CN116540745A - 轨迹规划方法和装置、无人车和存储介质 - Google Patents
轨迹规划方法和装置、无人车和存储介质 Download PDFInfo
- Publication number
- CN116540745A CN116540745A CN202310813225.8A CN202310813225A CN116540745A CN 116540745 A CN116540745 A CN 116540745A CN 202310813225 A CN202310813225 A CN 202310813225A CN 116540745 A CN116540745 A CN 116540745A
- Authority
- CN
- China
- Prior art keywords
- time
- free space
- space
- free
- optimal
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000004891 communication Methods 0.000 claims abstract description 22
- 238000012546 transfer Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 36
- 238000005070 sampling Methods 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000004888 barrier function Effects 0.000 claims description 4
- 238000013138 pruning Methods 0.000 claims description 4
- 239000004973 liquid crystal related substance Substances 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 230000003068 static effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 125000002015 acyclic group Chemical group 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009466 transformation 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
- G05D1/0212—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
- G05D1/0221—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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种轨迹规划方法和装置、无人车和存储介质,其中该方法包括获取目标车辆在S‑L‑T三维空间内的场景信息;在T轴方向上将场景信息离散化,构建自由时空集,自由时空集包括离散于各步长的自由时空子集,任一步长的自由时空子集在S轴方向由车道划分,自由时空子集为目标车辆在各步长的车道内连通的可行驶范围;在自由时空集中搜索连通目标车辆起点和终点处自由时空子集的最优时空连通域,最优时空连通域在各步长中对应一个自由时空子集,且最优时空连通域在T轴方向上正向单向延伸;基于最优时空连通域规划目标车辆的行驶轨迹。这样,可以实现自动驾驶中车辆行驶轨迹的自动规划,且在算法的实时性方面表现出优势。
Description
技术领域
本申请属于自动驾驶技术领域,具体涉及一种轨迹规划方法和装置、无人车和存储介质。
背景技术
近年来自动驾驶技术快速发展,其目标通常是控制车辆自主沿道路行进,在尽快到达目的地的同时保证本车的安全,亦确保不对其它交通参与者的安全造成直接或者间接的威胁。
为实现上述目标,自动驾驶软件需要多个关键系统,轨迹规划系统即为其中之一。轨迹规划的目标为规划一条满足车辆动力学要求的轨迹,此轨迹需要能够规避周围障碍物(车辆,行人,静态障碍物等),且满足决策层指令(保持车道,变道,靠边停车),稳定可靠的轨迹规划是保障自动驾驶功能可用性的基础之一。
公开于该背景技术部分的信息仅仅旨在增加对本申请的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本申请的目的在于提供一种轨迹规划方法,其用于解决如何实现自动驾驶轨迹规划的问题。
为实现上述目的,本申请提供了一种轨迹规划方法,所述方法包括:
获取目标车辆在S-L-T三维空间内的场景信息,其中,所述场景信息包括障碍物信息以及在L轴方向延伸的至少两个车道信息;
在T轴方向上将所述场景信息离散化,构建自由时空集,其中,所述自由时空集包括离散于各步长的自由时空子集,任一步长的所述自由时空子集在S轴方向由车道划分,所述自由时空子集为所述目标车辆在各步长的车道内连通的可行驶范围;
在所述自由时空集中搜索连通所述目标车辆起点和终点处自由时空子集的最优时空连通域,其中,所述最优时空连通域在各步长中对应一个所述自由时空子集,且所述最优时空连通域在T轴方向上正向单向延伸;
基于所述最优时空连通域规划所述目标车辆的行驶轨迹。
一实施例中,在T轴方向上将所述场景信息离散化,构建自由时空集,具体包括:
解析所述障碍物信息在各步长的对应位置,以确定第一禁行范围;
判断各步长车道内相邻的所述第一禁行范围之间是否可供所述目标车辆换道,以确定第二禁行范围;
基于所述第一禁行范围和第二禁行范围,构建自由时空集。
一实施例中,在所述自由时空集中搜索连通所述目标车辆起点和终点处自由时空子集的最优时空连通域,具体包括:
在所述自由时空集中搜索自由时空连通集,其中,所述自由时空连通集在T轴方向上正向单向延伸,所述自由时空连通集包括在相邻步长直接邻接和间接邻接的自由时空子集,所述间接邻接的自由时空子集为相邻车道中通过第一目标自由时空子集连通的自由时空子集,所述第一目标自由时空子集与所述间接邻接的自由时空子集均直接邻接;
在所述自由时空连通集中搜索最优时空连通域。
一实施例中,沿T轴方向正向逐层搜索所述自由时空连通集中的自由时空子集;
在所述自由时空集中搜索自由时空连通集,具体包括:
若第二目标自由时空子集在上一步长中不存在直接邻接或间接邻接的自由时空子集,则停止向下一步长搜索与所述第二目标自由时空子集直接邻接和间接邻接的自由时空子集。
一实施例中,在所述自由时空集中搜索自由时空连通集,还包括:
基于L轴方向的差值和所述目标车辆的当前车速,确定所述自由时空连通集中在相邻步长间接邻接的自由时空子集间的转移权重;和/或,
将所述自由时空连通集中在相邻步长直接邻接的自由时空子集间的转移权重设定为预设权重。
一实施例中,在所述自由时空连通集中搜索最优时空连通域,具体包括:
基于所述转移权重,逐层确定经各步长自由时空子集到所述目标车辆起点处自由时空子集的最优子路径;
将经所述目标车辆终点处自由时空子集的最优子路径,确定为所述最优时空连通域。
一实施例中,基于所述最优时空连通域规划所述目标车辆的行驶轨迹,具体包括:
在所述最优时空连通域中的各自由时空子集中分别确定预设数量的参考轨迹点;
在所述最优时空连通域的延伸方向逐层连接所述参考轨迹点,以获得时空轨迹簇;
在所述时空轨迹簇中确定所述行驶轨迹。
一实施例中,在所述最优时空连通域中的各自由时空子集中分别确定预设数量的参考轨迹点,具体包括:
基于最小停车距离、预设时距和所述目标车辆的当前车速,确定目标车距;
在所述自由时空连通域的各自由时空子集中,将L轴方向距离自由时空子集尽头所述目标车距的目标点确定为第一参考轨迹点。
一实施例中,在所述最优时空连通域中的各自由时空子集中分别确定预设数量的参考轨迹点,具体包括:
在所述自由时空连通域的各自由时空子集中,在L轴方向自由时空子集起始位置的目标点和所述第一参考轨迹点之间进行等间距采样,获得采样轨迹点;
在所述采样轨迹点中筛选第二参考轨迹点。
一实施例中,所述方法还包括:
对所述时空轨迹簇中斜率为负的部分轨迹进行剪枝,并在剪枝后的所述时空轨迹簇中确定所述行驶轨迹。
一实施例中,在所述时空轨迹簇中确定所述行驶轨迹,具体包括:
基于所述时空轨迹簇中相邻接轨迹的斜率差,确定第一代价函数子项;
基于所述时空轨迹簇中轨迹在S轴方向和L轴方向的变化率比值,确定第二代价函数子项;
基于所述第一代价函数子项和第二代价函数子项,确定目标代价函数;
基于所述目标代价函数,在所述时空轨迹簇中确定所述行驶轨迹。
本申请还提供一种轨迹规划装置,包括:
获取模块,用于获取目标车辆在S-L-T三维空间内的场景信息,其中,所述场景信息包括障碍物信息以及在L轴方向延伸的至少两个车道信息;
构建模块,用于在T轴方向上将所述场景信息离散化,构建自由时空集,其中,所述自由时空集包括离散于各步长的自由时空子集,任一步长的所述自由时空子集在S轴方向由车道划分,所述自由时空子集为所述目标车辆在各步长的车道内连通的可行驶范围;
搜索模块,用于在所述自由时空集中搜索连通所述目标车辆起点和终点处自由时空子集的最优时空连通域,其中,所述最优时空连通域在各步长中对应一个所述自由时空子集,且所述最优时空连通域在T轴方向上正向单向延伸;
规划模块,用于基于所述最优时空连通域规划所述目标车辆的行驶轨迹。
本申请还提供一种无人车,包括:
至少一个处理器;以及
存储器,所述存储器存储指令,当所述指令被所述至少一个处理器执行时,使得所述至少一个处理器执行如上所述的轨迹规划方法。
本申请还提供一种机器可读存储介质,其存储有可执行指令,所述指令当被执行时使得所述机器执行如上所述的轨迹规划方法。
与现有技术相比,根据本申请的轨迹规划方法,可以将S-L-T三维空间内的场景信息离散化构建自由时空集,在自由时空集中搜索连通目标车辆起点和终点处自由时空子集的最优时空连通域,进而基于最优时空连通域规划所述目标车辆的行驶轨迹,这样,大量减少了目标车辆规划行驶轨迹的搜索域,避免在整体的三维时空(自由时空集)中采样,可能由于采样节点过多导致轨迹簇碰撞检测计算复杂等问题;并且,在自由时空连通域中采样即可保证规划的行驶轨迹的时空最优性,使得本申请实施例的轨迹规划方法在算法实时性等方面表现出优势。
附图说明
图1是根据本申请一实施例轨迹规划方法的应用场景图;
图2是根据本申请一实施例轨迹规划方法的流程图;
图3是根据本申请一实施例轨迹规划方法中,S-L-T三维空间中障碍物信息的场景图;
图4是根据本申请一实施例轨迹规划方法中,S-L-T三维空间中障碍物信息的俯视场景图;
图5是根据本申请一实施例轨迹规划方法中,将S-L-T三维空间中障碍物信息离散化的场景图;
图6是根据本申请一实施例轨迹规划方法中,将S-L-T三维空间中障碍物信息离散化后,按照各步长投影到S-L平面的示意图;
图7是根据本申请一实施例轨迹规划方法中,将S-L-T三维空间中障碍物信息离散化后构建自由时空连通集的场景图;
图8是根据本申请一实施例轨迹规划方法中,基于自由时空子集构建的有向图;
图9是根据本申请一实施例轨迹规划方法中,直接邻接和间接邻接的自由时空子集的示意图;
图10和图11是根据本申请一实施例轨迹规划方法中,基于自由时空子集构建的有向无环图;
图12是根据本申请一实施例轨迹规划方法中,搜索到的最优时空连通域的场景示意图;
图13是根据本申请一实施例轨迹规划方法中,在最优时空连通域中确定参考轨迹点的场景示意图;
图14是根据本申请一实施例轨迹规划方法中,基于最优时空连通域中的参考轨迹点构建时空轨迹簇的场景示意图;
图15是根据本申请一实施例轨迹规划方法中,在时空轨迹簇中筛选获得的行驶轨迹的场景示意图;
图16根据本申请一实施例轨迹规划装置的模块图;
图17是根据本申请一实施例无人车的硬件结构图。
具体实施方式
以下将结合附图所示的各实施方式对本申请进行详细描述。但该等实施方式并不限制本申请,本领域的普通技术人员根据该等实施方式所做出的结构、方法、或功能上的变换均包含在本申请的保护范围内。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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,以便这里描述的本申请的实施例例如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“对应于”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。
在介绍本申请实施例之前,对本申请实施例涉及的基础技术和一些技术术语进行示意性的解释:
自动驾驶:指不需要测试驾驶员执行物理性驾驶操作的情况下,能够对车辆行驶任务进行指导与决策,并代替测试驾驶员操控行为使车辆完成安全行驶的功能。自动驾驶技术通常包括高精地图、环境感知、行为决策、路径规划、运动控制等技术。
自动驾驶系统:实现车辆的不同级别的自动驾驶功能的系统,例如辅助驾驶系统(L2)、需要人监管的高速自动驾驶系统(L3)和高度/完全自动驾驶系统(L4/L5)。
智能交通系统(Intelligent Traffic System,ITS)又称智能运输系统(Intelligent Transportation System),是将先进的科学技术(信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学和人工智能等)有效地综合运用于交通运输、服务控制和车辆制造,加强车辆、道路、使用者三者之间的联系,从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。
智能车路协同系统(Intelligent Vehicle Infrastructure CooperativeSystems,IVICS),简称车路协同系统,是智能交通系统的一个发展方向。车路协同系统是采用先进的无线通信和新一代互联网等技术,全方位实施车与车、车与路动态实时信息交互,并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理,充分实现人车路的有效协同,保证交通安全,提高通行效率,从而形成的安全、高效和环保的道路交通系统。
轨迹规划:通过给定的车辆的初始状态(包括起始位置、速度和加速度)、目标状态(包括目标位置、速度和加速度)、障碍物位置以及动力学和舒适性等的约束条件,计算出一条平滑的轨迹,使车辆能够沿着此轨迹到达目标状态。轨迹规划通常包括路径规划和速度规划两部分:路径规划负责计算出从起始位置到目标位置的平滑的路径,速度规划则在此路径的基础上计算每个路径点的速度,从而形成一条速度曲线。
弗莱纳(Frenet)坐标系:也叫道路坐标系,以车辆的起始位置为原点,坐标轴相互垂直,分为S轴方向(即沿着道路参考线的切线方向,被称为横向)和L轴方向(即参考线当前的法向,被称为纵向),坐标表示为(S,L)。S-L-T三维空间可基于弗莱纳坐标系演变而来,其在弗莱纳坐标系基础上多出一个与S轴和L轴均垂直的T轴(时间轴),从而为二维平面的弗莱纳坐标系增加时间维度以扩展到三维空间。
本申请实施例提供的轨迹规划方法可以应用于自动驾驶汽车上,包括L2、L3、L4及以上级别的自动驾驶系统。
参图1,以本申请实施例提供的轨迹规划方法的一个应用场景为例。用户可以手动驾驶车辆,也可以借助车辆的智能驾驶系统进行自动驾驶。不论是手动驾驶或自动驾驶的过程中,终端都可以基于传感器、激光雷达、摄像头、毫米波雷达、导航系统、定位系统、高精度地图等来实现采集场景信息,并提供给车辆控制的一些决策依据信息。其中,终端可以是用户驾驶的车辆,或是车辆上的智能车载设备/模块、又或是用户在驾驶车辆的过程中,配置于车辆上的台式计算机、笔记本电脑、智能手机和平板电脑,以及用户携带的便携式可穿戴设备等。
参图2,介绍本申请轨迹规划方法的一实施例。在本实施例中,该方法包括:
S11、获取目标车辆在S-L-T三维空间内的场景信息。
在车辆的自动驾驶中,为了实现不同的自动驾驶功能,目标车辆可以获取不同类型的场景信息。例如,目标车辆若需要实现自适应巡航控制(Adaptive Cruise Control,ACC),则需要获取与其临近的车辆的相关信息;目标车辆若需要实现智能大灯控制(Adaptive Front Lights, AFL),则还需要获取道路的形状信息;目标车辆若需要实现注意力检测(Driver Monitoring Systems,DMS),则还需要捕捉驾驶员的眼球运动信息等。
不同类型的场景信息可以分别通过一种或多种车载的设备获得。例如,可以通过全球卫星定位系统(global navigation satellite system,GNSS)获得目标车辆在车道坐标系中的坐标;可以通过超声波雷达、摄像头、或超声波雷达融合摄像头的方式获得目标车辆和前车的相对速度、相对距离等。
本申请实施例提供的轨迹规划方法期望可应用于道路环境复杂的场景。例如,当道路拓扑结构较为复杂或存在大量障碍物时,会对算法的效率和鲁棒性产生较大挑战,而将路径-速度解耦的规划算法,虽然降低了计算成本,但是在多动态障碍物的复杂场景下存在局限性,只能实现静态障碍物路径规划最优而不保证动态障碍物存在时的时空最优。因此,本申请实施例提供的轨迹规划方法期望在非解耦路径-速度的前提下,以较低的计算资源需求,实现动静态障碍物存在时的轨迹规划。
基于以上需求,本申请实施例中目标车辆所需获取的场景信息包括障碍物信息以及在L轴方向延伸的至少两个车道信息。这里的障碍物信息可以包括动态的障碍物信息和静态的障碍物信息。静态障碍物由于其位置不会随着时间的改变而改变,因此在S-L-T三维空间中表现为沿着T轴方向向上延伸的空间体。动态障碍物(例如车辆),由于预测其将在未来一段时间内向L轴方向以速度v行驶,因此在S-L-T三维空间中表现为在T轴方向上延伸的同时斜向L轴拉伸的空间体,并且其在S-T平面上的投影斜率即为速度v。
配合参图3和图4,上述的障碍物信息所对应的空间体的组合,构成了目标车辆在S-L-T三维空间内时空障碍区域。具体地,图3中示出的场景中包括三个沿L轴方向延伸的车道,每个车道中均存在一辆动态障碍物车辆。结合图4可以看出,在沿L轴延伸方向上,最左侧车道的车辆在超越中间车道的车辆后进行向右换道的驾驶行为,并加速至中间车道的车辆前方;中间车道和最右侧车道的车辆均为匀速直线行驶。
如图4所示,假定目标车辆初始时刻位置在S-L-T三维空间的坐标原点,对于目标车辆而言存在多种可能的、安全无碰撞的未来驾驶行为。例如,①目标车辆保持在中间车道行驶且与中间车道的前车保持跟弛状态;②在最左侧车辆向右换道时刻前,超越其并向最左侧车道换道,随后在最左侧车道保持巡航状态;③向最右侧车道换道,并在换道完成后与最右侧车道的前车保持跟弛状态。
可以理解,S-L-T三维空间中除上述的时空障碍区域外即可以为自由时空区域,本申请实施例提供的轨迹规划方法,即期望在该自由时空区域内规划类似上述的目标车辆未来驾驶行为的行驶轨迹。
S12、在T轴方向上将场景信息离散化,构建自由时空集。
S13、在自由时空集中搜索连通所述目标车辆起点和终点处自由时空子集的最优时空连通域。
参图5,在S-L-T三维空间内T轴方向上将场景信息离散化的过程包括将场景信息分散到多个步长[t0:t1]、[t1:t2]、[t2:t3]、…。自由时空集包括离散于各步长的自由时空子集,任一步长的自由时空子集在S轴方向由车道划分,该自由时空子集为目标车辆在各步长的车道内连通的可行驶范围。
配合参图6,为了更好地解释这里的自由时空集,将各步长的场景信息投影到S-L平面。其中,车道中的矩形框1、2、3、4代表障碍物车辆,障碍物的前方标志为f、后方标志为b,最左侧的车道标志为l、中间车道标志为m、最右侧车道标志为r。因此,可以用lb(左后)、lf(左前)、mb(中后)、mf(中前)、rb(右后)、rf(右前)标志分别表示自由时空子集及其与车道障碍物的相对位置。
例如,图6中(b)至(c)时,车辆1正由最左侧车道向中间车道换道,此时最左侧车道和中间车道不足以让车辆进行超越,因此,在车辆1换道过程中,其所占据的S轴方向宽度膨胀为两个车道宽度。又例如,图6中(d),车辆1刚完成换道,此时其与中间车道的车辆2之间的区域不足以让其它车辆换道并入,因此这部分区域也定义为禁行范围。又例如,图6中(e),车辆1在未来步长与车辆2之间在L轴方向的距离拉开至可供其它车辆换道并入,则这部分区域会定义为自由时空子集mm。又例如,图6中(f),中间车道在未来步长出现车辆4,并且车辆4与车辆1之间在L轴方向的距离足够其它车辆换道并入(产生新的自由时空子集),则可以根据顺序对中间车道的这些自由时空子集进行索引,如mm1和mm2。
配合参图7,进一步地,将以上在二维的S-L平面的区域划分方法推及到S-L-T三维空间,即可以在S-L-T三维空间中确定自由时空集的区域范围。具体地,本实施例中,可以通过解析障碍物信息在各步长的对应位置,以确定第一禁行范围;判断各步长车道内相邻的第一禁行范围之间是否可供目标车辆换道,以确定第二禁行范围,并基于第一禁行范围和第二禁行范围,构建自由时空集。其中,第一禁行范围可以是上述场景中车道中的车辆,第二禁行范围可以是同一车道中不足以让其它车辆换道并入的区域。
在连续时间下的自由时空集中,可以定义各自由时空子集之间的邻接关系。先以S-L二维平面为例,定义adj(A,B)=1为自由时空子集A和B存在交集,adj(A,B)=0为自由时空子集A和B不存在交集,即A∩B=∅。推及到S-L-T三维空间,通过查找每个自由空间子集的邻接关系adj是否为空,即可判断自由空间子集之间是否存在邻接关系,找到邻接关系发生突变的时刻,进而可以构建出一张转移表,其中最左侧车道和最右侧车道不可直接连通,转移表如下表所示:
