CN113494924A - 用于自主车辆的局部路径规划的最优路径库 - Google Patents
用于自主车辆的局部路径规划的最优路径库 Download PDFInfo
- Publication number
- CN113494924A CN113494924A CN202110297661.5A CN202110297661A CN113494924A CN 113494924 A CN113494924 A CN 113494924A CN 202110297661 A CN202110297661 A CN 202110297661A CN 113494924 A CN113494924 A CN 113494924A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- path
- optimal
- grid
- library
- 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 130
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 39
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000033001 locomotion Effects 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 9
- 206010048669 Terminal state Diseases 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000001427 coherent effect Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000010705 motor oil Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—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
- 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
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
-
- 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
- B62D15/021—Determination of steering angle
-
- 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
-
- 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
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
- G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Business, Economics & Management (AREA)
- Aviation & Aerospace Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开涉及用于自主车辆的局部路径规划的最优路径库。描述了用于自主车辆路径规划和路径导航的方法、***和装置。一个示例***包括:离线服务器,被配置为生成用于导航地理区域的最优路径的库,其中该地理区域被表示为网格节点地图和定向网格箱地图,以及其中最优路径基于优化准则对应于在网格节点地图中的成对的网格对之间的路径;在自主车辆上的用于存储最优路径的库的存储设备;以及位于自主车辆上的在线服务器,被配置为基于自主车辆的当前位置和当前的前向访问来自存储设备的最优路径的库中的信息,并基于该信息导航自主车辆穿过该地理区域。
Description
技术领域
本文档涉及自主驾驶。
背景技术
自主驾驶使用传感器和处理***,该传感器和处理***观察自主车辆周围的环境并做出确保自主车辆和周围车辆的安全性的决策。传感器应准确地确定到潜在干扰车辆以及其他可移动和不可移动物体的距离和速度。需要新技术来确定自主车辆在诸如停车场和狭窄道路等环境中应走的路径。
发明内容
描述了用于生成最优路径库的各种技术,该技术可以被自主车辆实施例用来导航自主车辆,尤其是通过难以操纵的转弯区域。
在一个示例方面,一种导航自主车辆的方法包括:由位于自主车辆上的在线服务器,确定当前驾驶信息,该当前驾驶信息包括该自主车辆的当前位置;基于来自预存储的路径库的路径,使用当前驾驶信息,以确定用于将自主车辆导航到下一位置的最优路径;以及基于最优路径,朝向下一位置导航该自主车辆。
在另一个示例方面,公开了一种生成用于自主车辆的最优路径的库的方法。该方法包括:由离线服务器将位置空间离散化到网格节点地图,该网格节点地图由沿着驾驶地图上的参考驾驶线的横向位置节点和纵向位置节点定义;由离线服务器将网格节点地图中的每个网格节点的定向空间离散化到网格箱(grid bin)阵列,该网格箱阵列定义驾驶轨迹的前向(heading)角分辨率;由离线服务器针对离散的位置空间执行最优车辆驾驶轨迹的穷举搜索,其中穷举搜索包括车辆状态矢量,其中穷举搜索包括评估驾驶空间中的沿着参考驾驶方向的两层上的、每两对状态空间与网格节点之间的驾驶轨迹连接,以确定导致全局最优完整轨迹的最好驾驶动作;和由离线服务器基于评估确定最优路径,用于存储在最优路径库中。
在又一个示例方面,公开了另一种生成用于自主驾驶车辆的最优路径的库的方法。该方法包括:在离线服务器处接收牵引车终端位置和牵引车终端定向信息;在离线服务器处,基于状态空间分辨率需求,确定用于最优路径库搜索的状态空间节点网格地图;在离线服务器处,确定已评估的状态空间节点与在相邻的上层网格地图中的可到达状态空间节点之间的路径弧形;在离线服务器处,从路径弧形中的路径弧形,至少确定上层网格节点的路径弧形长度、路径弧形曲率和前向角值;在离线服务器处,确定自主驾驶车辆对路径弧形的运动学响应;在离线服务器处,从运动学响应中确定牵引车车辆转向角和自主驾驶车辆沿着路径弧形的一个或多个车身位置的坐标;在离线服务器处通过将性能度量应用于路径弧形、转向控制器转向角、运动学响应以及沿着路径弧形的一个或多个车身位置,来确定代表路径弧形的总体性能度量;和在离线服务器处,基于总体性能度量确定路径弧形的有效性并移除被确定为无效的路径弧形。
在另一个示例方面,公开了一种用于导航自主车辆的***。该***包括离线服务器,被配置为生成用于导航地理区域的最优路径的库,其中地理区域表示为网格节点地图和定向网格箱地图,以及其中最优路径基于优化准则对应于网格节点地图中的成对的网格节点对之间的路径;存储设备,在自主车辆上,用于存储最优路径的库;和在线服务器,位于自主车辆上,被配置为基于自主车辆的当前位置和当前的前向来访问来自存储设备的最优路径是库中的信息,并基于信息导航自主车辆穿过地理区域辆。
在又一个示例方面,公开了一种用于实现执行上述方法的离线服务器的在线服务器的硬件平台。
在本文档中进一步描述了这些以及其他方面。
附图说明
图1描绘了根据一些示例实施例的用于离线路径搜索和评估的过程的示例。
图2A描绘了离线搜索弧形路径族的示例,该弧形路径从目标结束位置和定向到在具有离散分辨率的绘制的区域中的所有可能的起始位置和定向。
图2B描绘了根据一些实施例的通过各种前向角网格箱与路径弧形连接的位置网格节点的示例。
图3描绘了根据一些实施例的用于在线最优路径库使用的在线读取过程的示例。
图4描绘了根据一些实施例的使用牵引车拖车的转弯的示例,其示出了牵引车拖车的各个部分与驾驶空间的车道边界或道路边缘的关系,用于生成性能度量的至少一个的处罚或成本,包括车道度量的车身、或者超出绘制的可允许区域度量的车身。
图5A描绘了硬件平台的示例。
图5B是自主车辆操作的示例方法的流程图。
图5C是用于生成可用于自主车辆导航的最优路径的库的示例方法的流程图。
图5D是用于生成可用于自主车辆导航的最优路径的库的另一示例方法的流程图。
图6示出了其中可以执行自主驾驶操作的示例车辆生态***的框图。
图7示出了用于自主车辆的软件控制的操作的示例性流程图。
图8示出了用于操作自主车辆的计算机***的示例性框图。
具体实施方式
在本文档中,尽管参考牵引车拖车(tractor-trailer)描述了一些实施例,但是所公开的技术可以应用于其他自主车辆。
所公开的主题涉及自主驾驶,该自主驾驶包括用于在受限制的地理空间中的牵引车拖车的路径规划。在第一部分中,离线过程用于为可存储在自主车辆处的预先绘制的驾驶区域生成最优驾驶路径的紧凑库。在第二部分中,可以在线读取最优路径库,以生成实时更新的、特定于车辆位置和定向的车辆驾驶路径轨迹。例如,“离线过程”可以是使用自主车辆外部的资源执行的计算过程,而“在线过程”可以是使用自主车辆内部的计算资源执行的计算过程。
在一些示例实施例中,所公开的主题可以用于导航牵引车拖车车辆通过地理空间,考虑到车辆的尺寸和几何形状,该地理空间对于操纵该车辆而言是具有挑战性的。例如,具有挑战性的空间包括狭窄的街道、停车区域,停靠区域、有急弯的十字路口等。某些场景也可以指用于牵引车拖车卡车的“局部宽转弯(local wide turns)”。
在上面描述的场景中用于牵引车拖车的路径规划是有挑战性的,因为牵引车拖车被铰接使得路径规划表现出高阶和高非线性。真实的城市驾驶的复杂形状使搜索空间是高度非凸(non-convex)的。所公开的主题将优化搜索问题从自主车辆转移到离线服务器,该离线服务器向车辆的在线计算机提供紧凑的搜索结果。由于使用了离线计算资源,因此全局优化的穷举搜索是可能的,与可用的在线计算资源相比,这可能是极大地更加强大的,并且可以在更大的时间预算上工作。
