TWI824773B - 自駕車之路徑規劃系統及方法 - Google Patents
自駕車之路徑規劃系統及方法 Download PDFInfo
- Publication number
- TWI824773B TWI824773B TW111139032A TW111139032A TWI824773B TW I824773 B TWI824773 B TW I824773B TW 111139032 A TW111139032 A TW 111139032A TW 111139032 A TW111139032 A TW 111139032A TW I824773 B TWI824773 B TW I824773B
- Authority
- TW
- Taiwan
- Prior art keywords
- lane
- vehicle
- path
- bird
- driving
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 claims abstract description 71
- 240000004050 Pentaglottis sempervirens Species 0.000 claims abstract description 68
- 238000001514 detection method Methods 0.000 claims description 28
- 239000003086 colorant Substances 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009500 colour coating Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Landscapes
- Control Of Motors That Do Not Use Commutators (AREA)
- Navigation (AREA)
Abstract
一種自駕車之路徑規劃系統及方法,利用至少一感測器偵測一本車之周圍環境資訊,將周圍環境資訊轉換成一鳥瞰圖,其中包括每一座標點之座標資訊。系統依據座標資訊判別並標記出鳥瞰圖中的車道邊緣、車道線及他車,再據以計算一車道中心點及找出前車。接著,依據前車位置計算前車車速,並估計前車之一預測路徑。若前車之預測路徑與本車之行駛路徑相同時,以前車做為一路徑參考點;反之,則以車道邊緣做為一路徑參考線,以計算本車之最終路徑。本發明藉由點雲資料即可規劃路徑,大幅減少錄製高精圖資所需的成本,減少資料占用的儲存空間。
Description
本發明係有關一種路徑規劃系統,特別是指一種之自駕車之路徑規劃系統及方法。
近年自駕車技術逐漸成熟,相關的開源自駕車軟體紛紛投入市場,使自駕車開發門檻降低。目前主流的自駕車技術多依賴由GPS位置所錄製的高精圖資或車道線偵測以獲取最佳路徑。
其中,車道線偵測獲取最佳路徑的方法有其硬傷,在於但並非所有的環境皆有車道線,如路口、停車場等沒有車道線。這些沒有劃設車道線的地方就會偵測失敗,因此車道線偵測的方法會受到環境上的限制。
而利用高精圖資計算最佳路徑的方法,需要先利用搭載立體攝影機的車輛收集完整的道路資訊,辨識出有助於定位的道路特徵。例如建築物、交通號誌、路燈等,以及道路標線如車道線、方向箭頭、行人穿越道等。再將道路資訊的圖資與GPS的定位資料結合,即可產生精確的路線影像。但其最大問題在於若定位失效則無法使用。尤其當車輛位於路口時,同時缺乏車道線可供偵測,則此時將無法規劃車輛路線。此外,獲得圖資資料需要耗費大量的人力與經費進行量測,資料量也相當龐大,進而導致成本增加。
有鑑於此,本發明針對上述習知技術之缺失及未來之需求,提出一種自駕車之路徑規劃系統及方法,以解決上述該等缺失,具體架構及其實施方式將詳述於下:
本發明之主要目的在提供一種自駕車之路徑規劃系統及方法,其可不依靠高精度圖資,而是藉由回波強度值對周圍環境物體進行分類,可降低錄製高精圖資所耗費的人力和費用成本,同時降低資料佔用的空間。
本發明之另一目的在提供一種自駕車之路徑規劃系統及方法,其不須依賴導航系統,在導航失效的情況下仍可透過光達進行物理性偵測以規劃路徑。
本發明之再一目的在提供一種自駕車之路徑規劃系統及方法,其在道路或路口沒有車道線的情況下,藉由周圍環境判別出車道邊緣,並藉以找到車道中心點,進而規劃出行駛路徑,大幅提升安全性。
為達上述目的,本發明提供一種自駕車之路徑規劃系統,一種自駕車之路徑規劃系統,設置於一本車上,自駕車之路徑規劃系統包括:至少一感測器,用以偵測本車之周圍環境資訊;一鳥瞰圖產生模組,連接感測器,接收周圍環境資訊並轉換成一鳥瞰圖,鳥瞰圖包括每一座標點之座標資訊;一類別偵測模組,連接鳥瞰圖產生模組,依據座標資訊判別並標記出鳥瞰圖中的車道邊緣、車道線及前車;一車道中心計算模組,連接類別偵測模組,依據已標記出的鳥瞰圖中的車道邊緣及車道線計算一車道中心點,根據車道中心點及本車之位置從他車中找出一前車,及依據前車之位置計算前車之車
速;一前車預判模組,連接類別偵測模組及車道中心計算模組,透過一車輛運動學模型估計前車之一預測路徑;以及一路徑規劃模組,連接前車預判模組,若前車之預測路徑與本車之行駛路徑相同時,以前車做為一路徑參考點,若前車之預測路徑與本車之行駛路徑不同或沒有前車時,則以車道邊緣做為一路徑參考線,計算本車之一最終路徑。
依據本發明之實施例,感測器為光達,感測器將本車之周圍環境資訊以點雲圖呈現,鳥瞰圖產生模組再利用一轉軸公式將點雲圖轉換為鳥瞰圖。
依據本發明之實施例,座標資訊包括座標點的座標值、座標點所組成的形狀、點數疏密、座標點所組成的物件的高度、或每一座標點之回波強度值。
依據本發明之實施例,回波強度值預設有複數區間,不同區間的回波強度值的座標點係以不同顏色顯示在鳥瞰圖上。
依據本發明之實施例,類別偵測模組係將座標資訊進行濾波以濾除雜訊,再依據座標資訊判別出鳥瞰圖中的車道邊緣、車道線及前車。
依據本發明之實施例,類別偵測模組係利用卡爾曼濾波器對座標資訊進行濾波。
依據本發明之實施例,車道中心計算模組係依據鳥瞰圖中的車道邊緣及車道線找出一可行駛範圍後,再取相鄰之二車道線的中心點做為車道中心點,或是取車道線與車道邊緣之平均值做為車道中心點。
依據本發明之實施例,車道中心計算模組取得鳥瞰圖中之所標記的前車之位置後,依據連續時間的至少二鳥瞰圖之前車之位置,以計算前車之車速。
依據本發明之實施例,前車預判模組更透過標記之車道線建立一駕駛行為興趣區域,再依據預測路徑與駕駛行為興趣區域以預測前車之行為,包括直行或轉彎。
依據本發明之實施例,前車之預測路徑與本車之行駛路徑相同時,路徑規劃模組以前車做為路徑參考點,並與本車及車道線中心點的位置及前車的車速結合,計算本車之最終路徑。
依據本發明之實施例,前車之預測路徑與本車之行駛路徑不同時,路徑規劃模組以車道邊緣做為路徑參考線,並以路徑參考線計算出一邊緣曲率,以計算本車之最終路徑。
本發明更提供一種自駕車之路徑規劃方法,包括下列步驟:利用至少一感測器偵測一本車之周圍環境資訊;將周圍環境資訊轉換成一鳥瞰圖,鳥瞰圖包括每一座標點之座標資訊;依據座標資訊判別並標記出鳥瞰圖中的車道邊緣、車道線及他車;依據已標記出的鳥瞰圖中的車道邊緣及車道線計算一車道中心點,根據車道中心點及本車之位置從他車中找出一前車,再依據標記出的前車之位置計算前車之車速;透過一車輛運動學模型估計前車之一預測路徑;以及若前車之預測路徑與本車之行駛路徑相同時,以前車做為一路徑參考點,若前車之預測路徑與本車之行駛路徑不同或沒有前車時,則以車道邊緣做為一路徑參考線,計算本車之一最終路徑。
依據本發明之實施例,依據前車之位置計算前車之車速之步驟更包括下列步驟:依據連續時間的至少二鳥瞰圖之前車之位置,計算前車之車速。
依據本發明之實施例,透過車輛運動學模型估計前車之一預測路徑之步驟更包括下列步驟:透過標記之車道線建立一駕駛行為興趣區域,再依據預測路徑與駕駛行為興趣區域以預測前車之行為,包括直行或轉彎。
10:自駕車之路徑規劃系統
11:車上主機
12:感測器
13:鳥瞰圖產生模組
14:類別偵測模組
15:車道中心計算模組
16:前車預判模組
17:路徑規劃模組
20:車道線
22:車道邊緣
24:他車
26:本車
28:車道中心點
第1圖為本發明自駕車之路徑規劃系統之方塊圖。
第2圖為本發明自駕車之路徑規劃方法之流程圖。
第3圖為預判前車之預測路徑之座標示意圖。
第4圖至第6圖為在T字路口應用本發明之實施例示意圖。
第7圖至第9圖為在十字路口應用本發明之實施例示意圖。
第10圖至第12圖為在地下停車場應用本發明之實施例示意圖。
下面將結合本發明實施例中的附圖,對本發明實施例中的技術方案進行清楚、完整地描述,顯然,所描述的實施例是本發明一部分實施例,而不是全部的實施例。基於本發明中的實施例,熟悉本技術領域者在沒有做出進步性勞動前提下所獲得的所有其他實施例,都屬於本發明保護的範圍。
應當理解,當在本說明書和所附申請專利範圍中使用時,術語「包括」和「包含」指示所描述特徵、整體、步驟、操作、元素和/或元件的存在,
但並不排除一個或多個其它特徵、整體、步驟、操作、元素、元件和/或其集合的存在或添加。
還應當理解,在此本發明說明書中所使用的術語僅僅是出於描述特定實施例的目的而並不意在限制本發明。如在本發明說明書和所附申請專利範圍中所使用的那樣,除非上下文清楚地指明其它情況,否則單數形式的「一」、「一個」及「該」意在包括複數形式。
還應當進一步理解,在本發明說明書和所附申請專利範圍中使用的術語「及/或」是指相關聯列出的項中的一個或多個的任何組合以及所有可能組合,並且包括這些組合。
本發明提供一種自駕車之路徑規劃系統及方法,請參考第1圖,其為本發明自駕車之路徑規劃系統之架構圖。自駕車之路徑規劃系統10設置於一本車(圖中未示)上。自駕車之路徑規劃系統10包括至少一感測器12、一鳥瞰圖產生模組13、一類別偵測模組14、一車道中心計算模組15、一前車預判模組16及一路徑規劃模組17。其中,感測器12連接鳥瞰圖產生模組13,鳥瞰圖產生模組13連接類別偵測模組14,類別偵測模組14連接車道中心計算模組15及前車預判模組16,車道中心計算模組15連接前車預判模組16,前車預判模組16連接路徑規劃模組17。上述該些模組設置於一車上主機11中,車上主機11包含至少一處理器(圖中未示),該些模組可以一個或更多處理器來實現。
感測器12裝設於本車上,用以偵測本車之周圍環境資訊。在一實施例中,感測器12為光達,擷取周圍環境的點雲資料,產生點雲圖。鳥瞰圖產生模組13利用一轉軸公式將點雲圖轉換成一鳥瞰圖,且鳥瞰圖包括每一座
標點之座標資訊,包括座標點的座標值、座標點所組成的形狀、點數疏密、座標點所組成的物件的高度、或每一座標點之回波強度值等物理量的偵測類別。由於感測器12可過濾特定資訊,因此感測器12可用於判斷是否有前車。
在一實施例中,若感測器12為光達,則其所接收的點雲回波會因物體不同的材質、顏色等而有不同的回波強度,故可透過回波強度值判別車道邊緣、車道線或前車。具體而言,可將回波強度值預設為複數區間,不同回波強度值區間的座標點係以不同顏色顯示在鳥瞰圖上,例如回波強度值a~b為特殊顏色塗層,若符合高度低、長條形等特徵,則判別其為車道線或車道邊緣;回波強度值c~d為金屬,若符合高度中~高、立方體等特徵,則判別其為車輛;以及回波強度值e~f為植被或混凝土,若符合高度中~高、不規則形等特徵,則判別其為灌木叢或人行道。此判別的步驟係由類別偵測模組14進行。
類別偵測模組14依據座標資訊判別出車道線、車道邊緣及所有車輛,並在鳥瞰圖上進行標註,例如在鳥瞰圖上描繪出車道線及車道邊緣,及將所有車輛框選出來,車輛包括本車與前車/他車。若感測器12為光達,則類別偵測模組14先將座標資訊利用卡爾曼濾波器進行濾波,以濾除雜訊之後,再進行車道線、車道邊緣及所有車輛之判別。
車道中心計算模組15用以計算依據已標記出的鳥瞰圖中的車道邊緣及車道線計算一車道中心點。首先從該鳥瞰圖中的車道邊緣及車道線找出一可行駛範圍,接著,再從可行駛範圍中取相鄰之二車道線的中心點做為車道中心點,或是取車道線與車道邊緣之平均值做為車道中心點。多個車道中心點可連成一條車道中心線。由於已知標記的車輛中何者為本車,因此在
已知車道中心點的情況下,還可進一步得知其他車輛中哪台是前車。此外,車道中心計算模組15取得前車之位置後,依據連續時間的至少二張鳥瞰圖的前車位置,即可計算出前車之車速。因此,車道中心計算模組15輸出可行駛範圍、車道中心點、前車位置及前車車速等資訊。
前車預判模組16將鳥瞰圖中抓取到的前車位置透過一車輛運動學模型,在假設前車的速度為恆速的前提下,估計前車之一預測路徑。前車預判模組16更透過標記之車道線建立一駕駛行為興趣區域,再依據預測路徑與駕駛行為興趣區域以預測t秒後前車之行為,包括直行或轉彎。因此前車預判模組16之輸出為前車的預測行為。
路徑規劃模組17依據前車的預測路徑和預測行為,判斷前車與本車的行駛路徑是否相同。若前車之預測路徑與本車之行駛路徑相同,例如同樣要右轉時,則參考前車的路徑,換言之,以前車做為一路徑參考點。結合本車、前車、及車道中心點三者的位置,可計算出本車之一最終路徑的路徑方程式。若前車之預測路徑與本車之行駛路徑不同時,則以最靠近本車的車道邊緣做為一路徑參考線,計算本車之一最終路徑。
請同時參考第2圖,其為本發明自駕車之路徑規劃方法之流程圖。步驟S10中,利用至少一感測器12偵測一本車之周圍環境資訊。步驟S12,鳥瞰圖產生模組13將周圍環境資訊轉換成一鳥瞰圖,鳥瞰圖包括每一座標點之座標資訊。步驟S14,類別偵測模組14依據座標資訊判別並標記出鳥瞰圖中的車道邊緣、車道線及他車。步驟S16中,車道中心計算模組15依據已標記出的鳥瞰圖中的車道邊緣及車道線計算一車道中心點。接著車道中心計算模組15根據車道中心點及本車之位置從他車中找出一前車,再依據標記出的前
車之位置計算前車之車速。此步驟中,車道中心計算模組15是先從鳥瞰圖中的車道邊緣及車道線找出一可行駛範圍後,再從此可行駛範圍中取相鄰之二車道線的中心點做為車道中心點,或是取車道線與車道邊緣之平均值做為車道中心點。步驟S18中,前車預判模組16透過一車輛運動學模型估計前車之一預測路徑,進一步還預測前車的行為,包括直行或轉彎。接著如步驟S20,該感測器12先判斷是否有前車,若有前車,則步驟S22路徑規劃模組17進一步判斷前車之預測路徑與本車之行駛路徑是否相同。若相同,則如步驟S24所述,以前車做為一路徑參考點,結合本車及車道中心點的位置,計算出本車之一最終路徑。反之,若前車之預測路徑與本車之行駛路徑不同,或是步驟S20判斷沒有前車,則如步驟S26所述,以車道邊緣做為一路徑參考線,計算本車之一最終路徑。
上述步驟S12中,鳥瞰圖產生模組13利用轉軸公式將點雲圖轉換成一鳥瞰圖,轉軸公式如下式(1):
其中,(x’,y’,z’)為點雲圖的原始座標,(x,y,z)為轉換後的鳥瞰圖之座標。(cos αi,cos βi,cos γi)改記為(c1i,c2i,c3i),(i=1,2,3)。α,β,γ為原始座標系要旋轉的角度。(h1,h2,h3)為新原點在原始座標系的位置。
上述步驟S18中,前車預判模組16透過車輛運動學模型估計前車之的預測路徑,進一步預測前車的行為,具體請參考第3圖,其為預判前車之預測路徑之座標示意圖。A為自駕車模型的前輪位置;B為自駕車模型的後輪位置;C為自駕車模型的質心位置;O為OA、OB的交點,是車輛的瞬時
滾動中心,線段OA、OB分別垂直於兩個輪胎的方向。δr為後輪偏角、δf為前輪偏角、Lr為後輪到質心點的長度、Lf為前輪到質心點的長度。因此,前車的預測路徑可以下式(2)表示:
其中x’0、y’0為前車的第一個座標點,ψ為為航向角;β為滑移角,指車輛行進方向和輪圈所指方向兩者間所成的角度。v為車速,r為車輪角速度。
上述步驟S24中係以三次方程式k(s)=as 3+bs 2+cs+d找出本車的最終路徑,如下式(3)r(s)=[x(s),y(s),θ(s),k(s)]’ (3)其中,s為時間,x為x軸座標點,y為y軸座標點,θ為本車的航向角,k為路口的彎道曲率。在無前車的情境下,可透過車道邊緣獲得車道曲率,再透過下式(4)~(8)代入三次方程式,得到本車的最終路徑公式(3):dx/ds=cosθ(s) (4)
dy/ds=sinθ(s) (5)
dθ/ds=k(s) (6)
第4圖至第6圖為在T字路口應用本發明之實施例示意圖。以感測器是光達為例,首先將點雲圖利用轉軸公式轉換成第4圖所示的鳥瞰圖,將彩圖以灰階表示。接著根據回波強度值對周圍環境物體進行分類,找出車道線、車道邊緣及所有車輛,如第5圖所示,其中長虛線為車道線20、短虛線為車道邊緣22、長方形框為他車24。黑點則為本車26的位置。找出兩條車道線
20之間或車道線20與車道邊緣22之間的車道中心點28,如第5圖中的三角形標記。需注意的是,此車道中心點28為通過路口之後的第一個中心點,而隨著本車26移動,每個時間t的車道中心點28也會跟著移動,多個車道中心點28可連成一條車道中心線。第6圖中,則是根據本車26車寬範圍判斷前方是否有車輛,若有前車則透過車輛運動學預判駕駛行為;反之則提取最近的車道邊緣22的曲率進行計算,找出過彎的最終路徑,如第6圖中的淺灰色弧形箭頭為本車26的過彎路徑。
第7圖至第9圖為在十字路口應用本發明之實施例示意圖。以感測器是光達為例,首先將點雲圖利用轉軸公式轉換成第7圖所示的鳥瞰圖,將彩圖以灰階表示。接著根據回波強度值對周圍環境物體進行分類,找出車道線、車道邊緣及所有車輛,如第8圖所示,其中短虛線為車道邊緣22、長方形框為他車26。黑點則為本車26的位置。接著,找出兩條車道邊緣22之間的車道中心點28,如第8圖中的三角形標記。由於本車26可以直走或右轉,因此同時找出直行路徑和右轉路徑的車道中心點28,產生第8圖中的兩個三角形標記。與第6圖相同的是,此二個三角形標記也是通過路口後兩個路徑各自的第一個車道中心點28。第9圖中,則是根據本車26車寬範圍判斷前方是否有車輛,若有前車則透過車輛運動學預判前車的駕駛行為;反之則提取最近的車道邊緣22的曲率進行計算,找出過彎的最終路徑,如第9圖中的淺灰色直線箭頭和淺灰色弧形箭頭皆為本車26通過十字路口的路徑。
第10圖至第12圖為在地下停車場應用本發明之實施例示意圖。以感測器是光達為例,首先將點雲圖利用轉軸公式轉換成第10圖所示的鳥瞰圖,將彩圖以灰階表示。接著根據回波強度值對周圍環境物體進行分類,找
出車道線、車道邊緣及所有車輛,如第11圖所示,其中短虛線為車道邊緣22、長方形框為他車24。黑點則為本車26的位置。找出兩條車道邊緣22之間的車道中心點28,如第11圖中的三角形標記。第12圖中,則是根據本車26的車寬範圍判斷前方是否有車輛,若有前車則透過車輛運動學預判前車的駕駛行為;反之則提取最近的車道邊緣22的曲率進行計算,找出本車26的最終路徑,如第12圖中的淺灰色直線箭頭為本車26的路徑。
綜上所述,本發明提供一種自駕車之路徑規劃系統及方法,其將光達取得的點雲圖透過轉換公式轉為鳥瞰圖後,判別周圍環境的物體類別,找車道線和車道邊緣後算出可行駛範圍,同時藉由其他車道(即本車即將直行或轉彎後的車道)之車道線找出車道中心點作為終點。若車道中心點處有前車且預判前車與本車為相同路徑,則以前車的預測路徑做為本車的路徑參考點;反之則參考環境的車道邊緣以計算本車的最終路徑。如此一來,本車不須高精圖資、也不需GPS,藉由光達的點雲資料的回波強度值,即可計算出本車的最終路徑,大幅減少錄製高精圖資所需的成本,減少資料占用的儲存空間,且在沒有GPS的地下室仍能正常使用本發明的系統。
唯以上所述者,僅為本發明之較佳實施例而已,並非用來限定本發明實施之範圍。故即凡依本發明申請範圍所述之特徵及精神所為之均等變化或修飾,均應包括於本發明之申請專利範圍內。
10:自駕車之路徑規劃系統
11:車上主機
12:感測器
13:鳥瞰圖產生模組
14:類別偵測模組
15:車道中心計算模組
16:前車預判模組
17:路徑規劃模組
Claims (23)
- 一種自駕車之路徑規劃系統,設置於一本車上,該自駕車之路徑規劃系統包括:至少一感測器,用以偵測該本車之周圍環境資訊;一鳥瞰圖產生模組,連接該至少一感測器,接收該周圍環境資訊並轉換成一鳥瞰圖,該鳥瞰圖包括每一座標點之座標資訊;一類別偵測模組,連接該鳥瞰圖產生模組,依據該等座標資訊判別並標記出該鳥瞰圖中的車道邊緣、車道線及他車;一車道中心計算模組,連接該類別偵測模組,依據已標記出的該鳥瞰圖中的車道邊緣及車道線找出一可行駛範圍,並計算一車道中心點,根據該車道中心點及該本車之位置從他車中找出一前車,及依據該前車之位置計算該前車之車速;一前車預判模組,連接該類別偵測模組及該車道中心計算模組,透過一車輛運動學模型估計該前車之一預測路徑;以及一路徑規劃模組,連接該前車預判模組,若該前車之該預測路徑與該本車之行駛路徑相同時,以該前車做為一路徑參考點,若該前車之該預測路徑與該本車之行駛路徑不同或沒有前車時,則以該車道邊緣做為一路徑參考線,將該路徑參考線移動到該車道中心線,並縮放該路徑參考線使該路徑參考線的曲率與該車道邊緣相同且符合車道置中,以計算出該本車之一最終路徑。
- 如請求項1所述之自駕車之路徑規劃系統,其中該至少一感測器為光達。
- 如請求項1所述之自駕車之路徑規劃系統,其中該座標資訊包括該等座標點的座標值、該等座標點所組成的形狀、點數疏密、該等座標點所組成的物件的高度、或每一座標點之回波強度值。
- 如請求項4所述之自駕車之路徑規劃系統,其中該回波強度值預設有複數區間,不同區間的該等回波強度值的該等座標點係以不同顏色顯示在該鳥瞰圖上。
- 如請求項4所述之自駕車之路徑規劃系統,其中該類別偵測模組係將該等座標資訊進行濾波以濾除雜訊,再依據該等座標資訊判別出該鳥瞰圖中的車道邊緣、車道線及他車。
- 如請求項6所述之自駕車之路徑規劃系統,其中該類別偵測模組係利用卡爾曼濾波器對該等座標資訊進行濾波。
- 如請求項1所述之自駕車之路徑規劃系統,其中該車道中心計算模組係依據該鳥瞰圖中的車道邊緣及車道線找出一可行駛範圍後, 再從該可行駛範圍中取相鄰之二該車道線的中心點做為該車道中心點,或是取該車道線與該車道邊緣之平均值做為該車道中心點。
- 如請求項1所述之自駕車之路徑規劃系統,其中該車道中心計算模組取得該前車之位置後,依據連續時間的至少二該鳥瞰圖之該前車之位置,以計算該前車之車速。
- 如請求項9所述之自駕車之路徑規劃系統,其中該前車預判模組更透過標記之該車道線建立一駕駛行為興趣區域,再依據該預測路徑與該駕駛行為興趣區域以預測該前車之行為,包括直行或轉彎。
- 如請求項1所述之自駕車之路徑規劃系統,其中該前車之該預測路徑與該本車之行駛路徑相同時,該路徑規劃模組以該前車做為該路徑參考點,並與該本車及該車道線中心點的位置結合,以三次方程式r(s)=[x(s),y(s),θ(s),k(s)]’計算該本車之該最終路徑,其中s為時間,x為x軸座標點,y為y軸座標點,θ為該本車的航向角,k為路口的彎道曲率。
- 如請求項1所述之自駕車之路徑規劃系統,其中該前車之該預測路徑與該本車之行駛路徑不同時,該路徑規劃模組以該車道邊緣做為該路徑參考線,並以該路徑參考線計算出該車道邊緣之一邊緣曲率,將該路徑參考線移動到該車道中心線,並縮放該路徑參考線使該路徑參考線的曲率與該邊緣曲率相同且符合車道置中,以計算該本車之該最終路徑。
- 一種自駕車之路徑規劃方法,包括下列步驟:利用至少一感測器偵測一本車之周圍環境資訊; 利用一鳥瞰圖產生模組將該周圍環境資訊轉換成一鳥瞰圖,該鳥瞰圖包括每一座標點之座標資訊;一類別偵測模組依據該等座標資訊判別並標記出該鳥瞰圖中的車道邊緣、車道線及他車;一車道中心計算模組依據已標記出的該鳥瞰圖中的車道邊緣及車道線計算一車道中心點,根據該車道中心點及該本車之位置從他車中找出一前車,再依據該前車之位置計算該前車之車速;一前車預判模組透過一車輛運動學模型估計該前車之一預測路徑;以及一路徑規劃模組判斷該前車之該預測路徑與該本車之行駛路徑是否相同,若相同時,以該前車做為一路徑參考點,若該前車之該預測路徑與該本車之行駛路徑不同或沒有前車時,則以該車道邊緣做為一路徑參考線,將該路徑參考線移動到該車道中心線,並縮放該路徑參考線使該路徑參考線的曲率與該車道邊緣相同且符合車道置中,以計算出該本車之一最終路徑。
- 如請求項13所述之自駕車之路徑規劃方法,其中該座標資訊包括該等座標點的座標值、該等座標點所組成的形狀、點數疏密、該等座標點所組成的物件的高度、或每一座標點之回波強度值。
- 如請求項15所述之自駕車之路徑規劃方法,其中該回波強度值預設有複數區間,不同區間的該等回波強度值的該等座標點係以不同顏色顯示在該鳥瞰圖上。
- 如請求項15所述之自駕車之路徑規劃方法,其中該類別偵測模組將該等座標資訊被濾波以濾除雜訊後,再依據該等座標資訊判別出該鳥瞰圖中的車道邊緣、車道線及他車。
- 如請求項17所述之自駕車之路徑規劃方法,其中該等座標資訊係利用卡爾曼濾波器進行濾波。
- 如請求項13所述之自駕車之路徑規劃方法,其中該車道中心點之計算包含下列步驟:該車道中心計算模組依據該鳥瞰圖中的車道邊緣及車道線找出一可行駛範圍;以及該車道中心計算模組在該可行駛範圍中,取相鄰之二該車道線的中心點做為該車道中心點,或是取該車道線與該車道邊緣之平均值做為該車道中心點。
- 如請求項13所述之自駕車之路徑規劃方法,其中該依據該前車之位置計算該前車之車速之步驟更包括下列步驟:該車道中心計算模組依據連續時間的至少二該鳥瞰圖之該前車之位置,計算該前車之車速。
- 如請求項13所述之自駕車之路徑規劃方法,其中該透過該車輛運動學模型估計該前車之一預測路徑之步驟更包括下列步驟:該前車預判模組透過標記之該車道線建立一駕駛行為興趣區域,再依據該預測路徑與該駕駛行為興趣區域以預測該前車之行為,包括直行或轉彎。
- 如請求項13所述之自駕車之路徑規劃方法,其中該前車之該預測路徑與該本車之行駛路徑相同時,該路徑規劃模組以該前車做為該路徑參考點,並與該本車及該車道線中心點的位置結合,以三次方程式r(s)=[x(s),y(s),θ(s),k(s)]’計算該本車之該最終路徑,其中s為時間,x為x軸座標點,y為y軸座標點,θ為該本車的航向角,k為路口的彎道曲率。
- 如請求項13所述之自駕車之路徑規劃方法,其中該前車之該預測路徑與該本車之行駛路徑不同時,該路徑規劃模組以該車道邊緣做為該路徑參考線,並以該路徑參考線計算出該車道邊緣之一邊緣曲率,將該路徑參考線移動到該車道中心線,並縮放該路徑參考線使該路徑參考線的曲率與該邊緣曲率相同且符合車道置中,以計算該本車之該最終路徑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111139032A TWI824773B (zh) | 2022-10-14 | 2022-10-14 | 自駕車之路徑規劃系統及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111139032A TWI824773B (zh) | 2022-10-14 | 2022-10-14 | 自駕車之路徑規劃系統及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI824773B true TWI824773B (zh) | 2023-12-01 |
TW202416216A TW202416216A (zh) | 2024-04-16 |
Family
ID=90052997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111139032A TWI824773B (zh) | 2022-10-14 | 2022-10-14 | 自駕車之路徑規劃系統及方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI824773B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107063276A (zh) * | 2016-12-12 | 2017-08-18 | 成都育芽科技有限公司 | 一种无延迟高精度的无人车车载导航装置与方法 |
CN108955692A (zh) * | 2018-08-02 | 2018-12-07 | 德清知域信息科技有限公司 | 一种将车载与行人场景连接的导航方法 |
CN111947642A (zh) * | 2019-05-15 | 2020-11-17 | 宜升有限公司 | 自驾车辆的车辆导航设备 |
CN112859107A (zh) * | 2019-11-12 | 2021-05-28 | 亚庆股份有限公司 | 高尔夫球场自驾车辆的车辆导航切换设备 |
-
2022
- 2022-10-14 TW TW111139032A patent/TWI824773B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107063276A (zh) * | 2016-12-12 | 2017-08-18 | 成都育芽科技有限公司 | 一种无延迟高精度的无人车车载导航装置与方法 |
CN108955692A (zh) * | 2018-08-02 | 2018-12-07 | 德清知域信息科技有限公司 | 一种将车载与行人场景连接的导航方法 |
CN111947642A (zh) * | 2019-05-15 | 2020-11-17 | 宜升有限公司 | 自驾车辆的车辆导航设备 |
CN112859107A (zh) * | 2019-11-12 | 2021-05-28 | 亚庆股份有限公司 | 高尔夫球场自驾车辆的车辆导航切换设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109849922B (zh) | 一种用于智能车辆的基于视觉信息与gis信息融合的方法 | |
CN108256413B (zh) | 可通行区域检测方法及装置、存储介质、电子设备 | |
US9297641B2 (en) | Detection of obstacles at night by analysis of shadows | |
EP2372304B1 (en) | Vehicle position recognition system | |
CN101075376B (zh) | 基于多视点的智能视频交通监控系统及方法 | |
EP1975565B1 (en) | Road surface feature information collecting apparatus and method | |
US9064418B2 (en) | Vehicle-mounted environment recognition apparatus and vehicle-mounted environment recognition system | |
CN110097762B (zh) | 一种道路视频图像低能见度刻度估算方法及系统 | |
CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
US20220035378A1 (en) | Image segmentation | |
CN109064495A (zh) | 一种基于Faster R-CNN与视频技术的桥面车辆时空信息获取方法 | |
CN105005771A (zh) | 一种基于光流点轨迹统计的车道线实线的检测方法 | |
CN110458050B (zh) | 基于车载视频的车辆切入检测方法及装置 | |
CN102222236A (zh) | 图像处理系统及位置测量系统 | |
CN115004257A (zh) | 用于涉及交通灯和交通标志的交通工具导航的系统和方法 | |
CN108845569A (zh) | 生成三维高清道路图水平弯道行车线的半自动点云方法 | |
CN103204104B (zh) | 一种车辆全视角驾驶监控系统及方法 | |
CN105654073A (zh) | 一种基于视觉检测的速度自动控制方法 | |
JP6977887B2 (ja) | レーン推定装置、方法およびプログラム | |
CN109345853A (zh) | 一种基于gis的无人车安全驾驶优化方法 | |
CN113009453B (zh) | 矿山路沿检测及建图方法及装置 | |
JP4940177B2 (ja) | 交通流計測装置 | |
CN114999228B (zh) | 一种自动驾驶车在恶劣天气防碰撞方法 | |
JP4775658B2 (ja) | 地物認識装置・自車位置認識装置・ナビゲーション装置・地物認識方法 | |
CN111694011A (zh) | 一种摄像机和三维激光雷达数据融合的路沿检测方法 |