CN111679678B - 一种横纵向分离的轨迹规划方法、***及计算机设备 - Google Patents
一种横纵向分离的轨迹规划方法、***及计算机设备 Download PDFInfo
- Publication number
- CN111679678B CN111679678B CN202010614679.9A CN202010614679A CN111679678B CN 111679678 B CN111679678 B CN 111679678B CN 202010614679 A CN202010614679 A CN 202010614679A CN 111679678 B CN111679678 B CN 111679678B
- Authority
- CN
- China
- Prior art keywords
- cost function
- candidate curve
- weight
- curve
- candidate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000000926 separation method Methods 0.000 title claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims description 129
- 230000001133 acceleration Effects 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G05D1/0088—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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开了一种横纵向分离的轨迹规划方法,在初始位置和目标位置之间,对车辆分别进行路径规划和速度规划,包括以下步骤:进行路径规划时,利用在初始位置和目标位置之间选取的多个控制点生成候选曲线集合;构建总代价函数和限制条件,计算各候选曲线的总代价函数的值;根据障碍物位置将初始位置和目标位置之间的区域划分为可行驶区域和障碍物区域;车辆在可行驶区域内沿着候选曲线中总代价函数值最低的曲线运行,且进入障碍物区域时,对各候选曲线按其总代价函数值从小到大的顺序依次进行碰撞检测,首个通过碰撞检测的候选曲线为最优轨迹,在障碍物区域内车辆沿着最优轨迹运动。
Description
技术领域
本发明涉及无人驾驶领域,具体涉及一种横纵向分离的轨迹规划方法、***及计算机设备。
背景技术
现有技术中的轨迹规划方法多为针对机器人设置的,计算量大,未车辆动力学和运动学的限制,缺乏实时性。
发明内容
为解决上述技术问题,本发明提供一种横纵向分离的轨迹规划方法、***及计算机设备。
为解决上述技术问题,本发明采用如下技术方案:
一种横纵向分离的轨迹规划方法,在初始位置和目标位置之间,对车辆分别进行路径规划和速度规划,包括以下步骤:
步骤一:进行路径规划时,利用在初始位置和目标位置之间选取的多个控制点生成候选曲线集合;构建总代价函数和限制条件,计算各候选曲线的总代价函数的值;
步骤二:根据障碍物位置将初始位置和目标位置之间的区域划分为可行驶区域和障碍物区域;
步骤三:车辆在可行驶区域内沿着候选曲线中总代价函数值最低的曲线运行,且进入障碍物区域时,对各候选曲线按其总代价函数值从小到大的顺序依次进行碰撞检测,首个通过碰撞检测的候选曲线为最优轨迹,在障碍物区域内车辆沿着最优轨迹运动。
具体地,步骤一中,构建总代价函数时,综合考虑车辆动力学和运动学限制、乘客舒适性、车辆安全性以及曲线连续性。
具体地,所述总代价函数 其中,为每两个相邻控制点之间距离的代价函数,ws为该代价函数的权值;为候选曲线在各控制点曲率的代价函数,wk为该代价函数的权值;为候选曲线在各控制点一阶导数的代价函数,为该代价函数的权值;为候选曲线在各控制点二阶导数的代价函数,为该代价函数的权值;为候选曲线在各控制点三阶导数的代价函数,为该代价函数的权值;为候选曲线上各控制点与预定基准线之间横向偏移距离的代价函数,为该代价函数的权值;为候选曲线上各控制点横向加速度的代价函数,为该代价函数的权值;为候选曲线上各控制点纵向加速度的代价函数,为该代价函数的权值;为候选曲线上各控制点横向加速度变化率的代价函数,为该代价函数的权值;为候选曲线上各控制点纵向加速度变化率的代价函数,为该代价函数的权值;为当前轨迹上的点与最优轨迹上对应点之间的距离,wl为该代价函数的权值;为沿该候选曲线运行耗时的代价函数,wt为该代价函数的权值。
具体地,所述候选曲线集合为通过控制点生成的五阶多项式曲线集合。
具体地,所述限制条件Lmin≤le≤Lmax|d0|≤Wroad;|de|≤Wroad,C0为初始位置的状态,Ce为目标位置的状态,Wroad为车道宽度,Lmin为预定基准线的长度在纵向方向上的最大值,Lmax为预定基准线的长度在纵向方向上的最小值,其中d0、de分别表示车辆坐标系下的车辆初始位置的横向坐标和终止位置的横向坐标,分别表示车辆坐标系下车辆初始速度的横向分量和终末速度的横向分量,分别表示车辆坐标系下的车辆初始加速度的横向分量和终末加速度的横向分量,l0、le分别表示车辆的初始位置的纵向分量和终止位置的纵向分量。
具体地,步骤三中,对候选曲线进行碰撞检测时,对该候选曲线进行平均采样获取碰撞检测点,任意两个碰撞检测点之间的距离相等,计算各碰撞检测点到障碍物几何中心的距离,通过K-D树数据结构寻找上述距离中的最小距离,如果该最小距离大于或者等于设定的安全阈值,则判定该候选曲线通过碰撞检测;否则,再对其总代价函数值大于该候选曲线的其他候选曲线进行碰撞检测。
具体地,进行速度规划时,采用具有LQG控制单元的ACC控制器,所述LQG控制单元包括LQR控制单元和卡尔曼滤波单元,所述LQG控制单元用于计算车轮转角,所述卡尔曼滤波单元用于过滤***噪声和环境噪声。
一种横纵向分离的轨迹规划***,包括:
轨迹生成模块,进行路径规划时,其利用在初始位置和目标位置之间选取的多个控制点生成候选曲线集合;构建总代价函数和限制条件,计算各候选曲线的总代价函数的值;
区域划分模块,其根据障碍物位置将初始位置和目标位置之间的区域划分为可行驶区域和障碍物区域;
碰撞检测模块,车辆在可行驶区域内沿着候选曲线中总代价函数值最低的曲线运行,且进入障碍物区域时,其对各候选曲线按其总代价函数值从小到大的顺序依次进行碰撞检测,首个通过碰撞检测的候选曲线为最优轨迹,在障碍物区域内车辆沿着最优轨迹运动。
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,所述处理器执行所述轨迹规划方法的步骤。
与现有技术相比,本发明的有益技术效果是:
本发明通过将路径规划解耦为横向位置规划和纵向速度规划,在横向路径规划中,车辆在可行驶区域内沿着初始优化轨迹进行运动,进入障碍物区域后再进行碰撞检测,能够有效减少计算量,保证了轨迹规划的实时性。
附图说明
图1为本发明轨迹规划方法的流程示意图。
具体实施方式
下面结合附图对本发明的一种优选实施方式作详细的说明。
现有技术中的轨迹规划方法多为针对机器人设置的,计算量大,未车辆动力学和运动学的限制,缺乏实时性。
如图1所示,一种横纵向分离的轨迹规划方法,在初始位置和目标位置之间,对车辆分别进行路径规划和速度规划,包括以下步骤:
S1:进行路径规划时,利用在初始位置和目标位置之间选取的多个控制点生成候选曲线集合;构建总代价函数和限制条件,计算各候选曲线的总代价函数的值。
具体地,所述候选曲线集合为通过控制点生成的五阶多项式曲线集合。
在无人驾驶领域,为了控制的方便性,不再采用笛卡尔坐标系,而采用frenet坐标系,在该坐标系下方向被称为横向和纵向,车辆与障碍物或者其他车辆之间的距离被正交分解为横向距离和纵向距离。
S2:根据障碍物位置将初始位置和目标位置之间的区域划分为可行驶区域和障碍物区域。
障碍物可以提前探测到,可以将障碍物的20米以内划分为障碍物区域,其他区域为可行驶区域。
在远离障碍物的情况下,采样区域被限制为沿候选曲线的纵向方向,由于没有障碍物,因此无需进行横向采样,即路径规划时无需考虑障碍物,这样有效减少了因为横向采样带来的大量计算量,在有障碍物时,即离障碍物20米以内时,开始横向采样,规划出避开障碍物的最优曲线。
S3:车辆在可行驶区域内沿着候选曲线中总代价函数值最低的曲线运行,且进入障碍物区域时,对各候选曲线按其总代价函数值从小到大的顺序依次进行碰撞检测,首个通过碰撞检测的候选曲线为最优轨迹,在障碍物区域内车辆沿着最优轨迹运动。
如果在计算总代价函数时就进行包括了碰撞检测,则需要对每条候选曲线都进行碰撞检测,本发明利用区域划分,只在障碍物区域对此时的候选曲线进行碰撞检测,障碍物进入点到目标位置之间的候选曲线比之前的候选曲线数量大大减少,即进入障碍物区域后,需要进行碰撞检测的计算量大大减少,此时再进行碰撞检测能够有效提高路径规划的实时性。
具体地,步骤一中,构建总代价函数时,综合考虑车辆动力学和运动学限制、乘客舒适性、车辆安全性以及曲线连续性。
具体地,所述总代价函数 其中,为每两个相邻控制点之间距离的代价函数,ws为该代价函数的权值;为候选曲线在各控制点曲率的代价函数,wk为该代价函数的权值;为候选曲线在各控制点一阶导数的代价函数,为该代价函数的权值;为候选曲线在各控制点二阶导数的代价函数,为该代价函数的权值;为候选曲线在各控制点三阶导数的代价函数,为该代价函数的权值;为候选曲线上各控制点与预定基准线之间横向偏移距离的代价函数,为该代价函数的权值;为候选曲线上各控制点横向加速度的代价函数,为该代价函数的权值;为候选曲线上各控制点纵向加速度的代价函数,为该代价函数的权值;为候选曲线上各控制点横向加速度变化率的代价函数,为该代价函数的权值;为候选曲线上各控制点纵向加速度变化率的代价函数,为该代价函数的权值;为当前轨迹上的点与最优轨迹上对应点之间的距离,wl为该代价函数的权值;为沿该候选曲线运行耗时的代价函数,wt为该代价函数的权值。
上述各代价函数充分考虑了车辆动力学和运动学限制、乘客舒适性、车辆安全性以及曲线连续性对路径规划的影响,例如上述计算候选曲线上各控制点的一阶导数、二阶导数以及三阶导数,是希望被选择的候选曲线的过渡更加平滑,有利于提高乘客舒适性。
具体地,所述限制条件traj被定义为Lmin≤le≤Lmax|d0|≤Wroad;|de|≤Wroad,C0为初始位置的状态,Ce为目标位置的状态,Wroad为车道宽度,Lmin为预定基准线的长度在纵向方向上的最大值,Lmax为预定基准线的长度在纵向方向上的最小值,其中d0、de分别表示车辆坐标系下的车辆初始位置的横向坐标和终止位置的横向坐标,分别表示车辆坐标系下车辆初始速度的横向分量和终末速度的横向分量,分别表示车辆坐标系下的车辆初始加速度的横向分量和终末加速度的横向分量,l0、le分别表示车辆的初始位置的纵向分量和终止位置的纵向分量。
具体地,步骤三中,对候选曲线进行碰撞检测时,对该候选曲线进行平均采样获取碰撞检测点,任意两个碰撞检测点之间的距离相等,计算各碰撞检测点到障碍物几何中心的距离,通过K-D树数据结构寻找上述距离中的最小距离,如果该最小距离大于或者等于设定的安全阈值,则判定该候选曲线通过碰撞检测;否则,再对其总代价函数值大于该候选曲线的其他候选曲线进行碰撞检测。
K-D树数据结构是一种分割k维数据空间的数据结构,主要应用于多维空间关键数据的搜索
具体地,进行速度规划时,采用具有LQG控制单元的ACC控制器,所述LQG控制单元包括LQR控制单元和卡尔曼滤波单元,所述LQG控制单元用于计算车轮转角,所述卡尔曼滤波单元用于过滤***噪声和环境噪声。
一种横纵向分离的轨迹规划***,包括:
轨迹生成模块,进行路径规划时,其利用在初始位置和目标位置之间选取的多个控制点生成候选曲线集合;构建总代价函数和限制条件,计算各候选曲线的总代价函数的值;
区域划分模块,其根据障碍物位置将初始位置和目标位置之间的区域划分为可行驶区域和障碍物区域;
碰撞检测模块,车辆在可行驶区域内沿着候选曲线中总代价函数值最低的曲线运行,且进入障碍物区域时,其对各候选曲线按其总代价函数值从小到大的顺序依次进行碰撞检测,首个通过碰撞检测的候选曲线为最优轨迹,在障碍物区域内车辆沿着最优轨迹运动。
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,所述处理器执行所述轨迹规划方法的步骤。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内,不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立技术方案,说明书的这种叙述方式仅仅是为了清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种横纵向分离的轨迹规划方法,在初始位置和目标位置之间,对车辆分别进行路径规划和速度规划,包括以下步骤:
步骤一:进行路径规划时,利用在初始位置和目标位置之间选取的多个控制点生成候选曲线集合;构建总代价函数和限制条件,计算各候选曲线的总代价函数的值;
步骤二:根据障碍物位置将初始位置和目标位置之间的区域划分为可行驶区域和障碍物区域;
步骤三:车辆在可行驶区域内沿着候选曲线中总代价函数值最低的曲线运行,且进入障碍物区域时,对各候选曲线按其总代价函数值从小到大的顺序依次进行碰撞检测,首个通过碰撞检测的候选曲线为最优轨迹,在障碍物区域内车辆沿着最优轨迹运动;
步骤一中,构建总代价函数时,综合考虑车辆动力学和运动学限制、乘客舒适性、车辆安全性以及曲线连续性;
所述总代价函数
其中,为每两个相邻控制点之间距离的代价函数,ws为该代价函数的权值;为候选曲线在各控制点曲率的代价函数,wk为该代价函数的权值;为候选曲线在各控制点一阶导数的代价函数,为该代价函数的权值;为候选曲线在各控制点二阶导数的代价函数,为该代价函数的权值;为候选曲线在各控制点三阶导数的代价函数,为该代价函数的权值;为候选曲线上各控制点与预定基准线之间横向偏移距离的代价函数,为该代价函数的权值;为候选曲线上各控制点横向加速度的代价函数,为该代价函数的权值;为候选曲线上各控制点纵向加速度的代价函数,为该代价函数的权值;为候选曲线上各控制点横向加速度变化率的代价函数,为该代价函数的权值;为候选曲线上各控制点纵向加速度变化率的代价函数,为该代价函数的权值;为当前轨迹上的点与最优轨迹上对应点之间的距离,wl为该代价函数的权值;为沿该候选曲线运行耗时的代价函数,wt为该代价函数的权值。
2.根据权利要求1所述的横纵向分离的轨迹规划方法,其特征在于:所述候选曲线集合为通过控制点生成的五阶多项式曲线集合。
4.根据权利要求1所述的横纵向分离的轨迹规划方法,其特征在于:步骤三中,对候选曲线进行碰撞检测时,对该候选曲线进行平均采样获取碰撞检测点,任意两个碰撞检测点之间的距离相等,计算各碰撞检测点到障碍物几何中心的距离,通过K-D树数据结构寻找上述距离中的最小距离,如果该最小距离大于或者等于设定的安全阈值,则判定该候选曲线通过碰撞检测;否则,再对其总代价函数值大于该候选曲线的其他候选曲线进行碰撞检测。
5.根据权利要求1所述的横纵向分离的轨迹规划方法,其特征在于:进行速度规划时,采用具有LQG控制单元的ACC控制器,所述LQG控制单元包括LQR控制单元和卡尔曼滤波单元,所述LQG控制单元用于计算车轮转角,所述卡尔曼滤波单元用于过滤***噪声和环境噪声。
6.一种横纵向分离的轨迹规划***,其特征在于,包括:
轨迹生成模块,进行路径规划时,其利用在初始位置和目标位置之间选取的多个控制点生成候选曲线集合;构建总代价函数和限制条件,计算各候选曲线的总代价函数的值;
区域划分模块,其根据障碍物位置将初始位置和目标位置之间的区域划分为可行驶区域和障碍物区域;
碰撞检测模块,车辆在可行驶区域内沿着候选曲线中总代价函数值最低的曲线运行,且进入障碍物区域时,其对各候选曲线按其总代价函数值从小到大的顺序依次进行碰撞检测,首个通过碰撞检测的候选曲线为最优轨迹,在障碍物区域内车辆沿着最优轨迹运动;
构建总代价函数时,综合考虑车辆动力学和运动学限制、乘客舒适性、车辆安全性以及曲线连续性;
所述总代价函数
其中,为每两个相邻控制点之间距离的代价函数,ws为该代价函数的权值;为候选曲线在各控制点曲率的代价函数,wk为该代价函数的权值;为候选曲线在各控制点一阶导数的代价函数,为该代价函数的权值;为候选曲线在各控制点二阶导数的代价函数,为该代价函数的权值;为候选曲线在各控制点三阶导数的代价函数,为该代价函数的权值;为候选曲线上各控制点与预定基准线之间横向偏移距离的代价函数,为该代价函数的权值;为候选曲线上各控制点横向加速度的代价函数,为该代价函数的权值;为候选曲线上各控制点纵向加速度的代价函数,为该代价函数的权值;为候选曲线上各控制点横向加速度变化率的代价函数,为该代价函数的权值;为候选曲线上各控制点纵向加速度变化率的代价函数,为该代价函数的权值;为当前轨迹上的点与最优轨迹上对应点之间的距离,wl为该代价函数的权值;为沿该候选曲线运行耗时的代价函数,wt为该代价函数的权值。
7.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,所述处理器执行如权利要求1-5中任一项所述轨迹规划方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010614679.9A CN111679678B (zh) | 2020-06-30 | 2020-06-30 | 一种横纵向分离的轨迹规划方法、***及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010614679.9A CN111679678B (zh) | 2020-06-30 | 2020-06-30 | 一种横纵向分离的轨迹规划方法、***及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111679678A CN111679678A (zh) | 2020-09-18 |
CN111679678B true CN111679678B (zh) | 2022-04-08 |
Family
ID=72437577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010614679.9A Active CN111679678B (zh) | 2020-06-30 | 2020-06-30 | 一种横纵向分离的轨迹规划方法、***及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111679678B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967374B (zh) * | 2020-08-14 | 2021-10-01 | 安徽海博智能科技有限责任公司 | 基于图像处理的矿山障碍物识别方法、***及设备 |
CN112729328B (zh) * | 2020-12-25 | 2023-01-31 | 际络科技(上海)有限公司 | 节油行驶轨迹规划方法、装置、电子设备与存储介质 |
CN112783161B (zh) * | 2020-12-29 | 2023-04-25 | 广东嘉腾机器人自动化有限公司 | 一种基于贝塞尔曲线的agv避障方法 |
CN112677995B (zh) * | 2021-01-07 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 一种车辆轨迹规划方法、装置、存储介质及设备 |
CN114103938B (zh) * | 2021-03-23 | 2024-07-16 | 京东鲲鹏(江苏)科技有限公司 | 控制车辆纵向运动的方法、装置及存储介质 |
CN113433936B (zh) * | 2021-06-02 | 2023-07-25 | 北京迈格威科技有限公司 | 移动设备绕障方法、装置、移动设备及存储介质 |
CN113238565A (zh) * | 2021-06-16 | 2021-08-10 | 京东鲲鹏(江苏)科技有限公司 | 车辆路径规划方法、装置、车辆和存储介质 |
CN113370995B (zh) * | 2021-07-01 | 2024-01-09 | 广州小鹏自动驾驶科技有限公司 | 速度曲线的处理方法、装置、电动汽车及电子设备 |
CN115230731A (zh) * | 2021-09-13 | 2022-10-25 | 上海仙途智能科技有限公司 | 行驶路径确定方法、装置、终端及介质 |
CN115525047B (zh) * | 2022-03-21 | 2023-07-25 | 江苏集萃清联智控科技有限公司 | 一种具备多型避障方式的车辆局部轨迹规划方法及*** |
CN116136417B (zh) * | 2023-04-14 | 2023-08-22 | 北京理工大学 | 一种面向越野环境的无人驾驶车辆局部路径规划方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145147B (zh) * | 2017-04-10 | 2020-12-15 | 广州小鹏汽车科技有限公司 | 一种车辆低速自动驾驶避碰方法及*** |
CN110462703A (zh) * | 2018-03-08 | 2019-11-15 | 百度时代网络技术(北京)有限公司 | 基于碰撞后分析的自动驾驶车辆的车辆动作优化 |
EP3829958B1 (en) * | 2018-07-27 | 2023-10-25 | embotech AG | Method for steering a vehicle and apparatus therefor |
CN109557912B (zh) * | 2018-10-11 | 2020-07-28 | 同济大学 | 一种自动驾驶特种作业车辆的决策规划方法 |
CN110341711B (zh) * | 2019-07-06 | 2021-10-22 | 深圳数翔科技有限公司 | 一种基于码头环境的行驶轨迹生成***及方法 |
CN111289008B (zh) * | 2020-04-28 | 2021-04-13 | 南京维思科汽车科技有限公司 | 一种用于无人驾驶车辆的局部路径规划方法 |
-
2020
- 2020-06-30 CN CN202010614679.9A patent/CN111679678B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111679678A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111679678B (zh) | 一种横纵向分离的轨迹规划方法、***及计算机设备 | |
CN110703762B (zh) | 一种复杂环境下水面无人艇混合路径规划方法 | |
CN108569336B (zh) | 在动力学约束下基于车辆运动学模型转向控制方法 | |
CN111830979B (zh) | 一种轨迹优化方法和装置 | |
CN112810630B (zh) | 一种自动驾驶车辆轨迹规划方法及*** | |
Feraco et al. | A local trajectory planning and control method for autonomous vehicles based on the RRT algorithm | |
WO2019042295A1 (zh) | 一种无人驾驶路径规划方法、***和装置 | |
CN109579854B (zh) | 基于快速扩展随机树的无人车避障方法 | |
Liu et al. | Real-time longitudinal and lateral state estimation of preceding vehicle based on moving horizon estimation | |
CN113895463B (zh) | 一种适用于自动驾驶车辆掉头的路径规划方法 | |
CN114063615B (zh) | 棚内垄间农药喷洒智能车的倒车导航控制方法及*** | |
US20220121213A1 (en) | Hybrid planning method in autonomous vehicle and system thereof | |
CN113515111B (zh) | 一种车辆避障路径规划方法及装置 | |
CN113887276A (zh) | 基于图像的前向主目标检测方法 | |
Park et al. | Path generation algorithm based on crash point prediction for lane changing of autonomous vehicles | |
CN116136417B (zh) | 一种面向越野环境的无人驾驶车辆局部路径规划方法 | |
CN113341999A (zh) | 一种基于优化d*算法的叉车路径规划方法及装置 | |
CN111121804B (zh) | 一种具有安全性约束的智能车辆路径规划方法及*** | |
Feraco et al. | A LIDAR-based clustering technique for obstacles and lane boundaries detection in assisted and autonomous driving | |
CN114537435B (zh) | 一种自动驾驶中的实时整车轨迹规划方法 | |
Feraco et al. | Optimal trajectory generation using an improved probabilistic road map algorithm for autonomous driving | |
CN111176285B (zh) | 一种行进路径规划的方法及装置、车辆、可读存储介质 | |
Daniel et al. | Energy constrained trajectory generation for ADAS | |
CN111857112B (zh) | 一种汽车局部路径规划方法及电子设备 | |
CN113176784A (zh) | 一种用于自动驾驶的时空联合轨迹优化方法 |
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 |