CN117091618A - 一种无人驾驶车辆路径规划方法、装置及电子设备 - Google Patents
一种无人驾驶车辆路径规划方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117091618A CN117091618A CN202311346072.7A CN202311346072A CN117091618A CN 117091618 A CN117091618 A CN 117091618A CN 202311346072 A CN202311346072 A CN 202311346072A CN 117091618 A CN117091618 A CN 117091618A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- path
- road
- unmanned vehicle
- coefficient
- 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 45
- 238000005070 sampling Methods 0.000 claims abstract description 37
- 238000012502 risk assessment Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 4
- 239000002689 soil Substances 0.000 description 3
- 239000010426 asphalt Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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
Abstract
本发明提供了一种无人驾驶车辆路径规划方法、装置及电子设备，所述方法包括：采集无人驾驶车辆的待行驶的候选路径的第一路径信息，对所述第一路径信息进行处理，得到所述候选路径的路面类型；根据所述路面类型确定路面附着系数，并根据所述路面附着系数确定风险评估模型；通过所述风险评估模型对所述候选路径的采样范围进行优化，并生成第二路径信息；当对所述第二路径信息进行处理，确定所述候选路径上具有障碍物时，对所述候选路径进行重新规划，并将重新规划的所述候选路径的信息传递至无人驾驶车辆的控制器。本发明通过无人驾驶车辆在行驶的过程中能够提前预判并躲避障碍物，同时可以根据不同路面情况实时为车辆路径进行规划。
Description
技术领域
本发明涉及无人驾驶技术领域，具体而言，涉及一种无人驾驶车辆路径规划方法、装置及电子设备。
背景技术
目前，传统无人驾驶车辆的路径规划器（又称车载导航仪）通常采用单一的车辆模型，由于车辆的行驶状态具有随机性和多变性，单一的车辆模型无法满足在高速行驶过程中车辆的紧急避障的动力学约束。若使用复杂的车辆模型，虽然能够应对车辆行驶状态的随机性和多变性，但却不能满足实时性的要求。因此，需要研究一种即能够满足车辆行驶状态的随机性和多变性的需求，又能够满足实时性要求的车辆路径规划方法。
发明内容
为解决现有存在的技术问题，本发明实施例提供一种无人驾驶车辆路径规划方法、装置及电子设备。
第一方面，本发明实施例提供了一种无人驾驶车辆路径规划方法，所述方法包括：
采集无人驾驶车辆的待行驶的候选路径的第一路径信息，对所述第一路径信息进行处理，得到所述候选路径的路面类型；
根据所述路面类型确定路面附着系数，并根据所述路面附着系数确定风险评估模型；
通过所述风险评估模型对所述候选路径的采样范围进行优化，并生成第二路径信息；
当对所述第二路径信息进行处理，确定所述候选路径上具有障碍物时，对所述候选路径进行重新规划，并将重新规划的所述候选路径的信息传递至无人驾驶车辆的控制器。
第二方面，本发明实施例还提供了一种无人驾驶车辆路径规划装置，包括：
采集模块：采集无人驾驶车辆的待行驶的候选路径的第一路径信息，对所述第一路径信息进行处理，得到所述候选路径的路面类型；
建模模块，根据所述路面类型确定路面附着系数，并根据所述路面附着系数确定风险评估模型；
优化模块，通过所述风险评估模型对所述候选路径的采样范围进行优化，并生成第二路径信息；
控制模块，当对所述第二路径信息进行处理，确定所述候选路径上具有障碍物时，对所述候选路径进行重新规划，并将重新规划的所述候选路径的信息传递至无人驾驶车辆的控制器。
第三方面，本发明实施例提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述第一方面中任意一项所述的无人驾驶车辆路径规划方法中的步骤。
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，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任意一项所述的无人驾驶车辆路径规划方法中的步骤。
