CN117950395A - 轨迹规划方法及装置、移动工具、存储介质 - Google Patents
轨迹规划方法及装置、移动工具、存储介质 Download PDFInfo
- Publication number
- CN117950395A CN117950395A CN202211314286.1A CN202211314286A CN117950395A CN 117950395 A CN117950395 A CN 117950395A CN 202211314286 A CN202211314286 A CN 202211314286A CN 117950395 A CN117950395 A CN 117950395A
- Authority
- CN
- China
- Prior art keywords
- slt
- information
- boundary
- constraint
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000003860 storage Methods 0.000 title claims description 17
- 238000006073 displacement reaction Methods 0.000 claims abstract description 90
- 230000004888 barrier function Effects 0.000 claims abstract description 47
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 63
- 230000001133 acceleration Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 230000036461 convulsion Effects 0.000 claims description 13
- 230000003068 static effect Effects 0.000 description 19
- 230000008447 perception Effects 0.000 description 15
- 230000000694 effects Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010408 sweeping Methods 0.000 description 4
- 238000011144 upstream manufacturing Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003121 nonmonotonic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开一种轨迹规划方法及装置，方法包括获取障碍物SLT空间投影信息、参考轨迹信息和目标参考线信息；基于障碍物SLT空间投影信息、参考轨迹信息和目标参考线信息确定SLT轨迹规划模型的约束条件，其中，所述SLT轨迹规划模型是基于SLT空间坐标系预先构建，其由在SLT空间坐标系的S方向上的第一位移方程和在SLT空间坐标系的L方向上的第二位移方程共同确定；根据所述约束条件和预先构建的目标优化函数对所述SLT轨迹规划模型求解，得到SLT轨迹信息。本发明的方案能够同时在横向和纵向两个维度上进行规划，以保证得到的最优解是在横向和纵向两个维度上均最优的结果，使得生成的轨迹更加安全和智能。
Description
技术领域
本发明涉及自动驾驶技术领域，尤其涉及一种轨迹规划方法、轨迹规划装置、以及移动工具和存储介质。
背景技术
人工智能是利用数字计算机或数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。自动驾驶是人工智能领域的一种主流应用，自动驾驶技术依靠计算机视觉、雷达、监控装置和全球定位系统等协同合作，让机动车辆可以在不需要人类主动操作下，实现自动驾驶。
在自动驾驶技术领域，在行驶过程中准确避开周围障碍物，是进行安全和高效行驶的基本前提，也是对自动驾驶技术的基本要求。而目前，准确避开周围障碍物的驾驶目标，主要是依靠可靠的自动驾驶轨迹规划算法基于上层感知信息和预测结果来实现的。但鉴于轨迹规划算法实现的复杂度，现有的轨迹规划都是被分解为路径规划和速度规划两部分分别进行的，一般为先进行路径规划，接着进行速度规划，最后再将两部分的结果进行合并以得到规划出的轨迹。但先进行路径规划再进行速度规划的技术方案无法在同一规划周期内充分考虑静态障碍物和动态障碍物对轨迹的影响，而且两者各自求解得到的结果分别只是其中一个维度(横向或者纵向)的最优解，并不能得到在横向和纵向两个方向上同时都为最优的真正的最优解。因此，这种轨迹规划方案规划出的轨迹容易导致自动驾驶工具在应对复杂场景时，会出现急刹或者行驶不够流畅的问题，严重影响自动驾驶工具的安全性和乘坐舒适性等。
发明内容
本发明实施例提供一种轨迹规划方案，以至少解决现有技术中采用对轨迹规划进行路径和速度两个维度分解规划，导致的难以同时在横纵两个方向求得最优解，使得规划出的轨迹的行驶体验不佳的问题。
第一方面，本发明实施例提供一种轨迹规划方法，其包括：
获取障碍物SLT空间投影信息、参考轨迹信息和目标参考线信息；
基于障碍物SLT空间投影信息、参考轨迹信息和目标参考线信息确定SLT轨迹规划模型的约束条件，其中，所述SLT轨迹规划模型是基于SLT空间坐标系预先构建，其由在SLT空间坐标系的S方向上的第一位移方程和在SLT空间坐标系的L方向上的第二位移方程共同确定；
根据所述约束条件和预先构建的目标优化函数对所述SLT轨迹规划模型求解，得到SLT轨迹信息。
第二方面，本发明实施例提供一种轨迹规划装置，其包括：
信息获取模块，用于获取障碍物SLT空间投影信息、参考轨迹信息和目标参考线信息；
约束确定模块，用于基于障碍物SLT空间投影信息、参考轨迹信息和目标参考线信息确定SLT轨迹规划模型的约束条件，其中，所述SLT轨迹规划模型是基于SLT空间坐标系预先构建，其由在SLT空间坐标系的S方向上的第一位移方程和在SLT空间坐标系的L方向上的第二位移方程共同确定；
模型求解模块，用于根据所述约束条件和预先构建的目标优化函数对所述SLT轨迹规划模型求解；
轨迹输出模块，用于根据求解出的SLT轨迹规划模型生成并输出SLT轨迹信息。
第三方面，本发明实施例提供了另一种轨迹规划装置，其包括：
存储器，用于存储可执行指令；以及
处理器，用于执行存储器中存储的可执行指令，所述可执行指令在由所述处理器执行时实现上述方法的步骤。
第四方面，本发明实施例提供了一种移动工具，其包括：
规划器，用于根据上述的方法进行轨迹规划得到SLT轨迹信息；和
控制器，用于根据所述规划器确定的SLT轨迹信息对移动工具进行控制。
第五方面，本发明提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
第六方面，本发明提供了一种计算机程序产品，其特征在于，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述的方法。
本发明实施例的有益效果在于：本发明实施例提供的方法通过在SLT空间坐标系构建由S方向和L方向的位移方程共同确定的SLT轨迹规划模型，使得在进行轨迹规划时，能够同时在横向和纵向两个维度上进行规划，以保证得到的最优解是在横向和纵向两个维度上均最优的结果，使得生成的轨迹更加安全、智能；并且，本发明实施例在进行轨迹规划时，同时考虑了障碍物SLT空间投影信息、参考轨迹信息和目标参考线信息对规划结果的影响，因而能够避免前端输入抖动对规划结果的不良影响，使得生成的轨迹的稳定性和灵活性都得到大幅提升。
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，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示意性地示出了本发明一实施方式的轨迹规划方法的流程图；
图2示意性地示出了将静态障碍物在Frenet坐标系中的投影结果拓展到SLT空间坐标系的展示效果；
图3示意性地显示了将动态障碍物在每个采样时刻在Frenet坐标系中的投影结果拓展到SLT坐标系的相应时间轴区域的展示效果；
图4示意性地显示了构建出的SLT轨迹规划模型形成的SL轨迹的展示效果；
图5示意性地显示了第一约束条件的确定方法流程图；
图6示意性地显示了得到的t＝t3时刻的第一约束边界和第二约束边界的展示效果；
图7示意性地显示了一种实施方式的第一约束条件的具体确定方法流程图；
图8示意性地示出了本发明一实施方式的轨迹规划装置的原理框图；
图9示意性地示出了本发明另一实施方式的轨迹规划装置的原理框图；
图10示意性地示出了本发明另一实施方式的移动工具的原理框图；
图11示意性地示出了本发明的轨迹规划装置的一实施例的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
在本发明中，“模块”、“装置”、“系统”等指应用于计算机的相关实体，如硬件、硬件和软件的组合、软件或执行中的软件等。详细地说，例如，元件可以、但不限于是运行于处理器的过程、处理器、对象、可执行元件、执行线程、程序和/或计算机。还有，运行于服务器上的应用程序或脚本程序、服务器都可以是元件。一个或多个元件可在执行的过程和/或线程中，并且元件可以在一台计算机上本地化和/或分布在两台或多台计算机之间，并可以由各种计算机可读介质运行。元件还可以根据具有一个或多个数据包的信号，例如，来自一个与本地系统、分布式系统中另一元件交互的，和/或在因特网的网络通过信号与其它系统交互的数据的信号通过本地和/或远程过程来进行通信。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”，不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明实施例中的轨迹规划方法可以应用在轨迹规划装置中，以使得用户或自动驾驶设备能够利用轨迹规划装置来获取轨迹规划结果，以控制自动驾驶设备根据该规划结果执行相应的行驶动作。这些轨迹规划装置例如包括但不限于自动驾驶车辆上的规划器、智能平板、个人PC、计算机、云端服务器等。特别地，本发明实施例中的轨迹规划方法还可以直接应用在自动驾驶车辆等自动驾驶设备上，本发明对此不作限定。
图1示意性地显示了根据本发明一实施方式的轨迹规划方法，该方法的执行主体可以为自动驾驶车辆上的规划器或控制器，也可以为智能平板、个人PC、计算机、云端服务器等轨迹规划装置的处理器，还可以为诸如无人清洁车、无人扫地车、扫地机器人、自动驾驶车辆等自动驾驶设备的处理器，本发明实施例不对此进行限制。如图1所示，本发明实施例的方法包括：
步骤S11：获取障碍物SLT空间投影信息、参考轨迹信息和目标参考线信息；
步骤S12：基于障碍物SLT空间投影信息、参考轨迹信息和目标参考线信息确定SLT轨迹规划模型的约束条件，其中，所述SLT轨迹规划模型是基于SLT空间坐标系预先构建，其由在SLT空间坐标系的S方向上的第一位移方程和在SLT空间坐标系的L方向上的第二位移方程共同确定；
步骤S13：根据所述约束条件和预先构建的目标优化函数对所述SLT轨迹规划模型求解，得到SLT轨迹信息。
在步骤S11中，可以通过前置模块或存储器来直接获取障碍物SLT空间投影信息、参考轨迹信息和目标参考线信息。在优选实施方式中，还可以基于前置模块获取到的感知信息、预测信息和高精度地图等上游信息，来构建生成障碍物SLT空间投影信息。其中，障碍物SLT空间投影信息是指将障碍物的多帧历史感知信息和对障碍物的预测信息投影到SLT空间坐标系中得到的投影信息。其中，SLT空间坐标系是在Frenet坐标系的基础上增加了时间维度而形成的三维空间坐标系，该坐标系中的坐标(t,l,s)用于表示t时刻到达与当前参考线纵向距离为s且横向距离为l的坐标点，该坐标系的坐标原点为当前时刻参考线上的距离自车最近的点。Frenet坐标系是使用道路的中心线作为参考线、使用参考线的切线向量和法线向量作为S轴和L轴建立的坐标系，其以车辆为原点，将车辆的运动划分为两个相互垂直的分量，纵向S表示沿着参考线的方向，横向L表示参考线的法线方向，由此就可以使用纵向距离和横向距离来描述任意位置，同时也使得便于计算纵向和横向的速度、加速度、加加速度等信息。在SLT空间坐标系中的障碍物投影信息作为决策规划的基础，需要包含感知、预测及高精度地图等上游信息，为了简化计算会对该空间进行栅格化处理，以基于栅格化结果进行后续处理。优选地，基于前置模块获取到的感知信息、预测信息和高精度地图等上游信息，来构建生成障碍物SLT空间投影信息具体可以实现为包括：首先，对SLT空间坐标系中的目标区域对应的空间进行栅格化；接着，根据静态障碍物的多帧历史感知信息，将静态障碍物在Frenet坐标系中的投影结果拓展到SLT空间坐标系的整个时间轴；然后，根据动态障碍物的多帧历史感知信息和预测信息，对动态障碍物进行采样，并将动态障碍物在每个采样时刻在Frenet坐标系中的投影结果拓展到SLT坐标系的相应时间轴区域；最后，根据感知信息和高精度地图为每个栅格添加对应的地图元素，如参考线编号、边界信息以及车道线类型等地图元素，由此以构建出障碍物SLT空间投影信息。其中，图2示意性地显示了将静态障碍物在Frenet坐标系中的投影结果拓展到SLT空间坐标系的整个时间轴的展示效果，如图2所示，在对静态障碍物O1进行投影时，是将静态障碍物O1拓展到SLT空间坐标系的整个时间轴t上，以此表示静态障碍物长时间占据某个区域的特征。图3示意性地显示了将动态障碍物在每个采样时刻在Frenet坐标系中的投影结果拓展到SLT空间坐标系的相应时间轴区域的展示效果，如图3所示，本发明实施例根据预测信息对动态障碍物O2的信息进行了四次采样，由于动态障碍物O2在不同时刻位于不同的位置，因此在每个采样时刻，动态障碍物O2在对应的占据区域是动态变化的，本发明实施例通过基于预测信息进行采样，将在不同采样时刻的动态障碍物O2在Frenet坐标系中的投影结果拓展到SLT坐标系的相应时间区域，由此通过多次采样的投影结果共同组成动态障碍物在SLT空间坐标系中的占据区域。作为一种优选实施方式，构建出的障碍物SLT空间投影信息设置为包括有所有障碍物，包括真实障碍物(如动静态障碍物)以及虚拟障碍物(如红灯等)，在不同t时刻所占据的sl空间，其中该sl空间由时刻t、在时刻t的s值范围和l值范围共同限定。作为另一优选实施方式，构建出的障碍物SLT空间投影信息还可以包括有所有障碍物，包括真实障碍物(如动静态障碍物)以及虚拟障碍物(如红灯等)，在不同t时刻所占据的sl空间的占据概率。作为一种可能的实施方式，构建出的障碍物SLT空间信息可以是一个以C++类形式创建的对象，该对象包含的内容具有上述障碍物占据信息(即不同t时刻所占据的sl空间及其占据概率)、栅格信息和地图元素等信息，并且该对象对外提供访问接口，该接口的输入为坐标(t,s,l),输出为该位置对应的栅格的栅格属性，栅格属性示例性地可以为包括该栅格是否被障碍物占据、被什么类型的障碍物占据、以及其占据概率，在是否被障碍物占据这一信息的取值为否时，该栅格属性信息就表征了对应的栅格是道路栅格，具有可通行属性，而在是否被障碍物占据这一信息取值为是时，该栅格属性信息就能够表征对应的栅格是什么类型的障碍物栅格，相应地，其就具有了不可通行属性，由此，通过障碍物SLT空间投影信息就可以获知t时刻哪些sl空间是被占据的，以使得能够根据障碍物SLT空间投影信息确定出可通行SLT空间，并在可通行SLT空间进行轨迹规划，提升规划出的规划的可执行性。其中，障碍物SLT空间投影信息通过障碍物在相应栅格的占据概率来表征相应位置的栅格被障碍物占据的可能性的，占据概率越高表明相应位置的栅格被障碍物占据的可能性越大，具体可以根据障碍物的感知信息和预测信息为各个栅格设置占据概率，如对于静态障碍物，可以根据感知信息将其占据的栅格的占据概率设置为1，对于动态障碍物可以根据感知信息和预测信息来预测其占据某一栅格的可能性进而为其设置相符的占据概率。
