CN106598055B - 一种智能车局部路径规划方法及其装置、车辆 - Google Patents
一种智能车局部路径规划方法及其装置、车辆 Download PDFInfo
- Publication number
- CN106598055B CN106598055B CN201710044287.1A CN201710044287A CN106598055B CN 106598055 B CN106598055 B CN 106598055B CN 201710044287 A CN201710044287 A CN 201710044287A CN 106598055 B CN106598055 B CN 106598055B
- Authority
- CN
- China
- Prior art keywords
- key point
- path
- barrier
- point
- vehicle
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000004888 barrier function Effects 0.000 claims abstract description 158
- 230000006870 function Effects 0.000 claims description 19
- 230000008450 motivation Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910017435 S2 In Inorganic materials 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种智能车局部路径规划方法及装置、车辆,该方法包括:S1,采集车辆实际行驶信息、期望路径信息及障碍物信息;S2,根据S1采集的信息,确定障碍物当前有效位置;S3,根据障碍物在当前有效位置及期望路径信息,在障碍物未阻挡当前期望路径的情形下,则当前期望路径是最终路径;在障碍物阻挡当前期望路径的情形下,寻找避开障碍物的最优关键点:存在最优关键点进入S4,反之进入S5;S4,将关键点序列中的每一个关键点与该关键点相邻的前、后的两个关键点连接,形成避障路径,并作为更新的期望路径返回S3;S5,生成倒车路径或掉头路径。本发明所生成的曲线符合车辆运动学规律,并且只需测量车身相关参数即可完成对不同车辆的适应性匹配。
Description
技术领域
本发明涉及智能车辆技术领域,特别是涉及一种智能车局部路径规划方法及其装置、车辆。
背景技术
智能驾驶技术在交通安全、环境保护及缓解交通压力等方面都有巨大的应用潜力,目前已成为发达国家、汽车厂商及科技公司研究的重点。智能驾驶研究涉及机械电子、模式识别、人工智能、控制科学及软件工程等诸多学科知识,其中,智能车局部路径规划是研究的重要内容之一。
对于智能车局部路径规划***,需要根据当前期望路径和周围障碍物信息,能够生成可以避开所有障碍物的平滑曲线,并且曲线需要符合车辆运动学特性,从而使车辆能够精确跟踪,确保车辆行驶安全。此外,还需要考虑各种边界约束、路径被阻挡等各种极限条件。
因此,希望有一种技术方案来克服或至少减轻现有技术的上述缺陷中的至少一个。
发明内容
本发明的目的在于提供一种智能车局部路径规划方法及其装置来克服或至少减轻现有技术的上述缺陷中的至少一个。
为实现上述目的,本发明提供一种智能车局部路径规划方法,所述智能车局部路径规划方法包括:S1,采集车辆实际行驶信息、期望路径信息以及障碍物信息;S2,根据S1采集到的各信息,确定障碍物在当前时刻的有效位置;S3,根据S2计算得到的障碍物在当前时刻的有效位置及S1中采集到的期望路径信息,在障碍物未阻挡当前期望路径的情形下,则当前期望路径是最终路径,并发送给车辆控制层;在障碍物阻挡了当前期望路径的情形下,寻找能够避开障碍物的最优关键点:在存在最优关键点的情形下进入S4,在不存在最优关键点的情形下进入S5;S4,将S3中寻找到的最优关键点加入已有的关键点序列中,关键点序列中各关键点的前后排序原则是沿期望路径方向距离自车的距离大小依序排列,关键点序列中的第一个关键点为车辆当前所在点,关键点序列中的最后一个关键点为期望路径的终点,用双圆弧合成曲线将关键点序列中的每一个关键点与该关键点相邻的前、后的两个关键点连接,形成避障路径,并作为更新的期望路径返回S3;S5,生成倒车路径或掉头路径。
进一步地,S1中的障碍物信息包括:静态障碍物和动态障碍物;S2中的静态障碍物在当前时刻的有效位置为静态障碍物的当前位置;S2中的动态障碍物在当前时刻的有效位置确定方法如下:S21,判断动态障碍物是否有横向切入当前期望路径的动机,如果有,则进入S22;否则进入S23;S22,根据动态障碍物的速度的横向分量来预测其当前有效位置;S23,将动态障碍物与当前期望路径的实际横向距离作为当前有效位置。
进一步地,S1中的障碍物信息包括:普通障碍物、有效障碍物和虚拟障碍物;S3中的关键点的寻找方法具体包括:S31,判断有效障碍物是否阻挡了当前期望路径,如果是,则进入S32;否则进入S33;S32,在当前期望路径上寻找到距离S31中的有效障碍物最近的路径点,过路径点做当前期望路径的切线及该切线的垂线;S33,在S32的切线附近寻找距离有效障碍物周围的虚拟障碍物;S34,以有效障碍物为中心,在S32的垂线上搜索位于中心左侧的左关键点以及右侧的右关键点,各关键点距离有效障碍物和虚拟障碍物的边界大于设定的安全距离dsafe。
进一步地,在S34寻找到了左关键点和右关键点的情形下,S4之前还包括:S6,在S3寻找到的各关键点中选取最优关键点,S6具体包括:S61,根据S34中确定的左关键点和右关键点,利用下面的代价函数公式分别计算当前左关键点和右关键点的代价函数值:
Cleft=k1·dleftvehicle/dkeypoints+k2·dleft;Cright=k1·drightvehicle/dkeypoints+k2·dright;
式中:dleftvehicle为上一个关键点与当前左关键点的左偏距,drightvehicle为上一个关键点与当前右关键点的右偏距,dkeypoints为上一个关键点与当前左关键点/当前右关键点的前/后偏距,dleft为当前左关键点与有效障碍物的最近路径点的距离,dright为当前右关键点与有效障碍物的最近路径点的距离,k1、k2为权重系数,Cleft为当前左关键点的代价函数值,Cright为当前右关键点的代价函数值;
S62,选取Cleft和Cright中较小的一个关键点作为最优关键点。
进一步地,在S34中,在S34寻找到了左关键点和右关键点的情形下,S5之前还包括:S7,当以设定的安全距离为标准不存在关键点时,需要逐渐减小设定的安全距离dsafe,每减小一次安全距离dsafe,按照S3相同的方法寻找关键点;当设定的安全距离dsafe小于最小安全距离dsafemin时仍然不存在关键点时,则进入S5;S5具体包括:判断前方道路是否全部被挡住,如果存在可通行区域,则生成倒车路径,否则生成掉头路径。
进一步地,所述智能车局部路径规划方法还包括:S8,根据整个规划好的避障路径的最小曲率半径以及障碍物到路径的最短距离,控制车辆的行驶速度。
进一步地,S4还包括:记录并保存历史规划好的各避障路径,作为历史地图,车辆行驶时,仅在历史地图中提取一条避障路径,并利用用于车辆定位的传感器检测提取的避障路径上是否存在障碍物阻挡,如果没有障碍物阻挡,则以该条避障路径作为当前的期望路径发送给车辆控制层,如果有障碍物阻挡,则返回S1重新规划。
本发明还提供一种智能车局部路径规划装置,所述智能车局部路径规划装置包括:信息采集模块,其用于采集车辆实际行驶信息、期望路径信息以及障碍物信息;有效位置确定模块,其用于根据所述信息采集模块采集到的各信息,确定障碍物在当前时刻的有效位置;关键点寻找模块,其用于根据所述有效位置确定模块确定的障碍物在当前时刻的有效位置以及所述信息采集模块采集到的期望路径信息,在障碍物未阻挡当前期望路径的情形下,则当前期望路径是最终路径,并发送给车辆控制层;在障碍物阻挡了当前期望路径的情形下,寻找能够避开障碍物的最优关键点;避障路径规划模块,其用于在存在最优关键点的情形下,将关键点寻找模块寻找到的最优关键点加入已有的关键点序列中,关键点序列中各关键点的前后排序原则是沿期望路径方向距离自车的距离大小依序排列,关键点序列中的第一个关键点为车辆当前所在点,关键点序列中的最后一个关键点为期望路径的终点,用双圆弧合成曲线将关键点序列中的每一个关键点与该关键点相邻的前、后的两个关键点连接,形成避障路径,并作为更新的期望路径,重新检测障碍物是否阻挡当前期望路径;倒车路径或掉头路径规划模块,其用于不存在最优关键点的情形下,生成倒车路径或掉头路径。
本发明还提供一种车辆,所述车辆包括如上所述的智能车局部路径规划装置。
本发明包括如下优点:
1、由于本发明考虑了自车和障碍物的动态信息,提取了障碍物未来有效的位置,使避障更合理。2、通过寻找关键点,精确地避开确定障碍物及其附近障碍物。3、使用双圆弧合成曲线依次连接各关键点,符合车辆运动学特性。4、根据障碍物阻挡情况可以实现先倒车再前进。5、根据生成路径和障碍物信息对车速进行控制。
附图说明
图1是本发明局部路径规划执行逻辑示意图;
图2是本发明障碍物当前有效位置的确定示意图;
图3是本发明关键点的定位方法示意图;
图4是本发明关键点的选取示意图;
图5是本发明前后关键点曲线连接示意图;
图6是本发明双圆弧合成曲线的生成示意图;
图7是本发明倒车路径生成示意图。
具体实施方式
在附图中,使用相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面结合附图对本发明的实施例进行详细说明。
在本发明的描述中,术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明保护范围的限制。
如图1所示,本实施例所提供的智能车局部路径规划方法包括:
S1,采集车辆实际行驶信息、期望路径信息以及障碍物信息。车辆实际行驶信息包括车辆的车速信息,车速信息可以采用现有的传感器获得。期望路径信息由多个路径点组成,每一个路径点具有对应的坐标值和航向角,期望路径信息是通过摄像头识别车道线或差分GPS设备给出的期望路径信息。本发明中提及的各点的坐标值都可以视为在车辆坐标系的坐标值,车辆坐标系可以采用公知的方法确定,在此不再赘述。障碍物信息可以通过现有的障碍物检测设备获得,这些障碍物检测设备可以采用雷达、GPS、摄像机等等,通过障碍物检测设备,能够采集到期望路径周围的诸多障碍物的相关信息。障碍物信息具体包括:位置坐标点、宽度、速度属性,对期望路径的车道有干涉的障碍物为有效障碍物等。
S2,根据S1采集到的车辆实际行驶信息、期望路径信息以及障碍物信息,确定障碍物在当前时刻的有效位置。
S3,根据S2计算得到的障碍物在当前时刻的有效位置及S1中采集到的期望路径信息,在障碍物未阻挡当前期望路径的情形下,则当前期望路径是最终路径,并发送给车辆控制层;在障碍物阻挡了当前期望路径的情形下,寻找能够避开障碍物的最优关键点;如果存在最优关键点,则进入S4;否则进入S5。
S4,将S3中寻找到的最优关键点加入已有的关键点序列中,关键点序列中各关键点的前后排序原则是沿期望路径方向距离自车的距离大小依序排列,关键点序列中的第一个关键点为车辆当前所在点(比如车辆的中心位置),关键点序列中的最后一个关键点为期望路径的终点,用双圆弧合成曲线将关键点序列中的每一个关键点与该关键点相邻的前、后的两个关键点连接,也就是说,当从第一个关键点用曲线连接到最后一个关键点时,那么形成一条避障路径。
S5,生成倒车路径或掉头路径,发送给车辆控制层。
当完成避障路径的规划后,上述的S4可以包括:返回S1,也就是说,再次检测该避障路径是否有障碍物阻挡,如果有,则按照S3再选取最优关键点避开有效障碍物,并把再次确定的最优关键点加入到已有关键点序列,再次生成避障路径,直到生成的避障路径没有障碍物阻挡为止。通过该步骤,可以实时生成避障曲线。
上述的S4也可以包括:记录并保存历史规划好的各避障路径,作为历史地图。在车辆行驶时,仅需要利用车辆定位的传感器(比如惯导或差分GPS等)在历史地图中提取一条避障路径,并检测提取的避障路径上是否存在障碍物阻挡,如果没有障碍物阻挡,则以该条避障路径作为当前的期望路径发送给车辆控制层,这样可以使得效率更高、路径更稳定。如果有障碍物阻挡,则返回S1重新规划。本实施例由于障碍物的检测有跳动和丢失,所以动态实时生成曲线会有一定的跳变,而更新原始路径则可以克服这个缺点。
更新路径是在规划的路径没有障碍物阻挡后执行,经过车辆相对坐标到全局的转换。当下一时刻没有障碍物阻挡时,则依旧提取上一时刻的地图信息。车辆运动会造成全局地图在自车相对坐标系中变换,这需要根据差分GPS或惯导信息进行推算,从而提取历史地图相对于自车当前位置的路径信息。
在一个优选的实施例中,如图2所示,S2中,根据S1采集到的车辆实际行驶信息、期望路径信息以及障碍物信息,确定障碍物在当前时刻的有效位置的方法具体包括:
当车辆在跟踪当前期望路径的过程中,检测到前方障碍物(称为有效障碍物)阻挡了期望路径,那么就会以有效障碍物对应的期望路径点以及周围的障碍物为依据,寻找能够避开障碍物的关键点。
障碍物可以从速度层面上进行分类,则可分为静态障碍物和动态障碍物,其中,速度为0的障碍物为静态障碍物,否则为动态障碍物。其中:静态障碍物的当前位置即为其有效位置。动态障碍物在当前时刻的有效位置确定方法如下:
S21,判断动态障碍物是否有横向切入当前期望路径的动机,如果有,则进入S22;否则进入S23;
S22,根据动态障碍物的速度的横向分量来预测其当前有效位置;
S23,将动态障碍物与当前期望路径的实际横向距离d1作为当前有效位置。
如图2所示,当前期望路径P左侧的障碍物1的速度为v1,是动态障碍物。假设障碍物1对当前期望路径P的轨迹有影响,并且没有横向切入当前期望路径的动机。灰色填充的障碍物1是其当前位置,虚线的障碍物1是以速度v1移动后的位置,前、后两个位置与当前期望路径P的横向距离都为d1。那么,以障碍物1与当前期望路径的实际横向距离d1作为当前有效位置,而图2中示出的运行距离dis1为当自车到达与障碍物1相同的纵向位置时,障碍物1的移动距离具体表现为下式:
dis1=dis01·v1/(v0-v1) (1)
式中,dis01为当前时刻自车与障碍物1之间的纵向距离,v1为障碍物1相对于地面的速度,v0为自车相对于地面的速度。
需要说明的是,“判断动态障碍物是否有横向切入当前期望路径的动机”是根据障碍物相对当前期望路径是否有横向偏移确定,障碍物正在靠近或远离本车道,则可视为该障碍物相对于本车道的横向速度,即具有横向偏移。本发明中的“纵向”为当前期望路径的方向,“横向”垂直于“纵向”。
下面结合图2对S22进行具体说明。
当前期望路径P左侧的障碍物2的速度为v2,是动态障碍物。假设障碍物2对当前期望路径轨迹有影响,并且有横向切入当前期望路径的动机。灰色填充的障碍物2是其当前位置,虚线的障碍物2是以速度v2移动后的位置。那么,将障碍物2的速度v2分解为速度的纵向分量v21和速度的横向分量v22。纵向分量v21用来确定障碍物2距离当前期望路径P的纵向距离。横向分量v22用来确定障碍物2距离当前期望路径的横向距离,即障碍物2的当前有效位置,横向距离的具体表达式为:横向距离为dis1=dis01/(v0-v1)。
在一个实施例中,如图3和图4所示,假设图中所示障碍物为各障碍物的有效位置,即考虑了速度的影响,即障碍物也可以进一步从其当前有效位置的层面上进行分类,则可分为普通障碍物、有效障碍物和虚拟障碍物,其中,普通障碍物为暂时对当前期望路径P没有影响的障碍物。有效障碍物为对当前期望路径P有影响的障碍物(如图3中的A),其当前位置与当前期望路径P之间的横向距离小于预设值(该预设值可以人为设定,比如0.5m)。虚拟障碍物为有效障碍物A周围并对当前期望路径P有影响的障碍物。
虚拟障碍物的选取方法是:首先,寻找以有效障碍物A为中心的预设半径圆围成的范围内的障碍物,例如:B、C、D;然后,寻找当前期望路径P上与有效障碍物A距离最近的路径点A1;再者,过路径点A1做当前期望路径P的切线T,再过路径点A1做切线T的垂线V;最后,在垂线V上做B、C、D的投影点B1、C1、D1,则投影点B1、C1、D1为虚拟障碍物。
如果图中的障碍物A阻挡了当前期望路径,那么需要寻找到这个有效障碍物离当前期望路径最近路径点A1,然后在这个路径点A1的切线方向T寻找距离这个有效障碍物A一定距离内的其它障碍物,比如投影障碍物,这些投影障碍物将影响关键点的选取,这样可以避免在关键点的近处出现障碍物的情况。当选取关键点时,必须避开这些在线上的虚拟障碍物以及有效障碍物。
在一个实施例中,S3中的关键点的寻找方法具体包括:
S31,判断有效障碍物是否阻挡了当前期望路径,如果是,则进入S32;否则进入S33。该步骤中,当障碍物的边界距离当前期望路径的边界小于设定距离(人为设定,例如0.5m)时,即可认为是有效障碍物。
S32,在当前期望路径上寻找到距离S31中的有效障碍物最近的路径点,过路径点做当前期望路径的切线及该切线的垂线。
S33,在S32的切线附近寻找距离有效障碍物周围的虚拟障碍物。“有效障碍物周围”可以以有效障碍物为中心的预设半径圆围成的范围内的障碍物,其中的预设半径可以人为设定,比如3m到6m,主要根据自车的长宽、转弯能力的大小来确定。
S34,以有效障碍物为中心,在S32的垂线上搜索位于中心左侧的左关键点L以及右侧的右关键点R,左关键点L和右关键点R距离有效障碍物和虚拟障碍物的边界必须大于设定的安全距离dsafe。
在S34未寻找到关键点的情形下,则一直按照上述方法向远离中心的方向搜索,直到找到左关键点L和右关键点R为止。
如图4所示,在S34寻找到了左关键点L和右关键点R的情形下,也就是说,在S3寻找了关键点的情形下,S4之前还包括:
S6,在S3寻找到的各关键点中选取一个最优关键点,作为S4提及的最优关键点,具体操作如下:
S61,根据S34中确定的左关键点和右关键点,利用下面的代价函数公式分别计算当前左关键点和右关键点的代价函数值:Cleft=k1·dleftvehicle/dkeypoints+k2·dleft;Cright=k1·drightvehicle/dkeypoints+k2·dright;
式中:dleftvehicle为上一个关键点与当前左关键点在横向上的距离,drightvehicle为上一个关键点与当前右关键点在横向上的距离,dkeypoints为上一个关键点与当前左关键点/当前右关键点在纵向上的距离,dleft为当前左关键点与有效障碍物的最近路径点在横向上的距离,dright为当前右关键点与有效障碍物的最近路径点在横向上的距离,k1、k2为权重系数,Cleft为当前左关键点的代价函数值,Cright为当前右关键点的代价函数值。
S62,选取Cleft和Cright中较小的一个关键点作为最优关键点,代价函数代表了避障路径的平滑性以及与原期望路径的重合性的综合考虑,代价函数值越小说明这个关键点所规划的路径的综合性能更好。
需要说明的是,由于寻找到的关键点是一系列的,根据距离自车的远近进行排序,第一个关键点即为自车的当前位置,当前关键点为S34中确定的最优关键点(左关键点或右关键点),那么,当前关键点的上一个关键点即为距离自车更近且与当前关键点相邻的一个最优关键点。
在一个实施例中,图中仅以一条曲线表示期望路径或避障路径,实际上,路径仅表示车辆行驶的轨迹,而车辆行驶的道路都是具有横向宽度的,假定道路的宽度为3.6m,那么期望路径或避障路径指的是道路的中心线,该中心线沿道路的宽度方向左移1.8m为左边界线,相应地,右移1.8m为右边界线。在S34寻找到了左关键点L和右关键点R的情形下,并且,其中一个关键点与当前期望路径的距离超出道路的边界线,而另一个关键点与当前期望路径的距离在道路边界线内时,那么,与当前期望路径的距离在道路边界内的关键点为最优关键点。“关键点与当前期望路径的距离”指的是上述代价函数中的dleft或dright。在一个实施例中,在S34未寻找到左关键点L和右关键点R的情形下,也就是说,在当前设定的安全距离dsafe内,S3未寻找到关键点的情形下,S5之前还包括:
S7,当以设定的安全距离为标准不存在关键点时,需要逐渐减小设定的安全距离dsafe,每减小一次安全距离dsafe,按照S3相同的方法寻找关键点;当设定的安全距离dsafe小于最小安全距离dsafemin时仍然不存在关键点时,则进入S5。
“最小安全距离dsafemin”根据车宽的一半和容许的安全冗余距离来确定的,假如车宽的一半为1m,容许的安全冗余距离为0.4m,那么最小安全距离为1.4m。
如图7所示,与此相对应地,S5具体包括:
判断前方道路是否全部被挡住,如果存在可通行区域,则生成倒车路径,否则生成掉头路径。也就是说,假设前方路径存在可通行区域,即需要规划倒车路径,其生成同样是根据自车后方期望路径和障碍物信息来确定。当有障碍物阻挡自车路径时,需要寻找关键点,并使用双圆弧合成曲线连接,从而生成光滑可行的倒车路径。当自车沿着倒车路径向后行驶过程中,实时规划向前路径,如果前方仍被阻挡,则继续倒车;如果此时可以规划出向前的路径,则停止倒车,并规划向前的路径继而向前行驶。
本实施例通过减小安全距离重新寻找左关键点和右关键点,以求能够找到避开障碍物的路径。但当减小安全距离dsafe能够找到可行关键点时,则说明当前可通行区域比较狭窄,需要减速通过,这个速度需要根据距离障碍物边界的距离来确定。
在一个优选的实施例中,如图5所示,以上述步骤中选取的右关键点R作为最优关键点,说明S4的具体实现方式,具体如下:
将S3中寻找到的最优关键点加入已有的关键点序列中,关键点序列中各关键点的前后排序原则是沿期望路径方向距离自车的距离大小依序排列,关键点序列中的第一个关键点为车辆当前所在点(比如车辆的中心位置),关键点序列中的最后一个关键点为期望路径的终点,用双圆弧合成曲线将关键点序列中的每一个关键点与该关键点相邻的前、后的两个关键点连接,也就是说,当从第一个关键点用曲线连接到最后一个关键点时,那么形成一条避障路径。
在一个实施例中,当选取完关键点连接曲线后,继续检测新规划的路径是否被阻挡,如果被阻挡,则再增加关键点以避开这次的有效障碍物,直到生成曲线没有障碍物阻挡为止。
本实施例采用的是双圆弧合成曲线的方式形成避障路径,生成的双圆弧合成曲线的曲率变化单调连续,曲率半径不会大范围跳动,比较符合车辆实际的运动路径。下面是根据起点和终点,生成双圆弧合成曲线的方法。
如图6所示,双圆弧合成曲线是以两个相交圆弧为基础进行线性合成的,两个相交点都是与相应的圆弧相切;起点圆弧是从起点开始,并与起点的朝向相切,以圆弧延伸,到达终点为止;而另一个圆弧是从一个终点开始,并与其切线的反方向相切,以圆弧延伸,到达起点为止。
假设起点圆弧的参数有曲率半径R1、圆心(xc1,yc1)、起点与终点对应的圆心角αM1和αP1,相应地,终点圆弧有R2、xc2、yc2、αM2、αP2,两个圆弧的参数方程就可以表示出来:
起点圆弧:
x1=xc1+R1cos(α1),y1=yc1+R1sin(α1),α1∈(αM1,αP1) (3)
终点圆弧:
x2=xc2+R2cos(α2),y2=yc2+R2sin(α2),α2∈(αM2,αP2) (4)
起点圆弧和终点圆弧方程的自变量分别为α1和α2,所以需要设定一个统一的自变量t,满足
α1=(1-t)αM1+t·αP1,α2=(1-t)αM2+t·αP2,0≤t≤1 (5)
起点圆弧和终点圆弧的合成曲线的合成规则是:越往起点的一侧,合成曲线越靠近起点圆弧,越往终点一侧,越靠近终点圆弧。因此,确定如下的线性合成曲线关系式:
x=(1-t)x1+t·x2,y=(1-t)y1+t·y2 (6)
联立式(3)至(6)式,可得合成曲线关于自变量t的参数方程。
上述所得合成曲线的特点是在起点处与起点朝向相切,在终点处与终点朝向相切,并且曲率连续平滑变化,从而保证了路径的平滑性。
在一个实施例中,本实施例所提供的智能车局部路径规划方法包括:
S8,根据整个规划好的避障路径的最小曲率半径以及障碍物到路径的最短距离,控制车辆的行驶速度,具体如下:
规划好的避障路径与原期望路径相比,可能存在曲率半径较小的地方,当车辆沿着避障路径行驶时,需要对车速进行控制。双圆弧合成曲线可以反馈其上任一点处的曲率半径,可以检测规划好的所有避障路径,即双圆弧合成曲线的曲率半径,并提取最小曲率半径,则可根据最小曲率半径对车速进行限制,保证行驶安全。规划好的路径是由多条双圆弧合成曲线首尾相连组成的一条曲线,这整条曲线上的最小曲率半径即决定了最高车速。
本发明还提供一种智能车局部路径规划装置,该装置包括:
信息采集模块,其用于采集车辆实际行驶信息、期望路径信息以及障碍物信息;
有效位置确定模块,其用于根据所述信息采集模块采集到的各信息,确定障碍物在当前时刻的有效位置;
关键点寻找模块,其用于根据所述有效位置确定模块确定的障碍物在当前时刻的有效位置以及所述信息采集模块采集到的期望路径信息,在障碍物未阻挡当前期望路径的情形下,则当前期望路径是最终路径,并发送给车辆控制层;在障碍物阻挡了当前期望路径的情形下,寻找能够避开障碍物的最优关键点;
避障路径规划模块,其用于在存在最优关键点的情形下,将关键点寻找模块寻找到的最优关键点加入已有的关键点序列中,关键点序列中各关键点的前后排序原则是沿期望路径方向距离自车的距离大小依序排列,关键点序列中的第一个关键点为车辆当前所在点,关键点序列中的最后一个关键点为期望路径的终点,用双圆弧合成曲线将关键点序列中的每一个关键点与该关键点相邻的前、后的两个关键点连接,形成避障路径,发送给车辆控制层;
倒车路径或掉头路径规划模块,其用于不存在关键点的情形下,生成倒车路径或掉头路径,发送给车辆控制层。
本发明还提供一种车辆,所述车辆包括如上所述的智能车局部路径规划装置。
本发明针对以上智能车局部路径规划的基本要求,构造出适合智能车避开障碍物的局部路径规划***,即基于障碍物和平滑曲线的设计思想,其中,平滑曲线采用双圆弧合成曲线,符合车辆运动学,并且可以反映整条路径的曲率变化,从而可以控制最大车速来确保行车安全。这种方法对各种型号的车辆具有广泛适应性,只需匹配车身参数即可完成***对车辆的适应。
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。本领域的普通技术人员应当理解: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;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 (8)
1.一种智能车局部路径规划方法,其特征在于,包括:
S1,采集车辆实际行驶信息、期望路径信息以及障碍物信息;
S2,根据S1采集到的各信息,确定障碍物在当前时刻的有效位置;
S3,根据S2计算得到的障碍物在当前时刻的有效位置及S1中采集到的期望路径信息,在障碍物未阻挡当前期望路径的情形下,则当前期望路径是最终路径,并发送给车辆控制层;在障碍物阻挡了当前期望路径的情形下,寻找能够避开障碍物的最优关键点:在存在最优关键点的情形下进入S4,在不存在最优关键点的情形下进入S5;S3具体包括寻找左关键点以及右关键点;
S4,将S3中寻找到的最优关键点加入已有的关键点序列中,关键点序列中各关键点的前后排序原则是沿期望路径方向距离自车的距离大小依序排列,关键点序列中的第一个关键点为车辆当前所在点,关键点序列中的最后一个关键点为期望路径的终点,用双圆弧合成曲线将关键点序列中的每一个关键点与该关键点相邻的前、后的两个关键点连接,形成避障路径,并作为更新的期望路径返回S3;
S5,生成倒车路径或掉头路径,并发送给车辆控制层;
在寻找到了左关键点和右关键点的情形下,S4之前还包括:
S6,在S3寻找到的各关键点中选取最优关键点,S6具体包括:
S61,根据S3确定的左关键点和右关键点,利用下面的代价函数公式分别计算当前左关键点和右关键点的代价函数值:
Cleft=k1·dleftvehicel/dkeypoints+k2·dleft;Cright=k1·drightvehilce/dkeypoints+k2·dright;
式中:dleftvehicle为上一个关键点与当前左关键点的左偏距,drightvehicle为上一个关键点与当前右关键点的右偏距,dkeypoints为上一个关键点与当前左关键点/当前右关键点的前/后偏距,dleft为当前左关键点与有效障碍物的最近路径点的距离,dright为当前右关键点与有效障碍物的最近路径点的距离,k1、k2为权重系数,Cleft为当前左关键点的代价函数值,Cright为当前右关键点的代价函数值;
S62,选取Cleft和Cright中较小的一个关键点作为最优关键点。
2.如权利要求1所述的智能车局部路径规划方法,其特征在于,S1中的障碍物信息包括:静态障碍物和动态障碍物;
S2中的静态障碍物在当前时刻的有效位置为静态障碍物的当前位置;
S2中的动态障碍物在当前时刻的有效位置确定方法如下:
S21,判断动态障碍物是否有横向切入当前期望路径的动机,如果有,则进入S22;否则进入S23;
S22,根据动态障碍物的速度的横向分量来预测其当前有效位置;
S23,将动态障碍物与当前期望路径的实际横向距离作为当前有效位置。
3.如权利要求1或2所述的智能车局部路径规划方法,其特征在于,S1中的障碍物信息包括:普通障碍物、有效障碍物和虚拟障碍物;
S3中的左关键点以及右关键点的寻找方法具体包括:
S31,判断有效障碍物是否阻挡了当前期望路径,如果是,则进入S32;否则进入S33;
S32,在当前期望路径上寻找到距离S31中的有效障碍物最近的路径点,过路径点做当前期望路径的切线及该切线的垂线;
S33,在S32的切线附近寻找距离有效障碍物周围的虚拟障碍物;
S34,以有效障碍物为中心,在S32的垂线上搜索位于中心左侧的左关键点以及右侧的右关键点,各关键点距离有效障碍物和虚拟障碍物的边界大于设定的安全距离dsafe。
4.如权利要求3所述的智能车局部路径规划方法,其特征在于,在S34中,在S34寻找到了左关键点和右关键点的情形下,S5之前还包括:
S7,当以设定的安全距离为标准不存在关键点时,需要逐渐减小设定的安全距离dsafe,每减小一次安全距离dsafe,按照S3相同的方法寻找关键点;当设定的安全距离dsafe小于最小安全距离dsafemin时仍然不存在关键点时,则进入S5;
S5具体包括:
判断前方道路是否全部被挡住,如果存在可通行区域,则生成倒车路径,否则生成掉头路径。
5.如权利要求4所述的智能车局部路径规划方法,其特征在于,还包括:
S8,根据整个规划好的避障路径的最小曲率半径以及障碍物到路径的最短距离,控制车辆的行驶速度。
6.如权利要求1所述的智能车局部路径规划方法,其特征在于,S4还包括:记录并保存历史规划好的各避障路径,作为历史地图,车辆行驶时,仅在历史地图中提取一条避障路径,并利用用于车辆定位的传感器检测提取的避障路径上是否存在障碍物阻挡,如果没有障碍物阻挡,则以该条避障路径作为当前的期望路径发送给车辆控制层,如果有障碍物阻挡,则返回S1重新规划。
7.一种智能车局部路径规划装置,其特征在于,包括:
信息采集模块,其用于采集车辆实际行驶信息、期望路径信息以及障碍物信息;
有效位置确定模块,其用于根据所述信息采集模块采集到的各信息,确定障碍物在当前时刻的有效位置;
关键点寻找模块,其用于根据所述有效位置确定模块确定的障碍物在当前时刻的有效位置以及所述信息采集模块采集到的期望路径信息,在障碍物未阻挡当前期望路径的情形下,则当前期望路径就是最终路径,并发送给车辆控制层;在障碍物阻挡了当前期望路径的情形下,寻找能够避开障碍物的最优关键点;所述关键点寻找模块具体用于寻找左关键点以及右关键点;
避障路径规划模块,其用于在存在最优关键点的情形下,将关键点寻找模块寻找到的最优关键点加入已有的关键点序列中,关键点序列中各关键点的前后排序原则是沿期望路径方向距离自车的距离大小依序排列,关键点序列中的第一个关键点为车辆当前所在点,关键点序列中的最后一个关键点为期望路径的终点,用双圆弧合成曲线将关键点序列中的每一个关键点与该关键点相邻的前、后的两个关键点连接,形成避障路径;
倒车路径或掉头路径规划模块,其用于不存在最优关键点的情形下,生成倒车路径或掉头路径;
在寻找到了左关键点和右关键点的情形下,所述关键点寻找模块选取最优关键点具体包括:根据确定的左关键点和右关键点,利用下面的代价函数公式分别计算当前左关键点和右关键点的代价函数值:
Cleft=k1·dleftvehicel/dkeypoints+k2·dleft;Cright=k1·drightvehilce/dkeypoints+k2·dright;
式中:dleftvehicle为上一个关键点与当前左关键点的左偏距,drightvehicle为上一个关键点与当前右关键点的右偏距,dkeypoints为上一个关键点与当前左关键点/当前右关键点的前/后偏距,dleft为当前左关键点与有效障碍物的最近路径点的距离,dright为当前右关键点与有效障碍物的最近路径点的距离,k1、k2为权重系数,Cleft为当前左关键点的代价函数值,Cright为当前右关键点的代价函数值;
选取Cleft和Cright中较小的一个关键点作为最优关键点。
8.一种车辆,其特征在于,包括如权利要求7所述的智能车局部路径规划装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710044287.1A CN106598055B (zh) | 2017-01-19 | 2017-01-19 | 一种智能车局部路径规划方法及其装置、车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710044287.1A CN106598055B (zh) | 2017-01-19 | 2017-01-19 | 一种智能车局部路径规划方法及其装置、车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106598055A CN106598055A (zh) | 2017-04-26 |
CN106598055B true CN106598055B (zh) | 2019-05-10 |
Family
ID=58585163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710044287.1A Active CN106598055B (zh) | 2017-01-19 | 2017-01-19 | 一种智能车局部路径规划方法及其装置、车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106598055B (zh) |
Families Citing this family (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6558393B2 (ja) * | 2017-04-06 | 2019-08-14 | トヨタ自動車株式会社 | 進路設定装置及び進路設定方法 |
CN107065880A (zh) * | 2017-05-16 | 2017-08-18 | 南京农业大学 | 基于动态引导点的遥操作农业车辆人机合作路径规划方法 |
CN107357168B (zh) * | 2017-06-01 | 2019-12-31 | 同济大学 | 一种基于机会约束模型预测控制的无人车避障方法 |
CN107702716B (zh) | 2017-08-31 | 2021-04-13 | 广州小鹏汽车科技有限公司 | 一种无人驾驶路径规划方法、***和装置 |
CN115837892A (zh) * | 2017-10-05 | 2023-03-24 | 日产自动车株式会社 | 停车控制方法及停车控制装置 |
CN107992050B (zh) * | 2017-12-20 | 2021-05-11 | 广州汽车集团股份有限公司 | 无人驾驶汽车局部路径运动规划方法和装置 |
CN108121347B (zh) * | 2017-12-29 | 2020-04-07 | 北京三快在线科技有限公司 | 用于控制设备运动的方法、装置及电子设备 |
CN108196544A (zh) * | 2018-01-02 | 2018-06-22 | 联想(北京)有限公司 | 一种信息处理方法及信息处理设备 |
CN108363393B (zh) * | 2018-02-05 | 2019-09-27 | 腾讯科技(深圳)有限公司 | 一种智能运动设备及其导航方法和存储介质 |
US10782699B2 (en) * | 2018-03-10 | 2020-09-22 | Baidu Usa Llc | Real-time perception adjustment and driving adaption based on surrounding vehicles' behavior for autonomous driving vehicles |
WO2019174053A1 (zh) * | 2018-03-16 | 2019-09-19 | 深圳市大疆创新科技有限公司 | 可移动平台及其控制方法 |
CN108762272B (zh) * | 2018-06-05 | 2021-01-22 | 北京智行者科技有限公司 | 一种障碍物识别和避让方法 |
CN108776479B (zh) * | 2018-06-05 | 2021-05-07 | 北京智行者科技有限公司 | 一种协同清扫作业方法 |
CN108614569B (zh) * | 2018-06-22 | 2021-01-15 | 北京敏捷动力科技有限公司 | 一种用于跟踪控制受控运动物体的方法 |
CN109062948B (zh) * | 2018-06-22 | 2020-11-13 | 广州杰赛科技股份有限公司 | 目标点确定、目标路径确定方法和*** |
CN110169741B (zh) * | 2018-06-25 | 2021-07-09 | 宁波洒哇地咔电器有限公司 | 一种清洁处理方法及设备 |
CN109101017A (zh) * | 2018-07-27 | 2018-12-28 | 江苏盛海智能科技有限公司 | 一种无人车寻迹路线规划方法及终端 |
CN109101022A (zh) * | 2018-08-09 | 2018-12-28 | 北京智行者科技有限公司 | 一种作业路径更新方法 |
CN109062215A (zh) * | 2018-08-24 | 2018-12-21 | 北京京东尚科信息技术有限公司 | 机器人及基于其的目标跟随避障方法、***、设备和介质 |
CN109624851B (zh) * | 2018-11-23 | 2022-04-19 | 深圳市航盛电子股份有限公司 | 基于增强现实的辅助驾驶方法、***及可读存储介质 |
CN109631899B (zh) * | 2018-12-18 | 2022-05-06 | 仲恺农业工程学院 | 一种用于环境感知的移动机器人的路径优化方法及*** |
CN113396122B (zh) * | 2019-02-14 | 2023-10-10 | 株式会社多田野 | 起重机及路径生成*** |
CN109814577A (zh) * | 2019-02-25 | 2019-05-28 | 上海木木聚枞机器人科技有限公司 | 一种基于信息共享的运动控制方法以及移动装置 |
CN109782807B (zh) * | 2019-03-08 | 2021-10-01 | 哈尔滨工程大学 | 一种回形障碍物环境下的auv避障方法 |
CN109916422B (zh) * | 2019-03-29 | 2021-06-29 | 北京经纬恒润科技股份有限公司 | 一种全局路径规划方法及装置 |
CN109917794B (zh) * | 2019-04-18 | 2022-02-18 | 北京智行者科技有限公司 | 全局路径规划方法及装置 |
CN110083158B (zh) * | 2019-04-28 | 2022-08-16 | 深兰科技(上海)有限公司 | 一种确定局部规划路径的方法和设备 |
CN110262488B (zh) * | 2019-06-18 | 2021-11-30 | 重庆长安汽车股份有限公司 | 自动驾驶的局部路径规划方法、***及计算机可读存储介质 |
CN111439257A (zh) * | 2019-06-26 | 2020-07-24 | 纵目科技(上海)股份有限公司 | 一种记忆泊车***、方法、终端和云端服务器 |
TWI715221B (zh) * | 2019-09-27 | 2021-01-01 | 財團法人車輛研究測試中心 | 自適應軌跡生成方法及系統 |
CN110766220A (zh) * | 2019-10-21 | 2020-02-07 | 湖南大学 | 一种结构化道路局部路径规划方法 |
CN110703758A (zh) * | 2019-10-25 | 2020-01-17 | 北京京东乾石科技有限公司 | 一种路径规划方法和装置 |
CN110879560B (zh) * | 2019-12-23 | 2022-02-25 | 北京百度网讯科技有限公司 | 控制车辆的方法、装置、设备和存储介质 |
CN111142520B (zh) * | 2019-12-24 | 2022-03-11 | 中国科学院合肥物质科学研究院 | 一种履带式无人车辆在断崖障碍道路上的规划与控制方法 |
CN111368639B (zh) * | 2020-02-10 | 2022-01-11 | 浙江大华技术股份有限公司 | 车辆越线判定方法、装置、计算机设备和存储介质 |
CN111381594A (zh) * | 2020-03-09 | 2020-07-07 | 兰剑智能科技股份有限公司 | 基于3d视觉的agv空间避障方法及*** |
CN111739342B (zh) * | 2020-03-26 | 2022-03-01 | 腾讯科技(深圳)有限公司 | 用于避让侧前方车辆的方法、装置、介质以及车辆 |
CN111653113B (zh) * | 2020-04-20 | 2022-09-27 | 浙江吉利汽车研究院有限公司 | 车辆的局部路径确定方法、装置、终端和存储介质 |
CN111506070B (zh) * | 2020-04-26 | 2023-09-08 | 北京踏歌智行科技有限公司 | 一种基于路径点偏移的局部路径规划方法 |
CN113568400A (zh) * | 2020-04-28 | 2021-10-29 | 北京猎户星空科技有限公司 | 一种机器人控制方法、装置、电子设备及存储介质 |
CN111703421A (zh) * | 2020-05-13 | 2020-09-25 | 重庆长安汽车股份有限公司 | 车辆自动驾驶脱困的轨迹规划***、方法及存储介质 |
CN111504340B (zh) * | 2020-05-22 | 2022-04-29 | 北京汽车研究总院有限公司 | 车辆的路径规划方法、装置、车辆 |
CN112504288B (zh) * | 2020-07-22 | 2022-06-28 | 北京智行者科技有限公司 | 基于动态规划的局部路径规划方法 |
CN112034848A (zh) * | 2020-08-13 | 2020-12-04 | 驭势科技(北京)有限公司 | 一种障碍物避让方法、装置、电子设备及存储介质 |
CN113790725B (zh) * | 2020-09-22 | 2024-03-01 | 北京京东乾石科技有限公司 | 路径规划方法、路径规划装置、存储介质与可移动设备 |
CN112172807B (zh) * | 2020-10-23 | 2022-07-19 | 上海伯镭智能科技有限公司 | 一种无人驾驶汽车避障***的避障判定方法 |
CN113063423B (zh) * | 2021-03-23 | 2023-01-10 | 广东工业大学 | 一种基于lanelet框架的全局路径规划切割方法和*** |
CN113267199B (zh) * | 2021-06-24 | 2023-01-06 | 上海欧菲智能车联科技有限公司 | 行驶轨迹规划方法及装置 |
CN113625704A (zh) * | 2021-06-30 | 2021-11-09 | 北京旷视科技有限公司 | 避障方法及装置、自动导航装置 |
CN113885525A (zh) * | 2021-10-30 | 2022-01-04 | 重庆长安汽车股份有限公司 | 一种自动驾驶车辆脱困的路径规划方法、***、车辆及存储介质 |
CN114995398A (zh) * | 2022-05-16 | 2022-09-02 | 中国第一汽车股份有限公司 | 路径生成方法、装置、存储介质、处理器及电子装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1987357A (zh) * | 2006-12-26 | 2007-06-27 | 浙江工业大学 | 基于全方位计算机视觉的智能停车辅助装置 |
CN101075352A (zh) * | 2007-06-29 | 2007-11-21 | 中国科学院计算技术研究所 | 一种用于动态实体的分层避障方法 |
US8589013B2 (en) * | 2011-10-25 | 2013-11-19 | Jaybridge Robotics, Inc. | Method and system for dynamically positioning a vehicle relative to another vehicle in motion |
CN104765371A (zh) * | 2015-04-22 | 2015-07-08 | 福州大学 | 基于滚动窗的深度搜索与模糊控制融合的路径规划方法 |
CN106023244A (zh) * | 2016-04-13 | 2016-10-12 | 南京邮电大学 | 基于最小二乘法轨迹预测及智能避障模型的行人跟踪方法 |
CN106275066A (zh) * | 2016-08-30 | 2017-01-04 | 北京智行者科技有限公司 | 一种智能车的转向控制方法及装置 |
-
2017
- 2017-01-19 CN CN201710044287.1A patent/CN106598055B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1987357A (zh) * | 2006-12-26 | 2007-06-27 | 浙江工业大学 | 基于全方位计算机视觉的智能停车辅助装置 |
CN101075352A (zh) * | 2007-06-29 | 2007-11-21 | 中国科学院计算技术研究所 | 一种用于动态实体的分层避障方法 |
US8589013B2 (en) * | 2011-10-25 | 2013-11-19 | Jaybridge Robotics, Inc. | Method and system for dynamically positioning a vehicle relative to another vehicle in motion |
CN104765371A (zh) * | 2015-04-22 | 2015-07-08 | 福州大学 | 基于滚动窗的深度搜索与模糊控制融合的路径规划方法 |
CN106023244A (zh) * | 2016-04-13 | 2016-10-12 | 南京邮电大学 | 基于最小二乘法轨迹预测及智能避障模型的行人跟踪方法 |
CN106275066A (zh) * | 2016-08-30 | 2017-01-04 | 北京智行者科技有限公司 | 一种智能车的转向控制方法及装置 |
Non-Patent Citations (2)
Title |
---|
动态不确定环境下移动机器人的在线实时路径规划;庄慧忠,等;《计算机应用与软件》;20110228;第28卷(第2期);摘要、第172-175页 |
双圆弧优化算法的足球机器人路径规划;柳在鑫,等;《华侨大学学报(自然科学版)》;20080430;第29卷(第2期);摘要、第190-193页及图2 |
Also Published As
Publication number | Publication date |
---|---|
CN106598055A (zh) | 2017-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106598055B (zh) | 一种智能车局部路径规划方法及其装置、车辆 | |
WO2022193584A1 (zh) | 一种面向多场景的自动驾驶规划方法及*** | |
US11933627B2 (en) | High-definition map building method and apparatus | |
CN110262508B (zh) | 应用于封闭场地无人驾驶货运车辆上的自动引导***及方法 | |
CN104819724B (zh) | 一种基于gis的无人地面车辆自主行驶辅助*** | |
US20220001872A1 (en) | Semantic lane description | |
CN110264721B (zh) | 一种城市交叉口周边车辆轨迹预测方法 | |
KR20200101855A (ko) | 차량의 주행 궤적 예측 방법 및 장치 | |
US20170343374A1 (en) | Vehicle navigation method and apparatus | |
CN110111566A (zh) | 轨迹预测方法、装置和存储介质 | |
US20230073897A1 (en) | Aligning road information for navigation | |
CN107121980A (zh) | 一种基于虚拟约束的自动驾驶车辆路径规划方法 | |
US20230175852A1 (en) | Navigation systems and methods for determining object dimensions | |
EP4220583A1 (en) | Systems and methods for dynamic road geometry modeling and navigation | |
US20220227373A1 (en) | Systems and methods for detecting an open door | |
US20230195122A1 (en) | Systems and methods for map-based real-world modeling | |
WO2020174279A2 (en) | Systems and methods for vehicle navigation | |
EP4078088A2 (en) | Vehicle navigation with pedestrians and determining vehicle free space | |
US20220351526A1 (en) | Multi-frame image segmentation | |
US20230202473A1 (en) | Calculating vehicle speed for a road curve | |
US20220412772A1 (en) | Systems and methods for monitoring lane mark quality | |
EP4127852A1 (en) | Control loop for navigating a vehicle | |
CN104699791A (zh) | 一种用于有损浮动车轨迹的路径还原方法 | |
CN211427151U (zh) | 一种应用于封闭场地无人驾驶货运车辆上的自动引导*** | |
CN115079699A (zh) | 一种基于模型预测控制的人机共驾汽车的运动规划方法 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: Building C-3, Northern Territory, Zhongguancun Dongsheng Science Park, 66 Xixiaokou Road, Haidian District, Beijing, 100176 Patentee after: Beijing Idriverplus Technology Co.,Ltd. Address before: B4-006, maker Plaza, 338 East Street, Huilongguan town, Changping District, Beijing 102208 Patentee before: Beijing Idriverplus Technology Co.,Ltd. |