CN113479219B - 一种行车轨迹规划方法、装置、计算机设备和介质 - Google Patents
一种行车轨迹规划方法、装置、计算机设备和介质 Download PDFInfo
- Publication number
- CN113479219B CN113479219B CN202111035890.6A CN202111035890A CN113479219B CN 113479219 B CN113479219 B CN 113479219B CN 202111035890 A CN202111035890 A CN 202111035890A CN 113479219 B CN113479219 B CN 113479219B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driving
- data
- lane
- 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.)
- Active
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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种行车轨迹规划方法、装置、计算机设备、可读存储介质和计算机程序产品。本公开的行车轨迹规划方法包括:采集车辆行驶的姿态数据,其中所述姿态数据对应于先前有人驾驶时车辆的状态;分析姿态数据在至少判断所述车辆在特定场景时采集行车特征数据,所述行车特征数据至少包括与特定场景相关的第一行车轨迹中采集的多个具有参考基准的车辆移动的位置以及车辆运动的参数;借助所述行车特征数据作为边界约束条件构建轨迹规划模型,并基于所述轨迹规划模型以生成能够控制车辆行驶的第二行车轨迹。根据本公开所提供的行车轨迹规划方法,能为自动驾驶中提供更个性化的、适应性的行车轨迹规划,改进自动驾驶的舒适感和体验感。
Description
技术领域
本公开涉及自动驾驶技术领域,特别涉及一种行车轨迹规划方法、装置、计算机设备、可读存储介质和计算机程序产品。
背景技术
自动驾驶技术可通过安装传感器、控制器和执行器等,通过环境感知、路径规划和自动控制等技术实现人员的安全运输效果。自动驾驶技术有助于改善车辆行驶的安全性和舒适性。其中,行驶轨迹的规划是自动驾驶领域的核心。车辆的轨迹规划通常通过车辆的行驶状态、目标状态、环境约束规划出一条满足安全条件的运动学约束和环境约束的行车轨迹。在自动驾驶技术领域中,对于车辆行驶轨迹的规划还可期望提供适应于驾驶者个体的行驶习惯以进一步改善车辆行驶的舒适性的需求和考虑,而不仅满足于只提供安全条件行驶轨迹的规划。
发明内容
针对现有技术存在的上述问题,本公开提出了一种行车轨迹规划方法、装置、计算机设备、可读存储介质和计算机程序产品。其中,该行车轨迹规划方法能够采样车辆在有人驾驶时在特定行驶场景下采集的行车特征数据作为构建轨迹规划模型的边界约束条件以获得适应性地个人驾驶风格的行车轨迹,以自动控制车辆行驶。
本公开实施例的一方面,提出了一种行车轨迹规划方法,包括:采集车辆行驶的姿态数据,其中,所述姿态数据对应于先前有人驾驶时车辆的状态;通过分析所述姿态数据在至少判断所述车辆在特定场景时采集行车特征数据,其中,所述行车特征数据至少包括与特定场景相关的第一行车轨迹中采集的多个具有参考基准的第一车辆移动的位置以及第一车辆运动的参数;至少借助所述行车特征数据构建轨迹规划模型,并基于所述轨迹规划模型以对应于特定场景生成能够控制车辆行驶的第二行车轨迹,其中,至少分别将第一车辆移动的位置以及第一车辆运动的参数中的极值作为构建所述轨迹规划模型的边界约束条件,所述第一车辆运动的参数至少包括有人驾驶时车辆的速度信息、加速度信息,又其中,还分别基于第一车辆移动的位置以及第一车辆运动的参数的差分得到多个第一权重值以构建所述轨迹规划模型,又其中,根据初始的第二行车轨迹控制下以具有参考基准的第二车辆移动的位置与采集的第一车辆移动的位置的均值之间相对位置变化适应性地计算与其相关的第二权重值,使所述第二行车轨迹至少能够基于第二车辆移动的位置、第二车辆运动的参数以及第二权重值表示,又其中,第二车辆运动的参数至少包括在第二行车轨迹控制下的车辆的速度信息、加速度信息。
本公开实施例的另一方面,提出了一种行车轨迹规划装置,包括:传感单元,配置为采集车辆行驶的姿态数据,其中,所述姿态数据对应于先前有人驾驶时车辆的状态;计算单元,配置为在至少判断所述车辆在特定场景时采集行车特征数据,其中所述行车特征数据至少包括与特定场景相关的第一行车轨迹中采集的多个具有参考基准的第一车辆移动的位置以及第一车辆运动的参数;以及轨迹规划单元,配置为至少借助所述行车特征数据构建轨迹规划模型,并基于所述轨迹规划模型以对应于特定场景生成能够控制车辆行驶的第二行车轨迹,其中,所述轨迹规划单元还配置为至少分别将第一车辆移动的位置以及第一车辆运动的参数中的极值作为构建所述轨迹规划模型的边界约束条件,所述第一车辆运动的参数至少包括有人驾驶时车辆的速度信息、加速度信息,又其中,所述轨迹规划单元还配置为分别基于第一车辆移动的位置以及第一车辆运动的参数的差分得到多个第一权重值以构建所述轨迹规划模型,又其中,所述轨迹归还单元还配置为根据初始的第二行车轨迹控制下以具有参考基准的第二车辆移动的位置与采集的第一车辆移动的位置的均值之间相对位置变化适应性地计算与其相关的第二权重值,使所述第二行车轨迹至少能够基于第二车辆移动的位置、第二车辆运动的参数以及第二权重值表示,又其中,第二车辆运动的参数至少包括在第二行车轨迹控制下的车辆的速度信息、加速度信息。
