CN116540741A - 一种车辆避障方法、装置、车辆及存储介质 - Google Patents
一种车辆避障方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN116540741A CN116540741A CN202310736016.8A CN202310736016A CN116540741A CN 116540741 A CN116540741 A CN 116540741A CN 202310736016 A CN202310736016 A CN 202310736016A CN 116540741 A CN116540741 A CN 116540741A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- obstacle avoidance
- path
- target
- determining
- 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 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 62
- 230000002068 genetic effect Effects 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims description 38
- 238000011156 evaluation Methods 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 6
- 239000004973 liquid crystal related substance Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010064571 Gene mutation Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 210000001726 chromosome structure Anatomy 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆避障方法、装置、车辆及存储介质,包括:根据车辆对应的当前驾驶环境以及多个备选路径,采用遗传算法确定与所述车辆对应的目标避障路径;根据所述目标避障路径,采用DWA算法确定与所述车辆对应的多个目标局部路径;控制所述车辆,按照所述多个目标局部路径进行驾驶。本发明实施例的技术方案可以实现密集障碍物区域的有效避障,提升自动驾驶车辆的安全性。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其涉及一种车辆避障方法、装置、车辆及存储介质。
背景技术
随着自动驾驶技术的发展,车辆在驾驶过程中实现自动避障是非常重要的。目前,应用较为广泛的避障算法主要包括人工势场法(Artificial Potential Field,APF)、A*算法(A-Star)以及动态窗口法(Dynamic Window Approach,DWA)等。
其中,APF算法本质上是一种控制方法,使得智能车辆在引力势场及斥力势场的共同作用下向目标位置移动,在车辆实时避障方面具有广泛的应用。但APF算法容易陷入局部最优解或产生震荡现象,同时,当目标位置附近存在障碍物时,车辆容易因斥力过大而无法抵达目标点。
A*算法可有效求解最短路径,被广泛应用在全局路径规划领域,具有快速、高效的优势。但是,A*算法在应用时对于邻域节点选择不足,且不适用于处理动态障碍物的避障问题。
DWA算法具有计算复杂度低、可实时避障等优势,但该算法的前瞻性不足,只能有效模拟当前路径的规划,而非全局最优路径。因此当障碍物分布密集或体积较大时,DWA算法容易陷入局部最优解,无法有效规避障碍物。
发明内容
本发明提供了一种车辆避障方法、装置、车辆及存储介质,可以实现密集障碍物区域的有效避障,提升自动驾驶车辆的安全性。
第一方面,本发明实施例提供了一种车辆避障方法,应用于车辆,包括:
根据车辆对应的当前驾驶环境以及多个备选路径,采用遗传算法确定与所述车辆对应的目标避障路径;
根据所述目标避障路径,采用动态窗口算法DWA确定与所述车辆对应的多个目标局部路径;
控制所述车辆,按照所述多个目标局部路径进行驾驶。
第二方面,本发明实施例还提供了一种车辆避障装置,包括:
避障路径确定模块,用于根据车辆对应的当前驾驶环境以及多个备选路径,采用遗传算法确定与所述车辆对应的目标避障路径;
局部路径确定模块,用于根据所述目标避障路径,采用动态窗口算法DWA确定与所述车辆对应的多个目标局部路径;
车辆控制模块,用于控制所述车辆,按照所述多个目标局部路径进行驾驶。
第三方面,本发明实施例还提供了一种车辆,该车辆包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行本发明任一实施例提供的车辆避障方法。
第四方面,本发明实施例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存储有计算机指令,计算机指令用于使处理器执行时实现本发明任一实施例提供的车辆避障方法。
本发明实施例提供的技术方案,通过根据车辆对应的当前驾驶环境以及多个备选路径,采用遗传算法确定与所述车辆对应的目标避障路径,根据所述目标避障路径,采用DWA算法确定与所述车辆对应的多个目标局部路径,控制所述车辆,按照所述多个目标局部路径进行驾驶的技术手段,可以实现密集障碍物区域的有效避障,提升自动驾驶车辆的安全性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种车辆避障方法的流程图;
图2是根据本发明实施例二提供的另一种车辆避障方法的流程图;
图3是根据本发明实施例三提供的另一种车辆避障方法的流程图;
图4是根据本发明实施例四提供的一种车辆避障装置的结构示意图;
图5是实现本发明实施例五提供的一种车辆的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是根据本发明实施例一提供的一种车辆避障方法的流程图,本实施例可适用于控制自动驾驶车辆避障的情况,该方法可以由车辆避障装置来执行,该车辆避障装置可以采用硬件和/或软件的形式实现,该车辆避障装置可配置于车辆中。
如图1所示,本实施例公开的一种车辆避障方法包括:
S110、根据车辆对应的当前驾驶环境以及多个备选路径,采用遗传算法确定与所述车辆对应的目标避障路径。
在本实施例中,所述当前驾驶环境中可以包括车辆对应的多个障碍物,所述备选路径可以为车辆在当前驾驶环境中的可行路径。
在此步骤中,在获取到多个备选路径后,可以采用遗传算法根据障碍物信息,对多个备选路径进行迭代更新,得到一条可有效避开密集静态障碍物的最优路径(也即目标避障路径)。
具体的,遗传算法(Genetic Algorithm,GA)是一种通过计算机模拟生物的遗传机制来进行选择的全局搜索优化方法。由初始种群出发,通过有效模拟遗传学中的复制、交叉及变异等现象,产生更具优势的个体,最后通过多次有效迭代收敛至最优解。在路径规划领域中,将可行路径看作是个体。其中,每个种群中包含多个个体,每个个体中又包含多个染色体,也即中间过渡点的数量。通过对种群进行编码、适应度函数设计以及选择、交叉和变异等遗传学操作,最终可规划出最优路径。
S120、根据所述目标避障路径,采用DWA算法确定与所述车辆对应的多个目标局部路径。
在本实施例中,确定与车辆对应的目标避障路径后,可以采用DWA算法作为局部路径规划算法,在目标避障路径的基础上有效规避局部动态障碍物,进而得到多个目标局部路径。
在一个具体的实施例中,可以采用DWA算法,根据目标避障路径的位置信息,以及车辆周围的动态障碍物信息,规划得到多个目标局部路径。
S130、控制所述车辆,按照所述多个目标局部路径进行驾驶。
在本实施例中,由于遗传算法在迭代过程中不易陷入局部极小值、并且具备收敛性较好的优势,通过将遗传算法应用至自动驾驶车辆避障路径规划领域中,可以获取车辆有效避开密集静态障碍物的最优路径。其次,通过采用DWA算法进行局部路径规划,可以实时处理动态障碍物的避障问题,并且由于DWA算法计算复杂度较低,因此可以节省避障路径的规划耗时,提高规划效率。通过将遗传算法与DWA算法进行结合,可以实现密集障碍物区域的有效避障,提升自动驾驶车辆的安全性。
本实施例的技术方案,通过根据车辆对应的当前驾驶环境以及多个备选路径,采用遗传算法确定与所述车辆对应的目标避障路径,根据所述目标避障路径,采用DWA算法确定与所述车辆对应的多个目标局部路径,控制所述车辆,按照所述多个目标局部路径进行驾驶的技术手段,可以实现密集障碍物区域的有效避障,提升自动驾驶车辆的安全性。
实施例二
图2是根据本发明实施例二提供的另一种车辆避障方法的流程图,本实施例是基于上述各实施例的进一步优化与扩展,并可以与上述实施方式中各个可选技术方案结合。
如图2所示,本实施例公开的另一种车辆避障方法包括:
S210、根据车辆对应的当前驾驶环境,确定与各备选路径对应的适应度以及碰撞系数。
在本实施例中,可以根据当前驾驶环境中包括的障碍物信息,确定各备选路径的适应度以及碰撞系数。具体的,在遗传算法中,适应度可以表示个体在种群中具有的优势程度,通常采用适应度函数来评价个体的适应度。其中,适应程度越高,则认为个体越容易被保留。所述碰撞系数可以表示车辆与障碍物发生碰撞的概率。