结合表1可以看出,通过给定目标到达时间即可确定多个自由空间子集的连通域。如图8所示,将表1转换可得到一张有环图,有环图存在多个指向本身节点的连接线,因而难以通过节点之间的转移线得到唯一最优解。
因此,本实施例中,通过在T轴方向上将场景信息离散化,得到离散在各步长的自由时空集,并在自由时空集中先搜索自由时空连通集。其中,定义自由时空连通集在T轴方向上正向单向延伸,自由时空连通集包括在相邻步长直接邻接和间接邻接的自由时空子集,间接邻接的自由时空子集为相邻车道中通过第一目标自由时空子集连通的自由时空子集,该第一目标自由时空子集与间接邻接的自由时空子集均直接邻接。
配合参图9,自由时空子集a和c位于同一步长,自由时空子集b位于相邻的另一步长。自由时空子集c与自由时空子集a和b均直接邻接,因此,将自由时空子集a和b认定为间接邻接。在目标车辆从自由时空子集a和c所在步长转移至自由时空子集b所在步长时,从自由时空子集a直接换道至自由时空子集b是允许的。
在确定了自由时空连通集后,进而可以以T轴延伸的方向为自由时空子集间连通选择的规则,相当于构建了一有向无环图(DAG),为最优时空连通域的搜索提供算法基础。该最优时空连通域在各步长中对应一个自由时空集,且最优时空连通域在T轴方向上正向单向延伸。
参图10,具体说明自由时空连通集和有向无环图的对应关系。在离散后的S-L-T三维空间内,以自由时空子集一一对应节点,以自由时空子集的连通关系和时间轴方向对应有向连线,可构建出具有连通关系的有向无环图。假定目标车辆的起点为坐标轴的原点,图10中自节点mb0往下的每一层都代表了一个离散后的步长,节点的下角标则代表对应的步长序号。
继续参图10,以节点mb0为例,从其转移到下一步长的节点lf1、lb1、mb1、rb1时,可以通过一些设定的标准评估不同转移路径的优劣。例如,若可知节点mb0到节点lf1、lb1、mb1、rb1的距离分别为2、4、6、5,则可以将转移距离最短的节点lf1作为自节点mb0到下一步长的最优路径对应节点,并以此类推,获得直至最后步长指定节点的最优路径。又或者,若可知节点mb0到节点lf1、lb1、mb1、rb1分别具有对应的转移权重,也可以依据转移权重确定自节点mb0到下一步长的最优路径。又或者,可以在每个步长综合考虑距离和转移权重,从而确定相应的最优路径,本申请对此不作限制。
示范性地,对应至自由时空连通集中,可以为其中自由时空子集间的转移设置转移权重。相配合地,本实施例将目标车辆在不同步长自由时空子集间的转移划分为两种类型:①继续在当前车道对前车跟弛或巡航;②换道到相邻的车道。本实施例提出,若目标车辆继续在当前车道对前车跟弛或巡航,则可能具有较小的碰撞风险,而若目标车辆需要换道行驶,则可能需要考虑当前车速以及不同车道间可允许目标车辆行驶区域的差异等因素,进而评估碰撞风险。根据上述不同驾驶行为的碰撞风险差异,可以为不同的自由时空子集间的转移设置不同的转移权重。
配合参图9,与目标车辆不同的转移类型对应,从自由时空子集a转移至b时,相当于目标车辆在步长切换时进行了换道;而若从自由时空子集c转移至b,相当于目标车辆在步长切换时继续在当前车道行驶。本实施例中,将自由时空连通集中在相邻步长直接邻接的自由时空子集间的转移权重设定为预设权重,并基于L轴方向的差值和目标车辆的当前车速,确定自由时空连通集中在相邻步长间接邻接的自由时空子集间的转移权重。
示范性地,可以设置自由时空子集a转移至b的转移权重:
W(a-b)=(1+v/△x)2
其中,v为目标车辆的当前车速,△x为L轴方向上自由时空子集a和b的长度差值。
同时,还可以设置自由时空子集c转移至b的转移权重:
W(c-b)=1。
应当理解,这里转移权重的具体公式为示范性地而非限制,在不同的应用场景或需求中,目标车辆可以基于本实施例的上述精神内涵,对这些公式进行适应性变形,例如,W(a-b)=2+v/△x;W(c-b)=2等。
本实施例中,基于确定的转移权重,可以逐层确定经各步长自由时空子集到目标车辆起点处自由时空子集的最优子路径,进而将经目标车辆终点处自由时空子集的最优子路径确定为最优时空连通域。需要说明的是,本申请实施例中提及的“逐层”是指在S-L-T三维空间内,沿T轴延伸方向的各步长的邻接顺序,也即,每一步长都可以对应至“一层”。
示范性地,配合参图11,对最优时空连通域的确定过程进行算法模拟。其中,图11为设置有7个节点的有向无环图,且节点间转移时均具有相应的转移权重。可以理解,其中的每个节点均可对应一个自由时空子集。
在算法执行过程中,可以定义一个表和两个序列visited[]、unvisited[]。表中每行节点可以索引该节点与源节点的最小转移权重和其父节点。并且,在表初始化时,可以将源节点与源节点的最小转移权重置为0,其余节点到源节点的转移权重置为正无穷(或任意极大值)。visited[]序列中保存已求出最小转移权重路径的节点,unvisited[]序列中保存未求出最小转移权重路径的节点。源节点只可以通过visited[]序列中的节点作为中间节点计算到达其它节点的最小转移权重路径。初始化后的表如下:
与源节点(节点0)具有连通关系的下一步长节点包括:节点1和节点2,对应的最小转移权重分别为2和1,比表2中当前保存的与源节点最小转移权重小,因此更新节点1和节点2与源节点最小转移权重,并记录对应的父节点。同时,节点0被加入visited[]序列。更行后的表2如下:
随后,在unvisited[]序列中的节点中,与节点0具有连通关系的下一步长节点包括:节点3和节点4。节点3到源节点的最小转移权重为7,因此更新节点3与源节点最小转移权重,并记录对应的父节点(节点1)。节点4有两条到达源节点的路径,其中最小转移权重为4,因此更新节点4与源节点最小转移权重,并记录对应的父节点(节点2)。同时,节点3和节点4被加入visited[]序列。更行后的表2如下:
依照上述方式逐层搜索各步长节点到源节点的最优子路径,直至unvisited[]序列中节点全部被加入visited[]序列。得到最终的表2如下:
如果目标车辆规划的轨迹需要经过节点6,则可以基于最终状态的表2进行回溯,获得0-2-4-6的最小转移权重子路径,该最小转移权重子路径即可以确定为需要求解的最优时空连通域。
配合图12,利用本实施例上述提供的方法,可以在图7中的自由时空连通集中进行搜索。假设目标车辆t0时位于mb0节点的自由时空子集,并且限定目标车辆终点处在mm7节点的自由时空子集。可以搜索到目标车辆到达mm7节点的自由时空子集的最优时空连通域为mb0-mb1-lb2-lb3-lb4-lb5-lb6-mm7。
可以看出,基于自由时空连通域的确定,大量减少了目标车辆规划行驶轨迹的搜索域,避免在整体的三维时空(自由时空集)中采样,可能由于采样节点过多导致轨迹簇碰撞检测计算复杂等问题。并且,在自由时空连通域中采样即可保证规划的行驶轨迹的时空最优性,使得本申请实施例的轨迹规划方法在算法实时性等方面表现出优势。
S14、基于最优时空连通域规划目标车辆的行驶轨迹。
