CN117341683A - 一种基于多目标识别的车辆动态轨迹拟合避障方法及系统 - Google Patents
一种基于多目标识别的车辆动态轨迹拟合避障方法及系统 Download PDFInfo
- Publication number
- CN117341683A CN117341683A CN202311644443.XA CN202311644443A CN117341683A CN 117341683 A CN117341683 A CN 117341683A CN 202311644443 A CN202311644443 A CN 202311644443A CN 117341683 A CN117341683 A CN 117341683A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- vehicle
- obstacle avoidance
- avoidance area
- track
- 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 60
- 230000008859 change Effects 0.000 claims abstract description 64
- 230000001133 acceleration Effects 0.000 claims abstract description 20
- 230000003068 static effect Effects 0.000 claims description 27
- 230000004888 barrier function Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000013459 approach Methods 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18163—Lane change; Overtaking manoeuvres
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/50—Barriers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多目标识别的车辆动态轨迹拟合避障方法及系统,涉及智能车辆轨迹规划技术领域,包括:采集车辆当前速度和位置;根据避障区域内的障碍物信息特征,选择进行车辆轨迹规划的换道侧;构造轨迹规划起点和终点的拟合函数,计算输出换道超车轨迹规划结果。本发明提供的基于多目标识别的车辆动态轨迹拟合避障方法构造轨迹规划起点和终点的拟合函数,考虑从车辆转弯曲率、曲率变化率、与避障区域边缘距离、横纵加速度限制条件方面,在满足车辆动力学下完成避免碰撞任务。充分考虑到初始避障区域边缘出现不完整障碍物情形,实时重新规划避障区域,避免在换道边缘与突出障碍物发生碰撞。
Description
技术领域
本发明涉及智能车辆轨迹规划技术领域,具体为一种基于多目标识别的车辆动态轨迹拟合避障方法及系统。
背景技术
随着车路协同技术的发展,面对智能网联自动驾驶车辆开展一系列研究成为车联网行业的趋势,其中本发明中的车辆避障轨迹问题愈发受到重视。作为智能网联自动驾驶车辆的关键部分,车辆避障轨迹规划对智能网联自动驾驶车辆在不同交通环境下的行车安全起着关键性作用,对智能网联自动驾驶车辆的研究具有重大意义。尤其车辆在行驶过程中,动态实时、安全、高效避开障碍物,不仅能有效提高车辆的行车安全,同时也能有效提升路网交通的通行效率。
针对基于多目标识别的车辆动态轨迹拟合避障问题,在智能系统轨迹规划算法中常用的经典实现算法可以从机器人领域、控制领域、AI领域三个领域考虑,在机器人领域中包含了RRT等算法;在控制领域中包含了MPC、LQR等;在AI领域:强化学习、深度学习、机器学习等算法等。而上述算法可归纳为对目标函数的转化和函数最优解求解问题。
为保证智能网联自动驾驶车辆的行驶安全性,在汽车电子嵌入式系统中,对于控制器算力要求较高。
避障轨迹规划控制算法上,在实际应用环境中,控制系统在采集并决策车辆搭载的各类传感器之间的数据具有一定的延迟性,在实时动态环境下具有一定的数据误差。且在各类算法中,由于算法的复杂性导致在智能网联自动驾驶车辆控制决策中存在数据工作量大的现象。
在智能网联车辆换道避障构建过程中,因其所定义的参数繁杂,存在一些参数难以获取的原因,使其存在计算量大的现象。
检测目标上,目前大部分针对智能网联车辆换道避障研究,大部分基于前方单个碰撞风险障碍物进行避障研究,如前方出现多个碰撞风险障碍物时,智能网联驾驶车辆避障时存在效果不佳的问题,尤其车辆行驶路线可能呈现不规则的行驶状态,无法使智能网联驾驶车辆更高效更平缓地换道避障。
因此,亟须一种智能网联自动驾驶车辆避障轨迹,规划方法无需使用过多的参数,减轻参数标定匹配难度和工作量并且算法简便,占用计算资源少,易于实现,鲁棒性更好。
发明内容
鉴于上述存在的问题,提出了本发明。
因此,本发明面向的问题:现有的车辆避障轨迹规划方法存在定义的参数繁杂,无法应对多个碰撞风险障碍物,现有的传感器之间的信息传递不能满足实时性以及如何提升驾驶安全性的优化问题。
为解决上述技术问题,本发明提供如下技术方案:基于多目标识别的车辆动态轨迹拟合避障方法,包括:采集车辆当前速度和位置,其中,X表示本车辆当前横坐标,Y表示本车辆当前纵坐标,指车头中心位置,V表示本车辆当前速度,确定避障区域,其中/>分别表示避障区域的左、右、上、下坐标值;根据避障区域内的障碍物信息特征,选择进行车辆轨迹规划的换道侧;构造轨迹规划起点和终点的拟合函数,计算输出换道超车轨迹规划结果。
作为本发明所述的基于多目标识别的车辆动态轨迹拟合避障方法的一种优选方案,其中:所述采集车辆当前速度和位置确定避障区域包括判断所控车辆当前轨迹是否存在碰撞危险,若不存在碰撞危险则获取车辆当前车速和位置信息并根据所控车辆当前车速确定避障区域。
作为本发明所述的基于多目标识别的车辆动态轨迹拟合避障方法的一种优选方案,其中:所述障碍物信息特征包括实时获取避障区域内的目标障碍物的坐标、速度以及外形轮廓信息,确定避障区域内障碍物并赋予每个障碍物唯一ID,并将所有的障碍物区分为静态障碍物集合和动态障碍物集合,基于ID将检测到的信息存储于静态障碍物矩阵表示为:
;
动态障碍物矩阵表示为:
;
其中,表示前方障碍物最左侧与车头中间点的横向距离,/>表示前方障碍物最右侧与车头中间点的横向距离,/>表示前方障碍物最前侧与车头中间点的纵向距离,/>表示前方障碍物最后侧与车头中间点的纵向距离,/>表示前方障碍物的运动速度矢量,在矩阵/>中运动速度矢量值为/>,/>表示前方障碍物的运动加速度矢量,在矩阵/>中运动加速度矢量值为/>;若避障区域边缘出现不完整障碍物且障碍物为静态障碍物时,将原始避障区域边界沿障碍物不完整的一侧平移扩大避障区域,当障碍物的右半侧被包含在避障区域内,则将原避障区域左侧边界向左平移,直至将原避障区域边缘的不完整障碍物的左侧部分也完整地包含在避障区域内,并且预留与本车处于安全距离的间隙/>,左侧边界平移距离表示为:
;
完成避障区域范围更新后,重新确定避障区域;若障碍物为动态障碍物,将原始避障区域边界进行平移,当障碍物的横向速度朝向障碍物突出的区域,则将原有避障区域边界沿着障碍物速度方向平移扩大避障区域,若障碍物的右半侧被包含在避障区域内,障碍物的横向速度向左,则原始避障区域左侧边界向左平移的距离表示为:
;
其中为动态障碍物的横向速度,/>为本车辆的纵向速度,完成避障区域范围更新后,重新确定避障区域障碍物;若障碍物的横向速度朝向障碍物非突出的区域,则将原始避障区域边界根据障碍物的速度和车辆接近障碍物前方纵向位置时的大小来判断沿着障碍物速度方向平移扩大或缩小避障区域,当障碍物的右半部分被包含在避障区域内,障碍物的横向速度向右,判断横向距离,当横向距离表示为:
;
视为本车接近动态障碍物过程中,动态障碍物驶入原有避障区域并留有安全距离,则不平移原有避障区域,当横向距离表示为:
;
表示在本车接近动态障碍物过程中,动态障碍物无法完全驶入原有避障区域,则原有避障区域向左偏移,偏移距离表示为:
;
当横向距离表示为:
;
视为本车接近动态障碍物过程中,动态障碍物已完全驶入原始避障区域,则原始避障区域向右偏移,偏移距离表示为:
;
完成避障区域范围更新后,重新确定避障区域障碍物;
若更新后的避障区域边缘未出现不完整障碍物,对避障区域内的静态障碍物采取更新后的避障区域,对避障区域内的动态障碍物首先进行障碍物状态预测,当动态障碍物横向速度向右时,则障碍物的右侧横向坐标表示为:
;
判断障碍物左、右边缘位置,若障碍物横向位置表示为:
;
则无需更新避障区域,若障碍物横向位置表示为:
;
则将避障区域右侧边界向左平移,平移距离表示为:
;
若障碍物横向位置表示为:
;
则将避障区域右侧边界向右平移,平移距离表示为:
;
对每个障碍物区域取交集,形成最终的避障区域,获取所控车辆行驶轨迹结果,并离散化成位置信息。
作为本发明所述的基于多目标识别的车辆动态轨迹拟合避障方法的一种优选方案,其中:所述选择进行车辆轨迹规划的换道侧包括当前轨迹无碰撞风险则重新采集车辆当前速度和位置规划避障区域,若当前轨迹存在碰撞风险则判断避障区域内存在障碍物的数量;若避障区域仅有一个静态障碍物且有碰撞风险时,以单个障碍物的中心线为界限,轨迹规划换道侧选择车辆位于障碍物中心线的一侧;若避障区域仅有一个动态障碍物且有碰撞风险时,以单个障碍物的中心线为界,预测障碍物中心线的未来到达位置,轨迹规划换道侧选择车辆位于障碍物未来预测的中心线的一侧;若避障区域有多个静止障碍物但仅有一个障碍物有碰撞风险时,轨迹规划换道侧选择车辆位于有碰撞风险障碍物中心线的一侧;当有多个障碍物有碰撞风险时,轨迹规划换道侧选择车辆位于所有碰撞风险障碍物中的最靠近避障区域边缘的远离障碍物中心线的一侧;若避障区域有多个动态障碍物但仅有一个障碍物有碰撞风险时,轨迹规划换道侧选择车辆位于有碰撞风险障碍物未来预测中心线的一侧;当有多个障碍物有碰撞风险时,轨迹规划换道侧选择车辆位于所有碰撞风险障碍物中的最靠近避障区域边缘的远离未来预测的障碍物中心线的一侧;若避障区域有多个有碰撞风险的动态和静态障碍物,将所有静态障碍物中心线和所有未来预测动态障碍物中心线比较,轨迹规划换道侧选择最靠近避障区域边缘的障碍物中心线的一侧。
作为本发明所述的基于多目标识别的车辆动态轨迹拟合避障方法的一种优选方案,其中:所述选择进行车辆轨迹规划的换道侧还包括确定换道侧后判断换道侧是否有存在危险障碍物,若存在危险障碍物则以最靠近避障区域边缘的障碍物中心线的一侧的障碍物平行的避障区域边缘坐标作为换道超车终点及起始点元素值,若不存在危险障碍物则以车辆靠近障碍物中心线最近的危险障碍物平行的避障区域边缘坐标作为换道超车终点及起始点元素值。
作为本发明所述的基于多目标识别的车辆动态轨迹拟合避障方法的一种优选方案,其中:所述构造轨迹规划起点和终点的拟合函数包括设置车辆转弯曲率、曲率变化率、与避障区域边缘距离以及横纵加速度限制条件,构造轨迹规划起点和终点的拟合曲线函数,智能网联自动驾驶车辆的最小转弯曲线半径取小型车6m,则最大转弯曲率为0.167m-1,实时曲率变化率最大值为0.03m-1/s,智能网联自动驾驶车辆的车头中心坐标与避障区域边缘距离存在安全边界距离,智能网联自动驾驶车辆在换道超车时的横向加速度最大值为0.5m/s,纵向加速度最大值为3m/s,确定限制条件后,规划曲线的离散点,离散点满足限制条件,将离散点拟合成一条避障优化轨迹曲线,当有多个备选点同时满足下一时刻的轨迹离散点限制约束时,选取曲率值最大的离散点作为优化轨迹。
作为本发明所述的基于多目标识别的车辆动态轨迹拟合避障方法的一种优选方案,其中:所述计算输出换道超车轨迹规划结果包括判断车辆是否满足限制条件且与区域内所有碰撞物无碰撞风险;若未同时满足限制条件和区域内所有碰撞物无碰撞风险,则以换道超车终点的车辆坐标值为换回本车道轨迹规划的起始点,并以所控车辆最远的有碰撞风险的障碍物的纵坐标或者预测纵坐标加上安全距离间隙为换回本车道轨迹规划终点的纵坐标,以换道超车前横坐标作为换回本车道轨迹规划终点的起始点横坐标值,以确保换道超车后的车辆按照原始车道继续行驶,更新后再次判断是否满足限制条件且与区域内所有碰撞物无碰撞风险,当车辆换回至终点横纵坐标时,车辆的避障过程全部完成;若满足限制条件且与区域内所有碰撞物无碰撞风险,则输出换道超车轨迹规划结果确定轨道规划的起点到本次更新的终点。
本发明的另外一个目的是提供一种基于多目标识别的车辆动态轨迹拟合避障系统,其能通过更新避障区域和设定障碍物ID解决现有自动驾驶车辆避障轨迹规划中实时性不足和仅能识别单一障碍物的问题。
为解决上述技术问题,本发明提供如下技术方案:一种基于多目标识别的车辆动态轨迹拟合避障方法的系统,包括:环境感知与评估模块、路径决策模块、轨迹拟合模块;所述环境感知与评估模块是一种收集周围环境信息并评估当前行驶轨迹的安全性的装置,用于感知周围环境的障碍物的速度和位置,结合所控车辆的速度和位置评估构建避障区域;所述路径决策模块是一种决策行驶路径的装置,基于环境感知与评估模块的结果进行行驶路径的决策,判断当前轨迹是否有碰撞风险,决策换道超车的终点及起始点;所述轨迹拟合模块是一种拟合构建轨迹的装置,用于输入限定条件规划离散点,构造轨迹规划起点和终点的拟合函数,计算输出换道超车轨迹规划结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现基于多目标识别的车辆动态轨迹拟合避障方法的步骤。
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基于多目标识别的车辆动态轨迹拟合避障方法的步骤。
本发明的有益效果:本发明提供的基于多目标识别的车辆动态轨迹拟合避障方法构造轨迹规划起点和终点的拟合函数,考虑从车辆转弯曲率、曲率变化率、与避障区域边缘距离、横纵加速度限制条件方面,在满足车辆动力学下完成避免碰撞任务。充分考虑到初始避障区域边缘出现不完整障碍物情形,实时重新规划避障区域,避免在换道边缘与突出障碍物发生碰撞,并且还提前考虑到完成初次换道后返回初始车道时与后续障碍物的避障轨迹规划。不仅包括障碍物等静止信息,也可以识别并预测行人、车辆等运动信息进行避障规划,然后确定一个预定的避障区域。本发明在计算量、标定匹配难度和适用性方面都取得更加良好的效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,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它的附图。其中:
图1为本发明一个实施例提供的一种基于多目标识别的车辆动态轨迹拟合避障方法的整体流程图。
图2为本发明第二个实施例提供的一种基于多目标识别的车辆动态轨迹拟合避障方法的面对只有一个无碰撞风险障碍物的示意图。
图3为本发明第二个实施例提供的一种基于多目标识别的车辆动态轨迹拟合避障方法的面对前方两个动态障碍物有横纵向分速度但只有一个有碰撞风险动态障碍物的示意图。
图4为本发明第二个实施例提供的一种基于多目标识别的车辆动态轨迹拟合避障方法的面对动态有横纵向分速度的障碍物和静态无横纵向分速度的障碍物时存在多个碰撞风险障碍物向左变道示意图。
图5为本发明第三个实施例提供的一种基于多目标识别的车辆动态轨迹拟合避障方法的系统的整体流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1,为本发明的一个实施例,提供了一种基于多目标识别的车辆动态轨迹拟合避障方法,包括:
S1:采集车辆当前速度和位置,其中,X表示本车辆当前横坐标,Y表示本车辆当前纵坐标,指车头中心位置,V表示本车辆当前速度,确定避障区域/>,其中/>分别表示避障区域的左、右、上、下坐标值。
更进一步的,采集车辆当前速度和位置确定避障区域包括判断所控车辆当前轨迹是否存在碰撞危险,若不存在碰撞危险则获取车辆当前车速和位置信息并根据所控车辆当前车速确定避障区域。
应说明的是,所控车辆当前轨迹是否存在碰撞危险是对于车辆当前的行驶轨迹进行安全性评估,通过激光雷达环境感知系统,以侦测和跟踪周围的其他车辆、行人、障碍物等,然后根据这些对象的位置、速度、方向等信息,预测它们在未来的行为或位置。这些预测被用于评估如果所控车辆继续按照当前的轨迹行驶,是否会与这些对象发生碰撞,确定一个预定的避障区域。避障区域可以理解为车辆预计的行驶范围,这个范围内可能存在需要避开的障碍物。
S2:根据避障区域内的障碍物信息特征,选择进行车辆轨迹规划的换道侧。
更进一步的,障碍物信息特征包括实时获取避障区域内的目标障碍物的坐标、速度以及外形轮廓信息,确定避障区域内障碍物并赋予每个障碍物唯一ID,并将所有的障碍物区分为静态障碍物集合和动态障碍物集合,基于ID将检测到的信息存储于静态障碍物矩阵表示为:
;
动态障碍物矩阵表示为:
;
其中,表示前方障碍物最左侧与车头中间点的横向距离,/>表示前方障碍物最右侧与车头中间点的横向距离,/>表示前方障碍物最前侧与车头中间点的纵向距离,/>表示前方障碍物最后侧与车头中间点的纵向距离,/>表示前方障碍物的运动速度矢量,在矩阵/>中运动速度矢量值为/>,/>表示前方障碍物的运动加速度矢量,在矩阵/>中运动加速度矢量值为/>;若避障区域边缘出现不完整障碍物且障碍物为静态障碍物时,将原始避障区域边界沿障碍物不完整的一侧平移扩大避障区域,当障碍物的右半侧被包含在避障区域内,则将原避障区域左侧边界向左平移,直至将原避障区域边缘的不完整障碍物的左侧部分也完整地包含在避障区域内,并且预留与本车处于安全距离的间隙/>,左侧边界平移距离表示为:
;
完成避障区域范围更新后,重新确定避障区域;若障碍物为动态障碍物,将原始避障区域边界进行平移,当障碍物的横向速度朝向障碍物突出的区域,则将原有避障区域边界沿着障碍物速度方向平移扩大避障区域,若障碍物的右半侧被包含在避障区域内,障碍物的横向速度向左,则原始避障区域左侧边界向左平移的距离表示为:
;
其中为动态障碍物的横向速度,/>为本车辆的纵向速度,完成避障区域范围更新后,重新确定避障区域障碍物;若障碍物的横向速度朝向障碍物非突出的区域,则将原始避障区域边界根据障碍物的速度和车辆接近障碍物前方纵向位置时的大小来判断沿着障碍物速度方向平移扩大或缩小避障区域,当障碍物的右半部分被包含在避障区域内,障碍物的横向速度向右,判断横向距离,当横向距离表示为:
;
视为本车接近动态障碍物过程中,动态障碍物驶入原有避障区域并留有安全距离,则不平移原有避障区域,当横向距离表示为:
;
表示在本车接近动态障碍物过程中,动态障碍物无法完全驶入原有避障区域,则原有避障区域向左偏移,偏移距离表示为:
;
当横向距离表示为:
;
视为本车接近动态障碍物过程中,动态障碍物已完全驶入原始避障区域,则原始避障区域向右偏移,偏移距离表示为:
;
完成避障区域范围更新后,重新确定避障区域障碍物;
若更新后的避障区域边缘未出现不完整障碍物,对避障区域内的静态障碍物采取更新后的避障区域,对避障区域内的动态障碍物首先进行障碍物状态预测,当动态障碍物横向速度向右时,则障碍物的右侧横向坐标表示为:
;
判断障碍物左、右边缘位置,若障碍物横向位置表示为:
;
则无需更新避障区域,若障碍物横向位置表示为:
;
则将避障区域右侧边界向左平移,平移距离表示为:
;
若障碍物横向位置表示为:
;
则将避障区域右侧边界向右平移,平移距离表示为:
;
对每个障碍物区域取交集,形成最终的避障区域,获取所控车辆行驶轨迹结果,并离散化成位置信息。上述方法同样适用于障碍物速度向右、向上以及向下的情景。
应说明的是,选择进行车辆轨迹规划的换道侧包括当前轨迹无碰撞风险则重新采集车辆当前速度和位置规划避障区域,若当前轨迹存在碰撞风险则判断避障区域内存在障碍物的数量;若避障区域仅有一个静态障碍物且有碰撞风险时,以单个障碍物的中心线为界限,轨迹规划换道侧选择车辆位于障碍物中心线的一侧;若避障区域仅有一个动态障碍物且有碰撞风险时,以单个障碍物的中心线为界,预测障碍物中心线的未来到达位置,轨迹规划换道侧选择车辆位于障碍物未来预测的中心线的一侧;若避障区域有多个静止障碍物但仅有一个障碍物有碰撞风险时,轨迹规划换道侧选择车辆位于该有碰撞风险障碍物中心线的一侧;当有多个障碍物有碰撞风险时,轨迹规划换道侧选择车辆位于所有碰撞风险障碍物中的最靠近避障区域边缘的远离障碍物中心线的一侧;若避障区域有多个动态障碍物但仅有一个障碍物有碰撞风险时,轨迹规划换道侧选择车辆位于有碰撞风险障碍物未来预测中心线的一侧;当有多个障碍物有碰撞风险时,轨迹规划换道侧选择车辆位于所有碰撞风险障碍物中的最靠近避障区域边缘的远离未来预测的障碍物中心线的一侧;若避障区域有多个有碰撞风险的动态和静态障碍物,将所有静态障碍物中心线和所有未来预测动态障碍物中心线比较,轨迹规划换道侧选择最靠近避障区域边缘的障碍物中心线的一侧。
还应说明的是,系统会实时获取避障区域内的目标障碍物的坐标、速度以及外形轮廓信息,并为每个障碍物分配一个唯一的ID。这样可以有效地减少由于数据延迟和误差引起的问题,提高避障决策的精确性,实现实时性。
更进一步的,选择进行车辆轨迹规划的换道侧还包括确定换道侧后判断换道侧是否有存在危险障碍物,若存在危险障碍物则以最靠近避障区域边缘的障碍物中心线的一侧的障碍物平行的避障区域边缘坐标作为换道超车终点及起始点元素值,若不存在危险障碍物则以车辆靠近障碍物中心线最近的危险障碍物平行的避障区域边缘坐标作为换道超车终点及起始点元素值。
应说明的是,选择换道侧采取的是动态规划方法,动态规划可以有效地处理优化问题,既可以将大问题分解为小问题,并用小问题的输出构建大问题的输出,动态规划可以在多个可能的决策中选择出路径。在自动驾驶中,这意味着无论面临怎样的碰撞风险,动态规划都能找到最佳的换道策略,无论是选择远离障碍物的一侧、选择非危险障碍物数量多的一侧,还是选择危险障碍物相对车辆中心位置斜率最大的一侧,确定最优决策。在每一步都重新评估并更新最优决策,这使得它能够适应实时变化的环境,如新的障碍物出现或者现有障碍物的移动。这比现有的一些静态或预先规划的避障策略更加灵活且实时性更强。在面对多个障碍物时,通过分治思想可以分别对待不同的障碍物计算路线。
S3:构造轨迹规划起点和终点的拟合函数,计算输出换道超车轨迹规划结果。
更进一步的,构造轨迹规划起点和终点的拟合函数包括设置车辆转弯曲率、曲率变化率、与避障区域边缘距离以及横纵加速度限制条件,构造轨迹规划起点和终点的拟合曲线函数,智能网联自动驾驶车辆的最小转弯曲线半径取小型车6m,则最大转弯曲率为0.167m-1,实时曲率变化率最大值为0.03m-1/s,智能网联自动驾驶车辆的车头中心坐标与避障区域边缘距离存在安全边界距离,智能网联自动驾驶车辆在换道超车时的横向加速度最大值为0.5m/s,纵向加速度最大值为3m/s,确定限制条件后,规划曲线的离散点,离散点满足限制条件,将离散点拟合成一条避障优化轨迹曲线,当有多个备选点同时满足下一时刻的轨迹离散点限制约束时,选取曲率值最大的离散点作为优化轨迹。
应说明的是,计算输出换道超车轨迹规划结果包括判断车辆是否满足限制条件且与区域内所有碰撞物无碰撞风险;若未同时满足限制条件和区域内所有碰撞物无碰撞风险,则以所述的换道超车终点的车辆坐标值为换回本车道轨迹规划的起始点,并以所控车辆最远的有碰撞风险的障碍物的纵坐标或者预测纵坐标加上车车安全距离间隙为换回本车道轨迹规划终点的纵坐标,以换道超车前横坐标作为换回本车道轨迹规划终点的起始点横坐标值,以确保换道超车后的车辆可以按照原先车道继续行驶,更新后再次判断是否满足限制条件且与区域内所有碰撞物无碰撞风险,当车辆换回至终点横纵坐标时,车辆的避障过程全部完成;若满足限制条件且与区域内所有碰撞物无碰撞风险,则输出换道超车轨迹规划结果确定轨道规划的起点到本次更新的终点。
还应说明的是,如果在这个检查过程中发现车辆不能满足限制条件,或者有碰撞风险,那么就需要重新规划轨迹,把车辆从当前的换道超车轨迹引导回到原来的车道。这个新的规划轨迹的起始点是原来的换道超车规划坐标值,而终点是在原来车道上,并且尽可能远离避障区域内的障碍物。这样可以尽可能地减少与障碍物的碰撞风险。通过对车辆的限制条件和与障碍物的碰撞风险进行持续的检查和评估,并且在必要的时候,能够重新规划轨迹,将车辆引导回到原来的车道,即使在复杂和动态变化的道路环境中,也能够保证车辆的安全行驶。
实施例2
参照图2-图4,为本发明的一个实施例,提供了一种基于多目标识别的车辆动态轨迹拟合避障方法,为了验证本发明的有益效果,通过经济效益计算和仿真实验进行科学论证。
首先,准备两组车辆分别配置我方发明的基于多目标识别的车辆动态轨迹拟合避障系统和现有的深度学习车辆避障轨迹规划系统,每组10辆车进行对照试验,测试路段放入障碍物和移动障碍物仿真路中障碍车辆移动。
如表1辆避障轨迹规划性能对比表所示,我方发明采取设置障碍物ID、更新避障区域等方法显著提升实时性,根据轨迹规划必要区域内的障碍物信息特征,提前进行车辆轨迹规划换道侧的选择,这样可最多可减少一半的轨迹规划计算工作量并且可以同时处理多个障碍物。终点集为距离障碍物的位置坐标范围,根据换道精度及计算能力要求,灵活调整终点集内元素个数,降低计算工作量。构造轨迹规划起点和终点的拟合函数,设置避障轨迹规划必要区域,在该区域内进行轨迹规划,不在区域内则按上次轨迹规划结果行驶,这样在车辆行驶过程中,不需要实时激活轨迹规划算法,节省计算资源,无需采集过多的参数类型。
表1 辆避障轨迹规划性能对比表
从图2可以看出,虚线框内为避障区域,圆圈为障碍物,初步判断避障安全距离,当障碍物无碰撞风险,车辆会保持直线行驶不受障碍物干扰。
图3表示存在单个危险障碍物时,车辆通过向左侧车道变道,来实现规避碰撞风险。
图4表示多个危险障碍物对车辆行驶规划路径的影响,当出现多个危险障碍物时,车辆会依据行驶中心线两侧的危险障碍物数量制定左向的换道侧。
实施例3
参照图5,为本发明的一个实施例,提供了一种基于多目标识别的车辆动态轨迹拟合避障方法的系统,包括:环境感知与评估模块、路径决策模块、路径规划模块:
其中,环境感知与评估模块是一种收集周围环境信息并评估当前行驶轨迹的安全性的装置,用于感知周围环境的障碍物的速度和位置,结合所控车辆的速度和位置评估构建避障区域;路径决策模块是一种决策行驶路径的装置,基于环境感知与评估模块的结果进行行驶路径的决策,判断当前轨迹是否有碰撞风险,决策换道超车的终点及起始点;轨迹拟合模块是一种拟合构建轨迹的装置,用于输入限定条件规划离散点,构造轨迹规划起点和终点的拟合函数,计算输出换道超车轨迹规划结果。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于多目标识别的车辆动态轨迹拟合避障方法,其特征在于,包括:
采集车辆当前速度和位置 ,其中,X表示本车辆当前横坐标,Y表示本车辆当前纵坐标,指车头中心位置,V表示本车辆当前速度,确定避障区域/>,其中分别表示避障区域的左、右、上、下坐标值;
根据避障区域内的障碍物信息特征,选择进行车辆轨迹规划的换道侧;
构造轨迹规划起点和终点的拟合函数,计算输出换道超车轨迹规划结果。
2.如权利要求1所述的基于多目标识别的车辆动态轨迹拟合避障方法,其特征在于:所述采集车辆当前速度和位置确定避障区域包括判断所控车辆当前轨迹是否存在碰撞危险,若不存在碰撞危险则获取车辆当前车速和位置信息并根据所控车辆当前车速确定避障区域。
3.如权利要求2所述的基于多目标识别的车辆动态轨迹拟合避障方法,其特征在于:所述障碍物信息特征包括实时获取避障区域内的目标障碍物的坐标、速度以及外形轮廓信息,确定避障区域内障碍物并赋予每个障碍物唯一ID,并将所有的障碍物区分为静态障碍物集合和动态障碍物集合,基于ID将检测到的信息存储于静态障碍物矩阵表示为:
;
动态障碍物矩阵表示为:
;
其中,表示前方障碍物最左侧与车头中间点的横向距离,/>表示前方障碍物最右侧与车头中间点的横向距离,/>表示前方障碍物最前侧与车头中间点的纵向距离,/>表示前方障碍物最后侧与车头中间点的纵向距离,/>表示前方障碍物的运动速度矢量,在矩阵中运动速度矢量值为/>,/>表示前方障碍物的运动加速度矢量,在矩阵/>中运动加速度矢量值为/>;
若避障区域边缘出现不完整障碍物且障碍物为静态障碍物时,将原始避障区域边界沿障碍物不完整的一侧平移扩大避障区域,当障碍物的右半侧被包含在避障区域内,则将原避障区域左侧边界向左平移,直至将原避障区域边缘的不完整障碍物的左侧部分也完整地包含在避障区域内,并且预留与本车处于安全距离的间隙,左侧边界平移距离表示为:
;
完成避障区域范围更新后,重新确定避障区域;
若障碍物为动态障碍物,将原始避障区域边界进行平移,当障碍物的横向速度朝向障碍物突出的区域,则将原有避障区域边界沿着障碍物速度方向平移扩大避障区域,若障碍物的右半侧被包含在避障区域内,障碍物的横向速度向左,则原始避障区域左侧边界向左平移的距离表示为:
;
其中为动态障碍物的横向速度,/>为本车辆的纵向速度,完成避障区域范围更新后,重新确定避障区域障碍物;
若障碍物的横向速度朝向障碍物非突出的区域,则将原始避障区域边界根据障碍物的速度和车辆接近障碍物前方纵向位置时的大小来判断沿着障碍物速度方向平移扩大或缩小避障区域,当障碍物的右半部分被包含在避障区域内,障碍物的横向速度向右,判断横向距离,当横向距离表示为:
;
视为本车接近动态障碍物过程中,动态障碍物驶入原有避障区域并留有安全距离,则不平移原有避障区域,当横向距离表示为:
;
表示在本车接近动态障碍物过程中,动态障碍物无法完全驶入原有避障区域,则原有避障区域向左偏移,偏移距离表示为:
;
当横向距离表示为:
;
视为本车接近动态障碍物过程中,动态障碍物已完全驶入原始避障区域,则原始避障区域向右偏移,偏移距离表示为:
;
完成避障区域范围更新后,重新确定避障区域障碍物;
若更新后的避障区域边缘未出现不完整障碍物,对避障区域内的静态障碍物采取更新后的避障区域,对避障区域内的动态障碍物首先进行障碍物状态预测,当动态障碍物横向速度向右时,则障碍物的右侧横向坐标表示为:
;
判断障碍物左、右边缘位置,若障碍物横向位置表示为:
;
则无需更新避障区域,若障碍物横向位置表示为:
;
则将避障区域右侧边界向左平移,平移距离表示为:
;
若障碍物横向位置表示为:
;
则将避障区域右侧边界向右平移,平移距离表示为:
;
对每个障碍物区域取交集,形成最终的避障区域,获取所控车辆行驶轨迹结果,并离散化成位置信息。
4.如权利要求3所述的基于多目标识别的车辆动态轨迹拟合避障方法,其特征在于:所述选择进行车辆轨迹规划的换道侧包括当前轨迹无碰撞风险则重新采集车辆当前速度和位置规划避障区域,若当前轨迹存在碰撞风险则判断避障区域内存在障碍物的数量;
若避障区域仅有一个静态障碍物且有碰撞风险时,以单个障碍物的中心线为界限,轨迹规划换道侧选择车辆位于障碍物中心线的一侧;
若避障区域仅有一个动态障碍物且有碰撞风险时,以单个障碍物的中心线为界,预测障碍物中心线的未来到达位置,轨迹规划换道侧选择车辆位于障碍物未来预测的中心线的一侧;
若避障区域有多个静止障碍物但仅有一个障碍物有碰撞风险时,轨迹规划换道侧选择车辆位于有碰撞风险障碍物中心线的一侧;
当有多个障碍物有碰撞风险时,轨迹规划换道侧选择车辆位于所有碰撞风险障碍物中的最靠近避障区域边缘的远离障碍物中心线的一侧;
若避障区域有多个动态障碍物但仅有一个障碍物有碰撞风险时,轨迹规划换道侧选择车辆位于有碰撞风险障碍物未来预测中心线的一侧;
当有多个障碍物有碰撞风险时,轨迹规划换道侧选择车辆位于所有碰撞风险障碍物中的最靠近避障区域边缘的远离未来预测的障碍物中心线的一侧;
若避障区域有多个有碰撞风险的动态和静态障碍物,将所有静态障碍物中心线和所有未来预测动态障碍物中心线比较,轨迹规划换道侧选择最靠近避障区域边缘的障碍物中心线的一侧。
5.如权利要求4所述的基于多目标识别的车辆动态轨迹拟合避障方法,其特征在于:所述选择进行车辆轨迹规划的换道侧还包括确定换道侧后判断换道侧是否有存在危险障碍物,若存在危险障碍物则以最靠近避障区域边缘的障碍物中心线的一侧的障碍物平行的避障区域边缘坐标作为换道超车终点及起始点元素值,若不存在危险障碍物则以车辆靠近障碍物中心线最近的危险障碍物平行的避障区域边缘坐标作为换道超车终点及起始点元素值。
6.如权利要求1所述的基于多目标识别的车辆动态轨迹拟合避障方法,其特征在于:所述构造轨迹规划起点和终点的拟合函数包括设置车辆转弯曲率、曲率变化率、与避障区域边缘距离以及横纵加速度限制条件,构造轨迹规划起点和终点的拟合曲线函数,智能网联自动驾驶车辆的最小转弯曲线半径取小型车6m,则最大转弯曲率为0.167m-1,实时曲率变化率最大值为0.03m-1/s,智能网联自动驾驶车辆的车头中心坐标与避障区域边缘距离存在安全边界距离,智能网联自动驾驶车辆在换道超车时的横向加速度最大值为0.5m/s,纵向加速度最大值为3m/s,确定限制条件后,规划曲线的离散点,离散点满足限制条件,将离散点拟合成一条避障优化轨迹曲线,当有多个备选点同时满足下一时刻的轨迹离散点限制约束时,选取曲率值最大的离散点作为优化轨迹。
7.如权利要求6所述的基于多目标识别的车辆动态轨迹拟合避障方法,其特征在于:所述计算输出换道超车轨迹规划结果包括判断车辆是否满足限制条件且与区域内所有碰撞物无碰撞风险;
若未同时满足限制条件和区域内所有碰撞物无碰撞风险,则以换道超车终点的车辆坐标值为换回本车道轨迹规划的起始点,并以所控车辆最远的有碰撞风险的障碍物的纵坐标或者预测纵坐标加上安全距离间隙为换回本车道轨迹规划终点的纵坐标,以换道超车前横坐标作为换回本车道轨迹规划终点的起始点横坐标值,以确保换道超车后的车辆按照原始车道继续行驶,更新后再次判断是否满足限制条件且与区域内所有碰撞物无碰撞风险,当车辆换回至终点横纵坐标时,车辆的避障过程全部完成;
若满足限制条件且与区域内所有碰撞物无碰撞风险,则输出换道超车轨迹规划结果确定轨道规划的起点到本次更新的终点。
8.一种采用如权利要求1~7任一所述的基于多目标识别的车辆动态轨迹拟合避障方法的系统,其特征在于:包括,环境感知与评估模块、路径决策模块、轨迹拟合模块;
所述环境感知与评估模块是一种收集周围环境信息并评估当前行驶轨迹的安全性的装置,用于感知周围环境的障碍物的速度和位置,结合所控车辆的速度和位置评估构建避障区域;
所述路径决策模块是一种决策行驶路径的装置,基于环境感知与评估模块的结果进行行驶路径的决策,判断当前轨迹是否有碰撞风险,决策换道超车的终点及起始点;
所述轨迹拟合模块是一种拟合构建轨迹的装置,用于输入限定条件规划离散点,构造轨迹规划起点和终点的拟合函数,计算输出换道超车轨迹规划结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于多目标识别的车辆动态轨迹拟合避障方法的步骤。
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权利要求1至7中任一项所述的基于多目标识别的车辆动态轨迹拟合避障方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311644443.XA CN117341683B (zh) | 2023-12-04 | 2023-12-04 | 一种基于多目标识别的车辆动态轨迹拟合避障方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311644443.XA CN117341683B (zh) | 2023-12-04 | 2023-12-04 | 一种基于多目标识别的车辆动态轨迹拟合避障方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117341683A true CN117341683A (zh) | 2024-01-05 |
CN117341683B CN117341683B (zh) | 2024-04-23 |
Family
ID=89357833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311644443.XA Active CN117341683B (zh) | 2023-12-04 | 2023-12-04 | 一种基于多目标识别的车辆动态轨迹拟合避障方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117341683B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118010032A (zh) * | 2024-04-09 | 2024-05-10 | 中油管道物资装备有限公司 | 一种运输车路径规划方法、装置及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220055167A (ko) * | 2020-10-26 | 2022-05-03 | 주식회사 케이티 | 자율주행 로봇, 자율주행 로봇의 충돌 회피 방법 및 월드 맵 관리 방법 |
CN114610016A (zh) * | 2022-01-25 | 2022-06-10 | 合肥工业大学 | 基于障碍物动态虚拟膨胀的智能车辆避碰路径规划方法 |
CN115185271A (zh) * | 2022-06-29 | 2022-10-14 | 禾多科技(北京)有限公司 | 导航路径生成方法、装置、电子设备和计算机可读介质 |
WO2023024542A1 (zh) * | 2021-08-25 | 2023-03-02 | 驭势科技(北京)有限公司 | 车辆决策规划方法、装置、设备及介质 |
CN116118780A (zh) * | 2023-02-27 | 2023-05-16 | 重庆长安汽车股份有限公司 | 一种车辆避障轨迹规划方法、系统、车辆及存储介质 |
CN116225004A (zh) * | 2023-02-13 | 2023-06-06 | 山东大学 | 一种六轮独立驱动独立转向机器人的避障方法 |
CN116654017A (zh) * | 2023-06-30 | 2023-08-29 | 江苏大学 | 一种紧急工况下基于周车轨迹预测的智能汽车避撞决策与路径规划的方法、系统 |
-
2023
- 2023-12-04 CN CN202311644443.XA patent/CN117341683B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220055167A (ko) * | 2020-10-26 | 2022-05-03 | 주식회사 케이티 | 자율주행 로봇, 자율주행 로봇의 충돌 회피 방법 및 월드 맵 관리 방법 |
WO2023024542A1 (zh) * | 2021-08-25 | 2023-03-02 | 驭势科技(北京)有限公司 | 车辆决策规划方法、装置、设备及介质 |
CN114610016A (zh) * | 2022-01-25 | 2022-06-10 | 合肥工业大学 | 基于障碍物动态虚拟膨胀的智能车辆避碰路径规划方法 |
CN115185271A (zh) * | 2022-06-29 | 2022-10-14 | 禾多科技(北京)有限公司 | 导航路径生成方法、装置、电子设备和计算机可读介质 |
CN116225004A (zh) * | 2023-02-13 | 2023-06-06 | 山东大学 | 一种六轮独立驱动独立转向机器人的避障方法 |
CN116118780A (zh) * | 2023-02-27 | 2023-05-16 | 重庆长安汽车股份有限公司 | 一种车辆避障轨迹规划方法、系统、车辆及存储介质 |
CN116654017A (zh) * | 2023-06-30 | 2023-08-29 | 江苏大学 | 一种紧急工况下基于周车轨迹预测的智能汽车避撞决策与路径规划的方法、系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118010032A (zh) * | 2024-04-09 | 2024-05-10 | 中油管道物资装备有限公司 | 一种运输车路径规划方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117341683B (zh) | 2024-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110834644B (zh) | 一种车辆控制方法、装置、待控制车辆及存储介质 | |
JP6837558B2 (ja) | 自車両の制御方法及び自車両の制御システム | |
CN112334368A (zh) | 车辆控制系统及控制车辆运动的控制方法 | |
CN110268457B (zh) | 用于确定至少两个车辆的集体操纵的方法、计算机程序产品、计算机能读取的介质、控制器和包括该控制器的车辆 | |
CN111830979B (zh) | 一种轨迹优化方法和装置 | |
US20210387617A1 (en) | Method and Control Unit for Detecting a Vehicle Moving In or Out | |
WO2022053026A1 (zh) | 一种自动驾驶会车场景处理方法及其装置、车辆、存储介质 | |
CN112631276A (zh) | 一种无人车动态障碍决策方法、系统、介质及设备 | |
CN112829747A (zh) | 一种驾驶行为决策方法、装置及存储介质 | |
CN114829226A (zh) | 车辆控制方法、设备、存储介质和电子装置 | |
US20220392276A1 (en) | Vehicle behavior evaluation device, vehicle behavior evaluation method, and vehicle behavior evaluation program product | |
CN115179949A (zh) | 车辆的压速变道控制方法、装置、设备及存储介质 | |
Guo et al. | Toward human-like behavior generation in urban environment based on Markov decision process with hybrid potential maps | |
CN112415995A (zh) | 基于实时安全边界的规划控制方法 | |
CN114620070A (zh) | 行车轨迹规划方法、装置、设备及存储介质 | |
CN117341683B (zh) | 一种基于多目标识别的车辆动态轨迹拟合避障方法及系统 | |
JP7356892B2 (ja) | 車両の走行環境推定方法、及び、走行環境推定システム | |
CN116198542A (zh) | 自动驾驶无保护左转方法及系统 | |
US20220396290A1 (en) | Apparatus for Controlling Vehicle, System Including Same and Method Thereof | |
CN114067569B (zh) | V2x车联网环境下车辆左转辅助预警方法 | |
KR102602271B1 (ko) | 인공신경망을 이용한 주행 차량의 충돌 가능성 판단 방법 및 장치 | |
CN115683140A (zh) | 代客泊车循迹的过弯车速规划方法、系统、设备及介质 | |
CN115140048A (zh) | 一种自动驾驶行为决策与轨迹规划模型与方法 | |
CN111176285B (zh) | 一种行进路径规划的方法及装置、车辆、可读存储介质 | |
CN117413233A (zh) | 轨道计划装置 |
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 |