其中，参考轨迹信息和目标参考线信息优选是通过将障碍物SLT空间投影信息预先输入至前置的决策模块，由前置的决策模块基于输入的障碍物SLT空间投影信息输出的决策结果，其中决策模块可以采用现有的决策模块或对现有决策模型进行训练调整以使得其能够基于输入的障碍物SLT空间投影信息输出包含参考轨迹信息和目标参考线信息的决策结果，其训练方式可以参照现有技术，本发明实施例对决策模块的具体实现不做详细阐述。由于本发明实施例是综合障碍物多帧历史信息累计构建出的障碍物SLT空间投影信息，其包含了所有障碍物不同t时刻的sl空间占据信息，因而以障碍物SLT空间投影信息作为输入，既能够避免前端输入抖动造成的轨迹不稳的影响，又能够实现在可通行空间内进行决策规划，因而使得决策模块输出的决策结果的参考性更高。优选地，参考轨迹信息是n个离散点组成的点集合，其中的每个离散点均通过SLT坐标系中的坐标(t,s,l)表示；目标参考线信息为高精度地图上储存的道路中心线，通过组成道路中心线的点集在高精度地图上的坐标(x,y)表示。由此，以参考轨迹信息用Traj_ref标识，目标参考线信息用Path_ref标识为例，参考轨迹信息和目标参考线信息具体可以表示为：
Traj_ref＝(t,s,l)＝{(t0,s0,l0),(t1,s1,l1),...,(ti,si,li),...,(tn,sn,ln)|0＜＝i＜＝n,0＜＝ti＜＝8}
Path_ref＝(x,y)＝{(x0,y0),(x1,y1),...,(xi,yi),...,(xn,yn)|0＜＝i＜＝n}
在步骤S12中，SLT轨迹规划模型是基于上述建立的SLT空间坐标系预先构建的，其能够用于同时表征在纵向和横向两个维度的规划。作为一种优选实施方式，可以将自动驾驶车辆的运动轨迹划分为包括沿参考线法向方向(即L方向)的位移和沿参考线切线方向(即S方向)的位移，并分别建立沿参考线法向方向的位移方程(本发明实施例称之为第二位移方程)和沿参考线切线方向的位移方程(本发明实施例称之为第一位移方程)。示例性地，第一位移方程和第二位移方程均可以选取线性方程实现，具体地，第一位移方程可以实现为如下所示：
s＝f2(t)＝b5t5+b4t4+b3t3+b2t2+b1t+b0,0＜＝t＜＝tmax
第二位移方向可以实现为如下所示：
l＝f1(t)＝a5t5+a4t4+a3t3+a2t2+a1t+a0,0＜＝t＜＝tmax
为了使得构建出的SLT轨迹规划模型能够同时在S方向和L方向两个维度进行规划，本发明实施例是基于在SLT空间坐标系的S方向上的第一位移方程和在SLT空间坐标系的L方向上的第二位移方程共同出SLT轨迹规划模型的。示例性地，可以将SLT轨迹规划模型表示为在L方向和S方向两个维度上的合位移，由此构建出的SLT轨迹规划模型可以实现为如下所示：
(s,l)＝f3(t)＝{(s,l)|s＝f2(t),l＝f1(t),0＜＝t＜＝tmax}
图4示意性地显示了构建出的SLT轨迹规划模型形成的SL轨迹的展示效果，如图4所示，基于第一位移方程在ST平面内能够限定出第一位移曲线，例如图中的f2曲线，基于第二位移方程在LT平面内能够限定出第二位移曲线，例如图中的f1曲线，二者分别表征了在S方向或L方向上的位移轨迹，而通过将两个方向的位移进行合并形成的合位移则能够同时体现两个维度的位移轨迹，如图中的合并后的SLT轨迹即是基于构建的SLT轨迹规划模型对f1曲线和f2曲线进行合并后生成的轨迹曲线，由此，在对SLT轨迹规划模型求解时，得到的轨迹曲线就同时考虑了S方向和L方向两个维度的信息，因而能够规划出在两个方向上均最优的轨迹结果，保证规划出的轨迹曲线的稳定性和安全性。需要说明的是，在上述位移方程和SLT轨迹规划模型中，t的取值范围是根据经验设置的经验值，该取值范围的最大值tmax与自动驾驶车辆的控制模块需要用到的轨迹长度有关，该最大值取值的大小能够表征同样速度下控制模块所能用到的轨迹的长度，即tmax的取值越大，表明同样速度下，控制模块所能用到的轨迹越长，但由于控制模块用到的轨迹长度与计算资源的消耗呈正相关，即越长的轨迹、消耗的计算资源越多，因而综合控制模块对轨迹长度的需求以及节约计算资源的考虑，一般取t的最大值tmax为8s，并在该范围内进行轨迹规划，可以理解的是，在其他实施方式中，t的最大值也可以根据需求或期望进行相应调整。
为了对构建出的SLT轨迹规划模型求得最优的轨迹结果，在本发明实施例中，还会对SLT轨迹规划模型确定约束条件和优化目标。其中，如步骤S12所示，本发明实施例具体是基于障碍物SLT空间投影信息、参考轨迹信息和目标参考线信息来确定SLT轨迹规划模型的约束条件的。由于本发明实施例的障碍物SLT空间投影信息同时包括了所有障碍物的空间占据信息，如静态障碍物和动态障碍物等真实障碍物的投影信息、以及如红灯等地图元素中的虚拟障碍物的投影信息，因而基于障碍物SLT空间投影信息来确定约束条件，就能够同时考虑空间内所有障碍物特别是静态障碍物以及动态障碍物对规划的影响，使得轨迹规划是在可通行空间内进行的，保证生成的轨迹可执行性和灵活性。另外，本发明实施例在确定约束条件时，在基于障碍物SLT空间投影信息的基础上，还考虑了参考轨迹信息和目标参考线信息，因而能够在决策模块输出的参考轨迹附近搜索到满足非碰撞条件的可通行SLT空间，以在此空间约束下来寻找最优解，从而使得决策结果和规划结果具备较高的一致性，进而保证规划出的轨迹的稳定性和有效性。
作为一种优选实施例，步骤S12中确定出的约束条件可以实现为包括用于在S方向和L方向上对轨迹进行规划边界约束的第一约束条件，具体地，可以通过利用参考轨迹信息、目标参考线信息和障碍物SLT空间投影信息在SLT空间坐标系上搜寻可通行SLT空间的方式来确定用于第一位移方程的第一约束边界和用于第二位移方程的第二约束边界，从而得到第一约束条件。图5示意性地显示了第一约束条件的确定方法流程，如图5所示，其具体包括：
步骤S121：基于参考轨迹信息、障碍物SLT空间投影信息、预设的S方向边界和预设的搜索步长确定出用于第一位移方程的第一约束边界；
步骤S122：基于参考轨迹信息、障碍物SLT空间投影信息、目标参考线信息和预设的搜索步长确定出用于第二位移方程的第二约束边界。
作为一种优选实施方式，第一约束边界和第二约束边界均实现为包括在时刻t对应的上边界和下边界。具体地，在步骤S121和步骤S122中，可以自SLT空间坐标系的t＝0的时刻开始，根据预设的搜索步长对时刻t每次增加一个搜索步长，并在得到的每个时刻t下分别执行以下搜索过程，直到t>＝tmax，以确定出第一约束边界和第二约束边界：
根据当前时刻t从参考轨迹信息中获取当前时刻t对应的参考轨迹点Ref_Point_slt＝(t,s,l)，将参考轨迹点Ref_Point_slt所在的SL平面作为当前时刻t对应的SL平面，在当前时刻t对应的SL平面上，分别沿S方向的正方向和负方向、以及L方向的正方向和负方向进行搜索，以在S方向的正方向上确定出第一约束边界的上边界，在S方向的负方向上确定出第一约束边界的下边界，并在L方向的正方向上确定出第二约束边界的上边界，在L方向的负方向上确定出第二约束边界的下边界。
作为一种优选实施方式，第一约束边界在时刻t对应的上边界可以实现为时刻t对应的参考轨迹信息中的参考轨迹点所在的SL平面上的S正方向上的预设最大边界或占据概率最大的栅格的S值，第一约束边界在时刻t对应的下边界可以实现为时刻t对应的参考轨迹信息中的参考轨迹点所在的SL平面上的S负方向上的预设最小边界或占据概率最大的栅格的S值。第二约束边界在时刻t对应的上边界可以实现为时刻t对应的参考轨迹信息中的参考轨迹点所在的SL平面上的L正方向上的最大边界或占据概率最大的栅格的L值，第二约束边界在时刻t对应的下边界可以实现为时刻t对应的参考轨迹信息中的参考轨迹点所在的SL平面上的L负方向上的最小边界或占据概率最大的栅格的L值。
作为另一种优选实施方式，第一约束边界在时刻t对应的上边界可以实现为时刻t对应的参考轨迹信息中的参考轨迹点所在的SL平面上的S正方向上的预设最大边界或占据概率首次达到预设值的栅格的S值，第一约束边界在时刻t对应的下边界可以实现为时刻t对应的参考轨迹信息中的参考轨迹点所在的SL平面上的S负方向上的预设最小边界或占据概率首次达到预设值的栅格的S值。第二约束边界在时刻t对应的上边界可以实现为时刻t对应的参考轨迹信息中的参考轨迹点所在的SL平面上的L正方向上的最大边界或占据概率首次达到预设值的栅格的L值，第二约束边界在时刻t对应的下边界可以实现为时刻t对应的参考轨迹信息中的参考轨迹点所在的SL平面上的L负方向上的最小边界或占据概率首次达到预设值的栅格的L值。示例性地，图7示出了图5中步骤S121和步骤S122的一种可能的方法流程，如图7所示，具体可以为在Ref_Point_slt点所在的SL平面上(即当前时刻t对应的SL平面上)，先沿S方向的正方向执行第一搜索，在执行第一搜索的过程中，在首次碰到占据概率达到预设值的栅格或者到达S方向的最大边界时，则返回该栅格或最大边界对应的S值作为当前时刻t的S方向上第一约束边界的上边界s_max；之后再沿S方向的负方向执行第二搜索，在执行第二搜索的过程中，在首次碰到占据概率达到预设值的栅格或者到达S方向的最小边界时，则返回该栅格或最小边界对应的S值作为当前时刻t的S方向上第一约束边界的下边界s_min；接着，沿L方向的正方向执行第三搜索，在执行第三搜索的过程中，在首次碰到占据概率达到预设值的栅格或者到达L方向的最大边界时，则返回该栅格或最大边界对应的L值作为当前时刻t的L方向上第二约束边界的上边界l_max；最后，沿L方向的负方向执行第四搜索，在执行第四搜索的过程中，在首次碰到占据概率达到预设值的栅格或者到达L方向的最小边界时，则返回该栅格或该最小边界对应的L值作为当前时刻t的L方向上第二约束边界的下边界l_min。其中，进行的第一搜索、第二搜索、第三搜索和第四搜索可以为：在Ref_Point_slt点所在的SL平面内，按照各搜索对应的搜索方向依次选取相应平面内的坐标点(t,s,l)，并对选取的相应平面内的坐标点(t,s,l)，基于障碍物SLT空间投影信息来判断其对应的栅格的占据概率，接着判断该栅格的占据概率是否达到的预设值，并根据对占据概率的判断结果确定是继续进行下一个坐标点的搜索(在占据概率没达到预设值且该点对应的栅格并非是相应搜索方向上的边界时，继续进行下一个坐标点的搜索)或还是确定出相应方向边界值(在占据概率首次达到预设值或该点对应的栅格时相应搜索方向上的边界时，停止该搜索方向上的搜索，并确定出该搜索方向上的边界值)，直至在该SL平面内确定出第一约束边界和第二约束边界。占据概率的预设值可以根据需求或期望进行设置，示例性地，在占据概率的取值范围设置为[0,1]时，该预设值可以设置为0.8。可以理解的是，在S方向和L方向上执行搜索的顺序、以及在S方向上执行第一搜索和第二搜索、在L方向上执行第三搜索和第四搜索的顺序均不做限定，在其他实施方式中也可以先进行L方向的搜索，再进行S方向的搜索，或者先进行负方向的搜索，再进行正方向的搜索等。由此，通过在由参考轨迹信息中的参考轨迹点确定的SL平面内执行上述搜索过程，并结合障碍物SLT空间投影信息，就能在相应平面内找到可通行区域，并将可通行区域作为进行轨迹规划的约束边界，以提高规划出的轨迹的可执行性。
作为一种可选实施方式，预设的S方向边界、预设的搜索步长和L方向边界均可以根据需求设定，其中，S方向上的最大边界跟最高巡航车速以及规划的总时间(由SLT轨迹规划模型对应的t的取值范围决定)相关，优选设置为不小于基于最高巡航车速及规划的总时间确定出的最大位移，以城区工况为例，其一般最高巡航车速为60km/h，如果以前述的示例中设置的t取值范围为0≤t≤8即总时间长度为8s为例，自车在8s内最大的位移为60/3.6*8＝133.3，因此示例性地，以城区工况为例，可以将S方向上的最大边界设为150m，S方向上的最小边界可以设为0m，搜索步长可以设置为1。优选地，L正方向上的最大边界和L负方向上的最小边界均可以根据目标参考线信息确定，示例性地，L方向的最大边界可以设为目标参考线的左边界，相应地，L方向的最小边界可以设为目标参考线的右边界。
由此，通过以预设的搜索步长在0≤t≤8的范围内依次对每个时刻t，基于参考轨迹信息和障碍物ST空间投影信息在相应参考轨迹点所在的SL平面内进行可通行区域搜索，即可确定出第一约束边界和第二约束边界，该约束边界由于考虑了静态及动态障碍物的感知信息和预测信息，因而以此作为轨迹约束条件，能够保证确定出的轨迹的可执行性和合理性。其中，图6示意性地显示了通过上述方法得到的t＝t3时刻的第一约束边界和第二约束边界的展示效果，如图6所示，在t＝t3时刻的参考线轨迹点Ref_Point_slt对应的SL平面M上，确定出的第一约束边界和第二约束边界组成的第一约束条件为由(s_max，s_min，l_max，l_min)定义的SL边界。
作为一种优选实施方式，在步骤S12中确定出的约束条件除了包括用于表示SL边界的第一约束条件外，还可以进一步包括用于对轨迹的加速度进行约束的第二约束条件，其可以实现为具有用于第一位移方程的第一加速度边界和用于第二位移方程的第二加速度边界；用于对轨迹的速度边界进行约束的第三约束条件；用于对轨迹的起始点进行约束的第四约束条件，其可以实现为具有用于第一位移方程的第一起始点约束和用于第二位移方程的第二起始点约束；用于对第二位移方程的单调性进行约束的第五约束条件；和用于对轨迹进行运动学约束的第六约束条件。以下将对其他约束条件进行说明。
其中，第二约束条件对轨迹的加速度边界进行限定，以使得规划出的轨迹是符合车辆的运动学和动力学约束的，从而进一步提高规划出的轨迹的可执行性，基于此，可以基于车辆本身的动力学及运动学约束来设置S方向和L方向上的加速度边界，示例性地，以第一加速度边界设置为as＝(as_min,as_max)，第二加速度边界设置为al＝(al_min,al_max)为例，对SL轨迹规划模型的第二约束则实现为由该加速度范围限制，即有：
as_min＜＝f2”(t)＜＝as_max，其中，f2”(t)为S方向上t时刻的加速度；
al_min＜＝f1”(t)＜＝al_max，其中，f1”(t)为L方向上t时刻的加速度；
第三约束条件对轨迹的速度边界进行限定，其中，这里的速度是指基于S方向和L方向的位移方程确定出的合速度，其可以通过公式计算得到，其中，κr为沿着参考线方向即S方向上的曲率，f2'(t)为S方向上t时刻的速度，f1'(t)为L方向上t时刻的速度。在一种可能的实施方式中，合速度的最大速度边界可以基于最大巡航速度来确定，其中，最大巡航速度可以基于车辆的最高车速和道路限速确定，其可以设置为车辆的最高车速，也可以设置为道路限速时，只要能够满足使得基于用于规划的最大巡航速度规划出的轨迹是满足道路限速要求的即可，由此以避免超速等违规驾驶行为的发生。以最大巡航速度为v_cruise为例，对SL轨迹规划模型的第三约束可以实现为由如下速度范围限制：
第四约束条件对轨迹的起始点的约束进行限定，以保证每一帧规划出来的轨迹跟上一帧轨迹在时间维度上是连续的。其中，对S方向上的起始点的约束可以基于其零阶导、一阶导和二阶导来确定，对L方向上的起始点的约束则可以基于其零阶导、一阶导和二阶导来确定，以S方向上的起始点s的零阶导、一阶导、二阶导分别为(s0,ds0,dds0)，L方向上的起始点l的零阶导、一阶导、二阶导分别为(l0,dl0,ddl0)为例，对SL轨迹规划模型的第四约束则可以实现为由如下起始点约束限制：
f1(t0)＝l0
f1'(t0)＝dl0
f1”(t0)＝ddl0
f2(t0)＝s0
f2'(t0)＝ds0
f2”(t0)＝dds0
第五约束条件对S方向上的单调性进行限定，其中，优选地，基于S方向上的s值的物理意义(即沿车道中心线的位移)，可以将S方向上的单调性限制为S值为非单调递减的，即随着时间的推移S值的增长量不能为负值，以使其符合车辆动力学特性，由此，对SL轨迹规划模型的第五约束则可以实现为由如下约束限制：
f2(ti-1)＜＝f2(ti)
