CN112389427A - 车辆轨迹优化方法、装置、电子设备和存储介质 - Google Patents

车辆轨迹优化方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN112389427A
CN112389427A CN202110069601.8A CN202110069601A CN112389427A CN 112389427 A CN112389427 A CN 112389427A CN 202110069601 A CN202110069601 A CN 202110069601A CN 112389427 A CN112389427 A CN 112389427A
Authority
CN
China
Prior art keywords
vehicle
cost
initial reference
target
trajectory
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
Application number
CN202110069601.8A
Other languages
English (en)
Other versions
CN112389427B (zh
Inventor
由长喜
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202110069601.8A priority Critical patent/CN112389427B/zh
Publication of CN112389427A publication Critical patent/CN112389427A/zh
Application granted granted Critical
Publication of CN112389427B publication Critical patent/CN112389427B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/50—Barriers

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请实施例公开了一种车辆轨迹优化方法、装置、电子设备和存储介质；本申请实施例可以获取车辆的当前位置信息以及在预设时长内规划的初始参考轨迹，确定车辆在初始参考轨迹中行驶特征的特征约束信息，计算初始参考轨迹的基本代价，识别该车辆的至少一个目标障碍物，根据初始参考轨迹和每个目标障碍物的预测行驶轨迹，计算初始参考轨迹的障碍物代价，根据车辆的当前***状态和目标***状态计算该初始参考轨迹的终值代价，基于该基本代价、障碍物代价和终值代价确定初始参考轨迹的全局代价，利用该全局代价对初始参考轨迹进行更新，得到更新后参考轨迹，根据更新后参考轨迹控制该车辆行驶。该方案可以有效地提高车辆行驶的安全性。

Description

车辆轨迹优化方法、装置、电子设备和存储介质
技术领域
本申请涉及无人驾驶技术领域，具体涉及一种车辆轨迹优化方法、装置、电子设备和存储介质。
背景技术
近年来，随着人工智能的发展，车辆的无人驾驶技术得到了广泛关注。车辆路径规划是车辆实现无人驾驶的关键技术之一，无人驾驶车辆的行驶轨迹规划是指在一定的环境模型基础上，给定无人驾驶车辆起始点和目标点后，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。
在规划一条行驶轨迹后，无人驾驶车辆开始按照规划的行驶轨迹行驶，但是当行驶途中遇到障碍物的紧急加塞或者需要紧急避让时，现有技术往往通过高强度刹车避免碰撞，这使得车辆在遇到动态障碍物时避障能力较差，不利于车辆的行驶安全。
发明内容
本申请实施例提供一种车辆轨迹优化方法、装置、电子设备和存储介质，可以有效地提高车辆行驶的安全性。
本申请实施例提供一种车辆轨迹优化方法，包括：
获取车辆的当前位置信息以及在预设时长内规划的初始参考轨迹；
确定所述车辆在所述初始参考轨迹中行驶特征的特征约束信息，并基于所述特征约束信息计算所述初始参考轨迹的基本代价；
基于所述当前位置信息识别所述车辆的至少一个目标障碍物，并根据所述初始参考轨迹和每个目标障碍物的预测行驶轨迹，计算所述初始参考轨迹的障碍物代价；
根据所述车辆的当前***状态和目标***状态，计算所述初始参考轨迹的终值代价，所述目标***状态为车辆在预设时长后期望达到的状态；
基于所述基本代价、障碍物代价和终值代价，确定所述初始参考轨迹的全局代价；
利用所述全局代价对所述初始参考轨迹进行更新，得到更新后参考轨迹，根据所述更新后参考轨迹控制所述车辆行驶。
相应的，本申请实施例还提供一种车辆轨迹优化装置，包括：
获取单元，用于获取车辆的当前位置信息以及在预设时长内规划的初始参考轨迹；
第一计算单元，用于确定所述车辆在所述初始参考轨迹中行驶特征的特征约束信息，并基于所述特征约束信息计算所述初始参考轨迹的基本代价；
第二计算单元，用于基于所述当前位置信息识别所述车辆的至少一个目标障碍物，并根据所述初始参考轨迹和每个目标障碍物的预测行驶轨迹，计算所述初始参考轨迹的障碍物代价；
第三计算单元，用于根据所述车辆的当前***状态和目标***状态，计算所述初始参考轨迹的终值代价，所述目标***状态为车辆在预设时长后期望达到的状态；
确定单元，用于基于所述基本代价、障碍物代价和终值代价，确定所述初始参考轨迹的全局代价；
更新单元，用于利用所述全局代价对所述初始参考轨迹进行更新，得到更新后参考轨迹，根据所述更新后参考轨迹控制所述车辆行驶。
可选的，在一些实施例中，所述第二计算单元可以包括识别子单元，如下：
所述识别子单元，具体可以用于根据所述当前位置信息确定所述车辆所在的当前车道；分别获取当前车道和相邻车道中满足预设距离的邻近车辆；计算所述车辆与所述邻近车辆的碰撞时间；将所述碰撞时间满足预设阈值的邻近车辆确定为所述车辆的目标障碍物。
可选的，在一些实施例中，所述预设时长包括至少一个目标时刻，所述第二计算单元可以包括计算子单元，如下：
所述计算子单元，用于基于所述初始参考轨迹和所述目标障碍物的预测行驶轨迹，构建所述至少一个目标时刻所述车辆与所述目标障碍物的碰撞多边形；计算所述至少一个目标时刻所述车辆与所述碰撞多边形的最近距离；基于所述最近距离计算所述车辆与所述目标障碍物的瞬时碰撞代价；根据所述瞬时碰撞代价计算所述初始参考轨迹的障碍物代价。
可选的，在一些实施例中，所述计算子单元，具体可以用于基于所述车辆的初始参考轨迹确定目标时刻所述车辆的形状信息；基于所述目标障碍物的预测行驶轨迹确定目标时刻所述目标障碍物的形状信息；利用所述车辆的形状信息与所述目标障碍物的形状信息计算在目标时刻所述车辆与所述目标障碍物的闵可夫斯基和，根据所述闵可夫斯基和构建碰撞多边形。
可选的，在一些实施例中，所述计算子单元，具体可以用于确定目标时刻所述车辆与所述碰撞多边形最近的目标顶点；以所述目标顶点为中心，将所述车辆所在的平面空间划分为至少一个区域；确定所述车辆所在的目标区域，并基于所述车辆的中点到目标顶点的距离以及所述目标区域，计算所述车辆与所述碰撞多边形的最近距离。
可选的，在一些实施例中，所述行驶特征包括行驶能量，所述基本代价包括能量代价，所述第一计算单元，具体可以用于获取预设能量权重，并确定所述车辆在所述初始参考轨迹中行驶能量的能量约束信息；基于所述能量约束信息计算所述初始参考轨迹的能量代价。
可选的，在一些实施例中，所述行驶特征包括行驶车速，所述基本代价包括车速代价，所述第一计算单元，具体可以用于获取所述车辆当前的行驶车速以及预设车速权重；确定所述车辆在预设时长后的目标车速；基于所述车辆当前的行驶车速、目标车速以及预设车速权重，计算所述初始参考轨迹的车速代价。
可选的，在一些实施例中，所述第一计算单元，具体可以用于获取所述车辆与引导车的跟车距离、所述车辆当前车道的车道限速以及引导车状态；基于所述跟车距离、车道限速以及引导车状态，确定所述车辆预设时长后的目标车速。
可选的，在一些实施例中，所述行驶特征包括车道边界，所述基本代价包括边界代价，所述第一计算单元，具体可以用于根据所述车辆的当前位置信息确定所述车辆的车道左边界和车道右边界；基于所述车道左边界和车道右边界，确定所述车辆在所述初始参考轨迹中的边界约束信息；基于所述边界约束信息计算所述初始参考轨迹的边界代价。
可选的，在一些实施例中，所述行驶特征包括车辆加速度，所述基本代价包括加速度代价，所述第一计算单元，具体可以用于确定所述车辆在所述初始参考轨迹中车辆加速度的最大加速度和最小加速度；基于所述最小加速度和最大加速度，计算所述初始参考轨迹的加速度代价。
可选的，在一些实施例中，所述行驶特征包括车辆横摆角速度，所述基本代价包括角速度代价，所述第一计算单元，具体可以用于确定所述车辆在所述初始参考轨迹中车辆横摆角速度的最小横摆角速度和最大横摆角速度；基于所述最小横摆角速度和最大横摆角速度，计算所述初始参考轨迹的角速度代价。
可选的，在一些实施例中，所述预设时长包括至少一个目标时刻，所述更新单元，具体可以用于若所述全局代价不满足收敛条件，则从预设时长的最后一个目标时刻开始反向计算所述初始参考轨迹中每个目标时刻的最优控制率；根据每个目标时刻的最优控制率确定目标轨迹点；基于目标轨迹点对所述初始参考轨迹进行更新，直到所述全局代价满足收敛条件，得到更新后参考轨迹。
此外，本申请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，以执行本申请实施例提供的任一种车辆轨迹优化方法中的步骤。
此外，本申请实施例还提供一种电子设备，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如本申请实施例提供的任一种车辆轨迹优化方法中的步骤。
此外，本申请实施例还提供一种车辆导航设备，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如本申请实施例提供的任一种车辆轨迹优化方法中的步骤。
此外，本申请实施例还提供一种无人驾驶车辆，所述无人驾驶车辆包括驱动***、控制***和导航***；所述导航***，用于执行本申请实施例提供的任一种车辆轨迹优化方法以对车辆进行导航；所述控制***，用于在所述导航***的导航下，对所述驱动***进行控制；所述驱动***，用于在所述控制***的控制下，驱动所述车辆运动。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中，计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述车辆轨迹优化方面的各种可选实现方式中提供的方法。
本实施例可以获取车辆的当前位置信息以及在预设时长内规划的初始参考轨迹，然后，确定所述车辆在所述初始参考轨迹中行驶特征的特征约束信息，并基于所述特征约束信息计算所述初始参考轨迹的基本代价，基于所述当前位置信息识别所述车辆的至少一个目标障碍物，并根据所述初始参考轨迹和每个目标障碍物的预测行驶轨迹，计算所述初始参考轨迹的障碍物代价，根据所述车辆的当前***状态和目标***状态，计算所述初始参考轨迹的终值代价，所述目标***状态为车辆在预设时长后期望达到的状态，接着，基于所述基本代价、障碍物代价和终值代价，确定所述初始参考轨迹的全局代价，再然后，利用所述全局代价对所述初始参考轨迹进行更新，得到更新后参考轨迹，根据所述更新后参考轨迹控制所述车辆行驶。该方案可以有效地提高车辆行驶的安全性。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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是本申请实施例提供的车辆轨迹优化的场景示意图；
图1b是本申请实施例提供的车辆轨迹优化方法的第一流程图；
图2a是本申请实施例提供的车辆局部坐标系示意图；
图2b是本申请实施例提供的车辆的目标障碍物示意图；
图2c是本申请实施例提供的构建碰撞多边形示意图；
图2d是本申请实施例提供的车辆与碰撞多边形的距离计算示意图；
图2e是本申请实施例提供的车辆轨迹优化方法的第二流程图；
图2f是本申请实施例提供的车辆轨迹优化示意图；
图2g是本申请实施例提供的车辆轨迹优化方法的第三流程图；
图3是本申请实施例提供的车辆轨迹优化装置的结构示意图；
图4是本申请实施例提供的电子设备的结构示意图；
图5是本申请实施例提供的车辆导航设备的结构示意图；
图6是本申请实施例提供的无人驾驶车辆的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
本申请的原理是以实施在一适当的运算环境中来举例说明。在以下的说明中，本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明，除非另有述明。因此，这些步骤及操作将有数次提到由计算机执行，本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存***中的位置处，其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实***置，其具有由该数据格式所定义的特定特性。但是，本申请原理以上述文字来说明，其并不代表为一种限制，本领域测试人员将可了解到以下该的多种步骤及操作亦可实施在硬件当中。
本文所使用的术语“单元”可看做为在该运算***上执行的软件对象。本文该的不同组件、单元、引擎及服务可看做为在该运算***上的实施对象。而本文该的装置及方法可以以软件的方式进行实施，当然也可在硬件上进行实施，均在本申请保护范围之内。
本申请中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元，而是某些实施例还包括没有列出的步骤或单元，或某些实施例还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请实施例提供一种车辆轨迹优化方法、装置、电子设备和存储介质。其中，该车辆轨迹优化装置可以集成在电子设备中，该电子设备可以是服务器，也可以是车载终端（Electronic Control Unit，ECU）等设备。
例如，如图1a所示，首先，该集成了车辆轨迹优化装置的电子设备可以获取车辆的当前位置信息以及在预设时长内规划的初始参考轨迹，然后，确定所述车辆在所述初始参考轨迹中行驶特征的特征约束信息，并基于所述特征约束信息计算所述初始参考轨迹的基本代价，基于所述当前位置信息识别所述车辆的至少一个目标障碍物，并根据所述初始参考轨迹和每个目标障碍物的预测行驶轨迹，计算所述初始参考轨迹的障碍物代价，根据所述车辆的当前***状态和目标***状态，计算所述初始参考轨迹的终值代价，所述目标***状态为车辆在预设时长后期望达到的状态，接着，基于所述基本代价、障碍物代价和终值代价，确定所述初始参考轨迹的全局代价，再然后，利用所述全局代价对所述初始参考轨迹进行更新，得到更新后参考轨迹，根据所述更新后参考轨迹控制所述车辆行驶。
本申请实施例提供的车辆轨迹优化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)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。其中，人工智能软件技术主要包括计算机视觉技术、机器学习/深度学习等方向。
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。按照无人驾驶汽车的职能模块，无人驾驶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，路径规划是无人驾驶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。
由于该方案根据车辆的初始参考轨迹和目标障碍物的预测行驶轨迹来评估障碍物代价，从而通过该障碍物代价、基本代价和终值代价来对初始参考轨迹进行优化，以使得车辆可以在紧急情况下以最小的行驶代价得到最优的行驶轨迹，有效地提高了车辆行驶的安全性，并节约了车辆的能源消耗。该方案通过对无人驾驶车辆规划轨迹在时空领域进行横纵向联合优化，以更好的满足车辆轨迹规划的稳定性、可行性、舒适性和安全性，充分利用车道空间争取刹车时间，同时满足了成本控制需求，使得无人驾驶车辆可以在紧急状态下灵活避让障碍物，大大地提升无人驾驶车辆行驶的安全性。
以下分别进行详细说明。需说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。
本实施例将从车辆轨迹优化装置的角度进行描述，该车辆轨迹优化装置具体可以集成在电子设备中，该电子设备可以是服务器，也可以是车载终端等设备。
一种车辆轨迹优化方法，包括：获取车辆的当前位置信息以及在预设时长内规划的初始参考轨迹，然后，确定所述车辆在所述初始参考轨迹中行驶特征的特征约束信息，并基于所述特征约束信息计算所述初始参考轨迹的基本代价，基于所述当前位置信息识别所述车辆的至少一个目标障碍物，并根据所述初始参考轨迹和每个目标障碍物的预测行驶轨迹，计算所述初始参考轨迹的障碍物代价，根据所述车辆的当前***状态和目标***状态，计算所述初始参考轨迹的终值代价，所述目标***状态为车辆在预设时长后期望达到的状态，接着，基于所述基本代价、障碍物代价和终值代价，确定所述初始参考轨迹的全局代价，再然后，利用所述全局代价对所述初始参考轨迹进行更新，得到更新后参考轨迹，根据所述更新后参考轨迹控制所述车辆行驶。
如图1b所示，该车辆轨迹优化方法应用于上述电子设备，具体流程可以如下：
101、获取车辆的当前位置信息以及在预设时长内规划的初始参考轨迹。
其中，车辆可以指的是无人驾驶车辆（Ego car），也称自动驾驶车辆，可以简称自车，其中，所述当前位置信息可以指的是车辆当前时刻所处的位置信息，比如，车辆当前时刻的在地面坐标系下的坐标，车辆当前时刻所在的车道等等。其中，初始参考轨迹可以指的是无人驾驶车辆预先规划好行驶的轨迹，初始参考轨迹的规划方式可以有很多种，在实际应用中可以根据需求进行规划，在此不做限定。
其中，预设时长的设定方式可以有很多种，比如，可以根据实际应用的需求灵活设置，也可以预先设置好存储在电子设备中。此外，预设时长可以内置于电子设备中，或者，也可以保存在存储器中并发送给电子设备，等等。比如，预设时长可以设定为5秒。
比如，当车辆行驶过程中遇到障碍物，如其他车辆，的紧急加塞或者需要紧急避让时，可以利用iLQR（ilterative linear quadratic regulator，迭代式线性二次调节器）算法实现行驶轨迹的优化。其中，iLQR是一种轨迹优化算法，通过迭代使用LQR不断优化轨迹的目标函数从而获得满足约束条件的最优或次最优解。iLQR适用于处理非线性***，非线性约束以及非线性目标函数的复杂问题，通过局部对***线性化处理以及对约束和目标函数二次化处理，达到简化和高效求解复杂非线性问题的目的。iLQR一般被用来求解离散时间有穷域的轨迹规划问题，表达式可以如下：
Figure 42294DEST_PATH_IMAGE001
Figure 631538DEST_PATH_IMAGE002
Figure 348958DEST_PATH_IMAGE003
Figure 540905DEST_PATH_IMAGE004
Figure 540565DEST_PATH_IMAGE005
其中，s.t.（Subject to的缩写）为约束条件，
Figure 566290DEST_PATH_IMAGE006
为当前时刻起第k步的***状态矢量，
Figure 505427DEST_PATH_IMAGE007
为规划当前时刻的***状态，
Figure 376431DEST_PATH_IMAGE008
与
Figure 747107DEST_PATH_IMAGE009
分别为过程cost(代价)与终值cost，
Figure 412575DEST_PATH_IMAGE010
与
Figure 104587DEST_PATH_IMAGE011
分别为过程约束与终值约束。优化向量定义为
Figure 372758DEST_PATH_IMAGE012
，N为轨迹规划的最大步数，i.e.（例如），N=10~20。f为描述离散***状态变化的动力学方程。比如，设定***状态矢量
Figure 568247DEST_PATH_IMAGE013
，控制矢量
Figure 171660DEST_PATH_IMAGE014
，则***动力学方程
Figure 350968DEST_PATH_IMAGE015
由以下表达式进行描述：
Figure 298196DEST_PATH_IMAGE016
Figure 472825DEST_PATH_IMAGE017
Figure 11254DEST_PATH_IMAGE018
Figure 645235DEST_PATH_IMAGE019
其中，
Figure 661733DEST_PATH_IMAGE020
、
Figure 97393DEST_PATH_IMAGE021
为自车在地面坐标系下的坐标，
Figure 541144DEST_PATH_IMAGE022
为速度，
Figure 930931DEST_PATH_IMAGE023
为朝向角（yaw），
Figure 751119DEST_PATH_IMAGE024
与
Figure 900341DEST_PATH_IMAGE025
分别为加速度和角速度。比如，可以设定规划时长（即预设时长）T=5秒，规划步数N=20（即预设时长可以包括20个目标时刻），则每一个时间步（time step）等于dt=T/N=0.25秒。由于iLQR算法无法直接处理约束函数，通常情况下需要将约束信息
Figure 514993DEST_PATH_IMAGE026
，
Figure 890611DEST_PATH_IMAGE027
转化为代价函数（软约束）
Figure 481867DEST_PATH_IMAGE028
，通过设计代价函数
Figure 626540DEST_PATH_IMAGE028
来满足约束条件。在本方案中，可以针对紧急避让功能设计优化问题，并使用iLQR实现紧急避让功能，具体可以详见以下说明。其中，Ipopt（interior pointoptimizer，内点法优化器）、SQP（sequential quadratic programming，顺序二次规划）以及nMPC（nonlinear model predictive control，非线性模型预测控制）也可以用于轨迹规划和优化，但是相对而言计算负载更重，不利于成本控制。
102、确定所述车辆在所述初始参考轨迹中行驶特征的特征约束信息，并基于所述特征约束信息计算所述初始参考轨迹的基本代价。
其中，行驶特征可以指的是车辆在行驶过程中的参数，比如，行驶特征可以包括行驶能量、行驶车速、车道边界、车辆加速度、车辆横摆角速度等等。特征约束信息可以指的是车辆的行驶特征进行约束的信息，比如，特征约束信息可以包括车道车速约束信息（如车道限速）、边界约束信息、加速度约束信息（如最大加速度、最小加速度）、角速度约束信息（如最大横摆角速度、最小横摆角速度）等等。其中，过程代价可以包括基本代价和障碍物代价，所述基本代价表征所述车辆在预设时长内行驶过程所付出的代价，比如，可以表征所述车辆在预设时长内行驶过程一般所需付出的代价，比如，基本代价可以包括能量代价、车速代价、边界代价、加速度代价、角速度代价等等。
例如，所述行驶特征可以包括行驶能量，所述基本代价可以包括能量代价，具体可以获取预设能量权重，并确定所述车辆在所述初始参考轨迹中行驶能量的能量约束信息，基于所述能量约束信息计算所述初始参考轨迹的能量代价。比如，具体计算可以如下：
Figure 536727DEST_PATH_IMAGE029
其中，
Figure 134062DEST_PATH_IMAGE030
为权重，
Figure 30474DEST_PATH_IMAGE030
与
Figure 265539DEST_PATH_IMAGE031
直接影响轨迹的平滑性以及控制信号的平滑性，一般
Figure 487573DEST_PATH_IMAGE030
与
Figure 696838DEST_PATH_IMAGE031
会设定为较大值以增加轨迹平滑程度。对于障碍物紧急避让功能开发而言，往往鼓励采用通过制动的方法进行避让，而不是通过加速来进行超车，因此
Figure 396940DEST_PATH_IMAGE031
可以设定成分段式。比如可以按如下形式进行设定，
Figure 516206DEST_PATH_IMAGE032
，
Figure 610939DEST_PATH_IMAGE033
，
Figure 448445DEST_PATH_IMAGE034
。
例如，所述行驶特征可以包括行驶车速，所述基本代价可以包括车速代价，具体可以获取所述车辆当前的行驶车速以及预设车速权重，确定所述车辆在预设时长后的目标车速，基于所述车辆当前的行驶车速、目标车速以及预设车速权重，计算所述初始参考轨迹的车速代价。其中，确定所述车辆在预设时长后的目标车速的方式可以有很多种，例如，具体可以获取所述车辆与引导车的跟车距离、所述车辆当前车道的车道限速以及引导车状态；基于所述跟车距离、车道限速以及引导车状态，确定所述车辆预设时长后的目标车速。其中，引导车（Leading car/leader）可以指的是车辆行驶过程中出现或即将出现在自车前方的目标车道内最近环境车辆。引导车状态可以指的是引导车当前的***状态。比如，车速代价的具体计算可以如下：
Figure 811293DEST_PATH_IMAGE035
其中，
Figure 785065DEST_PATH_IMAGE036
为权重，
Figure 817743DEST_PATH_IMAGE037
为目标车速。调整
Figure 632292DEST_PATH_IMAGE036
主要影响自车加速、减速的激进程度。目标车速的设计往往需要考虑跟车距离，车道限速，引导车状态等。
Figure 939776DEST_PATH_IMAGE038
其中，
Figure 33634DEST_PATH_IMAGE039
为车道限速，
Figure 502793DEST_PATH_IMAGE040
为引导车车速，
Figure 282268DEST_PATH_IMAGE041
为自车与引导车距离，
Figure 252498DEST_PATH_IMAGE042
为目标跟车距离，一般由跟车时距
Figure 200862DEST_PATH_IMAGE043
定义，即
Figure 840922DEST_PATH_IMAGE044
，
Figure 609158DEST_PATH_IMAGE045
为自车车速，
Figure 494331DEST_PATH_IMAGE046
秒。
例如，所述行驶特征可以包括车道边界，所述基本代价可以包括边界代价，具体可以根据所述车辆的当前位置信息确定所述车辆的车道左边界和车道右边界；基于所述车道左边界和车道右边界确定所述车辆在所述初始参考轨迹中的边界约束信息；基于所述边界约束信息计算所述初始参考轨迹的边界代价。车道左边界、右边界定义轨迹规划的搜索范围。比如，可以假定车道边界可由多项式曲线描述，即
Figure 156256DEST_PATH_IMAGE047
，
Figure 232797DEST_PATH_IMAGE048
，则边界代价可以包括左边界代价和右边界代价，具体计算可以如下：
Figure 488329DEST_PATH_IMAGE049
Figure 410148DEST_PATH_IMAGE050
其中，
Figure 566061DEST_PATH_IMAGE051
、
Figure 813502DEST_PATH_IMAGE052
为系数。
Figure 821910DEST_PATH_IMAGE053
和
Figure 672054DEST_PATH_IMAGE054
可以为矩阵
Figure 449517DEST_PATH_IMAGE055
，
Figure 103746DEST_PATH_IMAGE056
。
例如，所述行驶特征可以包括车辆加速度，所述基本代价可以包括加速度代价，具体可以确定所述车辆在所述初始参考轨迹中车辆加速度的最大加速度和最小加速度；基于所述最小加速度和最大加速度，计算所述初始参考轨迹的加速度代价。比如，加速度约束可以为
Figure 68291DEST_PATH_IMAGE057
，则加速度代价可以包括最小加速度代价和最大加速度代价，具体计算可以如下：
Figure 597492DEST_PATH_IMAGE058
Figure 229462DEST_PATH_IMAGE059
其中，
Figure 677761DEST_PATH_IMAGE060
、
Figure 159295DEST_PATH_IMAGE061
分别为设定的最小加速度、最大加速度，
Figure 226609DEST_PATH_IMAGE062
、
Figure 447505DEST_PATH_IMAGE063
为系数，
Figure 207651DEST_PATH_IMAGE064
。
例如，所述行驶特征可以包括车辆横摆角速度，所述基本代价可以包括角速度代价，具体可以确定所述车辆在所述初始参考轨迹中车辆横摆角速度的最小横摆角速度和最大横摆角速度；基于所述最小横摆角速度和最大横摆角速度，计算所述初始参考轨迹的角速度代价。比如，横摆角速度约束可以为：
Figure 271422DEST_PATH_IMAGE065
，则角速度代价可以包括最小横摆角速度代价和最大横摆角速度代价，具体计算可以如下：
Figure 643891DEST_PATH_IMAGE066
Figure 719294DEST_PATH_IMAGE067
其中，
Figure 915920DEST_PATH_IMAGE068
、
Figure 342354DEST_PATH_IMAGE069
分别为设定的最小横摆角速度和最大横摆角速度，
Figure 876103DEST_PATH_IMAGE062
、
Figure 835707DEST_PATH_IMAGE070
为系数，
Figure 937655DEST_PATH_IMAGE071
。此处对于
Figure 585805DEST_PATH_IMAGE068
和
Figure 798612DEST_PATH_IMAGE069
的设定比较关键，不合适的取值会影响规划轨迹的可行性，比如，可以采用如下方式设定
Figure 238820DEST_PATH_IMAGE068
和
Figure 571774DEST_PATH_IMAGE069
：
Figure 238379DEST_PATH_IMAGE072
Figure 989297DEST_PATH_IMAGE073
其中，
Figure 159378DEST_PATH_IMAGE074
为设定的最大侧向加速度。假定道路附着系数为
Figure 101664DEST_PATH_IMAGE075
，则
Figure 114620DEST_PATH_IMAGE074
可设定为
Figure 669229DEST_PATH_IMAGE076
, 其中
Figure 693817DEST_PATH_IMAGE077
为重力加速度常数，
Figure 308469DEST_PATH_IMAGE078
为可设定系数。
103、基于所述当前位置信息识别所述车辆的至少一个目标障碍物，并根据所述初始参考轨迹和每个目标障碍物的预测行驶轨迹，计算所述初始参考轨迹的障碍物代价。
其中，目标障碍物可以指的是能迟滞或阻止车辆行动的地形、地物和其他设施等等。目标障碍物可以是静止的也可以是动态的，比如，可以指的是在无人驾驶车辆在行驶过程中能迟滞或阻碍无人驾驶车辆正常行驶的车辆。目标障碍物的预测行驶轨迹可以指的是根据目标障碍物当前的行驶状态预测所述目标障碍物将要行驶的轨迹，比如预测目标障碍物在预设时长内将要行驶的轨迹。目标障碍物的预测行驶轨迹的预测方法可以有很多种，比如，可以利用神经网络对目标障碍物的行为进行预设，以生成目标障碍物的预测行驶轨迹，等等，预测方法可以根据实际需求进行选择，在此不做限定。其中，所述障碍物代价表征所述车辆避开所述目标障碍物所付出的代价。
例如，具体可以根据所述当前位置信息确定所述车辆所在的当前车道；分别获取当前车道和相邻车道中满足预设距离的邻近车辆；计算所述车辆与所述邻近车辆的碰撞时间；将所述碰撞时间满足预设阈值的邻近车辆确定为所述车辆的目标障碍物。其中，相邻车道可以指的是车辆所在当前车道的左车道和右车道。
比如，可以当前车道与左右两个相邻车道距离自车最近的前后各一辆车，也就是可以同时考虑6辆车。在这6辆车中，首先选择引导车放入目标障碍物集
Figure 543141DEST_PATH_IMAGE079
，对于其余5辆车，可以逐个判断障碍物与自车的碰撞时间（TTC，time to collision），当碰撞时间小于某个阈值（比如2秒），则将该车放入
Figure 402906DEST_PATH_IMAGE079
，否则忽略该车。比如，TTC可的计算方式可以如下：
Figure 547580DEST_PATH_IMAGE080
其中，s、 v 分别表示前车与后车在Frenet坐标系下的纵向位置和速度。其中，Frenet坐标系可以指的是以曲线上的参考点为坐标原点，切线，法线和副法线为三坐标系建立的坐标***。
其中，Frenet坐标系是一种以比传统x、y笛卡尔坐标更直观的方式表示道路位置的方式。用Frenet坐标，可以使用变量s和d描述车辆在道路上的位置。该s坐标表示沿道路的距离（也称为纵向位移）和d坐标表示道路上的左右位置（也称为横向位移）。
例如，具体可以基于所述初始参考轨迹和所述目标障碍物的预测行驶轨迹，构建所述至少一个目标时刻所述车辆与所述目标障碍物的碰撞多边形；计算所述至少一个目标时刻所述车辆与所述碰撞多边形的最近距离；基于所述最近距离计算所述车辆与所述目标障碍物的瞬时碰撞代价；根据所述瞬时碰撞代价计算所述初始参考轨迹的障碍物代价。
其中，构建所述至少一个目标时刻所述车辆与所述目标障碍物的碰撞多边形的方式可以有很多种，比如，具体可以基于所述车辆的初始参考轨迹确定目标时刻所述车辆的形状信息；基于所述目标障碍物的预测行驶轨迹确定目标时刻所述目标障碍物的形状信息；利用所述车辆的形状信息与所述目标障碍物的形状信息计算在目标时刻所述车辆与所述目标障碍物的闵可夫斯基和，根据所述闵可夫斯基和构建碰撞多边形。其中，形状信息可以指的是该物体整体可看作的形状，比如，无人驾驶的小车可以看作为长方形。
其中，计算所述至少一个目标时刻所述车辆与所述碰撞多边形的最近距离的方式可以有很多种，比如，具体可以确定目标时刻所述车辆与所述碰撞多边形最近的目标顶点；以所述目标顶点为中心，将所述车辆所在的平面空间划分为至少一个区域；确定所述车辆所在的目标区域，并基于所述车辆的中点到目标顶点的距离以及所述目标区域计算所述车辆与所述碰撞多边形的最近距离。其中，所述车辆的中点可以指的是车辆中心的点，比如，车辆看作为长方形时，它的中点可以该长方形对角线的交点。
比如，具体表达式可以如下：
Figure 67554DEST_PATH_IMAGE081
其中，
Figure 930468DEST_PATH_IMAGE082
为每个障碍物代价函数，Ω为目标障碍物集合。对于每一个障碍物，需要依据自车当前的规划轨迹与障碍物的预测轨迹来评估障碍物代价函数。比如，
Figure 325415DEST_PATH_IMAGE082
的表达式可以如下：
Figure 590174DEST_PATH_IMAGE083
其中，预设时间域（即预设时长）可以为T=5秒，
Figure 671262DEST_PATH_IMAGE084
为预设t时刻自车与障碍物的瞬时碰撞代价。比如，可以使用构建出来的碰撞多边形（如碰撞八边形）来计算瞬时代价
Figure 21472DEST_PATH_IMAGE085
。碰撞八边形为自车形状（近似为矩形）与障碍物形状（近似为矩形）的闵可夫斯基和（Minkowski sum）。
例如，可以给定t时刻的碰撞八边形，我们只需要计算t时刻自车的规划位置
Figure 455996DEST_PATH_IMAGE086
与碰撞八边形的距离来定义代价函数。假设自车为避免和障碍物发生碰撞需要保持的最小间隙是
Figure 811147DEST_PATH_IMAGE087
，则对于该障碍物的代价函数可以为：
Figure 938503DEST_PATH_IMAGE088
其中，
Figure 635064DEST_PATH_IMAGE089
、
Figure 873278DEST_PATH_IMAGE090
为系数，
Figure 847050DEST_PATH_IMAGE091
为t时刻自车到八边形的最近距离。
以上步骤设定了过程代价函数
Figure 643843DEST_PATH_IMAGE092
的每一个子项，则过程代价的表达式可以如下：
Figure 703066DEST_PATH_IMAGE093
。
104、根据所述车辆的当前***状态和目标***状态，计算所述初始参考轨迹的终值代价，所述目标***状态为车辆在预设时长后期望达到的状态。
其中，当前***状态可以指的是车辆当前的状态，比如，由步骤101可知，车辆的当前***状态可以包括车辆当前在地面坐标系下的坐标、当前的行驶车速以及当前朝向角等等。其中，所述终值代价表征所述车辆在预设时长的最后一个目标时刻所付出的代价。比如，终值代价的具体表达式可以如下：
Figure 744971DEST_PATH_IMAGE094
其中，
Figure 432304DEST_PATH_IMAGE095
为权重，
Figure 901463DEST_PATH_IMAGE096
为目标***状态，
Figure 683868DEST_PATH_IMAGE097
为矩阵，可以根据实际情况进行设定。目标***状态可以指的是车辆在预设时长后希望达到的状态，比如，目标***状态可以包括车辆在预设时长后达到的目标坐标、目标速度、目标朝向角等等。
105、基于所述基本代价、障碍物代价和终值代价，确定所述初始参考轨迹的全局代价。
其中，全局代价可以指的是车辆在预设时长内行驶过程中所要付出的全部代价，比如，可以包括基本代价、障碍物代价和终值代价等等，即过程代价和终值代价等。
例如，具体可以基于所述基本代价和障碍物代价确定所述初始参考轨迹的过程代价，基于所述过程代价和终值代价来确定目标函数的全局代价，基于所述全局代价来优化定所述初始参考轨迹的目标函数，以获得满足约束条件的最优解。
106、利用所述全局代价对所述初始参考轨迹进行更新，得到更新后参考轨迹，根据所述更新后参考轨迹控制所述车辆行驶。
例如，所述预设时长可以包括至少一个目标时刻，具体可以若所述全局代价不满足收敛条件，则从预设时长的最后一个目标时刻开始反向计算所述初始参考轨迹中每个目标时刻的最优控制率；根据每个目标时刻的最优控制率确定目标轨迹点；基于目标轨迹点对所述初始参考轨迹进行更新，直到所述全局代价满足收敛条件，得到更新后参考轨迹。
例如，具体可以若所述全局代价不满足收敛条件，则从预设时长的最后一个目标时刻开始到当前时刻，利用目标函数反向计算所述初始参考轨迹中每个目标时刻的最优控制率；根据每个目标时刻的最优控制率，从当前时刻开始前向逐步迭代到预设时长的最后一个目标时刻，得到优化后参考轨迹，并计算优化后参考轨迹的全局代价，若所述优化后参考轨迹的全局代价满足收敛条件，则将优化后参考轨迹作为更新后参考轨迹控制所述车辆行驶。
比如，可以给定当前时刻的初始参考轨迹，利用iLQR先进行一次反向传递过程，从预设时长的最后一个目标时刻出发，通过优化目标函数
Figure 654098DEST_PATH_IMAGE098
计算T- T/N到0时刻每一步的最优控制率。（比如，可以计算第4.75秒到0秒的最优控制率，也就是第一个目标时刻可以为第0秒，第二目标时刻可以为第0.25秒，……最后一个目标时刻可以为第4.75秒）。然后再进行一次前向传递过程，从初始状态（即当前时刻）出发，使用反向过程求取的最优控制率逐步向前迭代到T时刻，即可获得优化后的轨迹，并计算全局代价，可以不断重复以上过程，以优化后的轨迹作为新的参考轨迹，进行多次iLQR迭代优化，直到达到迭代次数限制或者目标函数
Figure 336883DEST_PATH_IMAGE099
收敛（即全局代价满足收敛条件），获得最优的优化轨迹，即更新后参考轨迹。
由上可知，本实施例可以获取车辆的当前位置信息以及在预设时长内规划的初始参考轨迹，然后，确定所述车辆在所述初始参考轨迹中行驶特征的特征约束信息，并基于所述特征约束信息计算所述初始参考轨迹的基本代价，基于所述当前位置信息识别所述车辆的至少一个目标障碍物，并根据所述初始参考轨迹和每个目标障碍物的预测行驶轨迹，计算所述初始参考轨迹的障碍物代价，根据所述车辆的当前***状态和目标***状态，计算所述初始参考轨迹的终值代价，所述目标***状态为车辆在预设时长后期望达到的状态，接着，基于所述基本代价、障碍物代价和终值代价，确定所述初始参考轨迹的全局代价，再然后，利用所述全局代价对所述初始参考轨迹进行更新，得到更新后参考轨迹，根据所述更新后参考轨迹控制所述车辆行驶。由于该方案通过对无人驾驶车辆的能量、车速、边界、加速度、横摆角速度、障碍物等方面的优化，实现了对无人驾驶车辆规划轨迹在时空领域进行横纵向联合优化，以更好的满足轨迹规划的稳定性、可行性、舒适性和安全性，充分利用车道空间争取刹车时间，同时满足了成本控制需求，使得无人驾驶车辆可以在紧急状态下灵活避让障碍物，大大地提升无人驾驶车辆行驶的安全性。
根据上一个实施例所描述的方法，以下将举例作进一步详细说明。
在本实施例中，将以该车辆轨迹优化装置具体集成在电子设备为例进行说明。
（一）首先，可以先设计用于满足紧急避让的代价函数。
比如，当车辆行驶过程中遇到障碍物，如其他车辆，的紧急加塞或者需要紧急避让时，可以利用iLQR算法实现行驶轨迹的优化。其中，iLQR是一种轨迹优化算法，通过迭代使用LQR不断优化轨迹的目标函数从而获得满足约束条件的最优或次最优解。iLQR适用于处理非线性***，非线性约束以及非线性目标函数的复杂问题，通过局部对***线性化处理以及对约束和目标函数二次化处理，达到简化和高效求解复杂非线性问题的目的。iLQR一般被用来求解离散时间有穷域的轨迹规划问题，表达式可以如下：
Figure 976943DEST_PATH_IMAGE100
Figure 745179DEST_PATH_IMAGE101
Figure 987941DEST_PATH_IMAGE102
Figure 289347DEST_PATH_IMAGE103
Figure 834729DEST_PATH_IMAGE104
其中，s.t.为约束条件，
Figure 355840DEST_PATH_IMAGE105
为当前时刻起第k步的***状态矢量，
Figure 136714DEST_PATH_IMAGE106
为规划当前时刻的***状态，
Figure 794092DEST_PATH_IMAGE107
与
Figure 265700DEST_PATH_IMAGE108
分别为过程cost(代价)与终值cost，
Figure 133162DEST_PATH_IMAGE109
与
Figure 858673DEST_PATH_IMAGE110
分别为过程约束与终值约束。优化向量定义为
Figure 370557DEST_PATH_IMAGE111
，N为轨迹规划的最大步数（i.e.,N=10~20）。f为描述离散***状态变化的动力学方程。比如，可以设定***状态矢量
Figure 523321DEST_PATH_IMAGE112
，控制矢量
Figure 612499DEST_PATH_IMAGE113
，则***动力学方程
Figure 374657DEST_PATH_IMAGE114
由以下表达式进行描述：
Figure 741047DEST_PATH_IMAGE115
Figure 189346DEST_PATH_IMAGE116
Figure 906766DEST_PATH_IMAGE117
Figure 974079DEST_PATH_IMAGE118
其中，
Figure 696441DEST_PATH_IMAGE119
、
Figure 581221DEST_PATH_IMAGE120
为自车在地面坐标系下的坐标，
Figure 520358DEST_PATH_IMAGE121
为速度，
Figure 125782DEST_PATH_IMAGE122
为朝向角（yaw），
Figure 466765DEST_PATH_IMAGE123
与
Figure 522446DEST_PATH_IMAGE124
分别为加速度和角速度。比如，可以设定规划时长（即预设时长）T=5秒，规划步数N=20，则每一个时间步（time step）等于dt=T/N=0.25秒。由于iLQR算法无法直接处理约束函数，通常情况下需要将约束信息
Figure 588360DEST_PATH_IMAGE125
，
Figure 387688DEST_PATH_IMAGE126
转化为代价函数（软约束）
Figure 583178DEST_PATH_IMAGE127
，通过设计代价函数
Figure 419546DEST_PATH_IMAGE128
来满足约束条件。可以针对紧急避让功能设计优化，并使用iLQR实现紧急避让功能，比如，可以设计以下几种代价函数用以满足紧急避让功能的需求。
1、能量损耗。即能量代价可以设计为：
Figure 834741DEST_PATH_IMAGE129
，
Figure 172181DEST_PATH_IMAGE130
为权重，设计
Figure 487756DEST_PATH_IMAGE131
与
Figure 760605DEST_PATH_IMAGE132
直接影响轨迹的平滑性以及控制信号的平滑性，一般
Figure 896052DEST_PATH_IMAGE133
与
Figure 411084DEST_PATH_IMAGE132
会设计成较大值以增加轨迹平滑程度。对于障碍物紧急避让功能而言，往往鼓励采用通过制动的方法进行避让，而不是通过加速来进行超车，因此
Figure 705800DEST_PATH_IMAGE132
可以设计成分段式。比如，可以按如下形式设计，
Figure 149550DEST_PATH_IMAGE134
，
Figure 772293DEST_PATH_IMAGE135
，
Figure 592481DEST_PATH_IMAGE136
。
2、目标车速。即车速代价可以设计为：
Figure 118534DEST_PATH_IMAGE137
，
Figure 592240DEST_PATH_IMAGE138
为权重，
Figure 702279DEST_PATH_IMAGE139
为目标车速。调整
Figure 60579DEST_PATH_IMAGE140
主要影响自车加速、减速的激进程度。目标车速的设计往往需要考虑跟车距离，车道限速，引导车状态等。
Figure 939673DEST_PATH_IMAGE141
其中，
Figure 849861DEST_PATH_IMAGE142
为车道限速，
Figure 211309DEST_PATH_IMAGE143
为引导车车速，
Figure 107721DEST_PATH_IMAGE144
为自车与引导车距离，
Figure 841322DEST_PATH_IMAGE145
为目标跟车距离，一般由跟车时距
Figure 922411DEST_PATH_IMAGE146
定义，即
Figure 741462DEST_PATH_IMAGE147
，
Figure 220328DEST_PATH_IMAGE148
为自车车速，
Figure 74014DEST_PATH_IMAGE149
秒。
3、车道边界约束。车道左、右边界定义轨迹规划的搜索范围。假定车道边界可由多项式曲线描述（如图2a所示局部坐标系），即
Figure 201370DEST_PATH_IMAGE150
，
Figure 38876DEST_PATH_IMAGE151
，则边界代价可以包括左边界代价和右边界代价，左边界代价
Figure 401724DEST_PATH_IMAGE152
和右边界代价
Figure 342873DEST_PATH_IMAGE153
的设计可以如下：
Figure 906710DEST_PATH_IMAGE154
Figure 700353DEST_PATH_IMAGE155
其中，
Figure 866893DEST_PATH_IMAGE156
、
Figure 695171DEST_PATH_IMAGE157
为系数。矩阵
Figure 400216DEST_PATH_IMAGE158
，
Figure 946734DEST_PATH_IMAGE159
。
4、加速度约束：
Figure 651385DEST_PATH_IMAGE160
，加速度代价可以包括最小加速度代价和最大加速度代价，则最小加速度代价可以设计为：
Figure 334171DEST_PATH_IMAGE161
，最大加速度代价可以设计为：
Figure 239810DEST_PATH_IMAGE162
，其中
Figure 506581DEST_PATH_IMAGE163
、
Figure 890289DEST_PATH_IMAGE164
分别为设计的最小加速度、最大加速度，
Figure 958739DEST_PATH_IMAGE165
、
Figure 894334DEST_PATH_IMAGE166
为系数，
Figure 884286DEST_PATH_IMAGE167
。
5、横摆角速度约束：
Figure 838729DEST_PATH_IMAGE168
，角速度代价可以包括最小横摆角速度代价和最大横摆角速度代价，则最小横摆角速度代价可以设计为：
Figure 496107DEST_PATH_IMAGE169
，最大横摆角速度代价可以设计为：
Figure 477969DEST_PATH_IMAGE170
，其中
Figure 79852DEST_PATH_IMAGE171
，
Figure 805362DEST_PATH_IMAGE172
分别为设计的最小加速度、最大加速度，
Figure 815782DEST_PATH_IMAGE173
，
Figure 968545DEST_PATH_IMAGE174
为系数，
Figure 464249DEST_PATH_IMAGE175
。此处对于
Figure 852505DEST_PATH_IMAGE171
和
Figure 218895DEST_PATH_IMAGE172
的设计比较关键，不合适的取值会影响规划轨迹的可行性，本方案可以采用如下方式设计
Figure 309604DEST_PATH_IMAGE171
和
Figure 761445DEST_PATH_IMAGE172
：
Figure 953392DEST_PATH_IMAGE176
Figure 705448DEST_PATH_IMAGE177
其中，
Figure 200014DEST_PATH_IMAGE178
为设计最大侧向加速度。假定道路附着系数为
Figure 637686DEST_PATH_IMAGE179
，则
Figure 508690DEST_PATH_IMAGE180
可设计为
Figure 974307DEST_PATH_IMAGE181
, 其中
Figure 639774DEST_PATH_IMAGE182
为重力加速度常数，
Figure 66208DEST_PATH_IMAGE183
为可设计系数。
6、障碍物约束，即障碍物代价可以设计为：
Figure 230649DEST_PATH_IMAGE184
。处理障碍物约束涉及两个问题：a、障碍物的选择，即目标障碍物集合
Figure 691717DEST_PATH_IMAGE185
的定义；b、每个障碍物代价函数
Figure 652720DEST_PATH_IMAGE186
的设计。下面对这两个步骤进行说明：
a、目标障碍物选择。比如，如图2b中的椭圆所示，只关注当前车道与左右两个相邻车道距离自车最近的前后各一辆车，也就是说最多同时考虑6辆车。在这6辆车中，首先选择引导车（如图2b中自车00前方的车辆01）放入
Figure 566449DEST_PATH_IMAGE185
，对于其余5辆车，需要逐个判断障碍物与自车的碰撞时间（TTC），当碰撞时间小于某个阈值（比如2秒），则将该车放入
Figure 779256DEST_PATH_IMAGE185
，否则忽略该车。TTC可按如下方式计算：
Figure 327787DEST_PATH_IMAGE187
其中，s、 v 分别表示前车与后车在Frenet坐标系下的纵向位置和速度。
b、障碍物代价函数
Figure 725270DEST_PATH_IMAGE186
。对于每一个障碍物，本专利需要依据自车当前的规划轨迹与障碍物的预测轨迹来评估代价函数，
Figure 126295DEST_PATH_IMAGE188
， 其中时间域T=5秒，
Figure 142793DEST_PATH_IMAGE189
为预瞄t时刻自车与障碍物的瞬时碰撞代价。本专利需要设计使用碰撞八边形来计算瞬时代价
Figure 47295DEST_PATH_IMAGE190
。碰撞八边形为自车形状（近似为矩形）与障碍物形状（近似为矩形）的Minkowski sum，如图2c所示，比如，给定t时刻（即某个目标时刻）的碰撞八边形，只需要计算t时刻自车的规划位置
Figure 258090DEST_PATH_IMAGE191
与碰撞八边形的距离来定义代价函数。假设自车为避免和障碍物发生碰撞需要保持的最小间隙是
Figure 880832DEST_PATH_IMAGE192
，则对于该障碍物的代价函数可以为：
Figure 560075DEST_PATH_IMAGE193
其中，
Figure 584663DEST_PATH_IMAGE194
、
Figure 199315DEST_PATH_IMAGE195
为系数，
Figure 807889DEST_PATH_IMAGE196
为t时刻自车到八边形的最近距离。
Figure 290823DEST_PATH_IMAGE197
的计算可参考图2d所示，假设t时刻自车位置与障碍物碰撞八边形位置关系如图2d所示，P表示自车位置（即车辆的中点），O表示八边形与自车最近的顶点（即目标顶点），以O为中心，可以将平面空间划分为5个区域：I、II、III、IV 和cone区。III区与IV区由
Figure 435496DEST_PATH_IMAGE198
的平分线定义边界。假设
Figure 221050DEST_PATH_IMAGE199
，
Figure 818384DEST_PATH_IMAGE200
为垂直八边形向外的单位向量，则
Figure 216261DEST_PATH_IMAGE201
可由下式给出：
Figure 340075DEST_PATH_IMAGE202
其中，
Figure 30950DEST_PATH_IMAGE203
表示线段的长度。比如，如图2d所示，车辆所在的目标区域为cone区，则
Figure 115581DEST_PATH_IMAGE204
的可以为
Figure 815684DEST_PATH_IMAGE203
。
以上步骤1-6设计了过程代价函数
Figure 794004DEST_PATH_IMAGE205
的每一个子项：
Figure 419895DEST_PATH_IMAGE206
。
7、此外，还需要设计终值误差，保证规划轨迹末端状态的有效性，一般情况下只关注末端状态的速度和方向。
终值误差的计算方式可以如下：
Figure 460663DEST_PATH_IMAGE207
其中，
Figure 964457DEST_PATH_IMAGE208
为权重，
Figure 62863DEST_PATH_IMAGE209
为目标状态。
（二）可以利用设计好的目标函数对车辆的行驶轨迹进行优化。
如图2e所示，一种车辆轨迹优化方法，具体流程可以如下：
201、电子设备获取车辆的当前位置信息以及在预设时长内规划的初始参考轨迹。
比如，电子设备可以获取车辆当前时刻的在地面坐标系下的坐标，车辆当前时刻所在的车道等等。电子设备还可以获取在未来的预设时长内已经预先规划好的初始参考轨迹。
其中，预设时长的设定方式可以有很多种，比如，可以根据实际应用的需求灵活设置，也可以预先设置好存储在电子设备中。此外，预设时长可以内置于电子设备中，或者，也可以保存在存储器中并发送给电子设备，等等。
202、电子设备计算所述初始参考轨迹的能量代价。
例如，电子设备具体可以获取预设能量权重，并确定所述车辆在所述初始参考轨迹中行驶能量的能量约束信息，基于所述能量约束信息计算所述初始参考轨迹的能量代价。
203、电子设备计算所述初始参考轨迹的车速代价。
例如，电子设备具体可以获取所述车辆当前的行驶车速以及预设车速权重，确定所述车辆在预设时长后的目标车速，基于所述车辆当前的行驶车速、目标车速以及预设车速权重计算所述初始参考轨迹的车速代价。
例如，电子设备具体可以确定获取所述车辆与引导车的跟车距离、所述车辆当前车道的车道限速以及引导车状态；基于所述跟车距离、车道限速以及引导车状态，确定所述车辆预设时长后的目标车速。
204、电子设备计算所述初始参考轨迹的边界代价。
例如，电子设备具体可以根据所述车辆的当前位置信息确定所述车辆的车道左边界和车道右边界；基于所述车道左边界和车道右边界确定所述车辆在所述初始参考轨迹中的边界约束信息；基于所述边界约束信息计算所述初始参考轨迹的边界代价。
205、电子设备计算所述初始参考轨迹的加速度代价。
例如，电子设备具体可以确定所述车辆在所述初始参考轨迹中车辆加速度的最大加速度和最小加速度；基于所述最小加速度和最大加速度计算所述初始参考轨迹的加速度代价。
206、电子设备计算所述初始参考轨迹的角速度代价。
例如，电子设备具体可以确定所述车辆在所述初始参考轨迹中车辆横摆角速度的最小横摆角速度和最大横摆角速度；基于所述最小横摆角速度和最大横摆角速度计算所述初始参考轨迹的角速度代价。
207、电子设备计算所述初始参考轨迹的障碍物代价。
例如，电子设备具体可以根据所述当前位置信息确定所述车辆所在的当前车道；分别获取当前车道和相邻车道中满足预设距离的邻近车辆；计算所述车辆与所述邻近车辆的碰撞时间；将所述碰撞时间满足预设阈值的邻近车辆确定为所述车辆的目标障碍物。
例如，电子设备具体可以基于所述初始参考轨迹和所述目标障碍物的预测行驶轨迹，构建所述至少一个目标时刻所述车辆与所述目标障碍物的碰撞多边形；计算所述至少一个目标时刻所述车辆与所述碰撞多边形的最近距离；基于所述最近距离计算所述车辆与所述目标障碍物的瞬时碰撞代价；根据所述瞬时碰撞代价计算所述初始参考轨迹的障碍物代价。
例如，电子设备具体可以基于所述车辆的初始参考轨迹确定目标时刻所述车辆的形状信息；基于所述目标障碍物的预测行驶轨迹确定目标时刻所述目标障碍物的形状信息；利用所述车辆的形状信息与所述目标障碍物的形状信息计算在目标时刻所述车辆与所述目标障碍物的闵可夫斯基和，根据所述闵可夫斯基和构建碰撞多边形。
例如，电子设备具体可以确定目标时刻所述车辆与所述碰撞多边形最近的目标顶点；以所述目标顶点为中心，将所述车辆所在的平面空间划分为至少一个区域；确定所述车辆所在的目标区域，并基于所述车辆的中点到目标顶点的距离以及所述目标区域计算所述车辆与所述碰撞多边形的最近距离。
208、电子设备计算所述初始参考轨迹的终值代价。
比如，电子设备具体可以基于以下表达式计算所述初始参考轨迹的终值代价：
Figure 361120DEST_PATH_IMAGE210
其中，
Figure 656229DEST_PATH_IMAGE211
为权重，
Figure 698134DEST_PATH_IMAGE212
为目标***状态，
Figure 791992DEST_PATH_IMAGE213
为矩阵，可以根据实际情况进行设定。比如，目标***状态可以包括车辆在预设时长后达到目标坐标、目标速度、目标朝向角等等。
209、电子设备基于所述能量代价、车速代价、边界代价、加速度代价、角速度代价、障碍物代价和终值代价，确定所述初始参考轨迹的全局代价。
例如，电子设备具体可以基于所述能量代价、车速代价、边界代价、加速度代价、角速度代价和障碍物代价确定过程代价，基于所述过程代价和终值代价来确定目标函数的全局代价，基于所述全局代价来优化定所述初始参考轨迹的目标函数，以获得满足约束条件的最优解。
210、电子设备利用所述全局代价对所述初始参考轨迹进行更新，得到更新后参考轨迹，根据所述更新后参考轨迹控制所述车辆行驶。
比如，如图2f所示，给定当前时刻的初始参考轨迹
Figure 385785DEST_PATH_IMAGE214
，
Figure 666724DEST_PATH_IMAGE215
，
Figure 745276DEST_PATH_IMAGE216
虚线为初始参考轨迹的边界，iLQR先进行一次反向传递过程，从
Figure 428062DEST_PATH_IMAGE214
出发，通过优化目标函数
Figure 192755DEST_PATH_IMAGE217
计算T-T/N到0时刻每一步的最优控制率。然后再进行一次前向传递过程，从初始状态
Figure 960991DEST_PATH_IMAGE214
出发，使用反向过程求取的最优控制率逐步向前迭代到T时刻，即可获得优化后的轨迹（图2f中的10实线），并计算全局代价。可以不断重复以上过程，以优化后的轨迹作为新的参考轨迹，进行多次iLQR迭代优化，直到达到迭代次数限制或者目标函数
Figure 344699DEST_PATH_IMAGE218
收敛，获得最优的优化轨迹（即全局代价满足收敛条件），即更新后参考轨迹。具体实现过程可以如图2g所示。
该方案可以在L2.5-L4及以上级别无人驾驶汽车，对于突发紧急环境车辆加塞以及不规则驾驶行为进行避让。该方案已在仿真环境以及g7（京新高速）、四环等高速路上进行了大量实车测试，可有效避免碰撞行为。
由上可知，本实施例可以获取车辆的当前位置信息以及在预设时长内规划的初始参考轨迹，然后，确定所述车辆在所述初始参考轨迹中行驶特征的特征约束信息，并基于所述特征约束信息计算所述初始参考轨迹的基本代价，基于所述当前位置信息识别所述车辆的至少一个目标障碍物，并根据所述初始参考轨迹和每个目标障碍物的预测行驶轨迹，计算所述初始参考轨迹的障碍物代价，根据所述车辆的当前***状态和目标***状态，计算所述初始参考轨迹的终值代价，所述目标***状态为车辆在预设时长后期望达到的状态，接着，基于所述基本代价、障碍物代价和终值代价，确定所述初始参考轨迹的全局代价，再然后，利用所述全局代价对所述初始参考轨迹进行更新，得到更新后参考轨迹，根据所述更新后参考轨迹控制所述车辆行驶。由于该方案通过对无人驾驶车辆的能量、车速、边界、加速度、横摆角速度、障碍物等方面的优化，实现了对无人驾驶车辆规划轨迹在时空领域进行横纵向联合优化，以更好的满足轨迹规划的稳定性、可行性、舒适性和安全性，充分利用车道空间争取刹车时间，同时满足了成本控制需求，使得无人驾驶车辆可以在紧急状态下灵活避让障碍物，大大地提升无人驾驶车辆行驶的安全性。
为了更好地实施以上方法，相应的，本申请实施例还提供一种车辆轨迹优化装置，该车辆轨迹优化装置具体可以集成在电子设备中，该电子设备可以是服务器，也可以是终端等设备。
例如，如图3所示，该车辆轨迹优化装置可以包括获取单元301、第一计算单元302、第二计算单元303、第三计算单元304、确定单元305和更新单元306，如下：
获取单元301，用于获取车辆的当前位置信息以及在预设时长内规划的初始参考轨迹；
第一计算单元302，用于确定所述车辆在所述初始参考轨迹中行驶特征的特征约束信息，并基于所述特征约束信息计算所述初始参考轨迹的基本代价；
第二计算单元303，用于基于所述当前位置信息识别所述车辆的至少一个目标障碍物，并根据所述初始参考轨迹和每个目标障碍物的预测行驶轨迹，计算所述初始参考轨迹的障碍物代价；
第三计算单元304，用于根据所述车辆的当前***状态和目标***状态，计算所述初始参考轨迹的终值代价，所述目标***状态为车辆在预设时长后期望达到的状态；
确定单元305，用于基于所述基本代价、障碍物代价和终值代价，确定所述初始参考轨迹的全局代价；
更新单元306，用于利用所述全局代价对所述初始参考轨迹进行更新，得到更新后参考轨迹，根据所述更新后参考轨迹控制所述车辆行驶。
可选的，在一些实施例中，所述第二计算单元303可以包括识别子单元，如下：
所述识别子单元，具体可以用于根据所述当前位置信息确定所述车辆所在的当前车道；分别获取当前车道和相邻车道中满足预设距离的邻近车辆；计算所述车辆与所述邻近车辆的碰撞时间；将所述碰撞时间满足预设阈值的邻近车辆确定为所述车辆的目标障碍物。
可选的，在一些实施例中，所述预设时长包括至少一个目标时刻，所述第二计算单元303可以包括计算子单元，如下：
所述计算子单元，用于基于所述初始参考轨迹和所述目标障碍物的预测行驶轨迹，构建所述至少一个目标时刻所述车辆与所述目标障碍物的碰撞多边形；计算所述至少一个目标时刻所述车辆与所述碰撞多边形的最近距离；基于所述最近距离计算所述车辆与所述目标障碍物的瞬时碰撞代价；根据所述瞬时碰撞代价计算所述初始参考轨迹的障碍物代价。
可选的，在一些实施例中，所述计算子单元，具体可以用于基于所述车辆的初始参考轨迹确定目标时刻所述车辆的形状信息；基于所述目标障碍物的预测行驶轨迹确定目标时刻所述目标障碍物的形状信息；利用所述车辆的形状信息与所述目标障碍物的形状信息计算在目标时刻所述车辆与所述目标障碍物的闵可夫斯基和，根据所述闵可夫斯基和构建碰撞多边形。
可选的，在一些实施例中，所述计算子单元，具体可以用于确定目标时刻所述车辆与所述碰撞多边形最近的目标顶点；以所述目标顶点为中心，将所述车辆所在的平面空间划分为至少一个区域；确定所述车辆所在的目标区域，并基于所述车辆的中点到目标顶点的距离以及所述目标区域计算所述车辆与所述碰撞多边形的最近距离。
可选的，在一些实施例中，所述行驶特征包括行驶能量，所述基本代价包括能量代价，所述第一计算单元302，具体可以用于获取预设能量权重，并确定所述车辆在所述初始参考轨迹中行驶能量的能量约束信息；基于所述能量约束信息计算所述初始参考轨迹的能量代价。
可选的，在一些实施例中，所述行驶特征包括行驶车速，所述基本代价包括车速代价，所述第一计算单元302，具体可以用于获取所述车辆当前的行驶车速以及预设车速权重；确定所述车辆在预设时长后的目标车速；基于所述车辆当前的行驶车速、目标车速以及预设车速权重计算所述初始参考轨迹的车速代价。
可选的，在一些实施例中，所述第一计算单元302，具体可以用于获取所述车辆与引导车的跟车距离、所述车辆当前车道的车道限速以及引导车状态；基于所述跟车距离、车道限速以及引导车状态，确定所述车辆预设时长后的目标车速。
可选的，在一些实施例中，所述行驶特征包括车道边界，所述基本代价包括边界代价，所述第一计算单元302，具体可以用于根据所述车辆的当前位置信息确定所述车辆的车道左边界和车道右边界；基于所述车道左边界和车道右边界确定所述车辆在所述初始参考轨迹中的边界约束信息；基于所述边界约束信息计算所述初始参考轨迹的边界代价。
可选的，在一些实施例中，所述行驶特征包括车辆加速度，所述基本代价包括加速度代价，所述第一计算单元302，具体可以用于确定所述车辆在所述初始参考轨迹中车辆加速度的最大加速度和最小加速度；基于所述最小加速度和最大加速度计算所述初始参考轨迹的加速度代价。
可选的，在一些实施例中，所述行驶特征包括车辆横摆角速度，所述基本代价包括角速度代价，所述第一计算单元302，具体可以用于确定所述车辆在所述初始参考轨迹中车辆横摆角速度的最小横摆角速度和最大横摆角速度；基于所述最小横摆角速度和最大横摆角速度计算所述初始参考轨迹的角速度代价。
可选的，在一些实施例中，所述更新单元306，具体可以用于若所述全局代价不满足收敛条件，则从预设时长的最后一个目标时刻开始反向计算所述初始参考轨迹中每个目标时刻的最优控制率；根据每个目标时刻的最优控制率确定目标轨迹点；基于目标轨迹点对所述初始参考轨迹进行更新，直到所述全局代价满足收敛条件，得到更新后参考轨迹。
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，本实施例可以由获取单元301获取车辆的当前位置信息以及在预设时长内规划的初始参考轨迹，然后，由第一计算单元302确定所述车辆在所述初始参考轨迹中行驶特征的特征约束信息，并基于所述特征约束信息计算所述初始参考轨迹的基本代价，由第二计算单元303基于所述当前位置信息识别所述车辆的至少一个目标障碍物，并根据所述初始参考轨迹和每个目标障碍物的预测行驶轨迹，计算所述初始参考轨迹的障碍物代价，由第三计算单元304根据所述车辆的当前***状态和目标***状态，计算所述初始参考轨迹的终值代价，所述目标***状态为车辆在预设时长后期望达到的状态，接着，由确定单元305基于所述基本代价、障碍物代价和终值代价，确定所述初始参考轨迹的全局代价，再然后，由更新单元306利用所述全局代价对所述初始参考轨迹进行更新，得到更新后参考轨迹，根据所述更新后参考轨迹控制所述车辆行驶。由于该方案通过对无人驾驶车辆的能量、车速、边界、加速度、横摆角速度、障碍物等方面的优化，实现了对无人驾驶车辆规划轨迹在时空领域进行横纵向联合优化，以更好的满足轨迹规划的稳定性、可行性、舒适性和安全性，充分利用车道空间争取刹车时间，同时满足了成本控制需求，使得无人驾驶车辆可以在紧急状态下灵活避让障碍物，大大地提升无人驾驶车辆行驶的安全性。
此外，本申请实施例还提供一种电子设备，如图4所示，其示出了本申请实施例所涉及的电子设备的结构示意图，具体来讲：
该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图4中示出的电子设备结构并不构成对电子设备的限定，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401是该电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401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401中。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402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402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电子设备的使用所创建的数据等。此外，存储器402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402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
电子设备还包括给各个部件供电的电源403，优选的，电源403可以通过电源管理***与处理器401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403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。
该电子设备还可包括输入单元404，该输入单元404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。
尽管未示出，电子设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，电子设备中的处理器401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402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：
获取车辆的当前位置信息以及在预设时长内规划的初始参考轨迹，然后，确定所述车辆在所述初始参考轨迹中行驶特征的特征约束信息，并基于所述特征约束信息计算所述初始参考轨迹的基本代价，基于所述当前位置信息识别所述车辆的至少一个目标障碍物，并根据所述初始参考轨迹和每个目标障碍物的预测行驶轨迹，计算所述初始参考轨迹的障碍物代价，根据所述车辆的当前***状态和目标***状态，计算所述初始参考轨迹的终值代价，所述目标***状态为车辆在预设时长后期望达到的状态，接着，基于所述基本代价、障碍物代价和终值代价，确定所述初始参考轨迹的全局代价，再然后，利用所述全局代价对所述初始参考轨迹进行更新，得到更新后参考轨迹，根据所述更新后参考轨迹控制所述车辆行驶。
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，本实施例可以获取车辆的当前位置信息以及在预设时长内规划的初始参考轨迹，然后，确定所述车辆在所述初始参考轨迹中行驶特征的特征约束信息，并基于所述特征约束信息计算所述初始参考轨迹的基本代价，基于所述当前位置信息识别所述车辆的至少一个目标障碍物，并根据所述初始参考轨迹和每个目标障碍物的预测行驶轨迹，计算所述初始参考轨迹的障碍物代价，根据所述车辆的当前***状态和目标***状态，计算所述初始参考轨迹的终值代价，所述目标***状态为车辆在预设时长后期望达到的状态，接着，基于所述基本代价、障碍物代价和终值代价，确定所述初始参考轨迹的全局代价，再然后，利用所述全局代价对所述初始参考轨迹进行更新，得到更新后参考轨迹，根据所述更新后参考轨迹控制所述车辆行驶。由于该方案通过对无人驾驶车辆的能量、车速、边界、加速度、横摆角速度、障碍物等方面的优化，实现了对无人驾驶车辆规划轨迹在时空领域进行横纵向联合优化，以更好的满足轨迹规划的稳定性、可行性、舒适性和安全性，充分利用车道空间争取刹车时间，同时满足了成本控制需求，使得无人驾驶车辆可以在紧急状态下灵活避让障碍物，大大地提升无人驾驶车辆行驶的安全性。
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，本申请实施例还提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种车辆轨迹优化方法中的步骤。例如，该指令可以执行如下步骤：
获取车辆的当前位置信息以及在预设时长内规划的初始参考轨迹，然后，确定所述车辆在所述初始参考轨迹中行驶特征的特征约束信息，并基于所述特征约束信息计算所述初始参考轨迹的基本代价，基于所述当前位置信息识别所述车辆的至少一个目标障碍物，并根据所述初始参考轨迹和每个目标障碍物的预测行驶轨迹，计算所述初始参考轨迹的障碍物代价，根据所述车辆的当前***状态和目标***状态，计算所述初始参考轨迹的终值代价，所述目标***状态为车辆在预设时长后期望达到的状态，接着，基于所述基本代价、障碍物代价和终值代价，确定所述初始参考轨迹的全局代价，再然后，利用所述全局代价对所述初始参考轨迹进行更新，得到更新后参考轨迹，根据所述更新后参考轨迹控制所述车辆行驶。
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。
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，可以执行本申请实施例所提供的任一种车辆轨迹优化方法中的步骤，因此，可以实现本申请实施例所提供的任一种车辆轨迹优化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。
本申请实施例还提供一种车辆导航设备，如图5所示，其示出了本申请实施例所涉及的车辆导航设备的结构示意图，具体来讲：
该车辆导航设备可以包括定位装置501、地图生成装置502和导航装置503，本领域技术人员可以理解，图5中示出的车辆导航设备结构并不构成对车辆导航设备的限定，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：
定位装置501为车辆导航设备提供使用该车辆导航设备的车辆的实时位置信息。
地图生成装置502为车辆导航设备提供车辆所在道路的三维地图信息，结合车辆的实时的位置信息，获取使用该车辆导航设备的车辆在三维地图中的位置信息和当前路况信息。
导航装置503可以根据车辆输入的目的地，根据车辆的实时位置信息和生成三维地图，为车辆做路径规划，并根据路径规划信息生成相应的控制指令，根据控制指令控制无人驾驶车辆根据规划的路径到达设定的目的地。
本申请实施例还提供一种无人驾驶车辆，如图6所示，其示出了本申请实施例所涉及的无人驾驶车辆的结构示意图，具体来讲：
该无人驾驶车辆可以包括驱动***601、控制***602和导航***603，本领域技术人员可以理解，图6中示出的电子设备结构并不构成对无人驾驶车辆的限定，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：
驱动***601是无人驾驶车辆的动力源，驱动***可以为无人驾驶车辆提取驱动力，实现无人驾驶车辆的前进、后退和停止等驱动功能。驱动***可以包括发动机、传动装置和车轮等。
控制***602是无人驾驶车辆的控制核心，控制***可以控制无人驾驶车辆的启动、停止、转向，还能根据外部环境的变化实时的控制无人驾驶车辆按照规划路径行驶。控制***可以包括无人驾驶车辆控制装置。
导航***603可以根据车辆的目的地信息，对车辆行驶进行路径规划，根据规划的路径，生成该路径的控制指令，将该控制指令输入至控制***602，基于控制***602驱动驱动***601，使得无人驾驶车辆按照规划的路径到达目的地。
以上对本申请实施例所提供的一种车辆轨迹优化方法、装置、电子设备和存储介质进行了详细介绍，本文中应用了具体个例对本申请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申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，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申请的限制。

Claims (15)

1.一种车辆轨迹优化方法，其特征在于，包括：
获取车辆的当前位置信息以及在预设时长内规划的初始参考轨迹；
确定所述车辆在所述初始参考轨迹中行驶特征的特征约束信息，并基于所述特征约束信息计算所述初始参考轨迹的基本代价；
基于所述当前位置信息识别所述车辆的至少一个目标障碍物，并根据所述初始参考轨迹和每个目标障碍物的预测行驶轨迹，计算所述初始参考轨迹的障碍物代价；
根据所述车辆的当前***状态和目标***状态，计算所述初始参考轨迹的终值代价，所述目标***状态为车辆在预设时长后期望达到的状态；
基于所述基本代价、障碍物代价和终值代价，确定所述初始参考轨迹的全局代价；
利用所述全局代价对所述初始参考轨迹进行更新，得到更新后参考轨迹，根据所述更新后参考轨迹控制所述车辆行驶。
2.根据权利要求1所述的方法，其特征在于，所述基于所述当前位置信息识别所述车辆的至少一个目标障碍物，包括：
根据所述当前位置信息确定所述车辆所在的当前车道；
分别获取当前车道和相邻车道中满足预设距离的邻近车辆；
计算所述车辆与所述邻近车辆的碰撞时间；
将所述碰撞时间满足预设阈值的邻近车辆确定为所述车辆的目标障碍物。
3.根据权利要求1所述的方法，其特征在于，所述预设时长包括至少一个目标时刻，所述根据所述初始参考轨迹和每个目标障碍物的预测行驶轨迹，计算所述初始参考轨迹的障碍物代价，包括：
基于所述初始参考轨迹和所述目标障碍物的预测行驶轨迹，构建所述至少一个目标时刻所述车辆与所述目标障碍物的碰撞多边形；
计算所述至少一个目标时刻所述车辆与所述碰撞多边形的最近距离；
基于所述最近距离计算所述车辆与所述目标障碍物的瞬时碰撞代价；
根据所述瞬时碰撞代价计算所述初始参考轨迹的障碍物代价。
4.根据权利要求3所述的方法，其特征在于，所述基于所述初始参考轨迹和所述目标障碍物的预测行驶轨迹，构建所述至少一个目标时刻所述车辆与所述目标障碍物的碰撞多边形，包括：
基于所述车辆的初始参考轨迹确定目标时刻所述车辆的形状信息；
基于所述目标障碍物的预测行驶轨迹确定目标时刻所述目标障碍物的形状信息；
利用所述车辆的形状信息与所述目标障碍物的形状信息计算在目标时刻所述车辆与所述目标障碍物的闵可夫斯基和，根据所述闵可夫斯基和构建碰撞多边形。
5.根据权利要求3所述的方法，其特征在于，所述计算所述至少一个目标时刻所述车辆与所述碰撞多边形的最近距离，包括：
确定目标时刻所述车辆与所述碰撞多边形最近的目标顶点；
以所述目标顶点为中心，将所述车辆所在的平面空间划分为至少一个区域；
确定所述车辆所在的目标区域，并基于所述车辆的中点到目标顶点的距离以及所述目标区域，计算所述车辆与所述碰撞多边形的最近距离。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述行驶特征包括行驶能量，所述基本代价包括能量代价，所述确定所述车辆在所述初始参考轨迹中行驶特征的特征约束信息，并基于所述特征约束信息计算所述初始参考轨迹的基本代价，包括：
获取预设能量权重，并确定所述车辆在所述初始参考轨迹中行驶能量的能量约束信息；
基于所述能量约束信息计算所述初始参考轨迹的能量代价。
7.根据权利要求1至5任一项所述的方法，其特征在于，所述行驶特征包括行驶车速，所述基本代价包括车速代价，所述确定所述车辆在所述初始参考轨迹中行驶特征的特征约束信息，并基于所述特征约束信息计算所述初始参考轨迹的基本代价，包括：
获取所述车辆当前的行驶车速以及预设车速权重；
确定所述车辆在预设时长后的目标车速；
基于所述车辆当前的行驶车速、目标车速以及预设车速权重，计算所述初始参考轨迹的车速代价。
8.根据权利要求7所述的方法，其特征在于，所述确定所述车辆在预设时长后的目标车速，包括：
获取所述车辆与引导车的跟车距离、所述车辆当前车道的车道限速以及引导车状态；
基于所述跟车距离、车道限速以及引导车状态，确定所述车辆预设时长后的目标车速。
9.根据权利要求1至5任一项所述的方法，其特征在于，所述行驶特征包括车道边界，所述基本代价包括边界代价，所述确定所述车辆在所述初始参考轨迹中行驶特征的特征约束信息，并基于所述特征约束信息计算所述初始参考轨迹的基本代价，包括：
根据所述车辆的当前位置信息确定所述车辆的车道左边界和车道右边界；
基于所述车道左边界和车道右边界，确定所述车辆在所述初始参考轨迹中的边界约束信息；
基于所述边界约束信息计算所述初始参考轨迹的边界代价。
10.根据权利要求1至5任一项所述的方法，其特征在于，所述行驶特征包括车辆加速度，所述基本代价包括加速度代价，所述确定所述车辆在所述初始参考轨迹中行驶特征的特征约束信息，并基于所述特征约束信息计算所述初始参考轨迹的基本代价，包括：
确定所述车辆在所述初始参考轨迹中车辆加速度的最大加速度和最小加速度；
基于所述最小加速度和最大加速度，计算所述初始参考轨迹的加速度代价。
11.根据权利要求1至5任一项所述的方法，其特征在于，所述行驶特征包括车辆横摆角速度，所述基本代价包括角速度代价，所述确定所述车辆在所述初始参考轨迹中行驶特征的特征约束信息，并基于所述特征约束信息计算所述初始参考轨迹的基本代价，包括：
确定所述车辆在所述初始参考轨迹中车辆横摆角速度的最小横摆角速度和最大横摆角速度；
基于所述最小横摆角速度和最大横摆角速度，计算所述初始参考轨迹的角速度代价。
12.根据权利要求1至5任一项所述的方法，其特征在于，所述预设时长包括至少一个目标时刻，所述利用所述全局代价对所述初始参考轨迹进行更新，得到更新后参考轨迹，包括：
若所述全局代价不满足收敛条件，则从预设时长的最后一个目标时刻开始反向计算所述初始参考轨迹中每个目标时刻的最优控制率；
根据每个目标时刻的最优控制率确定目标轨迹点；
基于目标轨迹点对所述初始参考轨迹进行更新，直到所述全局代价满足收敛条件，得到更新后参考轨迹。
13.一种车辆轨迹优化装置，其特征在于，包括：
获取单元，用于获取车辆的当前位置信息以及在预设时长内规划的初始参考轨迹；
第一计算单元，用于确定所述车辆在所述初始参考轨迹中行驶特征的特征约束信息，并基于所述特征约束信息计算所述初始参考轨迹的基本代价；
第二计算单元，用于基于所述当前位置信息识别所述车辆的至少一个目标障碍物，并根据所述初始参考轨迹和每个目标障碍物的预测行驶轨迹，计算所述初始参考轨迹的障碍物代价；
第三计算单元，用于根据所述车辆的当前***状态和目标***状态，计算所述初始参考轨迹的终值代价，所述目标***状态为车辆在预设时长后期望达到的状态；
确定单元，用于基于所述基本代价、障碍物代价和终值代价，确定所述初始参考轨迹的全局代价；
更新单元，用于利用所述全局代价对所述初始参考轨迹进行更新，得到更新后参考轨迹，根据所述更新后参考轨迹控制所述车辆行驶。
14.一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至12中任一项所述的车辆轨迹优化方法中的步骤。
15.一种电子设备，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，其中，所述处理器执行所述程序时实现如权利要求1至12任一项所述方法的步骤。
CN202110069601.8A 2021-01-19 2021-01-19 车辆轨迹优化方法、装置、电子设备和存储介质 Active CN112389427B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110069601.8A CN112389427B (zh) 2021-01-19 2021-01-19 车辆轨迹优化方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110069601.8A CN112389427B (zh) 2021-01-19 2021-01-19 车辆轨迹优化方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN112389427A true CN112389427A (zh) 2021-02-23
CN112389427B CN112389427B (zh) 2021-04-02

Family

ID=74625638

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110069601.8A Active CN112389427B (zh) 2021-01-19 2021-01-19 车辆轨迹优化方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN112389427B (zh)

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112977444A (zh) * 2021-02-24 2021-06-18 武汉光庭信息技术股份有限公司 一种车道保持高级辅助驾驶控制方法、***及电子设备
CN113022586A (zh) * 2021-04-14 2021-06-25 福瑞泰克智能***有限公司 一种车辆行为预测方法、装置及存储介质
CN113119995A (zh) * 2021-03-11 2021-07-16 京东鲲鹏(江苏)科技有限公司 一种路径搜索方法及装置、设备、存储介质
CN113516862A (zh) * 2021-07-22 2021-10-19 中国第一汽车股份有限公司 一种预警方法、装置、电子设备以及存储介质
CN113611109A (zh) * 2021-07-26 2021-11-05 上海德衡数据科技有限公司 基于雾计算的智能交通管控方法及***
CN113650616A (zh) * 2021-07-20 2021-11-16 武汉光庭信息技术股份有限公司 一种基于采集数据的车辆行为预测方法及***
CN113654556A (zh) * 2021-07-05 2021-11-16 的卢技术有限公司 一种基于改进em算法的局部路径规划方法、介质及设备
CN113665589A (zh) * 2021-09-18 2021-11-19 广州小鹏自动驾驶科技有限公司 车辆纵向控制方法、装置、车载终端及存储介质
CN113823123A (zh) * 2021-09-28 2021-12-21 合肥工业大学 一种基于离散点轨迹拟合的车辆避障预警方法及装置
CN113819915A (zh) * 2021-03-03 2021-12-21 京东鲲鹏(江苏)科技有限公司 无人车路径规划方法及相关设备
CN114510997A (zh) * 2021-12-30 2022-05-17 北京掌行通信息技术有限公司 收费站通行模式识别方法和***
CN114815825A (zh) * 2022-04-21 2022-07-29 合众新能源汽车有限公司 确定车辆最优行驶轨迹方法和装置
CN114880411A (zh) * 2022-03-09 2022-08-09 一汽解放汽车有限公司 车辆轨迹集合优化方法、装置、电子设备及存储介质
CN115060279A (zh) * 2022-06-08 2022-09-16 合众新能源汽车有限公司 路径规划方法、装置、电子设备和计算机可读介质
CN115218902A (zh) * 2022-04-02 2022-10-21 广州汽车集团股份有限公司 一种轨迹规划方法、装置、设备及存储介质
CN115230733A (zh) * 2022-06-24 2022-10-25 一汽解放汽车有限公司 车辆自动驾驶方法、装置、计算机设备和存储介质
CN115309170A (zh) * 2022-10-12 2022-11-08 之江实验室 一种考虑舒适性约束的轨迹规划方法、装置和***
CN115320636A (zh) * 2022-08-31 2022-11-11 中汽创智科技有限公司 一种自动驾驶方法、装置及存储介质
CN115320589A (zh) * 2022-10-13 2022-11-11 青岛慧拓智能机器有限公司 跟车速度规划方法、装置、芯片、终端、电子设备及介质
WO2023273067A1 (zh) * 2021-06-30 2023-01-05 上海商汤临港智能科技有限公司 一种行驶规划方法、装置、计算机设备及存储介质
CN115817515A (zh) * 2023-01-18 2023-03-21 禾多科技（北京）有限公司 车辆控制方法、装置、电子设备和计算机可读介质
CN116519004A (zh) * 2023-06-30 2023-08-01 福思(杭州)智能科技有限公司 车辆轨迹的规划方法、装置和存储介质及电子设备
CN116882307A (zh) * 2023-09-08 2023-10-13 武汉理工大学 考虑不确定初始状态的车辆安全轨迹规划方法及***
CN117111479A (zh) * 2023-10-23 2023-11-24 深圳市智绘科技有限公司 机器人控制方法、装置、电子设备及可读存储介质
WO2024065950A1 (zh) * 2022-09-28 2024-04-04 广州文远知行科技有限公司 一种窄路会车方法、装置、设备及存储介质
WO2024114442A1 (zh) * 2022-11-30 2024-06-06 华为技术有限公司 一种触发指令的方法、装置和智能驾驶设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101425106A (zh) * 2008-11-06 2009-05-06 清华大学 车辆多目标协调式自适应巡航控制性能的数学量化方法
US20160325743A1 (en) * 2015-05-04 2016-11-10 Honda Research Institute Europe Gmbh Method for improving performance of a method for computationally predicting a future state of a target object, driver assistance system, vehicle including such driver assistance system and respective program storage medium and program
DE102015219498A1 (de) * 2015-10-08 2017-04-13 Robert Bosch Gmbh Verfahren zur unterstützten Ausrichtung eines geparkten Fahrzeugs gegenüber einem Objekt
CN107458374A (zh) * 2016-06-02 2017-12-12 福特全球技术公司 车辆避撞
WO2018123014A1 (ja) * 2016-12-28 2018-07-05 本田技研工業株式会社 車両制御システム、車両制御方法、および車両制御プログラム
CN108473140A (zh) * 2016-02-18 2018-08-31 本田技研工业株式会社 车辆控制装置、车辆控制方法及车辆控制程序
EP3444637A1 (de) * 2017-08-17 2019-02-20 Valeo Schalter und Sensoren GmbH Verfahren zum betreiben eines kraftfahrzeugs in einer umgebung mit beschränktem zugriff auf ein navigationssatellitensystem, fahrerassistenzsystem sowie kraftfahrzeug
CN109426247A (zh) * 2017-08-22 2019-03-05 湖南中车时代电动汽车股份有限公司 一种用于电动车辆的智能驾驶管控方法
CN109501799A (zh) * 2018-10-29 2019-03-22 江苏大学 一种车联网条件下的动态路径规划方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101425106A (zh) * 2008-11-06 2009-05-06 清华大学 车辆多目标协调式自适应巡航控制性能的数学量化方法
US20160325743A1 (en) * 2015-05-04 2016-11-10 Honda Research Institute Europe Gmbh Method for improving performance of a method for computationally predicting a future state of a target object, driver assistance system, vehicle including such driver assistance system and respective program storage medium and program
DE102015219498A1 (de) * 2015-10-08 2017-04-13 Robert Bosch Gmbh Verfahren zur unterstützten Ausrichtung eines geparkten Fahrzeugs gegenüber einem Objekt
CN108473140A (zh) * 2016-02-18 2018-08-31 本田技研工业株式会社 车辆控制装置、车辆控制方法及车辆控制程序
CN107458374A (zh) * 2016-06-02 2017-12-12 福特全球技术公司 车辆避撞
WO2018123014A1 (ja) * 2016-12-28 2018-07-05 本田技研工業株式会社 車両制御システム、車両制御方法、および車両制御プログラム
EP3444637A1 (de) * 2017-08-17 2019-02-20 Valeo Schalter und Sensoren GmbH Verfahren zum betreiben eines kraftfahrzeugs in einer umgebung mit beschränktem zugriff auf ein navigationssatellitensystem, fahrerassistenzsystem sowie kraftfahrzeug
CN109426247A (zh) * 2017-08-22 2019-03-05 湖南中车时代电动汽车股份有限公司 一种用于电动车辆的智能驾驶管控方法
CN109501799A (zh) * 2018-10-29 2019-03-22 江苏大学 一种车联网条件下的动态路径规划方法

Cited By (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112977444A (zh) * 2021-02-24 2021-06-18 武汉光庭信息技术股份有限公司 一种车道保持高级辅助驾驶控制方法、***及电子设备
CN112977444B (zh) * 2021-02-24 2022-03-08 武汉光庭信息技术股份有限公司 一种车道保持高级辅助驾驶控制方法、***及电子设备
CN113819915A (zh) * 2021-03-03 2021-12-21 京东鲲鹏(江苏)科技有限公司 无人车路径规划方法及相关设备
CN113119995A (zh) * 2021-03-11 2021-07-16 京东鲲鹏(江苏)科技有限公司 一种路径搜索方法及装置、设备、存储介质
CN113022586A (zh) * 2021-04-14 2021-06-25 福瑞泰克智能***有限公司 一种车辆行为预测方法、装置及存储介质
WO2023273067A1 (zh) * 2021-06-30 2023-01-05 上海商汤临港智能科技有限公司 一种行驶规划方法、装置、计算机设备及存储介质
CN113654556A (zh) * 2021-07-05 2021-11-16 的卢技术有限公司 一种基于改进em算法的局部路径规划方法、介质及设备
CN113650616A (zh) * 2021-07-20 2021-11-16 武汉光庭信息技术股份有限公司 一种基于采集数据的车辆行为预测方法及***
CN113516862A (zh) * 2021-07-22 2021-10-19 中国第一汽车股份有限公司 一种预警方法、装置、电子设备以及存储介质
CN113611109B (zh) * 2021-07-26 2022-08-16 上海德衡数据科技有限公司 基于雾计算的智能交通管控方法及***
CN113611109A (zh) * 2021-07-26 2021-11-05 上海德衡数据科技有限公司 基于雾计算的智能交通管控方法及***
CN113665589A (zh) * 2021-09-18 2021-11-19 广州小鹏自动驾驶科技有限公司 车辆纵向控制方法、装置、车载终端及存储介质
CN113665589B (zh) * 2021-09-18 2023-04-07 广州小鹏自动驾驶科技有限公司 车辆纵向控制方法、装置、车载终端及存储介质
CN113823123B (zh) * 2021-09-28 2022-07-01 合肥工业大学 一种基于离散点轨迹拟合的车辆避障预警方法及装置
CN113823123A (zh) * 2021-09-28 2021-12-21 合肥工业大学 一种基于离散点轨迹拟合的车辆避障预警方法及装置
CN114510997A (zh) * 2021-12-30 2022-05-17 北京掌行通信息技术有限公司 收费站通行模式识别方法和***
CN114510997B (zh) * 2021-12-30 2023-05-02 北京掌行通信息技术有限公司 收费站通行模式识别方法和***
CN114880411A (zh) * 2022-03-09 2022-08-09 一汽解放汽车有限公司 车辆轨迹集合优化方法、装置、电子设备及存储介质
CN114880411B (zh) * 2022-03-09 2024-04-26 一汽解放汽车有限公司 车辆轨迹集合优化方法、装置、电子设备及存储介质
CN115218902A (zh) * 2022-04-02 2022-10-21 广州汽车集团股份有限公司 一种轨迹规划方法、装置、设备及存储介质
CN115218902B (zh) * 2022-04-02 2024-02-02 广州汽车集团股份有限公司 一种轨迹规划方法、装置、设备及存储介质
CN114815825A (zh) * 2022-04-21 2022-07-29 合众新能源汽车有限公司 确定车辆最优行驶轨迹方法和装置
CN115060279A (zh) * 2022-06-08 2022-09-16 合众新能源汽车有限公司 路径规划方法、装置、电子设备和计算机可读介质
CN115060279B (zh) * 2022-06-08 2024-04-16 合众新能源汽车股份有限公司 路径规划方法、装置、电子设备和计算机可读介质
CN115230733A (zh) * 2022-06-24 2022-10-25 一汽解放汽车有限公司 车辆自动驾驶方法、装置、计算机设备和存储介质
CN115230733B (zh) * 2022-06-24 2024-06-04 一汽解放汽车有限公司 车辆自动驾驶方法、装置、计算机设备和存储介质
CN115320636A (zh) * 2022-08-31 2022-11-11 中汽创智科技有限公司 一种自动驾驶方法、装置及存储介质
WO2024065950A1 (zh) * 2022-09-28 2024-04-04 广州文远知行科技有限公司 一种窄路会车方法、装置、设备及存储介质
CN115309170B (zh) * 2022-10-12 2023-03-24 之江实验室 一种考虑舒适性约束的轨迹规划方法、装置和***
CN115309170A (zh) * 2022-10-12 2022-11-08 之江实验室 一种考虑舒适性约束的轨迹规划方法、装置和***
CN115320589B (zh) * 2022-10-13 2023-02-10 青岛慧拓智能机器有限公司 跟车速度规划方法、装置、芯片、终端、电子设备及介质
CN115320589A (zh) * 2022-10-13 2022-11-11 青岛慧拓智能机器有限公司 跟车速度规划方法、装置、芯片、终端、电子设备及介质
WO2024114442A1 (zh) * 2022-11-30 2024-06-06 华为技术有限公司 一种触发指令的方法、装置和智能驾驶设备
CN115817515B (zh) * 2023-01-18 2023-05-26 禾多科技（北京）有限公司 车辆控制方法、装置、电子设备和计算机可读介质
CN115817515A (zh) * 2023-01-18 2023-03-21 禾多科技（北京）有限公司 车辆控制方法、装置、电子设备和计算机可读介质
CN116519004A (zh) * 2023-06-30 2023-08-01 福思(杭州)智能科技有限公司 车辆轨迹的规划方法、装置和存储介质及电子设备
CN116882307A (zh) * 2023-09-08 2023-10-13 武汉理工大学 考虑不确定初始状态的车辆安全轨迹规划方法及***
CN116882307B (zh) * 2023-09-08 2023-11-24 武汉理工大学 考虑不确定初始状态的车辆安全轨迹规划方法及***
CN117111479B (zh) * 2023-10-23 2024-01-30 深圳市智绘科技有限公司 机器人控制方法、装置、电子设备及可读存储介质
CN117111479A (zh) * 2023-10-23 2023-11-24 深圳市智绘科技有限公司 机器人控制方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN112389427B (zh) 2021-04-02

Similar Documents

Publication Publication Date Title
CN112389427B (zh) 车辆轨迹优化方法、装置、电子设备和存储介质
CN112677995B (zh) 一种车辆轨迹规划方法、装置、存储介质及设备
Wang et al. Collision-free navigation of autonomous vehicles using convex quadratic programming-based model predictive control
Wang et al. An intelligent lane-changing behavior prediction and decision-making strategy for an autonomous vehicle
CN110187639B (zh) 一种基于参数决策框架的轨迹规划控制方法
Erlien et al. Shared steering control using safe envelopes for obstacle avoidance and vehicle stability
Wang et al. Ethical decision-making platform in autonomous vehicles with lexicographic optimization based model predictive controller
JP6715899B2 (ja) 衝突回避装置
CN110794851B (zh) 车辆远程控制安全防护方法、装置和无人驾驶车辆
CN108445750A (zh) 用于车辆运动规划的方法和***
Chiang et al. Embedded driver-assistance system using multiple sensors for safe overtaking maneuver
CN111289978A (zh) 一种车辆无人驾驶行为决策的方法和***
Xu et al. A nash Q-learning based motion decision algorithm with considering interaction to traffic participants
Hima et al. Controller design for trajectory tracking of autonomous passenger vehicles
Zhang et al. Data-driven based cruise control of connected and automated vehicles under cyber-physical system framework
Sun et al. An active safety control method of collision avoidance for intelligent connected vehicle based on driving risk perception
CN111679660A (zh) 一种融合类人驾驶行为的无人驾驶深度强化学习方法
CN113525373A (zh) 一种车辆的变道控制***、控制方法
Chen et al. A hierarchical hybrid system of integrated longitudinal and lateral control for intelligent vehicles
Yuan et al. Mixed local motion planning and tracking control framework for autonomous vehicles based on model predictive control
Zhang et al. Structured road-oriented motion planning and tracking framework for active collision avoidance of autonomous vehicles
Li et al. Dynamically integrated spatiotemporal‐based trajectory planning and control for autonomous vehicles
Yu et al. Hierarchical framework integrating rapidly-exploring random tree with deep reinforcement learning for autonomous vehicle
Fan et al. A lane changing time point and path tracking framework for autonomous ground vehicle
Yue et al. Automated hazard escaping trajectory planning/tracking control framework for vehicles subject to tire blowout on expressway

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40038333

Country of ref document: HK