CN112440990A - 用于自主和半自主车辆的路径规划 - Google Patents
用于自主和半自主车辆的路径规划 Download PDFInfo
- Publication number
- CN112440990A CN112440990A CN202010891805.5A CN202010891805A CN112440990A CN 112440990 A CN112440990 A CN 112440990A CN 202010891805 A CN202010891805 A CN 202010891805A CN 112440990 A CN112440990 A CN 112440990A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- path
- predetermined
- constraints
- constraint
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 37
- 230000015654 memory Effects 0.000 description 22
- 238000004891 communication Methods 0.000 description 13
- 230000033001 locomotion Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008447 perception Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000010267 cellular communication Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3602—Input other than that of destination using image analysis, e.g. detection of road signs, lanes, buildings, real preceding vehicles using a camera
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- 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
- B60W30/06—Automatic manoeuvring for parking
-
- 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
- B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/12—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to parameters of the vehicle itself, e.g. tyre models
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D15/00—Steering not otherwise provided for
- B62D15/02—Steering position indicators ; Steering position determination; Steering aids
- B62D15/025—Active steering aids, e.g. helping the driver by actively influencing the steering system after environment evaluation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D15/00—Steering not otherwise provided for
- B62D15/02—Steering position indicators ; Steering position determination; Steering aids
- B62D15/027—Parking aids, e.g. instruction means
- B62D15/0285—Parking performed automatically
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3679—Retrieval, searching and output of POI information, e.g. hotels, restaurants, shops, filling stations, parking facilities
- G01C21/3685—Retrieval, searching and output of POI information, e.g. hotels, restaurants, shops, filling stations, parking facilities the POI's being parking facilities
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/168—Driving aids for parking, e.g. acoustic or visual feedback on parking space
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/06—Direction of travel
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/20—Sideslip angle
-
- 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
- B60W2720/00—Output or target parameters relating to overall vehicle dynamics
- B60W2720/24—Direction of travel
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及用于自主和半自主车辆的路径规划。一种用于自主或半自主车辆(1)的路径规划的方法(400,500),包括:获得车辆的周围环境的可驾驶区域,以及基于预定约束集和路径的预定特性集在可驾驶区域内为时间步长t生成路径(2)。预定约束集包括基于车辆的当前姿态的至少一个约束(7,8)。
Description
技术领域
本公开涉及自主驾驶(AD)和高级驾驶员辅助***(ADAS)。更具体地,本公开涉及可驾驶区域内的车辆的路径规划。
背景技术
如今,许多车辆具有多种采取高级驾驶员辅助***(ADAS)的形式的驾驶员支持功能。此外,这些支持功能中的许多支持功能形成当前和将来自主驾驶(AD)功能的基础。ADAS特征或功能的示例包括车道偏离警告***、车道居中、车道保持辅助、驾驶员辅助、车道变换辅助、停车传感器、行人保护***、盲点监视器、自适应巡航控制(ACC)、防抱死制动***等。这些功能响应于某些场景而采用一个或多个警告或自动动作来补充车辆的传统的驾驶员控制。
在过去的几年里,自主车辆的发展突飞猛进,并且正在开发许多不同的方案。如今,自主驾驶(AD)和高级驾驶员辅助***(ADAS)(即,半自主驾驶)两者正在这些领域内的许多不同技术领域内不断发展。一个这样的领域是路径规划,即,如何规划路径以使车辆能在准确且与车辆乘员感到舒适的方式一致的情况下被安全地操控,即,路径或轨迹规划。
通常,传统的路径规划***为来自给定可驾驶区域的自主车辆生成目标路径,该可驾驶区域通常由感知***或模块提供。目标路径假设被发送给计算转向角的车辆控制器,并且使得车辆沿该路径行进。传统的路径规划方案的示意图在图1中被图示。车辆的路径规划模块为车辆1’生成目标路径2’。然而,因为路径跟踪控制器命令转向角以便与目标路径2’相会合(converge),所以初始的车辆位置远离所生成的目标路径2’,这导致车辆运动不平顺(如虚线箭头3’所指示的)。运动3’的不平顺性可被追溯到两个阶段。第一,在自动化激活之后立即命令大的转向角,并且第二,在到达路径2’之后,因为在前一阶段处已增大的大行进角度,所以车辆1’冲出路径2’而不是与路径2’相会合。因此,车辆运动3’经历几次这种冲出直到完全与路径2’相会合。在其中初始车辆偏移量非常大的一些情况下,冲出的幅度可随着时间增大,并且车辆1’因此不能与路径2’相会合。例如,这可能是自动代客停车应用中的问题,其中用户在开始自动停车之前以任意姿态停车,但目标路径是围绕可驾驶区域的中心优化的。
尽管目前已知的方案可以依据安全路径规划产生足够的结果,但始终需要改进本领域的技术,特别是依据舒适和整体的用户体验的改进。
发明内容
所以,本公开的目标在于:提供一种用于自主或半自主车辆的路径规划的方法、一种计算机可读存储介质、一种控制设备以及一种包括减轻当前已知方案的所有或至少一些缺陷的这种控制设备的车辆。
借助于一种用于自主或半自主车辆的路径规划的方法、一种计算机可读存储介质、一种控制设备以及一种包括如所附的权利要求中所限定的这种控制设备的车辆来达到这个目标。术语示例性应在本上下文中被理解为实例、示例或说明。
根据本公开的第一方面,提供了一种用于自主或半自主车辆的路径规划的方法。所述方法包括:获得所述车辆的周围环境的可驾驶区域,以及基于预定约束集和所述路径的预定特性集在所述可驾驶区域内为时间步长t生成路径。所述预定约束集包括基于所述车辆的姿态的至少一个约束。
与传统方案相比,所提出的方法使用于自主和半自主车辆的路径规划模块能够更平滑和更稳定。更具体地,所建议的方法减轻了在车辆的初始姿态偏离目标路径的情况下(诸如例如,在自动代客停车应用中)失败的路径会合的轨迹的风险。
进一步,本发明人实现了通过在为车辆生成目标路径时形成取决于车辆的当前姿态的约束,降低由于非最佳的初始车辆位置而不能与所生成的路径相会合的风险。具体地,本发明人实现了通过具有两个侧边界(两个侧边界在距车辆纵向中心轴线预定距离处在车辆前面延伸预定长度)形式的约束,可实现简单且计算效率高的路径优化。
根据本公开的示例性实施例,在所述可驾驶区域内为所述时间步长t生成路径包括以下步骤:
·计算成本函数,其中,所述成本函数是所述路径的所述预定特性集的数学表示,
·计算所述约束集,其中,所述约束集进一步包括:基于所述可驾驶区域的边界的至少一个约束和基于车辆特性的至少一个约束,
·基于所计算的成本函数和所计算的约束集求解优化问题,
·基于所求解的优化问题形成所述路径。
换句话说,路径规划被形成为二次规划问题。
相应地,通过使用该公式,可以采用高效但传统的优化算法实时推导出全局最优解。
而且,根据本公开的另一个示例性实施例,所述车辆具有与所述车辆的预定中心点相交的纵向轴线,并且基于所述车辆的所述当前姿态的所述至少一个约束包括两个侧边界,所述两个侧边界在距所述纵向轴线的第一预定横向距离处与所述车辆的所述纵向轴线平行延伸。所述车辆的所述预定中心点可被解释为参考点,基于该参考点进行路径跟踪控制(例如,车辆真实质心轴的中心)。侧边界提供了简单而有效的手段来施加与路径规划应用中的车辆姿态有关的约束。
更具体地,根据又一个示例性实施例,所述两个侧边界之间的区域限定时间步长t的路径的至少一部分被允许形成在其内的容许区域。
根据本公开的第二方面,提供了一种存储一个或多个程序的(非瞬态)计算机可读存储介质,所述一个或多个程序被配置为由车辆控制***的一个或多个处理器执行,所述一个或多个程序包括用于执行根据本文所公开的实施例中的任何一个的方法的指令。与本公开的这个方面一起,提出了如在本公开的第一方面中先前所讨论的类似优势和优选的特征。
如本文所使用的,术语“非瞬态”意在描述排除传播电磁信号的计算机可读存储介质(或“存储器”),但不意在另外对由短语计算机可读介质或存储器包含的物理的计机可读存储设的类型进行限制。例如,术语“非瞬态计算机可读介质”或“有形存储器”意在包含不必要永久存储信息的各种类型的存储设备,包括例如,随机存取存储器(RAM)。采取非瞬态形式存储在有形计算机可存取存储介质上的程序指令和数据可进一步由传输介质或诸如电的、电磁的或数字信号的信号(可经由诸如网络和/或无线连接的通信介质运送)传输。因此,如本文所使用的,术语“非瞬态”是对介质本身(例如,有形的而不是信号)的限制,而不是对数据存储永久性的限制(例如,RAM vs ROM)。
进一步,根据本公开的第三方面,提供了一种用于自主或半自主车辆的路径规划的控制设备。所述控制设备包括控制电路(也可被称作一个或多个处理器)和关联的存储设备。所述控制电路被配置为:获得所述车辆的周围环境的可驾驶区域,以及基于预定约束集的所述路径的预定特性集在所述可驾驶区域内为时间步长t生成路径。而且,所述预定约束集包括基于车辆的当前姿态的至少一个约束。与公开的这个方面一起,提出了如在本公开的第一方面中先前所讨论的类似优势和优选的特征。
根据本公开的第四方面,提供了一种包括感知***的车辆,所述感知***包括用于监视所述车辆的周围环境的至少一个传感器。所述车辆进一步包括根据本文所公开的实施例中的任何一个的控制设备。与本公开的这个方面一起,提出了如在本公开的第一方面中先前所讨论的类似优势和优选的特征。
本公开的进一步的实施例被限定在从属权利要求中。应强调的是,当在本说明书中使用时,术语“包括/包含”用于规定所述的特征、整数、步骤或组件的存在。它不排除一个或多个其他特征、整数、步骤、组件或其群组的存在或添加。
以下将参照下文所描述的实施例进一步阐明本公开的这些和其他特征和优势。
附图说明
本公开的实施例的进一步的目标、特征和优势将从以下对附图做出参照的详细描述中显而易见,其中:
图1是根据现有技术示例的在路段上行驶的车辆的俯视示意图。
图2是根据本公开的示例性实施例的具有用于路径规划的控制设备的车辆的俯视示意图。
图3(a)至图3(b)是图示根据本公开的示例性实施例的具有用于代客停车应用的路径规划的控制设备的车辆的俯视示意图。
图3(c)至图3(d)是根据现有技术示例的具有代客停车应用的车辆的俯视示意图。
图4是根据本公开的实施例的用于自主或半自主车辆的路径规划的方法的示意框图表示。
图5是根据本公开的实施例的用于自主或半自主车辆的路径规划的方法的示意流程图表示。
图6是根据本公开的实施例的具有用于自主或半自主车辆的路径规划的控制设备的车辆的侧视示意图。
具体实施方式
本领域技术人员将理解的是,本文所解释的步骤、服务和功能可使用单独的硬件电路、使用与编程的微处理器或通用计算机功能性结合的软件、使用一个或多个专用集成电路(ASIC)和/或使用一个或多个数字信号处理器(DSP)来实现。还将被理解的是,当本公开依据方法描述时,它也可嵌入在一个或多个处理器和耦接到一个或多个处理器的一个或多个存储器中,其中一个或多个存储器存储一个或多个程序,一个或多个程序当被一个或多个处理器执行时执行本文所公开的步骤、服务和功能。
在示例性实施例的以下描述中,相同的附图标记指示相同或类似的组件。车辆在本上下文中要被理解为道路车辆(诸如轿车、公交车、卡车、工程车辆等)。
通常,针对路径规划问题,存在两种主要方法。第一种是基于样本的方法,其中可驾驶区域被离散化成多个单元或节点。通过从开始区域到结束区域进行一类基于图形的搜索来找到目标路径。另一种方法是采用成本函数和约束集来求解优化问题。成本函数表示用户期望的路径特性,并且约束包括路径被允许存在其内的可驾驶区域的限制。相应地,找到的最优路径作为能够最小化成本函数的一个路径。本公开尤其涉及后一种方法。
图2是根据本公开的示意性实施例的行驶在路段4(这里以道路上的车道的形式)上的车辆1的俯视示意图。而且,图2用于根据本公开的示例性实施例至少大体上阐明用于自主或半自主车辆的路径规划的方法或过程。因此,所图示的车辆1要被解释为具有用于根据本公开的示例性实施例的路径规划的控制设备的自主车辆或半自主车辆(即,配备合适的高级驾驶员辅助***的车辆)。路径可以在本上下文中是以边界配置开始和结束的车辆配置序列。这些边界配置也可被称作起始和终止。换句话说,规划的路径可被理解为规划为由车辆1在可驾驶区域内假定的一系列位置或配置。
假定路径规划***从给定的可驾驶区域为车辆1生成目标路径2,给定的可驾驶区域通常由感知模块(参见例如图6中的附图标记67)提供。假定目标路径2被发送到计算转向角和加速度值的车辆控制器,使得车辆1沿生成的路径2行进。感知***在本上下文中要被理解为负责从诸如摄像机、激光雷达(LIDAR)和雷达(RADAR)、超声波传感器的传感器获取原始传感器数据并且将该原始数据转换为场景理解力(scene understanding)的***。当然,可驾驶区域可由诸如高清(HD)地图数据、从定位***(例如,GNSS)获取的位置数据等的附加装置确定。
此外,在图2中,假定车辆1具有远离目标路径(即,车道的中心)的姿态(即,地理位置和行进角度)。在图示中,假定车辆1处于静止,因此生成目标路径以移动车辆1到车道4的中心。
车辆1的路径规划模块(即,控制设备)获得周围环境的可驾驶区域。可驾驶区域例如可以是道路的一条或多条车道。然后,在可驾驶区域内采用预定采样率生成路径2。如果采样率例如是10Hz,那么路径2生成模块每0.1秒更新目标路径一次。
更详细地,基于路径的预定特性集和进一步基于预定约束集为时间步长t生成路径2,其中预定约束集包括基于(取决于)车辆的当前姿态的至少一个约束7、8。车辆的当前姿态例如可以从诸如定位***(例如,GNSS)、惯性测量单元(IMU)、或任何其他合适的传感器设备的辅助车辆控制单元检索。预定特性集可被解释为施加的控制参数,以便在没有不必要的猛烈加速或颠簸的情况下生成平滑的路径,即,与物理的车辆约束相比,与用户体验更相关的标准。预定特性集例如可包括:路径平滑水平、到车道中心的距离以及路径的长度中的至少一个。另一方面,预定约束集可进一步包括:车辆1的最小转弯半径、车辆1的(纵向)长度、车辆1的(横向)宽度、车辆1的(垂直)高度、车辆1的离地间隙以及至少一个可驾驶区域边界中的至少一个。在本上下文中的集合要被解释为等于或大于一的数。
关于可驾驶区域边界约束,它应被解释为不被允许车辆行驶到不适合驾驶的区域(例如,草坪、人行道等)上。当然,约束集可进一步包括诸如避免与外部物体(例如,其他车辆、道路标志、行人等)碰撞的其他约束。
进一步,基于车辆的当前姿态(位置和行进角度)的至少一个约束包括在车辆1的行驶方向上(由沿着车辆1行进的箭头指示)从车辆1延伸的两个(虚拟的)侧边界7、8。然而,图2中所描绘的示例实施例不包括既从车辆1的前面又从车辆1的后面延伸的侧边界7、8。更详细地,两个侧边界之间的区域26限定时间步长t的路径的至少一部分被允许形成在其内的容许区域26。
侧边界7、8与车辆1的纵向中心轴线21平行延伸。纵向中心轴线是沿车辆1的长度通过后轴的中心点5延伸的虚拟轴线。而且,侧边界7、8被设置在距车辆1的纵向中心轴线21的预定横向距离24、25处。侧边界7、8可以是与中心轴线21等距间隔开的。可替代地,第一侧边界7可被设置在距纵向中心轴线21的第一横向距离24处,并且第二侧边界8可被设置在距纵向中心轴线21的第二横向距离24处,第一距离和第二距离是不同的。侧边界7、8和纵向中心轴线21之间的间隔可取决于诸如车辆1的地理位置、预定用户偏好等的外部因素。
进一步,车辆1的纵向中心轴线21和侧边界7、8之间的距离24、25可以是动态的。更具体地,如果时间步长t的路径2的部分不能形成在两个侧边界7、8之间的容许区域内,则距离24、25可被增大到预定最大距离位置或增大到路径的部分可形成在容许区域内为止。
进一步,更新的路径所基于的约束集可进一步包括车辆的最小转弯半径、车辆的(纵向)长度、车辆的(横向)宽度、车辆的(垂直)高度和车辆的离地间隙中的至少一个。换句话说,更新的路径是优选的,使得它不违反车辆1的物理性能。
相应地,生成的路径2将考虑车辆1的当前姿态,这将使得在更平滑的路径中随后的车辆轨迹与生成的路径2相会合会具有更高的机会,从而改进稳定性和舒适度。换句话说,通过引入这个约束(侧边界7、8),生成的路径2与车辆姿态相一致(align)。因此,当生成的路径2被控制器追踪时,可实现平滑的车辆运动。这个观点将参照图3(a)至图3(d)进一步阐明,图3(a)至图3(d)示出根据本公开的实施例所提出的路径规划方案和代客停车应用中的传统路径规划***之间的比较。
图3(a)是根据本公开的示例性实施例的具有用于路径规划的控制设备的车辆1的俯视示意图,并且图3(b)示出路径会合期间的车辆轨迹3。车辆1位于停车场4中,并且路径规划***被配置为为了将车辆以安全和舒适的方式停在指定停车位33中而生成路径2。图3(c)和图3(d)是具有传统的路径规划方案的车辆1’的比较俯视图,其中图3(c)示出生成的路径2’,并且图3(d)示出在停车场4’中路径会合期间的车辆轨迹3’。
由于由侧边界7、8所施加的约束,生成的路径2与车辆姿态相一致。因此,当其随后被车辆控制器追踪时(由图3(b)中的轨迹3图示),可实现平滑的车辆运动。进一步,可对路径施加约束,诸如,到外部物体的最小距离,这里以停靠的车辆32的形式。图3(c)和图3(d)示出生成的路径2’和车辆轨迹3’,(即,没有考虑车辆姿态)而由侧边界所施加的约束。生成的路径2’反而围绕可驾驶区域4的中心31’被优化。因为在现有技术示例中,初始车辆偏移量(车辆姿态和目标路径2’之间的差异)是大的,所以控制器趋向于冲过路径2’,并且此外因为目标路径2’的长度相对短,所以路径会合可能失败(如在图3(d)中所指示的)。
图4是根据本公开的示例性实施例的用于自主或半自主车辆的路径规划的方法的示意框图400表示。框图400图示在每个时间步长t(t=k,k=[1,2…N])处生成的/更新的路径如何取决于在一个或多个先前时间步长t(t=k–m,m=[1,2...N–1],m≤k)处生成的路径。该方法包括获得402a-402d车辆的周围环境的可驾驶区域。这里的术语获得要被宽泛地解释且包括接收、检索、收集、获取等。
基于从被设置为监视车辆的周围环境的一个或多个传感器设备检索的传感器数据401来确定可驾驶区域。如所提到的,可驾驶区域可包括路段的一个或多个车道、停车场、单行道等。进一步,该方法包括基于路径的预定特性集和预定约束集在可驾驶区域内为每个时间步长t(t=k)生成403a-403d路径。如所提到的,路径的预定特性与舒适方面(车道平滑度、到其他目标的距离、到边界的距离、到车道中心的距离等)更相关,即,特性可被理解为优化参数。而且,特性可以是动态的(即,取决于当前用户设定、一天中的时间等)。在另一方面,约束与限制更相关,限制诸如车辆的物理限制(例如,转弯半径)、安全(例如,交通监控以避免碰撞)以及特别是如前文中所描述的由车辆的当前姿态施加的限制。
约束在某种程度上可被解释为不应被违反的静态限制(例如,车辆不能大于其最小转弯半径而转弯,或车辆不能通过比车辆的宽度窄的区域)。然而,在一些示例性实施例中,基于车辆的当前姿态的约束是软约束,即,如果满足一个或多个其他预定标准,则它可被违反(例如,为了避免碰撞)。换句话说,时间步长t的更新的路径在一些预定场景中可被允许形成在侧边界(参照图2中的7、8)的外部。
图5是根据本公开的实施例的用于自主或半自主车辆的路径规划的方法500的示意流程图表示。以下描述将关注于路径生成步骤502,然而,如前文中已例示的,可以说路径至少部分基于传感器数据501来生成,传感器数据501例如可由车辆的感知***提供。
接着,路径生成502被作为具有成本函数和约束集的优化问题来处理。成本函数表示用户期望的路径特性,并且约束包括路径被允许存在其中的可驾驶区域的限制。然后,找到的最优路径作为最小化成本函数的一个路径。
在许多情况下,并且在实际的实现方式中,该问题用公式表示为二次规划问题:
最小化成本函数:
受约束于:
Aw≤b (2)
其中,w是要优化的参数向量,Q是权重矩阵,c是权重向量,A是约束矩阵,并且b是约束向量。
参数向量确定目标路径的形状。例如,当路径由多项式建模时,向量是多项式系数。这种类型的方法的优势是采用有效算法,可实时找到最优解。以下将参照图5在下面讨论二次规划问题的特定实现方式的示例。
为了添加基于车辆的当前姿态的约束,对上述优化问题的公式做出修改。更具体地,等式(1)、(2)被更新:
Aawa≤ba (4)
其中,wa是要优化的参数向量,并且其从等式(1)和(2)中的w增强:
Qa和ca分别是从等式(1)中的Q增强的成本矩阵和从等式(1)中的c增强的成本向量:
其中,ρ是基于车辆的当前姿态的约束(软)的权重。Aa和ba分别是从等式(2)中的A增强的约束矩阵和从等式(2)中的b增强的约束向量:
接着,方法500包括计算503成本函数矩阵和计算成本函数向量。在本上下文中,成本函数可被理解为期望的目标路径特性的数学表示。例如,这些特性可以是路径的特定“平滑度”、到车道中心的接近度、路径的总长度等。为了计算上述二次规划问题的矩阵Q和向量c,在离散空间(或时间)中数值计算成本函数值。
更详细地,计算503成本函数矩阵和成本函数向量的步骤包括计算504“基础”矩阵和“基础”向量(Q,c),并且然后形成增强的矩阵和增强的向量(Qa,ca)。
进一步,该方法包括计算506约束集,其中约束集进一步包括基于可驾驶区域的边界的至少一个约束和基于车辆特性的至少一个约束。更具体地,计算506约束矩阵和约束向量。一些约束源于可驾驶区域边界,为了确保最优路径存在于可驾驶区域内(例如,在停车场内和在停车场内的容许车道内)。此外,可需要路径的曲率低于某个阈值(例如,车辆的最小转弯半径)。
再进一步,计算506约束矩阵和约束向量的步骤,进一步包括基于当前车辆姿态来推导507至少一个约束。这个约束也可被称作例如图2中所图示的侧边界7、8。因此,方法500进一步包括得到或形成508基于车辆1的当前姿态的侧边界。换句话说,生成/获得从车辆的纵向中心轴线经过车辆的前面和后面延伸预定长度的窄约束。接下来,侧边界分别向左和向右偏移509距车辆的纵向中心轴线的预定距离。
一旦推导507出“姿态”约束,就形成510增强的约束矩阵和增强的约束向量(Aa、ba)。接下来,求解511优化问题。这可被理解为最小化给定了预定特性集和预定约束集的成本函数。更具体地,这个步骤511求解前文中所讨论的二次规划问题。对于这项任务,也可以使用有效和数字稳定的传统算法。
进一步,从方案511构造512目标路径。取决于二次规划问题用公式表示的方式,优化511的输出可以是多项式系数集、向自我车辆运动模型的控制输入序列、或形成路径的形状的一些权重。一旦路径被生成502或构造512,方法500就可包括控制车辆以便执行所生成的/构造的路径。
可选地,用于执行这些功能的可执行指令包括在非瞬态计算机可读存储介质或被配置为由一个或多个处理器执行的其他计算机程序产品中。
图6是具有用于自主或半自主车辆1的路径规划的控制设备10的车辆的侧视示意图。车辆1进一步包括与控制设备通信连接的感知***66、定位***65和惯性测量单元69。本上下文中的感知***66可被理解为负责从诸如摄像机、激光雷达和雷达、超声传感器的传感器67a、67b、67c获取原始传感器数据并将该原始数据转换为场景理解力的***。定位***65被配置为监视车辆的地理位置和行进,并且可以采取诸如GPS的全球导航卫星***(GNSS)的形式。然而,为了改进准确性,定位***可以可替代地实现为实时运动学(RTK)GPS。惯性测量单元(IMU)要被理解为使用加速计、陀螺仪以及有时是磁力计的组合来测量和报告主体的特定推力、角速度以及有时是主体定向的电子设备。因此,车辆姿态可从这些******65、67、69的任何一个或组合中检索。
控制设备10包括一个或多个处理器11、存储器12、传感器接口13和通信接口14。处理器11也可被称作控制电路11或控制电路装置11。控制电路11被配置为执行存储在存储器12中的指令,以根据本文所公开的实施例中的任何一个执行用于自主或半自主车辆的路径规划的方法。换句话说,控制设备10的存储器12可包括一个或多个(非瞬态)计算机可读存储介质,用于存储计算机可执行指令,例如,该指令在被一个或多个计算机处理器11执行时,可使得计算机处理器11执行本文所描述的技术。存储器12可选地包括高速随机存取存储器(诸如DRAM、SRAM、DDR RAM或其他随机存取固态存储器设备),并且可选地包括非易失存储器(诸如一个或多个磁盘存储设备、光盘存储设备、闪存设备或其他非易失固态存储设备)。
更详细地,控制电路11被配置为获得(经由传感器接口13或通信接口14)车辆1的周围环境的可驾驶区域。可驾驶区域例如可由道路边界限定,道路边界由感知***66和相关联的传感器设备66a-66c检测和确定。然而,在可替代的实施例中(未示出),控制设备10可直接从一个或多个传感器设备66a-66c接收原始数据,并且可驾驶区域的确定可由控制设备10的专用模块基于所接收的传感器数据执行。控制电路11进一步被配置为基于预定约束集和路径的预定特性集在可驾驶区域内为时间步长t生成的路径。约束集包括基于车辆的当前位置的至少一个约束。车辆的当前姿态可从车辆1的任何合适的******(诸如,定位***65或IMU 69)获得。
进一步,车辆1可经由例如无线链路连接到外部网络62(例如,用于检索地图数据)。相同的或一些其他无线链路可被用来与车辆附近的其他车辆或与本地基础设施元素通信。蜂窝通信技术可被用于(例如,到外部网络的)远程通信,并且如果所使用的蜂窝通信技术具有低延迟,则它也可用于车辆之间、车辆到车辆(V2V)和/或车辆到基础设施(V2X)的通信。蜂窝无线电技术的示例是GSM、GPRS、EDGE、LTE、5G、5G NR等,也包括未来蜂窝方案。然而,在一些方案中,使用了诸如无线局域网(LAN)的中短程通信技术,例如,基于IEEE802.11的方案。ETSI正致力于车辆通信的蜂窝标准,并且例如,5G由于低延迟和高带宽和通信信道的高效处理而被认为是合适的方案。
总之,为了减轻到车辆的目标路径的失败会合的问题,引入取决于车辆的当前姿态的约束。更具体地,“车辆姿态约束”具有以下属性。
形成沿车辆的纵向中心轴线(即,与诸如后轴的中心的车辆中心点相交的轴线)向车辆的前面和后面延伸的窄约束。而且,作为一个选择,这个约束只有在不违反就不能找到优化的路径时允许违反,可替代地,侧边界(限定约束)之间的间隔可被增大直到找到方案为止。通过引入这个约束,最优的目标路径与车辆姿态相一致。因此,当其被控制器追踪时,实现平滑的车辆运动。
而且,所提出的直接优化表示路径的数学函数的路径优化方法(不依赖于控制输入序列)的计算效率高,因为要优化的参数数量更小。本发明提供的这种方法具有鲁棒性,可以从任何初始自我车辆姿态启动自动驾驶模式,同时实现平滑的车辆运动。
上面已参照特定的实施例提出了本公开。然而,除上述以外的其他实施例是可能的并且在本公开的范围内。可在本公开的范围内提供除上述那些步骤以外的由硬件或软件执行方法的不同方法步骤。因此,根据示例性实施例,提供了存储有被配置为由车辆控制***的一个或多个处理器执行的一个或多个程序的非瞬态计算机可读存储介质,一个或多个程序包括用于执行根据上述实施例中的任何一个的方法的指令。可替代地,根据另一个示例性实施例,云计算***可被配置为执行本文所提出的任何方法。云计算***可包括在一个或多个计算机程序产品的控制下共同执行本文所提出的方法的分布式云计算资源。
一般而言,计算机可存取介质可包括任何有形或非瞬态存储介质或存储器介质,诸如电的、磁的或光的介质,例如,经由总线耦接到计算机***的盘或CD/DVD ROM。如本文所使用的术语“有形”和“非瞬态”意在描述排除传播电磁信号的计算机可读存储介质(或“存储器”),但不意在另外对由短语计算机可读介质或存储器包含的物理的计算机可读存储设备的类型进行限制。例如,术语“非瞬态计算机可读介质”或“有形存储器”意在包含不必要永久存储信息的各种类型的存储设备,包括例如,随机存取存储器(RAM)。采取非瞬态形式存储在有形计算机可存取存储介质上的程序指令和数据可进一步由传输介质或诸如电的、电磁的或数字信号的信号(可经由诸如网络和/或无线链路的通信介质运送)传输。
处理器11(与控制设备10相关联的)可以是或包括用于执行数据或信号处理或用于执行存储在存储器12中的计算机代码的任何数量的硬件组件。设备10具有关联的存储器12,并且存储器12可以是用于存储用于完成或有助于本说明书中所描述的各种方法的数据和/或计算机代码的一个或多个设备。存储器可包括易失性存储器或非易失性存储器。存储器12可包括数据库组件、目标代码组件、脚本组件或用于支持本说明书的各种动作的任何其他类型的信息结构。根据示例性实施例,任何分布式或本地存储器设备可与本说明书的***和方法一起利用。根据示例性实施例,存储器12通信地连接到处理器11(例如,经由电路或任何其他有线、无线或网络连接)并且包括用于执行本文所描述的一个或多个过程的计算机代码。
应理解的是,传感器接口13也可提供直接或经由车辆中的专用传感器控制电路66获取传感器数据的可能性。通信/天线接口14可进一步提供借助于天线68向远程位置(例如,远程操作者或控制中心)发送输出的可能性。而且,车辆中的一些传感器可使用诸如CAN总线、I2C、以太网、光纤等的本地网络设置与控制设备10通信。通信接口14可被设置为与车辆的其他控制功能通信,并且可因此也被看作是控制接口;然而,可提供分离的控制接口(未示出)。车辆内的本地通信也可以是采用诸如WiFi、LoRa、Zigbee、蓝牙或类似中/短程技术的协议的无线类型。
相应地,应理解的是,所描述的方案的部分可实现在车辆中、位于车辆外部的***中,或可实现在车辆内部和外部的组合中;例如,在与车辆通信的服务器中,所谓的云方案。例如,传感器数据被发送给外部***,并且该***执行确定车辆1的周围环境的可驾驶区域的步骤。实施例的不同特征和步骤可被组合在除所描述组合之外的其他组合中。
在以下项目中列出了示例性方法、计算机可读存储介质、控制设备以及车辆:
1.一种用于自主或半自主车辆的路径规划的方法,所述方法包括:
获得所述车辆的周围环境的可驾驶区域;
基于预定约束集和所述路径的预定特性集在所述可驾驶区域内为时间步长t生成路径;
其中,所述预定约束集包括基于所述车辆的当前姿态的至少一个约束。
2.根据项目1所述的方法,其中,在所述可驾驶区域内为所述时间步长t生成路径的步骤包括:
计算成本函数,其中,所述成本函数是所述路径的所述预定特性集的数学表示;
计算所述预定约束集,其中,所述预定约束集进一步包括:基于所述可驾驶区域的边界的至少一个约束和基于车辆特性的至少一个约束;
基于所计算的成本函数和所计算的预定约束集求解优化问题;
基于所求解的优化问题形成所述路径。
3.根据项目2所述的方法,其中,计算成本函数的步骤包括:
计算成本函数矩阵Q和成本函数向量c;
形成增强的成本函数矩阵Qa和增强的成本函数向量ca。
4.根据项目2或项目3所述的方法,其中,计算所述预定约束集的步骤包括:
计算约束矩阵A和约束向量b;
推导基于所述车辆的所述当前姿态的所述至少一个约束;
形成增强的约束矩阵Aa和增强的约束向量ba。
5.根据前述项目1中任一项所述的方法,其中,所述车辆具有与所述车辆的预定中心点相交的纵向轴线,并且
其中,基于所述车辆的所述当前姿态的所述至少一个约束包括:在距所述车辆的所述纵向轴线第一预定横向距离处与所述纵向轴线平行延伸的两个侧边界。
6.根据项目5所述的方法,其中,所述两个侧边界之间的区域限定时间步长t的所述路径的至少一部分被允许形成在其内的容许区域。
7.根据项目6所述的方法,进一步包括:
如果时间步长t的所述路径的所述部分不能形成在所述两个侧边界之间的所述容许区域内,则增大所述第一预定距离直到所述路径的所述部分能形成在所述容许区域内为止。
8.根据项目5或项目6所述的方法,其中,所述两个侧边界具有在距所述车辆的至少一个外边缘第二预定距离内的纵向延伸。
9.根据前述项目中任一项所述的方法,其中,所述预定特性集包括:路径平滑水平、到车道中心的距离和所述路径的长度中的至少一个。
10.根据前述项目中任一项所述的方法,其中,所述预定约束集进一步包括:所述车辆的最小转弯半径、所述车辆的长度、所述车辆的宽度、所述车辆的高度、所述车辆的离地间隙以及至少一个可驾驶区域边界中的至少一个。
11.一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序被配置为由车辆控制***的一个或多个处理器执行,所述一个或多个程序包括用于执行根据前述项目中任一项所述的方法的指令。
12.一种用于自主或半自主车辆的路径规划的控制设备,所述控制设备包括控制电路,所述控制电路被配置为:
获得所述车辆的周围环境的可驾驶区域;
基于预定约束集和所述路径的预定特性集在所述可驾驶区域内为时间步长t生成路径;
其中,所述预定约束集包括基于所述车辆的当前姿态的至少一个约束。
13.根据项目12所述的控制设备,其中,所述控制电路被配置为通过以下步骤在所述可驾驶区域内为时间步长t生成路径:
计算包括所述路径的所述预定特性集的成本函数;
计算所述预定约束集,其中,所述预定约束集进一步包括:基于所述可驾驶区域的边界的至少一个约束和基于车辆特性的至少一个约束;
基于所计算的成本函数和所计算的预定约束集求解优化问题;
基于所求解的优化问题形成所述路径。
14.根据项目12或项目13所述的控制设备,其中,所述车辆具有与所述车辆的预定中心点相交的纵向轴线,其中,基于所述车辆的所述当前姿态的所述至少一个约束包括在距所述车辆的所述纵向轴线第一预定距离处与所述纵向轴线平行延伸的两个侧边界。
15.根据项目14所述的控制设备,其中,所述两个侧边界之间的区域限定时间步长t的所述路径的至少一部分被允许形成在其内的容许区域。
16.一种车辆,包括:
感知***,所述感知***包括用于监视所述车辆的周围环境的至少一个传感器;
根据项目12-15中任一项所述的控制设备。
应注意的是,词语“包括”不排除所除列出的那些元素或步骤之外的其他元素或步骤的存在,并且元素前面的词语“一”不排除多个这样的元素的存在。进一步应注意的是,任何附图标记不限制权利要求的范围,本公开可以是至少部分借助于硬件和软件两者来实现,并且一些“装置”或“单元”可由同一硬件项表示。
尽管各图可示出方法步骤的特定顺序,但步骤的顺序可不同于所描绘的顺序。此外,两个或多个步骤可被同时执行或部分同时执行。这种变化将取决于所选择的软件和硬件***并且取决于设计者的选择。所有这些变化均在本公开的范围内。同样地,软件实现可采用具有基于规则的逻辑或其他用来完成各种连接步骤、处理步骤、比较步骤和判定步骤的逻辑的标准编程技术来完成。上面所提到的和所描述的实施例仅作为示例给出,并且不应对本公开进行限制。如在下面描述的专利实施例中所要求保护的本公开的范围内的其他解决方案、用途、目标和功能对本领域技术人员应是显而易见的。
Claims (15)
1.一种用于自主或半自主车辆的路径规划的方法(400,500),所述方法包括:
获得(402a-402d)所述车辆的周围环境的可驾驶区域;
基于预定约束集和所述路径的预定特性集在所述可驾驶区域内为时间步长t生成(403a-403d,502)路径;
其中,所述预定约束集包括基于所述车辆的当前姿态的至少一个约束。
2.根据权利要求1所述的方法(400,500),其中,在所述可驾驶区域内为所述时间步长t生成(403a-403d,502)路径的步骤包括:
计算(503)成本函数,其中,所述成本函数是所述路径的所述预定特性集的数学表示;
计算(506)所述预定约束集,其中,所述预定约束集进一步包括:基于所述可驾驶区域的边界的至少一个约束和基于车辆特性的至少一个约束;
基于所计算的成本函数和所计算的预定约束集求解(511)优化问题;
基于所求解的优化问题形成(512)所述路径。
3.根据权利要求2所述的方法(400,500),其中,计算(503)成本函数的步骤包括:
计算(504)成本函数矩阵Q和成本函数向量c;
形成(505)增强的成本函数矩阵Qa和增强的成本函数向量ca。
4.根据权利要求2或3所述的方法(400,500),其中,计算(506)所述预定约束集的步骤包括:
计算约束矩阵A和约束向量b;
推导(506)基于所述车辆的所述当前姿态的所述至少一个约束;
形成(510)增强的约束矩阵Aa和增强的约束向量ba。
5.根据权利要求1所述的方法(400,500),其中,所述车辆具有与所述车辆的预定中心点相交的纵向轴线,并且
其中,基于所述车辆的所述当前姿态的所述至少一个约束包括:在距所述车辆的所述纵向轴线第一预定横向距离处与所述纵向轴线平行延伸的两个侧边界。
6.根据权利要求5所述的方法(400,500),其中,所述两个侧边界之间的区域限定时间步长t的所述路径的至少一部分被允许形成在其内的容许区域。
7.根据权利要求6所述的方法(400,500),进一步包括:
如果时间步长t的所述路径的所述部分不能形成在所述两个侧边界之间的所述容许区域内,则增大(509)所述第一预定距离直到所述路径的所述部分能形成在所述容许区域内为止。
8.根据权利要求5-7中任一项所述的方法(400,500),其中,所述两个侧边界具有在距所述车辆的至少一个外边缘第二预定距离内的纵向延伸。
9.根据权利要求1所述的方法(400,500),其中,所述预定特性集包括:路径平滑水平、到车道中心的距离和所述路径的长度中的至少一个。
10.根据权利要求1所述的方法(400,500),其中,所述预定约束集进一步包括:所述车辆的最小转弯半径、所述车辆的长度、所述车辆的宽度、所述车辆的高度、所述车辆的离地间隙以及至少一个可驾驶区域边界中的至少一个。
11.一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序被配置为由车辆控制***的一个或多个处理器执行,所述一个或多个程序包括用于执行根据前述权利要求中任一项所述的方法(400,500)的指令。
12.一种用于自主或半自主车辆(1)的路径规划的控制设备(10),所述控制设备包括控制电路(11),所述控制电路(11)被配置为:
获得所述车辆(1)的周围环境(4)的可驾驶区域;
基于预定约束集和所述路径(2)的预定特性集在所述可驾驶区域内为时间步长t生成路径(2);
其中,所述预定约束集包括基于所述车辆(1)的当前姿态的至少一个约束(7,8)。
13.根据权利要求12所述的控制设备(10),其中,所述控制电路(11)被配置为通过以下步骤在所述可驾驶区域内为时间步长t生成路径(2):
计算包括所述路径(2)的所述预定特性集的成本函数;
计算所述预定约束集,其中,所述预定约束集进一步包括:基于所述可驾驶区域的边界的至少一个约束和基于车辆特性的至少一个约束;
基于所计算的成本函数和所计算的预定约束集求解优化问题;
基于所求解的优化问题形成所述路径(2)。
14.根据权利要求12或权利要求13所述的控制设备(10),其中,所述车辆(1)具有与所述车辆的预定中心点(5)相交的纵向轴线(21),其中,基于所述车辆的所述当前姿态的所述至少一个约束(7,8)包括在距所述车辆的所述纵向轴线(21)第一预定距离(24,25)处与所述纵向轴线平行延伸的两个侧边界(7,8)。
15.一种车辆(1),包括:
感知***(67),所述感知***包括用于监视所述车辆的周围环境的至少一个传感器(66a-66c);
根据权利要求12-14中任一项所述的控制设备(10)。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/553,901 US20210064031A1 (en) | 2019-08-28 | 2019-08-28 | Path planning for autonomous and semi-autonomous vehicles |
US16/553901 | 2019-08-28 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112440990A true CN112440990A (zh) | 2021-03-05 |
Family
ID=71737989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010891805.5A Pending CN112440990A (zh) | 2019-08-28 | 2020-08-28 | 用于自主和半自主车辆的路径规划 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210064031A1 (zh) |
EP (1) | EP3786586B1 (zh) |
CN (1) | CN112440990A (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT201600109633A1 (it) * | 2016-10-31 | 2018-05-01 | Magneti Marelli Spa | Procedimento e sistema di controllo adattivo in un veicolo terrestre per l'inseguimento di un percorso, particolarmente in uno scenario di guida autonoma. |
CN113295169B (zh) * | 2021-07-01 | 2023-12-15 | 上海仙工智能科技有限公司 | 一种自动行驶装置的路径规划方法 |
CN113460040B (zh) * | 2021-07-23 | 2023-02-03 | 广州小鹏自动驾驶科技有限公司 | 泊车路径确定方法、装置、车辆及存储介质 |
CN116061975B (zh) * | 2023-04-04 | 2023-06-16 | 北京集度科技有限公司 | 车辆控制器、车辆及车辆控制方法 |
CN116300978B (zh) * | 2023-05-25 | 2023-09-22 | 江苏康伯斯智能物流装备有限公司 | 一种车间agv物流小车导航控制*** |
CN116767224B (zh) * | 2023-07-03 | 2024-01-23 | 小米汽车科技有限公司 | 确定可行驶区域的方法、装置、车辆、及存储介质 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101664582B1 (ko) * | 2014-11-12 | 2016-10-10 | 현대자동차주식회사 | 자율주행차량의 주행경로 생성장치 및 방법 |
US9821801B2 (en) * | 2015-06-29 | 2017-11-21 | Mitsubishi Electric Research Laboratories, Inc. | System and method for controlling semi-autonomous vehicles |
US9969386B1 (en) * | 2017-01-10 | 2018-05-15 | Mitsubishi Electric Research Laboratories, Inc. | Vehicle automated parking system and method |
US10293485B2 (en) * | 2017-03-30 | 2019-05-21 | Brain Corporation | Systems and methods for robotic path planning |
US10725470B2 (en) * | 2017-06-13 | 2020-07-28 | GM Global Technology Operations LLC | Autonomous vehicle driving systems and methods for critical conditions |
US10606259B2 (en) * | 2017-07-07 | 2020-03-31 | Zoox, Inc. | Interactions between vehicle and teleoperations system |
WO2019043833A1 (ja) * | 2017-08-30 | 2019-03-07 | 日産自動車株式会社 | 運転支援車両の位置誤差補正方法及び位置誤差補正装置 |
CN107702716B (zh) * | 2017-08-31 | 2021-04-13 | 广州小鹏汽车科技有限公司 | 一种无人驾驶路径规划方法、***和装置 |
US10012996B1 (en) * | 2017-09-15 | 2018-07-03 | Savioke, Inc. | Route planning for a mobile robot using configuration-based preferences |
US10788831B2 (en) * | 2017-10-06 | 2020-09-29 | Wipro Limited | Method and device for identifying center of a path for navigation of autonomous vehicles |
GB201803292D0 (en) * | 2018-02-28 | 2018-04-11 | Five Ai Ltd | Efficient computation of collision probabilities for safe motion planning |
US10809078B2 (en) * | 2018-04-05 | 2020-10-20 | Symbol Technologies, Llc | Method, system and apparatus for dynamic path generation |
US10996679B2 (en) * | 2018-04-17 | 2021-05-04 | Baidu Usa Llc | Method to evaluate trajectory candidates for autonomous driving vehicles (ADVs) |
US10739768B2 (en) * | 2018-08-08 | 2020-08-11 | Toyota Motor Engineering & Manufacturing North America, Inc. | Smoothed and regularized Fischer-Burmeister solver for embedded real-time constrained optimal control problems in autonomous systems |
-
2019
- 2019-08-28 US US16/553,901 patent/US20210064031A1/en not_active Abandoned
-
2020
- 2020-07-20 EP EP20186617.5A patent/EP3786586B1/en active Active
- 2020-08-28 CN CN202010891805.5A patent/CN112440990A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
EP3786586A1 (en) | 2021-03-03 |
US20210064031A1 (en) | 2021-03-04 |
EP3786586B1 (en) | 2023-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10948919B2 (en) | Dynamic programming and gradient descent based decision and planning for autonomous driving vehicles | |
US10515321B2 (en) | Cost based path planning for autonomous driving vehicles | |
US10520319B2 (en) | Data driven map updating system for autonomous driving vehicles | |
US10442435B2 (en) | Speed control parameter estimation method for autonomous driving vehicles | |
CN112440990A (zh) | 用于自主和半自主车辆的路径规划 | |
US10429849B2 (en) | Non-linear reference line optimization method using piecewise quintic polynomial spiral paths for operating autonomous driving vehicles | |
US20190079523A1 (en) | Dp and qp based decision and planning for autonomous driving vehicles | |
US10409280B2 (en) | Control dominated planning and control system for autonomous driving vehicles | |
US11815891B2 (en) | End dynamics and constraints relaxation algorithm on optimizing an open space trajectory | |
US11353878B2 (en) | Soft-boundary based path optimization for complex scenes for autonomous driving vehicles | |
CN115701295A (zh) | 用于车辆路径规划的方法和*** | |
US11414096B2 (en) | QP spline path and spiral path based reference line smoothing method for autonomous driving | |
US20200310451A1 (en) | Path planning for complex scenes with self-adjusting path length for autonomous driving vehicles | |
CN112519770A (zh) | 用于自主和半自主车辆的路径规划 | |
JP7206970B2 (ja) | 車両運動制御方法及び車両運動制御装置 | |
JP7200712B2 (ja) | 車両運動制御方法及び車両運動制御装置 | |
EP3792125B1 (en) | Safe trajectory tracking in uncertain environments | |
US11493921B2 (en) | Dynamic parameter architecture for QP smoother | |
JP7206971B2 (ja) | 車両運動制御方法及び車両運動制御装置 | |
JP2021133689A (ja) | 走行支援装置、走行支援方法、および走行支援プログラム | |
US11378967B2 (en) | Enumeration based failure prevention QP smoother for autonomous vehicles | |
JP2018146248A (ja) | 物標位置推定方法及び物標位置推定装置 | |
US20230091276A1 (en) | System and method for automated merging | |
JP7321034B2 (ja) | 走行支援方法及び走行支援装置 | |
JP2023046576A (ja) | 運転支援方法及び運転支援装置 |
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 |