CN110954122A - 高速场景下的自动驾驶轨迹生成方法 - Google Patents
高速场景下的自动驾驶轨迹生成方法 Download PDFInfo
- Publication number
- CN110954122A CN110954122A CN201911249603.4A CN201911249603A CN110954122A CN 110954122 A CN110954122 A CN 110954122A CN 201911249603 A CN201911249603 A CN 201911249603A CN 110954122 A CN110954122 A CN 110954122A
- Authority
- CN
- China
- Prior art keywords
- point
- vehicle
- end point
- track
- sampling
- 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 39
- 238000005070 sampling Methods 0.000 claims abstract description 54
- 238000012216 screening Methods 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012856 packing Methods 0.000 claims description 3
- 230000000750 progressive effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000033001 locomotion Effects 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 12
- 230000008901 benefit Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 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
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
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 Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及高速场景下的自动驾驶轨迹生成方法,包括步骤:构建二维坐标系;获取原始道路数据和原始车辆状态数据;得到最佳路径数据;得到若干采样点;生成候选轨迹;计算所有采样点之间cost值;筛选出最佳路径数据并输出;得到目标轨迹,输出到控制***执行。本发明采用了三阶Bezier曲线,使得无人车在变道时能沿着光滑的轨迹到达目标点,且曲线曲率连续;针对高速自动驾驶场景,对Dijkstra算法做了相应的改进,在找到最短路径的基础上,大幅降低了计算量,满足了高速状态下的实时性需求,且结果连续;通过Cost函数模型对车辆运动进行约束,得到最优解;考虑了车辆的实际运动中的约束后建立道路和运动模型,更加贴合实际应用需求。
Description
技术领域
本发明涉及自动驾驶技术领域,具体地涉及高速场景下的自动驾驶轨迹生成方法。
背景技术
无人驾驶车决策规划***作为车辆中枢大脑,在接收到环境感知信息后,通过决策层输出驾驶行为指令,然后进行轨迹规划。轨迹规划生成从当前状态到下一目标状态的一系列轨迹曲线。轨迹需要满足车辆的运动和动态约束,以避免在真实的城市环境中与障碍物碰撞。
当前主流的轨迹生成方法分为两类:第一类是基于曲线插值的方法,如直线和圆弧段、多项式曲线、回旋曲线和样条曲线等,其主要通过确定参数直接生成目标轨迹。这一类方法优点在于直观、简单、容易想到,但缺点十分明显:
1、直线和圆弧段虽然实现起来简单、低计算量,但曲率不连续、节点片段连接;
2、多项式曲线具有低计算量、曲率连续的优点,但曲率连续需要四阶以上,关键参数的确定比较困难;
3、回旋曲线适用于局部规划,但积分导致耗时,曲率连续但是不平滑,依赖轨迹点;
4、样条曲线也具有低计算量、曲率连续的优点,但结果可能不是最优解。
第二类是基于采样的搜索方法,如Dijkstra算法、A*算法、人工势场法等方法解决轨迹规划问题。这一类方法解决了上一类方法的4个缺点,但不可避免的带来了另外一些缺陷:
1、Dijkstra算法虽然适用于结构化环境下找到最短路径,但在单独使用时由于计算量较大,不满足实时性要求,且结果不连续;
2、A*算法的优点是具有启发性,能够较快获得全局最优轨迹,然而搜索步长难以确定,在复杂并且范围较大的规划环境中效率较低。
当前也有少数研究对于上述两类轨迹生成方法的改进技术,例如申请公布号为CN109101017A、名称为一种无人车寻迹路线规划方法及终端的发明申请,公开了以下步骤:步骤一:获取所有目标寻迹点坐标,构成目标寻迹点集合;步骤二:获取无人车的当前位置,将所述无人车的当前位置添加进所述目标寻迹点集合;步骤三:将所述无人车当前位置作为寻迹起始点,自动规划出符合预设要求的经过所述寻迹点集合中所有寻迹点的寻迹路线。该方法看似解决了上述问题,但其理论基础是建立在将无人驾驶车简化为一个点来建立道路及运动模型的,这样做的缺陷在于忽略了车辆姿态信息,同时也未将决策规划层的行为指令考虑进去,导致基于该方法的轨迹规划方法的无人车辆功能简单,同时无法在复杂的工况下对车辆进行有效的控制。
发明内容
本发明针对上述问题,提供高速场景下的自动驾驶轨迹生成方法,使得无人车在变道时能沿着光滑的轨迹到达目标点,且曲线曲率连续;在结构化环境下找到最短路径的基础上,大幅降低了计算量,满足了高速状态下的实时性需求,且结果连续;得到最优解;考虑了车辆的实际运动中的约束后建立道路和运动模型,更加贴合实际应用需求。
为达到上述发明目的,本发明提供的技术方案为:
高速场景下的自动驾驶轨迹生成方法,包含Dijkstra算法,其特征在于:包括以下步骤:
S100、构建二维坐标系,以(x,y)表示车辆在二维坐标系中的位置;将车辆的当前位置标记为start点,将车辆的目标位置标记为end点;
S200、获取原始道路数据和原始车辆状态数据;
S300、根据原始道路数据和原始车辆状态数据,处理得到最佳路径数据;具体包括:
S310、根据原始道路数据和原始车辆状态数据,在预置的若干采样模板中选取对应的采样模板,然后将原始道路数据和原始车辆状态数据导入所述的采样模板,得到若干采样点;将全部的采样点打包为一个采样点集合;
S320、根据采样点集合和采样模板,生成若干候选轨迹;所述候选轨迹由采样点组成;
S330、逐一计算所有采样点之间cost值;所述cost的值按以下方式计算:
Cost(pi,pj)=K1×Dist(pi,pj)+K2×Head(pi,pj)
其中,Cost(pi,pj)表示两个节点pi和pj之间的成本函数,(xi,yi)和(xj,yj)分别是节点pi和pj的坐标,Dist(pi,pj)表示节点pi和pj之间的距离,Head(pi,pj)表示节点pi和pj之间的角度差,K1是Dist(pi,pj)对应的权重系数,K2是Head(pi,pj)对应的权重系数;其中,Dist(pi,pj)按下式计算:
Head(pi,pj)按下式计算:
Head(pi,pj)=θij
其中,θij为节点pi和pj之间的角度差;
S340、采用改进的Dijkstra算法,筛选出最佳路径数据并输出;
S400、根据最佳路径数据,处理得到目标轨迹,然后输出到控制***;
所述目标轨迹包括最优平滑曲线、end点的预期轨迹航向角、end点的预期曲率和end点的预期速率;具体包括:
S410、对最佳路径数据进行Bezier曲线拟合,得到并输出最优平滑曲线;
S420、计算并输出end点的预期轨迹航向角;
S430、计算并输出end点的预期曲率;
S500、车载ECU接收目标轨迹,控制转向机构、加速机构和减速机构沿最优平滑曲线运动,并在被控车辆进入end点时,用end点的预期曲率来校验车辆的姿态,由转向机构调整车辆速度方向为end点的预期轨迹航向角,由加速机构和减速机构调整车辆速率为end点的预期速率,然后保持被控车辆匀速运动。
优选地,所述二维坐标系的构建方法包括以下步骤:
S110、选取道路中线为x轴;
S120、选取start点在所述x轴上的投影点为原点;
S130、以经过所述原点并与x轴垂直的直线为y轴;
S140、以当前车辆的行进方向分别在x轴和y轴上的分量方向为正方向。
优选地,S320中每条候选轨迹包含的采样点数量相同;不同的候选轨迹除start点和end点外,没有相同的采样点;每条候选轨迹上的采样点的x值形成一个等差数列。
优选地,S340中筛选出所述最佳路径数据的方法包括以下步骤:
S341、将start点的cost值标记为0,然后从各条候选轨迹距离原点x值最小的采样点中选取cost值最小的一个,作为本次选中点;将本次选中点记录到最佳路径数据中,并将原点和本次选中点连接起来,方向为自原点指向本次选中点;
S342、设本次选中点为本次出发点,然后从各条候选轨迹距离本次出发点x值大于0且最小的采样点中选取cost值最小的一个,作为本次选中点;将本次选中点记录到最佳路径数据中,并将本次出发点和本次选中点连接起来,方向为自本次出发点指向本次选中点;
S343、将本次选中点的坐标和end点坐标对比,根据对比结果做出以下操作:
如果本次选中点和end点坐标相同,则结束筛选,输出最佳路径数据;
或,
如果本次选中点和end点坐标不同,则重复S342至S343。
优选地,S410中所述的Bezier曲线按下式计算:
其中,T(t)表示带时间戳的轨迹曲线函数,Pk为控制点,t表示时间比例系数,取值范围为[0,1],n为曲线阶数,Bk,n(t)为伯恩斯坦基函数;所述伯恩斯坦基函数按下式计算:
其中,i表示第i个控制点,用于累进计算。
优选地,
S420中所述end点的预期轨迹航向角按下式计算:
其中,x(t)和y(t)为end点分别在x轴和y轴上的坐标;
S430中所述end点的预期曲率按下式计算:
本发明与现有技术对比,具有以下优点:
1、本发明采用了三阶Bezier曲线作为无人驾驶车的行驶轨迹,对轨迹分为三个阶段进行Bezier平滑处理,使得无人车在变道时能沿着光滑的轨迹到达目标点,且曲线曲率连续。
2、本发明针对高速自动驾驶场景,对Dijkstra算法做了相应的改进,在保留了Dijkstra算法在结构化环境下找到最短路径的优势基础上,大幅降低了计算量,满足了高速状态下的实时性需求,且结果连续。
3、通过Cost函数模型对车辆运动进行约束,在采样点数量确定的前提下,能得到最优解。
4、考虑了车辆的实际运动中的约束后建立道路和运动模型,更加贴合实际应用需求。
附图说明
图1为本发明实施例中无人驾驶车需要进行的变道操作示意图。
图2为本发明实施例中候选轨迹的生成示意图。
图3为本发明实施例中成本函数的节点示意图。
图4为本发明实施例中最佳路径数据的生成步骤流程图。
图5为本发明实施例中三阶Bezier曲线的轨迹图。
图6为本发明实施例中无人驾驶车的航向角变化曲线。
图7为本发明实施例中无人驾驶车运动中曲率的变化曲线。
其中,1-无人驾驶车,2-静止车辆。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,车辆行驶道路为双车道,车道宽度为3.5米。无人驾驶车1尺寸为7000mm*2200mm*4000mm,在高速雷达发现前方有静止车辆2,为避免追尾,需作出如图中箭头所示的换道操作。
应用本发明一种高速场景下的自动驾驶轨迹生成方法,包含Dijkstra算法,包括以下步骤:
S10、无人驾驶车1获得车道的HD地图。
S100、构建二维坐标系,以(x,y)表示无人驾驶车1在二维坐标系中的位置;将无人驾驶车1的当前位置标记为start点,将无人驾驶车1的目标位置标记为end点。
其中,二维坐标系的构建方法包括以下步骤:
S110、选取道路中线为x轴。
S120、选取start点在x轴上的投影点为原点。
S130、以经过原点并与x轴垂直的直线为y轴。
S140、以当前无人驾驶车1的行进方向分别在x轴和y轴上的分量方向为正方向。
S200、获取原始道路数据和原始车辆状态数据。
S300、根据原始道路数据和原始车辆状态数据,处理得到最佳路径数据;具体包括:
S310、根据原始道路数据和原始车辆状态数据,在预置的若干采样模板中选取对应的采样模板,然后将原始道路数据和原始车辆状态数据导入采样模板,得到若干采样点;将全部的采样点打包为一个采样点集合。
S320、如图2所示,根据采样点集合和采样模板,生成若干候选轨迹;候选轨迹由采样点组成;其中,S320中每条候选轨迹包含的采样点数量相同;不同的候选轨迹除start点和end点外,没有相同的采样点;每条候选轨迹上的采样点的x值形成一个等差数列。
S330、逐一计算所有采样点之间cost值;考虑到无人驾驶车1的转向能力,在随机分布采样点时,不仅需要考虑最短的欧几里得距离分布Dist(pi,pj),而且期望轨迹的平滑度,即头部转角Head(pi,pj)尽可能小。如图3所示,本发明选择了一个更合理的成本函数Cost模型。cost的值按以式(1)计算:
Cost(pi,pj)=K1×Dist(pi,pj)+K2×Head(pi,pj) (1)
其中,Cost(pi,pj)表示两个节点pi和pj之间的成本函数,(xi,yi)和(xj,yj)分别是节点pi和pj的坐标,Dist(pi,pj)表示节点pi和pj之间的距离,Head(pi,pj)表示节点pi和pj之间的角度差,K1是Dist(pi,pj)对应的权重系数,K2是Head(pi,pj)对应的权重系数;其中,Dist(pi,pj)按式(2)计算:
Head(pi,pj)按式(3)计算:
Head(pi,pj)=θij (3)
其中,θij为节点pi和pj之间的角度差。
S340、采用改进的Dijkstra算法,筛选出最佳路径数据并输出;其中,如图4所示,筛选出最佳路径数据的方法包括以下步骤:
S341、将start点的cost值标记为0,然后从各条候选轨迹距离原点x值最小的采样点中选取cost值最小的一个,作为本次选中点;将本次选中点记录到最佳路径数据中,并将原点和本次选中点连接起来,方向为自原点指向本次选中点。
S342、设本次选中点为本次出发点,然后从各条候选轨迹距离本次出发点x值大于0且最小的采样点中选取cost值最小的一个,作为本次选中点;将本次选中点记录到最佳路径数据中,并将本次出发点和本次选中点连接起来,方向为自本次出发点指向本次选中点。
S343、将本次选中点的坐标和end点坐标对比,根据对比结果做出以下操作:
如果本次选中点和end点坐标相同,则结束筛选,输出最佳路径数据。
或,
如果本次选中点和end点坐标不同,则重复S342至S343。
在最佳路径上的每一个点(x,y)的曲率按式(4)计算:
k(t)=(x'(t)y”(t)-x”(t)y'(t))/(x'(t)2+y'(t)2)3/2 (4)
S400、根据最佳路径数据,处理得到目标轨迹,然后输出到控制***。
目标轨迹包括最优平滑曲线、end点的预期轨迹航向角、end点的预期曲率和end点的预期速率;具体包括:
S410、对最佳路径数据进行Bezier曲线拟合,得到并输出最优平滑曲线;该方法可以保证输入控制点与生成曲线之间的关系比较简单明了,关键参数也较为容易确定,曲线的形状和顺序也容易改变。其中,Bezier曲线按式(5)计算:
其中,T(t)表示带时间戳的轨迹曲线函数,Pk为控制点,t表示时间比例系数,取值范围为[0,1],n为曲线阶数,Bk,n(t)为伯恩斯坦基函数;伯恩斯坦基函数按式(6)计算:
其中,i表示第i个控制点,用于累进计算。
考虑到原地改变方向会损坏无人驾驶车1轮胎,因此有必要让无人驾驶车1沿着平滑的轨迹行驶。同时,在变换车道或转弯时,规划的轨迹必须遵守交通规则,即沿着适当的道路区间行驶。在此基础上,对无人驾驶车1的轨迹点进行了采样规划。由四个控制点确定的三阶Bezier曲线可按式(7)计算:
其中,如图5所示,在三阶Bezier曲线中,点P0表示当前无人驾驶车1的中
心坐标位置,点P1和P2表示曲线中间的控制点坐标位置,点P3表示无人驾驶车1目标点的中心坐标位置。
S420、计算并输出end点的预期轨迹航向角;其中,end点的预期轨迹航向角按式(8)计算:
其中,x(t)和y(t)为end点分别在x轴和y轴上的坐标。如图6所示,最后无人驾驶车1行进方向与x轴平行,θ(t)为0。
S430、计算并输出end点的预期曲率;其中,end点的预期曲率按式(9)计算:
如图7所示,最后无人驾驶车1沿直线行进,k(t)为0。
S500、车载ECU接收目标轨迹,控制转向机构、加速机构和减速机构沿最优平滑曲线运动,并在被控无人驾驶车1进入end点时,用end点的预期曲率来校验无人驾驶车1的姿态,由转向机构调整无人驾驶车1速度方向为end点的预期轨迹航向角,由加速机构和减速机构调整无人驾驶车1速率为end点的预期速率,然后保持被控无人驾驶车1匀速运动。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (6)
1.一种高速场景下的自动驾驶轨迹生成方法,包含Dijkstra算法,其特征在于:包括以下步骤:
S100、构建二维坐标系,以(x,y)表示车辆在二维坐标系中的位置;将车辆的当前位置标记为start点,将车辆的目标位置标记为end点;
S200、获取原始道路数据和原始车辆状态数据;
S300、根据原始道路数据和原始车辆状态数据,处理得到最佳路径数据;具体包括:
S310、根据原始道路数据和原始车辆状态数据,在预置的若干采样模板中选取对应的采样模板,然后将原始道路数据和原始车辆状态数据导入所述的采样模板,得到若干采样点;将全部的采样点打包为一个采样点集合;
S320、根据采样点集合和采样模板,生成若干候选轨迹;所述候选轨迹由采样点组成;
S330、逐一计算所有采样点之间cost值;所述cost的值按以下方式计算:
Cost(pi,pj)=K1×Dist(pi,pj)+K2×Head(pi,pj)
其中,Cost(pi,pj)表示两个节点pi和pj之间的成本函数,(xi,yi)和(xj,yj)分别是节点pi和pj的坐标,Dist(pi,pj)表示节点pi和pj之间的距离,Head(pi,pj)表示节点pi和pj之间的角度差,K1是Dist(pi,pj)对应的权重系数,K2是Head(pi,pj)对应的权重系数;其中,Dist(pi,pj)按下式计算:
Head(pi,pj)按下式计算:
Head(pi,pj)=θij
其中,θij为节点pi和pj之间的角度差;
S340、采用改进的Dijkstra算法,筛选出最佳路径数据并输出;
S400、根据最佳路径数据,处理得到目标轨迹,然后输出到控制***;
所述目标轨迹包括最优平滑曲线、end点的预期轨迹航向角、end点的预期曲率和end点的预期速率;具体包括:
S410、对最佳路径数据进行Bezier曲线拟合,得到并输出最优平滑曲线;
S420、计算并输出end点的预期轨迹航向角;
S430、计算并输出end点的预期曲率;
S500、车载ECU接收目标轨迹,控制转向机构、加速机构和减速机构沿最优平滑曲线运动,并在被控车辆进入end点时,用end点的预期曲率来校验车辆的姿态,由转向机构调整车辆速度方向为end点的预期轨迹航向角,由加速机构和减速机构调整车辆速率为end点的预期速率,然后保持被控车辆匀速运动。
2.根据权利要求1所述的高速场景下的自动驾驶轨迹生成方法,其特征在于:所述二维坐标系的构建方法包括以下步骤:
S110、选取道路中线为x轴;
S120、选取start点在所述x轴上的投影点为原点;
S130、以经过所述原点并与x轴垂直的直线为y轴;
S140、以当前车辆的行进方向分别在x轴和y轴上的分量方向为正方向。
3.根据权利要求2所述的高速场景下的自动驾驶轨迹生成方法,其特征在于:S320中每条候选轨迹包含的采样点数量相同;不同的候选轨迹除start点和end点外,没有相同的采样点;每条候选轨迹上的采样点的x值形成一个等差数列。
4.根据权利要求3所述的高速场景下的自动驾驶轨迹生成方法,其特征在于:S340中筛选出所述最佳路径数据的方法包括以下步骤:
S341、将start点的cost值标记为0,然后从各条候选轨迹距离原点x值最小的采样点中选取cost值最小的一个,作为本次选中点;将本次选中点记录到最佳路径数据中,并将原点和本次选中点连接起来,方向为自原点指向本次选中点;
S342、设本次选中点为本次出发点,然后从各条候选轨迹距离本次出发点x值大于0且最小的采样点中选取cost值最小的一个,作为本次选中点;将本次选中点记录到最佳路径数据中,并将本次出发点和本次选中点连接起来,方向为自本次出发点指向本次选中点;
S343、将本次选中点的坐标和end点坐标对比,根据对比结果做出以下操作:
如果本次选中点和end点坐标相同,则结束筛选,输出最佳路径数据;
或,
如果本次选中点和end点坐标不同,则重复S342至S343。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911249603.4A CN110954122B (zh) | 2019-12-09 | 2019-12-09 | 高速场景下的自动驾驶轨迹生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911249603.4A CN110954122B (zh) | 2019-12-09 | 2019-12-09 | 高速场景下的自动驾驶轨迹生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110954122A true CN110954122A (zh) | 2020-04-03 |
CN110954122B CN110954122B (zh) | 2021-07-06 |
Family
ID=69980372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911249603.4A Active CN110954122B (zh) | 2019-12-09 | 2019-12-09 | 高速场景下的自动驾驶轨迹生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110954122B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111487971A (zh) * | 2020-04-23 | 2020-08-04 | 重庆长安汽车股份有限公司 | 一种车辆自动驾驶横向控制方法及*** |
CN111523719A (zh) * | 2020-04-16 | 2020-08-11 | 东南大学 | 一种基于铰接车辆运动学约束的混合路径规划方法 |
CN111737389A (zh) * | 2020-06-12 | 2020-10-02 | 北京百度网讯科技有限公司 | 曲线优化方法、装置、设备和介质 |
CN111998864A (zh) * | 2020-08-11 | 2020-11-27 | 东风柳州汽车有限公司 | 无人车局部路径规划方法、装置、设备及存储介质 |
CN112146667A (zh) * | 2020-09-29 | 2020-12-29 | 广州小鹏自动驾驶科技有限公司 | 一种车辆过渡轨迹的生成方法和装置 |
CN112240770A (zh) * | 2020-10-15 | 2021-01-19 | 浙江欣奕华智能科技有限公司 | 一种生成机器人运动轨迹的方法、装置及终端 |
CN113701746A (zh) * | 2020-05-21 | 2021-11-26 | 华为技术有限公司 | 目标朝向确定方法和装置 |
CN113759888A (zh) * | 2020-06-08 | 2021-12-07 | 北京京东乾石科技有限公司 | 一种指引线平滑方法、装置、设备和存储介质 |
CN114184198A (zh) * | 2020-09-14 | 2022-03-15 | 广州汽车集团股份有限公司 | 一种实时路径生成方法、装置及汽车 |
CN114264307A (zh) * | 2021-12-15 | 2022-04-01 | 广州小鹏自动驾驶科技有限公司 | 路径生成方法、装置、交通工具及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5828968A (en) * | 1995-10-31 | 1998-10-27 | Honda Giken Kogyo Kabushiki Kaisha | Method of controlling automatically driven motor vehicle |
CN104793560A (zh) * | 2014-01-21 | 2015-07-22 | 三菱电机株式会社 | 用于生成轨迹的方法和*** |
CN105651295A (zh) * | 2016-01-15 | 2016-06-08 | 武汉光庭信息技术股份有限公司 | 基于Bezier曲线构建交叉路口驶入驶出车道Link的连接曲线算法 |
CN106926844A (zh) * | 2017-03-27 | 2017-07-07 | 西南交通大学 | 一种基于实时环境信息的动态自动驾驶换道轨迹规划方法 |
CN108153245A (zh) * | 2017-12-26 | 2018-06-12 | 深圳市汇川技术股份有限公司 | 轨迹平滑转接方法及*** |
CN108646667A (zh) * | 2018-03-05 | 2018-10-12 | 北京华航唯实机器人科技股份有限公司 | 轨迹生成方法及装置、终端 |
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 |
CN110244710A (zh) * | 2019-05-16 | 2019-09-17 | 深圳前海达闼云端智能科技有限公司 | 自动寻迹方法、装置、存储介质及电子设备 |
-
2019
- 2019-12-09 CN CN201911249603.4A patent/CN110954122B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5828968A (en) * | 1995-10-31 | 1998-10-27 | Honda Giken Kogyo Kabushiki Kaisha | Method of controlling automatically driven motor vehicle |
CN104793560A (zh) * | 2014-01-21 | 2015-07-22 | 三菱电机株式会社 | 用于生成轨迹的方法和*** |
CN105651295A (zh) * | 2016-01-15 | 2016-06-08 | 武汉光庭信息技术股份有限公司 | 基于Bezier曲线构建交叉路口驶入驶出车道Link的连接曲线算法 |
CN106926844A (zh) * | 2017-03-27 | 2017-07-07 | 西南交通大学 | 一种基于实时环境信息的动态自动驾驶换道轨迹规划方法 |
CN108153245A (zh) * | 2017-12-26 | 2018-06-12 | 深圳市汇川技术股份有限公司 | 轨迹平滑转接方法及*** |
CN108646667A (zh) * | 2018-03-05 | 2018-10-12 | 北京华航唯实机器人科技股份有限公司 | 轨迹生成方法及装置、终端 |
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 |
CN110244710A (zh) * | 2019-05-16 | 2019-09-17 | 深圳前海达闼云端智能科技有限公司 | 自动寻迹方法、装置、存储介质及电子设备 |
Non-Patent Citations (2)
Title |
---|
YANBO LI 等: ""On-line Planning of Nonholonomic Trajectories in Crowded and Geometrically Unknown Environments"", 《2009 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION》 * |
奚小波 等: ""基于Bezier曲线优化的农机自动驾驶避障控制方法"", 《农业工程学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523719A (zh) * | 2020-04-16 | 2020-08-11 | 东南大学 | 一种基于铰接车辆运动学约束的混合路径规划方法 |
CN111523719B (zh) * | 2020-04-16 | 2024-03-15 | 东南大学 | 一种基于铰接车辆运动学约束的混合路径规划方法 |
CN111487971B (zh) * | 2020-04-23 | 2023-04-28 | 重庆长安汽车股份有限公司 | 一种车辆自动驾驶横向控制方法及*** |
CN111487971A (zh) * | 2020-04-23 | 2020-08-04 | 重庆长安汽车股份有限公司 | 一种车辆自动驾驶横向控制方法及*** |
CN113701746A (zh) * | 2020-05-21 | 2021-11-26 | 华为技术有限公司 | 目标朝向确定方法和装置 |
CN113759888A (zh) * | 2020-06-08 | 2021-12-07 | 北京京东乾石科技有限公司 | 一种指引线平滑方法、装置、设备和存储介质 |
CN111737389A (zh) * | 2020-06-12 | 2020-10-02 | 北京百度网讯科技有限公司 | 曲线优化方法、装置、设备和介质 |
CN111737389B (zh) * | 2020-06-12 | 2023-07-25 | 北京百度网讯科技有限公司 | 曲线优化方法、装置、设备和介质 |
CN111998864A (zh) * | 2020-08-11 | 2020-11-27 | 东风柳州汽车有限公司 | 无人车局部路径规划方法、装置、设备及存储介质 |
CN111998864B (zh) * | 2020-08-11 | 2023-11-07 | 东风柳州汽车有限公司 | 无人车局部路径规划方法、装置、设备及存储介质 |
CN114184198A (zh) * | 2020-09-14 | 2022-03-15 | 广州汽车集团股份有限公司 | 一种实时路径生成方法、装置及汽车 |
CN114184198B (zh) * | 2020-09-14 | 2024-03-01 | 广州汽车集团股份有限公司 | 一种实时路径生成方法、装置及汽车 |
CN112146667A (zh) * | 2020-09-29 | 2020-12-29 | 广州小鹏自动驾驶科技有限公司 | 一种车辆过渡轨迹的生成方法和装置 |
CN112240770A (zh) * | 2020-10-15 | 2021-01-19 | 浙江欣奕华智能科技有限公司 | 一种生成机器人运动轨迹的方法、装置及终端 |
CN114264307A (zh) * | 2021-12-15 | 2022-04-01 | 广州小鹏自动驾驶科技有限公司 | 路径生成方法、装置、交通工具及存储介质 |
CN114264307B (zh) * | 2021-12-15 | 2024-06-04 | 广州小鹏自动驾驶科技有限公司 | 路径生成方法、装置、交通工具及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110954122B (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110954122B (zh) | 高速场景下的自动驾驶轨迹生成方法 | |
CN112068545B (zh) | 一种无人驾驶车辆在十字路口的行驶轨迹规划方法、***及存储介质 | |
CN112964271B (zh) | 一种面向多场景的自动驾驶规划方法及*** | |
US11460311B2 (en) | Path planning method, system and device for autonomous driving | |
CN111426330B (zh) | 路径生成方法和设备、无人化运输***和存储介质 | |
CN108519094B (zh) | 局部路径规划方法及云处理端 | |
CN111006667B (zh) | 高速场景下的自动驾驶轨迹生成*** | |
CN113721637B (zh) | 智能车动态避障路径连续规划方法、***及存储介质 | |
CN109213153B (zh) | 一种车辆自动驾驶方法及电子设备 | |
Zheng et al. | RRT based path planning for autonomous parking of vehicle | |
CN111830979A (zh) | 一种轨迹优化方法和装置 | |
CN111896004A (zh) | 一种狭窄通道车辆轨迹规划方法及*** | |
CN116185014A (zh) | 一种基于动态规划的智能车全局最优轨迹规划方法与*** | |
CN112683290A (zh) | 一种车辆轨迹规划方法、电子设备及计算机可读存储介质 | |
CN114906173B (zh) | 一种基于两点预瞄驾驶员模型的自动驾驶决策方法 | |
CN113515111B (zh) | 一种车辆避障路径规划方法及装置 | |
CN117885764A (zh) | 车辆的轨迹规划方法、装置、车辆及存储介质 | |
Park et al. | Path generation algorithm based on crash point prediction for lane changing of autonomous vehicles | |
CN114187781B (zh) | 一种分布式多车协同行为决策方法和*** | |
CN113815645B (zh) | 一种适用于环形交叉口的自动驾驶行为决策***与运动规划方法 | |
CN114404985A (zh) | 虚拟角色的路径规划方法及装置、电子设备、存储介质 | |
CN115169951A (zh) | 一种多元特征融合的自动驾驶课程强化学习训练方法 | |
CN111857112A (zh) | 一种汽车局部路径规划方法及电子设备 | |
CN117622227B (zh) | 一种车辆换道避障控制方法及装置 | |
CN116429144A (zh) | 基于改进Astar和DWA融合算法的自主车辆路径规划方法 |
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 |