最优时空连通域限定了一个目标车辆可自由行驶且无碰撞风险的区域,在该区域范围内,可以根据设定的不同目标规划出不同的行驶轨迹。本实施例中,首先从算法的复杂度和实时性角度考虑,期望在最优时空连通域中的各自由时空子集中分别确定预设数量的参考轨迹点,并在最优时空连通域的延伸方向逐层连接这些参考轨迹点,以获得时空轨迹簇,进而在时空轨迹簇中确定最终的行驶轨迹。
例如,可以在L轴延伸方向上,在自由时空连通域的每个自由时空子集中分别确定5个参考轨迹点,并在最优时空连通域的延伸方向逐层连接这5个轨迹点获得时空轨迹簇,进而基于轨迹长度最短的标准确定行驶轨迹。
本实施例中,提出将车头时距模型与这里参考轨迹点的确定结合。车头时距模型指车辆跟驰中,用户可以采用设定跟车时距的办法来调整目标车辆与前方车辆之间的期望距离,常见的车头时距的定义如下:
/>
其中,c为目标车辆与前方障碍物车辆在L轴方向的距离,v0为目标车辆车速,为时距。用户可以根据个人风格和/或当前车辆行驶环境的不同,设置不同大小的时距。
配合参图13,可以基于最小停车距离、预设时距和目标车辆的当前车速,确定目标车距,进而在自由时空连通域的各自由时空子集中,将L轴方向距离自由时空子集尽头目标车距的目标点确定为第一参考轨迹点。本实施例中,第一参考轨迹点可以是这样的一个位置:目标车辆在第一参考轨迹点保持当前车速行驶,再经过预设时距后,到达与前车的极限安全距离位置(最小停车距离)处。
基于以上定义,本实施例中的目标车距可以为:
其中,ddes为目标车距,v0为目标车辆的车速,为预设时距,d0为最小停车距离。
在以上第一参考轨迹点的介绍中,对如何确定第一轨迹点在L轴方向的坐标作了说明,进一步地,第一参考轨迹点S轴方向的坐标例如可以取对应自由时空子集的中点坐标、T轴方向的坐标例如可以取对应自由时空子集的上表面坐标,本申请对此不作限制。类似地,作为参考的自由时空子集尽头也可以是限定为一个特定的参考点,即:L轴方向的坐标为对应自由时空子集的尽头(远离S-L-T三维空间坐标系原点的一端)坐标,S轴坐标和T轴坐标可以与上述第一参考轨迹点一致。
本实施例中,在确定第一参考轨迹点后,可以继续在自由时空连通域的各自由时空子集中,在L轴方向自由时空子集起始位置的目标点和第一参考轨迹点之间进行等间距采样,获得采样轨迹点,并在采样轨迹点中筛选第二参考轨迹点。其中,每个自由时空子集中的采样间距可以是相同或者不同,并且类似地,这里采样轨迹点的S轴坐标和T轴坐标都可以根据第一参考轨迹点进行适应性地设置,本申请对此不作限制。
继续参图13,示范性地,在确定最优时空连通域每个自由时空子集中的第一参考轨迹点后,可以在每个自由时空子集中确定一系列的采样轨迹点。为了减少采样点的次数,降低后续碰撞检测等算法的计算复杂度,可以保留距离第一参考轨迹点最近的两个点为第二参考轨迹点。也即,每个自由时空子集中确定三个参考轨迹点(一个第一参考轨迹点和两个第二参考轨迹点)。当然,若因为采样间距设置等原因,导致采样轨迹点的数量不足两个,则也可以相应地减少第二参考轨迹点的筛选数量,本申请对此不作限制。
参图14,从目标车辆的起点出发,沿最优时空连通域的延伸方向逐层连接确定的参考轨迹点,可以获得由多段直线轨迹组成的时空轨迹簇,时空轨迹簇中每一个连通目标车辆起点和终点的轨迹都可以视为目标车辆行驶轨迹的“粗轨迹”。通过对这些“粗轨迹”进行一定标准的筛选,选出最优的一条,以最终拟合可供目标车辆自动驾驶控制的参考轨迹。
本实施例中,考虑到结构化城市车道中不存在倒车的驾驶行为,还可以对时空轨迹簇中斜率为负的部分轨迹进行剪枝,并在剪枝后的时空轨迹簇中确定最终的行驶轨迹。这里的斜率可以表示为:
k=△x/△t
其中,△x为轨迹终点和起点在L轴方向的坐标差值,△t为轨迹终点和起点在T轴方向的坐标差值。
具体的筛选过程中,可以基于时空轨迹簇中相邻接轨迹的斜率差确定第一代价函数子项,基于时空轨迹簇中轨迹在S轴方向和L轴方向的变化率比值,确定第二代价函数子项,进而基于第一代价函数子项和第二代价函数子项确定目标代价函数,并基于目标代价函数在时空轨迹簇中确定行驶轨迹。
本实施例中,由于时空轨迹簇中相邻接的轨迹都是分布在相邻的步长中,因此相邻接轨迹的斜率差可以代表目标车辆在L轴方向上的速度变化率,各步长的轨迹在S轴方向和L轴方向的变化率比值可以代表目标车辆在S轴方向上的速度变化率。可以理解的,在其它实施例中,还可以例如考虑目标车辆的冲击度、震荡度等因素,构建合适的代价函数子项,本申请对此不作限制。
示范性地,目标代价函数可以表示为:
其中,w1和w2分别为第一代价函数子项和第二代价函数子项的权重,n为S-L-T三维空间中离散后的步长数。
配合参图15,基于以上目标代价函数,最终可以筛选出的一条“粗轨迹”如图15所示。该条“粗轨迹”在S-L-T三维空间内的各自由时空子集间首尾连接,且沿目标车辆起点处自由时空子集单向延伸至目标车辆终点处自由时空子集。可以理解的,本申请实施例提供的轨迹规划方法,最终生成的行驶轨迹可以是指这里示范的“粗轨迹”,也可以是基于该“粗轨迹”进行拟合或二次规划等,以获得的平滑曲线形态的参考轨迹。由于并不涉及本申请的改进点,因此本实施例中对这些可能的后续操作和步骤不再赘述。
参图16,介绍本申请轨迹规划装置的一实施例。在本实施例中,该轨迹规划装置包括获取模块21、构建模块22、搜索模块23以及规划模块24。
获取模块21,用于获取目标车辆在S-L-T三维空间内的场景信息,其中,所述场景信息包括障碍物信息以及在L轴方向延伸的至少两个车道信息;构建模块22,用于在T轴方向上将所述场景信息离散化,构建自由时空集,其中,所述自由时空集包括离散于各步长的自由时空子集,任一步长的所述自由时空子集在S轴方向由车道划分,所述自由时空子集为所述目标车辆在各步长的车道内连通的可行驶范围;搜索模块23,用于在所述自由时空集中搜索连通所述目标车辆起点和终点处自由时空子集的最优时空连通域,其中,所述最优时空连通域在各步长中对应一个所述自由时空子集,且所述最优时空连通域在T轴方向上正向单向延伸;规划模块24,用于基于所述最优时空连通域规划所述目标车辆的行驶轨迹。
一实施例中,构建模块22具体用于解析所述障碍物信息在各步长的对应位置,以确定第一禁行范围;判断各步长车道内相邻的所述第一禁行范围之间是否可供所述目标车辆换道,以确定第二禁行范围;基于所述第一禁行范围和第二禁行范围,构建自由时空集。
一实施例中,搜索模块23具体用于在所述自由时空集中搜索自由时空连通集,其中,所述自由时空连通集在T轴方向上正向单向延伸,所述自由时空连通集包括在相邻步长直接邻接和间接邻接的自由时空子集,所述间接邻接的自由时空子集为相邻车道中通过第一目标自由时空子集连通的自由时空子集,所述第一目标自由时空子集与所述间接邻接的自由时空子集均直接邻接;在所述自由时空连通集中搜索最优时空连通域。
一实施例中,搜索模块23沿T轴方向正向逐层搜索所述自由时空连通集中的自由时空子集;搜索模块23具体用于在第二目标自由时空子集在上一步长中不存在直接邻接或间接邻接的自由时空子集时,停止向下一步长搜索与所述第二目标自由时空子集直接邻接和间接邻接的自由时空子集。
一实施例中,搜索模块23具体用于基于L轴方向的差值和所述目标车辆的当前车速,确定所述自由时空连通集中在相邻步长间接邻接的自由时空子集间的转移权重;和/或,将所述自由时空连通集中在相邻步长直接邻接的自由时空子集间的转移权重设定为预设权重。
一实施例中,搜索模块23具体用于基于所述转移权重,逐层确定经各步长自由时空子集到所述目标车辆起点处自由时空子集的最优子路径;将经所述目标车辆终点处自由时空子集的最优子路径,确定为所述最优时空连通域。
一实施例中,规划模块24具体用于在所述最优时空连通域中的各自由时空子集中分别确定预设数量的参考轨迹点;在所述最优时空连通域的延伸方向逐层连接所述参考轨迹点,以获得时空轨迹簇;在所述时空轨迹簇中确定所述行驶轨迹。
一实施例中,规划模块24具体用于基于最小停车距离、预设时距和所述目标车辆的当前车速,确定目标车距;在所述自由时空连通域的各自由时空子集中,将L轴方向距离自由时空子集尽头所述目标车距的目标点确定为第一参考轨迹点。
一实施例中,规划模块24具体用于在所述自由时空连通域的各自由时空子集中,在L轴方向自由时空子集起始位置的目标点和所述第一参考轨迹点之间进行等间距采样,获得采样轨迹点;在所述采样轨迹点中筛选第二参考轨迹点。
一实施例中,规划模块24具体用于对所述时空轨迹簇中斜率为负的部分轨迹进行剪枝,并在剪枝后的所述时空轨迹簇中确定所述行驶轨迹。
一实施例中,规划模块24具体用于基于所述时空轨迹簇中相邻接轨迹的斜率差,确定第一代价函数子项;基于所述时空轨迹簇中轨迹在S轴方向和L轴方向的变化率比值,确定第二代价函数子项;基于所述第一代价函数子项和第二代价函数子项,确定目标代价函数;基于所述目标代价函数,在所述时空轨迹簇中确定所述行驶轨迹。
如上参照图1至图15,对根据本说明书实施例轨迹规划方法进行了描述。在以上对方法实施例的描述中所提及的细节,同样适用于本说明书实施例的轨迹规划装置。上面的轨迹规划装置可以采用硬件实现,也可以采用软件或者硬件和软件的组合来实现。
图17示出了根据本说明书的实施例的无人车的硬件结构图。如图17所示,无人车30可以包括至少一个处理器31、存储器32(例如非易失性存储器)、内存33和通信接口34,并且至少一个处理器31、存储器32、内存33和通信接口34经由内部总线35连接在一起。至少一个处理器31执行在存储器32中存储或编码的至少一个计算机可读指令。
应该理解,在存储器32中存储的计算机可执行指令当执行时使得至少一个处理器31进行本说明书的各个实施例中以上结合图1至图15描述的各种操作和功能。
在本说明书的实施例中,无人车30可以配置功能终端承载上述的硬件结构,该终端可以包括但不限于:个人计算机、服务器计算机、工作站、桌面型计算机、膝上型计算机、笔记本计算机、移动电子设备、智能电话、平板计算机、蜂窝电话、个人数字助理(PDA)、手持装置、消息收发设备、可佩戴电子设备、消费电子设备等等。
根据一个实施例,提供了一种比如机器可读介质的程序产品。机器可读介质可以具有指令(即,上述以软件形式实现的元素),该指令当被机器执行时,使得机器执行本说明书的各个实施例中以上结合图1-图15描述的各种操作和功能。具体地,可以提供配有可读存储介质的系统或者装置,在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。
在这种情况下,从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此机器可读代码和存储机器可读代码的可读存储介质构成了本说明书的一部分。
可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD-RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上或云上下载程序代码。
本领域技术人员应当理解,上面公开的各个实施例可以在不偏离发明实质的情况下做出各种变形和修改。因此,本说明书的保护范围应当由所附的权利要求书来限定。
需要说明的是,上述各流程和各系统结构图中不是所有的步骤和单元都是必须的,可以根据实际的需要忽略某些步骤或单元。各步骤的执行顺序不是固定的,可以根据需要进行确定。上述各实施例中描述的装置结构可以是物理结构,也可以是逻辑结构,即,有些单元可能由同一物理客户实现,或者,有些单元可能分由多个物理客户实现,或者,可以由多个独立设备中的某些部件共同实现。
以上各实施例中,硬件单元或模块可以通过机械方式或电气方式实现。例如,一个硬件单元、模块或处理器可以包括永久性专用的电路或逻辑(如专门的处理器,FPGA或ASIC)来完成相应操作。硬件单元或处理器还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器),可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。
上面结合附图阐述的具体实施方式描述了示例性实施例,但并不表示可以实现的或者落入权利要求书的保护范围的所有实施例。在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”,并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的,具体实施方式包括具体细节。然而,可以在没有这些具体细节的情况下实施这些技术。在一些实例中,为了避免对所描述的实施例的概念造成难以理解,公知的结构和装置以框图形式示出。
本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说,对本公开内容进行的各种修改是显而易见的,并且,也可以在不脱离本公开内容的保护范围的情况下,将本文所对应的一般性原理应用于其它变型。因此,本公开内容并不限于本文所描述的示例和设计,而是与符合本文公开的原理和新颖性特征的最广范围相一致。
Claims (14)
1.一种轨迹规划方法,其特征在于,所述方法包括:
获取目标车辆在S-L-T三维空间内的场景信息,其中,所述场景信息包括障碍物信息以及在L轴方向延伸的至少两个车道信息;
在T轴方向上将所述场景信息离散化,构建自由时空集,其中,所述自由时空集包括离散于各步长的自由时空子集,任一步长的所述自由时空子集在S轴方向由车道划分,所述自由时空子集为所述目标车辆在各步长的车道内连通的可行驶范围;
在所述自由时空集中搜索连通所述目标车辆起点和终点处自由时空子集的最优时空连通域,其中,所述最优时空连通域在各步长中对应一个所述自由时空子集,且所述最优时空连通域在T轴方向上正向单向延伸;
基于所述最优时空连通域规划所述目标车辆的行驶轨迹。
2.根据权利要求1所述的轨迹规划方法,其特征在于,在T轴方向上将所述场景信息离散化,构建自由时空集,具体包括:
解析所述障碍物信息在各步长的对应位置,以确定第一禁行范围;
判断各步长车道内相邻的所述第一禁行范围之间是否可供所述目标车辆换道,以确定第二禁行范围;
基于所述第一禁行范围和第二禁行范围,构建自由时空集。
3.根据权利要求1所述的轨迹规划方法,其特征在于,在所述自由时空集中搜索连通所述目标车辆起点和终点处自由时空子集的最优时空连通域,具体包括:
在所述自由时空集中搜索自由时空连通集,其中,所述自由时空连通集在T轴方向上正向单向延伸,所述自由时空连通集包括在相邻步长直接邻接和间接邻接的自由时空子集,所述间接邻接的自由时空子集为相邻车道中通过第一目标自由时空子集连通的自由时空子集,所述第一目标自由时空子集与所述间接邻接的自由时空子集均直接邻接;
