CN111338360B - 一种规划车辆行驶状态的方法及装置 - Google Patents

一种规划车辆行驶状态的方法及装置 Download PDF

Info

Publication number
CN111338360B
CN111338360B CN202010416783.7A CN202010416783A CN111338360B CN 111338360 B CN111338360 B CN 111338360B CN 202010416783 A CN202010416783 A CN 202010416783A CN 111338360 B CN111338360 B CN 111338360B
Authority
CN
China
Prior art keywords
vehicle
driving
unmanned vehicle
avoidance
track
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
Application number
CN202010416783.7A
Other languages
English (en)
Other versions
CN111338360A (zh
Inventor
李阔
白钰
贾庆山
任冬淳
莫一林
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.)
Tsinghua University
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Tsinghua University
Beijing Sankuai Online Technology Co Ltd
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 Tsinghua University, Beijing Sankuai Online Technology Co Ltd filed Critical Tsinghua University
Priority to CN202010416783.7A priority Critical patent/CN111338360B/zh
Publication of CN111338360A publication Critical patent/CN111338360A/zh
Application granted granted Critical
Publication of CN111338360B publication Critical patent/CN111338360B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05D1/0214—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
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本说明书公开了一种规划车辆行驶状态的方法及装置，在规划无人驾驶车辆按行驶轨迹行驶的行驶状态时，根据指定位置对行驶轨迹进行划分，得到至少一个子轨迹，并在后续步骤中，针对各子轨迹中的第一子轨迹，得出为确定无人驾驶车辆沿所述行驶轨迹行驶时的行驶状态提供参考的初始行驶状态。进一步地，由于第一子轨迹是行驶轨迹的一部分，因此本说明书以初始行驶状态作为确定整条行驶轨迹对应的行驶状态的参考，则在确定无人驾驶车辆沿整条行驶轨迹行驶时的行驶状态的过程中，将初始行驶状态作为局部最优解，在该局部最优解的基础上寻找全局最优解，而不是盲目的、无方向的寻找全局最优解，使得本说明书中的方法能够提高确定行驶状态的效率。

Description

一种规划车辆行驶状态的方法及装置
技术领域
本说明书涉及无人驾驶技术领域，尤其涉及一种规划车辆行驶状态的方法及装置。
背景技术
目前，具有辅助驾驶功能的车辆以及无人车（以下统称为无人驾驶车辆）作为人工智能技术的重要组成部分，在社会生产、生活中的作用日益凸显，成为引导交通技术发展的主要方向之一。
在现有技术中，无人驾驶车辆可以通过对行驶环境的感知得到环境的各种信息，进而根据得到的各信息确定出无人驾驶车辆在未来时刻的行驶轨迹。此后无人驾驶车辆按照该行驶轨迹行驶，即可到达目的地。
然而按照该行驶轨迹行驶能够采取的行驶状态多种多样，例如，在确定行驶轨迹之后，无人驾驶车辆可以以匀速的方式沿该行驶轨迹行驶，也可以以匀加速的方式沿该行驶轨迹行驶，具体应该以何种行驶状态按该行驶轨迹行驶，以兼顾行驶效率和安全性，成为亟待解决的问题。
发明内容
本说明书实施例提供一种规划车辆行驶状态的方法及装置，以部分的解决现有技术存在的上述问题。
本说明书实施例采用下述技术方案：
本说明书提供的一种规划车辆行驶状态的方法，所述方法包括：
获取为无人驾驶车辆规划的行驶轨迹；
确定所述行驶轨迹途经的指定类型的位置，作为指定位置；
将所述无人驾驶车辆沿所述行驶轨迹行驶时，到达的第一个指定位置所行驶的轨迹，作为第一子轨迹；
根据所述第一个指定位置的环境信息和所述无人驾驶车辆当前的行驶状态，规划得到所述无人驾驶车辆在所述第一子轨迹上的行驶状态，作为所述第一子轨迹对应的初始行驶状态；
根据所述无人驾驶车辆在所述第一子轨迹上的初始行驶状态，规划所述无人驾驶车辆在所述行驶轨迹上行驶时的行驶状态。
可选地，根据所述第一个指定位置的环境信息和所述无人驾驶车辆当前的行驶状态，规划得到所述无人驾驶车辆在所述第一子轨迹上的行驶状态，具体包括：
确定前车当前的行驶状态；
根据所述无人驾驶车辆当前的行驶状态以及所述前车当前的行驶状态，确定以跟车模式跟随所述前车行驶时的跟车行驶状态；
根据第一个指定位置的环境信息，识别位于所述第一个指定位置指定领域范围内的障碍物；
根据识别出的各障碍物的运动状态，判断在以所述跟车行驶状态行驶时，是否会与至少一个障碍物发生碰撞；
若是，则根据所述无人驾驶车辆当前的行驶状态以及所述各障碍物的运动状态，确定以避让模式避开所述各障碍物的避让行驶状态，作为所述无人驾驶车辆在所述第一子轨迹上的行驶状态；
若否，则将所述跟车行驶状态作为所述无人驾驶车辆在所述第一子轨迹上的行驶状态。
可选地，确定以跟车模式跟随所述前车行驶时的跟车行驶状态，具体包括：
获取预先针对所述跟车模式设置的跟车过程模型，所述跟车过程模型由若干跟车子过程模型按第一指定顺序组合构成；每个跟车子过程模型对应有预设的加速度；
根据所述无人驾驶车辆当前的行驶状态以及所述前车当前的行驶状态，确定用于计算各跟车子过程模型对应的持续时长的算法；
针对所述跟车过程模型中的每个跟车子过程模型，通过确定的所述算法，确定该跟车子过程模型对应的持续时长；
根据确定出的每个跟车子过程模型对应的持续时长，确定所述无人驾驶车辆以跟车模式行驶时的跟车行驶状态为：按照所述第一指定顺序，依次以每个跟车子过程模型对应的加速度行驶每个跟车子过程模型对应的持续时长。
可选地，确定以避让模式避开所述各障碍物的避让行驶状态，具体包括：
获取预先针对所述避让模式设置的避让过程模型，所述避让过程模型由若干避让子过程模型按第二指定顺序组合构成；每个避让子过程模型对应有预设的加速度；
根据所述无人驾驶车辆当前的行驶状态、所述各障碍物的运动状态以及所述前车当前的行驶状态，确定用于计算各避让子过程模型对应的持续时长的算法；
针对所述避让过程模型中的每个避让子过程模型，通过确定的所述算法，确定该避让子过程模型对应的持续时长；
根据确定出的每个避让子过程模型对应的持续时长，确定所述无人驾驶车辆以避让模式行驶时的避让行驶状态为：按照所述第二指定顺序，依次以每个避让子过程模型对应的加速度行驶每个避让子过程模型对应的持续时长。
可选地，根据所述无人驾驶车辆在所述第一子轨迹上的初始行驶状态，规划所述无人驾驶车辆在所述行驶轨迹上行驶时的行驶状态，具体包括：
当所述行驶轨迹途经的指定位置为两个以上时，根据所述无人驾驶车辆在所述第一子轨迹上的初始行驶状态，初始化快速搜索随机树RRT；
根据初始化后的RRT，规划所述无人驾驶车辆在所述行驶轨迹上行驶时的行驶状态。
可选地，根据所述无人驾驶车辆在所述第一子轨迹上的初始行驶状态，初始化快速搜索随机树RRT，具体包括：
确定前车当前的行驶状态以及位于所述行驶轨迹指定领域范围内的障碍物当前的运动状态；
根据所述前车当前的行驶状态和所述无人驾驶车辆的行驶轨迹，建立搜索空间；
将所述初始行驶状态映射至所述搜索空间，作为搜索树，并将位于所述行驶轨迹指定领域范围内的障碍物当前的运动状态映射至所述搜索空间，作为所述搜索空间中的障碍物，得到初始化后的RRT。
可选地，根据初始化后的RRT，规划所述无人驾驶车辆在所述行驶轨迹上行驶时的行驶状态，具体包括：
在所述搜索树上确定若干节点；
针对任一节点，确定从该节点向随机方向延伸指定步长后的终点；
判断所述终点是否满足预设条件，其中，所述预设条件为：从该节点到所述终点的连线未途经所述搜索空间中的障碍物且未超出所述搜索空间；
若是，则将所述终点作为节点，并根据该节点到所述终点的连线更新所述搜索树，并根据更新后的搜索树继续确定终点，直至确定出至少一个落入所述搜索空间中指定区域的终点时，根据落入所述搜索空间中指定区域的终点，规划所述无人驾驶车辆在所述行驶轨迹上行驶时的行驶状态；
若否，则重新针对任一节点进行延伸。
可选地，当判断所述终点不满足预设条件时，所述方法还包括：
将本次从该节点的延伸记录为失败；
更新记录的从该节点延伸失败的次数；
当记录的所述次数超过预设次数时，不再从该节点进行延伸。
可选地，根据落入所述搜索空间中指定区域的终点，规划所述无人驾驶车辆在所述行驶轨迹上行驶时的行驶状态，具体包括：
在所述搜索树上，确定从所述搜索树的根节点到落入所述搜索空间中指定区域的终点的轨迹；
分别确定在所述搜索树上确定出的每个轨迹对应的行驶状态，作为所述无人驾驶车辆在所述行驶轨迹上行驶时的备选行驶状态；
确定所述无人驾驶车辆以每个备选行驶状态在所述行驶轨迹上行驶时的行驶效率；
将行驶效率最高的备选行驶状态确定为所述无人驾驶车辆在所述行驶轨迹上行驶时的行驶状态。
本说明书提供的规划车辆行驶状态的装置，包括：
获取模块，用于获取为无人驾驶车辆规划的行驶轨迹；
指定位置确定模块，用于确定所述行驶轨迹途经的指定类型的位置，作为指定位置；
第一子轨迹确定模块，用于将所述无人驾驶车辆沿所述行驶轨迹行驶时，到达的第一个指定位置所行驶的轨迹，作为第一子轨迹；
初始行驶状态确定模块，用于根据所述第一个指定位置的环境信息和所述无人驾驶车辆当前的行驶状态，规划得到所述无人驾驶车辆在所述第一子轨迹上的行驶状态，作为所述第一子轨迹对应的初始行驶状态；
行驶状态确定模块，用于根据所述无人驾驶车辆在所述第一子轨迹上的初始行驶状态，规划所述无人驾驶车辆在所述行驶轨迹上行驶时的行驶状态。
本说明书提供的一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的一种规划车辆行驶状态的方法。
本说明书提供的一种无人驾驶车辆，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述一种规划车辆行驶状态的方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
本说明书实施例中的一种规划车辆行驶状态的方法及装置，在规划无人驾驶车辆按行驶轨迹行驶的行驶状态时，根据指定位置对行驶轨迹进行划分，得到至少一个子轨迹，并在后续步骤中，针对各子轨迹中的第一子轨迹，得出为确定无人驾驶车辆沿所述行驶轨迹行驶时的行驶状态提供参考的初始行驶状态。进一步地，由于第一子轨迹是行驶轨迹的一部分，因此本说明书以初始行驶状态作为确定整条行驶轨迹对应的行驶状态的参考，在确定无人驾驶车辆沿整条行驶轨迹行驶时的行驶状态的过程中，可以将初始行驶状态作为局部最优解，在该局部最优解的基础上寻找全局最优解，而不是盲目的、无方向的寻找全局最优解，使得本说明书中的方法能够较大程度地提高确定行驶状态的效率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书实施例提供的一种规划车辆行驶状态的过程；
图2a为本说明书实施例提供的一种规划车辆行驶状态的过程的示例性的场景示意图；
图2b为本说明书实施例提供的一种规划车辆行驶状态的过程的另一个示例性的场景示意图；
图3为本说明书实施例提供的一种确定初始行驶状态的过程；
图4a为本说明书实施例提供的一种确定以跟车模式跟随所述前车行驶时的跟车行驶状态过程；
图4b为本说明书实施例提供的一种跟车过程模型的结构示意图；
图5a为本说明书实施例提供的一种确定以避让模式跟随所述前车行驶时的跟车行驶状态过程；
图5b为本说明书实施例提供的一种避让过程模型的结构示意图；
图6为本说明书实施例提供的建立初始化快速搜索随机树RRT的过程；
图7为本说明书实施例提供的在所述搜索空间内进行搜索的过程；
图8为本说明书实施例提供的搜索空间示意图；
图9为本说明书实施例提供的一种规划车辆行驶状态的装置的结构示意图；
图10为本说明书实施例提供的对应于图1的一种无人驾驶车辆的部分结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书实施例提供的一种规划车辆行驶状态的过程，具体可包括以下步骤：
S100：获取为无人驾驶车辆规划的行驶轨迹。
为便于说明，下文中的“车辆”即为“无人驾驶车辆”。
在本说明书中，针对行驶轨迹的获取可以是实时的获取，也可以是间隔预设时间获取。该“获取”行驶轨迹的操作，可以是针对用于规划行驶轨迹的行驶轨迹规划模块中的已经规划完成的行驶轨迹的“提取”操作；也可以是根据车辆所处的环境的信息和该车辆要到达的目的地，针对行驶的路线进行的“规划”操作。
其中，行驶轨迹规划模块可以设置在所述车辆中，也可以设置在与所述车辆通信连接的云端服务器中。
本说明书中的车辆可以为具有辅助驾驶功能的车辆和/或无人车。
S102：确定所述行驶轨迹途经的指定类型的位置，作为指定位置。
该指定类型可以通过人为预设的方式确定。该指定类型可以用于表征车辆的本次行驶最为关注的位置。
例如，针对以安全驾驶为前提条件的行驶，可以预先的将该车辆在行驶过程中可能途经的各位置，按照车辆在该位置行驶时可能面临的安全风险的程度，划分至高风险类型、中风险类型和低风险类型。
为了能够最低程度的规避风险，可以将高风险类型作为指定类型，将该高风险类型所涵盖的各位置（例如，路口等位置），作为指定位置。为了较大程度的提高行驶的安全性，可以将高风险类型和中风险类型共同作为指定类型，将该高风险类型所涵盖的各位置和中风险类型所涵盖的各位置（例如，弯道、减速带等位置），共同作为指定位置。
此外，该指定位置不仅仅局限于前述的路口、弯道等道路固有的位置，该指定位置还可以包括道路上临时设置的交通设施，例如用于指示前方为交通事故现场的警示标志所处的位置也可以作为指定位置。
行驶轨迹途经的指定位置的数量和分布，可以根据环境信息、车辆在该环境的位置、行驶轨迹中的至少一种确定。其中，车辆在该环境的位置可以通过定位装置（例如，GPS等）得到。环境信息可以通过采集装置（例如，雷达、摄像机等）对车辆所处的环境进行信息采集得到。在指定位置为道路中的固有位置时，该环境信息还可以从预设的环境地图中得到。
则，该确定指定位置的过程具体可以为：根据所述行驶轨迹，获取行驶轨迹途经的环境的环境信息；根据所述环境信息，识别出所述环境中的各位置；根据预设的指定类型确定规则，在所述环境的各位置中，确定指定位置。
S104：将所述无人驾驶车辆沿所述行驶轨迹行驶时，到达的第一个指定位置所行驶的轨迹，作为第一子轨迹。
由前述内容可知，指定位置为车辆行驶过程中着重关注的位置，当行驶轨迹沿途的指定位置为多个时，该多个指定位置将该行驶轨迹划分为依次相连的多个段，每个段即为一个子轨迹。
例如，将路口作为指定位置时，在如图2a所示的场景中，该行驶轨迹途经的指定位置的数量为两个，该两个指定位置将该行驶轨迹划分为三个段。其中，第一个指定位置与车辆当前位置之间的一段，即为第一子轨迹。以此类推，第一个指定位置与第二个指定位置之间的一段，为第二子轨迹；第二个指定位置与行驶轨迹终点之间的一段，为第三子轨迹。
本说明书中的过程，将行驶轨迹根据其途经各指定位置划分为一个或多个子轨迹，能够将行驶过程中车辆对行驶轨迹中的各位置的关注程度的差异，体现在该行驶轨迹对应的行驶状态上，有利于车辆在按照该行驶状态行驶时高质量的实现本次行驶的目的。
S106：根据所述第一个指定位置的环境信息和所述无人驾驶车辆当前的行驶状态，规划得到所述无人驾驶车辆在所述第一子轨迹上的行驶状态，作为所述第一子轨迹对应的初始行驶状态。
本说明书中，行驶状态可以用于表征车辆行驶时的动态特征。行驶状态可以包括速度、速度方向、加速度、角加速度中的至少一种，则车辆在第一子轨迹上的行驶状态可以为：车辆在第一字轨迹的上的各个位置的行驶状态。
为使得叙述更加简洁明了，下文以行驶状态包括速度和加速度的情形为例进行说明。
在本说明书一个可选的实施场景中，第一子轨迹对应的初始行驶状态是：车辆按第一子轨迹行驶最安全、最效率的行驶状态，即为该第一子轨迹对应的初始行驶状态。
由前述内容可知，车辆能够到达第二子轨迹和第三子轨迹的前提条件是：车辆能够顺利的完成在第一子轨迹上的行驶。则第一子轨迹的行驶状态的质量，相对于其他子轨迹的行驶状态更为关键。
由此，本说明书中的过程，首先确定出对应于第一子轨迹的初始行驶状态，将该初始行驶状态作为参考，以确定车辆按完整的行驶轨迹行驶时的行驶状态。
S108：根据所述无人驾驶车辆在所述第一子轨迹上的初始行驶状态，规划所述无人驾驶车辆在所述行驶轨迹上行驶时的行驶状态。
在得到车辆在第一子轨迹上的初始行驶状态之后，即可以该初始行驶状态为参考，对整个行驶轨迹进行全局性的行驶状态规划。则本步骤得到的行驶状态，是车辆按整个行驶轨迹行驶能够得到的最安全、最效率的行驶状态。
可见，本步骤中的行驶状态规划不仅仅针对除所述第一子轨迹以外的其他子轨迹，还针对该第一子轨迹。即，由本步骤得到的行驶轨迹的行驶状态对应于第一子轨迹的部分，可能与前述步骤中确定的第一子轨迹对应的初始行驶状态不同。
下面对本说明书中所述的规划车辆行驶状态的过程进行详细说明。
为使得本说明书中的内容更加清晰、扼要，以下将针对“确定第一子轨迹对应的初始行驶状态”和“确定行驶轨迹对应的行驶状态”两个部分，分别地对本说明书中的过程的不同阶段分别地进行说明。
一、确定第一子轨迹对应的初始行驶状态。
由前述内容可知，第一子轨迹是车辆能够完成整条行驶轨迹的行驶的首要条件，则全面、综合的处理第一子轨迹对应的、能够为车辆行驶造成影响的各信息，不仅仅能够提高车辆在按第一子轨迹行驶时的效率和安全性，还能够提高后续的车辆按照其他子轨迹行驶时的效率和安全性。
本说明书中的过程，在从行驶轨迹中划分出第一子轨迹之后，由于第一子轨迹的长度较整条行驶轨迹的长度更短，则在针对第一子轨迹的信息处理过程中可供使用的信息处理能力较为充足，可以将更多的环境信息、车辆信息作为确定第一子轨迹对应的初始行驶状态的依据，由此，针对第一子轨迹的信息处理能够得到质量更高、更适于第一子轨迹的初始行驶状态。
如图3所示，该确定初始行驶状态的过程，具体可包括以下步骤：
S300：确定前车当前的行驶状态。
在实际的场景中，环境中可供车辆行驶的道路资源有限，为避免交通拥堵以及降低行驶过程中车辆面临的风险，当该车辆行驶方向上存在同向行驶的其他车辆（该其他车辆可以为人类驾驶的车辆、具有辅助驾驶功能的车辆、无人车等）时，多采用跟随该其他车辆行驶的方式行驶。此时，该位于车辆行驶方向上的其他车辆即为前车。若环境中存在多个与该车辆同向行驶的其他车辆，则将该车辆行驶方向上，距该车辆最近的其他车辆作为前车。该跟随前车行驶的行驶方式，即为跟车模式。
则该确定前车的过程具体可以为：根据环境信息，确定出环境中与所述车辆同向行驶的各其他车辆；比较各其他车辆距所述车辆的距离，将最小距离对应的其他车辆，作为所述车辆的前车。之后，可以根据环境信息，确定出该前车当前的行驶状态和/或对该前车未来的行驶状态进行预测。
该确定前车的过程和/或该确定前车的行驶状态的过程，可以在车辆行驶过程中实时的执行，也可以阶段性的执行。
S302：根据所述无人驾驶车辆当前的行驶状态以及所述前车当前的行驶状态，确定以跟车模式跟随所述前车行驶时的跟车行驶状态。
为提高车辆以跟车模式行驶时的行驶效果，本说明书可以根据实际情况对跟车模型对应的行驶状态进行确定。
在本说明书中，跟车模式可以是车辆行驶过程中默认的行驶模式，在无必要情况发生的条件下，车辆始终以跟车模式行驶。
可选地，当车辆处于跟车模式时，车辆通过借鉴该前车的行驶状态，即可以得到环境中除前车以外的其他车辆的行驶状态，则该车辆对行驶轨迹的规划过程无需处理环境中除前车以外的其他车辆的行驶状态的数据，以有效的降低数据处理的压力，提高确定行驶状态的效率。
S304：根据第一个指定位置的环境信息，识别位于所述第一个指定位置指定领域范围内的障碍物。
第一个指定位置是车辆按第一子轨迹行驶时最为关注的位置，第一指定位置的状况较大程度的决定了车辆应以何种行驶状态按第一子轨迹行驶。
而第一个指定位置的状况通常主要取决于处于第一个指定位置中的各障碍物及障碍物的运动状态。在本步骤中，需要关注的障碍物包括：第一个指定位置指定领域范围内的各其他车辆和行人。
在如图2b所示的场景中，其他车辆A和其他车辆B的位置均落入该指定领域范围内，则该其他车辆A和其他车辆B均可以作为本步骤中的障碍物。其他车辆C虽然对整条行驶轨迹构成影响，但该其他车辆C的位置不在该指定领域范围内，该其他车辆C对车辆行驶至第一指定位置的过程中所面临风险影响较小，则该其他车辆C不是在确定第一子轨迹时所涉及的障碍物。同理，行人E、行人F、行人G和行人H均是本步骤中的障碍物，行人D不是本步骤中的障碍物。
可选地，识别位于所述第一个指定位置指定领域范围内的障碍物的具体步骤可以为：根据第一个指定位置的环境信息，识别出位于第一指定位置的各运动物体，针对各运动物体，根据该运动物体的位置、该运动的运动状态以及预设的指定领域范围，确定该运动物体是否位于或将要位于该指定领域的范围内，若是，则该运动物体为障碍物，若否，则该运动物体不是障碍物。
可见，该第一个指定位置指定领域，可以用于在位于第一个指定位置的各运动物体中，确定出能够对该车辆的行驶造成影响的部分运动物体，作为本步骤中的障碍物。该指定领域可根据预设的指定领域确定规则得到。例如，可以以第一个指定位置的中心（可选地为几何中心）作为圆心，以预设的指定半径做圆，得到的圆形区域即为第一个指定位置的指定领域。可选地，该指定半径可以根据该车辆当前的行驶状态确定，若该车辆当前的行驶速度较大，则该指定半径的取值较大。
S306：根据识别出的各障碍物的运动状态，判断在以所述跟车行驶状态行驶时，是否会与至少一个障碍物发生碰撞。
该识别障碍物的运动状态的过程可以与现有的运动状态识别方法相同或相似。在识别出各障碍物的运动状态之后，即可根据该障碍物的运动状态、第一子轨迹以及步骤S302中确定出的跟车行驶状态，判断是否存在与障碍物发生碰撞的风险。
可选地，该判断的过程具体可以为：针对识别出的每个障碍物，根据该障碍物的运动状态，确定该障碍物的运动轨迹（优选地，确定该障碍物在所述指定领域内的运动轨迹）。判断该运动轨迹是否与车辆的第一行驶轨迹相交，若否，则确定该障碍物与该车辆不会发生碰撞；若是，则确定该障碍物到达该相交的交点的时刻距车辆到达该交点的时刻之间的差值与预设的阈值的关系，若该差值大于预设的阈值，则确定该障碍物与该车辆不会发生碰撞，若该差值小于预设的阈值，则确定该障碍物与该车辆会发生碰撞。
可知，在执行本步骤时，车辆仍然处于跟车模式，车辆的当前行驶状态的规划仍然在借鉴前车的行驶状态。通常，交通环境中的各车辆在行驶时均能够遵守交通规则，由此，各车辆的行驶状态均一定程度的具有可预见性，使得该前车在规划其自身的行驶状态时，能够预见到环境中的其他车辆在未来的行驶状态，则该前车能够将其他车辆对其造成的影响体现在其规划的自身的行驶状态中。该车辆在执行跟车模式时，一定程度的借鉴了前车的行驶状态，使得该车辆能够通过借鉴到的前车的行驶状态，得到环境中的其他车辆的行驶状态。由于前车在规划其自身的行驶状态时，必然会尽量避免与环境中的其他车辆碰撞，则车辆在执行跟车模式时，也较大程度的能够避免与环境中的其他车辆发生碰撞。
但是，环境中的行人的运动状态的可预见性较差，使得指定领域中的行人成为引起碰撞的主要原因。可选地，为简化该判断的过程、提高判断的效率，可以在确定障碍物时，仅将该指定领域范围内的行人作为障碍物，即使有其他车辆位于该指定领域范围内，该其他车辆也不是障碍物。
S308：若无人驾驶车辆会与至少一个障碍物发生碰撞，则根据所述无人驾驶车辆当前的行驶状态以及所述各障碍物的运动状态，确定以避让模式避开所述各障碍物的避让行驶状态，作为所述无人驾驶车辆在所述第一子轨迹上的行驶状态；若否，则将所述跟车行驶状态作为所述无人驾驶车辆在所述第一子轨迹上的行驶状态。
由前述内容可知，跟车模式和避让模式是本说明书确定行驶状态时，车辆的较为重要的行驶模式，现对如何确定该两种行驶模式各自的行驶状态分别的进行介绍。
（1）确定以跟车模式跟随所述前车行驶时的跟车行驶状态。
如图4a所示，确定以跟车模式跟随所述前车行驶时的跟车行驶状态的过程可以为：
S400：获取预先针对所述跟车模式设置的跟车过程模型，所述跟车过程模型由若干跟车子过程模型按第一指定顺序组合构成；每个跟车子过程模型对应有预设的加速度。
本说明书中的跟车过程模型用于确定车辆以跟车模式跟随所述前车，按第一子轨迹行驶时的跟车行驶状态。该跟车过程模型可包括预设的若干个跟车子过程模型，每个跟车子过程模型均对应于一种跟车子行驶状态，车辆按该跟车子行驶状态所行驶的轨迹，对应于第一子轨迹的一部分。
则将各跟车子过程模型对应的跟车子行驶状态，按照预设的第一指定顺序排列，可以得到跟车行驶状态。
可见，该第一指定顺序可以用于表征车辆在以跟车行驶状态行驶时，该车辆执行各跟车子行驶状态的次序。该第一指定顺序可以根据实际的使用场景设定。
各跟车子过程模型对应的跟车子行驶状态的加速度不完全同。该第一指定顺序可以用于表征车辆在以跟车行驶状态行驶时的加速度变化的规律。
如图4b所示，在本说明书一个可选的实施例中，跟车过程模型包括按第一指定顺序排列的：加速跟车子过程模型、匀速跟车子过程模型和减速跟车子过程模型。
本说明书对跟车过程模型所包含的跟车子过程模型的数量不做限制。
S402：根据所述无人驾驶车辆当前的行驶状态以及所述前车当前的行驶状态，确定用于计算各跟车子过程模型对应的持续时长的算法。
确定出跟车过程模型，即确定了跟车过程模型包含的跟车子过程模型的种类、跟车子过程模型的排序以及各个跟车子过程模型进行计算时对应的加速度。此后，需要针对每个跟车子过程模型，确定出该跟车子过程模型对应的持续时长的算法，才能通过该跟车子过程模型得到跟车行驶状态。
在本说明书一个可选的实施例中，确定所述算法的过程为：首先，根据所述车辆当前的行驶状态、所述前车当前的行驶状态以及所述车辆预设的行驶状态极值，确定跟车距离阈值Sp，该跟车距离阈值Sp可以通过以下公式计算获得：
Figure 117687DEST_PATH_IMAGE001
公式（1）
式中：au是车辆的最大加速度，可以为预设值；ad是车辆的最小加速度，可以为预设值；vu是车辆的最大速度，可以为预设值；v0是车辆当前的速度；vco是前车当前的速度。
可选地，该跟车算法可以通过图4b所示的跟车算法确定子模型得到。
为增加确定出的算法的适用性和有效性，本实施例中的过程，根据跟车距离阈值Sp，设计了两套确定各跟车子过程模型对应的持续时长的算法。现针对该两套各跟车子过程模型对应的持续时长的算法分别地进行说明。
1）跟车第一算法。
本算法适用的情形包括： Sco－Ds≥Sp。
仍以图4b所示的跟车过程模型为例进行说明，加速跟车子过程模型预设的加速度为车辆的最大加速度，减速跟车子过程模型预设的加速度为车辆的最小加速度。
在得到跟车距离阈值Sp之后，确定所述车辆距该前车的距离Sco与预设的安全距离Ds的差值。将该差值与所述跟车距离阈值Sp进行比较。若所述差值大于所述跟车距离阈值Sp，即Sco－Ds≥Sp，则计算各跟车子过程模型对应的持续时长（可以将该跟车子过程模型的起始时刻和结束时刻之间的时长，作为该跟车子过程模型对应的持续时长）的算法可以通过以下公式表征：
Figure 565986DEST_PATH_IMAGE002
公式（2）
本说明中，各公式在计算时均以当前时刻作为0时刻，则公式（2）中：tf 1(1)是以跟车第一算法中的加速跟车子过程模型行驶的结束时刻；tf 2(1)是以跟车第一算法中的匀速跟车子过程模型行驶的结束时刻；tf 3(1)是以跟车第一算法中的减速跟车子过程模型行驶的结束时刻；Sco是前车与车辆之间的距离。
2）跟车第二算法。
本算法适用的情形包括： Sco－Ds＜Sp。
若所述差值小于所述跟车距离阈值Sp，即Sco－Ds＜Sp，则根据所述差值、车辆当前的速度v0和前车当前的速度vco，确定跟车模式的标准速度vs，然后根据该标准速度vs计算各跟车子过程模型对应的持续时长。
其中，该标准速度vs可以通过以下公式计算得到：
Figure 876882DEST_PATH_IMAGE003
公式（3）
车辆以各跟车子过程模型行驶的结束时刻，可以通过以下公式表征：
Figure 272091DEST_PATH_IMAGE004
公式（4）
式中：tf 1(2)是以跟车第二算法中的加速跟车子过程模型行驶的结束时刻；tf 2(2)是以跟车第二算法中的匀速跟车子过程模型行驶的结束时刻；tf 3(2)是以跟车第二算法中的减速跟车子过程模型行驶的结束时刻。
S404：针对所述跟车过程模型中的每个跟车子过程模型，通过确定的用于计算各跟车子过程模型对应的持续时长的算法，确定该跟车子过程模型对应的持续时长。
在得到各跟车子过程模型对应的持续时长的算法的基础上，即可将车辆当前的速度等数据代入上述的各跟车子过程模型，得到车辆在该跟车子过程模型的约束下行驶的持续时长，即该跟车子过程模型对应的持续时长。
S406：根据确定出的每个跟车子过程模型对应的持续时长，确定所述无人驾驶车辆以跟车模式行驶时的跟车行驶状态为：按照所述第一指定顺序，依次以每个跟车子过程模型对应的加速度行驶每个跟车子过程模型对应的持续时长。
由前述内容可知，本说明书中的确定跟车行驶状态的过程，一定程度的借鉴前车的行驶状态，使得前车的对其自身做出的行驶状态决策能够部分的体现在该车辆的跟车行驶状态中，有利于节约计算能力，提高数据处理的效率。并且，该跟车子过程模型及其对应的算法的设计，能够使得车辆按跟车行驶状态行驶时，尽快的进入跟随前车的行驶状态，且能够较大程度的提高行驶的安全性。
（2）确定以避让模式避开所述各障碍物的避让行驶状态。
如图5a所示，确定以避让模式避开所述各障碍物的避让行驶状态的过程可以为：
S500：获取预先针对所述避让模式设置的避让过程模型，所述避让过程模型由若干避让子过程模型按第二指定顺序组合构成；每个避让子过程模型对应有预设的加速度。
与前述的“确定以跟车模式跟随所述前车行驶时的跟车行驶状态”过程的思路相似，本说明书中的避让过程模型用于确定车辆以避让模式避开行人，按第一子轨迹行驶时的避让行驶状态。该避让过程模型可包括预设的若干个避让子过程模型，每个避让子过程模型均对应于一种避让子行驶状态，车辆按该避让子行驶状态所行驶的轨迹，对应于第一子轨迹的一部分。
则将各避让子过程模型对应的避让子行驶状态，按照预设的第二指定顺序排列，可以得到避让行驶状态。
该第二指定顺序可以用于表征车辆在以避让行驶状态行驶时，该车辆执行各避让子行驶状态的次序。该第二指定顺序可以根据实际的使用场景进行设定。
各避让子过程模型中的至少两个，在确定其对应的避让子行驶状态时，采用的加速度不同。该第二指定顺序可以用于表征车辆在以避让行驶状态行驶时的加速度变化的规律。
如图5b所示，在本说明书一个可选的实施例中，避让过程模型包括按预设的第二指定顺序排列的：减速第一避让子过程模型、匀速第一避让子过程模型、加速避让子过程模型、匀速第二避让子过程模型、减速第二避让子过程模型。
则车辆在避让障碍物时，首先按照第一避让子过程模型进行减速行驶，以准备避让障碍物。此后，车辆以第二指定顺序按照各个避让子过程模型行驶，由该多个避让子过程模型实现的频繁的运动状态调整，有利于在车辆行驶过程中灵活的躲避障碍物。并且，适当的在第二指定顺序中设置有加速避让子过程模型，能够在避让障碍物的同时保证行驶的效率。
本说明书对避让过程模型所包含的避让子过程模型的数量不做限制，和/或实际使用过程中能够得到有效避让子行驶状态的避让子过程模型的数量不做限制。
本说明书中的避让过程模型可以具有较为固定的模型结构，可以通过控制各避让子过程模型对应的避让子行驶状态的有效性的方式，调整避让过程模型对应的避让行驶状态。
例如，在环境中的障碍物数量较多，和/或障碍物分布较为分散的情况下，若车辆进行加速行驶将会增加碰撞的风险，则可将加速避让子过程模型对应的避让子行驶状态设置为无效输出（可以通过将该避让子行驶状态对应的持续时长设置为0的方式实现）。
S502：根据所述无人驾驶车辆当前的行驶状态、所述各障碍物的运动状态以及所述前车当前的行驶状态，确定用于计算各避让子过程模型对应的持续时长的算法。
在实际的场景中，环境中可能存在多个可能与车辆发生碰撞的障碍物，为减少数据处理的量，可以按照预设的筛选规则，从各障碍物中选取一个或几个（例如选取距车辆最近的障碍物），作为确定避让行驶状态的依据。也可以将如图2b所示的指定领域内的所有障碍物作为确定避让行驶状态的依据。
具体地，可以将指定领域内的所有障碍物，根据该障碍物与当前车辆的距离，由小到大对各障碍物进行排序，得到排序后的障碍物序列。针对障碍物序列中的各障碍物，按次序根据该障碍物距车辆的距离和预计该障碍物离开指定领域的时间，确定在该障碍物影响下的行驶状态，在次序相邻的两个障碍物中，将次序在前的障碍物得到的各避让子过程模型对应的行驶状态，作为次序在后的障碍物在根据各避让子过程模型进行计算时的初始行驶状态，直至遍历所有障碍物。
可选地，该避让算法可以通过图5b所示的避让算法确定子模型得到。
以下，本说明书以指定领域内的所有障碍物作为确定避让行驶状态的依据为例进行说明。
采用如图5b所示避让过程模型，指定领域范围内共有n个障碍物，现以n个障碍物中的第i个障碍物为例，则确定针对该第i个障碍物的所述算法的过程可以为：首先根据预设的公式得出确定该算法所需的各参数，然后根据得到的各参数，确定针对该第i个障碍物的所述算法。
所述参数及确定方法如下：
第一标准速度ve p1：
Figure 368354DEST_PATH_IMAGE005
公式（5）
式中：ti是第i个障碍物离开指定领域的时刻，可以根据环境信息预测得到；si是第i个障碍物距车辆的距离，可以根据环境信息得到；
第二标准速度ve p2：
Figure 190817DEST_PATH_IMAGE006
公式（6）
第一参考速度va：
Figure 989008DEST_PATH_IMAGE007
公式（7）
第二参考速度vb：
Figure 719067DEST_PATH_IMAGE008
公式（8）
第三参考速度vc：
Figure 387946DEST_PATH_IMAGE009
公式（9）
第一参考时间ta：
Figure 912468DEST_PATH_IMAGE010
公式（10）
第二参考时间tb：，
Figure 666797DEST_PATH_IMAGE011
公式（11）
第三参考时间tc：
Figure 184235DEST_PATH_IMAGE012
公式（12）
第一参考距离sa：
Figure 238779DEST_PATH_IMAGE013
公式（13）
第二参考距离sb：
Figure 668623DEST_PATH_IMAGE014
公式（14）
第三参考距离sc：
Figure 441407DEST_PATH_IMAGE015
公式（15）
式中：v0 i是根据第i-1个障碍物得到的各避让子过程模型对应的车辆的速度，作为针对第i个障碍物进行计算时的车辆的初始速度。当i=1时， v0 i= v0。
第四参考距离sd：
Figure 716531DEST_PATH_IMAGE016
公式（16）
第五参考距离se：
Figure 561601DEST_PATH_IMAGE017
公式（17）
第六参考距离sf：
Figure 427926DEST_PATH_IMAGE018
公式（18）
第七参考距离sg：
Figure 156847DEST_PATH_IMAGE019
公式（19）
本实施例中的过程，根据前述的各参数之间的大小关系，设计了六套用于确定车辆以各避让子过程模型行驶的结束时刻的算法，现针对该六套算法分别地进行说明。
1）避让第一算法。
本算法适用的情形可以包括以下任意一种：
Figure 766820DEST_PATH_IMAGE020
ta≥ti，且sa≥si ；
Figure 264798DEST_PATH_IMAGE021
ta＜ti， ta＞tb，sc＜si，且sa≥si。
在避让第一算法中，减速第一避让子过程模型和加速避让子过程模型均对应于有效的避让子行驶状态，其他子过程模型对应于无效的避让子行驶状态。
可以先通过公式（20）计算出减速第一避让子过程模型对应的持续时长结束时车辆的速度v1(1)和加速避让子过程模型对应的持续时长结束时车辆的速度v3(1)。然后，根据v1(1)和v3(1)，通过公式（21）计算车辆以各避让子过程模型行驶的结束时刻。
Figure 567603DEST_PATH_IMAGE022
公式（20）
Figure 518241DEST_PATH_IMAGE023
公式（21）
式中：te 1(1)是避让第一算法中，以减速第一避让子过程模型行驶的结束时刻对应的持续时长；te 2(1)是避让第一算法中，以匀速第一避让子过程模型行驶的结束时刻；te 3(1)是避让第一算法中，以加速避让子过程模型行驶的结束时刻；te 4(1)是避让第一算法中，以匀速第二避让子过程模型行驶的结束时刻；te 5(1)是避让第一算法中，以减速第二避让子过程模型行驶的结束时刻。
2）避让第二算法。
本算法适用的情形可以包括以下任意一种：
Figure 682638DEST_PATH_IMAGE020
ta≥ti，，sa＜si，且sb≥si ；
Figure 566280DEST_PATH_IMAGE021
ta＜ti，ta＞tb，sc＜si，sa＜si，且sb≥si；
Figure 508828DEST_PATH_IMAGE024
ta＜ti，ta≤tb，ta＞tc，sd＜si，se＜si，且sb≥si。
在避让第二算法中，减速第一避让子过程模型、加速避让子过程模型和减速第二避让子过程模型均对应于有效的避让子行驶状态，其他子过程模型对应于无效的避让子行驶状态。
可以先通过公式（22）计算出减速第一避让子过程模型对应的持续时长结束时车辆的速度v1(2)，和加速避让子过程模型对应的持续时长结束时车辆的速度v3(2)。然后，根据v1(2)和v3(2)，通过公式（23）计算车辆以各避让子过程模型行驶的结束时刻。
Figure 477921DEST_PATH_IMAGE025
公式（22）
Figure 898538DEST_PATH_IMAGE026
公式（23）
式中：te 1(2)是避让第二算法中，以减速第一避让子过程模型行驶的结束时刻；te 2(2)是避让第二算法中，以匀速第一避让子过程模型行驶的结束时刻；te 3(2)是避让第二算法中，以加速避让子过程模型行驶的结束时刻；te 4(2)是避让第二算法中，以匀速第二避让子过程模型行驶的结束时刻；te 5(2)是避让第二算法中，以减速第二避让子过程模型行驶的结束时刻。
3）避让第三算法。
本算法适用的情形可以包括以下任意一种：
Figure 902266DEST_PATH_IMAGE020
ta＜ti，ta＞tb，且sc≥si；
Figure 15716DEST_PATH_IMAGE021
ta＜ti，ta≤tb，ta≤tc，且sd≥si；
Figure 721373DEST_PATH_IMAGE024
ta＜ti，ta≤tb，ta＞tc，且sd≥si 。
在避让第三算法中，减速第一避让子过程模型、匀速第一避让子过程模型、加速避让子过程模型均对应于有效的避让子行驶状态，其他子过程模型对应于无效的避让子行驶状态。
可以通过公式（24）计算车辆以各避让子过程模型行驶的结束时刻。
Figure 945681DEST_PATH_IMAGE027
公式（24）
式中：te 1(3)是避让第三算法中，以减速第一避让子过程模型行驶的结束时刻；te 2(3)是避让第三算法中，以匀速第一避让子过程模型行驶的结束时刻；te 3(3)是避让第三算法中，以加速避让子过程模型行驶的结束时刻；te 4(3)是避让第三算法中，以匀速第二避让子过程模型行驶的结束时刻；te 5(3)是避让第三算法中，以减速第二避让子过程模型行驶的结束时刻。
4）避让第四算法。
本算法适用的情形可以包括以下任意一种：
Figure 538336DEST_PATH_IMAGE020
ta≥ti，sa＜si，且sb＜si；
Figure 353845DEST_PATH_IMAGE021
ta＜ti，ta＞tb，sc＜si，sa＜si，且sb＜si；
Figure 766372DEST_PATH_IMAGE024
ta＜ti，ta≤tb，ta＞tc，sd＜si，se＜si，且sb＜si；
Figure 325529DEST_PATH_IMAGE028
ta＜ti，ta≤tb，ta≤tc，sd＜si，sf≥si，且sg＜si。
在避让第四算法中，减速第一避让子过程模型、加速避让子过程模型、匀速第二避让子过程模型、减速第二避让子过程模型均对应于有效的避让子行驶状态，其他子过程模型对应于无效的避让子行驶状态。
可以通过公式（25）计算出减速第一避让子过程模型对应的持续时长结束时车辆的速度v1(4)。然后，根据v1(4)，通过公式（26）计算车辆以各避让子过程模型行驶的结束时刻。
Figure 507112DEST_PATH_IMAGE029
公式（25）
Figure 978676DEST_PATH_IMAGE030
公式（26）
式中：te 1(4)是避让第四算法中，以减速第一避让子过程模型行驶的结束时刻；te 2(4)是避让第四算法中，以匀速第一避让子过程模型行驶的结束时刻；te 3(4)是避让第四算法中，以加速避让子过程模型行驶的结束时刻；te 4(4)是避让第四算法中，以匀速第二避让子过程模型行驶的结束时刻；te 5(4)是避让第四算法中，以减速第二避让子过程模型行驶的结束时刻。
5）避让第五算法。
本算法适用的情形可以包括以下任意一种：
Figure 878499DEST_PATH_IMAGE020
ta＜ti，ta≤tb，ta＞tc，sd＜si，且se≥si；
Figure 975768DEST_PATH_IMAGE021
ta＜ti，ta≤tb，ta≤tc，sd＜si，且sf≥si。
在避让第五算法中，减速第一避让子过程模型、匀速第一避让子过程模型、加速避让子过程模型、减速第二避让子过程模型均对应于有效的避让子行驶状态，其他子过程模型对应于无效的避让子行驶状态。
可以通过公式（27）计算出加速避让子过程模型对应的持续时长结束时车辆的速度v3(5)。然后，根据v3(5)，通过公式（28）计算车辆以各避让子过程模型行驶的结束时刻。
Figure 277436DEST_PATH_IMAGE031
公式（27）
Figure 169169DEST_PATH_IMAGE032
公式（28）
式中：te 1(5)是避让第五算法中，以减速第一避让子过程模型行驶的结束时刻；te 2(5)是避让第五算法中，以匀速第一避让子过程模型行驶的结束时刻；te 3(5)是避让第五算法中，以加速避让子过程模型行驶的结束时刻；te 4(5)是避让第五算法中，以匀速第二避让子过程模型行驶的结束时刻；te 5(5)是避让第五算法中，以减速第二避让子过程模型行驶的结束时刻。
6）避让第六算法。
本算法适用的情形可以包括：
Figure 87446DEST_PATH_IMAGE020
ta＜ti，ta≤tb，ta≤tc，sd＜si，sf≥si，且sg≥si。
在避让第六算法中，减速第一避让子过程模型、匀速第一避让子过程模型、加速避让子过程模型、匀速第二避让子过程模型、减速第二避让子过程模型均对应于有效的避让子行驶状态。
可以通过公式（29）计算车辆以各子过程模型行驶的结束时刻。
Figure 457247DEST_PATH_IMAGE033
公式（29）
式中：te 1(6)是避让第六算法中，以减速第一避让子过程模型行驶的结束时刻；te 2(6)是避让第六算法中，以匀速第一避让子过程模型行驶的结束时刻；te 3(6)是避让第六算法中，以加速避让子过程模型行驶的结束时刻；te 4(6)是避让第六算法中，以匀速第二避让子过程模型行驶的结束时刻；te 5(6)是避让第六算法中，以减速第二避让子过程模型行驶的结束时刻。
在通过上述各避让算法进行计算时，针对第i个障碍物计算得到的避让模式结束时车辆的速度，可以作为针对第i+1个障碍物计算避让行驶状态时的车辆的初始速度。
S504：针对所述避让过程模型中的每个避让子过程模型，通过确定的用于计算各避让子过程模型对应的持续时长的算法，确定该避让子过程模型对应的持续时长。
在得到各避让子过程模型对应的持续时长的算法的基础上，即可将车辆当前的速度等数据代入上述的各避让子过程模型，得到车辆在该避让子过程模型的约束下行驶的持续时长，即该避让子过程模型对应的持续时长。
S506：根据确定出的每个避让子过程模型对应的持续时长，确定所述无人驾驶车辆以避让模式行驶时的避让行驶状态为：按照所述第二指定顺序，依次以每个避让子过程模型对应的加速度行驶每个避让子过程模型对应的持续时长。
本说明书中通过避让过程模型得到的避让行驶状态，以跟车行驶状态为基础的安全性更高的行驶状态。通过公式（5）中的第一标准速度ve p1的计算方法可以看出，前车的行驶状态是确定避让行驶状态的依据之一，则本说明书中的过程能够将前车对车辆的影响体现在得到的避让行驶状态中，使得车辆能够在按避让行驶状态行驶时，既能够躲避障碍物，又能够有效的应对前车带来的影响。
进一步地，本说明书将前车的行驶状态作为确定避让行驶状态的依据之一，可以提高跟车行驶状态和避让行驶状态之间的协调性。当车辆从跟车行驶状态切换至避让行驶状态时，能够避免该切换带来的车辆晃动、急刹车等影响车辆中乘客的体验的现象。
可见，本说明书中的过程，在规划车辆按行驶轨迹行驶的行驶状态时，根据指定位置对行驶轨迹进行划分，得到至少一个子轨迹，并在后续步骤中，针对各子轨迹中的第一子轨迹，得出为确定车辆沿所述行驶轨迹行驶时的行驶状态提供参考的初始行驶状态。
二、确定行驶轨迹对应的行驶状态。
本说明书采用快速搜索随机树RRT（Rapidly-exploring Random Tree），根据前述步骤得到的车辆在第一子轨迹上的初始行驶状态，确定行驶轨迹对应的行驶状态。
具体地，当所述行驶轨迹途经的指定位置为两个以上时，可以根据所述车辆在第一子轨迹上的初始行驶状态，初始化快速搜索随机树RRT。然后，根据初始化后的RRT，规划所述车辆在所述行驶轨迹上行驶时的行驶状态。
本说明书以初始行驶状态作为确定行驶轨迹对应的行驶状态的参考，则在相应的信息处理过程中，在确定车辆沿整条行驶轨迹行驶时的行驶状态的过程中，可以将初始行驶状态作为局部最优解，在该局部最优解的基础上寻找全局最优解，而不是盲目的、无方向的寻找全局最优解，使得本说明书中的方法能够较大程度地提高确定行驶状态的效率。
以下将根据“建立初始化快速搜索随机树RRT”、“在所述搜索空间内进行搜索”两个部分，对该确定行驶轨迹对应的行驶状态的过程进行进一步说明。
（1）建立初始化快速搜索随机树RRT。
如图6所示，该建立初始化快速搜索随机树RRT的过程可以包括：
S600：确定前车当前的行驶状态以及位于所述行驶轨迹指定领域范围内的障碍物当前的运动状态。
可以根据环境信息确定指定领域范围内的各障碍物当前的运动状态。该障碍物的运动状态可以包括：速度、加速度、运动方向、该障碍物历史时刻中的运动轨迹中的至少一种。
之后，可以根据环境信息和该障碍物当前的运动状态，预测该障碍物未来时刻的运动状态。可选地，可以将初始行驶状态对应的时长，作为该预测的预测时长。
S602：根据所述前车当前的行驶状态和所述无人驾驶车辆的行驶轨迹，建立搜索空间。
本说明书以建立二维的搜索空间为例进行说明。建立搜索空间时，首先需建立对应于该搜索空间的坐标系。则可以将当前时刻和车辆当前的位置作为坐标原点，未来的各时刻作为横坐标轴，车辆沿所述行驶轨迹行驶时的行驶距离作为搜索空间的纵坐标轴。
然后，在该坐标系中，以行驶轨迹的最大规划时长作为搜索空间的最大横坐标，以行驶轨迹的最大规划距离作为搜索空间的最大纵坐标，该最大横坐标和最大纵坐标之间的区域，可以作为搜索空间。
此外，建立搜索空间时，还可以根据车辆的最大行驶速度vu对该最大横坐标和最大纵坐标之间的区域进行分割，将分割得到的各区域中，小于最大行驶速度vu的区域，作为搜索空间，以压缩搜索空间，提升搜索效率。
例如，可以坐标原点为起点，以最大行驶速度vu为斜率绘制直线，该直线将搜索空间分割为如图8中所示的两个部分。其中。小于最大行驶速度vu的区域，即图8中的灰色三角形，作为搜索空间。该搜索空间相较于该最大横坐标和最大纵坐标之间的区域尺寸较小，则能够减少所需处理的数据的量，以提高效率。
进一步地，在避让模式中，为灵活的避让障碍物，车辆不宜以过大的速度行驶，例如，车辆应继续跟随前车行驶，并在跟车的过程中避让障碍物。则可以根据环境信息确定前车当前的行驶状态。然后根据环境信息和前车当前的行驶状态，预测前车未来时刻的行驶状态。然后将预测的前车在未来时刻的行驶状态映射至搜索空间中，在该搜索空间中得到的对应于前车在未来时刻的行驶状态的图形（该图形可以为线条，也可以为点或线段），该图形在后续步骤中，可以作为确定行驶轨迹对应的行驶状态的参照图形。之后，通过该参照图形对搜索空间进行划分，将划分后得到的各部分中，位于前车后方的区域，作为搜索空间。
在图8所示的实施例中，参照图形已经有部分进入了灰色三角形的搜索空间，则应确定参照图形与搜索空间围成的区域γ，不是搜索空间。
可选地，在预测前车未来时刻的行驶状态时，可以将行驶轨迹的最大规划时长，作为该预测的预测时长。
可选地，在建立搜索空间时，可以根据车辆的行驶轨迹，对搜索空间的坐标系和搜索空间内的各图形进行归一化，然后根据该归一化后的参数、图形建立的搜索空间。该对参数、图形进行归一化可以通过以下公式进行：
Figure 128269DEST_PATH_IMAGE034
公式（30）
式中：s是归一化后的距离；s’是车辆沿所述行驶轨迹行驶的距离；t是归一化后的未来的各时刻；t’是未来的各时刻；t’max是行驶轨迹的持续时长。
通过公式（30）可知，为得到搜索空间，在对车辆沿所述行驶轨迹行驶时的行驶距离进行归一化时，还将车辆的最大行驶速度vu应用到了计算的过程中，以将车辆自身的性能属性体现在该搜索空间中，增加根据该搜索空间得到的行驶轨迹的行驶状态的综合性和适用性。
在本说明书一个可选的实施例中，该搜索空间以及归一化后的前车的行驶状态对应的图形可以如图8所示。图8中的sr是将行驶轨迹的最大规划距离归一化得到的，tr是将行驶轨迹的最大规划时长归一化得到的，s’co是当前时刻前车距车辆的距离s’co通过公式（30）计算得到的。
S604：将所述初始行驶状态映射至所述搜索空间，作为搜索树，并将位于所述行驶轨迹指定领域范围内的障碍物当前的运动状态映射至所述搜索空间，作为所述搜索空间中的障碍物，得到初始化后的RRT。
在得到搜索空间之后，可以对该搜索空间进行初始化，以为后续的搜索步骤做准备。
可选地，在确定搜索树时，可以将所述初始行驶状态通过前述的公式（30）映射至所述搜索空间，将映射得到的图形作为搜索树。在本说明书一个可选的实施例中，该初始化过程得到的搜索树如图8所示。由于车辆按照跟车模式行驶时不会超过前车，则在图8中，搜索树位于参照图形的下方。
可选地，在针对障碍物进行映射时，可以将根据障碍物当前的运动状态预测得到的障碍物在未来时刻的运动状态，过前述的公式（30）映射至所述搜索空间，将映射得到的图形作为所述搜索空间中的障碍物，该搜索空间中的障碍物用于表征映射后的障碍物未来时刻的运动状态。
本说明书在将指定领域范围内的行人作为障碍物时，得到的搜索空间中的如图8所示。由于行人的移动速度较小，且行人对车辆的影响主要体现在行人横穿马路时（此时，行驶沿行驶轨迹的延伸方向的移动较小），则图8中的搜索空间中的障碍物随时间的延续，其距离变化不大。
至此，完成了建立初始化快速搜索随机树RRT。
（2）在所述搜索空间内进行搜索。
在搜索空间内进行搜索以得到可以用于确定车辆在所述行驶轨迹上行驶时的行驶状态的完整的搜索树。如图7所示，该搜索的过程可以包括：
S700：在所述搜索树上确定若干节点。
在本说明书一个可选的实施例中，确定出的搜索树上的节点可以如图8所示。为降低运算量，可以以搜索树的起点（搜索空间的坐标原点）为始，根据预设的节点确定步长，每间隔该节点确定步长确定一个节点，则得到的各节点沿搜索树均匀分布。
S702：针对任一节点，确定从该节点向随机方向延伸指定步长后的终点。
可选地，可以在所述搜索空间中随机选取除搜索树上的点以外随机点（该随机点至少可以用于确定延伸的方向），在各节点中，确定距该随机点距离最近的节点，由该距离最近的节点向该随机点延伸指定步长。
可以预设指定步长区间，在延伸时，在该指定步长区间内随机选取一步长作为指定步长。
S704：判断所述终点是否满足预设条件，其中，所述预设条件可以为：从该节点到所述终点的连线未途经所述搜索空间中的障碍物且未超出所述搜索空间。
其中，预设条件还可以为：车辆的行驶状态从该距离最近的节点对应的行驶状态切换至该终点对应的行驶状态时，车辆所需做出的调整符合预设的车辆运动学约束。
S706：若所述终点满足预设条件，则将所述终点作为新的节点，并根据该节点到所述新的节点的连线更新所述搜索树，并根据更新后的搜索树继续确定新的终点，直至确定出至少一个落入所述搜索空间中指定区域的终点时，根据落入所述搜索空间中指定区域的终点，规划所述无人驾驶车辆在所述行驶轨迹上行驶时的行驶状态。
搜索空间中的指定区域（如图8所示的区域ε）的终点可以为搜索空间的出口，有节点落入该指定区域的终点表明确定行驶轨迹对应的行驶状态已经得到了至少一个解。
其中，根据落入所述搜索空间中指定区域的终点，规划所述车辆在所述行驶轨迹上行驶时的行驶状态，具体可以包括：在所述搜索树上，确定从所述搜索树的根节点到落入所述搜索空间中指定区域的终点的轨迹。分别确定在所述搜索树上确定出的每个轨迹对应的行驶状态，作为所述车辆在所述行驶轨迹上行驶时的备选行驶状态。确定所述车辆以每个备选行驶状态在所述行驶轨迹上行驶时的行驶效率。将行驶效率最高的备选行驶状态确定为所述车辆在所述行驶轨迹上行驶时的行驶状态。车辆按该行驶状态在行驶轨迹上行驶时效率最高、安全性最高。
S708：若所述终点不满足预设条件，则重新针对任一节点进行延伸。
可选地，在所述终点不满足预设条件时，还可以将本次从该节点的延伸记录为失败，更新记录的从该节点延伸失败的次数，当记录的所述次数超过预设次数时，表明车辆处于该点对应的行驶状态和位置时，行驶状态的可调整余地较小，则不再从该节点进行延伸，后续步骤将针对除该节点以外的其他节点，通过前述各步骤进行延伸。
可见，通过本说明书中的方法，能够在延伸的过程中限制针对不适于延伸的节点的延伸，能够有效的减少后续步骤中搜索树上可供扩展的点，以减少扩展的数据处理的量，提高数据的处理效率，避免资源的浪费。
本说明书提供的上述规划车辆行驶状态的过程具体可应用于使用无人车进行配送的领域，如，使用在无人车进行快递、外卖等配送的场景中。具体的，在上述的场景中，可使用多个无人车所构成的自动驾驶车队进行配送。
基于同样的思路，本说明书实施例还提供了对应于图1所示过程的规划车辆行驶状态的装置，该规划车辆行驶状态的装置如图9所示。
图9为本说明书实施例提供的一种规划车辆行驶状态的装置的结构示意图，该规划车辆行驶状态的装置可以包括：
获取模块900，用于获取为无人驾驶车辆规划的行驶轨迹；
指定位置确定模块902，用于确定所述行驶轨迹途经的指定类型的位置，作为指定位置；
第一子轨迹确定模块904，用于将所述无人驾驶车辆沿所述行驶轨迹行驶时，到达的第一个指定位置所行驶的轨迹，作为第一子轨迹；
初始行驶状态确定模块906，用于根据所述第一个指定位置的环境信息和所述无人驾驶车辆当前的行驶状态，规划得到所述无人驾驶车辆在所述第一子轨迹上的行驶状态，作为所述第一子轨迹对应的初始行驶状态；
行驶状态确定模块908，用于根据所述无人驾驶车辆在所述第一子轨迹上的初始行驶状态，规划所述无人驾驶车辆在所述行驶轨迹上行驶时的行驶状态。
其中，获取模块900、指定位置确定模块902、第一子轨迹确定模块904、初始行驶状态确定模块906、行驶状态确定模块908依次电连接。
可选地，初始行驶状态确定模块906可以包括：前车行驶状态确定子模块9060、跟车行驶状态子模块9062、障碍物子模块9064、碰撞判断子模块9066和确定子模块9068。
其中，前车行驶状态确定子模块9060、跟车行驶状态子模块9062、障碍物子模块9064、碰撞判断子模块9066和确定子模块9068依次电连接，且，确定子模块9068还与跟车行驶状态子模块9062电连接。
前车行驶状态确定子模块9060，用于确定前车当前的行驶状态。
跟车行驶状态子模块9062，用于根据所述无人驾驶车辆当前的行驶状态以及所述前车当前的行驶状态，确定以跟车模式跟随所述前车行驶时的跟车行驶状态。
障碍物子模块9064，用于根据第一个指定位置的环境信息，识别位于所述第一个指定位置指定领域范围内的障碍物。
碰撞判断子模块9066，用于根据识别出的各障碍物的运动状态，判断在以所述跟车行驶状态行驶时，是否会与至少一个障碍物发生碰撞。
确定子模块9068，用于若会与至少一个障碍物发生碰撞，则根据所述无人驾驶车辆当前的行驶状态以及所述各障碍物的运动状态，确定以避让模式避开所述各障碍物的避让行驶状态，作为所述无人驾驶车辆在所述第一子轨迹上的行驶状态；若否，则将所述跟车行驶状态作为所述无人驾驶车辆在所述第一子轨迹上的行驶状态。
可选地，跟车行驶状态子模块9062可以包括：依次电连接的跟车过程模型获取单元90620、跟车算法确定单元90622、跟车持续时长确定单元90624、跟车行驶状态单元90626。
跟车过程模型获取单元90620，用于获取预先针对所述跟车模式设置的跟车过程模型，所述跟车过程模型由若干跟车子过程模型按第一指定顺序组合构成；每个跟车子过程模型对应有预设的加速度。
跟车算法确定单元90622，用于根据所述无人驾驶车辆当前的行驶状态以及所述前车当前的行驶状态，确定用于计算各跟车子过程模型对应的持续时长的算法。
跟车持续时长确定单元90624，用于针对所述跟车过程模型中的每个跟车子过程模型，通过确定的用于计算各跟车子过程模型对应的持续时长的算法，确定该跟车子过程模型对应的持续时长。
跟车行驶状态单元90626，用于根据确定出的每个跟车子过程模型对应的持续时长，确定所述无人驾驶车辆以跟车模式行驶时的跟车行驶状态为：按照所述第一指定顺序，依次以每个跟车子过程模型对应的加速度行驶每个跟车子过程模型对应的持续时长。
可选地，确定子模块还可以用于：获取预先针对所述避让模式设置的避让过程模型，所述避让过程模型由若干避让子过程模型按第二指定顺序组合构成；每个避让子过程模型对应有预设的加速度；根据所述无人驾驶车辆当前的行驶状态、所述各障碍物的运动状态以及所述前车当前的行驶状态，确定用于计算各避让子过程模型对应的持续时长的算法；针对所述避让过程模型中的每个避让子过程模型，通过确定的用于计算各避让子过程模型对应的持续时长的算法，确定该避让子过程模型对应的持续时长；根据确定出的每个避让子过程模型对应的持续时长，确定所述无人驾驶车辆以避让模式行驶时的避让行驶状态为：按照所述第二指定顺序，依次以每个避让子过程模型对应的加速度行驶每个避让子过程模型对应的持续时长。
可选地，行驶状态确定模块908可以包括：电连接的初始化子模块9080和规划子模块9082。
初始化子模块9080，用于当所述行驶轨迹途经的指定位置为两个以上时，根据所述无人驾驶车辆在所述第一子轨迹上的初始行驶状态，初始化快速搜索随机树RRT。
规划子模块9082，用于根据初始化后的RRT，规划所述无人驾驶车辆在所述行驶轨迹上行驶时的行驶状态。
可选地，初始化子模块9080可以包括：依次电连接的障碍物运动状态单元90800、搜索空间建立单元90802、初始化单元90804。
障碍物运动状态单元90800，用于确定前车当前的行驶状态以及位于所述行驶轨迹指定领域范围内的障碍物当前的运动状态。
搜索空间建立单元90802，用于根据所述前车当前的行驶状态和所述无人驾驶车辆的行驶轨迹，建立搜索空间。
初始化单元90804，用于将所述初始行驶状态映射至所述搜索空间，作为搜索树，并将位于所述行驶轨迹指定领域范围内的障碍物当前的运动状态映射至所述搜索空间，作为所述搜索空间中的障碍物，得到初始化后的RRT。
可选地，规划子模块9082可以包括：依次电连接的节点确定单元90820、终点确定单元90822、判断单元90824、执行单元90826。
节点确定单元90820，用于在所述搜索树上确定若干节点。
终点确定单元90822，用于针对任一节点，确定从该节点向随机方向延伸指定步长后的终点。
判断单元90824，用于判断所述终点是否满足预设条件，其中，所述预设条件为：从该节点到所述终点的连线未途经所述搜索空间中的障碍物且未超出所述搜索空间。
执行单元90826，用于在所述终点满足预设条件时，将所述终点作为节点，并根据该节点到所述终点的连线更新所述搜索树，并根据更新后的搜索树继续确定终点，直至确定出至少一个落入所述搜索空间中指定区域的终点时，根据落入所述搜索空间中指定区域的终点，规划所述无人驾驶车辆在所述行驶轨迹上行驶时的行驶状态。在所述终点不满足预设条件时，重新针对任一节点进行延伸。
可选地，执行单元90826还可以用于，当判断所述终点不满足预设条件时，将本次从该节点的延伸记录为失败，更新记录的从该节点延伸失败的次数，当记录的所述次数超过预设次数时，不再从该节点进行延伸。
可选地，执行单元90826在根据落入所述搜索空间中指定区域的终点，规划所述无人驾驶车辆在所述行驶轨迹上行驶时的行驶状态时，还可以用于，在所述搜索树上，确定从所述搜索树的根节点到落入所述搜索空间中指定区域的终点的轨迹。分别确定在所述搜索树上确定出的每个轨迹对应的行驶状态，作为所述无人驾驶车辆在所述行驶轨迹上行驶时的备选行驶状态。确定所述无人驾驶车辆以每个备选行驶状态在所述行驶轨迹上行驶时的行驶效率。将行驶效率最高的备选行驶状态确定为所述无人驾驶车辆在所述行驶轨迹上行驶时的行驶状态。
本说明书实施例还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的预测目标物轨迹的过程。
本说明书实施例还提出了图10所示的一种无人驾驶车辆的部分结构示意结构图。如图10，在硬件层面，该无人驾驶车辆包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的预测目标物轨迹的过程。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、***或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (12)

1.一种规划车辆行驶状态的方法，其特征在于，所述方法包括：
获取为无人驾驶车辆规划的行驶轨迹；
确定所述行驶轨迹途经的指定类型的位置，作为指定位置；
将所述无人驾驶车辆沿所述行驶轨迹行驶时，到达的第一个指定位置所行驶的轨迹，作为第一子轨迹；
根据所述第一个指定位置的环境信息和所述无人驾驶车辆当前的行驶状态，规划得到所述无人驾驶车辆在所述第一子轨迹上的行驶状态，作为所述第一子轨迹对应的初始行驶状态；
根据所述无人驾驶车辆在所述第一子轨迹上的初始行驶状态，规划所述无人驾驶车辆在所述行驶轨迹上行驶时的行驶状态。
2.如权利要求1所述的方法，其特征在于，根据所述第一个指定位置的环境信息和所述无人驾驶车辆当前的行驶状态，规划得到所述无人驾驶车辆在所述第一子轨迹上的行驶状态，具体包括：
确定前车当前的行驶状态；
根据所述无人驾驶车辆当前的行驶状态以及所述前车当前的行驶状态，确定以跟车模式跟随所述前车行驶时的跟车行驶状态；
根据第一个指定位置的环境信息，识别位于所述第一个指定位置指定领域范围内的障碍物；
根据识别出的各障碍物的运动状态，判断在以所述跟车行驶状态行驶时，是否会与至少一个障碍物发生碰撞；
若是，则根据所述无人驾驶车辆当前的行驶状态以及所述各障碍物的运动状态，确定以避让模式避开所述各障碍物的避让行驶状态，作为所述无人驾驶车辆在所述第一子轨迹上的行驶状态；
若否，则将所述跟车行驶状态作为所述无人驾驶车辆在所述第一子轨迹上的行驶状态。
3.如权利要求2所述的方法，其特征在于，确定以跟车模式跟随所述前车行驶时的跟车行驶状态，具体包括：
获取预先针对所述跟车模式设置的跟车过程模型，所述跟车过程模型由若干跟车子过程模型按第一指定顺序组合构成；每个跟车子过程模型对应有预设的加速度；
根据所述无人驾驶车辆当前的行驶状态以及所述前车当前的行驶状态，确定用于计算各跟车子过程模型对应的持续时长的算法；
针对所述跟车过程模型中的每个跟车子过程模型，通过确定的所述算法，确定该跟车子过程模型对应的持续时长；
根据确定出的每个跟车子过程模型对应的持续时长，确定所述无人驾驶车辆以跟车模式行驶时的跟车行驶状态为：按照所述第一指定顺序，依次以每个跟车子过程模型对应的加速度行驶每个跟车子过程模型对应的持续时长。
4.如权利要求2所述的方法，其特征在于，确定以避让模式避开所述各障碍物的避让行驶状态，具体包括：
获取预先针对所述避让模式设置的避让过程模型，所述避让过程模型由若干避让子过程模型按第二指定顺序组合构成；每个避让子过程模型对应有预设的加速度；
根据所述无人驾驶车辆当前的行驶状态、所述各障碍物的运动状态以及所述前车当前的行驶状态，确定用于计算各避让子过程模型对应的持续时长的算法；
针对所述避让过程模型中的每个避让子过程模型，通过确定的所述算法，确定该避让子过程模型对应的持续时长；
根据确定出的每个避让子过程模型对应的持续时长，确定所述无人驾驶车辆以避让模式行驶时的避让行驶状态为：按照所述第二指定顺序，依次以每个避让子过程模型对应的加速度行驶每个避让子过程模型对应的持续时长。
5.如权利要求1-4任一项所述的方法，其特征在于，根据所述无人驾驶车辆在所述第一子轨迹上的初始行驶状态，规划所述无人驾驶车辆在所述行驶轨迹上行驶时的行驶状态，具体包括：
当所述行驶轨迹途经的指定位置为两个以上时，根据所述无人驾驶车辆在所述第一子轨迹上的初始行驶状态，初始化快速搜索随机树RRT；
根据初始化后的RRT，规划所述无人驾驶车辆在所述行驶轨迹上行驶时的行驶状态。
6.如权利要求5所述的方法，其特征在于，根据所述无人驾驶车辆在所述第一子轨迹上的初始行驶状态，初始化快速搜索随机树RRT，具体包括：
确定前车当前的行驶状态以及位于所述行驶轨迹指定领域范围内的障碍物当前的运动状态；
根据所述前车当前的行驶状态和所述无人驾驶车辆的行驶轨迹，建立搜索空间；
将所述初始行驶状态映射至所述搜索空间，作为搜索树，并将位于所述行驶轨迹指定领域范围内的障碍物当前的运动状态映射至所述搜索空间，作为所述搜索空间中的障碍物，得到初始化后的RRT。
7.如权利要求6所述的方法，其特征在于，根据初始化后的RRT，规划所述无人驾驶车辆在所述行驶轨迹上行驶时的行驶状态，具体包括：
在所述搜索树上确定若干节点；
针对任一节点，确定从该节点向随机方向延伸指定步长后的终点；
判断所述终点是否满足预设条件，其中，所述预设条件为：从该节点到所述终点的连线未途经所述搜索空间中的障碍物且未超出所述搜索空间；
若是，则将所述终点作为节点，并根据该节点到所述终点的连线更新所述搜索树，并根据更新后的搜索树继续确定终点，直至确定出至少一个落入所述搜索空间中指定区域的终点时，根据落入所述搜索空间中指定区域的终点，规划所述无人驾驶车辆在所述行驶轨迹上行驶时的行驶状态；
若否，则重新针对任一节点进行延伸。
8.如权利要求7所述的方法，其特征在于，当判断所述终点不满足预设条件时，所述方法还包括：
将本次从该节点的延伸记录为失败；
更新记录的从该节点延伸失败的次数；
当记录的所述次数超过预设次数时，不再从该节点进行延伸。
9.如权利要求7所述的方法，其特征在于，根据落入所述搜索空间中指定区域的终点，规划所述无人驾驶车辆在所述行驶轨迹上行驶时的行驶状态，具体包括：
在所述搜索树上，确定从所述搜索树的根节点到落入所述搜索空间中指定区域的终点的轨迹；
分别确定在所述搜索树上确定出的每个轨迹对应的行驶状态，作为所述无人驾驶车辆在所述行驶轨迹上行驶时的备选行驶状态；
确定所述无人驾驶车辆以每个备选行驶状态在所述行驶轨迹上行驶时的行驶效率；
将行驶效率最高的备选行驶状态确定为所述无人驾驶车辆在所述行驶轨迹上行驶时的行驶状态。
10.一种规划车辆行驶状态的装置，其特征在于，所述装置包括：
获取模块，用于获取为无人驾驶车辆规划的行驶轨迹；
指定位置确定模块，用于确定所述行驶轨迹途经的指定类型的位置，作为指定位置；
第一子轨迹确定模块，用于将所述无人驾驶车辆沿所述行驶轨迹行驶时，到达的第一个指定位置所行驶的轨迹，作为第一子轨迹；
初始行驶状态确定模块，用于根据所述第一个指定位置的环境信息和所述无人驾驶车辆当前的行驶状态，规划得到所述无人驾驶车辆在所述第一子轨迹上的行驶状态，作为所述第一子轨迹对应的初始行驶状态；
行驶状态确定模块，用于根据所述无人驾驶车辆在所述第一子轨迹上的初始行驶状态，规划所述无人驾驶车辆在所述行驶轨迹上行驶时的行驶状态。
11.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-9任一所述的方法。
12.一种无人驾驶车辆，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1-9任一所述的方法。
CN202010416783.7A 2020-05-18 2020-05-18 一种规划车辆行驶状态的方法及装置 Active CN111338360B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010416783.7A CN111338360B (zh) 2020-05-18 2020-05-18 一种规划车辆行驶状态的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010416783.7A CN111338360B (zh) 2020-05-18 2020-05-18 一种规划车辆行驶状态的方法及装置

Publications (2)

Publication Number Publication Date
CN111338360A CN111338360A (zh) 2020-06-26
CN111338360B true CN111338360B (zh) 2020-10-02

Family

ID=71186451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010416783.7A Active CN111338360B (zh) 2020-05-18 2020-05-18 一种规划车辆行驶状态的方法及装置

Country Status (1)

Country Link
CN (1) CN111338360B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112306059B (zh) * 2020-10-15 2024-02-27 北京三快在线科技有限公司 一种控制模型的训练方法、控制方法以及装置
CN112396861B (zh) * 2020-11-26 2022-09-09 无锡职业技术学院 汽车辅助驾驶控制方法及其装置
CN112731334B (zh) * 2020-12-10 2023-09-12 东风汽车集团有限公司 一种激光定位车辆的方法及装置
CN113074734B (zh) * 2021-03-23 2023-05-30 北京三快在线科技有限公司 一种轨迹规划方法、装置、存储介质及电子设备
CN114815850B (zh) * 2022-05-25 2023-02-03 上海伯镭智能科技有限公司 一种无人驾驶矿车自主装卸方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106406338A (zh) * 2016-04-14 2017-02-15 中山大学 一种基于激光测距仪的全向移动机器人的自主导航装置及其方法
CN108205312A (zh) * 2018-03-19 2018-06-26 中南大学 基于高精度地图与红外信标的无人驾驶brt车辆自动启停实现方法
CN109598816A (zh) * 2019-02-20 2019-04-09 百度在线网络技术（北京）有限公司 车辆行为特征收集方法、装置、服务器及***
CN110057369A (zh) * 2019-05-30 2019-07-26 北京三快在线科技有限公司 无人驾驶设备的运行规划方法、装置及无人驾驶设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6580087B2 (ja) * 2017-06-02 2019-09-25 本田技研工業株式会社 走行軌道決定装置及び自動運転装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106406338A (zh) * 2016-04-14 2017-02-15 中山大学 一种基于激光测距仪的全向移动机器人的自主导航装置及其方法
CN108205312A (zh) * 2018-03-19 2018-06-26 中南大学 基于高精度地图与红外信标的无人驾驶brt车辆自动启停实现方法
CN109598816A (zh) * 2019-02-20 2019-04-09 百度在线网络技术（北京）有限公司 车辆行为特征收集方法、装置、服务器及***
CN110057369A (zh) * 2019-05-30 2019-07-26 北京三快在线科技有限公司 无人驾驶设备的运行规划方法、装置及无人驾驶设备

Also Published As

Publication number Publication date
CN111338360A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
CN111338360B (zh) 一种规划车辆行驶状态的方法及装置
CN113071520B (zh) 车辆行驶控制方法及装置
US10775801B2 (en) Determining speeds along a path for autonomous driving vehicles
US11226205B2 (en) Method and device for reducing intermediate points in a polygon
CN111208838B (zh) 一种无人驾驶设备的控制方法及装置
US10909377B2 (en) Tracking objects with multiple cues
CN111857118A (zh) 对停车轨迹分段以控制自动驾驶车辆停车
CN113110526B (zh) 一种模型训练的方法、无人驾驶设备的控制方法及装置
CN117794803A (zh) 使用具有响应型代理预测的树搜索和/或代理滤波进行车辆轨迹控制
CN111186437B (zh) 一种车辆轨迹的风险确定方法及装置
CN111830959A (zh) 用于操作自动驾驶车辆的方法、***和机器可读介质
CN115230731A (zh) 行驶路径确定方法、装置、终端及介质
CN113033527A (zh) 一种场景识别方法、装置、存储介质及无人设备
CN115871658B (zh) 一种面向稠密人流的智能驾驶速度决策方法和***
WO2023087157A1 (zh) 一种智能驾驶方法及应用该方法的车辆
US11618460B1 (en) Predictive planning
CN112987754B (zh) 一种无人设备的控制方法、装置、存储介质及电子设备
CN114167857B (zh) 一种无人驾驶设备的控制方法及装置
CN114019971B (zh) 一种无人设备控制方法、装置、存储介质及电子设备
CN116061933B (zh) 一种基于限速信息的车辆速度规划方法、装置和域控制器
CN113815651B (zh) 一种无人设备控制方法、装置、设备及存储介质
CN117382593B (zh) 一种基于激光点云过滤的车辆紧急制动方法和***
CN113867365B (zh) 无人驾驶车辆变加速度的确定方法、装置和相关设备
US20240043006A1 (en) Method and apparatus for generating virtual stop line
US20240092358A1 (en) Systems and methods for scene understanding

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