一些实施例使用一种解决方案,该解决方案将驾驶空间或位置空间离散化为由沿着驾驶地图上的参考驾驶线的横向位置节点和纵向位置节点所定义的网格节点地图。该解决方案进一步将每个网格节点的定向空间离散为网格箱阵列,该网格箱阵列定义了驾驶轨迹的前向(heading)角分辨率。网格节点在搜索开始之前定义了一个确定性的位置坐标集,而网格箱(grid bin)定义了针对一系列定向角的存储空间,在搜索进行的同时将动态地确定该定向角的特定值。位置网格节点地图和定向网格箱地图可以一起被称为状态空间网格地图。每个状态矢量由车辆位置的三个元素定义,包括车辆x坐标值、车辆位置y坐标值和车辆前向角值。
一些实施例针对预定的和离散的驾驶空间离线地执行最优车辆驾驶轨迹的穷举搜索。搜索包括在状态空间网格地图中的车辆位置和定向组合的所有可行的集合。从自主车辆离线地执行该搜索,并且可以预先评估离散的状态空间中的每种可能的驾驶状态情况,以为自主驾驶路径做准备。计算存储器管理通过从期望的终端状态(位置和定向)向后方向执行搜索来使用Bellman的最优化原理并仅保留累积的最优解。这样,总的存储器使用情况在规模上是有限且合理的。期望的终端状态定义了地图区域的可搜索空间的一个边距(margin)。
搜索过程对沿着地图空间的参考驾驶方向在两层上的每两对状态空间网格节点之间的驾驶轨迹连接进行评估,以确定导致全局最优完整轨迹的最好驾驶踏板动作。该评估通过下面的步骤开始:从遵循车辆运动学模型的两个网格节点之间构建轨迹弧形,从存储在下层网格节点的评估网格箱中的最优迹线的轨迹前向角开始追踪。随着搜索的进行,存储在上层网格节点的网格箱中的轨迹前向角值被动态地确定。可以分配与车辆运动学相关的动作和状态成本,以评估运动平顺度和参考驾驶轨迹跟踪精度性能。
在每个步骤的搜索评估通过下面进一步执行:将由自行车模型定义的、在每两个可行的网格节点之间的车辆运动学迹线扩展到特定于牵引车拖车的迹线(在拖车运动状态中纳入为因素)中,并且扩展到车辆车身转角和车辆轮胎的迹线中,其可以与当在受限空间中驾驶时的运动控制有关。可以分配与车辆详细位置信息有关的动作和状态成本,以评估驾驶空间的使用情况和避免碰撞的性能。
在将针对所有轨迹连接的成本分配给一层网络节点之后,该方法仅保持至可到达的每对网格节点和网格箱的最优轨迹连接;并且如果某些准则被违反,则停用该网格节点和网格箱对,以进行下一层的搜索评估。然后,保存与相关的两层网格节点有关的最优轨迹连接的联接信息,以制定最优路径库。
搜索过程可以重复上述对驾驶轨迹连接的评估,对车辆运动学迹线的扩展,以及仅对针对网格节点的每个未被评估的层的至可到达的每对网格节点的最优轨迹连接的保持,直到到达在地图上感兴趣区域的其他边距,其对应于地图区域的可搜索空间的前述的边距。
当在线使用最优路径库时,随着自主车辆接近绘制的转弯区域时,该方法使用从本地化方法所报告的车辆的当前x和y坐标,以在最优路径库的离散的状态空间上找到最接近网格节点,以及然后使用从偏航角测量设备所报告的车辆的当前的前向角值,以找到最接近位置网格节点的最接近定向网格箱。然后可以自主地检索和扩展最优轨迹联接信息。
最优轨迹联接信息指示最优连接网格节点和下一层的网格箱,以及由车辆运动学定义的连接之间的路径紧凑解析解,以重建物理空间中的连续车辆驾驶轨迹。
随着每一对网格节点和网格箱被分配有最优轨迹联接信息到下一层,整个最优驾驶轨迹从指示车辆的当前位置和定向的初始对(initial pair)开始连续地且自主地扩展,从而导致在转弯区域的地图上的期望的终端驾驶状态由网格节点和网格箱的最终对(endpair)来表示。
前述的找寻最接近位置网格节点的最接近定向网格箱、层与物理路径扩展之间的联接,以及整个轨迹的扩展是超快速且计算轻便的,因为该节点最优连接信息已经被预定义为是离线的,并且在线过程仅需要逐个链接地检索此类信息。不涉及递归计算,以完全扩展轨迹,并且因此可以提前准确地预期计算时间和存储器使用情况。
随着驾驶车辆向前,该过程包括找到最接近位置网格节点的最接近定向网格箱,层与物理路径扩展之间的联接和整个轨迹的扩展被不断地重复。最优驾驶轨迹被不断地更新,以适应在现实世界中发生的轨迹跟踪错误。该过程为车辆的实时轨迹跟踪驾驶状态制定了闭环反馈,其增强了***对干扰和***性能缺陷的鲁棒性。
公开了用于生成最优路径的紧凑库的技术,该库可被存储在自主车辆上,并从一个位置到达另一位置。例如,紧凑库可以包括自主牵引车拖车穿过停车场的最优路径,其考虑了由牵引车拖车采用的宽转弯。这些路径是最优的,因为这些路径可避免与固定物体发生碰撞,这些路径可最大程度地减少转向变化,防止牵引车拖车形成转角(jackknife),并确保所走的路径是平顺的。在遵循车道语义标签所呈现的交通规则的同时,这些路径在平衡乘客舒适度和车辆转向力方面是最优的。通过使用自主车辆的车载计算资源,可以在线读取该库,以从车辆的即时状态获取最优路径,但是,可以不使用自主车辆的计算资源而使用其他计算资源来离线地生成最优路径的库。
给定的地图可以对应于所选区域,例如停车场、狭窄的街道或其他固定区域。在给定的地图上,未搭载的计算机在搜索空间内执行最优驾驶轨迹搜索,生成候选轨迹,并评估该候选轨迹。所公开的技术使用穷举搜索和数据压缩算法来将2D地图空间处理为地图空间中所有可能的最优驾驶轨迹的集合,并将所有可能的驾驶轨迹压缩为紧凑的最优路径库,该库足够小以存储在自主车辆的车载存储器中。最优路径库是离线的,在于它不使用车辆上的计算资源,并且不依赖于与另一个***(例如远离车辆的服务器)的通信。该***可以包括定位***,用于提供在在线读取最优路径库中所使用的实时车辆位置。该***还可以包括用于存储最优路径库的存储空间,以及包括数据库读取器的计算机,该数据库读取器使用数字密钥,以将路径的紧凑表示扩展为实际路径。所公开的技术将复杂的牵引车拖车车辆路径规划任务从在线转移到离线。
所公开的技术可以由牵引车拖车卡车上的自主驾驶***使用,以使用预生成的离线最优路径库生成穿过预绘制的空间的最优驾驶路径。该空间可以包括对于牵引车拖车转向而言具有挑战性的区域,例如急转弯的区域、停车场、停靠区、狭窄的街道等。
作为图示性示例,自主车辆可以从一个位置被驾驶到另一遥远位置。起始位置可能是已预先绘制的停车场。自主驾驶***可以从路径库***请求穿过停车场的驾驶路径。该请求可以包括车辆位置和定向信息,以便最优路径将考虑到牵引车和拖车的定向和位置。响应于该请求,从被存储在自主车辆上的预生成的和压缩的最优路径库中读取最优驾驶路径,然后以最少的计算将其扩展为绘制的物理空间中的高保真路径数据。扩展过程将在下面进一步被描述,并使用数字密钥。来自地图的最优路径库的生成的驾驶路径将沿着该路径引导车辆,并包括避免碰撞固定物体、最小的转向力、优化的平顺度、防止形成转角以及其他预定义的性能因素优化。由于牵引车拖车的倒车特性不稳定且容易形成转角,因此必须反向行驶的牵引车拖车的路径规划是困难的。所公开的主题防止了由于离线穷举搜索而引起的转角的形成。
所公开的技术提供了优点,包括:将自主车辆路径计划(其对于牵引车拖车车辆几何结构而言是计算上昂贵的)从严重占用车辆的车载计算机的在线计算转换为离线计算,在离线计算中可获得更大的计算资源且更多时间是可用的。这降低了搭载在自主车辆上的计算机的硬件成本。离线路径生成还通过允许数学上的复杂性,从而提高了路径规划成本函数的灵活性。使用在线路径规划的传统方法必须执行广泛的近似以避免碰撞,以保持可解决的数学复杂性。所公开的技术允许使用自主车辆上所需的更少的计算资源避免碰撞优化,其包括准确的车辆位置,以及在乘客的心理舒适度(与物体的接近程度)、车道语义标签、交通规则、操作实践等之间的平衡。所公开的离线路径库生成方法相对于传统方法有所改进,部分原因是所公开的技术通过反向搜索的技术进行了穷举搜索。
图1描绘了根据一些示例实施例的过程100。该过程通过评估所有可行的路径连接来生成车辆通过绘制的区域的最优路径。最优路径生成过程可以在车辆的期望终点位置处开始,并在车辆的起点位置处结束。通过穷举搜索从结束位置到开始位置的路径,该搜索将导致针对搜索空间内的任何初始状态的全局最优路径。
在110处,使用下层位置网格节点(由i表示)和前向角网格箱(由j表示)以及上层位置网格节点(由k表示)提供绘制的过程。上层位置网格节点对应于沿着搜索方向或与时间上较早节点相对应的方向上的最优路径的较晚节点,下层位置网格节点对应于沿着搜索方向或与时间上较晚节点相对应的方向上的最优路径上的较早节点。与诸如节点i和k之类的每个节点相关联的是参数值,该参数值包括描述下面这些的参数:车辆定位和位置(包括x坐标,y坐标)、前向角、铰接角、转向角、踏板动作成本、踏板累积成本以及至相邻层节点的联接信息,其标识可到达节点的索引范围和导致所期望的终端状态的最优连接的节点索引。
在120处,弧形求解器确定从位置(x0,y0)到该车辆在(x0,y0)之后将要行驶的点(xt,yt,θt)的恒定曲率的连续弧形路径。θt代表在路径弧形的终点处该牵引车的定向,即路径弧形到达下层位置网格节点时的前向角。弧形求解器确定牵引车驾驶弧形路径的参数值,其将使得牵引车拖车从(x0,y0)移动至点(xt,yt,θt),其包括弧形曲率κ,弧形长度LArc和牵引车车辆的初始前向角θt。
在130处,运动学求解器在反向时间求解沿弧形路径的牵引车拖车运动学状态,其包括牵引车前向角、牵引车后轴中心位置、牵引车转向角、拖车前向角、拖车后轴中心位置和拖车铰接角的连续迹线。
在140处,车辆车身坐标求解器确定沿弧形路径的牵引车拖车的选定点的位置。例如,牵引车拖车上的选定点可以包括牵引车和拖车的车轮定位、用于避免与固定物体碰撞的车厢车身转角、用于验证与固定物体的高度限界的牵引车拖车的高点的定位、以及用于验证与固定物体的地面限界的牵引车拖车的低点的定位。
