CN110186470B - 符合车辆动力学的参考线生成***、终端和使用方法 - Google Patents
符合车辆动力学的参考线生成***、终端和使用方法 Download PDFInfo
- Publication number
- CN110186470B CN110186470B CN201910343221.1A CN201910343221A CN110186470B CN 110186470 B CN110186470 B CN 110186470B CN 201910343221 A CN201910343221 A CN 201910343221A CN 110186470 B CN110186470 B CN 110186470B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- map
- model
- dynamics
- vehicle dynamics
- 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 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 230000000306 recurrent effect Effects 0.000 claims abstract description 12
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 40
- 239000013598 vector Substances 0.000 claims description 37
- 238000013016 damping Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 5
- 239000000725 suspension Substances 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000015654 memory Effects 0.000 description 61
- 210000002569 neuron Anatomy 0.000 description 48
- 210000004027 cell Anatomy 0.000 description 28
- 230000007774 longterm Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 4
- 238000005094 computer simulation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007787 long-term memory Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009347 mechanical transmission Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Aviation & Aerospace Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Navigation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种符合车辆动力学的参考线生成***、终端和使用方法，地图获取模块，所述地图获取模块获取自车辆起始点和车辆终止点坐标，定位模块，所述定位模块获取车辆的起始点和终止点在地图中的位置，全局路径规划模块，所述全局路径规划模块获取起始点至终止点的全局路径规划，仿真模块，所述仿真模块按照车辆车身动力学参数设置虚拟的车辆运动学模型，以该车辆运动学模型在地图中仿真行驶全局路径规划的路径。本发明摒弃全局路径规划路径的生成方式，结合车辆动力学模型、车辆运动学模型以及地图场景，使用递归神经网络在仿真环境中，控制车辆动力学模型来模拟行驶得到参考行驶线。
Description
技术领域
本发明涉及汽车电子技术领域，特别是涉及一种符合车辆动力学的参考线生成***、终端和使用方法。
背景技术
参考线是地图路径规划服务中的一种常用模块，在获取使用者起始位置，并获取使用者输入目的地位置后，地图会生成一个全局道路(global path)，全局道路是由稀疏的沿线道路节点组成的，再由自起始位置至目的地位置终止方向的路径规划线将这些沿线道路节点串联形成全局道路(global path)。
全局道路(global path)由于节点和节点之间是直接连线的，而车辆在不同的道路场景下、在不同车型的车身动力学参数影响下，车辆实际行驶路径都需要即符合车辆车身动力学控制要求，又需要符合真实道路场景复杂工况，才能作为L4乃至L5级别的无人驾驶参考线使用。所以需要一种结合车辆车身动力学参数以及当前高精度场景地图的参考线生成方法。
发明内容
为了解决上述的以及其他潜在的技术问题，本发明提供了一种符合车辆动力学的参考线生成***、终端和使用方法,摒弃全局路径规划路径的生成方式，结合车辆动力学模型、车辆运动学模型以及地图场景，使用递归神经网络在仿真环境中，控制车辆动力学模型来模拟行驶得到参考行驶线。
一种符合车辆动力学的参考线生成方法，包括：
S01：获取地图，获取车辆的起始点和终止点在地图中的位置，获取起始点至终止点的全局路径规划；
S02：按照车辆车身动力学参数设置虚拟的车辆运动学模型，以该车辆运动学模型在地图中仿真行驶全局路径规划的路径；
S03：搜集仿真行驶轨迹，作为参考行驶线。
进一步地，所述步骤S01中获取地图为某一城市的市级地图、某一区的区级地图、某一乡镇的乡镇级地图、街道级地图、或者某一室内场景的地图。
进一步地，所述步骤S01中获取地图可以为车辆所在市级地图、区级地图、乡镇级地图、街道级地图、室内场景级地图在当前车辆定位位置处的加载部分。
也就是说，获取的地图可以是整体的，即下载在车载终端中的市级地图、区级地图、乡镇级地图、街道级地图、或者某一停车场场景的地图，也可以是某一个一级地图在车辆当前定位位置处加载的局部地图。
进一步地，参考行驶线是矢量数据，是在局部地图中是根据局部地图道路的方向来定义的。
进一步地，所述步骤S02中车辆运动学模型包括低速场景模式下的车辆动力学模型和高速场景模式下车辆动力学模型。
进一步地，所述步骤S02车辆动力学模型会根据车辆型号的不同，设置不同的车辆运动学模型。优选地，可以用标定的方式，建立车辆动力学模型。
进一步地，所述步骤S02中车辆运动学模型是由多个非线性多体***组成的，以质量矩阵、阻尼矩阵、刚度矩阵为车身动力学参数，以状态向量和激扰力矢量为动力学变量以表征车模的动力学函数。
进一步地，所述步骤S02中车辆动力学模型的车模在低速场景模式下对车身动力学参数中的质量矩阵、阻尼矩阵有高权重。
进一步地，所述步骤S02中车辆动力学模型的车模在高速场景模式下对车身动力学参数中的刚度矩阵、状态向量和激扰力矢量有高权重。
进一步地，所述激扰力矢量包括轮速脉冲、方向盘转角范围、车辆速度、车辆加速度、设计最高车速中的一种或几种。
进一步地，所述质量矩阵包括车辆整备质量、车辆总质量。
进一步地，所述阻尼矩阵包括汽车轴距、迎风面积、滚动阻力系数、空气阻力系数、机械传动效率、轮胎型号、发动机型号、额定功率、减速器传动比、最大输入扭矩的一种或几种。
进一步地，所述步骤S02中高速场景模式下车辆运动学模型包括整车运动学模型，其中整车运动学模型包括多体***运动学模型、车体运动学和动力学模型、悬架的建模与分析模型、路面与轮胎接触模型、传动***建模、车辆受力分析力学模型、单轨和双轨运动模型中的一种或几种。
进一步地，将当前时刻局部地图、全局路径规划、当前时刻车辆控制信号、车辆动力学模型、车辆运动学模型作为深度递归神经网络的输入，获得车辆在当前时刻位置上的控制信号。
进一步地，所述深度递归神经网络包括n个神经元细胞层，即自输入层至输出层分别标记为第一神经元细胞层、第二神经元细胞层…第n神经元细胞层，所述第一神经元细胞层的输入包括本时刻车辆近场移动物体的数据簇以及该第一神经元细胞层上一时刻的细胞记忆数据，所述第二神经元细胞层的输入为第一神经元细胞层的输出结果以及第二神经元细胞层上一时刻的细胞记忆数据，所述第n神经元细胞层的输入为第n-1层神经元细胞层的输出结果与第n神经元细胞层上一时刻的细胞记忆数据，所述第n神经元细胞层的输出为各个近场移动物体意图预测结果的概率，所述第一神经元细胞层、第二神经元细胞层、…第n神经元细胞层之间并行训练各个分支模型，并将并行训练结果聚合并同步和/或异步更新模型参数并应用在各个分支模型中。
进一步地，所述神经元细胞层的工作原理为：神经元细胞层就像常规存储单元细胞，它输入层、具有自循环连接的存储单元、遗忘门和输出层；输入层可以允许传入信号改变细胞记忆的状态或阻止它。另一方面，输入层可以允许细胞记忆的状态对其他神经元产生影响或阻止它。包括但是它的状态被分成两个载体：h(t)和c(t)(“c”代表“细胞”)，h(t)视为短期状态，它表示来自下一层神经元细胞的输入，c(t)视为长期状态，是表示上一时刻神经元细胞的记忆，它可以从一个时间步骤持续到另一个时间。递归神经网络可以学习存储内容的长期状态，即细胞记忆可以通过神经元细胞层的遗忘门和/或记忆门选择调节细胞记忆(即存储单元)自身与外在环境之间的相互作用。作为长期的状态c(t-1)从左到右遍历网络，它首先通过一个忘记门，丢掉一些上一时刻的存储细胞记忆，然后增加了一些当前时刻新的细胞记忆加法运算(添加由输入门选择的存储器)。所以，在连续的时间轴内，每次一次输入层的输入均会有一些记忆被丢弃，一些记忆被添加。而且，之后加法运算，复制长期状态并通过tanh函数(即g(t))传递，然后结果由输出层过滤。这产生了短期状态h(t)。
进一步地，所述神经元细胞层的全连接层的作用是：将当前输入层的输入向量x(t)和先前的短期状态h(t-1)馈送到四个不同的完全连接层。四个完全连接层都有不同的用途：第二全连接层是输出g(t)的层。它具有分析电流输入x(t)和前一个(短期)状态h(t-1)的作用。在常规递归神经网络的细胞层中，它的输出直接输出到y(t)和h(t)。在长期记忆神经网络(LSTM)中，此h(t)的输出不会直接输出，而是直接输出部分存储在长期状态。第一全连接层、第三全连接层、第四全连接层均是门控制器。因为他们使用后勤激活功能，它们的输出范围从0到1。它们的输出被馈送到乘法运算部分，所以如果它们输出0，它们会关闭门，如果他们输出1，他们打开门。第一全连接层控制的遗忘门(由f(t)控制)控制长期状态的哪个部分应该遗忘。第三全连接层控制的输入门(由i(t)控制)控制应添加第二全连接层控制的g(t)的哪个部分到了长期状态。最后，第四全连接层的输出门(由o(t)控制)控制长期的哪些部分应该在此时间步骤(从h(t))和y(t)读取和输出状态。综上所述，长期记忆神经网络单元依靠输入门的作用可以学习识别重要输入，并将其存储在长期状态，依照遗忘门的作用遗忘不必要的部分，记住必要的部分，并且学会在需要时提取它。它们可以运用在捕捉时间序列，长文本，录音，连续视频帧中输入层的输入向量x(t)的感兴趣的部分。
一种符合车辆动力学的参考线生成***，包括：
地图获取模块，所述地图获取模块获取自车辆起始点和车辆终止点坐标，
定位模块，所述定位模块获取车辆的起始点和终止点在地图中的位置，
全局路径规划模块，所述全局路径规划模块获取起始点至终止点的全局路径规划，
仿真模块，所述仿真模块按照车辆车身动力学参数设置虚拟的车辆运动学模型，以该车辆运动学模型在地图中仿真行驶全局路径规划的路径；
参考行驶线生成模块，所述参考行驶线生成模块搜集仿真行驶轨迹，作为参考行驶线。
进一步地，所述地图加载模块将上一时刻生成的参考行驶线生成模块生成的参考线嵌入地图中，作为地图中语义元素的一部分。
进一步地，还包括低速场景模式和高速场景模式，所述低速场景模式下对车身动力学参数中的质量矩阵、阻尼矩阵设置有较高的权重；所述高速场景模式下对车身动力学参数中的刚度矩阵、状态向量和激扰力矢量设置有较高的权重。
进一步地，所述地图加载模块加载的某一城市的市级地图、某一区的区级地图、某一乡镇的乡镇级地图、街道级地图、或者某一室内场景的地图，也可以为车辆所在市级地图、区级地图、乡镇级地图、街道级地图、室内场景级地图在当前车辆定位位置处的加载部分，加载的地图可以是整体的，即下载在车载终端中的市级地图、区级地图、乡镇级地图、街道级地图、或者某一停车场场景的地图，也可以是某一个一级地图在车辆当前定位位置处加载的局部地图。
进一步地，所述还包括车辆运动学模型，所述车辆运动学模型包括低速场景模式下的车辆动力学模型和高速场景模式下车辆动力学模型，根据车辆型号的不同，设置不同的车辆运动学模型，车辆运动学模型是由多个非线性多体***组成的，以质量矩阵、阻尼矩阵、刚度矩阵为车身动力学参数，以状态向量和激扰力矢量为动力学变量以表征车模的动力学函数。
进一步地，所述车辆动力学模型的车模在低速场景模式下对车身动力学参数中的质量矩阵、阻尼矩阵有高权重；车辆动力学模型的车模在高速场景模式下对车身动力学参数中的刚度矩阵、状态向量和激扰力矢量有高权重，激扰力矢量包括轮速脉冲、方向盘转角范围、车辆速度、车辆加速度、设计最高车速中的一种或几种。
进一步地，所述所述车辆运动学模型在高速场景模式下包括整车运动学模型，其中整车运动学模型包括多体***运动学模型、车体运动学和动力学模型、悬架的建模与分析模型、路面与轮胎接触模型、传动***建模、车辆受力分析力学模型、单轨和双轨运动模型中的一种或几种。
一种符合车辆动力学的参考线使用方法，将生成的参考行驶线保存在结构化的地图中，当真实车辆再次行驶到该片地图时，使用保存有参考行驶线的地图。
进一步地，真实车辆在接收到导航任务时，从云端请求地图和行驶参考线，云端根据真实车辆起始点、终止点和全局路径规划，找出沿线路径的局部地图及其包含的参考系行驶线，通过通信网络将加载了参考行驶线的局部地图传输给车辆控制***，并由车辆控制***接收该局部地图、局部地图中的参考行驶线，车辆控制***根据自身本地路径规划结合参考行驶线控制车身实际行驶。车辆在使用局部地图时，由于明确了车辆的起始位置、终止位置、全局路径规划，所以当前加载的局部地图时，参考行驶线也加载在了该部分局部地图中。
一种终端设备，如可以执行上述符合车辆动力学的参考线生成方法的智能手机或可以执行上述符合车辆动力学的参考线生成方法的车载终端控制设备。
一种云端，所述云端包括用于实现上述符合车辆动力学的参考线生成方法和/或符合车辆动力学的参考线生成***。
一种计算机存储介质，所述计算机存储介质用于存储上述符合车辆动力学的参考线生成方法程序和/或符合车辆动力学的参考线生成***。
如上所述，本发明的具有以下有益效果：
摒弃全局路径规划路径的生成方式，结合车辆动力学模型、车辆运动学模型以及地图场景，使用递归神经网络在仿真环境中，控制车辆动力学模型来模拟行驶得到参考行驶线。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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他的附图。
图1显示为本发明地下停车场和全局路径规划的示意图。
图2显示为某一时刻局部地图和局部地图拼接中全局路径和参考行驶线的示意图。
图3显示为另一时刻局部地图和局部地图拼接中全局路径和参考行驶线的示意图。
图4显示为另一时刻局部地图和局部地图拼接中全局路径和参考行驶线的示意图。
图5显示为另一时刻局部地图和局部地图拼接中全局路径和参考行驶线的示意图。
图6显示为另一时刻局部地图和局部地图拼接中全局路径和参考行驶线的示意图。
图7显示为本发明神经元细胞层的示意图。
图8显示为本发明神经元细胞层的示意图。
图9显示为本发明网络模型训练的示意图。
图10显示为本发明网络模型训练的示意图。
100-第一局部地图；200-第二局部地图；300-第三局部地图；400-第四局部地图；500-第五局部地图；600-第六局部地图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
参见图1～图10，
一种符合车辆动力学的参考线生成方法，包括：
S01：获取地图，获取车辆的起始点和终止点在地图中的位置，获取起始点至终止点的全局路径规划；
S02：按照车辆车身动力学参数设置虚拟的车辆运动学模型，以该车辆运动学模型在地图中仿真行驶全局路径规划的路径；
S03：搜集仿真行驶轨迹，作为参考行驶线。
进一步地，所述步骤S01中获取地图为某一城市的市级地图、某一区的区级地图、某一乡镇的乡镇级地图、街道级地图、或者某一室内场景的地图。
进一步地，所述步骤S01中获取地图可以为车辆所在市级地图、区级地图、乡镇级地图、街道级地图、室内场景级地图在当前车辆定位位置处的加载部分。
也就是说，获取的地图可以是整体的，即下载在车载终端中的市级地图、区级地图、乡镇级地图、街道级地图、或者某一停车场场景的地图，也可以是某一个一级地图在车辆当前定位位置处加载的局部地图。
进一步地，参考行驶线是矢量数据，是在局部地图中是根据局部地图道路的方向来定义的。
进一步地，所述步骤S02中车辆运动学模型包括低速场景模式下的车辆动力学模型和高速场景模式下车辆动力学模型。
进一步地，所述步骤S02车辆动力学模型会根据车辆型号的不同，设置不同的车辆运动学模型。优选地，可以用标定的方式，建立车辆动力学模型。
进一步地，所述步骤S02中车辆运动学模型是由多个非线性多体***组成的，以质量矩阵、阻尼矩阵、刚度矩阵为车身动力学参数，以状态向量和激扰力矢量为动力学变量以表征车模的动力学函数。
进一步地，所述步骤S02中车辆动力学模型的车模在低速场景模式下对车身动力学参数中的质量矩阵、阻尼矩阵有高权重。
进一步地，所述步骤S02中车辆动力学模型的车模在高速场景模式下对车身动力学参数中的刚度矩阵、状态向量和激扰力矢量有高权重。
进一步地，所述激扰力矢量包括轮速脉冲、方向盘转角范围、车辆速度、车辆加速度、设计最高车速中的一种或几种。
进一步地，所述质量矩阵包括车辆整备质量、车辆总质量。
进一步地，所述阻尼矩阵包括汽车轴距、迎风面积、滚动阻力系数、空气阻力系数、机械传动效率、轮胎型号、发动机型号、额定功率、减速器传动比、最大输入扭矩的一种或几种。
进一步地，所述步骤S02中高速场景模式下车辆运动学模型包括整车运动学模型，其中整车运动学模型包括多体***运动学模型、车体运动学和动力学模型、悬架的建模与分析模型、路面与轮胎接触模型、传动***建模、车辆受力分析力学模型、单轨和双轨运动模型中的一种或几种。
进一步地，将当前时刻局部地图、全局路径规划、当前时刻车辆控制信号、车辆动力学模型、车辆运动学模型作为深度递归神经网络的输入，获得车辆在当前时刻位置上的控制信号。
进一步地，所述深度递归神经网络包括n个神经元细胞层，即自输入层至输出层分别标记为第一神经元细胞层、第二神经元细胞层…第n神经元细胞层，所述第一神经元细胞层的输入包括本时刻车辆近场移动物体的数据簇以及该第一神经元细胞层上一时刻的细胞记忆数据，所述第二神经元细胞层的输入为第一神经元细胞层的输出结果以及第二神经元细胞层上一时刻的细胞记忆数据，所述第n神经元细胞层的输入为第n-1层神经元细胞层的输出结果与第n神经元细胞层上一时刻的细胞记忆数据，所述第n神经元细胞层的输出为各个近场移动物体意图预测结果的概率，所述第一神经元细胞层、第二神经元细胞层、…第n神经元细胞层之间并行训练各个分支模型，并将并行训练结果聚合并同步和/或异步更新模型参数并应用在各个分支模型中。
进一步地，所述神经元细胞层的工作原理为：神经元细胞层就像常规存储单元细胞，它输入层、具有自循环连接的存储单元、遗忘门和输出层；输入层可以允许传入信号改变细胞记忆的状态或阻止它。另一方面，输入层可以允许细胞记忆的状态对其他神经元产生影响或阻止它。包括但是它的状态被分成两个载体：h(t)和c(t)(“c”代表“细胞”)，h(t)视为短期状态，它表示来自下一层神经元细胞的输入，c(t)视为长期状态，是表示上一时刻神经元细胞的记忆，它可以从一个时间步骤持续到另一个时间。递归神经网络可以学习存储内容的长期状态，即细胞记忆可以通过神经元细胞层的遗忘门和/或记忆门选择调节细胞记忆(即存储单元)自身与外在环境之间的相互作用。作为长期的状态c(t-1)从左到右遍历网络，它首先通过一个忘记门，丢掉一些上一时刻的存储细胞记忆，然后增加了一些当前时刻新的细胞记忆加法运算(添加由输入门选择的存储器)。所以，在连续的时间轴内，每次一次输入层的输入均会有一些记忆被丢弃，一些记忆被添加。而且，之后加法运算，复制长期状态并通过tanh函数(即g(t))传递，然后结果由输出层过滤。这产生了短期状态h(t)。
进一步地，所述神经元细胞层的全连接层的作用是：将当前输入层的输入向量x(t)和先前的短期状态h(t-1)馈送到四个不同的完全连接层。四个完全连接层都有不同的用途：第二全连接层是输出g(t)的层。它具有分析电流输入x(t)和前一个(短期)状态h(t-1)的作用。在常规递归神经网络的细胞层中，它的输出直接输出到y(t)和h(t)。在长期记忆神经网络(LSTM)中，此h(t)的输出不会直接输出，而是直接输出部分存储在长期状态。第一全连接层、第三全连接层、第四全连接层均是门控制器。因为他们使用后勤激活功能，它们的输出范围从0到1。它们的输出被馈送到乘法运算部分，所以如果它们输出0，它们会关闭门，如果他们输出1，他们打开门。第一全连接层控制的遗忘门(由f(t)控制)控制长期状态的哪个部分应该遗忘。第三全连接层控制的输入门(由i(t)控制)控制应添加第二全连接层控制的g(t)的哪个部分到了长期状态。最后，第四全连接层的输出门(由o(t)控制)控制长期的哪些部分应该在此时间步骤(从h(t))和y(t)读取和输出状态。综上所述，长期记忆神经网络单元依靠输入门的作用可以学习识别重要输入，并将其存储在长期状态，依照遗忘门的作用遗忘不必要的部分，记住必要的部分，并且学会在需要时提取它。它们可以运用在捕捉时间序列，长文本，录音，连续视频帧中输入层的输入向量x(t)的感兴趣的部分。
一种符合车辆动力学的参考线生成***，包括：
地图获取模块，所述地图获取模块获取自车辆起始点和车辆终止点坐标，
定位模块，所述定位模块获取车辆的起始点和终止点在地图中的位置，
全局路径规划模块，所述全局路径规划模块获取起始点至终止点的全局路径规划，
仿真模块，所述仿真模块按照车辆车身动力学参数设置虚拟的车辆运动学模型，以该车辆运动学模型在地图中仿真行驶全局路径规划的路径；
参考行驶线生成模块，所述参考行驶线生成模块搜集仿真行驶轨迹，作为参考行驶线。
进一步地，所述地图加载模块将上一时刻生成的参考行驶线生成模块生成的参考线嵌入地图中，作为地图中语义元素的一部分。
进一步地，还包括低速场景模式和高速场景模式，所述低速场景模式下对车身动力学参数中的质量矩阵、阻尼矩阵设置有较高的权重；所述高速场景模式下对车身动力学参数中的刚度矩阵、状态向量和激扰力矢量设置有较高的权重。
进一步地，所述地图加载模块加载的某一城市的市级地图、某一区的区级地图、某一乡镇的乡镇级地图、街道级地图、或者某一室内场景的地图，也可以为车辆所在市级地图、区级地图、乡镇级地图、街道级地图、室内场景级地图在当前车辆定位位置处的加载部分，加载的地图可以是整体的，即下载在车载终端中的市级地图、区级地图、乡镇级地图、街道级地图、或者某一停车场场景的地图，也可以是某一个一级地图在车辆当前定位位置处加载的局部地图。
进一步地，所述还包括车辆运动学模型，所述车辆运动学模型包括低速场景模式下的车辆动力学模型和高速场景模式下车辆动力学模型，根据车辆型号的不同，设置不同的车辆运动学模型，车辆运动学模型是由多个非线性多体***组成的，以质量矩阵、阻尼矩阵、刚度矩阵为车身动力学参数，以状态向量和激扰力矢量为动力学变量以表征车模的动力学函数。
进一步地，所述车辆动力学模型的车模在低速场景模式下对车身动力学参数中的质量矩阵、阻尼矩阵有高权重；车辆动力学模型的车模在高速场景模式下对车身动力学参数中的刚度矩阵、状态向量和激扰力矢量有高权重，激扰力矢量包括轮速脉冲、方向盘转角范围、车辆速度、车辆加速度、设计最高车速中的一种或几种。
进一步地，所述所述车辆运动学模型在高速场景模式下包括整车运动学模型，其中整车运动学模型包括多体***运动学模型、车体运动学和动力学模型、悬架的建模与分析模型、路面与轮胎接触模型、传动***建模、车辆受力分析力学模型、单轨和双轨运动模型中的一种或几种。
一种符合车辆动力学的参考线使用方法，将生成的参考行驶线保存在结构化的地图中，当真实车辆再次行驶到该片地图时，使用保存有参考行驶线的地图。
进一步地，真实车辆在接收到导航任务时，从云端请求地图和行驶参考线，云端根据真实车辆起始点、终止点和全局路径规划，找出沿线路径的局部地图及其包含的参考系行驶线，通过通信网络将加载了参考行驶线的局部地图传输给车辆控制***，并由车辆控制***接收该局部地图、局部地图中的参考行驶线，车辆控制***根据自身本地路径规划结合参考行驶线控制车身实际行驶。车辆在使用局部地图时，由于明确了车辆的起始位置、终止位置、全局路径规划，所以当前加载的局部地图时，参考行驶线也加载在了该部分局部地图中。
一种终端设备，如可以执行上述符合车辆动力学的参考线生成方法的智能手机或可以执行上述符合车辆动力学的参考线生成方法的车载终端控制设备。
一种云端，所述云端包括用于实现上述符合车辆动力学的参考线生成方法和/或符合车辆动力学的参考线生成***。
一种计算机存储介质，所述计算机存储介质用于存储上述符合车辆动力学的参考线生成方法程序和/或符合车辆动力学的参考线生成***。
作为优选实施例，本实施例还提供一种终端设备，如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式云端、刀片式云端、塔式云端或机柜式云端(包括独立的云端，或者多个云端所组成的云端集群)等。本实施例的终端设备至少包括但不限于：可通过***总线相互通信连接的存储器、处理器。需要指出的是，具有组件存储器、处理器的终端设备，但是应理解的是，并不要求实施所有示出的组件，可以替代的符合车辆动力学的参考线生成方法实施更多或者更少的组件。
作为优选实施例，存储器(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，存储器也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。当然，存储器还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，存储器通常用于存储安装于计算机设备的操作***和各类应用软件，例如实施例中的符合车辆动力学的参考线生成方法程序代码等。此外，存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。
本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、云端、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储符合车辆动力学的参考线生成方法程序，被处理器执行时实现符合车辆动力学的参考线生成方法程序实施例中的符合车辆动力学的参考线生成方法。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中包括通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种符合车辆动力学的参考线生成***，其特征在于，包括：
地图获取模块，所述地图获取模块获取自车辆起始点和车辆终止点坐标；
定位模块，所述定位模块获取车辆的起始点和终止点在地图中的位置；
全局路径规划模块，所述全局路径规划模块获取起始点至终止点的全局路径规划；
仿真模块，所述仿真模块按照车辆车身动力学参数设置虚拟的车辆运动学模型，以该车辆运动学模型在地图中仿真行驶全局路径规划的路径；
参考行驶线生成模块，所述参考行驶线生成模块搜集仿真行驶轨迹，作为参考行驶线；
其中，将当前时刻局部地图、所述全局路径规划、当前时刻车辆控制信号、车辆动力学模型、车辆运动学模型作为深度递归神经网络的输入，获得车辆在当前时刻位置上的控制信号，所述车辆在当前时刻位置上的控制信号用于获取所述仿真行驶轨迹。
2.根据权利要求1所述的符合车辆动力学的参考线生成***，其特征在于，还包括地图加载模块，地图加载模块将上一时刻参考行驶线生成模块生成的参考线嵌入地图中，作为地图中语义元素的一部分。
3.根据权利要求2所述的符合车辆动力学的参考线生成***，其特征在于，所述地图加载模块加载的某一城市的市级地图、某一区的区级地图、某一乡镇的乡镇级地图、街道级地图、或者某一室内场景的地图，也可以为车辆所在市级地图、区级地图、乡镇级地图、街道级地图、室内场景级地图在当前车辆定位位置处的加载部分，加载的地图可以是整体的，即下载在车载终端中的市级地图、区级地图、乡镇级地图、街道级地图、或者某一停车场场景的地图，也可以是某一个一级地图在车辆当前定位位置处加载的局部地图。
4.根据权利要求1所述的符合车辆动力学的参考线生成***，其特征在于，还包括车辆运动学模型，所述车辆运动学模型包括低速场景模式下的车辆动力学模型和高速场景模式下车辆动力学模型，根据车辆型号的不同，设置不同的车辆运动学模型，车辆运动学模型是由多个非线性多体***组成的，以质量矩阵、阻尼矩阵、刚度矩阵为车身动力学参数，以状态向量和激扰力矢量为动力学变量以表征车模的动力学函数。
5.根据权利要求1所述的符合车辆动力学的参考线生成***，其特征在于，所述车辆动力学模型的车模在低速场景模式下对车身动力学参数中的质量矩阵、阻尼矩阵有高权重；车辆动力学模型的车模在高速场景模式下对车身动力学参数中的刚度矩阵、状态向量和激扰力矢量有高权重，激扰力矢量包括轮速脉冲、方向盘转角范围、车辆速度、车辆加速度、设计最高车速中的一种或几种。
6.根据权利要求1所述的符合车辆动力学的参考线生成***，其特征在于，所述车辆运动学模型在高速场景模式下包括整车运动学模型，其中整车运动学模型包括多体***运动学模型、车体运动学和动力学模型、悬架的建模与分析模型、路面与轮胎接触模型、传动***建模、车辆受力分析力学模型、单轨和双轨运动模型中的一种或几种。
7.一种终端设备，其特征在于，用于执行上述1至6任一项所述的符合车辆动力学的参考线生成***的车载终端控制设备。
8.一种符合车辆动力学的参考线使用方法，其特征在于，包括：将生成的参考行驶线保存在结构化的地图中，当真实车辆再次行驶到该片地图时，使用保存有参考行驶线的地图；所述参考行驶线利用如权利要求1至6任一项所述的符合车辆动力学的参考线生成***获得到。
9.根据权利要求8所述的符合车辆动力学的参考线使用方法，其特征在于，包括：真实车辆在接收到导航任务时，从云端请求地图和参考行驶线，云端根据真实车辆起始点、终止点和全局路径规划，找出沿线路径的局部地图及其包含的参考行驶线，通过通信网络将加载了参考行驶线的局部地图传输给车辆控制***，并由车辆控制***接收该局部地图、局部地图中的参考行驶线，车辆控制***根据自身本地路径规划结合参考行驶线控制车身实际行驶。
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，该程序被处理器执行时实现如权利要求8至9任一权利要求所述的方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910343221.1A CN110186470B (zh) | 2019-04-26 | 2019-04-26 | 符合车辆动力学的参考线生成***、终端和使用方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910343221.1A CN110186470B (zh) | 2019-04-26 | 2019-04-26 | 符合车辆动力学的参考线生成***、终端和使用方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110186470A CN110186470A (zh) | 2019-08-30 |
| CN110186470B true CN110186470B (zh) | 2024-06-04 |
Family
ID=67715172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910343221.1A Active CN110186470B (zh) | 2019-04-26 | 2019-04-26 | 符合车辆动力学的参考线生成***、终端和使用方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110186470B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111753371B (zh) * | 2020-06-04 | 2024-03-15 | 纵目科技（上海）股份有限公司 | 一种车身控制网络模型的训练方法、***、终端和存储介质 |
| CN112668153B (zh) * | 2020-12-11 | 2024-03-22 | 国汽(北京)智能网联汽车研究院有限公司 | 一种自动驾驶仿真场景生成的方法、装置及设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107340772A (zh) * | 2017-07-11 | 2017-11-10 | 清华大学 | 一种面向无人驾驶的拟人化参考轨迹规划方法 |
| US9969386B1 (en) * | 2017-01-10 | 2018-05-15 | Mitsubishi Electric Research Laboratories, Inc. | Vehicle automated parking system and method |
| CN108534790A (zh) * | 2018-02-27 | 2018-09-14 | 吉林省行氏动漫科技有限公司 | 无人驾驶车辆导航方法、装置及无人驾驶车辆 |
| KR101897407B1 (ko) * | 2017-06-14 | 2018-10-18 | 국방과학연구소 | 무인차량의 자율주행을 위한 적응적 동역학 모델 기반 최적 경로계획 방법 및 그 장치 |
| CN109318905A (zh) * | 2018-08-22 | 2019-02-12 | 江苏大学 | 一种智能汽车路径跟踪混合控制方法 |
| CN110210058A (zh) * | 2019-04-26 | 2019-09-06 | 纵目科技（上海）股份有限公司 | 符合车辆动力学的参考线生成方法、***、终端和介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1555511A4 (en) * | 2002-10-22 | 2011-12-21 | Hitachi Ltd | METHOD FOR DELIVERING MAP DATA FOR NAVIGATION AND COMMUNICATION SYSTEM |
| US9650042B2 (en) * | 2014-09-11 | 2017-05-16 | Cummins Inc. | Systems and methods for route planning |
| US11029693B2 (en) * | 2017-08-08 | 2021-06-08 | Tusimple, Inc. | Neural network based vehicle dynamics model |
-
2019
- 2019-04-26 CN CN201910343221.1A patent/CN110186470B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9969386B1 (en) * | 2017-01-10 | 2018-05-15 | Mitsubishi Electric Research Laboratories, Inc. | Vehicle automated parking system and method |
| KR101897407B1 (ko) * | 2017-06-14 | 2018-10-18 | 국방과학연구소 | 무인차량의 자율주행을 위한 적응적 동역학 모델 기반 최적 경로계획 방법 및 그 장치 |
| CN107340772A (zh) * | 2017-07-11 | 2017-11-10 | 清华大学 | 一种面向无人驾驶的拟人化参考轨迹规划方法 |
| CN108534790A (zh) * | 2018-02-27 | 2018-09-14 | 吉林省行氏动漫科技有限公司 | 无人驾驶车辆导航方法、装置及无人驾驶车辆 |
| CN109318905A (zh) * | 2018-08-22 | 2019-02-12 | 江苏大学 | 一种智能汽车路径跟踪混合控制方法 |
| CN110210058A (zh) * | 2019-04-26 | 2019-09-06 | 纵目科技（上海）股份有限公司 | 符合车辆动力学的参考线生成方法、***、终端和介质 |
Non-Patent Citations (2)
| Title |
|---|
| A Path Planning Algorithm and Application Based on Improved Cellular Neural Network;Deng, Y.;International Conference on Advances in Management Engineering and Information Technology (AMEIT);20151007;全文 * |
| 全虚拟无人车辆自主导航仿真***的研究与实现;史美萍, 彭晓军, 贺汉根;***仿真学报(第08期);1722-1724页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110186470A (zh) | 2019-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110210058B (zh) | 符合车辆动力学的参考线生成方法、***、终端和介质 | |
| Shadrin et al. | Experimental autonomous road vehicle with logical artificial intelligence | |
| US11704554B2 (en) | Automated training data extraction method for dynamic models for autonomous driving vehicles | |
| CN107229973A (zh) | 一种用于车辆自动驾驶的策略网络模型的生成方法及装置 | |
| JP2022547611A (ja) | 道路シーンにおける多様な長期将来軌道のシミュレーション | |
| CN110186470B (zh) | 符合车辆动力学的参考线生成***、终端和使用方法 | |
| US20210056863A1 (en) | Hybrid models for dynamic agents in a simulation environment | |
| CN111832652B (zh) | 决策模型的训练方法及装置 | |
| CN114358128A (zh) | 一种训练端到端的自动驾驶策略的方法 | |
| CN111752258A (zh) | 自主车辆的操作测试 | |
| CN114296424B (zh) | 仿真测试***和方法 | |
| CN112836301A (zh) | 车辆能耗的预测方法和装置、存储介质及电子设备 | |
| CN111753371B (zh) | 一种车身控制网络模型的训练方法、***、终端和存储介质 | |
| Schütt et al. | An application of scenario exploration to find new scenarios for the development and testing of automated driving systems in urban scenarios | |
| Ni | 2DSIM: a prototype of nanoscopic traffic simulation | |
| CN116859931A (zh) | 轨迹规划模型的训练方法、车辆控制方式及装置 | |
| CN117668413A (zh) | 考虑多类行驶要素的自动驾驶综合决策评估方法及装置 | |
| Leudet et al. | Virtual environment for training autonomous vehicles | |
| Anderson et al. | Modelling minimum-time manoeuvering with global optimisation of local receding horizon control | |
| CN116620327A (zh) | 基于PPO和Lattice实现自动驾驶的高速场景的变道决策方法 | |
| CN114954498A (zh) | 基于模仿学习初始化的强化学习换道行为规划方法及*** | |
| CN111661034B (zh) | 基于深度递归神经网络的车身控制方法、***、终端和存储介质 | |
| CN114117944A (zh) | 一种模型更新方法、装置、设备及可读存储介质 | |
| Schuermann et al. | How to Model Real-World Driving Behavior? Probability-Based Driver Model for Energy Analyses | |
| Feng et al. | Autonomous RC-car for education purpose in iSTEM projects |
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 |