CN111176268A - 用于自动驾驶车辆的模仿人类驾驶行为的两步参考线平滑方法 - Google Patents

用于自动驾驶车辆的模仿人类驾驶行为的两步参考线平滑方法 Download PDF

Info

Publication number
CN111176268A
CN111176268A CN201910815707.0A CN201910815707A CN111176268A CN 111176268 A CN111176268 A CN 111176268A CN 201910815707 A CN201910815707 A CN 201910815707A CN 111176268 A CN111176268 A CN 111176268A
Authority
CN
China
Prior art keywords
point
candidate
points
sample point
sample
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.)
Pending
Application number
CN201910815707.0A
Other languages
English (en)
Inventor
张亮亮
李栋
胡江滔
陶佳鸣
周金运
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baidu USA LLC
Original Assignee
Baidu USA LLC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Baidu USA LLC filed Critical Baidu USA LLC
Publication of CN111176268A publication Critical patent/CN111176268A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
    • 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
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00274—Planning or execution of driving tasks using trajectory prediction for other traffic participants considering possible movement changes
    • 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
    • B60W30/10—Path keeping
    • B60W30/12—Lane keeping
    • 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
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • 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
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00272—Planning or execution of driving tasks using trajectory prediction for other traffic participants relying on extrapolation of current movement
    • 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
    • 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
    • G05D1/0221—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
    • G05D1/0212—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
    • G05D1/0231—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
    • G05D1/0248—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 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
    • G05D1/0255—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
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/027—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means comprising intertial navigation means, e.g. azimuth detector
    • 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
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/06—Direction of travel
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/14—Yaw
    • 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
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/30—Road curve radius

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Human Computer Interaction (AREA)
  • Theoretical Computer Science (AREA)
  • Electromagnetism (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Acoustics & Sound (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Optics & Photonics (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

公开了一种确定用于以类似于人类驾驶的方式导航自动驾驶车辆的平滑参考线的方法。使用高清晰度地图生成道路车道的中心线。使用中心线生成与中心线的曲率相关的多个样本点。在每个样本点处生成调整点，在每个样本点处的中心线两侧生成几个调整点。样本点处的候选点包括调整点和样本点。通过样本点中的每个处的候选点中的每个确定最低成本路径。路径成本基于候选点的接近角度和偏离角度，以及候选点距中心线的距离。

Description

用于自动驾驶车辆的模仿人类驾驶行为的两步参考线平滑 方法
技术领域
本公开的实施方式总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确定用于操作自动驾驶车辆(ADV)的参考线。
背景技术
以自动驾驶模式运行(例如，无人驾驶)的车辆可将乘员、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。然而，传统的运动规划操作主要从路径的曲率和速度来估计完成给定路径的难度，而不考虑不同类型车辆的特征方面的差异。将相同的运动规划和控制应用于所有类型的车辆，这在某些情况下可能不准确和不平稳。
用于自动驾驶车辆(ADV)的运动规划使用高清晰度地图(HD地图)作为输入。在现有技术中，将根据HD地图确定的道路车道的中心线用作进行规划的参考线。ADV使用ADV控制***的最大努力沿着参考线行驶，除非存在阻塞障碍物。但是，使用根据HD地图确定的原始中心线点的技术可能不是用于ADV的最佳、最平滑的路径。紧跟车道中心线，特别是如果车道有许多弯道，对于乘客可能不舒服，并可能降低ADV导航的平稳性。当人类驾驶员通过一系列转弯驾驶汽车时，人类驾驶员有时会调整汽车的车道位置。现有技术中的ADV遵循被确定为道路车道中心的参考线，并且不会调整参考线以模仿人类驾驶行为。
发明内容
根据本公开的一方面，提供了一种导航自动驾驶车辆的计算机实施的方法，所述方法包括：
从道路的第一部分的车道中心线采样多个点以生成多个样本点；
对于所述多个样本点中的每个样本点，生成与所述样本点相关联的多个调整点，所述调整点位于所述样本点周围的区域中，其中，所述样本点和所述多个调整点包括用于所述样本点的候选点；
生成通过对于所述多个样本点中的每个样本点的候选点的第一最低成本路径；以及
对于所述道路的所述第一部分，沿着所述第一最低成本路径导航所述自动驾驶车辆。
根据本公开的另一方面，提供了一种存储有指令的非暂时性机器可读介质，所述指令在由处理器执行时致使所述处理器执行操作，所述操作包括：
从道路的第一部分的车道中心线采样多个点以生成多个样本点；
对于所述多个样本点中的每个样本点，生成与所述样本点相关联的多个调整点，所述调整点位于所述样本点周围的区域中，其中，所述样本点和所述多个调整点包括用于所述样本点的候选点；
生成通过对于所述多个样本点中的每个样本点的候选点的第一最低成本路径；以及
对于所述道路的所述第一部分，沿着所述第一最低成本路径导航所述自动驾驶车辆。
根据本公开的又一方面，提供了一种数据处理***，包括：
处理器；以及
存储器，所述存储器联接至所述处理器，以存储指令，所述指令在由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：
从道路的第一部分的车道中心线采样多个点以生成多个样本点；
对于所述多个样本点中的每个样本点，生成与所述样本点相关联的多个调整点，所述调整点位于所述样本点周围的区域中，其中，所述样本点和所述多个调整点包括用于所述样本点的候选点；
生成通过对于所述多个样本点中的每个样本点的候选点的第一最低成本路径；以及
对于所述道路的所述第一部分，沿着所述第一最低成本路径导航所述自动驾驶车辆。
附图说明
本公开的实施方式在附图的各图中以举例而非限制的方式示出，附图中的相同参考标记指示相似元件。
图1是示出根据一个实施方式的网络化***的框图。
图2是示出根据一个实施方式的自动驾驶车辆的示例的框图。
图3A至图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划***的示例的框图。
图4A示出根据一些实施方式的用于自动驾驶车辆的模仿人类驾驶行为的两步参考线平滑方法的道路中心线点的样本。
图4B示出根据一些实施方式的用于自动驾驶车辆的模仿人类驾驶行为的两步参考线平滑方法的道路中心线点的样本的候选调整点。
图4C示出根据一些实施方式的要连接至用于自动驾驶车辆的模仿人类驾驶行为的两步参考线平滑方法的参考路径的子曲线。
图5以框图形式示出了根据一些实施方式的用于自动驾驶车辆的模仿人类驾驶行为的参考线平滑方法的概述。
图6以框图形式示出了根据一些实施方式的用于自动驾驶车辆的模仿人类驾驶行为的参考线平滑方法的详细视图。
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。下列描述和附图是本公开的说明，而不应当解释为对本公开进行限制。描述了许多特定细节以提供对本公开的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。
在第一实施方式中，导航自动驾驶车辆(ADV)的方法包括从道路的第一部分的车道中心线采样多个点以生成多个样本点。对于多个样本点中的每个样本点，生成多个调整点，每个调整点均与样本点相关联。调整点位于样本点周围的区域中。样本点和样本点处的多个调整点是样本点的候选点。对于第一多个样本点，生成通过多个样本点中的每个样本点的候选点的第一最低成本路径曲线。ADV沿着道路的第一部分的第一最低成本路径导航。在实施方式中，为道路的第二部分生成第二最低成本路径。组合第一最低成本路径和第二最低成本路径以生成用于道路的第一部分和第二部分的组合路径。ADV可使用组合路径沿着道路的第一部分和第二部分导航。在实施方式中，可使用样条算法来组合第一最低成本路径和第二最低成本路径。在实施方式中，每个样本点处的调整点可在基本垂直于样本点处的道路中心线的线上生成。在实施方式中，对沿中心线的点的采样的密度可基于中心线的曲率或直线度。在中心线弯曲的地方样本点可更密集，在中心线直的地方样本点可较不密集。随着中心线的曲率半径减小，中心线的弯曲部分中的样本点的密度可增大。用于道路的一部分的最低成本路径可通过确定从先前样本点处的每个候选点通过样本点处的每个候选点导航至下一样本点处的每个候选点的成本总和来确定。在实施方式中，可从基于当ADV从先前样本点处的候选点接近样本点处的候选点时ADV的第一速度和方向向量以及从样本点处的候选点到下一样本点处的候选点时ADV的第二速度和方向向量确定的角度确定通过样本点处的每个候选点的成本。通过样本点处的每个候选点的成本还可基于候选点与中心线之间的距离。基于形成候选路径的每个候选点的成本之和来确定路径候选的总成本。
在第二实施方式中，可通过执行存储在非暂时性计算机可读介质上的指令来实现上述方法操作中的任一个，指令由包括至少一个硬件处理器的ADV的处理***执行。
在第三实施方式中，可在包括用可执行指令编程的存储器的***上执行上述方法操作中的任一个，该存储器联接至具有至少一个硬件处理器的处理***，当指令由处理***执行时，执行所述方法操作。
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)服务器或位置服务器等。
自动驾驶车辆(ADV)101是指可配置成以自动驾驶模式运行的车辆，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包括传感器***115，所述传感器***115具有配置成检测与ADV 101运行环境有关的信息的一个或多个传感器。ADV 101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。在手动模式下，ADV 101可在很少或没有自动驾驶车辆上的逻辑辅助的情况下由人类驾驶员操作。在全自动驾驶模式下，ADV 101可在使用很少或没有人类驾驶员辅助的情况下运行。在部分自动驾驶模式下，ADV 101可在一些或所有驾驶逻辑子***处于活动状态以及人类驾驶员提供一些驾驶控制输入的情况下运行。
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可经由控制器局域网(CAN)总线通信地联接到彼此。CAN总线是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总线标准。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摄像机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单元212可包括收发器，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可另外感测对象的速度和/或前进方向。LIDAR单元215可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。摄像机211可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。摄像机211可以是静物摄像机和/或视频摄像机。摄像机可以是可机械地移动的，例如，通过将摄像机安装在旋转和/或倾斜平台上。
传感器***115还可包括其它传感器，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。转向传感器可配置成感测方向盘、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集成为集成式油门/制动传感器。
传感器***115可检测ADV的路径的障碍物。这些障碍物可通过模仿人类驾驶行为的最低成本路径模块进行考虑。
在一个实施方式中，车辆控制***111包括但不限于转向单元201、油门单元202(也称为加速单元)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。转向单元201可至少部分地由参与确定用于沿着路线导航ADV的路径的最低成本路径模块控制。
返回参考图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、存储装置)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。可替代地，感知与规划***110可与车辆控制***111集成在一起。
例如，作为乘客的用户可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。可替代地，此类位置和MPOI信息可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可由第三方实体进行操作。可替代地，服务器103至104的功能可与感知与规划***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可以是数据分析***，从而为各种客户执行数据分析服务。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)收集驾驶统计数据123。驾驶统计数据123包括指示所发出的驾驶指令(例如，油门、制动、转向指令)以及由车辆的传感器在不同的时间点捕捉到的车辆的响应(例如，速度、加速、减速、方向)的信息。驾驶统计数据123还可包括描述不同时间点下的驾驶环境的信息，例如，路线(包括起始位置和目的地位置)、MPOI、道路状况、天气状况等。
在实施方式中，数据收集器121可记录数据，该数据包括用于ADV路线的一部分的初始路径以及该路线的该部分的所选择的最低成本路径的驾驶统计数据123。并且初始路径可以是例如遵循道路车道的中心线的路径。最低成本路径可偏离初始路径以模仿人类驾驶，从而更平滑地遍历路线的一部分。驾驶统计数据123还可包括传感器数据和当ADV沿着该路线的的部分的最低成本路径行驶时与ADV相关联的控制输入数据。用于最低成本路径的驾驶统计数据123可包括速度、前进方向、转向输入、制动输入(如果有的话)以及诸如当ADV沿最低成本路径行驶时可能影响乘客舒适度的、包括侧向力、加速度和制动力等的传感器数据。机器学习引擎122可使用驾驶统计数据123来生成算法和模型124，该算法和模型124可用于升级ADV驾驶逻辑的以改进路线的部分的ADV最低成本路径确定。
然后算法124可上传到ADV上以在自动驾驶期间实时使用。在实施方式中，ADV 101可将驾驶统计数据上传到服务器103，以促进可下载到ADV以更新其最低成本路径模块308的算法和模型124的众源学***。类似地，可确定算法和模型124，其使用由最低成本路径模块产生的数据以较小的转弯角提供更大的乘客舒适度和更高的速度。
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划***的示例的框图。***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划***110、控制***111和传感器***115。参考图3A至图3B，感知与规划***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、路线安排模块307和最低成本路径模块308。
模块301至307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中的一些可一起集成为集成模块。
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)以及管理与用户的行程或路线相关的任何数据。定位模块301(又称作为地图与路线模块)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的诸如地图与路线信息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，从而可作为地图与路线信息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。感知可包括例如采用对象形式的车道配置、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。车道配置包括描述一个或多个车道的信息，诸如，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、单向或双向车道、合并或分开车道、出口车道等。
感知模块302可包括计算机视觉***或计算机视觉***的功能，以处理并分析由一个或多个摄像机采集的图像，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预测对象在这种情况下将如何表现。预测是基于感知数据执行的，该感知数据在考虑一组地图/路线信息311和交通规则312的时间点感知驾驶环境。例如，如果对象为相反方向上的车辆且当前驾驶环境包括十字路口，则预测模块303将预测车辆是否可能会笔直向前移动或转弯。如果感知数据表明十字路口没有交通灯，则预测模块303可能会预测车辆在进入十字路口之前可能需要完全停车。如果感知数据表明车辆目前处于左转唯一车道或右转唯一车道，则预测模块303可能预测车辆将更可能分别左转或右转。
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，所述规则集可存储在永久性存储装置352中。
路线安排模块307配置成提供从起始点到目的地点的一个或多个路线或路径。对于从起始位置到目的地位置的给定行程，例如从用户接收的给定行程，路线安排模块307获得路线与地图信息311，并确定从起始位置至到达目的地位置的所有可能路线或路径。路线安排模块307可生成地形图形式的参考线，它确定了从起始位置至到达目的地位置的每个路线。参考线是指不受其它诸如其它车辆、障碍物或交通状况的任何干扰的理想路线或路径。即，如果道路上没有其它车辆、行人或障碍物，则ADV应精确地或紧密地跟随参考线。然后，将地形图提供至决策模块304和/或规划模块305。规划模块305可包括最低成本路径模块308，以提供用于类似于人类驾驶导航ADV 101的平滑参考线。决策模块304和/或规划模块305检查所有可能的路线，以根据由其它模块提供的其它数据选择和更改最佳路线中的一个，其中，其它数据诸如为来自定位模块301的交通状况、由感知模块302感知到的驾驶环境以及由预测模块303预测的交通状况。根据时间点下的特定驾驶环境，用于控制ADV的实际路径或路线可能接近于或不同于由路线安排模块307提供的参考线。
基于针对所感知到的对象中的每个的决定，规划模块305使用由路线安排模块307提供的参考线作为基础，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可决定超过所述对象，而规划模块305可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在下一移动循环(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、转向命令)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(也称作为驾驶周期)中执行，例如，在每个时间间隔为100毫秒(ms)的周期中执行。对于规划周期或驾驶周期中的每一个，将基于规划和控制数据发出一个或多个控制命令。即，对于每100ms，规划模块305规划下一个路线段或路径段，例如，包括目标位置和ADV到达目标位置所需要的时间。可替代地，规划模块305还可规定具体的速度、方向和/或转向角等。在一个实施方式中，规划模块305为下一个预定时段(诸如，5秒)规划路线段或路径段。对于每个规划周期，规划模块305基于在前一周期中规划的目标位置规划用于当前周期(例如，下一个5秒)的目标位置。控制模块306然后基于当前周期的规划和控制数据生成一个或多个控制命令(例如，油门、制动、转向控制命令)。
应注意，决策模块304和规划模块305可集成为集成模块。决策模块304/规划模块305可包括导航***或导航***的功能，以确定自动驾驶车辆的驾驶路径。例如，导航***可确定用于影响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。目的地可根据经由用户接口***113进行的用户输入来设定。导航***可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。
最低成本路径模块308可确定用于穿过道路车道的一部分的路径的、模仿人类驾驶风格的平滑参考线。面对行驶路线的路径中的一个或多个转弯，人类驾驶员在他们接近转弯时将通常选择车道内的不同位置，并且可转向至路径上的车道中心线的一侧或另一侧，以试图平缓车辆所进行的转弯的急剧度。最低成本路径模块308可通过分析一序列路径来模仿人类驾驶行为，每个路径均是用于导航ADV的路线的一部分。最低成本路径模块308可形成规划模块305的一部分，如图3B中所示，并且在下面更详细地描述。
现在参考图4A至图4C进一步描述最低成本路径模块308。图4A示出了根据一些实施方式的用于自动驾驶车辆的生成平滑参考线以模仿人类驾驶行为的方法的道路的中心线点和样本点处的调整点的样本。图4B示出了根据一些实施方式的用于自动驾驶车辆的生成平滑参考线以模仿人类驾驶行为的方法的具有调整点的中心线点(统称为样本点的候选点)的样本的候选调整点以及穿过候选点的示例性可能路径。图4C示出了根据一些实施方式的用于自动驾驶车辆的要连接至生成平滑参考线以模仿人类驾驶行为的方法的参考路径的子曲线。
现在参考图4A，在实施方式中，最低成本路径模块308可首先确定道路车道的中心线410，该车道具有相对于ADV 101的行驶方向的左边界405和右边界415。在单车道道路中，车道可由诸如路缘、人行道或涂漆车道条纹的左右物理道路边界限定。在多车道道路中，物理车道边界可类似地通过油漆条纹、路缘、人行道或这些的组合来确定。在实施方式中，车道宽度可由传感器***115确定，以及中心线可由一个物理边界(左或右)和由传感器***115确定的车道宽度确定。最低成本路径模块308可考虑多车道道路是由承载同向的交通的多条车道组成还是由承载对向上的交通的多条车道组成。最低成本路径模块308可考虑交通的方向和ADV 101的速度，并且因此在确定中心线时，可在ADV 101与ADV 101附近的其它汽车或障碍物之间留下更多或更少的缓冲空间。
在确定道路车道的中心线之后，最低成本路径模块308可沿中心线生成多个i样本点420，i＝0..m，以表示中心线。在实施方式中，最低成本路径模块308可在中心线更直的情况下生成更少的中心线的样本点420，并且随着中心线的曲率增大而增加中心线的样本点420的数量。在生成样本点420之后，最低成本路径模块308还可在每个样本点420周围的区域中生成调整点425。在实施方式中，最低成本路径模块308可在样本点420附近的中心线的每侧上生成两个或三个调整点425。为了计算与样本点420相关联的最低成本路径，每个样本点420及其相关联的调整点被称为样本点420的候选点。在实施方式中，样本点420的候选点在基本垂直于样本点420处的中心线的线上生成。
现在参考图4B，最低成本路径模块308然后可沿着中心线410选择与包括路线的一部分的路径相关联的样本点420的子集。对于样本点i-1、样本点i、样本点i+1的每个三元组，确定从样本点i-1处的每个候选点通过样本点i处的每个候选点到样本点i+1处的每个候选点的每个候选路径的成本。每个候选路径均包括从样本点i-1处的候选点到样本点i处的候选点的向量V1，以及从样本点i处的候选点到样本点i+1处的候选点的向量V2。在实施方式中，在每个样本点i处，候选点可被索引为例如-2、-1、0、1和2，其中，样本点是具有索引0的候选点。应注意，在样本点i＝0处，唯一的候选点是i＝0处的样本点，因为i＝0表示ADV的当前位置。
继续图4B中所示的示例，当i＝1时，样本点i-1是i＝0并且样本点i+1是i＝2。候选路径通过候选点(0，0)、(1，1)和(2，1)示出。向量V0表示ADV 101在候选点(0，0)处的当前速度和方向。向量V1表示ADV 101从候选点(0，0)到候选点(1，1)的速度和方向。向量V2表示从候选点(1，1)到候选点(2，1)的速度和方向。从候选点(0，0)到候选点(1，1)，ADV 101以角度ΘV0V1进行左转向输入。点(1，1)是与位于道路车道的中心线处的样本点i＝1的距离D1。从候选点(0，0)遍历V1到候选点(1，1)的成本包括至少两个分量cost1和cost2，其中：
(1)cost1＝f1(cos(π-2*ΘV0V1))以及
(2)cost2＝f2|D1|2
其中，f1和f2可以是任何单调递增函数。在实施方式中，f1和f2可以是不同的单调递增函数。类似地，从候选点(1，1)到候选点(2，1)，ADV 101以角度ΘV1V2进行右转向输入。点(2，1)是与位于道路车道的中心线处的样本点i＝i+1的距离D2。从候选点(1，1)遍历V2到候选点(2，1)的成本包括至少两个分量cost1和cost2，其中：
(1)cost1＝f1(cos(π-2*ΘV1V2))以及
(2)cost2＝f2|D2|2
对于样本点i-1、样本点i和样本点i+1处的候选点的每个排列，使用上述成本函数确定成本。成本计算可扩展至多于样本点的三元组，诸如从i＝1到m，或其任何子集。例如，如图4A至图4C中所示，可将路线分成称为曲线C的路线的部分，例如，曲线C1、曲线C2和曲线C3。曲线在数学意义上被广义地解释为由样本点i＝0..m的子集表示的道路车道的一部分。曲线可包括直的、弯曲的或两者的车道的部分。对于每条曲线C，确定最低成本路径。然后，使用样条算法将每条曲线的最低成本路径拼接在一起，以生成穿过表示最低成本路径的候选点的最低成本路径，如图4C中所示。使用用于道路的一部分的最低成本路径曲线C的候选点，每条曲线C均可表示为变量x和y的诸如二维(2D)多项式函数的函数：
(3)C＝f(g1(x)，g2(y))
通过将函数g1和g2转换为时间t时位置的函数，曲线C可表示为：
(4)C＝f(g′1(t)，g′2(t))
用于穿过任意数量的样本点的最低成本路径的一般函数可表示为：
(5)
Figure BDA0002186301670000151
在实施方式中，最低成本路径模块308可在执行最低成本路径曲线分析之前预先解析样本点，以确定例如遍历样本点的最大转向角ΘMAX以及遍历样本点的基线成本。在实施方式中，最低成本路径模块308可丢弃具有ΘVi-1Vi或ΘViVi+1的样本点处的候选点，这些候选点要求大于ΘMAX或大于ADV 101可能的最大转向输入角度的转向输入。这种预处理可降低确定用于一组样本点和相关联的候选点的最低成本路径的计算复杂度。例如，在图4B中，可看出穿过候选点(2，1)和候选点(3，-2)的候选项V3将需要相对于V2的非常急剧的的转向输入，使得ΘV2V3可能超过ΘMAX或ADV 101的最大允许转向输入。因此，可丢弃从V，遍历该候选项V3的成本，而不计算遍历V2和该V3的成本。
在计算用于曲线C(例如，C1、C2和C3)的最低成本路径之后，可使用样条算法来组合曲线，如图4C中所示。
应注意，如上文示出和描述的部件中的一些或全部可在软件、硬件或其组合中实施。例如，此类部件可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。可替代地，此类部件可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5以框图形式示出了根据一些实施方式的用于自动驾驶车辆的确定最低成本的平滑参考线以模仿人类驾驶行为的方法500的概述。
在操作505中，从高清晰度(HD)地图提取表示道路的一部分的车道的中心线的点。HD地图可以是存储在ADV 101存储器中的HD地图，或者经由ADV 101的通信***从HD地图服务下载。道路的HD地图数据可由车载传感器***115的传感器数据补充，以确定道路车道的左右边界。边界可以是物理边界，诸如路缘、人行道或油漆条纹或反射器。左和右可相对于ADV 101的行驶方向。在实施方式中，可使用右物理边界或左物理边界，并且结合考虑到ADV的宽度和与由ADV感知模块检测到的ADV 101周围的障碍物的距离所估计的车道宽度来确定车道。可将车道的中心线确定为与车道的右边界和左边界等距。在实施方式中，ADV传感器数据可确定存在许多行人或其它障碍物，例如在ADV的右侧，并且中心线可略微偏离障碍物以增加安全性。
在操作510中，最低成本路径模块308可对从HD地图提取的中心线的点进行采样。对于道路车道的更直的部分，中心线点的采样可以更稀疏，以及相对于道路车道的增大的曲率，采样可以更密集。
在操作515中，最低成本路径模块308可确定用于样本点周围的区域中的每个样本点的调整点。在实施方式中，调整点可位于垂直于样本点处的车道的中心线的线上。在样本点处的道路车道的中心线的每侧，调整点的数量可以是例如2个或3个调整点。在实施方式中，可以有5至7个调整点。在实施方式中，调整点可分隔0.2至0.5米。在实施方式中，中心线每侧的调整点的数量可不同。在实施方式中，相对于执行最低成本路径计算的处理器的计算能力的增加，可增加所生成的调整点的数量。在每个样本点处，用于最低成本路径分析的一组候选点包括样本点和调整点。
在操作600中，可使用样本候选点(每个样本点处的样本点加调整点)生成最低成本路径曲线。下面参考图6详细描述操作600。
在操作520中，可针对道路车道的第二部分重复前述操作505至操作600。本领域技术人员应理解，可同时对道路的第一部分和第二部分两者执行505至515中的一些操作，并且可单独地执行道路的第一部分或第二部分的最低成本确定。例如，可确定用于沿着路线的道路的第一部分和道路的第二部分两者的道路车道的中心线。在实施方式中，可在开始路线导航之前，确定从路线的开始到结束的整个路线的道路车道的中心线。对道路车道的中心线的采样，和/或提供每个样本点处的调整点，也可针对道路车道的多于一个的部分在单个时间进行。
在操作525中，可组合用于道路车道的第一部分和第二部分中的每个的最低成本路径，以生成用于道路车道的两个部分的单个最低成本路径。在实施方式中，可使用样条算法来组合用于道路的两个部分的最低成本路径。
在操作530中，如图4C中所示，ADV 101可沿着组合的最低成本路径的最低成本路径导航通过道路的两个部分。
在操作535中，最低成本路径模块308可将用于道路的组合部分的中心线数据和组合的最低成本路径上传至远程服务器以进行分析。在实施方式中，ADV逻辑还可上传在ADV遍历用于道路的组合部分的最低成本路径时测量的传感器数据和控制数据。控制数据可包括转向输入、油门输入、制动输入和速度数据。传感器数据可包括惯性测量数据。在实施方式中，上传的控制数据和传感器数据可与沿最低成本路径的每个样本点处的样本点和/或候选点相关联。
图6以框图形式示出了根据一些实施方式的用于自动驾驶车辆的生成通过道路车道的一部分的最低成本路径以模仿人类驾驶行为的方法600的详细视图。最低成本路径确定是迭代过程，其计算遍历道路车道的一部分中的每个样本点处的候选点的所有排列的成本。如上所述，可基于需要大于ADV最大可能转向输入的转向输入角度的候选点的遍历从排列列表中排除一些候选点的遍历。也可基于估计的惯性值来排除候选点的遍历，其中，估计的惯性值例如为用于遍历候选点至下一候选点的横向力，该横向力大于将导致ADV 101的乘客感到不适的阈值量。如上所示，参考图4B，在每个样本点周围的中心线的每侧可能存在例如2个或3个调整点，并且候选点包括样本点和调整点。在实施方式中，可存在5至7个调整点。在实施方式中，调整点可分隔0.2至0.5米。在图6中，使用了在每个样本点处的中心线的每侧上的2个调整点的示例。因此，候选点可被索引为-2、-1、0、1和2，其中，对于任何特定的样本点，候选点索引0表示样本点，并且剩余的候选点被索引为远离道路车道的中心线处的样本点。本领域技术人员应理解，在中心线的每侧可存在多于或少于2个的调整点。并且，如上所述，在样本点处的中心线两侧的调整点的数量可不同。
在操作605中，样本点SPi可通过循环变量索引，i＝1..m。
在操作610中，对于每个样本点SPi，样本点SPi的候选点可通过循环变量k索引：候选点CP(i,k)。如上所述，k可用例如-2、-1、0、1和2的值索引，其中，索引k＝0表示样本点SPi。
在操作615中，样本点SPi-1的候选点可通过循环变量j索引：
CP(i-1,j)。如上所述，j可用例如-2、-1、0、1和2的值索引，其中，索引j＝0表示样本点SPi-1。
在操作620中，对于每个样本点SPi+1，样本点SPi+1的候选点可通过变量l(小写字母L)索引：CP(i+1,l)。如上所述，循环变量l可用例如-2、-1、0、1和2的值索引，其中，索引l＝0表示样本点SPi+1。
在操作625中，可确定遍历从样本点SPi-1的候选点CP(i-1,j)到样本点SPi的候选点CP(i,k)到样本点SPi+1的候选点CP(i+1,l)的路径的成本。以上参考图4B描述了计算的细节。可参考样本点SPi来存储与遍历候选点CP(i-1,j)、CP(i,k)和CP(i+1,l)相关联的成本。在实施方式中，还可存储遍历候选点CP(i-1,j)、CP(i,k)和CP(i+1,l)所需的转向输入角度。另外，在实施方式中，可存储估计的惯性测量值，以及遍历候选点CP(i-1,j)、CP(i,k)和CP(i+1,1)的最低成本和与遍历候选点CP(i-1,j)、CP(i,k)和CP(i+1,1)相关联的转向角数据。最低成本路径模块308可利用转向角和估计的惯性测量值来确定是否应在操作670的最低成本路径确定中放弃考虑该候选路径，这是因为ADV不能满足所需的转向角或所估计的惯性测量值可能引起ADV乘客不舒服。
在操作630中，可确定是否存在要遍历的更多候选点CP(i+1,l)。如果是，则在操作635中将l(小写字母L)设置为下一索引值，并且方法600在操作620处继续。否则，方法600在操作640处继续。
在操作640中，可确定是否存在要遍历的更多候选点CP(i-1,j)。如果是，则在操作645中将j设置为下一索引值，并且方法600在操作615处继续。否则，方法600在操作650处继续。
在操作650中，可确定是否存在要遍历的更多候选点CP(i,k)。如果是，则在操作655中将k设置为下一索引值，并且方法600在操作610处继续。否则，方法600在操作660处继续。
在操作660中，可确定是否存在要遍历的更多样本点SPi。如果是，则在操作665中将i设置为下一索引值，并且方法600在操作605处继续。否则，方法600在操作670处继续。
在操作670中，可遍历所有i＝1..m的所有路径CP(i-1,j)至CP(i,k)至CP(i+1，l)，以确定通过ADV的路线上的道路车道的部分的候选点的最低成本路径。所确定的最低成本路径可与执行了分析的道路车道的部分相关联地存储。
图7是示出可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中的任一个。***1500可包括许多不同的部件。这些部件可实施为集成电路(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，某些实施例中可具有附加的部件，此外，其它实施例中可具有所示部件的不同布置。***1500可表示台式计算机、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。这种处理器可实施为片上***(SoC)。处理器1501配置成执行用于执行本文所讨论的操作和步骤的指令。***1500还可包括与可选的图形子***1504通信的图形接口，图形子***1504可包括显示控制器、图形处理器和/或显示装置。
处理器1501可与存储器1503通信，存储器1503在一个实施方式中可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
Figure BDA0002186301670000211
公司的
Figure BDA0002186301670000212
操作***、来自苹果公司的Mac
Figure BDA0002186301670000214
来自
Figure BDA0002186301670000213
公司的
Figure BDA0002186301670000215
LINUX、UNIX，或者其它实时或嵌入式操作***。
***1500还可包括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可包括鼠标、触摸板、触敏屏幕(其可与显示装置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可包括音频装置。音频装置可包括扬声器和/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还可包括成像处理子***(例如，摄像机)，所述成像处理子***可包括用于促进摄像机功能(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，大容量存储装置(未示出)也可联接到处理器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，这种大容量存储装置可经由固态装置(SSD)来实施。然而，在其它实施方式中，大容量存储装置可主要使用硬盘驱动器(HDD)来实施，其中较小量的SSD存储装置充当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，闪存装置可例如经由串行***接口(SPI)联接到处理器1501。这种闪存装置可提供***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可包括计算机可访问的存储介质1509(也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可表示上述部件中的任一个，例如规划模块305、控制模块306、路线安排模块307和最低成本路径模块308。处理模块/单元/逻辑1528还可在其由数据处理***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装置、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按不同的顺序执行。此外，一些操作可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公开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 (24)

1.一种导航自动驾驶车辆的计算机实施的方法，所述方法包括：
从道路的第一部分的车道中心线采样多个点以生成多个样本点；
对于所述多个样本点中的每个样本点，生成与所述样本点相关联的多个调整点，所述调整点位于所述样本点周围的区域中，其中，所述样本点和所述多个调整点包括用于所述样本点的候选点；
生成通过对于所述多个样本点中的每个样本点的候选点的第一最低成本路径；以及
对于所述道路的所述第一部分，沿着所述第一最低成本路径导航所述自动驾驶车辆。
2.根据权利要求1所述的方法，还包括：
生成用于所述道路的第二部分的第二最低成本路径；
将用于所述道路的所述第一部分的所述第一最低成本路径与用于所述道路的所述第二部分的所述第二最低成本路径相组合，以生成组合路径；以及
沿着所述组合路径导航所述自动驾驶车辆。
3.根据权利要求2所述的方法，其中，使用样条算法执行所述组合。
4.根据权利要求1所述的方法，其中，用于样本点的所述调整点在与该样本点处的所述道路的中心线基本垂直的线上生成。
5.根据权利要求1所述的方法，其中，对所述多个样本点中的点进行采样的密度在包含弯曲的所述道路的部分中比在基本直的所述道路的部分中高。
6.根据权利要求1所述的方法，其中，所述最低成本路径通过确定从先前样本点处的每个候选点通过样本点处的每个候选点导航至下一样本点处的每个候选点的成本总和来确定。
7.根据权利要求6所述的方法，其中，从基于当所述自动驾驶车辆从所述先前样本点处的候选点接近所述样本点处的候选点时所述自动驾驶车辆的第一速度和方向向量以及从所述样本点处的候选点到所述下一样本点处的候选点时所述自动驾驶车辆的第二速度和方向向量确定的角度，来确定通过所述样本点处的每个候选点的成本。
8.根据权利要求7所述的方法，其中，还基于所述候选点与所述中心线之间的距离来确定通过所述样本点处的每个候选点的成本，以及其中，基于形成候选路径的每个候选点的成本之和来确定所述候选路径的总成本。
9.一种存储有指令的非暂时性机器可读介质，所述指令在由处理器执行时致使所述处理器执行操作，所述操作包括：
从道路的第一部分的车道中心线采样多个点以生成多个样本点；
对于所述多个样本点中的每个样本点，生成与所述样本点相关联的多个调整点，所述调整点位于所述样本点周围的区域中，其中，所述样本点和所述多个调整点包括用于所述样本点的候选点；
生成通过对于所述多个样本点中的每个样本点的候选点的第一最低成本路径；以及
对于所述道路的所述第一部分，沿着所述第一最低成本路径导航所述自动驾驶车辆。
10.根据权利要求9所述的介质，还包括：
生成用于所述道路的第二部分的第二最低成本路径；
将用于所述道路的所述第一部分的所述第一最低成本路径与用于所述道路的所述第二部分的所述第二最低成本路径相组合，以生成组合路径；以及
沿着所述组合路径导航所述自动驾驶车辆。
11.根据权利要求10所述的介质，其中，使用样条算法执行所述组合。
12.根据权利要求9所述的介质，其中，用于样本点的所述调整点在与该样本点处的所述道路的中心线基本垂直的线上生成。
13.根据权利要求9所述的介质，其中，对所述多个样本点中的点进行采样的密度在包含弯曲的所述道路的部分中比在基本直的所述道路的部分中高。
14.根据权利要求9所述的介质，其中，所述最低成本路径通过确定从先前样本点处的每个候选点通过样本点处的每个候选点导航至下一样本点处的每个候选点的成本总和来确定。
15.根据权利要求14所述的介质，其中，从基于当所述自动驾驶车辆从所述先前样本点处的候选点接近所述样本点处的候选点时所述自动驾驶车辆的第一速度和方向向量以及从所述样本点处的候选点到所述下一样本点处的候选点时所述自动驾驶车辆的第二速度和方向向量确定的角度，来确定通过所述样本点处的每个候选点的成本。
16.根据权利要求15所述的介质，其中，还基于所述候选点与所述中心线之间的距离来确定通过所述样本点处的每个候选点的成本，以及其中，基于形成候选路径的每个候选点的成本之和，来确定所述候选路径的总成本。
17.一种数据处理***，包括：
处理器；以及
存储器，所述存储器联接至所述处理器，以存储指令，所述指令在由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：
从道路的第一部分的车道中心线采样多个点以生成多个样本点；
对于所述多个样本点中的每个样本点，生成与所述样本点相关联的多个调整点，所述调整点位于所述样本点周围的区域中，其中，所述样本点和所述多个调整点包括用于所述样本点的候选点；
生成通过对于所述多个样本点中的每个样本点的候选点的第一最低成本路径；以及
对于所述道路的所述第一部分，沿着所述第一最低成本路径导航所述自动驾驶车辆。
18.根据权利要求17所述的***，还包括：
生成用于所述道路的第二部分的第二最低成本路径；
将用于所述道路的所述第一部分的所述第一最低成本路径与用于所述道路的所述第二部分的所述第二最低成本路径相组合，以生成组合路径；以及
沿着所述组合路径导航所述自动驾驶车辆。
19.根据权利要求18所述的***，其中，使用样条算法执行所述组合。
20.根据权利要求17所述的***，其中，用于样本点的所述调整点在与该样本点处的所述道路的中心线基本垂直的线上生成。
21.根据权利要求17所述的***，其中，对所述多个样本点中的点进行采样的密度在包含弯曲的所述道路的部分中比在基本直的所述道路的部分中高。
22.根据权利要求17所述的***，其中，所述最低成本路径通过确定从先前样本点处的每个候选点通过样本点处的每个候选点导航至下一样本点处的每个候选点的成本总和来确定。
23.根据权利要求22所述的***，其中，从基于当所述自动驾驶车辆从所述先前样本点处的候选点接近所述样本点处的候选点时所述自动驾驶车辆的第一速度和方向向量以及从所述样本点处的候选点到所述下一样本点处的候选点时所述自动驾驶车辆的第二速度和方向向量确定的角度，来确定通过所述样本点处的每个候选点的成本。
24.根据权利要求23所述的***，其中，还基于所述候选点与所述中心线之间的距离来确定通过所述样本点处的每个候选点的成本，以及其中，基于形成候选路径的每个候选点的成本之和来确定所述候选路径的总成本。
CN201910815707.0A 2018-10-23 2019-08-30 用于自动驾驶车辆的模仿人类驾驶行为的两步参考线平滑方法 Pending CN111176268A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/168,709 US11097748B2 (en) 2018-10-23 2018-10-23 Two-step reference line smoothing method to mimic human driving behaviors for autonomous driving cars
US16/168,709 2018-10-23

Publications (1)

Publication Number Publication Date
CN111176268A true CN111176268A (zh) 2020-05-19

Family

ID=67874222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910815707.0A Pending CN111176268A (zh) 2018-10-23 2019-08-30 用于自动驾驶车辆的模仿人类驾驶行为的两步参考线平滑方法

Country Status (4)

Country Link
US (1) US11097748B2 (zh)
EP (1) EP3643575B1 (zh)
JP (1) JP6967051B2 (zh)
CN (1) CN111176268A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111862604A (zh) * 2020-07-20 2020-10-30 北京京东乾石科技有限公司 无人车的控制方法及装置、计算机存储介质、电子设备
US11126199B2 (en) * 2018-04-16 2021-09-21 Baidu Usa Llc Learning based speed planner for autonomous driving vehicles
US20210318685A1 (en) * 2020-04-13 2021-10-14 International Business Machines Corporation Autonomous electric vehicle charging optimization based on location, cost and safety using edge computing
CN113721602A (zh) * 2021-07-28 2021-11-30 广州小鹏自动驾驶科技有限公司 参考线处理方法、装置、设备及存储介质
CN114435402A (zh) * 2022-02-16 2022-05-06 智道网联科技(北京)有限公司 一种车道线平滑方法、装置和电子设备

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10782699B2 (en) * 2018-03-10 2020-09-22 Baidu Usa Llc Real-time perception adjustment and driving adaption based on surrounding vehicles' behavior for autonomous driving vehicles
JP7060496B2 (ja) * 2018-12-10 2022-04-26 トヨタ自動車株式会社 地図生成システム
JP7256639B2 (ja) * 2018-12-26 2023-04-12 フォルシアクラリオン・エレクトロニクス株式会社 車載処理装置
KR20200090527A (ko) * 2019-01-21 2020-07-29 현대자동차주식회사 차선 인식 장치 및 그 방법
JP7339796B2 (ja) * 2019-07-16 2023-09-06 フォルシアクラリオン・エレクトロニクス株式会社 車載処理装置
US20210389133A1 (en) * 2020-06-12 2021-12-16 Lyft, Inc. Systems and methods for deriving path-prior data using collected trajectories
US11565723B2 (en) * 2021-02-19 2023-01-31 Argo AI, LLC Systems and methods for vehicle motion planning
US11884269B2 (en) 2021-02-19 2024-01-30 Argo AI, LLC Systems and methods for determining future intentions of objects
CN113008258B (zh) * 2021-03-02 2024-05-17 京东鲲鹏(江苏)科技有限公司 路径规划方法、装置、设备及存储介质
US11851084B2 (en) * 2021-04-16 2023-12-26 Toyota Research Institute, Inc. Systems and methods for controlling an autonomous vehicle
KR102317430B1 (ko) 2021-05-27 2021-10-26 주식회사 라이드플럭스 자율주행 차량의 주행 계획을 위한 로드 네트워크 맵 생성방법, 서버 및 컴퓨터프로그램
US11897461B2 (en) 2021-09-10 2024-02-13 Ford Global Technologies, Llc Methods and systems for autonomous vehicle collision avoidance
KR20230041183A (ko) * 2021-09-17 2023-03-24 주식회사 모라이 도로의 형상 정보 생성 방법 및 시스템
CN114090560B (zh) * 2021-11-19 2023-12-26 亿咖通(湖北)技术有限公司 一种车道的中心线生成方法、装置、设备及存储介质
CN117555340B (zh) * 2024-01-12 2024-04-09 北京集度科技有限公司 路径规划方法及相关装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150104484A (ko) * 2014-03-05 2015-09-15 국방과학연구소 자율 이동 차량의 경로 생성 방법 및 경로 생성 장치
CN105292116A (zh) * 2014-06-05 2016-02-03 通用汽车环球科技运作有限责任公司 自动驾驶车辆的车道变换路径规划算法
CN108062094A (zh) * 2016-11-09 2018-05-22 通用汽车环球科技运作有限责任公司 基于处理器实现的自主***和方法
CN108604095A (zh) * 2016-11-21 2018-09-28 百度（美国）有限责任公司 动态调整自动驾驶车辆的转向率的方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6385539B1 (en) * 1999-08-13 2002-05-07 Daimlerchrysler Ag Method and system for autonomously developing or augmenting geographical databases by mining uncoordinated probe data
US8718932B1 (en) * 2011-06-01 2014-05-06 Google Inc. Snapping GPS tracks to road segments
US8898016B2 (en) * 2013-03-15 2014-11-25 Applied Minds, Llc Method and apparatus for two-stage planning
JP6396645B2 (ja) * 2013-07-11 2018-09-26 株式会社Ｓｏｋｅｎ 走行経路生成装置
JP5886799B2 (ja) * 2013-08-05 2016-03-16 富士重工業株式会社 車外環境認識装置
DE102015208790A1 (de) * 2015-05-12 2016-11-17 Volkswagen Aktiengesellschaft Bestimmen einer Trajektorie für ein Fahrzeug
JP2017100652A (ja) * 2015-12-04 2017-06-08 株式会社デンソー 走行軌跡生成装置、走行軌跡生成方法
JP6558239B2 (ja) * 2015-12-22 2019-08-14 アイシン・エィ・ダブリュ株式会社 自動運転支援システム、自動運転支援方法及びコンピュータプログラム
JP6294928B1 (ja) * 2016-09-23 2018-03-14 株式会社Ｓｕｂａｒｕ 車両の走行制御装置
JP6823512B2 (ja) * 2017-03-16 2021-02-03 本田技研工業株式会社 経路決定装置、車両制御装置、経路決定方法、およびプログラム
MX2020002028A (es) * 2017-08-24 2020-07-14 Nissan Motor Metodo y dispositivo para controlar desplazamiento de vehiculo de conduccion asistida.
US10606277B2 (en) * 2017-09-18 2020-03-31 Baidu Usa Llc Speed optimization based on constrained smoothing spline for autonomous driving vehicles

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150104484A (ko) * 2014-03-05 2015-09-15 국방과학연구소 자율 이동 차량의 경로 생성 방법 및 경로 생성 장치
CN105292116A (zh) * 2014-06-05 2016-02-03 通用汽车环球科技运作有限责任公司 自动驾驶车辆的车道变换路径规划算法
CN108062094A (zh) * 2016-11-09 2018-05-22 通用汽车环球科技运作有限责任公司 基于处理器实现的自主***和方法
CN108604095A (zh) * 2016-11-21 2018-09-28 百度（美国）有限责任公司 动态调整自动驾驶车辆的转向率的方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11126199B2 (en) * 2018-04-16 2021-09-21 Baidu Usa Llc Learning based speed planner for autonomous driving vehicles
US20210318685A1 (en) * 2020-04-13 2021-10-14 International Business Machines Corporation Autonomous electric vehicle charging optimization based on location, cost and safety using edge computing
CN111862604A (zh) * 2020-07-20 2020-10-30 北京京东乾石科技有限公司 无人车的控制方法及装置、计算机存储介质、电子设备
CN111862604B (zh) * 2020-07-20 2022-03-04 北京京东乾石科技有限公司 无人车的控制方法及装置、计算机存储介质、电子设备
CN113721602A (zh) * 2021-07-28 2021-11-30 广州小鹏自动驾驶科技有限公司 参考线处理方法、装置、设备及存储介质
CN113721602B (zh) * 2021-07-28 2024-04-05 广州小鹏汽车科技有限公司 参考线处理方法、装置、设备及存储介质
CN114435402A (zh) * 2022-02-16 2022-05-06 智道网联科技(北京)有限公司 一种车道线平滑方法、装置和电子设备
CN114435402B (zh) * 2022-02-16 2024-05-31 智道网联科技(北京)有限公司 一种车道线平滑方法、装置和电子设备

Also Published As

Publication number Publication date
US20200122721A1 (en) 2020-04-23
JP6967051B2 (ja) 2021-11-17
EP3643575A1 (en) 2020-04-29
EP3643575B1 (en) 2022-04-20
JP2020066428A (ja) 2020-04-30
US11097748B2 (en) 2021-08-24

Similar Documents

Publication Publication Date Title
CN110667591B (zh) 用于自动驾驶车辆的规划驾驶感知***
CN109947090B (zh) 用于自动驾驶车辆规划的非阻塞边界
CN109489673B (zh) 用于自动驾驶车辆的数据驱动地图更新***
EP3643575B1 (en) A two-step reference line smoothing method to mimic human driving behaviors for autonomous driving cars
CN110096053B (zh) 用于自动驾驶车辆的驾驶轨迹生成方法、***和机器可读介质
CN110389580B (zh) 用于规划自动驾驶车辆的路径的漂移校正的方法
CN108891417B (zh) 用于操作自动驾驶车辆的方法及数据处理***
EP3524934A1 (en) Systems and methods for determining a projection of an obstacle trajectory onto a reference line of an autonomous vehicle
CN111380534B (zh) 用于自动驾驶车辆的基于st图学习的方法
CN108733046B (zh) 用于自动驾驶车辆的轨迹重新规划的***和方法
CN111328411B (zh) 用于自动驾驶车辆的行人概率预测***
CN111247495A (zh) 用于自动驾驶车辆的低速场景的行人交互***
CN110621541B (zh) 用于生成轨迹以操作自动驾驶车辆的方法和***
CN111712417B (zh) 用于自动驾驶车辆的、基于隧道的规划***
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
US11353878B2 (en) Soft-boundary based path optimization for complex scenes for autonomous driving vehicles
CN110955236A (zh) 用于自动驾驶车辆的曲率校正路径采样***
CN111123906A (zh) 不同横向加速度约束下的最优纵向轨迹生成
CN112084830A (zh) 通过基于视觉的感知***检测对抗样本
CN111857118A (zh) 对停车轨迹分段以控制自动驾驶车辆停车
CN111328313B (zh) 用于自动驾驶车辆的控制占主导的三点转弯规划
CN111615476A (zh) 用于自动驾驶车辆的基于螺旋曲线的竖直停车规划***
CN111615618A (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
CN111328385A (zh) 用于自动驾驶车辆的基于螺旋路径的三点转弯规划
CN111615477A (zh) 自动驾驶车辆中的非避开规划***的障碍物过滤的方法

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