在150处,将一个或多个成本或性能度量应用于弧形路径。度量可以包括曲率度量、曲率变化度量、用于防止形成转角的铰接角度度量、到车道中心的距离度量、前向角跟踪度量、车道中车身度量、和/或绘制的允许区域中车身度量。下面描述了用于上述度量的值可以如何被沿弧形驾驶牵引车拖车所影响的示例。例如,曲率度量可以生成较高(或较低)的值,其指示与具有较小的曲率半径的弧形路径相比,具有较大的曲率半径的弧形路径的更理想路径。在另一个示例中,曲率变化度量可以生成较高(或较低)的值,其指示与具有较大的曲率半径变化率的弧形路径相比,具有较小的曲率转弯半径变化率的弧形路径的更理想路径。在另一个示例中,铰接度量可以生成较高(或较低)的值,其指示:相对于其中牵引车和拖车之间的最大角度较大的弧形路径而言的、牵引车和拖车之间的最大角度较小(更接近牵引车和拖车之间的直线对齐)的弧形路径的更理想路径,尤其是当该角度接近于可能导致形成转角的角度时。在另一个示例中,到车道中心的距离度量可以生成较高(或较低)的值,其指示保持靠近驾驶车道中心线的弧形路径的更理想路径。在另一个示例中,前向角跟踪度量可以生成较高(或较低)的值,其指示在其上车辆的驾驶前向角保持接近驾驶车道中心的前向角的弧形路径的更理想路径。在另一个示例中,车道中车身度量可以生成较高(或较低)的值,其指示车辆的车身在驾驶过程中穿过其时尽可能多地停留在车道区域内的弧形路径的更理想路径。在另一个示例中,在绘制的允许区域中车身度量可以生成较高(或较低)的值,其指示使牵引车拖车车辆车身尽可能多地停留在绘制的允许区域内的弧形路径的更理想路径。
可以使用“多边形中的点”的检查来执行对车身从绘制的允许区域移出的惩罚的生成。为了减少在最优路径库离线搜索过程中的计算时间,仅评估车辆中心半径(定义为牵引车后轴中心)中的地图边缘点。另外,仅在车辆的左侧的地图边缘点处检查车辆左侧的感兴趣点(右侧也是如此),并且分别对牵引车和拖车进行该处理。如果(多个)地图边缘点处在由车辆定义的多边形内,则会基于从车辆上的已评估点到由最近的两个地图边缘点绘制的地图边缘线之间的距离来生成惩罚。如果已评估点在轮胎上,则进一步增加惩罚跳(penalty jump)。由于车辆形状的多边形是凸的,因此可以通过确定该点是否始终位于由车厢限定的矢量圆的同一侧来进行内部检查。使用以下等式,如果相对于四个边缘矢量按点i生成的惩罚ai,j都具有相同的符号,则地图边缘点在车辆车身多边形内,并且相应的惩罚生成:
ai,j=(yi-y0,j)(xt,j-x0,j-(xi-x0,j)(yt,j-y0,j) 等式1
在等式1中,(xi,yi)表示地图上一个点的坐标,j是对应于车辆边缘矢量的变量(对于四个边缘,通常为4),并且(x0,j,y0,j)和(xt,j,yt,j)表示车辆的起始位置和在时间t时车辆处的位置。在160处,可以通过下述方式确定特定弧形路径的总体性能:将度量的值相加在一起;或者比其他度量更重的方式加权,以使得相比于其他度量而言,一些度量对总体性能度量具有更大的影响。
在170处,基于根据度量值的总体性能,可以对弧形路径执行评估。任何度量都可以具有可接受值的范围。如果度量超出范围,则可以避免或不选择该弧形。
所公开的用于离线路径库生成的方法在数学上可证明是给定一组性能度量(也称为成本度量)的全局最优路径。找到最优路径的方法包括:从期望的终端状态点开始,搜索由牵引车拖车可能采取的所有可能的动作和评估性能/成本度量。从搜索开始位置(其也是终端状态位置)开始,存在一族路径,其中每个路径的各个部分可以由节点表示。每个节点对应于一族参数值,其包括x坐标,y坐标和前向角。节点一起可以被称为状态空间,并且每个节点可以作为状态空间节点。地图区域的每个状态空间节点都将先前选择的决策链接到该节点,包括累积的历史动作度量值和成本。由于最优性原理,生成的最优路径库针对地图内任何给定的车辆位置和定向状态找到了全局最优路径和动作,并在离线搜索过程中保持有限的计算存储器和时间使用量。
所公开的离线路径库生成方法对于在绘制的范围内的任何给定的离散车辆位置和定向而言可能是穷举性的,并且源自车辆开始状态的所有路径都收敛为针对绘制的区域的一个最优路径。该性质可稳健地处理已限定的地图区域中所有潜在的自主驾驶状态,并且选定的路径促进自主车辆对稳定性收敛性能的运动控制。通用收敛迹线的性质为车辆路径和和运动计划提供了可预测性优点,其有助于自主驾驶安全保护。为了在保证路径中的平顺度的同时获得针对车辆前向角状态的穷举搜索结果,所公开的方法开发了一种动态分辨率技术,该技术基于在每个位置状态实例处的最优解局部进展来动态生成前向角分辨率网格值。
为了将穷举最优路径库压缩到更少的存储器中,最优路径以跨路径状态的弧形片段的解析解形式被存储。每个弧形段对应于从一个路径状态到另一路径状态的弧形。通过解析弧形解和节点联接信息,最优路径的枚举从高维的长数值矢量被压缩到引导型低维紧凑矢量库中。给定起始位置和定向的终点的最优路径可以使用路径库读取键(key)被提取并被扩展到笛卡尔空间中的路径数组,以满足任何离散的空间分辨率要求(固定或可变)。最优路径的查找是超快的(大约10毫秒,取决于总路径长度),并且使用最少的在线计算资源(仅为n阶,表示为o(n),级别存储器,相比之下,在线路径计划器至少需要o(n2)级别存储器)。所公开的技术将自主牵引车拖车车辆路径规划的繁重的计算负荷从在线过程转移到离线过程。对于在线过程而言,所需要的是由车辆车载计算机读取该最优路径。
图2A在210处描绘了源自自主车辆的终点位置的弧形路径族的图示。在212处示出的是自主车辆的终点位置的示例,该终点位置也是用于搜索最优路径的开始位置,该最优路径将状态空间上的所有节点在相反方向上引导到指定终点位置。从终点位置212呈扇形散开的是可能的弧形(或路径)片段的族。每个弧形片段均开始于一个节点并在另一个节点处结束。弧形片段可以被修剪以移除基于车辆(诸如牵引车拖车)的限制无法到达的节点。在210处示出的弧形片段是在从开始位置选择最优路径之前起源于212的所有可能的弧形片段。
图2B在250处描绘了具有箱和节点的网格地图中的位置或点的图示。在250处示出的是具有相关联的箱和节点的网格点的示例。区域的地图可以由包含有规则间隔的网格节点(包括网格节点252)的网格地图覆盖。每个节点包括网格箱(诸如网格箱254)。网格节点之间的间距由预定义的分辨率来确定。例如,对于给定的地图,与具有较低分辨率网格地图的网格地图相比,较高分辨率网格地图包括更多的总网格节点。每个网格箱都包含最可行的前向角,用于车辆从对应的网格节点行驶。评估对应于较早的驱动位置(和较晚的搜索的位置)的上层网格箱(例如网格箱254),以便基于存储在下一个较低网格箱(例如网格箱256)中的单个前向角来确定可能路径。
图3描绘了根据一些示例实施例的用于确定最优路径的过程300。在310处,确定车辆/牵引车拖车的位置和前向。在320处,牵引车拖车的位置被匹配到所绘制的区域中最接近的网格节点,并被包括在路径库中。在330处,选择具有与车辆前向最接近的前向角的箱。在340处,基于所匹配的网格节点和所选择的车辆前向来读取最优父层节点、箱、弧形曲率和弧形长度。弧形曲率可以表示为遵循两个网格节点之间的弯曲路径所需的恒定转向半径的倒数,以及弧形长度是沿着弧形曲率的相应网格节点之间的弯曲路径的长度。父节点是距离终点更远的下一个节点。在350处,将父节点位置、弧形曲率和弧形长度转换为转向命令,以发送给自主转向控制器。在360处,如果到达了期望的终端位置,则该过程停止。如果未到达期望的终端位置,则该过程返回到步骤340并重复直至到达期望的终点。在370处,最优路径已经被读取。
最优路径库的大小影响了在线存储器的使用情况,因为在线地图存储在车辆上。最优地图大小M可以使用以下方法估算:
其中
WSP是离线路径搜索区域的宽度。搜索路径的两车道宽度实际上等于允许车辆车身占据三个车道,因为感兴趣的搜索点位于车辆纵向中心线。考虑到典型的车道宽度为3.7m,搜索路径宽度可以估计为7.4m。
dW是横向距离分辨率。dW=0.1m已被确定作为足够的分辨率精度。
dθ是前向角分辨率。dθ=1度(deg)已被确定作为足够的分辨率精度。
LSP是离线路径搜索区域沿参考驾驶线的总纵向距离。
dL是两个横向搜索层之间的纵向距离分辨率。dL=3m已被确定作为足够的分辨率精度,即使对于有经验的人类驾驶员而言具有高挑战性的局部转弯来说。
Nu是在最优路径地图中每个搜索步骤的变量数,其中包括已处理的网格节点和箱的:(1)前向角值、(2)到父层节点的弧形连接的路径曲率、(3)到父层节点的弧形连接的路径弧形长度、(4)路径网格地图的父层横向位置网格节点索引、(5)路径网格地图的父层前向角箱索引。
B是存储每个变量所需的比特数。最优路径地图包含3个单精度浮点数据变量和2个整数数据变量。因此,总数Nu*B为3×4+2×2=16字节。
对于1公里路径的动态编程最优地图大小的示例估计为大约142兆字节(MB)内存。但是,并不是最优路径网格地图中的所有元素都被信息占据,因此可以应用更智能的技术来减小尺寸。例如,前向角搜索范围的有用部分远小于360度,并且每个搜索步骤的可到达范围甚至更小。作为参考,MatLab存储的等效地图仅占用28Mb内存。此外,动态编程路径规划方法仅需要用于具有挑战性的大转弯。当存在较长的直行车道时,不需要以这种方式完善车辆路径。因此,以“紧凑的1km路径”为例,它包含一条更长路线的宽转弯路径信息。
图4描绘了牵引车410和拖车420的示例。在424处是拖车的后部所遵循的示例路径。在412处是牵引车的前部所遵循的示例路径。所公开的主题确定了围绕图4所示的曲线(或任何其他曲线)的最优路径。
图5A描绘了可以用于实现本文档中描述的一些技术、过程和/或功能的硬件平台500的示例。例如,硬件平台500可以实现过程100、210、250或300或上述其他过程,和/或可以实现本文所述的各种模块。硬件平台500可以包括处理器502,该处理器502可以执行代码以实现方法。硬件平台500可以包括存储器504,其可以用于存储处理器可执行代码和/或存储数据。硬件平台500可以进一步包括通信接口506。例如,通信接口506可以实现一个或多个有线或无线通信协议(以太网,LTE,Wi-Fi,蓝牙等)。硬件平台500可以用于实现本文描述的离线服务器或在线服务器。
图5B是用于导航自主车辆的方法520的流程图。该方法包括,在522处,由位于自主车辆上的在线服务器确定当前驾驶信息,该当前驾驶信息包括自主车辆的当前位置和/或当前的前向角。
方法520包括,在524处,基于来自预存储的路径库的路径,使用当前驾驶信息,以确定用于将自主车辆导航到下一位置的最优路径。在一些实现方式中,预存储的路径库可以是基于离线路径库生成过程所计算的可能路径的数据库。在一些实施例中,可以以压缩的格式存储预存储的路径库,使得在线服务器执行数据扩展以接收该可能路径。
方法520包括,在526处,基于最优路径,朝向下一位置导航自主车辆。例如,当前位置和下一位置可以是沿着自主车辆正在操作的区域的离散网格地图的网格节点,如下所述。
方法520可以进一步包括:基于预存储的路径库中的网格地图上的自主车辆的当前的前向角,确定与当前位置匹配的网格节点和与该网格节点相关联的网格箱;从预存储的路径库,基于网格节点和网格箱,检索到对应于下一位置的下一网格节点和下一网格箱的可能路径;以及基于可能路径中的一个可能路径,生成转向命令以导航自主车辆。在一些实施例中,网格可以在自主车辆通过其导航的整个区域上是均匀的。可替代地,在一些实施例中,网格密度,例如网格节点的布置,可以是不均匀的。例如,在拐角附近,网格节点可以布置得彼此靠近;而在开阔区域中,网格节点可以布置得更远。与均匀网格相比,非均匀网格可以使得能够在诸如拐角之类的关键区域周围提供更准确的操纵,同时保持与均匀网格大致相同的区域中的总体计算复杂度,甚至比均匀网格更低的总体计算复杂度。
方法520可以进一步包括:在线服务器基于从预存储的路径库检索的多个最优路径,迭代地生成多个转向命令,以在多个当前位置和多个下一位置之间导航自主车辆,使得前一迭代的下一位置被用作下一迭代的当前位置,直到自主车辆满足结束准则为止。转向命令可以包括例如车辆前轮转向角命令,或车辆转向手轮角命令,或在车辆纵向轮速下对转向致动器的转向扭矩命令。转向命令还可以包括当车辆超过通往下一位置的最优路径中的弯道角或下降到低于通往下一位置的最优路径中的弯道角时,激活或停用转向信号。
图5C示出了用于生成自主车辆操作的最优路径的库的示例方法530的流程图。方法530可以由离线服务器实现。
方法530包括,在532处由离线服务器将位置空间离散化为网格节点地图,该网络节点地图由沿着驾驶地图上的参考驾驶线的横向位置节点和纵向位置节点定义。如上所述,在一些实施例中,可以使用均匀网格来执行离散化。可替代地,在一些实施例中可以使用非均匀网格。
方法530包括,在534处由离线服务器将网格节点地图中的每个网格节点的定向空间离散化为网格箱阵列,该网格箱阵列定义驾驶轨迹的前向角分辨率。类似于均匀和非均匀网格选项的不同策略,前向角分辨率也可以基于地图特征进行均匀离散化或非均匀离散化。例如,均匀离散化可以是基于地理分辨率的简单的网格化策略(例如,将地图区域划分为1米×1米的网格箱)。可替代地,角度离散化可以考虑某些地图特征,例如拐角、沿路径应避免的物体(例如广告牌或灯杆),以便在存在此类地图特征的区域中使用更精细的前向角分辨率,而在空旷的区域中则可以使用较粗的前向角分辨率。
方法530包括,在536处由离线服务器针对离散位置空间执行最优车辆驾驶轨迹的穷举搜索,其中穷举搜索包括车辆状态矢量,其中穷举搜索包括:评估驾驶空间中的沿着参考驾驶方向的两层上的、每两对状态空间与网格节点之间的驾驶轨迹连接,以确定导致全局最优完整轨迹的最好的驾驶动作。
例如,离线服务器可以通过以下方式执行评估操作:通过从被存储在下层网格节点的已评估的网格箱中的最优迹线的轨迹前向角进行追踪,构建在遵循车辆运动学模型的两个网格节点之间的轨迹弧形,其中随着生成库的进行,被存储在上层网格节点的网格箱中的轨迹前向角值被动态地确定;将所有轨迹连接的成本分配给一层网格节点,以及将最优轨迹连接保存到每个可到达网格节点和网格箱对,并在至少一个准则被违反时停用针对下一层搜索评估的网格节点和网格箱对。在此,每个步骤的评估通过以下而进行:通过将由自行车模型定义的、在每两个可行的网格节点之间的运动学迹线扩展到适应拖车移动状态的牵引车拖车的迹线,并且扩展到车辆车身转角和车辆轮胎的迹线,车辆车身转角和车辆轮胎与当在受限空间中驾驶时的运动控制有关。此外,在一些实施例中,用于最优轨迹连接的联接信息被保存到最优路径库。
方法530包括,在538处由离线服务器基于评估确定最优路径,以用于存储在最优路径的库中。
在一些实现方式中,对于方法530的实现而言,在搜索开始之前,每个网格节点定义一个确定性的位置坐标集,并且每个网格箱定义一系列定向角的存储器空间,随着生成库的进行,该一系列定向角的特定值将被动态地确定。
在方法530的一些实施例中,通过重复评估驾驶轨迹连接,扩展车辆运动迹线,以及针对每个未评估的网格节点的层仅保持每个可到达的网格节点对的最优轨迹连接,来重复搜索过程,直到到达对应于地图区域的可搜索空间的边距的地图上感兴趣区域的另一边距。
在一些实施例中,位置网格节点地图和网格箱阵列是状态空间网格地图。状态空间网格地图可以例如相对于彼此的位置逻辑地链接网格节点。例如,对于每个网格节点,状态空间地图可以包括:到其他网格节点的输入链接(网络节点可以从这些其他网格节点沿着n条路径被触及,n为整数,通常等于1)以及到其他网络节点的输出链接(这些其他网络节点可以在m条路径内被触及,m为整数,通常等于1)。
在一些实施例中,每个车辆状态矢量由车辆x坐标值,车辆位置y坐标值和车辆前向角值来定义。如前所述,车辆状态矢量的(x,y,角)三元组可以在三个轴域(x,y,角)中跨越均匀或不均匀的分辨率。
在一些实施例中,从终端状态到开始状态的向后方向上执行穷举搜索,并且对于搜索区域中的每个可到达的离散状态空间网格节点,仅累积的最优解被保存。
在一些实施例中,终端状态定义地图区域的可搜索空间的边距。
在一些实施例中,离线服务器在自主驾驶车辆到达位置空间之前,确定并存储最优路径。例如,可以在自主车辆开始其旅程之前将最优路径库预先加载在车载存储器上。
图5D是示例方法540的流程图。方法540可以由离线服务器实现,用于生成针对自主驾驶车辆的最优路径的库。最优路径可以例如是避免碰撞和/或最小化转向变化,和/或防止形成转角和/或平顺并且在车道边界内的路径。
方法540包括:在542处,在离线服务器处接收牵引车终端位置和牵引车终端定向信息。
方法540包括:在544处,在离线服务器处基于状态空间分辨率需求确定用于最优路径库搜索的状态空间节点网格地图。
方法540包括:在546处,在离线服务器处确定已评估的状态空间节点与相邻的上层网格地图中的可到达的状态空间节点之间的路径弧形。
方法540包括:在548处,在离线服务器处从路径弧形的路径弧形,至少确定上层网格节点的路径弧形长度、路径弧形曲率和前向角值。
方法540包括:在550处,在离线服务器处确定自主驾驶车辆对路径弧形的运动学响应。
方法540包括:在552处,在离线服务器处从运动学响应中确定牵引车车辆转向角和自主驾驶车辆沿路径弧形的一个或多个车身位置的坐标。
方法540包括:在554处,在离线服务器处通过将性能度量应用于路径弧形、转向控制器转向角、运动学响应以及沿着路径弧形的一个或多个车身位置,来确定代表路径弧形的总体性能度量。在各种实施例中,可以使用各种性能度量。例如,性能度量可以包括以下一项或多项:曲率度量、曲率变化度量、铰接度量、到车道中心的距离度量、车道前向角跟踪精度度量、车道中车身度量、超出绘制的允许区域车身度量。
方法540包括:在556处,在离线服务器处基于总体性能度量来确定路径弧形的有效性,并移除被确定为无效的路径弧形。
在一些实施例中,方法540包括:重复以下各步骤:确定路径弧形,确定至少路径弧形长度、路径弧形曲率、前向角值,确定运动学响应,以及确定总体性能度量,以生成多个弧形路径和相应的总体性能度量。
在一些实施例中,方法540包括:基于总体性能度量从多个弧形路径中选择最优路径,其中与多个弧形路径中的其他弧形路径相比,最优路径具有最好的总体性能度量。
在一些实施例中,一种用于导航自主车辆的***包括:离线服务器、自主车辆上的用于存储最优路径的库的存储设备、以及位于自主车辆上的在线服务器。该离线服务器被配置为生成用于导航地理区域的最优路径的库,其中该地理区域被表示为网格节点地图和定向网格箱地图,并且其中最优路径基于优化准则对应于网格节点地图中的网格节点对之间的路径。该在线服务器被配置为基于自主车辆的当前位置和当前的前向来访问来自存储设备的最优路径的库中的信息,并基于该信息导航自主车辆穿过该地理区域。在线服务器可以被配置为实现本文描述的方法。离线服务器可以被配置为使用本文描述的方法来生成最优路径的库。
本文档中描述的离线服务器可以使用硬件平台(例如,图5A)来实现,或者可以使用诸如云计算资源之类的分布式计算资源来实现。为了能够对可能的最优路径进行详尽的分析,离线服务器可以使用比自主车辆的在线的或车载计算机可用的计算资源更大的计算资源。在驾驶旅行开始之前,自主车辆和在线计算机可以经由诸如蜂窝或Wi-Fi无线通信信道或以太网或USB电缆之类的通信接口与离线服务器通信。
在一些实施例中,路径的库表示针对预定的和离散的驾驶空间的最优车辆驾驶轨迹的穷举搜索,并且其中穷举搜索包括在状态空间节点网格地图中的车辆位置和车辆定向的多种组合。在一些实施例中,库包括在地理区域中的车辆状态的紧凑路径信息。
图6示出了示例车辆生态***600的框图,其中可以确定自主驾驶操作。车辆生态***600可以用于实现在线服务器及其与路径选择和车辆转向有关的操作。
如图6所示,车辆605可以是半牵引车卡车。车辆生态***600包括若干***和组件,其可以生成一个或多个信息/数据和相关服务的源,和/或将一个或多个信息/数据和相关服务的源传递给可以位于车辆605中的车载控制计算机650。车载控制计算机650可以与多个车辆子***640进行数据通信,所有这些子***都可以驻留在车辆605中。提供车辆子***接口660,以辅助车载控制计算机650和多个车辆子***640之间的数据通信。在一些实施例中,车辆子***接口660可以包括控制器局域网(CAN)控制器,以与车辆子***640中的设备进行通信。
车辆605可以包括支持车辆605的操作的各种车辆子***。车辆子***可以包括车辆驱动子***642、车辆传感器子***644和/或车辆控制子***646。作为示例,示出了车辆驱动子***642、车辆传感器子***644和车辆控制子***646的组件或设备。车辆驱动子***642可以包括可操作以为车辆605提供动力运动的组件。在示例实施例中,车辆驱动子***642可以包括引擎或马达,车轮/轮胎,变速器,电气子***和电源。
车辆传感器子***644可以包括多个传感器,被配置为感测关于车辆605的环境或状况的信息。车辆传感器子***644可以包括一个或多个照相机或图像捕获设备、一个或多个温度传感器、惯性测量单元(IMU)、全球定位***(GPS)收发器、激光测距仪/LIDAR单元、RADAR单元、和/或无线通信单元(例如,蜂窝通信收发器)。车辆传感器子***644还可以包括被配置为监测车辆605的内部***的传感器(例如,O2监测器,燃油表,引擎油温等)。
IMU可以包括传感器(例如,加速度计和陀螺仪)的任意组合,其被配置为基于惯性加速度来感测车辆605的位置和定向变化。GPS收发器可以是被配置为估计车辆605的地理位置的任何传感器。为此,GPS收发器可以包括可操作以提供关于车辆605相对于地球的位置的信息的接收器/发射器。RADAR单元可以表示利用无线电信号来感测车辆605的局部环境内的物体的***。在一些实施例中,除了感测物体之外,RADAR单元还可以被配置为感测接近车辆605的物体的速度和前进方向。激光测距仪或LIDAR单元可以是被配置为使用激光来感测车辆605所处的环境中的物体的任何传感器。照相机可以包括被配置为捕获车辆605的环境的多个图像的一个或多个设备。照相机可以是静止图像照相机或运动摄像机。
车辆控制子***646可被配置为控制车辆605及其部件的操作。因此,车辆控制子***646可以包括各种元件,例如节气门和档位、制动单元、导航单元、转向***和/或自主控制单元。节气门可被配置为控制例如引擎的操作速度,并进而控制车辆605的速度。档位可被配置为控制变速器的档位选择。制动单元可以包括被配置为使车辆605减速的机构的任何组合。制动单元可以使用摩擦以标准方式使车轮减速。制动单元可包括防抱死制动***(ABS),其可在施加制动时防止制动器锁定。导航单元可以是被配置为确定车辆605的驾驶路径或路线的任何***。导航单元可以被附加地配置为在车辆605运行中动态地更新驾驶路径。在一些实施例中,导航单元可以被配置为合并来自GPS收发器和一个或多个预定地图的数据,以便确定车辆605的驾驶路径。转向***可以表示可操作为调节在自主模式或驾驶员控制模式下的车辆605的前进方向的机构的任何组合。
自主控制单元可以表示被配置为识别、评估、避免或以其他方式协商车辆605的环境中的潜在障碍的控制***。通常,自主控制单元可以被配置为没有驾驶员时控制车辆605进行操作或在控制车辆605的情况下提供驾驶员协助。在一些实施例中,自主控制单元可以配置为合并来自GPS收发器、RADAR、LIDAR、照相机和/或其他车辆子***的数据,以确定车辆605的驾驶路径或轨迹。
车辆605的许多或全部功能可以由车载控制计算机650控制。车载控制计算机650可以包括至少一个数据处理器670(可以包括至少一个微处理器),其执行存储在非暂时性计算机可读介质(例如数据存储设备675或存储器)中的处理指令。车载控制计算机650也可以表示多个计算设备,其可以服务于以分布式方式控制车辆605的单独的部件或子***。
数据存储设备675也可以包含附加指令,包括向车辆驱动子***642、车辆传感器子***644和车辆中的一个或多个发送数据,从车辆驱动子***642、车辆传感器子***644和车辆中的一个或多个接收数据,与车辆驱动子***642、车辆传感器子***644和车辆中的一个或多个进行交互或控制车辆驱动子***642、车辆传感器子***644和车辆中的一个或多个的指令。车载控制计算机650可被配置为包括数据处理器670和数据存储设备675。车载控制计算机650可基于从各个车辆子***(例如,车辆驱动子***642,车辆传感器子***644和车辆控制子***646)接收的输入来控制车辆605的功能。
图7示出了用于更新自主车辆的基于软件的控制的示例性过程。该过程可以由在线服务器实现。在更新过程中,置信度检查器模块可以使用从自主车辆的先前操作获得的在线算法结果(702)和离线算法结果(704)来执行置信度检查操作706。在操作702,计算机的置信度检查器模块(例如,图8中的825所示)是由车载控制计算机执行的在线算法的结果,以执行与自主驾驶有关的操作。在线算法结果可以包括描述响应于已知场景的自主驾驶操作的第一组数据。例如,与自主驾驶操作有关的第一组数据可以包括车载控制计算机,当自主车辆到达已知的交叉路口时,该车载控制计算机确定方向盘马达需要顺时针旋转15度才能使自主车辆转向。与自主驾驶操作有关的第一组数据还可以提供当自主车辆正在被驾驶穿过已知场景时关于自主车辆的各个方面的状态信息(例如,速度,制动量,传动档位)。
在一些实施例中,在线算法结果可以包括在车载控制计算机中操作的各种设备和自主驾驶软件的健康状态信息。健康状态信息可以包括当自主车辆正在被驾驶时由一个或多个设备和/或自主驾驶软件所生成的一个或多个错误代码。在线算法结果可以包括对生成错误代码的原因和生成错误代码的时间的附加解释。
在操作704,计算机的置信度检查器模块接收附加的离线算法,并且可以使用附加的离线算法来处理已知场景。在一些实施例中,附加的离线算法可以是开发人员或工程师已经构建的软件代码,以调试在车载控制计算机中操作的自主驾驶软件的现有版本。用附加的离线算法处理已知场景的结果可以提供第二组数据,该第二组数据描述了响应于已知场景的仿真自主驾驶操作。当仿真自主车辆穿过已知场景时,第二组数据还可包括自主车辆的各个方面的状态信息。如本文档中所述,离线算法可能已经由操作员通过干预得到了校正。
在操作706,置信度检查器模块可以将第一组数据与第二组数据进行比较,以评估两个版本的自主驾驶软件如何在相同场景下运行。在一些实施例中,置信度检查器模块可以使用诸如无效假设统计测试之类的技术来比较两组数据。置信度检查器模块可以确定量化两组数据之间的差异的一个或多个度量。如果置信度检查器模块确定一个或多个所确定的度量大于一个或多个已知阈值,则置信度检查器模块可以确定两组之间的差异是显着的,并且将两组数据作为矛盾结果708被发送给计算机中的硬盒数据集710数据库(例如,在图8中示出为830)。
自动校正模块(例如,在图8中示出为835)可以通过确定对现有自主驾驶软件的改变来执行自动校正操作712,以改进现有的自主驾驶软件。在一些实施例中,改变可以包括确定对可能要被改变的现有的自主驾驶软件中的(多个)公式(或(多个)等式)和/或(多个)机器学习模型的更新,以使现有的自主驾驶软件生成针对已知场景的第二组数据。在一些实施例中,改变可以包括对现有的自主驾驶软件所使用的机器学习模型的更新或对图像处理技术的更新,以更好地识别位于自主车辆周围的区域中的运动物体(例如,其他车辆,行人)或静态障碍物(例如,减速带,停车标志等)。
人类注释模块(例如,在图8中示出为840)可以通过向计算机监视器发送第一组数据,第二组数据,现有的自主驾驶软件和附加的离线算法,以便开发人员或工程师可以调试或修改现有的自主驾驶软件。从操作712或714获得的修订的自主驾驶软件的公式和/或机器学习模型可以被发送给计算机中包括的结构数据集数据库(例如,在图8中示出为845)。在一些实施例中,人类注释模块可以向计算机监视器发送图像,对于该图像,语义分割过程产生了一个或多个区域,其中车载控制计算机无法确定一个或多个区域的身份。在这样的实施例中,人员可以为车载控制计算机无法识别的一个或多个区域分配身份。
返回到操作706,如果由置信度检查器模块确定第一组数据和第二组数据的结果是相干的,则将相干结果输出发送给结构数据集716。如果描述两组数据之间的差异的一个或多个度量小于一个或多个已知阈值,则置信度检查器模块可以确定第一组数据和第二组数据是相干的。相干结果输出可以包括现有的自主驾驶软件的值、变量、公式和/或机器学习模型。
包括在结构数据集716中的值、变量和/或公式可用于分析新任务和数据集718或用于执行仿真720或用于设置条件基准724。操作718-724可以由计算机的数据处理模块(例如,在图8中示出为850)执行。作为示例,数据处理模块可以基于存储在结构化数据集716中的(多个)值、(多个)变量和/或(多个)公式,使用已知场景的图像或点云数据执行仿真720。在结构化数据集716包括用于修订的或调试的自主驾驶软件版本的(多个)新值、(多个)变量和/或(多个)公式的实施例的情况下,可以针对(多个)新值、(多个)变量和/或(多个)公式执行仿真720以评估修订的或调试的自主驾驶软件版本的性能。例如,仿真可以被用于执行软件回归测试。
数据处理模块可以使用被存储在结构化数据集716中的(多个)值、(多个)变量和/或(多个)公式,针对第一组数据(对于现有的自主驾驶软件)或针对第二组数据(对于修订的自主驾驶软件)来执行条件基准724。在一些实施例中,可以通过使用先前记录和存储的照相机图像和/或LiDAR点云数据仿真自主驾驶软件版本的操作来执行条件基准。条件基准操作可以计算出表征自主驾驶软件的总体性能的一个或多个度量。如果数据处理模块确定条件基准操作724的一个或多个度量超过(多个)预定阈值,则数据处理模块可以自动地更新模型726。模型可以包括例如可以由数据处理模块更新的修订的自主驾驶软件或机器学习模型。
图8示出了对在自主车辆中运行的软件进行改进的计算机的示例性框图。计算机800包括至少一个处理器810和其上存储有指令的存储器805。该指令当由处理器810执行时,将计算机800和/或计算机800的各种模块配置为执行在图6-7中以及本专利文档所描述的各种实施例中描述的操作。发射器815和接收器820可以分别发送和接收信息。
将理解的是,本文档描述了可以被自主车辆用来使车辆导航通过难以操纵的区域的各种技术。在一个示例方面,评估各种车辆路径选项并选择用于导航车辆的选项的计算任务被分为两个计算平台:一个平台在离线环境中操作,其位于自主车辆的外部并且远离该自主车辆,例如,在计算云中;和另一个平台位于自主车辆上。离线服务器可以预先执行评估各种导航路径的任务,并向在线服务器提供路径选项的库。当在狭窄区域中操纵自主车辆时,整个导航任务可以沿网格点离散为较小的路径增量,并且在线服务器可以基于路径库做出有关从一个网格点到下一网格点的决策。选择下一条路径的任务所带来的计算负担大大小于评估各种路径选项的最优性的计算负担,从而实现了实时车辆导航,而不会加重车载资源。
本专利文档中描述的主题和功能操作的实现方式可以被实现在各种***、半导体设备、光学设备、数字电子电路或计算机软件,固件或硬件中,包括在此说明书中公开的结构及其结构化等效,或它们中的一个或多个的组合。本说明书中描述的主题的各方面的实现方式可以被实现为一个或多个计算机程序产品,例如,在有形和非暂时性计算机可读介质上编码的计算机程序指令的一个或多个模块,以由数据处理装置执行或以控制数据处理装置的操作。计算机可读介质可以是机器可读存储设备,机器可读存储基板,存储设备,影响机器可读传播信号的物质的组分,或它们中的一个或多个的组合。术语“数据处理单元”或“数据处理装置”涵盖用于处理数据的所有设备,设备和机器,例如包括可编程处理器,计算机或多个处理器或计算机。除了硬件之外,该装置还可以包括为所讨论的计算机程序创建执行环境的代码(例如,构成处理器固件的代码)、协议栈、数据库管理***、操作***或它们的一个或多个的组合。
计算机程序(也称为程序,软件,软件应用程序,脚本或代码)可以以任何形式的编程语言(包括编译或解释语言)编写,并且可以被部署为任何形式,包括:独立程序,或适合在计算环境中使用的模块、组件、子例程或其他单元。计算机程序不一定与文件***中的文件相对应。程序可以被存储在文件的一部分中,该文件保存其他程序或数据(例如,存储在标记语言文档中的一个或多个脚本),专用于所讨论程序的单个文件,或多个协调文件(例如,存储一个或多个模块、子程序或部分代码的文件)。可以将计算机程序部署为在一台计算机上或多台计算机上执行,多台计算机位于一个站点上或分布在多个站点上并通过通信网络互连。
本说明书中描述的过程和逻辑流程可以由一个或多个可编程处理器执行,处理器执行一个或多个计算机程序以通过对输入数据进行操作并生成输出来执行功能。过程和逻辑流程也可以由专用逻辑电路执行,并且装置也可以实现为专用逻辑电路,专用逻辑电路例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)。
例如,适合于执行计算机程序的处理器包括通用和专用微处理器,以及任何种类的数字计算机的任何一个或多个处理器。通常,处理器将从只读存储器或随机存取存储器或两者接收指令和数据。计算机的基本元件是用于执行指令的处理器和用于存储指令和数据的一个或多个存储设备。通常,计算机还将包括一个或多个大容量存储设备,或计算机还将操作地耦合到一个或多个大容量存储设备,以从该存储设备接收数据或将数据传送给该存储设备,该存储设备例如磁的、磁光盘或光盘。但是,计算机不必具有此类设备。适用于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失存储器,介质和存储设备,包括例如半导体存储设备,例如,EPROM、EEPROM和闪存设备。处理器和存储器可以由专用逻辑电路补充或被并入专用逻辑电路中。
尽管该专利文档包含许多细节,但是这些细节不应被解释为对任何发明或可要求保护的范围的限制,而是对特定于特定发明的特定实施例的特征的描述。在单独的实施例的上下文中在该专利文档中描述的某些特征也可以被组合实现在单个实施例中。相反,在单个实施例的上下文中描述的各种特征也可以被分别地或以任何合适的子组合实现在多个实施例中。而且,尽管特征在上面被描述为以某些组合来动作,以及甚至最初如此声称,但是在某些情况下可以从组合中切除所要求保护的组合中的一个或多个特征,并且所要求保护的组合可以针对子组合或子组合的变型。
类似地,虽然在附图中以特定顺序描绘了操作,但是这不应理解为要求以所示的特定顺序或以连续的顺序执行这样的操作,或者执行所有图示的操作,以实现期望的结果。此外,在该专利文档中描述的实施例中的各种***组件的分离不应被理解为在所有实施例中都需要这种分离。
仅描述了一些实现方式和示例,并且可以基于在本专利文档中描述和图示的内容得到其他实现方式、增强和变化。
Claims (28)
1.一种导航自主车辆的方法,包括:
由位于自主车辆上的在线服务器,确定当前驾驶信息,所述当前驾驶信息包括所述自主车辆的当前位置;
基于来自预存储的路径库的路径,使用所述当前驾驶信息,以确定用于将所述自主车辆导航到下一位置的最优路径;以及
基于所述最优路径,朝向所述下一位置导航所述自主车辆。
2.根据权利要求1所述的方法,还包括:
基于所述预存储的路径库中的网格地图上的所述自主车辆的当前的前向角,确定与所述当前位置匹配的网格节点和与所述网格节点相关联的网格箱;
从所述预存储的路径库,基于所述网格节点和所述网格箱,检索到对应于所述下一位置的下一网格节点、以及下一网格箱的可能路径;以及
基于所述可能路径中的一个可能路径,生成转向命令以导航所述自主车辆。
3.根据权利要求1所述的方法,其中所述预存储的路径库包括基于离线路径库生成过程所计算的可能路径的数据库。
4.根据权利要求1所述的方法,其中所述预存储的路径库以压缩格式被存储,使得所述在线服务器执行数据扩展,以用于接收所述可能路径。
5.根据权利要求1所述的方法,其中所述在线服务器基于从所述预存储的路径库检索的多个最优路径,来迭代地生成多个转向命令,以在多个当前位置与多个下一位置之间导航所述自主车辆,使得前一迭代的下一位置被用作下一迭代的当前位置,直到所述自主车辆满足结束准则为止。
6.一种生成用于自主驾驶车辆的最优路径的库的方法,所述方法包括:
由离线服务器将位置空间离散化为网格节点地图,所述网格节点地图由沿着驾驶地图上的参考驾驶线的横向位置节点和纵向位置节点定义;
由所述离线服务器将所述网格节点地图中的每个网格节点的定向空间离散化为网格箱阵列,所述网格箱阵列定义驾驶轨迹的前向角分辨率;
由所述离线服务器针对离散的所述位置空间执行最优车辆驾驶轨迹的穷举搜索,其中所述穷举搜索包括车辆状态矢量,其中所述穷举搜索包括评估所述驾驶空间中的沿着参考驾驶方向的两层上的、每两对状态空间与网格节点之间的驾驶轨迹连接,以确定导致全局最优完整轨迹的最好驾驶动作;以及
由所述离线服务器基于评估确定最优路径,用于存储在最优路径的所述库中。
7.根据权利要求6所述的方法,其中所述评估包括:
通过从被存储在下层网格节点的已评估的网格箱中的最优迹线的轨迹前向角进行追踪,构建在遵循车辆运动学模型的两个网格节点之间的轨迹弧形,其中随着生成所述库的进行,被存储在上层网格节点的网格箱中的轨迹前向角值被动态地确定;
其中在每个步骤的评估通过以下而进行:将由自行车模型定义的、在每两个可行的网格节点之间的车辆运动学迹线扩展到适应拖车运动状态的针对牵引车拖车车辆的迹线,并且扩展到车辆车身转角和车辆轮胎的迹线,所述车辆车身转角和车辆轮胎与当在受限空间中驾驶时的运动控制有关;
将所有轨迹连接的成本分配给一层网格节点,并将最优轨迹连接保存到每个可到达的网格节点和网格箱对;以及
当至少一个准则被违反时,停用针对下一层的搜索评估的网格节点和网格箱对;
其中用于最优轨迹连接的联接信息被保存到所述最优路径库中。
8.根据权利要求6所述的方法,其中在所述搜索开始之前,每个网格节点定义一个确定性的位置坐标集,以及每个网格箱定义用于一系列定向角的存储器空间,随着生成所述库的进行,所述一系列定向角的特定值将被动态地确定。
9.根据权利要求6所述的方法,其中通过重复评估所述驾驶轨迹连接,扩展所述车辆运动学迹线,并针对每个未评估的网格节点的层仅保持至每个可到达的网格节点对的所述最优轨迹连接,来重复所述搜索过程,直到到达对应于所述地图区域可搜索空间的边距的所述地图上感兴趣区域的另一边距。
10.根据权利要求6所述的方法,其中所述位置网格节点地图和网格箱阵列是状态空间网格地图。
11.根据权利要求6所述的方法,其中每个车辆状态矢量由车辆x坐标值、车辆位置y坐标值和车辆前向角值来定义。
12.根据权利要求6所述的方法,其中在从终端状态到开始状态的向后方向上执行所述穷举搜索,并且对于搜索的所述区域中的每个可到达的离散的状态空间网格节点,仅累积的最优解被保存。
13.根据权利要求6所述的方法,其中所述终端状态定义所述地图区域的所述可搜索空间的边距。
14.根据权利要求6所述的方法,其中所述离线服务器包括所述自主车辆外部的计算资源。
15.根据权利要求6所述的方法,其中所述离线服务器在所述自主驾驶车辆到达所述位置空间之前,确定并存储所述最优路径。
16.一种生成用于自主驾驶车辆的最优路径的库的方法,所述方法包括:
在离线服务器处,接收牵引车终端位置和牵引车终端定向信息;
在所述离线服务器处,基于状态空间分辨率需求,确定用于最优路径库搜索的状态空间节点网格地图;
在所述离线服务器处,确定已评估的状态空间节点与在相邻的上层网格地图中的可到达状态空间节点之间的路径弧形;
在所述离线服务器处,从所述路径弧形中的路径弧形,至少确定所述上层网格节点的路径弧形长度、路径弧形曲率和前向角值;
在所述离线服务器处,确定所述自主驾驶车辆对所述路径弧形的运动学响应;
在所述离线服务器处,从所述运动学响应中确定牵引车车辆转向角、以及所述自主驾驶车辆沿着所述路径弧形的一个或多个车身位置的坐标;
在所述离线服务器处,通过将性能度量应用于所述路径弧形、转向控制器转向角、运动学响应以及沿着所述路径弧形的所述一个或多个车身位置,来确定代表所述路径弧形的总体性能度量;以及
在所述离线服务器处,基于所述总体性能度量确定所述路径弧形的有效性,并移除被确定为无效的路径弧形。
17.根据权利要求16所述的方法,其中所述离线服务器具有比存在于所述自主车辆上的用于导航所述自主驾驶车辆的在线服务器更多的计算能力和存储器。
18.根据权利要求16所述的方法,其中所述路径的库表示针对预定的和离散的驾驶空间的最优车辆驾驶轨迹的穷举搜索,以及其中所述穷举搜索包括在所述状态空间节点网格地图中的车辆位置和车辆定向的多种组合。
19.根据权利要求16所述的方法,其中所述库包括用于地理区域中的车辆状态的紧凑路径信息。
20.根据权利要求16所述的方法,还包括:
重复以下各项:确定所述路径弧形,确定至少所述路径弧形长度、所述路径弧形曲率、所述前向角值,确定所述运动学响应,以及确定所述总体性能度量以生成多个弧形路径和相应的总体性能度量。
21.根据权利要求16所述的方法,还包括:
基于所述总体性能度量,从多个弧形路径中选择最优路径,其中与所述多个弧形路径中的其他弧形路径相比,所述最优路径具有最好的总体性能度量。
22.根据权利要求16所述的方法,其中所述性能度量包括以下项中的一项或多项:曲率度量、曲率变化度量、铰接度量、到车道中心的距离度量、前向跟踪度量、车道中车身度量、超出绘制的允许区域车身度量。
23.根据权利要求16所述的方法,其中从第一位置到第二位置的所述最优路径提供碰撞避免,最小化转向变化,防止形成转角并且是平顺的。
24.一种用于导航自主车辆的***,包括:
离线服务器,所述离线服务器被配置为生成用于导航地理区域的最优路径的库,其中所述地理区域表示为网格节点地图和定向网格箱地图,以及其中所述最优路径基于优化准则对应于所述网格节点地图中的成对的网格节点对之间的路径;
存储设备,所述存储设备在所述自主车辆上,用于存储所述最优路径的库;以及
在线服务器,所述在线服务器位于所述自主车辆上,被配置为基于所述自主车辆的当前位置和当前的前向来访问来自所述存储设备的所述最优路径的库中的信息,并基于所述信息导航所述自主车辆穿过所述地理区域。
25.根据权利要求24所述的***,其中所述离线服务器位于所述自主车辆的外部,并且被配置为经由无线通信信道与所述存储设备进行通信。
26.根据权利要求24所述的***,其中所述离线服务器使用一方法来生成最优路径的库,所述方法包括:
将位置空间离散化为网格节点地图,所述网格节点地图由沿着驾驶地图上的参考驾驶线的横向位置节点和纵向位置节点定义;
将所述网格节点地图中的每个网格节点的定向空间离散化为网格箱阵列,所述网格箱阵列定义驾驶轨迹的前向角分辨率;
对离散的所述位置空间执行最优车辆驾驶轨迹的穷举搜索,其中所述穷举搜索包括车辆状态矢量,其中所述穷举搜索包括评估所述驾驶空间中的沿着参考驾驶方向的两层上的、每两对状态空间与网格节点之间的驾驶轨迹连接,以确定导致全局最优完整轨迹的最好驾驶动作;以及
基于评估确定最优路径,用于存储在最优路径的库中。
27.根据权利要求24所述的***,其中所述自主车辆是铰链式车辆。
28.根据权利要求24所述的***,其中所述最优路径的库包括所述地理区域的、在所述自主车辆进入所述地理区域之前的路径信息。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/826,117 US11619943B2 (en) | 2020-03-20 | 2020-03-20 | Optimal path library for local path planning of an autonomous vehicle |
US16/826,117 | 2020-03-20 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113494924A true CN113494924A (zh) | 2021-10-12 |
Family
ID=77748936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110297661.5A Pending CN113494924A (zh) | 2020-03-20 | 2021-03-19 | 用于自主车辆的局部路径规划的最优路径库 |
Country Status (2)
Country | Link |
---|---|
US (2) | US11619943B2 (zh) |
CN (1) | CN113494924A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111854783A (zh) * | 2020-06-22 | 2020-10-30 | 北京九曜智能科技有限公司 | 一种绕障路径规划方法及装置 |
CN113830079A (zh) * | 2021-10-19 | 2021-12-24 | 同济大学 | 任意起始位姿的连续曲率泊车路径在线规划方法及*** |
CN113885518A (zh) * | 2021-10-27 | 2022-01-04 | 湖南大学 | 基于信任域的井下矿用铰接车轨迹规划方法 |
CN113990093A (zh) * | 2021-11-22 | 2022-01-28 | 大连理工大学 | 一种无人驾驶电动出租车动态合乘调度***及方法 |
CN114355874A (zh) * | 2021-11-11 | 2022-04-15 | 北京百度网讯科技有限公司 | 路径规划方法、装置、电子设备及自动行驶设备 |
CN114485663A (zh) * | 2021-12-29 | 2022-05-13 | 中国航空工业集团公司西安飞机设计研究所 | 一种飞机执行任务航路规划方法 |
CN114723108A (zh) * | 2022-03-22 | 2022-07-08 | 中国测绘科学研究院 | 城市路网海量公共服务设施可达性计算方法与装置 |
CN116147654A (zh) * | 2023-04-19 | 2023-05-23 | 广东工业大学 | 一种基于离线路径库的路径规划方法 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11550325B2 (en) * | 2020-06-10 | 2023-01-10 | Nvidia Corp. | Adversarial scenarios for safety testing of autonomous vehicles |
JP2022052800A (ja) * | 2020-09-24 | 2022-04-05 | 株式会社Subaru | 車両の制御装置及び制御方法 |
US20220179410A1 (en) * | 2020-12-04 | 2022-06-09 | Ford Global Technologies, Llc | Systems And Methods For Eliminating Vehicle Motion Interference During A Remote-Control Vehicle Maneuvering Operation |
US20220315040A1 (en) * | 2021-03-30 | 2022-10-06 | Ghost Locomotion Inc. | Selective model execution in an autonomous vehicle |
CN113190766A (zh) * | 2021-04-22 | 2021-07-30 | 北京百度网讯科技有限公司 | 路径规划方法、装置、电子设备及存储介质 |
US11753045B2 (en) * | 2021-06-22 | 2023-09-12 | Waymo Llc | Modeling positional uncertainty of moving objects using precomputed polygons |
US20230131553A1 (en) * | 2021-10-27 | 2023-04-27 | Volvo Car Corporation | Environment-aware path planning for a self-driving vehicle using dynamic step-size search |
CN114234987B (zh) * | 2021-11-05 | 2024-06-11 | 河北汉光重工有限责任公司 | 离线电子地图随无人车动态轨迹自适应平滑调整方法 |
CN114407927B (zh) * | 2022-01-21 | 2023-05-26 | 常州大学 | 一种物流运输车辆智能辅助驾驶***及方法 |
US20230331217A1 (en) * | 2022-04-14 | 2023-10-19 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Motion and Path Planning for Trailer-Based Vehicle |
WO2023199610A1 (en) * | 2022-04-14 | 2023-10-19 | Mitsubishi Electric Corporation | System and method for motion and path planning for trailer-based vehicle |
WO2024025966A2 (en) * | 2022-07-26 | 2024-02-01 | Anamnesis Corporation | Combination vehicle system and/or method |
CN115066003B (zh) * | 2022-08-18 | 2022-11-04 | 香港中文大学(深圳) | 一种避免通信感知路径被遮挡的空间节点位置确定方法 |
CN115719125A (zh) * | 2023-01-10 | 2023-02-28 | 武汉理工大学 | 基于决策级高精地图的地下矿区单车任务调度方法及*** |
CN116481557B (zh) * | 2023-06-20 | 2023-09-08 | 北京斯年智驾科技有限公司 | 一种路口通行路径规划方法、装置、电子设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9405293B2 (en) * | 2014-05-30 | 2016-08-02 | Nissan North America, Inc | Vehicle trajectory optimization for autonomous vehicles |
CN110832348B (zh) * | 2016-12-30 | 2023-08-15 | 辉达公司 | 用于自主车辆的高清晰度地图的点云数据丰富 |
US10948919B2 (en) * | 2017-09-11 | 2021-03-16 | Baidu Usa Llc | Dynamic programming and gradient descent based decision and planning for autonomous driving vehicles |
CN116968732A (zh) * | 2018-03-20 | 2023-10-31 | 御眼视觉技术有限公司 | 用于导航主车辆的***和方法 |
US20200363800A1 (en) * | 2019-05-13 | 2020-11-19 | Great Wall Motor Company Limited | Decision Making Methods and Systems for Automated Vehicle |
US11409284B2 (en) * | 2019-05-15 | 2022-08-09 | Baidu Usa Llc | Relaxation optimization model to plan an open space trajectory for autonomous vehicles |
-
2020
- 2020-03-20 US US16/826,117 patent/US11619943B2/en active Active
-
2021
- 2021-03-19 CN CN202110297661.5A patent/CN113494924A/zh active Pending
-
2023
- 2023-03-17 US US18/186,137 patent/US20230244237A1/en active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111854783A (zh) * | 2020-06-22 | 2020-10-30 | 北京九曜智能科技有限公司 | 一种绕障路径规划方法及装置 |
CN113830079A (zh) * | 2021-10-19 | 2021-12-24 | 同济大学 | 任意起始位姿的连续曲率泊车路径在线规划方法及*** |
CN113830079B (zh) * | 2021-10-19 | 2023-09-01 | 同济大学 | 任意起始位姿的连续曲率泊车路径在线规划方法及*** |
CN113885518A (zh) * | 2021-10-27 | 2022-01-04 | 湖南大学 | 基于信任域的井下矿用铰接车轨迹规划方法 |
CN113885518B (zh) * | 2021-10-27 | 2023-08-11 | 湖南大学 | 基于信任域的井下矿用铰接车轨迹规划方法 |
CN114355874A (zh) * | 2021-11-11 | 2022-04-15 | 北京百度网讯科技有限公司 | 路径规划方法、装置、电子设备及自动行驶设备 |
CN114355874B (zh) * | 2021-11-11 | 2024-03-22 | 北京百度网讯科技有限公司 | 路径规划方法、装置、电子设备及自动行驶设备 |
CN113990093A (zh) * | 2021-11-22 | 2022-01-28 | 大连理工大学 | 一种无人驾驶电动出租车动态合乘调度***及方法 |
CN114485663A (zh) * | 2021-12-29 | 2022-05-13 | 中国航空工业集团公司西安飞机设计研究所 | 一种飞机执行任务航路规划方法 |
CN114723108A (zh) * | 2022-03-22 | 2022-07-08 | 中国测绘科学研究院 | 城市路网海量公共服务设施可达性计算方法与装置 |
CN116147654A (zh) * | 2023-04-19 | 2023-05-23 | 广东工业大学 | 一种基于离线路径库的路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
US20210294333A1 (en) | 2021-09-23 |
US20230244237A1 (en) | 2023-08-03 |
US11619943B2 (en) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113494924A (zh) | 用于自主车辆的局部路径规划的最优路径库 | |
US20210403032A1 (en) | Two-level path planning for autonomous vehicles | |
Lima et al. | Spatial model predictive control for smooth and accurate steering of an autonomous truck | |
US11126187B2 (en) | Systems and methods for controlling the operation of a vehicle | |
US11493926B2 (en) | Offline agent using reinforcement learning to speedup trajectory planning for autonomous vehicles | |
CN108445750B (zh) | 用于车辆运动规划的方法和*** | |
US11467591B2 (en) | Online agent using reinforcement learning to plan an open space trajectory for autonomous vehicles | |
Paden et al. | A survey of motion planning and control techniques for self-driving urban vehicles | |
WO2020243162A1 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
US10800427B2 (en) | Systems and methods for a vehicle controller robust to time delays | |
US20180120843A1 (en) | System and Method for Controlling Vehicle Using Neural Network | |
US11409284B2 (en) | Relaxation optimization model to plan an open space trajectory for autonomous vehicles | |
US11975736B2 (en) | Vehicle path planning | |
WO2020178639A1 (en) | Aligning road information for navigation | |
JP2022549763A (ja) | 安全性モジュール、自動化運転システム、及びその方法 | |
CN112149484B (zh) | 基于车道线确定消失点 | |
CN112146680B (zh) | 基于特征图确定消失点 | |
US11009353B2 (en) | Non-transitory computer-readable storage medium storing nonlinear optimization program of continuous value optimization problem, non-transitory computer-readable storage medium storing route search program, and route search apparatus | |
EP4242998A1 (en) | Traffic stream information determination method and apparatus, electronic device and storage medium | |
US20230020503A1 (en) | Machine control | |
US20220340160A1 (en) | Systems and methods for simulation supported map quality assurance in an autonomous vehicle context | |
JP7516358B2 (ja) | 自動車のための経路および/または軌道を計画するためのデバイス | |
CN117203108A (zh) | 仅基于本地信息的车道变换 | |
CN116225026A (zh) | 自动驾驶车辆操作方法、电子设备以及计算机可读介质 | |
US11897486B1 (en) | Sensor consensus monitor |
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 |