CN110955236B - 用于自动驾驶车辆的曲率校正路径采样*** - Google Patents
用于自动驾驶车辆的曲率校正路径采样*** Download PDFInfo
- Publication number
- CN110955236B CN110955236B CN201910522364.9A CN201910522364A CN110955236B CN 110955236 B CN110955236 B CN 110955236B CN 201910522364 A CN201910522364 A CN 201910522364A CN 110955236 B CN110955236 B CN 110955236B
- Authority
- CN
- China
- Prior art keywords
- sampling points
- trajectory
- autonomous vehicle
- sampling
- curvature
- 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
- 238000005070 sampling Methods 0.000 title claims abstract description 180
- 238000012937 correction Methods 0.000 title description 3
- 230000006870 function Effects 0.000 claims description 78
- 238000000034 method Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 7
- 238000002379 ultrasonic velocimetry Methods 0.000 description 55
- 230000008447 perception Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 9
- 230000001133 acceleration Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 230000002085 persistent effect Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009429 electrical wiring Methods 0.000 description 1
- 229910000078 germane Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012876 topography 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
- G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
- G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons in combination with a laser
-
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18145—Cornering
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0013—Planning or execution of driving tasks specially adapted for occupant comfort
-
- 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
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- 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
- G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
-
- 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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- 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
- G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
-
- 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
-
- 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
- G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
-
- 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
-
- 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
- G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/028—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using a RF signal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Electromagnetism (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Optics & Photonics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
根据一个实施方式,***基于ADV的地图和路线信息确定第一轨迹(例如,参考线路)。该***确定第一轨迹的预定长度的最大曲率。该***基于最大曲率确定采样衰减比。该***为第一轨迹生成一个或多个采样点集合,其中,每个采样点集合包括以基于采样衰减比的横向距离分开的一个或多个采样点。该***基于采样点集合为ADV生成第二轨迹以控制ADV,其中,第二轨迹基于第一轨迹的最大曲率移动到第一轨迹的左侧或右侧。
Description
技术领域
本公开的实施方式大体涉及操作自动驾驶车辆。更具体地,本公开的实施方式涉及用于自动驾驶车辆(ADV)的曲率校正路径采样***。
背景技术
以自动驾驶模式运行(例如,无人驾驶)的车辆可以将乘员、尤其是驾驶员从一些驾驶相关的职责中解放出来。当以自动驾驶模式运行时,车辆可以使用车载传感器导航到各个位置,从而允许车辆在最少人机交互的情况下或在没有任何乘客的一些情况下行驶。
运动规划和控制是自动驾驶中的关键操作。特别地,轨迹规划是自动驾驶***中的关键部件。轨迹规划技术可依赖于参考线路,该参考线路(例如,道路的中心线)是自动驾驶车辆的引导路径,以产生稳定的轨迹。
发明内容
本申请的一方面提供了一种用于生成自动驾驶车辆的驾驶轨迹的计算机实现的方法,所述方法包括:响应于为所述自动驾驶车辆生成的第一轨迹,确定所述第一轨迹的预定长度的最大曲率;基于所述最大曲率确定采样衰减比;基于所述第一轨迹生成一个或多个采样点集合,其中,每个采样点集合包括一个或多个采样点,所述一个或多个采样点以基于所述采样衰减比确定的横向距离分开;以及基于所述采样点集合为所述自动驾驶车辆生成第二轨迹以自动地驾驶所述自动驾驶车辆。
根据本申请的实施方式,所述方法还包括:生成在所述采样点集合之间连接的多个段;以及基于所述多个段为所述自动驾驶车辆生成所述第二轨迹。
根据本申请的实施方式,所述方法还包括:如果所述采样点集合中的任意两个采样点之间的距离小于预定阈值,则通过合并所述采样点集合中的所述采样点来重新分配每个采样点集合以生成替换集合。
根据本申请的实施方式,所述第一轨迹的所述预定长度基于所述自动驾驶车辆的当前速度而计算。
根据本申请的实施方式,如果C_max>C_UB,则所述采样衰减比被分配第一预定值;如果C_max<C_LB,则所述采样衰减比被分配第二预定值;除上述情况之外,所述采样衰减比被分配(C_max-C_LB)/(C_UB-C_LB)的值,其中,C_max是所述最大曲率,C_UB基于所述自动驾驶车辆的转弯能力而确定以表示曲率上限,且C_LB是表示曲率下限的常数。
根据本申请的实施方式,一个采样点集合中的每个采样点与这一个集合中的另一采样点分开横向距离,其中,所述横向距离与所述采样点集合的所述采样衰减比成比例。
根据本申请的实施方式,生成所述一个或多个采样点集合包括:基于所述自动驾驶车辆的速度确定所述采样点集合中的每个采样点集合之间的距离。
根据本申请的实施方式,在所述采样点集合之间生成所述多个段包括:将所述采样点集合中的每个采样点连接至相邻采样点集合中的每个采样点。
根据本申请的实施方式,在所述采样点集合之间生成所述多个段包括:为所述多个段确定多个多项式函数,其中,每个多项式函数表示所述多个段中的一个段。
根据本申请的实施方式,基于与相应段相关联的所述自动驾驶车辆的位置、所述自动驾驶车辆的方向、所述自动驾驶车辆的曲率和所述自动驾驶车辆的曲率变化率中的一项或多项确定每个多项式的系数。
根据本申请的实施方式,每个多项式函数包括五次多项式函数或三次多项式函数。
根据本申请的实施方式,为所述自动驾驶车辆生成所述第二轨迹包括:为所述多个段确定多个成本;基于所述多个成本确定路径;以及基于所述路径生成所述第二轨迹。
本申请的另一方面提供了一种非暂时性机器可读介质,所述非暂时性机器可读介质中存储有指令,所述指令在被处理器执行时致使所述处理器执行操作,所述操作包括:响应于为所述自动驾驶车辆生成的第一轨迹,确定所述第一轨迹的预定长度的最大曲率;基于所述最大曲率确定采样衰减比;基于所述第一轨迹生成一个或多个采样点集合,其中,每个采样点集合包括一个或多个采样点,所述一个或多个采样点以基于所述采样衰减比确定的横向距离分开;以及基于所述采样点集合为所述自动驾驶车辆生成第二轨迹以自动地驾驶所述自动驾驶车辆。
本申请的又一方面提供了一种数据处理***,包括:处理器;以及存储器,联接至所述处理器以存储指令,所述指令在被所述处理器执行时致使所述处理器执行操作,所述操作包括:响应于为所述自动驾驶车辆生成的第一轨迹,确定所述第一轨迹的预定长度的最大曲率;基于所述最大曲率确定采样衰减比;基于所述第一轨迹生成一个或多个采样点集合,其中,每个采样点集合包括一个或多个采样点,所述一个或多个采样点以基于所述采样衰减比确定的横向距离分开;以及基于所述采样点集合为所述自动驾驶车辆生成第二轨迹以自动地驾驶所述自动驾驶车辆。
附图说明
本公开的实施方式以示例的方式示出,而不限于附图中的图,在附图中,相似的附图标记表示相似的元件。
图1是示出根据一个实施方式的网络***的框图。
图2是示出根据一个实施方式的由自动驾驶车辆使用的传感器和控制***的示例的框图。
图3A至图3B是示出根据一些实施方式的由自动驾驶车辆使用的感知与规化***的示例的框图。
图4A是示出根据一个实施方式的规划模块的示例的框图。
图4B是示出根据一个实施方式的基于曲率的轨迹模块的示例的框图。
图5A是示出根据一些实施方式的沿着道路/车道行驶的自动驾驶车辆的示例的示图。
图5B是示出根据一些实施方式的沿着道路/车道行驶的自动驾驶车辆的示例的示图。
图5C是示出根据一些实施方式的沿着道路/车道行驶的自动驾驶车辆的示例的示图。
图6是示出根据一个实施方式的方法的流程图。
图7是示出根据一个实施方式的数据处理***的框图。
具体实施方式
将参考以下所讨论的细节来描述本公开的各种实施方式和方面,附图将示出所述各种实施方式。下列描述和附图是对本公开的说明,而不应当解释为限制本公开。描述了许多特定细节以提供对本公开各种实施方式的全面理解。然而,在某些情况下,并未描述众所周知的或常规的细节以提供对本公开的实施方式的简洁讨论。
本说明书中对“一个实施方式”或“实施方式”的提及意味着结合该实施方式所描述的特定特征、结构或特性可以包括在本公开的至少一个实施方式中。短语“在一个实施方式中”在本说明书中各个地方的出现不必全部指同一实施方式。
本公开的实施方式公开了用于生成ADV的驾驶轨迹的基于曲率的路径采样***。根据一个方面,该***基于ADV的地图和路线信息确定第一轨迹(例如,参考线路)。该***确定第一轨迹的预定长度的最大曲率。该***基于该最大曲率确定采样衰减比。该***为第一轨迹生成一个或多个采样点集合,其中,每个采样点集合包括以基于采样衰减比的横向距离分开的一个或多个采样点。该***基于采样点集合为ADV生成第二轨迹以控制ADV,其中,第二轨迹基于第一轨迹的最大曲率移动到第一轨迹的左侧或右侧。
在一个实施方式中,处理逻辑还生成在采样点集合之间连接的多个段,并基于该多个段为ADV生成第二轨迹。在一个实施方式中,如果采样点集合中的采样点中的任意两个采样点之间的距离小于预定阈值,则处理逻辑通过合并该集合中的采样点来进一步重新分配每个集合以生成替换集合。
在一个实施方式中,第一轨迹的预定长度基于ADV的当前速度而计算。在一个实施方式中,如果C_max>C_UB,则采样衰减比被分配第一预定值,如果C_max<C_LB,则采样衰减比被分配第二预定值,否则被分配(C_max-C_LB)/(C_UB-C_LB)的值,其中,C_max是最大曲率,C_UB基于ADV的转弯能力而确定以表示曲率上限,且C_LB是表示曲率下限的常数。
在一个实施方式中,集合的每个采样点与集合的另一采样点分开横向距离,其中该横向距离与采样点集合的采样衰减比成比例。在一个实施方式中,生成一个或多个采样点集合包括基于ADV的速度确定采样点集合中的每个采样点集合之间的距离。
在一个实施方式中,在采样点集合之间生成多个段包括将一个采样点集合中的每个采样点连接至相邻采样点集合中的每个采样点。在另一实施方式中,在采样点集合之间生成多个段包括确定多个段的多个多项式函数,其中,每个多项式函数表示多个段中的一个段。在另一实施方式中,每个多项式的系数基于与相应段相关联的ADV的位置、ADV的方向、ADV的曲率、ADV的曲率变化率中的一项或多项而确定。在另一实施方式中,每个多项式函数包括五次多项式函数或三次多项式函数。在一个实施方式中,为ADV生成第二轨迹包括确定多个段的多个成本、基于该多个成本确定路径以及基于该路径生成第二轨迹。
图1是示出根据本公开的一个实施方式的自动驾驶车辆网络配置的框图。参考图1,网络配置100包括可以通过网络102通信地联接到一个或多个服务器103至104的自动驾驶车辆101。尽管示出一个自动驾驶车辆,但多个自动驾驶车辆可以通过网络102联接到彼此和/或联接到服务器103至104。网络102可以是任何类型的网络,例如,有线或无线的局域网(LAN)、诸如互联网的广域网(WAN)、蜂窝网络、卫星网络或其组合。服务器103至104可以是任何类型的服务器或服务器群集,诸如,网络或云服务器、应用服务器、后端服务器或其组合。服务器103至104可以是数据分析服务器、内容服务器、交通信息服务器、地图和兴趣点(MPOI)服务器或者位置服务器等。
自动驾驶车辆是指可以被配置成处于自动驾驶模式下的车辆,在所述自动驾驶模式下车辆在极少或没有来自驾驶员的输入的情况下导航通过环境。这种自动驾驶车辆可以包括传感器***,所述传感器***具有被配置成检测与车辆运行环境有关的信息的一个或多个传感器。所述车辆和其相关联的控制器使用所检测的信息来导航通过所述环境。自动驾驶车辆101可以在手动模式下、在全自动驾驶模式下或者在部分自动驾驶模式下运行。
在一个实施方式中,自动驾驶车辆101包括,但不限于,感知与规划***110、车辆控制***111、无线通信***112、用户接口***113和传感器***115。自动驾驶车辆101还可以包括普通车辆中包括的某些常用部件,诸如:发动机、车轮、方向盘、变速器等,所述部件可以由车辆控制***111和/或感知与规划***110使用多种通信信号和/或命令进行控制,该多种通信信号和/或命令例如,加速信号或命令、减速信号或命令、转向信号或命令、制动信号或命令等。
部件110至115可以经由互连件、总线、网络或其组合通信地联接到彼此。例如,部件110至115可以经由控制器局域网(CAN)总线通信地联接到彼此。CAN总线是被设计成允许微控制器和装置在没有主机的应用中与彼此通信的车辆通信标准。它是最初是为汽车内的复用电气布线设计的基于消息的协议,但也用于许多其它环境。
现在参考图2,在一个实施方式中,传感器***115包括但不限于一个或多个相机211、全球定位***(GPS)单元212、惯性测量单元(IMU)213、雷达单元214以及光探测和测距(LIDAR)单元215。GPS***212可以包括收发器,所述收发器可操作以提供关于自动驾驶车辆的位置的信息。IMU单元213可以基于惯性加速度来感测自动驾驶车辆的位置和定向变化。雷达单元214可以表示利用无线电信号来感测自动驾驶车辆的本地环境内的对象的***。在一些实施方式中,除感测对象之外,雷达单元214可以另外感测对象的速度和/或前进方向。LIDAR单元215可以使用激光来感测自动驾驶车辆所处环境中的对象。除其它***部件之外,LIDAR单元215还可以包括一个或多个激光源、激光扫描器以及一个或多个检测器。相机211可以包括用来采集自动驾驶车辆周围环境的图像的一个或多个装置。相机211可以是静物相机和/或PTZ(旋转变焦)相机。相机可以是可机械地移动的,例如,通过将相机安装在旋转和/或倾斜平台上。
传感器***115还可以包括其它传感器,诸如:声纳传感器、红外传感器、转向传感器、油门传感器、制动传感器以及音频传感器(例如,麦克风)。音频传感器可以被配置成从自动驾驶车辆周围的环境中采集声音。转向传感器(例如,电力转向***(EPS))可以被配置成感测方向盘、车辆的车轮或其组合的转向角度。油门传感器和制动传感器分别感测车辆的油门位置和制动位置。在一些情形下,油门传感器和制动传感器可以集成为集成式油门/制动传感器。
车辆控制***111可包括但不限于转向单元201、油门单元202(也被称为加速单元)和制动单元203。转向单元201用来调整车辆的方向或前进方向。油门单元202用来控制电动机或发动机的速度,电动机或发动机的速度进而控制车辆的速度和加速度。制动单元203通过提供摩擦使车辆的车轮或轮胎减速而使车辆减速。应注意,如图2所示的部件可以以硬件、软件或其组合实施。
回到图1,无线通信***112允许自动驾驶车辆101与诸如装置、传感器、其它车辆等外部***之间的通信。例如,无线通信***112可以与一个或多个装置直接无线通信,或者经由通信网络进行无线通信,诸如,通过网络102与服务器103至104通信。无线通信***112可以使用任何蜂窝通信网络或无线局域网(WLAN),例如,使用WiFi,以与另一部件或***通信。无线通信***112可以例如使用红外链路、蓝牙等与装置(例如,乘客的移动装置、显示装置、车辆101内的扬声器)直接通信。用户接口***113可以是在车辆101内实施的***装置的部分,包括例如键盘、触摸屏显示装置、麦克风和扬声器等。
自动驾驶车辆101的功能中的一些或全部可以由感知与规划***110控制或管理,尤其当在自动驾驶模式下操作时。感知与规划***110包括必要的硬件(例如,处理器、存储器、存储设备)和软件(例如,操作***、规划和路线安排程序),以从传感器***115、控制***111、无线通信***112和/或用户接口***113接收信息,处理所接收的信息,规划从起始点到目的地点的路线或路径,随后基于规划和控制信息来驾驶车辆101。替代地,感知与规划***110可以与车辆控制***111集成在一起。
例如,作为乘客的用户可以例如经由用户接口来指定行程的起始位置和目的地。感知与规划***110获得行程相关数据。例如,感知与规划***110可以从MPOI服务器中获得位置和路线信息,所述MPOI服务器可以是服务器103至104的一部分。位置服务器提供位置服务,并且MPOI服务器提供地图服务和某些位置的POI。替代地,此类位置和MPOI信息可以本地高速缓存在感知与规划***110的永久性存储装置中。
当自动驾驶车辆101沿着路线移动时,感知与规划***110也可以从交通信息***或服务器(TIS)获得实时交通信息。应注意,服务器103至104可以由第三方实体进行操作。替代地,服务器103至104的功能可以与感知与规划***110集成在一起。基于实时交通信息、MPOI信息和位置信息以及由传感器***115检测或感测的实时本地环境数据(例如,障碍物、对象、附近车辆),感知与规划***110可以规划最佳路线并且根据所规划的路线例如经由控制***111来驾驶车辆101,以安全且高效到达指定目的地。
服务器103可以是为各种客户端执行数据分析服务的数据分析***。在一个实施方式中,数据分析***103包括数据收集器121和机器学习引擎122。数据收集器121从各种车辆(自动驾驶车辆或由人类驾驶员驾驶的常规车辆)收集驾驶统计信息123。驾驶统计信息123包括表示在不同时间点发出的驾驶指令(例如,油门指令、制动指令、控制指令)和由车辆的传感器捕获的车辆的响应(例如,速度、加速度、减速度、方向)的信息。驾驶统计信息123还可例如包括描述不同时间点的驾驶环境的信息,诸如,路线(包括起始位置和目的地位置)、MPOI、道路状况、天气状况等。
基于驾驶统计信息123,机器学习引擎122出于各种目的生成或训练规则、算法和/或模型124的集合。在一个实施方式中,例如算法/模型124可包括一个或多个算法或模型,以出于用于规划自动驾驶车辆的路径的横向采样点的目的来确定采样衰减比。算法/模型124可加载到ADV上以实时用于ADV的自动驾驶。
图3A和图3B是示出根据一个实施方式的与自动驾驶车辆一起使用的感知与规化***的框图。***300可实施为图1的自动驾驶车辆101的一部分,包括但不限于感知与规化***110、控制***111和传感器***115。参照图3A-3B,感知与规化***110包括但不限于定位模块301、感知模块302、预测模块303、决策模块304、规划模块305、控制模块306、路线/采样模块307和基于曲率的轨迹模块308。
模块301-308中的一些或全部可以以软件、硬件或其组合实施。例如,这些模块可以安装在永久性存储装置352中、加载到存储器351中,并且由一个或多个处理器(未示出)执行。应注意,这些模块中的一些或全部可以通信地联接到图2的车辆控制***111的一些或全部模块或者与它们集成在一起。模块301至308中的一些可以一起集成为集成模块。例如,基于曲率的轨迹模块308和规划模块305可以集成为单个模块。
定位模块301确定自动驾驶车辆300的当前位置(例如,利用GPS单元212)并管理与用户的行程或路线相关的任何数据。定位模块301(也被称为地图与路线模块)管理与用户的行程或路线相关的任何数据。用户可以例如经由用户接口登录并且指定行程的起始位置和目的地。定位模块301与自动驾驶车辆300的诸如地图和路线信息311的其它部件通信,以获得行程相关数据。例如,定位模块301可以从位置服务器和地图与POI(MPOI)服务器获得位置和路线信息。位置服务器提供位置服务,并且MPOI服务器提供地图服务和某些位置的POI,从而可以作为地图和路线信息311的一部分高速缓存。当自动驾驶车辆300沿着路线移动时,定位模块301也可以从交通信息***或服务器获得实时交通信息。
基于由传感器***115提供的传感器数据和由定位模块301获得的定位信息,感知模块302确定对周围环境的感知。感知信息可以表示普通驾驶员在驾驶员正驾驶的车辆周围将感知到的东西。感知可以包括例如采用对象形式的车道配置(例如,直线车道或弯曲车道)、交通灯信号、另一车辆的相对位置、行人、建筑物、人行横道或其它交通相关标志(例如,停止标志、让行标志)等。车道配置例如包括描述车道(多个车道)的信息,例如,车道的形状(例如,直线或弯曲)、车道的宽度、道路中的车道数量、单向车道或双向车道、合并车道或分开车道、出口车道等。
感知模块302可以包括计算机视觉***或计算机视觉***的功能,以处理并分析由一个或多个相机采集的图像,从而识别自动驾驶车辆环境中的对象和/或特征。所述对象可以包括交通信号、道路边界、其它车辆、行人和/或障碍物等。计算机视觉***可以使用对象识别算法、视频跟踪以及其它计算机视觉技术。在一些实施方式中,计算机视觉***可以绘制环境地图,跟踪对象以及估算对象的速度等。感知模块302也可以基于由诸如雷达和/或LIDAR的其它传感器提供的其它传感器数据来检测对象。
针对每个对象,预测模块303预测该对象在该境况下将如何表现。基于该时间点处感知驾驶环境的感知数据,考虑到地图/路线信息311和交通规则312的集合执行预测。例如,如果对象是在相反方向上的车辆并且当前驾驶环境包括交叉路口,预测模块303将预测该车辆会直线前进还是转弯。如果感知数据指示交叉路口没有交通信号灯,则预测模块303可预测该车辆在进入交叉路口之前可能必须完全停止。如果感知数据指示该车辆当前处于左转专用车道或右转专用车道,则预测模块303可预测该车辆将更可能分别进行左转或右转。
针对每个对象,决策模块304作出关于如何处置对象的决定。例如,针对特定对象(例如,交叉路线中的另一车辆)以及描述对象的元数据(例如,速度、方向、转弯角度),决策模块304决定如何与所述对象相遇(例如,超车、让行、停止、超过)。决策模块304可以根据诸如交通规则或驾驶规则312的规则集来作出此类决定,所述规则集可以存储在永久性存储装置352(未示出)中。
路线模块307被配置为提供从起始点到目的地点的一个或多个路线或路径。对于例如从用户接收的从起始点到目的地点的给定行程,路线模块307获得路线和地图信息311并确定从起始点到达目的地点的所有可能路线或路径。对于从起始点到达目的地点确定的每条路线,路线模块307可以以地形图的形式生成参考线路。参考线路指的是不受其它车辆、障碍物或交通状况等其它事项干扰的理想路线或路径。换言之,如果道路上没有其它车辆、行人或障碍物,则ADV应完全或紧密地跟随参考线路。然后将地形图提供给决策模块304和/或规划模块305。决策模块304和/或规划模块305检查所有可能的路线以根据其它模块提供的其它数据(例如,来自定位模块301的交通状况、感知模块302感知的驾驶环境以及预测模块303预测的交通状况)来选择和修改最佳路线之一。根据该时间点的特定驾驶环境,用于控制ADV的实际路径或路线可以接近或不同于路线模块307提供的参考线路。
基于针对所感知到的对象中的每个对象的决定,规划模块305为自动驾驶车辆规划路径或路线以及驾驶参数(例如,距离、速度和/或转弯角度)。换言之,针对给定的对象,决策模块304决定对该对象做什么,而规划模块305确定如何去做。例如,针对给定的对象,决策模块304可以决定超过所述对象,而规划模块305可以确定在所述对象的左侧还是右侧超过。规划和控制数据由规划模块305生成,包括描述车辆300在下一移动周期(例如,下一路线/路径段)中将如何移动的信息。例如,规划和控制数据可以指示车辆300以30英里每小时(mph)的速度移动10米,随后以25mph的速度变到右侧车道。
基于规划和控制数据,控制模块306根据由规划和控制数据限定的路线或路径通过将适当的命令或信号发送到车辆控制***111来控制并驾驶自动驾驶车辆。所述规划和控制数据包括足够的信息,以沿着路径或路线在不同的时间点使用适当的车辆设置或驾驶参数(例如,油门、制动和转弯命令)将车辆从路线或路径的第一点驾驶到第二点。
在一个实施方式中,规划阶段在多个规划周期(也称为例如命令周期,诸如,每次间隔100毫秒(ms))执行。对于每个规划周期或命令周期,将基于规划和控制数据发出一个或多个控制命令。换言之,对于每100ms,规划模块305规划下一路线段或路径段,例如,包括目标位置和ADV到达目标位置所需的时间。可替代地,规划模块305可进一步指定特定的速度、方向和/或转向角度等。在一个实施方式中,规划模块305规划下一预定时间段(例如,5秒)的路线段或路径段。对于每个规划周期,规划模块305基于前一周期中规划的目标位置来规划当前周期(例如,下一个5秒)的目标位置。随后,控制模块306基于当前周期的规划和控制数据来生成一个或多个控制命令(例如,油门控制命令、制动控制命令、转向控制命令)。
应注意,决策模块304和规划模块305可以集成为集成模块。决策模块304/规划模块305可以包括导航***或导航***的功能,以确定自动驾驶车辆的驾驶路径。例如,导航***可以确定用于实现自动驾驶车辆沿着以下路径移动的一系列速度和前进方向:所述路径在使自动驾驶车辆沿着通往最终目的地的基于车行道的路径前进的同时,基本上避免感知到的障碍物。目的地可以根据经由用户接口***113进行的用户输入来设定。导航***可以在自动驾驶车辆正在运行的同时动态地更新驾驶路径。导航***可以将来自GPS***和一个或多个地图的数据合并,以确定用于自动驾驶车辆的驾驶路径。
决策模块304/规划模块305还可以包括防撞***或防撞***的功能,以识别、评估并且避免或以其它方式越过自动驾驶车辆的环境中的潜在障碍物。例如,防撞***可以通过以下方式实现自动驾驶车辆的导航的变化:操作控制***111中的一个或多个子***来采取变向操纵、转弯操纵、制动操纵等。防撞***可以基于周围的交通模式、道路状况等自动确定可行的障碍物回避操纵。防撞***可以被配置成使得当其它传感器***检测到位于自动驾驶车辆将变向进入的相邻区域中的车辆、建筑障碍物等时不采取变向操纵。防撞***可以自动选择既可使用又使得自动驾驶车辆乘员的安全性最大化的操纵。防撞***可以选择预测使得自动驾驶车辆的乘客舱中出现最小量的加速度的避让操纵。
图4A是示出根据一些实施方式的规划模块305的示例。参照图4A,规划模块305包括但不限于分段器401、多项式函数生成器402、采样点生成器403、路径生成器404和参考线路生成器405。这些模块401-405可以以软件、硬件或其组合实施。参考线路生成器405配置成生成ADV的参考线路。如以上讨论的,参考线路可以是ADV的用于产生稳定轨迹的引导路径(例如,道路的中心线)。参考线路生成器405可基于地图和路线信息311(在图3A和图3B中示出)生成参考线路。分段器401配置成将参考线路分段为多个参考线路段。参考线路可被分割为参考线路段,以生成分散的段或参考线路的部分。对于每个参考线路段,多项式函数生成器402可配置成定义并生成多项式函数以代表相应的参考线路段或对相应的参考线路段进行建模。采样点生成器403可基于参考线路生成采样点,例如基于参考线路在非常靠近的范围内生成采样点。例如,如以下更详细地讨论的,采样点生成器403可生成通常可遵循参考线路的采样点的一个或多个集合(例如,一个或多个采样点的组)。每个采样点集合可包括采样点的第一子集和采样点的第二子集,第二子集与第一子集错开。
多项式函数生成器402可将多个采样点集合彼此连接。例如,如以下更详细地讨论的,多项式函数生成器402可在采样点集合中的每个采样点与下一相邻采样点集合中的每个采样点之间生成一个或多个段(例如,连接)。多项式函数生成器402也可生成、计算、确定等可用于表示采样点之间的段的一个或多个多项式。例如,多项式函数生成器402可为两个采样点之间的每个段生成、确定、计算等多项式函数。表示段的多项式函数也可基于各种边界或约束来生成、确定、计算。该边界或约束可以预配置和/或存储为图3A中示出的约束/算法313的一部分。规划模块305使用的(例如,多项式函数生成器402使用的)多项式函数可预配置和/或存储为图3A中示出的多项式函数314的一部分。
如以下更详细地讨论的,路径生成器404可基于采样点之间的段确定ADV的路径。例如,路径生成器404可确定每个段的成本。该成本可基于多种因素或参数,包括但不限于该段与参考线路的距离、段中的采样点与参考线路的距离、段或段中的采样点的曲率变化率、段的曲率、可能位于采样点处的障碍物(例如,车辆、行人、阻碍物等)等。该成本也称为权重。路径生成器404可识别或选择形成具有最低总成本(最低总权重)的路径的段。
图4B是示出根据一个实施方式的基于曲率的轨迹模块的示例的框图。基于曲率的轨迹模块308可应用基于曲率的采样算法,以生成ADV的驾驶轨迹。参照图4B,基于曲率的轨迹模块308包括但不限于轨迹确定/生成器411、最大曲率确定器412、采样衰减比确定器413和基于曲率的采样点生成器414。这些模块411-414可以以软件、硬件或其组合实施。轨迹确定器/生成器411可基于参考线路确定/生成驾驶轨迹。最大曲率确定器412可确定沿轨迹的一部分的最大曲率。采样衰减比确定器413可基于使用最大曲率的轨迹的部分确定采样衰减比。计算采样衰减比的算法可预配置和/或存储为图3A中示出的约束/算法313的一部分。基于曲率的采样点生成器414可根据ADV的参考线路(或轨迹)的采样衰减比生成一个或多个采样点或者采样点集合。
图5A至5B是示出根据一些实施方式的沿着道路/车道506行驶(例如,移动、驾驶等)的ADV 101的示例的示图。可使用参考线路生成器生成ADV 101的参考线路510。参考线路510可以是ADV 101的处于道路/车道506的中心线处的引导路径。在一个实施方式中,采样点生成器可生成从参考线路510到左侧或右侧横向距离的采样点507(以黑色点示出)。采样点可被分组为采样点组或采样点集合。如图5A中所示,采样点507被分组为三个采样点集合,集合520、集合530和集合540。集合520、集合530和集合540中的每个集合可通过预定长度彼此分开。在一个实施方式中,相邻集合之间分开的距离是常数(例如,分开10米、20米或30米等)。在另一实施方式中,相邻集合之间分开的距离与ADV 101的当前速度成比例。
每个采样点集合可具有一个或多个采样点。在另一实施方式中,集合中的每个采样点可以以常数距离分开,使得该集合中的采样点形成垂直于参考线路510的横向线(例如,沿车道506的宽度的横向线)。在另一实施方式中,基于ADV的车道(例如,车道506)的宽度确定横向分开距离。图5中示出的道路506、采样点507、参考线路510和/或其它元件可使用如5A中的X轴和Y轴所示的笛卡儿坐标系表示。例如,ADV 101的位置可使用X-Y坐标系表示。在另一示例中,采样点507可使用基点-横向(例如,S-L)坐标系。
参照图5B,在一个实施方式中,多项式函数生成器402可生成将一个采样点集合的采样点连接至相邻采样点集合的采样点的多项式(例如,线路段)。如由集合520和集合530中的采样点507之间的线路所示,多项式函数生成器402可生成将集合520中的每个采样点连接至集合530中的每个采样点的段。例如,多项式函数生成器402可生成将集合520中的五个采样点507连接至集合530中的五个采样点507的二十五段。多项式函数生成器402还可生成将集合530中的每个采样点连接至集合540中的每个采样点的段(例如,二十五个另外的段),如由集合530和集合540中的采样点507之间的线所示。在一些实施方式中,如上所述,多项式函数生成器402还可生成、确定、计算等多项式函数(例如,五次或三次多项式函数)以使用等式(1)至(12)表示每个段或对每个段建模。例如,类似于线路段511和512,多项式函数生成器402可为每个段(例如,为图5B中示出的25个段中的每个段)的多项式函数确定多项式函数和系数。
在一个实施方式中,如以下更详细地讨论的,路径生成器404可基于采样点之间的段确定ADV 101的路径(和轨迹)。路径生成器404可确定每个段的成本(例如,权重)。该成本可基于多种因素或参数,包括但不限于该段与参考线路的距离、段中的采样点与参考线路的距离、段的曲率、采样点处的曲率、段的起始点和/或终止点处的曲率、段的曲率变化率、采样点处的曲率变化率、段的起始点和/或终止点处的曲率变化率、可能位于采样点处的障碍物等。
在一个实施方式中,线路段可使用一个或多个多项式函数表示。例如,多项式函数生成器402可生成表示线路段511的多项式函数θ(s)和表示线路段512的不同的多项式函数θ(s)(例如,参考线路段511和512可使用多项式函数建模)。在一个实施方式中,多项式函数的导数(例如,一阶导数)表示沿线路段的曲率,K=dθ/ds。多项式函数的二阶导数表示沿线路段的曲率变化或曲率变化率dK/ds。
出于说明的目的,定义以下术语:
·θ0:起始方向
·起始曲率,κ为相对于曲线长度的方向导数,即,/>
·起始曲率导数,即,/>
·θ1:终止方向
·终止曲率
·终止曲率导数
·Δs:两端之间的曲线长度
每个多项式(或分段的曲线或线路段)可包括七个参数:起始方向(θ0)、起始曲率(dθ0)、起始曲率导数(d2θ0)、终止方向(θ1)、终止曲率(dθ1)、终止曲率导数(d2θ1)以及起始点与终止点之间的曲线长度(Δs)。在一个实施方式中,多项式函数可以是五次多项式函数。五次多项式函数可以由以下等式(1)(例如,方程式、函数等)限定:
θi(s)=a*s5+b*s4+c*s3+d*s2+e*s+f (1)
并且其满足:
θi(0)=θi (2)
θi(Δs)θi+1 (5)
在另一实施方式中,多项式函数可以是三次多项式。三次多项式可以由以下等式(8)限定:
θi(s)=a*s3+b*s2+c*s+f (8)
并且三次多项式可满足由等式(2)至(7)(以上关于五次多项式函数指出的)所示的相同条件。
在一个实施方式中,为了确保任何两个线路段或多项式函数之间的平滑连接,线路段(i)的在终止点处估算的多项式函数应与后续线路段(i+1)的在起始点处估算的多项式函数相同或相似。线路段(i)的在终止点处估算的多项式函数的一阶导数应与后续线路段(i+1)的在起始点处估算的多项式函数的一阶导数相同或相似。线路段(i)的在终止点处估算的多项式函数的二阶导数应与线路段(i+1)的在起始点处估算的多项式函数的二阶导数相同或相似。
例如,对于图5A至图5B中示出的线路段511,相应多项式函数θ(0)的输出表示线路段511的起始点的方向或角度。设θ(Δs0)表示线路段511的终止点的方向,其中线路段511的终止点也是下一线路段512的起始点。θ(0)的一阶导数表示线路段511的起始点的曲率,且θ(0)的二阶导数表示线路段511的起始点处的曲率变化率。θ(Δs0)的一阶导数表示线路段511的终止点的曲率,且θ(Δs0)的二阶导数表示线路段511的终止点的曲率变化率。
通过代入上述变量θi、θi+1、/>Δs,存在六个方程可用于求解多项式函数的系数a、b、c、d、e和f。例如,如以上描述的,给定点的方向可使用上述五次多项式函数限定:
θ(s)=as5+bs4+cs3+ds2+es+f (9)
五次多项式函数的一阶导数表示路径的点处的曲率:
dθ=5as4+4bs3+3cs2+2ds+e (10)
五次多项式的二阶导数表示路径的点处的曲率变化率:
d2θ=20as3+12bs2+6cs+2d (11)
对于给定的线路段,其起始点和终止点的方向、曲率和曲率变化率可分别用上述三个等式表示。因此,对于每个线路段,存在总共六个等式。这六个等式可用于确定相应五次多项式函数的系数a、b、c、d、e和f。
基于以上约束,路径生成器404可通过具有最低总成本(最低总权重)的段的多个集合来识别或选择形成路径的段(例如,平滑连接)。例如,轨迹生成器404可使用成本优化算法和/或动态编程算法(例如,Dijkstra算法)基于段成本来生成路径,以选择或确定具有最低总成本的路径(和轨迹)。然后根据轨迹使用该轨迹控制ADV。应注意,轨迹具有路径和速度分量。速度分量可以是道路506的速度限制或ADV前面的车辆的速度以供ADV遵循。
可以对以上函数执行优化,使得这些函数的针对不同路径的总输出达到最小,同时满足以上约束集合。另外,从优化导出的终点的坐标需要在相对于初始参考线路的相应坐标的预定范围(例如,容差、误差容限)内。换言之,每个优化点与初始参考线路的相应点之间的差异应在预定阈值内。
图5C是示出根据一些实施方式的沿着道路/车道行驶的自动驾驶车辆的示例的示图。对于图5C中所示的示例,除了应用基于曲率的采样算法来限制线路段的横向采样用于轨迹生成之外,图5C的示例与图5B的示例类似。参照图5C,在一个实施方式中,最大曲率确定器(诸如,图4B的确定器412)为参考线路510的一部分(例如,从ADV 101开始沿参考线路510的预定长度)确定参考线路510的最大曲率。该距离可以是常数距离或与ADV的当前速度成比例的距离。在一个实施方式中,用于最大曲率确定的预定长度是ADV速度的八倍。随后最大曲率确定器针对参考线路510的此长度(预定长度)确定最大曲率。
一旦确定了最大曲率,采样衰减比确定器(例如图4B的确定器413)就确定参考线路510的对应长度的采样衰减比。在一个实施方式中,如果C_max>C_UB,则采样衰减比被分配第一预定值(例如,0),如果C_max<C_LB,则被分配第二预定值(例如,1),否则被分配(C_max-C_LB)/(C_UB-C_LB)的值,其中C_max是参考线路510的最大曲率,C_UB是上限曲率,且C_LB是下限曲率。此处,可以基于ADV的转弯能力(例如,在0.2和0.3之间的值)确定C_UB以表示曲率的上限,并且可以为C_LB分配0.01的常数值以表示该曲率的下限。实际上,所确定的采样衰减比是小于或等于1的正实数值。
然后基于曲率的采样生成器414可生成采样点集合。如以上讨论的,每个采样点集合可以以常数距离彼此分开(例如,集合550、集合560和集合570可分开10米、20米或30米等),或者可以以与ADV的速度成比例的距离分开。在每个集合中,在一个实施方式中,采样点分开横向距离,该横向距离与采样衰减比成比例。例如,集合560的采样点507可以根据采样衰减比横向分开(与图5B的集合530相比,通过采样衰减比来调节从采样点到集合560的线510的横向距离)。在一个实施方式中,随着道路506的一部分的最大曲率增加,采样衰减比减小。实际上,随着道路506的曲率增加,ADV从参考线路510侧向左侧或右侧的移动能力降低。
在另一实施方式中,可以重新分配采样点集合。如果采样点集合中的采样点中的任意两个采样点之间的距离小于预定阈值,则重新分配可合并采样点集合内的两个或更多个采样点。例如,如果道路506的长度具有小的转弯比(大的曲率),则ADV可能没有空间移动到参考线路510的左侧或右侧。参照图5C,集合570可以在具有高的最大曲率的道路的长度内。在这种情况下,可重新分配集合570的采样点。例如,首先,可以为集合570生成五个采样点。然而,由于参考线路左侧的两个点彼此非常靠近(例如,小于预定阈值的距离),因此该两个点被合并为单个采样点。在一个实施方式中,合并两个采样点可以将该两个采样点连接成单个采样点,该单个采样点具有位于被合并的两个采样点之间的中点处的坐标。在另一实施方式中,将两个采样点合并为单个采样点包括消除其中一个点,诸如消除远离参考线路510的点或最靠近参考线路510的点。
类似地,参考线路右侧的两个点彼此非常靠近(例如,小于预定阈值距离),将它们合并为参考线路右侧的单个采样点。因此,仅三个采样点可用于集合570以与相邻集合建立连接。由于较少的连接组合是可行的,因此减少采样点或合并采样点实际上减少了ADV的计算负担。
如上所述,然后规划模块305使用不同的多项式函数约束将一个采样点集合中的每个采样点连接至相邻集合中的采样点。此外,使用多个多项式函数以表示这些连接的段,其中每个多项式表示一个段。多个成本可与每个段相关联。然后优化算法可基于最小化不同段的成本来确定路径。一旦确定了路径,就可基于路径生成轨迹。应注意,轨迹具有路径和速度分量。速度分量可以是道路506的速度限制或ADV 101前面的车辆的速度。
图6是示出根据一个实施方式的方法的流程图。过程600可以由处理逻辑执行,处理逻辑可包括软件、硬件或其组合。例如,过程600可由图3A的规划模块305和/或基于曲率的轨迹模块308执行。参照图6,在块601处,处理逻辑基于ADV的地图和路线信息确定第一轨迹(例如,参考线路)。在块602处,处理逻辑确定第一轨迹的预定长度的最大曲率。在块603处,处理逻辑基于最大曲率确定采样衰减比。在块604处,处理逻辑基于采样衰减比为第一轨迹生成一个或多个采样点集合,其中每个采样点集合包括以横向距离分开的一个或多个采样点。在块605处,处理逻辑基于采样点集合为ADV生成第二轨迹(例如,驾驶轨迹)以控制ADV,其中第二轨迹基于第一轨迹(例如,参考线路)的最大曲率向第一轨迹的左侧或右侧移动。
在一个实施方式中,处理逻辑还生成要在采样点集合之间连接的多个段,并基于该多个段为ADV生成第二轨迹。在一个实施方式中,如果采样点集合中的采样点中的任意两个采样点之间的距离小于预定阈值,则处理逻辑通过合并该集合中的采样点来进一步重新分配该集合以生成替换集合。
在一个实施方式中,第一轨迹的预定长度基于ADV的当前速度而计算。在一个实施方式中,如果C_max>C_UB,则采样衰减比被分配第一预定值,如果C_max<C_LB,则采样衰减比被分配第二预定值,否则被分配(C_max-C_LB)/(C_UB-C_LB)的值,其中,C_max是最大曲率,C_UB基于ADV的转弯能力而确定以表示曲率上限,且C_LB是表示曲率下限的常数。
在一个实施方式中,集合的每个采样点与集合的另一采样点分开横向距离,其中该横向距离与采样点集合的采样衰减比成比例。在一个实施方式中,生成一个或多个采样点集合包括基于ADV的速度确定每个采样点集合之间的距离。
在一个实施方式中,在采样点集合之间生成多个段包括将采样点集合中的每个采样点连接至相邻采样点集合中的每个采样点。在另一实施方式中,在采样点集合之间生成多个段包括确定多个段的多个多项式函数,其中,每个多项式函数表示多个段中的一个段。在另一实施方式中,每个多项式的系数基于与相应段相关联的ADV的位置、ADV的方向、ADV的曲率和ADV的曲率变化率中的一项或多项而确定。在另一实施方式中,每个多项式函数包括五次多项式函数或三次多项式函数。在一个实施方式中,生成ADV的第二轨迹包括确定多个段的多个成本、基于该多个成本确定路径以及基于该路径生成第二轨迹。
应注意,如上文示出和描述的部件中的一些或全部可以以软件、硬件或其组合实施。例如,此类部件可以实施为安装并存储在永久性存储装置中的软件,所述软件可以通过处理器(未示出)加载在存储器中并在存储器中执行以实施贯穿本申请所述的过程或操作。替代地,此类部件可以实施为编程或嵌入到专用硬件(诸如,集成电路(例如,专用集成电路或ASIC)、数字信号处理器(DSP)或现场可编程门阵列(FPGA))中的可执行代码,所述可执行代码可以经由来自应用的相应驱动程序和/或操作***来访问。此外,此类部件可以实施为处理器或处理器内核中的特定硬件逻辑,作为可由软件部件通过一个或多个特定指令访问的指令集的一部分。
图7是示出可以与本公开的一个实施方式一起使用的数据处理***的示例的框图。例如,***1500可以表示以上所述的执行上述过程或方法中的任一个的任何数据处理***,例如,图1的感知与规划***110或者服务器103至104。***1500可以包括许多不同的部件。这些部件可以实施为集成电路(IC)、集成电路的部分、分立电子装置或适用于电路板(诸如,计算机***的主板或***卡)的其它模块或者实施为以其它方式并入计算机***的机架内的部件。
还应注意,***1500旨在示出计算机***的许多部件的高阶视图。然而,应当理解的是,某些实施例中可以具有附加的部件,此外,其它实施例中可以具有所示部件的不同布置。***1500可以表示台式计算机、膝上型计算机、平板计算机、服务器、移动电话、媒体播放器、个人数字助理(PDA)、智能手表、个人通信器、游戏装置、网络路由器或集线器、无线接入点(AP)或中继器、机顶盒或其组合。此外,虽然仅示出了单个机器或***,但是术语“机器”或“***”还应当被理解为包括单独地或共同地执行一个(或多个)指令集以执行本文所讨论的任何一种或多种方法的机器或***的任何集合。
在一个实施方式中,***1500包括通过总线或互连件1510连接的处理器1501、存储器1503以及装置1505至1508。处理器1501可以表示其中包括单个处理器内核或多个处理器内核的单个处理器或多个处理器。处理器1501可以表示一个或多个通用处理器,诸如,微处理器、中央处理单元(CPU)等。更具体地,处理器1501可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、或实施其它指令集的处理器、或实施指令集组合的处理器。处理器1501还可以是一个或多个专用处理器,诸如,专用集成电路(ASIC)、蜂窝或基带处理器、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、网络处理器、图形处理器、通信处理器、加密处理器、协处理器、嵌入式处理器、或者能够处理指令的任何其它类型的逻辑。
处理器1501(其可以是低功率多核处理器套接口,诸如超低电压处理器)可以充当用于与所述***的各种部件通信的主处理单元和中央集线器。这种处理器可以实施为片上***(SoC)。处理器1501被配置成执行用于执行本文所讨论的操作和步骤的指令。***1500还可以包括与可选的图形子***1504通信的图形接口,图形子***1504可以包括显示控制器、图形处理器和/或显示装置。
处理器1501可以与存储器1503通信,存储器1503在一个实施方式中可以经由多个存储器装置实施以提供给定量的***存储。存储器1503可以包括一个或多个易失性存储(或存储器)装置,诸如,随机存取存储器(RAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、静态RAM(SRAM)或者其它类型的存储装置。存储器1503可以存储包括由处理器1501或任何其它装置执行的指令序列的信息。例如,各种操作***、装置驱动程序、固件(例如,输入输出基本***或BIOS)和/或应用的可执行代码和/或数据可以加载到存储器1503中并由处理器1501执行。操作***可以是任何类型的操作***,例如,机器人操作***(ROS)、来自公司的/>操作***、来自苹果公司的Mac/>来自/>公司的LINUX、UNIX,或者其它实时或嵌入式操作***。
***1500还可以包括IO装置,诸如装置1505至1508,包括网络接口装置1505、可选的输入装置1506,以及其它可选的IO装置1507。网络接口装置1505可以包括无线收发器和/或网络接口卡(NIC)。所述无线收发器可以是WiFi收发器、红外收发器、蓝牙收发器、WiMax收发器、无线蜂窝电话收发器、卫星收发器(例如,全球定位***(GPS)收发器)或其它射频(RF)收发器或者它们的组合。NIC可以是以太网卡。
输入装置1506可以包括鼠标、触摸板、触敏屏幕(其可以与显示装置1504集成在一起)、指针装置(诸如,手写笔)和/或键盘(例如,物理键盘或作为触敏屏幕的一部分显示的虚拟键盘)。例如,输入装置1506可以包括联接到触摸屏的触摸屏控制器。触摸屏和触摸屏控制器例如可以使用多种触敏技术(包括但不限于电容、电阻、红外和表面声波技术)中的任一种,以及其它接近传感器阵列或用于确定与触摸屏接触的一个或多个点的其它元件来检测其接触和移动或间断。
IO装置1507可以包括音频装置。音频装置可以包括扬声器和/或麦克风,以促进支持语音的功能,诸如语音识别、语音复制、数字记录和/或电话功能。其它IO装置1507还可以包括通用串行总线(USB)端口、并行端口、串行端口、打印机、网络接口、总线桥(例如,PCI-PCI桥)、传感器(例如,诸如加速度计运动传感器、陀螺仪、磁强计、光传感器、罗盘、接近传感器等)或者它们的组合。装置1507还可以包括成像处理子***(例如,相机),所述成像处理子***可以包括用于促进相机功能(诸如,记录照片和视频片段)的光学传感器,诸如电荷耦合装置(CCD)或互补金属氧化物半导体(CMOS)光学传感器。某些传感器可以经由传感器集线器(未示出)联接到互连件1510,而诸如键盘或热传感器的其它装置可以根据***1500的具体配置或设计由嵌入式控制器(未示出)控制。
为了提供对诸如数据、应用、一个或多个操作***等信息的永久性存储,大容量存储设备(未示出)也可以联接到处理器1501。在各种实施方式中,为了实现更薄且更轻的***设计并且改进***响应性,这种大容量存储设备可以经由固态装置(SSD)来实施。然而,在其它实施方式中,大容量存储设备可以主要使用硬盘驱动器(HDD)来实施,其中较小量的SSD存储设备充当SSD高速缓存以在断电事件期间实现上下文状态以及其它此类信息的非易失性存储,从而使得在***活动重新启动时能够实现快速通电。另外,闪存装置可以例如经由串行***接口(SPI)联接到处理器1501。这种闪存装置可以提供***软件的非易失性存储,所述***软件包括所述***的BIOS以及其它固件。
存储装置1508可以包括计算机可访问的存储介质1509(也被称为机器可读存储介质或计算机可读介质),其上存储有体现本文所述的任何一种或多种方法或功能的一个或多个指令集或软件(例如,模块、单元和/或逻辑1528)。处理模块/单元/逻辑1528可以表示上述部件中的任一个,例如图3A的基于曲率的轨迹模块308。处理模块/单元/逻辑1528还可以在其由数据处理***1500、存储器1503和处理器1501执行期间完全地或至少部分地驻留在存储器1503内和/或处理器1501内,数据处理***1500、存储器1503和处理器1501也构成机器可访问的存储介质。处理模块/单元/逻辑1528还可以通过网络经由网络接口装置1505进行传输或接收。
计算机可读存储介质1509也可以用来永久性地存储以上描述的一些软件功能。虽然计算机可读存储介质1509在示例性实施方式中被示为单个介质,但是术语“计算机可读存储介质”应当被认为包括存储所述一个或多个指令集的单个介质或多个介质(例如,集中式或分布式数据库和/或相关联的高速缓存和服务器)。术语“计算机可读存储介质”还应当被认为包括能够存储或编码指令集的任何介质,所述指令集用于由机器执行并且使得所述机器执行本公开的任何一种或多种方法。因此,术语“计算机可读存储介质”应当被认为包括但不限于固态存储器以及光学介质和磁性介质,或者任何其它非暂时性机器可读介质。
本文所述的处理模块/单元/逻辑1528、部件以及其它特征可以实施为分立硬件部件或集成在硬件部件(诸如,ASICS、FPGA、DSP或类似装置)的功能中。此外,处理模块/单元/逻辑1528可以实施为硬件装置内的固件或功能电路。此外,处理模块/单元/逻辑1528可以以硬件装置和软件部件的任何组合来实施。
应注意,虽然***1500被示出为具有数据处理***的各种部件,但是并不旨在表示使部件互连的任何特定架构或方式;因为此类细节和本公开的实施方式没有密切关系。还应当认识到,具有更少部件或可能具有更多部件的网络计算机、手持计算机、移动电话、服务器和/或其它数据处理***也可以与本公开的实施方式一起使用。
前述详细描述中的一些部分已经根据在计算机存储器内对数据位的运算的算法和符号表示而呈现。这些算法描述和表示是数据处理领域中的技术人员所使用的方式,以将他们的工作实质最有效地传达给本领域中的其他技术人员。本文中,算法通常被认为是导致所期望结果的自洽操作序列。这些操作是指需要对物理量进行物理操控的操作。
然而,应当牢记,所有这些和类似的术语均旨在与适当的物理量关联,并且仅仅是应用于这些量的方便标记。除非在以上讨论中以其它方式明确地指出,否则应当了解,在整个说明书中,利用术语(诸如所附权利要求书中所阐述的术语)进行的讨论是指计算机***或类似电子计算装置的动作和处理,所述计算机***或电子计算装置操控计算机***的寄存器和存储器内的表示为物理(电子)量的数据,并将所述数据变换成计算机***存储器或寄存器或者其它此类信息存储设备、传输或显示装置内类似地表示为物理量的其它数据。
本公开的实施方式还涉及用于执行本文中的操作的设备。这种计算机程序被存储在非暂时性计算机可读介质中。机器可读介质包括用于以机器(例如,计算机)可读的形式存储信息的任何机构。例如,机器可读(例如,计算机可读)介质包括机器(例如,计算机)可读存储介质(例如,只读存储器(“ROM”)、随机存取存储器(“RAM”)、磁盘存储介质、光存储介质、闪存存储器装置)。
前述附图中所描绘的过程或方法可以由处理逻辑来执行,所述处理逻辑包括硬件(例如,电路、专用逻辑等)、软件(例如,体现在非暂时性计算机可读介质上)或两者的组合。尽管所述过程或方法在上文是依据一些顺序操作来描述的,但是应当了解,所述操作中的一些可以按不同的顺序执行。此外,一些操作可以并行地执行而不是顺序地执行。
本公开的实施方式并未参考任何特定的编程语言进行描述。应认识到,可以使用多种编程语言来实施如本文描述的本公开的实施方式的教导。
在以上的说明书中,已经参考本公开的具体示例性实施方式对本发明的实施方式进行了描述。将显而易见的是,在不脱离所附权利要求书中阐述的本公开的更宽泛精神和范围的情况下,可以对本发明作出各种修改。因此,应当在说明性意义而不是限制性意义上来理解本说明书和附图。
Claims (20)
1.用于生成自动驾驶车辆的驾驶轨迹的计算机实现的方法,所述方法包括:
响应于为所述自动驾驶车辆生成的第一轨迹,确定所述第一轨迹的预定长度的最大曲率;
基于所述最大曲率确定采样衰减比;
基于所述第一轨迹生成一个或多个采样点集合,其中,所述一个或多个采样点集合通过所述预定长度彼此分开,每个采样点集合包括一个或多个采样点,所述一个或多个采样点在与所述第一轨迹垂直的方向上以与所述采样衰减比成比例的横向距离分开;以及
基于所述采样点集合为所述自动驾驶车辆生成第二轨迹以自动地驾驶所述自动驾驶车辆。
2.根据权利要求1所述的方法,还包括:
生成在所述采样点集合之间连接的多个段;以及
基于所述多个段为所述自动驾驶车辆生成所述第二轨迹。
3.根据权利要求1所述的方法,还包括:如果所述采样点集合中的任意两个采样点之间的距离小于预定阈值,则通过合并所述采样点集合中的所述采样点来重新分配每个采样点集合以生成替换集合。
4.根据权利要求1所述的方法,其中,所述第一轨迹的所述预定长度基于所述自动驾驶车辆的当前速度而计算。
5.根据权利要求1所述的方法,其中:
如果C_max>C_UB,则所述采样衰减比被分配第一预定值;
如果C_max<C_LB,则所述采样衰减比被分配第二预定值;或者
除上述情况之外,所述采样衰减比被分配(C_max-C_LB)/(C_UB-C_LB)的值,
其中,C_max是所述最大曲率,C_UB基于所述自动驾驶车辆的转弯能力而确定以表示曲率上限,且C_LB是表示曲率下限的常数。
6.根据权利要求1所述的方法,其中,生成所述一个或多个采样点集合包括:
基于所述自动驾驶车辆的速度确定所述采样点集合中的每个采样点集合之间的距离。
7.根据权利要求2所述的方法,其中,生成在所述采样点集合之间的所述多个段包括:
将所述采样点集合中的每个采样点连接至相邻采样点集合中的每个采样点。
8.根据权利要求7所述的方法,其中,生成在所述采样点集合之间的所述多个段包括:
为所述多个段确定多个多项式函数,其中,每个多项式函数表示所述多个段中的一个段。
9.根据权利要求8所述的方法,其中,基于与相应段相关联的所述自动驾驶车辆的位置、所述自动驾驶车辆的方向、所述自动驾驶车辆的曲率和所述自动驾驶车辆的曲率变化率中的一项或多项确定每个多项式的系数。
10.根据权利要求8所述的方法,其中,每个多项式函数包括五次多项式函数或三次多项式函数。
11.根据权利要求2所述的方法,其中,为所述自动驾驶车辆生成所述第二轨迹包括:
为所述多个段确定多个成本;
基于所述多个成本确定路径;以及
基于所述路径生成所述第二轨迹。
12.非暂时性机器可读介质,所述非暂时性机器可读介质中存储有指令,所述指令在被处理器执行时致使所述处理器执行操作,所述操作包括:
响应于为自动驾驶车辆生成的第一轨迹,确定所述第一轨迹的预定长度的最大曲率;
基于所述最大曲率确定采样衰减比;
基于所述第一轨迹生成一个或多个采样点集合,其中,所述一个或多个采样点集合通过所述预定长度彼此分开,每个采样点集合包括一个或多个采样点,所述一个或多个采样点在与所述第一轨迹垂直的方向上以与所述采样衰减比成比例的横向距离分开;以及
基于所述采样点集合为所述自动驾驶车辆生成第二轨迹以自动地驾驶所述自动驾驶车辆。
13.根据权利要求12所述的非暂时性机器可读介质,还包括:
生成在所述采样点集合之间连接的多个段;以及
基于所述多个段为所述自动驾驶车辆生成所述第二轨迹。
14.根据权利要求12所述的非暂时性机器可读介质,还包括:如果所述采样点集合中的任意两个采样点之间的距离小于预定阈值,则通过合并所述采样点集合中的所述采样点来重新分配每个采样点集合以生成替换集合。
15.根据权利要求12所述的非暂时性机器可读介质,其中,所述第一轨迹的所述预定长度基于所述自动驾驶车辆的当前速度而计算。
16.根据权利要求12所述的非暂时性机器可读介质,其中:
如果C_max>C_UB,则所述采样衰减比被分配第一预定值;
如果C_max<C_LB,则所述采样衰减比被分配第二预定值;或者
除上述情况之外,所述采样衰减比被分配(C_max-C_LB)/(C_UB-C_LB)的值,
其中,C_max是所述最大曲率,C_UB基于所述自动驾驶车辆的转弯能力而确定以表示曲率上限,且C_LB是表示曲率下限的常数。
17.数据处理***,包括:
处理器;以及
存储器,联接至所述处理器以存储指令,所述指令在被所述处理器执行时致使所述处理器执行操作,所述操作包括:
响应于为自动驾驶车辆生成的第一轨迹,确定所述第一轨迹的预定长度的最大曲率;
基于所述最大曲率确定采样衰减比;
基于所述第一轨迹生成一个或多个采样点集合,其中,所述一个或多个采样点集合通过所述预定长度彼此分开,每个采样点集合包括一个或多个采样点,所述一个或多个采样点在与所述第一轨迹垂直的方向上以与所述采样衰减比成比例的横向距离分开;以及
基于所述采样点集合为所述自动驾驶车辆生成第二轨迹以自动地驾驶所述自动驾驶车辆。
18.根据权利要求17所述的***,还包括:
生成在所述采样点集合之间连接的多个段;以及
基于所述多个段为所述自动驾驶车辆生成所述第二轨迹。
19.根据权利要求17所述的***,还包括:如果所述采样点集合中的任意两个采样点之间的距离小于预定阈值,则通过合并所述采样点集合中的所述采样点来重新分配每个采样点集合以生成替换集合。
20.根据权利要求17所述的***,其中:
如果C_max>C_UB,则所述采样衰减比被分配第一预定值;
如果C_max<C_LB,则所述采样衰减比被分配第二预定值;或者
除上述情况之外,所述采样衰减比被分配(C_max-C_LB)/(C_UB-C_LB)的值,
其中,C_max是所述最大曲率,C_UB基于所述自动驾驶车辆的转弯能力而确定以表示曲率上限,且C_LB是表示曲率下限的常数。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/143,350 | 2018-09-26 | ||
US16/143,350 US11199847B2 (en) | 2018-09-26 | 2018-09-26 | Curvature corrected path sampling system for autonomous driving vehicles |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110955236A CN110955236A (zh) | 2020-04-03 |
CN110955236B true CN110955236B (zh) | 2024-04-09 |
Family
ID=66912557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910522364.9A Active CN110955236B (zh) | 2018-09-26 | 2019-06-17 | 用于自动驾驶车辆的曲率校正路径采样*** |
Country Status (4)
Country | Link |
---|---|
US (1) | US11199847B2 (zh) |
EP (1) | EP3629121B1 (zh) |
JP (1) | JP7108583B2 (zh) |
CN (1) | CN110955236B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10831210B1 (en) * | 2018-09-28 | 2020-11-10 | Zoox, Inc. | Trajectory generation and optimization using closed-form numerical integration in route-relative coordinates |
KR20210089654A (ko) * | 2018-10-01 | 2021-07-16 | 오피 솔루션즈, 엘엘씨 | 지수 파티셔닝의 방법들 및 시스템들 |
US11079761B2 (en) * | 2018-12-12 | 2021-08-03 | Ford Global Technologies, Llc | Vehicle path processing |
US11300960B2 (en) * | 2019-03-27 | 2022-04-12 | Wipro Limited | Method and device for navigating an autonomous vehicle |
US11153010B2 (en) * | 2019-07-02 | 2021-10-19 | Waymo Llc | Lidar based communication |
US11787440B2 (en) * | 2020-08-04 | 2023-10-17 | Baidu Usa Llc | Lane boundary and vehicle speed based nudge decision |
KR102507804B1 (ko) * | 2020-12-24 | 2023-03-09 | 주식회사 라이드플럭스 | 자율주행 차량의 주행 경로 생성 방법, 장치 및 컴퓨터프로그램 |
US20220227397A1 (en) * | 2021-01-19 | 2022-07-21 | Baidu Usa Llc | Dynamic model evaluation package for autonomous driving vehicles |
CN112810630B (zh) * | 2021-02-05 | 2022-03-04 | 山东大学 | 一种自动驾驶车辆轨迹规划方法及*** |
US11808601B2 (en) * | 2021-03-23 | 2023-11-07 | Here Global B.V. | System and method for updating linear traffic feature data |
US12017661B2 (en) * | 2021-07-13 | 2024-06-25 | Canoo Technologies Inc. | System and method in vehicle path prediction based on full nonlinear kinematics |
CN114167860B (zh) * | 2021-11-24 | 2023-07-07 | 东风商用车有限公司 | 一种自动驾驶最优轨迹生成方法及装置 |
CN114964288A (zh) * | 2022-05-16 | 2022-08-30 | 北京京东乾石科技有限公司 | 路径规划方法及装置、无人车 |
US20240124016A1 (en) * | 2022-10-14 | 2024-04-18 | Motional Ad Llc | Ensemble-based vehicle motion planner |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106114507A (zh) * | 2016-06-21 | 2016-11-16 | 百度在线网络技术(北京)有限公司 | 用于智能车辆的局部轨迹规划方法和装置 |
CN108475057A (zh) * | 2016-12-21 | 2018-08-31 | 百度(美国)有限责任公司 | 基于车辆周围的情境预测车辆的一个或多个轨迹的方法和*** |
Family Cites Families (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3898709B2 (ja) * | 2004-05-19 | 2007-03-28 | 本田技研工業株式会社 | 車両用走行区分線認識装置 |
JP4604683B2 (ja) | 2004-11-25 | 2011-01-05 | 日産自動車株式会社 | 危険状況警報装置 |
JP2006189325A (ja) * | 2005-01-06 | 2006-07-20 | Aisin Aw Co Ltd | 車両の現在地情報管理装置 |
US8392117B2 (en) * | 2009-05-22 | 2013-03-05 | Toyota Motor Engineering & Manufacturing North America, Inc. | Using topological structure for path planning in semi-structured environments |
EP2681085B1 (de) * | 2011-03-01 | 2017-05-10 | Continental Teves AG & Co. oHG | Verfahren und vorrichtung zur prädiktion und adaption von bewegungstrajektorien von kraftfahrzeugen |
US8750567B2 (en) * | 2012-04-09 | 2014-06-10 | GM Global Technology Operations LLC | Road structure detection and tracking |
JP6026295B2 (ja) | 2013-01-23 | 2016-11-16 | 株式会社デンソーアイティーラボラトリ | カーブ形状モデル化装置、方法及び車載用ナビゲーション装置 |
DE102013101639A1 (de) * | 2013-02-19 | 2014-09-04 | Continental Teves Ag & Co. Ohg | Verfahren und Vorrichtung zur Bestimmung eines Fahrbahnzustands |
US20140309836A1 (en) * | 2013-04-16 | 2014-10-16 | Neya Systems, Llc | Position Estimation and Vehicle Control in Autonomous Multi-Vehicle Convoys |
JP6161942B2 (ja) | 2013-04-19 | 2017-07-12 | 株式会社デンソーアイティーラボラトリ | カーブ形状モデル化装置、車両情報処理システム、カーブ形状モデル化方法、及びカーブ形状モデル化プログラム |
KR102083932B1 (ko) * | 2014-09-30 | 2020-04-14 | 한화디펜스 주식회사 | 주행 제어 시스템 및 주행 제어 방법 |
WO2017014012A1 (ja) * | 2015-07-22 | 2017-01-26 | 本田技研工業株式会社 | 経路生成装置、経路生成方法、および経路生成プログラム |
US20190084561A1 (en) * | 2016-03-15 | 2019-03-21 | Honda Motor Co., Ltd. | Vehicle control apparatus, vehicle control method, and vehicle control program |
JP2017214035A (ja) * | 2016-06-02 | 2017-12-07 | 本田技研工業株式会社 | 車両制御システム、車両制御方法、および車両制御プログラム |
US20200033871A1 (en) * | 2016-09-29 | 2020-01-30 | Honda Motor Co., Ltd. | Vehicle control device |
US10053091B2 (en) * | 2016-10-25 | 2018-08-21 | Baidu Usa Llc | Spring system-based change lane approach for autonomous vehicles |
US10137896B2 (en) * | 2016-12-30 | 2018-11-27 | Baidu Usa Llc | Method and system for operating autonomous driving vehicles using graph-based lane change guide |
US10449958B2 (en) * | 2017-02-15 | 2019-10-22 | Ford Global Technologies, Llc | Feedback-based control model generation for an autonomous vehicle |
US10906583B2 (en) * | 2017-03-03 | 2021-02-02 | Continental Automotive Systems, Inc. | Autonomous trailer hitching using neural network |
KR102406507B1 (ko) * | 2017-03-27 | 2022-06-10 | 현대자동차주식회사 | 딥러닝 기반 자율주행 차량 제어 장치, 그를 포함한 시스템 및 그 방법 |
US10994729B2 (en) * | 2017-03-29 | 2021-05-04 | Mitsubishi Electric Research Laboratories, Inc. | System and method for controlling lateral motion of vehicle |
US20200180638A1 (en) * | 2017-05-26 | 2020-06-11 | Honda Motor Co., Ltd. | Vehicle control system and vehicle control method |
US10296795B2 (en) * | 2017-06-26 | 2019-05-21 | Here Global B.V. | Method, apparatus, and system for estimating a quality of lane features of a roadway |
US20200174490A1 (en) * | 2017-07-27 | 2020-06-04 | Waymo Llc | Neural networks for vehicle trajectory planning |
CN108297876B (zh) | 2017-08-22 | 2019-09-17 | 腾讯科技(深圳)有限公司 | 行驶速度控制方法、装置、计算机设备和存储介质 |
US20190102692A1 (en) * | 2017-09-29 | 2019-04-04 | Here Global B.V. | Method, apparatus, and system for quantifying a diversity in a machine learning training data set |
EP3707572B1 (en) * | 2017-11-10 | 2023-08-23 | Nvidia Corporation | Systems and methods for safe and reliable autonomous vehicles |
US10699135B2 (en) * | 2017-11-20 | 2020-06-30 | Here Global B.V. | Automatic localization geometry generator for stripe-shaped objects |
DE112019000070T5 (de) * | 2018-01-07 | 2020-03-12 | Nvidia Corporation | Führen von fahrzeugen durch fahrzeugmanöver unter verwendung von modellen für maschinelles lernen |
US11099017B2 (en) * | 2018-02-13 | 2021-08-24 | Baidu Usa Llc | Determining driving paths for autonomous driving vehicles based on offset points |
US10983522B2 (en) * | 2018-03-09 | 2021-04-20 | Baidu Usa Llc | Emergency stop speed profile for autonomous vehicles |
US11378956B2 (en) * | 2018-04-03 | 2022-07-05 | Baidu Usa Llc | Perception and planning collaboration framework for autonomous driving |
US11084491B2 (en) * | 2018-04-11 | 2021-08-10 | Hyundai Motor Company | Apparatus and method for providing safety strategy in vehicle |
US11077854B2 (en) * | 2018-04-11 | 2021-08-03 | Hyundai Motor Company | Apparatus for controlling lane change of vehicle, system having the same and method thereof |
US11520335B2 (en) * | 2018-04-12 | 2022-12-06 | Baidu Usa Llc | Determining driving paths for autonomous driving vehicles based on map data |
US10824153B2 (en) * | 2018-04-16 | 2020-11-03 | Baidu Usa Llc | Cost design for path selection in autonomous driving technology |
US10996679B2 (en) * | 2018-04-17 | 2021-05-04 | Baidu Usa Llc | Method to evaluate trajectory candidates for autonomous driving vehicles (ADVs) |
US10990101B2 (en) * | 2018-04-18 | 2021-04-27 | Baidu Usa Llc | Method for drifting correction for planning a path for autonomous driving vehicles |
CN111033423B (zh) * | 2018-04-18 | 2023-11-21 | 百度时代网络技术(北京)有限公司 | 用于评估自动驾驶车辆的定位***的方法 |
US11260849B2 (en) * | 2018-05-23 | 2022-03-01 | Baidu Usa Llc | Method for determining lane changing trajectories for autonomous driving vehicles |
US10800408B2 (en) * | 2018-05-24 | 2020-10-13 | Baidu Usa Llc | Determining driving paths for autonomous driving that avoid moving obstacles |
US11199842B2 (en) * | 2018-06-26 | 2021-12-14 | Baidu Usa Llc | Determining driving paths for autonomous driving using parallel processing |
WO2020018679A1 (en) * | 2018-07-17 | 2020-01-23 | Nvidia Corporation | Regression-based line detection for autonomous driving machines |
US11186276B2 (en) * | 2018-07-27 | 2021-11-30 | Baidu Usa Llc | Adjusting speeds along a path for autonomous driving vehicles |
US10875531B2 (en) * | 2018-08-08 | 2020-12-29 | Ford Global Technologies, Llc | Vehicle lateral motion control |
US11181920B2 (en) * | 2018-08-28 | 2021-11-23 | Denso Corporation | Travel assistance method and travel assistance apparatus |
KR102675523B1 (ko) * | 2018-09-28 | 2024-06-14 | 삼성전자주식회사 | 차로를 결정하는 방법 및 장치 |
US10831210B1 (en) * | 2018-09-28 | 2020-11-10 | Zoox, Inc. | Trajectory generation and optimization using closed-form numerical integration in route-relative coordinates |
US11079761B2 (en) * | 2018-12-12 | 2021-08-03 | Ford Global Technologies, Llc | Vehicle path processing |
US11117577B2 (en) * | 2019-02-22 | 2021-09-14 | Ford Global Technologies, Llc | Vehicle path processing |
JP2022552411A (ja) * | 2019-10-16 | 2022-12-15 | ロコメーション・インコーポレーテッド | 自律型追従車両への要求を低減する動作 |
-
2018
- 2018-09-26 US US16/143,350 patent/US11199847B2/en active Active
-
2019
- 2019-06-13 EP EP19179947.7A patent/EP3629121B1/en active Active
- 2019-06-17 CN CN201910522364.9A patent/CN110955236B/zh active Active
- 2019-07-09 JP JP2019127669A patent/JP7108583B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106114507A (zh) * | 2016-06-21 | 2016-11-16 | 百度在线网络技术(北京)有限公司 | 用于智能车辆的局部轨迹规划方法和装置 |
CN108475057A (zh) * | 2016-12-21 | 2018-08-31 | 百度(美国)有限责任公司 | 基于车辆周围的情境预测车辆的一个或多个轨迹的方法和*** |
Non-Patent Citations (6)
Title |
---|
A Real-time Motion Planner for Intelligent Vehicles Based on A Fast SSTG Method;Junxiang Li;《Proceedings of the 37th Chinese Control Conference》;20180727;第5509-5513页 * |
Combining Local Trajectory Planning and Tracking Control for Autonomous Ground Vehicles Navigating along a Reference Path;Xiaohui Li;《ITSC》;20141114;第725-731页 * |
Junxiang Li.A Real-time Motion Planner for Intelligent Vehicles Based on A Fast SSTG Method.《Proceedings of the 37th Chinese Control Conference》.2018,第5509-5513页. * |
On-Road Trajectory Planning for General Autonomous Driving with Enhanced Tunability;Tianyu Gu;《Advances in intelligent system and computing:AISC》;20160131;正文第1-13页 * |
Tianyu Gu.On-Road Trajectory Planning for General Autonomous Driving with Enhanced Tunability.《Advances in intelligent system and computing:AISC》.2016,正文第1-13页. * |
Xiaohui Li.Combining Local Trajectory Planning and Tracking Control for Autonomous Ground Vehicles Navigating along a Reference Path.《ITSC》.2014,第725-731页. * |
Also Published As
Publication number | Publication date |
---|---|
JP2020097388A (ja) | 2020-06-25 |
CN110955236A (zh) | 2020-04-03 |
US11199847B2 (en) | 2021-12-14 |
US20200097016A1 (en) | 2020-03-26 |
EP3629121B1 (en) | 2021-10-20 |
JP7108583B2 (ja) | 2022-07-28 |
EP3629121A1 (en) | 2020-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110955236B (zh) | 用于自动驾驶车辆的曲率校正路径采样*** | |
CN110388931B (zh) | 将对象的二维边界框转换成自动驾驶车辆的三维位置的方法 | |
CN110386142B (zh) | 用于自动驾驶车辆的俯仰角校准方法 | |
CN110728014B (zh) | 使用具有加权几何成本的分段螺旋曲线的参考线平滑方法 | |
CN110531750B (zh) | 一种用于操作自动驾驶车辆的计算机实施的方法、可读介质及*** | |
US10754341B2 (en) | Systems and methods for accelerated curve projection | |
US10800408B2 (en) | Determining driving paths for autonomous driving that avoid moving obstacles | |
CN109955853B (zh) | 用于操作自动驾驶车辆的方法、***和存储介质 | |
US10816985B2 (en) | Method on moving obstacle representation for trajectory planning | |
US11199842B2 (en) | Determining driving paths for autonomous driving using parallel processing | |
US11099017B2 (en) | Determining driving paths for autonomous driving vehicles based on offset points | |
CN111712417B (zh) | 用于自动驾驶车辆的、基于隧道的规划*** | |
US10496098B2 (en) | Road segment-based routing guidance system for autonomous driving vehicles | |
CN111856923B (zh) | 加速对复杂驾驶场景的规划的参数学习的神经网络方法 | |
CN111615476B (zh) | 用于自动驾驶车辆的基于螺旋曲线的竖直停车规划*** | |
CN111615618B (zh) | 用于自动驾驶车辆的高速规划的基于多项式拟合的参考线平滑方法 | |
US11353878B2 (en) | Soft-boundary based path optimization for complex scenes for autonomous driving vehicles | |
US20190241180A1 (en) | Lane self-localization system using multiple cameras for autonomous driving vehicles | |
EP3652602B1 (en) | A spiral path based three-point turn planning for autonomous driving vehicles | |
WO2020191709A1 (en) | A qp spline path and spiral path based reference line smoothing method for autonomous driving | |
CN111649751B (zh) | 一种用于参考线平滑的超自由缝合方法 | |
CN111623766B (zh) | 用于自主驾驶卡车的基于两个惯性测量单元和gps的定位*** | |
CN112272805B (zh) | 连接两条平滑参考线的基于多点增强的拼接方法 | |
CN112041637B (zh) | 用于3级自动驾驶车辆的无地图且基于摄像机的车道标识取样方法 |
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 |