在所述自由时空连通集中搜索最优时空连通域。
4.根据权利要求3所述的轨迹规划方法,其特征在于,沿T轴方向正向逐层搜索所述自由时空连通集中的自由时空子集;
在所述自由时空集中搜索自由时空连通集,具体包括:
若第二目标自由时空子集在上一步长中不存在直接邻接或间接邻接的自由时空子集,则停止向下一步长搜索与所述第二目标自由时空子集直接邻接和间接邻接的自由时空子集。
5.根据权利要求3所述的轨迹规划方法,其特征在于,在所述自由时空集中搜索自由时空连通集,还包括:
基于L轴方向的差值和所述目标车辆的当前车速,确定所述自由时空连通集中在相邻步长间接邻接的自由时空子集间的转移权重;和/或,
将所述自由时空连通集中在相邻步长直接邻接的自由时空子集间的转移权重设定为预设权重。
6.根据权利要求5所述的轨迹规划方法,其特征在于,在所述自由时空连通集中搜索最优时空连通域,具体包括:
基于所述转移权重,逐层确定经各步长自由时空子集到所述目标车辆起点处自由时空子集的最优子路径;
将经所述目标车辆终点处自由时空子集的最优子路径,确定为所述最优时空连通域。
7.根据权利要求1所述的轨迹规划方法,其特征在于,基于所述最优时空连通域规划所述目标车辆的行驶轨迹,具体包括:
在所述最优时空连通域中的各自由时空子集中分别确定预设数量的参考轨迹点;
在所述最优时空连通域的延伸方向逐层连接所述参考轨迹点,以获得时空轨迹簇;
在所述时空轨迹簇中确定所述行驶轨迹。
8.根据权利要求7所述的轨迹规划方法,其特征在于,在所述最优时空连通域中的各自由时空子集中分别确定预设数量的参考轨迹点,具体包括:
基于最小停车距离、预设时距和所述目标车辆的当前车速,确定目标车距;
在所述自由时空连通域的各自由时空子集中,将L轴方向距离自由时空子集尽头所述目标车距的目标点确定为第一参考轨迹点。
9.根据权利要求8所述的轨迹规划方法,其特征在于,在所述最优时空连通域中的各自由时空子集中分别确定预设数量的参考轨迹点,具体包括:
在所述自由时空连通域的各自由时空子集中,在L轴方向自由时空子集起始位置的目标点和所述第一参考轨迹点之间进行等间距采样,获得采样轨迹点;
在所述采样轨迹点中筛选第二参考轨迹点。
10.根据权利要求7所述的轨迹规划方法,其特征在于,所述方法还包括:
对所述时空轨迹簇中斜率为负的部分轨迹进行剪枝,并在剪枝后的所述时空轨迹簇中确定所述行驶轨迹。
11.根据权利要求7所述的轨迹规划方法,其特征在于,在所述时空轨迹簇中确定所述行驶轨迹,具体包括:
基于所述时空轨迹簇中相邻接轨迹的斜率差,确定第一代价函数子项;
基于所述时空轨迹簇中轨迹在S轴方向和L轴方向的变化率比值,确定第二代价函数子项;
基于所述第一代价函数子项和第二代价函数子项,确定目标代价函数;
基于所述目标代价函数,在所述时空轨迹簇中确定所述行驶轨迹。
12.一种轨迹规划装置,其特征在于,包括:
获取模块,用于获取目标车辆在S-L-T三维空间内的场景信息,其中,所述场景信息包括障碍物信息以及在L轴方向延伸的至少两个车道信息;
构建模块,用于在T轴方向上将所述场景信息离散化,构建自由时空集,其中,所述自由时空集包括离散于各步长的自由时空子集,任一步长的所述自由时空子集在S轴方向由车道划分,所述自由时空子集为所述目标车辆在各步长的车道内连通的可行驶范围;
搜索模块,用于在所述自由时空集中搜索连通所述目标车辆起点和终点处自由时空子集的最优时空连通域,其中,所述最优时空连通域在各步长中对应一个所述自由时空子集,且所述最优时空连通域在T轴方向上正向单向延伸;
规划模块,用于基于所述最优时空连通域规划所述目标车辆的行驶轨迹。
13.一种无人车,包括:
至少一个处理器;以及
存储器,所述存储器存储指令,当所述指令被所述至少一个处理器执行时,使得所述至少一个处理器执行如权利要求1至11任一项所述的轨迹规划方法。
14.一种机器可读存储介质,其存储有可执行指令,所述指令当被执行时使得所述机器执行如权利要求1至11任一项所述的轨迹规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310813225.8A CN116540745B (zh) | 2023-07-05 | 2023-07-05 | 轨迹规划方法和装置、无人车和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310813225.8A CN116540745B (zh) | 2023-07-05 | 2023-07-05 | 轨迹规划方法和装置、无人车和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116540745A true CN116540745A (zh) | 2023-08-04 |
CN116540745B CN116540745B (zh) | 2023-09-12 |
Family
ID=87454456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310813225.8A Active CN116540745B (zh) | 2023-07-05 | 2023-07-05 | 轨迹规划方法和装置、无人车和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116540745B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112572472A (zh) * | 2020-12-08 | 2021-03-30 | 重庆大学 | 一种基于Frenet坐标系的自动驾驶碰撞预测方法 |
CN114723903A (zh) * | 2022-03-18 | 2022-07-08 | 北京智行者科技有限公司 | 障碍物风险场环境建模方法及其装置、相关产品 |
CN114894206A (zh) * | 2022-03-18 | 2022-08-12 | 北京智行者科技有限公司 | 路径规划方法及装置、车辆、存储介质 |
CN115303287A (zh) * | 2022-08-10 | 2022-11-08 | 九识(苏州)智能科技有限公司 | 一种自动驾驶车辆的速度规划方法及装置 |
WO2023070258A1 (zh) * | 2021-10-25 | 2023-05-04 | 华为技术有限公司 | 一种车辆的轨迹规划方法、装置及车辆 |
CN116069037A (zh) * | 2023-01-31 | 2023-05-05 | 新石器慧通(北京)科技有限公司 | 无人车编队轨迹规划控制方法、装置、设备及存储介质 |
CN116224997A (zh) * | 2022-12-30 | 2023-06-06 | 新石器慧通(北京)科技有限公司 | 轨迹规划方法和装置、电子设备和存储介质 |
CN116382257A (zh) * | 2022-12-30 | 2023-07-04 | 新石器慧通(北京)科技有限公司 | 轨迹规划方法和装置、电子设备和存储介质 |
-
2023
- 2023-07-05 CN CN202310813225.8A patent/CN116540745B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112572472A (zh) * | 2020-12-08 | 2021-03-30 | 重庆大学 | 一种基于Frenet坐标系的自动驾驶碰撞预测方法 |
WO2023070258A1 (zh) * | 2021-10-25 | 2023-05-04 | 华为技术有限公司 | 一种车辆的轨迹规划方法、装置及车辆 |
CN114723903A (zh) * | 2022-03-18 | 2022-07-08 | 北京智行者科技有限公司 | 障碍物风险场环境建模方法及其装置、相关产品 |
CN114894206A (zh) * | 2022-03-18 | 2022-08-12 | 北京智行者科技有限公司 | 路径规划方法及装置、车辆、存储介质 |
CN115303287A (zh) * | 2022-08-10 | 2022-11-08 | 九识(苏州)智能科技有限公司 | 一种自动驾驶车辆的速度规划方法及装置 |
CN116224997A (zh) * | 2022-12-30 | 2023-06-06 | 新石器慧通(北京)科技有限公司 | 轨迹规划方法和装置、电子设备和存储介质 |
CN116382257A (zh) * | 2022-12-30 | 2023-07-04 | 新石器慧通(北京)科技有限公司 | 轨迹规划方法和装置、电子设备和存储介质 |
CN116069037A (zh) * | 2023-01-31 | 2023-05-05 | 新石器慧通(北京)科技有限公司 | 无人车编队轨迹规划控制方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
陆一帆: "城市场景下动态目标轨迹预测方法研究", <中国优秀硕士学位论文全文数据库(电子期刊) 工程科技II辑> * |
Also Published As
Publication number | Publication date |
---|---|
CN116540745B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111857160B (zh) | 一种无人车路径规划方法和装置 | |
US11947357B2 (en) | Controller for an autonomous vehicle, and network component | |
US9933781B1 (en) | Data-driven planning for automated driving | |
EP3299921B1 (en) | Location specific assistance for an autonomous vehicle control system | |
CA3052954C (en) | Autonomous vehicle operational management including operating a partially observable markov decision process model instance | |
US11868136B2 (en) | Geolocalized models for perception, prediction, or planning | |
JP7199545B2 (ja) | 自律エージェントによる行動方針選択のための多視点システムおよび方法 | |
EP3731498B1 (en) | Lane aware clusters for vehicle to vehicle communication | |
Pomerleau et al. | Long-term 3D map maintenance in dynamic environments | |
EP3759563B1 (en) | Centralized shared autonomous vehicle operational management | |
Schueler et al. | 360 degree multi sensor fusion for static and dynamic obstacles | |
JP7181354B2 (ja) | 接続されたデータ分析プラットフォームを用いた車両経路指定 | |
CN113165670A (zh) | 一种智能驾驶方法、装置、存储介质及计算机程序 | |
WO2022173880A9 (en) | System, method, and computer program product for topological planning in autonomous driving using bounds representations | |
Elghazaly et al. | High-definition maps: Comprehensive survey, challenges and future perspectives | |
WO2021202784A1 (en) | Systems and methods for augmenting perception data with supplemental information | |
Biswas et al. | State-of-the-art review on recent advancements on lateral control of autonomous vehicles | |
Thomaidis et al. | Multiple hypothesis tracking for data association in vehicular networks | |
US20220250656A1 (en) | Systems and methods for vehicular-network-assisted federated machine learning | |
CN116540745B (zh) | 轨迹规划方法和装置、无人车和存储介质 | |
JP2021133689A (ja) | 走行支援装置、走行支援方法、および走行支援プログラム | |
Thomas et al. | Sensor-based road model estimation for autonomous driving | |
CN116224997A (zh) | 轨迹规划方法和装置、电子设备和存储介质 | |
WO2023135271A1 (en) | Motion prediction and trajectory generation for mobile agents | |
CN116382257A (zh) | 轨迹规划方法和装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |