CN117075613A - 无人车辆感知及避障方法、系统、计算机设备及存储介质 - Google Patents
无人车辆感知及避障方法、系统、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117075613A CN117075613A CN202311206326.5A CN202311206326A CN117075613A CN 117075613 A CN117075613 A CN 117075613A CN 202311206326 A CN202311206326 A CN 202311206326A CN 117075613 A CN117075613 A CN 117075613A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- point cloud
- unmanned vehicle
- cloud data
- road section
- 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 71
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000013519 translation Methods 0.000 claims description 23
- 238000009826 distribution Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008447 perception Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 abstract description 19
- 238000001514 detection method Methods 0.000 abstract description 17
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000004575 stone Substances 0.000 description 5
- 230000004888 barrier function Effects 0.000 description 4
- 239000000428 dust Substances 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 208000018672 Dilatation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000008262 pumice Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明属于智能驾驶技术领域,公开了一种无人车辆感知及避障方法、系统、计算机设备及存储介质,包括规划无人车辆的行驶路径,并依据风险权重将行驶路径均匀划分节点,并依据节点划分行驶路径,得到无人车辆的各行驶路段;获取无人车辆前激光雷达的点云数据以及后激光雷达的点云数据并融合,得到融合点云数据,并根据融合点云数据检测当前行使路段上的障碍物;当碰撞结果为可能与次行使路段的运输货车碰撞时,将次行使路段的风险权重乘以预设的扩张系数得到扩张风险权重,并根据扩张风险权重更新无人车辆的各行驶路段。采用双激光雷达融合检测的方式,提高检测精确性,减少环境对驾驶人员安全的威胁,避免严重安全隐患,减少人工成本。
Description
技术领域
本发明属于智能驾驶技术领域,涉及一种无人车辆感知及避障方法、系统、计算机设备及存储介质。
背景技术
近年来随着智能驾驶技术的发展演变,以多传感器融合的智能驾驶为支撑,非结构化道路例如矿场、采石场及化工厂等也在向工作高度自动化模式转变。但是,非结构化道路周遭环境一般较差,以采石厂为例,其内环境复杂,杂物的堆积、石材的堆积以及道路凹坑等,对厂区内原材料运输货车的行驶造成很大的困扰,同时又由于露天环境粉尘污染严重,对非结构化道路下的智能驾驶的环境感知及决策提出了更高的挑战。
采石厂稳定运行离不开原材料的往返运输,传统采用人工驾驶车辆运输存在以下问题:第一,原材料需要长期运输,厂区内恶劣粉尘环境容易影响驾驶人员的安全。第二,厂区内部环境复杂,滚石落石频繁出现,需要运输人员需要有很高的运输工作经验,以免行驶途中发生碰撞。第三,目前大多数采石厂交通都不便利,增加人工成本。因此,采用智能驾驶车辆作为运输工具有一定的可行性。
传统的智能驾驶车辆一般采用摄像头作为感应装置,通过感应装置采集前方道路信息,然后将数据信息进行反馈从而指导车辆做出避障决策,但采石厂内路面环境复杂,粉尘遮挡严重,导致传统感应装置的感应距离有限,由于探测距离过近,能给予车辆的避障反映时间就会降低,从而导致一系列问题出现。传统避障决策也不会根据障碍物具体种类进行判断,针对化工厂环境中的障碍物没有针对性检测方法,碎石多的采石厂环境中,车辆行驶进程缓慢。此外,传统人为驾驶车辆在运输顺序上没有做出规划决策,多辆车同时出现在同一条道路的情况频出,其次突然出现的滚石落实或其他物体驾驶员有可能反应不及时导致车辆损毁且危及人身安全,因此,车辆还需要对一些突发事件以某种方式作出反映,完成避障操作使之仍能够顺利到达目的地。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供一种无人车辆感知及避障方法、系统、计算机设备及存储介质。
为达到上述目的,本发明采用以下技术方案予以实现:
本发明第一方面,提供一种无人车辆感知及避障方法,包括:
根据当前位置、目标位置以及各道路的风险权重,规划无人车辆的行驶路径,并依据风险权重将行驶路径均匀划分节点,并依据节点划分行驶路径,得到无人车辆的各行驶路段;
控制无人车辆按照各行驶路段顺序行驶,并在行使中进行障碍决策步骤和重新规划步骤;其中:
障碍决策步骤:获取无人车辆前激光雷达的点云数据以及后激光雷达的点云数据并融合,得到融合点云数据,并根据融合点云数据检测当前行使路段上的障碍物;当检测当前行使路段上存在障碍物时,获取障碍物的障碍物风险权重和障碍物距离权重,当障碍物风险权重超过障碍物风险权重阈值且障碍物距离权重超过障碍物距离权重阈值时,获取无人车辆的绕行行驶路段;否则,继续行驶;
重新规划步骤:当无人车辆距离当前行使路段的终点小于预设路程阈值时,获取当前行使路段的次行使路段的车辆信息,并根据次行使路段的车辆信息得到碰撞结果;以及当碰撞结果为可能与次行使路段的运输货车碰撞时,将次行使路段的风险权重乘以预设的扩张系数得到扩张风险权重,并根据扩张风险权重更新无人车辆的各行驶路段。
可选的,所述各道路的风险权重通过各道路的障碍风险权重和行驶风险权重叠加得到,障碍风险权重依照道路内障碍物的体积确定,行驶风险权重依照道路内障碍物的分布密度确定;
所述根据当前位置、目标位置以及各道路的风险权重,规划无人车辆的行驶路径包括:
根据当前位置、目标位置以及各道路的风险权重,搜索出一条综合风险权重最小的行驶路径,作为无人车辆的行驶路径;其中,综合风险权重为行驶路径中各道路的风险权重的叠加值。
可选的,所述获取无人车辆前激光雷达的点云数据以及后激光雷达的点云数据并融合,得到融合点云数据包括:
通过坡度变化地面平面拟合模型,将前激光雷达的点云数据以及后激光雷达的点云数据中的地面点数据和非地面点数据分离;
根据前激光雷达的点云数据以及后激光雷达的点云数据中的非地面点数据,以前激光雷达的点云数据中的非地面点数据为基础,依据特征匹配的方法构建后激光雷达的点云数据相较于前激光雷达的点云数据的旋转平移矩阵,根据旋转平移矩阵融合前激光雷达的点云数据以及后激光雷达的点云数据。
可选的,所述通过坡度变化地面平面拟合模型,将前激光雷达的点云数据以及后激光雷达的点云数据中的地面点数据和非地面点数据分离包括:
沿无人车辆行驶方向将空间划分为若干三维区域;
遍历各三维区域,随机抽取三维区域中的三个点云组成三维区域的原始平面;
计算步骤:遍历三维区域中的各点云数据,计算各点云数据到原始平面的正交投影距离,若正交投影距离小于设定的阈值,则当前点云数据属于原始平面并添加至原始平面;否则,当前点云数据不属于原始平面;
若三维区域中存在预设数量以上的点云数据不属于原始平面,则删除当前原始平面,重新选取三个点组成三维区域的原始平面,并重复计算步骤;
遍历各三维区域完成后,得到各三维区域的原始平面,并基于各原始平面进行平面拟合,计算两两原始平面之间的夹角,当两原始平面之间的夹角小于设定夹角阈值时,两原始平面为连续平面;否则,两原始平面之间的夹角为原始平面对应坡度;
将各三维区域内属于各三维区域的原始平面内的点云数据作为地面点数据,其余点云数据作为非地面点数据。
可选的,所述依据特征匹配的方法构建后激光雷达的点云数据相较于前激光雷达的点云数据的旋转平移矩阵包括:
设定前激光雷达的非地面数据为基准点云,后激光雷达的非地面数据为待匹配点云,并给定初始估计的旋转平移矩阵;
将基准点云在三维空间划分为若干个网格单元,并计算各网格单元的点云分布密度,当当前网格单元的点云分布密度小于设定的密度阈值时,则当前网格单元不作为特征单元进行匹配步骤;
根据初始估计的旋转平移矩阵,将待匹配点云转换至目标区域,依照网格单元格点云分布密度大小,由大到小计算各待匹配点云到各个网格单元中心点的距离,当距离小于预设的匹配距离阈值时,当前待匹配点云为当前网格单元的格内点,特征匹配成功;否则,当前待匹配点云为噪点;
遍历各待匹配点云,通过估计各特征成功匹配的待匹配点云的概率密度,得到初始位姿匹配精度,当初始位姿匹配精度未达到预设要求时,利用优化迭代的方法对旋转平移矩阵进行优化;否则,得到最终的旋转平移矩阵。
可选的,所述获取障碍物的障碍物风险权重和障碍物距离权重包括:
获取障碍物的体积,根据障碍物的体积以及预设的障碍物风险权重数据库,得到障碍物的障碍物风险权重;通过毫米波雷达获取障碍物的距离,根据障碍物的距离得到障碍物的障碍物距离权重。
可选的,所述控制无人车辆按照各行驶路段顺序行驶时,行驶路段的风险权重越高,行驶速度越低;
所述根据扩张风险权重更新无人车辆的各行驶路段包括:采用次行使路段的扩张风险权重更新次行使路段的风险权重;并根据无人车辆的当前位置、目标位置以及各道路的风险权重,计算所有可行行驶路径的综合权重系数,选取综合权重系数最小的行驶路径,并依据风险权重将行驶路径均匀划分节点,并依据节点划分行驶路径,根据划分结果更新无人车辆的各行驶路段;
当必然与次行使路段的车辆冲突时,计算各车辆距离无人车辆当前行驶路段结束点的距离,当该距离大于预设距离阈值时,控制无人车辆正常行驶;否则,获取对比各车辆以及无人车辆预设的优先级权重,优先级权重最高的车辆正常行驶,其余车辆的行使速度乘以预设的优先级权重对应的缩小系数;其中,优先级权重根据车辆的载重确定,载重越重,优先级权重越高。
本发明第二方面,提供一种无人车辆感知及避障系统,包括:
初始规划模块,用于根据当前位置、目标位置以及各道路的风险权重,规划无人车辆的行驶路径,并依据风险权重将行驶路径均匀划分节点,并依据节点划分行驶路径,得到无人车辆的各行驶路段;
行使控制模块,用于控制无人车辆按照各行驶路段顺序行驶,并在行使中触发障碍决策模块以及重新规划模块;
障碍决策模块,用于获取无人车辆前激光雷达的点云数据以及后激光雷达的点云数据并融合,得到融合点云数据,并根据融合点云数据检测当前行使路段上的障碍物;当检测当前行使路段上存在障碍物时,获取障碍物的障碍物风险权重和障碍物距离权重,当障碍物风险权重超过障碍物风险权重阈值且障碍物距离权重超过障碍物距离权重阈值时,获取无人车辆的绕行行驶路段;否则,继续行驶;
重新规划模块,用于当无人车辆距离当前行使路段的终点小于预设路程阈值时,获取当前行使路段的次行使路段的车辆信息,并根据次行使路段的车辆信息得到碰撞结果;以及当碰撞结果为可能与次行使路段的运输货车碰撞时,将次行使路段的风险权重乘以预设的扩张系数得到扩张风险权重,并根据扩张风险权重更新无人车辆的各行驶路段。
本发明第三方面,提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述无人车辆感知及避障方法的步骤。
本发明第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述无人车辆感知及避障方法的步骤。
与现有技术相比,本发明具有以下有益效果:
本发明无人车辆感知及避障方法,获取无人车辆前激光雷达的点云数据以及后激光雷达的点云数据并融合,得到融合点云数据,并根据融合点云数据检测当前行使路段上的障碍物,以前激光雷达的点云数据为主导,融合后激光雷达的点云数据极大的增强了障碍物体的检测精度,其次结合障碍物风险权重和障碍物距离权重,改变传统车辆的避障方式,极大程度上提高障碍物检测精度以及避障的灵活性。同时,通过融合也能增强后续规划方法的鲁棒性,以应对非结构化道路下多变的物理环境。基于重新规划步骤,在车辆行驶过程中一边规划一边进行决策,能很好地避免直接进行全局路径规划而导致的路径时效性大大降低,同时基于当前道路的障碍物实时判断以及基于距离权重的绕行决策方法也极大提高了整体规划的灵活性。与传统人工驾驶车辆相比,以无人化驾驶代替,减少了恶劣工作环境对工作人员健康威胁,减少车辆碰撞危险,降低了人工成本。
附图说明
图1为本发明实施例的无人车辆感知及避障方法流程图。
图2为本发明实施例的坡度变化地面平面拟合模型流程图。
图3为本发明实施例的前后激光雷达的点云数据融合流程图。
图4为本发明实施例的无人车辆感知及避障方法细节流程图。
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。
下面结合附图对本发明做进一步详细描述:
参见图1,本发明一实施例中,提供一种无人车辆感知及避障方法,包括以下步骤:
S1:根据当前位置、目标位置以及各道路的风险权重,规划无人车辆的行驶路径,并依据风险权重将行驶路径均匀划分节点,并依据节点划分行驶路径,得到无人车辆的各行驶路段。
S2:控制无人车辆按照各行驶路段顺序行驶,并在行使中进行障碍决策步骤和重新规划步骤。其中,障碍决策步骤:获取无人车辆前激光雷达的点云数据以及后激光雷达的点云数据并融合,得到融合点云数据,并根据融合点云数据检测当前行使路段上的障碍物;当检测当前行使路段上存在障碍物时,获取障碍物的障碍物风险权重和障碍物距离权重,当障碍物风险权重超过障碍物风险权重阈值且障碍物距离权重超过障碍物距离权重阈值时,获取无人车辆的绕行行驶路段;否则,继续行驶。重新规划步骤:当无人车辆距离当前行使路段的终点小于预设路程阈值时,获取当前行使路段的次行使路段的车辆信息,并根据次行使路段的车辆信息得到碰撞结果;以及当碰撞结果为可能与次行使路段的运输货车碰撞时,将次行使路段的风险权重乘以预设的扩张系数得到扩张风险权重,并根据扩张风险权重更新无人车辆的各行驶路段。
本发明无人车辆感知及避障方法,获取无人车辆前激光雷达的点云数据以及后激光雷达的点云数据并融合,得到融合点云数据,并根据融合点云数据检测当前行使路段上的障碍物,以前激光雷达的点云数据为主导,融合后激光雷达的点云数据极大的增强了障碍物体的检测精度,其次结合障碍物风险权重和障碍物距离权重,改变传统车辆的避障方式,极大程度上提高障碍物检测精度以及避障的灵活性。同时,通过融合也能增强后续规划方法的鲁棒性,以应对非结构化道路下多变的物理环境。基于重新规划步骤,在车辆行驶过程中一边规划一边进行决策,能很好地避免直接进行全局路径规划而导致的路径时效性大大降低,同时基于当前道路的障碍物实时判断以及基于距离权重的绕行决策方法也极大提高了整体规划的灵活性。与传统人工驾驶车辆相比,以无人化驾驶代替,减少了恶劣工作环境对工作人员健康威胁,减少车辆碰撞危险,降低了人工成本。
在一种可能的实施方式中,所述各道路的风险权重通过各道路的障碍风险权重和行驶风险权重叠加得到,障碍风险权重依照道路内障碍物的体积确定,行驶风险权重依照道路内障碍物的分布密度确定。
具体的,依照障碍物的体积大小确定障碍物风险权重,体积越大,风险权重越大;依照障碍物的分布密度确定行驶风险权重,分布密度越大,行驶风险权重越大。上述两种权重相加的综合权重则认为是车辆所能到达道路的风险权重。障碍物的分布密度为障碍物在当前道路存在的所有个体占总的行驶区域的比率。
在一种可能的实施方式中,所述根据当前位置、目标位置以及各道路的风险权重,规划无人车辆的行驶路径包括:根据当前位置、目标位置以及各道路的风险权重,搜索出一条综合风险权重最小的行驶路径,作为无人车辆的行驶路径;其中,综合风险权重为行驶路径中各道路的风险权重的叠加值。
具体的,确定各个道路的风险权重,结合行驶方向和不同风险权重的道路所形成的路网,搜索出一条综合权重系数最小的可行行使路径,将整个行使路径依据权重系数均匀划分节点,确定车辆行驶路段的段数,同时存储车辆在当前时刻的各行驶路段。
具体的,规划无人车辆的行驶路径时,基于综合权重综合在路网中选取合适路段,具体路径节点划分以综合权重为基础结合道路总体长度,均匀划分行驶路段,具体的,综合权重越大,则分配的道路长度越小,同时道路长度也需要有最小的阈值,多节点的路段划分方法可以在复杂的厂区环境下提供更多的可选择性,对于环境的适应性更强。同时基于综合权重和道路长度的节点划分方法也使得划分的路径段数以及转折次数不会过多,整体避障规划效果较好。
在一种可能的实施方式中,所述获取无人车辆前激光雷达的点云数据以及后激光雷达的点云数据并融合,得到融合点云数据包括:
通过坡度变化地面平面拟合模型,将前激光雷达的点云数据以及后激光雷达的点云数据中的地面点数据和非地面点数据分离;根据前激光雷达的点云数据以及后激光雷达的点云数据中的非地面点数据,以前激光雷达的点云数据中的非地面点数据为基础,依据特征匹配的方法构建后激光雷达的点云数据相较于前激光雷达的点云数据的旋转平移矩阵,根据旋转平移矩阵融合前激光雷达的点云数据以及后激光雷达的点云数据。
具体的,在双激光雷达的点云数据获取过程中,针对前后激光雷达扫描数据的不同,设置标签参数用以区分点云数据来源。针对划分后的地面点云数据及非地面点云数据设置标签参数,其中,地面点云用于匹配前后激光雷达的雷达参数,初步完成点云融合工作,非地面点云数据用于优化最终的点云匹配结果,限制整体参数在垂直方向以及翻滚角度上的误差。
在一种可能的实施方式中,参见图2,所述通过坡度变化地面平面拟合模型,将前激光雷达的点云数据以及后激光雷达的点云数据中的地面点数据和非地面点数据分离包括:
沿无人车辆行驶方向将空间划分为若干三维区域;遍历各三维区域,随机抽取三维区域中的三个点云组成三维区域的原始平面;计算步骤:遍历三维区域中的各点云数据,计算各点云数据到原始平面的正交投影距离,若正交投影距离小于设定的阈值,则当前点云数据属于原始平面并添加至原始平面;否则,当前点云数据不属于原始平面;若三维区域中存在预设数量以上的点云数据不属于原始平面,则删除当前原始平面,重新选取三个点组成三维区域的原始平面,并重复计算步骤;遍历各三维区域完成后,得到各三维区域的原始平面,并基于各原始平面进行平面拟合,计算两两原始平面之间的夹角,当两原始平面之间的夹角小于设定夹角阈值时,两原始平面为连续平面;否则,两原始平面之间的夹角为原始平面对应坡度;将各三维区域内属于各三维区域的原始平面内的点云数据作为地面点数据,其余点云数据作为非地面点数据。
具体的,依据正交距离所设定的阈值对每一个点云数据进行判断,小于阈值则说明该点云数据属于先前所设定的原始平面,最后每个三维区域所确定出的所有平面集合内包含的点云数据是归于地面点数据,其余为非地面点数据。
在一种可能的实施方式中,参见图3,所述依据特征匹配的方法构建后激光雷达的点云数据相较于前激光雷达的点云数据的旋转平移矩阵包括:
设定前激光雷达的非地面数据为基准点云,后激光雷达的非地面数据为待匹配点云,并给定初始估计的旋转平移矩阵;将基准点云在三维空间划分为若干个网格单元,并计算各网格单元的点云分布密度,当当前网格单元的点云分布密度小于设定的密度阈值时,则当前网格单元不作为特征单元进行匹配步骤;根据初始估计的旋转平移矩阵,将待匹配点云转换至目标区域,依照网格单元格点云分布密度大小,由大到小计算各待匹配点云到各个网格单元中心点的距离,当距离小于预设的匹配距离阈值时,当前待匹配点云为当前网格单元的格内点,特征匹配成功;否则,当前待匹配点云为噪点;遍历各待匹配点云,通过估计各特征成功匹配的待匹配点云的概率密度,得到初始位姿匹配精度,当初始位姿匹配精度未达到预设要求时,利用优化迭代的方法对旋转平移矩阵进行优化;否则,得到最终的旋转平移矩阵。
具体的,首先根据初始估计的旋转平移矩阵,会先对整体点云做一个变换,变换后的区域有可能就是很接近非基准的点云数据了,目标区域指的就是变换后的区域,这个区域不是最终确定的,最终确定的区域需要进行后续的计算。估计各特征成功匹配的待匹配点云的概率密度时,一般通过计算各区域均值、方差及高斯分布等数值,其次依据出事的预测姿态,计算联合概率密度得到。其中,优化迭代指的一个数学方法,一般采用牛顿法(也就是非线性最小二乘法的其中一种)计算出来的迭代结果作为搜索的初始结果,再结合了线性搜索方法计算得到最终的优化方向与优化得出的旋转平移矩阵。
在一种可能的实施方式中,所述获取障碍物的障碍物风险权重和障碍物距离权重包括:获取障碍物的体积,根据障碍物的体积以及预设的障碍物风险权重数据库,得到障碍物的障碍物风险权重;通过毫米波雷达获取障碍物的距离,根据障碍物的距离得到障碍物的障碍物距离权重。
具体的,对工厂中所存在的固定物体、路障以及可能存在的移动物体进行障碍物风险权重数据库的建立,所述的工厂存在的固定物体、路障及可能存在的移动物体包括碎石、树木断枝、机械碎件、墙壁浮石、采掘机器以及运输车辆等。利用物体本身大小作为核心参考指标,采用其他驾驶员辅助判断的评价函数针对该指标进行打分,分数超过某一阈值时则认为该物体满足障碍物定义,可以进行障碍物风险权重划分。若障碍物可在障碍物风险权重数据库中找到原型则直接利用已存在的障碍物风险权重,若未找到原型,则根据物体本身大小在数据库中进行大小比对,利用插值的方式确定障碍物的障碍物风险权重。
具体的,双激光雷达检测结合毫米波雷达的方法一定程度上优化了整体决策思路,加入距离的判断可以在激光雷达检测到前方障碍物时准确判断在当前道路上执行前进操作还是绕行,距离的权重的加入可以使得车辆在当前道路上更多的进行前进而非频繁判断绕行。
在一种可能的实施方式中,所述控制无人车辆按照各行驶路段顺序行驶时,行驶路段的风险权重越高,行驶速度越低。
具体的,当车辆处于行驶状态时,依照道路综合权重确定行车速度,综合权重系数越高,行驶速度越低。
在一种可能的实施方式中,所述根据扩张风险权重更新无人车辆的各行驶路段包括:采用次行使路段的扩张风险权重更新次行使路段的风险权重;并根据无人车辆的当前位置、目标位置以及各道路的风险权重,计算所有可行行驶路径的综合权重系数,选取综合权重系数最小的行驶路径,并依据风险权重将行驶路径均匀划分节点,并依据节点划分行驶路径,根据划分结果更新无人车辆的各行驶路段。
在一种可能的实施方式中,当必然与次行使路段的车辆冲突时,计算各车辆距离无人车辆当前行驶路段结束点的距离,当该距离大于预设距离阈值时,控制无人车辆正常行驶;否则,获取对比各车辆以及无人车辆预设的优先级权重,优先级权重最高的车辆正常行驶,其余车辆的行使速度乘以预设的优先级权重对应的缩小系数;其中优先级权重根据车辆的载重确定,载重越重,优先级权重越高。
具体的,若出现行驶路径需要重新规划的情况下,仅对后续路段进行重新规划,由于存在利用新的综合权重也无法在路网中寻找一条不存在其他运输车辆同时存在的行驶路径的情况,此时速度缩小权重的存在一定程度上解决了这个问题,即使两两车同时存在于同一道路,也不会运输效率,其次该决策时依据整体路网进行这就意味着,可以进行初当前路段的所有路径的规划,极大的扩展了基于权重的避障决策范围以及规划效率。
本发明无人车辆感知及避障方法,与传统人工驾驶车辆相比,减少了恶劣环境对工作人员健康威胁,减少车辆碰撞危险,降低了人工成本。以前置激光雷达为主导,融合后置激光雷达点云数据极大的增强了障碍物体的检测精度,其次结合了毫米波雷达的测距以及预先的障碍物分类的权重计算方法,改变传统车辆的避障方式,极大程度上提高障碍物检测精度以及避障的灵活性。对于极为复杂的环境如采石场等,根据坡度地面平面拟合模型,准确区分地面于非地面点完成特征拼接融合,基于融合后的点云信息能更精确的识别障碍物,融合算法增强了后续规划方法的鲁棒性,以应对非结构化道路下多变的物理环境。基于综合权重的车辆行驶路径规划以及基于载重的车辆优先级权重划分方式,在运输车辆行驶过程中一边规划一边进行决策,能很好地避免直接进行全局路径规划而导致的路径时效性大大降低,同时基于当前道路的障碍物实时判断以及基于距离权重的绕行决策方法也极大提高了整体规划的灵活性。
在一种可能的实施方式中,参见图4,本发明无人车辆感知及避障方法包括以下细节步骤:
S11:依据坡度变化地面平面拟合模型,实现无人车辆前激光雷达的点云数据以及后激光雷达的点云数据的融合。
S12:对工厂中所存在的固定物体、路障以及可能存在的移动物体进行障碍物风险数据库的建立,同时基于上述数据库内不同物体在道路上分布的密度对运输车辆所能到达的区域进行加权划分,确定各道路的风险权重。
S13:根据当前位置、目标位置以及各道路的风险权重初步规划车辆在目标道路上的行驶路径,依据权重均匀划分节点,依据节点划分行驶路段并存储车辆当前时刻拟选定的行驶路段。
S14:当车辆沿选定的第一路段行驶时,依据道路权重确定行车速度,基于数据融合后的激光雷达检测该路段上的障碍物,当有障碍物引发车辆报警时,利用S12所建立的障碍物风险数据库与所检测到的障碍物进行比对,利用毫米波雷达完成障碍物距离检测,获取障碍物的障碍物风险权重和障碍物距离权重,进而选择当前方向上使车辆继续前进或绕行。
S15:当车辆沿规划的第一路段行驶并距离第二路段有一定路程时,查询第二路段是否存在其他车辆,当查询到第二行驶路段上存在与其他车辆碰撞的可能性时,对该时刻第二行驶路段的风险权重乘以扩张系数,并重新计算所有可能行驶路线的综合权重系数,重新规划路线储存修改后运输车辆选定的行驶路段。
S16:车辆沿重新规划好的第二行驶路段行驶,并重复S15的障碍物检测。
S17:在车辆的多区段道路行驶过程中,重复S14到S16的规划与决策方法,直至车辆到达目标位置。
其中,车辆开始行驶时首先基于平面拟合及特征匹配的方法完成双激光雷达融合工作,其次依据当前位置、目标位置以及带有权重的道路区域初步规划车辆行驶路段并根据综合权重均匀划分路段节点,依据节点确定运输车辆实际行驶的各个路段。车辆沿分划的首段道路行驶时,首先以及道路权重确定初步行驶速度,其次利用数据融合后的激光雷达实时检测车辆周边障碍物,当雷达检测到前方障碍物时,依据反馈的点云数据比对数据库内三维障碍物类别确定障碍物风险权重,同时依据毫米波雷达测距反馈的距离信息确定距离权重。若综合权重小于对应阈值则车辆继续沿当前方向前进,当综合权重大于对应阈值时车辆停止当前方向的运动实施绕行操作避过障碍物区域。当车辆即将驶离首段道路时,查询下一行驶路段是否存在其他运输车辆存储的路径,若不存在则继续沿原有规划的路段行驶;若下一路段存在与其他运输车辆行驶路段重合的可能,则针对当前车辆规划的第二路段综合权重乘以扩张系数,基于权重重新规划后续的所有行驶路段;若所有规划结果都无法避免与其他车辆重合时,依据运输车辆载重物确定优先级权重,其次当前车辆行驶速度乘以速度缩小系数作为后续行进速度。
基于上述实施步骤,车辆在每一个行使路段上行驶时都要同时进行权重检测以及车辆行驶路段是否重合的判断,行使过程中进行路径规划以及车辆道路避障决策,以此为循环直至车辆抵达目标位置。
综上所述,本发明无人车辆感知及避障方法,采用双激光雷达融合检测的方式替代传统基于相机的检测方式,减少因为粉尘环境导致的错误检测;采用智能驾驶车辆代替人工驾驶,减少部分恶劣环境对驾驶人员安全的威胁,避免严重安全隐患,减少人工成本,建立障碍物风险数据库,对于不同环境更加具有针对性,同时基于多种权重的道路规划决策方法也能使得车辆在行驶过程中更加快捷。
下述为本发明的装置实施例,可以用于执行本发明方法实施例。对于装置实施例中未披露的细节,请参照本发明方法实施例。
本发明再一实施例中,提供一种无人车辆感知及避障系统,能够用于实现上述的无人车辆感知及避障方法,具体的,该无人车辆感知及避系统包括初始规划模块、行使控制模块、障碍决策模块以及重新规划模块。
其中,初始规划模块用于根据当前位置、目标位置以及各道路的风险权重,规划无人车辆的行驶路径,并依据风险权重将行驶路径均匀划分节点,并依据节点划分行驶路径,得到无人车辆的各行驶路段;行使控制模块用于控制无人车辆按照各行驶路段顺序行驶,并在行使中触发障碍决策模块以及重新规划模块;障碍决策模块用于获取无人车辆前激光雷达的点云数据以及后激光雷达的点云数据并融合,得到融合点云数据,并根据融合点云数据检测当前行使路段上的障碍物;当检测当前行使路段上存在障碍物时,获取障碍物的障碍物风险权重和障碍物距离权重,当障碍物风险权重超过障碍物风险权重阈值且障碍物距离权重超过障碍物距离权重阈值时,获取无人车辆的绕行行驶路段;否则,继续行驶;重新规划模块用于当无人车辆距离当前行使路段的终点小于预设路程阈值时,获取当前行使路段的次行使路段的车辆信息,并根据次行使路段的车辆信息得到碰撞结果;以及当碰撞结果为可能与次行使路段的运输货车碰撞时,将次行使路段的风险权重乘以预设的扩张系数得到扩张风险权重,并根据扩张风险权重更新无人车辆的各行驶路段。
前述的无人车辆感知及避障方法的实施例涉及的各步骤的所有相关内容均可以援引到本发明实施例中的无人车辆感知及避障系统所对应的功能模块的功能描述,在此不再赘述。
本发明实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,另外,在本发明各个实施例中的各功能模块可以集成在一个处理器中,也可以是单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
本发明再一个实施例中,提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于无人车辆感知及避障方法的操作。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关无人车辆感知及避障方法的相应步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种无人车辆感知及避障方法,其特征在于,包括:
根据当前位置、目标位置以及各道路的风险权重,规划无人车辆的行驶路径,并依据风险权重将行驶路径均匀划分节点,并依据节点划分行驶路径,得到无人车辆的各行驶路段;
控制无人车辆按照各行驶路段顺序行驶,并在行使中进行障碍决策步骤和重新规划步骤;其中:
障碍决策步骤:获取无人车辆前激光雷达的点云数据以及后激光雷达的点云数据并融合,得到融合点云数据,并根据融合点云数据检测当前行使路段上的障碍物;当检测当前行使路段上存在障碍物时,获取障碍物的障碍物风险权重和障碍物距离权重,当障碍物风险权重超过障碍物风险权重阈值且障碍物距离权重超过障碍物距离权重阈值时,获取无人车辆的绕行行驶路段;否则,继续行驶;
重新规划步骤:当无人车辆距离当前行使路段的终点小于预设路程阈值时,获取当前行使路段的次行使路段的车辆信息,并根据次行使路段的车辆信息得到碰撞结果;以及当碰撞结果为可能与次行使路段的运输货车碰撞时,将次行使路段的风险权重乘以预设的扩张系数得到扩张风险权重,并根据扩张风险权重更新无人车辆的各行驶路段。
2.根据权利要求1所述的无人车辆感知及避障方法,其特征在于,所述各道路的风险权重通过各道路的障碍风险权重和行驶风险权重叠加得到,障碍风险权重依照道路内障碍物的体积确定,行驶风险权重依照道路内障碍物的分布密度确定;
所述根据当前位置、目标位置以及各道路的风险权重,规划无人车辆的行驶路径包括:
根据当前位置、目标位置以及各道路的风险权重,搜索出一条综合风险权重最小的行驶路径,作为无人车辆的行驶路径;其中,综合风险权重为行驶路径中各道路的风险权重的叠加值。
3.根据权利要求1所述的无人车辆感知及避障方法,其特征在于,所述获取无人车辆前激光雷达的点云数据以及后激光雷达的点云数据并融合,得到融合点云数据包括:
通过坡度变化地面平面拟合模型,将前激光雷达的点云数据以及后激光雷达的点云数据中的地面点数据和非地面点数据分离;
根据前激光雷达的点云数据以及后激光雷达的点云数据中的非地面点数据,以前激光雷达的点云数据中的非地面点数据为基础,依据特征匹配的方法构建后激光雷达的点云数据相较于前激光雷达的点云数据的旋转平移矩阵,根据旋转平移矩阵融合前激光雷达的点云数据以及后激光雷达的点云数据。
4.根据权利要求3所述的无人车辆感知及避障方法,其特征在于,所述通过坡度变化地面平面拟合模型,将前激光雷达的点云数据以及后激光雷达的点云数据中的地面点数据和非地面点数据分离包括:
沿无人车辆行驶方向将空间划分为若干三维区域;
遍历各三维区域,随机抽取三维区域中的三个点云组成三维区域的原始平面;
计算步骤:遍历三维区域中的各点云数据,计算各点云数据到原始平面的正交投影距离,若正交投影距离小于设定的阈值,则当前点云数据属于原始平面并添加至原始平面;否则,当前点云数据不属于原始平面;
若三维区域中存在预设数量以上的点云数据不属于原始平面,则删除当前原始平面,重新选取三个点组成三维区域的原始平面,并重复计算步骤;
遍历各三维区域完成后,得到各三维区域的原始平面,并基于各原始平面进行平面拟合,计算两两原始平面之间的夹角,当两原始平面之间的夹角小于设定夹角阈值时,两原始平面为连续平面;否则,两原始平面之间的夹角为原始平面对应坡度;
将各三维区域内属于各三维区域的原始平面内的点云数据作为地面点数据,其余点云数据作为非地面点数据。
5.根据权利要求3所述的无人车辆感知及避障方法,其特征在于,所述依据特征匹配的方法构建后激光雷达的点云数据相较于前激光雷达的点云数据的旋转平移矩阵包括:
设定前激光雷达的非地面数据为基准点云,后激光雷达的非地面数据为待匹配点云,并给定初始估计的旋转平移矩阵;
将基准点云在三维空间划分为若干个网格单元,并计算各网格单元的点云分布密度,当当前网格单元的点云分布密度小于设定的密度阈值时,则当前网格单元不作为特征单元进行匹配步骤;
根据初始估计的旋转平移矩阵,将待匹配点云转换至目标区域,依照网格单元格点云分布密度大小,由大到小计算各待匹配点云到各个网格单元中心点的距离,当距离小于预设的匹配距离阈值时,当前待匹配点云为当前网格单元的格内点,特征匹配成功;否则,当前待匹配点云为噪点;
遍历各待匹配点云,通过估计各特征成功匹配的待匹配点云的概率密度,得到初始位姿匹配精度,当初始位姿匹配精度未达到预设要求时,利用优化迭代的方法对旋转平移矩阵进行优化;否则,得到最终的旋转平移矩阵。
6.根据权利要求1所述的无人车辆感知及避障方法,其特征在于,所述获取障碍物的障碍物风险权重和障碍物距离权重包括:
获取障碍物的体积,根据障碍物的体积以及预设的障碍物风险权重数据库,得到障碍物的障碍物风险权重;通过毫米波雷达获取障碍物的距离,根据障碍物的距离得到障碍物的障碍物距离权重。
7.根据权利要求1所述的无人车辆感知及避障方法,其特征在于,所述控制无人车辆按照各行驶路段顺序行驶时,行驶路段的风险权重越高,行驶速度越低;
所述根据扩张风险权重更新无人车辆的各行驶路段包括:采用次行使路段的扩张风险权重更新次行使路段的风险权重;并根据无人车辆的当前位置、目标位置以及各道路的风险权重,计算所有可行行驶路径的综合权重系数,选取综合权重系数最小的行驶路径,并依据风险权重将行驶路径均匀划分节点,并依据节点划分行驶路径,根据划分结果更新无人车辆的各行驶路段;
当必然与次行使路段的车辆冲突时,计算各车辆距离无人车辆当前行驶路段结束点的距离,当该距离大于预设距离阈值时,控制无人车辆正常行驶;否则,获取对比各车辆以及无人车辆预设的优先级权重,优先级权重最高的车辆正常行驶,其余车辆的行使速度乘以预设的优先级权重对应的缩小系数;其中,优先级权重根据车辆的载重确定,载重越重,优先级权重越高。
8.一种无人车辆感知及避障系统,其特征在于,包括:
初始规划模块,用于根据当前位置、目标位置以及各道路的风险权重,规划无人车辆的行驶路径,并依据风险权重将行驶路径均匀划分节点,并依据节点划分行驶路径,得到无人车辆的各行驶路段;
行使控制模块,用于控制无人车辆按照各行驶路段顺序行驶,并在行使中触发障碍决策模块以及重新规划模块;
障碍决策模块,用于获取无人车辆前激光雷达的点云数据以及后激光雷达的点云数据并融合,得到融合点云数据,并根据融合点云数据检测当前行使路段上的障碍物;当检测当前行使路段上存在障碍物时,获取障碍物的障碍物风险权重和障碍物距离权重,当障碍物风险权重超过障碍物风险权重阈值且障碍物距离权重超过障碍物距离权重阈值时,获取无人车辆的绕行行驶路段;否则,继续行驶;
重新规划模块,用于当无人车辆距离当前行使路段的终点小于预设路程阈值时,获取当前行使路段的次行使路段的车辆信息,并根据次行使路段的车辆信息得到碰撞结果;以及当碰撞结果为可能与次行使路段的运输货车碰撞时,将次行使路段的风险权重乘以预设的扩张系数得到扩张风险权重,并根据扩张风险权重更新无人车辆的各行驶路段。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述无人车辆感知及避障方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述无人车辆感知及避障方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311206326.5A CN117075613A (zh) | 2023-09-18 | 2023-09-18 | 无人车辆感知及避障方法、系统、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311206326.5A CN117075613A (zh) | 2023-09-18 | 2023-09-18 | 无人车辆感知及避障方法、系统、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117075613A true CN117075613A (zh) | 2023-11-17 |
Family
ID=88708136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311206326.5A Pending CN117075613A (zh) | 2023-09-18 | 2023-09-18 | 无人车辆感知及避障方法、系统、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117075613A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117382593A (zh) * | 2023-12-08 | 2024-01-12 | 之江实验室 | 一种基于激光点云过滤的车辆紧急制动方法和系统 |
-
2023
- 2023-09-18 CN CN202311206326.5A patent/CN117075613A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117382593A (zh) * | 2023-12-08 | 2024-01-12 | 之江实验室 | 一种基于激光点云过滤的车辆紧急制动方法和系统 |
CN117382593B (zh) * | 2023-12-08 | 2024-04-05 | 之江实验室 | 一种基于激光点云过滤的车辆紧急制动方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11040729B2 (en) | Probabilistic object tracking and prediction framework | |
CN112590775B (zh) | 一种自动泊车方法、装置、车辆及存储介质 | |
KR20220054278A (ko) | 차량의 주행 궤적 예측 방법 및 장치 | |
CN109641589B (zh) | 用于自主车辆的路线规划 | |
JP7330142B2 (ja) | 車両のuターン経路を決定する方法、装置、デバイスおよび媒体 | |
WO2019231522A1 (en) | Time-warping for autonomous driving simulation | |
US20220153296A1 (en) | Trajectory planning with obstacle avoidance for autonomous driving vehicles | |
EP3987249B1 (en) | A navigation route planning method for autonomous vehicles | |
CN117075613A (zh) | 无人车辆感知及避障方法、系统、计算机设备及存储介质 | |
CN111694356A (zh) | 一种行驶控制方法、装置、电子设备及存储介质 | |
US11970185B2 (en) | Data structure for storing information relating to an environment of an autonomous vehicle and methods of use thereof | |
CN111982142A (zh) | 一种基于改进a星算法的智能车全局路径规划方法 | |
CN113867347A (zh) | 机器人路径规划方法、装置、管理系统及计算机存储介质 | |
US20210262819A1 (en) | A mixed regular and open-space trajectory planning method for autonomous driving vehicle | |
CN114964284B (zh) | 一种车辆路径的规划方法及装置 | |
CN114756034A (zh) | 一种机器人实时避障路径规划方法及装置 | |
WO2018090661A1 (en) | Path planning for autonomous vehicle using bidirectional search | |
CN113867356A (zh) | 机器人路径规划方法、装置及机器人 | |
US20230394694A1 (en) | Methods and apparatus for depth estimation using stereo cameras in a vehicle system | |
CN114407919B (zh) | 一种基于自动驾驶的碰撞检测方法及系统 | |
WO2022014200A1 (ja) | 情報処理装置と情報処理方法およびプログラム | |
Qiu | A Review of Motion Planning for Urban Autonomous Driving | |
Wang et al. | A general and practical path planning framework for autonomous vehicles | |
US20230229826A1 (en) | Method for assigning a lane relationship between an autonomous vehicle and other actors near an intersection | |
Qijun et al. | An improved BCM obstacle avoidance algorithm for outdoor patrol robot |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |