CN112874509B - 基于智能驾驶员模型idm的轨迹规划方法、装置及存储介质 - Google Patents
基于智能驾驶员模型idm的轨迹规划方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112874509B CN112874509B CN202110233434.6A CN202110233434A CN112874509B CN 112874509 B CN112874509 B CN 112874509B CN 202110233434 A CN202110233434 A CN 202110233434A CN 112874509 B CN112874509 B CN 112874509B
- Authority
- CN
- China
- Prior art keywords
- candidate
- vehicle
- track
- coordinate system
- current vehicle
- 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 35
- 230000008447 perception Effects 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 12
- 230000001133 acceleration Effects 0.000 claims description 30
- 230000007613 environmental effect Effects 0.000 claims description 11
- 230000002093 peripheral effect Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/802—Longitudinal distance
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种基于智能驾驶员模型IDM的轨迹规划方法、装置及存储介质,属于自动驾驶技术领域,该方法包括:基于环境感知信息和地图信息,在Frenet坐标系下生成候选轨迹簇;基于IDM确定当前车辆的周围车辆在每个候选轨迹影响下的预测轨迹;筛除候选轨迹簇中不满足预设约束条件的候选轨迹、以及与预测轨迹存在碰撞的候选轨迹,得到筛选后的候选轨迹;基于筛选后的候选轨迹确定当前车辆的规划轨迹;可以解决未考虑周围车辆的影响进行路径规划时,路径规划结果不准确的问题;考虑了自车规划轨迹对周围车辆的影响,可量化的选择出最优轨迹。同时,通过使用基于IDM的预测算法,可保证算法的实时性。
Description
技术领域
本申请涉及一种基于智能驾驶员模型IDM的轨迹规划方法、装置及存储介质,属于自动驾驶技术领域。
背景技术
自动驾驶车辆是一种通过计算机***实现无人驾驶的智能车辆。自动驾驶车辆具有自动轨迹路径的能力。自动驾驶车辆的路径规划算法通过综合分析上游感知和地图的结果,根据当前道路情况,规划出一条平稳安全且符合目的地方向的轨迹传送给下游控制模块进行轨迹跟踪,从而驱动自动驾驶车辆运行。
现有的路径规划算法不会考虑与其它道路参与者(周围车辆)的交互。为了保证安全,往往设定离前车比较大的时距和间隙,对其它车辆的轨迹预测一般采用恒速度CV模型。在处理例如匝道汇入主路,T形路口等复杂场景时,由于路况复杂多变,车流大,普通的决策规划算法无法给出最优决策,往往造成自动驾驶车辆犹豫不前,行驶顿挫,甚至停在路口或者匝道上,严重影响乘员体验和自身安全,同时给后方车流带来负面影响。
发明内容
本申请提供了一种基于智能驾驶员模型IDM的轨迹规划方法、装置及存储介质,可以解决未考虑周围车辆的影响进行路径规划时,路径规划结果不准确的问题。本申请提供如下技术方案:
第一方面,提供一种基于智能驾驶员模型IDM的轨迹规划方法,所述方法包括:
获取当前车辆的环境感知信息和地图信息;
基于所述环境感知信息和所述地图信息,在Frenet坐标系下生成候选轨迹簇,所述候选轨迹簇包括多条候选轨迹;
基于IDM确定所述当前车辆的周围车辆在每个候选轨迹影响下的预测轨迹;
筛除所述候选轨迹簇中不满足预设约束条件的候选轨迹、以及与所述预测轨迹存在碰撞的候选轨迹,得到筛选后的候选轨迹;
基于所述筛选后的候选轨迹确定所述当前车辆的规划轨迹。
可选地,所述IDM通过下式表示:
其中,Δv=v-vlead,vLead是所述当前车辆的速度,v是所述周围车辆的当前速度,v0是期望速度,s是间隙gap,s*是当前状态下驾驶员的期望间距,s0是最小间隙,T是最小时距,a是最大加速度,b是舒适减速度,σ为常数;
所述周围车辆在预设时长Δt内以恒定加速度运动,所述周围车辆的速度v和间隙gap通过下式更新:
v(t+Δt)=v(t)+(dv/dt)Δt;
令a=dv/dt
s(t+Δt)=PL(t+Δt)-P(t+Δt)-LL;
其中,LL为所述当前车辆的车长,x和y为所述周围车辆在当前车辆坐标系下的位置,PL为所述当前车辆在所述当前车辆坐标系下的位置投影至Frenet坐标系后的位置,P为所述周围车辆在所述当前车辆坐标系下的位置投影至Frenet坐标系后的位置,ω为目标车辆的角速度,θ(t)为车辆的朝向角。
可选地,所述基于IDM确定所述当前车辆的周围车辆在每个候选轨迹影响下的预测轨迹,包括:
将各个时刻的dv/dt的值输入预先训练的恒定转率和加速度CTRA模型,得到所述周围车辆的预测轨迹。
可选地,所述预设约束条件包括以下几种中的至少一种:
候选轨迹对应的加速度小于最大加速度阈值、且大于最小加速度阈值;
后车的加速度大于最小后车加速度阈值;
与前车的时距大于第一最小时距;
与前车的间距大于最小间距;
与后车的时距大于第二最小时距。
可选地,所述基于所述筛选后的候选轨迹确定所述当前车辆的规划轨迹,包括:
从所述筛选后的候选轨迹中选择代价最小的候选轨迹;
将所述代价最小的候选轨迹从所述Frenet坐标系转换至以自车后轴中心点为原点的笛卡尔坐标系,得到所述当前车辆的规划轨迹。
可选地,所述从所述筛选后的候选轨迹中选择代价最小的候选轨迹,包括:
将所述筛选后的候选轨迹输入预设的代价函数,得到所述代价最小的候选轨迹。
可选地,所述基于所述环境感知信息和所述地图信息,在Frenet坐标系下生成候选轨迹簇,包括:
将所述环境感知信息和所述地图信息转换至所述Frenet坐标系;
通过5次多项式构建拟合曲线方程,得到参考路径;
分别在横向方向和纵向方向上,基于所述参考路径进行离散采样,并基于初始配置、目标配置和采样点进行曲线拟合,得到所述候选轨迹簇。
第二方面,提供一种基于智能驾驶员模型IDM的轨迹规划装置,所述装置包括:
信息获取模块,用于获取当前车辆的环境感知信息和地图信息;
轨迹生成模块,用于基于所述环境感知信息和所述地图信息,在Frenet坐标系下生成候选轨迹簇,所述候选轨迹簇包括多条候选轨迹;
轨迹预测模块,用于基于IDM确定所述当前车辆的周围车辆在每个候选轨迹影响下的预测轨迹;
轨迹筛选模块,用于筛除所述候选轨迹簇中不满足预设约束条件的候选轨迹、以及与所述预测轨迹存在碰撞的候选轨迹,得到筛选后的候选轨迹;
轨迹规划模块,用于基于所述筛选后的候选轨迹确定所述当前车辆的规划轨迹。
第三方面,提供一种基于智能驾驶员模型IDM的轨迹规划装置,所述装置包括处理器和存储器;所述存储器中存储有程序,所述程序由所述处理器加载并执行以实现第一方面提供的基于智能驾驶员模型IDM的轨迹规划方法。
第四方面,提供一种计算机可读存储介质,所述存储介质中存储有程序,所述程序被处理器执行时用于实现第一方面提供的所述的基于智能驾驶员模型IDM的轨迹规划方法。
本申请的有益效果在于:通过获取当前车辆的环境感知信息和地图信息;基于环境感知信息和地图信息,在Frenet坐标系下生成候选轨迹簇;基于IDM确定当前车辆的周围车辆在每个候选轨迹影响下的预测轨迹;筛除候选轨迹簇中不满足预设约束条件的候选轨迹、以及与预测轨迹存在碰撞的候选轨迹,得到筛选后的候选轨迹;基于筛选后的候选轨迹确定当前车辆的规划轨迹;可以解决未考虑周围车辆的影响进行路径规划时,路径规划结果不准确的问题;由于引入了交互感知interaction-aware的机制,从而考虑了自车规划轨迹对周围车辆的影响,通过模拟大量候选轨迹对周围车辆的影响,可量化的选择出最优轨迹。同时,通过使用基于IDM的预测算法,避免大量复杂的运算,可保证算法的实时性。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,并可依照说明书的内容予以实施,以下以本申请的较佳实施例并配合附图详细说明如后。
附图说明
图1是本申请一个实施例提供的基于智能驾驶员模型IDM的轨迹规划方法的流程图;
图2是本申请一个实施例提供的基于智能驾驶员模型IDM的轨迹规划装置的框图;
图3是本申请一个实施例提供的基于智能驾驶员模型IDM的轨迹规划装置的框图。
具体实施方式
下面结合附图和实施例,对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围。
首先,对本申请涉及的若干名词进行介绍。
自动驾驶(Self-driving):是一种通过计算机***实现自动驾驶的智能汽车。
智能驾驶员模型(intelligent driver model,IDM):用于以统一的形式同时描述车辆在从自由流到拥堵流之间的相变,考虑了相邻车辆的速度差,车辆间距。
恒定转率恒加速度模型(Constant Turn Rate and Acceleration,CTRA):基于恒定转率恒速度模型(Constant Turn Rate and Velocity,CTRV),引入转向角Φ恒定来表示速度v和偏航角速度ω的关联。传统的CTRV等二次运动模型大多假定速度v和偏航角速度(yaw rate)ω没有关系,因此,在这类运动模型中,由于偏航角速度ω测量的扰动(不稳定),即使车辆没有移动,运动模型下的角速度也会发生细微的变化。基于此,CTRA设定转向角Φ恒定来建立模型,可以提高运动模型的建立准确性。另外,CTRA相较于CTRV假定了恒加速度运动,而不是恒速度,加速度是通过IDM得到的。
交互感知(Interaction-aware):考虑当前车辆的行为对周围其他车辆的影响。
时距(Time-gap):当前车辆保持当前车速运动到目标车辆当前位置所需的时间。
Frenet坐标系:在Frenet坐标系中,使用道路的中心线作为参考线,使用参考线的切线向量t和法线向量n建立一个坐标系。以车辆自身为原点,坐标轴相互垂直,分为s方向(即沿着参考线的方向,通常被称为纵向,Longitudinal)和d方向(即参考线当前的法向,被称为横向,Lateral)。
可选地,本申请以各个实施例的执行主体为具有计算能力的电子设备为例进行说明,该电子设备可以为终端或服务器,该终端可以为车载计算机、手机、计算机、笔记本电脑、平板电脑等,本实施例不对终端的类型和电子设备的类型作限定。
本实施例中,电子设备与当前车辆上的传感器组件通信相连,比如:与激光雷达传感器、图像传感器、定位组件(GPS等)分别通信相连。在实际实现时,当前车辆还可以安装有其它类型的传感器,本实施例不对当前车辆上安装的传感器类型作限定。电子设备可以为当前车辆上的车载计算机、或者是与当前车辆相独立的设备,本实施例不对电子设备与当前车辆之间的安装方式作限定。
图1是本申请一个实施例提供的基于智能驾驶员模型IDM的轨迹规划方法的流程图。该方法至少包括以下几个步骤:
步骤101,获取当前车辆的环境感知信息和地图信息。
环境感知信息包括但不限于:车辆的速度、车辆的朝向、朝向的变化率、车辆的位置等,本实施例不对环境感知信息的内容作限定。
地图信息可以为高精地图信息,或者为栅格地图信息,本实施例不对地图信息的类型作限定。
环境感知信息和地图信息可以异步获取,或者可以同步获取,本实施例不对环境感知信息和地图信息的获取方式作限定。
步骤102,基于环境感知信息和地图信息,在Frenet坐标系下生成候选轨迹簇。
其中,候选轨迹簇包括多条候选轨迹。
在一个示例中,基于环境感知信息和地图信息,在Frenet坐标系下生成候选轨迹簇,包括:将环境感知信息和地图信息转换至Frenet坐标系;通过5次多项式构建拟合曲线方程,得到参考路径;分别在横向方向和纵向方向上,基于参考路径进行离散采样,并基于初始配置、目标配置和采样点进行曲线拟合,得到候选轨迹簇。
在Frenet坐标系下,纵向s方向上只需要要知道当前车辆的初始状态)(即初始配置,如位置x0,速度v0,加速度a0)和末状态(或称目标配置,如:x1,v1,a1),可以通过5次多项式构建1d曲线方程。所以可以通过离散采样S1,V1来生成大量的候选轨迹。横向d方向上通过同样的方式,但是末状态设置为(0,0,0),即建沿着参考线的1d曲线方程,最后将两个1d方程两两组合成一对。
步骤103,基于IDM确定当前车辆的周围车辆在每个候选轨迹影响下的预测轨迹。
IDM通过下式表示:
其中,Δv=v-vlead,vLead是当前车辆的速度,v是周围车辆的当前速度,v0是期望速度,s是间隙gap,s*是当前状态下驾驶员的期望间距,s0是最小间隙,T是最小时距,a是最大加速度,b是舒适减速度,σ为常数。如σ的取值为4,在实际实现时,σ的取值也可以为其它数值,本实施例不对σ的取值作限定。
周围车辆在预设时长Δt内以恒定加速度运动,周围车辆的速度v和间隙gap通过下式更新:
v(t+Δt)=v(t)+(dv/dt)Δt;
令a=dv/dt
s(t+Δt)=PL(t+Δt)-P(t+Δt)-LL;
其中,LL为当前车辆的车长,x和y为所述周围车辆在当前车辆坐标系下的位置,PL为所述当前车辆的在所述当前车辆坐标系下的位置投影至在Frenet坐标系后的下投影位置,P(x+Δt)为所述周围目标车辆在所述当前车辆坐标系下的位置投影至在Frenet坐标系后投影下的位置,。ω为目标车辆的角速度,θ(t)为目标车辆的朝向角。
Δt可以为0.2s,在实际实现时,Δt的取值也可以为其它数值,Δt的取值一般不超过0.5s。
基于上述示例,基于IDM确定当前车辆的周围车辆在每个候选轨迹影响下的预测轨迹,包括:将各个时刻的dv/dt的值输入的CTRA模型,得到周围车辆的预测轨迹。预测轨迹为周围车辆在受到当前车辆候选轨迹的交互影响下的轨迹。
步骤104,筛除候选轨迹簇中不满足预设约束条件的候选轨迹、以及与预测轨迹存在碰撞的候选轨迹,得到筛选后的候选轨迹。
可选地,预设约束条件包括以下几种中的至少一种:候选轨迹对应的加速度小于最大加速度阈值、且大于最小加速度阈值;后车的加速度大于最小后车加速度阈值;与前车的时距大于第一最小时距;与前车的间距大于最小间距;与后车的时距大于第二最小时距。
其中,最小后车加速度阈值afollower_min可以针对不同路口不同的车流密度来调整,例如,在车流密度大的时候,设定afollower_min=-5m/s2,车流密度小的时候设定afollower_min=-1m/s2,来适应不同的车流,确保无论是通畅还是拥堵的情况,都能规划出有效轨迹。
在实际实现时,预设约束条件也可以为其它动力学约束条件,本实施例在此不再一一列举。
步骤105,基于筛选后的候选轨迹确定当前车辆的规划轨迹。
可选地,基于筛选后的候选轨迹确定当前车辆的规划轨迹,包括:从筛选后的候选轨迹中选择代价最小的候选轨迹;将代价最小的候选轨迹从Frenet坐标系转换至以自车后轴中心点为原点的笛卡尔坐标系,得到当前车辆的规划轨迹。
其中,从筛选后的候选轨迹中选择代价最小的候选轨迹,包括:将筛选后的候选轨迹输入预设的代价函数(或称损失函数),得到代价最小的候选轨迹。
综上所述,本实施例提供的基于智能驾驶员模型IDM的轨迹规划方法,通过获取当前车辆的环境感知信息和地图信息;基于环境感知信息和地图信息,在Frenet坐标系下生成候选轨迹簇;基于IDM确定当前车辆的周围车辆在每个候选轨迹影响下的预测轨迹;筛除候选轨迹簇中不满足预设约束条件的候选轨迹、以及与预测轨迹存在碰撞的候选轨迹,得到筛选后的候选轨迹;基于筛选后的候选轨迹确定当前车辆的规划轨迹;可以解决未考虑周围车辆的影响进行路径规划时,路径规划结果不准确的问题;由于引入了交互感知interaction-aware的机制,从而考虑了自车规划轨迹对周围车辆的影响,通过模拟大量候选轨迹对周围车辆的影响,可量化的选择出最优轨迹。同时,通过使用基于IDM的预测算法,避免大量复杂的运算,可保证算法的实时性。
图2是本申请一个实施例提供的基于智能驾驶员模型IDM的轨迹规划装置的框图。该装置至少包括以下几个模块:信息获取模块210、轨迹生成模块220、轨迹预测模块230、轨迹筛选模块240和轨迹规划模块250。
信息获取模块210,用于获取当前车辆的环境感知信息和地图信息;
轨迹生成模块220,用于基于所述环境感知信息和所述地图信息,在Frenet坐标系下生成候选轨迹簇,所述候选轨迹簇包括多条候选轨迹;
轨迹预测模块230,用于基于IDM确定所述当前车辆的周围车辆在每个候选轨迹影响下的预测轨迹;
轨迹筛选模块240,用于筛除所述候选轨迹簇中不满足预设约束条件的候选轨迹、以及与所述预测轨迹存在碰撞的候选轨迹,得到筛选后的候选轨迹;
轨迹规划模块250,用于基于所述筛选后的候选轨迹确定所述当前车辆的规划轨迹。
相关细节参考上述方法实施例。
需要说明的是:上述实施例中提供的基于智能驾驶员模型IDM的轨迹规划装置在进行基于智能驾驶员模型IDM的轨迹规划时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将基于智能驾驶员模型IDM的轨迹规划装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的基于智能驾驶员模型IDM的轨迹规划装置与基于智能驾驶员模型IDM的轨迹规划方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图3是本申请一个实施例提供的基于智能驾驶员模型IDM的轨迹规划装置的框图。该装置至少包括处理器301和存储器302。
处理器301可以包括一个或多个处理核心,比如:4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器301可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器301还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器302可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器301所执行以实现本申请中方法实施例提供的基于智能驾驶员模型IDM的轨迹规划方法。
在一些实施例中,基于智能驾驶员模型IDM的轨迹规划装置还可选包括有:***设备接口和至少一个***设备。处理器301、存储器302和***设备接口之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口相连。示意性地,***设备包括但不限于:射频电路、触摸显示屏、音频电路、和电源等。
