CN110887503A - 移动轨迹模拟方法、装置、设备及介质 - Google Patents
移动轨迹模拟方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN110887503A CN110887503A CN201911243415.0A CN201911243415A CN110887503A CN 110887503 A CN110887503 A CN 110887503A CN 201911243415 A CN201911243415 A CN 201911243415A CN 110887503 A CN110887503 A CN 110887503A
- Authority
- CN
- China
- Prior art keywords
- area
- moving object
- path
- dimension
- grid
- 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 58
- 238000004088 simulation Methods 0.000 title claims abstract description 49
- 230000033001 locomotion Effects 0.000 claims abstract description 50
- 230000006870 function Effects 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 241000283070 Equus zebra Species 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 10
- 230000006399 behavior Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
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
-
- 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
- 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
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明实施例公开了一种移动轨迹模拟方法、装置、设备及存储介质。所述方法包括:在至少两个维度下,将活动区域分别划分为多个单元块,其中,高维度的单元块中包括多个相邻低维度的单元块;以各维度的单元块为规划单位,从高维度到低维度生成移动物体的路径规划结果;根据所述路径规划结果,生成与所述移动物体对应的移动轨迹。通过本发明的技术方案,能够实现对移动轨迹的模拟更加接近复杂多变的真实场景,使得所模拟的移动物体的移动更加智能。
Description
技术领域
本发明实施例涉及路径规划技术,尤其涉及一种移动轨迹模拟方法、装置、设备及介质。
背景技术
轨迹模拟技术,特别是行人模拟技术,主要用于对移动物体的移动轨迹进行模拟,其被广泛应用于游戏开发、交通规则与车辆自动驾驶测试等各种场景模拟中。
以行人模拟技术为例,现有的行人模拟算法主要依赖于随机游走的方式,因而缺少全局的道路规划,难以接近真实场景,另外,其也没有考虑交通规则、交通信号等因素,因而难以应用到车辆交通相关的场景中,即使能够实现人人、人车防碰撞功能,也只能适应于极为低速的场景,无法实现更加智能的模拟需求。
发明内容
本发明实施例提供了一种移动轨迹模拟方法、装置、设备及介质,以实现对移动轨迹的模拟更加接近复杂多变的真实场景,使得所模拟的移动物体的移动更加智能。
第一方面,本发明实施例提供了一种移动轨迹模拟方法,包括:
在至少两个维度下,将活动区域分别划分为多个单元块,其中,高维度的单元块中包括多个相邻低维度的单元块;
以各维度的单元块为规划单位,从高维度到低维度生成所述移动物体的路径规划结果;
根据所述路径规划结果,生成与所述移动物体对应的移动轨迹。
第二方面,本发明实施例还提供了一种移动轨迹模拟装置,该装置包括:
单元块划分模块,用于在至少两个维度下,将活动区域分别划分为多个单元块,其中,高维度的单元块中包括多个相邻低维度的单元块;
路径规划生成模块,用于以各维度的单元块为规划单位,从高维度到低维度生成所述移动物体的路径规划结果;
移动轨迹生成模块,用于根据所述路径规划结果,生成与所述移动物体对应的移动轨迹。
第三方面,本发明实施例还提供了一种计算机设备,该设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例中任一所述的移动轨迹模拟方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例中任一所述的移动轨迹模拟方法。
本发明实施例通过在至少两个维度下,将活动区域分别划分为多个单元块,其中,高维度的单元块中包括多个相邻低维度的单元块,以各维度的单元块为规划单位,从高维度到低维度生成移动物体的路径规划结果,再根据该路径规划结果,生成与该移动物体对应的移动轨迹,利用了从不同维度进行路径规划的优点,解决了现有技术中依赖于随机游走的方式而导致的难以接近真实场景、无法实现更加智能的模拟需求的问题,实现了对移动轨迹的模拟更加接近复杂多变的真实场景,使得所模拟的移动物体的移动更加智能的效果。
附图说明
图1是本发明实施例一提供的一种移动轨迹模拟方法的流程示意图;
图2a是本发明实施例二提供的一种移动轨迹模拟方法的流程示意图;
图2b是本发明实施例二适用的行人活动区域示意图;
图2c是本发明实施例二适用的行人活动区域网格化示意图;
图2d是本发明实施例二适用的行人活动区域分块示意图;
图3a是本发明实施例三提供的一种移动轨迹模拟方法的流程示意图;
图3b是本发明实施例三适用的区域块路径规划示意图;
图3c是本发明实施例三适用的行人决策示意图;
图3d是本发明实施例三适用的行人精细防碰撞示意图;
图4是本发明实施例四提供的一种移动轨迹模拟装置的结构示意图;
图5是本发明实施例五提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种移动轨迹模拟方法的流程示意图。该方法可适用于对行人的移动轨迹进行模拟的情况,该方法可以由移动轨迹模拟装置来执行,该装置可由硬件和/或软件组成,并一般可集成在计算机设备中。具体包括如下步骤:
S110、在至少两个维度下,将活动区域分别划分为多个单元块,其中,高维度的单元块中包括多个低维度的单元块。
本实施例中,活动区域可以是预设的移动物体可以到达的区域,在该活动区域内,移动物体可以根据规划的路径进行移动。例如,移动物体为行人时,活动区域可以设置为道路两旁的人行道以及路口的人行横道。
针对预设的活动区域,本实施例从多个不同维度对活动区域进行划分。具体的,可分别在不同的维度下,将活动区域划分为多个单元块,其中,一个维度下对应划分得到一种类型的单元块,每个高维度的单元块中可包括有多个低维度的单元块,且低维度的单元块之间是连续的,也即多个低维度的单元块可组合成一个高维度的单元块,多个高维度的单元块可组合得到活动区域。
示例性的,可分别在高维度和低维度两种维度下,将活动区域分别划分为多个单元块,以提供两种维度的路径信息。利用高维度的路径信息,可以使行人根据交通规则进行反应,并且能够对高速行驶的车辆信息进行决策,以确定是否进入下一个单元块;而利用低维度的路径信息,可以使行人对低速的其他人和车辆进行精细的防碰撞,以避让低速行走的人或低速行驶的车辆,从而对移动轨迹的模拟更加接近复杂多变的真实场景,同时,使得所模拟的移动物体的移动更加智能。
S120、以各维度的单元块为规划单位,从高维度到低维度生成移动物体的路径规划结果。
本实施例中,不同维度下划分的单元块可用于作为对应维度下路径规划的最小单元,也即,基于不同维度划分的单元块,可得到不同维度下规划的路径,从而根据不同维度下的路径规划结果,实现一个全局的路径规划,提高移动物体移动的真实程度,使得移动物体的移动更加智能化。
可选的,以各维度的单元块为规划单位,从高维度到低维度生成移动物体的路径规划结果,包括:根据移动物体的第一因素和与不同维度分别对应的第二因素,以各维度的单元块为规划单位,从高维度到低维度生成移动物体的路径规划结果。
其中,第一因素可以是表征移动物体对应行为的特征参数,例如针对行人的行为特征参数可以包括:是否遵循交通规则、风险规避系数、起点终点等。第二因素可以是影响移动物体进行路径规划的因素,且不同维度可对应于不同的第二因素,例如对于高维度的第二因素可以是交通指示灯信息、与车辆之间的距离及车辆速度等,而对于低维度的第二因素可以是规划的初始路径上的障碍物信息等。
S130、根据路径规划结果,生成与移动物体对应的移动轨迹。
本实施例中,移动物体最终的移动轨迹可以是结合不同维度下的路径规划结果迭代生成的,首先利用高维度的单元块对应的路径规划结果,再在每个高维度单元块中利用低维度的路径规划结果,进而使用迭代的方法逐步生成与该移动物体对应的移动轨迹,也即每一帧都进行一次决策与位置更新。
使用不同维度下的路径规划结果迭代生成移动轨迹的好处在于,可以使得对移动轨迹的模拟更加接近复杂多变的真实场景,不仅可以规避即将到达的障碍物,也可以规避已经到达的障碍物,进而使得所模拟的移动物体的移动更加智能。
本实施例的技术方案,通过在至少两个维度下,将活动区域分别划分为多个单元块,其中,高维度的单元块中包括多个相邻低维度的单元块,以各维度的单元块为规划单位,从高维度到低维度生成移动物体的路径规划结果,再根据该路径规划结果,生成与该移动物体对应的移动轨迹,利用了从不同维度进行路径规划的优点,解决了现有技术中依赖于随机游走的方式而导致的难以接近真实场景、无法实现更加智能的模拟需求的问题,实现了对移动轨迹的模拟更加接近复杂多变的真实场景,使得所模拟的移动物体的移动更加智能的效果。
实施例二
图2a为本发明实施例二提供的一种移动轨迹模拟方法的流程示意图。本实施例以上述实施例为基础进行优化,提供了优选的移动轨迹模拟方法,具体是,对在至少两个维度下,将活动区域分别划分为多个单元块进行了进一步优化。具体包括如下步骤:
S210、对活动区域进行网格化处理,得到多个网格,作为第一维度下划分的单元块。
本实施例中,首先对活动区域进行网格化处理,例如,对于如图2b所示的给定的行人活动区域1,将整个区域根据固定的网格宽度进行网格化,得到如图2c所示的多个网格,其中,网格是行人活动的最小粒度。
需要指出的是,这里的第一维度可以是低维度,也即对活动区域进行网格化处理可以是属于在低维度下对活动区域的划分。具体的,对于给定的活动区域,可以通过计算边界通过的所有网格,得到一个网格组成的封闭空间,也即可以用一系列的边界函数与取值范围来表示该活动区域。然后,对于这一系列的边界函数与取值范围,可以通过对取值范围进行二分法,从而得到该边界经过的所有网格。
可选的,对活动区域进行网格化处理,得到多个网格,包括:获取与活动区域相匹配的至少一项边界函数,以及与边界函数对应的取值范围;根据边界函数以及取值范围,确定活动区域的边界所经过的全部网格以确定与活动区域对应的网格边界;在网格边界内按照预设算法遍历得到活动区域内的所有网格。
本实施例中,边界函数可以为直线函数,在确定出一条直线的取值范围后,可以得到一条线段,相应的,在预设的所述多个网格中获取与该线段相交的各个网格,即成功获取与该边界函数对应的网格边界。
举一个具体例子,对于一条线段,可以根据解析几何得到该线段的表示公式,如:
y=ax+b (2.1),或者
f(x,y)=(x0,y0)+t*(x1-x0,y1-y0) (2.2)。
然后,可采用如下两种方法获取活动区域的边界所经过的全部网格:
第一种方法是,根据公式2.1,以及公式2.1中对应x的取值范围,可算出一条线段,基于该线段的一个端点,可以首先确定该端点所在的网格,进而可以确定该线段与该所在网格之间的交线以及交点,基于该交线以及交点可以确定出一个新的网格(与该线段相交的网格),并继续迭代计算出该线段与这个新的网格之间的新交点以及新交线,然后从这个新交线以及新交点开始继续迭代,可以计算下一个相交的网格,以此类推,直至计算到该线段的另一个端点,即得到该线段经过的所有网格,即为活动区域对应的网格边界。
第二种方法是,在给定一个线段的起终点之后,根据公式2.2,可以唯一确定一条线段,其中,公式2.2中的(x0,y0)即为起点坐标,公式2.2中的(x1,y1)即为终点坐标。通过设置不同的t值,可以得到该线段上的任意一点,其中,t∈[0,1]。
在得到由公式2.2表示的线段后,可以对该线段进行多次二分运算,得到多个二分点,例如,起点为(1,2),终点为(2,4),那么当t=0.5时就得到起终点二分点的坐标(1.5,3),然后,再分别对二分运算后得到的两条线段再进行二分运算,分别得到起终点二分点与起点以及起终点二分点与终点之间的两个二分点的坐标,以此类推,可以得到多个二分点的坐标。
在得到各二分点的坐标后,可以得到各二分点所在的网格,典型的,可以在当前得到的网格与上次二分运算得到的网格相同时,停止继续进行二分运算,从而得到该线段经过的所有网格,也即活动区域对应的网格边界。相较于第一种方法,第二种方法可以在O(n)时间效率内,找到线段经过的每一个网格,提高了获取网格边界的效率,其中n为边界线段所经过所有网格的数量。
本实施例中,边界函数经过的所有网格,能够形成一个联通的网格边界,再通过预设算法,可以得到活动区域内的所有网格,其中,预设算法例如可以是flood-fill、扫描线或者深度搜索等扫描方法。
S220、按照地图信息对多个网格进行区域划分,得到至少一个区域块,作为第二维度下划分的单元块,第二维度高于第一维度。
其中,网格为移动物体移动的最小粒度;每个区域块包含有至少两个网格。
本实施例中,地图上可包含有行人道、斑马线与车道线等相关道路标识信息,根据这些信息,可将网格空间根据区域的特性进行划分,得到多个区域块。例如,对于如图2c所示的包含多个网格的网格空间,将整个网格空间根据区域特性进行分块,得到如图2d所示的多个区域块,包括:第一车道11、第二车道12、第三车道13、第四车道14、第一行人区15以及第二行人区16。
需要指出的是,这里的第二维度可以是高维度,也即对多个网格进行区域划分可以是属于在高维度下对活动区域的划分。
可选的,按照地图信息对多个网格进行区域划分,得到至少一个区域块,包括:根据地图信息,识别活动区域中包括的至少一项目标道路标识;根据与目标道路标识匹配的区域属性,将多个网格划分为与区域属性匹配的至少一个区域块。
可选的,目标道路标识包括:人行道、斑马线以及车道线。
示例性的,可以通过采用上述公式2.1或公式2.2相应的两种方法来计算车道线、斑马线、人行道等对应的区域边界所经过的所有网格,从而形成局部的分块封闭区域,也即多个区域块,针对每个区域块还可以使用预设分块算法遍历出区域块中包含的所有网格,例如使用flood-fill(种子填充)算法、扫描线或Depth-first search(深度优先搜索)等分块算法进行计算。
S230、根据移动物体的第一因素和与不同维度分别对应的第二因素,以各维度的单元块为规划单位,从高维度到低维度生成移动物体的路径规划结果。
S240、根据路径规划结果,生成与移动物体对应的移动轨迹。
本实施例的技术方案,通过对活动区域进行网格化处理,得到多个网格,作为第一维度下划分的单元块,再按照地图信息对多个网格进行区域划分,得到至少一个区域块,作为第二维度下划分的单元块,根据移动物体的第一因素和与不同维度分别对应的第二因素,以各维度的单元块为规划单位,从高维度到低维度生成移动物体的路径规划结果,最后根据路径规划结果,生成与移动物体对应的移动轨迹,利用了从网格化和划分区域块两种维度分别进行路径规划的优点,解决了现有技术中依赖于随机游走的方式而导致的难以接近真实场景、无法实现更加智能的模拟需求的问题,实现了对移动轨迹的模拟更加接近复杂多变的真实场景,使得所模拟的移动物体的移动更加智能的效果。
在上述各实施例的基础上,可选的,根据路径规划结果,生成与移动物体对应的移动轨迹,包括:根据移动物体的当前位置轨迹点所在的网格,以及路径规划结果,确定下一网格;其中,当前位置轨迹点初始化为移动物体的起点;获取从当前位置轨迹点到下一网格的网格中点的向量作为方向向量;根据当前位置轨迹点,迭代间隔时间,与移动物体对应的运动速度以及方向向量,确定与移动物体对应的下一位置轨迹点;将下一位置轨迹点作为新的当前位置轨迹点后,重复迭代得到多个新的下一位置轨迹点,以生成移动轨迹。
示例性的,可从移动物体的起点开始,通过不同维度下得到的路径规划结果,不断确定移动物体的当前位置轨迹点所在网格的下一网格,进而可根据当前位置轨迹点到下一网格的网格中点的向量作为朝向,移动物体的运动速度以及两次位置更新之间的间隔时间,也即迭代间隔时间,结合当前位置轨迹点,采用预设的计算公式,计算得到与移动物体对应的下一位置轨迹点,重复上述过程,从而不断迭代得到基于当前位置轨迹点的下一位置轨迹点,进而逐步生成移动轨迹。
可选的,根据当前位置轨迹点,迭代间隔时间,与移动物体对应的运动速度以及方向向量,确定与移动物体对应的下一位置轨迹点,包括:
根据公式:
确定与移动物体对应的下一位置轨迹点;其中,Position(T+1)为下一位置轨迹点,Position(T)为当前位置轨迹点,Tdelta为迭代间隔时间,v为移动物体的运动速度,Centroid(nextgrid)为下一位置轨迹点所在网格的中点。
示例性的,方向向量可以是移动物体可以当前位置轨迹点所在的网格,到路径规划结果确定的下一网格的网格中点的向量。移动物体的运动速度可以是从移动物体对应的第一因素中提取设定的运动速度,具体的,运动速度可以是直接设定的移动物体的恒定速度,例如3m/s,当然也可以是通过设定行人速度上限以及加速度,并利用公式v=at计算得到的实时速度。迭代间隔时间可以是当前***时间与上次获取当前位置轨迹点的时间之差。
实施例三
图3a为本发明实施例三提供的一种移动轨迹模拟方法的流程示意图。本实施例以上述各实施例为基础进行优化,提供了优选的移动轨迹模拟方法,具体是,对根据移动物体的第一因素和与不同维度分别对应的第二因素,以各维度的单元块为规划单位,从高维度到低维度生成移动物体的路径规划结果进行了进一步优化。具体包括如下:
S310、对活动区域进行网格化处理,得到多个网格,作为第一维度下划分的单元块。
S320、按照地图信息对多个网格进行区域划分,得到至少一个区域块,作为第二维度下划分的单元块,第二维度高于第一维度。
S330、根据第一因素,以及与第二维度对应的第二因素,确定出以区域块为规划单元的第一路径。
本实施例中,经过对地图进行网格化处理以及分块处理后,可生成任意移动物体以及与该移动物体对应的第一因素。以行人为例,当模拟出某个行人后,可根据该行人对应的第一因素,比如起点终点、是否遵循交通规则、风险规避系数等,以及与第二维度对应的第二因素,比如红绿灯情况、车辆接近情况等,规划以区域块为单位的路径,作为第一路径。如图3b所示,若行人的起点设置在第一行人区15,且终点设置在第二行人区16中时,可规划得到第一路径为第一行人区15至第一车道11至第二车道12至第三车道13至第四车道14至第二行人区16。
具体的,第一路径的规划可以根据移动物体的第一因素以及与第二维度对应的第二因素进行代价评估,使用最短路径算法进行规划,其中,最短路径算法可以包括BFS(Breadth-First Search,广度优先搜索算法),Dijkstra(迪杰斯特拉算法),Bellman-ford(贝尔曼-福特算法),SPFA(Shortest Path Faster Algorithm,最短路径快速算法)等等。
可选的,根据第一因素,以及与第二维度对应的第二因素,确定出以区域块为规划单元的第一路径,包括:根据移动物体的起终点信息,确定起点区域块以及终点区域块,并根据起点区域块以及终点区域块,确定多个备选区域块;根据与活动区域匹配的全局交通参数,确定与各备选区域块匹配的障碍预测结果,障碍预测结果包括:障碍出现时间以及障碍类型;根据第一因素、各备选区域块的区域属性以及障碍预测结果,规划出从起点区域块到终点区域块的第一路径。
以行人为例,举一个实际例子,如图3c所示,行人可以根据区域块附近的车辆信息来判断是否需要避让。例如,根据与活动区域匹配的全局交通参数,得知第一车道11附近有一辆轿车以20m/s的速度接近,距离为100m,对于风险规避系数高的行人,考虑车辆5秒后就会到达,则会选择不进入第一车道11区域。对于风险规避系数低的行人,考虑轿车可以以较低的刹车速度停在第一车道11区域前或者行人可以在车辆到达前通过该区域,就可以选择进入第一车道11区域。类似的,对于红绿灯管制区域,行人可以获取该区域的红绿灯情况,根据行人的行为特征参数,结合接近的车辆信息选择是否闯红灯。
可选的,根据第一因素、各备选区域块的区域属性以及障碍预测结果,规划出从起点区域块到终点区域块的第一路径,包括:获取起点区域块作为当前处理区域块,并在各备选区域块中确定与当前处理区域块相邻的至少一个下一区域块;根据第一因素,各下一区域块的区域属性,以及障碍预测结果,规划出所有备选路径;使用预设的代价函数,计算与各备选路径分别对应的代价值;选取代价值最小的备选路径作为第一路径。
本实施例中,可以使用任意自定义的代价评估方式,例如可以以距离为代价,也可以根据行为特征参数或偏好来自定义代价函数。
在一个具体例子中,例如一个行人对红绿灯的偏好权重为3,则两条路中,第一条路长度为3,第二条路长度为2,但是第二条路中包含有长度为1的马路(有红绿灯),那么该行人对第一条路的代价评估就为3,而对第二条路的代价评估为1*3+1=4,由于对第二条路的代价值比第一条路的代价值要高,因此,该行人会选择第一条路。
S340、在第一路径的各区域块内,根据第一因素以及与第一维度对应的第二因素,确定出以网格为规划单元的第二路径,作为移动物体的路径规划结果。
本实施例中,与第一维度对应的第二因素可以包括障碍物信息,例如所有当前处在区域块内的人和车。根据上一步骤的结果,还需要规划移动物体从当前区域块前往下一区域的基于网格的路径。网格路径规划将根据移动物体的第一因素进行评估,估计网格之间的转移代价,将当前区域内的网格作为可活动区域,当前区域与下一区域邻接的网格作为终点,结合与第一维度对应的第二因素,比如将所有当前在区域内的人与车所占据的网格作为障碍物,使用最短路径算法进行规划。
可选的,在第一路径的各区域块内,根据第一因素以及与第一维度对应的第二因素,确定出以网格为单元的第二路径,包括:获取当前处理的目标区域块,以及第一路径中与目标区域块相邻的下一区域块;在目标区域块内,获取与下一区域块邻接的网格作为终点网格,以及至少一个障碍物所占用的障碍网格;根据第一因素、终点网格以及障碍网格,计算与目标区域块对应的局部第二路径;将与第一路径的各区域块分别对应的局部第二路径进行组合,得到第二路径。
以行人为例,假设慢速的车和人不需要预测,直接使用当前观测所得作为障碍物。如图3d所示,在第二车道12内,存在一辆车,则在处理第二车道12内的路径规划时,获取该车辆所占用的障碍网格,再计算得到第二车道12内对应的局部第二路径,以此类推,得到各区域块对应的局部第二路径,最后进行组合,从而得到第二路径。
分区域块规划路径以及分网格规划路径的好处在于,可以减小计算量,提高路径规划效率,对于来车、红绿灯这些与第二维度对应的第二因素,如果不首先从区域块维度进行考虑,就可能导致在每个网格处都进行大量计算。
S350、根据路径规划结果,生成与移动物体对应的移动轨迹。
本实施例的技术方案,通过对活动区域进行网格化处理,得到多个网格,作为第一维度下划分的单元块,再按照地图信息对多个网格进行区域划分,得到至少一个区域块,作为第二维度下划分的单元块,之后,根据第一因素,以及与第二维度对应的第二因素,确定出以区域块为规划单元的第一路径,在第一路径的各区域块内,根据第一因素以及与第一维度对应的第二因素,确定出以网格为规划单元的第二路径,作为移动物体的路径规划结果,最后,根据路径规划结果,生成与移动物体对应的移动轨迹,利用了分别从粗粒度的区域块和细粒度的网格分别进行路径规划的优点,解决了现有技术中依赖于随机游走的方式而导致的难以接近真实场景、无法实现更加智能的模拟需求的问题,实现了对移动轨迹的模拟更加接近复杂多变的真实场景,使得所模拟的移动物体的移动更加智能的效果。
实施例四
图4为本发明实施例四提供的一种移动轨迹模拟装置的结构示意图。参考图4,移动轨迹模拟装置包括:单元块划分模块410、路径规划生成模块420以及移动轨迹生成模块430,下面对各模块进行具体说明。
单元块划分模块410,用于在至少两个维度下,将活动区域分别划分为多个单元块,其中,高维度的单元块中包括多个相邻低维度的单元块;
路径规划生成模块420,用于以各维度的单元块为规划单位,从高维度到低维度生成所述移动物体的路径规划结果;
移动轨迹生成模块430,用于根据所述路径规划结果,生成与所述移动物体对应的移动轨迹。
本实施例提供的移动轨迹模拟装置,通过在至少两个维度下,将活动区域分别划分为多个单元块,其中,高维度的单元块中包括多个相邻低维度的单元块,以各维度的单元块为规划单位,从高维度到低维度生成移动物体的路径规划结果,再根据该路径规划结果,生成与该移动物体对应的移动轨迹,利用了从不同维度进行路径规划的优点,解决了现有技术中依赖于随机游走的方式而导致的难以接近真实场景、无法实现更加智能的模拟需求的问题,实现了对移动轨迹的模拟更加接近复杂多变的真实场景,使得所模拟的移动物体的移动更加智能的效果。
可选的,路径规划生成模块420,具体可以用于:
根据移动物体的第一因素和与不同维度分别对应的第二因素,以各维度的单元块为规划单位,从高维度到低维度生成所述移动物体的路径规划结果。
可选的,单元块划分模块410具体可以包括:
网格化处理子模块,用于对所述活动区域进行网格化处理,得到多个网格,作为第一维度下划分的单元块;
区域划分子模块,用于按照地图信息对所述多个网格进行区域划分,得到至少一个区域块,作为第二维度下划分的单元块,所述第二维度高于所述第一维度;
其中,所述网格为所述移动物体移动的最小粒度;每个所述区域块包含有至少两个所述网格。
可选的,网格化处理子模块具体可以用于:
获取与所述活动区域相匹配的至少一项边界函数,以及与所述边界函数对应的取值范围;
根据所述边界函数以及所述取值范围,确定所述活动区域的边界所经过的全部网格以确定与所述活动区域对应的网格边界;
在所述网格边界内按照预设算法遍历得到所述活动区域内的所有网格。
可选的,区域划分子模块具体可以用于:
根据所述地图信息,识别所述活动区域中包括的至少一项目标道路标识;
根据与所述目标道路标识匹配的区域属性,将所述多个网格划分为与所述区域属性匹配的至少一个区域块。
可选的,所述目标道路标识包括:人行道、斑马线以及车道线。
可选的,路径规划生成模块420具体可以包括:
第一路径确定子模块,用于根据所述第一因素,以及与所述第二维度对应的第二因素,确定出以区域块为规划单元的第一路径;
第二路径确定子模块,用于在第一路径的各区域块内,根据所述第一因素以及与第一维度对应的第二因素,确定出以网格为规划单元的第二路径,作为所述移动物体的路径规划结果。
可选的,第一路径确定子模块具体可以包括:
备选区域确定单元,用于根据所述移动物体的起终点信息,确定起点区域块以及终点区域块,并根据所述起点区域块以及终点区域块,确定多个备选区域块;
障碍预测确定单元,用于根据与所述活动区域匹配的全局交通参数,确定与各所述备选区域块匹配的障碍预测结果,所述障碍预测结果包括:障碍出现时间以及障碍类型;
第一路径规划单元,用于根据所述第一因素、各所述备选区域块的区域属性以及所述障碍预测结果,规划出从所述起点区域块到所述终点区域块的所述第一路径。
可选的,第一路径规划单元具体可以用于:
获取所述起点区域块作为当前处理区域块,并在各所述备选区域块中确定与所述当前处理区域块相邻的至少一个下一区域块;
根据所述第一因素,各所述下一区域块的区域属性,以及所述障碍预测结果,规划出所有备选路径;
使用预设的代价函数,计算与各所述备选路径分别对应的代价值;
选取代价值最小的备选路径作为所述第一路径。
可选的,第二路径确定子模块具体可以用于:
获取当前处理的目标区域块,以及所述第一路径中与所述目标区域块相邻的下一区域块;
在所述目标区域块内,获取与所述下一区域块邻接的网格作为终点网格,以及至少一个障碍物所占用的障碍网格;
根据所述第一因素、所述终点网格以及所述障碍网格,计算与所述目标区域块对应的局部第二路径;
将与所述第一路径的各区域块分别对应的局部第二路径进行组合,得到所述第二路径。
可选的,移动轨迹生成模块430具体可以包括:
下一网格确定子模块,用于根据所述移动物体的当前位置轨迹点所在的网格,以及所述路径规划结果,确定下一网格;其中,所述当前位置轨迹点初始化为所述移动物体的起点;
方向向量获取子模块,用于获取从所述当前位置轨迹点到所述下一网格的网格中点的向量作为方向向量;
下一位置确定子模块,用于根据所述当前位置轨迹点,迭代间隔时间,与所述移动物体对应的运动速度以及所述方向向量,确定与所述移动物体对应的下一位置轨迹点;
轨迹点迭代子模块,用于将所述下一位置轨迹点作为新的当前位置轨迹点后,重复迭代得到多个新的下一位置轨迹点,以生成所述移动轨迹。
可选的,下一位置确定子模块具体可以用于:
根据公式:
其中,Position(T+1)为所述下一位置轨迹点,Position(T)为当前位置轨迹点,Tdela为迭代间隔时间,v为所述移动物体的运动速度,Centroid(nextgrid)为所述下一位置轨迹点所在网格的中点。
上述产品可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种计算机设备的结构示意图,如图5所示,本实施例提供的一种计算机设备,包括:处理器51和存储器52。该计算机设备中的处理器可以是一个或多个,图5中以一个处理器51为例,所述计算机设备中的处理器51和存储器52可以通过总线或其他方式连接,图5中以通过总线连接为例。
本实施例中计算机设备的处理器51中集成了上述实施例提供的移动轨迹模拟装置。此外,该计算机设备中的存储器52作为一种计算机可读存储介质,可用于存储一个或多个程序,所述程序可以是软件程序、计算机可执行程序以及模块,如本发明实施例中移动轨迹模拟方法对应的程序指令/模块(例如,附图4所示的移动轨迹模拟装置中的模块,包括:单元块划分模块410、路径规划生成模块420以及移动轨迹生成模块430)。处理器51通过运行存储在存储器52中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述方法实施例中移动轨迹模拟方法。
存储器52可包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器52可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器52可进一步包括相对于处理器51远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
并且,当上述计算机设备所包括一个或者多个程序被所述一个或者多个处理器51执行时,程序进行如下操作:
在至少两个维度下,将活动区域分别划分为多个单元块,其中,高维度的单元块中包括多个相邻低维度的单元块;以各维度的单元块为规划单位,从高维度到低维度生成所述移动物体的路径规划结果;根据所述路径规划结果,生成与所述移动物体对应的移动轨迹。
实施例六
本发明实施例六还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被移动轨迹模拟装置执行时实现如本发明实施例一提供的移动轨迹模拟方法,该方法包括:在至少两个维度下,将活动区域分别划分为多个单元块,其中,高维度的单元块中包括多个相邻低维度的单元块;以各维度的单元块为规划单位,从高维度到低维度生成所述移动物体的路径规划结果;根据所述路径规划结果,生成与所述移动物体对应的移动轨迹。
当然,本发明实施例所提供的一种计算机可读存储介质,其上存储的计算机程序被执行时不限于实现如上所述的方法操作,还可以实现本发明任意实施例所提供的移动轨迹模拟方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述移动轨迹模拟装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (15)
1.一种移动轨迹模拟方法,其特征在于,包括:
在至少两个维度下,将活动区域分别划分为多个单元块,其中,高维度的单元块中包括多个相邻低维度的单元块;
以各维度的单元块为规划单位,从高维度到低维度生成移动物体的路径规划结果;
根据所述路径规划结果,生成与所述移动物体对应的移动轨迹。
2.根据权利要求1所述的方法,其特征在于,以各维度的单元块为规划单位,从高维度到低维度生成所述移动物体的路径规划结果,包括:
根据移动物体的第一因素和与不同维度分别对应的第二因素,以各维度的单元块为规划单位,从高维度到低维度生成所述移动物体的路径规划结果。
3.根据权利要求2所述的方法,其特征在于,在至少两个维度下,将活动区域分别划分为多个单元块,包括:
对所述活动区域进行网格化处理,得到多个网格,作为第一维度下划分的单元块;
按照地图信息对所述多个网格进行区域划分,得到至少一个区域块,作为第二维度下划分的单元块;所述第二维度高于所述第一维度;
其中,所述网格为所述移动物体移动的最小粒度;每个所述区域块包含有至少两个所述网格。
4.根据权利要求3所述的方法,其特征在于,对所述活动区域进行网格化处理,得到多个网格,包括:
获取与所述活动区域相匹配的至少一项边界函数,以及与所述边界函数对应的取值范围;
根据所述边界函数以及所述取值范围,确定所述活动区域的边界所经过的全部网格以确定与所述活动区域对应的网格边界;
在所述网格边界内按照预设算法遍历得到所述活动区域内的所有网格。
5.根据权利要求3所述的方法,其特征在于,按照地图信息对所述多个网格进行区域划分,得到至少一个区域块,包括:
根据所述地图信息,识别所述活动区域中包括的至少一项目标道路标识;
根据与所述目标道路标识匹配的区域属性,将所述多个网格划分为与所述区域属性匹配的至少一个区域块。
6.根据权利要求5所述的方法,其特征在于,所述目标道路标识包括:人行道、斑马线以及车道线。
7.根据权利要求3-6任一项所述的方法,其特征在于,根据移动物体的第一因素和与不同维度分别对应的第二因素,以各维度的单元块为规划单位,从高维度到低维度生成所述移动物体的路径规划结果,包括:
根据所述第一因素,以及与所述第二维度对应的第二因素,确定出以区域块为规划单元的第一路径;
在第一路径的各区域块内,根据所述第一因素以及与所述第一维度对应的第二因素,确定出以网格为规划单元的第二路径,作为所述移动物体的路径规划结果。
8.根据权利要求7所述的方法,其特征在于,根据所述第一因素,以及与所述第二维度对应的第二因素,确定出以区域块为规划单元的第一路径,包括:
根据所述移动物体的起终点信息,确定起点区域块以及终点区域块,并根据所述起点区域块以及终点区域块,确定多个备选区域块;
根据与所述活动区域匹配的全局交通参数,确定与各所述备选区域块匹配的障碍预测结果,所述障碍预测结果包括:障碍出现时间以及障碍类型;
根据所述第一因素、各所述备选区域块的区域属性以及所述障碍预测结果,规划出从所述起点区域块到所述终点区域块的所述第一路径。
9.根据权利要求8所述的方法,其特征在于,根据所述第一因素、各所述备选区域块的区域属性以及所述障碍预测结果,规划出从所述起点区域块到所述终点区域块的所述第一路径,包括:
获取所述起点区域块作为当前处理区域块,并在各所述备选区域块中确定与所述当前处理区域块相邻的至少一个下一区域块;
根据所述第一因素,各所述下一区域块的区域属性,以及所述障碍预测结果,规划出所有备选路径;
使用预设的代价函数,计算与各所述备选路径分别对应的代价值;
选取代价值最小的备选路径作为所述第一路径。
10.根据权利要求7所述的方法,其特征在于,在第一路径的各区域块内,根据所述第一因素以及与所述第一维度对应的第二因素,确定出以网格为单元的第二路径,包括:
获取当前处理的目标区域块,以及所述第一路径中与所述目标区域块相邻的下一区域块;
在所述目标区域块内,获取与所述下一区域块邻接的网格作为终点网格,以及至少一个障碍物所占用的障碍网格;
根据所述第一因素、所述终点网格以及所述障碍网格,计算与所述目标区域块对应的局部第二路径;
将与所述第一路径的各区域块分别对应的局部第二路径进行组合,得到所述第二路径。
11.根据权利要求3所述的方法,其特征在于,根据所述路径规划结果,生成与所述移动物体对应的移动轨迹,包括:
根据所述移动物体的当前位置轨迹点所在的网格,以及所述路径规划结果,确定下一网格;其中,所述当前位置轨迹点初始化为所述移动物体的起点;
获取从所述当前位置轨迹点到所述下一网格的网格中点的向量作为方向向量;
根据所述当前位置轨迹点,迭代间隔时间,与所述移动物体对应的运动速度以及所述方向向量,确定与所述移动物体对应的下一位置轨迹点;
将所述下一位置轨迹点作为新的当前位置轨迹点后,重复迭代得到多个新的下一位置轨迹点,以生成所述移动轨迹。
13.一种移动轨迹模拟装置,其特征在于,包括:
单元块划分模块,用于在至少两个维度下,将活动区域分别划分为多个单元块,其中,高维度的单元块中包括多个相邻低维度的单元块;
路径规划生成模块,用于以各维度的单元块为规划单位,从高维度到低维度生成所述移动物体的路径规划结果;
移动轨迹生成模块,用于根据所述路径规划结果,生成与所述移动物体对应的移动轨迹。
14.一种计算机设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-12中任一所述的移动轨迹模拟方法。
15.一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1-12中任一所述的移动轨迹模拟方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911243415.0A CN110887503B (zh) | 2019-12-06 | 2019-12-06 | 移动轨迹模拟方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911243415.0A CN110887503B (zh) | 2019-12-06 | 2019-12-06 | 移动轨迹模拟方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110887503A true CN110887503A (zh) | 2020-03-17 |
CN110887503B CN110887503B (zh) | 2021-10-15 |
Family
ID=69750869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911243415.0A Active CN110887503B (zh) | 2019-12-06 | 2019-12-06 | 移动轨迹模拟方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110887503B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI743933B (zh) * | 2020-08-10 | 2021-10-21 | 威聯通科技股份有限公司 | 跨感測器之空間定位與身分辨識之方法及系統 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4984168A (en) * | 1987-06-06 | 1991-01-08 | Robert Bosch Gmbh | Method and apparatus for determining a route between a starting point and a destination |
JP3923848B2 (ja) * | 2002-05-17 | 2007-06-06 | アルパイン株式会社 | ナビゲーション装置 |
EP1857904A1 (en) * | 2006-04-20 | 2007-11-21 | Saab Ab | Emergency flight plan |
US20090149990A1 (en) * | 2007-12-11 | 2009-06-11 | Samsung Electronics Co., Ltd. | Method, medium, and apparatus for performing path planning of mobile robot |
CN104463346A (zh) * | 2014-11-04 | 2015-03-25 | 黄超超 | 一种以分层路线图为框架组织旅行信息的设备及方法 |
CN104613976A (zh) * | 2014-08-26 | 2015-05-13 | 腾讯科技(深圳)有限公司 | 确定路径的方法及装置 |
CN107168342A (zh) * | 2017-07-12 | 2017-09-15 | 哈尔滨工大智慧工厂有限公司 | 一种用于机器人路径规划的行人轨迹预测方法 |
CN108444482A (zh) * | 2018-06-15 | 2018-08-24 | 东北大学 | 一种无人机自主寻路避障方法及*** |
CN109506669A (zh) * | 2018-12-28 | 2019-03-22 | 斑马网络技术有限公司 | 动态路径规划方法、装置、***以及存储介质 |
CN110260871A (zh) * | 2019-04-17 | 2019-09-20 | 太原理工大学 | 一种面向区域威胁的兵力机动环境建模方法 |
CN110274596A (zh) * | 2019-04-14 | 2019-09-24 | 西安烛龙智能科技有限公司 | 一种基于时间节点的智能避障方法 |
-
2019
- 2019-12-06 CN CN201911243415.0A patent/CN110887503B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4984168A (en) * | 1987-06-06 | 1991-01-08 | Robert Bosch Gmbh | Method and apparatus for determining a route between a starting point and a destination |
JP3923848B2 (ja) * | 2002-05-17 | 2007-06-06 | アルパイン株式会社 | ナビゲーション装置 |
EP1857904A1 (en) * | 2006-04-20 | 2007-11-21 | Saab Ab | Emergency flight plan |
US20090149990A1 (en) * | 2007-12-11 | 2009-06-11 | Samsung Electronics Co., Ltd. | Method, medium, and apparatus for performing path planning of mobile robot |
CN104613976A (zh) * | 2014-08-26 | 2015-05-13 | 腾讯科技(深圳)有限公司 | 确定路径的方法及装置 |
CN104463346A (zh) * | 2014-11-04 | 2015-03-25 | 黄超超 | 一种以分层路线图为框架组织旅行信息的设备及方法 |
CN107168342A (zh) * | 2017-07-12 | 2017-09-15 | 哈尔滨工大智慧工厂有限公司 | 一种用于机器人路径规划的行人轨迹预测方法 |
CN108444482A (zh) * | 2018-06-15 | 2018-08-24 | 东北大学 | 一种无人机自主寻路避障方法及*** |
CN109506669A (zh) * | 2018-12-28 | 2019-03-22 | 斑马网络技术有限公司 | 动态路径规划方法、装置、***以及存储介质 |
CN110274596A (zh) * | 2019-04-14 | 2019-09-24 | 西安烛龙智能科技有限公司 | 一种基于时间节点的智能避障方法 |
CN110260871A (zh) * | 2019-04-17 | 2019-09-20 | 太原理工大学 | 一种面向区域威胁的兵力机动环境建模方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI743933B (zh) * | 2020-08-10 | 2021-10-21 | 威聯通科技股份有限公司 | 跨感測器之空間定位與身分辨識之方法及系統 |
Also Published As
Publication number | Publication date |
---|---|
CN110887503B (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111857160B (zh) | 一种无人车路径规划方法和装置 | |
CN113486531B (zh) | 一种车辆行驶路径规划方法、设备及*** | |
CN109739219B (zh) | 通行路径的规划方法、装置、设备及可读存储介质 | |
CN110531770B (zh) | 一种基于改进的rrt路径规划方法和*** | |
KR102062680B1 (ko) | 레이저 포인트 클라우드 기반의 도시 도로 인식 방법, 장치, 저장 매체 및 기기 | |
JP2022516383A (ja) | 自律型車両の計画 | |
CN113753077A (zh) | 预测障碍物的运动轨迹的方法、装置及自动驾驶车辆 | |
CN110168312B (zh) | 基于目标预测动态物体的方法和装置 | |
Niranjan et al. | Deep learning based object detection model for autonomous driving research using carla simulator | |
CN109213153B (zh) | 一种车辆自动驾驶方法及电子设备 | |
CN114930401A (zh) | 基于点云的三维重建方法、装置和计算机设备 | |
CN113741453B (zh) | 一种非结构化环境的路径规划方法、装置、设备和介质 | |
WO2023103692A1 (zh) | 自动驾驶的决策规划方法、电子设备及计算机存储介质 | |
CN114281084B (zh) | 一种基于改进a*算法的智能车全局路径规划方法 | |
Guo et al. | A vectorized representation model for trajectory prediction of intelligent vehicles in challenging scenarios | |
CN115782867A (zh) | 轨迹碰撞风险评估方法、装置、电子设备和存储介质 | |
CN110887503B (zh) | 移动轨迹模拟方法、装置、设备及介质 | |
CN114419877A (zh) | 基于道路特征的车辆轨迹预测数据处理方法和装置 | |
US20240092385A1 (en) | Driving Policy Determining Method and Apparatus, Device, and Vehicle | |
CN116448134B (zh) | 基于风险场与不确定分析的车辆路径规划方法及装置 | |
CN116764225A (zh) | 一种高效寻路的处理方法、装置、设备及介质 | |
US11555928B2 (en) | Three-dimensional object detection with ground removal intelligence | |
US20230031829A1 (en) | System and methods of adaptive relevancy prediction for autonomous driving | |
CN115432008A (zh) | 一种基于优化多任务的自动驾驶决策规划方法、电子设备及计算机存储介质 | |
CN103839278A (zh) | 一种前景检测方法及装置 |
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 |