CN105857306B - 一种用于多种泊车场景的车辆自主泊车路径规划方法 - Google Patents

Abstract

本发明提供一种用于多种泊车场景的车辆自主泊车路径规划方法，用于自主泊车***检测到可用泊车空间而将车辆自动地停泊于所述泊车空间中，包括：检测目标车位信息，确定泊车情景；确定待停泊车辆的初始状态和目标状态；建立车辆运动学微分方程；对车辆状态变量和控制变量进行分段，并按照一定的时间步长对每一分段进行等距采样，得到待优化变量；分别形成待优化变量的等式约束、边界约束、不等式约束；根据车辆在泊车过程中的运动范围限制，形成待停泊车辆的运动范围约束；确定优化目标，建立目标函数；采用非线性规划求解器，得到泊车路径的最优解。本发明适用于多种泊车场景，设计合理，能够提供丰富的信息控制车辆自主泊车，安全系数高。

Description

一种用于多种泊车场景的车辆自主泊车路径规划方法

技术领域

本发明涉及车辆自主泊车技术领域，具体是一种用于多种泊车场景的车辆自主泊车路径规划方法。

背景技术

近年来，随着国内汽车保有量的迅速增长，城市内停车位日趋紧张和狭小。对于新手驾驶员，泊车通常是一个难题，特别是对于车位过于狭窄的情况，驾驶员往往难以很好地控制汽车进行快速准确的泊车，由泊车引发的事故几率大大升高。

自主泊车***可以帮助驾驶员准确安全地泊车，这种***使用一种或多种传感器检测出车位大小及其位置，然后规划出一条可行的泊车路径，最后自动地控制车辆的转向***、制动***和动力***遵循规划出的路径完成泊车。在自主泊车***中，路径规划是关键技术之一。安全无碰撞、路径可行是其最基本、最重要的要求，在此基础上快速而舒适的泊车路径也是自主泊车***需要的。除此之外，若泊车路径规划结果能提供更为丰富的信息给执行***，将更有利于对所规划路径的跟踪。

中国发明专利CN102975715A中提供一种汽车在任意姿态下进行平行泊车路径规划的方法，该方法遍历连接车辆起点与终点的点阵拟合出的样条曲线，然后从中寻找一条符合车辆运动学约束和避撞约束的路径。其中不利的是，该方法规划路径中假定了车辆仅向一个方向运动，不符合泊车过程需要多次调整的实际需要，因此规划成功率不高。

申请号为201210547981.2的专利中提供一种用于自动平行停泊***确定车辆路径的方法，该方法可以提供单循环转向操纵或两循环转向操纵的平行泊车路径规划。申请号为201080064605.7的专利中提供一种用于使汽车前进地泊入竖直泊车位的方法。以上方法不利的是，其方法仅适用于一种泊车位的泊车路径规划。另外不利的是，其方法规划结果中不提供速度、加速度等信息，不利于对所规划路径的跟踪。

申请号为201510737989.9的专利中提供了一种基于全联立求解策略的车辆-环境一体化建模的动态优化框架，有效消除了不同车位形状对轨迹规划策略造成的影响。其中不利的是，该方法未对车辆的活动范围进行约束，其所规划轨迹可能使得车辆侵入其他车道而妨碍其他车道上的车辆行驶甚至发生事故。另外不利的是，其未检测离散后的两个车辆状态之间是否发生碰撞，可能造成车辆沿规划轨迹行驶时发生碰撞。

发明内容

本发明的目的在于提供一种用于多种泊车场景的车辆自主泊车路径规划方法，以解决现有技术中存在的不足。

本发明的技术方案为：

一种用于多种泊车场景的车辆自主泊车路径规划方法，该方法用于自主泊车***检测到可用泊车空间而将车辆自动地停泊于所述泊车空间中，包括以下步骤：

(1)检测目标车位信息，确定泊车情景；

(2)根据所述目标车位信息和泊车情景，确定待停泊车辆的初始状态和目标状态；

(3)基于前轮转向四轮车辆的阿克曼模型，建立车辆运动学微分方程；

(4)对车辆状态变量和控制变量进行分段，并按照一定的时间步长对每一分段进行等距采样，得到待优化变量；

(5)采用拉格朗日插值法将车辆状态变量每个采样点上的微分表示为该采样点所在分段上各个采样点的函数，联立所述函数与车辆运动学微分方程，使所述车辆运动学微分方程转化为代数方程，形成待优化变量的等式约束；

(6)根据车辆运动的物理限制和泊车的安全要求，形成待优化变量的边界约束；

(7)根据目标车位周围障碍物，公式化避撞要求，形成待优化变量的不等式约束；

(8)根据车辆在泊车过程中的运动范围限制，形成待停泊车辆的运动范围约束；

(9)确定优化目标，建立目标函数；

(10)采用非线性规划求解器，得到泊车路径的最优解。

所述的用于多种泊车场景的车辆自主泊车路径规划方法，还包括以下步骤：

采用拉格朗日插值法对所述泊车路径的最优解中的车辆状态变量进行拟合，以细化的时间步长对拟合后的车辆状态变量进行采样，得到细化的车辆状态序列，检测所述细化的车辆状态序列中的每个车辆状态是否发生碰撞，若是，则增加分段数，重复步骤(4)～(10)重新进行路径规划。

所述的用于多种泊车场景的车辆自主泊车路径规划方法，步骤(1)中，所述目标车位信息包括目标车位的朝向、位置、长度和宽度以及目标车位周围障碍物位置；所述泊车情景包括垂直泊车、斜向泊车和平行泊车。

所述的用于多种泊车场景的车辆自主泊车路径规划方法，步骤(3)中，所述车辆运动学微分方程为：

其中，x表示车辆后轴中心在笛卡尔坐标系中的横坐标，y表示车辆后轴中心在笛卡尔坐标系中的纵坐标，v表示车辆后轴中心的移动速度，θ表示车辆朝向与笛卡尔坐标系X轴的夹角，表示车辆前轮转角，a表示车辆后轴中心的加速度，ω表示车辆前轮转角的角速度，L_m表示车辆前轴与后轴之间的距离；

步骤(4)中，所述车辆状态变量为x、y、v、θ、所述车辆控制变量为a、ω，对车辆状态变量和控制变量进行分段，设分段数为N，每一分段包含等距的M个采样点，每一分段时间长度为(M-1)h，变量x、y、v、θ、ω离散后的每一分段的M个采样点中，两端的采样点与相邻的分段共用，变量a离散后的每一分段包含M个独立的采样点，则所述待优化变量为：

其中，h表示时间步长；x_i，i＝0，1，…，(M-l)N表示变量x离散后第i个采样点的值；y_i，i＝0，1，…，(M-1)N表示变量y离散后第i个采样点的值；v_i，i＝0，1，…，(M-1)N表示变量v离散后第i个采样点的值；θ_i，i＝0，1，…，(M-1)N表示变量θ离散后第i个采样点的值，表示变量离散后第i个采样点的值；ω_i，i＝0，1，…，(M-1)N表示变量ω离散后第i个采样点的值；a_p，p＝0，1，…，MN-l表示变量a离散后第p个采样点的值。

所述的用于多种泊车场景的车辆自主泊车路径规划方法，采用拉格朗日插值法将车辆状态变量x、y、v、θ、每个采样点上的微分表示为该采样点所在分段上M个采样点的函数：

联立所述函数与车辆运动学微分方程，使所述车辆运动学微分方程转化为代数方程，形成待优化变量的等式约束：

s′_n，m*h-f(t_n，m)*h＝0，n＝0，1，…，N-1；m＝0，1，…，M-1

其中，s代表车辆状态变量x、y、v、θ、s_n，m表示车辆状态变量在时刻t_n，m处的值，γ_n，m表示车辆状态变量在时刻t_n，m处的系数，s′_n，m表示车辆状态变量在时刻t_n，m处的导数，t_n，m＝h*[(M-1)*n+m]表示第n个分段内第m个采样点处的时刻。

所述的用于多种泊车场景的车辆自主泊车路径规划方法，所述待优化变量的边界约束为：

其中，h_max表示时间步长的最大限值，x_lb、y_lb、v_lb、a_lb、θ_lb、ω_lb分别表示变量x、y、v、a、θ、ω的下限值，x_ub、y_ub、v_ub、a_ub、θ_ub、ω_ub分别表示变量x、y、v、a、θ、ω的上限值；表示待停泊车辆的初始状态，表示待停泊车辆的目标状态；x_i、y_i、v_i、θ_i、ω_i分别表示变量x、y、v、θ、ω离散后第i个采样点的值，a_p表示变量a离散后第p个采样点的值。

所述的用于多种泊车场景的车辆自主泊车路径规划方法，所述待优化变量的不等式约束为：

其中，C_i表示待停泊车辆处于第i个状态时被抽象成的四边形，P_j表示第j个障碍物被抽象成的四边形，J表示障碍物的数量，P_j，k表示四边形P_j的第k个角点，C_i，k表示四边形C_i的第k个角点，S(C_i，P_j，k)表示P_j，k与四边形C_i所形成的四个三角形的面积和，SA表示四边形C_i的面积，S(P_j,C_i，k)表示C_i，k与四边形P_j所形成的四个三角形的面积和，SP_j表示四边形P_j的面积，α为大于1的安全系数。

所述的用于多种泊车场景的车辆自主泊车路径规划方法，待停泊车辆的运动范围约束为：

其中，表示待停泊车辆处于第i个状态时被抽象成的四边形的第k个角点的X轴坐标，表示待停泊车辆处于第i个状态时被抽象成的四边形的第k个角点的Y轴坐标；x_lb、x_ub分别表示车辆状态变量x的下限值和上限值，y_lb、y_ub分别表示车辆状态变量y的下限值和上限值。

所述的用于多种泊车场景的车辆自主泊车路径规划方法，目标函数为：

T_f＝N*(M-1)h

其中，T_f表示待停泊车辆的路径规划时间；

优化目标为时间最短，即minT_f。

所述的用于多种泊车场景的车辆自主泊车路径规划方法，M为整数且4≤M≤8。

本发明的有益效果为：

由上述技术方案可知，本发明适用于多种泊车场景的路径规划，包括垂直泊车、斜向泊车和平行泊车，可以提供符合车辆运动学约束和避撞约束的泊车路径，规划结果安全可行，还可以提供速度、加速度等控制信息以便于对所规划路径的跟踪，设计合理，能够提供丰富的信息控制车辆自主泊车，安全系数高。

附图说明

图1是应用本发明实施例的自主泊车***的框图；

图2是本发明实施例的车辆几何示意图；

图3是本发明实施例的垂直泊车路径规划示意图；

图4是本发明实施例的斜向泊车路径规划示意图；

图5是本发明实施例的平行泊车路径规划示意图。

具体实施方式

下面结合附图和具体实施例进一步说明本发明。

如图1所示，自主泊车***包括感知***1、控制器2和车辆的转向***31、制动***32、动力***33。感知***1包含一种或多种传感器，例如基于超声波的传感器、基于视觉的传感器或者基于激光的传感器，其可以检测到周围障碍物的信息，并且检测出泊车位信息，设定车辆目标状态，然后向控制器2发送以上信息。控制器2接收感知***1发送的障碍物信息、目标车位信息和目标状态信息，然后依据本发明的方法对泊车问题建模并求解，最后执行规划出的路径。转向***31、制动***32和动力***33可以接收和执行来自控制器2的控制命令并向控制器2发送反馈信息。例如，转向***31可以接收方向盘转角命令或车辆前轮转角命令并执行相应的方向盘转角或车辆前轮转角；制动***32可以接收制动百分比命令并执行相应的制动；动力***33可以接收发动机扭矩命令或车速命令并输出相应的发动机扭矩或车速。

如图2所示，将实际车辆抽象为一个矩形的车辆模型，该车辆模型符合阿克曼转向原理。车辆具有长度L和宽度W。车辆的位置以实际车辆后轴中心的位置(x，y)来表示。后轴中心到车尾距离为L_r，前轴中心到车头距离为L_f，前后轴间距为L_m。车辆后轴中心速度为v，车辆前轮转角为车辆朝向与全局坐标系X轴夹角为θ。

如图3所示，一个典型的垂直泊车位两边都停泊有车辆，将其抽象为四边形P₁和P₂，通过感知***测得其四个角点{P_j，k|j＝1，2；k＝1，2，3，4}。为车辆目标状态，是感知***通过识别泊车位的类型以后设定出的，一般的，目标状态车速为0，即v_f＝0，车辆朝向与车位朝向相同，即θ_f＝90°。为车辆初始状态，是车辆开始应用本发明时的状态，一般的，初始状态车速为0，即v_z＝0。为所规划路径中车辆的第i个状态，其四个角点以{C_i，1，C_i，2，C_i，3，C_i，4}表示。

符合阿克曼转向原理的前轮转向四轮车辆模型转向时具有一个转向中心，并且位于后轴延伸线上。在低速情况下，可以忽略轮胎的滑移，车辆运动学微分方程可以表示为：

车辆状态变量由表示，控制变量由(a，ω)表示。车辆状态变量和控制变量在时间t上是连续的，在一系列时刻上对其采样则形成车辆的一系列状态。对车辆状态变量和控制变量进行分段，初始地，设定分段数为N，例如N＝10，每一分段包含等距的5个采样点，每一分段时间长度为4h，变量x、y、v、θ、ω离散后的每一分段的5个采样点中，两端的采样点与相邻的分段共用，变量a离散后的每一分段包含5个独立的采样点；得到待优化变量为：

每一个采样点上的微分可以使用拉格朗日插值法表示为该分段上5个采样点的函数：

其中，s_n，m，n＝0，1，…，N-1；m＝0，1，…，4为状态变量s即在时刻t_n，m处的值，S′_n，m为状态变量s在时刻t_n,m处的导数，t_n，m＝h*(4*n+m)表示第n个分段内第m个采样点处的时刻。

均为时间t的函数，即可以表示为的形式。联立公式(1)和(2)，公式(1)中形如的微分方程转化为如下的代数方程，形成待优化变量的等式约束：

s′_n，m*h-f(t_n，m)*h＝0，(n＝0，1…，N-1；m＝0，1…，4) (3)

车辆运动过程中存在限制，即其前轮转角和前轮转角角速度在正反两个方向都有一个最大值。同时出于泊车过程的安全性考虑，车辆运动范围(x，y)以及车辆速度和加速度应该进行限定。时间步长h和分段数N以及采样点数5共同决定了泊车用时，通常泊车不应耗费太长时间，因此对时间步长h进行限制。同时，规划结果中车辆第一个和最后一个状态应分别等于车辆初始状态和目标状态。综上所述，待优化变量的边界约束如下：

其中，h_max表示时间步长的最大限值，x_lb、y_lb、v_lb、a_lb、θ_lb、ω_lb分别表示变量x、y、v、a、θ、ω的下限值，x_ub、y_ub、v_ub、a_ub、θ_ub、ω_ub分别表示变量x、y、v、a、θ、ω的上限值。

车辆沿着规划路径泊车过程中不与障碍物发生碰撞是最重要的。使用面积法可以判断一个点是否位于一个四边形之内：当点位于四边形之内时，该点与该四边形的四条边所组成的四个三角形面积和等于四边形的面积；当点位于四边形之外时，该点与该四边形的四条边所组成的四个三角形面积和大于四边形的面积。如果对于车辆的每一个状态，{P_j，k|j＝1，2；k＝1，2，3，4}都在其四边形之外，并且对于每一个障碍物，车辆的每一个状态的四个角点{C_i，1，C_i，2，C_i，3，C_i，4}都在其四边形之外，则可以判定车辆的每一个状态都是安全无碰撞的。因此，待优化变量的不等式约束为：

其中，S(C_i，P_j，k)表示P_j，k与四边形C_i所形成的四个三角形的面积和，SA表示四边形C_i的面积，S(P_j，C_i，k)表示C_i，k与四边形P_j所形成的四个三角形的面积和，SP_j表示四边形P_j的面积；α为大于1的安全系数，例如1.05，α越大，车辆与障碍物的安全间距越大。

设定优化目标为时间最短，即目标函数为：

T_f＝N*4h (6)

车辆在泊车过程中具有一个限定的活动范围，如其不能过分地侵入另一条车道从而妨碍其他车辆通行，同时也给自身带来安全隐患。另外道路两侧可能为墙壁一类的空间禁区，因此应当给泊车路径规划施加运动范围约束。泊车过程中，车辆的四个角点不可逾越限定的运动范围，因此车辆的运动范围约束为：

其中，表示车辆的第i个状态时第k个角点的X轴坐标，表示车辆的第i个状态时第k个角点的Y轴坐标。和可以由车辆状态参数和车辆的几何参数计算得出。

使用非线性规划求解器，例如IPOPT、SNOPT，求解以上得到的带约束非线性规划问题：

当泊车环境过于苛刻时，求解器无法求得符合约束的解，此时判定泊车路径规划失败。否则，求解得到的结果即为代表时间最短泊车路径的4N+1个车辆状态，使用分段拉格朗日插值法进行拟合即可得到车辆状态变量和控制变量在任意时刻的值。为防止时间步长h过大而导致所规划出的两个车辆状态间存在碰撞而未被检测到，以0.01秒为细化的时间步长，得到更加细化的车辆状态序列。检测细化的车辆状态序列中的每一个车辆状态是否发生碰撞，若否，则判定泊车路径规划成功。否则，则增加分段数，例如令分段数为2N，重新进行路径规划。当重复3次以后如果仍然存在碰撞则判定泊车路径规划失败。

最后当泊车路径规划成功时，泊车控制器对动力***、制动***和转向***进行实时控制以执行跟踪所规划出的泊车路径。

本发明适用于多种泊车场景，图4和图5分别示意了车辆斜向泊车和平行泊车情况下应用本发明所得到的泊车路径。

应当注意的是，本发明并非限定泊车位周围障碍物为其他车辆，也可以是其他障碍物，如可能为车位地锁，同样适用于本发明应用场景。另外应当注意的是，本发明并未限定泊车位周围障碍物数量为2，其他数量的障碍物也适用于本发明应用场景。

以上所述实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims (10)

1.一种用于多种泊车场景的车辆自主泊车路径规划方法，该方法用于自主泊车***检测到可用泊车空间而将车辆自动地停泊于所述泊车空间中，其特征在于，包括以下步骤：

(1)检测目标车位信息，确定泊车情景；

(2)根据所述目标车位信息和泊车情景，确定待停泊车辆的初始状态和目标状态；

(3)基于前轮转向四轮车辆的阿克曼模型，建立车辆运动学微分方程；

(4)对车辆状态变量和控制变量进行分段，并按照一定的时间步长对每一分段进行等距采样，得到待优化变量；

(5)采用拉格朗日插值法将车辆状态变量每个采样点上的微分表示为该采样点所在分段上各个采样点的函数，联立所述函数与车辆运动学微分方程，使所述车辆运动学微分方程转化为代数方程，形成待优化变量的等式约束；

(6)根据车辆运动的物理限制和泊车的安全要求，形成待优化变量的边界约束；

(7)根据目标车位周围障碍物，公式化避撞要求，形成待优化变量的不等式约束；

(8)根据车辆在泊车过程中的运动范围限制，形成待停泊车辆的运动范围约束；

(9)确定优化目标，建立目标函数；

(10)采用非线性规划求解器，得到泊车路径的最优解。

2.根据权利要求1所述的用于多种泊车场景的车辆自主泊车路径规划方法，其特征在于，还包括以下步骤：

(11)采用拉格朗日插值法对所述泊车路径的最优解中的车辆状态变量进行拟合，以细化的时间步长对拟合后的车辆状态变量进行采样，得到细化的车辆状态序列，检测所述细化的车辆状态序列中的每个车辆状态是否发生碰撞，若是，则增加分段数，重复步骤(4)～(10)重新进行路径规划。

3.根据权利要求1所述的用于多种泊车场景的车辆自主泊车路径规划方法，其特征在于，步骤(1)中，所述目标车位信息包括目标车位的朝向、位置、长度和宽度以及目标车位周围障碍物位置；所述泊车情景包括垂直泊车、斜向泊车和平行泊车。

4.根据权利要求1所述的用于多种泊车场景的车辆自主泊车路径规划方法，其特征在于，步骤(3)中，所述车辆运动学微分方程为：

其中，x表示车辆后轴中心在笛卡尔坐标系中的横坐标，y表示车辆后轴中心在笛卡尔坐标系中的纵坐标，v表示车辆后轴中心的移动速度，θ表示车辆朝向与笛卡尔坐标系X轴的夹角，表示车辆前轮转角，a表示车辆后轴中心的加速度，ω表示车辆前轮转角的角速度，L_m表示车辆前轴与后轴之间的距离；

步骤(4)中，所述车辆状态变量为x、y、v、θ、所述车辆控制变量为a、ω，对车辆状态变量和控制变量进行分段，设分段数为N，每一分段包含等距的M个采样点，每一分段时间长度为(M-1)h，变量x、y、v、θ、ω离散后的每一分段的M个采样点中，两端的采样点与相邻的分段共用，变量a离散后的每一分段包含M个独立的采样点，则所述待优化变量为：

其中，h表示时间步长；x_i，i＝0，1，...，(M-1)N表示变量x离散后第i个采样点的值；y_i，i＝0，1，...，(M-1)N表示变量y离散后第i个采样点的值；v_i，i＝0，1，...，(M-1)N表示变量v离散后第i个采样点的值；θ_i，i＝0，1，...，(M-1)N表示变量θ离散后第i个采样点的值，i＝0，1，...，(M-1)N表示变量离散后第i个采样点的值；ω_i，i＝0，1，...，(M-1)N表示变量ω离散后第i个采样点的值；a_p，p＝0，1，...，MN-1表示变量a离散后第p个采样点的值。

5.根据权利要求4所述的用于多种泊车场景的车辆自主泊车路径规划方法，其特征在于，采用拉格朗日插值法将车辆状态变量x、y、v、θ、每个采样点上的微分表示为该采样点所在分段上M个采样点的函数：

联立所述函数与车辆运动学微分方程，使所述车辆运动学微分方程转化为代数方程，形成待优化变量的等式约束：

s′_n，m*h-f(t_n，m)*h＝0，n＝0，1，…，N-1；m＝0，1，...，M-1

其中，s代表车辆状态变量x、y、v、θ、s_n，_m表示车辆状态变量在时刻t_n，m处的值，γ_n，m表示车辆状态变量在时刻t_n，m处的系数，s′_n，m表示车辆状态变量在时刻t_n，m处的导数，t_n，m＝h*[(M-1)*n+m]表示第n个分段内第m个采样点处的时刻。

6.根据权利要求4所述的用于多种泊车场景的车辆自主泊车路径规划方法，其特征在于，所述待优化变量的边界约束为：

其中，h_max表示时间步长的最大限值，x_lb、y_lb、v_lb、a_lb、θ_lb、ω_lb分别表示变量x、y、v、a、θ、ω的下限值，x_ub、y_ub、v_ub、a_ub、θ_ub、ω_ub分别表示变量x、y、v、a、θ、ω的上限值；表示待停泊车辆的初始状态，表示待停泊车辆的目标状态；x_i、y_i、v_i、θ_i、ωi分别表示变量x、y、v、θ、ω离散后第i个采样点的值，a_p表示变量a离散后第p个采样点的值。

7.根据权利要求4所述的用于多种泊车场景的车辆自主泊车路径规划方法，其特征在于，所述待优化变量的不等式约束为：

其中，C_i表示待停泊车辆处于第i个状态时被抽象成的四边形，P_j表示第j个障碍物被抽象成的四边形，J表示障碍物的数量，P_j，k表示四边形P_j的第k个角点，C_i，k表示四边形C_i的第k个角点，S(C_i，P_j，k)表示P_j，k与四边形C_i所形成的四个三角形的面积和，SA表示四边形C_i的面积，S(P_j，C_i，k)表示C_i.k与四边形P_j所形成的四个三角形的面积和，SP_j表示四边形P_j的面积，α为大于1的安全系数。

8.根据权利要求4所述的用于多种泊车场景的车辆自主泊车路径规划方法，其特征在于，待停泊车辆的运动范围约束为：

其中，表示待停泊车辆处于第i个状态时被抽象成的四边形的第k个角点的X轴坐标，表示待停泊车辆处于第i个状态时被抽象成的四边形的第k个角点的Y轴坐标；x_lb、x_ub分别表示车辆状态变量x的下限值和上限值，y_lb、y_ub分别表示车辆状态变量y的下限值和上限值。

9.根据权利要求4所述的用于多种泊车场景的车辆自主泊车路径规划方法，其特征在于，目标函数为：

T_f＝N*(M-1)h

其中，T_f表示待停泊车辆的路径规划时间；

优化目标为时间最短，即minT_f。

10.根据权利要求4所述的用于多种泊车场景的车辆自主泊车路径规划方法，其特征在于，M为整数且4≤M≤8。