根据本公开实施例的另一方面,提出了一种计算机设备,包括:存储器、处理器以及存储在所述存储器上的计算机程序,其中所述处理器被配置为执行所述计算机程序以实现根据本公开实施例的方法。
根据本公开实施例的另一方面,提出了一种非暂态计算机可读存储介质,其上存储有计算机程序,其中所述计算机程序被处理器执行时实现根据本公开实施例的方法。
根据本公开实施例的另一方面,提出了一种计算机程序产品,包括计算机程序,其中所述计算机程序被处理器执行时实现根据本公开实施例的方法。
根据本公开的一个或多个实施例,通过采集有人驾驶时在特定场景时的行车轨迹中的行车特征数据,所述行车特征数据反映了个性化的驾驶风格,即驾驶风格体现于个人在特定场景中控制车辆的姿态信息,例如行车轨迹中反映车辆运动的均值和极值等,将所述行车特征数据作为构建轨迹规划模型的边界约束条件并据此生成能够控制车辆行驶的目标行车轨迹,使得生成的目标行车轨迹具有适应性和体现个人驾驶风格,进一步改进自动驾驶中的舒适感和体验感。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
下面将通过参照附图详细描述本公开的实施例,使本领域的普通技术人员更清楚本公开的上述及其它特征和优点,附图中:
图1为根据本公开实施例的行车轨迹规划方法的流程图;
图2为根据本公开另一实施例的行车轨迹规划方法的流程图;
图3为根据本公开实施例的行车轨迹规划装置的功能框图;以及
图4示出了能够用于实现本公开实施例的示例性计算机设备的结构框图。
具体实施方式
为了对本公开的技术特征、目的和效果有更加清楚的理解,现对照附图说明本公开的具体实施方式,在各图中相同的标号表示相同的部分。
在本文中,“示意性”表示“充当实例、例子或说明”,不应将在本文中被描述为“示意性”的任何图示、实施方式解释为一种更优选的或更具优点的技术方案。
为使图面简洁,各图中只示意性地表示出了与本公开相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。
在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。在本文中,“第一”、“第二”等仅用于彼此的区分,而非表示它们的重要程度及顺序、以及互为存在的前提等。
根据本公开实施例的一个方面,提供了一种借助于体现个人驾驶风格的行车特征数据作为构建轨迹规划模型的边界约束条件的行车轨迹方法。下面结合附图详细描述本公开的示例性实施例。
图1示出了根据本公开实施例的行车轨迹规划方法的流程图。如图1所示:
步骤S110:采集车辆行驶的姿态数据,其中姿态数据对应于有人驾驶时车辆的状态。
在步骤S110中,车辆可通过多种传感器的组合可以采集车辆行驶的姿态数据,例如摄像头、毫米波雷达或激光雷达等对有人驾驶时车辆的姿态数据中的行车环境、障碍物或行车相对位置等数据进行采集,例如通过全球定位***(GPS)获取车辆的位置信息,惯性测量单元(IMU)可测量车辆在行驶状态下的姿态数据,包括:车速、各方向的加速度信息等。
步骤S120:分析姿态数据在至少判断车辆处于特定场景时采集行车特征数据,其中行车特征数据至少包括与特定场景相关的第一行车轨迹中采集的多个具有参考基准的车辆移动的位置以及车辆运动的参数。
在步骤S120中,可以通过分析车辆行驶中的姿态数据判断车辆处于特定场景,例如判断车辆在巡航、弯道或换道等场景。特别地,对于换道相关的行车轨迹采集行车特征数据可更多的体现驾驶风格,行车特征数据例如车辆在换道时的行车轨迹中采集的可作为具有参考基准的车辆移动的位置信息,例如车辆在车道的相对位置,以及车辆运动的参数,例如横向速度、横向加速度等,且驾驶风格可通过该行车轨迹中车辆运动的均值和极值加以描述,即例如在换道时行车轨迹中对若干采集点的车辆在车道的相对位置、横向速度、横向加速度分别求极值以获得边界约束条件。
步骤S130:至少借助行车特征数据作为边界约束条件构建轨迹规划模型,并基于轨迹规划模型以生成能够控制车辆行驶的行车轨迹。
其中,目标函数为一规划成本函数,表示采集的车辆与车道中心线的横向距
离,取,其示例性的给出了以车辆与车道中心线的横向距离作为具有
参考基准的车辆移动的位置信息;表示横向速度,取; 表示横
向加速度,取; 表示行车轨迹上相邻采集的横向加速度
的差分,即分别表示车辆与车道中心线的横向距离、横向速
度,横向加速度和横向加速度的差分的权重值。为此,采集行车轨迹中车辆运动参数的极值
(包括最小值、最大值),即获得所述横向距离、横向速度和横向加速度等的均值,还需采集
所述横向距离的极值、横向速度的极值和横向加速度的极值以确定边界约束条件。
在此,示例性的给出多个所述横向距离作为参考基准表示车辆移动的位置,以