在一个具体的实施例中,可以对备选路径进行等距离采样,如果采样点落在障碍物区域,则可以确定该备选路径的碰撞系数较高。
在对备选路径进行处理时,可以结合备选路径的适应度以及碰撞系数,确定是否对备选路径进行保留。示例性的,如果备选路径的适应度较高,则可以对备选路径进行保留;反之,如果备选路径的适应度较低或者碰撞系数较高,则可以将该备选路径进行舍弃。
S220、采用遗传算法对各备选路径进行编码,并根据编码结果、各备选路径对应的适应度以及碰撞系数,对所述多个备选路径进行迭代求解,得到目标避障路径。
在本实施例中,可将避障路径最优解问题映射到遗传算法中的基因型数据(例如染色体结构数据),并对各备选路径进行编码。具体的,编码方法可以包括浮点数编码、二进制编码以及格雷码编码等。
在本实施例的一个实施方式中,对所述多个备选路径进行迭代求解,得到目标避障路径,包括:采用遗传算法中的选择算子,确定各所述备选路径对应的选择概率;采用交叉算子,根据各所述备选路径对应的选择概率,产生更新路径;采用变异算子通过较低概率随机产生更新路径以确保备选路径的多样性;对各所述备选路径以及更新路径进行迭代求解,得到目标避障路径。
在本实施例中,通过确定各备选路径对应的选择概率,可以有效从当前种群中挑选出可作为下一代遗传的个体。具体的,每个个体被遗传到下一代的概率(也即选择概率)可以通过下述公式计算得到:
其中,f(xj)表示每个个体的适应度,表示累积概率。
在确定各备选路径对应的选择概率后,可以根据选择概率在多个备选路径中确定下一代遗传的个体,然后通过交叉算子结合该个体信息产生后代个体(也即更新路径),以使后代个体能够携带上一代个体的信息继续进行演化。
通过上述方式产生更新路径后,可以采用变异算子模拟遗传学领域的基因突变现象,通过较低概率随机产生某些个体以确保种群的多样性,然后通过对各备选路径以及更新路径进行迭代求解,可以得到目标避障路径。
这样设置的好处在于,通过执行选择、交叉以及变异等操作,并对各备选路径以及更新路径进行迭代求解,可以确定出一条能够有效规避静态障碍物的无碰撞路径。
S230、根据所述目标避障路径,采用动态窗口算法DWA确定与所述车辆对应的多个目标局部路径。
S240、控制所述车辆,按照所述多个目标局部路径进行驾驶。
本实施例的技术方案,通过根据车辆对应的当前驾驶环境,确定与各备选路径对应的适应度以及碰撞系数,采用遗传算法对各备选路径进行编码,并根据编码结果、各备选路径对应的适应度以及碰撞系数,对所述多个备选路径进行迭代求解,得到目标避障路径,根据所述目标避障路径,采用DWA算法确定与所述车辆对应的多个目标局部路径,控制所述车辆,按照所述多个目标局部路径进行驾驶的技术手段,可以实现密集障碍物区域的有效避障,提升自动驾驶车辆的安全性。
实施例三
图3是根据本发明实施例三提供的另一种车辆避障方法的流程图,本实施例是基于上述各实施例的进一步优化与扩展,并可以与上述实施方式中各个可选技术方案结合。
如图3所示,本实施例公开的另一种车辆避障方法包括:
S310、根据车辆对应的当前驾驶环境以及多个备选路径,采用遗传算法确定与所述车辆对应的目标避障路径。
S320、采用DWA算法在车辆对应的速度空间中进行速度采样。
在本实施例中,在进行速度采样之前,需要先确定搜索空间范围(也即速度空间)。该搜索空间范围与车辆的速度、加速度以及障碍物位置信息有关。具体的,搜索空间范围对应的速度约束条件为:
Vs={(v,w)|v∈[vmin,vmax]∧w∈[wmin,wmax]}
搜索空间范围对应的加速度约束条件为:
其中,(va,wa)表示车辆的实际速度,和/>分别代表车辆的最大加速度以及最大减速度,Δt代表单位时间。
搜索空间范围对应的障碍物位置约束条件为:
其中,dist(v,w)表示车辆与障碍物的最近距离,速度约束条件中指示的速度范围可以为,确定车辆能够在障碍物前停下的最大速度范围。通过上述各约束条件,可以确定搜索空间范围为:
Vr=Vs∩Vd∩Vb
由于搜索空间范围会实时发生动态变化,因此可将其称之为动态窗口。在此步骤中,可以根据上述方式得到的速度空间Vr进行随机采样。
S330、根据速度采样结果以及目标避障路径,模拟得到车辆对应的多个运动轨迹。
在本实施例中,可选的,可以根据运动学模型基于速度采样结果以及目标避障路径,模拟得到车辆对应的多个运动轨迹。
S340、根据预设的评价函数对各所述运动轨迹进行评分,并根据各所述运动轨迹对应的评分结果,确定车辆对应的多个目标局部路径。
在本实施例中,所述评价函数包括:方位角评价函数、距离评价函数以及速度评价函数。
其中,方位角评价函数heading(v,w)可用于计算运动轨迹末端与目标位置之间的角度θ,角度越大则证明当前运动轨迹与目标位置偏离越大,也即该运动轨迹在方位角评价函数下对应的指标值也越低。
距离评价函数dist(v,w)代表运动轨迹与其周围最近障碍物之间的距离,距离越大,则确定该运动轨迹在距离评价函数下对应的指标值越高,由此可以有效评估车辆与障碍物之间发生碰撞的可能性,确保车辆的避障功能。
速度评价函数vel(v,w)代表车辆在运动轨迹中对应的当前驾驶速度,速度越大,则确定运动轨迹在速度评价函数下对应的指标值越高,从而促使车辆能够快速抵达目标位置。
在本实施例的一个实施方式中,根据预设的评价函数对各所述运动轨迹进行评分,包括:确定各所述运动轨迹,分别在方位角评价函数、距离评价函数以及速度评价函数下对应的指标值;按照预设的权重比例,对各所述运动轨迹对应的指标值进行加权求和,得到各所述运动轨迹对应的评分结果G(v,w)。具体的计算公式可以如下所示:
G(v,w)=σ(α·heading(v,w)+β·dist(v,w)+γ·vel(v,w))
其中,α,β,γ分别代表各评价函数对应的权重。
在本实施例的一个实施方式中,按照预设的权重比例,对各所述运动轨迹对应的指标值进行加权求和,得到各所述运动轨迹对应的评分结果,包括:对各所述运动轨迹对应的指标值进行归一化处理;按照预设的权重比例,对各所述运动轨迹对应的,处理后的指标值进行加权求和,得到各所述运动轨迹对应的评分结果。
具体的,可以通过下述公式对各项指标值进行归一化处理:
这样设置的好处在于,可以避免某一评价指标在评分结果中的优势过于明显,导致评分结果准确性较低的问题,由此可以提高目标局部路径的可靠性。
S350、控制所述车辆,按照所述多个目标局部路径进行驾驶。
本实施例的技术方案,通过根据车辆对应的当前驾驶环境以及多个备选路径,采用遗传算法确定与所述车辆对应的目标避障路径,采用DWA算法在车辆对应的速度空间中进行速度采样,根据速度采样结果以及目标避障路径,模拟得到车辆对应的多个运动轨迹,根据预设的评价函数对各所述运动轨迹进行评分,并根据各所述运动轨迹对应的评分结果,确定车辆对应的多个目标局部路径,控制所述车辆,按照所述多个目标局部路径进行驾驶的技术手段,可以实现密集障碍物区域的有效避障,提升自动驾驶车辆的安全性。
实施例四
图4为本发明实施例四提供的一种车辆避障装置的结构示意图,本实施例可适用于控制自动驾驶车辆避障的情况,该车辆避障装置可以采用硬件和/或软件的形式实现,并可配置于车辆中。
如图4所示,本实施例公开的车辆避障装置包括:
避障路径确定模块410,用于根据车辆对应的当前驾驶环境以及多个备选路径,采用遗传算法确定与所述车辆对应的目标避障路径;
局部路径确定模块420,用于根据所述目标避障路径,采用动态窗口算法DWA确定与所述车辆对应的多个目标局部路径;
车辆控制模块430,用于控制所述车辆,按照所述多个目标局部路径进行驾驶。
本实施例中的技术方案,通过根据车辆对应的当前驾驶环境以及多个备选路径,采用遗传算法确定与所述车辆对应的目标避障路径,根据所述目标避障路径,采用DWA算法确定与所述车辆对应的多个目标局部路径,控制所述车辆,按照所述多个目标局部路径进行驾驶的技术手段,可以实现密集障碍物区域的有效避障,提升自动驾驶车辆的安全性。
在上述实施例的基础上,可选的,避障路径确定模块410包括:
参数确定单元,用于根据车辆对应的当前驾驶环境,确定与各备选路径对应的适应度以及碰撞系数;
迭代处理单元,用于采用遗传算法对各备选路径进行编码,并根据编码结果、各备选路径对应的适应度以及碰撞系数,对所述多个备选路径进行迭代求解,得到目标避障路径;
选择单元,用于采用遗传算法中的选择算子,确定各所述备选路径对应的选择概率;
交叉单元,用于采用交叉算子,根据各所述备选路径对应的选择概率,产生更新路径;
变异单元,用于采用变异算子,通过较低概率随机产生更新路径以确保备选路径的多样性。
局部路径确定模块420包括:
速度采样单元,用于采用DWA算法在车辆对应的速度空间中进行速度采样;
轨迹模拟单元,用于根据速度采样结果以及目标避障路径,模拟得到车辆对应的多个运动轨迹;
评分单元,用于根据预设的评价函数对各所述运动轨迹进行评分,并根据各所述运动轨迹对应的评分结果,确定车辆对应的多个目标局部路径;所述评价函数包括:方位角评价函数、距离评价函数以及速度评价函数;
指标值确定单元,用于确定各所述运动轨迹,分别在方位角评价函数、距离评价函数以及速度评价函数下对应的指标值;
加权求和单元,用于按照预设的权重比例,对各所述运动轨迹对应的指标值进行加权求和,得到各所述运动轨迹对应的评分结果;
归一化处理单元,用于对各所述运动轨迹对应的指标值进行归一化处理;按照预设的权重比例,对各所述运动轨迹对应的,处理后的指标值进行加权求和,得到各所述运动轨迹对应的评分结果。
本发明实施例所提供的车辆避障装置可执行本发明任意实施例所提供的车辆避障方法,具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。
实施例五
图5示出了可以用来实施本发明的实施例的车辆10的结构示意图。如图5所示,车辆10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储车辆10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
车辆10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许车辆10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如车辆避障方法。
在一些实施例中,车辆避障方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到车辆10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的车辆避障方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车辆避障方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在车辆上实施此处描述的系统和技术,该车辆具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给车辆。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种车辆避障方法,其特征在于,应用于车辆,所述方法包括:
根据车辆对应的当前驾驶环境以及多个备选路径,采用遗传算法确定与所述车辆对应的目标避障路径;
根据所述目标避障路径,采用动态窗口算法DWA确定与所述车辆对应的多个目标局部路径;
控制所述车辆,按照所述多个目标局部路径进行驾驶。
2.根据权利要求1所述的方法,其特征在于,根据车辆对应的当前驾驶环境以及多个备选路径,采用遗传算法确定与所述车辆对应的目标避障路径,包括:
根据车辆对应的当前驾驶环境,确定与各备选路径对应的适应度以及碰撞系数;
采用遗传算法对各备选路径进行编码,并根据编码结果、各备选路径对应的适应度以及碰撞系数,对所述多个备选路径进行迭代求解,得到目标避障路径。
3.根据权利要求2所述的方法,其特征在于,对所述多个备选路径进行迭代求解,得到目标避障路径,包括:
采用遗传算法中的选择算子,确定各所述备选路径对应的选择概率;
采用交叉算子和变异算子,根据各所述备选路径对应的选择概率,产生更新路径;
对各所述备选路径以及更新路径进行迭代求解,得到目标避障路径。
4.根据权利要求1所述的方法,其特征在于,根据所述目标避障路径,采用动态窗口算法DWA确定与所述车辆对应的多个目标局部路径,包括:
采用DWA算法在车辆对应的速度空间中进行速度采样;
根据速度采样结果以及目标避障路径,模拟得到车辆对应的多个运动轨迹;
根据预设的评价函数对各所述运动轨迹进行评分,并根据各所述运动轨迹对应的评分结果,确定车辆对应的多个目标局部路径。
5.根据权利要求4所述的方法,其特征在于,所述评价函数包括:方位角评价函数、距离评价函数以及速度评价函数。
6.根据权利要求5所述的方法,其特征在于,根据预设的评价函数对各所述运动轨迹进行评分,包括:
确定各所述运动轨迹,分别在方位角评价函数、距离评价函数以及速度评价函数下对应的指标值;
按照预设的权重比例,对各所述运动轨迹对应的指标值进行加权求和,得到各所述运动轨迹对应的评分结果。
7.根据权利要求6所述的方法,其特征在于,按照预设的权重比例,对各所述运动轨迹对应的指标值进行加权求和,得到各所述运动轨迹对应的评分结果,包括:
对各所述运动轨迹对应的指标值进行归一化处理;
按照预设的权重比例,对各所述运动轨迹对应的,处理后的指标值进行加权求和,得到各所述运动轨迹对应的评分结果。
8.一种车辆避障装置,其特征在于,应用于车辆,所述装置包括:
避障路径确定模块,用于根据车辆对应的当前驾驶环境以及多个备选路径,采用遗传算法确定与所述车辆对应的目标避障路径;
局部路径确定模块,用于根据所述目标避障路径,采用动态窗口算法DWA确定与所述车辆对应的多个目标局部路径;
车辆控制模块,用于控制所述车辆,按照所述多个目标局部路径进行驾驶。
9.一种车辆,其特征在于,所述车辆包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的车辆避障方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的车辆避障方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310736016.8A CN116540741A (zh) | 2023-06-20 | 2023-06-20 | 一种车辆避障方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310736016.8A CN116540741A (zh) | 2023-06-20 | 2023-06-20 | 一种车辆避障方法、装置、车辆及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116540741A true CN116540741A (zh) | 2023-08-04 |
Family
ID=87445568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310736016.8A Pending CN116540741A (zh) | 2023-06-20 | 2023-06-20 | 一种车辆避障方法、装置、车辆及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116540741A (zh) |
-
2023
- 2023-06-20 CN CN202310736016.8A patent/CN116540741A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3593288B1 (en) | Training action selection neural networks using look-ahead search | |
EP4020326A1 (en) | Method and apparatus of training model, device, storage medium, and program product | |
KR20230026961A (ko) | 장애물 이동 궤적의 예측 방법, 장치 및 자율 운전 차량 | |
CN114596553B (zh) | 模型训练方法、轨迹预测方法、装置及自动驾驶车辆 | |
WO2023082726A1 (zh) | 换道策略生成方法和装置、计算机存储介质、电子设备 | |
CN114261400A (zh) | 一种自动驾驶决策方法、装置、设备和存储介质 | |
CN114771572A (zh) | 一种自动驾驶轨迹预测方法、装置、设备和存储介质 | |
CN116092055A (zh) | 训练方法、获取方法、装置、设备及自动驾驶车辆 | |
CN114510072A (zh) | 基于进化迁移优化的多无人机路径规划方法、终端及介质 | |
CN115222046A (zh) | 神经网络结构搜索方法、装置、电子设备及存储介质 | |
CN114021773A (zh) | 一种路径规划方法、装置、电子设备以及存储介质 | |
CN116499487B (zh) | 一种车辆的路径规划方法、装置、设备及介质 | |
CN116749996A (zh) | 轨迹预测方法、装置、电子设备及存储介质 | |
CN116540741A (zh) | 一种车辆避障方法、装置、车辆及存储介质 | |
CN115330067B (zh) | 一种交通拥堵预测方法、装置、电子设备及存储介质 | |
CN115848365A (zh) | 车辆控制器、车辆及车辆控制方法 | |
KR102565438B1 (ko) | 자연어에 기반하는 실내 자율 내비게이팅 | |
CN114842305A (zh) | 深度预测模型训练方法、深度预测方法及相关装置 | |
CN116842392B (zh) | 轨迹预测方法及其模型的训练方法、装置、设备及介质 | |
CN117494043A (zh) | 一种目标运动轨迹预测方法、装置、电子设备及介质 | |
CN116203964B (zh) | 一种控制车辆行驶的方法、设备和装置 | |
CN117302268A (zh) | 行驶策略确定方法、模型训练方法以及自动驾驶车辆 | |
CN117636306A (zh) | 行驶轨迹确定、模型训练方法、装置、电子设备及介质 | |
CN117734692A (zh) | 一种车辆换道结果确定方法、装置、设备及存储介质 | |
CN117669686A (zh) | 模型处理方法、装置和电子设备 |
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 |