CN112327888B - 路径规划方法、装置、电子设备和存储介质 - Google Patents
路径规划方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112327888B CN112327888B CN202110015540.7A CN202110015540A CN112327888B CN 112327888 B CN112327888 B CN 112327888B CN 202110015540 A CN202110015540 A CN 202110015540A CN 112327888 B CN112327888 B CN 112327888B
- Authority
- CN
- China
- Prior art keywords
- grid
- determining
- sequence
- target obstacle
- grid sequence
- 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 43
- 230000007613 environmental effect Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 description 17
- 230000004888 barrier function Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000283070 Equus zebra Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002787 reinforcement 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
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
- G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons in combination with a laser
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—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
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种路径规划方法、装置、电子设备和存储介质;本发明实施例获取环境信息、自身状态信息和道路地图;根据自身状态信息对道路地图进行栅格化得到栅格地图;根据环境信息确定栅格地图中栅格的权重;确定栅格地图中目标障碍物对应的栅格序列集合,栅格序列集合包括多个栅格序列;根据栅格的权重,确定栅格序列对应的轨迹概率;根据目标栅格序列确定目标障碍物的预测轨迹,目标栅格序列为栅格序列集合中栅格序列所对应轨迹概率的数值大于预设阈值的栅格序列;根据预测轨迹进行自身路径规划,得到规划路径。在本发明实施例中,在进行路径规划时考虑了障碍物与障碍物之间的影响。由此,本方案可以提升根据规划路径行驶的安全性。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种路径规划方法、装置、电子设备和存储介质。
背景技术
智能汽车主要依靠车内的以计算机***为主的智能驾驶仪来实现驾驶的目的。在一定的环境模型基础上,给定智能汽车起始点和目标点后,该智能汽车能够按照性能指标规划出一条无碰撞、能安全到达目标点的有效路径。
目前,智能汽车在进行路径规划时,预测周围障碍车辆的行驶轨迹的准确率较低,导致规划出的智能汽车的根据规划路径行驶的安全性较低。
发明内容
本发明实施例提供一种路径规划方法、装置、电子设备和存储介质,可以提升根据规划路径行驶的安全性。
本发明实施例提供一种路径规划方法,包括:
获取环境信息、自身状态信息和道路地图;
根据自身状态信息对道路地图进行栅格化得到栅格地图,栅格地图包括多个栅格;
根据环境信息确定栅格的权重;
确定栅格地图中目标障碍物对应的栅格序列集合,栅格序列集合包括多个栅格序列;
根据栅格的权重,确定栅格序列对应的轨迹概率;
根据目标栅格序列确定目标障碍物的预测轨迹,目标栅格序列为栅格序列集合中栅格序列所对应轨迹概率的数值大于预设阈值的栅格序列;
根据预测轨迹进行自身路径规划,得到规划路径。
本发明实施例还提供一种路径规划装置,包括:
获取单元,用于获取环境信息、自身状态信息和道路地图;
栅格化单元,用于根据自身状态信息对道路地图进行栅格化得到栅格地图,栅格地图包括多个栅格;
权重单元,用于根据环境信息确定栅格的权重;
序列单元,用于确定栅格地图中目标障碍物对应的栅格序列集合,栅格序列集合包括多个栅格序列;
概率单元,用于根据栅格的权重,确定栅格序列对应的轨迹概率;
轨迹单元,用于根据目标栅格序列确定目标障碍物的预测轨迹,目标栅格序列为栅格序列集合中栅格序列所对应轨迹概率的数值大于预设阈值的栅格序列;
规划单元,用于根据预测轨迹进行自身路径规划,得到规划路径。
在一些实施例中,概率单元具体用于执行以下步骤:
确定目标障碍物的速度,以及栅格序列中障碍物的速度;
根据栅格序列中障碍物的速度确定目标障碍物位于栅格序列的期望速度;
根据目标障碍物位于栅格序列的期望速度和目标障碍物的速度,确定栅格序列的消耗时间;
确定栅格序列集合中栅格序列的总消耗时间,总消耗时间为栅格序列的消耗时间之和;
根据栅格的权重、总消耗时间和栅格序列的消耗时间,确定栅格序列对应的轨迹概率。
在一些实施例中,栅格序列中包括多个栅格,概率单元具体用于执行以下步骤:
确定栅格序列中的相邻栅格,相邻栅格为两两相邻的栅格;
当相邻栅格位于同一车道时,根据目标障碍物的速度确定目标障碍物在相邻栅格之间行驶所耗的第一时间;
当相邻栅格位于不同车道时,根据目标障碍物位于栅格序列的期望速度和目标障碍物的速度确定目标障碍物在相邻栅格之间行驶所耗的第二时间;
对栅格序列中所有相邻栅格的第一时间和第二时间进行求和处理,得到栅格序列的消耗时间。
在一些实施例中,概率单元具体用于执行以下步骤:
确定栅格序列的消耗时间相对总消耗时间的消耗比例;
根据栅格的权重对消耗比例进行加权,得到栅格序列对应的轨迹概率。
在一些实施例中,自身状态信息包括自身定位信息和自身运动速度,栅格化单元具体用于执行以下步骤:
根据预设长度系数和自身运动速度确定栅格长度;
根据道路地图中车道的宽度确定栅格宽度;
以自身定位信息在道路地图中的位置为基准,根据栅格长度和栅格宽度对道路地图进行栅格化,得到栅格地图。
在一些实施例中,环境信息包括目标障碍物的当前位置、目标障碍物的朝向和目标障碍物的速度,轨迹单元具体用于执行以下步骤:
确定道路地图中车道的朝向;
根据目标障碍物的速度、目标障碍物的当前位置、目标障碍物的朝向和车道的朝向,确定收敛系数;
根据目标障碍物的当前位置、目标障碍物的速度和收敛系数,以预设时间间隔在目标栅格序列中生成多个轨迹点;
根据多个轨迹点确定目标障碍物的预测轨迹。
在一些实施例中,目标障碍物的当前位置包括当前横向位置和当前纵向位置,轨迹单元具体用于执行以下步骤:
根据目标障碍物的速度,以预设时间间隔将当前纵向位置进行修改,得到轨迹点的纵向位置;
根据收敛系数,以预设时间间隔将当前横向位置进行修改,得到轨迹点的横向位置;
根据轨迹点的纵向位置和轨迹点的横向位置,在目标栅格序列中生成轨迹点。
在一些实施例中,权重单元具体用于执行以下步骤:
根据环境信息确定栅格地图中障碍物的分布情况;
确定栅格上一时刻的权重;
根据栅格地图中障碍物的分布情况对上一时刻的权重进行更新,得到栅格当前时刻的权重。
本发明实施例还提供一种电子设备,包括存储器和处理器,存储器存储有多条指令;所述处理器从所述存储器中加载指令,以执行本发明实施例所提供的任一种路径规划方法中的步骤。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有多条指令,所述指令适于处理器进行加载,以执行本发明实施例所提供的任一种路径规划方法中的步骤。
本发明实施例可以获取环境信息、自身状态信息和道路地图;根据自身状态信息对道路地图进行栅格化得到栅格地图,栅格地图包括多个栅格;根据环境信息确定栅格的权重;确定栅格地图中目标障碍物对应的栅格序列集合,栅格序列集合包括多个栅格序列;根据栅格的权重,确定栅格序列对应的轨迹概率;根据目标栅格序列确定目标障碍物的预测轨迹,目标栅格序列为栅格序列集合中栅格序列所对应轨迹概率的数值大于预设阈值的栅格序列;根据预测轨迹进行自身路径规划,得到规划路径。
在本发明中,首先根据智能汽车的自身状态信息对道路地图进行栅格化得到栅格地图,然后根据其周围的障碍物分布情况确定栅格地图中每个栅格的权重;进而确定栅格地图中每个障碍物对应的栅格序列集合,该栅格序列集合中包括多个栅格序列,根据栅格的权重确定该障碍物沿每个栅格序列对应的行驶轨迹行驶的概率;进而得到栅格序列所对应的概率的数值大于预设阈值的目标栅格序列,根据该目标栅格序列得到障碍物的预测轨迹;因为在预测障碍物的预测轨迹时,考虑了栅格地图中其他障碍物的分布情况,并根据该预测轨迹对自身进行路径规划。由此,提升了根据规划路径行驶的安全性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1a是本发明实施例提供的路径规划方法的场景示意图;
图1b是本发明实施例提供的路径规划方法的流程示意图;
图1c是本发明实施例提供的一种栅格地图的示意图;
图1d是本发明实施例提供的一种车道序列的示意图;
图1e是本发明实例提供的一种道路参考坐标系的示意图;
图2是本发明实施例提供的路径规划装置的第一种结构示意图;
图3是本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种路径规划方法、装置、电子设备和存储介质。其中,该路径规划装置具体可以集成在电子设备中,该电子设备可以为车载终端(Electronic ControlUnit,ECU),也可以为服务器等设备。其中,服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群。
在一些实施例中,该电子设备可以是安装在智能汽车(如无人驾驶汽车)上的设备,如智能驾驶仪,参考图1a,以电子设备为集成了路径规划装置的智能驾驶仪为例。该电子设备获取环境信息、自身状态信息和道路地图;根据自身状态信息对道路地图进行栅格化得到栅格地图,栅格地图包括多个栅格;根据环境信息确定栅格的权重;确定栅格地图中目标障碍物对应的栅格序列集合,栅格序列集合包括多个栅格序列;根据栅格的权重,确定栅格序列对应的轨迹概率;根据目标栅格序列确定目标障碍物的预测轨迹,目标栅格序列为栅格序列集合中栅格序列所对应轨迹概率的数值大于预设阈值的栅格序列;根据预测轨迹进行自身路径规划,得到规划路径。在本发明实施例中,在进行路径规划时考虑了障碍物与障碍物之间的影响。由此,本方案可以提升根据规划路径行驶的安全性。
以下分别进行详细说明。需说明的是,以下实施例的序号不作为对实施例优选顺序的限定。
本发明实施例提供的路径规划方法涉及人工智能领域中的无人驾驶技术。其中,人工智能(Artificial Intelligence,AI)是一种利用数字计算机来模拟人类感知环境、获取知识并使用知识的技术,该技术可以使机器具有类似于人类的感知、推理与决策的功能。人工智能技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习、深度学习等几大方向。
无人驾驶技术是传感器、计算机、人工智能、通信、导航定位、模式识别、机器视觉、智能控制等多门前沿学科的综合体,指的是不需要测试驾驶员执行物理性驾驶操作的情况下,能够对车辆行驶任务进行指导与决策,并代替测试驾驶员的操控行为,使车辆完成安全行驶的功能的技术。按照智能汽车的职能模块,智能汽车的关键技术包括环境感知、导航定位、路径规划、决策控制等。本方案主要涉及路径规划,路径规划是智能汽车信息感知和智能控制的桥梁,是实现自主驾驶的基础。路径规划的任务就是在具有障碍物的环境内按照一定的评价标准,寻找一条从起始状态包括位置和姿态到达目标状态的无碰路径。
在本实施例中,提供了一种路径规划方法,如图1b所示,该路径规划方法的具体流程可以如下:
101、获取环境信息、自身状态信息和道路地图。
其中,自身状态信息用于表征智能汽车自身的运动状态,可以包括自身运动速度、自身定位信息、姿态信息等。本实施例中,若无特殊说明,自身状态信息用于表征智能汽车当前时刻所处的运动状态。可以通过车载设备获取自身状态信息,该车载设备可以是惯导设备、GPS定位设备、轮速计等。需要说明的是,在本实施例中自身均指智能汽车,或安装在智能汽车上的设备。
道路地图用于表征智能汽车当前所在道路的地图。可以包括车道的宽度、车道中心线、道路边界点、车道虚实线、停止线、斑马线和十字路口等。
环境信息用于表征智能汽车行驶过程中实时感知的周围环境的信息,可以包括行驶道路上的障碍物的信息。该障碍物包括智能汽车周围的机动车、非机动车等;该障碍物的信息包括障碍物的当前位置、运动状态(如速度、朝向等)等。
其中,可以通过环境感知模块获取环境信息和道路地图,该环境感知模块可以是激光雷达、摄像头、毫米波雷达等设备。
102、根据自身状态信息对道路地图进行栅格化得到栅格地图。
其中,栅格地图包括多个栅格,每个栅格可以具有相同的栅格长度和栅格宽度。栅格地图中栅格的具体数量和排列方式不做限制,可以有一个或多个栅格,可以排列成任意形状。栅格化表示将道路地图划分为多个栅格。
在一些实施例中,对道路地图进行栅格化的具体实施方式可参照以下步骤:
根据预设长度系数和自身运动速度确定栅格长度。其中,预设长度系数的值可根据实际应用情况自定义设置,例如,该预设长度系数的值可以在0.2~0.3之间;该预设长度系数可以用于调整栅格长度,例如自身运动速度较大,则长度系数较大,可以使栅格的长度更合理。例如,可以通过长度系数乘以自身运动速度的平方,计算得到栅格长度,可参照下式所示:
其中,用于表征栅格长度;用于表征预设长度系数;用于表征自身运动
速度。在一些实施例中,用于表征预设长度阈值,即栅格长度可以大于等于预设长度阈
值,并小于等于预设长度阈值的3倍;该预设长度阈值可根据实际应用情况自定义设置,例
如,假设该预设长度阈值为20m或30m,则栅格长度可以为20m~60m或30m~90m。
根据道路地图中车道的宽度确定栅格宽度。在一些实施例中,确定栅格宽度等于道路地图中车道的宽度。
以自身定位信息在道路地图中的位置为基准,根据栅格长度和栅格宽度对道路地
图进行栅格化,得到栅格地图。例如,图1c是本发明实施例提供的一种栅格地图的示意图。
如图1c中的(一)所示,根据自身定位信息确定自身所在的车道,以自身所在的车道为基准,
根据栅格宽度和栅格长度,沿着该车道以及左右相邻车道形成i列j行的栅格,得到栅格地
图。以最左边的车道为第一列,车道最前方的栅格为第一行,确定每个栅格的栅格序号,并
标记为,如栅格序号为12、22等。如图1c中的(二)所示,该栅格
地图包括4*3个栅格,EV用于表征智能汽车。需要说明的是,智能汽车所在的栅格可以位于
栅格地图的倒数第一行或倒数第二行;即智能汽车所在栅格的前方可以比智能汽车所在栅
格的后方的栅格多,可以更好的考虑智能汽车前方障碍物可能的行驶轨迹。
在一些实施例中,通过环境信息,确定行驶道路上的障碍物的位置。当障碍物不在栅格地图中时,确定该障碍物距智能汽车的距离。当障碍物距智能汽车的距离小于预设距离阈值时,则根据障碍物是否在车道上以及当前的速度采取相应的方法生成可能的行驶轨迹。例如,可以根据障碍物的当前状态和目标状态拟合曲线生成障碍物的轨迹;或目标障碍物所在车道的形状生成障碍物的轨迹;或参考动力学模型生成障碍物的轨迹等方式。其中,预设距离阈值的值可根据实际应用情况自定义设置,例如根据障碍物的速度进行设置,如为70m。当障碍物距智能汽车的距离不小于预设距离阈值时,则忽略该障碍物。
需要说明的是,本实施例涉及的栅格地图为以智能汽车自身定位信息为基准,将道路地图中智能汽车位置周围的地图进行栅格化,得到的包括多个栅格的栅格地图,而不是将整个道路地图全部进行栅格化。由此,可以提高运算效率。
103、根据环境信息确定栅格的权重。
在一些实施例中,根据环境信息确定栅格地图中障碍物的分布情况,其中,栅格地图中障碍物的分布情况用于表征栅格地图中有障碍物的栅格的情况。根据当前时刻栅格内是否有障碍物设置栅格的初始权重;例如,栅格内有障碍物则将该栅格的初始权重设置为1.0,栅格内没有障碍物则将该栅格的初始权重设置为0.0。可参照下式所示:
其中,用于表征栅格的初始权重。具体地,环境信息中包括障碍物的位置,根
据障碍物的位置,确定障碍物对应在栅格地图的栅格中时栅格的栅格序号。根据该栅格序
号将对应栅格的初始权重设置为1.0,将余下栅格序号对应栅格的初始权重设置为0.0。如
图1c中的(三)所示,0.0用于表示对应栅格中无障碍物,1.0用于表示对应栅格中有障碍物。
因此,栅格的初始权重的大小可以用于表征当前时刻栅格内是否有障碍物。
在一些实施例中,可以对智能汽车所在栅格外的其他栅格的权重做膨胀处理,得到栅格的权重。具体地,设置预设膨胀系数,该预设膨胀系数可根据实际应用情况自定义设置,如该预设膨胀系数的值可以为0.1。根据预设膨胀系数和当前栅格的相邻的栅格的初始权重,对该当前栅格的初始权重进行更新。其中,当前栅格为栅格地图中智能汽车所在栅格外的任一其他栅格。例如,若与当前栅格相邻的栅格中,初始权重为1.0的栅格的个数为n,则根据预设膨胀系数和n将当前栅格的初始权重进行更新,得到当前栅格的权重。例如,当前栅格的权重为该初始权重与n倍预设膨胀系数之和,可参照下式所示:
其中,用于表征栅格的权重;用于表征预设膨胀系数;用于表征与当前
栅格相邻的栅格中初始权重为1.0的栅格的个数。例如,如图1c中的(四)所示,以栅格序号
为22的栅格为例,该栅格的初始权重为0.0,预设膨胀系数的值为0.1,与其相邻的栅格中初
始权重为1.0的栅格的个数为2,则该栅格更新后的权重为0.2。
在一些实施例中,根据环境信息实时确定栅格地图中障碍物的分布情况;以及确定栅格上一时刻的权重;然后根据栅格地图中障碍物的分布情况对上一时刻的权重进行更新,得到栅格当前时刻的权重。其中,上一时刻用于表征智能汽车当前所处时刻的上一时刻。即智能汽车在行驶过程中,栅格的权重是随着智能汽车周围障碍物情况的变化而变化的;若上一时刻栅格中的有障碍物,当前时刻所有障碍物驶出了该栅格,则将该栅格周围栅格的权重减小;若上一时刻栅格中无障碍物,当前时刻驶进了障碍物,则将该栅格的权重增大。
104、确定栅格地图中目标障碍物对应的栅格序列集合。
其中,目标障碍物为栅格地图中的任一障碍物。需要说明的是,实际应用中可以对栅格地图中的所有障碍物都执行步骤104至步骤106,本实施例仅以目标障碍物为例进行详细阐述。
栅格序列集合包括多个栅格序列,栅格序列集合用于表征目标障碍物所有可能的行驶轨迹对应的栅格序列的集合。栅格序列包括多个栅格,栅格序列用于表征目标障碍物的一种可能的行驶轨迹对应的栅格序列。例如,如图1c中的(二)所示,假设目标障碍物在栅格序号为22的栅格中,则目标障碍物对应的栅格序列有栅格序列1(22,21)、栅格序列2(22,12,11)、栅格序列3(22,32,31),由栅格序列1、栅格序列2、栅格序列3可组成目标障碍物对应的栅格序列集合。
105、根据栅格的权重,确定栅格序列对应的轨迹概率。
在一些实施例中,根据栅格的权重确定栅格序列对应的轨迹概率的具体实施方式可参照以下步骤:
a、确定目标障碍物的速度,以及栅格序列中障碍物的速度。其中,栅格序列中障碍物的数量可以有一个或多个。在一些实施例中,由于栅格序列包括多个栅格,因此可以确定每个栅格中障碍物的速度,栅格中障碍物的数量可以有一个或多个。需要说明的是,因为栅格序列为目标障碍物对应的栅格序列,因此目标障碍物属于栅格序列中的障碍物;但可能属于栅格中的障碍物,也有可能不属于栅格中的障碍物。
b、根据栅格序列中障碍物的速度确定目标障碍物位于栅格序列的期望速度。其
中,目标障碍物位于栅格序列的期望速度用于表征目标障碍物行驶在该栅格序列对应的行
驶轨迹时可能的行驶速度。在一些实施例中,假设栅格序列包括个栅格,以第一栅格为
例对确定目标障碍物位于栅格序列的期望速度进行详细阐述,该第一栅格为栅格序列中的
任一栅格。假设第一栅格中存在个障碍物,每个障碍物的速度为,则将第
一栅格内所有障碍物的平均速度作为目标障碍物位于该第一栅格的期望速度;若第一栅格
内不存在障碍物,则将目标障碍物的速度作为目标障碍物位于该第一栅格的期望速度。可
参照下式所示:
其中,用于表征目标障碍物位于该第一栅格的期望速度;用于表征第一栅
格中障碍物的数量;用于表征第一栅格中障碍物的速度;用于表征目标障碍物的
速度。可选地,可以通过目标障碍物位于该第一栅格的期望速度确定方法计算栅格序列中,
目标障碍物位于每个栅格时的期望速度,得到个期望速度;从该个期望速度中选择值
最小的期望速度,作为目标障碍物位于栅格序列的期望速度,可参照下式所示:
c、根据目标障碍物位于栅格序列的期望速度和目标障碍物的速度,确定栅格序列的消耗时间。其中,栅格序列的消耗时间用于表征目标障碍物驶过该栅格序列对应的行驶轨迹所耗费的时间。
在一些实施例中,确定栅格序列中的相邻栅格,相邻栅格为两两相邻的栅格。当相邻栅格位于同一车道时,根据目标障碍物的速度确定目标障碍物在相邻栅格之间行驶所耗的第一时间。当相邻栅格位于不同车道时,根据目标障碍物位于栅格序列的期望速度和目标障碍物的速度确定目标障碍物在相邻栅格之间行驶所耗的第二时间。对栅格序列中所有相邻栅格的第一时间和第二时间进行求和处理,得到栅格序列的消耗时间。例如,可参照下式所示:
d、确定栅格序列集合中栅格序列的总消耗时间,总消耗时间为栅格序列的消耗时间之和。即根据目标障碍物位于栅格序列的期望速度和目标障碍物的速度,确定栅格序列集合中所有栅格序列的消耗时间,将这些栅格序列的消耗时间进行求和处理,得到总消耗时间。
e、根据栅格的权重、总消耗时间和栅格序列的消耗时间,确定栅格序列对应的轨迹概率。其中,栅格序列对应的轨迹概率用于表征目标障碍物行驶该栅格序列对应的行驶轨迹的概率。在一些实施例中,确定栅格序列的消耗时间相对总消耗时间的消耗比例;根据栅格的权重对消耗比例进行加权,得到栅格序列对应的轨迹概率。例如,可参照下式所示:
106、根据目标栅格序列确定目标障碍物的预测轨迹。
其中,目标栅格序列为栅格序列集合中栅格序列所对应轨迹概率的数值大于预设阈值的栅格序列;目标栅格序列用于表征目标障碍物行驶该栅格序列对应的行驶轨迹的概率较大;目标栅格序列的数量不做限制,可以有一个或多个。其中,预设阈值可根据实际应用情况自定义设置。在一些实施例中,确定栅格序列集合中栅格序列所对应轨迹概率的数值大于预设阈值的栅格序列,将这些栅格序列作为目标栅格序列。可选地,可以对目标栅格序列对应的轨迹概率的值进行归一化,例如,可参照下式所示:
在一些实施例中,基于道路地图,目标栅格序列可以由车道序列表示。根据目标障
碍物当前所在车道,可以生成直行、向左变道和向右变道的车道序列。如图1d所示,是本发
明实施例提供的一种车道序列的示意图。Lane0~5用于表征栅格序列中栅格对应的车道, 可以用于表示一种目标栅格序列对应的车道序
列。
在一些实施例中,确定道路参考坐标系。例如,该道路参考坐标系可以为弗莱纳(Frenet)坐标系,如图1e所示,是本实例提供的一种道路参考坐标系的示意图;该道路坐标系包括参考线(s),该参考线可以为根据道路中心线进行平滑生成可供智能汽车行驶的一条(组)线;该道路坐标系还包括与参考线垂直的横线(L),横向距离用d表示;该道路坐标系还包括原点,例如该原点可以为车道的起始点。
环境信息包括目标障碍物的当前位置、目标障碍物的朝向和目标障碍物的速度。
确定道路地图中车道的朝向;在一些实施例中,基于Frenet坐标系和车道序列,确定目标障
碍物的当前位置对应在车道上的点,该点相对参考线的朝向即为车道的朝向。目标障碍
物的当前位置可以用坐标表示,根据目标障碍物的朝向和车道的朝向,确定目标
障碍物由当前位置行驶到与车道相交时的距离。可参照下式所示:
根据目标障碍物的速度、目标障碍物的当前位置、目标障碍物的朝向和车道的朝
向,确定收敛系数。例如,可根据和目标障碍物当前的速度,设置权重和,用于调整收敛系数的值,使得收敛系数的取值保持在收敛范围内。其中,收敛范
围的取值可根据实际应用情况自定义设置,例如收敛范围为0.9~1。可参照下式所示:
根据目标障碍物的当前位置、目标障碍物的速度和收敛系数,以预设时间间隔在目标栅格序列中生成多个轨迹点。在一些实施例中,目标障碍物的当前位置包括当前横向位置和当前纵向位置,当前横向位置用于表征目标障碍物相对参考线的横向距离,当前纵向位置用于表征目标障碍物相对原点在s方向的距离。根据目标障碍物的速度,以预设时间间隔将当前纵向位置进行修改,得到轨迹点的纵向位置;根据收敛系数,以预设时间间隔将当前横向位置进行修改,得到轨迹点的横向位置;根据轨迹点的纵向位置和轨迹点的横向位置,在目标栅格序列中生成轨迹点。
根据多个轨迹点确定目标障碍物的预测轨迹。其中,预测轨迹用于表征在对智能汽车进行路径规划时,需要考虑的障碍物可能的行驶轨迹。需要说明的是,本发明实施例仅以确定目标障碍物对应的一条预测轨迹为例进行了详细说明,可以理解的是目标障碍物可能对应多条预测轨迹。并且栅格地图中所有障碍物,都可参照目标障碍物的预测轨迹的确定方法进行确定,得到栅格地图中所有障碍物的预测轨迹。因此,通过栅格地图中障碍物的分布情况,得到目标障碍物每条可能的行驶轨迹的概率,进而选出概率大于预设阈值的行驶轨迹作为目标障碍物的预测轨迹,考虑了障碍物与障碍物之间的相互影响,更符合行驶行为,对栅格地图中障碍物的行驶轨迹预测更加准确。
107、根据预测轨迹进行自身路径规划,得到规划路径。
在一些实施例中,可以将栅格地图中所有障碍物的预测轨迹输入路径规划模块进行自身路径规划。其中,路径规划模块为集成了路径规划算法的设备,该模块可以是电子设备中的部分模块,也可以是单独的设备。路径规划算法可以包括传统路径规划算法(如迪杰斯特拉算法(Dijkstra)、A*(A-Star)算法等)、智能路径规划算法(如粒子群优化算法(Particle Swarm Optimization,PSO)、遗传算法、强化学习等)、传统与智能相结合的算法等。可选地,还可以将预测轨迹对应的归一化后的轨迹概率,以及目标障碍物的运动状态输入路径规划模块。由于考虑障碍物与障碍物之间的相互影响,来预测预测栅格地图中障碍物的预测轨迹,提升了预测栅格地图中障碍物的行驶轨迹的准确性,根据该轨迹进行自身路径规划得到规划路径,从而可以提升智能汽车根据该规划路径行驶的安全性。
本发明实施例可以获取环境信息、自身状态信息和道路地图;根据自身状态信息对道路地图进行栅格化得到栅格地图,栅格地图包括多个栅格;根据环境信息确定栅格的权重;确定栅格地图中目标障碍物对应的栅格序列集合,栅格序列集合包括多个栅格序列;根据栅格的权重,确定栅格序列对应的轨迹概率;根据目标栅格序列确定目标障碍物的预测轨迹,目标栅格序列为栅格序列集合中栅格序列所对应轨迹概率的数值大于预设阈值的栅格序列;根据预测轨迹进行自身路径规划,得到规划路径。
在本发明中,首先根据智能汽车的自身状态信息对道路地图进行栅格化得到栅格地图,然后根据其周围的障碍物分布情况确定栅格地图中每个栅格的权重;进而确定栅格地图中每个障碍物对应的栅格序列集合,该栅格序列集合中包括多个栅格序列,根据栅格的权重确定该障碍物沿每个栅格序列对应的行驶轨迹行驶的概率;进而得到栅格序列所对应的概率的数值大于预设阈值的目标栅格序列,根据该目标栅格序列得到障碍物的预测轨迹;因为在预测障碍物的预测轨迹时,考虑了栅格地图中其他障碍物的分布情况,并根据该预测轨迹对自身进行路径规划。由此,提升了根据规划路径行驶的安全性。
为了更好地实施以上方法,本发明实施例还提供一种路径规划装置,该路径规划装置具体可以集成在电子设备中,该电子设备可以为车载终端、服务器等设备。
比如,在本实施例中,将以路径规划装置具体集成在车载终端为例,对本发明实施例的方法进行详细说明。
例如,如图2所示,该路径规划装置可以包括获取单元201、栅格化单元202、权重单元203、序列单元204、概率单元205、轨迹单元206以及规划单元207,如下:
(一)获取单元201
获取单元201,用于根据自身状态信息对道路地图进行栅格化得到栅格地图,栅格地图包括多个栅格。
(二)栅格化单元202
栅格化单元202,用于根据环境信息确定栅格的权重。
在一些实施例中,自身状态信息包括自身定位信息和自身运动速度,栅格化单元202具体用于执行以下步骤:
根据预设长度系数和自身运动速度确定栅格长度;
根据道路地图中车道的宽度确定栅格宽度;
以自身定位信息在道路地图中的位置为基准,根据栅格长度和栅格宽度对道路地图进行栅格化,得到栅格地图。
(三)权重单元203
权重单元203,用于根据栅格的权重,确定栅格序列对应的轨迹概率。
在一些实施例中,权重单元203具体用于执行以下步骤:
根据环境信息确定栅格地图中障碍物的分布情况;
确定栅格上一时刻的权重;
根据栅格地图中障碍物的分布情况对上一时刻的权重进行更新,得到栅格当前时刻的权重。
(四)序列单元204
序列单元204,用于确定栅格地图中目标障碍物对应的栅格序列集合,栅格序列集合包括多个栅格序列;
(五)概率单元205
概率单元205,用于根据栅格的权重,确定栅格序列对应的轨迹概率。
在一些实施例中,概率单元205具体用于执行以下步骤:
确定目标障碍物的速度,以及栅格序列中障碍物的速度;
根据栅格序列中障碍物的速度确定目标障碍物位于栅格序列的期望速度;
根据目标障碍物位于栅格序列的期望速度和目标障碍物的速度,确定栅格序列的消耗时间;
确定栅格序列集合中栅格序列的总消耗时间,总消耗时间为栅格序列的消耗时间之和;
根据栅格的权重、总消耗时间和栅格序列的消耗时间,确定栅格序列对应的轨迹概率。
在一些实施例中,栅格序列中包括多个栅格,概率单元205具体用于执行以下步骤:
确定栅格序列中的相邻栅格,相邻栅格为两两相邻的栅格;
当相邻栅格位于同一车道时,根据目标障碍物的速度确定目标障碍物在相邻栅格之间行驶所耗的第一时间;
当相邻栅格位于不同车道时,根据目标障碍物位于栅格序列的期望速度和目标障碍物的速度确定目标障碍物在相邻栅格之间行驶所耗的第二时间;
对栅格序列中所有相邻栅格的第一时间和第二时间进行求和处理,得到栅格序列的消耗时间。
在一些实施例中,概率单元205具体用于执行以下步骤:
确定栅格序列的消耗时间相对总消耗时间的消耗比例;
根据栅格的权重对消耗比例进行加权,得到栅格序列对应的轨迹概率。
(六)轨迹单元206
轨迹单元206,用于根据目标栅格序列确定目标障碍物的预测轨迹,目标栅格序列为栅格序列集合中栅格序列所对应轨迹概率的数值大于预设阈值的栅格序列。
在一些实施例中,环境信息包括目标障碍物的当前位置、目标障碍物的朝向和目标障碍物的速度,轨迹单元206具体用于执行以下步骤:
确定道路地图中车道的朝向;
根据目标障碍物的速度、目标障碍物的当前位置、目标障碍物的朝向和车道的朝向,确定收敛系数;
根据目标障碍物的当前位置、目标障碍物的速度和收敛系数,以预设时间间隔在目标栅格序列中生成多个轨迹点;
根据多个轨迹点确定目标障碍物的预测轨迹。
在一些实施例中,目标障碍物的当前位置包括当前横向位置和当前纵向位置,轨迹单元206具体用于执行以下步骤:
根据目标障碍物的速度,以预设时间间隔将当前纵向位置进行修改,得到轨迹点的纵向位置;
根据收敛系数,以预设时间间隔将当前横向位置进行修改,得到轨迹点的横向位置;
根据轨迹点的纵向位置和轨迹点的横向位置,在目标栅格序列中生成轨迹点。
(七)规划单元207
规划单元207,用于根据预测轨迹进行自身路径规划,得到规划路径。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
由上可知,本实施例的路径规划装置可以获取环境信息、自身状态信息和道路地图;根据自身状态信息对道路地图进行栅格化得到栅格地图,栅格地图包括多个栅格;根据环境信息确定栅格的权重;确定栅格地图中目标障碍物对应的栅格序列集合,栅格序列集合包括多个栅格序列;根据栅格的权重,确定栅格序列对应的轨迹概率;根据目标栅格序列确定目标障碍物的预测轨迹,目标栅格序列为栅格序列集合中栅格序列所对应轨迹概率的数值大于预设阈值的栅格序列;根据预测轨迹进行自身路径规划,得到规划路径。
由此,在本发明中,首先根据智能汽车的自身状态信息对道路地图进行栅格化得到栅格地图,然后根据其周围的障碍物分布情况确定栅格地图中每个栅格的权重;进而确定栅格地图中每个障碍物对应的栅格序列集合,该栅格序列集合中包括多个栅格序列,根据栅格的权重确定该障碍物沿每个栅格序列对应的行驶轨迹行驶的概率;进而得到栅格序列所对应的概率的数值大于预设阈值的目标栅格序列,根据该目标栅格序列得到障碍物的预测轨迹;因为在预测障碍物的预测轨迹时,考虑了栅格地图中其他障碍物的分布情况,并根据该预测轨迹对自身进行路径规划。由此,提升了根据规划路径行驶的安全性。
本发明实施例还提供一种电子设备,该电子设备可以为车载终端、服务器等设备。
在一些实施例中,该路径规划装置还可以集成在多个电子设备中,比如,路径规划装置可以集成在多个服务器中,由多个服务器来实现本发明的路径规划方法。
在本实施例中,将以本实施例的电子设备是智能驾驶仪为例进行详细描述,比如,如图3所示,其示出了本发明实施例所涉及的智能驾驶仪的结构示意图,具体来讲:
该智能驾驶仪可以包括一个或者一个以上处理核心的处理器301、一个或一个以上计算机可读存储介质的存储器302、电源303、输入模块304以及通信模块305等部件。本领域技术人员可以理解,图3中示出的智能驾驶仪结构并不构成对智能驾驶仪的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器301是该智能驾驶仪的控制中心,利用各种接口和线路连接整个智能驾驶仪的各个部分,通过运行或执行存储在存储器302内的软件程序和/或模块,以及调用存储在存储器302内的数据,执行智能驾驶仪的各种功能和处理数据,从而对智能驾驶仪进行整体监控。在一些实施例中,处理器301可包括一个或多个处理核心;在一些实施例中,处理器301可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器301中。
存储器302可用于存储软件程序以及模块,处理器301通过运行存储在存储器302的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器302可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据智能驾驶仪的使用所创建的数据等。此外,存储器302可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器302还可以包括存储器控制器,以提供处理器301对存储器302的访问。
智能驾驶仪还包括给各个部件供电的电源303,在一些实施例中,电源303可以通过电源管理***与处理器301逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源303还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该智能驾驶仪还可包括输入模块304,该输入模块304可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
该智能驾驶仪还可包括通信模块305,在一些实施例中通信模块305可以包括无线模块,智能驾驶仪可以通过该通信模块305的无线模块进行短距离无线传输,从而为用户提供了无线的宽带互联网访问。比如,该通信模块305可以用于帮助用户收发电子邮件、浏览网页和访问流式媒体等。
尽管未示出,智能驾驶仪还可以包括显示单元等,在此不再赘述。具体在本实施例中,智能驾驶仪中的处理器301会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器302中,并由处理器301来运行存储在存储器302中的应用程序,从而实现各种功能,如下:
获取环境信息、自身状态信息和道路地图;
根据自身状态信息对道路地图进行栅格化得到栅格地图,栅格地图包括多个栅格;
根据环境信息确定栅格的权重;
确定栅格地图中目标障碍物对应的栅格序列集合,栅格序列集合包括多个栅格序列;
根据栅格的权重,确定栅格序列对应的轨迹概率;
根据目标栅格序列确定目标障碍物的预测轨迹,目标栅格序列为栅格序列集合中栅格序列所对应轨迹概率的数值大于预设阈值的栅格序列;
根据预测轨迹进行自身路径规划,得到规划路径。
比如,在一些实施例中,还可以实现如下功能:
确定目标障碍物的速度,以及栅格序列中障碍物的速度;
根据栅格序列中障碍物的速度确定目标障碍物位于栅格序列的期望速度;
根据目标障碍物位于栅格序列的期望速度和目标障碍物的速度,确定栅格序列的消耗时间;
确定栅格序列集合中栅格序列的总消耗时间,总消耗时间为栅格序列的消耗时间之和;
根据栅格的权重、总消耗时间和栅格序列的消耗时间,确定栅格序列对应的轨迹概率。
比如,在一些实施例中,栅格序列中包括多个栅格,还可以实现如下功能:
确定栅格序列中的相邻栅格,相邻栅格为两两相邻的栅格;
当相邻栅格位于同一车道时,根据目标障碍物的速度确定目标障碍物在相邻栅格之间行驶所耗的第一时间;
当相邻栅格位于不同车道时,根据目标障碍物位于栅格序列的期望速度和目标障碍物的速度确定目标障碍物在相邻栅格之间行驶所耗的第二时间;
对栅格序列中所有相邻栅格的第一时间和第二时间进行求和处理,得到栅格序列的消耗时间。
比如,在一些实施例中,还可以实现如下功能:
确定栅格序列的消耗时间相对总消耗时间的消耗比例;
根据栅格的权重对消耗比例进行加权,得到栅格序列对应的轨迹概率。
比如,在一些实施例中,自身状态信息包括自身定位信息和自身运动速度,还可以实现如下功能:
根据预设长度系数和自身运动速度确定栅格长度;
根据道路地图中车道的宽度确定栅格宽度;
以自身定位信息在道路地图中的位置为基准,根据栅格长度和栅格宽度对道路地图进行栅格化,得到栅格地图。
比如,在一些实施例中,环境信息包括目标障碍物的当前位置、目标障碍物的朝向和目标障碍物的速度,还可以实现如下功能:
确定道路地图中车道的朝向;
根据目标障碍物的速度、目标障碍物的当前位置、目标障碍物的朝向和车道的朝向,确定收敛系数;
根据目标障碍物的当前位置、目标障碍物的速度和收敛系数,以预设时间间隔在目标栅格序列中生成多个轨迹点;
根据多个轨迹点确定目标障碍物的预测轨迹。
比如,在一些实施例中,目标障碍物的当前位置包括当前横向位置和当前纵向位置,还可以实现如下功能:
根据目标障碍物的速度,以预设时间间隔将当前纵向位置进行修改,得到轨迹点的纵向位置;
根据收敛系数,以预设时间间隔将当前横向位置进行修改,得到轨迹点的横向位置;
根据轨迹点的纵向位置和轨迹点的横向位置,在目标栅格序列中生成轨迹点。
比如,在一些实施例中,还可以实现如下功能:
根据环境信息确定栅格地图中障碍物的分布情况;
确定栅格上一时刻的权重;
根据栅格地图中障碍物的分布情况对上一时刻的权重进行更新,得到栅格当前时刻的权重。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
由上可知,本实施例的路径规划装置可以获取环境信息、自身状态信息和道路地图;根据自身状态信息对道路地图进行栅格化得到栅格地图,栅格地图包括多个栅格;根据环境信息确定栅格的权重;确定栅格地图中目标障碍物对应的栅格序列集合,栅格序列集合包括多个栅格序列;根据栅格的权重,确定栅格序列对应的轨迹概率;根据目标栅格序列确定目标障碍物的预测轨迹,目标栅格序列为栅格序列集合中栅格序列所对应轨迹概率的数值大于预设阈值的栅格序列;根据预测轨迹进行自身路径规划,得到规划路径。
由上可知,在本发明中,首先根据智能汽车的自身状态信息对道路地图进行栅格化得到栅格地图,然后根据其周围的障碍物分布情况确定栅格地图中每个栅格的权重;进而确定栅格地图中每个障碍物对应的栅格序列集合,该栅格序列集合中包括多个栅格序列,根据栅格的权重确定该障碍物沿每个栅格序列对应的行驶轨迹行驶的概率;进而得到栅格序列所对应的概率的数值大于预设阈值的目标栅格序列,根据该目标栅格序列得到障碍物的预测轨迹;因为在预测障碍物的预测轨迹时,考虑了栅格地图中其他障碍物的分布情况,并根据该预测轨迹对自身进行路径规划。由此,提升了根据规划路径行驶的安全性。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本发明实施例提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的任一种路径规划方法中的步骤。例如,该指令可以执行如下步骤:
获取环境信息、自身状态信息和道路地图;
根据自身状态信息对道路地图进行栅格化得到栅格地图,栅格地图包括多个栅格;
根据环境信息确定栅格的权重;
确定栅格地图中目标障碍物对应的栅格序列集合,栅格序列集合包括多个栅格序列;
根据栅格的权重,确定栅格序列对应的轨迹概率;
根据目标栅格序列确定目标障碍物的预测轨迹,目标栅格序列为栅格序列集合中栅格序列所对应轨迹概率的数值大于预设阈值的栅格序列;
根据预测轨迹进行自身路径规划,得到规划路径。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一种路径规划方法中的步骤,因此,可以实现本发明实施例所提供的任一种路径规划方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本发明实施例所提供的一种路径规划方法、装置、电子设备和计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种路径规划方法,其特征在于,包括:
获取环境信息、自身状态信息和道路地图;
根据所述自身状态信息对所述道路地图进行栅格化得到栅格地图,所述栅格地图包括多个栅格;
根据所述环境信息确定所述栅格的权重;
确定所述栅格地图中目标障碍物对应的栅格序列集合,所述栅格序列集合包括多个栅格序列;
确定所述目标障碍物的速度,以及所述栅格序列中障碍物的速度;
根据所述栅格序列中障碍物的速度确定所述目标障碍物位于所述栅格序列的期望速度;
根据所述目标障碍物位于所述栅格序列的期望速度和所述目标障碍物的速度,确定所述栅格序列的消耗时间;
确定所述栅格序列集合中栅格序列的总消耗时间,所述总消耗时间为所述栅格序列的消耗时间之和;
根据所述栅格的权重、所述总消耗时间和所述栅格序列的消耗时间,确定所述栅格序列对应的轨迹概率;
根据目标栅格序列确定所述目标障碍物的预测轨迹,所述目标栅格序列为所述栅格序列集合中栅格序列所对应轨迹概率的数值大于预设阈值的栅格序列;
根据所述预测轨迹进行自身路径规划,得到规划路径。
2.如权利要求1所述的路径规划方法,其特征在于,所述栅格序列中包括多个栅格,所述根据所述目标障碍物位于所述栅格序列的期望速度和所述目标障碍物的速度,确定所述栅格序列的消耗时间,包括:
确定所述栅格序列中的相邻栅格,所述相邻栅格为两两相邻的栅格;
当所述相邻栅格位于同一车道时,根据所述目标障碍物的速度确定所述目标障碍物在所述相邻栅格之间行驶所耗的第一时间;
当所述相邻栅格位于不同车道时,根据所述目标障碍物位于所述栅格序列的期望速度和所述目标障碍物的速度确定所述目标障碍物在所述相邻栅格之间行驶所耗的第二时间;
对所述栅格序列中所有所述相邻栅格的第一时间和第二时间进行求和处理,得到所述栅格序列的消耗时间。
3.如权利要求1所述的路径规划方法,其特征在于,所述根据所述栅格的权重、所述总消耗时间和所述栅格序列的消耗时间,确定所述栅格序列对应的轨迹概率,包括:
确定所述栅格序列的消耗时间相对所述总消耗时间的消耗比例;
根据所述栅格的权重对所述消耗比例进行加权,得到所述栅格序列对应的轨迹概率。
4.如权利要求1所述的路径规划方法,其特征在于,所述自身状态信息包括自身定位信息和自身运动速度,所述根据所述自身状态信息对所述道路地图进行栅格化得到栅格地图,包括:
根据预设长度系数和所述自身运动速度确定栅格长度;
根据所述道路地图中车道的宽度确定栅格宽度;
以所述自身定位信息在所述道路地图中的位置为基准,根据所述栅格长度和所述栅格宽度对所述道路地图进行栅格化,得到栅格地图。
5.如权利要求1所述的路径规划方法,其特征在于,所述环境信息包括所述目标障碍物的当前位置、所述目标障碍物的朝向和所述目标障碍物的速度,所述根据目标栅格序列确定所述目标障碍物的预测轨迹,包括:
确定所述道路地图中车道的朝向;
根据所述目标障碍物的速度、所述目标障碍物的当前位置、所述目标障碍物的朝向和所述车道的朝向,确定收敛系数;
根据所述目标障碍物的当前位置、所述目标障碍物的速度和所述收敛系数,以预设时间间隔在所述目标栅格序列中生成多个轨迹点;
根据所述多个轨迹点确定所述目标障碍物的预测轨迹。
6.如权利要求5所述的路径规划方法,其特征在于,所述目标障碍物的当前位置包括当前横向位置和当前纵向位置,所述根据所述目标障碍物的当前位置、所述目标障碍物的速度和所述收敛系数,以预设时间间隔在所述目标栅格序列中生成多个轨迹点,包括:
根据所述目标障碍物的速度,以所述预设时间间隔将所述当前纵向位置进行修改,得到轨迹点的纵向位置;
根据所述收敛系数,以预设时间间隔将所述当前横向位置进行修改,得到轨迹点的横向位置;
根据所述轨迹点的纵向位置和所述轨迹点的横向位置,在所述目标栅格序列中生成轨迹点。
7.如权利要求1所述的路径规划方法,其特征在于,所述根据所述环境信息确定所述栅格的权重,包括:
根据所述环境信息确定所述栅格地图中障碍物的分布情况;
确定所述栅格上一时刻的权重;
根据所述栅格地图中障碍物的分布情况对所述上一时刻的权重进行更新,得到所述栅格当前时刻的权重。
8.一种路径规划装置,其特征在于,包括:
获取单元,用于获取环境信息、自身状态信息和道路地图;
栅格化单元,用于根据所述自身状态信息对所述道路地图进行栅格化得到栅格地图,所述栅格地图包括多个栅格;
权重单元,用于根据所述环境信息确定所述栅格的权重;
序列单元,用于确定所述栅格地图中目标障碍物对应的栅格序列集合,所述栅格序列集合包括多个栅格序列;
概率单元,用于确定所述目标障碍物的速度,以及所述栅格序列中障碍物的速度;
概率单元,还用于根据所述栅格序列中障碍物的速度确定所述目标障碍物位于所述栅格序列的期望速度;
概率单元,还用于根据所述目标障碍物位于所述栅格序列的期望速度和所述目标障碍物的速度,确定所述栅格序列的消耗时间;
概率单元,还用于确定所述栅格序列集合中栅格序列的总消耗时间,所述总消耗时间为所述栅格序列的消耗时间之和;
概率单元,还用于根据所述栅格的权重、所述总消耗时间和所述栅格序列的消耗时间,确定所述栅格序列对应的轨迹概率;
轨迹单元,用于根据目标栅格序列确定所述目标障碍物的预测轨迹,所述目标栅格序列为所述栅格序列集合中栅格序列所对应轨迹概率的数值大于预设阈值的栅格序列;
规划单元,用于根据所述预测轨迹进行自身路径规划,得到规划路径。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有多条指令;所述处理器从所述存储器中加载指令,以执行如权利要求1~7任一项所述的路径规划方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1~7任一项所述的路径规划方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110015540.7A CN112327888B (zh) | 2021-01-07 | 2021-01-07 | 路径规划方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110015540.7A CN112327888B (zh) | 2021-01-07 | 2021-01-07 | 路径规划方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112327888A CN112327888A (zh) | 2021-02-05 |
CN112327888B true CN112327888B (zh) | 2021-03-30 |
Family
ID=74302329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110015540.7A Active CN112327888B (zh) | 2021-01-07 | 2021-01-07 | 路径规划方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112327888B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284240B (zh) * | 2021-06-18 | 2022-05-31 | 深圳市商汤科技有限公司 | 地图构建方法及装置、电子设备和存储介质 |
CN113879333B (zh) * | 2021-09-30 | 2023-08-22 | 深圳市商汤科技有限公司 | 轨迹预测方法、装置、电子设备及存储介质 |
CN114286383B (zh) * | 2021-12-27 | 2024-07-02 | 中国联合网络通信集团有限公司 | 网络质量确定方法、装置及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101409323B1 (ko) * | 2013-03-19 | 2014-07-02 | 국방과학연구소 | 무인자율차량 및 이의 동적환경 주행경로생성방법 |
CN107168342B (zh) * | 2017-07-12 | 2020-04-07 | 哈尔滨工大智慧工厂有限公司 | 一种用于机器人路径规划的行人轨迹预测方法 |
CN109782763B (zh) * | 2019-01-18 | 2021-11-23 | 中国电子科技集团公司信息科学研究院 | 一种动态环境下的移动机器人路径规划方法 |
CN111427369B (zh) * | 2020-06-08 | 2020-11-03 | 北京三快在线科技有限公司 | 一种无人车控制方法及装置 |
CN111650945B (zh) * | 2020-06-28 | 2023-10-24 | 北京智行者科技股份有限公司 | 动态障碍物防撞方法 |
CN111857134B (zh) * | 2020-06-29 | 2022-09-16 | 江苏大学 | 一种基于贝叶斯网络的目标障碍车轨迹预测方法 |
CN111968414B (zh) * | 2020-08-26 | 2022-08-05 | 成都民航空管科技发展有限公司 | 基于大数据和ai的4d轨迹预测方法、装置及电子设备 |
-
2021
- 2021-01-07 CN CN202110015540.7A patent/CN112327888B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112327888A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112327888B (zh) | 路径规划方法、装置、电子设备和存储介质 | |
CN112389427B (zh) | 车辆轨迹优化方法、装置、电子设备和存储介质 | |
CN110796856B (zh) | 车辆变道意图预测方法及变道意图预测网络的训练方法 | |
Lin et al. | Vehicle trajectory prediction using LSTMs with spatial–temporal attention mechanisms | |
CN112677995B (zh) | 一种车辆轨迹规划方法、装置、存储介质及设备 | |
CN110136481B (zh) | 一种基于深度强化学习的停车策略 | |
Wang et al. | Collision-free navigation of autonomous vehicles using convex quadratic programming-based model predictive control | |
CN111971574B (zh) | 用于自动驾驶车辆的lidar定位的基于深度学习的特征提取 | |
CN112888612A (zh) | 自动驾驶车辆规划 | |
CN112034834A (zh) | 使用强化学习来加速自动驾驶车辆的轨迹规划的离线代理 | |
US20200183401A1 (en) | Pass route planning method and apparatus, device and readable storage medium | |
US20180284768A1 (en) | Systems and Methods to Control Autonomous Vehicle Motion | |
JP7520444B2 (ja) | 乗り物に基づくデータ処理方法、データ処理装置、コンピュータ機器、及びコンピュータプログラム | |
CN112325898B (zh) | 路径规划方法、装置、设备和存储介质 | |
CN113415288B (zh) | 分段式纵向车速规划方法、装置、设备及存储介质 | |
CN112146680B (zh) | 基于特征图确定消失点 | |
CN112232104A (zh) | 使用相对距离表示消失点 | |
CN112149484A (zh) | 基于车道线确定消失点 | |
Liu et al. | Impact of sharing driving attitude information: A quantitative study on lane changing | |
CN114771570A (zh) | 自动驾驶车辆的控制方法和装置 | |
CN113391633A (zh) | 一种面向城市环境的移动机器人融合路径规划方法 | |
CN114519931B (zh) | 一种路口环境下目标车辆行为预测方法及装置 | |
CN111310919B (zh) | 基于场景切分和局部路径规划的驾驶控制策略训练方法 | |
CN116448134B (zh) | 基于风险场与不确定分析的车辆路径规划方法及装置 | |
Dax et al. | Infrastructure-enabled autonomy: An attention mechanism for occlusion handling |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210205 Assignee: Tianyi Transportation Technology Co.,Ltd. Assignor: CIIC Technology Co.,Ltd.|Zhongzhixing (Shanghai) Transportation Technology Co.,Ltd. Contract record no.: X2022980001515 Denomination of invention: Path planning method, device, electronic device and storage medium Granted publication date: 20210330 License type: Common License Record date: 20220214 |
|
EE01 | Entry into force of recordation of patent licensing contract |