当然,基于智能驾驶员模型IDM的轨迹规划装置还可以包括更少或更多的组件,本实施例对此不作限定。
可选地,本申请还提供有一种计算机可读存储介质,所述计算机可读存储介质中存储有程序,所述程序由处理器加载并执行以实现上述方法实施例的基于智能驾驶员模型IDM的轨迹规划方法。
可选地,本申请还提供有一种计算机产品,该计算机产品包括计算机可读存储介质,所述计算机可读存储介质中存储有程序,所述程序由处理器加载并执行以实现上述方法实施例的基于智能驾驶员模型IDM的轨迹规划方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
上述仅为本申请的一个具体实施方式,其它基于本申请构思的前提下做出的任何改进都视为本申请的保护范围。
Claims (9)
1.一种基于智能驾驶员模型IDM的轨迹规划方法,其特征在于,所述方法包括:
获取当前车辆的环境感知信息和地图信息;
基于所述环境感知信息和所述地图信息,在Frenet坐标系下生成候选轨迹簇,所述候选轨迹簇包括多条候选轨迹;
基于智能驾驶员模型IDM确定所述当前车辆的周围车辆在每个候选轨迹影响下的预测轨迹;
筛除所述候选轨迹簇中不满足预设约束条件的候选轨迹、以及与所述预测轨迹存在碰撞的候选轨迹,得到筛选后的候选轨迹;
基于所述筛选后的候选轨迹确定所述当前车辆的规划轨迹;
所述智能驾驶员模型IDM通过下式表示:
其中,Δv = v-vlead,vLead 是所述当前车辆的速度,v是所述周围车辆的当前速度,v0
是期望速度,s是间隙,s*是当前状态下驾驶员的期望间距,s0是最小间隙,T是最小时距,是
最大加速度,b是舒适减速度,δ为常数;
所述周围车辆在预设时长Δt内以恒定转率恒加速度CTRA模型运动,所述周围车辆的当前速度v和间隙s通过下式更新:
v(t+Δt)=v(t)+(dv/dt)Δt;
令 k = dv/dt
s(t+Δt)=PL(t+Δt)- P(t+Δt)-LL;
2.根据权利要求1所述的方法,其特征在于,所述基于智能驾驶员模型IDM确定所述当前车辆的周围车辆在每个候选轨迹影响下的预测轨迹,包括:
将各个时刻通过所述智能驾驶员模型IDM计算出dv/dt的值输入恒定转率恒加速度CTRA模型,得到所述周围车辆的预测轨迹。
3.根据权利要求1所述的方法,其特征在于,所述预设约束条件包括以下几种中的至少一种:
候选轨迹对应的加速度小于最大加速度阈值、且大于最小加速度阈值;
后车的加速度大于最小后车加速度阈值;
与前车的时距大于第一最小时距;
与前车的间距大于最小间距;
与后车的时距大于第二最小时距。
4.根据权利要求1所述的方法,其特征在于,所述基于所述筛选后的候选轨迹确定所述当前车辆的规划轨迹,包括:
从所述筛选后的候选轨迹中选择代价最小的候选轨迹;
将所述代价最小的候选轨迹从所述Frenet坐标系转换至以自车后轴中心点为原点的笛卡尔坐标系,得到所述当前车辆的规划轨迹。
5.根据权利要求4所述的方法,其特征在于,所述从所述筛选后的候选轨迹中选择代价最小的候选轨迹,包括:
将所述筛选后的候选轨迹输入预设的代价函数,得到所述代价最小的候选轨迹。
6.根据权利要求1所述的方法,其特征在于,所述基于所述环境感知信息和所述地图信息,在Frenet坐标系下生成候选轨迹簇,包括:
将所述环境感知信息和所述地图信息转换至所述Frenet坐标系;
通过5次多项式构建拟合曲线方程,得到参考路径;
分别在横向方向和纵向方向上,基于所述参考路径进行离散采样,并基于初始配置、目标配置和采样点进行曲线拟合,得到所述候选轨迹簇。
7.一种基于智能驾驶员模型IDM的轨迹规划装置,其特征在于,所述装置包括:
信息获取模块,用于获取当前车辆的环境感知信息和地图信息;
轨迹生成模块,用于基于所述环境感知信息和所述地图信息,在Frenet坐标系下生成候选轨迹簇,所述候选轨迹簇包括多条候选轨迹;
轨迹预测模块,用于基于智能驾驶员模型IDM确定所述当前车辆的周围车辆在每个候选轨迹影响下的预测轨迹;
轨迹筛选模块,用于筛除所述候选轨迹簇中不满足预设约束条件的候选轨迹、以及与所述预测轨迹存在碰撞的候选轨迹,得到筛选后的候选轨迹;
轨迹规划模块,用于基于所述筛选后的候选轨迹确定所述当前车辆的规划轨迹;
所述智能驾驶员模型IDM通过下式表示:
其中,Δv = v-vlead,vLead 是所述当前车辆的速度,v是所述周围车辆的当前速度,v0
是期望速度,s是间隙,s*是当前状态下驾驶员的期望间距,s0是最小间隙,T是最小时距,是
最大加速度,b是舒适减速度,δ为常数;
所述周围车辆在预设时长Δt内以恒定转率恒加速度CTRA模型运动,所述周围车辆的当前速度v和间隙s通过下式更新:
v(t+Δt)=v(t)+(dv/dt)Δt;
令 k= dv/dt
s(t+Δt)=PL(t+Δt)- P(t+Δt)-LL;
8.一种基于智能驾驶员模型IDM的轨迹规划装置,其特征在于,所述装置包括处理器和存储器;所述存储器中存储有程序,所述程序由所述处理器加载并执行以实现如权利要求1至6任一项所述的基于智能驾驶员模型IDM的轨迹规划方法。
9.一种计算机可读存储介质,其特征在于,所述存储介质中存储有程序,所述程序被处理器执行时用于实现如权利要求1至6任一项所述的基于智能驾驶员模型IDM的轨迹规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110233434.6A CN112874509B (zh) | 2021-03-03 | 2021-03-03 | 基于智能驾驶员模型idm的轨迹规划方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110233434.6A CN112874509B (zh) | 2021-03-03 | 2021-03-03 | 基于智能驾驶员模型idm的轨迹规划方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112874509A CN112874509A (zh) | 2021-06-01 |
CN112874509B true CN112874509B (zh) | 2022-04-29 |
Family
ID=76055307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110233434.6A Active CN112874509B (zh) | 2021-03-03 | 2021-03-03 | 基于智能驾驶员模型idm的轨迹规划方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112874509B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113419547B (zh) * | 2021-08-25 | 2021-12-31 | 北京三快在线科技有限公司 | 一种多车协同控制方法及装置 |
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 |
CN114834463B (zh) * | 2022-06-28 | 2022-11-04 | 小米汽车科技有限公司 | 车辆控制方法、装置、存储介质、电子设备、芯片及车辆 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108848462B (zh) * | 2018-06-19 | 2020-11-13 | 连云港杰瑞电子有限公司 | 适用于信号控制交叉口的实时车辆轨迹预测方法 |
CN109855639B (zh) * | 2019-01-15 | 2022-05-27 | 天津大学 | 基于障碍物预测与mpc算法的无人驾驶轨迹规划方法 |
CN110758382B (zh) * | 2019-10-21 | 2021-04-20 | 南京航空航天大学 | 一种基于驾驶意图的周围车辆运动状态预测***及方法 |
CN111750887B (zh) * | 2020-06-11 | 2023-11-21 | 上海交通大学 | 降低事故严重程度的无人驾驶车辆轨迹规划方法及*** |
CN112373485A (zh) * | 2020-11-03 | 2021-02-19 | 南京航空航天大学 | 一种考虑交互博弈的自动驾驶车辆决策规划方法 |
-
2021
- 2021-03-03 CN CN202110233434.6A patent/CN112874509B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112874509A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112874509B (zh) | 基于智能驾驶员模型idm的轨迹规划方法、装置及存储介质 | |
US11288963B2 (en) | Autonomous vehicles featuring vehicle intention system | |
CN111240328B (zh) | 一种车辆行驶安全监控方法、装置和无人驾驶车辆 | |
Liu et al. | A systematic survey of control techniques and applications in connected and automated vehicles | |
US11878682B2 (en) | Path planning and control to account for position uncertainty for autonomous machine applications | |
US10724854B2 (en) | Occupancy grid object determining devices | |
US20170043771A1 (en) | Device for signalling objects to a navigation module of a vehicle equipped with this device | |
EP3629121A1 (en) | A curvature corrected path sampling system for autonomous driving vehicles | |
CN111665738A (zh) | 在环仿真***及其中的信息处理方法及装置 | |
US11242050B2 (en) | Reinforcement learning with scene decomposition for navigating complex environments | |
CN112590813B (zh) | 自动驾驶车辆信息生成方法、装置、电子设备和介质 | |
CN112419792B (zh) | 航空器飞行冲突检测方法、***、设备及介质 | |
US20220121213A1 (en) | Hybrid planning method in autonomous vehicle and system thereof | |
Gómez-Huélamo et al. | Train here, drive there: ROS based end-to-end autonomous-driving pipeline validation in CARLA simulator using the NHTSA typology | |
CN114771570A (zh) | 自动驾驶车辆的控制方法和装置 | |
Wang et al. | Distributed MPC-based string stable platoon control of networked vehicle systems | |
Malayjerdi et al. | Practical path planning techniques in overtaking for autonomous shuttles | |
Wissing et al. | Interaction-aware long-term driving situation prediction | |
CN115480092A (zh) | 自主机器应用中多个频率范围内的电压监测 | |
CN116734882B (zh) | 车辆路径规划方法、装置、电子设备和计算机可读介质 | |
CN108973995B (zh) | 用于辅助驾驶的环境感知数据处理方法、装置及车辆 | |
EP4270352A1 (en) | Controlling a future traffic state on a road segment | |
WO2020198938A1 (en) | Multi-point enforced based stitch method to connect two smoothed reference lines | |
CN116366685A (zh) | 车辆的通信计算***确定方法 | |
CN110843792B (zh) | 用于输出信息的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder |
Address after: 215123 g2-1901 / 1902 / 2002, No. 88, Jinjihu Avenue, Suzhou Industrial Park, Suzhou City, Jiangsu Province Patentee after: Zhixing Automotive Technology (Suzhou) Co.,Ltd. Address before: 215123 g2-1901 / 1902 / 2002, No. 88, Jinjihu Avenue, Suzhou Industrial Park, Suzhou City, Jiangsu Province Patentee before: IMOTION AUTOMOTIVE TECHNOLOGY (SUZHOU) Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |