CN111832667A - 一种园区无人驾驶观光车的驾驶行为决策*** - Google Patents
一种园区无人驾驶观光车的驾驶行为决策*** Download PDFInfo
- Publication number
- CN111832667A CN111832667A CN202010977809.5A CN202010977809A CN111832667A CN 111832667 A CN111832667 A CN 111832667A CN 202010977809 A CN202010977809 A CN 202010977809A CN 111832667 A CN111832667 A CN 111832667A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- control point
- module
- obstacle
- behavior decision
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/865—Combination of radar systems with lidar systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明提供了一种园区无人驾驶观光车的驾驶行为决策***,包括环境感知模块、预处理模块、场景判断模块、以及行为决策模块;所述环境感知模块用于通过车载传感器获取车辆周围环境信息,输出无人驾驶车所需要的相关信息;所述预处理模块用于对环境感知模块输出的数据进行处理,去除障碍物;所述场景判断模块用于根据环境感知模块中的车载传感器获取的车辆定位信息做出场景判断,并将判断结果发送至行为决策模块;所述行为决策模块用于根据预处理模块、场景判断模块输出的信息,结合当前车辆的状态信息计算出下一时刻的车辆行为状态。本发明计算复杂度较低、算法执行时间较短,针对园区低速无人驾驶车具有较高的推广使用价值。
Description
技术领域
本发明属于自动驾驶技术领域,尤其是涉及一种园区无人驾驶观光车的驾驶行为决策***。
背景技术
21世纪的汽车将在安全、舒适、便利和高效等方面取得飞跃性的发展,自动驾驶技术更是为道路交通描绘了一个没有交通事故的美好蓝图,已经成为推动汽车工业可持续发展的动力之一。发展智能汽车和智能化交通,在进一步改善交通环境、减少交通堵塞、预防交通事故发生、降低社会活动成本等方面,都将起到不可替代的作用。但是,由于智能网联汽车在传统汽车技术基础上融合大量信息感知、智能决策、车辆自动控制、网络通信等新技术,对相关技术发展提出巨大挑战,同时,环境的复杂性和多样性也限制其发展,从而导致无人驾驶技术难以落地。针对上述问题,各大科技公司、主机厂逐渐开展了针对工业园区、高速公路、大学校园、自主代客泊车等特定应用场景的无人驾驶应用技术开发。
目前来说,针对园区内的无人驾驶行为决策,通常采用有监督学习的方式进行无人驾驶行为决策的模型训练,但是,采用有监督学习的方式进行模型训练时,需要采集大量的样本数据,并对大量的样本数据进行标签的标注。而大量样本数据的采集以及对样本数据进行标签的标注所耗费的人力资源巨大,因此,模型训练的效率低下。而且,由于样本数据难以得到扩充,训练得到的模型在进行行为决策时的精确度较低。
发明内容
有鉴于此,本发明旨在提出一种园区无人驾驶观光车的驾驶行为决策***,以解决采用有监督学习方法进行行为决策模型训练时样本数据及样本数据标注工作量大、模型训练低下、行为决策精确度低的问题。保证行为决策***的快速性和实时性,确保车辆在道路上能够安全高效的行驶,完成相应的行驶任务。
为达到上述目的,本发明的技术方案是这样实现的:
一种园区内无人驾驶观光车辆的行为决策***,包括环境感知模块、预处理模块、场景判断模块、行为决策模块;
环境感知模块通过车载传感器对车辆周围环境的感知、处理,输出无人驾驶车所需要的相关信息,车载传感器包括16线激光雷达传感器、GPS定位传感器、毫米波雷达传感器、高精地图。
其中,16线激光雷达用于无人驾驶车辆周围障碍物检测,并将检测后的障碍物结果通过网络传输方式传送给预处理模块;根据障碍物的移动速度可将周围障碍物简单划分为静止障碍物和移动障碍物两种,16线激光雷达输出障碍物信息包括:障碍物序号、障碍物横向距离、障碍物的纵向距离、障碍物的横向速度、障碍物的纵向速度、障碍物属性(移动/静止);
GPS定位传感器用于车辆定位并将定位信息通过串口方式传送给场景判断模块;根据车辆坐标在高精地图中的位置信息,计算出车辆所处的场景;
毫米波雷达用于车辆前方障碍物的行驶速度;
高精地图存储包含路口信息、车道线信息、道路边界信息。
预处理模块对环境感知模块中的16线激光雷达和毫米波雷达传感器的输出信息进行预处理,预处理模块包括障碍物坐标转换单元、障碍物滤除单元;
坐标转换单元将环境感知模块输出的所有障碍物的坐标通过坐标转换公式转换到车体坐标系下;
障碍物预处理单元综合考虑当前车速、当前方向盘转角、障碍物距离车辆的横向距离和纵向距离、障碍物的速度等信息滤除对车辆行为决策无影响的障碍物。
场景判断模块根据环境感知模块中的GPS定位传感器提供的车辆定位信息做出场景判断,并将判断结果发送至行为决策模块。场景判断模块中的场景包括路中、预路口、路口、停车点、发车点5个场景。
行为决策模块根据预处理模块输出的障碍物信息、场景判断模块输出的当前车辆所处的场景类型信息,并综合考虑当前车辆的车速、方向盘转角、航向角等状态信息计算出下一时刻的车辆行为状态,行为状态包括:正常循迹行驶、限速行驶、跟车行驶、紧急制动、避障绕行、停车点停车、障碍物前方停车等待7种。
相对于现有技术,本发明所述的一种园区无人驾驶观光车的驾驶行为决策***具有以下优势:
本发明所采用的方法与传统无人驾驶汽车行为决策***所采用的深度学习计算方法相比,计算复杂度较低、算法执行时间较短,针对园区低速无人驾驶车具有较高的推广使用价值。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的前方无障碍物行为决策结果示意图;
图2为本发明实施例所述的前方有障碍物行为决策结果示意图;
图3为本发明实施例所述的一种园区无人驾驶观光车的驾驶行为决策***的工作原理示意图;
图4为本发明实施例所述的控制点设置示意图;
图5为本发明实施例所述的不存在障碍物的行为决策算法流程图;
图6为本发明实施例所述的存在障碍物的行为决策算法流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
如图3所示为本发明的工作原理。行为决策***首先读取车载传感器测量得到的数据信息并进行相应的坐标转换,然后滤除对行为决策不产生影响的障碍物;其次,结合当前车辆的GPS坐标信息和高精地图信息判断出车辆当前场景,最后综合上述信息进行行为决策,具体包括以下步骤:
a.环境感知模块读取16线激光雷达、毫米波雷达数据,输出给障碍物的向量信息为[ObNum,LidarCoorObLaDis,LidarCoorObLoDis,ObLaVel,ObLoVel,ObAtt],
其中ObNum为障碍物的序号,并且[0≤ObNum≤障碍物总数];LidarCoorObLaDis为激光雷达坐标系下障碍物的横向距离,LidarCoorObLoDis为激光雷达坐标系下障碍物的纵向距离,ObLaVel为障碍物的横向速度,ObLoVel为障碍物的纵向速度,ObAtt为障碍物的属性,
b.将输出的激光雷达坐标系下的障碍物坐标转换到车体坐标系下,坐标转换公式如
下:;其中
CarCoorLidarAbs为激光雷达在车体坐标系下的安装位置横坐标,CarCoorObLaDis和
CarCoorObLoDis为车体坐标系下障碍物的横纵坐标,abs为求取绝对值,VehicleLength为
车辆长度,车体坐标系以车辆后轴中心点为坐标原点,以垂直车辆后轴为X轴,以平行后轴
为Y轴。将转换后的障碍物坐标向量
[ObNum,CarCoorObLaDis,CarCoorObLoDis,ObLaVel,ObLoVel,ObAtt]输出到预处理模块;
c.环境感知模块读取GPS传感器数据,并输入到场景判断模块;
d.场景判断模块根据环境感知模块输入的车辆GPS定位信息,与高精地图中标注的控制点进行相应的距离计算,得出当前车辆所处的场景信息。控制点标注方式如下图4所示。场景判断模块中的场景共计路中、预路口、路口、停车点、发车点5个场景。场景判断的具体步骤:
(1)读取当前车辆的GPS坐标信息、读取高精地图中的控制点信息,控制点设置示例如下图4所示,其中控制点1和控制点6分别为车辆的发车点和停车点,控制点2、控制点4、控制点7、控制点9为路口入口点,控制点3、控制点5、控制点8、控制点10为路口出口点。
(2)依次计算当前车辆与10个控制点的距离信息;根据车辆到控制点的距离大小,得出与车辆最近的两个控制点;
(3)场景判断:
①当车辆位置满足下面条件中的任意一条则场景判断结果为路口:
条件1:车辆位置处于控制点2和控制点3之间
条件2:车辆位置处于控制点4和控制点5之间
条件3:车辆位置处于控制点7和控制点8之间
条件4:车辆位置处于控制点9和控制点10之间
②当车辆位置满足下面条件中的任意一条则场景判断结果为预路口:
条件1:车辆位置处于控制点3和控制点4之间且距离控制点4的距离小于阈值;
条件2:车辆位置处于控制点6和控制点7之间且距离控制点6的距离小于阈值;
条件3:车辆位置处于控制点8和控制点9之间且距离控制点9的距离小于阈值;
条件4:车辆位置处于控制点1和控制点2之间且距离控制点2的距离小于阈值;
③当车辆位置满足下面条件则场景判断结果为发车点:
条件:车辆位置处于控制点10和控制点1之间且距离控制点1的距离小于阈值;
④当车辆位置满足下面条件则场景判断结果为停车点:
条件:车辆位置处于控制点5和控制点6之间且距离控制点6的距离小于阈值;
⑤当车辆位置均不满足以上所有条件,则认为车辆场景判断结果为路中。
e.预处理模块通过以下规则滤除对行为决策规划无影响的障碍物:
(1)当障碍物为静止障碍物时,CarCoorObLoDis≥MaxLoThreshold,其中, 为设定的纵向阈值,VehicleSpeed为车辆
当前车速,comforDeceleration为车辆的舒适减速度;
(2)当障碍物为静止障碍物时,CarCoorObLaDis≥MaxLaThreshold,其中,MaxLaThreshold=0.5*VehicleWidth+SafetyValue为设定的横向阈值,VehicleWidth为车宽,SafetyValue为设定的安全值,该值根据实际调试情况有所调整;
(3)当障碍物为纵向移动障碍物时,CarCoorObLoDis≥MaxLoThreshold,其中, 为设定的纵向阈
值,VehicleSpeed为车辆当前车速,ObstacleSpeed为障碍物的纵向速度,
comforDeceleration为车辆的舒适减速度, SafeValue为设定的安全阈值,根据实际情况
调整;
(4)当障碍物为纵向移动障碍物时,CarCoorObLaDis≥MaxLaThreshold,其中,MaxLaThreshold=0.5*VehicleWidth+SafetyValue为设定的横向阈值,VehicleWidth为车宽,SafetyValue为设定的安全值,该值根据实际情况调整;
当障碍物满足上述四个规则中的任意一条,则滤除该障碍物。
f.综合障碍物信息、车辆场景、车辆当前状态信息进行车辆行为决策。
图5所示为不存在障碍物时的行为决策模块算法流程,具体步骤如下:
a.当前车辆前方不存在障碍物时,获取车辆场景;
b.当车辆场景为路中或发车点时,输出行为决策结果为正常循迹行驶;
c.当车辆场景为停车点时,输出行为决策结果为停车点停车;
d.否则,限速行驶。
图6所示为存在障碍物时行为决策算法流程,具体步骤如下:
a.当前车辆前方存在障碍物时,判断障碍物是否在碰撞范围内即:
b.对障碍物属性进行判断,当障碍物为静止障碍物时,进行障碍物避障条件判断,当满足下面条件时行为决策结果为避障绕行,否则行为决策结果为障碍物前方停车等待:
条件1:相邻车道无来车;
条件2:CarCoorObLoDis≥k1*VehicleSpeed+d1,k1为速度因子,d1为设定的阈值
c. 当障碍物为移动障碍物时,进行车辆场景判断,当车辆场景为非路中、非发车点,但是为停车点时,行为决策结果为障碍物前方停车等待,当车辆场景为非路中、非发车点、非停车点时,行为决策结果为跟车行驶;
d.当车辆场景为路中或发车点时,进行障碍物跟踪范围判断,如果MinSpeedDifferThreshold≤ObLoVel-VehicleSpeed≤MaxSpeedDifferThreshold,则行为决策结果为跟车行驶;其中,MaxSpeedDifferThreshold和MinSpeedDifferThreshold为速度差阈值,根据实际调试结果进行修改。
e.否则进行绕行范围判断,当满足下面条件时行为决策结果为避障绕行,否则行为决策结果为正常循迹行驶;
条件1:CarCoorObLoDis≥k2*VehicleSpeed+d2其中, k2为速度因子,d2为设定的阈值。
条件2:VehicleSpeed-ObLoVel≥SpeedThreshold其中,SpeedThreshold为速度阈值。
f.结束。
以中国汽车技术研究中心园区环境为基础,设置相应的路线及控制点,应用本专利提出的方法实现园区环境下的驾驶行为决策。如图1所示,图中圆点为设置的控制点,五角星为车辆当前位置,当前感知***检测到前方无障碍物存在且车辆位置为路中,行为决策结果为循迹行驶。图2所示,前方检查到障碍物存在且障碍物处于绕行范围内,行为决策结果为绕行。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种园区无人驾驶观光车的驾驶行为决策***,其特征在于:包括环境感知模块、预处理模块、场景判断模块、以及行为决策模块;
所述环境感知模块用于通过车载传感器获取车辆周围环境信息,输出无人驾驶车所需要的相关信息;
所述预处理模块用于对环境感知模块输出的数据进行处理,去除对车辆行为决策无影响的障碍物;
所述场景判断模块用于根据环境感知模块中的车载传感器获取的车辆定位信息做出场景判断,并将判断结果发送至行为决策模块;
所述行为决策模块用于根据预处理模块、场景判断模块输出的信息,结合当前车辆的状态信息计算出下一时刻的车辆行为状态;
所述预处理模块包括障碍物坐标转换单元、障碍物滤除单元;
所述坐标转换单元将环境感知模块输出的所有障碍物的坐标通过坐标转换公式转换到车体坐标系下;
所述障碍物滤除单元用于滤除对车辆行为决策无影响的障碍物。
2.根据权利要求1所述的一种园区无人驾驶观光车的驾驶行为决策***,其特征在于:所述车载传感器包括16线激光雷达传感器、GPS定位传感器、毫米波雷达传感器、以及高精地图;
所述16线激光雷达传感器用于检测无人驾驶车辆周围障碍物,输出障碍物信息,通过网络传输方式传送给预处理模块;
所述GPS定位传感器用于车辆定位并将定位信息通过串口方式传送给场景判断模块;
所述毫米波雷达用于检测车辆前方障碍物的行驶速度;
所述高精地图用于存储路口信息、车道线信息、道路边界信息。
3.根据权利要求1所述的一种园区无人驾驶观光车的驾驶行为决策***,其特征在于:预处理模块通过以下规则滤除对行为决策规划无影响的障碍物:
(1)当障碍物为静止障碍物时,CarCoorObLoDis≥MaxLoThreshold,其中,为设定的纵向阈值,VehicleSpeed为车辆当前车速,comforDeceleration为车辆的舒适减速度;
(2)当障碍物为静止障碍物时,CarCoorObLaDis≥MaxLaThreshold,其中,MaxLaThreshold=0.5*VehicleWidth+SafetyValue为设定的横向阈值,VehicleWidth为车宽,SafetyValue为设定的安全值,该值根据实际调试情况有所调整;
(3)当障碍物为纵向移动障碍物时,CarCoorObLoDis≥MaxLoThreshold,其中,为设定的纵向阈值,VehicleSpeed为车辆当前车速,ObstacleSpeed为障碍物的纵向速度,comforDeceleration为车辆的舒适减速度, SafeValue为设定的安全阈值,根据实际情况调整;
(4)当障碍物为纵向移动障碍物时,CarCoorObLaDis≥MaxLaThreshold,其中,MaxLaThreshold=0.5*VehicleWidth+SafetyValue为设定的横向阈值,VehicleWidth为车宽,SafetyValue为设定的安全值,该值根据实际情况调整;
当障碍物满足上述四个规则中的任意一条,则滤除该障碍物。
4.根据权利要求1所述的一种园区无人驾驶观光车的驾驶行为决策***,其特征在于:所述场景判断模块中的场景包括路中、预路口、路口、停车点、发车点5个场景。
5.根据权利要求4所述的一种园区无人驾驶观光车的驾驶行为决策***,其特征在于:所述场景判断根据环境感知模块输入的车辆GPS定位信息,与高精地图中标注的控制点进行相应的距离计算,得出当前车辆所处的场景信息。
6.根据权利要求5所述的一种园区无人驾驶观光车的驾驶行为决策***,其特征在于:场景判断的具体步骤包括:
(1)读取当前车辆的GPS坐标信息、读取高精地图中的控制点信息,控制点设置如下,控制点1和控制点6分别为车辆的发车点和停车点,控制点2、控制点4、控制点7、控制点9为路口入口点,控制点3、控制点5、控制点8、控制点10为路口出口点;
(2)依次计算当前车辆与10个控制点的距离信息;根据车辆到控制点的距离大小,得出与车辆最近的两个控制点;
(3)场景判断:
①当车辆位置满足下面条件中的任意一条则场景判断结果为路口:
条件1:车辆位置处于控制点2和控制点3之间;
条件2:车辆位置处于控制点4和控制点5之间;
条件3:车辆位置处于控制点7和控制点8之间;
条件4:车辆位置处于控制点9和控制点10之间;
②当车辆位置满足下面条件中的任意一条则场景判断结果为预路口:
条件1:车辆位置处于控制点3和控制点4之间且距离控制点4的距离小于阈值;
条件2:车辆位置处于控制点6和控制点7之间且距离控制点6的距离小于阈值;
条件3:车辆位置处于控制点8和控制点9之间且距离控制点9的距离小于阈值;
条件4:车辆位置处于控制点1和控制点2之间且距离控制点2的距离小于阈值;
③当车辆位置满足下面条件则场景判断结果为发车点:
条件:车辆位置处于控制点10和控制点1之间且距离控制点1的距离小于阈值;
④当车辆位置满足下面条件则场景判断结果为停车点:
条件:车辆位置处于控制点5和控制点6之间且距离控制点6的距离小于阈值;
⑤当车辆位置均不满足以上所有条件,则认为车辆场景判断结果为路中。
7.根据权利要求6所述的一种园区无人驾驶观光车的驾驶行为决策***,其特征在于:所述行为决策模块输出的行为状态包括:正常循迹行驶、限速行驶、跟车行驶、紧急制动、避障绕行、停车点停车、障碍物前方停车等待7种。
8.根据权利要求7所述的一种园区无人驾驶观光车的驾驶行为决策***,其特征在于:所述行为决策模块中,当不存在障碍物时的行为决策模块算法流程,具体步骤如下:
a.当前车辆前方不存在障碍物时,获取车辆场景;
b.当车辆场景为路中或发车点时,输出行为决策结果为正常循迹行驶;
c.当车辆场景为停车点时,输出行为决策结果为停车点停车;
d.否则,限速行驶。
9.根据权利要求7所述的一种园区无人驾驶观光车的驾驶行为决策***,其特征在于:存在障碍物时行为决策算法流程,具体步骤如下:
其中,BrakingDeceleration为车辆紧急制动减速度、α为制动延时补偿因子、d_extra为车身长度的一半;
b.对障碍物属性进行判断,当障碍物为静止障碍物时,进行障碍物避障条件判断,当满足下面条件时行为决策结果为避障绕行,否则行为决策结果为障碍物前方停车等待:
条件1:相邻车道无来车;
条件2:CarCoorObLoDis≥k1*VehicleSpeed+d1,k1为速度因子,d1为设定的阈值;
c.当障碍物为移动障碍物时,进行车辆场景判断,当车辆场景为非路中、非发车点,但是为停车点时,行为决策结果为障碍物前方停车等待,当车辆场景为非路中、非发车点、非停车点时,行为决策结果为跟车行驶;
d.当车辆场景为路中或发车点时,进行障碍物跟踪范围判断,如果MinSpeedDifferThreshold≤ObLoVel-VehicleSpeed≤MaxSpeedDifferThreshold,则行为决策结果为跟车行驶;
其中,MaxSpeedDifferThreshold和MinSpeedDifferThreshold为速度差阈值,根据实际调试结果进行修改;
e.否则进行绕行范围判断,当满足下面条件时行为决策结果为避障绕行,否则行为决策结果为正常循迹行驶;
条件1:CarCoorObLoDis≥k2*VehicleSpeed+d2其中,k2为速度因子,d2为设定的阈值;
条件2:VehicleSpeed-ObLoVel≥SpeedThreshold其中,SpeedThreshold为速度阈值;
f.结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010977809.5A CN111832667B (zh) | 2020-09-17 | 2020-09-17 | 一种园区无人驾驶观光车的驾驶行为决策*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010977809.5A CN111832667B (zh) | 2020-09-17 | 2020-09-17 | 一种园区无人驾驶观光车的驾驶行为决策*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832667A true CN111832667A (zh) | 2020-10-27 |
CN111832667B CN111832667B (zh) | 2020-12-08 |
Family
ID=72918504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010977809.5A Active CN111832667B (zh) | 2020-09-17 | 2020-09-17 | 一种园区无人驾驶观光车的驾驶行为决策*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832667B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112798009A (zh) * | 2020-12-24 | 2021-05-14 | 北京经纬恒润科技股份有限公司 | 远程驾驶辅助显示方法及装置 |
CN112937607A (zh) * | 2021-03-29 | 2021-06-11 | 紫清智行科技(北京)有限公司 | 一种用于景区观光车的网联自动驾驶***及方法 |
CN113177509A (zh) * | 2021-05-19 | 2021-07-27 | 浙江大华技术股份有限公司 | 一种倒车行为识别方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101813492A (zh) * | 2010-04-19 | 2010-08-25 | 清华大学 | 车辆导航***及方法 |
US20160314363A1 (en) * | 2015-04-24 | 2016-10-27 | Electronics And Telecommunications Research Institute | Obstacle detection apparatus and method |
CN109059902A (zh) * | 2018-09-07 | 2018-12-21 | 百度在线网络技术(北京)有限公司 | 相对位姿确定方法、装置、设备和介质 |
CN109829351A (zh) * | 2017-11-23 | 2019-05-31 | 华为技术有限公司 | 车道信息的检测方法、装置及计算机可读存储介质 |
CN110135377A (zh) * | 2019-05-21 | 2019-08-16 | 北京百度网讯科技有限公司 | 物体运动状态检测方法、装置、服务器和计算机可读介质 |
CN111240328A (zh) * | 2020-01-16 | 2020-06-05 | 中智行科技有限公司 | 一种车辆行驶安全监控方法、装置和无人驾驶车辆 |
CN111600925A (zh) * | 2020-04-01 | 2020-08-28 | 清华大学 | 一种障碍物信息解析方法及解析装置和物联设备、芯片 |
-
2020
- 2020-09-17 CN CN202010977809.5A patent/CN111832667B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101813492A (zh) * | 2010-04-19 | 2010-08-25 | 清华大学 | 车辆导航***及方法 |
US20160314363A1 (en) * | 2015-04-24 | 2016-10-27 | Electronics And Telecommunications Research Institute | Obstacle detection apparatus and method |
CN109829351A (zh) * | 2017-11-23 | 2019-05-31 | 华为技术有限公司 | 车道信息的检测方法、装置及计算机可读存储介质 |
CN109059902A (zh) * | 2018-09-07 | 2018-12-21 | 百度在线网络技术(北京)有限公司 | 相对位姿确定方法、装置、设备和介质 |
CN110135377A (zh) * | 2019-05-21 | 2019-08-16 | 北京百度网讯科技有限公司 | 物体运动状态检测方法、装置、服务器和计算机可读介质 |
CN111240328A (zh) * | 2020-01-16 | 2020-06-05 | 中智行科技有限公司 | 一种车辆行驶安全监控方法、装置和无人驾驶车辆 |
CN111600925A (zh) * | 2020-04-01 | 2020-08-28 | 清华大学 | 一种障碍物信息解析方法及解析装置和物联设备、芯片 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112798009A (zh) * | 2020-12-24 | 2021-05-14 | 北京经纬恒润科技股份有限公司 | 远程驾驶辅助显示方法及装置 |
CN112798009B (zh) * | 2020-12-24 | 2024-04-05 | 北京经纬恒润科技股份有限公司 | 远程驾驶辅助显示方法及装置 |
CN112937607A (zh) * | 2021-03-29 | 2021-06-11 | 紫清智行科技(北京)有限公司 | 一种用于景区观光车的网联自动驾驶***及方法 |
CN113177509A (zh) * | 2021-05-19 | 2021-07-27 | 浙江大华技术股份有限公司 | 一种倒车行为识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111832667B (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832667B (zh) | 一种园区无人驾驶观光车的驾驶行为决策*** | |
CN113386795B (zh) | 一种自动驾驶车辆智能决策及局部轨迹规划方法及其决策*** | |
WO2021136130A1 (zh) | 一种轨迹规划方法及装置 | |
WO2019214163A1 (zh) | 一种代客泊车方法及装置 | |
RU2719495C2 (ru) | Способ и устройство помощи при вождении | |
CN111422196A (zh) | 一种适用于微巴的智能网联自动驾驶***及方法 | |
WO2022007655A1 (zh) | 一种自动换道方法、装置、设备及存储介质 | |
CN113916246A (zh) | 一种无人驾驶避障路径规划方法和*** | |
CN107618506B (zh) | 一种自动驾驶装置用避障***及其避障方法 | |
CN115291596A (zh) | 道路可行驶区域推理方法及装置 | |
WO2022016351A1 (zh) | 一种行驶决策选择方法以及装置 | |
US20190129432A1 (en) | Semantic object clustering for autonomous vehicle decision making | |
CN111994068A (zh) | 一种基于智能轮胎触觉感知的智能驾驶汽车控制*** | |
WO2022051951A1 (zh) | 车道线检测方法、相关设备及计算机可读存储介质 | |
CN113428180A (zh) | 一种无人驾驶车辆单道行驶车速控制方法、***及终端 | |
CN115416650A (zh) | 一种车辆的智能驾驶避障*** | |
CN115938154A (zh) | 基于场端协同的大型电动卡车的自主泊车***的设置方法 | |
CN109656242A (zh) | 一种自动驾驶行车路径规划*** | |
CN113870246A (zh) | 一种基于深度学习的障碍物探测和识别方法 | |
US20220176987A1 (en) | Trajectory limiting for autonomous vehicles | |
WO2022151839A1 (zh) | 一种车辆转弯路线规划方法及装置 | |
CN115131963A (zh) | 一种基于激光雷达和毫米波雷达的矿车雷达协同方法、***、装置及介质 | |
CN211995540U (zh) | 一种考虑效益最大化的车道变更*** | |
CN113799794B (zh) | 车辆纵向运动参数的规划方法和装置 | |
CN114545950A (zh) | 一种无人驾驶智能小车的控制方法 |
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 |