的方法，其特征在于，所述方法还包括：
获取所述自动驾驶车辆的方向盘转角；
根据所述方向盘转角和所述几何特性参数确定所述最小转弯半径约束。
10.根据权利要求1所述的方法，其特征在于，所述根据所述障碍物信息和所述目标车道位置信息确定所述自动驾驶车辆的初始变道路径包括：
将所述目标车道位置信息转换至所述自动驾驶车辆坐标系下，以得到所述目标位置坐标；
获取所述自动驾驶车辆的当前位置坐标；
通过线性插值获取所述当前位置坐标和目标位置坐标连线中的多个中间点，以得到所述初始变道路径。
11.一种用于控制车辆变道的装置，其特征在于，包括：
存储器，被配置成存储指令；以及
处理器，被配置成从所述存储器调用所述指令以及在执行所述指令时能够实现根据权利要求1至10中任一项所述的用于控制臂架的方法。
12.一种机器可读存储介质，其特征在于，该机器可读存储介质上存储有指令，该指令用于使得机器执行根据权利要求1至10中任一项所述的用于控制车辆变道的方法。
CN202310409792.7A 2023-04-17 2023-04-17 用于控制车辆变道的方法、装置及存储介质 Pending CN116494976A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310409792.7A CN116494976A (zh) 2023-04-17 2023-04-17 用于控制车辆变道的方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310409792.7A CN116494976A (zh) 2023-04-17 2023-04-17 用于控制车辆变道的方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN116494976A true CN116494976A (zh) 2023-07-28

Family

ID=87327737

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310409792.7A Pending CN116494976A (zh) 2023-04-17 2023-04-17 用于控制车辆变道的方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN116494976A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117382639B (zh) * 2023-12-05 2024-02-23 上海集度汽车有限公司 车辆控制方法、装置、计算机设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117382639B (zh) * 2023-12-05 2024-02-23 上海集度汽车有限公司 车辆控制方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN113386795B (zh) 一种自动驾驶车辆智能决策及局部轨迹规划方法及其决策系统
CN107792065B (zh) 道路车辆轨迹规划的方法
JP7546580B2 (ja) 自動車の可能な軌道のサンプリングベースの計画のための制御システムおよび制御方法
Erlien et al. Shared steering control using safe envelopes for obstacle avoidance and vehicle stability
Khodayari et al. A historical review on lateral and longitudinal control of autonomous vehicle motions
US11199847B2 (en) Curvature corrected path sampling system for autonomous driving vehicles
JP6237256B2 (ja) 車速制御装置
JP6715899B2 (ja) 衝突回避装置
US10534364B2 (en) Method and system for autonomous vehicle speed following
US10928832B2 (en) Impedance-based motion control for autonomous vehicles
JP6827107B2 (ja) 車両制御装置
US11815891B2 (en) End dynamics and constraints relaxation algorithm on optimizing an open space trajectory
CN113848914B (zh) 动态环境下碰撞系数人工势场法局部路径规划方法
US20200363816A1 (en) System and method for controlling autonomous vehicles
CN112577506B (zh) 一种自动驾驶局部路径规划方法和系统
JPWO2019003302A1 (ja) 車両制御装置
CN113515038A (zh) 一种车辆换道方法、装置、设备及可读存储介质
CN116494976A (zh) 用于控制车辆变道的方法、装置及存储介质
Lee et al. Automated driving control in safe driving envelope based on probabilistic prediction of surrounding vehicle behaviors
GB2564930A (en) Vehicle route navigation
CN113366400A (zh) 自动驾驶车辆的动态成本函数的实现方法
Chae et al. Model predictive control based automated driving lane change control algorithm for merge situation on highway intersection
Xing et al. Lane change strategy for autonomous vehicle
JP7337302B2 (ja) 制御演算装置及び制御演算方法
CN115447615A (zh) 基于车辆运动学模型预测控制的轨迹优化方法

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