及横向速度和横向加速度的求解方式,即,横向速
度 其中是车辆当前坐标位置,是在参考基准线上,例如车道的中心线上的投影点坐标,是车辆当前的航向角,是投影点的航向角,和分别是车辆在投影点的曲率和曲率变化率,是车辆
所在位置运动的初始曲率。
在此,为求解优化函数需要确定,即表示参考横向距离,例如据行车轨迹采
集的车辆与车道中心线的横向距离的均值,参考的横向距离还可根据车辆行车的环境
判断,例如道路环境进一步确定。另外,为求解优化函数还需求解(2)式中的表示
车辆与车道中心线的横向距离的权重值,例如可以通过插值法对其求解,即确定参考横向
距离与采集的横向距离之间的差值,获得多个区间对应的值,并利
用牛顿法计算到 。
在步骤S130,在采集行车特征数据时还关联于车速并按划分的车速区间归类,以
分别对应作为轨迹规划模型的边界约束条件。例如在0-120km/h的行车速度以每隔10km/h
划分为一档车速区间,以在每一挡的车速区间中将行车特征数据代入(1)和(2)式中,求取
相应的边界约束和目标函数,并可进一步计算优化函数。
图2示出了根据本公开另一实施例的行车轨迹规划方法的流程图。
如图2所示:步骤S201:采集车辆在有人驾驶时的姿态数据。
步骤S202:分析姿态数据在至少判断车辆在特定场景时采集行车特征数据。
步骤S203:响应于判断车辆处于换道时,在对应于换道时相关的行车轨迹的采样
期间中分别求得车辆各采集点的横向距离和其均值以及其中的极值以确定横向距离的取值范围,即,其中横向距离表示车辆与车道中心线的横向
距离,表示多个具有参考基准的车辆移动的位置信息以作为换道空间数据。
步骤S204: 响应于判断车辆处于换道状态时,在对应于换道时相关的行车轨迹的
采样期间中分别采集相应的横向速度和其极值,即得到取值范围和相应的横向加速度,以及横向加速度的极值,即以作为行车特征数据作为构造轨迹规划模型的边界约束条件。
在步骤S203、S204中,例如在采样期间可设定采集相关行车轨迹的10个采集点,并
据此获得横向距离在采样期间中的均值(或参考的横向距离)和极值,对应的横向速度
和其中横向速度的最小值和最大值,以及对应的横向加速度和其中横向加
速度的最小值和最大值。
步骤S205:判断车辆行驶的道路状况,即弯道和/或宽道。
步骤S206:响应于确定车辆行驶于弯道,采集对应于车辆在过弯道时的第一换道
空间数据,其中第一换道空间数据包括过弯道时的横向距离,即车辆与车道中心线的横向
距离,例如在对应于过弯道时的采样期间内采集离散的横向距离,以求取横向距离的均值;以及在此采样期间中获取关于横向距离的极值,包括横向距离的均值的最小
值和最大值,并用于边界约束条件的行车特征数据。
步骤S207:响应于确定车辆行驶于宽道,采集对应于车辆在宽道行驶时的第二换
道空间数据,其中第二换道空间数据包括在宽道行驶时的横向距离,即车辆与车道中心线
的横向距离,例如在对应于在宽道行驶的采样期间内在采集离散的横向距离数据,求取该
横向距离的均值;以及在此采样期间中获取关于横向距离的极值,包括横向距
离的均值的最小值和最大值,并用于边界约束条件的行
车特征数据。
步骤S208:至少借助行车特征数据作为边界约束条件构建轨迹规划模型,并基于轨迹规划模型以生成能够控制车辆行驶的行车轨迹。
在步骤S208中,响应于确定车辆行驶于弯道,即对车辆在过弯道时采集其行车轨
迹的行车特征数据,将与过弯道时相关的横向距离的均值代入轨迹规划模型,
即公式(2)中的;另,将过弯道时相关的横向距离最小值和最大值代入轨迹规划模型,即公式(1)和(2)中的第一项
作为边界约束条件,以构建车辆在行驶于弯道时相应的轨迹规划模型,并可借助于相应的
公式(2)生成能够自动控制车辆过弯道时的行车轨迹。需要说明的是,在此构造轨迹规划模
型所借助的公式(1)和(2)涉及在弯道行使中变道所采集的横向速度、横向加速度等其他行
车特征数据在此的应用可参考步骤S103,在此不再赘述。
另响应于确定车辆行驶于宽道,即对车辆在宽道行驶时采集其行车轨迹的行车特
征数据,例如在宽道行驶中涉及的变道,将与宽道时相关的横向距离的均值代
入轨迹规划模型,即公式(2)中的;另,将在宽道行驶时相关的横向距离最小值和最大值代入轨迹规划模型,即公式(1)和(2)中的第一
项作为边界约束条件,以构建车辆在行驶于宽道时
相应的轨迹规划模型,并借助于相应的公式(2)生成能够自动控制车辆过弯道时的行车轨
迹。同样地,在此需要说明的是,上述仅对公式(1)和(2)中涉及的第一项进行示例性的说
明,在此构造轨迹规划模型所借助的公式(1)和(2)中涉及在宽道行驶时因变道所采集的横
向速度、横向加速度等其他行车特征数据在此的应用可参考步骤S103,在此不再赘述。
在此,需要说明的是,步骤S208并不限制于车辆行驶于弯道、宽道,其还可以应用于较宽的弯道或其他道路环境,只需满足将车辆的换道空间数据,即车辆与车道中心线的横向距离,包括在采样期间中计算的均值、极值以及车辆在变道时关于横向速度、横向加速度的均值和极值等用于构建轨迹规划模型的边界约束条件等皆在本公开实施例的构思范围内。
步骤S209:求解轨迹规划模型的最优解,据此生成能够控制车辆行驶的行车轨迹,即求解(2)示,在此不再赘述。
根据本公开实施例的另一方面,提供了一种行车轨迹规划装置。图3示出了根据本公开实施例的行车轨迹规划装置的功能框图。
如图3所示,该行车轨迹规划装置300包括:传感单元302,配置为采集车辆行驶的姿态数据,其中姿态数据对应于先前有人驾驶时车辆的状态;计算单元304,配置为分析姿态数据在至少判断车辆在特定场景时采集行车特征数据,其中行车特征数据至少包括与特定场景相关的第一行车轨迹中采集的多个具有参考基准的车辆移动的位置以及车辆运动的参数;以及轨迹规划单元306,配置为至少借助行车特征数据作为边界约束条件构建轨迹规划模型,并基于轨迹规划模型以生成能够控制车辆行驶的第二行车轨迹。
在此,传感单元302可以包括多种传感器的组合以采集车辆行驶的姿态数据,例如通过摄像头、毫米波雷达或激光雷达等对有人驾驶时车辆的姿态数据中的行车环境、障碍物或行车相对位置等数据进行采集,例如通过全球定位***(GPS)获取车辆的位置信息,惯性测量单元(IMU)可测量车辆在行驶状态下的姿态数据,包括:车速、扭矩、各方向的加速度信息等。计算单元304分析姿态数据可以确定车辆行驶的特点场景,例如巡航、换道以及道路环境,例如判断车辆行驶于弯道或宽道等。
在一些实施例中的行车轨迹规划装置300,计算单元304还配置为采集的行车特征
数据还包括采集多个具有参考基准的车辆移动的位置信息作为换道空间数据,其中换道空
间数据至少包括采集多个车辆与车道中心线的横向距离,即以车辆与车道中心线的横
向距离为参考基准,以及横向距离的均值(或参考的横向距离)和极值,即包括该采样期
间采集的横向距离的最小值和最大值,使得行车特征数据包括多个横向距离以及横向距离的极值,可代入(1)式中首项,并利用横向距离的均值求解带边界约束
条件的(2)式,即求解优化函数。
在一些实施例中的行车轨迹规划装置300,响应于判断车辆处于换道状态,计算单
元3还配置为在采样期间中分别采集车辆的多个横向速度和横向加速度;以及计算
单元304进一步配置为在所述采样期间中分别采集横向速度和横向加速度的极值,
即包括横向速度的最小值、最大值和横向加速度的最小值、最大值使得行车特征数据包括多个横向速度、多个横向加速度以及横向速度的极
值、横向加速度的极值,可代入与轨迹规划模型相关的(1)式作为边界约束条件以求解目标
函数。
在一些实施例中的行车轨迹规划装置300,计算单元304还配置为获得的换道空间数据包括对应于车辆在过弯道时所采集的第一换道空间数据,其中第一换道空间数据还包括过弯道时车辆与车道中心线的横向距离,计算单元304分别求取过弯道时车辆与车道中心线的横向距离的均值及极值;计算单元304还配置为获得的换道空间数据还包括对应于车辆行驶于宽道时所采集的第二换道空间数据,其中第二换道空间数据包括由计算单元304分别求得在宽道行驶时车辆与车道中心线的横向距离的均值和极值。在此,具体可参考前述的步骤S206至S207的描述,在此不再赘述。
在一些实施例中的行车轨迹规划装置300,计算单元304被配置为判断车辆行驶的道路状况,即弯道和/或宽道;响应于确定车辆行驶的道路状况,计算单元304选取第一换道空间数据和/或第二换道空间数据作为行车特征数据。在此,请参考前述的步骤S208,不再赘述。
在一些实施例中的行车轨迹规划装置300,计算单元304还配置为在采集行车特征数据时还按划分的车速区间归类,可按每一车速区间求取相应的边界约束、目标函数,并进一步计算优化函数。
在一些实施例中的行车轨迹规划装置300,轨迹规划单元306还可以配置为与该车辆的行车控制装置连接,使该行车控制装置接收由轨迹规划单元306生成的第二行车轨迹,并按第二行车轨迹控制车辆的行驶以实现个性化的个人驾驶或类人驾驶模式。
在一些实施例中的行车轨迹规划装置300,还包括存储单元308,存储单元308配置为按识别号对应存储采集的行车特征数据和相应的轨迹规划模型,以对应生成与该识别号对应的用户驾驶习惯的适应性的第二行车轨迹。
根据本公开的一方面,提供了一种计算机设备,其包括存储器、处理器以及存储在存储器上的计算机程序。该处理器被配置为执行计算机程序以实现上文描述的任一方法实施例的步骤。
根据本公开的一方面,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上文描述的任一方法实施例的步骤。
根据本公开的一方面,提供了一种计算机程序产品,其包括计算机程序,该计算机程序被处理器执行时实现上文描述的任一方法实施例的步骤。
在下文中,结合图4描述这样的计算机设备、非暂态计算机可读存储介质和计算机程序产品的说明性示例。
图4示出了可以被用来实施本文所描述的方法的计算机设备400的示例配置。举例来说,图3中所示的计算单元304可以包括类似于计算机设备400的架构。上述行车轨迹规划方法也可以全部或至少部分地由计算机设备400或类似设备或***实现。
计算机设备400可以是各种不同类型的设备,例如服务提供商的服务器、与客户端(例如,客户端设备)相关联的设备、片上***、和/或任何其它合适的计算机设备或计算***。计算机设备400的示例包括但不限于:台式计算机、服务器计算机、笔记本电脑或上网本计算机、移动设备(例如,平板电脑、蜂窝或其他无线电话(例如,智能电话)、记事本计算机、移动台)、可穿戴设备(例如,眼镜、手表)、娱乐设备(例如,娱乐器具、通信地耦合到显示设备的机顶盒、游戏机)、电视或其他显示设备、汽车计算机等等。因此,计算机设备400的范围可以从具有大量存储器和处理器资源的全资源设备(例如,个人计算机、游戏控制台)到具有有限的存储器和/或处理资源的低资源设备(例如,传统的机顶盒、手持游戏控制台)。
计算机设备400可以包括能够诸如通过***总线414或其他适当的连接彼此通信的至少一个处理器402、存储器404、(多个)通信接口406、显示设备408、其他输入/输出(I/O)设备410以及一个或更多大容量存储设备412。图3中所示的存储单元308可以包括存储器404并实现其功能。
处理器402可以是单个处理单元或多个处理单元,所有处理单元可以包括单个或多个计算单元或者多个核心。处理器402可以被实施成一个或更多微处理器、微型计算机、微控制器、数字信号处理器、中央处理单元、状态机、逻辑电路和/或基于操作指令来操纵信号的任何设备。除了其他能力之外,处理器402可以被配置成获取并且执行存储在存储器404、大容量存储设备412或者其他计算机可读介质中的计算机可读指令,诸如操作***416的程序代码、应用程序418的程序代码、其他程序420的程序代码等。
存储器404和大容量存储设备412是用于存储指令的计算机可读存储介质的示例,所述指令由处理器402执行来实施前面所描述的各种功能。举例来说,存储器404一般可以包括易失性存储器和非易失性存储器二者(例如RAM、ROM等等)。此外,大容量存储设备412一般可以包括硬盘驱动器、固态驱动器、可移除介质、包括外部和可移除驱动器、存储器卡、闪存、软盘、光盘(例如CD、DVD)、存储阵列、网络附属存储、存储区域网等等。存储器404和大容量存储设备412在本文中都可以被统称为存储器或计算机可读存储介质,并且可以是能够把计算机可读、处理器可执行程序指令存储为计算机程序代码的非暂态介质,所述计算机程序代码可以由处理器402作为被配置成实施在本文的示例中所描述的操作和功能的特定机器来执行。
多个程序模块可以存储在大容量存储设备404上。这些程序包括操作***416、一个或多个应用程序418、其他程序420和程序数据422,并且它们可以被加载到存储器404以供执行。这样的应用程序或程序模块的示例可以包括例如用于实现本公开实施例的行车轨迹规划方法的计算机程序逻辑(例如,计算机程序代码或指令)。
虽然在图4中被图示成存储在计算机设备400的存储器404中,但是模块416、418、420和422或者其部分可以使用可由计算机设备400访问的任何形式的计算机可读介质来实施。如本文所使用的,“计算机可读介质”至少包括两种类型的计算机可读介质,也就是计算机存储介质和通信介质。
计算机存储介质包括通过用于存储信息的任何方法或技术实施的易失性和非易失性、可移除和不可移除介质,所述信息诸如是计算机可读指令、数据结构、程序模块或者其他数据。计算机存储介质包括而不限于RAM、ROM、EEPROM、闪存或其他存储器技术,CD-ROM、数字通用盘(DVD)、或其他光学存储装置,磁盒、磁带、磁盘存储装置或其他磁性存储设备,或者可以被用来存储信息以供计算机设备访问的任何其他非传送介质。
与此相对,通信介质可以在诸如载波或其他传送机制之类的已调数据信号中具体实现计算机可读指令、数据结构、程序模块或其他数据。本文所定义的计算机存储介质不包括通信介质。
计算机设备400还可以包括一个或更多通信接口406,以用于诸如通过网络、直接连接等等与其他设备交换数据,正如前面所讨论的那样。这样的通信接口可以是以下各项中的一个或多个:任何类型的网络接口(例如,网络接口卡(NIC))、有线或无线(诸如IEEE802.11无线LAN(WLAN))无线接口、全球微波接入互操作(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、BluetoothTM接口、近场通信(NFC)接口等。通信接口406可以促进在多种网络和协议类型内的通信,其中包括有线网络(例如LAN、电缆等等)和无线网络(例如WLAN、蜂窝、卫星等等)、因特网等等。通信接口406还可以提供与诸如存储阵列、网络附属存储、存储区域网等等中的外部存储装置(未示出)的通信。
在一些示例中,可以包括诸如监视器之类的显示设备408,以用于向用户显示信息和图像。其他I/O设备410可以是接收来自用户的各种输入并且向用户提供各种输出的设备,并且可以包括触摸输入设备、手势输入设备、摄影机、键盘、遥控器、鼠标、打印机、音频输入/输出设备等等。
以上所述仅为本公开的实施例而已,并不用以限制本公开,凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (16)
1.一种行车轨迹规划方法,其特征在于,包括:
-采集车辆行驶的姿态数据,其中,所述姿态数据对应于先前有人驾驶时车辆的状态;
-分析所述姿态数据在至少判断所述车辆在特定场景时采集行车特征数据,其中,所述行车特征数据至少包括与特定场景相关的第一行车轨迹中采集的多个具有参考基准的第一车辆移动的位置以及第一车辆运动的参数;
-至少借助所述行车特征数据构建轨迹规划模型,并基于所述轨迹规划模型以对应于特定场景生成能够控制车辆行驶的第二行车轨迹,其中,
至少分别将第一车辆移动的位置以及第一车辆运动的参数中的极值作为构建所述轨迹规划模型的边界约束条件,所述第一车辆运动的参数至少包括有人驾驶时车辆的速度信息、加速度信息,又其中,
还分别基于第一车辆移动的位置以及第一车辆运动的参数的差分得到多个第一权重值以构建所述轨迹规划模型,又其中,
根据初始的第二行车轨迹控制下以具有参考基准的第二车辆移动的位置与采集的第一车辆移动的位置的均值之间相对位置变化适应性地计算与其相关的第二权重值,使所述第二行车轨迹至少能够基于第二车辆移动的位置、第二车辆运动的参数以及第二权重值表示,又其中,
第二车辆运动的参数至少包括在第二行车轨迹控制下的车辆的速度信息、加速度信息。
2.根据权利要求1所述的方法,其中,所述分析所述姿态数据在至少判断所述车辆在特定场景时采集所述行车特征数据包括:
所述行车特征数据还包括采集多个具有参考基准的车辆移动的位置作为换道空间数据,其中,多个所述具有参考基准的车辆移动的位置至少包括车辆与车道中心线的横向距离,获取所述横向距离的均值和极值。
3.根据权利要求1所述的方法,其中,所述在至少判断所述车辆在特定场景时采集所述行车特征数据包括:
响应于判断所述车辆处于换道状态,在对应于换道时所述第一行车轨迹的采样期间中分别采集多个具有参考基准的第一车辆运动的参数,所述第一车辆运动的参数包括横向速度和横向加速度;以及
在所述采样期间中还分别采集所述横向速度和所述横向加速度的极值,使得所述行车特征数据包括多个相应的横向速度、横向加速度以及横向速度的极值、横向加速度的极值。
4.根据权利要求2所述的方法,其中,所述分析所述姿态数据在至少判断所述车辆在特定场景时采集所述行车特征数据包括:
所述换道空间数据包括对应于车辆在过弯道时所采集的第一换道空间数据,其中,所述第一换道空间数据包括过弯道时车辆与车道中心线的横向距离,分别求取过弯道时车辆与车道中心线的横向距离的均值及极值;
所述换道空间数据还包括对应于车辆行驶于宽道时所采集的第二换道空间数据,其中,所述第二换道空间数据包括在宽道行驶时车辆与车道中心线的横向距离的均值和极值。
5.根据权利要求4所述的方法,其中,所述分析所述姿态数据在至少判断所述车辆在特定场景时采集所述行车特征数据包括:
判断车辆行驶的道路状况,即弯道和/或宽道;
响应于确定所述车辆行驶的道路状况,选取所述第一换道空间数据和/或第二换道空间数据。
6.根据权利要求1所述的方法,其中,在采集所述行车特征数据时还按划分的车速区间归类。
7.一种行车轨迹规划装置,其特征在于,包括:
传感单元,配置为采集车辆行驶的姿态数据,其中,所述姿态数据对应于先前有人驾驶时车辆的状态;
计算单元,配置为分析所述姿态数据在至少判断所述车辆在特定场景时采集行车特征数据,其中,所述行车特征数据至少包括与特定场景相关的第一行车轨迹中采集的多个具有参考基准的第一车辆移动的位置以及第一车辆运动的参数;以及
轨迹规划单元,配置为至少借助所述行车特征数据构建轨迹规划模型,并基于所述轨迹规划模型以对应于特定场景生成能够控制车辆行驶的第二行车轨迹,其中,
所述轨迹规划单元还配置为至少分别将第一车辆移动的位置以及第一车辆运动的参数中的极值作为构建所述轨迹规划模型的边界约束条件,所述第一车辆运动的参数至少包括有人驾驶时车辆的速度信息、加速度信息,又其中,
所述轨迹规划单元还配置为分别基于第一车辆移动的位置以及第一车辆运动的参数的差分得到多个第一权重值以构建所述轨迹规划模型,又其中,
所述轨迹归还单元还配置为根据初始的第二行车轨迹控制下以具有参考基准的第二车辆移动的位置与采集的第一车辆移动的位置的均值之间相对位置变化适应性地计算与其相关的第二权重值,使所述第二行车轨迹至少能够基于第二车辆移动的位置、第二车辆运动的参数以及第二权重值表示,又其中,
第二车辆运动的参数至少包括在第二行车轨迹控制下的车辆的速度信息、加速度信息。
8.根据权利要求7所述的装置,其中,计算单元还配置为采集的行车特征数据还包括多个具有参考基准的车辆移动的位置作为换道空间数据,其中,多个所述具有参考基准的车辆移动的位置至少包括车辆与车道中心线的横向距离,获取所述横向距离的均值和极值。
9.根据权利要求7所述的装置,其中,
响应于判断车辆处于换道状态,计算单元还配置为在对应于换道时所述第一行车轨迹的采样期间中分别采集多个具有参考基准的第一车辆运动的参数,所述第一车辆运动的参数包括横向速度和横向加速度;以及
计算单元进一步配置为在所述采样期间中分别采集横向速度和所述横向加速度中的极值,使得所述行车特征数据包括多个横向速度、多个横向加速度以及其中横向速度的极值、其中横向加速度的极值。
10.根据权利要求8所述的装置,其中,计算单元还配置为获得的所述换道空间数据包括对应于车辆在过弯道时所采集的第一换道空间数据,其中,所述第一换道空间数据还包括过弯道时车辆与车道中心线的横向距离,所述计算单元分别求取过弯道时车辆与车道中心线的横向距离的均值及极值;
计算单元还配置为获得的所述换道空间数据还包括对应于车辆行驶于宽道时所采集的第二换道空间数据,其中,所述第二换道空间数据包括由所述计算单元分别求得在宽道行驶时车辆与车道中心线的横向距离的均值和极值。
11.根据权利要求10所述的装置,其中,计算单元被配置为判断车辆行驶的道路状况,即弯道和/或宽道;响应于确定所述车辆行驶的道路状况,计算单元选取所述第一换道空间数据和/或第二换道空间数据作为行车特征数据。
12.根据权利要求7所述的装置,其中,所述计算单元还配置为在采集所述行车特征数据时还按划分的车速区间归类。
13.根据权利要求7所述的装置,其中,还包括:存储单元,所述存储单元配置为按识别号对应存储采集的行车特征数据和相应的轨迹规划模型。
14.一种计算机设备,包括:
存储器、处理器以及存储在所述存储器上的计算机程序,
其中,所述处理器被配置为执行所述计算机程序以实现权利要求1至6中任一项所述方法的步骤。
15.一种非暂态计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
16.一种计算机程序产品,包括计算机程序,其中,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111035890.6A CN113479219B (zh) | 2021-09-06 | 2021-09-06 | 一种行车轨迹规划方法、装置、计算机设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111035890.6A CN113479219B (zh) | 2021-09-06 | 2021-09-06 | 一种行车轨迹规划方法、装置、计算机设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113479219A CN113479219A (zh) | 2021-10-08 |
CN113479219B true CN113479219B (zh) | 2021-11-26 |
Family
ID=77947194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111035890.6A Active CN113479219B (zh) | 2021-09-06 | 2021-09-06 | 一种行车轨迹规划方法、装置、计算机设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113479219B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI785913B (zh) * | 2021-12-01 | 2022-12-01 | 曾尹彥 | 行車預警系統 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109828564A (zh) * | 2019-01-28 | 2019-05-31 | 广州杰赛科技股份有限公司 | 一种无人驾驶汽车路径规划的优化方法、装置及终端设备 |
CN110007675A (zh) * | 2019-04-12 | 2019-07-12 | 北京航空航天大学 | 一种基于行车态势图的车辆自动驾驶决策***及基于无人机的训练集制备方法 |
CN110187639A (zh) * | 2019-06-27 | 2019-08-30 | 吉林大学 | 一种基于参数决策框架的轨迹规划控制方法 |
CN110597245A (zh) * | 2019-08-12 | 2019-12-20 | 北京交通大学 | 基于二次型规划和神经网络的自动驾驶换道轨迹规划方法 |
CN111123933A (zh) * | 2019-12-24 | 2020-05-08 | 华为技术有限公司 | 车辆轨迹规划的方法、装置、智能驾驶域控制器和智能车 |
CN113291308A (zh) * | 2021-06-02 | 2021-08-24 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种考虑驾驶行为特性的车辆自学习换道决策***及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10126136B2 (en) * | 2016-06-14 | 2018-11-13 | nuTonomy Inc. | Route planning for an autonomous vehicle |
US11276179B2 (en) * | 2019-12-18 | 2022-03-15 | Zoox, Inc. | Prediction on top-down scenes based on object motion |
-
2021
- 2021-09-06 CN CN202111035890.6A patent/CN113479219B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109828564A (zh) * | 2019-01-28 | 2019-05-31 | 广州杰赛科技股份有限公司 | 一种无人驾驶汽车路径规划的优化方法、装置及终端设备 |