本申请上述第一方面至第四方面提供的方案中，通过初步采集第一路径信息获取候选路径的路面类型，路面类型能够确定路面附着系数并建立风险评估模型，通过风险评估模型对无人驾驶车辆的采样范围进行优化并生成优化后的第二路径信息，当对第二路径信息的处理并识别出前方存在障碍物时，重新规划无人驾驶车辆的候选路径避开障碍物；与相关技术中无人驾驶车辆的随机性和多变型较差相比，无人驾驶车辆在行驶的过程中能够提前预判并躲避障碍物，同时可以根据不同路面情况实时为车辆路径进行规划。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或背景技术中的技术方案，下面将对本发明实施例或背景技术中所需要使用的附图进行说明。
图1示出了本发明实施例所提供的无人驾驶车辆路径规划方法的流程图；
图2示出了本发明实施例所提供的无人驾驶车辆路径规划装置中各模块连接示意图；
图3示出了本发明实施例所提供的无人驾驶车辆路径规划方法的电子设备结构示意图。
具体实施方式
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，都属于本发明保护的范围。为了使本技术领域的技术人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
目前，传统无人驾驶车辆的路径规划器通常采用单一的车辆模型，由于车辆的行驶状态具有随机性和多变性，单一的车辆模型无法满足在高速行驶过程中车辆的紧急避障的动力学约束。若使用复杂的车辆模型，虽然能够应对车辆行驶状态的随机性和多变性，但却不能满足实时性的要求。因此，需要研究一种即能够满足车辆行驶状态的随机性和多变性的需求，又能够满足实时性要求的车辆路径规划方法。
针对上述问题，本发明通过在多种机动交替路径中快速筛选安全避障路径，同时综合考虑高速无人驾驶车辆在极限工况下的运动学和动力学特性，提出了一种路径规划方法，能够有效减少单步规划时间。
实施例1
本实施例提出的路径规划方法的执行主体是无人驾驶车辆的控制器。
本实施例提供的一种无人驾驶车辆路径规划方法，参见图1所示的无人驾驶车辆路径规划方法流程图，该路径规划方法包括：
步骤100：采集无人驾驶车辆的待行驶的候选路径的第一路径信息，对所述第一路径信息进行处理，得到所述候选路径的路面类型。
在上述步骤100中，第一路径信息通过安装在车辆顶部的检测设备得到，检测设备包括但不限于：与上述控制器连接的激光雷达、传感器和摄像头。
车辆的全局规划器提供的地图可以给出车辆的候选路径，供车辆参考并按照候选路径行驶至目的地，其中，全局规划器包括但不限于：与上述控制器连接的车载导航设备或者与上述控制器连接的具有导航功能的车载多媒体系统。
车辆按照全局规划器给出的候选路径进行行驶，在行驶的过程中可以根据前方的障碍物实时调整车辆的行驶路线，但车辆的主要行驶路径不会改变，第一路径信息可以作为车辆的避障依据。
第一路径信息包括但不限于：路面类型和路面附着系数。路面类型是指车辆所行驶的路况情况，路面类型通常包括：沥青路、土路、沙路、山路、雨雪路和泥路等。特别地，利用检测设备识别路面类型为现有技术，因此其详细检测原理不再作重复阐述。
路面附着系数，用于表示不同类型路面与车辆轮胎之间的摩擦力强弱。
进一步地，候选路径可以是多条，全局规划控制器可以给出推荐的候选路径，车辆在按照全局规划器的导航行驶时，可以实时对车辆前方进行采样，以方便车辆随时作出避障调整。
步骤101：根据所述路面类型确定路面附着系数，并根据所述路面附着系数确定风险评估模型。
在上述步骤101中，上述控制器中存储有路面类型、路面附着系数以及道路可通行系数的对应关系。
通过路面类型、路面附着系数以及道路可通行系数的对应关系，可以根据路面类型确定与该路面类型对应的路面附着系数。
控制器通过路面附着系数、碰撞严重程度系数和碰撞概率系数建立风险评估模型。其中，通过获取的车辆的动能、车辆周围的风险势场和路面附着系数可以确定碰撞严重程度；特别地，车辆动能由车辆的发动机做功所决定，可直接显示在车辆的仪表盘上并被车辆的控制器所获取。风险势场（即车辆与障碍物的距离）可以通过检测设备检测车辆与车辆周围的障碍物的距离得到，检测设备可以将检测到的风险势场发送给上述控制器。
上述控制器中存储有路面附着系数、车辆动能、风险势场、碰撞严重程度、碰撞概率系数的对应关系，控制器通过得到的路面附着系数、车辆动能、风险势场对路面附着系数、车辆动能、风险势场、碰撞严重程度以及碰撞概率系数的对应关系进行遍历，就可以得到相应的碰撞严重程度和碰撞概率系数。
其中，路面附着系数越小、车辆动能越大且距离周围障碍物越近，车辆的碰撞严重程度就越高、车辆的碰撞概率也越大。
具体地，上述风险评估模型为：其中，/>为风险评估值、/>为碰撞概率系数、/>为碰撞严重程度系数。
步骤102：通过所述风险评估模型对所述候选路径的采样范围进行优化，并生成第二路径信息。
这里，第二路径信息，用于表示车辆前方出现障碍物等风险的情况下，车辆避障成功后更新的路径信息。
在上述步骤102中，分为以下情况（1）和情况（2）两种情况：
（1）当路面附着系数小于路面附着阈值时，无需对采样范围进行优化；
（2）当路面附着系数大于路面附着阈值时，根据道路类型和道路可通行系数，并根据道路类型和道路可通行系数，对采样范围进行优化；其中，优化采样范围包括以下步骤A和步骤B：
步骤A：采样范围的采样函数选择：其中，/>为纵向采样点，/>为成本下限阈值，/>为成本上限阈值，/>为道路可通行系数，/>为结构良好环境区域的道路类型，/>为非结构环境区域的道路类型。结合下面表1，结构良好环境区域的道路类型为沥青柏油路，非结构环境区域的道路类型为土路、砂石路、草地、泥土路、雪地和冰面，上述采样函数中的“其他”是指车辆不可通行的环境。特别地，路面附着阈值、成本上限阈值和成本下限阈值是人为设定并存储在控制器中的。
上述步骤A中公式0.1的作用是防止分母为0，可以是0.1或0.001等非零数字均可。特别地，根据路面类型可以获取道路可通行系数和路面附着系数，具体可参见表1。
具体地，上述步骤A中，结构良好环境区域表示路面结构较为平整，非结构环境区域表示路面凹凸不平较为严重。因此，当路面平坦时，采样函数选择，此时车辆行驶过程中成本较低；当路面不平坦时，采样函数选择/>，此时车辆行驶过程中成本较高；当路面为车辆不可通行时，采样函数选择/>，此时车辆禁止行驶，耗费大量时间成本。特别地，成本是指时间成本和利益成本，其中，路面越平坦阻碍车速的因素越小，车辆的各零部件磨损度也越小。反之，则由于凹凸不平的路面会影响车辆的行驶速度，更会导致各零部件磨损较严重。
和/>分别预先存储在上述控制器中。
步骤B：采样范围的横向偏差点：
其中，/>为横向偏差点，e为指数函数，/>为采样点j与候选路径之间的横向位移，/>为候选路径与风险中心的横向偏移位移。
特别地，采样点与候选路径之间的横向位移是指候选路径的中心线与车辆所安装的检测设备之间的距离，候选路径的中心线与车辆所安装的检测设备之间的距离可以通过车辆的检测设备获取并发送给上述控制器。候选路径与风险中心的横向偏移位移是指候选路径的中心线与障碍物几何中心点之间的距离，候选路径的中心线的位置可以通过车辆的全局规划器获取并发送给上述控制器，障碍物几何中心点的位置可以通过车辆的检测设备获取并发送给上述控制器。上述控制器根据候选路径的中心线的位置以及障碍物几何中心点的位置，就可以计算得到候选路径的中心线与障碍物几何中心点之间的距离。
步骤103：当对所述第二路径信息进行处理，确定所述候选路径上具有障碍物时，对所述候选路径进行重新规划，并将重新规划的所述候选路径的信息传递至无人驾驶车辆的控制器。
在上述步骤103中，对候选路径进行重新规划时，需利用多目标模型对所有候选路径进行评估，并确定出全局最优路径；
所述多目标模型满足：/>其中，/> /> />=其中，/>、/>、/>、/>分别为/>、/>、/>、/>的权重系数，/>为风险成本函数、/>为全局路径偏离成本函数、/>为候选路径的平滑成本函数、/>为车辆的航向角函数、/>为道路附着系数、/>为路径偏离值、/>为平滑成本、为航向角，/>为预测时域且为预定值。
特别地，路径偏离值是指车辆实际行驶过程中与候选路径中心线的间距，平滑成本是指行驶路面的曲率；路径偏离值、平滑成本、航向角均通过车辆自带传感器监测得到；预测时域为设定值。
进一步地，对第二路径信息进行处理，确定候选路径上具有障碍物时，分为下述两种避障情况（1）和（2）：
（1），当无人驾驶车辆躲避障碍物为平稳驶过时，无人驾驶车辆的模型符合运动学模型，车辆控制器按照运动学模型行驶，所述运动学模型满足：其中，X和Y为无人驾驶车辆的质心坐标、T表示时间、/>车辆航向角、L为轴距、/>为第/>时刻、/>表示在第/>时刻下车辆质心的X坐标、/>表示第/>时间下车辆的质心的Y坐标、/>表示第/>时刻下实际车速、/>表示第/>时刻下车辆航向角、/>表示第时刻下前轮转向角、/>为前轮转向角、/>为前轮转角二阶导、/>为前轮转角变化率 、v为实际车速、/>为实际加速度，上述这些变量均为车辆的检测设备检测得来。
（2），当无人驾驶车辆躲避障碍物为紧急转弯时，无人驾驶车辆的模型符合动力学模型，车辆控制器按照动力学模型行驶，所述动力学模型满足：其中，X和Y为无人驾驶车辆的质心坐标、/>和/>为纵向速度和侧向速度、a为质心到前轴距离、/>为质心侧偏角、/>为质心侧偏角变化率、/>为横摆角速度、/>为横摆角速度变化率、b为质心到后轴距离、/>为纵向速度、/>为侧向速度、/>为侧向加速度、/>为前轮转角、/>为后轮胎侧偏刚度、/>为后轮胎侧偏刚度、/>为偏航惯量、/>为航向角、/>为航向角变化率、m为整车质量，上述这些变量均为车辆的检测设备检测得来。
在上述步骤（1）和步骤（2）中，当路面良好且无人驾驶车辆以低速和中速行驶时，仅依靠车辆的运动学模型即可实现局部路径的全局规划器设计。当紧急状态下，车辆横向加速较大，路面附着系数较小，均会导致车辆发生左右摆动并失稳，此时将车辆的动力学模型作为规划器的主要模型。在极限工况下，车辆侧向加速度和路面附着系数均会对车辆稳定性造成影响，因此选取侧向加速度和路面附着系数作为规划器中模型切换系数。
进一步地，为了减少车辆行驶时与最初规划时选定的候选路径的偏差以及满足车辆轨迹跟踪过程中运动特性约束，可以通过以下函数得到最优局部避障路径：其中，Q和R分别表示权重系数矩阵，/>=（/>，/>，/>，Y）表示实际输出向量，/>：表示车辆控制量的变化率，/>表示参考输出向量，/>表示预测时域，/>表示控制时域，/>表示松弛因子，t表示当前采样时刻，/>表示当前时刻加i的采样时刻。
综上所述，通过初步采集第一路径信息获取候选路径的路面类型，路面类型能够确定路面附着系数并建立风险评估模型，通过风险评估模型对无人驾驶车辆的采样范围进行优化并生成优化后的第二路径信息，再次通过对第二路径信息的处理识别前方存在障碍物时，重新规划无人驾驶车辆的候选路径避开障碍物；无人驾驶车辆在行驶的过程中能够提前预判并躲避障碍物，同时可以根据不同路面情况实时为车辆路径进行规划。
实施例2
本实施例还提供了一种无人驾驶车辆路径规划装置，参见图2所示的无人驾驶车辆路径规划装置中各模块连接示意图，该装置包括：
采集模块200：采集无人驾驶车辆的待行驶的候选路径的第一路径信息，对所述第一路径信息进行处理，得到所述候选路径的路面类型；
建模模块201，根据所述路面类型确定路面附着系数，并根据所述路面附着系数确定风险评估模型；
优化模块202，通过所述风险评估模型对所述候选路径的采样范围进行优化，并生成第二路径信息；
控制模块203，当对所述第二路径信息进行处理，确定所述候选路径上具有障碍物时，对所述候选路径进行重新规划，并将重新规划的所述候选路径的信息传递至无人驾驶车辆的控制器。
进一步地，所述根据所述路面附着系数确定风险评估模型，包括：
获取所述车辆的动能和车辆周围的风险势场，并根据所述车辆的动能和所述路面附着系数确定碰撞严重程度系数；所述动能由所述车辆的发动机所决定，可直接显示在所述车辆的仪表盘上，被执行主体所获取；
根据所述车辆周围的风险势场确定碰撞概率系数；
通过以下公式表示所述风险评估模型：其中，/>为风险评估值、/>为碰撞概率系数、/>为碰撞严重程度系数。综上所述，通过初步采集第一路径信息获取候选路径的路面类型，路面类型能够确定路面附着系数并建立风险评估模型，通过风险评估模型对无人驾驶车辆的采样范围进行优化并生成优化后的第二路径信息，再次通过对第二路径信息的处理识别前方存在障碍物时，重新规划无人驾驶车辆的候选路径避开障碍物；无人驾驶车辆在行驶的过程中能够提前预判并躲避障碍物，同时可以根据不同路面情况实时为车辆路径进行规划。
实施例3
本实施例提出一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例1描述的无人驾驶车辆路径规划方法的步骤。具体实现可参见方法实施例1，在此不再赘述。
此外，参见图3所示的一种电子设备的结构示意图，本实施例还提出一种电子设备，上述电子设备包括总线300、处理器301、收发器302、总线接口303、存储器304和用户接口305。上述电子设备包括有存储器304。
本实施例中，上述电子设备还包括：存储在存储器304上并可在处理器301上运行的一个或者一个以上的程序，经配置以由上述处理器执行上述一个或者一个以上程序用于进行以下步骤（1）至步骤（4）：
（1）采集无人驾驶车辆的待行驶的候选路径的第一路径信息，对所述第一路径信息进行处理，得到所述候选路径的路面类型。
（2）根据所述路面类型确定路面附着系数，并根据所述路面附着系数确定风险评估模型。
（3）通过所述风险评估模型对所述候选路径的采样范围进行优化，并生成第二路径信息。
（4）当对所述第二路径信息进行处理，确定所述候选路径上具有障碍物时，对所述候选路径进行重新规划，并将重新规划的所述候选路径的信息传递至无人驾驶车辆的控制器。
收发器302，用于在处理器301的控制下接收和发送数据。
其中，总线架构（用总线300来代表），总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器301代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本实施例不再对其进行进一步描述。总线接口303在总线300和收发器302之间提供接口。收发器302可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发器302从其他设备接收外部数据。收发器302用于将处理器301处理后的数据发送给其他设备。取决于计算系统的性质，还可以提供用户接口305，例如小键盘、显示器、扬声器、麦克风、操纵杆。
处理器301负责管理总线300和通常的处理，如前述上述运行通用操作系统3041。而存储器304可以被用于存储处理器301在执行操作时所使用的数据。
可选的，处理器301可以是但不限于：中央处理器、单片机、微处理器或者可编程逻辑器件。
可以理解，本申请实施例中的存储器304可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器 (Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器 (Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本实施例描述的系统和方法的存储器304旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中，存储器304存储了如下的元素，可执行模块或者数据结构，或者它们的子集，或者它们的扩展集：操作系统3041和应用程序3042。
其中，操作系统3041，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序3042，包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。实现本申请实施例方法的程序可以包含在应用程序3042中。
以上所述，仅为本发明实施例的具体实施方式，但本发明实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明实施例披露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明实施例的保护范围之内。因此，本发明实施例的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种无人驾驶车辆路径规划方法，其特征在于，所述方法包括：
采集无人驾驶车辆的待行驶的候选路径的第一路径信息，对所述第一路径信息进行处理，得到所述候选路径的路面类型；
根据所述路面类型确定路面附着系数，并根据所述路面附着系数确定风险评估模型；
通过所述风险评估模型对所述候选路径的采样范围进行优化，并生成第二路径信息；
当对所述第二路径信息进行处理，确定所述候选路径上具有障碍物时，对所述候选路径进行重新规划，并将重新规划的所述候选路径的信息传递至无人驾驶车辆的控制器。
2.根据权利要求1所述的方法，其特征在于，所述根据所述路面附着系数确定风险评估模型，包括：
获取所述车辆的动能和车辆周围的风险势场，并根据所述车辆的动能、车辆周围的风险势场和所述路面附着系数确定碰撞严重程度系数和碰撞概率系数；
根据所述车辆周围的风险势场确定碰撞概率系数；
通过以下公式表示所述风险评估模型：其中，/>为风险评估值、/>为碰撞概率系数、/>为碰撞严重程度系数。
3.根据权利要求1所述的方法，其特征在于，所述通过所述风险评估模型对所述候选路径的采样范围进行优化，包括：
当所述路面附着系数大于路面附着阈值时，根据路面附着系数确定道路类型和道路可通行系数；
根据道路类型和道路可通行系数，对所述采样范围进行优化；其中，优化所述采样范围，包括：所述采样范围的采样函数和所述采样范围的横向偏差点；
所述采样范围的采样函数，包括：其中，/>为纵向采样点，/>为成本下限阈值，/>为成本上限阈值，/>为道路可通行系数，/>为结构良好环境区域的道路类型，/>为非结构环境区域的道路类型；
所述采样范围的横向偏差点：其中，/>为横向偏差点，e为指数函数，/>为采样点j与候选路径之间的横向位移，/>为候选路径与风险中心的横向偏移位移。
4.根据权利要求1所述的无人驾驶车辆路径规划方法，其特征在于，所述对所述候选路径进行重新规划，并将重新规划的所述候选路径的信息传递至无人驾驶车辆的控制器，包括：
利用多目标模型对所有候选路径进行评估，并确定出全局最优路径；所述多目标模型满足：/>其中， =其中，/>、/>、/>、/>分别为/>、/>、/>、/>的权重系数，/>为风险成本函数、/>为全局路径偏离成本函数、/>为候选路径的平滑成本函数、/>为车辆的航向角函数、/>为道路附着系数、/>为路径偏离值、/>为平滑成本、为航向角，/>为预测时域且为预定值。
5.根据权利要求1所述的无人驾驶车辆路径规划方法，其特征在于，所述对所述第二路径信息进行处理，确定所述候选路径上具有障碍物时，包括：
当无人驾驶车辆躲避障碍物为平稳驶过时，无人驾驶车辆的模型符合运动学模型，所述运动学模型满足：其中，X和Y为无人驾驶车辆的质心坐标、T表示时间、/>车辆航向角、L为轴距、/>为第/>时刻、/>表示在第时刻下车辆质心的X坐标、/>表示第/>时间下车辆的质心的Y坐标、表示第/>时刻下实际车速、/>表示第/>时刻下车辆航向角、/>表示第/>时刻下前轮转向角、/>为前轮转向角、/>为前轮转角二阶导、/>为前轮转角变化率 、v为实际车速、/>为实际加速度。
6.根据权利要求1所述的无人驾驶车辆路径规划方法，其特征在于，所述对所述第二路径信息进行处理，确定所述候选路径上具有障碍物时，对所述候选路径进行重规划，还包括：
当无人驾驶车辆躲避障碍物为紧急转弯时，无人驾驶车辆的模型符合动力学模型，所述动力学模型满足：其中，X和Y为无人驾驶车辆的质心坐标、/>和/>为纵向速度和侧向速度、a为质心到前轴距离、/>为质心侧偏角、/>为质心侧偏角变化率、/>为横摆角速度、/>为横摆角速度变化率、b为质心到后轴距离、/>为纵向速度、/>为侧向速度、/>为侧向加速度、/>为前轮转角、/>为后轮胎侧偏刚度、/>为后轮胎侧偏刚度、/>为偏航惯量、/>为航向角、/>为航向角变化率、m为整车质量。
7.一种无人驾驶车辆路径规划装置，其特征在于，包括：
采集模块：采集无人驾驶车辆的待行驶的候选路径的第一路径信息，对所述第一路径信息进行处理，得到所述候选路径的路面类型；
建模模块，根据所述路面类型确定路面附着系数，并根据所述路面附着系数确定风险评估模型；
优化模块，通过所述风险评估模型对所述候选路径的采样范围进行优化，并生成第二路径信息；
控制模块，当对所述第二路径信息进行处理，确定所述候选路径上具有障碍物时，对所述候选路径进行重新规划，并将重新规划的所述候选路径的信息传递至无人驾驶车辆的控制器。
8.根据权利要求7所述的无人驾驶车辆路径规划装置，其特征在于，所述根据所述路面附着系数确定风险评估模型，包括：
获取所述车辆的动能和车辆周围的风险势场，并根据所述车辆的动能和所述路面附着系数确定碰撞严重程度系数；所述动能由所述车辆的发动机所决定，可直接显示在所述车辆的仪表盘上，被执行主体所获取；
根据所述车辆周围的风险势场确定碰撞概率系数；
通过以下公式表示所述风险评估模型：其中，/>为风险评估值、/>为碰撞概率系数、/>为碰撞严重程度系数。
9.一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的一种无人驾驶车辆路径规划方法中的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，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6中任一项所述的一种无人驾驶车辆路径规划方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311346072.7A CN117091618B (zh) | 2023-10-18 | 2023-10-18 | 一种无人驾驶车辆路径规划方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311346072.7A CN117091618B (zh) | 2023-10-18 | 2023-10-18 | 一种无人驾驶车辆路径规划方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117091618A true CN117091618A (zh) | 2023-11-21 |
| CN117091618B CN117091618B (zh) | 2024-01-26 |
Family
ID=88783675
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311346072.7A Active CN117091618B (zh) | 2023-10-18 | 2023-10-18 | 一种无人驾驶车辆路径规划方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117091618B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009071364A1 (de) * | 2007-12-07 | 2009-06-11 | Robert Bosch Gmbh | Verfahren zur bestimmung einer route und vorrichtung dazu |
| US20150251664A1 (en) * | 2014-03-10 | 2015-09-10 | GM Global Technology Operations LLC | Method to control a vehicle path during autonomous braking |
| CN110285825A (zh) * | 2019-04-19 | 2019-09-27 | 武汉理工大学 | 一种基于行车记录仪的语音辅助驾驶员防追尾系统 |
| CN111695418A (zh) * | 2020-04-30 | 2020-09-22 | 上汽大众汽车有限公司 | 一种基于道路状况检测而进行安全驾驶的方法及系统 |
| CN112969902A (zh) * | 2018-09-14 | 2021-06-15 | Uatc有限责任公司 | 运载工具的行驶表面摩擦力估计 |
| CN113200054A (zh) * | 2021-06-21 | 2021-08-03 | 清华大学 | 一种自动驾驶接管的路径规划方法及系统 |
| CN113465625A (zh) * | 2021-08-17 | 2021-10-01 | 清华大学 | 局部路径规划方法和装置 |
| CN114510037A (zh) * | 2022-01-18 | 2022-05-17 | 南京盈杰信息科技有限公司 | 一种基于无人驾驶的路况智能分析方法及系统 |
| CN114889646A (zh) * | 2022-05-07 | 2022-08-12 | 浙江吉利控股集团有限公司 | 自动驾驶车辆的控制方法、装置、存储介质及设备 |
| CN115303265A (zh) * | 2022-08-15 | 2022-11-08 | 重庆理工大学 | 车辆避障控制方法、装置及车辆 |
| CN116295473A (zh) * | 2022-11-30 | 2023-06-23 | 新石器慧通（北京）科技有限公司 | 无人车路径规划方法、装置、设备及存储介质 |
| CN116499486A (zh) * | 2023-06-26 | 2023-07-28 | 北京理工大学 | 一种复杂越野环境路径规划方法、系统及电子设备 |
| CN116513246A (zh) * | 2023-07-04 | 2023-08-01 | 北京理工大学 | 一种越野环境速度规划方法、系统及设备 |
-
2023
- 2023-10-18 CN CN202311346072.7A patent/CN117091618B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009071364A1 (de) * | 2007-12-07 | 2009-06-11 | Robert Bosch Gmbh | Verfahren zur bestimmung einer route und vorrichtung dazu |
| US20150251664A1 (en) * | 2014-03-10 | 2015-09-10 | GM Global Technology Operations LLC | Method to control a vehicle path during autonomous braking |
| CN112969902A (zh) * | 2018-09-14 | 2021-06-15 | Uatc有限责任公司 | 运载工具的行驶表面摩擦力估计 |
| CN110285825A (zh) * | 2019-04-19 | 2019-09-27 | 武汉理工大学 | 一种基于行车记录仪的语音辅助驾驶员防追尾系统 |
| CN111695418A (zh) * | 2020-04-30 | 2020-09-22 | 上汽大众汽车有限公司 | 一种基于道路状况检测而进行安全驾驶的方法及系统 |
| CN113200054A (zh) * | 2021-06-21 | 2021-08-03 | 清华大学 | 一种自动驾驶接管的路径规划方法及系统 |
| CN113465625A (zh) * | 2021-08-17 | 2021-10-01 | 清华大学 | 局部路径规划方法和装置 |
| CN114510037A (zh) * | 2022-01-18 | 2022-05-17 | 南京盈杰信息科技有限公司 | 一种基于无人驾驶的路况智能分析方法及系统 |
| CN114889646A (zh) * | 2022-05-07 | 2022-08-12 | 浙江吉利控股集团有限公司 | 自动驾驶车辆的控制方法、装置、存储介质及设备 |
| CN115303265A (zh) * | 2022-08-15 | 2022-11-08 | 重庆理工大学 | 车辆避障控制方法、装置及车辆 |
| CN116295473A (zh) * | 2022-11-30 | 2023-06-23 | 新石器慧通（北京）科技有限公司 | 无人车路径规划方法、装置、设备及存储介质 |
| CN116499486A (zh) * | 2023-06-26 | 2023-07-28 | 北京理工大学 | 一种复杂越野环境路径规划方法、系统及电子设备 |
| CN116513246A (zh) * | 2023-07-04 | 2023-08-01 | 北京理工大学 | 一种越野环境速度规划方法、系统及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117091618B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10235881B2 (en) | Autonomous operation capability configuration for a vehicle | |
| US10377378B2 (en) | Traffic signal response for autonomous vehicles | |
| US11619943B2 (en) | Optimal path library for local path planning of an autonomous vehicle | |
| US10296004B2 (en) | Autonomous operation for an autonomous vehicle objective in a multi-vehicle environment | |
| US20210403032A1 (en) | Two-level path planning for autonomous vehicles | |
| US20190146498A1 (en) | Methods and systems for vehicle motion planning | |
| EP3779922A1 (en) | Method for estimating driving road and driving road estimation system | |
| US11724691B2 (en) | Systems and methods for estimating the risk associated with a vehicular maneuver | |
| US11794775B2 (en) | Control architectures for autonomous vehicles | |
| CN110562133A (zh) | 车辆故障处理方法、装置、设备和介质 | |
| Kim et al. | Automated complex urban driving based on enhanced environment representation with GPS/map, radar, lidar and vision | |
| US20230419824A1 (en) | Method and device for determining traffic stream information, electronic equipment and storage medium | |
| US11643115B2 (en) | Tracking vanished objects for autonomous vehicles | |
| US20220032948A1 (en) | Vehicle travel assistance method, vehicle travel assistance device, and autonomous driving system | |
| EP4222035A1 (en) | Methods and systems for performing outlet inference by an autonomous vehicle to determine feasible paths through an intersection | |
| CN112693454B (zh) | 自适应轨迹生成方法及系统 | |
| CN117091618B (zh) | 一种无人驾驶车辆路径规划方法、装置及电子设备 | |
| CN117146838A (zh) | 一种路径规划方法及装置、相关产品 | |
| CN115123217A (zh) | 矿区障碍车辆行使轨迹生成方法、装置及计算机设备 | |
| Zhan et al. | Risk-aware lane-change trajectory planning with rollover prevention for autonomous light trucks on curved roads | |
| US11827245B2 (en) | Systems and methods for estimating motion of an automated vehicle for cooperative driving | |
| CN113362601A (zh) | 一种基于智慧灯杆通讯技术的人车避撞控制方法及系统 | |
| Patil | Test Scenario Development Process and Software-in-the-Loop Testing for Automated Driving Systems | |
| US20240034340A1 (en) | Method for assisting with driving an autonomous motor vehicle on a road | |
| US20230139551A1 (en) | Lane bias maneuver for autonomous vehicles to avoid an intruding vehicle |
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 |