CN110187707A - 无人驾驶设备运行轨迹的规划方法、装置及无人驾驶设备 - Google Patents
无人驾驶设备运行轨迹的规划方法、装置及无人驾驶设备 Download PDFInfo
- Publication number
- CN110187707A CN110187707A CN201910462102.8A CN201910462102A CN110187707A CN 110187707 A CN110187707 A CN 110187707A CN 201910462102 A CN201910462102 A CN 201910462102A CN 110187707 A CN110187707 A CN 110187707A
- Authority
- CN
- China
- Prior art keywords
- moment
- constraint condition
- time
- planning
- sequence
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 230000004888 barrier function Effects 0.000 claims description 57
- 230000006870 function Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000001419 dependent effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation 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
- G05D1/0212—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
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种无人驾驶设备运行轨迹的规划方法、装置及无人驾驶设备，所述方法的一具体实施方式包括：获取目标运行规划的时刻序列对应的第一约束条件；获取所述时刻序列中除末个时刻外的每个目标时刻对应的第二约束条件；针对所述每个目标时刻，执行以下操作：基于所述第一约束条件及该目标时刻对应的第二约束条件，执行第一操作或第二操作；其中，基于预先训练的目标深度神经网络执行所述第一操作，基于预设规则执行所述第二操作；基于确定的多个规划轨迹点，生成所述目标运行规划的规划轨迹。该实施方式不仅能够发挥预设规则的优势，又避免了由于过分依赖于预设规则而导致的灵活性差的问题，并且，使得运行规划的结果更具合理性。
Description
技术领域
本申请涉及无人驾驶技术领域，特别涉及一种无人驾驶设备运行轨迹的规划方法、装置及无人驾驶设备。
背景技术
目前来说，针对无人驾驶设备的运行规划，通常是基于人们的经验，根据无人驾驶设备所处环境的信息，预先设定一些规则。在进行运行规划时，需要实时采集当前无人驾驶设备所处环境的信息，并根据当前无人驾驶设备所处环境的信息以及预先设定的规则，生成大量轨迹，再从中选取一条轨迹作为运行规划的目标轨迹。但是，通过上述方式进行运行规划，过分依赖于预先设定的规则，灵活性差，降低了运行规划的结果的合理性。
发明内容
为了解决上述技术问题之一，本申请提供一种无人驾驶设备运行轨迹的规划方法、装置及无人驾驶设备。
根据本申请实施例的第一方面，提供一种无人驾驶设备运行轨迹的规划方法，包括：
获取目标运行规划的时刻序列对应的第一约束条件；以及
获取所述时刻序列中除末个时刻外的每个目标时刻对应的第二约束条件；
针对所述每个目标时刻，执行以下操作：基于所述第一约束条件及该目标时刻对应的第二约束条件，执行第一操作或第二操作，以确定所述时刻序列中该目标时刻的下一时刻对应的规划轨迹点；其中，基于预先训练的目标深度神经网络执行所述第一操作，基于预设规则执行所述第二操作；
基于确定的多个规划轨迹点，生成所述目标运行规划的规划轨迹。
可选的，所述第一约束条件包括：
目标设备在所述时刻序列中末个时刻的运动状态参数；
所述目标设备检测到的障碍物的尺寸参数；
针对任一目标时刻，该目标时刻对应的第二约束条件包括：
所述目标设备在该目标时刻的运动状态参数；
所述障碍物在该目标时刻的运动状态参数；以及
所述障碍物在所述时刻序列中该目标时刻之后每个时刻的运动状态参数。
可选的，所述第一约束条件还包括：所述目标设备的尺寸参数。
可选的，在获取所述第一约束条件以及获取所述第二约束条件之前，还包括：
分别确定所述目标设备和所述障碍物当前的运动状态参数；
基于所述目标设备和所述障碍物当前的运动状态参数，分别预估所述目标设备和所述障碍物在所述时刻序列中每个时刻的运动状态参数。
可选的，所述执行第一操作或第二操作，包括：
按照预先设定的执行概率，执行第一操作或第二操作；其中，所述执行概率包括执行所述第一操作的第一概率和执行所述第二操作的第二概率；所述第一概率与所述第二概率之和为1。
可选的，针对任一目标时刻，通过如下方式基于预先训练的目标深度神经网络执行所述第一操作：
取标准正态分布随机数，作为随机变量；
将所述第一约束条件、该目标时刻对应的第二约束条件和所述随机变量输入至所述目标深度神经网络，得到所述目标深度神经网络输出的结果。
可选的，所述基于确定的多个规划轨迹点，生成所述目标运行规划的规划轨迹，包括：
基于确定的多个规划轨迹点，采用多项式曲线插值的方式，得到多条备选轨迹；
采用预设的代价函数计算每条所述备选轨迹的代价值；
选取代价值最小的备选轨迹作为目标运行规划的规划轨迹。
根据本申请实施例的第二方面，提供一种无人驾驶设备运行轨迹的规划装置，包括：
第一获取模块，用于获取目标运行规划的时刻序列对应的第一约束条件；以及
第二获取模块，用于获取所述时刻序列中除末个时刻外的每个目标时刻对应的第二约束条件；
执行模块，用于针对所述每个目标时刻，执行以下操作：基于所述第一约束条件及该目标时刻对应的第二约束条件，执行第一操作或第二操作，以确定所述时刻序列中该目标时刻的下一时刻对应的规划轨迹点；其中，基于预先训练的目标深度神经网络执行所述第一操作，基于预设规则执行所述第二操作；
生成模块，用于基于确定的多个规划轨迹点，生成所述目标运行规划的规划轨迹。
根据本申请实施例的第三方面，提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的方法。
根据本申请实施例的第四方面，提供一种无人驾驶设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述第一方面中任一项所述的方法。
本申请的实施例提供的技术方案可以包括以下有益效果：
本申请的实施例提供的无人驾驶设备运行轨迹的规划方法和装置，通过获取目标运行规划的时刻序列对应的第一约束条件，获取该时刻序列中除末个时刻外的每个目标时刻对应的第二约束条件。针对上述每个目标时刻，执行以下操作：基于该第一约束条件及该目标时刻对应的第二约束条件，执行第一操作或第二操作，以确定该时刻序列中该目标时刻的下一时刻对应的规划轨迹点。其中，基于预先训练的目标深度神经网络执行第一操作，基于预设规则执行第二操作。基于确定的多个规划轨迹点，生成目标运行规划的规划轨迹。由于本实施例将基于目标深度神经网络执行的第一操作和基于预设规则执行的第二操作相结合，在进行运行规划时，不仅能够发挥预设规则的优势，同时，又避免了由于过分依赖于预设规则而导致的灵活性差的问题。并且，本实施例在确定规划轨迹点时，考虑了时刻序列对应的第一约束条件和时刻序列中每个目标时刻对应的第二约束条件，从而使得运行规划的结果更具合理性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请根据一示例性实施例示出的一种无人驾驶设备运行轨迹的规划方法的流程图；
图2是本申请根据一示例性实施例示出的另一种无人驾驶设备运行轨迹的规划方法的流程图；
图3是本申请根据一示例性实施例示出的另一种无人驾驶设备运行轨迹的规划方法的流程图；
图4是本申请根据一示例性实施例示出的一种无人驾驶设备运行轨迹的规划装置的框图；
图5是本申请根据一示例性实施例示出的另一种无人驾驶设备运行轨迹的规划装置的框图；
图6是本申请根据一示例性实施例示出的另一种无人驾驶设备运行轨迹的规划装置的框图；
图7是本申请根据一示例性实施例示出的一种无人驾驶设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
如图1所示，图1是根据一示例性实施例示出的一种无人驾驶设备运行轨迹的规划方法的流程图，该方法可以应用于无人驾驶设备中。本领域技术人员可以理解，该无人驾驶设备可以包括但不限于无人车、无人操作机器人、无人机、无人船等等。该方法包括以下步骤：
在步骤101中，获取目标运行规划的时刻序列对应的第一约束条件。
一般来说，无人驾驶设备在运行时，需要预先根据其当前所处环境的信息，规划未来预设时段内的运行路径(如，规划从当前时刻开始，N秒内的运行路径)，作为运行规划的规划轨迹。再按照运行规划的规划轨迹进行驾驶决策。具体来说，通常可以先根据其所处环境的信息，预测未来预设时段内多个预设时刻所对应的轨迹点，然后，再将上述轨迹点连接成轨迹，得到运行规划的规划轨迹。
在本实施例中，目标运行规划为当前针对无人驾驶设备进行的运行规划，可以得到未来预设时段内的运行路径，该未来预设时段可以是从当前时刻开始至N秒末的时段。其中，N可以是任意合理的正整数，本申请对N的具体取值方面不限定。目标运行规划的时刻序列为该未来预设时段内的一系列预设时刻构成的序列，该时刻序列可以包括起始时刻(即当前时刻)，多个中间时刻和末个时刻(即N秒末的时刻)。
在本实施例中，目标运行规划的时刻序列对应的第一约束条件能够表征该时刻序列对目标运行规划的影响因素。该第一约束条件可以包括目标设备在该时刻序列中末个时刻的运动状态参数以及目标设备检测到的障碍物的尺寸参数。
其中，目标设备即为进行目标运行规划的无人驾驶设备。目标设备的运动状态参数可以包括但不限于目标设备沿道路纵向方向的相对位移、速度、加速度，目标设备沿道路横向方向的相对位移、速度、加速度，以及目标设备所处的车道类型等。目标设备检测到的障碍物的尺寸参数为目标设备当前通过传感器检测到的一个或多个障碍物中，每个障碍物的尺寸参数。障碍物的尺寸参数可以包括但不限于障碍物的长度参数，宽度参数以及高度参数等。
可选地，该第一约束条件除了可以包括目标设备在该时刻序列中末个时刻的运动状态参数以及目标设备检测到的障碍物的尺寸参数以外，还可以进一步包括目标设备的尺寸参数。其中，目标设备的尺寸参数可以包括但不限于目标设备的长度参数，宽度参数以及高度参数等。由于目标设备的尺寸参数会对目标运行规划产生一定的影响，因此，在进行目标运行规划时，若能够考虑到目标设备的尺寸参数对目标运行规划的影响，则能使得运行规划的结果更为合理。
在步骤102中，获取该时刻序列中除末个时刻外的每个目标时刻对应的第二约束条件。
在本实施例中，目标时刻为上述时刻序列中，除末个时刻以外的任意时刻，可以获取每个目标时刻对应的第二约束条件。针对任意一个目标时刻，该目标时刻对应的第二约束条件能够表征该目标时刻对目标运行规划的影响因素。该目标时刻对应的第二约束条件可以包括目标设备在该目标时刻的运动状态参数，目标设备检测到的障碍物在该目标时刻的运动状态参数以及该障碍物在该时刻序列中该目标时刻之后的每个时刻的运动状态参数。
例如，上述时刻序列可以包括起始时刻A，中间时刻B、C、D、E，和末个时刻F。则时刻A、B、C、D、E均为目标时刻，可以获取时刻A、B、C、D、E中每个时刻对应的第二约束条件。其中，时刻A对应的第二约束条件可以包括目标设备在时刻A的运动状态参数，障碍物在时刻A的运动状态参数以及该障碍物分别在时刻B、C、D、E、F(时刻B、C、D、E、F为该时刻序列中时刻A之后的每个时刻)的运动状态参数。时刻B对应的第二约束条件可以包括目标设备在时刻B的运动状态参数，障碍物在时刻B的运动状态参数以及该障碍物分别在时刻C、D、E、F的运动状态参数。以此类推，……时刻E对应的第二约束条件可以包括目标设备在时刻E的运动状态参数，障碍物在时刻E的运动状态参数以及该障碍物在时刻F的运动状态参数。
其中，障碍物的运动状态参数可以包括但不限于障碍物沿道路纵向方向的速度、加速度，障碍物沿道路横向方向的速度、加速度，障碍物与目标设备之间的距离，障碍物与目标设备之间的相对角度以及障碍物所处的车道类型等。
需要说明的是，在获取第一约束条件以及第二约束条件之前，可以首先获取目标设备当前的运动状态参数以及障碍物当前的运动状态参数。然后，基于目标设备和障碍物当前的运动状态参数，分别预估目标设备和障碍物在时刻序列中每个时刻的运动状态参数，以确定第一约束条件以及第二约束条件。例如，可以采用预设算法预估上述运动状态参数，也可以采用机器学习的方法预估上述运动状态参数。可以理解，本领域中已知的以及将来可能出现的任何能够预估上述运动状态参数的方法都可以应用于本申请，本申请对预估上述运动状态参数的具体方式方面不限定。
在步骤103中，针对上述每个目标时刻，执行以下操作：基于该第一约束条件及该目标时刻对应的第二约束条件，执行第一操作或第二操作，以确定该时刻序列中该目标时刻的下一时刻对应的规划轨迹点。
在本实施例中，可以基于该时刻序列对应的第一约束条件及该时刻序列中的每个目标时刻对应的第二约束条件，确定时刻序列中每个目标时刻的下一时刻对应的规划轨迹点，得到多个规划轨迹点。即针对上述每个目标时刻，基于该第一约束条件及该目标时刻对应的第二约束条件，确定该时刻序列中该目标时刻的下一时刻对应的规划轨迹点。
例如，时刻序列可以包括起始时刻A，中间时刻B、C、D、E，和末个时刻F。则可以基于该时刻序列对应的第一约束条件以及时刻A对应的第二约束条件，确定时刻B对应的规划轨迹点。基于该时刻序列对应的第一约束条件以及时刻B对应的第二约束条件，确定时刻C对应的规划轨迹点。以此类推，……基于该时刻序列对应的第一约束条件以及时刻E对应的第二约束条件，确定时刻F对应的规划轨迹点。
具体来说，针对任意一个目标时刻，可以通过如下方式确定时刻序列中该目标时刻的下一时刻对应的规划轨迹点：基于该第一约束条件及该目标时刻对应的第二约束条件，通过执行第一操作确定时刻序列中该目标时刻的下一时刻对应的规划轨迹点，或者通过执行第二操作确定时刻序列中该目标时刻的下一时刻对应的规划轨迹点。其中，可以基于预先训练的目标深度神经网络执行第一操作，基于预设规则执行第二操作。
在本实施例中，可以随机执行第一操作和第二操作中的任一操作，也可以按照预设的规律，间隔地执行第一操作和第二操作，还可以按照预先设定的概率执行第一操作和第二操作中的任一操作。可以理解，可以采用任意合理的方式执行第一操作或第二操作，本申请对此方面不限定。
可选地，针对任一目标时刻，可以通过如下方式基于预先训练的目标深度神经网络执行第一操作：取标准正态分布随机数，作为随机变量，并将时刻序列对应的第一约束条件、该目标时刻对应的第二约束条件和上述随机变量输入至目标深度神经网络，得到目标深度神经网络输出的结果。通过上述方式执行第一操作，由于引入随机变量，使所得到的规划轨迹点更为准确。
可选地，可以根据经验设定预设规则，得到规则函数，该规则函数的自变量可以是约束条件，变量可以是规划轨迹点。针对任一目标时刻，可以通过如下方式基于预设规则执行第二操作：将时刻序列对应的第一约束条件以及该目标时刻对应的第二约束条件作为自变量输入至上述规则函数，得到该规则函数输出的该目标时刻的下一时刻对应的规划轨迹点。
在步骤104中，基于确定的多个规划轨迹点，生成目标运行规划的规划轨迹。
在本实施例中，可以根据时刻序列中每个时刻对应的规划轨迹点，生成目标运行规划的规划轨迹。具体来说，首先，可以基于多个规划轨迹点，采用多项式曲线插值的方式，得到多条备选轨迹。然后，采用预设的代价函数计算每条备选轨迹的代价值，并选取代价值最小的备选轨迹作为目标运行规划的规划轨迹。可以理解，还可以通过其它任意合理的方式生成目标运行规划的规划轨迹。本领域中已知的以及将来可能出现的任何能够生成目标运行规划的规划轨迹的方法都可以应用于本申请，本申请对生成目标运行规划的规划轨迹的具体方式方面不限定。
应当注意，尽管在上述图1的实施例中，以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。例如，步骤101可以在步骤102之前执行，也可以在步骤102之后执行，还可以与步骤102同时执行。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本申请的上述实施例提供的无人驾驶设备运行轨迹的规划方法，通过获取目标运行规划的时刻序列对应的第一约束条件，获取该时刻序列中除末个时刻外的每个目标时刻对应的第二约束条件。针对上述每个目标时刻，执行以下操作：基于该第一约束条件及该目标时刻对应的第二约束条件，执行第一操作或第二操作，以确定该时刻序列中该目标时刻的下一时刻对应的规划轨迹点。其中，基于预先训练的目标深度神经网络执行第一操作，基于预设规则执行第二操作。基于确定的多个规划轨迹点，生成目标运行规划的规划轨迹。由于本实施例将基于目标深度神经网络执行的第一操作和基于预设规则执行的第二操作相结合，在进行运行规划时，不仅能够发挥预设规则的优势，同时，又避免了由于过分依赖于预设规则而导致的灵活性差的问题。并且，本实施例在确定规划轨迹点时，考虑了时刻序列对应的第一约束条件和时刻序列中每个目标时刻对应的第二约束条件，从而使得运行规划的结果更具合理性。
如图2所示，图2根据一示例性实施例示出的另一种无人驾驶设备运行轨迹的规划方法的流程图，该实施例描述了目标设备和障碍物的运动状态参数的确定过程，该方法可以应用于无人驾驶设备中，包括以下步骤：
在步骤201中，分别确定目标设备和障碍物当前的运动状态参数。
在本实施例中，可以通过安装于目标设备上的传感器或者惯性导航***等装置，确定目标设备当前的运动状态参数。通过安装于目标设备上的雷达或者传感器等装置，确定障碍物当前的运动状态参数。可以理解，本申请对确定目标设备和障碍物当前的运动状态参数的具体方式方面不限定。
在步骤202中，基于目标设备和障碍物当前的运动状态参数，分别预估目标设备和障碍物在目标运行规划的时刻序列中每个时刻的运动状态参数。
在本实施例中，可以采用预设算法预估上述运动状态参数，也可以采用机器学习的方法预估上述运动状态参数。可以理解，本领域中已知的以及将来可能出现的任何能够预估上述运动状态参数的方法都可以应用于本申请，本申请对预估上述运动状态参数的具体方式方面不限定。
在步骤203中，获取目标运行规划的时刻序列对应的第一约束条件，该第一约束条件包括目标设备在该时刻序列中末个时刻的运动状态参数以及目标设备检测到的障碍物的尺寸参数。
在步骤204中，获取该时刻序列中除末个时刻外的每个目标时刻对应的第二约束条件，任意一个目标时刻对应的第二约束条件包括目标设备和障碍物在该目标时刻的运动状态参数以及该障碍物在时刻序列中该目标时刻之后的每个时刻的运动状态参数。
在步骤205中，针对上述每个目标时刻，执行以下操作：基于该第一约束条件及该目标时刻对应的第二约束条件，执行第一操作或第二操作，以确定该时刻序列中该目标时刻的下一时刻对应的规划轨迹点。
在步骤206中，基于确定的多个规划轨迹点，生成目标运行规划的规划轨迹。
需要说明的是，对于与图1实施例中相同的步骤，在上述图2实施例中不再进行赘述，相关内容可参见图1实施例。
本申请的上述实施例提供的无人驾驶设备运行轨迹的规划方法，分别确定目标设备和障碍物当前的运动状态参数，并基于目标设备和障碍物当前的运动状态参数，分别预估目标设备和障碍物在目标运行规划的时刻序列中每个时刻的运动状态参数。获取目标运行规划的时刻序列对应的第一约束条件，该第一约束条件包括目标设备在该时刻序列中末个时刻的运动状态参数以及检测到的障碍物的尺寸参数。获取该时刻序列中除末个时刻外的每个目标时刻对应的第二约束条件，任意一个目标时刻对应的第二约束条件包括目标设备和障碍物在该目标时刻的运动状态参数以及该障碍物在时刻序列中该目标时刻之后的每个时刻的运动状态参数。针对上述每个目标时刻，执行以下操作：基于该第一约束条件及该目标时刻对应的第二约束条件，执行第一操作或第二操作，以确定该时刻序列中该目标时刻的下一时刻对应的规划轨迹点。基于确定的多个规划轨迹点，生成目标运行规划的规划轨迹。从而进一步提高了运行规划的结果的合理性。
在一些可选实施方式中，可以通过如下方式执行第一操作或第二操作：按照预先设定的执行概率，执行第一操作或第二操作。其中，执行概率包括执行第一操作的第一概率和执行第二操作的第二概率，第一概率与第二概率之和为1。
在本实施例中，可以根据实际情况，预先针对第一操作和第二操作，分别设定相应的执行概率，该执行概率包括执行第一操作的第一概率和执行第二操作的第二概率。例如，针对第一操作设定的第一概率为m，针对第二操作设定的第二概率为n，并且m+n＝1。也可以根据经验，不断调整m和n的大小。在进行运行规划时，可以按照预先设定的执行概率，执行第一操作或第二操作。
由于本实施例按照预先设定的执行概率，执行第一操作或第二操作，有效地控制了第一操作和第二操作的执行比例，因此，有助于发挥预设规则的优势，以及避免由于过分依赖于预设规则而导致的灵活性差的问题。
如图3所示，图3根据一示例性实施例示出的另一种无人驾驶设备运行轨迹的规划方法的流程图，该实施例详细描述了生成目标运行规划的规划轨迹的过程，该方法可以应用于无人驾驶设备中，包括以下步骤：
在步骤301中，获取目标运行规划的时刻序列对应的第一约束条件。
在步骤302中，获取该时刻序列中除末个时刻外的每个目标时刻对应的第二约束条件。
在步骤303中，针对上述每个目标时刻，执行以下操作：基于该第一约束条件及该目标时刻对应的第二约束条件，执行第一操作或第二操作，以确定该时刻序列中该目标时刻的下一时刻对应的规划轨迹点。
在步骤304中，基于确定的多个规划轨迹点，采用多项式曲线插值的方式，得到多条备选轨迹。
可选地，可以采用5次多项式曲线插值的方式，得到多条备选轨迹。
在步骤305中，采用预设的代价函数计算每条备选轨迹的代价值。
在本实施例中，预设的代价函数可以是任意合理的代价函数，本申请对代价函数的具体形式方面不限定。
在步骤306中，选取代价值最小的备选轨迹作为目标运行规划的规划轨迹。
需要说明的是，对于与图1和图2实施例中相同的步骤，在上述图3实施例中不再进行赘述，相关内容可参见图1和图2实施例。
本申请的上述实施例提供的无人驾驶设备运行轨迹的规划方法，通过基于确定的多个规划轨迹点，采用多项式曲线插值的方式，得到多条备选轨迹，采用预设的代价函数计算每条备选轨迹的代价值，并选取代价值最小的备选轨迹作为目标运行规划的规划轨迹。从而提高了规划轨迹的完备性，使得规划轨迹更加平滑，更符合人类驾驶行为习惯。
与前述无人驾驶设备运行轨迹的规划方法实施例相对应，本申请还提供了无人驾驶设备运行轨迹的规划装置的实施例。
如图4所示，图4是本申请根据一示例性实施例示出的一种无人驾驶设备运行轨迹的规划装置框图，该装置可以包括：第一获取模块401，第二获取模块402，执行模块403和生成模块404。
其中，第一获取模块401，用于获取目标运行规划的时刻序列对应的第一约束条件。
第二获取模块402，用于获取上述时刻序列中除末个时刻外的每个目标时刻对应的第二约束条件。
执行模块403，用于针对每个目标时刻，执行以下操作：基于时刻序列对应的第一约束条件及该目标时刻对应的第二约束条件，执行第一操作或第二操作，以确定上述时刻序列中该目标时刻的下一时刻对应的规划轨迹点。其中，基于预先训练的目标深度神经网络执行第一操作，基于预设规则执行第二操作。
生成模块404，用于基于确定的多个规划轨迹点，生成目标运行规划的规划轨迹。
在一些可选实施方式中，目标运行规划的时刻序列对应的第一约束条件可以包括：目标设备在上述时刻序列中末个时刻的运动状态参数；目标设备检测到的障碍物的尺寸参数。
针对任一目标时刻，该目标时刻对应的第二约束条件包括：目标设备在该目标时刻的运动状态参数；该障碍物在该目标时刻的运动状态参数；以及该障碍物在上述时刻序列中该目标时刻之后每个时刻的运动状态参数。
在另一些可选实施方式中，目标运行规划的时刻序列对应的第一约束条件还可以包括：目标设备的尺寸参数。
如图5所示，图5是本申请根据一示例性实施例示出的另一种无人驾驶设备运行轨迹的规划装置框图，该实施例在前述图4所示实施例的基础上，该装置还可以进一步包括：确定模块405和预估模块406。
其中，确定模块405，用于分别确定目标设备和障碍物当前的运动状态参数。
预估模块406，用于基于目标设备和障碍物当前的运动状态参数，分别预估目标设备和障碍物在上述时刻序列中每个时刻的运动状态参数。
在另一些可选实施方式中，执行模块403被配置用于：按照预先设定的执行概率，执行第一操作或第二操作。其中，执行概率包括执行第一操作的第一概率和执行第二操作的第二概率，第一概率与第二概率之和为1。
在另一些可选实施方式中，针对任一目标时刻，执行模块403可以通过如下方式基于预先训练的目标深度神经网络执行所述第一操作：取标准正态分布随机数，作为随机变量，将第一约束条件、该目标时刻对应的第二约束条件和上述随机变量输入至目标深度神经网络，得到目标深度神经网络输出的结果。
如图6所示，图6是本申请根据一示例性实施例示出的另一种无人驾驶设备运行轨迹的规划装置框图，该实施例在前述图4所示实施例的基础上，生成模块404可以包括：确定子模块601，计算子模块602和选取子模块603。
其中，确定子模块601，用于基于确定的多个规划轨迹点，采用多项式曲线插值的方式，得到多条备选轨迹。
计算子模块602，用于采用预设的代价函数计算每条备选轨迹的代价值。
选取子模块603，用于选取代价值最小的备选轨迹作为目标运行规划的规划轨迹。
应当理解，上述装置可以预先设置在无人驾驶设备中，也可以通过下载等方式而加载到无人驾驶设备中。上述装置中的相应模块可以与无人驾驶设备中的模块相互配合以实现无人驾驶设备运行轨迹的规划方案。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。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申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本申请实施例还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1至图3任一实施例提供的无人驾驶设备运行轨迹的规划方法。
对应于上述的无人驾驶设备运行轨迹的规划方法，本申请实施例还提出了图7所示的根据本申请的一示例性实施例的无人驾驶设备的示意结构图。请参考图7，在硬件层面，该无人驾驶设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成无人驾驶设备运行轨迹的规划装置。当然，除了软件实现方式之外，本申请并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种无人驾驶设备运行轨迹的规划方法，其特征在于，所述方法包括：
获取目标运行规划的时刻序列对应的第一约束条件；以及
获取所述时刻序列中除末个时刻外的每个目标时刻对应的第二约束条件；
针对所述每个目标时刻，执行以下操作：基于所述第一约束条件及该目标时刻对应的第二约束条件，执行第一操作或第二操作，以确定所述时刻序列中该目标时刻的下一时刻对应的规划轨迹点；其中，基于预先训练的目标深度神经网络执行所述第一操作，基于预设规则执行所述第二操作；
基于确定的多个规划轨迹点，生成所述目标运行规划的规划轨迹。
2.根据权利要求1所述的方法，其特征在于，所述第一约束条件包括：
目标设备在所述时刻序列中末个时刻的运动状态参数；
所述目标设备检测到的障碍物的尺寸参数；
针对任一目标时刻，该目标时刻对应的第二约束条件包括：
所述目标设备在该目标时刻的运动状态参数；
所述障碍物在该目标时刻的运动状态参数；以及
所述障碍物在所述时刻序列中该目标时刻之后每个时刻的运动状态参数。
3.根据权利要求2所述的方法，其特征在于，所述第一约束条件还包括：所述目标设备的尺寸参数。
4.根据权利要求2所述的方法，其特征在于，在获取所述第一约束条件以及获取所述第二约束条件之前，还包括：
分别确定所述目标设备和所述障碍物当前的运动状态参数；
基于所述目标设备和所述障碍物当前的运动状态参数，分别预估所述目标设备和所述障碍物在所述时刻序列中每个时刻的运动状态参数。
5.根据权利要求1-4中任一所述的方法，其特征在于，所述执行第一操作或第二操作，包括：
按照预先设定的执行概率，执行第一操作或第二操作；其中，所述执行概率包括执行所述第一操作的第一概率和执行所述第二操作的第二概率；所述第一概率与所述第二概率之和为1。
6.根据权利要求1-4中任一所述的方法，其特征在于，针对任一目标时刻，通过如下方式基于预先训练的目标深度神经网络执行所述第一操作：
取标准正态分布随机数，作为随机变量；
将所述第一约束条件、该目标时刻对应的第二约束条件和所述随机变量输入至所述目标深度神经网络，得到所述目标深度神经网络输出的结果。
7.根据权利要求1-4中任一所述的方法，其特征在于，所述基于确定的多个规划轨迹点，生成所述目标运行规划的规划轨迹，包括：
基于确定的多个规划轨迹点，采用多项式曲线插值的方式，得到多条备选轨迹；
采用预设的代价函数计算每条所述备选轨迹的代价值；
选取代价值最小的备选轨迹作为目标运行规划的规划轨迹。
8.一种无人驾驶设备运行轨迹的规划装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标运行规划的时刻序列对应的第一约束条件；以及
第二获取模块，用于获取所述时刻序列中除末个时刻外的每个目标时刻对应的第二约束条件；
执行模块，用于针对所述每个目标时刻，执行以下操作：基于所述第一约束条件及该目标时刻对应的第二约束条件，执行第一操作或第二操作，以确定所述时刻序列中该目标时刻的下一时刻对应的规划轨迹点；其中，基于预先训练的目标深度神经网络执行所述第一操作，基于预设规则执行所述第二操作；
生成模块，用于基于确定的多个规划轨迹点，生成所述目标运行规划的规划轨迹。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-7中任一项所述的方法。
10.一种无人驾驶设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910462102.8A CN110187707B (zh) | 2019-05-30 | 2019-05-30 | 无人驾驶设备运行轨迹的规划方法、装置及无人驾驶设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910462102.8A CN110187707B (zh) | 2019-05-30 | 2019-05-30 | 无人驾驶设备运行轨迹的规划方法、装置及无人驾驶设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110187707A true CN110187707A (zh) | 2019-08-30 |
| CN110187707B CN110187707B (zh) | 2022-05-10 |
Family
ID=67718883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910462102.8A Active CN110187707B (zh) | 2019-05-30 | 2019-05-30 | 无人驾驶设备运行轨迹的规划方法、装置及无人驾驶设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110187707B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111079721A (zh) * | 2020-03-23 | 2020-04-28 | 北京三快在线科技有限公司 | 一种障碍物的轨迹预测方法及装置 |
| CN111123927A (zh) * | 2019-12-20 | 2020-05-08 | 北京三快在线科技有限公司 | 轨迹规划方法、装置、自动驾驶设备和存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107357168A (zh) * | 2017-06-01 | 2017-11-17 | 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 |
| US20170364083A1 (en) * | 2016-06-21 | 2017-12-21 | Baidu Online Network Technology (Beijing) Co., Ltd. | Local trajectory planning method and apparatus for smart vehicles |
| CN108068815A (zh) * | 2016-11-14 | 2018-05-25 | 百度（美国）有限责任公司 | 用于自动驾驶车辆的基于规划反馈的决策改进*** |
| JP2018177074A (ja) * | 2017-04-18 | 2018-11-15 | 国立大学法人 東京大学 | 自律型水中ロボット及びその制御方法 |
| CN108983813A (zh) * | 2018-07-27 | 2018-12-11 | 长春草莓科技有限公司 | 一种无人机飞行避让方法及*** |
| US20180374359A1 (en) * | 2017-06-22 | 2018-12-27 | Bakhi.com Times Technology (Beijing) Co., Ltd. | Evaluation framework for predicted trajectories in autonomous driving vehicle traffic prediction |
| US20190086925A1 (en) * | 2017-09-18 | 2019-03-21 | Baidu Usa Llc | Path optimization based on constrained smoothing spline for autonomous driving vehicles |
| CN109684702A (zh) * | 2018-12-17 | 2019-04-26 | 清华大学 | 基于轨迹预测的行车风险辨识方法 |
| CN109782779A (zh) * | 2019-03-19 | 2019-05-21 | 电子科技大学 | 基于种群超启发式算法的洋流环境下auv路径规划方法 |
-
2019
- 2019-05-30 CN CN201910462102.8A patent/CN110187707B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170364083A1 (en) * | 2016-06-21 | 2017-12-21 | Baidu Online Network Technology (Beijing) Co., Ltd. | Local trajectory planning method and apparatus for smart vehicles |
| CN108068815A (zh) * | 2016-11-14 | 2018-05-25 | 百度（美国）有限责任公司 | 用于自动驾驶车辆的基于规划反馈的决策改进*** |
| JP2018177074A (ja) * | 2017-04-18 | 2018-11-15 | 国立大学法人 東京大学 | 自律型水中ロボット及びその制御方法 |
| CN107357168A (zh) * | 2017-06-01 | 2017-11-17 | 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 |
| US20180374359A1 (en) * | 2017-06-22 | 2018-12-27 | Bakhi.com Times Technology (Beijing) Co., Ltd. | Evaluation framework for predicted trajectories in autonomous driving vehicle traffic prediction |
| US20190086925A1 (en) * | 2017-09-18 | 2019-03-21 | Baidu Usa Llc | Path optimization based on constrained smoothing spline for autonomous driving vehicles |
| CN108983813A (zh) * | 2018-07-27 | 2018-12-11 | 长春草莓科技有限公司 | 一种无人机飞行避让方法及*** |
| CN109684702A (zh) * | 2018-12-17 | 2019-04-26 | 清华大学 | 基于轨迹预测的行车风险辨识方法 |
| CN109782779A (zh) * | 2019-03-19 | 2019-05-21 | 电子科技大学 | 基于种群超启发式算法的洋流环境下auv路径规划方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111123927A (zh) * | 2019-12-20 | 2020-05-08 | 北京三快在线科技有限公司 | 轨迹规划方法、装置、自动驾驶设备和存储介质 |
| CN111079721A (zh) * | 2020-03-23 | 2020-04-28 | 北京三快在线科技有限公司 | 一种障碍物的轨迹预测方法及装置 |
| WO2021190484A1 (zh) * | 2020-03-23 | 2021-09-30 | 北京三快在线科技有限公司 | 一种障碍物的轨迹预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110187707B (zh) | 2022-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110136481B (zh) | 一种基于深度强化学习的停车策略 | |
| GB2595620A (en) | Combined prediction and path planning for autonomous objects using neural networks | |
| CN106104656B (zh) | 地图信息生成***、方法及程序 | |
| Bakker et al. | Traffic light control by multiagent reinforcement learning systems | |
| CN109885891A (zh) | 一种智能车gpu并行加速轨迹规划方法 | |
| CN110018689A (zh) | 一种基于动态窗口的多虚拟目标点全局动态路径规划算法 | |
| CN110189547A (zh) | 一种障碍物检测方法、装置及车辆 | |
| CN110646009A (zh) | 一种基于dqn的车辆自动驾驶路径规划的方法及装置 | |
| CN109213153B (zh) | 一种车辆自动驾驶方法及电子设备 | |
| Cheng et al. | CoSIGN: A parallel algorithm for coordinated traffic signal control | |
| CN110187707A (zh) | 无人驾驶设备运行轨迹的规划方法、装置及无人驾驶设备 | |
| Gupta et al. | Sensor scheduling algorithms requiring limited computation [vehicle sonar range-finder example] | |
| Shiroshita et al. | Behaviorally diverse traffic simulation via reinforcement learning | |
| CN108121347A (zh) | 用于控制设备运动的方法、装置及电子设备 | |
| CN107525507B (zh) | 偏航的判定方法和装置 | |
| Wahl et al. | Approximate dynamic programming methods applied to far trajectory planning in optimal control | |
| CN113391633A (zh) | 一种面向城市环境的移动机器人融合路径规划方法 | |
| Zhao et al. | Hybrid navigation method for multiple robots facing dynamic obstacles | |
| JP7058761B2 (ja) | 移動体制御装置、移動体制御学習装置、及び移動体制御方法 | |
| CN109492835B (zh) | 车辆控制信息的确定方法、模型训练方法和相关装置 | |
| Evans et al. | Reward signal design for autonomous racing | |
| CN117360546A (zh) | 一种车辆控制方法、车辆、电子设备及存储介质 | |
| Randlov | Learning macro-actions in reinforcement learning | |
| WO2021008798A1 (en) | Training of a convolutional neural network | |
| Likhachev et al. | Planning for Markov decision processes with sparse stochasticity |
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 |