CN110007675A (zh) * | 2019-04-12 | 2019-07-12 | 北京航空航天大学 | 一种基于行车态势图的车辆自动驾驶决策***及基于无人机的训练集制备方法 |
CN110187639A (zh) * | 2019-06-27 | 2019-08-30 | 吉林大学 | 一种基于参数决策框架的轨迹规划控制方法 |
CN110597245A (zh) * | 2019-08-12 | 2019-12-20 | 北京交通大学 | 基于二次型规划和神经网络的自动驾驶换道轨迹规划方法 |
CN111123933A (zh) * | 2019-12-24 | 2020-05-08 | 华为技术有限公司 | 车辆轨迹规划的方法、装置、智能驾驶域控制器和智能车 |
CN113291308A (zh) * | 2021-06-02 | 2021-08-24 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种考虑驾驶行为特性的车辆自学习换道决策***及方法 |
Non-Patent Citations (1)
Title |
---|
基于中国自然驾驶数据的变道场景分析评价;叶枫;《上海汽车》;20210830;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113479219A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7086111B2 (ja) | 自動運転車のlidar測位に用いられるディープラーニングに基づく特徴抽出方法 | |
JP7060625B2 (ja) | 自動運転車において3dcnnネットワークを用いてソリューション推断を行うlidar測位 | |
JP7507844B2 (ja) | ボクセルベースのグランド平面推定及びオブジェクト区分化 | |
CN111771135B (zh) | 自动驾驶车辆中使用rnn和lstm进行时间平滑的lidar定位 | |
CN109196432A (zh) | 用于自动驾驶车辆的速度控制参数估计方法 | |
WO2020243162A1 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
KR20180049029A (ko) | 자율 주행 차량의 운행을 위한 제어 오류 보정 계획 방법 | |
CN114126944B (zh) | 滚动时域状态估计器 | |
KR20180050383A (ko) | 자율 주행 차량 이동을 시뮬레이트하기 위한 물리 모델 및 머신 러닝과 결합된 방법 | |
CN110325935A (zh) | 用于自动驾驶车辆的路径规划的基于驾驶场景的车道引导线 | |
CN109489675A (zh) | 用于自动驾驶车辆的基于成本的路径规划 | |
US10272778B2 (en) | Method and system for determining unit gain of speed control for autonomous driving vehicles | |
KR20180050707A (ko) | 자율 주행 차량을 위한 사이드슬립 보상 제어 방법 | |
JP2018070145A (ja) | 自律走行車用のバネシステムに基づく車線変更方法 | |
CN108684203A (zh) | 使用基于学习的模型预测控制来确定自动驾驶车辆的道路摩擦的方法和*** | |
CN111665738A (zh) | 在环仿真***及其中的信息处理方法及装置 | |
CN108255170A (zh) | 动态地调整自动驾驶车辆的速度控制率的方法 | |
CN113479219B (zh) | 一种行车轨迹规划方法、装置、计算机设备和介质 | |
CN114667494A (zh) | 机器人控制模型学习方法、机器人控制模型学习装置、机器人控制模型学习程序、机器人控制方法、机器人控制装置、机器人控制程序以及机器人 | |
CN108860167A (zh) | 基于区块链的自动驾驶控制方法及装置 | |
JP4684591B2 (ja) | 追尾装置及び追尾処理方法 | |
CN111752295B (zh) | 无人机飞行轨迹规划方法及相关装置 | |
CN111655561B (zh) | 无需地图和定位的自动驾驶车辆的拐角协商方法 | |
US12032099B2 (en) | Adaptive motion compensation of perception channels | |
McSey | Uncontrolled intersection coordination of the autonomous vehicle based on multi-agent reinforcement learning. |
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 |