第六约束条件对轨迹的运动学约束进行限定，以使得规划出来的轨迹是符合运动学约束的，即使得规划出的轨迹是真正有效的、可控的，从而使车辆的控制模块能够直接按照规划的轨迹控制自车进行安全行驶。其中，优选地，可以将运动学约束设置为包括基于位移变化的第一约束、基于最大前轮转角的第二约束和基于最大方向盘转角速率的第三约束。示例性地，对于第一约束可以设置为当切线方向(即S方向)的位移维持不变即速度为零时，法向方向(即L方向)的位移也不再变化，即将第一约束设置为法向方向的位移变化小于等于切线方向的变化，其中切线方向的位移变化可以通过第一位移方程的一阶导表示，法线方向的位移变化可以通过第二位移方程的一阶导表示；对于第二约束可以设置为使得最大前轮转角不大于预设的最大前轮转角，其中，最大前轮转角可以通过公式arcta(nf1'(t)/f2'(t))确定，预设的最大前轮转角可以用θ表示；对于第三约束可以设置为使得最大方向转角速率不大于预设的最大方向转角速率，其中，最大方向转角速率可以通过公式确定，预设的最大方向转角速率可以用ω表示。由此，对SL轨迹规划模型的第六约束则可以实现为由如下约束限制：
f2'(t)-f1'(t)≤0
arctan(f1'(t)/f2'(t))＜＝θ
在步骤S13中，目标优化函数基于用于表示规划出的轨迹与所述参考轨迹信息的贴近程度的第一成本函数、用于表示规划出的轨迹在SLT空间坐标系的S方向上的加加速度值的第二成本函数、用于表示规划出的轨迹在SLT空间坐标系的L方向上的加加速度值的第三成本函数、和用于表示规划出的轨迹与障碍物之间在远离障碍物方向上的距离的第四成本函数预先构建好的。示例性地，构建的目标优化函数可以表示为各个成本函数的代价值之和。在优选实施方式中，可以分别为不同的成本函数分配相应的权重，并基于成本函数和为其分配的权重来构建目标优化函数。以第一成本函数由Cost_1表示、第二成本函数由Cost_2表示、第三成本函数由Cost_3表示、第四成本函数由Cost_4表示、为第一成本函数分配的权重为w0、为第二成本函数分配的权重为w1、为第三成本函数分配的权重为w2、为第四成本函数分配的权重为w3为例，构建的目标优化函数J可以通过以下公式表示：
J＝w0*Cost_1+w1*Cost_2+w2*Cost_3+w3*Cost_4
作为一种优选实施方式，具体地，第一成本函数用于表示SL轨迹规划模型确定出的SL轨迹与所述参考轨迹信息的贴近程度，可以通过SL轨迹和参考轨迹信息中的相应位置的轨迹路点之间的偏差的累计结果来确定第一成本函数，示例性地，第一成本函数可以由以下公式定义：
第二成本函数可以由第一位移方程的二阶导数在相应的时刻范围内的累计结果来确定，示例性地，第二成本函数可以由以下公式定义：
第三成本函数可以由第二位移方程的二阶导数在相应的时刻范围内的累计结果来确定，示例性地，第三成本函数可以由以下公式定义：
第四成本函数可以基于第二约束边界和障碍物边界确定，其中，障碍物边界用于指示第二约束边界中的最大边界和最小边界对应的栅格是否为被障碍物占据的栅格。作为一种优选实施方式，可以在上述步骤S122中，在确定每个时刻t对应的SL平面上的L方向上的最大边界和最小边界的同时，进一步还根据用于确定边界值的每个栅格的栅格属性(该栅格属性可以基于障碍物SLT空间投影信息来确定，其能够标识出某一栅格具体对应的可通行属性，如是道路还是什么类型的障碍物等)来确定最大边界和最小边界是否为障碍物边界，或者也可以根据确定边界值的方式来确定最大边界和最小边界是否为障碍物边界，即如果相应边界是基于占据概率符合预设值的栅格对应的S值确定出的，则认为该边界为障碍物边界，否则不是障碍物边界。其中，远离障碍物的方向在本发明实施例中即是指远离障碍物边界的方向，示例性地，如果第二约束边界中的某一个边界是障碍物边界，另一边界不是障碍物边界，那么不是障碍物边界的方向就是远离障碍物的方向，如果两个边界都是障碍物边界，则远离障碍物的方向就是指两个边界的中间位置所在的方向。以t时刻对应的第二约束边界为(l_min,l_max)、l_min为L方向上的最小边界、l_max为L方向上的最大边界为例，示例性地，根据障碍物边界的判断结果，在最小边界为障碍物边界、最大边界不是障碍边界时，第四成本函数可以由以下公式定义：
在最大边界为障碍物边界、最小边界不是障碍物边界时，第四成本函数可以由以下公式定义：
在最大边界和最小边界均为障碍物边界时，第四成本函数可以由以下公式定义：
在最大边界和最小边界均不是障碍物边界时，第四成本函数可以直接设置为Cost_4＝0。
作为一种优选实施方式，在步骤S13中，可以将对目标优化函数的优化目标设置为使得目标优化函数输出的总成本取值最小化，并基于该优化目标，在经由步骤S12确定的约束条件范围内，对构建的目标优化函数求最优解，从而得到第一位移方程和第二位移方程的最优参数集合，即得到第二位移方程的f1(t)的最优参数集合A＝{a0,a1,a2,a3,a4,a5}以及第一位移方程f2(t)的最优参数集合B＝{b0,b1,b2,b3,b4,b5}。由此，就实现了对基于第一位移方程和第二位移方程确定出的SLT轨迹规划模型的求解，从而得到基于SLT轨迹规划模型确定出的SLT轨迹信息，其中，SLT轨迹信息优选是由一系列轨迹点坐标(f2(t)，f1(t))组成。
在其他优选实施方式中，确定出的SLT轨迹信息还可以实现为在包括轨迹点坐标(f2(t)，f1(t))序列的基础上，还进一步包括有各轨迹点上的速度、加速度和加加速度，以提高确定出的轨迹信息的参考价值。其中，各轨迹点上的速度可以通过公式计算得到,加速度可以通过公式a＝dv/dt计算得到，加加速度可以通过公式jerk＝da/dt计算得到。
在另一优选实施方式中，还可以进一步对经由SLT轨迹规划模型确定出的SLT轨迹信息中的轨迹点坐标(f2(t)，f1(t))进行坐标转换，以将其转换到笛卡尔坐标系下，进而通过轨迹点在笛卡尔坐标系下的xy坐标来表示轨迹信息的轨迹点坐标序列，以使得规划出的SLT轨迹信息能够直接被车辆的控制模块用于进行自车行驶控制。具体地，可以通过目标参考线信息Path_ref以及frenet坐标系以及笛卡尔坐标系的转换公式得到笛卡尔坐标系下的xy坐标，进行坐标转换的过程和转换公式可以参照现有技术进行实现，本发明实施例在此不赘述。
本发明实施例基于SLT三维空间提供了一种横纵向耦合的轨迹规划方案，能够基于障碍物SLT空间投影信息和参考轨迹信息同时进行横向和纵向规划的，且是以尽可能贴近参考轨迹信息为优化目标的，因而规划出的轨迹能够同时保证在横向和纵向上均是最优的，提高了轨迹规划的合理性和与决策结果的较高一致性。并且，本发明实施例的方案将感知信息和预测信息精确转换为SLT三维空间的空间投影信息，以通过SLT三维空间投影信息来确定可通行空间和求解SLT轨迹，因而轨迹规划能够同时考虑静态障碍物以及动态障碍物对规划的影响，提升了规划出的轨迹的可靠性和可执行性。此外，本发明实施例的方案在进行轨迹规划时，是以障碍物多帧历史信息累计形成的障碍物SLT空间投影信息作为决策结果的输入和确定空间约束条件的，还能够避免前端输入抖动造成的轨迹不稳的弊端。
图8示意性地显示了本发明一种实施方式的轨迹规划装置，如图8所示，该装置包括
信息获取模块61，用于获取障碍物SLT空间投影信息、参考轨迹信息和目标参考线信息；
约束确定模块62，用于基于障碍物SLT空间投影信息、参考轨迹信息和目标参考线信息确定SLT轨迹规划模型的约束条件，其中，所述SLT轨迹规划模型是基于SLT空间坐标系预先构建，其由在SLT空间坐标系的S方向上的第一位移方程和在SLT空间坐标系的L方向上的第二位移方程共同确定；
模型求解模块63，用于根据所述约束条件和预先构建的目标优化函数对所述SLT轨迹规划模型求解；
轨迹输出模块64，用于根据求解出的SLT轨迹规划模型生成并输出SLT轨迹信息。
在一些实施方式中，信息获取模块61可以通过前置模块或存储器来获取障碍物SLT空间投影信息、参考轨迹信息和目标参考线信息。在优选实施方式中，信息获取模块61还可以基于前置模块获取到的感知信息、预测信息和高精度地图等上游信息，来构建生成障碍物SLT空间投影信息。其中，障碍物SLT空间投影信息是指将障碍物的多帧历史感知信息和对障碍物的预测信息投影到SLT空间坐标系中得到的投影信息。其中，SLT空间坐标系是在Frenet坐标系的基础上增加了时间维度而形成的三维空间坐标系，该坐标系中的坐标(t,l,s)用于表示t时刻到达与当前参考线纵向距离为s且横向距离为l的坐标点，该坐标系的坐标原点为当前时刻参考线上的距离自车最近的点。Frenet坐标系是使用道路的中心线作为参考线、使用参考线的切线向量和法线向量作为S轴和L轴建立的坐标系，其以车辆为原点，将车辆的运动划分为两个相互垂直的分量，纵向S表示沿着参考线的方向，横向L表示参考线的法线方向，由此就可以使用纵向距离和横向距离来描述任意位置，同时也使得便于计算纵向和横向的速度、加速度、加加速度等信息。在SLT空间坐标系中的障碍物投影信息作为决策规划的基础，需要包含感知、预测及高精度地图等上游信息，为了简化计算会对该空间进行栅格化处理，以基于栅格化结果进行后续处理。优选地，信息获取模块61基于前置模块获取到的感知信息、预测信息和高精度地图等上游信息，来构建生成障碍物SLT空间投影信息。具体地，构建障碍物SLT空间投影信息的方式可以参照前文方法部分的叙述，在此不再赘述。其中，作为一种优选实施方式，构建出的障碍物SLT空间投影信息设置为包括有所有障碍物，包括真实障碍物(如动静态障碍物)以及虚拟障碍物(如红灯等)，在不同t时刻所占据的sl空间，其中该sl空间由时刻t、在时刻t的s值范围和l值范围共同限定。作为另一优选实施方式，构建出的障碍物SLT空间投影信息还可以包括有所有障碍物，包括真实障碍物(如动静态障碍物)以及虚拟障碍物(如红灯等)，在不同t时刻所占据的sl空间的占据概率。作为一种可能的实施方式，构建出的障碍物SLT空间信息可以是一个以C++类形式创建的对象，该对象包含的内容具有上述障碍物占据信息(即不同t时刻所占据的sl空间及其占据概率)、栅格信息和地图元素等信息，并且该对象对外提供访问接口，该接口的输入为坐标(t,s,l),输出为该位置对应的栅格的栅格属性，栅格属性示例性地可以为包括该栅格是否被障碍物占据、被什么类型的障碍物占据、以及其占据概率，在是否被障碍物占据这一信息的取值为否时，该栅格属性信息就表征了对应的栅格是道路栅格，具有可通行属性，而在是否被障碍物占据这一信息取值为是时，该栅格属性信息就能够表征对应的栅格是什么类型的障碍物栅格，相应地，其就具有了不可通行属性，由此，通过障碍物SLT空间投影信息就可以获知t时刻哪些sl空间是被占据的，以使得能够根据障碍物SLT空间投影信息确定出可通行SLT空间，并在可通行SLT空间进行轨迹规划，提升规划出的规划的可执行性。其中，障碍物SLT空间投影信息通过障碍物在相应栅格的占据概率来表征相应位置的栅格被障碍物占据的可能性的，占据概率越高表明相应位置的栅格被障碍物占据的可能性越大，具体可以根据障碍物的感知信息和预测信息为各个栅格设置占据概率，如对于静态障碍物，可以根据感知信息将其占据的栅格的占据概率设置为1，对于动态障碍物可以根据感知信息和预测信息来预测其占据某一栅格的可能性进而为其设置相符的占据概率。
其中，参考轨迹信息和目标参考线信息优选是通过将障碍物SLT空间投影信息预先输入至前置的决策模块，由前置的决策模块基于输入的障碍物SLT空间投影信息输出的决策结果，其中决策模块可以采用现有的决策模块或对现有决策模型进行训练调整使得能够基于输入的障碍物SLT空间投影信息来输出包含参考轨迹信息和目标参考线信息的决策结果。由此，信息获取模块61通过前置的决策模块就可以获取到参考轨迹信息和目标参考线信息。优选地，参考轨迹信息是n个离散点组成的点集合，其中的每个离散点均通过SLT坐标系中的坐标(t,s,l)表示；目标参考线信息为高精度地图上储存的道路中心线，通过组成道路中心线的点集在高精度地图上的坐标(x,y)表示。
SLT轨迹规划模型是基于上述建立的SLT空间坐标系预先构建的，其能够用于同时表征在纵向和横向两个维度的规划。作为一种优选实施方式，可以将自动驾驶车辆的运动轨迹划分为包括沿参考线法向方向(即L方向)的位移和沿参考线切线方向(即S方向)的位移，并分别建立沿参考线法向方向的位移方程(本发明实施例称之为第二位移方程)和沿参考线切线方向的位移方程(本发明实施例称之为第一位移方程)。为了使得构建出的SLT轨迹规划模型能够同时在S方向和L方向两个维度进行规划，本发明实施例是基于在SLT空间坐标系的S方向上的第一位移方程和在SLT空间坐标系的L方向上的第二位移方程共同出SLT轨迹规划模型的。示例性地，可以将SLT轨迹规划模型表示为在L方向和S方向两个维度上的合位移。
作为一种优选实施方式，约束确定模块62确定出的约束条件包括用于确定轨迹的规划边界的第一约束条件，所述第一约束条件包括用于第一位移方程的第一约束边界和用于第二位移方程的第二约束边界。具体地，约束确定模块62可以实现为包括：
第一约束搜索单元，用于基于参考轨迹信息、障碍物SLT空间投影信息、预设的S方向边界和预设的搜索步长确定出用于第一位移方程的第一约束边界；
第二约束搜索单元，用于基于参考轨迹信息、障碍物SLT空间投影信息、目标参考线信息和预设的搜索步长确定出用于第二位移方程的第二约束边界。
作为一种更优的实施方式，约束确定模块62确定出的约束条件除了包括用于表示规划边界的第一约束条件外，还可以进一步包括：用于进行轨迹的加速度约束的第二约束条件，第二约束条件可以实现为具有用于第一位移方程的第一加速度边界和用于第二位移方程的第二加速度边界；用于进行轨迹的速度约束的第三约束条件；用于进行轨迹的起始点约束的第四约束条件，第四约束条件可以实现为具有用于第一位移方程的第一起始点约束和用于第二位移方程的第二起始点约束；具有用于第二位移方程的单调性约束的第五约束条件；和具有用于轨迹的运动学约束的第六约束条件。
在优选实施例中，目标优化函数基于用于表示规划出的轨迹与所述参考轨迹信息的贴近程度的第一成本函数、用于表示规划出的轨迹在SLT空间坐标系的S方向上的加加速度值的第二成本函数、用于表示规划出的轨迹在SLT空间坐标系的L方向上的加加速度值的第三成本函数、和用于表示规划出的轨迹与障碍物之间在远离障碍物方向上的距离的第四成本函数预先构建好的。示例性地，构建的目标优化函数可以表示为各个成本函数的代价值之和。
在优选实施例中，轨迹输出模块64基于SLT轨迹规划模型确定并输出的SLT轨迹信息优选是由一系列轨迹点坐标组成；在其他优选实施方式中，轨迹输出模块64确定并输出的SLT轨迹信息还可以实现为在包括轨迹点坐标序列的基础上，还进一步包括有各轨迹点上的速度、加速度和加加速度，以提高确定出的轨迹信息的参考价值。其中，轨迹点坐标优选通过在笛卡尔坐标系下的xy坐标来表示。
其中，需要说明的是，本发明实施例中轨迹规划装置各个模块和单元的具体实现过程，可以参照前文方法部分的叙述，故在此不再赘述。
图9示意性地显示了本发明另一实施方式的轨迹规划装置，如图9所示，其实现为包括：
存储器70，用于存储可执行指令；以及
处理器71，用于执行存储器中存储的可执行指令，所述可执行指令在由所述处理器执行时实现前述任一项实施例所述的轨迹规划方法的步骤。
在具体实践中，上述轨迹规划装置示例性地可以应用在自动驾驶车辆、无人驾驶清洁器、无人驾驶扫地机、机器人等自动驾驶设备上，以实现对这些设备进行轨迹规划，以提高无人驾驶的舒适性，具体地，上述轨迹规划装置可以实现为自动驾驶车辆等自动驾驶设备上的控制器或规划器等。
图10示意性地显示了本发明一种实施方式的移动工具，如图10所示，该移动工具包括：
规划器80，用于根据上述任一实施例的方法进行轨迹规划得到SLT轨迹信息；和
控制器81，用于根据所述规划器80确定的SLT轨迹信息对移动工具进行控制，如进行方向控制等。
在其他实施例中，移动工具中的规划器和控制器还可以集成为一个控制模块。可选地，在实际应用中，移动工具还可以是自动驾驶车辆，自动驾驶车辆还可以包括感知识别模块和其他规划控制模块，如路径规划控制器、底层控制器等，本发明实施例对此不进行限制。
在另一优选实施方式中，还可以直接在移动工具上设置上述轨迹规划装置，以使得移动工具能够利用上述轨迹规划装置的轨迹规划功能，实现更合理、更智能和更稳定的轨迹规划。
需要说明的是，本发明实施例中的移动工具可以是具有自动清扫功能的无人清洁车、无人清扫机、清洁机器人等，本发明实施例的移动工具中涉及的轨迹规划方法的具体实现过程和实现原理具体可参见上述方法实施例的相应描述，在此不再赘述。
本发明实施例所称的“移动工具”可以是国际自动机工程师学会(Society ofAutomotive Engineers International，SAE International)或中国国家标准《汽车驾驶自动化分级》制定的L0-L5自动驾驶技术等级的车辆。
示例性地，移动工具可以是具有如下各种功能的车辆设备或机器人设备：
(1)载人功能，如家用轿车、公共汽车等；
(2)载货功能，如普通货车、厢式货车、甩挂车、封闭货车、罐式货车、平板货车、集装厢车、自卸货车、特殊结构货车等；
(3)工具功能，如物流配送车、自动导引运输车AGV、巡逻车、起重机、吊车、挖掘机、推土机、铲车、压路机、装载机、越野工程车、装甲工程车、污水处理车、环卫车、吸尘车、洗地车、洒水车、扫地机器人、送餐机器人、导购机器人、割草机、高尔夫球车等；
(4)娱乐功能，如娱乐车、游乐场自动驾驶装置、平衡车等；
(5)特殊救援功能，如消防车、救护车、电力抢修车、工程抢险车等。
在一些实施例中，本发明实施例提供一种非易失性计算机可读存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备(包括但不限于计算机，服务器，或者网络设备等)读取并执行，以用于执行本发明上述任一项实施例的轨迹规划方法。
在一些实施例中，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任一项实施例的轨迹规划方法。
在一些实施例中，本发明实施例还提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一实施例的轨迹规划方法。
在一些实施例中，本发明实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项实施例的轨迹规划方法。
图11是本发明另一实施例提供的轨迹规划装置的硬件结构示意图，上述轨迹规划装置可以该图所示的结构实现，如图11所示，该轨迹规划装置包括：
一个或多个处理器610以及存储器620，图11中以一个处理器610为例。
轨迹规划装置还可以包括：输入装置630和输出装置640。
处理器610、存储器620、输入装置630和输出装置640可以通过总线或者其他方式连接，图11中以通过总线连接为例。
存储器620作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的轨迹规划方法对应的程序指令/模块。处理器610通过运行存储在存储器620中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的轨迹规划方法。
存储器620可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据轨迹规划方法的使用所创建的数据等。此外，存储器620可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器620可选包括相对于处理器610远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置630可接收输入的数字或字符信息，以及产生与图像处理设备的用户设置以及功能控制有关的信号。输出装置640可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器620中，当被所述一个或者多个处理器610执行时，执行上述任意方法实施例中的轨迹规划方法。
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
本发明实施例的电子设备以多种形式存在，包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等，例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
(4)服务器:提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (17)
1.一种轨迹规划方法，其特征在于，所述方法包括：
获取障碍物SLT空间投影信息、参考轨迹信息和目标参考线信息；
基于障碍物SLT空间投影信息、参考轨迹信息和目标参考线信息确定SLT轨迹规划模型的约束条件，其中，所述SLT轨迹规划模型是基于SLT空间坐标系预先构建，其由在SLT空间坐标系的S方向上的第一位移方程和在SLT空间坐标系的L方向上的第二位移方程共同确定；
根据所述约束条件和预先构建的目标优化函数对所述SLT轨迹规划模型求解，得到SLT轨迹信息。
2.根据权利要求1所述的方法，其特征在于，所述目标优化函数基于用于表示规划出的轨迹与所述参考轨迹信息的贴近程度的第一成本函数、用于表示规划出的轨迹在SLT空间坐标系的S方向上的加加速度值的第二成本函数、用于表示规划出的轨迹在SLT空间坐标系的L方向上的加加速度值的第三成本函数、和用于表示规划出的轨迹与障碍物之间在远离障碍物方向上的距离的第四成本函数构建，对所述目标优化函数的优化目标为使得目标优化函数输出的总成本取值最小化。
3.根据权利要求2所述的方法，其特征在于，所述约束条件包括用于进行规划边界约束的第一约束条件。
4.根据权利要求3所述的方法，其特征在于，所述第一约束条件包括用于第一位移方程的第一约束边界和用于第二位移方程的第二约束边界，所述基于障碍物SLT空间投影信息、参考轨迹信息和目标参考线信息确定SLT轨迹规划模型的约束条件具体包括：
基于参考轨迹信息、障碍物SLT空间投影信息、预设的S方向边界和预设的搜索步长确定出用于第一位移方程的第一约束边界；
基于参考轨迹信息、障碍物SLT空间投影信息、目标参考线信息和预设的搜索步长确定出用于第二位移方程的第二约束边界。
5.根据权利要求4所述的方法，其特征在于，所述障碍物SLT空间投影信息包括该空间对应的障碍物占据信息、栅格信息和地图元素信息，所述障碍物占据信息包括不同t时刻障碍物所占据的sl空间及其占据概率。
6.根据权利要求5所述的方法，其特征在于，所述障碍物SLT空间投影信息还提供有对外访问接口，所述对外访问接口的输入为坐标(t,s,l),输出为坐标(t,s,l)对应的位置的栅格属性，其中，所述栅格属性由该栅格是否被障碍物占据、占据该栅格的障碍物类型、以及占据概率共同确定。
7.根据权利要求4所述的方法，其特征在于，所述基于参考轨迹信息、障碍物SLT空间投影信息、预设的S方向边界和预设的搜索步长确定出用于第一位移方程的第一约束边界，包括：
自SLT空间坐标系的t＝0的时刻开始，根据预设的搜索步长对时刻t每次增加一个搜索步长，并在得到的每个时刻t下分别执行以下搜索过程，直到t>＝tmax：
根据当前时刻t从参考轨迹信息中获取当前时刻t对应的参考轨迹点Ref_Point_slt＝(t,s,l)，根据参考轨迹点确定出当前时刻t对应的SL平面；
在当前时刻t对应的SL平面上，分别沿S方向的正方向和负方向、以及L方向的正方向和负方向进行搜索，以在S方向的正方向上确定出第一约束边界的上边界，在S方向的负方向上确定出第一约束边界的下边界，并在L方向的正方向上确定出第二约束边界的上边界，在L方向的负方向上确定出第二约束边界的下边界。
8.根据权利要求7所述的方法，其特征在于，第一约束边界在时刻t对应的上边界为时刻t对应的SL平面上的S正方向上的预设最大边界值或S正方向上的占据概率首次达到预设值的栅格的S值，第一约束边界在时刻t对应的下边界为时刻t对应的SL平面上的S负方向上的预设最小边界值或S负方向上的占据概率首次达到预设值的栅格的S值；
第二约束边界在时刻t对应的上边界为时刻t对应的SL平面上的L正方向上的最大边界值或L正方向上的占据概率首次达到预设值的栅格的L值，第二约束边界在时刻t对应的下边界为时刻t对应的SL平面上的L负方向上的最小边界值或L负方向上的占据概率首次达到预设值的栅格的L值；
其中，栅格的占据概率基于该栅格对应的(t,s,l)坐标和障碍物SLT空间投影信息确定。
9.根据权利要求8所述的方法，其特征在于，L正方向上的最大边界值和L负方向上的最小边界值均根据目标参考线信息确定。
10.根据权利要求4所述的方法，其特征在于，所述第四成本函数基于规划边界总宽度和障碍物边界确定。
11.根据权利要求1至10任一项所述的方法，其特征在于，所述约束条件还包括用于对轨迹的加速度边界进行约束的第二约束条件、用于对轨迹的速度边界进行约束的第三约束条件、用于对轨迹的起始点进行约束的第四约束条件、用于对第二位移方程的单调性进行约束的第五约束条件和用于对轨迹进行运动学约束的第六约束条件。
12.根据权利要求11所述的方法，其特征在于，所述SLT轨迹信息包括轨迹点坐标序列及各轨迹点上的速度、加速度和加加速度。
13.一种轨迹规划装置，其特征在于，所述装置包括：
信息获取模块，用于获取障碍物SLT空间投影信息、参考轨迹信息和目标参考线信息；
约束确定模块，用于基于障碍物SLT空间投影信息、参考轨迹信息和目标参考线信息确定SLT轨迹规划模型的约束条件，其中，所述SLT轨迹规划模型是基于SLT空间坐标系预先构建，其由在SLT空间坐标系的S方向上的第一位移方程和在SLT空间坐标系的L方向上的第二位移方程共同确定；
模型求解模块，用于根据所述约束条件和预先构建的目标优化函数对所述SLT轨迹规划模型求解；
轨迹输出模块，用于根据求解出的SLT轨迹规划模型生成并输出SLT轨迹信息。
14.轨迹规划装置，其特征在于，包括：
存储器，用于存储可执行指令；以及
处理器，用于执行存储器中存储的可执行指令，所述可执行指令在由所述处理器执行时实现权利要求1至12任一项所述方法的步骤。
15.一种移动工具，其特征在于，所述移动工具包括：
规划器，用于根据权利要求1至12任一项所述的方法进行轨迹规划得到SLT轨迹信息；
控制器，用于根据所述规划器确定的SLT轨迹信息对移动工具进行控制。
16.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-12中任意一项所述方法的步骤。
17.一种计算机程序产品，其特征在于，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行权利要求1-12中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211314286.1A CN117950395A (zh) | 2022-10-25 | 2022-10-25 | 轨迹规划方法及装置、移动工具、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211314286.1A CN117950395A (zh) | 2022-10-25 | 2022-10-25 | 轨迹规划方法及装置、移动工具、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117950395A true CN117950395A (zh) | 2024-04-30 |
Family
ID=90803769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211314286.1A Pending CN117950395A (zh) | 2022-10-25 | 2022-10-25 | 轨迹规划方法及装置、移动工具、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117950395A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118068843A (zh) * | 2024-04-25 | 2024-05-24 | 厦门中科星晨科技有限公司 | 一种基于参考轨迹优化的AStar路径规划方法及设备 |
-
2022
- 2022-10-25 CN CN202211314286.1A patent/CN117950395A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118068843A (zh) * | 2024-04-25 | 2024-05-24 | 厦门中科星晨科技有限公司 | 一种基于参考轨迹优化的AStar路径规划方法及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112677995B (zh) | 一种车辆轨迹规划方法、装置、存储介质及设备 | |
| US11377102B2 (en) | Navigation based on sensed looking direction of a pedestrian | |
| CN112389427B (zh) | 车辆轨迹优化方法、装置、电子设备和存储介质 | |
| CN108698595B (zh) | 用于控制车辆运动的方法和车辆的控制系统 | |
| Khodayari et al. | A historical review on lateral and longitudinal control of autonomous vehicle motions | |
| CN113835421B (zh) | 训练驾驶行为决策模型的方法及装置 | |
| EP3400419A2 (en) | Trained navigational system with imposed constraints | |
| CN113494923B (zh) | 基于微分动态规划的路径轨迹规划方法及系统 | |
| WO2022252457A1 (zh) | 一种自动驾驶控制方法、装置、设备及可读存储介质 | |
| US11565723B2 (en) | Systems and methods for vehicle motion planning | |
| US20230063845A1 (en) | Systems and methods for monocular based object detection | |
| CN114771551A (zh) | 自动驾驶车辆轨迹规划方法、装置和自动驾驶车辆 | |
| Zhang et al. | Structured road-oriented motion planning and tracking framework for active collision avoidance of autonomous vehicles | |
| CN114261404A (zh) | 一种自动驾驶方法及相关装置 | |
| US20230415736A1 (en) | Systems and methods for controlling longitudinal acceleration based on lateral objects | |
| CN117950395A (zh) | 轨迹规划方法及装置、移动工具、存储介质 | |
| Elallid et al. | Deep Reinforcement Learning for Autonomous Vehicle Intersection Navigation | |
| CN115973179A (zh) | 模型训练方法、车辆控制方法、装置、电子设备及车辆 | |
| CN115817536A (zh) | 一种车辆的行驶轨迹生成方法、装置以及设备 | |
| CN111857112A (zh) | 一种汽车局部路径规划方法及电子设备 | |
| WO2022246802A1 (zh) | 一种驾驶策略确定方法、装置、设备及车辆 | |
| Jia et al. | A dynamic lane-changing trajectory planning scheme for autonomous vehicles on structured road | |
| Liu et al. | A dynamic estimation-based obstacle avoidance system for AV adapting to various moving directions obstacle | |
| CN117962918A (zh) | 自动驾驶决策方法及装置、移动工具、存储介质 | |
| US20240101106A1 (en) | Systems and methods for scene understanding |
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 |